Relatório panorâmico do setor Web3-AI: Análise profunda da lógica técnica, aplicações de cena e projetos de topo

Com o aquecimento contínuo da narrativa de IA, cada vez mais atenção está sendo focada neste setor. Realizamos uma análise aprofundada da lógica técnica, cenários de aplicação e projetos representativos do setor Web3-AI, apresentando-lhe uma visão abrangente e as tendências de desenvolvimento deste campo.

Um, Web3-AI: Análise da Lógica Tecnológica e Oportunidades de Mercado Emergentes

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

No último ano, a narrativa de IA tem sido extraordinariamente popular na indústria Web3, com projetos de IA surgindo como cogumelos depois da chuva. Embora haja muitos projetos que envolvem tecnologia de IA, alguns projetos usam IA apenas em certas partes de seus produtos, e a economia de tokens subjacente não tem uma relação substancial com os produtos de IA; portanto, esses tipos de projetos não são discutidos como projetos Web3-AI neste artigo.

O foco deste artigo está em usar a blockchain para resolver problemas de relações de produção, enquanto a IA resolve problemas de produtividade. Esses projetos oferecem produtos de IA e, ao mesmo tempo, baseiam-se em modelos econômicos Web3 como ferramentas de relações de produção, complementando-se mutuamente. Classificamos esses projetos como parte da categoria Web3-AI. Para que os leitores compreendam melhor a categoria Web3-AI, será apresentada uma introdução ao processo de desenvolvimento da IA e aos desafios, bem como a forma como a combinação entre Web3 e IA pode resolver problemas 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 aos computadores simular, expandir e melhorar a inteligência humana. Ela permite que os computadores executem uma variedade de tarefas complexas, desde tradução de linguagem, classificação de imagens até reconhecimento facial e aplicações de 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 modelos, treinamento e inferência de modelos. Para dar um exemplo simples, ao desenvolver um modelo para classificar imagens de gatos e cães, você precisará:

1. Coleta de dados e pré-processamento de dados: Coletar um conjunto de dados de imagens que contenham gatos e cães, podendo usar conjuntos de dados públicos ou coletar dados reais. Em seguida, rotular cada imagem com a categoria (gato ou cão), garantindo que as etiquetas sejam precisas. Converter as imagens para um formato que o modelo possa reconhecer, dividindo o conjunto de dados em conjunto de treino, conjunto de validação e conjunto de teste.

2. Seleção e ajuste do modelo: escolha um modelo adequado, como redes neurais convolucionais (CNN), que são mais apropriadas para tarefas de classificação de imagens. Ajuste os parâmetros ou a arquitetura do modelo de acordo com 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 camada mais rasa pode ser suficiente.

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

4. Inferência do modelo: O arquivo do modelo treinado é geralmente chamado de pesos do modelo, e o processo de inferência refere-se ao uso do modelo já treinado para prever ou classificar novos dados. Neste processo, pode-se utilizar um conjunto de testes ou novos dados para testar a eficácia da classificação do modelo, sendo normalmente utilizados indicadores como precisão, taxa de recuperação e F1-score para avaliar a eficácia do modelo.

Como mostrado na figura, após a coleta de dados e o pré-processamento dos dados, seleção e ajuste do modelo, e treinamento, a inferência do modelo treinado no conjunto de teste resultará nos valores de previsão P (probabilidade) para gatos e cães, ou seja, a probabilidade de o modelo inferir que é um gato ou um cão.

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 a uma aplicação móvel, onde os utilizadores podem enviar imagens de gatos ou cães e obter os resultados da 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 o seu conhecimento e utilizados para o treinamento da IA.

Obtenção de fontes de dados: Equipes pequenas ou indivíduos podem enfrentar limitações na obtenção de dados em áreas específicas (como dados médicos) quando esses dados não são de código aberto.

Seleção e ajuste de modelos: para pequenas equipes, é difícil obter recursos de modelos específicos ou gastar muito dinheiro em ajustes de modelos.

Obtenção de poder de cálculo: para desenvolvedores individuais e pequenas equipas, os elevados custos de compra de GPU e as taxas de aluguer de poder de cálculo em nuvem podem representar um fardo económico significativo.

Renda de ativos de IA: os trabalhadores de rotulagem de dados muitas vezes 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 forma de relação de produção, se adapta naturalmente à IA, que representa uma nova forma de força produtiva, promovendo assim o progresso simultâneo da tecnologia e da capacidade produtiva.

1.3 Web3 e a sinergia com a IA: mudanças de papel e aplicações inovadoras

A combinação de Web3 e IA pode reforçar a soberania do usuário, oferecendo uma plataforma de colaboração em IA aberta, permitindo que os usuários passem de meros utilizadores de IA da era Web2 a participantes, criando uma IA que todos podem possuir. Ao mesmo tempo, a fusão do mundo Web3 com a tecnologia IA pode gerar mais cenários de aplicação e formas inovadoras.

Baseada 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, enquanto o modelo de crowdsourcing de dados promove o avanço dos modelos de IA. Muitos recursos de IA de código aberto estarão disponíveis para os usuários, e o poder computacional compartilhado pode ser adquirido a um custo reduzido. Com a ajuda de mecanismos de colaboração descentralizada 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 em contratos inteligentes, aumentando 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", criando seus próprios NFTs com tecnologia de IA, mas também pode criar cenários de jogos diversificados e interações interessantes no GameFi. Uma infraestrutura rica proporciona uma experiência de desenvolvimento fluida, permitindo que tanto especialistas em IA quanto novatos que desejam entrar na área da IA encontrem uma entrada adequada neste mundo.

Dois, Interpretação do Mapa e da Arquitetura do Projeto Ecossistema Web3-AI

Nós estudamos principalmente 41 projetos na área do Web3-AI e classificamos esses projetos em diferentes níveis. A lógica de divisão de cada nível está ilustrada na imagem abaixo, incluindo a camada de infraestrutura, a camada intermediária e a camada de aplicação, cada uma dividida em diferentes seções. 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 execução de todo o ciclo de vida da IA, a camada intermediária inclui a gestão de dados, desenvolvimento de modelos e serviços de validação de inferências que conectam a infraestrutura às aplicações, enquanto a camada de aplicação se concentra em várias aplicações e soluções diretamente voltadas para o usuário.

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 o suporte dessas infraestruturas que torna possível 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 eficiente e econômica de recursos computacionais. Alguns projetos oferecem um mercado de poder computacional descentralizado, onde os usuários podem alugar poder computacional a baixo custo ou compartilhar poder computacional para obter lucros, representados por projetos como IO.NET e Hyperbolic. Além disso, alguns projetos derivaram novas formas de interação, como Compute Labs, que propôs um protocolo tokenizado, permitindo que os usuários participem do aluguel de poder computacional 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 na cadeia e fora dela, promovendo o desenvolvimento do ecossistema da indústria. O mercado descentralizado de IA na cadeia pode negociar ativos de IA como dados, modelos, agentes, etc., e fornecer uma estrutura de desenvolvimento de IA e ferramentas de desenvolvimento complementares, representado por projetos como Sahara AI. AI Chain também pode promover o avanço das tecnologias de IA em diferentes áreas, como o Bittensor, que promove a competição entre sub-redes de diferentes tipos de IA através de um mecanismo inovador de incentivos para sub-redes.

• 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 tudo-em-um ajudam os desenvolvedores a criar, treinar e implementar modelos de IA de forma mais conveniente, representados por projetos como Nimble. Esta infraestrutura promove a aplicação ampla da tecnologia de IA no ecossistema Web3.

Camada intermédia:

Esta camada envolve dados de IA, modelos, bem como raciocínio e validação, e a utilização da tecnologia Web3 pode alcançar uma maior profundidade de eficiência no 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 de crowdsourcing e processamento colaborativo de dados, é possível otimizar a utilização de recursos e reduzir os custos de dados. Os usuários podem ter autonomia sobre seus dados, vendendo suas informações de forma a proteger a privacidade, evitando que dados sejam roubados e explorados para lucros elevados por comerciantes mal-intencionados. Para os demandantes de dados, essas plataformas oferecem uma ampla gama de opções e custos muito baixos. Projetos representativos como Grass utilizam a largura de banda dos usuários para coletar dados da Web, xData coleta informações de mídia através de plugins amigáveis ao usuário e permite que os usuários enviem informações de tweets.

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 o processamento de dados em tarefas financeiras e jurídicas que necessitam de conhecimentos especializados. Os usuários podem tokenizar suas habilidades, possibilitando a colaboração em um modelo de crowdsourcing para o pré-processamento de dados. Exemplos incluem o mercado de IA Sahara AI, que tem tarefas de dados em diferentes domínios e pode cobrir cenários de dados multidisciplinares; enquanto o AIT Protocol realiza rotulagem de dados por meio de uma abordagem de colaboração homem-máquina.

• Modelo: No processo de desenvolvimento de IA mencionado anteriormente, diferentes tipos de necessidades exigem a correspondência com modelos adequados. Modelos frequentemente utilizados em tarefas de imagem incluem CNN e GAN, para tarefas de detecção de objetos pode-se optar pela série Yolo, para tarefas de texto, modelos comuns incluem RNN e Transformer, e claro, existem também 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 na camada de distribuição para a otimização de modelos. As ferramentas de desenvolvimento fornecidas pela Sahara AI incorporam algoritmos de IA avançados e frameworks de computação, e possuem a capacidade de treinamento colaborativo.

• Inferência e validação: Após o treinamento, o modelo gera arquivos de pesos do modelo, que podem ser usados diretamente para classificação, previsão ou outras tarefas específicas, esse processo é chamado de inferência. O processo de inferência geralmente é acompanhado por mecanismos de validação, para verificar se a origem do modelo de inferência está correta, se há comportamentos maliciosos, etc. A inferência no Web3 geralmente 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 AI na cadeia ORA (OAO), introduziram o OPML como uma camada verificável para o oráculo AI, e o site oficial da ORA também menciona suas pesquisas sobre ZKML e opp/ai (ZKML combinando OPML).

Camada de Aplicação:

Esta camada é principalmente um aplicativo voltado diretamente para o usuário, combinando IA com Web3, criando maneiras mais interessantes e inovadoras de jogar. Este artigo aborda principalmente os projetos nos segmentos de AIGC (Conteúdo Gerado por IA), Agentes de IA e Análise de Dados.

• AIGC: Através do AIGC pode