Ba hướng chiến lược chính của sự kết hợp giữa AI và mã hóa

Hiện tại, sự kết hợp giữa AI và mã hóa đang bước vào giai đoạn phát triển nhanh chóng. Bài viết này trình bày chi tiết ba hướng phát triển chính.

1. Xây dựng hệ thống kinh tế dựa trên đại lý thông minh

Các đại lý thông minh hoạt động trên blockchain đã chứng minh là khả thi. Các thử nghiệm trong lĩnh vực này liên tục phá vỡ ranh giới, với tiềm năng lớn và không gian thiết kế rộng lớn. Hiện tại, đây đã trở thành một trong những hướng đột phá nhất trong lĩnh vực mã hóa và AI, và đây chỉ mới là khởi đầu.

Trong tương lai, các đại lý thông minh có thể quản lý các dự án phức tạp, chẳng hạn như tìm kiếm các hợp chất điều trị cho các bệnh cụ thể trong lĩnh vực nghiên cứu khoa học. Cụ thể là:

• Thực hiện huy động vốn thông qua nền tảng gọi vốn bằng token
• Sử dụng vốn huy động để thanh toán chi phí truy cập tài liệu nghiên cứu và chi phí mô phỏng trên mạng tính toán phi tập trung
• Thông qua nền tảng thưởng để tuyển dụng con người thực hiện công việc xác minh thí nghiệm

Ngoài ra, đại lý còn có thể thực hiện các nhiệm vụ đơn giản như xây dựng trang web cá nhân, sáng tạo tác phẩm nghệ thuật, và các ứng dụng có vô hạn khả năng.

Đại lý thông minh thực hiện các hoạt động tài chính trên blockchain có lợi hơn so với việc sử dụng các kênh truyền thống:

• Ứng dụng thanh toán nhỏ
• Lợi thế tốc độ, thanh toán ngay lập tức
• Tham gia vào thị trường vốn thông qua DeFi, có thể dễ dàng tạo ra tài sản, giao dịch, đầu tư quản lý tài chính, cho vay, v.v.

2. Nâng cao khả năng của mô hình ngôn ngữ lớn trong phát triển mã

Các mô hình ngôn ngữ lớn đã thể hiện xuất sắc trong việc viết mã và trong tương lai sẽ còn được nâng cao hơn nữa. Thông qua những khả năng này, hiệu suất của các nhà phát triển có thể được nâng cao từ 2-10 lần. Gần đây, việc thiết lập các tiêu chuẩn chất lượng cao để đánh giá khả năng hiểu và viết mã của các mô hình ngôn ngữ lớn sẽ giúp hiểu được tác động tiềm năng của chúng đối với hệ sinh thái. Các kế hoạch tinh chỉnh mô hình chất lượng cao sẽ được xác minh trong các bài kiểm tra tiêu chuẩn.

Các thách thức hiện tại bao gồm:

• Thiếu dữ liệu huấn luyện gốc chất lượng cao
• Số lượng xây dựng xác thực không đủ
• Thiếu tương tác có giá trị thông tin cao
• Sự phát triển nhanh chóng của cơ sở hạ tầng dẫn đến mã cũ có thể không còn phù hợp
• Thiếu phương pháp đánh giá mức độ hiểu biết của mô hình.

Tương lai mong muốn thấy:

• Nhận dữ liệu liên quan tốt hơn
• Nhiều đội ngũ phát hành xác thực xây dựng
• Các thành viên trong hệ sinh thái tích cực tương tác trên nền tảng trao đổi công nghệ
• Tạo các bài kiểm tra chuẩn chất lượng cao
• Phát triển mô hình tinh chỉnh có hiệu suất tốt trong các bài kiểm tra chuẩn

Thành tựu lớn cuối cùng sẽ là một khách hàng xác thực hoàn toàn mới, chất lượng cao và khác biệt được tạo ra hoàn toàn bởi AI.

3. Hỗ trợ công nghệ AI mở và phi tập trung

"Công nghệ AI mở và phi tập trung" bao gồm các yếu tố chính sau:

• Lấy dữ liệu huấn luyện
• Năng lực tính toán huấn luyện và suy luận
• Chia sẻ trọng số mô hình
• Khả năng xác thực đầu ra mô hình

Tầm quan trọng của công nghệ AI mở này được thể hiện ở:

• Tăng tốc phát triển mô hình đổi mới và thử nghiệm
• Cung cấp giải pháp thay thế cho người dùng không tin tưởng vào AI tập trung.

Trong hệ sinh thái đã có nhiều dự án hỗ trợ công nghệ AI mở:

• Thu thập dữ liệu
• Điện toán phi tập trung
• Khung đào tạo phi tập trung

Trong tương lai, hy vọng có thể xây dựng nhiều sản phẩm hơn ở mọi cấp độ của công nghệ AI mã nguồn mở, bao gồm thu thập dữ liệu phi tập trung, xác thực danh tính trên chuỗi, đào tạo phi tập trung và cơ sở hạ tầng IP cho phép nội dung AI.