Mã hóa × AI: Giải mã toàn cảnh dự án trong chu kỳ này

Tác giả:cookies

Biên dịch: TechFlow

Đây là quan điểm của tôi về cách cơ sở hạ tầng mã hóa và AI trưởng thành thúc đẩy các ứng dụng đổi mới.

Hãy cùng tìm hiểu sâu hơn, người dùng và nhà xây dựng nên định hướng như thế nào trong thời đại mới này.

Loại hình tác nhân

Tác nhân có giá trị chức năng (Functionally Valuable Agents)

Các tác nhân này có khả năng tạo ra giá trị hoặc kết quả thực tế.

• (1a) Tác nhân DeFAI

• (1b) Tác nhân thị trường dự đoán (Prediction Market Agents, PMAs)

• (1c) Tác nhân sử dụng máy tính (Computer Use Agents, CUAs)

Tác nhân DeFAI

Các tác nhân này có thể thực hiện giao dịch, khai thác lợi nhuận (Yield Farming) hoặc cung cấp thanh khoản (LP).

Dự án liên quan: @symphonyio, @almanac, @gizatechxyz

Bạn có thể tìm thấy phần giới thiệu toàn diện về DeFAI tại bài đăng dưới đây: Xem bài gốc

Tác nhân thị trường dự đoán (PMAs)

Các tác nhân này tham gia vào thị trường dự đoán, có thể là tác nhân chuyên biệt theo lĩnh vực (ví dụ như bóng đá), hoặc tác nhân tổng quát.

Tôi thiên về các tác nhân chuyên biệt theo lĩnh vực dựa trên mô hình ngôn ngữ nhỏ (SLM), vì chúng yêu cầu ít tài nguyên tính toán hơn.

Dự án liên quan: @sire_agent, @BillyBets_ai

Vai trò của mã hóa đối với DeFAI và PMAs

Mã hóa đóng một vài vai trò sau:

• Phương tiện trao đổi

• Thực thi lập trình được

• Lưu trữ giao dịch không thể thay đổi

Tác nhân sử dụng máy tính (CUAs)

Loại tác nhân này có thể điều khiển màn hình của bạn để hoàn thành nhiệm vụ, ví dụ như sử dụng Excel để tạo bảng dòng tiền chiết khấu.

Mã hóa có thể đóng vai trò là cơ chế khuyến khích, thưởng cho những người dùng đóng góp dữ liệu chất lượng cao nhằm cải thiện các mô hình này.

Dự án liên quan: @chakra_ai, @getoro_xyz

Xem bài đăng liên quan: Nhấn vào đây

Tác nhân tiến hóa (Evolving Agents)

Tôi hình dung rằng trong tương lai, mỗi người sẽ sở hữu một tác nhân năng suất cá nhân hóa.

Dựa trên thông tin bối cảnh từ các cuộc hội thoại với mô hình ngôn ngữ lớn (LLM), duyệt mạng xã hội và các cuộc nói chuyện hàng ngày, các tác nhân này có thể nghiên cứu và lập kế hoạch theo chế độ môi trường.

Theo thời gian, các tác nhân này sẽ tiến hóa và trở thành chuyên gia trong một số lĩnh vực. @the_nof1 là một phòng thí nghiệm nghiên cứu AI tập trung vào thị trường tài chính, sở hữu 6 tác nhân giao dịch, mỗi tác nhân quản lý 10.000 đô la Mỹ vốn giao dịch. Các mô hình này có tiềm năng phát triển thành các trader lành nghề.

Xem bài đăng liên quan: Nhấn vào đây

Tác nhân đồng hành (Companion Agents)

Trong tương lai, các tác nhân hỗ trợ con người chống lại sự cô đơn sẽ trở nên phổ biến. Khi ngày càng nhiều tương tác chuyển sang thế giới kỹ thuật số, sự tiếp xúc giữa người với người sẽ dần giảm đi.

Dự án liên quan: @Fans3_AI, @ohdotxyz

Cơ sở hạ tầng tác nhân

Thanh toán tác nhân (Agentic Payment)

Các tác nhân có khả năng thanh toán. Để thương mại hóa tác nhân trở thành hiện thực, các tập đoàn công nghệ lớn đã tạo ra các tiêu chuẩn thanh toán tác nhân:

Các yếu tố cốt lõi để phổ cập thanh toán tác nhân:

1. Cơ sở hạ tầng: Được giải quyết bởi các tiêu chuẩn thanh toán tác nhân khác nhau.

2. Nhu cầu: Chúng ta thực sự cần các tác nhân có khả năng thanh toán hay không?

ChatGPT gần đây đã giới thiệu các ứng dụng trên nền tảng của mình, cho phép người dùng trực tiếp xây dựng chức năng bên trong ChatGPT.

Điều này mang lại một bước chuyển đổi mô hình, khi các thao tác sản xuất có thể được thực hiện trực tiếp trên ChatGPT.

Nội dung sau có thể giúp bạn hiểu rõ hơn điều này: Xem bài đăng liên quan

Danh tính và uy tín tác nhân (Agent Identity and Reputation)

Tác nhân là điều không thể tránh khỏi: Hầu hết các nhiệm vụ sẽ được thực hiện thông qua các tác nhân chuyên biệt theo nhiệm vụ.

Chúng ta làm sao biết được tác nhân nào phù hợp và đáng tin cậy?

Hãy tưởng tượng một hệ thống Google Review hoặc PageRank dành riêng cho tác nhân, có thể xếp hạng hiệu suất của tác nhân trong việc thực hiện nhiệm vụ cụ thể và cấp chứng nhận.

Giống như sơ yếu lý lịch, một tác nhân giao dịch có điểm đánh giá 4.6 có thể được "tuyển dụng" bởi một quỹ phòng hộ.

Quỹ Ethereum đã bắt đầu xây dựng cơ sở hạ tầng hỗ trợ chức năng này – ERC-8004.

Thông qua ERC-8004, các tác nhân có thể tương tác lẫn nhau, ví dụ như chuyển tiền từ tác nhân A sang tác nhân B.

Xem bài đăng liên quan: Nhấn vào đây

Hệ thống đa tác nhân (Multi-Agent System)

So sánh với F1:

• Mục tiêu: Thay lốp xe

• Tác nhân chính: Tài xế cần thay lốp

• Tác nhân thực hiện: Thợ máy chịu trách nhiệm thay lốp

Khái niệm này gồm một tác nhân điều phối và nhiều tác nhân thực hiện có thể chạy song song để hoàn thành nhiệm vụ.

Phù hợp nhất để chạy trên nền tảng @monad, nổi tiếng với chức năng xử lý song song, có thể hoàn tất toàn bộ quy trình làm việc trong một khối duy nhất (0.4 giây).

Mạng ong tác nhân xã hội (Social Agent Hivemesh)

Tôi hình dung một tương lai mà mỗi người đều sở hữu một bản sao kỹ thuật số (digital twin) của chính mình.

Tồn tại một cơ sở hạ tầng cho phép các bản sao kỹ thuật số này kết nối, trao đổi kiến thức và giao dịch với nhau.

Các tương tác của bản sao kỹ thuật số được lưu trữ trên blockchain, từ đó tạo ra đồ thị xã hội tác nhân (Agent Social Graph).

Xem bài đăng liên quan: Nhấn vào đây

Các tương tác tác nhân không thể hoàn toàn ngẫu nhiên. Đây chính là lý do các mạng khám phá (Discovery Networks) như @indexnetwork_ trở thành cơ sở hạ tầng then chốt, bằng cách thu thập bối cảnh đặc thù của người dùng để kết nối với ý định của họ.

Robot

Ngành robot đang tăng trưởng nhanh chóng, đã huy động được 6 tỷ đô la Mỹ vốn đầu tư trong giai đoạn từ tháng 1 đến tháng 7 năm 2025.

Phần này sẽ phân tích ba trụ cột cốt lõi và làm rõ vai trò của blockchain.

Trước khi đi sâu vào phần này, hãy xem hướng dẫn nhập môn về công nghệ robot tại đây.

Dữ liệu robot (Robotics Data)

So với mô hình ngôn ngữ lớn (LLM), lượng dữ liệu dùng để huấn luyện mô hình robot còn rất nhỏ.

Lý do là vì việc thu thập dữ liệu trong thế giới thực đòi hỏi nhiều công sức và chi phí cao hơn (như lắp đặt camera và vận hành thiết bị từ xa).

Các loại dữ liệu robot bao gồm:

• Video

• Vận hành từ xa

• Chụp chuyển động

• Góc nhìn thứ nhất (POV)

• Dữ liệu mô phỏng/tổng hợp

Một trong những phức tạp chính của việc thu thập dữ liệu AI vật lý là yêu cầu về sự đa dạng.

Một robot hình người được huấn luyện trong môi trường cụ thể có thể không hiểu được môi trường mới (ví dụ như môi trường ánh sáng yếu).

Mã hóa là cơ chế tuyệt vời để khuyến khích cá nhân đóng góp dữ liệu thực tế, có thể ghi lại được các môi trường cực kỳ đa dạng.

Dự án liên quan: @PrismaXai, @MeckaAI, @silencioNetwork, @rayvo_xyz, @VaderResearch, @BitRobotNetwork, @AukiNetwork

Mô hình robot (Robotics Model)

@PrimeIntellect là ví dụ tiên phong trong huấn luyện mô hình phi tập trung.

Việc tận dụng mã hóa để thưởng cho đóng góp dựa trên nguồn dữ liệu có thể xây dựng một mô hình robot vượt trội về hiệu suất.

Dự án liên quan: @OpenMind, KineFlow

Phần cứng (Hardware)

Một trong những điểm nghẽn chính của công nghệ robot là độ trễ trong việc tinh chỉnh mô hình robot.

Vấn đề này đặc biệt nghiêm trọng khi các phòng thí nghiệm nghiên cứu thiếu phần cứng cần thiết (như cánh tay robot, robot hình người...) để thử nghiệm mô hình và thu thập dữ liệu tinh chỉnh.

Có thể xây dựng một mạng lưới robot DePIN (mạng cơ sở hạ tầng vật lý phi tập trung), cho phép cá nhân hoặc phòng thí nghiệm nghiên cứu cho thuê phần cứng robot để kiểm thử mô hình.

Lớp tài chính hóa này mở ra khả năng tiếp cận phần cứng cho các nhà nghiên cứu, đồng thời tạo ra nguồn thu nhập ổn định (từ tiền thuê) cho người cung cấp phần cứng.

Kết luận

Tương lai của mã hóa, AI và công nghệ robot vô cùng tươi sáng.

Nếu bạn đang xây dựng bất kỳ dự án thú vị nào trong lĩnh vực này, hãy liên hệ với tôi để thảo luận về khả năng triển khai trên @monad!

Toàn bộ quan điểm có thể được tìm thấy tại đây.