AI+Web3: Tháp và Quảng trường

TL;DR

1. Các dự án Web3 về khái niệm AI trở thành mục tiêu hút vốn trên thị trường sơ cấp và thứ cấp.

2. Cơ hội của Web3 trong ngành AI thể hiện ở: sử dụng các động lực phân tán để phối hợp nguồn cung tiềm năng trong đuôi dài - qua dữ liệu, lưu trữ và tính toán; đồng thời, xây dựng một mô hình mã nguồn mở và thị trường phi tập trung cho AI Agent.

3. AI trong ngành Web3 chủ yếu được sử dụng trong tài chính trên chuỗi (thanh toán tiền điện tử, giao dịch, phân tích dữ liệu) và hỗ trợ phát triển.

4. Tính năng của AI+Web3 được thể hiện qua sự bổ sung cho nhau: Web3 hy vọng có thể chống lại sự tập trung của AI, trong khi AI hy vọng có thể giúp Web3 mở rộng ra ngoài.

Giới thiệu

Trong hai năm qua, sự phát triển của AI như bị nhấn nút tăng tốc, hiệu ứng cánh bướm do Chatgpt gây ra không chỉ mở ra một thế giới mới cho trí tuệ nhân tạo sinh sinh mà còn tạo ra làn sóng tại Web3 ở bờ bên kia.

Dưới sự hỗ trợ của khái niệm AI, sự tăng cường tài trợ trên thị trường tiền điện tử đang chậm lại rõ rệt. Thống kê cho thấy, chỉ trong nửa đầu năm 2024, đã có 64 dự án Web3+AI hoàn thành vòng gọi vốn, trong đó hệ điều hành dựa trên trí tuệ nhân tạo Zyber365 đã đạt được số tiền tài trợ cao nhất là 100 triệu đô la Mỹ trong vòng A.

Thị trường thứ cấp trở nên sôi động hơn, dữ liệu tổng hợp tiền điện tử cho thấy, chỉ trong hơn một năm, tổng giá trị thị trường của lĩnh vực AI đã đạt 48,5 tỷ USD, khối lượng giao dịch trong 24 giờ gần 8,6 tỷ USD; lợi ích rõ ràng từ sự tiến bộ công nghệ AI chính thống, sau khi mô hình chuyển văn bản thành video Sora của OpenAI được phát hành, giá trung bình của lĩnh vực AI đã tăng 151%; hiệu ứng AI cũng lan tỏa đến một trong những lĩnh vực hút vốn tiền điện tử là Meme: MemeCoin đầu tiên mang khái niệm AI Agent - GOAT đã nhanh chóng nổi bật và đạt được 1,4 tỷ USD giá trị, thành công dấy lên cơn sốt AI Meme.

Về nghiên cứu và chủ đề AI+Web3 cũng đang rất sôi nổi, từ AI+Depin đến AI Memecoin và hiện tại là AI Agent và AI DAO, cảm xúc FOMO đã không còn theo kịp tốc độ xoay vòng của các câu chuyện mới.

AI+Web3, cụm từ đầy tiền nóng, cơ hội và ảo tưởng tương lai này, khó tránh khỏi bị người ta xem như một cuộc hôn nhân do vốn đầu tư sắp đặt, chúng ta dường như rất khó phân biệt dưới lớp áo choàng lộng lẫy này, rốt cuộc đây là sân chơi của những kẻ đầu cơ hay là đêm trước khi bình minh bùng nổ?

Để trả lời câu hỏi này, một suy nghĩ quan trọng đối với cả hai bên là liệu có thể trở nên tốt hơn khi có đối phương không? Liệu có thể hưởng lợi từ mô hình của đối phương không? Trong bài viết này, chúng tôi cũng cố gắng đứng trên vai những người đi trước để xem xét cấu trúc này: Web3 có thể phát huy vai trò như thế nào trong từng khâu của công nghệ AI, và AI có thể mang lại điều gì mới mẻ cho Web3?

Phần 1 Cơ hội nào cho Web3 dưới AI stack?

Trước khi mở rộng chủ đề này, chúng ta cần hiểu về công nghệ của mô hình AI lớn:

Diễn đạt toàn bộ quá trình bằng ngôn ngữ dễ hiểu hơn: "Mô hình lớn" giống như bộ não của con người, trong giai đoạn đầu, bộ não này thuộc về một em bé vừa mới chào đời, cần quan sát và tiếp nhận một lượng thông tin khổng lồ từ thế giới xung quanh để hiểu thế giới này, đó là giai đoạn "thu thập" dữ liệu; do máy tính không có nhiều giác quan như thị giác hay thính giác của con người, trước khi đào tạo, lượng thông tin không được gán nhãn lớn từ bên ngoài cần được "tiền xử lý" để chuyển đổi thành định dạng thông tin mà máy tính có thể hiểu và sử dụng.

Sau khi nhập dữ liệu, AI thông qua "đào tạo" đã xây dựng một mô hình có khả năng hiểu và dự đoán, có thể được coi là quá trình trẻ em dần hiểu và học hỏi về thế giới bên ngoài. Các tham số của mô hình giống như khả năng ngôn ngữ của trẻ em được điều chỉnh liên tục trong quá trình học tập. Khi nội dung học bắt đầu được phân loại hoặc nhận phản hồi từ việc giao tiếp với người khác và được điều chỉnh, thì bước vào giai đoạn "tinh chỉnh" của mô hình lớn.

Trẻ em dần lớn lên và học nói, sau đó có thể hiểu ý nghĩa trong các cuộc đối thoại mới và diễn đạt cảm xúc cũng như suy nghĩ của mình. Giai đoạn này tương tự như "suy diễn" của mô hình AI lớn, khi mô hình có khả năng dự đoán và phân tích các đầu vào ngôn ngữ và văn bản mới. Trẻ sơ sinh thể hiện cảm xúc, mô tả đối tượng và giải quyết các vấn đề khác nhau thông qua khả năng ngôn ngữ, điều này cũng tương tự như việc mô hình AI lớn được áp dụng vào các nhiệm vụ cụ thể sau khi hoàn thành đào tạo và đưa vào sử dụng, chẳng hạn như phân loại hình ảnh, nhận diện giọng nói, v.v.

Và AI Agent thì càng gần với hình thức tiếp theo của mô hình lớn - có khả năng thực hiện nhiệm vụ độc lập và theo đuổi các mục tiêu phức tạp, không chỉ có khả năng suy nghĩ mà còn có khả năng ghi nhớ, lập kế hoạch, và có thể sử dụng công cụ để tương tác với thế giới.

Hiện tại, đối với những điểm đau của AI trong các ngăn xếp khác nhau, Web3 hiện đã hình thành một hệ sinh thái đa tầng, kết nối lẫn nhau, bao gồm tất cả các giai đoạn của quy trình mô hình AI.

Một, Cơ sở hạ tầng: Airbnb về sức mạnh tính toán và dữ liệu

sức mạnh tính toán

Hiện tại, một trong những chi phí cao nhất của AI là sức mạnh tính toán và năng lượng cần thiết để đào tạo mô hình và suy diễn mô hình.

Một ví dụ là, LLAMA3 của Meta cần 16.000 GPU H100 do NVIDIA sản xuất (đây là một đơn vị xử lý đồ họa hàng đầu được thiết kế đặc biệt cho các khối lượng công việc trí tuệ nhân tạo và tính toán hiệu suất cao.) mất 30 ngày để hoàn thành đào tạo. Giá mỗi phiên bản 80GB dao động từ 30.000 đến 40.000 đô la Mỹ, điều này đòi hỏi một khoản đầu tư phần cứng tính toán từ 4-7 triệu đô la (GPU + chip mạng), đồng thời, việc đào tạo hàng tháng cần tiêu tốn 1,6 tỷ kilowatt giờ, chi phí năng lượng hàng tháng gần 20 triệu đô la.

Việc giải nén sức mạnh AI cũng chính là lĩnh vực giao thoa sớm nhất giữa Web3 và AI - DePin (Mạng cơ sở hạ tầng vật lý phi tập trung). Hiện tại, trang web thống kê dữ liệu đã liệt kê hơn 1400 dự án, trong đó các dự án đại diện cho việc chia sẻ sức mạnh GPU bao gồm io.net, Aethir, Akash, Render Network, v.v.

Logic chính của nó là: nền tảng cho phép cá nhân hoặc tổ chức sở hữu tài nguyên GPU nhàn rỗi đóng góp khả năng tính toán của họ theo cách phi tập trung không cần xin phép, thông qua một thị trường trực tuyến cho người mua và người bán tương tự như Uber hoặc Airbnb, tăng cường tỷ lệ sử dụng tài nguyên GPU chưa được khai thác. Người dùng cuối cũng vì vậy mà nhận được nguồn tài nguyên tính toán hiệu quả với chi phí thấp hơn; đồng thời, cơ chế đặt cọc cũng đảm bảo rằng nếu có vi phạm cơ chế kiểm soát chất lượng hoặc ngắt mạng xảy ra, nhà cung cấp tài nguyên sẽ bị phạt tương ứng.

Đặc điểm của nó là:

• Tập trung tài nguyên GPU nhàn rỗi: Các nhà cung cấp chủ yếu là các trung tâm dữ liệu độc lập vừa và nhỏ của bên thứ ba, các nhà khai thác mỏ tiền điện tử và các nguồn lực tính toán dư thừa, với cơ chế đồng thuận là phần cứng khai thác PoS, như máy khai thác FileCoin và ETH. Hiện tại cũng có các dự án tập trung vào việc khởi động các thiết bị có ngưỡng đầu vào thấp hơn, chẳng hạn như exolab sử dụng MacBook, iPhone, iPad và các thiết bị cục bộ khác để xây dựng mạng lưới tính toán cho suy diễn mô hình lớn.

• Đối mặt với thị trường dài đuôi của sức mạnh AI:

a. "Về mặt kỹ thuật", thị trường sức mạnh tính toán phi tập trung phù hợp hơn cho các bước suy luận. Việc đào tạo phụ thuộc nhiều hơn vào khả năng xử lý dữ liệu do quy mô cụm GPU siêu lớn mang lại, trong khi suy luận yêu cầu hiệu suất tính toán GPU tương đối thấp, như Aethir tập trung vào công việc kết xuất độ trễ thấp và các ứng dụng suy luận AI.

b. "Về phía cầu, các bên có nhu cầu tính toán nhỏ sẽ không tự đào tạo mô hình lớn của riêng mình, mà chỉ chọn tối ưu hóa và điều chỉnh xung quanh một số mô hình lớn hàng đầu, và những tình huống này tự nhiên rất phù hợp với việc phân phối tài nguyên tính toán nhàn rỗi.

• Quyền sở hữu phi tập trung: Ý nghĩa công nghệ của blockchain là chủ sở hữu tài nguyên luôn giữ quyền kiểm soát tài nguyên của mình, điều chỉnh linh hoạt theo nhu cầu và đồng thời nhận được lợi nhuận.

Dữ liệu

Dữ liệu là nền tảng của AI. Nếu không có dữ liệu, tính toán sẽ như rau nổi mà không có giá trị gì, và mối quan hệ giữa dữ liệu và mô hình giống như câu tục ngữ "Garbage in, Garbage out", số lượng dữ liệu và chất lượng đầu vào quyết định chất lượng đầu ra cuối cùng của mô hình. Đối với việc đào tạo các mô hình AI hiện tại, dữ liệu quyết định khả năng ngôn ngữ, khả năng hiểu biết, thậm chí là giá trị và biểu hiện nhân văn của mô hình. Hiện tại, những khó khăn trong nhu cầu dữ liệu của AI chủ yếu tập trung vào bốn khía cạnh sau:

• Cơn khát dữ liệu: Đào tạo mô hình AI phụ thuộc vào lượng dữ liệu đầu vào lớn. Tài liệu công khai cho thấy, OpenAI đã đào tạo GPT-4 với số lượng tham số lên đến hàng nghìn tỷ.

• Chất lượng dữ liệu: Với sự kết hợp của AI và các ngành khác nhau, tính kịp thời của dữ liệu, tính đa dạng của dữ liệu, tính chuyên môn của dữ liệu theo ngành và việc tiếp nhận các nguồn dữ liệu mới nổi như cảm xúc trên mạng xã hội đã đưa ra những yêu cầu mới về chất lượng của nó.

• Vấn đề quyền riêng tư và tuân thủ: Hiện nay, các quốc gia và doanh nghiệp đang dần nhận thức được tầm quan trọng của các bộ dữ liệu chất lượng cao và đang áp dụng các hạn chế đối với việc thu thập dữ liệu.

• Chi phí xử lý dữ liệu cao: Khối lượng dữ liệu lớn, quy trình xử lý phức tạp. Tài liệu công khai cho thấy, hơn 30% chi phí nghiên cứu và phát triển của các công ty AI được sử dụng cho việc thu thập và xử lý dữ liệu cơ bản.

Hiện tại, giải pháp web3 được thể hiện ở bốn khía cạnh sau:

1、Thu thập dữ liệu: Việc cung cấp miễn phí dữ liệu thực tế được thu thập đang nhanh chóng cạn kiệt, chi phí mà các công ty AI phải trả cho dữ liệu ngày càng tăng theo từng năm. Nhưng đồng thời, chi phí này không trở lại cho những người đóng góp thực sự cho dữ liệu, mà các nền tảng hoàn toàn tận hưởng giá trị mà dữ liệu mang lại, chẳng hạn như Reddit đã đạt được tổng doanh thu 2.03 triệu đô la thông qua các thỏa thuận cấp phép dữ liệu với các công ty AI.

Cho phép những người dùng thực sự đóng góp cũng tham gia vào việc tạo ra giá trị từ dữ liệu, và thông qua mạng lưới phân tán cùng cơ chế khuyến khích, thu thập dữ liệu của người dùng một cách riêng tư và có giá trị hơn với chi phí thấp, đó là tầm nhìn của Web3.

• Grass là một lớp dữ liệu và mạng phi tập trung, người dùng có thể chạy nút Grass, đóng góp băng thông nhàn rỗi và lưu lượng trung gian để thu thập dữ liệu thời gian thực từ toàn bộ internet và nhận phần thưởng bằng token;

• Vana đã giới thiệu một khái niệm độc đáo về hồ dữ liệu lưu động (DLP), cho phép người dùng tải lên dữ liệu cá nhân của họ (như lịch sử mua sắm, thói quen duyệt web, hoạt động trên mạng xã hội, v.v.) lên DLP cụ thể và linh hoạt chọn xem có cho phép bên thứ ba cụ thể sử dụng những dữ liệu này hay không;

• Tại PublicAI, người dùng có thể sử dụng #AI 或#Web3 làm nhãn phân loại trên X và @PublicAI để thực hiện việc thu thập dữ liệu.

2. Xử lý dữ liệu: Trong quá trình xử lý dữ liệu của AI, do dữ liệu thu thập thường bị nhiễu và chứa lỗi, nên trước khi huấn luyện mô hình, phải làm sạch và chuyển đổi chúng thành định dạng có thể sử dụng, liên quan đến việc chuẩn hóa, lọc và xử lý các giá trị thiếu trong một nhiệm vụ lặp đi lặp lại. Giai đoạn này là một trong số ít các khâu thủ công trong ngành AI, đã phát sinh ra nghề đánh dấu dữ liệu, với yêu cầu về chất lượng dữ liệu của mô hình ngày càng cao, tiêu chuẩn cho nghề đánh dấu dữ liệu cũng được nâng cao, và nhiệm vụ này tự nhiên phù hợp với cơ chế khuyến khích phi tập trung của Web3.

• Hiện tại, Grass và OpenLayer đều đang xem xét việc tham gia vào giai đoạn quan trọng của việc gán nhãn dữ liệu.

• Synesis đã đưa ra khái niệm "Train2earn", nhấn mạnh chất lượng dữ liệu, người dùng có thể nhận được phần thưởng bằng cách cung cấp dữ liệu được gán nhãn, chú thích hoặc các hình thức đầu vào khác.

• Dự án gán nhãn dữ liệu Sapien đã biến nhiệm vụ gán nhãn thành trò chơi và cho phép người dùng staking điểm để kiếm thêm điểm.

3. Quyền riêng tư và an ninh dữ liệu: Cần làm rõ rằng quyền riêng tư dữ liệu và an ninh dữ liệu là hai khái niệm khác nhau. Quyền riêng tư dữ liệu liên quan đến việc xử lý dữ liệu nhạy cảm, trong khi an ninh dữ liệu bảo vệ thông tin dữ liệu khỏi việc truy cập, phá hủy và đánh cắp trái phép. Do đó, lợi thế công nghệ quyền riêng tư Web3 và các ứng dụng tiềm năng của nó được thể hiện ở hai khía cạnh: (1) Đào tạo dữ liệu nhạy cảm; (2) Hợp tác dữ liệu: Nhiều chủ sở hữu dữ liệu có thể cùng tham gia vào việc đào tạo AI mà không cần chia sẻ dữ liệu gốc của họ.

Các công nghệ bảo mật phổ biến hiện nay trong Web3 bao gồm:

• Môi trường thực thi đáng tin cậy ( TEE ), chẳng hạn như Super Protocol;

• Mã hóa đồng nhất hoàn toàn (FHE), chẳng hạn như BasedAI, Fhenix.io hoặc Inco Network;

• Công nghệ zero-knowledge (zk), như Giao thức Reclaim sử dụng công nghệ zkTLS, tạo ra chứng minh zero-knowledge cho lưu lượng HTTPS, cho phép người dùng nhập an toàn dữ liệu hoạt động, danh tiếng và danh tính từ các trang web bên ngoài mà không cần tiết lộ thông tin nhạy cảm.

Tuy nhiên, hiện tại lĩnh vực này vẫn đang ở giai đoạn đầu, phần lớn các dự án vẫn đang trong quá trình khám phá, một trong những khó khăn hiện tại là chi phí tính toán quá cao, một số ví dụ là:

• Khung zkML EZKL cần khoảng 80 phút