Préface

Au cours de l'année écoulée, l'avènement de grands modèles d'IA générative comme ChatGPT a propulsé l'IA au-delà des simples outils d'automatisation vers des systèmes de prise de décision sophistiqués et prédictifs, s'établissant comme une force pivotante entraînant l'avancement de la société. Cette évolution a conduit à une explosion de produits et d'applications d'IA, ChatGPT introduisant des produits notables tels que GPTs et Sora. NVIDIA, un acteur clé de l'infrastructure d'IA, a régulièrement dépassé les attentes, avec son activité de centres de données contribuant à plus de 83 % du chiffre d'affaires au quatrième trimestre de l'exercice 2024, marquant une croissance remarquable de 409 %. Notamment, 40 % de ce chiffre d'affaires ont été attribués à des scénarios d'inférence de grands modèles, soulignant la demande croissante d'infrastructures de calcul puissantes.

Actuellement, l'IA a suscité une attention significative de la part des cercles de capitaux européens et américains, tandis que le marché Web3 connaît une résurgence dans le marché haussier. La convergence de l'IA et du Web3 représente l'intersection de deux tendances techniques très recherchées. La récente émergence de projets centrés autour de ce thème souligne l'intérêt marqué du marché et les fortes attentes suscitées par cette convergence.

Mettant de côté le battage médiatique et les bulles spéculatives, quel est l'état actuel du développement dans l'industrie de l'IA+Web ? Existe-t-il des scénarios d'application tangibles ? En regardant vers l'avenir, pouvons-nous générer de la valeur, établir un récit et façonner une industrie ? Comment l'industrie de l'IA+Web3 évoluera-t-elle en termes de modèles écologiques, et quelles directions potentielles se dessinent-elles ?

Future3 Campus explorera ces sujets à travers une série d'articles, disséquant chaque aspect de la chaîne industrielle AI+Web3. Ce premier article fournira un aperçu du paysage industriel et du cadre narratif de l'AI+Web3.

Processus de production de travail AI

En essence, l'intégration de l'IA+Web3 se déploie dans deux dimensions clés. Premièrement, le rôle de Web3 dans l'avancement du développement de l'IA, et deuxièmement, la fusion des applications Web3 avec la technologie IA. Actuellement, l'accent principal est mis sur l'autonomisation de l'IA grâce à la technologie et aux concepts Web3 à travers divers projets. Ainsi, l'analyse peut approfondir l'intégration de l'IA avec Web3, allant de la formation des modèles à la production. L'avènement de LLM introduit quelques variantes par rapport aux processus traditionnels d'apprentissage automatique, mais un processus de production d'IA rationalisé englobe généralement les étapes suivantes :

1 collecte de données

Les données servent de pierre angulaire tout au long du cycle de formation du modèle d'IA, nécessitant des ensembles de données de haute qualité pour l'analyse exploratoire des données (EDA) afin d'établir des ensembles de données, des tableaux et des visualisations reproductibles, modifiables et partageables.

2 Prétraitement des données et ingénierie des fonctionnalités/ingénierie des indices

Après l'acquisition des données, le prétraitement est impératif, impliquant l'ingénierie des fonctionnalités en apprentissage automatique et l'ingénierie rapide dans les grands modèles. Cela implique une classification, une agrégation et une déduplication itératives pour identifier des fonctionnalités complexes, ainsi que le développement itératif de prompts pour des requêtes structurées dans LLM. De plus, garantir un stockage fiable et le partage de fonctionnalités/prompts est essentiel.

Entraînement et ajustement de 3 modèles

En exploitant une bibliothèque de modèles diversifiée pour former des modèles d'IA, en améliorant les performances, l'efficacité et la précision grâce à une itération et un ajustement continus. Notamment, dans LLM, l'ajustement continu du modèle est réalisé via l'apprentissage par renforcement des commentaires humains (RLHF).

4 Modèle de révision et de gouvernance

Utiliser la plateforme MLOps/LLMOps pour optimiser les processus de développement de modèles comprenant la découverte de modèles, le suivi, le partage et la collaboration. Cela garantit la qualité et la transparence du modèle tout en respectant les normes éthiques et de conformité.

5 Modèle de raisonnement

Déploiement de modèles d'IA entraînés pour faire des prédictions sur des données nouvelles et inconnues en utilisant les paramètres appris pour traiter les données d'entrée et générer des résultats de prédiction tels que des prédictions de classification ou de régression.

6 Déploiement et surveillance des modèles

Suite à la validation des performances par rapport aux normes établies, le déploiement du modèle dans des applications du monde réel et la mise en place d'une surveillance continue et d'une maintenance pour maintenir des performances optimales dans des environnements en évolution.

Tout au long de ce processus, de nombreuses opportunités existent pour intégrer les technologies Web3. Actuellement, les défis du développement de l'IA comme la transparence des modèles, les biais et l'application éthique ont suscité une attention généralisée. Dans ce contexte, l'amalgame de la technologie Web3 avec des solutions cryptographiques comme ZK peut renforcer la confiance dans les systèmes d'IA. De plus, la demande croissante d'applications d'IA souligne la nécessité d'infrastructures et de réseaux de données ouverts et rentables. Le réseau distribué et les modèles d'incitation de Web3 peuvent favoriser des réseaux et des communautés d'IA open-source.

Paysage industriel et logique narrative de l'IA+Web3

En intégrant le processus de production d'IA décrit ci-dessus avec l'intégration de l'IA avec Web3 et en examinant les projets AI+Web3 prédominants sur le marché actuel, nous avons délimité le paysage de l'industrie AI+Web3. Cette chaîne industrielle peut être segmentée en trois couches : la couche d'infrastructure, la couche intermédiaire et la couche d'application.

1. Couche d'infrastructure

La couche d'infrastructure englobe principalement l'infrastructure informatique et de stockage essentielle pour l'ensemble du flux de travail et du processus de production de l'IA. Elle facilite la puissance de calcul nécessaire pour l'entraînement des modèles d'IA, l'inférence et le stockage des données tout au long du cycle de vie.

L'expansion rapide des applications d'IA a stimulé une demande croissante d'infrastructure, en particulier des capacités informatiques haute performance. Ainsi, la fourniture de performances améliorées, d'efficacité économique et d'une infrastructure informatique et de stockage robuste est prévue comme une tendance capitale dans les premières étapes du développement de l'IA, captant plus de 50% de la valeur de la chaîne industrielle.

La technologie Web3 a le potentiel d'établir un réseau de ressources informatiques et de stockage décentralisé, en exploitant des ressources inutilisées et dispersées pour réduire considérablement les coûts d'infrastructure et répondre à un large éventail d'exigences d'application d'IA. Par conséquent, l'infrastructure d'IA décentralisée se présente comme le récit dominant.

Les projets notables dans ce domaine incluent Render Network, se concentrant sur les services de rendu, et Akash et Gensyn offrant des services cloud décentralisés et des réseaux matériels informatiques. Dans le secteur du stockage, des projets importants tels que Filecoin et Arweave ont récemment introduit des services de stockage et de calcul adaptés au domaine de l'IA.

1. Couche intermédiaire :

La couche intermédiaire implique principalement l'utilisation des technologies Web3 pour relever les défis actuels et améliorer les processus au sein de la production d'IA. Les aspects clés incluent:

1) Étape d'Acquisition de Données: Utilisation de l'identité de données décentralisée pour établir un réseau de données/plateforme de trading ouvert, protégeant la vie privée des utilisateurs et l'intégrité des données grâce à la cryptographie et aux fonctionnalités de la blockchain. Cette approche incite les utilisateurs à partager des données de haute qualité, en élargissant les sources de données et en améliorant l'efficacité de l'acquisition de données. Les projets notables dans ce domaine incluent Worldcoin et Aspecta pour l'identité AI, Ocean Protocol pour le trading de données, et Grass pour un réseau de données à faible seuil de participation.

2) Étape de prétraitement des données : Mise en place d'une plateforme de traitement et d'annotation de données AI distribuée, utilisant des incitations économiques pour encourager des modèles de crowdsourcing pour un prétraitement des données efficace et rentable, bénéficiant de la formation ultérieure du modèle. Les projets représentatifs incluent Public AI.

3) Vérification du modèle et étape d'inférence : Pour relever les défis des données opaques et des processus de modélisation en IA, les technologies Web3 telles que ZK et le chiffrement homomorphe peuvent être intégrées pour vérifier le raisonnement du modèle, garantissant l'exactitude des modèles tout en protégeant la confidentialité des données d'entrée. Un scénario d'application typique est ZKML. Les projets représentatifs combinant la technologie Web3 aux étapes de vérification du modèle et d'inférence comprennent Bittensor, Privasea et Modulus.

Les projets de la couche intermédiaire privilégient souvent les outils de développement, offrant des services complémentaires aux développeurs et aux parties prenantes du projet. La demande du marché et la mise en œuvre commerciale de l'IA évoluent encore dans les premières étapes de développement.

3 Couche d'application

Au niveau de l'application, l'accent est mis sur l'utilisation de la technologie de l'IA dans les contextes Web3. L'intégration des applications Web3 avec la technologie de l'IA vise à améliorer l'efficacité et à rehausser l'expérience des produits. Les fonctionnalités de l'IA telles que la génération de contenu, l'analyse et la prédiction trouvent des applications diverses dans les jeux, les réseaux sociaux, l'analyse des données et les prévisions financières. Actuellement, les applications AI+Web3 peuvent être catégorisées en trois principaux types :

1) Type AIGC : Exploiter la technologie générative d'IA pour permettre aux utilisateurs de créer du texte, des images, des vidéos, des avatars et d'autres contenus à travers un dialogue interactif. Cette fonctionnalité d'IA peut être présentée sous la forme d'un agent IA autonome ou intégrée de manière transparente dans des produits. Les projets notables de cette catégorie comprennent NFPrompt et SleeplessAI.

2) Catégorie d'analyse IA : les équipes de projet exploitent des bases de données propriétaires et des capacités d'analyse pour former des modèles IA verticaux pour des tâches d'analyse, de prise de décision et de prédiction. Ces modèles IA sont proposés aux utilisateurs sous forme de produits, offrant ainsi un accès aux capacités d'analyse IA pour des tâches telles que l'analyse de données, le suivi d'informations, l'audit de code, les prévisions financières, etc. Les projets représentatifs incluent Kaito et Dune.

3) Hub de l'agent d'IA : Servant de hub pour divers agents d'IA, cette catégorie permet généralement aux utilisateurs de créer des agents d'IA personnalisés sans codage, similaire aux GPT. Les projets remarquables dans ce domaine incluent My Shell et Fetch.ai.

Bien qu'il n'y ait pas encore de projets remarquables dans la couche d'application, elle possède un potentiel de croissance significatif à long terme. Le succès dans le domaine des applications IA+Web3 repose non seulement sur l'innovation technologique mais également sur l'accumulation des capacités produit et de l'expertise technique. Particulièrement dans le domaine de l'IA, les produits offrant des expériences utilisateur supérieures gagneront un avantage compétitif dans ce paysage en évolution.

**Avertissement:

1. Cet article est repris de [Gatemarsbit], le titre original est "Gate"La voie de développement future de l'IA+Web3 (1) : Paysage industriel et logique narrative”, les droits d'auteur appartiennent à l'auteur original [Wanxiang Blockchain], si vous avez des objections à la reproduction, veuillez contacter Gate Apprendre Équipe, l'équipe s'en occupera dès que possible selon les procédures pertinentes.

2. Avertissement : Les points de vue et opinions exprimés dans cet article ne représentent que les points de vue personnels de l'auteur et ne constituent pas des conseils en investissement.

3. D'autres versions linguistiques de l'article sont traduites par l'équipe Gate Learn, non mentionnée dansGate.io, l'article traduit ne peut être reproduit, distribué ou plagié.