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

Avec la montée en puissance de la narration par l'IA, de plus en plus d'attention se concentre sur ce secteur. Une analyse approfondie de la logique technique, des cas d'application et des projets représentatifs dans le secteur Web3-AI a été réalisée, afin de vous présenter une vue d'ensemble et les tendances de développement dans ce domaine.

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

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

Au cours de l'année écoulée, la narration AI a connu un succès exceptionnel dans l'industrie du Web3, avec l'émergence de projets AI comme des champignons après la pluie. Bien que de nombreux projets impliquent des technologies AI, certains ne utilisent l'AI que dans certaines parties de leurs produits, et l'économie des tokens sous-jacente n'est pas substantiellement liée aux produits AI. 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 fournissent eux-mêmes des produits d'IA, tout en utilisant un modèle économique Web3 comme outil de relations de production, les deux étant complémentaires. Nous classons ces projets dans la catégorie Web3-AI. Afin de permettre aux lecteurs de mieux comprendre cette catégorie Web3-AI, nous allons développer le processus de développement de l'IA et les défis, ainsi que la manière dont la combinaison de Web3 et d'IA peut parfaitement résoudre des problèmes et créer de nouveaux cas d'utilisation.

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 linguistique, de la classification d'images jusqu'à la reconnaissance faciale et à la conduite autonome. L'IA est en train de transformer 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 permettant de classifier des images de chats et de chiens, vous devez :

1. Collecte de données et prétraitement des données : recueillir un ensemble de données d'images contenant des chats et des chiens, en utilisant des ensembles de données publics ou en collectant soi-même des données réelles. Ensuite, étiquetez chaque image avec sa catégorie (chat ou chien), en vous assurant que les étiquettes sont précises. Convertissez les images dans un format que le modèle peut reconnaître, puis divisez l'ensemble de données en ensemble d'entraînement, ensemble de validation et ensemble de test.

2. Choix et ajustement du modèle : choisir un modèle approprié, comme les réseaux de neurones convolutifs (CNN), qui conviennent bien aux tâches de classification d'images. Ajuster les paramètres ou l'architecture du modèle selon les besoins, en général, les niveaux de réseau du modèle peuvent être ajustés en fonction de la complexité de la tâche d'IA. Dans cet exemple simple de classification, des niveaux de réseau plus superficiels peuvent suffire.

3. Entraînement du modèle : il est possible d'utiliser des GPU, des 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 d'un modèle préalablement entraîné est généralement appelé poids du modèle. Le processus d'inférence fait référence à l'utilisation d'un modèle déjà entraîné pour prédire ou classer de nouvelles données. Au cours de ce processus, un ensemble de test ou de nouvelles données peut être utilisé pour évaluer l'efficacité de la classification du modèle, en utilisant généralement des indicateurs tels que la précision, le rappel, et le F1-score.

Comme indiqué sur l'image, après la collecte de données et le prétraitement des données, la sélection et le réglage du modèle, ainsi que l'entraînement, le modèle entraîné effectuera des inférences sur le jeu de test pour obtenir les valeurs prédites P (probabilité) pour les chats et les chiens, c'est-à-dire la probabilité que le modèle infère qu'il s'agit d'un chat ou d'un chien.

Les modèles d'IA entraînés peuvent être intégrés dans diverses applications pour exécuter différentes tâches. Dans cet exemple, le modèle d'IA de classification des chats et des chiens peut être intégré dans une application mobile, où les utilisateurs téléchargent des photos de chats ou de chiens pour obtenir des résultats de classification.

Cependant, le processus de développement de l'IA centralisée 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 particuliers peuvent être confrontés à des restrictions sur l'accès aux données non ouvertes dans des domaines spécifiques (comme les données médicales).

Choix et ajustement des modèles : pour les petites équipes, il est difficile d'accéder aux ressources de modèles spécifiques à un domaine ou de dépenser beaucoup de coûts 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 de l'annotation de données obtiennent souvent des revenus qui ne correspondent pas à leurs efforts, tandis que les résultats de recherche des développeurs d'IA ont également du mal à correspondre aux acheteurs qui en ont besoin.

Les défis existants dans un scénario d'IA centralisée peuvent être surmontés en s'associant à Web3. Web3, en tant que nouvelle forme de relation productive, s'adapte naturellement à l'IA, qui représente une nouvelle productivité, favorisant ainsi le progrès simultané de la technologie et des capacités de production.

1.3 Web3 et l'effet de synergie avec l'IA : changement de rôle et applications innovantes

La combinaison de Web3 et de l'IA peut renforcer la souveraineté des utilisateurs, en offrant une plateforme de collaboration en IA ouverte, permettant aux utilisateurs de passer de simples utilisateurs d'IA de l'ère Web2 à des participants, créant une IA que tout le monde peut posséder. En même temps, la fusion du monde Web3 et des technologies IA peut également donner lieu à davantage de scénarios d'application innovants et de nouvelles façons de jouer.

Grâce à la technologie Web3, le développement et l'application de l'IA entreront dans un tout nouveau système économique collaboratif. La confidentialité des données des utilisateurs peut être protégée, et le modèle de crowdsourcing de données favorise l'avancement des modèles d'IA. De nombreuses ressources IA open source sont disponibles pour les utilisateurs, et la puissance de calcul partagée peut être obtenue à un coût relativement bas. Grâce à un mécanisme de crowdsourcing décentralisé et à un marché de l'IA ouvert, il est possible de réaliser un système de répartition des revenus équitable, incitant ainsi davantage de personnes à promouvoir les progrès de la technologie IA.

Dans un contexte Web3, l'IA peut avoir un impact positif sur plusieurs domaines. Par exemple, les modèles d'IA peuvent être intégrés dans des contrats intelligents pour améliorer l'efficacité du travail dans divers scénarios d'application, tels que l'analyse de marché, la détection de sécurité, le clustering social, et bien d'autres fonctionnalités. L'IA générative permet non seulement aux utilisateurs de vivre le rôle d'"artiste", par exemple en créant leurs propres NFT avec des technologies d'IA, mais aussi de créer des scènes de jeu variées et des expériences interactives intéressantes dans GameFi. Une infrastructure riche offre une expérience de développement fluide, que ce soit pour des experts en IA ou des débutants souhaitant entrer dans le domaine de l'IA, chacun peut trouver une entrée appropriée dans ce monde.

Deux, interprétation de la carte et de l'architecture des projets écosystémiques Web3-AI

Nous avons principalement étudié 41 projets dans le domaine Web3-AI et avons classé ces projets en différents niveaux. La logique de classification de chaque niveau est illustrée dans le diagramme ci-dessous, incluant le niveau d'infrastructure, le niveau intermédiaire et le niveau d'application, chaque niveau étant lui-même divisé 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, tandis que 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. La couche d'application se concentre sur les diverses applications et solutions directement destinées aux utilisateurs.

Couche d'infrastructure :

La couche d'infrastructure est la base du cycle de vie de l'IA. Cet article classe la puissance de calcul, AI Chain et la plateforme de développement comme faisant partie de la couche d'infrastructure. C'est grâce au soutien de ces infrastructures que l'entraînement et l'inférence des modèles d'IA peuvent être réalisés, et que des applications d'IA puissantes et pratiques peuvent être présentées aux utilisateurs.

• Réseau de calcul décentralisé : il peut fournir une puissance de calcul distribuée pour l'entraînement des modèles d'IA, garantissant une utilisation efficace et économique des ressources de calcul. Certains projets offrent des marchés de puissance de calcul décentralisés, permettant aux utilisateurs de louer de la puissance de calcul à faible coût ou de partager la puissance de calcul pour obtenir des revenus, des projets tels que IO.NET et Hyperbolic. De plus, certains projets ont dérivé de nouvelles façons de jouer, comme Compute Labs, qui a proposé un protocole tokenisé, permettant aux utilisateurs de participer à la location de puissance de calcul pour gagner des revenus en achetant des NFT représentant des entités GPU.

• AI Chain : Utiliser la blockchain comme base du cycle de vie de l'IA, permettant une interaction transparente des ressources IA en ligne et hors ligne, et favorisant le développement de l'écosystème industriel. Le marché décentralisé de l'IA sur la chaîne permet d'échanger des actifs IA tels que des données, des modèles, des agents, etc., et propose des cadres de développement IA et des outils de développement associés, représentant des projets comme Sahara AI. AI Chain peut également promouvoir les avancées technologiques en IA dans différents domaines, comme Bittensor qui stimule la concurrence entre différents types de sous-réseaux grâce à un mécanisme d'incitation innovant.

• Plateforme de développement : certains projets proposent des plateformes de développement d'agents IA, permettant également le trading d'agents IA, tels que Fetch.ai et ChainML. Des outils tout-en-un aident les développeurs à créer, entraîner et déployer des modèles IA plus facilement, comme le représente le projet Nimble. Cette infrastructure favorise l'application généralisée des technologies IA dans l'écosystème Web3.

Couche intermédiaire :

Ce niveau concerne les données AI, les modèles ainsi que le raisonnement et la validation, et l'utilisation de la technologie Web3 peut permettre d'atteindre une efficacité de travail plus élevée.

• 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 des données peuvent être réalisées grâce à des données participatives et à un traitement collaboratif des données. Les utilisateurs peuvent posséder des droits sur leurs données et les vendre dans le respect de la protection de la vie privée, afin d'éviter que leurs données ne soient volées par de mauvais commerçants pour réaliser des profits élevés. Pour les demandeurs de données, ces plateformes offrent un large éventail de choix à des coûts très bas. Des projets représentatifs comme Grass utilisent la bande passante des utilisateurs pour extraire des données Web, xData collecte des informations médiatiques via un plugin convivial et permet aux utilisateurs de télécharger des informations sur des tweets.

De plus, certaines plateformes permettent aux experts du 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 pour le traitement des données financières et juridiques. Les utilisateurs peuvent tokeniser leurs compétences pour réaliser une collaboration en crowdsourcing dans le prétraitement des données. Des exemples incluent le marché AI de Sahara AI, qui propose des tâches de données dans différents domaines, pouvant couvrir des scénarios de données multi-domaines ; tandis qu'AIT Protocolt effectue l'annotation des données par le biais de la collaboration homme-machine.

• Modèle : Dans le processus de développement de l'IA mentionné précédemment, différents types de besoins nécessitent d'accorder 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, sans oublier certains grands modèles spécifiques ou généraux. La profondeur des modèles nécessaires varie également en fonction de la complexité des tâches, et il est parfois nécessaire d'optimiser les modèles.

Certains projets permettent aux utilisateurs de fournir différents types de modèles ou de collaborer au training des modèles par le biais de l'affichage participatif, comme Sentient qui, grâce à une conception modulaire, permet aux utilisateurs de placer des données de modèle fiables dans la couche de stockage et la couche de distribution pour optimiser les modèles. Les outils de développement fournis par Sahara AI intègrent des algorithmes d'IA avancés et des cadres de calcul, et disposent de la capacité de formation collaborative.

• Inférence et validation : après l'entraînement du modèle, un fichier de poids du modèle est généré, pouvant être utilisé directement 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, s'il y a des comportements malveillants, etc. L'inférence Web3 peut généralement être intégrée dans des contrats intelligents, en appelant le modèle pour effectuer 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, le site officiel d'ORA mentionne également leurs recherches sur ZKML et opp/ai (ZKML combiné avec OPML).

Couche applicative :

Ce niveau est principalement une application directement destinée aux utilisateurs, combinant l'IA et le Web3, créant