Панорамный отчет по Web3-AI: техническая логика, сценарные приложения и глубокий анализ ведущих проектов
С ростом интереса к AI-нарративам всё больше внимания сосредоточено на этой области. Мы провели глубокий анализ технической логики, сценариев применения и представительных проектов в области Web3-AI, чтобы全面 представить панораму и тенденции развития в этой сфере.
Один, Web3-AI: анализ технологической логики и новых рыночных возможностей
1.1 Логика интеграции Web3 и ИИ: как определить поле Web-AI
В прошлом году AI-нарратив был необычайно популярен в индустрии Web3, и AI-проекты возникали, как грибы после дождя. Хотя существует множество проектов, связанных с технологиями AI, некоторые из них используют AI лишь в определённых частях своих продуктов, при этом базовая токеномика не имеет существенной связи с AI-продуктами, поэтому такие проекты не рассматриваются в данной статье как Web3-AI проекты.
Основное внимание в этой статье уделяется проектам, которые используют блокчейн для решения проблем производственных отношений и AI для решения проблем производительных сил. Эти проекты сами по себе предоставляют AI-продукты и одновременно основаны на экономической модели Web3 в качестве инструмента производственных отношений, которые взаимно дополняют друг друга. Мы классифицируем такие проекты как сектор Web3-AI. Чтобы читатели лучше поняли сектор Web3-AI, будет подробно описан процесс разработки AI и возникающие проблемы, а также то, как сочетание Web3 и AI идеально решает проблемы и создает новые сценарии применения.
1.2 Процесс разработки ИИ и вызовы: от сбора данных до вывода модели
Технология ИИ — это технология, позволяющая компьютерам моделировать, расширять и улучшать человеческий интеллект. Она позволяет компьютерам выполнять различные сложные задачи, от перевода языков, классификации изображений до распознавания лиц и автономного вождения. ИИ меняет наши способы жизни и работы.
Процесс разработки моделей искусственного интеллекта обычно включает в себя несколько ключевых этапов: сбор данных и предварительная обработка данных, выбор и настройка модели, обучение модели и вывод. Приведем простой пример: для разработки модели, которая будет классифицировать изображения кошек и собак, вам нужно:
Сбор данных и предварительная обработка данных: соберите набор изображений, содержащий кошек и собак, можно использовать открытые наборы данных или самостоятельно собрать реальные данные. Затем для каждого изображения укажите категорию ( кошка или собака ), убедитесь, что метки точны. Преобразуйте изображения в формат, который может распознать модель, разделите набор данных на обучающую выборку, валидационную выборку и тестовую выборку.
Выбор и настройка модели: выберите подходящую модель, например, сверточную нейронную сеть (CNN), которая лучше всего подходит для задач классификации изображений. Настройте параметры модели или архитектуру в зависимости от различных потребностей, как правило, уровень сети модели может быть откорректирован в зависимости от сложности задачи ИИ. В этом простом примере классификации может быть достаточно более поверхностного уровня сети.
Обучение модели: можно использовать GPU, TPU или высокопроизводительные вычислительные кластеры для обучения модели, время обучения зависит от сложности модели и вычислительной мощности.
Модельное вывлечение: Файлы, в которых обучена модель, обычно называются весами модели. Процесс вывода подразумевает использование уже обученной модели для прогнозирования или классификации новых данных. В этом процессе можно использовать тестовый набор или новые данные для проверки эффективности классификации модели, обычно для оценки эффективности модели используются такие показатели, как точность, полнота, F1-меры и т.д.
Как показано на рисунке, после сбора данных и предварительной обработки данных, выбора и настройки модели, а также обучения, применение обученной модели на тестовом наборе данных даст значение предсказания для кошек и собак P(вероятность), то есть вероятность того, что модель делает вывод о том, что это кошка или собака.
Обученные модели ИИ могут быть дополнительно интегрированы в различные приложения для выполнения разных задач. В этом примере модель ИИ для классификации кошек и собак может быть интегрирована в мобильное приложение, где пользователи загружают изображения кошек или собак и получают результаты классификации.
Однако централизованный процесс разработки ИИ сталкивается с некоторыми проблемами в следующих сценариях:
Конфиденциальность пользователей: в централизованных сценариях процесс разработки ИИ обычно непрозрачен. Данные пользователей могут быть украдены без их ведома и использованы для обучения ИИ.
Получение источников данных: небольшие команды или индивидуумы, получающие данные в определенных областях, таких как медицинские данные (, могут столкнуться с ограничениями в доступности открытых данных.
Выбор и настройка модели: для небольших команд трудно получить ресурсы модели в определенной области или потратить значительные средства на настройку модели.
Получение вычислительной мощности: для индивидуальных разработчиков и небольших команд высокие затраты на покупку GPU и аренду облачной вычислительной мощности могут стать значительным экономическим бременем.
AI-активы: работники по аннотированию данных часто не могут получить доход, соответствующий их усилиям, а результаты исследований разработчиков ИИ также трудно сопоставить с покупателями, имеющими потребность.
Вызовы, существующие в централизованных AI-сценариях, могут быть преодолены за счет сочетания с Web3. Web3, как новая форма производственных отношений, естественным образом адаптируется к AI, представляющему новую производительную силу, тем самым способствуя одновременному прогрессу технологий и производственных возможностей.
) 1.3 Синергия Web3 и ИИ: изменение ролей и инновационные приложения
Сочетание Web3 и ИИ может усилить суверенитет пользователей, предоставляя открытые платформы для сотрудничества с ИИ, позволяя пользователям перейти от роли пользователей ИИ в эпоху Web2 к участникам, создавая ИИ, которым могут владеть все. В то же время, интеграция мира Web3 и технологий ИИ может привести к появлению большего количества инновационных приложений и способов использования.
На основе технологий Web3 разработка и применение ИИ встретят совершенно новую систему кооперативной экономики. Конфиденциальность данных людей может быть защищена, модель краудсорсинга данных способствует прогрессу ИИ-моделей, множество открытых ресурсов ИИ доступны для пользователей, а совместно используемая вычислительная мощность может быть получена по более низкой цене. С помощью децентрализованного механизма кооперативного краудсорсинга и открытого рынка ИИ можно реализовать справедливую систему распределения доходов, что, в свою очередь, будет стимулировать больше людей к продвижению прогресса технологий ИИ.
В сценарии Web3 ИИ может оказать положительное влияние в нескольких областях. Например, модели ИИ могут быть интегрированы в смарт-контракты для повышения эффективности работы в различных приложениях, таких как рыночный анализ, безопасность и социальная кластеризация и другие функции. Генеративный ИИ не только позволяет пользователям испытать роль "художника", например, создавая свои собственные NFT с помощью технологий ИИ, но и создает разнообразные игровые сценарии и интересные взаимодействия в GameFi. Богатая инфраструктура обеспечивает плавный опыт разработки, как для экспертов в области ИИ, так и для новичков, желающих войти в эту сферу.
Два, интерпретация карты и архитектуры проектов экосистемы Web3-AI
Мы в основном исследовали 41 проект в области Web3-AI и разделили эти проекты на разные уровни. Логика разделения каждого уровня показана на следующем рисунке и включает уровень инфраструктуры, промежуточный уровень и уровень приложений, каждый из которых также разделен на разные секции. В следующей главе мы проведем глубокий анализ некоторых представительных проектов.
![Обзор пейзажа Web3-AI: техническая логика, сценарные применения и глубокий анализ топовых проектов]###https://img-cdn.gateio.im/webp-social/moments-c10336df2eaf71062b92590bb9d80a4c.webp(
Уровень инфраструктуры охватывает вычислительные ресурсы и техническую архитектуру, поддерживающие работу всего жизненного цикла ИИ, уровень посредников включает в себя управление данными, разработку моделей и услуги валидации вывода, соединяющие инфраструктуру и приложения, а уровень приложений сосредоточен на различных приложениях и решениях, ориентированных непосредственно на пользователя.
Инфраструктурный уровень:
Инфраструктурный уровень является основой жизненного цикла ИИ. В этой статье вычислительная мощность, AI Chain и платформы разработки классифицируются как инфраструктурный уровень. Именно благодаря поддержке этих инфраструктур возможно обучение и вывод ИИ моделей, а также предоставление мощных и практичных ИИ приложений пользователям.
Децентрализованная вычислительная сеть: может предоставить распределенные вычислительные мощности для обучения AI-моделей, обеспечивая эффективное и экономичное использование вычислительных ресурсов. Некоторые проекты предлагают децентрализованный рынок вычислительных мощностей, где пользователи могут арендовать мощности по низкой цене или делиться мощностями для получения дохода, такие как IO.NET и Hyperbolic. Кроме того, некоторые проекты создали новые способы использования, такие как Compute Labs, которые предложили токенизированный протокол, позволяющий пользователям участвовать в аренде вычислительных мощностей различными способами, покупая NFT, представляющие физические GPU.
AI Chain: Использование блокчейна в качестве основы для жизненного цикла ИИ, что обеспечивает бесшовное взаимодействие ИИ-ресурсов на цепочке и вне ее, способствуя развитию отраслевой экосистемы. Децентрализованный рынок ИИ на цепочке может торговать ИИ-активами, такими как данные, модели, агенты и т. д., и предоставляет рамки для разработки ИИ и сопутствующие инструменты разработки, примеры проектов, такие как Sahara AI. AI Chain также может способствовать прогрессу технологий ИИ в различных областях, например, Bittensor, который стимулирует конкуренцию между подсетями различных типов ИИ с помощью инновационного механизма стимулов для подсетей.
Платформа разработки: некоторые проекты предлагают платформы для разработки AI-агентов, а также могут реализовывать торговлю AI-агентами, такие как Fetch.ai и ChainML. Удобные инструменты помогают разработчикам легче создавать, обучать и развертывать AI-модели, такие как Nimble. Эта инфраструктура способствует широкому применению технологий AI в экосистеме Web3.
Промежуточный уровень:
Этот уровень касается данных AI, моделей, а также вывода и верификации, использование технологий Web3 может обеспечить более высокую рабочую эффективность.
Данные: Качество и количество данных являются ключевыми факторами, влияющими на эффективность обучения модели. В мире Web3, с помощью краудсорсинга данных и совместной обработки данных, можно оптимизировать использование ресурсов и снизить стоимость данных. Пользователи могут обладать автономией над данными, продавая свои данные в условиях защиты конфиденциальности, чтобы избежать их кражи и получения высокой прибыли недобросовестными компаниями. Для сторон, нуждающихся в данных, эти платформы предлагают широкий выбор и очень низкие затраты. Примеры проектов, таких как Grass, используют пропускную способность пользователей для сбора данных из Интернета, xData собирает информацию о медиа через удобные плагины и поддерживает возможность загрузки твитов пользователями.
Кроме того, некоторые платформы позволяют экспертам в области или обычным пользователям выполнять задачи предварительной обработки данных, такие как аннотирование изображений и классификация данных. Эти задачи могут требовать профессиональных знаний в области финансов и юриспруденции, пользователь может токенизировать свои навыки и реализовать совместное краудсорсинг предварительной обработки данных. Рынок AI, представленный такими платформами, как Sahara AI, имеет различные задачи с данными в разных областях, что позволяет охватить многообразные сценарии работы с данными; в то время как AIT Protocol осуществляет аннотирование данных с помощью совместной работы человека и машины.
Модель: В процессе разработки ИИ, о котором упоминалось ранее, различные типы потребностей требуют соответствующих моделей. Для задач обработки изображений часто используются такие модели, как CNN и GAN, для задач обнаружения объектов можно выбрать серию Yolo, а для текстовых задач распространены модели RNN и Transformer, конечно, существуют также некоторые специфические или универсальные большие модели. Модели с различной глубиной необходимы для задач различной сложности, иногда требуется настройка модели.
Некоторые проекты поддерживают пользователей, предоставляющих различные типы моделей или сотрудничество в обучении моделей через краудсорсинг, такие как Sentient, который с помощью модульного дизайна позволяет пользователям помещать надежные данные моделей на уровне хранения и распределения для оптимизации моделей. Инструменты разработки, предоставляемые Sahara AI, встроены с современными AI-алгоритмами и вычислительными фреймворками, а также имеют возможность совместного обучения.
Вывод и верификация: после обучения модель генерирует файл весов модели, который можно использовать для классификации, прогнозирования или других специфических задач, этот процесс называется выводом. Процесс вывода обычно сопровождается механизмом верификации, чтобы проверить, правильный ли источник модели вывода, есть ли злонамеренные действия и т.д. Вывод в Web3 обычно можно интегрировать в смарт-контракты, вызывая модель для вывода; распространенные методы верификации включают технологии ZKML, OPML и TEE. Примером проекта является AI-оракул на цепи ORA )OAO(, который ввел OPML в качестве проверяемого уровня для AI-оракула; на официальном сайте ORA также упоминается их исследование о сочетании ZKML и opp/ai) ZKML с OPML(.
Прикладной уровень:
Этот уровень в первую очередь представляет собой приложения, ориентированные на пользователя, которые объединяют ИИ и Web3, создавая больше интересных и инновационных игровых механик. В данной статье в основном рассматриваются проекты в нескольких областях: AIGC), Сгенерированный ИИ-контент(, ИИ-агенты и анализ данных.
AIGC: С помощью AIGC можно расширить возможности в Web3, включая NFT, игры и другие направления. Пользователи могут напрямую генерировать текст, изображения и аудио по подсказкам, предоставленным пользователем через Prompt), а также создавать пользовательский игровой процесс в зависимости от своих предпочтений. NFT проекты, такие как NFPrompt, позволяют пользователям генерировать NFT с помощью ИИ для торговли на рынке; игры, такие как Sleepless, позволяют пользователям формировать характер виртуального партнёра через диалог, чтобы соответствовать своим предпочтениям.
AI-агент: это искусственный интеллект, способный самостоятельно выполнять задачи и принимать решения. AI-агенты обычно обладают способностями к восприятию, рассуждению, обучению и действию, могут выполнять сложные задачи в различных средах. Распространенные AI-агенты включают языковой перевод и изучение языка.
На этой странице может содержаться сторонний контент, который предоставляется исключительно в информационных целях (не в качестве заявлений/гарантий) и не должен рассматриваться как поддержка взглядов компании Gate или как финансовый или профессиональный совет. Подробности смотрите в разделе «Отказ от ответственности» .
11 Лайков
Награда
11
4
Поделиться
комментарий
0/400
SillyWhale
· 10ч назад
Нарратив, нарратив. Все заняты нарративом.
Посмотреть ОригиналОтветить0
0xSleepDeprived
· 10ч назад
Снова разжигают хайп вокруг ИИ, уже жарили его до такой степени?
Посмотреть ОригиналОтветить0
StablecoinEnjoyer
· 10ч назад
Снова пришли спекулировать на концепциях, чтобы заработать на неудачниках. Кто ловит падающий нож в этот раз?
Web3-AI трек в панораме: от технической логики до глубинного анализа топовых проектов
Панорамный отчет по Web3-AI: техническая логика, сценарные приложения и глубокий анализ ведущих проектов
С ростом интереса к AI-нарративам всё больше внимания сосредоточено на этой области. Мы провели глубокий анализ технической логики, сценариев применения и представительных проектов в области Web3-AI, чтобы全面 представить панораму и тенденции развития в этой сфере.
Один, Web3-AI: анализ технологической логики и новых рыночных возможностей
1.1 Логика интеграции Web3 и ИИ: как определить поле Web-AI
В прошлом году AI-нарратив был необычайно популярен в индустрии Web3, и AI-проекты возникали, как грибы после дождя. Хотя существует множество проектов, связанных с технологиями AI, некоторые из них используют AI лишь в определённых частях своих продуктов, при этом базовая токеномика не имеет существенной связи с AI-продуктами, поэтому такие проекты не рассматриваются в данной статье как Web3-AI проекты.
Основное внимание в этой статье уделяется проектам, которые используют блокчейн для решения проблем производственных отношений и AI для решения проблем производительных сил. Эти проекты сами по себе предоставляют AI-продукты и одновременно основаны на экономической модели Web3 в качестве инструмента производственных отношений, которые взаимно дополняют друг друга. Мы классифицируем такие проекты как сектор Web3-AI. Чтобы читатели лучше поняли сектор Web3-AI, будет подробно описан процесс разработки AI и возникающие проблемы, а также то, как сочетание Web3 и AI идеально решает проблемы и создает новые сценарии применения.
1.2 Процесс разработки ИИ и вызовы: от сбора данных до вывода модели
Технология ИИ — это технология, позволяющая компьютерам моделировать, расширять и улучшать человеческий интеллект. Она позволяет компьютерам выполнять различные сложные задачи, от перевода языков, классификации изображений до распознавания лиц и автономного вождения. ИИ меняет наши способы жизни и работы.
Процесс разработки моделей искусственного интеллекта обычно включает в себя несколько ключевых этапов: сбор данных и предварительная обработка данных, выбор и настройка модели, обучение модели и вывод. Приведем простой пример: для разработки модели, которая будет классифицировать изображения кошек и собак, вам нужно:
Сбор данных и предварительная обработка данных: соберите набор изображений, содержащий кошек и собак, можно использовать открытые наборы данных или самостоятельно собрать реальные данные. Затем для каждого изображения укажите категорию ( кошка или собака ), убедитесь, что метки точны. Преобразуйте изображения в формат, который может распознать модель, разделите набор данных на обучающую выборку, валидационную выборку и тестовую выборку.
Выбор и настройка модели: выберите подходящую модель, например, сверточную нейронную сеть (CNN), которая лучше всего подходит для задач классификации изображений. Настройте параметры модели или архитектуру в зависимости от различных потребностей, как правило, уровень сети модели может быть откорректирован в зависимости от сложности задачи ИИ. В этом простом примере классификации может быть достаточно более поверхностного уровня сети.
Обучение модели: можно использовать GPU, TPU или высокопроизводительные вычислительные кластеры для обучения модели, время обучения зависит от сложности модели и вычислительной мощности.
Модельное вывлечение: Файлы, в которых обучена модель, обычно называются весами модели. Процесс вывода подразумевает использование уже обученной модели для прогнозирования или классификации новых данных. В этом процессе можно использовать тестовый набор или новые данные для проверки эффективности классификации модели, обычно для оценки эффективности модели используются такие показатели, как точность, полнота, F1-меры и т.д.
Как показано на рисунке, после сбора данных и предварительной обработки данных, выбора и настройки модели, а также обучения, применение обученной модели на тестовом наборе данных даст значение предсказания для кошек и собак P(вероятность), то есть вероятность того, что модель делает вывод о том, что это кошка или собака.
Обученные модели ИИ могут быть дополнительно интегрированы в различные приложения для выполнения разных задач. В этом примере модель ИИ для классификации кошек и собак может быть интегрирована в мобильное приложение, где пользователи загружают изображения кошек или собак и получают результаты классификации.
Однако централизованный процесс разработки ИИ сталкивается с некоторыми проблемами в следующих сценариях:
Конфиденциальность пользователей: в централизованных сценариях процесс разработки ИИ обычно непрозрачен. Данные пользователей могут быть украдены без их ведома и использованы для обучения ИИ.
Получение источников данных: небольшие команды или индивидуумы, получающие данные в определенных областях, таких как медицинские данные (, могут столкнуться с ограничениями в доступности открытых данных.
Выбор и настройка модели: для небольших команд трудно получить ресурсы модели в определенной области или потратить значительные средства на настройку модели.
Получение вычислительной мощности: для индивидуальных разработчиков и небольших команд высокие затраты на покупку GPU и аренду облачной вычислительной мощности могут стать значительным экономическим бременем.
AI-активы: работники по аннотированию данных часто не могут получить доход, соответствующий их усилиям, а результаты исследований разработчиков ИИ также трудно сопоставить с покупателями, имеющими потребность.
Вызовы, существующие в централизованных AI-сценариях, могут быть преодолены за счет сочетания с Web3. Web3, как новая форма производственных отношений, естественным образом адаптируется к AI, представляющему новую производительную силу, тем самым способствуя одновременному прогрессу технологий и производственных возможностей.
) 1.3 Синергия Web3 и ИИ: изменение ролей и инновационные приложения
Сочетание Web3 и ИИ может усилить суверенитет пользователей, предоставляя открытые платформы для сотрудничества с ИИ, позволяя пользователям перейти от роли пользователей ИИ в эпоху Web2 к участникам, создавая ИИ, которым могут владеть все. В то же время, интеграция мира Web3 и технологий ИИ может привести к появлению большего количества инновационных приложений и способов использования.
На основе технологий Web3 разработка и применение ИИ встретят совершенно новую систему кооперативной экономики. Конфиденциальность данных людей может быть защищена, модель краудсорсинга данных способствует прогрессу ИИ-моделей, множество открытых ресурсов ИИ доступны для пользователей, а совместно используемая вычислительная мощность может быть получена по более низкой цене. С помощью децентрализованного механизма кооперативного краудсорсинга и открытого рынка ИИ можно реализовать справедливую систему распределения доходов, что, в свою очередь, будет стимулировать больше людей к продвижению прогресса технологий ИИ.
В сценарии Web3 ИИ может оказать положительное влияние в нескольких областях. Например, модели ИИ могут быть интегрированы в смарт-контракты для повышения эффективности работы в различных приложениях, таких как рыночный анализ, безопасность и социальная кластеризация и другие функции. Генеративный ИИ не только позволяет пользователям испытать роль "художника", например, создавая свои собственные NFT с помощью технологий ИИ, но и создает разнообразные игровые сценарии и интересные взаимодействия в GameFi. Богатая инфраструктура обеспечивает плавный опыт разработки, как для экспертов в области ИИ, так и для новичков, желающих войти в эту сферу.
Два, интерпретация карты и архитектуры проектов экосистемы Web3-AI
Мы в основном исследовали 41 проект в области Web3-AI и разделили эти проекты на разные уровни. Логика разделения каждого уровня показана на следующем рисунке и включает уровень инфраструктуры, промежуточный уровень и уровень приложений, каждый из которых также разделен на разные секции. В следующей главе мы проведем глубокий анализ некоторых представительных проектов.
![Обзор пейзажа Web3-AI: техническая логика, сценарные применения и глубокий анализ топовых проектов]###https://img-cdn.gateio.im/webp-social/moments-c10336df2eaf71062b92590bb9d80a4c.webp(
Уровень инфраструктуры охватывает вычислительные ресурсы и техническую архитектуру, поддерживающие работу всего жизненного цикла ИИ, уровень посредников включает в себя управление данными, разработку моделей и услуги валидации вывода, соединяющие инфраструктуру и приложения, а уровень приложений сосредоточен на различных приложениях и решениях, ориентированных непосредственно на пользователя.
Инфраструктурный уровень:
Инфраструктурный уровень является основой жизненного цикла ИИ. В этой статье вычислительная мощность, AI Chain и платформы разработки классифицируются как инфраструктурный уровень. Именно благодаря поддержке этих инфраструктур возможно обучение и вывод ИИ моделей, а также предоставление мощных и практичных ИИ приложений пользователям.
Децентрализованная вычислительная сеть: может предоставить распределенные вычислительные мощности для обучения AI-моделей, обеспечивая эффективное и экономичное использование вычислительных ресурсов. Некоторые проекты предлагают децентрализованный рынок вычислительных мощностей, где пользователи могут арендовать мощности по низкой цене или делиться мощностями для получения дохода, такие как IO.NET и Hyperbolic. Кроме того, некоторые проекты создали новые способы использования, такие как Compute Labs, которые предложили токенизированный протокол, позволяющий пользователям участвовать в аренде вычислительных мощностей различными способами, покупая NFT, представляющие физические GPU.
AI Chain: Использование блокчейна в качестве основы для жизненного цикла ИИ, что обеспечивает бесшовное взаимодействие ИИ-ресурсов на цепочке и вне ее, способствуя развитию отраслевой экосистемы. Децентрализованный рынок ИИ на цепочке может торговать ИИ-активами, такими как данные, модели, агенты и т. д., и предоставляет рамки для разработки ИИ и сопутствующие инструменты разработки, примеры проектов, такие как Sahara AI. AI Chain также может способствовать прогрессу технологий ИИ в различных областях, например, Bittensor, который стимулирует конкуренцию между подсетями различных типов ИИ с помощью инновационного механизма стимулов для подсетей.
Платформа разработки: некоторые проекты предлагают платформы для разработки AI-агентов, а также могут реализовывать торговлю AI-агентами, такие как Fetch.ai и ChainML. Удобные инструменты помогают разработчикам легче создавать, обучать и развертывать AI-модели, такие как Nimble. Эта инфраструктура способствует широкому применению технологий AI в экосистеме Web3.
Промежуточный уровень:
Этот уровень касается данных AI, моделей, а также вывода и верификации, использование технологий Web3 может обеспечить более высокую рабочую эффективность.
Кроме того, некоторые платформы позволяют экспертам в области или обычным пользователям выполнять задачи предварительной обработки данных, такие как аннотирование изображений и классификация данных. Эти задачи могут требовать профессиональных знаний в области финансов и юриспруденции, пользователь может токенизировать свои навыки и реализовать совместное краудсорсинг предварительной обработки данных. Рынок AI, представленный такими платформами, как Sahara AI, имеет различные задачи с данными в разных областях, что позволяет охватить многообразные сценарии работы с данными; в то время как AIT Protocol осуществляет аннотирование данных с помощью совместной работы человека и машины.
Некоторые проекты поддерживают пользователей, предоставляющих различные типы моделей или сотрудничество в обучении моделей через краудсорсинг, такие как Sentient, который с помощью модульного дизайна позволяет пользователям помещать надежные данные моделей на уровне хранения и распределения для оптимизации моделей. Инструменты разработки, предоставляемые Sahara AI, встроены с современными AI-алгоритмами и вычислительными фреймворками, а также имеют возможность совместного обучения.
Прикладной уровень:
Этот уровень в первую очередь представляет собой приложения, ориентированные на пользователя, которые объединяют ИИ и Web3, создавая больше интересных и инновационных игровых механик. В данной статье в основном рассматриваются проекты в нескольких областях: AIGC), Сгенерированный ИИ-контент(, ИИ-агенты и анализ данных.
AIGC: С помощью AIGC можно расширить возможности в Web3, включая NFT, игры и другие направления. Пользователи могут напрямую генерировать текст, изображения и аудио по подсказкам, предоставленным пользователем через Prompt), а также создавать пользовательский игровой процесс в зависимости от своих предпочтений. NFT проекты, такие как NFPrompt, позволяют пользователям генерировать NFT с помощью ИИ для торговли на рынке; игры, такие как Sleepless, позволяют пользователям формировать характер виртуального партнёра через диалог, чтобы соответствовать своим предпочтениям.
AI-агент: это искусственный интеллект, способный самостоятельно выполнять задачи и принимать решения. AI-агенты обычно обладают способностями к восприятию, рассуждению, обучению и действию, могут выполнять сложные задачи в различных средах. Распространенные AI-агенты включают языковой перевод и изучение языка.