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

Với sự gia tăng liên tục của câu chuyện AI, ngày càng nhiều sự chú ý được tập trung vào lĩnh vực này. Chúng tôi đã 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 cho bạn.

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

1.1 Logic hợp nhất Web3 và AI: Làm thế nào để xác định đường đua Web-AI

Trong năm qua, kể chuyện AI đã trở nên cực kỳ phổ biến trong ngành Web3, các dự án AI 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 nền tảng kinh tế token không có liên quan thực chất đến sản phẩm AI, do đó các dự án như vậy không được đưa vào thảo luận về các dự án Web3-AI trong bài viết này.

Nội dung của bài viết này tập trung vào việc sử dụng blockchain để giải quyết vấn đề quan hệ sản xuất và AI để giải quyết vấn đề năng suất, những dự án này cung cấp sản phẩm AI và đồng thời dựa trên mô hình kinh tế Web3 như một công cụ quan hệ sản xuất, hai yếu tố này bổ sung cho 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, chúng tôi sẽ giới thiệu quá trình phát triển AI và những thách thức, cũng như cách Web3 và AI kết hợp hoàn hảo để giải quyết vấn đề và tạo ra những tình huống ứng dụng mới.

1.2 Quá trình phát triển và thách thức của AI: 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 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 các bước chính sau: thu thập dữ liệu và tiền xử lý dữ liệu, chọn lựa và tinh chỉnh mô hình, huấn luyện mô hình và suy luận. 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 (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 kiểm tra và tập thử nghiệm.

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, các lớp mạng của mô hình có thể điều chỉnh theo độ phức tạp của nhiệm vụ AI. Trong ví dụ phân loại đơn giản này, các lớp mạng nông hơn có thể đã 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 sử dụng các chỉ số như độ chính xác, độ hồi đáp, F1-score để đánh giá hiệu quả của mô hình.

Như hình đã chỉ, sau khi thu thập dữ liệu và tiền xử lý dữ liệu, chọn và tinh 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 (xác suất), tức là xác suất mà mô hình suy diễn là mèo hoặc chó.

Mô hình AI đã được đào tạo có thể được tích hợp thêm vào nhiều ứng dụng khác nhau, 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, sẽ nhận được kết quả phân loại.

Tuy nhiên, quy 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 của người dùng có thể bị đánh cắp mà không được thông báo và được sử dụng để huấn luyện AI.

Nguồn dữ liệu: Các đội nhỏ hoặc cá nhân khi lấy dữ liệu trong lĩnh vực cụ thể (chẳng hạn như dữ liệu y tế) có thể gặp phải những hạn chế về việc dữ liệu không mở.

Lựa chọn và điều chỉnh mô hình: Đối với các nhóm nhỏ, rất khó để có được nguồn tài nguyên mô hình trong lĩnh vực cụ thể hoặc tốn nhiều chi phí để điều chỉnh mô hình.

Lấy sức mạnh tính toán: Đối với các nhà phát triển cá nhân và nhóm nhỏ, chi phí mua GPU cao và phí thuê sức mạnh tính toán trên đám mây có thể tạo ra 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 bỏ ra, trong khi thành quả nghiên cứu của các nhà phát triển AI cũng khó có thể phù hợp với những người mua có nhu cầu.

Những thách thức tồn tại trong bối cảnh AI tập trung có thể được giải quyết bằng cách kết hợp với Web3, Web3 như một mối 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 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 từ người sử dụng AI thời Web2 chuyển sang 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 nảy sinh nhiều tình huống ứng dụng và cách chơi sáng tạo hơn.

Dựa trên công nghệ Web3, việc phát triển và ứng dụng 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 tiếp cận với chi phí thấp. 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 để 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 để nâng cao hiệu quả công việc trong các tình huống ứng dụng khác nhau, như phân tích thị trường, phát hiện bảo mật, phân nhóm xã hội và nhiều chức năng khác. AI tạo 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 mình, mà còn có thể tạo ra những bối cảnh trò chơi đa dạng và những 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 các dự án sinh thái Web3-AI

Chúng tôi chủ yếu nghiên cứu 41 dự án trong lĩnh vực Web3-AI và phân chia những dự án này thành các cấp độ khác nhau. Logic phân chia của mỗi cấp độ được thể hiện trong hình dưới đây, bao gồm cấp độ hạ tầng, cấp độ trung gian và cấp độ ứng dụng, mỗi cấp độ 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 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 minh kết nối hạ tầng với ứng dụng, trong khi lớp ứng dụng tập trung vào các ứng dụng và giải pháp trực tiếp phục vụ người dùng.

Cơ sở hạ tầng lớp:

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 mà việc đào tạo và suy diễn mô hình AI có thể được thực hiện, và các ứng dụng AI mạnh mẽ, thực tiễn được trình bày cho người dùng.

• Mạng lưới tính toán phi tập trung: có thể cung cấp sức mạnh tính toán phân tán cho việc huấn luyện mô hình AI, đảm bảo việc sử dụng tài nguyên tính toán hiệu quả và tiết kiệm chi phí. 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 được lợi nhuận, những 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, đã đề xuất các 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 nhận được lợi nhuận.

• 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 đi kèm, dự án đại diện như Sahara AI. AI Chain cũng có thể thúc đẩy sự tiến bộ công nghệ AI ở các lĩnh vực khác nhau, như Bittensor thông qua cơ chế khuyến khích subnet 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, chẳng hạn như Fetch.ai và ChainML. Các công cụ một cửa giúp lập trình viên dễ dàng hơn trong việc tạo ra, huấn luyện và triển khai mô hình AI, đại diện cho các 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 trung gian:

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 huấn luyện 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 tự chủ về dữ liệu, trong khi bảo vệ quyền riêng tư, họ có thể bán dữ liệu của mình để tránh việc dữ liệu bị các doanh nghiệp xấu lấy cắp và thu lợi nhuận 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 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 bình 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 về tài chính và pháp lý trong việc xử lý dữ liệu, người dùng có thể biến kỹ năng thành token, thực hiện hợp tác crowdsourcing cho việc tiền 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 tình huống dữ liệu khác nhau; trong khi AIT Protocol thông qua cách phối hợp giữa người và máy để gán nhãn dữ liệu.

• Mô hình: Trong quá trình phát triển AI đã được đề cập trước đó, các loại nhu 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, các nhiệm vụ phát hiện đối tượng có thể chọn dòng Yolo, các nhiệm vụ văn bản thường thấy các mô hình RNN, Transformer, 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 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 lưu trữ dữ liệu mô hình đáng tin cậy ở 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 minh: 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 diễn. Quá trình suy diễn thường đi kèm với cơ chế xác minh, để xác minh nguồn gốc của mô hình suy diễn có đúng hay không, có hành vi độc hại 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 minh thường gặp bao gồm các công nghệ như ZKML, OPML và TEE. Các dự án đại diện như Oracle AI trên chuỗi ORA (OAO), đã giới thiệu OPML như một lớp có thể xác minh cho oracle AI, trên trang web chính thức của ORA cũng 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 những