Informe panorámico del sector Web3-AI: análisis profundo de la lógica técnica, aplicaciones en escenarios y proyectos de primer nivel Profundidad

Con el continuo calentamiento de la narración de IA, cada vez más atención se centra en esta pista. Se ha realizado un análisis profundo de la lógica técnica, los escenarios de aplicación y los proyectos representativos de la pista Web3-AI, para presentarle una visión completa y las tendencias de desarrollo en este campo.

Uno, Web3-AI: Análisis de la lógica técnica y las oportunidades de mercado emergentes

1.1 Lógica de la fusión entre Web3 y AI: cómo definir la pista Web-AI

En el último año, la narrativa de IA ha sido excepcionalmente popular en la industria de Web3, con proyectos de IA surgiendo como setas después de la lluvia. Aunque hay muchos proyectos que involucran tecnología de IA, algunos de ellos solo utilizan IA en ciertas partes de sus productos, y la economía de tokens subyacente no está sustancialmente relacionada con los productos de IA; por lo tanto, estos proyectos no se incluyen en la discusión de proyectos Web3-AI en este artículo.

El enfoque de este artículo está en el uso de la blockchain para resolver problemas de relaciones de producción, proyectos en los que la IA resuelve problemas de productividad, y estos proyectos ofrecen productos de IA, al mismo tiempo que utilizan modelos económicos de Web3 como herramientas de relaciones de producción, ambos se complementan mutuamente. Clasificamos estos proyectos como la pista Web3-AI. Para que los lectores comprendan mejor la pista Web3-AI, se presentará el proceso de desarrollo y los desafíos de la IA, así como cómo la combinación de Web3 y IA resuelve perfectamente problemas y crea nuevos escenarios de aplicación.

1.2 El proceso de desarrollo de la IA y los desafíos: desde la recolección de datos hasta la inferencia del modelo

La tecnología de IA es una técnica que permite a las computadoras simular, ampliar y mejorar la inteligencia humana. Puede hacer que las computadoras realicen diversas tareas complejas, desde la traducción de idiomas, la clasificación de imágenes hasta el reconocimiento facial y la conducción autónoma; la IA está cambiando la forma en que vivimos y trabajamos.

El proceso de desarrollo de modelos de inteligencia artificial generalmente incluye los siguientes pasos clave: recolección de datos y preprocesamiento de datos, selección y ajuste del modelo, entrenamiento y razonamiento del modelo. Un ejemplo simple sería desarrollar un modelo para clasificar imágenes de gatos y perros, necesitarías:

1. Recolección de datos y preprocesamiento de datos: recopilar un conjunto de datos de imágenes que contengan gatos y perros, se puede utilizar un conjunto de datos público o recopilar datos reales por cuenta propia. Luego, etiquetar cada imagen con su categoría (gato o perro), asegurando que las etiquetas sean precisas. Convertir las imágenes a un formato que el modelo pueda reconocer, dividir el conjunto de datos en conjunto de entrenamiento, conjunto de validación y conjunto de prueba.

2. Selección y ajuste del modelo: seleccionar el modelo adecuado, como las redes neuronales convolucionales (CNN), que son más adecuadas para tareas de clasificación de imágenes. Ajustar los parámetros o la arquitectura del modelo según diferentes necesidades; por lo general, la profundidad de la red del modelo puede ajustarse según la complejidad de la tarea de IA. En este simple ejemplo de clasificación, una red menos profunda puede ser suficiente.

3. Entrenamiento del modelo: se pueden utilizar GPU, TPU o clústeres de computación de alto rendimiento para entrenar el modelo, el tiempo de entrenamiento se ve afectado por la complejidad del modelo y la capacidad de cálculo.

4. Inferencia del modelo: El archivo de modelo entrenado se denomina generalmente peso del modelo, y el proceso de inferencia se refiere al uso de un modelo ya entrenado para predecir o clasificar nuevos datos. En este proceso, se puede utilizar un conjunto de pruebas o nuevos datos para evaluar el rendimiento de clasificación del modelo, que generalmente se evalúa con métricas como precisión, tasa de recuperación, F1-score, etc.

Como se muestra en la figura, después de la recopilación de datos y el preprocesamiento de datos, la selección y ajuste del modelo, y el entrenamiento, se llevará a cabo la inferencia del modelo entrenado en el conjunto de prueba para obtener los valores de predicción P (probabilidad) de gatos y perros, es decir, la probabilidad de que el modelo infiera que es un gato o un perro.

Los modelos de IA entrenados pueden integrarse aún más en diversas aplicaciones para realizar diferentes tareas. En este ejemplo, el modelo de IA para la clasificación de gatos y perros puede integrarse en una aplicación móvil, donde los usuarios suben imágenes de gatos o perros y obtienen resultados de clasificación.

Sin embargo, el proceso de desarrollo de IA centralizada presenta algunos problemas en los siguientes escenarios:

Privacidad del usuario: en un escenario centralizado, el proceso de desarrollo de IA suele ser opaco. Los datos del usuario pueden ser robados sin su conocimiento y utilizados para el entrenamiento de IA.

Obtención de fuentes de datos: los pequeños equipos o individuos pueden enfrentar la limitación de que los datos en campos específicos (como los datos médicos) no estén disponibles como código abierto.

Selección y ajuste de modelos: para equipos pequeños, es difícil obtener recursos de modelos en campos específicos o gastar grandes costos en el ajuste de modelos.

Obtención de poder de cálculo: para desarrolladores individuales y pequeños equipos, el alto costo de compra de GPU y las tarifas de alquiler de poder de cálculo en la nube pueden representar una carga económica significativa.

Ingresos de activos de IA: los trabajadores de etiquetado de datos a menudo no pueden obtener ingresos que coincidan con su esfuerzo, y los resultados de investigación de los desarrolladores de IA también son difíciles de coincidir con compradores que tienen demanda.

Los desafíos existentes en los escenarios de IA centralizada pueden superarse combinándolos con Web3, que, como una nueva relación de producción, se adapta de forma natural a la IA, que representa una nueva productividad, promoviendo así el progreso simultáneo de la tecnología y la capacidad de producción.

1.3 Efecto sinérgico entre Web3 y AI: Cambio de roles y aplicaciones innovadoras

La combinación de Web3 y AI puede fortalecer la soberanía del usuario, proporcionando una plataforma de colaboración de AI abierta que transforma a los usuarios de la era Web2, de meros consumidores de AI a participantes, creando una AI que todos puedan poseer. Al mismo tiempo, la fusión del mundo Web3 con la tecnología AI también puede dar lugar a más escenarios de aplicación innovadores y formas de interacción.

Basado en la tecnología Web3, el desarrollo y la aplicación de la IA darán la bienvenida a un nuevo sistema económico de colaboración. La privacidad de los datos de las personas puede ser garantizada, el modelo de datos en modo crowdsourcing promueve el avance de los modelos de IA, y muchos recursos de IA de código abierto están disponibles para los usuarios, mientras que la potencia compartida se puede obtener a un costo más bajo. Con la ayuda de un mecanismo de colaboración descentralizado y un mercado de IA abierto, se puede lograr un sistema de distribución de ingresos justo, lo que incentivará a más personas a impulsar el avance de la tecnología de IA.

En el escenario de Web3, la IA puede tener un impacto positivo en múltiples sectores. Por ejemplo, los modelos de IA pueden integrarse en contratos inteligentes para mejorar la eficiencia laboral en diferentes escenarios de aplicación, como análisis de mercado, detección de seguridad, agrupación social y diversas otras funciones. La IA generativa no solo permite a los usuarios experimentar el papel de "artista", como crear sus propios NFT utilizando tecnología de IA, sino que también puede crear escenarios de juego ricos y variados y experiencias interactivas interesantes en GameFi. Una infraestructura rica proporciona una experiencia de desarrollo fluida, ya sea para expertos en IA o para principiantes que deseen ingresar al campo de la IA, todos pueden encontrar una entrada adecuada en este mundo.

Dos, interpretación del mapa y la arquitectura del proyecto ecológico Web3-AI

Hemos investigado principalmente 41 proyectos en la pista de Web3-AI y hemos clasificado estos proyectos en diferentes niveles. La lógica de clasificación de cada nivel se muestra en la siguiente imagen, que incluye la capa de infraestructura, la capa intermedia y la capa de aplicación, y cada nivel se divide en diferentes secciones. En el siguiente capítulo, realizaremos un análisis profundo de algunos proyectos representativos.

La capa de infraestructura abarca los recursos computacionales y la arquitectura técnica que soportan el funcionamiento de todo el ciclo de vida de la IA. La capa intermedia incluye la gestión de datos, el desarrollo de modelos y los servicios de razonamiento de verificación que conectan la infraestructura con las aplicaciones. La capa de aplicaciones se centra en diversas aplicaciones y soluciones orientadas directamente al usuario.

Capa de infraestructura:

La capa de infraestructura es la base del ciclo de vida de la IA. En este artículo, la capacidad de cálculo, AI Chain y la plataforma de desarrollo se clasifican como la capa de infraestructura. Es gracias al apoyo de estas infraestructuras que se puede llevar a cabo el entrenamiento y la inferencia de modelos de IA, y presentar aplicaciones de IA potentes y prácticas a los usuarios.

• Red de computación descentralizada: puede proporcionar capacidad de cálculo distribuida para el entrenamiento de modelos de IA, asegurando una utilización eficiente y económica de los recursos de cálculo. Algunos proyectos ofrecen un mercado de capacidad de cálculo descentralizado, donde los usuarios pueden alquilar capacidad de cálculo a bajo costo o compartir capacidad de cálculo para obtener ganancias, representados por proyectos como IO.NET y Hyperbolic. Además, algunos proyectos han derivado nuevos enfoques, como Compute Labs, que propone un protocolo tokenizado, permitiendo a los usuarios participar de diferentes maneras en el alquiler de capacidad de cálculo para obtener ganancias mediante la compra de NFT que representan entidades de GPU.

• AI Chain: Utiliza la blockchain como base para el ciclo de vida de la IA, logrando una interacción sin problemas entre los recursos de IA en la cadena y fuera de la cadena, y promoviendo el desarrollo del ecosistema de la industria. El mercado descentralizado de IA en la cadena puede comerciar activos de IA como datos, modelos, agentes, etc., y proporciona un marco de desarrollo de IA y herramientas de desarrollo complementarias, representado por proyectos como Sahara AI. AI Chain también puede fomentar el avance de la tecnología de IA en diferentes campos, como Bittensor, que promueve la competencia entre diferentes tipos de subredes de IA a través de un innovador mecanismo de incentivos de subredes.

• Plataforma de desarrollo: Algunos proyectos ofrecen plataformas de desarrollo de agentes de IA, que también pueden realizar transacciones de agentes de IA, como Fetch.ai y ChainML. Herramientas todo en uno ayudan a los desarrolladores a crear, entrenar y desplegar modelos de IA de manera más fácil, representados por proyectos como Nimble. Esta infraestructura facilita la amplia aplicación de la tecnología de IA en el ecosistema Web3.

Capa intermedia:

Este nivel involucra datos de IA, modelos, así como inferencia y verificación, utilizando tecnología Web3 se puede lograr una mayor eficiencia laboral.

• Datos: La calidad y cantidad de los datos son factores clave que afectan la efectividad del entrenamiento del modelo. En el mundo de Web3, a través de la recopilación de datos en masa y el procesamiento colaborativo de datos, se puede optimizar la utilización de recursos y reducir los costos de datos. Los usuarios pueden tener soberanía sobre sus datos y, en un contexto de protección de la privacidad, vender sus propios datos para evitar que sean robados y utilizados de manera lucrativa por comerciantes malintencionados. Para los demandantes de datos, estas plataformas ofrecen una amplia gama de opciones y costos muy bajos. Proyectos representativos como Grass utilizan el ancho de banda de los usuarios para recopilar datos de la web, xData recopila información multimedia a través de un complemento fácil de usar y apoya a los usuarios para subir información de tweets.

Además, algunas plataformas permiten a expertos en el campo o a usuarios comunes realizar tareas de preprocesamiento de datos, como etiquetado de imágenes y clasificación de datos, estas tareas pueden requerir conocimientos especializados en el procesamiento de datos financieros y legales, los usuarios pueden tokenizar sus habilidades para lograr una colaboración en la multitud de preprocesamiento de datos. Representando mercados de IA como Sahara AI, que tiene diferentes tareas de datos en distintos campos, puede abarcar escenarios de datos multifacéticos; mientras que AIT Protocolt etiqueta los datos a través de la colaboración entre humanos y máquinas.

• Modelo: En el proceso de desarrollo de IA mencionado anteriormente, diferentes tipos de necesidades requieren la coincidencia con un modelo adecuado. Modelos comúnmente utilizados para tareas de imagen incluyen CNN y GAN, mientras que para tareas de detección de objetos se puede elegir la serie Yolo. Para tareas de texto, los modelos comunes incluyen RNN y Transformer, y por supuesto, también hay algunos modelos grandes específicos o generales. La profundidad del modelo necesaria varía según la complejidad de la tarea, y a veces se requiere ajustar el modelo.

Algunos proyectos permiten a los usuarios proporcionar diferentes tipos de modelos o colaborar en el entrenamiento de modelos a través de un enfoque de crowdsourcing, como Sentient, que mediante un diseño modular, permite a los usuarios almacenar datos de modelos confiables en la capa de almacenamiento y distribución para la optimización del modelo. Las herramientas de desarrollo proporcionadas por Sahara AI incorporan algoritmos avanzados de IA y marcos de cálculo, y tienen la capacidad de entrenamiento colaborativo.

• Inferencia y verificación: después de que el modelo ha sido entrenado, generará archivos de pesos del modelo que se pueden usar para clasificación, predicción u otras tareas específicas, este proceso se llama inferencia. El proceso de inferencia suele ir acompañado de un mecanismo de verificación para validar la fuente del modelo de inferencia, si es correcto, si hay comportamientos maliciosos, etc. La inferencia en Web3 generalmente se puede integrar en contratos inteligentes, llamando al modelo para realizar la inferencia. Los métodos de verificación comunes incluyen tecnologías como ZKML, OPML y TEE. Proyectos representativos como el oráculo de IA en la cadena ORA (OAO) han introducido OPML como una capa verificable para el oráculo de IA, y en el sitio web de ORA también se menciona su investigación sobre ZKML y opp/ai (ZKML combinado con OPML).

Capa de aplicación:

Esta capa está principalmente orientada a aplicaciones directas para el usuario, combinando la IA con Web3 para crear