Web3-AI pista panorâmica: análise da lógica técnica, cenários de aplicação e projetos de topo

Relatório Panorama da Área Web3-AI: Análise Profunda da Lógica Técnica, Aplicações em Cenário e Projetos de Topo

Com o aumento contínuo da narrativa de IA, cada vez mais atenção está sendo concentrada neste setor. Uma análise profunda da lógica técnica, cenários de aplicação e projetos representativos do setor Web3-AI foi realizada, apresentando de forma abrangente o panorama e as tendências de desenvolvimento desta área.

Uma, Web3-AI: Análise da lógica técnica e oportunidades de mercado emergentes

1.1 Lógica de fusão entre Web3 e IA: como definir o caminho Web-AI

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

O foco deste artigo está em usar a blockchain para resolver problemas de relações de produção e a IA para resolver problemas de produtividade, projetos que oferecem produtos de IA e, ao mesmo tempo, utilizam modelos econômicos Web3 como ferramentas de relações de produção, sendo ambos complementares. Classificamos esses projetos como parte da trilha Web3-AI. Para que os leitores compreendam melhor a trilha Web3-AI, serão apresentados o processo de desenvolvimento da IA e os desafios, bem como como a combinação de Web3 e IA pode resolver problemas de forma perfeita e criar novos cenários de aplicação.

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

A tecnologia de IA é uma tecnologia que permite aos computadores simular, expandir e melhorar a inteligência humana. Ela permite que os computadores executem várias tarefas complexas, desde tradução de linguagem, classificação de imagens até reconhecimento facial, condução automática e outros cenários de aplicação. A IA está mudando a maneira 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 do modelo e inferência. Para dar um exemplo simples, ao desenvolver um modelo para classificar imagens de gatos e cães, você precisa:

1. Coleta de dados e pré-processamento de dados: Colete um conjunto de dados de imagens que contenha gatos e cães, podendo usar conjuntos de dados públicos ou coletar dados reais por conta própria. Em seguida, rotule cada imagem com a categoria (gato ou cão), garantindo que as etiquetas estejam corretas. Converta as imagens para um formato que o modelo possa reconhecer e divida o conjunto de dados em conjunto de treinamento, conjunto de validação e conjunto de teste.

2. Seleção e ajuste do modelo: escolher o modelo adequado, como redes neurais convolucionais (CNN), que são mais adequadas para tarefas de classificação de imagens. Ajustar os parâmetros ou a arquitetura do modelo de acordo com 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 menor profundidade pode ser suficiente.

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

4. Inferência do modelo: Os arquivos de modelo que foram treinados são geralmente chamados de pesos do modelo, e o processo de inferência refere-se ao uso de um modelo já treinado para prever ou classificar novos dados. Neste processo, pode-se usar um conjunto de testes ou novos dados para testar a eficácia da classificação do modelo, geralmente avaliando a eficácia do modelo com métricas como precisão, taxa de recuperação, F1-score, entre outras.

Como mostrado na figura, após a coleta de dados e pré-processamento de dados, seleção e ajuste de modelo, e treinamento, ao realizar a inferência do modelo treinado no conjunto de teste, obteremos os 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, o modelo de IA de classificação de gatos e cães pode ser integrado em uma aplicação móvel, onde os usuários carregam imagens de gatos ou cães e recebem 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 que eles saibam e usados para o treinamento da IA.

Obtenção de fonte de dados: pequenas equipas ou indivíduos podem enfrentar limitações na obtenção de dados de áreas específicas (como dados médicos) quando esses dados não são de código aberto.

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

Aquisição de poder de processamento: Para desenvolvedores individuais e pequenas equipas, os altos custos de aquisição de GPUs e as taxas de aluguer de poder de processamento em nuvem podem representar uma carga económica significativa.

Renda de ativos de IA: trabalhadores de rotulação de dados muitas vezes não conseguem obter uma renda que corresponda ao seu esforço, e os resultados da pesquisa dos desenvolvedores de IA também têm dificuldade em se alinhar 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 forma de produtividade, promovendo assim o progresso simultâneo da tecnologia e da capacidade produtiva.

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

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

Baseado na tecnologia Web3, o desenvolvimento e a aplicação da IA irão dar lugar a um novo sistema econômico colaborativo. A privacidade dos dados das pessoas pode ser garantida, e o modelo de crowdsourcing de dados promove o progresso dos modelos de IA. Muitos recursos de IA de código aberto estão disponíveis para os usuários, e a capacidade de computação compartilhada pode ser obtida a um custo mais baixo. Com a ajuda de um mecanismo de crowdsourcing colaborativo descentralizado e um mercado de IA aberto, é possível implementar um sistema de distribuição de renda justa, incentivando mais pessoas a impulsionar o progresso da tecnologia de IA.

No cenário Web3, a IA pode ter um impacto positivo em várias áreas. Por exemplo, modelos de IA podem ser integrados 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 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 diversificados e experiências interativas 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 Ecossistêmico Web3-AI

Estudámos principalmente 41 projetos na área do Web3-AI e classificámos esses projetos em diferentes níveis. A lógica de classificação de cada nível está ilustrada na imagem abaixo, incluindo a camada de infraestrutura, a camada intermédia e a camada de aplicação, sendo que cada camada é 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 tecnológica que suportam a execução de todo o ciclo de vida da IA, a camada intermédia inclui a gestão de dados, desenvolvimento de modelos e serviços de validação 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 capacidade computacional, a AI Chain e a plataforma de desenvolvimento são classificadas como camada de infraestrutura. É exatamente com o suporte 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 de computação distribuído para o treinamento de modelos de IA, garantindo uma utilização eficiente e econômica dos recursos computacionais. Alguns projetos oferecem um mercado de poder de computação descentralizado, onde os usuários podem alugar poder de computação a baixo custo ou compartilhar poder de computação para obter renda, representados por 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 de computação de diferentes maneiras através da compra de NFTs que representam entidades de GPU.

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

• 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, representados por projetos como Nimble. Essas infraestruturas promovem 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 uma maior eficiência no trabalho.

• Dados: A qualidade e a quantidade dos dados são fatores-chave que influenciam os resultados 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 de dados. Os usuários podem ter direitos sobre seus dados, vendendo-os sob proteção de privacidade, para evitar que sejam roubados por comerciantes desonestos e utilizados para obter lucros exorbitantes. Para os demandantes de dados, essas plataformas oferecem uma ampla variedade de opções a um custo muito baixo. Projetos representativos como Grass utilizam a largura de banda dos usuários para capturar dados da Web, e xData coleta informações de mídia através de plugins amigáveis ao usuário, além de suportar o upload de informações de tweets pelos usuários.

Além disso, algumas plataformas permitem que especialistas de domínio ou usuários comuns realizem tarefas de pré-processamento de dados, como rotulagem de imagens e classificação de dados, tarefas que podem exigir conhecimento especializado em finanças e processamento de dados legais. Os usuários podem tokenizar suas habilidades para realizar a colaboração em crowdsourcing de pré-processamento de dados. Exemplos incluem o mercado de IA Sahara AI, que possui tarefas de dados em diferentes domínios e pode abranger cenários de dados multi-domínio; enquanto o AIT Protocolt realiza a rotulagem de dados por meio da colaboração homem-máquina.

• Modelo: No processo de desenvolvimento de IA mencionado anteriormente, diferentes tipos de necessidades exigem a correspondência com modelos adequados. Modelos comumente usados em tarefas de imagem incluem CNN e GAN, para tarefas de detecção de objetos pode-se escolher a série Yolo, e para tarefas de texto, modelos comuns incluem RNN e Transformer, além de alguns modelos grandes específicos ou gerais. A profundidade do modelo necessária varia de acordo com a complexidade das tarefas, 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 a Sentient, que através de um design modular, permite que os usuários coloquem dados de modelo confiáveis na camada de armazenamento e na camada de distribuição para otimização de modelos. As ferramentas de desenvolvimento fornecidas pela Sahara AI incorporam algoritmos avançados de IA e frameworks de computação, e possuem a capacidade de formação colaborativa.

• 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, sendo esse processo 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 no Web3 geralmente pode ser integrada em contratos inteligentes, chamando o modelo para realizar a inferência, e as formas comuns de validação incluem tecnologias como ZKML, OPML e TEE. Projetos representativos como o oráculo de IA na cadeia ORA (OAO) introduziram o OPML como a camada verificável do oráculo de IA, e o site oficial da ORA também mencionou suas pesquisas sobre ZKML e opp/ai (ZKML combinado com OPML).

Camada de aplicação:

Esta camada é principalmente um aplicativo voltado diretamente para o usuário, combinando IA com Web3, criando mais formas interessantes e inovadoras de jogar. Este artigo aborda principalmente os projetos nos seguintes segmentos: AIGC (Conteúdo Gerado por IA), Agentes de IA e Análise de Dados.

• AIGC: através do AIGC pode-se expandir para