Tập trung vào cấu trúc và tầm nhìn của Allora: Làm thế nào blockchain giải quyết vấn đề đuôi dài trong trí tuệ nhân tạo?
Tuyển chọn TechFlowTuyển chọn TechFlow
Tập trung vào cấu trúc và tầm nhìn của Allora: Làm thế nào blockchain giải quyết vấn đề đuôi dài trong trí tuệ nhân tạo?
Allora nhằm hiện thực hóa cơ sở hạ tầng AI phi tập trung với khả năng tự hoàn thiện, đồng thời hỗ trợ các dự án mong muốn tích hợp an toàn AI vào dịch vụ của họ.
Chuyên sâu báo cáo Web3Tác giả:Tranks, DeSpread
Thông báo miễn trừ trách nhiệm: Nội dung của báo cáo này phản ánh quan điểm của các tác giả tương ứng, chỉ mang tính chất tham khảo và không cấu thành lời khuyên mua hoặc bán token hay sử dụng giao thức. Bất kỳ nội dung nào trong báo cáo này đều không cấu thành lời khuyên đầu tư và cũng không nên được hiểu là lời khuyên đầu tư.
1. Giới thiệu
Kể từ khi trí tuệ nhân tạo (AI) tạo sinh xuất hiện với đại diện là ChatGPT, công nghệ AI đã phát triển nhanh chóng, sự tham gia và đầu tư của doanh nghiệp vào ngành công nghiệp AI cũng ngày càng tăng. Gần đây, AI không chỉ thể hiện xuất sắc trong việc tạo ra các đầu ra cụ thể mà còn nổi bật trong xử lý dữ liệu quy mô lớn, nhận dạng mẫu, phân tích thống kê, mô hình dự đoán, khiến phạm vi ứng dụng của AI trong mọi ngành nghề ngày càng mở rộng.
-
JP Morgan: Tuyển dụng hơn 600 kỹ sư ML, phát triển và kiểm tra hơn 400 trường hợp sử dụng công nghệ AI, bao gồm giao dịch thuật toán, dự đoán gian lận và dự đoán dòng tiền.
-
Walmart: Phân tích lịch sử bán hàng theo mùa và khu vực để dự đoán nhu cầu sản phẩm và tối ưu hóa tồn kho.
-
Xe Ford: Phân tích dữ liệu cảm biến xe để dự đoán lỗi linh kiện và thông báo cho khách hàng, ngăn ngừa tai nạn do lỗi linh kiện.
Gần đây, xu hướng kết hợp hệ sinh thái blockchain với AI ngày càng rõ rệt, trong đó lĩnh vực DeFAI - kết hợp giao thức DeFi với AI - đặc biệt thu hút sự chú ý.
Bên cạnh đó, ngày càng nhiều ví dụ trực tiếp tích hợp AI vào cơ chế vận hành giao thức, giúp dự đoán và quản lý rủi ro trong giao thức DeFi hiệu quả hơn, đồng thời giới thiệu các dịch vụ sản phẩm tài chính mới trước đây chưa thể thực hiện.
Đọc thêm: "Câu chuyện AI nóng lên, DeFi hưởng lợi như thế nào?"
Tuy nhiên, do ngưỡng nhập môn cao về khối lượng thông tin huấn luyện và chuyên môn kỹ thuật AI, việc xây dựng mô hình AI chuyên dụng cho chức năng cụ thể hiện vẫn đang bị độc quyền bởi một vài doanh nghiệp lớn và chuyên gia AI.
Vì vậy, các ngành khác và các công ty khởi nghiệp nhỏ gặp khó khăn lớn trong việc áp dụng AI, hệ sinh thái dApp trên blockchain cũng đối mặt với hạn chế tương tự. Vì dApp phải duy trì giá trị cốt lõi "không cần tin tưởng bên thứ ba", nên cần có cơ sở hạ tầng AI phi tập trung để nhiều giao thức hơn có thể áp dụng AI, cung cấp dịch vụ đáng tin cậy cho người dùng.
Trong bối cảnh đó, Allora nhằm hiện thực hóa cơ sở hạ tầng AI phi tập trung tự cải thiện, hỗ trợ các dự án muốn tích hợp an toàn AI vào dịch vụ của họ.
2. Allora, mạng tổng hợp suy luận phi tập trung
Allora là một mạng suy luận phi tập trung, có thể dự đoán và cung cấp giá trị trong tương lai cho chủ đề cụ thể do các thực thể yêu cầu. Có hai phương pháp chính để thực hiện suy luận AI phân tán:
-
Mô hình đơn/giai đoạn xử lý phân tán: Thực hiện quy trình huấn luyện và suy luận mô hình theo cách phi tập trung, xây dựng một mô hình AI đơn phân tán.
-
Nhiều mô hình/tổng hợp suy luận: Thu thập kết quả suy luận từ nhiều mô hình AI đã được huấn luyện trước và tổng hợp chúng thành một kết quả suy luận duy nhất.
Trong hai phương pháp này, Allora áp dụng phương pháp nhiều mô hình/tổng hợp suy luận. Các nhà điều hành mô hình AI có thể tự do tham gia mạng Allora, thực hiện suy luận cho các yêu cầu dự đoán về chủ đề cụ thể, và giao thức sẽ phản hồi yêu cầu của người yêu cầu bằng một kết quả dự đoán duy nhất được tổng hợp từ các kết quả suy luận của các nhà điều hành này.
Khi tổng hợp các giá trị suy luận của mô hình AI, Allora không đơn giản tính trung bình các kết quả suy luận từ mỗi mô hình, mà gán trọng số cho từng mô hình để đưa ra giá trị suy luận cuối cùng. Sau đó, Allora so sánh giá trị suy luận từ mỗi mô hình với kết quả thực tế của chủ đề đó và thực hiện tự cải thiện bằng cách trao trọng số và phần thưởng cao hơn cho những mô hình có giá trị suy luận gần với kết quả thực tế, nhằm nâng cao độ chính xác của suy luận.
Thông qua phương pháp này, Allora có thể thực hiện suy luận chuyên sâu và chuyên biệt theo chủ đề tốt hơn so với AI được xây dựng bằng phương pháp mô hình đơn/xử lý phân tán. Để khuyến khích nhiều mô hình AI tham gia giao thức hơn, Allora cung cấp kiến trúc mã nguồn mở Allora MDK (Bộ công cụ phát triển mô hình), giúp bất kỳ ai dễ dàng xây dựng và triển khai mô hình AI.
Bên cạnh đó, Allora cũng cung cấp hai SDK cho người dùng muốn sử dụng dữ liệu suy luận của Allora: Allora Network Python và TypeScript SDK. Những SDK này cung cấp môi trường giúp người dùng dễ dàng tích hợp và sử dụng dữ liệu do Allora cung cấp.
Mục tiêu của Allora là trở thành lớp trung gian nối kết các mô hình AI và các giao thức cần dữ liệu suy luận, bằng cách tạo cơ hội kiếm thu nhập cho các nhà vận hành mô hình AI, đồng thời xây dựng cơ sở hạ tầng dữ liệu minh bạch cho các dịch vụ và giao thức.
Tiếp theo, chúng ta sẽ tìm hiểu kiến trúc giao thức truyền thông của Allora để hiểu sâu hơn về cách hoạt động và đặc điểm của Allora.
2.1. Kiến trúc giao thức truyền thông
Trong Allora, bất kỳ ai cũng có thể thiết lập và triển khai chủ đề cụ thể, và trong quá trình thực hiện suy luận và nhận giá trị suy luận cuối cùng cho chủ đề cụ thể, có bốn người tham gia:
-
Người tiêu dùng (Consumers): Trả phí để yêu cầu suy luận về chủ đề cụ thể.
-
Người làm việc (Workers): Sử dụng cơ sở dữ liệu của mình để vận hành mô hình AI và thực hiện suy luận về chủ đề cụ thể theo yêu cầu của người tiêu dùng.
-
Reputers: Đánh giá bằng cách so sánh và đối chiếu dữ liệu suy luận từ người làm việc với giá trị thực tế.
-
Người xác thực (Validators): Vận hành nút mạng Allora, xử lý và ghi lại các giao dịch do mỗi người tham gia tạo ra.
Cấu trúc mạng Allora được chia thành người thực hiện suy luận, người đánh giá và người xác thực, với trung tâm là token mạng $ALLO. $ALLO được dùng làm phí yêu cầu suy luận và phần thưởng cho việc thực hiện suy luận, kết nối các người tham gia mạng, đồng thời đảm bảo an ninh thông qua việc đặt cược.
Chúng tôi sẽ xem xét chi tiết sự tương tác giữa các người tham gia theo từng Layer, bao gồm lớp tiêu thụ suy luận, lớp tổng hợp suy luận và lớp đồng thuận.
2.1.1. Lớp tiêu thụ suy luận
Lớp tiêu thụ suy luận xử lý tương tác giữa người tham gia giao thức với Allora, bao gồm thiết lập chủ đề, quản lý người tham gia chủ đề và yêu cầu suy luận.
Người dùng muốn thiết lập chủ đề có thể tương tác với Hệ thống điều phối chủ đề và suy luận (Topic Coordinator) của Allora, trả một khoản $ALLO nhất định và thiết lập quy tắc để xác định nội dung suy luận mong muốn, cách xác minh kết quả thực tế và cách đánh giá giá trị suy luận từ người làm việc.
Sau khi thiết lập chủ đề, người làm việc và Reputers có thể trả phí đăng ký bằng $ALLO để đăng ký tham gia suy luận cho chủ đề đó. Reputers phải đặt cược thêm một khoản $ALLO nhất định vào chủ đề đó, để chịu rủi ro bị giảm tài sản (Asset Slashing) nếu đưa ra kết quả sai trái.
Khi chủ đề được thiết lập và người làm việc, Reputers đã đăng ký, người tiêu dùng có thể trả $ALLO cho chủ đề để yêu cầu suy luận, và người làm việc, Reputers sẽ nhận được phí yêu cầu chủ đề này như phần thưởng cho suy luận.
2.1.2. Lớp suy luận và tổng hợp
Lớp suy luận và tổng hợp là lớp cốt lõi mà Allora dùng để tạo ra suy luận phi tập trung, tại đây người làm việc thực hiện suy luận, Reputers đánh giá hiệu suất, và trọng số được thiết lập cùng với tổng hợp suy luận dựa trên các đánh giá này.
Người làm việc trong mạng Allora không chỉ nộp giá trị suy luận cho chủ đề mà người tiêu dùng yêu cầu, mà còn phải đánh giá độ chính xác của suy luận từ các người làm việc khác, và dựa trên các đánh giá này đưa ra "mức tổn thất dự báo" (Forecasted Losses). Những mức tổn thất dự báo này sẽ được phản ánh trong tính toán trọng số cần thiết cho tổng hợp suy luận; khi người làm việc có suy luận chính xác và dự báo đúng độ chính xác suy luận của người làm việc khác, họ sẽ nhận được phần thưởng cao hơn. Thông qua cấu trúc này, Allora có thể suy luận trọng số tổng hợp xem xét nhiều tình huống khác nhau, chứ không chỉ dựa vào hiệu suất quá khứ của người làm việc.
Dự đoán độ chính xác suy luận của Workers để nhận biết ngữ cảnh
Nguồn:Tài liệu Allora
Ví dụ, trong chủ đề dự đoán giá Bitcoin sau một giờ, giả sử tình hình của người làm việc A và B như sau:
-
Người làm việc A: Độ chính xác suy luận trung bình lên tới 90%, nhưng sẽ giảm khi thị trường bất ổn.
-
Người làm việc B: Độ chính xác suy luận trung bình là 80%, nhưng vẫn duy trì độ chính xác tương đối cao trong điều kiện biến động thị trường.
Nếu thị trường hiện tại biến động mạnh, và nhiều người làm việc dự đoán rằng "lợi thế của người làm việc B trong tình huống biến động, họ chỉ có khoảng 5% sai số trong dự đoán này", đồng thời dự đoán rằng "người làm việc A trong tình huống biến động này dự kiến sẽ có khoảng 15% sai số", thì dù hiệu suất lịch sử trung bình của người làm việc B thấp hơn, Allora vẫn sẽ gán trọng số cao hơn cho suy luận của họ trong dự đoán này.
Người điều phối chủ đề sử dụng suy luận tổng hợp trọng số cuối cùng đạt được từ quy trình này và cung cấp giá trị suy luận cuối cùng cho người tiêu dùng. Ngoài ra, trong quá trình này sẽ tính toán và cung cấp khoảng tin cậy (Confidence Intervals) dựa trên phân bố giá trị suy luận do người làm việc nộp. Sau đó, Reputers so sánh kết quả thực tế với giá trị suy luận cuối cùng để đánh giá hiệu suất suy luận của từng người làm việc và độ chính xác trong việc dự báo độ chính xác suy luận của người làm việc khác, điều chỉnh trọng số của người làm việc theo tỷ lệ đồng thuận đặt cược.
Allora thực hiện tổng hợp và đánh giá suy luận theo phương pháp này, đặc biệt với cấu trúc "nhận biết ngữ cảnh", cho phép mỗi người làm việc đánh giá độ chính xác suy luận của người làm việc khác, giúp Allora suy luận ra giá trị tối ưu trong mọi tình huống, góp phần nâng cao độ chính xác suy luận. Hơn nữa, khi dữ liệu hiệu suất suy luận của người làm việc tích lũy, hiệu quả hoạt động của chức năng nhận biết ngữ cảnh cũng tăng lên, giúp chức năng suy luận của Allora tự cải thiện hiệu quả hơn.
Quy trình tổng hợp suy luận của Allora
Nguồn:Tài liệu Allora
Lớp đồng thuận của Allora là nơi thực hiện tính toán trọng số chủ đề, phân phối phần thưởng mạng và ghi lại hoạt động của người tham gia, được xây dựng trên Cosmos SDK với cơ chế đồng thuận CometBFT và DPoS.
Người dùng có thể tham gia mạng Allora với tư cách người xác thực bằng cách đúc token $ALLO và vận hành nút, thu phí giao dịch do người tham gia Allora nộp làm thù lao cho việc vận hành mạng và đảm bảo an ninh. Ngay cả khi không vận hành nút, người dùng vẫn có thể gián tiếp nhận những phần thưởng này bằng cách ủy quyền $ALLO của họ cho người xác thực.
Bên cạnh đó, điểm đặc trưng của Allora là phân phối phần thưởng $ALLO cho người tham gia mạng, 75% số $ALLO mới được mở khóa và phân phối sẽ được gửi đến người làm việc và Reputers tham gia suy luận chủ đề, 25% còn lại được phân phối cho người xác thực. Khi tất cả $ALLO đã được phát hành xong, phần thưởng lạm phát này sẽ dừng lại và tuân theo cấu trúc giảm một nửa số lượng mở khóa theo thời gian.
Khi 75% phần thưởng lạm phát được phân phối cho người làm việc và Reputers, tỷ lệ phân phối không chỉ phụ thuộc vào hiệu suất của người làm việc và đặt cược của Reputers mà còn phụ thuộc vào trọng số chủ đề. Trọng số chủ đề được tính toán dựa trên số tiền đặt cược và doanh thu phí của Reputers tham gia chủ đề đó, từ đó khuyến khích người làm việc và Reputers tiếp tục tham gia vào các chủ đề có nhu cầu cao và ổn định cao.
3. Từ chuỗi đến mọi ngành nghề
3.1. Mạng chính Allora sắp ra mắt
Allora đã thành lập Quỹ Allora vào ngày 10 tháng 1 năm 2025, sau khi hoàn thành mạng thử nghiệm công khai với hơn 300.000 người làm việc tham gia, đang đẩy nhanh việc ra mắt mạng chính. Tính đến ngày 6 tháng 2, Allora đang chọn các nhà sáng tạo mô hình AI cho mạng chính sắp ra mắt thông qua Cuộc thi Allora Model Forge Competition.
Các hạng mục Cuộc thi Allora Model Forge
Nguồn:Cuộc thi Allora Model Forge
Bên cạnh đó, trước khi ra mắt mạng chính, Allora cũng đã thiết lập mối quan hệ hợp tác với đa số các dự án. Các mối quan hệ hợp tác chính của Allora và chức năng cung cấp như sau:
-
Plume: Cung cấp giá RWA, APY tức thời và dự đoán rủi ro trên mạng Plume.
-
Story Protocol: Cung cấp đánh giá giá trị IP và phân tích tiềm năng, thông tin giá tài sản trên chuỗi không lưu thông, và cung cấp suy luận Allora cho các dự án DeFi dựa trên Story Protocol.
-
Monad: Cung cấp thông tin giá cho tài sản trên chuỗi thiếu thanh khoản và cung cấp suy luận Allora cho các dự án DeFi dựa trên Monad.
-
0xScope: Sử dụng chức năng nhận biết ngữ cảnh của Allora, hỗ trợ phát triển trợ lý AI trên chuỗi Jarvis.
-
Virtuals Protocol: Nâng cao hiệu suất đại lý bằng cách tích hợp suy luận Allora với khung G.A.M.E của Virtual Protocol.
-
Eliza OS (trước đây là ai16z): Nâng cao hiệu suất đại lý bằng cách tích hợp suy luận Allora với khung Eliza của Eliza OS.
Hiện tại, các đối tác của Allora chủ yếu tập trung vào các dự án AI/mã hóa, phản ánh hai yếu tố then chốt: 1) Nhu cầu của các dự án mã hóa đối với suy luận phi tập trung, và 2) Nhu cầu về dữ liệu trên chuỗi để mô hình AI thực hiện suy luận.
Đối với việc phát hành mạng chính ban đầu, Allora dự kiến sẽ phân bổ phần thưởng lạm phát lớn để thu hút người tham gia. Để khuyến khích người tham gia được thu hút bởi phần thưởng lạm phát này duy trì hoạt động, Allora cần duy trì giá trị thích hợp cho $ALLO. Tuy nhiên, vì phần thưởng lạm phát sẽ giảm dần theo thời gian, thách thức dài hạn sẽ là tạo ra đủ phí giao dịch mạng bằng cách tăng nhu cầu suy luận để khuyến khích sự tham gia liên tục vào giao thức.
Vì vậy, để đánh giá khả năng thành công tiềm năng của Allora, then chốt nằm ở chiến lược tăng giá $ALLO ngắn hạn của Allora, cũng như khả năng thúc đẩy nhu cầu suy luận để đảm bảo doanh thu phí ổn định và dài hạn.
4. Kết luận
Cùng với sự tiến bộ và tăng trưởng tính thực tiễn của công nghệ AI, việc áp dụng và triển khai suy luận AI cũng đang phát triển tích cực trong hầu hết các ngành. Tuy nhiên, tính chất tốn kém về tài nguyên khi áp dụng AI đang làm rộng khoảng cách cạnh tranh giữa các doanh nghiệp lớn đã thành công trong việc triển khai AI và các công ty nhỏ chưa thành công. Trong môi trường đó, nhu cầu đối với chức năng của Allora (cung cấp suy luận tối ưu theo chủ đề và cải thiện độ chính xác dữ liệu một cách phi tập trung, tự cải thiện) dự kiến sẽ ngày càng tăng.
Mục tiêu của Allora là trở thành cơ sở hạ tầng suy luận phi tập trung có thể được áp dụng rộng rãi trong mọi ngành nghề, và để đạt được mục tiêu này cần chứng minh hiệu quả và tính bền vững của chức năng. Để chứng minh điều này, Allora cần thu hút đủ người làm việc và Reputers sau khi ra mắt mạng chính, đồng thời đảm bảo rằng những người tham gia mạng này nhận được phần thưởng bền vững.
Nếu Allora thành công trong việc giải quyết những thách thức này và được áp dụng rộng rãi trong mọi ngành, nó không chỉ chứng minh tiềm năng của blockchain như một cơ sở hạ tầng AI quan trọng mà còn có thể trở thành một ví dụ quan trọng, minh họa cách công nghệ AI và blockchain có thể kết hợp để mang lại giá trị thực sự.
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
@DeSpreadTeam
