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 en puissance de la narration par l'IA, de plus en plus d'attention est portée sur ce secteur. Cet article analyse en profondeur la logique technique, les cas 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 de la logique technique et des opportunités de marché émergentes

1.1 Logique de fusion entre Web3 et AI : 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 une multitude de projets AI émergeant comme des champignons après la pluie. Bien que de nombreux projets impliquent des technologies AI, certains n'utilisent l'AI que dans certaines parties de leurs produits, et l'économie de jetons 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.

Cet 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 offrent eux-mêmes des produits d'IA, tout en se basant sur un modèle économique Web3 comme outil de relations de production, les deux se complétant mutuellement. Nous classifions ces projets dans la catégorie Web3-AI. Afin d'aider les lecteurs à mieux comprendre la catégorie Web3-AI, cet article présentera le processus de développement de l'IA et ses défis, ainsi que la manière dont la combinaison de Web3 et de l'IA peut parfaitement résoudre des problèmes et créer de nouveaux cas d'utilisation.

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

La technologie AI 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 jusqu'à la reconnaissance faciale, la conduite autonome et d'autres scénarios d'application. L'IA est en train de transformer notre façon de vivre et de travailler.

Le processus de développement d'un modèle d'intelligence artificielle comprend généralement les étapes clés suivantes : la collecte et le prétraitement des données, le choix et l'ajustement du modèle, l'entraînement et l'inférence du modèle. Prenons un exemple simple : pour développer un modèle capable de classer des images de chats et de chiens, vous aurez besoin de :

1. Collecte de données et prétraitement des données : Collecter 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 une catégorie (chat ou chien), en vous assurant que les étiquettes sont 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 ajustement du modèle : choisir un modèle approprié, par exemple un réseau de neurones convolutionnel (CNN), qui est particulièrement adapté aux tâches de classification d'images. Ajuster les paramètres ou l'architecture du modèle en fonction des besoins spécifiques, en général, la profondeur du réseau peut être ajustée en fonction de la complexité de la tâche d'IA. Dans cet exemple simple de classification, une profondeur de réseau moins importante peut suffire.

3. Entraînement du modèle : Il est possible d'utiliser des GPU, 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 de modèle : Le fichier du modèle entraîné est généralement appelé poids du modèle, et 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 tester l'efficacité de la classification du modèle, généralement évaluée par des indicateurs tels que la précision, le rappel et le F1-score.

Après la collecte de données, le prétraitement des données, la sélection et l'ajustement du modèle, ainsi que l'entraînement, le modèle entraîné sera utilisé pour effectuer des inférences sur l'ensemble de test, ce qui 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 :

Confidentialité des utilisateurs : dans un environnement 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.

Obtention des données sources : Les petites équipes ou les particuliers peuvent être confrontés à des restrictions concernant l'accès aux données non open source dans des domaines spécifiques (comme les données médicales).

Choix et ajustement des modèles : pour les petites équipes, il est difficile d'accéder aux ressources de modèles spécifiques ou de dépenser des coûts importants pour l'ajustement des modèles.

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

Revenus des actifs AI : Les travailleurs de l'annotation de données ont souvent du mal à obtenir des revenus proportionnels à leurs efforts, tandis que les résultats de recherche des développeurs d'IA sont également difficiles à faire correspondre avec les acheteurs en demande.

Les défis présents dans les scénarios d'IA centralisée peuvent être surmontés en les combinant avec le Web3, qui, en tant que nouvelle forme de relation de production, s'adapte naturellement à l'IA représentant une nouvelle productivité, ce qui favorise le progrès simultané de la technologie et des capacités de production.

1.3 Synergie entre Web3 et AI : transformation des rôles et applications innovantes

La combinaison de Web3 et de l'IA peut renforcer la souveraineté des utilisateurs, en leur fournissant une plateforme de collaboration ouverte en IA, permettant aux utilisateurs de passer de simples utilisateurs de l'IA à des participants, créant une IA que tout le monde peut posséder. En même temps, la fusion du monde Web3 et des technologies IA peut également donner lieu à 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 individus peut être protégée, le modèle de crowdsourcing des données favorise le progrès des modèles d'IA, de nombreuses ressources IA open source sont disponibles pour les utilisateurs, et la puissance de calcul partagée peut être acquise à un coût relativement bas. Grâce à un mécanisme de collaboration décentralisé et à un marché de l'IA ouvert, un système de répartition 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, les modèles d'IA peuvent être intégrés dans des contrats intelligents pour améliorer l'efficacité au travail dans différents cas d'application, tels que l'analyse de marché, la détection de sécurité, la classification sociale, et bien d'autres fonctionnalités. L'IA générative permet non seulement aux utilisateurs de vivre le rôle "d'artiste", par exemple en utilisant des technologies d'IA pour créer leurs propres NFT, mais aussi de créer des scènes de jeu variées et des expériences interactives intéressantes dans GameFi. Une infrastructure riche offre une expérience de développement fluide, que ce soit pour des experts en IA ou pour des novices souhaitant entrer dans le domaine de l'IA, chacun peut trouver une entrée appropriée dans ce monde.

II. Interprétation de la carte et de l'architecture des projets écologiques 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, incluant le niveau d'infrastructure, le niveau intermédiaire et le niveau d'application, chaque niveau étant divisé en différents secteurs. 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 d'inférence de validation reliant 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 classifie la puissance de calcul, la chaîne IA et la plateforme de développement comme faisant partie de la couche d'infrastructure. C'est grâce au soutien de ces infrastructures que l'on peut réaliser l'entraînement et l'inférence des modèles IA, et présenter aux utilisateurs des applications IA puissantes et pratiques.

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

• AI Chain : Utiliser la blockchain comme base du cycle de vie de l'IA, permettant une interaction sans couture des ressources IA en ligne et hors ligne, et favorisant le développement de l'écosystème industriel. Le marché décentralisé de l'IA sur la blockchain peut échanger des actifs IA tels que des données, des modèles, des agents, etc., et fournir des cadres de développement IA et des outils de développement associés, avec des projets représentatifs comme Sahara AI. AI Chain peut également favoriser les progrès technologiques de l'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 proposent des plateformes de développement d'agents IA, et peuvent également réaliser des transactions d'agents IA, comme Fetch.ai et ChainML. Des outils tout-en-un aident les développeurs à créer, entraîner et déployer des modèles d'IA de manière plus pratique, avec des projets représentatifs comme Nimble. Ces infrastructures favorisent l'application généralisée de la technologie IA dans l'écosystème Web3.

Couche intermédiaire :

Ce niveau implique des données AI, des modèles ainsi que des raisonnements et des vérifications, et l'adoption de la technologie Web3 peut atteindre une efficacité de travail plus élevée.

• Données : La qualité et la quantité des données sont des facteurs clés qui influencent l'efficacité de l'entraînement des modèles. Dans le monde de Web3, l'utilisation de données crowdsourcées 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 et les vendre dans le respect de la vie privée, afin d'éviter que leurs données ne soient volées par des commerçants malveillants et qu'ils n'en tirent des profits exorbitants. Pour les demandeurs de données, ces plateformes offrent un large éventail de choix et des coûts très bas. Des projets représentatifs comme Grass utilisent la bande passante des utilisateurs pour récupérer des données Web, xData collecte des informations médiatiques via un plugin convivial et permet aux utilisateurs de télécharger des informations de tweets.

De plus, certaines plateformes permettent aux experts du domaine ou aux utilisateurs ordinaires d'effectuer des tâches de prétraitement des données, telles que l'annotation d'images et la classification des données, qui peuvent nécessiter des connaissances spécialisées en matière de traitement des données financières et juridiques. Les utilisateurs peuvent tokeniser leurs compétences, permettant la collaboration en matière de prétraitement des données. Des exemples comme le marché AI de Sahara AI, qui propose des tâches de données dans différents domaines, peuvent couvrir des scénarios de données multi-domaines ; tandis que le protocole AIT annotent les données par le biais de la 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 et GAN, pour les tâches de détection d'objets, la série Yolo peut être choisie, et pour les tâches de texte, les modèles courants incluent RNN et Transformer, ainsi que certains grands modèles spécifiques ou généraux. La profondeur du modèle requise varie en fonction de la complexité des tâches, et il est parfois nécessaire d'ajuster le modèle.

Certains projets permettent aux utilisateurs de fournir différents types de modèles ou de collaborer à l'entraînement des modèles par le biais de l'crowdsourcing, comme Sentient qui, grâce à une conception 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, et possèdent la capacité d'entraînement collaboratif.

• Inférence et validation : Une fois que le modèle a été entraîné, il génère un fichier de poids de modèle qui peut 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 provenance du modèle d'inférence est correcte, 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, et le site officiel d'ORA mentionne également leurs recherches sur ZKML et opp/ai (ZKML combiné avec OPML).

Couches applicatives :

Cette couche est principalement constituée d'applications destinées aux utilisateurs, alliant l'IA et le Web3 pour créer des expériences plus intéressantes et innovantes. Cet article examine principalement 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 vers les domaines des NFT, des jeux, etc. dans Web3, les utilisateurs peuvent directement générer du texte, des images et de l'audio via des prompts (les mots-clés fournis par l'utilisateur), et même générer du contenu dans les jeux selon leurs préférences.