Báo cáo toàn cảnh Web3-AI: Phân tích sâu kỹ thuật logic, ứng dụng cảnh 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. Đã có sự phân tích sâu sắc về logic công nghệ, các tình huống ứng dụng và các dự án tiêu biểu trong lĩnh vực Web3-AI, mang đến cho bạn cái nhìn tổng quan 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 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 cực kỳ phổ biến trong ngành Web3, các dự án AI đã 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 ở một số phần của sản phẩm, còn nền tảng kinh tế token không có mối liên hệ thực chất với sản phẩm AI, do đó những dự án này không được đưa vào thảo luận về dự án Web3-AI trong bài viết này.

Nội dung của bài viết này tập trung vào việc sử dụng blockchain để giải quyết vấn đề quan hệ sản xuất, và AI để 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 là công cụ quan hệ sản xuất, hai yếu tố này bổ sung cho nhau. Chúng tôi sẽ 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 giới thiệu quy trình phát triển và thách thức của AI, cũng như cách kết hợp Web3 và AI để hoàn hảo giải quyết vấn đề và tạo ra các tình huống ứng dụng mới.

1.2 Quy trình và thách thức phát triển AI: 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 khả năng giúp 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 các 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 một số 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. 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 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 rằng các 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), thường phù hợp cho nhiệm vụ phân loại hình ảnh. Điều chỉnh tham số hoặc cấu trúc mô hình theo nhu cầu khác nhau, thường thì, độ sâu của mạng mô hình có thể được điều chỉnh tùy theo độ phức tạp của nhiệm vụ AI. Trong ví dụ phân loại đơn giản này, 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 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 độ chính xác, độ hồi phục, F1-score và các chỉ số khác để đánh giá hiệu quả của mô hình.

Sau khi thu thập dữ liệu và tiền xử lý dữ liệu, chọn và tinh chỉnh mô hình, sau đó huấn luyện, mô hình đã được huấn luyện sẽ được 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 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 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 bối cảnh 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 để huấn luyện AI.

Nguồn dữ liệu: Các nhóm nhỏ hoặc cá nhân khi thu thập dữ liệu trong các 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 các lĩnh vực cụ thể hoặc phải chi nhiều chi phí 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 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 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 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 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: 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, biến người dùng từ những người sử dụng AI trong thời đại Web2 thành những người tham gia, tạo ra AI mà mọi người đều có thể sở hữu. Đồng thời, sự hòa quyện giữa thế giới Web3 và công nghệ AI cũng có thể tạo ra nhiều cảnh ứng dụng và trò chơi đổi mới 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 thu được 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, qua 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 để nâng cao hiệu quả công việc trong các tình huống ứng dụng khác nhau, chẳng hạn như phân tích thị trường, kiểm tra an ninh, phân cụm xã hội và nhiều chức năng khác. AI sinh ra 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 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 của các 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 hiển thị trong hình dưới đây, bao gồm lớp hạ tầng, lớp trung gian và lớp ứng dụng, mỗi lớp lại được chia thành các phân khúc 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 thực kết nối hạ tầng với ứng dụng, trong khi lớp ứng dụng tập trung vào các ứng dụng và giải pháp trực tiếp hướng đến 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 thành lớp hạ tầng. Chính nhờ sự hỗ trợ của những hạ tầng này mà có thể thực hiện việc huấn luyện và suy diễn mô hình AI, đồng thời mang đến cho người dùng các ứng dụng AI mạnh mẽ và thiết thực.

• 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, 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 mã thông báo, 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 dự án như Sahara AI. AI Chain cũng có thể thúc đẩy 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 điểm dừng 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 trung gian:

Tầng 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 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 sở hữu dữ liệu, trong điều kiện bảo vệ quyền riêng tư, có thể bán dữ liệu của mình để tránh việc dữ liệu bị các thương gia xấu lấy cắp 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 rất thấp. Các dự án đại diện như Grass tận 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, các nhiệm vụ này có thể cần kiến thức chuyên môn trong xử lý dữ liệu tài chính và pháp lý, người dùng có thể biến kỹ năng thành token 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 nhiều lĩnh vực khác nhau, có thể bao phủ các tình huống dữ liệu đa lĩnh vực; trong khi AIT Protocol thông qua cách phối hợp giữa con người và máy móc để gán nhãn dữ liệu.

• 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, nhiệm vụ phát hiện đối tượng có thể chọn loạt Yolo, các nhiệm vụ văn bản thường gặp 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 tinh 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 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, đồng thời có khả năng đào tạo hợp tác.

• Suy diễn và xác thực: 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 gọi là suy diễn. Quá trình suy diễn thường đi kèm với cơ chế xác thực, 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 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 thực phổ biến bao gồm ZKML, OPML và TEE. Các dự án tiêu biểu như AI Oracle trên chuỗi ORA (OAO), đã giới thiệu OPML như là lớp xác thực cho AI Oracle, 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 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 một số lĩnh vực như AIGC (Nội dung được tạo ra bởi AI), 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 sử dụng Prompt (từ gợi ý do người dùng cung cấp) để tạo ra văn bản, hình ảnh và âm thanh, thậm chí có thể tạo ra theo sở thích của mình trong trò chơi.