Dự án Web3 về khái niệm AI trở thành mục tiêu hút vốn trên thị trường sơ cấp và thứ cấp.
Cơ hội của Web3 trong ngành AI thể hiện ở: sử dụng động lực phân phối để phối hợp các nguồn cung tiềm năng trong đuôi dài ------ qua dữ liệu, lưu trữ và tính toán; trong khi đó, xây dựng một mô hình mã nguồn mở cũng như thị trường phi tập trung cho AI Agent.
AI trong ngành Web3 chủ yếu được áp dụng trong tài chính trên chuỗi (thanh toán tiền điện tử, giao dịch, phân tích dữ liệu) và hỗ trợ phát triển.
Hiệu quả của AI+Web3 thể hiện ở sự bổ sung lẫn nhau: Web3 hy vọng sẽ chống lại sự tập trung của AI, trong khi AI hy vọng sẽ giúp Web3 mở rộng ra ngoài.
Giới thiệu
Trong hai năm qua, sự phát triển của AI như thể đã được nhấn nút tăng tốc, cơn gió từ đôi cánh bươm bướm do Chatgpt thổi bùng không chỉ mở ra một thế giới mới của trí tuệ nhân tạo sinh sản, mà còn tạo nên một làn sóng mạnh mẽ ở bên kia là Web3.
Dưới sự hỗ trợ của khái niệm AI, việc huy động vốn trong thị trường tiền điện tử chậm lại rõ rệt. Các phương tiện truyền thông thống kê, chỉ trong nửa đầu năm 2024, đã có 64 dự án Web3+AI hoàn thành việc huy động vốn, hệ điều hành dựa trên trí tuệ nhân tạo Zyber365 đã đạt được số tiền huy động cao nhất 100 triệu USD ở vòng A.
Thị trường thứ cấp trở nên sôi động hơn, dữ liệu từ các trang web tổng hợp tiền điện tử cho thấy, chỉ trong hơn một năm, tổng giá trị thị trường của lĩnh vực AI đã đạt 48,5 tỷ USD, khối lượng giao dịch trong 24 giờ gần 8,6 tỷ USD; những tiến bộ công nghệ AI chính thống mang lại lợi ích rõ rệt, sau khi một công ty phát hành mô hình chuyển đổi văn bản thành video Sora, giá trung bình của lĩnh vực AI đã tăng 151%; hiệu ứng AI cũng lan tỏa đến một trong những lĩnh vực hút vốn tiền điện tử là Meme: MemeCoin đầu tiên có khái niệm AI Agent------GOAT nhanh chóng nổi tiếng và đạt được mức định giá 1,4 tỷ USD, thành công trong việc khơi dậy cơn sốt AI Meme.
Về nghiên cứu và các chủ đề liên quan đến AI+Web3 cũng đang nóng như cồn, từ AI+Depin đến AI Memecoin cho đến hiện tại là AI Agent và AI DAO, cảm xúc FOMO đã không còn theo kịp tốc độ xoay chuyển của các câu chuyện mới.
AI+Web3, cụm thuật ngữ này tràn đầy tiền nóng, điểm nhấn và ảo tưởng về tương lai, khó tránh khỏi bị người ta coi như một cuộc hôn nhân sắp đặt do vốn mối ghép, chúng ta dường như rất khó để phân biệt dưới chiếc áo choàng hào nhoáng này, rốt cuộc là sân chơi của những kẻ đầu cơ, hay là đêm trước khi ánh bình minh bùng nổ?
Để trả lời câu hỏi này, một suy nghĩ quan trọng đối với cả hai bên là liệu có thể trở nên tốt hơn khi có nhau không? Liệu có thể hưởng lợi từ mô hình của bên kia? Trong bài viết này, chúng tôi cũng cố gắng đứng trên vai những người đi trước để xem xét cấu trúc này: Web3 có thể đóng vai trò như thế nào trong từng phần của công nghệ AI, và AI có thể mang lại sức sống mới cho Web3 như thế nào?
Phần 1: Có cơ hội gì dưới Web3 trong AI Stack?
Trước khi mở rộng chủ đề này, chúng ta cần hiểu về công nghệ nền tảng của mô hình AI lớn:
Diễn đạt toàn bộ quá trình bằng ngôn ngữ đơn giản hơn: "Mô hình lớn" giống như bộ não của con người, trong giai đoạn đầu, bộ não này thuộc về một em bé vừa mới ra đời, cần quan sát và tiếp nhận một lượng thông tin khổng lồ từ thế giới xung quanh để hiểu thế giới này, đó là giai đoạn "thu thập" dữ liệu; do máy tính không có các giác quan như thị giác, thính giác của con người, trước khi đào tạo, thông tin không có nhãn lớn từ bên ngoài cần được "tiền xử lý" để chuyển đổi thành định dạng thông tin mà máy tính có thể hiểu và sử dụng.
Sau khi nhập dữ liệu, AI thông qua "huấn luyện" đã xây dựng một mô hình có khả năng hiểu và dự đoán, có thể được xem như quá trình mà một đứa trẻ dần dần hiểu và học hỏi về thế giới xung quanh. Các tham số của mô hình giống như khả năng ngôn ngữ của đứa trẻ được điều chỉnh liên tục trong quá trình học. Khi nội dung học bắt đầu được phân loại, hoặc khi giao tiếp với con người nhận được phản hồi và điều chỉnh, quá trình "tinh chỉnh" của mô hình lớn sẽ bắt đầu.
Trẻ em dần lớn lên và khi biết nói, chúng có thể hiểu ý nghĩa và diễn đạt cảm xúc cũng như suy nghĩ của mình trong các cuộc đối thoại mới. Giai đoạn này tương tự như "suy diễn" của mô hình AI lớn, khi mà mô hình có khả năng dự đoán và phân tích các đầu vào ngôn ngữ và văn bản mới. Trẻ sơ sinh thể hiện cảm xúc qua khả năng ngôn ngữ, mô tả vật thể và giải quyết nhiều vấn đề khác nhau, điều này cũng tương tự như việc mô hình AI lớn áp dụng vào các nhiệm vụ cụ thể sau khi hoàn thành quá trình huấn luyện và đưa vào sử dụng trong giai đoạn suy diễn, chẳng hạn như phân loại hình ảnh, nhận diện giọng nói, v.v.
Và AI Agent thì gần gũi hơn với hình thái tiếp theo của mô hình lớn - có khả năng thực hiện nhiệm vụ độc lập và theo đuổi những mục tiêu phức tạp, không chỉ có khả năng tư duy mà còn có khả năng ghi nhớ, lập kế hoạch, và có thể sử dụng công cụ để tương tác với thế giới.
Hiện tại, nhằm giải quyết những điểm đau của AI trong các ngăn xếp khác nhau, Web3 hiện đã hình thành một hệ sinh thái đa tầng, kết nối lẫn nhau, bao gồm tất cả các giai đoạn của quy trình mô hình AI.
Một, Tầng cơ sở: Năng lực tính toán và dữ liệu của Airbnb
Công suất tính toán
Hiện tại, một trong những chi phí cao nhất của AI là sức mạnh tính toán và năng lượng cần thiết để huấn luyện các mô hình và suy luận.
Một ví dụ là, LLAMA3 của một công ty cần 16.000 H100GPU do một công ty sản xuất (đây là một đơn vị xử lý đồ họa hàng đầu được thiết kế cho các khối lượng công việc trí tuệ nhân tạo và tính toán hiệu suất cao.) để hoàn thành việc đào tạo trong 30 ngày. Giá đơn vị của phiên bản 80GB là từ 30.000 đến 40.000 đô la, điều này cần một khoản đầu tư vào phần cứng tính toán (GPU + chip mạng) từ 4-7 trăm triệu đô la, trong khi đó, việc đào tạo hàng tháng tiêu tốn 1,6 tỷ kWh, chi phí năng lượng hàng tháng gần 20 triệu đô la.
Việc giải nén sức mạnh AI chính là lĩnh vực giao thoa sớm nhất giữa Web3 và AI ------ DePin (Mạng cơ sở hạ tầng vật lý phi tập trung). Hiện nay, một trang dữ liệu đã liệt kê hơn 1400 dự án, trong đó các dự án đại diện cho việc chia sẻ sức mạnh GPU bao gồm nhiều dự án.
Logic chính của nó là: nền tảng cho phép các cá nhân hoặc thực thể sở hữu tài nguyên GPU nhàn rỗi đóng góp khả năng tính toán của họ một cách phi tập trung không cần giấy phép, thông qua một thị trường trực tuyến tương tự như những người mua và người bán của một công ty nào đó, nâng cao tỷ lệ sử dụng tài nguyên GPU chưa được tận dụng đầy đủ, từ đó người dùng cuối cũng nhận được tài nguyên tính toán hiệu quả với chi phí thấp hơn; đồng thời, cơ chế staking cũng đảm bảo rằng nếu xảy ra vi phạm cơ chế kiểm soát chất lượng hoặc gián đoạn mạng, nhà cung cấp tài nguyên sẽ phải chịu hình phạt tương ứng.
Đặc điểm của nó là:
Tập hợp tài nguyên GPU nhàn rỗi: Các nhà cung cấp chủ yếu là các trung tâm dữ liệu độc lập nhỏ và vừa bên thứ ba, các nhà khai thác mỏ tiền điện tử và các tài nguyên tính toán dư thừa, cơ chế đồng thuận là phần cứng khai thác PoS, chẳng hạn như một số máy khai thác của các dự án. Hiện tại cũng có một số dự án nhằm khởi động các thiết bị có ngưỡng tham gia thấp hơn, chẳng hạn như một số dự án sử dụng một số thiết bị để xây dựng mạng lưới tính toán cho việc suy luận mô hình lớn.
Đối mặt với thị trường dài đuôi của sức mạnh AI:
a. "Về mặt công nghệ," thị trường sức mạnh tính toán phi tập trung phù hợp hơn cho các bước suy luận. Đào tạo phụ thuộc nhiều hơn vào khả năng xử lý dữ liệu do quy mô cụm GPU cực lớn mang lại, trong khi suy luận yêu cầu hiệu suất tính toán GPU tương đối thấp, như một số dự án tập trung vào công việc dựng hình có độ trễ thấp và ứng dụng suy luận AI.
b. "Về phía nhu cầu" thì các bên có nhu cầu tính toán nhỏ sẽ không tự mình đào tạo mô hình lớn mà chỉ lựa chọn tối ưu hóa, tinh chỉnh xung quanh một số mô hình lớn hàng đầu, và những trường hợp này tự nhiên phù hợp với tài nguyên tính toán nhàn rỗi phân tán.
Quyền sở hữu phi tập trung: Ý nghĩa công nghệ của blockchain là chủ sở hữu tài nguyên luôn giữ quyền kiểm soát tài nguyên của họ, linh hoạt điều chỉnh theo nhu cầu, đồng thời thu được lợi nhuận.
Dữ liệu
Dữ liệu là nền tảng của AI. Nếu không có dữ liệu, tính toán giống như một chiếc bè trôi nổi không có tác dụng gì, và mối quan hệ giữa dữ liệu và mô hình giống như câu ngạn ngữ "Garbage in, Garbage out". Số lượng dữ liệu và chất lượng đầu vào quyết định chất lượng đầu ra cuối cùng của mô hình. Đối với việc đào tạo mô hình AI hiện nay, dữ liệu quyết định khả năng ngôn ngữ, khả năng hiểu biết, thậm chí là giá trị quan và biểu hiện nhân văn của mô hình. Hiện tại, khó khăn về nhu cầu dữ liệu của AI chủ yếu tập trung vào bốn khía cạnh sau:
Khát dữ liệu: Việc đào tạo mô hình AI phụ thuộc vào lượng dữ liệu đầu vào lớn. Tài liệu công khai cho thấy, một công ty đã đào tạo một mô hình với số lượng tham số lên đến hàng nghìn tỷ.
Chất lượng dữ liệu: Với sự kết hợp của AI và các ngành, tính kịp thời của dữ liệu, sự đa dạng của dữ liệu, tính chuyên môn của dữ liệu theo lĩnh vực, và việc tiếp nhận các nguồn dữ liệu mới nổi như cảm xúc từ mạng xã hội đã đặt ra những yêu cầu mới cho chất lượng của nó.
Các vấn đề về quyền riêng tư và tuân thủ: Hiện nay, các quốc gia và doanh nghiệp đang dần nhận thức được tầm quan trọng của các tập dữ liệu chất lượng và đang áp dụng các hạn chế đối với việc thu thập dữ liệu.
Chi phí xử lý dữ liệu cao: Khối lượng dữ liệu lớn, quy trình xử lý phức tạp. Tài liệu công khai cho thấy, hơn 30% chi phí nghiên cứu và phát triển của các công ty AI được sử dụng cho việc thu thập và xử lý dữ liệu cơ bản.
Hiện tại, các giải pháp web3 được thể hiện qua bốn khía cạnh sau:
Thu thập dữ liệu: Việc cung cấp miễn phí dữ liệu từ thế giới thực đang nhanh chóng cạn kiệt, chi phí mà các công ty AI phải trả cho dữ liệu đang tăng lên hàng năm. Nhưng đồng thời, khoản chi này không được trả lại cho những người đóng góp thực sự cho dữ liệu, mà các nền tảng hoàn toàn hưởng lợi từ giá trị tạo ra từ dữ liệu, chẳng hạn như một nền tảng đã đạt doanh thu tổng cộng 203 triệu USD thông qua việc ký kết thỏa thuận cấp phép dữ liệu với các công ty AI.
Để những người dùng thực sự có đóng góp cũng tham gia vào việc tạo ra giá trị từ dữ liệu, và thông qua mạng lưới phân phối cùng với cơ chế khuyến khích, có thể thu thập dữ liệu cá nhân hơn, có giá trị hơn với chi phí thấp, đó chính là tầm nhìn của Web3.
Một dự án là một lớp dữ liệu và mạng phi tập trung, người dùng có thể chạy nút, đóng góp băng thông nhàn rỗi và lưu lượng trung gian để thu thập dữ liệu thời gian thực từ toàn bộ internet, và nhận thưởng bằng token;
Một dự án đã giới thiệu khái niệm về bể thanh khoản dữ liệu độc đáo (DLP), người dùng có thể tải lên dữ liệu cá nhân của họ (như lịch sử mua sắm, thói quen duyệt web, hoạt động trên mạng xã hội, v.v.) vào DLP cụ thể và linh hoạt lựa chọn xem có cho phép các bên thứ ba cụ thể sử dụng những dữ liệu này hay không;
Trong một dự án nào đó, người dùng có thể sử dụng một số thẻ trên một nền tảng nào đó và @ một tài khoản để thực hiện việc thu thập dữ liệu.
Xử lý dữ liệu: Trong quá trình xử lý dữ liệu của AI, do dữ liệu thu thập thường ồn ào và chứa lỗi, nó phải được làm sạch và chuyển đổi thành định dạng có thể sử dụng trước khi đào tạo mô hình, liên quan đến các nhiệm vụ lặp đi lặp lại như chuẩn hóa, lọc và xử lý các giá trị thiếu. Giai đoạn này là một trong số ít các công đoạn thủ công trong ngành AI, đã phát sinh ra ngành công nghiệp nhân viên gán nhãn dữ liệu. Khi yêu cầu về chất lượng dữ liệu của mô hình tăng lên, ngưỡng vào nghề của nhân viên gán nhãn dữ liệu cũng tăng theo, và nhiệm vụ này tự nhiên phù hợp với cơ chế khuyến khích phi tập trung của Web3.
Hiện tại, một số dự án đang xem xét việc tham gia vào giai đoạn quan trọng của việc gán nhãn dữ liệu.
Một dự án đã đưa ra khái niệm "Train2earn", nhấn mạnh chất lượng dữ liệu, người dùng có thể nhận thưởng bằng cách cung cấp dữ liệu được gán nhãn, chú thích hoặc các hình thức đầu vào khác.
Dự án chú thích dữ liệu nào đó sẽ biến nhiệm vụ đánh dấu thành trò chơi, và cho phép người dùng đặt cọc điểm để kiếm thêm điểm.
Quyền riêng tư và an ninh dữ liệu: Cần làm rõ rằng quyền riêng tư và an ninh dữ liệu là hai khái niệm khác nhau. Quyền riêng tư dữ liệu liên quan đến việc xử lý dữ liệu nhạy cảm, trong khi an ninh dữ liệu bảo vệ thông tin dữ liệu khỏi việc truy cập, phá hoại và đánh cắp trái phép. Do đó, lợi thế của công nghệ quyền riêng tư Web3 và các kịch bản ứng dụng tiềm năng thể hiện ở hai khía cạnh: (1) Đào tạo dữ liệu nhạy cảm; (2) Hợp tác dữ liệu: Nhiều chủ sở hữu dữ liệu có thể cùng tham gia vào đào tạo AI mà không cần chia sẻ dữ liệu gốc của họ.
Các công nghệ bảo mật phổ biến hiện nay của Web3 bao gồm:
Môi trường thực thi đáng tin cậy ( TEE ), chẳng hạn như một dự án;
Mã hóa hoàn toàn đồng nhất (FHE), chẳng hạn như một số dự án;
Công nghệ bằng chứng không kiến thức (zk), như một dự án sử dụng công nghệ zkTLS, tạo ra bằng chứng không kiến thức cho lưu lượng HTTPS, cho phép người dùng an toàn nhập dữ liệu hoạt động, danh tiếng và danh tính từ các trang web bên ngoài mà không cần tiết lộ thông tin nhạy cảm.
Tuy nhiên, hiện tại lĩnh vực này vẫn đang ở giai đoạn đầu, phần lớn các dự án vẫn đang trong quá trình khám phá, một khó khăn hiện tại là chi phí tính toán quá cao, một số ví dụ là:
Một khung cần khoảng 80 phút để tạo ra một chứng minh cho mô hình 1M-nanoGPT.
Theo dữ liệu của một công ty, chi phí của zkML cao hơn 1000 lần so với tính toán thuần túy.
4、Lưu trữ dữ liệu: Sau khi có dữ liệu, cần một không gian
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.
18 thích
Phần thưởng
18
3
Chia sẻ
Bình luận
0/400
GateUser-ccc36bc5
· 08-01 08:45
Tiền chạy nhanh hơn cả tôi.
Xem bản gốcTrả lời0
airdrop_huntress
· 08-01 08:43
Cũng chỉ có vậy thôi, chủ đề mới để Được chơi cho Suckers mà thôi.
Sự kết hợp giữa AI và Web3: Mở ra kỷ nguyên mới về dữ liệu, Khả năng tính toán và đổi mới.
AI+Web3: Tòa tháp và Quảng trường
TL;DR
Dự án Web3 về khái niệm AI trở thành mục tiêu hút vốn trên thị trường sơ cấp và thứ cấp.
Cơ hội của Web3 trong ngành AI thể hiện ở: sử dụng động lực phân phối để phối hợp các nguồn cung tiềm năng trong đuôi dài ------ qua dữ liệu, lưu trữ và tính toán; trong khi đó, xây dựng một mô hình mã nguồn mở cũng như thị trường phi tập trung cho AI Agent.
AI trong ngành Web3 chủ yếu được áp dụng trong tài chính trên chuỗi (thanh toán tiền điện tử, giao dịch, phân tích dữ liệu) và hỗ trợ phát triển.
Hiệu quả của AI+Web3 thể hiện ở sự bổ sung lẫn nhau: Web3 hy vọng sẽ chống lại sự tập trung của AI, trong khi AI hy vọng sẽ giúp Web3 mở rộng ra ngoài.
Giới thiệu
Trong hai năm qua, sự phát triển của AI như thể đã được nhấn nút tăng tốc, cơn gió từ đôi cánh bươm bướm do Chatgpt thổi bùng không chỉ mở ra một thế giới mới của trí tuệ nhân tạo sinh sản, mà còn tạo nên một làn sóng mạnh mẽ ở bên kia là Web3.
Dưới sự hỗ trợ của khái niệm AI, việc huy động vốn trong thị trường tiền điện tử chậm lại rõ rệt. Các phương tiện truyền thông thống kê, chỉ trong nửa đầu năm 2024, đã có 64 dự án Web3+AI hoàn thành việc huy động vốn, hệ điều hành dựa trên trí tuệ nhân tạo Zyber365 đã đạt được số tiền huy động cao nhất 100 triệu USD ở vòng A.
Thị trường thứ cấp trở nên sôi động hơn, dữ liệu từ các trang web tổng hợp tiền điện tử cho thấy, chỉ trong hơn một năm, tổng giá trị thị trường của lĩnh vực AI đã đạt 48,5 tỷ USD, khối lượng giao dịch trong 24 giờ gần 8,6 tỷ USD; những tiến bộ công nghệ AI chính thống mang lại lợi ích rõ rệt, sau khi một công ty phát hành mô hình chuyển đổi văn bản thành video Sora, giá trung bình của lĩnh vực AI đã tăng 151%; hiệu ứng AI cũng lan tỏa đến một trong những lĩnh vực hút vốn tiền điện tử là Meme: MemeCoin đầu tiên có khái niệm AI Agent------GOAT nhanh chóng nổi tiếng và đạt được mức định giá 1,4 tỷ USD, thành công trong việc khơi dậy cơn sốt AI Meme.
Về nghiên cứu và các chủ đề liên quan đến AI+Web3 cũng đang nóng như cồn, từ AI+Depin đến AI Memecoin cho đến hiện tại là AI Agent và AI DAO, cảm xúc FOMO đã không còn theo kịp tốc độ xoay chuyển của các câu chuyện mới.
AI+Web3, cụm thuật ngữ này tràn đầy tiền nóng, điểm nhấn và ảo tưởng về tương lai, khó tránh khỏi bị người ta coi như một cuộc hôn nhân sắp đặt do vốn mối ghép, chúng ta dường như rất khó để phân biệt dưới chiếc áo choàng hào nhoáng này, rốt cuộc là sân chơi của những kẻ đầu cơ, hay là đêm trước khi ánh bình minh bùng nổ?
Để trả lời câu hỏi này, một suy nghĩ quan trọng đối với cả hai bên là liệu có thể trở nên tốt hơn khi có nhau không? Liệu có thể hưởng lợi từ mô hình của bên kia? Trong bài viết này, chúng tôi cũng cố gắng đứng trên vai những người đi trước để xem xét cấu trúc này: Web3 có thể đóng vai trò như thế nào trong từng phần của công nghệ AI, và AI có thể mang lại sức sống mới cho Web3 như thế nào?
Phần 1: Có cơ hội gì dưới Web3 trong AI Stack?
Trước khi mở rộng chủ đề này, chúng ta cần hiểu về công nghệ nền tảng của mô hình AI lớn:
Diễn đạt toàn bộ quá trình bằng ngôn ngữ đơn giản hơn: "Mô hình lớn" giống như bộ não của con người, trong giai đoạn đầu, bộ não này thuộc về một em bé vừa mới ra đời, cần quan sát và tiếp nhận một lượng thông tin khổng lồ từ thế giới xung quanh để hiểu thế giới này, đó là giai đoạn "thu thập" dữ liệu; do máy tính không có các giác quan như thị giác, thính giác của con người, trước khi đào tạo, thông tin không có nhãn lớn từ bên ngoài cần được "tiền xử lý" để chuyển đổi thành định dạng thông tin mà máy tính có thể hiểu và sử dụng.
Sau khi nhập dữ liệu, AI thông qua "huấn luyện" đã xây dựng một mô hình có khả năng hiểu và dự đoán, có thể được xem như quá trình mà một đứa trẻ dần dần hiểu và học hỏi về thế giới xung quanh. Các tham số của mô hình giống như khả năng ngôn ngữ của đứa trẻ được điều chỉnh liên tục trong quá trình học. Khi nội dung học bắt đầu được phân loại, hoặc khi giao tiếp với con người nhận được phản hồi và điều chỉnh, quá trình "tinh chỉnh" của mô hình lớn sẽ bắt đầu.
Trẻ em dần lớn lên và khi biết nói, chúng có thể hiểu ý nghĩa và diễn đạt cảm xúc cũng như suy nghĩ của mình trong các cuộc đối thoại mới. Giai đoạn này tương tự như "suy diễn" của mô hình AI lớn, khi mà mô hình có khả năng dự đoán và phân tích các đầu vào ngôn ngữ và văn bản mới. Trẻ sơ sinh thể hiện cảm xúc qua khả năng ngôn ngữ, mô tả vật thể và giải quyết nhiều vấn đề khác nhau, điều này cũng tương tự như việc mô hình AI lớn áp dụng vào các nhiệm vụ cụ thể sau khi hoàn thành quá trình huấn luyện và đưa vào sử dụng trong giai đoạn suy diễn, chẳng hạn như phân loại hình ảnh, nhận diện giọng nói, v.v.
Và AI Agent thì gần gũi hơn với hình thái tiếp theo của mô hình lớn - có khả năng thực hiện nhiệm vụ độc lập và theo đuổi những mục tiêu phức tạp, không chỉ có khả năng tư duy mà còn có khả năng ghi nhớ, lập kế hoạch, và có thể sử dụng công cụ để tương tác với thế giới.
Hiện tại, nhằm giải quyết những điểm đau của AI trong các ngăn xếp khác nhau, Web3 hiện đã hình thành một hệ sinh thái đa tầng, kết nối lẫn nhau, bao gồm tất cả các giai đoạn của quy trình mô hình AI.
Một, Tầng cơ sở: Năng lực tính toán và dữ liệu của Airbnb
Công suất tính toán
Hiện tại, một trong những chi phí cao nhất của AI là sức mạnh tính toán và năng lượng cần thiết để huấn luyện các mô hình và suy luận.
Một ví dụ là, LLAMA3 của một công ty cần 16.000 H100GPU do một công ty sản xuất (đây là một đơn vị xử lý đồ họa hàng đầu được thiết kế cho các khối lượng công việc trí tuệ nhân tạo và tính toán hiệu suất cao.) để hoàn thành việc đào tạo trong 30 ngày. Giá đơn vị của phiên bản 80GB là từ 30.000 đến 40.000 đô la, điều này cần một khoản đầu tư vào phần cứng tính toán (GPU + chip mạng) từ 4-7 trăm triệu đô la, trong khi đó, việc đào tạo hàng tháng tiêu tốn 1,6 tỷ kWh, chi phí năng lượng hàng tháng gần 20 triệu đô la.
Việc giải nén sức mạnh AI chính là lĩnh vực giao thoa sớm nhất giữa Web3 và AI ------ DePin (Mạng cơ sở hạ tầng vật lý phi tập trung). Hiện nay, một trang dữ liệu đã liệt kê hơn 1400 dự án, trong đó các dự án đại diện cho việc chia sẻ sức mạnh GPU bao gồm nhiều dự án.
Logic chính của nó là: nền tảng cho phép các cá nhân hoặc thực thể sở hữu tài nguyên GPU nhàn rỗi đóng góp khả năng tính toán của họ một cách phi tập trung không cần giấy phép, thông qua một thị trường trực tuyến tương tự như những người mua và người bán của một công ty nào đó, nâng cao tỷ lệ sử dụng tài nguyên GPU chưa được tận dụng đầy đủ, từ đó người dùng cuối cũng nhận được tài nguyên tính toán hiệu quả với chi phí thấp hơn; đồng thời, cơ chế staking cũng đảm bảo rằng nếu xảy ra vi phạm cơ chế kiểm soát chất lượng hoặc gián đoạn mạng, nhà cung cấp tài nguyên sẽ phải chịu hình phạt tương ứng.
Đặc điểm của nó là:
Tập hợp tài nguyên GPU nhàn rỗi: Các nhà cung cấp chủ yếu là các trung tâm dữ liệu độc lập nhỏ và vừa bên thứ ba, các nhà khai thác mỏ tiền điện tử và các tài nguyên tính toán dư thừa, cơ chế đồng thuận là phần cứng khai thác PoS, chẳng hạn như một số máy khai thác của các dự án. Hiện tại cũng có một số dự án nhằm khởi động các thiết bị có ngưỡng tham gia thấp hơn, chẳng hạn như một số dự án sử dụng một số thiết bị để xây dựng mạng lưới tính toán cho việc suy luận mô hình lớn.
Đối mặt với thị trường dài đuôi của sức mạnh AI:
a. "Về mặt công nghệ," thị trường sức mạnh tính toán phi tập trung phù hợp hơn cho các bước suy luận. Đào tạo phụ thuộc nhiều hơn vào khả năng xử lý dữ liệu do quy mô cụm GPU cực lớn mang lại, trong khi suy luận yêu cầu hiệu suất tính toán GPU tương đối thấp, như một số dự án tập trung vào công việc dựng hình có độ trễ thấp và ứng dụng suy luận AI.
b. "Về phía nhu cầu" thì các bên có nhu cầu tính toán nhỏ sẽ không tự mình đào tạo mô hình lớn mà chỉ lựa chọn tối ưu hóa, tinh chỉnh xung quanh một số mô hình lớn hàng đầu, và những trường hợp này tự nhiên phù hợp với tài nguyên tính toán nhàn rỗi phân tán.
Dữ liệu
Dữ liệu là nền tảng của AI. Nếu không có dữ liệu, tính toán giống như một chiếc bè trôi nổi không có tác dụng gì, và mối quan hệ giữa dữ liệu và mô hình giống như câu ngạn ngữ "Garbage in, Garbage out". Số lượng dữ liệu và chất lượng đầu vào quyết định chất lượng đầu ra cuối cùng của mô hình. Đối với việc đào tạo mô hình AI hiện nay, dữ liệu quyết định khả năng ngôn ngữ, khả năng hiểu biết, thậm chí là giá trị quan và biểu hiện nhân văn của mô hình. Hiện tại, khó khăn về nhu cầu dữ liệu của AI chủ yếu tập trung vào bốn khía cạnh sau:
Khát dữ liệu: Việc đào tạo mô hình AI phụ thuộc vào lượng dữ liệu đầu vào lớn. Tài liệu công khai cho thấy, một công ty đã đào tạo một mô hình với số lượng tham số lên đến hàng nghìn tỷ.
Chất lượng dữ liệu: Với sự kết hợp của AI và các ngành, tính kịp thời của dữ liệu, sự đa dạng của dữ liệu, tính chuyên môn của dữ liệu theo lĩnh vực, và việc tiếp nhận các nguồn dữ liệu mới nổi như cảm xúc từ mạng xã hội đã đặt ra những yêu cầu mới cho chất lượng của nó.
Các vấn đề về quyền riêng tư và tuân thủ: Hiện nay, các quốc gia và doanh nghiệp đang dần nhận thức được tầm quan trọng của các tập dữ liệu chất lượng và đang áp dụng các hạn chế đối với việc thu thập dữ liệu.
Chi phí xử lý dữ liệu cao: Khối lượng dữ liệu lớn, quy trình xử lý phức tạp. Tài liệu công khai cho thấy, hơn 30% chi phí nghiên cứu và phát triển của các công ty AI được sử dụng cho việc thu thập và xử lý dữ liệu cơ bản.
Hiện tại, các giải pháp web3 được thể hiện qua bốn khía cạnh sau:
Để những người dùng thực sự có đóng góp cũng tham gia vào việc tạo ra giá trị từ dữ liệu, và thông qua mạng lưới phân phối cùng với cơ chế khuyến khích, có thể thu thập dữ liệu cá nhân hơn, có giá trị hơn với chi phí thấp, đó chính là tầm nhìn của Web3.
Một dự án là một lớp dữ liệu và mạng phi tập trung, người dùng có thể chạy nút, đóng góp băng thông nhàn rỗi và lưu lượng trung gian để thu thập dữ liệu thời gian thực từ toàn bộ internet, và nhận thưởng bằng token;
Một dự án đã giới thiệu khái niệm về bể thanh khoản dữ liệu độc đáo (DLP), người dùng có thể tải lên dữ liệu cá nhân của họ (như lịch sử mua sắm, thói quen duyệt web, hoạt động trên mạng xã hội, v.v.) vào DLP cụ thể và linh hoạt lựa chọn xem có cho phép các bên thứ ba cụ thể sử dụng những dữ liệu này hay không;
Trong một dự án nào đó, người dùng có thể sử dụng một số thẻ trên một nền tảng nào đó và @ một tài khoản để thực hiện việc thu thập dữ liệu.
Hiện tại, một số dự án đang xem xét việc tham gia vào giai đoạn quan trọng của việc gán nhãn dữ liệu.
Một dự án đã đưa ra khái niệm "Train2earn", nhấn mạnh chất lượng dữ liệu, người dùng có thể nhận thưởng bằng cách cung cấp dữ liệu được gán nhãn, chú thích hoặc các hình thức đầu vào khác.
Dự án chú thích dữ liệu nào đó sẽ biến nhiệm vụ đánh dấu thành trò chơi, và cho phép người dùng đặt cọc điểm để kiếm thêm điểm.
Các công nghệ bảo mật phổ biến hiện nay của Web3 bao gồm:
Môi trường thực thi đáng tin cậy ( TEE ), chẳng hạn như một dự án;
Mã hóa hoàn toàn đồng nhất (FHE), chẳng hạn như một số dự án;
Công nghệ bằng chứng không kiến thức (zk), như một dự án sử dụng công nghệ zkTLS, tạo ra bằng chứng không kiến thức cho lưu lượng HTTPS, cho phép người dùng an toàn nhập dữ liệu hoạt động, danh tiếng và danh tính từ các trang web bên ngoài mà không cần tiết lộ thông tin nhạy cảm.
Tuy nhiên, hiện tại lĩnh vực này vẫn đang ở giai đoạn đầu, phần lớn các dự án vẫn đang trong quá trình khám phá, một khó khăn hiện tại là chi phí tính toán quá cao, một số ví dụ là:
Một khung cần khoảng 80 phút để tạo ra một chứng minh cho mô hình 1M-nanoGPT.
Theo dữ liệu của một công ty, chi phí của zkML cao hơn 1000 lần so với tính toán thuần túy.
4、Lưu trữ dữ liệu: Sau khi có dữ liệu, cần một không gian