Các dự án Web3 với khái niệm AI trở thành mục tiêu thu hút vốn trên thị trường sơ cấp và thứ cấp.
Cơ hội của Web3 trong ngành AI chủ yếu thể hiện ở: sử dụng động lực phân tán để điều phối nguồn cung tiềm năng dài đuôi ( qua dữ liệu, lưu trữ và tính toán ); đồng thời xây dựng mô hình mã nguồn mở và thị trường phi tập trung cho AI Agent.
AI trong ngành Web3 chủ yếu được áp dụng trong tài chính trên chuỗi ( thanh toán tiền điện tử, giao dịch, phân tích dữ liệu ) và hỗ trợ phát triển.
Giá trị của AI+Web3 nằm ở sự bổ sung cho nhau: Web3 hy vọng giải quyết sự tập trung của AI, AI hy vọng giúp Web3 vượt qua giới hạn tầng lớp.
Giới thiệu
Trong hai năm qua, sự phát triển của AI đã diễn ra với tốc độ nhanh chóng, cơn sốt AI sinh sinh do ChatGPT khơi mào không chỉ mở ra một thế giới mới mà còn khuấy động lĩnh vực Web3.
Dưới sự hỗ trợ của khái niệm AI, thị trường tiền mã hóa đã có sự hồi phục rõ rệt về huy động vốn. Theo thống kê, chỉ trong nửa đầu năm 2024, đã có 64 dự án Web3+AI hoàn thành huy động vốn, trong đó Zyber365 đã nhận được khoản huy động vốn cao nhất 100 triệu đô la trong vòng A.
Thị trường thứ cấp trở nên sôi động hơn, dữ liệu từ Coingecko cho thấy, tổng giá trị thị trường của lĩnh vực AI đã đạt 48,5 tỷ USD, khối lượng giao dịch trong 24 giờ gần 8,6 tỷ USD; sự phát triển công nghệ AI chính thống mang đến nhiều tin tốt, chẳng hạn như sau khi OpenAI công bố Sora, mức tăng trung bình của lĩnh vực AI là 151%; hiệu ứng AI cũng ảnh hưởng đến các mảng tiền điện tử hot như Meme, đồng MemeCoin đầu tiên với khái niệm AI Agent—GOAT đã nhanh chóng trở nên nổi bật, định giá đạt 1,4 tỷ USD, gây ra cơn sốt AI Meme.
Nghiên cứu và chủ đề liên quan đến AI+Web3 đang ngày càng nóng lên, từ AI+Depin đến AI Memecoin rồi đến AI Agent và AI DAO hiện tại, những câu chuyện mới liên tục xuất hiện.
Sự kết hợp đầy tiền nóng, cơn sốt và những tưởng tượng về tương lai này, khó tránh khỏi bị coi là một cuộc hôn nhân bị thúc đẩy bởi vốn, chúng ta rất khó để xác định đây là sự cuồng loạn của các nhà đầu cơ, hay là sự bùng nổ trước bình minh.
Điều quan trọng là, hai bên có thể hưởng lợi từ mô hình của nhau không? Bài viết này sẽ khám phá cách Web3 có thể đóng vai trò trong các khía cạnh khác nhau của công nghệ AI, cũng như những cơ hội mới mà AI có thể mang lại cho Web3.
Một, Cơ hội Web3 dưới AI stack
Trước khi thảo luận về chủ đề này, chúng ta cần hiểu về công nghệ của mô hình AI lớn:
Nói một cách đơn giản, "mô hình lớn" giống như bộ não con người, giai đoạn đầu giống như trẻ sơ sinh cần quan sát và tiếp thu một lượng thông tin khổng lồ để hiểu thế giới, đây là giai đoạn "thu thập" dữ liệu; do máy tính thiếu nhiều giác quan như con người, trước khi đào tạo cần phải chuyển đổi thông tin chưa được đánh dấu thông qua "tiền xử lý" thành định dạng mà máy tính có thể hiểu.
Sau khi nhập dữ liệu, AI thông qua "đào tạo" để xây dựng một mô hình có khả năng hiểu và dự đoán, tương tự như quá trình một đứa trẻ dần dần hiểu và học hỏi về thế giới xung quanh. Các tham số của mô hình giống như khả năng ngôn ngữ của trẻ em đang điều chỉnh liên tục. Khi nội dung học tập được phân chia theo chuyên ngành hoặc nhận phản hồi từ giao tiếp với người khác để sửa chữa, sẽ bước vào giai đoạn "tinh chỉnh".
Khi trẻ em lớn lên và biết nói, chúng có thể hiểu và diễn đạt suy nghĩ trong các cuộc đối thoại mới, tương tự như "suy diễn" của các mô hình AI lớn, có khả năng phân tích dự đoán trên các văn bản ngôn ngữ mới. Trẻ sơ sinh sử dụng ngôn ngữ để diễn đạt cảm xúc, mô tả vật thể và giải quyết vấn đề, giống như các mô hình AI lớn được áp dụng vào các nhiệm vụ cụ thể trong giai đoạn suy diễn sau khi hoàn thành đào tạo, như phân loại hình ảnh, nhận diện giọng nói, v.v.
AI Agent gần gũi hơn với hình thái tiếp theo của mô hình lớn - có khả năng thực hiện nhiệm vụ một cách độc lập để theo đuổi mục tiêu phức tạp, có khả năng suy nghĩ, ghi nhớ, lập kế hoạch, và có thể sử dụng công cụ để tương tác với thế giới.
Đối với các điểm đau của AI, Web3 hiện đã hình thành một hệ sinh thái liên kết đa tầng bao gồm các giai đoạn quy trình mô hình AI.
1.Nền tảng cơ bản: Airbnb về sức mạnh tính toán và dữ liệu
Công suất tính toán
Một trong những chi phí chính của AI là khả năng tính toán và năng lượng cần thiết để đào tạo và suy luận mô hình.
Ví dụ, LLAMA3 của Meta cần 16.000 GPU NVIDIA H100 trong 30 ngày để hoàn thành việc huấn luyện. Phiên bản 80GB có giá từ 30.000 đến 40.000 USD, cần đầu tư phần cứng từ 400 đến 700 triệu USD (GPU+chip mạng ), mỗi tháng tiêu tốn 1,6 tỷ kilowatt giờ điện, chi phí năng lượng gần 20 triệu USD.
Để đối phó với áp lực tính toán AI, mạng lưới cơ sở hạ tầng vật lý phi tập trung DePin( là một trong những lĩnh vực đầu tiên giao thoa giữa Web3 và AI. DePin Ninja đã liệt kê hơn 1400 dự án, trong đó có những đại diện chia sẻ sức mạnh GPU như io.net, Aethir, Akash, Render Network.
Logic chính là: nền tảng cho phép những người sở hữu tài nguyên GPU không sử dụng đóng góp sức mạnh tính toán theo cách phi tập trung không cần giấy phép, thông qua thị trường trực tuyến giữa người mua và người bán tương tự như Uber/Airbnb, nâng cao tỷ lệ sử dụng GPU, người dùng nhận được tài nguyên tính toán hiệu quả với chi phí thấp; trong khi cơ chế staking đảm bảo rằng việc vi phạm kiểm soát chất lượng hoặc gián đoạn mạng sẽ bị trừng phạt.
Đặc điểm:
Tập hợp GPU nhàn rỗi: Nguồn cung chủ yếu đến từ các trung tâm dữ liệu nhỏ và vừa, các mỏ khai thác tiền điện tử và các phần cứng khai thác PoS như máy khai thác FileCoin/ETH. Các dự án như exolab đang nỗ lực xây dựng mạng lưới tính toán cho việc suy diễn mô hình lớn bằng cách sử dụng các thiết bị cục bộ như MacBook, iPhone, iPad.
Hướng tới thị trường dài đuôi sức mạnh tính toán AI:
Công nghệ phù hợp hơn với các bước suy luận. Đào tạo phụ thuộc vào cụm GPU siêu lớn, suy luận yêu cầu GPU thấp hơn, như Aethir tập trung vào việc render độ trễ thấp và suy luận AI.
Các bên có nhu cầu sử dụng sức mạnh tính toán nhỏ sẽ không tự mình đào tạo các mô hình lớn, mà chủ yếu tối ưu hóa và tinh chỉnh các mô hình hàng đầu, phù hợp với sức mạnh tính toán phân tán đang nhàn rỗi.
Quyền sở hữu phi tập trung: Công nghệ blockchain đảm bảo rằng chủ sở hữu tài nguyên giữ quyền kiểm soát, linh hoạt điều chỉnh và thu lợi nhuận.
Dữ liệu
Dữ liệu là nền tảng của AI. Không có dữ liệu, việc tính toán trở nên vô nghĩa, chất lượng dữ liệu quyết định chất lượng đầu ra của mô hình. Đối với việc đào tạo mô hình AI, dữ liệu quyết định khả năng ngôn ngữ, khả năng hiểu biết, giá trị và khả năng thể hiện tính nhân văn. Hiện tại, những khó khăn trong nhu cầu dữ liệu cho AI chủ yếu là:
Tham dữ dữ liệu: Mô hình AI cần một lượng dữ liệu khổng lồ để huấn luyện. Số lượng tham số của GPT-4 đạt tới hàng triệu tỷ.
Chất lượng dữ liệu: AI kết hợp với các ngành công nghiệp đưa ra yêu cầu mới về tính kịp thời, đa dạng, chuyên môn, và các nguồn dữ liệu mới nổi như cảm xúc trên mạng xã hội.
Tuân thủ quyền riêng tư: Các công ty ở các quốc gia dần hạn chế việc thu thập dữ liệu.
Chi phí xử lý cao: Khối lượng dữ liệu lớn, xử lý phức tạp. Hơn 30% chi phí nghiên cứu và phát triển của các công ty AI được sử dụng cho việc thu thập và xử lý dữ liệu.
Giải pháp Web3:
Thu thập dữ liệu: Việc thu thập dữ liệu thế giới thực miễn phí đang dần cạn kiệt, chi tiêu dữ liệu của các công ty AI tăng theo từng năm, nhưng không đền đáp cho những người đóng góp thực sự. Tầm nhìn Web3 là cho phép người dùng đóng góp tham gia vào việc tạo ra giá trị, thông qua mạng lưới phân tán để khuyến khích việc thu thập dữ liệu có giá trị và riêng tư với chi phí thấp.
Grass: Mạng lớp dữ liệu phi tập trung, người dùng chạy nút đóng góp băng thông để thu thập dữ liệu theo thời gian thực và nhận phần thưởng token.
Vana: Giới thiệu khái niệm về bể thanh khoản dữ liệu )DLP(, người dùng có thể tải lên dữ liệu cá nhân và chọn cấp quyền cho bên thứ ba sử dụng.
PublicAI: Người dùng sử dụng thẻ Web3 ) trên X và @PublicAI để thực hiện thu thập dữ liệu.
2.Xử lý dữ liệu: Xử lý dữ liệu AI cần làm sạch và chuyển đổi thành định dạng có thể sử dụng, liên quan đến chuẩn hóa, lọc, xử lý giá trị thiếu và các nhiệm vụ lặp lại khác. Giai đoạn thủ công này đã sinh ra ngành công nghiệp người đánh dấu dữ liệu, với yêu cầu ngày càng cao về tiêu chuẩn, phù hợp với cơ chế khuyến khích phi tập trung Web3.
Grass và OpenLayer đang xem xét việc thêm giai đoạn đánh dấu dữ liệu.
Synesis đưa ra khái niệm "Train2earn", nhấn mạnh chất lượng dữ liệu, người dùng cung cấp dữ liệu được gán nhãn sẽ nhận được phần thưởng.
Sapien biến nhiệm vụ đánh dấu thành trò chơi, người dùng staking điểm để kiếm thêm điểm.
An ninh quyền riêng tư dữ liệu: Quyền riêng tư dữ liệu liên quan đến việc xử lý dữ liệu nhạy cảm, bảo vệ an toàn dữ liệu khỏi việc truy cập, phá hoại và đánh cắp trái phép. Ưu điểm công nghệ quyền riêng tư Web3 thể hiện ở: #AI或#1( Đào tạo dữ liệu nhạy cảm; )2( Hợp tác dữ liệu: Nhiều chủ sở hữu dữ liệu cùng tham gia đào tạo AI mà không cần chia sẻ dữ liệu gốc.
Công nghệ bảo mật chính:
Môi trường thực thi đáng tin cậy ) TEE (, như Super Protocol.
Mã hóa đồng nhất hoàn toàn ) FHE (, như BasedAI, Fhenix.io, Inco Network.
Công nghệ zero-knowledge )zk(, như Reclaim Protocol sử dụng zkTLS để tạo chứng minh zero-knowledge cho lưu lượng HTTPS, an toàn để nhập dữ liệu từ các trang web bên ngoài.
Hiện tại đang ở giai đoạn đầu, khó khăn chính là chi phí tính toán cao:
EZKL cần 80 phút để tạo ra bằng chứng mô hình 1M-nanoGPT.
Chi phí zkML cao hơn 1000 lần so với tính toán thuần túy.
Lưu trữ dữ liệu: cần lưu trữ dữ liệu trên chuỗi và LLM được tạo ra. Tính khả dụng của dữ liệu )DA( là vấn đề cốt lõi, trước khi nâng cấp Danksharding của Ethereum, thông lượng là 0.08MB, trong khi việc huấn luyện và suy diễn mô hình AI thường cần từ 50-100GB mỗi giây.
0g.AI là giải pháp lưu trữ tập trung được thiết kế cho nhu cầu AI, với đặc điểm: khả năng mở rộng hiệu suất cao, hỗ trợ tải lên và tải xuống nhanh chóng các tập dữ liệu quy mô lớn thông qua phân mảnh và mã sửa lỗi, tốc độ truyền gần 5GB mỗi giây.
)# 2.Middleware: Đào tạo và suy diễn mô hình
Thị trường phi tập trung cho mô hình mã nguồn mở
Cuộc tranh cãi về việc mã nguồn mở của mô hình AI vẫn tiếp diễn. Mã nguồn mở mang lại lợi thế là đổi mới tập thể, nhưng làm thế nào để tăng cường động lực cho các nhà phát triển khi không có mô hình lợi nhuận? Lý Ngạn Hùng từng khẳng định "mô hình mã nguồn mở sẽ ngày càng lạc hậu".
Web3 đề xuất khả năng của thị trường mô hình mã nguồn mở phi tập trung: đối với việc mã hóa mô hình, đội ngũ giữ lại một phần token, sẽ chuyển một phần thu nhập trong tương lai cho những người nắm giữ token.
Bittensor xây dựng thị trường P2P mô hình mã nguồn mở, được cấu thành từ nhiều "subnet", nơi các nhà cung cấp tài nguyên cạnh tranh để đáp ứng mục tiêu của subnet, các subnet tương tác học hỏi để đạt được trí tuệ mạnh mẽ hơn. Phần thưởng được phân phối thông qua bỏ phiếu của cộng đồng, dựa trên hiệu suất trong subnet.
ORA giới thiệu khái niệm phát hành mô hình ban đầu ###IMO(, biến AI thành token, có thể mua, bán và phát triển mô hình AI thông qua mạng phi tập trung.
Nền tảng AGI phi tập trung Sentient, khuyến khích hợp tác xây dựng mô hình AI sao chép mở rộng và thưởng cho những người đóng góp.
Spectral Nova tập trung vào việc tạo ra các ứng dụng mô hình AI và ML.
Suy luận có thể xác minh
Đối với vấn đề "hộp đen" trong suy luận AI, giải pháp Web3 tiêu chuẩn là so sánh kết quả hoạt động lặp lại của nhiều người xác thực, nhưng sự thiếu hụt GPU cao cấp dẫn đến chi phí cao.
Giải pháp có hy vọng hơn là thực hiện chứng minh ZK cho việc tính toán suy diễn AI ngoài chuỗi, xác minh tính toán mô hình AI trên chuỗi. Cần mã hóa chứng minh trên chuỗi rằng việc tính toán bên ngoài chuỗi đã hoàn thành đúng ) nếu tập dữ liệu không bị giả mạo (, đồng thời đảm bảo tính bảo mật của dữ liệu.
Các ưu điểm chính:
Khả năng mở rộng: Chứng minh ZK có thể xác nhận nhanh chóng một lượng lớn tính toán ngoài chuỗi. Ngay cả khi giao dịch tăng, một chứng minh ZK duy nhất có thể xác minh tất cả giao dịch.
Bảo vệ quyền riêng tư: Thông tin dữ liệu và mô hình AI được giữ bí mật, trong khi các bên có thể xác minh rằng không bị xâm phạm.
Không cần tin tưởng: Không cần dựa vào bên trung gian để xác minh tính toán.
Tích hợp Web2: Web2 về bản chất là tích hợp ngoài chuỗi, suy luận có thể xác minh giúp đưa tập dữ liệu và tính toán AI lên chuỗi, nâng cao tỷ lệ áp dụng Web3.
Công nghệ suy luận có thể xác minh Web3 hiện tại:
zkML: Kết hợp bằng chứng không kiến thức và học máy, đảm bảo tính riêng tư của mô hình dữ liệu, cho phép tính toán có thể xác minh mà không cần tiết lộ thuộc tính cơ sở. Modulus Labs phát hành bộ chứng ZK do AI xây dựng dựa trên ZKML, kiểm tra xem nhà cung cấp AI có thực hiện đúng thuật toán hay không, hiện tại khách hàng chủ yếu là DApp trên chuỗi.
opML: Sử dụng nguyên tắc tổng hợp lạc quan, cải thiện hiệu quả khả năng mở rộng tính toán ML thông qua việc xác minh thời gian xảy ra tranh chấp. Chỉ cần xác minh một phần nhỏ kết quả của "người xác minh", nhưng thiết lập chi phí kinh tế cao để tăng cường hình phạt và tiết kiệm tính toán thừa.
TeeML: Sử dụng môi trường thực thi đáng tin cậy để thực hiện các phép toán ML một cách an toàn, bảo vệ mô hình dữ liệu khỏi sự can thiệp và truy cập trái phép.
)# 3. Lớp ứng dụng: AI Agent
Trọng tâm phát triển AI đã chuyển từ khả năng mô hình sang AI Agent. OpenAI, Anthropic, Microsoft và nhiều công ty khác đang phát triển AI Agent, cố gắng vượt qua giai đoạn nền tảng công nghệ LLM.
OpenAI định nghĩa AI Agent là: một hệ thống được điều khiển bởi LLM như một bộ não, có khả năng tự hiểu, cảm nhận, lập kế hoạch, ghi nhớ và sử dụng công cụ, có khả năng tự động hóa thực hiện các nhiệm vụ phức tạp. AI từ một công cụ được sử dụng trở thành một chủ thể có thể sử dụng công cụ, trở thành trợ lý thông minh lý tưởng.
Web3 có thể mang lại cho Agent:
Điện trung hòa
Các đặc tính phi tập trung của Web3 làm cho hệ thống Agent trở nên phân tán và tự trị hơn, thiết lập cơ chế khuyến khích và trừng phạt cho người ủy thác thông qua các cơ chế như PoS, DPoS, thúc đẩy sự dân chủ hóa của hệ thống Agent. GaiaNet, Theoriq, HajimeAI đều đã có những thử nghiệm.
Khởi động lạnh
Việc phát triển và cải tiến AI Agent cần rất nhiều vốn, Web3 có thể giúp các dự án tiềm năng huy động vốn sớm để khởi động.
Virtual Protocol ra mắt nền tảng phát hành token fun.virtuals với AI Agent, người dùng có thể triển khai AI Agent chỉ với một cú nhấp chuột, đảm bảo phát hành token 100% công bằng.
Spectral đưa ra ý tưởng hỗ trợ phát hành sản phẩm tài sản AI Agent trên chuỗi: thông qua IAO### Initial Agent Offering( phát hành token, AI Agent trực tiếp nhận được vốn đầu tư, trở thành thành viên quản trị DAO, cung cấp cho nhà đầu tư cơ hội tham gia phát triển dự án và chia sẻ lợi nhuận.
) Hai, AI làm thế nào để tăng cường Web3
AI có ảnh hưởng đáng kể đến các dự án Web3, thông qua việc tối ưu hóa các thao tác trên chuỗi ### như thực thi hợp đồng thông minh, tính thanh khoản.
Trang này có thể chứa nội dung của bên thứ ba, được cung cấp chỉ nhằm mục đích thông tin (không phải là tuyên bố/bảo đảm) và không được coi là sự chứng thực cho quan điểm của Gate hoặc là lời khuyên về tài chính hoặc chuyên môn. Xem Tuyên bố từ chối trách nhiệm để biết chi tiết.
15 thích
Phần thưởng
15
6
Đăng lại
Chia sẻ
Bình luận
0/400
MEVHunterX
· 4giờ trước
Vượt qua giới hạn tầng lớp có chút khó khăn Giảm
Xem bản gốcTrả lời0
HodlKumamon
· 4giờ trước
Xem dữ liệu thì đợt này của "Song Thành Ký" có tỷ suất lợi nhuận 73.5% đó, Gấu Gấu đã bắt đầu Tự động định kỳ rồi~
Xem bản gốcTrả lời0
MemeCoinSavant
· 4giờ trước
không nói dối fam... tôi đã thực hiện một hồi quy thống kê về cơn sốt ai+web3 (n=420) và nó đang nhìn có vẻ thống kê degenerate af
Xem bản gốcTrả lời0
GasFeeVictim
· 4giờ trước
đồ ngốc要革命啦
Xem bản gốcTrả lời0
staking_gramps
· 4giờ trước
chơi đùa với mọi người một năm rồi, còn gì không hiểu nữa?
Xem bản gốcTrả lời0
LongTermDreamer
· 4giờ trước
Tiền đã mất hết rồi, còn xem ai cái gì, ba năm nữa quay lại xem nhé, lần này thật sự cảm thấy không giống.
Sự kết hợp giữa AI và Web3: Từ cơ sở hạ tầng đến Lớp ứng dụng của đổi mới và cơ hội
AI+Web3: Tháp và Quảng trường
điểm chính
Các dự án Web3 với khái niệm AI trở thành mục tiêu thu hút vốn trên thị trường sơ cấp và thứ cấp.
Cơ hội của Web3 trong ngành AI chủ yếu thể hiện ở: sử dụng động lực phân tán để điều phối nguồn cung tiềm năng dài đuôi ( qua dữ liệu, lưu trữ và tính toán ); đồng thời xây dựng mô hình mã nguồn mở và thị trường phi tập trung cho AI Agent.
AI trong ngành Web3 chủ yếu được áp dụng trong tài chính trên chuỗi ( thanh toán tiền điện tử, giao dịch, phân tích dữ liệu ) và hỗ trợ phát triển.
Giá trị của AI+Web3 nằm ở sự bổ sung cho nhau: Web3 hy vọng giải quyết sự tập trung của AI, AI hy vọng giúp Web3 vượt qua giới hạn tầng lớp.
Giới thiệu
Trong hai năm qua, sự phát triển của AI đã diễn ra với tốc độ nhanh chóng, cơn sốt AI sinh sinh do ChatGPT khơi mào không chỉ mở ra một thế giới mới mà còn khuấy động lĩnh vực Web3.
Dưới sự hỗ trợ của khái niệm AI, thị trường tiền mã hóa đã có sự hồi phục rõ rệt về huy động vốn. Theo thống kê, chỉ trong nửa đầu năm 2024, đã có 64 dự án Web3+AI hoàn thành huy động vốn, trong đó Zyber365 đã nhận được khoản huy động vốn cao nhất 100 triệu đô la trong vòng A.
Thị trường thứ cấp trở nên sôi động hơn, dữ liệu từ Coingecko cho thấy, tổng giá trị thị trường của lĩnh vực AI đã đạt 48,5 tỷ USD, khối lượng giao dịch trong 24 giờ gần 8,6 tỷ USD; sự phát triển công nghệ AI chính thống mang đến nhiều tin tốt, chẳng hạn như sau khi OpenAI công bố Sora, mức tăng trung bình của lĩnh vực AI là 151%; hiệu ứng AI cũng ảnh hưởng đến các mảng tiền điện tử hot như Meme, đồng MemeCoin đầu tiên với khái niệm AI Agent—GOAT đã nhanh chóng trở nên nổi bật, định giá đạt 1,4 tỷ USD, gây ra cơn sốt AI Meme.
Nghiên cứu và chủ đề liên quan đến AI+Web3 đang ngày càng nóng lên, từ AI+Depin đến AI Memecoin rồi đến AI Agent và AI DAO hiện tại, những câu chuyện mới liên tục xuất hiện.
Sự kết hợp đầy tiền nóng, cơn sốt và những tưởng tượng về tương lai này, khó tránh khỏi bị coi là một cuộc hôn nhân bị thúc đẩy bởi vốn, chúng ta rất khó để xác định đây là sự cuồng loạn của các nhà đầu cơ, hay là sự bùng nổ trước bình minh.
Điều quan trọng là, hai bên có thể hưởng lợi từ mô hình của nhau không? Bài viết này sẽ khám phá cách Web3 có thể đóng vai trò trong các khía cạnh khác nhau của công nghệ AI, cũng như những cơ hội mới mà AI có thể mang lại cho Web3.
Một, Cơ hội Web3 dưới AI stack
Trước khi thảo luận về chủ đề này, chúng ta cần hiểu về công nghệ của mô hình AI lớn:
Nói một cách đơn giản, "mô hình lớn" giống như bộ não con người, giai đoạn đầu giống như trẻ sơ sinh cần quan sát và tiếp thu một lượng thông tin khổng lồ để hiểu thế giới, đây là giai đoạn "thu thập" dữ liệu; do máy tính thiếu nhiều giác quan như con người, trước khi đào tạo cần phải chuyển đổi thông tin chưa được đánh dấu thông qua "tiền xử lý" thành định dạng mà máy tính có thể hiểu.
Sau khi nhập dữ liệu, AI thông qua "đào tạo" để xây dựng một mô hình có khả năng hiểu và dự đoán, tương tự như quá trình một đứa trẻ dần dần hiểu và học hỏi về thế giới xung quanh. Các tham số của mô hình giống như khả năng ngôn ngữ của trẻ em đang điều chỉnh liên tục. Khi nội dung học tập được phân chia theo chuyên ngành hoặc nhận phản hồi từ giao tiếp với người khác để sửa chữa, sẽ bước vào giai đoạn "tinh chỉnh".
Khi trẻ em lớn lên và biết nói, chúng có thể hiểu và diễn đạt suy nghĩ trong các cuộc đối thoại mới, tương tự như "suy diễn" của các mô hình AI lớn, có khả năng phân tích dự đoán trên các văn bản ngôn ngữ mới. Trẻ sơ sinh sử dụng ngôn ngữ để diễn đạt cảm xúc, mô tả vật thể và giải quyết vấn đề, giống như các mô hình AI lớn được áp dụng vào các nhiệm vụ cụ thể trong giai đoạn suy diễn sau khi hoàn thành đào tạo, như phân loại hình ảnh, nhận diện giọng nói, v.v.
AI Agent gần gũi hơn với hình thái tiếp theo của mô hình lớn - có khả năng thực hiện nhiệm vụ một cách độc lập để theo đuổi mục tiêu phức tạp, có khả năng suy nghĩ, ghi nhớ, lập kế hoạch, và có thể sử dụng công cụ để tương tác với thế giới.
Đối với các điểm đau của AI, Web3 hiện đã hình thành một hệ sinh thái liên kết đa tầng bao gồm các giai đoạn quy trình mô hình AI.
1.Nền tảng cơ bản: Airbnb về sức mạnh tính toán và dữ liệu
Công suất tính toán
Một trong những chi phí chính của AI là khả năng tính toán và năng lượng cần thiết để đào tạo và suy luận mô hình.
Ví dụ, LLAMA3 của Meta cần 16.000 GPU NVIDIA H100 trong 30 ngày để hoàn thành việc huấn luyện. Phiên bản 80GB có giá từ 30.000 đến 40.000 USD, cần đầu tư phần cứng từ 400 đến 700 triệu USD (GPU+chip mạng ), mỗi tháng tiêu tốn 1,6 tỷ kilowatt giờ điện, chi phí năng lượng gần 20 triệu USD.
Để đối phó với áp lực tính toán AI, mạng lưới cơ sở hạ tầng vật lý phi tập trung DePin( là một trong những lĩnh vực đầu tiên giao thoa giữa Web3 và AI. DePin Ninja đã liệt kê hơn 1400 dự án, trong đó có những đại diện chia sẻ sức mạnh GPU như io.net, Aethir, Akash, Render Network.
Logic chính là: nền tảng cho phép những người sở hữu tài nguyên GPU không sử dụng đóng góp sức mạnh tính toán theo cách phi tập trung không cần giấy phép, thông qua thị trường trực tuyến giữa người mua và người bán tương tự như Uber/Airbnb, nâng cao tỷ lệ sử dụng GPU, người dùng nhận được tài nguyên tính toán hiệu quả với chi phí thấp; trong khi cơ chế staking đảm bảo rằng việc vi phạm kiểm soát chất lượng hoặc gián đoạn mạng sẽ bị trừng phạt.
Đặc điểm:
Tập hợp GPU nhàn rỗi: Nguồn cung chủ yếu đến từ các trung tâm dữ liệu nhỏ và vừa, các mỏ khai thác tiền điện tử và các phần cứng khai thác PoS như máy khai thác FileCoin/ETH. Các dự án như exolab đang nỗ lực xây dựng mạng lưới tính toán cho việc suy diễn mô hình lớn bằng cách sử dụng các thiết bị cục bộ như MacBook, iPhone, iPad.
Hướng tới thị trường dài đuôi sức mạnh tính toán AI: Công nghệ phù hợp hơn với các bước suy luận. Đào tạo phụ thuộc vào cụm GPU siêu lớn, suy luận yêu cầu GPU thấp hơn, như Aethir tập trung vào việc render độ trễ thấp và suy luận AI. Các bên có nhu cầu sử dụng sức mạnh tính toán nhỏ sẽ không tự mình đào tạo các mô hình lớn, mà chủ yếu tối ưu hóa và tinh chỉnh các mô hình hàng đầu, phù hợp với sức mạnh tính toán phân tán đang nhàn rỗi.
Quyền sở hữu phi tập trung: Công nghệ blockchain đảm bảo rằng chủ sở hữu tài nguyên giữ quyền kiểm soát, linh hoạt điều chỉnh và thu lợi nhuận.
Dữ liệu
Dữ liệu là nền tảng của AI. Không có dữ liệu, việc tính toán trở nên vô nghĩa, chất lượng dữ liệu quyết định chất lượng đầu ra của mô hình. Đối với việc đào tạo mô hình AI, dữ liệu quyết định khả năng ngôn ngữ, khả năng hiểu biết, giá trị và khả năng thể hiện tính nhân văn. Hiện tại, những khó khăn trong nhu cầu dữ liệu cho AI chủ yếu là:
Tham dữ dữ liệu: Mô hình AI cần một lượng dữ liệu khổng lồ để huấn luyện. Số lượng tham số của GPT-4 đạt tới hàng triệu tỷ.
Chất lượng dữ liệu: AI kết hợp với các ngành công nghiệp đưa ra yêu cầu mới về tính kịp thời, đa dạng, chuyên môn, và các nguồn dữ liệu mới nổi như cảm xúc trên mạng xã hội.
Tuân thủ quyền riêng tư: Các công ty ở các quốc gia dần hạn chế việc thu thập dữ liệu.
Chi phí xử lý cao: Khối lượng dữ liệu lớn, xử lý phức tạp. Hơn 30% chi phí nghiên cứu và phát triển của các công ty AI được sử dụng cho việc thu thập và xử lý dữ liệu.
Giải pháp Web3:
Grass: Mạng lớp dữ liệu phi tập trung, người dùng chạy nút đóng góp băng thông để thu thập dữ liệu theo thời gian thực và nhận phần thưởng token.
Vana: Giới thiệu khái niệm về bể thanh khoản dữ liệu )DLP(, người dùng có thể tải lên dữ liệu cá nhân và chọn cấp quyền cho bên thứ ba sử dụng.
PublicAI: Người dùng sử dụng thẻ Web3 ) trên X và @PublicAI để thực hiện thu thập dữ liệu.
2.Xử lý dữ liệu: Xử lý dữ liệu AI cần làm sạch và chuyển đổi thành định dạng có thể sử dụng, liên quan đến chuẩn hóa, lọc, xử lý giá trị thiếu và các nhiệm vụ lặp lại khác. Giai đoạn thủ công này đã sinh ra ngành công nghiệp người đánh dấu dữ liệu, với yêu cầu ngày càng cao về tiêu chuẩn, phù hợp với cơ chế khuyến khích phi tập trung Web3.
Grass và OpenLayer đang xem xét việc thêm giai đoạn đánh dấu dữ liệu.
Synesis đưa ra khái niệm "Train2earn", nhấn mạnh chất lượng dữ liệu, người dùng cung cấp dữ liệu được gán nhãn sẽ nhận được phần thưởng.
Sapien biến nhiệm vụ đánh dấu thành trò chơi, người dùng staking điểm để kiếm thêm điểm.
Công nghệ bảo mật chính:
Môi trường thực thi đáng tin cậy ) TEE (, như Super Protocol.
Mã hóa đồng nhất hoàn toàn ) FHE (, như BasedAI, Fhenix.io, Inco Network.
Công nghệ zero-knowledge )zk(, như Reclaim Protocol sử dụng zkTLS để tạo chứng minh zero-knowledge cho lưu lượng HTTPS, an toàn để nhập dữ liệu từ các trang web bên ngoài.
Hiện tại đang ở giai đoạn đầu, khó khăn chính là chi phí tính toán cao:
EZKL cần 80 phút để tạo ra bằng chứng mô hình 1M-nanoGPT.
Chi phí zkML cao hơn 1000 lần so với tính toán thuần túy.
)# 2.Middleware: Đào tạo và suy diễn mô hình
Thị trường phi tập trung cho mô hình mã nguồn mở
Cuộc tranh cãi về việc mã nguồn mở của mô hình AI vẫn tiếp diễn. Mã nguồn mở mang lại lợi thế là đổi mới tập thể, nhưng làm thế nào để tăng cường động lực cho các nhà phát triển khi không có mô hình lợi nhuận? Lý Ngạn Hùng từng khẳng định "mô hình mã nguồn mở sẽ ngày càng lạc hậu".
Web3 đề xuất khả năng của thị trường mô hình mã nguồn mở phi tập trung: đối với việc mã hóa mô hình, đội ngũ giữ lại một phần token, sẽ chuyển một phần thu nhập trong tương lai cho những người nắm giữ token.
Bittensor xây dựng thị trường P2P mô hình mã nguồn mở, được cấu thành từ nhiều "subnet", nơi các nhà cung cấp tài nguyên cạnh tranh để đáp ứng mục tiêu của subnet, các subnet tương tác học hỏi để đạt được trí tuệ mạnh mẽ hơn. Phần thưởng được phân phối thông qua bỏ phiếu của cộng đồng, dựa trên hiệu suất trong subnet.
ORA giới thiệu khái niệm phát hành mô hình ban đầu ###IMO(, biến AI thành token, có thể mua, bán và phát triển mô hình AI thông qua mạng phi tập trung.
Nền tảng AGI phi tập trung Sentient, khuyến khích hợp tác xây dựng mô hình AI sao chép mở rộng và thưởng cho những người đóng góp.
Spectral Nova tập trung vào việc tạo ra các ứng dụng mô hình AI và ML.
Suy luận có thể xác minh
Đối với vấn đề "hộp đen" trong suy luận AI, giải pháp Web3 tiêu chuẩn là so sánh kết quả hoạt động lặp lại của nhiều người xác thực, nhưng sự thiếu hụt GPU cao cấp dẫn đến chi phí cao.
Giải pháp có hy vọng hơn là thực hiện chứng minh ZK cho việc tính toán suy diễn AI ngoài chuỗi, xác minh tính toán mô hình AI trên chuỗi. Cần mã hóa chứng minh trên chuỗi rằng việc tính toán bên ngoài chuỗi đã hoàn thành đúng ) nếu tập dữ liệu không bị giả mạo (, đồng thời đảm bảo tính bảo mật của dữ liệu.
Các ưu điểm chính:
Khả năng mở rộng: Chứng minh ZK có thể xác nhận nhanh chóng một lượng lớn tính toán ngoài chuỗi. Ngay cả khi giao dịch tăng, một chứng minh ZK duy nhất có thể xác minh tất cả giao dịch.
Bảo vệ quyền riêng tư: Thông tin dữ liệu và mô hình AI được giữ bí mật, trong khi các bên có thể xác minh rằng không bị xâm phạm.
Không cần tin tưởng: Không cần dựa vào bên trung gian để xác minh tính toán.
Tích hợp Web2: Web2 về bản chất là tích hợp ngoài chuỗi, suy luận có thể xác minh giúp đưa tập dữ liệu và tính toán AI lên chuỗi, nâng cao tỷ lệ áp dụng Web3.
Công nghệ suy luận có thể xác minh Web3 hiện tại:
zkML: Kết hợp bằng chứng không kiến thức và học máy, đảm bảo tính riêng tư của mô hình dữ liệu, cho phép tính toán có thể xác minh mà không cần tiết lộ thuộc tính cơ sở. Modulus Labs phát hành bộ chứng ZK do AI xây dựng dựa trên ZKML, kiểm tra xem nhà cung cấp AI có thực hiện đúng thuật toán hay không, hiện tại khách hàng chủ yếu là DApp trên chuỗi.
opML: Sử dụng nguyên tắc tổng hợp lạc quan, cải thiện hiệu quả khả năng mở rộng tính toán ML thông qua việc xác minh thời gian xảy ra tranh chấp. Chỉ cần xác minh một phần nhỏ kết quả của "người xác minh", nhưng thiết lập chi phí kinh tế cao để tăng cường hình phạt và tiết kiệm tính toán thừa.
TeeML: Sử dụng môi trường thực thi đáng tin cậy để thực hiện các phép toán ML một cách an toàn, bảo vệ mô hình dữ liệu khỏi sự can thiệp và truy cập trái phép.
)# 3. Lớp ứng dụng: AI Agent
Trọng tâm phát triển AI đã chuyển từ khả năng mô hình sang AI Agent. OpenAI, Anthropic, Microsoft và nhiều công ty khác đang phát triển AI Agent, cố gắng vượt qua giai đoạn nền tảng công nghệ LLM.
OpenAI định nghĩa AI Agent là: một hệ thống được điều khiển bởi LLM như một bộ não, có khả năng tự hiểu, cảm nhận, lập kế hoạch, ghi nhớ và sử dụng công cụ, có khả năng tự động hóa thực hiện các nhiệm vụ phức tạp. AI từ một công cụ được sử dụng trở thành một chủ thể có thể sử dụng công cụ, trở thành trợ lý thông minh lý tưởng.
Web3 có thể mang lại cho Agent:
Điện trung hòa
Các đặc tính phi tập trung của Web3 làm cho hệ thống Agent trở nên phân tán và tự trị hơn, thiết lập cơ chế khuyến khích và trừng phạt cho người ủy thác thông qua các cơ chế như PoS, DPoS, thúc đẩy sự dân chủ hóa của hệ thống Agent. GaiaNet, Theoriq, HajimeAI đều đã có những thử nghiệm.
Khởi động lạnh
Việc phát triển và cải tiến AI Agent cần rất nhiều vốn, Web3 có thể giúp các dự án tiềm năng huy động vốn sớm để khởi động.
Virtual Protocol ra mắt nền tảng phát hành token fun.virtuals với AI Agent, người dùng có thể triển khai AI Agent chỉ với một cú nhấp chuột, đảm bảo phát hành token 100% công bằng.
Spectral đưa ra ý tưởng hỗ trợ phát hành sản phẩm tài sản AI Agent trên chuỗi: thông qua IAO### Initial Agent Offering( phát hành token, AI Agent trực tiếp nhận được vốn đầu tư, trở thành thành viên quản trị DAO, cung cấp cho nhà đầu tư cơ hội tham gia phát triển dự án và chia sẻ lợi nhuận.
) Hai, AI làm thế nào để tăng cường Web3
AI có ảnh hưởng đáng kể đến các dự án Web3, thông qua việc tối ưu hóa các thao tác trên chuỗi ### như thực thi hợp đồng thông minh, tính thanh khoản.