Báo cáo toàn cảnh về đường đua Web3-AI: Phân tích sâu về logic công nghệ, ứng dụng trong thực tế và các dự án hàng đầu

Với sự gia tăng liên tục của AI trong việc kể chuyện, ngày càng nhiều sự chú ý được tập trung vào lĩnh vực này. Bài viết này sẽ phân tích sâu về logic công nghệ, các trường hợp ứng dụng và các dự án đại diện trong lĩnh vực Web3-AI, nhằm mang đến cho bạn cái nhìn tổng quát và xu hướng phát triển của ngành.

Một, Web3-AI: Phân tích logic công nghệ và cơ hội thị trường mới nổi

1.1 Logic hợp nhất Web3 và AI: Làm thế nào để xác định lĩnh vực Web-AI

Trong năm qua, câu 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, và kinh tế token cơ bản không có mối liên hệ thực chất với sản phẩm AI, do đó các dự án này không thuộc vào thảo luận về dự án Web3-AI trong bài viết này.

Nội dung của bài viết tập trung vào việc sử dụng blockchain để giải quyết vấn đề quan hệ sản xuất, các dự án sử dụng 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, cả hai bổ sung cho 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, phần dưới đây sẽ mở rộng giới thiệu về quá trình phát triển và những thách thức của AI, cũng như cách kết hợp Web3 và AI để hoàn hảo giải quyết vấn đề và tạo ra các ứng dụng mới.

1.2 Quá trình phát triển AI và những thách thức: Từ thu thập dữ liệu đến suy diễn mô hình

Công nghệ AI là một công nghệ cho phép máy tính mô phỏng, mở rộng và tăng cường trí tuệ con người. Nó có thể 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 một số bước quan trọng sau: thu thập dữ liệu và tiền xử lý dữ liệu, chọn lựa và tinh chỉnh mô hình, huấn luyện mô hình và suy diễn. Lấy một ví dụ đơn giản, để phát triển một mô hình phân loại hình ảnh mèo và chó, bạn cần:

1. 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 rằng 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.

2. 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 tác vụ phân loại hình ảnh. Điều chỉnh các tham số hoặc kiến trúc của mô hình theo các nhu cầu khác nhau, thông thường, các cấp độ mạng của mô hình 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 hơn có thể đủ.

3. Huấn luyện mô hình: Có thể sử dụng GPU, TPU hoặc cụm máy tính hiệu suất 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.

4. Suy diễn mô hình: Tập tin đã được huấn luyện của mô hình thường được gọi là trọng số mô hình, quá trình suy diễn là việc 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 được đánh giá bằng các chỉ số như độ chính xác, độ nhạy, F1-score, v.v.

Như hình đã chỉ, sau khi thu thập dữ liệu và tiền xử lý dữ liệu, lựa chọn và tối ưu hóa mô hình cũng như huấn luyện, sẽ thực hiện suy diễn mô hình đã được huấn luyện trên tập kiểm tra để đưa ra giá trị dự đoán P (xác suất) cho mèo và chó, tức là xác suất mà mô hình suy diễn ra là mèo hoặc chó.

Mô hình AI đã được đào tạo có thể được tích hợp vào nhiều ứng dụng khác nhau để 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 điện thoại, người dùng tải lên hình ảnh của mèo hoặc chó, và sau đó nhận được kết quả phân loại.

Tuy nhiên, quy trình phát triển AI tập trung gặp một số vấn đề trong các tình huống sau:

Quyền riêng tư của người dùng: Trong bối cảnh tập trung, quá trình phát triển AI thường không minh bạch. Dữ liệu người dùng có thể bị đánh cắp mà không ai biết và được sử dụng cho việc đào tạo AI.

Nguồn dữ liệu: Các nhóm nhỏ hoặc cá nhân khi thu thập dữ liệu trong các lĩnh vực cụ thể (chẳng hạn như dữ liệu y tế) có thể phải đối mặt với hạn chế về việc dữ liệu không được mở.

Lựa chọn và điều chỉnh mô hình: Đối với các nhóm nhỏ, rất khó để có được tài nguyên mô hình trong lĩnh vực cụ thể hoặc tiêu tốn một khoản chi phí lớn để điều chỉnh mô hình.

Lấy 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 nhận được thu nhập tương xứng với công sức họ bỏ ra, trong khi những kết quả nghiên cứu của các nhà phát triển AI cũng khó có thể 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 sự kết hợp với Web3, Web3 như một loại quan hệ sản xuất mới, tự nhiên thích ứng với AI đại diện cho năng lực sản xuất mới, từ đó thúc đẩy sự tiến bộ đồng thời của công nghệ và khả năng sản xuất.

1.3 Sự cộng sinh giữa Web3 và AI: Sự chuyển đổi vai trò và ứng dụng đổi mới

Web3 kết hợp với AI có thể tăng cường quyền chủ động của người dùng, cung cấp cho người dùng một nền tảng hợp tác AI mở, giúp người dùng chuyển từ người sử dụng AI của thời đại Web2 thành người tham gia, tạo ra AI mà mọi người đều có thể sở hữu. Đồng thời, sự kết hợp giữa thế giới Web3 và công nghệ AI cũng có thể tạo ra nhiều ứng dụng sáng tạo và cách chơi mới.

Dựa trên công nghệ Web3, việc phát triển và ứng dụng AI sẽ chào đón một hệ thống kinh tế hợp tác hoàn toàn mới. Quyền riêng tư dữ liệu của mọi người sẽ được đảm bảo, mô hình crowdsourcing dữ liệu sẽ thúc đẩy sự tiến bộ của các mô hình AI, nhiều tài nguyên AI mã nguồn mở sẽ có sẵn cho người dùng, và sức mạnh tính toán chia sẻ có thể được truy cập với chi phí thấp hơn. Nhờ vào cơ chế crowdsourcing hợp tác phi tập trung và thị trường AI mở, một hệ thống phân phối thu nhập công bằng có thể được thiết lập, 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 những tác động tích cực trên nhiều lĩnh vực khác nhau. Ví dụ, các mô hình AI có thể được tích hợp vào hợp đồng thông minh, nâng cao hiệu quả làm việc trong các ứng dụng khác nhau như phân tích thị trường, kiểm tra an ninh, phân cụm xã hội và nhiều chức năng khác. AI tạo sinh 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 tạo ra những bối cảnh trò chơi phong phú và đa dạng cũng như những trải nghiệm tương tác thú vị trong GameFi. Hệ thống cơ sở hạ tầng phong phú cung cấp trải nghiệm phát triển suôn sẻ, bất kể là chuyên gia AI hay những người mới muốn bước vào lĩnh vực AI đều có thể tìm thấy lối vào phù hợp trong thế giới này.

Hai, Phân tích bản đồ và cấu trúc của các dự án 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 hiển thị như hình dưới đây, bao gồm lớp cơ sở hạ tầng, lớp trung gian và lớp ứng dụng, mỗi lớp lại được chia thành các khối khác nhau. Ở chương tiếp theo, chúng tôi sẽ tiến hành phân tích độ sâu một số dự án tiêu biểu.

Lớp cơ sở hạ tầng bao gồm tài nguyên tính toán và kiến trúc công nghệ hỗ trợ cho 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 cơ sở hạ tầng với ứng dụng, lớp ứng dụng tập trung vào các loại ứng dụng và giải pháp trực tiếp phục vụ người dùng.

Cấp độ hạ tầng:

Lớp cơ sở 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 thành lớp cơ sở hạ tầng. Chính nhờ sự hỗ trợ của những cơ sở hạ tầng này mà việc đào tạo và suy luận mô hình AI có thể thực hiện, và các ứng dụng AI mạnh mẽ, thiết thực 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 đào tạo 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. Ngoài ra, một số dự án đã phát triển ra các trò chơi mới, như Compute Labs, đã đề xuất một giao thức token hóa, người dùng có thể tham gia vào việc thuê sức mạnh tính toán để thu lợi bằng cách mua NFT đại diện cho thực thể GPU.

• 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 giao dịch 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 đi kèm, đại diện cho dự án như Sahara AI. AI Chain còn có thể thúc đẩy sự tiến bộ công nghệ AI trong các lĩnh vực khác nhau, như Bittensor thông qua cơ chế khuyến khích subnet sáng tạo để thúc đẩy sự cạnh tranh giữa các loại AI khác nhau.

• Nền tảng phát triển: Một số dự án cung cấp nền tảng phát triển đại lý AI, còn có thể thực hiện giao dịch đại lý AI, như Fetch.ai và ChainML. Các công cụ một điểm đến 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 trung gian:

Lớp này liên quan đến dữ liệu AI, mô hình cũng như suy diễn 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 quan trọng ảnh hưởng đến hiệu quả đào tạo mô hình. Trong thế giới Web3, việc tối ưu hóa việc sử dụng tài nguyên và giảm chi phí dữ liệu có thể được thực hiện thông qua dữ liệu crowdsourcing và xử lý dữ liệu hợp tác. Người dùng có quyền sở hữu dữ liệu, và trong khi bảo vệ quyền riêng tư, có thể bán dữ liệu của mình để tránh bị các thương gia xấu lợi dụng và thu được lợi nhuận cao. Đối với những bên có nhu cầu dữ liệu, các nền tảng này cung cấp nhiều lựa chọn rộng rãi 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 cần kiến thức chuyên môn về các nhiệm vụ xử lý dữ liệu tài chính và pháp lý, người dùng có thể biến kỹ năng thành token, thực hiện hợp tác crowdsourcing cho việc tiền xử lý dữ liệu. Đại diện như thị trường AI của Sahara AI, có các nhiệm vụ dữ liệu trong nhiều lĩnh vực, có thể bao phủ các kịch bản dữ liệu đa lĩnh vực; trong khi AIT Protocolt thực hiện gán nhãn dữ liệu thông qua sự hợp tác giữa con người và máy móc.

• Mô hình: Trong quá trình phát triển AI đã được đề cập trước đó, các loại nhu cầu khác nhau cần phải phù hợp với các mô hình thích hợp. Các mô hình thường được sử dụng cho nhiệm vụ hình ảnh như CNN, GAN; cho nhiệm vụ phát hiện đối tượng có thể chọn series Yolo; các nhiệm vụ văn bản thường thấy là các mô hình như RNN, Transformer, 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 phải tinh 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 hình thức crowdsourcing, chẳng hạn như Sentient với thiết kế mô-đun, cho phép người dùng lưu trữ dữ liệu mô hình đáng tin cậy ở lớp lưu trữ, lớp phân phối để tối ưu hóa mô hình, công cụ phát triển do Sahara AI cung cấp được tích hợp các thuật toán AI tiên tiến và khung tính toán, và có khả năng đào tạo hợp tác.

• Suy diễn và xác thực: Mô hình sau khi được đào tạo 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 diễn. Quá trình suy diễn thường đi kèm với cơ chế xác thực, để xác minh nguồn gốc của mô hình suy diễn có chính xác hay không, có hành vi độc hại hay không, v.v. Suy diễn Web3 thường có thể được tích hợp trong hợp đồng thông minh, thông qua việc gọi mô hình để thực hiện suy diễn, các phương pháp xác thực phổ biến bao gồm ZKML, OPML và TEE, v.v. Các dự án đại diện như ORA chuỗi AI tiên tri (OAO), đã đưa OPML vào như một lớp xác thực cho AI tiên tri, trên trang web chính thức của ORA còn đề cập đến nghiên cứu của họ về ZKML và opp/ai (ZKML kết hợp với OPML).

Lớp ứng dụng:

Lớp này chủ yếu là các ứng dụng trực tiếp hướng tới người dùng, kết hợp AI với Web3.