Relatório panorâmico do setor Web3-AI: Análise profunda da lógica técnica, aplicações de cenários e principais projetos

Com o crescente aquecimento da narrativa de IA, cada vez mais atenção está sendo direcionada para esta área. Analisamos profundamente a lógica técnica, os cenários de aplicação e os projetos representativos da área Web3-AI, apresentando a você uma visão abrangente e as tendências de desenvolvimento deste campo.

Um, Web3-AI: Análise da Lógica Tecnológica e Oportunidades de Mercado Emergente

1.1 Lógica de fusão entre Web3 e IA: como definir a pista Web-AI

No último ano, a narrativa da IA tem sido excepcionalmente popular na indústria Web3, com projetos de IA surgindo como cogumelos após a chuva. Embora haja muitos projetos que envolvem tecnologia de IA, alguns deles utilizam IA apenas em certas partes de seus produtos, e a economia de tokens subjacente não tem uma relação substancial com os produtos de IA, portanto, esses projetos não estão incluídos na discussão sobre projetos Web3-AI neste artigo.

O foco deste artigo está em usar a blockchain para resolver problemas de relações de produção, enquanto a IA aborda questões de produtividade. Esses projetos oferecem produtos de IA e, ao mesmo tempo, baseiam-se em modelos econômicos Web3 como ferramentas de relações de produção, complementando-se mutuamente. Classificamos esses projetos na categoria Web3-AI. Para ajudar os leitores a entender melhor a categoria Web3-AI, vamos apresentar 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 de IA e os desafios: da coleta de dados à inferência de modelos

A tecnologia de IA é uma tecnologia que permite que os computadores simulem, ampliem e aprimorem a inteligência humana. Ela capacita os computadores a executar várias tarefas complexas, desde tradução de idiomas, classificação de imagens até reconhecimento facial, condução autónoma e outros cenários de aplicação; a IA está mudando 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 de modelo, treinamento e inferência do modelo. Para dar um exemplo simples, ao desenvolver um modelo para classificar imagens de gatos e cães, você precisará:

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 treinamento, conjunto de validação e conjunto de teste.

2. Escolha e ajuste do modelo: escolha um modelo apropriado, como redes neurais convolucionais (CNN), que são mais adequadas para tarefas de classificação de imagens. Ajuste os parâmetros ou a arquitetura do modelo de acordo com 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 menos camadas pode ser suficiente.

3. Treinamento do modelo: pode-se usar GPU, TPU ou um cluster 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 geralmente é chamado de pesos do modelo, e o processo de inferência refere-se ao uso do modelo já treinado para prever ou classificar novos dados. Neste processo, pode-se usar um conjunto de teste ou novos dados para testar a eficácia da classificação do modelo, geralmente avaliando a eficácia do modelo com métricas como precisão, taxa de recuperação, F1-score, entre outros.

Como mostrado na figura, após a coleta de dados e pré-processamento de dados, seleção e ajuste do modelo, e treinamento, realizar a inferência do modelo treinado no conjunto de teste resultará 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 executar diferentes tarefas. Neste exemplo, um modelo de IA para classificação de gatos e cães pode ser integrado em uma aplicação móvel, onde os usuários podem enviar imagens de gatos ou cães e obter resultados de classificação.

No entanto, o processo de desenvolvimento de IA centralizada apresenta alguns problemas nas seguintes situações:

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

Obtenção de fontes de dados: pequenas equipas ou indivíduos que procuram dados em áreas específicas (como dados médicos) podem enfrentar limitações devido à falta de fontes de dados abertas.

Escolha e ajuste de modelos: para pequenas equipas, é difícil obter recursos de modelos em áreas específicas ou gastar grandes quantias em ajustes de modelos.

Obtenção de poder de computação: para desenvolvedores individuais e pequenas equipes, o alto custo de compra de GPUs e as taxas de aluguel de poder de computação na nuvem podem constituir um fardo econômico significativo.

Receita de ativos de IA: os trabalhadores de anotação de dados muitas vezes não conseguem obter uma receita que corresponda ao seu esforço, e os resultados das pesquisas dos desenvolvedores de IA também são difíceis de corresponder com compradores que têm demanda.

Os desafios existentes em cenários de IA centralizada podem ser superados através da combinação com o Web3, que, como uma nova 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 A sinergia entre Web3 e IA: Mudanças de papel 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 utilizadores de IA da era Web2 para participantes, criando uma IA que todos possam possuir. Ao mesmo tempo, a fusão do mundo Web3 com a tecnologia IA pode gerar mais cenários de aplicação e formas inovadoras.

Baseada na tecnologia Web3, o desenvolvimento e a aplicação da IA irão acolher um novo sistema de economia colaborativa. A privacidade dos dados das pessoas pode ser garantida, e o modelo de crowdsourcing de dados promove o avanço dos modelos de IA, com muitos recursos de IA de código aberto disponíveis para os usuários, e a capacidade computacional compartilhada pode ser obtida a um custo mais baixo. Com a ajuda de um mecanismo descentralizado de colaboração e crowdsourcing e de um mercado de IA aberto, é possível implementar um sistema de distribuição de renda justo, incentivando mais pessoas a impulsionar o avanço 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 e várias outras funções. A IA generativa não só permite que os usuários experimentem o papel de "artista", como ao usar tecnologia de IA para criar seus próprios NFTs, mas também pode criar cenários de jogo ricos e variados e experiências interativas interessantes no GameFi. Uma infraestrutura rica oferece uma experiência de desenvolvimento fluida, seja para especialistas em IA ou para novatos que desejam entrar no campo da IA, todos podem encontrar uma entrada adequada neste mundo.

II. Interpretação do Mapa e da Arquitetura dos Projetos da Ecologia Web3-AI

Estudamos principalmente 41 projetos na área do Web3-AI e classificamos esses projetos em diferentes camadas. A lógica de classificação de cada camada é mostrada na figura abaixo, incluindo a camada de infraestrutura, a camada intermediária e a camada de aplicação, cada uma dividida em diferentes setores. No próximo capítulo, 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, enquanto a camada intermediária inclui a gestão de dados, desenvolvimento de modelos e serviços de validação e inferência que conectam a infraestrutura às aplicações. A camada de aplicações foca nas diversas aplicações e soluções diretamente voltadas para os usuários.

Camada de infraestrutura:

A camada de infraestrutura é a base do ciclo de vida da IA, e este artigo classifica a capacidade de computação, a AI Chain e a plataforma de desenvolvimento como parte da camada de infraestrutura. É precisamente o suporte desta infraestrutura que possibilita o treinamento e a inferência dos modelos de IA, apresentando aplicações de IA poderosas e úteis aos usuários.

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

• AI Chain: Utiliza a blockchain como base do ciclo de vida da IA, permitindo a interação sem interrupções entre 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, entre outros, e fornece uma estrutura de desenvolvimento de IA e ferramentas de desenvolvimento associadas, com projetos representativos como Sahara AI. AI Chain também pode promover o avanço da tecnologia de IA em diferentes áreas, como Bittensor, que incentiva a competição entre sub-redes de diferentes tipos de IA através de um mecanismo de incentivo inovador.

• Plataforma de desenvolvimento: alguns projetos oferecem plataformas de desenvolvimento de agentes de IA, podendo também realizar transações de agentes de IA, como Fetch.ai e ChainML. Ferramentas tudo-em-um ajudam os desenvolvedores a criar, treinar e implementar modelos de IA de forma mais conveniente, representadas 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 e raciocínio e validação, utilizando tecnologia Web3 para alcançar maior eficiência de trabalho.

• Dados: A qualidade e a quantidade dos dados são fatores-chave que afetam a eficácia do treinamento de modelos. No mundo Web3, através de dados de crowdsourcing 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, podendo vender os seus próprios dados sob proteção de privacidade, a fim de evitar que dados sejam roubados e explorados por comerciantes desonestos. Para os demandantes de dados, essas plataformas oferecem uma ampla gama de opções e custos extremamente baixos. Projetos representativos como Grass utilizam a largura de banda dos usuários para coletar dados da Web, e xData coleta informações de mídia através de um plugin fácil de usar, além de suportar o upload de informações de tweets pelos usuários.

Além disso, algumas plataformas permitem que especialistas de domínio ou usuários comuns executem tarefas de pré-processamento de dados, como rotulagem de imagens e classificação de dados. Essas tarefas podem exigir conhecimentos especializados em finanças e direito, e os usuários podem tokenizar suas habilidades para realizar uma colaboração em crowdsourcing para o pré-processamento de dados. Um exemplo é o mercado de IA Sahara AI, que possui tarefas de dados em diferentes domínios e pode abranger cenários de dados de múltiplos setores; 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 requisitos necessitam de modelos adequados. Modelos frequentemente usados em tarefas de imagem, como CNN e GAN, para tarefas de detecção de objetos podem escolher a série Yolo, e para tarefas de texto, modelos comuns incluem RNN e Transformer, além de alguns modelos grandes específicos ou gerais. A profundidade do modelo necessária para tarefas de complexidade diferente também varia, e às vezes é necessário ajustar o modelo.

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

• Inferência e validação: Após o treinamento, o modelo gera arquivos de pesos do modelo, que podem ser usados para classificação, previsão ou outras tarefas específicas. Este processo é chamado de inferência. O processo de inferência geralmente é acompanhado de um mecanismo de validação para verificar se a origem do modelo de inferência está 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 técnicas 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 mencionaram suas pesquisas sobre ZKML e opp/ai (ZKML combinado com OPML).

Camada de aplicação:

Esta camada é principalmente uma aplicação direcionada ao usuário, que combina IA com Web3, criando mais formas interessantes e inovadoras de jogar. Este artigo aborda principalmente os projetos nos setores de AIGC (Conteúdo Gerado por IA), Agentes de IA e Análise de Dados.

• AIGC: Através do AIGC pode