Báo cáo toàn cảnh về lĩnh vực 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 việc kể chuyện AI, ngày càng nhiều sự chú ý được tập trung vào lĩnh vực này. Đã tiến hành phân tích sâu về logic công nghệ, các tình huống ứng dụng và các dự án đại diện của lĩnh vực Web3-AI, để 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 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 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 chất với sản phẩm AI, vì vậy các dự án như vậy không thuộc vào cuộc 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, AI để 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 bổ sung cho 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, chúng tôi sẽ giới thiệu quy trình phát triển và thách thức của AI, cũng như cách kết hợp giữa Web3 và AI có thể hoàn hảo giải quyết vấn đề và tạo ra những 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 thể cho phép 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 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 một số bước quan trọng sau: thu thập dữ liệu và tiền xử lý dữ liệu, lựa chọn và điều chỉnh mô hình, đào tạo 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 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 tế. Sau đó, gán nhãn cho mỗi hình ảnh (mèo hoặc chó), đảm bảo nhãn chính xác. Chuyển đổi hình ảnh sang định dạng mà mô hình có thể nhận diện, chia tập 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 mô hình theo nhu cầu khác nhau, thường thì, các tầng 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 tầng mạng nông hơn có thể là đủ.
Huấn luyện mô hình: Bạn có thể sử dụng GPU, TPU hoặc cụm máy tính hiệu suất cao để huấn luyện mô hình, thời gian huấn luyện phụ thuộc vào độ phức tạp của mô hình và khả năng tính toán.
Suy diễn mô hình: Tệp tin mô hình đã được đào tạo thường được gọi là trọng số mô hình, quá trình suy diễn đề cập đến 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 tập kiểm tra hoặc dữ liệu mới để kiểm tra hiệu quả phân loại của mô hình, thường sử dụng các chỉ số như độ chính xác, độ hồi phục, F1-score để đánh giá hiệu quả của mô hình.
Như hình ảnh đã chỉ ra, sau khi thu thập dữ liệu và tiền xử lý dữ liệu, chọn và điều chỉnh mô hình, sau đó đưa mô hình đã được đào tạo vào dự đoán trên tập kiểm tra sẽ cho 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 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 di động, người dùng tải lên hình ảnh của mèo hoặc chó, sau đó 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 bối cảnh 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 huấn luyện AI.
Nguồn dữ liệu: Các nhóm nhỏ hoặc cá nhân khi thu thập dữ liệu trong các 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 điều chỉnh mô hình: Đối với các đội nhỏ, rất khó để có được nguồn tài nguyên mô hình cho lĩnh vực cụ thể hoặc chi tiêu một khoản chi phí lớn để điều chỉnh mô hình.
Lấy sức mạnh tính toán: Đối với các nhà phát triển cá nhân và 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 nhận được thu nhập tương xứng với công sức họ bỏ ra, và kết quả nghiên cứu của các nhà phát triển AI cũng khó có thể phù hợp với các 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 loại 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 khả năng sản xuất.
1.3 Hiệu ứng hợp tác giữa Web3 và AI: Sự chuyển đổi vai trò và ứng dụng đổi mới
Web3 và AI kết hợp có thể tăng cường quyền sở hữu của người dùng, cung cấp cho người dùng một nền tảng hợp tác AI mở, giúp người dùng từ người sử dụng AI thời Web2 chuyển sang trở 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 ứng dụng sáng tạo và cách chơi mới.
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 bảo đảm, mô hình crowdsourcing dữ liệu thúc đẩy sự tiến bộ của mô hình AI, nhiều nguồn tài nguyên AI mã nguồn mở có sẵn cho người dùng, và sức mạnh tính toán chia sẻ có thể được tiếp cận với chi phí thấp hơn. Nhờ vào cơ chế hợp tác crowdsourcing 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 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 ứng dụng khác nhau, như phân tích thị trường, kiểm tra an ninh, phân cụm 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 game phong phú và đa dạng cũng như những trải nghiệm tương tác thú vị trong GameFi. Hệ thống 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 chủ yếu 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 chia của mỗi cấp như hình dưới đây, bao gồm lớp hạ tầng, lớp trung gian và lớp ứng dụng, mỗi lớp lại được chia thành các khối khác nhau. Trong chương tiếp theo, chúng tôi sẽ phân tích sâu một số dự án tiêu biểu.
Lớp hạ tầng bao gồm các tài nguyên tính toán và kiến trúc công nghệ hỗ trợ cho toàn bộ vòng đời AI, lớp trung gian bao gồm quản lý dữ liệu, phát triển mô hình và dịch vụ suy luận xác minh kết nối hạ tầng với ứng dụng, lớp ứng dụng thì tập trung vào các ứng dụng và giải pháp đa dạng trực tiếp hướng tới người dùng.
Cơ sở hạ tầng lớp:
Lớp hạ tầng là cơ sở của vòng đời AI, bài viết này phân loại sức mạnh tính toán, AI Chain và nền tảng phát triển vào lớp hạ tầng. Chính nhờ sự hỗ trợ của những hạ tầng này mà việc huấn luyện và suy diễn mô hình AI trở nên khả thi, đồng thời mang đến cho người dùng những ứng dụng AI mạnh mẽ và hữu ích.
Mạng tính toán phi tập trung: có thể cung cấp sức mạnh tính toán phân tán cho việc đào tạo mô hình AI, đảm bảo việc sử dụng tài nguyên tính toán hiệu quả và kinh tế. Một số dự án cung cấp thị trường sức mạnh tính toán phi tập trung, người dùng có thể thuê sức mạnh tính toán với chi phí thấp hoặc chia sẻ sức mạnh tính toán để 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, như Compute Labs, đã đề xuất một giao thức mã hóa, người dùng có thể tham gia thuê sức mạnh tính toán theo nhiều cách khác nhau để thu lợi bằng cách mua NFT đại diện cho GPU vật lý.
AI Chain: Sử dụng blockchain làm nền tảng cho vòng đời AI, thực hiện 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, dự án đại diện như Sahara AI. AI Chain cũng có thể thúc đẩy sự tiến bộ công nghệ AI trong các lĩnh vực khác nhau, như Bittensor thông qua cơ chế khuyến khích subnet đổi mới để thúc đẩy 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, cũng có thể thực hiện giao dịch AI đại lý, như Fetch.ai và ChainML. Công cụ một điểm giúp các nhà phát triển dễ dàng hơn trong việc tạo, đào tạo và triển khai các mô hình AI, đại diện cho các dự án như Nimble. Những cơ sở hạ tầng này thúc đẩy việc ứng dụng công nghệ AI rộng rãi trong hệ sinh thái Web3.
Lớp trung gian:
Lớp này liên quan đến dữ liệu AI, mô hình cũng như suy luận và xác thực, 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 quan trọng ảnh hưởng đến hiệu quả đào tạo 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 của mình, bán dữ liệu của mình trong khi bảo vệ quyền riêng tư, nhằm tránh việc dữ liệu bị các thương nhân xấu đánh cắp 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 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, 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 để xử lý dữ liệu. Người dùng có thể biến kỹ năng thành token, thực hiện crowdsourcing hợp tác trong tiền xử lý dữ liệu. Đại diện như thị trường AI của Sahara AI, có các nhiệm vụ dữ liệu thuộc nhiều lĩnh vực khác nhau, có thể bao phủ nhiều kịch bản dữ liệu; trong khi AIT Protocolt thực hiện gán nhãn dữ liệu thông qua cách thức 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 mục tiêu có thể chọn dòng sản phẩm Yolo; các nhiệm vụ văn bản thường gặp như RNN, Transformer và một số mô hình lớn cụ thể hoặc chung. Độ sâu của mô hình cần thiết cho các nhiệm vụ có độ phức tạp khác nhau cũng khác nhau, đôi khi cần 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 cách crowdsourcing, chẳng hạn như Sentient với thiết kế mô-đun, cho phép người dùng đặt dữ liệu mô hình đáng tin cậy vào các lớp lưu trữ và 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 đào tạo, nó sẽ tạo ra các 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 trong hợp đồng thông minh, thông qua việc gọi mô hình để thực hiện suy diễn, các phương pháp xác thực phổ biến bao gồm công nghệ ZKML, OPML và TEE. Các dự án tiêu biểu như AI oracle trên chuỗi ORA (OAO), đã giới thiệu OPML như một lớp xác thực 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).
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 vài lĩnh vực như AIGC (Nội dung được tạo ra bởi AI), 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.
24 thích
Phần thưởng
24
9
Đăng lại
Chia sẻ
Bình luận
0/400
FlatTax
· 07-10 21:48
Lại đang nói về ai web3 rồi, bao giờ mới thực hiện được đây?
Xem bản gốcTrả lời0
FancyResearchLab
· 07-10 13:01
又 một đợt chơi đùa với mọi người đang bắt đầu thi công.
Xem bản gốcTrả lời0
PumpAnalyst
· 07-08 02:44
pump chơi đùa với mọi người đợi các bạn Tụt dốc
Xem bản gốcTrả lời0
LiquidationSurvivor
· 07-08 02:40
Một năm rồi, vẫn là nhóm người đó đang đầu cơ ai?
Xem bản gốcTrả lời0
SignatureDenied
· 07-08 02:27
Quá nhiều sự phô trương khiến không nhìn thấy giá trị thực sự.
Xem bản gốcTrả lời0
GigaBrainAnon
· 07-08 02:24
Lại đang đẩy mạnh khái niệm AI, không biết sẽ hot được bao lâu.
Xem bản gốcTrả lời0
CryptoWageSlave
· 07-08 02:23
Câu chuyện ai này cũng đã chơi đùa với mọi người rồi, bẫy đồ ngốc mới.
Toàn cảnh Web3-AI: Phân tích sâu sắc về sự hội nhập công nghệ, các trường hợp ứng dụng và các dự án hàng đầu
Báo cáo toàn cảnh về lĩnh vực 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 việc kể chuyện AI, ngày càng nhiều sự chú ý được tập trung vào lĩnh vực này. Đã tiến hành phân tích sâu về logic công nghệ, các tình huống ứng dụng và các dự án đại diện của lĩnh vực Web3-AI, để 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 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 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 chất với sản phẩm AI, vì vậy các dự án như vậy không thuộc vào cuộc 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, AI để 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 bổ sung cho 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, chúng tôi sẽ giới thiệu quy trình phát triển và thách thức của AI, cũng như cách kết hợp giữa Web3 và AI có thể hoàn hảo giải quyết vấn đề và tạo ra những 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 thể cho phép 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 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 một số bước quan trọng sau: thu thập dữ liệu và tiền xử lý dữ liệu, lựa chọn và điều chỉnh mô hình, đào tạo 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 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 tế. Sau đó, gán nhãn cho mỗi hình ảnh (mèo hoặc chó), đảm bảo nhãn chính xác. Chuyển đổi hình ảnh sang định dạng mà mô hình có thể nhận diện, chia tập 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 mô hình theo nhu cầu khác nhau, thường thì, các tầng 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 tầng mạng nông hơn có thể là đủ.
Huấn luyện mô hình: Bạn có thể sử dụng GPU, TPU hoặc cụm máy tính hiệu suất cao để huấn luyện mô hình, thời gian huấn luyện phụ thuộc vào độ phức tạp của mô hình và khả năng tính toán.
Suy diễn mô hình: Tệp tin mô hình đã được đào tạo thường được gọi là trọng số mô hình, quá trình suy diễn đề cập đến 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 tập kiểm tra hoặc dữ liệu mới để kiểm tra hiệu quả phân loại của mô hình, thường sử dụng các chỉ số như độ chính xác, độ hồi phục, F1-score để đánh giá hiệu quả của mô hình.
Như hình ảnh đã chỉ ra, sau khi thu thập dữ liệu và tiền xử lý dữ liệu, chọn và điều chỉnh mô hình, sau đó đưa mô hình đã được đào tạo vào dự đoán trên tập kiểm tra sẽ cho 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 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 di động, người dùng tải lên hình ảnh của mèo hoặc chó, sau đó 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 bối cảnh 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 huấn luyện AI.
Nguồn dữ liệu: Các nhóm nhỏ hoặc cá nhân khi thu thập dữ liệu trong các 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 điều chỉnh mô hình: Đối với các đội nhỏ, rất khó để có được nguồn tài nguyên mô hình cho lĩnh vực cụ thể hoặc chi tiêu một khoản chi phí lớn để điều chỉnh mô hình.
Lấy sức mạnh tính toán: Đối với các nhà phát triển cá nhân và 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 nhận được thu nhập tương xứng với công sức họ bỏ ra, và kết quả nghiên cứu của các nhà phát triển AI cũng khó có thể phù hợp với các 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 loại 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 khả năng sản xuất.
1.3 Hiệu ứng hợp tác giữa Web3 và AI: Sự chuyển đổi vai trò và ứng dụng đổi mới
Web3 và AI kết hợp có thể tăng cường quyền sở hữu của người dùng, cung cấp cho người dùng một nền tảng hợp tác AI mở, giúp người dùng từ người sử dụng AI thời Web2 chuyển sang trở 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 ứng dụng sáng tạo và cách chơi mới.
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 bảo đảm, mô hình crowdsourcing dữ liệu thúc đẩy sự tiến bộ của mô hình AI, nhiều nguồn tài nguyên AI mã nguồn mở có sẵn cho người dùng, và sức mạnh tính toán chia sẻ có thể được tiếp cận với chi phí thấp hơn. Nhờ vào cơ chế hợp tác crowdsourcing 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 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 ứng dụng khác nhau, như phân tích thị trường, kiểm tra an ninh, phân cụm 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 game phong phú và đa dạng cũng như những trải nghiệm tương tác thú vị trong GameFi. Hệ thống 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 chủ yếu 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 chia của mỗi cấp như hình dưới đây, bao gồm lớp hạ tầng, lớp trung gian và lớp ứng dụng, mỗi lớp lại được chia thành các khối khác nhau. Trong chương tiếp theo, chúng tôi sẽ phân tích sâu một số dự án tiêu biểu.
Lớp hạ tầng bao gồm các tài nguyên tính toán và kiến trúc công nghệ hỗ trợ cho toàn bộ vòng đời AI, lớp trung gian bao gồm quản lý dữ liệu, phát triển mô hình và dịch vụ suy luận xác minh kết nối hạ tầng với ứng dụng, lớp ứng dụng thì tập trung vào các ứng dụng và giải pháp đa dạng trực tiếp hướng tới người dùng.
Cơ sở hạ tầng lớp:
Lớp hạ tầng là cơ sở của vòng đời AI, bài viết này phân loại sức mạnh tính toán, AI Chain và nền tảng phát triển vào lớp hạ tầng. Chính nhờ sự hỗ trợ của những hạ tầng này mà việc huấn luyện và suy diễn mô hình AI trở nên khả thi, đồng thời mang đến cho người dùng những ứng dụng AI mạnh mẽ và hữu ích.
Mạng tính toán phi tập trung: có thể cung cấp sức mạnh tính toán phân tán cho việc đào tạo mô hình AI, đảm bảo việc sử dụng tài nguyên tính toán hiệu quả và kinh tế. Một số dự án cung cấp thị trường sức mạnh tính toán phi tập trung, người dùng có thể thuê sức mạnh tính toán với chi phí thấp hoặc chia sẻ sức mạnh tính toán để 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, như Compute Labs, đã đề xuất một giao thức mã hóa, người dùng có thể tham gia thuê sức mạnh tính toán theo nhiều cách khác nhau để thu lợi bằng cách mua NFT đại diện cho GPU vật lý.
AI Chain: Sử dụng blockchain làm nền tảng cho vòng đời AI, thực hiện 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, dự án đại diện như Sahara AI. AI Chain cũng có thể thúc đẩy sự tiến bộ công nghệ AI trong các lĩnh vực khác nhau, như Bittensor thông qua cơ chế khuyến khích subnet đổi mới để thúc đẩy 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, cũng có thể thực hiện giao dịch AI đại lý, như Fetch.ai và ChainML. Công cụ một điểm giúp các nhà phát triển dễ dàng hơn trong việc tạo, đào tạo và triển khai các mô hình AI, đại diện cho các dự án như Nimble. Những cơ sở hạ tầng này thúc đẩy việc ứng dụng công nghệ AI rộng rãi trong hệ sinh thái Web3.
Lớp trung gian:
Lớp này liên quan đến dữ liệu AI, mô hình cũng như suy luận và xác thực, 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, 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 để xử lý dữ liệu. Người dùng có thể biến kỹ năng thành token, thực hiện crowdsourcing hợp tác trong tiền xử lý dữ liệu. Đại diện như thị trường AI của Sahara AI, có các nhiệm vụ dữ liệu thuộc nhiều lĩnh vực khác nhau, có thể bao phủ nhiều kịch bản dữ liệu; trong khi AIT Protocolt thực hiện gán nhãn dữ liệu thông qua cách thức 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 huấn luyện mô hình thông qua cách crowdsourcing, chẳng hạn như Sentient với thiết kế mô-đun, cho phép người dùng đặt dữ liệu mô hình đáng tin cậy vào các lớp lưu trữ và 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:
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 vài lĩnh vực như AIGC (Nội dung được tạo ra bởi AI), đại lý AI và phân tích dữ liệu.