Панорамный отчет о Web3-AI: Глубина технической логики, сценарные приложения и глубокий анализ топовых проектов
С учетом продолжающегося роста интереса к AI-нарративам, все больше внимания сосредоточено на этой области. В этой статье проведен глубокий анализ технической логики, сценариев применения и представительных проектов в области Web3-AI, чтобы в полной мере представить панораму и тенденции развития этой сферы.
Один. Web3-AI: анализ технологической логики и новых рыночных возможностей
1.1 Логика融合 Web3 и ИИ: как определить сектор Web-AI
В течение прошлого года AI-нарратив в индустрии Web3 стал необычайно популярным, проекты на основе ИИ появляются как грибы после дождя. Хотя существует множество проектов, связанных с технологиями ИИ, некоторые из них используют ИИ только в определенных частях своих продуктов, при этом базовая токеномика не имеет существенной связи с продуктами ИИ, поэтому такие проекты не будут обсуждаться в данной статье как Web3-AI проекты.
В данной статье акцентируется внимание на проектах, использующих блокчейн для решения проблем производственных отношений и ИИ для решения проблем производительных сил. Эти проекты сами по себе предлагают ИИ-продукты, одновременно основываясь на экономической модели Web3 в качестве инструмента производственных отношений, что создает взаимодополняющий эффект. Мы классифицируем такие проекты как сектор Web3-АИ. Чтобы читатели лучше понимали сектор Web3-АИ, в статье будет подробно рассмотрен процесс разработки ИИ и вызовы, а также то, как сочетание Web3 и ИИ может идеально решить проблемы и создать новые сценарии применения.
1.2 Процесс разработки ИИ и вызовы: от сбора данных до вывода модели
Технология ИИ — это технология, позволяющая компьютерам моделировать, расширять и усиливать человеческий интеллект. Она позволяет компьютерам выполнять различные сложные задачи, от перевода языков, классификации изображений до распознавания лиц и автономного вождения, ИИ меняет способы нашей жизни и работы.
Процесс разработки модели искусственного интеллекта обычно включает в себя несколько ключевых этапов: сбор данных и предварительную обработку данных, выбор и настройку модели, обучение модели и вывод. Приведем простой пример: для разработки модели, которая классифицирует изображения кошек и собак, вам нужно:
Сбор данных и предварительная обработка данных: соберите набор данных с изображениями котов и собак, можно использовать открытые наборы данных или самостоятельно собрать реальные данные. Затем для каждого изображения укажите категорию (кот или собака), убедитесь, что метки точные. 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 более подходит для задач классификации изображений. Настройте параметры модели или архитектуру в зависимости от различных требований, как правило, уровень сети модели можно регулировать в зависимости от сложности задачи ИИ. В этом простом примере классификации может быть достаточно более мелкой структуры сети.
Обучение модели: для обучения модели можно использовать GPU, TPU или высокопроизводительные вычислительные кластеры, время обучения зависит от сложности модели и вычислительной мощности.
Моделирование вывода: Файл, в котором содержатся обученные модели, обычно называется весами модели. Процесс вывода относится к использованию уже обученной модели для прогнозирования или классификации новых данных. В этом процессе можно использовать тестовый набор или новые данные для проверки эффективности классификации модели, обычно с помощью таких показателей, как точность, полнота, F1-оценка и других для оценки эффективности модели.
Однако централизованный процесс разработки ИИ имеет некоторые проблемы в следующих сценариях:
Пользовательская конфиденциальность: в централизованных сценариях процесс разработки ИИ обычно непрозрачный. Данные пользователей могут быть украдены без их ведома и использованы для обучения ИИ.
Получение источников данных: небольшие команды или индивидуумы, получая данные в определенной области (, такие как медицинские данные ), могут столкнуться с ограничениями на открытость данных.
Выбор и настройка модели: для небольших команд сложно получить ресурсы моделей для конкретной области или потратить большие средства на настройку моделей.
Получение вычислительной мощности: для индивидуальных разработчиков и небольших команд высокая стоимость покупки GPU и аренды облачных вычислительных мощностей могут стать значительным экономическим бременем.
Доход от активов ИИ: рабочие по разметке данных часто не могут получить доход, соответствующий их усилиям, и результаты исследований разработчиков ИИ также трудно сопоставить с покупателями, имеющими спрос.
Вызовы, существующие в централизованных AI-сценариях, могут быть преодолены за счет интеграции с Web3; Web3, как новая производственная связь, естественным образом адаптируется к AI, представляющему собой новую производительную силу, что способствует одновременному прогрессу технологий и производственных возможностей.
1.3 Синергия Web3 и ИИ: изменения ролей и инновационные приложения
Сочетание Web3 и ИИ может усилить суверенитет пользователей, предоставляя открытое пространство для сотрудничества в области ИИ, позволяя пользователям перейти от роли пользователей ИИ в эпоху Web2 к роли участников, создавая ИИ, которым может владеть каждый. В то же время, слияние мира Web3 и технологий ИИ может привести к возникновению более инновационных сценариев применения и способов взаимодействия.
На основе технологии Web3 разработка и применение ИИ вступят в новую эру совместной экономической системы. Конфиденциальность данных людей будет защищена, модель краудсорсинга данных будет способствовать прогрессу моделей ИИ, множество открытых ресурсов ИИ будет доступно для пользователей, а совместная вычислительная мощность будет доступна по низкой цене. С помощью децентрализованной механики совместного краудсорсинга и открытого рынка ИИ можно реализовать справедливую систему распределения доходов, что, в свою очередь, будет стимулировать больше людей к продвижению прогресса технологий ИИ.
В сценарии Web3 ИИ может оказать положительное влияние в нескольких областях. Например, ИИ-модели могут быть интегрированы в смарт-контракты для повышения эффективности работы в различных приложениях, таких как рыночный анализ, безопасность и социальная кластеризация. Генеративный ИИ позволяет пользователям испытать роль "художника", например, используя ИИ-технологии для создания своих собственных NFT, а также создавать разнообразные игровые сцены и интересные взаимодействия в GameFi. Разнообразная инфраструктура обеспечивает плавный процесс разработки, и как эксперты ИИ, так и новички, стремящиеся войти в область ИИ, могут найти подходящий вход в этот мир.
Два. Интерпретация карты и архитектуры 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 Глубина анализ некоторых представительных проектов.
Инфраструктурный уровень охватывает вычислительные ресурсы и техническую архитектуру, поддерживающие весь жизненный цикл ИИ, промежуточный уровень включает в себя управление данными, разработку моделей и услуги валидации и вывода, соединяющие инфраструктуру и приложения, уровень приложений 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 платформа разработки отнесены к инфраструктурному уровню. Именно благодаря поддержке этих инфраструктур возможно обучение и вывод моделей ИИ, а также представление пользователям мощных и практичных приложений ИИ.
Децентрализованная вычислительная сеть: может предоставить 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 таких проектов включают IO.NET и Hyperbolic. Кроме того, некоторые проекты развили новые подходы, такие как Compute Labs, предложившие токенизированный протокол, позволяющий пользователям участвовать в аренде вычислительных мощностей различными способами через покупку NFT, представляющих физические GPU.
AI Chain: Использование блокчейна как основы для жизненного цикла ИИ, что обеспечивает бесшовное взаимодействие ИИ-ресурсов на цепочке и вне ее, способствуя развитию отраслевой экосистемы. Децентрализованный рынок ИИ на цепочке может торговать активами ИИ, такими как данные, модели, агенты и т. д., а также предоставляет рамки для разработки ИИ и сопутствующие инструменты разработки, примеры проектов включают Sahara AI. AI Chain также может способствовать прогрессу технологий ИИ в различных областях, таких как Bittensor, который стимулирует конкуренцию между подсетями различных типов ИИ с помощью инновационного механизма стимулирования подсетей.
Платформа разработки: некоторые проекты предлагают платформы для разработки AI-агентов, которые также могут реализовывать торговлю AI-агентами, такие как Fetch.ai и ChainML. Универсальные инструменты помогают разработчикам более удобно создавать, обучать и развертывать AI-модели, такие как Nimble. Эта инфраструктура способствует широкому применению технологий AI в экосистеме Web3.
Средний уровень:
Этот уровень касается данных AI, моделей, а также вывода и верификации, 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 краудсорсингу данных и совместной обработке данных, можно оптимизировать использование ресурсов и снизить затраты на данные. Пользователи могут обладать правом собственности на данные, продавая свои данные при соблюдении конфиденциальности, чтобы избежать кражи данных недобросовестными компаниями и получения высокой прибыли. Для потребителей данных эти платформы предлагают широкий выбор и очень низкие затраты. Примеры проектов, таких как Grass, используют пропускную способность пользователей для сбора веб-данных, xData собирает информацию о медиа с помощью удобного плагина и поддерживает возможность загрузки твитов пользователями.
Кроме того, некоторые платформы позволяют экспертам в области или обычным пользователям выполнять задачи предварительной обработки данных, такие как аннотирование изображений и классификация данных, которые могут требовать профессиональных знаний в области финансов и юридической обработки данных. Пользователи могут токенизировать свои навыки, реализуя сотрудничество и краудсорсинг для предварительной обработки данных. Примером является рынок AI, такой как Sahara AI, который предлагает различные задачи с данными в разных областях и может охватывать многопрофильные сценарии данных; в то время как AIT Protocolt осуществляет аннотирование данных с помощью совместной работы человека и машины.
Модель: В ранее упомянутом процессе разработки ИИ различные типы требований требуют соответствующих моделей. Модели, часто используемые для задач изображения, такие как CNN, GAN, для задач обнаружения объектов можно выбрать серию Yolo, для текстовых задач распространены модели RNN, Transformer и другие, конечно, есть также некоторые специфические или универсальные большие модели. Модели, необходимые для задач различной сложности, также имеют разную Глубина, иногда требуется настроить модель.
Некоторые проекты поддерживают пользователей, предоставляющих различные типы моделей или обучающих моделей через краудсорсинг. Например, Sentient, благодаря модульному дизайну, позволяет пользователям размещать надежные данные моделей на уровне хранения и распределения для оптимизации моделей. Инструменты разработки, предоставляемые Sahara AI, встроены с передовыми алгоритмами ИИ и вычислительными фреймворками, а также обладают возможностью совместного обучения.
Вывод и верификация: после обучения модель генерирует файл весов модели, который можно использовать для прямой классификации, предсказания или других специфических задач, этот процесс называется выводом. Процесс вывода обычно сопровождается механизмом верификации, чтобы проверить, правильны ли источники выводной модели, нет ли злонамеренных действий и т.д. Вывод в Web3 обычно можно интегрировать в смарт-контракты, вызывая модель для вывода, распространенные методы верификации включают технологии ZKML, OPML и TEE. Представляющий проект, такой как AI-оракул на ORA-цепочке (OAO), внедрил OPML как проверяемый уровень для AI-оракула, на официальном сайте ORA также упоминается их исследование о сочетании ZKML и opp/ai( ZKML с OPML ).
Уровень приложения:
Этот уровень в основном представляет собой приложения, ориентированные на пользователей, которые совмещают 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 расширяться в такие области Web3, как NFT, игры и другие направления. Пользователи могут напрямую генерировать текст, изображения и аудио, используя подсказки, предоставленные пользователем, такие как Prompt(. Даже в играх можно создавать пользовательские сценарии в соответствии с собственными предпочтениями. NFT проекты, такие как NFPrompt, позволяют пользователям генерировать NFT с помощью ИИ и торговать ими на рынке; игры, такие как Sleepless, позволяют пользователям формировать характер виртуального партнера через диалог, чтобы соответствовать их предпочтениям;
AI-агенты: это искусственные интеллектуальные системы, способные самостоятельно выполнять задачи и принимать решения. AI-агенты обычно обладают способностями восприятия, рассуждения, обучения и действия, могут выполнять сложные задачи в различных средах. Распространенные AI-агенты включают перевод языков, изучение языков, преобразование изображений в текст и т.д. В контексте Web3 они могут генерировать торговых роботов, создавать мемы, проводить безопасные проверки на блокчейне и т.д. Например, MyShell как платформа AI-агентов предлагает различные типы агентов, включая образовательные, виртуальные компаньоны, торговые агенты и т.д., а также предоставляет удобные инструменты для разработки агентов, позволяя создавать собственных агентов без необходимости писать код.
Анализ данных: с помощью интеграции технологий ИИ и баз данных в смежных областях для реализации анализа, оценки, прогнозирования и т.д., в Web3 можно анализировать рыночные данные, динамику умных денег и т.д., чтобы помочь пользователям принимать инвестиционные решения. Прогнозирование токенов также является уникальным сценарием применения в Web3, такие проекты, как Ocean, официально установили.
Посмотреть Оригинал
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» .
12 Лайков
Награда
12
5
Поделиться
комментарий
0/400
MeaninglessGwei
· 15ч назад
Снова пришла AI, достало.
Посмотреть ОригиналОтветить0
BearMarketMonk
· 08-06 05:05
Экология, по крайней мере, должна составлять 6 цифр?
Посмотреть ОригиналОтветить0
LayerHopper
· 08-06 04:56
Снова двойной AI-возница
Посмотреть ОригиналОтветить0
FarmToRiches
· 08-06 04:36
Будут играть для лохов новый нарратив пришел
Посмотреть ОригиналОтветить0
MoonlightGamer
· 08-06 04:36
Чё? Ловушка для того, чтобы покрасоваться на хайпе ai ~
Web3-AI поле: Глубина анализа технологической логики, сценариев применения и топовых проектов
Панорамный отчет о Web3-AI: Глубина технической логики, сценарные приложения и глубокий анализ топовых проектов
С учетом продолжающегося роста интереса к AI-нарративам, все больше внимания сосредоточено на этой области. В этой статье проведен глубокий анализ технической логики, сценариев применения и представительных проектов в области Web3-AI, чтобы в полной мере представить панораму и тенденции развития этой сферы.
Один. Web3-AI: анализ технологической логики и новых рыночных возможностей
1.1 Логика融合 Web3 и ИИ: как определить сектор Web-AI
В течение прошлого года AI-нарратив в индустрии Web3 стал необычайно популярным, проекты на основе ИИ появляются как грибы после дождя. Хотя существует множество проектов, связанных с технологиями ИИ, некоторые из них используют ИИ только в определенных частях своих продуктов, при этом базовая токеномика не имеет существенной связи с продуктами ИИ, поэтому такие проекты не будут обсуждаться в данной статье как Web3-AI проекты.
В данной статье акцентируется внимание на проектах, использующих блокчейн для решения проблем производственных отношений и ИИ для решения проблем производительных сил. Эти проекты сами по себе предлагают ИИ-продукты, одновременно основываясь на экономической модели Web3 в качестве инструмента производственных отношений, что создает взаимодополняющий эффект. Мы классифицируем такие проекты как сектор Web3-АИ. Чтобы читатели лучше понимали сектор Web3-АИ, в статье будет подробно рассмотрен процесс разработки ИИ и вызовы, а также то, как сочетание Web3 и ИИ может идеально решить проблемы и создать новые сценарии применения.
1.2 Процесс разработки ИИ и вызовы: от сбора данных до вывода модели
Технология ИИ — это технология, позволяющая компьютерам моделировать, расширять и усиливать человеческий интеллект. Она позволяет компьютерам выполнять различные сложные задачи, от перевода языков, классификации изображений до распознавания лиц и автономного вождения, ИИ меняет способы нашей жизни и работы.
Процесс разработки модели искусственного интеллекта обычно включает в себя несколько ключевых этапов: сбор данных и предварительную обработку данных, выбор и настройку модели, обучение модели и вывод. Приведем простой пример: для разработки модели, которая классифицирует изображения кошек и собак, вам нужно:
Сбор данных и предварительная обработка данных: соберите набор данных с изображениями котов и собак, можно использовать открытые наборы данных или самостоятельно собрать реальные данные. Затем для каждого изображения укажите категорию (кот или собака), убедитесь, что метки точные. 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 более подходит для задач классификации изображений. Настройте параметры модели или архитектуру в зависимости от различных требований, как правило, уровень сети модели можно регулировать в зависимости от сложности задачи ИИ. В этом простом примере классификации может быть достаточно более мелкой структуры сети.
Обучение модели: для обучения модели можно использовать GPU, TPU или высокопроизводительные вычислительные кластеры, время обучения зависит от сложности модели и вычислительной мощности.
Моделирование вывода: Файл, в котором содержатся обученные модели, обычно называется весами модели. Процесс вывода относится к использованию уже обученной модели для прогнозирования или классификации новых данных. В этом процессе можно использовать тестовый набор или новые данные для проверки эффективности классификации модели, обычно с помощью таких показателей, как точность, полнота, F1-оценка и других для оценки эффективности модели.
Однако централизованный процесс разработки ИИ имеет некоторые проблемы в следующих сценариях:
Пользовательская конфиденциальность: в централизованных сценариях процесс разработки ИИ обычно непрозрачный. Данные пользователей могут быть украдены без их ведома и использованы для обучения ИИ.
Получение источников данных: небольшие команды или индивидуумы, получая данные в определенной области (, такие как медицинские данные ), могут столкнуться с ограничениями на открытость данных.
Выбор и настройка модели: для небольших команд сложно получить ресурсы моделей для конкретной области или потратить большие средства на настройку моделей.
Получение вычислительной мощности: для индивидуальных разработчиков и небольших команд высокая стоимость покупки GPU и аренды облачных вычислительных мощностей могут стать значительным экономическим бременем.
Доход от активов ИИ: рабочие по разметке данных часто не могут получить доход, соответствующий их усилиям, и результаты исследований разработчиков ИИ также трудно сопоставить с покупателями, имеющими спрос.
Вызовы, существующие в централизованных AI-сценариях, могут быть преодолены за счет интеграции с Web3; Web3, как новая производственная связь, естественным образом адаптируется к AI, представляющему собой новую производительную силу, что способствует одновременному прогрессу технологий и производственных возможностей.
1.3 Синергия Web3 и ИИ: изменения ролей и инновационные приложения
Сочетание Web3 и ИИ может усилить суверенитет пользователей, предоставляя открытое пространство для сотрудничества в области ИИ, позволяя пользователям перейти от роли пользователей ИИ в эпоху Web2 к роли участников, создавая ИИ, которым может владеть каждый. В то же время, слияние мира Web3 и технологий ИИ может привести к возникновению более инновационных сценариев применения и способов взаимодействия.
На основе технологии Web3 разработка и применение ИИ вступят в новую эру совместной экономической системы. Конфиденциальность данных людей будет защищена, модель краудсорсинга данных будет способствовать прогрессу моделей ИИ, множество открытых ресурсов ИИ будет доступно для пользователей, а совместная вычислительная мощность будет доступна по низкой цене. С помощью децентрализованной механики совместного краудсорсинга и открытого рынка ИИ можно реализовать справедливую систему распределения доходов, что, в свою очередь, будет стимулировать больше людей к продвижению прогресса технологий ИИ.
В сценарии Web3 ИИ может оказать положительное влияние в нескольких областях. Например, ИИ-модели могут быть интегрированы в смарт-контракты для повышения эффективности работы в различных приложениях, таких как рыночный анализ, безопасность и социальная кластеризация. Генеративный ИИ позволяет пользователям испытать роль "художника", например, используя ИИ-технологии для создания своих собственных NFT, а также создавать разнообразные игровые сцены и интересные взаимодействия в GameFi. Разнообразная инфраструктура обеспечивает плавный процесс разработки, и как эксперты ИИ, так и новички, стремящиеся войти в область ИИ, могут найти подходящий вход в этот мир.
Два. Интерпретация карты и архитектуры 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 Глубина анализ некоторых представительных проектов.
Инфраструктурный уровень охватывает вычислительные ресурсы и техническую архитектуру, поддерживающие весь жизненный цикл ИИ, промежуточный уровень включает в себя управление данными, разработку моделей и услуги валидации и вывода, соединяющие инфраструктуру и приложения, уровень приложений 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 платформа разработки отнесены к инфраструктурному уровню. Именно благодаря поддержке этих инфраструктур возможно обучение и вывод моделей ИИ, а также представление пользователям мощных и практичных приложений ИИ.
Децентрализованная вычислительная сеть: может предоставить 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 таких проектов включают IO.NET и Hyperbolic. Кроме того, некоторые проекты развили новые подходы, такие как Compute Labs, предложившие токенизированный протокол, позволяющий пользователям участвовать в аренде вычислительных мощностей различными способами через покупку NFT, представляющих физические GPU.
AI Chain: Использование блокчейна как основы для жизненного цикла ИИ, что обеспечивает бесшовное взаимодействие ИИ-ресурсов на цепочке и вне ее, способствуя развитию отраслевой экосистемы. Децентрализованный рынок ИИ на цепочке может торговать активами ИИ, такими как данные, модели, агенты и т. д., а также предоставляет рамки для разработки ИИ и сопутствующие инструменты разработки, примеры проектов включают Sahara AI. AI Chain также может способствовать прогрессу технологий ИИ в различных областях, таких как Bittensor, который стимулирует конкуренцию между подсетями различных типов ИИ с помощью инновационного механизма стимулирования подсетей.
Платформа разработки: некоторые проекты предлагают платформы для разработки AI-агентов, которые также могут реализовывать торговлю AI-агентами, такие как Fetch.ai и ChainML. Универсальные инструменты помогают разработчикам более удобно создавать, обучать и развертывать AI-модели, такие как Nimble. Эта инфраструктура способствует широкому применению технологий AI в экосистеме Web3.
Средний уровень:
Этот уровень касается данных AI, моделей, а также вывода и верификации, использование технологий Web3 может обеспечить более высокую рабочую эффективность.
Кроме того, некоторые платформы позволяют экспертам в области или обычным пользователям выполнять задачи предварительной обработки данных, такие как аннотирование изображений и классификация данных, которые могут требовать профессиональных знаний в области финансов и юридической обработки данных. Пользователи могут токенизировать свои навыки, реализуя сотрудничество и краудсорсинг для предварительной обработки данных. Примером является рынок AI, такой как Sahara AI, который предлагает различные задачи с данными в разных областях и может охватывать многопрофильные сценарии данных; в то время как AIT Protocolt осуществляет аннотирование данных с помощью совместной работы человека и машины.
Некоторые проекты поддерживают пользователей, предоставляющих различные типы моделей или обучающих моделей через краудсорсинг. Например, Sentient, благодаря модульному дизайну, позволяет пользователям размещать надежные данные моделей на уровне хранения и распределения для оптимизации моделей. Инструменты разработки, предоставляемые Sahara AI, встроены с передовыми алгоритмами ИИ и вычислительными фреймворками, а также обладают возможностью совместного обучения.
Уровень приложения:
Этот уровень в основном представляет собой приложения, ориентированные на пользователей, которые совмещают 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 расширяться в такие области Web3, как NFT, игры и другие направления. Пользователи могут напрямую генерировать текст, изображения и аудио, используя подсказки, предоставленные пользователем, такие как Prompt(. Даже в играх можно создавать пользовательские сценарии в соответствии с собственными предпочтениями. NFT проекты, такие как NFPrompt, позволяют пользователям генерировать NFT с помощью ИИ и торговать ими на рынке; игры, такие как Sleepless, позволяют пользователям формировать характер виртуального партнера через диалог, чтобы соответствовать их предпочтениям;
AI-агенты: это искусственные интеллектуальные системы, способные самостоятельно выполнять задачи и принимать решения. AI-агенты обычно обладают способностями восприятия, рассуждения, обучения и действия, могут выполнять сложные задачи в различных средах. Распространенные AI-агенты включают перевод языков, изучение языков, преобразование изображений в текст и т.д. В контексте Web3 они могут генерировать торговых роботов, создавать мемы, проводить безопасные проверки на блокчейне и т.д. Например, MyShell как платформа AI-агентов предлагает различные типы агентов, включая образовательные, виртуальные компаньоны, торговые агенты и т.д., а также предоставляет удобные инструменты для разработки агентов, позволяя создавать собственных агентов без необходимости писать код.
Анализ данных: с помощью интеграции технологий ИИ и баз данных в смежных областях для реализации анализа, оценки, прогнозирования и т.д., в Web3 можно анализировать рыночные данные, динамику умных денег и т.д., чтобы помочь пользователям принимать инвестиционные решения. Прогнозирование токенов также является уникальным сценарием применения в Web3, такие проекты, как Ocean, официально установили.