Báo cáo toàn cảnh Web3-AI: Phân tích sâu về logic kỹ thuật, ứng dụng thực tiễn và các dự án hàng đầu Độ sâu

Với sự gia tăng nhiệt độ của AI trong việc kể chuyện, ngày càng nhiều sự chú ý được 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, nhằm trình bày toàn cảnh và xu hướng phát triển của lĩnh vực này.

Một, Web3-AI: Phân tích logic kỹ thuật 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 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, trong khi kinh tế token nền tảng không có mối liên hệ thực sự với sản phẩm AI, do đó các dự án này không nằm trong cuộc thảo luận về các 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 lao động, các 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, cả hai hỗ trợ lẫn nhau. Chúng tôi sẽ phân loại các dự án này thành lĩnh vực Web3-AI. Để giúp độc giả hiểu rõ hơn về lĩnh vực Web3-AI, sau đây sẽ là phần giới thiệu về quy trình phát triển và thách thức của AI, cũng như cách kết hợp giữa Web3 và AI hoàn hảo để 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 tăng cường trí thông minh của con người. Nó có khả năng 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 các bước chính sau: thu thập dữ liệu và tiền xử lý dữ liệu, chọn lựa và tinh chỉnh mô hình, đào tạo mô hình và suy diễn. 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 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 mỗi hình ảnh với loại ( mèo hoặc chó ), đảm bảo rằng nhãn chính xác. Chuyển đổi hình ảnh thành định dạng mà mô hình có thể nhận diện, chia bộ 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), thường phù hợp với nhiệm vụ phân loại hình ảnh. Tinh chỉnh các tham số hoặc kiến trúc của 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 có thể đủ.

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

4. Suy diễn mô hình: Tập tin đã được huấn luyện của mô hình thường được gọi là trọng số mô hình, quá trình suy diễn là 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 dùng các chỉ số như độ chính xác, độ nhạy, F1-score để đánh giá hiệu quả của mô hình.

Như hình đã chỉ ra, sau khi thu thập dữ liệu và tiền xử lý dữ liệu, chọn và điều chỉnh mô hình cũng như đào tạo, việc suy diễn mô hình đã được đào tạo trên tập kiểm tra sẽ đưa ra giá trị dự đoán cho mèo và chó P(probability), tức là xác suất mà mô hình suy diễn ra là mèo hoặc chó.

Mô hình AI đã được huấn luyện có thể được tích hợp 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, người dùng tải lên hình ảnh của mèo hoặc chó, và sẽ 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 đào tạo AI.

Nguồn dữ liệu: Các đội 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 điều 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 điều chỉnh mô hình.

Lấy sức mạnh xử lý: Đối với các nhà phát triển cá nhân và các nhóm nhỏ, chi phí mua GPU cao và phí thuê sức mạnh xử lý đám mây có thể tạo 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 có thể phù hợp với các người mua có nhu cầu.

Những thách thức tồn tại trong bối cảnh AI trung tâm có thể được giải quyết thông qua sự kết hợp với Web3, Web3 như một hình thức quan hệ sản xuất mới, tự nhiên thích ứng với AI đại diện cho sức sản xuất mới, từ đó thúc đẩy sự tiến bộ đồng thời của công nghệ và năng lực sản xuất.

1.3 Hiệu ứng phối hợp 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 trong thời đại 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 ứng dụng và cách chơi đổi mới 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 mọi 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 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 tham gia 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. Ví dụ, các mô hình AI có thể được tích hợp vào hợp đồng thông minh, nâng cao hiệu suất công việc trong các trường hợp ứng dụng khác nhau, như phân tích thị trường, kiểm tra an ninh, phân cụm 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 NFT của riêng mình, mà còn có thể tạo ra những cảnh trò chơi đa dạng 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 gia nhập 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 hệ sinh thái 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 như hình dưới đây, bao gồm lớp cơ sở hạ tầng, lớp trung gian và lớp ứng dụng, mỗi lớp 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 vòng đời hoạt động của AI, lớp trung gian bao gồm quản lý dữ liệu, phát triển mô hình và dịch vụ xác minh suy diễn kết nối giữa cơ sở hạ tầng và ứng dụng, lớp ứng dụng thì 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, trong bài viết này, sức mạnh tính toán, AI Chain và nền tảng phát triển được phân loại là lớp cơ sở hạ tầng. Chính sự hỗ trợ của những cơ sở hạ tầng này mới có thể thực hiện việc huấn luyện và suy diễn mô hình AI, đồng thời trình bày các ứng dụng AI mạnh mẽ, hữu ích đến 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 kiếm lợi, đại diện cho các dự án như IO.NET và Hyperbolic. Ngoài ra, một số dự án đã phát sinh ra các cách chơi mới, như Compute Labs, đề xuất giao thức mã thông báo, 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 kiếm 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 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 hỗ trợ, đại diện cho dự án như Sahara AI. AI Chain còn có thể thúc đẩy sự tiến bộ công nghệ AI trong các lĩnh vực khác nhau, như Bittensor thông qua cơ chế khuyến khích mạng con 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 đại lý AI, còn có thể thực hiện giao dịch đại lý AI, như Fetch.ai và ChainML. Các công cụ một cửa giúp các nhà phát triển dễ dàng hơn trong việc tạo ra, 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 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 luận 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 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 quyền sở hữu dữ liệu, trong điều kiện bảo vệ quyền riêng tư, có thể bán dữ liệu của mình để tránh 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 phong phú và chi phí rất 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 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 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 việc xử lý dữ liệu tài chính và pháp lý, người dùng có thể biến kỹ năng của mình thành mã thông báo, thực hiện hợp tác crowdsourcing cho việc xử lý dữ liệu. Đại diện 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 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 đây, các loại yêu cầu khác nhau cần phải phù hợp với mô hình thích hợp. Các mô hình thường được sử dụng cho các nhiệm vụ hình ảnh như CNN, GAN; đối với nhiệm vụ phát hiện đối tượng, có thể chọn chuỗi Yolo; các nhiệm vụ văn bản thường gặp các mô hình như RNN, Transformer, và tất nhiên còn 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 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 hình thức crowdsourcing, 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 minh: 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 gọi là suy diễn. Quá trình suy diễn thường đi kèm với cơ chế xác minh, để xác minh xem 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 minh phổ biến bao gồm công nghệ ZKML, OPML và TEE. Các dự án đại diện như AI oracle trên chuỗi ORA ( OAO ), đã đưa OPML vào như một 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 kết hợp với OPML ).

Ứng dụng tầng:

Lớp này chủ yếu là các ứng dụng hướng trực tiếp 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 lại các dự án trong các lĩnh vực 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 thông qua Prompt( từ các từ gợi ý do 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 bằng AI để giao dịch trên thị trường; trò chơi như Sleepless, người dùng có thể định hình tính cách của bạn đồng hành ảo qua các cuộc đối thoại để phù hợp với sở thích của mình;

• AI đại lý: chỉ những 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. Các AI đại lý phổ biến như dịch ngôn ngữ,