Phân tích chuyên sâu: AI và Web3 có thể tạo ra tia lửa như thế nào?
Tuyển chọn TechFlowTuyển chọn TechFlow
Phân tích chuyên sâu: AI và Web3 có thể tạo ra tia lửa như thế nào?
Sự kết hợp giữa AI và Web3 mang đến vô số khả năng cho đổi mới công nghệ và phát triển kinh tế trong tương lai.
Chuyên sâu báo cáo Web3Tác giả: Fred
Một Lời mở đầu: Sự phát triển của AI+Web3
Trong vài năm gần đây, sự phát triển nhanh chóng của trí tuệ nhân tạo (AI) và công nghệ Web3 đã thu hút sự chú ý rộng rãi trên toàn cầu. AI, như một công nghệ mô phỏng và bắt chước trí tuệ con người, đã đạt được những bước đột phá lớn trong các lĩnh vực như nhận diện khuôn mặt, xử lý ngôn ngữ tự nhiên và học máy. Sự phát triển mạnh mẽ của công nghệ AI đã mang lại những thay đổi to lớn và đổi mới cho mọi ngành nghề.
Quy mô thị trường ngành AI đã đạt 200 tỷ USD vào năm 2023, với sự xuất hiện ngày càng nhiều các gã khổng lồ và nhà chơi nổi bật như OpenAI, Character.AI, Midjourney, dẫn dắt làn sóng AI.
Đồng thời, Web3 như một mô hình mạng mới đang dần thay đổi cách chúng ta nhận thức và sử dụng Internet. Dựa trên công nghệ blockchain phi tập trung, Web3 thông qua các hợp đồng thông minh, lưu trữ phân tán và xác thực danh tính phi tập trung để đạt được việc chia sẻ và kiểm soát dữ liệu, tự trị của người dùng và thiết lập cơ chế tin cậy. Triết lý cốt lõi của Web3 là giải phóng dữ liệu khỏi các tổ chức quyền lực tập trung, trao quyền kiểm soát dữ liệu và quyền chia sẻ giá trị dữ liệu cho người dùng.
Hiện tại, vốn hóa thị trường ngành Web3 đã đạt 25 nghìn tỷ, dù là Bitcoin, Ethereum, Solana hay các ứng dụng như Uniswap, Stepn, các câu chuyện và kịch bản mới không ngừng xuất hiện, thu hút ngày càng nhiều người tham gia vào ngành Web3.
Dễ thấy rằng sự kết hợp giữa AI và Web3 là lĩnh vực được các nhà xây dựng và quỹ VC phương Đông lẫn phương Tây đặc biệt quan tâm. Làm thế nào để tích hợp hiệu quả hai lĩnh vực này là một vấn đề rất đáng để khám phá.
Bài viết này sẽ tập trung thảo luận về hiện trạng phát triển của AI+Web3, khám phá giá trị tiềm năng và ảnh hưởng mà sự kết hợp này mang lại. Trước tiên, chúng tôi sẽ giới thiệu các khái niệm và đặc điểm cơ bản của AI và Web3, sau đó phân tích mối quan hệ giữa chúng. Tiếp theo, chúng tôi sẽ phân tích hiện trạng các dự án AI+Web3 hiện nay và đi sâu vào các hạn chế và thách thức mà họ đang đối mặt. Thông qua nghiên cứu này, chúng tôi hy vọng có thể cung cấp những tham khảo và cái nhìn sâu sắc hữu ích cho các nhà đầu tư và những người làm trong ngành.
Hai Phương thức tương tác giữa AI và Web3
Sự phát triển của AI và Web3 giống như hai bên của một chiếc cân. AI mang lại sự nâng cao năng suất, trong khi Web3 mang lại sự thay đổi trong quan hệ sản xuất. Vậy thì AI và Web3 có thể tạo ra tia lửa gì? Chúng ta sẽ bắt đầu bằng việc phân tích những khó khăn và tiềm năng cải thiện của từng ngành, sau đó xem xét cách chúng hỗ trợ nhau giải quyết những vấn đề này.
-
Khó khăn và tiềm năng cải thiện của ngành AI
-
Khó khăn và tiềm năng cải thiện của ngành Web3
2.1 Khó khăn của ngành AI
Để tìm hiểu những khó khăn mà ngành AI đang đối mặt, trước tiên hãy xem xét bản chất của ngành này. Cốt lõi của ngành AI xoay quanh ba yếu tố: năng lực tính toán, thuật toán và dữ liệu.
-
Thứ nhất là năng lực tính toán: Năng lực tính toán chỉ khả năng thực hiện các phép tính quy mô lớn và xử lý dữ liệu. Các nhiệm vụ AI thường đòi hỏi xử lý lượng lớn dữ liệu và thực hiện các phép tính phức tạp, ví dụ như huấn luyện mô hình mạng thần kinh sâu. Năng lực tính toán mạnh giúp tăng tốc quá trình huấn luyện và suy luận mô hình, nâng cao hiệu suất và hiệu quả của hệ thống AI. Trong những năm gần đây, cùng với sự phát triển của công nghệ phần cứng như bộ xử lý đồ họa (GPU) và chip AI chuyên dụng (ví dụ TPU), sự gia tăng năng lực tính toán đóng vai trò quan trọng thúc đẩy sự phát triển của ngành AI. Nvidia, nhà cung cấp GPU, chứng kiến cổ phiếu tăng vọt trong thời gian gần đây do chiếm giữ thị phần lớn và thu lợi nhuận cao.
-
Thuật toán là gì: Thuật toán là thành phần cốt lõi của hệ thống AI, là các phương pháp toán học và thống kê dùng để giải quyết vấn đề và hoàn thành nhiệm vụ. Các thuật toán AI có thể được chia thành thuật toán học máy truyền thống và thuật toán học sâu, trong đó thuật toán học sâu đã đạt được những đột phá lớn trong những năm gần đây. Việc lựa chọn và thiết kế thuật toán cực kỳ quan trọng đối với hiệu suất và kết quả của hệ thống AI. Những thuật toán không ngừng cải tiến và đổi mới giúp nâng cao độ chính xác, độ ổn định và khả năng tổng quát của hệ thống AI. Hiệu quả khác nhau của các thuật toán cũng rất quan trọng đối với kết quả hoàn thành nhiệm vụ.
-
Tại sao dữ liệu lại quan trọng: Nhiệm vụ cốt lõi của hệ thống AI là trích xuất các mẫu và quy luật từ dữ liệu thông qua học tập và huấn luyện.
-
Dữ liệu là nền tảng để huấn luyện và tối ưu mô hình. Thông qua các mẫu dữ liệu quy mô lớn, hệ thống AI có thể học được các mô hình chính xác và thông minh hơn. Tập dữ liệu phong phú cung cấp thông tin toàn diện và đa dạng hơn, giúp mô hình tổng quát tốt hơn với dữ liệu chưa từng thấy, hỗ trợ hệ thống AI hiểu và giải quyết các vấn đề thực tế tốt hơn.
Sau khi hiểu rõ ba yếu tố cốt lõi của AI hiện nay, hãy cùng xem xét những khó khăn và thách thức mà AI gặp phải ở ba khía cạnh này. Trước hết, về năng lực tính toán, các nhiệm vụ AI thường cần tài nguyên tính toán lớn để huấn luyện và suy luận mô hình, đặc biệt là với các mô hình học sâu. Tuy nhiên, việc tiếp cận và quản lý năng lực tính toán quy mô lớn là một thách thức tốn kém và phức tạp. Chi phí, tiêu thụ năng lượng và bảo trì các thiết bị tính toán hiệu suất cao đều là vấn đề. Đặc biệt đối với các doanh nghiệp khởi nghiệp và nhà phát triển cá nhân, việc có đủ năng lực tính toán có thể rất khó khăn.
Về thuật toán, mặc dù các thuật toán học sâu đã đạt thành công lớn trong nhiều lĩnh vực, nhưng vẫn tồn tại một số khó khăn và thách thức. Ví dụ, việc huấn luyện mạng thần kinh sâu cần lượng lớn dữ liệu và tài nguyên tính toán, đồng thời khả năng giải thích và minh bạch của mô hình đối với một số nhiệm vụ có thể chưa đủ. Ngoài ra, độ ổn định và khả năng tổng quát của thuật toán cũng là vấn đề quan trọng, vì hiệu suất của mô hình trên dữ liệu chưa thấy có thể không ổn định. Trong số lượng lớn các thuật toán, việc tìm ra thuật toán tốt nhất để cung cấp dịch vụ tốt nhất là một quá trình cần không ngừng khám phá.
Về dữ liệu, dữ liệu là động lực của AI, nhưng việc thu thập dữ liệu chất lượng cao và đa dạng vẫn là một thách thức. Một số lĩnh vực có thể khó thu thập dữ liệu, ví dụ như dữ liệu sức khỏe nhạy cảm trong y tế. Hơn nữa, chất lượng, độ chính xác và gắn nhãn dữ liệu cũng là vấn đề; dữ liệu không đầy đủ hoặc thiên vị có thể dẫn đến hành vi sai lệch hoặc sai sót của mô hình. Đồng thời, bảo vệ quyền riêng tư và an ninh dữ liệu cũng là yếu tố quan trọng cần cân nhắc.
Ngoài ra, còn tồn tại các vấn đề như khả năng giải thích và minh bạch. Tính chất "hộp đen" của mô hình AI là vấn đề công chúng quan tâm. Đối với một số ứng dụng như tài chính, y tế và tư pháp, quá trình ra quyết định của mô hình cần phải có thể giải thích và truy xuất nguồn gốc, trong khi các mô hình học sâu hiện tại thường thiếu minh bạch. Giải thích quá trình ra quyết định của mô hình và cung cấp lời giải thích đáng tin cậy vẫn là một thách thức.
Hơn nữa, nhiều dự án khởi nghiệp AI có mô hình kinh doanh không rõ ràng, điều này khiến nhiều người sáng lập cảm thấy mơ hồ.
2.2 Khó khăn của ngành Web3
Ngành Web3 hiện cũng đang đối mặt với nhiều khó khăn cần giải quyết trên nhiều phương diện, từ phân tích dữ liệu Web3, trải nghiệm người dùng kém của sản phẩm Web3, đến các vấn đề về lỗ hổng mã hợp đồng thông minh và tấn công hacker, còn nhiều chỗ để cải thiện. Là một công cụ nâng cao năng suất, AI có tiềm năng lớn để hỗ trợ trong những lĩnh vực này.
Trước hết là việc nâng cao khả năng phân tích và dự đoán dữ liệu: Ứng dụng công nghệ AI trong phân tích và dự đoán dữ liệu đã ảnh hưởng lớn đến ngành Web3. Thông qua phân tích và khai thác thông minh bằng các thuật toán AI, các nền tảng Web3 có thể trích xuất thông tin có giá trị từ lượng dữ liệu khổng lồ và đưa ra dự đoán, ra quyết định chính xác hơn. Điều này có ý nghĩa quan trọng trong đánh giá rủi ro, dự báo thị trường và quản lý tài sản trong lĩnh vực tài chính phi tập trung (DeFi).
Ngoài ra, có thể cải thiện trải nghiệm người dùng và dịch vụ cá nhân hóa: Việc ứng dụng công nghệ AI giúp nền tảng Web3 cung cấp trải nghiệm người dùng tốt hơn và dịch vụ cá nhân hóa. Bằng cách phân tích và mô hình hóa dữ liệu người dùng, nền tảng Web3 có thể cung cấp các đề xuất cá nhân hóa, dịch vụ tùy chỉnh và trải nghiệm tương tác thông minh cho người dùng. Điều này giúp nâng cao mức độ tham gia và sự hài lòng của người dùng, thúc đẩy sự phát triển của hệ sinh thái Web3, ví dụ như nhiều giao thức Web3 tích hợp các công cụ AI như ChatGPT để phục vụ người dùng tốt hơn.
Về an ninh và bảo vệ quyền riêng tư, ứng dụng AI cũng có ảnh hưởng sâu sắc đến ngành Web3. Công nghệ AI có thể được dùng để phát hiện và phòng thủ chống lại các cuộc tấn công mạng, nhận diện hành vi bất thường và cung cấp biện pháp bảo đảm an ninh mạnh mẽ hơn. Đồng thời, AI cũng có thể áp dụng trong bảo vệ quyền riêng tư dữ liệu, thông qua các công nghệ như mã hóa dữ liệu và tính toán riêng tư, nhằm bảo vệ thông tin cá nhân của người dùng trên nền tảng Web3. Trong kiểm toán hợp đồng thông minh, do quá trình viết và kiểm toán hợp đồng thông minh có thể chứa lỗ hổng và nguy cơ an ninh, công nghệ AI có thể được dùng để tự động hóa kiểm toán hợp đồng và phát hiện lỗ hổng, nâng cao độ an toàn và độ tin cậy của hợp đồng.
Có thể thấy rằng, đối với những khó khăn và tiềm năng cải thiện của ngành Web3, AI có thể tham gia và hỗ trợ ở nhiều khía cạnh.
Ba Phân tích hiện trạng dự án AI+Web3
Các dự án kết hợp AI và Web3 chủ yếu tập trung vào hai hướng: sử dụng công nghệ blockchain để nâng cao hiệu suất dự án AI, và sử dụng công nghệ AI để phục vụ sự phát triển của dự án Web3.
Xung quanh hai hướng này, một loạt dự án đã xuất hiện để khám phá, bao gồm Io.net, Gensyn, Ritual, v.v. Bài viết này sẽ phân tích hiện trạng và tình hình phát triển theo các nhóm nhỏ khác nhau, gồm AI hỗ trợ Web3 và Web3 hỗ trợ AI.
3.1 Web3 hỗ trợ AI
3.1.1 Năng lực tính toán phi tập trung
Kể từ khi OpenAI ra mắt ChatGPT vào cuối năm 2022, làn sóng AI đã bùng nổ. Chỉ sau 5 ngày ra mắt, số lượng người dùng đã đạt 1 triệu, trong khi Instagram mất khoảng hai tháng rưỡi mới đạt được mốc 1 triệu lượt tải. Sau đó, ChatGPT tiếp tục phát triển mạnh mẽ, đạt 100 triệu người dùng hoạt động hàng tháng trong vòng 2 tháng, và đến tháng 11 năm 2023, số lượng người dùng hoạt động hàng tuần đạt 100 triệu. Cùng với sự ra đời của ChatGPT, lĩnh vực AI nhanh chóng chuyển mình từ một ngách nhỏ thành một ngành được quan tâm rộng rãi.
Theo báo cáo của Trendforce, ChatGPT cần tới 30.000 GPU NVIDIA A100 để vận hành, và GPT-5 trong tương lai sẽ cần nhiều bậc số lượng tính toán hơn. Điều này khiến các công ty AI bước vào cuộc đua vũ trang, bởi chỉ những ai nắm giữ đủ năng lực tính toán mới có động lực và lợi thế trong cuộc chiến AI, dẫn đến hiện tượng khan hiếm GPU.
Trước khi AI nổi lên, khách hàng lớn nhất của nhà cung cấp GPU Nvidia tập trung ở ba dịch vụ đám mây: AWS, Azure và GCP. Với sự bùng nổ của trí tuệ nhân tạo, một lượng lớn người mua mới xuất hiện, bao gồm các công ty công nghệ lớn như Meta, Oracle, cũng như các nền tảng dữ liệu và công ty khởi nghiệp AI, đều đổ xô tích trữ GPU để huấn luyện mô hình AI. Các công ty công nghệ lớn như Meta và Tesla tăng mạnh lượng mua GPU cho các mô hình AI tùy chỉnh và nghiên cứu nội bộ. Các công ty mô hình nền tảng như Anthropic, cũng như các nền tảng dữ liệu như Snowflake và Databricks, cũng mua thêm nhiều GPU để hỗ trợ khách hàng cung cấp dịch vụ AI.
Như Semi Analysis từng nói đến hồi năm ngoái về "những người giàu GPU và những người nghèo GPU", chỉ một số ít công ty sở hữu hơn 20.000 GPU A100/H100, nơi các đội ngũ có thể sử dụng từ 100 đến 1.000 GPU cho dự án. Những công ty này thường là nhà cung cấp đám mây hoặc tự xây dựng mô hình ngôn ngữ lớn (LLM), bao gồm OpenAI, Google, Meta, Anthropic, Inflection, Tesla, Oracle, Mistral, v.v.
Tuy nhiên, phần lớn các công ty thuộc nhóm "nghèo GPU", vật lộn với số lượng GPU ít hơn nhiều, tốn rất nhiều thời gian và công sức cho những việc khó thúc đẩy sự phát triển hệ sinh thái. Tình trạng này thậm chí không chỉ giới hạn ở các công ty khởi nghiệp. Một số công ty AI nổi tiếng nhất — Hugging Face, Databricks (MosaicML), Together, thậm chí cả Snowflake — đều có số lượng A100/H100 dưới 20.000. Những công ty này sở hữu nhân tài công nghệ đẳng cấp thế giới nhưng bị giới hạn bởi số lượng GPU sẵn có, khiến họ处于不利地位 so với các đại gia trong cuộc đua AI.
Sự khan hiếm này không chỉ giới hạn ở nhóm "nghèo GPU"; ngay cả vào cuối năm 2023, OpenAI — ông lớn đầu ngành AI — cũng phải tạm dừng đăng ký trả phí trong vài tuần do không thể có đủ GPU, đồng thời phải mua thêm nguồn cung GPU.
Có thể thấy rằng, nhu cầu về GPU do sự phát triển nhanh chóng của AI đã gây ra sự mất cân đối nghiêm trọng giữa cung và cầu, vấn đề thiếu hụt đang trở nên cấp bách.
Để giải quyết vấn đề này, một số dự án Web3 bắt đầu thử nghiệm kết hợp đặc điểm công nghệ Web3 để cung cấp dịch vụ năng lực tính toán phi tập trung, bao gồm Akash, Render, Gensyn, v.v. Điểm chung của các dự án này là dùng token để khuyến khích người dùng cung cấp năng lực tính toán GPU nhàn rỗi, trở thành nguồn cung, hỗ trợ khách hàng AI.
Phía cung có thể được chia thành ba nhóm chính: nhà cung cấp dịch vụ đám mây, thợ đào tiền mã hóa, và doanh nghiệp.
Nhà cung cấp dịch vụ đám mây bao gồm các nhà cung cấp lớn (AWS, Azure, GCP) và các nhà cung cấp GPU đám mây (Coreweave, Lambda, Crusoe, v.v.), người dùng có thể bán lại năng lực tính toán nhàn rỗi để kiếm thu nhập. Thợ đào tiền mã hóa, sau khi Ethereum chuyển từ PoW sang PoS, giờ đây có GPU nhàn rỗi trở thành nguồn cung tiềm năng quan trọng. Ngoài ra, các doanh nghiệp lớn như Tesla, Meta mua số lượng lớn GPU vì chiến lược, cũng có thể tận dụng GPU nhàn rỗi làm nguồn cung.
Hiện tại, các dự án trong lĩnh vực này có thể chia thành hai nhóm: một nhóm dùng năng lực tính toán phi tập trung cho suy luận AI, nhóm còn lại dùng cho huấn luyện AI. Nhóm đầu gồm Render (dù tập trung vào render nhưng cũng có thể cung cấp năng lực tính toán AI), Akash, Aethir; nhóm sau gồm io.net (hỗ trợ cả suy luận và huấn luyện), Gensyn. Sự khác biệt lớn nhất nằm ở yêu cầu năng lực tính toán.
Hãy nói về các dự án suy luận AI trước. Các dự án này dùng cơ chế khuyến khích bằng token để thu hút người dùng cung cấp năng lực tính toán, rồi cung cấp mạng lưới năng lực tính toán cho phía cầu, từ đó thực hiện việc khớp nối cung-cầu năng lực tính toán nhàn rỗi. Phần giới thiệu và phân tích các dự án loại này đã được đề cập trong báo cáo DePIN trước đây của Ryze Labs, mời bạn đọc thêm.
Điểm cốt lõi là thông qua cơ chế khuyến khích bằng token, dự án thu hút người cung cấp trước, sau đó thu hút người dùng sử dụng, từ đó khởi động dự án và vận hành cơ chế cốt lõi, tiếp tục mở rộng và phát triển. Trong chu trình này, phía cung nhận được phần thưởng token có giá trị hơn, phía cầu có dịch vụ rẻ hơn và hiệu quả cao hơn, giá trị token và sự tăng trưởng của người tham gia giữ nhịp, khi giá token tăng sẽ thu hút thêm người tham gia và nhà đầu cơ, hình thành việc thu giữ giá trị.
Loại thứ hai là dùng năng lực tính toán phi tập trung cho huấn luyện AI, như Gensyn, io.net (hỗ trợ cả huấn luyện và suy luận AI). Về bản chất, logic vận hành của nhóm này không khác mấy so với nhóm suy luận AI, vẫn là dùng khuyến khích token để thu hút người cung cấp tham gia, cung cấp năng lực tính toán cho phía cầu sử dụng.
Trong đó, io.net là mạng lưới năng lực tính toán phi tập trung, hiện có hơn 500.000 GPU, nổi bật trong các dự án năng lực tính toán phi tập trung. Ngoài ra, dự án đã tích hợp năng lực tính toán từ Render và Filecoin, liên tục phát triển hệ sinh thái.
Ngoài ra, Gensyn dùng hợp đồng thông minh để phân bổ nhiệm vụ học máy và thưởng, nhằm thực hiện huấn luyện AI. Như hình dưới, chi phí mỗi giờ cho công việc huấn luyện học máy của Gensyn khoảng 0,4 đô la Mỹ, thấp xa so với chi phí trên 2 đô la Mỹ của AWS và GCP.
Hệ thống Gensyn gồm bốn thành phần: Người gửi, Người thực thi, Người xác minh và Người tố giác.
-
Người gửi: Người dùng nhu cầu là người tiêu dùng nhiệm vụ, cung cấp nhiệm vụ sẽ được tính toán, trả phí cho nhiệm vụ huấn luyện AI
-
Người thực thi: Thực hiện nhiệm vụ huấn luyện mô hình, tạo ra bằng chứng hoàn thành nhiệm vụ để Người xác minh kiểm tra.
-
Người xác minh: Liên kết quá trình huấn luyện không xác định với tính toán tuyến tính xác định, so sánh bằng chứng của Người thực thi với ngưỡng dự kiến.
-
Người tố giác: Kiểm tra công việc của Người xác minh, nếu phát hiện vấn đề thì phản ánh để nhận thưởng.
Có thể thấy, Gensyn mong muốn trở thành một giao thức tính toán quy mô siêu lớn, hiệu quả về kinh tế dành cho các mô hình học sâu toàn cầu. Nhưng nhìn tổng quan lĩnh vực này, tại sao phần lớn dự án chọn làm suy luận AI thay vì huấn luyện?
Dưới đây là giải thích ngắn gọn về sự khác biệt giữa huấn luyện và suy luận AI:
-
Huấn luyện AI: Nếu coi AI như một học sinh, thì huấn luyện giống như cung cấp lượng lớn kiến thức, ví dụ — hay còn gọi là dữ liệu — để AI học hỏi từ đó. Vì bản chất học tập đòi hỏi phải hiểu và ghi nhớ lượng thông tin lớn, quá trình này cần rất nhiều năng lực tính toán và thời gian.
-
Suy luận AI: Suy luận là gì? Có thể hiểu là dùng kiến thức đã học để giải quyết vấn đề hoặc thi cử. Trong giai đoạn suy luận, AI dùng kiến thức đã học để trả lời, chứ không học kiến thức mới, do đó lượng tính toán cần thiết thấp hơn nhiều.
Dễ thấy nhu cầu năng lực tính toán giữa hai loại này rất khác nhau. Tính khả dụng của năng lực tính toán phi tập trung trong suy luận và huấn luyện AI sẽ được phân tích sâu hơn ở chương thách thức phía sau.
Ngoài ra, còn có Ritual muốn kết hợp mạng phân tán với người tạo mô hình, duy trì tính phi tập trung và bảo mật. Sản phẩm đầu tiên của họ, Infernet, cho phép hợp đồng thông minh trên blockchain truy cập mô hình AI ngoài chuỗi, cho phép các hợp đồng này truy cập AI theo cách duy trì xác minh, phi tập trung và bảo vệ quyền riêng tư.
Bộ điều phối Infernet chịu trách nhiệm quản lý hành vi của các nút trong mạng và phản hồi yêu cầu tính toán từ người tiêu dùng. Khi người dùng dùng infernet, suy luận, chứng minh... được thực hiện ngoài chuỗi, kết quả trả về bộ điều phối, rồi qua hợp đồng truyền đến người tiêu dùng trên chuỗi.
Ngoài mạng năng lực tính toán phi tập trung, còn có Grass – mạng băng thông phi tập trung – nhằm nâng cao tốc độ và hiệu quả truyền dữ liệu. Tổng thể, sự xuất hiện của mạng năng lực tính toán phi tập trung mở ra một khả năng mới cho phía cung năng lực tính toán AI, thúc đẩy AI tiến xa hơn.
3.1.2 Mô hình thuật toán phi tập trung
Như đã đề cập ở Chương Hai, ba yếu tố cốt lõi của AI là năng lực tính toán, thuật toán và dữ liệu. Nếu năng lực tính toán có thể tạo thành mạng cung cấp thông qua phi tập trung, vậy thuật toán có thể có cách tiếp cận tương tự để tạo thành mạng cung cấp mô hình thuật toán không?
Trước khi phân tích các dự án trong lĩnh vực này, hãy cùng tìm hiểu ý nghĩa của mô hình thuật toán phi tập trung. Nhiều người thắc mắc, khi đã có OpenAI, tại sao cần mạng thuật toán phi tập trung?
Về bản chất, mạng thuật toán phi tập trung là một thị trường dịch vụ AI phi tập trung, kết nối nhiều mô hình AI khác nhau, mỗi mô hình có kiến thức và kỹ năng chuyên biệt. Khi người dùng đặt câu hỏi, thị trường sẽ chọn mô hình AI phù hợp nhất để trả lời. Trong khi đó, Chat-GPT là một mô hình AI do OpenAI phát triển, có thể hiểu và tạo văn bản giống người.
Tóm lại, ChatGPT giống một học sinh giỏi giúp giải quyết nhiều loại vấn đề, còn mạng thuật toán phi tập trung như một ngôi trường có nhiều học sinh giúp giải quyết vấn đề. Dù học sinh hiện tại rất giỏi, nhưng về dài hạn, một ngôi trường có thể tuyển sinh toàn cầu tiềm năng rất lớn.
Hiện tại, trong lĩnh vực mô hình thuật toán phi tập trung, cũng có một số dự án đang thử nghiệm và khám phá. Tiếp theo, bài viết sẽ lấy dự án tiêu biểu Bittensor làm ví dụ để giúp bạn hiểu rõ hơn về tình hình phát triển của phân khúc này.
Trong Bittensor, phía cung mô hình thuật toán (hay còn gọi là thợ đào) đóng góp mô hình học máy của họ vào mạng. Các mô hình này có thể phân tích dữ liệu và cung cấp thông tin. Người cung cấp mô hình nhận phần thưởng bằng token tiền mã hóa TAO.
Để đảm bảo chất lượng câu trả lời, Bittensor dùng cơ chế đồng thuận độc đáo để đảm bảo mạng thống nhất về câu trả lời tốt nhất. Khi đặt câu hỏi, nhiều thợ đào mô hình sẽ cung cấp câu trả lời. Sau đó, các bộ xác minh trong mạng sẽ làm việc, xác định câu trả lời tốt nhất, rồi gửi lại cho người dùng.
Token TAO của Bittensor đóng hai vai trò chính trong toàn bộ quy trình: một mặt dùng để khuyến khích thợ đào đóng góp mô hình thuật toán vào mạng, mặt khác người dùng cần tiêu token để đặt câu hỏi và yêu cầu mạng hoàn thành nhiệm vụ.
Do Bittensor phi tập trung, bất kỳ ai có kết nối Internet đều có thể tham gia mạng, vừa có thể là người dùng đặt câu hỏi, vừa có thể là thợ đào cung cấp câu trả lời. Điều này giúp nhiều người hơn tiếp cận trí tuệ nhân tạo mạnh mẽ.
Tóm lại, lấy Bittensor làm ví dụ, lĩnh vực mô hình thuật toán phi tập trung có tiềm năng tạo ra một môi trường cởi mở và minh bạch hơn, trong hệ sinh thái này, các mô hình AI có thể được huấn luyện, chia sẻ và sử dụng theo cách an toàn và phân tán. Ngoài ra, còn có các mạng mô hình thuật toán phi tập trung như BasedAI đang thử nghiệm điều tương tự, thú vị hơn ở chỗ dùng ZK để bảo vệ quyền riêng tư dữ liệu khi người dùng tương tác với mô hình, điều này sẽ được thảo luận sâu hơn ở mục thứ tư.
Cùng với sự phát triển của các nền tảng mô hình thuật toán phi tập trung, chúng sẽ giúp các công ty nhỏ cạnh tranh với các tổ chức lớn trong việc sử dụng các công cụ AI hàng đầu, từ đó tạo ảnh hưởng lớn tiềm tàng đến các ngành nghề.
3.1.3 Thu thập dữ liệu phi tập trung
Đối với việc huấn luyện mô hình AI, việc cung cấp lượng lớn dữ liệu là không thể thiếu. Tuy nhiên, hiện tại phần lớn các công ty web2 vẫn độc quyền dữ liệu người dùng, ví dụ như X, Reddit, TikTok, Snapchat, Instagram, YouTube cấm thu thập dữ liệu để huấn luyện AI. Điều này trở thành rào cản lớn đối với sự phát triển ngành AI.
Tuy nhiên, mặt khác, một số nền tảng Web2 lại bán dữ liệu người dùng cho các công ty AI mà không chia sẻ lợi nhuận với người dùng. Ví dụ, Reddit ký thỏa thuận trị giá 60 triệu đô la với Google để Google dùng bài đăng của họ huấn luyện mô hình AI. Điều này dẫn đến việc quyền thu thập dữ liệu bị các tập đoàn lớn và bên có dữ liệu lớn chiếm giữ, khiến ngành phát triển theo hướng siêu tập trung vốn.
Trước thực trạng này, một số dự án kết hợp Web3 dùng cơ chế khuyến khích bằng token để thực hiện thu thập dữ liệu phi tập trung. Lấy PublicAI làm ví dụ, trong PublicAI người dùng có thể tham gia với hai vai trò:
-
Một là nhà cung cấp dữ liệu AI, người dùng có thể tìm nội dung có giá trị trên X, @PublicAI chính thức kèm theo nhận xét, dùng hashtag #AI hoặc #Web3 để phân loại, từ đó gửi nội dung vào trung tâm dữ liệu PublicAI, hoàn thành việc thu thập dữ liệu.
-
Hai là người xác minh dữ liệu, người dùng có thể đăng nhập trung tâm dữ liệu PublicAI, bỏ phiếu chọn dữ liệu có giá trị nhất cho việc huấn luyện AI.
Đổi lại, người dùng nhận phần thưởng token cho hai đóng góp này, thúc đẩy mối quan hệ đôi bên cùng có lợi giữa người đóng góp dữ liệu và ngành phát triển AI.
Ngoài PublicAI – dự án chuyên thu thập dữ liệu để huấn luyện AI – còn nhiều dự án khác cũng dùng khuyến khích token để thu thập dữ liệu phi tập trung, ví dụ Ocean dùng cách token hóa dữ liệu để thu thập dữ liệu người dùng phục vụ AI, Hivemapper dùng camera ô tô người dùng thu thập dữ liệu bản đồ, Dimo thu thập dữ liệu xe hơi, WiHi thu thập dữ liệu thời tiết, v.v. Các dự án thu thập dữ liệu phi tập trung này đều là nguồn cung tiềm năng cho việc huấn luyện AI, do đó về mặt rộng có thể xếp vào mô hình Web3 hỗ trợ AI.
3.1.4 Dùng ZK bảo vệ quyền riêng tư người dùng trong AI
Ngoài lợi thế phi tập trung, công nghệ blockchain còn mang lại một yếu tố quan trọng khác: chứng minh không kiến thức (zero-knowledge proof). Công nghệ này cho phép xác minh thông tin mà vẫn bảo vệ quyền riêng tư.
Trong học máy truyền thống, dữ liệu thường cần lưu trữ và xử lý tập trung, điều này có thể dẫn đến rủi ro rò rỉ quyền riêng tư dữ liệu. Mặt khác, các phương pháp bảo vệ quyền riêng tư như mã hóa dữ liệu hoặc ẩn danh dữ liệu có thể hạn chế độ chính xác và hiệu suất của mô hình học máy.
Công nghệ chứng minh không kiến thức (ZK) lại có thể giúp giải quyết nghịch lý giữa bảo vệ quyền riêng tư và chia sẻ dữ liệu.
ZKML (Zero-Knowledge Machine Learning) dùng công nghệ chứng minh không kiến thức để cho phép huấn luyện và suy luận mô hình học máy mà không tiết lộ dữ liệu gốc. Chứng minh không kiến thức cho phép đặc trưng dữ liệu và kết quả mô hình được chứng minh là đúng mà không cần tiết lộ nội dung dữ liệu thực tế.
Mục tiêu cốt lõi của ZKML là cân bằng giữa bảo vệ quyền riêng tư và chia sẻ dữ liệu. Nó có thể áp dụng trong nhiều tình huống như phân tích dữ liệu y tế, phân tích dữ liệu tài chính và hợp tác xuyên tổ chức. Bằng cách dùng ZKML, cá nhân có thể bảo vệ quyền riêng tư dữ liệu nhạy cảm, đồng thời chia sẻ dữ liệu để có được hiểu biết sâu rộng và cơ hội hợp tác, mà không lo rủi ro rò rỉ quyền riêng tư.
Hiện tại lĩnh vực này vẫn ở giai đoạn sơ khai, phần lớn dự án đang trong quá trình khám phá. Ví dụ, BasedAI đề xuất phương pháp phi tập trung, tích hợp liền mạch FHE với LLM để giữ bí mật dữ liệu. Sử dụng mô hình ngôn ngữ lớn không kiến thức (ZK-LLM) để nhúng quyền riêng tư vào cốt lõi hạ tầng mạng phân tán, đảm bảo dữ liệu người dùng luôn riêng tư trong suốt quá trình vận hành mạng.
Ở đây giải thích ngắn gọn về mã hóa đồng cấu toàn phần (FHE). Mã hóa đồng cấu toàn phần là một công nghệ mã hóa, cho phép thực hiện các phép tính trên dữ liệu đang được mã hóa mà không cần giải mã. Điều này có nghĩa là các phép toán toán học (như cộng, nhân...) có thể được thực hiện trên dữ liệu đã mã hóa và cho ra kết quả giống như khi thực hiện trên dữ liệu gốc chưa mã hóa, từ đó bảo vệ quyền riêng tư dữ liệu người dùng.
Ngoài bốn loại trên, trong lĩnh vực Web3 hỗ trợ AI, còn có các dự án blockchain như Cortex hỗ trợ chạy chương trình AI trên chuỗi. Hiện tại, việc chạy chương trình học máy trên blockchain truyền thống gặp một thách thức, máy ảo hoạt động cực kỳ kém hiệu quả khi chạy bất kỳ mô hình học máy nào không đơn giản. Do đó, nhiều người cho rằng việc chạy AI trên blockchain là không thể. Tuy nhiên, máy ảo Cortex (CVM) tận dụng GPU để chạy chương trình AI trên chuỗi và tương thích với EVM. Nói cách khác, chuỗi Cortex có thể chạy tất cả Dapp Ethereum và tích hợp học máy AI vào các Dapp này. Từ đó, thực hiện chạy mô hình học máy theo cách phi tập trung, bất biến và minh bạch, vì đồng thuận mạng sẽ xác minh từng bước suy luận AI.
3.2 AI hỗ trợ Web3
Trong sự va chạm giữa AI và Web3, ngoài việc Web3 hỗ trợ AI, sự hỗ trợ của AI đối với ngành Web3 cũng rất đáng chú ý. Đóng góp cốt lõi của AI nằm ở việc nâng cao năng suất, do đó có nhiều thử nghiệm trong kiểm toán hợp đồng thông minh bằng AI, phân tích và dự đoán dữ liệu, dịch vụ cá nhân hóa, bảo mật và bảo vệ quyền riêng tư.
3.2.1 Phân tích và dự đoán dữ liệu
Hiện nay, nhiều dự án Web3 bắt đầu tích hợp các dịch vụ AI hiện có (ví dụ ChatGPT) hoặc tự phát triển để cung cấp dịch vụ phân tích và dự đoán dữ liệu cho người dùng Web3. Phạm vi rất rộng, bao gồm cung cấp chiến lược đầu tư bằng thuật toán AI, công cụ phân tích chuỗi dựa trên AI, dự đoán giá và thị trường, v.v.
Ví dụ Pond dùng thuật toán đồ thị AI để dự đoán token alpha có giá trị trong tương lai, cung cấp gợi ý hỗ trợ đầu tư cho người dùng và tổ chức; BullBear AI được huấn luyện dựa trên dữ liệu lịch sử người dùng, đường giá và xu hướng thị trường để cung cấp thông tin chính xác nhất hỗ trợ dự đoán xu hướng giá, giúp người dùng thu lợi nhuận.
Ngoài ra, còn có các nền tảng thi đấu đầu tư như Numerai, người tham gia dùng AI và mô hình ngôn ngữ lớn để dự đoán thị trường chứng khoán, dùng dữ liệu chất lượng cao miễn phí từ nền tảng để huấn luyện mô hình và gửi dự đoán hàng ngày. Numerai tính toán hiệu suất các dự đoán trong tháng tới, người tham gia có thể đặt cược NMR vào mô hình và nhận lợi nhuận dựa trên hiệu suất mô hình.
Ngoài ra, các nền tảng phân tích dữ liệu chuỗi như Arkham cũng tích hợp AI vào dịch vụ. Arkham liên kết địa chỉ blockchain với các thực thể như sàn giao dịch, quỹ và cá voi, hiển thị dữ liệu và phân tích then chốt cho người dùng, cung cấp lợi thế ra quyết định. Phần tích hợp AI của họ là Arkham Ultra, dùng thuật toán để ghép nối địa chỉ với thực thể thế giới thực, được phát triển trong 3 năm với sự hỗ trợ từ các đóng góp viên c
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
@RyzeLabs
