Rapport panoramique sur le secteur Web3-AI : analyse approfondie de la logique technique, des applications scénaristiques et des projets de premier plan
Avec la montée en puissance de la narration AI, de plus en plus d'attention est portée sur ce secteur. Une analyse approfondie de la logique technique, des cas d'application et des projets représentatifs du secteur Web3-AI a été réalisée pour vous présenter de manière exhaustive le panorama et les tendances de développement de ce domaine.
I. Web3-AI : analyse de la logique technique et des opportunités de marché émergentes
1.1 La logique de fusion entre Web3 et l'IA : comment définir la piste Web-AI
Au cours de l'année écoulée, la narration AI a connu un succès exceptionnel dans l'industrie Web3, avec des projets AI apparaissant comme des champignons après la pluie. Bien que de nombreux projets impliquent des technologies AI, certains ne l'utilisent que dans certaines parties de leurs produits, et l'économie des tokens sous-jacente n'a pas de lien substantiel avec les produits AI. Par conséquent, ces projets ne font pas partie de la discussion sur les projets Web3-AI dans cet article.
L'article se concentre sur l'utilisation de la blockchain pour résoudre les problèmes de relations de production et sur les projets où l'IA résout les problèmes de productivité. Ces projets offrent eux-mêmes des produits d'IA tout en s'appuyant sur un modèle économique Web3 en tant qu'outil de relations de production, les deux se complétant mutuellement. Nous classons ce type de projets dans la catégorie Web3-AI. Afin de permettre aux lecteurs de mieux comprendre la catégorie Web3-AI, nous allons présenter le processus de développement de l'IA et les défis, ainsi que la manière dont la combinaison de Web3 et d'IA peut parfaitement résoudre des problèmes et créer de nouveaux cas d'application.
1.2 Le processus de développement de l'IA et ses défis : de la collecte de données à l'inférence du modèle
La technologie de l'IA est une technologie qui permet aux ordinateurs de simuler, d'étendre et d'améliorer l'intelligence humaine. Elle permet aux ordinateurs d'exécuter diverses tâches complexes, allant de la traduction de langues, à la classification d'images, en passant par la reconnaissance faciale et la conduite autonome, l'IA est en train de transformer notre façon de vivre et de travailler.
Le processus de développement d'un modèle d'intelligence artificielle comprend généralement les étapes clés suivantes : la collecte de données et le prétraitement des données, le choix et l'ajustement du modèle, l'entraînement et l'inférence du modèle. Prenons un exemple simple, pour développer un modèle qui classifie les images de chats et de chiens, vous devez :
Collecte de données et prétraitement des données : Collectez un ensemble de données d'images contenant des chats et des chiens, vous pouvez utiliser des ensembles de données publics ou collecter vous-même des données réelles. Ensuite, étiquetez chaque image avec une catégorie (chat ou chien), en vous assurant que les étiquettes sont précises. Convertissez les images dans un format que le modèle peut reconnaître, puis divisez l'ensemble de données en ensemble d'entraînement, ensemble de validation et ensemble de test.
Choix et ajustement du modèle : choisir un modèle approprié, par exemple un réseau de neurones convolutionnel (CNN), qui est particulièrement adapté aux tâches de classification d'images. Ajuster les paramètres ou l'architecture du modèle en fonction des besoins différents, en général, la profondeur des couches du modèle peut être ajustée en fonction de la complexité de la tâche d'IA. Dans cet exemple de classification simple, un réseau peu profond pourrait suffire.
Entraînement du modèle : il est possible d'utiliser des GPU, TPU ou des clusters de calcul haute performance pour entraîner le modèle, le temps d'entraînement étant influencé par la complexité du modèle et la capacité de calcul.
Inférence du modèle : Les fichiers du modèle entraîné sont généralement appelés poids du modèle, et le processus d'inférence fait référence à l'utilisation du modèle déjà entraîné pour prédire ou classer de nouvelles données. Dans ce processus, on peut utiliser un ensemble de test ou de nouvelles données pour tester l'efficacité de la classification du modèle, généralement évaluée par des indicateurs tels que la précision, le rappel et le F1-score.
Comme indiqué sur la figure, après la collecte et le prétraitement des données, la sélection et l'optimisation du modèle, ainsi que l'entraînement, l'inférence du modèle entraîné sur l'ensemble de test donnera les valeurs prédites P (probabilité) pour les chats et les chiens, c'est-à-dire la probabilité que le modèle infère qu'il s'agit d'un chat ou d'un chien.
Un modèle d'IA entraîné peut être intégré dans diverses applications pour exécuter différentes tâches. Dans cet exemple, le modèle d'IA de classification des chats et des chiens peut être intégré dans une application mobile, où les utilisateurs téléchargent des images de chats ou de chiens et reçoivent les résultats de classification.
Cependant, le processus de développement de l'IA centralisée présente certains problèmes dans les scénarios suivants :
Confidentialité des utilisateurs : dans un contexte centralisé, le processus de développement de l'IA est généralement opaque. Les données des utilisateurs peuvent être volées à leur insu et utilisées pour l'entraînement de l'IA.
Source de données : Les petites équipes ou les individus peuvent faire face à des restrictions de non-ouverture des données lors de l'acquisition de données dans des domaines spécifiques (comme les données médicales).
Sélection et ajustement des modèles : pour les petites équipes, il est difficile d'accéder aux ressources de modèles spécifiques ou de dépenser des coûts importants pour l'ajustement des modèles.
Obtention de puissance de calcul : pour les développeurs individuels et les petites équipes, le coût d'achat élevé des GPU et les frais de location de puissance de calcul dans le cloud peuvent constituer un fardeau économique significatif.
Revenus des actifs AI : Les travailleurs de l'annotation de données ne parviennent souvent pas à obtenir des revenus correspondant à leurs efforts, tandis que les résultats de recherche des développeurs d'IA sont également difficiles à aligner avec des acheteurs en demande.
Les défis existants dans le cadre de l'IA centralisée peuvent être surmontés en combinant avec le Web3. Le Web3, en tant que nouvelle relation de production, s'adapte naturellement à l'IA qui représente une nouvelle productivité, favorisant ainsi le progrès simultané de la technologie et des capacités de production.
1.3 Synergie entre Web3 et l'IA : Changement de rôle et applications innovantes
La combinaison de Web3 et de l'IA peut renforcer la souveraineté des utilisateurs, en leur offrant une plateforme de collaboration IA ouverte, permettant aux utilisateurs de passer d'utilisateurs de l'IA de l'ère Web2 à participants, créant ainsi une IA que tout le monde peut posséder. En même temps, la fusion du monde Web3 avec la technologie IA peut également donner lieu à davantage de scénarios d'application et de jeux innovants.
Basé sur la technologie Web3, le développement et l'application de l'IA vont inaugurer un tout nouveau système économique collaboratif. La confidentialité des données des utilisateurs peut être garantie, le modèle de crowdsourcing des données favorise le progrès des modèles d'IA, de nombreuses ressources d'IA open source sont disponibles pour les utilisateurs, et la puissance de calcul partagée peut être obtenue à un coût réduit. Grâce à un mécanisme de collaboration décentralisé et à un marché de l'IA ouvert, un système de répartition des revenus équitable peut être réalisé, incitant ainsi davantage de personnes à promouvoir les avancées technologiques en IA.
Dans le contexte de Web3, l'IA peut avoir un impact positif dans plusieurs domaines. Par exemple, les modèles d'IA peuvent être intégrés dans des contrats intelligents pour améliorer l'efficacité du travail dans divers cas d'application, tels que l'analyse de marché, la détection de sécurité, le clustering social et bien d'autres fonctionnalités. L'IA générative permet non seulement aux utilisateurs d'expérimenter le rôle d'"artiste", par exemple en utilisant des technologies d'IA pour créer leur propre NFT, mais elle peut également créer des scènes de jeu variées et des expériences interactives intéressantes dans GameFi. Une infrastructure riche offre une expérience de développement fluide, que ce soit pour des experts en IA ou des novices souhaitant entrer dans le domaine de l'IA, chacun peut trouver une porte d'entrée appropriée dans ce monde.
Deuxième partie, Interprétation de la carte et de l'architecture des projets écosystémiques Web3-AI
Nous avons principalement étudié 41 projets dans le domaine Web3-AI et avons classé ces projets en différentes couches. La logique de classification de chaque couche est illustrée dans le graphique ci-dessous, comprenant la couche d'infrastructure, la couche intermédiaire et la couche d'application, chacune étant subdivisée en différents segments. Dans le chapitre suivant, nous effectuerons une analyse approfondie de certains projets représentatifs.
La couche d'infrastructure couvre les ressources informatiques et l'architecture technique qui soutiennent l'ensemble du cycle de vie de l'IA, tandis que la couche intermédiaire comprend la gestion des données, le développement de modèles et les services de vérification et d'inférence qui connectent l'infrastructure aux applications. La couche d'application se concentre sur les différentes applications et solutions directement destinées aux utilisateurs.
Infrastructure Layer :
La couche d'infrastructure est la base du cycle de vie de l'IA. Cet article classe la puissance de calcul, la chaîne d'IA et la plateforme de développement comme appartenant à la couche d'infrastructure. Ce sont grâce à ces infrastructures que l'entraînement et l'inférence des modèles d'IA peuvent être réalisés, et que des applications d'IA puissantes et pratiques peuvent être présentées aux utilisateurs.
Réseau de calcul décentralisé : peut fournir une puissance de calcul distribuée pour l'entraînement de modèles d'IA, garantissant une utilisation efficace et économique des ressources de calcul. Certains projets proposent des marchés de puissance de calcul décentralisés, permettant aux utilisateurs de louer de la puissance de calcul à faible coût ou de partager leur puissance pour obtenir des revenus, des projets représentatifs comme IO.NET et Hyperbolic. De plus, certains projets ont donné naissance à de nouvelles façons de jouer, comme Compute Labs, qui a proposé un protocole tokenisé, permettant aux utilisateurs de participer à la location de puissance de calcul de différentes manières en achetant des NFT représentant des entités GPU.
AI Chain : Utiliser la blockchain comme base pour le cycle de vie de l'IA, permettant une interaction transparente des ressources d'IA en ligne et hors ligne, et favorisant le développement de l'écosystème industriel. Le marché décentralisé de l'IA sur la chaîne peut échanger des actifs d'IA tels que des données, des modèles, des agents, etc., et fournit un cadre de développement IA et des outils de développement associés, avec des projets représentatifs comme Sahara AI. AI Chain peut également favoriser les progrès technologiques de l'IA dans différents domaines, comme Bittensor qui stimule la concurrence entre différents types de sous-réseaux grâce à un mécanisme d'incitation innovant.
Plateforme de développement : certains projets proposent des plateformes de développement d'agents IA, permettant également le trading d'agents IA, comme Fetch.ai et ChainML. Des outils tout-en-un aident les développeurs à créer, entraîner et déployer des modèles IA de manière plus pratique, représentant des projets comme Nimble. Ces infrastructures favorisent l'application généralisée des technologies IA dans l'écosystème Web3.
Couche intermédiaire :
Ce niveau concerne les données AI, les modèles ainsi que l'inférence et la validation, et l'utilisation de la technologie Web3 peut permettre d'atteindre une efficacité de travail plus élevée.
Données : La qualité et la quantité des données sont des facteurs clés qui influencent l'efficacité de l'entraînement des modèles. Dans le monde de Web3, l'optimisation de l'utilisation des ressources et la réduction des coûts des données peuvent être réalisées grâce à la collecte de données en crowdsourcing et au traitement collaboratif des données. Les utilisateurs peuvent exercer un contrôle sur leurs données et, dans le cadre de la protection de la vie privée, vendre leurs propres données afin d'éviter qu'elles ne soient volées par des commerçants malveillants qui réalisent d'énormes bénéfices. Pour les demandeurs de données, ces plateformes offrent un large éventail de choix à des coûts très bas. Des projets représentatifs comme Grass utilisent la bande passante des utilisateurs pour extraire des données du Web, xData collecte des informations médiatiques via des plugins conviviaux et prend en charge le téléchargement d'informations de tweets par les utilisateurs.
De plus, certaines plateformes permettent aux experts du domaine ou aux utilisateurs ordinaires d'exécuter des tâches de prétraitement des données, telles que l'annotation d'images et la classification des données, qui peuvent nécessiter des connaissances spécialisées dans le traitement des données financières et juridiques. Les utilisateurs peuvent tokeniser leurs compétences pour réaliser une collaboration en mode crowdsourcing pour le prétraitement des données. Des exemples incluent le marché de l'IA comme Sahara AI, qui propose des tâches de données dans différents domaines, couvrant ainsi des scénarios de données multi-domaines ; tandis que AIT Protocolt effectue l'annotation des données par le biais d'une collaboration homme-machine.
Modèle : Dans le processus de développement de l'IA mentionné précédemment, différents types de besoins nécessitent d'associer des modèles adaptés. Les modèles couramment utilisés pour les tâches d'image incluent CNN et GAN, pour les tâches de détection d'objets, on peut choisir la série Yolo, et pour les tâches textuelles, des modèles tels que RNN et Transformer sont fréquents, sans oublier certains modèles spécifiques ou généraux. La profondeur des modèles nécessaires varie en fonction de la complexité des tâches, et il est parfois nécessaire d'ajuster les modèles.
Certains projets permettent aux utilisateurs de fournir différents types de modèles ou de collaborer à l'entraînement des modèles par le biais du crowdsourcing, comme Sentient qui, grâce à une conception modulaire, permet aux utilisateurs de placer des données de modèles fiables dans la couche de stockage et la couche de distribution pour optimiser les modèles. Les outils de développement fournis par Sahara AI intègrent des algorithmes d'IA avancés et des cadres de calcul, et disposent de la capacité d'entraînement collaboratif.
Inférence et vérification : Une fois le modèle entraîné, il génère un fichier de poids du modèle qui peut être utilisé pour la classification, la prédiction ou d'autres tâches spécifiques, ce processus est appelé inférence. Le processus d'inférence est généralement accompagné d'un mécanisme de vérification pour valider l'origine du modèle d'inférence, s'il est correct, s'il comporte des comportements malveillants, etc. L'inférence dans Web3 peut généralement être intégrée dans des contrats intelligents, en appelant le modèle pour effectuer l'inférence. Les méthodes de vérification courantes incluent des technologies telles que ZKML, OPML et TEE. Des projets représentatifs comme l'oracle AI sur la chaîne ORA (OAO) ont introduit OPML comme couche vérifiable pour l'oracle AI, et leur site officiel mentionne également leurs recherches sur ZKML et opp/ai (ZKML combiné avec OPML).
Couche d'application :
Cette couche est principalement une application directement destinée aux utilisateurs, combinant l'IA avec le Web3 pour créer des expériences plus intéressantes et innovantes. Cet article passe en revue les projets dans plusieurs domaines, notamment AIGC (contenu généré par l'IA), agents IA et analyse de données.
Cette page peut inclure du contenu de tiers fourni à des fins d'information uniquement. Gate ne garantit ni l'exactitude ni la validité de ces contenus, n’endosse pas les opinions exprimées, et ne fournit aucun conseil financier ou professionnel à travers ces informations. Voir la section Avertissement pour plus de détails.
Panorama de la filière Web3-AI : analyse approfondie de la fusion technologique, des cas d'utilisation et des projets représentatifs.
Rapport panoramique sur le secteur Web3-AI : analyse approfondie de la logique technique, des applications scénaristiques et des projets de premier plan
Avec la montée en puissance de la narration AI, de plus en plus d'attention est portée sur ce secteur. Une analyse approfondie de la logique technique, des cas d'application et des projets représentatifs du secteur Web3-AI a été réalisée pour vous présenter de manière exhaustive le panorama et les tendances de développement de ce domaine.
I. Web3-AI : analyse de la logique technique et des opportunités de marché émergentes
1.1 La logique de fusion entre Web3 et l'IA : comment définir la piste Web-AI
Au cours de l'année écoulée, la narration AI a connu un succès exceptionnel dans l'industrie Web3, avec des projets AI apparaissant comme des champignons après la pluie. Bien que de nombreux projets impliquent des technologies AI, certains ne l'utilisent que dans certaines parties de leurs produits, et l'économie des tokens sous-jacente n'a pas de lien substantiel avec les produits AI. Par conséquent, ces projets ne font pas partie de la discussion sur les projets Web3-AI dans cet article.
L'article se concentre sur l'utilisation de la blockchain pour résoudre les problèmes de relations de production et sur les projets où l'IA résout les problèmes de productivité. Ces projets offrent eux-mêmes des produits d'IA tout en s'appuyant sur un modèle économique Web3 en tant qu'outil de relations de production, les deux se complétant mutuellement. Nous classons ce type de projets dans la catégorie Web3-AI. Afin de permettre aux lecteurs de mieux comprendre la catégorie Web3-AI, nous allons présenter le processus de développement de l'IA et les défis, ainsi que la manière dont la combinaison de Web3 et d'IA peut parfaitement résoudre des problèmes et créer de nouveaux cas d'application.
1.2 Le processus de développement de l'IA et ses défis : de la collecte de données à l'inférence du modèle
La technologie de l'IA est une technologie qui permet aux ordinateurs de simuler, d'étendre et d'améliorer l'intelligence humaine. Elle permet aux ordinateurs d'exécuter diverses tâches complexes, allant de la traduction de langues, à la classification d'images, en passant par la reconnaissance faciale et la conduite autonome, l'IA est en train de transformer notre façon de vivre et de travailler.
Le processus de développement d'un modèle d'intelligence artificielle comprend généralement les étapes clés suivantes : la collecte de données et le prétraitement des données, le choix et l'ajustement du modèle, l'entraînement et l'inférence du modèle. Prenons un exemple simple, pour développer un modèle qui classifie les images de chats et de chiens, vous devez :
Collecte de données et prétraitement des données : Collectez un ensemble de données d'images contenant des chats et des chiens, vous pouvez utiliser des ensembles de données publics ou collecter vous-même des données réelles. Ensuite, étiquetez chaque image avec une catégorie (chat ou chien), en vous assurant que les étiquettes sont précises. Convertissez les images dans un format que le modèle peut reconnaître, puis divisez l'ensemble de données en ensemble d'entraînement, ensemble de validation et ensemble de test.
Choix et ajustement du modèle : choisir un modèle approprié, par exemple un réseau de neurones convolutionnel (CNN), qui est particulièrement adapté aux tâches de classification d'images. Ajuster les paramètres ou l'architecture du modèle en fonction des besoins différents, en général, la profondeur des couches du modèle peut être ajustée en fonction de la complexité de la tâche d'IA. Dans cet exemple de classification simple, un réseau peu profond pourrait suffire.
Entraînement du modèle : il est possible d'utiliser des GPU, TPU ou des clusters de calcul haute performance pour entraîner le modèle, le temps d'entraînement étant influencé par la complexité du modèle et la capacité de calcul.
Inférence du modèle : Les fichiers du modèle entraîné sont généralement appelés poids du modèle, et le processus d'inférence fait référence à l'utilisation du modèle déjà entraîné pour prédire ou classer de nouvelles données. Dans ce processus, on peut utiliser un ensemble de test ou de nouvelles données pour tester l'efficacité de la classification du modèle, généralement évaluée par des indicateurs tels que la précision, le rappel et le F1-score.
Comme indiqué sur la figure, après la collecte et le prétraitement des données, la sélection et l'optimisation du modèle, ainsi que l'entraînement, l'inférence du modèle entraîné sur l'ensemble de test donnera les valeurs prédites P (probabilité) pour les chats et les chiens, c'est-à-dire la probabilité que le modèle infère qu'il s'agit d'un chat ou d'un chien.
Un modèle d'IA entraîné peut être intégré dans diverses applications pour exécuter différentes tâches. Dans cet exemple, le modèle d'IA de classification des chats et des chiens peut être intégré dans une application mobile, où les utilisateurs téléchargent des images de chats ou de chiens et reçoivent les résultats de classification.
Cependant, le processus de développement de l'IA centralisée présente certains problèmes dans les scénarios suivants :
Confidentialité des utilisateurs : dans un contexte centralisé, le processus de développement de l'IA est généralement opaque. Les données des utilisateurs peuvent être volées à leur insu et utilisées pour l'entraînement de l'IA.
Source de données : Les petites équipes ou les individus peuvent faire face à des restrictions de non-ouverture des données lors de l'acquisition de données dans des domaines spécifiques (comme les données médicales).
Sélection et ajustement des modèles : pour les petites équipes, il est difficile d'accéder aux ressources de modèles spécifiques ou de dépenser des coûts importants pour l'ajustement des modèles.
Obtention de puissance de calcul : pour les développeurs individuels et les petites équipes, le coût d'achat élevé des GPU et les frais de location de puissance de calcul dans le cloud peuvent constituer un fardeau économique significatif.
Revenus des actifs AI : Les travailleurs de l'annotation de données ne parviennent souvent pas à obtenir des revenus correspondant à leurs efforts, tandis que les résultats de recherche des développeurs d'IA sont également difficiles à aligner avec des acheteurs en demande.
Les défis existants dans le cadre de l'IA centralisée peuvent être surmontés en combinant avec le Web3. Le Web3, en tant que nouvelle relation de production, s'adapte naturellement à l'IA qui représente une nouvelle productivité, favorisant ainsi le progrès simultané de la technologie et des capacités de production.
1.3 Synergie entre Web3 et l'IA : Changement de rôle et applications innovantes
La combinaison de Web3 et de l'IA peut renforcer la souveraineté des utilisateurs, en leur offrant une plateforme de collaboration IA ouverte, permettant aux utilisateurs de passer d'utilisateurs de l'IA de l'ère Web2 à participants, créant ainsi une IA que tout le monde peut posséder. En même temps, la fusion du monde Web3 avec la technologie IA peut également donner lieu à davantage de scénarios d'application et de jeux innovants.
Basé sur la technologie Web3, le développement et l'application de l'IA vont inaugurer un tout nouveau système économique collaboratif. La confidentialité des données des utilisateurs peut être garantie, le modèle de crowdsourcing des données favorise le progrès des modèles d'IA, de nombreuses ressources d'IA open source sont disponibles pour les utilisateurs, et la puissance de calcul partagée peut être obtenue à un coût réduit. Grâce à un mécanisme de collaboration décentralisé et à un marché de l'IA ouvert, un système de répartition des revenus équitable peut être réalisé, incitant ainsi davantage de personnes à promouvoir les avancées technologiques en IA.
Dans le contexte de Web3, l'IA peut avoir un impact positif dans plusieurs domaines. Par exemple, les modèles d'IA peuvent être intégrés dans des contrats intelligents pour améliorer l'efficacité du travail dans divers cas d'application, tels que l'analyse de marché, la détection de sécurité, le clustering social et bien d'autres fonctionnalités. L'IA générative permet non seulement aux utilisateurs d'expérimenter le rôle d'"artiste", par exemple en utilisant des technologies d'IA pour créer leur propre NFT, mais elle peut également créer des scènes de jeu variées et des expériences interactives intéressantes dans GameFi. Une infrastructure riche offre une expérience de développement fluide, que ce soit pour des experts en IA ou des novices souhaitant entrer dans le domaine de l'IA, chacun peut trouver une porte d'entrée appropriée dans ce monde.
Deuxième partie, Interprétation de la carte et de l'architecture des projets écosystémiques Web3-AI
Nous avons principalement étudié 41 projets dans le domaine Web3-AI et avons classé ces projets en différentes couches. La logique de classification de chaque couche est illustrée dans le graphique ci-dessous, comprenant la couche d'infrastructure, la couche intermédiaire et la couche d'application, chacune étant subdivisée en différents segments. Dans le chapitre suivant, nous effectuerons une analyse approfondie de certains projets représentatifs.
La couche d'infrastructure couvre les ressources informatiques et l'architecture technique qui soutiennent l'ensemble du cycle de vie de l'IA, tandis que la couche intermédiaire comprend la gestion des données, le développement de modèles et les services de vérification et d'inférence qui connectent l'infrastructure aux applications. La couche d'application se concentre sur les différentes applications et solutions directement destinées aux utilisateurs.
Infrastructure Layer :
La couche d'infrastructure est la base du cycle de vie de l'IA. Cet article classe la puissance de calcul, la chaîne d'IA et la plateforme de développement comme appartenant à la couche d'infrastructure. Ce sont grâce à ces infrastructures que l'entraînement et l'inférence des modèles d'IA peuvent être réalisés, et que des applications d'IA puissantes et pratiques peuvent être présentées aux utilisateurs.
Réseau de calcul décentralisé : peut fournir une puissance de calcul distribuée pour l'entraînement de modèles d'IA, garantissant une utilisation efficace et économique des ressources de calcul. Certains projets proposent des marchés de puissance de calcul décentralisés, permettant aux utilisateurs de louer de la puissance de calcul à faible coût ou de partager leur puissance pour obtenir des revenus, des projets représentatifs comme IO.NET et Hyperbolic. De plus, certains projets ont donné naissance à de nouvelles façons de jouer, comme Compute Labs, qui a proposé un protocole tokenisé, permettant aux utilisateurs de participer à la location de puissance de calcul de différentes manières en achetant des NFT représentant des entités GPU.
AI Chain : Utiliser la blockchain comme base pour le cycle de vie de l'IA, permettant une interaction transparente des ressources d'IA en ligne et hors ligne, et favorisant le développement de l'écosystème industriel. Le marché décentralisé de l'IA sur la chaîne peut échanger des actifs d'IA tels que des données, des modèles, des agents, etc., et fournit un cadre de développement IA et des outils de développement associés, avec des projets représentatifs comme Sahara AI. AI Chain peut également favoriser les progrès technologiques de l'IA dans différents domaines, comme Bittensor qui stimule la concurrence entre différents types de sous-réseaux grâce à un mécanisme d'incitation innovant.
Plateforme de développement : certains projets proposent des plateformes de développement d'agents IA, permettant également le trading d'agents IA, comme Fetch.ai et ChainML. Des outils tout-en-un aident les développeurs à créer, entraîner et déployer des modèles IA de manière plus pratique, représentant des projets comme Nimble. Ces infrastructures favorisent l'application généralisée des technologies IA dans l'écosystème Web3.
Couche intermédiaire :
Ce niveau concerne les données AI, les modèles ainsi que l'inférence et la validation, et l'utilisation de la technologie Web3 peut permettre d'atteindre une efficacité de travail plus élevée.
De plus, certaines plateformes permettent aux experts du domaine ou aux utilisateurs ordinaires d'exécuter des tâches de prétraitement des données, telles que l'annotation d'images et la classification des données, qui peuvent nécessiter des connaissances spécialisées dans le traitement des données financières et juridiques. Les utilisateurs peuvent tokeniser leurs compétences pour réaliser une collaboration en mode crowdsourcing pour le prétraitement des données. Des exemples incluent le marché de l'IA comme Sahara AI, qui propose des tâches de données dans différents domaines, couvrant ainsi des scénarios de données multi-domaines ; tandis que AIT Protocolt effectue l'annotation des données par le biais d'une collaboration homme-machine.
Certains projets permettent aux utilisateurs de fournir différents types de modèles ou de collaborer à l'entraînement des modèles par le biais du crowdsourcing, comme Sentient qui, grâce à une conception modulaire, permet aux utilisateurs de placer des données de modèles fiables dans la couche de stockage et la couche de distribution pour optimiser les modèles. Les outils de développement fournis par Sahara AI intègrent des algorithmes d'IA avancés et des cadres de calcul, et disposent de la capacité d'entraînement collaboratif.
Couche d'application :
Cette couche est principalement une application directement destinée aux utilisateurs, combinant l'IA avec le Web3 pour créer des expériences plus intéressantes et innovantes. Cet article passe en revue les projets dans plusieurs domaines, notamment AIGC (contenu généré par l'IA), agents IA et analyse de données.