Relatório panorâmico do setor Web3-AI: análise profunda da lógica técnica, aplicações de cenário e projetos de topo
Com o contínuo aquecimento da narrativa de IA, cada vez mais atenção está concentrada neste setor. Uma análise aprofundada da lógica técnica, dos cenários de aplicação e dos projetos representativos da pista Web3-AI foi realizada, apresentando a você uma visão abrangente e as tendências de desenvolvimento deste campo.
Um, Web3-AI: Análise da Lógica Tecnológica e Oportunidades de Mercado Emergentes
1.1 Lógica de fusão entre Web3 e AI: como definir o setor Web-AI
No último ano, a narrativa de IA tem estado em grande destaque na indústria Web3, com projetos de IA a surgirem como cogumelos após a chuva. Embora haja muitos projetos que envolvem tecnologia de IA, alguns projetos utilizam IA apenas em certas partes de seus produtos, e a economia dos tokens subjacentes não tem relação substancial com os produtos de IA; portanto, esses projetos não serão discutidos neste artigo como parte dos projetos Web3-AI.
O foco deste artigo está em usar a blockchain para resolver problemas de relações de produção, projetos que utilizam IA para resolver problemas de produtividade. Esses projetos oferecem produtos de IA e, ao mesmo tempo, são baseados em modelos econômicos Web3 como ferramentas de relações de produção, sendo que ambos se complementam. Classificamos esses projetos como a pista Web3-AI. Para que os leitores compreendam melhor a pista Web3-AI, vamos apresentar o processo de desenvolvimento da IA e os desafios, bem como como a combinação de Web3 e IA pode resolver problemas de forma perfeita e criar novos cenários de aplicação.
1.2 O processo de desenvolvimento da IA e os desafios: da coleta de dados à inferência do modelo
A tecnologia de IA é uma tecnologia que permite que os computadores simulem, expandam e aumentem a inteligência humana. Ela permite que os computadores executem várias tarefas complexas, desde tradução de idiomas, classificação de imagens até reconhecimento facial, condução autónoma e outros cenários de aplicação. A IA está mudando a maneira como vivemos e trabalhamos.
O processo de desenvolvimento de modelos de inteligência artificial geralmente inclui os seguintes passos-chave: coleta de dados e pré-processamento de dados, seleção e ajuste de modelo, treinamento e inferência do modelo. Para dar um exemplo simples, ao desenvolver um modelo para classificar imagens de gatos e cães, você precisaria:
Coleta de dados e pré-processamento de dados: Coletar um conjunto de dados de imagens que contenham gatos e cães, podendo utilizar conjuntos de dados públicos ou coletar dados reais. Em seguida, rotular cada imagem com a categoria (gato ou cão), garantindo que as etiquetas estejam corretas. Converter as imagens para um formato que o modelo possa reconhecer, dividindo o conjunto de dados em conjunto de treinamento, conjunto de validação e conjunto de teste.
Seleção e ajuste do modelo: escolher o modelo adequado, como redes neurais convolucionais (CNN), que são mais adequadas para tarefas de classificação de imagens. Ajustar os parâmetros ou a arquitetura do modelo conforme as diferentes necessidades, geralmente, os níveis de rede do modelo podem ser ajustados de acordo com a complexidade da tarefa de IA. Neste exemplo simples de classificação, uma rede de níveis mais rasos pode ser suficiente.
Treinamento do modelo: é possível usar GPU, TPU ou um cluster de computação de alto desempenho para treinar o modelo, e o tempo de treinamento é influenciado pela complexidade do modelo e pela capacidade de cálculo.
Inferência do modelo: O arquivo do modelo treinado é geralmente chamado de pesos do modelo, e o processo de inferência refere-se ao uso de um modelo já treinado para prever ou classificar novos dados. Neste processo, pode-se usar um conjunto de testes ou novos dados para testar a eficácia da classificação do modelo, normalmente avaliando a eficácia do modelo com métricas como precisão, taxa de recall, F1-score, entre outras.
Como mostrado na figura, após a coleta de dados e pré-processamento de dados, seleção e ajuste de modelo, e treinamento, o modelo treinado é utilizado para inferir no conjunto de teste, resultando nos valores de previsão de gato e cachorro P (probabilidade), ou seja, a probabilidade de o modelo inferir que é um gato ou um cachorro.
Modelos de IA treinados podem ser integrados em várias aplicações para executar diferentes tarefas. Neste exemplo, um modelo de IA para classificação de gatos e cães pode ser integrado numa aplicação móvel, onde o utilizador carrega imagens de gatos ou cães e obtém resultados de classificação.
No entanto, o processo de desenvolvimento de IA centralizada apresenta alguns problemas nos seguintes cenários:
Privacidade do usuário: em cenários centralizados, o processo de desenvolvimento da IA geralmente é opaco. Os dados dos usuários podem ser roubados sem que eles saibam e usados para o treinamento da IA.
Obtenção de fontes de dados: pequenas equipas ou indivíduos podem enfrentar limitações na não disponibilidade de dados ao obter dados de áreas específicas (como dados médicos).
Seleção e ajuste de modelos: Para pequenas equipes, é difícil obter recursos de modelo em áreas específicas ou gastar uma quantia significativa em ajustes de modelo.
Obtenção de poder de computação: Para desenvolvedores individuais e pequenas equipas, o elevado custo de aquisição de GPUs e as taxas de aluguer de poder de computação na nuvem podem representar uma carga económica significativa.
Rendimento de ativos de IA: os trabalhadores de rotulagem de dados frequentemente não conseguem obter uma renda que corresponda ao seu esforço, e os resultados de pesquisa dos desenvolvedores de IA também têm dificuldade em se alinhar com compradores que têm demanda.
Os desafios existentes em cenários de IA centralizada podem ser superados através da combinação com o Web3, que, como uma nova relação de produção, se adapta naturalmente à IA, que representa uma nova força produtiva, promovendo assim o avanço simultâneo da tecnologia e da capacidade produtiva.
1.3 A Sinergia entre Web3 e IA: Mudanças de Papel e Aplicações Inovadoras
A combinação de Web3 e IA pode aumentar a soberania do usuário, proporcionando uma plataforma de colaboração de IA aberta, permitindo que os usuários passem de utilizadores de IA na era Web2 para participantes, criando uma IA que todos podem possuir. Ao mesmo tempo, a fusão do mundo Web3 com a tecnologia de IA pode gerar mais cenários de aplicação inovadores e novas formas de interação.
Baseado na tecnologia Web3, o desenvolvimento e a aplicação da IA irão entrar em um novo sistema econômico colaborativo. A privacidade dos dados das pessoas pode ser garantida, o modelo de crowdsourcing de dados promove o avanço dos modelos de IA, muitos recursos de IA de código aberto estão disponíveis para os usuários, e o poder de computação compartilhado pode ser adquirido a um custo mais baixo. Com a ajuda de um mecanismo descentralizado de colaboração e crowdsourcing e de um mercado de IA aberto, é possível implementar um sistema de distribuição de renda justo, incentivando mais pessoas a impulsionar o avanço da tecnologia de IA.
No cenário Web3, a IA pode ter um impacto positivo em várias áreas. Por exemplo, modelos de IA podem ser integrados a contratos inteligentes para aumentar a eficiência do trabalho em diferentes cenários de aplicação, como análise de mercado, detecção de segurança, clustering social e várias outras funções. A IA generativa não só permite que os usuários experimentem o papel de "artista", como criar seus próprios NFTs usando tecnologia de IA, mas também pode criar cenários de jogo ricos e diversos e experiências interativas interessantes no GameFi. Uma infraestrutura rica oferece uma experiência de desenvolvimento fluida, permitindo que tanto especialistas em IA quanto novatos que desejam entrar no campo da IA encontrem uma entrada adequada neste mundo.
Dois, interpretação do mapa e da estrutura do projeto ecossistêmico Web3-AI
Nós estudamos principalmente 41 projetos na faixa Web3-AI e dividimos esses projetos em diferentes níveis. A lógica de divisão de cada nível está mostrada na figura abaixo, incluindo a camada de infraestrutura, a camada intermediária e a camada de aplicação, sendo que cada camada é subdividida em diferentes setores. No próximo capítulo, faremos uma análise profunda de alguns projetos representativos.
A camada de infraestrutura abrange os recursos computacionais e a arquitetura técnica que suportam a operação de todo o ciclo de vida da IA, a camada intermédia inclui a gestão de dados, o desenvolvimento de modelos e os serviços de validação e inferência que conectam a infraestrutura com as aplicações, enquanto a camada de aplicações se concentra em várias aplicações e soluções diretamente voltadas para os usuários.
Camada de infraestrutura:
A camada de infraestrutura é a base do ciclo de vida da IA. Este artigo classifica a capacidade computacional, a AI Chain e a plataforma de desenvolvimento como parte da camada de infraestrutura. É precisamente com o suporte dessas infraestruturas que é possível realizar o treinamento e a inferência de modelos de IA, apresentando aplicações de IA poderosas e práticas aos usuários.
Rede de computação descentralizada: pode fornecer poder de computação distribuído para o treinamento de modelos de IA, garantindo a utilização de recursos de computação de forma eficiente e econômica. Alguns projetos oferecem um mercado de poder de computação descentralizado, onde os usuários podem alugar poder de computação a baixo custo ou compartilhar poder de computação para obter ganhos, representados por projetos como IO.NET e Hyperbolic. Além disso, alguns projetos derivaram novas formas de jogar, como Compute Labs, que propuseram um protocolo tokenizado, permitindo que os usuários participem do aluguel de poder de computação de diferentes maneiras, comprando NFTs que representam entidades de GPU.
AI Chain: Utiliza a blockchain como base para o ciclo de vida da IA, permitindo a interação sem costura entre recursos de IA on-chain e off-chain, promovendo o desenvolvimento do ecossistema da indústria. O mercado descentralizado de IA na blockchain pode negociar ativos de IA como dados, modelos, agentes, etc., e fornece uma estrutura de desenvolvimento de IA e ferramentas de desenvolvimento complementares, representado pelo projeto Sahara AI. A AI Chain também pode promover o avanço da tecnologia de IA em diferentes áreas, como o Bittensor, que promove a competição entre sub-redes de diferentes tipos de IA através de um mecanismo de incentivo inovador.
Plataforma de desenvolvimento: alguns projetos oferecem plataformas de desenvolvimento de agentes de IA, permitindo também a negociação de agentes de IA, como Fetch.ai e ChainML. Ferramentas tudo-em-um ajudam os desenvolvedores a criar, treinar e implementar modelos de IA de forma mais conveniente, representadas por projetos como Nimble. Esta infraestrutura promove a ampla aplicação da tecnologia de IA no ecossistema Web3.
Camada intermediária:
Esta camada envolve dados de IA, modelos, bem como raciocínio e validação, utilizando tecnologia Web3 para alcançar uma maior eficiência de trabalho.
Dados: A qualidade e a quantidade dos dados são fatores chave que afetam a eficácia do treinamento de modelos. No mundo Web3, através de dados coletados em massa e processamento colaborativo de dados, é possível otimizar a utilização de recursos e reduzir os custos de dados. Os usuários podem ter autonomia sobre os dados, vendendo suas próprias informações sob proteção de privacidade, evitando que dados sejam roubados por comerciantes mal-intencionados e que obtenham lucros elevados. Para os demandantes de dados, estas plataformas oferecem uma ampla gama de opções a um custo muito baixo. Projetos representativos como Grass utilizam a largura de banda dos usuários para capturar dados da web, xData coleta informações de mídia através de plugins amigáveis ao usuário e suporta o upload de informações de tweets pelos usuários.
Além disso, algumas plataformas permitem que especialistas de domínio ou usuários comuns executem tarefas de pré-processamento de dados, como rotulagem de imagens e classificação de dados, que podem exigir conhecimentos especializados em tarefas financeiras e jurídicas de processamento de dados. Os usuários podem tokenizar suas habilidades para realizar a colaboração em crowdsourcing de pré-processamento de dados. Representando, por exemplo, o mercado de IA da Sahara AI, com tarefas de dados em diferentes domínios, pode abranger cenários de dados de múltiplos domínios; enquanto o AIT Protocol realiza a rotulagem de dados por meio da colaboração homem-máquina.
Modelo: No processo de desenvolvimento de IA mencionado anteriormente, diferentes tipos de requisitos precisam de modelos adequados. Modelos comumente usados em tarefas de imagem incluem CNN e GAN; para tarefas de detecção de objetos, pode-se escolher a série Yolo; em tarefas de texto, modelos comuns incluem RNN e Transformer, além de alguns grandes modelos específicos ou genéricos. A profundidade do modelo necessária varia conforme a complexidade da tarefa, e às vezes é necessário ajustar o modelo.
Alguns projetos suportam que os usuários forneçam diferentes tipos de modelos ou colaborem na formação de modelos através de crowdsourcing, como o Sentient que, através de um design modular, permite que os usuários coloquem dados de modelos confiáveis na camada de armazenamento e na camada de distribuição para otimização de modelos. As ferramentas de desenvolvimento fornecidas pela Sahara AI incorporam algoritmos avançados de IA e frameworks de computação, além de possuírem a capacidade de treinamento colaborativo.
Inferência e validação: Após o treinamento, o modelo gera arquivos de pesos do modelo, que podem ser utilizados para classificação, previsão ou outras tarefas específicas; esse processo é conhecido como inferência. O processo de inferência geralmente é acompanhado por um mecanismo de validação para verificar se a origem do modelo de inferência é correta, se há comportamentos maliciosos, etc. A inferência em Web3 pode ser integrada em contratos inteligentes, chamando o modelo para realizar a inferência. As formas comuns de validação incluem tecnologias como ZKML, OPML e TEE. Projetos representativos, como o oráculo de IA em cadeia ORA (OAO), introduziram OPML como uma camada verificável para o oráculo de IA. O site oficial da ORA também menciona suas pesquisas sobre ZKML e opp/ai (ZKML combinado com OPML).
Camada de aplicação:
Esta camada é principalmente um aplicativo voltado diretamente para o usuário, combinando IA com Web3, criando mais maneiras interessantes e inovadoras de jogar. Este artigo organiza principalmente os projetos nos setores de AIGC (Conteúdo Gerado por IA), Agentes de IA e Análise de Dados.
Esta página pode conter conteúdos de terceiros, que são fornecidos apenas para fins informativos (sem representações/garantias) e não devem ser considerados como uma aprovação dos seus pontos de vista pela Gate, nem como aconselhamento financeiro ou profissional. Consulte a Declaração de exoneração de responsabilidade para obter mais informações.
Panorama da pista Web3-AI: Análise profunda da fusão tecnológica, cenários de aplicação e projetos representativos
Relatório panorâmico do setor Web3-AI: análise profunda da lógica técnica, aplicações de cenário e projetos de topo
Com o contínuo aquecimento da narrativa de IA, cada vez mais atenção está concentrada neste setor. Uma análise aprofundada da lógica técnica, dos cenários de aplicação e dos projetos representativos da pista Web3-AI foi realizada, apresentando a você uma visão abrangente e as tendências de desenvolvimento deste campo.
Um, Web3-AI: Análise da Lógica Tecnológica e Oportunidades de Mercado Emergentes
1.1 Lógica de fusão entre Web3 e AI: como definir o setor Web-AI
No último ano, a narrativa de IA tem estado em grande destaque na indústria Web3, com projetos de IA a surgirem como cogumelos após a chuva. Embora haja muitos projetos que envolvem tecnologia de IA, alguns projetos utilizam IA apenas em certas partes de seus produtos, e a economia dos tokens subjacentes não tem relação substancial com os produtos de IA; portanto, esses projetos não serão discutidos neste artigo como parte dos projetos Web3-AI.
O foco deste artigo está em usar a blockchain para resolver problemas de relações de produção, projetos que utilizam IA para resolver problemas de produtividade. Esses projetos oferecem produtos de IA e, ao mesmo tempo, são baseados em modelos econômicos Web3 como ferramentas de relações de produção, sendo que ambos se complementam. Classificamos esses projetos como a pista Web3-AI. Para que os leitores compreendam melhor a pista Web3-AI, vamos apresentar o processo de desenvolvimento da IA e os desafios, bem como como a combinação de Web3 e IA pode resolver problemas de forma perfeita e criar novos cenários de aplicação.
1.2 O processo de desenvolvimento da IA e os desafios: da coleta de dados à inferência do modelo
A tecnologia de IA é uma tecnologia que permite que os computadores simulem, expandam e aumentem a inteligência humana. Ela permite que os computadores executem várias tarefas complexas, desde tradução de idiomas, classificação de imagens até reconhecimento facial, condução autónoma e outros cenários de aplicação. A IA está mudando a maneira como vivemos e trabalhamos.
O processo de desenvolvimento de modelos de inteligência artificial geralmente inclui os seguintes passos-chave: coleta de dados e pré-processamento de dados, seleção e ajuste de modelo, treinamento e inferência do modelo. Para dar um exemplo simples, ao desenvolver um modelo para classificar imagens de gatos e cães, você precisaria:
Coleta de dados e pré-processamento de dados: Coletar um conjunto de dados de imagens que contenham gatos e cães, podendo utilizar conjuntos de dados públicos ou coletar dados reais. Em seguida, rotular cada imagem com a categoria (gato ou cão), garantindo que as etiquetas estejam corretas. Converter as imagens para um formato que o modelo possa reconhecer, dividindo o conjunto de dados em conjunto de treinamento, conjunto de validação e conjunto de teste.
Seleção e ajuste do modelo: escolher o modelo adequado, como redes neurais convolucionais (CNN), que são mais adequadas para tarefas de classificação de imagens. Ajustar os parâmetros ou a arquitetura do modelo conforme as diferentes necessidades, geralmente, os níveis de rede do modelo podem ser ajustados de acordo com a complexidade da tarefa de IA. Neste exemplo simples de classificação, uma rede de níveis mais rasos pode ser suficiente.
Treinamento do modelo: é possível usar GPU, TPU ou um cluster de computação de alto desempenho para treinar o modelo, e o tempo de treinamento é influenciado pela complexidade do modelo e pela capacidade de cálculo.
Inferência do modelo: O arquivo do modelo treinado é geralmente chamado de pesos do modelo, e o processo de inferência refere-se ao uso de um modelo já treinado para prever ou classificar novos dados. Neste processo, pode-se usar um conjunto de testes ou novos dados para testar a eficácia da classificação do modelo, normalmente avaliando a eficácia do modelo com métricas como precisão, taxa de recall, F1-score, entre outras.
Como mostrado na figura, após a coleta de dados e pré-processamento de dados, seleção e ajuste de modelo, e treinamento, o modelo treinado é utilizado para inferir no conjunto de teste, resultando nos valores de previsão de gato e cachorro P (probabilidade), ou seja, a probabilidade de o modelo inferir que é um gato ou um cachorro.
Modelos de IA treinados podem ser integrados em várias aplicações para executar diferentes tarefas. Neste exemplo, um modelo de IA para classificação de gatos e cães pode ser integrado numa aplicação móvel, onde o utilizador carrega imagens de gatos ou cães e obtém resultados de classificação.
No entanto, o processo de desenvolvimento de IA centralizada apresenta alguns problemas nos seguintes cenários:
Privacidade do usuário: em cenários centralizados, o processo de desenvolvimento da IA geralmente é opaco. Os dados dos usuários podem ser roubados sem que eles saibam e usados para o treinamento da IA.
Obtenção de fontes de dados: pequenas equipas ou indivíduos podem enfrentar limitações na não disponibilidade de dados ao obter dados de áreas específicas (como dados médicos).
Seleção e ajuste de modelos: Para pequenas equipes, é difícil obter recursos de modelo em áreas específicas ou gastar uma quantia significativa em ajustes de modelo.
Obtenção de poder de computação: Para desenvolvedores individuais e pequenas equipas, o elevado custo de aquisição de GPUs e as taxas de aluguer de poder de computação na nuvem podem representar uma carga económica significativa.
Rendimento de ativos de IA: os trabalhadores de rotulagem de dados frequentemente não conseguem obter uma renda que corresponda ao seu esforço, e os resultados de pesquisa dos desenvolvedores de IA também têm dificuldade em se alinhar com compradores que têm demanda.
Os desafios existentes em cenários de IA centralizada podem ser superados através da combinação com o Web3, que, como uma nova relação de produção, se adapta naturalmente à IA, que representa uma nova força produtiva, promovendo assim o avanço simultâneo da tecnologia e da capacidade produtiva.
1.3 A Sinergia entre Web3 e IA: Mudanças de Papel e Aplicações Inovadoras
A combinação de Web3 e IA pode aumentar a soberania do usuário, proporcionando uma plataforma de colaboração de IA aberta, permitindo que os usuários passem de utilizadores de IA na era Web2 para participantes, criando uma IA que todos podem possuir. Ao mesmo tempo, a fusão do mundo Web3 com a tecnologia de IA pode gerar mais cenários de aplicação inovadores e novas formas de interação.
Baseado na tecnologia Web3, o desenvolvimento e a aplicação da IA irão entrar em um novo sistema econômico colaborativo. A privacidade dos dados das pessoas pode ser garantida, o modelo de crowdsourcing de dados promove o avanço dos modelos de IA, muitos recursos de IA de código aberto estão disponíveis para os usuários, e o poder de computação compartilhado pode ser adquirido a um custo mais baixo. Com a ajuda de um mecanismo descentralizado de colaboração e crowdsourcing e de um mercado de IA aberto, é possível implementar um sistema de distribuição de renda justo, incentivando mais pessoas a impulsionar o avanço da tecnologia de IA.
No cenário Web3, a IA pode ter um impacto positivo em várias áreas. Por exemplo, modelos de IA podem ser integrados a contratos inteligentes para aumentar a eficiência do trabalho em diferentes cenários de aplicação, como análise de mercado, detecção de segurança, clustering social e várias outras funções. A IA generativa não só permite que os usuários experimentem o papel de "artista", como criar seus próprios NFTs usando tecnologia de IA, mas também pode criar cenários de jogo ricos e diversos e experiências interativas interessantes no GameFi. Uma infraestrutura rica oferece uma experiência de desenvolvimento fluida, permitindo que tanto especialistas em IA quanto novatos que desejam entrar no campo da IA encontrem uma entrada adequada neste mundo.
Dois, interpretação do mapa e da estrutura do projeto ecossistêmico Web3-AI
Nós estudamos principalmente 41 projetos na faixa Web3-AI e dividimos esses projetos em diferentes níveis. A lógica de divisão de cada nível está mostrada na figura abaixo, incluindo a camada de infraestrutura, a camada intermediária e a camada de aplicação, sendo que cada camada é subdividida em diferentes setores. No próximo capítulo, faremos uma análise profunda de alguns projetos representativos.
A camada de infraestrutura abrange os recursos computacionais e a arquitetura técnica que suportam a operação de todo o ciclo de vida da IA, a camada intermédia inclui a gestão de dados, o desenvolvimento de modelos e os serviços de validação e inferência que conectam a infraestrutura com as aplicações, enquanto a camada de aplicações se concentra em várias aplicações e soluções diretamente voltadas para os usuários.
Camada de infraestrutura:
A camada de infraestrutura é a base do ciclo de vida da IA. Este artigo classifica a capacidade computacional, a AI Chain e a plataforma de desenvolvimento como parte da camada de infraestrutura. É precisamente com o suporte dessas infraestruturas que é possível realizar o treinamento e a inferência de modelos de IA, apresentando aplicações de IA poderosas e práticas aos usuários.
Rede de computação descentralizada: pode fornecer poder de computação distribuído para o treinamento de modelos de IA, garantindo a utilização de recursos de computação de forma eficiente e econômica. Alguns projetos oferecem um mercado de poder de computação descentralizado, onde os usuários podem alugar poder de computação a baixo custo ou compartilhar poder de computação para obter ganhos, representados por projetos como IO.NET e Hyperbolic. Além disso, alguns projetos derivaram novas formas de jogar, como Compute Labs, que propuseram um protocolo tokenizado, permitindo que os usuários participem do aluguel de poder de computação de diferentes maneiras, comprando NFTs que representam entidades de GPU.
AI Chain: Utiliza a blockchain como base para o ciclo de vida da IA, permitindo a interação sem costura entre recursos de IA on-chain e off-chain, promovendo o desenvolvimento do ecossistema da indústria. O mercado descentralizado de IA na blockchain pode negociar ativos de IA como dados, modelos, agentes, etc., e fornece uma estrutura de desenvolvimento de IA e ferramentas de desenvolvimento complementares, representado pelo projeto Sahara AI. A AI Chain também pode promover o avanço da tecnologia de IA em diferentes áreas, como o Bittensor, que promove a competição entre sub-redes de diferentes tipos de IA através de um mecanismo de incentivo inovador.
Plataforma de desenvolvimento: alguns projetos oferecem plataformas de desenvolvimento de agentes de IA, permitindo também a negociação de agentes de IA, como Fetch.ai e ChainML. Ferramentas tudo-em-um ajudam os desenvolvedores a criar, treinar e implementar modelos de IA de forma mais conveniente, representadas por projetos como Nimble. Esta infraestrutura promove a ampla aplicação da tecnologia de IA no ecossistema Web3.
Camada intermediária:
Esta camada envolve dados de IA, modelos, bem como raciocínio e validação, utilizando tecnologia Web3 para alcançar uma maior eficiência de trabalho.
Além disso, algumas plataformas permitem que especialistas de domínio ou usuários comuns executem tarefas de pré-processamento de dados, como rotulagem de imagens e classificação de dados, que podem exigir conhecimentos especializados em tarefas financeiras e jurídicas de processamento de dados. Os usuários podem tokenizar suas habilidades para realizar a colaboração em crowdsourcing de pré-processamento de dados. Representando, por exemplo, o mercado de IA da Sahara AI, com tarefas de dados em diferentes domínios, pode abranger cenários de dados de múltiplos domínios; enquanto o AIT Protocol realiza a rotulagem de dados por meio da colaboração homem-máquina.
Alguns projetos suportam que os usuários forneçam diferentes tipos de modelos ou colaborem na formação de modelos através de crowdsourcing, como o Sentient que, através de um design modular, permite que os usuários coloquem dados de modelos confiáveis na camada de armazenamento e na camada de distribuição para otimização de modelos. As ferramentas de desenvolvimento fornecidas pela Sahara AI incorporam algoritmos avançados de IA e frameworks de computação, além de possuírem a capacidade de treinamento colaborativo.
Camada de aplicação:
Esta camada é principalmente um aplicativo voltado diretamente para o usuário, combinando IA com Web3, criando mais maneiras interessantes e inovadoras de jogar. Este artigo organiza principalmente os projetos nos setores de AIGC (Conteúdo Gerado por IA), Agentes de IA e Análise de Dados.