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

Con el continuo aumento del interés por la narrativa de IA, cada vez más atención se centra en este sector. Se ha realizado un análisis profundo de la lógica técnica, los escenarios de aplicación y los proyectos representativos del sector Web3-AI, presentando de manera integral el panorama y las tendencias de desarrollo en este campo.

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

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

En el último año, la narrativa de IA ha sido excepcionalmente popular en la industria Web3, y los proyectos de IA han surgido como champiñones después de la lluvia. Aunque hay muchos proyectos que involucran tecnología de IA, algunos de ellos solo utilizan IA en ciertas partes de sus productos, y la economía de tokens subyacente no tiene una relación sustancial con los productos de IA, por lo que estos proyectos no forman parte de la discusión sobre proyectos Web3-AI en este artículo.

El enfoque de este artículo se centra en el uso de blockchain para resolver problemas de relaciones de producción y en proyectos donde la IA aborda problemas de productividad. Estos proyectos ofrecen productos de IA y, al mismo tiempo, se basan en modelos económicos de Web3 como herramientas para las relaciones de producción, complementándose mutuamente. Clasificamos este tipo de 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 los desafíos, así como cómo la combinación de Web3 e IA puede resolver problemas de manera perfecta y crear nuevos escenarios de aplicación.

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

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

El proceso de desarrollo de modelos de inteligencia artificial generalmente incluye los siguientes pasos clave: recolección de datos y preprocesamiento de datos, selección y ajuste del modelo, entrenamiento del modelo e inferencia. Por ejemplo, para desarrollar un modelo que clasifique imágenes de gatos y perros, necesitas:

1. Recopilación de datos y preprocesamiento de datos: Recopilar un conjunto de datos de imágenes que contenga gatos y perros, se pueden utilizar conjuntos de datos públicos o recopilar datos reales por sí mismo. Luego, etiquetar cada imagen con su 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 conjunto de entrenamiento, conjunto de validación y conjunto de prueba.

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

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

4. Inferencia del modelo: El archivo del modelo entrenado se llama generalmente peso del modelo, y el proceso de inferencia se refiere al proceso de utilizar un modelo ya entrenado para predecir o clasificar nuevos datos. En este proceso, se puede utilizar un conjunto de prueba o nuevos datos para probar la efectividad de la clasificación del modelo, y generalmente se utilizan métricas como precisión, tasa de recuperación y F1-score para evaluar la efectividad del modelo.

Como se muestra en la imagen, después de la recolección de datos y el preprocesamiento de datos, la selección y ajuste del modelo, y el entrenamiento, se realizará la inferencia del modelo entrenado en el conjunto de prueba para obtener los valores de predicción de gato y perro P (probabilidad), es decir, la probabilidad de que el modelo infiera que es un gato o un perro.

Los modelos de IA entrenados se pueden integrar aún más en diversas aplicaciones para realizar diferentes tareas. En este ejemplo, un modelo de IA para clasificar gatos y perros se puede integrar en una aplicación móvil, donde los usuarios pueden subir imágenes de gatos o perros y obtener 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: equipos pequeños o individuos que buscan datos en campos específicos (como datos médicos) pueden enfrentar limitaciones debido a que los datos no son de código abierto.

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

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

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

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

1.3 La sinergia entre Web3 y la IA: transformación de roles y aplicaciones innovadoras

La combinación de Web3 y AI puede aumentar la soberanía del usuario, proporcionando a los usuarios una plataforma de colaboración abierta de AI, 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 maneras de jugar.

Basado en la tecnología Web3, el desarrollo y la aplicación de la IA dará paso a un nuevo sistema económico colaborativo. La privacidad de los datos de las personas puede ser protegida, el modelo de datos crowdsourcing fomenta el avance de los modelos de IA, y hay numerosos recursos de IA de código abierto disponibles para los usuarios, así como potencia de cálculo compartida que se puede obtener a un costo más bajo. Con la ayuda de mecanismos de colaboración descentralizados 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 laboral en diferentes escenarios de aplicación, como análisis de mercado, detección de seguridad, agrupamiento social y muchas otras funciones. La IA generativa no solo permite a los usuarios experimentar el rol de "artista", como crear sus propios NFT utilizando tecnología de IA, sino que también puede crear escenarios de juego diversos y experiencias interactivas interesantes en GameFi. Una infraestructura rica ofrece una experiencia de desarrollo fluida, donde tanto expertos en IA como principiantes que desean ingresar al campo de la IA pueden encontrar una entrada adecuada en este mundo.

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

Principalmente investigamos 41 proyectos en el sector 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 próximo capítulo, realizaremos un análisis profundo de algunos proyectos representativos.

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

Capa de infraestructura:

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

• Red de computación descentralizada: puede proporcionar potencia de cálculo distribuida para el entrenamiento de modelos de IA, asegurando un uso eficiente y económico de los recursos de cálculo. Algunos proyectos ofrecen un mercado de potencia de cálculo descentralizado, 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 propone un protocolo tokenizado, donde los usuarios pueden participar en el alquiler de potencia de cálculo de diferentes maneras mediante la compra de NFT que representan entidades de GPU.

• AI Chain: Utiliza la blockchain como base para el ciclo de vida de la IA, logrando una interacción sin fisuras de recursos de IA en línea y fuera de línea, 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 una plataforma de desarrollo de agentes de IA, y 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 facilita la amplia aplicación de la tecnología de IA en el ecosistema Web3.

Capa intermedia:

Esta capa implica datos de IA, modelos y razonamiento y verificación, y el uso de tecnología Web3 puede lograr una mayor eficiencia laboral.

• Datos: La calidad y cantidad de los datos son factores clave que afectan la efectividad del entrenamiento del modelo. En el mundo de Web3, a través de la recopilación de datos por crowdsourcing y el procesamiento colaborativo de datos, se puede optimizar la utilización de recursos y reducir los costos de datos. Los usuarios pueden tener soberanía sobre sus datos y, bajo la protección de la privacidad, pueden vender sus propios datos para evitar que comerciantes deshonestos los roben y obtengan altos beneficios. Para los demandantes de datos, estas plataformas ofrecen una amplia variedad de opciones y costos muy bajos. Proyectos representativos como Grass utilizan el ancho de banda de los usuarios para capturar datos de la web, xData recopila información de medios a través de un plugin fácil de usar y permite a los usuarios subir información de tuits.

Además, algunas plataformas permiten a expertos en el campo o a usuarios comunes realizar tareas de preprocesamiento de datos, como la anotación de imágenes y la clasificación de datos, que pueden requerir conocimientos especializados en el procesamiento de datos financieros y legales. Los usuarios pueden tokenizar habilidades para lograr la colaboración en la externalización del preprocesamiento de datos. Ejemplos como el mercado de IA Sahara AI tienen tareas de datos en diferentes campos, lo que puede cubrir escenarios de datos multidisciplinarios; mientras que AIT Protocolt etiqueta los datos a través de la colaboración entre humanos y máquinas.

• Modelo: En el proceso de desarrollo de IA mencionado anteriormente, diferentes tipos de necesidades requieren que se empareje el modelo adecuado. Modelos comunes para tareas de imágenes como CNN, GAN; para tareas de detección de objetos se puede elegir la serie Yolo; para tareas de texto, modelos comunes son RNN, Transformer, entre otros, y por supuesto hay algunos modelos grandes específicos o generales. La profundidad del modelo necesaria varía según la complejidad de las tareas, y a veces se requiere ajustar el modelo.

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

• Inferencia y verificación: Después de que el modelo ha sido entrenado, generará archivos de pesos del modelo, que se pueden utilizar para realizar clasificación, predicción u otras tareas específicas. Este proceso se denomina inferencia. El proceso de inferencia generalmente va acompañado de un mecanismo de verificación para validar si la fuente del modelo de inferencia es correcta, si hay comportamientos maliciosos, etc. La inferencia en Web3 se puede integrar en contratos inteligentes, mediante la llamada al modelo para realizar inferencia. Los métodos de verificación comunes incluyen tecnologías como ZKML, OPML y TEE. Proyectos representativos como el oráculo de IA en 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 principalmente orientada a aplicaciones dirigidas a los usuarios, combinando AI con Web3, creando