Rapport panoramique sur la piste Web3-AI : analyse approfondie de la logique technique, des applications scénaristiques et des projets de premier plan

Avec la montée continue de la narration AI, de plus en plus d'attention se concentre sur cette piste. Une analyse approfondie de la logique technique, des cas d'application et des projets représentatifs de la piste Web3-AI a été réalisée, vous présentant ainsi une vue d'ensemble et les tendances de développement de ce domaine.

I. Web3-AI : Analyse des logiques techniques et des opportunités de marché émergentes

1.1 La logique de fusion entre Web3 et AI : comment définir la piste Web-AI

Au cours de l'année écoulée, la narration par IA a connu un essor exceptionnel dans l'industrie Web3, avec des projets IA émergents comme des champignons après la pluie. Bien qu'il existe de nombreux projets impliquant des technologies IA, certains projets n'utilisent l'IA que dans certaines parties de leurs produits, l'économie des tokens sous-jacente n'ayant pas de lien substantiel avec les produits IA. Par conséquent, ces types de projets ne font pas partie de la discussion sur les projets Web3-AI dans cet article.

L'article se concentre sur l'utilisation de la blockchain pour résoudre les problèmes de relations de production, tandis que l'IA s'attaque aux problèmes de productivité. Ces projets fournissent eux-mêmes des produits d'IA tout en s'appuyant sur un modèle économique Web3 en tant qu'outil de relations de production, les deux se complétant mutuellement. Nous classons ces projets dans la catégorie Web3-AI. Afin de permettre aux lecteurs de mieux comprendre la catégorie Web3-AI, nous allons présenter le processus de développement de l'IA et les défis associés, ainsi que la manière dont la combinaison de Web3 et de l'IA peut parfaitement résoudre des problèmes et créer de nouveaux cas d'application.

1.2 Le processus de développement de l'IA et ses défis : de la collecte de données à l'inférence du modèle

La technologie de l'IA est une technologie qui permet aux ordinateurs de simuler, d'étendre et d'améliorer l'intelligence humaine. Elle permet aux ordinateurs d'exécuter diverses tâches complexes, allant de la traduction de langues, de la classification d'images à la reconnaissance faciale et à la conduite autonome, l'IA transforme notre manière de vivre et de travailler.

Le processus de développement de modèles 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, développer un modèle pour réaliser la classification d'images de chats et de chiens, vous devez :

1. Collecte de données et prétraitement des données : Collecter un ensemble de données d'images contenant des chats et des chiens, en utilisant des ensembles de données publics ou en collectant des données réelles soi-même. Ensuite, annoter chaque image avec une catégorie (chat ou chien), en s'assurant que les étiquettes sont précises. Convertir les images en un format que le modèle peut reconnaître, puis diviser l'ensemble de données en ensemble d'entraînement, ensemble de validation et ensemble de test.

2. Sélection et ajustement du modèle : Choisir un modèle approprié, tel que le réseau de neurones convolutionnel (CNN), qui est particulièrement adapté aux tâches de classification d'images. Ajuster les paramètres ou l'architecture du modèle en fonction des besoins différents ; en général, la profondeur du réseau peut être ajustée en fonction de la complexité de la tâche d'IA. Dans cet exemple simple de classification, une profondeur de réseau plus faible peut suffire.

3. Entraînement du modèle : Vous pouvez utiliser un GPU, un TPU ou un cluster de calcul haute performance pour entraîner le modèle, le temps d'entraînement étant influencé par la complexité du modèle et la puissance de calcul.

4. 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 classifier de nouvelles données. Dans ce processus, un ensemble de test ou de nouvelles données peut être utilisé pour tester l'efficacité de classification du modèle, généralement évaluée à l'aide d'indicateurs tels que la précision, le rappel, et le score F1.

Comme montré sur l'image, après la collecte de données et le prétraitement des données, le choix et l'optimisation du modèle, et l'entraînement, le modèle entraîné sera utilisé pour faire des inférences sur l'ensemble de test, ce qui donnera les valeurs de prédiction P (probabilité) pour les chats et les chiens, c'est-à-dire la probabilité que le modèle infère qu'il s'agit d'un chat ou d'un chien.

Les modèles d'IA entraînés peuvent être intégrés dans diverses applications pour exécuter différentes tâches. Dans cet exemple, le modèle d'IA de classification des chats et des chiens peut être intégré dans une application mobile, où les utilisateurs téléchargent des images de chats ou de chiens et reçoivent les résultats de classification.

Cependant, le processus de développement de l'IA centralisée présente certains problèmes dans les scénarios suivants :

Confidentialité des utilisateurs : dans un scénario centralisé, le processus de développement de l'IA est généralement opaque. Les données des utilisateurs peuvent être volées à leur insu et utilisées pour l'entraînement de l'IA.

Obtention de la source de données : Les petites équipes ou les individus peuvent faire face à des restrictions sur l'ouverture des données lorsqu'ils cherchent à obtenir des données dans des domaines spécifiques (comme les données médicales).

Choix et réglage des modèles : Pour les petites équipes, il est difficile d'accéder à des ressources de modèles spécifiques ou de dépenser beaucoup d'argent pour le réglage des modèles.

Obtention de puissance de calcul : pour les développeurs individuels et les petites équipes, le coût d'achat élevé des GPU et les frais de location de puissance de calcul dans le cloud peuvent constituer un fardeau économique significatif.

Revenus des actifs 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 trouver des acheteurs en demande.

Les défis existants dans les scénarios d'IA centralisée peuvent être surmontés en les combinant avec le Web3. Le Web3, en tant que nouvelle forme de relations de production, s'adapte naturellement à l'IA qui représente une nouvelle productivité, permettant ainsi une avancée simultanée de la technologie et des capacités de production.

1.3 Web3 et l'effet de synergie avec l'IA : changement de rôle et applications innovantes

La combinaison de Web3 et de l'IA peut renforcer la souveraineté des utilisateurs, en leur offrant une plateforme de collaboration IA ouverte, permettant aux utilisateurs de passer de simples utilisateurs de l'IA à des participants, créant ainsi une IA qui appartient à tous. En même temps, la fusion du monde Web3 avec la technologie IA peut également générer davantage de scénarios d'application et de méthodes innovantes.

Grâce à la technologie Web3, le développement et l'application de l'IA entreront dans un tout nouveau système économique collaboratif. La vie privée des données des individus peut être protégée, le modèle de données en crowdsourcing favorise les progrès des modèles d'IA, de nombreuses ressources d'IA open source sont à la disposition des utilisateurs et la puissance de calcul partagée peut être obtenue à moindre coût. Grâce à un mécanisme de collaboration décentralisé et à un marché de l'IA ouvert, un système de distribution des revenus équitable peut être réalisé, incitant ainsi davantage de personnes à faire avancer la technologie de l'IA.

Dans le contexte de Web3, l'IA peut avoir un impact positif dans plusieurs domaines. Par exemple, les modèles d'IA peuvent être intégrés dans des contrats intelligents pour améliorer l'efficacité du travail dans 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 peut non seulement permettre aux utilisateurs de vivre le rôle d'"artiste", par exemple en utilisant des technologies d'IA pour créer leurs propres NFT, mais aussi créer des scènes de jeu variées et des expériences interactives intéressantes dans GameFi. Une infrastructure riche offre une expérience de développement fluide, que ce soit pour des experts en IA ou pour des novices souhaitant entrer dans le domaine de l'IA, chacun peut trouver une entrée appropriée dans ce monde.

Deux, interprétation de la carte et de l'architecture des projets écologiques Web3-AI

Nous avons principalement étudié 41 projets dans le domaine Web3-AI et avons classé ces projets en différents niveaux. La logique de classification de chaque niveau est illustrée dans le graphique ci-dessous, y compris le niveau d'infrastructure, le niveau intermédiaire et le niveau d'application, chaque niveau étant lui-même divisé 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 technologique qui soutiennent l'ensemble du cycle de vie de l'IA, tandis que la couche intermédiaire inclut la gestion des données, le développement de modèles et les services d'inférence de validation qui connectent l'infrastructure aux applications. La couche d'application se concentre sur les diverses applications et solutions directement destinées aux utilisateurs.

Couche d'infrastructure :

La couche d'infrastructure est la base du cycle de vie de l'IA. Cet article classifie la puissance de calcul, la chaîne AI et la plateforme de développement comme faisant partie de la couche d'infrastructure. C'est grâce au soutien de ces infrastructures que l'on peut réaliser l'entraînement et l'inférence des modèles d'IA, et présenter aux utilisateurs des applications IA puissantes et pratiques.

• Réseau de calcul décentralisé : peut fournir une puissance de calcul distribuée pour l'entraînement de modèles d'IA, garantissant une utilisation efficace et économique des ressources de calcul. Certains projets offrent un marché de puissance de calcul décentralisé, où les utilisateurs peuvent louer de la puissance de calcul à faible coût ou partager de la puissance de calcul pour obtenir des revenus, des projets représentatifs tels qu'IO.NET et Hyperbolic. De plus, certains projets ont donné naissance à de nouvelles méthodes, comme Compute Labs, qui propose un protocole tokenisé, permettant aux utilisateurs de participer 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 du cycle de vie de l'IA, permettant une interaction transparente entre les ressources IA on-chain et off-chain, et favorisant 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 fournit un cadre de développement IA ainsi que des outils de développement associés, avec des projets représentatifs comme Sahara IA. AI Chain peut également favoriser les progrès technologiques de l'IA dans différents domaines, comme Bittensor qui stimule la concurrence entre différents types de sous-réseaux grâce à un mécanisme d'incitation innovant.

• Plateforme de développement : certains projets offrent des plateformes de développement d'agents IA, permettant également le trading d'agents IA, comme Fetch.ai et ChainML. Des outils tout-en-un aident les développeurs à créer, entraîner et déployer plus facilement des modèles IA, représentés par des projets comme Nimble. Ces infrastructures favorisent l'application généralisée de la technologie IA 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 permettre une plus grande efficacité au travail.

• Données : La qualité et la quantité des données sont des facteurs clés qui influencent l'efficacité de l'entraînement des modèles. Dans le monde du Web3, l'optimisation de l'utilisation des ressources et la réduction des coûts des données peuvent être réalisées grâce à des données en crowdsourcing et à un traitement collaboratif des données. Les utilisateurs peuvent avoir un droit de propriété sur leurs données et les vendre dans le respect de la protection de la vie privée, afin d'éviter que des commerçants malveillants ne volent leurs données et ne réalisent des profits élevés. 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 collecter des données Web, xData recueille 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'effectuer des tâches de prétraitement des données, telles que l'annotation d'images et la classification des données. Ces tâches peuvent nécessiter une expertise dans le traitement des données financières et juridiques. Les utilisateurs peuvent tokeniser leurs compétences pour réaliser une collaboration en mode crowdsourcing sur le prétraitement des données. Des exemples incluent le marché AI de Sahara AI, qui propose des tâches de données dans différents domaines, couvrant divers scénarios de données ; tandis que le protocole AIT réalise l'annotation des données par le biais de la collaboration homme-machine.

• Modèle : Dans le processus de développement de l'IA mentionné précédemment, différents types de besoins nécessitent l'adéquation d'un modèle approprié. 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, pour les tâches textuelles, les modèles courants incluent RNN et Transformer, et bien sûr, il existe également certains grands modèles spécifiques ou généraux. La profondeur des modèles nécessaires pour des tâches de complexité différente varie également, et il peut parfois être nécessaire d'ajuster les modèles.

Certains projets permettent aux utilisateurs de fournir différents types de modèles ou de collaborer à l'entraînement de modèles par le biais de l'crowdsourcing, comme Sentient qui, 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 frameworks de calcul, tout en ayant la capacité d'entraînement collaboratif.

• Inférence et validation : Une fois que le modèle a été entraîné, il génère un fichier de poids du modèle, qui peut être utilisé pour effectuer directement 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 provenance du modèle d'inférence est correcte, s'il y a des comportements malveillants, etc. L'inférence Web3 peut généralement être intégrée dans des contrats intelligents, en appelant le modèle pour l'inférence, les méthodes de validation courantes incluent des technologies telles que ZKML, OPML et TEE. Des projets représentatifs comme l'oracle AI sur la chaîne ORA (OAO) ont introduit OPML comme couche vérifiable pour l'oracle AI, et leur site officiel mentionne également leurs recherches sur ZKML et opp/ai (ZKML combiné avec OPML).

Couche d'application :

Ce niveau est principalement constitué d'applications directement destinées aux utilisateurs, combinant l'IA avec le Web3 pour créer des expériences plus intéressantes et innovantes. Cet article passe en revue les projets dans plusieurs domaines, notamment AIGC (contenu généré par l'IA), agents IA et analyse de données.

• AIGC : Grâce à AIGC, il est possible de