Relatório panorâmico da trilha Web3-AI: análise profunda da lógica técnica, aplicações de cena e principais projetos

Com o aquecimento contínuo da narrativa de IA, cada vez mais atenção está concentrada neste setor. Uma análise aprofundada da lógica técnica, cenários de aplicação e projetos representativos da pista Web3-AI foi realizada, apresentando uma visão abrangente e as tendências de desenvolvimento deste campo.

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

1.1 Lógica da 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 surgirem 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 do token subjacente não tem uma ligação substancial com os produtos de IA; portanto, esses tipos de projetos não estão incluídos na discussão sobre projetos Web3-AI neste artigo.

O foco deste artigo é em projetos que utilizam blockchain para resolver problemas de relações de produção e AI para resolver problemas de produtividade. Esses projetos oferecem produtos de AI e, ao mesmo tempo, baseiam-se em um modelo econômico Web3 como ferramenta de relações de produção, sendo que ambos se complementam. Vamos classificar esses projetos como a faixa Web3-AI. Para que os leitores compreendam melhor a faixa Web3-AI, será feita uma introdução ao processo de desenvolvimento da AI e aos desafios, além de como a combinação de Web3 e AI resolve perfeitamente problemas e cria novos cenários de aplicação.

1.2 O processo de desenvolvimento de IA e desafios: da coleta de dados à inferência de modelos

A tecnologia de IA é uma tecnologia que permite aos computadores simular, expandir e aumentar a inteligência humana. Ela permite que os computadores realizem diversas tarefas complexas, desde tradução de linguagem, 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. 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 contenha gatos e cães, podendo usar conjuntos de dados públicos ou coletar dados reais. 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 do modelo: Escolher o modelo adequado, como a Rede Neural Convolucional (CNN), que é mais adequada 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 influenciado pela complexidade do modelo e pela capacidade de cálculo.

4. Inferência do modelo: O arquivo do modelo treinado é normalmente chamado de pesos do modelo. O processo de inferência refere-se ao uso de um modelo já treinado para prever ou classificar novos dados. Neste processo, pode-se utilizar um conjunto de testes ou novos dados para avaliar o desempenho de classificação do modelo, geralmente utilizando indicadores como precisão, recall, F1-score, entre outros, para avaliar a eficácia do modelo.

Como mostrado na figura, após a coleta de dados e pré-processamento de dados, seleção e ajuste de modelo, e treinamento, a inferência do modelo treinado no conjunto de teste resultará nos valores de previsão de gato e cachorro P(probability), 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, o modelo de IA para classificação de gatos e cães pode ser integrado numa aplicação móvel, onde os utilizadores carregam fotos de gatos ou cães e recebem o resultado 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 geralmente é opaco. Os dados dos usuários podem ser roubados sem o seu conhecimento e utilizados para o treinamento da IA.

Obtenção de fontes de dados: pequenas equipas ou indivíduos ao obter dados de áreas específicas (, como dados médicos ), podem enfrentar limitações de não disponibilização de dados.

Seleção e ajuste de modelos: para pequenas equipas, é difícil obter recursos de modelos específicos de domínio ou gastar grandes custos em ajuste de modelos.

Aquisição de poder de cálculo: para desenvolvedores individuais e pequenas equipes, o elevado custo de compra de GPUs e as taxas de aluguer de poder de cálculo em nuvem podem constituir um fardo económico significativo.

Rendimento de ativos de IA: os trabalhadores de rotulagem de dados muitas vezes não conseguem obter rendimentos que correspondam ao seu esforço, enquanto 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. O Web3, como uma nova relação de produção, adapta-se naturalmente à IA, que representa uma nova força produtiva, promovendo assim o progresso simultâneo da tecnologia e da capacidade de produção.

1.3 A sinergia entre Web3 e AI: mudança de papéis e aplicações inovadoras

A combinação de Web3 e IA pode fortalecer a soberania do usuário, oferecendo uma plataforma de colaboração em IA aberta que permite aos usuários passar de meros utilizadores de IA da era Web2 para participantes, criando uma IA que pode ser possuída por todos. Ao mesmo tempo, a fusão do mundo Web3 com a tecnologia de IA pode gerar mais cenários de aplicação e maneiras inovadoras.

Baseado na tecnologia Web3, o desenvolvimento e a aplicação da IA enfrentarão um novo sistema econômico colaborativo. A privacidade dos dados das pessoas pode ser garantida, o modelo de dados em crowdsourcing promove o avanço dos modelos de IA, numerosos recursos de IA de código aberto estão disponíveis para os usuários e o poder de cálculo compartilhado pode ser obtido a um custo mais baixo. Com a ajuda de um mecanismo de colaboração descentralizado 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 a contratos inteligentes, melhorando a eficiência do trabalho em diferentes cenários de aplicação, como análise de mercado, detecção de segurança, agrupamento social e várias outras funcionalidades. 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 jogos variados e interações interessantes no GameFi. Uma infraestrutura rica proporciona 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 Estrutura do Projeto Ecossistema Web3-AI

Estudámos principalmente 41 projetos na área do Web3-AI e classificámos esses projetos em diferentes níveis. A lógica de divisão de cada nível é mostrada na imagem abaixo, incluindo o nível de infraestrutura, o nível intermédio e o nível de aplicação, onde cada nível é dividido em diferentes seções. 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 operação de todo o ciclo de vida da IA, a camada intermédia inclui a gestão de dados, desenvolvimento de modelos e serviços de verificação de inferência que conectam a infraestrutura às aplicações, enquanto a camada de aplicação se concentra em várias aplicações e soluções diretamente voltadas para o usuário.

Camada de infraestrutura:

A camada de infraestrutura é a base do ciclo de vida da IA. Neste artigo, a computação, a AI Chain e a plataforma de desenvolvimento são categorizadas como camada de infraestrutura. É exatamente com o apoio dessas infraestruturas que se consegue realizar 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 computacional distribuído para o treinamento de modelos de IA, garantindo uma utilização eficiente e económica 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 ganhos, representados por projetos como IO.NET e Hyperbolic. Além disso, alguns projetos derivaram novas formas de interação, como Compute Labs, que propuseram um protocolo tokenizado, permitindo que os usuários participem de arrendamentos de poder computacional de diferentes maneiras através da compra de NFTs que representam entidades GPU.

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

• 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 tudo-em-um ajudam os desenvolvedores a criar, treinar e implantar 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 intermédia:

Esta camada envolve dados de IA, modelos, bem como raciocínio e validação, utilizando tecnologia Web3 para alcançar uma maior eficiência de trabalho.

• Dados: A qualidade e a quantidade dos dados são fatores-chave que influenciam a eficácia do treinamento do modelo. No mundo Web3, através de dados crowdsourced e processamento colaborativo de dados, é possível otimizar a utilização de recursos e reduzir os custos dos dados. Os usuários podem ter autonomia sobre os dados, vendendo suas próprias informações sob proteção de privacidade, para evitar que dados sejam roubados por comerciantes desonestos e que lucros elevados sejam gerados. 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 capturar dados da Web, xData coleta informações da mídia através de um plugin amigável ao usuário e suporta 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. Estas tarefas podem exigir o processamento de dados em tarefas financeiras e legais que necessitam de conhecimento especializado. Os usuários podem tokenizar suas habilidades, realizando a colaboração em forma de crowdsourcing para o pré-processamento de dados. Um exemplo é o mercado de IA como o Sahara AI, que tem tarefas de dados em diferentes domínios, podendo cobrir cenários de dados multi-domínio; enquanto o AIT Protocol realiza a rotulagem de dados através de uma abordagem de colaboração homem-máquina.

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

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 oferecidas pela Sahara AI incorporam algoritmos de IA avançados 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, esse processo é chamado de inferência. O processo de inferência geralmente é acompanhado por um mecanismo de validação, para verificar se a origem do modelo de inferência está correta, se há comportamentos maliciosos, etc. A inferência em Web3 geralmente pode ser integrada em contratos inteligentes, chamando o modelo para realizar a inferência, as formas comuns de validação incluem ZKML, OPML e TEE, entre outras tecnologias. Projetos representativos como o oráculo de IA na cadeia ORA (OAO), introduziram OPML como uma camada verificável para o oráculo de IA, e no site oficial da ORA, eles também mencionaram suas pesquisas sobre a combinação de ZKML e opp/ai(ZKML com OPML).

Camada de Aplicação:

Esta camada é principalmente uma aplicação voltada diretamente para o usuário, combinando IA com Web3, criando mais formas interessantes e inovadoras de jogar. Este artigo aborda principalmente os projetos nas áreas de AIGC(, conteúdo gerado por IA), agentes de IA e análise de dados.

• AIGC: Através do AIGC, pode-se expandir para as áreas de NFT, jogos e outros no Web3. Os usuários podem gerar texto, imagens e áudio diretamente através das palavras-chave fornecidas pelo Prompt(, e até mesmo criar jogabilidade personalizada em jogos de acordo com suas preferências. Projetos de NFT como NFPrompt permitem que os usuários gerem NFTs através de IA para negociação no mercado; jogos como Sleepless permitem que os usuários moldem a personalidade de parceiros virtuais através de diálogos para corresponder às suas preferências;

• Agente de IA: refere-se a sistemas de inteligência artificial que podem executar tarefas de forma autónoma e tomar decisões. Os agentes de IA geralmente possuem capacidades de percepção, raciocínio, aprendizagem e ação, podendo executar tarefas complexas em diversos ambientes. Exemplos comuns de agentes de IA incluem tradução de idiomas, aprendizagem de idiomas,