Rapport panoramique sur le secteur Web3-AI : analyse approfondie de la logique technique, des applications scénaristiques et des projets de premier plan

Avec l'essor continu de la narration par l'IA, de plus en plus d'attention se concentre sur ce secteur. Cet article analyse en profondeur la logique technique, les scénarios d'application et les projets représentatifs du secteur Web3-AI, vous présentant une vue d'ensemble et les tendances de développement de ce domaine.

I. Web3-AI : analyse de la logique technique et des opportunités de marché émergentes

1.1 La logique de la fusion Web3 et AI : comment définir le domaine Web-AI

Au cours de l'année écoulée, la narration par l'IA a connu un essor exceptionnel dans l'industrie du 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 projets n'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, c'est pourquoi ces projets ne seront pas inclus dans la discussion des projets Web3-AI dans cet article.

L'article se concentre sur les projets qui utilisent la blockchain pour résoudre les problèmes de relations de production et l'IA pour résoudre les problèmes de productivité. Ces projets offrent eux-mêmes des produits d'IA, tout en étant basés sur un modèle économique Web3 en tant qu'outil de relations de production, les deux se complétant mutuellement. Nous classons ces projets dans la catégorie Web3-AI. Afin de permettre aux lecteurs de mieux comprendre la catégorie Web3-AI, nous allons présenter le processus de développement de l'IA et ses défis, ainsi que la manière dont la combinaison de Web3 et de l'IA peut résoudre parfaitement les problèmes et créer de nouveaux cas d'application.

1.2 Le processus de développement de l'IA et ses défis : de la collecte de 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 de langues, de la classification d'images à la reconnaissance faciale, aux applications de conduite autonome, l'IA change notre façon 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, choix et ajustement du modèle, entraînement et inférence du modèle. Prenons un exemple simple, pour développer un modèle afin de classer des images de chats et de chiens, vous devez :

1. Collecte de données et prétraitement des données : collecter un ensemble de données d'images contenant des chats et des chiens, en utilisant un ensemble de données public ou en collectant des données réelles soi-même. Ensuite, étiqueter chaque image avec la catégorie ( chat ou chien ), en s'assurant que les étiquettes sont exactes. Convertir les images dans un format reconnaissable par le modèle, diviser l'ensemble de données en ensemble d'entraînement, ensemble de validation et ensemble de test.

2. Sélection et ajustement du modèle : choisir un modèle approprié, comme le réseau de neurones convolutif (CNN), qui convient particulièrement aux tâches de classification d'images. Ajuster les paramètres ou l'architecture du modèle en fonction des besoins différents, généralement, la profondeur du réseau peut être ajustée en fonction de la complexité de la tâche AI. Dans cet exemple simple de classification, des couches de réseau plus superficielles peuvent suffire.

3. Entraînement du modèle : il est possible d'utiliser un GPU, un 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.

4. Inférence de modèle : Le fichier de 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, on peut utiliser un ensemble de test ou de nouvelles données pour évaluer l'efficacité de la classification du modèle, généralement à l'aide d'indicateurs tels que la précision, le rappel, le score F1, etc.

Comme indiqué sur l'image, après la collecte et le prétraitement des données, la sélection et l'ajustement du modèle, ainsi que l'entraînement, l'inférence du modèle entraîné sur l'ensemble de test donnera les valeurs de prédiction pour les chats et les chiens P(probabilité), 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 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 pour obtenir des résultats de classification.

Cependant, le processus de développement de l'IA centralisée présente certains problèmes dans les scénarios suivants :

Confidentialité 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.

Source de données : les petites équipes ou les individus peuvent être confrontés à des limitations d'accès aux données non ouvertes lorsqu'ils acquièrent des données spécifiques dans un domaine, comme les données médicales (.

Choix et ajustement de modèle : pour les petites équipes, il est difficile d'accéder aux ressources de modèles spécifiques ou de dépenser des coûts importants pour l'ajustement des modèles.

Obtention de la puissance de calcul : pour les développeurs individuels et les petites équipes, le coût élevé d'achat de GPU et les frais de location de puissance de calcul dans le cloud peuvent constituer un fardeau économique significatif.

Revenus des actifs d'IA : Les travailleurs de l'annotation de données n'arrivent souvent pas à obtenir des revenus correspondant à leurs efforts, et les résultats de recherche des développeurs d'IA ont également du mal à s'aligner avec les acheteurs qui en ont besoin.

Les défis existants dans les scénarios d'IA centralisés peuvent être surmontés en les combinant avec le Web3. Le Web3, en tant que nouvelle 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 Synergie entre Web3 et IA : transformation des rôles et applications innovantes

La combinaison de Web3 et de l'IA peut renforcer la souveraineté des utilisateurs, en leur fournissant une plateforme de collaboration ouverte en IA, permettant aux utilisateurs de passer de simples utilisateurs d'IA de l'ère Web2 à des participants, créant ainsi une IA que tout le monde peut posséder. Parallèlement, la fusion du monde Web3 avec la technologie IA peut également générer davantage de scénarios d'application et de jeux innovants.

Basé sur la technologie Web3, le développement et l'application de l'IA entreront dans un tout nouveau système économique collaboratif. La confidentialité des données des utilisateurs peut être garantie, le modèle de crowdsourcing de données 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 moindre coût. Grâce à un mécanisme de collaboration décentralisé et à un marché ouvert de l'IA, il est possible de mettre en place un système de répartition des revenus équitable, ce qui incite davantage de personnes à promouvoir les progrès de la technologie IA.

Dans le contexte de Web3, l'IA peut avoir un impact positif sur plusieurs domaines. Par exemple, les modèles d'IA peuvent être intégrés dans des contrats intelligents pour améliorer l'efficacité du travail dans différents scénarios 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 scénarios de jeu variés et des expériences interactives intéressantes dans GameFi. Une infrastructure riche offre une expérience de développement fluide, que ce soit pour les experts en IA ou pour les nouveaux venus 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 différentes couches. La logique de classification de chaque couche est illustrée dans le schéma ci-dessous, comprenant la couche d'infrastructure, la couche intermédiaire et la couche d'application, chaque couche étant encore divisée en différents segments. Dans le chapitre suivant, nous procéderons à une analyse approfondie de certains projets représentatifs.

![Web3-AI Rapport panoramique sur le secteur : analyse approfondie de la logique technique, des applications scénaristiques et des projets de premier plan]###https://img-cdn.gateio.im/webp-social/moments-c10336df2eaf71062b92590bb9d80a4c.webp(

La couche d'infrastructure couvre les ressources informatiques et l'architecture technique qui soutiennent l'ensemble du cycle de vie de l'IA, tandis que 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. 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, AI Chain et la plateforme de développement comme faisant partie de la couche d'infrastructure. C'est grâce à ces infrastructures que l'entraînement et l'inférence des modèles d'IA peuvent être réalisés, et que des applications IA puissantes et utiles 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 ont mis en place un marché de puissance de calcul décentralisé, permettant aux utilisateurs de louer de la puissance de calcul à faible coût ou de partager de la puissance de calcul pour générer des revenus, avec des projets représentatifs tels que IO.NET et Hyperbolic. De plus, certains projets ont dérivé de nouveaux jeux, comme Compute Labs, qui ont proposé des protocoles de tokenisation, permettant aux utilisateurs de participer de différentes manières à la location de puissance de calcul pour générer des revenus en achetant des NFT représentant des entités GPU.

• AI Chain : Utiliser la blockchain comme base du cycle de vie de l'IA, réaliser une interaction fluide entre les ressources d'IA sur la chaîne et hors chaîne, et promouvoir le développement de l'écosystème industriel. Le marché décentralisé de l'IA sur la chaîne peut échanger des actifs d'IA tels que des données, des modèles, des agents, etc., et fournir un cadre de développement d'IA et des outils de développement associés, avec des projets représentatifs comme Sahara AI. AI Chain peut également favoriser les avancées technologiques en IA dans différents domaines, comme Bittensor qui stimule la concurrence entre différents types de sous-réseaux grâce à un mécanisme d'incitation innovant.

• Plateforme de développement : certains projets offrent des plateformes de développement d'agents IA, permettant également le trading 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 des technologies IA dans l'écosystème Web3.

Couche intermédiaire :

Ce niveau concerne les données AI, les modèles ainsi que le raisonnement et la validation, en utilisant la technologie Web3 pour réaliser une efficacité de travail accrue.

• Données : La qualité et la quantité des données sont des facteurs clés influençant l'efficacité de l'entraînement des modèles. Dans le monde Web3, l'optimisation de l'utilisation des ressources et la réduction des coûts des données peuvent être réalisées grâce à des données crowdsourcées et à un traitement collaboratif des données. Les utilisateurs peuvent posséder leurs données en toute autonomie et les vendre dans le cadre de la protection de la vie privée, afin d'éviter que leurs données ne soient volées par des commerçants malveillants et de réaliser des profits élevés. Pour les demandeurs de données, ces plateformes offrent un large éventail de choix et des coûts extrêmement bas. Des projets représentatifs comme Grass utilisent la bande passante des utilisateurs pour extraire des données Web, xData collecte des informations médiatiques via des plugins conviviaux et prend en charge le téléchargement d'informations sur les tweets par les utilisateurs.

De plus, certaines plateformes permettent aux experts du domaine ou aux utilisateurs ordinaires d'effectuer des tâches de prétraitement des données, telles que l'annotation d'images et la classification des données, ces tâches pouvant nécessiter des connaissances spécialisées en matière de traitement des données financières et juridiques. Les utilisateurs peuvent tokeniser leurs compétences, permettant ainsi la collaboration en mode crowdsourcing pour le prétraitement des données. Des exemples comme le marché AI de Sahara AI, qui propose des tâches de données dans divers domaines, peuvent 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 de faire correspondre des modèles appropriés. Les modèles couramment utilisés pour les tâches d'image incluent CNN, GAN, les tâches de détection d'objets peuvent choisir la série Yolo, les tâches textuelles utilisent souvent des modèles tels que RNN, Transformer, et il existe bien sûr des modèles spécifiques ou généraux. La profondeur des modèles nécessaires pour des tâches de complexité différente varie également, et il est parfois nécessaire d'ajuster les modèles.

Certains projets permettent aux utilisateurs de fournir différents types de modèles ou de collaborer à l'entraînement des modèles par le biais de l'externalisation, comme Sentient qui, grâce à une conception 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 de modèle qui peut être utilisé pour effectuer directement des classifications, des prédictions 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 provenance du modèle d'inférence est correcte et s'il n'y a pas d'activités malveillantes, 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, et le site officiel d'ORA mentionne également leurs recherches sur la combinaison de ZKML et opp/ai)ZKML avec OPML(.

Couche applicative :

Cette couche est principalement une application directement destinée aux utilisateurs, combinant l'IA avec le Web3 pour créer des jeux plus intéressants et innovants. Cet article présente principalement les projets dans plusieurs domaines : AIGC), contenu généré par l'IA(, agents IA et analyse de données.

• AIGC : Grâce à AIGC, il est possible de s'étendre aux domaines des NFT, des jeux, etc. dans Web3. Les utilisateurs peuvent générer du texte, des images et de l'audio directement grâce aux mots-clés fournis par Prompt). Ils peuvent même créer des modes de jeu personnalisés selon leurs préférences. Des projets NFT comme NFPrompt permettent aux utilisateurs de générer des NFT via l'IA pour les échanger sur le marché ; dans des jeux comme Sleepless, les utilisateurs façonnent la personnalité de leurs compagnons virtuels à travers des dialogues pour correspondre à leurs goûts ;

• 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, et peuvent exécuter des tâches complexes dans divers environnements. Les agents IA courants incluent la traduction linguistique,