Các dự án Web3 với khái niệm AI đang 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 tán để điều phối nguồn cung tiềm năng trong đuôi dài ------ qua dữ liệu, lưu trữ và tính toán; đồng thời, thiết lập một mô hình mã nguồn mở và 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 lẫn nhau của cả hai: Web3 hy vọng chống lại sự tập trung của AI, AI hy vọng giúp Web3 mở rộng ra ngoài giới hạn.
Giới thiệu
Trong hai năm qua, sự phát triển của AI như thể đã được nhấn nút tăng tốc, cánh bướm do Chatgpt khuấy động không chỉ mở ra một thế giới mới của trí tuệ nhân tạo sinh tạo mà còn tạo ra một làn sóng tại Web3 ở bờ bên kia.
Dưới sự hỗ trợ của khái niệm AI, việc huy động vốn trong thị trường tiền điện tử đang chậm lại đã có sự cải thiện rõ rệt. Các phương tiện truyền thông thống kê, chỉ trong nửa đầu năm 2024, đã có tổng cộng 64 dự án Web3+AI hoàn thành 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 công nghệ AI đã mang lại nhiều lợi ích, sau khi mô hình chuyển đổi văn bản thành video Sora của OpenAI được phát hành, giá trung bình của lĩnh vực AI đã tăng 151%; hiệu ứng AI cũng lan tỏa đến một trong những lĩnh vực hút tiền của tiền điện tử là Meme: MemeCoin đầu tiên có khái niệm AI Agent ------ GOAT nhanh chóng nổi tiếng và đạt được định giá 1,4 tỷ USD, thành công khơi dậy cơn sốt AI Meme.
Nghiên cứu và chủ đề về 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 các câu chuyện mới.
AI+Web3, sự kết hợp của thuật ngữ này tràn ngập tiền nóng, cơ hội và ảo tưởng về tương lai, không thể tránh khỏi bị người ta coi như một cuộc hôn nhân sắp đặt do vốn đầu tư sắp đặt, chúng ta dường như rất khó phân biệt dưới lớp áo choàng lộng lẫy này, rốt cuộc đây là sân khấu của những kẻ đầu cơ, hay là đêm trước của sự bùng nổ bình minh?
Để trả lời câu hỏi này, một suy nghĩ quan trọng đối với cả hai bên là liệu có thể trở nên tốt hơn với nhau không? Liệu có thể hưởng lợi từ mô hình của đối phương không? Trong bài viết này, chúng tôi cũng cố gắng nhìn nhận lại mô hình này dựa trên những thành tựu của người đi trước: Web3 có thể hoạt động như thế nào trong từng khía cạnh của công nghệ AI, và AI có thể mang lại những sinh khí mới nào cho Web3?
Phần 1 AI có cơ hội gì dưới Web3?
Trước khi bắt đầu chủ đề này, chúng ta cần hiểu về công nghệ của mô hình AI lớn:
Diễn đạt toàn bộ quá trình bằng ngôn ngữ đơn giản 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 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 khả năng cảm nhận thị giác, thính giác và nhiều giác quan khác như con người, trước khi huấn luyện, lượng 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 được điều chỉnh liên tục trong quá trình học tập. Khi nội dung học tập bắt đầu được phân chia theo chuyên ngành, hoặc khi giao tiếp với người khác nhận được phản hồi và điều chỉnh, thì lúc này sẽ 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 trong những cuộc đối thoại mới và diễn đạt cảm xúc cũng như suy nghĩ của mình. Giai đoạn này tương tự như "suy luận" của mô hình AI lớn, nơi mà mô hình có khả năng dự đoán và phân tích các đầu vào ngôn ngữ và văn bản mới. Trẻ sơ sinh biểu đạt cảm xúc, mô tả sự vật và giải quyết các vấn đề khác nhau thông qua khả năng ngôn ngữ, điều này cũng tương tự như việc mô hình AI lớn ứng dụng vào các nhiệm vụ cụ thể sau khi hoàn thành việc 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 gần với 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 thể ghi nhớ, lập kế hoạch, và có thể sử dụng công cụ để tương tác với thế giới.
Hiện tại, nhằm giải quyết các điểm đau của AI trong các ngăn xếp khác nhau, Web3 hiện đã hình thành một hệ sinh thái đa tầng, liên kết với nhau, bao gồm tất cả các giai đoạn của quy trình mô hình AI.
Một, Tầng cơ bản: Airbnb của 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 đào tạo mô hình và suy diễn mô hình.
Một ví dụ là, LLAMA3 của Meta cần 16.000 H100GPU 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 tải công việc tính toán hiệu suất cao.) để hoàn thành việc huấn luyện trong 30 ngày. Giá mỗi chiếc phiên bản 80GB dao động từ 30.000 đến 40.000 đô la, điều này cần khoản đầu tư phần cứng tính toán từ 400-700 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.
Việc giải nén sức mạnh AI cũng chính là lĩnh vực giao thoa đầu tiên giữa Web3 và AI ------ DePin (Mạng cơ sở hạ tầng vật lý phi tập trung). Hiện tại, một trang web dữ liệu đã niêm yết 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, và nhiều dự án khác.
Logic chính của nó là: nền tảng cho phép cá nhân hoặc tổ chức có tài nguyên GPU nhàn rỗi 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, nâng cao tỷ lệ sử dụng tài nguyên GPU chưa được tận dụng tốt. Người dùng cuối cũng vì vậy mà có được tài nguyên tính toán hiệu quả với chi phí thấp hơn; đồng thời, cơ chế đặt cược cũng đảm bảo rằng nếu có vi phạm cơ chế kiểm soát chất lượng hoặc ngắt quãng mạng, nhà cung cấp tài nguyên sẽ phải chịu 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 khai thác mỏ tiền điện tử và các nguồn lực 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 các thiết bị với ngưỡng đầu vào thấp hơn, như exolab sử dụng MacBook, iPhone, iPad và các thiết bị địa phương khác để xây dựng mạng lưới tính toán cho việc suy diễn mô hình lớn.
Đối mặt với thị trường dài đuôi của sức mạnh AI:
a. "Về mặt công nghệ," 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 do quy mô cụm GPU 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 kết xuất độ trễ thấp và ứng dụng suy luận AI.
b. "Về phía nhu cầu" thì những người có sức mạnh tính toán trung bình sẽ không tự đào tạo mô hình lớn của riêng mình, mà chỉ chọn tối ưu hóa và điều chỉnh xung quanh một số mô hình lớn hàng đầu, và những tình huống này tự nhiên phù hợp với tài nguyên tính toán nhàn rỗi phân tán.
Quyền sở hữu phi tập trung: Ý nghĩa công nghệ của blockchain là các chủ sở hữu tài nguyên luôn giữ quyền kiểm soát tài nguyên của họ, điều chỉnh linh hoạt theo nhu cầu và đồng thời nhận được lợi nhuận.
Dữ liệu
Dữ liệu là nền tảng của AI. Nếu không có dữ liệu, tính toán sẽ giống như bèo trôi, hoàn toàn 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 của mô hình cuối cùng. Đối với việc đào tạo mô hình AI hiện tại, dữ liệu quyết định khả năng ngôn ngữ, khả năng hiểu biết, thậm chí là giá trị và biểu hiện tính nhân văn của mô hình. Hiện tại, những khó khăn trong nhu cầu dữ liệu của AI chủ yếu tập trung vào bốn khía cạnh sau:
Khát dữ liệu: Việc huấn luyện mô hình AI phụ thuộc vào lượng lớn dữ liệu đầu vào. Tài liệu công khai cho thấy, OpenAI đã huấn luyện GPT-4 với số lượng tham số lên đến hàng triệu 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 theo lĩnh vực, và việc tiếp nhận các nguồn dữ liệu mới nổi như cảm xúc từ mạng xã hội cũng đặt ra 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 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 R&D của các công ty AI được sử dụng cho việc thu thập và xử lý dữ liệu cơ bản.
Hiện tại, các giải pháp web3 được thể hiện qua bốn khía cạnh sau:
Thu thập dữ liệu: Việc cung cấp miễn phí dữ liệu từ thế giới thực đang nhanh chóng cạn kiệt, chi phí mà các công ty AI phải trả cho dữ liệu ngày càng tăng theo từng năm. Nhưng đồng thời, chi phí này không được trả lại cho những người đóng góp thực sự cho dữ liệu, mà các nền tảng hoàn toàn tận hưởng giá trị tạo ra từ dữ liệu, như một nền tảng xã hội đã đạt được tổng doanh thu 203 triệu đô la Mỹ 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 của người dùng một cách riêng tư 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 các nút Grass, đóng góp băng thông nhàn rỗi và lưu lượng trung chuyển 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 chứa tính thanh khoản dữ liệu (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.) đến DLP cụ thể và linh hoạt chọn xem có 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 nhãn phân loại trên X và @PublicAI để thực hiện việc thu thập dữ liệu.
2、Tiền xử lý dữ liệu: Trong quá trình xử lý dữ liệu của AI, do dữ liệu thu thập thường bị ồn và chứa lỗi, nên trước khi đào tạo mô hình, cần phải làm sạch và chuyển đổi chúng thành định dạng có thể sử dụng, bao gồm các nhiệm vụ tiêu chuẩn hóa, lọc và xử lý giá trị bị thiếu. Giai đoạn này là một trong số ít các khâu thủ công trong ngành AI, đã phát sinh ra nghề đánh dấu dữ liệu, với yêu cầu về chất lượng dữ liệu của mô hình ngày càng cao, tiêu chuẩn của nghề đánh dấu dữ liệu cũng theo đó mà tăng lên, 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 là gán nhãn 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 đã được đánh dấu, chú thích hoặc các hình thức đầu vào khác.
Dự án gán nhãn dữ liệu Sapien sẽ biến nhiệm vụ gán nhãn thành trò chơi và cho phép người dùng đặt cược 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 việc đào tạo AI mà không cần chia sẻ dữ liệu gốc của họ.
Công nghệ bảo mật phổ biến hiện nay trong Web3 bao gồm:
Môi trường thực thi đáng tin cậy ( TEE ), chẳng hạn như Super Protocol;
Mã hóa hoàn toàn đồng nhất (FHE), ví dụ như BasedAI, Fhenix.io hoặc Inco Network;
Công nghệ zero-knowledge (zk), như Reclaim Protocol sử dụng công nghệ zkTLS, tạo ra chứng minh zero-knowledge cho lưu lượng HTTPS, cho phép người dùng nhập dữ liệu hoạt động, danh tiếng và danh tính từ các trang web bên ngoài một cách an toàn, mà không cần tiết lộ thông tin nhạy cảm.
Tuy nhiên, hiện tại lĩnh vực này vẫn đang ở giai đoạn đầu, phần lớn 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:
khung zkML
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.
Sự kết hợp giữa AI và Web3: Thị trường mở và đồng sáng tạo giá trị
AI+Web3: Tháp và Quảng trường
TL;DR
Các dự án Web3 với khái niệm AI đang 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 tán để điều phối nguồn cung tiềm năng trong đuôi dài ------ qua dữ liệu, lưu trữ và tính toán; đồng thời, thiết lập một mô hình mã nguồn mở và 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 lẫn nhau của cả hai: Web3 hy vọng chống lại sự tập trung của AI, AI hy vọng giúp Web3 mở rộng ra ngoài giới hạn.
Giới thiệu
Trong hai năm qua, sự phát triển của AI như thể đã được nhấn nút tăng tốc, cánh bướm do Chatgpt khuấy động không chỉ mở ra một thế giới mới của trí tuệ nhân tạo sinh tạo mà còn tạo ra một làn sóng tại Web3 ở bờ bên kia.
Dưới sự hỗ trợ của khái niệm AI, việc huy động vốn trong thị trường tiền điện tử đang chậm lại đã có sự cải thiện rõ rệt. Các phương tiện truyền thông thống kê, chỉ trong nửa đầu năm 2024, đã có tổng cộng 64 dự án Web3+AI hoàn thành 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 công nghệ AI đã mang lại nhiều lợi ích, sau khi mô hình chuyển đổi văn bản thành video Sora của OpenAI được phát hành, giá trung bình của lĩnh vực AI đã tăng 151%; hiệu ứng AI cũng lan tỏa đến một trong những lĩnh vực hút tiền của tiền điện tử là Meme: MemeCoin đầu tiên có khái niệm AI Agent ------ GOAT nhanh chóng nổi tiếng và đạt được định giá 1,4 tỷ USD, thành công khơi dậy cơn sốt AI Meme.
Nghiên cứu và chủ đề về 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 các câu chuyện mới.
AI+Web3, sự kết hợp của thuật ngữ này tràn ngập tiền nóng, cơ hội và ảo tưởng về tương lai, không thể tránh khỏi bị người ta coi như một cuộc hôn nhân sắp đặt do vốn đầu tư sắp đặt, chúng ta dường như rất khó phân biệt dưới lớp áo choàng lộng lẫy này, rốt cuộc đây là sân khấu của những kẻ đầu cơ, hay là đêm trước của sự bùng nổ bình minh?
Để trả lời câu hỏi này, một suy nghĩ quan trọng đối với cả hai bên là liệu có thể trở nên tốt hơn với nhau không? Liệu có thể hưởng lợi từ mô hình của đối phương không? Trong bài viết này, chúng tôi cũng cố gắng nhìn nhận lại mô hình này dựa trên những thành tựu của người đi trước: Web3 có thể hoạt động như thế nào trong từng khía cạnh của công nghệ AI, và AI có thể mang lại những sinh khí mới nào cho Web3?
Phần 1 AI có cơ hội gì dưới Web3?
Trước khi bắt đầu chủ đề này, chúng ta cần hiểu về công nghệ của mô hình AI lớn:
Diễn đạt toàn bộ quá trình bằng ngôn ngữ đơn giản 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 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 khả năng cảm nhận thị giác, thính giác và nhiều giác quan khác như con người, trước khi huấn luyện, lượng 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 được điều chỉnh liên tục trong quá trình học tập. Khi nội dung học tập bắt đầu được phân chia theo chuyên ngành, hoặc khi giao tiếp với người khác nhận được phản hồi và điều chỉnh, thì lúc này sẽ 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 trong những cuộc đối thoại mới và diễn đạt cảm xúc cũng như suy nghĩ của mình. Giai đoạn này tương tự như "suy luận" của mô hình AI lớn, nơi mà mô hình có khả năng dự đoán và phân tích các đầu vào ngôn ngữ và văn bản mới. Trẻ sơ sinh biểu đạt cảm xúc, mô tả sự vật và giải quyết các vấn đề khác nhau thông qua khả năng ngôn ngữ, điều này cũng tương tự như việc mô hình AI lớn ứng dụng vào các nhiệm vụ cụ thể sau khi hoàn thành việc 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 gần với 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 thể ghi nhớ, lập kế hoạch, và có thể sử dụng công cụ để tương tác với thế giới.
Hiện tại, nhằm giải quyết các điểm đau của AI trong các ngăn xếp khác nhau, Web3 hiện đã hình thành một hệ sinh thái đa tầng, liên kết với nhau, bao gồm tất cả các giai đoạn của quy trình mô hình AI.
Một, Tầng cơ bản: Airbnb của 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 đào tạo mô hình và suy diễn mô hình.
Một ví dụ là, LLAMA3 của Meta cần 16.000 H100GPU 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 tải công việc tính toán hiệu suất cao.) để hoàn thành việc huấn luyện trong 30 ngày. Giá mỗi chiếc phiên bản 80GB dao động từ 30.000 đến 40.000 đô la, điều này cần khoản đầu tư phần cứng tính toán từ 400-700 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.
Việc giải nén sức mạnh AI cũng chính là lĩnh vực giao thoa đầu tiên giữa Web3 và AI ------ DePin (Mạng cơ sở hạ tầng vật lý phi tập trung). Hiện tại, một trang web dữ liệu đã niêm yết 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, và nhiều dự án khác.
Logic chính của nó là: nền tảng cho phép cá nhân hoặc tổ chức có tài nguyên GPU nhàn rỗi 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, nâng cao tỷ lệ sử dụng tài nguyên GPU chưa được tận dụng tốt. Người dùng cuối cũng vì vậy mà có được tài nguyên tính toán hiệu quả với chi phí thấp hơn; đồng thời, cơ chế đặt cược cũng đảm bảo rằng nếu có vi phạm cơ chế kiểm soát chất lượng hoặc ngắt quãng mạng, nhà cung cấp tài nguyên sẽ phải chịu 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 khai thác mỏ tiền điện tử và các nguồn lực 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 các thiết bị với ngưỡng đầu vào thấp hơn, như exolab sử dụng MacBook, iPhone, iPad và các thiết bị địa phương khác để xây dựng mạng lưới tính toán cho việc suy diễn mô hình lớn.
Đối mặt với thị trường dài đuôi của sức mạnh AI:
a. "Về mặt công nghệ," 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 do quy mô cụm GPU 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 kết xuất độ trễ thấp và ứng dụng suy luận AI.
b. "Về phía nhu cầu" thì những người có sức mạnh tính toán trung bình sẽ không tự đào tạo mô hình lớn của riêng mình, mà chỉ chọn tối ưu hóa và điều chỉnh xung quanh một số mô hình lớn hàng đầu, và những tình huống này tự nhiên 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, tính toán sẽ giống như bèo trôi, hoàn toàn 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 của mô hình cuối cùng. Đối với việc đào tạo mô hình AI hiện tại, dữ liệu quyết định khả năng ngôn ngữ, khả năng hiểu biết, thậm chí là giá trị và biểu hiện tính nhân văn của mô hình. Hiện tại, những khó khăn trong nhu cầu dữ liệu của AI chủ yếu tập trung vào bốn khía cạnh sau:
Khát dữ liệu: Việc huấn luyện mô hình AI phụ thuộc vào lượng lớn dữ liệu đầu vào. Tài liệu công khai cho thấy, OpenAI đã huấn luyện GPT-4 với số lượng tham số lên đến hàng triệu 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 theo lĩnh vực, và việc tiếp nhận các nguồn dữ liệu mới nổi như cảm xúc từ mạng xã hội cũng đặt ra 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 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 R&D của các công ty AI được sử dụng cho việc thu thập và xử lý dữ liệu cơ bản.
Hiện tại, các 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 của người dùng một cách riêng tư 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 các nút Grass, đóng góp băng thông nhàn rỗi và lưu lượng trung chuyển 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 chứa tính thanh khoản dữ liệu (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.) đến DLP cụ thể và linh hoạt chọn xem có 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 nhãn phân loại trên X và @PublicAI để thực hiện việc thu thập dữ liệu.
2、Tiền xử lý dữ liệu: Trong quá trình xử lý dữ liệu của AI, do dữ liệu thu thập thường bị ồn và chứa lỗi, nên trước khi đào tạo mô hình, cần phải làm sạch và chuyển đổi chúng thành định dạng có thể sử dụng, bao gồm các nhiệm vụ tiêu chuẩn hóa, lọc và xử lý giá trị bị thiếu. Giai đoạn này là một trong số ít các khâu thủ công trong ngành AI, đã phát sinh ra nghề đánh dấu dữ liệu, với yêu cầu về chất lượng dữ liệu của mô hình ngày càng cao, tiêu chuẩn của nghề đánh dấu dữ liệu cũng theo đó mà tăng lên, 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 là gán nhãn 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 đã được đánh dấu, chú thích hoặc các hình thức đầu vào khác.
Dự án gán nhãn dữ liệu Sapien sẽ biến nhiệm vụ gán nhãn thành trò chơi và cho phép người dùng đặt cược điểm để kiếm thêm điểm.
Công nghệ bảo mật phổ biến hiện nay trong Web3 bao gồm:
Môi trường thực thi đáng tin cậy ( TEE ), chẳng hạn như Super Protocol;
Mã hóa hoàn toàn đồng nhất (FHE), ví dụ như BasedAI, Fhenix.io hoặc Inco Network;
Công nghệ zero-knowledge (zk), như Reclaim Protocol sử dụng công nghệ zkTLS, tạo ra chứng minh zero-knowledge cho lưu lượng HTTPS, cho phép người dùng nhập dữ liệu hoạt động, danh tiếng và danh tính từ các trang web bên ngoài một cách an toàn, mà không cần tiết lộ thông tin nhạy cảm.
Tuy nhiên, hiện tại lĩnh vực này vẫn đang ở giai đoạn đầu, phần lớn 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: