AI + Web3: Tòa tháp và Quảng trường
Tuyển chọn TechFlowTuyển chọn TechFlow
AI + Web3: Tòa tháp và Quảng trường
Khi những tòa tháp ngày càng cao, những người ra quyết định đằng sau hậu trường ngày càng thu hẹp, sự tập trung hóa AI đã mang lại nhiều rủi ro, đám đông tụ tập trên quảng trường làm thế nào để tránh khỏi bóng tối dưới chân tòa tháp?
Chuyên sâu báo cáo Web3Bài viết: Coinspire
TL;DR：
-
Các dự án Web3 theo chủ đề AI đang trở thành tâm điểm hút vốn trên thị trường sơ cấp và thứ cấp.
-
Cơ hội của Web3 trong ngành AI thể hiện ở việc sử dụng cơ chế khuyến khích phi tập trung để phối hợp nguồn cung tiềm năng phân tán —— bao gồm dữ liệu, lưu trữ và tính toán; đồng thời xây dựng một mô hình mã nguồn mở cũng như thị trường phi tập trung cho các Agent AI.
-
Ứng dụng chính của AI trong lĩnh vực Web3 là tài chính trên chuỗi (thanh toán tiền mã hóa, giao dịch, phân tích dữ liệu) và hỗ trợ phát triển.
-
Lợi ích kết hợp giữa AI+Web3 nằm ở sự bổ trợ lẫn nhau: Web3 có tiềm năng chống lại sự tập trung hóa của AI, trong khi AI có thể giúp Web3 phá vỡ giới hạn cộng đồng.
Mở đầu
Hai năm gần đây, sự phát triển của AI giống như được nhấn nút tăng tốc. Cú huých bắt đầu từ ChatGPT không chỉ mở ra một thế giới mới cho trí tuệ nhân tạo sinh học mà còn khuấy động dòng chảy mạnh mẽ sang cả phía bên kia – Web3.
Dưới tác động của xu hướng AI, thị trường tiền mã hóa dù chậm lại nhưng huy động vốn đã được cải thiện rõ rệt. Theo thống kê truyền thông, riêng 6 tháng đầu năm 2024 đã có tổng cộng 64 dự án Web3+AI hoàn tất gọi vốn, trong đó hệ điều hành dựa trên trí tuệ nhân tạo Zyber365 đạt mức huy động cao nhất lên tới 100 triệu USD trong vòng A.
Thị trường thứ cấp còn sôi động hơn. Dữ liệu từ trang web tổng hợp tiền mã hóa Coingecko cho thấy, trong hơn một năm ngắn ngủi, tổng vốn hóa thị trường mảng AI đã đạt 48,5 tỷ USD, khối lượng giao dịch 24 giờ gần 8,6 tỷ USD; các tiến triển công nghệ AI chính thống mang lại lợi ích rất rõ ràng, sau khi OpenAI công bố mô hình chuyển văn bản thành video Sora, giá trung bình các mã thuộc nhóm AI đã tăng 151%; tác động lan tỏa của AI cũng ảnh hưởng đến một trong những mảng hút vốn mạnh nhất của tiền mã hóa là Meme: MemeCoin đầu tiên theo khái niệm Agent AI – GOAT nhanh chóng nổi tiếng với định giá 1,4 tỷ USD, thúc đẩy mạnh mẽ phong trào AI Meme.
Các nghiên cứu và thảo luận về AI+Web3 cũng rất sôi nổi, từ AI+DePin đến AI Memecoin rồi đến AI Agent và AI DAO hiện tại, cảm giác FOMO dường như không theo kịp tốc độ thay đổi câu chuyện mới.
AI+Web3, cụm từ kết hợp đầy tiền nóng, xu hướng và viễn cảnh tương lai, khó tránh khỏi việc bị xem như một cuộc hôn nhân sắp đặt do vốn đầu tư dàn xếp, khiến chúng ta khó phân biệt được dưới lớp áo hoa lệ này, liệu đây là sân chơi của những kẻ đầu cơ hay là đêm trước của một bình minh bùng nổ?
Để trả lời câu hỏi này, một suy ngẫm then chốt đối với cả hai bên là: Liệu có trở nên tốt hơn khi có sự hiện diện của đối phương? Có thể thu được lợi ích gì từ mô hình của bên kia? Trong bài viết này, chúng tôi cũng cố gắng đứng trên vai người đi trước để nhìn nhận cục diện này: Web3 có thể đóng vai trò gì trong từng khâu của chồng công nghệ AI, và ngược lại AI có thể mang lại sức sống mới nào cho Web3?
Web3 có cơ hội gì trong chồng công nghệ AI?
Trước khi triển khai chủ đề này, cần hiểu qua chồng công nghệ mô hình lớn AI:
Nguồn ảnh: Delphi Digital
Dùng ngôn ngữ dễ hiểu hơn để mô tả toàn bộ quá trình: "mô hình lớn" giống như bộ não con người, ở giai đoạn đầu, bộ não này như một em bé vừa chào đời, cần quan sát và tiếp nhận lượng lớn thông tin bên ngoài để hiểu thế giới, đó là giai đoạn "thu thập" dữ liệu; vì máy tính không có các giác quan như thị giác, thính giác của con người, trước khi huấn luyện, lượng lớn thông tin chưa gắn nhãn cần được "tiền xử lý" để chuyển thành định dạng thông tin mà máy tính có thể hiểu và sử dụng được.
Sau khi đưa dữ liệu vào, AI thông qua "huấn luyện" để xây dựng mô hình có khả năng hiểu và dự đoán, điều này giống như quá trình em bé dần dần học hỏi và hiểu thế giới, các tham số mô hình tựa như khả năng ngôn ngữ của đứa trẻ liên tục được điều chỉnh khi học hỏi. Khi nội dung học tập bắt đầu chuyên sâu, hoặc nhận phản hồi từ giao tiếp với người khác và hiệu chỉnh, thì bước vào giai đoạn "tinh chỉnh" mô hình lớn.
Sau khi đứa trẻ lớn lên và biết nói, nó có thể hiểu ý nghĩa và biểu đạt cảm xúc, suy nghĩ trong các cuộc hội thoại mới, giai đoạn này tương tự như "suy luận" của mô hình lớn AI, mô hình có thể dự đoán và phân tích đầu vào ngôn ngữ và văn bản mới. Trẻ em dùng khả năng ngôn ngữ để diễn đạt cảm xúc, miêu tả vật thể và giải quyết nhiều vấn đề khác nhau, điều này cũng giống như mô hình lớn AI sau khi hoàn thành huấn luyện và được đưa vào sử dụng, trong giai đoạn suy luận phục vụ cho các nhiệm vụ cụ thể như phân loại hình ảnh, nhận dạng giọng nói, v.v.
Trong khi đó, AI Agent ngày càng tiến gần đến hình thái tiếp theo của mô hình lớn – có thể tự thực hiện nhiệm vụ và theo đuổi mục tiêu phức tạp, không chỉ có khả năng suy nghĩ mà còn có thể ghi nhớ, lập kế hoạch và sử dụng công cụ để tương tác với thế giới.
Hiện nay, nhằm giải quyết các điểm nghẽn trong từng tầng của AI, Web3 ban đầu đã hình thành một hệ sinh thái đa tầng, liên kết chặt chẽ, bao phủ mọi giai đoạn trong quy trình mô hình AI.
I. Lớp nền tảng: Airbnb cho điện toán và dữ liệu
Tính toán
Hiện nay, một trong những chi phí cao nhất của AI là năng lực tính toán và năng lượng cần thiết để huấn luyện và suy luận mô hình.
Ví dụ, Meta cần 16.000 GPU H100 do NVIDIA sản xuất (loại GPU hàng đầu được thiết kế cho tải trọng tính toán hiệu suất cao và trí tuệ nhân tạo) chạy trong 30 ngày để hoàn tất huấn luyện LLAMA3. Phiên bản 80GB của GPU này có giá từ 30.000 đến 40.000 USD, yêu cầu khoản đầu tư phần cứng tính toán từ 400 đến 700 triệu USD (GPU + chip mạng), đồng thời mỗi tháng đào tạo tiêu thụ 1,6 tỷ kWh điện, chi phí năng lượng mỗi tháng gần 20 triệu USD.
Việc giảm tải áp lực tính toán AI cũng chính là lĩnh vực Web3 sớm giao thoa với AI nhất – DePin (mạng hạ tầng vật lý phi tập trung). Hiện nay, trang web dữ liệu DePin Ninja đã liệt kê hơn 1.400 dự án, trong đó các đại diện chia sẻ năng lực GPU bao gồm io.net, Aethir, Akash, Render Network, v.v.
Logic chính là: nền tảng cho phép cá nhân hoặc tổ chức sở hữu tài nguyên GPU nhàn rỗi đóng góp khả năng tính toán theo cách thức phi tập trung, không cần cấp phép, thông qua thị trường trực tuyến kiểu Uber hay Airbnb giữa người mua và người bán, tăng tỷ lệ sử dụng tài nguyên GPU chưa được khai thác triệt để, nhờ đó người dùng cuối nhận được tài nguyên tính toán hiệu quả với chi phí thấp hơn; đồng thời, cơ chế ký quỹ đảm bảo rằng nếu xảy ra vi phạm cơ chế kiểm soát chất lượng hoặc gián đoạn mạng, người cung cấp tài nguyên sẽ bị xử phạt tương ứng.
Đặc điểm chính gồm:
-
Tập trung tài nguyên GPU nhàn rỗi: Bên cung cấp chủ yếu là các trung tâm dữ liệu vừa và nhỏ độc lập, trang trại khai thác tiền mã hóa, tài nguyên dư thừa từ thiết bị khai thác theo cơ chế đồng thuận PoS như máy khai thác FileCoin và ETH. Hiện cũng có các dự án hướng tới thiết bị với ngưỡng khởi động thấp hơn, ví dụ exolab tận dụng các thiết bị địa phương như MacBook, iPhone, iPad để xây dựng mạng lưới tính toán cho suy luận mô hình lớn.
-
Phục vụ thị trường dài đuôi nhu cầu tính toán AI: a. về mặt kỹ thuật, thị trường tính toán phi tập trung phù hợp hơn với bước suy luận. Huấn luyện phụ thuộc nhiều vào khả năng xử lý dữ liệu của cụm GPU siêu lớn, trong khi suy luận yêu cầu hiệu năng vận hành GPU tương đối thấp, ví dụ Aethir tập trung vào công việc render độ trễ thấp và ứng dụng suy luận AI. b. về mặt nhu cầu, các bên cần năng lực tính toán vừa và nhỏ sẽ không tự huấn luyện mô hình lớn riêng, mà chỉ chọn tối ưu và tinh chỉnh xung quanh một vài mô hình lớn đầu ngành, những kịch bản này rất phù hợp với tài nguyên tính toán phân tán.
-
Quyền sở hữu phi tập trung: ý nghĩa công nghệ blockchain là chủ sở hữu tài nguyên luôn giữ quyền kiểm soát tài nguyên, linh hoạt điều chỉnh theo nhu cầu, đồng thời nhận được lợi nhuận.
Dữ liệu
Dữ liệu là nền móng của AI. Nếu không có dữ liệu, tính toán sẽ vô dụng như bèo trôi không rễ, mối quan hệ giữa dữ liệu và mô hình giống như câu nói cửa miệng “Garbage in, Garbage out”, số lượng và chất lượng dữ liệu đầu vào quyết định chất lượng đầu ra của mô hình. Với việc huấn luyện mô hình AI hiện tại, dữ liệu quyết định khả năng ngôn ngữ, khả năng hiểu biết, thậm chí cả giá trị và biểu hiện nhân văn của mô hình. Hiện nay, khó khăn về nhu cầu dữ liệu AI tập trung vào bốn khía cạnh sau:
-
Khát dữ liệu: Việc huấn luyện mô hình AI phụ thuộc vào lượng lớn dữ liệu đầu vào. Dữ liệu công khai cho thấy, OpenAI đã đạt mức tham số nghìn tỷ khi huấn luyện GPT-4.
-
Chất lượng dữ liệu: Khi AI kết hợp với các ngành khác nhau, tính cập nhật, tính đa dạng, chuyên môn dữ liệu theo ngành dọc và việc thu thập các nguồn dữ liệu mới như cảm xúc trên mạng xã hội đặt ra yêu cầu mới về chất lượng.
-
Vấn đề riêng tư và tuân thủ pháp luật: Các quốc gia và doanh nghiệp hiện nay ngày càng nhận thức rõ tầm quan trọng của bộ dữ liệu chất lượng, đang hạn chế việc thu thập dữ liệu.
-
Chi phí xử lý dữ liệu cao: Dữ liệu lớn, quá trình xử lý phức tạp. Dữ liệu công khai cho thấy, các công ty AI chi hơn 30% chi phí R&D cho việc thu thập và xử lý dữ liệu cơ bản.
Hiện nay, giải pháp Web3 thể hiện ở bốn khía cạnh sau:
1. Thu thập dữ liệu: Dữ liệu thực tế miễn phí có thể cung cấp đang nhanh chóng cạn kiệt, chi phí thanh toán cho dữ liệu của các công ty AI ngày càng tăng. Tuy nhiên, khoản chi này không quay trở lại người đóng góp dữ liệu thực sự, các nền tảng hưởng trọn giá trị tạo ra từ dữ liệu, ví dụ Reddit kiếm được tổng cộng 203 triệu USD từ thỏa thuận cấp phép dữ liệu với các công ty AI.
Cho phép người dùng thực sự đóng góp cũng tham gia vào việc tạo giá trị từ dữ liệu, cũng như thu thập dữ liệu cá nhân hơn, có giá trị cao hơn với chi phí thấp thông qua mạng lưới phân tán và cơ chế khuyến khích, là nguyện vọng của Web3.
-
Grass là một lớp dữ liệu và mạng lưới phi tập trung, người dùng có thể chạy nút Grass, đóng góp băng thông nhàn rỗi và luồng truy cập để thu thập dữ liệu thời gian thực trên toàn Internet và nhận phần thưởng bằng token;
-
Vana giới thiệu khái niệm hồ thanh khoản dữ liệu (DLP) độc đáo, người dùng có thể tải lên dữ liệu cá nhân (như lịch sử mua sắm, thói quen duyệt web, hoạt động mạng xã hội...) vào DLP cụ thể và linh hoạt lựa chọn có cho phép bên thứ ba cụ thể sử dụng dữ liệu đó hay không;
-
Trong PublicAI, người dùng có thể thu thập dữ liệu trên X bằng cách sử dụng thẻ phân loại #AI hoặc #Web3 và @PublicAI.
2. Tiền xử lý dữ liệu: Trong quá trình xử lý dữ liệu AI, do dữ liệu thu thập thường nhiễu và chứa lỗi, cần làm sạch và chuyển đổi thành định dạng sử dụng được trước khi huấn luyện mô hình, bao gồm các nhiệm vụ lặp lại như chuẩn hóa, lọc và xử lý giá trị thiếu. Giai đoạn này là một trong số ít các khâu thủ công trong ngành AI, đã hình thành nghề "nhãn dữ liệu", khi yêu cầu chất lượng dữ liệu của mô hình tăng, ngưỡng của nhân viên gắn nhãn cũng tăng theo, và nhiệm vụ này rất phù hợp với cơ chế khuyến khích phi tập trung của Web3.
-
Hiện nay, Grass và OpenLayer đều đang cân nhắc tham gia vào khâu quan trọng này.
-
Synesis đề xuất khái niệm "Train2earn", nhấn mạnh chất lượng dữ liệu, người dùng có thể nhận phần thưởng bằng cách cung cấp dữ liệu gắn nhãn, chú thích hoặc các dạng đầu vào khác.
-
Dự án gắn nhãn dữ liệu Sapien biến nhiệm vụ gắn nhãn thành trò chơi, và cho phép người dùng ký quỹ điểm để kiếm thêm điểm.
3. Riêng tư và an toàn dữ liệu: Cần làm rõ rằng, riêng tư dữ liệu và an toàn dữ liệu là hai khái niệm khác nhau. Riêng tư dữ liệu liên quan đến việc xử lý dữ liệu nhạy cảm, an toàn dữ liệu bảo vệ thông tin dữ liệu khỏi truy cập trái phép, phá hủy và đánh cắp. Do đó, lợi thế công nghệ riêng tư Web3 và các kịch bản ứng dụng tiềm năng thể hiện ở hai khía cạnh: (1) Huấn luyện dữ liệu nhạy cảm; (2) Hợp tác dữ liệu: Nhiều chủ sở hữu dữ liệu có thể cùng tham gia huấn luyện AI mà không cần chia sẻ dữ liệu gốc.
Công nghệ riêng tư phổ biến hiện nay trong Web3 bao gồm:
-
Môi trường thực thi đáng tin cậy (TEE), ví dụ Super Protocol;
-
Mã hóa đồng dạng hoàn toàn (FHE), ví dụ BasedAI, Fhenix.io hoặc Inco Network;
-
Công nghệ kiến thức không (zk), ví dụ Reclaim Protocol sử dụng công nghệ zkTLS để tạo bằng chứng kiến thức không cho lưu lượng HTTPS, cho phép người dùng nhập an toàn dữ liệu hoạt động, danh tiếng và danh tính từ website bên ngoài mà không tiết lộ thông tin nhạy cảm.
Tuy nhiên, lĩnh vực này vẫn ở giai đoạn sơ khai, phần lớn dự án vẫn đang trong giai đoạn khám phá, một khó khăn hiện tại là chi phí tính toán quá cao, một số ví dụ:
-
Khung zkML EZKL cần khoảng 80 phút để tạo bằng chứng cho mô hình 1M-nanoGPT.
-
Theo dữ liệu từ Modulus Labs, chi phí zkML cao hơn tính toán thuần túy hơn 1.000 lần.
4. Lưu trữ dữ liệu: Sau khi có dữ liệu, cần nơi để lưu trữ dữ liệu và mô hình LLM được tạo ra trên chuỗi. Với vấn đề then chốt là khả năng sẵn sàng dữ liệu (DA), trước khi nâng cấp Danksharding của Ethereum, thông lượng chỉ đạt 0,08MB. Đồng thời, việc huấn luyện mô hình AI và suy luận thời gian thực thường cần thông lượng dữ liệu từ 50 đến 100GB mỗi giây. Sự chênh lệch về quy mô này khiến các giải pháp trên chuỗi hiện tại gặp khó khăn khi đối mặt với các ứng dụng AI "ngốn tài nguyên".
-
0g.AI là đại diện tiêu biểu cho nhóm này. Đây là giải pháp lưu trữ phi tập trung được thiết kế cho nhu cầu hiệu suất cao của AI, đặc điểm chính gồm: hiệu suất cao và khả năng mở rộng, thông qua công nghệ phân mảnh (Sharding) tiên tiến và mã hóa xóa bỏ (Erasure Coding), hỗ trợ tải lên và tải xuống dữ liệu quy mô lớn nhanh chóng, tốc độ truyền dữ liệu gần 5GB mỗi giây.
II. Middleware: Huấn luyện và suy luận mô hình
Thị trường phi tập trung cho mô hình mã nguồn mở
Tranh luận về việc mô hình AI nên đóng hay mở nguồn chưa bao giờ dừng lại. Lợi thế sáng tạo tập thể từ mã nguồn mở là điều mô hình đóng không thể so sánh, tuy nhiên một mô hình mã nguồn mở không có mô hình sinh lời rõ ràng thì làm sao thúc đẩy động lực phát triển? Đây là điều đáng suy ngẫm, nhà sáng lập Baidu Lý Ngạn Hoằng từng khẳng định vào tháng 4 năm nay rằng "các mô hình mã nguồn mở sẽ ngày càng tụt hậu".
Web3 đưa ra khả năng thị trường phi tập trung cho mô hình mã nguồn mở, tức mã hóa mô hình, đội ngũ giữ một tỷ lệ token nhất định, và một phần doanh thu tương lai của mô hình sẽ chảy về người nắm giữ token.
-
Bittensor xây dựng thị trường P2P cho mô hình mã nguồn mở, bao gồm hàng chục "mạng con", nơi các nhà cung cấp tài nguyên (tính toán, thu thập/lưu trữ dữ liệu, nhân tài học máy) cạnh tranh để đáp ứng mục tiêu của chủ sở hữu mạng con cụ thể, các mạng con có thể tương tác và học hỏi lẫn nhau, từ đó tạo ra trí tuệ mạnh hơn. Phần thưởng được phân bổ bởi cộng đồng bỏ phiếu và tiếp tục phân bổ theo hiệu suất cạnh tranh trong từng mạng con.
-
ORA giới thiệu khái niệm phát hành mô hình ban đầu (IMO), mã hóa mô hình AI, có thể mua, bán và phát triển mô hình AI qua mạng lưới phi tập trung.
-
Sentient, một nền tảng AGI phi tập trung, khuyến khích người đóng góp hợp tác, xây dựng, sao chép và mở rộng mô hình AI, đồng thời thưởng cho người đóng góp.
-
Spectral Nova, tập trung vào việc tạo và ứng dụng mô hình AI và ML.
Suy luận có thể xác minh
Đối với bài toán "hộp đen" trong quá trình suy luận AI, giải pháp Web3 chuẩn là cho nhiều bên xác minh lặp lại thao tác giống nhau và so sánh kết quả, tuy nhiên do hiện nay thiếu hụt chip "Nvidia" cao cấp, giải pháp này gặp thách thức rõ ràng về chi phí suy luận AI cao.
Giải pháp hứa hẹn hơn là thực hiện bằng chứng ZK "zero-knowledge proof, một giao thức mật mã, trong đó một bên (người chứng minh) có thể chứng minh cho bên kia (người xác minh) rằng một mệnh đề đã cho là đúng mà không tiết lộ bất kỳ thông tin bổ sung nào ngoài việc mệnh đề đó đúng" cho tính toán suy luận AI ngoài chuỗi, từ đó xác minh không cần cấp phép trên chuỗi đối với tính toán mô hình AI. Điều này đòi hỏi phải chứng minh một cách mã hóa trên chuỗi rằng tính toán ngoài chuỗi đã hoàn tất đúng (ví dụ dữ liệu không bị thay đổi), đồng thời đảm bảo mọi dữ liệu giữ bí mật.
Lợi ích chính bao gồm:
-
Khả năng mở rộng: Bằng chứng kiến thức không có thể xác nhận nhanh chóng lượng lớn tính toán ngoài chuỗi. Ngay cả khi số lượng giao dịch tăng, một bằng chứng kiến thức không đơn lẻ cũng có thể xác minh tất cả giao dịch.
-
Bảo vệ riêng tư: Dữ liệu và chi tiết mô hình AI giữ bí mật, trong khi các bên có thể xác minh dữ liệu và mô hình chưa bị phá vỡ.
-
Không cần tin tưởng: Không cần dựa vào bên trung tâm để xác nhận tính toán.
-
Tích hợp Web2: Về định nghĩa, Web2 là tích hợp ngoài chuỗi, điều này có nghĩa suy luận có thể xác minh có thể giúp đưa tập dữ liệu và tính toán AI lên chuỗi. Điều này giúp tăng tỷ lệ chấp nhận Web3.
Hiện nay, các công nghệ xác minh suy luận có thể xác minh của Web3 như sau:
-
zkML: Kết hợp bằng chứng kiến thức không với học máy để đảm bảo riêng tư và bí mật dữ liệu và mô hình, cho phép tính toán có thể xác minh mà không tiết lộ một số thuộc tính nền tảng, ví dụ Modulus Labs dựa trên ZKML đã phát hành bộ chứng minh ZK dành cho AI để kiểm tra hiệu quả liệu nhà cung cấp AI có thao tác đúng thuật toán trên chuỗi hay không, tuy nhiên hiện khách hàng chủ yếu là DApp trên chuỗi.
-
opML: Sử dụng nguyên tắc tổng hợp lạc quan, tăng khả năng mở rộng và hiệu quả tính toán ML bằng cách xác minh thời điểm xảy ra tranh chấp, trong mô hình này, chỉ cần xác minh một phần nhỏ kết quả do "bên xác minh" tạo ra, nhưng thiết lập chi phí cắt giảm kinh tế đủ cao để tăng chi phí gian lận của bên xác minh, từ đó tiết kiệm tính toán dư thừa.
-
TeeML: Sử dụng môi trường thực thi đáng tin cậy để thực hiện tính toán ML một cách an toàn, bảo vệ dữ liệu và mô hình khỏi bị thay đổi và truy cập trái phép.
III. Lớp ứng dụng: AI Agent
Hiện nay, sự phát triển của AI đã thể hiện rõ xu hướng chuyển trọng tâm phát triển từ năng lực mô hình sang AI Agent. OpenAI, Anthropic - kỳ lân mô hình lớn AI, Microsoft và các công ty công nghệ khác đều chuyển sang phát triển AI Agent, cố gắng phá vỡ giai đoạn bão hòa công nghệ hiện tại của LLM.
OpenAI định nghĩa AI Agent là: một hệ thống điều khiển bởi LLM như bộ não, có khả năng tự hiểu, cảm nhận, lập kế hoạch, ghi nhớ và sử dụng công cụ, có thể tự động thực hiện và hoàn tất nhiệm vụ phức tạp. Khi AI chuyển từ công cụ được sử dụng thành chủ thể có thể sử dụng công cụ, nó trở thành AI Agent. Đây cũng chính là lý do AI Agent có thể trở thành trợ lý trí tuệ lý tưởng nhất cho con người.
Web3 có thể mang lại gì cho Agent?
1. Phi tập trung
Đặc tính phi tập trung của Web3 có thể khiến hệ thống Agent trở nên phân tán và tự trị hơn, thông qua các cơ chế PoS, DPoS để xây dựng cơ chế khuyến khích và xử phạt cho người ký quỹ, người ủy quyền, thúc đẩy dân chủ hóa hệ thống Agent, GaiaNet, Theoriq, HajimeAI đều đã thử nghiệm.
2. Khởi động lạnh
Việc phát triển và lặp lại AI Agent thường cần hỗ trợ tài chính lớn, Web3 có thể giúp các dự án AI Agent tiềm năng nhận được tài trợ ban đầu và khởi động lạnh.
-
Virtual Protocol ra mắt nền tảng tạo và phát hành AI Agent fun.virtuals, bất kỳ người dùng nào cũng có thể triển khai AI Agent chỉ bằng một cú nhấp, và phát hành token AI Agent một cách công bằng 100%.
-
Spectral đề xuất ý tưởng sản phẩm phát hành tài sản AI Agent trên chuỗi: Phát hành token thông qua IAO (Initial Agent Offering), AI Agent có thể trực tiếp nhận vốn từ nhà đầu tư, đồng thời trở thành thành viên quản trị DAO, mang lại cho nhà đầu tư cơ hội tham gia phát triển dự án và chia sẻ lợi nhuận trong tương lai.
AI trao quyền cho Web3 như thế nào?
Tác động của AI đối với các dự án Web3 là rõ ràng, nó giúp công nghệ blockchain thông qua việc tối ưu hóa các thao tác trên chuỗi (ví dụ thực thi hợp đồng thông minh, tối ưu hóa thanh khoản và ra quyết định quản trị do AI điều khiển), đồng thời, nó cũng có thể cung cấp hiểu biết sâu sắc dựa trên dữ liệu tốt hơn, nâng cao an ninh trên chuỗi và đặt nền móng cho các ứng dụng mới dựa trên Web3.
I. AI và tài chính trên chuỗi
AI và kinh tế mã hóa
Ngày 31 tháng 8, CEO Coinbase Brian Armstrong tuyên bố đã thực hiện giao dịch mã hóa đầu tiên giữa AI với AI trên mạng Base, và cho biết AI Agent hiện có thể sử dụng USD để giao dịch với con người, thương gia hoặc AI khác trên Base, các giao dịch này là tức thời, toàn cầu và miễn phí.
Ngoài thanh toán, Luna của Virtuals Protocol cũng lần đầu tiên trình diễn AI Agent thực hiện giao dịch trên chuỗi một cách tự chủ gây chú ý, khiến AI Agent như một thực thể trí tuệ có thể cảm nhận môi trường, ra quyết định và thực hiện hành động, được coi là tương lai của tài chính trên chuỗi, hiện nay, các kịch bản tiềm năng của AI Agent thể hiện ở các điểm sau:
1. Thu thập và dự đoán thông tin: Giúp nhà đầu tư thu thập thông báo sàn giao dịch, thông tin công khai dự án, tâm lý hoảng loạn, rủi ro dư luận,... phân tích và đánh giá thời gian thực tình hình cơ bản tài sản, thị trường, dự đoán xu hướng và rủi ro.
2. Quản lý tài sản: Cung cấp danh mục đầu tư phù hợp cho người dùng, tối ưu hóa danh mục, tự động thực hiện giao dịch.
3. Trải nghiệm tài chính: Giúp nhà đầu tư chọn cách giao dịch trên chuỗi nhanh nhất, tự động hóa các thao tác thủ công như xuyên chuỗi, điều chỉnh phí gas, giảm门槛 và chi phí hoạt động tài chính trên chuỗi.
Hãy tưởng tượng một kịch bản, bạn truyền đạt chỉ thị sau cho AI Agent: "Tôi có 1000 USDT, hãy giúp tôi tìm tổ hợp sinh lời cao nhất, thời gian khóa không quá một tuần", AI Agent sẽ đưa ra đề xuất: "Đề xuất phân bổ ban đầu 50% vào A, 20% vào B, 20% vào X, 10% vào Y. Tôi sẽ giám sát lãi suất và theo dõi sự thay đổi mức độ rủi ro, và tái cân bằng khi cần thiết." Ngoài ra, tìm kiếm các dự án airdrop tiềm năng, hoặc các dự án Memecoin có dấu hiệu cộng đồng sôi động, cũng là những việc AI Agent có thể thực hiện trong tương lai.
Nguồn ảnh: Biconomy
Hiện nay, ví AI Agent Bitte, giao thức tương tác AI Wayfinder đều đang thử nghiệm loại hình này, cả hai đều cố gắng tích hợp API mô hình OpenAI, cho phép người dùng ra lệnh cho Agent hoàn tất các thao tác trên chuỗi thông qua giao diện cửa sổ trò chuyện tương tự ChatGPT, ví dụ WayFinder đã công bố prototype đầu tiên vào tháng 4 năm nay trên ba mạng chính Base, Polygon và Ethereum, thể hiện bốn thao tác cơ bản swap, send, bridge và stake.
Hiện nay, nền tảng Agent phi tập trung Morpheus cũng hỗ trợ phát triển Agent loại này, ví dụ Biconomy cũng trình diễn thao tác AI Agent có thể chuyển ETH thành USDC mà không cần cấp quyền ví đầy đủ.
AI và an ninh giao dịch trên chuỗi
Trong thế giới Web3, an ninh giao dịch trên chuỗi là cực kỳ quan trọng. Công nghệ AI có thể được sử dụng để tăng cường an ninh và bảo vệ riêng tư cho giao dịch trên chuỗi, các kịch bản tiềm năng bao gồm:
Giám sát giao dịch: Giám sát thời gian thực các hoạt động giao dịch bất thường, cơ sở hạ tầng cảnh báo thời gian thực cho người dùng và nền tảng.
Phân tích rủi ro: Giúp nền tảng phân tích dữ liệu hành vi giao dịch khách hàng, đánh giá mức độ rủi ro.
Ví dụ nền tảng an ninh Web3 SeQure sử dụng AI để phát hiện và ngăn chặn tấn công ác ý, hành vi gian lận và rò rỉ dữ liệu, đồng thời cung cấp cơ chế giám sát và cảnh báo thời gian thực, đảm bảo an ninh và ổn định cho giao dịch trên chuỗi. Các công cụ an ninh tương tự khác như Sentinel do AI hỗ trợ.
II. AI và hạ tầng trên chuỗi
AI và dữ liệu trên chuỗi
Công nghệ AI đóng vai trò quan trọng trong việc thu thập và phân tích dữ liệu trên chuỗi, ví dụ:
-
Web3 Analytics: Là nền tảng phân tích dựa trên AI, sử dụng thuật toán học máy và khai phá dữ liệu để thu thập, xử lý và phân tích dữ liệu trên chuỗi.
-
MinMax AI: Cung cấp công cụ phân tích dữ liệu trên chuỗi dựa trên AI, giúp người dùng phát hiện cơ hội và xu hướng thị trường tiềm năng.
-
Kaito: Nền tảng tìm kiếm Web3 dựa trên LLM.
-
Followin: Tích hợp ChatGPT, thu thập và tổng hợp thông tin liên quan từ các website và nền tảng cộng đồng khác nhau.
-
Một ứng dụng khác là oracles, AI có thể lấy giá từ nhiều nguồn để cung cấp dữ liệu định giá chính xác. Ví dụ Upshot sử dụng AI cho giá NFT biến động, thông qua đánh giá hơn 100 triệu lần mỗi giờ, cung cấp giá NFT với sai số phần trăm từ 3-10%.
AI và phát triển & kiểm toán
Gần đây, một trình soạn thảo mã AI Web2 tên Cursor thu hút nhiều sự chú ý trong cộng đồng nhà phát triển, trên nền tảng này người dùng chỉ cần mô tả bằng ngôn ngữ tự nhiên, Cursor sẽ tự động tạo mã HTML, CSS và JavaScript tương ứng, đơn giản hóa đáng kể quy trình phát triển phần mềm, logic này cũng phù hợp để nâng cao hiệu quả phát triển Web3.
Hiện nay, việc triển khai hợp đồng thông minh và DApp trên các chuỗi công khai thường cần tuân theo ngôn ngữ phát triển riêng như Solidity, Rust, Move, v.v. Tầm nhìn của ngôn ngữ phát triển mới là mở rộng không gian thiết kế blockchain phi tập trung, khiến nó phù hợp hơn với việc phát triển DApp, nhưng trong bối cảnh thiếu hụt lớn nhân sự phát triển Web3, giáo dục nhà phát triển luôn là vấn đề đau đầu hơn.
Hiện nay, trong việc hỗ trợ phát triển Web3 bằng AI, các kịch bản có thể hình dung bao gồm: tự động tạo mã, xác minh và kiểm thử hợp đồng thông minh, triển khai và duy trì DApp, hoàn thiện mã thông minh, giải đáp thắc mắc phát triển bằng đối thoại AI, v.v., thông qua trợ giúp AI, không chỉ giúp nâng cao hiệu quả và độ chính xác phát triển, mà còn giảm门槛 lập trình, cho phép người không chuyên cũng có thể chuyển ý tưởng thành ứng dụng thực tế, mang lại sức sống mới cho sự phát triển công nghệ phi tập trung.
Hiện nay, điều thu hút nhất là nền tảng khởi động token một cú nhấp, như Clanker, một "Token Bot" điều khiển bằng AI, được thiết kế để triển khai token DIY nhanh chóng. Bạn chỉ cần gắn thẻ Clanker trên nền tảng SocialFi Farcaster như Warpcast hoặc Supercast, nói cho nó ý tưởng token của bạn, nó sẽ khởi động token cho bạn trên chuỗi Base.
Cũng có nền tảng phát triển hợp đồng, như Spectral cung cấp chức năng tạo và triển khai hợp đồng thông minh một cú nhấp, nhằm giảm门槛 phát triển Web3, ngay cả người dùng mới cũng có thể biên dịch và triển khai hợp đồng thông minh.
Về kiểm toán, nền tảng kiểm toán Web3 Fuzzland sử dụng AI để giúp kiểm toán viên kiểm tra lỗ hổng mã, cung cấp giải thích ngôn ngữ tự nhiên để hỗ trợ chuyên môn kiểm toán. Fuzzland còn sử dụng AI để cung cấp giải thích ngôn ngữ tự nhiên cho quy tắc chính thức và mã hợp đồng, cũng như một số mã ví dụ, giúp nhà phát triển hiểu các vấn đề tiềm ẩn trong mã.
III. AI và câu chuyện mới của Web3
Sự trỗi dậy của AI sinh học mang lại khả năng hoàn toàn mới cho câu chuyện mới của Web3.
NFT: AI mang lại sức sáng tạo cho NFT sinh học, thông qua công nghệ AI có thể tạo ra nhiều tác phẩm nghệ thuật và nhân vật độc đáo, đa dạng, các NFT sinh học này có thể trở thành nhân vật, đạo cụ hoặc yếu tố cảnh trong game, thế giới ảo hoặc metaverse, ví dụ Bicasso thuộc Binance, người dùng có thể tải lên hình ảnh và nhập từ khóa để AI xử lý tạo NFT, các dự án tương tự bao gồm Solvo, Nicho, IgmnAI, CharacterGPT.
GameFi: Nhờ khả năng tạo văn bản, tạo hình ảnh và NPC thông minh của AI, GameFi có tiềm năng nâng cao hiệu quả và đổi mới trong sản xuất nội dung game. Ví dụ AI Hero, game blockchain đầu tiên của Binaryx, người chơi có thể khám phá các lựa chọn cốt truyện khác nhau ngẫu nhiên qua AI; tương tự có game bạn đời ảo Sleepless AI, dựa trên AIGC và LLM, người chơi có thể mở khóa lối chơi cá nhân hóa qua các tương tác khác nhau.
DAO: Hiện nay, AI cũng được hình dung ứng dụng vào DAO, giúp theo dõi tương tác cộng đồng, ghi nhận đóng góp, thưởng cho thành viên đóng góp nhiều nhất, bỏ phiếu thay mặt, v.v. Ví dụ ai16z sử dụng AI Agent để thu thập thông tin thị trường trên và ngoài chuỗi, phân tích sự đồng thuận cộng đồng, và ra quyết định đầu tư kết hợp đề xuất từ thành viên DAO.
Ý nghĩa kết hợp AI+Web3: Tháp và Quảng trường
Tại trung tâm thành phố Florence, Ý, tọa lạc địa điểm hoạt động chính trị quan trọng nhất và nơi tụ họp cư dân, du khách – Quảng trường Trung tâm, nơi đây có một tòa tháp thị chính cao 95 mét, sự tương phản trực quan giữa chiều dọc tháp và chiều ngang quảng trường bổ trợ cho nhau, tạo nên hiệu ứng thẩm mỹ kịch tính. Giáo sư sử học Đại học Harvard Neil Ferguson lấy cảm hứng từ đây, trong cuốn sách "Quảng trường và Tháp" liên tưởng đến lịch sử thế giới về mạng lưới và chế độ phân cấp, hai thứ này lên xuống thay phiên nhau trong dòng chảy thời gian.
Ẩn dụ tuyệt vời này khi áp dụng vào mối quan hệ AI và Web3 ngày nay cũng hoàn toàn phù hợp. Từ lịch sử quan hệ dài hạn, phi tuyến tính giữa hai bên, có thể thấy quảng trường dễ sinh ra điều mới mẻ, sáng tạo hơn, nhưng tháp vẫn có tính hợp pháp và sức sống mạnh mẽ.
Dưới năng lực tập trung cao độ điện năng, năng lực tính toán, dữ liệu của các công ty công nghệ, AI bộc lộ trí tưởng tượng chưa từng có, các gã khổng lồ công nghệ đổ tiền lớn vào tham gia, từ các chatbot khác nhau đến các phiên bản lặp lại "mô hình lớn nền tảng" như GPT-4, GP4-4o, robot lập trình tự động (Devin) và Sora có khả năng mô phỏng sơ bộ thế giới vật lý thật ra đời, trí tưởng tượng của AI được phóng đại vô hạn.
Đồng thời, bản chất AI là một ngành công nghiệp quy mô và tập trung, cuộc cách mạng công nghệ này đẩy các công ty công nghệ vốn đã nắm quyền chủ đạo cấu trúc trong "thời đại Internet" lên đỉnh cao hẹp hơn nữa. Điện năng khổng lồ, dòng tiền độc quyền và tập dữ liệu khổng lồ cần thiết để thống trị thời đại trí tuệ tạo ra rào cản cao hơn.
Khi tháp ngày càng cao, những người ra quyết định đằng sau ngày càng thu hẹp, sự tập trung hóa AI mang lại nhiều rủi ro, người dân tụ họp trên quảng trường làm sao tránh khỏi bóng đổ của tháp? Đây chính là vấn đề Web3 mong muốn giải quyết.
Về bản chất, thuộc tính vốn có của blockchain tăng cường hệ thống trí tuệ nhân tạo và mang lại khả năng mới, chủ yếu là:
-
"Mã là luật" trong thời đại trí tuệ nhân tạo – thông qua hợp đồng thông minh và xác minh mã hóa để thực hiện hệ thống minh bạch và tự động thực thi quy tắc, đưa phần thưởng đến nhóm người gần mục tiêu hơn.
-
Kinh tế token – thông qua cơ chế token, ký quỹ, cắt giảm, phần thưởng và xử phạt token để tạo và phối hợp hành vi người tham gia.
-
Quản trị phi tập trung – khiến chúng ta đặt câu hỏi về nguồn thông tin, khuyến khích cách tiếp cận phê phán và thấu hiểu hơn với công nghệ trí tuệ nhân tạo, ngăn ngừa thiên vị, thông tin sai lệch và thao túng, cuối cùng nuôi dưỡng một xã hội hiểu biết hơn và được trao quyền hơn.
Sự phát triển của AI cũng mang lại sức sống mới cho Web3, có lẽ ảnh hưởng của Web3 đối với AI cần thời gian để chứng minh, nhưng ảnh hưởng của AI đối với Web3 là tức thì: điều này có thể thấy rõ từ sự cuồng nhiệt của Meme đến việc AI Agent giúp giảm门槛 sử dụng ứng dụng trên chuỗi.
Khi Web3 bị định nghĩa là sự tự sướng của một nhóm nhỏ người, và bị chất vấn về việc sao chép ngành truyền thống, sự tham gia của AI mang lại một tương lai có thể dự đoán: nhóm người dùng Web2 ổn định hơn & quy mô lớn hơn, các mô hình kinh doanh và dịch vụ sáng tạo hơn.
Chúng ta sống trong một thế giới "tháp và quảng trường" cùng tồn tại, dù AI và Web3 có đường thời gian và điểm khởi đầu khác nhau, nhưng điểm đến cuối cùng đều là làm cho máy móc phục vụ con người tốt hơn, không ai có thể định nghĩa một con sông cuồn cuộn, chúng tôi mong chờ tương lai của AI+Web3.
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
