Báo cáo toàn cảnh về lĩnh vực Web3-AI: Phân tích sâu về logic kỹ thuật, ứng dụng trong thực tế và các dự án hàng đầu
Với sự gia tăng nhiệt độ của việc kể chuyện AI, ngày càng nhiều sự chú ý được tập trung vào lĩnh vực này. Bài viết này 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 toàn cảnh và xu hướng phát triển của 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 định nghĩa lĩnh vực Web-AI
Trong năm qua, câu chuyện AI đã bùng nổ một cách bất thường 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 của họ, và kinh tế token cơ bản không có mối liên hệ thực sự với sản phẩm AI, do đó những dự án này không nằm trong thảo luận về 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, trong khi AI giải quyết vấn đề năng suất. 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 hỗ trợ lẫn nhau. Chúng tôi phân loại những dự án này vào lĩnh vực Web3-AI. Để giúp độc giả hiểu rõ hơn về lĩnh vực Web3-AI, bài viết này sẽ trình bày quá trình phát triển và những thách thức của AI, cũng như 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 những thách thức: từ việc 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 khả năng cho phép máy tính thực hiện nhiều nhiệm vụ phức tạp, từ dịch ngôn ngữ, phân loại hình ảnh cho đến nhận diện khuôn mặt, lái xe tự động và các 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, chọn lựa và điều chỉnh mô hình, huấn luyện và suy luận 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, gán nhãn cho mỗi hình ảnh với loại ( 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 điều 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. Điều chỉnh tham số hoặc kiến trúc của mô hình theo nhu cầu khác nhau, thường thì, độ sâu của mạng 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 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: Tệp đã được đào tạo của mô hình thường được gọi là trọng số mô hình, quá trình suy diễn là việc sử dụng mô hình đã được đào tạo để dự đoán hoặc phân loại dữ liệu mới. Trong quá trình này, có thể sử dụng bộ 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 hồi đáp, F1-score và các chỉ số khác để đánh giá tính hiệu quả của mô hình.
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 khi thu thập dữ liệu trong lĩnh vực cụ thể ( như dữ liệu y tế ) có thể gặp phải những hạn chế về việc dữ liệu không được mở nguồn.
Lựa chọn và điều chỉnh mô hình: Đối với các đội nhỏ, rất khó để có được tài nguyên mô hình trong lĩnh vực cụ thể hoặc tốn nhiều chi phí 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 là gánh nặng kinh tế đáng kể.
Thu nhập từ tài sản AI: Những người làm công việc gán nhãn dữ liệu thường không thể nhận được thu nhập tương xứng với công sức của họ, trong khi kết quả nghiên cứu của các nhà phát triển AI cũng khó có thể khớp với các người mua có nhu cầu.
Các 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 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 hợp tác giữa Web3 và AI: Sự chuyển đổi vai trò và ứng dụng đổi mới
Sự kết hợp giữa Web3 và AI 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 của thời đại Web2 thành người tham gia, tạo ra AI mà mọi người đều có thể sở hữu. Đồng thời, sự hội nhập giữa 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 đảm bảo, 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 thiết lập 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 những ảnh hưởng tích cực trên 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, kiểm tra 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", chẳng hạn như sử dụng công nghệ AI để tạo ra NFT của riêng mình, mà còn có thể tạo ra các cảnh game phong phú 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, Phân tích bản đồ và kiến 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 loại những dự án này thành các cấp độ khác nhau. Logic phân loại của mỗi cấp độ được thể hiện trong hình dưới đây, bao gồm tầng cơ sở hạ tầng, tầng trung gian và tầng ứng dụng, mỗi tầng lại được chia thành các khối 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 cho toàn bộ vòng đời hoạt động của 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 loại ứng dụng và giải pháp trực tiếp phục vụ người dùng.
Cấ结构 lớp:
Lớp hạ tầng là nền tảng của chu kỳ sống AI, bài viết này phân loại sức mạnh tính toán, AI Chain và nền tảng phát triển là lớp hạ tầng. Chính sự hỗ trợ của những hạ tầng này mới có thể thực hiện việc đào tạo và suy luận mô hình AI, và trình bày các ứng dụng AI mạnh mẽ, thiết thực đến tay 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 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 thu lợi, đại diện cho các dự án như IO.NET và Hyperbolic. Ngoài ra, một số dự án đã phát triển ra các cách chơi mới, chẳng hạn như Compute Labs, đã đề xuất một giao thức mã hóa, người dùng thông qua việc mua NFT đại diện cho GPU vật lý, có thể tham gia vào việc thuê sức mạnh tính toán theo nhiều cách khác nhau để thu lợi.
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 với các công cụ phát triển đi kèm, đại diện cho các dự án như Sahara AI. AI Chain cũng có thể thúc đẩy tiến bộ công nghệ AI ở các lĩnh vực khác nhau, chẳng hạn như Bittensor thông qua cơ chế khuyến khích subnet đổi mới 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 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:
Tầng 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 những yếu tố then chốt ảnh hưởng đến hiệu quả huấn luyện 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 thể sở hữu quyền tự chủ về dữ liệu, bán dữ liệu của mình trong khi bảo vệ quyền riêng tư, nhằm 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 rất thấp. Các dự án đại diện như Grass sử dụng băng thông của người dùng để thu thập dữ liệu từ 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, thực hiện hợp tác trao đổi dữ liệu. Đại diện như thị trường AI Sahara AI, với các nhiệm vụ dữ liệu thuộc nhiều lĩnh vực khác nhau, có thể bao trùm nhiều kịch bản dữ liệu; trong khi AIT Protocolt thực hiện gán nhãn dữ liệu thông qua phương pháp hợp tác giữa người và máy.
Mô hình: Trong quá trình phát triển AI đã đề cập trước đó, các loại yêu cầu khác nhau cần phải khớp với mô hình phù hợp, những mô hình thường được sử dụng cho các nhiệm vụ hình ảnh như CNN, GAN, cho nhiệm vụ phát hiện đối tượng có thể chọn dòng Yolo, các nhiệm vụ văn bản thường gặp các mô hình RNN, Transformer và còn nhiều mô hình lớn khác 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 điều chỉnh mô hình.
Một số dự án hỗ trợ người dùng cung cấp các loại mô hình khác nhau hoặc hợp tác huấn luyện mô hình thông qua hình thức crowdsourcing, chẳng hạn như Sentient thông qua 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 tích hợp các thuật toán AI tiên tiến và khung tính toán, đồng thời có khả năng huấn luyện hợp tác.
Suy diễn 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 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 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 minh phổ biến bao gồm các công nghệ ZKML, OPML và TEE. Các dự án đại diện như ORA chuỗi AI tiên tri (OAO), đã giới thiệu OPML như một lớp có thể xác minh cho AI tiên tri, trên trang web chính thức của ORA cũng đã đề cập đến nghiên cứu của họ về sự kết hợp giữa ZKML và opp/ai(ZKML kết hợp với OPML).
Lớp ứng dụng:
Tầng này chủ yếu là ứng dụng trực tiếp hướng đến người dùng, kết hợp AI với Web3, tạo ra nhiều cách chơi thú vị và sáng tạo 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.
AIGC: Bằng cách sử dụng AIGC, có thể mở rộng sang các lĩnh vực như NFT, trò chơi trong Web3, người dùng có thể trực tiếp tạo ra văn bản, hình ảnh và âm thanh thông qua Prompt( mà người dùng cung cấp, thậm chí có thể tạo ra lối chơi tùy chỉnh trong trò chơi dựa trên sở thích của mình. Các dự án NFT như NFPrompt, người dùng có thể tạo NFT bằng AI để giao dịch trên thị trường; các trò chơi như Sleepless, người dùng định hình tính cách của bạn đồng hành ảo thông qua cuộc đối thoại để phù hợp với sở thích của mình;
AI đại lý: chỉ hệ thống trí tuệ nhân tạo có khả năng tự thực hiện nhiệm vụ và đưa ra quyết định. AI đại lý thường có khả năng cảm nhận, suy luận, học hỏi và hành động, có thể thực hiện các nhiệm vụ phức tạp trong nhiều môi trường khác nhau. Các AI đại lý phổ biến như dịch ngôn ngữ, học ngôn ngữ, chuyển đổi hình ảnh thành văn bản, v.v., trong bối cảnh Web3 có thể tạo ra robot giao dịch, tạo meme, phát hiện an ninh trên chuỗi, v.v. Như MyShell là nền tảng AI đại lý, cung cấp nhiều loại đại lý khác nhau, bao gồm học tập giáo dục, bạn đồng hành ảo, đại lý giao dịch, v.v., và cung cấp công cụ phát triển đại lý thân thiện với người dùng, không cần mã để xây dựng đại lý của riêng mình.
Phân tích dữ liệu: Thông qua việc tích hợp công nghệ AI và cơ sở dữ liệu trong các lĩnh vực liên quan, để thực hiện phân tích, đánh giá, dự đoán dữ liệu, trong Web3, có thể thông qua việc phân tích dữ liệu thị trường, động thái của tiền thông minh, v.v. để hỗ trợ người dùng trong việc đưa ra quyết định đầu tư. Dự đoán token cũng là một ứng dụng độc đáo trong Web3, các dự án đại diện như Ocean, chính thức đã thiết lập.
Xem bản gốc
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.
Toàn cảnh Web3-AI: Phân tích sâu về logic công nghệ, các tình huống ứng dụng và các dự án hàng đầu Độ sâu
Báo cáo toàn cảnh về lĩnh vực Web3-AI: Phân tích sâu về logic kỹ thuật, ứng dụng trong thực tế và các dự án hàng đầu
Với sự gia tăng nhiệt độ của việc kể chuyện AI, ngày càng nhiều sự chú ý được tập trung vào lĩnh vực này. Bài viết này 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 toàn cảnh và xu hướng phát triển của 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 định nghĩa lĩnh vực Web-AI
Trong năm qua, câu chuyện AI đã bùng nổ một cách bất thường 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 của họ, và kinh tế token cơ bản không có mối liên hệ thực sự với sản phẩm AI, do đó những dự án này không nằm trong thảo luận về 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, trong khi AI giải quyết vấn đề năng suất. 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 hỗ trợ lẫn nhau. Chúng tôi phân loại những dự án này vào lĩnh vực Web3-AI. Để giúp độc giả hiểu rõ hơn về lĩnh vực Web3-AI, bài viết này sẽ trình bày quá trình phát triển và những thách thức của AI, cũng như 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 những thách thức: từ việc 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 khả năng cho phép máy tính thực hiện nhiều nhiệm vụ phức tạp, từ dịch ngôn ngữ, phân loại hình ảnh cho đến nhận diện khuôn mặt, lái xe tự động và các 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, chọn lựa và điều chỉnh mô hình, huấn luyện và suy luận 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, gán nhãn cho mỗi hình ảnh với loại ( 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 điều 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. Điều chỉnh tham số hoặc kiến trúc của mô hình theo nhu cầu khác nhau, thường thì, độ sâu của mạng 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 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: Tệp đã được đào tạo của mô hình thường được gọi là trọng số mô hình, quá trình suy diễn là việc sử dụng mô hình đã được đào tạo để dự đoán hoặc phân loại dữ liệu mới. Trong quá trình này, có thể sử dụng bộ 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 hồi đáp, F1-score và các chỉ số khác để đánh giá tính hiệu quả của mô hình.
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 khi thu thập dữ liệu trong lĩnh vực cụ thể ( như dữ liệu y tế ) có thể gặp phải những hạn chế về việc dữ liệu không được mở nguồn.
Lựa chọn và điều chỉnh mô hình: Đối với các đội nhỏ, rất khó để có được tài nguyên mô hình trong lĩnh vực cụ thể hoặc tốn nhiều chi phí 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 là gánh nặng kinh tế đáng kể.
Thu nhập từ tài sản AI: Những người làm công việc gán nhãn dữ liệu thường không thể nhận được thu nhập tương xứng với công sức của họ, trong khi kết quả nghiên cứu của các nhà phát triển AI cũng khó có thể khớp với các người mua có nhu cầu.
Các 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 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 hợp tác giữa Web3 và AI: Sự chuyển đổi vai trò và ứng dụng đổi mới
Sự kết hợp giữa Web3 và AI 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 của thời đại Web2 thành người tham gia, tạo ra AI mà mọi người đều có thể sở hữu. Đồng thời, sự hội nhập giữa 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 đảm bảo, 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 thiết lập 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 những ảnh hưởng tích cực trên 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, kiểm tra 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", chẳng hạn như sử dụng công nghệ AI để tạo ra NFT của riêng mình, mà còn có thể tạo ra các cảnh game phong phú 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, Phân tích bản đồ và kiến 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 loại những dự án này thành các cấp độ khác nhau. Logic phân loại của mỗi cấp độ được thể hiện trong hình dưới đây, bao gồm tầng cơ sở hạ tầng, tầng trung gian và tầng ứng dụng, mỗi tầng lại được chia thành các khối 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 cho toàn bộ vòng đời hoạt động của 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 loại ứng dụng và giải pháp trực tiếp phục vụ người dùng.
Cấ结构 lớp:
Lớp hạ tầng là nền tảng của chu kỳ sống AI, bài viết này phân loại sức mạnh tính toán, AI Chain và nền tảng phát triển là lớp hạ tầng. Chính sự hỗ trợ của những hạ tầng này mới có thể thực hiện việc đào tạo và suy luận mô hình AI, và trình bày các ứng dụng AI mạnh mẽ, thiết thực đến tay 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 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 thu lợi, đại diện cho các dự án như IO.NET và Hyperbolic. Ngoài ra, một số dự án đã phát triển ra các cách chơi mới, chẳng hạn như Compute Labs, đã đề xuất một giao thức mã hóa, người dùng thông qua việc mua NFT đại diện cho GPU vật lý, có thể tham gia vào việc thuê sức mạnh tính toán theo nhiều cách khác nhau để thu lợi.
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 với các công cụ phát triển đi kèm, đại diện cho các dự án như Sahara AI. AI Chain cũng có thể thúc đẩy tiến bộ công nghệ AI ở các lĩnh vực khác nhau, chẳng hạn như Bittensor thông qua cơ chế khuyến khích subnet đổi mới 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 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:
Tầng 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 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, thực hiện hợp tác trao đổi dữ liệu. Đại diện như thị trường AI Sahara AI, với các nhiệm vụ dữ liệu thuộc nhiều lĩnh vực khác nhau, có thể bao trùm nhiều kịch bản dữ liệu; trong khi AIT Protocolt thực hiện gán nhãn dữ liệu thông qua phương pháp hợp tác giữa người và máy.
Một số dự án hỗ trợ người dùng cung cấp các loại mô hình khác nhau hoặc hợp tác huấn luyện mô hình thông qua hình thức crowdsourcing, chẳng hạn như Sentient thông qua 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 tích hợp các thuật toán AI tiên tiến và khung tính toán, đồng thời có khả năng huấn luyện hợp tác.
Lớp ứng dụng:
Tầng này chủ yếu là ứng dụng trực tiếp hướng đến người dùng, kết hợp AI với Web3, tạo ra nhiều cách chơi thú vị và sáng tạo 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.
AIGC: Bằng cách sử dụng AIGC, có thể mở rộng sang các lĩnh vực như NFT, trò chơi trong Web3, người dùng có thể trực tiếp tạo ra văn bản, hình ảnh và âm thanh thông qua Prompt( mà người dùng cung cấp, thậm chí có thể tạo ra lối chơi tùy chỉnh trong trò chơi dựa trên sở thích của mình. Các dự án NFT như NFPrompt, người dùng có thể tạo NFT bằng AI để giao dịch trên thị trường; các trò chơi như Sleepless, người dùng định hình tính cách của bạn đồng hành ảo thông qua cuộc đối thoại để phù hợp với sở thích của mình;
AI đại lý: chỉ hệ thống trí tuệ nhân tạo có khả năng tự thực hiện nhiệm vụ và đưa ra quyết định. AI đại lý thường có khả năng cảm nhận, suy luận, học hỏi và hành động, có thể thực hiện các nhiệm vụ phức tạp trong nhiều môi trường khác nhau. Các AI đại lý phổ biến như dịch ngôn ngữ, học ngôn ngữ, chuyển đổi hình ảnh thành văn bản, v.v., trong bối cảnh Web3 có thể tạo ra robot giao dịch, tạo meme, phát hiện an ninh trên chuỗi, v.v. Như MyShell là nền tảng AI đại lý, cung cấp nhiều loại đại lý khác nhau, bao gồm học tập giáo dục, bạn đồng hành ảo, đại lý giao dịch, v.v., và cung cấp công cụ phát triển đại lý thân thiện với người dùng, không cần mã để xây dựng đại lý của riêng mình.
Phân tích dữ liệu: Thông qua việc tích hợp công nghệ AI và cơ sở dữ liệu trong các lĩnh vực liên quan, để thực hiện phân tích, đánh giá, dự đoán dữ liệu, trong Web3, có thể thông qua việc phân tích dữ liệu thị trường, động thái của tiền thông minh, v.v. để hỗ trợ người dùng trong việc đưa ra quyết định đầu tư. Dự đoán token cũng là một ứng dụng độc đáo trong Web3, các dự án đại diện như Ocean, chính thức đã thiết lập.