Báo cáo toàn cảnh về lĩnh vực Web3-AI: Phân tích sâu về logic công nghệ, ứng dụng cảnh và các dự án hàng đầu

Với sự nhiệt tình ngày càng tăng của câu chuyện AI, ngày càng nhiều sự chú ý được tập trung vào lĩnh vực này. Bài viết này phân tích sâu về logic công nghệ, các tình huống ứng dụng và các dự án đại diện trong lĩnh vực Web3-AI, nhằm trình bày 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 Web3-AI

Trong năm qua, kể từ khi AI kể chuyện trở nên cực kỳ 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, và kinh tế học token cơ bản không có mối liên hệ thực chất với sản phẩm AI, do đó, những dự án này không nằm trong 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 AI giải quyết vấn đề năng suất lao động, 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 vào lĩnh vực Web3-AI. Để giúp độc giả hiểu rõ hơn về lĩnh vực Web3-AI, bài viết sẽ giới thiệu quy trình phát triển AI và những thách thức, cũng như cách kết hợp Web3 và AI hoàn hảo để giải quyết vấn đề và tạo ra các kịch bản ứng dụng mới.

1.2 Quá trình phát triển AI và những thách thức: từ việc thu thập dữ liệu đến suy diễn mô hình

Công nghệ AI là một công nghệ cho phép máy tính mô phỏng, mở rộng và tăng cường trí tuệ con người. Nó có khả năng khiến máy tính thực hiện nhiều nhiệm vụ phức tạp khác nhau, từ dịch ngôn ngữ, phân loại hình ảnh cho đến nhận diện khuôn mặt, lái xe tự động và các ứng dụng khác, AI đang thay đổi cách chúng ta sống và làm việc.

Quá trình phát triển mô hình trí tuệ nhân tạo thường bao gồm các bước quan trọng sau: thu thập dữ liệu và tiền xử lý dữ liệu, chọn và tinh chỉnh mô hình, đào tạo và suy diễn mô hình. Lấy một ví dụ đơn giản, để phát triển một mô hình phân loại hình ảnh mèo và chó, bạn cần:

1. Thu thập dữ liệu và tiền xử lý dữ liệu: Thu thập tập dữ liệu hình ảnh bao gồm 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 với thể loại ( 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.

2. Lựa chọn và tinh chỉnh mô hình: Chọn mô hình phù hợp, chẳng hạn như mạng nơ-ron tích chập (CNN), rất phù hợp cho nhiệm vụ phân loại hình ảnh. Tinh chỉnh tham số hoặc cấu trúc của mô hình theo nhu cầu khác nhau, thường thì, cấp độ 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 mạng nông hơn có thể là đủ.

3. Huấn luyện mô hình: có thể sử dụng GPU, TPU hoặc cụm máy tính hiệu năng 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.

4. Suy diễn mô hình: Tập tin đã được huấn luyện mô hình thường được gọi là trọng số mô hình, quy 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 thử nghiệm hiệu quả phân loại của mô hình, thường được đánh giá bằng các chỉ số như độ chính xác, tỷ lệ hồi phục, F1-score và các chỉ số khác để đánh giá tính hiệu quả của mô hình.

Tuy nhiên, quá trình phát triển AI tập trung gặp một số vấn đề trong những tình huống sau:

Quyền riêng tư của người dùng: Trong các tình huống trung tâm hóa, quá trình phát triển AI thường không minh bạch. Dữ liệu người dùng có thể bị đánh cắp mà không có sự biết đến 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 không mở nguồn dữ liệu.

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 chi tiêu một khoản chi phí lớn để tinh 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 từ tài sản AI: Những người làm công việc gán nhãn dữ liệu thường không thể nhận được thu nhập tương xứng với công sức họ bỏ ra, trong khi kết quả nghiên cứu của các nhà phát triển AI cũng khó để 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 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 năng lực sản xuất.

1.3 Hiệu ứng hợp tác giữa Web3 và AI: Sự chuyển đổi vai trò và ứng dụng đổi mới

Sự kết hợp giữa Web3 và AI có thể tăng cường quyền chủ 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 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 chia sẻ có thể được truy cập với chi phí thấp hơn. Nhờ vào cơ chế crowdsourcing hợp tác phi tập trung và thị trường AI mở, có thể thực hiện một hệ thống phân phối thu nhập công bằng, 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. 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, như phân tích thị trường, kiểm tra an ninh, phân nhóm xã hội và nhiều chức năng khác. AI sinh sinh không chỉ cho phép người dùng trải nghiệm vai trò "nghệ sĩ", chẳng hạn như sử dụng công nghệ AI để tạo ra NFT của riêng họ, mà còn có thể tạo ra những cảnh game phong phú và những 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 kiến trúc của dự án hệ 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 độ 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 phân khúc khác nhau. Ở chương tiếp theo, chúng tôi sẽ thực hiện phân tích độ sâu về 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 diễn xác thực kết nối hạ tầng với ứng dụng, lớp ứng dụng tập trung vào các ứng dụng và giải pháp đa dạng trực tiếp hướng tới 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 huấn luyện và suy diễn mô hình AI mới có thể được thực hiện, và từ đó trình bày các ứng dụng AI mạnh mẽ, hữu ích tới 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 được 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, đề xuất các giao thức mã hóa token, người dùng thông qua việc mua NFT đại diện cho GPU vật lý, có thể tham gia vào việc cho thuê sức mạnh tính toán theo nhiều cách khác nhau để thu được lợi nhuận.

• 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 có thể giao dịch tài sản AI như dữ liệu, mô hình, đại diện, v.v., và cung cấp khung phát triển AI cùng với các công cụ phát triển hỗ trợ, dự án tiêu biểu 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 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, như Fetch.ai và ChainML. Công cụ một điểm dừng giúp các nhà phát triển dễ dàng hơn trong việc tạo, huấn luyện và triển khai mô hình AI, đại diện cho dự án như Nimble. Những cơ sở hạ tầng này thúc đẩy việc áp dụng rộng rãi công nghệ AI trong hệ sinh thái Web3.

Lớp giữa:

Lớp này liên quan đến dữ liệu AI, mô hình cũng như suy diễn 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 chính ảnh hưởng đến hiệu quả đào tạo mô hình. Trong thế giới Web3, thông qua dữ liệu crowdsourcing và xử lý dữ liệu hợp tác, có thể tối ưu hóa việc sử dụng tài nguyên và giảm chi phí dữ liệu. Người dùng có thể sở hữu quyền tự chủ về dữ liệu, bán dữ liệu của mình trong điều kiện bảo vệ quyền riêng tư, nhằm tránh việc dữ liệu bị các thương nhân xấu lấy cắp và thu 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 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 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 yêu cầu kiến thức chuyên môn về tài chính và xử lý dữ liệu pháp lý, người dùng có thể biến kỹ năng thành mã thông báo, thực hiện hợp tác crowdsourcing trong tiền xử lý dữ liệu. Đại diện như thị trường AI Sahara, có các nhiệm vụ dữ liệu trong nhiều lĩnh vực, có thể bao phủ các tình huống 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 đề cập trước đó, các loại yêu cầu khác nhau cần phải phù hợp với mô hình thích hợp, các mô hình thường sử dụng cho nhiệm vụ hình ảnh như CNN, GAN, nhiệm vụ phát hiện đối tượng có thể chọn loạt Yolo, các nhiệm vụ văn bản thường gặp mô hình 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 phải điều chỉnh mô hình.

Một số dự án hỗ trợ người dùng cung cấp các loại mô hình khác nhau hoặc hợp tác huấn luyện mô hình thông qua phương pháp crowdsourcing, 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, và 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 của mô hình, có thể được sử dụng để phân loại, dự đoán hoặc thực hiện 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 trong 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 thức xác thực phổ biến bao gồm các công nghệ như ZKML, OPML và TEE. Các dự án đại diện như ORA chuỗi AI oracle (OAO), đã giới thiệu OPML như là 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 sự kết hợp giữa ZKML và opp/ai(ZKML 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 các lĩnh vực AIGC(, nội dung được tạo ra bởi AI), 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( để tạo ra văn bản, hình ảnh và âm thanh theo các từ gợi ý mà người dùng đưa ra, 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 sử dụng AI để tạo NFT và giao dịch trên thị trường; các trò chơi như Sleepless, người dùng hình thành tính cách của bạn đồng hành ảo thông qua cuộc trò chuyện để phù hợp với sở thích của mình;

• AI代理: Chỉ hệ thống trí tuệ nhân tạo có khả năng tự thực hiện nhiệm vụ và đưa ra quyết định. AI代理 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代理 phổ biến như dịch ngôn ngữ, học ngôn ngữ, chuyển đổi hình ảnh thành văn bản, v.v., trong các tình huống Web3 có thể tạo ra robot giao dịch, tạo meme, phát hiện an ninh trên chuỗi, v.v. Như MyShell là nền tảng AI代理, cung cấp nhiều loại代理 khác nhau, bao gồm học tập giáo dục, bạn đồng hành ảo,代理 giao dịch, v.v., và cung cấp công cụ phát triển代理 thân thiện với người dùng, không cần mã để xây dựng代理 của riêng mình.

• Phân tích dữ liệu: Thông qua việc tích hợp công nghệ AI và cơ sở dữ liệu liên quan, để thực hiện phân tích, đánh giá, dự đoán dữ liệu, trong Web3, có thể hỗ trợ người dùng đưa ra quyết định đầu tư thông qua việc phân tích dữ liệu thị trường, động thái tiền thông minh, v.v. Dự đoán token cũng là một trường hợp ứng dụng độc đáo trong Web3, đại diện cho các dự án như Ocean, chính thức thiết lập dự đoán token dài.