Rapport panoramique sur le secteur Web3-AI : logique technique, applications scénaristiques et analyse approfondie des projets de premier plan
Avec la montée continue de la narration AI, de plus en plus d'attention se concentre sur ce secteur. Une analyse approfondie de la logique technique, des cas d'utilisation et des projets représentatifs du secteur Web3-AI a été réalisée, afin de vous présenter de manière exhaustive le panorama et les tendances de développement dans 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 le secteur 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 qu'il existe de nombreux projets impliquant des technologies AI, certains n'utilisent l'AI 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.
Cet article se concentre sur des projets qui utilisent la blockchain pour résoudre des problèmes de relations de production et l'IA pour résoudre des problèmes de productivité. Ces projets offrent eux-mêmes des produits d'IA, tout en se basant sur un modèle économique Web3 en tant qu'outil de relations de production, les deux étant complémentaires. Nous classons ces projets dans la catégorie Web3-AI. Afin d'aider les lecteurs à mieux comprendre la catégorie Web3-AI, nous allons présenter le processus de développement de l'IA et les défis qui l'accompagnent, ainsi que la manière dont la combinaison de Web3 et de l'IA peut résoudre parfaitement 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 AI 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 linguistique, de la classification d'images à la reconnaissance faciale, à la conduite autonome et à d'autres scénarios d'application. L'IA est en train de changer notre façon de vivre et de travailler.
Le processus de développement d'un modèle d'intelligence artificielle comprend généralement les étapes clés suivantes : collecte de données et prétraitement des données, sélection et ajustement du modèle, entraînement et inférence du modèle. Prenons un exemple simple, pour développer un modèle capable de classer des images de chats et de chiens, vous devez :
Collecte de données et prétraitement des données : Collecter un ensemble de données d'images contenant des chats et des chiens, en utilisant un ensemble de données public ou en collectant des données réelles par soi-même. Ensuite, étiqueter chaque image avec la catégorie ( chat ou chien ), en veillant à ce que les étiquettes soient précises. Convertir les images dans un format que le modèle peut reconnaître, et diviser l'ensemble de données en ensemble d'entraînement, ensemble de validation et ensemble de test.
Choix et optimisation du modèle : choisissez un modèle approprié, comme un réseau de neurones convolutif (CNN), particulièrement adapté aux tâches de classification d'images. Ajustez les paramètres ou l'architecture du modèle en fonction des besoins différents ; en général, les niveaux de réseau du modèle peuvent être ajustés en fonction de la complexité de la tâche d'IA. Dans cet exemple simple de classification, un réseau moins profond peut 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. Le processus d'inférence fait référence à l'utilisation d'un modèle déjà entraîné pour prédire ou classer de nouvelles données. Dans ce processus, il est possible d'utiliser un ensemble de test ou de nouvelles données pour évaluer l'efficacité de la classification du modèle, généralement à l'aide d'indicateurs tels que la précision, le rappel et le score F1.
Comme indiqué sur l'image, après la collecte de données, le prétraitement des données, la sélection et l'ajustement du modèle, et l'entraînement, l'inférence du modèle entraîné sur l'ensemble de test donnera les valeurs prédites de chat et de chien P(probability), 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, permettant aux utilisateurs de télécharger des images de chats ou de chiens pour obtenir des 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 souvent opaque. Les données des utilisateurs peuvent être volées à leur insu et utilisées pour l'entraînement de l'IA.
Obtention de la source de données : de petites équipes ou des particuliers peuvent être confrontés à des limitations d'absence d'ouverture des données lorsqu'ils obtiennent des données spécifiques à un domaine (, telles que des données médicales ).
Choix et ajustement des modèles : pour les petites équipes, il est difficile d'accéder à des ressources de modèles spécifiques ou de consacrer des coûts élevés à l'ajustement des modèles.
Obtention de la puissance de calcul : pour les développeurs individuels et les petites équipes, le coût élevé d'achat de GPU et les frais de location de puissance de calcul dans le cloud peuvent constituer un fardeau économique significatif.
Revenus des actifs d'IA : Les travailleurs de l'annotation de données ont souvent du mal à obtenir des revenus correspondant à leurs efforts, tandis que les résultats de recherche des développeurs d'IA peinent également à s'aligner avec des acheteurs en demande.
Les défis existants dans les scénarios d'IA centralisée peuvent être surmontés par une combinaison avec le Web3. En tant que nouvelle relation de production, le Web3 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 La synergie entre Web3 et l'IA : transformation des rôles 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 du statut d'utilisateur d'IA à l'ère Web2 à celui de participant, créant une IA que tout le monde peut posséder. En même temps, la fusion du monde Web3 et des technologies IA peut également donner naissance à davantage de scénarios d'application innovants et de nouvelles façons de jouer.
Basé sur la technologie Web3, le développement et l'application de l'IA vont inaugurer un tout nouveau système économique de collaboration. La vie privée des données des utilisateurs peut être protégée, 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 acquise à un coût relativement bas. Grâce à un mécanisme de collaboration décentralisé et à un marché de l'IA ouvert, un système équitable de répartition des revenus peut être mis en place, incitant ainsi davantage de personnes à promouvoir le progrès de la technologie de l'IA.
Dans le contexte de Web3, l'IA peut avoir un impact positif dans plusieurs domaines. Par exemple, des modèles d'IA peuvent être intégrés dans des contrats intelligents pour améliorer l'efficacité au travail dans différents scénarios d'application, tels que l'analyse de marché, la détection de sécurité, le clustering social, et bien d'autres fonctions. L'IA générative permet non seulement aux utilisateurs de vivre le rôle d'"artiste", par exemple en utilisant des technologies d'IA pour créer leurs propres NFT, mais elle peut également créer des scènes de jeu variées et des expériences d'interaction intéressantes dans GameFi. Une infrastructure riche offre une expérience de développement fluide, que ce soit pour des experts en IA ou pour des novices souhaitant entrer dans le domaine de l'IA, chacun peut trouver une porte d'entrée adaptée dans ce monde.
II. 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, y compris la couche d'infrastructure, la couche intermédiaire et la couche d'application, chacune étant subdivisée en différents segments. Dans le chapitre suivant, nous procéderons à 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 validation et d'inférence qui connectent l'infrastructure aux applications. La couche d'application se concentre sur les diverses 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 classifie la puissance de calcul, la chaîne d'IA et la plateforme de développement comme faisant partie de la couche d'infrastructure. C'est grâce à ce soutien des infrastructures que l'entraînement et l'inférence des modèles d'IA peuvent être réalisés, et que des applications IA puissantes et pratiques peuvent être présentées aux utilisateurs.
Réseau de calcul décentralisé : peut fournir une puissance de calcul distribuée pour l'entraînement des modèles d'IA, garantissant une utilisation efficace et économique des ressources de calcul. Certains projets ont mis en place un marché de puissance de calcul décentralisé, permettant aux utilisateurs de louer de la puissance de calcul à faible coût ou de partager la puissance de calcul pour obtenir des revenus, avec des projets représentés comme IO.NET et Hyperbolic. De plus, certains projets ont dérivé de nouveaux jeux, tels que Compute Labs, qui ont proposé un protocole tokenisé, permettant aux utilisateurs de participer de différentes manières à la location de puissance de calcul pour obtenir des revenus en achetant des NFT représentant des entités GPU.
AI Chain : Utiliser la blockchain comme base pour le cycle de vie de l'IA, réaliser une interaction transparente des ressources IA en chaîne et hors chaîne, et promouvoir le développement de l'écosystème industriel. Le marché décentralisé de l'IA sur la chaîne peut échanger des actifs IA tels que des données, des modèles, des agents, etc., et fournir un cadre de développement IA et des outils de développement associés, avec des projets représentatifs tels que Sahara AI. AI Chain peut également favoriser les avancées technologiques en 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 AI, permettant également le trading d'agents AI, comme Fetch.ai et ChainML. Des outils tout-en-un aident les développeurs à créer, entraîner et déployer des modèles AI plus facilement, avec des projets représentatifs comme Nimble. Ces infrastructures favorisent l'application généralisée de la technologie AI dans l'écosystème Web3.
Couche intermédiaire :
Ce niveau concerne les données AI, les modèles ainsi que le raisonnement et la validation, et l'utilisation de la technologie Web3 peut réaliser une efficacité de travail plus élevée.
Données : La qualité et la quantité des données sont des facteurs clés impactant l'efficacité de l'entraînement des modèles. Dans le monde Web3, l'optimisation de l'utilisation des ressources et la réduction des coûts des données peuvent être réalisées grâce à des données crowdsourcées et un traitement collaboratif des données. Les utilisateurs peuvent avoir le contrôle de leurs données et vendre leurs propres données dans le respect de la protection de la vie privée, afin d'éviter que leurs données ne soient volées et exploitées à des fins de profit par de mauvais acteurs. Pour les demandeurs de données, ces plateformes offrent un large éventail de choix et des coûts très bas. Des projets représentatifs comme Grass utilisent la bande passante des utilisateurs pour extraire des données Web, xData collecte des informations médiatiques via des plugins conviviaux et permet aux utilisateurs de télécharger des informations de tweets.
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, ces tâches pouvant nécessiter des connaissances spécialisées en matière de traitement des données financières et juridiques. Les utilisateurs peuvent tokeniser leurs compétences pour réaliser une collaboration par le biais d'un crowdsourcing de prétraitement des données. Des marchés d'IA tels que Sahara AI, qui proposent des tâches de données dans différents domaines, peuvent couvrir des scénarios de données multidisciplinaires ; tandis qu'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 appropriés. 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 comme RNN et Transformer sont fréquents, bien sûr, il existe aussi certains grands modèles spécifiques ou généraux. La profondeur des modèles nécessaires varie également en fonction de la complexité des tâches, et il est parfois nécessaire d'ajuster le modèle.
Certains projets permettent aux utilisateurs de fournir différents types de modèles ou de collaborer à l'entraînement des modèles par le biais de l'outsourcing. Par exemple, Sentient, grâce à un design 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 validation : Une fois que le modèle est entraîné, il génère un fichier de poids du modèle, qui peut être utilisé pour effectuer des classifications, des prédictions ou d'autres tâches spécifiques. Ce processus est appelé inférence. Le processus d'inférence est généralement accompagné d'un mécanisme de validation pour vérifier si la source du modèle d'inférence est correcte, s'il y a 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 validation courantes incluent des technologies telles que ZKML, OPML et TEE. Des projets représentatifs comme ORA, une oracle AI sur la chaîne, (OAO), ont introduit OPML comme couche vérifiable pour l'oracle AI. Le site officiel d'ORA mentionne également leurs recherches sur la combinaison de ZKML et opp/ai( avec OPML).
Couche applicative:
Ce niveau est principalement consacré aux applications destinées aux utilisateurs, combinant l'IA et le Web3 pour créer des expériences plus intéressantes et innovantes. Cet article se concentre principalement sur les projets dans plusieurs domaines tels que le contenu généré par l'IA AIGC(, les agents IA et l'analyse de données.
AIGC : Grâce à AIGC, il est possible de s'étendre aux NFT, aux jeux et autres secteurs dans Web3. Les utilisateurs peuvent directement générer du texte, des images et de l'audio via les mots-clés fournis par Prompt). Ils peuvent même créer des modes de jeu personnalisés selon leurs préférences. Des projets NFT comme NFPrompt permettent aux utilisateurs de générer des NFT grâce à l'IA pour les échanger sur le marché ; des jeux comme Sleepless permettent aux utilisateurs de façonner la personnalité de leur compagnon virtuel par le dialogue afin de correspondre à leurs goûts ;
Agent AI : désigne un système d'intelligence artificielle capable d'exécuter des tâches de manière autonome et de prendre des décisions. Les agents AI possèdent généralement des capacités de perception, de raisonnement, d'apprentissage et d'action, leur permettant d'exécuter des tâches complexes dans divers environnements. Des exemples courants d'agents AI incluent la traduction linguistique et l'apprentissage des langues.
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.
11 J'aime
Récompense
11
4
Partager
Commentaire
0/400
SillyWhale
· Il y a 6h
Raconter raconter Tout le monde raconte
Voir l'originalRépondre0
0xSleepDeprived
· Il y a 7h
Encore en train de faire du battage autour de l'IA, ça a déjà été surexploité, non ?
Voir l'originalRépondre0
StablecoinEnjoyer
· Il y a 7h
Encore une fois, on vient de faire monter un concept pour rattraper un couteau qui tombe. Qui va rattraper cette vague ?
Voir l'originalRépondre0
GasGrillMaster
· Il y a 7h
C'est clairement de la spéculation sur les pigeons.
Web3-AI dans son ensemble : analyse approfondie des logiques techniques aux projets de premier plan
Rapport panoramique sur le secteur Web3-AI : logique technique, applications scénaristiques et analyse approfondie des projets de premier plan
Avec la montée continue de la narration AI, de plus en plus d'attention se concentre sur ce secteur. Une analyse approfondie de la logique technique, des cas d'utilisation et des projets représentatifs du secteur Web3-AI a été réalisée, afin de vous présenter de manière exhaustive le panorama et les tendances de développement dans 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 le secteur 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 qu'il existe de nombreux projets impliquant des technologies AI, certains n'utilisent l'AI 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.
Cet article se concentre sur des projets qui utilisent la blockchain pour résoudre des problèmes de relations de production et l'IA pour résoudre des problèmes de productivité. Ces projets offrent eux-mêmes des produits d'IA, tout en se basant sur un modèle économique Web3 en tant qu'outil de relations de production, les deux étant complémentaires. Nous classons ces projets dans la catégorie Web3-AI. Afin d'aider les lecteurs à mieux comprendre la catégorie Web3-AI, nous allons présenter le processus de développement de l'IA et les défis qui l'accompagnent, ainsi que la manière dont la combinaison de Web3 et de l'IA peut résoudre parfaitement 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 AI 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 linguistique, de la classification d'images à la reconnaissance faciale, à la conduite autonome et à d'autres scénarios d'application. L'IA est en train de changer notre façon de vivre et de travailler.
Le processus de développement d'un modèle d'intelligence artificielle comprend généralement les étapes clés suivantes : collecte de données et prétraitement des données, sélection et ajustement du modèle, entraînement et inférence du modèle. Prenons un exemple simple, pour développer un modèle capable de classer des images de chats et de chiens, vous devez :
Collecte de données et prétraitement des données : Collecter un ensemble de données d'images contenant des chats et des chiens, en utilisant un ensemble de données public ou en collectant des données réelles par soi-même. Ensuite, étiqueter chaque image avec la catégorie ( chat ou chien ), en veillant à ce que les étiquettes soient précises. Convertir les images dans un format que le modèle peut reconnaître, et diviser l'ensemble de données en ensemble d'entraînement, ensemble de validation et ensemble de test.
Choix et optimisation du modèle : choisissez un modèle approprié, comme un réseau de neurones convolutif (CNN), particulièrement adapté aux tâches de classification d'images. Ajustez les paramètres ou l'architecture du modèle en fonction des besoins différents ; en général, les niveaux de réseau du modèle peuvent être ajustés en fonction de la complexité de la tâche d'IA. Dans cet exemple simple de classification, un réseau moins profond peut 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. Le processus d'inférence fait référence à l'utilisation d'un modèle déjà entraîné pour prédire ou classer de nouvelles données. Dans ce processus, il est possible d'utiliser un ensemble de test ou de nouvelles données pour évaluer l'efficacité de la classification du modèle, généralement à l'aide d'indicateurs tels que la précision, le rappel et le score F1.
Comme indiqué sur l'image, après la collecte de données, le prétraitement des données, la sélection et l'ajustement du modèle, et l'entraînement, l'inférence du modèle entraîné sur l'ensemble de test donnera les valeurs prédites de chat et de chien P(probability), 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, permettant aux utilisateurs de télécharger des images de chats ou de chiens pour obtenir des 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 souvent opaque. Les données des utilisateurs peuvent être volées à leur insu et utilisées pour l'entraînement de l'IA.
Obtention de la source de données : de petites équipes ou des particuliers peuvent être confrontés à des limitations d'absence d'ouverture des données lorsqu'ils obtiennent des données spécifiques à un domaine (, telles que des données médicales ).
Choix et ajustement des modèles : pour les petites équipes, il est difficile d'accéder à des ressources de modèles spécifiques ou de consacrer des coûts élevés à l'ajustement des modèles.
Obtention de la puissance de calcul : pour les développeurs individuels et les petites équipes, le coût élevé d'achat de GPU et les frais de location de puissance de calcul dans le cloud peuvent constituer un fardeau économique significatif.
Revenus des actifs d'IA : Les travailleurs de l'annotation de données ont souvent du mal à obtenir des revenus correspondant à leurs efforts, tandis que les résultats de recherche des développeurs d'IA peinent également à s'aligner avec des acheteurs en demande.
Les défis existants dans les scénarios d'IA centralisée peuvent être surmontés par une combinaison avec le Web3. En tant que nouvelle relation de production, le Web3 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 La synergie entre Web3 et l'IA : transformation des rôles 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 du statut d'utilisateur d'IA à l'ère Web2 à celui de participant, créant une IA que tout le monde peut posséder. En même temps, la fusion du monde Web3 et des technologies IA peut également donner naissance à davantage de scénarios d'application innovants et de nouvelles façons de jouer.
Basé sur la technologie Web3, le développement et l'application de l'IA vont inaugurer un tout nouveau système économique de collaboration. La vie privée des données des utilisateurs peut être protégée, 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 acquise à un coût relativement bas. Grâce à un mécanisme de collaboration décentralisé et à un marché de l'IA ouvert, un système équitable de répartition des revenus peut être mis en place, incitant ainsi davantage de personnes à promouvoir le progrès de la technologie de l'IA.
Dans le contexte de Web3, l'IA peut avoir un impact positif dans plusieurs domaines. Par exemple, des modèles d'IA peuvent être intégrés dans des contrats intelligents pour améliorer l'efficacité au travail dans différents scénarios d'application, tels que l'analyse de marché, la détection de sécurité, le clustering social, et bien d'autres fonctions. L'IA générative permet non seulement aux utilisateurs de vivre le rôle d'"artiste", par exemple en utilisant des technologies d'IA pour créer leurs propres NFT, mais elle peut également créer des scènes de jeu variées et des expériences d'interaction intéressantes dans GameFi. Une infrastructure riche offre une expérience de développement fluide, que ce soit pour des experts en IA ou pour des novices souhaitant entrer dans le domaine de l'IA, chacun peut trouver une porte d'entrée adaptée dans ce monde.
II. 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, y compris la couche d'infrastructure, la couche intermédiaire et la couche d'application, chacune étant subdivisée en différents segments. Dans le chapitre suivant, nous procéderons à 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 validation et d'inférence qui connectent l'infrastructure aux applications. La couche d'application se concentre sur les diverses 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 classifie la puissance de calcul, la chaîne d'IA et la plateforme de développement comme faisant partie de la couche d'infrastructure. C'est grâce à ce soutien des infrastructures que l'entraînement et l'inférence des modèles d'IA peuvent être réalisés, et que des applications IA puissantes et pratiques peuvent être présentées aux utilisateurs.
Réseau de calcul décentralisé : peut fournir une puissance de calcul distribuée pour l'entraînement des modèles d'IA, garantissant une utilisation efficace et économique des ressources de calcul. Certains projets ont mis en place un marché de puissance de calcul décentralisé, permettant aux utilisateurs de louer de la puissance de calcul à faible coût ou de partager la puissance de calcul pour obtenir des revenus, avec des projets représentés comme IO.NET et Hyperbolic. De plus, certains projets ont dérivé de nouveaux jeux, tels que Compute Labs, qui ont proposé un protocole tokenisé, permettant aux utilisateurs de participer de différentes manières à la location de puissance de calcul pour obtenir des revenus en achetant des NFT représentant des entités GPU.
AI Chain : Utiliser la blockchain comme base pour le cycle de vie de l'IA, réaliser une interaction transparente des ressources IA en chaîne et hors chaîne, et promouvoir le développement de l'écosystème industriel. Le marché décentralisé de l'IA sur la chaîne peut échanger des actifs IA tels que des données, des modèles, des agents, etc., et fournir un cadre de développement IA et des outils de développement associés, avec des projets représentatifs tels que Sahara AI. AI Chain peut également favoriser les avancées technologiques en 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 AI, permettant également le trading d'agents AI, comme Fetch.ai et ChainML. Des outils tout-en-un aident les développeurs à créer, entraîner et déployer des modèles AI plus facilement, avec des projets représentatifs comme Nimble. Ces infrastructures favorisent l'application généralisée de la technologie AI dans l'écosystème Web3.
Couche intermédiaire :
Ce niveau concerne les données AI, les modèles ainsi que le raisonnement et la validation, et l'utilisation de la technologie Web3 peut réaliser 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, ces tâches pouvant nécessiter des connaissances spécialisées en matière de traitement des données financières et juridiques. Les utilisateurs peuvent tokeniser leurs compétences pour réaliser une collaboration par le biais d'un crowdsourcing de prétraitement des données. Des marchés d'IA tels que Sahara AI, qui proposent des tâches de données dans différents domaines, peuvent couvrir des scénarios de données multidisciplinaires ; tandis qu'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 de l'outsourcing. Par exemple, Sentient, grâce à un design 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 applicative:
Ce niveau est principalement consacré aux applications destinées aux utilisateurs, combinant l'IA et le Web3 pour créer des expériences plus intéressantes et innovantes. Cet article se concentre principalement sur les projets dans plusieurs domaines tels que le contenu généré par l'IA AIGC(, les agents IA et l'analyse de données.
AIGC : Grâce à AIGC, il est possible de s'étendre aux NFT, aux jeux et autres secteurs dans Web3. Les utilisateurs peuvent directement générer du texte, des images et de l'audio via les mots-clés fournis par Prompt). Ils peuvent même créer des modes de jeu personnalisés selon leurs préférences. Des projets NFT comme NFPrompt permettent aux utilisateurs de générer des NFT grâce à l'IA pour les échanger sur le marché ; des jeux comme Sleepless permettent aux utilisateurs de façonner la personnalité de leur compagnon virtuel par le dialogue afin de correspondre à leurs goûts ;
Agent AI : désigne un système d'intelligence artificielle capable d'exécuter des tâches de manière autonome et de prendre des décisions. Les agents AI possèdent généralement des capacités de perception, de raisonnement, d'apprentissage et d'action, leur permettant d'exécuter des tâches complexes dans divers environnements. Des exemples courants d'agents AI incluent la traduction linguistique et l'apprentissage des langues.