Relatório de Panorama da Corrida Web3-AI: Análise Profunda da Lógica Técnica, Aplicações de Cenário e Projetos de Topo

Com o aumento contínuo da narrativa de IA, cada vez mais atenção está sendo dada a este setor. Este artigo analisa profundamente a lógica técnica, os cenários de aplicação e os projetos representativos do setor Web3-AI, apresentando uma visão abrangente e as tendências de desenvolvimento neste campo.

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

1.1 A lógica da fusão entre Web3 e AI: como definir a pista Web-AI

No último ano, a narrativa de IA tem estado excepcionalmente em alta na indústria Web3, com projetos de IA a surgir como cogumelos após a chuva. Embora muitos projetos envolvam tecnologia de IA, alguns projetos utilizam IA apenas em certas partes de seus produtos, e a economia de tokens subjacente não tem relação 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 e a IA para resolver problemas de produtividade. Esses projetos oferecem produtos de IA e, ao mesmo tempo, utilizam modelos econômicos Web3 como ferramentas de relações de produção, sendo que ambos se complementam. Nós classificamos esses projetos como a trilha Web3-AI. Para que os leitores compreendam melhor a trilha Web3-AI, a seguir será apresentada uma introdução ao processo de desenvolvimento da IA e aos desafios, bem como à forma como a combinação entre Web3 e IA pode resolver problemas e criar novos cenários de aplicação.

1.2 O processo de desenvolvimento de 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 aumentem a inteligência humana. Ela permite que os computadores executem várias tarefas complexas, desde tradução de idiomas, classificação de imagens até reconhecimento facial e aplicações de condução automática, a IA está mudando a maneira como vivemos e trabalhamos.

O processo de desenvolvimento de modelos de inteligência artificial geralmente 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 precisaria:

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), garantindo que os rótulos estejam corretos. Converter as imagens para um formato que o modelo possa reconhecer, dividindo o conjunto de dados em conjunto de treinamento, conjunto de validação e conjunto de teste.

2. Seleção e ajuste de modelos: escolher o modelo adequado, como redes neurais convolucionais (CNN), que são mais adequadas para tarefas de classificação de imagens. Ajustar os parâmetros ou a arquitetura do modelo de acordo com diferentes necessidades; geralmente, os níveis de rede do modelo podem ser ajustados com base na complexidade da tarefa de IA. Neste exemplo simples de classificação, uma rede com níveis mais rasos pode ser suficiente.

3. Treinamento do modelo: é possível usar GPU, TPU ou clusters de computação de alto desempenho para treinar o modelo, sendo que o tempo de treinamento é influenciado pela complexidade do modelo e pela capacidade de cálculo.

4. Inferência do modelo: Os arquivos de modelo que foram treinados são geralmente chamados de pesos do modelo. O processo de inferência refere-se ao uso de um modelo já treinado para prever ou classificar novos dados. Neste processo, pode-se usar um conjunto de testes ou novos dados para avaliar a eficácia da classificação do modelo, geralmente utilizando 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 de modelo, e treinamento, a inferência do modelo treinado no conjunto de teste resultará nos valores preditivos de gato e cachorro P (probabilidade), ou seja, a probabilidade de o modelo inferir que é um gato ou um cachorro.

Os modelos de IA treinados podem ser integrados em várias aplicações para executar diferentes tarefas. Neste exemplo, um modelo de IA para classificação de gatos e cães pode ser integrado numa aplicação móvel, onde os utilizadores enviam imagens de gatos ou cães e recebem os resultados da classificação.

No entanto, o processo de desenvolvimento de IA centralizada apresenta alguns problemas nos seguintes cenários:

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

Obtenção de fontes de dados: pequenas equipas ou indivíduos podem enfrentar limitações na obtenção de dados específicos de domínio (como dados médicos) devido à falta de abertura dos dados.

Seleção e ajuste de modelos: para pequenas equipas, é difícil obter recursos de modelos específicos ou gastar muito dinheiro na afinação de modelos.

A aquisição de poder de computação: para desenvolvedores individuais e pequenas equipas, os altos custos de compra de GPU e as taxas de aluguer de poder de computação na nuvem podem representar um fardo económico significativo.

Rendimento de ativos de IA: os trabalhadores de rotulagem de dados muitas vezes não conseguem obter um rendimento que corresponda ao seu esforço, e os resultados de pesquisa dos desenvolvedores de IA também têm dificuldade em se alinhar com os 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 forma de relação de produção, se adapta naturalmente à IA, que representa uma nova força produtiva, promovendo assim o progresso simultâneo da tecnologia e da capacidade produtiva.

1.3 A sinergia entre Web3 e AI: Mudança de papéis e aplicações inovadoras

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

Baseada na tecnologia Web3, o desenvolvimento e a aplicação da IA irão acolher um novo sistema económico colaborativo. A privacidade dos dados das pessoas pode ser garantida, o modelo de crowdsourcing de dados promove o avanço dos modelos de IA, e muitos recursos de IA de código aberto estão disponíveis para os utilizadores, enquanto a capacidade computacional partilhada pode ser obtida a um custo mais baixo. Com a ajuda de um mecanismo descentralizado de colaboração e crowdsourcing e de um mercado de IA aberto, pode-se alcançar um sistema de distribuição de rendimentos 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 em contratos inteligentes, aumentando a eficiência do trabalho em diferentes cenários de aplicação, como análise de mercado, detecção de segurança, agrupamento social, entre outras funções. A IA generativa não só permite que os usuários experimentem o papel de "artista", como criar seus próprios NFTs usando tecnologia de IA, mas também pode criar cenários de jogos diversos e interações interessantes no GameFi. Uma infraestrutura rica proporciona uma experiência de desenvolvimento fluida, permitindo que tanto especialistas em IA quanto novatos que desejam entrar na área de IA encontrem uma entrada adequada neste mundo.

Dois, Interpretação do Mapa e da Arquitetura do Projeto Ecossistêmico Web3-AI

Estudamos principalmente 41 projetos na área do Web3-AI e dividimos esses projetos em diferentes níveis. A lógica de divisão de cada nível está ilustrada na figura abaixo, incluindo a camada de infraestrutura, a camada intermediária e a camada de aplicação, cada uma subdividida em diferentes setores. 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 execução de todo o ciclo de vida da IA, a camada intermédia inclui a gestão de dados, desenvolvimento de modelos e serviços de inferência de validação que conectam a infraestrutura às aplicações, enquanto a camada de aplicação se concentra nas diversas aplicações e soluções diretamente voltadas para os usuários.

Camada de Infraestrutura:

A camada de infraestrutura é a base do ciclo de vida da IA. Neste artigo, a capacidade de cálculo, AI Chain e a plataforma de desenvolvimento são categorizadas como camada de infraestrutura. É precisamente com o suporte dessas infraestruturas que é possível realizar o treinamento e a inferência dos 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 lucros, com projetos representativos como IO.NET e Hyperbolic. Além disso, alguns projetos derivaram novas maneiras de jogar, como o Compute Labs, que propôs um protocolo tokenizado, permitindo que os usuários participem de aluguer de poder computacional de diferentes maneiras para obter lucros, comprando NFTs que representam entidades 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, entre outros, e fornecer estruturas de desenvolvimento de IA e ferramentas de desenvolvimento complementares, com projetos representativos como Sahara AI. A AI Chain também pode promover o avanço das tecnologias de IA em diferentes áreas, como o Bittensor, que incentiva a competição entre sub-redes de diferentes tipos de IA através de um mecanismo inovador de incentivo para sub-redes.

• 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 tudo-em-um 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 Intermediária:

Esta camada envolve dados de IA, modelos, bem como raciocínio e validação, utilizando tecnologia Web3 para alcançar uma maior eficiência de trabalho.

• Dados: A qualidade e a quantidade dos dados são fatores-chave que afetam a eficácia do treinamento de modelos. No mundo Web3, através da coleta de dados em massa e do processamento colaborativo de dados, é possível otimizar a utilização de recursos e reduzir os custos de dados. Os usuários podem ter autonomia sobre os seus dados, vendendo-os sob proteção de privacidade, a fim de evitar que dados sejam roubados e explorados por comerciantes desonestos. Para os demandantes de dados, essas plataformas oferecem uma ampla gama de opções a um custo extremamente baixo. Projetos representativos como Grass utilizam a largura de banda dos usuários para capturar dados da Web, xData coleta informações de mídia por meio de plugins amigáveis ao usuário e suporta o upload de informações de tweets pelos usuários.

Além disso, algumas plataformas permitem que especialistas de domínio ou usuários comuns executem tarefas de pré-processamento de dados, como rotulagem de imagens e classificação de dados, tarefas que podem exigir conhecimentos especializados em finanças e direito para o processamento de dados. Os usuários podem tokenizar suas habilidades para realizar a colaboração em massa no pré-processamento de dados. Exemplos como o mercado de IA Sahara AI têm tarefas de dados em diferentes domínios, cobrindo cenários de dados multi-dimensionais; enquanto o AIT Protocol utiliza uma abordagem de colaboração homem-máquina para rotular dados.

• Modelo: No processo de desenvolvimento de IA mencionado anteriormente, diferentes tipos de necessidades requerem a correspondência com modelos adequados. Modelos comumente usados em tarefas de imagem incluem CNN e GAN, para tarefas de detecção de objetos, pode-se escolher a série Yolo, e para tarefas de texto, modelos comuns incluem RNN e Transformer, além de alguns modelos grandes específicos ou gerais. A profundidade do modelo 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 modelos confiáveis na camada de armazenamento e na camada de distribuição para otimização de modelos. As ferramentas de desenvolvimento fornecidas pelo Sahara AI incorporam algoritmos de IA avançados e estruturas de computação, e possuem a capacidade de treinamento colaborativo.

• Inferência e verificação: Após o treinamento, o modelo gera arquivos de pesos do modelo, que podem ser usados para classificação, previsão ou outras tarefas específicas, e esse processo é chamado de inferência. O processo de inferência geralmente é acompanhado por um mecanismo de verificação, para validar se a origem do modelo de inferência está correta e se não há comportamentos maliciosos, etc. A inferência em Web3 geralmente pode ser integrada em contratos inteligentes, através da chamada de modelos para realizar inferência, e os métodos de verificação comuns incluem tecnologias como ZKML, OPML e TEE. Projetos representativos como o oráculo de IA na blockchain ORA (OAO) introduziram o OPML como uma camada verificável para o oráculo de IA, e no site oficial da ORA também mencionaram suas pesquisas sobre ZKML e opp/ai (ZKML combinado com OPML).

Camada de aplicação:

Esta camada é principalmente uma aplicação voltada diretamente para o usuário, combinando AI com Web3.