AI+Web3: Tháp và Quảng trường

TL;DR

1. Dự án Web3 về khái niệm AI trở thành mục tiêu thu hút vốn trên thị trường sơ cấp và thứ cấp.

2. Cơ hội của Web3 trong ngành AI thể hiện ở: sử dụng động lực phân phối để phối hợp các nguồn cung tiềm năng trong đuôi dài------qua dữ liệu, lưu trữ và tính toán; trong khi đó, xây dựng một mô hình mã nguồn mở cũng như thị trường phi tập trung cho AI Agent.

3. AI trong ngành Web3 chủ yếu được áp dụng trong tài chính trên chuỗi (thanh toán tiền điện tử, giao dịch, phân tích dữ liệu) và hỗ trợ phát triển.

4. Tính hữu ích của AI + Web3 thể hiện ở sự bổ sung lẫn nhau giữa hai bên: Web3 hy vọng có thể chống lại sự tập trung của AI, AI hy vọng có thể giúp Web3 mở rộng.

Giới thiệu

Trong hai năm qua, sự phát triển của AI như được nhấn nút tăng tốc, cơn gió do Chatgpt khơi mào không chỉ mở ra một thế giới mới của trí tuệ nhân tạo sinh sinh, mà còn tạo ra sức mạnh dòng chảy ở bên kia là Web3.

Dưới sự hỗ trợ của khái niệm AI, việc huy động vốn trên thị trường tiền điện tử đang chậm lại nhưng vẫn có sự tăng trưởng đáng kể. Các phương tiện truyền thông thống kê cho biết, chỉ trong nửa đầu năm 2024, đã có 64 dự án Web3+AI hoàn thành việc huy động vốn, trong đó hệ điều hành dựa trên trí tuệ nhân tạo Zyber365 đã đạt mức huy động vốn cao nhất là 100 triệu USD ở vòng A.

Thị trường thứ cấp trở nên sôi động hơn, dữ liệu từ website tổng hợp tiền điện tử Coingecko cho thấy, chỉ trong hơn một năm, tổng giá trị thị trường của lĩnh vực AI đã đạt 48,5 tỷ USD, khối lượng giao dịch trong 24 giờ gần 8,6 tỷ USD; sự tiến bộ của các công nghệ AI chính thống mang lại lợi ích rõ rệt, sau khi một công ty phát hành mô hình chuyển văn bản thành video Sora, giá trung bình của lĩnh vực AI đã tăng 151%; hiệu ứng AI cũng mở rộng đến một trong những lĩnh vực thu hút vốn trong tiền điện tử là Meme: MemeCoin đầu tiên mang khái niệm AI Agent ------ GOAT nhanh chóng nổi tiếng và đạt được 1,4 tỷ USD giá trị, thành công trong việc khuấy động cơn sốt AI Meme.

Về nghiên cứu và các chủ đề liên quan đến AI+Web3 cũng đang rất nóng, từ AI+Depin đến AI Memecoin rồi đến AI Agent và AI DAO hiện tại, cảm xúc FOMO đã không còn theo kịp tốc độ xoay vòng của các câu chuyện mới.

AI+Web3, cụm thuật ngữ đầy tiền nóng, cơ hội và ảo tưởng tương lai này, khó tránh khỏi bị người ta coi như một cuộc hôn nhân sắp đặt do vốn đầu tư sắp xếp, chúng ta dường như rất khó để phân biệt dưới chiếc áo choàng lộng lẫy này, rốt cuộc là sân khấu của những kẻ đầu cơ hay là đêm trước khi bình minh bùng nổ?

Để trả lời câu hỏi này, một suy nghĩ quan trọng đối với cả hai bên là liệu có được cải thiện hơn không khi có nhau? Liệu có thể hưởng lợi từ mô hình của đối phương? Trong bài viết này, chúng tôi cũng cố gắng đứng trên vai những người đi trước để xem xét cấu trúc này: Web3 có thể đóng vai trò như thế nào trong các yếu tố của công nghệ AI, và AI có thể mang lại sức sống mới cho Web3 điều gì?

Phần 1 Cơ hội nào cho Web3 dưới ngăn xếp AI?

Trước khi khám phá chủ đề này, chúng ta cần hiểu về công nghệ của mô hình AI lớn:

Diễn đạt toàn bộ quá trình bằng ngôn ngữ đơn giản hơn: "Mô hình lớn" giống như bộ não của con người, ở giai đoạn đầu, bộ não này thuộc về một đứa trẻ mới chào đời, cần quan sát và tiếp nhận khối lượng thông tin khổng lồ từ thế giới xung quanh để hiểu thế giới này, đó là giai đoạn "thu thập" dữ liệu; do máy tính không có các giác quan như thị giác và thính giác của con người, trước khi đào tạo, thông tin quy mô lớn chưa được gán nhãn từ bên ngoài cần được "tiền xử lý" để chuyển đổi thành định dạng thông tin mà máy tính có thể hiểu và sử dụng.

Sau khi nhập dữ liệu, AI thông qua "đào tạo" đã xây dựng một mô hình có khả năng hiểu và dự đoán, có thể được coi là quá trình trẻ em dần dần hiểu và học hỏi về thế giới xung quanh. Các tham số của mô hình giống như khả năng ngôn ngữ của trẻ em được điều chỉnh liên tục trong quá trình học tập. Khi nội dung học tập bắt đầu được phân chia theo lĩnh vực, hoặc khi giao tiếp với mọi người nhận được phản hồi và điều chỉnh, thì sẽ bước vào giai đoạn "tinh chỉnh" của mô hình lớn.

Trẻ em dần dần lớn lên và học nói, sau đó có thể hiểu ý nghĩa và bày tỏ cảm xúc cũng như suy nghĩ của mình trong các cuộc đối thoại mới. Giai đoạn này tương tự như "suy luận" của các mô hình AI lớn, khi mô hình có khả năng dự đoán và phân tích các đầu vào ngôn ngữ và văn bản mới. Trẻ sơ sinh thể hiện cảm xúc, mô tả đối tượng và giải quyết các vấn đề khác nhau thông qua khả năng ngôn ngữ, điều này cũng tương tự như việc các mô hình AI lớn được áp dụng vào các nhiệm vụ cụ thể như phân loại hình ảnh, nhận dạng giọng nói, sau khi hoàn thành đào tạo.

AI Agent thì gần gũi hơn với hình thái tiếp theo của mô hình lớn - có khả năng thực hiện nhiệm vụ độc lập và theo đuổi các mục tiêu phức tạp, không chỉ có khả năng suy nghĩ mà còn có thể ghi nhớ, lập kế hoạch, và có khả năng sử dụng công cụ để tương tác với thế giới.

Hiện tại, để giải quyết các điểm đau của AI trong các ngăn xếp khác nhau, Web3 hiện đã hình thành một hệ sinh thái đa tầng, kết nối lẫn nhau, bao gồm các giai đoạn khác nhau của quy trình mô hình AI.

Một, Cơ sở hạ tầng: Airbnb cho sức mạnh tính toán và dữ liệu

▎Công suất

Hiện tại, một trong những chi phí cao nhất của AI là sức mạnh tính toán và năng lượng cần thiết cho việc đào tạo mô hình và suy luận mô hình.

Một ví dụ là, LLAMA3 của một công ty cần 16.000 H100GPU do một công ty sản xuất (đây là một loại đơn vị xử lý đồ họa hàng đầu được thiết kế cho các khối lượng công việc trí tuệ nhân tạo và tính toán hiệu suất cao) để hoàn thành việc huấn luyện trong 30 ngày. Giá đơn vị của phiên bản 80GB sau đó nằm trong khoảng từ 30.000 đến 40.000 đô la, điều này cần 400-700 triệu đô la đầu tư vào phần cứng tính toán (GPU + chip mạng), đồng thời, việc huấn luyện hàng tháng cần tiêu tốn 1,6 tỷ kilowatt giờ, chi phí năng lượng hàng tháng gần 20 triệu đô la.

Việc giải nén sức mạnh AI cũng chính là lĩnh vực đầu tiên mà Web3 giao thoa với AI ------ DePin (Mạng cơ sở hạ tầng vật lý phi tập trung) hiện tại, trang dữ liệu DePin Ninja đã liệt kê hơn 1400 dự án, trong đó các dự án đại diện cho việc chia sẻ sức mạnh GPU bao gồm io.net, Aethir, Akash, Render Network, và nhiều dự án khác.

Logic chính của nó là: nền tảng cho phép cá nhân hoặc tổ chức sở hữu tài nguyên GPU nhàn rỗi đóng góp khả năng tính toán của họ theo cách phi tập trung không cần xin phép, thông qua một thị trường trực tuyến giữa người mua và người bán tương tự như một nền tảng gọi xe hoặc nền tảng lưu trú, nâng cao tỷ lệ sử dụng tài nguyên GPU chưa được khai thác đầy đủ, và người dùng cuối cũng từ đó nhận được tài nguyên tính toán hiệu quả với chi phí thấp hơn; đồng thời, cơ chế staking cũng đảm bảo rằng nếu có vi phạm cơ chế kiểm soát chất lượng hoặc ngắt kết nối mạng, nhà cung cấp tài nguyên sẽ bị xử phạt tương ứng.

Đặc điểm của nó là:

• Tập hợp tài nguyên GPU nhàn rỗi: Các nhà cung cấp chủ yếu là các trung tâm dữ liệu độc lập nhỏ và vừa của bên thứ ba, các nhà điều hành mỏ tiền điện tử và các tài nguyên tính toán dư thừa, phần cứng khai thác với cơ chế đồng thuận là PoS, chẳng hạn như máy khai thác FileCoin và ETH. Hiện tại cũng có các dự án đang cố gắng khởi động các thiết bị có ngưỡng gia nhập thấp hơn, chẳng hạn như exolab sử dụng MacBook, iPhone, iPad và các thiết bị cục bộ khác để thiết lập mạng lưới tính toán cho suy diễn mô hình lớn.

• Đối mặt với thị trường dài đuôi của sức mạnh AI:

a. "Về mặt công nghệ", thị trường sức mạnh phi tập trung phù hợp hơn cho các bước suy diễn. Đào tạo phụ thuộc nhiều hơn vào khả năng xử lý dữ liệu do quy mô GPU siêu lớn mang lại, trong khi suy diễn yêu cầu hiệu suất tính toán GPU tương đối thấp, như Aethir tập trung vào công việc render độ trễ thấp và ứng dụng suy diễn AI.

b. "Về phía nhu cầu", các bên có nhu cầu tính toán nhỏ sẽ không tự mình huấn luyện mô hình lớn mà chỉ chọn tối ưu hóa và tinh chỉnh xung quanh một số mô hình lớn hàng đầu, và những tình huống này đều tự nhiên phù hợp với tài nguyên tính toán rỗi phân tán.

• Quyền sở hữu phi tập trung: Ý nghĩa công nghệ của blockchain là chủ sở hữu tài nguyên luôn giữ quyền kiểm soát tài nguyên của mình, điều chỉnh linh hoạt theo nhu cầu và đồng thời thu được lợi nhuận.

▎Dữ liệu

Dữ liệu là nền tảng của AI. Nếu không có dữ liệu, tính toán sẽ như rêu nổi trên mặt nước, hoàn toàn vô dụng, và mối quan hệ giữa dữ liệu và mô hình giống như câu tục ngữ "Garbage in, Garbage out", số lượng dữ liệu và chất lượng đầu vào quyết định chất lượng đầu ra cuối cùng của mô hình. Đối với việc đào tạo các mô hình AI hiện nay, dữ liệu quyết định khả năng ngôn ngữ, khả năng hiểu biết, thậm chí cả giá trị và biểu hiện tính nhân văn của mô hình. Hiện tại, những khó khăn về nhu cầu dữ liệu của AI chủ yếu tập trung vào bốn khía cạnh sau:

• Khát dữ liệu: Đào tạo mô hình AI phụ thuộc vào lượng dữ liệu đầu vào lớn. Tài liệu công khai cho thấy, một công ty đã đào tạo GPT-4 với số lượng tham số lên tới hàng nghìn tỷ.

• Chất lượng dữ liệu: Khi AI kết hợp với các ngành nghề, tính kịp thời của dữ liệu, sự đa dạng của dữ liệu, tính chuyên môn của dữ liệu theo ngành, và việc tiếp nhận các nguồn dữ liệu mới như cảm xúc trên mạng xã hội đã đặt ra những yêu cầu mới về chất lượng.

• Vấn đề quyền riêng tư và tuân thủ: Hiện nay, các quốc gia và doanh nghiệp ngày càng nhận thức được tầm quan trọng của các tập dữ liệu chất lượng, đang áp dụng các hạn chế đối với việc thu thập dữ liệu.

• Chi phí xử lý dữ liệu cao: Khối lượng dữ liệu lớn, quy trình xử lý phức tạp. Tài liệu công khai cho thấy, hơn 30% chi phí nghiên cứu và phát triển của các công ty AI được sử dụng cho việc thu thập và xử lý dữ liệu cơ bản.

Hiện tại, các giải pháp web3 được thể hiện qua bốn khía cạnh sau:

1. Thu thập dữ liệu: Việc cung cấp miễn phí dữ liệu thực thế đang nhanh chóng cạn kiệt, chi phí mà các công ty AI chi trả cho dữ liệu ngày càng tăng theo từng năm. Nhưng đồng thời, chi phí này không được hoàn trả cho những người đóng góp thực sự cho dữ liệu, các nền tảng hoàn toàn tận hưởng giá trị mà dữ liệu mang lại, chẳng hạn như một nền tảng mạng xã hội đã đạt được tổng doanh thu 203 triệu đô la Mỹ thông qua các thỏa thuận cấp phép dữ liệu với các công ty AI.

Web3 có tầm nhìn cho phép người dùng thực sự đóng góp tham gia vào việc tạo ra giá trị từ dữ liệu, cũng như thu thập dữ liệu riêng tư và có giá trị hơn từ người dùng với chi phí thấp thông qua mạng lưới phân tán và cơ chế khuyến khích.

• Grass là một lớp dữ liệu và mạng phi tập trung, người dùng có thể chạy nút Grass, đóng góp băng thông nhàn rỗi và lưu lượng relaying để thu thập dữ liệu thời gian thực từ toàn bộ internet và nhận phần thưởng bằng token;

• Vana đã giới thiệu một khái niệm độc đáo về bể thanh khoản dữ liệu (DLP), người dùng có thể tải lên dữ liệu cá nhân của họ (chẳng hạn như lịch sử mua sắm, thói quen duyệt web, hoạt động trên mạng xã hội, v.v.) lên DLP cụ thể và linh hoạt chọn xem có cấp quyền cho các bên thứ ba cụ thể sử dụng dữ liệu này hay không;

• Trong PublicAI, người dùng có thể sử dụng #AI 或#Web3 làm thẻ phân loại trên một nền tảng mạng xã hội và @PublicAI để thực hiện thu thập dữ liệu.

2. Xử lý dữ liệu trước: Trong quá trình xử lý dữ liệu của AI, do dữ liệu thu thập thường bị nhiễu và chứa lỗi, nên trước khi đào tạo mô hình, nó phải được làm sạch và chuyển đổi thành định dạng có thể sử dụng, liên quan đến việc chuẩn hóa, lọc và xử lý các giá trị thiếu. Giai đoạn này là một trong số ít các khâu thủ công trong ngành AI, đã phát sinh ra ngành công nghiệp người gán nhãn dữ liệu. Khi yêu cầu về chất lượng dữ liệu của mô hình tăng lên, tiêu chuẩn đối với người gán nhãn dữ liệu cũng theo đó mà nâng cao, và nhiệm vụ này tự nhiên phù hợp với cơ chế khuyến khích phi tập trung của Web3.

• Hiện tại, Grass và OpenLayer đều đang xem xét việc tham gia vào bước quan trọng này là đánh dấu dữ liệu.

• Synesis đã đề xuất khái niệm "Train2earn", nhấn mạnh chất lượng dữ liệu, người dùng có thể nhận được phần thưởng bằng cách cung cấp dữ liệu được gán nhãn, chú thích hoặc các hình thức đầu vào khác.

• Dự án đánh dấu dữ liệu Sapien đã gam hóa nhiệm vụ đánh dấu và cho phép người dùng đặt cọc điểm để kiếm thêm điểm.

3. Quyền riêng tư và bảo mật dữ liệu: Cần làm rõ rằng quyền riêng tư và bảo mật dữ liệu là hai khái niệm khác nhau. Quyền riêng tư dữ liệu liên quan đến việc xử lý dữ liệu nhạy cảm, trong khi bảo mật dữ liệu bảo vệ thông tin dữ liệu khỏi việc truy cập, phá hủy và đánh cắp trái phép. Do đó, lợi thế công nghệ quyền riêng tư Web3 và các ứng dụng tiềm năng thể hiện ở hai phương diện: (1) Huấn luyện dữ liệu nhạy cảm; (2) Hợp tác dữ liệu: Nhiều chủ sở hữu dữ liệu có thể cùng tham gia huấn luyện AI mà không cần chia sẻ dữ liệu gốc của họ.

Các công nghệ bảo mật phổ biến trong Web3 hiện nay bao gồm:

• Môi trường thực thi đáng tin cậy ( TEE ), chẳng hạn như Super Protocol;

• Mã hóa hoàn toàn đồng hình (FHE), ví dụ như BasedAI, Fhenix.io hoặc Inco Network;

• Công nghệ Zero-Knowledge (zk), như Reclaim Protocol sử dụng công nghệ zkTLS, tạo ra các chứng minh không biết về lưu lượng HTTPS, cho phép người dùng an toàn nhập dữ liệu hoạt động, danh tiếng và danh tính từ các trang web bên ngoài mà không cần tiết lộ thông tin nhạy cảm.

Tuy nhiên, hiện tại lĩnh vực này vẫn ở giai đoạn sơ khai, hầu hết các dự án vẫn đang trong quá trình khám phá, một khó khăn hiện tại là chi phí tính toán.