Rapport panoramique sur le secteur Web3-AI : analyse approfondie de la logique technique, des applications scénaristiques et des projets de premier plan
Avec la montée continue du narratif AI, 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 du secteur Web3-AI a été réalisée pour vous présenter de manière complète le panorama et les tendances de développement de 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 Web3, avec une multitude de projets AI émergents comme des champignons après la pluie. Bien que de nombreux projets impliquent la technologie AI, certains n'utilisent l'AI que dans certaines parties de leurs produits, et l'économie des tokens sous-jacente n'a pas de lien substantiel avec les produits AI. Par conséquent, ces projets ne font pas partie de la discussion sur les projets Web3-AI dans cet article.
L'article met l'accent sur l'utilisation de la blockchain pour résoudre les problèmes de relations de production, tandis que l'IA s'attaque aux problèmes de productivité. Ces projets offrent des produits d'IA tout en se basant sur un modèle économique Web3 comme outil de relations de production, les deux se complétant mutuellement. Nous classons ces projets dans la catégorie Web3-AI. Afin de permettre aux lecteurs de mieux comprendre la catégorie Web3-AI, nous allons présenter le processus de développement de l'IA et ses défis, ainsi que la manière dont la combinaison de Web3 et de l'IA peut parfaitement résoudre des problèmes et créer de nouveaux scénarios d'application.
1.2 Le processus de développement de l'IA et ses défis : de la collecte des 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 à la reconnaissance faciale, en passant par des applications telles que la conduite autonome. L'IA est en train de changer 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 optimisation du modèle, entraînement et inférence du modèle. Prenons un exemple simple, pour développer un modèle afin de classifier des images de chats et de chiens, vous aurez besoin de :
Collecte de données et prétraitement des données : collectez un ensemble de données d'images contenant des chats et des chiens, vous pouvez utiliser des ensembles de données publics ou collecter vous-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, et divisez l'ensemble de données en ensemble d'entraînement, ensemble de validation et ensemble de test.
Choix et ajustement du modèle : sélectionner le modèle approprié, comme les réseaux de neurones convolutionnels (CNN), qui conviennent particulièrement aux tâches de classification d'images. Ajuster les paramètres ou l'architecture du modèle en fonction des besoins différents ; en général, la profondeur des couches du modèle peut être adaptée à la complexité de la tâche d'IA. Dans cet exemple simple de classification, une architecture de réseau relativement peu profonde peut suffire.
Entraînement du modèle : Il est possible d'utiliser des GPU, 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.
Inférence de modèle : Les fichiers du modèle entraîné sont généralement appelés poids du modèle. Le processus d'inférence fait référence à l'utilisation d'un modèle déjà entraîné pour prédire ou classifier de nouvelles données. Dans ce processus, un ensemble de test ou de nouvelles données peut être utilisé pour tester l'efficacité de classification du modèle, généralement évaluée à l'aide d'indicateurs tels que la précision, le rappel et le F1-score.
Après la collecte de données, le prétraitement des données, la sélection et l'optimisation du modèle, le modèle entraîné est utilisé pour effectuer des inférences sur l'ensemble de test, ce qui donnera les valeurs de prédiction 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.
Un modèle d'IA entraîné peut être intégré dans diverses applications pour exécuter différentes tâches. Dans cet exemple, un modèle d'IA de classification de chats et de chiens peut être intégré dans une application mobile, où les utilisateurs téléchargent des images 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 :
Vie privée des utilisateurs : dans un contexte centralisé, le processus de développement de l'IA est généralement 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 d'accès aux données non open source lorsqu'ils tentent d'obtenir des données dans des domaines spécifiques (comme les données médicales).
Choix et ajustement du modèle : pour les petites équipes, il est difficile d'accéder à des ressources de modèle spécifiques à un domaine ou de dépenser beaucoup de coûts pour l'ajustement du modèle.
Obtention de puissance de calcul : pour les développeurs individuels et les petites équipes, le coût élevé d'achat des GPU et les frais de location de puissance de calcul dans le cloud peuvent constituer un fardeau économique significatif.
Revenu des actifs AI : Les travailleurs de l'annotation de données ont souvent du mal à obtenir un revenu correspondant à leurs efforts, tandis que les résultats de recherche des développeurs d'IA sont également difficiles à faire correspondre avec des acheteurs ayant des besoins.
Les défis existants dans les scénarios d'IA centralisée peuvent être surmontés en se combinant avec le Web3. Le Web3, en tant que nouvelle relation de production, 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 Synergie entre Web3 et l'IA : Changement de rôle et applications innovantes
La combinaison du Web3 et de l'IA peut renforcer la souveraineté des utilisateurs, en offrant une plateforme de collaboration 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 générer davantage de scénarios d'application innovants et de nouvelles façons de jouer.
Basé sur 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 garantie, le modèle de crowdsourcing des données favorise le progrès des modèles d'IA, de nombreuses ressources d'IA open source sont disponibles pour les utilisateurs, et la puissance de calcul partagée peut être obtenue à un coût réduit. Grâce à un mécanisme de collaboration décentralisé et à un marché ouvert de l'IA, un système équitable de répartition des revenus peut être réalisé, ce qui incite davantage de personnes à promouvoir le progrès de la technologie IA.
Dans le contexte de Web3, l'IA peut avoir un impact positif dans plusieurs domaines. Par exemple, les modèles d'IA peuvent être intégrés dans des contrats intelligents pour améliorer l'efficacité du travail dans différents cas d'utilisation, tels que l'analyse de marché, la détection de sécurité, le clustering social, et bien d'autres fonctions. L'IA générative permet non seulement aux utilisateurs d'expérimenter le rôle d'"artiste", comme en créant leurs propres NFT grâce à la technologie IA, mais aussi de créer des scénarios de jeu variés et des expériences interactives intéressantes dans GameFi. Une infrastructure riche offre une expérience de développement fluide, permettant à la fois aux experts en IA et aux novices souhaitant entrer dans le domaine de trouver une entrée appropriée dans ce monde.
Deux, Interprétation de la carte et de l'architecture des projets écologiques Web3-AI
Nous avons principalement étudié 41 projets dans le domaine Web3-AI et avons classé ces projets en différentes couches. La logique de classification de chaque couche est illustrée dans le graphique ci-dessous, y compris la couche d'infrastructure, la couche intermédiaire et la couche d'application, chaque couche étant divisée en différents segments. Dans le chapitre suivant, nous procéderons à une analyse approfondie de certains projets représentatifs.
La couche d'infrastructure couvre les ressources informatiques et l'architecture technique qui soutiennent le fonctionnement de tout le 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 connectent l'infrastructure aux applications. La couche d'application se concentre sur les diverses applications et solutions directement destinées aux utilisateurs.
Infrastructure Layer :
La couche d'infrastructure est la base du cycle de vie de l'IA. Cet article classe la puissance de calcul, la chaîne d'IA et la plateforme de développement comme la couche d'infrastructure. Ce sont ces infrastructures qui permettent l'entraînement et l'inférence des modèles d'IA, et présentent aux utilisateurs des applications IA puissantes et pratiques.
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 ont mis en place un marché de puissance de calcul décentralisé, où les utilisateurs peuvent louer de la puissance de calcul à faible coût ou partager de la puissance de calcul pour obtenir des revenus, des projets tels que IO.NET et Hyperbolic en sont des exemples. De plus, certains projets ont dérivé de nouvelles façons de jouer, comme Compute Labs, qui a proposé un protocole de tokenisation, permettant aux utilisateurs de participer à la location de puissance de calcul de différentes manières pour obtenir 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, tout en favorisant le développement de l'écosystème industriel. Le marché décentralisé de l'IA sur la chaîne peut échanger des actifs IA tels que des données, des modèles, des agents, etc., et fournir un cadre de développement IA ainsi que des outils de développement associés, avec des projets tels que Sahara AI. AI Chain peut également favoriser 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 offrent des plateformes de développement d'agents IA, permettant également le trading d'agents IA, comme Fetch.ai et ChainML. Des outils tout-en-un aident les développeurs à créer, entraîner et déployer des modèles IA plus facilement, avec des projets représentatifs tels que Nimble. Ces infrastructures favorisent l'application généralisée des technologies IA dans l'écosystème Web3.
Couche intermédiaire :
Cette couche implique des données AI, des modèles ainsi que le raisonnement et la validation, et l'utilisation de la technologie Web3 permet d'atteindre une efficacité de travail supérieure.
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'utilisation de données en crowdsourcing et le traitement collaboratif des données permettent d'optimiser l'utilisation des ressources et de réduire les coûts des données. Les utilisateurs peuvent avoir le droit de disposer de leurs données et, dans le cadre de la protection de la vie privée, vendre leurs propres données afin d'éviter que celles-ci ne soient volées par des commerçants malveillants pour réaliser de gros profits. 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 collecter des données Web, et xData collecte des informations médiatiques via des plugins conviviaux, tout en permettant aux utilisateurs de télécharger des informations de tweets.
De plus, certaines plateformes permettent aux experts de 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 compétences professionnelles en matière de traitement de données financières et juridiques. Les utilisateurs peuvent tokeniser leurs compétences pour réaliser une collaboration en matière de prétraitement des données. Des exemples incluent le marché de l'IA comme Sahara AI, qui propose des tâches de données dans différents domaines, couvrant ainsi des scénarios de données multi-domaines ; tandis que le protocole AIT effectue l'annotation des données par le biais d'une collaboration homme-machine.
Modèle : Dans le processus de développement de l'IA mentionné précédemment, différents types de besoins nécessitent des modèles appropriés. Les modèles couramment utilisés pour les tâches d'image incluent CNN, GAN, les tâches de détection d'objets peuvent choisir la série Yolo, pour les tâches de texte, des modèles tels que RNN, Transformer, etc. sont courants, bien sûr, il existe également certains modèles spécifiques ou généraux. La profondeur des modèles nécessaires varie également selon la complexité des tâches, et il est parfois nécessaire d'ajuster les modèles.
Certains projets permettent aux utilisateurs de fournir différents types de modèles ou de collaborer à l'entraînement de modèles via le crowdsourcing, comme Sentient qui, grâce à une conception modulaire, permet aux utilisateurs de stocker des données de modèles fiables dans la couche de stockage et de distribution pour optimiser les modèles. Les outils de développement fournis par Sahara AI intègrent des algorithmes d'IA avancés et un cadre de calcul, et possèdent la capacité d'entraînement collaboratif.
Inférence et validation : Après l'entraînement, le modèle génère un fichier de poids du modèle, qui peut être utilisé pour effectuer directement des classifications, des prévisions 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 les technologies ZKML, OPML et TEE, etc. Des projets représentatifs comme l'oracle AI sur la chaîne ORA (OAO) ont introduit OPML comme couche vérifiable pour l'oracle AI, et le site officiel d'ORA mentionne également leurs recherches sur ZKML et opp/ai (ZKML combiné avec OPML).
Couche d'application :
Ce niveau est principalement constitué d'applications destinées aux utilisateurs, combinant l'IA avec le Web3 pour créer des expériences plus intéressantes et innovantes. Cet article se concentre principalement sur les projets dans plusieurs domaines tels que l'AIGC (contenu généré par l'IA), les agents IA et l'analyse de données.
AIGC : Grâce à AIGC, il est possible de s'étendre vers des secteurs tels que les NFT et les jeux dans Web3. Les utilisateurs peuvent générer directement du texte, des images et de l'audio via des prompts (mots-clés fournis par l'utilisateur) et même créer des jeux personnalisés selon leurs préférences.
Cette page peut inclure du contenu de tiers fourni à des fins d'information uniquement. Gate ne garantit ni l'exactitude ni la validité de ces contenus, n’endosse pas les opinions exprimées, et ne fournit aucun conseil financier ou professionnel à travers ces informations. Voir la section Avertissement pour plus de détails.
9 J'aime
Récompense
9
4
Reposter
Partager
Commentaire
0/400
RumbleValidator
· Il y a 23h
Ce piège KPI ne peut finalement pas rivaliser avec les conditions rigoureuses du mécanisme de consensus des nœuds. Ceux qui comprennent, comprennent naturellement.
Voir l'originalRépondre0
MevHunter
· Il y a 23h
Est-ce que fusionner aveuglément peut rapporter de l'argent, ou est-ce juste pour créer un concept ?
Voir l'originalRépondre0
BearMarketHustler
· Il y a 23h
Il vaut mieux directement laver des assiettes pour gagner de l'argent.
Voir l'originalRépondre0
TokenSherpa
· 08-12 18:12
franchement, cette hype web3-ai semble être à 99 % du marketing bidon... montre-moi les véritables données de gouvernance smh
Web3-AI panorama: analyse approfondie de la logique technologique et des projets de premier plan
Rapport panoramique sur le secteur Web3-AI : analyse approfondie de la logique technique, des applications scénaristiques et des projets de premier plan
Avec la montée continue du narratif AI, 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 du secteur Web3-AI a été réalisée pour vous présenter de manière complète le panorama et les tendances de développement de 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 Web3, avec une multitude de projets AI émergents comme des champignons après la pluie. Bien que de nombreux projets impliquent la technologie AI, certains n'utilisent l'AI que dans certaines parties de leurs produits, et l'économie des tokens sous-jacente n'a pas de lien substantiel avec les produits AI. Par conséquent, ces projets ne font pas partie de la discussion sur les projets Web3-AI dans cet article.
L'article met l'accent sur l'utilisation de la blockchain pour résoudre les problèmes de relations de production, tandis que l'IA s'attaque aux problèmes de productivité. Ces projets offrent des produits d'IA tout en se basant sur un modèle économique Web3 comme outil de relations de production, les deux se complétant mutuellement. Nous classons ces projets dans la catégorie Web3-AI. Afin de permettre aux lecteurs de mieux comprendre la catégorie Web3-AI, nous allons présenter le processus de développement de l'IA et ses défis, ainsi que la manière dont la combinaison de Web3 et de l'IA peut parfaitement résoudre des problèmes et créer de nouveaux scénarios d'application.
1.2 Le processus de développement de l'IA et ses défis : de la collecte des 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 à la reconnaissance faciale, en passant par des applications telles que la conduite autonome. L'IA est en train de changer 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 optimisation du modèle, entraînement et inférence du modèle. Prenons un exemple simple, pour développer un modèle afin de classifier des images de chats et de chiens, vous aurez besoin de :
Collecte de données et prétraitement des données : collectez un ensemble de données d'images contenant des chats et des chiens, vous pouvez utiliser des ensembles de données publics ou collecter vous-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, et divisez l'ensemble de données en ensemble d'entraînement, ensemble de validation et ensemble de test.
Choix et ajustement du modèle : sélectionner le modèle approprié, comme les réseaux de neurones convolutionnels (CNN), qui conviennent particulièrement aux tâches de classification d'images. Ajuster les paramètres ou l'architecture du modèle en fonction des besoins différents ; en général, la profondeur des couches du modèle peut être adaptée à la complexité de la tâche d'IA. Dans cet exemple simple de classification, une architecture de réseau relativement peu profonde peut suffire.
Entraînement du modèle : Il est possible d'utiliser des GPU, 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.
Inférence de modèle : Les fichiers du modèle entraîné sont généralement appelés poids du modèle. Le processus d'inférence fait référence à l'utilisation d'un modèle déjà entraîné pour prédire ou classifier de nouvelles données. Dans ce processus, un ensemble de test ou de nouvelles données peut être utilisé pour tester l'efficacité de classification du modèle, généralement évaluée à l'aide d'indicateurs tels que la précision, le rappel et le F1-score.
Après la collecte de données, le prétraitement des données, la sélection et l'optimisation du modèle, le modèle entraîné est utilisé pour effectuer des inférences sur l'ensemble de test, ce qui donnera les valeurs de prédiction 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.
Un modèle d'IA entraîné peut être intégré dans diverses applications pour exécuter différentes tâches. Dans cet exemple, un modèle d'IA de classification de chats et de chiens peut être intégré dans une application mobile, où les utilisateurs téléchargent des images 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 :
Vie privée des utilisateurs : dans un contexte centralisé, le processus de développement de l'IA est généralement 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 d'accès aux données non open source lorsqu'ils tentent d'obtenir des données dans des domaines spécifiques (comme les données médicales).
Choix et ajustement du modèle : pour les petites équipes, il est difficile d'accéder à des ressources de modèle spécifiques à un domaine ou de dépenser beaucoup de coûts pour l'ajustement du modèle.
Obtention de puissance de calcul : pour les développeurs individuels et les petites équipes, le coût élevé d'achat des GPU et les frais de location de puissance de calcul dans le cloud peuvent constituer un fardeau économique significatif.
Revenu des actifs AI : Les travailleurs de l'annotation de données ont souvent du mal à obtenir un revenu correspondant à leurs efforts, tandis que les résultats de recherche des développeurs d'IA sont également difficiles à faire correspondre avec des acheteurs ayant des besoins.
Les défis existants dans les scénarios d'IA centralisée peuvent être surmontés en se combinant avec le Web3. Le Web3, en tant que nouvelle relation de production, 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 Synergie entre Web3 et l'IA : Changement de rôle et applications innovantes
La combinaison du Web3 et de l'IA peut renforcer la souveraineté des utilisateurs, en offrant une plateforme de collaboration 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 générer davantage de scénarios d'application innovants et de nouvelles façons de jouer.
Basé sur 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 garantie, le modèle de crowdsourcing des données favorise le progrès des modèles d'IA, de nombreuses ressources d'IA open source sont disponibles pour les utilisateurs, et la puissance de calcul partagée peut être obtenue à un coût réduit. Grâce à un mécanisme de collaboration décentralisé et à un marché ouvert de l'IA, un système équitable de répartition des revenus peut être réalisé, ce qui incite davantage de personnes à promouvoir le progrès de la technologie IA.
Dans le contexte de Web3, l'IA peut avoir un impact positif dans plusieurs domaines. Par exemple, les modèles d'IA peuvent être intégrés dans des contrats intelligents pour améliorer l'efficacité du travail dans différents cas d'utilisation, tels que l'analyse de marché, la détection de sécurité, le clustering social, et bien d'autres fonctions. L'IA générative permet non seulement aux utilisateurs d'expérimenter le rôle d'"artiste", comme en créant leurs propres NFT grâce à la technologie IA, mais aussi de créer des scénarios de jeu variés et des expériences interactives intéressantes dans GameFi. Une infrastructure riche offre une expérience de développement fluide, permettant à la fois aux experts en IA et aux novices souhaitant entrer dans le domaine de trouver une entrée appropriée dans ce monde.
Deux, Interprétation de la carte et de l'architecture des projets écologiques Web3-AI
Nous avons principalement étudié 41 projets dans le domaine Web3-AI et avons classé ces projets en différentes couches. La logique de classification de chaque couche est illustrée dans le graphique ci-dessous, y compris la couche d'infrastructure, la couche intermédiaire et la couche d'application, chaque couche étant divisée en différents segments. Dans le chapitre suivant, nous procéderons à une analyse approfondie de certains projets représentatifs.
La couche d'infrastructure couvre les ressources informatiques et l'architecture technique qui soutiennent le fonctionnement de tout le 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 connectent l'infrastructure aux applications. La couche d'application se concentre sur les diverses applications et solutions directement destinées aux utilisateurs.
Infrastructure Layer :
La couche d'infrastructure est la base du cycle de vie de l'IA. Cet article classe la puissance de calcul, la chaîne d'IA et la plateforme de développement comme la couche d'infrastructure. Ce sont ces infrastructures qui permettent l'entraînement et l'inférence des modèles d'IA, et présentent aux utilisateurs des applications IA puissantes et pratiques.
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 ont mis en place un marché de puissance de calcul décentralisé, où les utilisateurs peuvent louer de la puissance de calcul à faible coût ou partager de la puissance de calcul pour obtenir des revenus, des projets tels que IO.NET et Hyperbolic en sont des exemples. De plus, certains projets ont dérivé de nouvelles façons de jouer, comme Compute Labs, qui a proposé un protocole de tokenisation, permettant aux utilisateurs de participer à la location de puissance de calcul de différentes manières pour obtenir 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, tout en favorisant le développement de l'écosystème industriel. Le marché décentralisé de l'IA sur la chaîne peut échanger des actifs IA tels que des données, des modèles, des agents, etc., et fournir un cadre de développement IA ainsi que des outils de développement associés, avec des projets tels que Sahara AI. AI Chain peut également favoriser 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 offrent des plateformes de développement d'agents IA, permettant également le trading d'agents IA, comme Fetch.ai et ChainML. Des outils tout-en-un aident les développeurs à créer, entraîner et déployer des modèles IA plus facilement, avec des projets représentatifs tels que Nimble. Ces infrastructures favorisent l'application généralisée des technologies IA dans l'écosystème Web3.
Couche intermédiaire :
Cette couche implique des données AI, des modèles ainsi que le raisonnement et la validation, et l'utilisation de la technologie Web3 permet d'atteindre une efficacité de travail supérieure.
De plus, certaines plateformes permettent aux experts de 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 compétences professionnelles en matière de traitement de données financières et juridiques. Les utilisateurs peuvent tokeniser leurs compétences pour réaliser une collaboration en matière de prétraitement des données. Des exemples incluent le marché de l'IA comme Sahara AI, qui propose des tâches de données dans différents domaines, couvrant ainsi des scénarios de données multi-domaines ; tandis que le protocole AIT effectue l'annotation des données par le biais d'une collaboration homme-machine.
Certains projets permettent aux utilisateurs de fournir différents types de modèles ou de collaborer à l'entraînement de modèles via le crowdsourcing, comme Sentient qui, grâce à une conception modulaire, permet aux utilisateurs de stocker des données de modèles fiables dans la couche de stockage et de distribution pour optimiser les modèles. Les outils de développement fournis par Sahara AI intègrent des algorithmes d'IA avancés et un cadre de calcul, et possèdent la capacité d'entraînement collaboratif.
Couche d'application :
Ce niveau est principalement constitué d'applications destinées aux utilisateurs, combinant l'IA avec le Web3 pour créer des expériences plus intéressantes et innovantes. Cet article se concentre principalement sur les projets dans plusieurs domaines tels que l'AIGC (contenu généré par l'IA), les agents IA et l'analyse de données.