Placeholder nghiên cứu viên: Web3 làm thế nào để cạnh tranh với các gã khổng lồ công nghệ trong lĩnh vực AI?
Tuyển chọn TechFlowTuyển chọn TechFlow
Placeholder nghiên cứu viên: Web3 làm thế nào để cạnh tranh với các gã khổng lồ công nghệ trong lĩnh vực AI?
Người tham gia Web3 nên tập trung hơn vào các trường hợp ứng dụng cụ thể, đồng thời phát huy tối đa những lợi thế độc đáo của nó trong các khía cạnh như chống kiểm duyệt, tính minh bạch và khả năng xác minh xã hội.
Chuyên sâu báo cáo Web3Tác giả: David & Goliath
Biên dịch: TechFlow
Hiện tại, khâu tính toán và huấn luyện trong ngành AI chủ yếu do các gã khổng lồ tập trung thuộc Web2 thống trị. Những công ty này chiếm ưu thế nhờ vào năng lực tài chính mạnh mẽ, thiết bị phần cứng tiên tiến nhất cùng nguồn dữ liệu khổng lồ. Mặc dù tình trạng này có thể tiếp diễn trong việc phát triển các mô hình học máy (ML) tổng quát mạnh nhất, nhưng đối với các mô hình tầm trung hoặc mô hình chuyên biệt hóa, các mạng Web3 có thể dần trở thành nguồn tài nguyên tính toán kinh tế hơn và dễ tiếp cận hơn.
Tương tự, khi nhu cầu suy luận (inference) vượt quá khả năng của các thiết bị biên cá nhân, một số người tiêu dùng có thể lựa chọn các mạng Web3 để nhận được đầu ra đa dạng hơn và ít bị kiểm duyệt hơn. Thay vì cố gắng lật đổ toàn bộ hệ thống công nghệ AI, các bên tham gia Web3 nên tập trung vào những phân khúc cụ thể này và tận dụng tối đa các lợi thế độc đáo về khả năng chống kiểm duyệt, tính minh bạch và khả năng xác minh xã hội.
Việc huấn luyện các mô hình nền tảng thế hệ tiếp theo (như GPT hay BERT) đòi hỏi tài nguyên phần cứng khan hiếm và đắt đỏ, nhu cầu về các chip hiệu năng cao nhất sẽ tiếp tục vượt quá nguồn cung. Tình trạng khan hiếm tài nguyên này khiến phần cứng bị tập trung trong tay một số ít doanh nghiệp hàng đầu có đủ vốn, những doanh nghiệp này sử dụng phần cứng đó để huấn luyện và thương mại hóa các mô hình nền tảng tốt nhất, phức tạp nhất.
Tuy nhiên, tốc độ đổi mới phần cứng cực kỳ nhanh chóng. Vậy thì, những phần cứng tầm trung hoặc hiệu năng thấp đã lỗi thời sẽ được sử dụng ra sao?
Những phần cứng này rất có thể sẽ được dùng để huấn luyện các mô hình đơn giản hơn hoặc mang tính định hướng cao hơn. Bằng cách kết hợp các loại mô hình khác nhau với phần cứng có hiệu năng tương ứng, ta có thể đạt được sự phân bổ tài nguyên tối ưu. Trong trường hợp này, các giao thức Web3 có thể đóng vai trò then chốt bằng cách điều phối việc truy cập vào các tài nguyên tính toán đa dạng và chi phí thấp. Ví dụ, người tiêu dùng có thể sử dụng các mô hình tầm trung đơn giản được huấn luyện dựa trên tập dữ liệu cá nhân, và chỉ chuyển sang các mô hình cao cấp do các doanh nghiệp tập trung huấn luyện và lưu trữ khi xử lý các tác vụ phức tạp hơn, đồng thời đảm bảo danh tính người dùng được ẩn danh và dữ liệu nhắc (prompt) được mã hóa.
Bên cạnh vấn đề hiệu quả, nỗi lo ngại ngày càng gia tăng về sự thiên vị và khả năng kiểm duyệt tiềm ẩn trong các mô hình tập trung. Môi trường Web3 nổi bật nhờ tính minh bạch và khả năng xác minh, có thể hỗ trợ huấn luyện những mô hình mà Web2 bỏ qua hoặc cho là quá nhạy cảm. Những mô hình này dù có thể không cạnh tranh được về hiệu suất hay sáng tạo, nhưng vẫn có giá trị quan trọng đối với một số nhóm xã hội nhất định. Do đó, các giao thức Web3 có thể mở ra một thị trường độc đáo bằng cách cung cấp dịch vụ huấn luyện mô hình mở, đáng tin cậy và chống kiểm duyệt hơn.
Ban đầu, hai phương pháp tập trung và phi tập trung có thể song tồn, phục vụ các trường hợp sử dụng khác nhau. Tuy nhiên, khi trải nghiệm nhà phát triển và khả năng tương thích nền tảng của Web3 không ngừng cải thiện, cùng với hiệu ứng mạng từ AI mã nguồn mở ngày càng rõ rệt, Web3 có thể cuối cùng cạnh tranh trực tiếp trong lĩnh vực cốt lõi của các doanh nghiệp tập trung. Đặc biệt khi người tiêu dùng ngày càng nhận thức rõ hơn về những hạn chế của các mô hình tập trung, các lợi thế của Web3 sẽ càng trở nên nổi bật.
Bên cạnh việc huấn luyện mô hình tầm trung hoặc chuyên biệt, các bên tham gia Web3 còn có lợi thế trong việc cung cấp các giải pháp suy luận minh bạch và linh hoạt hơn. Dịch vụ suy luận phi tập trung có thể mang lại nhiều lợi ích như thời gian hoạt động liên tục (zero downtime), tổ hợp mô-đun giữa các mô hình, đánh giá hiệu suất mô hình công khai, cũng như đầu ra đa dạng hơn và không bị kiểm duyệt. Những dịch vụ này còn giúp người tiêu dùng tránh được vấn đề "bị khóa nhà cung cấp" (vendor lock-in) do phụ thuộc vào một vài nhà cung cấp tập trung. Tương tự như huấn luyện mô hình, lợi thế cạnh tranh của lớp suy luận phi tập trung không nằm ở bản thân năng lực tính toán, mà ở việc giải quyết những vấn đề dai dẳng như thiếu minh bạch về các tham số tinh chỉnh mã nguồn đóng, thiếu khả năng xác minh và chi phí cao ngất.
Dan Olshansky đã đưa ra một ý tưởng đầy hứa hẹn, tức là thông qua mạng định tuyến suy luận AI của POKT, tạo thêm cơ hội cho các nhà nghiên cứu và kỹ sư AI hiện thực hóa nghiên cứu của họ và kiếm thêm thu nhập từ các mô hình học máy (ML) hoặc trí tuệ nhân tạo (AI) tùy chỉnh. Quan trọng hơn, mạng lưới này thúc đẩy cạnh tranh công bằng hơn trên thị trường dịch vụ suy luận bằng cách tích hợp kết quả suy luận từ nhiều nguồn khác nhau (bao gồm cả nhà cung cấp phi tập trung và tập trung).
Mặc dù những dự báo lạc quan cho rằng toàn bộ hệ thống công nghệ AI trong tương lai có thể hoàn toàn di chuyển lên chuỗi khối, nhưng hiện tại mục tiêu này vẫn đối mặt với thách thức lớn từ sự tập trung hóa dữ liệu và tài nguyên tính toán – những yếu tố đang mang lại lợi thế cạnh tranh rõ rệt cho các gã khổng lồ hiện hữu. Tuy nhiên, các mạng lưới tính toán và điều phối phi tập trung đã cho thấy giá trị độc đáo trong việc cung cấp các dịch vụ AI cá nhân hóa hơn, tiết kiệm chi phí hơn, cạnh tranh mở hơn và chống kiểm duyệt hiệu quả. Bằng cách tập trung vào những thị trường ngách nơi các giá trị này đặc biệt quan trọng, Web3 có thể xây dựng được rào cản cạnh tranh riêng, đảm bảo công nghệ ảnh hưởng sâu rộng nhất trong thời đại này có thể phát triển theo nhiều hướng khác nhau, mang lại lợi ích cho đông đảo các bên liên quan chứ không bị độc quyền bởi một vài gã khổng lồ truyền thống.
Cuối cùng, tôi xin chân thành cảm ơn toàn bộ đội ngũ của Placeholder Investment, cùng với Kyle Samani từ Multicoin Capital, Anand Iyer từ Canonical VC, Keccak Wong từ Nectar AI, Alpin Yukseloglu từ Osmosis Labs và Cameron Dennis từ NEAR Foundation, những người đã đọc góp ý và cung cấp phản hồi quý giá trong quá trình hoàn thiện bài viết 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
@placeholdervc
