Báo cáo toàn cảnh Web3-AI: Phân tích sâu về logic công nghệ, ứng dụng cảnh và các dự án hàng đầu

Khi câu chuyện AI ngày càng nóng lên, ngày càng nhiều sự chú ý tập trung vào lĩnh vực này. Đã có sự phân tích sâu sắc về logic công nghệ, ứng dụng và các dự án tiêu biểu 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 kỹ thuật 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, kể chuyện AI đã trở nên cực kỳ phổ biến trong ngành Web3, các dự án AI như nấm mọc 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, còn kinh tế token cơ bản không có mối liên hệ thực chất nào với sản phẩm AI, do đó các dự án này không thuộc phạm vi thảo luận về dự án Web3-AI trong bài viết này.

Nội dung chính của bài viết này là việc 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 lao động, những dự án này cung cấp các 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 AI và những thách thức, 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, 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 chính sau: thu thập dữ liệu và tiền xử lý dữ liệu, lựa 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 để phân loại hình ảnh của 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 với danh mục ( 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 tinh chỉnh 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. Tinh chỉnh các tham số hoặc kiến trúc của mô hình theo nhu cầu khác nhau, thông thường, các lớp mạng của mô hình có thể được 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 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 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 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 huấn luyện, việc suy luận mô hình đã được huấn luyện trên tập kiểm tra sẽ đưa ra giá trị dự đoán cho mèo và chó P(probability), tức là xác suất mà mô hình suy luận 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 điện thoại, 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 bối cảnh tập trung, quá 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 đào tạo 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 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 tiêu tốn một khoản chi phí lớn để 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 trên đám mây có thể tạo 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 bỏ ra, trong khi kết quả nghiên cứu của các nhà phát triển AI cũng khó lòng khớp 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 loại quan hệ sản xuất mới, tự nhiên thích ứng 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 Hiệu ứng hợp tác 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 thời Web2 thành người tham gia, tạo ra AI mà mọi người đều có thể sở hữu. Đồng thời, sự hòa nhập giữa thế giới Web3 và công nghệ AI còn có thể tạo ra nhiều 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 mô hình AI, nhiều tài nguyên AI mã nguồn mở có sẵn cho người dùng, và sức mạnh tính toán được 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 đạt được 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. Ví dụ, các mô hình AI có thể được tích hợp vào hợp đồng thông minh, nâng cao hiệu quả 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 tạo sinh 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 họ, mà còn có thể tạo ra các cảnh game phong phú và trải nghiệm tương tác thú vị trong GameFi. Cơ sở hạ tầng phong phú cung cấp trải nghiệm phát triển mượt mà, cho dù 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 sinh thái Web3-AI

Chúng tôi chủ yếu nghiên cứu 41 dự án trong lĩnh vực Web3-AI và phân chia các 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 cơ sở hạ tầng, cấp độ trung gian và cấp độ ứng dụng, mỗi cấp độ lại được chia thành các mảng khác nhau. Trong chương tiếp theo, chúng tôi sẽ tiến hành 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 chu trình hoạt động của AI, lớp trung gian bao gồm quản lý dữ liệu, phát triển mô hình và dịch vụ suy diễn xác thực kết nối hạ tầng với ứng dụng, trong khi lớp ứng dụng tập trung vào các loại ứng dụng và giải pháp trực tiếp hướng tới người dùng.

Cấp độ 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 là lớp cơ sở hạ tầng. Chính nhờ sự hỗ trợ của những cơ sở hạ tầng này, việc huấn luyện và suy luận mô hình AI mới có thể được thực hiện, và các ứng dụng AI mạnh mẽ, thực tiễn sẽ được trình bày đến người dùng.

• Mạng tính toán phi tập trung: có thể cung cấp khả năng tính toán phân tán cho việc đào tạo mô hình AI, đảm bảo việc sử dụng tài nguyên tính toán hiệu quả và kinh tế. Một số dự án cung cấp thị trường tính toán phi tập trung, người dùng có thể thuê khả năng tính toán với chi phí thấp hoặc chia sẻ khả năng tính toán để thu được lợi nhuận, đại diện cho các dự án như IO.NET và Hyperbolic. Ngoài ra, một số dự án đã phát triển ra các hình thức mới, như Compute Labs, đề xuất các giao thức token hóa, người dùng thông qua việc mua NFT đại diện cho thực thể GPU, có thể tham gia vào việc cho thuê khả năng tính toán theo nhiều cách khác nhau để thu 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, đại diện cho các dự án như Sahara AI. AI Chain còn có thể thúc đẩy sự tiến bộ công nghệ AI trong các lĩnh vực khác nhau, như Bittensor thông qua cơ chế khuyến khích mạng con sáng tạo 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, 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 việc ứng dụng công nghệ AI rộng rãi 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 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 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, có thể bán dữ liệu của mình trong điều kiện bảo vệ quyền riêng tư, nhằm tránh việc dữ liệu bị các thương gia xấu lợi dụng và thu lợi nhuận cao. Đối với những bên có nhu cầu về 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 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 tài chính và pháp lý để xử lý dữ liệu. Người dùng có thể biến kỹ năng thành token, thực hiện hợp tác cộng tác trong việc tiền xử lý dữ liệu. Đại diện như thị trường AI Sahara AI, có các nhiệm vụ dữ liệu từ nhiều lĩnh vực khác nhau, có thể bao phủ nhiều tình huống dữ liệu đa lĩnh vực; 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 nhu 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 series Yolo, các nhiệm vụ văn bản thường gặp mô hình RNN, Transformer, và tất nhiên còn có một số mô hình lớn cụ thể hoặc chung. Độ sâu của mô hình cần 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 thông qua thiết kế mô-đun, cho phép người dùng đặt dữ liệu mô hình đáng tin cậy vào 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, và 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 xấu hay không. Suy diễn trong 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. Dự án đại diện như ORA chuỗi AI oracle (OAO), đã giới thiệu OPML như một lớp có thể xác minh cho AI oracle, trên trang web chính thức của ORA cũng đã đề cập đến nghiên cứu của họ về sự kết hợp giữa ZKML và opp/ai(ZKML với OPML).

Lớp ứng dụng:

Lớp 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 sáng tạo 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 mở rộng sang các lĩnh vực NFT, trò chơi trong Web3, người dùng có thể trực tiếp tạo ra văn bản, hình ảnh và âm thanh thông qua Prompt( mà người dùng cung cấp, thậm chí có thể tạo ra cách chơi tùy chỉnh trong trò chơi 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; trò chơi như Sleepless, người dùng định hình tính cách của bạn đồng hành ảo thông qua cuộc đối thoại để phù hợp với sở thích của mình;

• AI đại lý: chỉ những 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 dịch ngôn ngữ, học ngôn ngữ,