Báo cáo toàn cảnh 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 nhiệt độ 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 kỹ thuật, các tình huống ứng dụng và các dự án đại diện trong lĩnh vực Web3-AI, nhằm mang đến cho bạn cái nhìn toàn diện về bức tranh 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 tích hợp Web3 và AI: Làm thế nào để xác định lĩnh vực Web-AI

Trong năm qua, kể chuyện AI đã trở nên rất 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 kinh tế token cơ bản không có mối liên hệ thực sự với sản phẩm AI, do đó, các dự án này không thuộc phạm vi thảo luận của 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 mà AI giải quyết vấn đề năng suất, những 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, hai bên bổ sung cho nhau. Chúng tôi phân loại các dự án này thành lĩnh vực Web3-AI. Để giúp độc giả hiểu rõ hơn về lĩnh vực Web3-AI, sẽ trình bày quy trình phát triển và thách thức của AI, cũng như cách mà sự kết hợp giữa Web3 và AI 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 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 quan trọng sau: thu thập dữ liệu và tiền xử lý dữ liệu, lựa chọn và điều chỉnh mô hình, huấn luyện mô hình và suy luận. Lấy một ví dụ đơn giản, để phát triển một mô hình để 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. Lựa chọn và điều chỉnh mô hình: Chọn mô hình phù hợp, chẳng hạn như mạng nơ-ron tích chập (CNN), rất thích hợp cho các nhiệm vụ phân loại hình ảnh. Điều chỉnh tham số hoặc kiến trúc của mô hình theo các 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 với độ sâu nông hơn 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: Tập tin đã được đào tạo mô hình thường được gọi là trọng số mô hình, quá trình suy diễn là việc 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, điểm F1, v.v.

Sau khi thu thập dữ liệu và tiền xử lý dữ liệu, lựa chọn mô hình và tinh chỉnh, cũng như đào tạo, mô hình đã được đào tạo sẽ được suy diễn trên tập kiểm tra để đưa ra giá trị dự đoán về mèo và chó P (xác suất), tức là xác suất mà mô hình suy diễn ra là mèo hoặc chó.

Mô hình AI 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, 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 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 hay biết và được sử dụng cho việc huấn luyện AI.

Nguồn dữ liệu: Các 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 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 chi tiêu một khoản chi phí lớn để tinh chỉnh mô hình.

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

Doanh thu tài sản AI: Những người làm công việc gán nhãn dữ liệu thường không thể kiếm được thu nhập tương xứng với công sức của họ, trong khi kết quả nghiên cứu của các nhà phát triển AI cũng khó lòng 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 khả năng sản xuất.

1.3 Sự 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 chủ sở hữu của người dùng, cung cấp cho người dùng một nền tảng hợp tác AI mở, giúp người dùng chuyển từ việc sử dụng AI trong thời kỳ Web2 thành người tham gia, tạo ra một AI mà mọi người đều có thể sở hữu. Đồng thời, sự tích hợp giữa thế giới Web3 và công nghệ AI còn có thể tạo ra nhiều ứng dụng sáng tạo và cách chơi mới.

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 bảo vệ, 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 lấy 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 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, 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 NFT của riêng mình, mà còn có thể tạo ra những cảnh game phong phú và đa dạng cũng như 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 những 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 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 cấp của mỗi tầng được thể hiện trong hình dưới đây, bao gồm tầng hạ tầng, tầng trung gian và tầng ứng dụng, mỗi tầng 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 hạ tầng bao gồm các tài nguyên tính toán và kiến trúc công nghệ hỗ trợ cho toàn bộ 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 luận kết nối hạ tầng với ứng dụng, lớp ứng dụng thì tập trung vào các ứng dụng và giải pháp trực tiếp phục vụ người dùng.

Cấp độ hạ tầng:

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 thành lớp hạ tầng. Chính nhờ sự hỗ trợ của những hạ tầng này mà việc huấn luyện và suy diễn mô hình AI có thể được thực hiện, và các ứng dụng AI mạnh mẽ, hữu ích 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 đào tạo mô hình AI, đảm bảo việc sử dụng tài nguyên tính toán hiệu quả và tiết kiệm. Một số dự án đã 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. Hơn nữa, một số dự án đã phát triển ra những cách chơi mới, như Compute Labs, đưa ra giao thức mã thông báo, 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 lợi nhuận.

• 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 các tài sản AI như dữ liệu, mô hình, đại lý, v.v., và cung cấp khuôn khổ phát triển AI cùng với các công cụ phát triển đi kèm, đại diện cho các dự án như Sahara AI. AI Chain cũng có thể thúc đẩy sự tiến bộ công nghệ AI trong 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 subnet 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 điểm đến 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 sự ứng dụng rộng rãi của 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 sử dụng công nghệ Web3 có thể đạt được hiệu quả làm việc cao hơn.

• Dữ liệu: Chất lượng và số lượng dữ liệu là yếu tố then chốt ảnh hưởng đến hiệu quả huấn luyện mô hình. Trong thế giới Web3, việc tối ưu hóa việc sử dụng tài nguyên và giảm chi phí dữ liệu có thể được thực hiện thông qua việc crowdsourcing dữ liệu và xử lý dữ liệu hợp tác. 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 bị các thương gia xấu lợi dụng và thu lợi nhuận cao. Đối với những bên có nhu cầu dữ liệu, các nền tảng này cung cấp nhiều lựa chọn và chi phí cực 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 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 xử lý dữ liệu, người dùng có thể mã hóa kỹ năng, thực hiện hợp tác cộng đồng trong tiền xử lý dữ liệu. Đại diện như thị trường AI Sahara AI, với các nhiệm vụ dữ liệu từ nhiều lĩnh vực, có thể bao quát các tình huống dữ liệu đa lĩnh vực; trong khi AIT Protocol thực hiện việc gán nhãn dữ liệu thông qua sự hợp tác giữa người và máy.

• Mô hình: Trong quá trình phát triển AI đã được đề cập trước đó, các loại yêu cầu khác nhau cần phải khớp với mô hình phù hợp. Các mô hình thường dùng cho nhiệm vụ hình ảnh như CNN, GAN; cho nhiệm vụ phát hiện đối tượng có thể chọn các series 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 của mô hình cần thiết cho các nhiệm vụ với 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, 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 được 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 ác ý 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 thức xác minh phổ biến bao gồm các công nghệ như ZKML, OPML và TEE. Các dự án đại diện như AI oracle trên chuỗi ORA (OAO), đã giới thiệu OPML như một lớp có thể xác minh cho AI oracle, và 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 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 NFT, trò chơi và các lĩnh vực khác trong Web3, người dùng có thể trực tiếp tạo ra văn bản, hình ảnh và âm thanh thông qua Prompt (từ gợi ý mà người dùng đưa ra), thậm chí có thể tạo ra các trò chơi tùy chỉnh theo sở thích của mình.