Relatório panorâmico do setor Web3-AI: Análise profunda da lógica técnica, aplicações em cenários e principais projetos
Com o contínuo aquecimento da narrativa de IA, cada vez mais atenção está focada neste setor. Realizamos uma análise aprofundada da lógica técnica, cenários de aplicação e projetos representativos da pista Web3-AI, para apresentar a você uma visão abrangente deste campo e suas tendências de desenvolvimento.
I. Web3-AI: Análise da Lógica Técnica e Oportunidades de Mercado Emergentes
1.1 Lógica da fusão entre Web3 e IA: como definir a pista Web-AI
No último ano, a narrativa de IA tem estado em alta na indústria Web3, com projetos de IA a surgirem 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 fazem parte da discussão sobre projetos Web3-AI neste artigo.
O foco deste artigo está em usar a blockchain para resolver problemas de relações de produção e projetos que utilizam AI para resolver problemas de produtividade. Esses projetos oferecem produtos de AI e, ao mesmo tempo, baseiam-se em modelos econômicos de Web3 como ferramentas de relações de produção, sendo que ambos se complementam. Classificamos esses projetos como a trilha Web3-AI. Para que os leitores compreendam melhor a trilha Web3-AI, vamos apresentar o processo de desenvolvimento e os desafios da AI, bem como a forma como a combinação de Web3 e AI 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 permite que os computadores realizem diversas tarefas complexas, desde a tradução de idiomas, classificação de imagens até o reconhecimento facial e a condução automática, entre outros cenários de aplicação, a IA está mudando a maneira 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 precisaria:
Coleta de dados e pré-processamento de dados: Coletar um conjunto de dados de imagens contendo 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 em um formato que o modelo possa reconhecer, dividindo o conjunto de dados em conjunto de treinamento, conjunto de validação e conjunto de teste.
Seleção e ajuste do modelo: escolha um modelo apropriado, como redes neurais convolucionais (CNN), que são mais adequadas para tarefas de classificação de imagens. Ajuste 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 simples exemplo de classificação, uma rede menos profunda pode ser suficiente.
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 afetado pela complexidade do modelo e pela capacidade de computação.
Inferência do modelo: O arquivo do modelo treinado é geralmente chamado de pesos do modelo, e o processo de inferência refere-se ao uso de um modelo já treinado para fazer previsões ou classificações em novos dados. Neste processo, pode-se usar um conjunto de testes ou novos dados para avaliar o desempenho de classificação do modelo, sendo normalmente utilizados indicadores como precisão, taxa de recuperação e F1-score para avaliar a eficácia do modelo.
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 inferir no conjunto de teste, resultando nos valores de previsão P (probabilidade) para gatos e cães, ou seja, a probabilidade de o modelo inferir que é um gato ou um cão.
Modelos de IA treinados podem ser integrados em várias aplicações para realizar diferentes tarefas. Neste exemplo, um modelo de IA para classificação de gatos e cães pode ser integrado numa aplicação móvel, onde os utilizadores fazem o upload de 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 o seu conhecimento 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 otimização de modelos.
Aquisição de poder computacional: para desenvolvedores individuais e pequenas equipes, o alto custo de compra de GPUs e as despesas de aluguel de poder computacional em nuvem podem representar uma carga econômica significativa.
Renda 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 de pesquisa dos desenvolvedores de IA também têm dificuldade em se alinhar com compradores que têm demanda.
Os desafios existentes nas cenas 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 da capacidade produtiva.
1.3 A sinergia entre Web3 e IA: Mudança de papéis e aplicações inovadoras
A combinação de Web3 e IA pode fortalecer a soberania do usuário, oferecendo uma plataforma de colaboração em IA aberta, permitindo que os usuários passem de meros utilizadores de IA da era Web2 para participantes, criando uma IA que pode ser possuída por todos. Ao mesmo tempo, a fusão do mundo Web3 com a tecnologia IA pode gerar mais cenários de aplicação inovadores e formas de interação.
Baseada na tecnologia Web3, o desenvolvimento e a aplicação da IA irão dar início a um novo sistema econômico de colaboração. A privacidade dos dados das pessoas pode ser garantida, o modelo de crowdsourcing de dados promove o avanço dos modelos de IA, muitos 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 descentralizado de colaboração e crowdsourcing e de um mercado de IA aberto, é possível implementar um sistema de distribuição de renda justo, incentivando mais pessoas a impulsionar o avanço 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 a contratos inteligentes, aumentando a eficiência do trabalho em diferentes cenários de aplicação, como análise de mercado, detecção de segurança, agrupamento social e muitas 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, seja para especialistas em IA ou para novatos que desejam entrar no campo da IA, todos podem encontrar uma entrada adequada neste mundo.
II. Interpretação do mapeamento e arquitetura dos projetos da ecologia Web3-AI
Estudámos principalmente 41 projetos na área do Web3-AI e classificámo-los em diferentes níveis. A lógica de classificação de cada nível está representada na figura abaixo, incluindo a camada de infraestrutura, a camada intermédia e a camada de aplicação, sendo que cada camada é 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 tecnológica que suportam a operação de todo o ciclo de vida da IA, a camada intermediária inclui a gestão de dados, o desenvolvimento de modelos e os serviços de validação e inferência que conectam a infraestrutura às aplicações, enquanto a camada de aplicação se concentra em diversas aplicações e soluções diretamente voltadas para o usuário.
Camada de infraestrutura:
A camada de infraestrutura é a base do ciclo de vida da IA, e este artigo classifica a capacidade computacional, a AI Chain e a plataforma de desenvolvimento como parte da camada de infraestrutura. É com o suporte dessas infraestruturas que se pode 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 de computação 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 de computação a baixo custo ou compartilhar poder de computação para obter lucros, representados por projetos como IO.NET e Hyperbolic. Além disso, alguns projetos derivaram novas abordagens, como a Compute Labs, que propôs um protocolo tokenizado, permitindo que os usuários participem do aluguel de poder de computação de diferentes maneiras, através da compra de 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 entre 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 fornecer estruturas de desenvolvimento de IA e ferramentas de desenvolvimento complementares, com projetos representativos como Sahara AI. A AI Chain também pode promover o avanço da tecnologia de IA em diferentes áreas, como Bittensor, que utiliza um mecanismo de incentivo de sub-rede inovador para promover a competição entre diferentes tipos de sub-rede de IA.
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 de uma única plataforma ajudam os desenvolvedores a criar, treinar e implantar modelos de IA de forma mais conveniente, representados por projetos como Nimble. Esta infraestrutura promove a ampla aplicação da tecnologia de IA no ecossistema Web3.
Camada intermediária:
Esta camada envolve dados, modelos de IA, assim como raciocínio e validação, utilizando tecnologia Web3 para alcançar uma maior eficiência no trabalho.
Dados: A qualidade e a quantidade dos dados são fatores-chave que afetam a eficácia do treinamento de modelos. No mundo Web3, através de dados coletados em multidão e processamento colaborativo de dados, é possível otimizar a utilização de recursos e reduzir os custos de dados. Os usuários podem ter autonomia sobre os dados, vendendo suas informações sob proteção de privacidade, evitando que dados sejam roubados por comerciantes desonestos e gerando 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 através de plugins amigáveis ao usuário e suporta o upload de informações de tweets pelos usuários.
Além disso, algumas plataformas permitem que especialistas de domínio ou usuários comuns realizem tarefas de pré-processamento de dados, como rotulagem de imagens e classificação de dados, tarefas que podem exigir conhecimentos especializados em finanças e na manipulação de dados legais. Os usuários podem tokenizar suas habilidades, permitindo a colaboração em crowdsourcing para o pré-processamento de dados. Exemplos como o mercado de IA Sahara AI têm tarefas de dados em diferentes domínios, podendo cobrir cenários de dados multifacetados; enquanto o AIT Protocolt rotula dados por meio da colaboração entre humanos e máquinas.
Modelo: Durante o processo de desenvolvimento de IA mencionado anteriormente, diferentes tipos de necessidades precisam de modelos adequados. Modelos comuns para tarefas de imagem incluem CNN e GAN; para tarefas de detecção de objetos, pode-se escolher a série Yolo; para tarefas de texto, modelos como RNN e Transformer são comuns, e claro, também existem alguns modelos grandes específicos ou gerais. A profundidade dos modelos necessários varia conforme a complexidade das tarefas, e às vezes é necessário ajustar os modelos.
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 armazenem dados de modelos confiáveis em uma camada de armazenamento e na camada de distribuição para otimização de modelos. As ferramentas de desenvolvimento oferecidas pela Sahara AI incluem algoritmos de IA avançados e estruturas de computação, e têm a capacidade de treinamento colaborativo.
Inferência e validação: Após o treinamento, o modelo gera arquivos de pesos do modelo, que podem ser usados para classificação, previsão ou outras tarefas específicas. Este processo é 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 não há comportamentos maliciosos. A inferência no Web3 pode ser integrada em contratos inteligentes, invocando o modelo para realizar a inferência. Métodos comuns de validação incluem tecnologias como ZKML, OPML e TEE. Projetos representativos, como o oráculo de IA (OAO) na cadeia ORA, introduziram o OPML como uma camada verificável para o oráculo de IA, e o site oficial da ORA também mencionou suas pesquisas sobre ZKML e opp/ai (ZKML combinando OPML).
Camada de aplicação:
Esta camada é principalmente um aplicativo voltado diretamente para o usuário, que combina IA com Web3, criando um melhor
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.
13 gostos
Recompensa
13
4
Partilhar
Comentar
0/400
SnapshotLaborer
· 15h atrás
Ser enganado por idiotas é fazer as pessoas de parvas. Armadilha AI, à primeira vista, parece falsa.
Ver originalResponder0
ImpermanentPhilosopher
· 15h atrás
O sabor de cebola que não pode ser contido por trás do Web3 AI
Ver originalResponder0
GasGuzzler
· 15h atrás
Muitos projetos de camada de pele, tudo envolve IA.
Ver originalResponder0
SnapshotBot
· 15h atrás
Bebi muito cedo, todos os conceitos de IA são absurdos.
Web3-AI: Análise panorâmica: fusão tecnológica, inovação de cenários e análise profunda de projetos de topo
Relatório panorâmico do setor Web3-AI: Análise profunda da lógica técnica, aplicações em cenários e principais projetos
Com o contínuo aquecimento da narrativa de IA, cada vez mais atenção está focada neste setor. Realizamos uma análise aprofundada da lógica técnica, cenários de aplicação e projetos representativos da pista Web3-AI, para apresentar a você uma visão abrangente deste campo e suas tendências de desenvolvimento.
I. Web3-AI: Análise da Lógica Técnica e Oportunidades de Mercado Emergentes
1.1 Lógica da fusão entre Web3 e IA: como definir a pista Web-AI
No último ano, a narrativa de IA tem estado em alta na indústria Web3, com projetos de IA a surgirem 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 fazem parte da discussão sobre projetos Web3-AI neste artigo.
O foco deste artigo está em usar a blockchain para resolver problemas de relações de produção e projetos que utilizam AI para resolver problemas de produtividade. Esses projetos oferecem produtos de AI e, ao mesmo tempo, baseiam-se em modelos econômicos de Web3 como ferramentas de relações de produção, sendo que ambos se complementam. Classificamos esses projetos como a trilha Web3-AI. Para que os leitores compreendam melhor a trilha Web3-AI, vamos apresentar o processo de desenvolvimento e os desafios da AI, bem como a forma como a combinação de Web3 e AI 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 permite que os computadores realizem diversas tarefas complexas, desde a tradução de idiomas, classificação de imagens até o reconhecimento facial e a condução automática, entre outros cenários de aplicação, a IA está mudando a maneira 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 precisaria:
Coleta de dados e pré-processamento de dados: Coletar um conjunto de dados de imagens contendo 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 em um formato que o modelo possa reconhecer, dividindo o conjunto de dados em conjunto de treinamento, conjunto de validação e conjunto de teste.
Seleção e ajuste do modelo: escolha um modelo apropriado, como redes neurais convolucionais (CNN), que são mais adequadas para tarefas de classificação de imagens. Ajuste 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 simples exemplo de classificação, uma rede menos profunda pode ser suficiente.
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 afetado pela complexidade do modelo e pela capacidade de computação.
Inferência do modelo: O arquivo do modelo treinado é geralmente chamado de pesos do modelo, e o processo de inferência refere-se ao uso de um modelo já treinado para fazer previsões ou classificações em novos dados. Neste processo, pode-se usar um conjunto de testes ou novos dados para avaliar o desempenho de classificação do modelo, sendo normalmente utilizados indicadores como precisão, taxa de recuperação e F1-score para avaliar a eficácia do modelo.
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 inferir no conjunto de teste, resultando nos valores de previsão P (probabilidade) para gatos e cães, ou seja, a probabilidade de o modelo inferir que é um gato ou um cão.
Modelos de IA treinados podem ser integrados em várias aplicações para realizar diferentes tarefas. Neste exemplo, um modelo de IA para classificação de gatos e cães pode ser integrado numa aplicação móvel, onde os utilizadores fazem o upload de 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 o seu conhecimento 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 otimização de modelos.
Aquisição de poder computacional: para desenvolvedores individuais e pequenas equipes, o alto custo de compra de GPUs e as despesas de aluguel de poder computacional em nuvem podem representar uma carga econômica significativa.
Renda 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 de pesquisa dos desenvolvedores de IA também têm dificuldade em se alinhar com compradores que têm demanda.
Os desafios existentes nas cenas 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 da capacidade produtiva.
1.3 A sinergia entre Web3 e IA: Mudança de papéis e aplicações inovadoras
A combinação de Web3 e IA pode fortalecer a soberania do usuário, oferecendo uma plataforma de colaboração em IA aberta, permitindo que os usuários passem de meros utilizadores de IA da era Web2 para participantes, criando uma IA que pode ser possuída por todos. Ao mesmo tempo, a fusão do mundo Web3 com a tecnologia IA pode gerar mais cenários de aplicação inovadores e formas de interação.
Baseada na tecnologia Web3, o desenvolvimento e a aplicação da IA irão dar início a um novo sistema econômico de colaboração. A privacidade dos dados das pessoas pode ser garantida, o modelo de crowdsourcing de dados promove o avanço dos modelos de IA, muitos 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 descentralizado de colaboração e crowdsourcing e de um mercado de IA aberto, é possível implementar um sistema de distribuição de renda justo, incentivando mais pessoas a impulsionar o avanço 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 a contratos inteligentes, aumentando a eficiência do trabalho em diferentes cenários de aplicação, como análise de mercado, detecção de segurança, agrupamento social e muitas 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, seja para especialistas em IA ou para novatos que desejam entrar no campo da IA, todos podem encontrar uma entrada adequada neste mundo.
II. Interpretação do mapeamento e arquitetura dos projetos da ecologia Web3-AI
Estudámos principalmente 41 projetos na área do Web3-AI e classificámo-los em diferentes níveis. A lógica de classificação de cada nível está representada na figura abaixo, incluindo a camada de infraestrutura, a camada intermédia e a camada de aplicação, sendo que cada camada é 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 tecnológica que suportam a operação de todo o ciclo de vida da IA, a camada intermediária inclui a gestão de dados, o desenvolvimento de modelos e os serviços de validação e inferência que conectam a infraestrutura às aplicações, enquanto a camada de aplicação se concentra em diversas aplicações e soluções diretamente voltadas para o usuário.
Camada de infraestrutura:
A camada de infraestrutura é a base do ciclo de vida da IA, e este artigo classifica a capacidade computacional, a AI Chain e a plataforma de desenvolvimento como parte da camada de infraestrutura. É com o suporte dessas infraestruturas que se pode 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 de computação 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 de computação a baixo custo ou compartilhar poder de computação para obter lucros, representados por projetos como IO.NET e Hyperbolic. Além disso, alguns projetos derivaram novas abordagens, como a Compute Labs, que propôs um protocolo tokenizado, permitindo que os usuários participem do aluguel de poder de computação de diferentes maneiras, através da compra de 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 entre 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 fornecer estruturas de desenvolvimento de IA e ferramentas de desenvolvimento complementares, com projetos representativos como Sahara AI. A AI Chain também pode promover o avanço da tecnologia de IA em diferentes áreas, como Bittensor, que utiliza um mecanismo de incentivo de sub-rede inovador para promover a competição entre diferentes tipos de sub-rede de IA.
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 de uma única plataforma ajudam os desenvolvedores a criar, treinar e implantar modelos de IA de forma mais conveniente, representados por projetos como Nimble. Esta infraestrutura promove a ampla aplicação da tecnologia de IA no ecossistema Web3.
Camada intermediária:
Esta camada envolve dados, modelos de IA, assim como raciocínio e validação, utilizando tecnologia Web3 para alcançar uma maior eficiência no trabalho.
Além disso, algumas plataformas permitem que especialistas de domínio ou usuários comuns realizem tarefas de pré-processamento de dados, como rotulagem de imagens e classificação de dados, tarefas que podem exigir conhecimentos especializados em finanças e na manipulação de dados legais. Os usuários podem tokenizar suas habilidades, permitindo a colaboração em crowdsourcing para o pré-processamento de dados. Exemplos como o mercado de IA Sahara AI têm tarefas de dados em diferentes domínios, podendo cobrir cenários de dados multifacetados; enquanto o AIT Protocolt rotula dados por meio da colaboração entre humanos e máquinas.
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 armazenem dados de modelos confiáveis em uma camada de armazenamento e na camada de distribuição para otimização de modelos. As ferramentas de desenvolvimento oferecidas pela Sahara AI incluem algoritmos de IA avançados e estruturas de computação, e têm a capacidade de treinamento colaborativo.
Camada de aplicação:
Esta camada é principalmente um aplicativo voltado diretamente para o usuário, que combina IA com Web3, criando um melhor