Relatório panorâmico da pista Web3-AI: Análise profunda da lógica técnica, aplicações de cenários e projetos de topo Profundidade

Com o contínuo aquecimento da narrativa da IA, cada vez mais atenção está sendo dada a este setor. Foi realizada uma análise aprofundada da lógica técnica, cenários de aplicação e projetos representativos da área Web3-AI, apresentando de forma abrangente o panorama e as tendências de desenvolvimento deste campo.

I. Web3-AI: Análise da Lógica Técnica e Oportunidades de Mercado Emergente

1.1 Lógica da fusão entre Web3 e IA: como definir a pista Web-AI

No último ano, a narrativa de IA tem estado excepcionalmente em alta na indústria Web3, com projetos de IA surgindo 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 de tokens subjacente não está substancialmente relacionada aos produtos de IA, portanto, esses projetos não serão discutidos como projetos Web3-AI neste artigo.

O foco deste artigo está em projetos que usam blockchain para resolver problemas de relações de produção e AI para resolver problemas de produtividade. Esses projetos oferecem produtos de AI e, ao mesmo tempo, baseiam-se em modelos econômicos Web3 como ferramentas para relações de produção, onde ambos se complementam. Nós classificamos esses projetos como o setor Web3-AI. Para ajudar os leitores a entender melhor o setor Web3-AI, será apresentada uma introdução ao processo de desenvolvimento da AI e seus desafios, bem como como a combinação de Web3 e AI pode resolver problemas de forma perfeita e criar novos cenários de aplicação.

1.2 O processo de desenvolvimento de 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, ampliem e aumentem a inteligência humana. Ela permite que os computadores executem várias tarefas complexas, desde tradução de idiomas, classificação de imagens até reconhecimento facial e condução autónoma; a IA está a mudar a forma 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 de modelo. Para dar um exemplo simples, para desenvolver um modelo que classifica imagens de gatos e cães, você precisa:

1. Coleta de dados e pré-processamento de dados: Coletar um conjunto de dados de imagens contendo gatos e cães, podendo utilizar conjuntos de dados públicos ou coletar dados reais por conta própria. Em seguida, rotular cada imagem com a categoria ( gato ou cão ), garantindo que os rótulos sejam precisos. 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.

2. Seleção e ajuste do modelo: escolha o modelo adequado, como a rede neural convolucional (CNN), que é mais adequada para tarefas de classificação de imagens. Ajuste os parâmetros ou a arquitetura do modelo conforme as diferentes necessidades; geralmente, a profundidade da rede do modelo pode ser ajustada com base na complexidade da tarefa de IA. Neste exemplo simples de classificação, uma rede com uma profundidade menor pode ser suficiente.

3. Treinamento de modelos: pode-se usar GPU, TPU ou clusters de computação de alto desempenho para treinar modelos, o tempo de treinamento é afetado pela complexidade do modelo e pela capacidade de computação.

4. Inferência do modelo: Os arquivos de modelo treinados geralmente são chamados 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, podem ser utilizados conjuntos de teste ou novos dados para avaliar o desempenho de classificação do modelo, geralmente utilizando métricas como precisão, recall, F1-score, entre outras, para avaliar a eficácia do modelo.

Como mostrado na figura, após a coleta de dados e pré-processamento de dados, seleção e ajuste de modelo, e treinamento, a inferência do modelo treinado no conjunto de teste resultará 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 a várias aplicações, executando diferentes tarefas. Neste exemplo, um modelo de IA de classificação de gatos e cães pode ser integrado a uma aplicação móvel, onde os utilizadores carregam imagens de gatos ou cães e recebem os resultados da classificação.

No entanto, o processo de desenvolvimento de IA centralizada apresenta alguns problemas nas seguintes situações:

Privacidade do usuário: em cenários centralizados, o processo de desenvolvimento da IA geralmente é opaco. Os dados dos usuários podem ser roubados sem o seu conhecimento e utilizados para o treinamento da IA.

Fonte de dados: pequenas equipas ou indivíduos que obtêm dados de áreas específicas (, como dados médicos ), podem enfrentar restrições à abertura dos dados.

Seleção e ajuste de modelos: para pequenas equipas, é difícil obter recursos de modelos específicos ou gastar grandes custos em ajuste de modelos.

Aquisição de poder computacional: para desenvolvedores individuais e pequenas equipas, o elevado custo de compra de GPUs e as taxas de aluguer de poder computacional em nuvem podem representar um fardo económico significativo.

Rendimento de ativos de IA: os trabalhadores de anotação de dados frequentemente não conseguem obter uma renda que corresponda ao seu esforço, e os resultados das pesquisas dos desenvolvedores de IA também têm dificuldade em se alinhar com compradores que têm demanda.

Os desafios existentes no cenário de IA centralizada podem ser superados através da combinação com o Web3. O Web3, como uma nova forma de relação de produção, adapta-se naturalmente à IA, que representa uma nova forma de produtividade, promovendo assim o progresso simultâneo da tecnologia e da capacidade produtiva.

1.3 A Sinergia entre Web3 e AI: Mudança de Papéis e Aplicações Inovadoras

A combinação de Web3 e IA pode aumentar a soberania do usuário, oferecendo aos usuários uma plataforma de colaboração de IA aberta, permitindo que os usuários se transformem de utilizadores de IA da era Web2 em participantes, criando uma IA que todos possam possuir. Ao mesmo tempo, a fusão do mundo Web3 com a tecnologia de IA pode gerar mais cenários de aplicação inovadores e formas de interação.

Baseado na tecnologia Web3, o desenvolvimento e a aplicação da IA irão inaugurar um novo sistema econômico colaborativo. A privacidade dos dados das pessoas pode ser garantida, e o modelo de dados em crowdsourcing promove o avanço dos modelos de IA. Muitos recursos de IA de código aberto estão disponíveis para os usuários, e o poder computacional compartilhado pode ser adquirido a um custo reduzido. Com a ajuda de um mecanismo de colaboração descentralizado e um mercado de IA aberto, pode-se realizar um sistema de distribuição de renda justo, incentivando mais pessoas a impulsionar o progresso 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 em contratos inteligentes para aumentar a eficiência do trabalho em diferentes cenários de aplicação, como análise de mercado, detecção de segurança, agrupamento 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 jogos ricos e variados e experiências interativas interessantes em GameFi. Uma infraestrutura rica oferece uma experiência de desenvolvimento fluida, onde tanto especialistas em IA quanto novatos que desejam entrar no campo da IA podem encontrar uma entrada adequada neste mundo.

Dois, Interpretação do Mapa e Arquitetura dos Projetos Ecossistêmicos Web3-AI

Estudámos principalmente 41 projetos na área do Web3-AI e classificámos estes projetos em diferentes camadas. A lógica de classificação de cada camada está ilustrada na figura abaixo, incluindo a camada de infraestrutura, a camada intermédia e a camada de aplicação, sendo cada camada dividida 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 tecnológica que suportam a execução de todo o ciclo de vida da IA, enquanto a camada intermediária inclui a gestão de dados, desenvolvimento de modelos e serviços de validação e raciocínio que conectam a infraestrutura às aplicações. A camada de aplicação foca nas diversas aplicações e soluções diretamente voltadas para os usuários.

Camada de infraestrutura:

A camada de infraestrutura é a base do ciclo de vida da IA. Neste artigo, a capacidade de computação, a AI Chain e a plataforma de desenvolvimento são classificadas como camada de infraestrutura. É precisamente o suporte dessas infraestruturas que possibilita 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 uma utilização eficiente e econômica dos recursos computacionais. Alguns projetos oferecem um mercado de poder computacional descentralizado, onde os usuários podem alugar poder de computação a baixo custo ou compartilhar poder de computação para obter lucros, representados por projetos como IO.NET e Hyperbolic. Além disso, alguns projetos derivaram novos modos de jogo, como Compute Labs, que propuseram um protocolo tokenizado, onde os usuários podem participar 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 de recursos de IA em cadeia e fora dela, promovendo o desenvolvimento do ecossistema do setor. O mercado de IA descentralizado na cadeia pode negociar ativos de IA como dados, modelos, agentes, entre outros, e fornecer estruturas de desenvolvimento de IA e ferramentas de desenvolvimento complementares, com projetos representativos como Sahara AI. O AI Chain também pode promover o avanço da tecnologia de IA em diferentes campos, como Bittensor, que promove a competição entre subnetworks de diferentes tipos de IA através de um mecanismo de incentivo inovador de subnet.

• Plataforma de desenvolvimento: alguns projetos oferecem plataformas de desenvolvimento de agentes de IA, que também podem realizar transações de agentes de IA, como Fetch.ai e ChainML. Ferramentas de uma única parada ajudam os desenvolvedores a criar, treinar e implantar modelos de IA de forma mais conveniente, representadas por projetos como Nimble. Essa 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, e a adoção de tecnologias Web3 pode alcançar uma maior eficiência de trabalho.

• Dados: A qualidade e a quantidade dos dados são fatores-chave que afetam a eficácia do treinamento do modelo. No mundo Web3, através de dados crowdsourced e do processamento colaborativo de dados, é possível otimizar a utilização de recursos e reduzir os custos dos dados. Os usuários podem ter autonomia sobre os seus dados, vendendo-os sob proteção de privacidade, para evitar que dados sejam roubados por comerciantes mal-intencionados e que sejam obtidos lucros elevados. Para os demandantes de dados, estas plataformas oferecem uma ampla gama de opções e custos extremamente baixos. 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 do setor ou usuários comuns executem tarefas de pré-processamento de dados, como rotulagem de imagens e classificação de dados. Essas tarefas podem exigir conhecimentos especializados em finanças e法律, e os usuários podem tokenizar suas habilidades, permitindo a colaboração em forma de crowdsourcing para o pré-processamento de dados. Exemplos como o mercado de IA Sahara AI possuem tarefas de dados de diferentes áreas, cobrindo cenários de dados multiárea; enquanto o AIT Protocolt realiza a rotulagem de dados através de uma abordagem de colaboração homem-máquina.

• Modelo: No processo de desenvolvimento de IA mencionado anteriormente, diferentes tipos de necessidades requerem a correspondência de modelos adequados. Modelos comuns para tarefas de imagem incluem CNN e GAN, para tarefas de detecção de objetos pode-se escolher a série Yolo, para tarefas de texto, modelos comuns incluem RNN e Transformer, além de alguns modelos grandes específicos ou gerais. A profundidade do modelo necessária para tarefas de complexidade diferente também varia, e às vezes é necessário ajustar o modelo.

Alguns projetos suportam que os usuários forneçam diferentes tipos de modelos ou colaborem no treinamento 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 camada de distribuição para otimização de modelos. As ferramentas de desenvolvimento fornecidas pela Sahara AI incorporam algoritmos de IA avançados e estruturas de cálculo, além de possuírem a capacidade de treinamento colaborativo.

• Inferência e verificação: Após o treinamento, o modelo gera arquivos de pesos do modelo, que podem ser usados para realizar diretamente a classificação, previsão ou outras tarefas específicas; esse processo é chamado de inferência. O processo de inferência geralmente é acompanhado por mecanismos de verificação, para validar se a origem do modelo de inferência está correta e se não há comportamentos maliciosos, entre outros. A inferência do Web3 pode ser frequentemente integrada em contratos inteligentes, chamando o modelo para realizar a inferência, e as formas comuns de verificação incluem ZKML, OPML e tecnologias como TEE. Projetos representativos como o oráculo AI na rede ORA (OAO) introduziram o OPML como uma camada verificável para o oráculo AI, e no site oficial da ORA, eles também mencionaram suas pesquisas sobre a combinação de ZKML e opp/ai(ZKML com OPML).

Camada de aplicação:

Esta camada é principalmente um aplicativo voltado para o usuário, que combina IA com Web3, criando maneiras mais interessantes e inovadoras de jogar. Este artigo organiza principalmente os projetos em vários segmentos como AIGC(, geração de conteúdo por IA), agentes de IA e análise de dados.

• AIGC: Através da AIGC, é possível expandir para as áreas de NFT, jogos e outros no Web3. Os usuários podem gerar texto, imagens e áudio diretamente através das palavras-chave fornecidas pelo Prompt(, e até mesmo criar modos de jogo personalizados de acordo com suas preferências. Projetos NFT como NFPrompt permitem que os usuários gerem NFTs com IA para negociar no mercado; jogos como Sleepless permitem que os usuários moldem a personalidade de um parceiro virtual através de diálogos para combinar com suas preferências.

• Agente de IA: refere-se a sistemas de inteligência artificial que podem executar tarefas de forma autónoma e tomar decisões. Os agentes de IA geralmente possuem capacidades de percepção, raciocínio, aprendizado e ação, podendo realizar tarefas complexas em diversos ambientes. Exemplos comuns de agentes de IA incluem tradução de idiomas e aprendizado de idiomas.