Informe panorámico sobre la pista Web3-AI: análisis profundo de la lógica técnica, aplicaciones en escenarios y proyectos de primer nivel

Con el continuo auge de la narración AI, cada vez más atención se centra en esta pista. Se ha realizado un análisis profundo de la lógica técnica, los escenarios de aplicación y los proyectos representativos de la pista Web3-AI, presentando de manera integral el panorama y las tendencias de desarrollo en este campo.

I. Web3-AI: Análisis de la lógica técnica y oportunidades de mercado emergentes

1.1 Lógica de fusión entre Web3 y AI: cómo definir la pista Web-AI

En el último año, la narración de AI ha sido excepcionalmente popular en la industria de Web3, con proyectos de AI surgiendo como champiñones después de la lluvia. Aunque hay muchos proyectos que implican tecnología de AI, algunos solo utilizan AI en ciertas partes de sus productos, y la economía de tokens subyacente no tiene una relación sustancial con los productos de AI, por lo que estos proyectos no se consideran parte de la discusión sobre proyectos Web3-AI en este artículo.

El enfoque de este artículo está en el uso de blockchain para resolver problemas de relaciones de producción y en proyectos donde la IA resuelve problemas de productividad. Estos proyectos, por sí mismos, ofrecen productos de IA, mientras que se basan en un modelo económico Web3 como herramienta de relaciones de producción, siendo ambos complementarios. Clasificamos este tipo de proyectos como la pista Web3-AI. Para que los lectores comprendan mejor la pista Web3-AI, se presentará una introducción al proceso de desarrollo de la IA y sus desafíos, así como cómo la combinación de Web3 y la IA puede resolver problemas de manera perfecta y crear nuevos escenarios de aplicación.

1.2 El proceso de desarrollo de IA y sus desafíos: desde la recolección de datos hasta la inferencia del modelo

La tecnología de IA es una tecnología que permite a las computadoras simular, expandir y mejorar la inteligencia humana. Puede permitir que las computadoras realicen diversas tareas complejas, desde la traducción de lenguajes, la clasificación de imágenes hasta el reconocimiento facial, la conducción autónoma y otros escenarios de aplicación, la IA está cambiando la forma en que vivimos y trabajamos.

El proceso de desarrollar modelos de inteligencia artificial generalmente incluye los siguientes pasos clave: recolección de datos y preprocesamiento de datos, selección y ajuste del modelo, entrenamiento del modelo e inferencia. Para dar un ejemplo simple, al desarrollar un modelo para clasificar imágenes de gatos y perros, necesitas:

1. Recopilación de datos y preprocesamiento de datos: recopilar un conjunto de datos de imágenes que contenga gatos y perros, se puede utilizar un conjunto de datos público o recopilar datos reales por uno mismo. Luego, etiquetar cada imagen con su categoría (gato o perro), asegurándose de que las etiquetas sean precisas. Convertir las imágenes a un formato que el modelo pueda reconocer, y dividir el conjunto de datos en un conjunto de entrenamiento, un conjunto de validación y un conjunto de prueba.

2. Selección y ajuste del modelo: elegir el modelo adecuado, como las redes neuronales convolucionales (CNN), que son más adecuadas para tareas de clasificación de imágenes. Ajustar los parámetros o la arquitectura del modelo según diferentes necesidades; en general, los niveles de la red del modelo pueden ajustarse según la complejidad de la tarea de IA. En este simple ejemplo de clasificación, una red con niveles más superficiales puede ser suficiente.

3. Entrenamiento del modelo: se pueden utilizar GPU, TPU o clústeres de computación de alto rendimiento para entrenar el modelo, el tiempo de entrenamiento se ve afectado por la complejidad del modelo y la capacidad de cálculo.

4. Inferencia de modelos: los archivos de modelo que han sido entrenados normalmente se llaman pesos del modelo. El proceso de inferencia se refiere al uso de un modelo ya entrenado para predecir o clasificar nuevos datos. En este proceso, se puede utilizar un conjunto de prueba o nuevos datos para evaluar el rendimiento de clasificación del modelo, y normalmente se utilizan métricas como precisión, recall y F1-score para evaluar la efectividad del modelo.

Después de la recolección de datos, el preprocesamiento de datos, la selección y ajuste del modelo, y el entrenamiento, se realiza la inferencia del modelo entrenado en el conjunto de prueba, lo que dará como resultado los valores de predicción de gatos y perros P (probabilidad), es decir, la probabilidad de que el modelo infiera que es un gato o un perro.

Los modelos de IA entrenados se pueden integrar aún más en diversas aplicaciones para ejecutar diferentes tareas. En este ejemplo, un modelo de IA para la clasificación de gatos y perros puede integrarse en una aplicación móvil, donde los usuarios suben imágenes de gatos o perros y obtienen resultados de clasificación.

Sin embargo, el proceso de desarrollo de IA centralizada presenta algunos problemas en los siguientes escenarios:

Privacidad del usuario: en escenarios centralizados, el proceso de desarrollo de la IA suele ser opaco. Los datos de los usuarios pueden ser robados sin su conocimiento y utilizados para el entrenamiento de la IA.

Obtención de fuentes de datos: equipos pequeños o individuos pueden enfrentar limitaciones de datos no abiertos al obtener datos en campos específicos (como datos médicos).

Selección y ajuste de modelos: para equipos pequeños, es difícil obtener recursos de modelos específicos o gastar una gran cantidad de costos en el ajuste de modelos.

Obtención de potencia de cálculo: para desarrolladores individuales y pequeños equipos, el alto costo de compra de GPU y las tarifas de alquiler de potencia de cálculo en la nube pueden representar una carga económica significativa.

Ingresos de activos de IA: los trabajadores de etiquetado de datos a menudo no pueden obtener ingresos que correspondan a su esfuerzo, y los resultados de investigación de los desarrolladores de IA también son difíciles de coincidir con los compradores que tienen demanda.

Los desafíos existentes en los escenarios de IA centralizada pueden superarse combinándolos con Web3, que como una nueva relación de producción se adapta naturalmente a la IA, que representa nuevas fuerzas productivas, promoviendo así el avance simultáneo de la tecnología y la capacidad de producción.

1.3 La sinergia entre Web3 y la IA: cambios de rol y aplicaciones innovadoras

La combinación de Web3 y AI puede fortalecer la soberanía del usuario, proporcionando a los usuarios una plataforma de colaboración de AI abierta, permitiendo que los usuarios pasen de ser meros usuarios de AI en la era Web2 a participantes, creando una AI de la que todos puedan ser propietarios. Al mismo tiempo, la fusión del mundo Web3 con la tecnología AI también puede generar más escenarios de aplicación innovadores y formas de jugar.

Basado en la tecnología Web3, el desarrollo y la aplicación de la IA darán paso a un nuevo sistema económico colaborativo. La privacidad de los datos de las personas puede ser garantizada, el modelo de datos colaborativos promueve el avance de los modelos de IA, y una gran cantidad de recursos de IA de código abierto están disponibles para los usuarios, permitiendo obtener potencia de cálculo compartida a un costo reducido. Gracias a un mecanismo de colaboración descentralizada y un mercado de IA abierto, se puede lograr un sistema de distribución de ingresos justo, lo que incentiva a más personas a impulsar el avance de la tecnología de IA.

En el escenario de Web3, la IA puede tener un impacto positivo en múltiples campos. Por ejemplo, los modelos de IA pueden integrarse en contratos inteligentes para mejorar la eficiencia laboral en diferentes escenarios de aplicación, como análisis de mercado, detección de seguridad, agrupación social y muchas otras funciones. La IA generativa no solo permite a los usuarios experimentar el papel de "artista", como crear sus propios NFT utilizando tecnología de IA, sino que también puede crear escenarios de juego variados y experiencias interactivas interesantes en GameFi. Una infraestructura rica proporciona una experiencia de desarrollo fluida, donde tanto expertos en IA como principiantes que deseen incursionar en el campo de la IA pueden encontrar una entrada adecuada en este mundo.

Dos, interpretación del mapa y la arquitectura del proyecto ecológico Web3-AI

Principalmente investigamos 41 proyectos en la pista Web3-AI y dividimos estos proyectos en diferentes niveles. La lógica de la división de cada nivel se muestra en la siguiente imagen, que incluye la capa de infraestructura, la capa intermedia y la capa de aplicación, cada una de las cuales se divide en diferentes secciones. En el siguiente capítulo, realizaremos un análisis profundo de algunos proyectos representativos.

La capa de infraestructura abarca los recursos computacionales y la arquitectura técnica que soportan todo el ciclo de vida de la IA, la capa intermedia incluye la gestión de datos, el desarrollo de modelos y los servicios de inferencia de verificación que conectan la infraestructura con las aplicaciones, mientras que la capa de aplicaciones se centra en diversas aplicaciones y soluciones orientadas directamente al usuario.

Capa de infraestructura:

La capa de infraestructura es la base del ciclo de vida de la IA. En este artículo, clasificamos la capacidad de cómputo, AI Chain y la plataforma de desarrollo como parte de la capa de infraestructura. Es gracias al apoyo de estas infraestructuras que se puede llevar a cabo el entrenamiento y la inferencia de modelos de IA, y presentar aplicaciones de IA potentes y prácticas a los usuarios.

• Red de computación descentralizada: puede proporcionar potencia de cálculo distribuida para el entrenamiento de modelos de IA, asegurando una utilización eficiente y económica de los recursos de cálculo. Algunos proyectos han creado mercados de potencia de cálculo descentralizados, donde los usuarios pueden alquilar potencia de cálculo a bajo costo o compartirla para obtener beneficios, representados por proyectos como IO.NET y Hyperbolic. Además, algunos proyectos han derivado nuevas formas de jugar, como Compute Labs, que propusieron un protocolo tokenizado, donde los usuarios pueden participar en el alquiler de potencia de cálculo de diferentes maneras mediante la compra de NFT que representan entidades de GPU.

• AI Chain: Utiliza la blockchain como base para el ciclo de vida de la IA, logrando una interacción fluida entre los recursos de IA en la cadena y fuera de ella, promoviendo el desarrollo del ecosistema industrial. El mercado descentralizado de IA en la cadena puede intercambiar activos de IA como datos, modelos, agentes, etc., y proporciona un marco de desarrollo de IA y herramientas de desarrollo complementarias, representado por proyectos como Sahara AI. AI Chain también puede fomentar el avance de la tecnología de IA en diferentes campos, como Bittensor, que promueve la competencia entre subredes de diferentes tipos de IA a través de un innovador mecanismo de incentivos de subred.

• Plataforma de desarrollo: Algunos proyectos ofrecen plataformas de desarrollo de agentes de IA, que también permiten el comercio de agentes de IA, como Fetch.ai y ChainML. Herramientas integrales ayudan a los desarrolladores a crear, entrenar y desplegar modelos de IA de manera más conveniente, representadas por proyectos como Nimble. Esta infraestructura promueve la amplia aplicación de la tecnología de IA en el ecosistema Web3.

Capa intermedia:

Esta capa involucra datos de IA, modelos así como inferencia y verificación, y el uso de tecnología Web3 puede lograr una mayor Profundidad de trabajo.

• Datos: La calidad y cantidad de los datos son factores clave que influyen en la efectividad del entrenamiento de modelos. En el mundo Web3, a través de datos de crowdsourcing y procesamiento colaborativo de datos, se puede optimizar la utilización de recursos y reducir los costos de datos. Los usuarios pueden tener autonomía sobre sus datos, vendiéndolos bajo la protección de la privacidad, para evitar que comerciantes deshonestos los roben y obtengan altos beneficios. Para los demandantes de datos, estas plataformas ofrecen una amplia variedad de opciones y costos muy bajos. Proyectos representativos como Grass utilizan el ancho de banda de los usuarios para capturar datos de la Web, xData recopila información de medios a través de un plugin fácil de usar y apoya a los usuarios en la carga de información de tweets.

Además, algunas plataformas permiten a expertos en el campo o a usuarios comunes realizar tareas de preprocesamiento de datos, como la anotación de imágenes y la clasificación de datos, estas tareas pueden requerir conocimientos especializados en tareas financieras y legales de procesamiento de datos, los usuarios pueden tokenizar sus habilidades para lograr la colaboración en el crowdsourcing del preprocesamiento de datos. Representando como el mercado de IA de Sahara AI, que tiene tareas de datos en diferentes campos, puede cubrir escenarios de datos multidisciplinarios; mientras que AIT Protocolt etiqueta los datos a través de una colaboración hombre-máquina.

• Modelo: En el proceso de desarrollo de IA mencionado anteriormente, diferentes tipos de necesidades requieren que se emparejen con el modelo adecuado. Modelos comúnmente utilizados para tareas de imagen como CNN y GAN, para tareas de detección de objetos se puede elegir la serie Yolo, y para tareas de texto son comunes modelos como RNN y Transformer, por supuesto, también hay algunos modelos grandes específicos o generales. La profundidad del modelo necesaria varía según la complejidad de la tarea, y a veces es necesario ajustar el modelo.

Algunos proyectos permiten a los usuarios proporcionar diferentes tipos de modelos o colaborar en el entrenamiento de modelos a través de la externalización, como Sentient, que a través de un diseño modular, permite a los usuarios almacenar datos de modelos confiables en la capa de almacenamiento y en la capa de distribución para optimizar modelos. Las herramientas de desarrollo proporcionadas por Sahara AI incorporan algoritmos avanzados de IA y un marco de computación, y tienen la capacidad de entrenar en colaboración.

• Inferencia y verificación: Después de entrenar el modelo, se generará un archivo de pesos del modelo que se puede utilizar para realizar clasificación, predicciones u otras tareas específicas, este proceso se llama inferencia. El proceso de inferencia generalmente va acompañado de un mecanismo de verificación, para validar si la fuente del modelo de inferencia es correcta, si hay comportamientos maliciosos, etc. La inferencia en Web3 generalmente se puede integrar en contratos inteligentes, al invocar el modelo para realizar la inferencia, los métodos de verificación comunes incluyen tecnologías como ZKML, OPML y TEE. Proyectos representativos como el oráculo de IA en cadena de ORA (OAO), han introducido OPML como la capa verificable para el oráculo de IA, en el sitio web oficial de ORA también se menciona su investigación sobre ZKML y opp/ai (ZKML combinado con OPML).

Capa de aplicación:

Esta capa está principalmente orientada a aplicaciones dirigidas al usuario, combinando la IA con Web3 para crear más formas interesantes e innovadoras de jugar. Este artículo se centra principalmente en los proyectos de AIGC (Contenido Generado por IA), agentes de IA y análisis de datos.

• AIGC: A través de AIGC se puede expandir a las áreas de NFT, juegos y más en Web3, los usuarios pueden generar texto, imágenes y audio directamente mediante Prompt (palabras clave proporcionadas por el usuario), e incluso pueden generar contenidos personalizados en los juegos de acuerdo a sus preferencias.