Báo cáo toàn cảnh Web3-AI: Phân tích sâu về logic công nghệ, ứng dụng trong thực tế và các dự án hàng đầu

Với sự bùng nổ của câu chuyện AI, ngày càng có nhiều sự chú ý tập trung vào lĩnh vực này. Đã có những phân tích sâu sắc về logic công nghệ, các tình huống ứng dụng và các dự án đại diện 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 công nghệ và cơ hội thị trường mới nổi

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

Trong năm qua, kể từ khi AI được áp dụng trong ngành Web3, các dự án AI đã 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 kinh tế token cơ bản không có mối liên hệ thực sự với sản phẩm AI, vì vậy những dự án này không nằm trong phạm vi thảo luận về các dự án Web3-AI trong bài viết này.

Nội dung chính của bài viết này là sử dụng blockchain để giải quyết các vấn đề về quan hệ sản xuất, các dự án AI giải quyết vấn đề năng suất lao động, 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, hai yếu tố này hỗ trợ lẫn nhau. Chúng tôi sẽ phân loại những dự án này vào lĩnh vực Web3-AI. Để giúp độc giả hiểu rõ hơn về lĩnh vực Web3-AI, sẽ diễn ra phần giới thiệu về quy trình phát triển và thách thức của AI, cũng như cách kết hợp Web3 và AI hoàn hảo để giải quyết vấn đề và tạo ra các tình huống ứng dụng mới.

1.2 Quá trình phát triển AI và những thách thức: từ việc 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 cho 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 các bước chính sau: thu thập dữ liệu và tiền xử lý dữ liệu, chọn lựa và điều chỉnh mô hình, huấn luyện mô hình và suy diễn. Để đưa ra một ví dụ đơn giản, phát triển một mô hình để phân loại hình ảnh mèo và chó, bạn cần:

1. Thu thập dữ liệu và tiền xử lý dữ liệu: Thu thập tập dữ liệu hình ảnh chứa mèo và chó, có thể sử dụng tập dữ liệu công khai hoặc tự thu thập dữ liệu thực. Sau đó, gán nhãn cho mỗi hình ảnh với loại ( mèo hoặc chó ), đảm bảo nhãn chính xác. Chuyển đổi hình ảnh thành định dạng mà mô hình có thể nhận diện, chia tập dữ liệu thành tập huấn luyện, tập xác thực và tập kiểm tra.

2. Lựa chọn và điều chỉnh 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. Điều chỉnh tham số hoặc cấu trúc mô hình theo nhu cầu khác nhau, thường thì, các cấp độ 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 cấp độ mạng nông hơn có thể đã đủ.

3. 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.

4. Suy diễn mô hình: Tệp đã được đào tạo của mô hình thường được gọi là trọng số mô hình, quá trình suy diễn đề cập đến việc 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 suất phân loại của mô hình, thường được đánh giá bằng các chỉ số như độ chính xác, độ hồi đáp, F1-score để đánh giá hiệu quả của mô hình.

Như hình đã chỉ, sau khi thu thập dữ liệu và tiền xử lý dữ liệu, lựa chọn và tinh chỉnh mô hình cũng như đào tạo, sẽ thực hiện suy diễn trên tập kiểm tra bằng mô hình đã được đào tạo để đưa ra giá trị dự đoán cho mèo và chó P(probability), tức là xác suất mà mô hình suy diễn ra là mèo hoặc chó.

Mô hình AI đã được huấn luyện có thể được tích hợp thêm vào nhiều ứng dụng khác nhau, 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, sẽ nhận được kết quả phân loại.

Tuy nhiên, quá trình phát triển AI tập trung gặp một số vấn đề trong các bối cảnh sau:

Quyền riêng tư của người dùng: Trong bối cảnh tập trung, quá trình phát triển AI thường không minh bạch. Dữ liệu người dùng có thể bị đánh cắp mà không ai biết và được sử dụng cho việc đào tạo AI.

Nguồn dữ liệu thu thập: 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 những hạn chế về việc dữ liệu không được mở nguồn.

Lựa chọn và tinh chỉnh mô hình: Đối với các đội nhóm nhỏ, rất khó để có được tài nguyên mô hình trong lĩnh vực cụ thể hoặc tốn nhiều 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 nhận được thu nhập tương xứng với công sức bỏ ra, trong khi kết quả 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 sự kết hợp với Web3, Web3 như một loại quan hệ sản xuất mới, tự nhiên thích ứng với AI đại diện cho lực lượng sản xuất mới, từ đó thúc đẩy sự tiến bộ đồng thời của công nghệ và năng lực sản xuất.

1.3 Tương 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 sở hữu của người dùng, cung cấp cho người dùng một nền tảng hợp tác AI mở, giúp người dùng chuyển đổi 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 hòa quyện giữa thế giới Web3 và công nghệ AI cũng có thể tạo ra nhiều tình huống 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 có thể được đảm bảo, mô hình crowdsourcing dữ liệu thúc đẩy sự tiến bộ của mô hình AI, nhiều tài nguyên AI mã nguồn mở có sẵn cho người dùng, và sức mạnh tính toán được chia sẻ có thể được tiếp cận 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 khác nhau. Ví dụ, các mô hình AI có thể được tích hợp vào các hợp đồng thông minh, nâng cao hiệu suất công việc trong các 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 các cảnh game phong phú 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 những người mới muốn bước vào lĩnh vực AI đều có thể tìm thấy lối vào phù hợp trong thế giới này.

Hai, Đánh giá bản đồ và kiến trúc dự án sinh thái Web3-AI

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 tầng cơ sở hạ tầng, tầng trung gian và tầng ứng dụng, mỗi tầng lại được chia thành các mảng khác nhau. Ở 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 AI, lớp trung gian bao gồm quản lý dữ liệu, phát triển mô hình và dịch vụ suy diễn xác minh kết nối hạ tầng với ứng dụng, lớp ứng dụng thì tập trung vào các ứng dụng và giải pháp trực tiếp hướng đến người dùng.

Cấp độ hạ tầng:

Lớp cơ sở 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 vào lớp cơ sở hạ tầng. Chính nhờ sự hỗ trợ của những cơ sở hạ tầng này, mới có thể thực hiện việc huấn luyện và suy diễn mô hình AI, và trình bày các ứng dụng AI mạnh mẽ, hữu ích đến với người dùng.

• Mạng tính toán phi tập trung: có thể cung cấp sức mạnh tính toán phân tán cho việc huấn luyện 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 được lợi nhuận, đại diện cho các dự án như IO.NET và Hyperbolic. Hơn nữa, một số dự án đã phát triển ra những cách chơi mới, như Compute Labs, đề xuất giao thức mã thông báo, người dùng thông qua việc mua NFT đại diện cho GPU vật lý, có thể tham gia vào việc cho thuê sức mạnh tính toán theo những cách khác nhau để thu được lợi nhuận.

• AI Chain: Sử dụng blockchain như là nền tảng cho vòng đời AI, thực hiện 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 công cụ phát triển đi kèm, đại diện cho các 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 mạng con sáng tạo để thúc đẩy sự cạnh tranh giữa các loại mạng con AI khác nhau.

• Nền tảng phát triển: Một số dự án cung cấp nền tảng phát triển AI đại diện, còn có thể thực hiện giao dịch AI đại diện, như Fetch.ai và ChainML. Các công cụ một điểm đến giúp các nhà phát triển dễ dàng hơn trong việc tạo, đào tạo và triển khai 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 cũng như suy luận và xác minh, việc áp dụng công nghệ Web3 có thể đạt được hiệu suất làm việc cao hơn.

• Dữ liệu: Chất lượng và số lượng dữ liệu là yếu tố then chốt 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 tự chủ về dữ liệu, có thể bán dữ liệu của mình trong bối cảnh bảo vệ quyền riêng tư, nhằm tránh việc dữ liệu bị các thương nhân xấu lợi dụng và thu lợi nhuận cao. Đối với những bên có nhu cầu về dữ liệu, các nền tảng này cung cấp nhiều lựa chọn và chi phí cực thấp. Các dự án đại diện 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 xử lý dữ liệu trước, 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, thực hiện hợp tác crowdsourcing cho việc xử lý dữ liệu trước. Đại diện như thị trường AI Sahara AI, với các nhiệm vụ dữ liệu từ các lĩnh vực khác nhau, có thể bao phủ các tình huống dữ liệu đa lĩnh vực; trong khi AIT Protocolt thực hiện việc gán nhãn dữ liệu thông qua cách thức hợp tác giữa người và máy.

• Mô hình: Trong quá trình phát triển AI đã đề cập trước đó, các loại nhu cầu khác nhau cần phải được ghép nối với các mô hình phù hợp, các mô hình thường dùng trong nhiệm vụ hình ảnh như CNN, GAN, nhiệm vụ phát hiện đối tượng có thể chọn dòng Yolo, nhiệm vụ văn bản thường thấy các mô hình RNN, Transformer, tất nhiên còn có một số mô hình lớn cụ thể hoặc chung. Độ sâu của các mô hình cần thiết cho các nhiệm vụ có độ phức tạp khác nhau cũng khác nhau, đôi khi cần phải điều 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, lớp phân phối để tối ưu hóa mô hình, các công cụ phát triển do Sahara AI cung cấp tích hợp các thuật toán AI tiên tiến và khung tính toán, và có khả năng đào tạo hợp tác.

• Suy luận và xác thực: Sau khi được đào tạo, mô hình 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 luận. Quá trình suy luận thường đi kèm với cơ chế xác thực, để xác minh xem nguồn gốc của mô hình suy luận có đúng hay không, có hành vi độc hại hay không. Suy luận Web3 thường có thể được tích hợp vào hợp đồng thông minh, thông qua việc gọi mô hình để thực hiện suy luận, các phương pháp xác thực phổ biến bao gồm công nghệ ZKML, OPML và TEE. Các dự án đại diện như ORA chuỗi AI oracle (OAO), đã đưa OPML vào làm lớp xác thực cho AI oracle, trên trang web chính thức của ORA cũng đã đề cập đến nghiên cứu của họ về sự kết hợp giữa ZKML và opp/ai(ZKML kết hợp với OPML).

Lớp ứng dụng:

Lớp này chủ yếu là ứng dụng trực tiếp hướng tới 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 một số lĩnh vực như nội dung được tạo ra bởi AI(, đại lý AI và phân tích dữ liệu.

• AIGC: Thông qua AIGC có thể mở rộng đến