AI+Web3: Tòa tháp và Quảng trường

TL;DR

1. Dự án Web3 với khái niệm AI trở thành mục tiêu thu hút vốn trong thị trường cấp một và cấp hai.

2. Cơ hội của Web3 trong ngành AI thể hiện ở: sử dụng động lực phân phối để phối hợp nguồn cung tiềm năng trong đuôi dài, trên 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 AI Agent.

3. AI chủ yếu được sử dụng trong ngành Web3 cho tài chính trên chuỗi ( thanh toán tiền điện tử, giao dịch, phân tích dữ liệu ) và hỗ trợ phát triển.

4. Tính hữu ích của AI+Web3 thể hiện ở sự bổ sung của cả hai: Web3 hy vọng chống lại sự tập trung của AI, AI hy vọng giúp Web3 vượt ra ngoài ranh giới.

Giới thiệu

Trong hai năm qua, sự phát triển của AI giống như đã được nhấn nút tăng tốc, hiệu ứng cánh bướm do Chatgpt kích thích không chỉ mở ra một thế giới mới của trí tuệ nhân tạo sinh tạo, mà còn tạo ra một làn sóng trong lĩnh vực Web3.

Dưới sự hỗ trợ của khái niệm AI, sự tăng trưởng vốn trong thị trường tiền điện tử đã rõ rệt hơn so với mức giảm chậm lại. Theo thống kê của truyền thông, chỉ trong nửa đầu năm 2024, đã có tổng cộng 64 dự án Web3+AI hoàn thành việc huy động vốn, trong đó hệ điều hành dựa trên trí tuệ nhân tạo Zyber365 đã đạt được mức huy động vốn cao nhất 100 triệu USD trong vòng A.

Thị trường thứ cấp ngày càng sôi động, dữ liệu từ trang web tổng hợp tiền điện tử Coingecko cho thấy, chỉ trong hơn một năm, tổng giá trị thị trường của lĩnh vực AI đã đạt 48,5 tỷ USD, khối lượng giao dịch trong 24 giờ gần 8,6 tỷ USD; sự tiến bộ trong công nghệ AI mang lại lợi ích rõ ràng, sau khi mô hình chuyển văn bản thành video Sora của OpenAI được phát hành, giá trung bình của các cổ phiếu trong lĩnh vực AI đã tăng 151%; hiệu ứng AI cũng đã lan tỏa đến một trong những lĩnh vực hút tiền của tiền điện tử, Meme: MemeCoin GOAT, với khái niệm AI Agent đầu tiên, đã nhanh chóng nổi tiếng và đạt được giá trị 1,4 tỷ USD, thành công trong việc khởi động cơn sốt AI Meme.

Nghiên cứu và chủ đề về AI+Web3 cũng đang rất nóng, từ AI+Depin đến AI Memecoin cho đến hiện tại là AI Agent và AI DAO, tâm lý FOMO đã không còn theo kịp tốc độ xoay vòng của các câu chuyện mới.

AI+Web3, cụm thuật ngữ đầy tiền nóng, cơ hội và ảo tưởng tương lai này, khó tránh khỏi bị coi là một cuộc hôn nhân được vốn đầu tư sắp đặt, chúng ta dường như rất khó phân biệt dưới chiếc áo choàng lộng lẫy này, rốt cuộc đó là sân chơi của những kẻ đầu cơ hay là đêm trước của sự bùng nổ bình minh?

Để trả lời câu hỏi này, một suy nghĩ quan trọng đối với cả hai bên là, liệu có sự hiện diện của bên kia có làm cho mọi thứ tốt hơn không? Liệu có thể hưởng lợi từ mô hình của bên kia không? Trong bài viết này, chúng tôi cũng cố gắng đứng trên vai người đi trước để xem xét bức tranh này: Web3 có thể đóng vai trò như thế nào trong các giai đoạn khác nhau của công nghệ AI, và AI có thể mang lại những sinh khí mới gì cho Web3?

Phần 1 AI có cơ hội gì dưới Web3?

Trước khi mở rộng chủ đề này, chúng ta cần hiểu về công nghệ của mô hình AI lớn:

Diễn đạt toàn bộ quá trình bằng ngôn ngữ dễ hiểu hơn: "Mô hình lớn" giống như bộ não của con người, trong giai đoạn đầu, bộ não này thuộc về một em bé mới sinh, cần quan sát và tiếp nhận khối lượng thông tin khổng lồ từ xung quanh để hiểu thế giới này, đó là giai đoạn "thu thập" dữ liệu; do máy tính không có các giác quan như thị giác, thính giác của con người, trước khi huấn luyện, thông tin khổng lồ không có nhãn từ bên ngoài cần được "tiền xử lý" để chuyển đổi thành định dạng thông tin mà máy tính có thể hiểu và sử dụng.

Sau khi nhập dữ liệu, AI thông qua "huấn luyện" đã xây dựng một mô hình có khả năng hiểu và dự đoán, có thể coi như là quá trình trẻ em dần dần hiểu và học hỏi về thế giới xung quanh. Các tham số của mô hình giống như khả năng ngôn ngữ của trẻ em được điều chỉnh liên tục trong quá trình học tập. Khi nội dung học tập bắt đầu được phân loại, hoặc có phản hồi từ việc giao tiếp với người khác và được điều chỉnh, thì sẽ bước vào giai đoạn "tinh chỉnh" của mô hình lớn.

Trẻ em dần lớn lên và học cách nói, sau đó có thể hiểu ý nghĩa và bày tỏ cảm xúc cũng như suy nghĩ của mình trong những cuộc đối thoại mới. Giai đoạn này tương tự như "suy diễn" của mô hình AI lớn, khi mô hình có khả năng dự đoán và phân tích các đầu vào ngôn ngữ và văn bản mới. Trẻ sơ sinh thể hiện cảm xúc, mô tả các vật thể và giải quyết nhiều vấn đề thông qua khả năng ngôn ngữ, điều này cũng tương tự như việc mô hình AI lớn được áp dụng vào các nhiệm vụ cụ thể trong giai đoạn suy diễn sau khi hoàn thành huấn luyện, chẳng hạn như phân loại hình ảnh, nhận dạng giọng nói, v.v.

AI Agent thì gần gũi hơn với hình thái tiếp theo của mô hình lớn - có khả năng thực hiện nhiệm vụ độc lập và theo đuổi mục tiêu phức tạp, không chỉ có khả năng tư duy mà còn có thể ghi nhớ, lập kế hoạch, và có khả năng sử dụng công cụ để tương tác với thế giới.

Hiện tại, đối với những điểm đau của AI trong các ngăn xếp khác nhau, Web3 hiện đã hình thành một hệ sinh thái đa lớp, kết nối lẫn nhau, bao gồm các giai đoạn khác nhau của quy trình mô hình AI.

Một, Cơ sở hạ tầng: Airbnb về sức mạnh tính toán và dữ liệu

Tính toán

Hiện tại, một trong những chi phí cao nhất của AI là sức mạnh tính toán và năng lượng cần thiết để đào tạo mô hình và mô hình suy diễn.

Một ví dụ là, LLAMA3 của Meta cần 16000 GPU H100 do NVIDIA sản xuất(, đây là một bộ xử lý đồ họa hàng đầu được thiết kế đặc biệt cho trí tuệ nhân tạo và khối lượng công việc tính toán hiệu suất cao.) Cần 30 ngày để hoàn thành đào tạo. Giá đơn vị của phiên bản 80GB dao động từ 30,000 đến 40,000 đô la, điều này cần đầu tư phần cứng tính toán từ 4-7 triệu đô la( GPU + chip mạng), trong khi đó, việc đào tạo hàng tháng cần tiêu thụ 1.6 tỷ kilowatt giờ, chi phí năng lượng hàng tháng gần 20 triệu đô la.

Đối với việc giải nén sức mạnh AI, đây cũng chính là lĩnh vực đầu tiên mà Web3 giao thoa với AI - DePin( mạng lưới cơ sở hạ tầng vật lý phi tập trung) hiện tại, trang dữ liệu DePin Ninja đã trưng bày hơn 1400 dự án, trong đó các dự án đại diện cho việc chia sẻ sức mạnh GPU bao gồm io.net, Aethir, Akash, Render Network và nhiều dự án khác.

Logic chính của nó là: nền tảng cho phép các cá nhân hoặc thực thể sở hữu tài nguyên GPU nhàn rỗi đóng góp sức mạnh tính toán của họ theo cách phi tập trung không cần xin phép, thông qua một thị trường trực tuyến cho người mua và người bán tương tự như Uber hoặc Airbnb, nâng cao tỷ lệ sử dụng tài nguyên GPU chưa được khai thác hết. Người dùng cuối cũng từ đó nhận được nguồn tính toán hiệu quả với chi phí thấp hơn; đồng thời, cơ chế đặt cọc cũng đảm bảo rằng nếu có vi phạm cơ chế kiểm soát chất lượng hoặc ngắt kết nối mạng, nhà cung cấp tài nguyên sẽ bị xử phạt tương ứng.

Điều đặc trưng ở đây là:

• Tập trung tài nguyên GPU nhàn rỗi: Các nhà cung cấp chủ yếu là các trung tâm dữ liệu độc lập vừa và nhỏ, các nhà điều hành mỏ tiền điện tử, v.v. với tài nguyên tính toán dư thừa, cơ chế đồng thuận là phần cứng khai thác PoS, như máy khai thác FileCoin và ETH. Hiện tại cũng có các dự án tập trung vào việc khởi động các thiết bị có ngưỡng tham gia thấp hơn, như exolab sử dụng MacBook, iPhone, iPad và các thiết bị địa phương khác để xây dựng mạng lưới tính toán cho việc suy diễn mô hình lớn.

• Đối mặt với thị trường đuôi dài của sức mạnh tính toán AI:

a. "Về mặt kỹ thuật" thì thị trường sức mạnh tính toán phi tập trung phù hợp hơn với các bước suy luận. Việc đào tạo phụ thuộc nhiều hơn vào khả năng xử lý dữ liệu do GPU quy mô siêu lớn mang lại, trong khi suy luận yêu cầu hiệu suất tính toán GPU tương đối thấp, như Aethir tập trung vào công việc kết xuất độ trễ thấp và ứng dụng suy luận AI.

b. "Về phía nhu cầu" thì các bên có sức mạnh tính toán nhỏ sẽ không tự đào tạo mô hình lớn của riêng họ, mà chỉ chọn tối ưu hóa và điều chỉnh xung quanh một số mô hình lớn hàng đầu, và những tình huống này đều rất phù hợp với việc sử dụng tài nguyên tính toán nhàn rỗi phân tán.

• Quyền sở hữu phi tập trung: Ý nghĩa công nghệ của blockchain là chủ sở hữu tài nguyên luôn giữ quyền kiểm soát đối với tài nguyên, linh hoạt điều chỉnh theo nhu cầu và đồng thời thu được lợi nhuận.

Dữ liệu

Dữ liệu là nền tảng của AI. Nếu không có dữ liệu, tính toán giống như bèo trôi, hoàn toàn vô dụng, và mối quan hệ giữa dữ liệu và mô hình giống như câu ngạn ngữ "Garbage in, Garbage out", số lượng dữ liệu và chất lượng đầu vào quyết định chất lượng đầu ra cuối cùng của mô hình. Đối với việc huấn luyện mô hình AI hiện nay, dữ liệu quyết định khả năng ngôn ngữ, khả năng hiểu biết, thậm chí cả giá trị quan và biểu hiện nhân văn của mô hình. Hiện tại, khó khăn về nhu cầu dữ liệu của AI chủ yếu tập trung vào bốn khía cạnh sau:

• Cơn khát dữ liệu: Đào tạo mô hình AI phụ thuộc vào việc nhập dữ liệu khổng lồ. Tài liệu công khai cho thấy, OpenAI đã đào tạo GPT-4 với số lượng tham số lên đến hàng nghìn tỷ.

• Chất lượng dữ liệu: Khi AI kết hợp với các ngành công nghiệp, tính kịp thời của dữ liệu, tính đa dạng của dữ liệu, tính chuyên môn của dữ liệu theo lĩnh vực, và việc tiếp nhận các nguồn dữ liệu mới nổi như cảm xúc trên mạng xã hội cũng đặt ra những yêu cầu mới đối với chất lượng của nó.

• Vấn đề về quyền riêng tư và tuân thủ: Hiện nay, các quốc gia và doanh nghiệp đang dần nhận ra tầm quan trọng của các tập dữ liệu chất lượng, và đang áp dụng các hạn chế đối với việc thu thập dữ liệu.

• Chi phí xử lý dữ liệu cao: Khối lượng dữ liệu lớn, quy trình xử lý phức tạp. Tài liệu công khai cho thấy, hơn 30% chi phí nghiên cứu và phát triển của các công ty AI được sử dụng cho việc thu thập và xử lý dữ liệu cơ bản.

Hiện nay, giải pháp web3 được thể hiện qua bốn khía cạnh sau:

1. Thu thập dữ liệu: Việc cung cấp dữ liệu từ thế giới thực miễn phí đang nhanh chóng cạn kiệt, chi phí mà các công ty AI phải trả cho dữ liệu đang gia tăng từng năm. Nhưng trong khi đó, chi phí này không được trả lại cho những người thực sự đóng góp dữ liệu, mà các nền tảng hoàn toàn hưởng thụ giá trị mà dữ liệu mang lại, chẳng hạn như một nền tảng đã đạt được doanh thu tổng cộng 2.03 triệu đô la Mỹ thông qua các thỏa thuận cấp phép dữ liệu với các công ty AI.

Để những người dùng thực sự đóng góp cũng tham gia vào việc tạo ra giá trị từ dữ liệu, cũng như thông qua mạng lưới phân tán và cơ chế khuyến khích, thu thập dữ liệu của người dùng một cách riêng tư hơn và có giá trị hơn với chi phí thấp, đó là tầm nhìn của Web3.

• Grass là một lớp dữ liệu và mạng phi tập trung, người dùng có thể chạy nút Grass, đóng góp băng thông nhàn rỗi và lưu lượng trung gian để thu thập dữ liệu thời gian thực từ toàn bộ internet, và nhận phần thưởng bằng token;

• Vana đã giới thiệu một khái niệm độc đáo về bể thanh khoản dữ liệu (DLP), người dùng có thể tải lên dữ liệu cá nhân của họ ( như lịch sử mua sắm, thói quen duyệt web, hoạt động trên mạng xã hội, v.v. ) vào DLP cụ thể và linh hoạt chọn xem có cho phép bên thứ ba cụ thể sử dụng những dữ liệu này hay không;

• Trong PublicAI, người dùng có thể sử dụng #AI或#Web3 làm nhãn phân loại trên nền tảng mạng xã hội và @PublicAI để thu thập dữ liệu.

2. Xử lý dữ liệu: Trong quá trình xử lý dữ liệu của AI, do dữ liệu thu thập thường bị nhiễu và chứa lỗi, nên trước khi huấn luyện mô hình, cần phải làm sạch và chuyển đổi chúng thành định dạng có thể sử dụng, bao gồm các nhiệm vụ chuẩn hóa, lọc và xử lý giá trị bị thiếu. Giai đoạn này là một trong số ít các công đoạn thủ công trong ngành AI, đã phát sinh ra ngành nghề người gán nhãn dữ liệu. Khi yêu cầu về chất lượng dữ liệu của mô hình tăng lên, tiêu chuẩn cho người gán nhãn dữ liệu cũng theo đó mà được nâng cao, và nhiệm vụ này tự nhiên phù hợp với cơ chế khuyến khích phi tập trung của Web3.

• Hiện tại, Grass và OpenLayer đều đang xem xét việc tham gia vào giai đoạn quan trọng này là gán nhãn dữ liệu.

• Synesis đề xuất khái niệm "Train2earn", nhấn mạnh vào chất lượng dữ liệu, người dùng có thể nhận được phần thưởng bằng cách cung cấp dữ liệu được gán nhãn, chú thích hoặc các hình thức đầu vào khác.

• Dự án gán nhãn dữ liệu Sapien biến các nhiệm vụ gán nhãn thành trò chơi, và cho phép người dùng staking điểm để kiếm thêm điểm.

3、Bảo mật và an toàn dữ liệu: Cần làm rõ rằng, bảo mật dữ liệu và an toàn dữ liệu là hai khái niệm khác nhau. Bảo mật dữ liệu liên quan đến việc xử lý dữ liệu nhạy cảm, trong khi an toàn dữ liệu bảo vệ thông tin khỏi việc truy cập, phá hủy và đánh cắp trái phép. Do đó, lợi thế của công nghệ bảo mật Web3 và các ứng dụng tiềm năng được thể hiện ở hai khía cạnh: (1) đào tạo dữ liệu nhạy cảm; (2) hợp tác dữ liệu: Nhiều chủ sở hữu dữ liệu có thể cùng tham gia đào tạo AI mà không cần chia sẻ dữ liệu gốc của họ.

Các công nghệ bảo mật phổ biến trong Web3 hiện nay bao gồm:

• Môi trường thực thi đáng tin cậy ( TEE ), chẳng hạn như Super Protocol;

• Mã hóa hoàn toàn đồng hình (FHE), ví dụ như BasedAI, Fhenix.io hoặc Inco Network;

• Công nghệ zero-knowledge (zk), chẳng hạn như giao thức Reclaim sử dụng công nghệ zkTLS, tạo ra bằng chứng zero-knowledge cho lưu lượng HTTPS, cho phép người dùng an toàn nhập hoạt động, danh tiếng và dữ liệu danh tính từ các trang web bên ngoài mà không cần tiết lộ thông tin nhạy cảm.

Tuy nhiên, hiện tại lĩnh vực này vẫn đang ở giai đoạn đầu, phần lớn các dự án vẫn đang trong quá trình khám phá, một trong những khó khăn hiện tại là chi phí tính toán quá cao, một số ví dụ là:

• Khung zkML EZKL cần khoảng 80 phút để tạo ra một chứng minh cho mô hình 1M-nanoGPT.

• Theo dữ liệu của Modulus Labs, chi phí của zkML cao hơn 1000 lần so với tính toán thuần túy.

4. Lưu trữ dữ liệu: Sau khi có dữ liệu, cần một nơi để lưu trữ dữ liệu trên chuỗi, cũng như LLM được tạo ra từ dữ liệu đó. Với vấn đề khả dụng của dữ liệu (DA) là trung tâm, trước khi nâng cấp Danksharding của Ethereum, thông lượng của nó là 0.08MB. Trong khi đó, việc đào tạo mô hình AI và suy diễn thời gian thực thường yêu cầu thông lượng dữ liệu từ 50 đến 100GB mỗi giây. Sự chênh lệch về quy mô này, khiến cho chuỗi hiện tại...