Rapport panoramique sur le secteur 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 AI, de plus en plus d'attention est portée sur ce secteur. Nous avons analysé en profondeur la logique technique, les cas d'utilisation et les projets représentatifs du secteur Web3-AI, afin de vous présenter une vue d'ensemble et les tendances de développement dans ce domaine.
I. Web3-AI : Analyse des logiques techniques et des opportunités de marché émergentes
1.1 La logique de fusion entre Web3 et AI : comment définir le secteur Web-AI
Au cours de l'année écoulée, la narration par IA a connu un succès exceptionnel dans l'industrie Web3, avec des projets d'IA apparaissant comme des champignons après la pluie. Bien qu'il existe de nombreux projets impliquant des technologies d'IA, certains ne utilisent l'IA que dans certaines parties de leurs produits, et l'économie des tokens sous-jacente n'a pas de lien substantiel avec les produits d'IA. Par conséquent, ces types de projets ne font pas partie de la discussion sur les projets Web3-AI dans cet article.
L'article se concentre sur l'utilisation de la blockchain pour résoudre les problèmes de relations de production, tandis que l'IA s'occupe des problèmes de productivité. Ces projets offrent eux-mêmes des produits d'IA et reposent sur un modèle économique Web3 comme outil de relations de production, les deux se complétant mutuellement. Nous classons ces projets dans la catégorie des pistes Web3-AI. Pour aider les lecteurs à mieux comprendre la piste Web3-AI, nous allons développer le processus de développement de l'IA et ses défis, ainsi que la manière dont la combinaison de Web3 et d'IA peut parfaitement résoudre des problèmes et créer de nouveaux scénarios d'application.
1.2 Développement de l'IA et défis : de la collecte de 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'exécuter diverses tâches complexes, allant de la traduction de langues, de la classification d'images à la reconnaissance faciale, à la conduite autonome et à d'autres scénarios d'application. L'IA transforme 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 permettant de classer des images de chats et de chiens, vous aurez besoin de :
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 soi-même des données réelles. Ensuite, étiquetez chaque image avec sa catégorie (chat ou chien), en vous assurant que les étiquettes sont exactes. Transformez les images en un format que le modèle peut reconnaître, et divisez l'ensemble de données en ensembles d'entraînement, de validation et 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 différents, 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 architecture de réseau plus superficielle 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 : Les fichiers de modèle entraînés sont généralement appelés poids du modèle. Le processus d'inférence désigne l'utilisation d'un modèle déjà entraîné pour prédire ou classifier de nouvelles données. Au cours de ce processus, un ensemble de test ou de nouvelles données peut être utilisé pour évaluer l'efficacité de la classification du modèle, généralement mesurée par des indicateurs tels que la précision, le rappel et le F1-score.
Comme montré sur l'image, après la collecte de données, le prétraitement des données, la sélection et l'ajustement du modèle, ainsi que l'entraînement, le modèle entraîné sera utilisé pour inférer sur le jeu de test, ce qui donnera les valeurs prédictives de 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 davantage dans diverses applications pour exécuter différentes tâches. Dans cet exemple, le 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 le résultat de la classification.
Cependant, le processus de développement de l'IA centralisée présente certains problèmes dans les scénarios suivants :
Vie privée des utilisateurs : dans les scénarios centralisés, 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.
Sources de données : Les petites équipes ou les particuliers peuvent être confrontés à des restrictions concernant l'accès aux données dans des domaines spécifiques (comme les données médicales) qui ne sont pas open source.
Sélection et ajustement des modèles : pour les petites équipes, il est difficile d'accéder aux ressources de modèles spécifiques ou de dépenser des coûts élevés pour l'ajustement des modèles.
Acquisition 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 représenter un fardeau économique significatif.
Revenus des actifs AI : Les travailleurs de l'annotation de données ont souvent du mal à obtenir des revenus proportionnels à leurs efforts, tandis que les résultats de recherche des développeurs d'IA ont également du mal à correspondre aux acheteurs en demande.
Les défis existants dans les scénarios d'IA centralisée peuvent être surmontés en les combinant avec le Web3. Le Web3, en tant que nouvelle forme de relation de production, s'adapte naturellement à l'IA qui représente une nouvelle productivité, favorisant ainsi le progrès simultané de la technologie et des capacités de production.
1.3 Web3 et l'effet de synergie avec l'IA : changements de rôle et applications innovantes
La combinaison de Web3 et de l'IA peut renforcer la souveraineté des utilisateurs, offrant aux utilisateurs une plateforme de collaboration IA ouverte, leur permettant de passer de simples utilisateurs d'IA à des participants, créant ainsi une IA que tout le monde peut posséder. En même temps, la fusion du monde Web3 avec la technologie IA peut également générer davantage de scénarios d'application innovants et de nouvelles façons de jouer.
Basé sur la technologie Web3, le développement et l'application de l'IA entreront dans un tout nouveau système économique de collaboration. La confidentialité des données des personnes peut être protégée, le modèle de données en crowdsourcing 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 relativement bas. Grâce à un mécanisme de collaboration décentralisé et un marché ouvert de l'IA, un système de distribution des revenus équitable peut être réalisé, incitant ainsi davantage de personnes à promouvoir le progrès de la technologie IA.
Dans le paysage Web3, l'IA peut avoir un impact positif sur plusieurs secteurs. Par exemple, les modèles d'IA peuvent être intégrés dans des contrats intelligents pour améliorer l'efficacité du travail dans différents cas d'application, tels que l'analyse de marché, la détection de sécurité, le clustering social et bien d'autres fonctions. 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 d'interaction intéressantes dans les jeux. Une infrastructure riche offre une expérience de développement fluide, que ce soit pour des experts en IA ou pour des débutants souhaitant entrer dans le domaine de l'IA, chacun peut trouver une entrée appropriée dans ce monde.
Deux, Analyse de la carte et de l'architecture des projets écologiques Web3-AI
Nous avons principalement étudié 41 projets dans le domaine Web3-AI et avons classé ces projets en différentes couches. La logique de classification de chaque couche est illustrée dans le diagramme ci-dessous, comprenant la couche d'infrastructure, la couche intermédiaire et la couche d'application, chacune étant 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 technologique qui soutiennent le 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 classifie la puissance de calcul, AI Chain et la plateforme de développement comme faisant partie de la couche d'infrastructure. C'est grâce au soutien de ces infrastructures que l'entraînement et l'inférence des modèles d'IA peuvent être réalisés, et que des applications d'IA puissantes et pratiques peuvent être présentées aux utilisateurs.
Réseau de calcul décentralisé : 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 un marché de la puissance de calcul décentralisé, permettant aux utilisateurs de louer des ressources de calcul à faible coût ou de partager leur puissance de calcul pour en tirer des revenus, avec des projets représentatifs comme IO.NET et Hyperbolic. De plus, certains projets ont donné naissance à de nouvelles manières de jouer, comme Compute Labs, qui ont proposé un protocole tokenisé, permettant aux utilisateurs de participer de différentes manières à la location de puissance de calcul 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 sur chaîne et hors chaîne, et favorisant le développement de l'écosystème industriel. Le marché décentralisé de l'IA sur chaîne permet d'échanger des actifs IA tels que des données, des modèles, des agents, etc., et propose un cadre de développement IA ainsi que des outils de développement associés, avec des projets représentatifs comme Sahara AI. AI Chain peut également favoriser les avancées technologiques de l'IA dans différents domaines, par exemple Bittensor qui stimule la concurrence entre différents types de sous-réseaux grâce à un mécanisme d'incitation innovant.
Plateforme de développement : certains projets proposent des plateformes de développement d'agents AI, permettant également le trading d'agents AI, comme Fetch.ai et ChainML. Des outils tout-en-un aident les développeurs à créer, entraîner et déployer plus facilement des modèles AI, avec des projets représentatifs comme Nimble. Cette infrastructure facilite l'application généralisée des technologies AI dans l'écosystème Web3.
Couche intermédiaire :
Cette couche implique des données AI, des modèles ainsi que le raisonnement et la validation, et l'utilisation de la technologie Web3 peut permettre une plus grande efficacité au travail.
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 des données peuvent être réalisées grâce à la collecte de données par crowdsourcing et à un traitement collaboratif des données. Les utilisateurs peuvent avoir le contrôle de leurs données, les vendre en protégeant leur 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 à un coût très bas. Des projets représentatifs comme Grass utilisent la bande passante des utilisateurs pour extraire des données du Web, xData collecte des informations médias via des plugins conviviaux pour l'utilisateur 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, ces tâches pouvant nécessiter une expertise 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 divers domaines, pouvant couvrir 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 d'associer des modèles appropriés. Des modèles couramment utilisés pour les tâches d'image, comme CNN et GAN, et pour les tâches de détection d'objets, on peut choisir la série Yolo. Pour les tâches de texte, des modèles tels que RNN et Transformer sont courants, sans oublier certains modèles spécifiques ou généraux. La profondeur des modèles nécessaires varie selon la complexité des tâches, et parfois une optimisation des modèles est nécessaire.
Certains projets permettent aux utilisateurs de fournir différents types de modèles ou de collaborer à l'entraînement de 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 des cadres de calcul, et possèdent la capacité d'entraînement collaboratif.
Inférence et validation : Une fois le modèle entraîné, il génère un fichier de poids du modèle, qui peut être utilisé pour effectuer directement 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, s'il y a des comportements malveillants, etc. L'inférence dans Web3 peut généralement être intégrée dans un contrat intelligent, en appelant le modèle pour effectuer l'inférence. Les méthodes de validation courantes incluent les technologies ZKML, OPML et TEE, etc. 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 (ZKML combiné avec OPML).
Couche d'application :
Ce niveau est principalement constitué d'applications directement destinées aux utilisateurs, combinant l'IA avec le Web3 pour créer des expériences plus intéressantes et innovantes.
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.
7 J'aime
Récompense
7
4
Partager
Commentaire
0/400
MagicBean
· Il y a 1h
La plupart des projets d'intégration de l'IA sont des candidats de seconde zone.
Voir l'originalRépondre0
TokenUnlocker
· Il y a 19h
Quand la spéculation et l'élan conceptuel vont-elles prendre fin ?
Voir l'originalRépondre0
Layer3Dreamer
· Il y a 19h
théoriquement parlant, le potentiel du zk-bridge ici est sévèrement sous-exploré...
Voir l'originalRépondre0
DAOTruant
· Il y a 19h
Ah, des projets en béton de tofu, tous en train de se faire prendre pour des cons.
Web3-AI : Panorama du secteur - Analyse approfondie de la fusion technologique et des applications innovantes
Rapport panoramique sur le secteur 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 AI, de plus en plus d'attention est portée sur ce secteur. Nous avons analysé en profondeur la logique technique, les cas d'utilisation et les projets représentatifs du secteur Web3-AI, afin de vous présenter une vue d'ensemble et les tendances de développement dans ce domaine.
I. Web3-AI : Analyse des logiques techniques et des opportunités de marché émergentes
1.1 La logique de fusion entre Web3 et AI : comment définir le secteur Web-AI
Au cours de l'année écoulée, la narration par IA a connu un succès exceptionnel dans l'industrie Web3, avec des projets d'IA apparaissant comme des champignons après la pluie. Bien qu'il existe de nombreux projets impliquant des technologies d'IA, certains ne utilisent l'IA que dans certaines parties de leurs produits, et l'économie des tokens sous-jacente n'a pas de lien substantiel avec les produits d'IA. Par conséquent, ces types de projets ne font pas partie de la discussion sur les projets Web3-AI dans cet article.
L'article se concentre sur l'utilisation de la blockchain pour résoudre les problèmes de relations de production, tandis que l'IA s'occupe des problèmes de productivité. Ces projets offrent eux-mêmes des produits d'IA et reposent sur un modèle économique Web3 comme outil de relations de production, les deux se complétant mutuellement. Nous classons ces projets dans la catégorie des pistes Web3-AI. Pour aider les lecteurs à mieux comprendre la piste Web3-AI, nous allons développer le processus de développement de l'IA et ses défis, ainsi que la manière dont la combinaison de Web3 et d'IA peut parfaitement résoudre des problèmes et créer de nouveaux scénarios d'application.
1.2 Développement de l'IA et défis : de la collecte de 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'exécuter diverses tâches complexes, allant de la traduction de langues, de la classification d'images à la reconnaissance faciale, à la conduite autonome et à d'autres scénarios d'application. L'IA transforme 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 permettant de classer des images de chats et de chiens, vous aurez besoin de :
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 soi-même des données réelles. Ensuite, étiquetez chaque image avec sa catégorie (chat ou chien), en vous assurant que les étiquettes sont exactes. Transformez les images en un format que le modèle peut reconnaître, et divisez l'ensemble de données en ensembles d'entraînement, de validation et 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 différents, 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 architecture de réseau plus superficielle 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 : Les fichiers de modèle entraînés sont généralement appelés poids du modèle. Le processus d'inférence désigne l'utilisation d'un modèle déjà entraîné pour prédire ou classifier de nouvelles données. Au cours de ce processus, un ensemble de test ou de nouvelles données peut être utilisé pour évaluer l'efficacité de la classification du modèle, généralement mesurée par des indicateurs tels que la précision, le rappel et le F1-score.
Comme montré sur l'image, après la collecte de données, le prétraitement des données, la sélection et l'ajustement du modèle, ainsi que l'entraînement, le modèle entraîné sera utilisé pour inférer sur le jeu de test, ce qui donnera les valeurs prédictives de 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 davantage dans diverses applications pour exécuter différentes tâches. Dans cet exemple, le 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 le résultat de la classification.
Cependant, le processus de développement de l'IA centralisée présente certains problèmes dans les scénarios suivants :
Vie privée des utilisateurs : dans les scénarios centralisés, 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.
Sources de données : Les petites équipes ou les particuliers peuvent être confrontés à des restrictions concernant l'accès aux données dans des domaines spécifiques (comme les données médicales) qui ne sont pas open source.
Sélection et ajustement des modèles : pour les petites équipes, il est difficile d'accéder aux ressources de modèles spécifiques ou de dépenser des coûts élevés pour l'ajustement des modèles.
Acquisition 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 représenter un fardeau économique significatif.
Revenus des actifs AI : Les travailleurs de l'annotation de données ont souvent du mal à obtenir des revenus proportionnels à leurs efforts, tandis que les résultats de recherche des développeurs d'IA ont également du mal à correspondre aux acheteurs en demande.
Les défis existants dans les scénarios d'IA centralisée peuvent être surmontés en les combinant avec le Web3. Le Web3, en tant que nouvelle forme de relation de production, s'adapte naturellement à l'IA qui représente une nouvelle productivité, favorisant ainsi le progrès simultané de la technologie et des capacités de production.
1.3 Web3 et l'effet de synergie avec l'IA : changements de rôle et applications innovantes
La combinaison de Web3 et de l'IA peut renforcer la souveraineté des utilisateurs, offrant aux utilisateurs une plateforme de collaboration IA ouverte, leur permettant de passer de simples utilisateurs d'IA à des participants, créant ainsi une IA que tout le monde peut posséder. En même temps, la fusion du monde Web3 avec la technologie IA peut également générer davantage de scénarios d'application innovants et de nouvelles façons de jouer.
Basé sur la technologie Web3, le développement et l'application de l'IA entreront dans un tout nouveau système économique de collaboration. La confidentialité des données des personnes peut être protégée, le modèle de données en crowdsourcing 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 relativement bas. Grâce à un mécanisme de collaboration décentralisé et un marché ouvert de l'IA, un système de distribution des revenus équitable peut être réalisé, incitant ainsi davantage de personnes à promouvoir le progrès de la technologie IA.
Dans le paysage Web3, l'IA peut avoir un impact positif sur plusieurs secteurs. Par exemple, les modèles d'IA peuvent être intégrés dans des contrats intelligents pour améliorer l'efficacité du travail dans différents cas d'application, tels que l'analyse de marché, la détection de sécurité, le clustering social et bien d'autres fonctions. 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 d'interaction intéressantes dans les jeux. Une infrastructure riche offre une expérience de développement fluide, que ce soit pour des experts en IA ou pour des débutants souhaitant entrer dans le domaine de l'IA, chacun peut trouver une entrée appropriée dans ce monde.
Deux, Analyse de la carte et de l'architecture des projets écologiques Web3-AI
Nous avons principalement étudié 41 projets dans le domaine Web3-AI et avons classé ces projets en différentes couches. La logique de classification de chaque couche est illustrée dans le diagramme ci-dessous, comprenant la couche d'infrastructure, la couche intermédiaire et la couche d'application, chacune étant 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 technologique qui soutiennent le 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 classifie la puissance de calcul, AI Chain et la plateforme de développement comme faisant partie de la couche d'infrastructure. C'est grâce au soutien de ces infrastructures que l'entraînement et l'inférence des modèles d'IA peuvent être réalisés, et que des applications d'IA puissantes et pratiques peuvent être présentées aux utilisateurs.
Réseau de calcul décentralisé : 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 un marché de la puissance de calcul décentralisé, permettant aux utilisateurs de louer des ressources de calcul à faible coût ou de partager leur puissance de calcul pour en tirer des revenus, avec des projets représentatifs comme IO.NET et Hyperbolic. De plus, certains projets ont donné naissance à de nouvelles manières de jouer, comme Compute Labs, qui ont proposé un protocole tokenisé, permettant aux utilisateurs de participer de différentes manières à la location de puissance de calcul 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 sur chaîne et hors chaîne, et favorisant le développement de l'écosystème industriel. Le marché décentralisé de l'IA sur chaîne permet d'échanger des actifs IA tels que des données, des modèles, des agents, etc., et propose un cadre de développement IA ainsi que des outils de développement associés, avec des projets représentatifs comme Sahara AI. AI Chain peut également favoriser les avancées technologiques de l'IA dans différents domaines, par exemple Bittensor qui stimule la concurrence entre différents types de sous-réseaux grâce à un mécanisme d'incitation innovant.
Plateforme de développement : certains projets proposent des plateformes de développement d'agents AI, permettant également le trading d'agents AI, comme Fetch.ai et ChainML. Des outils tout-en-un aident les développeurs à créer, entraîner et déployer plus facilement des modèles AI, avec des projets représentatifs comme Nimble. Cette infrastructure facilite l'application généralisée des technologies AI dans l'écosystème Web3.
Couche intermédiaire :
Cette couche implique des données AI, des modèles ainsi que le raisonnement et la validation, et l'utilisation de la technologie Web3 peut permettre une plus grande efficacité au travail.
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, ces tâches pouvant nécessiter une expertise 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 divers domaines, pouvant couvrir 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 de 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 des cadres 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 avec le Web3 pour créer des expériences plus intéressantes et innovantes.