Delphi Labs: AI sẽ chứng kiến sự cạnh tranh giữa nhiều mô hình, chúng tôi đánh giá cao những ứng dụng tiền mã hóa nào?
Tuyển chọn TechFlowTuyển chọn TechFlow
Delphi Labs: AI sẽ chứng kiến sự cạnh tranh giữa nhiều mô hình, chúng tôi đánh giá cao những ứng dụng tiền mã hóa nào?
Chúng ta vẫn đang ở giai đoạn đầu của thời đại trí tuệ nhân tạo (AI), đặc biệt là trong thời kỳ deAI.
Chuyên sâu báo cáo Web3Tác giả: Delphi Labs
Biên dịch: TechFlow
Bài viết này do Luke Saunders (lukedelphi) & Jose Macedo (ZeMariaMacedo) viết.
Trí tuệ nhân tạo (AI) đại diện cho cuộc cách mạng công nghệ lớn nhất trong lịch sử, khởi phát một cuộc chạy đua vũ trang công nghệ chưa từng thấy. Các mô hình AI hiện tại đã đạt trình độ thuộc nhóm 10% cao nhất trong hầu hết các kỳ thi chuẩn hóa của đại học, và vượt qua con người ở nhiều nhiệm vụ – bao gồm cả nghiên cứu về AI. Ngay cả ở mức hiện nay, điều này cũng đang tạo ra tác động mang tính cách mạng đến nhiều ngành như tìm kiếm, chăm sóc khách hàng, sáng tạo nội dung, lập trình và giáo dục.
Chúng tôi dự đoán rằng khả năng, vốn đầu tư và ảnh hưởng xã hội của AI sẽ tiếp tục gia tốc mạnh mẽ hơn nữa. Tất cả các công ty công nghệ lớn đều nhận thức rõ rằng AI là yếu tố sống còn đối với hoạt động kinh doanh của họ, vì vậy họ đang đầu tư tương ứng. Doanh thu của NVIDIA, chỉ số tốt nhất cho chi tiêu vốn vào AI, dự kiến sẽ vượt ngưỡng 100 tỷ USD vào năm 2024 – tăng gấp đôi so với năm 2023 và vượt quá bốn lần so với năm trước đó.
Quan điểm của Sundar Pichai, CEO Google, về việc đầu tư vào AI:
"Với chúng tôi, rủi ro từ việc đầu tư thiếu còn lớn hơn nhiều so với rủi ro đầu tư quá mức."
Đồng thời, các startup nhận ra rằng AI là một lực lượng đột phá có thể thay thế những công ty đã tồn tại hàng thập kỷ. Trong 18 tháng vừa qua, ước tính đã có khoảng 83 tỷ đô la được đầu tư vào các startup AI.
Vì khả năng của AI thường tăng theo cấp số mũ cùng với hiệu suất tính toán, rất có thể chúng ta sẽ đạt được mục tiêu tương tự trí tuệ nhân tạo chung (AGI) trong vòng mười năm tới.
Nguồn: Situational Awareness
Tác giả: leopoldasch
Trong bài viết này, chúng tôi cho rằng môi trường cạnh tranh sẽ dẫn đến một thế giới với hàng triệu mô hình, và công nghệ mã hóa (crypto) chính là nền tảng lý tưởng cho thế giới đa mô hình này. Trước tiên, chúng tôi sẽ thảo luận lý do tại sao chúng tôi cho rằng thế giới đa mô hình là kết quả tất yếu của AI. Tiếp theo, chúng tôi sẽ trình bày những lợi thế độc đáo mà mã hóa mang lại cho AI. Cuối cùng, chúng tôi sẽ giới thiệu về stack công nghệ giữa mã hóa và AI mà chúng tôi hình dung, đồng thời đưa ra các ví dụ về những dự án mà chúng tôi quan tâm.
Có nhiều lý lẽ triết học và đạo đức mạnh mẽ khi kết hợp AI nguồn mở với công nghệ mã hóa, những luận điểm này đã được thảo luận kỹ lưỡng ở nơi khác. Chúng tôi hoàn toàn đồng tình với các quan điểm này và đây cũng là một trong những động lực khiến chúng tôi phát triển trong lĩnh vực này. Tuy nhiên, trong bài viết này, chúng tôi sẽ tập trung vào các lý do thực tế vì sao sự kết hợp giữa mã hóa và AI sẽ chiến thắng, chứ không bàn về các lý do đạo đức tại sao nó nên chiến thắng.
Mô hình siêu lớn và mô hình đa dạng
Hiện tại, chúng ta đang tiến tới một thế giới nơi một vài công ty công nghệ khổng lồ tích hợp dọc sản xuất ra "các siêu mô hình", thống trị mọi thứ khác.
Tuy nhiên, chúng tôi cho rằng đây không phải là trạng thái cuối cùng, vì những lý do sau:
-
Vấn đề rủi ro: Các tổ chức, doanh nhân và nhà phát triển xây dựng trải nghiệm dựa trên AI không muốn phụ thuộc vào một công ty đóng cửa đơn lẻ, bởi vì công ty đó có thể thay đổi mô hình bất cứ lúc nào, sửa đổi điều khoản sử dụng hoặc thậm chí ngừng cung cấp dịch vụ cho họ hoàn toàn.
-
Chi phí - Hiệu suất: Những mô hình cực lớn và phổ quát được ưa chuộng bởi các công ty công nghệ khổng lồ chắc chắn sẽ tốn kém hơn nhiều để huấn luyện và vận hành. Điều này khiến chúng trở nên quá đắt và dư sức mạnh đối với nhiều trường hợp sử dụng. Mặc dù hiện tại điều này chưa phải là yếu tố quan trọng vì mọi người chưa nghĩ đến lợi nhuận, nhưng khi AI phát triển, mọi người sẽ tối ưu để đạt được mức hiệu suất cần thiết với chi phí thấp nhất. Trong nhiều nhiệm vụ, các mô hình lớn không cạnh tranh nổi về mặt này. Có rất nhiều nghiên cứu hỗ trợ quan điểm này, cho thấy các mô hình nhỏ hơn, chuyên biệt hơn có thể vượt trội hơn mô hình tổng quát trên nhiều nhiệm vụ: chẩn đoán hình ảnh y khoa, phát hiện gian lận, nhận dạng giọng nói và nhiều lĩnh vực khác.
-
Tích hợp dọc: Như Apple đã chứng minh nhiều lần, các sản phẩm tuyệt vời nhất thường bắt nguồn từ việc tích hợp dọc toàn bộ hệ thống công nghệ. Những doanh nhân đầy tham vọng khi xây dựng sản phẩm điều khiển bằng AI sẽ tìm cách tạo lợi thế cạnh tranh thông qua việc phát triển các mô hình chuyên biệt riêng. Điều này cho phép các sản phẩm này chiếm giữ thêm giá trị, thu hút thêm đầu tư.
-
Vấn đề quyền riêng tư: AI sẽ trở thành công nghệ cốt lõi trong quy trình làm việc của các tổ chức, ở mức độ mà không công nghệ nào khác có thể sánh kịp. Nhiều tổ chức không muốn chia sẻ dữ liệu nhạy cảm với các mô hình này.
Vì những lý do trên, chúng tôi tin rằng chúng ta có khả năng cao sẽ bước vào một thế giới tồn tại nhiều mô hình nhỏ hơn, chuyên biệt hơn, được tùy chỉnh cho các trường hợp sử dụng cụ thể và hiệu quả về chi phí. Các nhà phát triển ứng dụng và người dùng sẽ tận dụng các mô hình nguồn mở như LLaMA hoặc các mô hình do MistralAI cung cấp làm cơ sở, tinh chỉnh các mô hình chuyên dụng riêng của họ, thường sử dụng dữ liệu riêng. Nhiều mô hình vẫn sẽ tiếp tục chạy trên máy chủ, nhưng các ứng dụng nhỏ hơn, chú trọng quyền riêng tư sẽ chạy cục bộ trên thiết bị đầu cuối, trong khi các ứng dụng khác cần chống kiểm duyệt có thể sử dụng nền tảng tính toán phi tập trung.
Đây là một thế giới của các khối xây dựng AI mô-đun, nơi các nhà phát triển và doanh nhân cạnh tranh để mang lại giá trị cho người dùng, và người dùng có thể lựa chọn và kết hợp các dịch vụ khác nhau theo nhu cầu cụ thể của mình. Cần xây dựng các hạ tầng như định tuyến, điều phối, tổng hợp, thanh toán và nhiều loại hạ tầng khác để phân tách stack công nghệ của "mô hình Thượng Đế", phục vụ cho nền kinh tế AI mới nổi này. Đây cũng chính là thế giới nơi tiền mã hóa phát triển mạnh mẽ.
Mã hóa và AI
Trực giác cho thấy, tiền mã hóa dường như là một lĩnh vực có thể tìm thấy tính hữu ích trong thế giới đa mô hình này. Tuy nhiên, sự hào nhoáng này đã khiến nhiều nhà đầu tư thiếu thông tin đổ lượng lớn vốn vào lĩnh vực này. Giống như các bong bóng cơ sở hạ tầng trước đây, nhiều dự án đang được tài trợ và xây dựng, dù có thể chúng không đáng tồn tại. Vì vậy, rất khó để xác định những phân ngành nào trong lĩnh vực mã hóa và AI thực sự có giá trị, dẫn đến việc nhiều người xem toàn bộ lĩnh vực này như một Meme không có giá trị cơ bản.
Chúng tôi cho rằng đây không phải là một Meme, nhưng đúng là thế giới đa mô hình này về mặt lý thuyết có thể tồn tại mà không cần mã hóa. Vì vậy, điều quan trọng là phải tập trung vào các đặc điểm khác biệt độc đáo của mã hóa, giúp chúng ta tạo ra những sản phẩm mang tính cách mạng hơn, hoặc lý tưởng nhất là những sản phẩm không thể xây dựng nếu không có mã hóa. Để làm được điều này, trước tiên chúng ta cần xác định các thuộc tính độc đáo của mã hóa, cũng như cách áp dụng chúng vào lĩnh vực AI theo cách tạo ra các sản phẩm tốt hơn. Sau đó, chúng tôi sẽ thảo luận về stack công nghệ giữa mã hóa và AI, đồng thời đưa ra các ví dụ về các trường hợp sử dụng mà chúng tôi cho là liên quan.
-
Lớp phối hợp: Các cơ sở hạ tầng mã hóa (crypto rails) rất giỏi trong việc thúc đẩy sự phối hợp tập thể mà không cần kiểm soát tập trung. Nó đặc biệt hiệu quả trong việc giải quyết vấn đề "con gà hay quả trứng" vốn có trong hầu hết thị trường, có thể nhanh chóng thu hút lượng lớn người dùng mới thông qua các cơ chế khuyến khích bản địa trên blockchain.
-
Các đội nhỏ xây dựng mô hình nội bộ có thể không trực tiếp tiếp cận được tất cả các nguồn lực cần thiết. Ví dụ, trong khi các phòng thí nghiệm AI của các công ty công nghệ lớn có thể sở hữu tài nguyên tính toán riêng, thì các đội nhỏ lại không có. Tương tự, các đội này cần thu thập dữ liệu và có thể cần thuê một nhóm đa dạng người để cung cấp phản hồi từ con người. Những nhu cầu này rất phù hợp để đáp ứng thông qua các thị trường chuyên biệt, và chúng tôi tin rằng các thị trường sử dụng cơ sở hạ tầng mã hóa sẽ có lợi thế cạnh tranh so với những thị trường không sử dụng.
-
API mở, không cần cho phép: Cơ sở hạ tầng mã hóa hoạt động như một API mở, không cần cho phép, cho phép bất kỳ ai truy cập từ bất cứ đâu mà không cần KYC, thẻ tín dụng hay bất kỳ hình thức phê duyệt nào. Điều này rất quan trọng đối với các tác nhân AI (AI agents), vì để hành động hoàn toàn tự chủ, chúng cần có khả năng truy cập dịch vụ, triển khai mã và chuyển giá trị mà không cần can thiệp của con người. Điều này mở ra những hành vi mang tính khoa học viễn tưởng, chẳng hạn như tập hợp các tác nhân, các tác nhân trả phí dịch vụ cho nhau, gánh nợ, thậm chí gây quỹ.
-
Không cần tin cậy (Trustless): Cơ sở hạ tầng mã hóa thường không cần tin cậy, nghĩa là bạn có được đảm bảo mã hóa rằng chúng sẽ không thay đổi, quyền truy cập sẽ không bị thu hồi bất ngờ, và bạn có thể xác minh việc thực thi đúng như mong đợi. Điều này rất quan trọng đối với kiến trúc AI mô-đun, vì trái ngược với phương pháp tích hợp, người xây dựng cần kết hợp với một loạt các nguyên tắc mà họ không thể kiểm soát, còn người dùng thì về bản chất phải tin tưởng vào nhiều dịch vụ – nhiều trong số đó họ thậm chí không biết đến.
-
Chống kiểm duyệt: Nếu được triển khai dưới dạng hợp đồng bất biến, các ứng dụng chạy trên cơ sở hạ tầng mã hóa là không thể ngăn chặn. Ngay cả khi có thể nâng cấp, thường cũng do một tổ chức tự trị phi tập trung (DAO) yêu cầu đạt đồng thuận mới thực hiện. Giả sử khả năng của AI mạnh như kỳ vọng, các chính phủ rất có thể sẽ cố gắng kiểm soát và ảnh hưởng đến nó. Thực tế, chúng ta đã thấy điều này xảy ra. Cũng giống như Bitcoin và tiền mã hóa cung cấp cơ sở hạ tầng tiền tệ/tài chính nằm ngoài hệ thống, sự kết hợp giữa mã hóa và AI sẽ cung cấp trí tuệ không thể ngăn chặn.
Sự giao thoa giữa Mã hóa và AI
Với những lợi ích trên, chúng tôi cho rằng những ứng dụng nào tại điểm giao thoa giữa mã hóa và AI đặc biệt thú vị?
Trung tâm dữ liệu và Tính toán
Công việc tính toán mô hình có thể được chia thành hai nhóm chính: huấn luyện (training) và suy luận (inference). Chúng tôi cho rằng việc sử dụng tính toán phi tập trung trong cả hai khía cạnh này đều có ý nghĩa quan trọng, và sẽ thảo luận từng phần dưới đây.
Tính toán phi tập trung trong huấn luyện
Tính toán phân tán hiện đang gặp khó khăn do yêu cầu nghiêm ngặt về giao tiếp và độ trễ giữa các nút trong quá trình huấn luyện. Có nhiều nhóm đang cố gắng giải quyết vấn đề này, và xét đến quy mô lợi ích tiềm năng cùng tài năng của các bên tham gia, chúng tôi tin rằng vấn đề này có thể được giải quyết. Một số phương pháp đáng chú ý bao gồm DisTrO của NousResearch và OpenDiLoCo của PrimeIntellect.
Ngoài việc giải quyết các thách thức kỹ thuật về huấn luyện phân tán và xây dựng một sản phẩm đơn giản hóa sự phức tạp này, người chiến thắng còn phải tìm ra cách:
-
Làm thế nào để đảm bảo chất lượng và trách nhiệm trên một mạng lưới không cần cho phép
-
Làm thế nào để khởi động phía cung cấp, lý tưởng nhất là các trung tâm dữ liệu và cụm máy, chứ không phải phần cứng tiêu dùng. Khuyến khích bằng token có thể là chiến lược cơ bản để kích thích phía cung cấp, các phương pháp sáng tạo hơn có thể bao gồm trao quyền sở hữu mô hình cuối cùng cho các nhà cung cấp tính toán.
Về cơ bản, lợi thế của thị trường tính toán phân tán là có thể tận dụng chi phí tính toán biên (marginal cost of compute) thấp nhất toàn cầu. Khi chi phí của các nhà cung cấp dịch vụ hiện tại tăng lên, ngày càng nhiều công ty và tổ chức bắt đầu phản đối và tìm kiếm các giải pháp thay thế rẻ hơn, điều này trở nên ngày càng quan trọng. Nhược điểm bao gồm độ trễ, phần cứng không đồng nhất, và thiếu các tối ưu hóa cũng như lợi thế kinh tế nhờ quy mô mà việc xây dựng và vận hành trung tâm dữ liệu riêng mang lại. Tình hình tương lai vẫn còn để ngỏ.
Suy luận có thể xác minh
Nói chung, chúng tôi xem các trường hợp sử dụng suy luận có thể xác minh như là mở rộng các hệ thống giảm thiểu sự tin cậy có khả năng AI. Việc nhúng mô hình vào hợp đồng thông minh là không thực tế, nhưng có thể chạy mô hình bên ngoài chuỗi và đăng lên chuỗi một số bằng chứng chứng minh nó đã hoạt động như mong đợi. Ví dụ, một dự án có thể ủy thác một cách không cần tin cậy các quyết định quản trị (ví dụ: các quyết định về tham số rủi ro trong thị trường tiền tệ) cho một mô hình bên ngoài chuỗi.
Khái niệm này cũng có thể được áp dụng rộng rãi hơn cho cả mô hình nguồn mở và đóng, nhằm cung cấp cho người dùng đảm bảo rằng đầu ra đến từ đúng mô hình mà họ mong muốn. Khi các ứng dụng và người dùng ngày càng sử dụng AI cho các nhiệm vụ ngày càng then chốt, điều này có thể trở nên quan trọng hơn. Có nhiều dự án đang giải quyết thách thức này theo nhiều cách khác nhau, ví dụ như Inference Labs (inference_labs), một dự án được Delphi Ventures đầu tư.
Dữ liệu
Ngày nay, việc huấn luyện các mô hình ngôn ngữ lớn (LLMs) là một quá trình đào tạo đa bước, đòi hỏi nhiều loại dữ liệu và sự can thiệp của con người. Quá trình này bắt đầu bằng giai đoạn huấn luyện sơ bộ (pre-training), trong đó LLM được huấn luyện bằng dữ liệu công cộng đã được làm sạch và tổ chức (common crawl) cùng các tập dữ liệu miễn phí khác. Trong giai đoạn hậu huấn luyện (post-training), các mô hình này được huấn luyện trên các tập dữ liệu nhỏ hơn, cụ thể hơn có gắn nhãn, để nắm vững kiến thức trong lĩnh vực cụ thể (ví dụ: hóa học), thường cần sự hỗ trợ của các chuyên gia.
Để đảm bảo dữ liệu mới hoặc độc quyền, các phòng thí nghiệm AI thường hợp tác với những chủ sở hữu nguồn dữ liệu lớn. Ví dụ, OpenAI đã ký thỏa thuận được đồn đoán trị giá 60 triệu USD với Reddit. Tương tự, tờ Wall Street Journal đưa tin rằng thỏa thuận kéo dài 5 năm giữa News Corp và OpenAI được định giá hơn 250 triệu USD. Rõ ràng, giá trị của dữ liệu chưa từng cao đến thế.
Chúng tôi tin rằng các mạng mã hóa có thể hỗ trợ hiệu quả các đội ngũ thu thập dữ liệu và tài nguyên cần thiết ở mọi giai đoạn. Lĩnh vực thú vị nhất có lẽ là thu thập dữ liệu, nơi chúng tôi cho rằng cơ chế khuyến khích bằng mã hóa rất phù hợp để thúc đẩy phía cung cấp dữ liệu, khai thác lượng lớn dữ liệu đuôi dài quan trọng.
Ví dụ: Grass AI (getgrass_io) khuyến khích người dùng chia sẻ băng thông internet nhàn rỗi để giúp thu thập dữ liệu trên mạng, sau đó dữ liệu này được cấu trúc hóa, làm sạch và cung cấp cho việc huấn luyện AI. Nếu Grass xây dựng được đủ lượng cung cấp, nó có thể hoạt động hiệu quả như một khóa API, cung cấp dữ liệu internet mới nhất cho các mô hình.
Hivemapper là một ví dụ điển hình khác – mạng lưới này ra mắt vào tháng 11 năm 2022, thu thập hàng triệu km hình ảnh đường mỗi tuần, đã bao phủ 25% khu vực toàn cầu. Rõ ràng, mô hình tương tự có thể được áp dụng cho các dạng dữ liệu đa phương thức khác và sinh lời bằng cách bán cho các phòng thí nghiệm AI.
Như các giao dịch của NewsCorp và Reddit cho thấy, nhiều công ty sở hữu dữ liệu có giá trị, nhưng nhiều công ty khác thì quá nhỏ hoặc thiếu kết nối với các phòng thí nghiệm AI để thương mại hóa. Tương tự, các phòng thí nghiệm AI cũng có thể thấy việc ký kết giao dịch với từng nhà cung cấp nhỏ lẻ là không đáng. Một thị trường dữ liệu được thiết kế tốt có thể giải quyết vấn đề này bằng cách kết nối các nhà cung cấp với các phòng thí nghiệm AI theo cách thống nhất. Dĩ nhiên, vẫn tồn tại một số thách thức, chủ yếu là giải quyết chất lượng dữ liệu và tính thay thế được của API và dữ liệu.
Cuối cùng, chuẩn bị dữ liệu bao gồm một loạt nhiệm vụ quan trọng như gắn nhãn, làm sạch, tăng cường dữ liệu, chuyển đổi, v.v. Một đội nhỏ có thể không có tất cả các kỹ năng này, vì vậy họ có thể tìm cách thuê ngoài. Scale AI (scale_AI) là một công ty tập trung cung cấp các dịch vụ này – hiện ước tính doanh thu hàng năm khoảng 700 triệu USD và đang tăng trưởng nhanh chóng. Chúng tôi tin rằng các thị trường và hệ thống quy trình làm việc được thiết kế tốt dựa trên công nghệ mã hóa sẽ hoạt động hiệu quả ở đây. Lightworks là một công ty được Delphi Ventures đầu tư, cùng với một vài công ty khác – đều đang ở giai đoạn đầu.
Mô hình
Theo báo cáo của Delphi Digital The Tower & The Square, việc sản xuất và kiểm soát mô hình AI gần như hoàn toàn nằm trong tay "các tập đoàn lớn" và chính phủ. Đây là một trạng thái phản utopia còn tồi tệ hơn cả việc chính phủ kiểm soát tiền tệ, vì nó cho phép họ không chỉ kiểm soát một trong những nguồn lực kinh tế quan trọng nhất, mà còn kiểm soát dòng thông tin thông qua kiểm duyệt và thao túng, loại trừ những cá nhân "không mong muốn", sử dụng các tương tác AI cá nhân chống lại người dân, hoặc đơn giản là dùng AI để tối đa hóa doanh thu quảng cáo.
Có rất nhiều người tài năng đang nỗ lực tạo ra "quảng trường" – một mạng lưới phi tập trung, với mục tiêu sản xuất một mô hình hoàn toàn trung lập, chống kiểm duyệt, cho phép mọi người truy cập. Vì vậy, cũng giống như Bitcoin và tiền mã hóa cung cấp cơ sở hạ tầng tiền tệ/tài chính nằm ngoài hệ thống tài chính, crypto x AI sẽ cung cấp một hệ thống trí tuệ nằm ngoài hệ thống.
Các dự án này hướng tới việc tạo ra một mô hình mạnh mẽ có thể cạnh tranh với GPT và LLaMA bằng cách phi tập trung hóa từng khâu trong quá trình tạo mô hình – mạng lưới chịu trách nhiệm thu thập và chuẩn bị dữ liệu, huấn luyện trên cơ sở tính toán phi tập trung riêng, chạy suy luận trên cùng hệ thống tính toán đó, và điều phối toàn bộ quá trình thông qua quản trị phi tập trung. Không phần nào trong quy trình này là tập trung, do đó mô hình thực sự thuộc về cộng đồng và không thể bị "tháp" kiểm soát.
Rõ ràng, việc tạo ra một mô hình phi tập trung có chất lượng gần bằng mô hình tiên tiến nhất sẽ vô cùng khó khăn. Chúng ta không thể mong đợi đa số người dùng chấp nhận một sản phẩm chất lượng kém hơn vì lý do đạo đức. Chúng tôi xem các dự án loại này như các "dự án chinh phục Mặt Trăng", ít khả năng thành công, nhưng nếu thành công sẽ cực kỳ có giá trị – và chúng tôi chân thành mong muốn chúng thành công.
Cũng cần lưu ý rằng có các phòng thí nghiệm AI tập trung chấp nhận triết lý mã hóa, có thể sở hữu token hoặc sử dụng công nghệ mã hóa theo những cách khác.
NousResearch và PondGNN là một số ví dụ về các công ty được Delphi Ventures đầu tư. Cuối cùng, các cơ sở hạ tầng tạo mô hình như Bittensor của opentensor thuộc về kiến trúc mô hình này. Bittensor đã được phân tích sâu ở nơi khác, do đó chúng tôi sẽ không đi sâu vào ưu nhược điểm của nó.
Ứng dụng
Eric Schmidt trong một bài phát biểu gần đây đã nói:
"Nếu TikTok bị cấm, tôi khuyên các bạn hãy làm như sau: nói với mô hình ngôn ngữ lớn (LLM) của bạn: 'Hãy tạo một bản sao TikTok, đánh cắp tất cả người dùng, đánh cắp tất cả âm nhạc, tùy chỉnh theo sở thích của tôi, tạo chương trình này trong 30 giây tới, phát hành nó, và nếu trong vòng một giờ chưa lan truyền viral, hãy thực hiện các biện pháp tương tự khác'."
Đoạn trích này minh họa khả năng to lớn mà chúng tôi kỳ vọng ở các tác nhân AI. Nhưng để hoàn thành các nhiệm vụ này một cách hoàn toàn tự chủ, các tác nhân này cần có khả năng sử dụng nhiều dịch vụ mà không cần can thiệp của con người – chuyển giá trị và thiết lập quan hệ kinh tế, triển khai và thực thi mã mà không cần cho phép.
Các ứng dụng ngân hàng truyền thống, KYC (biết khách hàng của bạn) và quy trình đăng ký không phù hợp với các tác nhân này. Chắc chắn chúng sẽ gặp phải một hệ thống được thiết kế cho con người, và không thể truy cập nếu không có sự trợ giúp.
Cơ sở hạ tầng mã hóa cung cấp một nền tảng lý tưởng. Nó cung cấp một nền tảng không cần cho phép, không cần tin cậy và chống kiểm duyệt cho hoạt động của các tác nhân. Nếu chúng cần triển khai một ứng dụng, chúng có thể làm trực tiếp trên chuỗi. Nếu cần thanh toán, chúng có thể gửi token. Mã và dữ liệu của các dịch vụ trên chuỗi đều mở và nhất quán, do đó các tác nhân có thể hiểu và tương tác mà không cần API hay tài liệu.
Các tác nhân cũng có thể hoạt động như chất xúc tác cho các hoạt động trên chuỗi. Việc chuyển đổi mô hình trải nghiệm người dùng (UX) từ việc người dùng nhấn nút trên website sang tương tác thông qua trợ lý AI cá nhân có thể đơn giản hóa sự phức tạp nổi tiếng khi nhập môn vào lĩnh vực mã hóa, từ đó giải quyết một trong những rào cản chính trong việc thu hút người dùng mới.
Các dự án như Wayfinder (AIWayfinder), Autonolas (Autonolas), DAIN (dainprotocol) và Almanak (Almanak__) đang tiến về tương lai này.
Kết luận
Trí tuệ nhân tạo (AI) đã trở thành tài nguyên mạnh mẽ và quan trọng nhất của thế kỷ 21, ảnh hưởng sâu sắc đến xã hội. Một tương lai nơi AI hoàn toàn bị kiểm soát bởi các công ty công nghệ lớn và quốc gia là một tương lai phản utopia mà chúng ta không muốn thấy. Trong bài viết này, chúng tôi đã cố gắng vạch ra một con đường, cho thấy cách công nghệ mã hóa có thể ngăn chặn sự độc quyền này – không phải bằng cách kỳ vọng mọi người sử dụng giải pháp vì lý do triết học, mà bằng cách cung cấp các giải pháp thực sự tốt hơn cho các nhà phát triển và người dùng.
Chúng ta vẫn đang ở giai đoạn đầu của kỷ nguyên AI, đặc biệt là trong thời đại deAI. Còn rất nhiều việc cần làm để dẫn dắt chúng ta từ trạng thái hiện tại đến tương lai được thảo luận trong bài viết này. Tại Delphi Labs, chúng tôi nhiệt huyết với tương lai của công nghệ mã hóa và AI, và hy vọng được tích cực tham gia định hình tương lai này thông qua việc hợp tác với những nhà phát triển hàng đầu trong lĩnh vực này.
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
@delphi_labs
