Làm cách nào để The Graph có thể mở rộng quy mô thành cơ sở hạ tầng Web3 được hỗ trợ bởi AI?

Tác giả: LINDABELL Nguồn: ChainFeeds 

Vào năm 2022, OpenAI đã ra mắt ChatGPT dựa trên mô hình GPT-3.5 , kể từ đó đã tung ra làn sóng tường thuật AI. Tuy nhiên, mặc dù ChatGPT có thể xử lý vấn đề một cách hiệu quả trong hầu hết các trường hợp nhưng hiệu suất của nó vẫn có thể bị hạn chế khi cần có kiến ​​thức về miền cụ thể hoặc dữ liệu thời gian thực. Ví dụ: khi được hỏi về lịch sử giao dịch token của Vitalik Buterin trong 18 tháng qua, họ không thể cung cấp thông tin chi tiết và đáng tin cậy. Để đạt được mục tiêu này,Nhóm phát triển cốt lõi của Graph là Semiotic Labs đã kết hợp nhóm phần mềm chỉ mục Graph và OpenAI để khởi động dự án Agentc, dự án có thể cung cấp cho người dùng các dịch vụ phân tích xu hướng thị trường tiền điện tử và truy vấn dữ liệu giao dịch.

Để hỗ trợ mục tiêu này, Semiotic Labs cũng sẽ mở cơ sở mã Agentc, cho phép các nhà phát triển tạo các ứng dụng AI có chức năng tương tự như Agentc, chẳng hạn như đại lý phân tích xu hướng thị trường NFT và đại lý trợ lý giao dịch DeFi.

Lộ trình AI phi tập trung của Graph

Ra mắt vào năm Tháng 7 năm 2018, The Graph là một giao thức phi tập trung để lập chỉ mục và truy vấn dữ liệu blockchain. Thông qua giao thức này, các nhà phát triển có thể sử dụng các API mở để tạo và xuất bản các chỉ mục dữ liệu được gọi là biểu đồ con, cho phép các ứng dụng truy xuất dữ liệu trên chuỗi một cách hiệu quả. Cho đến nay, The Graph đã hỗ trợ hơn 50 chuỗi, lưu trữ hơn 75.000 dự án và xử lý hơn 1,26 nghìn tỷ truy vấn.

Graph có thể xử lý lượng dữ liệu khổng lồ như vậy mà không cần sự hỗ trợ của nhóm nòng cốt đằng sau nó, bao gồm Edge & và Pinax. Trong số đó, Streamingfast chủ yếu cung cấp công nghệ kiến ​​trúc chuỗi chéo cho luồng dữ liệu blockchain, trong khi Semiotic AI tập trung vào việc áp dụng AI và mật mã cho The Graph. Guild, GraphOps, Messari và Pinax đều tập trung vào các lĩnh vực như phát triển GraphQL, dịch vụ lập chỉ mục, phát triển đồ thị con và giải pháp luồng dữ liệu.

p>

AI bố cục đồ thị không phải là một ý tưởng mới. Trở lại tháng 3 năm ngoái, The Graph Blog đã xuất bản một bài viết phác thảo tiềm năng tận dụng khả năng lập chỉ mục dữ liệu của mình cho các ứng dụng trí tuệ nhân tạo. Vào tháng 12 năm ngoái, The Graph đã đưa ra lộ trình mới mang tên "Kỷ nguyên mới", dự định bổ sung các truy vấn được hỗ trợ bởi AI cho các mô hình ngôn ngữ lớn. Lộ trình AI của nó đã trở nên rõ ràng hơn với việc phát hành sách trắng gần đây. Hai dịch vụ AI được giới thiệu trong sách trắng: Suy luận và Dịch vụ tác nhân, cho phép các nhà phát triển tích hợp trực tiếp các chức năng AI vào giao diện người dùng của ứng dụng. Toàn bộ quá trình được hỗ trợ bởi The Graph.

Dịch vụ suy luận: Hỗ trợ nhiều mô hình AI nguồn mở

Trong suy luận truyền thống Trong dịch vụ, mô hình dự đoán dữ liệu đầu vào thông qua tài nguyên điện toán đám mây tập trung. Ví dụ: khi bạn hỏi ChatGPT một câu hỏi, ChatGPT sẽ suy luận và trả lời. Tuy nhiên, cách tiếp cận tập trung này không chỉ làm tăng chi phí mà còn tạo ra rủi ro kiểm duyệt. Graph hy vọng sẽ giải quyết vấn đề này bằng cách xây dựng thị trường lưu trữ mô hình phi tập trung, cho phép các nhà phát triển dApp linh hoạt hơn khi triển khai và lưu trữ các mô hình AI.

Graph đưa ra một ví dụ trong sách trắng về cách nó tạo ra một ứng dụng nhằm giúp người dùng Farcaster hiểu liệu bài đăng của họ có nhận được nhiều lượt thích hay không. Đầu tiên, hãy sử dụng dịch vụ dữ liệu biểu đồ con của The Graph để lập chỉ mục số lượng bình luận và lượt thích trên các bài đăng của Farcaster. Tiếp theo, mạng nơ-ron được huấn luyện để dự đoán liệu một bình luận Farcaster mới có được thích hay không và mạng nơ-ron được triển khai vào dịch vụ suy luận của The Graph. Kết quả là dApp được phát triển để giúp người dùng viết các bài đăng nhận được nhiều lượt thích hơn.

Cách tiếp cận này cho phép các nhà phát triển dễ dàng tận dụng cơ sở hạ tầng của The Graph, lưu trữ các mô hình được đào tạo trước trên mạng The Graph và sử dụng chúng thông qua API. Giao diện được tích hợp vào ứng dụng để người dùng có thể trực tiếp trải nghiệm các chức năng này khi sử dụng dApp.

Để cung cấp cho các nhà phát triển nhiều sự lựa chọn và tính linh hoạt hơn, Dịch vụ suy luận của The Graph hỗ trợ hầu hết các mô hình phổ biến hiện có. Nó viết trong sách trắng, "Trong giai đoạn MVP, Dịch vụ suy luận của Graph sẽ hỗ trợ một tập hợp các mô hình AI nguồn mở phổ biến được chọn lọc, bao gồm Khuếch tán ổn định, Khuếch tán video ổn định, LLaMA, Mixtral, Grok, Whisper, v.v." Trong tương lai, bất kỳ mô hình mở nào đã trải qua đầy đủ các hoạt động thử nghiệm và lập chỉ mục đều có thể được triển khai trong Dịch vụ suy luận đồ thị. Hơn nữa, để giảm bớt sự phức tạp về mặt kỹ thuật khi triển khai các mô hình AI, The Graph cung cấp giao diện thân thiện với người dùng giúp đơn giản hóa toàn bộ quy trình, cho phép các nhà phát triển dễ dàng tải lên và quản lý các mô hình AI của họ mà không phải lo lắng về việc bảo trì cơ sở hạ tầng.

Để nâng cao hơn nữa hiệu suất của mô hình trong các tình huống ứng dụng cụ thể, The Graph cũng hỗ trợ tinh chỉnh mô hình cho các tập dữ liệu cụ thể. Nhưng điều quan trọng cần lưu ý là việc tinh chỉnh thường không được thực hiện trên Biểu đồ. Các nhà phát triển cần tinh chỉnh các mô hình từ bên ngoài rồi triển khai chúng bằng dịch vụ suy luận của The Graph. Để khuyến khích các nhà phát triển công khai các mô hình đã tinh chỉnh, The Graph đang phát triển các biện pháp khuyến khích như phân bổ phí truy vấn giữa người tạo mô hình và người lập chỉ mục cung cấp mô hình.

Về mặt xác minh việc thực hiện các nhiệm vụ lý luận, The Graph cung cấp nhiều phương pháp khác nhau, chẳng hạn như thẩm quyền đáng tin cậy, đồng thuận M-of-N, bằng chứng gian lận tương tác và zk -SNARK. Mỗi phương pháp trong số bốn phương pháp này đều có những ưu điểm và nhược điểm riêng, trong đó cơ quan đáng tin cậy dựa vào các thực thể đáng tin cậy; mạnh mẽ hơn nhưng không phù hợp với các ứng dụng yêu cầu phản hồi nhanh; trong khi zk-SNARK phức tạp hơn trong việc triển khai kỹ thuật và không phù hợp với các mô hình lớn.

The Graph tin rằng các nhà phát triển và người dùng phải có quyền lựa chọn mức độ bảo mật phù hợp dựa trên nhu cầu của họ. Do đó, The Graph có kế hoạch hỗ trợ nhiều phương pháp xác minh trong dịch vụ suy luận của mình để thích ứng với các yêu cầu bảo mật và tình huống ứng dụng khác nhau. Ví dụ: khi có liên quan đến các giao dịch tài chính hoặc logic kinh doanh quan trọng, có thể cần phải sử dụng các phương pháp xác minh bảo mật cao hơn, chẳng hạn như đồng thuận zk-SNARK hoặc M-of-N. Đối với một số ứng dụng có rủi ro thấp hoặc hướng đến giải trí, bạn có thể chọn các phương pháp xác minh có chi phí thấp hơn, dễ triển khai hơn, chẳng hạn như các cơ quan đáng tin cậy hoặc bằng chứng gian lận tương tác. Ngoài ra, The Graph có kế hoạch khám phá các công nghệ nâng cao quyền riêng tư để cải thiện các vấn đề về quyền riêng tư của người dùng và mô hình.

Dịch vụ đại lý: Giúp nhà phát triển xây dựng các ứng dụng độc lập dựa trên AI

So với Dịch vụ suy luận chủ yếu chạy các mô hình AI đã được đào tạo để suy luận. Dịch vụ tác nhân phức tạp hơn và yêu cầu nhiều thành phần hoạt động cùng nhau để các Tác nhân này có thể thực hiện một loạt nhiệm vụ phức tạp và tự động. Tuyên bố giá trị của Dịch vụ đại lý của Graph là việc xây dựng, lưu trữ và thực thi Đại lý đều được tích hợp vào The Graph và được phục vụ bởi mạng lưới những người lập chỉ mục.

Đặc biệt, The Graph sẽ cung cấp một mạng lưới phi tập trung để hỗ trợ việc xây dựng và lưu trữ các Đại lý. Khi Tác nhân được triển khai trên mạng Đồ thị, Trình lập chỉ mục Đồ thị sẽ cung cấp hỗ trợ thực thi cần thiết, bao gồm lập chỉ mục dữ liệu, phản hồi các sự kiện trên chuỗi và các yêu cầu tương tác khác.

p>

Như đã đề cập ở trên, nhóm phát triển cốt lõi của Graph là Semiotic Labs đã ra mắt một sản phẩm thử nghiệm Tác nhân đầu tiên Agentc, kết hợp ngăn xếp phần mềm lập chỉ mục của Graph và OpenAI, sản phẩm chính của nó. Chức năng của nó là chuyển đổi đầu vào ngôn ngữ tự nhiên thành truy vấn SQL, cho phép người dùng truy vấn trực tiếp dữ liệu thời gian thực trên blockchain và trình bày kết quả truy vấn cho người dùng ở dạng dễ hiểu. Nói một cách đơn giản, Agentc tập trung vào việc cung cấp cho người dùng khả năng phân tích xu hướng thị trường tiền điện tử và truy vấn dữ liệu giao dịch một cách thuận tiện. Tất cả dữ liệu của nó đều đến từ Uniswap V2, Uniswap V3, Uniswap X và các nhánh của họ trên Ethereum và giá được cập nhật hàng giờ.

p>

Ngoài ra, The Graph cũng cho biết độ chính xác của mô hình LLM mà The Graph sử dụng chỉ đạt 63,41% nên xảy ra vấn đề phản hồi sai. Để giải quyết vấn đề này, The Graph đang phát triển một mô hình ngôn ngữ lớn mới có tên là KGLLM (Mô hình ngôn ngữ lớn hỗ trợ Đồ thị tri thức).

KGLLM có thể giảm đáng kể khả năng tạo ra thông tin sai sót bằng cách sử dụng dữ liệu biểu đồ tri thức có cấu trúc do Geo cung cấp. Mọi khiếu nại trong hệ thống Geo đều được hỗ trợ bởi dấu thời gian trên chuỗi và xác minh phiếu bầu. Sau khi tích hợp biểu đồ tri thức của Geo, các đại lý có thể được áp dụng cho nhiều tình huống khác nhau, bao gồm các quy định y tế, phát triển chính trị, phân tích thị trường, v.v., từ đó cải thiện tính đa dạng và độ chính xác của dịch vụ đại lý. Ví dụ: KGLLM có thể tận dụng dữ liệu chính trị để đưa ra các đề xuất thay đổi chính sách cho các tổ chức tự trị phi tập trung (DAO), đảm bảo chúng dựa trên thông tin hiện tại và chính xác.

Ưu điểm của KGLLM còn bao gồm:

• Cách sử dụng có cấu trúc dữ liệu: KGLLM sử dụng cơ sở kiến ​​thức bên ngoài có cấu trúc. Thông tin được mô hình hóa bằng đồ họa trong biểu đồ tri thức, giúp mối quan hệ giữa dữ liệu trở nên rõ ràng trong nháy mắt, do đó việc truy vấn và hiểu dữ liệu trở nên trực quan hơn;

• Khả năng xử lý dữ liệu quan hệ: KGLLM đặc biệt phù hợp để xử lý dữ liệu quan hệ. Ví dụ: nó có thể hiểu được mối quan hệ giữa con người với nhau, mối quan hệ giữa con người với sự kiện, v.v. Và nó sử dụng thuật toán truyền tải biểu đồ để tìm thông tin liên quan bằng cách nhảy nhiều nút trong biểu đồ tri thức (tương tự như di chuyển trên bản đồ). Bằng cách này, KGLLM có thể tìm thấy thông tin phù hợp nhất để trả lời câu hỏi;

• Truy xuất và tạo thông tin hiệu quả: Thông qua thuật toán truyền tải đồ thị, các mối quan hệ được KGLLM trích xuất được chuyển đổi thành các lời nhắc mà mô hình có thể hiểu được bằng ngôn ngữ tự nhiên. Thông qua các hướng dẫn rõ ràng này, mô hình KGLLM có thể tạo ra các câu trả lời chính xác và phù hợp hơn.

Outlook

Biểu đồ là "Google của Web3 ”, sử dụng những lợi thế của mình để bù đắp vấn đề thiếu hụt dữ liệu của các dịch vụ AI hiện tại và đơn giản hóa quy trình phát triển dự án của các nhà phát triển bằng cách giới thiệu các dịch vụ AI. Khi nhiều ứng dụng AI được phát triển và sử dụng, trải nghiệm người dùng dự kiến ​​sẽ được cải thiện hơn nữa. Trong tương lai, nhóm phát triển The Graph sẽ tiếp tục khám phá khả năng kết hợp trí tuệ nhân tạo với Web3. Ngoài ra, các nhóm khác trong hệ sinh thái của nó, chẳng hạn như Playgrounds Analytics và DappLooker, cũng đang thiết kế các giải pháp liên quan đến dịch vụ proxy.