Báo cáo tổng quan về lĩnh vực Web3-AI: Phân tích sâu về logic công nghệ, ứng dụng trong thực tế và các dự án hàng đầu

Với sự gia tăng liên tục của AI trong kể chuyện, ngày càng nhiều sự chú ý được tập trung vào lĩnh vực này. Đã tiến hành phân tích sâu về logic công nghệ, các trường hợp ứng dụng và các dự án đại diện trong lĩnh vực Web3-AI, nhằm mang đến cho bạn cái nhìn 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 kết hợp Web3 và AI: Làm thế nào để xác định đường đua Web-AI

Trong năm qua, kể từ khi AI kể chuyện trở nên vô cùng phổ biến trong ngành Web3, các dự án AI đã mọc lên 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 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, còn 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 tương hỗ lẫn nhau. Chúng tôi phân loại những dự án này vào lĩnh vực Web3-AI. Để giúp độc giả hiểu rõ hơn về lĩnh vực Web3-AI, chúng tôi sẽ trình bày về quá trình phát triển và những thách thức của AI, cũng như cách kết hợp giữa Web3 và AI để hoàn hảo giải quyết vấn đề và tạo ra những bối cảnh ứng dụng mới.

1.2 Quy trình phát triển AI và các thách thức: Từ 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 cho phép 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 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 và điều chỉnh mô hình, đào tạo 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 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 tế. 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. Lựa chọn và tối ưu hóa mô hình: Chọn mô hình phù hợp, chẳng hạn như mạng nơ-ron tích chập (CNN), rất thích hợp cho nhiệm vụ phân loại hình ảnh. Tối ưu hóa tham số hoặc kiến trúc của mô hình dựa trên nhu cầu khác nhau, thường thì, 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, tầng mạng nông có thể đã 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: Tệp đã được đào tạo mô hình thường được gọi là trọng số mô hình, quá trình suy diễn là quá trình sử dụng mô hình đã được đào tạo 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, độ hồi phục, F1-score.

Như hình ảnh đã chỉ ra, sau khi thu thập dữ liệu và tiền xử lý dữ liệu, lựa chọn và điều chỉnh mô hình, cũng như đào tạo, mô hình đã được đào tạo sẽ thực hiện 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 đào tạo 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 điện thoại, người dùng tải lên hình ảnh của mèo hoặc chó và 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 các tình huống tập trung, quá trình phát triển AI thường không minh bạch. Dữ liệu người dùng có thể bị đánh cắp mà không biết và được sử dụng cho việc huấn luyện AI.

Nguồn dữ liệu: 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 chi tiêu một khoản chi phí lớn để điều 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 mà họ bỏ ra, trong khi đó, kết 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 thông qua sự kết hợp với Web3, Web3 như một mối quan hệ sản xuất mới, tự nhiên thích ứng với AI, đại diện cho lực lượng sản xuất mới, từ đó thúc đẩy tiến bộ đồng thời của công nghệ và khả năng sản xuất.

1.3 Tác động phối hợp 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 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 trộn giữa thế giới Web3 và công nghệ AI còn 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 bước vào một hệ thống kinh tế hợp tác hoàn toàn mới. Quyền riêng tư dữ liệu của con người có thể được bảo đảm, mô hình dữ liệu crowdsourcing thúc đẩy sự tiến bộ của các 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 hơn tham gia vào việc thúc đẩy sự tiến bộ của công nghệ AI.

Trong bối cảnh Web3, AI có thể tạo ra tác động 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 suất 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 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 mình, mà còn có thể tạo ra những cảnh game 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 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 dự án 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 loại của mỗi cấp độ được thể hiện trong hình dưới đây, bao gồm lớp hạ tầng, lớp trung gian và lớp ứng dụng, mỗi lớp lại được chia thành các phần khác nhau. Ở chương tiếp theo, chúng tôi sẽ thực hiện phân tích 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 minh kết nối giữa hạ tầng và ứng dụng, trong khi lớp ứng dụng tập trung vào các ứng dụng và giải pháp đa dạng hướng trực tiếp đến người dùng.

Cấp độ cơ sở 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 vào 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, đồng thời mang đến cho người dùng những ứng dụng AI mạnh mẽ và thực tế.

• 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 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, đại diện cho các dự án 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 vào việc cho thuê sức mạnh tính toán để nhận lợi nhuận theo nhiều cách khác nhau thông qua việc mua NFT đại diện cho GPU thực.

• AI Chain: Sử dụng blockchain như là 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 các 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 liên quan, 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, chẳng hạn như Bittensor thông qua cơ chế khuyến khích mạng con sáng tạo để thúc đẩy sự cạnh tranh giữa các loại mạng con AI khác nhau.

• Nền tảng phát triển: Một số dự án cung cấp nền tảng phát triển AI đại diện, cũng có thể thực hiện giao dịch AI đại diện, như Fetch.ai và ChainML. Các công cụ một cửa giúp các nhà phát triển dễ dàng hơn trong việc tạo, đào tạo và triển khai 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:

Tầng 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 những 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 tự chủ về dữ liệu, trong khi vẫn bảo vệ quyền riêng tư, có thể bán dữ liệu của mình để tránh việc dữ liệu bị các thương nhân xấu lấy cắp và thu lợi nhuận cao. Đối với những bên có nhu cầu về 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 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 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 trong các nhiệm vụ xử lý dữ liệu tài chính và pháp lý, người dùng có thể biến kỹ năng thành token, thực hiện hợp tác cộng đồng trong xử lý dữ liệu. Đại diện như thị trường AI của Sahara AI, có các nhiệm vụ dữ liệu thuộc nhiều lĩnh vực khác nhau, có thể bao phủ nhiều tình huống dữ liệu; trong khi AIT Protocolt thực hiện việc gán nhãn dữ liệu thông qua cách hợp tác giữa con người và máy móc.

• 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 được sử dụng cho nhiệm vụ hình ảnh như CNN, GAN; cho nhiệm vụ phát hiện đối tượng có thể chọn dòng Yolo; các nhiệm vụ văn bản thường thấy các mô hình như RNN, Transformer, và tất nhiên còn có một số mô hình lớn đặc thù hoặc chung. Độ sâu 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 cách crowdsourcing, chẳng hạn như Sentient với thiết kế mô-đun cho phép người dùng lưu trữ dữ liệu mô hình đáng tin cậy ở tầng lưu trữ và tầng 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 huấn luyện, 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 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 pháp xác minh phổ biến bao gồm ZKML, OPML và TEE. Các dự án đại diện như Oracle AI 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 OPML).

Lớp ứng dụng:

Lớp này chủ yếu là các ứng dụng trực tiếp hướng đến 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, game trong Web3, người dùng có thể trực tiếp tạo ra văn bản, hình ảnh và âm thanh thông qua Prompt (các từ khóa gợi ý mà người dùng đưa ra), thậm chí có thể tạo ra lối chơi tùy chỉnh trong game theo sở thích của mình. Các dự án NFT như NFPrompt, người dùng có thể tạo ra NFT bằng AI để giao dịch trên thị trường; game như Sleepless, người dùng thông qua đối thoại để hình thành tính cách của bạn đồng hành ảo để phù hợp với sở thích của mình;

• AI đại lý: chỉ các 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 ngôn ngữ翻