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 liên tục của việc kể chuyện AI, ngày càng nhiều sự chú ý được tập trung vào lĩnh vực này. Đã có những phân tích sâu sắc về logic kỹ thuật, các tình huống ứng dụng và các dự án đại diện trong lĩnh vực Web3-AI, 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 công nghệ và cơ hội thị trường mới nổi

1.1 Sự tích hợp giữa Web3 và AI: Làm thế nào để xác định lĩnh vực 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, và nền tảng kinh tế token không có mối liên hệ thực sự với sản phẩm AI, vì vậy các dự án này không thuộc vào thảo luận về 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, và AI để 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 hỗ trợ lẫn 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, sẽ giới thiệu về quá 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 những tình huống ứng dụng mới.

1.2 Quá 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 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, lựa chọn và tinh chỉnh mô hình, huấn luyện 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 một 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 tối ưu hóa mô hình: Chọn mô hình phù hợp, chẳng hạn như mạng nơ-ron tích chập (CNN), thường phù hợp cho các nhiệm vụ phân loại hình ảnh. Tối ưu hóa tham số hoặc kiến trúc mô hình theo các yêu cầu khác nhau, thường thì, độ sâu 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, một mạng 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: Tệp tin của mô hình đã được huấn luyện 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 thử nghiệm hiệu quả phân loại của mô hình, thường được đánh giá bằng độ chính xác, độ hồi phục, F1-score và các chỉ số khác để đánh giá hiệu quả của mô hình.

Như hình đã chỉ, sau khi thu thập dữ liệu và tiền xử lý dữ liệu, lựa chọn và tinh chỉnh mô hình, 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 đã được huấn luyện có thể được tích hợp sâu hơn 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 một số vấn đề trong các tình huống sau:

Quyền riêng tư của người dùng: Trong các tình huống tập trung, quy trình phát triển AI thường không minh bạch. Dữ liệu người dùng có thể bị đánh cắp mà không được thông báo và được sử dụng để huấn luyện AI.

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

Lựa chọn và tinh 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 cho việc tinh 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 từ đám mây có thể tạo ra gánh nặng tài chính đáng kể.

Thu nhập tài sản AI: Những người làm công việc gán nhãn dữ liệu thường không thể có được thu nhập tương xứng với công sức họ 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 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 năng lực sản xuất.

1.3 Sự 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 những người sử dụng AI trong thời đại Web2 chuyển sang thành những 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 tạo ra nhiều ứng dụng sáng tạo và cách chơi 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 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 thu thập 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 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. Ví dụ, các mô hình AI có thể được tích hợp vào hợp đồng thông minh, nâng cao hiệu quả công việc trong nhiều tình huống ứng dụng khác nhau, như phân tích thị trường, phát hiện an ninh, 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 các cảnh game phong phú và đa dạng cũng như những trải nghiệm tương tác thú vị trong GameFi. Hệ thống hạ tầng phong phú cung cấp trải nghiệm phát triển mượt mà, bất kể 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 hệ 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 chia của mỗi cấp độ như 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 hoạt động của AI, lớp trung gian bao gồm quản lý dữ liệu, phát triển mô hình và dịch vụ xác thực suy diễn kết nối hạ tầng với ứng dụng, trong khi lớp ứng dụng tập trung vào các ứng dụng và giải pháp đa dạng trực tiếp phục vụ người dùng.

Cấp độ cơ sở 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 là lớp hạ tầng. Chính sự hỗ trợ của những hạ tầng này mới có thể hiện thực hóa việc huấn luyện và suy diễn mô hình AI, đồng thời mang đến cho người dùng những ứng dụng AI mạnh mẽ và thực tiễn.

• 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 thu lợi, các dự án đại diện như IO.NET và Hyperbolic. Ngoài ra, một số dự án đã phát triển ra các cách chơi mới, như Compute Labs, đã đề xuất một giao thức token hóa, người dùng thông qua việc mua NFT đại diện cho GPU vật lý, có thể tham gia vào việc thuê sức mạnh tính toán theo nhiều cách khác nhau để thu lợi.

• 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 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 hỗ trợ, đại diện cho các dự án 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 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, như Fetch.ai và ChainML. Các công cụ một cửa giúp lập trình viên dễ dàng hơn trong việc tạo, huấn luyện và triển khai 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 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, thông qua việc crowdsourcing dữ liệu 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 trường hợp bảo vệ quyền riêng tư, có thể bán dữ liệu của mình để tránh bị các thương nhân xấu lợi dụng và thu lợi nhuận cao. Đối với bên có nhu cầu 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 thông qua các plugin thân thiện với người dùng để thu thập thông tin truyền thông, 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 tài chính và pháp lý để xử lý dữ liệu, người dùng có thể biến kỹ năng thành token, thực hiện cộng tác crowdsourcing cho việc tiền xử lý dữ liệu. Đại diện như thị trường AI của Sahara AI, với các nhiệm vụ dữ liệu từ các lĩnh vực khác nhau, có thể bao phủ nhiều cảnh dữ liệu khác nhau; trong khi AIT Protocol thực hiện việc gán nhãn dữ liệu thông qua phương pháp hợp tác giữa con người và máy móc.

• Mô hình: Trong quá trình phát triển AI đã đề cập trước đó, các loại nhu cầu khác nhau cần phải khớp với mô hình phù hợp. Các mô hình thường được sử dụng cho nhiệm vụ hình ảnh như CNN, GAN, đối với nhiệm vụ phát hiện đối tượng có thể chọn loạt 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 việc 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 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 luận và xác thực: 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 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, v.v. 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 pháp xác thực phổ biến bao gồm ZKML, OPML và TEE, v.v. Dự án đại diện như ORA chuỗi AI tiên tri (OAO), đã đưa OPML vào như một lớp xác thực cho AI tiên tri, 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).

Ứng dụng tầng:

Tầng này chủ yếu là các ứng dụng trực tiếp hướng tới người dùng, kết hợp AI với Web3, tạo ra nhiều cách chơi thú vị và đổi mới hơn. Bài viết này chủ yếu tổng hợp các dự án trong một số lĩnh vực như AIGC (Nội dung do AI tạo ra), đại lý AI và phân tích dữ liệu.

• AIGC: Thông qua AIGC có thể