Báo cáo toàn cảnh về lĩnh vực Web3-AI: Phân tích sâu sắc về logic công nghệ, ứng dụng trong các tình huống và các dự án hàng đầu

Với sự gia tăng liên tục của việc kể chuyện bằng AI, ngày càng nhiều sự chú ý được tập trung vào lĩnh vực này. Đã tiến hành phân tích sâu về logic công nghệ, các tình huống ứng dụng và các dự án đại diện trong lĩnh vực Web3-AI, nhằm trình bày toàn diện về bức tranh và xu hướng phát triển trong lĩnh vực này.

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, kể chuyện AI đã bùng nổ 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, kinh tế token cơ bản không có mối liên hệ thực chất với sản phẩm AI, do đó những dự án này không thuộc phạm vi thảo luận về dự án Web3-AI trong bài viết này.

Bài viết này 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 lao động, những dự án này tự cung cấp sản phẩm AI, đồng thời dựa trên mô hình kinh tế Web3 như một công cụ quan hệ sản xuất, hai bên hỗ trợ lẫn nhau. Chúng tôi phân loại các dự án này vào lĩnh vực Web3-AI. Để giúp độc giả hiểu rõ hơn về lĩnh vực Web3-AI, sẽ có phần giới thiệu về quy trình phát triển AI và những thách thức, cùng với cách kết hợp Web3 và AI hoàn hảo để giải quyết vấn đề và tạo ra các tình huống ứng dụng mới.

1.2 Quá trình phát triển AI và thách thức: từ thu thập dữ liệu đến suy luận mô hình

Công nghệ AI là một công nghệ cho phép máy tính mô phỏng, mở rộng và nâng cao trí thông minh của con người. Nó có khả năng giúp máy tính thực hiện nhiều nhiệm vụ phức tạp khác nhau, từ dịch ngôn ngữ, phân loại hình ảnh đến nhận diện khuôn mặt, lái xe tự động và nhiều ứng dụng khác, AI đang thay đổi cách chúng ta sống và làm việc.

Quá trình phát triển mô hình trí tuệ nhân tạo thường bao gồm các bước quan trọng sau: thu thập dữ liệu và tiền xử lý dữ liệu, chọn lựa và tinh chỉnh mô hình, đào tạo mô hình và suy diễn. Lấy một ví dụ đơn giản, để phát triển một mô hình nhằm phân loại hình ảnh của mèo và chó, bạn cần:

1. Thu thập dữ liệu và tiền xử lý dữ liệu: Thu thập tập dữ liệu hình ảnh bao gồm mèo và chó, có thể sử dụng tập dữ liệu công khai hoặc tự thu thập dữ liệu thực. Sau đó gán nhãn cho mỗi hình ảnh (mèo hoặc chó), đảm bảo nhãn chính xác. Chuyển đổi hình ảnh thành định dạng mà mô hình có thể nhận diện, chia tập dữ liệu thành tập huấn luyện, tập xác thực và tập kiểm tra.

2. Lựa chọn và tinh chỉnh mô hình: Chọn mô hình phù hợp, chẳng hạn như mạng nơ-ron tích chập (CNN), thường phù hợp cho nhiệm vụ phân loại hình ảnh. Tinh chỉnh các tham số hoặc kiến trúc của mô hình theo nhu cầu khác nhau, thông thường, mức độ mạng của mô hình có thể được điều chỉnh theo độ phức tạp của nhiệm vụ AI. Trong ví dụ phân loại đơn giản này, mức độ 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 thử nghiệm hiệu quả phân loại của mô hình, thường được đánh giá bằng các chỉ số như độ chính xác, độ hồi phục, F1-score.

Như hình đã chỉ, sau khi thu thập dữ liệu và tiền xử lý dữ liệu, lựa chọn và tinh chỉnh mô hình cũng như đào tạo, việc suy diễn mô hình đã được đào tạo trên tập kiểm tra sẽ 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 di động, người dùng tải lên hình ảnh của mèo hoặc chó, và có thể nhận được kết quả phân loại.

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

Quyền riêng tư của người dùng: Trong các tình huống tập trung, quá trình phát triển AI thường không minh bạch. Dữ liệu người dùng có thể bị đánh cắp mà không 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 lĩnh vực cụ thể (như dữ liệu y tế) có thể gặp phải giới hạn không mở nguồn dữ liệu.

Lựa chọn và tinh chỉnh mô hình: Đối với các nhóm nhỏ, rất khó để có được tài nguyên mô hình trong lĩnh vực cụ thể hoặc chi nhiều chi phí cho việc tinh chỉnh mô hình.

Lấy sức mạnh tính toán: Đối với các nhà phát triển cá nhân và đội nhóm nhỏ, chi phí mua GPU cao và phí thuê sức mạnh tính toán trên đám mây có thể tạo ra gánh nặng tài chính đáng kể.

Thu nhập từ tài sản AI: Người làm việc gán nhãn dữ liệu thường không thể nhận được thu nhập tương xứng với công sức bỏ ra, trong khi kết quả nghiên cứu của các nhà phát triển AI cũng khó lòng phù hợp với những người mua có nhu cầu.

Những thách thức tồn tại trong bối cảnh AI trung tâm 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, qua đó thúc đẩy sự tiến bộ đồng thời của công nghệ và năng lực sản xuất.

1.3 Hiệu ứng hợp tác giữa Web3 và AI: Sự chuyển đổi vai trò và ứng dụng đổi mới

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

Dựa trên công nghệ Web3, sự phát triển và ứng dụng của AI sẽ chào đón một hệ thống kinh tế hợp tác hoàn toàn mới. Quyền riêng tư dữ liệu của mọi người có thể được bảo vệ, mô hình crowdsourcing dữ liệu thúc đẩy sự tiến bộ của mô hình AI, nhiều nguồn tài nguyên AI mã nguồn mở có sẵn cho người dùng, và sức mạnh tính toán chia sẻ có thể được thu được với chi phí thấp hơn. Nhờ vào cơ chế hợp tác crowdsourcing phi tập trung và thị trường AI mở, có thể đạt được hệ thống phân phối thu nhập công bằng, từ đó khuyến khích nhiều người hơn để thúc đẩy sự tiến bộ của công nghệ AI.

Trong bối cảnh Web3, AI có thể tạo ra ảnh hưởng tích cực trong nhiều lĩnh vực. Ví dụ, các mô hình AI có thể được tích hợp vào hợp đồng thông minh, nâng cao hiệu quả công việc trong các tình huống ứng dụng khác nhau, chẳng hạn như phân tích thị trường, phát hiện an ninh, phân nhóm xã hội và nhiều chức năng khác. AI tạo sinh không chỉ cho phép người dùng trải nghiệm vai trò "nghệ sĩ", như việc sử dụng công nghệ AI để tạo ra NFT của riêng mình, mà còn có thể tạo ra những cảnh game phong phú và đa dạng cùng những trải nghiệm tương tác thú vị trong GameFi. Hệ thống hạ tầng phong phú cung cấp trải nghiệm phát triển suôn sẻ, bất kể là chuyên gia AI hay 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 kiến trúc của dự án hệ sinh thái Web3-AI

Chúng tôi chủ yếu nghiên cứu 41 dự án trong lĩnh vực Web3-AI và phân loại những dự án này thành các cấp độ khác nhau. Logic phân chia cho mỗi cấp độ như hình dưới đây cho thấy, bao gồm lớp hạ tầng, lớp trung gian và lớp ứng dụng, mỗi lớp lại được chia thành các lĩnh vực khác nhau. Trong chương tiếp theo, chúng tôi sẽ phân tích sâu một số dự án tiêu biểu.

Lớp hạ tầng bao gồm các tài nguyên tính toán và kiến trúc công nghệ hỗ trợ cho toàn bộ vòng đời AI, lớp trung gian bao gồm quản lý dữ liệu, phát triển mô hình và dịch vụ xác minh suy luận kết nối hạ tầng với ứng dụng, trong khi lớp ứng dụng tập trung vào các ứng dụng và giải pháp đa dạng trực tiếp hướng đến 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 là lớp cơ sở hạ tầng. Chính nhờ sự hỗ trợ của những cơ sở hạ tầng này mà việc đào tạo và suy diễn mô hình AI mới có thể được thực hiện, và các ứng dụng AI mạnh mẽ, hữu ích được trình bày cho người dùng.

• Mạng 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 nhận lợi nhuận, đại diện cho các dự án như IO.NET và Hyperbolic. Ngoài ra, một số dự án đã phát triển ra các cách thức mới, như Compute Labs, đề xuất giao thức token hóa, người dùng có thể tham gia thuê sức mạnh tính toán để nhận lợi nhuận theo nhiều cách khác nhau bằng cách mua NFT đại diện cho GPU thực.

• AI Chain: Sử dụng blockchain làm nền tảng cho vòng đời AI, đạt được sự 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 các công cụ phát triển hỗ trợ, đại diện cho các dự án như Sahara AI. AI Chain cũng có thể thúc đẩy tiến bộ công nghệ AI trong các lĩnh vực khác nhau, như Bittensor thông qua cơ chế khuyến khích mạng con đổi mới để thúc đẩy 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, cũng có thể thực hiện giao dịch đại lý AI, như Fetch.ai và ChainML. Công cụ một cửa giúp các nhà phát triển dễ dàng hơn trong việc tạo, đào tạo và triển khai các mô hình AI, đại diện cho các dự án như Nimble. Các 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 công việc cao hơn.

• Dữ liệu: Chất lượng và số lượng của dữ liệu là những yếu tố then chốt ảnh hưởng đến hiệu quả đào tạo mô hình. Trong thế giới Web3, thông qua dữ liệu crowdsourcing và xử lý dữ liệu hợp tác, có thể tối ưu hóa việc sử dụng tài nguyên và giảm chi phí dữ liệu. Người dùng có quyền tự quyết đối với dữ liệu, trong bối cảnh bảo vệ quyền riêng tư, họ có thể bán dữ liệu của mình để tránh việc dữ liệu bị các thương nhân xấu lợi dụng và thu lợi nhuận cao. Đối với những bên có nhu cầu dữ liệu, các nền tảng này cung cấp nhiều lựa chọn và chi phí cực kỳ 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 bình thường thực hiện các nhiệm vụ tiền xử lý dữ liệu, chẳng hạn như gán nhãn hình ảnh, phân loại dữ liệu, những nhiệm vụ này có thể yêu cầu kiến thức chuyên môn về xử lý dữ liệu tài chính và pháp lý, người dùng có thể mã hóa kỹ năng của mình để thực hiện việc hợp tác và crowdsourcing trong tiền xử lý dữ liệu. Đại diện như thị trường AI của Sahara AI, với các nhiệm vụ dữ liệu ở các lĩnh vực khác nhau, có thể bao phủ nhiều cảnh dữ liệu khác nhau; trong khi AIT Protocolt thực hiện việc gán nhãn dữ liệu thông qua phương pháp hợp tác giữa con người và máy móc.

• Mô hình: Trong quá trình phát triển AI đã đề cập trước đó, các loại nhu cầu khác nhau cần phải khớp với mô hình phù hợp, các mô hình thường dùng cho nhiệm vụ hình ảnh như CNN, GAN, nhiệm vụ phát hiện đối tượng có thể chọn dòng Yolo, các nhiệm vụ văn bản thường thấy là RNN, Transformer và 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 đặt dữ liệu mô hình đáng tin cậy ở tầng lưu trữ và tầng phân phối để tối ưu hóa mô hình, công cụ phát triển do Sahara AI cung cấp tích hợp các thuật toán AI tiên tiến và khung tính toán, đồng thời có khả năng đào tạo hợp tác.

• Suy luận và xác minh: Sau khi mô hình được đào tạo, nó sẽ tạo ra tệp trọng số mô hình, có thể được sử dụng để phân loại, dự đoán hoặc thực hiện các nhiệm vụ cụ thể khác, quá trình này được gọi là suy luận. Quá trình suy luận thường đi kèm với cơ chế xác minh, để xác minh nguồn gốc của mô hình suy luận có chính xác hay không, có hành vi độc hại hay không, v.v. Suy luận Web3 thường có thể được tích hợp vào hợp đồng thông minh, thông qua việc gọi mô hình để thực hiện suy luận, các phương pháp xác minh phổ biến bao gồm ZKML, OPML và TEE. Các dự án đại diện như ORA chuỗi AI dự đoán (OAO), đã giới thiệu OPML như một lớp xác minh cho AI dự đoán, trên trang web chính thức của ORA cũng đã đề cập đến nghiên cứu của họ về ZKML và opp/ai (ZKML kết hợp OPML).

Lớp ứng dụng:

Lớp này chủ yếu là ứng dụng trực tiếp hướng tới người dùng, kết hợp AI với Web3, tạo ra nhiều điều thú vị hơn.