Relatório panorâmico da pista Web3-AI: análise profunda da lógica técnica, aplicações de cenário e principais projetos

Com a contínua ascensão da narrativa de IA, cada vez mais atenção está sendo concentrada nesta área. Este artigo analisa em profundidade a lógica técnica, os cenários de aplicação e os projetos representativos da área Web3-AI, apresentando uma visão abrangente do panorama e das tendências de desenvolvimento deste campo.

Um, Web3-AI: Análise da Lógica Tecnológica e Oportunidades de Mercado Emergentes

1.1 Lógica de fusão entre Web3 e AI: como definir a pista Web-AI

No último ano, a narrativa de IA teve um crescimento excepcional na indústria Web3, com projetos de IA surgindo como cogumelos após a chuva. Embora muitos projetos envolvam tecnologia de IA, alguns deles utilizam IA apenas em certas partes de seus produtos, e a economia de tokens subjacente não tem uma ligação substancial com os produtos de IA. Portanto, esses tipos de projetos não estão incluídos na discussão de projetos Web3-AI neste artigo.

O foco deste artigo está em usar a blockchain para resolver problemas de relações de produção, enquanto a IA resolve problemas de produtividade. Esses projetos oferecem produtos de IA e, simultaneamente, utilizam modelos econômicos Web3 como ferramentas de relações de produção, complementando-se mutuamente. Classificamos esses projetos como parte da pista Web3-AI. Para proporcionar uma melhor compreensão da pista Web3-AI, este artigo irá desenvolver a introdução ao processo de desenvolvimento da IA e os desafios, bem como como a combinação de Web3 e IA pode resolver problemas de forma perfeita e criar novos cenários de aplicação.

1.2 O processo de desenvolvimento da IA e os desafios: da coleta de dados à inferência do modelo

A tecnologia de IA é uma tecnologia que permite que os computadores simulem, ampliem e aprimorem a inteligência humana. Ela permite que os computadores executem várias tarefas complexas, desde tradução de idiomas, classificação de imagens até reconhecimento facial, condução autónoma e outros cenários de aplicação, a IA está mudando a maneira como vivemos e trabalhamos.

O processo de desenvolvimento de modelos de inteligência artificial normalmente inclui os seguintes passos-chave: coleta de dados e pré-processamento de dados, seleção e ajuste do modelo, treinamento e inferência do modelo. Para dar um exemplo simples, ao desenvolver um modelo para classificar imagens de gatos e cães, você precisa:

1. Coleta de dados e pré-processamento de dados: Coletar um conjunto de dados de imagens contendo gatos e cães, podendo utilizar conjuntos de dados públicos ou coletar dados reais por conta própria. Em seguida, rotular cada imagem com a categoria (gato ou cão), assegurando que os rótulos estejam corretos. Converter as imagens para um formato que o modelo possa reconhecer, dividindo o conjunto de dados em conjunto de treino, conjunto de validação e conjunto de teste.

2. Seleção e ajuste de modelo: Escolha um modelo adequado, como redes neurais convolucionais (CNN), que são mais adequadas para tarefas de classificação de imagens. Ajuste os parâmetros ou a arquitetura do modelo de acordo com as diferentes necessidades; geralmente, a profundidade da rede do modelo pode ser ajustada com base na complexidade da tarefa de IA. Neste exemplo simples de classificação, uma rede menos profunda pode ser suficiente.

3. Treinamento do modelo: pode-se usar GPU, TPU ou clusters de computação de alto desempenho para treinar o modelo, e o tempo de treinamento é afetado pela complexidade do modelo e pela capacidade de cálculo.

4. Inferência do modelo: O arquivo do modelo treinado é geralmente chamado de peso do modelo, e o processo de inferência refere-se ao uso do modelo já treinado para prever ou classificar novos dados. Neste processo, é possível utilizar um conjunto de testes ou novos dados para testar a eficácia da classificação do modelo, geralmente avaliando a eficácia do modelo com métricas como precisão, taxa de recuperação e F1-score.

Como mostrado na figura, após a coleta de dados e pré-processamento de dados, seleção e ajuste do modelo, e treinamento, ao realizar a inferência do modelo treinado no conjunto de testes, obteremos os valores de previsão de gato e cachorro P (probabilidade), ou seja, a probabilidade de o modelo inferir que é um gato ou um cachorro.

Modelos de IA treinados podem ser integrados a várias aplicações para executar diferentes tarefas. Neste exemplo, um modelo de IA para classificação de gatos e cães pode ser integrado a uma aplicação móvel, onde os utilizadores carregam imagens de gatos ou cães e recebem os resultados da classificação.

No entanto, o processo de desenvolvimento de IA centralizada apresenta alguns problemas nas seguintes situações:

Privacidade do usuário: em cenários centralizados, o processo de desenvolvimento da IA geralmente não é transparente. Os dados dos usuários podem ser roubados sem o seu conhecimento e usados para o treinamento da IA.

Obtenção de fontes de dados: Equipas pequenas ou indivíduos que procuram dados em áreas específicas (como dados médicos) podem enfrentar limitações devido à falta de disponibilidade de dados.

Seleção e afinação de modelos: para pequenas equipas, é difícil obter recursos de modelos específicos ou gastar grandes quantias em afinação de modelos.

Aquisição de poder de computação: para desenvolvedores individuais e pequenas equipas, o elevado custo de compra de GPUs e as taxas de aluguer de poder de computação em nuvem podem representar um fardo económico significativo.

Rendimento de ativos de IA: trabalhadores de anotação de dados muitas vezes não conseguem obter uma renda que corresponda ao seu esforço, e os resultados da pesquisa dos desenvolvedores de IA também são difíceis de serem correspondidos com compradores que têm demanda.

Os desafios existentes em cenários de IA centralizada podem ser superados através da combinação com o Web3, que, como uma nova relação de produção, se adapta naturalmente à IA, que representa uma nova forma de produtividade, promovendo assim o progresso simultâneo da tecnologia e da capacidade produtiva.

1.3 Web3 e a sinergia com a IA: Mudança de papéis e aplicações inovadoras

A combinação de Web3 e IA pode fortalecer a soberania do usuário, proporcionando uma plataforma de colaboração em IA aberta para os usuários, permitindo que eles se transformem de usuários de IA da era Web2 em participantes, criando uma IA que todos podem possuir. Ao mesmo tempo, a fusão do mundo Web3 com a tecnologia de IA pode gerar mais cenários de aplicação e maneiras inovadoras.

Baseado na tecnologia Web3, o desenvolvimento e a aplicação da IA vão entrar num novo sistema econômico colaborativo. A privacidade dos dados das pessoas pode ser garantida, o modelo de crowdsourcing de dados promove o avanço dos modelos de IA, muitos recursos de IA de código aberto estão disponíveis para os usuários, e a capacidade de computação compartilhada pode ser obtida a custos mais baixos. Com a ajuda de um mecanismo de crowdsourcing colaborativo descentralizado e um mercado de IA aberto, é possível implementar um sistema de distribuição de renda justo, incentivando mais pessoas a impulsionar o avanço da tecnologia de IA.

No cenário Web3, a IA pode ter um impacto positivo em várias áreas. Por exemplo, modelos de IA podem ser integrados a contratos inteligentes para melhorar a eficiência do trabalho em diferentes cenários de aplicação, como análise de mercado, detecção de segurança, agrupamento social e muitas outras funções. A IA generativa não apenas permite que os usuários experimentem o papel de "artista", como criar seus próprios NFTs usando tecnologia de IA, mas também pode criar cenários de jogo diversificados e experiências interativas interessantes no GameFi. A infraestrutura rica oferece uma experiência de desenvolvimento fluida, permitindo que tanto especialistas em IA quanto novatos que desejam entrar no campo da IA encontrem a entrada adequada neste mundo.

Dois, Interpretação do Mapa e Arquitetura dos Projetos Ecológicos Web3-AI

Estudámos principalmente 41 projetos na área do Web3-AI e classificámos estes projetos em diferentes níveis. A lógica de classificação de cada nível é mostrada na imagem abaixo, incluindo o nível de infraestrutura, o nível intermédio e o nível de aplicação, onde cada nível é subdividido em diferentes secções. No próximo capítulo, faremos uma análise profunda de alguns projetos representativos.

A camada de infraestrutura abrange os recursos computacionais e a arquitetura técnica que suportam a operação de todo o ciclo de vida da IA, enquanto a camada intermediária inclui a gestão de dados, desenvolvimento de modelos e serviços de validação e raciocínio que conectam a infraestrutura às aplicações. A camada de aplicação foca em várias aplicações e soluções diretamente voltadas para o usuário.

Camada de infraestrutura:

A camada de infraestrutura é a base do ciclo de vida da IA. Este artigo classifica a potência de computação, a AI Chain e a plataforma de desenvolvimento como parte da camada de infraestrutura. É graças ao suporte dessas infraestruturas que é possível realizar o treinamento e a inferência de modelos de IA, apresentando aplicações de IA poderosas e práticas aos usuários.

• Rede de computação descentralizada: pode fornecer poder computacional distribuído para o treinamento de modelos de IA, garantindo uma utilização eficiente e econômica dos recursos computacionais. Alguns projetos oferecem mercados de poder computacional descentralizados, onde os usuários podem alugar poder computacional a baixo custo ou compartilhar poder computacional para obter ganhos, representados por projetos como IO.NET e Hyperbolic. Além disso, alguns projetos derivaram novas formas de jogar, como o Compute Labs, que propôs um protocolo de tokenização, onde os usuários podem participar de locação de poder computacional de diferentes maneiras para obter ganhos, comprando NFTs que representam entidades de GPU.

• AI Chain: Utiliza a blockchain como base para o ciclo de vida da IA, permitindo a interação sem costura de recursos de IA on-chain e off-chain, promovendo o desenvolvimento do ecossistema da indústria. O mercado de IA descentralizado na blockchain pode negociar ativos de IA como dados, modelos, agentes, etc., e fornece uma estrutura de desenvolvimento de IA e ferramentas de desenvolvimento complementares, representado por projetos como Sahara AI. O AI Chain também pode promover o avanço tecnológico da IA em diferentes áreas, como o Bittensor, que promove a competição entre sub-redes de diferentes tipos de IA através de um mecanismo inovador de incentivos.

• Plataforma de desenvolvimento: alguns projetos oferecem plataformas de desenvolvimento de agentes de IA, que também podem realizar transações de agentes de IA, como Fetch.ai e ChainML. Ferramentas de uma só paragem ajudam os desenvolvedores a criar, treinar e implementar modelos de IA de forma mais conveniente, representados por projetos como Nimble. Esta infraestrutura promove a ampla aplicação da tecnologia de IA no ecossistema Web3.

Camada intermédia:

Esta camada envolve dados de IA, modelos e raciocínio e validação, utilizando tecnologia Web3 para alcançar maior eficiência no trabalho.

• Dados: A qualidade e a quantidade dos dados são fatores-chave que influenciam a eficácia do treinamento do modelo. No mundo Web3, por meio de dados colaborativos e processamento de dados colaborativo, é possível otimizar a utilização de recursos e reduzir os custos dos dados. Os usuários podem ter autonomia sobre seus dados e, sob proteção de privacidade, vender seus dados para evitar que sejam roubados por comerciantes desonestos e que obtenham altos lucros. Para os demandantes de dados, essas plataformas oferecem uma ampla variedade de opções e custos extremamente baixos. Projetos representativos como Grass utilizam a largura de banda dos usuários para capturar dados da Web, xData coleta informações de mídia através de um plugin amigável ao usuário e suporta o upload de informações de tweets pelos usuários.

Além disso, algumas plataformas permitem que especialistas do setor ou usuários comuns realizem tarefas de pré-processamento de dados, como a rotulagem de imagens e a classificação de dados, tarefas que podem exigir conhecimentos especializados em finanças e processamento de dados jurídicos. Os usuários podem tokenizar suas habilidades para realizar a colaboração em massa no pré-processamento de dados. Representações como o mercado de IA Sahara AI possuem tarefas de dados em diferentes áreas, cobrindo cenários de dados multidisciplinares; enquanto o AIT Protocolt rotula dados por meio de uma abordagem de colaboração homem-máquina.

• Modelo: No processo de desenvolvimento de IA mencionado anteriormente, diferentes tipos de requisitos precisam de modelos adequados. Modelos comumente usados para tarefas de imagem incluem CNN e GAN, enquanto para tarefas de detecção de objetos pode-se escolher a série Yolo. Para tarefas de texto, modelos comuns incluem RNN e Transformer, além de alguns modelos grandes específicos ou gerais. A profundidade dos modelos necessária para tarefas de diferentes complexidades também varia, e às vezes é necessário ajustar o modelo.

Alguns projetos suportam que os usuários forneçam diferentes tipos de modelos ou colaborem no treinamento de modelos através de crowdsourcing, como o Sentient, que através de um design modular, permite que os usuários coloquem dados de modelo confiáveis na camada de armazenamento e distribuição para otimização de modelos. As ferramentas de desenvolvimento fornecidas pela Sahara AI incorporam algoritmos de IA avançados e estruturas de computação, além de possuírem a capacidade de treinamento colaborativo.

• Inferência e validação: Após o treinamento, o modelo gera arquivos de pesos do modelo, que podem ser usados para classificação, previsão ou outras tarefas específicas; esse processo é chamado de inferência. O processo de inferência geralmente é acompanhado de um mecanismo de validação para verificar se a origem do modelo de inferência está correta e se não há comportamentos maliciosos, entre outros. A inferência em Web3 pode ser integrada em contratos inteligentes, chamando o modelo para realizar a inferência, e as formas comuns de validação incluem tecnologias como ZKML, OPML e TEE. Projetos representativos como o oráculo de IA em blockchain ORA (OAO) introduziram OPML como uma camada verificável para o oráculo de IA, e o site oficial da ORA também menciona suas pesquisas sobre ZKML e opp/ai (ZKML combinado com OPML).

Camada de Aplicação:

Esta camada é principalmente um aplicativo voltado diretamente para o usuário, combinando IA com Web3 para criar mais maneiras interessantes e inovadoras de jogar. Este artigo aborda principalmente os projetos nas áreas de AIGC (Conteúdo Gerado por IA), agentes de IA e análise de dados.

• AIGC: através do AIGC