Giới thiệu

Sự ra đời của các blockchain công cộng là một trong những tiến bộ sâu sắc nhất trong lịch sử khoa học máy tính. Nhưng sự phát triển của trí tuệ nhân tạo sẽ, và đã, có tác động sâu sắc đến thế giới của chúng ta. Nếu công nghệ blockchain cung cấp một khuôn mẫu mới để giải quyết giao dịch, lưu trữ dữ liệu và thiết kế hệ thống, thì trí tuệ nhân tạo là một cuộc cách mạng trong tính toán, phân tích và phân phối nội dung. Sự đổi mới trong hai ngành công nghiệp đang mở ra các trường hợp sử dụng mới có thể đẩy nhanh việc áp dụng cả hai trong những năm tới. Báo cáo này khám phá sự tích hợp liên tục của tiền điện tử và AI với trọng tâm là các trường hợp sử dụng mới cố gắng thu hẹp khoảng cách giữa hai loại, khai thác sức mạnh của cả hai. Cụ thể, báo cáo này xem xét các dự án phát triển các giao thức tính toán phi tập trung, cơ sở hạ tầng máy học không có kiến thức (zkML) và các tác nhân AI.

Tiền điện tử cung cấp cho trí tuệ nhân tạo một lớp giải quyết không cần sự cho phép, không tin cậy và có thể sáng tạo. Điều này mở khóa các trường hợp sử dụng như làm cho phần cứng dễ tiếp cận hơn thông qua các hệ thống tính toán phi tập trung, xây dựng các đại lý trí tuệ nhân tạo có thể thực hiện các nhiệm vụ phức tạp đòi hỏi trao đổi giá trị, và phát triển các giải pháp về danh tính và nguồn gốc để chống lại các cuộc tấn công Sybil và deep fakes. Trí tuệ nhân tạo mang đến cho tiền điện tử nhiều lợi ích giống như chúng ta thấy trong Web 2. Điều này bao gồm trải nghiệm người dùng (UX) tăng cường cho cả người dùng và nhà phát triển nhờ vào các mô hình ngôn ngữ lớn (tức là, các phiên bản được đào tạo đặc biệt của ChatGPT và Copilot) cũng như khả năng cải thiện đáng kể chức năng hợp đồng thông minh và tự động hóa. Các chuỗi khối là môi trường dữ liệu minh bạch và phong phú mà trí tuệ nhân tạo cần. Nhưng chuỗi khối cũng có khả năng tính toán hạn chế, một rào cản lớn đối với việc tích hợp trực tiếp các mô hình trí tuệ nhân tạo.

Động lực đằng sau sự thử nghiệm liên tục và việc áp dụng cuối cùng tại sự giao cắt của tiền điện tử và trí tuệ nhân tạo là cùng một thứ động lực mà thúc đẩy phần lớn các trường hợp sử dụng tiềm năng nhất của tiền điện tử - quyền truy cập vào một lớp phối hợp không cần phép và không tin cậy tốt hơn để thuận lợi hơn trong việc chuyển đổi giá trị. Với tiềm năng khổng lồ, các bên tham gia trong lĩnh vực cần hiểu rõ các cách cơ bản mà hai công nghệ giao nhau.

Những điểm chính:

• Tiền điện tử và tích hợp Trí tuệ Nhân tạo trong tương lai gần (6 tháng đến 1 năm) sẽ được thống trị bởi các ứng dụng Trí tuệ Nhân tạo tăng cường hiệu suất của nhà phát triển, khả năng kiểm tra hợp đồng thông minh và bảo mật, và khả năng truy cập của người dùng. Những tích hợp này không cụ thể cho tiền điện tử nhưng tăng cường trải nghiệm của nhà phát triển và người dùng trên chuỗi.
• Các dịch vụ tính toán phi tập trung đang triển khai các dịch vụ GPU được tùy chỉnh cho trí tuệ nhân tạo chính vì có một lượng GPU hiệu suất cao thiếu hụt đáng kể, tạo điều kiện thuận lợi cho sự chấp nhận.
• Trải nghiệm người dùng và quy định vẫn là rào cản khi thu hút khách hàng tính toán phi tập trung.Những phát triển gần đây tại OpenAIcũng nhưcác đánh giá quy định đang diễn ratại Hoa Kỳ, tuy nhiên, nhấn mạnh giá trị đề xuất của mạng lưới trí tuệ nhân tạo phi cấp phép, chống kiểm duyệt, phi tập trung.
• Tích hợp trí tuệ nhân tạo trên chuỗi, đặc biệt là cho các hợp đồng thông minh có khả năng sử dụng các mô hình trí tuệ nhân tạo, đòi hỏi cải tiến trong công nghệ zkML và các phương pháp tính toán khác để xác minh tính toán ngoại chuỗi trên chuỗi. Thiếu các công cụ toàn diện và tài năng phát triển cũng như chi phí cao là rào cản đối với việc áp dụng.
• Các đại lý trí tuệ nhân tạo rất phù hợp với tiền điện tử, nơi người dùng (hoặc chính các đại lý) có thể tạo ví để thực hiện giao dịch với các dịch vụ, đại lý, hoặc người khác. Hiện tại, điều này không thể thực hiện thông qua hệ thống tài chính truyền thống. Việc tích hợp thêm với các sản phẩm không phải tiền điện tử là cần thiết để mở rộng sự áp dụng.

Thuật ngữ

Trí tuệ nhân tạo là việc sử dụng tính toán và máy móc để bắt chước khả năng lý luận và giải quyết vấn đề của con người.

Mạng Neural là một phương pháp huấn luyện cho các mô hình AI. Chúng chạy đầu vào qua các lớp rời rạc của các thuật toán, tinh chỉnh chúng cho đến khi đầu ra mong muốn được tạo ra. Mạng neural được tạo thành từ các phương trình có trọng số có thể được sửa đổi để thay đổi đầu ra. Chúng có thể yêu cầu lượng dữ liệu và tính toán đáng kinh ngạc để được huấn luyện để đầu ra của chúng chính xác. Đó là một trong những cách phổ biến nhất mà các mô hình AI được phát triển (ChatGPT sử dụng một quá trình mạng neural phụ thuộc vào)Transformers).

Đào tạo là quá trình mà trong đó các mạng neural và các mô hình AI khác được phát triển. Điều này đòi hỏi lượng lớn dữ liệu để đào tạo các mô hình để đúng cách diễn giải đầu vào và tạo ra đầu ra chính xác. Trong quá trình đào tạo, các trọng số của phương trình mô hình được điều chỉnh liên tục cho đến khi có đầu ra hài lòng được tạo ra. Việc đào tạo có thể rất đắt đỏ. ChatGPT, ví dụ, sử dụngtens of thousands of its own GPUs để xử lý dữ liệu của mình. Các nhóm có ít tài nguyên thường phụ thuộc vào các nhà cung cấp tính toán chuyên dụng như Amazon Web Services, Azure và Cung cấp Đám mây Google.

Suất (Inference) là việc sử dụng thực tế của một mô hình AI để có được đầu ra hoặc kết quả (ví dụ, sử dụng ChatGPT để tạo một bản dự thảo cho một bài báo về sự giao thoa giữa tiền điện tử và AI). Suất (Inferences) được sử dụng trong suốt quá trình đào tạo và trong sản phẩm cuối cùng. Chúng có thể tốn kém để chạy, ngay cả sau khi quá trình đào tạo hoàn tất, do chi phí tính toán, nhưng ít tốn công suất tính toán hơn so với quá trình đào tạo.

Zero Knowledge Proofs (ZKP) cho phép xác minh một tuyên bố mà không tiết lộ thông tin cơ bản. Điều này hữu ích trong tiền điện tử vì hai lý do chính: 1) quyền riêng tư và 2) tăng cường. Đối với quyền riêng tư, điều này cho phép người dùng thực hiện giao dịch mà không tiết lộ thông tin nhạy cảm như có bao nhiêu ETH trong ví của họ. Đối với việc tăng cường, nó cho phép tính toán ngoại chuỗi được chứng minh trên chuỗi nhanh hơn so với việc phải thực hiện lại tính toán. Điều này cho phép các chuỗi khối và ứng dụng thực hiện tính toán một cách rẻ hơn ngoại chuỗi và sau đó xác minh chúng trên chuỗi. Để biết thêm thông tin về zero-knowledge và vai trò của nó trong Ethereum Virtual Machine, vui lòng tham khảo báo cáo của Christine KimzkEVMs: Tương lai của tính khả dụng của Ethereum.

Bản đồ thị trường AI/Tiền điện tử

Các dự án tại điểm giao của trí tuệ nhân tạo và tiền điện tử vẫn đang xây dựng cơ sở hạ tầng cần thiết để hỗ trợ các tương tác trí tuệ nhân tạo trên chuỗi mạch một cách lớn.

Các thị trường điện toán phi tập trung đang nổi lên để cung cấp một lượng lớn phần cứng vật lý, chủ yếu dưới dạng các đơn vị xử lý đồ họa (GPU), cần thiết cho việc đào tạo và suy luận các mô hình AI. Các thị trường hai mặt này kết nối những người cho thuê và tìm cách cho thuê tính toán, tạo điều kiện thuận lợi cho việc chuyển giao giá trị và xác minh tính toán. Trong điện toán phi tập trung, một số danh mục con đang nổi lên cung cấp chức năng bổ sung. Ngoài các thị trường hai mặt, báo cáo này sẽ xem xét các nhà cung cấp đào tạo học máy chuyên phục vụ đào tạo có thể kiểm chứng và tinh chỉnh đầu ra cũng như các dự án làm việc để kết nối tính toán và tạo mô hình để đạt được trí tuệ chung nhân tạo, cũng thường được gọi là mạng khuyến khích trí thông minh.

zkML là một lĩnh vực mới nổi bật đối với các dự án muốn cung cấp kết quả mô hình có thể xác minh trên chuỗi mạng một cách hiệu quả về chi phí và đúng thời điểm. Các dự án này chủ yếu cho phép ứng dụng xử lý yêu cầu tính toán nặng nề ngoài chuỗi mạng, sau đó đăng trên chuỗi mạng một kết quả có thể xác minh chứng minh công việc ngoài chuỗi đã hoàn thành và chính xác. zkML vừa đắt vừa tốn thời gian trong cách triển khai hiện tại, nhưng ngày càng được sử dụng nhiều hơn như một giải pháp. Điều này rõ ràng qua việc ngày càng nhiều tích hợp giữa các nhà cung cấp zkML và các ứng dụng DeFi/Game muốn tận dụng các mô hình AI.

Cung cấp đầy đủ tính toán và khả năng xác minh tính toán trên chuỗi mở cánh cửa cho các đại lý trí tuệ nhân tạo trên chuỗi. Các đại lý được đào tạo là những mô hình có khả năng thực thi yêu cầu thay mặt cho người dùng. Các đại lý mang lại cơ hội để cải thiện đáng kể trải nghiệm trên chuỗi, cho phép người dùng thực hiện các giao dịch phức tạp chỉ bằng cách nói chuyện với chatbot. Tuy nhiên, như hiện tại, các dự án Đại lý vẫn tập trung vào việc phát triển cơ sở hạ tầng và công cụ cho việc triển khai dễ dàng và nhanh chóng.

Tính toán phi tập trung

Tổng quan

AI yêu cầu một lượng lớn máy tính, cả để huấn luyện mô hình và chạy suy luận. Trong thập kỷ qua, khi các mô hình trở nên phức tạp hơn, yêu cầu về máy tính đã tăng mạnh. Ví dụ, OpenAI, tìm thấyrằng từ năm 2012 đến năm 2018, yêu cầu tính toán cho các mô hình của nó đã tăng gấp đôi mỗi hai năm lên mỗi ba và một nửa tháng. Điều này đã dẫn đến một cơn sốt về nhu cầu sử dụng GPU với một số thợ đào tiền điện tử thậm chí còn tái chế các GPU của họđể cung cấp dịch vụ máy chủ đám mây (@jeff.washington/2024-02-06-solana-mainnet-beta-outage-report-619bd75b3ce0">đọc thêm về điều này trong báo cáo khai thác Bitcoin hàng năm của chúng tôi). Khi cạnh tranh để truy cập tính toán tăng và chi phí tăng, một số dự án đang sử dụng tiền điện tử để cung cấp giải pháp tính toán phi tập trung. Họ cung cấp tính toán theo yêu cầu với giá cả cạnh tranh để các nhóm có thể đào tạo và chạy mô hình một cách phải chăng. Sự đánh đổi, trong một số trường hợp, có thể là hiệu suất và bảo mật.

Các GPU hiện đại như những sản phẩm được sản xuấtbởi Nvidia, đang được yêu cầu cao. Vào tháng Chín, Tether thuộc sở hữumột cổ phần trong Northern Data, một nhà khai thác Bitcoin Đức, được cho là trả 420 triệu đô la để mua lại 10.000 H100 GPUs (một trong những loại GPU tiên tiến nhất cho việc huấn luyện trí tuệ nhân tạo).ChờThời gian cho phần cứng hàng đầu có thể kéo dài ít nhất sáu tháng, và trong nhiều trường hợp là lâu hơn. Làm tình hình trở nên tồi tệ hơn, các công ty thường phải ký kết các hợp đồng dài hạn với số lượng tính toán mà họ có thể chẳng bao giờ sử dụng. Điều này có thể dẫn đến tình huống nơi có sẵn tính toán, nhưng nó không có sẵn trên thị trường. Hệ thống tính toán phi tập trung giúp giải quyết những không hiệu quả trên thị trường này, tạo ra một thị trường phụ nơi chủ sở hữu tính toán có thể cho thuê lại khả năng dư thừa của họ một cách ngay lập tức, mở khóa nguồn cung mới.

Ngoài giá cả cạnh tranh và tính sẵn có, điểm mạnh chính của tính tính toàn cầu hóa tính cách tính toàn cầu hóa là sự chống lại sự kiểm duyệt. Việc phát triển trí tuệ nhân tạo cắt lớn đang ngày càng được kiểm soát bởi các công ty công nghệ lớn với quyền truy cập không giới hạn vào tính toán và dữ liệu. Chủ đề chính đầu tiên được nhấn mạnh trong Báo cáo chỉ số AIBáo cáo hàng năm năm 2023 là ngành công nghiệp đang ngày càng vượt qua giới học thuật trong việc phát triển các mô hình AI, tập trung kiểm soát vào tay một số lãnh đạo công nghệ. Điều này đã gây ra lo ngại về khả năng của họ có ảnh hưởng quá mức trong việc định rõ các chuẩn mực và giá trị nền tảng của các mô hình AI, đặc biệt là sau khi quy địnhđẩybởi những công ty công nghệ này để hạn chế việc phát triển trí tuệ nhân tạo bên ngoài sự kiểm soát của họ.

Các Phân Ngành Tính Toán Phi Tập Trung

Nhiều mô hình cho tính toán phi tập trung đã xuất hiện trong những năm gần đây, mỗi mô hình có sự tập trung và sự cân nhắc riêng.

Điện toán tổng quát

Các dự án như Akash, io.net, iExec, Cudos và nhiều dự án khác là các ứng dụng tính toán phi tập trung cung cấp truy cập hoặc sẽ sớm cung cấp truy cập vào các giải pháp tính toán chuyên biệt cho việc đào tạo trí tuệ nhân tạo và suy luận bên cạnh dữ liệu và giải pháp tính toán tổng quát.

Akash hiện tại là nền tảng “siêu đám mây” duy nhất hoàn toàn mã nguồn mở. Đây là mạng lưới chứng minh cổ phần sử dụng Cosmos SDK. AKT, token native của Akash được sử dụng để bảo vệ mạng lưới, là hình thức thanh toán và khuyến khích sự tham gia. Akash đã ra mắt mainnet đầu tiên vào năm 2020 tập trung vào việc cung cấp một thị trường tính toán đám mây không cần phép initially featuring storage and CPU leasing services. Vào tháng 6 năm 2023, Akash ra mắtmột mạng thử nghiệm mới tập trung vào GPU và vào tháng Chínra mắt mạng chính GPU của nó cho phép người dùng thuê GPU để đào tạo và suy luận AI.

Có hai tác nhân chính trong hệ sinh thái Akash - Người thuê và Nhà cung cấp. Người thuê là người dùng mạng Akash muốn mua tài nguyên tính toán. Nhà cung cấp là nhà cung cấp điện toán. Để phù hợp với người thuê và nhà cung cấp, Akash dựa vào quy trình đấu giá ngược. Đối tượng thuê gửi yêu cầu điện toán của họ, trong đó họ có thể chỉ định một số điều kiện nhất định như vị trí của máy chủ hoặc loại phần cứng tiến hành tính toán và số tiền họ sẵn sàng trả. Các nhà cung cấp sau đó gửi giá yêu cầu của họ, với giá thầu thấp nhất nhận được nhiệm vụ.

Trình xác thực Akash duy trì tính toàn vẹn của mạng. Bộ trình xác thực hiện được giới hạn ở 100 với kế hoạch tăng dần theo thời gian. Bất kỳ ai cũng có thể trở thành trình xác thực bằng cách đặt cược nhiều AKT hơn trình xác thực hiện tại với số lượng AKT ít nhất được đặt cọc. Chủ sở hữu AKT cũng có thể ủy quyền AKT của họ cho người xác nhận. Phí giao dịch và phần thưởng khối cho mạng được phân phối bằng AKT. Ngoài ra, đối với mỗi lần thuê, mạng lưới Akash kiếm được một khoản phí mất phí của người Hồi giáo theo tỷ lệ được xác định bởi cộng đồng được phân phối cho chủ sở hữu AKT.

Thị trường phụ

Các chợ trời tính toán phi tập trung nhằm điền vào những không hiệu quả trong thị trường tính toán hiện tại. Hạn chế cung cấp đang khiến các công ty tích trữ tính toán vượt ra ngoài những gì họ có thể cần, và cung cấp bị hạn chế thêm do cấu trúc hợp đồng với các nhà cung cấp đám mây mà khiến khách hàng bị kẹt vào hợp đồng dài hạn ngay cả khi việc tiếp tục truy cập có thể không cần thiết. Các nền tảng tính toán phi tập trung mở khóa nguồn cung mới, cho phép bất kỳ ai trên thế giới có nhu cầu tính toán cần trở thành nhà cung cấp.

Chưa rõ liệu nhu cầu tăng vọt về GPU cho việc đào tạo trí tuệ nhân tạo có chuyển hóa thành việc sử dụng mạng lưới dài hạn trên Akash hay không. Akash đã lâu cung cấp một thị trường cho CPU, ví dụ, cung cấp các dịch vụ tương tự như các lựa chọn trung tâm tập trung tại 70-80% sự bớt. Tuy nhiên, giá thấp hơn đã không dẫn đến sự hấp thụ đáng kể. Các hợp đồng thuê đang hoạt động trên mạng đã bị san phẳng, trung bình chỉ đạt 33% điện toán, 16% bộ nhớ và 13% dung lượng lưu trữ cho lần thứ hai của năm 2023. Mặc dù đây là những số liệu ấn tượng để áp dụng trên chuỗi (để tham khảo, nhà cung cấp dịch vụ lưu trữ hàng đầu Filecoin đã có Sử dụng lưu trữ 12.6%trong Q3 2023), nó chứng tỏ rằng nguồn cung tiếp tục vượt quá nhu cầu cho những sản phẩm này.

Chỉ mới hơn nửa năm kể từ khi Akash ra mắt mạng lưới GPU của mình và vẫn còn quá sớm để đánh giá chính xác việc áp dụng lâu dài. Một dấu hiệu của nhu cầu, việc sử dụng trung bình của GPU cho đến nay là 44% và cao hơn so với CPUs, bộ nhớ và lưu trữ. Điều này chủ yếu do nhu cầu cho các GPU chất lượng cao nhất (như A100s), với hơn 90%cho thuê.

Chi tiêu hàng ngày cho Akash cũng đã tăng lên, gần gấp đôi so với trước GPU. Điều này có thể một phần là do sự gia tăng các dịch vụ khác được sử dụng, đặc biệt là CPU, nhưng chủ yếu là kết quả của việc sử dụng GPU mới.

Giá cả phù hợp (hoặc trong một số trường hợp đắt hơn một chút) so với các đối thủ trung tâm như Lambda Cloud và Vast.ai. Nhu cầu lớn cho các GPU cao cấp nhất (như H100 và A100s) có nghĩa là hầu hết các chủ sở hữu của thiết bị đó không quan tâm đến việc liệt kê trên các thị trường nơi họ phải đối mặt với giá cả cạnh tranh.

Mặc dù sự quan tâm ban đầu là tích cực, vẫn còn tồn tại các rào cản đối với việc áp dụng (được thảo luận rõ hơn ở dưới). Mạng tính toán phi tập trung sẽ cần phải làm nhiều hơn để tạo ra cả cầu và cung và các nhóm đang thử nghiệm cách tốt nhất để thu hút người dùng mới. Vào đầu năm 2024, ví dụ, Akash đã vượt qua Đề xuất 240tăng lượng phát thải AKT cho các nhà cung cấp GPU và khuyến khích cung ứng nhiều hơn, đặc biệt là nhắm đến các GPU cao cấp. Các nhóm cũng đang làm việc để triển khai các mô hình chứng minh bằng chứng để thể hiện cho người dùng tiềm năng khả năng thời gian thực của mạng của họ. Akash làđào tạomô hình cơ bản của riêng họ và đã ra mắtchatbot và tạo hình ảnh các dịch vụ tạo ra đầu ra bằng GPU Akash. Tương tự, io.net có phát triểnmô hình lan tỏa ổn định và đang triển khaicác chức năng mạng mớiđể mô phỏng tốt hơn hiệu suất và quy mô của các trung tâm dữ liệu GPU truyền thống.

Đào tạo Machine Learning phi tập trung

Ngoài các nền tảng tính toán tổng quát có thể phục vụ nhu cầu AI, một tập hợp các nhà cung cấp GPU AI chuyên dụng tập trung vào đào tạo mô hình học máy cũng đang nổi lên. Gensyn, ví dụ, là "phối hợpđiện và phần cứng để xây dựng trí tuệ tập thể” với quan điểm rằng, “Nếu ai đó muốn huấn luyện điều gì đó, và có người sẵn lòng huấn luyện điều đó, thì huấn luyện đó nên được phép diễn ra.”

Giao thức có bốn nhân vật chính: người gửi, người giải quyết, người xác minh, và người tố cáo. Người gửi gửi các công việc đến mạng với yêu cầu đào tạo. Những công việc này bao gồm mục tiêu đào tạo, mô hình cần đào tạo, và dữ liệu đào tạo. Là một phần của quá trình gửi, người gửi trả một khoản phí trước cho lượng tính toán ước lượng cần thiết từ người giải quyết.

Sau khi gửi, các nhiệm vụ được giao cho những người giải quyết tiến hành đào tạo thực tế các mô hình. Người giải sau đó gửi các nhiệm vụ đã hoàn thành cho người xác minh, những người chịu trách nhiệm kiểm tra đào tạo để đảm bảo nó được thực hiện chính xác. Người tố cáo có trách nhiệm đảm bảo rằng người xác minh cư xử trung thực. Để khuyến khích người tố giác tham gia vào mạng lưới, Gensyn có kế hoạch định kỳ cung cấp các bằng chứng không chính xác có chủ đích để thưởng cho những người tố cáo vì đã bắt được họ.

Ngoài việc cung cấp tính toán cho các công việc liên quan đến trí tuệ nhân tạo, đề xuất giá trị chính của Gensyn là hệ thống xác minh của nó, hiện vẫn đang được phát triển. Việc xác minh là cần thiết để đảm bảo rằng các tính toán bên ngoài của các nhà cung cấp GPU được thực hiện đúng cách (tức là đảm bảo mô hình của người dùng được huấn luyện theo cách họ mong muốn). Gensyn giải quyết vấn đề này bằng cách tiếp cận độc đáo, tận dụng các phương pháp xác minh mới gọi là “Chứng minh xác suất của việc học, Giao thức xác định dựa trên đồ thị và Trò chơi khuyến khích theo phong cách Truebit.” Đây là một cách giải quyết lạc quan cho phép người xác minh xác nhận rằng người giải quyết đã chạy đúng mô hình mà không cần phải chạy lại toàn bộ quá trình, điều này là một quá trình tốn kém và không hiệu quả.

Ngoài phương pháp xác minh độc đáo của mình, Gensyn cũng yêu cầuđể được hiệu quả về chi phí so với các lựa chọn trung tâm và đối thủ tiền điện tử - cung cấp đào tạo ML với giá lên đến 80% rẻ hơn so với AWS trong khi vượt trội so với các dự án tương tự như Truebit trong quá trình kiểm tra.

Có thể sao chép kết quả ban đầu này ở quy mô trên một mạng phi tập trung hay không vẫn còn là một ẩn số. Gensyn muốn tận dụng khả năng tính toán dư thừa từ các nhà cung cấp như các trung tâm dữ liệu nhỏ, người dùng bán lẻ, và trong tương lai thậm chí là các thiết bị di động nhỏ như điện thoại di động. Tuy nhiên, như tự đội ngũ Gensyn đãthừa nhận, dựa vào các nhà cung cấp tính toán không đồng nhất đưa ra một số thách thức mới.

Đối với các nhà cung cấp tập trung như Nhà cung cấp Đám mây Google và Coreweave, tính toán rất đắt đỏ trong khi giao tiếp giữa các tính toán đó (băng thông và độ trễ) rất rẻ. Những hệ thống này được thiết kế để cho phép giao tiếp giữa phần cứng càng nhanh càng tốt. Gensyn đảo ngược cấu trúc đó, giảm chi phí tính toán bằng cách cho phép bất kỳ ai trên thế giới cung cấp GPU nhưng tăng chi phí giao tiếp vì mạng lưới bây giờ phải phối hợp các công việc tính toán trên phần cứng không đồng nhất và xa nhau. Gensyn chưa ra mắt, nhưng đó là một minh chứng về những gì có thể có khi xây dựng giao thức đào tạo máy học phi tập trung.

Trí tuệ phổ quát phi tập trung

Các nền tảng tính toán phi tập trung cũng đang mở ra khả năng thiết kế cho các phương pháp tạo trí tuệ nhân tạo. Bittensor là một giao thức tính toán phi tập trung được xây dựng trên Substrate, nghĩa là cố gắng trả lời Vấn đề, 'làm thế nào chúng ta có thể biến trí tuệ nhân tạo thành một phương pháp hợp tác?' Bittensor nhắm vào việc phân cấp và thương mại hóa việc tạo ra trí tuệ nhân tạo. Được ra mắt vào năm 2021, giao thức muốn tận dụng sức mạnh của các mô hình học máy hợp tác để liên tục lặp lại và tạo ra trí tuệ nhân tạo tốt hơn.

Bittensor rút cảm hứng từ Bitcoin, với một nguồn cung 21 triệu đồng tiền điện tử native của mình là TAO và một chu kỳ halving 4 năm (halving đầu tiên sẽ diễn ra vào năm 2025). Thay vì sử dụng Proof of Work để tạo ra nonce chính xác và kiếm được phần thưởng khối, Bittensor dựa vào “Proof of Intelligence,” yêu cầu các máy đào chạy các mô hình tạo ra các đầu ra đáp ứng yêu cầu suy luận.

Khuyến khích thông minh

Bittensor ban đầu dựa vào một mô hình Hỗn hợp Chuyên gia (MoE) để tạo ra các đầu ra. Khi yêu cầu suy luận được gửi, thay vì dựa vào một mô hình tổng quát, các mô hình MoE chuyển tiếp yêu cầu suy luận đến các mô hình chính xác nhất cho một loại đầu vào cụ thể. Hãy tưởng tượng việc xây dựng một căn nhà nơi bạn thuê một loạt các chuyên gia cho các khía cạnh khác nhau của quá trình xây dựng (ví dụ: kiến trúc sư, kỹ sư, họa sĩ, công nhân xây dựng v.v.). MoE áp dụng điều này vào các mô hình học máy, cố gắng khai thác các đầu ra của các mô hình khác nhau tùy thuộc vào đầu vào. Như Người sáng lập Bittensor Ala Shaabana giải thích, đó giống như “nói chuyện với một phòng người thông minh và nhận được câu trả lời tốt nhất thay vì nói chuyện với một người.” Do thách thứcvới việc đảm bảo định tuyến đúng, đồng bộ hóa tin nhắn đến mô hình chính xác và khuyến khích, phương pháp này đã bị đặt sang một bên cho đến khi dự án phát triển hơn.

Có hai diễn viên chính trong mạng lưới Bittensor: người xác minh và người đào. Người xác minh được giao nhiệm vụ gửi yêu cầu suy luận đến người đào, xem xét kết quả của họ và xếp hạng chúng dựa trên chất lượng của phản hồi của họ. Để đảm bảo xếp hạng của họ đáng tin cậy, người xác minh được cấp điểm “vtrust” dựa trên việc xếp hạng của họ phù hợp như thế nào với xếp hạng của người xác minh khác. Điểm vtrust càng cao, họ kiếm được càng nhiều phát thải TAO. Điều này nhằm khuyến khích người xác minh đạt được sự đồng thuận về xếp hạng mô hình theo thời gian, vì càng nhiều người xác minh đạt được sự đồng thuận về xếp hạng càng cao điểm vtrust cá nhân của họ.

Người đào, còn được gọi là máy chủ, là các thành viên mạng chạy các mô hình học máy thực tế. Người đào cạnh tranh lẫn nhau để cung cấp cho các người xác thực đầu ra chính xác nhất cho một truy vấn cụ thể, kiếm được nhiều khí thải TAO càng chính xác đầu ra của họ. Người đào có thể tạo ra đầu ra đó một cách bất kỳ cách nào họ muốn. Ví dụ, trong một tình huống tương lai, hoàn toàn có khả năng một người đào Bittensor có thể đã huấn luyện trước các mô hình trên Gensyn mà họ sử dụng để kiếm khí thải TAO.

Hôm nay, hầu hết các tương tác diễn ra trực tiếp giữa các nhà xác minh và các thợ đào. Các nhà xác minh gửi đầu vào cho các thợ đào và yêu cầu đầu ra (tức là, huấn luyện mô hình). Khi một nhà xác minh đã truy vấn các thợ đào trên mạng và nhận được phản hồi của họ, họ sau đó xếp hạng các thợ đào và gửi xếp hạng của họ đến mạng.

Sự tương tác này giữa các nhà xác minh (dựa vào PoS) và các thợ đào (dựa vào Bằng chứng mô hình, một dạng PoW) - được gọi là Đồng thuận Yuma. Nó cố gắng khuyến khích các thợ đào tạo ra những sản phẩm tốt nhất để kiếm được phát thải TAO và các nhà xác minh xếp hạng chính xác các sản phẩm của thợ đào để kiếm điểm vtrust cao hơn và tăng phần thưởng TAO của họ để hình thành cơ chế đồng thuận của mạng.

Mạng con và Ứng dụng

Các tương tác trên Bittensor chủ yếu bao gồm các nhà xác thực gửi yêu cầu đến các thợ mỏ và đánh giá kết quả của họ. Tuy nhiên, khi chất lượng của các thợ mỏ đóng góp tăng lên và trí tuệ tổng thể của mạng phát triển, Bittensor sẽ tạo một lớp ứng dụng trên cùng của ngăn xếp hiện tại của mình để nhà phát triển có thể xây dựng các ứng dụng truy vấn mạng Bittensor.

Vào tháng 10 năm 2023, Bittensor đã hoàn thành một bước quan trọng để đạt được điều này với giới thiệucác mạng con thông qua bản nâng cấp Revolution của mình. Các mạng con là các mạng cá nhân trên Bittensor khuyến khích hành vi cụ thể. Revolution mở rộng mạng lưới cho bất kỳ ai quan tâm đến việc tạo mạng con. Trong những tháng kể từ khi phát hành, hơn 32 mạng conđã được ra mắt, bao gồm cả các ứng dụng cho việc khuyến nghị văn bản, thu thập dữ liệu, tạo hình ảnh và lưu trữ. Khi các mạng con trưởt dần và trở thành sản phẩm sẵn sàng, người tạo mạng con cũng sẽ tạo tích hợp ứng dụng, cho phép các nhóm xây dựng ứng dụng truy vấn một mạng con cụ thể. Một số ứng dụng (chatbot, trình tạo hình ảnh, twitter reply bot, thị trường dự đoán) hiện nay đã tồn tại, nhưng không có động cơ chính thức cho các nhà xác minh chấp nhận và truyền tải các truy vấn đó ngoài các hỗ trợ từ quỹ Bittensor.

Để cung cấp một minh họa rõ ràng hơn, đây là một ví dụ về cách Bittensor có thể hoạt động khi các ứng dụng được tích hợp vào mạng.

Các mạng con kiếm TAO dựa trên hiệu suất của họ được đánh giá bởi mạng gốc. Mạng gốc nằm trên tất cả các mạng con, về cơ bản hoạt động như một loại mạng con đặc biệt, và được quản lý bởi 64 validator mạng con lớn nhất theo cổ phần. Các validator mạng gốc xếp hạng các mạng con dựa trên hiệu suất của chúng và phân phối phát sinh TAO cho các mạng con định kỳ. Đến cách này, các mạng con cá nhân hoạt động như các thợ đào cho mạng gốc.

Triển vọng Bittensor

Bittensor vẫn đang gặp phải những rắc rối khi mở rộng chức năng của giao thức để khuyến khích việc tạo ra thông minh trên nhiều mạng con. Các thợ đào tiếp tục nghĩ ra cách tấn công mạng để kiếm thêm phần thưởng TAO, ví dụ như bằng cách một cách nhẹ nhàng sửa đổi kết quả của một lần chạy suy luận được đánh giá cao bởi mô hình của họ và sau đó gửi nhiều biến thể. Các đề xuất quản trị ảnh hưởng đến toàn bộ mạng chỉ có thể được đệ trình và thực hiện bởi Triumvirate, mà hoàn toàn bao gồm các bên liên quan đến Quỹ Opentensor (chú ý rằng các đề xuất cần được phê duyệt bởi Bittensor Thượng việngồm các nhà xác thực Bittensor trước khi triển khai). Và tokenomics của dự án đang được cải thiện để tăng cường động viên cho việc sử dụng của TAO trên các mạng con. Dự án cũng đang nhanh chóng trở nên nổi tiếng với cách tiếp cận độc đáo, với CEO của một trong những trang web AI phổ biến nhấtHuggingFacechỉ ra rằng Bittensor nên thêm tài nguyên của mình vào trang web.

Trong một bài viết mới được đăng mảnhbởi một nhà phát triển lõi mang tên “Bittensor Paradigm,” nhóm đã trình bày tầm nhìn của họ về việc Bittensor cuối cùng sẽ phát triển thành “thiên lập địa với việc đo lường.” Lý thuyết, điều này có thể giúp Bittensor phát triển các mạng con khuyến khích bất kỳ loại hành vi nào, tất cả đều được cung cấp năng lượng bởi TAO. Vẫn còn nhiều ràng buộc thực tế đáng kể - đặc biệt là chứng minh rằng các mạng này có khả năng mở rộng để xử lý một tập hợp đa dạng các quy trình và rằng các động lực cơ bản đang thúc đẩy tiến triển mạnh mẽ hơn so với các dịch vụ tập trung.

Xây dựng một Ngăn xếp Tính toán Phi tập trung cho Mô hình Trí tuệ Nhân tạo

Các phần trên cung cấp tổng quan cấp cao về các loại giao thức tính toán trí tuệ nhân tạo phi tập trung khác nhau đang được phát triển. Mặc dù ban đầu trong quá trình phát triển và áp dụng, chúng cung cấp nền tảng của một hệ sinh thái cuối cùng có thể tạo điều kiện thuận lợi cho việc tạo ra các khối xây dựng AI, giống như khái niệm "Money Legos" của DeFi. Khả năng kết hợp của các blockchain không được phép mở ra khả năng cho mỗi giao thức xây dựng trên đầu trang khác để cung cấp một hệ sinh thái trí tuệ nhân tạo phi tập trung toàn diện hơn.

Ví dụ, đây là một cách mà Akash, Gensyn và Bittensor có thể tương tác để đáp ứng yêu cầu suy luận.

Để rõ ràng, đây chỉ là một ví dụ về những gì có thể xảy ra trong tương lai, không phải là một sự đại diện cho hệ sinh thái hiện tại, các đối tác hiện tại, hoặc kết quả có thể. Ràng buộc về tương tác, cũng như những yếu tố khác được mô tả bên dưới, đáng kể hạn chế khả năng tích hợp ngày nay. Hơn nữa, sự phân mảnh của thanh khoản và nhu cầu sử dụng nhiều token có thể gây hại cho trải nghiệm người dùng, điều này đã được chỉ rabởi các nhà sáng lập của cả Akash và Bittensor.

Các Ưu Đãi Phi Tập Trung Khác

Ngoài việc tính toán, một số dịch vụ cấu trúc phân cấp đang được triện khai để hộ trợ hệ sinh thông minh đang nổi lên của tiền ảo. Để liệt kê tất cả các dịch vụ này điển tử để viết trong phạm vi của báo cáo này, nhưng một ví dụ thú về và minh hệ bao gồm:

• Đại dương: Một thị trường dữ liệu phi tập trung. Người dùng có thể tạo ra các NFT dữ liệu đại diện cho dữ liệu của họ có thể được mua bằng các mã thông tin. Người dùng có thể cả mua bán dữ liệu của mình và có quyền chủ quan hơn đối với nó trong khi cung cấp cho các nhóm làm việc trên trí tuệ nhân tạo truy cập vào dữ liệu cần thiết để phát triển và huấn luyện mô hình.
• Cỏ: Một thị trường băng thông phi tập trung. Người dùng có thể bán băng thông dư thừa của họ cho các công ty trí tuệ nhân tạo sử dụng nó để cào dữ liệu từ internet. Xây dựng trên Mạng WyndĐiều này không chỉ cho phép cá nhân tạo ra tiền từ băng thông của họ, mà còn cung cấp cho người mua băng thông một loạt các quan điểm đa dạng về những gì người dùng cá nhân thấy trực tuyến (do việc truy cập internet của mỗi người thường được tùy chỉnh dựa trên địa chỉ IP cụ thể của họ).
• HiveMapper: Xây dựng một dịch vụ bản đồ phi tập trung bao gồm thông tin được thu thập từ các tài xế ô tô hàng ngày. HiveMapper dựa vào trí tuệ nhân tạo để diễn giải các hình ảnh được thu thập từ camera trên bảng điều khiển của người dùng và thưởng cho người dùng bằng token để giúp tinh chỉnh mô hình trí tuệ nhân tạo thông qua phản hồi học tăng cường từ con người (RHLF).

Tổng cộng, những điều này chỉ ra những cơ hội vô tận để khám phá mô hình thị trường phi tập trung hỗ trợ các mô hình trí tuệ nhân tạo, hoặc cơ sở hạ tầng xung quanh cần thiết để phát triển chúng. Hiện tại, những dự án này chủ yếu ở giai đoạn chứng minh mẫu và cần nhiều nghiên cứu và phát triển hơn để chứng minh rằng chúng có thể hoạt động ở quy mô cần thiết để cung cấp dịch vụ trí tuệ nhân tạo toàn diện.

Outlook

Các dịch vụ điện toán phi tập trung vẫn đang trong giai đoạn phát triển ban đầu. Họ chỉ mới bắt đầu triển khai quyền truy cập vào tính toán hiện đại có khả năng đào tạo các mô hình AI mạnh nhất trong sản xuất. Để họ giành được thị phần có ý nghĩa, họ sẽ cần phải chứng minh những lợi thế thiết thực so với các lựa chọn thay thế tập trung. Các yếu tố kích hoạt tiềm năng cho việc áp dụng rộng rãi hơn bao gồm:

• Cung cấp / Cầu về GPU. Sự khan hiếm GPU kết hợp với nhu cầu tính toán tăng nhanh đang dẫn đến cuộc đua vũ khí GPU. OpenAI đã từng một lần hạn chế truy cập vào nền tảng của nó do hạn chế GPU. Các nền tảng như Akash và Gensyn có thể cung cấp các lựa chọn thay thế cạnh tranh về chi phí cho các nhóm cần tính toán hiệu suất cao. 6-12 tháng tới là một cơ hội đặc biệt duy nhất cho các nhà cung cấp điện toán phi tập trung để giới thiệu người dùng mới buộc phải xem xét các dịch vụ phi tập trung do thiếu quyền truy cập vào thị trường rộng lớn hơn. Cùng với các mô hình mã nguồn mở ngày càng hiệu quả như LLaMA 2 của Meta, người dùng không còn phải đối mặt với các rào cản tương tự để triển khai các mô hình tinh chỉnh hiệu quả, khiến tài nguyên điện toán trở thành nút cổ chai chính. Tuy nhiên, sự tồn tại của chính các nền tảng không đảm bảo cung cấp đầy đủ tính toán và nhu cầu tương ứng từ người tiêu dùng. Tìm nguồn cung ứng GPU cao cấp vẫn còn khó khăn và chi phí không phải lúc nào cũng là động lực chính ở phía cầu. Các nền tảng này sẽ được thử thách để chứng minh lợi ích thiết thực của việc sử dụng tùy chọn tính toán phi tập trung - cho dù đó là do chi phí, khả năng chống kiểm duyệt, thời gian hoạt động và khả năng phục hồi hay khả năng truy cập - để tích lũy người dùng cố định. Họ sẽ phải di chuyển nhanh. Cơ sở hạ tầng GPU đầu tư và phát triểnđang diễn ra ở tốc độ phi thường.
• Quy định. Quy định tiếp tục là một cơn gió ngược đối với phong trào tính toán phi tập trung. Trong ngắn hạn, việc thiếu quy định rõ ràng đồng nghĩa với việc cả nhà cung cấp và người dùng đều phải đối mặt với những rủi ro tiềm ẩn khi sử dụng các dịch vụ này. Điều gì sẽ xảy ra nếu một nhà cung cấp cung cấp dịch vụ tính toán hoặc người mua vô tình mua điện toán từ một thực thể bị trừng phạt? Người dùng có thể do dự khi sử dụng một nền tảng phi tập trung thiếu sự kiểm soát và giám sát của một thực thể tập trung. Các giao thức đã cố gắng giảm thiểu những lo ngại này bằng cách kết hợp các biện pháp kiểm soát vào nền tảng của họ hoặc thêm bộ lọc để chỉ truy cập các nhà cung cấp điện toán đã biết (nghĩa là đã cung cấp thông tin về khách hàng của bạn (KYC), nhưng các phương pháp mạnh mẽ hơn để bảo vệ quyền riêng tư trong khi vẫn đảm bảo tuân thủ sẽ cần thiết để áp dụng. Trong ngắn hạn, chúng ta có thể thấy sự xuất hiện của KYC và các nền tảng tuân thủ quy định hạn chế quyền truy cập vào các giao thức của họ để giải quyết những lo ngại này. Ngoài ra, các cuộc thảo luận xung quanh các khung pháp lý mới có thể có của Hoa Kỳ, được minh họa rõ nhất bằng việc phát hành Sắp xếp hành chính về sự phát triển và sử dụng trí tuệ nhân tạo an toàn, an ninh và đáng tin cậy, nhấn mạnh tiềm năng của các biện pháp quản lý có thể hạn chế thêm việc truy cập vào GPU.
• Kiểm duyệt. Quy định hoạt động hai chiều và các dịch vụ tính toán phi tập trung có thể hưởng lợi từ những biện pháp giới hạn truy cập vào trí tuệ nhân tạo. Ngoài Nghị định của Chính phủ, người sáng lập OpenAI Sam Altman cũng đãtestifiedtrong Quốc hội về sự cần thiết của các cơ quan quản lý cấp phép cho phát triển trí tuệ nhân tạo. Cuộc thảo luận về quy định trí tuệ nhân tạo mới chỉ bắt đầu, nhưng bất kỳ nỗ lực nào nhằm hạn chế quyền truy cập hoặc kiểm duyệt những gì có thể được thực hiện với trí tuệ nhân tạo có thể thúc đẩy việc áp dụng các nền tảng phi tập trung không có rào cản như vậy. Thay đổi lãnh đạo OpenAI tháng 11 (hoặc thiếu nó) tiếp tục chứng minh những rủi ro của việc trao quyền ra quyết định cho mô hình AI mạnh nhất hiện có chỉ cho một số ít. Hơn nữa, tất cả các mô hình AI nhất thiết phải phản ánh sự thiên vị của những người tạo ra chúng, cho dù cố ý hay không. Một cách để loại bỏ những thành kiến đó là làm cho các mô hình càng cởi mở càng tốt để tinh chỉnh và đào tạo, đảm bảo rằng các mô hình của tất cả các giống và thành kiến luôn có thể được truy cập bởi bất kỳ ai ở bất cứ đâu.
• Quyền riêng tư dữ liệu. Khi tích hợp với các giải pháp dữ liệu và quyền riêng tư bên ngoài cung cấp cho người dùng quyền tự chủ đối với dữ liệu của họ, tính toán phi tập trung có thể trở nên hấp dẫn hơn so với các lựa chọn tập trung. Samsung Trở thành nạn nhân khi họ nhận ra rằng các kỹ sư đang sử dụng ChatGPT để hỗ trợ thiết kế chip và rò rỉ thông tin nhạy cảm cho ChatGPT. Phala Network và iExec tuyên bố cung cấp cho người dùng các khu vực an toàn SGX để bảo vệ dữ liệu người dùng và nghiên cứu liên tục về mã hóa toàn diện có thể mở khóa quyền riêng tư đảm bảo tính phân cấp tính toán phi tập trung. Khi trí tuệ nhân tạo ngày càng được tích hợp sâu vào cuộc sống của chúng ta, người dùng sẽ đặt mức phí cao hơn cho việc chạy các mô hình trên các ứng dụng có tính riêng tư được tích hợp vào chúng. Người dùng cũng sẽ đòi hỏi các dịch vụ cho phép tính khả năng ghép dữ liệu để họ có thể dễ dàng chuyển dữ liệu của họ từ một mô hình sang mô hình khác.
• Trải nghiệm người dùng (UX). UX vẫn là một rào cản quan trọng đối với việc áp dụng rộng rãi hơn của tất cả các loại ứng dụng và cơ sở hạ tầng tiền điện tử. Điều này cũng không khác biệt cho các dịch vụ tính toán phi tập trung, và đôi khi còn trở nên nghiêm trọng hơn do nhu cầu của các nhà phát triển phải hiểu cả tiền điện tử và trí tuệ nhân tạo. Cần cải thiện từ những điều cơ bản như trình làm quen và trừu tượng hóa cách tương tác với chuỗi khối đến việc cung cấp những điều tương tựđầu ra chất lượng caolà những nhà lãnh đạo thị trường hiện tại. Điều này rõ ràng được thể hiện bởi sự thực rằng nhiều giao thức tính toán phi tập trung hoạt động, cung cấp các ưu đãi rẻ hơn, đều gặp khó khăn trong việc thu hút sử dụng thường xuyên.

Hợp đồng thông minh & zkML

Hợp đồng thông minh là một khối xây dựng cốt lõi của bất kỳ hệ sinh thái blockchain nào. Với một tập hợp các điều kiện cụ thể, chúng tự động thực thi và giảm hoặc loại bỏ nhu cầu về bên thứ ba đáng tin cậy, cho phép tạo các ứng dụng phi tập trung phức tạp như những ứng dụng được thấy trong DeFi. Tuy nhiên, vì chúng tồn tại phần lớn ngày nay, các hợp đồng thông minh vẫn bị hạn chế về chức năng của chúng ở chỗ chúng thực thi dựa trên các tham số đặt trước phải được cập nhật.

Ví dụ, một hợp đồng thông minh giao thức cho vay/mượn được triển khai với các thông số để thanh lý một vị thế dựa trên một số tỷ lệ vay cụ thể. Mặc dù hữu ích trong môi trường tĩnh, trong tình huống động nơi rủi ro liên tục thay đổi, những hợp đồng thông minh này phải được cập nhật liên tục để tính đến sự thay đổi trong sự chịu đựng rủi ro, tạo ra thách thức cho các hợp đồng không được điều hành thông qua quy trình tập trung. Ví dụ, các tổ chức tự trị (DAOs) phụ thuộc vào quy trình quản trị phi tập trung có thể không đủ nhanh để phản ứng với các rủi ro hệ thống.

Hợp đồng thông minh tích hợp trí tuệ nhân tạo (tức là mô hình học máy) là một cách tiếp cận có thể cải thiện tính năng, bảo mật và hiệu quả trong khi cải thiện trải nghiệm người dùng tổng thể. Tuy nhiên, các tích hợp này cũng mang lại các rủi ro bổ sung, vì không thể đảm bảo rằng các mô hình cơ sở của những hợp đồng thông minh này không thể bị khai thác hoặc tính đến các tình huống dài hạn (mà dĩ nhiên khó huấn luyện mô hình trên đó).sự khan hiếm dữ liệu đầu vàocho họ).

Máy học không thông báo tri thức (zkML)

Machine learning đòi hỏi lượng tính toán lớn để chạy các mô hình phức tạp, điều này ngăn cản các mô hình AI chạy trực tiếp bên trong các hợp đồng thông minh do chi phí cao. Một giao thức DeFi cung cấp cho người dùng truy cập vào một mô hình tối ưu hóa lợi suất, ví dụ, sẽ gặp khó khăn khi chạy mô hình đó on-chain mà không cần phải trả các khoản phí gas cao. Một giải pháp là tăng sức mạnh tính toán của blockchain cơ bản. Tuy nhiên, điều này cũng tăng nhu cầu của bộ xác thực chuỗi, có thể đe dọa các thuộc tính phân quyền hóa. Thay vào đó, một số dự án đang khám phá việc sử dụng zkML để xác minh đầu ra một cách không cần phải tính toán trên chuỗi một cách chặt chẽ.

Một thông thườngVí dụ chia sẻ minh họa tính hữu ích của zkML là khi một người dùng cần người khác chạy dữ liệu qua một mô hình và cũng xác minh rằng bên đối tác thực sự đã chạy mô hình chính xác. Có lẽ một nhà phát triển đang sử dụng một nhà cung cấp tính toán phi tập trung để huấn luyện các mô hình của họ và lo lắng rằng nhà cung cấp đang cố gắng cắt giảm chi phí bằng cách sử dụng một mô hình rẻ hơn với sự khác biệt gần như không thể nhận thức được trong đầu ra. zkML cho phép nhà cung cấp tính toán chạy dữ liệu qua các mô hình của họ và sau đó tạo ra một bằng chứng có thể được xác minh trên chuỗi để chứng minh rằng đầu ra của mô hình cho đầu vào cụ thể là chính xác. Trong trường hợp này, nhà cung cấp mô hình sẽ có lợi thế bổ sung khi có thể cung cấp các mô hình của họ mà không cần tiết lộ các trọng số cơ bản tạo ra đầu ra.

Điều ngược lại cũng có thể thực hiện. Nếu người dùng muốn chạy một mô hình bằng dữ liệu của họ nhưng không muốn dự án cung cấp mô hình có quyền truy cập vào dữ liệu của họ do lo ngại về quyền riêng tư (tức là, trong trường hợp một cuộc kiểm tra y tế hoặc thông tin kinh doanh độc quyền), thì người dùng có thể chạy mô hình trên dữ liệu của họ mà không chia sẻ và sau đó xác minh họ đã chạy đúng mô hình với một bằng chứng. Những khả năng này mở rộng đáng kể không gian thiết kế cho việc tích hợp trí tuệ nhân tạo và chức năng hợp đồng thông minh bằng cách giải quyết các hạn chế tính toán cấm định.

Cơ sở hạ tầng và Công cụ

Với tình trạng sớm của không gian zkML, việc phát triển chủ yếu tập trung vào xây dựng cơ sở hạ tầng và công cụ cần thiết cho các nhóm chuyển đổi mô hình và đầu ra của họ thành bằng chứng có thể được xác minh trên chuỗi. Các sản phẩm này trừu tượng hóa khía cạnh không biết của việc phát triển càng nhiều càng tốt.

EZKLvàGiza là hai dự án xây dựng công cụ này bằng cách cung cấp bằng chứng có thể kiểm chứng về việc thực thi mô hình học máy. Cả hai đều giúp các nhóm xây dựng các mô hình học máy để đảm bảo rằng các mô hình đó sau đó có thể được thực thi theo cách mà kết quả có thể được xác minh một cách đáng tin cậy trên chuỗi. Cả hai dự án đều sử dụng Open Neural Network Exchange (ONNX) để chuyển đổi các mô hình học máy được viết bằng các ngôn ngữ phổ biến như TensorFlow và Pytorch thành định dạng chuẩn. Sau đó, họ xuất ra các phiên bản của các mô hình đó cũng tạo ra các bằng chứng zk khi được thực thi. EZKL là mã nguồn mở và sản xuất zk-SNARKS trong khi Giza là mã nguồn đóng và sản xuất zk-STARKS. Cả hai dự án hiện chỉ tương thích với EVM.

EZKL đã thể hiện sự tiến bộ đáng kể trong vài tháng qua trong việc nâng cao giải pháp zkML của họ, chủ yếu tập trung vàogiảm chi phí, cải thiện bảo mật, và tăng tốc quá trình sinh chứng minh. Ví dụ, vào tháng 11/2023, EZKL đã tích hợp một thư viện GPU mã nguồn mở mới giúp giảm 35% thời gian bằng chứng tổng hợp và vào tháng 1 EZKL thông báoLilith, một giải pháp phần mềm để tích hợp các cụm tính toán hiệu suất cao và điều phối các công việc đồng thời khi sử dụng hệ thống chứng minh EZKL. Giza đặc biệt ở chỗ ngoài việc cung cấp công cụ để tạo ra các mô hình học máy có thể xác minh, họ cũng dự định triển khai một phiên bản web3 tương đương của Hugging Face, mở ra một thị trường người dùng cho sự hợp tác và chia sẻ mô hình zkML cũng như cuối cùng tích hợp các ứng dụng tính toán phi tập trung. Vào tháng 1, EZKL đã phát hành một đánh giá tiêu chuẩnso sánh hiệu suất của EZKL, Giza và RiscZero (đã thảo luận dưới đây). EZKL đã chứng minh thời gian chứng minh nhanh hơn và sử dụng bộ nhớ ít hơn.

Modulus Labscũng đang phát triển một kỹ thuật chứng minh zk mới được tùy chỉnh đặc biệt cho các mô hình trí tuệ nhân tạo. Modulus đã công bố một bài báo có tên là Chi phí của thông minh(gợi ý về chi phí vô cùng cao để chạy các mô hình AI trên chuỗi), đã đánh giá các hệ thống chứng minh zk-proof hiện có vào thời điểm đó để xác định khả năng và các rào cản để cải thiện zk-proof cho mô hình AI. Được công bố vào tháng 1 năm 2023, bài báo chứng minh rằng các sản phẩm hiện có đơn giản quá đắt đỏ và không hiệu quả để cho phép ứng dụng AI mở rộng. Xây dựng trên nghiên cứu ban đầu của họ, vào tháng 11, Modulus @ModulusLabs/introducing-modulus-bring-ai-on-chain-d75dcb82c5e3">đã giới thiệu Remainder, một bằng chứng zero-knowledge chuyên biệt được xây dựng đặc biệt để giảm chi phí và thời gian chứng minh cho các mô hình AI với mục tiêu làm cho việc tích hợp các mô hình vào các hợp đồng thông minh của họ một cách kinh tế. Công việc của họ là nguồn đóng và do đó không thể được đánh giá so với các giải pháp trên, nhưng gần đây đã được đề cập trong Vitalik’sbài đăng trên blogvề tiền điện tử và trí tuệ nhân tạo.

Việc phát triển công cụ và cơ sở hạ tầng là rất quan trọng đối với sự phát triển tương lai của không gian zkML vì nó giảm ma sát đáng kể đối với các nhóm cần triển khai mạch zk cần thiết để chạy tính toán offchain có thể xác minh. Việc tạo ra giao diện an toàn cho phép những người xây dựng không chuyên về tiền điện tử đang làm việc trong lĩnh vực học máy đưa mô hình của họ lên chuỗi sẽ tạo điều kiện cho việc thử nghiệm ứng dụng với các trường hợp sử dụng thực sự mới lạ hơn. Công cụ cũng giải quyết một rào cản lớn đối với sự thụ hưởng rộng rãi của zkML, đó là thiếu nhà phát triển có kiến thức và quan tâm đến việc làm ở sự giao cắt của kiến thức về zero-knowledge, học máy và mật mã.

Coprocessors

Các giải pháp bổ sung đang được phát triển, được gọi là “bộ xử lý phụ,” bao gồm RiscZero,Axiom, và Nghi lễ. Thuật ngữ bộ xử lý phụ chủ yếu là về ngữ nghĩa - những mạng lưới này thực hiện nhiều vai trò khác nhau, bao gồm xác minh tính toán ngoại chuỗi trên chuỗi. Giống như EZKL, Giza và Modulus, chúng nhằm mục tiêu trừu tượng hoá quá trình tạo chứng minh không biết về không, tạo ra máy ảo không biết về không có khả năng thực thi các chương trình ngoại chuỗi và tạo ra chứng minh để xác minh trên chuỗi. RiscZero và Axiom có thể dịch vụ các mô hình AI đơn giản vì chúng có nghĩa là các bộ đồng xử lý có mục đích chung hơn trong khi Ritual được xây dựng có mục đích sử dụng với các mô hình AI.

Infernetlà sự hiện thực đầu tiên của Lễ nghi và bao gồm một SDK Infernet cho phép các nhà phát triển gửi yêu cầu suy luận đến mạng và nhận được đầu ra và bằng chứng (tuỳ chọn) như một phản hồi. Một Node Infernet nhận các yêu cầu này và xử lý tính toán ngoại chuỗi trước khi trả lại kết quả. Ví dụ, một DAO có thể tạo quy trình đảm bảo tất cả các đề xuất quản trị mới đáp ứng các điều kiện tiên quyết trước khi được gửi. Mỗi khi có đề xuất mới được gửi, hợp đồng quản trị kích hoạt một yêu cầu suy luận thông qua Infernet gọi một mô hình AI được đào tạo cụ thể cho quản trị của DAO. Mô hình kiểm tra đề xuất để đảm bảo tất cả tiêu chí cần thiết đã được gửi và trả lại đầu ra và bằng chứng, có thể là chấp nhận hoặc từ chối việc gửi đề xuất.

Trong năm tiếp theo, nhóm Ritual dự định triển khai thêm các tính năng khác nhau để tạo thành một lớp cơ sở hạ tầng gọi là Ritual Superchain. Nhiều dự án đã được thảo luận trước đó có thể kết nối vào Ritual như các nhà cung cấp dịch vụ. Hiện tại, nhóm Ritual đã tích hợp với EZKL để tạo ra bằng chứng và rất có thể sẽ sớm bổ sung chức năng từ các nhà cung cấp hàng đầu khác. Các nút Infernet trên Ritual cũng có thể sử dụng GPU của Akash hoặc io.net và truy vấn các mô hình được đào tạo trên các mạng con Bittensor. Mục tiêu cuối cùng của họ là trở thành nhà cung cấp hàng đầu cho cơ sở hạ tầng AI mở, có khả năng cung cấp dịch vụ cho các nhiệm vụ liên quan đến máy học và trí tuệ nhân tạo từ mọi mạng trên mọi khối lượng công việc.

Ứng dụng

zkML giúp đỡ đối chiếusự mâu thuẫn giữa các chuỗi khối và trí tuệ nhân tạo, nơi mà cái trước mặc định có hạn chế về tài nguyên và cái sau đòi hỏi lượng tính toán và dữ liệu lớn. Là một trong những người sáng lập của Giza đặt nó, "Các trường hợp sử dụng rất phong phú... nó giống như hỏi trong những ngày đầu của Ethereum các trường hợp sử dụng hợp đồng thông minh là gì... Những gì chúng tôi đang làm chỉ là mở rộng các trường hợp sử dụng của hợp đồng thông minh. " Tuy nhiên, như đã nhấn mạnh ở trên, sự phát triển ngày nay chủ yếu diễn ra ở cấp độ công cụ và cơ sở hạ tầng. Các ứng dụng vẫn đang trong giai đoạn khám phá, với các nhóm được thử thách để chứng minh rằng giá trị được tạo ra từ việc triển khai các mô hình sử dụng zkML lớn hơn sự phức tạp và chi phí thực hiện nó.

Một số ứng dụng hiện nay bao gồm:

• Tài chính phi tập trung. zkML nâng cấp không gian thiết kế cho DeFi bằng cách cải thiện khả năng hợp đồng thông minh. Các giao thức DeFi cung cấp các mô hình học máy với lượng dữ liệu có thể xác minh và bất biến lớn có thể được sử dụng để tạo ra các chiến lược tạo ra lợi nhuận hoặc giao dịch, phân tích rủi ro, UX và nhiều hơn nữa. Ví dụ, Giza, ví dụ, có đối tácvới Yearn Finance để xây dựng một động cơ đánh giá rủi ro tự động kiểm chứng cho các két vốt v3 mới của Yearn. Modulus Labs có @ModulusLabs/chapter-4-blockchains-that-self-improve-e9716c041f36">worked with Lyra Finance on incorporating machine learning into their AMMs, isđã hợp tácvới Ion Protocol để thực hiện một mô hình phân tích rủi ro của nhà xác thực, và đang giúp đỡUpshotxác minh nguồn cung cấp giá NFT được cung cấp bởi trí tuệ nhân tạo. Các giao thức như NOYA(sử dụng EZKL) vàMozaicđang cung cấp quyền truy cập vào các mô hình ngoại chuỗi độc quyền mà cho phép người dùng tham gia vào nghề đào thu hoạch tự động trong khi cho phép họ xác minh đầu vào dữ liệu và chứng minh trên chuỗi.Spectral Financeđang xây dựng các động cơ đánh giá tín dụng trên chuỗi để dự đoán khả năng mặc cạn của người vay Compound hoặc Aave. Các sản phẩm gọi là 'De-Ai-Fi' này có khả năng trở nên phổ biến hơn trong những năm sắp tới nhờ zkML.
• Trò chơi. Trò chơi đã lâu đã được coi là đầy tiềm năng để bị đảo lộn và cải thiện bởi các chuỗi khối công cộng (để biết thêm về tiền điện tử và trò chơi, xem báo cáo Galaxy Digital này - Lịch sử của Game và tương lai Web3 của nó). zkML makes on-chain gaming with artificial intelligence possible.Modulus Labsđã triển khai proof of concepts cho các trò chơi trên chuỗi đơn giản.Leela vs thế giớilà một trò chơi cờ vua lý thuyết trò chơi trong đó người dùng đối mặt với mô hình cờ vua AI, với zkML xác minh mỗi nước Leela thực hiện dựa trên mô hình trò chơi nói rằng đang chạy. Tương tự, các đội đã sử dụng EZKL frameworks để xây dựng đơn giản cuộc thi hát và tictactoe trên chuỗi. Cartridgeđang sử dụng Giza để cho phép các nhóm triển khai trò chơi hoàn toàn trên chuỗi, gần đây nhấtnổi bật một trò chơi lái xe AI đơn giản, nơi người dùng cạnh tranh để tạo ra các mô hình tốt hơn cho một chiếc xe đang cố gắng tránh chướng ngại vật. Mặc dù đơn giản, những bằng chứng khái niệm này hướng tới việc triển khai trong tương lai cho phép xác minh trên chuỗi phức tạp hơn như các tác nhân NPC tinh vi có khả năng tương tác với các nền kinh tế trong trò chơi như đã thấy trong @ModulusLabs/chapter-5-the-cost-of-intelligence-da26dbf93307">AI Arena, một trò chơi giống như anh em siêu smash, nơi người chơi huấn luyện máy bay chiến đấu của họ, sau đó được triển khai làm mô hình AI để chiến đấu.
• Identity, Provenance, and Privacy. Tiền điện tử đang đượcđã sử dụngdưới dạng cách xác minh tính xác thực và chống lại lượng lớn tăng dần của nội dung được tạo/manipulated bởi AI và deep fakes. zkML có thể thúc đẩy những nỗ lực đó. WorldCoin là một giải pháp chứng minh tính cá nhân yêu cầu người dùng quét mống mắt của họ để tạo ra một ID duy nhất. Trong tương lai, các ID sinh trắc học có thể đượctự lưu trữtrên các thiết bị cá nhân bằng cách sử dụng lưu trữ được mã hóa với các mô hình cần thiết để xác minh những dấu vân tay đó được chạy cục bộ. Người dùng sau đó có thể cung cấp bằng chứng về dấu vân tay của họ mà không cần phải tiết lộ danh tính của họ, chống lại các cuộc tấn công sybil đồng thời đảm bảo sự riêng tư. Điều này cũng có thể được áp dụng cho các suy luận khác yêu cầu sự riêng tư, chẳng hạn như sử dụng mô hìnhđể phân tích dữ liệu/hình ảnh y tế để phát hiện bệnh tật, xác minh nhận thức cá nhân và phát triển thuật toán phù hợp trong ứng dụng hẹn hò, hoặc cho các công ty bảo hiểm và cho vay cần xác minh thông tin tài chính.

Outlook

zkML vẫn đang ở giai đoạn thử nghiệm với hầu hết các dự án tập trung vào việc xây dựng cơ sở hạ tầng cơ bản và các khái niệm chứng minh. Những thách thức hiện nay bao gồm chi phí tính toán, hạn chế bộ nhớ, độ phức tạp của mô hình, công cụ và cơ sở hạ tầng hạn chế, và tài năng của các nhà phát triển. Đơn giản là còn nhiều công việc phải làm trước khi zkML có thể được triển khai ở quy mô cần thiết cho các sản phẩm tiêu dùng.

Khi lĩnh vực trưởng thành hơn và những hạn chế này được giải quyết, zkML sẽ trở thành một thành phần quan trọng của tích hợp trí tuệ nhân tạo và tiền điện tử. Ở cốt lõi, zkML hứa hẹn khả năng đưa tính toán ngoại xử của bất kỳ kích thước nào lên chuỗi trong khi duy trì những đảm bảo bảo mật giống hoặc gần giống như nếu tính toán đã được chạy trên chuỗi. Tuy nhiên, cho đến khi tầm nhìn đó được thực hiện, người dùng sớm của công nghệ sẽ tiếp tục phải cân nhắc sự đánh đổi giữa sự riêng tư và bảo mật của zkML và hiệu quả của các lựa chọn khác.

Các Đại lý Trí tuệ nhân tạo

Một trong những tích hợp hứa hẹn hơn về trí tuệ nhân tạo và tiền điện tử đó là việc thử nghiệm liên tục với các Đại lý trí tuệ nhân tạo. Đại lý là những con bot tự động có khả năng nhận, diễn dịch và thực hiện các nhiệm vụ bằng cách sử dụng một mô hình trí tuệ nhân tạo. Điều này có thể là bất cứ điều gì từ việc có một trợ lý cá nhân luôn sẵn sàng được điều chỉnh theo sở thích của bạn đến việc thuê một đại lý tài chính quản lý và điều chỉnh danh mục đầu tư của bạn theo sở thích về rủi ro của bạn.

Các đại lý và tiền điện tử phù hợp với nhau vì cơ sở hạ tầng thanh toán không cần phép và không tin cậy mà tiền điện tử cung cấp. Một khi được đào tạo, các đại lý có thể được cung cấp một ví để họ có thể giao dịch với các hợp đồng thông minh một cách độc lập. Hiện nay, các đại lý đơn giản có thể lướt web để lấy thông tin và sau đó thực hiện giao dịch trên các thị trường dự đoán dựa trên một mô hình.

Nhà cung cấp Đại lý

Morpheuslà một trong những dự án đại lý mã nguồn mở mới nhất sẽ ra mắt trên Ethereum và Arbitrum vào năm 2024. Bản báo cáo trắng của nó đã được đăng ẩn danh vào tháng 9 năm 2023, cung cấp nền tảng cho cộng đồng hình thành và phát triển xung quanh (bao gồm những người nổi tiếng như Erik Vorhees). Bản báo cáo trắng bao gồm một liên kết tải về Giao thức Đại lý Thông minh, đó là một LLM mã nguồn mở có thể chạy cục bộ, được quản lý bởi ví của người dùng, và tương tác với hợp đồng thông minh. Nó sử dụng một Xếp hạng Hợp đồng Thông minhđể giúp đại lý xác định các hợp đồng thông minh nào an toàn để tương tác dựa trên tiêu chí như số giao dịch được xử lý.

Bản trắng cũng cung cấp một khung để xây dựng Morpheus Network, chẳng hạn như cấu trúc cơ cấu khuyến khích và cơ sở hạ tầng cần thiết để làm cho Giao thức Đại lý Thông minh hoạt động. Điều này bao gồm khuyến khích người đóng góp xây dựng giao diện trước để tương tác với các đại lý, API cho các nhà phát triển xây dựng ứng dụng có thể kết nối vào các đại lý để họ có thể tương tác với nhau, và các giải pháp điện toán đám mây cho phép người dùng truy cập vào tính toán và lưu trữ cần thiết để chạy một đại lý trên thiết bị cạnh. Quỹ ban đầu cho dự án được ra mắt vào đầu tháng Hai với việc dự kiến toàn bộ giao thức sẽ ra mắt vào quý 2 năm 2024.

Mạng Cơ sở hạ tầng Tự trị Phi tập trung (DAIN)là một giao thức cơ sở hạ tầng đại lý mới đang xây dựng một nền kinh tế từ đại lý đến đại lý trên Solana. DAIN nhằm mục tiêu là tạo điều kiện cho các đại lý từ các doanh nghiệp khác nhau có thể tương tác một cách mượt mà thông qua một API phổ quát, mở rộng không gian thiết kế đáng kể cho các đại lý AI với trọng tâm vào việc triển khai các đại lý có khả năng tương tác với cả sản phẩm web2 và web3. Vào tháng 1, DAIN đã công bố dự án đầu tiên của họ đối tácvới Asset Shield cho phép người dùng thêm “người ký đại diện” vào các giao dịch đa chữ ký của họ có khả năng giải thích giao dịch và phê duyệt/từ chối dựa trên các quy tắc do người dùng đặt ra.

Fetch.AIlà một trong những giao thức Đại lý trí tuệ nhân tạo đầu tiên được triển khai và đã phát triển một hệ sinh thái để xây dựng, triển khai và sử dụng Đại lý trên chuỗi sử dụng mã thông báo FET của mình và Fetch.AIví. Giao thức cung cấp một bộ công cụ và ứng dụng toàn diện cho việc sử dụng Đại lý, bao gồm chức năng trong ví để tương tác và đặt hàng với các đại lý.

Autonolas, những người sáng lập bao gồm một thành viên trước đây từ nhóm Fetch, là một thị trường mở cho việc tạo ra và sử dụng các đại lý trí tuệ nhân tạo phi tập trung. Autonolas cũng cung cấp một bộ công cụ cho các nhà phát triển để xây dựng các đại lý trí tuệ nhân tạo được lưu trữ ngoại chuỗi và có thể kết nối với nhiều blockchain bao gồm Polygon, Ethereum, Gnosis Chain và Solana. Hiện họ đang có một số bằng chứng về khái niệm đại lý hoạt động sản phẩmbao gồm việc sử dụng trong các thị trường dự đoán và quản trị DAO.

SingularityNetđang xây dựng một thị trường phi tập trung cho các tác nhân trí tuệ nhân tạo, nơi mà mọi người có thể triển khai các tác nhân trí tuệ nhân tạo tập trung hẹp có thể được thuê bởi những người khác hoặc các tác nhân khác để thực hiện các nhiệm vụ phức tạp. Những người khác, như AlteredStateMachine, đang xây dựng tích hợp AI Agent với NFTs. Người dùng tạo ra NFTs với các thuộc tính ngẫu nhiên giúp họ có điểm mạnh và yếu khác nhau cho các nhiệm vụ khác nhau. Những đại lý này sau đó có thể được huấn luyện để nâng cao một số thuộc tính cho việc sử dụng như chơi game, DeFi, hoặc như một trợ lý ảo và được giao dịch với người dùng khác.

Tổng cộng, những dự án này hình dung một hệ sinh thái tương lai của các đại lý có khả năng làm việc cùng nhau không chỉ để thực hiện các nhiệm vụ mà còn giúp xây dựng trí tuệ nhân tạo tổng quát. Các đại lý thực sự tinh vi sẽ có khả năng thực hiện bất kỳ nhiệm vụ của người dùng một cách tự động. Ví dụ, thay vì phải đảm bảo rằng một Đại lý đã tích hợp với một API bên ngoài (như một trang web đặt vé máy bay) trước khi sử dụng nó, các đại lý hoàn toàn tự động sẽ có khả năng tìm hiểu cách thuê một đại lý khác để tích hợp API và sau đó thực hiện nhiệm vụ. Từ góc độ của người dùng, sẽ không cần phải kiểm tra xem một đại lý có thể thực hiện một nhiệm vụ hay không vì đại lý có thể tự xác định điều đó.

Bitcoin và AI Agents

Vào tháng 7 năm 2023, Lightning Labsđã triển khai một bản thử nghiệm thực hiện việc sử dụng Đại lý trên Lightning Network gọi là Bộ sản phẩm Bitcoin LangChain. Sản phẩm này đặc biệt thú vị vì mục tiêu của nó là giải quyết một vấn đề ngày càng phát triển trong thế giới web 2 – gatedvàđắtKhóa API cho ứng dụng web.

LangChain giải quyết vấn đề này bằng cách cung cấp cho các nhà phát triển một bộ công cụ cho phép các đại lý mua, bán và giữ Bitcoin, cũng như truy vấn khóa API và gửi các khoản thanh toán nhỏ. Trái với các phương tiện thanh toán truyền thống, các khoản thanh toán nhỏ đều có chi phí cản trở do phí, trên Lightning Network, các đại lý có thể gửi các khoản thanh toán nhỏ không giới hạn hàng ngày với mức phí tối thiểu. Khi kết hợp với khung API được đo lường bằng máy đo thanh toán L402 của LangChain, điều này có thể cho phép các công ty điều chỉnh phí truy cập vào API của họ khi việc sử dụng tăng và giảm, thay vì đặt một tiêu chuẩn duy nhất gây cản trở chi phí.

Trong một tương lai nơi hoạt động trên chuỗi được thống trị bởi các đại lý tương tác với nhau, điều như vậy sẽ cần thiết để đảm bảo các đại lý có thể tương tác với nhau một cách không gây chi phí cản trở. Đây là một ví dụ sớm về cách sử dụng các đại lý trên các con đường thanh toán không cần phê duyệt và tiết kiệm chi phí mở ra các khả năng cho các thị trường mới và tương tác kinh tế.

Outlook

Không gian của các đại lý vẫn còn non nớt. Các dự án chỉ mới bắt đầu triển khai các đại lý hoạt động có thể xử lý các công việc đơn giản bằng cơ sở hạ tầng của họ - thường chỉ dành cho các nhà phát triển và người dùng tinh hoa. Tuy nhiên, theo thời gian, một trong những ảnh hưởng lớn nhất mà các đại lý AI sẽ gây ra đối với tiền điện tử là cải thiện UX trên tất cả các phân ngành. Việc thực hiện giao dịch sẽ bắt đầu di chuyển từ truy cập và nhấp chuột sang dựa trên văn bản, với người dùng có khả năng tương tác với các đại lý trên chuỗi thông qua LLMs. Đội ngũ như Ví Dawnđang giới thiệu ví trò chuyện cho người dùng tương tác trên chuỗi.

Ngoài ra, không rõ cách các đại lý có thể hoạt động trong web 2 nơi hệ thống thanh toán tài chính phụ thuộc vào các cơ sở ngân hàng được quy định không hoạt động 24/7 và không thể thực hiện giao dịch qua biên giới một cách liền mạch. Lyn Alden đã nhấn mạnh, đường ray tiền điện tử đặc biệt hấp dẫn so với thẻ tín dụng do thiếu khoản bồi hoàn và khả năng xử lý các giao dịch vi mô. Tuy nhiên, nếu các đại lý trở thành một phương tiện giao dịch phổ biến hơn, có khả năng các nhà cung cấp và ứng dụng thanh toán hiện tại sẽ nhanh chóng triển khai cơ sở hạ tầng cần thiết để họ hoạt động trên các đường ray tài chính hiện có, giảm thiểu một số lợi ích của việc sử dụng tiền điện tử.

Hiện tại, các đại lý có khả năng bị hạn chế chỉ trong các giao dịch tiền điện tử tới tiền điện tử xác định nơi đầu ra cụ thể được đảm bảo cho đầu vào cụ thể. Cả hai mô hình, điều chỉnh khả năng của các đại lý này để tìm ra cách thực hiện các nhiệm vụ phức tạp, và các công cụ, mở rộng phạm vi của những gì họ có thể đạt được, đều đòi hỏi phát triển tiếp theo. Để các đại lý tiền điện tử trở nên hữu ích bên ngoài các trường hợp sử dụng tiền điện tử trên chuỗi mới sẽ đòi hỏi tích hợp và chấp nhận rộng hơn của tiền điện tử như một hình thức thanh toán cũng như sự rõ ràng về quy định. Tuy nhiên, khi những thành phần này phát triển, các đại lý sẽ trở thành một trong những người tiêu thụ lớn nhất của giải pháp tính toán phân tán và zkML được thảo luận ở trên, hoạt động theo cách tự động không xác định để nhận và giải quyết bất kỳ nhiệm vụ nào.

Kết luận

Trí tuệ nhân tạo giới thiệu vào tiền điện tử những đổi mới hoàn toàn giống như những gì chúng ta đã thấy đang diễn ra trong web2, nâng cao mọi thứ từ phát triển cơ sở hạ tầng đến trải nghiệm người dùng và tính sẵn có. Tuy nhiên, các dự án vẫn còn ở giai đoạn sớm của sự phát triển và tích hợp tiền điện tử và trí tuệ nhân tạo trong thời gian gần sẽ chủ yếu được chiếm đầu bởi tích hợp offchain.

Các sản phẩm như Copilotsẽ“10 lần”hiệu suất phát triển, vớilớp 1svàDeFicác ứng dụng đã triển khai nền tảng phát triển hỗ trợ AI trong đối tác với các tập đoàn lớn như Microsoft. Các công ty như Cub3.aivàMáy thử nghiệmđã phát triển tích hợp AI cho việc kiểm tra hợp đồng thông minh và theo dõi mối đe dọa thời gian thực để tăng cường an ninh trên chuỗi. Và chatbot LLM đang được đào tạo bằng dữ liệu trên chuỗi, tài liệu giao thức và ứng dụng để cung cấp cho người dùng khả năng tiếp cận và trải nghiệm người dùng tốt hơn.

Đối với các tích hợp tiên tiến hơn thực sự tận dụng các công nghệ cơ bản của tiền điện tử, thách thức vẫn là chứng minh rằng triển khai các giải pháp AI trên chuỗi là vừa kỹ thuật và kinh tế có khả năng ở quy mô lớn. Các tiến triển trong tính toán phi tập trung, zkML và AI Agents chỉ ra các lĩnh vực tiềm năng mà đang đặt nền móng cho một tương lai trong đó tiền điện tử và AI được liên kết sâu.

Disclaimer:

1. Bài viết này được tái bản từ [dải ngân hà]. Tất cả bản quyền thuộc về tác giả gốc [Lucas Tcheyan]. Nếu có ý kiến ​​phản đối về việc tái in này, vui lòng liên hệ với Cổng họcđội, và họ sẽ xử lý nhanh chóng.
2. Miễn Trừ Trách Nhiệm: Các quan điểm và ý kiến được thể hiện trong bài viết này chỉ thuộc về 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 có ghi chú, việc sao chép, phân phối hoặc đạo văn bản dịch là không được phép.