Панорамний звіт про сектор Web3-AI: технічна логіка, сценарні застосування та глибокий аналіз провідних проектів
З огляду на зростаючий інтерес до AI-оповідання, все більше уваги зосереджується на цій галузі. У цій статті детально аналізуються технічна логіка, сценарії застосування та представницькі проекти в рамках Web3-AI, щоб повністю представити вам панораму та тенденції розвитку цієї сфери.
Один. Web3-AI: аналіз технологічної логіки та нових ринкових можливостей
1.1 Логіка інтеграції Web3 та AI: як визначити трасу Web-AI
Протягом минулого року AI-оповідання стало надзвичайно популярним в індустрії Web3, AI-проекти почали з'являтися, як гриби після дощу. Хоча багато проектів пов'язані з технологією AI, деякі проекти використовують AI лише в певних частинах своїх продуктів, а базова токеноміка не має суттєвого зв'язку з AI-продуктами, тому такі проекти не включені до обговорення Web3-AI у цій статті.
Основна увага цієї статті зосереджена на використанні блокчейну для вирішення проблем виробничих відносин та штучного інтелекту для вирішення питань продуктивності. Ці проекти самі пропонують продукти штучного інтелекту, а також ґрунтуються на економічній моделі Web3 як інструменті виробничих відносин, що доповнюють один одного. Ми відносимо такі проекти до категорії Web3-AI. Щоб читачі краще зрозуміли цю категорію, ми розкриємо процес розробки штучного інтелекту та виклики, а також те, як поєднання Web3 та штучного інтелекту ідеально вирішує проблеми та створює нові сценарії застосування.
1.2 Розробка AI: від збору даних до моделювання висновків
Технологія ШІ — це технологія, яка дозволяє комп'ютерам імітувати, розширювати та посилювати людський інтелект. Вона дозволяє комп'ютерам виконувати різноманітні складні завдання, від перекладу мов, класифікації зображень до розпізнавання облич та автоматичного водіння, ШІ змінює спосіб нашого життя та роботи.
Процес розробки моделей штучного інтелекту зазвичай включає кілька ключових етапів: збір даних та їх попередня обробка, вибір моделі та її налаштування, навчання моделі та отримання висновків. Наприклад, щоб розробити модель для класифікації зображень котів і собак, вам потрібно:
Збір даних та попередня обробка даних: зібрати набір даних з зображеннями котів і собак, можна використовувати відкриті набори даних або самостійно зібрати реальні дані. Потім для кожного зображення позначте категорію (кіт або собака), забезпечте точність міток. Перетворіть зображення у формат, який модель може розпізнати, розділіть набір даних на навчальний набір, валідаційний набір і тестовий набір.
Вибір моделі та налаштування: вибір відповідної моделі, наприклад, згорткової нейронної мережі (CNN), що більше підходить для завдань класифікації зображень. Налаштування параметрів моделі або архітектури відповідно до різних вимог, зазвичай, рівні мережі моделі можуть бути скориговані залежно від складності AI завдання. У цьому простому прикладі класифікації, більш поверхневі рівні мережі можуть бути достатніми.
Навчання моделі: можна використовувати GPU, TPU або високопродуктивні обчислювальні кластери для навчання моделі, час навчання залежить від складності моделі та обчислювальної потужності.
Моделювання: Файли, які містять навчану модель, зазвичай називають вагами моделі, а процес інференції означає використання вже навченої моделі для прогнозування або класифікації нових даних. У цьому процесі можна використовувати тестовий набір або нові дані для перевірки ефективності класифікації моделі, зазвичай оцінюючи її ефективність за показниками, такими як точність, відзив та F1-score.
Як показано на малюнку, після збору даних, попередньої обробки даних, вибору та налаштування моделі, а також навчання, проведення інференції на тестовому наборі з навченою моделлю дасть прогнозовані значення P (ймовірність) для котів і собак, тобто ймовірність того, що модель визначила це як кота чи собаку.
Навчена AI модель може бути додатково інтегрована в різні програми для виконання різних завдань. У цьому прикладі AI модель для класифікації котів і собак може бути інтегрована в мобільний додаток, де користувач завантажує зображення кота або собаки і отримує результати класифікації.
Однак, централізований процес розробки ШІ має деякі проблеми в наступних сценаріях:
Приватність користувачів: у централізованих сценаріях процес розробки ШІ зазвичай є непрозорим. Дані користувачів можуть бути викрадені без їх відома та використані для навчання ШІ.
Отримання джерела даних: невеликі команди або особи, які отримують дані в певній галузі (наприклад, медичні дані), можуть зіткнутися з обмеженнями, пов'язаними з тим, що дані не є відкритими.
Вибір моделі та налаштування: для малих команд важко отримати ресурси моделі в конкретній галузі або витратити великі кошти на налаштування моделі.
Отримання обчислювальної потужності: для окремих розробників та малих команд високі витрати на покупку GPU та оренду хмарної обчислювальної потужності можуть стати значним економічним тягарем.
AI-активи: працівники з розмітки даних часто не можуть отримати доходи, які відповідають їхнім витратам, а результати досліджень розробників ШІ також важко узгодити з покупцями, які мають потребу.
Виклики, що існують у централізованих AI-сценаріях, можуть бути подолані шляхом інтеграції з Web3. Web3, як нова форма виробничих відносин, природно підходить для представлення нової продуктивності AI, що сприяє одночасному прогресу технологій та виробничих можливостей.
1.3 Синергія Web3 та ШІ: зміна ролей та інноваційні застосування
Поєднання Web3 та ШІ може посилити суверенітет користувачів, надаючи їм відкриту платформу для співпраці з ШІ, що дозволяє користувачам перейти від використання ШІ в епоху Web2 до участі у ньому, створюючи ШІ, яким може володіти кожен. Водночас інтеграція світу Web3 та технологій ШІ може привести до виникнення більшої кількості інноваційних застосувань і ігрових механік.
На основі технології Web3 розробка та застосування ШІ увійдуть у нову економічну систему співпраці. Приватність даних людей може бути забезпечена, модель краудсорсингу даних сприяє розвитку моделей ШІ, численні ресурси з відкритим кодом доступні для користувачів, а спільна обчислювальна потужність може бути отримана за нижчою ціною. Завдяки децентралізованій механіці краудсорсингу та відкритому ринку ШІ можна реалізувати справедливу систему розподілу доходів, що стимулює більше людей до розвитку технологій ШІ.
У сцені Web3 ШІ може позитивно впливати на кілька напрямків. Наприклад, моделі ШІ можна інтегрувати в смарт-контракти, щоб підвищити ефективність роботи в різних застосуваннях, таких як аналіз ринку, безпека, соціальна кластеризація та інші функції. Генеративний ШІ не лише дозволяє користувачам відчути себе "художниками", наприклад, за допомогою технології ШІ створювати свої NFT, але й створювати різноманітні ігрові сцени та цікаві інтерактивні досвіди в GameFi. Різноманітна інфраструктура забезпечує плавний досвід розробки, незалежно від того, чи є ви експертом з ШІ, чи новачком, який прагне увійти в цю сферу.
Два, огляд картографії та архітектури проектів Web3-AI
Ми в основному досліджували 41 проект у сегменті Web3-AI та розділили ці проекти на різні рівні. Логіка розподілу кожного рівня показана на наступній схемі, яка включає рівень інфраструктури, середній рівень та рівень застосувань, кожен з яких також поділяється на різні секції. У наступному розділі ми проведемо глибокий аналіз деяких представницьких проектів.
Інфраструктурний рівень охоплює обчислювальні ресурси та технологічну архітектуру, які підтримують роботу всього життєвого циклу ШІ, проміжний рівень включає в себе управління даними, розробку моделей та послуги верифікації, що з'єднують інфраструктуру з додатками, а рівень додатків зосереджується на різних застосунках та рішеннях, орієнтованих безпосередньо на користувача.
Інфраструктурний рівень:
Інфраструктурний рівень є основою життєвого циклу ШІ, в цій статті обчислювальні потужності, AI Chain та платформу розробки віднесено до інфраструктурного рівня. Саме завдяки підтримці цих інфраструктур можливе навчання та інференція моделей ШІ, а також надання користувачам потужних та практичних додатків ШІ.
Децентралізована обчислювальна мережа: може надати розподілену обчислювальну потужність для навчання AI-моделей, забезпечуючи ефективне та економічне використання обчислювальних ресурсів. Деякі проекти пропонують децентралізовані ринки обчислювальної потужності, де користувачі можуть орендувати обчислювальну потужність за низькою ціною або ділитися нею для отримання прибутку, приклади проектів включають IO.NET та Hyperbolic. Крім того, деякі проекти виникли з новими іграми, такими як Compute Labs, які запропонували токенізований протокол, де користувачі можуть купувати NFT, що представляють фізичні GPU, щоб брати участь в оренді обчислювальної потужності різними способами для отримання прибутку.
AI Chain: Використання блокчейн-технології як основи життєвого циклу ШІ забезпечує безшовну взаємодію AI-ресурсів на ланцюгу та поза ним, сприяючи розвитку екосистеми галузі. Децентралізований ринок ШІ на ланцюгу дозволяє торгувати активами ШІ, такими як дані, моделі, агенти тощо, та пропонує рамки для розробки ШІ та супутні інструменти розробки, представлений проєктом, таким як Sahara AI. AI Chain також може сприяти прогресу технологій ШІ в різних сферах, наприклад, Bittensor через інноваційний механізм стимулювання підмереж для сприяння конкуренції між різними типами ШІ.
Платформа для розробки: деякі проекти пропонують платформи для розробки AI-агентів, а також можливість торгівлі AI-агентами, такі як Fetch.ai та ChainML. Універсальні інструменти допомагають розробникам зручніше створювати, навчати та впроваджувати AI-моделі, представлений проектом Nimble. Ця інфраструктура сприяє широкому застосуванню AI-технологій в екосистемі Web3.
Проміжний шар:
Цей рівень стосується даних AI, моделей, а також виведення та верифікації, використання технології Web3 дозволяє досягти вищої ефективності роботи.
Дані: Якість і кількість даних є ключовими факторами, що впливають на ефективність навчання моделей. У світі Web3 оптимізація використання ресурсів і зниження витрат на дані можуть бути досягнуті через краудсорсинг даних і колаборативну обробку даних. Користувачі можуть мати автономію над своїми даними, продаючи їх за умов захисту конфіденційності, щоб уникнути їх крадіжки і отримання великих прибутків недобросовісними підприємцями. Для замовників даних ці платформи забезпечують широкий вибір і дуже низькі витрати. Представлені проекти, такі як Grass, використовують пропускну здатність користувачів для збору веб-даних, xData збирає медіаінформацію за допомогою зручних плагінів і підтримує завантаження інформації з твітів користувачів.
Крім того, деякі платформи дозволяють експертам у певних галузях або звичайним користувачам виконувати завдання з попередньої обробки даних, такі як позначення зображень, класифікація даних, які можуть вимагати спеціальних знань для обробки фінансових і юридичних завдань. Користувачі можуть токенізувати свої навички, реалізуючи колективну краудсорсинг попередньої обробки даних. Наприклад, AI-ринок, як Sahara AI, має різноманітні завдання з даними в різних галузях, які можуть охоплювати багатогалузеві сценарії даних; тоді як AIT Protocol виконує позначення даних за допомогою співпраці людини і машини.
Модель: У процесі розробки ШІ, про який згадувалося раніше, різні типи вимог потребують відповідних моделей. Для завдань обробки зображень часто використовуються моделі, такі як CNN, GAN, для завдань виявлення об'єктів можна вибрати серію Yolo, для текстових завдань поширені моделі RNN, Transformer та інші, звичайно, є також деякі специфічні або загальні великі моделі. Для завдань різної складності потрібна різна глибина моделей, іноді потрібно налаштовувати моделі.
Деякі проекти підтримують користувачів у наданні різних типів моделей або в колективному навчанні моделей через краудсорсинг. Наприклад, Sentient через модульний дизайн дозволяє користувачам зберігати надійні дані моделей на рівні зберігання та розподілу для оптимізації моделей. Інструменти розробки, що надаються Sahara AI, вбудовані з передовими алгоритмами ШІ та обчислювальними фреймворками, а також мають можливість колективного навчання.
Висновок та верифікація: після навчання модель генерує файли ваг моделі, які можна використовувати для безпосередньої класифікації, прогнозування чи інших специфічних завдань, цей процес називається висновком. Процес висновку зазвичай супроводжується механізмом верифікації, щоб перевірити, чи є джерело моделі правильним, чи немає шкідливих дій тощо. Висновок Web3 зазвичай можна інтегрувати в смарт-контракти, викликаючи модель для висновку, поширеними способами верифікації є такі технології, як ZKML, OPML та TEE. Представлені проекти, такі як AI-оракул на блокчейні ORA (OAO), впровадили OPML як верифікаційний рівень для AI-оракулів, на офіційному сайті ORA також згадується їхнє дослідження щодо ZKML та opp/ai (поєднання ZKML з OPML).
Рівень застосування:
Цей рівень в основному є додатками, які безпосередньо орієнтовані на користувачів, поєднуючи AI з Web3, створюючи більше цікавих та інноваційних ігор. У цій статті головним чином розглядаються проекти в таких секторах, як AIGC (AI-генерований контент), AI-агенти та аналіз даних.
AIGC: Через AIGC можна розширити можливості на Web3 у таких сферах як NFT, ігри та інші, користувачі можуть безпосередньо за допомогою Prompt (підказок, наданих користувачем) генерувати текст, зображення та аудіо, навіть можуть створювати власні ігрові механіки відповідно до своїх уподобань. NFT проєкти, такі як NFPrompt, дозволяють користувачам генерувати NFT за допомогою AI для торгівлі на ринку; ігри, такі як Sleepless, дозволяють користувачам формувати характер віртуального партнера через діалоги, щоб відповідати своїм уподобанням;
AI-агент: означає штучні інтелектуальні системи, які можуть самостійно виконувати завдання та приймати рішення. AI-агенти зазвичай мають можливості сприйняття, міркування, навчання та дій, здатні виконувати складні завдання в різних середовищах. Розповсюджені AI-агенти, такі як обробка мови,
Ця сторінка може містити контент третіх осіб, який надається виключно в інформаційних цілях (не в якості запевнень/гарантій) і не повинен розглядатися як схвалення його поглядів компанією Gate, а також як фінансова або професійна консультація. Див. Застереження для отримання детальної інформації.
6 лайків
Нагородити
6
4
Поділіться
Прокоментувати
0/400
AirDropMissed
· 22год тому
Знову хоче обманути мене, щоб я інвестував у новий проект, зустрічаю одного жовтого, одного.
Переглянути оригіналвідповісти на0
CascadingDipBuyer
· 22год тому
Заміна не змінює суть, це все ще обман для дурнів
Переглянути оригіналвідповісти на0
ImpermanentPhilosopher
· 22год тому
втілення ШІ дійсно дуже важке, багато проектів просто намагаються скористатися цим.
Переглянути оригіналвідповісти на0
AlwaysMissingTops
· 22год тому
Знову обдурюють невдахи, більшість AI-проєктів - це пастка з оболонкою.
Аналіз панорами Web3-AI: технічна логіка та глибокий аналіз провідних проєктів
Панорамний звіт про сектор Web3-AI: технічна логіка, сценарні застосування та глибокий аналіз провідних проектів
З огляду на зростаючий інтерес до AI-оповідання, все більше уваги зосереджується на цій галузі. У цій статті детально аналізуються технічна логіка, сценарії застосування та представницькі проекти в рамках Web3-AI, щоб повністю представити вам панораму та тенденції розвитку цієї сфери.
Один. Web3-AI: аналіз технологічної логіки та нових ринкових можливостей
1.1 Логіка інтеграції Web3 та AI: як визначити трасу Web-AI
Протягом минулого року AI-оповідання стало надзвичайно популярним в індустрії Web3, AI-проекти почали з'являтися, як гриби після дощу. Хоча багато проектів пов'язані з технологією AI, деякі проекти використовують AI лише в певних частинах своїх продуктів, а базова токеноміка не має суттєвого зв'язку з AI-продуктами, тому такі проекти не включені до обговорення Web3-AI у цій статті.
Основна увага цієї статті зосереджена на використанні блокчейну для вирішення проблем виробничих відносин та штучного інтелекту для вирішення питань продуктивності. Ці проекти самі пропонують продукти штучного інтелекту, а також ґрунтуються на економічній моделі Web3 як інструменті виробничих відносин, що доповнюють один одного. Ми відносимо такі проекти до категорії Web3-AI. Щоб читачі краще зрозуміли цю категорію, ми розкриємо процес розробки штучного інтелекту та виклики, а також те, як поєднання Web3 та штучного інтелекту ідеально вирішує проблеми та створює нові сценарії застосування.
1.2 Розробка AI: від збору даних до моделювання висновків
Технологія ШІ — це технологія, яка дозволяє комп'ютерам імітувати, розширювати та посилювати людський інтелект. Вона дозволяє комп'ютерам виконувати різноманітні складні завдання, від перекладу мов, класифікації зображень до розпізнавання облич та автоматичного водіння, ШІ змінює спосіб нашого життя та роботи.
Процес розробки моделей штучного інтелекту зазвичай включає кілька ключових етапів: збір даних та їх попередня обробка, вибір моделі та її налаштування, навчання моделі та отримання висновків. Наприклад, щоб розробити модель для класифікації зображень котів і собак, вам потрібно:
Збір даних та попередня обробка даних: зібрати набір даних з зображеннями котів і собак, можна використовувати відкриті набори даних або самостійно зібрати реальні дані. Потім для кожного зображення позначте категорію (кіт або собака), забезпечте точність міток. Перетворіть зображення у формат, який модель може розпізнати, розділіть набір даних на навчальний набір, валідаційний набір і тестовий набір.
Вибір моделі та налаштування: вибір відповідної моделі, наприклад, згорткової нейронної мережі (CNN), що більше підходить для завдань класифікації зображень. Налаштування параметрів моделі або архітектури відповідно до різних вимог, зазвичай, рівні мережі моделі можуть бути скориговані залежно від складності AI завдання. У цьому простому прикладі класифікації, більш поверхневі рівні мережі можуть бути достатніми.
Навчання моделі: можна використовувати GPU, TPU або високопродуктивні обчислювальні кластери для навчання моделі, час навчання залежить від складності моделі та обчислювальної потужності.
Моделювання: Файли, які містять навчану модель, зазвичай називають вагами моделі, а процес інференції означає використання вже навченої моделі для прогнозування або класифікації нових даних. У цьому процесі можна використовувати тестовий набір або нові дані для перевірки ефективності класифікації моделі, зазвичай оцінюючи її ефективність за показниками, такими як точність, відзив та F1-score.
Як показано на малюнку, після збору даних, попередньої обробки даних, вибору та налаштування моделі, а також навчання, проведення інференції на тестовому наборі з навченою моделлю дасть прогнозовані значення P (ймовірність) для котів і собак, тобто ймовірність того, що модель визначила це як кота чи собаку.
Навчена AI модель може бути додатково інтегрована в різні програми для виконання різних завдань. У цьому прикладі AI модель для класифікації котів і собак може бути інтегрована в мобільний додаток, де користувач завантажує зображення кота або собаки і отримує результати класифікації.
Однак, централізований процес розробки ШІ має деякі проблеми в наступних сценаріях:
Приватність користувачів: у централізованих сценаріях процес розробки ШІ зазвичай є непрозорим. Дані користувачів можуть бути викрадені без їх відома та використані для навчання ШІ.
Отримання джерела даних: невеликі команди або особи, які отримують дані в певній галузі (наприклад, медичні дані), можуть зіткнутися з обмеженнями, пов'язаними з тим, що дані не є відкритими.
Вибір моделі та налаштування: для малих команд важко отримати ресурси моделі в конкретній галузі або витратити великі кошти на налаштування моделі.
Отримання обчислювальної потужності: для окремих розробників та малих команд високі витрати на покупку GPU та оренду хмарної обчислювальної потужності можуть стати значним економічним тягарем.
AI-активи: працівники з розмітки даних часто не можуть отримати доходи, які відповідають їхнім витратам, а результати досліджень розробників ШІ також важко узгодити з покупцями, які мають потребу.
Виклики, що існують у централізованих AI-сценаріях, можуть бути подолані шляхом інтеграції з Web3. Web3, як нова форма виробничих відносин, природно підходить для представлення нової продуктивності AI, що сприяє одночасному прогресу технологій та виробничих можливостей.
1.3 Синергія Web3 та ШІ: зміна ролей та інноваційні застосування
Поєднання Web3 та ШІ може посилити суверенітет користувачів, надаючи їм відкриту платформу для співпраці з ШІ, що дозволяє користувачам перейти від використання ШІ в епоху Web2 до участі у ньому, створюючи ШІ, яким може володіти кожен. Водночас інтеграція світу Web3 та технологій ШІ може привести до виникнення більшої кількості інноваційних застосувань і ігрових механік.
На основі технології Web3 розробка та застосування ШІ увійдуть у нову економічну систему співпраці. Приватність даних людей може бути забезпечена, модель краудсорсингу даних сприяє розвитку моделей ШІ, численні ресурси з відкритим кодом доступні для користувачів, а спільна обчислювальна потужність може бути отримана за нижчою ціною. Завдяки децентралізованій механіці краудсорсингу та відкритому ринку ШІ можна реалізувати справедливу систему розподілу доходів, що стимулює більше людей до розвитку технологій ШІ.
У сцені Web3 ШІ може позитивно впливати на кілька напрямків. Наприклад, моделі ШІ можна інтегрувати в смарт-контракти, щоб підвищити ефективність роботи в різних застосуваннях, таких як аналіз ринку, безпека, соціальна кластеризація та інші функції. Генеративний ШІ не лише дозволяє користувачам відчути себе "художниками", наприклад, за допомогою технології ШІ створювати свої NFT, але й створювати різноманітні ігрові сцени та цікаві інтерактивні досвіди в GameFi. Різноманітна інфраструктура забезпечує плавний досвід розробки, незалежно від того, чи є ви експертом з ШІ, чи новачком, який прагне увійти в цю сферу.
Два, огляд картографії та архітектури проектів Web3-AI
Ми в основному досліджували 41 проект у сегменті Web3-AI та розділили ці проекти на різні рівні. Логіка розподілу кожного рівня показана на наступній схемі, яка включає рівень інфраструктури, середній рівень та рівень застосувань, кожен з яких також поділяється на різні секції. У наступному розділі ми проведемо глибокий аналіз деяких представницьких проектів.
Інфраструктурний рівень охоплює обчислювальні ресурси та технологічну архітектуру, які підтримують роботу всього життєвого циклу ШІ, проміжний рівень включає в себе управління даними, розробку моделей та послуги верифікації, що з'єднують інфраструктуру з додатками, а рівень додатків зосереджується на різних застосунках та рішеннях, орієнтованих безпосередньо на користувача.
Інфраструктурний рівень:
Інфраструктурний рівень є основою життєвого циклу ШІ, в цій статті обчислювальні потужності, AI Chain та платформу розробки віднесено до інфраструктурного рівня. Саме завдяки підтримці цих інфраструктур можливе навчання та інференція моделей ШІ, а також надання користувачам потужних та практичних додатків ШІ.
Децентралізована обчислювальна мережа: може надати розподілену обчислювальну потужність для навчання AI-моделей, забезпечуючи ефективне та економічне використання обчислювальних ресурсів. Деякі проекти пропонують децентралізовані ринки обчислювальної потужності, де користувачі можуть орендувати обчислювальну потужність за низькою ціною або ділитися нею для отримання прибутку, приклади проектів включають IO.NET та Hyperbolic. Крім того, деякі проекти виникли з новими іграми, такими як Compute Labs, які запропонували токенізований протокол, де користувачі можуть купувати NFT, що представляють фізичні GPU, щоб брати участь в оренді обчислювальної потужності різними способами для отримання прибутку.
AI Chain: Використання блокчейн-технології як основи життєвого циклу ШІ забезпечує безшовну взаємодію AI-ресурсів на ланцюгу та поза ним, сприяючи розвитку екосистеми галузі. Децентралізований ринок ШІ на ланцюгу дозволяє торгувати активами ШІ, такими як дані, моделі, агенти тощо, та пропонує рамки для розробки ШІ та супутні інструменти розробки, представлений проєктом, таким як Sahara AI. AI Chain також може сприяти прогресу технологій ШІ в різних сферах, наприклад, Bittensor через інноваційний механізм стимулювання підмереж для сприяння конкуренції між різними типами ШІ.
Платформа для розробки: деякі проекти пропонують платформи для розробки AI-агентів, а також можливість торгівлі AI-агентами, такі як Fetch.ai та ChainML. Універсальні інструменти допомагають розробникам зручніше створювати, навчати та впроваджувати AI-моделі, представлений проектом Nimble. Ця інфраструктура сприяє широкому застосуванню AI-технологій в екосистемі Web3.
Проміжний шар:
Цей рівень стосується даних AI, моделей, а також виведення та верифікації, використання технології Web3 дозволяє досягти вищої ефективності роботи.
Крім того, деякі платформи дозволяють експертам у певних галузях або звичайним користувачам виконувати завдання з попередньої обробки даних, такі як позначення зображень, класифікація даних, які можуть вимагати спеціальних знань для обробки фінансових і юридичних завдань. Користувачі можуть токенізувати свої навички, реалізуючи колективну краудсорсинг попередньої обробки даних. Наприклад, AI-ринок, як Sahara AI, має різноманітні завдання з даними в різних галузях, які можуть охоплювати багатогалузеві сценарії даних; тоді як AIT Protocol виконує позначення даних за допомогою співпраці людини і машини.
Деякі проекти підтримують користувачів у наданні різних типів моделей або в колективному навчанні моделей через краудсорсинг. Наприклад, Sentient через модульний дизайн дозволяє користувачам зберігати надійні дані моделей на рівні зберігання та розподілу для оптимізації моделей. Інструменти розробки, що надаються Sahara AI, вбудовані з передовими алгоритмами ШІ та обчислювальними фреймворками, а також мають можливість колективного навчання.
Рівень застосування:
Цей рівень в основному є додатками, які безпосередньо орієнтовані на користувачів, поєднуючи AI з Web3, створюючи більше цікавих та інноваційних ігор. У цій статті головним чином розглядаються проекти в таких секторах, як AIGC (AI-генерований контент), AI-агенти та аналіз даних.
AIGC: Через AIGC можна розширити можливості на Web3 у таких сферах як NFT, ігри та інші, користувачі можуть безпосередньо за допомогою Prompt (підказок, наданих користувачем) генерувати текст, зображення та аудіо, навіть можуть створювати власні ігрові механіки відповідно до своїх уподобань. NFT проєкти, такі як NFPrompt, дозволяють користувачам генерувати NFT за допомогою AI для торгівлі на ринку; ігри, такі як Sleepless, дозволяють користувачам формувати характер віртуального партнера через діалоги, щоб відповідати своїм уподобанням;
AI-агент: означає штучні інтелектуальні системи, які можуть самостійно виконувати завдання та приймати рішення. AI-агенти зазвичай мають можливості сприйняття, міркування, навчання та дій, здатні виконувати складні завдання в різних середовищах. Розповсюджені AI-агенти, такі як обробка мови,