Prefácio

Ao longo do último ano, o surgimento de grandes modelos de IA generativa como o ChatGPT impulsionou a IA além das ferramentas básicas de automação para sistemas sofisticados de tomada de decisão e predição, estabelecendo-se como uma força crucial impulsionando o avanço da sociedade. Essa evolução levou a um aumento nos produtos e aplicações de IA, com o ChatGPT introduzindo produtos notáveis como GPTs e Sora. A NVIDIA, um jogador-chave na infraestrutura de IA, consistentemente superou as expectativas, com seu negócio de data center contribuindo com mais de 83% da receita no quarto trimestre do ano fiscal de 2024, marcando um notável crescimento de 409%. Notavelmente, 40% dessa receita foi atribuída a cenários de inferência de modelos grandes, destacando a crescente demanda por infraestrutura robusta de poder computacional.

Atualmente, a IA tem recebido grande atenção dos círculos de capital europeus e americanos, enquanto o mercado Web3 está passando por um ressurgimento no mercado de alta. A convergência da IA e do Web3 representa a interseção de duas tendências técnicas altamente procuradas. A recente emergência de projetos centrados neste tema destaca o grande interesse do mercado e as altas expectativas para essa convergência.

Deixando de lado o hype e as bolhas de preços, qual é o estado atual de desenvolvimento na indústria de IA+Web? Existem cenários de aplicação tangíveis? Olhando para frente, podemos gerar valor, estabelecer uma narrativa e moldar uma indústria? Como a indústria de IA+Web3 evoluirá em termos de padrões ecológicos, e quais direções potenciais estão à frente?

Future3 Campus irá explorar esses tópicos através de uma série de artigos, dissecando cada faceta da cadeia da indústria de AI+Web3. Esta peça inaugural fornecerá uma visão geral do panorama da indústria e estrutura narrativa de AI+Web3.

Processo de produção de trabalho de IA

Essencialmente, a integração de AI+Web3 se desdobra em duas dimensões-chave. Em primeiro lugar, o papel do Web3 no avanço do desenvolvimento de AI e, em segundo lugar, a fusão de aplicativos Web3 com tecnologia de AI. Atualmente, o foco predominante está na capacitação de AI por meio da tecnologia e conceitos do Web3 em vários projetos. Assim, a análise pode investigar a integração de AI com Web3, abrangendo desde o treinamento do modelo até a produção. A chegada do LLM introduz algumas variações em relação aos processos tradicionais de aprendizado de máquina, no entanto, um processo de produção de AI simplificado geralmente engloba as seguintes etapas:

1 coleta de dados

Os dados servem como a pedra angular ao longo do ciclo de treinamento do modelo de IA, exigindo conjuntos de dados de alta qualidade para análise exploratória de dados (EDA) para estabelecer conjuntos de dados, tabelas e visualizações reproduzíveis, editáveis e compartilháveis.

2 Pré-processamento de dados e engenharia de recursos/dica

Após a aquisição de dados, a pré-processamento é imperativa, envolvendo engenharia de recursos em aprendizado de máquina e engenharia rápida em modelos grandes. Isso implica em classificação iterativa, agregação e deduplicação para identificar recursos intrincados, juntamente com o desenvolvimento iterativo de prompts para consultas estruturadas em LLM. Além disso, garantir o armazenamento confiável e compartilhamento de recursos/prompts é essencial.

3 Treinamento e ajuste do modelo

Alavancando uma biblioteca de modelos diversificada para treinar modelos de IA, aprimorando desempenho, eficiência e precisão por meio de iteração e ajuste contínuos. Notavelmente, no LLM, a sintonia contínua do modelo é alcançada por meio do aprendizado de reforço de feedback humano (RLHF).

4 Revisão do modelo e governança

Utilizando a plataforma MLOps/LLMOps para otimizar os processos de desenvolvimento de modelos, abrangendo descoberta, rastreamento, compartilhamento e colaboração de modelos. Isso garante a qualidade e transparência do modelo, respeitando os padrões éticos e de conformidade.

5 Model reasoning

Implantando modelos de IA treinados para fazer previsões sobre dados novos e não vistos, utilizando parâmetros aprendidos para processar dados de entrada e gerar resultados de previsão, como previsões de classificação ou regressão.

6 Implantação e monitoramento de modelos

Após a validação de desempenho em relação aos padrões estabelecidos, implementando o modelo em aplicações do mundo real e instituindo monitoramento contínuo e manutenção para manter o desempenho ideal em meio a ambientes em evolução.

Ao longo deste processo, existem inúmeras oportunidades para integrar tecnologias Web3. Atualmente, desafios no desenvolvimento de IA como transparência do modelo, viés e aplicação ética têm atraído atenção generalizada. Neste contexto, a fusão da tecnologia Web3 com soluções criptográficas como ZK pode aumentar a confiança nos sistemas de IA. Além disso, a demanda crescente por aplicações de IA destaca a necessidade de infraestruturas e redes de dados eficazes e abertas. A rede distribuída e os modelos de incentivo do Web3 podem promover redes e comunidades de IA de código aberto.

Paisagem industrial AI+Web3 e lógica narrativa

Ao integrar o processo de produção de IA descrito acima com a integração de IA com Web3 e examinar os projetos AI+Web3 prevalentes no mercado atual, delineamos o cenário da indústria AI+Web3. Esta cadeia de indústria pode ser segmentada em três camadas: a camada de infraestrutura, camada intermediária e camada de aplicação.

1. Camada de Infraestrutura

A camada de infraestrutura engloba principalmente a infraestrutura de computação e armazenamento essencial para todo o fluxo de trabalho de IA e processo de produção. Facilita a potência de computação necessária para o treinamento de modelos de IA, inferência e armazenamento de dados ao longo do ciclo de vida.

A rápida expansão das aplicações de IA tem impulsionado um aumento na demanda por infraestrutura, principalmente capacidades de computação de alto desempenho. Portanto, prevê-se que a provisão de desempenho aprimorado, eficiência de custos e infraestrutura de computação e armazenamento robustas surjam como uma tendência crucial nas fases iniciais do desenvolvimento de IA, capturando mais de 50% do valor da cadeia da indústria.

A tecnologia Web3 tem o potencial de estabelecer uma rede de recursos de computação e armazenamento descentralizada, aproveitando recursos ociosos e dispersos para reduzir substancialmente os custos de infraestrutura e atender a uma ampla gama de requisitos de aplicativos de IA. Como resultado, a infraestrutura de IA descentralizada se destaca como a narrativa predominante.

Projetos notáveis neste domínio incluem Render Network, focando em serviços de renderização, e Akash e Gensyn oferecendo serviços de nuvem descentralizada e redes de hardware de computação. No setor de armazenamento, projetos proeminentes como Filecoin e Arweave recentemente introduziram serviços de armazenamento e computação adaptados para o campo de IA.

1. Camada Intermediária:

A camada intermediária envolve principalmente alavancar tecnologias Web3 para enfrentar os desafios atuais e aprimorar os processos dentro da produção de IA. Aspectos-chave incluem:

1) Estágio de Aquisição de Dados: Utilizando identidade de dados descentralizada para estabelecer uma rede/plataforma de negociação de dados aberta, protegendo a privacidade do usuário e a integridade dos dados por meio de recursos de criptografia e blockchain. Esta abordagem incentiva os usuários a compartilharem dados de alta qualidade, expandindo as fontes de dados e aprimorando a eficiência da aquisição de dados. Projetos notáveis neste campo incluem Worldcoin e Aspecta para identidade de IA, Ocean Protocol para negociação de dados e Grass para uma rede de dados com baixa participação.

2) Etapa de Pré-processamento de Dados: Estabelecendo uma plataforma distribuída de anotação de dados de IA e processamento, empregando incentivos econômicos para encorajar modelos de crowdsourcing para um pré-processamento de dados eficiente e econômico, beneficiando o treinamento de modelos subsequentes. Projetos representativos incluem IA Pública.

3) Estágio de Verificação e Inferência do Modelo: Ao lidar com os desafios de dados opacos e processos de modelo em IA, tecnologias Web3 como ZK e criptografia homomórfica podem ser integradas para verificar o raciocínio do modelo, garantindo a precisão dos modelos enquanto salvaguardam a privacidade dos dados de entrada. Um cenário de aplicação típico é ZKML. Projetos representativos que combinam tecnologia Web3 nos estágios de verificação e inferência do modelo incluem Bittensor, Privasea e Modulus.

Projetos na camada intermediária frequentemente priorizam ferramentas para desenvolvedores, oferecendo serviços complementares aos desenvolvedores e partes interessadas do projeto. A demanda de mercado e a implementação comercial de IA ainda estão evoluindo nas fases iniciais de desenvolvimento.

Camada de aplicação 3

No nível da aplicação, o foco muda para a utilização da tecnologia de IA dentro dos contextos da Web3. A integração de aplicações Web3 com a tecnologia de IA tem como objetivo aumentar a eficiência e elevar as experiências do produto. Funcionalidades de IA como geração de conteúdo, análise e previsão encontram diversas aplicações em jogos, redes sociais, análise de dados e previsão financeira. Atualmente, as aplicações AI+Web3 podem ser categorizadas em três tipos principais:

1) Tipo AIGC: Alavancando a tecnologia geradora de IA para permitir que os usuários criem texto, imagens, vídeos, avatares e outros conteúdos por meio de diálogos interativos. Essa funcionalidade de IA pode ser apresentada como um agente de IA autônomo ou integrada de forma transparente aos produtos. Projetos notáveis nessa categoria incluem NFPrompt e SleeplessAI.

2) Categoria de Análise de IA: As equipes de projeto utilizam dados proprietários, bases de conhecimento e capacidades analíticas para treinar modelos de IA verticais para tarefas de análise, tomada de decisão e previsão. Esses modelos de IA são oferecidos como produtos aos usuários, concedendo acesso a capacidades de análise de IA para tarefas como análise de dados, rastreamento de informações, auditoria de código, previsão financeira e muito mais. Projetos representativos incluem Kaito e Dune.

3) AI Agent Hub: Servindo como um hub para vários agentes de IA, esta categoria geralmente permite aos usuários criar agentes de IA personalizados sem codificação, semelhante aos GPTs. Projetos notáveis neste âmbito incluem My Shell e Fetch.ai.

Embora ainda não haja projetos destacados na camada de aplicativos, ela possui um significativo potencial de crescimento a longo prazo. O sucesso no domínio das aplicações de IA+Web3 depende não apenas da inovação tecnológica, mas da acumulação de capacidades de produto e expertise técnica. Especialmente no domínio da IA, os produtos que oferecem experiências de usuário superiores ganharão uma vantagem competitiva neste cenário em evolução.

**Aviso legal:

1. Este artigo foi republicado de [marsbit], o título original é “O caminho futuro do desenvolvimento de IA+Web3 (1): Paisagem industrial e lógica narrativa”, os direitos autorais pertencem ao autor original [Wanxiang Blockchain], se você tiver alguma objeção à reimpressão, entre em contato Gate Learn Team, a equipe lidará com isso o mais breve possível de acordo com os procedimentos relevantes.

2. Aviso Legal: As opiniões e pontos de vista expressos neste artigo representam apenas as opiniões pessoais do autor e não constituem nenhum conselho de investimento.

3. Outras versões do artigo em outros idiomas são traduzidas pela equipe do Gate Learn, não mencionadas emGate.io, o artigo traduzido não pode ser reproduzido, distribuído ou plagiado.