Trong những năm gần đây, sự phát triển nhanh chóng của trí tuệ nhân tạo (AI) và công nghệ Web3 đã thu hút sự chú ý rộng rãi trên toàn cầu. AI như một công nghệ mô phỏng trí thông minh của con người, đã đạt được những bước đột phá quan trọng trong các lĩnh vực như nhận diện khuôn mặt, xử lý ngôn ngữ tự nhiên, học máy, mang lại những biến đổi và đổi mới to lớn cho các ngành nghề khác nhau. Quy mô thị trường ngành AI vào năm 2023 đạt 200 tỷ USD, xuất hiện nhiều doanh nghiệp xuất sắc như OpenAI, Character.AI, Midjourney.
Đồng thời, Web3 như một mô hình mạng mới đang thay đổi nhận thức và cách sử dụng internet của mọi người. Web3 dựa trên công nghệ blockchain phi tập trung, thông qua các hợp đồng thông minh, lưu trữ phân tán và xác thực danh tính phi tập trung, đã đạt được việc chia sẻ và kiểm soát dữ liệu, tự quản lý của người dùng và thiết lập cơ chế tin tưởng. Tư tưởng cốt lõi của Web3 là giải phóng dữ liệu khỏi tay các tổ chức tập trung, trao quyền kiểm soát dữ liệu và quyền chia sẻ giá trị cho người dùng. Hiện tại, giá trị thị trường của ngành Web3 đạt 25 nghìn tỷ đô la, các dự án như Bitcoin, Ethereum, Solana liên tục xuất hiện.
Sự kết hợp giữa AI và Web3 là một lĩnh vực mà cả các builder và nhà đầu tư phương Đông và phương Tây đều rất quan tâm, cách thức để kết hợp hai yếu tố này một cách tốt nhất là một vấn đề đáng để khám phá. Bài viết này sẽ tập trung vào tình hình phát triển của AI+Web3, phân tích tình trạng hiện tại của các dự án, và thảo luận sâu về những giới hạn và thách thức mà chúng đang phải đối mặt, nhằm cung cấp tham khảo và cái nhìn cho các nhà đầu tư và người làm trong ngành.
Hai, cách AI tương tác với Web3
Sự phát triển của AI và Web3 giống như hai bên của một cái cân, AI nâng cao năng suất lao động, trong khi Web3 mang đến sự thay đổi trong quan hệ sản xuất. Tiếp theo, chúng ta sẽ phân tích những khó khăn và không gian cải thiện mà từng ngành AI và Web3 đang phải đối mặt, sau đó thảo luận về cách mà chúng có thể giúp nhau giải quyết những khó khăn này.
2.1 Những khó khăn mà ngành AI đang phải đối mặt
Ba yếu tố cốt lõi của ngành AI không thể tách rời: sức mạnh tính toán, thuật toán và dữ liệu.
Công suất: chỉ khả năng thực hiện tính toán và xử lý quy mô lớn. Các nhiệm vụ AI thường cần xử lý một lượng lớn dữ liệu và thực hiện các phép tính phức tạp, chẳng hạn như đào tạo các mô hình mạng nơ-ron sâu. Khả năng tính toán mạnh mẽ có thể tăng tốc quá trình đào tạo và suy diễn mô hình, cải thiện hiệu suất và hiệu quả của hệ thống AI. Trong những năm gần đây, với sự phát triển của GPU và các chip AI chuyên dụng, việc nâng cao công suất đã đóng vai trò quan trọng trong sự phát triển của ngành AI.
Thuật toán: là thành phần cốt lõi của hệ thống AI, sử dụng các phương pháp toán học và thống kê để giải quyết vấn đề và thực hiện nhiệm vụ. Thuật toán AI có thể được chia thành thuật toán máy học truyền thống và thuật toán học sâu, trong đó thuật toán học sâu đã đạt được những bước tiến đáng kể trong những năm gần đây. Việc lựa chọn và thiết kế thuật toán có ảnh hưởng quan trọng đến hiệu suất và kết quả của hệ thống AI. Các thuật toán được cải tiến và đổi mới liên tục có thể nâng cao độ chính xác, tính ổn định và khả năng tổng quát của hệ thống AI.
Dữ liệu: Nhiệm vụ cốt lõi của hệ thống AI là trích xuất các mẫu và quy luật từ dữ liệu thông qua việc học tập và đào tạo. Dữ liệu là nền tảng để huấn luyện và tối ưu hóa mô hình, thông qua các mẫu dữ liệu quy mô lớn, hệ thống AI có thể học được các mô hình chính xác hơn và thông minh hơn. Các tập dữ liệu phong phú có thể cung cấp thông tin toàn diện và đa dạng hơn, giúp mô hình có thể tổng quát tốt hơn trên các dữ liệu chưa thấy, hỗ trợ hệ thống AI hiểu và giải quyết tốt hơn các vấn đề trong thế giới thực.
AI đang đối mặt với những khó khăn chính trong ba lĩnh vực này:
Về khả năng tính toán: Việc có được và quản lý sức mạnh tính toán quy mô lớn thì tốn kém và phức tạp, chi phí, tiêu thụ năng lượng và bảo trì của các thiết bị tính toán hiệu suất cao đều là vấn đề. Đối với các công ty khởi nghiệp và các nhà phát triển cá nhân, việc có được đủ sức mạnh tính toán có thể gặp khó khăn.
Về thuật toán: Thuật toán học sâu cần một lượng lớn dữ liệu và tài nguyên tính toán, khả năng giải thích và tính giải thích của mô hình chưa đủ. Độ bền và khả năng tổng quát của thuật toán cũng là những vấn đề quan trọng, hiệu suất của mô hình trên dữ liệu chưa thấy có thể không ổn định.
Về dữ liệu: Việc thu thập dữ liệu chất lượng cao và đa dạng vẫn là một thách thức. Dữ liệu trong một số lĩnh vực có thể khó thu thập, chẳng hạn như dữ liệu y tế. Chất lượng, độ chính xác và việc gán nhãn dữ liệu cũng là vấn đề, dữ liệu không đầy đủ hoặc có thiên kiến có thể dẫn đến hành vi hoặc độ lệch sai của mô hình. Đồng thời, bảo vệ quyền riêng tư và an ninh dữ liệu cũng là những yếu tố quan trọng cần xem xét.
Ngoài ra, tính giải thích và tính minh bạch của mô hình AI, cũng như những vấn đề về mô hình kinh doanh không rõ ràng, đã khiến nhiều doanh nhân khởi nghiệp trong lĩnh vực AI cảm thấy bối rối.
2.2 Những khó khăn mà ngành Web3 đang đối mặt
Ngành Web3 hiện đang đối mặt với nhiều khó khăn cần giải quyết, bao gồm phân tích dữ liệu, trải nghiệm người dùng, an toàn hợp đồng thông minh,... AI như một công cụ nâng cao năng suất, cũng có nhiều tiềm năng để phát huy trong các lĩnh vực này:
Phân tích và dự đoán dữ liệu: Công nghệ AI có thể giúp các nền tảng Web3 trích xuất thông tin giá trị từ lượng dữ liệu khổng lồ, thực hiện dự đoán và quyết định chính xác hơn, có ý nghĩa quan trọng đối với việc đánh giá rủi ro, dự đoán thị trường và quản lý tài sản trong lĩnh vực DeFi.
Trải nghiệm người dùng và dịch vụ cá nhân hóa: AI có thể giúp các nền tảng Web3 cung cấp trải nghiệm người dùng tốt hơn và dịch vụ cá nhân hóa, thông qua việc phân tích dữ liệu người dùng để đưa ra các đề xuất cá nhân hóa, dịch vụ tùy chỉnh và trải nghiệm tương tác thông minh, nâng cao mức độ tham gia và sự hài lòng của người dùng.
An ninh và bảo vệ quyền riêng tư: AI có thể được sử dụng để phát hiện và phòng ngừa các cuộc tấn công mạng, nhận diện hành vi bất thường, cung cấp bảo đảm an ninh mạnh mẽ hơn. Đồng thời, AI cũng có thể được áp dụng trong việc bảo vệ quyền riêng tư dữ liệu, thông qua các công nghệ mã hóa và tính toán bảo mật để bảo vệ thông tin người dùng.
Kiểm toán hợp đồng thông minh: Công nghệ AI có thể được sử dụng để tự động hóa kiểm toán hợp đồng và phát hiện lỗ hổng, nâng cao tính an toàn và độ tin cậy của hợp đồng.
Ba, phân tích tình trạng hiện tại của dự án AI+Web3
Các dự án kết hợp AI và Web3 chủ yếu tiếp cận từ hai khía cạnh: sử dụng công nghệ blockchain để nâng cao hiệu suất của các dự án AI, và sử dụng công nghệ AI để phục vụ cho việc nâng cao các dự án Web3.
3.1 Web3 hỗ trợ AI
3.1.1 Sức mạnh tính toán phi tập trung
Với sự xuất hiện của các mô hình lớn như ChatGPT, nhu cầu về sức mạnh tính toán trong lĩnh vực AI đã gia tăng mạnh mẽ. Tuy nhiên, việc thiếu hụt cung cấp GPU đã trở thành nút thắt ảnh hưởng đến sự phát triển của AI. Để giải quyết vấn đề này, một số dự án Web3 đã cố gắng cung cấp dịch vụ sức mạnh tính toán phi tập trung, bao gồm Akash, Render, Gensyn, v.v. Các dự án này khuyến khích người dùng toàn cầu cung cấp sức mạnh GPU nhàn rỗi thông qua việc thưởng token, nhằm cung cấp hỗ trợ sức mạnh tính toán cho khách hàng AI.
Cung cấp bên chủ yếu bao gồm nhà cung cấp dịch vụ đám mây, thợ đào tiền điện tử và các doanh nghiệp lớn. Các dự án sức mạnh tính toán phi tập trung được chia thành hai loại: một loại dùng cho suy diễn AI ( như Render, Akash ), loại còn lại dùng cho đào tạo AI ( như io.net, Gensyn ).
Lấy io.net làm ví dụ, với tư cách là một mạng lưới tính toán phi tập trung, hiện tại số lượng GPU đã vượt quá 500.000, và đã tích hợp sức mạnh tính toán của Render và Filecoin, không ngừng phát triển các dự án sinh thái. Gensyn thì thúc đẩy việc phân bổ và thưởng cho các nhiệm vụ học máy thông qua hợp đồng thông minh, thực hiện việc đào tạo AI.
Tuy nhiên, hầu hết các dự án chọn thực hiện suy diễn AI thay vì đào tạo, lý do chính là do yêu cầu về sức mạnh tính toán và băng thông khác nhau. Đào tạo AI cần một lượng dữ liệu khổng lồ và băng thông truyền thông tốc độ cao, độ khó trong việc thực hiện lớn. Trong khi đó, suy diễn AI có nhu cầu về dữ liệu và băng thông nhỏ hơn, khả năng thực hiện cao hơn.
3.1.2 Mô hình thuật toán phi tập trung
Ngoài sức mạnh tính toán, một số dự án cố gắng thiết lập thị trường dịch vụ thuật toán AI phi tập trung. Lấy Bittensor làm ví dụ, nó kết nối nhiều mô hình AI, mỗi mô hình có kiến thức và kỹ năng chuyên môn riêng. Khi người dùng đặt câu hỏi, thị trường sẽ chọn mô hình AI phù hợp nhất để cung cấp câu trả lời.
Trong mạng Bittensor, nhà cung cấp mô hình thuật toán ( thợ mỏ ) đóng góp mô hình học máy cho mạng và nhận phần thưởng bằng token cho sự đóng góp đó. Để đảm bảo chất lượng câu trả lời, Bittensor sử dụng cơ chế đồng thuận độc đáo để đảm bảo mạng đạt được sự đồng thuận về câu trả lời tốt nhất.
Sự phát triển của nền tảng mô hình thuật toán phi tập trung có thể giúp các công ty nhỏ cạnh tranh với các tổ chức lớn trong việc sử dụng các công cụ AI hàng đầu, tạo ra ảnh hưởng tiềm tàng lớn đối với các ngành công nghiệp.
3.1.3 Thu thập dữ liệu phi tập trung
Việc đào tạo mô hình AI cần một lượng lớn dữ liệu, nhưng hiện tại hầu hết các nền tảng Web2 cấm việc thu thập dữ liệu cho đào tạo AI, hoặc bán dữ liệu người dùng cho các công ty AI mà không chia sẻ lợi nhuận. Một số dự án Web3 đạt được việc thu thập dữ liệu phi tập trung thông qua cách khuyến khích bằng token, chẳng hạn như PublicAI.
Trong PublicAI, người dùng có thể tham gia với vai trò là nhà cung cấp dữ liệu AI hoặc người xác thực dữ liệu. Nhà cung cấp dữ liệu tìm nội dung có giá trị trên các nền tảng xã hội và chia sẻ chúng vào trung tâm dữ liệu PublicAI; người xác thực dữ liệu thì bỏ phiếu cho dữ liệu có giá trị nhất để chọn cho việc huấn luyện AI. Người dùng nhận được phần thưởng token thông qua hai loại đóng góp này, thúc đẩy mối quan hệ hợp tác đôi bên cùng có lợi giữa những người đóng góp dữ liệu và ngành công nghiệp AI.
3.1.4 Bảo vệ quyền riêng tư người dùng trong AI ZK
Công nghệ chứng minh không biết (ZKP) có thể thực hiện xác thực thông tin trong khi bảo vệ quyền riêng tư, giúp giải quyết xung đột giữa bảo vệ quyền riêng tư của dữ liệu và chia sẻ dữ liệu trong AI. ZKML(Học máy không biết) thông qua công nghệ chứng minh không biết, cho phép đào tạo và suy diễn mô hình học máy mà không tiết lộ dữ liệu gốc.
Các dự án như BasedAI đang khám phá việc tích hợp liền mạch mã hóa đồng nhất toàn phần FHE( và LLM để duy trì tính bảo mật của dữ liệu. Thông qua mô hình ngôn ngữ lớn không biết ZK-LLM), quyền riêng tư được nhúng vào hạ tầng mạng phân tán, đảm bảo dữ liệu người dùng vẫn được giữ kín trong suốt quá trình hoạt động của mạng.
(# 3.2 AI hỗ trợ Web3
3.2.1 Phân tích dữ liệu và dự đoán
Nhiều dự án Web3 bắt đầu tích hợp dịch vụ AI hoặc công cụ AI tự phát triển, cung cấp dịch vụ phân tích dữ liệu và dự đoán cho người dùng, bao gồm chiến lược đầu tư, phân tích trên chuỗi, dự đoán giá cả và thị trường.
Ví dụ, Pond dự đoán các alpha token có giá trị trong tương lai thông qua thuật toán hình ảnh AI, cung cấp các gợi ý đầu tư cho người dùng và tổ chức. BullBear AI được đào tạo dựa trên dữ liệu lịch sử của người dùng, lịch sử đường giá và xu hướng thị trường, giúp dự đoán xu hướng giá. Numerai là nền tảng thi đấu đầu tư, nơi các thí sinh sử dụng AI và mô hình ngôn ngữ lớn để dự đoán thị trường chứng khoán. Các nền tảng phân tích dữ liệu chuỗi như Arkham cũng kết hợp AI để cung cấp dịch vụ, khớp các địa chỉ blockchain với thực thể thế giới thực, hiển thị dữ liệu và phân tích quan trọng.
3.2.2 Dịch vụ cá nhân hóa
Các dự án Web3 tối ưu hóa trải nghiệm người dùng thông qua việc tích hợp AI. Ví dụ, nền tảng phân tích dữ liệu Dune đã cho ra mắt công cụ Wand, sử dụng mô hình ngôn ngữ lớn để viết truy vấn SQL, giúp những người không biết SQL cũng có thể tìm kiếm một cách thuận tiện. Nền tảng truyền thông Web3 Followin và bách khoa toàn thư Web3 IQ.wiki tích hợp ChatGPT để tóm tắt nội dung. Công cụ tìm kiếm Kaito dựa trên LLM đang nỗ lực trở thành nền tảng tìm kiếm Web3. Các dự án như NFPrompt thì giảm chi phí sáng tạo NFT cho người dùng thông qua AI.
3.2.3 AI kiểm toán hợp đồng thông minh
AI đóng vai trò quan trọng trong việc kiểm toán hợp đồng thông minh, có thể nhận diện lỗi mã một cách hiệu quả và chính xác hơn. Ví dụ, 0x0.ai cung cấp công cụ kiểm toán hợp đồng thông minh bằng trí tuệ nhân tạo, sử dụng thuật toán tiên tiến để phân tích hợp đồng thông minh và nhận diện các lỗ hổng hoặc rủi ro an ninh tiềm ẩn. Các kiểm toán viên sử dụng công nghệ học máy để nhận diện các mẫu và bất thường trong mã, đánh dấu các vấn đề tiềm ẩn để xem xét thêm.
![Người mới phổ cập丨Phân tích sâu sắc: AI và Web3 có thể tạo ra những tia lửa nào?])https://img-cdn.gateio.im/webp-social/moments-48fe2f2dc021b1b25d8d17f3a503cd7c.webp###
( Bốn, giới hạn và thách thức hiện tại của các dự án AI+Web3
)# 4.1 Những trở ngại thực tế trong lĩnh vực sức mạnh tính toán phi tập trung
Các sản phẩm tính toán phi tập trung đang đối mặt với một số vấn đề thực tế:
Hiệu suất và độ ổn định: Do phụ thuộc vào các nút phân bố trên toàn cầu, kết nối mạng có thể có độ trễ và không ổn định, hiệu suất có thể kém hơn so với các sản phẩm tính toán tập trung.
Phù hợp tài nguyên: Tính khả dụng bị ảnh hưởng bởi mức độ phù hợp cung cầu, có thể dẫn đến tình trạng thiếu hụt tài nguyên hoặc không thể đáp ứng nhu cầu của người dùng.
Độ phức tạp công nghệ: Người dùng có thể cần hiểu biết về mạng phân tán, hợp đồng thông minh và thanh toán bằng tiền điện tử, chi phí sử dụng tương đối cao.
Khó khăn trong việc đào tạo mô hình lớn: Việc đào tạo mô hình lớn cần có độ ổn định rất cao và khả năng kết nối nhiều thẻ, hiện tại sức mạnh tính toán phi tập trung khó có thể đạt được. Nguyên nhân chính bao gồm:
Công suất đơn thẻ: Đào tạo mô hình lớn cần công suất đơn thẻ mạnh mẽ.
Nhiều card song song: Cần huy động GPU cấp triệu để thực hiện huấn luyện song song, yêu cầu giao tiếp giữa nhiều card rất cao.
Hệ sinh thái phần mềm: Cần môi trường phần mềm tương thích với phần cứng, chẳng hạn như hệ thống CUDA của NVIDIA.
Xem bản gốc
Trang này có thể chứa nội dung của bên thứ ba, được cung cấp chỉ nhằm mục đích thông tin (không phải là tuyên bố/bảo đảm) và không được coi là sự chứng thực cho quan điểm của Gate hoặc là lời khuyên về tài chính hoặc chuyên môn. Xem Tuyên bố từ chối trách nhiệm để biết chi tiết.
5 thích
Phần thưởng
5
3
Chia sẻ
Bình luận
0/400
down_only_larry
· 19giờ trước
nhập một vị thế还是mất kiểm soát
Xem bản gốcTrả lời0
AirdropChaser
· 19giờ trước
Theo đuổi theo phong trào chắc chắn sẽ thua lỗ, làm ngược lại sẽ kiếm được.
Tình hình phát triển tích hợp AI và Web3: Cơ hội và thách thức đồng hành
Một, Giới thiệu: Sự phát triển của AI+Web3
Trong những năm gần đây, sự phát triển nhanh chóng của trí tuệ nhân tạo (AI) và công nghệ Web3 đã thu hút sự chú ý rộng rãi trên toàn cầu. AI như một công nghệ mô phỏng trí thông minh của con người, đã đạt được những bước đột phá quan trọng trong các lĩnh vực như nhận diện khuôn mặt, xử lý ngôn ngữ tự nhiên, học máy, mang lại những biến đổi và đổi mới to lớn cho các ngành nghề khác nhau. Quy mô thị trường ngành AI vào năm 2023 đạt 200 tỷ USD, xuất hiện nhiều doanh nghiệp xuất sắc như OpenAI, Character.AI, Midjourney.
Đồng thời, Web3 như một mô hình mạng mới đang thay đổi nhận thức và cách sử dụng internet của mọi người. Web3 dựa trên công nghệ blockchain phi tập trung, thông qua các hợp đồng thông minh, lưu trữ phân tán và xác thực danh tính phi tập trung, đã đạt được việc chia sẻ và kiểm soát dữ liệu, tự quản lý của người dùng và thiết lập cơ chế tin tưởng. Tư tưởng cốt lõi của Web3 là giải phóng dữ liệu khỏi tay các tổ chức tập trung, trao quyền kiểm soát dữ liệu và quyền chia sẻ giá trị cho người dùng. Hiện tại, giá trị thị trường của ngành Web3 đạt 25 nghìn tỷ đô la, các dự án như Bitcoin, Ethereum, Solana liên tục xuất hiện.
Sự kết hợp giữa AI và Web3 là một lĩnh vực mà cả các builder và nhà đầu tư phương Đông và phương Tây đều rất quan tâm, cách thức để kết hợp hai yếu tố này một cách tốt nhất là một vấn đề đáng để khám phá. Bài viết này sẽ tập trung vào tình hình phát triển của AI+Web3, phân tích tình trạng hiện tại của các dự án, và thảo luận sâu về những giới hạn và thách thức mà chúng đang phải đối mặt, nhằm cung cấp tham khảo và cái nhìn cho các nhà đầu tư và người làm trong ngành.
Hai, cách AI tương tác với Web3
Sự phát triển của AI và Web3 giống như hai bên của một cái cân, AI nâng cao năng suất lao động, trong khi Web3 mang đến sự thay đổi trong quan hệ sản xuất. Tiếp theo, chúng ta sẽ phân tích những khó khăn và không gian cải thiện mà từng ngành AI và Web3 đang phải đối mặt, sau đó thảo luận về cách mà chúng có thể giúp nhau giải quyết những khó khăn này.
2.1 Những khó khăn mà ngành AI đang phải đối mặt
Ba yếu tố cốt lõi của ngành AI không thể tách rời: sức mạnh tính toán, thuật toán và dữ liệu.
Công suất: chỉ khả năng thực hiện tính toán và xử lý quy mô lớn. Các nhiệm vụ AI thường cần xử lý một lượng lớn dữ liệu và thực hiện các phép tính phức tạp, chẳng hạn như đào tạo các mô hình mạng nơ-ron sâu. Khả năng tính toán mạnh mẽ có thể tăng tốc quá trình đào tạo và suy diễn mô hình, cải thiện hiệu suất và hiệu quả của hệ thống AI. Trong những năm gần đây, với sự phát triển của GPU và các chip AI chuyên dụng, việc nâng cao công suất đã đóng vai trò quan trọng trong sự phát triển của ngành AI.
Thuật toán: là thành phần cốt lõi của hệ thống AI, sử dụng các phương pháp toán học và thống kê để giải quyết vấn đề và thực hiện nhiệm vụ. Thuật toán AI có thể được chia thành thuật toán máy học truyền thống và thuật toán học sâu, trong đó thuật toán học sâu đã đạt được những bước tiến đáng kể trong những năm gần đây. Việc lựa chọn và thiết kế thuật toán có ảnh hưởng quan trọng đến hiệu suất và kết quả của hệ thống AI. Các thuật toán được cải tiến và đổi mới liên tục có thể nâng cao độ chính xác, tính ổn định và khả năng tổng quát của hệ thống AI.
Dữ liệu: Nhiệm vụ cốt lõi của hệ thống AI là trích xuất các mẫu và quy luật từ dữ liệu thông qua việc học tập và đào tạo. Dữ liệu là nền tảng để huấn luyện và tối ưu hóa mô hình, thông qua các mẫu dữ liệu quy mô lớn, hệ thống AI có thể học được các mô hình chính xác hơn và thông minh hơn. Các tập dữ liệu phong phú có thể cung cấp thông tin toàn diện và đa dạng hơn, giúp mô hình có thể tổng quát tốt hơn trên các dữ liệu chưa thấy, hỗ trợ hệ thống AI hiểu và giải quyết tốt hơn các vấn đề trong thế giới thực.
AI đang đối mặt với những khó khăn chính trong ba lĩnh vực này:
Về khả năng tính toán: Việc có được và quản lý sức mạnh tính toán quy mô lớn thì tốn kém và phức tạp, chi phí, tiêu thụ năng lượng và bảo trì của các thiết bị tính toán hiệu suất cao đều là vấn đề. Đối với các công ty khởi nghiệp và các nhà phát triển cá nhân, việc có được đủ sức mạnh tính toán có thể gặp khó khăn.
Về thuật toán: Thuật toán học sâu cần một lượng lớn dữ liệu và tài nguyên tính toán, khả năng giải thích và tính giải thích của mô hình chưa đủ. Độ bền và khả năng tổng quát của thuật toán cũng là những vấn đề quan trọng, hiệu suất của mô hình trên dữ liệu chưa thấy có thể không ổn định.
Về dữ liệu: Việc thu thập dữ liệu chất lượng cao và đa dạng vẫn là một thách thức. Dữ liệu trong một số lĩnh vực có thể khó thu thập, chẳng hạn như dữ liệu y tế. Chất lượng, độ chính xác và việc gán nhãn dữ liệu cũng là vấn đề, dữ liệu không đầy đủ hoặc có thiên kiến có thể dẫn đến hành vi hoặc độ lệch sai của mô hình. Đồng thời, bảo vệ quyền riêng tư và an ninh dữ liệu cũng là những yếu tố quan trọng cần xem xét.
Ngoài ra, tính giải thích và tính minh bạch của mô hình AI, cũng như những vấn đề về mô hình kinh doanh không rõ ràng, đã khiến nhiều doanh nhân khởi nghiệp trong lĩnh vực AI cảm thấy bối rối.
2.2 Những khó khăn mà ngành Web3 đang đối mặt
Ngành Web3 hiện đang đối mặt với nhiều khó khăn cần giải quyết, bao gồm phân tích dữ liệu, trải nghiệm người dùng, an toàn hợp đồng thông minh,... AI như một công cụ nâng cao năng suất, cũng có nhiều tiềm năng để phát huy trong các lĩnh vực này:
Phân tích và dự đoán dữ liệu: Công nghệ AI có thể giúp các nền tảng Web3 trích xuất thông tin giá trị từ lượng dữ liệu khổng lồ, thực hiện dự đoán và quyết định chính xác hơn, có ý nghĩa quan trọng đối với việc đánh giá rủi ro, dự đoán thị trường và quản lý tài sản trong lĩnh vực DeFi.
Trải nghiệm người dùng và dịch vụ cá nhân hóa: AI có thể giúp các nền tảng Web3 cung cấp trải nghiệm người dùng tốt hơn và dịch vụ cá nhân hóa, thông qua việc phân tích dữ liệu người dùng để đưa ra các đề xuất cá nhân hóa, dịch vụ tùy chỉnh và trải nghiệm tương tác thông minh, nâng cao mức độ tham gia và sự hài lòng của người dùng.
An ninh và bảo vệ quyền riêng tư: AI có thể được sử dụng để phát hiện và phòng ngừa các cuộc tấn công mạng, nhận diện hành vi bất thường, cung cấp bảo đảm an ninh mạnh mẽ hơn. Đồng thời, AI cũng có thể được áp dụng trong việc bảo vệ quyền riêng tư dữ liệu, thông qua các công nghệ mã hóa và tính toán bảo mật để bảo vệ thông tin người dùng.
Kiểm toán hợp đồng thông minh: Công nghệ AI có thể được sử dụng để tự động hóa kiểm toán hợp đồng và phát hiện lỗ hổng, nâng cao tính an toàn và độ tin cậy của hợp đồng.
Ba, phân tích tình trạng hiện tại của dự án AI+Web3
Các dự án kết hợp AI và Web3 chủ yếu tiếp cận từ hai khía cạnh: sử dụng công nghệ blockchain để nâng cao hiệu suất của các dự án AI, và sử dụng công nghệ AI để phục vụ cho việc nâng cao các dự án Web3.
3.1 Web3 hỗ trợ AI
3.1.1 Sức mạnh tính toán phi tập trung
Với sự xuất hiện của các mô hình lớn như ChatGPT, nhu cầu về sức mạnh tính toán trong lĩnh vực AI đã gia tăng mạnh mẽ. Tuy nhiên, việc thiếu hụt cung cấp GPU đã trở thành nút thắt ảnh hưởng đến sự phát triển của AI. Để giải quyết vấn đề này, một số dự án Web3 đã cố gắng cung cấp dịch vụ sức mạnh tính toán phi tập trung, bao gồm Akash, Render, Gensyn, v.v. Các dự án này khuyến khích người dùng toàn cầu cung cấp sức mạnh GPU nhàn rỗi thông qua việc thưởng token, nhằm cung cấp hỗ trợ sức mạnh tính toán cho khách hàng AI.
Cung cấp bên chủ yếu bao gồm nhà cung cấp dịch vụ đám mây, thợ đào tiền điện tử và các doanh nghiệp lớn. Các dự án sức mạnh tính toán phi tập trung được chia thành hai loại: một loại dùng cho suy diễn AI ( như Render, Akash ), loại còn lại dùng cho đào tạo AI ( như io.net, Gensyn ).
Lấy io.net làm ví dụ, với tư cách là một mạng lưới tính toán phi tập trung, hiện tại số lượng GPU đã vượt quá 500.000, và đã tích hợp sức mạnh tính toán của Render và Filecoin, không ngừng phát triển các dự án sinh thái. Gensyn thì thúc đẩy việc phân bổ và thưởng cho các nhiệm vụ học máy thông qua hợp đồng thông minh, thực hiện việc đào tạo AI.
Tuy nhiên, hầu hết các dự án chọn thực hiện suy diễn AI thay vì đào tạo, lý do chính là do yêu cầu về sức mạnh tính toán và băng thông khác nhau. Đào tạo AI cần một lượng dữ liệu khổng lồ và băng thông truyền thông tốc độ cao, độ khó trong việc thực hiện lớn. Trong khi đó, suy diễn AI có nhu cầu về dữ liệu và băng thông nhỏ hơn, khả năng thực hiện cao hơn.
3.1.2 Mô hình thuật toán phi tập trung
Ngoài sức mạnh tính toán, một số dự án cố gắng thiết lập thị trường dịch vụ thuật toán AI phi tập trung. Lấy Bittensor làm ví dụ, nó kết nối nhiều mô hình AI, mỗi mô hình có kiến thức và kỹ năng chuyên môn riêng. Khi người dùng đặt câu hỏi, thị trường sẽ chọn mô hình AI phù hợp nhất để cung cấp câu trả lời.
Trong mạng Bittensor, nhà cung cấp mô hình thuật toán ( thợ mỏ ) đóng góp mô hình học máy cho mạng và nhận phần thưởng bằng token cho sự đóng góp đó. Để đảm bảo chất lượng câu trả lời, Bittensor sử dụng cơ chế đồng thuận độc đáo để đảm bảo mạng đạt được sự đồng thuận về câu trả lời tốt nhất.
Sự phát triển của nền tảng mô hình thuật toán phi tập trung có thể giúp các công ty nhỏ cạnh tranh với các tổ chức lớn trong việc sử dụng các công cụ AI hàng đầu, tạo ra ảnh hưởng tiềm tàng lớn đối với các ngành công nghiệp.
3.1.3 Thu thập dữ liệu phi tập trung
Việc đào tạo mô hình AI cần một lượng lớn dữ liệu, nhưng hiện tại hầu hết các nền tảng Web2 cấm việc thu thập dữ liệu cho đào tạo AI, hoặc bán dữ liệu người dùng cho các công ty AI mà không chia sẻ lợi nhuận. Một số dự án Web3 đạt được việc thu thập dữ liệu phi tập trung thông qua cách khuyến khích bằng token, chẳng hạn như PublicAI.
Trong PublicAI, người dùng có thể tham gia với vai trò là nhà cung cấp dữ liệu AI hoặc người xác thực dữ liệu. Nhà cung cấp dữ liệu tìm nội dung có giá trị trên các nền tảng xã hội và chia sẻ chúng vào trung tâm dữ liệu PublicAI; người xác thực dữ liệu thì bỏ phiếu cho dữ liệu có giá trị nhất để chọn cho việc huấn luyện AI. Người dùng nhận được phần thưởng token thông qua hai loại đóng góp này, thúc đẩy mối quan hệ hợp tác đôi bên cùng có lợi giữa những người đóng góp dữ liệu và ngành công nghiệp AI.
3.1.4 Bảo vệ quyền riêng tư người dùng trong AI ZK
Công nghệ chứng minh không biết (ZKP) có thể thực hiện xác thực thông tin trong khi bảo vệ quyền riêng tư, giúp giải quyết xung đột giữa bảo vệ quyền riêng tư của dữ liệu và chia sẻ dữ liệu trong AI. ZKML(Học máy không biết) thông qua công nghệ chứng minh không biết, cho phép đào tạo và suy diễn mô hình học máy mà không tiết lộ dữ liệu gốc.
Các dự án như BasedAI đang khám phá việc tích hợp liền mạch mã hóa đồng nhất toàn phần FHE( và LLM để duy trì tính bảo mật của dữ liệu. Thông qua mô hình ngôn ngữ lớn không biết ZK-LLM), quyền riêng tư được nhúng vào hạ tầng mạng phân tán, đảm bảo dữ liệu người dùng vẫn được giữ kín trong suốt quá trình hoạt động của mạng.
(# 3.2 AI hỗ trợ Web3
3.2.1 Phân tích dữ liệu và dự đoán
Nhiều dự án Web3 bắt đầu tích hợp dịch vụ AI hoặc công cụ AI tự phát triển, cung cấp dịch vụ phân tích dữ liệu và dự đoán cho người dùng, bao gồm chiến lược đầu tư, phân tích trên chuỗi, dự đoán giá cả và thị trường.
Ví dụ, Pond dự đoán các alpha token có giá trị trong tương lai thông qua thuật toán hình ảnh AI, cung cấp các gợi ý đầu tư cho người dùng và tổ chức. BullBear AI được đào tạo dựa trên dữ liệu lịch sử của người dùng, lịch sử đường giá và xu hướng thị trường, giúp dự đoán xu hướng giá. Numerai là nền tảng thi đấu đầu tư, nơi các thí sinh sử dụng AI và mô hình ngôn ngữ lớn để dự đoán thị trường chứng khoán. Các nền tảng phân tích dữ liệu chuỗi như Arkham cũng kết hợp AI để cung cấp dịch vụ, khớp các địa chỉ blockchain với thực thể thế giới thực, hiển thị dữ liệu và phân tích quan trọng.
3.2.2 Dịch vụ cá nhân hóa
Các dự án Web3 tối ưu hóa trải nghiệm người dùng thông qua việc tích hợp AI. Ví dụ, nền tảng phân tích dữ liệu Dune đã cho ra mắt công cụ Wand, sử dụng mô hình ngôn ngữ lớn để viết truy vấn SQL, giúp những người không biết SQL cũng có thể tìm kiếm một cách thuận tiện. Nền tảng truyền thông Web3 Followin và bách khoa toàn thư Web3 IQ.wiki tích hợp ChatGPT để tóm tắt nội dung. Công cụ tìm kiếm Kaito dựa trên LLM đang nỗ lực trở thành nền tảng tìm kiếm Web3. Các dự án như NFPrompt thì giảm chi phí sáng tạo NFT cho người dùng thông qua AI.
3.2.3 AI kiểm toán hợp đồng thông minh
AI đóng vai trò quan trọng trong việc kiểm toán hợp đồng thông minh, có thể nhận diện lỗi mã một cách hiệu quả và chính xác hơn. Ví dụ, 0x0.ai cung cấp công cụ kiểm toán hợp đồng thông minh bằng trí tuệ nhân tạo, sử dụng thuật toán tiên tiến để phân tích hợp đồng thông minh và nhận diện các lỗ hổng hoặc rủi ro an ninh tiềm ẩn. Các kiểm toán viên sử dụng công nghệ học máy để nhận diện các mẫu và bất thường trong mã, đánh dấu các vấn đề tiềm ẩn để xem xét thêm.
![Người mới phổ cập丨Phân tích sâu sắc: AI và Web3 có thể tạo ra những tia lửa nào?])https://img-cdn.gateio.im/webp-social/moments-48fe2f2dc021b1b25d8d17f3a503cd7c.webp###
( Bốn, giới hạn và thách thức hiện tại của các dự án AI+Web3
)# 4.1 Những trở ngại thực tế trong lĩnh vực sức mạnh tính toán phi tập trung
Các sản phẩm tính toán phi tập trung đang đối mặt với một số vấn đề thực tế:
Hiệu suất và độ ổn định: Do phụ thuộc vào các nút phân bố trên toàn cầu, kết nối mạng có thể có độ trễ và không ổn định, hiệu suất có thể kém hơn so với các sản phẩm tính toán tập trung.
Phù hợp tài nguyên: Tính khả dụng bị ảnh hưởng bởi mức độ phù hợp cung cầu, có thể dẫn đến tình trạng thiếu hụt tài nguyên hoặc không thể đáp ứng nhu cầu của người dùng.
Độ phức tạp công nghệ: Người dùng có thể cần hiểu biết về mạng phân tán, hợp đồng thông minh và thanh toán bằng tiền điện tử, chi phí sử dụng tương đối cao.
Khó khăn trong việc đào tạo mô hình lớn: Việc đào tạo mô hình lớn cần có độ ổn định rất cao và khả năng kết nối nhiều thẻ, hiện tại sức mạnh tính toán phi tập trung khó có thể đạt được. Nguyên nhân chính bao gồm: