Crypto là ảo giác của AI
Tuyển chọn TechFlowTuyển chọn TechFlow
Crypto là ảo giác của AI
Việc tiền mã hóa có thể thay đổi ảo giác của AI là một sự tự tin, đồng thời cũng là một ảo giác tiêu chuẩn.
Chuyên sâu báo cáo Web3Tác giả: Tả Gia
-
Xuất hiện (emergence): Hiện tượng khi nhiều cá thể nhỏ tương tác với nhau tạo thành một tổng thể lớn hơn, và tổng thể này lại thể hiện những đặc tính mới mà các cá thể cấu thành không có. Ví dụ, các hiện tượng sống được nghiên cứu trong sinh học là một đặc tính nổi trội của hóa học.
-
Ảo giác (Hallucination): Xu hướng mô hình đưa ra dữ liệu sai lệch. Đầu ra của mô hình AI trông có vẻ đúng nhưng thực tế lại sai.
Mối liên hệ giữa AI và Crypto thể hiện rõ nét theo chu kỳ sóng, sau khi AlphaGo đánh bại kỳ thủ cờ vây chuyên nghiệp vào năm 2016, thế giới tiền mã hóa đã tự phát xuất hiện các dự án như Fetch.AI nhằm kết hợp hai lĩnh vực này. Từ khi GPT-4 ra mắt vào năm 2023, làn sóng AI + Crypto lại bùng lên, tiêu biểu là việc Worldcoin phát hành token, loài người dường như đang bước vào một thời đại utopia nơi AI đảm nhận sản xuất, còn Crypto lo phần phân phối.
Cảm xúc này đạt đỉnh điểm sau khi OpenAI ra mắt ứng dụng tạo video từ văn bản Sora, nhưng vì là cảm xúc nên cũng chứa yếu tố phi lý trí. Ít nhất, Lý Nhất Chu chính là một trong những người bị ảnh hưởng oan. Ví dụ:
-
Ứng dụng cụ thể của AI và nghiên cứu thuật toán thường bị nhầm lẫn; nguyên lý Transformer đằng sau Sora và GPT-4 thì mã nguồn mở, nhưng sử dụng lại phải trả phí cho OpenAI;
-
Việc kết hợp AI và Crypto hiện tại chủ yếu do phía Crypto chủ động tiếp cận, trong khi các gã khổng lồ AI vẫn chưa có dấu hiệu rõ ràng nào; ở giai đoạn hiện nay, AI có thể làm được nhiều hơn cho Crypto so với ngược lại;
-
Việc sử dụng công nghệ AI trong ứng dụng Crypto ≠ sự tích hợp thực sự giữa AI và Crypto, ví dụ như nhân vật số trong game trên blockchain / GameFi / Metaverse / Web3 Game / AW;
-
Những gì Crypto có thể đóng góp cho sự phát triển công nghệ AI chủ yếu nằm ở việc bổ sung tính phi tập trung và cơ chế thưởng token trong ba yếu tố then chốt của AI: năng lực tính toán, dữ liệu và mô hình;
-
WorldCoin là minh chứng thành công cho sự kết hợp này, zkML nằm ở điểm giao thoa công nghệ giữa AI và Crypto, đồng thời lý thuyết UBI (Thu nhập cơ bản cho con người) lần đầu tiên được thử nghiệm quy mô lớn.
Trong bài viết này, tôi sẽ tập trung vào những điểm mà Crypto có thể tăng cường cho AI. Các dự án Crypto hiện nay chủ yếu khai thác ứng dụng AI chỉ mang tính chất quảng cáo, không tiện đưa vào thảo luận.
Từ hồi quy tuyến tính đến Transformer
Lâu nay, trọng tâm của các cuộc tranh luận về AI là liệu hiện tượng "xuất hiện" (emergence) có dẫn đến trí tuệ nhân tạo kiểu Ma trận hay nền văn minh silicon hay không. Lo ngại này luôn tồn tại trong mối quan hệ giữa con người và công nghệ AI, gần đây nhất là sau khi Sora ra đời, trước đó là GPT-4 (2023), AlphaGo (2016), và Deep Blue của IBM đánh bại vô địch cờ vua năm 1997.
Tuy nhiên, những lo ngại này chưa từng trở thành hiện thực. Thay vì căng thẳng, chúng ta hãy cùng sơ lược cơ chế hoạt động của AI.
Hãy bắt đầu từ hồi quy tuyến tính – thực chất là phương trình bậc nhất một ẩn. Ví dụ, cơ chế giảm cân của Giả Lăng có thể được tóm tắt như sau: x và y lần lượt đại diện cho lượng năng lượng nạp vào và cân nặng, nghĩa là ăn càng nhiều thì càng mập; muốn giảm cân thì phải ăn ít đi.
Tuy nhiên, cách này gây ra một số vấn đề. Thứ nhất, chiều cao và cân nặng của con người có giới hạn sinh học, khó có thể xuất hiện người cao 3 mét hay cô gái nặng ngàn cân, do đó việc xét các trường hợp vượt quá giới hạn là vô nghĩa. Thứ hai, việc đơn thuần là ăn ít và luyện tập nhiều không phù hợp với nguyên lý khoa học về giảm cân, nghiêm trọng hơn có thể gây hại cho sức khỏe.
Chúng ta cần dùng chỉ số BMI (Chỉ số khối cơ thể), tức là cân nặng chia cho bình phương chiều cao, để đo lường mối quan hệ hợp lý giữa hai yếu tố này. Đồng thời, đánh giá mối liên hệ giữa chiều cao và cân nặng thông qua ba yếu tố: ăn, ngủ, luyện tập. Vì vậy, chúng ta cần ba tham số và hai đầu ra. Rõ ràng, hồi quy tuyến tính là không đủ, mạng nơ-ron ra đời từ đây. Như tên gọi, mạng nơ-ron mô phỏng cấu trúc não người: suy nghĩ càng nhiều, khả năng ra quyết định hợp lý càng cao. "Tam tư nhi hậu hành", tăng số lần và độ sâu của suy nghĩ, chính là học sâu (deep learning – tôi diễn giải hơi牵强, mọi người hiểu ý là được).
Giải thích ngắn gọn lịch sử phát triển thuật toán AI
Tuy nhiên, việc tăng số tầng cũng không vô hạn, vẫn tồn tại ngưỡng trần. Khi vượt quá một giá trị tới hạn, hiệu quả có thể giảm sút. Do đó, việc hiểu rõ hơn mối quan hệ giữa các thông tin hiện có trở nên rất quan trọng. Ví dụ, hiểu sâu sắc hơn về mối quan hệ chi tiết giữa chiều cao và cân nặng, tìm ra các yếu tố chưa từng được phát hiện trước đây, hoặc Giả Lăng tìm được huấn luyện viên hàng đầu nhưng ngại nói thẳng mình muốn giảm cân, lúc này huấn luyện viên cần phải "đoán ý" xem Giả Lăng thực sự muốn gì.
Ý tứ khi giảm cân
Trong tình huống này, Giả Lăng và huấn luyện viên tạo thành cặp mã hóa - giải mã, truyền đạt ý tứ qua lại đại diện cho hàm ý thật sự của cả hai bên. Nhưng khác với cách nói trực tiếp như "Tôi muốn giảm cân, tặng quà cho huấn luyện viên", ý định thực sự của cả hai bị che giấu bởi "ý tứ".
Chúng ta nhận thấy một thực tế: nếu số lần trao đổi đủ nhiều, thì ý nghĩa của từng "ý tứ" sẽ dễ đoán hơn, đồng thời mối quan hệ giữa các "ý tứ" với Giả Lăng và huấn luyện viên cũng ngày càng rõ ràng.
Nếu mở rộng mô hình này, chúng ta sẽ có mô hình lớn (LLM - large language model) theo nghĩa phổ thông, chính xác hơn là mô hình ngôn ngữ lớn, tập trung vào mối quan hệ ngữ cảnh giữa các từ và câu. Tuy nhiên, hiện nay các mô hình lớn đã được mở rộng sang các lĩnh vực như hình ảnh, video, v.v.
Trong quang phổ AI, dù là hồi quy tuyến tính đơn giản hay Transformer cực kỳ phức tạp, đều là các dạng thuật toán hoặc mô hình. Ngoài ra, còn có hai yếu tố nữa là năng lực tính toán và dữ liệu.
Ghi chú: Lịch sử phát triển ngắn gọn của AI, nguồn ảnh: https://ourworldindata.org/brief-history-of-ai
Tóm lại, AI giống như một cỗ máy nuốt dữ liệu, xử lý và đưa ra kết quả. So với các robot vật lý, AI trừu tượng hơn. Trong ba thành phần: năng lực tính toán, dữ liệu và mô hình, quy trình thương mại hóa Web2 hiện nay như sau:
-
Dữ liệu được chia thành dữ liệu công cộng, dữ liệu nội bộ công ty và dữ liệu thương mại, cần qua giai đoạn xử lý sơ bộ chuyên nghiệp như gắn nhãn mới dùng được. Ví dụ, Scale AI cung cấp dịch vụ xử lý dữ liệu cho các công ty AI hàng đầu hiện nay;
-
Năng lực tính toán gồm hai hình thức: tự xây dựng hoặc thuê từ đám mây. Về phần cứng GPU, NVIDIA đang độc chiếm thị trường; thư viện CUDA cũng được phát triển nhiều năm, hiện nay hệ sinh thái phần mềm - phần cứng do họ thống trị. Thứ hai là dịch vụ thuê tính toán từ các nhà cung cấp đám mây như Azure của Microsoft, Google Cloud và AWS, cung cấp chức năng triển khai tính toán và mô hình trọn gói;
-
Mô hình có thể chia thành khung (framework) và thuật toán. Cuộc đua mô hình đã kết thúc: TensorFlow của Google ra đời sớm nhưng dần lép vế, PyTorch của Meta ra sau nhưng chiếm ưu thế. Dù Google là nơi đề xuất Transformer hay Meta nắm giữ PyTorch, cả hai đều dần tụt hậu trong thương mại hóa so với OpenAI, tuy nhiên thực lực vẫn rất mạnh. Về thuật toán, hiện nay Transformer đang áp đảo, các mô hình lớn chủ yếu cạnh tranh ở nguồn dữ liệu và chi tiết kỹ thuật.
Quá trình vận hành AI
Như đã nói, AI có phạm vi ứng dụng rộng rãi. Việc sửa lỗi mã nguồn do Vitalik đề cập đã được triển khai từ lâu. Nếu nhìn từ một góc độ khác, Crypto chủ yếu hỗ trợ AI ở các lĩnh vực phi kỹ thuật như thị trường dữ liệu phi tập trung, nền tảng tính toán phi tập trung... Một số thực nghiệm về LLM phi tập trung đã xuất hiện, nhưng cần lưu ý rằng việc dùng AI phân tích mã Crypto và chạy mô hình AI quy mô lớn trên blockchain là hai chuyện hoàn toàn khác biệt, thêm vài yếu tố Crypto vào mô hình AI cũng khó gọi là sự kết hợp hoàn hảo.
Hiện tại, Crypto vẫn giỏi hơn ở việc sản xuất và tạo động lực. Việc dùng Crypto ép buộc thay đổi mô hình sản xuất của AI là không cần thiết, giống như "vẽ vời tìm buồn", cầm cái búa đi tìm đinh. Việc Crypto hòa nhập vào quy trình làm việc của AI và AI trao quyền cho Crypto mới là lựa chọn hợp lý. Dưới đây là bốn điểm kết hợp khả thi mà tôi tổng hợp:
-
Sản xuất dữ liệu phi tập trung, ví dụ như thu thập dữ liệu DePIN, và tính minh bạch của dữ liệu trên chuỗi, ẩn chứa mỏ vàng dữ liệu giao dịch có thể dùng cho phân tích tài chính, an ninh và dữ liệu huấn luyện;
-
Nền tảng xử lý sơ bộ phi tập trung. Việc huấn luyện truyền thống không có rào cản kỹ thuật không thể vượt qua, nhưng đằng sau các mô hình lớn ở phương Tây là lao động cường độ cao của đội ngũ gắn nhãn ở các nước đang phát triển;
-
Nền tảng tính toán phi tập trung, khuyến khích và sử dụng các tài nguyên phần mềm - phần cứng phi tập trung như băng thông cá nhân, năng lực GPU;
-
zkML: Các biện pháp bảo mật dữ liệu truyền thống như làm mờ dữ liệu không thể giải quyết triệt để vấn đề. zkML có thể ẩn định hướng dữ liệu, đồng thời hiệu quả đánh giá tính chân thực và hiệu lực của mô hình mã nguồn mở hay đóng.
Bốn khía cạnh trên là những trường hợp mà Crypto có thể trao quyền cho AI mà tôi nghĩ ra. AI là công cụ phổ quát, các lĩnh vực và dự án AI For Crypto tôi sẽ không nhắc lại, mọi người có thể tự nghiên cứu.
Có thể thấy, hiện tại Crypto chủ yếu phát huy vai trò trong mã hóa, bảo vệ quyền riêng tư và thiết kế kinh tế. Điểm kết hợp kỹ thuật duy nhất có thử nghiệm là zkML. Có thể tưởng tượng thêm: nếu trong tương lai Solana thật sự đạt được TPS trên 100.000, và kết hợp hoàn hảo với Filecoin, liệu có thể xây dựng một môi trường LLM trên chuỗi, tạo ra một AI thực sự trên chuỗi, thay đổi mối quan hệ bất đối xứng hiện tại khi Crypto chỉ phụ thuộc vào AI?
Web3 tham gia vào quy trình làm việc của AI
Không cần bàn cãi, card đồ họa RTX 4090 của NVIDIA là hàng hiếm. Hiện nay, một quốc gia phương Đông nào đó rất khó tiếp cận, nhưng nghiêm trọng hơn là cả cá nhân, công ty nhỏ và tổ chức học thuật đều đang gặp khủng hoảng card đồ họa, vì các công ty thương mại lớn mới là những "cao thủ nạp tiền". Nếu mở ra con đường thứ ba ngoài tự mua và thuê từ nhà cung cấp đám mây, rõ ràng có giá trị thương mại thực tế, thoát khỏi sự thổi phồng thuần túy. Logic hợp lý nên là: "Nếu không dùng Web3 thì dự án không thể vận hành" — đây mới là tư thế đúng đắn của Web3 For AI.
Quy trình làm việc AI dưới góc nhìn Web3
Nguồn dữ liệu: Grass và bộ sưu tập xe ô tô DePIN
Grass do Wynd Network ra mắt, đây là một thị trường bán băng thông nhàn rỗi. Grass là kênh thu thập và phân phối dữ liệu mạng mở, khác với việc chỉ đơn thuần thu thập và bán dữ liệu, Grass có chức năng làm sạch và xác minh dữ liệu để vượt qua môi trường mạng ngày càng khép kín. Hơn nữa, Grass mong muốn kết nối trực tiếp với các mô hình AI, cung cấp bộ dữ liệu có thể sử dụng ngay. Bộ dữ liệu AI cần xử lý chuyên môn, ví dụ như điều chỉnh thủ công quy mô lớn để đáp ứng nhu cầu đặc biệt của mô hình AI.
Mở rộng ra, Grass giải quyết vấn đề bán dữ liệu, trong khi lĩnh vực DePIN của Web3 có thể sản xuất dữ liệu mà AI cần, chủ yếu tập trung vào ô tô lái tự động. Trước đây, xe tự hành yêu cầu công ty tích lũy dữ liệu riêng, nhưng các dự án như DIMO, Hivemapper chạy trực tiếp trên ô tô, thu thập ngày càng nhiều thông tin lái xe và dữ liệu đường xá.
Trong tự hành truyền thống, cần cả công nghệ nhận diện xe và bản đồ độ phân giải cao. Thông tin bản đồ độ phân giải cao do các công ty như Si Duy Đồ Tân tích lũy lâu dài, tạo thành rào cản ngành nghề thực tế. Nếu người đi sau tận dụng dữ liệu Web3, họ có thể có cơ hội vượt mặt.
Xử lý dữ liệu sơ bộ: Giải phóng con người bị AI nô dịch
Trí tuệ nhân tạo có thể chia thành hai phần: gắn nhãn thủ công và thuật toán thông minh. Các khu vực thế giới thứ ba như Kenya và Philippines chịu trách nhiệm phần giá trị thấp nhất là gắn nhãn dữ liệu, trong khi các công ty tiền xử lý AI ở phương Tây thu lợi nhuận lớn, rồi bán lại cho các doanh nghiệp phát triển AI.
Theo sự phát triển của AI, ngày càng nhiều doanh nghiệp nhắm vào mảng này. Trong cạnh tranh, giá gắn nhãn dữ liệu ngày càng giảm. Công việc này chủ yếu là gắn thẻ dữ liệu, tương tự như nhận dạng captcha, không có rào cản kỹ thuật, thậm chí có mức giá siêu rẻ 0,01 Nhân dân tệ.
Nguồn ảnh: https://aim.baidu.com/product/0793f1f1-f1cb-4f9f-b3a7-ef31335bd7f0
Trong tình hình này, các nền tảng gắn nhãn dữ liệu Web3 như Public AI cũng có thị trường thương mại thực tế, kết nối doanh nghiệp AI và công nhân gắn nhãn, sử dụng hệ thống thưởng thay thế mô hình cạnh tranh giá thấp thuần thương mại. Tuy nhiên cần lưu ý rằng, các doanh nghiệp trưởng thành như Scale AI đảm bảo chất lượng nhờ công nghệ gắn nhãn đáng tin cậy, trong khi các nền tảng gắn nhãn phi tập trung phải kiểm soát chất lượng và ngăn chặn kẻ gian lạm dụng là nhu cầu bắt buộc. Về bản chất, đây là dịch vụ doanh nghiệp C2B2B, quy mô và số lượng dữ liệu đơn thuần không thể thuyết phục doanh nghiệp.
Tự do phần cứng: Render Network và Bittensor
Cần nói rõ, khác với máy đào Bitcoin, hiện nay chưa có phần cứng Web3 chuyên dụng cho AI. Các nền tảng tính toán và năng lực hiện có đều là phần cứng trưởng thành được cải tiến bằng lớp thưởng Crypto. Về bản chất, có thể xếp vào lĩnh vực DePIN, nhưng khác với các dự án nguồn dữ liệu nên được trình bày ở đây theo quy trình làm việc AI.
Định nghĩa DePIN có thể tham khảo bài viết trước của tôi: Chuyện cũ DePIN trước Helium: Bitcoin, Arweave và STEPN
Render Network là "dự án cũ", không hoàn toàn dành cho AI, ban đầu tập trung vào công việc render, đúng như tên gọi. Bắt đầu vận hành từ năm 2017, lúc đó GPU chưa bùng nổ như hiện nay, nhưng cơ hội thị trường đã dần xuất hiện. Thị trường card đồ họa GPU, đặc biệt là dòng cao cấp, bị NVIDIA độc quyền, giá cao ngăn cản người dùng render, AI và metaverse. Nếu xây dựng được kênh kết nối giữa người cần và người có, mô hình kinh tế kiểu "xe đạp chia sẻ" có thể thành công.
Hơn nữa, tài nguyên GPU không cần chuyển giao phần cứng thực tế, chỉ cần điều phối tài nguyên phần mềm là đủ. Đặc biệt hơn, Render Network đã chuyển sang hệ sinh thái Solana từ năm 2023, bỏ Polygon. Việc đầu tư vào Solana khi chưa phục hồi đã được thời gian chứng minh là đúng đắn, vì mạng tốc độ cao là nhu cầu thiết yếu đối với việc sử dụng và phân bổ GPU.
Nếu Render Network là dự án cũ, thì Bittensor đang lên ngôi.
Bittensor xây dựng trên Polkadot, mục tiêu dùng động lực kinh tế để huấn luyện mô hình AI, các nút cạnh tranh xem ai có thể huấn luyện mô hình AI đạt sai số nhỏ nhất hoặc hiệu suất cao nhất. Đây cũng là một dự án Crypto khá phù hợp với quy trình cổ điển "đưa AI lên chuỗi", nhưng quá trình huấn luyện thực tế vẫn cần GPU của NVIDIA và nền tảng truyền thống, tổng thể giống các nền tảng thi đấu như Kaggle.
zkML và UBI: Hai mặt của Worldcoin
Học máy kiến thức không (zkML) đưa công nghệ zk vào quá trình huấn luyện mô hình AI nhằm giải quyết các vấn đề rò rỉ dữ liệu, mất quyền riêng tư và xác minh mô hình. Hai vấn đề đầu dễ hiểu: dữ liệu sau khi mã hóa zk vẫn có thể được huấn luyện mà không tiết lộ dữ liệu cá nhân hay riêng tư.
Xác minh mô hình nghĩa là đánh giá các mô hình đóng nguồn. Với sự hỗ trợ của công nghệ zk, có thể đặt một giá trị mục tiêu, mô hình đóng nguồn có thể chứng minh năng lực bằng cách xác minh kết quả, mà không cần công khai quá trình tính toán.
Worldcoin không chỉ là dự án mainstream sớm hình dung ra zkML, mà còn ủng hộ UBI (thu nhập cơ bản cho con người). Trong viễn cảnh của họ, năng suất của AI trong tương lai sẽ vượt xa nhu cầu của con người, do đó vấn đề thực sự nằm ở việc phân phối phúc lợi AI một cách công bằng. Tư tưởng UBI sẽ được chia sẻ cho người dùng toàn cầu thông qua token $WLD, do đó bắt buộc phải xác minh danh tính sinh trắc học thật, để tuân thủ nguyên tắc công bằng.
Tất nhiên, zkML và UBI hiện vẫn ở giai đoạn thí nghiệm sơ khai, nhưng đủ thú vị để tôi tiếp tục theo dõi.
Kết luận
Sự phát triển của AI, theo con đường đại diện bởi Transformer và LLM, cũng sẽ dần rơi vào bế tắc, giống như hồi quy tuyến tính và mạng nơ-ron, bởi không thể vô hạn tăng tham số mô hình hay lượng dữ liệu. Lợi ích biên tăng thêm sẽ ngày càng giảm.
AI có lẽ là hạt giống tiềm năng cho trí tuệ xuất hiện, nhưng hiện nay vấn đề ảo giác vẫn rất nghiêm trọng. Có thể thấy, quan điểm cho rằng Crypto có thể thay đổi ảo giác của AI là một sự tự tin, đồng thời cũng là một dạng ảo giác điển hình. Việc thêm Crypto khó có thể giải quyết vấn đề ảo giác về mặt kỹ thuật, nhưng ít nhất có thể thay đổi một số hiện trạng từ góc độ công bằng và minh bạch.
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
@zuoyeweb3
