Web3-AI : panorama des pistes - analyse de la logique technique, des cas d'application et des projets de premier plan.

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

Avec la montée en puissance de la narration par l'IA, de plus en plus d'attention est portée sur ce secteur. Une analyse approfondie de la logique technique, des scénarios d'application et des projets représentatifs du secteur Web3-AI a été réalisée, présentant de manière exhaustive le panorama et les tendances de développement dans ce domaine.

Un, 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 domaine Web-AI

Au cours de l'année écoulée, la narration AI a connu un succès exceptionnel dans l'industrie Web3, avec des projets AI qui ont surgi comme des champignons après la pluie. Bien qu'il y ait de nombreux projets impliquant la technologie AI, certains projets n'utilisent l'AI que dans certaines parties de leurs produits, et l'économie des tokens sous-jacente n'a pas de lien substantiel avec les produits AI. 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 et sur les projets où l'IA résout les problèmes de productivité. Ces projets offrent eux-mêmes des produits d'IA, tout en s'appuyant sur un modèle économique Web3 en tant qu'outil de relations de production, les deux se complétant mutuellement. Nous classons ces projets dans la catégorie Web3-AI. Afin de permettre aux lecteurs de mieux comprendre la catégorie Web3-AI, nous allons détailler le processus de développement de l'IA et les défis associés, ainsi que la manière dont la combinaison de Web3 et d'IA peut parfaitement résoudre des problèmes et créer de nouveaux scénarios d'application.

1.2 Le processus de développement de l'IA et ses défis : de la collecte des données à l'inférence du modèle

La technologie 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, de la traduction linguistique, à la classification d'images, en passant par la reconnaissance faciale et les applications de 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 de données et prétraitement des données, sélection et ajustement du modèle, entraînement et inférence du modèle. Prenons un exemple simple, développer un modèle pour classifier des images de chats et de chiens, vous aurez besoin de :

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

2. Choix et réglage du modèle : Choisir un modèle approprié, comme les réseaux de neurones convolutifs (CNN), qui conviennent bien aux tâches de classification d'images. Ajuster les paramètres ou l'architecture du modèle en fonction des besoins différents, en général, la profondeur des couches du modèle peut être ajustée selon la complexité de la tâche d'IA. Dans cet exemple de classification simple, un réseau moins profond pourrait suffire.

3. Entraînement du modèle : il est possible d'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 capacité de calcul.

4. Inférence du modèle : Les fichiers du modèle entraîné 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 évaluer l'efficacité de classification du modèle, généralement mesurée par des indicateurs tels que la précision, le rappel, et le F1-score.

Comme indiqué sur l'image, après la collecte de données et le prétraitement des données, la sélection et l'optimisation du modèle, et l'entraînement, le modèle entraîné sera utilisé pour effectuer des inférences sur le jeu de test, ce qui donnera des 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.

Un modèle d'IA entraîné peut être intégré dans diverses applications pour exécuter différentes tâches. Dans cet exemple, un modèle d'IA de classification de chats et de chiens peut être intégré dans une application mobile où les utilisateurs peuvent télécharger 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 souvent 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 individus peuvent être confrontés à des restrictions sur l'accès aux données dans des domaines spécifiques (comme les données médicales) lorsque ces dernières ne sont pas open source.

Choix et ajustement des modèles : pour les petites équipes, il est difficile d'accéder à des ressources de modèles spécifiques à un domaine ou de dépenser beaucoup de coûts 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 IA : Les travailleurs de l'annotation de données ne parviennent souvent pas à obtenir des revenus correspondant à leurs efforts, tandis que les résultats de recherche des développeurs d'IA ont également du mal à s'aligner avec les acheteurs en demande.

Les défis existants dans les scénarios d'IA centralisée peuvent être surmontés en les combinant avec le Web3, ce dernier étant une nouvelle relation de production qui s'adapte naturellement à l'IA représentant une nouvelle productivité, permettant ainsi une avancée simultanée des technologies et des 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 leur offrant une plateforme de collaboration ouverte en IA, permettant aux utilisateurs de passer de simples utilisateurs d'IA de l'ère Web2 à des participants, créant ainsi une IA possédée par tous. En même temps, la fusion du monde Web3 avec la technologie IA peut également engendrer davantage de scénarios d'application innovants et de nouvelles façons de jouer.

Basée sur la technologie Web3, le développement et l'application de l'IA entreront dans un tout nouveau système économique collaboratif. La confidentialité des données des utilisateurs sera garantie, le mode d'externalisation des données favorisera le progrès 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, il sera possible de mettre en place un système de répartition des revenus équitable, incitant ainsi davantage de personnes à promouvoir les avancées technologiques dans le domaine 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 clustering social, et bien d'autres fonctions. L'IA générative permet non seulement aux utilisateurs de vivre le rôle d'"artiste", comme en utilisant la technologie de l'IA pour créer leurs propres NFT, mais aussi de créer des scénarios de jeu variés 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 du projet écosystème Web3-AI

Nous avons principalement étudié 41 projets dans le domaine Web3-AI et avons classé ces projets en différents niveaux. La logique de classification de chaque niveau est illustrée dans le graphique ci-dessous, comprenant la couche d'infrastructure, la couche intermédiaire et la couche d'application, chaque niveau étant subdivisé en différents segments. Dans le chapitre suivant, nous procéderons à 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, la couche intermédiaire comprend la gestion des données, le développement de modèles et les services de validation et de raisonnement qui connectent l'infrastructure et les applications, tandis que 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 classe la puissance de calcul, AI Chain et la plateforme de développement comme la couche d'infrastructure. C'est grâce à ces infrastructures que l'entraînement et l'inférence des modèles d'IA peuvent être réalisés, permettant ainsi de présenter aux utilisateurs des applications IA puissantes et pratiques.

• Réseau de calcul décentralisé : peut fournir une puissance de calcul distribuée pour l'entraînement de modèles d'IA, garantissant une utilisation efficace et économique des ressources de calcul. Certains projets proposent un marché de puissance de calcul décentralisé, où les utilisateurs peuvent louer de la puissance de calcul à faible coût ou partager de la puissance de calcul pour en tirer des revenus, des projets représentatifs incluent IO.NET et Hyperbolic. De plus, certains projets ont généré de nouvelles mécaniques de jeu, comme Compute Labs, qui ont proposé un protocole tokenisé, permettant aux utilisateurs de participer de différentes manières à la location de puissance de calcul pour générer des revenus en achetant des NFT représentant des entités GPU.

• AI Chain : Utiliser la blockchain comme base du cycle de vie de l'IA, permettant une interaction transparente des ressources IA en ligne et hors ligne, et favorisant 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 tels que Sahara AI. AI Chain peut également favoriser les avancées technologiques en 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 AI, permettant également le trading d'agents AI, tels que Fetch.ai et ChainML. Des outils tout-en-un aident les développeurs à créer, entraîner et déployer plus facilement des modèles AI, avec des projets représentatifs comme Nimble. Ces infrastructures favorisent l'application étendue des technologies AI dans l'écosystème Web3.

Couche intermédiaire :

Ce niveau concerne les données AI, les modèles ainsi que le raisonnement et la validation, et l'utilisation de la technologie Web3 peut permettre une efficacité de travail accrue.

• Données : La qualité et la quantité des données sont des facteurs clés influençant 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 la collecte de données par crowdsourcing et au traitement collaboratif des données. Les utilisateurs peuvent avoir la souveraineté sur leurs données et les vendre dans le respect de la vie privée, afin d'éviter que leurs données ne soient volées par de mauvais commerçants et ne génèrent d'importants profits. Pour les demandeurs de données, ces plateformes offrent un large éventail de 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 à des experts du domaine ou à des utilisateurs ordinaires d'exécuter des tâches de prétraitement des données, telles que l'annotation d'images et la classification des données, ces tâches pouvant nécessiter des connaissances spécialisées en matière de finance et de traitement des données juridiques. Les utilisateurs peuvent tokeniser leurs compétences pour réaliser une collaboration en matière de prétraitement des données. Des exemples incluent le marché de l'IA Sahara AI, qui propose différentes tâches de données dans divers domaines, pouvant couvrir des scénarios de données multidisciplinaires ; tandis que le protocole AIT 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 des modèles adaptés. Les modèles couramment utilisés pour les tâches d'image incluent CNN, GAN, pour les tâches de détection d'objets, on peut choisir la série Yolo, pour les tâches de texte, les modèles courants incluent RNN, Transformer, etc., 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.

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

• Inférence et validation : Après l'entraînement du modèle, un fichier de poids de modèle est généré, pouvant 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 validation, pour vérifier si la source du modèle d'inférence est correcte et 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 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. Sur le site officiel d'ORA, ils ont également mentionné leurs recherches sur ZKML et opp/ai (ZKML combiné avec OPML).

Couche d'application :

Ce niveau est principalement consacré aux 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), agents IA et analyse de données.

• AIGC : grâce à AIGC, il est possible de s'étendre à