1. Việc cần AI có thể xác minh phụ thuộc vào: liệu dữ liệu trên chuỗi có bị sửa đổi không, và liệu có liên quan đến sự công bằng và quyền riêng tư không

   1. Khi trí tuệ nhân tạo không ảnh hưởng đến trạng thái trên chuỗi, trí tuệ nhân tạo có thể hoạt động như một cố vấn. Mọi người có thể đánh giá chất lượng của dịch vụ trí tuệ nhân tạo thông qua kết quả thực tế mà không cần xác minh quá trình tính toán.
   2. Khi trạng thái trên chuỗi bị ảnh hưởng, nếu dịch vụ nhắm vào cá nhân và không ảnh hưởng đến quyền riêng tư, người dùng vẫn có thể đánh giá chất lượng dịch vụ AI mà không cần kiểm tra quy trình tính toán trực tiếp.
   3. Khi đầu ra của trí tuệ nhân tạo ảnh hưởng đến sự công bằng và quyền riêng tư cá nhân của nhiều người, chẳng hạn như sử dụng trí tuệ nhân tạo để đánh giá và phân phối phần thưởng cho các thành viên cộng đồng, sử dụng trí tuệ nhân tạo để tối ưu hóa AMM, hoặc liên quan đến dữ liệu sinh học, người ta sẽ muốn xem xét các tính toán của trí tuệ nhân tạo. Đây là nơi mà có thể xác minh rằng trí tuệ nhân tạo có thể tìm thấy PMF.

2. Hệ sinh thái ứng dụng AI dọc: Vì một đầu của AI có thể xác minh là một hợp đồng thông minh, các ứng dụng AI có thể xác minh và thậm chí AI và các ứng dụng dapps bản địa có thể sử dụng lẫn nhau mà không cần tin tưởng. Đây là một hệ sinh thái ứng dụng AI có thể tương hợp

3. Hệ sinh thái ứng dụng trí tuệ nhân tạo ngang hàng: Hệ thống chuỗi công cộng có thể xử lý các vấn đề như thanh toán dịch vụ, phối hợp tranh chấp thanh toán và phù hợp với nhu cầu người dùng và nội dung dịch vụ cho nhà cung cấp dịch vụ trí tuệ nhân tạo, để người dùng có thể tận hưởng trải nghiệm dịch vụ trí tuệ nhân tạo phi tập trung với mức độ tự do cao hơn.

1. Tổng quan về Modulus Labs và Câu chuyện ứng dụng

1.1 Giới thiệu và các giải pháp cốt lõi

Modulus Labs là một công ty trí tuệ nhân tạo “on-chain” tin rằng trí tuệ nhân tạo có thể cải thiện đáng kể khả năng của hợp đồng thông minh và làm cho các ứng dụng web3 mạnh mẽ hơn. Tuy nhiên, có một mâu thuẫn khi trí tuệ nhân tạo được áp dụng vào web3, đó là, trí tuệ nhân tạo đòi hỏi một lượng lớn năng lực tính toán để hoạt động, và trí tuệ nhân tạo là một hộp đen cho tính toán ngoại chuỗi. Điều này không đáp ứng yêu cầu cơ bản của web3 là không tin cậy và có thể kiểm chứng.

Do đó, Modulus Labs đã dựa vào mô hình zk rollup [xử lý ngoại tuyến + xác minh trên chuỗi] và đề xuất một kiến trúc có thể xác minh trí tuệ nhân tạo. Cụ thể, mô hình ML chạy ngoại tuyến, và thêm vào đó, một zkp được tạo ra cho quá trình tính toán ML ngoại tuyến. Thông qua zkp này, kiến trúc, trọng số, và đầu vào của mô hình ngoại tuyến có thể được xác minh. Tất nhiên, zkp này cũng có thể được đăng lên chuỗi để xác minh bởi hợp đồng thông minh. Tại điểm này, trí tuệ nhân tạo và hợp đồng trên chuỗi có thể tương tác một cách tin cậy hơn, tức là, “trí tuệ nhân tạo trên chuỗi” đã được thực hiện.

Dựa trên ý tưởng về trí tuệ nhân tạo có thể xác minh, Modulus Labs đã ra mắt ba ứng dụng 'trên chuỗi AI' cho đến nay, và cũng đã đề xuất nhiều kịch bản ứng dụng khả dĩ.

1.2 Trường hợp ứng dụng

1. Đầu tiên được ra mắt là Rocky Bot, một trí tuệ nhân tạo giao dịch tự động. Rocky đã được huấn luyện bởi dữ liệu lịch sử từ cặp giao dịch Weth/USDC. Nó đánh giá xu hướng weth tương lai dựa trên dữ liệu lịch sử. Sau khi đưa ra quyết định giao dịch, nó sẽ tạo ra một zkp cho quá trình quyết định (quá trình tính toán) và gửi một tin nhắn đến L1 để kích hoạt giao dịch.
2. Bước thứ hai là trò chơi cờ vua trên chuỗi “Leela vs. Thế giới”. Cả hai người chơi trong trò chơi đều là AI và con người, và tình huống trò chơi nằm trong một hợp đồng. Người chơi thao tác thông qua ví (tương tác với các hợp đồng). Tuy nhiên, AI đọc tình huống trò chơi cờ mới, đưa ra đánh giá và tạo ra zkp cho toàn bộ quá trình tính toán. Cả hai bước đều được thực hiện trên đám mây AWS, và zkp được xác minh bởi một hợp đồng trên chuỗi. Sau khi xác minh thành công, hợp đồng trò chơi được sử dụng để “chơi cờ vua.”
3. Bên thứ ba là một nghệ sĩ trí tuệ nhân tạo “on-chain” và đã ra mắt series NFT zKMon. Lõi là trí tuệ nhân tạo tạo ra NFT và đăng tải chúng trên chuỗi, và cũng tạo ra một zkp. Người dùng có thể kiểm tra xem NFT của họ có được tạo ra từ mô hình trí tuệ nhân tạo tương ứng thông qua zkp.

Ngoài ra, Modulus Labs cũng đề cập đến một vài trường hợp sử dụng khác:

1. Sử dụng trí tuệ nhân tạo để đánh giá dữ liệu cá nhân trên chuỗi và thông tin khác, tạo điểm danh tiếng cá nhân, và công bố zkp để xác minh người dùng;
2. Sử dụng trí tuệ nhân tạo để tối ưu hóa hiệu suất AMM và công bố zkp cho người dùng xác minh;
3. Sử dụng trí tuệ nhân tạo có thể xác minh để giúp các dự án về quyền riêng tư đối phó với áp lực điều chỉnh, nhưng đồng thời không tiết lộ thông tin quyền riêng tư (có thể sử dụng máy học để chứng minh rằng giao dịch này không phải là rửa tiền, trong khi không tiết lộ thông tin như địa chỉ người dùng);
4. Công cụ truy vấn AI, và phát hành zkp cho mọi người kiểm tra tính đáng tin cậy của dữ liệu ngoại xưởng;
5. Trong cuộc thi mô hình AI, các thí sinh nộp kiến trúc và trọng số của riêng họ, sau đó chạy mô hình với đầu vào kiểm tra thống nhất để tạo ra zkp cho việc tính toán, và hợp đồng cuối cùng sẽ tự động gửi tiền thưởng cho người chiến thắng;
6. Worldcoin nói rằng trong tương lai, người dùng có thể tải xuống một mô hình của mống mắt để tạo mã tương ứng trên thiết bị cục bộ, chạy mô hình một cách cục bộ và tạo ra zkp. Điều này giúp hợp đồng trên chuỗi có thể sử dụng zkp để xác minh rằng mã mống mắt của người dùng được tạo ra từ mô hình đúng và một cách hợp lý, trong khi thông tin sinh học không rời khỏi thiết bị của người dùng;

Photo Credit: Modulus Labs

1.3 Thảo luận về các kịch bản ứng dụng khác nhau dựa trên nhu cầu cho AI có thể xác minh

1.3.1 Các tình huống có thể xác minh AI có thể không cần thiết

Trong kịch bản bot Rocky, người dùng có thể không cần phải xác minh quá trình tính toán ML. Đầu tiên, người dùng không có chuyên môn và không có khả năng thực sự để thực hiện việc xác minh. Ngay cả khi có một công cụ xác minh, theo ý kiến của người dùng, “Tôi nhấn một nút, giao diện hiện lên để nói với tôi rằng dịch vụ AI này thực sự được tạo ra bởi một mô hình cụ thể”, và tính xác thực không thể xác định được. Thứ hai, người dùng không cần phải xác minh, vì họ quan tâm đến việc tỷ suất lợi nhuận của AI có cao không. Người dùng chuyển đổi khi lợi nhuận thấp, và họ luôn chọn mô hình hoạt động tốt nhất. Tóm lại, khi kết quả cuối cùng của AI chính là điều mà người dùng đang tìm kiếm, quá trình xác minh có thể không quan trọng vì người dùng chỉ cần chuyển đến dịch vụ hoạt động tốt nhất.

Một giải pháp khả thi là AI chỉ đóng vai trò như một cố vấn, và người dùng thực hiện giao dịch một cách độc lập. Khi mọi người nhập mục tiêu giao dịch của họ vào AI, AI tính toán và trả về một con đường giao dịch tốt hơn/vi hướng thương mại ngoại xác, và người dùng lựa chọn xem có thực hiện hay không. Mọi người cũng không cần xác minh mô hình đằng sau; họ chỉ cần chọn sản phẩm có lợi nhuận cao nhất.

Một tình huống nguy hiểm khác nhưng rất có khả năng xảy ra là mọi người không quan tâm đến việc kiểm soát tài sản của họ hoặc quá trình tính toán AI hoàn toàn. Khi một robot tự động kiếm tiền xuất hiện, mọi người thậm chí sẵn lòng đặt tiền trực tiếp vào đó, giống như việc đưa token vào CEX hoặc ngân hàng truyền thống để quản lý tài chính. Bởi vì mọi người không quan tâm đến nguyên tắc đằng sau nó; họ chỉ quan tâm đến số tiền họ nhận được cuối cùng, hoặc thậm chí là bao nhiêu tiền mà bên dự án cho họ thấy họ kiếm được, loại dịch vụ này có thể nhanh chóng thu hút một số lượng lớn người dùng, và thậm chí còn có thể lặp lại nhanh hơn so với các sản phẩm từ phía dự án sử dụng AI có thể xác minh được.

Nếu nhìn lại, nếu AI không tham gia vào các thay đổi trạng thái trên chuỗi hoàn toàn, mà chỉ thu thập dữ liệu trên chuỗi và tiền xử lý nó cho người dùng, thì không cần phải tạo ZKP cho quá trình tính toán. Dưới đây là một số ví dụ về loại ứng dụng như là một “dịch vụ dữ liệu”:

1. Hộp chat được cung cấp bởi Mest là một dịch vụ dữ liệu điển hình. Người dùng có thể sử dụng câu hỏi và câu trả lời để hiểu dữ liệu trên chuỗi của mình, chẳng hạn như hỏi họ đã tiêu bao nhiêu tiền cho NFT;
2. ChaingPT là một trợ lý trí tuệ nhân tạo đa chức năng có thể giải thích hợp đồng thông minh cho bạn trước khi giao dịch, cho bạn biết liệu bạn có giao dịch với hồ bơi đúng không, hoặc cho bạn biết liệu giao dịch có khả năng bị bắt hoặc bị cướp đi. ChaingPT cũng đang chuẩn bị để đưa ra các đề xuất tin tức trí tuệ nhân tạo, đưa ra các gợi ý để tự động tạo ra hình ảnh và đăng chúng dưới dạng NFT và các dịch vụ khác;
3. RSS3 cung cấp AIOP, để người dùng có thể chọn dữ liệu trên chuỗi mà họ muốn và thực hiện một số xử lý trước nhất định, từ đó dễ dàng huấn luyện AI với dữ liệu trên chuỗi cụ thể;
4. DeVillama và RSS3 cũng đã phát triển các plug-in ChatGPT, nơi người dùng có thể nhận dữ liệu trên chuỗi thông qua các cuộc trò chuyện;

1.3.2 Các kịch bản đòi hỏi AI có thể xác minh được

Bài viết này lập luận rằng các kịch bản liên quan đến nhiều người, liên quan đến sự công bằng và quyền riêng tư đều cần ZKP để cung cấp xác minh, và một số ứng dụng được đề cập bởi Modulus Labs được thảo luận ở đây:

1. Khi một cộng đồng thưởng cho cá nhân dựa trên danh tiếng cá nhân được tạo ra bằng trí tuệ nhân tạo, các thành viên cộng đồng sẽ không tránh khỏi việc yêu cầu xem xét quá trình quyết định đánh giá, đó là quá trình tính toán của máy học;
2. Các kịch bản tối ưu hóa AI cho AMM liên quan đến việc phân phối lợi ích giữa nhiều người, và quá trình tính toán AI cũng cần được kiểm tra định kỳ;
3. Khi cân nhắc quyền riêng tư và quy định, ZK hiện đang là một trong những giải pháp tốt hơn. Nếu nhà cung cấp dịch vụ sử dụng ML trong dịch vụ để xử lý dữ liệu riêng tư, nó cần tạo ZKP cho toàn bộ quá trình tính toán;
4. Vì các trình nói có một phạm vi ảnh hưởng rộng lớn, nếu được điều khiển bởi AI, ZKP cần được tạo ra định kỳ để kiểm tra xem AI có hoạt động đúng cách hay không;
5. Trong cuộc thi, công chúng và các người tham gia khác được yêu cầu kiểm tra xem việc tính toán của ML có tuân thủ các đặc điểm của cuộc thi hay không;
6. Trong số các trường hợp sử dụng tiềm năng của Worldcoin, việc bảo vệ dữ liệu sinh học cá nhân cũng là yêu cầu mạnh mẽ;

Nói chung, khi trí tuệ nhân tạo tương tự như một người ra quyết định, và kết quả của nó có ảnh hưởng rộng rãi và liên quan đến sự công bằng từ nhiều bên, thì người ta sẽ đòi hỏi một sự xem xét về quy trình ra quyết định, hoặc đơn giản là đảm bảo rằng không có vấn đề lớn nào với quy trình ra quyết định của trí tuệ nhân tạo, và bảo vệ quyền riêng tư là một yêu cầu rất cấp bách.

Do đó, “việc đầu ra của trí tuệ nhân tạo có thay đổi trạng thái trên chuỗi không” và “việc nó ảnh hưởng đến sự công bằng/quyền riêng tư không” là hai tiêu chí để đánh giá xem liệu có cần một giải pháp trí tuệ nhân tạo có thể xác minh hay không

1. Khi đầu ra AI không thay đổi trạng thái trên chuỗi, dịch vụ AI có thể hoạt động như một dịch vụ tư vấn. Mọi người có thể đánh giá chất lượng của dịch vụ AI thông qua hiệu quả của việc tư vấn mà không cần xác minh quá trình tính toán;
2. Khi đầu ra của trí tuệ nhân tạo sửa đổi trạng thái trên chuỗi, nếu dịch vụ chỉ nhắm mục tiêu vào cá nhân và không ảnh hưởng đến quyền riêng tư, người dùng vẫn có thể đánh giá trực tiếp chất lượng của dịch vụ trí tuệ nhân tạo mà không cần kiểm tra quá trình tính toán;
3. Khi đầu ra AI ảnh hưởng trực tiếp đến sự công bằng giữa nhiều người, và AI tự động sửa đổi dữ liệu trên chuỗi, cộng đồng và công chúng cần kiểm tra quy trình ra quyết định của AI;
4. Khi dữ liệu được xử lý bởi ML liên quan đến quyền riêng tư cá nhân, zk cũng cần được sử dụng để bảo vệ quyền riêng tư và từ đó đáp ứng yêu cầu quy định.

Photo Credit: Kernel Ventures

2. Hai mô hình hệ sinh thái trí tuệ nhân tạo dựa trên chuỗi công khai

Trong bất kỳ trường hợp nào, giải pháp của Modulus Labs cũng rất hấp dẫn về cách mà AI có thể kết hợp với tiền điện tử và mang lại giá trị ứng dụng thực tế. Tuy nhiên, hệ thống chuỗi công cộng không chỉ tăng cường khả năng của các dịch vụ AI cá nhân, mà còn có tiềm năng xây dựng một hệ sinh thái ứng dụng AI mới. Hệ sinh thái mới này đã tạo ra một mối quan hệ khác biệt giữa dịch vụ AI so với Web2, mối quan hệ giữa dịch vụ AI và người dùng, và thậm chí cách mà các liên kết ngược và xuôi hợp tác. Chúng ta có thể tóm tắt các mô hình hệ sinh thái ứng dụng AI tiềm năng thành hai loại: chế độ dọc và mô hình ngang.

2.1 Chế độ dọc: Tập trung vào việc đạt được tính giao hòa giữa các trí tuệ nhân tạo

Trường hợp sử dụng cờ vua chuỗi “Leela vs. the World” có một vị trí đặc biệt. Mọi người có thể đặt cược vào con người hoặc AI, và token sẽ được phân phối tự động sau khi trò chơi kết thúc. Tại thời điểm này, ý nghĩa của zkp không chỉ để người dùng xác minh tính toán AI, mà còn là một bảo đảm tin cậy để kích hoạt các chuyển đổi trạng thái on-chain. Với bảo đảm tin cậy, cũng có thể có tính kết hợp cấp dapp giữa các dịch vụ AI và giữa AI và dapp nguyên bản của tiền điện tử.

Nguồn ảnh: Kernel Ventures, với tham khảo từ Modulus Labs

Đơn vị cơ bản của AI có thể kết hợp là [mô hình ML ngoại vi - tạo zkp - hợp đồng xác minh trên chuỗi - hợp đồng chính]. Đơn vị này dựa trên cấu trúc “Leela vs. the World”, nhưng kiến trúc thực tế của một ứng dụng AI đơn lẻ có thể không giống như trong hình ảnh trên. Thứ nhất, tình huống trò chơi cờ vua trong cờ vua yêu cầu một hợp đồng, nhưng trong thực tế, AI có thể không cần một hợp đồng trên chuỗi. Tuy nhiên, đối với kiến trúc của AI có thể kết hợp, nếu doanh nghiệp chính được ghi lại thông qua các hợp đồng, có thể thuận tiện hơn cho các ứng dụng khác kết hợp với nó. Thứ hai, hợp đồng chính không nhất thiết cần phải ảnh hưởng đến mô hình ML của chính ứng dụng AI, vì một ứng dụng AI có thể có tác động một chiều. Sau khi mô hình ML được xử lý, đủ để kích hoạt một hợp đồng liên quan đến doanh nghiệp của chính nó và hợp đồng sẽ được gọi bởi các ứng dụng khác.

Một cách toàn diện, cuộc gọi giữa các hợp đồng là cuộc gọi giữa các ứng dụng web3 khác nhau. Đó là cuộc gọi cho danh tính cá nhân, tài sản, dịch vụ tài chính, và thậm chí là thông tin xã hội. Chúng ta có thể tưởng tượng một sự kết hợp cụ thể của các ứng dụng AI:

1. Worldcoin sử dụng ML để tạo mã mắt iris và zkp cho dữ liệu mắt iris cá nhân;
2. Ứng dụng trí tuệ nhân tạo về xếp hạng uy tín đầu tiên xác minh xem người đứng sau DID này có phải là người thực sự (với dữ liệu mống mắt phía sau), sau đó phân bổ NFT cho người dùng dựa trên uy tín trên chuỗi;
3. Dịch vụ cho vay điều chỉnh cổ phần cho vay theo NFT mà người dùng sở hữu;
4. …

Sự tương tác giữa trí tuệ nhân tạo trong khung cảnh chuỗi công cộng không phải là điều chưa được thảo luận. Loaf, một người đóng góp cho hệ sinh thái Realms của các trò chơi chuỗi toàn bộ, đã từng đề xuất rằng NPC trí tuệ nhân tạo có thể giao dịch với nhau như người chơi, để toàn bộ hệ thống kinh tế có thể tối ưu hóa và hoạt động tự động. AI Arena đã phát triển một trò chơi chiến đấu tự động của trí tuệ nhân tạo. Người dùng đầu tiên mua một NFT. Một NFT đại diện cho một robot chiến đấu, và phía sau đó là một mô hình trí tuệ nhân tạo. Người dùng đầu tiên chơi trò chơi trên chính họ, sau đó chuyển dữ liệu cho AI để học mô phỏng. Khi người dùng cảm thấy rằng AI đủ mạnh, họ có thể tự động chơi với các AI khác trong khu vực đấu trường. Modulus Labs đã đề cập rằng AI Arena muốn biến tất cả các AI này thành AI có thể xác minh được. Cả hai trường hợp này đều thấy khả năng của trí tuệ nhân tạo tương tác với nhau và sửa đổi dữ liệu trên chuỗi trực tiếp khi họ tương tác.

Tuy nhiên, vẫn còn nhiều vấn đề cần thảo luận trong việc triển khai kết hợp của trí tuệ nhân tạo, chẳng hạn như làm thế nào các ứng dụng khác nhau có thể sử dụng zkp của nhau hoặc xác minh các hợp đồng. Tuy nhiên, cũng có nhiều dự án tuyệt vời trong lĩnh vực zk. Ví dụ, RISC Zero đã tiến triển rất nhiều trong việc thực hiện các phép tính phức tạp ngoại chuỗi và phát hành zkp lên chuỗi. Có lẽ một ngày nào đó sẽ có thể tìm ra một giải pháp phù hợp.

2.2 Mô hình ngang: Các nền tảng dịch vụ AI tập trung vào phân cấp

Trong bối cảnh này, chúng tôi chủ yếu giới thiệu một nền tảng trí tuệ nhân tạo phi tập trung được gọi là SAKSHI, được đề xuất cùng nhau bởi những người từ Princeton, Đại học Tsinghua, Đại học Illinois tại Urbana-Champaign, Đại học Khoa học và Công nghệ Hong Kong, Witness Chain và Eigen Layer. Mục tiêu cốt lõi của nó là cho phép người dùng truy cập các dịch vụ trí tuệ nhân tạo một cách phi tập trung hơn, làm cho toàn bộ quá trình trở nên đáng tin cậy và tự động hơn.

Photo Credit: SAKSHI

Cấu trúc của SAKSHI có thể được chia thành sáu lớp: lớp dịch vụ (lớp dịch vụ), lớp điều khiển (lớp điều khiển), lớp giao dịch (lớp giao dịch), lớp chứng minh (lớp chứng minh), lớp kinh tế (lớp kinh tế) và lớp thị trường (Thị trường)

Thị trường là cấp độ gần nhất với người dùng. Có các trình tổng hợp trên thị trường để cung cấp dịch vụ cho người dùng thay mặt cho các nhà cung cấp AI khác nhau. Người dùng đặt đơn hàng thông qua các trình tổng hợp và đạt thỏa thuận với các trình tổng hợp về chất lượng dịch vụ và giá thanh toán (thỏa thuận được gọi là SLA - thỏa thuận cấp độ dịch vụ).

Tiếp theo, lớp dịch vụ cung cấp một API cho phía khách hàng, sau đó khách hàng tạo một yêu cầu suy luận ML đến bộ tổng hợp, và yêu cầu được gửi đến một máy chủ được sử dụng để kết nối với nhà cung cấp dịch vụ AI (đường dẫn được sử dụng để truyền yêu cầu là một phần của lớp điều khiển). Do đó, lớp dịch vụ và lớp điều khiển tương tự như một dịch vụ với nhiều máy chủ web2, nhưng các máy chủ khác nhau được vận hành bởi các thực thể khác nhau, và mỗi máy chủ được kết nối thông qua một SLA (hợp đồng dịch vụ đã ký trước đó) và một bộ tổng hợp.

SLAs được triển khai trên chuỗi dưới dạng hợp đồng thông minh, tất cả đều thuộc về lớp giao dịch (lưu ý: trong giải pháp này, chúng được triển khai trên Chuỗi Chứng nhận). Lớp giao dịch cũng ghi lại tình trạng hiện tại của một đơn đặt dịch vụ và được sử dụng để phối hợp người dùng, người tổng hợp và nhà cung cấp dịch vụ để xử lý tranh chấp thanh toán.

Để tầng giao dịch có bằng chứng để dựa vào khi xử lý tranh chấp, tầng chứng minh (Tầng Chứng minh) sẽ kiểm tra xem nhà cung cấp dịch vụ có sử dụng mô hình như đã thỏa thuận trong SLA hay không. Tuy nhiên, SAKSHI không chọn cách tạo zkp cho quá trình tính toán ML, mà thay vào đó sử dụng ý tưởng chứng minh lạc quan, hy vọng thiết lập một mạng lưới các nút thách thức để kiểm tra dịch vụ. Các động lực của nút được chịu bởi Chuỗi Nhân Chứng.

Mặc dù SLA và mạng nút thách thức đều nằm trên Chuỗi Nhân Chứng, trong kế hoạch của SAKSHI, Chuỗi Nhân Chứng không dự định sử dụng các khuyến mãi token bản địa của mình để đạt được an ninh độc lập, mà thay vào đó sử dụng an ninh của Ethereum thông qua Eigen Layer, vì vậy toàn bộ nền kinh tế thực sự phụ thuộc vào Eigen Layer.

Như có thể thấy, SAKSHI đứng giữa các nhà cung cấp dịch vụ AI và người dùng, và tổ chức các AI khác nhau một cách phi tập trung để cung cấp dịch vụ cho người dùng. Điều này giống như một giải pháp theo chiều ngang hơn. Lõi của SAKSHI là cho phép các nhà cung cấp dịch vụ AI tập trung hơn vào việc quản lý các phép tính mô hình ngoại chuỗi của họ, kết hợp nhu cầu của người dùng với dịch vụ mô hình, thanh toán dịch vụ, và xác minh chất lượng dịch vụ thông qua các thỏa thuận trên chuỗi, và cố gắng giải quyết các tranh chấp thanh toán một cách tự động. Tất nhiên, hiện tại SAKSHI vẫn đang ở giai đoạn lý thuyết, và cũng có rất nhiều chi tiết triển khai đáng xác định.

3. Triển vọng tương lai

Dù là AI có thể kết hợp hoặc các nền tảng AI phi tập trung, mô hình hệ sinh thái AI dựa trên chuỗi công cộng dường như có một số điểm chung. Ví dụ, các nhà cung cấp dịch vụ AI không kết nối trực tiếp với người dùng; họ chỉ cần cung cấp các mô hình ML và thực hiện các phép tính ngoại chuỗi. Thanh toán, giải quyết tranh chấp và phối hợp giữa nhu cầu của người dùng và dịch vụ có thể được giải quyết bằng các hiệp định phi tập trung. Là một cơ sở hạ tầng không cần tin tưởng, chuỗi công cộng giảm ma sát giữa các nhà cung cấp dịch vụ và người dùng, và người dùng cũng có quyền tự chủ cao hơn vào thời điểm này.

Mặc dù những lợi ích của việc sử dụng chuỗi công cộng như một cơ sở ứng dụng là lời cảm tỏ, nhưng đó là sự thật rằng nó cũng áp dụng cho các dịch vụ trí tuệ nhân tạo. Tuy nhiên, điểm khác biệt giữa các ứng dụng trí tuệ nhân tạo và các ứng dụng dapp hiện tại là ứng dụng trí tuệ nhân tạo không thể đặt tất cả tính toán trên chuỗi, vì vậy cần phải sử dụng zk hoặc chứng minh lạc quan để kết nối các dịch vụ trí tuệ nhân tạo với hệ thống chuỗi công cộng một cách đáng tin cậy hơn.

Với việc triển khai một loạt các giải pháp tối ưu hóa trải nghiệm như trừu tượng hóa tài khoản, người dùng có thể không cảm nhận được sự tồn tại của mnemonics, chuỗi và gas. Điều này đưa hệ sinh thái chuỗi công khai gần hơn với web2 về trải nghiệm, trong khi người dùng có thể nhận được một mức độ tự do và tính gắn kết cao hơn so với dịch vụ web2. Điều này sẽ rất hấp dẫn đối với người dùng. Hệ sinh thái ứng dụng AI dựa trên chuỗi công khai đáng được chờ đợi.

Kernel Ventures là một quỹ vốn đầu tư mạo hiểm tiền điện tử được thúc đẩy bởi cộng đồng nghiên cứu và phát triển với hơn 70 khoản đầu tư giai đoạn đầu tập trung vào cơ sở hạ tầng, phần mềm trung gian, ứng dụng phi tập trung, đặc biệt là ZK, Rollup, DEX, các chuỗi khối có cấu trúc module, và các lĩnh vực sẽ đón chào người dùng tiền điện tử tỷ phú tiếp theo, chẳng hạn như trừu tượng hóa tài khoản, sẵn có dữ liệu, khả năng mở rộng, v.v. Trong bảy năm qua, chúng tôi đã cam kết hỗ trợ sự phát triển của cộng đồng phát triển lõi và các hiệp hội blockchain của các trường đại học trên toàn thế giới.

Thông báo:

1. Bài viết này được sao chép từ[gương]. Tất cả quyền tác giả thuộc về tác giả gốc [Kernel Ventures Jerry Luo]. If there are objections to this reprint, please contact the Gate Learn team（gatelearn@gate.io）, và họ sẽ xử lý ngay lập tức.
2. Thông Báo Miễn Trừ Trách Nhiệm: Các quan điểm và ý kiến được thể hiện trong bài viết này chỉ là của tác giả và không đại diện cho bất kỳ lời khuyên đầu tư nào.
3. Các bản dịch của bài viết sang các ngôn ngữ khác được thực hiện bởi nhóm Gate Learn. Trừ khi được nêu, việc sao chép, phân phối hoặc đạo văn các bài viết đã dịch là không được phép.