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 continue de la narration par l'IA, de plus en plus d'attention se concentre sur ce secteur. Nous avons analysé en profondeur la logique technique, les scénarios d'application et les projets représentatifs du secteur Web3-AI, afin de vous présenter une vue d'ensemble et les tendances de développement dans ce domaine.

I. Web3-AI : Analyse des logiques techniques et des opportunités de marché émergentes

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

Au cours de l'année écoulée, la narration AI a connu un succès exceptionnel dans l'industrie Web3, avec des projets AI apparaissant comme des champignons après la pluie. Bien qu'il existe de nombreux projets impliquant des technologies AI, certains d'entre eux 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 des 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 les projets où l'IA résout les problèmes de productivité. Ces projets eux-mêmes offrent des produits d'IA tout en étant basés 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 développer 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 résoudre parfaitement les problèmes et créer de nouveaux scénarios d'application.

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 et à d'autres scénarios d'application, l'IA est en train de changer 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, pour développer un modèle permettant de classifier des images de chats et de chiens, vous devez :

1. Collecte de données et prétraitement des données : Rassemblez 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 vous assurant que les étiquettes sont précises. 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. Sélection et ajustement du modèle : Choisir un modèle approprié, comme les réseaux de neurones convolutionnels (CNN), qui conviennent bien aux tâches de classification d'images. Ajuster les paramètres ou l'architecture du modèle selon les besoins différents, en général, le niveau de profondeur du modèle peut être ajusté en fonction de la complexité de la tâche d'IA. Dans cet exemple simple de classification, un niveau de réseau plus superficiel peut 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 est 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, et le processus d'inférence fait référence à l'utilisation d'un modèle déjà entraîné pour prédire ou classifier de nouvelles données. Au cours de ce processus, un ensemble de test ou de nouvelles données peut être utilisé pour évaluer l'efficacité du modèle, généralement mesurée par des indicateurs tels que la précision, le rappel et le score F1.

Comme indiqué dans l'image, après la collecte de données, le prétraitement des données, le choix et le réglage du modèle, et l'entraînement, l'inférence du modèle entraîné sur l'ensemble de test donnera les valeurs prédites P (probabilité) pour les chats et les chiens, 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 et obtiennent les résultats de classification.

Cependant, le processus de développement de l'IA centralisée présente certains problèmes dans les scénarios suivants :

Protection de la vie privée 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 limitations d'accès aux données non open source lorsqu'ils essaient d'obtenir des données dans des domaines spécifiques (comme les données médicales).

Choix et ajustement du modèle : pour les petites équipes, il est difficile d'accéder aux ressources de modèle spécifiques à un domaine ou de dépenser des coûts élevés pour l'ajustement des modèles.

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

Revenu des actifs IA : Les travailleurs de l'annotation de données ont souvent du mal à obtenir un revenu correspondant à leurs efforts, tandis que les résultats de recherche des développeurs d'IA peinent également à s'aligner sur les acheteurs en demande.

Les défis existants dans le scénario de l'IA centralisée peuvent être surmontés en les combinant avec le Web3. Le Web3, en tant que nouvelle relation de production, s'adapte naturellement à l'IA qui représente une nouvelle productivité, favorisant ainsi des progrès simultanés en technologie et en capacités de production.

1.3 Synergie entre Web3 et AI : Changement de rôle 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 de simples utilisateurs de l'IA à des participants, créant ainsi une IA possédée par tous. Parallèlement, la fusion du monde Web3 avec la technologie IA peut également engendrer de nouveaux scénarios d'application et de nouvelles façons d'innover.

Basé 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 personnes peut être garantie, 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. Grâce à un mécanisme décentralisé de collaboration et de crowdsourcing et à un marché de l'IA ouvert, un système de distribution des revenus équitable peut être réalisé, incitant ainsi davantage de personnes à promouvoir le progrès de la technologie IA.

Dans le contexte de Web3, l'IA peut avoir un impact positif dans plusieurs domaines. Par exemple, des 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 fonctionnalités. L'IA générative permet non seulement aux utilisateurs de vivre le rôle "d'artiste", comme en utilisant la technologie IA pour créer leurs propres NFT, mais elle peut également 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 des experts en IA ou des débutants 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 écologiques Web3-AI

Nous avons principalement étudié 41 projets dans le domaine du Web3-AI et les avons classés en différentes couches. La logique de classification de chaque couche est illustrée dans le graphique ci-dessous, comprenant la couche d'infrastructure, la couche intermédiaire et la couche d'application, chaque couche étant également divisée 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 le fonctionnement de 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 d'inférence qui connectent l'infrastructure aux 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, la chaîne d'IA 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 des applications IA puissantes et pratiques aux utilisateurs.

• Réseau de calcul décentralisé : peut fournir de la puissance de calcul distribuée pour l'entraînement des modèles d'IA, garantissant une utilisation efficace et économique des ressources de calcul. Certains projets proposent des marchés de puissance de calcul décentralisés, où les utilisateurs peuvent louer de la puissance de calcul à faible coût ou partager leur puissance de calcul pour obtenir des revenus, des projets représentatifs tels que IO.NET et Hyperbolic. De plus, certains projets ont donné naissance à de nouvelles façons de jouer, comme Compute Labs, qui a proposé un protocole tokenisé, permettant aux utilisateurs d'acheter des NFT représentant des GPU physiques pour participer de différentes manières à la location de puissance de calcul afin d'obtenir des revenus.

• AI Chain : Utiliser la blockchain comme base du cycle de vie de l'IA, réalisant une interaction sans faille 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, représentant des projets tels que Sahara AI. AI Chain peut également promouvoir les avancées technologiques de l'IA dans différents domaines, comme Bittensor qui stimule la compétition entre sous-réseaux de différents types d'IA grâce à un mécanisme d'incitation innovant.

• Plateforme de développement : certains projets offrent des plateformes de développement d'agents IA, et peuvent également réaliser des transactions d'agents IA, comme Fetch.ai et ChainML, etc. Des outils tout-en-un aident les développeurs à créer, former et déployer des modèles IA de manière plus pratique, des projets représentatifs comme Nimble. Ces infrastructures facilitent l'application généralisée de la technologie IA dans l'écosystème Web3.

Couche intermédiaire :

Ce niveau concerne les données AI, les modèles ainsi que le raisonnement et la vérification, et l'adoption 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'utilisation de données participatives et le traitement collaboratif des données peuvent optimiser l'utilisation des ressources et réduire les coûts des données. Les utilisateurs peuvent avoir le contrôle de leurs données, en les vendant dans le cadre de la protection de la vie privée, afin d'éviter que leurs données ne soient volées et exploitées par de mauvais commerçants pour réaliser des profits élevés. 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 collecter des données Web, xData recueille des informations médiatiques via des plugins conviviaux et permet aux utilisateurs de télécharger des informations de tweets.

De plus, certaines plateformes permettent aux experts du domaine ou aux 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 traitement des données financières et juridiques. Les utilisateurs peuvent tokeniser leurs compétences pour réaliser une collaboration en crowdsourcing sur le prétraitement des données. Des exemples incluent le marché AI comme Sahara AI, qui propose des tâches de données dans différents domaines, pouvant couvrir des scénarios de données multi-domaines ; 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, et pour les tâches textuelles, les modèles courants incluent RNN, Transformer, etc. Bien sûr, il existe également des grands modèles spécifiques ou généraux. La profondeur des modèles nécessaires varie selon la complexité des tâches, 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 de modèles par le biais de la foule, 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 optimiser les modèles. Les outils de développement fournis par Sahara AI intègrent des algorithmes d'IA avancés et des cadres de calcul, tout en ayant la capacité d'entraînement collaboratif.

• Inférence et vérification : après l'entraînement, le modèle génère un fichier de poids de modèle, qui peut être utilisé pour effectuer directement des classifications, des prévisions 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 provenance du modèle d'inférence est correcte et s'il n'y a pas d'activités malveillantes, etc. L'inférence Web3 peut souvent 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 le site officiel d'ORA mentionne également leurs recherches sur ZKML et opp/ai (ZKML combiné avec OPML).

Couche d'application :

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

• AIGC : grâce à AIGC, il est possible