Báo cáo cuối cùng về AI+Crypto: Loại hình AI+Crypto nào có thể mang lại lợi nhuận cao hơn cho sản phẩm?
Tuyển chọn TechFlowTuyển chọn TechFlow
Báo cáo cuối cùng về AI+Crypto: Loại hình AI+Crypto nào có thể mang lại lợi nhuận cao hơn cho sản phẩm?
Điểm hợp lý hơn của ứng dụng AI nằm ở việc tăng cường trải nghiệm người dùng và nâng cao hiệu quả phát triển, hoặc đóng vai trò là một phần quan trọng trong thị trường AI.
Chuyên sâu báo cáo Web3Tác giả: Ian @Foresight Ventures
TL;DR
Sau nhiều tháng nghiên cứu sâu về lĩnh vực kết hợp AI và tiền mã hóa, tôi đã hiểu rõ hơn về hướng đi này. Bài viết phân tích so sánh giữa quan điểm ban đầu và xu hướng hiện tại của ngành, bạn đọc quen thuộc với lĩnh vực có thể bắt đầu từ phần thứ hai.
-
Mạng lưới điện toán phi tập trung: đối mặt với thách thức về nhu cầu thị trường, đặc biệt nhấn mạnh mục đích cuối cùng của việc phi tập trung là giảm chi phí. Thuộc tính cộng đồng Web3 và token mang lại giá trị không thể bỏ qua, nhưng đối với chính赛道算力 thì đây vẫn chỉ là giá trị bổ sung chứ chưa phải thay đổi mang tính đột phá. Trọng tâm nằm ở việc tìm ra cách kết hợp với nhu cầu người dùng, chứ không phải mù quáng xem mạng điện toán phi tập trung như giải pháp thay thế cho điện toán tập trung.
-
Thị trường AI: thảo luận về ý tưởng một thị trường AI được tài chính hóa toàn chuỗi, trong đó giá trị từ cộng đồng và token là yếu tố then chốt. Thị trường như vậy không chỉ chú trọng vào điện toán và dữ liệu nền tảng mà còn bao gồm cả mô hình và ứng dụng liên quan. Việc tài chính hóa mô hình là yếu tố cốt lõi — vừa thu hút người dùng tham gia trực tiếp vào quá trình tạo giá trị của mô hình AI, vừa tạo ra nhu cầu cho điện toán và dữ liệu nền tảng.
-
Onchain AI, ZKML đối mặt với thách thức kép về cung và cầu, trong khi OPML đưa ra giải pháp cân bằng hơn về chi phí và hiệu suất. Dù OPML là bước đổi mới công nghệ, nhưng nó chưa chắc đã giải quyết được thách thức căn bản của Onchain AI — đó là thiếu nhu cầu thực tế.
-
Lớp ứng dụng: phần lớn các dự án AI trên web3 đều quá non nớt. Điểm hợp lý hơn của ứng dụng AI là cải thiện trải nghiệm người dùng, nâng cao hiệu quả phát triển hoặc trở thành mắt xích quan trọng trong hệ sinh thái thị trường AI.
1. Tổng quan lại về赛道 AI
Trong vài tháng qua, tôi đã nghiên cứu kỹ lưỡng chủ đề AI + crypto. Sau thời gian tích lũy, tôi thấy vui vì đã sớm nhận diện được một số xu hướng của ngành, nhưng cũng nhìn thấy một số quan điểm trước đây nay đã không còn chính xác.
Bài viết này chỉ nói quan điểm, không giới thiệu khái niệm, sẽ bao quát vài hướng lớn của AI trong web3 và trình bày quan điểm cũ – mới của tôi về từng mảng. Các góc nhìn khác nhau có thể mang lại cảm hứng riêng, mời bạn đọc so sánh và suy xét biện chứng.
Hãy cùng nhìn lại các định hướng chính của AI + crypto mà tôi đã đặt ra vào nửa đầu năm:
1.1 Điện toán phân tán
Trong bài “Nhìn nhận khách quan về mạng điện toán phi tập trung”, dựa trên lập luận lớn rằng điện toán sẽ trở thành tài nguyên quý giá nhất trong tương lai, tôi đã phân tích giá trị mà crypto có thể mang lại cho mạng điện toán.
Dù mạng điện toán phân tán phi tập trung có nhu cầu lớn nhất trong huấn luyện mô hình AI quy mô lớn, nhưng cũng đối mặt với thách thức và nút thắt công nghệ lớn nhất. Bao gồm vấn đề đồng bộ dữ liệu phức tạp, tối ưu hóa mạng, bảo mật và quyền riêng tư dữ liệu cũng là yếu tố hạn chế quan trọng. Dù đã có một số công nghệ sơ khởi giải quyết tạm thời, nhưng trong nhiệm vụ huấn luyện quy mô lớn, do chi phí tính toán và truyền thông khổng lồ nên những công nghệ này vẫn chưa thể áp dụng. Rõ ràng, mạng điện toán phân tán phi tập trung có tiềm năng triển khai tốt hơn ở mảng suy luận (inference), và không gian tăng trưởng dư địa còn rất lớn. Tuy nhiên, vẫn đối mặt thách thức về độ trễ truyền thông, bảo mật dữ liệu, an toàn mô hình. So với huấn luyện mô hình, suy luận có độ phức tạp tính toán và mức độ tương tác dữ liệu thấp hơn, phù hợp hơn để triển khai trong môi trường phân tán.
1.2 Thị trường AI phi tập trung
Trong bài “Nỗ lực tốt nhất cho Marketplace AI phi tập trung”, tôi đề cập rằng một marketplace AI phi tập trung thành công cần kết hợp chặt chẽ lợi thế của AI và Web3, tận dụng tính phân tán, xác thực tài sản, phân phối lợi nhuận và giá trị bổ sung từ điện toán phi tập trung, hạ thấp rào cản sử dụng AI, khuyến khích nhà phát triển tải lên và chia sẻ mô hình, đồng thời bảo vệ quyền riêng tư dữ liệu người dùng, xây dựng nền tảng giao dịch và chia sẻ tài nguyên AI thân thiện với nhà phát triển và đáp ứng nhu cầu người dùng.
Quan điểm lúc đó (giờ nhìn lại có thể chưa hoàn toàn đúng) là marketplace AI dựa trên dữ liệu tiềm năng lớn hơn. Cố gắng theo đuổi marketplace chuyên về mô hình đòi hỏi lượng lớn mô hình chất lượng cao làm nền tảng, nhưng các nền tảng sơ kỳ thiếu cơ sở người dùng và nguồn lực chất lượng, khiến động lực cho người cung cấp mô hình xuất sắc bị hạn chế, khó thu hút mô hình tốt; trong khi marketplace dựa trên dữ liệu thông qua phi tập trung, thu thập phân tán, thiết kế lớp khuyến khích và đảm bảo quyền sở hữu dữ liệu, có thể tích lũy lượng lớn dữ liệu và tài nguyên có giá trị, đặc biệt là dữ liệu riêng tư.
Thành công của marketplace AI phi tập trung phụ thuộc vào việc tích lũy tài nguyên người dùng và hiệu ứng mạng mạnh mẽ — giá trị người dùng và nhà phát triển nhận được từ thị trường vượt xa giá trị họ có thể đạt được bên ngoài thị trường. Ở giai đoạn đầu, trọng tâm là tích lũy mô hình chất lượng để thu hút và giữ chân người dùng, sau khi xây dựng kho mô hình chất lượng và rào cản dữ liệu, chuyển sang thu hút và giữ chân người dùng cuối nhiều hơn.
1.3 ZKML
Ngay từ trước khi ZKML trở thành chủ đề được bàn luận rộng rãi, tôi đã thảo luận về giá trị của AI on-chain trong bài “AI + Web3 = ?”.
Không hy sinh tính phi tập trung và trustless, onchain AI có cơ hội dẫn dắt thế giới web3 bước lên “cấp độ tiếp theo”. Web3 hiện tại giống như giai đoạn sơ khai của web2, chưa đủ khả năng đón nhận các ứng dụng rộng hơn hay tạo ra giá trị lớn hơn. Trong khi đó, onchain AI cung cấp giải pháp minh bạch, trustless.
1.4 Ứng dụng AI
Trong bài “AI + Crypto nói về game nữ hướng web3 - HIM”, tôi phân tích giá trị mà mô hình lớn mang lại cho ứng dụng web3 thông qua dự án danh mục “HIM”; loại AI + crypto nào có thể mang lại lợi nhuận cao hơn cho sản phẩm? Ngoài việc xây dựng LLM trustless trên chain từ hạ tầng đến thuật toán, một hướng khác là làm mờ ảnh hưởng của hộp đen suy luận trong sản phẩm, tìm ra kịch bản phù hợp để triển khai khả năng suy luận mạnh mẽ của mô hình lớn.
2. Phân tích hiện trạng赛道 AI
2.1 Mạng điện toán: tiềm năng lớn nhưng ngưỡng vào cao
Lập luận lớn về mạng điện toán vẫn không thay đổi, nhưng vẫn đối mặt thách thức về nhu cầu thị trường: ai sẽ cần giải pháp kém hiệu quả và ổn định hơn? Vì vậy, tôi cho rằng cần làm rõ vài điểm sau:
Phi tập trung để làm gì?
Giờ nếu hỏi một founder của mạng điện toán phi tập trung, anh ta hầu như chắc chắn sẽ trả lời: mạng điện toán của chúng tôi có thể tăng cường bảo mật, chống tấn công, nâng cao minh bạch và niềm tin, tối ưu hóa sử dụng tài nguyên, cải thiện quyền riêng tư dữ liệu và kiểm soát người dùng, chống kiểm duyệt và can thiệp…
Đây đều là những điều hiển nhiên, bất kỳ dự án web3 nào cũng có thể nói đến chống kiểm duyệt, không cần tin tưởng, quyền riêng tư... Nhưng quan điểm của tôi là những điều này không quan trọng. Hãy suy nghĩ kỹ: về bảo mật, máy chủ tập trung chẳng lẽ không làm tốt hơn sao? Về cơ bản, mạng điện toán phi tập trung cũng chưa giải quyết được vấn đề quyền riêng tư. Còn nhiều điểm mâu thuẫn tương tự. Vì vậy: mục đích cuối cùng của việc phi tập trung một mạng điện toán nhất định phải là giảm chi phí. Mức độ phi tập trung càng cao, chi phí sử dụng điện toán càng thấp.
Vì vậy, nhìn từ gốc, “tận dụng điện toán nhàn rỗi” nhiều hơn là một câu chuyện dài hạn. Một mạng điện toán phi tập trung có thành công hay không, theo tôi, phụ thuộc lớn vào việc đội ngũ có thực sự hiểu rõ mấy điểm sau không:
Giá trị mà Web3 mang lại
Một thiết kế token thông minh cùng cơ chế khen thưởng/phạt rõ ràng rõ ràng là điểm cộng mạnh mẽ từ cộng đồng phi tập trung. So với internet truyền thống, token không chỉ là phương tiện giao dịch, mà còn kết hợp với smart contract giúp protocol triển khai cơ chế khen thưởng và quản trị phức tạp hơn. Đồng thời, tính minh bạch, chi phí thấp, hiệu suất cao cũng nhờ vào giá trị crypto mang lại. Giá trị độc đáo này mang lại linh hoạt và không gian đổi mới lớn hơn để khuyến khích người đóng góp.
Tuy nhiên, cũng cần nhìn nhận tỉnh táo về sự “phù hợp” có vẻ hợp lý này: với mạng điện toán phi tập trung, giá trị từ Web3 và blockchain chỉ là “giá trị bổ sung”, chứ không phải sự thay đổi căn bản, không thể thay đổi cách vận hành cơ bản hay phá vỡ nút thắt kỹ thuật hiện tại.
Tóm lại, giá trị web3 làm tăng sức hấp dẫn của mạng phi tập trung, nhưng không thể thay đổi hoàn toàn cấu trúc cốt lõi hay mô hình vận hành. Nếu mong muốn mạng phi tập trung thực sự chiếm vị trí trong làn sóng AI, chỉ dựa vào giá trị web3 là chưa đủ. Do đó, như sẽ đề cập sau, công nghệ phù hợp giải quyết vấn đề phù hợp, cách chơi của mạng điện toán phi tập trung tuyệt đối không đơn thuần là giải quyết thiếu hụt điện toán AI, mà là mang lại lối chơi và tư duy mới cho赛道 vốn trầm lặng lâu nay.
Có thể giống như đào PoW hay lưu trữ đào, biến điện toán thành tài sản được tài chính hóa. Trong mô hình này, người cung cấp điện toán có thể nhận token làm thù lao khi đóng góp tài nguyên tính toán. Sức hút nằm ở việc trực tiếp chuyển đổi tài nguyên tính toán thành lợi ích kinh tế, từ đó khuyến khích nhiều người tham gia hơn. Hoặc có thể tạo ra một thị trường tiêu thụ điện toán dựa trên web3, bằng cách tài chính hóa đầu vào điện toán (ví dụ như mô hình), mở ra điểm nhu cầu chấp nhận điện toán chậm hơn và kém ổn định hơn.
Phải hiểu rõ cách kết nối với nhu cầu thực tế của người dùng, bởi nhu cầu của người dùng và người tham gia không nhất thiết chỉ là điện toán hiệu quả — “kiếm được tiền” luôn là động lực thuyết phục nhất.
Năng lực cạnh tranh cốt lõi của mạng điện toán phi tập trung là giá cả
Nếu nhất thiết phải bàn về giá trị thực tế của điện toán phi tập trung, thì không gian tưởng tượng lớn nhất từ web3 chính là cơ hội giảm thêm chi phí điện toán.
Mức độ phi tập trung của node điện toán càng cao, giá điện toán đơn vị càng thấp. Có thể suy luận từ vài hướng sau:
-
Việc đưa token vào, thù lao cho node cung cấp điện toán từ tiền mặt chuyển thành token gốc của protocol, từ gốc giảm chi phí vận hành;
-
Việc mở cửa tham gia không giới hạn (permissionless) và hiệu ứng cộng đồng mạnh mẽ của web3 trực tiếp thúc đẩy tối ưu hóa chi phí theo cơ chế thị trường. Nhiều cá nhân và doanh nghiệp nhỏ có thể tận dụng tài nguyên phần cứng sẵn có để tham gia mạng, làm tăng nguồn cung điện toán, kéo giá điện toán trên thị trường xuống. Trong mô hình tự trị và quản lý cộng đồng.
-
Thị trường điện toán mở do protocol tạo ra sẽ thúc đẩy cạnh tranh giá giữa các nhà cung cấp điện toán, từ đó tiếp tục giảm chi phí.
Ví dụ: ChainML
Tóm lại: ChainML là nền tảng phi tập trung cung cấp điện toán cho inference và fine-tuning. Ngắn hạn, ChainML sẽ triển khai framework agent AI mã nguồn mở Council, thông qua thử nghiệm Council (một chatbot có thể tích hợp vào nhiều ứng dụng) để tạo nhu cầu cho mạng điện toán phi tập trung. Dài hạn, ChainML sẽ là nền tảng AI + web3 đầy đủ (sẽ phân tích kỹ sau), bao gồm thị trường mô hình và thị trường điện toán.
Tôi cho rằng lộ trình công nghệ của ChainML rất hợp lý, họ cũng hiểu rõ các vấn đề đã nêu: mục đích của điện toán phi tập trung nhất định không phải là so sánh ngang hàng với điện toán tập trung hay cung cấp điện toán dồi dào cho ngành AI, mà là dần giảm chi phí để các đối tượng có nhu cầu chấp nhận nguồn điện toán chất lượng thấp hơn. Vậy nên, trong giai đoạn đầu dự án, khi protocol chưa thể tiếp cận lượng lớn node điện toán phi tập trung, trọng tâm là tìm nguồn điện toán ổn định và hiệu quả. Do đó, về lộ trình sản phẩm, nên bắt đầu theo cách tập trung, thông suốt chuỗi sản phẩm ở giai đoạn đầu, đồng thời thông qua năng lực BD mạnh mẽ để tích lũy khách hàng, mở rộng thị trường, rồi dần phân tán nhà cung cấp điện toán tập trung sang các công ty nhỏ hơn, cuối cùng mở rộng quy mô node điện toán. Đây chính là tư duy "chia để trị" của ChainML.
Về bố cục phía cầu, ChainML xây dựng MVP là giao thức hạ tầng tập trung, thiết kế có tính di dời. Từ tháng 2 năm nay đã vận hành hệ thống này cùng khách hàng, từ tháng 4 đã sử dụng trong môi trường sản xuất. Hiện đang chạy trên Google Cloud, nhưng nhờ Kubernetes và các công nghệ mã nguồn mở khác, dễ dàng di dời sang các môi trường khác (AWS, Azure, Coreweave...). Sau này sẽ dần phi tập trung giao thức này, phân tán sang các đám mây nhỏ, rồi cuối cùng là các thợ đào cung cấp điện toán.
2.2 Thị trường AI: tiềm năng tưởng tượng lớn hơn
Gọi sector này là AI marketplace hơi giới hạn không gian tưởng tượng. Về mặt nghiêm ngặt, một “thị trường AI” thực sự có tiềm năng nên là một nền tảng trung gian tài chính hóa toàn chuỗi mô hình, bao gồm từ điện toán và dữ liệu nền tảng đến bản thân mô hình và ứng dụng liên quan. Trước đây tôi đề cập rằng mâu thuẫn chính ban đầu của điện toán phi tập trung là tạo nhu cầu, trong khi một thị trường tài chính hóa toàn chuỗi AI vừa khéo có cơ hội sinh ra loại nhu cầu này.
Khoảng như sau:
Một thị trường AI được hỗ trợ bởi web3 lấy điện toán và dữ liệu làm nền tảng, thu hút nhà phát triển xây dựng hoặc tinh chỉnh mô hình thông qua dữ liệu có giá trị hơn, từ đó phát triển các ứng dụng dựa trên mô hình, các ứng dụng và mô hình này trong quá trình phát triển và sử dụng cũng tạo nhu cầu cho điện toán. Dưới động lực của token và cộng đồng, các nhiệm vụ thu thập dữ liệu theo bounty theo thời gian thực hoặc khuyến khích thường xuyên cho người đóng góp dữ liệu có thể mở rộng và củng cố lợi thế độc đáo ở tầng dữ liệu của thị trường. Đồng thời, việc phổ biến ứng dụng cũng trả lại nhiều dữ liệu có giá trị hơn cho tầng dữ liệu.
Cộng đồng
Ngoài giá trị từ token đã nêu, cộng đồng không nghi ngờ gì là một trong những lợi ích lớn nhất từ web3, là động lực cốt lõi thúc đẩy nền tảng phát triển. Dưới sự hỗ trợ của cộng đồng và token, chất lượng người đóng góp và nội dung đóng góp có cơ hội vượt qua tổ chức tập trung, ví dụ như đa dạng dữ liệu là lợi thế của nền tảng kiểu này, điều này cực kỳ quan trọng để xây dựng mô hình AI chính xác, vô thiên lệch, đồng thời cũng là nút thắt hiện tại của hướng dữ liệu.
Theo tôi, cốt lõi của toàn bộ nền tảng nằm ở mô hình. Chúng tôi đã sớm nhận ra rằng thành bại của một AI marketplace phụ thuộc vào việc có tồn tại mô hình chất lượng cao hay không, và động lực gì khiến nhà phát triển đến một nền tảng phi tập trung để cung cấp mô hình? Nhưng có lẽ chúng ta cũng quên mất một vấn đề: về hạ tầng thì không bằng nền tảng truyền thống, về cộng đồng nhà phát triển thì không bằng, về uy tín cũng không có lợi thế tiên phong, vậy so với lượng người dùng khổng lồ và hạ tầng trưởng thành của nền tảng AI truyền thống, dự án web3 chỉ có thể vượt mặt đường vòng.
Câu trả lời có lẽ nằm ở tài chính hóa mô hình AI
-
Mô hình có thể được coi như một hàng hóa, việc coi mô hình AI như tài sản có thể đầu tư có thể là một sáng tạo thú vị của Web3 và thị trường phi tập trung. Thị trường này cho phép người dùng tham gia trực tiếp vào quá trình tạo giá trị của mô hình AI và hưởng lợi. Cơ chế này cũng khuyến khích theo đuổi mô hình chất lượng cao hơn và đóng góp cộng đồng, vì lợi ích người dùng gắn trực tiếp với hiệu suất và hiệu quả ứng dụng của mô hình;
-
Người dùng có thể đầu tư bằng cách stake mô hình, đưa vào cơ chế chia sẻ lợi nhuận vừa khuyến khích người dùng chọn và ủng hộ mô hình tiềm năng, vừa tạo động lực kinh tế cho nhà phát triển tạo ra mô hình tốt hơn. Mặt khác, tiêu chí đánh giá trực quan nhất của người stake (đặc biệt với mô hình tạo ảnh) là thử nghiệm nhiều lần, điều này tạo nhu cầu cho điện toán phi tập trung của nền tảng — đây cũng có thể là một trong những lối thoát cho câu hỏi trước “ai sẽ muốn dùng điện toán kém hiệu quả và kém ổn định hơn?”.
2.3 Onchain AI: OPML vượt mặt đường vòng?
ZKML: mắc lỗi kép ở cả cầu lẫn cung
Có thể khẳng định on-chain AI chắc chắn là một hướng đầy tiềm năng tưởng tượng và đáng nghiên cứu sâu. Đột phá on-chain AI có thể mang lại giá trị chưa từng có cho web3. Tuy nhiên, ngưỡng học thuật cực cao và yêu cầu về hạ tầng nền tảng của ZKML thực sự không phù hợp để các startup chết theo. Phần lớn dự án cũng không nhất thiết phải tích hợp hỗ trợ LLM trustless để đạt đột phá giá trị.
Không phải tất cả mô hình AI đều cần đưa lên chain và dùng ZK để trustless, giống như đa số người dùng không quan tâm chatbot xử lý query và đưa ra kết quả như thế nào, cũng không quan tâm stable diffusion dùng phiên bản kiến trúc mô hình nào hay thiết lập tham số cụ thể nào. Trong đa số tình huống, người dùng chỉ quan tâm mô hình có đưa ra output hài lòng hay không, chứ không phải quá trình suy luận có trustless hay minh bạch hay không.
Nếu hệ thống chứng minh không gây overhead gấp trăm lần hay chi phí suy luận cao hơn, có lẽ ZKML còn chút cơ hội, nhưng trước chi phí suy luận on-chain cao ngất và chi phí cao hơn, bất kỳ đối tượng có nhu cầu nào cũng có lý do nghi ngờ tính cần thiết của Onchain AI.
Xét từ phía cầu
Người dùng quan tâm đến việc kết quả mô hình đưa ra có hợp lý hay không, miễn là kết quả hợp lý, giá trị từ ZKML gần như bằng không; hãy tưởng tượng một kịch bản:
-
Nếu một bot giao dịch dựa trên mạng nơ-ron mỗi chu kỳ đều mang lại lợi nhuận gấp trăm lần cho người dùng, ai còn đi nghi ngờ thuật toán có tập trung hay có thể kiểm chứng hay không?
-
Tương tự, nếu bot giao dịch này bắt đầu khiến người dùng thua lỗ, thì đội dự án nên suy nghĩ cách nâng cao năng lực mô hình thay vì tốn công sức và vốn để làm mô hình có thể kiểm chứng. Đây chính là mâu thuẫn trong nhu cầu ZKML, nói cách khác, khả năng kiểm chứng mô hình trong nhiều tình huống không giải quyết căn bản nghi ngờ của con người với AI, giống như đi sai hướng.
Xét từ phía cung
Phát triển hệ thống chứng minh đủ mạnh để hỗ trợ mô hình ngôn ngữ lớn là con đường dài và gian nan, từ những nỗ lực đầu ngành hiện nay, gần như không thể thấy ngày mô hình lớn lên chain.
Tham khảo bài viết trước đây về ZKML của chúng tôi, về mặt kỹ thuật, mục tiêu ZKML là chuyển mạng nơ-ron thành mạch ZK, khó khăn nằm ở:
-
Mạch ZK không hỗ trợ số dấu phẩy động;
-
Chuyển đổi mạng nơ-ron quy mô lớn rất khó.
Từ tiến độ hiện tại:
-
Thư viện ZKML mới nhất hỗ trợ ZK hóa một số mạng nơ-ron đơn giản, được cho là có thể đưa mô hình hồi quy tuyến tính cơ bản lên chain. Nhưng demo hiện có rất ít.
-
Về lý thuyết có thể hỗ trợ ~100 triệu tham số, nhưng chỉ tồn tại trên lý thuyết.
Tiến độ phát triển ZKML chưa đạt kỳ vọng, từ tiến độ hệ thống chứng minh do các dự án đầu ngành như modulus lab và EZKL công bố, đều có thể chuyển một số mô hình đơn giản thành mạch ZK để đưa mô hình hoặc chứng minh suy luận lên chain. Nhưng điều này còn rất xa so với giá trị cốt lõi của ZKML, thậm chí còn chưa gần, và dường như cũng không có động lực cốt lõi để phá vỡ nút thắt kỹ thuật. Một赛道 thiếu nhu cầu nghiêm trọng về cơ bản không thể thu hút sự chú ý của giới học thuật, đồng nghĩa khó tạo ra POC xuất sắc để thu hút/thỏa mãn nhu cầu còn sót lại — đây có thể là vòng xoáy tử thần giết chết ZKML.
OPML: là bước chuyển tiếp hay là đích đến cuối cùng?
Khác biệt giữa OPML và ZKML nằm ở chỗ ZKML chứng minh toàn bộ quá trình suy luận, trong khi OPML chỉ thực hiện lại một phần quá trình suy luận khi bị thách thức. Rõ ràng, OPML giải quyết vấn đề lớn nhất là chi phí/quá tải quá cao, đây là một tối ưu hóa rất thực dụng.
Là người khởi xướng OPML, đội ngũ HyperOracle trong bài “opML is All You Need: Run a 13B ML Model in Ethereum” đã đưa ra kiến trúc và quá trình phát triển từ one-phase đến multi-phase opML:
-
Xây dựng máy ảo để thực thi off-chain và xác minh on-chain, đảm bảo tính tương đương giữa VM offline và VM được triển khai trong smart contract on-chain.
-
Để đảm bảo hiệu suất suy luận mô hình AI trong VM, triển khai thư viện DNN nhẹ được thiết kế riêng (không phụ thuộc vào các framework ML phổ biến như Tensorflow hay PyTorch), đồng thời đội ngũ cũng cung cấp script chuyển mô hình Tensorflow và PyTorch sang thư viện nhẹ này.
-
Thông qua biên dịch chéo để biên dịch code suy luận mô hình AI thành chỉ thị chương trình VM.
-
Quản lý image VM qua Merkle tree. Chỉ root Merkle đại diện cho trạng thái VM được tải lên smart contract on-chain.
Rõ ràng thiết kế này có một điểm yếu quan trọng: mọi tính toán phải thực hiện trong VM, điều này ngăn cản việc tận dụng GPU/TPU tăng tốc và xử lý song song, giới hạn hiệu suất. Vì vậy cần đưa vào multi-phase opML.
-
Chỉ ở phase cuối cùng, tính toán diễn ra trong VM.
-
Ở các giai đoạn khác, chuyển đổi trạng thái tính toán xảy ra trong môi trường native, nhờ đó tận dụng được CPU, GPU, TPU và hỗ trợ xử lý song song. Cách làm này giảm sự phụ thuộc vào VM, cải thiện đáng kể hiệu suất thực thi, đạt mức tương đương với môi trường native.
Tham khảo: https://mirror.xyz/hyperoracleblog.eth/Z__Ui5I9gFOy7-da_jI1lgEqtnzSIKcwuBIrk-6YM0Y
HÃY THỰC TẾ VỚI NHAU
Có quan điểm cho rằng OPML chỉ là bước chuyển tiếp trước khi ZKML toàn diện, nhưng thực tế hơn, hãy coi nó như một sự lựa chọn giữa chi phí và kỳ vọng triển khai của Onchain AI. Có thể ngày ZKML toàn diện sẽ không bao giờ đến, ít nhất tôi có thái độ bi quan, vậy hype Onchain AI cuối cùng vẫn phải đối mặt với thực tế triển khai và chi phí, và OPML có thể chính là thực tiễn tốt nhất của Onchain AI, giống như hệ sinh thái OP và ZK chưa bao giờ là quan hệ thay thế.
Tuy nhiên, đừng quên rằng điểm yếu về nhu cầu trước đây vẫn còn đó. Việc tối ưu chi phí và hiệu suất của OPML không giải quyết căn bản vấn đề “vì người dùng quan tâm hơn đến tính hợp lý của kết quả, tại sao phải đưa AI lên chain để làm nó trustless” — một sự đi lệch hướng. Minh bạch, quyền sở hữu, không cần tin tưởng — các buff này cộng lại dù hoa mỹ nhưng người dùng thật sự quan tâm sao? So sánh, biểu hiện giá trị nên nằm ở năng lực suy luận của mô hình.
Theo tôi, việc tối ưu chi phí này về mặt kỹ thuật là một nỗ lực đổi mới và vững chắc, nhưng về giá trị thì giống như một lời biện minh vụng về;
Có thể bản thân赛道 Onchain AI đang cầm búa đi tìm đinh, nhưng điều đó cũng không sai. Sự phát triển của một ngành sơ kỳ cần không ngừng khám phá sự kết hợp đổi mới giữa các lĩnh vực, tìm ra điểm khớp tốt nhất qua quá trình điều chỉnh. Điều sai không phải là va chạm và thử nghiệm công nghệ, mà là thiếu tư duy độc lập và chạy theo mù quáng.
2.4 Lớp ứng dụng: 99% là các sản phẩm ghép nối
Phải nói rằng các nỗ lực của AI ở lớp ứng dụng web3 quả thật liên tiếp nối đuôi nhau, dường như ai cũng đang FOMO, nhưng 99% các tích hợp vẫn chỉ dừng ở mức tích hợp, không cần thiết mượn năng lực suy luận của GPT để ánh xạ giá trị lớn lao của dự án.
Xét từ lớp ứng dụng, đại khái có hai lối thoát:
-
Tận dụng năng lực AI để nâng cao trải nghiệm người dùng, tăng hiệu suất phát triển: trong trường hợp này AI sẽ không phải điểm nổi bật, mà nhiều khi chỉ là người làm việc âm thầm phía hậu trường, thậm chí người dùng không cảm nhận được; ví dụ, đội ngũ game web3 HIM rất thông minh khi kết hợp nội dung game, AI, crypto, nắm bắt điểm phù hợp cao và tạo giá trị lớn nhất, đó là vừa sử dụng AI như công cụ tạo giá trị sản xuất, nâng cao hiệu suất và chất lượng phát triển, vừa nâng cao trải nghiệm người chơi thông qua năng lực suy luận của AI. AI và crypto thực sự mang lại giá trị rất quan trọng, nhưng về cốt lõi vẫn là tận dụng công cụ hóa công nghệ, lợi thế và cốt lõi thực sự của dự án vẫn là năng lực phát triển game của đội ngũ.
-
Kết hợp với AI marketplace, trở thành mắt xích quan trọng hướng tới người dùng trong toàn bộ hệ sinh thái.
3. Cuối cùng…
Nếu thực sự có điều gì cần nhấn mạnh hay tổng kết: AI vẫn là một trong những赛道 đáng chú ý nhất và nhiều cơ hội nhất trong web3, lập luận lớn này chắc chắn không thay đổi;
Nhưng theo tôi, điều đáng chú ý nhất là cách chơi của AI marketplace. Nhìn từ gốc, thiết kế nền tảng hoặc hạ tầng kiểu này phù hợp với nhu cầu tạo giá trị và thỏa mãn lợi ích các bên, xét vĩ mô, việc tạo ra một cách thu hoạch giá trị đặc trưng web3 ngoài mô hình hay điện toán bản thân đã đủ hấp dẫn, đồng thời cũng cho phép người dùng tham gia trực tiếp vào làn sóng AI theo cách độc đáo.
Có thể ba tháng nữa tôi sẽ bác bỏ quan điểm hiện tại của mình, nên:
Trên đây chỉ là quan điểm rất thực tế của tôi về赛道 này, tuyệt đối không cấu thành bất kỳ lời khuyên đầu tư nào!
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
Foresight Ventures
