Prefacio

Durante el último año, la llegada de grandes modelos generativos de IA como ChatGPT ha impulsado a la IA más allá de las herramientas básicas de automatización hacia sistemas de toma de decisiones sofisticados y predictivos, estableciéndose como una fuerza pivotal que impulsa el avance societal. Esta evolución ha llevado a un aumento en los productos y aplicaciones de IA, con ChatGPT introduciendo productos notables como GPTs y Sora. NVIDIA, un actor clave en la infraestructura de IA, ha superado consistentemente las expectativas, con su negocio de centros de datos contribuyendo con más del 83% de los ingresos en el cuarto trimestre del año fiscal 2024, marcando un notable crecimiento del 409%. Es importante destacar que el 40% de estos ingresos se atribuyó a escenarios de inferencia de grandes modelos, subrayando la creciente demanda de una infraestructura de potencia informática robusta.

Actualmente, la IA ha captado una atención significativa por parte de los círculos de capital europeos y americanos, mientras que el mercado Web3 está experimentando un resurgimiento en el mercado alcista. La convergencia de la IA y Web3 representa la intersección de dos tendencias técnicas muy buscadas. La reciente aparición de proyectos centrados en este tema subraya el gran interés del mercado y las altas expectativas para esta convergencia.

Dejando de lado la exageración y las burbujas de precios, ¿cuál es el estado actual del desarrollo en la industria de IA+Web? ¿Existen escenarios de aplicación tangibles? Mirando hacia el futuro, ¿podemos generar valor, establecer una narrativa y dar forma a una industria? ¿Cómo evolucionará la industria de IA+Web3 en términos de patrones ecológicos y qué direcciones potenciales se vislumbran?

Future3 Campus profundizará en estos temas a través de una serie de artículos, desglosando cada faceta de la cadena de la industria AI+Web3. Este primer artículo proporcionará una visión general del panorama de la industria y el marco narrativo de AI+Web3.

Proceso de producción de trabajo de IA

En esencia, la integración de IA+Web3 se desarrolla en dos dimensiones clave. En primer lugar, el papel de Web3 en el avance del desarrollo de la IA, y en segundo lugar, la fusión de aplicaciones de Web3 con tecnología de IA. Actualmente, el enfoque predominante se centra en el empoderamiento de la IA a través de la tecnología y conceptos de Web3 en varios proyectos. Por lo tanto, el análisis puede adentrarse en la integración de la IA con Web3, abarcando desde el entrenamiento del modelo hasta la producción. La llegada de LLM introduce algunas variaciones en los procesos tradicionales de aprendizaje automático, pero un proceso de producción de IA optimizado típicamente engloba las siguientes etapas:

1 recopilación de datos

Los datos sirven como la piedra angular a lo largo del ciclo de entrenamiento del modelo de IA, lo que requiere conjuntos de datos de alta calidad para el análisis exploratorio de datos (EDA) para establecer conjuntos de datos, tablas y visualizaciones reproducibles, editables y compartibles.

2 Preprocesamiento de datos e ingeniería de características/ingeniería de sugerencias

Después de la adquisición de datos, el preprocesamiento es imperativo, involucrando la ingeniería de características en el aprendizaje automático y la ingeniería rápida en modelos grandes. Esto implica la clasificación, agregación y deduplicación iterativas para identificar características intrincadas, junto con el desarrollo iterativo de indicaciones para consultas estructuradas en LLM. Además, es esencial garantizar el almacenamiento confiable y el intercambio de características/indicaciones.

3 Entrenamiento y ajuste de modelos

Aprovechando una biblioteca de modelos diversos para entrenar modelos de IA, mejorando el rendimiento, la eficiencia y la precisión a través de la iteración y ajuste continuos. Especialmente, en LLM, la sintonización continua del modelo se logra a través del aprendizaje por refuerzo con retroalimentación humana (RLHF).

4 Revisión y gobernanza del modelo

Utilizando la plataforma MLOps/LLMOps para optimizar los procesos de desarrollo de modelos que abarcan el descubrimiento, seguimiento, compartición y colaboración de modelos. Esto garantiza la calidad y transparencia del modelo, a la vez que se adhiere a los estándares éticos y de cumplimiento.

5 Razonamiento del modelo

Implementación de modelos de IA entrenados para hacer predicciones sobre datos nuevos e inéditos mediante la utilización de parámetros aprendidos para procesar datos de entrada y generar resultados de predicción como clasificaciones o predicciones de regresión.

6 Implementación y monitoreo del modelo

Tras la validación del rendimiento frente a los estándares establecidos, desplegar el modelo en aplicaciones del mundo real e instituir un monitoreo y mantenimiento continuo para mantener un rendimiento óptimo en medio de entornos en evolución.

A lo largo de este proceso, existen numerosas oportunidades para integrar tecnologías Web3. Actualmente, los desafíos en el desarrollo de la IA como la transparencia del modelo, el sesgo y la aplicación ética han generado una amplia atención. En este contexto, la amalgama de la tecnología Web3 con soluciones criptográficas como ZK puede mejorar la confianza en los sistemas de IA. Además, la creciente demanda de aplicaciones de IA subraya la necesidad de una infraestructura y redes de datos abiertas y rentables. La red distribuida y los modelos de incentivos de Web3 pueden fomentar redes y comunidades de IA de código abierto.

Paisaje industrial y lógica narrativa de AI+Web3

Al integrar el proceso de producción de IA descrito anteriormente con la integración de IA con Web3 y examinar los proyectos AI+Web3 prevalentes en el mercado actual, hemos delineado el panorama de la industria AI+Web3. Esta cadena de la industria puede dividirse en tres capas: la capa de infraestructura, capa intermedia y capa de aplicación.

1. Capa de Infraestructura

La capa de infraestructura abarca principalmente la infraestructura informática y de almacenamiento esencial para todo el flujo de trabajo y proceso de producción de IA. Facilita la potencia informática necesaria para el entrenamiento de modelos de IA, inferencia y almacenamiento de datos a lo largo de todo el ciclo de vida.

La rápida expansión de las aplicaciones de IA ha impulsado un aumento en la demanda de infraestructura, especialmente capacidades de computación de alto rendimiento. Por lo tanto, se prevé que la provisión de un rendimiento mejorado, eficiencia de costes, y una infraestructura de computación y almacenamiento robusta surja como una tendencia fundamental en las primeras etapas del desarrollo de la IA, capturando más del 50% del valor de la cadena de la industria.

La tecnología Web3 tiene el potencial de establecer una red descentralizada de recursos informáticos y de almacenamiento, aprovechando recursos inactivos y dispersos para reducir sustancialmente los costos de infraestructura y satisfacer una amplia gama de requisitos de aplicaciones de IA. En consecuencia, la infraestructura de IA descentralizada se presenta como la narrativa predominante.

Proyectos destacados en este ámbito incluyen Render Network, centrándose en servicios de renderizado, y Akash y Gensyn ofreciendo servicios de nube descentralizada y redes de hardware informático. En el sector de almacenamiento, proyectos prominentes como Filecoin y Arweave han introducido recientemente servicios de almacenamiento y computación adaptados para el campo de la IA.

1. Capa intermedia:

La capa intermedia implica principalmente aprovechar las tecnologías Web3 para abordar los desafíos actuales y mejorar los procesos dentro de la producción de inteligencia artificial. Los aspectos clave incluyen:

1) Etapa de Adquisición de Datos: Utilizando la identidad de datos descentralizada para establecer una red/plataforma de intercambio de datos abierta, protegiendo la privacidad del usuario y la integridad de los datos a través de características de criptografía y blockchain. Este enfoque incentiva a los usuarios a compartir datos de alta calidad, expandiendo las fuentes de datos y mejorando la eficiencia en la adquisición de datos. Los proyectos destacados en este ámbito incluyen Worldcoin y Aspecta para la identidad de IA, Ocean Protocol para el intercambio de datos, y Grass para una red de datos con umbral de participación bajo.

2) Etapa de preprocesamiento de datos: Establecimiento de una plataforma distribuida de anotación y procesamiento de datos de IA, empleando incentivos económicos para fomentar modelos de crowdsourcing para un preprocesamiento de datos eficiente y rentable, beneficiando el entrenamiento de modelos subsecuentes. Los proyectos representativos incluyen Public AI.

3) Etapa de Verificación e Inferencia del Modelo: Abordando los desafíos de los datos opacos y los procesos del modelo en la IA, tecnologías Web3 como ZK y el cifrado homomórfico pueden integrarse para verificar el razonamiento del modelo, asegurando la precisión de los modelos mientras se salvaguarda la privacidad de los datos de entrada. Un escenario de aplicación típico es ZKML. Proyectos representativos que combinan la tecnología Web3 en las etapas de verificación e inferencia del modelo incluyen Bittensor, Privasea y Modulus.

Los proyectos en la capa intermedia a menudo priorizan las herramientas para desarrolladores, ofreciendo servicios complementarios a los desarrolladores y las partes interesadas del proyecto. La demanda del mercado y la implementación comercial de la IA todavía están evolucionando en las primeras etapas de desarrollo.

Capa de aplicación 3

A nivel de la aplicación, el enfoque se desplaza hacia la utilización de la tecnología de IA dentro de los contextos de Web3. La integración de aplicaciones de Web3 con la tecnología de IA tiene como objetivo mejorar la eficiencia y elevar las experiencias de producto. Funcionalidades de IA como generación de contenido, análisis y predicción encuentran aplicaciones diversas en juegos, redes sociales, análisis de datos y pronósticos financieros. Actualmente, las aplicaciones de IA+Web3 se pueden categorizar en tres tipos principales:

1) Tipo AIGC: Aprovechando la tecnología generativa de IA para permitir a los usuarios crear texto, imágenes, videos, avatares y otro contenido a través de un diálogo interactivo. Esta funcionalidad de IA puede presentarse como un agente de IA independiente o integrarse perfectamente en productos. Los proyectos destacados en esta categoría incluyen NFPrompt y SleeplessAI.

2) Categoría de Análisis de IA: los equipos de proyectos aprovechan datos propietarios, bases de conocimiento y capacidades analíticas para entrenar modelos de IA verticales para tareas de análisis, toma de decisiones y predicción. Estos modelos de IA se ofrecen como productos a los usuarios, otorgando acceso a capacidades de análisis de IA para tareas como análisis de datos, seguimiento de información, auditoría de código, pronóstico financiero y más. Los proyectos representativos incluyen Kaito y Dune.

3) AI Agent Hub: Actuando como un centro para varios agentes de inteligencia artificial, esta categoría generalmente permite a los usuarios crear agentes de inteligencia artificial personalizados sin necesidad de programación, similar a GPTs. Los proyectos destacados en este ámbito incluyen My Shell y Fetch.ai.

Si bien aún no hay proyectos destacados en la capa de aplicación, tiene un potencial de crecimiento significativo a largo plazo. El éxito en el ámbito de las aplicaciones de IA+Web3 depende no solo de la innovación tecnológica, sino también de la acumulación de capacidades de productos y experiencia técnica. Especialmente en el ámbito de la IA, los productos que ofrecen experiencias de usuario superiores obtendrán una ventaja competitiva en este panorama en evolución.

**Descargo de responsabilidad:

1. Este artículo ha sido reimpreso de [marsbit], el título original es “El futuro camino de desarrollo de AI+Web3 (1): Paisaje industrial y lógica narrativa”, los derechos de autor pertenecen al autor original [Blockchain Wanxiang], si tiene alguna objeción a la reimpresión, por favor contacte Gate Learn Team, el equipo lo manejará lo antes posible de acuerdo con los procedimientos relevantes.

2. Descargo de responsabilidad: Las opiniones expresadas en este artículo representan únicamente las opiniones personales del autor y no constituyen ningún consejo de inversión.

3. Otras versiones del artículo en otros idiomas son traducidas por el equipo Gate Learn, no mencionadas en Gate.io, el artículo traducido no puede ser reproducido, distribuido o plagiado.