Giải mã sách trắng Allora: Mạng AI phi tập trung tự cải tiến
Tuyển chọn TechFlowTuyển chọn TechFlow
Giải mã sách trắng Allora: Mạng AI phi tập trung tự cải tiến
Mục tiêu của Allora là thông qua cấu trúc phần thưởng tốt hơn, giúp các nút trong mạng AI phi tập trung hợp tác hiệu quả hơn.
Chuyên sâu báo cáo Web3Tác giả: TechFlow
Thị trường hiện tại tràn ngập các meme, trong khi lĩnh vực AI tạm thời bước vào giai đoạn nghỉ ngơi.
Tuy nhiên, với lợi nhuận tăng vọt của NVIDIA và nhiều sự kiện ngành AI sắp diễn ra trong nửa cuối năm, các dự án AI trên blockchain vẫn là đối tượng đáng chú ý.
Hiện nay đang nổi lên một xu hướng mới —— zkML (zero-knowledge machine learning) kết hợp với đại lý AI. Yếu tố đầu tiên đảm bảo tính riêng tư và an toàn đồng thời xác minh tính chính xác của kết quả tính toán AI; yếu tố thứ hai thông qua hợp đồng thông minh và mạng phi tập trung để thực hiện tự động hóa nhiệm vụ và ra quyết định.
Một số dự án mã hóa lâu đời sẽ tận dụng xu hướng mới này để điều chỉnh định hướng kinh doanh, nhằm tìm kiếm thêm giá trị trong chu kỳ mới.
Allora Network chính là một trong số đó.
Hôm qua, Allora chính thức công bố sách trắng kỹ thuật mới nhất, định vị bản thân như một "mạng AI phi tập trung tự cải thiện", cho thấy rõ xu hướng dự án đang tiến gần hơn đến các chủ đề hấp dẫn thị trường.
Đồng thời, dự án cũng đã công bố kế hoạch thưởng điểm tích lũy vào tháng 5, mang lại giá trị theo dõi cả cho những người săn airdrop lẫn các thợ đào Alpha.
Trong bối cảnh lĩnh vực AI đã rất đông đúc, Allora có điểm gì nổi bật? Xét thấy sách trắng kỹ thuật khá phức tạp, chúng tôi đã phân tích và giải thích nội dung cốt lõi, trình bày những điểm giá trị quan trọng cùng giới thiệu tổng quan về dự án theo cách dễ hiểu hơn.
Vấn đề cũ rích: Độc quyền tài nguyên AI
Theo sách trắng của Allora, vấn đề chính mà dự án nhắm tới là tình trạng hiện tại trong lĩnh vực AI: năng lực xử lý, thuật toán và dữ liệu bị tập trung trong tay một vài gã khổng lồ, gây ra độc quyền tài nguyên, không thuận lợi cho việc đạt được hiệu suất tối ưu trong học máy (ML).
Allora cho rằng chìa khóa để xây dựng trí tuệ máy tối ưu nằm ở việc tối đa hóa số lượng kết nối trong mạng lưới, cho phép các bộ dữ liệu và thuật toán khác nhau tự do kết hợp, từ đó thu được những nhận định liên quan nhất.
Do đó, chúng ta cần một hình thức trí tuệ đám đông có thể kết nối hàng loạt bộ dữ liệu và thuật toán suy luận.
Tóm lại, trong các dự án AI mã hóa hiện tại, mức độ hợp tác giữa các mô hình còn thấp, cơ chế khuyến khích cũng có vấn đề. Các mô hình hoặc hoạt động biệt lập, hoặc kết nối chưa đủ chặt chẽ và hiệu quả, dẫn đến kết quả suy luận cuối cùng không được như mong muốn.
Trước đây Vitalik cũng từng nói: “Chúng ta cần một cơ chế cấp cao hơn để đánh giá hiệu suất của các AI khác nhau, giúp AI có thể tham gia như một người chơi.”
Mục tiêu của Allora là thông qua cấu trúc khuyến khích tốt hơn để các nút trong mạng AI phi tập trung hợp tác hiệu quả hơn; đồng thời đưa vào các phương pháp thông minh nhận diện chi tiết ngữ cảnh để nâng cao hiệu quả của mô hình học máy, từ đó đạt được khả năng suy luận và phán đoán trí tuệ hiệu quả hơn.
Allora: Giới thiệu cảm biến ngữ cảnh và cơ chế thưởng phân biệt, nâng cao hiệu suất mô hình
Cụ thể, Allora làm thế nào để tạo nên một "mạng AI phi tập trung hiệu quả hơn"?
Điểm nổi bật then chốt nằm ở cảm biến ngữ cảnh và cấu trúc thưởng phân biệt. Những đổi mới này cho phép mạng cung cấp kết quả suy luận tốt nhất trong mọi môi trường, đồng thời đảm bảo phần thưởng công bằng cho mỗi đóng góp độc đáo của người tham gia.
Tuy nhiên hai cụm từ này nghe có vẻ trừu tượng, hãy cùng xem xét các bên tham gia trong mạng Allora trước.
Người tham gia trong mạng Allora bao gồm: người làm việc (workers), người đánh giá (reputers) và người tiêu dùng (consumers), mỗi vai trò đều có trách nhiệm và chức năng riêng:
-
Người làm việc (Workers): Cung cấp kết quả suy luận AI và dự đoán tổn thất (loss value) từ kết quả suy luận của các worker khác.
-
Người đánh giá (Reputers): Đánh giá chất lượng kết quả suy luận và dự đoán tổn thất do worker cung cấp.
-
Người tiêu dùng (Consumers): Họ yêu cầu kết quả suy luận từ mạng và trả phí để nhận được kết quả đó.
Như hình minh họa, ba loại người tham gia chính trong mạng Allora tương tác thông qua một bộ điều phối (Topic Coordinator):
-
Người tiêu dùng yêu cầu kết quả suy luận từ mạng và trả phí để nhận được kết quả.
-
Người làm việc cung cấp kết quả suy luận và dự đoán tổn thất của các worker khác. Bộ điều phối sử dụng thông tin này để tổng hợp, tạo ra kết quả suy luận chính xác hơn.
-
Người đánh giá sử dụng dữ liệu thật để đánh giá kết quả suy luận và dự đoán tổn thất do worker cung cấp, đảm bảo tính công bằng trong đánh giá, đồng thời nhận thưởng dựa trên mức độ đồng thuận với các reputers khác.
Thông qua thiết kế ba vai trò này, mạng trí tuệ máy phi tập trung hiệu quả được hình thành, đạt được mục tiêu tối ưu hóa sử dụng tài nguyên và nâng cao độ chính xác suy luận. Về bản chất, đây là một thiết kế tự cải thiện và phần thưởng công bằng thông qua phân chia vai trò và cơ chế khuyến khích.
Sau khi hiểu rõ ba vai trò trên, việc nắm bắt thiết kế cảm biến ngữ cảnh và cơ chế thưởng phân biệt của Allora sẽ dễ dàng hơn.
Cơ chế tổng hợp suy luận
Cơ chế tổng hợp suy luận của Allora là yếu tố then chốt để hiện thực hóa trí tuệ máy phi tập trung. Nó hoạt động theo các bước sau:
-
Nhiệm vụ suy luận (Inference Task): Mỗi worker sử dụng bộ dữ liệu và mô hình riêng để tạo ra kết quả suy luận.
-
Nhiệm vụ dự báo (Forecasting Task): Mỗi worker dự đoán tổn thất từ kết quả suy luận của các worker khác, các giá trị tổn thất dự báo này phản ánh hiệu suất kỳ vọng của worker trong điều kiện hiện tại.
-
Suy luận nhận biết ngữ cảnh (Context-Aware Inference): Mạng sử dụng các giá trị tổn thất dự báo do worker cung cấp, thông qua trung bình cộng có trọng số để tạo ra kết quả dự báo suy luận nhận biết ngữ cảnh. Trung bình có trọng số này xem xét độ chính xác phụ thuộc vào lịch sử và ngữ cảnh.
-
Suy luận mạng (Network Inference): Kết quả suy luận cuối cùng của mạng được tạo ra bằng cách kết hợp kết quả suy luận từ worker và kết quả dự báo suy luận nhận biết ngữ cảnh.
Chìa khóa của cơ chế này là nó không chỉ đánh giá độ chính xác lịch sử của mô hình như các dự án mã hóa khác, mà còn xem xét ngữ cảnh hiện tại, từ đó đạt được tổ hợp suy luận tốt nhất và nâng cao trình độ trí tuệ tổng thể của mạng.
Cơ chế thưởng phân biệt
Đồng thời, Allora giới thiệu cơ chế thưởng phân biệt để đảm bảo đóng góp của mỗi người tham gia được công nhận một cách công bằng:
-
Thưởng cho Worker: Phân bổ dựa trên đóng góp vào nhiệm vụ suy luận và dự báo, khuyến khích họ cung cấp dữ liệu và dự báo chất lượng cao.
-
Thưởng cho Reputer: Dựa trên mức độ gần với đồng thuận và cổ phần nắm giữ để phân bổ thưởng, đảm bảo độ chính xác và công bằng trong đánh giá.
-
Phân bổ thưởng tổng thể: Cơ chế thưởng không chỉ khuyến khích đóng góp tích cực mà còn thông qua thiết kế phi tập trung để tránh tình trạng tập trung quá mức ở một người tham gia duy nhất.
Một số giải pháp hiện đang được triển khai trên Allora:
-
Dự đoán giá AI: Cung cấp thông tin giá tài sản chính xác, thời gian thực, thiết yếu cho các nguyên tắc tài chính nâng cao.
-
Khoản tiền được điều khiển bởi AI: Cho phép các nhà phát triển triển khai các chiến lược DeFi tiên tiến và tăng tiềm năng sinh lời.
-
Mô hình rủi ro AI: Cho phép các giao thức xây dựng hệ thống an toàn hơn để đối phó với các rủi ro bên ngoài.
-
AnyML: Cung cấp khả năng tích hợp dễ dàng với bất kỳ mô hình học máy nào, cho phép bất kỳ ai (không chỉ kỹ sư học máy) sử dụng AI phi tập trung để xây dựng sản phẩm mạnh mẽ hơn.
Kinh tế học token
Mạng Allora sử dụng token gốc ALLO để thúc đẩy trao đổi giá trị giữa các bên tham gia. Các ứng dụng cụ thể của token ALLO bao gồm:
-
Mua kết quả suy luận: Người dùng có thể dùng token ALLO để mua kết quả suy luận do mạng tạo ra. Allora áp dụng mô hình "bạn sẵn sàng trả bao nhiêu" (PWYW), cho phép người dùng tự quyết định số ALLO trả cho mỗi lần suy luận.
-
Trả phí tham gia: Token ALLO có thể dùng để trả phí tạo chủ đề hoặc tham gia mạng (với tư cách worker, reputer hoặc validator). Phí tham gia là biến đổi.
-
Staking: Reputer và validator có thể dùng token ALLO để staking, người nắm giữ token khác cũng có thể ủy quyền token của họ cho reputer hoặc validator. Reputer, validator và người ủy quyền sẽ nhận được thưởng ALLO.
-
Thanh toán thưởng: Mạng dùng token ALLO để thanh toán thưởng cho người tham gia. Với worker, thưởng tỷ lệ thuận với đóng góp độc đáo của họ vào độ chính xác mạng. Với reputer và validator, thưởng tỷ lệ thuận với staking và đồng thuận.
Giá trị token
Thiết kế kinh tế học token trong mạng Allora nhằm đảm bảo giá trị nội tại và sự ổn định của token:
-
Doanh thu phí: Tất cả phí thu được từ mạng sẽ được đưa vào kho bạc mạng để chi trả thưởng. Điều này có nghĩa trong thực tế, kho bạc mạng sẽ giảm chậm hơn tốc độ suy giảm theo cấp số nhân đơn thuần, từ đó duy trì APY cao.
-
Thu hồi token: Mạng dùng phí thu được để chi trả thưởng trước, sau đó mới đúc thêm token mới. Điều này có nghĩa tùy theo động thái thị trường, lượng lưu hành ALLO có thể tăng (lạm phát) hoặc giảm (thắt chặt tiền tệ).
-
Cơ chế phát hành mượt: Bằng cách áp dụng trung bình di chuyển theo cấp số nhân, việc phát hành token được làm mượt, từ đó tránh tình trạng APY giảm mạnh khi các đợt mở khóa lớn diễn ra, đảm bảo người nắm giữ tiếp tục staking token của họ.
Tuy nhiên, sách trắng chưa đề cập ngày phát hành và chi tiết cụ thể về token, thông tin thêm cần theo dõi diễn biến trên mạng xã hội của dự án.
Nguồn lực phía sau Allora
Nội dung trên thực tế chưa nhắc đến công nghệ zkML như đã nói ở đầu bài, dường như Allora hoàn toàn không liên quan đến công nghệ này.
Tuy nhiên, phía sau Allora, dự án lâu đời Upshot là đóng góp cốt lõi trong phát triển Allora.
Upshot tăng cường chức năng của Allora bằng cách triển khai mô hình dự đoán giá chủ lực của mình lên mạng, mô hình này cung cấp thông tin giá do AI điều khiển cho hơn 400 triệu tài sản. Các dự đoán chính xác nhất từ mô hình này luôn đạt độ tin cậy 95-99%.
Hơn nữa, đầu ra của mô hình có thể được cung cấp thông qua zkPredictor (ứng dụng zkML trên chuỗi lớn nhất cho đến nay), cho phép các ứng dụng sử dụng đầu ra theo cách có thể xác minh mật mã.
Bên cạnh đó, Upshot cũng đã huy động được 22 triệu USD vào năm 2022 từ các nhà đầu tư dẫn đầu như Polychain, Framework, CoinFund và Blockchain Capital, ban đầu theo hướng sử dụng công nghệ để định giá tài sản NFT thời gian thực. Hiện nay, khi làn sóng AI trỗi dậy, định hướng cũng chuyển đổi theo, nhưng các công nghệ tích lũy trước đó được tái sử dụng trên dự án Allora mới.
Lộ trình và phần thưởng testnet
Theo thông tin từ blog chính thức của Allora trước đây, việc ra mắt dự án được chia thành ba giai đoạn:
-
Giai đoạn testnet 1: giữa tháng 2 năm 2024
-
Giai đoạn testnet 2: giữa tháng 3 năm 2024
-
Mainnet: đầu quý II năm 2024
Xét theo thời điểm hiện tại, dường như tiến độ dự án đã chậm lại đôi chút, nhưng vẫn đang ở giai đoạn trước khi ra mắt mainnet.
Để tạo đà và thu hút nhiều người tham gia hơn, Allora đã ra mắt chương trình thưởng điểm giai đoạn đầu tiên vào ngày 17 tháng 5, người tham gia hoạt động trên chuỗi có thể kiếm điểm, nhằm tăng cơ hội nhận airdrop trong tương lai.
Các hoạt động cụ thể có thể kiếm điểm bao gồm:
Hoạt động trên chuỗi
-
Tạo chủ đề: Nhận diện và định nghĩa các vấn đề hoặc lĩnh vực quan tâm cụ thể trong mạng, thu hút người tham gia khác phát triển và cung cấp giải pháp.
-
Giới thiệu mô hình học máy: Thêm mô hình học máy vào mạng để người khác sử dụng.
-
Sử dụng các ứng dụng hỗ trợ Allora: Tham gia các ứng dụng và dịch vụ tận dụng chức năng trí tuệ máy của Allora.
Hoạt động ngoài chuỗi
-
Tham gia cộng đồng: Theo dõi Allora trên Twitter, tham gia nhóm Discord và Telegram.
-
Tham gia sự kiện cộng đồng: Tham gia các sự kiện cộng đồng chọn lọc để hỗ trợ mạng Allora.
Hiện tại, các hoạt động dễ tham gia dành cho người dùng phổ thông đều có thể tìm thấy trên trang sự kiện Galxe, người chơi quan tâm có thể nhấn vào đây để tham gia.
Nhìn chung, Allora là một dự án mã hóa có sáng tạo công nghệ nhất định, có nguồn lực nền tảng và khả năng tái sử dụng năng lực, có thể theo kịp xu hướng khi điểm nóng AI thay đổi, tối đa hóa năng lực hiện có để mở rộng sang hướng kinh doanh mới, ít nhất đảm bảo không tụt lại trong cuộc chiến thu hút sự chú ý mới.
Còn về tiềm năng tăng trưởng, thứ nhất chờ làn gió AI quay trở lại, thứ hai phụ thuộc vào các chiến lược vận hành tiếp theo của dự án.
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
深潮TechFlow
