Prefácio

No último ano, a chegada 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 preditivos, estabelecendo-se como uma força pivotal impulsionando o avanço da sociedade. Essa evolução levou a um aumento de 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 o 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, sublinhando a crescente demanda por uma infraestrutura de potência computacional robusta.

Atualmente, a IA tem atraído atenção significativa dos círculos de capital europeus e americanos, enquanto o mercado Web3 está a passar por um ressurgimento no mercado em 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 sublinha o interesse e as elevadas expectativas do mercado por esta convergência.

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

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

Processo de produção de trabalho de IA

Na essência, a integração de AI+Web3 desdobra-se em duas dimensões-chave. Em primeiro lugar, o papel do Web3 no avanço do desenvolvimento de AI e, em segundo lugar, a fusão de aplicações do Web3 com a tecnologia de AI. Atualmente, o foco predominante reside no empoderamento de AI através da tecnologia e conceitos do Web3 em vários projetos. Assim, a análise pode aprofundar-se na integração de AI com o Web3, abrangendo desde o treino do modelo até à produção. A chegada do LLM introduz algumas variações em relação aos processos tradicionais de aprendizagem automática, no entanto, um processo de produção de AI otimizado tipicamente engloba as seguintes etapas:

1 recolha 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) a fim de 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 características em aprendizado de máquina e engenharia rápida em modelos grandes. Isso implica classificação iterativa, agregação e deduplicação para identificar características intricadas, juntamente com o desenvolvimento iterativo de prompts para consultas estruturadas em LLM. Além disso, garantir armazenamento confiável e compartilhamento de características/prompts é essencial.

3 Treino e ajuste do modelo

Aproveitando uma biblioteca de modelos diversificada para treinar modelos de IA, melhorando o desempenho, a eficiência e a precisão através de iteração e ajustes contínuos. Notavelmente, no LLM, a afinação contínua do modelo é alcançada através do RLHF de feedback humano.

4 Revisão e governação do modelo

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

5 Modelos de raciocínio

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

6 Implementação de modelo e monitorização

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, os desafios no desenvolvimento de IA, como transparência do modelo, viés e aplicação ética, têm recebido ampla atenção. Neste contexto, a fusão da tecnologia Web3 com soluções criptográficas como ZK pode aumentar a confiança nos sistemas de IA. Além disso, a crescente demanda por aplicações de IA destaca a necessidade de infraestruturas e redes de dados abertas e com custos eficazes. A rede distribuída e os modelos de incentivo do Web3 podem promover redes e comunidades de IA de código aberto.

Paisagem industrial e lógica narrativa AI+Web3

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

1. Camada de Infraestrutura

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

A rápida expansão das aplicações de IA tem impulsionado um aumento na demanda por infraestrutura, particularmente capacidades de computação de alto desempenho. Assim, prevê-se que a oferta de desempenho aprimorado, eficiência de custos e infraestrutura de computação e armazenamento robusta surja 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 descentralizada de recursos computacionais e de armazenamento, aproveitando recursos ociosos e dispersos para reduzir substancialmente os custos de infraestrutura e atender a uma ampla gama de requisitos de aplicação de IA. Consequentemente, a infraestrutura de IA descentralizada destaca-se como a narrativa dominante.

Projetos notáveis neste domínio incluem a Render Network, focada em serviços de renderização, e Akash e Gensyn oferecendo serviços de nuvem descentralizados 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 do meio envolve principalmente a alavancagem das tecnologias Web3 para enfrentar os desafios atuais e aprimorar os processos na 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 criptografia e características de blockchain. Esta abordagem incentiva os usuários a compartilhar dados de alta qualidade, expandindo as fontes de dados e aprimorando a eficiência de aquisição de dados. Projetos notáveis neste âmbito 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) Estágio de Pré-processamento de Dados: Estabelecimento de uma plataforma distribuída de anotação e processamento de dados de IA, empregando incentivos econômicos para incentivar modelos de crowdsourcing para um pré-processamento de dados eficiente e econômico, beneficiando a formação subsequente de modelos. Projetos representativos incluem Public AI.

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

Os 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 em evolução nas fases iniciais de desenvolvimento.

3 Camada de aplicação

No nível da aplicação, o foco desloca-se para a utilização da tecnologia de IA nos contextos Web3. A integração de aplicações Web3 com tecnologia de IA visa melhorar a eficiência e elevar as experiências do produto. Funcionalidades de IA como geração de conteúdo, análise e previsão encontram aplicações diversas em jogos, redes sociais, análise de dados e previsão financeira. Atualmente, as aplicações de IA+Web3 podem ser categorizadas em três tipos principais:

1) Tipo AIGC: Aproveitando a tecnologia geradora de IA para permitir aos utilizadores criar texto, imagens, vídeos, avatares e outros conteúdos através de diálogos interativos. Esta funcionalidade de IA pode ser apresentada como um agente de IA independente ou integrada de forma transparente em produtos. Projetos notáveis nesta categoria incluem NFPrompt e SleeplessAI.

2) Categoria de Análise de IA: As equipas de projeto aproveitam bases de dados proprietárias e capacidades analíticas para treinar modelos de IA verticais para tarefas de análise, tomada de decisão e previsão. Estes modelos de IA são oferecidos como produtos aos utilizadores, 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. Os projetos representativos incluem Kaito e Dune.

3) AI Agent Hub: Atuando 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 de destaque na camada de aplicativos, ela possui um potencial significativo de crescimento a longo prazo. O sucesso no domínio das aplicações AI+Web3 depende não apenas da inovação tecnológica, mas também 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 é reproduzido a partir de [marsbit], o título original é O futuro caminho de desenvolvimento de AI+Web3 (1): Paisagem industrial e lógica narrativa”, os direitos autorais pertencem ao autor original [Blockchain Wanxiang], se tiver alguma objeção à reimpressão, por favor contacte Equipe Gate Learn, a equipa irá tratar disso o mais brevemente possível de acordo com os procedimentos relevantes.

2. Aviso de responsabilidade: As opiniões expressas neste artigo representam apenas as opiniões pessoais do autor e não constituem qualquer conselho de investimento.

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