Informe panorámico sobre la pista Web3-AI: análisis profundo de la lógica técnica, aplicaciones en escenarios y proyectos de primer nivel Profundidad
Con el continuo aumento de la narrativa de IA, cada vez más atención se centra en este campo. Se ha realizado un análisis profundo de la lógica técnica, los escenarios de aplicación y los proyectos representativos en la pista de Web3-AI, presentándole una visión completa y las tendencias de desarrollo en este ámbito.
Uno, Web3-AI: Análisis de la lógica técnica y oportunidades de mercado emergentes
1.1 Lógica de fusión entre Web3 y AI: ¿cómo definir la pista Web-AI?
En el último año, la narrativa de IA ha estado excepcionalmente en auge 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 proyectos solo utilizan IA en ciertas partes de sus productos, y la economía de tokens subyacente no tiene una relación sustancial con los productos de IA, por lo que estos proyectos no están incluidos en la discusión de proyectos Web3-AI en este artículo.
El enfoque de este artículo está en el uso de blockchain para resolver problemas de relaciones de producción y proyectos que utilizan IA para resolver problemas de productividad. Estos proyectos ofrecen productos de IA y, al mismo tiempo, se basan en modelos económicos de Web3 como herramientas de relaciones de producción, siendo ambos complementarios. Clasificamos estos proyectos en la categoría de Web3-AI. Para que los lectores comprendan mejor la categoría Web3-AI, se presentará un desarrollo del proceso de desarrollo de IA y sus desafíos, así como cómo la combinación de Web3 y IA puede resolver problemas de manera perfecta y crear nuevos escenarios de aplicación.
1.2 El proceso de desarrollo de la IA y los desafíos: desde la recopilación de datos hasta la inferencia del modelo
La tecnología de IA es una tecnología 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, la conducción autónoma y otros escenarios de aplicación. 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 del modelo e inferencia. Para dar un ejemplo simple, al desarrollar un modelo para clasificar imágenes de gatos y perros, necesitas:
Recolección de datos y preprocesamiento de datos: recolectar un conjunto de datos de imágenes que contengan gatos y perros, se puede usar un conjunto de datos público o recopilar datos reales por cuenta propia. Luego, etiquetar cada imagen con una categoría (gato o perro), asegurándose de que las etiquetas sean precisas. Convertir las imágenes a un formato que el modelo pueda reconocer, dividiendo el conjunto de datos en un conjunto de entrenamiento, un conjunto de validación y un conjunto de prueba.
Selección y ajuste del modelo: elige el modelo adecuado, como las redes neuronales convolucionales (CNN), que son más adecuadas para tareas de clasificación de imágenes. Ajusta los parámetros o la arquitectura del modelo según las diferentes necesidades; en general, la profundidad de la red del modelo puede ajustarse de acuerdo con la complejidad de la tarea de IA. En este simple ejemplo de clasificación, una red menos profunda puede ser suficiente.
Entrenamiento del modelo: se puede utilizar GPU, TPU o un clúster de computación de alto rendimiento para entrenar el modelo, el tiempo de entrenamiento está influenciado por la complejidad del modelo y la capacidad de cálculo.
Inferencia del modelo: El archivo del modelo ya entrenado se llama generalmente pesos del modelo, y el proceso de inferencia se refiere al proceso de usar un modelo ya entrenado para predecir o clasificar nuevos datos. En este proceso, se puede utilizar un conjunto de prueba o nuevos datos para evaluar el rendimiento de clasificación del modelo, que generalmente se evalúa mediante indicadores como la precisión, la tasa de recuperación y el F1-score.
Después de la recopilación de datos, el preprocesamiento de datos, la selección y ajuste del modelo, y el entrenamiento, al realizar inferencias con el modelo entrenado en el conjunto de prueba, se obtendrán los valores de predicción P (probabilidad) para gatos y perros, es decir, la probabilidad de que el modelo infiera que es un gato o un perro.
Un modelo de IA entrenado puede integrarse aún más en diversas aplicaciones para realizar diferentes tareas. En este ejemplo, un 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 escenarios centralizados, el proceso de desarrollo de la IA suele ser opaco. Los datos de los usuarios pueden ser robados sin su conocimiento y utilizados para el entrenamiento de la IA.
Obtención de fuentes de datos: los equipos pequeños o individuos que buscan datos en campos específicos (como datos médicos) pueden enfrentar restricciones debido a la falta de fuentes de datos abiertas.
Selección y ajuste del modelo: para equipos pequeños, es difícil acceder a recursos de modelos específicos o gastar grandes costos en el ajuste de modelos.
Obtención de poder de cómputo: Para desarrolladores individuales y pequeños equipos, el alto costo de compra de GPU y los costos de alquiler de poder de cómputo 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 correspondan a sus esfuerzos, y los resultados de la investigación de los desarrolladores de IA también son difíciles de coincidir con los compradores que tienen demanda.
Los desafíos existentes en el escenario de IA centralizada pueden ser abordados mediante la combinación con Web3, que, como una nueva relación de producción, se adapta de manera natural a la IA que representa nuevas fuerzas productivas, impulsando así el progreso simultáneo de la tecnología y la capacidad de producción.
1.3 Sinergia entre Web3 y AI: Cambio de roles y aplicaciones innovadoras
La combinación de Web3 y AI puede aumentar la soberanía del usuario, proporcionando una plataforma de colaboración de AI abierta, permitiendo que los usuarios pasen de ser usuarios de AI en la era de Web2 a participantes, creando una AI que todos puedan poseer. Al mismo tiempo, la fusión del mundo Web3 con la tecnología AI también puede generar más escenarios de aplicación innovadores y formas de jugar.
Basado en la tecnología Web3, el desarrollo y la aplicación de la IA darán la bienvenida a un nuevo sistema económico colaborativo. La privacidad de los datos de las personas puede ser garantizada, y el modelo de datos de crowdsourcing promueve el avance de los modelos de IA. Muchos recursos de IA de código abierto están disponibles para los usuarios, y la potencia de cálculo compartida se puede obtener a un costo más bajo. Con la ayuda de un mecanismo de crowdsourcing colaborativo 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 áreas. Por ejemplo, los modelos de IA pueden integrarse en contratos inteligentes para mejorar la eficiencia del trabajo en diferentes escenarios de aplicación, como análisis de mercado, detección de seguridad, agrupamiento social y diversas funciones. La IA generativa no solo permite a los usuarios experimentar el rol de "artista", como crear su propio NFT utilizando tecnología de IA, sino que también puede crear escenarios de juego variados y experiencias interactivas interesantes en GameFi. Una infraestructura rica proporciona una experiencia de desarrollo fluida, donde tanto los expertos en IA como los novatos que desean ingresar al campo de la IA pueden encontrar la entrada adecuada en este mundo.
Dos, interpretación del mapa y la arquitectura del proyecto ecológico Web3-AI
Principalmente investigamos 41 proyectos en el campo de Web3-AI y clasificamos 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, cada una de las cuales 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 ciclo de vida completo de la IA, mientras que la capa intermedia incluye la gestión de datos, el desarrollo de modelos y los servicios de verificación e inferencia que conectan la infraestructura con las aplicaciones. La capa de aplicación se centra en diversas aplicaciones y soluciones que están directamente orientadas al usuario.
Capa de infraestructura:
La capa de infraestructura es la base del ciclo de vida de la IA. En este artículo, la potencia de cálculo, AI Chain y la plataforma de desarrollo se clasifican como la capa de infraestructura. Es gracias al apoyo de esta infraestructura que se pueden llevar a cabo el entrenamiento y la inferencia de modelos de IA, presentando aplicaciones de IA potentes y prácticas a los usuarios.
Red de computación descentralizada: puede proporcionar potencia de cálculo distribuida para el entrenamiento de modelos de IA, asegurando una utilización eficiente y económica de los recursos de cálculo. Algunos proyectos ofrecen mercados de potencia de cálculo descentralizados, donde los usuarios pueden alquilar potencia de cálculo a bajo costo o compartir potencia de cálculo para obtener ganancias, representados por proyectos como IO.NET y Hyperbolic. Además, algunos proyectos han derivado nuevos enfoques, como Compute Labs, que ha propuesto un protocolo de tokenización, donde los usuarios pueden participar de diferentes maneras en el alquiler de potencia 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 fluida entre los recursos de IA en la cadena y fuera de ella, promoviendo el desarrollo del ecosistema industrial. El mercado descentralizado de IA en la cadena puede intercambiar 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 subred.
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 integrales ayudan a los desarrolladores a crear, entrenar y desplegar modelos de IA de manera más conveniente, representados por proyectos como Nimble. Esta infraestructura fomenta la amplia aplicación de la tecnología de IA en el ecosistema Web3.
Capa intermedia:
Esta capa implica datos de IA, modelos, así como inferencia y validación; la adopción de la tecnología Web3 puede lograr una mayor eficiencia en el trabajo.
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 datos crowdsourced y 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, vendiendo su información bajo la protección de la privacidad, para evitar que comerciantes malintencionados la roben y obtengan altos beneficios. 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 del usuario para extraer datos de la Web, xData recopila información mediática a través de un plugin fácil de usar y apoya a los usuarios a subir información de tuits.
Además, algunas plataformas permiten que expertos en el campo o usuarios comunes realicen tareas de preprocesamiento de datos, como la etiquetación de imágenes y la clasificación de datos, que pueden requerir conocimientos especializados en tareas de procesamiento de datos financieros y legales. Los usuarios pueden tokenizar sus habilidades y lograr la colaboración en la externalización del preprocesamiento de datos. Ejemplos como el mercado de IA de Sahara AI, que tiene tareas de datos en diferentes campos, pueden abarcar escenarios de datos multidisciplinarios; mientras que el Protocolo AIT etiqueta 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 correspondencia con el modelo adecuado. Modelos comúnmente utilizados para tareas de imagen, como CNN y GAN; para tareas de detección de objetos, se puede elegir la serie Yolo; para tareas de texto, son comunes los modelos RNN y Transformer, por supuesto, también hay algunos modelos grandes específicos o generales. La profundidad del modelo necesaria para tareas de diferente complejidad también varía, y a veces es necesario ajustar el modelo.
Algunos proyectos permiten a los usuarios proporcionar diferentes tipos de modelos o colaborar en el entrenamiento de modelos a través de la creación colectiva, como Sentient, que a través de 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 de IA avanzados y marcos de cálculo, y poseen la capacidad de entrenamiento colaborativo.
Inferencia y verificación: después de que el modelo ha sido entrenado, se generará un archivo de pesos del modelo que se puede utilizar para realizar clasificación, predicciones u otras tareas específicas, este proceso se llama inferencia. El proceso de inferencia generalmente va acompañado de mecanismos de verificación para validar si la fuente del modelo de inferencia es correcta, si hay comportamientos maliciosos, etc. La inferencia en Web3 generalmente se puede integrar en contratos inteligentes, mediante la invocación del modelo para realizar inferencia, las formas comunes de verificación 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, en el sitio web oficial de ORA también mencionan su investigación sobre ZKML y opp/ai (ZKML combinado con OPML).
Capa de aplicación:
Esta capa está dirigida principalmente a aplicaciones que se enfrentan directamente al usuario, combinando la IA con Web3 para crear formas de juego más interesantes e innovadoras. Este artículo se centra principalmente en los proyectos de AIGC (Contenido Generado por IA), Agentes de IA y Análisis de Datos.
AIGC: A través de AIGC se puede expandir a las áreas de NFT, juegos, etc. en Web3. Los usuarios pueden generar texto, imágenes y audio directamente a través de Prompt (las palabras clave proporcionadas por el usuario), e incluso pueden generar personajes personalizados en los juegos según sus preferencias.
Esta página puede contener contenido de terceros, que se proporciona únicamente con fines informativos (sin garantías ni declaraciones) y no debe considerarse como un respaldo por parte de Gate a las opiniones expresadas ni como asesoramiento financiero o profesional. Consulte el Descargo de responsabilidad para obtener más detalles.
9 me gusta
Recompensa
9
4
Republicar
Compartir
Comentar
0/400
RumbleValidator
· 08-12 18:42
Esta trampa de KPI, al final, no puede competir con las condiciones estrictas del nodo de consenso. Los que entienden, entienden.
Ver originalesResponder0
MevHunter
· 08-12 18:37
¿Es rentable fusionar a ciegas, o simplemente es una cuestión de crear conceptos?
Ver originalesResponder0
BearMarketHustler
· 08-12 18:26
No es más fiable que simplemente lavar platos para ganar dinero.
Ver originalesResponder0
TokenSherpa
· 08-12 18:12
no voy a mentir, este hype de web3-ai se siente como un 99% de marketing... muéstrame los datos reales de gobernanza, smh
Panorama de la pista Web3-AI: Análisis profundo de la lógica técnica y los principales proyectos
Informe panorámico sobre la pista Web3-AI: análisis profundo de la lógica técnica, aplicaciones en escenarios y proyectos de primer nivel Profundidad
Con el continuo aumento de la narrativa de IA, cada vez más atención se centra en este campo. Se ha realizado un análisis profundo de la lógica técnica, los escenarios de aplicación y los proyectos representativos en la pista de Web3-AI, presentándole una visión completa y las tendencias de desarrollo en este ámbito.
Uno, Web3-AI: Análisis de la lógica técnica y oportunidades de mercado emergentes
1.1 Lógica de fusión entre Web3 y AI: ¿cómo definir la pista Web-AI?
En el último año, la narrativa de IA ha estado excepcionalmente en auge 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 proyectos solo utilizan IA en ciertas partes de sus productos, y la economía de tokens subyacente no tiene una relación sustancial con los productos de IA, por lo que estos proyectos no están incluidos en la discusión de proyectos Web3-AI en este artículo.
El enfoque de este artículo está en el uso de blockchain para resolver problemas de relaciones de producción y proyectos que utilizan IA para resolver problemas de productividad. Estos proyectos ofrecen productos de IA y, al mismo tiempo, se basan en modelos económicos de Web3 como herramientas de relaciones de producción, siendo ambos complementarios. Clasificamos estos proyectos en la categoría de Web3-AI. Para que los lectores comprendan mejor la categoría Web3-AI, se presentará un desarrollo del proceso de desarrollo de IA y sus desafíos, así como cómo la combinación de Web3 y IA puede resolver problemas de manera perfecta y crear nuevos escenarios de aplicación.
1.2 El proceso de desarrollo de la IA y los desafíos: desde la recopilación de datos hasta la inferencia del modelo
La tecnología de IA es una tecnología 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, la conducción autónoma y otros escenarios de aplicación. 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 del modelo e inferencia. Para dar un ejemplo simple, al desarrollar un modelo para clasificar imágenes de gatos y perros, necesitas:
Recolección de datos y preprocesamiento de datos: recolectar un conjunto de datos de imágenes que contengan gatos y perros, se puede usar un conjunto de datos público o recopilar datos reales por cuenta propia. Luego, etiquetar cada imagen con una categoría (gato o perro), asegurándose de que las etiquetas sean precisas. Convertir las imágenes a un formato que el modelo pueda reconocer, dividiendo el conjunto de datos en un conjunto de entrenamiento, un conjunto de validación y un conjunto de prueba.
Selección y ajuste del modelo: elige el modelo adecuado, como las redes neuronales convolucionales (CNN), que son más adecuadas para tareas de clasificación de imágenes. Ajusta los parámetros o la arquitectura del modelo según las diferentes necesidades; en general, la profundidad de la red del modelo puede ajustarse de acuerdo con la complejidad de la tarea de IA. En este simple ejemplo de clasificación, una red menos profunda puede ser suficiente.
Entrenamiento del modelo: se puede utilizar GPU, TPU o un clúster de computación de alto rendimiento para entrenar el modelo, el tiempo de entrenamiento está influenciado por la complejidad del modelo y la capacidad de cálculo.
Inferencia del modelo: El archivo del modelo ya entrenado se llama generalmente pesos del modelo, y el proceso de inferencia se refiere al proceso de usar un modelo ya entrenado para predecir o clasificar nuevos datos. En este proceso, se puede utilizar un conjunto de prueba o nuevos datos para evaluar el rendimiento de clasificación del modelo, que generalmente se evalúa mediante indicadores como la precisión, la tasa de recuperación y el F1-score.
Después de la recopilación de datos, el preprocesamiento de datos, la selección y ajuste del modelo, y el entrenamiento, al realizar inferencias con el modelo entrenado en el conjunto de prueba, se obtendrán los valores de predicción P (probabilidad) para gatos y perros, es decir, la probabilidad de que el modelo infiera que es un gato o un perro.
Un modelo de IA entrenado puede integrarse aún más en diversas aplicaciones para realizar diferentes tareas. En este ejemplo, un 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 escenarios centralizados, el proceso de desarrollo de la IA suele ser opaco. Los datos de los usuarios pueden ser robados sin su conocimiento y utilizados para el entrenamiento de la IA.
Obtención de fuentes de datos: los equipos pequeños o individuos que buscan datos en campos específicos (como datos médicos) pueden enfrentar restricciones debido a la falta de fuentes de datos abiertas.
Selección y ajuste del modelo: para equipos pequeños, es difícil acceder a recursos de modelos específicos o gastar grandes costos en el ajuste de modelos.
Obtención de poder de cómputo: Para desarrolladores individuales y pequeños equipos, el alto costo de compra de GPU y los costos de alquiler de poder de cómputo 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 correspondan a sus esfuerzos, y los resultados de la investigación de los desarrolladores de IA también son difíciles de coincidir con los compradores que tienen demanda.
Los desafíos existentes en el escenario de IA centralizada pueden ser abordados mediante la combinación con Web3, que, como una nueva relación de producción, se adapta de manera natural a la IA que representa nuevas fuerzas productivas, impulsando así el progreso simultáneo de la tecnología y la capacidad de producción.
1.3 Sinergia entre Web3 y AI: Cambio de roles y aplicaciones innovadoras
La combinación de Web3 y AI puede aumentar la soberanía del usuario, proporcionando una plataforma de colaboración de AI abierta, permitiendo que los usuarios pasen de ser usuarios de AI en la era de Web2 a participantes, creando una AI que todos puedan poseer. Al mismo tiempo, la fusión del mundo Web3 con la tecnología AI también puede generar más escenarios de aplicación innovadores y formas de jugar.
Basado en la tecnología Web3, el desarrollo y la aplicación de la IA darán la bienvenida a un nuevo sistema económico colaborativo. La privacidad de los datos de las personas puede ser garantizada, y el modelo de datos de crowdsourcing promueve el avance de los modelos de IA. Muchos recursos de IA de código abierto están disponibles para los usuarios, y la potencia de cálculo compartida se puede obtener a un costo más bajo. Con la ayuda de un mecanismo de crowdsourcing colaborativo 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 áreas. Por ejemplo, los modelos de IA pueden integrarse en contratos inteligentes para mejorar la eficiencia del trabajo en diferentes escenarios de aplicación, como análisis de mercado, detección de seguridad, agrupamiento social y diversas funciones. La IA generativa no solo permite a los usuarios experimentar el rol de "artista", como crear su propio NFT utilizando tecnología de IA, sino que también puede crear escenarios de juego variados y experiencias interactivas interesantes en GameFi. Una infraestructura rica proporciona una experiencia de desarrollo fluida, donde tanto los expertos en IA como los novatos que desean ingresar al campo de la IA pueden encontrar la entrada adecuada en este mundo.
Dos, interpretación del mapa y la arquitectura del proyecto ecológico Web3-AI
Principalmente investigamos 41 proyectos en el campo de Web3-AI y clasificamos 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, cada una de las cuales 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 ciclo de vida completo de la IA, mientras que la capa intermedia incluye la gestión de datos, el desarrollo de modelos y los servicios de verificación e inferencia que conectan la infraestructura con las aplicaciones. La capa de aplicación se centra en diversas aplicaciones y soluciones que están directamente orientadas al usuario.
Capa de infraestructura:
La capa de infraestructura es la base del ciclo de vida de la IA. En este artículo, la potencia de cálculo, AI Chain y la plataforma de desarrollo se clasifican como la capa de infraestructura. Es gracias al apoyo de esta infraestructura que se pueden llevar a cabo el entrenamiento y la inferencia de modelos de IA, presentando aplicaciones de IA potentes y prácticas a los usuarios.
Red de computación descentralizada: puede proporcionar potencia de cálculo distribuida para el entrenamiento de modelos de IA, asegurando una utilización eficiente y económica de los recursos de cálculo. Algunos proyectos ofrecen mercados de potencia de cálculo descentralizados, donde los usuarios pueden alquilar potencia de cálculo a bajo costo o compartir potencia de cálculo para obtener ganancias, representados por proyectos como IO.NET y Hyperbolic. Además, algunos proyectos han derivado nuevos enfoques, como Compute Labs, que ha propuesto un protocolo de tokenización, donde los usuarios pueden participar de diferentes maneras en el alquiler de potencia 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 fluida entre los recursos de IA en la cadena y fuera de ella, promoviendo el desarrollo del ecosistema industrial. El mercado descentralizado de IA en la cadena puede intercambiar 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 subred.
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 integrales ayudan a los desarrolladores a crear, entrenar y desplegar modelos de IA de manera más conveniente, representados por proyectos como Nimble. Esta infraestructura fomenta la amplia aplicación de la tecnología de IA en el ecosistema Web3.
Capa intermedia:
Esta capa implica datos de IA, modelos, así como inferencia y validación; la adopción de la tecnología Web3 puede lograr una mayor eficiencia en el trabajo.
Además, algunas plataformas permiten que expertos en el campo o usuarios comunes realicen tareas de preprocesamiento de datos, como la etiquetación de imágenes y la clasificación de datos, que pueden requerir conocimientos especializados en tareas de procesamiento de datos financieros y legales. Los usuarios pueden tokenizar sus habilidades y lograr la colaboración en la externalización del preprocesamiento de datos. Ejemplos como el mercado de IA de Sahara AI, que tiene tareas de datos en diferentes campos, pueden abarcar escenarios de datos multidisciplinarios; mientras que el Protocolo AIT etiqueta datos a través de la colaboración entre humanos y máquinas.
Algunos proyectos permiten a los usuarios proporcionar diferentes tipos de modelos o colaborar en el entrenamiento de modelos a través de la creación colectiva, como Sentient, que a través de 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 de IA avanzados y marcos de cálculo, y poseen la capacidad de entrenamiento colaborativo.
Capa de aplicación:
Esta capa está dirigida principalmente a aplicaciones que se enfrentan directamente al usuario, combinando la IA con Web3 para crear formas de juego más interesantes e innovadoras. Este artículo se centra principalmente en los proyectos de AIGC (Contenido Generado por IA), Agentes de IA y Análisis de Datos.