Báo cáo toàn cảnh Web3-AI: Phân tích sâu về logic kỹ thuật, ứng dụng cảnh và các dự án hàng đầu Độ sâu
Với sự gia tăng của kể chuyện AI, ngày càng nhiều sự chú ý được tập trung vào lĩnh vực này. Bài viết này phân tích sâu về logic công nghệ, các tình huống ứng dụng và các dự án đại diện trong lĩnh vực Web3-AI, nhằm trình bày toàn cảnh và xu hướng phát triển của lĩnh vực này.
Một, Web3-AI: Phân tích logic công nghệ và cơ hội thị trường mới nổi
1.1 Logic hợp nhất giữa Web3 và AI: Làm thế nào để xác định lĩnh vực Web-AI
Trong năm qua, kể chuyện AI đã trở nên cực kỳ phổ biến trong ngành Web3, các dự án AI xuất hiện như nấm sau mưa. Mặc dù có nhiều dự án liên quan đến công nghệ AI, nhưng một số dự án chỉ sử dụng AI trong một số phần của sản phẩm, trong khi kinh tế token cơ bản không có mối liên hệ thực chất với sản phẩm AI, do đó các dự án này không nằm trong cuộc thảo luận về các dự án Web3-AI trong bài viết này.
Nội dung chính của bài viết này là sử dụng blockchain để giải quyết vấn đề quan hệ sản xuất, và AI để giải quyết vấn đề năng suất, những dự án này cung cấp sản phẩm AI, đồng thời dựa trên mô hình kinh tế Web3 như một công cụ quan hệ sản xuất, hai yếu tố này hỗ trợ lẫn nhau. Chúng tôi phân loại các dự án này vào lĩnh vực Web3-AI. Để giúp độc giả hiểu rõ hơn về lĩnh vực Web3-AI, bài viết sẽ trình bày quá trình phát triển AI và những thách thức, cũng như cách kết hợp giữa Web3 và AI hoàn hảo để giải quyết vấn đề và tạo ra những tình huống ứng dụng mới.
1.2 Quá trình phát triển AI và những thách thức: từ việc thu thập dữ liệu đến suy luận mô hình
Công nghệ AI là một công nghệ cho phép máy tính mô phỏng, mở rộng và nâng cao trí thông minh của con người. Nó có khả năng giúp máy tính thực hiện nhiều nhiệm vụ phức tạp khác nhau, từ dịch ngôn ngữ, phân loại hình ảnh đến nhận diện khuôn mặt, lái xe tự động và nhiều ứng dụng khác, AI đang thay đổi cách chúng ta sống và làm việc.
Quá trình phát triển mô hình trí tuệ nhân tạo thường bao gồm các bước chính sau: thu thập dữ liệu và tiền xử lý dữ liệu, chọn và tinh chỉnh mô hình, đào tạo và suy diễn mô hình. Lấy một ví dụ đơn giản, để phát triển một mô hình nhằm phân loại hình ảnh của mèo và chó, bạn cần:
Thu thập dữ liệu và tiền xử lý dữ liệu: Thu thập tập dữ liệu hình ảnh chứa mèo và chó, có thể sử dụng tập dữ liệu công khai hoặc tự thu thập dữ liệu thực. Sau đó gán nhãn cho mỗi hình ảnh (mèo hoặc chó), đảm bảo nhãn chính xác. Chuyển đổi hình ảnh thành định dạng mà mô hình có thể nhận diện, chia tập dữ liệu thành tập huấn luyện, tập xác thực và tập kiểm tra.
Lựa chọn và điều chỉnh mô hình: Chọn mô hình phù hợp, chẳng hạn như mạng nơ-ron tích chập (CNN), thường phù hợp cho các nhiệm vụ phân loại hình ảnh. Điều chỉnh tham số hoặc kiến trúc của mô hình theo các nhu cầu khác nhau, thường thì, độ sâu của mạng có thể được điều chỉnh dựa trên độ phức tạp của nhiệm vụ AI. Trong ví dụ phân loại đơn giản này, một mạng nông có thể là đủ.
Huấn luyện mô hình: Có thể sử dụng GPU, TPU hoặc cụm tính toán hiệu năng cao để huấn luyện mô hình, thời gian huấn luyện bị ảnh hưởng bởi độ phức tạp của mô hình và khả năng tính toán.
Suy diễn mô hình: Tập tin đã được huấn luyện mô hình thường được gọi là trọng số mô hình, quá trình suy diễn là quá trình sử dụng mô hình đã được huấn luyện để dự đoán hoặc phân loại dữ liệu mới. Trong quá trình này, có thể sử dụng tập kiểm tra hoặc dữ liệu mới để kiểm tra hiệu quả phân loại của mô hình, thường sử dụng các chỉ số như độ chính xác, độ hồi đáp, F1-score để đánh giá tính hiệu quả của mô hình.
Như hình đã chỉ, sau khi thu thập dữ liệu và tiền xử lý dữ liệu, lựa chọn và điều chỉnh mô hình, cùng với việc đào tạo, mô hình đã được đào tạo sẽ được suy luận trên tập kiểm tra để đưa ra giá trị dự đoán P (xác suất) của mèo và chó, tức là xác suất mà mô hình suy luận ra đó là mèo hoặc chó.
Mô hình AI đã được đào tạo có thể được tích hợp hơn nữa vào nhiều ứng dụng khác nhau, thực hiện các nhiệm vụ khác nhau. Trong ví dụ này, mô hình AI phân loại mèo và chó có thể được tích hợp vào một ứng dụng di động, người dùng tải lên hình ảnh của mèo hoặc chó, sẽ nhận được kết quả phân loại.
Tuy nhiên, quá trình phát triển AI tập trung gặp một số vấn đề trong các tình huống sau:
Quyền riêng tư của người dùng: Trong các tình huống tập trung, quá trình phát triển AI thường không minh bạch. Dữ liệu người dùng có thể bị đánh cắp mà không được thông báo và được sử dụng cho việc huấn luyện AI.
Nguồn dữ liệu: Các đội nhóm nhỏ hoặc cá nhân khi thu thập dữ liệu trong các lĩnh vực cụ thể (như dữ liệu y tế) có thể gặp phải những hạn chế về việc dữ liệu không được mở nguồn.
Lựa chọn và tinh chỉnh mô hình: Đối với các đội nhỏ, rất khó để có được tài nguyên mô hình trong lĩnh vực cụ thể hoặc tốn nhiều chi phí để tinh chỉnh mô hình.
Nhận được sức mạnh tính toán: Đối với các nhà phát triển cá nhân và các nhóm nhỏ, chi phí mua GPU cao và phí thuê sức mạnh tính toán trên đám mây có thể tạo ra gánh nặng kinh tế đáng kể.
Thu nhập tài sản AI: Những người làm công việc gán nhãn dữ liệu thường không thể có được thu nhập tương xứng với công sức của họ, trong khi kết quả nghiên cứu của các nhà phát triển AI cũng khó khăn trong việc phù hợp với những người mua có nhu cầu.
Những thách thức tồn tại trong bối cảnh AI tập trung có thể được giải quyết thông qua việc kết hợp với Web3, Web3 như một loại quan hệ sản xuất mới, tự nhiên thích ứng với AI đại diện cho lực lượng sản xuất mới, từ đó thúc đẩy sự tiến bộ đồng thời của công nghệ và năng lực sản xuất.
1.3 Sự hợp tác giữa Web3 và AI: Sự chuyển đổi vai trò và ứng dụng đổi mới
Sự kết hợp giữa Web3 và AI có thể tăng cường quyền sở hữu của người dùng, cung cấp cho người dùng một nền tảng hợp tác AI mở, giúp người dùng chuyển từ người sử dụng AI trong thời đại Web2 thành người tham gia, tạo ra AI mà mọi người đều có thể sở hữu. Đồng thời, sự hòa nhập giữa thế giới Web3 và công nghệ AI cũng có thể tạo ra nhiều cảnh ứng dụng và cách chơi sáng tạo hơn.
Dựa trên công nghệ Web3, sự phát triển và ứng dụng của AI sẽ chào đón một hệ thống kinh tế hợp tác hoàn toàn mới. Quyền riêng tư dữ liệu của mọi người có thể được đảm bảo, mô hình crowdsourcing dữ liệu thúc đẩy sự tiến bộ của mô hình AI, nhiều tài nguyên AI mã nguồn mở có sẵn cho người dùng, và sức mạnh tính toán chia sẻ có thể được tiếp cận với chi phí thấp. Nhờ vào cơ chế crowdsourcing hợp tác phi tập trung và thị trường AI mở, có thể đạt được một hệ thống phân phối thu nhập công bằng, từ đó khuyến khích nhiều người hơn tham gia vào việc thúc đẩy sự tiến bộ của công nghệ AI.
Trong bối cảnh Web3, AI có thể tạo ra ảnh hưởng tích cực trên nhiều lĩnh vực. Ví dụ, các mô hình AI có thể được tích hợp vào hợp đồng thông minh, nâng cao hiệu quả công việc trong các tình huống ứng dụng khác nhau như phân tích thị trường, kiểm tra an ninh, phân loại xã hội và nhiều chức năng khác. AI sinh tạo không chỉ cho phép người dùng trải nghiệm vai trò "nghệ sĩ", chẳng hạn như sử dụng công nghệ AI để tạo ra NFT của riêng mình, mà còn có thể tạo ra các cảnh chơi phong phú và trải nghiệm tương tác thú vị trong GameFi. Hệ thống cơ sở hạ tầng phong phú cung cấp trải nghiệm phát triển liền mạch, bất kể là chuyên gia AI hay người mới muốn tham gia vào lĩnh vực AI đều có thể tìm thấy lối vào phù hợp trong thế giới này.
Hai, Phân tích bản đồ và kiến trúc của dự án hệ sinh thái Web3-AI
Chúng tôi chủ yếu nghiên cứu 41 dự án trong lĩnh vực Web3-AI và phân chia các dự án này thành các cấp độ khác nhau. Logic phân chia của mỗi cấp độ được thể hiện trong hình dưới đây, bao gồm lớp hạ tầng, lớp trung gian và lớp ứng dụng, mỗi lớp lại được chia thành các phân khúc khác nhau. Ở chương tiếp theo, chúng tôi sẽ phân tích sâu một số dự án tiêu biểu.
Lớp hạ tầng bao gồm các tài nguyên tính toán và kiến trúc công nghệ hỗ trợ cho việc vận hành toàn bộ vòng đời AI, lớp trung gian bao gồm quản lý dữ liệu, phát triển mô hình và dịch vụ xác minh suy diễn kết nối hạ tầng với ứng dụng, trong khi lớp ứng dụng tập trung vào các loại ứng dụng và giải pháp trực tiếp hướng tới người dùng.
Cấp độ cơ sở hạ tầng:
Lớp hạ tầng là nền tảng của vòng đời AI, bài viết này phân loại sức mạnh tính toán, AI Chain và nền tảng phát triển vào lớp hạ tầng. Chính nhờ sự hỗ trợ của những hạ tầng này mà việc đào tạo và suy diễn mô hình AI trở nên khả thi, và các ứng dụng AI mạnh mẽ, hữu ích được trình bày cho người dùng.
Mạng lưới tính toán phi tập trung: có thể cung cấp sức mạnh tính toán phân tán cho việc huấn luyện mô hình AI, đảm bảo việc sử dụng tài nguyên tính toán hiệu quả và kinh tế. Một số dự án cung cấp thị trường sức mạnh tính toán phi tập trung, người dùng có thể thuê sức mạnh tính toán với chi phí thấp hoặc chia sẻ sức mạnh tính toán để thu lợi, đại diện cho các dự án như IO.NET và Hyperbolic. Hơn nữa, một số dự án đã phát triển ra những cách chơi mới, như Compute Labs, đề xuất giao thức mã hóa, người dùng thông qua việc mua NFT đại diện cho GPU vật lý, có thể tham gia vào việc thuê sức mạnh tính toán theo những cách khác nhau để thu lợi.
AI Chain: Sử dụng blockchain làm nền tảng cho vòng đời AI, thực hiện tương tác liền mạch giữa tài nguyên AI trên chuỗi và ngoài chuỗi, thúc đẩy sự phát triển của hệ sinh thái ngành. Thị trường AI phi tập trung trên chuỗi có thể trao đổi tài sản AI như dữ liệu, mô hình, đại lý, v.v., và cung cấp khung phát triển AI cùng với các công cụ phát triển hỗ trợ, điển hình là dự án Sahara AI. AI Chain cũng có thể thúc đẩy sự tiến bộ công nghệ AI trong các lĩnh vực khác nhau, chẳng hạn như Bittensor thông qua cơ chế khuyến khích subnet đổi mới để thúc đẩy sự cạnh tranh giữa các loại subnet AI khác nhau.
Nền tảng phát triển: Một số dự án cung cấp nền tảng phát triển AI đại lý, còn có thể thực hiện giao dịch của AI đại lý, như Fetch.ai và ChainML. Các công cụ một cửa giúp các nhà phát triển dễ dàng hơn trong việc tạo ra, đào tạo và triển khai các mô hình AI, đại diện cho các dự án như Nimble. Những cơ sở hạ tầng này thúc đẩy việc ứng dụng rộng rãi công nghệ AI trong hệ sinh thái Web3.
Lớp giữa:
Lớp này liên quan đến dữ liệu AI, mô hình cũng như suy luận và xác minh, việc áp dụng công nghệ Web3 có thể đạt được hiệu suất làm việc cao hơn.
Dữ liệu: Chất lượng và số lượng dữ liệu là những yếu tố chính ảnh hưởng đến hiệu quả đào tạo mô hình. Trong thế giới Web3, thông qua dữ liệu crowdsourcing và xử lý dữ liệu hợp tác, có thể tối ưu hóa việc sử dụng tài nguyên và giảm chi phí dữ liệu. Người dùng có quyền sở hữu dữ liệu, có thể bán dữ liệu của mình trong bối cảnh bảo vệ quyền riêng tư, để tránh dữ liệu bị những thương nhân xấu lợi dụng và trục lợi. Đối với những bên có nhu cầu dữ liệu, các nền tảng này cung cấp nhiều lựa chọn và chi phí rất thấp. Các dự án đại diện như Grass sử dụng băng thông của người dùng để thu thập dữ liệu Web, xData thu thập thông tin truyền thông thông qua các plugin thân thiện với người dùng, và hỗ trợ người dùng tải lên thông tin tweet.
Ngoài ra, một số nền tảng cho phép các chuyên gia trong lĩnh vực hoặc người dùng thông thường thực hiện các nhiệm vụ tiền xử lý dữ liệu, chẳng hạn như gán nhãn hình ảnh, phân loại dữ liệu, những nhiệm vụ này có thể yêu cầu kiến thức chuyên môn về tài chính và pháp lý để xử lý dữ liệu, người dùng có thể biến kỹ năng thành token, thực hiện hợp tác crowdsourcing cho tiền xử lý dữ liệu. Đại diện như thị trường AI Sahara AI, có các nhiệm vụ dữ liệu từ các lĩnh vực khác nhau, có thể bao phủ nhiều kịch bản dữ liệu từ nhiều lĩnh vực; trong khi AIT Protocolt thực hiện gán nhãn dữ liệu thông qua phương pháp hợp tác giữa người và máy.
Mô hình: Trong quá trình phát triển AI đã đề cập trước đó, các nhu cầu loại khác nhau cần phải phù hợp với mô hình thích hợp. Các mô hình thường được sử dụng cho nhiệm vụ hình ảnh như CNN, GAN; nhiệm vụ phát hiện đối tượng có thể chọn dòng Yolo; các nhiệm vụ loại văn bản thường gặp các mô hình như RNN, Transformer, và tất nhiên còn có một số mô hình lớn cụ thể hoặc chung. Độ sâu của mô hình cần thiết cho các nhiệm vụ có độ phức tạp khác nhau cũng khác nhau, đôi khi cần điều chỉnh mô hình.
Một số dự án hỗ trợ người dùng cung cấp các loại mô hình khác nhau hoặc hợp tác đào tạo mô hình thông qua cách crowdsourcing, như Sentient thông qua thiết kế mô-đun cho phép người dùng đặt dữ liệu mô hình đáng tin cậy ở lớp lưu trữ và lớp phân phối để tối ưu hóa mô hình, công cụ phát triển do Sahara AI cung cấp tích hợp các thuật toán AI tiên tiến và khung tính toán, đồng thời có khả năng đào tạo hợp tác.
Suy luận và xác minh: Sau khi mô hình được đào tạo, nó sẽ tạo ra tệp trọng số mô hình, có thể được sử dụng để phân loại, dự đoán hoặc các nhiệm vụ cụ thể khác, quá trình này được gọi là suy luận. Quá trình suy luận thường đi kèm với cơ chế xác minh, để xác minh nguồn gốc của mô hình suy luận có chính xác hay không, có hành vi xấu hay không, v.v. Suy luận Web3 thường có thể được tích hợp vào hợp đồng thông minh, thông qua việc gọi mô hình để thực hiện suy luận, các phương pháp xác minh phổ biến bao gồm các công nghệ như ZKML, OPML và TEE. Các dự án đại diện như Oracle AI trên chuỗi ORA (OAO), đã đưa OPML vào như là lớp xác minh cho Oracle AI, trên trang web chính thức của ORA cũng đã đề cập đến nghiên cứu của họ về ZKML và opp/ai (ZKML kết hợp OPML).
Lớp ứng dụng:
Lớp này chủ yếu là các ứng dụng trực tiếp hướng tới người dùng, kết hợp AI với Web3, tạo ra nhiều cách chơi thú vị và sáng tạo hơn. Bài viết này chủ yếu tổng hợp các dự án trong các lĩnh vực AIGC (Nội dung do AI tạo ra), đại lý AI và phân tích dữ liệu.
AIGC: Thông qua AIGC, có thể mở rộng đến các lĩnh vực NFT, trò chơi trong Web3, người dùng có thể trực tiếp tạo ra văn bản, hình ảnh và âm thanh thông qua Prompt (các từ gợi ý do người dùng cung cấp), thậm chí có thể tạo ra lối chơi tùy chỉnh trong trò chơi theo sở thích của mình. Các dự án NFT như NFPrompt, người dùng có thể sử dụng AI để tạo ra NFT và giao dịch trên thị trường; các trò chơi như Sleepless, người dùng hình thành tính cách của bạn đồng hành ảo thông qua cuộc trò chuyện để phù hợp với sở thích của mình;
AI đại lý: chỉ các hệ thống trí tuệ nhân tạo có khả năng tự thực hiện nhiệm vụ và đưa ra quyết định. AI đại lý thường có khả năng cảm nhận, suy luận, học hỏi và hành động, có thể thực hiện các nhiệm vụ phức tạp trong nhiều môi trường khác nhau. Các AI đại lý phổ biến như
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.
16 thích
Phần thưởng
16
4
Chia sẻ
Bình luận
0/400
StakeHouseDirector
· 12giờ trước
Lại có mấy người thao túng thị trường vẽ BTC rồi, hiểu cái quái gì ai.
Xem bản gốcTrả lời0
RugPullSurvivor
· 12giờ trước
Lại một đống bẫy quảng cáo, đủ rồi đấy.
Xem bản gốcTrả lời0
LiquidationWizard
· 12giờ trước
Haha vẫn chưa phải là chiêu trò thổi phồng để lừa đồ ngốc.
Báo cáo toàn cảnh Web3-AI: Phân tích sâu về công nghệ hợp nhất, tình huống ứng dụng và các dự án hàng đầu Độ sâu
Báo cáo toàn cảnh Web3-AI: Phân tích sâu về logic kỹ thuật, ứng dụng cảnh và các dự án hàng đầu Độ sâu
Với sự gia tăng của kể chuyện AI, ngày càng nhiều sự chú ý được tập trung vào lĩnh vực này. Bài viết này phân tích sâu về logic công nghệ, các tình huống ứng dụng và các dự án đại diện trong lĩnh vực Web3-AI, nhằm trình bày toàn cảnh và xu hướng phát triển của lĩnh vực này.
Một, Web3-AI: Phân tích logic công nghệ và cơ hội thị trường mới nổi
1.1 Logic hợp nhất giữa Web3 và AI: Làm thế nào để xác định lĩnh vực Web-AI
Trong năm qua, kể chuyện AI đã trở nên cực kỳ phổ biến trong ngành Web3, các dự án AI xuất hiện như nấm sau mưa. Mặc dù có nhiều dự án liên quan đến công nghệ AI, nhưng một số dự án chỉ sử dụng AI trong một số phần của sản phẩm, trong khi kinh tế token cơ bản không có mối liên hệ thực chất với sản phẩm AI, do đó các dự án này không nằm trong cuộc thảo luận về các dự án Web3-AI trong bài viết này.
Nội dung chính của bài viết này là sử dụng blockchain để giải quyết vấn đề quan hệ sản xuất, và AI để giải quyết vấn đề năng suất, những dự án này cung cấp sản phẩm AI, đồng thời dựa trên mô hình kinh tế Web3 như một công cụ quan hệ sản xuất, hai yếu tố này hỗ trợ lẫn nhau. Chúng tôi phân loại các dự án này vào lĩnh vực Web3-AI. Để giúp độc giả hiểu rõ hơn về lĩnh vực Web3-AI, bài viết sẽ trình bày quá trình phát triển AI và những thách thức, cũng như cách kết hợp giữa Web3 và AI hoàn hảo để giải quyết vấn đề và tạo ra những tình huống ứng dụng mới.
1.2 Quá trình phát triển AI và những thách thức: từ việc thu thập dữ liệu đến suy luận mô hình
Công nghệ AI là một công nghệ cho phép máy tính mô phỏng, mở rộng và nâng cao trí thông minh của con người. Nó có khả năng giúp máy tính thực hiện nhiều nhiệm vụ phức tạp khác nhau, từ dịch ngôn ngữ, phân loại hình ảnh đến nhận diện khuôn mặt, lái xe tự động và nhiều ứng dụng khác, AI đang thay đổi cách chúng ta sống và làm việc.
Quá trình phát triển mô hình trí tuệ nhân tạo thường bao gồm các bước chính sau: thu thập dữ liệu và tiền xử lý dữ liệu, chọn và tinh chỉnh mô hình, đào tạo và suy diễn mô hình. Lấy một ví dụ đơn giản, để phát triển một mô hình nhằm phân loại hình ảnh của mèo và chó, bạn cần:
Thu thập dữ liệu và tiền xử lý dữ liệu: Thu thập tập dữ liệu hình ảnh chứa mèo và chó, có thể sử dụng tập dữ liệu công khai hoặc tự thu thập dữ liệu thực. Sau đó gán nhãn cho mỗi hình ảnh (mèo hoặc chó), đảm bảo nhãn chính xác. Chuyển đổi hình ảnh thành định dạng mà mô hình có thể nhận diện, chia tập dữ liệu thành tập huấn luyện, tập xác thực và tập kiểm tra.
Lựa chọn và điều chỉnh mô hình: Chọn mô hình phù hợp, chẳng hạn như mạng nơ-ron tích chập (CNN), thường phù hợp cho các nhiệm vụ phân loại hình ảnh. Điều chỉnh tham số hoặc kiến trúc của mô hình theo các nhu cầu khác nhau, thường thì, độ sâu của mạng có thể được điều chỉnh dựa trên độ phức tạp của nhiệm vụ AI. Trong ví dụ phân loại đơn giản này, một mạng nông có thể là đủ.
Huấn luyện mô hình: Có thể sử dụng GPU, TPU hoặc cụm tính toán hiệu năng cao để huấn luyện mô hình, thời gian huấn luyện bị ảnh hưởng bởi độ phức tạp của mô hình và khả năng tính toán.
Suy diễn mô hình: Tập tin đã được huấn luyện mô hình thường được gọi là trọng số mô hình, quá trình suy diễn là quá trình sử dụng mô hình đã được huấn luyện để dự đoán hoặc phân loại dữ liệu mới. Trong quá trình này, có thể sử dụng tập kiểm tra hoặc dữ liệu mới để kiểm tra hiệu quả phân loại của mô hình, thường sử dụng các chỉ số như độ chính xác, độ hồi đáp, F1-score để đánh giá tính hiệu quả của mô hình.
Như hình đã chỉ, sau khi thu thập dữ liệu và tiền xử lý dữ liệu, lựa chọn và điều chỉnh mô hình, cùng với việc đào tạo, mô hình đã được đào tạo sẽ được suy luận trên tập kiểm tra để đưa ra giá trị dự đoán P (xác suất) của mèo và chó, tức là xác suất mà mô hình suy luận ra đó là mèo hoặc chó.
Mô hình AI đã được đào tạo có thể được tích hợp hơn nữa vào nhiều ứng dụng khác nhau, thực hiện các nhiệm vụ khác nhau. Trong ví dụ này, mô hình AI phân loại mèo và chó có thể được tích hợp vào một ứng dụng di động, người dùng tải lên hình ảnh của mèo hoặc chó, sẽ nhận được kết quả phân loại.
Tuy nhiên, quá trình phát triển AI tập trung gặp một số vấn đề trong các tình huống sau:
Quyền riêng tư của người dùng: Trong các tình huống tập trung, quá trình phát triển AI thường không minh bạch. Dữ liệu người dùng có thể bị đánh cắp mà không được thông báo và được sử dụng cho việc huấn luyện AI.
Nguồn dữ liệu: Các đội nhóm nhỏ hoặc cá nhân khi thu thập dữ liệu trong các lĩnh vực cụ thể (như dữ liệu y tế) có thể gặp phải những hạn chế về việc dữ liệu không được mở nguồn.
Lựa chọn và tinh chỉnh mô hình: Đối với các đội nhỏ, rất khó để có được tài nguyên mô hình trong lĩnh vực cụ thể hoặc tốn nhiều chi phí để tinh chỉnh mô hình.
Nhận được sức mạnh tính toán: Đối với các nhà phát triển cá nhân và các nhóm nhỏ, chi phí mua GPU cao và phí thuê sức mạnh tính toán trên đám mây có thể tạo ra gánh nặng kinh tế đáng kể.
Thu nhập tài sản AI: Những người làm công việc gán nhãn dữ liệu thường không thể có được thu nhập tương xứng với công sức của họ, trong khi kết quả nghiên cứu của các nhà phát triển AI cũng khó khăn trong việc phù hợp với những người mua có nhu cầu.
Những thách thức tồn tại trong bối cảnh AI tập trung có thể được giải quyết thông qua việc kết hợp với Web3, Web3 như một loại quan hệ sản xuất mới, tự nhiên thích ứng với AI đại diện cho lực lượng sản xuất mới, từ đó thúc đẩy sự tiến bộ đồng thời của công nghệ và năng lực sản xuất.
1.3 Sự hợp tác giữa Web3 và AI: Sự chuyển đổi vai trò và ứng dụng đổi mới
Sự kết hợp giữa Web3 và AI có thể tăng cường quyền sở hữu của người dùng, cung cấp cho người dùng một nền tảng hợp tác AI mở, giúp người dùng chuyển từ người sử dụng AI trong thời đại Web2 thành người tham gia, tạo ra AI mà mọi người đều có thể sở hữu. Đồng thời, sự hòa nhập giữa thế giới Web3 và công nghệ AI cũng có thể tạo ra nhiều cảnh ứng dụng và cách chơi sáng tạo hơn.
Dựa trên công nghệ Web3, sự phát triển và ứng dụng của AI sẽ chào đón một hệ thống kinh tế hợp tác hoàn toàn mới. Quyền riêng tư dữ liệu của mọi người có thể được đảm bảo, mô hình crowdsourcing dữ liệu thúc đẩy sự tiến bộ của mô hình AI, nhiều tài nguyên AI mã nguồn mở có sẵn cho người dùng, và sức mạnh tính toán chia sẻ có thể được tiếp cận với chi phí thấp. Nhờ vào cơ chế crowdsourcing hợp tác phi tập trung và thị trường AI mở, có thể đạt được một hệ thống phân phối thu nhập công bằng, từ đó khuyến khích nhiều người hơn tham gia vào việc thúc đẩy sự tiến bộ của công nghệ AI.
Trong bối cảnh Web3, AI có thể tạo ra ảnh hưởng tích cực trên nhiều lĩnh vực. Ví dụ, các mô hình AI có thể được tích hợp vào hợp đồng thông minh, nâng cao hiệu quả công việc trong các tình huống ứng dụng khác nhau như phân tích thị trường, kiểm tra an ninh, phân loại xã hội và nhiều chức năng khác. AI sinh tạo không chỉ cho phép người dùng trải nghiệm vai trò "nghệ sĩ", chẳng hạn như sử dụng công nghệ AI để tạo ra NFT của riêng mình, mà còn có thể tạo ra các cảnh chơi phong phú và trải nghiệm tương tác thú vị trong GameFi. Hệ thống cơ sở hạ tầng phong phú cung cấp trải nghiệm phát triển liền mạch, bất kể là chuyên gia AI hay người mới muốn tham gia vào lĩnh vực AI đều có thể tìm thấy lối vào phù hợp trong thế giới này.
Hai, Phân tích bản đồ và kiến trúc của dự án hệ sinh thái Web3-AI
Chúng tôi chủ yếu nghiên cứu 41 dự án trong lĩnh vực Web3-AI và phân chia các dự án này thành các cấp độ khác nhau. Logic phân chia của mỗi cấp độ được thể hiện trong hình dưới đây, bao gồm lớp hạ tầng, lớp trung gian và lớp ứng dụng, mỗi lớp lại được chia thành các phân khúc khác nhau. Ở chương tiếp theo, chúng tôi sẽ phân tích sâu một số dự án tiêu biểu.
Lớp hạ tầng bao gồm các tài nguyên tính toán và kiến trúc công nghệ hỗ trợ cho việc vận hành toàn bộ vòng đời AI, lớp trung gian bao gồm quản lý dữ liệu, phát triển mô hình và dịch vụ xác minh suy diễn kết nối hạ tầng với ứng dụng, trong khi lớp ứng dụng tập trung vào các loại ứng dụng và giải pháp trực tiếp hướng tới người dùng.
Cấp độ cơ sở hạ tầng:
Lớp hạ tầng là nền tảng của vòng đời AI, bài viết này phân loại sức mạnh tính toán, AI Chain và nền tảng phát triển vào lớp hạ tầng. Chính nhờ sự hỗ trợ của những hạ tầng này mà việc đào tạo và suy diễn mô hình AI trở nên khả thi, và các ứng dụng AI mạnh mẽ, hữu ích được trình bày cho người dùng.
Mạng lưới tính toán phi tập trung: có thể cung cấp sức mạnh tính toán phân tán cho việc huấn luyện mô hình AI, đảm bảo việc sử dụng tài nguyên tính toán hiệu quả và kinh tế. Một số dự án cung cấp thị trường sức mạnh tính toán phi tập trung, người dùng có thể thuê sức mạnh tính toán với chi phí thấp hoặc chia sẻ sức mạnh tính toán để thu lợi, đại diện cho các dự án như IO.NET và Hyperbolic. Hơn nữa, một số dự án đã phát triển ra những cách chơi mới, như Compute Labs, đề xuất giao thức mã hóa, người dùng thông qua việc mua NFT đại diện cho GPU vật lý, có thể tham gia vào việc thuê sức mạnh tính toán theo những cách khác nhau để thu lợi.
AI Chain: Sử dụng blockchain làm nền tảng cho vòng đời AI, thực hiện tương tác liền mạch giữa tài nguyên AI trên chuỗi và ngoài chuỗi, thúc đẩy sự phát triển của hệ sinh thái ngành. Thị trường AI phi tập trung trên chuỗi có thể trao đổi tài sản AI như dữ liệu, mô hình, đại lý, v.v., và cung cấp khung phát triển AI cùng với các công cụ phát triển hỗ trợ, điển hình là dự án Sahara AI. AI Chain cũng có thể thúc đẩy sự tiến bộ công nghệ AI trong các lĩnh vực khác nhau, chẳng hạn như Bittensor thông qua cơ chế khuyến khích subnet đổi mới để thúc đẩy sự cạnh tranh giữa các loại subnet AI khác nhau.
Nền tảng phát triển: Một số dự án cung cấp nền tảng phát triển AI đại lý, còn có thể thực hiện giao dịch của AI đại lý, như Fetch.ai và ChainML. Các công cụ một cửa giúp các nhà phát triển dễ dàng hơn trong việc tạo ra, đào tạo và triển khai các mô hình AI, đại diện cho các dự án như Nimble. Những cơ sở hạ tầng này thúc đẩy việc ứng dụng rộng rãi công nghệ AI trong hệ sinh thái Web3.
Lớp giữa:
Lớp này liên quan đến dữ liệu AI, mô hình cũng như suy luận và xác minh, việc áp dụng công nghệ Web3 có thể đạt được hiệu suất làm việc cao hơn.
Ngoài ra, một số nền tảng cho phép các chuyên gia trong lĩnh vực hoặc người dùng thông thường thực hiện các nhiệm vụ tiền xử lý dữ liệu, chẳng hạn như gán nhãn hình ảnh, phân loại dữ liệu, những nhiệm vụ này có thể yêu cầu kiến thức chuyên môn về tài chính và pháp lý để xử lý dữ liệu, người dùng có thể biến kỹ năng thành token, thực hiện hợp tác crowdsourcing cho tiền xử lý dữ liệu. Đại diện như thị trường AI Sahara AI, có các nhiệm vụ dữ liệu từ các lĩnh vực khác nhau, có thể bao phủ nhiều kịch bản dữ liệu từ nhiều lĩnh vực; trong khi AIT Protocolt thực hiện gán nhãn dữ liệu thông qua phương pháp hợp tác giữa người và máy.
Một số dự án hỗ trợ người dùng cung cấp các loại mô hình khác nhau hoặc hợp tác đào tạo mô hình thông qua cách crowdsourcing, như Sentient thông qua thiết kế mô-đun cho phép người dùng đặt dữ liệu mô hình đáng tin cậy ở lớp lưu trữ và lớp phân phối để tối ưu hóa mô hình, công cụ phát triển do Sahara AI cung cấp tích hợp các thuật toán AI tiên tiến và khung tính toán, đồng thời có khả năng đào tạo hợp tác.
Lớp ứng dụng:
Lớp này chủ yếu là các ứng dụng trực tiếp hướng tới người dùng, kết hợp AI với Web3, tạo ra nhiều cách chơi thú vị và sáng tạo hơn. Bài viết này chủ yếu tổng hợp các dự án trong các lĩnh vực AIGC (Nội dung do AI tạo ra), đại lý AI và phân tích dữ liệu.
AIGC: Thông qua AIGC, có thể mở rộng đến các lĩnh vực NFT, trò chơi trong Web3, người dùng có thể trực tiếp tạo ra văn bản, hình ảnh và âm thanh thông qua Prompt (các từ gợi ý do người dùng cung cấp), thậm chí có thể tạo ra lối chơi tùy chỉnh trong trò chơi theo sở thích của mình. Các dự án NFT như NFPrompt, người dùng có thể sử dụng AI để tạo ra NFT và giao dịch trên thị trường; các trò chơi như Sleepless, người dùng hình thành tính cách của bạn đồng hành ảo thông qua cuộc trò chuyện để phù hợp với sở thích của mình;
AI đại lý: chỉ các hệ thống trí tuệ nhân tạo có khả năng tự thực hiện nhiệm vụ và đưa ra quyết định. AI đại lý thường có khả năng cảm nhận, suy luận, học hỏi và hành động, có thể thực hiện các nhiệm vụ phức tạp trong nhiều môi trường khác nhau. Các AI đại lý phổ biến như