1. AI và Web3: Sự Hợp Nhất Mang Tính Cách Mạng
Thoạt nhìn, AI x Web3 dường như là các công nghệ độc lập, mỗi công nghệ dựa trên các nguyên tắc cơ bản khác nhau và phục vụ các chức năng khác nhau. Tuy nhiên, hãy tìm hiểu sâu hơn và bạn sẽ thấy rằng cả hai công nghệ đều có cơ hội cân bằng sự đánh đổi của nhau và những điểm mạnh riêng biệt của chúng có thể bổ sung và nâng cao cho nhau. Balaji Srinivasan đã trình bày một cách xuất sắc khái niệm về khả năng bổ sung này tại hội nghị SuperAI, truyền cảm hứng cho một so sánh chi tiết về cách các công nghệ này tương tác.
Áp dụng cách tiếp cận từ dưới lên, Token nổi lên từ nỗ lực phân cấp của các cyberpunk ẩn danh và đã phát triển hơn một thập kỷ thông qua nỗ lực hợp tác của nhiều thực thể độc lập trên khắp thế giới. Thay vào đó, AI được phát triển thông qua cách tiếp cận từ trên xuống, do một số gã khổng lồ công nghệ thống trị. Các công ty này thiết lập nhịp độ và sự năng động của ngành, với các rào cản gia nhập được quyết định bởi cường độ nguồn lực hơn là độ phức tạp về công nghệ.
Hai công nghệ này cũng có bản chất hoàn toàn khác nhau. Về bản chất, token là hệ thống xác định tạo ra kết quả bất biến, như khả năng dự đoán của hàm băm hoặc zero-knowledge proofs. Điều này trái ngược với bản chất xác suất và thường không thể đoán trước của AI.
Tương tự như vậy, mật mã vượt trội trong việc xác minh , đảm bảo tính xác thực và bảo mật của giao dịch, đồng thời thiết lập các quy trình và hệ thống trustless, trong khi AI tập trung vào việc tạo ra nội dung số phong phú. Tuy nhiên, trong quá trình tạo ra sự phong phú về mặt kỹ thuật số, việc đảm bảo nguồn gốc nội dung và ngăn chặn hành vi trộm cắp danh tính trở thành một thách thức.
May mắn thay, Token đưa ra khái niệm ngược lại về sự phong phú kỹ thuật số – sự khan hiếm kỹ thuật số . Nó cung cấp các công cụ tương đối hoàn thiện có thể được mở rộng sang công nghệ trí tuệ nhân tạo để đảm bảo độ tin cậy của nguồn nội dung và tránh các vấn đề đánh cắp danh tính.
Một lợi thế đáng kể của token là khả năng thu hút lượng lớn phần cứng và vốn vào các mạng phối hợp để phục vụ các mục tiêu cụ thể. Khả năng này đặc biệt có lợi cho trí tuệ nhân tạo tiêu thụ lượng lớn sức mạnh tính toán. Huy động các nguồn lực chưa được sử dụng đúng mức để cung cấp sức mạnh tính toán rẻ hơn có thể cải thiện đáng kể hiệu quả của trí tuệ nhân tạo.
Bằng cách so sánh hai công nghệ này, chúng ta không chỉ có thể đánh giá cao những đóng góp riêng lẻ của chúng mà còn thấy chúng có thể cùng nhau tạo ra những con đường mới cho công nghệ và kinh tế như thế nào. Mỗi công nghệ có thể bổ sung những thiếu sót của công nghệ kia, tạo ra một tương lai sáng tạo, tích hợp hơn. Trong bài đăng trên blog này, chúng tôi mong muốn khám phá bối cảnh ngành công nghiệp AI x Web3 mới nổi, nêu bật một số ngành mới nổi ở điểm giao thoa của các công nghệ này.
Nguồn: IOSG Ventures
2. Mạng máy tính trong Bản đồ ngành: Giải quyết vấn đề tính toán AI
2.1 Mạng máy tính
Bản đồ ngành lần đầu tiên giới thiệu các mạng điện toán cố gắng giải quyết vấn đề hạn chế về nguồn cung cấp GPU và cố gắng giảm chi phí điện toán theo những cách khác nhau. Các mục sau đây đáng được tập trung vào:
- Khả năng tương tác GPU không thống nhất : Đây là một nỗ lực rất tham vọng với rủi ro kỹ thuật cao và độ không chắc chắn, nhưng nếu thành công, nó sẽ có tiềm năng tạo ra kết quả có quy mô và tác động rất lớn, khiến tất cả các tài nguyên máy tính có thể tương tác được. Về cơ bản, ý tưởng là xây dựng trình biên dịch và các điều kiện tiên quyết khác sao cho về phía cung, mọi tài nguyên phần cứng đều có thể được cắm vào, trong khi về phía cầu, tính không đồng nhất của tất cả phần cứng sẽ được trừu tượng hóa hoàn toàn để các yêu cầu tính toán của bạn có thể được định tuyến. vào mạng bất kỳ tài nguyên nào trong . Nếu tầm nhìn này thành công, nó sẽ giảm bớt sự phụ thuộc hiện tại vào phần mềm CUDA, vốn hoàn toàn do các nhà phát triển AI thống trị. Bất chấp rủi ro kỹ thuật cao, nhiều chuyên gia vẫn rất hoài nghi về tính khả thi của phương pháp này.
- Tập hợp GPU hiệu suất cao : Hợp nhất các GPU phổ biến nhất thế giới thành một mạng phân tán, không cần cấp phép mà không phải lo lắng về các vấn đề về khả năng tương tác giữa các tài nguyên GPU không đồng nhất.
- Tổng hợp GPU cấp độ người tiêu dùng hàng hóa : Điểm để tổng hợp một số GPU hiệu suất thấp hơn có thể có sẵn trong các thiết bị tiêu dùng. Những GPU này là tài nguyên không được sử dụng đúng mức nhất ở phía cung cấp. Nó phục vụ cho những người sẵn sàng hy sinh hiệu suất và tốc độ để có một buổi tập dài hơn, rẻ hơn.
2.2 Huấn luyện và suy luận
Mạng tính toán chủ yếu được sử dụng cho hai chức năng chính: đào tạo và suy luận. Nhu cầu về các mạng này xuất phát từ các dự án Web 2.0 và Web 3.0. Trong thế giới Web 3.0, các dự án như Bittensor tận dụng tài nguyên máy tính để tinh chỉnh mô hình. Về mặt lập luận, các dự án Web 3.0 nhấn mạnh tính xác minh của các quy trình. Trọng tâm này đã làm nảy sinh lý luận có thể kiểm chứng theo chiều dọc của thị trường và các dự án đang khám phá cách tích hợp lý luận AI vào hợp đồng thông minh trong khi vẫn duy trì các nguyên tắc phân cấp.
2.3 Nền tảng Agent thông minh
Tiếp theo là nền tảng Agent thông minh và biểu đồ các vấn đề cốt lõi mà các công ty khởi nghiệp trong danh mục này cần giải quyết:
- Khả năng tương tác của Agent và khả năng khám phá, giao tiếp : Các Agent có thể khám phá và giao tiếp với nhau.
- Khả năng xây dựng và quản lý cụm Agent : Các Agent có thể hình thành các cụm và quản lý các Agent khác.
- Quyền sở hữu và thị trường cho Agent AI : Cung cấp quyền sở hữu và thị trường cho Agent AI.
Những đặc điểm này nhấn mạnh tầm quan trọng của các hệ thống mô-đun và linh hoạt có thể được tích hợp liền mạch vào nhiều ứng dụng blockchain và trí tuệ nhân tạo. Các tác nhân AI có tiềm năng cách mạng hóa cách chúng ta tương tác với Internet và chúng tôi tin rằng các tác nhân sẽ tận dụng cơ sở hạ tầng để hỗ trợ hoạt động của họ. Chúng tôi hình dung các tác nhân AI dựa vào cơ sở hạ tầng theo những cách sau:
- Truy cập dữ liệu web thời gian thực bằng mạng quét phân tán
- Sử dụng các kênh DeFi để thanh toán giữa các đại lý
- Yêu cầu đặt cọc tài chính không chỉ nhằm mục đích trừng phạt hành vi sai trái khi nó xảy ra mà còn để tăng khả năng bị phát hiện của đại lý (tức là sử dụng tiền đặt cọc làm tín hiệu tài chính trong quá trình phát hiện)
- Sử dụng sự đồng thuận để quyết định sự kiện nào sẽ dẫn đến việc cắt giảm
- Các tiêu chuẩn về khả năng tương tác mở và các khung cơ quan để hỗ trợ xây dựng các tập thể có khả năng kết hợp
- Đánh giá hiệu suất trong quá khứ dựa trên lịch sử dữ liệu bất biến và chọn tập thể đại lý phù hợp trong thời gian thực
Nguồn: IOSG Ventures
2.4 Lớp dữ liệu
Trong sự hội tụ của AI x Web3, dữ liệu là thành phần cốt lõi. Dữ liệu là tài sản chiến lược trong cuộc cạnh tranh AI và cùng với tài nguyên máy tính, nó tạo thành tài nguyên quan trọng. Tuy nhiên, hạng mục này thường bị bỏ qua vì phần lớn sự chú ý của ngành tập trung vào cấp độ tính toán. Trên thực tế, các hướng nguyên thủy cung cấp nhiều hướng giá trị thú vị trong quá trình thu thập dữ liệu, chủ yếu bao gồm hai hướng cấp cao sau:
- Truy cập dữ liệu internet công cộng
- Truy cập dữ liệu được bảo vệ
Truy cập dữ liệu Internet công cộng: Hướng này nhằm mục đích xây dựng các mạng trình thu thập thông tin phân tán có thể thu thập dữ liệu toàn bộ Internet trong vài ngày, thu được các tập dữ liệu khổng lồ hoặc truy cập dữ liệu Internet rất cụ thể trong thời gian thực. Tuy nhiên, để thu thập dữ liệu lớn trên Internet, yêu cầu về mạng rất cao và cần ít nhất vài trăm nút để bắt đầu một số công việc có ý nghĩa. May mắn thay, Grass, một mạng nút thu thập thông tin phân tán, đã có hơn 2 triệu nút tích cực chia sẻ băng thông Internet với mạng, với mục tiêu thu thập dữ liệu toàn bộ Internet. Điều này cho thấy tiềm năng to lớn của các biện pháp khuyến khích tài chính để thu hút các nguồn lực có giá trị.
Mặc dù Grass tạo sân chơi bình đẳng khi nói đến dữ liệu công cộng, nhưng vẫn có những thách thức trong việc tận dụng dữ liệu cơ bản—cụ thể là quyền truy cập vào các bộ dữ liệu độc quyền. Cụ thể, vẫn còn một lượng lớn dữ liệu được lưu giữ theo cách bảo vệ quyền riêng tư do tính chất nhạy cảm của nó. Nhiều công ty khởi nghiệp đang tận dụng các công cụ mã hóa cho phép các nhà phát triển AI xây dựng và tinh chỉnh các mô hình ngôn ngữ lớn bằng cách sử dụng cấu trúc dữ liệu cơ bản của bộ dữ liệu độc quyền trong khi vẫn giữ kín thông tin nhạy cảm.
Các công nghệ như học tập liên kết, quyền riêng tư khác biệt, môi trường thực thi đáng tin cậy, tính toán đồng nhất hoàn toàn và đa bên cung cấp các mức độ bảo vệ quyền riêng tư và đánh đổi khác nhau. Bài viết nghiên cứu của Bagel (https://blog.bagel.net/p/with-great-data-comes-great-responsibility-d67) tóm tắt một cái nhìn tổng quan tuyệt vời về những kỹ thuật này. Những công nghệ này không chỉ bảo vệ quyền riêng tư của dữ liệu trong quá trình học máy mà còn hỗ trợ các giải pháp AI bảo vệ quyền riêng tư toàn diện ở cấp độ điện toán.
2.5 Nguồn dữ liệu và mô hình
Kỹ thuật xuất xứ dữ liệu và mô hình nhằm mục đích thiết lập các quy trình có thể đảm bảo với người dùng rằng họ đang tương tác với các mô hình và dữ liệu dự định. Ngoài ra, những công nghệ này còn đảm bảo tính xác thực và xuất xứ. Lấy công nghệ hình mờ làm ví dụ, hình mờ là một trong những công nghệ nguồn mô hình, nhúng chữ ký trực tiếp vào thuật toán học máy, cụ thể hơn là vào trọng số của mô hình, để có thể xác minh trong quá trình truy xuất xem suy luận có đến từ mô hình dự kiến hay không. .
2.6 Ứng dụng
Về mặt ứng dụng, khả năng thiết kế là vô tận. Trong bản đồ ngành ở trên, chúng tôi đã liệt kê một số trường hợp phát triển đặc biệt thú vị với việc ứng dụng công nghệ AI trong lĩnh vực Web 3.0. Vì các trường hợp sử dụng này chủ yếu là tự mô tả nên chúng tôi không đưa ra nhận xét bổ sung nào ở đây. Tuy nhiên, điều đáng chú ý là sự giao thoa giữa AI và Web 3.0 có khả năng định hình lại nhiều ngành dọc trong lĩnh vực này, vì những nguyên tắc mới này cung cấp cho các nhà phát triển nhiều quyền tự do hơn để tạo ra các trường hợp sử dụng sáng tạo và tối ưu hóa các trường hợp sử dụng hiện có.
