Báo cáo toàn cảnh về lĩnh vực Web3-AI: Phân tích sâu về logic công nghệ, ứng dụng thực tế và các dự án hàng đầu
Với sự tăng nhiệt liên tục của AI, ngày càng nhiều sự chú ý tập trung vào lĩnh vực này. Bài viết này phân tích sâu về logic kỹ thuật, các tình huống ứng dụng và các dự án đại diện trong lĩnh vực Web3-AI, 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 kết hợp Web3 và AI: Làm thế nào để xác định lĩnh vực Web-AI
Trong năm qua, kể chuyện bằng AI đã trở nên cực kỳ phổ biến trong ngành Web3, các dự án AI xuất hiện như nấm sau mưa. Mặc dù có nhiều dự án liên quan đến công nghệ AI, nhưng một số dự án chỉ sử dụng AI ở một số phần của sản phẩm, và kinh tế học token cơ bản không có mối liên hệ thực sự với sản phẩm AI, do đó các dự án như vậy không thuộc phạm vi 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, các dự án giải quyết vấn đề năng suất lao động bằng AI. 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, hai yếu tố này hỗ trợ lẫn nhau. Chúng tôi phân loại các dự án này thành lĩnh vực Web3-AI. Để giúp độc giả hiểu rõ hơn về lĩnh vực Web3-AI, chúng tôi sẽ giới thiệu quá trình phát triển và thách thức của AI, cũng như cách mà sự kết hợp giữa Web3 và AI có thể hoàn hảo 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 nâng cao trí thông minh của con người. Nó có thể giúp máy tính thực hiện nhiều nhiệm vụ phức tạp khác nhau, từ dịch ngôn ngữ, phân loại hình ảnh đến nhận diện khuôn mặt, lái xe tự động và nhiều ứng dụng khác, AI đang thay đổi cách chúng ta sống và làm việc.
Quá trình phát triển mô hình trí tuệ nhân tạo thường bao gồm một số bước chính sau: thu thập dữ liệu và tiền xử lý dữ liệu, lựa chọn và tinh chỉnh mô hình, đào tạo mô hình và suy luận. Lấy một ví dụ đơn giản, để phát triển một mô hình nhằm phân loại hình ảnh mèo và chó, bạn cần:
Thu thập dữ liệu và tiền xử lý dữ liệu: Thu thập bộ dữ liệu hình ảnh chứa mèo và chó, có thể sử dụng bộ dữ liệu công khai hoặc tự thu thập dữ liệu thực. Sau đó, gán nhãn cho từng hình ảnh (mèo hoặc chó), đảm bảo nhãn chính xác. Chuyển đổi hình ảnh về 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 tối ưu hóa 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. Tối ưu hóa tham số hoặc kiến trúc của mô hình theo các yêu cầu khác nhau, thường thì, các lớp 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, một lớp mạng nông có thể 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: Tệp đã được huấn luyện của mô hình thường được gọi là trọng số mô hình, quá trình suy diễn đề cập đến việc sử dụng mô hình đã được huấn luyện để dự đoán hoặc phân loại dữ liệu mới. Trong quá trình này, có thể sử dụng tập kiểm tra hoặc dữ liệu mới để kiểm tra hiệu quả phân loại của mô hình, thường được đánh giá bằng độ chính xác, tỷ lệ hồi đáp, điểm F1 và các chỉ số khác để đánh giá tính hiệu quả của mô hình.
Như hình đã chỉ, sau khi thu thập dữ liệu và tiền xử lý dữ liệu, lựa chọn và tinh chỉnh mô hình, cùng với việc đào tạo, mô hình đã được đào tạo sẽ được sử dụng để suy diễn trên tập kiểm tra và sẽ đưa ra giá trị dự đoán P (xác suất) cho mèo và chó, tức là xác suất mà mô hình suy diễn 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 điện thoại, 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 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 hạn chế về việc dữ liệu không được mở nguồn.
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 tốn nhiều chi phí để 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.
Thu nhập từ tài sản AI: Những người làm việc trong lĩnh vực gán nhãn dữ liệu thường không thể nhận được thu nhập tương xứng với công sức họ bỏ ra, trong khi đó, các sản phẩm nghiên cứu của 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 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 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, biến người dùng 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 kết hợp giữa thế giới Web3 và công nghệ AI cũng có thể tạo ra nhiều cảnh ứng dụng và cách chơi sáng tạo hơn.
Dựa trên công nghệ Web3, việc phát triển và ứng dụng AI sẽ chào đón một hệ thống kinh tế hợp tác hoàn toàn mới. Quyền riêng tư dữ liệu của con người có thể được bảo vệ, mô hình crowdsourcing dữ liệu thúc đẩy sự tiến bộ của các 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, một hệ thống phân phối thu nhập công bằng có thể được thiết lập, từ đó khuyến khích nhiều người hơn 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. Chẳng hạn, 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 như phân tích thị trường, phát hiện an ninh, phân loại xã hội và nhiều chức năng khác. AI sinh tạo 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 những cảnh chơi phong phú và trải nghiệm tương tác thú vị trong GameFi. 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 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 của mỗi cấp độ được hiển thị 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 cơ sở hạ tầng bao gồm các tài nguyên tính toán và kiến trúc công nghệ hỗ trợ cho việc vận hành toàn bộ vòng đời AI, lớp trung gian thì bao gồm quản lý dữ liệu, phát triển mô hình và dịch vụ xác minh suy luận kết nối cơ sở hạ tầng với ứng dụng, còn lớp ứng dụng thì tập trung vào các ứng dụng và giải pháp đa dạng trực tiếp hướng tới người dùng.
Cấp độ cơ sở 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 là lớp hạ tầng. Chính nhờ sự hỗ trợ của những hạ tầng này mà có thể thực hiện việc đào tạo và suy luận mô hình AI, đồng thời trình bày cho người dùng những ứng dụng AI mạnh mẽ và thực tiễn.
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 những cách chơi mới, như Compute Labs, đề xuất một giao thức token 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 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 sự tiến bộ công nghệ AI trong các lĩnh vực khác nhau, chẳng hạn như Bittensor thông qua cơ chế khuyến khích mạng con đổi mới để thúc đẩy cạnh tranh giữa các loại mạng con 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 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. Những cơ sở hạ tầng này thúc đẩy việc ứng dụng rộng rãi công nghệ AI trong hệ sinh thái Web3.
Lớp trung gian:
Lớp này liên quan đến dữ liệu AI, mô hình cũng như suy diễn và xác minh, việc áp dụng công nghệ Web3 có thể đạt được hiệu suất làm việc cao hơn.
Dữ liệu: Chất lượng và số lượng dữ liệu là những yếu tố quyết định 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 quyền sở hữu dữ liệu, trong điều kiện bảo vệ quyền riêng tư, có thể bán dữ liệu của mình để tránh việc dữ liệu bị các thương gia xấu lợi dụng và kiếm lợi nhuận cao. Đối với các bên có nhu cầu dữ liệu, những 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 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 yêu cầu kiến thức chuyên môn về tài chính và pháp lý trong việc xử lý dữ liệu, người dùng có thể biến kỹ năng thành token, thực hiện hợp tác crowdsourcing cho việc tiền xử lý dữ liệu. Đại diện như thị trường AI của Sahara AI, có các nhiệm vụ dữ liệu từ nhiều lĩnh vực khác nhau, có thể bao phủ các tình huống dữ liệu đa lĩnh vực; trong khi AIT Protocolt thực hiện việc gán nhãn dữ liệu thông qua sự 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, nhiệm vụ phát hiện đối tượng có thể chọn loạt Yolo, nhiệm vụ văn bản thường gặp các mô hình RNN, Transformer và tất nhiên còn 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 điều chỉnh mô hình.
Một số dự án hỗ trợ người dùng cung cấp các loại mô hình khác nhau hoặc hợp tác đào tạo mô hình thông qua hình thức crowdsourcing, chẳng hạn như Sentient với thiết kế mô-đun cho phép người dùng lưu trữ dữ liệu mô hình đáng tin cậy ở 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 diễn và xác minh: Sau khi mô hình được đào tạo, nó sẽ tạo ra tập tin 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 đúng không, có hành vi độc hại hay không, v.v. Suy diễn trong 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 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 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 các ứng dụng trực tiếp hướng tới người dùng, kết hợp AI với Web3, tạo ra nhiều cách chơi thú vị và sáng tạo 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.
AIGC: Thông qua AIGC có thể mở rộng đến các lĩnh vực NFT, trò chơi trong Web3, người dùng có thể trực tiếp sử dụng Prompt (từ khóa gợi ý mà người dùng cung cấp) để tạo ra văn bản, hình ảnh và âm thanh, thậm chí có thể tạo ra lối chơi tùy chỉnh trong trò chơi theo sở thích của mình. Các dự án NFT như NFPrompt, người dùng có thể tạo NFT qua AI để giao dịch trên thị trường; trò chơi như Sleepless, người dùng tạo hình tính cách cho người bạn 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. Một số AI đại lý phổ biến như dịch ngôn ngữ.
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.
6 thích
Phần thưởng
6
4
Chia sẻ
Bình luận
0/400
AirDropMissed
· 07-26 04:01
Lại muốn lừa tôi đầu tư vào dự án mới, thấy một cái vàng một cái.
Xem bản gốcTrả lời0
CascadingDipBuyer
· 07-26 03:56
Đổi nước không đổi thuốc vẫn không phải là được chơi cho Suckers
Xem bản gốcTrả lời0
ImpermanentPhilosopher
· 07-26 03:54
ai thực sự khó khăn quá, nhiều dự án đều đang mượn.
Xem bản gốcTrả lời0
AlwaysMissingTops
· 07-26 03:52
又来 chơi đùa với mọi người rồi, đa số các dự án AI chỉ là bẫy chơi khái niệm.
Phân tích toàn cảnh lĩnh vực Web3-AI: Phân tích logic kỹ thuật và các dự án hàng đầu độ sâu
Báo cáo toàn cảnh về lĩnh vực Web3-AI: Phân tích sâu về logic công nghệ, ứng dụng thực tế và các dự án hàng đầu
Với sự tăng nhiệt liên tục của AI, ngày càng nhiều sự chú ý tập trung vào lĩnh vực này. Bài viết này phân tích sâu về logic kỹ thuật, các tình huống ứng dụng và các dự án đại diện trong lĩnh vực Web3-AI, 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 kết hợp Web3 và AI: Làm thế nào để xác định lĩnh vực Web-AI
Trong năm qua, kể chuyện bằng AI đã trở nên cực kỳ phổ biến trong ngành Web3, các dự án AI xuất hiện như nấm sau mưa. Mặc dù có nhiều dự án liên quan đến công nghệ AI, nhưng một số dự án chỉ sử dụng AI ở một số phần của sản phẩm, và kinh tế học token cơ bản không có mối liên hệ thực sự với sản phẩm AI, do đó các dự án như vậy không thuộc phạm vi 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, các dự án giải quyết vấn đề năng suất lao động bằng AI. 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, hai yếu tố này hỗ trợ lẫn nhau. Chúng tôi phân loại các dự án này thành lĩnh vực Web3-AI. Để giúp độc giả hiểu rõ hơn về lĩnh vực Web3-AI, chúng tôi sẽ giới thiệu quá trình phát triển và thách thức của AI, cũng như cách mà sự kết hợp giữa Web3 và AI có thể hoàn hảo 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 nâng cao trí thông minh của con người. Nó có thể giúp máy tính thực hiện nhiều nhiệm vụ phức tạp khác nhau, từ dịch ngôn ngữ, phân loại hình ảnh đến nhận diện khuôn mặt, lái xe tự động và nhiều ứng dụng khác, AI đang thay đổi cách chúng ta sống và làm việc.
Quá trình phát triển mô hình trí tuệ nhân tạo thường bao gồm một số bước chính sau: thu thập dữ liệu và tiền xử lý dữ liệu, lựa chọn và tinh chỉnh mô hình, đào tạo mô hình và suy luận. Lấy một ví dụ đơn giản, để phát triển một mô hình nhằm phân loại hình ảnh mèo và chó, bạn cần:
Thu thập dữ liệu và tiền xử lý dữ liệu: Thu thập bộ dữ liệu hình ảnh chứa mèo và chó, có thể sử dụng bộ dữ liệu công khai hoặc tự thu thập dữ liệu thực. Sau đó, gán nhãn cho từng hình ảnh (mèo hoặc chó), đảm bảo nhãn chính xác. Chuyển đổi hình ảnh về 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 tối ưu hóa 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. Tối ưu hóa tham số hoặc kiến trúc của mô hình theo các yêu cầu khác nhau, thường thì, các lớp 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, một lớp mạng nông có thể 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: Tệp đã được huấn luyện của mô hình thường được gọi là trọng số mô hình, quá trình suy diễn đề cập đến việc sử dụng mô hình đã được huấn luyện để dự đoán hoặc phân loại dữ liệu mới. Trong quá trình này, có thể sử dụng tập kiểm tra hoặc dữ liệu mới để kiểm tra hiệu quả phân loại của mô hình, thường được đánh giá bằng độ chính xác, tỷ lệ hồi đáp, điểm F1 và các chỉ số khác để đánh giá tính hiệu quả của mô hình.
Như hình đã chỉ, sau khi thu thập dữ liệu và tiền xử lý dữ liệu, lựa chọn và tinh chỉnh mô hình, cùng với việc đào tạo, mô hình đã được đào tạo sẽ được sử dụng để suy diễn trên tập kiểm tra và sẽ đưa ra giá trị dự đoán P (xác suất) cho mèo và chó, tức là xác suất mà mô hình suy diễn 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 điện thoại, 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 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 hạn chế về việc dữ liệu không được mở nguồn.
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 tốn nhiều chi phí để 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.
Thu nhập từ tài sản AI: Những người làm việc trong lĩnh vực gán nhãn dữ liệu thường không thể nhận được thu nhập tương xứng với công sức họ bỏ ra, trong khi đó, các sản phẩm nghiên cứu của 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 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 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, biến người dùng 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 kết hợp giữa thế giới Web3 và công nghệ AI cũng có thể tạo ra nhiều cảnh ứng dụng và cách chơi sáng tạo hơn.
Dựa trên công nghệ Web3, việc phát triển và ứng dụng AI sẽ chào đón một hệ thống kinh tế hợp tác hoàn toàn mới. Quyền riêng tư dữ liệu của con người có thể được bảo vệ, mô hình crowdsourcing dữ liệu thúc đẩy sự tiến bộ của các 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, một hệ thống phân phối thu nhập công bằng có thể được thiết lập, từ đó khuyến khích nhiều người hơn 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. Chẳng hạn, 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 như phân tích thị trường, phát hiện an ninh, phân loại xã hội và nhiều chức năng khác. AI sinh tạo 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 những cảnh chơi phong phú và trải nghiệm tương tác thú vị trong GameFi. 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 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 của mỗi cấp độ được hiển thị 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 cơ sở hạ tầng bao gồm các tài nguyên tính toán và kiến trúc công nghệ hỗ trợ cho việc vận hành toàn bộ vòng đời AI, lớp trung gian thì bao gồm quản lý dữ liệu, phát triển mô hình và dịch vụ xác minh suy luận kết nối cơ sở hạ tầng với ứng dụng, còn lớp ứng dụng thì tập trung vào các ứng dụng và giải pháp đa dạng trực tiếp hướng tới người dùng.
Cấp độ cơ sở 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 là lớp hạ tầng. Chính nhờ sự hỗ trợ của những hạ tầng này mà có thể thực hiện việc đào tạo và suy luận mô hình AI, đồng thời trình bày cho người dùng những ứng dụng AI mạnh mẽ và thực tiễn.
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 những cách chơi mới, như Compute Labs, đề xuất một giao thức token 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 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 sự tiến bộ công nghệ AI trong các lĩnh vực khác nhau, chẳng hạn như Bittensor thông qua cơ chế khuyến khích mạng con đổi mới để thúc đẩy cạnh tranh giữa các loại mạng con 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 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. Những cơ sở hạ tầng này thúc đẩy việc ứng dụng rộng rãi công nghệ AI trong hệ sinh thái Web3.
Lớp trung gian:
Lớp này liên quan đến dữ liệu AI, mô hình cũng như suy diễn và xác minh, việc áp dụng công nghệ Web3 có thể đạt được hiệu suất làm việc cao hơn.
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 yêu cầu kiến thức chuyên môn về tài chính và pháp lý trong việc xử lý dữ liệu, người dùng có thể biến kỹ năng thành token, thực hiện hợp tác crowdsourcing cho việc tiền xử lý dữ liệu. Đại diện như thị trường AI của Sahara AI, có các nhiệm vụ dữ liệu từ nhiều lĩnh vực khác nhau, có thể bao phủ các tình huống dữ liệu đa lĩnh vực; trong khi AIT Protocolt thực hiện việc gán nhãn dữ liệu thông qua sự 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 hình thức crowdsourcing, chẳng hạn như Sentient với thiết kế mô-đun cho phép người dùng lưu trữ dữ liệu mô hình đáng tin cậy ở 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.
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 sáng tạo 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.
AIGC: Thông qua AIGC có thể mở rộng đến các lĩnh vực NFT, trò chơi trong Web3, người dùng có thể trực tiếp sử dụng Prompt (từ khóa gợi ý mà người dùng cung cấp) để tạo ra văn bản, hình ảnh và âm thanh, thậm chí có thể tạo ra lối chơi tùy chỉnh trong trò chơi theo sở thích của mình. Các dự án NFT như NFPrompt, người dùng có thể tạo NFT qua AI để giao dịch trên thị trường; trò chơi như Sleepless, người dùng tạo hình tính cách cho người bạn 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. Một số AI đại lý phổ biến như dịch ngôn ngữ.