Análise panorâmica do Web3-AI: fusão de tecnologias, aplicações em cenários e interpretação aprofundada de projetos de topo

Relatório Panorama do Setor Web3-AI: Análise Profunda da Lógica Técnica, Aplicações em Cenários e Projetos de Topo

Com o aumento do interesse pela narrativa de IA, cada vez mais atenção está sendo concentrada neste setor. Uma análise aprofundada da lógica técnica, dos cenários de aplicação e dos projetos representativos na pista Web3-AI foi realizada para apresentar a você um panorama completo e as tendências de desenvolvimento nesse campo.

Uma, Web3-AI: Análise da lógica técnica e oportunidades de mercado emergente

1.1 Lógica de fusão entre Web3 e AI: como definir a pista Web-AI

No último ano, a narrativa de IA tem sido excepcionalmente popular na indústria Web3, com projetos de IA surgindo como cogumelos após a chuva. Embora muitos projetos envolvam tecnologia de IA, alguns utilizam IA apenas em certas partes de seus produtos, e a economia de tokens subjacente não tem relação substancial com os produtos de IA. Portanto, esses projetos não estão incluídos na discussão de projetos Web3-AI neste artigo.

O foco deste artigo está em usar a blockchain para resolver problemas de relações de produção e a IA para resolver problemas de produtividade. Esses projetos oferecem produtos de IA, ao mesmo tempo que se baseiam em modelos econômicos Web3 como ferramentas de relações de produção, sendo ambos complementares. Classificamos esses projetos como o setor Web3-AI. Para que os leitores compreendam melhor o setor Web3-AI, será apresentada uma introdução ao processo de desenvolvimento da IA e seus desafios, bem como como a combinação de Web3 e IA pode resolver problemas de forma perfeita e criar novos cenários de aplicação.

1.2 O processo de desenvolvimento da IA e os desafios: da coleta de dados à inferência do modelo

A tecnologia de IA é uma tecnologia que permite que os computadores simulem, expandam e aprimorem a inteligência humana. Ela capacita os computadores a executar diversas tarefas complexas, desde tradução de idiomas, classificação de imagens até reconhecimento facial, condução autónoma e outros cenários de aplicação, a IA está mudando 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 precisa:

1. Coleta de dados e pré-processamento de dados: Coletar um conjunto de dados de imagens que contenha gatos e cães, podendo usar conjuntos de dados públicos ou coletar dados reais por conta própria. Em seguida, rotular cada imagem com a categoria (gato ou cão), garantindo que os rótulos estejam corretos. Transformar as imagens em um formato que o modelo possa reconhecer, dividindo o conjunto de dados em conjunto de treinamento, conjunto de validação e conjunto de teste.

2. Seleção e ajuste do modelo: escolher um modelo apropriado, como redes neurais convolucionais (CNN), que são mais adequadas para tarefas de classificação de imagens. Ajustar os parâmetros ou a arquitetura do modelo conforme as diferentes necessidades, geralmente, a profundidade da rede do modelo pode ser ajustada de acordo com a complexidade da tarefa de IA. Neste exemplo simples de classificação, uma rede com uma profundidade menor pode ser suficiente.

3. Treinamento de modelo: pode-se usar GPU, TPU ou clusters de computação de alto desempenho para treinar o modelo, e o tempo de treinamento é influenciado pela complexidade do modelo e pela capacidade de computação.

4. Inferência de modelo: O arquivo do modelo treinado é normalmente chamado de pesos do modelo, e o processo de inferência refere-se ao uso de um modelo já treinado para prever ou classificar novos dados. Neste processo, pode-se usar um conjunto de testes ou novos dados para testar a eficácia da classificação do modelo, normalmente avaliando a eficácia do modelo com métricas como precisão, taxa de recuperação, F1-score, entre outras.

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

Modelos de IA treinados podem ser integrados em várias aplicações, realizando diferentes tarefas. Neste exemplo, o modelo de IA para classificação de gatos e cães pode ser integrado numa aplicação móvel, onde os utilizadores carregam imagens de gatos ou cães para obter os resultados da classificação.

No entanto, o processo de desenvolvimento de IA centralizada apresenta alguns problemas nas seguintes situações:

Privacidade do usuário: em cenários centralizados, o processo de desenvolvimento da IA geralmente é opaco. Os dados dos usuários podem ser roubados sem que eles saibam e utilizados para o treinamento da IA.

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

Seleção e ajuste de modelos: para pequenas equipas, é difícil obter recursos de modelo específicos ou gastar muito dinheiro na afinação de modelos.

Obtenção de poder de cálculo: Para desenvolvedores individuais e pequenas equipas, o elevado custo de compra de GPUs e as taxas de aluguer de poder de cálculo em nuvem podem constituir um fardo económico significativo.

Receita de ativos de IA: os trabalhadores de rotulagem de dados muitas vezes não conseguem obter uma renda que corresponda ao seu esforço, enquanto os resultados da 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 relação de produção, se adapta naturalmente à IA, que representa uma nova forma de produtividade, promovendo assim o progresso simultâneo da tecnologia e das capacidades produtivas.

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

A combinação de Web3 e IA pode aumentar a soberania do usuário, fornecendo uma plataforma de colaboração em IA aberta, permitindo que os usuários passem de usuários de IA da era Web2 para participantes, criando uma IA que todos podem possuir. Ao mesmo tempo, a fusão do mundo Web3 com a tecnologia de IA também 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 de economia colaborativa. A privacidade dos dados das pessoas pode ser garantida, o modelo de crowdsourcing de dados promove o avanço dos modelos de IA, numerosos recursos de IA de código aberto estão disponíveis para os usuários, e a capacidade de computação compartilhada pode ser adquirida a um custo mais baixo. Com a ajuda de um mecanismo de crowdsourcing colaborativo descentralizado e de um mercado de IA aberto, pode-se realizar um sistema de distribuição de renda justa, incentivando mais pessoas a impulsionar o progresso 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, melhorando 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 pode não apenas proporcionar aos usuários a experiência de ser um "artista", como ao usar tecnologia de IA para criar seu próprio NFT, mas também pode criar cenários de jogo variados e experiências interativas interessantes em GameFi. Uma infraestrutura rica oferece uma experiência de desenvolvimento fluida, permitindo que tanto especialistas em IA quanto novatos que desejam entrar no campo da IA encontrem uma entrada adequada neste mundo.

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

Estudámos principalmente 41 projetos na área do Web3-AI e classificámos estes projetos em diferentes níveis. A lógica de classificação de cada nível está ilustrada na figura abaixo, incluindo o nível de infraestrutura, o nível intermédio e o nível de aplicação, sendo que cada nível é dividido em diferentes segmentos. No próximo capítulo, iremos realizar uma análise profunda de alguns projetos representativos.

A camada de infraestrutura abrange os recursos computacionais e a arquitetura tecnológica que suportam a operação de todo o ciclo de vida da IA, a camada intermédia inclui a gestão de dados, o desenvolvimento de modelos e os serviços de validação e raciocínio que conectam a infraestrutura às aplicações, enquanto a camada de aplicação foca nas diversas aplicações e soluções diretamente voltadas para os usuários.

Camada de infraestrutura:

A camada de infraestrutura é a base do ciclo de vida da IA, e este artigo classifica o poder computacional, a AI Chain e a plataforma de desenvolvimento como parte da camada de infraestrutura. É o suporte dessas infraestruturas que possibilita o treinamento e a inferência de modelos de IA, apresentando aos usuários aplicativos de IA poderosos e práticos.

• Rede de computação descentralizada: pode fornecer poder computacional distribuído para o treinamento de modelos de IA, garantindo uma utilização eficiente e econômica dos 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 rendimentos, representados por projetos como IO.NET e Hyperbolic. Além disso, alguns projetos derivaram novas abordagens, como Compute Labs, que propôs um protocolo tokenizado, onde os usuários podem participar de aluguer 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 dos recursos de IA on-chain e off-chain, promovendo o desenvolvimento do ecossistema do setor. O mercado descentralizado de IA na blockchain pode negociar ativos de IA como dados, modelos, agentes, etc., e fornece uma estrutura de desenvolvimento de IA e ferramentas de desenvolvimento complementares, representando projetos como Sahara AI. A 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 de incentivo inovador de sub-rede.

• Plataforma de desenvolvimento: Alguns projetos oferecem plataformas de desenvolvimento de agentes de IA, que também permitem a negociação de agentes de IA, como Fetch.ai e ChainML. Ferramentas integradas ajudam os desenvolvedores a criar, treinar e implementar modelos de IA de forma mais conveniente, representadas por projetos como Nimble. Essa infraestrutura promove a ampla aplicação da tecnologia de IA no ecossistema Web3.

Camada intermediária:

Esta camada envolve dados de IA, modelos, bem como inferência e validação, utilizando tecnologia Web3 para alcançar uma maior eficiência de trabalho.

• Dados: A qualidade e a quantidade dos dados são fatores-chave que afetam a eficácia do treinamento do modelo. No mundo Web3, a utilização de dados por meio de crowdsourcing e o processamento colaborativo de dados podem otimizar a utilização de recursos e reduzir os custos de dados. Os usuários podem ter autonomia sobre os dados, vendendo suas próprias informações sob a proteção da privacidade, para evitar que dados sejam roubados por comerciantes mal-intencionados e explorados para obter altos lucros. Para os demandantes de dados, essas plataformas oferecem uma ampla gama de opções e custos extremamente baixos. Projetos representativos como Grass utilizam a largura de banda dos usuários para capturar dados da Web, xData coleta informações de mídia por meio de plugins amigáveis ao usuário e suporta o upload de informações de tweets pelos usuários.

Além disso, algumas plataformas permitem que especialistas do setor ou usuários comuns realizem tarefas de pré-processamento de dados, como rotulagem de imagens e classificação de dados, que podem exigir conhecimento especializado em tarefas financeiras e jurídicas de processamento de dados. Os usuários podem tokenizar suas habilidades, permitindo a colaboração em crowdsourcing para o pré-processamento de dados. Exemplos incluem o mercado de IA da Sahara AI, que possui tarefas de dados em diferentes áreas, podendo cobrir cenários de dados multidisciplinares; enquanto o AIT Protocolt rotula dados por meio de uma abordagem de colaboração homem-máquina.

• Modelo: Durante o processo de desenvolvimento de IA mencionado anteriormente, diferentes tipos de necessidades requerem a correspondência de modelos adequados. Modelos comumente usados em tarefas de imagem, como CNN e GAN, a tarefa de detecção de objetos pode escolher a série Yolo, e modelos comuns em tarefas de texto incluem RNN e Transformer, além de alguns modelos grandes específicos ou gerais. A profundidade do modelo necessária para tarefas de diferentes complexidades também é diferente, 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 otimização de modelos. As ferramentas de desenvolvimento fornecidas pela Sahara AI incorporam algoritmos de IA avançados e estruturas de computação, e possuem a capacidade de treinamento colaborativo.

• Inferência e verificação: após o treinamento, o modelo gera arquivos de pesos que podem ser usados para classificação, previsão ou outras tarefas específicas; esse processo é chamado de inferência. O processo de inferência normalmente vem acompanhado de um mecanismo de verificação, para validar se a origem do modelo de inferência está correta e se não há comportamentos maliciosos, entre outros. A inferência Web3 pode geralmente ser integrada em contratos inteligentes, chamando o modelo para realizar a inferência. As formas comuns de verificação incluem tecnologias como ZKML, OPML e TEE. Projetos representativos, como o oráculo de IA na cadeia ORA (OAO), introduziram o OPML como uma camada verificável para o oráculo de IA, e o site oficial da ORA também menciona suas pesquisas sobre ZKML e opp/ai (ZKML combinado com OPML).

Camada de aplicação:

Esta camada é principalmente um aplicativo voltado diretamente para o usuário, combinando IA com Web3 para criar jogabilidades mais interessantes e inovadoras. Este artigo organiza principalmente os projetos nas áreas de AIGC (Conteúdo Gerado por IA), Agentes de IA e Análise de Dados.

• AIGC: através do AIGC pode-se expandir para