Toàn cảnh Web3-AI: Phân tích logic công nghệ, bối cảnh ứng dụng và các dự án hàng đầu

Báo cáo toàn cảnh về lĩnh vực Web3-AI: Phân tích sâu về logic công nghệ, ứng dụng trong các tình huống và các dự án hàng đầu.

Với sự gia tăng nhiệt độ của câu chuyện AI, ngày càng nhiều sự chú ý được tập trung vào lĩnh vực này. Đã có sự phân tích sâu sắc về logic công nghệ, các tình huống ứng dụng và các dự án đại diện trong lĩnh vực Web3-AI, toàn diện trình bày toàn cảnh và xu hướng phát triển của lĩnh vực này.

Một, Web3-AI: Phân tích logic công nghệ và cơ hội thị trường mới nổi

1.1 Logic tích hợp giữa Web3 và AI: Làm thế nào để xác định lĩnh vực Web-AI

Trong năm qua, kể từ khi AI kể chuyện trở nên cực kỳ phổ biến trong ngành Web3, các 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, và nền tảng kinh tế token không có mối liên hệ thực chất 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 là sử dụng blockchain để giải quyết vấn đề quan hệ sản xuất, trong khi AI giải quyết vấn đề lực lượng sản xuất, 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, hai yếu tố này 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 giới thiệu quá trình phát triển và thách thức của AI, cũng như cách kết hợp Web3 và AI để hoàn hảo giải quyết vấn đề và tạo ra những tình huống ứng dụng mới.

1.2 Quá trình phát triển AI và những 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 khác nhau, 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 số bước chính sau: thu thập dữ liệu và tiền xử lý dữ liệu, lựa chọn và tinh chỉnh mô hình, đào tạo mô hình và suy diễn. Lấy một ví dụ đơn giản, để phát triển một mô hình phân loại hình ảnh mèo và chó, bạn cần:

1. Thu thập dữ liệu và tiền xử lý dữ liệu: Thu thập bộ dữ liệu hình ảnh bao gồm mèo và chó, có thể sử dụng bộ dữ liệu công khai hoặc tự thu thập dữ liệu thực. Sau đó, gán nhãn cho mỗi hình ảnh (mèo hoặc chó), đảm bảo 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 nhận và bộ kiểm tra.

2. Lựa chọn và tối ưu hóa mô hình: Chọn mô hình phù hợp, chẳng hạn như mạng nơ-ron tích chập (CNN), thường phù hợp cho các nhiệm vụ phân loại hình ảnh. Tối ưu hóa tham số hoặc kiến trúc mô hình theo các nhu cầu khác nhau, thường thì, độ sâu của các lớp mạng có thể được điều chỉnh theo độ phức tạp của nhiệm vụ AI. Trong ví dụ phân loại đơn giản này, một 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 mô hình thường được gọi là trọng số mô hình, quá trình suy diễn là việc 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 thử nghiệm hiệu quả phân loại của mô hình, thường được đánh giá bằng các chỉ số như độ chính xác, độ hồi lại, F1-score.

Như hình đã chỉ, sau khi thu thập dữ liệu và tiền xử lý dữ liệu, chọn và tối ưu hóa mô hình, cũng như đào tạo, mô hình đã được đào tạo sẽ được 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 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 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 kịch bản tập trung, quá trình phát triển AI thường không minh bạch. Dữ liệu người dùng có thể bị đánh cắp mà không có sự biết đến và được sử dụng cho việc đào tạo 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 giới hạn do dữ liệu không được mở.

Lựa chọn và tinh chỉnh mô hình: Đối với các đội nhỏ, rất khó để có được tài nguyên mô hình ở lĩnh vực cụ thể hoặc chi tiêu một lượng lớn chi phí để tinh chỉnh 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 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 đó, kết quả nghiên cứu của các nhà phát triển AI cũng khó có thể khớp 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 sự 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 Sự cộng hưởng giữa Web3 và AI: Sự 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 thời Web2 thành người tham gia, tạo ra AI mà mọi người đều có thể sở hữu. Đồng thời, sự hội tụ giữa thế giới Web3 và công nghệ AI cũng có thể tạo ra nhiều ứng dụng và cách chơi sáng tạo hơn.

Dựa trên công nghệ Web3, việc phát triển và ứng dụng AI sẽ chào đón một hệ thống kinh tế hợp tác hoàn toàn mới. Quyền riêng tư dữ liệu của mọi người sẽ được bảo đảm, mô hình crowdsourcing dữ liệu sẽ thúc đẩy sự tiến bộ của các 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 thu hút 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 ảnh hưởng tích cực trên nhiều lĩnh vực. Chẳng hạn, các mô hình AI có thể được tích hợp vào hợp đồng thông minh, nâng cao hiệu suất làm việc trong các 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 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 các cảnh game đa dạng và trải nghiệm tương tác thú vị trong GameFi. Hệ thống hạ tầng phong phú cung cấp trải nghiệm phát triển suôn sẻ, 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 loại của mỗi cấp độ được thể hiện trong hình dưới đây, bao gồm tầng hạ tầng, tầng trung gian và tầng ứng dụng, mỗi tầng lại được chia thành các mảng khác nhau. Trong chương tiếp theo, chúng tôi sẽ tiến hành phân tích độ sâu một số dự án tiêu biểu.

Lớp cơ sở hạ tầng bao gồm các nguồn lực tính toán và kiến trúc công nghệ hỗ trợ cho toàn bộ vòng đời AI, lớp trung gian bao gồm quản lý dữ liệu, phát triển mô hình và dịch vụ suy diễn xác minh kết nối cơ sở hạ tầng với ứng dụng, lớp ứng dụng thì tập trung vào các ứng dụng và giải pháp đa dạng trực tiếp hướng tới người dùng.

Cấp độ 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 thành lớp hạ tầng. Chính sự hỗ trợ của các hạ tầng này mới có thể thực hiện việc đào tạo và suy luận mô hình AI, và trình bày các ứng dụng AI mạnh mẽ, hữu ích đến người dùng.

• Mạng tính toán phi tập trung: có thể cung cấp sức mạnh tính toán phân phối 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 kiếm lợi nhuận, đại diện cho các dự án như IO.NET và Hyperbolic. Ngoài ra, một số dự án đã phát triển ra các cách chơi mới, như Compute Labs, đề xuất giao thức mã thông báo, người dùng có thể tham gia vào việc cho thuê sức mạnh tính toán theo nhiều cách khác nhau để kiếm lợi nhuận bằng cách mua NFT đại diện cho GPU thực thể.

• AI Chain: Sử dụng blockchain làm nền tảng 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 đi kèm, đại diện cho dự án như Sahara AI. AI Chain cũng 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 sáng tạo 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, huấn luyện và triển khai các mô hình AI, đại diện cho các dự án như Nimble. Những cơ sở hạ tầng này thúc đẩy sự áp dụng rộng rãi của công nghệ AI trong hệ sinh thái Web3.

Lớp giữa:

Lớp này liên quan đến dữ liệu AI, mô hình cũng như suy diễn và xác minh, sử 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 chính ảnh hưởng đến hiệu quả đào tạo mô hình. Trong thế giới Web3, thông qua dữ liệu crowdsourcing 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 của mình, bán dữ liệu của mình trong khi bảo vệ quyền riêng tư, nhằm tránh việc dữ liệu bị các thương nhân xấu lợi dụng và thu lợi nhuận cao. Đối với bên có nhu cầu dữ liệu, những nền tảng này cung cấp nhiều lựa chọn và chi phí cực 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 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 thông thường thực hiện các nhiệm vụ tiền xử lý dữ liệu, chẳng hạn như gán nhãn hình ảnh, phân loại dữ liệu, những nhiệm vụ này có thể yêu cầu kiến thức chuyên môn trong xử lý dữ liệu tài chính và pháp lý, người dùng có thể mã hóa kỹ năng để thực hiện hợp tác crowdsourcing trong việc tiền xử lý dữ liệu. Đại diện như thị trường AI Sahara AI, có các nhiệm vụ dữ liệu từ các lĩnh vực khác nhau, có thể bao phủ các kịch bản dữ liệu đa lĩnh vực; trong khi AIT Protocol thực hiện 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 được sử dụng cho nhiệm vụ hình ảnh như CNN, GAN; đối với nhiệm vụ phát hiện mục tiêu có thể chọn loạt Yolo; các nhiệm vụ văn bản thường gặp các mô hình như RNN, Transformer, tất nhiên còn có một số mô hình lớn cụ thể hoặc tổng quát. 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 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 khuôn khổ tính toán, đồng thời có khả năng đào tạo hợp tác.

• Suy diễn và xác thực: Sau khi mô hình được đào tạo, nó sẽ tạo ra tệp trọng số mô hình, có thể được sử dụng để thực hiện 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 thực, để xác thực nguồn gốc của mô hình suy diễn có đúng hay không, có hành vi xấu hay 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 thức xác thực phổ biến bao gồm công nghệ ZKML, OPML và TEE. Các dự án tiêu biểu như ORA chuỗi AI tiên tri (OAO), đã giới thiệu OPML như một lớp có thể xác thực 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:

Lớp này chủ yếu là các ứng dụng hướng trực tiếp đến người dùng, kết hợp AI với Web3, tạo ra nhiều cách chơi thú vị và sáng tạo hơn. Bài viết này chủ yếu tổng hợp các dự án trong các lĩnh vực AIGC (Nội dung sinh ra bởi AI), đại lý AI và phân tích dữ liệu.

• AIGC: Thông qua AIGC có thể mở rộng đến