Relatório panorâmico da pista Web3-AI: análise profunda da lógica técnica, aplicações de cenário e projetos de topo
Com o aquecimento contínuo da narrativa de IA, cada vez mais atenção está sendo dada a este setor. Este artigo realiza uma análise aprofundada da lógica técnica, cenários de aplicação e projetos representativos da pista Web3-AI, apresentando de forma abrangente o panorama e as tendências de desenvolvimento deste campo.
I. Web3-AI: Análise da Lógica Técnica e Oportunidades de Mercado Emergentes
1.1 A lógica de fusão entre Web3 e AI: como definir a corrida Web-AI
No último ano, a narrativa de IA tem sido excepcionalmente popular na indústria do Web3, com projetos de IA surgindo como cogumelos após a chuva. Embora haja muitos projetos que envolvem tecnologia de IA, alguns projetos 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 é o uso da blockchain para resolver problemas de relações de produção, enquanto a IA resolve problemas de produtividade. Esses projetos oferecem produtos de IA e utilizam modelos econômicos Web3 como ferramentas de relações de produção, sendo ambos complementares. Classificamos esses projetos como parte da trilha Web3-AI. Para que os leitores compreendam melhor a trilha Web3-AI, a seguir serão apresentados o processo de desenvolvimento da IA e os desafios, assim como a forma como a combinação do Web3 e da 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 aumentem a inteligência humana. Ela permite que os computadores executem uma variedade de tarefas complexas, desde tradução de idiomas, classificação de imagens até reconhecimento facial e condução autónoma, a IA está a mudar a forma como vivemos e trabalhamos.
O processo de desenvolvimento de modelos de inteligência artificial geralmente envolve os seguintes passos-chave: coleta de dados e pré-processamento de dados, seleção e ajuste do modelo, treinamento e inferência do modelo. Para dar um exemplo simples, ao desenvolver um modelo para classificar imagens de gatos e cães, você precisaria:
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 os rótulos sejam precisos. 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.
Seleção e ajuste do modelo: escolher o modelo adequado, como redes neurais convolucionais (CNN), que são mais adequadas para tarefas de classificação de imagens. Ajustar 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 menos camadas pode ser suficiente.
Treinamento de modelo: pode-se utilizar 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 de computação.
Inferência do modelo: O arquivo de modelo treinado é normalmente 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 usar um conjunto de testes ou novos dados para testar a eficácia da classificação do modelo, geralmente avaliando a eficácia do modelo com métricas como precisão, taxa de recuperação, F1-score, entre outras.
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 cão P (probabilidade), ou seja, a probabilidade de o modelo inferir que é um gato ou um cão.
Modelos de IA treinados podem ser integrados a várias aplicações, executando diferentes tarefas. Neste exemplo, o modelo de IA de classificação de gatos e cães pode ser integrado a uma aplicação móvel, onde os usuários carregam imagens de gatos ou cães e recebem 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 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 modelos específicos ou gastar muito dinheiro na afinação de modelos.
Aquisição de poder de cálculo: para desenvolvedores individuais e pequenas equipas, os elevados custos de compra de GPUs e as taxas de aluguer de poder de cálculo na nuvem podem representar um encargo 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 no cenário 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 produtividade, promovendo assim o progresso simultâneo da tecnologia e da capacidade produtiva.
1.3 Web3 e a sinergia com IA: Mudança de papéis e aplicações inovadoras
A combinação de Web3 e IA pode fortalecer a soberania do usuário, oferecendo uma plataforma de colaboração aberta em IA, permitindo que os usuários passem de meros utilizadores 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 pode gerar mais cenários de aplicação e formas inovadoras.
Baseada na tecnologia Web3, o desenvolvimento e a aplicação da IA irão acolher um novo sistema econômico colaborativo. A privacidade dos dados das pessoas pode ser garantida, o modelo de crowdsourcing de dados promove o avanço dos modelos de IA, e numerosos recursos de IA de código aberto estão disponíveis para os usuários, com poder computacional compartilhado acessível a um custo mais baixo. Com a ajuda de um mecanismo de crowdsourcing colaborativo descentralizado e de um mercado de IA aberto, pode-se alcançar um sistema de distribuição de renda justo, incentivando assim 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 para aumentar 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", como criar seus próprios NFTs usando tecnologia de IA, mas também pode criar cenários de jogos variados e experiências interativas interessantes no 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 dos Projetos Ecológicos Web3-AI
Estudámos principalmente 41 projetos na área do Web3-AI e dividimos esses projetos em diferentes camadas. A lógica de divisão de cada camada é mostrada na figura abaixo, incluindo a camada de infraestrutura, a camada intermédia e a camada de aplicação, cada uma dividida em diferentes setores. 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 operação de todo o ciclo de vida da IA, a camada intermédia inclui a gestão de dados, o desenvolvimento de modelos e serviços de inferência de validação que conectam a infraestrutura às aplicações, e a camada de aplicações foca nas diversas aplicações e soluções diretamente voltadas para o utilizador.
Camada de infraestrutura:
A camada de infraestrutura é a base do ciclo de vida da IA, e este artigo classifica a capacidade de computação, a AI Chain e a plataforma de desenvolvimento como parte da camada de infraestrutura. É precisamente com o suporte dessas infraestruturas que é possível realizar 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 computacional distribuído para o treinamento de modelos de IA, garantindo uma utilização eficiente e econômica dos recursos computacionais. Alguns projetos oferecem mercados de poder computacional descentralizados, onde os usuários podem alugar poder computacional a baixo custo ou compartilhar poder computacional para obter ganhos, representados por projetos como IO.NET e Hyperbolic. Além disso, alguns projetos derivaram novas formas de participação, como o Compute Labs, que propôs um protocolo tokenizado, permitindo que os usuários participem de arrendamentos 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 de recursos de IA on-chain e off-chain, promovendo o desenvolvimento do ecossistema da indústria. O mercado descentralizado de IA na blockchain pode negociar ativos de IA como dados, modelos, agentes, etc., e fornece estruturas de desenvolvimento de IA e ferramentas de desenvolvimento associadas, representado por projetos como Sahara AI. A AI Chain também pode promover o avanço da tecnologia de IA em diferentes campos, como Bittensor, que promove a competição entre sub-redes de diferentes tipos de IA através de um mecanismo inovador de incentivo 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, representadas por projetos como Nimble. Essas infraestruturas promovem a ampla aplicação da tecnologia de IA no ecossistema Web3.
Camada intermediária:
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 influenciam a eficácia do treinamento de modelos. No mundo Web3, através da coleta de dados em massa e do 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 e, sob proteção de privacidade, vender suas informações, evitando que dados sejam roubados por comerciantes desonestos e utilizados para obter lucros elevados. Para as partes que demandam dados, estas plataformas oferecem uma ampla gama de opções e custos extremamente 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 suporta o upload de informações de tweets.
Além disso, algumas plataformas permitem que especialistas ou usuários comuns executem tarefas de pré-processamento de dados, como rotulagem de imagens e classificação de dados, que podem exigir conhecimentos especializados em tarefas financeiras e jurídicas de processamento de dados. Os usuários podem tokenizar habilidades para realizar a colaboração em massa no pré-processamento de dados. Um exemplo é o mercado de IA Sahara AI, que possui tarefas de dados em diferentes áreas, podendo cobrir cenários de dados de múltiplas áreas; enquanto o AIT Protocolt rotula dados através de uma abordagem de colaboração homem-máquina.
Modelo: No processo de desenvolvimento de IA mencionado anteriormente, diferentes tipos de requisitos necessitam de um modelo adequado. Modelos comuns para tarefas de imagem incluem CNN e GAN, para tarefas de detecção de objetos pode-se escolher a série Yolo, e para tarefas de texto são comuns modelos como RNN e Transformer, além de alguns modelos grandes específicos ou gerais. A profundidade do modelo necessária para diferentes tarefas de complexidade varia, e às vezes é necessário ajustar o modelo.
Alguns projetos suportam que os usuários forneçam diferentes tipos de modelos ou colaborem na formação de modelos através de crowdfunding, 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 oferecidas pelo Sahara AI incorporam algoritmos de IA avançados e estruturas computacionais, além de possuírem a capacidade de treinamento colaborativo.
Inferência e validação: após o treinamento, o modelo gera arquivos de pesos que podem ser usados para classificação, previsão ou outras tarefas específicas, processo 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 e se há comportamentos maliciosos, entre outros. A inferência no Web3 pode ser integrada em contratos inteligentes, chamando o modelo para realizar a inferência, e as formas comuns de validação incluem tecnologias como ZKML, OPML e TEE. Projetos representativos como o oráculo de IA na cadeia ORA (OAO) introduziram o OPML como camada verificável para o oráculo de IA; 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 uma aplicação voltada diretamente para o usuário, combinando IA com Web3, criando mais jogabilidades interessantes e inovadoras. Este artigo organiza principalmente os projetos nos seguintes setores: AIGC (Conteúdo Gerado por IA), agentes de IA e análise de dados.
AIGC: Através do AIGC, é possível expandir para as áreas de NFT, jogos e outras dentro do Web3, permitindo que os usuários gerem texto, imagens e áudio diretamente através de Prompt (as palavras-chave fornecidas pelo usuário), podendo até mesmo gerar conteúdo nos jogos de acordo com suas preferências.
Esta página pode conter conteúdos de terceiros, que são fornecidos apenas para fins informativos (sem representações/garantias) e não devem ser considerados como uma aprovação dos seus pontos de vista pela Gate, nem como aconselhamento financeiro ou profissional. Consulte a Declaração de exoneração de responsabilidade para obter mais informações.
6 gostos
Recompensa
6
3
Republicar
Partilhar
Comentar
0/400
mev_me_maybe
· 15h atrás
É isso, é apenas uma narrativa de especulação.
Ver originalResponder0
GasFeeCrier
· 15h atrás
Os velhos temas estão novamente a falar sobre a IA
Ver originalResponder0
New_Ser_Ngmi
· 16h atrás
Após o ponto alto, falam em fazer as pessoas de parvas. Tsk tsk.
Panorama da pista Web3-AI: análise profunda da lógica de fusão tecnológica e projetos representativos
Relatório panorâmico da pista Web3-AI: análise profunda da lógica técnica, aplicações de cenário e projetos de topo
Com o aquecimento contínuo da narrativa de IA, cada vez mais atenção está sendo dada a este setor. Este artigo realiza uma análise aprofundada da lógica técnica, cenários de aplicação e projetos representativos da pista Web3-AI, apresentando de forma abrangente o panorama e as tendências de desenvolvimento deste campo.
I. Web3-AI: Análise da Lógica Técnica e Oportunidades de Mercado Emergentes
1.1 A lógica de fusão entre Web3 e AI: como definir a corrida Web-AI
No último ano, a narrativa de IA tem sido excepcionalmente popular na indústria do Web3, com projetos de IA surgindo como cogumelos após a chuva. Embora haja muitos projetos que envolvem tecnologia de IA, alguns projetos 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 é o uso da blockchain para resolver problemas de relações de produção, enquanto a IA resolve problemas de produtividade. Esses projetos oferecem produtos de IA e utilizam modelos econômicos Web3 como ferramentas de relações de produção, sendo ambos complementares. Classificamos esses projetos como parte da trilha Web3-AI. Para que os leitores compreendam melhor a trilha Web3-AI, a seguir serão apresentados o processo de desenvolvimento da IA e os desafios, assim como a forma como a combinação do Web3 e da 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 aumentem a inteligência humana. Ela permite que os computadores executem uma variedade de tarefas complexas, desde tradução de idiomas, classificação de imagens até reconhecimento facial e condução autónoma, a IA está a mudar a forma como vivemos e trabalhamos.
O processo de desenvolvimento de modelos de inteligência artificial geralmente envolve os seguintes passos-chave: coleta de dados e pré-processamento de dados, seleção e ajuste do modelo, treinamento e inferência do modelo. Para dar um exemplo simples, ao desenvolver um modelo para classificar imagens de gatos e cães, você precisaria:
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 os rótulos sejam precisos. 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.
Seleção e ajuste do modelo: escolher o modelo adequado, como redes neurais convolucionais (CNN), que são mais adequadas para tarefas de classificação de imagens. Ajustar 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 menos camadas pode ser suficiente.
Treinamento de modelo: pode-se utilizar 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 de computação.
Inferência do modelo: O arquivo de modelo treinado é normalmente 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 usar um conjunto de testes ou novos dados para testar a eficácia da classificação do modelo, geralmente avaliando a eficácia do modelo com métricas como precisão, taxa de recuperação, F1-score, entre outras.
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 cão P (probabilidade), ou seja, a probabilidade de o modelo inferir que é um gato ou um cão.
Modelos de IA treinados podem ser integrados a várias aplicações, executando diferentes tarefas. Neste exemplo, o modelo de IA de classificação de gatos e cães pode ser integrado a uma aplicação móvel, onde os usuários carregam imagens de gatos ou cães e recebem 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 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 modelos específicos ou gastar muito dinheiro na afinação de modelos.
Aquisição de poder de cálculo: para desenvolvedores individuais e pequenas equipas, os elevados custos de compra de GPUs e as taxas de aluguer de poder de cálculo na nuvem podem representar um encargo 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 no cenário 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 produtividade, promovendo assim o progresso simultâneo da tecnologia e da capacidade produtiva.
1.3 Web3 e a sinergia com IA: Mudança de papéis e aplicações inovadoras
A combinação de Web3 e IA pode fortalecer a soberania do usuário, oferecendo uma plataforma de colaboração aberta em IA, permitindo que os usuários passem de meros utilizadores 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 pode gerar mais cenários de aplicação e formas inovadoras.
Baseada na tecnologia Web3, o desenvolvimento e a aplicação da IA irão acolher um novo sistema econômico colaborativo. A privacidade dos dados das pessoas pode ser garantida, o modelo de crowdsourcing de dados promove o avanço dos modelos de IA, e numerosos recursos de IA de código aberto estão disponíveis para os usuários, com poder computacional compartilhado acessível a um custo mais baixo. Com a ajuda de um mecanismo de crowdsourcing colaborativo descentralizado e de um mercado de IA aberto, pode-se alcançar um sistema de distribuição de renda justo, incentivando assim 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 para aumentar 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", como criar seus próprios NFTs usando tecnologia de IA, mas também pode criar cenários de jogos variados e experiências interativas interessantes no 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 dos Projetos Ecológicos Web3-AI
Estudámos principalmente 41 projetos na área do Web3-AI e dividimos esses projetos em diferentes camadas. A lógica de divisão de cada camada é mostrada na figura abaixo, incluindo a camada de infraestrutura, a camada intermédia e a camada de aplicação, cada uma dividida em diferentes setores. 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 operação de todo o ciclo de vida da IA, a camada intermédia inclui a gestão de dados, o desenvolvimento de modelos e serviços de inferência de validação que conectam a infraestrutura às aplicações, e a camada de aplicações foca nas diversas aplicações e soluções diretamente voltadas para o utilizador.
Camada de infraestrutura:
A camada de infraestrutura é a base do ciclo de vida da IA, e este artigo classifica a capacidade de computação, a AI Chain e a plataforma de desenvolvimento como parte da camada de infraestrutura. É precisamente com o suporte dessas infraestruturas que é possível realizar 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 computacional distribuído para o treinamento de modelos de IA, garantindo uma utilização eficiente e econômica dos recursos computacionais. Alguns projetos oferecem mercados de poder computacional descentralizados, onde os usuários podem alugar poder computacional a baixo custo ou compartilhar poder computacional para obter ganhos, representados por projetos como IO.NET e Hyperbolic. Além disso, alguns projetos derivaram novas formas de participação, como o Compute Labs, que propôs um protocolo tokenizado, permitindo que os usuários participem de arrendamentos 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 de recursos de IA on-chain e off-chain, promovendo o desenvolvimento do ecossistema da indústria. O mercado descentralizado de IA na blockchain pode negociar ativos de IA como dados, modelos, agentes, etc., e fornece estruturas de desenvolvimento de IA e ferramentas de desenvolvimento associadas, representado por projetos como Sahara AI. A AI Chain também pode promover o avanço da tecnologia de IA em diferentes campos, como Bittensor, que promove a competição entre sub-redes de diferentes tipos de IA através de um mecanismo inovador de incentivo 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, representadas por projetos como Nimble. Essas infraestruturas promovem a ampla aplicação da tecnologia de IA no ecossistema Web3.
Camada intermediária:
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.
Além disso, algumas plataformas permitem que especialistas ou usuários comuns executem tarefas de pré-processamento de dados, como rotulagem de imagens e classificação de dados, que podem exigir conhecimentos especializados em tarefas financeiras e jurídicas de processamento de dados. Os usuários podem tokenizar habilidades para realizar a colaboração em massa no pré-processamento de dados. Um exemplo é o mercado de IA Sahara AI, que possui tarefas de dados em diferentes áreas, podendo cobrir cenários de dados de múltiplas áreas; enquanto o AIT Protocolt rotula dados através de uma abordagem de colaboração homem-máquina.
Alguns projetos suportam que os usuários forneçam diferentes tipos de modelos ou colaborem na formação de modelos através de crowdfunding, 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 oferecidas pelo Sahara AI incorporam algoritmos de IA avançados e estruturas computacionais, além de possuírem a capacidade de treinamento colaborativo.
Camada de aplicação:
Esta camada é principalmente uma aplicação voltada diretamente para o usuário, combinando IA com Web3, criando mais jogabilidades interessantes e inovadoras. Este artigo organiza principalmente os projetos nos seguintes setores: AIGC (Conteúdo Gerado por IA), agentes de IA e análise de dados.