Báo cáo toàn cảnh Web3-AI: Phân tích logic kỹ thuật, ứng dụng tình huống và các dự án hàng đầu Độ sâu

Với sự gia tăng liên tục của câu chuyện AI, ngày càng nhiều sự chú ý tập trung vào lĩnh vực này. Đã tiến hành phân tích sâu về logic công nghệ, các tình huống ứng dụng và các dự án đại diện trong lĩnh vực Web3-AI, nhằm mang đến cho bạn cái nhìn 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, câu chuyện AI đã trở nên cực kỳ phổ biến trong ngành Web3, với nhiều 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, trong khi kinh tế tiền tệ cơ bản không có mối liên hệ thực sự với sản phẩm AI, do đó những 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 sử dụng blockchain để giải quyết vấn đề quan hệ sản xuất, các dự án AI giải quyết vấn đề năng suất, 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, cả hai bổ sung cho nhau. Chúng tôi 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 trình bày quá trình phát triển AI và các thách thức, cũng như cách Web3 và AI kết hợp hoàn hảo để 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 luận 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, huấn luyện mô hình và suy luận. Lấy một ví dụ đơn giản, để phát triển một mô hình nhằm phân loại hình ảnh của mèo và chó, bạn cần:

1. Thu thập dữ liệu và tiền xử lý dữ liệu: Thu thập bộ dữ liệu hình ảnh chứa mèo và chó, có thể sử dụng bộ dữ liệu công khai hoặc tự thu thập dữ liệu thực tế. Sau đó gán nhãn cho mỗi hình ảnh (mèo hoặc chó), đảm bảo rằng nhãn chính xác. Chuyển đổi hình ảnh thành định dạng mà mô hình có thể nhận diện, chia bộ dữ liệu thành bộ huấn luyện, bộ xác thực và bộ 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 nhiệm vụ phân loại hình ảnh. Điều chỉnh tham số hoặc kiến trúc của mô hình theo nhu cầu khác nhau, thông thường, 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, độ sâu mạng nông hơn có thể là 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 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 kiểm tra hiệu quả phân loại của mô hình, thường sử dụng độ chính xác, tỷ lệ hồi phục, F1-score và các chỉ số khác để đánh giá tính hiệu quả của mô hình.

Như hình đã chỉ, sau khi thu thập dữ liệu và tiền xử lý dữ liệu, lựa chọn và điều chỉnh mô hình cũng như đào tạo, mô hình đã được đào tạo sẽ được sử dụng để 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 đó là mèo hay 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 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 ai biết và được sử dụng cho việc huấn luyện AI.

Nguồn dữ liệu: Các đội 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 về việc dữ liệu không được mở nguồn.

Lựa chọn và tinh chỉnh mô hình: Đối với các nhóm nhỏ, thật 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 đội ngũ 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 tài sản AI: Những người làm công việc gán nhãn dữ liệu thường không thể kiếm được thu nhập tương xứng với công sức bỏ ra, trong khi các sản phẩm nghiên cứu của các nhà phát triển AI cũng khó để phù hợp với những người mua có nhu cầu.

Các 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, một cách 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 Web3 và AI: Hiệu ứng phối hợp, 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 chuyển từ người sử dụng AI trong thời đại Web2 thành 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 cảnh 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 dữ liệu crowdsourcing 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 truy cập 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 để thúc đẩy sự tiến bộ của công nghệ AI.

Trong bối cảnh Web3, AI có thể tạo ra những ảnh hưởng tích cực trên nhiều lĩnh vực khác nhau. Chẳng hạn, mô hình AI có thể được tích hợp vào hợp đồng thông minh, nâng cao hiệu suất làm việc trong các ứng dụng khác nhau như phân tích thị trường, kiểm tra an ninh, phân nhóm 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 ra NFT của riêng mình, mà còn có thể tạo ra những cảnh game đa dạng và 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 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 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 cấp độ được hiển thị trong hình dưới đây, bao gồm tầng hạ tầng, tầng trung gian và tầng ứng dụng, mỗi tầng 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 thì bao gồm quản lý dữ liệu, phát triển mô hình và dịch vụ xác minh suy diễn kết nối giữa hạ tầng và ứng dụng, trong khi lớp ứng dụng tập trung vào các ứng dụng và giải pháp trực tiếp phục vụ người dùng.

Cơ sở hạ tầng:

Lớp hạ tầng là cơ sở 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 nhờ sự hỗ trợ của những hạ tầng này mà việc đào tạo và suy diễn mô hình AI mới có thể được thực hiện, từ đó mang lại cho người dùng những ứng dụng AI mạnh mẽ và thực tiễn.

• 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 sử dụng tài nguyên tính toán hiệu quả và kinh tế. 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. Hơn nữa, một số dự án đã phát triển các cách chơi mới, chẳng hạn như Compute Labs, đã đề xuất giao thức token hóa, người dùng có thể tham gia thuê sức mạnh tính toán để thu lợi bằng cách mua NFT đại diện cho GPU thực thể theo nhiều cách khác nhau.

• AI Chain: Sử dụng blockchain làm nền tảng cho vòng đời AI, thực hiện 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 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 subnet đổi mới để thúc đẩy cạnh tranh giữa các loại subnet AI khác nhau.

• Nền tảng phát triển: Một số dự án cung cấp nền tảng phát triển đại lý AI, còn có thể thực hiện giao dịch đại lý AI, chẳng hạn như Fetch.ai và ChainML. Các công cụ một cửa 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 việc ứng dụng rộng rãi công nghệ AI trong hệ sinh thái Web3.

Lớp trung gian:

Lớp này liên quan đến dữ liệu AI, mô hình và suy diễn cũng như 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 quan trọng ảnh hưởng đến hiệu quả đào tạo 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 sở hữu dữ liệu, bán dữ liệu của mình trong điều kiện bảo vệ quyền riêng tư, nhằm tránh việc dữ liệu bị các thương gia xấu lấy cắp và thu lợi nhuận cao. Đối với 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 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, 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 mã hóa kỹ năng của mình để thực hiện hợp tác crowdsourcing trong tiền xử lý dữ liệu. Đại diện như thị trường AI Sahara AI, có các nhiệm vụ dữ liệu trong nhiều lĩnh vực, có thể bao phủ các cảnh dữ liệu đa lĩnh vực; 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 phù hợp với mô hình thích hợp. Các mô hình thường được sử dụng trong 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, 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 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 theo cách crowdsourcing, chẳng hạn như Sentient với thiết kế mô-đun, cho phép người dùng đặt dữ liệu mô hình 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 huấn luyện, nó sẽ tạo ra các 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 độc hại hay không, v.v. Suy diễn của Web3 thường có thể được tích hợp vào hợp đồng thông minh, thông qua việc gọi mô hình để thực hiện suy diễn, các phương pháp xác minh phổ biến bao gồm ZKML, OPML và TEE, v.v. Các dự án đại diện như ORA chuỗi AI tiên tri (OAO), đã giới thiệu OPML như một lớp có thể xác minh 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 lớp:

Lớp này chủ yếu là các ứng dụng trực tiếp hướng đến người dùng, kết hợp AI với Web3, tạo ra