Rapport panoramique sur le secteur Web3-AI : analyse approfondie de la logique technique, des applications de scène et des projets de premier plan Depth

Avec la montée en puissance de la narration AI, de plus en plus d'attention se concentre sur ce secteur. Cet article analyse en profondeur la logique technique, les cas d'application et les projets représentatifs du secteur Web3-AI, présentant ainsi un panorama complet et les tendances de développement de ce domaine.

I. Web3-AI : Analyse de la logique technique et des opportunités de marché émergentes

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

Au cours de l'année écoulée, la narration par l'IA a connu un essor exceptionnel dans l'industrie du Web3, avec des projets d'IA apparaissant comme des champignons après la pluie. Bien qu'il existe de nombreux projets impliquant des technologies d'IA, certains projets n'utilisent l'IA que dans certaines parties de leurs produits, et l'économie des tokens 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, et les projets où l'IA résout les problèmes de productivité. Ces projets proposent eux-mêmes 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 maintenant présenter le processus de développement de l'IA et les défis qui l'accompagnent, ainsi que la manière dont la combinaison de Web3 et d'IA peut résoudre parfaitement les problèmes et créer de nouveaux scénarios 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 jusqu'à la reconnaissance faciale, la conduite autonome et d'autres scénarios d'application. 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 de données et prétraitement des données, sélection et ajustement du modèle, entraînement et inférence du modèle. Prenons un exemple simple, pour développer un modèle afin de classifier des 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 un ensemble de données public ou en collectant des données réelles soi-même. Ensuite, étiquetez chaque image avec sa catégorie (chat ou chien), en vous assurant que les étiquettes sont précises. Transformez les images dans un format que le modèle peut reconnaître, et divisez l'ensemble de données en ensemble d'entraînement, ensemble de validation et ensemble de test.

2. Choix et ajustement du modèle : Sélectionner un modèle approprié, par exemple un réseau de neurones convolutionnel (CNN), qui convient bien 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 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 plus faible peut suffire.

3. Entraînement du modèle : il est possible d'utiliser des GPU, TPU ou des clusters 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 : Le fichier du modèle entraîné est généralement appelé poids du modèle, et 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 classification du modèle, généralement mesurée par des indicateurs tels que la précision, le rappel et le F1-score.

Après la collecte de données, le prétraitement des données, la sélection et l'ajustement du modèle, ainsi que l'entraînement, les prédictions de la valeur P (probabilité) pour les chats et les chiens sont obtenues en effectuant une inférence du modèle entraîné sur le jeu de test, c'est-à-dire la probabilité que le modèle infère qu'il s'agit d'un chat ou d'un chien.

Un modèle d'IA entraîné peut être intégré dans diverses applications pour effectuer différentes tâches. Dans cet exemple, un modèle d'IA de classification de chats et de chiens peut être intégré dans une application mobile, où les utilisateurs téléchargent des images de chats ou de chiens et reçoivent 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 contexte centralisé, le processus de développement de l'IA est souvent 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 concernant l'accès aux données non ouvertes dans des domaines spécifiques (comme les données médicales).

Sélection et ajustement de modèle : pour les petites équipes, il est difficile d'accéder aux ressources de modèles spécifiques ou de dépenser des coûts importants pour l'ajustement des 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 constituer un fardeau économique significatif.

Revenus des actifs AI : les travailleurs en annotation de données ont souvent du mal à obtenir des revenus à la hauteur de leurs efforts, tandis que les résultats de recherche des développeurs d'IA sont également difficiles à faire correspondre avec 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 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 Synergie entre Web3 et 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, transformant les utilisateurs de l'IA de l'ère Web2 en participants, pour créer une IA que tout le monde peut posséder. Parallèlement, la fusion du monde Web3 et de la technologie IA peut également donner naissance à davantage de scénarios d'application et de modes de jeu innovants.

Basé sur la technologie Web3, le développement et l'application de l'IA vont inaugurer un tout nouveau système économique collaboratif. La vie privée des données des individus peut être protégée, le modèle de crowdsourcing des données 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 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, incitant ainsi davantage de personnes à faire progresser 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 permet non seulement aux utilisateurs d'expérimenter le rôle d'"artiste", comme en utilisant des technologies d'IA pour créer leurs propres NFT, mais aussi de créer des scénarios de jeu variés et des expériences interactives intéressantes dans GameFi. Une infrastructure riche offre une expérience de développement fluide, que ce soit pour les experts en IA ou pour les nouveaux venus souhaitant entrer dans le domaine de l'IA, chacun peut trouver une entrée appropriée dans ce monde.

Deuxième, 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 les avons classés en différentes couches. La logique de classification de chaque couche est illustrée dans le graphique ci-dessous, comprenant la couche d'infrastructure, la couche intermédiaire et la couche d'application, chacune étant divisée en différents segments. Dans le chapitre suivant, nous procéderons à une analyse approfondie de certains projets représentatifs.

La couche d'infrastructure couvre les ressources de calcul et l'architecture technique qui soutiennent l'ensemble du cycle de vie de l'IA, la couche intermédiaire comprend la gestion des données, le développement de modèles et les services de validation et d'inférence qui relient l'infrastructure aux applications, tandis que 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 classifie la puissance de calcul, la chaîne AI et la plateforme de développement comme faisant partie de la couche d'infrastructure. C'est grâce à ce soutien des 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 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, avec des projets représentatifs tels que IO.NET et Hyperbolic. De plus, certains projets ont donné naissance à de nouvelles méthodes, comme Compute Labs, qui ont proposé un protocole tokenisé, permettant aux utilisateurs d'acheter des NFT représentant des entités GPU et de participer de différentes manières à la location de puissance de calcul pour obtenir des revenus.

• 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 fournir des frameworks de développement IA ainsi que des outils de développement associés, des projets représentatifs tels que Sahara AI. AI Chain peut également promouvoir les avancées technologiques de l'IA dans différents domaines, comme Bittensor qui favorise la concurrence entre les sous-réseaux de différents types d'IA grâce à un mécanisme incitatif innovant.

• Plateforme de développement : certains projets offrent des plateformes de développement d'agents AI, permettant également le trading d'agents AI, comme Fetch.ai et ChainML. Des outils tout-en-un aident les développeurs à créer, entraîner et déployer plus facilement des modèles AI, avec des projets représentatifs comme Nimble. Cette infrastructure favorise l'application généralisée de la technologie AI dans l'écosystème Web3.

Couche intermédiaire :

Ce niveau concerne les données AI, les modèles ainsi que le raisonnement et la vérification, l'utilisation de la technologie Web3 permet d'atteindre 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 du Web3, l'optimisation de l'utilisation des ressources et la réduction des coûts de données peuvent être réalisées grâce aux données collectées par crowdsourcing et au traitement collaboratif des données. Les utilisateurs peuvent avoir le contrôle de leurs données et vendre leurs propres données dans le cadre de la protection de la vie privée, afin d'éviter que des commerçants malveillants ne volent leurs données et n'en tirent des profits élevés. Pour les demandeurs de données, ces plateformes offrent une large gamme de choix à des coûts très bas. Des projets représentatifs tels que Grass utilisent la bande passante des utilisateurs pour extraire des données Web, xData recueille des informations médiatiques via une extension conviviale et permet aux utilisateurs de télécharger des informations de tweets.

De plus, certaines plateformes permettent aux experts de domaine ou aux utilisateurs ordinaires d'exécuter des tâches de prétraitement des données, telles que l'annotation d'images et la classification des données, ces tâches pouvant nécessiter des connaissances spécialisées en finance et en droit pour le traitement des données. Les utilisateurs peuvent tokeniser leurs compétences et réaliser une collaboration en crowdsourcing pour le prétraitement des données. Des exemples incluent le marché de l'IA Sahara AI, qui propose des tâches de données dans différents domaines, pouvant couvrir des scénarios de données multi-domaines ; tandis que le protocole AIT effectue l'annotation des données par le biais d'une collaboration homme-machine.

• Modèle : Dans le processus de développement de l'IA mentionné précédemment, différents types de besoins nécessitent de faire correspondre 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 textuelles, les modèles courants incluent RNN et Transformer, bien sûr, il y a aussi des grands modèles spécifiques ou généraux. La profondeur des modèles nécessaires varie en fonction de la complexité des tâches, 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 la crowdsourcing, 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 l'optimisation des modèles. Les outils de développement fournis par Sahara AI intègrent des algorithmes d'IA avancés et des cadres de calcul, et possèdent la capacité d'entraînement collaboratif.

• Inférence et validation : après l'entraînement, le modèle génère des fichiers de poids du modèle, qui peuvent être utilisés pour la classification, la prédiction 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 l'origine du modèle d'inférence est correcte et s'il y a des comportements malveillants, etc. L'inférence Web3 peut généralement être intégrée dans des contrats intelligents, en appelant le modèle pour réaliser 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 le site officiel d'ORA mentionne également leurs recherches sur ZKML et opp/ai (ZKML combiné avec OPML).

Couche d'application :

Ce niveau est principalement constitué d'applications destinées aux utilisateurs, combinant l'IA et 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 aux domaines des NFT, des jeux, etc. dans Web3. Les utilisateurs peuvent générer directement du texte, des images et de l'audio via des prompts (mots-clés fournis par l'utilisateur) et même générer du contenu dans les jeux en fonction de leurs préférences.