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

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

Với sự gia tăng liên tục của việc kể chuyện AI, ngày càng nhiều sự chú ý tập trung vào lĩnh vực này. Đã có những phân tích sâu về logic công nghệ, các tình huống ứng dụng và các dự án đại diện trong lĩnh vực Web3-AI, nhằm trình bày 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 hợp nhất Web3 và AI: Làm thế nào để xác định lĩnh vực Web-AI

Trong năm qua, kể từ khi AI trở thành xu hướng nổi bật 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 của họ, trong khi kinh tế mã thông báo cơ sở không có mối liên hệ thực sự nào với sản phẩm AI, do đó các dự án này không được đưa vào thảo luận về dự án Web3-AI trong bài viết này.

Nội dung chính của bài viết này là sử dụng blockchain để giải quyết vấn đề quan hệ sản xuất, AI để giải quyết vấn đề năng lực sản xuất của các dự án, 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, cả hai tương hỗ lẫn nhau. Chúng tôi phân loại các dự án này vào lĩnh vực Web3-AI. Để giúp độc giả hiểu rõ hơn về lĩnh vực Web3-AI, sẽ tiến hành giới thiệu quy trình phát triển và thách thức của AI, cũng như cách Web3 và AI kết hợp hoàn hảo để giải quyết vấn đề và tạo ra các kịch bản 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 tuệ con người. Nó có khả năng 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. 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 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 (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 tinh 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. Tinh chỉnh tham số hoặc cấu trúc mô hình dựa trên nhu cầu khác nhau, nói chung, độ sâu của mạng mô hình 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 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 mô hình đã được đào tạo thường được gọi là trọng số mô hình, quá trình suy diễn là quá trình 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 dữ liệu kiểm tra hoặc dữ liệu mới để kiểm tra hiệu quả phân loại của mô hình, thường được đánh giá bằng độ chính xác, độ hồi đáp, F1-score và các chỉ số khác để đánh giá tính hiệu quả của mô hình.

Như hình đã chỉ, sau khi thu thập dữ liệu và tiền xử lý dữ liệu, lựa chọn và điều chỉnh mô hình, cũng như huấn luyện, việc suy diễn mô hình đã được huấn luyện trên tập kiểm tra sẽ cho ra giá trị dự đoán của mèo và chó P (xác suất), tức là xác suất mà mô hình suy diễn ra đó là mèo hay chó.

Mô hình AI đã được huấn luyện có thể được tích hợp 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 điện thoại, 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 phải một số vấn đề trong các kịch bản sau:

Quyền riêng tư của người dùng: Trong các tình huống 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 thu thập: Các nhóm nhỏ hoặc cá nhân khi thu thập dữ liệu trong các lĩnh vực cụ thể (như dữ liệu y tế) có thể gặp phải hạn chế về việc không mở nguồn dữ liệu.

Lựa chọn và tinh chỉnh mô hình: Đối với các nhóm nhỏ, rất khó để có được tài nguyên mô hình cho lĩnh vực cụ thể hoặc chi tiêu một khoản chi phí lớn cho việc tinh chỉnh mô hình.

Lấy sức mạnh tính toán: Đối với các nhà phát triển cá nhân và các đội nhóm nhỏ, chi phí mua GPU cao và phí thuê sức mạnh tính toán trên đám mây có thể tạo ra gánh nặng kinh tế đáng kể.

Thu nhập tài sản AI: Các nhà làm việc gán nhãn dữ liệu thường không thể nhận được thu nhập tương xứng với công sức của họ, trong khi các kết quả nghiên cứu của các nhà phát triển AI cũng khó mà 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 việc kết hợp với Web3, Web3 như một dạng 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 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 hòa nhập của thế giới Web3 và công nghệ AI cũng có thể tạo ra nhiều kịch bản ứng dụng và cách chơi sáng tạo hơn.

Dựa trên công nghệ Web3, sự phát triển và ứng dụng của 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 chia sẻ có thể được tiếp cận với chi phí thấp hơn. Nhờ vào cơ chế hợp tác crowdsourcing 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 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 hợp đồng thông minh, nâng cao hiệu quả công 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 tạo sinh 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 phong phú và đa dạng cùng những trải nghiệm tương tác thú vị trong GameFi. Hệ thống cơ sở hạ tầng phong phú cung cấp trải nghiệm phát triển mượt mà, bất kể là chuyên gia AI hay người mới muốn bước chân 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 chia của mỗi cấp độ như hình dưới đây, bao gồm lớp hạ tầng, lớp trung gian và lớp ứng dụng, mỗi lớp 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 xác minh suy diễn kết nối hạ tầng với ứng dụng, trong khi lớp ứng dụng tập trung vào các ứng dụng và giải pháp đa dạng trực tiếp hướng đến người dùng.

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

• Mạng tính toán phi tập trung: có thể cung cấp sức mạnh tính toán phân tán cho việc đào tạo mô hình AI, đảm bảo việc sử dụng tài nguyên tính toán hiệu quả và tiết kiệm. 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 lợi, 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, đã đề xuất một giao thức token hóa, người dùng có thể tham gia vào việc cho thuê sức mạnh tính toán để thu lợi bằng cách mua NFT đại diện cho GPU thực.

• AI Chain: Sử dụng blockchain làm nền tảng cho vòng đời của AI, thực hiện việc 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 diện, v.v., và cung cấp khung phát triển AI cùng các công cụ phát triển đi kèm, dự án tiêu biểu như Sahara AI. AI Chain cũng có thể thúc đẩy sự tiến bộ trong công nghệ AI ở các lĩnh vực khác nhau, chẳng hạn như Bittensor thông qua cơ chế khuyến khích subnet sáng tạo để thúc đẩy sự cạnh tranh giữa các loại AI khác nhau.

• Nền tảng phát triển: Một số dự án cung cấp nền tảng phát triển AI đại lý, còn có thể thực hiện giao dịch AI đại lý, chẳng hạn 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 các 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 diễn 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 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 tự chủ về dữ liệu, trong điều kiện bảo vệ quyền riêng tư, có thể bán dữ liệu của mình để tránh việc dữ liệu bị các thương gia xấu lợi dụng và thu lợi cao. Đối với các bên có nhu cầu 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 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, 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 biến kỹ năng thành token để thực hiện hợp tác crowdsourcing trong tiền xử lý dữ liệu. Đại diện như thị trường AI của Sahara AI, có các nhiệm vụ dữ liệu trong nhiều lĩnh vực, có thể bao phủ các tình huống dữ liệu đa lĩnh vực; trong khi AIT Protocol thông qua cách thức phối hợp giữa người và máy để gán nhãn dữ liệu.

• Mô hình: Trong quá trình phát triển AI đã đề cập trước đó, các loại nhu cầu khác nhau cần phải phù hợp với các mô hình thích hợp. Các mô hình thường được sử dụng cho nhiệm vụ hình ảnh như CNN, GAN; nhiệm vụ phát hiện đối tượng có thể chọn các dòng Yolo; các nhiệm vụ văn bản thường gặp các mô hình như RNN, Transformer, tất nhiên còn có một số mô hình lớn đặc thù hoặc chung. Độ sâu của 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 lưu trữ dữ liệu mô hình đáng tin cậy ở 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 khung tính toán, đồng thời có khả năng đào tạo hợp tác.

• Suy diễn và xác thực: Sau khi mô hình được đào tạo sẽ tạo ra các 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 minh xem nguồn gốc của mô hình suy diễn có đúng hay không, có hành vi độc hại 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 pháp xác thực phổ biến bao gồm công nghệ ZKML, OPML và TEE. Các dự án tiêu biểu như AI oracle trên chuỗi ORA (OAO) đã giới thiệu OPML như một lớp có thể xác minh cho oracle AI, 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 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 hệ thống lại các dự án trong các lĩnh vực AIGC (Nội dung do AI tạo ra), đại lý AI và phân tích dữ liệu.

• AIGC：Thông qua AIGC có thể mở rộng đến