Обзор сектора Web3-AI: углубленный анализ технической логики, сценарных приложений и топовых проектов Глубина
С учетом непрекращающегося роста интереса к AI-нарративу, все больше внимания уделяется этому направлению. В данной статье проводится глубокий анализ технической логики, приложений и представительных проектов в области Web3-AI, чтобы предоставить вам полное представление о панораме и тенденциях развития в этой сфере.
Один. Web3-AI: Анализ технической логики и возможностей новых рынков
1.1 Логика интеграции Web3 и ИИ: как определить сегмент Web-AI
В прошлом году AI-нарративы стали необычайно популярны в индустрии Web3, и AI-проекты появлялись как грибы после дождя. Хотя существует множество проектов, связанных с AI-технологиями, некоторые из них используют AI только в определенных частях своих продуктов, и базовая токеномика не имеет существенной связи с AI-продуктами, поэтому такие проекты не рассматриваются в данной статье как Web3-AI проекты.
Основное внимание в этой статье уделяется проектам, которые используют блокчейн для решения проблем производственных отношений и ИИ для решения проблем производительности. Эти проекты сами по себе предлагают ИИ-продукты и основаны на экономической модели Web3 в качестве инструмента производственных отношений, при этом оба аспекта взаимно дополняют друг друга. Мы классифицируем такие проекты как Web3-AI направление. Чтобы лучше помочь читателям понять направление Web3-AI, мы подробно рассмотрим процесс разработки ИИ и вызовы, а также то, как сочетание Web3 и ИИ может идеально решать проблемы и создавать новые сценарии применения.
1.2 Процесс разработки ИИ и его вызовы: от сбора данных до вывода модели
Технология ИИ — это технология, позволяющая компьютерам имитировать, расширять и улучшать человеческий интеллект. Она позволяет компьютерам выполнять различные сложные задачи, от перевода языков, классификации изображений до распознавания лиц и автоматического вождения. ИИ меняет способы нашей жизни и работы.
Процесс разработки модели искусственного интеллекта обычно включает в себя несколько ключевых этапов: сбор и предварительная обработка данных, выбор и настройка модели, обучение и вывод модели. В качестве простого примера, для разработки модели, которая классифицирует изображения кошек и собак, вам нужно:
Сбор данных и предварительная обработка данных: Соберите набор данных изображений, содержащий кошек и собак, вы можете использовать открытые наборы данных или собрать реальные данные самостоятельно. Затем отметьте каждое изображение по категории (кошка или собака), убедившись, что метки точны. Преобразуйте изображения в формат, который может распознать модель, разделите набор данных на обучающую выборку, валидационную выборку и тестовую выборку.
Выбор и настройка модели: выберите подходящую модель, например, сверточную нейронную сеть (CNN), которая лучше всего подходит для задач классификации изображений. Настройте параметры или архитектуру модели в зависимости от различных требований; как правило, уровни сети модели могут быть скорректированы в зависимости от сложности задачи ИИ. В этом простом примере классификации может быть достаточно более простой сетевой структуры.
Обучение модели: можно использовать GPU, TPU или высокопроизводительные вычислительные кластеры для обучения модели, время обучения зависит от сложности модели и вычислительной мощности.
Модельное вывода: Файлы, в которых обучена модель, обычно называются весами модели. Процесс вывода подразумевает использование уже обученной модели для предсказания или классификации новых данных. В этом процессе можно использовать тестовый набор или новые данные для проверки эффективности классификации модели, обычно для оценки эффективности модели используются такие показатели, как точность, полнота, F1-score и т.д.
Как показано на рисунке, после сбора данных и предварительной обработки данных, выбора и настройки модели, а также обучения, использование обученной модели для вывода на тестовом наборе данных приведет к получению предсказанных значений для кошек и собак P (вероятность), то есть вероятности того, что модель определяет объект как кошку или собаку.
Обученные AI модели могут быть далее интегрированы в различные приложения для выполнения различных задач. В этом примере AI модель классификации кошек и собак может быть интегрирована в мобильное приложение, где пользователи загружают изображения кошек или собак и получают результаты классификации.
Однако в процессе централизованной разработки ИИ существуют некоторые проблемы в следующих сценариях:
Конфиденциальность пользователей: в централизованных сценариях процесс разработки ИИ обычно является непрозрачным. Данные пользователей могут быть украдены без их ведома и использованы для обучения ИИ.
Получение источников данных: малые группы или отдельные лица могут столкнуться с ограничениями на открытость данных при получении данных в определенных областях (например, медицинских данных).
Выбор и настройка модели: для небольших команд сложно получить ресурсы модели для конкретной области или потратить значительные средства на настройку модели.
Получение вычислительной мощности: для индивидуальных разработчиков и небольших команд высокая стоимость покупки GPU и аренды облачной вычислительной мощности может стать значительным экономическим бременем.
Доход от активов ИИ: работники по аннотации данных часто не могут получить доход, соответствующий их усилиям, а результаты исследований разработчиков ИИ также трудно сопоставить с покупателями, имеющими потребность.
Вызовы, существующие в централизованных AI-сценариях, могут быть преодолены через сочетание с Web3. Web3, как новая производственная связь, естественно адаптируется к AI, представляющему новые производительные силы, тем самым способствуя одновременному прогрессу технологий и производственных мощностей.
1.3 Синергия Web3 и ИИ: изменения ролей и инновационные приложения
Сочетание Web3 и ИИ может усилить суверенитет пользователей, предоставляя открытые платформы для сотрудничества с ИИ, позволяя пользователям переходить от роли пользователей ИИ в эпоху Web2 к участникам, создавая ИИ, которым может владеть каждый. В то же время интеграция мира Web3 и технологий ИИ также может привести к возникновению большего числа инновационных приложений и способов взаимодействия.
На основе технологии Web3 разработка и применение ИИ вступят в новую эпоху кооперативной экономической системы. Конфиденциальность данных людей может быть обеспечена, модель краудсорсинга данных способствует прогрессу моделей ИИ, множество открытых ресурсов ИИ доступны для пользователей, а совместно используемая вычислительная мощность может быть получена по более низкой цене. С помощью децентрализованного механизма кооперативного краудсорсинга и открытого рынка ИИ можно реализовать справедливую систему распределения доходов, тем самым побуждая больше людей способствовать прогрессу технологий ИИ.
В сценах Web3 ИИ может оказать положительное влияние в нескольких областях. Например, модели ИИ можно интегрировать в смарт-контракты для повышения эффективности работы в различных приложениях, таких как рыночный анализ, безопасность и социальная кластеризация. Генеративный ИИ позволяет пользователям испытать себя в роли "художника", создавая свои собственные NFT с помощью технологий ИИ, а также создавать разнообразные игровые сцены и интересные взаимодействия в GameFi. Богатая инфраструктура обеспечивает плавный процесс разработки, независимо от того, является ли кто-то экспертом в области ИИ или новичком, желающим войти в эту сферу.
Два. Интерпретация карты и архитектуры проектов экосистемы Web3-AI
Мы в основном исследовали 41 проект в области Web3-AI и разделили эти проекты на разные уровни. Логика разделения каждого уровня показана на следующем рисунке, включая уровень инфраструктуры, промежуточный уровень и уровень приложений, каждый из которых также делится на различные сектора. В следующей главе мы проведем глубокий анализ некоторых представительных проектов.
Слой инфраструктуры охватывает вычислительные ресурсы и технологическую архитектуру, поддерживающие весь жизненный цикл ИИ, промежуточный слой включает управление данными, разработку моделей и услуги верификации и вывода, которые соединяют инфраструктуру и приложения, а прикладной слой сосредоточен на различных приложениях и решениях, ориентированных непосредственно на пользователей.
Инфраструктурный уровень:
Инфраструктурный уровень является основой жизненного цикла ИИ, в данной статье вычислительная мощность, AI Chain и платформы разработки классифицируются как инфраструктурный уровень. Именно благодаря поддержке этой инфраструктуры возможно обучение и вывод ИИ моделей, а также предоставление пользователям мощных и практичных ИИ приложений.
Децентрализованная вычислительная сеть: может обеспечить распределенные вычислительные мощности для обучения AI моделей, обеспечивая эффективное и экономичное использование вычислительных ресурсов. Некоторые проекты предлагают децентрализованный рынок вычислительных мощностей, где пользователи могут арендовать мощности по низкой цене или делиться мощностями для получения дохода, примеры проектов: IO.NET и Hyperbolic. Кроме того, некоторые проекты вывели новые подходы, такие как Compute Labs, которые предложили токенизированный протокол, позволяя пользователям приобретать NFT, представляющие собой физические GPU, чтобы участвовать в аренде вычислительных мощностей различными способами для получения дохода.
AI Chain: Использование блокчейна в качестве основы для жизненного цикла ИИ, позволяющее бесшовное взаимодействие ИИ ресурсов на и вне цепочки, способствуя развитию отраслевой экосистемы. Децентрализованный рынок ИИ на цепочке может торговать ИИ активами, такими как данные, модели, агенты и т.д., а также предоставляет ИИ фреймворк разработки и сопутствующие инструменты для разработки, примеры проектов включают Sahara AI. AI Chain также может способствовать прогрессу технологий ИИ в различных областях, таких как Bittensor, который продвигает конкуренцию субсетей различных типов ИИ через инновационный механизм стимулов для субсетей.
Платформа разработки: Некоторые проекты предлагают платформы для разработки AI-агентов, а также могут реализовывать торговлю AI-агентами, такие как Fetch.ai и ChainML. Универсальные инструменты помогают разработчикам более удобно создавать, обучать и развертывать модели AI, например, проект Nimble. Эта инфраструктура способствует широкому применению технологий AI в экосистеме Web3.
Промежуточный слой:
Этот уровень касается данных AI, моделей, а также вывода и проверки, использование технологий Web3 может обеспечить более высокую рабочую эффективность.
Данные: Качество и количество данных являются ключевыми факторами, влияющими на эффективность обучения модели. В мире Web3, благодаря краудсорсинговым данным и совместной обработке данных, можно оптимизировать использование ресурсов и снизить стоимость данных. Пользователи могут иметь право собственности на данные, продавая свои данные в условиях защиты конфиденциальности, чтобы избежать кражи данных недобросовестными продавцами и получения высокой прибыли. Для стороны, нуждающейся в данных, эти платформы предлагают широкий выбор и очень низкие затраты. Представленные проекты, такие как Grass, используют пропускную способность пользователей для сбора данных из Интернета, xData собирает медиаинформацию с помощью удобного плагина и поддерживает возможность загрузки пользователями информации о твитах.
Кроме того, некоторые платформы позволяют специалистам в определенной области или обычным пользователям выполнять задачи предобработки данных, такие как аннотирование изображений, классификация данных. Эти задачи могут требовать специализированных знаний в области финансов и права. Пользователи могут токенизировать свои навыки, создавая совместное краудсорсинг предобработки данных. Например, AI-рынок Sahara AI предлагает задачи с данными из разных областей, охватывающие многопрофильные сценарии данных; в то время как AIT Protocolt осуществляет аннотирование данных с помощью человеческо-машинного сотрудничества.
Модель: В процессе разработки AI, о котором упоминалось ранее, различные типы требований нуждаются в соответствующих моделях. Модели, часто используемые для задач обработки изображений, такие как CNN и GAN; для задач обнаружения объектов можно выбрать серию Yolo; для текстовых задач распространены такие модели, как RNN и Transformer, а также есть некоторые специфические или универсальные большие модели. Модели глубины, необходимые для задач различной сложности, также различаются, иногда требуется настройка модели.
Некоторые проекты поддерживают пользователей в предоставлении различных типов моделей или в совместной тренировке моделей через краудсорсинг, такие как Sentient, который благодаря модульному дизайну позволяет пользователям размещать достоверные данные моделей на уровне хранения и распространения для оптимизации моделей. Инструменты разработки, предоставляемые Sahara AI, имеют встроенные передовые алгоритмы ИИ и вычислительные фреймворки, а также обладают возможностью совместной тренировки.
Вывод и верификация: После обучения модель генерирует файл весов модели, который можно использовать для прямой классификации, прогнозирования или других конкретных задач, этот процесс называется выводом. Процесс вывода обычно сопровождается механизмом верификации, чтобы проверить, правильен ли источник вывода модели, есть ли вредоносные действия и т.д. Вывод в Web3 обычно можно интегрировать в смарт-контракты, вызывая модель для вывода, распространенные методы верификации включают такие технологии, как ZKML, OPML и TEE. Представляющие проекты, такие как AI оракул на цепочке ORA (OAO), ввели OPML в качестве проверяемого уровня для AI оракула, на официальном сайте ORA также упоминается их исследование по ZKML и opp/ai (ZKML в сочетании с OPML).
Прикладной уровень:
Этот уровень в основном представляет собой приложения, ориентированные на пользователей, которые объединяют ИИ и Web3, создавая более интересные и инновационные способы взаимодействия. В данной статье в основном рассматриваются проекты в нескольких областях: AIGC (AI-генерируемый контент), AI-агенты и анализ данных.
AIGC: С помощью AIGC можно расширить возможности в Web3, включая NFT, игры и другие направления. Пользователи могут напрямую создавать текст, изображения и аудио с помощью Prompt (подсказок, предоставленных пользователем), а также в играх создавать индивидуализированный игровой процесс в соответствии со своими предпочтениями. NFT-проекты, такие как NFPrompt, позволяют пользователям генерировать NFT с помощью ИИ для торговли на рынке; игры, такие как Sleepless, позволяют пользователям формировать характер виртуального партнера через диалоги, чтобы соответствовать своим предпочтениям;
AI-агент: это искусственный интеллект, способный самостоятельно выполнять задачи и принимать решения. AI-агенты обычно обладают способностями восприятия, рассуждения, обучения и действия, и могут выполнять сложные задачи в различных средах. Примеры распространённых AI-агентов включают языковые переводы.
На этой странице может содержаться сторонний контент, который предоставляется исключительно в информационных целях (не в качестве заявлений/гарантий) и не должен рассматриваться как поддержка взглядов компании Gate или как финансовый или профессиональный совет. Подробности смотрите в разделе «Отказ от ответственности» .
6 Лайков
Награда
6
4
Поделиться
комментарий
0/400
AirDropMissed
· 07-26 04:01
Снова пытаются обмануть меня, чтобы я вложил деньги в новый проект, встречая каждого, кто выглядит как мошенник.
Посмотреть ОригиналОтветить0
CascadingDipBuyer
· 07-26 03:56
Поменяли бульон, но не лекарства, всё равно будут играть для лохов
Посмотреть ОригиналОтветить0
ImpermanentPhilosopher
· 07-26 03:54
ai действительно сложно реализовать, много проектов просто следуют за трендом.
Посмотреть ОригиналОтветить0
AlwaysMissingTops
· 07-26 03:52
Снова будут играть для лохов, большинство AI-проектов это ловушка для концепций
Всёобъемлющий анализ направления Web3-AI: техническая логика и глубокий анализ лучших проектов
Обзор сектора Web3-AI: углубленный анализ технической логики, сценарных приложений и топовых проектов Глубина
С учетом непрекращающегося роста интереса к AI-нарративу, все больше внимания уделяется этому направлению. В данной статье проводится глубокий анализ технической логики, приложений и представительных проектов в области Web3-AI, чтобы предоставить вам полное представление о панораме и тенденциях развития в этой сфере.
Один. Web3-AI: Анализ технической логики и возможностей новых рынков
1.1 Логика интеграции Web3 и ИИ: как определить сегмент Web-AI
В прошлом году AI-нарративы стали необычайно популярны в индустрии Web3, и AI-проекты появлялись как грибы после дождя. Хотя существует множество проектов, связанных с AI-технологиями, некоторые из них используют AI только в определенных частях своих продуктов, и базовая токеномика не имеет существенной связи с AI-продуктами, поэтому такие проекты не рассматриваются в данной статье как Web3-AI проекты.
Основное внимание в этой статье уделяется проектам, которые используют блокчейн для решения проблем производственных отношений и ИИ для решения проблем производительности. Эти проекты сами по себе предлагают ИИ-продукты и основаны на экономической модели Web3 в качестве инструмента производственных отношений, при этом оба аспекта взаимно дополняют друг друга. Мы классифицируем такие проекты как Web3-AI направление. Чтобы лучше помочь читателям понять направление Web3-AI, мы подробно рассмотрим процесс разработки ИИ и вызовы, а также то, как сочетание Web3 и ИИ может идеально решать проблемы и создавать новые сценарии применения.
1.2 Процесс разработки ИИ и его вызовы: от сбора данных до вывода модели
Технология ИИ — это технология, позволяющая компьютерам имитировать, расширять и улучшать человеческий интеллект. Она позволяет компьютерам выполнять различные сложные задачи, от перевода языков, классификации изображений до распознавания лиц и автоматического вождения. ИИ меняет способы нашей жизни и работы.
Процесс разработки модели искусственного интеллекта обычно включает в себя несколько ключевых этапов: сбор и предварительная обработка данных, выбор и настройка модели, обучение и вывод модели. В качестве простого примера, для разработки модели, которая классифицирует изображения кошек и собак, вам нужно:
Сбор данных и предварительная обработка данных: Соберите набор данных изображений, содержащий кошек и собак, вы можете использовать открытые наборы данных или собрать реальные данные самостоятельно. Затем отметьте каждое изображение по категории (кошка или собака), убедившись, что метки точны. Преобразуйте изображения в формат, который может распознать модель, разделите набор данных на обучающую выборку, валидационную выборку и тестовую выборку.
Выбор и настройка модели: выберите подходящую модель, например, сверточную нейронную сеть (CNN), которая лучше всего подходит для задач классификации изображений. Настройте параметры или архитектуру модели в зависимости от различных требований; как правило, уровни сети модели могут быть скорректированы в зависимости от сложности задачи ИИ. В этом простом примере классификации может быть достаточно более простой сетевой структуры.
Обучение модели: можно использовать GPU, TPU или высокопроизводительные вычислительные кластеры для обучения модели, время обучения зависит от сложности модели и вычислительной мощности.
Модельное вывода: Файлы, в которых обучена модель, обычно называются весами модели. Процесс вывода подразумевает использование уже обученной модели для предсказания или классификации новых данных. В этом процессе можно использовать тестовый набор или новые данные для проверки эффективности классификации модели, обычно для оценки эффективности модели используются такие показатели, как точность, полнота, F1-score и т.д.
Как показано на рисунке, после сбора данных и предварительной обработки данных, выбора и настройки модели, а также обучения, использование обученной модели для вывода на тестовом наборе данных приведет к получению предсказанных значений для кошек и собак P (вероятность), то есть вероятности того, что модель определяет объект как кошку или собаку.
Обученные AI модели могут быть далее интегрированы в различные приложения для выполнения различных задач. В этом примере AI модель классификации кошек и собак может быть интегрирована в мобильное приложение, где пользователи загружают изображения кошек или собак и получают результаты классификации.
Однако в процессе централизованной разработки ИИ существуют некоторые проблемы в следующих сценариях:
Конфиденциальность пользователей: в централизованных сценариях процесс разработки ИИ обычно является непрозрачным. Данные пользователей могут быть украдены без их ведома и использованы для обучения ИИ.
Получение источников данных: малые группы или отдельные лица могут столкнуться с ограничениями на открытость данных при получении данных в определенных областях (например, медицинских данных).
Выбор и настройка модели: для небольших команд сложно получить ресурсы модели для конкретной области или потратить значительные средства на настройку модели.
Получение вычислительной мощности: для индивидуальных разработчиков и небольших команд высокая стоимость покупки GPU и аренды облачной вычислительной мощности может стать значительным экономическим бременем.
Доход от активов ИИ: работники по аннотации данных часто не могут получить доход, соответствующий их усилиям, а результаты исследований разработчиков ИИ также трудно сопоставить с покупателями, имеющими потребность.
Вызовы, существующие в централизованных AI-сценариях, могут быть преодолены через сочетание с Web3. Web3, как новая производственная связь, естественно адаптируется к AI, представляющему новые производительные силы, тем самым способствуя одновременному прогрессу технологий и производственных мощностей.
1.3 Синергия Web3 и ИИ: изменения ролей и инновационные приложения
Сочетание Web3 и ИИ может усилить суверенитет пользователей, предоставляя открытые платформы для сотрудничества с ИИ, позволяя пользователям переходить от роли пользователей ИИ в эпоху Web2 к участникам, создавая ИИ, которым может владеть каждый. В то же время интеграция мира Web3 и технологий ИИ также может привести к возникновению большего числа инновационных приложений и способов взаимодействия.
На основе технологии Web3 разработка и применение ИИ вступят в новую эпоху кооперативной экономической системы. Конфиденциальность данных людей может быть обеспечена, модель краудсорсинга данных способствует прогрессу моделей ИИ, множество открытых ресурсов ИИ доступны для пользователей, а совместно используемая вычислительная мощность может быть получена по более низкой цене. С помощью децентрализованного механизма кооперативного краудсорсинга и открытого рынка ИИ можно реализовать справедливую систему распределения доходов, тем самым побуждая больше людей способствовать прогрессу технологий ИИ.
В сценах Web3 ИИ может оказать положительное влияние в нескольких областях. Например, модели ИИ можно интегрировать в смарт-контракты для повышения эффективности работы в различных приложениях, таких как рыночный анализ, безопасность и социальная кластеризация. Генеративный ИИ позволяет пользователям испытать себя в роли "художника", создавая свои собственные NFT с помощью технологий ИИ, а также создавать разнообразные игровые сцены и интересные взаимодействия в GameFi. Богатая инфраструктура обеспечивает плавный процесс разработки, независимо от того, является ли кто-то экспертом в области ИИ или новичком, желающим войти в эту сферу.
Два. Интерпретация карты и архитектуры проектов экосистемы Web3-AI
Мы в основном исследовали 41 проект в области Web3-AI и разделили эти проекты на разные уровни. Логика разделения каждого уровня показана на следующем рисунке, включая уровень инфраструктуры, промежуточный уровень и уровень приложений, каждый из которых также делится на различные сектора. В следующей главе мы проведем глубокий анализ некоторых представительных проектов.
Слой инфраструктуры охватывает вычислительные ресурсы и технологическую архитектуру, поддерживающие весь жизненный цикл ИИ, промежуточный слой включает управление данными, разработку моделей и услуги верификации и вывода, которые соединяют инфраструктуру и приложения, а прикладной слой сосредоточен на различных приложениях и решениях, ориентированных непосредственно на пользователей.
Инфраструктурный уровень:
Инфраструктурный уровень является основой жизненного цикла ИИ, в данной статье вычислительная мощность, AI Chain и платформы разработки классифицируются как инфраструктурный уровень. Именно благодаря поддержке этой инфраструктуры возможно обучение и вывод ИИ моделей, а также предоставление пользователям мощных и практичных ИИ приложений.
Децентрализованная вычислительная сеть: может обеспечить распределенные вычислительные мощности для обучения AI моделей, обеспечивая эффективное и экономичное использование вычислительных ресурсов. Некоторые проекты предлагают децентрализованный рынок вычислительных мощностей, где пользователи могут арендовать мощности по низкой цене или делиться мощностями для получения дохода, примеры проектов: IO.NET и Hyperbolic. Кроме того, некоторые проекты вывели новые подходы, такие как Compute Labs, которые предложили токенизированный протокол, позволяя пользователям приобретать NFT, представляющие собой физические GPU, чтобы участвовать в аренде вычислительных мощностей различными способами для получения дохода.
AI Chain: Использование блокчейна в качестве основы для жизненного цикла ИИ, позволяющее бесшовное взаимодействие ИИ ресурсов на и вне цепочки, способствуя развитию отраслевой экосистемы. Децентрализованный рынок ИИ на цепочке может торговать ИИ активами, такими как данные, модели, агенты и т.д., а также предоставляет ИИ фреймворк разработки и сопутствующие инструменты для разработки, примеры проектов включают Sahara AI. AI Chain также может способствовать прогрессу технологий ИИ в различных областях, таких как Bittensor, который продвигает конкуренцию субсетей различных типов ИИ через инновационный механизм стимулов для субсетей.
Платформа разработки: Некоторые проекты предлагают платформы для разработки AI-агентов, а также могут реализовывать торговлю AI-агентами, такие как Fetch.ai и ChainML. Универсальные инструменты помогают разработчикам более удобно создавать, обучать и развертывать модели AI, например, проект Nimble. Эта инфраструктура способствует широкому применению технологий AI в экосистеме Web3.
Промежуточный слой:
Этот уровень касается данных AI, моделей, а также вывода и проверки, использование технологий Web3 может обеспечить более высокую рабочую эффективность.
Кроме того, некоторые платформы позволяют специалистам в определенной области или обычным пользователям выполнять задачи предобработки данных, такие как аннотирование изображений, классификация данных. Эти задачи могут требовать специализированных знаний в области финансов и права. Пользователи могут токенизировать свои навыки, создавая совместное краудсорсинг предобработки данных. Например, AI-рынок Sahara AI предлагает задачи с данными из разных областей, охватывающие многопрофильные сценарии данных; в то время как AIT Protocolt осуществляет аннотирование данных с помощью человеческо-машинного сотрудничества.
Некоторые проекты поддерживают пользователей в предоставлении различных типов моделей или в совместной тренировке моделей через краудсорсинг, такие как Sentient, который благодаря модульному дизайну позволяет пользователям размещать достоверные данные моделей на уровне хранения и распространения для оптимизации моделей. Инструменты разработки, предоставляемые Sahara AI, имеют встроенные передовые алгоритмы ИИ и вычислительные фреймворки, а также обладают возможностью совместной тренировки.
Прикладной уровень:
Этот уровень в основном представляет собой приложения, ориентированные на пользователей, которые объединяют ИИ и Web3, создавая более интересные и инновационные способы взаимодействия. В данной статье в основном рассматриваются проекты в нескольких областях: AIGC (AI-генерируемый контент), AI-агенты и анализ данных.
AIGC: С помощью AIGC можно расширить возможности в Web3, включая NFT, игры и другие направления. Пользователи могут напрямую создавать текст, изображения и аудио с помощью Prompt (подсказок, предоставленных пользователем), а также в играх создавать индивидуализированный игровой процесс в соответствии со своими предпочтениями. NFT-проекты, такие как NFPrompt, позволяют пользователям генерировать NFT с помощью ИИ для торговли на рынке; игры, такие как Sleepless, позволяют пользователям формировать характер виртуального партнера через диалоги, чтобы соответствовать своим предпочтениям;
AI-агент: это искусственный интеллект, способный самостоятельно выполнять задачи и принимать решения. AI-агенты обычно обладают способностями восприятия, рассуждения, обучения и действия, и могут выполнять сложные задачи в различных средах. Примеры распространённых AI-агентов включают языковые переводы.