Dự án Web3 với khái niệm AI trở thành mục tiêu thu 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 tán để phối hợp các nguồn cung tiềm năng trong đuôi dài - qua dữ liệu, lưu trữ và tính toán; đồng thời, xây dựng mô hình mã nguồn mở cũng như thị trường phi tập trung cho AI Agent.
AI trong ngành Web3 chủ yếu được ứng 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 cho nhau: Web3 hy vọng chống lại sự tập trung của AI, AI hy vọng giúp Web3 vượt ra ngoài giới hạn.
Giới thiệu
Trong hai năm qua, sự phát triển của AI giống như đã được ấn nút tăng tốc, hiệu ứng bươm bướm do Chatgpt kích thích không chỉ mở ra một thế giới mới của trí tuệ nhân tạo sinh tạo mà còn tạo ra một làn sóng mạnh mẽ ở phía bên kia của Web3.
Dưới sự hỗ trợ của khái niệm AI, việc huy động vốn trên thị trường tiền điện tử đang chậm lại nhưng vẫn có sự tăng trưởng 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 100 triệu USD trong vòng A.
Thị trường thứ cấp ngày càng phát triển, dữ liệu từ các 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; những tiến bộ công nghệ AI chính thống mang lại lợi ích rõ ràng, sau khi OpenAI phát hành mô hình chuyển văn bản thành video Sora, giá trung bình của các mã cổ phiếu trong 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 trở nên nổi tiếng và đạt được mức định giá 1,4 tỷ USD, thành công tạo nên cơn sốt AI Meme.
Về nghiên cứu và các chủ đề liên quan đến AI+Web3 cũng đang rất sôi động, từ AI+Depin đến AI Memecoin rồi đến hiện tại là AI Agent và AI DAO, cảm xúc FOMO rõ ràng đã không theo kịp tốc độ xoay chuyển của những câu chuyện mới.
AI+Web3, cụm thuật ngữ đầy tiền nóng, cơ hội và giấc mơ tương lai này, khó tránh khỏi bị coi là một cuộc hôn nhân sắp đặt bởi vốn đầu tư, chúng ta dường như rất khó phân biệt dưới chiếc áo choàng lộng lẫy này, rốt cuộc là sàn diễn 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 vào nhau 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 bức tranh này: Web3 có thể đóng vai trò như thế nào trong các khía cạnh của công nghệ AI, và AI có thể mang lại điều gì mới mẻ cho Web3?
Phần 1 AI có cơ hội gì dưới Web3?
Trước khi mở rộng chủ đề này, chúng ta cần hiểu về công nghệ stack 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 mới sinh, 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 thị giác, thính giác và nhiều giác quan khác như con người, trước khi huấn luyện, một lượng lớn thông tin không được gán nhãn từ bên ngoài cần phải 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 "huấn luyện" đã xây dựng một mô hình có khả năng hiểu và dự đoán, có thể coi như là quá trình một đứa trẻ dần dần hiểu và học hỏi về thế giới xung quanh. Các tham số của mô hình giống như khả năng ngôn ngữ của đứa trẻ đang được điều chỉnh liên tục trong quá trình học tập. Khi nội dung học bắt đầu được phân chia thành các lĩnh vực, hoặc nhận phản hồi từ việc giao tiếp với mọi người và điều chỉnh, thì bước vào giai đoạn "tinh chỉnh" của mô hình lớn.
Trẻ em dần lớn lên và học cách nói, sau đó có thể hiểu ý nghĩa và diễn đạt cảm xúc cũng như suy nghĩ của mình trong những cuộc trò chuyện mới. Giai đoạn này tương tự như "suy luận" của mô hình AI lớn, khi mô hình có khả năng dự đoán và phân tích đầu vào ngôn ngữ và văn bản mới. Trẻ sơ sinh thể hiện cảm xúc, mô tả đồ vật và giải quyết các vấn đề khác nhau thông qua khả năng ngôn ngữ của mình, điều này cũng tương tự như việc mô hình AI lớn áp dụng vào các nhiệm vụ cụ thể sau khi hoàn thành đào tạo và bắt đầu sử dụng, chẳng hạn như phân loại hình ảnh, nhận diện giọng nói, v.v.
AI Agent gần như là hình thức tiếp theo của mô hình lớn - có khả năng tự thực hiện nhiệm vụ và theo đuổi các mục tiêu phức tạp, không chỉ có khả năng tư duy mà còn có thể ghi nhớ, lập kế hoạch, và có thể sử dụng công cụ để tương tác với thế giới.
Hiện tại, để giải quyết 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, Lớp cơ bản: 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 huấn luyện mô hình và suy luận mô hình.
Một ví dụ là, LLAMA3 của Meta cần 16.000 H100 GPU do NVIDIA sản xuất (đây là một loại đơn vị xử lý đồ họa hàng đầu được thiết kế đặc biệt cho các tác vụ trí tuệ nhân tạo và tính toán hiệu suất cao). Việc hoàn thành quá trình huấn luyện mất 30 ngày. Giá mỗi phiên bản 80GB dao động từ 30.000 đến 40.000 đô la, điều này yêu cầu đầu tư phần cứng tính toán từ 400 triệu đến 700 triệu đô la (GPU + chip mạng), đồng thời, việc huấn luyện hàng tháng 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, cũng chính là lĩnh vực đầu tiên mà Web3 giao thoa với AI - DePin (Mạng cơ sở hạ tầng vật lý phi tập trung). Hiện tại, trang web dữ liệu DePin Ninja 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 mà không cần giấy phép, thông qua một thị trường trực tuyến giữa người mua và người bán tương tự như Uber hoặc Airbnb, nâng cao tỷ lệ sử dụng tài nguyên GPU chưa được tận dụng đầy đủ, người dùng cuối cũng do đó 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, nhà cung cấp tài nguyên sẽ phải chịu hình phạt tương ứng.
Điều đặc trưng ở đây là:
Tập hợp 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, tài nguyên tính toán dư thừa từ các nhà điều hành như mỏ tiền điện tử, và phần cứng khai thác sử dụng cơ chế đồng thuận PoS, chẳng hạn như máy khai thác FileCoin và ETH. Hiện tại cũng có các dự án đang nỗ lực khởi động thiết bị có ngưỡng tham gia thấp hơn, chẳng hạn như exolab sử dụng MacBook, iPhone, iPad và các thiết bị địa phương khác để xây dựng mạng lưới tính toán cho việc suy luận mô hình lớn.
Đối mặt với thị trường dài hạn của sức mạnh tính toán 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 mà GPU quy mô 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 render độ trễ thấp và 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 tinh chỉnh xung quanh một số mô hình lớn hàng đầu, và những tình huống này đều phù hợp với tài nguyên tính toán nhàn rỗi phân tán."
Quyền sở hữu phi tập trung: Ý nghĩa công nghệ của blockchain là chủ sở hữu tài nguyên luôn giữ quyền kiểm soát đối với 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, hoàn toàn vô dụng, và mối quan hệ giữa dữ liệu với 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 huấn luyện mô hình AI hiện nay, dữ liệu quyết định khả năng ngôn ngữ, khả năng hiểu biết, thậm chí cả giá trị và cách thể hiện nhân văn của mô hình. Hiện tại, tình trạng thiếu hụt dữ liệu của AI chủ yếu tập trung vào bốn lĩnh vực sau:
Tham dữ dữ liệu: Đào tạo mô hình AI phụ thuộc vào lượng dữ liệu đầu vào khổng lồ. 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: Khi AI kết hợp với các ngành công nghiệp, tính kịp thời của dữ liệu, sự đa dạng của dữ liệu, tính chuyên môn của dữ liệu theo lĩnh vực và việc tiếp nhận các nguồn dữ liệu mới nổi như cảm xúc trên mạng xã hội đã đặt ra những yêu cầu mới cho chất lượng của nó.
Vấn đề về quyền riêng tư và tuân thủ: Hiện nay, các quốc gia và doanh nghiệp đang dần nhận ra tầm quan trọng của các bộ dữ liệu chất lượng, và đang tiến hành hạn chế việc thu thập dữ liệu.
Chi phí xử lý dữ liệu cao: 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:
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 chi trả cho dữ liệu đang gia tăng hàng năm. Nhưng đồng thời, chi phí này không được trả lại cho những người đóng góp thực sự của dữ liệu, mà các nền tảng hoàn toàn hưởng lợi từ giá trị tạo ra từ dữ liệu, chẳng hạn như Reddit đã đạt doanh thu tổng cộng 203 triệu USD thông qua các thỏa thuận cấp phép dữ liệu với các công ty AI.
Để 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 với cơ chế khuyến khích, có được dữ liệu cá nhân hơn 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), người dùng có thể tải lên dữ liệu cá nhân của họ (chẳng hạn như lịch sử mua sắm, thói quen duyệt web, hoạt động truyền thông xã hội, v.v.) lên DLP cụ thể và linh hoạt chọn xem có cho phép các 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 thu thập dữ liệu.
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 các nhiệm vụ lặp đi lặp lại. Giai đoạn này là một trong số ít các bước thủ công trong ngành AI, đã phát sinh ra ngành nghề người đánh dấu dữ liệu, với việc yêu cầu chất lượng dữ liệu của mô hình ngày càng cao, ngưỡng vào của người đánh dấu dữ liệu cũng vì thế mà 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 này của việc chú thích 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 chú thích, 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 stake 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 hoại 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 vào đào tạo AI mà không cần chia sẻ dữ liệu gốc của họ.
Các công nghệ bảo mật phổ biến trong Web3 hiện nay 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 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 tiết lộ thông tin nhạy cảm.
Tuy nhiên, hiện tại lĩnh vực này vẫn 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 E
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.
20 thích
Phần thưởng
20
6
Đăng lại
Chia sẻ
Bình luận
0/400
MetaNeighbor
· 3giờ trước
Ngày tận thế của sự độc quyền cuối cùng cũng đã đến!
Xem bản gốcTrả lời0
Ser_Liquidated
· 08-07 07:13
Chơi trò gì vậy, đều là kể chuyện Kinh doanh chênh lệch giá.
Xem bản gốcTrả lời0
NotFinancialAdviser
· 08-07 07:12
ai kiếm tiền mà không ai quan tâm đến sự sống chết của web3
Xem bản gốcTrả lời0
RetiredMiner
· 08-07 07:06
cũng chỉ kiếm được một chút scamcoin mà thôi
Xem bản gốcTrả lời0
SmartContractPhobia
· 08-07 07:01
Phi tập trung忽悠对吧
Xem bản gốcTrả lời0
AirdropChaser
· 08-07 07:00
chơi đùa với mọi người vẫn là những người trong thế giới tiền điện tử
Sự giao thoa giữa AI và Web3: Cơ hội mới và sự hỗ trợ lẫn nhau
AI+Web3: Tháp và Quảng trường
TL;DR
Dự án Web3 với khái niệm AI trở thành mục tiêu thu 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 tán để phối hợp các nguồn cung tiềm năng trong đuôi dài - qua dữ liệu, lưu trữ và tính toán; đồng thời, xây dựng mô hình mã nguồn mở cũng như thị trường phi tập trung cho AI Agent.
AI trong ngành Web3 chủ yếu được ứng 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 cho nhau: Web3 hy vọng chống lại sự tập trung của AI, AI hy vọng giúp Web3 vượt ra ngoài giới hạn.
Giới thiệu
Trong hai năm qua, sự phát triển của AI giống như đã được ấn nút tăng tốc, hiệu ứng bươm bướm do Chatgpt kích thích không chỉ mở ra một thế giới mới của trí tuệ nhân tạo sinh tạo mà còn tạo ra một làn sóng mạnh mẽ ở phía bên kia của Web3.
Dưới sự hỗ trợ của khái niệm AI, việc huy động vốn trên thị trường tiền điện tử đang chậm lại nhưng vẫn có sự tăng trưởng 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 100 triệu USD trong vòng A.
Thị trường thứ cấp ngày càng phát triển, dữ liệu từ các 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; những tiến bộ công nghệ AI chính thống mang lại lợi ích rõ ràng, sau khi OpenAI phát hành mô hình chuyển văn bản thành video Sora, giá trung bình của các mã cổ phiếu trong 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 trở nên nổi tiếng và đạt được mức định giá 1,4 tỷ USD, thành công tạo nên cơn sốt AI Meme.
Về nghiên cứu và các chủ đề liên quan đến AI+Web3 cũng đang rất sôi động, từ AI+Depin đến AI Memecoin rồi đến hiện tại là AI Agent và AI DAO, cảm xúc FOMO rõ ràng đã không theo kịp tốc độ xoay chuyển của những câu chuyện mới.
AI+Web3, cụm thuật ngữ đầy tiền nóng, cơ hội và giấc mơ tương lai này, khó tránh khỏi bị coi là một cuộc hôn nhân sắp đặt bởi vốn đầu tư, chúng ta dường như rất khó phân biệt dưới chiếc áo choàng lộng lẫy này, rốt cuộc là sàn diễn 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 vào nhau 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 bức tranh này: Web3 có thể đóng vai trò như thế nào trong các khía cạnh của công nghệ AI, và AI có thể mang lại điều gì mới mẻ cho Web3?
Phần 1 AI có cơ hội gì dưới Web3?
Trước khi mở rộng chủ đề này, chúng ta cần hiểu về công nghệ stack 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 mới sinh, 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 thị giác, thính giác và nhiều giác quan khác như con người, trước khi huấn luyện, một lượng lớn thông tin không được gán nhãn từ bên ngoài cần phải 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 "huấn luyện" đã xây dựng một mô hình có khả năng hiểu và dự đoán, có thể coi như là quá trình một đứa trẻ dần dần hiểu và học hỏi về thế giới xung quanh. Các tham số của mô hình giống như khả năng ngôn ngữ của đứa trẻ đang được điều chỉnh liên tục trong quá trình học tập. Khi nội dung học bắt đầu được phân chia thành các lĩnh vực, hoặc nhận phản hồi từ việc giao tiếp với mọi người và điều chỉnh, thì bước vào giai đoạn "tinh chỉnh" của mô hình lớn.
Trẻ em dần lớn lên và học cách nói, sau đó có thể hiểu ý nghĩa và diễn đạt cảm xúc cũng như suy nghĩ của mình trong những cuộc trò chuyện mới. Giai đoạn này tương tự như "suy luận" của mô hình AI lớn, khi mô hình có khả năng dự đoán và phân tích đầu vào ngôn ngữ và văn bản mới. Trẻ sơ sinh thể hiện cảm xúc, mô tả đồ vật và giải quyết các vấn đề khác nhau thông qua khả năng ngôn ngữ của mình, điều này cũng tương tự như việc mô hình AI lớn áp dụng vào các nhiệm vụ cụ thể sau khi hoàn thành đào tạo và bắt đầu sử dụng, chẳng hạn như phân loại hình ảnh, nhận diện giọng nói, v.v.
AI Agent gần như là hình thức tiếp theo của mô hình lớn - có khả năng tự thực hiện nhiệm vụ và theo đuổi các mục tiêu phức tạp, không chỉ có khả năng tư duy mà còn có thể ghi nhớ, lập kế hoạch, và có thể sử dụng công cụ để tương tác với thế giới.
Hiện tại, để giải quyết 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, Lớp cơ bản: 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 huấn luyện mô hình và suy luận mô hình.
Một ví dụ là, LLAMA3 của Meta cần 16.000 H100 GPU do NVIDIA sản xuất (đây là một loại đơn vị xử lý đồ họa hàng đầu được thiết kế đặc biệt cho các tác vụ trí tuệ nhân tạo và tính toán hiệu suất cao). Việc hoàn thành quá trình huấn luyện mất 30 ngày. Giá mỗi phiên bản 80GB dao động từ 30.000 đến 40.000 đô la, điều này yêu cầu đầu tư phần cứng tính toán từ 400 triệu đến 700 triệu đô la (GPU + chip mạng), đồng thời, việc huấn luyện hàng tháng 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, cũng chính là lĩnh vực đầu tiên mà Web3 giao thoa với AI - DePin (Mạng cơ sở hạ tầng vật lý phi tập trung). Hiện tại, trang web dữ liệu DePin Ninja 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 mà không cần giấy phép, thông qua một thị trường trực tuyến giữa người mua và người bán tương tự như Uber hoặc Airbnb, nâng cao tỷ lệ sử dụng tài nguyên GPU chưa được tận dụng đầy đủ, người dùng cuối cũng do đó 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, nhà cung cấp tài nguyên sẽ phải chịu hình phạt tương ứng.
Điều đặc trưng ở đây là:
Tập hợp 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, tài nguyên tính toán dư thừa từ các nhà điều hành như mỏ tiền điện tử, và phần cứng khai thác sử dụng cơ chế đồng thuận PoS, chẳng hạn như máy khai thác FileCoin và ETH. Hiện tại cũng có các dự án đang nỗ lực khởi động thiết bị có ngưỡng tham gia thấp hơn, chẳng hạn như exolab sử dụng MacBook, iPhone, iPad và các thiết bị địa phương khác để xây dựng mạng lưới tính toán cho việc suy luận mô hình lớn.
Đối mặt với thị trường dài hạn của sức mạnh tính toán 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 mà GPU quy mô 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 render độ trễ thấp và 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 tinh chỉnh xung quanh một số mô hình lớn hàng đầu, và những tình huống này đều phù hợp với tài nguyên tính toán nhàn rỗi phân tán."
▎Dữ liệu
Dữ liệu là nền tảng của AI. Nếu không có dữ liệu, việc tính toán sẽ như bèo trôi, hoàn toàn vô dụng, và mối quan hệ giữa dữ liệu với 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 huấn luyện mô hình AI hiện nay, dữ liệu quyết định khả năng ngôn ngữ, khả năng hiểu biết, thậm chí cả giá trị và cách thể hiện nhân văn của mô hình. Hiện tại, tình trạng thiếu hụt dữ liệu của AI chủ yếu tập trung vào bốn lĩnh vực sau:
Tham dữ dữ liệu: Đào tạo mô hình AI phụ thuộc vào lượng dữ liệu đầu vào khổng lồ. 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: Khi AI kết hợp với các ngành công nghiệp, tính kịp thời của dữ liệu, sự đa dạng của dữ liệu, tính chuyên môn của dữ liệu theo lĩnh vực và việc tiếp nhận các nguồn dữ liệu mới nổi như cảm xúc trên mạng xã hội đã đặt ra những yêu cầu mới cho chất lượng của nó.
Vấn đề về quyền riêng tư và tuân thủ: Hiện nay, các quốc gia và doanh nghiệp đang dần nhận ra tầm quan trọng của các bộ dữ liệu chất lượng, và đang tiến hành hạn chế việc thu thập dữ liệu.
Chi phí xử lý dữ liệu cao: 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:
Để 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 với cơ chế khuyến khích, có được dữ liệu cá nhân hơn 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), người dùng có thể tải lên dữ liệu cá nhân của họ (chẳng hạn như lịch sử mua sắm, thói quen duyệt web, hoạt động truyền thông xã hội, v.v.) lên DLP cụ thể và linh hoạt chọn xem có cho phép các 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 thu thập dữ liệu.
Hiện tại, Grass và OpenLayer đều đang xem xét việc tham gia vào giai đoạn quan trọng này của việc chú thích 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 chú thích, 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 stake điểm để kiếm thêm điểm.
Các công nghệ bảo mật phổ biến trong Web3 hiện nay 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 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 tiết lộ thông tin nhạy cảm.
Tuy nhiên, hiện tại lĩnh vực này vẫn 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: