Панорамный отчет о Web3-AI: глубокий анализ технической логики, сценарных приложений и ведущих проектов
С учетом продолжающегося роста интереса к AI-нарративам, все больше внимания сосредотачивается на этой области. Мы провели глубокий анализ технической логики, приложений и представительных проектов в области Web3-AI, чтобы полностью представить вам панораму и тенденции развития в этой сфере.
Один. Web3-AI: анализ технологической логики и возможностей новых рынков
1.1 Логика слияния Web3 и ИИ: как определить трассу Web-AI
В прошлом году AI-нарративы были необычайно популярны в индустрии Web3, и проекты на основе ИИ возникали как грибы после дождя. Хотя многие проекты связаны с технологиями ИИ, некоторые из них используют ИИ только в определенных частях своих продуктов, и основная токеномика не имеет существенной связи с продуктами ИИ, поэтому такие проекты не будут обсуждаться в данной статье в контексте Web3-AI.
Основное внимание в данной статье уделяется проектам, которые используют блокчейн для решения проблем производственных отношений, а ИИ - для решения проблем производительности. Эти проекты сами по себе предлагают ИИ-продукты и основаны на экономической модели Web3 в качестве инструмента производственных отношений, что дополняет друг друга. Мы классифицируем такие проекты как трек Web3-AI. Чтобы читатели лучше понимали трек Web3-AI, будет подробно рассмотрен процесс разработки ИИ и вызовы, а также то, как сочетание Web3 и ИИ идеально решает проблемы и создает 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 улучшать человеческий интеллект. Она позволяет компьютерам выполнять различные сложные задачи, от перевода языков, классификации изображений до распознавания лиц, автономного вождения и других приложений. ИИ меняет способы нашей жизни и работы.
Процесс разработки моделей искусственного интеллекта обычно включает в себя несколько ключевых этапов: сбор данных и их предварительная обработка, выбор и настройка модели, обучение модели и вывод. Приведем простой пример: чтобы разработать модель для классификации изображений кошек и собак, вам нужно:
Сбор данных и предварительная обработка данных: соберите набор данных с изображениями кошек и собак, можно использовать открытые наборы данных или самостоятельно собрать реальные данные. Затем пометьте каждое изображение по категории (кошка или собака), убедитесь, 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 модели или архитектуру в зависимости от различных потребностей; как правило, уровень сети модели можно регулировать в зависимости от сложности задачи ИИ. В этом простом примере классификации, более мелкий уровень сети может быть достаточным.
Обучение модели: можно использовать GPU, TPU или высокопроизводительные вычислительные кластеры для обучения модели, время обучения зависит от сложности модели и вычислительной способности.
Модельное выведение: файл с обученной моделью обычно называется весами модели, а процесс выведения относится к использованию уже обученной модели для прогнозирования или классификации новых данных. В этом процессе можно использовать тестовый набор или новые данные для проверки классификационной эффективности модели, обычно для оценки эффективности модели используются такие показатели, как точность, полнота, F1-мера и другие.
Как показано на рисунке, после сбора данных, предобработки данных, выбора и настройки модели, а также обучения, применение обученной модели к тестовому набору данных даст прогнозные значения P (вероятность) для кошек и собак, то есть вероятность того, что модель определит объект как кошку или собаку.
Обученные модели ИИ могут быть дополнительно интегрированы в различные приложения для выполнения различных задач. В этом примере модель ИИ для классификации кошек и собак может быть интегрирована в мобильное приложение, где пользователи загружают изображения кошек или собак и получают результаты классификации.
Однако централизованный процесс разработки ИИ имеет некоторые проблемы в следующих сценариях:
Пользовательская конфиденциальность: в централизованных сценариях процесс разработки ИИ обычно не является прозрачным. Данные пользователей могут быть украдены без их ведома и использованы для обучения ИИ.
Получение источников данных: небольшие команды или индивидуальные лица при получении данных в определенной области (например, медицинских данных) могут столкнуться с ограничениями, связанными с отсутствием открытых данных.
Выбор и настройка модели: для небольших команд трудно получить ресурсы модели в специфических областях или потратить большие средства на настройку модели.
Получение вычислительной мощности: для индивидуальных разработчиков и небольших команд высокая стоимость покупки GPU и аренды облачной вычислительной мощности могут представлять собой значительное экономическое бремя.
Доход от активов AI: Работники по маркировке данных часто не могут получить доход, соответствующий их затратам, и результаты исследований разработчиков AI также трудно сопоставить с покупателями, имеющими спрос.
Вызовы, существующие в централизованных AI-сценариях, могут быть преодолены путем сочетания с Web3. Web3, как новая форма производственных отношений, естественно адаптируется к AI, представляющему новые производительные силы, тем самым способствуя одновременному прогрессу технологий и производственных возможностей.
1.3 Синергия Web3 и ИИ: изменение ролей и инновационные приложения
Комбинация Web3 и ИИ может усилить суверенитет пользователей, предоставляя открытые платформы для сотрудничества с ИИ, позволяя пользователям перейти от роли пользователей ИИ в эпоху Web2 к участникам, создавая ИИ, принадлежащий каждому. В то же время, интеграция мира Web3 и технологий ИИ может привести к появлению более инновационных приложений и способов их использования.
На основе технологий Web3 разработка и применение ИИ вступят в новую эпоху кооперативной экономической системы. Приватность данных людей будет защищена, модель краудсорсинга данных будет способствовать прогрессу моделей ИИ, множество открытых ресурсов ИИ будут доступны пользователям, а совместные вычислительные мощности можно будет получить по низкой цене. С помощью децентрализованного механизма кооперативного краудсорсинга и открытого рынка ИИ можно реализовать справедливую систему распределения доходов, что будет стимулировать больше людей к продвижению технологий ИИ.
В сцене Web3 ИИ может оказать положительное влияние в нескольких областях. Например, ИИ-модели могут быть интегрированы в смарт-контракты, чтобы повысить рабочую эффективность в различных сценариях применения, таких как рыночный анализ, безопасность, социальная кластеризация и многие другие функции. Генеративный ИИ не только позволяет пользователям испытать роль "художника", например, создавая свои собственные NFT с использованием ИИ-технологий, но также может создавать разнообразные игровые сцены и интересные интерактивные опыты в GameFi. Разнообразная инфраструктура обеспечивает плавный опыт разработки, независимо от того, являются ли вы экспертом в области ИИ или новичком, желающим войти в область ИИ, каждый может найти подходящий вход в этом мире.
Два. Интерпретация карты и архитектуры проектов экосистемы Web3-AI
Мы в основном изучили 41 проект в области Web3-AI и классифицировали эти проекты по различным уровням. Логика разделения каждого уровня показана на следующем рисунке, включая уровень инфраструктуры, промежуточный уровень и уровень приложений, каждый из которых также разделен на различные секции. В следующей главе мы проведем глубокий анализ некоторых представительных проектов.
Инфраструктурный уровень охватывает вычислительные ресурсы и технологическую архитектуру, поддерживающие работу всего жизненного цикла ИИ, уровень посредников включает управление данными, разработку моделей и услуги валидации и вывода, а прикладной уровень сосредоточен на различных приложениях и решениях, ориентированных непосредственно на пользователей.
Инфраструктурный уровень:
Инфраструктурный уровень является основой жизненного цикла ИИ, в этой статье вычислительная мощность, AI Chain и платформы разработки классифицируются как инфраструктурный уровень. Именно благодаря поддержке этих инфраструктур становится возможным обучение и вывод ИИ-моделей, а также предоставление 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, такие как IO.NET и Hyperbolic. Кроме того, некоторые проекты разработали новые способы использования, такие как Compute Labs, предлагая токенизированный протокол, где пользователи могут участвовать в аренде вычислительных мощностей разными способами, покупая NFT, представляющие физические GPU.
AI Chain: Использование блокчейна в качестве основы для жизненного цикла ИИ, что обеспечивает бесшовное взаимодействие ресурсов ИИ на цепочке и вне ее, способствуя развитию отраслевых экосистем. Децентрализованный рынок ИИ на цепочке может торговать активами ИИ, такими как данные, модели, агенты и т. д., и предоставляет рамки для разработки ИИ и сопутствующие инструменты разработки, такие как проект Sahara AI. AI Chain также может способствовать прогрессу технологий ИИ в различных областях, например, Bittensor через инновационный механизм стимулов для подсетей, чтобы способствовать конкуренции между различными типами ИИ подсетей.
Платформа разработки: некоторые проекты предлагают платформы для разработки AI-агентов, а также могут реализовывать торговлю AI-агентами, такие как Fetch.ai и ChainML. Удобные инструменты помогают разработчикам легче создавать, обучать и развертывать AI-модели, такие как Nimble. Эта инфраструктура способствует широкому применению технологий AI в экосистеме Web3.
Промежуточный слой:
Этот уровень включает в себя данные ИИ, модели, а также выводы и верификацию, 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 через краудсорсинг данных и совместную обработку данных можно оптимизировать использование ресурсов и снизить затраты на данные. Пользователи могут обладать автономией данных, продавая свои данные при защите 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 данных из Интернета, xData собирает медиаподробности с помощью удобных для пользователя плагинов и поддерживает загрузку пользователями информации о твитах.
Кроме того, некоторые платформы позволяют специалистам в области или обычным пользователям выполнять задачи предварительной обработки данных, такие как аннотирование изображений и классификация данных. Эти задачи могут требовать профессиональных знаний в финансовых и юридических задачах обработки данных. Пользователи могут токенизировать свои навыки, чтобы реализовать совместное краудсорсинг предварительной обработки данных. Примером является AI-рынок, такой как Sahara AI, который охватывает разные области задач с данными и может покрывать многопрофильные сценарии данных; в то время как AIT Protocolt осуществляет аннотирование данных с помощью человеко-машинного взаимодействия.
Модель: В процессе разработки ИИ, о котором упоминалось ранее, различные типы требований требуют соответствующих моделей. Для задач обработки изображений обычно используются такие модели, как CNN и GAN, для задач обнаружения объектов можно выбрать серию Yolo, для текстовых задач часто применяются модели RNN, Transformer и другие, конечно, есть также некоторые специфические или универсальные большие модели. Модели с разной сложностью задач требуют различной глубины, иногда требуется настройка модели.
Некоторые проекты поддерживают пользователей в предоставлении различных типов моделей или в совместной тренировке моделей через краудсорсинг. Например, Sentient с помощью модульного дизайна позволяет пользователям размещать надежные данные моделей на уровне хранения и распределения для оптимизации моделей. Разработанные инструменты Sahara AI имеют встроенные современные AI алгоритмы и вычислительные фреймворки, а также обладают возможностью совместной тренировки.
Инференция и верификация: После обучения модель генерирует файл весов модели, который можно использовать для прямой классификации, прогнозирования или других специфических задач, этот процесс называется инференцией. Процесс инференции обычно сопровождается механизмом верификации, чтобы проверить, правильен ли источник инференционной модели, есть ли злонамеренные действия и т. д. Инференция в Web3 обычно может быть интегрирована в смарт-контракты, путем вызова модели для инференции, распространенные методы верификации включают ZKML, OPML и TEE и т. д. Представляющие проекты, такие как AI оракул на цепи ORA (OAO), внедрили OPML в качестве проверяемого слоя для AI оракула, на официальном сайте ORA также упоминается их исследование по ZKML и opp/ai (ZKML в сочетании с OPML).
Приложенческий уровень:
Этот уровень в основном является приложением, ориентированным на пользователей, объединяющим ИИ и Web3, создавая более интересные и инновационные игровые механики. В статье основное внимание уделяется проектам в таких областях, как AIGC (контент, генерируемый ИИ), AI-агенты и анализ данных.
AIGC: С помощью AIGC можно расширить возможности в Web3, включая NFT, игры и другие направления. Пользователи могут напрямую через Prompt (подсказки от пользователя) генерировать текст, изображения и аудио, а также создавать кастомизированный 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 диалог в соответствии с их предпочтениями;
AI-агенты: это искусственные интеллектуальные системы, которые могут самостоятельно выполнять задачи и принимать решения. AI-агенты обычно обладают способностями восприятия, вывода, обучения и действия, что позволяет им выполнять сложные задачи в различных средах. Обычные AI-агенты, такие как 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» .
10 Лайков
Награда
10
6
Репост
Поделиться
комментарий
0/400
BearMarketBuilder
· 6ч назад
После долгого ожидания, наконец, я вижу падение.
Посмотреть ОригиналОтветить0
HodlNerd
· 6ч назад
удивительная корреляция между циклами ИИ и фазами накопления криптовалют... нужно глубже проанализировать это
Посмотреть ОригиналОтветить0
DataBartender
· 6ч назад
Снова год, когда будут играть для лохов.
Посмотреть ОригиналОтветить0
GateUser-74b10196
· 6ч назад
Снова пытаются разыгрывать людей как лохов, обманывая с концепциями.
Посмотреть ОригиналОтветить0
SatoshiChallenger
· 7ч назад
Ещё одна уловка, чтобы разыгрывать людей как лохов.
Web3-AI панорама: глубокий анализ технической логики, приложений и топовых проектов
Панорамный отчет о Web3-AI: глубокий анализ технической логики, сценарных приложений и ведущих проектов
С учетом продолжающегося роста интереса к AI-нарративам, все больше внимания сосредотачивается на этой области. Мы провели глубокий анализ технической логики, приложений и представительных проектов в области Web3-AI, чтобы полностью представить вам панораму и тенденции развития в этой сфере.
Один. Web3-AI: анализ технологической логики и возможностей новых рынков
1.1 Логика слияния Web3 и ИИ: как определить трассу Web-AI
В прошлом году AI-нарративы были необычайно популярны в индустрии Web3, и проекты на основе ИИ возникали как грибы после дождя. Хотя многие проекты связаны с технологиями ИИ, некоторые из них используют ИИ только в определенных частях своих продуктов, и основная токеномика не имеет существенной связи с продуктами ИИ, поэтому такие проекты не будут обсуждаться в данной статье в контексте Web3-AI.
Основное внимание в данной статье уделяется проектам, которые используют блокчейн для решения проблем производственных отношений, а ИИ - для решения проблем производительности. Эти проекты сами по себе предлагают ИИ-продукты и основаны на экономической модели Web3 в качестве инструмента производственных отношений, что дополняет друг друга. Мы классифицируем такие проекты как трек Web3-AI. Чтобы читатели лучше понимали трек Web3-AI, будет подробно рассмотрен процесс разработки ИИ и вызовы, а также то, как сочетание Web3 и ИИ идеально решает проблемы и создает 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 улучшать человеческий интеллект. Она позволяет компьютерам выполнять различные сложные задачи, от перевода языков, классификации изображений до распознавания лиц, автономного вождения и других приложений. ИИ меняет способы нашей жизни и работы.
Процесс разработки моделей искусственного интеллекта обычно включает в себя несколько ключевых этапов: сбор данных и их предварительная обработка, выбор и настройка модели, обучение модели и вывод. Приведем простой пример: чтобы разработать модель для классификации изображений кошек и собак, вам нужно:
Сбор данных и предварительная обработка данных: соберите набор данных с изображениями кошек и собак, можно использовать открытые наборы данных или самостоятельно собрать реальные данные. Затем пометьте каждое изображение по категории (кошка или собака), убедитесь, 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 модели или архитектуру в зависимости от различных потребностей; как правило, уровень сети модели можно регулировать в зависимости от сложности задачи ИИ. В этом простом примере классификации, более мелкий уровень сети может быть достаточным.
Обучение модели: можно использовать GPU, TPU или высокопроизводительные вычислительные кластеры для обучения модели, время обучения зависит от сложности модели и вычислительной способности.
Модельное выведение: файл с обученной моделью обычно называется весами модели, а процесс выведения относится к использованию уже обученной модели для прогнозирования или классификации новых данных. В этом процессе можно использовать тестовый набор или новые данные для проверки классификационной эффективности модели, обычно для оценки эффективности модели используются такие показатели, как точность, полнота, F1-мера и другие.
Как показано на рисунке, после сбора данных, предобработки данных, выбора и настройки модели, а также обучения, применение обученной модели к тестовому набору данных даст прогнозные значения P (вероятность) для кошек и собак, то есть вероятность того, что модель определит объект как кошку или собаку.
Обученные модели ИИ могут быть дополнительно интегрированы в различные приложения для выполнения различных задач. В этом примере модель ИИ для классификации кошек и собак может быть интегрирована в мобильное приложение, где пользователи загружают изображения кошек или собак и получают результаты классификации.
Однако централизованный процесс разработки ИИ имеет некоторые проблемы в следующих сценариях:
Пользовательская конфиденциальность: в централизованных сценариях процесс разработки ИИ обычно не является прозрачным. Данные пользователей могут быть украдены без их ведома и использованы для обучения ИИ.
Получение источников данных: небольшие команды или индивидуальные лица при получении данных в определенной области (например, медицинских данных) могут столкнуться с ограничениями, связанными с отсутствием открытых данных.
Выбор и настройка модели: для небольших команд трудно получить ресурсы модели в специфических областях или потратить большие средства на настройку модели.
Получение вычислительной мощности: для индивидуальных разработчиков и небольших команд высокая стоимость покупки GPU и аренды облачной вычислительной мощности могут представлять собой значительное экономическое бремя.
Доход от активов AI: Работники по маркировке данных часто не могут получить доход, соответствующий их затратам, и результаты исследований разработчиков AI также трудно сопоставить с покупателями, имеющими спрос.
Вызовы, существующие в централизованных AI-сценариях, могут быть преодолены путем сочетания с Web3. Web3, как новая форма производственных отношений, естественно адаптируется к AI, представляющему новые производительные силы, тем самым способствуя одновременному прогрессу технологий и производственных возможностей.
1.3 Синергия Web3 и ИИ: изменение ролей и инновационные приложения
Комбинация Web3 и ИИ может усилить суверенитет пользователей, предоставляя открытые платформы для сотрудничества с ИИ, позволяя пользователям перейти от роли пользователей ИИ в эпоху Web2 к участникам, создавая ИИ, принадлежащий каждому. В то же время, интеграция мира Web3 и технологий ИИ может привести к появлению более инновационных приложений и способов их использования.
На основе технологий Web3 разработка и применение ИИ вступят в новую эпоху кооперативной экономической системы. Приватность данных людей будет защищена, модель краудсорсинга данных будет способствовать прогрессу моделей ИИ, множество открытых ресурсов ИИ будут доступны пользователям, а совместные вычислительные мощности можно будет получить по низкой цене. С помощью децентрализованного механизма кооперативного краудсорсинга и открытого рынка ИИ можно реализовать справедливую систему распределения доходов, что будет стимулировать больше людей к продвижению технологий ИИ.
В сцене Web3 ИИ может оказать положительное влияние в нескольких областях. Например, ИИ-модели могут быть интегрированы в смарт-контракты, чтобы повысить рабочую эффективность в различных сценариях применения, таких как рыночный анализ, безопасность, социальная кластеризация и многие другие функции. Генеративный ИИ не только позволяет пользователям испытать роль "художника", например, создавая свои собственные NFT с использованием ИИ-технологий, но также может создавать разнообразные игровые сцены и интересные интерактивные опыты в GameFi. Разнообразная инфраструктура обеспечивает плавный опыт разработки, независимо от того, являются ли вы экспертом в области ИИ или новичком, желающим войти в область ИИ, каждый может найти подходящий вход в этом мире.
Два. Интерпретация карты и архитектуры проектов экосистемы Web3-AI
Мы в основном изучили 41 проект в области Web3-AI и классифицировали эти проекты по различным уровням. Логика разделения каждого уровня показана на следующем рисунке, включая уровень инфраструктуры, промежуточный уровень и уровень приложений, каждый из которых также разделен на различные секции. В следующей главе мы проведем глубокий анализ некоторых представительных проектов.
Инфраструктурный уровень охватывает вычислительные ресурсы и технологическую архитектуру, поддерживающие работу всего жизненного цикла ИИ, уровень посредников включает управление данными, разработку моделей и услуги валидации и вывода, а прикладной уровень сосредоточен на различных приложениях и решениях, ориентированных непосредственно на пользователей.
Инфраструктурный уровень:
Инфраструктурный уровень является основой жизненного цикла ИИ, в этой статье вычислительная мощность, AI Chain и платформы разработки классифицируются как инфраструктурный уровень. Именно благодаря поддержке этих инфраструктур становится возможным обучение и вывод ИИ-моделей, а также предоставление 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, такие как IO.NET и Hyperbolic. Кроме того, некоторые проекты разработали новые способы использования, такие как Compute Labs, предлагая токенизированный протокол, где пользователи могут участвовать в аренде вычислительных мощностей разными способами, покупая NFT, представляющие физические GPU.
AI Chain: Использование блокчейна в качестве основы для жизненного цикла ИИ, что обеспечивает бесшовное взаимодействие ресурсов ИИ на цепочке и вне ее, способствуя развитию отраслевых экосистем. Децентрализованный рынок ИИ на цепочке может торговать активами ИИ, такими как данные, модели, агенты и т. д., и предоставляет рамки для разработки ИИ и сопутствующие инструменты разработки, такие как проект Sahara AI. AI Chain также может способствовать прогрессу технологий ИИ в различных областях, например, Bittensor через инновационный механизм стимулов для подсетей, чтобы способствовать конкуренции между различными типами ИИ подсетей.
Платформа разработки: некоторые проекты предлагают платформы для разработки AI-агентов, а также могут реализовывать торговлю AI-агентами, такие как Fetch.ai и ChainML. Удобные инструменты помогают разработчикам легче создавать, обучать и развертывать AI-модели, такие как Nimble. Эта инфраструктура способствует широкому применению технологий AI в экосистеме Web3.
Промежуточный слой:
Этот уровень включает в себя данные ИИ, модели, а также выводы и верификацию, использование технологий Web3 может обеспечить более высокую рабочую эффективность.
Кроме того, некоторые платформы позволяют специалистам в области или обычным пользователям выполнять задачи предварительной обработки данных, такие как аннотирование изображений и классификация данных. Эти задачи могут требовать профессиональных знаний в финансовых и юридических задачах обработки данных. Пользователи могут токенизировать свои навыки, чтобы реализовать совместное краудсорсинг предварительной обработки данных. Примером является AI-рынок, такой как Sahara AI, который охватывает разные области задач с данными и может покрывать многопрофильные сценарии данных; в то время как AIT Protocolt осуществляет аннотирование данных с помощью человеко-машинного взаимодействия.
Некоторые проекты поддерживают пользователей в предоставлении различных типов моделей или в совместной тренировке моделей через краудсорсинг. Например, Sentient с помощью модульного дизайна позволяет пользователям размещать надежные данные моделей на уровне хранения и распределения для оптимизации моделей. Разработанные инструменты Sahara AI имеют встроенные современные AI алгоритмы и вычислительные фреймворки, а также обладают возможностью совместной тренировки.
Приложенческий уровень:
Этот уровень в основном является приложением, ориентированным на пользователей, объединяющим ИИ и Web3, создавая более интересные и инновационные игровые механики. В статье основное внимание уделяется проектам в таких областях, как AIGC (контент, генерируемый ИИ), AI-агенты и анализ данных.
AIGC: С помощью AIGC можно расширить возможности в Web3, включая NFT, игры и другие направления. Пользователи могут напрямую через Prompt (подсказки от пользователя) генерировать текст, изображения и аудио, а также создавать кастомизированный 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 диалог в соответствии с их предпочтениями;
AI-агенты: это искусственные интеллектуальные системы, которые могут самостоятельно выполнять задачи и принимать решения. AI-агенты обычно обладают способностями восприятия, вывода, обучения и действия, что позволяет им выполнять сложные задачи в различных средах. Обычные AI-агенты, такие как языковые переводы...