Hiện trạng ngành Crypto X AI 2024: Mã hóa thấm sâu vào mọi khía cạnh của AI tạo sinh
Tuyển chọn TechFlowTuyển chọn TechFlow
Hiện trạng ngành Crypto X AI 2024: Mã hóa thấm sâu vào mọi khía cạnh của AI tạo sinh
AI và tiền mã hóa là những người bạn đồng hành tự nhiên.
Chuyên sâu báo cáo Web3Tác giả: MagnetAI
Biên dịch: TechFlow
Tóm tắt nội dung chính
Chúng tôi đã phân tích sâu về 67 dự án Crypto+AI, đồng thời phân loại chúng theo góc nhìn của trí tuệ nhân tạo sinh (GenAI). Phân loại của chúng tôi bao gồm:
-
GPU DePIN
-
Tính toán phi tập trung (huấn luyện + suy luận)
-
Xác thực (ZKML+OPML)
-
Mô hình ngôn ngữ lớn mã hóa (LLM)
-
Dữ liệu (chung + chuyên biệt cho AI)
-
Ứng dụng sáng tạo AI
-
Ứng dụng tiêu dùng AI
-
Chuẩn AI (token + đại lý)
-
Kinh tế AI
Tại sao viết bài này?
Chủ đề Crypto+AI đã thu hút rất nhiều sự chú ý. Nhiều báo cáo về Crypto+AI đang xuất hiện, nhưng hoặc chỉ đề cập đến một phần câu chuyện AI, hoặc giải thích AI chỉ từ góc nhìn tiền mã hóa. Bài viết này sẽ tiếp cận chủ đề này từ góc nhìn AI, khám phá cách tiền mã hóa hỗ trợ AI và AI có thể mang lại lợi ích gì cho tiền mã hóa, nhằm hiểu rõ hơn về bức tranh toàn cảnh hiện tại của ngành công nghiệp Crypto+AI.
Phần thứ nhất: Giải mã toàn cảnh GenAI
Hãy bắt đầu từ các sản phẩm AI mà chúng ta sử dụng hàng ngày để khám phá toàn cảnh trí tuệ nhân tạo sinh (GenAI). Các sản phẩm này thường bao gồm hai thành phần chính: một mô hình ngôn ngữ lớn (LLM) và một giao diện người dùng (UI). Với các mô hình lớn, có hai quá trình then chốt: tạo mô hình và sử dụng mô hình, thường được gọi là huấn luyện và suy luận. Về mặt giao diện người dùng, nó có nhiều hình thức khác nhau, bao gồm dạng đối thoại (như GPT), dạng trực quan (như LumaAI), và nhiều hình thức khác tích hợp API suy luận vào các giao diện sản phẩm hiện có.
Tính toán
Đi sâu hơn, tính toán là nền tảng thiết yếu cho cả huấn luyện và suy luận, phụ thuộc mạnh mẽ vào cơ sở hạ tầng GPU. Mặc dù kết nối vật lý của GPU trong huấn luyện và suy luận có thể khác nhau, nhưng GPU vẫn là thành phần cơ sở hạ tầng chung cho các sản phẩm AI. Trên nền tảng này, chúng ta có việc điều phối cụm GPU, gọi là đám mây. Những đám mây này có thể được chia thành đám mây đa năng truyền thống và đám mây chuyên biệt, với đám mây chuyên biệt tập trung hơn vào các kịch bản tính toán AI và được tối ưu hóa cho mục đích đó.
Lưu trữ
Về lưu trữ, lưu trữ dữ liệu AI có thể được chia thành các giải pháp lưu trữ truyền thống như AWS S3 và Azure Blob Storage, và các giải pháp lưu trữ được tối ưu hóa riêng cho bộ dữ liệu AI. Những giải pháp lưu trữ chuyên biệt này, như Filestore của Google Cloud, được thiết kế để tăng tốc độ truy cập dữ liệu trong các tình huống cụ thể.
Quá trình huấn luyện
Tiếp tục thảo luận về cơ sở hạ tầng AI, việc phân biệt giữa huấn luyện và suy luận là rất quan trọng vì chúng khác biệt đáng kể. Ngoài tính toán chung, cả hai còn liên quan đến nhiều logic kinh doanh đặc thù cho AI.
Với quá trình huấn luyện, cơ sở hạ tầng có thể được chia thành:
-
Nền tảng: Được thiết kế dành riêng cho huấn luyện, giúp các nhà phát triển AI huấn luyện hiệu quả mô hình ngôn ngữ lớn, đồng thời cung cấp các giải pháp phần mềm tăng tốc như MosaicML.
-
Nhà cung cấp mô hình nền tảng: Nhóm này bao gồm các nền tảng như Hugging Face, cung cấp các mô hình nền tảng mà người dùng có thể tiếp tục huấn luyện hoặc tinh chỉnh thêm.
-
Khung làm việc: Cuối cùng, còn có các khung huấn luyện nền tảng khác nhau để xây dựng từ đầu, như PyTorch và TensorFlow.
Suy luận
Với suy luận, có thể chia thành:
-
Bộ tối ưu hóa: Chuyên tối ưu cho các trường hợp sử dụng cụ thể, chẳng hạn như tăng tốc thuật toán xử lý song song hoặc tạo phương tiện. Một ví dụ là fal.ai, tối ưu hóa quá trình suy luận từ văn bản sang hình ảnh, nâng cao tốc độ khuếch tán lên 50% so với phương pháp thông thường.
-
Nền tảng triển khai: Cung cấp dịch vụ đám mây suy luận mô hình tổng quát, như Amazon SageMaker, thuận tiện để triển khai và mở rộng mô hình AI trong các môi trường khác nhau.
Ứng dụng
Dù ứng dụng AI vô cùng đa dạng, nhưng có thể chia thành hai nhóm chính dựa trên đối tượng người dùng: người sáng tạo và người tiêu dùng.
-
Người tiêu dùng AI: Nhóm này chủ yếu sử dụng các sản phẩm AI và sẵn sàng trả tiền cho giá trị mà các sản phẩm này mang lại. Một ví dụ điển hình là ChatGPT.
-
Người sáng tạo AI: Mặt khác, các ứng dụng sáng tạo AI thường mời các nhà sáng tạo AI đến nền tảng của họ để tạo ra các tác nhân (agent), chia sẻ tri thức, sau đó chia sẻ lợi nhuận với họ; thị trường GPT là một ví dụ nổi bật nhất.
Hai nhóm này gần như bao phủ tất cả các ứng dụng AI. Dù tồn tại những phân loại chi tiết hơn, bài viết này sẽ tập trung vào các nhóm rộng rãi này.
Phần thứ hai: Tiền mã hóa hỗ trợ AI như thế nào
Trước khi trả lời câu hỏi này, hãy tóm tắt những lợi thế chính mà tiền mã hóa có thể mang lại cho AI: thương mại hóa, tính bao hàm, minh bạch, quyền sở hữu dữ liệu, giảm chi phí, v.v.
Từ blog vitalik.eth: Tóm tắt cấp cao về điểm giao thoa giữa mã hóa và AI
Những tác động cộng hưởng then chốt này chủ yếu hỗ trợ cảnh quan hiện tại bằng các cách sau:
-
Thương mại hóa: Thông qua các cơ chế mã hóa độc đáo như token hóa, thương mại hóa và khuyến khích, có thể tạo ra đổi mới đột phá trong các ứng dụng sáng tạo AI, đảm bảo nền kinh tế AI mở và công bằng.
-
Tính bao hàm: Tiền mã hóa cho phép tham gia không cần giấy phép, phá vỡ các giới hạn do các công ty AI tập trung đóng cửa áp đặt ngày nay. Điều này giúp AI thực sự mở và tự do.
-
Minh bạch: Tiền mã hóa có thể tận dụng công nghệ ZKML/OPML để mở mã nguồn hoàn toàn AI, đưa toàn bộ quá trình huấn luyện và suy luận của LLM lên chuỗi, đảm bảo tính minh bạch và khả năng truy cập không cần giấy phép của AI.
-
Quyền sở hữu dữ liệu: Bằng cách kích hoạt giao dịch trên chuỗi để thiết lập quyền sở hữu dữ liệu cho tài khoản (người dùng), từ đó người dùng thực sự sở hữu dữ liệu AI của họ. Điều này đặc biệt có lợi ở lớp ứng dụng, giúp người dùng bảo vệ hiệu quả quyền dữ liệu AI của mình.
-
Giảm chi phí: Thông qua khuyến khích bằng token, có thể biến giá trị tương lai của năng lực tính toán thành tiền mặt, giảm đáng kể chi phí GPU hiện tại. Phương pháp này làm giảm mạnh chi phí AI ở cấp độ tính toán.
Phần thứ ba: Khám phá cảnh quan Crypto+AI
Áp dụng những lợi thế của tiền mã hóa vào các hạng mục khác nhau trong cảnh quan AI, tạo ra một góc nhìn mới về cảnh quan AI từ góc độ mã hóa.
Lớp mô hình ngôn ngữ lớn
-
GPU DePIN
Chúng tôi tiếp tục phác họa bản đồ AI+Crypto dựa trên cảnh quan AI. Bắt đầu từ mô hình ngôn ngữ lớn, và từ GPU ở lớp cơ sở, một câu chuyện dài hạn trong lĩnh vực mã hóa là giảm chi phí.
Thông qua khuyến khích blockchain, chúng ta có thể giảm đáng kể chi phí bằng cách thưởng cho các nhà cung cấp GPU. Câu chuyện này hiện được gọi là GPU DePIN. Mặc dù GPU không chỉ dùng trong AI mà còn trong game, AR và các trường hợp khác, nhưng làn đường GPU DePIN thường bao gồm các lĩnh vực này.
Các dự án tập trung vào làn đường AI bao gồm Aethir và mạng Aioz, trong khi các dự án tập trung vào render hình ảnh bao gồm io.net, render network, v.v.
-
Tính toán phi tập trung
Tính toán phi tập trung là một câu chuyện tồn tại từ khi blockchain ra đời và đã phát triển đáng kể theo thời gian. Tuy nhiên, do độ phức tạp của nhiệm vụ tính toán (so với lưu trữ phi tập trung), nó thường yêu cầu giới hạn các kịch bản tính toán.
AI, với tư cách là kịch bản tính toán mới nhất, tự nhiên đã thúc đẩy sự ra đời của một loạt dự án tính toán phi tập trung. So với GPU DePIN, các nền tảng tính toán phi tập trung này không chỉ cung cấp giảm chi phí mà còn đáp ứng các kịch bản tính toán cụ thể hơn: huấn luyện và suy luận. Chúng được điều phối trong mạng diện rộng, tăng cường đáng kể khả năng mở rộng.
Theo gensyn.ai đạt được quy mô và hiệu quả chi phí
Ví dụ, các nền tảng tập trung vào huấn luyện bao gồm AI Arena, Gensyn, DIN, và Flock.io; các nền tảng tập trung vào suy luận bao gồm Allora, Ritual và Justu.ai; các nền tảng xử lý cả hai mặt bao gồm Bittensor, 0G, Sentient, Akash, Phala, Ankr và Oasis.
-
Xác thực
Xác thực là một hạng mục độc đáo trong Crypto+AI, chủ yếu vì nó đảm bảo toàn bộ quá trình tính toán AI, dù là huấn luyện hay suy luận, đều có thể được xác minh trên chuỗi.
Việc này cực kỳ quan trọng để duy trì tính phi tập trung và minh bạch hoàn toàn của quá trình. Hơn nữa, các công nghệ như ZKML còn bảo vệ quyền riêng tư và an toàn dữ liệu, cho phép người dùng sở hữu 100% dữ liệu cá nhân của họ.
Theo thuật toán và quy trình xác thực, có thể chia thành ZKML và OPML. ZKML sử dụng công nghệ kiến thức không (ZK) để chuyển đổi quá trình huấn luyện/suy luận AI thành mạch ZK, khiến quá trình có thể xác minh trên chuỗi, như các nền tảng EZKL, Modulus Labs, Succinct và Giza. Mặt khác, OPML sử dụng oracle ngoài chuỗi để gửi bằng chứng lên blockchain, như Ora và Spectral.
-
Mô hình nền tảng mã hóa
Khác với các mô hình ngôn ngữ lớn phổ thông như ChatGPT hay Claude, các mô hình nền tảng mã hóa được huấn luyện lại bằng lượng lớn dữ liệu mã hóa, khiến các mô hình nền tảng này có kho tri thức chuyên môn về tiền mã hóa.
Các mô hình nền tảng này có thể cung cấp năng lực AI mạnh mẽ cho các ứng dụng gốc mã hóa (như DeFi, NFT và GamingFi). Hiện tại, các ví dụ về mô hình nền tảng này bao gồm Pond và Chainbase.
-
Dữ liệu
Dữ liệu là thành phần then chốt trong lĩnh vực AI. Trong huấn luyện AI, tập dữ liệu đóng vai trò quan trọng, trong khi trong quá trình suy luận, số lượng lớn gợi ý và cơ sở tri thức của người dùng cũng đòi hỏi lưu trữ dung lượng lớn.
Lưu trữ dữ liệu phi tập trung không chỉ giảm đáng kể chi phí lưu trữ mà quan trọng hơn là đảm bảo khả năng truy xuất nguồn gốc và quyền sở hữu dữ liệu.
Các giải pháp lưu trữ phi tập trung truyền thống như Filecoin, Arweave và Storj có thể lưu trữ khối lượng lớn dữ liệu AI với chi phí rất thấp.
Đồng thời, các giải pháp lưu trữ dữ liệu AI mới hơn được tối ưu hóa theo đặc tính riêng biệt của dữ liệu AI. Ví dụ, Space and Time và OpenDB tối ưu hóa xử lý trước dữ liệu và truy vấn, trong khi Masa, Grass, Nuklai và KIP Protocol tập trung vào thương mại hóa dữ liệu AI. Bagel Network tập trung vào quyền riêng tư dữ liệu người dùng.
Các giải pháp này tận dụng lợi thế độc đáo của tiền mã hóa để đổi mới trong quản lý dữ liệu lĩnh vực AI, nơi trước đây ít được chú ý.
Lớp ứng dụng
1.Người sáng tạo
Ở lớp ứng dụng Crypto+AI, các ứng dụng sáng tạo đặc biệt đáng chú ý. Xét đến khả năng thương mại hóa vốn có của tiền mã hóa, việc khuyến khích người sáng tạo AI là điều hợp lý.
Đối với người sáng tạo AI, trọng tâm được chia thành người dùng không/lập trình và các nhà phát triển. Người dùng không/lập trình, như người tạo bot, sử dụng các nền tảng này để tạo bot và thương mại hóa chúng thông qua token/NFT. Họ có thể huy động vốn nhanh chóng thông qua ICO hoặc Mint NFT, sau đó thưởng cho những người nắm giữ token dài hạn thông qua chia sẻ quyền sở hữu (ví dụ như chia sẻ doanh thu). Như vậy, họ hoàn toàn mở sản phẩm AI của mình, sở hữu chung bởi cộng đồng, hoàn thành vòng đời kinh tế AI.
Hơn nữa, với tư cách là nền tảng sáng tạo Crypto AI, họ giải quyết vấn đề huy động vốn ban đầu đến trung hạn và lợi nhuận dài hạn cho người sáng tạo AI bằng cách tận dụng lợi thế vốn có của token hóa trong tiền mã hóa, đồng thời cung cấp dịch vụ với tỷ lệ hoa hồng chỉ bằng một phần nhỏ so với mô hình Web2 điển hìnhtake rate——thể hiện lợi thế chi phí vận hành bằng 0 nhờ tính phi tập trung của tiền mã hóa.
Trong lĩnh vực này, các nền tảng như MagnetAI, Olas, Myshell, Fetch.ai, Virtual Protocol và Spectral cung cấp nền tảng sáng tạo tác nhân cho người dùng không/lập trình. Đối với các nhà phát triển mô hình AI, MagnetAI và Ora cung cấp nền tảng dành cho nhà phát triển mô hình. Ngoài ra, đối với các hạng mục khác như người sáng tạo AI+xã hội, có các nền tảng như Story Protocol và CreatorBid được thiết kế riêng cho họ, trong khi SaharaAI tập trung vào thương mại hóa cơ sở tri thức.
2. Người tiêu dùng
Người tiêu dùng ám chỉ AI phục vụ trực tiếp người dùng tiền mã hóa. Hiện tại, số dự án trên làn đường này còn ít, nhưng những dự án hiện có là không thể thay thế và độc đáo, như Worldcoin và ChainGPT.
3. Chuẩn
Chuẩn là một làn đường độc đáo trong Crypto, đặc trưng bởi việc phát triển blockchain độc lập, giao thức hoặc cải tiến để tạo ra blockchain dApp AI, hoặc để giúp cơ sở hạ tầng hiện tại (như Ethereum) hỗ trợ các ứng dụng AI.
Các chuẩn này cho phép các dApp AI thể hiện các lợi thế của tiền mã hóa như tính minh bạch và phi tập trung, cung cấp hỗ trợ cơ bản cho các sản phẩm sáng tạo và tiêu dùng.
Ví dụ, Ora mở rộng ERC-20 để cung cấp chia sẻ doanh thu, 7007.ai mở rộng ERC-721 để token hóa tài sản suy luận mô hình. Ngoài ra, các nền tảng như Talus, Theoriq, Alethea và Morpheus đang tạo ra máy ảo (VM) trên chuỗi để cung cấp môi trường thực thi cho các tác nhân AI, trong khi Sentient cung cấp các chuẩn tổng hợp cho các dApp AI.
4. Kinh tế AI
Kinh tế AI là một đổi mới lớn trong lĩnh vực Crypto+AI, nhấn mạnh việc sử dụng cơ chế token hóa, thương mại hóa và khuyến khích của tiền mã hóa để thực hiện dân chủ hóa AI.
Vòng đời kinh tế AI do MagnetAI phát triển
Nó làm nổi bật nền kinh tế chia sẻ AI, sở hữu chung cộng đồng và chia sẻ quyền sở hữu. Những đổi mới này thúc đẩy mạnh mẽ sự phát triển và thịnh vượng hơn nữa của AI.
Trong đó, Theoriq và Fetch.ai tập trung vào thương mại hóa tác nhân; Olas nhấn mạnh token hóa; Mind Network cung cấp lợi ích tái stake; MagnetAI tích hợp token hóa, thương mại hóa và cơ chế khuyến khích vào một nền tảng thống nhất.
Kết luận
AI và tiền mã hóa là những đối tác tự nhiên. Tiền mã hóa góp phần giúp AI trở nên cởi mở, minh bạch hơn và hỗ trợ không thể thay thế cho sự phát triển mạnh mẽ hơn nữa của nó.
Ngược lại, AI mở rộng ranh giới của tiền mã hóa, thu hút thêm nhiều người dùng và sự chú ý. Với tư cách là một câu chuyện phổ quát của toàn nhân loại, AI còn mang lại cho thế giới mã hóa một câu chuyện áp dụng quy mô lớn chưa từng có.
Hãy tham gia cộng đồng chính thức của TechFlow
Nhóm Telegram:
Tài khoản Twitter chính thức:
Tài khoản Twitter tiếng Anh:
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
@magnetaixyz
