Web3-AI : Analyse panoramique des technologies intégrées, des applications scénaristiques et une interprétation approfondie des projets de premier plan

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

Avec la montée continues du récit de l'IA, de plus en plus d'attention se concentre sur ce secteur. Une analyse approfondie de la logique technique, des cas d'application et des projets représentatifs du secteur Web3-AI a été réalisée, vous présentant ainsi un panorama complet et les tendances de développement de ce domaine.

Une, Web3-AI : analyse de la logique technique et des opportunités de marché émergentes

1.1 La logique de fusion entre Web3 et AI : comment définir le secteur Web-AI

Au cours de l'année écoulée, la narration par IA a connu un essor exceptionnel dans l'industrie Web3, avec des projets d'IA apparaissant comme des champignons après la pluie. Bien qu'il existe de nombreux projets impliquant la technologie IA, certains d'entre eux n'utilisent l'IA que dans certaines parties de leurs produits, et l'économie token sous-jacente n'a pas de lien substantiel avec les produits d'IA. Par conséquent, ces 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 résout les problèmes de productivité. Ces projets offrent des produits d'IA tout en s'appuyant sur un modèle économique Web3 comme 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, ainsi que la manière dont la combinaison de Web3 et de l'IA résout parfaitement les problèmes et crée de nouveaux scénarios d'application.

1.2 Le processus de développement de l'IA et ses défis : de la collecte des 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 linguistique, de la classification d'images à la reconnaissance faciale, à la conduite autonome, etc. 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 et prétraitement des données, sélection et optimisation du modèle, entraînement et inférence du modèle. Prenons un exemple simple, pour développer un modèle qui classe les images de chats et de chiens, vous aurez besoin de :

  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. Ensuite, étiquetez chaque image avec sa catégorie (chat ou chien), en vous assurant que les étiquettes sont précises. Convertissez les images dans un format que le modèle peut reconnaître et divisez l'ensemble de données en ensembles d'entraînement, de validation et de test.

  2. Choix et ajustement du modèle : sélectionnez un modèle approprié, tel que les réseaux de neurones convolutifs (CNN), qui conviennent mieux aux tâches de classification d'images. Ajustez les paramètres ou l'architecture du modèle en fonction des besoins différents, en général, la profondeur des couches du modèle peut être ajustée en fonction de la complexité de la tâche d'IA. Dans cet exemple simple de classification, une profondeur de réseau moins complexe peut suffire.

  3. Entraînement du modèle : il est possible d'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 capacité de calcul.

  4. Inférence du modèle : Les fichiers de modèle préalablement entraînés 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, un ensemble de test ou de nouvelles données peut être utilisé pour évaluer l'efficacité de la classification du modèle, généralement mesurée par des indicateurs tels que la précision, le rappel et le score F1.

Comme indiqué sur la figure, après la collecte de données, le prétraitement des données, la sélection et l'optimisation du modèle, et l'entraînement, l'inférence du modèle entraîné sur l'ensemble de test donnera des valeurs prédites pour les chats et les chiens P (probabilité), c'est-à-dire la probabilité que le modèle infère qu'il s'agit d'un chat ou d'un chien.

Web3-AI Panorama du rapport : analyse approfondie de la logique technique, des applications de scène et des projets de premier plan

Un modèle d'IA entraîné peut être intégré dans diverses applications pour accomplir différentes tâches. Dans cet exemple, un modèle d'IA de classification de chats et de chiens peut être intégré dans une application mobile, permettant aux utilisateurs de télécharger des images de chats ou de chiens et d'obtenir des résultats de classification.

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

Confidentialité des utilisateurs : dans un scénario de centralisation, 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 être confrontés à des restrictions de non-licence lors de l'obtention de données dans des domaines spécifiques (comme les données médicales).

Sélection et optimisation de modèles : pour les petites équipes, il est difficile d'obtenir des ressources de modèles spécifiques à un domaine ou de dépenser beaucoup de coûts pour optimiser les modèles.

Obtention de 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 représenter un fardeau économique significatif.

Revenus des actifs AI : 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 ont également du mal à correspondre aux acheteurs qui en ont besoin.

Les défis existant dans un scénario d'IA centralisée peuvent être surmontés par une combinaison avec le Web3. Le Web3, en tant que nouvelle relation 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 Les synergies entre Web3 et l'IA : changement de rôle et applications innovantes

La combinaison de Web3 et de l'IA peut renforcer la souveraineté des utilisateurs, en offrant une plateforme de collaboration IA ouverte, permettant aux utilisateurs de passer du statut d'utilisateurs d'IA de l'ère Web2 à celui de participants, créant une IA que tout le monde peut posséder. En même temps, la fusion du monde Web3 avec la technologie IA peut également donner lieu à davantage de scénarios d'application innovants et de nouvelles manières de jouer.

Basé sur la technologie Web3, le développement et l'application de l'IA entreront dans un tout nouveau système économique collaboratif. La confidentialité des données des utilisateurs peut être protégée, le modèle de crowdsourcing de données favorise l'avancement des modèles d'IA, de nombreuses ressources d'IA open source sont disponibles pour les utilisateurs, et la puissance de calcul partagée peut être obtenue à un coût réduit. Grâce à un mécanisme de collaboration décentralisé et à un marché de l'IA ouvert, un système de répartition des revenus équitable peut être mis en place, ce qui incitera davantage de personnes à contribuer à l'avancement de la technologie IA.

Dans le contexte de Web3, l'IA peut avoir un impact positif sur plusieurs secteurs. Par exemple, des modèles d'IA peuvent être intégrés dans des contrats intelligents pour améliorer l'efficacité du travail dans différents cas 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 diverses 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, tous peuvent 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 de Web3-AI et les avons classés en différents niveaux. La logique de classification de chaque niveau est illustrée dans l'image ci-dessous, comprenant la couche d'infrastructure, la couche intermédiaire et la couche d'application, chaque niveau étant divisé en différents secteurs. Dans le chapitre suivant, nous procéderons à une analyse approfondie de certains projets représentatifs.

Web3-AI Panorama Report : Analyse approfondie de la logique technique, des applications scénaristiques et des projets de pointe

La couche d'infrastructure couvre les ressources informatiques et l'architecture technique nécessaires au fonctionnement de 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 de raisonnement 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 classe la puissance de calcul, la chaîne IA et la plateforme de développement comme faisant partie de la couche d'infrastructure. C'est grâce à ces 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 proposent des marchés de puissance de calcul décentralisés, où les utilisateurs peuvent louer de la puissance de calcul à faible coût ou partager leur puissance de calcul pour obtenir des revenus, des projets représentatifs tels que IO.NET et Hyperbolic. De plus, certains projets ont dérivé de nouveaux modes de jeu, comme 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 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 blockchain 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 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, tels que 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 :

Cette couche concerne les données, les modèles et le raisonnement et la vérification de l'IA, et l'adoption de la technologie Web3 peut permettre une plus grande efficacité au travail.

  • Données : La qualité et la quantité des données sont des facteurs clés influençant l'efficacité de l'entraînement des modèles. Dans le monde de Web3, l'optimisation de l'utilisation des ressources et la réduction des coûts des données peuvent être réalisées grâce à des données collectées par crowdsourcing et à un traitement collaboratif des données. Les utilisateurs peuvent avoir le contrôle de leurs données et les vendre dans le respect de leur vie privée, afin d'éviter que leurs données ne soient volées par de mauvais commerçants et utilisées pour réaliser 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 extraire des données Web, xData collecte des informations médiatiques via des plugins conviviaux et prend en charge le téléchargement d'informations sur les tweets par les utilisateurs.

De plus, certaines plateformes permettent aux experts du domaine ou aux utilisateurs ordinaires d'effectuer des tâches de prétraitement des données, telles que l'étiquetage d'images et la classification des données, qui peuvent nécessiter des connaissances spécialisées pour le traitement des données financières et juridiques. Les utilisateurs peuvent tokeniser leurs compétences et réaliser une collaboration en crowdsourcing pour le prétraitement des données. Des représentants comme le marché AI de Sahara AI offrent des tâches de données dans différents domaines, couvrant divers scénarios de données ; tandis que le protocole AIT effectue l'étiquetage des données par une méthode de 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 de texte, des modèles tels que RNN, Transformer, etc. Bien sûr, il existe aussi certains grands modèles spécifiques ou génériques. La profondeur des modèles nécessaires varie également selon la complexité des tâches, et il est parfois nécessaire d'ajuster les modèles.

Certains projets permettent aux utilisateurs de fournir différents types de modèles ou de collaborer à l'entraînement des modèles par le biais de l'intelligence collective, comme Sentient qui, grâce à une conception 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, et possèdent la capacité d'entraînement collaboratif.

  • Raisonnement et vérification : après l'entraînement, le modèle génère un fichier de poids de modèle, qui peut être utilisé pour effectuer des classifications, des prévisions ou d'autres tâches spécifiques, ce processus est appelé raisonnement. Le processus de raisonnement est généralement accompagné d'un mécanisme de vérification, pour valider si la source du modèle de raisonnement est correcte, s'il y a des comportements malveillants, etc. Le raisonnement Web3 peut généralement être intégré dans des contrats intelligents en appelant le modèle pour le raisonnement, les méthodes de vérification courantes incluent des technologies telles que ZKML, OPML et TEE. Des projets représentatifs comme l'oracle AI en chaîne ORA (OAO) ont introduit OPML comme couche vérifiable pour l'oracle AI, et le site officiel d'ORA mentionne également leur recherche sur ZKML et opp/ai (ZKML combiné avec OPML).

Couche d'application :

Ce niveau est principalement une application directement destinée aux utilisateurs, combinant l'IA avec le Web3 pour créer des expériences plus intéressantes et innovantes. Cet article se concentre principalement sur les projets dans plusieurs domaines, notamment AIGC (contenu généré par IA), agents IA et analyse de données.

  • AIGC : grâce à AIGC, il est possible de s'étendre à
SAHARA6.9%
Voir l'original
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.
  • Récompense
  • 9
  • Partager
Commentaire
0/400
SerumSquirrelvip
· 07-15 20:34
La narration de la spéculation est vraiment incroyable, elle m'a encore fait prendre les gens pour des idiots.
Voir l'originalRépondre0
CryingOldWalletvip
· 07-15 20:19
Quand ce jeu de battage autour de l'IA prendra-t-il fin ?
Voir l'originalRépondre0
CoffeeOnChainvip
· 07-14 07:44
L'IA a créé beaucoup de bulles, il n'y a pas beaucoup de véritables compétences.
Voir l'originalRépondre0
MagicBeanvip
· 07-12 21:06
Au fond, ce n'est qu'une AI qui change de peau pour gagner de l'argent.
Voir l'originalRépondre0
TerraNeverForgetvip
· 07-12 21:03
Encore quelqu'un a fait des choses intéressantes, le projet de fête sait vraiment raconter des histoires.
Voir l'originalRépondre0
FancyResearchLabvip
· 07-12 21:00
Encore un concept de spéculation théorique.
Voir l'originalRépondre0
defi_detectivevip
· 07-12 20:55
Encore en train de faire du marketing conceptuel, n'est-ce pas ? Le faux feu aurait dû s'éteindre depuis longtemps.
Voir l'originalRépondre0
GasGuruvip
· 07-12 20:49
Voyons combien de temps cette vague de chaleur peut durer~
Voir l'originalRépondre0
RooftopReservervip
· 07-12 20:38
Jouer aux projets, c'est bien, mais ne soyez surtout pas aveuglément en train de buy the dip.
Voir l'originalRépondre0
Afficher plus
  • Épingler
Trader les cryptos partout et à tout moment
qrCode
Scan pour télécharger Gate app
Communauté
Français (Afrique)
  • 简体中文
  • English
  • Tiếng Việt
  • 繁體中文
  • Español
  • Русский
  • Français (Afrique)
  • Português (Portugal)
  • Bahasa Indonesia
  • 日本語
  • بالعربية
  • Українська
  • Português (Brasil)