Rapport panoramique sur la piste Web3-AI : analyse approfondie de la logique technique, des applications scénaristiques et des projets de premier plan
Avec la montée en puissance de la narration par l'IA, 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 une vue d'ensemble et les tendances de développement dans ce domaine.
I. Web3-AI : analyse de la logique technologique et des opportunités de marché émergentes
1.1 La logique de la fusion entre Web3 et l'IA : comment définir la piste Web-AI
Au cours de l'année passée, la narration par l'IA a connu un succès exceptionnel dans l'industrie Web3, avec une multitude de projets IA émergents. Bien qu'il existe de nombreux projets impliquant la technologie IA, certains ne l'utilisent que dans certaines parties de leurs produits, et l'économie des tokens sous-jacente n'a pas de lien substantiel avec les produits IA, c'est pourquoi ces projets ne seront pas discutés comme des projets Web3-AI dans cet article.
L'article se concentre sur l'utilisation de la blockchain pour résoudre les problèmes des relations de production et des projets où l'IA résout les problèmes de productivité. Ces projets fournissent eux-mêmes des produits d'IA tout en s'appuyant sur un modèle économique Web3 comme outil de relations de production, les deux se complétant mutuellement. Nous classons ces projets 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, ainsi que la manière dont la combinaison de Web3 et de l'IA peut parfaitement résoudre des problèmes et créer de nouveaux cas d'application.
1.2 Le processus de développement de l'IA et ses défis : de la collecte des 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, de la classification d'images jusqu'à la reconnaissance faciale et la conduite autonome. L'IA est en train de transformer notre manière 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 du modèle et inférence. Prenons un exemple simple, pour développer un modèle qui classifie 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 des ensembles de données publics ou en collectant des données réelles. Ensuite, étiqueter chaque image avec sa catégorie (chat ou chien), en s'assurant que les étiquettes sont précises. Convertir les images dans un format que le modèle peut reconnaître, diviser l'ensemble de données en ensemble d'entraînement, ensemble de validation et ensemble de test.
Choix et ajustement du modèle : choisir un modèle approprié, comme les réseaux de neurones convolutionnels (CNN), qui conviennent bien aux tâches de classification d'images. Ajuster les paramètres ou l'architecture du modèle en fonction des besoins, en général, la profondeur du réseau peut être ajustée selon la complexité de la tâche d'IA. Dans cet exemple de classification simple, un réseau moins profond peut suffire.
Entraînement du modèle : Il est possible d'utiliser des GPU, TPU ou un cluster 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, et le processus d'inférence fait référence à l'utilisation d'un modèle déjà entraîné pour prédire ou classer de nouvelles données. Dans ce processus, il est possible d'utiliser un ensemble de test ou de nouvelles données pour évaluer l'efficacité de la classification du modèle, généralement en utilisant des indicateurs tels que la précision, le rappel, le score F1, etc.
Comme indiqué sur la figure, après la collecte de données et le prétraitement des données, la sélection et l'optimisation du modèle, ainsi que l'entraînement, le modèle entraîné sera utilisé pour effectuer des inférences sur le jeu de test, ce qui donnera les valeurs prédites P (probabilité) pour les chats et les chiens, c'est-à-dire la probabilité que le modèle infère qu'il s'agit d'un chat ou d'un chien.
Un modèle d'IA entraîné peut être intégré dans diverses applications pour exécuter différentes tâches. Dans cet exemple, un modèle d'IA pour la 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 contexte 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.
Obtention des sources de données : Les petites équipes ou les individus peuvent être confrontés à des restrictions liées à l'absence d'open source lors de l'obtention de données dans des domaines spécifiques (comme les données médicales).
Choix et ajustement des modèles : pour les petites équipes, il est difficile d'accéder aux ressources de modèles spécifiques ou de dépenser beaucoup de coûts pour l'ajustement des modèles.
Obtention de puissance de calcul : pour les développeurs individuels et les petites équipes, le coût élevé d'achat des GPU et les frais de location de puissance de calcul dans le cloud peuvent constituer un fardeau économique significatif.
Revenus d'actifs IA : Les travailleurs de l'annotation de données ne parviennent souvent pas à obtenir des revenus proportionnels à leurs efforts, et les résultats de recherche des développeurs d'IA peinent également à correspondre aux acheteurs en demande.
Les défis existants dans les scénarios d'IA centralisée peuvent être surmontés en les combinant avec le Web3, qui, en tant que nouvelle forme de 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 La synergie entre Web3 et l'IA : transformation des rôles 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, créant une IA accessible à tous. En même temps, la fusion du monde Web3 avec la technologie IA peut également engendrer davantage de scénarios d'application et de méthodes innovants.
Avec la technologie Web3, le développement et l'application de l'IA entreront dans un nouveau système économique collaboratif. La confidentialité des données des utilisateurs sera garantie, le modèle d'externalisation des données favorisera les progrès des modèles d'IA, de nombreuses ressources IA open source seront accessibles aux utilisateurs, et la puissance de calcul partagée pourra 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 pourra être mis en place, ce qui incitera davantage de personnes à promouvoir les avancées de la technologie IA.
Dans le scénario Web3, l'IA peut avoir un impact positif dans plusieurs domaines. 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 peut non seulement permettre aux utilisateurs de vivre le rôle d'"artiste", comme en utilisant la technologie IA pour créer leurs propres NFT, mais elle peut également créer des scénarios de jeu riches et variés et des expériences d'interaction intéressantes dans GameFi. Une infrastructure riche offre une expérience de développement fluide, que ce soit pour les experts en IA ou pour les novices souhaitant entrer dans le domaine de l'IA, chacun peut trouver une entrée appropriée dans ce monde.
Deux, 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 différents niveaux. La logique de classification de chaque niveau est illustrée dans l'image ci-dessous, y compris le niveau d'infrastructure, le niveau intermédiaire et le niveau d'application, chaque niveau étant divisé en différentes sections. 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 le fonctionnement de l'ensemble du cycle de vie de l'IA, la couche intermédiaire inclut la gestion des données, le développement de modèles et les services de validation et d'inférence qui connectent l'infrastructure aux applications, tandis que la couche d'application se concentre sur les diverses 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 AI et la plateforme de développement comme des couches d'infrastructure. Ce sont ces infrastructures qui rendent possible l'entraînement et l'inférence des modèles d'IA, et présentent 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, 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 leur puissance de calcul pour obtenir des revenus, des projets représentatifs comme IO.NET et Hyperbolic. De plus, certains projets ont donné naissance à de nouvelles façons de jouer, comme Compute Labs, qui propose un protocole tokenisé, permettant aux utilisateurs de participer à la location de puissance de calcul de différentes manières en achetant des NFT représentant des entités GPU.
AI Chain : Utiliser la blockchain comme base pour le cycle de vie de l'IA, permettant une interaction transparente entre les ressources IA on-chain et off-chain, et favorisant le développement de l'écosystème industriel. Le marché décentralisé de l'IA sur la blockchain peut échanger des actifs IA tels que des données, des modèles, des agents, etc., et fournir un cadre de développement IA ainsi que des outils de développement associés, représentant des projets comme Sahara AI. AI Chain peut également favoriser les progrès technologiques de l'IA dans différents domaines, comme Bittensor qui stimule la concurrence entre les sous-réseaux d'IA de différents types grâce à un mécanisme d'incitation innovant.
Plateforme de développement : certains projets offrent des plateformes de développement d'agents IA, permettant également de 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, avec des projets représentatifs 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, l'utilisation de la technologie Web3 peut permettre d'atteindre une efficacité de travail plus élevée.
Données : La qualité et la quantité des données sont des facteurs clés qui influencent l'efficacité de l'entraînement des modèles. Dans le monde de Web3, l'optimisation de l'utilisation des ressources et la réduction des coûts de données peuvent être réalisées grâce à des données collectées par la foule et à un traitement collaboratif des données. Les utilisateurs peuvent avoir le contrôle de leurs données et, dans le respect de la protection de la vie privée, vendre leurs propres données pour éviter que celles-ci ne soient volées et exploitées à des fins de profit par de mauvais commerçants. Pour les demandeurs de données, ces plateformes offrent un large éventail de choix et des coûts très bas. Des projets représentatifs tels que Grass utilisent la bande passante des utilisateurs pour extraire des données du Web, xData collecte des informations médiatiques via des plugins conviviaux et permet aux utilisateurs de télécharger des informations de tweets.
De plus, certaines plateformes permettent aux experts de domaine ou aux utilisateurs ordinaires d'exécuter des tâches de prétraitement des données, telles que l'annotation d'images et la classification des données, qui peuvent nécessiter des connaissances spécialisées dans le traitement des données financières et juridiques. Les utilisateurs peuvent tokeniser leurs compétences pour réaliser une collaboration en crowdsourcing sur le prétraitement des données. Des exemples incluent le marché AI de Sahara AI, qui propose des tâches de données dans différents domaines et peut couvrir des scénarios de données multi-domaines ; tandis que l'AIT Protocolt effectue l'annotation des données par le biais de la collaboration homme-machine.
Modèle : Dans le processus de développement de l'IA mentionné précédemment, différents types de besoins nécessitent d'associer 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 courants incluent RNN, Transformer, etc. Bien sûr, il existe également des grands modèles spécifiques ou génériques. La profondeur des modèles nécessaires varie également en fonction de la complexité des tâches, et il est parfois nécessaire d'ajuster le modèle.
Certains projets permettent aux utilisateurs de fournir différents types de modèles ou de collaborer à l'entraînement de modèles par le biais de l'affichage, comme Sentient qui, grâce à un design modulaire, permet aux utilisateurs de stocker des données de modèles fiables dans des couches de stockage et de distribution pour l'optimisation des modèles. Les outils de développement proposés 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 du modèle est généré, qui peut être utilisé pour des classifications, des prévisions 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 souvent 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 (combinaison de ZKML et OPML).
Couches d'application :
Ce niveau est principalement constitué d'applications orientées vers les utilisateurs, combinant l'IA avec le Web3 pour créer des expériences plus intéressantes et innovantes. Cet article passe en revue plusieurs projets dans les domaines de l'AIGC (contenu généré par l'IA), des agents IA et de l'analyse de données.
AIGC : Grâce à AIGC, il est possible de s'étendre vers des secteurs tels que les NFT et les jeux dans le Web3. Les utilisateurs peuvent générer directement des textes, des images et des audios via des Prompt (des mots-clés fournis par l'utilisateur), et même créer des modes de jeu personnalisés selon leurs préférences. Des projets NFT comme NFPrompt permettent aux utilisateurs de générer des NFT par AI et de les échanger sur le marché ; des jeux comme Sleepless permettent aux utilisateurs de façonner la personnalité de leur compagnon virtuel par le biais de dialogues pour correspondre à leurs préférences.
Agent IA : désigne un système d'intelligence artificielle capable d'exécuter des tâches de manière autonome et de prendre des décisions. Les agents IA possèdent généralement des capacités de perception, de raisonnement, d'apprentissage et d'action, leur permettant d'exécuter des tâches complexes dans divers environnements. Des agents IA courants incluent la traduction de langue.
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.
10 J'aime
Récompense
10
6
Reposter
Partager
Commentaire
0/400
BearMarketBuilder
· Il y a 7h
Après avoir été haussier, je deviens enfin baissier.
Voir l'originalRépondre0
HodlNerd
· Il y a 7h
fascinante corrélation entre les cycles d'IA et les phases d'accumulation crypto... il faut analyser cela plus en profondeur
Voir l'originalRépondre0
DataBartender
· Il y a 7h
Encore une année à se faire prendre pour des cons.
Voir l'originalRépondre0
GateUser-74b10196
· Il y a 7h
Encore en train de faire prendre les gens pour des idiots avec des concepts.
Voir l'originalRépondre0
SatoshiChallenger
· Il y a 8h
Encore une autre ruse pour se faire prendre pour des cons.
Voir l'originalRépondre0
ConsensusDissenter
· Il y a 8h
Encore en train de spéculer sur le concept d'AI web3.
Web3-AI panorama : analyse approfondie de la logique technique, des cas d'application et des projets de premier plan
Rapport panoramique sur la piste Web3-AI : analyse approfondie de la logique technique, des applications scénaristiques et des projets de premier plan
Avec la montée en puissance de la narration par l'IA, 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 une vue d'ensemble et les tendances de développement dans ce domaine.
I. Web3-AI : analyse de la logique technologique et des opportunités de marché émergentes
1.1 La logique de la fusion entre Web3 et l'IA : comment définir la piste Web-AI
Au cours de l'année passée, la narration par l'IA a connu un succès exceptionnel dans l'industrie Web3, avec une multitude de projets IA émergents. Bien qu'il existe de nombreux projets impliquant la technologie IA, certains ne l'utilisent que dans certaines parties de leurs produits, et l'économie des tokens sous-jacente n'a pas de lien substantiel avec les produits IA, c'est pourquoi ces projets ne seront pas discutés comme des projets Web3-AI dans cet article.
L'article se concentre sur l'utilisation de la blockchain pour résoudre les problèmes des relations de production et des projets où l'IA résout les problèmes de productivité. Ces projets fournissent eux-mêmes des produits d'IA tout en s'appuyant sur un modèle économique Web3 comme outil de relations de production, les deux se complétant mutuellement. Nous classons ces projets 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, ainsi que la manière dont la combinaison de Web3 et de l'IA peut parfaitement résoudre des problèmes et créer de nouveaux cas d'application.
1.2 Le processus de développement de l'IA et ses défis : de la collecte des 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, de la classification d'images jusqu'à la reconnaissance faciale et la conduite autonome. L'IA est en train de transformer notre manière 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 du modèle et inférence. Prenons un exemple simple, pour développer un modèle qui classifie 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 des ensembles de données publics ou en collectant des données réelles. Ensuite, étiqueter chaque image avec sa catégorie (chat ou chien), en s'assurant que les étiquettes sont précises. Convertir les images dans un format que le modèle peut reconnaître, diviser l'ensemble de données en ensemble d'entraînement, ensemble de validation et ensemble de test.
Choix et ajustement du modèle : choisir un modèle approprié, comme les réseaux de neurones convolutionnels (CNN), qui conviennent bien aux tâches de classification d'images. Ajuster les paramètres ou l'architecture du modèle en fonction des besoins, en général, la profondeur du réseau peut être ajustée selon la complexité de la tâche d'IA. Dans cet exemple de classification simple, un réseau moins profond peut suffire.
Entraînement du modèle : Il est possible d'utiliser des GPU, TPU ou un cluster 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, et le processus d'inférence fait référence à l'utilisation d'un modèle déjà entraîné pour prédire ou classer de nouvelles données. Dans ce processus, il est possible d'utiliser un ensemble de test ou de nouvelles données pour évaluer l'efficacité de la classification du modèle, généralement en utilisant des indicateurs tels que la précision, le rappel, le score F1, etc.
Comme indiqué sur la figure, après la collecte de données et le prétraitement des données, la sélection et l'optimisation du modèle, ainsi que l'entraînement, le modèle entraîné sera utilisé pour effectuer des inférences sur le jeu de test, ce qui donnera les valeurs prédites P (probabilité) pour les chats et les chiens, c'est-à-dire la probabilité que le modèle infère qu'il s'agit d'un chat ou d'un chien.
Un modèle d'IA entraîné peut être intégré dans diverses applications pour exécuter différentes tâches. Dans cet exemple, un modèle d'IA pour la 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 contexte 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.
Obtention des sources de données : Les petites équipes ou les individus peuvent être confrontés à des restrictions liées à l'absence d'open source lors de l'obtention de données dans des domaines spécifiques (comme les données médicales).
Choix et ajustement des modèles : pour les petites équipes, il est difficile d'accéder aux ressources de modèles spécifiques ou de dépenser beaucoup de coûts pour l'ajustement des modèles.
Obtention de puissance de calcul : pour les développeurs individuels et les petites équipes, le coût élevé d'achat des GPU et les frais de location de puissance de calcul dans le cloud peuvent constituer un fardeau économique significatif.
Revenus d'actifs IA : Les travailleurs de l'annotation de données ne parviennent souvent pas à obtenir des revenus proportionnels à leurs efforts, et les résultats de recherche des développeurs d'IA peinent également à correspondre aux acheteurs en demande.
Les défis existants dans les scénarios d'IA centralisée peuvent être surmontés en les combinant avec le Web3, qui, en tant que nouvelle forme de 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 La synergie entre Web3 et l'IA : transformation des rôles 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, créant une IA accessible à tous. En même temps, la fusion du monde Web3 avec la technologie IA peut également engendrer davantage de scénarios d'application et de méthodes innovants.
Avec la technologie Web3, le développement et l'application de l'IA entreront dans un nouveau système économique collaboratif. La confidentialité des données des utilisateurs sera garantie, le modèle d'externalisation des données favorisera les progrès des modèles d'IA, de nombreuses ressources IA open source seront accessibles aux utilisateurs, et la puissance de calcul partagée pourra 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 pourra être mis en place, ce qui incitera davantage de personnes à promouvoir les avancées de la technologie IA.
Dans le scénario Web3, l'IA peut avoir un impact positif dans plusieurs domaines. 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 peut non seulement permettre aux utilisateurs de vivre le rôle d'"artiste", comme en utilisant la technologie IA pour créer leurs propres NFT, mais elle peut également créer des scénarios de jeu riches et variés et des expériences d'interaction intéressantes dans GameFi. Une infrastructure riche offre une expérience de développement fluide, que ce soit pour les experts en IA ou pour les novices souhaitant entrer dans le domaine de l'IA, chacun peut trouver une entrée appropriée dans ce monde.
Deux, 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 différents niveaux. La logique de classification de chaque niveau est illustrée dans l'image ci-dessous, y compris le niveau d'infrastructure, le niveau intermédiaire et le niveau d'application, chaque niveau étant divisé en différentes sections. 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 le fonctionnement de l'ensemble du cycle de vie de l'IA, la couche intermédiaire inclut la gestion des données, le développement de modèles et les services de validation et d'inférence qui connectent l'infrastructure aux applications, tandis que la couche d'application se concentre sur les diverses 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 AI et la plateforme de développement comme des couches d'infrastructure. Ce sont ces infrastructures qui rendent possible l'entraînement et l'inférence des modèles d'IA, et présentent 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, 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 leur puissance de calcul pour obtenir des revenus, des projets représentatifs comme IO.NET et Hyperbolic. De plus, certains projets ont donné naissance à de nouvelles façons de jouer, comme Compute Labs, qui propose un protocole tokenisé, permettant aux utilisateurs de participer à la location de puissance de calcul de différentes manières en achetant des NFT représentant des entités GPU.
AI Chain : Utiliser la blockchain comme base pour le cycle de vie de l'IA, permettant une interaction transparente entre les ressources IA on-chain et off-chain, et favorisant le développement de l'écosystème industriel. Le marché décentralisé de l'IA sur la blockchain peut échanger des actifs IA tels que des données, des modèles, des agents, etc., et fournir un cadre de développement IA ainsi que des outils de développement associés, représentant des projets comme Sahara AI. AI Chain peut également favoriser les progrès technologiques de l'IA dans différents domaines, comme Bittensor qui stimule la concurrence entre les sous-réseaux d'IA de différents types grâce à un mécanisme d'incitation innovant.
Plateforme de développement : certains projets offrent des plateformes de développement d'agents IA, permettant également de 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, avec des projets représentatifs 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, l'utilisation de la technologie Web3 peut permettre d'atteindre une efficacité de travail plus élevée.
De plus, certaines plateformes permettent aux experts de domaine ou aux utilisateurs ordinaires d'exécuter des tâches de prétraitement des données, telles que l'annotation d'images et la classification des données, qui peuvent nécessiter des connaissances spécialisées dans le traitement des données financières et juridiques. Les utilisateurs peuvent tokeniser leurs compétences pour réaliser une collaboration en crowdsourcing sur le prétraitement des données. Des exemples incluent le marché AI de Sahara AI, qui propose des tâches de données dans différents domaines et peut couvrir des scénarios de données multi-domaines ; tandis que l'AIT Protocolt effectue l'annotation des données par le biais de la collaboration homme-machine.
Certains projets permettent aux utilisateurs de fournir différents types de modèles ou de collaborer à l'entraînement de modèles par le biais de l'affichage, comme Sentient qui, grâce à un design modulaire, permet aux utilisateurs de stocker des données de modèles fiables dans des couches de stockage et de distribution pour l'optimisation des modèles. Les outils de développement proposés par Sahara AI intègrent des algorithmes d'IA avancés et des cadres de calcul, et possèdent la capacité d'entraînement collaboratif.
Couches d'application :
Ce niveau est principalement constitué d'applications orientées vers les utilisateurs, combinant l'IA avec le Web3 pour créer des expériences plus intéressantes et innovantes. Cet article passe en revue plusieurs projets dans les domaines de l'AIGC (contenu généré par l'IA), des agents IA et de l'analyse de données.
AIGC : Grâce à AIGC, il est possible de s'étendre vers des secteurs tels que les NFT et les jeux dans le Web3. Les utilisateurs peuvent générer directement des textes, des images et des audios via des Prompt (des mots-clés fournis par l'utilisateur), et même créer des modes de jeu personnalisés selon leurs préférences. Des projets NFT comme NFPrompt permettent aux utilisateurs de générer des NFT par AI et de les échanger sur le marché ; des jeux comme Sleepless permettent aux utilisateurs de façonner la personnalité de leur compagnon virtuel par le biais de dialogues pour correspondre à leurs préférences.
Agent IA : désigne un système d'intelligence artificielle capable d'exécuter des tâches de manière autonome et de prendre des décisions. Les agents IA possèdent généralement des capacités de perception, de raisonnement, d'apprentissage et d'action, leur permettant d'exécuter des tâches complexes dans divers environnements. Des agents IA courants incluent la traduction de langue.