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 en puissance de la narration par l'IA, de plus en plus d'attention est portée 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, afin de 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 Logique de la fusion entre Web3 et 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 qui ont émergé comme des champignons après la pluie. Bien qu'il existe de nombreux projets impliquant 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, c'est pourquoi ces projets ne font pas partie de la discussion sur les projets Web3-AI dans cet article.
L'objectif de cet article est d'utiliser 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 utilisant un modèle économique Web3 comme outil de relations de production, les deux se complétant mutuellement. Nous classons ce type de projet dans la catégorie Web3-AI. Afin d'aider les lecteurs à mieux comprendre la catégorie 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 peut résoudre parfaitement les problèmes et créer de nouveaux cas d'utilisation.
1.2 Le processus et les défis du développement de l'IA : 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'effectuer diverses tâches complexes, allant de la traduction de langues, à la classification d'images, en passant par la reconnaissance faciale et la conduite autonome, l'IA est en train de transformer 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 ajustement 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 devez :
Collecte de données et prétraitement des données : collecter un ensemble de données d'images contenant des chats et des chiens, en utilisant un ensemble de données public ou en recueillant des données réelles soi-même. Ensuite, étiqueter chaque image avec une catégorie (chat ou chien), en veillant à ce que les étiquettes soient précises. Convertir les images dans un format que le modèle peut reconnaître, puis diviser l'ensemble de données en ensemble d'entraînement, ensemble de validation et ensemble de test.
Choix et optimisation du modèle : choisir un modèle approprié, comme un réseau de neurones convolutifs (CNN), qui convient bien aux tâches de classification d'images. Ajuster les paramètres ou l'architecture du modèle en fonction des besoins spécifiques, 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 profondeur de réseau plus faible 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 du modèle : Le fichier du modèle entraîné est généralement appelé poids du modèle. Le processus d'inférence fait référence à l'utilisation d'un modèle déjà entraîné pour prédire ou classer de nouvelles données. Dans ce processus, un ensemble de test ou de nouvelles données peut être utilisé pour tester l'efficacité de la classification du modèle, généralement évaluée par des indicateurs tels que la précision, le rappel, le F1-score, etc.
Comme montré sur l'image, après la collecte de données et le prétraitement des données, le choix et l'ajustement du modèle, et l'entraînement, l'inférence du modèle entraîné sur l'ensemble de test donnera les valeurs prédites de chat et de 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, 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 et obtiennent les résultats de classification.
Cependant, le processus de développement de l'IA centralisée présente certains problèmes dans les scénarios suivants :
Confidentialité des utilisateurs : dans des scénarios centralisés, le processus de développement de l'IA est souvent opaque. Les données des utilisateurs peuvent être volées à leur insu et utilisées pour l'entraînement de l'IA.
Obtention des sources de données : les petites équipes ou les particuliers peuvent être confrontés à des restrictions quant à l'accès aux données dans des domaines spécifiques (comme les données médicales), car ces données ne sont pas open source.
Sélection et optimisation des modèles : pour les petites équipes, il est difficile d'accéder à des ressources de modèles spécifiques ou de dépenser beaucoup de coûts pour optimiser les 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 dans le cloud peuvent constituer un fardeau économique significatif.
Revenus des actifs IA : Les travailleurs de l'annotation de données ne parviennent souvent pas à obtenir des revenus correspondant à leurs efforts, tandis que les résultats de recherche des développeurs d'IA ont également du mal à s'aligner avec des acheteurs en demande.
Les défis existant dans les scénarios d'IA centralisée peuvent être surmontés en les combinant avec le Web3. Le Web3, en tant que nouvelle relation de production, s'adapte naturellement à l'IA représentant une nouvelle productivité, ce qui permet de promouvoir des progrès simultanés en technologie et en capacité de production.
1.3 Synergie entre Web3 et IA : changement de rôle et applications innovantes
La combinaison de Web3 et de l'IA peut renforcer la souveraineté des utilisateurs, en offrant une plateforme de collaboration IA ouverte, permettant aux utilisateurs de passer d'utilisateurs d'IA à l'ère Web2 à participants, créant une IA que tout le monde peut posséder. En même temps, la fusion du monde Web3 avec les technologies de l'IA peut aussi engendrer davantage de scénarios d'application innovants et de nouvelles manières de jouer.
Grâce à la technologie Web3, le développement et l'application de l'IA entreront dans un tout nouveau système économique collaboratif. La vie privée des données des individus peut être protégée, 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. En s'appuyant sur un mécanisme de crowdsourcing décentralisé et un marché de l'IA ouvert, il est possible d'instaurer un système de distribution des revenus équitable, incitant ainsi davantage de personnes à promouvoir le progrès de la technologie IA.
Dans le contexte de Web3, l'IA peut avoir un impact positif sur plusieurs domaines. Par exemple, des 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 de vivre le rôle d'"artiste", par exemple en utilisant la technologie IA pour créer leurs propres NFT, mais elle peut également créer des scènes de jeu variées et des expériences interactives intéressantes dans GameFi. Une infrastructure riche offre une expérience de développement fluide, que l'on soit un expert en IA ou un novice souhaitant entrer dans le domaine de l'IA, chacun peut trouver une porte d'entrée appropriée dans ce monde.
II. Interprétation de la carte et de l'architecture des projets écologiques Web3-AI
Nous avons principalement étudié 41 projets dans le secteur Web3-AI et les avons classés en différentes couches. La logique de classification de chaque couche est illustrée ci-dessous, comprenant la couche d'infrastructure, la couche intermédiaire et la couche d'application, chaque couche étant elle-même 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 de calcul et l'architecture technique nécessaires au fonctionnement de l'ensemble du cycle de vie de l'IA, 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, tandis que la couche d'application se concentre sur les différentes 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 IA et la plateforme de développement comme des couches d'infrastructure. C'est grâce à ces infrastructures que l'entraînement et l'inférence des modèles d'IA peuvent être réalisés, permettant ainsi de présenter 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 offrent des marchés de puissance de calcul décentralisés, où les utilisateurs peuvent louer de la puissance de calcul à faible coût ou partager la puissance de calcul pour obtenir des revenus, avec des projets représentatifs comme IO.NET et Hyperbolic. 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 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, permettant une interaction transparente entre les ressources IA sur et hors chaîne, et favorisant 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, avec des projets représentatifs comme Sahara AI. AI Chain peut également promouvoir les avancées 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 peuvent également réaliser des transactions d'agents IA, comme Fetch.ai et ChainML. Des outils tout-en-un aident les développeurs à créer, entraîner et déployer plus facilement des modèles IA, représentés par des projets comme Nimble. Ces infrastructures favorisent l'application généralisée de la technologie IA dans l'écosystème Web3.
Couche intermédiaire :
Ce niveau concerne les données AI, les modèles ainsi que le raisonnement et la validation, et l'utilisation de la technologie Web3 peut permettre une plus grande efficacité de travail.
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 la collecte de données participative et au traitement collaboratif des données. Les utilisateurs peuvent avoir le droit d'autonomie sur leurs données, vendre leurs propres données dans le respect de la protection de la vie privée, afin d'éviter que leurs données ne soient volées par de mauvais commerçants pour réaliser des profits élevés. Pour les demandeurs de données, ces plateformes offrent un large éventail de choix et des coûts extrêmement bas. Des projets représentatifs tels que Grass utilisent la bande passante des utilisateurs pour extraire des données Web, et xData collecte des informations médiatiques grâce à un plugin convivial, tout en permettant aux utilisateurs de télécharger des informations de tweets.
De plus, certaines plateformes permettent aux experts du 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 peuvent nécessiter des connaissances spécialisées pour le traitement des données financières et juridiques. Les utilisateurs peuvent tokeniser leurs compétences pour réaliser une collaboration en crowdsourcing pour le prétraitement des données. Un exemple est le marché de l'IA 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 une approche de collaboration homme-machine.
Modèle : Dans le processus de développement de l'IA mentionné précédemment, différents types de besoins nécessitent des modèles adaptés. Les modèles couramment utilisés pour les tâches d'image incluent les CNN et les GAN, les tâches de détection d'objets peuvent choisir la série Yolo, tandis que pour les tâches textuelles, des modèles tels que RNN et Transformer sont courants, sans oublier certains grands modèles spécifiques ou généraux. La profondeur des modèles nécessaires varie également en fonction de 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 des modèles par le biais de l'outsourcing, comme Sentient qui, grâce à un design modulaire, permet aux utilisateurs de placer des données de modèles fiables dans la couche de stockage et la couche 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 du modèle, un fichier de poids du modèle est généré, pouvant être utilisé 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 et 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, et leur site officiel mentionne également leurs recherches sur ZKML et opp/ai (ZKML combiné avec OPML).
Couche d'application :
Ce niveau est principalement constitué d'applications directement destinées aux utilisateurs, combinant l'IA et le Web3 pour créer des expériences plus intéressantes.
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.
13 J'aime
Récompense
13
7
Reposter
Partager
Commentaire
0/400
fomo_fighter
· Il y a 9h
Tout est échangé, sauf l'IA.
Voir l'originalRépondre0
PerpetualLonger
· 08-14 01:56
Le bull run est arrivé, l'IA va certainement mener à acheter le dip.
Voir l'originalRépondre0
BTCRetirementFund
· 08-13 22:16
Il y a trop de projets qui surfent sur la vague, il est évident de savoir lesquels sont vrais ou faux.
Voir l'originalRépondre0
LiquidityWitch
· 08-13 22:13
Encore un article sur le cercle de narration pour collecter des fonds.
Voir l'originalRépondre0
screenshot_gains
· 08-13 22:01
À quoi sert l'IA par personne ? Il faut quand même prendre les gens pour des idiots.
Voir l'originalRépondre0
AirdropHunter420
· 08-13 21:50
Encore un nouveau récit sur le fait de se faire prendre pour des cons.
Voir l'originalRépondre0
RektButStillHere
· 08-13 21:47
Ne raconte pas d'histoires, une nouvelle vague de pigeons arrive.
Web3-AI rapport panoramique : fusion technologique, scénarios d'application et analyse approfondie des projets de premier plan
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 en puissance de la narration par l'IA, de plus en plus d'attention est portée 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, afin de 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 Logique de la fusion entre Web3 et 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 qui ont émergé comme des champignons après la pluie. Bien qu'il existe de nombreux projets impliquant 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, c'est pourquoi ces projets ne font pas partie de la discussion sur les projets Web3-AI dans cet article.
L'objectif de cet article est d'utiliser 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 utilisant un modèle économique Web3 comme outil de relations de production, les deux se complétant mutuellement. Nous classons ce type de projet dans la catégorie Web3-AI. Afin d'aider les lecteurs à mieux comprendre la catégorie 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 peut résoudre parfaitement les problèmes et créer de nouveaux cas d'utilisation.
1.2 Le processus et les défis du développement de l'IA : 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'effectuer diverses tâches complexes, allant de la traduction de langues, à la classification d'images, en passant par la reconnaissance faciale et la conduite autonome, l'IA est en train de transformer 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 ajustement 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 devez :
Collecte de données et prétraitement des données : collecter un ensemble de données d'images contenant des chats et des chiens, en utilisant un ensemble de données public ou en recueillant des données réelles soi-même. Ensuite, étiqueter chaque image avec une catégorie (chat ou chien), en veillant à ce que les étiquettes soient précises. Convertir les images dans un format que le modèle peut reconnaître, puis diviser l'ensemble de données en ensemble d'entraînement, ensemble de validation et ensemble de test.
Choix et optimisation du modèle : choisir un modèle approprié, comme un réseau de neurones convolutifs (CNN), qui convient bien aux tâches de classification d'images. Ajuster les paramètres ou l'architecture du modèle en fonction des besoins spécifiques, 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 profondeur de réseau plus faible 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 du modèle : Le fichier du modèle entraîné est généralement appelé poids du modèle. Le processus d'inférence fait référence à l'utilisation d'un modèle déjà entraîné pour prédire ou classer de nouvelles données. Dans ce processus, un ensemble de test ou de nouvelles données peut être utilisé pour tester l'efficacité de la classification du modèle, généralement évaluée par des indicateurs tels que la précision, le rappel, le F1-score, etc.
Comme montré sur l'image, après la collecte de données et le prétraitement des données, le choix et l'ajustement du modèle, et l'entraînement, l'inférence du modèle entraîné sur l'ensemble de test donnera les valeurs prédites de chat et de 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, 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 et obtiennent les résultats de classification.
Cependant, le processus de développement de l'IA centralisée présente certains problèmes dans les scénarios suivants :
Confidentialité des utilisateurs : dans des scénarios centralisés, le processus de développement de l'IA est souvent opaque. Les données des utilisateurs peuvent être volées à leur insu et utilisées pour l'entraînement de l'IA.
Obtention des sources de données : les petites équipes ou les particuliers peuvent être confrontés à des restrictions quant à l'accès aux données dans des domaines spécifiques (comme les données médicales), car ces données ne sont pas open source.
Sélection et optimisation des modèles : pour les petites équipes, il est difficile d'accéder à des ressources de modèles spécifiques ou de dépenser beaucoup de coûts pour optimiser les 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 dans le cloud peuvent constituer un fardeau économique significatif.
Revenus des actifs IA : Les travailleurs de l'annotation de données ne parviennent souvent pas à obtenir des revenus correspondant à leurs efforts, tandis que les résultats de recherche des développeurs d'IA ont également du mal à s'aligner avec des acheteurs en demande.
Les défis existant dans les scénarios d'IA centralisée peuvent être surmontés en les combinant avec le Web3. Le Web3, en tant que nouvelle relation de production, s'adapte naturellement à l'IA représentant une nouvelle productivité, ce qui permet de promouvoir des progrès simultanés en technologie et en capacité de production.
1.3 Synergie entre Web3 et IA : changement de rôle et applications innovantes
La combinaison de Web3 et de l'IA peut renforcer la souveraineté des utilisateurs, en offrant une plateforme de collaboration IA ouverte, permettant aux utilisateurs de passer d'utilisateurs d'IA à l'ère Web2 à participants, créant une IA que tout le monde peut posséder. En même temps, la fusion du monde Web3 avec les technologies de l'IA peut aussi engendrer davantage de scénarios d'application innovants et de nouvelles manières de jouer.
Grâce à la technologie Web3, le développement et l'application de l'IA entreront dans un tout nouveau système économique collaboratif. La vie privée des données des individus peut être protégée, 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. En s'appuyant sur un mécanisme de crowdsourcing décentralisé et un marché de l'IA ouvert, il est possible d'instaurer un système de distribution des revenus équitable, incitant ainsi davantage de personnes à promouvoir le progrès de la technologie IA.
Dans le contexte de Web3, l'IA peut avoir un impact positif sur plusieurs domaines. Par exemple, des 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 de vivre le rôle d'"artiste", par exemple en utilisant la technologie IA pour créer leurs propres NFT, mais elle peut également créer des scènes de jeu variées et des expériences interactives intéressantes dans GameFi. Une infrastructure riche offre une expérience de développement fluide, que l'on soit un expert en IA ou un novice souhaitant entrer dans le domaine de l'IA, chacun peut trouver une porte d'entrée appropriée dans ce monde.
II. Interprétation de la carte et de l'architecture des projets écologiques Web3-AI
Nous avons principalement étudié 41 projets dans le secteur Web3-AI et les avons classés en différentes couches. La logique de classification de chaque couche est illustrée ci-dessous, comprenant la couche d'infrastructure, la couche intermédiaire et la couche d'application, chaque couche étant elle-même 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 de calcul et l'architecture technique nécessaires au fonctionnement de l'ensemble du cycle de vie de l'IA, 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, tandis que la couche d'application se concentre sur les différentes 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 IA et la plateforme de développement comme des couches d'infrastructure. C'est grâce à ces infrastructures que l'entraînement et l'inférence des modèles d'IA peuvent être réalisés, permettant ainsi de présenter 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 offrent des marchés de puissance de calcul décentralisés, où les utilisateurs peuvent louer de la puissance de calcul à faible coût ou partager la puissance de calcul pour obtenir des revenus, avec des projets représentatifs comme IO.NET et Hyperbolic. 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 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, permettant une interaction transparente entre les ressources IA sur et hors chaîne, et favorisant 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, avec des projets représentatifs comme Sahara AI. AI Chain peut également promouvoir les avancées 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 peuvent également réaliser des transactions d'agents IA, comme Fetch.ai et ChainML. Des outils tout-en-un aident les développeurs à créer, entraîner et déployer plus facilement des modèles IA, représentés par des projets comme Nimble. Ces infrastructures favorisent l'application généralisée de la technologie IA dans l'écosystème Web3.
Couche intermédiaire :
Ce niveau concerne les données AI, les modèles ainsi que le raisonnement et la validation, et l'utilisation de la technologie Web3 peut permettre une plus grande efficacité de travail.
De plus, certaines plateformes permettent aux experts du 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 peuvent nécessiter des connaissances spécialisées pour le traitement des données financières et juridiques. Les utilisateurs peuvent tokeniser leurs compétences pour réaliser une collaboration en crowdsourcing pour le prétraitement des données. Un exemple est le marché de l'IA 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 une approche de collaboration homme-machine.
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 un design modulaire, permet aux utilisateurs de placer des données de modèles fiables dans la couche de stockage et la couche 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 directement destinées aux utilisateurs, combinant l'IA et le Web3 pour créer des expériences plus intéressantes.