Alliance DAO: AI và Web3 tích hợp, có những cơ hội và thách thức gì?
Tuyển chọn TechFlowTuyển chọn TechFlow
Alliance DAO: AI và Web3 tích hợp, có những cơ hội và thách thức gì?
Hiếm có công nghệ nào có thể ảnh hưởng đáng kể đến hành trình phát triển của trí tuệ nhân tạo, và Web3 là một trong số đó.
Chuyên sâu báo cáo Web3Tác giả: Mohamed Fouda, Qiao Wang
*Bài viết được Alliance DAO độc quyền ủy quyền cho TechFlow biên dịch và phát hành.
Kể từ khi ChatGPT và GPT-4 ra mắt, đã có rất nhiều nội dung thảo luận về việc trí tuệ nhân tạo (AI) thay đổi mọi thứ, bao gồm cả Web3. Các lập trình viên trong nhiều ngành công nghiệp đang sử dụng ChatGPT để tự động hóa các công việc như tạo mã mẫu, thực hiện kiểm thử đơn vị, xây dựng tài liệu, gỡ lỗi và phát hiện lỗ hổng. Mặc dù bài viết này sẽ khám phá cách AI mở ra các trường hợp sử dụng Web3 thú vị mới, trọng tâm chính lại nằm ở mối quan hệ tương hỗ giữa Web3 và AI. Rất ít công nghệ có thể ảnh hưởng đáng kể đến quá trình phát triển của AI, và Web3 là một trong số đó.
Web3 giúp ích gì cho trí tuệ nhân tạo?
Mặc dù tiềm năng to lớn, nhưng các mô hình AI hiện tại đang đối mặt với nhiều thách thức như riêng tư dữ liệu, tính minh bạch trong việc thực thi mô hình độc quyền và khả năng tạo và lan truyền nội dung giả mạo đáng tin cậy. Một số công nghệ Web3.0 hiện có mang lợi thế độc đáo để giải quyết những thách thức này.
Tập dữ liệu độc quyền phục vụ huấn luyện học máy
Một lĩnh vực Web3 có thể hỗ trợ AI là tạo tập dữ liệu độc quyền thông qua cộng tác nhằm phục vụ huấn luyện học máy (ML), cụ thể là mạng lưới PoPW dành cho việc tạo tập dữ liệu. Tập dữ liệu quy mô lớn cực kỳ quan trọng đối với độ chính xác của các mô hình ML, nhưng việc tạo ra chúng có thể trở thành điểm nghẽn, đặc biệt trong các ứng dụng y tế cần dùng dữ liệu cá nhân để chẩn đoán. Vấn đề bảo vệ dữ liệu bệnh nhân là rào cản lớn, tuy nhiên truy cập hồ sơ y tế lại là điều cần thiết để huấn luyện các mô hình này. Người bệnh thường ngại chia sẻ hồ sơ sức khỏe do lo ngại về quyền riêng tư. Để giải quyết vấn đề này, người bệnh có thể ẩn danh hóa hồ sơ y tế theo cách có thể xác minh được, vừa bảo vệ quyền riêng tư, vừa vẫn có thể dùng cho mục đích huấn luyện ML.
Vấn đề đặt ra là tính xác thực của hồ sơ y tế đã ẩn danh – dữ liệu giả mạo có thể làm sai lệch hiệu suất mô hình. Để giải quyết khó khăn này, có thể sử dụng bằng chứng không kiến thức (ZKP) để xác minh tính xác thực của hồ sơ đã ẩn danh. Người bệnh có thể tạo ZKP để chứng minh rằng bản hồ sơ ẩn danh đúng là bản sao của hồ sơ gốc, ngay cả khi thông tin định danh cá nhân (PII) đã bị xóa bỏ. Như vậy, người bệnh có thể gửi hồ sơ ẩn danh cùng với ZKP tới các bên liên quan và nhận phần thưởng mà không phải hy sinh quyền riêng tư.
Thực hiện suy luận trên dữ liệu riêng tư
Một điểm yếu lớn của các mô hình ngôn ngữ lớn (LLM) hiện nay là khả năng xử lý dữ liệu riêng tư. Chẳng hạn, khi người dùng tương tác với ChatGPT, OpenAI thu thập dữ liệu người dùng để cải thiện huấn luyện mô hình, dẫn đến nguy cơ rò rỉ thông tin nhạy cảm. Điều này từng xảy ra tại Samsung. Công nghệ zk (zero-knowledge) có thể giúp giải quyết một số vấn đề khi mô hình ML thực hiện suy luận trên dữ liệu riêng tư. Trong phần này, ta xét hai trường hợp: mô hình mã nguồn mở và mô hình độc quyền.
-
Đối với mô hình mã nguồn mở, người dùng có thể tải mô hình về và chạy dữ liệu riêng tư của họ trên thiết bị cục bộ. Một ví dụ là kế hoạch nâng cấp World ID của Worldcoin. Worldcoin cần xử lý dữ liệu sinh trắc học riêng tư của người dùng – cụ thể là quét mống mắt – để tạo định danh duy nhất gọi là IrisCode. Trong trường hợp này, người dùng có thể giữ dữ liệu sinh trắc học riêng tư trong thiết bị, tải xuống mô hình ML dùng để tạo IrisCode, chạy suy luận cục bộ và tạo ZKP để chứng minh họ đã tạo IrisCode thành công. Bằng chứng được tạo ra đảm bảo tính xác thực của quá trình suy luận đồng thời bảo vệ quyền riêng tư dữ liệu. Cơ chế ZKP hiệu quả cho mô hình ML (ví dụ như do Modulus Labs phát triển) là yếu tố then chốt cho trường hợp sử dụng này.
-
Trường hợp thứ hai là mô hình độc quyền. ZKP có thể hỗ trợ theo hai cách. Cách đầu tiên là sử dụng ZKP để ẩn danh dữ liệu người dùng trước khi gửi vào mô hình ML, giống như đã thảo luận trong ví dụ tạo tập dữ liệu. Cách thứ hai là xử lý trước dữ liệu riêng tư trên thiết bị người dùng trước khi gửi đầu ra tiền xử lý đến mô hình ML. Trong trường hợp này, bước tiền xử lý che giấu dữ liệu riêng tư, khiến nó không thể tái tạo. Người dùng tạo ZKP để chứng minh bước tiền xử lý đã được thực hiện đúng, sau đó phần còn lại của mô hình độc quyền có thể được thực thi từ xa trên máy chủ của chủ sở hữu mô hình. Các tình huống ứng dụng bao gồm bác sĩ AI phân tích hồ sơ y tế bệnh nhân để chẩn đoán tiềm năng, hoặc thuật toán đánh giá rủi ro tài chính phân tích thông tin tài chính riêng tư của khách hàng.
Xác thực nội dung và chống lại kỹ thuật deepfake
ChatGPT có thể đã chiếm mất ánh đèn sân khấu từ các mô hình AI tạo sinh tập trung vào hình ảnh, âm thanh và video. Tuy nhiên, các mô hình này hiện nay có thể tạo ra nội dung deepfake cực kỳ chân thực. Bài hát gần đây do AI tạo ra mang phong cách Drake là một ví dụ điển hình. Những kỹ thuật deepfake này đại diện cho mối đe dọa nghiêm trọng, và nhiều startup đang cố gắng giải quyết vấn đề này bằng công nghệ Web 2, nhưng công nghệ Web3 (như chữ ký số) mới thực sự phù hợp hơn.
Trong Web3, các tương tác của người dùng (tức là Giao dịch) được ký bằng khóa riêng để chứng minh tính hợp lệ. Tương tự, nội dung – dù là văn bản, hình ảnh, âm thanh hay video – đều có thể được ký bằng khóa riêng của người sáng tạo để chứng minh tính xác thực. Bất kỳ ai cũng có thể xác minh chữ ký dựa trên địa chỉ công khai của người sáng tạo, địa chỉ này được đăng trên website hoặc tài khoản mạng xã hội của họ. Mạng Web3 đã xây dựng sẵn toàn bộ hạ tầng cần thiết cho trường hợp sử dụng này. Fred Wilson từng đề cập việc liên kết nội dung với khóa công khai có thể hiệu quả ngăn chặn thông tin sai lệch. Nhiều nhà đầu tư nổi tiếng đã liên kết hồ sơ mạng xã hội hiện tại (như Twitter) hoặc nền tảng mạng xã hội phi tập trung (như Lens Protocol và Mirror) với địa chỉ ví mã hóa, điều này củng cố độ tin cậy của chữ ký số như một phương pháp xác thực nội dung.
Dù khái niệm này đơn giản, nhưng vẫn cần nhiều nỗ lực để cải thiện trải nghiệm người dùng trong quy trình xác thực. Ví dụ, cần tự động hóa quá trình ký số khi tạo nội dung để mang lại trải nghiệm liền mạch cho người sáng tạo. Một thách thức khác là cách tạo tập con từ dữ liệu đã ký (ví dụ như đoạn âm thanh hoặc video) mà không cần ký lại. Nhiều công nghệ Web3 hiện tại có khả năng giải quyết tốt các vấn đề này.
Tối thiểu hóa niềm tin trong mô hình độc quyền
Một lĩnh vực khác Web3 có thể giúp AI là giảm thiểu mức độ tin tưởng cần thiết khi cung cấp mô hình ML độc quyền dưới dạng dịch vụ. Người dùng có thể cần xác minh rằng họ thực sự nhận được dịch vụ đã trả tiền, hoặc được đảm bảo rằng mô hình ML được thực thi một cách công bằng – tức là mọi người dùng đều sử dụng cùng một mô hình. ZKP có thể được dùng để cung cấp những đảm bảo này. Trong kiến trúc này, người tạo mô hình ML tạo mạch zk biểu diễn mô hình ML. Sau đó, mạch này được dùng để tạo ZKP cho các suy luận của người dùng khi cần. ZKP có thể được gửi cho người dùng để xác minh, hoặc công bố lên chuỗi công cộng chịu trách nhiệm xác minh. Nếu mô hình ML là riêng tư, một bên thứ ba độc lập có thể xác minh mạch zk sử dụng đúng là đại diện cho mô hình đó. Việc tối thiểu hóa niềm tin vào mô hình ML sẽ đặc biệt hữu ích khi kết quả thực thi có rủi ro cao. Ví dụ bao gồm:
1. Chẩn đoán y khoa bằng ML
Trong trường hợp này, bệnh nhân gửi dữ liệu y tế của họ vào mô hình ML để chẩn đoán tiềm năng. Bệnh nhân cần đảm bảo rằng mô hình ML mục tiêu đã được áp dụng đúng lên dữ liệu của họ. Quá trình suy luận tạo ra một ZKP chứng minh việc thực thi mô hình ML là chính xác.
2. Đánh giá tín dụng vay vốn
ZKP có thể đảm bảo rằng ngân hàng và tổ chức tài chính đã xem xét đầy đủ mọi thông tin tài chính mà người nộp đơn cung cấp khi đánh giá tín dụng. Ngoài ra, ZKP có thể chứng minh tính công bằng bằng cách xác nhận tất cả người dùng đều sử dụng cùng một mô hình.
3. Xử lý yêu cầu bồi thường bảo hiểm
Việc xử lý yêu cầu bồi thường bảo hiểm hiện nay mang tính thủ công và chủ quan. Mô hình ML có thể đánh giá chính xác và công bằng hơn các hợp đồng bảo hiểm và chi tiết yêu cầu bồi thường. Khi kết hợp với ZKP, các mô hình xử lý yêu cầu bồi thường này có thể chứng minh rằng mọi chi tiết hợp đồng và yêu cầu đã được xem xét, và đảm bảo cùng một mô hình được dùng để xử lý mọi yêu cầu thuộc cùng một hợp đồng.
Giải quyết vấn đề tập trung trong việc tạo mô hình
Việc tạo và huấn luyện mô hình ngôn ngữ lớn (LLM) là một quá trình dài và tốn kém, đòi hỏi chuyên môn sâu, hạ tầng tính toán chuyên dụng và chi phí tính toán lên tới hàng triệu đô la. Những đặc điểm này có thể dẫn đến sự tập trung quyền lực vào các thực thể lớn như OpenAI, nơi có thể kiểm soát việc truy cập mô hình của mình.
Nhận thức được rủi ro tập trung này, câu hỏi về việc Web3 có thể thúc đẩy phi tập trung trong việc tạo LLM đã trở thành trọng tâm nghiên cứu. Một số người ủng hộ Web3 đề xuất phương pháp tính toán phân tán để cạnh tranh với các thực thể tập trung. Ý tưởng cốt lõi là tính toán phân tán có thể rẻ hơn. Tuy nhiên, quan điểm của chúng tôi là đây có thể không phải là cách tiếp cận tốt nhất để cạnh tranh. Nhược điểm của tính toán phân tán là chi phí giao tiếp giữa các thiết bị tính toán dị biệt có thể làm chậm quá trình huấn luyện ML từ 10 đến 100 lần.
Thay vào đó, các dự án Web3 có thể tập trung vào việc tạo ra các mô hình ML độc đáo và cạnh tranh theo kiểu PoPW. Các mạng PoPW này cũng có thể thu thập dữ liệu để xây dựng tập dữ liệu duy nhất phục vụ huấn luyện mô hình. Một số dự án đang đi theo hướng này bao gồm Together và Bittensor.
Khung thanh toán và thực thi cho các tác nhân AI
Trong vài tuần qua, làn sóng các tác nhân AI (AI agents) đã nổi lên, khi chúng sử dụng LLM để suy luận về các nhiệm vụ cần thiết nhằm đạt được mục tiêu, thậm chí tự thực hiện các nhiệm vụ đó. Làn sóng này bắt đầu từ BabyAGI và nhanh chóng lan rộng sang các phiên bản nâng cao như AutoGPT. Một dự báo quan trọng ở đây là các tác nhân AI sẽ ngày càng chuyên biệt hóa để xuất sắc trong một số nhiệm vụ cụ thể. Nếu tồn tại một thị trường chuyên biệt cho các tác nhân AI, thì các tác nhân này có thể tìm kiếm, thuê và thanh toán cho các tác nhân AI khác để thực hiện nhiệm vụ cụ thể, từ đó hoàn thành dự án chính. Trong quá trình này, mạng Web3 cung cấp môi trường lý tưởng cho các tác nhân AI. Về thanh toán, các tác nhân AI có thể được trang bị ví tiền mã hóa để nhận và chi trả cho các tác nhân AI khác. Ngoài ra, các tác nhân AI có thể kết nối với mạng mã hóa để ủy quyền tài nguyên một cách không cần giấy phép. Ví dụ, nếu một tác nhân AI cần lưu trữ dữ liệu, nó có thể tạo một ví Filecoin và thanh toán chi phí lưu trữ phi tập trung trên IPFS. Tác nhân AI cũng có thể thuê tài nguyên tính toán từ các mạng tính toán phi tập trung như Akash để thực hiện một số nhiệm vụ, thậm chí mở rộng khả năng thực thi của chính nó.
Ngăn chặn vi phạm quyền riêng tư bởi AI
Xét thấy lượng dữ liệu khổng lồ cần thiết để huấn luyện các mô hình ML hiệu quả, có thể dự đoán bất kỳ dữ liệu công cộng nào cũng sẽ được đưa vào mô hình để dự đoán hành vi cá nhân. Hơn nữa, các ngân hàng và tổ chức tài chính có thể xây dựng mô hình ML riêng dựa trên thông tin tài chính của người dùng để dự đoán hành vi tài chính tương lai của họ. Đây có thể là sự xâm phạm nghiêm trọng đến quyền riêng tư. Biện pháp duy nhất giảm thiểu mối đe dọa này là quyền riêng tư trong giao dịch tài chính phải được bảo vệ mặc định. Trong Web3, quyền riêng tư này có thể đạt được bằng cách sử dụng blockchain thanh toán riêng tư (như zCash hoặc Aztec) và các giao thức DeFi riêng tư (như Penumbra và Aleo).
Các trường hợp sử dụng Web3 được kích hoạt bởi AI
Trò chơi trên chuỗi
1. Tạo bot cho game thủ không biết lập trình
Các trò chơi trên chuỗi như Dark Forest tạo ra một mô hình độc đáo, khi người chơi có thể giành lợi thế bằng cách phát triển và triển khai các bot thực hiện các nhiệm vụ trò chơi cần thiết. Mô hình này có thể loại trừ những game thủ không biết lập trình. Tuy nhiên, LLM có thể thay đổi điều này. LLM có thể được tinh chỉnh để hiểu logic trò chơi trên chuỗi, cho phép người chơi tạo ra các bot phản ánh chiến lược của họ mà không cần viết mã. Các dự án như Primodium và AI Arena đang nỗ lực thu hút cả người chơi và người chơi AI tham gia vào trò chơi của họ.
2. Chiến đấu bot, đặt cược và cá cược
Một khả năng khác của trò chơi trên chuỗi là người chơi AI hoàn toàn tự động. Trong trường hợp này, người chơi là một tác nhân AI như AutoGPT, sử dụng LLM làm nền tảng, có thể truy cập tài nguyên bên ngoài như Internet và có thể có sẵn một lượng tiền mã hóa ban đầu. Những người chơi AI này có thể tham gia đặt cược theo hình thức chiến đấu bot. Điều này có thể mở ra thị trường đầu cơ và cá cược kết quả của các cuộc đặt cược này.
3. Tạo NPC chân thực cho trò chơi trên chuỗi
Hiện nay, các trò chơi ít chú trọng đến các nhân vật không phải người chơi (NPC). Hành động của NPC bị giới hạn và ảnh hưởng nhỏ đến tiến trình trò chơi. Với sự kết hợp giữa AI và Web3, có thể tạo ra các NPC do AI điều khiển hấp dẫn hơn, phá vỡ tính dễ đoán và làm trò chơi thú vị hơn. Một thách thức có thể gặp phải là làm sao để giới thiệu NPC có ý nghĩa mà vẫn tối thiểu hóa TPS liên quan đến hoạt động của NPC. Yêu cầu TPS quá cao từ hoạt động NPC có thể gây tắc nghẽn mạng và làm giảm trải nghiệm người dùng thật.
Mạng xã hội phi tập trung
Một trong những thách thức hiện tại của các nền tảng mạng xã hội phi tập trung là so với các nền tảng tập trung hiện có, chúng chưa cung cấp trải nghiệm người dùng độc đáo. Việc tích hợp liền mạch với AI có thể mang lại trải nghiệm độc đáo mà các giải pháp Web2 thiếu. Ví dụ, tài khoản do AI quản lý có thể giúp thu hút người dùng mới bằng cách chia sẻ nội dung liên quan, bình luận bài viết và tham gia thảo luận. Tài khoản AI cũng có thể dùng để tổng hợp tin tức, tóm tắt các xu hướng gần đây phù hợp với sở thích người dùng.
Kiểm tra tính an toàn và thiết kế kinh tế của giao thức phi tập trung
Các tác nhân AI dựa trên LLM, có thể tùy chỉnh mục tiêu, tạo mã và thực thi mã đó, mang lại cơ hội kiểm tra thực tế về tính an toàn và khả thi về mặt kinh tế của mạng lưới phi tập trung. Trong trường hợp này, tác nhân AI được chỉ đạo kiểm tra tính an toàn hoặc cân bằng kinh tế của giao thức. Tác nhân AI có thể xem xét tài liệu giao thức và hợp đồng thông minh, xác định điểm yếu. Sau đó, tác nhân AI có thể tự động thực hiện cơ chế tấn công giao thức để tối đa hóa lợi nhuận của chính nó. Phương pháp này mô phỏng môi trường thực tế mà giao thức có thể phải đối mặt sau khi phát hành. Dựa trên kết quả kiểm tra, người thiết kế giao thức có thể xem lại thiết kế và vá các điểm yếu. Cho đến nay, chỉ có những công ty chuyên biệt như Gauntlet mới cung cấp bộ kỹ năng kỹ thuật cần thiết cho dịch vụ giao thức phi tập trung. Tuy nhiên, với các LLM được đào tạo về Solidity, cơ chế DeFi và các cơ chế phát triển trước đó, chúng tôi kỳ vọng các tác nhân AI có thể cung cấp chức năng tương tự.
Sử dụng LLM để lập chỉ mục dữ liệu và trích xuất chỉ số
Mặc dù dữ liệu blockchain là công khai, việc lập chỉ mục dữ liệu và trích xuất thông tin hữu ích vẫn là một thách thức kéo dài. Một số đơn vị tham gia trong lĩnh vực này (ví dụ CoinMetrics) tập trung vào lập chỉ mục dữ liệu và xây dựng các chỉ số phức tạp để bán, trong khi những đơn vị khác (như Dune) tập trung vào lập chỉ mục các thành phần chính của giao dịch thô và hoàn thiện việc tạo chỉ số thông qua đóng góp cộng đồng. Với sự tiến bộ gần đây của LLM, rõ ràng là việc lập chỉ mục dữ liệu và trích xuất chỉ số có thể bị đảo lộn. Dune đã nhận thức được mối đe dọa này và công bố lộ trình LLM, bao gồm các thành phần như giải thích truy vấn SQL và tiềm năng truy vấn dựa trên NLP. Tuy nhiên, chúng tôi dự đoán ảnh hưởng của LLM sẽ sâu hơn. Một khả năng ở đây là LLM có thể lập chỉ mục dữ liệu cho các chỉ số cụ thể và tương tác trực tiếp với nút blockchain. Các startup như Dune Ninja đang khám phá các ứng dụng LLM sáng tạo cho việc lập chỉ mục dữ liệu.
Hướng dẫn nhà phát triển vào hệ sinh thái mới
Các blockchain khác nhau đang cạnh tranh để thu hút nhà phát triển xây dựng ứng dụng trên hệ sinh thái của họ. Sự năng động của nhà phát triển Web3 là một trong những chỉ số quan trọng cho sự thành công của hệ sinh thái cụ thể. Đối với nhà phát triển, một điểm đau lớn là không nhận được hỗ trợ và hướng dẫn kịp thời khi học và xây dựng trên hệ sinh thái mới nổi. Một số hệ sinh thái đã đầu tư hàng triệu đô la để thành lập đội ngũ Dev Rel chuyên biệt hỗ trợ các nhà phát triển khám phá hệ sinh thái. Trong lĩnh vực này, các LLM mới nổi đã thể hiện kết quả ấn tượng: giải thích mã phức tạp, phát hiện lỗi và thậm chí tạo tài liệu. Các LLM được tinh chỉnh có thể bổ sung cho kinh nghiệm con người, nâng cao đáng kể hiệu quả làm việc của đội ngũ dev rel. Ví dụ, LLM có thể dùng để tạo tài liệu, hướng dẫn, trả lời câu hỏi thường gặp, và thậm chí hỗ trợ nhà phát triển trong hackathon bằng cách cung cấp mã mẫu hoặc tạo kiểm thử đơn vị.
Cải tiến giao thức DeFi
Bằng cách tích hợp AI vào logic của giao thức DeFi, hiệu suất của nhiều giao thức DeFi có thể được cải thiện đáng kể. Cho đến nay, điểm nghẽn chính trong việc tích hợp AI vào DeFi là chi phí triển khai AI trên chuỗi quá cao. Các mô hình AI có thể được thực hiện ngoài chuỗi, nhưng trước đây không có cách nào để xác minh việc thực thi mô hình. Tuy nhiên, nhờ các dự án như Modulus và ChainML, việc xác minh thực thi ngoài chuỗi đang trở nên khả thi. Các dự án này cho phép thực thi mô hình ML ngoài chuỗi đồng thời hạn chế chi phí mở rộng trên chuỗi. Với Modulus, chi phí trên chuỗi chỉ giới hạn ở việc xác minh ZKP của mô hình; với ChainML, là chi phí oracles trả cho mạng lưới thực thi AI phi tập trung.
Một số trường hợp sử dụng DeFi có thể hưởng lợi từ việc tích hợp AI:
-
Cung cấp thanh khoản AMM, ví dụ như cập nhật phạm vi thanh khoản Uniswap V3.
-
Bảo vệ vị thế nợ bằng dữ liệu trên chuỗi và ngoài chuỗi.
-
Các sản phẩm cấu trúc DeFi phức tạp, trong đó cơ chế vault được định nghĩa bởi mô hình AI tài chính chứ không phải chiến lược cố định. Các chiến lược này có thể bao gồm giao dịch, cho vay hoặc quyền chọn do AI quản lý.
-
Cơ chế xếp hạng tín dụng trên chuỗi có thể xem xét các chuỗi khác nhau, ví khác nhau.
Kết luận
Chúng tôi tin rằng Web3 và AI tương thích cả về văn hóa lẫn công nghệ. Trái ngược với Web2 vốn thiên về tránh robot, Web3 cho phép AI phát triển mạnh mẽ nhờ tính chất lập trình không cần giấy phép.
Rộng hơn, nếu bạn coi blockchain như một mạng lưới, chúng tôi dự đoán AI sẽ thống trị các điểm biên của mạng lưới (theo người dịch: các điểm tương tác vào mạng). Điều này đúng với nhiều ứng dụng tiêu dùng, từ mạng xã hội đến trò chơi.
Cho đến nay, các điểm biên của mạng Web3 chủ yếu là con người. Con người khởi tạo và ký giao dịch hoặc triển khai các bot với chiến lược cố định để hành động thay họ.
Theo thời gian, chúng ta sẽ thấy ngày càng nhiều tác nhân AI xuất hiện ở các điểm biên của mạng. Các tác nhân AI sẽ tương tác với con người và lẫn nhau thông qua hợp đồng thông minh. Những tương tác này sẽ mang lại trải nghiệm người dùng mới lạ.
Chào mừng tham gia cộng đồng chính thức TechFlow
Nhóm Telegram:https://t.me/TechFlowDaily
Tài khoản Twitter chính thức:https://x.com/TechFlowPost
Tài khoản Twitter tiếng Anh:https://x.com/BlockFlow_News
Alliance
