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

Com o contínuo aquecimento da narrativa de IA, cada vez mais atenção está sendo concentrada neste setor. Foi realizada uma análise aprofundada da lógica técnica, dos cenários de aplicação e dos projetos representativos da pista Web3-AI, apresentando a você uma visão abrangente do campo e das tendências de desenvolvimento.

I. Web3-AI: Análise da Lógica Tecnológica e Oportunidades de Mercado Emergentes

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

No último ano, a narrativa de IA tem estado excepcionalmente em alta na indústria Web3, com projetos de IA a surgir como cogumelos após a chuva. Embora haja muitos projetos que envolvem tecnologia de IA, alguns projetos utilizam IA apenas em certas partes de seus produtos, e a economia de tokens subjacente não tem ligação substancial com produtos de IA, portanto, esses projetos não serão discutidos neste artigo como projetos Web3-AI.

O foco deste artigo está em usar blockchain para resolver problemas de relações de produção, enquanto a IA resolve problemas de produtividade. Esses projetos oferecem produtos de IA, ao mesmo tempo que se baseiam em modelos econômicos Web3 como ferramentas de relações de produção, com ambos se complementando. Classificamos esses projetos como a faixa Web3-AI. Para que os leitores compreendam melhor a faixa Web3-AI, serão apresentadas o processo de desenvolvimento e os desafios da IA, bem como como a combinação de Web3 e IA pode resolver problemas de forma perfeita e criar novos cenários de aplicação.

1.2 O processo de desenvolvimento da IA e os desafios: da coleta de dados à inferência do modelo

A tecnologia de IA é uma tecnologia que permite que os computadores simulem, expandam e aprimorem a inteligência humana. Ela permite que os computadores realizem várias tarefas complexas, desde tradução de idiomas, classificação de imagens até reconhecimento facial, condução autónoma e outros cenários de aplicação. A IA está a mudar a forma como vivemos e trabalhamos.

O processo de desenvolvimento de modelos de inteligência artificial geralmente inclui os seguintes passos-chave: coleta de dados e pré-processamento de dados, seleção e ajuste do modelo, treinamento e inferência do modelo. Por exemplo, para desenvolver um modelo que classifique imagens de gatos e cães, você precisa:

1. Coleta de dados e pré-processamento de dados: coletar um conjunto de dados de imagens que contenham gatos e cães, podendo usar conjuntos de dados públicos ou coletar dados reais por conta própria. Em seguida, rotular cada imagem com a categoria (gato ou cão), garantindo que os rótulos sejam precisos. Converter as imagens para um formato que o modelo possa reconhecer, dividindo o conjunto de dados em conjunto de treino, conjunto de validação e conjunto de teste.

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

3. Treinamento do modelo: pode-se usar GPU, TPU ou clusters de computação de alto desempenho para treinar o modelo, e o tempo de treinamento é afetado pela complexidade do modelo e pela capacidade de computação.

4. Inferência do modelo: O arquivo do modelo treinado é geralmente chamado de pesos do modelo, e o processo de inferência refere-se ao uso de um modelo já treinado para prever ou classificar novos dados. Neste processo, pode-se usar um conjunto de testes ou novos dados para avaliar a eficácia de classificação do modelo, geralmente utilizando métricas como precisão, taxa de recuperação e F1-score.

Como mostrado na figura, após a coleta de dados e pré-processamento de dados, seleção e ajuste de modelo, e treinamento, o modelo treinado é usado para inferência no conjunto de testes, resultando nos valores de previsão de gato e cachorro P (probabilidade), ou seja, a probabilidade de o modelo inferir que é um gato ou um cachorro.

Modelos de IA treinados podem ser integrados em várias aplicações para realizar diferentes tarefas. Neste exemplo, um modelo de IA para classificação de gatos e cães pode ser integrado em uma aplicação móvel, onde os usuários fazem o upload de imagens de gatos ou cães e recebem os resultados da classificação.

No entanto, o processo de desenvolvimento de IA centralizada apresenta alguns problemas nos seguintes cenários:

Privacidade do usuário: Em cenários centralizados, o processo de desenvolvimento da IA é geralmente opaco. Dados dos usuários podem ser roubados sem o seu conhecimento e utilizados para o treinamento da IA.

Obtenção de fontes de dados: pequenas equipes ou indivíduos podem enfrentar limitações de dados que não são de código aberto ao tentar obter dados em áreas específicas (como dados médicos).

Seleção e ajuste de modelos: Para pequenas equipas, é difícil obter recursos de modelos específicos ou gastar muito dinheiro em ajuste de modelos.

Obtenção de poder de computação: Para desenvolvedores individuais e pequenas equipas, o elevado custo de compra de GPUs e as taxas de aluguer de poder de computação na nuvem podem representar um fardo económico significativo.

Renda de ativos de IA: trabalhadores de rotulagem de dados frequentemente não conseguem obter uma renda que corresponda ao que investem, e os resultados da pesquisa dos desenvolvedores de IA também têm dificuldade em se alinhar com compradores que têm demanda.

Os desafios existentes no cenário de IA centralizada podem ser superados através da combinação com o Web3, que, como uma nova forma de relação de produção, se adapta naturalmente à IA, que representa uma nova força produtiva, promovendo assim o progresso simultâneo da tecnologia e da capacidade produtiva.

1.3 Web3 e a sinergia com a IA: mudança de papéis e aplicações inovadoras

A combinação de Web3 e IA pode aumentar a soberania do usuário, proporcionando uma plataforma de colaboração em IA aberta, permitindo que os usuários façam a transição de usuários de IA da era Web2 para participantes, criando uma IA que todos podem possuir. Ao mesmo tempo, a fusão do mundo Web3 com a tecnologia IA também pode gerar mais cenários de aplicação e formas inovadoras.

Baseada na tecnologia Web3, o desenvolvimento e a aplicação da IA vão dar início a um novo sistema econômico colaborativo. A privacidade dos dados das pessoas pode ser garantida, o modelo de crowdsourcing de dados promove o avanço dos modelos de IA, e muitos recursos de IA de código aberto estão disponíveis para os usuários, com poder computacional compartilhado podendo ser adquirido a um custo mais baixo. Com a ajuda de um mecanismo de crowdsourcing colaborativo descentralizado e de um mercado de IA aberto, pode-se alcançar um sistema de distribuição de rendimentos justo, incentivando assim mais pessoas a impulsionar o progresso da tecnologia de IA.

No cenário Web3, a IA pode ter um impacto positivo em várias áreas. Por exemplo, modelos de IA podem ser integrados em contratos inteligentes para melhorar a eficiência do trabalho em diferentes cenários de aplicação, como análise de mercado, detecção de segurança, clustering social, entre outras funções. A IA generativa não só permite que os usuários experimentem o papel de "artista", como criar seus próprios NFTs utilizando tecnologia de IA, mas também pode criar cenários de jogo ricos e diversificados e experiências interativas interessantes no GameFi. Uma infraestrutura rica oferece uma experiência de desenvolvimento fluida, permitindo que tanto especialistas em IA quanto novatos que desejam entrar no campo da IA encontrem uma entrada adequada neste mundo.

Dois, interpretação do mapa e da arquitetura do projeto Web3-AI

Estudámos principalmente 41 projetos na área do Web3-AI, e dividimos esses projetos em diferentes níveis. A lógica de divisão de cada nível é mostrada na figura abaixo, incluindo a camada de infraestrutura, a camada intermédia e a camada de aplicação, cada uma dividida em diferentes secções. Na próxima seção, faremos uma análise profunda de alguns projetos representativos.

A camada de infraestrutura abrange os recursos computacionais e a arquitetura técnica que suportam a execução de todo o ciclo de vida da IA, a camada intermédia inclui a gestão de dados, o desenvolvimento de modelos e os serviços de inferência de validação que conectam a infraestrutura às aplicações, enquanto a camada de aplicações foca nas diversas aplicações e soluções diretamente voltadas para os utilizadores.

Camada de infraestrutura:

A camada de infraestrutura é a base do ciclo de vida da IA. Neste artigo, a potência computacional, a AI Chain e a plataforma de desenvolvimento são classificadas como camada de infraestrutura. É precisamente o suporte dessas infraestruturas que possibilita o treinamento e a inferência de modelos de IA, apresentando aos usuários aplicações de IA poderosas e práticas.

• Rede de computação descentralizada: pode fornecer poder de computação distribuído para o treinamento de modelos de IA, garantindo uma utilização eficiente e econômica dos recursos de computação. Alguns projetos oferecem mercados de poder de computação descentralizado, onde os usuários podem alugar poder de computação a baixo custo ou compartilhar poder de computação para obter lucro, representados por projetos como IO.NET e Hyperbolic. Além disso, alguns projetos derivaram novas formas de jogo, como Compute Labs, que propuseram um protocolo tokenizado, permitindo que os usuários participem do aluguel de poder de computação de diferentes maneiras, comprando NFTs que representam entidades de GPU para obter lucro.

• AI Chain: Utiliza a blockchain como base do ciclo de vida da IA, permitindo a interação sem costura de recursos de IA em cadeia e fora dela, promovendo o desenvolvimento do ecossistema da indústria. O mercado descentralizado de IA em cadeia pode negociar ativos de IA como dados, modelos, agentes, etc., e oferece estruturas de desenvolvimento de IA e ferramentas de desenvolvimento complementares, com projetos representativos como Sahara AI. AI Chain também pode promover o avanço de tecnologias de IA em diferentes áreas, como o Bittensor, que promove a competição entre sub-redes de diferentes tipos de IA através de um mecanismo inovador de incentivos para sub-redes.

• Plataforma de desenvolvimento: alguns projetos oferecem plataformas de desenvolvimento de agentes de IA, que também podem realizar transações de agentes de IA, como Fetch.ai e ChainML. Ferramentas de uma só paragem ajudam os desenvolvedores a criar, treinar e implementar modelos de IA de forma mais conveniente, representados por projetos como Nimble. Esta infraestrutura promove a ampla aplicação da tecnologia de IA no ecossistema Web3.

Camada Intermediária:

Esta camada envolve dados de IA, modelos, bem como raciocínio e validação, e a utilização da tecnologia Web3 pode alcançar uma maior Profundidade de eficiência no trabalho.

• Dados: A qualidade e a quantidade dos dados são fatores-chave que influenciam a eficácia do treinamento de modelos. No mundo Web3, através de dados coletados em massa e processamento colaborativo de dados, é possível otimizar a utilização de recursos e reduzir os custos de dados. Os usuários podem ter autonomia sobre os dados, vendendo suas informações sob a proteção da privacidade, para evitar que seus dados sejam furtados e explorados por comerciantes desonestos. Para os demandantes de dados, essas plataformas oferecem uma ampla gama de opções a um custo extremamente baixo. Projetos representativos como Grass utilizam a largura de banda dos usuários para coletar dados da Web, e xData coleta informações de mídia através de plugins amigáveis ao usuário, além de suportar o upload de informações de tweets pelos usuários.

Além disso, algumas plataformas permitem que especialistas do setor ou usuários comuns executem tarefas de pré-processamento de dados, como rotulagem de imagens e classificação de dados, que podem exigir conhecimentos especializados em tarefas financeiras e legais de processamento de dados. Os usuários podem tokenizar suas habilidades, permitindo a colaboração em um modelo de crowdsourcing para o pré-processamento de dados. Um exemplo é o mercado de IA Sahara AI, que possui tarefas de dados em diferentes domínios, capaz de abranger cenários de dados multisetoriais; enquanto o AIT Protocolt rotula dados por meio de uma abordagem de colaboração homem-máquina.

• Modelo: No processo de desenvolvimento de IA mencionado anteriormente, diferentes tipos de necessidades exigem a correspondência com modelos adequados. Modelos comuns para tarefas de imagem incluem CNN e GAN, para tarefas de detecção de objetos pode-se escolher a série Yolo, e para tarefas de texto, modelos comuns são RNN e Transformer, além de alguns grandes modelos específicos ou gerais. A profundidade dos modelos necessários varia de acordo com a complexidade das tarefas, e às vezes é necessário ajustar os modelos.

Alguns projetos suportam que os usuários forneçam diferentes tipos de modelos ou colaborem no treinamento de modelos através de crowdsourcing, como o Sentient que, através de um design modular, permite que os usuários coloquem dados de modelos confiáveis na camada de armazenamento e na camada de distribuição para otimização de modelos. As ferramentas de desenvolvimento fornecidas pela Sahara AI têm algoritmos de IA avançados e estruturas de cálculo integradas, e possuem a capacidade de treinamento colaborativo.

• Inferência e validação: Após o treinamento, o modelo gera um arquivo de pesos que pode ser usado para classificação, previsão ou outras tarefas específicas, processo este conhecido como inferência. O processo de inferência geralmente é acompanhado de um mecanismo de validação para verificar se a origem do modelo de inferência é correta e se não há comportamentos maliciosos, entre outros. A inferência em Web3 pode ser integrada em contratos inteligentes, chamando o modelo para realizar a inferência. As formas comuns de validação incluem tecnologias como ZKML, OPML e TEE. Projetos representativos como o oráculo de IA na cadeia ORA (OAO) introduziram o OPML como uma camada verificável para o oráculo de IA; no site oficial da ORA, também mencionam suas pesquisas sobre ZKML e opp/ai (ZKML combinado com OPML).

Camada de Aplicação:

Esta camada é principalmente uma aplicação voltada diretamente para o usuário, que combina IA com Web3, criando