Báo cáo toàn cảnh về Web3-AI: Phân tích sâu về logic công nghệ, ứng dụng trong các tình huống và các dự án hàng đầu
Với sự gia tăng liên tục của câu chuyện AI, ngày càng nhiều sự chú ý tập trung vào lĩnh vực này. Bài viết này phân tích sâu về logic công nghệ, các kịch bản ứng dụng và các dự án tiêu biểu trong lĩnh vực Web3-AI, để mang đến cho bạn cái nhìn toàn cảnh 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, câu chuyện AI đã trở nên cực kỳ phổ biến trong ngành Web3, các dự án AI như nấm mọc 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 của họ, và kinh tế token cơ bản không có mối liên hệ thực sự với sản phẩm AI, vì vậy các dự án này không nằm trong cuộc thảo luận về các dự án Web3-AI trong bài viết này.
Nội dung chính của bài viết này là sử dụng blockchain để giải quyết vấn đề quan hệ sản xuất, AI giải quyết vấn đề năng suất trong các dự án. Những dự án này cung cấp sản phẩm AI và đồng thời dựa trên mô hình kinh tế Web3 như một công cụ quan hệ sản xuất, hai yếu tố này 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, bài viết sẽ giới thiệu quá trình phát triển và thách thức của AI, cũng như cách kết hợp Web3 và AI để hoàn hảo giải quyết vấn đề và tạo ra các tình huống ứng dụng mới.
1.2 Quy 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 thông minh của con người. Nó có khả năng cho phép máy tính thực hiện nhiều nhiệm vụ phức tạp khác nhau, từ dịch ngôn ngữ, phân loại hình ảnh đến nhận diện khuôn mặt, lái xe tự động và nhiều ứng dụng khác, AI đang thay đổi cách chúng ta sống và làm việc.
Quá trình phát triển mô hình trí tuệ nhân tạo thường bao gồm các bước chính sau: thu thập dữ liệu và tiền xử lý dữ liệu, lựa chọn và tinh chỉnh mô hình, huấn luyện và suy diễn mô hình. Lấy một ví dụ đơn giản, để phát triển một mô hình nhằm phân loại hình ảnh của mèo và chó, bạn cần:
Thu thập dữ liệu và tiền xử lý dữ liệu: Thu thập bộ dữ liệu hình ảnh bao gồm mèo và chó, có thể sử dụng bộ dữ liệu công khai hoặc tự thu thập dữ liệu thực. Sau đó, đánh dấu danh mục 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 bộ dữ liệu thành tập huấn luyện, tập xác thực và tập kiểm tra.
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 các nhiệm vụ phân loại hình ảnh. Tinh chỉnh các tham số hoặc kiến trúc của mô hình theo nhu cầu khác nhau, thường thì độ sâu của các lớp mạng có thể điều chỉnh theo độ phức tạp của nhiệm vụ AI. Trong ví dụ phân loại đơn giản này, một mạng nông hơn có thể là đủ.
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.
Suy diễn mô hình: Tập tin đã được huấn luyện của mô hình thường được gọi là trọng số của mô hình, quá trình suy diễn chỉ 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 sử dụng độ chính xác, tỷ lệ hồi phục, điểm F1 và các chỉ số khác để đánh giá hiệu quả của mô hình.
Như hình minh họa, sau khi thu thập dữ liệu và tiền xử lý dữ liệu, chọn và điều chỉnh mô hình, mô hình đã được đào tạo sẽ được suy luận trên tập kiểm tra để đưa ra giá trị dự đoán của mèo và chó P (xác suất), tức là xác suất mà mô hình suy luận ra là mèo hoặc chó.
Mô hình AI đã được đào tạo có thể được tích hợp thêm vào nhiều ứng dụng khác nhau, thực hiện các nhiệm vụ khác nhau. Trong ví dụ này, mô hình AI phân loại mèo và chó có thể được tích hợp vào một ứng dụng di động, người dùng tải lên hình ảnh của mèo hoặc chó, và sẽ nhận được kết quả phân loại.
Tuy nhiên, quá trình phát triển AI tập trung gặp một số vấn đề trong các tình huống sau:
Quyền riêng tư của người dùng: Trong các tình huống tập trung, quá trình phát triển AI thường không minh bạch. Dữ liệu người dùng có thể bị đánh cắp mà không được biết và được sử dụng cho việc đào tạo AI.
Nguồn dữ liệu: Các nhóm nhỏ hoặc cá nhân có thể gặp phải những hạn chế về việc không mở nguồn dữ liệu khi thu thập dữ liệu trong các lĩnh vực cụ thể (như dữ liệu y tế).
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 tiêu tốn 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 kinh tế đáng kể.
Doanh thu tài sản AI: Những người làm công việc gán nhãn dữ liệu thường không thể đạt được thu nhập tương xứng với công sức bỏ ra, trong khi 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 mối quan hệ sản xuất mới, tự nhiên phù hợp với AI đại diện cho năng lực sản xuất mới, từ đó thúc đẩy sự tiến bộ đồng thời của công nghệ và năng lực sản xuất.
1.3 Tác động tương 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 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 giữa thế giới Web3 và công nghệ AI còn 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 đón nhận một hệ thống kinh tế hợp tác hoàn toàn mới. Quyền riêng tư dữ liệu của con người có thể được bảo vệ, mô hình dữ liệu crowdsourcing thúc đẩy sự tiến bộ của mô hình AI, nhiều tài nguyên AI mã nguồn mở có sẵn cho người dùng, và sức mạnh tính toán chia sẻ có thể được tiếp cận với chi phí thấp hơn. Nhờ vào cơ chế crowdsourcing hợp tác phi tập trung và thị trường AI mở, có thể đạt được một hệ thống phân phối thu nhập công bằng, từ đó khuyến khích nhiều người hơn tham gia vào việc thúc đẩy sự tiến bộ của công nghệ AI.
Trong bối cảnh Web3, AI có thể tạo ra tác động tích cực trong 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 công việc trong các tình huống ứng dụng khác nhau, chẳng hạn 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 NFT của riêng họ, mà còn có thể tạo ra nhiều cảnh game đa dạng và trải nghiệm tương tác thú vị trong GameFi. Hệ thống hạ tầng phong phú cung cấp trải nghiệm phát triển mượt mà, cho dù 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, Đánh giá 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 như hình dưới đây, bao gồm tầng cơ sở hạ tầng, tầng trung gian và tầng ứng dụng, mỗi tầng lại được chia thành các phân khúc khác nhau. Ở chương tiếp theo, chúng tôi sẽ phân tích sâu một số dự án tiêu biểu.
Lớp hạ tầng bao gồm các tài nguyên tính toán và kiến trúc công nghệ hỗ trợ hoạt động của toàn bộ vòng đời AI, lớp trung gian thì bao gồm quản lý dữ liệu, phát triển mô hình và dịch vụ kiểm chứng suy luận kết nối hạ tầng với ứng dụng, trong khi lớp ứng dụng thì tập trung vào các ứng dụng và giải pháp trực tiếp hướng đến người dùng.
Cấp độ hạ tầng:
Lớp hạ tầng là nền tảng của vòng đời AI, bài viết này phân loại sức mạnh tính toán, AI Chain và nền tảng phát triển thành lớp hạ tầng. Chính nhờ sự hỗ trợ của những hạ tầng này mà có thể thực hiện việc huấn luyện và suy diễn mô hình AI, đồng thời mang đến cho người dùng những ứng dụng AI mạnh mẽ và thực tiễn.
Mạng lưới tính toán phi tập trung: có thể cung cấp sức mạnh tính toán phân tán cho việc huấn luyện mô hình AI, đảm bảo việc sử dụng tài nguyên tính toán hiệu quả và tiết kiệm chi phí. 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 những cách chơi mới, như Compute Labs, đã đề xuất một giao thức token hóa, người dùng thông qua việc mua NFT đại diện cho GPU vật lý, có thể tham gia thuê sức mạnh tính toán theo nhiều cách khác nhau để nhận lợi nhuận.
AI Chain: Sử dụng blockchain làm nền tảng cho vòng đời AI, cho phép 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 các tài sản AI như dữ liệu, mô hình, đại lý, v.v., và cung cấp khung phát triển AI cùng với các công cụ phát triển hỗ trợ, đại diện cho dự án như Sahara AI. AI Chain cũng có thể thúc đẩy tiến bộ công nghệ AI trong các lĩnh vực khác nhau, chẳng hạn như Bittensor thông qua cơ chế khuyến khích subnet sáng tạo để thúc đẩy sự cạnh tranh giữa các loại subnet AI khác nhau.
Nền tảng phát triển: Một số dự án cung cấp nền tảng phát triển AI đại lý, còn có thể thực hiện giao dịch AI đại lý, như Fetch.ai và ChainML. Các công cụ một điểm đến giúp các nhà phát triển dễ dàng hơn trong việc tạo, đào tạo và triển khai 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 luận và xác minh, việc áp dụng công nghệ Web3 có thể đạt được hiệu suất làm việc cao hơn.
Dữ liệu: Chất lượng và số lượng dữ liệu là yếu tố chính ảnh hưởng đến hiệu quả đào tạo mô hình. Trong thế giới Web3, thông qua dữ liệu crowdsourcing và xử lý dữ liệu hợp tác, có thể tối ưu hóa việc sử dụng tài nguyên và giảm chi phí dữ liệu. Người dùng có quyền sở hữu dữ liệu của mình, có thể bán dữ liệu của mình trong điều kiện bảo vệ quyền riêng tư, nhằm tránh việc dữ liệu bị các thương gia xấu lợi dụng và thu lợi nhuận cao. Đối với bên có nhu cầu dữ liệu, các nền tảng này cung cấp nhiều lựa chọn và chi phí cực kỳ thấp. Các dự án tiêu biểu như Grass sử dụng băng thông của người dùng để thu thập dữ liệu Web, xData thông qua các plugin thân thiện với người dùng để thu thập thông tin truyền thông, 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 chú thích hình ảnh, phân loại dữ liệu, những nhiệm vụ này có thể yêu cầu kiến thức chuyên môn trong việc xử lý dữ liệu tài chính và pháp lý, người dùng có thể biến kỹ năng thành tài sản, thực hiện hợp tác crowdsourcing cho tiền xử lý dữ liệu. Đại diện như thị trường AI của Sahara AI, với các nhiệm vụ dữ liệu từ nhiều lĩnh vực khác nhau, có thể bao phủ nhiều kịch bản dữ liệu đa lĩnh vực; trong khi AIT Protocol thực hiện việc chú thích dữ liệu bằng cách 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 phù hợp với mô hình thích hợp. Các mô hình thường được sử dụng cho nhiệm vụ hình ảnh như CNN, GAN; đối với nhiệm vụ phát hiện đối tượng, có thể chọn chuỗi Yolo; cho các nhiệm vụ văn bản, các mô hình thường gặp là RNN, Transformer, và tất nhiên còn có một số mô hình lớn đặc thù 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 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 phương pháp 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 và lớp phân phối để tối ưu hóa mô hình, công cụ phát triển do Sahara AI cung cấp tích hợp các thuật toán AI tiên tiến và khung tính toán, đồng thời có khả năng đào tạo hợp tác.
Suy diễn và xác minh: Mô hình sau khi được đào tạo sẽ tạo ra các tệp trọng số mô hình, có thể được sử dụng trực tiếp 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 minh, để xác minh nguồn gốc của mô hình suy diễn có đúng hay không, có hành vi độc hại hay không, v.v. Suy diễn trong Web3 thường có thể được tích hợp vào hợp đồng thông minh, thông qua việc gọi mô hình để thực hiện suy diễn, các phương pháp xác minh phổ biến bao gồm công nghệ ZKML, OPML và TEE. Các dự án đại diện như AI oracle trên chuỗi ORA (OAO) đã giới thiệu OPML như một lớp có thể xác minh cho oracle AI, trên trang web chính thức của ORA cũng 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, tạo ra nhiều cách chơi thú vị và đổi mới hơn. Bài viết này chủ yếu tóm tắt các dự án trong một số lĩnh vực như AIGC (Nội dung do AI tạo ra), đại lý AI và phân tích dữ liệu.
Trang này có thể chứa nội dung của bên thứ ba, được cung cấp chỉ nhằm mục đích thông tin (không phải là tuyên bố/bảo đảm) và không được coi là sự chứng thực cho quan điểm của Gate hoặc là lời khuyên về tài chính hoặc chuyên môn. Xem Tuyên bố từ chối trách nhiệm để biết chi tiết.
10 thích
Phần thưởng
10
6
Chia sẻ
Bình luận
0/400
DiamondHands
· 3giờ trước
整天看 không懂 就知道 chơi đùa với mọi người chơi đùa với mọi người...
Xem bản gốcTrả lời0
GasFeeSobber
· 21giờ trước
Có thật sự có thứ gì đó từ AI không...
Xem bản gốcTrả lời0
LightningLady
· 21giờ trước
Cứ cứng rắn mà làm thôi, dù sao thì nhà đầu tư cũng không hiểu.
Xem bản gốcTrả lời0
AltcoinAnalyst
· 21giờ trước
Từ dữ liệu và chỉ số kỹ thuật, 74% các dự án Web3 đều đang tận dụng khái niệm AI, phân bố TVL có xu hướng lệch trái... khuyên nên xem xét chặt chẽ tính tự nhất quán của mô hình kinh tế Token, cảnh giác với các dự án giả AI.
Xem bản gốcTrả lời0
RektCoaster
· 21giờ trước
Một trò lừa đảo web3 và ai nữa thôi, Được chơi cho Suckers.
Toàn cảnh Web3-AI: Phân tích sâu về logic tích hợp công nghệ và các dự án hàng đầu
Báo cáo toàn cảnh về Web3-AI: Phân tích sâu về logic công nghệ, ứng dụng trong các tình huống và các dự án hàng đầu
Với sự gia tăng liên tục của câu chuyện AI, ngày càng nhiều sự chú ý tập trung vào lĩnh vực này. Bài viết này phân tích sâu về logic công nghệ, các kịch bản ứng dụng và các dự án tiêu biểu trong lĩnh vực Web3-AI, để mang đến cho bạn cái nhìn toàn cảnh 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, câu chuyện AI đã trở nên cực kỳ phổ biến trong ngành Web3, các dự án AI như nấm mọc 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 của họ, và kinh tế token cơ bản không có mối liên hệ thực sự với sản phẩm AI, vì vậy các dự án này không nằm trong cuộc thảo luận về các dự án Web3-AI trong bài viết này.
Nội dung chính của bài viết này là sử dụng blockchain để giải quyết vấn đề quan hệ sản xuất, AI giải quyết vấn đề năng suất trong các dự án. Những dự án này cung cấp sản phẩm AI và đồng thời dựa trên mô hình kinh tế Web3 như một công cụ quan hệ sản xuất, hai yếu tố này 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, bài viết sẽ giới thiệu quá trình phát triển và thách thức của AI, cũng như cách kết hợp Web3 và AI để hoàn hảo giải quyết vấn đề và tạo ra các tình huống ứng dụng mới.
1.2 Quy 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 thông minh của con người. Nó có khả năng cho phép máy tính thực hiện nhiều nhiệm vụ phức tạp khác nhau, từ dịch ngôn ngữ, phân loại hình ảnh đến nhận diện khuôn mặt, lái xe tự động và nhiều ứng dụng khác, AI đang thay đổi cách chúng ta sống và làm việc.
Quá trình phát triển mô hình trí tuệ nhân tạo thường bao gồm các bước chính sau: thu thập dữ liệu và tiền xử lý dữ liệu, lựa chọn và tinh chỉnh mô hình, huấn luyện và suy diễn mô hình. Lấy một ví dụ đơn giản, để phát triển một mô hình nhằm phân loại hình ảnh của mèo và chó, bạn cần:
Thu thập dữ liệu và tiền xử lý dữ liệu: Thu thập bộ dữ liệu hình ảnh bao gồm mèo và chó, có thể sử dụng bộ dữ liệu công khai hoặc tự thu thập dữ liệu thực. Sau đó, đánh dấu danh mục 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 bộ dữ liệu thành tập huấn luyện, tập xác thực và tập kiểm tra.
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 các nhiệm vụ phân loại hình ảnh. Tinh chỉnh các tham số hoặc kiến trúc của mô hình theo nhu cầu khác nhau, thường thì độ sâu của các lớp mạng có thể điều chỉnh theo độ phức tạp của nhiệm vụ AI. Trong ví dụ phân loại đơn giản này, một mạng nông hơn có thể là đủ.
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.
Suy diễn mô hình: Tập tin đã được huấn luyện của mô hình thường được gọi là trọng số của mô hình, quá trình suy diễn chỉ 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 sử dụng độ chính xác, tỷ lệ hồi phục, điểm F1 và các chỉ số khác để đánh giá hiệu quả của mô hình.
Như hình minh họa, sau khi thu thập dữ liệu và tiền xử lý dữ liệu, chọn và điều chỉnh mô hình, mô hình đã được đào tạo sẽ được suy luận trên tập kiểm tra để đưa ra giá trị dự đoán của mèo và chó P (xác suất), tức là xác suất mà mô hình suy luận ra là mèo hoặc chó.
Mô hình AI đã được đào tạo có thể được tích hợp thêm vào nhiều ứng dụng khác nhau, thực hiện các nhiệm vụ khác nhau. Trong ví dụ này, mô hình AI phân loại mèo và chó có thể được tích hợp vào một ứng dụng di động, người dùng tải lên hình ảnh của mèo hoặc chó, và sẽ nhận được kết quả phân loại.
Tuy nhiên, quá trình phát triển AI tập trung gặp một số vấn đề trong các tình huống sau:
Quyền riêng tư của người dùng: Trong các tình huống tập trung, quá trình phát triển AI thường không minh bạch. Dữ liệu người dùng có thể bị đánh cắp mà không được biết và được sử dụng cho việc đào tạo AI.
Nguồn dữ liệu: Các nhóm nhỏ hoặc cá nhân có thể gặp phải những hạn chế về việc không mở nguồn dữ liệu khi thu thập dữ liệu trong các lĩnh vực cụ thể (như dữ liệu y tế).
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 tiêu tốn 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 kinh tế đáng kể.
Doanh thu tài sản AI: Những người làm công việc gán nhãn dữ liệu thường không thể đạt được thu nhập tương xứng với công sức bỏ ra, trong khi 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 mối quan hệ sản xuất mới, tự nhiên phù hợp với AI đại diện cho năng lực sản xuất mới, từ đó thúc đẩy sự tiến bộ đồng thời của công nghệ và năng lực sản xuất.
1.3 Tác động tương 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 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 giữa thế giới Web3 và công nghệ AI còn 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 đón nhận một hệ thống kinh tế hợp tác hoàn toàn mới. Quyền riêng tư dữ liệu của con người có thể được bảo vệ, mô hình dữ liệu crowdsourcing thúc đẩy sự tiến bộ của mô hình AI, nhiều tài nguyên AI mã nguồn mở có sẵn cho người dùng, và sức mạnh tính toán chia sẻ có thể được tiếp cận với chi phí thấp hơn. Nhờ vào cơ chế crowdsourcing hợp tác phi tập trung và thị trường AI mở, có thể đạt được một hệ thống phân phối thu nhập công bằng, từ đó khuyến khích nhiều người hơn tham gia vào việc thúc đẩy sự tiến bộ của công nghệ AI.
Trong bối cảnh Web3, AI có thể tạo ra tác động tích cực trong 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 công việc trong các tình huống ứng dụng khác nhau, chẳng hạn 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 NFT của riêng họ, mà còn có thể tạo ra nhiều cảnh game đa dạng và trải nghiệm tương tác thú vị trong GameFi. Hệ thống hạ tầng phong phú cung cấp trải nghiệm phát triển mượt mà, cho dù 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, Đánh giá 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 như hình dưới đây, bao gồm tầng cơ sở hạ tầng, tầng trung gian và tầng ứng dụng, mỗi tầng lại được chia thành các phân khúc khác nhau. Ở chương tiếp theo, chúng tôi sẽ phân tích sâu một số dự án tiêu biểu.
Lớp hạ tầng bao gồm các tài nguyên tính toán và kiến trúc công nghệ hỗ trợ hoạt động của toàn bộ vòng đời AI, lớp trung gian thì bao gồm quản lý dữ liệu, phát triển mô hình và dịch vụ kiểm chứng suy luận kết nối hạ tầng với ứng dụng, trong khi lớp ứng dụng thì tập trung vào các ứng dụng và giải pháp trực tiếp hướng đến người dùng.
Cấp độ hạ tầng:
Lớp hạ tầng là nền tảng của vòng đời AI, bài viết này phân loại sức mạnh tính toán, AI Chain và nền tảng phát triển thành lớp hạ tầng. Chính nhờ sự hỗ trợ của những hạ tầng này mà có thể thực hiện việc huấn luyện và suy diễn mô hình AI, đồng thời mang đến cho người dùng những ứng dụng AI mạnh mẽ và thực tiễn.
Mạng lưới tính toán phi tập trung: có thể cung cấp sức mạnh tính toán phân tán cho việc huấn luyện mô hình AI, đảm bảo việc sử dụng tài nguyên tính toán hiệu quả và tiết kiệm chi phí. 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 những cách chơi mới, như Compute Labs, đã đề xuất một giao thức token hóa, người dùng thông qua việc mua NFT đại diện cho GPU vật lý, có thể tham gia thuê sức mạnh tính toán theo nhiều cách khác nhau để nhận lợi nhuận.
AI Chain: Sử dụng blockchain làm nền tảng cho vòng đời AI, cho phép 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 các tài sản AI như dữ liệu, mô hình, đại lý, v.v., và cung cấp khung phát triển AI cùng với các công cụ phát triển hỗ trợ, đại diện cho dự án như Sahara AI. AI Chain cũng có thể thúc đẩy tiến bộ công nghệ AI trong các lĩnh vực khác nhau, chẳng hạn như Bittensor thông qua cơ chế khuyến khích subnet sáng tạo để thúc đẩy sự cạnh tranh giữa các loại subnet AI khác nhau.
Nền tảng phát triển: Một số dự án cung cấp nền tảng phát triển AI đại lý, còn có thể thực hiện giao dịch AI đại lý, như Fetch.ai và ChainML. Các công cụ một điểm đến giúp các nhà phát triển dễ dàng hơn trong việc tạo, đào tạo và triển khai 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 luận và xác minh, việc áp dụng công nghệ Web3 có thể đạt được hiệu suất làm việc cao hơn.
Ngoài ra, một số nền tảng cho phép các chuyên gia trong lĩnh vực hoặc người dùng thông thường thực hiện các nhiệm vụ tiền xử lý dữ liệu, chẳng hạn như chú thích hình ảnh, phân loại dữ liệu, những nhiệm vụ này có thể yêu cầu kiến thức chuyên môn trong việc xử lý dữ liệu tài chính và pháp lý, người dùng có thể biến kỹ năng thành tài sản, thực hiện hợp tác crowdsourcing cho tiền xử lý dữ liệu. Đại diện như thị trường AI của Sahara AI, với các nhiệm vụ dữ liệu từ nhiều lĩnh vực khác nhau, có thể bao phủ nhiều kịch bản dữ liệu đa lĩnh vực; trong khi AIT Protocol thực hiện việc chú thích dữ liệu bằng cách hợp tác giữa con người và máy móc.
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 phương pháp 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 và lớp phân phối để tối ưu hóa mô hình, công cụ phát triển do Sahara AI cung cấp tích hợp các thuật toán AI tiên tiến và khung tính toán, đồng thời có khả năng đào tạo hợp tác.
Lớp ứng dụng:
Lớp này chủ yếu là các ứng dụng trực tiếp hướng tới người dùng, kết hợp AI với Web3, tạo ra nhiều cách chơi thú vị và đổi mới hơn. Bài viết này chủ yếu tóm tắt các dự án trong một số lĩnh vực như AIGC (Nội dung do AI tạo ra), đại lý AI và phân tích dữ liệu.