Tin nóng ⇢

DAOrayaki: Triển vọng ứng dụng AI trong Hệ sinh thái Web3

Kể từ khi ChatGPT và GPT-4 được giới thiệu, đã có rất nhiều bài viết về cách AI có thể cách mạng hóa mọi thứ, bao gồm cả Web 3. Các nhà phát triển trong nhiều ngành báo cáo mức tăng năng suất đáng kể từ 50% đến 500% bằng cách tận dụng ChatGPT làm trình đồng điều khiển để tự động hóa các tác vụ như tạo mã soạn sẵn, tiến hành kiểm tra đơn vị, tạo tài liệu, gỡ lỗi và phát hiện lỗi% khác nhau. Mặc dù bài viết này sẽ khám phá cách AI có thể kích hoạt các trường hợp sử dụng Web 3 mới và thú vị, nhưng trọng tâm chính của nó là mối quan hệ cùng có lợi giữa Web 3 và AI. Có rất ít công nghệ có khả năng ảnh hưởng đáng kể đến hướng đi của trí tuệ nhân tạo và Web 3 là một trong số đó.


Web3 hỗ trợ trí tuệ nhân tạo như thế nào?


Mặc dù có tiềm năng to lớn, nhưng các mô hình AI hiện tại phải đối mặt với một số thách thức, chẳng hạn như quyền riêng tư về dữ liệu, tính công bằng trong việc thực thi các mô hình độc quyền cũng như khả năng tạo và phổ biến nội dung giả mạo đáng tin cậy. Một số công nghệ Web 3 hiện có được định vị độc đáo để giải quyết những thách thức này.


01 Tạo bộ dữ liệu độc quyền cho đào tạo máy học (ML)


Một lĩnh vực mà Web 3 có thể trợ giúp AI là thông qua việc cộng tác tạo các bộ dữ liệu độc quyền để đào tạo máy học (ML), tức là sử dụng mạng PoPW để tạo bộ dữ liệu. Bộ dữ liệu quy mô lớn rất quan trọng đối với các mô hình ML chính xác, nhưng việc tạo ra chúng có thể trở thành nút cổ chai trong các trường hợp sử dụng yêu cầu sử dụng dữ liệu riêng tư, chẳng hạn như chẩn đoán y tế bằng ML. Truy cập vào hồ sơ y tế là cần thiết để đào tạo các mô hình này do lo ngại về quyền riêng tư dữ liệu của bệnh nhân, nhưng bệnh nhân có thể miễn cưỡng chia sẻ hồ sơ y tế của họ do lo ngại về quyền riêng tư. Để giải quyết vấn đề này, bệnh nhân có thể ẩn danh hồ sơ y tế của họ một cách có thể xác minh để bảo vệ quyền riêng tư của họ trong khi vẫn có thể tham gia đào tạo ML.


Tuy nhiên, tính xác thực của hồ sơ y tế ẩn danh là một vấn đề, vì dữ liệu giả mạo có thể ảnh hưởng nghiêm trọng đến hiệu suất của mô hình. Để giải quyết vấn đề này, có thể sử dụng bằng chứng không có kiến ​​thức (ZKP) để xác minh tính xác thực của hồ sơ y tế ẩn danh. Bệnh nhân có thể tạo ZKP để chứng minh rằng hồ sơ ẩn danh thực sự là bản sao của hồ sơ gốc, ngay cả sau khi xóa thông tin nhận dạng cá nhân (PII). Bằng cách này, bệnh nhân có thể cung cấp hồ sơ ẩn danh với ZKP cho các bên quan tâm và thậm chí nhận phần thưởng cho những đóng góp của họ mà không phải hy sinh quyền riêng tư.


02 Chạy suy luận dữ liệu riêng tư


Một điểm yếu lớn của các LLM hiện tại là việc xử lý dữ liệu riêng tư. Ví dụ: khi người dùng tương tác với chatGPT, OpenAI sẽ thu thập dữ liệu riêng tư của người dùng và sử dụng dữ liệu đó để đào tạo mô hình, dẫn đến việc tiết lộ thông tin nhạy cảm. Đây là trường hợp của Samsung. Các kỹ thuật không kiến ​​thức (zk) có thể giúp giải quyết một số vấn đề phát sinh khi các mô hình ML thực hiện suy luận trên dữ liệu riêng tư. Ở đây, chúng tôi xem xét hai trường hợp: mô hình mã nguồn mở và mô hình sở hữu độc quyền.


Đối với các mô hình nguồn mở, người dùng có thể tải xuống mô hình cục bộ trên dữ liệu cá nhân của họ và chạy nó. Ví dụ, Worldcoin có kế hoạch nâng cấp World ID. Trong trường hợp sử dụng này, Worldcoin cần xử lý dữ liệu sinh trắc học riêng tư của người dùng, tức là quét mống mắt của người dùng, để tạo một mã định danh duy nhất cho mỗi người dùng được gọi là Mã Iris. Trong trường hợp này, người dùng có thể giữ dữ liệu sinh trắc học của họ ở chế độ riêng tư trên thiết bị của họ, tải xuống mô hình ML được sử dụng để tạo IrisCode, chạy suy luận cục bộ và tạo bằng chứng cho thấy IrisCode của họ đã được tạo thành công. Các bằng chứng được tạo ra đảm bảo tính xác thực của lập luận trong khi vẫn duy trì tính riêng tư của dữ liệu. Cơ chế chứng minh zk hiệu quả như cơ chế do Modulus Labs phát triển cho các mô hình ML là rất quan trọng đối với trường hợp sử dụng này.


Một trường hợp khác là khi mô hình ML được sử dụng để suy luận là độc quyền. Nhiệm vụ này hơi khó khăn vì suy luận cục bộ không phải là một tùy chọn. Tuy nhiên, có hai cách mà ZKP có thể giúp đỡ. Cách tiếp cận đầu tiên là ẩn danh dữ liệu người dùng bằng cách sử dụng ZKP, như đã thảo luận trong ví dụ tạo tập dữ liệu trước đó, sau đó gửi dữ liệu ẩn danh đến mô hình ML. Một cách tiếp cận khác là sử dụng bước tiền xử lý cục bộ trên dữ liệu riêng tư trước khi gửi đầu ra đã được xử lý trước tới mô hình ML. Trong trường hợp này, bước tiền xử lý sẽ ẩn dữ liệu riêng tư của người dùng để dữ liệu đó không thể được tạo lại. Người dùng tạo ZKP cho biết việc thực hiện đúng các bước tiền xử lý và sau đó phần còn lại của mô hình độc quyền có thể được thực thi từ xa trên máy chủ của chủ sở hữu mô hình. Các trường hợp sử dụng ví dụ ở đây có thể bao gồm một bác sĩ AI có thể phân tích hồ sơ y tế của bệnh nhân để chẩn đoán tiềm năng và thuật toán đánh giá rủi ro tài chính đánh giá thông tin tài chính cá nhân của khách hàng.


03 Tính xác thực của nội dung và chống lại công nghệ deepfake


chatGPT có thể đã đánh cắp ánh đèn sân khấu từ các mô hình AI tổng quát tập trung vào việc tạo hình ảnh, âm thanh và video. Tuy nhiên, những mô hình này hiện có khả năng tạo ra các tác phẩm sâu thực tế. Bài hát do Drake tạo ra bằng AI gần đây là một ví dụ về những gì mà các mô hình này có thể đạt được. Bởi vì con người được lập trình để tin vào những gì họ nhìn thấy và nghe thấy, những tác phẩm sâu này là một mối đe dọa lớn. Có nhiều công ty khởi nghiệp đang cố gắng giải quyết vấn đề này bằng công nghệ Web 2. Tuy nhiên, các công nghệ Web 3, chẳng hạn như chữ ký số, phù hợp hơn để giải quyết vấn đề này.


Trong Web 3, các tương tác của người dùng, tức là các giao dịch, được ký bởi khóa riêng của người dùng để chứng minh tính hợp lệ của chúng. Tương tự như vậy, cho dù đó là văn bản, hình ảnh, âm thanh hoặc video, nội dung cũng có thể được ký bằng khóa riêng của người tạo để chứng minh tính xác thực của nó. Bất kỳ ai cũng có thể xác minh chữ ký dựa trên địa chỉ công khai của người tạo, được cung cấp trên trang web hoặc tài khoản mạng xã hội của người tạo. Mạng Web 3 đã xây dựng tất cả cơ sở hạ tầng cần thiết để kích hoạt trường hợp sử dụng này. Fred Wilson thảo luận về cách liên kết nội dung với các khóa mã hóa công khai có thể chống lại thông tin sai lệch một cách hiệu quả. Nhiều công ty đầu tư mạo hiểm có uy tín đã liên kết các hồ sơ truyền thông xã hội hiện tại của họ, chẳng hạn như Twitter hoặc các nền tảng truyền thông xã hội phi tập trung, chẳng hạn như Giao thức ống kính và Gương, với một địa chỉ công cộng mã hóa, cung cấp chữ ký số dưới dạng nội dung. Dộ tin cậy của phương pháp xác thực cung cấp hỗ trợ .


Bất chấp sự đơn giản của khái niệm, vẫn còn rất nhiều việc cần làm để cải thiện trải nghiệm người dùng của quy trình xác thực này. Ví dụ: chữ ký số để tạo nội dung cần được tự động hóa để cung cấp một quy trình liền mạch cho người sáng tạo sử dụng. Một thách thức khác là làm thế nào để tạo tập hợp con của dữ liệu đã ký, chẳng hạn như đoạn âm thanh hoặc video mà không cần ký lại. Nhiều công nghệ Web 3 hiện có được định vị duy nhất để giải quyết những vấn đề này.


04 Giảm thiểu niềm tin vào các mô hình độc quyền


Một lĩnh vực khác mà Web 3 có thể giúp AI là giảm thiểu sự tin tưởng vào nhà cung cấp dịch vụ khi các mô hình máy học độc quyền được cung cấp dưới dạng dịch vụ. Người dùng có thể cần xác minh rằng dịch vụ mà họ đã trả tiền thực sự được cung cấp hoặc để đảm bảo rằng mô hình máy học hoạt động công bằng, rằng tất cả người dùng đều sử dụng cùng một mô hình. Bằng chứng không kiến ​​thức có thể được sử dụng để cung cấp những đảm bảo như vậy. Trong kiến ​​trúc này, người tạo mô hình học máy tạo ra một mạch không có kiến ​​thức đại diện cho mô hình. Khi cần, mạch này được sử dụng để tạo bằng chứng không có kiến ​​thức cho suy luận của người dùng. Bằng chứng không có kiến ​​thức có thể được gửi tới người dùng để xác minh hoặc chúng có thể được xuất bản trên chuỗi công khai xử lý các tác vụ xác minh người dùng. Nếu mô hình máy học là riêng tư, một bên thứ ba độc lập có thể xác minh rằng mạch zk được sử dụng là đại diện cho mô hình. Khía cạnh giảm thiểu tin cậy của các mô hình máy học đặc biệt hữu ích khi kết quả hoạt động của mô hình có rủi ro cao. Ví dụ:

  • Mô hình học máy để chẩn đoán y tế


Trong trường hợp sử dụng này, bệnh nhân gửi dữ liệu y tế của họ cho mô hình máy học để đưa ra chẩn đoán tiềm năng. Bệnh nhân cần đảm bảo rằng mô hình máy học mục tiêu đã được áp dụng chính xác cho dữ liệu của họ. Quá trình suy luận tạo ra bằng chứng không có kiến ​​thức để chứng minh rằng mô hình máy học hoạt động chính xác.

  • Thẩm định giá trị tín dụng của khoản vay


Bằng chứng không có kiến ​​thức có thể đảm bảo rằng các ngân hàng và tổ chức tài chính xem xét tất cả thông tin tài chính do người nộp đơn gửi khi đánh giá mức độ tin cậy. Ngoài ra, bằng chứng không kiến ​​thức có thể chứng minh tính công bằng, nghĩa là chứng minh rằng tất cả người dùng đều sử dụng cùng một mô hình.

  • Xử lý yêu cầu bảo hiểm


Xử lý yêu cầu bảo hiểm hiện tại là thủ công và chủ quan. Các mô hình máy học có thể đánh giá một cách khách quan hơn các yêu cầu bồi thường đối với hợp đồng bảo hiểm và chi tiết yêu cầu bồi thường. Kết hợp với bằng chứng không có kiến ​​thức, các mô hình máy học xử lý khiếu nại này có thể được chứng minh là đã xem xét tất cả chính sách và chi tiết khiếu nại, đồng thời tất cả các khiếu nại trong cùng một chính sách bảo hiểm đều được xử lý bằng cùng một mô hình.


05 Giải bài toán tập trung tạo mô hình


Tạo và đào tạo LLM là một quá trình tốn nhiều thời gian và tốn kém, đòi hỏi chuyên môn về miền cụ thể, cơ sở hạ tầng máy tính chuyên dụng và hàng triệu đô la chi phí tính toán. Những đặc điểm này có thể dẫn đến các thực thể trung tâm mạnh mẽ (chẳng hạn như OpenAI) có thể thực hiện ảnh hưởng đáng kể đối với người dùng của họ bằng cách hạn chế quyền truy cập vào các mô hình của họ.


Với những rủi ro tập trung này, các cuộc thảo luận quan trọng đang diễn ra về cách Web 3 có thể tạo điều kiện thuận lợi cho việc phân cấp các khía cạnh khác nhau của LLM. Một số người ủng hộ Web 3 đã đề xuất tính toán phi tập trung như một cách để cạnh tranh với những người chơi tập trung. Ý tưởng cơ bản là điện toán phi tập trung có thể là một giải pháp thay thế rẻ hơn. Tuy nhiên, chúng tôi tin rằng đây có thể không phải là góc tốt nhất để cạnh tranh với những người chơi tập trung. Nhược điểm của điện toán phi tập trung là đào tạo ML có thể chậm hơn 10-100 lần do chi phí liên lạc giữa các thiết bị điện toán không đồng nhất khác nhau.


Thay vào đó, các dự án Web 3 có thể tập trung vào việc tạo các mô hình ML độc đáo và cạnh tranh theo kiểu PoPW. Các mạng PoPW này cũng có thể thu thập dữ liệu để xây dựng các bộ dữ liệu duy nhất nhằm huấn luyện các mô hình này. Một số dự án đang đi theo hướng này bao gồm Together và Bittensor.


06 Kênh thanh toán và khớp lệnh cho AI Agent


Trong vài tuần qua, các tác nhân AI sử dụng LLM để suy luận về các nhiệm vụ cần thiết để hoàn thành mục tiêu và thực hiện các nhiệm vụ đó để đạt được mục tiêu đã gia tăng. Làn sóng tác nhân AI bắt đầu với ý tưởng về BabyAGI và nhanh chóng lan sang các phiên bản nâng cao, bao gồm cả AutoGPT. Một dự đoán quan trọng ở đây là các tác nhân AI sẽ trở nên chuyên biệt hơn để thực hiện xuất sắc một số nhiệm vụ nhất định. Nếu tồn tại một thị trường gồm các tác nhân AI chuyên dụng, thì các tác nhân AI có thể tìm kiếm, thuê và trả tiền cho các tác nhân AI khác để thực hiện các nhiệm vụ cụ thể, dẫn đến việc hoàn thành dự án tổng thể. Đồng thời, các mạng Web 3 cung cấp môi trường lý tưởng cho các tác nhân AI. Đối với thanh toán, các tác nhân AI có thể được trang bị ví tiền điện tử để nhận thanh toán và thanh toán cho các tác nhân AI khác. Ngoài ra, các tác nhân AI có thể cắm vào các mạng được mã hóa để ủy quyền tài nguyên mà không cần sự cho phép. Ví dụ: nếu tác nhân AI cần lưu trữ dữ liệu, tác nhân AI có thể tạo ví Filecoin và thanh toán cho việc lưu trữ phi tập trung trên IPFS . Một tác nhân AI cũng có thể ủy quyền các tài nguyên máy tính từ một mạng máy tính phi tập trung như Akash để thực hiện một số tác vụ nhất định hoặc thậm chí mở rộng quá trình thực thi của chính nó.


07 Bảo vệ khỏi sự xâm phạm quyền riêng tư của AI


Với lượng dữ liệu lớn cần thiết để đào tạo các mô hình ML hoạt động tốt, có thể giả định rằng mọi dữ liệu công khai sẽ được sử dụng trong các mô hình ML để dự đoán hành vi của từng cá nhân. Ngoài ra, các ngân hàng và tổ chức tài chính có thể xây dựng các mô hình ML của riêng họ được đào tạo dựa trên thông tin tài chính của người dùng và có thể dự đoán hành vi tài chính trong tương lai của người dùng. Đây có thể là một cuộc xâm lược lớn của sự riêng tư. Biện pháp giảm thiểu duy nhất đối với mối đe dọa này là quyền riêng tư của các giao dịch tài chính theo mặc định. Có thể đạt được quyền riêng tư này bằng cách sử dụng các chuỗi khối thanh toán riêng như zCash hoặc Aztec Pay và các giao thức DeFi riêng như Penumbra và Aleo.


Các trường hợp ứng dụng Web3 do AI cung cấp


01 Trò chơi trực tuyến

  • Tạo bot cho người chơi không lập trình


Các trò chơi trực tuyến như Dark Forest tạo ra một mô hình độc đáo nơi người chơi giành được lợi thế bằng cách phát triển và triển khai các bot thực hiện các nhiệm vụ trò chơi mong muốn. Sự thay đổi mô hình này có thể loại trừ những người chơi không thể viết mã. Tuy nhiên, LLM có thể thay đổi điều này. LLM có thể được tinh chỉnh để hiểu logic trò chơi trên chuỗi và cho phép người chơi tạo bot phản ánh chiến lược của người chơi mà không yêu cầu người chơi viết bất kỳ mã nào. Các dự án như Primodium và AI Arena đang làm việc để thu hút người chơi bằng AI và con người cho các trò chơi của họ.

  • Robot chiến đấu, cờ bạc và cá cược


Một khả năng khác để chơi game trực tuyến là những người chơi AI hoàn toàn tự động. Trong trường hợp này, người chơi là một tác nhân AI, chẳng hạn như AutoGPT, sử dụng LLM làm phụ trợ và có quyền truy cập vào các tài nguyên bên ngoài như truy cập internet và các quỹ tiền điện tử ban đầu có khả năng. Những người chơi AI này có thể đánh bạc như cuộc chiến robot. Điều này có thể mở ra một thị trường đầu cơ và đặt cược vào kết quả của những vụ cá cược này.

  • Tạo môi trường NPC thực tế cho các trò chơi trực tuyến


Các trò chơi hiện tại ít chú ý đến các nhân vật không phải người chơi (NPC). Các NPC có hành động hạn chế và ít ảnh hưởng đến tiến trình trò chơi. Với sức mạnh tổng hợp của AI và Web3, có thể tạo ra các NPC do AI điều khiển hấp dẫn hơn, có thể phá vỡ khả năng dự đoán và làm cho trò chơi trở nên thú vị hơn. Thách thức cơ bản ở đây là làm thế nào để giới thiệu các động lực NPC có ý nghĩa trong khi giảm thiểu thông lượng (TPS) liên quan đến các hoạt động này. Các yêu cầu TPS cần thiết cho hoạt động NPC quá mức có thể dẫn đến tắc nghẽn mạng, tạo ra trải nghiệm người dùng không tốt cho người chơi thực tế.


02 Truyền thông xã hội phi tập trung


Một trong những thách thức hiện tại mà các nền tảng xã hội phi tập trung (DeSo) phải đối mặt là chúng không mang lại trải nghiệm người dùng độc đáo so với các nền tảng tập trung hiện có. Nắm bắt rằng việc tích hợp liền mạch với AI có thể mang lại trải nghiệm độc đáo mà các giải pháp thay thế Web2 thiếu. Ví dụ: tài khoản do AI quản lý có thể giúp thu hút người dùng mới vào mạng bằng cách chia sẻ nội dung có liên quan, nhận xét về bài đăng và tham gia thảo luận. Tài khoản AI cũng có thể được sử dụng để tổng hợp tin tức, tổng hợp các xu hướng mới nhất phù hợp với sở thích của người dùng.


03 Thử nghiệm thiết kế bảo mật và kinh tế của các giao thức phi tập trung


Xu hướng hướng tới các tác nhân AI dựa trên LLM có thể xác định mục tiêu, tạo mã và thực thi mã tạo cơ hội để kiểm tra tính bảo mật và tính ổn định về kinh tế của các mạng phi tập trung. Trong trường hợp này, tác nhân AI được hướng dẫn khai thác tính bảo mật hoặc cân bằng kinh tế của giao thức. Trước tiên, các tác nhân AI có thể xem xét các tài liệu giao thức và hợp đồng thông minh , xác định điểm yếu. Sau đó, các tác nhân AI có thể cạnh tranh độc lập để giành lấy các cơ chế thực thi nhằm tấn công giao thức nhằm tối đa hóa lợi ích của chính họ. Cách tiếp cận này mô phỏng môi trường thực tế mà giao thức trải nghiệm sau khi khởi động.

Dựa trên các kết quả kiểm tra này, các nhà thiết kế giao thức có thể xem xét các thiết kế giao thức và vá các điểm yếu. Cho đến nay, chỉ những công ty chuyên biệt như Gauntlet mới có bộ kỹ năng kỹ thuật cần thiết để cung cấp các dịch vụ như vậy cho các giao thức phi tập trung. Tuy nhiên, chúng tôi dự đoán rằng các LLM được đào tạo về Solidity, cơ chế DeFi và các cơ chế đã phát triển trước đó có thể cung cấp các khả năng tương tự.


04 LLM để lập chỉ mục dữ liệu và trích xuất chỉ mục


Mặc dù dữ liệu chuỗi khối là công khai, nhưng việc lập chỉ mục dữ liệu đó và trích xuất thông tin chi tiết hữu ích vẫn là một thách thức đang diễn ra. Một số người chơi trong không gian này (chẳng hạn như CoinMetrics) chuyên lập chỉ mục dữ liệu và xây dựng các chỉ số phức tạp để bán, trong khi những người khác (chẳng hạn như Dune) tập trung vào việc lập chỉ mục các thành phần chính của giao dịch thô và các bộ phận trích xuất chỉ số cộng đồng thông qua đóng góp của cộng đồng. Những tiến bộ LLM gần đây đã chỉ ra rằng việc lập chỉ mục dữ liệu và trích xuất số liệu có thể bị xâm phạm. Dune đã nhận ra mối đe dọa này và công bố lộ trình LLM bao gồm diễn giải truy vấn SQL và tiềm năng cho các truy vấn dựa trên NLP. Tuy nhiên, chúng tôi dự đoán rằng tác động của LLM sẽ sâu hơn thế này. Một khả năng ở đây là lập chỉ mục dựa trên LLM, trong đó mô hình LLM tương tác trực tiếp với các nút chuỗi khối để lập chỉ mục dữ liệu cho các chỉ số cụ thể. Các công ty khởi nghiệp như Dune Ninja đã khám phá các ứng dụng LLM sáng tạo để lập chỉ mục dữ liệu.


05 Giới thiệu các nhà phát triển hệ sinh thái mới


Các chuỗi khối khác nhau cạnh tranh để thu hút các nhà phát triển xây dựng ứng dụng trong hệ sinh thái này. Hoạt động của nhà phát triển Web 3 là một chỉ báo quan trọng về sự thành công của một hệ sinh thái. Khó khăn chính mà các nhà phát triển gặp phải là nhận được sự hỗ trợ khi họ bắt đầu tìm hiểu và xây dựng một hệ sinh thái mới. Hệ sinh thái đã đầu tư hàng triệu đô la để hỗ trợ các nhà phát triển khám phá hệ sinh thái dưới hình thức một nhóm quan hệ nhà phát triển tận tâm. Về vấn đề này, các LLM mới nổi đã cho thấy kết quả ấn tượng, giải thích mã phức tạp, phát hiện lỗi và thậm chí tạo tài liệu. Các LLM được điều chỉnh có thể bổ sung cho trải nghiệm của con người, mở rộng đáng kể năng suất của các nhóm quan hệ nhà phát triển. Ví dụ: LLM có thể được sử dụng để tạo tài liệu, hướng dẫn, trả lời các câu hỏi thường gặp và thậm chí hỗ trợ các nhà phát triển hackathon bằng mã mẫu hoặc tạo bài kiểm tra đơn vị.


06 Cải thiện giao thức DeFi


Bằng cách tích hợp trí tuệ nhân tạo vào logic của các giao thức DeFi, hiệu suất của nhiều giao thức DeFi có thể được cải thiện đáng kể. Cho đến nay, nút cổ chai chính trong việc tích hợp AI vào DeFi là chi phí quá cao để triển khai AI trên chuỗi. Các mô hình AI có thể được triển khai ngoài chuỗi, nhưng trước đây không có cách nào để xác minh việc thực thi mô hình. Tuy nhiên, việc xác thực được thực hiện ngoài chuỗi có thể thực hiện được thông qua các dự án như Modulus và ChainML. Các dự án này cho phép thực thi các mô hình ML ngoài chuỗi đồng thời hạn chế chi phí trên chuỗi. Trong trường hợp của Modulus, phí trên chuỗi được giới hạn để xác thực ZKP của mô hình. Trong trường hợp của ChainML, chi phí trên chuỗi là phí tiên tri được trả cho mạng thực thi AI phi tập trung.


Một số trường hợp sử dụng DeFi có thể hưởng lợi từ việc tích hợp AI.

  • Cung cấp thanh khoản AMM, tức là để cập nhật phạm vi thanh khoản Uniswap V3.
  • Bảo vệ thanh lý cho các vị trí nợ bằng cách sử dụng bảo vệ dữ liệu trên chuỗi và ngoài chuỗi.
  • Các sản phẩm có cấu trúc DeFi phức tạp trong đó cơ chế vault được xác định bởi mô hình AI tài chính thay vì một chiến lược cố định. Các chiến lược này có thể bao gồm các giao dịch, khoản vay hoặc quyền chọn do AI quản lý .
  • Hãy xem xét cơ chế chấm điểm tín dụng trực tuyến nâng cao cho các ví khác nhau trên các chuỗi khác nhau.


Tóm lại là


Chúng tôi tin rằng Web3 và AI tương thích về mặt văn hóa và công nghệ. Không giống như Web2, có xu hướng đẩy lùi bot, Web3 cho phép AI phát triển nhờ khả năng lập trình không cần cấp phép của nó. Nói rộng hơn, nếu bạn coi blockchain như một mạng lưới, thì chúng tôi hy vọng AI sẽ thống trị phần rìa của mạng lưới. Điều này áp dụng cho nhiều ứng dụng tiêu dùng, từ mạng xã hội đến chơi game. Cho đến nay, các cạnh của mạng Web 3 phần lớn là do con người. Con người bắt đầu và ký giao dịch hoặc triển khai bot với các chiến lược cố định. Theo thời gian, chúng ta sẽ thấy ngày càng nhiều tác nhân AI ở rìa mạng. Các tác nhân AI sẽ tương tác với con người và với nhau thông qua các hợp đồng thông minh. Những tương tác này sẽ cho phép trải nghiệm người tiêu dùng mới lạ.

Có thể bạn quan tâm