Informe panorámico del sector Web3-AI: análisis profundo de la lógica técnica, las aplicaciones en escenarios y los principales proyectos Profundidad

Con el continuo auge de la narración de IA, cada vez más atención se centra en este sector. Se ha realizado un análisis profundo de la lógica técnica, los escenarios de aplicación y los proyectos representativos del sector Web3-AI, presentando de manera integral el panorama y las tendencias de desarrollo de este campo.

Uno, Web3-AI: Análisis de la lógica técnica y oportunidades en el nuevo mercado

1.1 Lógica de la fusión entre Web3 y AI: ¿cómo definir la pista Web-AI?

En el último año, la narrativa de IA ha sido excepcionalmente popular en la industria Web3, y los proyectos de IA han brotado como hongos después de la lluvia. Aunque hay muchos proyectos que involucran tecnología de IA, algunos proyectos solo utilizan IA en ciertas partes de sus productos, y la economía de tokens subyacente no tiene una relación sustancial con los productos de IA, por lo que estos proyectos no se incluyen en la discusión de los proyectos Web3-AI en este artículo.

El enfoque de este artículo está en proyectos que utilizan blockchain para resolver problemas de relaciones de producción y AI para resolver problemas de productividad. Estos proyectos ofrecen productos de AI y, al mismo tiempo, se basan en un modelo económico Web3 como herramienta de relaciones de producción, complementándose entre sí. Clasificamos este tipo de proyectos en la categoría de Web3-AI. Para que los lectores comprendan mejor la categoría Web3-AI, se presentará una introducción al proceso de desarrollo y desafíos de AI, así como cómo la combinación de Web3 y AI puede resolver problemas de manera perfecta y crear nuevos escenarios de aplicación.

1.2 El proceso de desarrollo y los desafíos de la IA: desde la recolección de datos hasta la inferencia del modelo

La tecnología de IA es una técnica que permite a las computadoras simular, expandir y mejorar la inteligencia humana. Puede hacer que las computadoras realicen diversas tareas complejas, desde la traducción de idiomas, la clasificación de imágenes hasta aplicaciones como el reconocimiento facial y la conducción autónoma. La IA está cambiando la forma en que vivimos y trabajamos.

El proceso de desarrollo de modelos de inteligencia artificial generalmente incluye los siguientes pasos clave: recolección de datos y preprocesamiento de datos, selección y ajuste del modelo, entrenamiento del modelo e inferencia. Para dar un ejemplo simple, si deseas desarrollar un modelo para clasificar imágenes de gatos y perros, necesitas:

1. Recolección de datos y preprocesamiento de datos: recopilar un conjunto de datos de imágenes que contenga gatos y perros, se pueden utilizar conjuntos de datos públicos o recopilar datos reales por cuenta propia. Luego, etiquetar cada imagen con su categoría (gato o perro), asegurando que las etiquetas sean precisas. Convertir las imágenes a un formato que el modelo pueda reconocer, dividiendo el conjunto de datos en conjunto de entrenamiento, conjunto de validación y conjunto de prueba.

2. Selección y ajuste del modelo: elegir el modelo adecuado, como las redes neuronales convolucionales (CNN), que son más adecuadas para tareas de clasificación de imágenes. Ajustar los parámetros o la arquitectura del modelo según las diferentes necesidades; en general, los niveles de la red del modelo se pueden ajustar según la complejidad de la tarea de IA. En este ejemplo de clasificación simple, una red con menos niveles puede ser suficiente.

3. Entrenamiento del modelo: se pueden utilizar GPU, TPU o clústeres de computación de alto rendimiento para entrenar el modelo, el tiempo de entrenamiento se ve afectado por la complejidad del modelo y la capacidad de cálculo.

4. Inferencia del modelo: El archivo del modelo entrenado se denomina generalmente peso del modelo, y el proceso de inferencia se refiere al uso de un modelo ya entrenado para hacer predicciones o clasificaciones sobre nuevos datos. En este proceso, se puede utilizar un conjunto de pruebas o nuevos datos para evaluar el rendimiento de clasificación del modelo, que generalmente se evalúa mediante métricas como precisión, tasa de recuperación y F1-score.

Como se muestra en la imagen, después de la recolección de datos y el preprocesamiento de datos, la selección y ajuste del modelo, así como el entrenamiento, se realizará la inferencia del modelo entrenado en el conjunto de prueba, lo que dará como resultado los valores de predicción P (probabilidad) de gato y perro, es decir, la probabilidad de que el modelo infiera que es un gato o un perro.

Un modelo de IA entrenado puede integrarse aún más en diversas aplicaciones para realizar diferentes tareas. En este ejemplo, un modelo de IA para la clasificación de gatos y perros puede integrarse en una aplicación móvil, donde los usuarios suben imágenes de gatos o perros y obtienen resultados de clasificación.

Sin embargo, el proceso de desarrollo de IA centralizada presenta algunos problemas en los siguientes escenarios:

Privacidad del usuario: en escenarios centralizados, el proceso de desarrollo de la IA suele ser opaco. Los datos de los usuarios pueden ser robados sin su conocimiento y utilizados para el entrenamiento de la IA.

Obtención de fuentes de datos: equipos pequeños o individuos que intentan obtener datos en áreas específicas (como datos médicos) pueden enfrentar restricciones debido a la falta de apertura de los datos.

Selección y ajuste del modelo: para equipos pequeños, es difícil obtener recursos de modelos específicos del dominio o gastar una gran cantidad de costos en el ajuste del modelo.

Obtención de potencia de cálculo: para desarrolladores individuales y pequeños equipos, el alto costo de compra de GPU y las tarifas de alquiler de potencia de cálculo en la nube pueden representar una carga económica significativa.

Ingresos de activos de IA: los trabajadores de etiquetado de datos a menudo no pueden obtener ingresos que correspondan a su esfuerzo, y los resultados de investigación de los desarrolladores de IA también son difíciles de igualar con los compradores que tienen demanda.

Los desafíos existentes en los escenarios de IA centralizada pueden ser abordados a través de la combinación con Web3, que, como una nueva forma de relación de producción, se adapta de manera natural a la IA que representa una nueva productividad, impulsando así el progreso simultáneo de la tecnología y la capacidad de producción.

1.3 La sinergia entre Web3 y la IA: cambios de rol y aplicaciones innovadoras

La combinación de Web3 y AI puede fortalecer la soberanía del usuario, proporcionando una plataforma de colaboración de AI abierta para los usuarios, permitiendo que los usuarios pasen de ser meros usuarios de AI en la era de Web2 a participantes, creando una AI que todos puedan poseer. Al mismo tiempo, la fusión del mundo Web3 con la tecnología AI también puede generar más escenarios de aplicación innovadores y formas de interacción.

Basado en la tecnología Web3, el desarrollo y la aplicación de la IA darán lugar a un nuevo sistema económico colaborativo. La privacidad de los datos de las personas puede ser garantizada, el modelo de datos de crowdsourcing promueve el avance de los modelos de IA, numerosos recursos de IA de código abierto están disponibles para los usuarios, y la potencia compartida se puede obtener a un costo más bajo. Gracias a un mecanismo de colaboración y crowdsourcing descentralizado y a un mercado de IA abierto, se puede lograr un sistema de distribución de ingresos justo, lo que incentivará a más personas a impulsar el avance de la tecnología de IA.

En el escenario de Web3, la IA puede tener un impacto positivo en múltiples áreas. Por ejemplo, los modelos de IA pueden integrarse en contratos inteligentes para mejorar la eficiencia del trabajo en diferentes escenarios de aplicación, como análisis de mercado, detección de seguridad, agrupación social y muchas otras funciones. La IA generativa no solo permite a los usuarios experimentar el rol de "artista", como crear su propio NFT utilizando tecnología de IA, sino que también puede crear escenarios de juego variados y experiencias interactivas interesantes en GameFi. La infraestructura rica proporciona una experiencia de desarrollo fluida, donde tanto los expertos en IA como los novatos que desean ingresar al campo de la IA pueden encontrar una entrada adecuada en este mundo.

Dos, interpretación del mapa y la arquitectura del proyecto ecológico Web3-AI

Hemos investigado principalmente 41 proyectos en la pista de Web3-AI y hemos clasificado estos proyectos en diferentes niveles. La lógica de clasificación de cada nivel se muestra en la siguiente imagen, incluyendo la capa de infraestructura, la capa intermedia y la capa de aplicación, cada una de las cuales se divide en diferentes sectores. En el próximo capítulo, realizaremos un análisis profundo de algunos proyectos representativos.

La capa de infraestructura abarca los recursos computacionales y la arquitectura técnica que soportan todo el ciclo de vida de la IA, mientras que la capa intermedia incluye la gestión de datos, el desarrollo de modelos y los servicios de inferencia de verificación que conectan la infraestructura con las aplicaciones. La capa de aplicación se centra en diversas aplicaciones y soluciones dirigidas directamente a los usuarios.

Capa de infraestructura:

La capa de infraestructura es la base del ciclo de vida de la IA. Este artículo clasifica la potencia de cálculo, AI Chain y la plataforma de desarrollo como parte de la capa de infraestructura. Solo con el apoyo de estas infraestructuras es posible llevar a cabo el entrenamiento y la inferencia de modelos de IA, y presentar aplicaciones de IA potentes y prácticas a los usuarios.

• Red de computación descentralizada: puede proporcionar potencia de cálculo distribuida para el entrenamiento de modelos de IA, asegurando una utilización eficiente y económica de los recursos de cálculo. Algunos proyectos ofrecen un mercado de potencia de cálculo descentralizado, donde los usuarios pueden alquilar potencia de cálculo a bajo costo o compartir potencia de cálculo para obtener ingresos, representados por proyectos como IO.NET y Hyperbolic. Además, algunos proyectos han derivado nuevas formas de juego, como Compute Labs, que han propuesto un protocolo de tokenización, donde los usuarios pueden participar en el alquiler de potencia de cálculo de diferentes maneras al comprar NFT que representan entidades de GPU.

• AI Chain: Utiliza la blockchain como base para el ciclo de vida de la IA, logrando una interacción sin fisuras entre los recursos de IA en la cadena y fuera de ella, promoviendo el desarrollo del ecosistema industrial. El mercado descentralizado de IA en la cadena puede comerciar activos de IA como datos, modelos, agentes, etc., y ofrece un marco de desarrollo de IA y herramientas de desarrollo complementarias, representando proyectos como Sahara AI. AI Chain también puede fomentar el avance de la tecnología de IA en diferentes campos, como Bittensor, que promueve la competencia entre diferentes tipos de subredes de IA a través de un innovador mecanismo de incentivos de subred.

• Plataforma de desarrollo: algunos proyectos ofrecen plataformas de desarrollo de agentes de IA, que también pueden realizar transacciones de agentes de IA, como Fetch.ai y ChainML. Herramientas todo en uno ayudan a los desarrolladores a crear, entrenar y desplegar modelos de IA de manera más conveniente, representados por proyectos como Nimble. Esta infraestructura fomenta la amplia aplicación de la tecnología de IA en el ecosistema Web3.

Capa intermedia:

Este nivel involucra datos de IA, modelos, así como inferencia y verificación, utilizando tecnología Web3 se puede lograr una mayor eficiencia laboral.

• Datos: La calidad y cantidad de los datos son factores clave que afectan la efectividad del entrenamiento del modelo. En el mundo de Web3, a través de la recopilación de datos en masa y el procesamiento colaborativo de datos, se puede optimizar el uso de recursos y reducir los costos de datos. Los usuarios pueden tener el control sobre sus datos y venderlos en condiciones de protección de la privacidad, para evitar que los malos comerciantes los roben y obtengan grandes beneficios. Para los demandantes de datos, estas plataformas ofrecen una amplia gama de opciones y costos extremadamente bajos. Proyectos representativos como Grass utilizan el ancho de banda de los usuarios para extraer datos de la Web, xData recopila información de medios a través de un plugin fácil de usar y apoya a los usuarios para subir información de tweets.

Además, algunas plataformas permiten a expertos en el campo o a usuarios comunes realizar tareas de preprocesamiento de datos, como la anotación de imágenes y la clasificación de datos. Estas tareas pueden requerir conocimientos especializados en finanzas y procesamiento de datos legales, y los usuarios pueden tokenizar habilidades para lograr la colaboración y el crowdsourcing en el preprocesamiento de datos. Representando un mercado de IA como Sahara AI, que abarca tareas de datos en diferentes campos, puede cubrir escenarios de datos multidisciplinarios; mientras que AIT Protocol etiqueta los datos mediante una colaboración entre humanos y máquinas.

• Modelo: En el proceso de desarrollo de IA mencionado anteriormente, diferentes tipos de requisitos necesitan coincidir con el modelo adecuado. Modelos comúnmente utilizados para tareas de imágenes son CNN y GAN, para tareas de detección de objetos se puede elegir la serie Yolo, mientras que para tareas de texto, los modelos comunes son RNN, Transformer, entre otros. Por supuesto, también hay modelos grandes específicos o generales. La profundidad del modelo necesaria varía según la complejidad de la tarea, y a veces es necesario ajustar el modelo.

Algunos proyectos permiten a los usuarios proporcionar diferentes tipos de modelos o colaborar en el entrenamiento de modelos a través de la externalización, como Sentient, que a través de un diseño modular permite a los usuarios almacenar datos de modelos confiables en la capa de almacenamiento y distribución para optimizar modelos. Las herramientas de desarrollo proporcionadas por Sahara AI incorporan algoritmos de IA avanzados y marcos de cálculo, y tienen la capacidad de entrenamiento colaborativo.

• Inferencia y verificación: después de que el modelo ha sido entrenado, generará un archivo de pesos del modelo que puede utilizarse para realizar clasificación, predicciones u otras tareas específicas, este proceso se llama inferencia. El proceso de inferencia generalmente va acompañado de un mecanismo de verificación para validar si la fuente del modelo de inferencia es correcta, si hay comportamientos maliciosos, etc. La inferencia en Web3 generalmente puede integrarse en contratos inteligentes, mediante la invocación del modelo para realizar inferencias, las formas comunes de verificación incluyen tecnologías como ZKML, OPML y TEE. Proyectos representativos como el oráculo de IA en cadena ORA (OAO), introdujeron OPML como una capa verificable para el oráculo de IA, en el sitio web de ORA también se mencionan sus investigaciones sobre ZKML y opp/ai (ZKML combinado con OPML).

Capa de aplicación:

Esta capa está principalmente dirigida a aplicaciones de usuario, combinando IA con Web3 para crear formas de juego más interesantes e innovadoras. Este artículo se centra principalmente en los proyectos de AIGC (Contenido Generado por IA), agentes de IA y análisis de datos.

• AIGC：a través de AIGC se puede