Informe panorámico de la pista Web3-AI: análisis profundo de la lógica técnica, aplicaciones en escenarios y proyectos destacados.
Con el continuo auge de la narrativa de IA, cada vez más atención se centra en esta pista. Este artículo realiza un análisis profundo de la lógica técnica, los escenarios de aplicación y los proyectos representativos en la pista de Web3-AI, presentando un panorama completo y las tendencias de desarrollo en este campo.
Uno, Web3-AI: Análisis de la lógica técnica y las oportunidades de mercado emergentes
1.1 Lógica de la fusión de Web3 y AI: ¿cómo definir la pista Web-AI?
En el último año, la narrativa de IA ha sido excepcionalmente popular en la industria de Web3, con proyectos de IA surgiendo como setas después de la lluvia. Aunque hay muchos proyectos que involucran tecnología de IA, algunos de ellos solo utilizan IA en ciertas partes de sus productos, y la economía de tokens subyacente no tiene una relación sustancial con los productos de IA, por lo que estos proyectos no se incluyen en la discusión de proyectos Web3-AI en este artículo.
El enfoque de este artículo está en utilizar la blockchain para resolver problemas de relaciones de producción, mientras que la IA aborda problemas de productividad. Estos proyectos ofrecen productos de IA y se basan en modelos económicos de Web3 como herramientas de relaciones de producción, complementándose entre sí. Clasificamos estos proyectos como la pista Web3-AI. Para que los lectores comprendan mejor la pista Web3-AI, en lo siguiente se presentará el proceso de desarrollo de la IA y los desafíos, así como cómo la combinación de Web3 y IA resuelve perfectamente los problemas y crea nuevos escenarios de aplicación.
1.2 El proceso de desarrollo de la IA y sus desafíos: desde la recolección de datos hasta la inferencia del modelo
La tecnología de IA es una técnica que permite a las computadoras simular, ampliar y mejorar la inteligencia humana. Puede hacer que las computadoras realicen diversas tareas complejas, desde la traducción de idiomas, la clasificación de imágenes hasta el reconocimiento facial, la conducción autónoma y otros escenarios de aplicación; la IA está cambiando la forma en que vivimos y trabajamos.
El proceso de desarrollo de modelos de inteligencia artificial generalmente incluye los siguientes pasos clave: recopilación de datos y preprocesamiento de datos, selección y ajuste del modelo, entrenamiento del modelo e inferencia. Para dar un ejemplo simple, al desarrollar un modelo para clasificar imágenes de gatos y perros, necesitarás:
Recolección de datos y preprocesamiento de datos: recolectar un conjunto de datos de imágenes que contengan gatos y perros, se puede utilizar un conjunto de datos público o recopilar datos reales por cuenta propia. Luego, etiquetar cada imagen con su categoría (gato o perro), asegurándose de que las etiquetas sean precisas. Convertir las imágenes a un formato que el modelo pueda reconocer, dividiendo el conjunto de datos en conjunto de entrenamiento, conjunto de validación y conjunto de prueba.
Selección y ajuste del modelo: elegir el modelo adecuado, como las redes neuronales convolucionales (CNN), que son más adecuadas para tareas de clasificación de imágenes. Ajustar los parámetros o la arquitectura del modelo según diferentes necesidades; generalmente, la profundidad de la red del modelo puede ajustarse de acuerdo con la complejidad de la tarea de IA. En este ejemplo simple de clasificación, una red menos profunda puede ser suficiente.
Entrenamiento del modelo: se pueden utilizar GPU, TPU o clústeres de computación de alto rendimiento para entrenar el modelo, y el tiempo de entrenamiento se ve afectado por la complejidad del modelo y la capacidad de cálculo.
Inferencia del modelo: El archivo del modelo entrenado se denomina generalmente pesos del modelo, y el proceso de inferencia se refiere a utilizar un modelo ya entrenado para hacer predicciones o clasificaciones sobre nuevos datos. En este proceso, se puede utilizar un conjunto de prueba o nuevos datos para evaluar el rendimiento de clasificación del modelo, que generalmente se mide utilizando métricas como precisión, recall, F1-score, etc., para evaluar la efectividad del modelo.
Como se muestra en la imagen, después de la recolección de datos, el preprocesamiento de datos, la selección y ajuste del modelo, y el entrenamiento, se realiza la inferencia del modelo entrenado en el conjunto de prueba para obtener los valores de predicción de gatos y perros P (probabilidad), es decir, la probabilidad de que el modelo infiera que es un gato o un perro.
Los modelos de IA entrenados se pueden integrar aún más en diversas aplicaciones para realizar diferentes tareas. En este ejemplo, el modelo de IA de clasificación de gatos y perros se puede integrar en una aplicación móvil, donde los usuarios suben imágenes de gatos o perros y obtienen resultados de clasificación.
Sin embargo, el proceso de desarrollo de IA centralizada presenta algunos problemas en los siguientes escenarios:
Privacidad del usuario: En escenarios centralizados, el proceso de desarrollo de IA suele ser opaco. Los datos de los usuarios pueden ser robados sin su conocimiento y utilizados para el entrenamiento de IA.
Obtención de fuentes de datos: los equipos pequeños o individuos que buscan obtener datos en áreas específicas (como datos médicos) pueden enfrentar restricciones debido a que los datos no son de código abierto.
Selección y ajuste de modelos: para equipos pequeños, es difícil obtener recursos de modelos en campos específicos o gastar grandes costos en el ajuste de modelos.
Obtención de potencia de cálculo: para desarrolladores individuales y pequeños equipos, el alto costo de compra de GPU y las tarifas de alquiler de potencia de cálculo en la nube pueden representar una carga económica significativa.
Ingresos de activos de IA: Los trabajadores de etiquetado de datos a menudo no pueden obtener ingresos que se correspondan con su esfuerzo, y los resultados de investigación de los desarrolladores de IA también son difíciles de coincidir con compradores que tienen demanda.
Los desafíos existentes en los escenarios de IA centralizada pueden ser superados mediante la combinación con Web3, que, como una nueva relación de producción, se adapta de forma natural a la IA, que representa una nueva productividad, impulsando así el progreso simultáneo de la tecnología y la capacidad de producción.
1.3 La sinergia entre Web3 y la IA: cambios de rol y aplicaciones innovadoras
La combinación de Web3 y AI puede aumentar la soberanía del usuario, proporcionando una plataforma abierta de colaboración en AI que permita a los usuarios pasar de ser usuarios de AI en la era Web2 a ser participantes, creando una AI que todos puedan poseer. Al mismo tiempo, la fusión del mundo Web3 con la tecnología AI también puede dar lugar a más escenarios de aplicación innovadores y formas de juego.
Basado en la tecnología Web3, el desarrollo y la aplicación de la IA darán lugar a un nuevo sistema económico colaborativo. La privacidad de los datos de las personas puede estar garantizada, el modelo de crowdsourcing de datos promueve el avance de los modelos de IA, numerosos recursos de IA de código abierto están disponibles para los usuarios, y la potencia de cálculo compartida se puede obtener a un costo más bajo. Con la ayuda de un mecanismo de colaboración descentralizado y un mercado de IA abierto, se puede lograr un sistema de distribución de ingresos justo, lo que incentivará a más personas a impulsar el avance de la tecnología de IA.
En el escenario de Web3, la IA puede tener un impacto positivo en múltiples campos. Por ejemplo, los modelos de IA pueden integrarse en contratos inteligentes para mejorar la eficiencia laboral en diferentes escenarios de aplicación, como análisis de mercado, detección de seguridad, agrupamiento social y diversas funciones. La IA generativa no solo permite a los usuarios experimentar el papel de "artista", como crear sus propios NFT utilizando tecnología de IA, sino que también puede crear escenas de juego variadas y experiencias interactivas interesantes en GameFi. La rica infraestructura ofrece una experiencia de desarrollo fluida, donde tanto los expertos en IA como los recién llegados que desean ingresar al campo de la IA pueden encontrar una entrada adecuada en este mundo.
Dos, interpretación del mapa y la arquitectura del proyecto ecológico Web3-AI
Hemos investigado principalmente 41 proyectos en la pista de Web3-AI y hemos clasificado estos proyectos en diferentes niveles. La lógica de clasificación de cada nivel se muestra en la imagen a continuación, que incluye la capa de infraestructura, la capa intermedia y la capa de aplicación, y cada capa se divide en diferentes secciones. En el siguiente capítulo, realizaremos un análisis profundo de algunos proyectos representativos.
La capa de infraestructura abarca los recursos de computación y la arquitectura técnica que soportan el funcionamiento de todo el ciclo de vida de la IA, mientras que la capa intermedia incluye la gestión de datos, el desarrollo de modelos y los servicios de inferencia de verificación que conectan la infraestructura con las aplicaciones. La capa de aplicaciones se centra en diversas aplicaciones y soluciones dirigidas directamente a los usuarios.
Capa de infraestructura:
La capa de infraestructura es la base del ciclo de vida de la IA, y en este artículo, la potencia de cálculo, la AI Chain y la plataforma de desarrollo se clasifican como la capa de infraestructura. Es gracias al soporte de estas infraestructuras que se puede llevar a cabo el entrenamiento y la inferencia de modelos de IA, y presentar aplicaciones de IA potentes y prácticas a los usuarios.
Red de computación descentralizada: puede proporcionar poder de cálculo distribuido para el entrenamiento de modelos de IA, asegurando una utilización eficiente y económica de los recursos de cálculo. Algunos proyectos ofrecen un mercado de poder de cálculo descentralizado, donde los usuarios pueden alquilar poder de cálculo a bajo costo o compartir poder de cálculo para obtener ganancias, representando proyectos como IO.NET y Hyperbolic. Además, algunos proyectos han derivado nuevos enfoques, como Compute Labs, que propone un protocolo tokenizado, donde los usuarios pueden participar en el alquiler de poder de cálculo de diferentes maneras al comprar NFT que representan entidades GPU.
AI Chain: Utiliza la blockchain como base para el ciclo de vida de la IA, logrando una interacción fluida entre los recursos de IA en la cadena y fuera de ella, promoviendo el desarrollo del ecosistema industrial. El mercado de IA descentralizado en la cadena permite el intercambio de activos de IA como datos, modelos, agentes, etc., y proporciona un marco de desarrollo de IA y herramientas de desarrollo complementarias, representado por proyectos como Sahara AI. AI Chain también puede fomentar el avance de la tecnología de IA en diferentes campos, como Bittensor, que promueve la competencia entre subredes de diferentes tipos de IA a través de un innovador mecanismo de incentivos de subred.
Plataforma de desarrollo: Algunos proyectos ofrecen plataformas de desarrollo de agentes de IA, que también pueden realizar transacciones de agentes de IA, como Fetch.ai y ChainML. Herramientas integrales ayudan a los desarrolladores a crear, entrenar y desplegar modelos de IA de manera más conveniente, representados por proyectos como Nimble. Esta infraestructura promueve la amplia aplicación de la tecnología de IA en el ecosistema Web3.
Capa intermedia:
Este nivel involucra datos de IA, modelos, así como inferencia y verificación, y la adopción de tecnología Web3 puede lograr una mayor eficiencia en el trabajo.
Datos: La calidad y cantidad de los datos son factores clave que afectan la efectividad del entrenamiento del modelo. En el mundo de Web3, a través de datos de crowdsourcing y procesamiento de datos colaborativo, se puede optimizar la utilización de recursos y reducir los costos de datos. Los usuarios pueden tener autonomía sobre sus datos y venderlos bajo la protección de la privacidad, para evitar que comerciantes deshonestos los roben y obtengan altos beneficios. Para los demandantes de datos, estas plataformas ofrecen una amplia gama de opciones y costos muy bajos. Proyectos representativos como Grass utilizan el ancho de banda de los usuarios para rastrear datos de la Web, xData recoge información de medios a través de complementos amigables para el usuario y permite a los usuarios subir información de tweets.
Además, algunas plataformas permiten a expertos en el campo o usuarios comunes realizar tareas de preprocesamiento de datos, como la etiquetación de imágenes y la clasificación de datos, que pueden requerir conocimientos especializados en tareas financieras y legales de procesamiento de datos. Los usuarios pueden tokenizar sus habilidades para lograr una colaboración de crowdsourcing en el preprocesamiento de datos. Ejemplos como el mercado de IA Sahara AI, que abarca tareas de datos en diferentes campos, pueden cubrir escenarios de datos multidisciplinarios; mientras que AIT Protocolt realiza la etiquetación de datos a través de una colaboración hombre-máquina.
Modelo: En el proceso de desarrollo de IA mencionado anteriormente, diferentes tipos de necesidades requieren la coincidencia con el modelo adecuado. Modelos comúnmente utilizados para tareas de imagen como CNN y GAN, para tareas de detección de objetos se puede elegir la serie Yolo, para tareas de texto son comunes modelos como RNN y Transformer, y por supuesto hay algunos modelos grandes específicos o generales. La profundidad del modelo necesaria varía según la complejidad de las tareas, a veces es necesario ajustar el modelo.
Algunos proyectos permiten a los usuarios proporcionar diferentes tipos de modelos o colaborar en el entrenamiento de modelos a través de la externalización, como Sentient, que mediante un diseño modular, permite a los usuarios almacenar datos de modelos confiables en la capa de almacenamiento y la capa de distribución para la optimización de modelos. Las herramientas de desarrollo proporcionadas por Sahara AI incorporan algoritmos avanzados de IA y un marco de cálculo, y tienen la capacidad de entrenamiento colaborativo.
Inferencia y verificación: Después de que el modelo ha sido entrenado, se generará un archivo de pesos del modelo que se puede utilizar para clasificación, predicción u otras tareas específicas, este proceso se llama inferencia. El proceso de inferencia generalmente va acompañado de un mecanismo de verificación para validar si la fuente del modelo de inferencia es correcta, si hay comportamientos maliciosos, etc. La inferencia en Web3 generalmente se puede integrar en contratos inteligentes, mediante la llamada al modelo para realizar inferencia, las formas comunes de verificación incluyen tecnologías como ZKML, OPML y TEE. Proyectos representativos como el oráculo AI en la cadena ORA (OAO) han introducido OPML como una capa verificable para el oráculo AI, y en el sitio web oficial de ORA también se menciona su investigación sobre ZKML y opp/ai (ZKML combinado con OPML).
Capa de aplicación:
Esta capa está principalmente orientada a las aplicaciones dirigidas al usuario, combinando IA con Web3.
Esta página puede contener contenido de terceros, que se proporciona únicamente con fines informativos (sin garantías ni declaraciones) y no debe considerarse como un respaldo por parte de Gate a las opiniones expresadas ni como asesoramiento financiero o profesional. Consulte el Descargo de responsabilidad para obtener más detalles.
16 me gusta
Recompensa
16
4
Republicar
Compartir
Comentar
0/400
FadCatcher
· hace14h
¿Cuántos proyectos de IA realmente centrales pueden haber en medio de tanto hype?
Ver originalesResponder0
ProposalManiac
· hace14h
Una vez más, un montón de proyectos con parámetros irracionales están introduciendo el concepto de IA.
Ver originalesResponder0
MetaverseLandlord
· hace14h
Otra vez tomando a la gente por tonta en la carrera de IA, ¿verdad~?
Ver originalesResponder0
StableGenius
· hace15h
meh... otro artículo de hype de IA. he estado llamando a esta burbuja desde el primer trimestre, para ser honesto.
Panorama de la pista Web3-AI: fusión tecnológica, escenarios de aplicación y análisis de proyectos de primer nivel
Informe panorámico de la pista Web3-AI: análisis profundo de la lógica técnica, aplicaciones en escenarios y proyectos destacados.
Con el continuo auge de la narrativa de IA, cada vez más atención se centra en esta pista. Este artículo realiza un análisis profundo de la lógica técnica, los escenarios de aplicación y los proyectos representativos en la pista de Web3-AI, presentando un panorama completo y las tendencias de desarrollo en este campo.
Uno, Web3-AI: Análisis de la lógica técnica y las oportunidades de mercado emergentes
1.1 Lógica de la fusión de Web3 y AI: ¿cómo definir la pista Web-AI?
En el último año, la narrativa de IA ha sido excepcionalmente popular en la industria de Web3, con proyectos de IA surgiendo como setas después de la lluvia. Aunque hay muchos proyectos que involucran tecnología de IA, algunos de ellos solo utilizan IA en ciertas partes de sus productos, y la economía de tokens subyacente no tiene una relación sustancial con los productos de IA, por lo que estos proyectos no se incluyen en la discusión de proyectos Web3-AI en este artículo.
El enfoque de este artículo está en utilizar la blockchain para resolver problemas de relaciones de producción, mientras que la IA aborda problemas de productividad. Estos proyectos ofrecen productos de IA y se basan en modelos económicos de Web3 como herramientas de relaciones de producción, complementándose entre sí. Clasificamos estos proyectos como la pista Web3-AI. Para que los lectores comprendan mejor la pista Web3-AI, en lo siguiente se presentará el proceso de desarrollo de la IA y los desafíos, así como cómo la combinación de Web3 y IA resuelve perfectamente los problemas y crea nuevos escenarios de aplicación.
1.2 El proceso de desarrollo de la IA y sus desafíos: desde la recolección de datos hasta la inferencia del modelo
La tecnología de IA es una técnica que permite a las computadoras simular, ampliar y mejorar la inteligencia humana. Puede hacer que las computadoras realicen diversas tareas complejas, desde la traducción de idiomas, la clasificación de imágenes hasta el reconocimiento facial, la conducción autónoma y otros escenarios de aplicación; la IA está cambiando la forma en que vivimos y trabajamos.
El proceso de desarrollo de modelos de inteligencia artificial generalmente incluye los siguientes pasos clave: recopilación de datos y preprocesamiento de datos, selección y ajuste del modelo, entrenamiento del modelo e inferencia. Para dar un ejemplo simple, al desarrollar un modelo para clasificar imágenes de gatos y perros, necesitarás:
Recolección de datos y preprocesamiento de datos: recolectar un conjunto de datos de imágenes que contengan gatos y perros, se puede utilizar un conjunto de datos público o recopilar datos reales por cuenta propia. Luego, etiquetar cada imagen con su categoría (gato o perro), asegurándose de que las etiquetas sean precisas. Convertir las imágenes a un formato que el modelo pueda reconocer, dividiendo el conjunto de datos en conjunto de entrenamiento, conjunto de validación y conjunto de prueba.
Selección y ajuste del modelo: elegir el modelo adecuado, como las redes neuronales convolucionales (CNN), que son más adecuadas para tareas de clasificación de imágenes. Ajustar los parámetros o la arquitectura del modelo según diferentes necesidades; generalmente, la profundidad de la red del modelo puede ajustarse de acuerdo con la complejidad de la tarea de IA. En este ejemplo simple de clasificación, una red menos profunda puede ser suficiente.
Entrenamiento del modelo: se pueden utilizar GPU, TPU o clústeres de computación de alto rendimiento para entrenar el modelo, y el tiempo de entrenamiento se ve afectado por la complejidad del modelo y la capacidad de cálculo.
Inferencia del modelo: El archivo del modelo entrenado se denomina generalmente pesos del modelo, y el proceso de inferencia se refiere a utilizar un modelo ya entrenado para hacer predicciones o clasificaciones sobre nuevos datos. En este proceso, se puede utilizar un conjunto de prueba o nuevos datos para evaluar el rendimiento de clasificación del modelo, que generalmente se mide utilizando métricas como precisión, recall, F1-score, etc., para evaluar la efectividad del modelo.
Como se muestra en la imagen, después de la recolección de datos, el preprocesamiento de datos, la selección y ajuste del modelo, y el entrenamiento, se realiza la inferencia del modelo entrenado en el conjunto de prueba para obtener los valores de predicción de gatos y perros P (probabilidad), es decir, la probabilidad de que el modelo infiera que es un gato o un perro.
Los modelos de IA entrenados se pueden integrar aún más en diversas aplicaciones para realizar diferentes tareas. En este ejemplo, el modelo de IA de clasificación de gatos y perros se puede integrar en una aplicación móvil, donde los usuarios suben imágenes de gatos o perros y obtienen resultados de clasificación.
Sin embargo, el proceso de desarrollo de IA centralizada presenta algunos problemas en los siguientes escenarios:
Privacidad del usuario: En escenarios centralizados, el proceso de desarrollo de IA suele ser opaco. Los datos de los usuarios pueden ser robados sin su conocimiento y utilizados para el entrenamiento de IA.
Obtención de fuentes de datos: los equipos pequeños o individuos que buscan obtener datos en áreas específicas (como datos médicos) pueden enfrentar restricciones debido a que los datos no son de código abierto.
Selección y ajuste de modelos: para equipos pequeños, es difícil obtener recursos de modelos en campos específicos o gastar grandes costos en el ajuste de modelos.
Obtención de potencia de cálculo: para desarrolladores individuales y pequeños equipos, el alto costo de compra de GPU y las tarifas de alquiler de potencia de cálculo en la nube pueden representar una carga económica significativa.
Ingresos de activos de IA: Los trabajadores de etiquetado de datos a menudo no pueden obtener ingresos que se correspondan con su esfuerzo, y los resultados de investigación de los desarrolladores de IA también son difíciles de coincidir con compradores que tienen demanda.
Los desafíos existentes en los escenarios de IA centralizada pueden ser superados mediante la combinación con Web3, que, como una nueva relación de producción, se adapta de forma natural a la IA, que representa una nueva productividad, impulsando así el progreso simultáneo de la tecnología y la capacidad de producción.
1.3 La sinergia entre Web3 y la IA: cambios de rol y aplicaciones innovadoras
La combinación de Web3 y AI puede aumentar la soberanía del usuario, proporcionando una plataforma abierta de colaboración en AI que permita a los usuarios pasar de ser usuarios de AI en la era Web2 a ser participantes, creando una AI que todos puedan poseer. Al mismo tiempo, la fusión del mundo Web3 con la tecnología AI también puede dar lugar a más escenarios de aplicación innovadores y formas de juego.
Basado en la tecnología Web3, el desarrollo y la aplicación de la IA darán lugar a un nuevo sistema económico colaborativo. La privacidad de los datos de las personas puede estar garantizada, el modelo de crowdsourcing de datos promueve el avance de los modelos de IA, numerosos recursos de IA de código abierto están disponibles para los usuarios, y la potencia de cálculo compartida se puede obtener a un costo más bajo. Con la ayuda de un mecanismo de colaboración descentralizado y un mercado de IA abierto, se puede lograr un sistema de distribución de ingresos justo, lo que incentivará a más personas a impulsar el avance de la tecnología de IA.
En el escenario de Web3, la IA puede tener un impacto positivo en múltiples campos. Por ejemplo, los modelos de IA pueden integrarse en contratos inteligentes para mejorar la eficiencia laboral en diferentes escenarios de aplicación, como análisis de mercado, detección de seguridad, agrupamiento social y diversas funciones. La IA generativa no solo permite a los usuarios experimentar el papel de "artista", como crear sus propios NFT utilizando tecnología de IA, sino que también puede crear escenas de juego variadas y experiencias interactivas interesantes en GameFi. La rica infraestructura ofrece una experiencia de desarrollo fluida, donde tanto los expertos en IA como los recién llegados que desean ingresar al campo de la IA pueden encontrar una entrada adecuada en este mundo.
Dos, interpretación del mapa y la arquitectura del proyecto ecológico Web3-AI
Hemos investigado principalmente 41 proyectos en la pista de Web3-AI y hemos clasificado estos proyectos en diferentes niveles. La lógica de clasificación de cada nivel se muestra en la imagen a continuación, que incluye la capa de infraestructura, la capa intermedia y la capa de aplicación, y cada capa se divide en diferentes secciones. En el siguiente capítulo, realizaremos un análisis profundo de algunos proyectos representativos.
La capa de infraestructura abarca los recursos de computación y la arquitectura técnica que soportan el funcionamiento de todo el ciclo de vida de la IA, mientras que la capa intermedia incluye la gestión de datos, el desarrollo de modelos y los servicios de inferencia de verificación que conectan la infraestructura con las aplicaciones. La capa de aplicaciones se centra en diversas aplicaciones y soluciones dirigidas directamente a los usuarios.
Capa de infraestructura:
La capa de infraestructura es la base del ciclo de vida de la IA, y en este artículo, la potencia de cálculo, la AI Chain y la plataforma de desarrollo se clasifican como la capa de infraestructura. Es gracias al soporte de estas infraestructuras que se puede llevar a cabo el entrenamiento y la inferencia de modelos de IA, y presentar aplicaciones de IA potentes y prácticas a los usuarios.
Red de computación descentralizada: puede proporcionar poder de cálculo distribuido para el entrenamiento de modelos de IA, asegurando una utilización eficiente y económica de los recursos de cálculo. Algunos proyectos ofrecen un mercado de poder de cálculo descentralizado, donde los usuarios pueden alquilar poder de cálculo a bajo costo o compartir poder de cálculo para obtener ganancias, representando proyectos como IO.NET y Hyperbolic. Además, algunos proyectos han derivado nuevos enfoques, como Compute Labs, que propone un protocolo tokenizado, donde los usuarios pueden participar en el alquiler de poder de cálculo de diferentes maneras al comprar NFT que representan entidades GPU.
AI Chain: Utiliza la blockchain como base para el ciclo de vida de la IA, logrando una interacción fluida entre los recursos de IA en la cadena y fuera de ella, promoviendo el desarrollo del ecosistema industrial. El mercado de IA descentralizado en la cadena permite el intercambio de activos de IA como datos, modelos, agentes, etc., y proporciona un marco de desarrollo de IA y herramientas de desarrollo complementarias, representado por proyectos como Sahara AI. AI Chain también puede fomentar el avance de la tecnología de IA en diferentes campos, como Bittensor, que promueve la competencia entre subredes de diferentes tipos de IA a través de un innovador mecanismo de incentivos de subred.
Plataforma de desarrollo: Algunos proyectos ofrecen plataformas de desarrollo de agentes de IA, que también pueden realizar transacciones de agentes de IA, como Fetch.ai y ChainML. Herramientas integrales ayudan a los desarrolladores a crear, entrenar y desplegar modelos de IA de manera más conveniente, representados por proyectos como Nimble. Esta infraestructura promueve la amplia aplicación de la tecnología de IA en el ecosistema Web3.
Capa intermedia:
Este nivel involucra datos de IA, modelos, así como inferencia y verificación, y la adopción de tecnología Web3 puede lograr una mayor eficiencia en el trabajo.
Además, algunas plataformas permiten a expertos en el campo o usuarios comunes realizar tareas de preprocesamiento de datos, como la etiquetación de imágenes y la clasificación de datos, que pueden requerir conocimientos especializados en tareas financieras y legales de procesamiento de datos. Los usuarios pueden tokenizar sus habilidades para lograr una colaboración de crowdsourcing en el preprocesamiento de datos. Ejemplos como el mercado de IA Sahara AI, que abarca tareas de datos en diferentes campos, pueden cubrir escenarios de datos multidisciplinarios; mientras que AIT Protocolt realiza la etiquetación de datos a través de una colaboración hombre-máquina.
Algunos proyectos permiten a los usuarios proporcionar diferentes tipos de modelos o colaborar en el entrenamiento de modelos a través de la externalización, como Sentient, que mediante un diseño modular, permite a los usuarios almacenar datos de modelos confiables en la capa de almacenamiento y la capa de distribución para la optimización de modelos. Las herramientas de desarrollo proporcionadas por Sahara AI incorporan algoritmos avanzados de IA y un marco de cálculo, y tienen la capacidad de entrenamiento colaborativo.
Capa de aplicación:
Esta capa está principalmente orientada a las aplicaciones dirigidas al usuario, combinando IA con Web3.