Huỳnh Nhân Xuyên phát biểu tại hội nghị WGS tại Dubai, đã đưa ra thuật ngữ “AI Tự do”. Vậy, AI Tự do của quốc gia nào sẽ phù hợp với lợi ích và yêu cầu của cộng đồng Crypto?
Có thể cần xây dựng theo hình thức Web3+AI.
Vitalik đã trình bày hiệu ứng đồng tác giữa AI và Crypto trong bài viết “The promise and challenges of crypto + AI applications”: Decentralization của Crypto có thể cân bằng sự tập trung của AI; AI là không minh bạch, Crypto mang lại tính minh bạch; AI cần dữ liệu, blockchain hỗ trợ lưu trữ và theo dõi dữ liệu. Sự đồng tác này, xuyên suốt cả hình ảnh ngành công nghiệp Web3+AI.
Hầu hết các dự án Web3 + AI đang sử dụng công nghệ blockchain để giải quyết vấn đề xây dựng cơ sở hạ tầng trong ngành AI, một số dự án sử dụng AI để giải quyết một số vấn đề ứng dụng của Web3.
Hình ảnh ngành công nghiệp Web3 + AI đại khái như sau:
Quy trình sản xuất và làm việc của AI như sau:
Trong những khâu này, sự kết hợp giữa Web3 và AI chủ yếu thể hiện ở bốn khía cạnh:
1. Lớp tính toán: Tangible hóa tài sản tính toán
Trong hai năm trở lại đây, tính toán được sử dụng để đào tạo mô hình AI lớn tăng trưởng theo cấp số nhân, tăng gấp đôi mỗi quý, tăng trưởng với tốc độ vượt quá định luật Moore. Tình trạng này dẫn đến sự mất cân bằng giữa cung và cầu tính toán AI trong thời gian dài, giá cả phần cứng như GPU tăng nhanh chóng, từ đó làm tăng chi phí tính toán.
Tuy nhiên, đồng thời trên thị trường cũng tồn tại nhiều phần cứng tính toán trung bình và thấp nằm trong tình trạng rảnh rỗi, có thể phần cứng trung bình và thấp này không đáp ứng được yêu cầu hiệu suất cao. Tuy nhiên, nếu xây dựng theo cách Web3 thành mạng lưới tính toán phân tán, thông qua cách thuê và chia sẻ tính toán, tạo ra mạng lưới tài nguyên tính toán phi tập trung, vẫn có thể đáp ứng nhu cầu của nhiều ứng dụng AI. Vì sử dụng tính toán rảnh rỗi phân tán, có thể giảm đáng kể chi phí tính toán AI.
Lớp tính toán chi tiết bao gồm:
Tính toán phi tập trung chung (ví dụ như Arkash, Io.net vv);
Tính toán phi tập trung cho đào tạo AI (ví dụ như Gensyn, Flock.io vv);
Tính toán phi tập trung cho suy luận AI (ví dụ như Fetch.ai, Hyperbolic vv);
Tính toán phi tập trung cho rendering 3D (ví dụ như The Render Network vv).
Web3+AI của tài sản sức mạnh tính toán hóa, lợi thế cốt lõi nằm ở các dự án sức mạnh tính toán phi tập trung, kết hợp với động cơ token rất dễ mở rộng quy mô mạng, và tài nguyên tính toán của nó có chi phí thấp, có hiệu suất – giá tốt, có thể đáp ứng một số nhu cầu tính toán giữa – thấp cấp.
2, Lớp dữ liệu: Tài sản hóa dữ liệu
Dữ liệu là dầu, máu của AI. Nếu không dựa trên Web3, thường chỉ có các công ty lớn trong tay mới có được lượng lớn dữ liệu người dùng, các công ty khởi nghiệp thông thường rất khó thu thập được dữ liệu rộng rãi, giá trị của dữ liệu người dùng trong ngành AI cũng chưa phản hồi lại cho người dùng. Thông qua Web3+AI, có thể làm cho quá trình tập hợp dữ liệu, đánh dấu dữ liệu, lưu trữ phân tán dữ liệu có chi phí thấp hơn, minh bạch hơn, thuận lợi hơn cho người dùng.
Thu thập dữ liệu chất lượng cao là tiền đề của việc đào tạo mô hình AI, thông qua cách Web3, có thể sử dụng mạng phân tán, kết hợp với cơ chế động cơ Token phù hợp, sử dụng phương pháp tập hợp đám đông, có chi phí thấp hơn để thu thập dữ liệu chất lượng cao và rộng rãi.
Theo mục đích của dự án, các dự án loại dữ liệu chủ yếu bao gồm:
Dự án tập hợp dữ liệu (ví dụ như Grass v.v.);
Dự án giao dịch dữ liệu (ví dụ như Ocean Protocol v.v.);
Dự án đánh dấu dữ liệu (ví dụ như Taida, Alaya v.v.);
Dự án nguồn dữ liệu blockchain (ví dụ như Spice AI, Space and time v.v.);
Dự án lưu trữ phi tập trung (ví dụ như Filecoin, Arweave v.v.).
Dự án Web3+AI loại dữ liệu, trong quá trình thiết kế mô hình kinh tế Token có thách thức hơn, vì dữ liệu khó tiêu chuẩn hóa hơn so với sức mạnh tính toán.
3, Lớp nền tảng: Tài sản hóa giá trị nền tảng
Hầu hết các dự án loại nền tảng sẽ so sánh với Hugging Face, lấy việc tích hợp các nguồn lực ngành AI làm cốt lõi. Xây dựng một nền tảng, tập hợp dữ liệu, sức mạnh tính toán, mô hình, nhà phát triển AI, blockchain v.v. các nguồn lực và vai trò liên kết, lấy nền tảng làm trung tâm, giải quyết các nhu cầu một cách thuận tiện hơn. Ví dụ như Giza, tập trung vào việc xây dựng nền tảng vận hành zkML toàn diện, nhằm làm cho suy luận học máy trở nên đáng tin cậy và minh bạch, vì dữ liệu và mô hình hộp đen là vấn đề phổ biến trong AI hiện nay, thông qua cách Web3 sử dụng các công nghệ mật mã học như ZK, FHE để xác nhận rằng suy luận của mô hình thực sự đã thực hiện đúng, sẽ sớm được ngành nội bộ kêu gọi.
Có những dự án làm lớp 1/ lớp 2 của Focus AI, ví dụ như Nuroblocks, Janction, v.v. Lĩnh vực cốt lõi là kết nối các loại tính toán, dữ liệu, mô hình, nhà phát triển AI, nút, v.v. thông qua cách đóng gói các thành phần chung, SDK chung, giúp cho các ứng dụng Web3+AI xây dựng và phát triển nhanh chóng.
Còn có những nền tảng như Agent Network, dựa trên nền tảng này có thể xây dựng AI Agent cho nhiều ứng dụng khác nhau, ví dụ như Olas, ChainML, v.v.
Các dự án Web3+AI thuộc loại nền tảng chủ yếu sử dụng Token để thu thập giá trị của nền tảng, khuyến khích các bên tham gia xây dựng chung. Điều này rất hữu ích cho quá trình từ 0-1 của các dự án mới bắt đầu, có thể giảm bớt độ khó trong việc tìm kiếm các đối tác như tính toán, dữ liệu, cộng đồng nhà phát triển AI, nút, v.v.
4. Lớp ứng dụng: Khoảng giá trị hóa AI
Các dự án loại cơ sở hạ tầng trước đó, đa số sử dụng công nghệ blockchain để giải quyết vấn đề xây dựng cơ sở hạ tầng ngành AI. Các dự án lớp ứng dụng thì thường là sử dụng AI để giải quyết các vấn đề trong ứng dụng Web3.
Ví dụ như Vitalik đề cập đến hai hướng mà tôi thấy rất có ý nghĩa.
Một là AI như một người tham gia Web3. Ví dụ: Trong Web3 Games, AI có thể là một người chơi trò chơi, nó có thể hiểu nhanh quy tắc trò chơi và hoàn thành nhiệm vụ trò chơi một cách hiệu quả nhất; Trong DEX, AI đã hoạt động trong giao dịch lợi nhuận nhiều năm rồi; Trong Prediction markets (thị trường dự đoán), AI Agent có thể thông qua việc tiếp nhận rộng rãi dữ liệu, cơ sở kiến thức và thông tin, đào tạo khả năng phân tích dự đoán của mô hình và sản phẩm hóa cung cấp cho người dùng, giúp người dùng thực hiện dự đoán về các sự kiện cụ thể bằng cách lý luận mô hình, ví dụ như các sự kiện thể thao, cuộc bầu cử tổng thống, v.v.
Hai là tạo ra AI riêng tư phi tập trung có khả năng mở rộng. Bởi vì nhiều người dùng lo lắng về vấn đề hộp đen của AI, lo ngại hệ thống có sự thiên vị; hoặc lo ngại có một số dApps lừa người dùng bằng cách sử dụng công nghệ AI để kiếm lợi nhuận. Về bản chất là vì người dùng không có quyền kiểm duyệt và quản trị quá trình đào tạo và lý luận của AI. Tuy nhiên, nếu tạo ra một AI Web3, giống như các dự án Web3, cộng đồng có quyền quản trị phân tán này, có thể dễ dàng được chấp nhận hơn.
Tính đến thời điểm hiện tại, lớp ứng dụng Web3+AI chưa xuất hiện các dự án “trắng mã” với ngọn ngưỡng cao.
Web3 + AI vẫn còn ở giai đoạn ban đầu, và trong ngành này cũng có những khác biệt trong việc đánh giá về sự phát triển tương lai của lĩnh vực này. Chúng tôi sẽ tiếp tục theo dõi lĩnh vực này. Chúng tôi hy vọng sự kết hợp giữa Web3 và AI có thể tạo ra những sản phẩm có giá trị hơn so với AI tập trung, giúp AI thoát khỏi những nhãn như “kiểm soát bởi các công ty lớn”, “đóng băng” và quản lý AI một cách cộng đồng hơn thông qua “cộng đồng quản lý AI”. Có thể trong quá trình tham gia, quản lý một cách gần gũi hơn, con người sẽ có thêm phần “s畏” và ít phần “sợ hãi” đối với AI.
