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 câu chuyện AI, ngày càng nhiều sự chú ý tập trung vào lĩnh vực này. Bài viết này sẽ phân tích sâu sắc logic công nghệ, các tình huống ứng dụng và các dự án tiêu biểu của lĩnh vực Web3-AI, nhằm cung cấp 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, kể từ khi AI kể chuyện đã trở nên rất phổ biến trong ngành Web3, các dự án AI đã 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 sự liên quan thực chất nào với sản phẩm AI, do đó những dự án này không nằm trong 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, và AI để giải quyết vấn đề năng suất lao động. Những dự án này tự 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 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 giới thiệu về quá trình phát triển và những thách thức của AI, cũng như cách Web3 và AI kết hợp để hoàn hảo giải quyết vấn đề và tạo ra những ứng dụng mới.
1.2 Quá trình phát triển và thách thức của AI: 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 giúp 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 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, huấn luyện mô hình và suy luận. Lấy một ví dụ đơn giản, phát triển một mô hình để 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 thành 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 nhiệm vụ phân loại hình ảnh. Tinh chỉnh tham số hoặc kiến trúc mô hình theo nhu cầu khác nhau, thông thường, độ sâu của các lớp 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 có thể là 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 huấn luyện mô hình thường được gọi là trọng số mô hình, quá trình suy diễn là quá trình 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, độ nhạy, chỉ số F1, v.v. 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 điều chỉnh mô hình, và huấn luyện, mô hình đã được huấn luyện sẽ được tiến hành 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 đào tạo có thể được tích hợp thêm vào nhiều ứng dụng khác nhau để 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, nơi người dùng tải lên hình ảnh của mèo hoặc chó để 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 người dùng 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 phải đối mặt với hạn chế không mở nguồn dữ liệu.
Lựa chọn và điều chỉnh mô hình: Đối với các nhóm nhỏ, rất khó để có được tài nguyên mô hình trong lĩnh vực cụ thể hoặc chi 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 trở thành gánh nặng kinh tế đáng kể.
Thu nhập tài sản AI: Những người làm công việc chú thích dữ liệu thường khó có được thu nhập tương xứng với công sức của họ, trong khi kết quả nghiên cứu của các nhà phát triển AI cũng khó khăn trong việc khớp nối 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 việc kết hợp với Web3. Web3 như một loại quan hệ sản xuất mới, tự nhiên phù hợp với AI, đại diện cho lực lượng sản xuất mới, từ đó thúc đẩy sự tiến bộ đồng thời của công nghệ và năng lực sản xuất.
1.3 Sự cộng hưởng giữa Web3 và AI: Sự chuyển đổi vai trò và ứng dụng đổi mới
Web3 và AI kết hợp có thể tăng cường quyền sở hữu của người dùng, cung cấp cho người dùng một nền tảng hợp tác AI mở, giúp người dùng chuyển từ người sử dụng AI thời Web2 thành người tham gia, tạo ra AI mà mọi người đều có thể sở hữu. Đồng thời, sự hòa nhập giữa thế giới Web3 và công nghệ AI cũng 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 mọi người có thể được đảm bảo, 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, 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, nâng cao hiệu quả công việc trong các tình huống ứng dụng khác nhau, chẳng hạn như phân tích thị trường, kiểm tra an ninh, phân cụm xã hội và nhiều chức năng khác. AI sinh tạo không chỉ cho phép người dùng trải nghiệm vai trò "nghệ sĩ", như việc sử dụng công nghệ AI để tạo ra NFT riêng của mình, mà còn có thể tạo ra các cảnh chơi phong phú và 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 của 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 từng cấp độ như hình dưới đây, bao gồm tầng hạ tầng, tầng trung gian và tầng ứng dụng, mỗi tầng lại được chia thành các lĩnh vực 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 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.
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, việc huấn luyện và suy luận mô hình AI mới có thể được thực hiện, và các ứng dụng AI mạnh mẽ, hữu ích được trình bày cho 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 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 sinh ra những cách chơi mới, như Compute Labs, đã đề xuất một giao thức mã hóa, người dùng thông qua việc mua NFT đại diện cho thực thể GPU 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, thực hiện 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 dự án 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 sáng tạo để thúc đẩy sự cạnh tranh giữa các loại 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, chẳng hạn như Fetch.ai và ChainML. Các công cụ một cửa giúp các nhà phát triển dễ dàng hơn trong việc tạo, đào tạo và triển khai mô hình AI, đại diện cho các dự án như Nimble. 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 và suy luận cũng như 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 chính 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 và có thể bán dữ liệu của mình trong điều kiện bảo vệ quyền riêng tư, nhằm tránh việc dữ liệu bị các thương gia xấu lợi dụng và thu lợi nhuận cao. Đối với bên có nhu cầu dữ liệu, các nền tảng này cung cấp nhiều lựa chọn và chi phí cực 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 trong lĩnh vực tài chính và pháp lý, người dùng có thể token hóa kỹ năng của mình để thực hiện hợp tác crowdsourcing trong tiền xử lý dữ liệu. Điển hình như thị trường AI của Sahara AI, với các nhiệm vụ dữ liệu từ các lĩnh vực khác nhau, có thể bao phủ nhiều kịch bản dữ liệu; trong khi AIT Protocol thực hiện 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 yêu 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, trong khi nhiệm vụ phát hiện mục tiêu có thể chọn các dòng Yolo, các nhiệm vụ liên quan đến văn bản thường gặp mô hình RNN, Transformer, tất nhiên cũng có 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 đặt dữ liệu mô hình đáng tin cậy vào lớp lưu trữ và lớp phân phối để tối ưu hóa mô hình, công cụ phát triển do Sahara AI cung cấp tích hợp các thuật toán AI tiên tiến và khung tính toán, đồng thời có khả năng đào tạo hợp tác.
Suy diễn và xác nhận: Sau khi mô hình được đào tạo, nó sẽ tạo ra tệp trọng số của 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 kiểm tra xem nguồn gốc của mô hình suy diễn có đúng hay không, có hành vi ác ý hay không, v.v. 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 ORA chuỗi AI tiên tri (OAO), đã đưa OPML vào làm lớp xác thực cho AI tiên tri, 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:
Lớp 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 hệ thống hóa các dự án trong một số lĩnh vực như AIGC (Nội dung được tạo ra bởi AI), đại lý AI và phân tích dữ liệu.
This page may contain third-party content, which is provided for information purposes only (not representations/warranties) and should not be considered as an endorsement of its views by Gate, nor as financial or professional advice. See Disclaimer for details.
16 thích
Phần thưởng
16
7
Chia sẻ
Bình luận
0/400
CommunityWorker
· 07-02 05:28
Lại sắp chơi đùa với mọi người bằng AI rồi đây.
Xem bản gốcTrả lời0
StakeOrRegret
· 07-02 05:27
Một tác phẩm lớn khác, thật tuyệt~ Tôi đã chờ đợi điều này từ lâu.
Xem bản gốcTrả lời0
fren.eth
· 07-02 05:26
Được chơi cho Suckers lại muốn một câu chuyện mới rồi
Xem bản gốcTrả lời0
VibesOverCharts
· 07-02 05:25
Phân tích đường đua để sang một bên, trước tiên hãy xem dự án Airdrop nào có thể hưởng lợi.
Xem bản gốcTrả lời0
FUDwatcher
· 07-02 05:24
Chỉ vậy thôi? Độ sâu phân tích toàn là bẫy lời nói.
Xem bản gốcTrả lời0
TokenomicsTinfoilHat
· 07-02 05:17
Lại đang đầu cơ AI à? Nửa năm trước đã nói là đỉnh rồi chứ?
Xem bản gốcTrả lời0
RektRecovery
· 07-02 05:08
lại một bài viết h hype khác về AI + web3... thật sự đã thấy bộ phim này rồi
Web3-AI toàn cảnh giải thích: sự hòa trộn công nghệ, các tình huống ứng dụng và phân tích sâu các dự án hàng đầu
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 câu chuyện AI, ngày càng nhiều sự chú ý tập trung vào lĩnh vực này. Bài viết này sẽ phân tích sâu sắc logic công nghệ, các tình huống ứng dụng và các dự án tiêu biểu của lĩnh vực Web3-AI, nhằm cung cấp 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, kể từ khi AI kể chuyện đã trở nên rất phổ biến trong ngành Web3, các dự án AI đã 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 sự liên quan thực chất nào với sản phẩm AI, do đó những dự án này không nằm trong 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, và AI để giải quyết vấn đề năng suất lao động. Những dự án này tự 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 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 giới thiệu về quá trình phát triển và những thách thức của AI, cũng như cách Web3 và AI kết hợp để hoàn hảo giải quyết vấn đề và tạo ra những ứng dụng mới.
1.2 Quá trình phát triển và thách thức của AI: 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 giúp 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 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, huấn luyện mô hình và suy luận. Lấy một ví dụ đơn giản, phát triển một mô hình để 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 thành 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 nhiệm vụ phân loại hình ảnh. Tinh chỉnh tham số hoặc kiến trúc mô hình theo nhu cầu khác nhau, thông thường, độ sâu của các lớp 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 có thể là 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 huấn luyện mô hình thường được gọi là trọng số mô hình, quá trình suy diễn là quá trình 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, độ nhạy, chỉ số F1, v.v. 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 điều chỉnh mô hình, và huấn luyện, mô hình đã được huấn luyện sẽ được tiến hành 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 đào tạo có thể được tích hợp thêm vào nhiều ứng dụng khác nhau để 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, nơi người dùng tải lên hình ảnh của mèo hoặc chó để 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 người dùng 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 phải đối mặt với hạn chế không mở nguồn dữ liệu.
Lựa chọn và điều chỉnh mô hình: Đối với các nhóm nhỏ, rất khó để có được tài nguyên mô hình trong lĩnh vực cụ thể hoặc chi 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 trở thành gánh nặng kinh tế đáng kể.
Thu nhập tài sản AI: Những người làm công việc chú thích dữ liệu thường khó có được thu nhập tương xứng với công sức của họ, trong khi kết quả nghiên cứu của các nhà phát triển AI cũng khó khăn trong việc khớp nối 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 việc kết hợp với Web3. Web3 như một loại quan hệ sản xuất mới, tự nhiên phù hợp với AI, đại diện cho lực lượng sản xuất mới, từ đó thúc đẩy sự tiến bộ đồng thời của công nghệ và năng lực sản xuất.
1.3 Sự cộng hưởng giữa Web3 và AI: Sự chuyển đổi vai trò và ứng dụng đổi mới
Web3 và AI kết hợp có thể tăng cường quyền sở hữu của người dùng, cung cấp cho người dùng một nền tảng hợp tác AI mở, giúp người dùng chuyển từ người sử dụng AI thời Web2 thành người tham gia, tạo ra AI mà mọi người đều có thể sở hữu. Đồng thời, sự hòa nhập giữa thế giới Web3 và công nghệ AI cũng 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 mọi người có thể được đảm bảo, 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, 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, nâng cao hiệu quả công việc trong các tình huống ứng dụng khác nhau, chẳng hạn như phân tích thị trường, kiểm tra an ninh, phân cụm xã hội và nhiều chức năng khác. AI sinh tạo không chỉ cho phép người dùng trải nghiệm vai trò "nghệ sĩ", như việc sử dụng công nghệ AI để tạo ra NFT riêng của mình, mà còn có thể tạo ra các cảnh chơi phong phú và 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 của 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 từng cấp độ như hình dưới đây, bao gồm tầng hạ tầng, tầng trung gian và tầng ứng dụng, mỗi tầng lại được chia thành các lĩnh vực 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 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.
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, việc huấn luyện và suy luận mô hình AI mới có thể được thực hiện, và các ứng dụng AI mạnh mẽ, hữu ích được trình bày cho 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 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 sinh ra những cách chơi mới, như Compute Labs, đã đề xuất một giao thức mã hóa, người dùng thông qua việc mua NFT đại diện cho thực thể GPU 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, thực hiện 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 dự án 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 sáng tạo để thúc đẩy sự cạnh tranh giữa các loại 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, chẳng hạn như Fetch.ai và ChainML. Các công cụ một cửa giúp các nhà phát triển dễ dàng hơn trong việc tạo, đào tạo và triển khai mô hình AI, đại diện cho các dự án như Nimble. 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 và suy luận cũng như 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 trong lĩnh vực tài chính và pháp lý, người dùng có thể token hóa kỹ năng của mình để thực hiện hợp tác crowdsourcing trong tiền xử lý dữ liệu. Điển hình như thị trường AI của Sahara AI, với các nhiệm vụ dữ liệu từ các lĩnh vực khác nhau, có thể bao phủ nhiều kịch bản dữ liệu; trong khi AIT Protocol thực hiện 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 đặt dữ liệu mô hình đáng tin cậy vào lớp lưu trữ và lớp phân phối để tối ưu hóa mô hình, công cụ phát triển do Sahara AI cung cấp tích hợp các thuật toán AI tiên tiến và khung tính toán, đồng thời có khả năng đào tạo hợp tác.
Ứng dụng lớp:
Lớp 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 hệ thống hóa các dự án trong một số lĩnh vực như AIGC (Nội dung được tạo ra bởi AI), đại lý AI và phân tích dữ liệu.