Rapport panoramique sur le secteur Web3-AI : analyse approfondie de la logique technique, des applications scénaristiques 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'utilisation et des projets représentatifs du secteur Web3-AI a été réalisée, vous présentant ainsi un panorama complet et les tendances de développement de ce domaine.

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

1.1 La logique de fusion entre Web3 et AI : comment définir le secteur Web-AI

Au cours de l'année écoulée, la narration par l'IA a connu un succès exceptionnel dans l'industrie du Web3, avec des projets d'IA qui ont surgi comme des champignons après la pluie. Bien qu'il existe de nombreux projets impliquant des technologies d'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 d'IA. Par conséquent, ces types de 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 de relations de production et sur des projets où l'IA résout les problèmes de productivité. Ces projets fournissent eux-mêmes des produits d'IA tout en se basant sur un modèle économique Web3 comme outil de relations de production, les deux se complétant mutuellement. Nous classons ces types de projets dans la catégorie Web3-AI. Afin de permettre aux lecteurs de mieux comprendre la catégorie Web3-AI, nous allons expliquer le processus de développement de l'IA et ses défis, ainsi que comment 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 de l'IA 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 de langues, de la classification d'images à la reconnaissance faciale, à la conduite autonome, etc. L'IA est en train de changer notre manière de vivre et de travailler.

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

1. Collecte de données et prétraitement des données : collectez un ensemble de données d'images contenant des chats et des chiens, en utilisant un ensemble de données public ou en collectant vous-même des données réelles. Ensuite, étiquetez chaque image avec la catégorie ( chat ou chien ), en veillant à ce que les étiquettes soient exactes. Transformez les images en un format que le modèle peut reconnaître, puis divisez l'ensemble de données en ensemble d'entraînement, ensemble de validation et ensemble de test.

2. Choix et ajustement du modèle : choisir un modèle approprié, par exemple un réseau de neurones convolutifs (CNN), qui convient bien aux tâches de classification d'images. Ajuster les paramètres ou l'architecture du modèle en fonction des besoins différents, généralement, la profondeur du réseau du modèle peut être ajustée en fonction de la complexité de la tâche d'IA. Dans cet exemple simple de classification, une profondeur de réseau moins élevée peut suffire.

3. Entraînement du modèle : il est possible d'utiliser un GPU, un TPU ou un cluster 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 de modèle : Les fichiers de modèle entraînés sont généralement appelés poids de modèle. Le processus d'inférence fait référence à l'utilisation d'un modèle déjà entraîné pour prédire ou classer de nouvelles données. Ce processus peut utiliser un ensemble de test ou de nouvelles données pour évaluer les performances de classification du modèle, généralement en utilisant des indicateurs tels que la précision, le rappel et le score F1 pour évaluer l'efficacité du modèle.

Comme indiqué sur la figure, après la collecte de données et le prétraitement des données, le choix et l'ajustement du modèle, et l'entraînement, l'inférence du modèle entraîné sur l'ensemble de test donnera les valeurs prédictives de chat et de chien P(probabilité), c'est-à-dire la probabilité que le modèle infère qu'il s'agit d'un chat ou d'un chien.

Un modèle d'IA entraîné peut être intégré dans diverses applications pour exécuter différentes tâches. Dans cet exemple, un modèle d'IA pour la 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 les scénarios centralisés, 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.

Sources de données : Les petites équipes ou les particuliers peuvent être confrontés à des limitations d'accès aux données non ouvertes lorsqu'ils obtiennent des données spécifiques dans des domaines comme la médecine (.

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

Acquisition 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 représenter un fardeau économique significatif.

Revenu des actifs AI : Les travailleurs de l'annotation de données ont souvent du mal à obtenir un revenu proportionnel à leurs efforts, et les résultats de recherche des développeurs d'IA peinent également à correspondre aux acheteurs en demande.

Les défis existants dans les scénarios d'IA centralisée peuvent être surmontés en les combinant avec le Web3, le Web3 étant une nouvelle forme de relation de production qui s'adapte naturellement à l'IA représentant une nouvelle productivité, ce qui permet de faire progresser simultanément la technologie et les capacités de production.

) 1.3 La synergie entre Web3 et l'IA : transformation des rôles et applications innovantes

La combinaison de Web3 et de l'IA peut renforcer la souveraineté des utilisateurs, en fournissant une plateforme de collaboration IA ouverte, permettant aux utilisateurs de passer de simples utilisateurs d'IA de l'ère Web2 à des participants, créant une IA que tout le monde peut posséder. Parallèlement, l'intégration du monde Web3 et des technologies IA peut également donner naissance à davantage de scénarios d'application innovants et de nouvelles façons de jouer.

Grâce à la technologie Web3, le développement et l'application de l'IA vont connaître un tout nouveau système économique collaboratif. La vie privée des données des utilisateurs peut être protégée, le modèle de crowdsourcing des données favorise le progrès des modèles d'IA, de nombreuses ressources d'IA open source sont disponibles pour les utilisateurs, et la puissance de calcul partagée peut être obtenue à un coût relativement bas. Avec l'aide d'un mécanisme de crowdsourcing collaboratif décentralisé et d'un marché de l'IA ouvert, il est possible d'atteindre un système de distribution des revenus équitable, ce qui incite davantage de personnes à faire avancer la technologie de l'IA.

Dans le contexte 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 regroupement social, et bien d'autres fonctionnalités. L'IA générative permet non seulement aux utilisateurs de vivre le rôle d'"artiste", comme en créant leur propre NFT avec des technologies d'IA, mais aussi de créer des scènes de jeu variées et des expériences d'interaction intéressantes dans le GameFi. Une infrastructure riche offre une expérience de développement fluide, que ce soit pour les experts en IA ou pour les 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 avons classé ces projets en différentes couches. La logique de classification de chaque couche est illustrée ci-dessous, incluant la couche d'infrastructure, la couche intermédiaire et la couche d'application, chaque couche étant elle-même divisée en différents segments. Dans le chapitre suivant, nous effectuerons une analyse approfondie de certains projets représentatifs.

La couche d'infrastructure couvre les ressources de calcul et l'architecture technique qui soutiennent l'ensemble du cycle de vie de l'IA, tandis que la couche intermédiaire inclut 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.

![Web3-AI Panorama du rapport sur les pistes : Analyse approfondie de la logique technologique, des applications de scène et des projets de premier plan]###https://img-cdn.gateio.im/webp-social/moments-c10336df2eaf71062b92590bb9d80a4c.webp(

Infrastructure Layer :

La couche d'infrastructure est la base du cycle de vie de l'IA. Cet article classe la puissance de calcul, la chaîne d'IA et la plateforme de développement comme appartenant à 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 des ressources de calcul efficace et économique. Certains projets ont mis en place un marché de puissance de calcul décentralisé, permettant aux utilisateurs de louer de la puissance de calcul à faible coût ou de partager la puissance pour obtenir des revenus, avec des projets représentatifs comme IO.NET et Hyperbolic. De plus, certains projets ont dérivé de nouveaux modes de jeu, tels que Compute Labs, qui ont proposé un protocole tokenisé, permettant aux utilisateurs d'acheter des NFT représentant des entités GPU, et de participer de différentes manières à la location de puissance de calcul pour obtenir des revenus.

• AI Chain : Utiliser la blockchain comme base du cycle de vie de l'IA, réaliser une interaction transparente entre les ressources IA sur chaîne et hors chaîne, et promouvoir le développement de l'écosystème industriel. Le marché décentralisé de l'IA sur la chaîne peut échanger des actifs IA tels que des données, des modèles, des agents, etc., et fournir un cadre de développement IA et des outils de développement associés, avec des projets représentatifs comme Sahara AI. AI Chain peut également favoriser les avancées technologiques en IA dans différents domaines, comme Bittensor qui stimule la compétition 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, entraîner et déployer plus facilement des modèles IA, avec des projets représentatifs tels que Nimble. Ces infrastructures favorisent l'application généralisée des technologies IA dans l'écosystème Web3.

Couche intermédiaire :

Ce niveau implique des données AI, des modèles ainsi que le raisonnement et la validation. 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 influençant l'efficacité de l'entraînement des modèles. Dans le monde de 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 respect de la protection de la vie privée, afin d'éviter que des commerçants malveillants ne volent leurs données et n'en tirent de gros profits. Pour les demandeurs de données, ces plateformes offrent un large éventail de choix et des coûts très bas. Des projets représentatifs comme Grass utilisent la bande passante des utilisateurs pour extraire des données du Web, xData collecte des informations médiatiques via un plugin convivial et prend en charge le téléchargement d'informations de tweets par les utilisateurs.

De plus, certaines plateformes permettent à des experts de domaine ou à des utilisateurs ordinaires d'effectuer des tâches de prétraitement des données, telles que l'annotation d'images et la classification des données. Ces tâches peuvent nécessiter une expertise en traitement des données financières et juridiques. Les utilisateurs peuvent tokeniser leurs compétences et réaliser une collaboration en crowdsourcing pour le prétraitement des données. Des marchés d'IA comme Sahara AI présentent des tâches de données dans différents domaines, pouvant couvrir des scénarios de données multidisciplinaires ; tandis qu'AIT Protocolt effectue l'annotation des données par le biais d'une collaboration homme-machine.

• Modèle : Dans le processus de développement de l'IA mentionné précédemment, différents types de besoins nécessitent d'adapter le modèle approprié. Les modèles couramment utilisés pour les tâches d'image incluent CNN et GAN, pour les tâches de détection d'objets, vous pouvez choisir la série Yolo, et pour les tâches textuelles, les modèles courants incluent RNN, Transformer, etc. Bien sûr, il existe également certains modèles spécifiques ou généraux. La profondeur des modèles nécessaires varie selon la complexité des tâches, et il peut parfois être nécessaire d'ajuster les modèles.

Certains projets permettent aux utilisateurs de fournir différents types de modèles ou de collaborer à l'entraînement de modèles par le biais de l'intelligence collective, comme Sentient qui, grâce à un design modulaire, permet aux utilisateurs de placer des données de modèles fiables dans les couches de stockage et de distribution pour optimiser les modèles. Les outils de développement fournis par Sahara AI intègrent des algorithmes avancés d'IA et un cadre de calcul, et possèdent la capacité d'entraînement collaboratif.

• Inférence et validation : Après l'entraînement du modèle, un fichier de poids du modèle est généré, pouvant être utilisé pour des classifications, des prédictions ou d'autres tâches spécifiques, ce processus est appelé inférence. Le processus d'inférence est généralement accompagné d'un mécanisme de validation pour vérifier si l'origine du modèle d'inférence est correcte et s'il n'y a pas de 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 validation 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 le site officiel d'ORA mentionne également leurs recherches sur la combinaison de ZKML et opp/ai ) ZKML avec OPML (.

Couche d'application :

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

• AIGC : Grâce à AIGC, il est possible de s'étendre vers des secteurs tels que les NFT et les jeux dans Web3. Les utilisateurs peuvent directement générer du texte, des images et de l'audio à partir des mots clés fournis par l'utilisateur via Prompt), et même créer des modes de jeu personnalisés selon leurs préférences. Des projets NFT tels que NFPrompt permettent aux utilisateurs de générer des NFT via l'IA et de les échanger sur le marché ; des jeux comme Sleepless permettent aux utilisateurs de façonner la personnalité de leur partenaire virtuel par le biais de dialogues pour correspondre à leurs préférences ;

• Agent AI : désigne un système d'intelligence artificielle capable d'exécuter des tâches de manière autonome et de prendre des décisions. Les agents AI possèdent généralement des capacités de perception, de raisonnement, d'apprentissage et d'action, leur permettant d'exécuter des tâches complexes dans divers environnements. Des agents AI courants incluent la traduction linguistique, l'apprentissage des langues,