Dự án Web3 về khái niệm AI trở thành mục tiêu hút vốn trên thị trường sơ cấp và thứ cấp.
Cơ hội của Web3 trong ngành AI thể hiện ở: sử dụng động lực phân phối để điều phối các nguồn cung tiềm năng trong đuôi dài ------ qua dữ liệu, lưu trữ và tính toán; trong khi đó, xây dựng một mô hình mã nguồn mở cũng như thị trường phi tập trung cho AI Agent.
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.
Tính hữu ích của AI+Web3 thể hiện ở sự bổ sung lẫn nhau của cả hai: Web3 hy vọng chống lại sự tập trung của AI, trong khi AI hy vọng giúp Web3 mở rộng ra ngoài.
Giới thiệu
Trong hai năm qua, sự phát triển của AI như thể đã được ấn nút tăng tốc, đôi cánh bướm do Chatgpt khơi dậy không chỉ mở ra một thế giới mới của trí tuệ nhân tạo sinh tạo mà cũng gây ra một làn sóng mạnh mẽ ở bờ bên kia của Web3.
Dưới sự hỗ trợ của khái niệm AI, việc huy động vốn trên thị trường tiền điện tử chậm lại đã có sự cải thiện rõ rệt. Các phương tiện truyền thông thống kê, chỉ trong nửa đầu năm 2024, đã có 64 dự án Web3+AI hoàn thành việc huy động vốn, trong đó hệ điều hành dựa trên trí tuệ nhân tạo Zyber365 đã đạt mức huy động vốn cao nhất là 100 triệu USD trong vòng A.
Thị trường thứ cấp ngày càng sôi động, dữ liệu từ một trang web 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; sự tiến bộ rõ rệt của các công nghệ AI chính thống mang lại lợi ích rõ ràng, sau khi OpenAI phát hành mô hình chuyển đổi văn bản thành video Sora, giá trung bình của lĩnh vực AI đã tăng 151%; hiệu ứng AI cũng lan tỏa đến một trong những lĩnh vực hút tiền điện tử là Meme: MemeCoin đầu tiên với khái niệm AI Agent ------ GOAT đã nhanh chóng nổi tiếng và đạt được định giá 1,4 tỷ USD, thành công tạo ra cơn sốt AI Meme.
Về nghiên cứu và chủ đề AI+Web3 cũng đang rất sôi nổi, từ AI+Depin đến AI Memecoin rồi đến AI Agent và AI DAO hiện tại, cảm xúc FOMO đã không theo kịp tốc độ xoay vòng của những câu chuyện mới.
AI+Web3, cụm thuật ngữ đầy tiền nóng, xu hướng và ảo tưởng về tương lai này, khó tránh khỏi bị coi như một cuộc hôn nhân sắp đặt do vốn chủ động, chúng ta dường như rất khó phân biệt dưới chiếc áo choàng lấp lánh này, rốt cuộc đây là sân khấu 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 nhờ có nhau không? Liệu có thể thu lợi từ mô hình của bên kia 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 tác dụng như thế nào trong từng khía cạnh của công nghệ AI, và AI có thể mang lại sức sống mới cho Web3 như thế nào?
Phần 1: Cơ hội nào cho Web3 dưới ngăn xếp AI?
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 đứa trẻ vừa mới ra 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 các giác quan như thị giác, thính giác của con người, trước khi huấn luyện, thông tin lớn không được gán nhãn 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 coi như quá trình trẻ em dần hiểu và học hỏi về thế giới xung quanh. Các tham số của mô hình giống như khả năng ngôn ngữ của trẻ em đang được điều chỉnh liên tục trong quá trình học tập. Khi nội dung học bắt đầu phân ngành, hoặc nhận được phản hồi từ việc giao tiếp với người khác và điều chỉnh, nó bước vào giai đoạn "tinh chỉnh" của mô hình lớn.
Khi trẻ em lớn lên và học nói, chúng có thể hiểu ý nghĩa và diễn đạt cảm xúc, suy nghĩ của mình trong các cuộc trò chuyện mới. Giai đoạn này giống như "suy luận" của mô hình AI lớn, nơi 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 các đối tượng và giải quyết nhiều vấn đề thông qua khả năng ngôn ngữ, điều này cũng tương tự như việc mô hình AI lớn được áp dụng trong giai đoạn suy luận cho các nhiệm vụ cụ thể khác nhau 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 ngày càng tiến gần đến hình thái 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 các giai đoạn khác nhau của quy trình mô hình AI.
Một, Tầng cơ sở: Airbnb về sức mạnh tính toán và dữ liệu
Công suất
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 luận 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 trí tuệ nhân tạo và khối lượng công việc tính toán hiệu suất cao) để hoàn thành đào tạo trong 30 ngày. Giá mỗi chiếc phiên bản 80GB dao động từ 30.000 đến 40.000 đô la, điều này cần một khoản đầu tư phần cứng tính toán từ 400 đến 700 triệu đô la (GPU + chip mạng), trong khi đó, việc đào tạo hàng tháng cần tiêu tốn 1,6 tỷ kilowatt giờ, chi phí năng lượng hàng tháng gần 20 triệu đô la.
Đối với việc giải nén sức mạnh AI, đó chính là lĩnh vực giao thoa sớm nhất giữa Web3 và AI ------ DePin (mạng lưới hạ tầng vật lý phi tập trung). Hiện tại, một trang web dữ liệu DePin 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 các cá nhân hoặc thực thể sở hữu tài nguyên GPU không sử dụng 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, từ đó nâng cao tỷ lệ sử dụng tài nguyên GPU chưa được khai thác đầy đủ, người dùng cuối cũng nhận được nguồn tài nguyên tính toán hiệu quả với chi phí thấp hơn; đồng thời, cơ chế staking 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 nhận được hình phạt tương ứng.
Đặc điểm của nó là:
Tập hợp tài nguyên GPU nhàn rỗi: Các nhà cung cấp chủ yếu là các trung tâm dữ liệu độc lập nhỏ và vừa, các nhà điều hành mỏ tiền điện tử và các tài nguyên tính toán dư thừa, cơ chế đồng thuận là phần cứng khai thác PoS, chẳng hạn như máy khai thác FileCoin và ETH. Hiện tại cũng có các dự án đang cố gắng khởi động thiết bị với ngưỡng tham gia thấp hơn, chẳng hạn như exolab sử dụng các thiết bị địa phương như MacBook, iPhone, iPad để thiết lập mạng lưới tính toán cho suy diễn mô hình lớn.
Đối mặt với thị trường dài hạn của sức mạnh tính toán AI:
a. "Về mặt công nghệ, thị trường sức mạnh phi tập trung phù hợp hơn cho các bước suy diễn. Việc đào tạo phụ thuộc nhiều hơn vào khả năng xử lý dữ liệu mà GPU quy mô siêu lớn mang lại, trong khi suy diễn yêu cầu hiệu suất tính toán GPU tương đối thấp, như Aethir tập trung vào công việc render độ trễ thấp và ứng dụng suy diễn AI.
b. "Về phía nhu cầu" thì các bên có nhu cầu tính toán nhỏ không sẽ không tự mình đào tạo mô hình lớn của riêng họ, mà chỉ lựa chọn tối ưu hóa và tinh chỉnh xung quanh một số mô hình lớn hàng đầu, và những trường hợp này tự nhiên rất phù hợp với tài nguyên tính toán phân tán nhàn rỗi.
Quyền sở hữu phi tập trung: Ý nghĩa kỹ thuật của blockchain là chủ sở hữu tài nguyên luôn giữ quyền kiểm soát tài nguyên, điều chỉnh linh hoạt theo nhu cầu, đồng thời thu được lợi nhuận.
Dữ liệu
Dữ liệu là nền tảng của AI. Nếu không có dữ liệu, việc tính toán sẽ như bèo trôi, vô dụng, 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 mô hình AI hiện nay, dữ liệu quyết định khả năng ngôn ngữ, khả năng hiểu biết, thậm chí cả giá trị và sự thể hiện nhân văn của mô hình. Hiện tại, những khó khăn về nhu cầu dữ liệu của AI chủ yếu tập trung vào bốn khía cạnh sau:
Cơn khát dữ liệu: Việc huấn luyện mô hình AI phụ thuộc vào lượng dữ liệu đầu vào lớn. Tài liệu công khai cho thấy, lượng tham số mà OpenAI sử dụng để huấn luyện GPT-4 đã đạt đến cấp độ nghìn tỷ.
Chất lượng dữ liệu: Khi AI kết hợp với các ngành, tính kịp thời của dữ liệu, tính đa dạng của dữ liệu, tính chuyên môn của dữ liệu ngành, và việc tiếp nhận các nguồn dữ liệu mới như cảm xúc từ mạng xã hội đều đặt ra yêu cầu mới về chất lượng.
Vấn đề về quyền riêng tư và tuân thủ: Hiện nay, các quốc gia và doanh nghiệp ngày càng nhận thức được tầm quan trọng của các bộ dữ liệu chất lượng, 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 qua bốn khía cạnh sau:
Thu thập dữ liệu: Dữ liệu thế giới thực có thể được thu thập miễn phí đang nhanh chóng cạn kiệt, chi tiêu của các công ty AI cho dữ liệu đang tăng lên từng năm. Nhưng đồng thời, chi tiêu này không quay trở lại cho những người đóng góp thực sự cho dữ liệu, các nền tảng hoàn toàn hưởng thụ giá trị tạo ra từ dữ liệu, như Reddit đã đạt được tổng doanh thu 203 triệu USD 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, cũng như thông qua mạng lưới phân tán và cơ chế khuyến khích, thu thập dữ liệu cá nhân và có giá trị hơn từ người dùng một cách 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 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 (chẳng hạn như lịch sử mua sắm, thói quen duyệt web, hoạt động trên mạng xã hội, v.v.) lên một DLP cụ thể và linh hoạt lựa chọn xem có muốn ủy quyền cho các bên thứ ba cụ thể sử dụng những dữ liệu này hay không;
Trong PublicAI, người dùng có thể sử dụng #AI 或#Web3 làm thẻ 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 ồn ào và chứa lỗi, nên trước khi huấn luyện mô hình, nó phải được làm sạch và chuyển đổi thành định dạng có thể sử dụng, liên quan đến các nhiệm vụ chuẩn hóa, lọc và xử lý giá trị thiếu. Giai đoạn này là một trong số ít các khâu thủ công trong ngành AI, đã sinh ra ngành nghề người gán nhãn dữ liệu, với yêu cầu của mô hình đối với chất lượng dữ liệu ngày càng tăng, ngưỡng vào nghề của người gán nhãn dữ liệu cũng tăng theo, và nhiệm vụ này rất 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 này của việc đánh dấu dữ liệu.
Synesis đã đề xuất 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 đặt cọc điểm để kiếm thêm điểm.
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 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 đào tạo AI mà không cần chia sẻ dữ liệu gốc của họ.
Các công nghệ bảo mật trong Web3 hiện tại khá phổ biến 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), chẳng hạn như Reclaim Protocol sử dụng công nghệ zkTLS, tạo ra bằng chứng zero-knowledge cho lưu lượng HTTPS, cho phép người dùng an toàn nhập 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 nay lĩnh vực này vẫn ở giai đoạn đầu, hầu hết các dự án vẫn đang trong quá trình khám phá, một khó khăn hiện tại là chi phí tính toán quá cao, một số ví dụ là:
zkML khung
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.
9 thích
Phần thưởng
9
7
Chia sẻ
Bình luận
0/400
NestedFox
· 14giờ trước
Đã bắt đầu rồi à? Bây giờ các dự án đều đang chạy AI.
Xem bản gốcTrả lời0
TokenToaster
· 14giờ trước
Chỉ là theo phong trào mà thôi
Xem bản gốcTrả lời0
CryptoSurvivor
· 14giờ trước
Đợt này ổn rồi, làm thêm một số coin liên quan đến AI.
Xem bản gốcTrả lời0
GateUser-cff9c776
· 14giờ trước
web3 còn muốn cứu ai? Điểm mù của Phi tập trung
Xem bản gốcTrả lời0
DaoGovernanceOfficer
· 14giờ trước
*thở dài* Nói một cách thực nghiệm, đây chỉ là kịch phi tập trung 2.0.
Xem bản gốcTrả lời0
GasFeeWhisperer
· 14giờ trước
thế giới tiền điện tử thật sự ở đâu cũng có
Xem bản gốcTrả lời0
ShibaOnTheRun
· 14giờ trước
Thật thơm, ai có thể chống lại sự cám dỗ của tiền bạc?
AI+Web3 tích hợp: Khám phá những cơ hội mới về Phi tập trung Khả năng tính toán và dữ liệu
AI+Web3: Tòa tháp và Quảng trường
TL;DR
Dự án Web3 về khái niệm AI trở thành mục tiêu hút vốn trên thị trường sơ cấp và thứ cấp.
Cơ hội của Web3 trong ngành AI thể hiện ở: sử dụng động lực phân phối để điều phối các nguồn cung tiềm năng trong đuôi dài ------ qua dữ liệu, lưu trữ và tính toán; trong khi đó, xây dựng một mô hình mã nguồn mở cũng như thị trường phi tập trung cho AI Agent.
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.
Tính hữu ích của AI+Web3 thể hiện ở sự bổ sung lẫn nhau của cả hai: Web3 hy vọng chống lại sự tập trung của AI, trong khi AI hy vọng giúp Web3 mở rộng ra ngoài.
Giới thiệu
Trong hai năm qua, sự phát triển của AI như thể đã được ấn nút tăng tốc, đôi cánh bướm do Chatgpt khơi dậy không chỉ mở ra một thế giới mới của trí tuệ nhân tạo sinh tạo mà cũng gây ra một làn sóng mạnh mẽ ở bờ bên kia của Web3.
Dưới sự hỗ trợ của khái niệm AI, việc huy động vốn trên thị trường tiền điện tử chậm lại đã có sự cải thiện rõ rệt. Các phương tiện truyền thông thống kê, chỉ trong nửa đầu năm 2024, đã có 64 dự án Web3+AI hoàn thành việc huy động vốn, trong đó hệ điều hành dựa trên trí tuệ nhân tạo Zyber365 đã đạt mức huy động vốn cao nhất là 100 triệu USD trong vòng A.
Thị trường thứ cấp ngày càng sôi động, dữ liệu từ một trang web 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; sự tiến bộ rõ rệt của các công nghệ AI chính thống mang lại lợi ích rõ ràng, sau khi OpenAI phát hành mô hình chuyển đổi văn bản thành video Sora, giá trung bình của lĩnh vực AI đã tăng 151%; hiệu ứng AI cũng lan tỏa đến một trong những lĩnh vực hút tiền điện tử là Meme: MemeCoin đầu tiên với khái niệm AI Agent ------ GOAT đã nhanh chóng nổi tiếng và đạt được định giá 1,4 tỷ USD, thành công tạo ra cơn sốt AI Meme.
Về nghiên cứu và chủ đề AI+Web3 cũng đang rất sôi nổi, từ AI+Depin đến AI Memecoin rồi đến AI Agent và AI DAO hiện tại, cảm xúc FOMO đã không theo kịp tốc độ xoay vòng của những câu chuyện mới.
AI+Web3, cụm thuật ngữ đầy tiền nóng, xu hướng và ảo tưởng về tương lai này, khó tránh khỏi bị coi như một cuộc hôn nhân sắp đặt do vốn chủ động, chúng ta dường như rất khó phân biệt dưới chiếc áo choàng lấp lánh này, rốt cuộc đây là sân khấu 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 nhờ có nhau không? Liệu có thể thu lợi từ mô hình của bên kia 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 tác dụng như thế nào trong từng khía cạnh của công nghệ AI, và AI có thể mang lại sức sống mới cho Web3 như thế nào?
Phần 1: Cơ hội nào cho Web3 dưới ngăn xếp AI?
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 đứa trẻ vừa mới ra 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 các giác quan như thị giác, thính giác của con người, trước khi huấn luyện, thông tin lớn không được gán nhãn 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 coi như quá trình trẻ em dần hiểu và học hỏi về thế giới xung quanh. Các tham số của mô hình giống như khả năng ngôn ngữ của trẻ em đang được điều chỉnh liên tục trong quá trình học tập. Khi nội dung học bắt đầu phân ngành, hoặc nhận được phản hồi từ việc giao tiếp với người khác và điều chỉnh, nó bước vào giai đoạn "tinh chỉnh" của mô hình lớn.
Khi trẻ em lớn lên và học nói, chúng có thể hiểu ý nghĩa và diễn đạt cảm xúc, suy nghĩ của mình trong các cuộc trò chuyện mới. Giai đoạn này giống như "suy luận" của mô hình AI lớn, nơi 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 các đối tượng và giải quyết nhiều vấn đề thông qua khả năng ngôn ngữ, điều này cũng tương tự như việc mô hình AI lớn được áp dụng trong giai đoạn suy luận cho các nhiệm vụ cụ thể khác nhau 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 ngày càng tiến gần đến hình thái 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 các giai đoạn khác nhau của quy trình mô hình AI.
Một, Tầng cơ sở: Airbnb về sức mạnh tính toán và dữ liệu
Công suất
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 luận 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 trí tuệ nhân tạo và khối lượng công việc tính toán hiệu suất cao) để hoàn thành đào tạo trong 30 ngày. Giá mỗi chiếc phiên bản 80GB dao động từ 30.000 đến 40.000 đô la, điều này cần một khoản đầu tư phần cứng tính toán từ 400 đến 700 triệu đô la (GPU + chip mạng), trong khi đó, việc đào tạo hàng tháng cần tiêu tốn 1,6 tỷ kilowatt giờ, chi phí năng lượng hàng tháng gần 20 triệu đô la.
Đối với việc giải nén sức mạnh AI, đó chính là lĩnh vực giao thoa sớm nhất giữa Web3 và AI ------ DePin (mạng lưới hạ tầng vật lý phi tập trung). Hiện tại, một trang web dữ liệu DePin 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 các cá nhân hoặc thực thể sở hữu tài nguyên GPU không sử dụng 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, từ đó nâng cao tỷ lệ sử dụng tài nguyên GPU chưa được khai thác đầy đủ, người dùng cuối cũng nhận được nguồn tài nguyên tính toán hiệu quả với chi phí thấp hơn; đồng thời, cơ chế staking 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 nhận được hình phạt tương ứng.
Đặc điểm của nó là:
Tập hợp tài nguyên GPU nhàn rỗi: Các nhà cung cấp chủ yếu là các trung tâm dữ liệu độc lập nhỏ và vừa, các nhà điều hành mỏ tiền điện tử và các tài nguyên tính toán dư thừa, cơ chế đồng thuận là phần cứng khai thác PoS, chẳng hạn như máy khai thác FileCoin và ETH. Hiện tại cũng có các dự án đang cố gắng khởi động thiết bị với ngưỡng tham gia thấp hơn, chẳng hạn như exolab sử dụng các thiết bị địa phương như MacBook, iPhone, iPad để thiết lập mạng lưới tính toán cho suy diễn mô hình lớn.
Đối mặt với thị trường dài hạn của sức mạnh tính toán AI:
a. "Về mặt công nghệ, thị trường sức mạnh phi tập trung phù hợp hơn cho các bước suy diễn. Việc đào tạo phụ thuộc nhiều hơn vào khả năng xử lý dữ liệu mà GPU quy mô siêu lớn mang lại, trong khi suy diễn yêu cầu hiệu suất tính toán GPU tương đối thấp, như Aethir tập trung vào công việc render độ trễ thấp và ứng dụng suy diễn AI.
b. "Về phía nhu cầu" thì các bên có nhu cầu tính toán nhỏ không sẽ không tự mình đào tạo mô hình lớn của riêng họ, mà chỉ lựa chọn tối ưu hóa và tinh chỉnh xung quanh một số mô hình lớn hàng đầu, và những trường hợp này tự nhiên rất phù hợp với tài nguyên tính toán phân tán nhàn rỗi.
Dữ liệu
Dữ liệu là nền tảng của AI. Nếu không có dữ liệu, việc tính toán sẽ như bèo trôi, vô dụng, 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 mô hình AI hiện nay, dữ liệu quyết định khả năng ngôn ngữ, khả năng hiểu biết, thậm chí cả giá trị và sự thể hiện nhân văn của mô hình. Hiện tại, những khó khăn về nhu cầu dữ liệu của AI chủ yếu tập trung vào bốn khía cạnh sau:
Cơn khát dữ liệu: Việc huấn luyện mô hình AI phụ thuộc vào lượng dữ liệu đầu vào lớn. Tài liệu công khai cho thấy, lượng tham số mà OpenAI sử dụng để huấn luyện GPT-4 đã đạt đến cấp độ nghìn tỷ.
Chất lượng dữ liệu: Khi AI kết hợp với các ngành, tính kịp thời của dữ liệu, tính đa dạng của dữ liệu, tính chuyên môn của dữ liệu ngành, và việc tiếp nhận các nguồn dữ liệu mới như cảm xúc từ mạng xã hội đều đặt ra yêu cầu mới về chất lượng.
Vấn đề về quyền riêng tư và tuân thủ: Hiện nay, các quốc gia và doanh nghiệp ngày càng nhận thức được tầm quan trọng của các bộ dữ liệu chất lượng, 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 qua bốn khía cạnh sau:
Cho phép những người dùng thực sự đóng góp cũng tham gia vào việc tạo ra giá trị từ dữ liệu, cũng như thông qua mạng lưới phân tán và cơ chế khuyến khích, thu thập dữ liệu cá nhân và có giá trị hơn từ người dùng một cách 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 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 (chẳng hạn như lịch sử mua sắm, thói quen duyệt web, hoạt động trên mạng xã hội, v.v.) lên một DLP cụ thể và linh hoạt lựa chọn xem có muốn ủy quyền cho các bên thứ ba cụ thể sử dụng những dữ liệu này hay không;
Trong PublicAI, người dùng có thể sử dụng #AI 或#Web3 làm thẻ 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 ồn ào và chứa lỗi, nên trước khi huấn luyện mô hình, nó phải được làm sạch và chuyển đổi thành định dạng có thể sử dụng, liên quan đến các nhiệm vụ chuẩn hóa, lọc và xử lý giá trị thiếu. Giai đoạn này là một trong số ít các khâu thủ công trong ngành AI, đã sinh ra ngành nghề người gán nhãn dữ liệu, với yêu cầu của mô hình đối với chất lượng dữ liệu ngày càng tăng, ngưỡng vào nghề của người gán nhãn dữ liệu cũng tăng theo, và nhiệm vụ này rất 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 này của việc đánh dấu dữ liệu.
Synesis đã đề xuất 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 đặt cọc điểm để kiếm thêm điểm.
Các công nghệ bảo mật trong Web3 hiện tại khá phổ biến 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), chẳng hạn như Reclaim Protocol sử dụng công nghệ zkTLS, tạo ra bằng chứng zero-knowledge cho lưu lượng HTTPS, cho phép người dùng an toàn nhập 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 nay lĩnh vực này vẫn ở giai đoạn đầu, hầu hết các dự án vẫn đang trong quá trình khám phá, một khó khăn hiện tại là chi phí tính toán quá cao, một số ví dụ là: