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

Với sự gia tăng nhiệt tình trong việc kể chuyện bằng AI, ngày càng nhiều sự chú ý tập trung vào lĩnh vực này. Bài viết này phân tích sâu sắc logic công nghệ, các kịch bản ứng dụng và các dự án đại diện trong lĩnh vực Web3-AI, nhằm cung cấp cho bạn cái nhìn toàn cảnh và xu hướng phát triển trong lĩnh vực này.

Một, Web3-AI: Phân tích logic công nghệ và cơ hội thị trường mới nổi

1.1 Logic hợp tác giữa Web3 và AI: Làm thế nào để xác định lĩnh vực Web-AI

Trong năm qua, việc kể chuyện AI đã trở nên vô cùng phổ biến trong ngành Web3, các dự án AI nở rộ 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 phần nhất định của sản phẩm, kinh tế token cơ bản không có mối liên hệ thực chất 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.

Bài viết này tập trung vào việc sử dụng blockchain để giải quyết vấn đề quan hệ sản xuất, trong khi AI giải quyết vấn đề năng suất, các 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 danh mục Web3-AI. Để giúp độc giả hiểu rõ hơn về lĩnh vực Web3-AI, bài viết sẽ trình bày quá trình phát triển và thách thức của AI, cũng như cách kết hợp Web3 và AI hoàn hảo để giải quyết vấn đề và tạo ra các tình huống ứng dụng mới.

1.2 Quy trình phát triển AI và những thách thức: Từ việc thu thập dữ liệu đến suy luận 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 khác nhau, từ dịch ngôn ngữ, phân loại hình ảnh 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 quan trọng sau: thu thập dữ liệu và tiền xử lý dữ liệu, chọn lựa và điều chỉnh mô hình, huấn luyện 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 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. 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.

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

3. 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.

4. Suy diễn mô hình: Tệp đã được huấn luyện của 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 các chỉ số như độ chính xác, tỷ lệ thu hồi, F1-score.

Sau khi thu thập dữ liệu và tiền xử lý dữ liệu, chọn và tối ưu hóa mô hình, mô hình đã được huấn luyện sẽ được 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 huấn luyện 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, người dùng tải lên hình ảnh của mèo hoặc chó, và 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 có sự đồng ý và được sử dụng cho việc huấn luyện AI.

Nguồn dữ liệu: Các nhóm nhỏ hoặc cá nhân có thể gặp phải hạn chế không mở nguồn dữ liệu khi thu thập dữ liệu trong các lĩnh vực cụ thể (như dữ liệu y tế).

Lựa chọn và tối ưu mô hình: Đối với các nhóm nhỏ, thật khó để có được tài nguyên mô hình trong lĩnh vực cụ thể hoặc chi một khoản chi phí lớn cho việc tối ưu hóa mô hình.

Lấy sức mạnh xử lý: Đối với các nhà phát triển cá nhân và nhóm nhỏ, chi phí mua GPU cao và phí thuê sức mạnh xử lý từ 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 của họ, trong khi kết quả nghiên cứu của các nhà phát triển AI cũng khó mà khớp 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 khả năng 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 sở hữu của người dùng, cung cấp cho người dùng một nền tảng hợp tác AI mở, giúp người dùng chuyển đổi 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 hòa quyện giữa thế giới Web3 và công nghệ AI cũng có thể tạo ra nhiều tình huống 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 sẽ được bảo đảm, mô hình crowdsourcing dữ liệu sẽ thúc đẩy sự tiến bộ của các mô hình AI, nhiều tài nguyên AI mã nguồn mở sẽ có sẵn cho người dùng, và sức mạnh tính toán được 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 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, mô hình AI có thể được tích hợp vào hợp đồng thông minh, nâng cao hiệu quả công việc trong các ứng dụng khác nhau, như phân tích thị trường, kiểm tra an ninh, phân nhóm 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 họ, mà còn có thể tạo ra các cảnh game phong phú và đa dạng cùng những trải nghiệm tương tác thú vị trong GameFi. Hạ tầng phong phú cung cấp trải nghiệm phát triển mượt mà, cho dù là chuyên gia AI hay những 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 Web3-AI

Chúng tôi đã nghiên cứu 41 dự án trong lĩnh vực Web3-AI và phân loại các dự án này thành các cấp khác nhau. Logic phân chia của mỗi cấp như hình dưới đây, bao gồm tầng hạ tầng, tầng trung gian và tầng ứng dụng, mỗi tầng lại được chia thành các mảng 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 máy tính 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, lớp ứng dụng tập trung vào các ứng dụng và giải pháp trực tiếp hướng tới người dùng.

Cấp độ cơ sở hạ tầng:

Lớp hạ tầng là nền tảng cho vòng đời AI, bài viết này phân loại sức mạnh tính toán, AI Chain và nền tảng phát triển vào lớp hạ tầng. Chính sự hỗ trợ của những hạ tầng này mới có thể thực hiện việc đào tạo và suy luận mô hình AI, đồng thời trình bày các ứng dụng AI mạnh mẽ và thực tiễn cho người dùng.

• Mạng lưới 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 tiết kiệm. 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 nhận lợi nhuận, các dự án tiêu biểu như IO.NET và Hyperbolic. Ngoài ra, một số dự án đã phát triển ra những cách chơi mới, như Compute Labs, đề xuất một giao thức token hóa, người dùng có thể tham gia thuê sức mạnh tính toán để nhận lợi nhuận thông qua việc mua NFT đại diện cho thực thể GPU.

• 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 bên 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, dự án đại diện như Sahara AI. AI Chain cũng có thể thúc đẩy tiến bộ công nghệ AI ở các lĩnh vực khác nhau, 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 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, huấn luyện 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 trung gian:

Lớp này liên quan đến dữ liệu AI, mô hình cũng như suy diễn 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, có thể 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 kiếm lời cao. Đối với các bên có nhu cầu dữ liệu, các nền tảng này cung cấp nhiều lựa chọn 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 thông qua các plugin thân thiện với người dùng để thu thập thông tin phương tiện, 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 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 pháp lý để xử lý dữ liệu, người dùng có thể mã hóa kỹ năng của mình để thực hiện hợp tác phân phối công việc xử lý dữ liệu. Đại diện như thị trường AI của Sahara AI, có các nhiệm vụ dữ liệu trong các lĩnh vực khác nhau, có thể bao phủ nhiều cảnh dữ liệu; trong khi AIT Protocol thực hiện việc gán nhãn dữ liệu thông qua phương pháp hợp tác giữa con người và máy.

• Mô hình: Trong quá trình phát triển AI đã đề cập trước đó, các loại yêu cầu khác nhau cần phải được phù hợp với các mô hình thích hợp. Các mô hình thường được 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 các mô hình như RNN, Transformer, tất nhiên còn có một số mô hình lớn cụ thể hoặc tổng quát. 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 đào tạo mô hình thông qua phương pháp crowdsourcing, chẳng hạn như Sentient thông qua 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 được tích hợp các thuật toán AI tiên tiến và khung tính toán, đồng thời có khả năng đào tạo hợp tác.

• Suy luận và xác thực: Sau khi mô hình được đào tạo, nó sẽ tạo ra 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 luận. Quá trình suy luận thường đi kèm với cơ chế xác thực, để xác minh nguồn gốc của mô hình suy luận có đúng hay không, có hành vi độc hại hay không. Suy luận Web3 thường có thể được tích hợp vào hợp đồng thông minh, thông qua việc gọi mô hình để thực hiện suy luận, các phương thức xác thực phổ biến bao gồm các 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 oracle AI, 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 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 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 tạo ra văn bản, hình ảnh và âm thanh thông qua Prompt (từ gợi ý do người dùng cung cấp), thậm chí có thể tạo ra nội dung trong trò chơi theo sở thích của mình.