The Graph mở rộng như thế nào để trở thành cơ sở hạ tầng Web3 được điều khiển bởi AI?
Tuyển chọn TechFlowTuyển chọn TechFlow
The Graph mở rộng như thế nào để trở thành cơ sở hạ tầng Web3 được điều khiển bởi AI?
Làm thế nào để DApp dễ dàng tích hợp công nghệ AI hơn?
Chuyên sâu báo cáo Web3Tác giả: ChainFeeds Research
Năm 2022, OpenAI ra mắt ChatGPT được hỗ trợ bởi mô hình GPT-3.5, từ đó mở ra làn sóng liên tiếp các câu chuyện về AI. Tuy nhiên, mặc dù ChatGPT có thể xử lý hiệu quả vấn đề trong hầu hết trường hợp, hiệu suất của nó vẫn có thể bị giới hạn khi cần kiến thức chuyên sâu hoặc dữ liệu thời gian thực. Ví dụ, khi hỏi về lịch sử giao dịch token của Vitalik Buterin trong 18 tháng qua, nó không thể cung cấp thông tin đáng tin cậy và chi tiết. Để giải quyết điều này, đội ngũ phát triển lõi của The Graph – Semiotic Labs – đã kết hợp ngăn xếp phần mềm lập chỉ mục của The Graph với OpenAI để ra mắt dự án Agentc, cung cấp dịch vụ phân tích xu hướng thị trường tiền mã hóa và truy vấn dữ liệu giao dịch cho người dùng.
Khi hỏi Agentc về lịch sử giao dịch token của Vitalik Buterin trong 18 tháng qua, nó đưa ra câu trả lời chi tiết hơn. Tuy nhiên, chiến lược AI của The Graph không dừng lại ở đó. Trong bản whitepaper "The Graph as AI Infrastructure", họ nêu rõ mục tiêu không phải là ra mắt một ứng dụng cụ thể nào, mà tận dụng tối đa lợi thế của mình như một giao thức lập chỉ mục dữ liệu phi tập trung để cung cấp công cụ giúp các nhà phát triển xây dựng các ứng dụng AI gốc Web3. Để hỗ trợ mục tiêu này, Semiotic Labs cũng sẽ mở mã nguồn kho lưu trữ Agentc, cho phép các nhà phát triển tạo ra các dApp AI tương tự như Agentc, chẳng hạn như đại lý phân tích xu hướng thị trường NFT hay trợ lý giao dịch DeFi.
Lộ trình AI phi tập trung của The Graph
Ra mắt vào tháng 7 năm 2018, The Graph là một giao thức phi tập trung dùng để lập chỉ mục và truy vấn dữ liệu blockchain. Thông qua giao thức này, các nhà phát triển có thể sử dụng API mở để tạo và công bố các chỉ mục dữ liệu gọi là subgraph (subgraph), giúp các ứng dụng truy xuất dữ liệu trên chuỗi một cách hiệu quả. Tính đến nay, The Graph đã hỗ trợ hơn 50 chuỗi, lưu trữ hơn 75.000 dự án và xử lý hơn 1,26 nghìn tỷ truy vấn.
Khả năng xử lý lượng dữ liệu khổng lồ của The Graph không thể tách rời khỏi sự hỗ trợ của các đội ngũ cốt lõi phía sau, bao gồm Edge & Node, Streamingfast, Semiotic, The Guild, GraphOps, Messari và Pinax. Trong đó, Streamingfast chủ yếu cung cấp công nghệ kiến trúc luồng dữ liệu blockchain xuyên chuỗi, còn Semiotic AI tập trung vào việc áp dụng AI và mật mã học vào The Graph. The Guild, GraphOps, Messari và Pinax lần lượt chuyên về phát triển GraphQL, dịch vụ lập chỉ mục, phát triển subgraph và các giải pháp luồng dữ liệu.
Việc The Graph tham gia lĩnh vực AI không phải là ý tưởng mới. Ngay từ tháng 3 năm ngoái, The Graph Blog đã đăng một bài viết phác thảo tiềm năng ứng dụng AI bằng chức năng lập chỉ mục dữ liệu của mình. Tháng 12 năm ngoái, The Graph công bố lộ trình mới mang tên "New Era", lên kế hoạch bổ sung tính năng truy vấn hỗ trợ AI với mô hình ngôn ngữ lớn. Với việc công bố whitepaper gần đây, lộ trình AI của họ trở nên rõ ràng hơn. Whitepaper giới thiệu hai dịch vụ AI: Inference (suy luận) và Agent Service (dịch vụ tác nhân), cho phép các nhà phát triển tích hợp trực tiếp các chức năng AI vào giao diện ứng dụng, toàn bộ quá trình đều được hỗ trợ bởi The Graph.
Dịch vụ suy luận: Hỗ trợ nhiều mô hình AI mã nguồn mở
Trong các dịch vụ suy luận truyền thống, mô hình sử dụng tài nguyên điện toán đám mây tập trung để dự đoán dữ liệu đầu vào. Ví dụ, khi bạn đặt câu hỏi cho ChatGPT, nó sẽ tiến hành suy luận và trả về câu trả lời. Tuy nhiên, phương thức tập trung này không chỉ làm tăng chi phí mà còn tiềm ẩn rủi ro kiểm duyệt. The Graph muốn giải quyết vấn đề này bằng cách xây dựng một thị trường lưu trữ mô hình phi tập trung, giúp các nhà phát triển dApp linh hoạt hơn khi triển khai và lưu trữ mô hình AI.
Trong whitepaper, The Graph lấy một ví dụ minh họa cách tạo một ứng dụng giúp người dùng Farcaster biết trước bài đăng của họ có thể nhận được nhiều lượt thích hay không. Trước tiên, sử dụng dịch vụ dữ liệu subgraph của The Graph để lập chỉ mục số lượng bình luận và lượt thích trên các bài đăng Farcaster. Tiếp theo, huấn luyện mạng nơ-ron để dự đoán xem bình luận Farcaster mới có được thích hay không, rồi triển khai mạng nơ-ron này lên Dịch vụ Suy luận của The Graph. Cuối cùng, dApp phát triển hoàn chỉnh có thể giúp người dùng viết những bài đăng thu hút nhiều lượt thích hơn.
Cách tiếp cận này cho phép các nhà phát triển dễ dàng tận dụng cơ sở hạ tầng của The Graph để lưu trữ các mô hình đã được huấn luyện sẵn trên mạng lưới The Graph và tích hợp vào ứng dụng thông qua API, từ đó người dùng có thể trải nghiệm trực tiếp các chức năng này khi sử dụng dApp.
Để cung cấp thêm lựa chọn và tính linh hoạt cho các nhà phát triển, Dịch vụ Suy luận của The Graph hỗ trợ hầu hết các mô hình phổ biến hiện có. Whitepaper viết rằng: "Ở giai đoạn MVP, Dịch vụ Suy luận của The Graph sẽ hỗ trợ một nhóm các mô hình AI mã nguồn mở nổi bật đã được tuyển chọn kỹ lưỡng, bao gồm Stable Diffusion, Stable Video Diffusion, LLaMA, Mixtral, Grok và Whisper". Trong tương lai, bất kỳ mô hình mở nào đã được thử nghiệm đầy đủ và vận hành bởi các indexer đều có thể được triển khai trên Dịch vụ Suy luận của The Graph. Ngoài ra, để giảm độ phức tạp kỹ thuật khi triển khai mô hình AI, The Graph cung cấp giao diện thân thiện với người dùng, đơn giản hóa toàn bộ quy trình, giúp các nhà phát triển dễ dàng tải lên và quản lý mô hình AI của họ mà không cần lo lắng về việc bảo trì cơ sở hạ tầng.
Để tiếp tục cải thiện hiệu suất của mô hình trong các tình huống ứng dụng cụ thể, The Graph còn hỗ trợ việc tinh chỉnh (fine-tuning) mô hình trên tập dữ liệu riêng biệt. Tuy nhiên, cần lưu ý rằng việc tinh chỉnh thường không diễn ra trực tiếp trên The Graph. Các nhà phát triển cần tinh chỉnh mô hình bên ngoài, sau đó mới triển khai mô hình đã tinh chỉnh lên Dịch vụ Suy luận của The Graph. Để khuyến khích các nhà phát triển chia sẻ công khai các mô hình đã tinh chỉnh, The Graph đang phát triển các cơ chế khuyến khích, ví dụ như phân bổ hợp lý phí truy vấn giữa người tạo mô hình và các indexer cung cấp mô hình.
Về xác minh việc thực hiện nhiệm vụ suy luận, The Graph cung cấp nhiều phương pháp như thực thể đáng tin cậy (trusted authority), đồng thuận M-trên-N, bằng chứng gian lận tương tác và zk-SNARKs. Bốn phương pháp này đều có ưu nhược điểm riêng: thực thể đáng tin cậy phụ thuộc vào một tổ chức đáng tin; đồng thuận M-trên-N yêu cầu nhiều indexer xác minh, tăng độ khó gian lận nhưng cũng làm tăng chi phí tính toán và phối hợp; bằng chứng gian lận tương tác an toàn cao nhưng không phù hợp với các ứng dụng cần phản hồi nhanh; zk-SNARKs tuy an toàn nhưng thực hiện kỹ thuật phức tạp, không phù hợp với mô hình lớn.
The Graph cho rằng các nhà phát triển và người dùng nên có quyền lựa chọn mức độ bảo mật phù hợp với nhu cầu của mình. Do đó, The Graph dự định hỗ trợ nhiều phương pháp xác minh trong dịch vụ suy luận của mình nhằm đáp ứng các yêu cầu an ninh và tình huống sử dụng khác nhau. Ví dụ, trong các trường hợp liên quan đến giao dịch tài chính hoặc logic nghiệp vụ quan trọng, có thể cần sử dụng phương pháp xác minh an toàn cao như zk-SNARKs hoặc đồng thuận M-trên-N. Trong khi đó, với các ứng dụng ít rủi ro hoặc mang tính giải trí, có thể chọn các phương pháp ít tốn kém và dễ triển khai hơn như thực thể đáng tin cậy hoặc bằng chứng gian lận tương tác. Ngoài ra, The Graph cũng đang nghiên cứu các công nghệ tăng cường quyền riêng tư để cải thiện vấn đề bảo mật mô hình và người dùng.
Dịch vụ Tác nhân: Giúp các nhà phát triển xây dựng ứng dụng AI tự động
So với Dịch vụ Suy luận chủ yếu chạy các mô hình AI đã huấn luyện để thực hiện suy luận, Dịch vụ Tác nhân (Agent Service) phức tạp hơn, vì nó cần nhiều thành phần phối hợp để các tác nhân (agent) có thể thực hiện một loạt nhiệm vụ phức tạp và tự động. Giá trị cốt lõi của Dịch vụ Tác nhân The Graph là tích hợp toàn bộ quá trình xây dựng, lưu trữ và thực thi tác nhân vào The Graph, với mạng lưới indexer cung cấp dịch vụ.
Cụ thể, The Graph sẽ cung cấp một mạng lưới phi tập trung hỗ trợ việc xây dựng và lưu trữ tác nhân. Khi một tác nhân được triển khai trên mạng lưới The Graph, các indexer của The Graph sẽ cung cấp hỗ trợ thực thi cần thiết, bao gồm lập chỉ mục dữ liệu, phản hồi các sự kiện trên chuỗi và các yêu cầu tương tác khác.
Như đã đề cập ở trên, đội ngũ phát triển cốt lõi Semiotic Labs của The Graph đã ra mắt sản phẩm thí điểm ban đầu Agentc, kết hợp ngăn xếp phần mềm lập chỉ mục của The Graph với OpenAI. Chức năng chính của Agentc là chuyển đổi đầu vào ngôn ngữ tự nhiên thành truy vấn SQL, giúp người dùng dễ dàng truy vấn dữ liệu thời gian thực trên blockchain và hiển thị kết quả dưới dạng dễ hiểu. Hiểu đơn giản, Agentc tập trung vào việc cung cấp dịch vụ phân tích xu hướng thị trường tiền mã hóa và truy vấn dữ liệu giao dịch tiện lợi, tất cả dữ liệu đều đến từ Uniswap V2, Uniswap V3, Uniswap X và các bản fork trên Ethereum, giá được cập nhật mỗi giờ một lần.
Ngoài ra, The Graph cũng thừa nhận rằng độ chính xác của mô hình LLM mà họ sử dụng hiện chỉ đạt 63,41%, do đó vẫn tồn tại vấn đề phản hồi sai. Để giải quyết điều này, The Graph đang phát triển một mô hình ngôn ngữ lớn mới có tên KGLLM (Knowledge Graph-enabled Large Language Models).
KGLLM sử dụng dữ liệu đồ thị tri thức cấu trúc do Geo cung cấp, có thể giảm đáng kể xác suất sinh thông tin sai lệch. Mỗi tuyên bố trong hệ thống Geo đều được hỗ trợ bởi dấu thời gian trên chuỗi và xác minh bỏ phiếu. Sau khi tích hợp đồ thị tri thức của Geo, các tác nhân có thể được ứng dụng trong nhiều tình huống như quy định y tế, phát triển chính trị, phân tích thị trường, từ đó nâng cao tính đa dạng và độ chính xác của dịch vụ tác nhân. Ví dụ, KGLLM có thể sử dụng dữ liệu chính trị để đưa ra đề xuất thay đổi chính sách cho các tổ chức tự trị phi tập trung (DAO), đảm bảo rằng các đề xuất này dựa trên thông tin chính xác và cập nhật.
Các ưu điểm khác của KGLLM bao gồm:
-
Sử dụng dữ liệu cấu trúc: KGLLM sử dụng cơ sở tri thức bên ngoài dạng cấu trúc. Thông tin được mô hình hóa dưới dạng đồ thị trong đồ thị tri thức, khiến mối quan hệ giữa các dữ liệu rõ ràng, từ đó việc truy vấn và hiểu dữ liệu trở nên trực quan hơn;
-
Khả năng xử lý dữ liệu quan hệ: KGLLM đặc biệt phù hợp để xử lý dữ liệu quan hệ, ví dụ như hiểu mối quan hệ giữa người với người, người với sự kiện... Đồng thời, nó sử dụng thuật toán duyệt đồ thị, "nhảy" qua nhiều nút trong đồ thị tri thức (tương tự di chuyển trên bản đồ) để tìm thông tin liên quan. Qua cách này, KGLLM có thể tìm được thông tin liên quan nhất để trả lời câu hỏi;
-
Truy xuất và tạo thông tin hiệu quả: Thông qua thuật toán duyệt đồ thị, các mối quan hệ mà KGLLM trích xuất sẽ được chuyển thành gợi ý bằng ngôn ngữ tự nhiên mà mô hình có thể hiểu được. Nhờ những chỉ dẫn rõ ràng này, mô hình KGLLM có thể tạo ra câu trả lời chính xác và liên quan hơn.
Triển vọng
Là "Google của Web3", The Graph tận dụng lợi thế của mình để khắc phục tình trạng thiếu hụt dữ liệu trong các dịch vụ AI hiện tại, đồng thời đơn giản hóa quy trình phát triển dự án cho các nhà phát triển thông qua việc tích hợp các dịch vụ AI. Khi ngày càng có nhiều ứng dụng AI được phát triển và sử dụng, trải nghiệm người dùng dự kiến sẽ tiếp tục được cải thiện. Trong tương lai, đội ngũ phát triển The Graph sẽ tiếp tục khám phá khả năng kết hợp giữa trí tuệ nhân tạo và Web3. Ngoài ra, các đội ngũ khác trong hệ sinh thái như Playgrounds Analytics và DappLooker cũng đang thiết kế các giải pháp liên quan đến dịch vụ tác nhân.
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
@ChainFeedsxyz
