Relatório panorâmico da pista Web3-AI: lógica técnica, aplicações em cena e análise profunda de projetos de topo

Com o contínuo aquecimento da narrativa de IA, cada vez mais atenção está sendo dada a este setor. Uma análise aprofundada da lógica técnica, casos de aplicação e projetos representativos do setor Web3-AI foi realizada, apresentando de forma abrangente o panorama e as tendências de desenvolvimento deste campo.

Um, Web3-AI: Análise da Lógica Tecnológica e Oportunidades de Mercado Emergentes

1.1 A lógica de fusão entre Web3 e AI: como definir a pista Web-AI

No último ano, a narrativa de IA esteve excepcionalmente em alta na indústria 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 dos tokens subjacentes 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 está em usar blockchain para resolver problemas de relações de produção, e projetos que utilizam IA para resolver problemas de produtividade. Esses projetos oferecem produtos de IA e, ao mesmo tempo, baseiam-se em modelos econômicos Web3 como ferramentas de relações de produção, onde ambos se complementam. Vamos classificar esses projetos como a pista Web3-AI. Para que os leitores compreendam melhor a pista Web3-AI, vamos apresentar o processo de desenvolvimento e os desafios da IA, além de como a combinação de Web3 e 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 aprimorem a inteligência humana. Ela permite que os computadores executem várias tarefas complexas, desde tradução de idiomas, classificação de imagens até reconhecimento facial e condução autónoma. A IA está mudando a maneira 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:

1. Coleta de dados e pré-processamento de dados: coletar um conjunto de dados de imagens que contenha gatos e cães, podendo usar conjuntos de dados públicos ou coletar dados reais por conta própria. Em seguida, rotular cada imagem com a categoria (gato ou cão), garantindo que as etiquetas sejam precisas. 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.

2. Seleção e ajuste de modelo: Escolher um modelo adequado, como as redes neurais convolucionais (CNN), que são bastante adequadas para tarefas de classificação de imagens. Ajustar os parâmetros ou a arquitetura do modelo de acordo com diferentes necessidades; geralmente, os níveis de profundidade da rede do modelo podem ser ajustados com base na complexidade da tarefa de IA. Neste exemplo simples de classificação, uma rede com níveis mais rasos pode ser suficiente.

3. Treinamento do 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 cálculo.

4. Inferência do modelo: O arquivo do modelo treinado é geralmente 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 utilizar um conjunto de testes ou novos dados para avaliar o desempenho de classificação do modelo, normalmente utilizando métricas como precisão, taxa de recuperação, F1-score, entre outras, para avaliar a eficácia do modelo.

Como mostrado na figura, após a coleta de dados e pré-processamento de dados, seleção e ajuste do modelo, e treino, o modelo treinado é utilizado para inferência no conjunto de teste, resultando em 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, executando diferentes tarefas. Neste exemplo, o modelo de IA de classificação de cães e gatos pode ser integrado em uma aplicação móvel, onde os usuários enviam 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 que procuram obter dados de áreas específicas (como dados médicos) podem enfrentar limitações devido à falta de código aberto dos dados.

Seleção e ajustamento de modelos: para pequenas equipas, é difícil obter recursos de modelos específicos ou gastar grandes custos na afinação de modelos.

Acesso ao poder de computação: para desenvolvedores individuais e pequenas equipas, o elevado custo de aquisição de GPUs e as taxas de aluguer de poder de computação na nuvem podem representar uma carga económica significativa.

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 das pesquisas dos desenvolvedores de IA também são difíceis de combinar com compradores que têm demanda.

Os desafios existentes no cenário de AI centralizada podem ser superados através da combinação com o Web3, que, como uma nova forma de relação de produção, adapta-se naturalmente à AI, 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: Mudanças de papéis e aplicações inovadoras

A combinação de Web3 e IA pode fortalecer a soberania do usuário, proporcionando 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 ainda mais cenários de aplicação inovadores e formas de interação.

Baseada na tecnologia Web3, o desenvolvimento e aplicação de IA irão enfrentar 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, diversos recursos de IA de código aberto estão disponíveis para os usuários, e o poder computacional compartilhado pode ser obtido a um custo mais baixo. Com a ajuda de um mecanismo descentralizado de colaboração e crowdsourcing e um mercado de IA aberto, é possível realizar um sistema de distribuição de renda justo, incentivando 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 melhorar 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 diversificados 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 a entrada adequada neste mundo.

Dois, Interpretação do Mapa e Estrutura dos Projetos Ecosistêmicos Web3-AI

Estudámos principalmente 41 projetos na área do Web3-AI e classificámos estes projetos em diferentes níveis. A lógica de classificação de cada nível é mostrada na imagem abaixo, incluindo a camada de infraestrutura, camada intermédia e camada de aplicação, cada uma das quais 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 técnica que suportam a operação de todo o ciclo de vida da IA, a camada intermediária inclui a gestão de dados, desenvolvimento de modelos e serviços de inferência de validação 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 graças ao 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 de computação distribuído para o treinamento de modelos de IA, garantindo uma utilização eficiente e econômica dos recursos de computação. Alguns projetos oferecem um mercado de poder de computação descentralizado, onde os usuários podem alugar poder de computação a baixo custo ou compartilhar poder de computação para obter ganhos, representados por projetos como IO.NET e Hyperbolic. Além disso, alguns projetos derivaram novas maneiras de jogar, como Compute Labs, que propuseram um protocolo tokenizado, onde os usuários podem participar do aluguel de poder de computação de diferentes maneiras ao comprar 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 industrial. O mercado descentralizado de IA na blockchain pode negociar ativos de IA como dados, modelos, agentes, etc., e fornece uma estrutura de desenvolvimento de IA e ferramentas de desenvolvimento complementares, representado pelo projeto Sahara AI. A AI Chain também pode promover o avanço tecnológico da IA em diferentes áreas, como o Bittensor, que incentiva a competição entre sub-redes de diferentes tipos de IA através de um mecanismo de incentivo inovador.

• Plataforma de desenvolvimento: alguns projetos oferecem plataformas de desenvolvimento de agentes de IA, e também permitem a negociação de agentes de IA, como Fetch.ai e ChainML. Ferramentas de serviço completo ajudam os desenvolvedores a criar, treinar e implantar modelos de IA de forma mais conveniente, com projetos representativos como Nimble. Essa infraestrutura promove a ampla aplicação da tecnologia de IA no ecossistema Web3.

Camada intermediária:

Esta camada envolve dados de IA, modelos, bem como raciocínio e validação, utilizando tecnologia Web3 para 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 do modelo. No mundo Web3, a utilização de dados por meio de crowdsourcing e o processamento colaborativo de dados podem otimizar a utilização de recursos e reduzir os custos dos dados. Os usuários podem ter autonomia sobre seus dados e, sob proteção de privacidade, vender suas próprias informações para evitar que dados sejam roubados por comerciantes desonestos e para evitar lucros elevados. Para os demandantes de dados, estas plataformas oferecem uma ampla gama de opções e custos extremamente baixos. Projetos representativos como o Grass utilizam a largura de banda dos usuários para capturar dados da Web, e o xData coleta informações da mídia através de plugins amigáveis ao usuário, além de suportar o upload de informações de tweets pelos usuários.

Além disso, algumas plataformas permitem que especialistas em áreas específicas ou usuários comuns executem tarefas de pré-processamento de dados, como rotulagem de imagens e classificação de dados, tarefas que podem exigir conhecimentos especializados em processamento de dados financeiros e legais. Os usuários podem tokenizar suas habilidades, permitindo a colaboração em crowdsourcing para o pré-processamento de dados. Exemplos incluem o mercado de IA Sahara AI, que abrange tarefas de dados em diferentes áreas, podendo cobrir cenários de dados em múltiplos domínios; 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 precisam corresponder a modelos adequados. Modelos comumente usados em tarefas de imagem, como CNN e GAN, a série Yolo pode ser escolhida para tarefas de detecção de objetos, e modelos comuns para tarefas de texto incluem RNN e Transformer, além de alguns grandes modelos específicos ou gerais. A profundidade do modelo necessária para tarefas de diferentes complexidades também varia, e às vezes é necessário ajustar o modelo.

Alguns projetos suportam que os usuários forneçam diferentes tipos de modelos ou colaborem no treinamento de modelos por meio de crowdsourcing, 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 fornecidas pela Sahara AI incorporam algoritmos de IA avançados e estruturas de computação, e têm a capacidade de treinamento colaborativo.

• Inferência e verificação: Após o treinamento, o modelo gera arquivos de pesos do modelo, que podem ser usados para classificação, previsão ou outras tarefas específicas, esse processo é chamado de inferência. O processo de inferência geralmente é acompanhado por um mecanismo de verificação, para validar se a origem do modelo de inferência está correta, se há comportamentos maliciosos, etc. A inferência em Web3 pode ser integrada em contratos inteligentes, chamando o modelo para inferência, as formas comuns de verificação incluem tecnologias como ZKML, OPML e TEE. Projetos representativos como o oráculo de IA na cadeia ORA (OAO) introduziram o OPML como uma camada verificável para o oráculo de IA, no site oficial da ORA também mencionaram 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, que combina IA com Web3, criando