Informe panorámico del sector Web3-AI: análisis profundo de la lógica técnica, aplicaciones en escenarios y proyectos de primer nivel Profundidad
Con el continuo aumento del interés por la narrativa de IA, cada vez más atención se centra en este sector. Se ha realizado un profundo análisis de la lógica técnica, los escenarios de aplicación y los proyectos representativos del sector Web3-AI, presentando una visión completa de este campo y sus tendencias de desarrollo.
Uno, Web3-AI: Análisis de la lógica técnica y oportunidades de mercado emergentes
1.1 Lógica de la fusión entre Web3 y AI: cómo definir la pista Web-AI
En el último año, la narración de IA ha sido excepcionalmente popular en la industria de Web3, y los proyectos de IA han surgido como hongos después de la lluvia. Aunque hay muchos proyectos que involucran tecnología de IA, algunos de ellos solo utilizan IA en ciertas partes de sus productos, y la economía de tokens subyacente no tiene una relación sustancial con los productos de IA. Por lo tanto, estos proyectos no se incluyen en la discusión de los proyectos Web3-AI en este artículo.
El enfoque de este artículo está en el uso de la blockchain para resolver problemas de relaciones de producción, proyectos que utilizan IA para resolver problemas de productividad. Estos proyectos ofrecen productos de IA y, al mismo tiempo, se basan en modelos económicos de Web3 como herramientas de relaciones de producción, complementándose entre sí. Clasificamos estos proyectos como la pista Web3-AI. Para que los lectores comprendan mejor la pista Web3-AI, se presentará el proceso de desarrollo y los desafíos de la IA, así como cómo la combinación de Web3 y IA resuelve perfectamente problemas y crea nuevos escenarios de aplicación.
1.2 El proceso de desarrollo y los desafíos de la IA: desde la recolección de datos hasta la inferencia del modelo
La tecnología de IA es una técnica que permite a las computadoras simular, extender y mejorar la inteligencia humana. Puede permitir que las computadoras realicen diversas tareas complejas, desde la traducción de idiomas, la clasificación de imágenes hasta el reconocimiento facial y la conducción autónoma, entre otros escenarios de aplicación. La IA está cambiando la forma en que vivimos y trabajamos.
El proceso de desarrollo de modelos de inteligencia artificial generalmente incluye los siguientes pasos clave: recolección de datos y preprocesamiento de datos, selección y ajuste del modelo, entrenamiento e inferencia del modelo. Por ejemplo, para desarrollar un modelo que clasifique imágenes de gatos y perros, necesitas:
Recolección de datos y preprocesamiento de datos: recopilar un conjunto de datos de imágenes que contenga gatos y perros, se puede utilizar un conjunto de datos público o recopilar datos reales por uno mismo. Luego, etiquetar cada imagen con su categoría (gato o perro), asegurándose de que las etiquetas sean precisas. Convertir las imágenes a un formato que el modelo pueda reconocer, y dividir el conjunto de datos en conjunto de entrenamiento, conjunto de validación y conjunto de prueba.
Selección y ajuste del modelo: elegir un modelo adecuado, como las redes neuronales convolucionales (CNN), que son más adecuadas para tareas de clasificación de imágenes. Ajustar los parámetros o la arquitectura del modelo según las diferentes necesidades; generalmente, la profundidad de la red del modelo puede ajustarse según la complejidad de la tarea de IA. En este simple ejemplo de clasificación, una red menos profunda puede ser suficiente.
Entrenamiento del modelo: se puede utilizar GPU, TPU o un clúster de computación de alto rendimiento para entrenar el modelo, y el tiempo de entrenamiento se ve afectado por la complejidad del modelo y la capacidad de cálculo.
Inferencia del modelo: El archivo del modelo entrenado suele llamarse peso del modelo, y el proceso de inferencia se refiere al uso del modelo ya entrenado para predecir o clasificar nuevos datos. En este proceso, se puede utilizar un conjunto de prueba o nuevos datos para evaluar el rendimiento de clasificación del modelo, y generalmente se utilizan métricas como la precisión, la tasa de recuperación y el F1-score para evaluar la efectividad del modelo.
Como se muestra en la imagen, después de la recolección de datos y el preprocesamiento de datos, la selección y ajuste del modelo, así como el entrenamiento, se realizará la inferencia del modelo entrenado en el conjunto de prueba para obtener los valores de predicción de gato y perro P (probabilidad), es decir, la probabilidad de que el modelo infiera que es un gato o un perro.
Los modelos de IA entrenados se pueden integrar aún más en diversas aplicaciones para realizar diferentes tareas. En este ejemplo, el modelo de IA para la clasificación de gatos y perros se puede integrar en una aplicación móvil, donde los usuarios suben imágenes de gatos o perros y obtienen resultados de clasificación.
Sin embargo, el proceso de desarrollo de IA centralizada presenta algunos problemas en los siguientes escenarios:
Privacidad del usuario: en un escenario centralizado, el proceso de desarrollo de la IA suele ser opaco. Los datos del usuario pueden ser robados sin su conocimiento y utilizados para el entrenamiento de la IA.
Obtención de la fuente de datos: los pequeños equipos o individuos pueden enfrentar limitaciones de no abrir la fuente de datos al obtener datos en campos específicos (como datos médicos).
Selección y ajuste de modelos: para equipos pequeños, es difícil obtener recursos de modelos en campos específicos o gastar grandes costos en el ajuste de modelos.
Obtención de potencia de cálculo: para los desarrolladores individuales y los pequeños equipos, el alto costo de compra de GPU y las tarifas de alquiler de potencia de cálculo en la nube pueden representar una carga económica significativa.
Ingresos de activos de IA: los trabajadores de etiquetado de datos a menudo no pueden obtener ingresos que coincidan con su esfuerzo, y los resultados de la investigación de los desarrolladores de IA también son difíciles de coincidir con los compradores que los necesitan.
Los desafíos existentes en el escenario de IA centralizada pueden abordarse combinándolos con Web3. Web3, como una nueva relación de producción, se adapta de manera natural a la IA, que representa una nueva productividad, promoviendo así el progreso simultáneo de la tecnología y la capacidad de producción.
1.3 Web3 y la sinergia de la IA: cambio de roles y aplicaciones innovadoras
La combinación de Web3 y la IA puede fortalecer la soberanía del usuario, proporcionando una plataforma de colaboración de IA abierta que permite a los usuarios pasar de ser usuarios de IA en la era de Web2 a participantes, creando una IA que todos pueden poseer. Al mismo tiempo, la fusión del mundo Web3 con la tecnología de IA también puede generar más escenarios de aplicación innovadores y formas de interacción.
Basado en la tecnología Web3, el desarrollo y la aplicación de la IA darán paso a un nuevo sistema económico de colaboración. La privacidad de los datos de las personas puede ser garantizada, el modelo de datos de colaboración promueve el avance de los modelos de IA, numerosos recursos de IA de código abierto están disponibles para los usuarios, y la potencia de cálculo compartida se puede obtener a un costo más bajo. Gracias al mecanismo de colaboración descentralizada y al mercado de IA abierto, se puede lograr un sistema de distribución de ingresos justo, lo que incentiva a más personas a impulsar el avance de la tecnología de IA.
En el escenario de Web3, la IA puede tener un impacto positivo en múltiples áreas. Por ejemplo, los modelos de IA pueden integrarse en contratos inteligentes para mejorar la eficiencia laboral en diferentes escenarios de aplicación, como análisis de mercado, detección de seguridad, agrupación social y muchas otras funciones. La IA generativa no solo permite a los usuarios experimentar el papel de "artista", como crear su propio NFT utilizando tecnología de IA, sino que también puede generar escenarios de juego variados y experiencias interactivas interesantes en GameFi. La infraestructura rica proporciona una experiencia de desarrollo fluida, ya sea para expertos en IA o para principiantes que desean ingresar al campo de la IA, todos pueden encontrar una entrada adecuada en este mundo.
Dos, Interpretación del mapa y la arquitectura del proyecto ecológico Web3-AI
Principalmente hemos investigado 41 proyectos en la pista de Web3-AI y hemos clasificado estos proyectos en diferentes niveles. La lógica de clasificación de cada nivel se muestra en la siguiente imagen, que incluye la capa de infraestructura, la capa intermedia y la capa de aplicación, y cada nivel se divide en diferentes secciones. En el siguiente capítulo, realizaremos un análisis profundo de algunos proyectos representativos.
La capa de infraestructura abarca los recursos de computación y la arquitectura tecnológica que soportan la operación de todo el ciclo de vida de la IA, la capa intermedia incluye la gestión de datos, el desarrollo de modelos y los servicios de inferencia de validación que conectan la infraestructura con las aplicaciones, y la capa de aplicaciones se centra en diversas aplicaciones y soluciones directamente orientadas al usuario.
Capa de infraestructura:
La capa de infraestructura es la base del ciclo de vida de la IA. Este artículo clasifica la potencia de cálculo, AI Chain y la plataforma de desarrollo como parte de la capa de infraestructura. Es gracias al apoyo de estas infraestructuras que se puede llevar a cabo el entrenamiento y la inferencia de modelos de IA, y presentar a los usuarios aplicaciones de IA potentes y prácticas.
Red de computación descentralizada: puede proporcionar potencia de cálculo distribuida para el entrenamiento de modelos de IA, asegurando un uso eficiente y económico de los recursos de computación. Algunos proyectos ofrecen un mercado de potencia de cálculo descentralizado, donde los usuarios pueden alquilar potencia de cálculo a bajo costo o compartir potencia de cálculo para obtener beneficios, representados por proyectos como IO.NET y Hyperbolic. Además, algunos proyectos han derivado nuevas formas de jugar, como Compute Labs, que propusieron un protocolo tokenizado, donde los usuarios pueden participar en el alquiler de potencia de cálculo de diferentes maneras al comprar NFT que representan entidades GPU.
AI Chain: Utiliza la blockchain como base para el ciclo de vida de la IA, logrando una interacción fluida entre los recursos de IA en la cadena y fuera de ella, promoviendo el desarrollo del ecosistema industrial. El mercado descentralizado de IA en la cadena puede intercambiar activos de IA como datos, modelos, agentes, etc., y proporciona un marco de desarrollo de IA y herramientas de desarrollo complementarias, con proyectos representativos como Sahara AI. AI Chain también puede fomentar el progreso de la tecnología de IA en diferentes campos, como Bittensor, que promueve la competencia entre subredes de diferentes tipos de IA a través de un innovador mecanismo de incentivos en subredes.
Plataforma de desarrollo: Algunos proyectos ofrecen plataformas de desarrollo de agentes de IA, y también pueden realizar transacciones de agentes de IA, como Fetch.ai y ChainML, entre otros. Herramientas todo en uno ayudan a los desarrolladores a crear, entrenar y desplegar modelos de IA de manera más conveniente, representando proyectos como Nimble. Esta infraestructura fomenta la amplia aplicación de la tecnología de IA en el ecosistema Web3.
Capa intermedia:
Esta capa implica datos de IA, modelos, así como razonamiento y verificación, y el uso de tecnología Web3 puede lograr una mayor eficiencia laboral.
Datos: La calidad y cantidad de los datos son factores clave que afectan la efectividad del entrenamiento del modelo. En el mundo Web3, a través de datos de crowdsourcing y procesamiento colaborativo de datos, se puede optimizar la utilización de recursos y reducir los costos de datos. Los usuarios pueden tener autonomía sobre sus datos, vendiendo su propia información bajo la protección de la privacidad, para evitar que comerciantes deshonestos roben datos y obtengan grandes beneficios. Para los demandantes de datos, estas plataformas ofrecen una amplia variedad de opciones y costos muy bajos. Proyectos representativos como Grass utilizan el ancho de banda de los usuarios para capturar datos de la web, xData recopila información de medios a través de un complemento fácil de usar y permite a los usuarios subir información de tweets.
Además, algunas plataformas permiten a expertos del sector o usuarios comunes realizar tareas de preprocesamiento de datos, como la etiquetación de imágenes y la clasificación de datos. Estas tareas pueden requerir conocimientos especializados en el procesamiento de datos financieros y legales, y los usuarios pueden tokenizar sus habilidades para lograr la colaboración y el crowdsourcing en el preprocesamiento de datos. Representando como el mercado de IA de Sahara AI, que tiene tareas de datos de diferentes campos, puede cubrir escenarios de datos multidisciplinarios; mientras que AIT Protocolt realiza la etiquetación de datos a través de un enfoque de colaboración humano-máquina.
Modelo: En el proceso de desarrollo de IA mencionado anteriormente, diferentes tipos de necesidades requieren modelos adecuados. Modelos comúnmente utilizados para tareas de imagen incluyen CNN y GAN, para tareas de detección de objetos se puede elegir la serie Yolo, y para tareas de texto son comunes los modelos RNN y Transformer, así como también algunos modelos grandes específicos o generales. La profundidad del modelo necesaria varía según la complejidad de la tarea, y a veces se requiere ajustar el modelo.
Algunos proyectos permiten a los usuarios proporcionar diferentes tipos de modelos o colaborar en el entrenamiento de modelos a través de la creación colectiva, como Sentient que, mediante un diseño modular, permite a los usuarios almacenar datos de modelos confiables en la capa de almacenamiento y en la capa de distribución para optimizar los modelos. Las herramientas de desarrollo proporcionadas por Sahara AI cuentan con algoritmos de IA avanzados y un marco de cálculo integrado, además de tener la capacidad de entrenamiento colaborativo.
Inferencia y verificación: Después de entrenar el modelo, se generarán archivos de pesos del modelo, que se pueden usar para realizar clasificaciones, predicciones u otras tareas específicas, este proceso se llama inferencia. El proceso de inferencia generalmente va acompañado de mecanismos de verificación, para verificar si la fuente del modelo de inferencia es correcta, si hay comportamientos maliciosos, etc. La inferencia en Web3 generalmente se puede integrar en contratos inteligentes, llamando al modelo para realizar la inferencia, las formas comunes de verificación incluyen tecnologías como ZKML, OPML y TEE. Proyectos representativos como el oráculo de IA en cadena ORA (OAO), han introducido OPML como la capa verificable del oráculo de IA, en el sitio web oficial de ORA también mencionaron su investigación sobre ZKML y opp/ai (ZKML combinado con OPML).
Capa de aplicación:
Esta capa se centra principalmente en aplicaciones dirigidas al usuario, combinando IA con Web3 para crear formas de juego más interesantes e innovadoras. Este artículo se centra principalmente en los proyectos de AIGC (Contenido Generado por IA), agentes de IA y análisis de datos.
Esta página puede contener contenido de terceros, que se proporciona únicamente con fines informativos (sin garantías ni declaraciones) y no debe considerarse como un respaldo por parte de Gate a las opiniones expresadas ni como asesoramiento financiero o profesional. Consulte el Descargo de responsabilidad para obtener más detalles.
Panorama de la pista Web3-AI: Análisis profundo de la fusión tecnológica, escenarios de aplicación y proyectos representativos
Informe panorámico del sector Web3-AI: análisis profundo de la lógica técnica, aplicaciones en escenarios y proyectos de primer nivel Profundidad
Con el continuo aumento del interés por la narrativa de IA, cada vez más atención se centra en este sector. Se ha realizado un profundo análisis de la lógica técnica, los escenarios de aplicación y los proyectos representativos del sector Web3-AI, presentando una visión completa de este campo y sus tendencias de desarrollo.
Uno, Web3-AI: Análisis de la lógica técnica y oportunidades de mercado emergentes
1.1 Lógica de la fusión entre Web3 y AI: cómo definir la pista Web-AI
En el último año, la narración de IA ha sido excepcionalmente popular en la industria de Web3, y los proyectos de IA han surgido como hongos después de la lluvia. Aunque hay muchos proyectos que involucran tecnología de IA, algunos de ellos solo utilizan IA en ciertas partes de sus productos, y la economía de tokens subyacente no tiene una relación sustancial con los productos de IA. Por lo tanto, estos proyectos no se incluyen en la discusión de los proyectos Web3-AI en este artículo.
El enfoque de este artículo está en el uso de la blockchain para resolver problemas de relaciones de producción, proyectos que utilizan IA para resolver problemas de productividad. Estos proyectos ofrecen productos de IA y, al mismo tiempo, se basan en modelos económicos de Web3 como herramientas de relaciones de producción, complementándose entre sí. Clasificamos estos proyectos como la pista Web3-AI. Para que los lectores comprendan mejor la pista Web3-AI, se presentará el proceso de desarrollo y los desafíos de la IA, así como cómo la combinación de Web3 y IA resuelve perfectamente problemas y crea nuevos escenarios de aplicación.
1.2 El proceso de desarrollo y los desafíos de la IA: desde la recolección de datos hasta la inferencia del modelo
La tecnología de IA es una técnica que permite a las computadoras simular, extender y mejorar la inteligencia humana. Puede permitir que las computadoras realicen diversas tareas complejas, desde la traducción de idiomas, la clasificación de imágenes hasta el reconocimiento facial y la conducción autónoma, entre otros escenarios de aplicación. La IA está cambiando la forma en que vivimos y trabajamos.
El proceso de desarrollo de modelos de inteligencia artificial generalmente incluye los siguientes pasos clave: recolección de datos y preprocesamiento de datos, selección y ajuste del modelo, entrenamiento e inferencia del modelo. Por ejemplo, para desarrollar un modelo que clasifique imágenes de gatos y perros, necesitas:
Recolección de datos y preprocesamiento de datos: recopilar un conjunto de datos de imágenes que contenga gatos y perros, se puede utilizar un conjunto de datos público o recopilar datos reales por uno mismo. Luego, etiquetar cada imagen con su categoría (gato o perro), asegurándose de que las etiquetas sean precisas. Convertir las imágenes a un formato que el modelo pueda reconocer, y dividir el conjunto de datos en conjunto de entrenamiento, conjunto de validación y conjunto de prueba.
Selección y ajuste del modelo: elegir un modelo adecuado, como las redes neuronales convolucionales (CNN), que son más adecuadas para tareas de clasificación de imágenes. Ajustar los parámetros o la arquitectura del modelo según las diferentes necesidades; generalmente, la profundidad de la red del modelo puede ajustarse según la complejidad de la tarea de IA. En este simple ejemplo de clasificación, una red menos profunda puede ser suficiente.
Entrenamiento del modelo: se puede utilizar GPU, TPU o un clúster de computación de alto rendimiento para entrenar el modelo, y el tiempo de entrenamiento se ve afectado por la complejidad del modelo y la capacidad de cálculo.
Inferencia del modelo: El archivo del modelo entrenado suele llamarse peso del modelo, y el proceso de inferencia se refiere al uso del modelo ya entrenado para predecir o clasificar nuevos datos. En este proceso, se puede utilizar un conjunto de prueba o nuevos datos para evaluar el rendimiento de clasificación del modelo, y generalmente se utilizan métricas como la precisión, la tasa de recuperación y el F1-score para evaluar la efectividad del modelo.
Como se muestra en la imagen, después de la recolección de datos y el preprocesamiento de datos, la selección y ajuste del modelo, así como el entrenamiento, se realizará la inferencia del modelo entrenado en el conjunto de prueba para obtener los valores de predicción de gato y perro P (probabilidad), es decir, la probabilidad de que el modelo infiera que es un gato o un perro.
Los modelos de IA entrenados se pueden integrar aún más en diversas aplicaciones para realizar diferentes tareas. En este ejemplo, el modelo de IA para la clasificación de gatos y perros se puede integrar en una aplicación móvil, donde los usuarios suben imágenes de gatos o perros y obtienen resultados de clasificación.
Sin embargo, el proceso de desarrollo de IA centralizada presenta algunos problemas en los siguientes escenarios:
Privacidad del usuario: en un escenario centralizado, el proceso de desarrollo de la IA suele ser opaco. Los datos del usuario pueden ser robados sin su conocimiento y utilizados para el entrenamiento de la IA.
Obtención de la fuente de datos: los pequeños equipos o individuos pueden enfrentar limitaciones de no abrir la fuente de datos al obtener datos en campos específicos (como datos médicos).
Selección y ajuste de modelos: para equipos pequeños, es difícil obtener recursos de modelos en campos específicos o gastar grandes costos en el ajuste de modelos.
Obtención de potencia de cálculo: para los desarrolladores individuales y los pequeños equipos, el alto costo de compra de GPU y las tarifas de alquiler de potencia de cálculo en la nube pueden representar una carga económica significativa.
Ingresos de activos de IA: los trabajadores de etiquetado de datos a menudo no pueden obtener ingresos que coincidan con su esfuerzo, y los resultados de la investigación de los desarrolladores de IA también son difíciles de coincidir con los compradores que los necesitan.
Los desafíos existentes en el escenario de IA centralizada pueden abordarse combinándolos con Web3. Web3, como una nueva relación de producción, se adapta de manera natural a la IA, que representa una nueva productividad, promoviendo así el progreso simultáneo de la tecnología y la capacidad de producción.
1.3 Web3 y la sinergia de la IA: cambio de roles y aplicaciones innovadoras
La combinación de Web3 y la IA puede fortalecer la soberanía del usuario, proporcionando una plataforma de colaboración de IA abierta que permite a los usuarios pasar de ser usuarios de IA en la era de Web2 a participantes, creando una IA que todos pueden poseer. Al mismo tiempo, la fusión del mundo Web3 con la tecnología de IA también puede generar más escenarios de aplicación innovadores y formas de interacción.
Basado en la tecnología Web3, el desarrollo y la aplicación de la IA darán paso a un nuevo sistema económico de colaboración. La privacidad de los datos de las personas puede ser garantizada, el modelo de datos de colaboración promueve el avance de los modelos de IA, numerosos recursos de IA de código abierto están disponibles para los usuarios, y la potencia de cálculo compartida se puede obtener a un costo más bajo. Gracias al mecanismo de colaboración descentralizada y al mercado de IA abierto, se puede lograr un sistema de distribución de ingresos justo, lo que incentiva a más personas a impulsar el avance de la tecnología de IA.
En el escenario de Web3, la IA puede tener un impacto positivo en múltiples áreas. Por ejemplo, los modelos de IA pueden integrarse en contratos inteligentes para mejorar la eficiencia laboral en diferentes escenarios de aplicación, como análisis de mercado, detección de seguridad, agrupación social y muchas otras funciones. La IA generativa no solo permite a los usuarios experimentar el papel de "artista", como crear su propio NFT utilizando tecnología de IA, sino que también puede generar escenarios de juego variados y experiencias interactivas interesantes en GameFi. La infraestructura rica proporciona una experiencia de desarrollo fluida, ya sea para expertos en IA o para principiantes que desean ingresar al campo de la IA, todos pueden encontrar una entrada adecuada en este mundo.
Dos, Interpretación del mapa y la arquitectura del proyecto ecológico Web3-AI
Principalmente hemos investigado 41 proyectos en la pista de Web3-AI y hemos clasificado estos proyectos en diferentes niveles. La lógica de clasificación de cada nivel se muestra en la siguiente imagen, que incluye la capa de infraestructura, la capa intermedia y la capa de aplicación, y cada nivel se divide en diferentes secciones. En el siguiente capítulo, realizaremos un análisis profundo de algunos proyectos representativos.
La capa de infraestructura abarca los recursos de computación y la arquitectura tecnológica que soportan la operación de todo el ciclo de vida de la IA, la capa intermedia incluye la gestión de datos, el desarrollo de modelos y los servicios de inferencia de validación que conectan la infraestructura con las aplicaciones, y la capa de aplicaciones se centra en diversas aplicaciones y soluciones directamente orientadas al usuario.
Capa de infraestructura:
La capa de infraestructura es la base del ciclo de vida de la IA. Este artículo clasifica la potencia de cálculo, AI Chain y la plataforma de desarrollo como parte de la capa de infraestructura. Es gracias al apoyo de estas infraestructuras que se puede llevar a cabo el entrenamiento y la inferencia de modelos de IA, y presentar a los usuarios aplicaciones de IA potentes y prácticas.
Red de computación descentralizada: puede proporcionar potencia de cálculo distribuida para el entrenamiento de modelos de IA, asegurando un uso eficiente y económico de los recursos de computación. Algunos proyectos ofrecen un mercado de potencia de cálculo descentralizado, donde los usuarios pueden alquilar potencia de cálculo a bajo costo o compartir potencia de cálculo para obtener beneficios, representados por proyectos como IO.NET y Hyperbolic. Además, algunos proyectos han derivado nuevas formas de jugar, como Compute Labs, que propusieron un protocolo tokenizado, donde los usuarios pueden participar en el alquiler de potencia de cálculo de diferentes maneras al comprar NFT que representan entidades GPU.
AI Chain: Utiliza la blockchain como base para el ciclo de vida de la IA, logrando una interacción fluida entre los recursos de IA en la cadena y fuera de ella, promoviendo el desarrollo del ecosistema industrial. El mercado descentralizado de IA en la cadena puede intercambiar activos de IA como datos, modelos, agentes, etc., y proporciona un marco de desarrollo de IA y herramientas de desarrollo complementarias, con proyectos representativos como Sahara AI. AI Chain también puede fomentar el progreso de la tecnología de IA en diferentes campos, como Bittensor, que promueve la competencia entre subredes de diferentes tipos de IA a través de un innovador mecanismo de incentivos en subredes.
Plataforma de desarrollo: Algunos proyectos ofrecen plataformas de desarrollo de agentes de IA, y también pueden realizar transacciones de agentes de IA, como Fetch.ai y ChainML, entre otros. Herramientas todo en uno ayudan a los desarrolladores a crear, entrenar y desplegar modelos de IA de manera más conveniente, representando proyectos como Nimble. Esta infraestructura fomenta la amplia aplicación de la tecnología de IA en el ecosistema Web3.
Capa intermedia:
Esta capa implica datos de IA, modelos, así como razonamiento y verificación, y el uso de tecnología Web3 puede lograr una mayor eficiencia laboral.
Además, algunas plataformas permiten a expertos del sector o usuarios comunes realizar tareas de preprocesamiento de datos, como la etiquetación de imágenes y la clasificación de datos. Estas tareas pueden requerir conocimientos especializados en el procesamiento de datos financieros y legales, y los usuarios pueden tokenizar sus habilidades para lograr la colaboración y el crowdsourcing en el preprocesamiento de datos. Representando como el mercado de IA de Sahara AI, que tiene tareas de datos de diferentes campos, puede cubrir escenarios de datos multidisciplinarios; mientras que AIT Protocolt realiza la etiquetación de datos a través de un enfoque de colaboración humano-máquina.
Algunos proyectos permiten a los usuarios proporcionar diferentes tipos de modelos o colaborar en el entrenamiento de modelos a través de la creación colectiva, como Sentient que, mediante un diseño modular, permite a los usuarios almacenar datos de modelos confiables en la capa de almacenamiento y en la capa de distribución para optimizar los modelos. Las herramientas de desarrollo proporcionadas por Sahara AI cuentan con algoritmos de IA avanzados y un marco de cálculo integrado, además de tener la capacidad de entrenamiento colaborativo.
Capa de aplicación:
Esta capa se centra principalmente en aplicaciones dirigidas al usuario, combinando IA con Web3 para crear formas de juego más interesantes e innovadoras. Este artículo se centra principalmente en los proyectos de AIGC (Contenido Generado por IA), agentes de IA y análisis de datos.