Báo cáo toàn cảnh về lĩnh vực Web3-AI: Phân tích sâu sắc về logic công nghệ, ứng dụng thực tiễn và các dự án hàng đầu
Với sự gia tăng nhiệt huyết về AI, ngày càng nhiều sự chú ý tập trung vào lĩnh vực này. Bài viết này phân tích sâu về logic công nghệ, các tình huống ứng dụng và các dự án tiêu biểu trong lĩnh vực Web3-AI, nhằm 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 kỹ thuật và cơ hội thị trường mới nổi
1.1 Logic tích hợp Web3 và AI: Làm thế nào để xác định đường đua Web3-AI
Trong năm qua, kể chuyện AI đã trở nên cực kỳ phổ biến trong ngành Web3, các dự án AI mọc lên 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, còn kinh tế token cơ bản không có mối liên hệ thực chất với sản phẩm AI, do đó các dự án này không nằm trong cuộc 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 tự 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 các dự án này vào đường đua Web3-AI. Để giúp độc giả hiểu rõ hơn về đường đua Web3-AI, bài viết sẽ giới thiệu quá trình phát triển và thách thức của AI, 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 Quá trình phát triển AI và 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 một vài bước chính sau: thu thập dữ liệu và tiền xử lý dữ liệu, chọn lựa và tinh chỉnh mô hình, đào tạo mô hình và suy diễn. Lấy một ví dụ đơn giản, để phát triển một mô hình nhằm phân loại hình ảnh của mèo và chó, bạn cần:
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 (mèo hoặc chó), đảm bảo rằng nhãn chính xác. Chuyển đổi hình ảnh sang định dạng mà mô hình có thể nhận diện, chia tập dữ liệu thành tập huấn luyện, tập xác thực và tập kiểm tra.
Lựa chọn và tinh 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. Tinh chỉnh các tham số hoặc cấu trúc của mô hình theo nhu cầu khác nhau, thường thì, 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 có thể đã đủ.
Huấn luyện mô hình: Có thể sử dụng GPU, TPU hoặc cụm tính toán 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.
Suy diễn mô hình: Tệp đã được đào tạo của mô hình thường được gọi là trọng số mô hình, quá trình suy diễn là quá trình sử dụng mô hình đã được đào tạo 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 được đánh giá bằng các chỉ số như độ chính xác, tỷ lệ hồi đáp, F1-score và các chỉ số khác để đánh giá tính hiệu quả của mô hình.
Như hình minh họa, 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, từ đó đưa ra giá trị dự đoán P (xác suất) cho mèo và chó, tức là xác suất mà mô hình suy diễn ra đó là mèo hoặc chó.
Mô hình AI đã được đào tạo có thể được tích hợp thêm vào nhiều ứng dụng khác nhau để 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 các bối cảnh tập trung, quá trình phát triển AI thường không minh bạch. Dữ liệu người dùng có thể bị đánh cắp mà không có sự đồng ý và được sử dụng cho việc huấn luyện 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 dữ liệu không được mở nguồn.
Lựa chọn và tối ưu hóa mô hình: Đối với các đội nhỏ, rất khó để có được tài nguyên mô hình trong lĩnh vực cụ thể hoặc chi tiêu một khoản chi phí lớn để tối ưu hóa 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 ra gánh nặng kinh tế đáng kể.
Thu nhập tài sản AI: Các nhà phân tích dữ liệu thường không thể nhận được thu nhập tương xứng với công sức mà họ bỏ ra, trong khi những sản phẩm 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 thích ứng với AI đại diện cho năng lực 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
Web3 và AI kết hợp có thể tăng cường quyền chủ động của người dùng, cung cấp cho người dùng một nền tảng hợp tác AI mở, biến người dùng từ người sử dụng AI thời Web2 thành người tham gia, tạo ra AI mà mọi người có thể sở hữu. Đồng thời, sự hòa nhập của thế giới Web3 với 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 các mô hình AI, nhiều nguồn 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 thiết lập một 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 tác động tích cực trên nhiều lĩnh vực khác nhau. Ví dụ, các mô hình AI có thể được tích hợp vào hợp đồng thông minh, nâng cao hiệu suất làm việc trong nhiều tình huống ứng dụng khác nhau, 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 phong phú và đa dạng cũng như 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, Độ sâu dự án sinh thái Web3-AI và phân tích cấu trúc
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 như hình dưới đây, bao gồm lớp hạ tầng, lớp trung gian và lớp ứng dụng, mỗi lớp lại được chia thành các khối khác nhau. Trong 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 của AI, lớp trung gian bao gồm quản lý dữ liệu, phát triển mô hình và dịch vụ xác minh suy luận kết nối hạ tầng với ứng dụng, trong khi lớp ứng dụng tập trung vào các ứng dụng và giải pháp hướng trực tiếp 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 là lớp hạ tầng. Chính nhờ sự hỗ trợ của những hạ tầng này mà việc đào tạo và suy diễn mô hình AI trở nên khả thi, đồng thời trình bày những ứng dụng AI mạnh mẽ, thiết thực đến tay người dùng.
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 việc 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 nhuận, đại diện cho các dự án như IO.NET và Hyperbolic. Ngoài ra, một số dự án đã phát sinh ra các cách chơi mới, như Compute Labs, đã đề xuất giao thức mã 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 nhuận.
AI Chain: Sử dụng blockchain làm cơ sở 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 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 đại lý AI, còn có thể thực hiện giao dịch đại lý AI, 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 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 công việc cao hơn.
Dữ liệu: Chất lượng và số lượng dữ liệu là 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 tự chủ về dữ liệu, trong khi vẫn bảo vệ quyền riêng tư, có thể bán dữ liệu của chính mình để tránh việc dữ liệu bị các thương gia xấu lợi dụng và thu lợi nhuận lớn. Đối với bên có nhu cầu dữ liệu, các nền tảng này cung cấp nhiều lựa chọn và chi phí cực kỳ 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 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 trong việc xử lý dữ liệu tài chính và pháp lý, 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, với các nhiệm vụ dữ liệu ở các lĩnh vực khác nhau, có thể bao phủ nhiều kịch bản 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 yêu 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; cho nhiệm vụ phát hiện đối tượng có thể chọn các dòng 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 thiết cho các nhiệm vụ có độ phức tạp khác nhau cũng khác nhau, đôi khi cần 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 hình thức crowdsourcing, chẳng hạn như Sentient với thiết kế mô-đun cho phép người dùng đặt dữ liệu mô hình đáng tin cậy vào tầng lưu trữ và tầng 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 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 thực hiện 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 kiểm tra nguồn gốc của mô hình suy diễn có chính xác hay không, có hành vi xấu không, v.v. Suy diễn trong 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 các công nghệ như ZKML, OPML và TEE. 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).
Lớp ứng dụng:
Tầng này chủ yếu là các ứng dụng trực tiếp hướng đến người dùng, kết hợp AI với Web3, tạo ra nhiều trò chơi thú vị và đổi mới hơn. Bài viết này chủ yếu tổng hợp các dự án trong các lĩnh vực AIGC (Nội dung do AI tạo ra), đại lý AI và phân tích dữ liệu.
Trang này có thể chứa nội dung của bên thứ ba, được cung cấp chỉ nhằm mục đích thông tin (không phải là tuyên bố/bảo đảm) và không được coi là sự chứng thực cho quan điểm của Gate hoặc là lời khuyên về tài chính hoặc chuyên môn. Xem Tuyên bố từ chối trách nhiệm để biết chi tiết.
21 thích
Phần thưởng
21
8
Chia sẻ
Bình luận
0/400
BlockchainWorker
· 9giờ trước
Gặp lại AI, thị trường đuổi theo gió đã không còn giới hạn.
Xem bản gốcTrả lời0
UncleWhale
· 12giờ trước
确实被 chơi đùa với mọi người过 所以不再闭眼冲
Xem bản gốcTrả lời0
GateUser-40edb63b
· 07-30 17:44
Đều bẫy AI皮 chơi đùa với mọi người, có một算 một.
Xem bản gốcTrả lời0
ser_we_are_ngmi
· 07-30 17:41
Tôi nghĩ nhiều dự án đang chơi đùa với mọi người AI thật.
Xem bản gốcTrả lời0
SchroedingerMiner
· 07-30 17:36
Lại gặp lại tài chính kể chuyện, đợt này có thể chạy bao lâu?
Xem bản gốcTrả lời0
OffchainOracle
· 07-30 17:33
Một số lĩnh vực phát triển theo web3 một cách âm thầm, và lại bắt đầu thổi phồng khái niệm.
Xem bản gốcTrả lời0
MercilessHalal
· 07-30 17:23
Lại là một cơ hội mới để được chơi cho Suckers. Chỉ cần xem ai nhập một vị thế sớm thì người đó sẽ có lợi.
Xem bản gốcTrả lời0
DeFiAlchemist
· 07-30 17:22
ser đây không chỉ là một sự hợp nhất công nghệ khác... chúng ta đang chứng kiến sự giả kim tài chính thuần túy ở đây thật lòng mà nói
Web3-AI toàn cảnh: Phân tích sâu về logic công nghệ, ứng dụng và các dự án hàng đầu Độ sâu
Báo cáo toàn cảnh về lĩnh vực Web3-AI: Phân tích sâu sắc về logic công nghệ, ứng dụng thực tiễn và các dự án hàng đầu
Với sự gia tăng nhiệt huyết về AI, ngày càng nhiều sự chú ý tập trung vào lĩnh vực này. Bài viết này phân tích sâu về logic công nghệ, các tình huống ứng dụng và các dự án tiêu biểu trong lĩnh vực Web3-AI, nhằm 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 kỹ thuật và cơ hội thị trường mới nổi
1.1 Logic tích hợp Web3 và AI: Làm thế nào để xác định đường đua Web3-AI
Trong năm qua, kể chuyện AI đã trở nên cực kỳ phổ biến trong ngành Web3, các dự án AI mọc lên 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, còn kinh tế token cơ bản không có mối liên hệ thực chất với sản phẩm AI, do đó các dự án này không nằm trong cuộc 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 tự 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 các dự án này vào đường đua Web3-AI. Để giúp độc giả hiểu rõ hơn về đường đua Web3-AI, bài viết sẽ giới thiệu quá trình phát triển và thách thức của AI, 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 Quá trình phát triển AI và 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 một vài bước chính sau: thu thập dữ liệu và tiền xử lý dữ liệu, chọn lựa và tinh chỉnh mô hình, đào tạo mô hình và suy diễn. Lấy một ví dụ đơn giản, để phát triển một mô hình nhằm phân loại hình ảnh của mèo và chó, bạn cần:
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 (mèo hoặc chó), đảm bảo rằng nhãn chính xác. Chuyển đổi hình ảnh sang định dạng mà mô hình có thể nhận diện, chia tập dữ liệu thành tập huấn luyện, tập xác thực và tập kiểm tra.
Lựa chọn và tinh 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. Tinh chỉnh các tham số hoặc cấu trúc của mô hình theo nhu cầu khác nhau, thường thì, 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 có thể đã đủ.
Huấn luyện mô hình: Có thể sử dụng GPU, TPU hoặc cụm tính toán 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.
Suy diễn mô hình: Tệp đã được đào tạo của mô hình thường được gọi là trọng số mô hình, quá trình suy diễn là quá trình sử dụng mô hình đã được đào tạo 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 được đánh giá bằng các chỉ số như độ chính xác, tỷ lệ hồi đáp, F1-score và các chỉ số khác để đánh giá tính hiệu quả của mô hình.
Như hình minh họa, 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, từ đó đưa ra giá trị dự đoán P (xác suất) cho mèo và chó, tức là xác suất mà mô hình suy diễn ra đó là mèo hoặc chó.
Mô hình AI đã được đào tạo có thể được tích hợp thêm vào nhiều ứng dụng khác nhau để 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 các bối cảnh tập trung, quá trình phát triển AI thường không minh bạch. Dữ liệu người dùng có thể bị đánh cắp mà không có sự đồng ý và được sử dụng cho việc huấn luyện 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 dữ liệu không được mở nguồn.
Lựa chọn và tối ưu hóa mô hình: Đối với các đội nhỏ, rất khó để có được tài nguyên mô hình trong lĩnh vực cụ thể hoặc chi tiêu một khoản chi phí lớn để tối ưu hóa 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 ra gánh nặng kinh tế đáng kể.
Thu nhập tài sản AI: Các nhà phân tích dữ liệu thường không thể nhận được thu nhập tương xứng với công sức mà họ bỏ ra, trong khi những sản phẩm 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 thích ứng với AI đại diện cho năng lực 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
Web3 và AI kết hợp có thể tăng cường quyền chủ động của người dùng, cung cấp cho người dùng một nền tảng hợp tác AI mở, biến người dùng từ người sử dụng AI thời Web2 thành người tham gia, tạo ra AI mà mọi người có thể sở hữu. Đồng thời, sự hòa nhập của thế giới Web3 với 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 các mô hình AI, nhiều nguồn 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 thiết lập một 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 tác động tích cực trên nhiều lĩnh vực khác nhau. Ví dụ, các mô hình AI có thể được tích hợp vào hợp đồng thông minh, nâng cao hiệu suất làm việc trong nhiều tình huống ứng dụng khác nhau, 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 phong phú và đa dạng cũng như 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, Độ sâu dự án sinh thái Web3-AI và phân tích cấu trúc
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 như hình dưới đây, bao gồm lớp hạ tầng, lớp trung gian và lớp ứng dụng, mỗi lớp lại được chia thành các khối khác nhau. Trong 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 của AI, lớp trung gian bao gồm quản lý dữ liệu, phát triển mô hình và dịch vụ xác minh suy luận kết nối hạ tầng với ứng dụng, trong khi lớp ứng dụng tập trung vào các ứng dụng và giải pháp hướng trực tiếp 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 là lớp hạ tầng. Chính nhờ sự hỗ trợ của những hạ tầng này mà việc đào tạo và suy diễn mô hình AI trở nên khả thi, đồng thời trình bày những ứng dụng AI mạnh mẽ, thiết thực đến tay người dùng.
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 việc 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 nhuận, đại diện cho các dự án như IO.NET và Hyperbolic. Ngoài ra, một số dự án đã phát sinh ra các cách chơi mới, như Compute Labs, đã đề xuất giao thức mã 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 nhuận.
AI Chain: Sử dụng blockchain làm cơ sở 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 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 đại lý AI, còn có thể thực hiện giao dịch đại lý AI, 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 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 công việc cao hơn.
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 trong việc xử lý dữ liệu tài chính và pháp lý, 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, với các nhiệm vụ dữ liệu ở các lĩnh vực khác nhau, có thể bao phủ nhiều kịch bản 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.
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 hình thức crowdsourcing, chẳng hạn như Sentient với thiết kế mô-đun cho phép người dùng đặt dữ liệu mô hình đáng tin cậy vào tầng lưu trữ và tầng 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.
Lớp ứng dụng:
Tầng này chủ yếu là các ứng dụng trực tiếp hướng đến người dùng, kết hợp AI với Web3, tạo ra nhiều trò chơi thú vị và đổi mới hơn. Bài viết này chủ yếu tổng hợp các dự án trong các lĩnh vực AIGC (Nội dung do AI tạo ra), đại lý AI và phân tích dữ liệu.