Rapport panoramique sur la piste Web3-AI : logique technique, applications de scénarios et analyse approfondie des projets de premier plan
Avec la montée continue du récit de l'IA, de plus en plus d'attention se concentre sur ce secteur. Cet article analyse en profondeur la logique technique, les cas d'application et les projets représentatifs dans le secteur Web3-AI, vous offrant une vue d'ensemble complète et les tendances de développement dans ce domaine.
I. Web3-AI : Analyse des logiques techniques et des opportunités de marché émergentes
1.1 Logique de la fusion entre Web3 et IA : 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 une multitude de projets IA émergents comme des champignons après la pluie. Bien que de nombreux projets impliquent des technologies IA, certains projets n'utilisent l'IA que dans certaines parties de leur produit, et l'économie des tokens sous-jacente n'est pas substantiellement liée aux produits IA. Par conséquent, ces 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 des relations de production et sur les projets où l'IA résout les problèmes de productivité. Ces projets offrent eux-mêmes des produits d'IA tout en s'appuyant sur un modèle économique Web3 comme 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 développer ci-dessous le processus de développement de l'IA et les défis associés, ainsi que la manière dont la combinaison de Web3 et d'IA peut parfaitement résoudre des problèmes et créer de nouveaux cas d'utilisation.
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, de la traduction de langues, la classification d'images à la reconnaissance faciale, la conduite autonome, etc. L'IA est en train de changer 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, sélection et réglage du modèle, entraînement et inférence du modèle. Prenons un exemple simple : pour développer un modèle permettant de classer des images de chats et de chiens, vous devez :
Collecte de données et prétraitement des données : collectez un ensemble de données d'images contenant des chats et des chiens, en utilisant un ensemble de données public ou en collectant vous-même des données réelles. Ensuite, étiquetez chaque image avec sa catégorie (chat ou chien), en vous assurant que les étiquettes sont correctes. Transformez les images en un format que le modèle peut reconnaître et divisez l'ensemble de données en ensemble d'entraînement, ensemble de validation et ensemble de test.
Choix et ajustement du modèle : choisissez un modèle approprié, tel qu'un réseau de neurones convolutifs (CNN), qui convient mieux aux tâches de classification d'images. Ajustez les paramètres ou l'architecture du modèle en fonction des besoins différents. En général, les niveaux de réseau du modèle peuvent être ajustés en fonction de la complexité de la tâche d'IA. Dans cet exemple simple de classification, des niveaux de réseau plus superficiels peuvent 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 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 classification du modèle, généralement en utilisant des indicateurs tels que la précision, le rappel et le F1-score.
Comme indiqué dans l'image, après la collecte et le prétraitement des données, la sélection et l'ajustement du modèle, et l'entraînement, l'inférence du modèle entraîné sur le jeu de test donnera les valeurs prédites 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.
Les modèles d'IA entraînés peuvent être intégrés 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, permettant aux utilisateurs de télécharger 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 un contexte centralisé, 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.
Accès aux sources de données : les petites équipes ou les particuliers peuvent être confrontés à des limitations concernant l'open source des données lorsqu'ils cherchent à obtenir des données dans des domaines spécifiques (comme les données médicales).
Choix et ajustement du modèle : pour les petites équipes, il est difficile d'accéder à des ressources de modèle spécifiques ou de dépenser beaucoup de coûts pour ajuster le modèle.
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 constituer un fardeau économique significatif.
Revenus d'actifs IA : 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 peinent également à s'aligner avec les acheteurs qui en ont besoin.
Les défis existants dans les scénarios d'IA centralisée peuvent être surmontés en les combinant avec le Web3, le Web3 étant une nouvelle relation de production qui s'adapte naturellement à l'IA représentant une nouvelle productivité, favorisant ainsi le progrès simultané de la technologie et des capacités de production.
1.3 Synergie entre Web3 et AI : changement de rôle et applications innovantes
La combinaison de Web3 et de l'IA peut renforcer la souveraineté des utilisateurs, en leur fournissant une plateforme de collaboration IA ouverte, permettant aux utilisateurs de passer de simples utilisateurs d'IA de l'ère Web2 à des participants, créant une IA que tout le monde peut posséder. En même temps, la fusion du monde Web3 avec la technologie IA peut également donner lieu à 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 collaboratif. La confidentialité des données des utilisateurs peut être garantie, le modèle de collecte 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 un coût relativement bas. Grâce à un mécanisme de collaboration décentralisée et à un marché de l'IA ouvert, un système de répartition des revenus équitable peut être réalisé, incitant ainsi davantage de personnes à promouvoir le progrès de la technologie de l'IA.
Dans le contexte de Web3, l'IA peut avoir un impact positif dans plusieurs domaines. Par exemple, les modèles d'IA peuvent être intégrés dans des contrats intelligents pour améliorer l'efficacité au 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'un "artiste", comme en créant leurs propres NFT grâce à la technologie IA, mais elle peut également créer des scènes de jeu variées et des expériences interactives intéressantes dans le GameFi. Une infrastructure riche offre une expérience de développement fluide, que ce soit pour des experts en IA ou pour des novices cherchant à 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 écologiques Web3-AI
Nous avons principalement étudié 41 projets dans le domaine du Web3-AI et avons classé ces projets en différents niveaux. La logique de classification de chaque niveau est illustrée dans le diagramme ci-dessous, comprenant le niveau d'infrastructure, le niveau intermédiaire et le niveau d'application, chaque niveau étant divisé en différentes sections. Dans le chapitre suivant, nous procéderons à une analyse approfondie de certains projets représentatifs.
La couche d'infrastructure couvre les ressources informatiques et l'architecture technique nécessaires au fonctionnement de l'ensemble du cycle de vie de l'IA, la couche intermédiaire inclut la gestion des données, le développement de modèles et les services de vérification et d'inférence qui relient l'infrastructure aux applications, tandis que la couche d'application se concentre sur les diverses applications et solutions directement destinées aux utilisateurs.
Couche d'infrastructure :
La couche d'infrastructure est la base du cycle de vie de l'IA. Cet article classe la puissance de calcul, la chaîne d'IA et la plateforme de développement comme des éléments de la couche d'infrastructure. C'est grâce au soutien de ces infrastructures que l'on peut réaliser l'entraînement et l'inférence des modèles d'IA, et présenter aux utilisateurs des applications IA puissantes et pratiques.
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 puissance de calcul décentralisé, où les utilisateurs peuvent louer de la puissance de calcul à faible coût ou partager de la puissance de calcul pour obtenir des revenus, avec des projets représentatifs tels que IO.NET et Hyperbolic. De plus, certains projets ont dérivé de nouvelles façons de jouer, comme Compute Labs, qui ont proposé un protocole tokenisé, permettant aux utilisateurs de participer à la location de puissance de calcul de différentes manières pour obtenir des revenus en achetant des NFT représentant des entités GPU.
AI Chain : Utiliser la blockchain comme base du cycle de vie de l'IA, permettant une interaction fluide entre les ressources IA en ligne et hors ligne, et favorisant le développement de l'écosystème industriel. Le marché décentralisé de l'IA sur la blockchain peut échanger des actifs IA tels que des données, des modèles, des agents, etc., et fournir un cadre de développement IA ainsi que des outils de développement associés, représentant des projets comme Sahara AI. AI Chain peut également favoriser les avancées technologiques de l'IA dans différents domaines, comme Bittensor qui stimule la compétition 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 tels que 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, utilisant la technologie Web3 pour réaliser une efficacité de travail supérieure.
Données : La qualité et la quantité des données sont des facteurs clés influençant 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 au traitement collaboratif des données. Les utilisateurs peuvent avoir le contrôle sur leurs données et, dans le cadre de la protection de la vie privée, vendre leurs propres données afin d'éviter que celles-ci ne soient volées par de mauvais commerçants pour réaliser d'importants bénéfices. Pour les demandeurs de données, ces plateformes offrent un large éventail de choix à un coût très faible. 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 permet aux utilisateurs de télécharger des informations sur les tweets.
De plus, certaines plateformes permettent aux experts de 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 compétences professionnelles en matière de 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 de l'IA comme Sahara AI, qui propose des tâches de données dans différents domaines, pouvant couvrir des scénarios de données multidisciplinaires ; tandis que le protocole AIT effectue l'annotation des données par le biais d'une collaboration homme-machine.
Modèle : Dans le processus de développement de l'IA mentionné précédemment, différents types de besoins nécessitent de correspondre à des modèles adaptés. Pour les tâches d'image, des modèles couramment utilisés comme CNN et GAN, pour les tâches de détection d'objets, il est possible de choisir la série Yolo, et pour les tâches de texte, les modèles courants incluent RNN, Transformer, etc. Bien sûr, il existe également certains grands modèles spécifiques ou généraux. La profondeur des modèles nécessaires varie en fonction de la complexité des tâches 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 la crowdsourcing, comme Sentient qui, grâce à un design modulaire, permet aux utilisateurs de stocker des données de modèles fiables dans la couche de stockage et la couche de distribution pour optimiser les modèles. Les outils de développement proposés par Sahara AI intègrent des algorithmes d'IA avancés et des cadres de calcul, et possèdent la capacité d'entraînement collaboratif.
Inférence et validation : Après l'entraînement du modèle, un fichier de poids du modèle est généré, 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 source du modèle d'inférence est correcte, s'il y a des comportements malveillants, etc. L'inférence Web3 peut généralement être intégrée dans des contrats intelligents, en appelant le modèle pour effectuer l'inférence, les méthodes de validation courantes incluent des techniques telles que ZKML, OPML et TEE. Des projets représentatifs tels que 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 une application destinée directement aux utilisateurs, combinant l'IA et le Web3.
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.
15 J'aime
Récompense
15
4
Reposter
Partager
Commentaire
0/400
FadCatcher
· Il y a 12h
Il y a combien de projets d'IA essentiels qui peuvent être surévalués ?
Voir l'originalRépondre0
ProposalManiac
· Il y a 12h
Encore un tas de projets aux paramètres déraisonnables qui intègrent de force le concept d'IA.
Voir l'originalRépondre0
MetaverseLandlord
· Il y a 12h
C'est encore une fois pour se faire prendre pour des cons dans la course à l'IA~
Voir l'originalRépondre0
StableGenius
· Il y a 12h
meh... un autre article sur l'engouement pour l'IA. J'appelle cette bulle depuis le premier trimestre pour être honnête.
Panorama de la piste Web3-AI : fusion technologique, scénarios d'application et analyse des projets de premier plan
Rapport panoramique sur la piste Web3-AI : logique technique, applications de scénarios et analyse approfondie des projets de premier plan
Avec la montée continue du récit de l'IA, de plus en plus d'attention se concentre sur ce secteur. Cet article analyse en profondeur la logique technique, les cas d'application et les projets représentatifs dans le secteur Web3-AI, vous offrant une vue d'ensemble complète et les tendances de développement dans ce domaine.
I. Web3-AI : Analyse des logiques techniques et des opportunités de marché émergentes
1.1 Logique de la fusion entre Web3 et IA : 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 une multitude de projets IA émergents comme des champignons après la pluie. Bien que de nombreux projets impliquent des technologies IA, certains projets n'utilisent l'IA que dans certaines parties de leur produit, et l'économie des tokens sous-jacente n'est pas substantiellement liée aux produits IA. Par conséquent, ces 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 des relations de production et sur les projets où l'IA résout les problèmes de productivité. Ces projets offrent eux-mêmes des produits d'IA tout en s'appuyant sur un modèle économique Web3 comme 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 développer ci-dessous le processus de développement de l'IA et les défis associés, ainsi que la manière dont la combinaison de Web3 et d'IA peut parfaitement résoudre des problèmes et créer de nouveaux cas d'utilisation.
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, de la traduction de langues, la classification d'images à la reconnaissance faciale, la conduite autonome, etc. L'IA est en train de changer 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, sélection et réglage du modèle, entraînement et inférence du modèle. Prenons un exemple simple : pour développer un modèle permettant de classer des images de chats et de chiens, vous devez :
Collecte de données et prétraitement des données : collectez un ensemble de données d'images contenant des chats et des chiens, en utilisant un ensemble de données public ou en collectant vous-même des données réelles. Ensuite, étiquetez chaque image avec sa catégorie (chat ou chien), en vous assurant que les étiquettes sont correctes. Transformez les images en un format que le modèle peut reconnaître et divisez l'ensemble de données en ensemble d'entraînement, ensemble de validation et ensemble de test.
Choix et ajustement du modèle : choisissez un modèle approprié, tel qu'un réseau de neurones convolutifs (CNN), qui convient mieux aux tâches de classification d'images. Ajustez les paramètres ou l'architecture du modèle en fonction des besoins différents. En général, les niveaux de réseau du modèle peuvent être ajustés en fonction de la complexité de la tâche d'IA. Dans cet exemple simple de classification, des niveaux de réseau plus superficiels peuvent 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 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 classification du modèle, généralement en utilisant des indicateurs tels que la précision, le rappel et le F1-score.
Comme indiqué dans l'image, après la collecte et le prétraitement des données, la sélection et l'ajustement du modèle, et l'entraînement, l'inférence du modèle entraîné sur le jeu de test donnera les valeurs prédites 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.
Les modèles d'IA entraînés peuvent être intégrés 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, permettant aux utilisateurs de télécharger 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 un contexte centralisé, 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.
Accès aux sources de données : les petites équipes ou les particuliers peuvent être confrontés à des limitations concernant l'open source des données lorsqu'ils cherchent à obtenir des données dans des domaines spécifiques (comme les données médicales).
Choix et ajustement du modèle : pour les petites équipes, il est difficile d'accéder à des ressources de modèle spécifiques ou de dépenser beaucoup de coûts pour ajuster le modèle.
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 constituer un fardeau économique significatif.
Revenus d'actifs IA : 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 peinent également à s'aligner avec les acheteurs qui en ont besoin.
Les défis existants dans les scénarios d'IA centralisée peuvent être surmontés en les combinant avec le Web3, le Web3 étant une nouvelle relation de production qui s'adapte naturellement à l'IA représentant une nouvelle productivité, favorisant ainsi le progrès simultané de la technologie et des capacités de production.
1.3 Synergie entre Web3 et AI : changement de rôle et applications innovantes
La combinaison de Web3 et de l'IA peut renforcer la souveraineté des utilisateurs, en leur fournissant une plateforme de collaboration IA ouverte, permettant aux utilisateurs de passer de simples utilisateurs d'IA de l'ère Web2 à des participants, créant une IA que tout le monde peut posséder. En même temps, la fusion du monde Web3 avec la technologie IA peut également donner lieu à 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 collaboratif. La confidentialité des données des utilisateurs peut être garantie, le modèle de collecte 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 un coût relativement bas. Grâce à un mécanisme de collaboration décentralisée et à un marché de l'IA ouvert, un système de répartition des revenus équitable peut être réalisé, incitant ainsi davantage de personnes à promouvoir le progrès de la technologie de l'IA.
Dans le contexte de Web3, l'IA peut avoir un impact positif dans plusieurs domaines. Par exemple, les modèles d'IA peuvent être intégrés dans des contrats intelligents pour améliorer l'efficacité au 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'un "artiste", comme en créant leurs propres NFT grâce à la technologie IA, mais elle peut également créer des scènes de jeu variées et des expériences interactives intéressantes dans le GameFi. Une infrastructure riche offre une expérience de développement fluide, que ce soit pour des experts en IA ou pour des novices cherchant à 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 écologiques Web3-AI
Nous avons principalement étudié 41 projets dans le domaine du Web3-AI et avons classé ces projets en différents niveaux. La logique de classification de chaque niveau est illustrée dans le diagramme ci-dessous, comprenant le niveau d'infrastructure, le niveau intermédiaire et le niveau d'application, chaque niveau étant divisé en différentes sections. Dans le chapitre suivant, nous procéderons à une analyse approfondie de certains projets représentatifs.
La couche d'infrastructure couvre les ressources informatiques et l'architecture technique nécessaires au fonctionnement de l'ensemble du cycle de vie de l'IA, la couche intermédiaire inclut la gestion des données, le développement de modèles et les services de vérification et d'inférence qui relient l'infrastructure aux applications, tandis que la couche d'application se concentre sur les diverses applications et solutions directement destinées aux utilisateurs.
Couche d'infrastructure :
La couche d'infrastructure est la base du cycle de vie de l'IA. Cet article classe la puissance de calcul, la chaîne d'IA et la plateforme de développement comme des éléments de la couche d'infrastructure. C'est grâce au soutien de ces infrastructures que l'on peut réaliser l'entraînement et l'inférence des modèles d'IA, et présenter aux utilisateurs des applications IA puissantes et pratiques.
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 puissance de calcul décentralisé, où les utilisateurs peuvent louer de la puissance de calcul à faible coût ou partager de la puissance de calcul pour obtenir des revenus, avec des projets représentatifs tels que IO.NET et Hyperbolic. De plus, certains projets ont dérivé de nouvelles façons de jouer, comme Compute Labs, qui ont proposé un protocole tokenisé, permettant aux utilisateurs de participer à la location de puissance de calcul de différentes manières pour obtenir des revenus en achetant des NFT représentant des entités GPU.
AI Chain : Utiliser la blockchain comme base du cycle de vie de l'IA, permettant une interaction fluide entre les ressources IA en ligne et hors ligne, et favorisant le développement de l'écosystème industriel. Le marché décentralisé de l'IA sur la blockchain peut échanger des actifs IA tels que des données, des modèles, des agents, etc., et fournir un cadre de développement IA ainsi que des outils de développement associés, représentant des projets comme Sahara AI. AI Chain peut également favoriser les avancées technologiques de l'IA dans différents domaines, comme Bittensor qui stimule la compétition 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 tels que 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, utilisant la technologie Web3 pour réaliser une efficacité de travail supérieure.
De plus, certaines plateformes permettent aux experts de 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 compétences professionnelles en matière de 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 de l'IA comme Sahara AI, qui propose des tâches de données dans différents domaines, pouvant couvrir des scénarios de données multidisciplinaires ; tandis que le protocole AIT effectue l'annotation des données par le biais d'une collaboration homme-machine.
Certains projets permettent aux utilisateurs de fournir différents types de modèles ou de collaborer à l'entraînement des modèles par le biais de la crowdsourcing, comme Sentient qui, grâce à un design modulaire, permet aux utilisateurs de stocker des données de modèles fiables dans la couche de stockage et la couche de distribution pour optimiser les modèles. Les outils de développement proposés 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 une application destinée directement aux utilisateurs, combinant l'IA et le Web3.