Rapport panoramique sur le secteur Web3-AI : analyse approfondie de la logique technique, des applications de scène et des projets de premier plan

Avec la montée en puissance de la narration par l'IA, de plus en plus d'attention se concentre sur ce secteur. Une analyse approfondie de la logique technique, des cas d'application et des projets représentatifs du secteur Web3-AI a été réalisée pour vous présenter une vue d'ensemble et les tendances de développement de ce domaine.

I. Web3-AI : Analyse de la logique technique et des opportunités de marché émergentes

1.1 Logique de la fusion entre Web3 et AI : comment définir le secteur Web-AI

Au cours de l'année passée, la narration par IA a connu un succès exceptionnel dans l'industrie Web3, avec des projets IA qui ont surgi comme des champignons après la pluie. Bien qu'il existe de nombreux projets impliquant des technologies IA, certains projets n'utilisent l'IA que dans certaines parties de leurs produits, et l'économie des jetons sous-jacente n'a pas de lien substantiel avec les 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, tandis que l'IA résout les problèmes de productivité, ces projets fournissent eux-mêmes des produits d'IA, tout en étant basés sur des modèles économiques Web3 comme outils de relations de production, les deux se complétant mutuellement. Nous classons ces projets dans la catégorie des pistes Web3-AI. Afin de permettre aux lecteurs de mieux comprendre la piste Web3-AI, nous allons présenter le processus de développement de l'IA et les défis associés, ainsi que la manière dont la combinaison de Web3 et de l'IA peut parfaitement résoudre des problèmes et créer de nouveaux cas d'utilisation.

1.2 Le processus de développement de l'IA et les 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, allant de la traduction linguistique, de la classification d'images à la reconnaissance faciale, en passant par des applications telles que la conduite autonome. L'IA change notre façon de vivre et de travailler.

Le processus de développement d'un modèle d'intelligence artificielle comprend généralement les étapes clés suivantes : collecte et prétraitement des données, sélection et optimisation du modèle, entraînement et inférence du modèle. Prenons un exemple simple, pour développer un modèle qui classe les images de chats et de chiens, vous devez :

1. Collecte de données et prétraitement des données : collecter un ensemble de données contenant des images de chats et de chiens, en utilisant des ensembles de données publics ou en collectant soi-même des données réelles. Ensuite, étiqueter chaque image avec une catégorie (chat ou chien), en veillant à ce que les étiquettes soient exactes. Convertir les images dans un format que le modèle peut reconnaître, diviser l'ensemble de données en ensemble d'entraînement, ensemble de validation et ensemble de test.

2. Choix et ajustement du modèle : Choisissez un modèle approprié, tel que le réseau de neurones convolutionnel (CNN), qui est particulièrement adapté aux tâches de classification d'images. Ajustez les paramètres ou l'architecture du modèle en fonction des besoins différents. En général, la profondeur du réseau peut être ajustée en fonction de la complexité de la tâche AI. Dans cet exemple simple de classification, une architecture de réseau plus superficielle pourrait suffire.

3. Entraînement du modèle : vous pouvez utiliser des GPU, des 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 puissance de calcul.

4. 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, un ensemble de test ou de nouvelles données peut être utilisé pour tester l'efficacité de la classification du modèle, généralement évaluée à l'aide d'indicateurs tels que la précision, le rappel et le score F1.

Après la collecte de données et le prétraitement des données, le choix et l'ajustement du modèle, et l'entraînement, le modèle entraîné est utilisé pour l'inférence sur le jeu de test afin d'obtenir les valeurs de prédiction pour les chats et les chiens P (probabilité), 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, le modèle d'IA de classification des chats et des chiens peut être intégré dans une application mobile, où les utilisateurs téléchargent 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.

Obtention des sources de données : les petites équipes ou les individus peuvent faire face à des restrictions concernant l'absence d'ouverture des données lors de l'acquisition de données dans des domaines spécifiques (comme les données médicales).

Sélection et ajustement des modèles : pour les petites équipes, il est difficile d'accéder à des ressources de modèles spécifiques ou de dépenser beaucoup d'argent pour l'ajustement des modèles.

Obtention de puissance de calcul : pour les développeurs individuels et les petites équipes, le coût élevé d'achat de GPU et les frais de location de puissance de calcul dans le cloud peuvent constituer un fardeau économique significatif.

Revenus des actifs AI : Les travailleurs de l'annotation de données ont souvent du mal à obtenir des revenus correspondant à leurs efforts, tandis que les résultats de recherche des développeurs d'IA sont également difficiles à faire correspondre avec des acheteurs en demande.

Les défis existant dans les scénarios d'IA centralisés peuvent être surmontés en les combinant avec le Web3, ce dernier étant une nouvelle forme de relation de production, s'adaptant naturellement à l'IA représentant une nouvelle productivité, ce qui pousse à une avancée simultanée des technologies et des capacités de production.

1.3 Web3 et l'effet synergique de l'IA : transformation des rôles 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 d'utilisateurs d'IA à l'ère Web2 à participants, créant une IA que tout le monde peut posséder. En même temps, la fusion du monde Web3 et des technologies de l'IA peut également donner lieu à davantage de scénarios d'application innovants et de nouvelles façons de jouer.

Avec la technologie Web3, le développement et l'application de l'IA entreront dans un nouveau système économique collaboratif. La vie privée des données des utilisateurs sera protégée, le modèle de crowdsourcing des données favorisera l'avancement des modèles d'IA, de nombreuses ressources d'IA open source seront disponibles pour les utilisateurs, et la puissance de calcul partagée pourra être obtenue à un coût réduit. Grâce à un mécanisme de collaboration décentralisé et à un marché ouvert de l'IA, un système de distribution des revenus équitable pourra être mis en place, incitant ainsi davantage de personnes à promouvoir l'avancement de la technologie IA.

Dans le cadre 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 du 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'"artiste", par exemple en utilisant la technologie IA pour créer leurs propres NFT, mais elle peut également créer des scènes de jeu variées et des expériences interactives intéressantes dans GameFi. Une infrastructure riche offre une expérience de développement fluide, que ce soit pour des experts en IA ou des novices souhaitant 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 écosystémiques Web3-AI

Nous avons principalement étudié 41 projets dans le domaine Web3-AI et les avons classés en différentes couches. La logique de classification de chaque couche est illustrée ci-dessous, y compris la couche d'infrastructure, la couche intermédiaire et la couche d'application, chacune étant subdivisée en différents segments. 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 qui soutiennent l'ensemble du cycle de vie de l'IA, tandis que la couche intermédiaire comprend la gestion des données, le développement de modèles et les services de validation et d'inférence qui relient l'infrastructure aux applications. La couche d'application se concentre sur les diverses applications et solutions directement destinées aux utilisateurs.

Infrastructure Layer :

La couche d'infrastructure est la base du cycle de vie de l'IA. Cet article classifie la puissance de calcul, la chaîne AI et la plateforme de développement comme faisant partie de la couche d'infrastructure. C'est grâce à 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 des marchés de puissance de calcul décentralisés, où les utilisateurs peuvent louer de la puissance de calcul à faible coût ou partager de la puissance de calcul pour obtenir des revenus, des projets représentatifs comme IO.NET et Hyperbolic. De plus, certains projets ont dérivé de nouvelles façons de faire, comme Compute Labs, qui propose un protocole tokenisé, permettant aux utilisateurs d'acheter des NFT représentant des GPU physiques et de participer de différentes manières à la location de puissance de calcul pour générer des revenus.

• AI Chain : Utiliser la blockchain comme base du cycle de vie de l'IA, permettant une interaction transparente entre les ressources d'IA sur la chaîne et hors de la chaîne, et favorisant le développement de l'écosystème industriel. Le marché décentralisé de l'IA sur la chaîne peut échanger des actifs d'IA tels que des données, des modèles, des agents, etc., et fournir un cadre de développement d'IA ainsi que des outils de développement associés, avec des projets représentatifs tels que Sahara AI. AI Chain peut également favoriser les progrès technologiques de l'IA dans différents domaines, comme Bittensor qui stimule la concurrence 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, former et déployer des modèles IA plus facilement, comme le projet Nimble. Cette infrastructure favorise l'application généralisée des technologies IA dans l'écosystème Web3.

Couche intermédiaire :

Ce niveau concerne les données, modèles et inférences AI, et l'utilisation de la technologie Web3 peut permettre une plus grande efficacité au travail.

• Données : La qualité et la quantité des données sont des facteurs clés qui influencent l'efficacité de l'entraînement des modèles. Dans le monde du Web3, l'optimisation de l'utilisation des ressources et la réduction des coûts des données peuvent être réalisées grâce à des données crowdsourcées et à un traitement collaboratif des données. Les utilisateurs peuvent avoir le contrôle de leurs données et vendre leurs propres données dans le cadre d'une protection de la vie privée, afin d'éviter que des commerçants malveillants ne volent leurs données et n'en tirent des profits élevés. Pour les demandeurs de données, ces plateformes offrent un large choix à des coûts très bas. 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 de tweets.

De plus, certaines plateformes permettent aux experts de domaine ou aux utilisateurs ordinaires d'exécuter des tâches de prétraitement des données, telles que l'annotation d'images et la classification des données, qui peuvent nécessiter des connaissances spécialisées en finance et en droit pour le traitement des données. Les utilisateurs peuvent tokeniser leurs compétences pour réaliser une collaboration en mode crowdsourcing pour le prétraitement des données. Par exemple, le marché AI comme Sahara AI propose des tâches de données dans différents domaines, pouvant couvrir des scénarios de données multinationaux ; tandis que le protocole AIT effectue l'annotation des données par une méthode de collaboration homme-machine.

• Modèle : Comme mentionné précédemment dans le processus de développement de l'IA, différents types de besoins nécessitent d'associer des modèles appropriés. Les modèles couramment utilisés pour les tâches d'image incluent CNN et GAN, pour les tâches de détection d'objets, on peut choisir la série Yolo, et pour les tâches de texte, les modèles courants incluent RNN et Transformer, bien sûr, il existe également certains grands modèles spécifiques ou généraux. La profondeur des modèles nécessaires pour des tâches de complexité différente varie également, 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 l'innovation collective, comme Sentient qui, grâce à un design modulaire, permet aux utilisateurs de placer des données de modèles fiables dans la couche de stockage et la couche de distribution pour l'optimisation des modèles. Les outils de développement fournis par Sahara AI intègrent des algorithmes d'IA avancés et un cadre de calcul, et disposent de la capacité d'entraînement collaboratif.

• Inférence et vérification : Après l'entraînement, le modèle génère un fichier de poids du modèle, qui peut être utilisé pour la classification, la prédiction ou d'autres tâches spécifiques, ce processus est appelé inférence. Le processus d'inférence est généralement accompagné d'un mécanisme de vérification pour valider 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 vérification courantes incluent des technologies telles que ZKML, OPML et TEE. Des projets représentatifs comme l'oracle AI sur la chaîne ORA (OAO) ont introduit OPML comme couche vérifiable pour l'oracle AI, et leur site officiel mentionne également leurs recherches sur ZKML et opp/ai (ZKML combiné avec OPML).

Couche applicative :

Ce niveau est principalement constitué d'applications destinées aux utilisateurs, combinant l'IA avec le Web3 pour créer des expériences plus intéressantes et innovantes. Cet article passe en revue les projets dans plusieurs domaines, notamment AIGC (contenu généré par l'IA), les agents IA et l'analyse de données.

• AIGC : Grâce à AIGC, il est possible de s'étendre dans les domaines du NFT, des jeux, etc. dans le Web3. Les utilisateurs peuvent directement générer du texte, des images et de l'audio via des prompts (mots-clés fournis par l'utilisateur), et même générer des contenus personnalisés dans les jeux selon leurs préférences.