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

Avec la montée continue de la narration 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 exhaustive le panorama et les tendances de développement dans ce domaine.

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

1.1 Logique de la fusion entre Web3 et l'IA : comment définir la piste Web-AI

Au cours de l'année écoulée, la narration AI a connu un succès exceptionnel dans l'industrie Web3, avec des projets AI qui ont surgi comme des champignons après la pluie. Bien qu'il existe de nombreux projets impliquant des technologies AI, certains projets n'utilisent l'AI que dans certaines parties de leurs produits, et l'économie des tokens sous-jacente n'est pas substantiellement liée aux produits AI. Par conséquent, ces projets ne font pas partie de la discussion sur les projets Web3-AI dans cet article.

L'accent de cet article est mis sur les projets qui utilisent la blockchain pour résoudre les problèmes de relations de production et l'IA pour résoudre les problèmes de productivité. Ces projets offrent eux-mêmes des produits d'IA tout en s'appuyant sur un modèle économique Web3 en tant qu'outil de relations de production, les deux se complétant mutuellement. Nous classons ces projets dans la catégorie des pistes Web3-AI. Afin de permettre aux lecteurs de mieux comprendre la piste Web3-AI, nous allons présenter le processus de développement de l'IA et les défis associés, ainsi que la manière dont la combinaison de Web3 et de l'IA permet de résoudre parfaitement des problèmes et de créer de nouveaux cas d'utilisation.

1.2 Le processus de développement de l'IA et ses défis : de la collecte de données à l'inférence du modèle

La technologie AI 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, à la classification d’images, en passant par la reconnaissance faciale et la conduite autonome. L'IA est en train de transformer nos modes de vie et de travail.

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 capable de classifier des images de chats et de chiens, vous devez :

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

2. Choix et optimisation du modèle : choisir un modèle approprié, par exemple un réseau de neurones convolutif (CNN), qui est particulièrement adapté aux tâches de classification d'images. Ajuster les paramètres ou l'architecture du modèle en fonction des besoins différents, en général, la profondeur du réseau du modèle peut être ajustée en fonction de la complexité de la tâche d'IA. Dans cet exemple simple de classification, une architecture de réseau moins profonde pourrait suffire.

3. 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 puissance de calcul.

4. Inférence du 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 évaluer l'efficacité de la classification du modèle, généralement évaluée à l'aide d'indicateurs tels que la précision, le rappel et le score F1.

Comme montré sur l'image, après la collecte de données et le prétraitement des données, la sélection et l'ajustement du modèle, et l'entraînement, le modèle entraîné est utilisé pour faire des inférences sur l'ensemble de test et obtenir les valeurs de prédiction pour le chat et le chien P (probabilité), c'est-à-dire la probabilité que le modèle infère qu'il s'agit d'un chat ou d'un chien.

Les modèles d'IA entraînés peuvent être intégrés dans diverses applications pour exécuter différentes tâches. Dans cet exemple, le modèle d'IA de classification des chats et des chiens peut être intégré dans une application mobile, où l'utilisateur télécharge une image de chat ou de chien et obtient les résultats de classification.

Cependant, le processus de développement de l'IA centralisée présente certains problèmes dans les scénarios suivants :

Confidentialité des utilisateurs : dans un scénario 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.

Sources de données : Les petites équipes ou les particuliers peuvent être confrontés à des restrictions d'accès aux données dans des domaines spécifiques (comme les données médicales) lorsque ces données ne sont pas open source.

Choix et réglage des modèles : pour les petites équipes, il est difficile d'accéder à des ressources de modèles spécifiques ou de dépenser beaucoup de coûts pour le réglage des modèles.

Obtention de puissance de calcul : pour les développeurs individuels et les petites équipes, le coût élevé d'achat de GPU et les frais de location de puissance de calcul cloud peuvent représenter un fardeau économique significatif.

Revenus des actifs IA : les travailleurs de l'annotation de données ont souvent du mal à obtenir des revenus correspondant à leurs efforts, tandis que les résultats de recherche des développeurs d'IA ont également du mal à correspondre aux acheteurs en demande.

Les défis existant dans les scénarios d'IA centralisée peuvent être surmontés grâce à la combinaison avec le Web3, qui, en tant que nouvelle relation de production, s'adapte naturellement à l'IA représentant une nouvelle productivité, permettant ainsi une avancée simultanée de la technologie et des capacités de production.

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

La combinaison de Web3 et de l'IA peut renforcer la souveraineté des utilisateurs, en leur offrant une plateforme de collaboration IA ouverte, permettant aux utilisateurs de passer de simples utilisateurs d'IA à des participants actifs, créant ainsi une IA que tout le monde peut posséder. Parallèlement, la fusion du monde Web3 avec la technologie IA peut également donner lieu à davantage de scénarios d'application et de jeux innovants.

Avec la technologie Web3, le développement et l'application de l'IA vont connaître un tout nouveau système économique collaboratif. La vie privée des données des utilisateurs peut être protégée, et le modèle de crowdsourcing des données favorise les 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 de l'IA ouvert, un système de distribution des revenus équitable peut être réalisé, incitant ainsi davantage de personnes à promouvoir les progrès de la technologie IA.

Dans le contexte de Web3, l'IA peut avoir un impact positif sur plusieurs secteurs. 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 fonctionnalités. L'IA générative permet non seulement aux utilisateurs d'expérimenter le rôle d'"artiste", par exemple en créant leurs propres NFT grâce à la technologie de l'IA, mais elle peut également créer des scènes de jeu riches et variées ainsi que des expériences d'interaction intéressantes dans le GameFi. Une infrastructure riche offre une expérience de développement fluide, que ce soit pour des experts en IA ou pour des novices souhaitant entrer dans le domaine de l'IA.

II. Interprétation de la carte et de l'architecture des projets écosystémiques Web3-AI

Nous avons principalement étudié 41 projets dans le domaine Web3-AI et avons classé ces projets en différentes couches. La logique de classification de chaque couche est illustrée dans le graphique ci-dessous, incluant la couche d'infrastructure, la couche intermédiaire et la couche d'application, chacune 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 l'ensemble du cycle de vie de l'IA, tandis que la couche intermédiaire comprend la gestion des données, le développement de modèles et les services de validation et d'inférence qui relient l'infrastructure aux applications. La couche d'application se concentre sur diverses applications et solutions directement destinées aux utilisateurs.

Couche d'infrastructure :

La couche d'infrastructure est la base du cycle de vie de l'IA. Cet article classe la puissance de calcul, AI Chain et la plateforme de développement comme faisant partie de la couche d'infrastructure. C'est grâce à ces infrastructures que l'on peut réaliser l'entraînement et l'inférence des modèles d'IA, et présenter aux utilisateurs des applications IA puissantes et pratiques.

• Réseau de calcul décentralisé : peut fournir une puissance de calcul distribuée pour l'entraînement de modèles d'IA, assurant une utilisation efficace et économique des ressources de calcul. Certains projets proposent un marché de puissance de calcul décentralisé, où les utilisateurs peuvent louer de la puissance à bas coût ou partager de la puissance pour obtenir des revenus, des projets représentatifs tels que IO.NET et Hyperbolic. De plus, certains projets ont vu émerger de nouvelles méthodes de jeu, comme Compute Labs, qui a proposé un protocole de tokenisation, permettant aux utilisateurs de participer de différentes manières à la location de puissance de calcul 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, réaliser une interaction sans couture des ressources IA en ligne et hors ligne, et promouvoir le développement de l'écosystème industriel. Le marché décentralisé de l'IA sur la chaîne permet d'échanger des actifs IA tels que des données, des modèles, des agents, etc., et fournit un cadre de développement IA ainsi que des outils de développement associés, représentant des projets tels que Sahara AI. AI Chain peut également favoriser les progrès technologiques de l'IA dans différents domaines, comme Bittensor qui encourage la compétition 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, et permettent 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, comme le projet Nimble. Ces infrastructures favorisent l'application généralisée de la technologie IA dans l'écosystème Web3.

Couche intermédiaire :

Ce niveau implique des données AI, des modèles ainsi que le raisonnement et la vérification, et l'utilisation de la technologie Web3 peut permettre une efficacité de travail plus élevée.

• Données : La qualité et la quantité des données sont des facteurs clés influençant l'efficacité de l'entraînement des modèles. Dans le monde du Web3, l'optimisation de l'utilisation des ressources et la réduction des coûts des données peuvent être réalisées grâce à des données de crowdsourcing et à un traitement collaboratif des données. Les utilisateurs peuvent avoir le contrôle de leurs données et vendre leurs propres données dans le respect de la protection de la vie privée, afin d'éviter que des commerçants malveillants ne les volent et n'en tirent des profits élevés. Pour les demandeurs de données, ces plateformes offrent un large éventail de choix à un coût très faible. Des projets représentatifs comme Grass utilisent la bande passante des utilisateurs pour extraire des données du Web, et xData collecte des informations médiatiques via des plugins conviviaux, tout en permettant aux utilisateurs de télécharger des informations sur les tweets.

De plus, certaines plateformes permettent à des experts de domaine ou à des utilisateurs ordinaires d'exécuter des tâches de prétraitement des données, telles que l'annotation d'images et la classification des données, ces tâches pouvant nécessiter des connaissances professionnelles en matière de traitement des données financières et juridiques. Les utilisateurs peuvent tokeniser leurs compétences pour réaliser une collaboration en mode crowdsourcing sur le prétraitement des données. Des exemples incluent le marché AI de Sahara AI, qui propose des tâches de données dans différents domaines, pouvant couvrir des scénarios de données multi-domaines ; tandis que le protocole AIT effectue l'annotation des données par le biais d'une collaboration homme-machine.

• Modèles : Dans le processus de développement de l'IA mentionné précédemment, différents types de besoins nécessitent de faire correspondre des modèles appropriés. Les modèles couramment utilisés pour les tâches d'image incluent CNN et GAN, pour les tâches de détection d'objets, on peut choisir la série Yolo, et pour les tâches textuelles, les modèles RNN et Transformer sont courants, bien sûr, il existe également certains modèles grands spécifiques ou généraux. La profondeur des modèles nécessaires varie en fonction de la complexité des tâches, et il peut parfois être nécessaire d'ajuster les modèles.

Certains projets permettent aux utilisateurs de fournir différents types de modèles ou de collaborer à l'entraînement des modèles par le biais de l'outsourcing, comme Sentient qui, grâce à une conception modulaire, permet aux utilisateurs de placer des données de modèle fiables dans la couche de stockage et la couche de distribution pour l'optimisation des modèles. Les outils de développement fournis par Sahara AI intègrent des algorithmes d'IA avancés et des cadres de calcul, et possèdent la capacité d'entraînement collaboratif.

• Inférence et validation : après l'entraînement du modèle, un fichier de poids de modèle est généré, qui peut être utilisé directement pour la classification, la prédiction ou d'autres tâches spécifiques, ce processus est appelé inférence. Le processus d'inférence est généralement accompagné d'un mécanisme de validation pour vérifier si la source du modèle d'inférence est correcte, s'il y a des comportements malveillants, etc. L'inférence Web3 peut généralement être intégrée dans des contrats intelligents, en appelant le modèle pour effectuer l'inférence, les méthodes de validation courantes incluent des technologies telles que ZKML, OPML et TEE. Des projets représentatifs comme l'oracle AI sur la chaîne ORA (OAO) ont introduit OPML comme couche vérifiable pour l'oracle AI, le site officiel d'ORA mentionne également leurs recherches sur ZKML et opp/ai (ZKML combiné avec OPML).

Couche d'application :

Cette couche est principalement une application directement destinée aux utilisateurs, combinant l'IA et le Web3 pour créer