X AI không còn hot? Tổng quan nhanh các hướng đi tiềm năng mà bạn có thể đã bỏ lỡ
Tuyển chọn TechFlowTuyển chọn TechFlow
X AI không còn hot? Tổng quan nhanh các hướng đi tiềm năng mà bạn có thể đã bỏ lỡ
Làn sóng Web3-AI ban đầu chủ yếu tập trung vào những tuyên bố giá trị tách rời thực tế, nay cần chuyển trọng tâm sang xây dựng các giải pháp khả thi.
Chuyên sâu báo cáo Web3Tác giả: Crypto, Distilled
Biên dịch: TechFlow
Mã hóa và AI: Liệu đã đi đến hồi kết?
Năm 2023, chủ đề Web3-AI từng trở thành tâm điểm.
Nhưng hiện nay, lĩnh vực này tràn ngập các dự án mô phỏng, thiếu tính ứng dụng thực tế dù được rót vốn lớn.
Dưới đây là những sai lầm cần tránh và những điểm then chốt đáng chú ý.
Tổng quan
CEO của IntoTheBlock, @jrdothoughts, gần đây đã chia sẻ những phân tích trong một bài viết.
Ông đề cập đến:
a. Thách thức cốt lõi của Web3-AI
b. Các xu hướng bị thổi phồng quá mức
c. Các xu hướng tiềm năng cao
Tôi đã tóm lược cho bạn từng điểm! Cùng tìm hiểu ngay:
Hiện trạng thị trường
Thị trường Web3-AI hiện tại đang bị thổi phồng và tài trợ quá mức.
Nhiều dự án lệch khỏi nhu cầu thực tế của ngành AI.
Sự lệch pha này tạo ra sự nhầm lẫn, nhưng đồng thời mở ra cơ hội cho những người có tầm nhìn sâu sắc.
(Cảm ơn @coinbase)
Thách thức cốt lõi
Khoảng cách giữa AI Web2 và Web3 đang ngày càng giãn rộng, do ba nguyên nhân chính:
-
Thiếu hụt nhân lực nghiên cứu AI
-
Hạ tầng bị hạn chế
-
Thiếu mô hình, dữ liệu và tài nguyên tính toán
Cơ sở AI sinh học
AI sinh học phụ thuộc vào ba yếu tố chính: mô hình, dữ liệu và tài nguyên tính toán.
Hiện tại, chưa có mô hình trọng tâm nào được tối ưu hóa cho hạ tầng Web3.
Ban đầu, nguồn vốn đã hỗ trợ một số dự án Web3 không gắn với thực tế AI.
Các xu hướng bị đánh giá quá cao
Mặc dù có nhiều lời quảng bá, không phải mọi xu hướng Web3-AI đều đáng để theo dõi.
Dưới đây là những xu hướng mà @jrdothoughts cho là bị thổi phồng nhất:
a. Mạng GPU phi tập trung
b. Mô hình ZK-AI
c. Chứng minh suy luận (Cảm ơn @ModulusLabs)
Mạng GPU phi tập trung
Các mạng này hứa hẹn sẽ dân chủ hóa việc huấn luyện AI.
Nhưng thực tế, việc huấn luyện mô hình lớn trên hạ tầng phi tập trung vừa chậm vừa không khả thi.
Xu hướng này vẫn chưa đáp ứng được kỳ vọng lớn lao ban đầu.
Mô hình AI Zero-Knowledge (ZK)
Mô hình AI ZK trông hấp dẫn về bảo vệ quyền riêng tư.
Nhưng trên thực tế, chúng tốn kém về mặt tính toán và khó diễn giải.
Điều này khiến chúng khó áp dụng quy mô lớn.
(Cảm ơn @oraprotocol)
Thông tin trong ảnh:
b) Hiện tại, chi phí phát sinh lên tới 1000 lần.
Tuy nhiên, phương pháp này còn cách xa ứng dụng thực tiễn, đặc biệt đối với những trường hợp mà Vitalik đã mô tả. Dưới đây là một vài ví dụ:
-
Khung zkML EZKL mất khoảng 80 phút để tạo chứng minh cho mô hình 1M-nanoGPT.
-
Theo dữ liệu từ Modulus Labs, chi phí phát sinh của zkML cao hơn 1000 lần so với tính toán thuần túy, báo cáo mới nhất cho thấy con số này là 1000 lần.
-
Theo kiểm định chuẩn của EZKL, thời gian trung bình để RISC Zero tạo chứng minh trong tác vụ phân loại rừng ngẫu nhiên là 173 giây.
Chứng minh suy luận
Các khung chứng minh suy luận cung cấp bằng chứng mã hóa cho đầu ra AI.
Tuy nhiên, @jrdothoughts cho rằng các giải pháp này đang giải quyết vấn đề không tồn tại.
Do đó, khả năng ứng dụng trong thế giới thực rất hạn chế.
Các xu hướng tiềm năng cao
Mặc dù một số xu hướng bị thổi phồng, thì một số khác lại mang tiềm năng đáng kể.
Dưới đây là những xu hướng bị đánh giá thấp, có thể mở ra cơ hội thực sự:
a. Trí tuệ nhân tạo (AI) có ví tiền
b. Tiền mã hóa tài trợ cho AI
c. Mô hình nền tảng nhỏ
d. Tạo dữ liệu tổng hợp
Trí tuệ nhân tạo (AI) có ví tiền
Hãy tưởng tượng, các tác nhân AI có khả năng tài chính thông qua tiền mã hóa.
Những tác nhân này có thể thuê các tác nhân khác hoặc đặt cược tiền để đảm bảo chất lượng.
Một ứng dụng thú vị khác là "tác nhân dự đoán", như @vitalikbuterin từng đề cập.
Tiền mã hóa tài trợ cho AI
Các dự án AI sinh học thường gặp khó khăn về tài chính.
Phương pháp huy động vốn hiệu quả từ tiền mã hóa, như airdrop và phần thưởng, cung cấp nguồn tài trợ thiết yếu cho các dự án AI mã nguồn mở.
Những phương pháp này góp phần thúc đẩy đổi mới. (Cảm ơn @oraprotocol)
Mô hình nền tảng nhỏ
Các mô hình nền tảng nhỏ, ví dụ như mô hình Phi của Microsoft, minh họa triết lý "ít hơn là nhiều hơn".
Các mô hình có 1B-5B tham số cực kỳ quan trọng đối với AI phi tập trung, giúp cung cấp các giải pháp AI mạnh mẽ ngay trên thiết bị.
(Nguồn: @microsoft)
Tạo dữ liệu tổng hợp
Thiếu hụt dữ liệu là một trong những rào cản chính đối với sự phát triển của AI.
Dữ liệu tổng hợp được tạo bởi các mô hình nền tảng có thể bổ sung hiệu quả cho các bộ dữ liệu thực tế.
Vượt qua sự thổi phồng
Làn sóng Web3-AI ban đầu chủ yếu tập trung vào các đề xuất giá trị tách rời thực tế.
@jrdothoughts cho rằng, giờ đây nên chuyển trọng tâm sang xây dựng các giải pháp khả thi.
Khi sự chú ý chuyển dịch, lĩnh vực AI vẫn còn đầy cơ hội, chờ đợi những ánh mắt tinh tường khám phá.
Bài viết chỉ nhằm mục đích giáo dục, không phải lời khuyên tài chính. Cảm ơn sâu sắc @jrdothoughts vì những chia sẻ quý giá.
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
@DistilledCrypto
