Từ AI có thể xác minh đến AI có thể kết hợp: Suy ngẫm về các kịch bản ứng dụng ZKML
Tuyển chọn TechFlowTuyển chọn TechFlow
Từ AI có thể xác minh đến AI có thể kết hợp: Suy ngẫm về các kịch bản ứng dụng ZKML
Ứng dụng AI không thể đặt toàn bộ việc tính toán lên chuỗi, vì vậy cần sử dụng zk hoặc bằng chứng lạc quan để kết nối dịch vụ AI với hệ thống công khai theo cách thức đáng tin cậy hơn.
Chuyên sâu báo cáo Web3Tác giả: Turbo Guo
Phản biện: Mandy, Joshua
TLDR:
Modulus Labs đã hiện thực hóa trí tuệ nhân tạo (AI) có thể xác minh được bằng cách thực hiện các phép tính ML bên ngoài chuỗi và tạo ra zkp cho chúng. Bài viết này xem xét lại giải pháp này từ góc độ ứng dụng, phân tích những trường hợp nào là nhu cầu thiết yếu và những trường hợp nào nhu cầu thấp hơn, cuối cùng mở rộng thành hai mô hình hệ sinh thái AI dựa trên blockchain theo chiều dọc và chiều ngang. Nội dung chính bao gồm:
-
Việc có cần AI có thể xác minh hay không phụ thuộc vào: liệu có thay đổi dữ liệu trên chuỗi hay không, cũng như có liên quan đến công bằng và quyền riêng tư hay không
-
Khi AI không ảnh hưởng đến trạng thái trên chuỗi, AI có thể đóng vai trò tư vấn; người dùng có thể đánh giá chất lượng dịch vụ AI dựa trên hiệu quả thực tế mà không cần kiểm chứng quá trình tính toán.
-
Khi ảnh hưởng đến trạng thái trên chuỗi, nếu dịch vụ chỉ dành riêng cho cá nhân và không ảnh hưởng đến quyền riêng tư, người dùng vẫn có thể trực tiếp đánh giá chất lượng dịch vụ AI mà không cần kiểm tra quá trình tính toán.
-
Khi đầu ra của AI ảnh hưởng đến sự công bằng giữa nhiều người và quyền riêng tư cá nhân — ví dụ như dùng AI để xếp hạng thành viên cộng đồng và phân bổ phần thưởng, dùng AI để tối ưu AMM hoặc xử lý dữ liệu sinh học — thì mọi người sẽ mong muốn kiểm tra quá trình tính toán của AI. Đây chính là nơi AI có thể xác minh được có khả năng tìm thấy điểm phù hợp thị trường (PMF).
-
Hệ sinh thái ứng dụng AI theo chiều dọc: Vì một đầu của AI có thể xác minh được là hợp đồng thông minh, các ứng dụng AI với nhau, hoặc giữa AI và dapp gốc có thể gọi lẫn nhau một cách phi tin cậy, từ đó hình thành nên hệ sinh thái ứng dụng AI có tiềm năng kết hợp linh hoạt.
-
Hệ sinh thái ứng dụng AI theo chiều ngang: Hệ thống blockchain có thể giúp nhà cung cấp dịch vụ AI xử lý việc thanh toán dịch vụ, điều phối tranh chấp, khớp nối nhu cầu người dùng với nội dung dịch vụ,... mang lại trải nghiệm dịch vụ AI phi tập trung với độ tự do cao hơn cho người dùng.
1. Giới thiệu Modulus Labs và các ví dụ ứng dụng
1.1 Tổng quan và giải pháp cốt lõi
Modulus Labs là một công ty "AI trên chuỗi", cho rằng AI có thể nâng cao đáng kể khả năng của hợp đồng thông minh, làm cho các ứng dụng web3 mạnh mẽ hơn. Tuy nhiên, khi áp dụng AI vào web3 sẽ nảy sinh mâu thuẫn: việc vận hành AI đòi hỏi rất nhiều sức mạnh tính toán, trong khi việc tính toán AI bên ngoài chuỗi giống như một hộp đen, điều này trái ngược với yêu cầu cơ bản của web3 là phi tin cậy và có thể xác minh.
Do đó, Modulus Labs đã tham khảo mô hình zk rollup ["xử lý trước bên ngoài chuỗi + xác minh trên chuỗi"] để đề xuất kiến trúc AI có thể xác minh được: mô hình ML chạy bên ngoài chuỗi, đồng thời tạo ra một zkp cho quá trình tính toán ML bên ngoài chuỗi. Zkp này có thể xác minh kiến trúc mô hình, trọng số và đầu vào (inputs) của mô hình bên ngoài chuỗi, và tất nhiên zkp cũng có thể được đăng lên chuỗi để hợp đồng thông minh xác minh. Khi đó, AI và hợp đồng trên chuỗi có thể tương tác một cách phi tin cậy hơn, nghĩa là đã đạt được "AI trên chuỗi".
Dựa trên tư tưởng về AI có thể xác minh, cho đến nay Modulus Labs đã ra mắt ba ứng dụng "AI trên chuỗi", đồng thời đề xuất nhiều kịch bản ứng dụng tiềm năng khác.
1.2 Các ví dụ ứng dụng
-
Ứng dụng đầu tiên ra mắt là Rocky bot, một bot giao dịch tự động. Rocky được huấn luyện dựa trên dữ liệu lịch sử cặp giao dịch wEth/USDC. Nó dự đoán xu hướng tương lai của weth dựa trên dữ liệu lịch sử, sau khi đưa ra quyết định giao dịch sẽ tạo ra một zkp cho toàn bộ quá trình ra quyết định (quá trình tính toán), rồi gửi tin nhắn kích hoạt giao dịch tới L1.
-
Thứ hai là trò chơi cờ vua trên chuỗi "Leela vs the World", đối thủ là AI và con người, tình trạng bàn cờ được lưu trữ trong hợp đồng. Người chơi thao tác thông qua ví (tương tác với hợp đồng). AI đọc tình trạng mới của bàn cờ, đưa ra phán đoán, đồng thời tạo ra một zkp cho toàn bộ quá trình tính toán — hai bước này đều hoàn thành trên đám mây AWS — sau đó zkp được gửi đến hợp đồng trên chuỗi để xác minh, nếu xác minh thành công thì gọi hợp đồng bàn cờ để "đi nước tiếp theo".
-
Thứ ba là nghệ sĩ AI "trên chuỗi", đồng thời ra mắt chuỗi NFT zkMon. Cốt lõi ở chỗ AI tạo NFT và đăng lên chuỗi, đồng thời tạo một zkp, người dùng có thể dùng zkp để kiểm tra xem NFT của mình có thực sự được tạo bởi đúng mô hình AI tương ứng hay không.
Ngoài ra, Modulus Labs còn đề cập một số trường hợp sử dụng khác:
-
Dùng AI đánh giá dữ liệu trên chuỗi và các thông tin cá nhân để tạo xếp hạng uy tín cá nhân, đồng thời phát hành zkp để người dùng xác minh;
-
Sử dụng AI để tối ưu hiệu suất AMM, đồng thời phát hành zkp để người dùng xác minh;
-
Sử dụng AI có thể xác minh được để hỗ trợ các dự án bảo mật ứng phó với áp lực quản lý, nhưng đồng thời không tiết lộ thông tin riêng tư (có lẽ là dùng ML để chứng minh giao dịch này không phải rửa tiền, mà không tiết lộ địa chỉ người dùng);
-
AI oracle, đồng thời phát hành zkp để tất cả mọi người kiểm tra độ tin cậy của dữ liệu bên ngoài chuỗi;
-
Cuộc thi mô hình AI, thí sinh nộp kiến trúc và trọng số mô hình, sau đó dùng một đầu vào kiểm thử chung để chạy mô hình, tạo zkp cho quá trình tính toán, cuối cùng hợp đồng sẽ tự động chuyển tiền thưởng cho người chiến thắng;
-
Worldcoin nói rằng trong tương lai, có thể cho phép người dùng tải về thiết bị cục bộ mô hình tạo mã code tương ứng cho mống mắt, chạy mô hình tại chỗ và tạo zkp, nhờ đó hợp đồng trên chuỗi có thể dùng zkp để xác minh mã code mống mắt của người dùng có được tạo từ đúng mô hình và mống mắt hợp lý hay không, đồng thời giữ cho thông tin sinh trắc học không rời khỏi thiết bị của người dùng;
1.3 Thảo luận các kịch bản ứng dụng khác nhau dựa trên nhu cầu về AI có thể xác minh
1.3.1 Những kịch bản có thể không cần AI có thể xác minh
Trong bối cảnh Rocky bot, người dùng có thể không có nhu cầu xác minh quá trình tính toán ML. Thứ nhất, người dùng thiếu chuyên môn, thực sự không có khả năng xác minh. Ngay cả khi có công cụ xác minh, với người dùng thì cũng chỉ là "ấn một nút, cửa sổ hiện lên nói rằng dịch vụ AI lần này thực sự được tạo bởi một mô hình nào đó", họ không thể xác định tính xác thực. Thứ hai, người dùng không có nhu cầu xác minh vì họ chỉ quan tâm đến lợi suất của AI. Khi lợi suất thấp, người dùng sẽ chuyển sang nơi khác, và luôn chọn mô hình mang lại hiệu quả tốt nhất. Tóm lại, khi người dùng chỉ quan tâm đến kết quả cuối cùng của AI, thì việc xác minh quá trình có thể không mang nhiều ý nghĩa, vì người dùng chỉ cần chuyển sang dịch vụ hiệu quả nhất.
Một giải pháp khả thi là: AI chỉ đóng vai trò tư vấn, người dùng tự thực hiện giao dịch. Sau khi nhập mục tiêu giao dịch vào AI, AI tính toán bên ngoài chuỗi và trả về một lộ trình giao dịch / hướng đi tốt hơn, người dùng lựa chọn có thực hiện hay không. Người dùng cũng không cần xác minh mô hình đằng sau, chỉ cần chọn sản phẩm mang lại lợi nhuận cao nhất.
Một tình huống nguy hiểm nhưng rất có thể xảy ra là: người dùng hoàn toàn không quan tâm đến quyền kiểm soát tài sản hay quá trình tính toán AI. Khi một robot kiếm tiền tự động xuất hiện, người ta thậm chí sẵn sàng giao tiền cho nó, giống như gửi token vào CEX hoặc ngân hàng truyền thống để đầu tư. Vì người dùng sẽ không quan tâm nguyên lý đằng sau, chỉ quan tâm họ nhận được bao nhiêu tiền, thậm chí chỉ quan tâm đến số tiền mà dự án hiển thị là họ đã kiếm được. Dịch vụ kiểu này có thể nhanh chóng thu hút lượng lớn người dùng, thậm chí tốc độ lặp sản phẩm còn nhanh hơn cả dự án dùng AI có thể xác minh.
Xét rộng hơn, nếu AI hoàn toàn không tham gia sửa đổi trạng thái trên chuỗi, mà chỉ lấy dữ liệu trên chuỗi về để xử lý sơ bộ cho người dùng, thì cũng không cần tạo ZKP cho quá trình tính toán. Ở đây, loại ứng dụng này được gọi là 【dịch vụ dữ liệu】, dưới đây là vài ví dụ:
-
Chatbox của Mest là điển hình của dịch vụ dữ liệu, người dùng có thể đặt câu hỏi để tìm hiểu dữ liệu trên chuỗi của mình, ví dụ như hỏi đã chi bao nhiêu tiền cho NFT;
-
ChainGPT là trợ lý AI đa chức năng, có thể giải thích hợp đồng thông minh trước giao dịch, cho bạn biết đang giao dịch với đúng pool hay không, hoặc cảnh báo giao dịch có thể bị sandwich hay frontrun. ChainGPT cũng đang chuẩn bị làm chức năng gợi ý tin tức AI, tự động tạo ảnh từ prompts và phát hành thành NFT, v.v.;
-
RSS3 cung cấp AIOP, cho phép người dùng chọn loại dữ liệu chuỗi nào họ muốn và xử lý sơ bộ, thuận tiện để dùng dữ liệu chuỗi cụ thể huấn luyện AI;
-
DefiLlama và RSS3 cũng phát triển plugin ChatGPT, người dùng có thể truy cập dữ liệu trên chuỗi qua hội thoại;
1.3.2 Những kịch bản cần AI có thể xác minh
Bài viết cho rằng những trường hợp liên quan đến nhiều người, liên quan đến công bằng và quyền riêng tư cần ZKP để xác minh, dưới đây là thảo luận một số ứng dụng mà Modulus Labs đề cập:
-
Khi cộng đồng dựa trên xếp hạng uy tín cá nhân do AI tạo ra để phát thưởng, thành viên cộng đồng chắc chắn sẽ yêu cầu kiểm tra quá trình ra quyết định đánh giá, ở đây quá trình ra quyết định chính là quá trình tính toán ML;
-
Trường hợp AI tối ưu AMM liên quan đến phân bổ lợi ích giữa nhiều người, cũng cần định kỳ kiểm tra quá trình tính toán AI;
-
Khi cân bằng giữa quyền riêng tư và giám sát, ZK hiện là một trong những giải pháp tốt nhất; nếu bên cung cấp dịch vụ dùng ML xử lý dữ liệu riêng tư trong dịch vụ, thì cần tạo ZKP cho toàn bộ quá trình tính toán;
-
Vì oracle ảnh hưởng phạm vi rộng, nếu do AI điều chỉnh thì cần định kỳ tạo ZKP để kiểm tra AI có vận hành bình thường hay không;
-
Trong cuộc thi, công chúng và thí sinh khác có nhu cầu kiểm tra tính toán ML có tuân thủ quy tắc thi đấu hay không;
-
Trong trường hợp tiềm năng của Worldcoin, việc bảo vệ dữ liệu sinh trắc học cá nhân cũng là nhu cầu mạnh;
Tổng thể mà nói, khi AI giống như một người ra quyết định, đầu ra ảnh hưởng rộng và liên quan đến sự công bằng giữa nhiều bên, thì mọi người sẽ yêu cầu kiểm tra quá trình ra quyết định, hoặc đơn giản là đảm bảo quá trình ra quyết định của AI không có vấn đề lớn; còn việc bảo vệ quyền riêng tư cá nhân là một nhu cầu rất rõ ràng.
Vì vậy, 【đầu ra AI có sửa đổi trạng thái trên chuỗi hay không】và【có ảnh hưởng đến công bằng/quyền riêng tư hay không】là hai tiêu chí để đánh giá có cần giải pháp AI có thể xác minh hay không
-
Khi đầu ra AI không sửa đổi trạng thái trên chuỗi, dịch vụ AI có thể đóng vai trò tư vấn, người dùng có thể đánh giá chất lượng dịch vụ AI qua hiệu quả tư vấn, không cần xác minh quá trình tính toán;
-
Khi đầu ra AI sửa đổi trạng thái trên chuỗi, nếu dịch vụ chỉ dành cho cá nhân và không ảnh hưởng đến quyền riêng tư, người dùng vẫn có thể trực tiếp đánh giá chất lượng dịch vụ AI mà không cần kiểm tra quá trình tính toán;
-
Khi đầu ra AI trực tiếp ảnh hưởng đến sự công bằng giữa nhiều người và AI tự động sửa đổi dữ liệu trên chuỗi, cộng đồng và công chúng sẽ có nhu cầu kiểm tra quá trình ra quyết định của AI;
-
Khi dữ liệu mà ML xử lý liên quan đến quyền riêng tư cá nhân, cũng cần dùng zk để bảo vệ quyền riêng tư, đồng thời đáp ứng yêu cầu quản lý.
2. Hai mô hình hệ sinh thái AI dựa trên blockchain
Dù sao đi nữa, giải pháp của Modulus Labs mang lại ý nghĩa lớn trong việc khám phá cách AI kết hợp với crypto để tạo giá trị ứng dụng thực tiễn. Nhưng hệ thống blockchain không chỉ nâng cao khả năng của từng dịch vụ AI đơn lẻ, mà còn có tiềm năng xây dựng một hệ sinh thái AI ứng dụng mới. Hệ sinh thái mới này mang lại mối quan hệ khác biệt giữa các dịch vụ AI so với Web2, giữa dịch vụ AI và người dùng, cũng như phương thức hợp tác giữa các khâu trong chuỗi cung ứng. Chúng ta có thể khái quát mô hình hệ sinh thái AI tiềm năng thành hai dạng: dọc và ngang.
2.1 Mô hình dọc: Tập trung vào khả năng kết hợp giữa các AI
Trường hợp sử dụng cờ vua trên chuỗi "Leela vs the World" có điểm đặc biệt: người ta có thể đặt cược cho con người hoặc AI, sau trận đấu sẽ tự động phân phối token. Lúc này, ý nghĩa của zkp không chỉ là để người dùng xác minh quá trình tính toán AI, mà còn là đảm bảo tin cậy để kích hoạt chuyển đổi trạng thái trên chuỗi. Với đảm bảo tin cậy này, có thể tồn tại mức độ kết hợp (composability) giữa các dịch vụ AI, giữa AI và dapp gốc trên blockchain.
Đơn vị cơ bản của AI có thể kết hợp là 【mô hình ML bên ngoài chuỗi - tạo zkp - hợp đồng xác minh trên chuỗi - hợp đồng chính】, đơn vị này bắt chước từ khung "Leela vs the World", tuy nhiên cấu trúc thực tế của từng AI dapp có thể khác với hình vẽ trên. Một là trong cờ vua cần một hợp đồng để lưu bàn cờ, nhưng trong thực tế AI có thể không cần hợp đồng trên chuỗi. Nhưng xét về cấu trúc AI có thể kết hợp, nếu nghiệp vụ chính được ghi lại qua hợp đồng, thì việc kết hợp với dapp khác sẽ thuận tiện hơn. Hai là hợp đồng chính không nhất thiết phải ảnh hưởng đến mô hình ML của AI dapp, vì một AI dapp nào đó có thể chỉ ảnh hưởng một chiều, sau khi mô hình ML xử lý xong sẽ kích hoạt hợp đồng liên quan đến nghiệp vụ của nó, và hợp đồng này lại có thể bị dapp khác gọi đến.
Mở rộng ra, việc gọi giữa các hợp đồng chính là việc gọi giữa các ứng dụng web3 khác nhau, là việc gọi danh tính cá nhân, tài sản, dịch vụ tài chính, thậm chí là thông tin xã hội. Chúng ta có thể hình dung một tổ hợp ứng dụng AI cụ thể như sau:
-
Worldcoin dùng ML để tạo mã iris và zkp từ dữ liệu mống mắt cá nhân;
-
Ứng dụng AI xếp hạng uy tín trước tiên xác minh xem DID này có phải người thật (phía sau có dữ liệu mống mắt) hay không, sau đó phân NFT cho người dùng dựa trên uy tín trên chuỗi;
-
Dịch vụ cho vay điều chỉnh hạn mức dựa trên NFT mà người dùng sở hữu;
Việc tương tác giữa các AI trong khuôn khổ blockchain không phải là chủ đề chưa từng được bàn luận. Loaf, người đóng góp cho hệ sinh thái Realms (trò chơi toàn chuỗi), từng đề xuất rằng NPC AI có thể giao dịch với nhau giống như người chơi, khiến toàn bộ hệ thống kinh tế có thể tự tối ưu và vận hành tự động. AI Arena phát triển một trò chơi đấu tự động giữa các AI, người dùng trước tiên mua một NFT, mỗi NFT đại diện cho một robot chiến đấu, phía sau là một mô hình AI. Người dùng tự chơi game trước, sau đó đưa dữ liệu cho AI mô phỏng học tập, khi cảm thấy AI đủ mạnh thì có thể đưa vào đấu trường để tự động chiến đấu với AI khác. Modulus Labs nhắc đến việc AI Arena hy vọng biến tất cả các AI này thành AI có thể xác minh được. Trong hai ví dụ này, đều thấy được khả năng AI tương tác với nhau và trực tiếp sửa đổi dữ liệu trên chuỗi trong lúc tương tác.
Nhưng việc hiện thực hóa AI có thể kết hợp vẫn còn nhiều vấn đề cần thảo luận cụ thể, ví dụ như các dapp khác nhau sẽ sử dụng zkp hoặc hợp đồng xác minh của nhau như thế nào. Tuy nhiên, trong lĩnh vực zk cũng có nhiều dự án xuất sắc, ví dụ RISC Zero đã đạt nhiều tiến triển trong việc thực hiện các phép tính phức tạp bên ngoài chuỗi và đăng zkp lên chuỗi, có thể một ngày nào đó sẽ kết hợp ra được giải pháp phù hợp.
2.2 Mô hình ngang: Tập trung vào nền tảng dịch vụ AI phi tập trung
Trong lĩnh vực này, chúng tôi giới thiệu một nền tảng AI phi tập trung tên là SAKSHI, do các thành viên từ Princeton, Đại học Thanh Hoa, Đại học Illinois tại Urbana-Champaign, Đại học Khoa học và Công nghệ Hồng Kông, Witness Chain và Eigen Layer cùng đề xuất. Mục tiêu cốt lõi là cho phép người dùng nhận dịch vụ AI theo cách phi tập trung hơn, khiến toàn bộ quy trình trở nên phi tin cậy và tự động hóa hơn.
Kiến trúc SAKSHI có thể chia thành sáu lớp: Lớp dịch vụ (Service Layer), Lớp điều khiển (Control Layer), Lớp giao dịch (Transaction Layer), Lớp chứng minh (Proof Layer), Lớp kinh tế (Economic Layer) và Lớp thị trường (Marketplace).
Thị trường là lớp gần người dùng nhất, trên thị trường có các aggregator đại diện cho các nhà cung cấp AI khác nhau để cung cấp dịch vụ cho người dùng, người dùng đặt hàng qua aggregator và thỏa thuận với aggregator về chất lượng dịch vụ và giá thanh toán (thỏa thuận này gọi là SLA - Service-level agreement).
Tiếp theo, lớp dịch vụ sẽ cung cấp API cho phía khách hàng, sau đó khách hàng gửi yêu cầu suy luận ML đến aggregator, yêu cầu này được truyền tới máy chủ dùng để ghép nối nhà cung cấp dịch vụ AI (tuyến đường truyền yêu cầu này thuộc về một phần của lớp điều khiển). Do đó, lớp dịch vụ và lớp điều khiển tương tự như dịch vụ web2 có nhiều máy chủ, nhưng các máy chủ khác nhau do các chủ thể khác nhau vận hành, từng máy chủ được liên kết với aggregator thông qua SLA (thỏa thuận dịch vụ ký trước đó).
SLA được triển khai dưới dạng hợp đồng thông minh lên chuỗi, các hợp đồng này đều thuộc lớp giao dịch (lưu ý: trong giải pháp này triển khai trên Witness Chain). Lớp giao dịch còn ghi lại trạng thái hiện tại của một đơn hàng dịch vụ, dùng để điều phối giữa người dùng, aggregator và nhà cung cấp dịch vụ, xử lý tranh chấp thanh toán.
Để lớp giao dịch có căn cứ khi xử lý tranh chấp, lớp chứng minh (Proof Layer) sẽ kiểm tra xem nhà cung cấp dịch vụ có tuân thủ mô hình theo thỏa thuận SLA hay không. Tuy nhiên, SAKSHI không chọn cách tạo zkp cho quá trình tính toán ML, mà dùng tư tưởng chứng minh lạc quan (optimistic proof), muốn xây dựng mạng nút thách thức để kiểm tra dịch vụ, phần thưởng cho các nút này do Witness Chain đảm nhiệm.
Mặc dù SLA và mạng nút thách thức đều nằm trên Witness Chain, nhưng trong giải pháp SAKSHI, Witness Chain không có ý định dùng token gốc của mình để tạo độ an toàn độc lập, mà thông qua Eigen Layer để mượn độ an toàn của Ethereum, do đó toàn bộ lớp kinh tế thực chất dựa vào Eigen Layer.
Có thể thấy, SAKSHI nằm giữa nhà cung cấp dịch vụ AI và người dùng, tổ chức các AI khác nhau theo cách phi tập trung để cung cấp dịch vụ cho người dùng, đây rõ ràng là một giải pháp theo chiều ngang. Cốt lõi của SAKSHI là giúp nhà cung cấp dịch vụ AI tập trung hơn vào việc quản lý tính toán mô hình bên ngoài chuỗi của họ, còn việc khớp nối nhu cầu người dùng với dịch vụ mô hình, thanh toán dịch vụ và xác minh chất lượng dịch vụ được hoàn thành thông qua giao thức trên chuỗi, đồng thời cố gắng tự động hóa việc giải quyết tranh chấp thanh toán. Tất nhiên, hiện tại SAKSHI vẫn ở giai đoạn lý thuyết, còn rất nhiều chi tiết thực thi cần làm rõ.
3. Triển vọng tương lai
Dù là AI có thể kết hợp hay nền tảng AI phi tập trung, các mô hình hệ sinh thái AI dựa trên blockchain dường như có điểm chung. Ví dụ, nhà cung cấp dịch vụ AI đều không trực tiếp giao tiếp với người dùng, họ chỉ cần cung cấp mô hình ML và thực hiện tính toán bên ngoài chuỗi. Việc thanh toán, giải quyết tranh chấp, ghép nối nhu cầu người dùng với dịch vụ, đều có thể được giải quyết bởi giao thức phi tập trung. Blockchain như một cơ sở hạ tầng phi tin cậy, giảm ma sát giữa nhà cung cấp và người dùng, lúc này người dùng cũng có quyền tự chủ cao hơn.
Ưu điểm của việc dùng blockchain làm nền tảng ứng dụng tuy đã được nói đi nói lại nhiều lần, nhưng thực sự cũng phù hợp với dịch vụ AI. Điểm khác biệt giữa ứng dụng AI và ứng dụng dapp thuần túy là ứng dụng AI không thể đặt toàn bộ tính toán lên chuỗi, do đó cần dùng zk hoặc chứng minh lạc quan để kết nối dịch vụ AI với hệ thống blockchain một cách phi tin cậy hơn.
Cùng với việc triển khai一系列 các giải pháp tối ưu trải nghiệm như abstract tài khoản (account abstraction), người dùng có thể không còn cảm nhận sự tồn tại của cụm từ khóa, chuỗi và gas, điều này khiến trải nghiệm hệ sinh thái blockchain gần giống web2, trong khi người dùng lại có độ tự do và khả năng kết hợp cao hơn dịch vụ web2, điều này sẽ thu hút người dùng rất lớn. Hệ sinh thái ứng dụng AI dựa trên blockchain thực sự đáng期待.
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
Kernel Ventures
