Báo cáo toàn cảnh 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 kể chuyện, ngày càng nhiều sự chú ý được tập trung vào lĩnh vực này. Đã tiến hành phân tích sâu sắc về logic công nghệ, các tình huống ứng dụng và các dự án đại diện của lĩnh vực Web3-AI, nhằm trình bày đầy đủ về toàn cảnh và xu hướng phát triển của lĩnh vực này.
Một, Web3-AI: Phân tích logic kỹ thuật và cơ hội thị trường mới nổi
1.1 Logic tích hợp 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 của họ, trong khi kinh tế token cơ bản không có mối liên hệ thực sự với sản phẩm AI, vì vậy những dự án này không thuộc phạm vi thảo luận của 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, các dự án mà AI 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 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 quá trình phát triển AI và những thách thức, cũng như cách Web3 và AI kết hợp hoàn hảo để giải quyết vấn đề và tạo ra các tình huống ứng dụng mới.
1.2 Quy trình và thách thức phát triển AI: 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 nâng cao trí thông minh của con người. Nó có khả năng giúp máy tính thực hiện nhiều nhiệm vụ phức tạp, 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, chọn và tinh chỉnh mô hình, huấn luyện mô hình và suy luận. Lấy một ví dụ đơn giản, phát triển một mô hình để phân loại hình ảnh mèo và chó, bạn cần:
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 nhãn chính xác. Chuyển đổi hình ảnh thành định dạng mà mô hình có thể nhận diện, phân chia tập 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 với nhiệm vụ phân loại hình ảnh. Điều chỉnh các tham số hoặc kiến trúc của mô hình theo 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, các cấp độ mạng nông hơn có thể đã đủ.
Huấn luyện mô hình: Có thể sử dụng GPU, TPU hoặc cụm tính toán 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 đào tạo của mô hình thường được gọi là trọng số mô hình, quá trình suy diễn là quá trình 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 tập dữ liệu 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, v.v.
Như hình minh họa, sau khi thu thập dữ liệu và tiền xử lý dữ liệu, chọn và tinh chỉnh mô hình, sau đó đào tạo, mô hình đã được đào tạo sẽ được sử dụng để suy diễn trên tập kiểm tra để đưa ra giá trị dự đoán cho mèo và chó P (xác suất), tức là xác suất mà mô hình suy diễn ra là mèo hoặc chó.
Mô hình AI đã được huấn luyện 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 điện thoại, nơi người dùng tải lên hình ảnh của mèo hoặc chó và 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 bối cảnh tập trung, quá trình phát triển AI thường không minh bạch. Dữ liệu của người dùng có thể bị đánh cắp mà không được thông báo và được sử dụng cho việc đào tạo AI.
Nguồn dữ liệu nhận được: Các nhóm nhỏ hoặc cá nhân khi lấy dữ liệu trong lĩnh vực cụ thể (như dữ liệu y tế) có thể phải đối mặt với hạn chế dữ liệu không được mở.
Lựa chọn và tối ưu hóa 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 để tối ưu hóa 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 thành gánh nặng kinh tế đáng kể.
Thu nhập tài sản AI: Những người làm công việc gán nhãn dữ liệu thường không thể có được thu nhập tương xứng với công sức bỏ ra, trong khi đó, kết quả nghiên cứu của các nhà phát triển AI cũng khó có thể phù hợp với những 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 mối 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 năng lực sản xuất.
1.3 Sự 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 từ người sử dụng AI trong thời kỳ 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 còn có thể tạo ra nhiều cảnh 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 con người có thể được đảm bảo, mô hình crowdsourcing dữ liệu 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 được chia sẻ có thể được thu thập 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 để thúc đẩy sự tiến bộ của công nghệ AI.
Trong bối cảnh Web3, AI có thể tạo ra ảnh hưởng tích cực trên nhiều lĩnh vực khác nhau. Ví dụ, các mô hình AI có thể được tích hợp vào hợp đồng thông minh để nâng cao hiệu suất công việc trong các bối cảnh ứng dụng khác nhau, như phân tích thị trường, phát hiện 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 mình, mà còn có thể tạo ra các cảnh game phong phú và đa dạng cùng với những trải nghiệm tương tác thú vị trong GameFi. Cơ sở hạ tầng phong phú cung cấp trải nghiệm phát triển mượt mà, 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 cấu trúc dự án sinh thái Web3-AI
Chúng tôi đã nghiên cứu 41 dự án trong lĩnh vực Web3-AI và phân loại các dự án này thành các cấp độ khác nhau. Logic phân cấp mỗi tầng 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 khu vực khác nhau. Trong chương tiếp theo, chúng tôi sẽ phân tích sâu về một số dự án mang tính đại diện.
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 ứng dụng và giải pháp 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, thiết thực được trình bày cho người dùng.
Mạng 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. 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 kiếm 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 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 kiếm lợi nhuận theo nhiều cách khác nhau bằng cách mua NFT đại diện cho GPU vật lý.
AI Chain: Sử dụng blockchain làm nền tảng cho vòng đời của 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 cho phép 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 hỗ trợ, đại diện cho các dự án như Sahara AI. AI Chain cũng có thể thúc đẩy sự tiến bộ công nghệ AI trong các lĩnh vực khác nhau, ví dụ 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. 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 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 của việc huấn luyện mô hình. Trong thế giới Web3, thông qua việc crowdsourcing dữ liệu 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, có thể bán dữ liệu của mình trong điều kiện 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 người có nhu cầu dữ liệu, các nền tảng này cung cấp nhiều lựa chọn và chi phí cực thấp. Các dự án tiêu biểu 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 tài chính và pháp lý trong việc xử lý dữ liệu, người dùng có thể biến kỹ năng thành mã thông báo, thực hiện hợp tác crowdsourcing cho việc tiền xử lý dữ liệu. Đại diện như thị trường AI của Sahara AI, với các nhiệm vụ dữ liệu trong các lĩnh vực khác nhau, có thể bao phủ nhiều kịch bản dữ liệu đa lĩnh vực; 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 được đề cập trước đây, các loại nhu cầu khác nhau cần phải khớp với mô hình phù hợp. Các mô hình thường được sử dụng cho nhiệm vụ hình ảnh như CNN, GAN; cho nhiệm vụ phát hiện mục tiêu có thể chọn từ chuỗi Yolo; các nhiệm vụ văn bản thường gặp như RNN, Transformer và một số mô hình lớn đặc thù hoặc tổng quát khác. 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 huấn luyện mô hình thông qua cách crowdsourcing, chẳng hạn như Sentient thông qua thiết kế mô-đun, cho phép người dùng đặt dữ liệu mô hình đáng tin cậy vào 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 thực: Sau khi mô hình được huấn luyện, 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 thực, để xác minh nguồn gốc của mô hình suy diễn có đúng hay không, có hành vi độc hại hay không. Suy diễn 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 thực phổ biến bao gồm các công nghệ như ZKML, OPML và TEE. Các dự án đại diện như AI oracle trên chuỗi ORA (OAO), đã đưa OPML làm lớp có thể xác minh cho AI oracle, trên trang web chính thức của ORA cũng đã đề cập đến nghiên cứu của họ về ZKML và opp/ai (ZKML kết hợp với OPML).
Ứng dụng lớp:
Tầng này chủ yếu là các ứng dụng trực tiếp hướng đến người dùng, kết hợp AI với Web3, tạo ra nhiều cách chơi thú vị và đổi mới hơn. Bài viết này chủ yếu tổng hợp 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.
17 thích
Phần thưởng
17
5
Chia sẻ
Bình luận
0/400
SlowLearnerWang
· 07-25 12:31
Cuối cùng cũng hiểu mối quan hệ giữa AI và web3 rồi... lại đến muộn một năm.
Xem bản gốcTrả lời0
MEVSandwich
· 07-25 11:24
Chơi giao dịch tiền điện tử suốt một năm với nước mắt, đã trở nên chai lỳ.
Xem bản gốcTrả lời0
SchroedingerGas
· 07-25 11:15
Có AI cũng không thoát khỏi số phận Được chơi cho Suckers.
Xem bản gốcTrả lời0
ser_ngmi
· 07-25 10:57
Bề ngoài là ai, đằng sau là toàn bộ npc của cex, ai mà không phải là được chơi cho Suckers.
Phân tích toàn cảnh Web3-AI: Phân tích logic tích hợp công nghệ và phân tích sâu các dự án hàng đầu
Báo cáo toàn cảnh 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 kể chuyện, ngày càng nhiều sự chú ý được tập trung vào lĩnh vực này. Đã tiến hành phân tích sâu sắc về logic công nghệ, các tình huống ứng dụng và các dự án đại diện của lĩnh vực Web3-AI, nhằm trình bày đầy đủ về toàn cảnh và xu hướng phát triển của lĩnh vực này.
Một, Web3-AI: Phân tích logic kỹ thuật và cơ hội thị trường mới nổi
1.1 Logic tích hợp 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 của họ, trong khi kinh tế token cơ bản không có mối liên hệ thực sự với sản phẩm AI, vì vậy những dự án này không thuộc phạm vi thảo luận của 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, các dự án mà AI 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 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 quá trình phát triển AI và những thách thức, cũng như cách Web3 và AI kết hợp hoàn hảo để giải quyết vấn đề và tạo ra các tình huống ứng dụng mới.
1.2 Quy trình và thách thức phát triển AI: 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 nâng cao trí thông minh của con người. Nó có khả năng giúp máy tính thực hiện nhiều nhiệm vụ phức tạp, 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, chọn và tinh chỉnh mô hình, huấn luyện mô hình và suy luận. Lấy một ví dụ đơn giản, phát triển một mô hình để phân loại hình ảnh mèo và chó, bạn cần:
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 nhãn chính xác. Chuyển đổi hình ảnh thành định dạng mà mô hình có thể nhận diện, phân chia tập 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 với nhiệm vụ phân loại hình ảnh. Điều chỉnh các tham số hoặc kiến trúc của mô hình theo 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, các cấp độ mạng nông hơn có thể đã đủ.
Huấn luyện mô hình: Có thể sử dụng GPU, TPU hoặc cụm tính toán 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 đào tạo của mô hình thường được gọi là trọng số mô hình, quá trình suy diễn là quá trình 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 tập dữ liệu 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, v.v.
Như hình minh họa, sau khi thu thập dữ liệu và tiền xử lý dữ liệu, chọn và tinh chỉnh mô hình, sau đó đào tạo, mô hình đã được đào tạo sẽ được sử dụng để suy diễn trên tập kiểm tra để đưa ra giá trị dự đoán cho mèo và chó P (xác suất), tức là xác suất mà mô hình suy diễn ra là mèo hoặc chó.
Mô hình AI đã được huấn luyện 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 điện thoại, nơi người dùng tải lên hình ảnh của mèo hoặc chó và 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 bối cảnh tập trung, quá trình phát triển AI thường không minh bạch. Dữ liệu của người dùng có thể bị đánh cắp mà không được thông báo và được sử dụng cho việc đào tạo AI.
Nguồn dữ liệu nhận được: Các nhóm nhỏ hoặc cá nhân khi lấy dữ liệu trong lĩnh vực cụ thể (như dữ liệu y tế) có thể phải đối mặt với hạn chế dữ liệu không được mở.
Lựa chọn và tối ưu hóa 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 để tối ưu hóa 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 thành gánh nặng kinh tế đáng kể.
Thu nhập tài sản AI: Những người làm công việc gán nhãn dữ liệu thường không thể có được thu nhập tương xứng với công sức bỏ ra, trong khi đó, kết quả nghiên cứu của các nhà phát triển AI cũng khó có thể phù hợp với những 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 mối 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 năng lực sản xuất.
1.3 Sự 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 từ người sử dụng AI trong thời kỳ 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 còn có thể tạo ra nhiều cảnh 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 con người có thể được đảm bảo, mô hình crowdsourcing dữ liệu 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 được chia sẻ có thể được thu thập 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 để thúc đẩy sự tiến bộ của công nghệ AI.
Trong bối cảnh Web3, AI có thể tạo ra ảnh hưởng tích cực trên nhiều lĩnh vực khác nhau. Ví dụ, các mô hình AI có thể được tích hợp vào hợp đồng thông minh để nâng cao hiệu suất công việc trong các bối cảnh ứng dụng khác nhau, như phân tích thị trường, phát hiện 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 mình, mà còn có thể tạo ra các cảnh game phong phú và đa dạng cùng với những trải nghiệm tương tác thú vị trong GameFi. Cơ sở hạ tầng phong phú cung cấp trải nghiệm phát triển mượt mà, 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 cấu trúc dự án sinh thái Web3-AI
Chúng tôi đã nghiên cứu 41 dự án trong lĩnh vực Web3-AI và phân loại các dự án này thành các cấp độ khác nhau. Logic phân cấp mỗi tầng 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 khu vực khác nhau. Trong chương tiếp theo, chúng tôi sẽ phân tích sâu về một số dự án mang tính đại diện.
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 ứng dụng và giải pháp 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, thiết thực được trình bày cho người dùng.
Mạng 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. 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 kiếm 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 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 kiếm lợi nhuận theo nhiều cách khác nhau bằng cách mua NFT đại diện cho GPU vật lý.
AI Chain: Sử dụng blockchain làm nền tảng cho vòng đời của 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 cho phép 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 hỗ trợ, đại diện cho các dự án như Sahara AI. AI Chain cũng có thể thúc đẩy sự tiến bộ công nghệ AI trong các lĩnh vực khác nhau, ví dụ 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. 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 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 gán nhãn hình ảnh, phân loại dữ liệu, những nhiệm vụ này có thể cần kiến thức chuyên môn về tài chính và pháp lý trong việc xử lý dữ liệu, người dùng có thể biến kỹ năng thành mã thông báo, thực hiện hợp tác crowdsourcing cho việc tiền xử lý dữ liệu. Đại diện như thị trường AI của Sahara AI, với các nhiệm vụ dữ liệu trong các lĩnh vực khác nhau, có thể bao phủ nhiều kịch bản dữ liệu đa lĩnh vực; 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 cách crowdsourcing, chẳng hạn như Sentient thông qua thiết kế mô-đun, cho phép người dùng đặt dữ liệu mô hình đáng tin cậy vào 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.
Ứng dụng lớp:
Tầng này chủ yếu là các ứng dụng trực tiếp hướng đến người dùng, kết hợp AI với Web3, tạo ra nhiều cách chơi thú vị và đổi mới hơn. Bài viết này chủ yếu tổng hợp các dự án trong một số lĩnh vực như AIGC (Nội dung do AI tạo ra), đại lý AI và phân tích dữ liệu.