Top 10 xu hướng phát triển tích hợp Crypto AI: Tương tác giữa các tác nhân thông minh, tiếp thị nội dung và thị trường dữ liệu, v.v.
Tuyển chọn TechFlowTuyển chọn TechFlow
Top 10 xu hướng phát triển tích hợp Crypto AI: Tương tác giữa các tác nhân thông minh, tiếp thị nội dung và thị trường dữ liệu, v.v.
Một ứng dụng quan trọng của tác nhân AI là hỗ trợ người dùng tự thực hiện các giao dịch trên chuỗi.
Chuyên sâu báo cáo Web3Tác giả: Archetype
Biên dịch: TechFlow
1. Tương tác giữa các tác nhân (Agent-to-Agent Interaction)
Blockchain, với tính minh bạch và khả năng tổ hợp vốn có, trở thành nền tảng lý tưởng để hiện thực hóa sự tương tác liền mạch giữa các tác nhân. Trong dạng tương tác này, những tác nhân do các tổ chức khác nhau phát triển vì những mục đích khác nhau có thể cộng tác để hoàn thành nhiệm vụ. Hiện tại đã có một số thử nghiệm thú vị, ví dụ như các tác nhân chuyển tiền cho nhau, cùng nhau phát hành token, v.v. Chúng tôi kỳ vọng rằng các tương tác giữa các tác nhân sẽ tiếp tục mở rộng hơn nữa: một mặt tạo ra những ứng dụng mới hoàn toàn, ví dụ như nền tảng xã hội kiểu mới do các tác nhân điều khiển; mặt khác tối ưu hóa quy trình làm việc doanh nghiệp hiện tại, ví dụ như xác thực nền tảng, thanh toán vi mô, tích hợp luồng công việc đa nền tảng, từ đó đơn giản hóa các thao tác phức tạp và rườm rà ngày nay. - Danny, Katie, Aadharsh, Dmitriy
aethernet và clanker cùng phát hành Token trên Warpcast
2. Tổ chức phi tập trung dựa trên tác nhân (Decentralized Agentic Organizations)
Sự cộng tác quy mô lớn giữa nhiều tác nhân là một hướng nghiên cứu hấp dẫn khác. Làm thế nào để hệ thống đa tác nhân phối hợp để hoàn thành nhiệm vụ, giải quyết vấn đề, thậm chí quản lý giao thức và hệ thống? Trong bài viết đầu năm 2024 mang tên "Tiềm năng và thách thức của ứng dụng AI + mã hóa", Vitalik đã đề xuất ý tưởng sử dụng các tác nhân AI trong thị trường dự báo và phân xử. Ông cho rằng, trong các ứng dụng quy mô lớn, hệ thống đa tác nhân có tiềm năng to lớn trong việc "khám phá sự thật" và tự trị quản lý. Chúng tôi mong chờ được chứng kiến khả năng của những hệ thống đa tác nhân này được khai thác sâu hơn, cũng như trí tuệ tập thể ("swarm intelligence") thể hiện thêm nhiều khả năng trong các thí nghiệm.
Bên cạnh đó, sự cộng tác giữa tác nhân và con người cũng là một hướng đáng khám phá. Ví dụ như cộng đồng tương tác xung quanh các tác nhân như thế nào, hoặc các tác nhân tổ chức con người thực hiện hành động tập thể ra sao. Chúng tôi hy vọng sẽ thấy thêm nhiều thí nghiệm về tác nhân hướng tới mục tiêu cộng tác quy mô lớn giữa con người. Tất nhiên, điều này đòi hỏi một cơ chế xác minh nhất định, đặc biệt khi nhiệm vụ được hoàn thành bên ngoài chuỗi. Nhưng những khám phá như vậy có thể mang lại những kết quả kỳ diệu ngoài dự kiến. - Katie, Dmitriy, Ash
3. Giải trí đa phương tiện do tác nhân điều khiển (Agentic Multimedia Entertainment)
Khái niệm về nhân vật ảo kỹ thuật số đã tồn tại nhiều năm. Ví dụ, Hatsune Miku (Hatsune Miku, 2007) từng tổ chức buổi hòa nhạc bán hết vé tại sân vận động 20.000 chỗ; Lil Miquela (2016) có hơn 2 triệu người theo dõi trên Instagram. Những ví dụ gần đây gồm streamer AI Neuro-sama (2022), người đã đạt hơn 600.000 lượt đăng ký trên Twitch; và nhóm nhạc Kpop nam ẩn danh PLAVE (2023), đạt hơn 300 triệu lượt xem trên YouTube trong chưa đầy hai năm. Với sự tiến bộ của công nghệ AI cùng ứng dụng blockchain trong thanh toán, chuyển giá trị và nền tảng dữ liệu mở, những tác nhân này có tiềm năng trở nên tự chủ hơn và có thể mở ra một thể loại giải trí chính thống hoàn toàn mới vào năm 2025. - Katie, Dmitriy
Từ trái trên theo chiều kim đồng hồ: Hatsune Miku, Luna của Virtuals, Lil Miquela và PLAVE
4. Tiếp thị nội dung do hệ thống sinh nội dung/tác nhân điều khiển (Generative/Agentic Content Marketing)
Trong một số trường hợp, bản thân tác nhân chính là sản phẩm, nhưng ở những trường hợp khác, tác nhân có thể bổ trợ cho sản phẩm. Trong nền kinh tế chú ý, việc liên tục tạo ra nội dung thu hút là chìa khóa cho sự thành công của bất kỳ ý tưởng, sản phẩm hay công ty nào. Nội dung do hệ thống sinh nội dung/tác nhân điều khiển cung cấp một công cụ mạnh mẽ giúp nhóm duy trì kênh sáng tạo nội dung có thể mở rộng và hoạt động suốt 24/7. Lĩnh vực này đã phát triển nhanh hơn nhờ cuộc tranh luận về "sự khác biệt giữa memecoin và tác nhân". Tác nhân là công cụ mạnh mẽ giúp memecoin lan truyền, ngay cả khi chúng vẫn chưa hoàn toàn "trở thành tác nhân".
Một ví dụ khác là ngành công nghiệp trò chơi đang ngày càng theo đuổi tính động lực học để duy trì mức độ tham gia của người dùng. Một phương pháp cổ điển là khuyến khích người dùng tạo nội dung, trong khi nội dung hoàn toàn do máy sinh (như vật phẩm trong game, NPC, thậm chí là các màn chơi được sinh tự động) có thể là giai đoạn tiếp theo của xu hướng này. Chúng tôi rất tò mò về việc vào năm 2025, khả năng của tác nhân sẽ mở rộng ranh giới phân phối nội dung và tương tác người dùng đến đâu. - Katie
5. Công cụ/sàn nghệ thuật thế hệ tiếp theo (Next-Gen Art Tools/Platforms)
Năm 2024, chúng tôi đã ra mắt loạt bài phỏng vấn IN CONVERSATION WITH, một chương trình trò chuyện với các nghệ sĩ mã hóa trong lĩnh vực âm nhạc, nghệ thuật thị giác, thiết kế và trưng bày triển lãm. Các cuộc phỏng vấn năm nay khiến tôi nhận ra một xu hướng: các nghệ sĩ quan tâm đến công nghệ mã hóa thường cũng đam mê công nghệ tiên tiến và mong muốn tích hợp sâu hơn vào thực tiễn sáng tạo của họ, ví dụ như đối tượng AR/VR, nghệ thuật do mã nguồn sinh và lập trình trực tiếp (livecoding).
Sự kết hợp giữa nghệ thuật sinh nội dung (Generative Art) và công nghệ blockchain đã tồn tại lâu đời, điều này khiến blockchain trở thành nền tảng lý tưởng cho nghệ thuật AI. Trên các nền tảng truyền thống, việc trưng bày và trình bày các hình thức nghệ thuật này rất khó khăn. Trong khi đó, ArtBlocks đã mở đường cho việc nghệ thuật số được hiển thị, lưu trữ, thương mại hóa và bảo tồn thông qua blockchain, cải thiện đáng kể trải nghiệm giữa nghệ sĩ và khán giả. Ngoài ra, các công cụ AI còn giúp người bình thường dễ dàng sáng tạo tác phẩm nghệ thuật riêng. Chúng tôi rất mong đợi vào năm 2025, blockchain sẽ nâng cao khả năng của những công cụ này đến mức nào. - Katie
KC: Vì bạn cảm thấy thất vọng và không đồng tình với một số khía cạnh trong văn hóa mã hóa, điều gì thúc đẩy bạn vẫn tiếp tục tham gia Web3? Web3 mang lại giá trị gì cho thực tiễn sáng tạo của bạn? Liệu đó là sự khám phá mang tính thử nghiệm, lợi ích kinh tế, hay điều gì khác?
MM: Đối với tôi, Web3 mang lại ảnh hưởng tích cực trên nhiều phương diện, không chỉ cho cá nhân mà còn cho các nghệ sĩ khác. Về phần mình, những nền tảng hỗ trợ phát hành nghệ thuật sinh nội dung đặc biệt quan trọng đối với quá trình sáng tạo của tôi. Ví dụ, bạn có thể tải lên một tệp JavaScript, và khi ai đó đúc hoặc sưu tầm một tác phẩm, mã sẽ chạy thời gian thực và sinh ra một tác phẩm nghệ thuật độc đáo trong hệ thống bạn thiết kế. Quá trình sinh thời gian thực này là cốt lõi trong thực tiễn sáng tạo của tôi. Việc đưa yếu tố ngẫu nhiên vào hệ thống do tôi xây dựng và lập trình, dù về mặt khái niệm hay kỹ thuật, đều ảnh hưởng sâu sắc đến cách tôi suy nghĩ về nghệ thuật. Tuy nhiên, nếu không được trưng bày trên nền tảng được thiết kế riêng cho hình thức nghệ thuật này, hoặc trong phòng trưng bày truyền thống, thì rất khó để truyền đạt quá trình này đến khán giả.
Trong phòng trưng bày, có thể sẽ chiếu một thuật toán đang chạy thời gian thực qua máy chiếu hoặc màn hình, hoặc trưng bày một vài đầu ra được chọn lọc từ thuật toán, rồi chuyển đổi sang dạng vật lý theo một cách nào đó. Nhưng đối với những khán giả không quen thuộc với mã nguồn như một phương tiện nghệ thuật, họ sẽ rất khó hiểu được ý nghĩa của yếu tố ngẫu nhiên trong quá trình sáng tạo — yếu tố này lại là phần thiết yếu trong thực tiễn của mọi nghệ sĩ sử dụng phần mềm theo cách sinh nội dung. Khi tác phẩm cuối cùng chỉ là một bức ảnh đăng trên Instagram hoặc một bản in vật lý, đôi khi tôi cảm thấy rất khó nhấn mạnh với khán giả về khái niệm cốt lõi "mã nguồn như phương tiện sáng tạo".
Sự xuất hiện của NFT khiến tôi cảm thấy phấn khích, bởi nó không chỉ cung cấp một nền tảng để trưng bày nghệ thuật sinh nội dung, mà còn giúp phổ biến khái niệm "mã nguồn như phương tiện nghệ thuật", giúp nhiều người hiểu rõ hơn về sự độc đáo và giá trị của cách thức sáng tạo này.
Trích từ IN CONVERSATION WITH: Maya Man
6. Thị trường dữ liệu (Data Markets)
Kể từ khi Clive Humby đưa ra quan điểm “dữ liệu là dầu mỏ mới”, các doanh nghiệp đã đua nhau tích trữ và thương mại hóa dữ liệu người dùng. Tuy nhiên, người dùng ngày càng nhận ra rằng dữ liệu của họ chính là nền tảng sống còn của các gã khổng lồ này, nhưng lại hầu như không kiểm soát được cách dữ liệu được sử dụng, cũng không được hưởng lợi từ nó. Cùng với sự phát triển nhanh chóng của các mô hình AI mạnh mẽ, mâu thuẫn này ngày càng trở nên gay gắt. Một mặt, chúng ta cần giải quyết vấn đề lạm dụng dữ liệu người dùng; mặt khác, khi các mô hình quy mô lớn và chất lượng cao cạn kiệt nguồn “tài nguyên” là dữ liệu internet công cộng, việc tìm kiếm nguồn dữ liệu mới càng trở nên quan trọng.
Để trả lại quyền kiểm soát dữ liệu cho người dùng, hạ tầng phi tập trung mở ra không gian thiết kế rộng lớn. Điều này đòi hỏi các giải pháp sáng tạo trong nhiều lĩnh vực như lưu trữ dữ liệu, bảo vệ quyền riêng tư, đánh giá chất lượng dữ liệu, xác định giá trị và cơ chế thương mại hóa. Đồng thời, để giải quyết tình trạng thiếu hụt nguồn cung dữ liệu, chúng ta cần suy nghĩ về việc tận dụng lợi thế công nghệ để xây dựng các giải pháp cạnh tranh, ví dụ như tạo ra sản phẩm dữ liệu có giá trị cao hơn thông qua cơ chế khuyến khích tốt hơn và các phương pháp lọc hiệu quả. Đặc biệt trong bối cảnh AI Web2 vẫn chiếm ưu thế, việc kết hợp hợp đồng thông minh với các thỏa thuận dịch vụ truyền thống (SLA) là một hướng đáng để nghiên cứu sâu. - Danny
7. Tính toán phi tập trung (Decentralized Compute)
Trong phát triển và triển khai AI, ngoài dữ liệu, năng lực tính toán cũng là yếu tố then chốt. Trong vài năm qua, các trung tâm dữ liệu lớn đã chi phối lĩnh vực học sâu và AI bằng cách độc quyền truy cập vào địa điểm, năng lượng và phần cứng. Tuy nhiên, với những giới hạn về tài nguyên vật lý và sự phát triển của công nghệ mã nguồn mở,格局 này đang dần bị phá vỡ.
Giai đoạn v1 của tính toán AI phi tập trung giống như đám mây GPU Web2, nhưng không có lợi thế rõ ràng về cung và cầu phần cứng. Sang giai đoạn v2, chúng tôi thấy một số nhóm bắt đầu xây dựng stack công nghệ hoàn chỉnh hơn, bao gồm hệ thống điều phối, định tuyến và định giá cho tính toán hiệu suất cao, đồng thời phát triển các chức năng riêng để thu hút nhu cầu và nâng cao hiệu quả suy luận. Một số nhóm tập trung tối ưu định tuyến suy luận xuyên phần cứng thông qua framework biên dịch, trong khi nhóm khác phát triển framework huấn luyện mô hình phân tán trên mạng tính toán của họ.
Hơn nữa, một thị trường mới nổi gọi là AI-Fi đang hình thành, nơi sử dụng các cơ chế kinh tế sáng tạo để biến năng lực tính toán và GPU thành tài sản sinh lời, hoặc tận dụng thanh khoản trên chuỗi để mở ra con đường tài trợ phần cứng mới cho các trung tâm dữ liệu. Tuy nhiên, liệu tính toán phi tập trung có thực sự đạt được tiềm năng của nó hay không vẫn phụ thuộc vào việc khoảng cách giữa ý tưởng và nhu cầu thực tế có được thu hẹp hay không. - Danny
8. Tiêu chuẩn kế toán tính toán (Compute Accounting Standards)
Trong các mạng tính toán hiệu suất cao (HPC) phi tập trung, việc phối hợp các tài nguyên tính toán dị cấu là một thách thức quan trọng, và sự thiếu vắng các tiêu chuẩn kế toán thống nhất khiến vấn đề trở nên phức tạp hơn. Đầu ra của các mô hình AI rất đa dạng, ví dụ như biến thể mô hình, lượng hóa (quantization), ngẫu nhiên được điều chỉnh qua siêu tham số nhiệt độ (temperature) và lấy mẫu, v.v. Hơn nữa, các kiến trúc GPU khác nhau và các phiên bản CUDA cũng gây ra sự khác biệt trong đầu ra phần cứng. Những yếu tố này khiến việc thống kê chính xác dung lượng mô hình và thị trường tính toán trong hệ thống phân tán dị cấu trở thành vấn đề cấp bách cần giải quyết.
Do thiếu các tiêu chuẩn này, trong năm nay chúng tôi đã nhiều lần chứng kiến tình trạng hiệu suất mô hình và chất lượng, số lượng tài nguyên tính toán bị tính toán sai trên cả thị trường tính toán Web2 và Web3. Điều này buộc người dùng phải tự chạy benchmark hoặc giới hạn tốc độ sử dụng thị trường tính toán để xác minh hiệu suất thực tế của hệ thống AI.
Lĩnh vực mã hóa luôn nhấn mạnh tính "có thể xác minh", vì vậy chúng tôi mong rằng đến năm 2025, sự kết hợp giữa mã hóa và AI sẽ giúp hiệu suất hệ thống trở nên minh bạch hơn. Người dùng thông thường nên có thể dễ dàng so sánh các đặc tính đầu ra chính của mô hình hoặc cụm tính toán, từ đó kiểm toán và đánh giá hiệu suất thực tế của hệ thống. - Aadharsh
9. Nguyên thủy bảo mật xác suất (Probabilistic Privacy Primitives)
Vitalik đã đề cập đến một nghịch lý độc đáo trong bài viết "Tiềm năng và thách thức của ứng dụng AI + mã hóa": “Trong mật mã học, mã nguồn mở là cách duy nhất để đảm bảo an ninh, nhưng trong AI, việc công khai mô hình (thậm chí cả dữ liệu huấn luyện) sẽ làm tăng đáng kể nguy cơ bị tấn công học máy đối nghịch.”
Dù bảo mật không phải là lĩnh vực nghiên cứu mới trong blockchain, nhưng cùng với sự phát triển nhanh chóng của AI, các công nghệ mật mã liên quan đến bảo mật đang được ứng dụng nhanh chóng. Năm nay đã đạt được tiến triển đáng kể trong công nghệ tăng cường bảo mật, ví dụ như bằng chứng không kiến thức (ZK), mã hóa đồng dạng toàn phần (FHE), môi trường thực thi đáng tin cậy (TEE) và tính toán đa phương (MPC). Các công nghệ này được sử dụng trong các kịch bản như tính toán tổng quát trên dữ liệu được mã hóa, trạng thái chia sẻ riêng tư. Đồng thời, các gã khổng lồ công nghệ như Nvidia và Apple cũng đang tận dụng TEE chuyên dụng để thực hiện học liên kết và suy luận AI riêng tư, trong điều kiện phần cứng, firmware và mô hình được giữ nhất quán.
Trong tương lai, chúng tôi sẽ tập trung vào việc bảo vệ quyền riêng tư trong các chuyển đổi trạng thái ngẫu nhiên, cũng như cách các công nghệ này thúc đẩy ứng dụng thực tế của AI phi tập trung trên các hệ thống dị cấu, ví dụ như suy luận riêng tư phi tập trung, đường ống lưu trữ và truy cập dữ liệu được mã hóa, và xây dựng môi trường thực thi hoàn toàn tự chủ. - Aadharsh
Stack Apple Intelligence của Apple và GPU H100 của Nvidia
10. Ý định tác nhân và giao diện giao dịch người dùng thế hệ tiếp theo (Agentic Intents and Next-Gen User Trading Interfaces)
Một ứng dụng quan trọng của tác nhân AI là hỗ trợ người dùng tự động hoàn thành giao dịch trên chuỗi. Tuy nhiên, trong 12-16 tháng qua, các thuật ngữ như “ý định tác nhân”, “hành vi tác nhân”, “bộ giải” luôn mơ hồ, và sự khác biệt với phát triển “robot” truyền thống cũng không rõ ràng.
Trong năm tới, chúng tôi kỳ vọng sẽ thấy các hệ thống ngôn ngữ phức tạp hơn kết hợp với nhiều loại dữ liệu và kiến trúc mạng thần kinh khác nhau, từ đó thúc đẩy sự phát triển của lĩnh vực này. Các tác nhân sẽ tiếp tục sử dụng các hệ thống trên chuỗi hiện tại để thực hiện giao dịch, hay sẽ phát triển các công cụ và phương pháp hoàn toàn mới? Mô hình ngôn ngữ lớn (LLM) có tiếp tục là cốt lõi của các hệ thống này, hay sẽ bị thay thế bởi công nghệ khác? Ở cấp độ giao diện người dùng, liệu người dùng có tương tác với hệ thống bằng ngôn ngữ tự nhiên để thực hiện giao dịch? Lý thuyết cổ điển “ví là trình duyệt” có trở thành hiện thực? Tất cả những câu hỏi này đều đáng để khám phá. - Danny, Katie, Aadharsh, Dmitriy
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
@archetypevc
