Báo cáo toàn cảnh về 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 đối với kể chuyện AI, ngày càng nhiều sự chú ý tập trung vào lĩnh vực này. Đã có những phân tích sâu sắc 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.

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

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

Trong năm qua, AI kể chuyện 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, kinh tế token cơ bản không có liên quan thực chất đến sản phẩm AI, do đó những dự án này không thuộc vào 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, các dự án sử dụng AI để giải quyết vấn đề năng suất. 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 hỗ trợ lẫn nhau. Chúng tôi sẽ 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 về quy trình phát triển AI và những thách thức, cũng như cách kết hợp giữa Web3 và AI có thể hoàn hảo 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 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 nâng cao trí tuệ 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, lựa chọn và tinh chỉnh mô hình, đào tạo và suy luận mô hình. Lấy một ví dụ đơn giản, để phát triển một mô hình phân loại hình ảnh của 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 mình 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 bộ dữ liệu thành tập huấn luyện, tập xác thực và tập kiểm tra.

2. Lựa chọn và điều chỉnh mô hình: Chọn mô hình phù hợp, chẳng hạn như mạng nơ-ron tích chập (CNN), thường thích hợp cho các nhiệm vụ phân loại hình ảnh. Tùy 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 dựa trên độ phức tạp của nhiệm vụ AI. Trong ví dụ phân loại đơn giản này, một mạng nông hơn có thể là 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 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 tưởng, F1-score để đánh giá tính hiệu quả của mô hình.

Như hình minh họa, sau khi thu thập dữ liệu và tiền xử lý dữ liệu, lựa chọn và tối ưu hóa mô hình cũng như đào tạo, việc suy diễn mô hình đã được đào tạo trên tập kiểm tra sẽ cho ra giá trị dự đoán P (xác suất) của mèo và chó, 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, 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 phải 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 ai biết và được sử dụng cho việc đào tạo AI.

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

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

Lấy sức mạnh tính toán: Đối với các nhà phát triển cá nhân và các đội nhóm nhỏ, chi phí mua GPU cao và phí thuê sức mạnh tính toán trên đám mây có thể tạo thành gánh nặng kinh tế đáng kể.

Thu nhập tài sản AI: Những người làm công việc đánh dấu dữ liệu thường không thể có được thu nhập tương xứng với công sức bỏ ra, trong khi 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 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 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 sang người tham gia, tạo ra AI mà mọi người đều có thể sở hữu. Đồng thời, sự giao thoa 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 có thể được đảm bảo, mô hình crowdsourcing dữ liệu 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 đạt được 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 những tác động 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 làm việc trong các tình huống ứng dụng khác nhau, như phân tích thị trường, kiểm tra an ninh, phân cụm 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 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 hệ sinh thái 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 độ khác nhau. Logic phân chia của mỗi cấp độ như được thể hiện trong hình dưới đây, bao gồm lớp cơ sở hạ tầng, lớp trung gian và lớp ứng dụng, mỗi lớp 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.

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, Chuỗi AI và nền tảng phát triển là lớp cơ sở hạ tầng. Chính nhờ sự hỗ trợ của những cơ sở hạ tầng này mà có thể thực hiện việc đào tạo và suy luận mô hình AI, đồng thời mang đến cho người dùng những ứng dụng AI mạnh mẽ và hữu ích.

• 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 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 kiếm lợi, 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, đã đưa ra các giao thức token hóa, người dùng có thể tham gia vào việc cho thuê sức mạnh tính toán theo nhiều cách khác nhau thông qua việc mua NFT đại diện cho GPU thực tế để kiếm lợi.

• AI Chain: Sử dụng blockchain làm nền tảng cho vòng đời AI, thực hiện 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, điển hình là dự án Sahara AI. AI Chain cũng có thể thúc đẩy sự tiến bộ kỹ thuật AI trong 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 lý, còn có thể thực hiện giao dịch AI đại lý, 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 các mô hình AI, đại diện cho các dự án như Nimble. Những cơ sở hạ tầng này thúc đẩy sự ứng dụng rộng rãi của công nghệ AI trong hệ sinh thái Web3.

Lớp trung gian:

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 công việc cao hơn.

• Dữ liệu: Chất lượng và số lượng dữ liệu là những yếu tố quan trọng 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 sở hữu dữ liệu của mình, bán dữ liệu của chính mình trong điều kiện bảo vệ quyền riêng tư, để tránh dữ liệu bị các thương gia xấu lấy cắp và kiếm lợi nhuận cao. Đối với những bên cần 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 thông 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 các nhiệm vụ xử lý dữ liệu tài chính và pháp lý, người dùng có thể mã hóa kỹ năng để thực hiện hợp tác crowdsourcing trong tiền xử lý dữ liệu. Đại diện như thị trường AI của Sahara AI, có các nhiệm vụ dữ liệu từ các lĩnh vực khác nhau, có thể bao trùm 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 đó, các loại yêu cầu khác nhau cần phải phù hợp với mô hình thích hợp, các mô hình thường dùng cho nhiệm vụ hình ảnh như CNN, GAN, nhiệm vụ phát hiện đối tượng có thể chọn dòng Yolo, các nhiệm vụ văn bản thường gặp các mô hình như RNN, Transformer, tất nhiên cũng 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 cách crowdsourcing, chẳng hạn như Sentient với thiết kế mô-đun, cho phép người dùng đặt dữ liệu mô hình đáng tin cậy vào lớp lưu trữ, 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 thực hiện 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 chính xác hay không, có hành vi độc hại hay không, v.v. Suy diễn Web3 thường có thể được tích hợp trong hợp đồng thông minh, thông qua việc gọi mô hình để thực hiện suy diễn, các phương pháp xác minh phổ biến bao gồm các công nghệ như ZKML, OPML và TEE. Các dự án tiêu biểu như AI oracle trên chuỗi ORA (OAO), đã giới thiệu OPML như một lớp có thể xác minh cho oracle AI, 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).

Ứng dụng lớp:

Lớp này chủ yếu là ứng dụng trực tiếp hướng tới người dùng, kết hợp AI với Web3, tạo ra