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

Con el continuo auge de la narrativa de IA, cada vez más atención se centra en este campo. Hemos realizado un análisis profundo de la lógica técnica, los escenarios de aplicación y los proyectos representativos de la pista Web3-AI, para presentarle una visión completa y las tendencias de desarrollo en este ámbito.

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

1.1 Lógica de integración de Web3 y AI: ¿cómo definir la pista Web-AI?

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

El enfoque de este artículo está en proyectos que utilizan blockchain para resolver problemas de relaciones de producción y AI para resolver problemas de productividad. Estos proyectos en sí mismos ofrecen productos de AI, al mismo tiempo que se basan en modelos económicos de Web3 como herramientas de relaciones de producción, siendo ambos complementarios. Clasificamos este tipo de proyectos como la categoría Web3-AI. Para que los lectores comprendan mejor la categoría Web3-AI, ampliaremos la introducción sobre el proceso de desarrollo y los desafíos de AI, así como cómo la combinación de Web3 y AI puede resolver problemas de manera perfecta y crear nuevos escenarios de aplicación.

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

La tecnología de IA es una técnica que permite a las computadoras simular, ampliar y mejorar la inteligencia humana. Puede permitir que las computadoras realicen diversas tareas complejas, desde la traducción de idiomas, la clasificación de imágenes hasta el reconocimiento facial y la conducción autónoma. 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 de modelos, entrenamiento de modelos 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 pueden utilizar conjuntos de datos públicos o recopilar datos reales por cuenta propia. Luego, etiquetar cada imagen con su categoría (gato o perro), asegurando que las etiquetas sean precisas. Convertir las imágenes a un formato que el modelo pueda reconocer, dividiendo 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 las diferentes necesidades; en general, la profundidad de la red del modelo se puede ajustar según la complejidad de la tarea de IA. En este simple ejemplo de clasificación, una red menos profunda podría ser suficiente.

3. Entrenamiento del modelo: Se pueden utilizar GPU, TPU o clústeres de computación de alto rendimiento para entrenar el modelo, y el tiempo de entrenamiento está influenciado por la complejidad del modelo y la capacidad de cómputo.

4. Inferencia del modelo: El archivo del modelo entrenado se suele denominar peso del modelo, y el proceso de inferencia se refiere a utilizar un modelo ya entrenado para predecir o clasificar nuevos datos. En este proceso, se puede utilizar un conjunto de pruebas o nuevos datos para evaluar el rendimiento de clasificación del modelo, y normalmente se utilizan indicadores como la precisión, la tasa de recuperación y el F1-score para evaluar la efectividad del modelo.

Como se muestra en la figura, después de la recolección de datos y el preprocesamiento de datos, la selección y ajuste del modelo, así como el entrenamiento, al realizar la inferencia del modelo entrenado en el conjunto de prueba se obtendrán los valores de predicción P (probabilidad) de gato y perro, es decir, la probabilidad de que el modelo infiera que es un gato o un perro.

Un modelo de IA entrenado puede integrarse aún más en diversas aplicaciones para realizar 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 los resultados de clasificación.

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

Privacidad del usuario: En un escenario centralizado, el proceso de desarrollo de la IA suele ser opaco. Los datos del usuario pueden ser robados y utilizados para el entrenamiento de IA sin su conocimiento.

Obtención de fuentes de datos: equipos pequeños o individuos pueden enfrentar limitaciones de no acceso a datos en áreas específicas (como datos médicos) al intentar obtenerlos.

Selección y ajuste de modelos: para equipos pequeños, es difícil obtener recursos de modelos específicos del campo o gastar grandes 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 la investigación de los desarrolladores de IA también son difíciles de igualar con los compradores que tienen demanda.

Los desafíos existentes en los escenarios de IA centralizada pueden superarse mediante la combinación con Web3. Web3, como una nueva forma de relación de producción, se adapta de manera natural a la IA, que representa una nueva forma de productividad, impulsando así el progreso simultáneo de la tecnología y la capacidad de producción.

1.3 La sinergia entre Web3 y AI: Transformaciones de roles y aplicaciones innovadoras

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

Basado en la tecnología Web3, el desarrollo y la aplicación de la IA darán lugar a un nuevo sistema económico colaborativo. La privacidad de los datos de las personas puede ser garantizada, el modelo de trabajo colectivo de datos promueve el avance de los modelos de IA, y numerosos recursos de IA de código abierto están disponibles para los usuarios, mientras que la potencia de cálculo compartida se puede obtener a un costo relativamente bajo. Con la ayuda de un mecanismo de colaboración descentralizado y un mercado de IA abierto, se puede lograr un sistema de distribución de ingresos justo, lo que incentivará a más personas a impulsar el progreso de la tecnología de IA.

En el escenario de Web3, la IA puede tener un impacto positivo en múltiples frentes. Por ejemplo, los modelos de IA pueden integrarse en contratos inteligentes para mejorar la eficiencia del trabajo en diferentes aplicaciones, como análisis de mercado, detección de seguridad, clustering social y muchas otras funciones. La IA generativa no solo permite a los usuarios experimentar el papel de "artista", como crear su propio NFT utilizando tecnología de IA, sino que también puede crear escenarios de juego diversos y experiencias interactivas interesantes en GameFi. Una infraestructura rica proporciona una experiencia de desarrollo fluida, tanto para expertos en IA como para principiantes que desean ingresar al campo de la IA, encontrando así un punto de entrada adecuado en este mundo.

Dos, Interpretación del Mapa y la Estructura de los Proyectos Ecosistémicos Web3-AI

Hemos investigado principalmente 41 proyectos en la pista de Web3-AI y hemos clasificado estos proyectos en diferentes niveles. La lógica de clasificación de cada nivel se muestra en la siguiente imagen, que incluye la capa de infraestructura, la capa intermedia y la capa de aplicación, y cada nivel se divide en diferentes secciones. En el próximo capítulo, realizaremos un análisis profundo de algunos proyectos representativos.

La capa de infraestructura abarca los recursos computacionales y la arquitectura técnica que soportan el funcionamiento de 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 validación que conectan la infraestructura con las aplicaciones, y la capa de aplicación se centra en diversas aplicaciones y soluciones dirigidas directamente a los usuarios.

Capa de infraestructura:

La capa de infraestructura es la base del ciclo de vida de la IA. En este artículo, la potencia de cálculo, la cadena de IA y la plataforma de desarrollo se clasifican como 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, presentando aplicaciones de IA potentes y útiles a los usuarios.

• Red de computación descentralizada: puede proporcionar potencia de cálculo distribuida para el entrenamiento de modelos de IA, asegurando un uso eficiente y económico de los recursos de cálculo. Algunos proyectos ofrecen un mercado de potencia de cálculo descentralizado, donde los usuarios pueden alquilar potencia de cálculo a bajo costo o compartir potencia de cálculo para obtener ingresos, representados por proyectos como IO.NET y Hyperbolic. Además, algunos proyectos han derivado nuevas formas de juego, como Compute Labs, que han propuesto un protocolo tokenizado, donde los usuarios pueden participar en el alquiler de potencia de cálculo para obtener ingresos 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 cadena y fuera de ella, promoviendo el desarrollo del ecosistema industrial. El mercado descentralizado de IA en la cadena puede comerciar activos de IA como datos, modelos, agentes, etc., y ofrece un marco de desarrollo de IA y herramientas de desarrollo complementarias, representado por proyectos como Sahara AI. AI Chain también puede promover el avance de la tecnología de IA en diferentes campos, como Bittensor, que fomenta la competencia entre subredes de diferentes tipos de IA a través de un innovador mecanismo de incentivos para subredes.

• Plataforma de desarrollo: algunos proyectos ofrecen plataformas de desarrollo de agentes de IA, que también pueden realizar transacciones 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, representados 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 validación, y la implementación de tecnología Web3 puede lograr una mayor eficiencia laboral.

• Datos: La calidad y cantidad de los datos son factores clave que afectan la efectividad del entrenamiento de modelos. En el mundo de Web3, a través de datos de crowdsourcing y procesamiento colaborativo de datos, se puede optimizar el uso de recursos y reducir los costos de datos. Los usuarios pueden tener autonomía sobre sus datos, y bajo la protección de la privacidad, pueden vender sus propios datos para evitar que comerciantes malintencionados los roben y obtengan grandes 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 complementos amigables para el usuario y permite a los usuarios subir información de tuits.

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, tareas que pueden requerir conocimientos especializados en finanzas y en el procesamiento de datos legales. Los usuarios pueden tokenizar sus habilidades, logrando una colaboración en la externalización del preprocesamiento de datos. Ejemplos como el mercado de IA de Sahara AI tienen tareas de datos en diferentes campos, cubriendo así escenarios de datos multicanal; mientras que AIT Protocolt anota los datos a través de una colaboración humano-máquina.

• Modelo: En el proceso de desarrollo de IA mencionado anteriormente, diferentes tipos de necesidades requieren la coincidencia con el modelo adecuado. Modelos comúnmente utilizados para tareas de imagen incluyen CNN y GAN; para tareas de detección de objetos, se puede elegir de la serie Yolo; para tareas de texto, los modelos comunes incluyen RNN y Transformer, y 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 realizar ajustes en el modelo.

Algunos proyectos permiten a los usuarios proporcionar diferentes tipos de modelos o colaborar en el entrenamiento de modelos a través de métodos de crowdsourcing, como Sentient, que mediante un diseño modular, permite a los usuarios almacenar datos de modelos confiables en la capa de almacenamiento y distribución para la optimización de modelos. Las herramientas de desarrollo proporcionadas por Sahara AI incorporan algoritmos de IA avanzados y marcos de cálculo, y tienen la capacidad de entrenamiento colaborativo.

• Inferencia y verificación: Después de que el modelo ha sido entrenado, generará archivos de pesos del modelo que se pueden utilizar para clasificación, predicción u otras tareas específicas. Este proceso se llama inferencia. El proceso de inferencia generalmente va acompañado de mecanismos de verificación para validar si la fuente del modelo de inferencia es correcta y si hay comportamientos maliciosos, etc. La inferencia en Web3 a menudo se puede integrar en contratos inteligentes, llamando al 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 ORA (OAO) han introducido OPML como una capa verificable para el oráculo de IA. En el sitio web oficial de ORA también mencionaron su investigación sobre ZKML y opp/ai (ZKML combinado con OPML).

Capa de aplicación:

Esta capa se centra principalmente en aplicaciones dirigidas directamente a los usuarios, combinando la IA con Web3 para crear más formas interesantes e innovadoras de jugar. Este artículo se centra en los proyectos de AIGC (contenido generado por IA), agentes de IA y análisis de datos.

• AIGC: a través de AIGC se puede