Phân tích chuyên sâu: AI và Web3 có thể va chạm với những tia lửa nào?

Giới thiệu: Phát triển AI+Web3

Trong vài năm qua, sự phát triển nhanh chóng của trí tuệ nhân tạo (AI) và công nghệ Web3 đã thu hút sự chú ý rộng rãi trên toàn thế giới. Là công nghệ mô phỏng và mô phỏng trí tuệ con người, AI đã có những bước đột phá lớn trong các lĩnh vực như nhận diện khuôn mặt, xử lý ngôn ngữ tự nhiên và học máy. Sự phát triển nhanh chóng của công nghệ AI đã mang lại những thay đổi và đổi mới to lớn cho mọi tầng lớp xã hội.

Quy mô thị trường của ngành AI sẽ đạt 200 tỷ USD vào năm 2023. Những gã khổng lồ trong ngành và những công ty xuất sắc như OpenAI, Character.AI và Midjourney có nổi lên dẫn đầu cơn sốt AI.

Đồng thời, Web3, với tư cách là một mô hình mạng mới nổi, đang dần thay đổi cách chúng ta hiểu và sử dụng Internet. Web3 dựa trên công nghệ blockchain phi tập trung và thực hiện việc chia sẻ và kiểm soát dữ liệu, quyền tự chủ của người dùng và thiết lập cơ chế tin cậy thông qua các chức năng như hợp đồng thông minh, lưu trữ phân tán và xác minh danh tính phi tập trung. Khái niệm cốt lõi của Web3 là giải phóng dữ liệu khỏi tay các cơ quan tập trung và cung cấp cho người dùng quyền kiểm soát dữ liệu cũng như quyền chia sẻ giá trị của dữ liệu.

Giá trị thị trường hiện tại của ngành Web3 đã đạt 25 nghìn tỷ, cho dù đó là Bitcoin, Ethereum, Solana hay những người chơi như Uniswap và Stepn ở lớp ứng dụng, những câu chuyện và kịch bản mới Chúng cũng lần lượt xuất hiện, thu hút ngày càng nhiều người tham gia vào ngành Web3.

Có thể dễ dàng nhận thấy rằng sự kết hợp giữa AI và Web3 là một lĩnh vực mà các nhà xây dựng và VC ở phương Đông và phương Tây đang rất chú ý đến. hai cái giếng là một câu hỏi rất đáng để khám phá.

Bài viết này sẽ tập trung vào hiện trạng phát triển của AI+Web3 và khám phá giá trị cũng như tác động tiềm tàng mà sự tích hợp này mang lại. Trước tiên, chúng tôi sẽ giới thiệu các khái niệm và đặc điểm cơ bản của AI và Web3, sau đó khám phá mối quan hệ qua lại giữa chúng. Sau đó, chúng tôi sẽ phân tích hiện trạng của các dự án AI+Web3 và thảo luận sâu về những hạn chế và thách thức mà chúng gặp phải. Thông qua nghiên cứu như vậy, chúng tôi hy vọng sẽ cung cấp những tài liệu tham khảo và hiểu biết có giá trị cho các nhà đầu tư và những người hành nghề trong các ngành liên quan.

Cách AI tương tác với Web3

AI và Web3 Sự phát triển của AI giống như hai mặt của một sự cân bằng đã mang lại sự cải thiện về năng suất, trong khi Web3 lại mang lại những thay đổi trong quan hệ sản xuất. Vậy AI và Web3 có thể va chạm với những tia lửa nào? Tiếp theo, trước tiên chúng ta sẽ phân tích những khó khăn và khả năng cải tiến mà ngành AI và Web3 gặp phải, sau đó thảo luận về cách nhau có thể giúp giải quyết những khó khăn này.

1. Những khó khăn mà ngành công nghiệp AI phải đối mặt và tiềm năng cải tiến

   < /li>< li>

   Những khó khăn mà ngành Web3 phải đối mặt và tiềm năng cải tiến

< strong>2.1 Những vấn đề nan giải mà ngành công nghiệp AI phải đối mặt

Để khám phá những khó khăn mà ngành công nghiệp AI phải đối mặt, trước tiên chúng ta hãy nhìn vào bản chất của ngành công nghiệp AI. Cốt lõi của ngành AI không thể tách rời khỏi ba yếu tố: sức mạnh tính toán, thuật toán và dữ liệu.

1. Đầu tiên là sức mạnh tính toán: Sức mạnh tính toán đề cập đến khả năng thực hiện các phép tính và xử lý trên quy mô lớn. Các tác vụ AI thường yêu cầu xử lý lượng lớn dữ liệu và thực hiện các phép tính phức tạp, chẳng hạn như đào tạo các mô hình mạng lưới thần kinh sâu. Sức mạnh tính toán cường độ cao có thể đẩy nhanh quá trình đào tạo và suy luận mô hình, đồng thời cải thiện hiệu suất và hiệu quả của hệ thống AI. Trong những năm gần đây, với sự phát triển của công nghệ phần cứng, như bộ xử lý đồ họa (GPU) và chip AI chuyên dụng (như TPU), những cải tiến về sức mạnh tính toán đã đóng vai trò quan trọng trong việc thúc đẩy sự phát triển của ngành AI. Nvidia, có cổ phiếu tăng vọt trong những năm gần đây, đã chiếm thị phần lớn với tư cách là nhà cung cấp GPU và thu được lợi nhuận cao.

2. Thuật toán là gì: Thuật toán là thành phần cốt lõi của hệ thống AI và chúng được sử dụng để giải quyết vấn đề và các phương pháp toán học, thống kê để đạt được nhiệm vụ. Thuật toán AI có thể được chia thành thuật toán học máy truyền thống và thuật toán học sâu, trong đó thuật toán học sâu đã có những bước đột phá lớn trong những năm gần đây. Việc lựa chọn và thiết kế các thuật toán rất quan trọng đối với hiệu suất và hiệu quả của hệ thống AI. Các thuật toán đổi mới và cải tiến liên tục có thể cải thiện độ chính xác, mạnh mẽ và khả năng khái quát hóa của hệ thống AI. Các thuật toán khác nhau sẽ có tác dụng khác nhau nên việc cải tiến thuật toán cũng rất quan trọng đối với hiệu quả hoàn thành nhiệm vụ.

3. Tại sao dữ liệu lại quan trọng: Nhiệm vụ cốt lõi của hệ thống AI là trích xuất dữ liệu từ dữ liệu thông qua học tập và đào tạo Các mô hình và tính quy luật.

   Dữ liệu là cơ sở để đào tạo và tối ưu hóa mô hình. Thông qua các mẫu dữ liệu quy mô lớn, hệ thống AI có thể học các mô hình thông minh và chính xác hơn. Các bộ dữ liệu phong phú có thể cung cấp thông tin toàn diện và đa dạng hơn, cho phép các mô hình khái quát hóa tốt hơn những dữ liệu chưa được nhìn thấy, giúp hệ thống AI hiểu rõ hơn và giải quyết các vấn đề trong thế giới thực.

Sau khi hiểu rõ 3 yếu tố cốt lõi của AI hiện nay, chúng ta hãy cùng điểm qua những khó khăn, thách thức mà AI gặp phải trong những lĩnh vực này ba khía cạnh. Trước hết, xét về sức mạnh tính toán, các tác vụ AI thường đòi hỏi một lượng lớn tài nguyên máy tính để đào tạo và suy luận mô hình, đặc biệt là đối với các mô hình deep learning. Tuy nhiên, việc có được và quản lý sức mạnh tính toán quy mô lớn là một thách thức phức tạp và tốn kém. Chi phí, mức tiêu thụ năng lượng và bảo trì thiết bị tính toán hiệu năng cao đều là vấn đề. Đặc biệt đối với những người khởi nghiệp và nhà phát triển cá nhân, việc có đủ sức mạnh tính toán có thể khó khăn.

Về mặt thuật toán, mặc dù thuật toán deep learning đã đạt được thành công lớn trong nhiều lĩnh vực nhưng vẫn còn một số vấn đề nan giải và thách thức. Ví dụ: đào tạo mạng lưới thần kinh sâu đòi hỏi lượng lớn dữ liệu và tài nguyên máy tính, đồng thời đối với một số nhiệm vụ, khả năng diễn giải và diễn giải của mô hình có thể không đủ. Ngoài ra, độ mạnh mẽ và khả năng khái quát hóa của thuật toán cũng là những vấn đề quan trọng và hiệu suất của mô hình trên dữ liệu không nhìn thấy được có thể không ổn định. Trong số rất nhiều thuật toán, làm thế nào để tìm ra thuật toán tốt nhất để cung cấp dịch vụ tốt nhất là một quá trình đòi hỏi sự tìm tòi liên tục.

Về mặt dữ liệu, dữ liệu là động lực của AI, nhưng việc có được dữ liệu đa dạng và chất lượng cao vẫn là một thách thức. Dữ liệu ở một số lĩnh vực có thể khó lấy được, chẳng hạn như dữ liệu sức khỏe nhạy cảm trong lĩnh vực y tế. Ngoài ra, chất lượng, độ chính xác và chú thích của dữ liệu cũng là những vấn đề và dữ liệu không đầy đủ hoặc sai lệch có thể dẫn đến hành vi sai lệch hoặc sai lệch trong mô hình. Đồng thời, việc bảo vệ quyền riêng tư và bảo mật dữ liệu cũng là điều quan trọng cần cân nhắc.

Ngoài ra, còn có các vấn đề như khả năng diễn giải và tính minh bạch của các mô hình AI cũng là vấn đề được dư luận quan tâm. Đối với một số ứng dụng, chẳng hạn như tài chính, chăm sóc y tế và tư pháp, quy trình ra quyết định của mô hình cần phải có thể giải thích và theo dõi được, đồng thời các mô hình học sâu hiện tại thường thiếu tính minh bạch. Việc giải thích quá trình ra quyết định của một mô hình và đưa ra những lời giải thích đáng tin cậy vẫn là một thách thức.

Ngoài ra, mô hình kinh doanh của nhiều dự án khởi nghiệp dự án AI còn chưa rõ ràng, điều này cũng khiến nhiều doanh nhân AI cảm thấy bối rối.

2.2 Những khó khăn mà ngành Web3 phải đối mặt

Và trong Web3 Xét về mặt ngành, hiện có rất nhiều khó khăn cần được giải quyết ở các khía cạnh khác nhau. Cho dù đó là phân tích dữ liệu của Web3, trải nghiệm người dùng kém đối với các sản phẩm Web3 hay các vấn đề về lỗ hổng mã hợp đồng thông minh và các cuộc tấn công của hacker. rất nhiều chỗ để cải thiện không gian. Là một công cụ giúp nâng cao năng suất, AI cũng có rất nhiều tiềm năng ở những khía cạnh này.

Đầu tiên là việc cải thiện khả năng phân tích và dự đoán dữ liệu: việc ứng dụng công nghệ AI trong phân tích và dự đoán dữ liệu đã mang lại tác động rất lớn cho ngành Web3. Thông qua phân tích và khai thác thông minh các thuật toán AI, nền tảng Web3 có thể trích xuất thông tin có giá trị từ dữ liệu khổng lồ và đưa ra dự đoán cũng như quyết định chính xác hơn. Điều này có ý nghĩa rất lớn trong việc đánh giá rủi ro, dự đoán thị trường và quản lý tài sản trong lĩnh vực tài chính phi tập trung (DeFi).

Ngoài ra, cũng có thể đạt được những cải tiến về trải nghiệm người dùng và dịch vụ được cá nhân hóa: Ứng dụng công nghệ AI cho phép nền tảng Web3 cung cấp trải nghiệm người dùng và dịch vụ được cá nhân hóa tốt hơn. Thông qua việc phân tích và lập mô hình dữ liệu người dùng, nền tảng Web3 có thể cung cấp cho người dùng các đề xuất được cá nhân hóa, dịch vụ tùy chỉnh và trải nghiệm tương tác thông minh. Điều này giúp cải thiện mức độ tương tác và sự hài lòng của người dùng, đồng thời thúc đẩy sự phát triển của hệ sinh thái Web3. Ví dụ: nhiều giao thức Web3 được kết nối với các công cụ AI như ChatGPT để phục vụ người dùng tốt hơn.

Về mặt bảo mật và bảo vệ quyền riêng tư, ứng dụng AI cũng có tác động sâu sắc đến ngành Web3. Công nghệ AI có thể được sử dụng để phát hiện và bảo vệ khỏi các cuộc tấn công mạng, xác định hành vi bất thường và cung cấp khả năng bảo mật mạnh mẽ hơn. Đồng thời, AI cũng có thể được ứng dụng vào việc bảo vệ quyền riêng tư dữ liệu nhằm bảo vệ thông tin cá nhân của người dùng trên nền tảng Web3 thông qua các công nghệ như mã hóa dữ liệu và tính toán quyền riêng tư. Về mặt kiểm tra hợp đồng thông minh, vì có thể có lỗ hổng và rủi ro bảo mật trong quá trình viết và kiểm tra hợp đồng thông minh, công nghệ AI có thể được sử dụng để tự động hóa việc kiểm tra hợp đồng và phát hiện lỗ hổng nhằm cải thiện tính bảo mật và độ tin cậy của hợp đồng.

Có thể thấy rằng AI có thể tham gia và trợ giúp về nhiều mặt liên quan đến những khó khăn mà ngành Web3 gặp phải cũng như dư địa để cải thiện.

Phân tích trạng thái dự án AI+Web3

Kết hợp AI và Dự án Web3 chủ yếu bắt đầu từ hai khía cạnh chính, sử dụng công nghệ blockchain để cải thiện hiệu suất của các dự án AI và sử dụng công nghệ AI để phục vụ việc cải tiến các dự án Web3.

Xoay quanh hai khía cạnh này, một số lượng lớn các dự án đã xuất hiện để khám phá con đường này, bao gồm nhiều dự án khác nhau như Io.net, Gensyn và Ritual, Tiếp theo, bài viết này sẽ phân tích tình hình hiện tại và sự phát triển của các nhánh phụ khác nhau của AI hỗ trợ web3 và AI hỗ trợ Web3.

3.1 Web3 giúp AI

3.1.1 Sức mạnh tính toán phi tập trung

Kể từ khi OpenAI ra mắt ChatGPT vào cuối năm 2022, nó đã làm bùng nổ cơn sốt AI. Năm ngày sau khi ra mắt, số lượng người dùng đã đạt 1 triệu, trong khi Instagram phải mất khoảng hai triệu. mất nửa tháng để đạt 1 triệu lượt tải xuống. Sau đó, Chatgpt cũng phát triển nhanh chóng. Trong vòng 2 tháng, số lượng người dùng hoạt động hàng tháng đã lên tới 100 triệu. Đến tháng 11 năm 2023, số lượng người dùng hoạt động hàng tuần đã lên tới 100 triệu. Với sự ra đời của Chatgpt, lĩnh vực AI đã nhanh chóng bùng nổ từ một lĩnh vực ngách trở thành một ngành thu hút nhiều sự chú ý.

Theo báo cáo của Trendforce, ChatGPT cần 30.000 GPU NVIDIA A100 để chạy và GPT-5 sẽ yêu cầu số lượng tính toán lớn hơn trong tương lai. Điều này cũng đã bắt đầu một cuộc chạy đua vũ trang giữa các công ty AI khác nhau. Chỉ khi làm chủ đủ sức mạnh tính toán, chúng ta mới có thể chắc chắn có đủ sức mạnh và lợi thế trong cuộc chiến AI, và do đó sẽ thiếu GPU.

Trước sự trỗi dậy của AI, khách hàng của NVIDIA, nhà cung cấp GPU lớn nhất, tập trung vào ba dịch vụ đám mây chính: AWS, Azure và GCP. Với sự trỗi dậy của trí tuệ nhân tạo, một số lượng lớn người mua mới đã xuất hiện, bao gồm các công ty công nghệ lớn Meta, Oracle và các công ty khởi nghiệp về nền tảng dữ liệu và trí tuệ nhân tạo khác, tất cả đều tham gia cuộc chiến tích trữ GPU để đào tạo các mô hình trí tuệ nhân tạo. Các công ty công nghệ lớn như Meta và Tesla đã tăng cường mua các mô hình AI tùy chỉnh và nghiên cứu nội bộ một cách ồ ạt. Các công ty lập mô hình cơ bản như Anthropic và nền tảng dữ liệu như Snowflake và Databricks cũng đang mua thêm GPU để giúp khách hàng cung cấp các dịch vụ trí tuệ nhân tạo.

Như Semi Analysis đã đề cập năm ngoái, "GPU giàu và GPU kém", một số công ty có hơn 20.000 GPU A100/H100 và các thành viên trong nhóm có thể cung cấp Dự án sử dụng 100 đến 1000 GPU. Các công ty này là nhà cung cấp đám mây hoặc LLM tự xây dựng, bao gồm OpenAI, Google, Meta, Anthropic, Inflection, Tesla, Oracle, Mistral, v.v.

Tuy nhiên, hầu hết các công ty đều có GPU kém. Họ chỉ có thể vật lộn với số lượng GPU nhỏ hơn nhiều và dành nhiều thời gian cũng như sức lực để làm những việc khó thực hiện. thúc đẩy. Đôi điều về phát triển hệ sinh thái. Và điều này không chỉ giới hạn ở các công ty khởi nghiệp. Một số công ty AI nổi tiếng nhất - Hugging Face, Databricks (MosaicML), Together và thậm chí Snowflake có ít hơn 20K A100/H100. Các công ty này có tài năng kỹ thuật đẳng cấp thế giới nhưng bị hạn chế bởi nguồn cung GPU. So với các công ty lớn, họ gặp bất lợi trong việc cạnh tranh về trí tuệ nhân tạo.

Sự thiếu hụt này không chỉ giới hạn ở "GPU kém". Ngay cả vào cuối năm 2023, OpenAI, người dẫn đầu trong lĩnh vực AI, đã không thể nhận đủ GPU. Phải đóng đăng ký trả phí trong vài tuần trong khi mua thêm nguồn cung cấp GPU.

Có thể thấy, với sự phát triển nhanh chóng của AI, đã xảy ra sự mất cân đối nghiêm trọng giữa bên cầu và bên cung của GPU, vấn đề cung vượt cầu sắp xảy ra.

Để giải quyết vấn đề này, một số dự án Web3 bắt đầu cố gắng kết hợp các tính năng kỹ thuật của Web3 để cung cấp các dịch vụ điện toán phi tập trung, bao gồm Akash, Render, Gensyn và hơn. Điểm chung của các dự án này là mã thông báo được sử dụng để khuyến khích người dùng cung cấp sức mạnh tính toán GPU nhàn rỗi, trở thành bên cung cấp sức mạnh tính toán để cung cấp hỗ trợ sức mạnh tính toán cho khách hàng AI.

Chân dung phía cung có thể chủ yếu được chia thành ba khía cạnh: nhà cung cấp dịch vụ đám mây, người khai thác tiền điện tử và doanh nghiệp.

Các nhà cung cấp dịch vụ đám mây bao gồm các nhà cung cấp dịch vụ đám mây lớn (như AWS, Azure, GCP) và các nhà cung cấp dịch vụ đám mây GPU (như Coreweave, Lambda, Crusoe, v.v.). ). Người dùng có thể kiếm thu nhập bằng cách bán lại sức mạnh tính toán nhàn rỗi của các nhà cung cấp dịch vụ đám mây. Công cụ khai thác tiền điện tử Khi Ethereum chuyển từ PoW sang PoS, sức mạnh tính toán GPU nhàn rỗi cũng trở thành một nguồn cung tiềm năng quan trọng. Ngoài ra, các công ty lớn như Tesla và Meta đã mua số lượng lớn GPU do bố trí chiến lược cũng có thể sử dụng sức mạnh tính toán GPU nhàn rỗi làm bên cung cấp.

Những người chơi hiện tại trên đường đua được chia thành hai loại. Một loại là sử dụng sức mạnh tính toán phi tập trung cho lý luận AI và loại kia là sử dụng sức mạnh tính toán phi tập trung. sức mạnh được sử dụng để đào tạo AI. Cái trước như Render (mặc dù tập trung vào kết xuất nhưng nó cũng có thể được sử dụng để cung cấp sức mạnh tính toán AI), Akash, Aethir, v.v.; cái sau như io.net (có thể hỗ trợ cả lý luận và đào tạo) và Gensyn. sự khác biệt lớn nhất giữa hai loại này là sức mạnh tính toán. Các yêu cầu về lực là khác nhau.

Trước tiên hãy nói về dự án suy luận AI trước đây. Loại dự án này thu hút người dùng tham gia vào việc cung cấp sức mạnh tính toán thông qua các ưu đãi mã thông báo và sau đó sử dụng tính toán đó. Dịch vụ mạng điện được cung cấp cho phía cầu, từ đó hiện thực hóa sự phù hợp giữa cung và cầu về sức mạnh tính toán nhàn rỗi. Phần giới thiệu và phân tích về loại dự án này được đề cập trong báo cáo nghiên cứu DePIN trước đây của Ryze Labs, Chào mừng bạn đến xem.

Điểm cốt lõi là thông qua cơ chế khuyến khích mã thông báo, dự án trước tiên thu hút các nhà cung cấp và sau đó thu hút người dùng sử dụng, từ đó hiện thực hóa cơ chế khởi động nguội và hoạt động cốt lõi của dự án, từ đó tạo điều kiện cho việc mở rộng và phát triển hơn nữa. Theo chu kỳ này, bên cung ngày càng có nhiều lợi nhuận từ token có giá trị hơn, bên cầu có các dịch vụ rẻ hơn và tiết kiệm chi phí hơn, đồng thời giá trị token của dự án vẫn phù hợp với sự tăng trưởng của người tham gia ở cả hai bên cung và cầu. giá token tăng thu hút nhiều người tham gia và nhà đầu cơ tham gia hơn, hình thành nên việc nắm bắt giá trị.

Loại còn lại là sử dụng sức mạnh tính toán phi tập trung để đào tạo AI, chẳng hạn như Gensyn và io.net (có thể hỗ trợ cả đào tạo AI và lý luận AI). Trên thực tế, logic vận hành của loại dự án này về cơ bản không khác biệt so với các dự án suy luận AI. Nó vẫn sử dụng các ưu đãi mã thông báo để thu hút sự tham gia của bên cung nhằm cung cấp sức mạnh tính toán cho bên cầu sử dụng.

Là một mạng sức mạnh tính toán phi tập trung, io.net hiện có hơn 500.000 GPU và đã hoạt động rất tốt trong các dự án sức mạnh tính toán phi tập trung. Render và filecoin đã được tích hợp và các dự án sinh thái liên tục được phát triển.

Ngoài ra, Gensyn còn triển khai đào tạo AI bằng cách thúc đẩy phân bổ nhiệm vụ và phần thưởng cho việc học máy thông qua hợp đồng thông minh. Như minh họa trong hình bên dưới, chi phí mỗi giờ cho công việc đào tạo máy học của Gensyn là khoảng 0,40 USD, thấp hơn nhiều so với chi phí hơn 2 USD của AWS và GCP.

Hệ thống của Gensyn bao gồm bốn thực thể tham gia: người gửi, người thực thi, người xác minh và người báo cáo.

• Người gửi: Người dùng yêu cầu là người sử dụng tác vụ, cung cấp tác vụ cần tính toán , Thanh toán cho các nhiệm vụ đào tạo AI

• Người thực thi: Người thực thi: Người thực thi thực hiện nhiệm vụ đào tạo mô hình và tạo bằng chứng hoàn thành nhiệm vụ để xác minh sự kiểm tra của người đó.

• Trình xác minh: Liên kết quá trình đào tạo không xác định với tính toán tuyến tính xác định, căn chỉnh bằng chứng của người thực thi với các ngưỡng so sánh dự kiến.

• Người tố cáo: Kiểm tra công việc của người xác minh và kiếm tiền bằng cách đặt câu hỏi khi phát hiện ra vấn đề.

Có thể thấy Gensyn hy vọng sẽ trở thành một giao thức tính toán quy mô rất lớn, tiết kiệm chi phí cho các mô hình deep learning toàn cầu . Nhưng nhìn vào con đường này, tại sao hầu hết các dự án lại chọn sức mạnh tính toán phi tập trung cho lý luận AI thay vì đào tạo?

Ở đây, chúng tôi cũng giúp những người bạn không hiểu về đào tạo và lý luận về AI giới thiệu sự khác biệt giữa hai điều này:

• Đào tạo AI: Nếu chúng ta so sánh trí tuệ nhân tạo với một học sinh thì việc đào tạo cũng tương tự như việc cung cấp một lượng lớn thông tin kiến thức cho trí tuệ nhân tạo, Ví dụ cũng có thể hiểu là cái mà chúng ta thường gọi là dữ liệu, và trí tuệ nhân tạo học từ những ví dụ kiến ​​thức này. Vì bản chất của việc học đòi hỏi phải hiểu và ghi nhớ một lượng lớn thông tin nên quá trình này đòi hỏi rất nhiều sức mạnh tính toán và thời gian.

• Lý luận AI: Vậy lý luận là gì? Có thể hiểu là việc sử dụng kiến ​​thức đã học để giải bài toán hoặc làm bài kiểm tra. Ở giai đoạn suy luận, trí tuệ nhân tạo sử dụng những kiến ​​thức đã học để giải quyết vấn đề thay vì sử dụng kiến ​​thức mới nên khối lượng tính toán cần thiết trong quá trình suy luận là nhỏ.

Có thể thấy rằng yêu cầu về sức mạnh tính toán của cả hai là khá khác nhau về việc ứng dụng sức mạnh tính toán phi tập trung trong AI. lý luận và Khả năng sử dụng trong đào tạo AI sẽ được phân tích sâu hơn trong chương thử thách tiếp theo.

Ngoài ra, Ritual hy vọng sẽ kết hợp các mạng phân tán với những người tạo mô hình để duy trì tính phân quyền và bảo mật. Sản phẩm đầu tiên của nó, Infernet, cho phép các hợp đồng thông minh trên blockchain truy cập các mô hình AI ngoài chuỗi, cho phép các hợp đồng đó truy cập AI theo cách duy trì xác minh, phân cấp và bảo vệ quyền riêng tư.

Điều phối viên của Infernet chịu trách nhiệm quản lý hành vi của các nút trong mạng và phản hồi các yêu cầu điện toán do người tiêu dùng đưa ra. Khi người dùng sử dụng infernet, lý luận, bằng chứng và các công việc khác sẽ được đặt ngoài chuỗi và kết quả đầu ra sẽ được trả lại cho người điều phối và cuối cùng được truyền đến người tiêu dùng trên chuỗi thông qua hợp đồng.

Ngoài các mạng điện toán phi tập trung, còn có các mạng băng thông phi tập trung như Grass để cải thiện tốc độ và hiệu quả truyền dữ liệu. Nhìn chung, sự xuất hiện của các mạng năng lượng tính toán phi tập trung mang lại khả năng mới cho khía cạnh cung cấp năng lượng tính toán của AI, thúc đẩy AI tiến lên theo một hướng xa hơn.

3.1.2 Mô hình thuật toán phi tập trung

Như đã đề cập trong Chương 2, ba yếu tố cốt lõi của AI là sức mạnh tính toán, thuật toán và dữ liệu. Vì sức mạnh tính toán có thể hình thành mạng lưới cung cấp theo cách phi tập trung, liệu các thuật toán cũng có ý tưởng tương tự và hình thành mạng lưới cung cấp cho các mô hình thuật toán?

Trước khi phân tích dự án theo dõi, trước tiên chúng ta hãy hiểu ý nghĩa của mô hình thuật toán phi tập trung Nhiều người sẽ tò mò, vì đã có OpenAI, tại sao bạn lại làm như vậy. vẫn cần một mạng thuật toán phi tập trung?

Về cơ bản, mạng thuật toán phi tập trung là một thị trường dịch vụ thuật toán AI phi tập trung liên kết nhiều mô hình AI khác nhau. Mỗi mô hình AI đều có kiến ​​thức và kỹ năng tốt mà bạn giỏi. Tại, khi người dùng đặt câu hỏi, thị trường sẽ lựa chọn mô hình AI phù hợp nhất để trả lời các câu hỏi nhằm đưa ra câu trả lời. Chat-GPT là mô hình AI do OpenAI phát triển, có thể hiểu và tạo ra văn bản giống con người.

Nói một cách đơn giản, ChatGPT giống như một sinh viên rất có năng lực giúp giải quyết các loại vấn đề khác nhau, trong khi mạng thuật toán phi tập trung giống như một mạng có nhiều sinh viên Trường học đến giúp giải quyết vấn đề mặc dù học sinh hiện tại rất có năng lực nhưng về lâu dài, những trường có thể tuyển sinh từ khắp nơi trên thế giới đều có tiềm năng rất lớn.

Hiện tại, trong lĩnh vực mô hình thuật toán phi tập trung cũng có một số dự án đang được thử nghiệm và khám phá. Tiếp theo, dự án đại diện Bittensor sẽ được lấy làm trường hợp để giúp mọi người hiểu rõ hơn về sự phát triển của lĩnh vực chia nhỏ này.

Trong Bittensor, bên cung cấp mô hình thuật toán (hoặc thợ đào) đóng góp mô hình học máy của họ vào mạng. Những mô hình này có thể phân tích dữ liệu và cung cấp thông tin chuyên sâu. Các nhà cung cấp mô hình được thưởng bằng token tiền điện tử TAO cho những đóng góp của họ.

Để đảm bảo chất lượng câu trả lời cho các câu hỏi, Bittensor sử dụng cơ chế đồng thuận duy nhất để đảm bảo mạng đạt được sự đồng thuận về câu trả lời tốt nhất. Khi một câu hỏi được đặt ra, nhiều công cụ khai thác mô hình sẽ đưa ra câu trả lời. Sau đó, những người xác thực trong mạng sẽ bắt tay vào việc xác định câu trả lời tốt nhất và gửi lại cho người dùng.

Mã thông báo TAO của Bittensor chủ yếu đóng hai vai trò trong toàn bộ quá trình. Một mặt, nó được sử dụng để khuyến khích những người khai thác đóng góp các mô hình thuật toán cho mạng. Mặt khác, người dùng cần chi tiêu mã thông báo để đặt câu hỏi và để mạng hoàn thành nhiệm vụ.

Vì Bittensor được phân quyền nên bất kỳ ai có quyền truy cập Internet đều có thể tham gia mạng, với tư cách vừa là người dùng đặt câu hỏi vừa là nhà cung cấp câu trả lời cho thợ mỏ. Điều này làm cho trí tuệ nhân tạo mạnh mẽ có thể tiếp cận được với nhiều người hơn.

Tóm lại, lấy các mạng như Bittensor làm ví dụ, lĩnh vực mô hình thuật toán phi tập trung có tiềm năng tạo ra một tình huống cởi mở và minh bạch hơn trong hệ sinh thái này. , các mô hình AI có thể được đào tạo, chia sẻ và tận dụng một cách an toàn và phi tập trung. Ngoài ra, còn có các mạng mô hình thuật toán phi tập trung như BasedAI đang thử những điều tương tự. Tất nhiên, phần thú vị hơn là sử dụng ZK để bảo vệ quyền riêng tư dữ liệu của người dùng tương tác với mô hình. Điều này sẽ được thảo luận thêm trong phần thứ tư.

Khi các nền tảng mô hình thuật toán phi tập trung phát triển, chúng sẽ có tác động đến nhiều ngành khác nhau bằng cách cho phép các công ty nhỏ hơn cạnh tranh với các tổ chức lớn hơn trong việc sử dụng các công cụ AI tiên tiến Có khả năng tác động đáng kể.

3.1.3 Thu thập dữ liệu phi tập trung

Dành cho đào tạo các mô hình AI, việc cung cấp một lượng lớn dữ liệu là điều cần thiết. Tuy nhiên, hiện tại hầu hết các công ty web2 vẫn giữ dữ liệu người dùng là của riêng họ. Các nền tảng như X, Reddit, TikTok, Snapchat, Instagram và YouTube đều cấm thu thập dữ liệu để đào tạo trí tuệ nhân tạo. Nó đã trở thành trở ngại lớn cho sự phát triển của ngành AI.

Mặt khác, một số nền tảng Web2 bán dữ liệu người dùng cho các công ty AI mà không chia sẻ bất kỳ lợi nhuận nào cho người dùng. Ví dụ, Reddit đã đạt được thỏa thuận trị giá 60 triệu USD với Google để đào tạo các mô hình trí tuệ nhân tạo trên các bài đăng của mình. Kết quả là quyền thu thập dữ liệu bị chiếm giữ bởi các bên vốn lớn và dữ liệu lớn, dẫn đến ngành phát triển theo hướng siêu thâm dụng vốn.

Đối mặt với tình hình hiện tại, một số dự án đã kết hợp Web3 với các ưu đãi mã thông báo để đạt được việc thu thập dữ liệu phi tập trung. Lấy PublicAI làm ví dụ, người dùng có thể tham gia với hai loại vai trò trong PublicAI:

• Một ​type Đây là nhà cung cấp dữ liệu AI. Người dùng có thể tìm thấy nội dung có giá trị trên đó.

• Loại còn lại là trình xác minh dữ liệu. Người dùng có thể đăng nhập vào trung tâm dữ liệu PublicAI và chọn dữ liệu có giá trị nhất để đào tạo AI. bỏ phiếu. .

Đổi lại, người dùng có thể nhận được ưu đãi mã thông báo thông qua hai loại đóng góp này, từ đó thúc đẩy những người đóng góp dữ liệu và trí tuệ nhân tạo A win- giành được mối quan hệ giữa phát triển công nghiệp.

Ngoài các dự án như PublicAI chuyên thu thập dữ liệu để đào tạo AI, còn có nhiều dự án cũng đang thu thập dữ liệu phi tập trung thông qua các ưu đãi mã thông báo. Ví dụ: Ocean. thu thập dữ liệu người dùng thông qua mã hóa dữ liệu để phục vụ AI, Hivemapper thu thập dữ liệu bản đồ qua camera ô tô của người dùng, Dimo ​​thu thập dữ liệu ô tô của người dùng, WiHi thu thập dữ liệu thời tiết, v.v., những dữ liệu này được thu thập thông qua các dự án dữ liệu phi tập trung cũng là phía cung cấp đào tạo AI tiềm năng, do đó, theo nghĩa rộng, chúng cũng có thể được đưa vào mô hình AI hỗ trợ Web3.

3.1.4 ZK bảo vệ quyền riêng tư của người dùng trong AI

Ngoài những lợi ích của việc phân cấp do công nghệ blockchain mang lại, một lợi ích rất quan trọng khác là bằng chứng không có kiến ​​thức. Thông qua công nghệ không có kiến ​​thức, có thể đạt được việc xác minh thông tin đồng thời bảo vệ quyền riêng tư.

Trong học máy truyền thống, dữ liệu thường cần được lưu trữ và xử lý tập trung, điều này có thể dẫn đến nguy cơ rò rỉ quyền riêng tư dữ liệu. Mặt khác, các phương pháp bảo vệ quyền riêng tư của dữ liệu, chẳng hạn như mã hóa dữ liệu hoặc khử nhận dạng dữ liệu, có thể hạn chế độ chính xác và hiệu suất của các mô hình học máy.

Công nghệ chứng minh không có kiến ​​thức có thể giúp giải quyết vấn đề nan giải này và giải quyết xung đột giữa bảo vệ quyền riêng tư và chia sẻ dữ liệu.

ZKML (Học máy không kiến ​​thức) cho phép đào tạo và suy luận các mô hình học máy mà không làm rò rỉ dữ liệu gốc bằng cách sử dụng công nghệ chứng minh không có kiến ​​thức. Bằng chứng không có kiến ​​thức cho phép các tính năng của dữ liệu và kết quả mô hình được chứng minh là chính xác mà không tiết lộ nội dung dữ liệu thực tế.

Mục tiêu cốt lõi của ZKML là đạt được sự cân bằng giữa bảo vệ quyền riêng tư và chia sẻ dữ liệu. Nó có thể được áp dụng cho nhiều tình huống khác nhau, chẳng hạn như phân tích dữ liệu y tế và sức khỏe, phân tích dữ liệu tài chính và hợp tác giữa các tổ chức. Bằng cách sử dụng ZKML, các cá nhân có thể bảo vệ quyền riêng tư của dữ liệu nhạy cảm của mình trong khi chia sẻ dữ liệu đó với người khác để có được thông tin chi tiết và cơ hội cộng tác rộng hơn mà không phải lo lắng về nguy cơ vi phạm quyền riêng tư dữ liệu.

Lĩnh vực này vẫn đang ở giai đoạn đầu và hầu hết các dự án vẫn đang được khám phá. Ví dụ: BasedAI đã đề xuất một phương pháp phi tập trung kết hợp FHE với LLM. để duy trì tính bảo mật dữ liệu. Tận dụng các mô hình ngôn ngữ lớn không có kiến ​​thức (ZK-LLM) để nhúng quyền riêng tư vào cốt lõi của cơ sở hạ tầng mạng phân tán, đảm bảo dữ liệu người dùng vẫn ở chế độ riêng tư trong suốt hoạt động của mạng.

Dưới đây là giải thích ngắn gọn về mã hóa đồng cấu hoàn toàn (FHE) là gì. Mã hóa đồng cấu hoàn toàn là công nghệ mã hóa cho phép thực hiện các phép tính trên dữ liệu ở trạng thái được mã hóa mà không cần giải mã. Điều này có nghĩa là có thể thực hiện nhiều phép toán khác nhau (như cộng, nhân, v.v.) trên dữ liệu được mã hóa bằng FHE trong khi vẫn duy trì trạng thái mã hóa của dữ liệu và thu được kết quả của các phép toán tương tự được thực hiện trên dữ liệu ban đầu không được mã hóa. Điều này bảo vệ sự riêng tư của dữ liệu người dùng.

Ngoài bốn loại trên, về AI hỗ trợ Web3, còn có các dự án blockchain như Cortex hỗ trợ thực thi các chương trình AI trên chuôi. Hiện tại, một thách thức phải đối mặt khi thực hiện các chương trình học máy trên các chuỗi khối truyền thống là máy ảo cực kỳ kém hiệu quả khi chạy bất kỳ mô hình học máy không phức tạp nào. Vì vậy, hầu hết mọi người đều cho rằng việc chạy trí tuệ nhân tạo trên blockchain là điều không thể. Máy ảo Cortex (CVM) sử dụng GPU để thực thi các chương trình AI trên chuỗi và tương thích với EVM. Nói cách khác, chuỗi Cortex có thể thực thi tất cả các Dapp Ethereum và tích hợp máy học AI vào các Dapp này dựa trên điều này. Điều này cho phép chạy các mô hình học máy theo cách phi tập trung, bất biến và minh bạch vì sự đồng thuận của mạng xác thực từng bước suy luận của AI.

3.2 AI hỗ trợ web3

Trong AI và Web3 In Trong vụ va chạm, ngoài sự hỗ trợ của Web3 cho AI, sự hỗ trợ của AI cho ngành Web3 cũng rất đáng được quan tâm. Đóng góp cốt lõi của trí tuệ nhân tạo là cải thiện năng suất, do đó, có rất nhiều nỗ lực trong việc kiểm tra các hợp đồng thông minh, phân tích và dự đoán dữ liệu, dịch vụ cá nhân hóa, bảo mật và quyền riêng tư, v.v.

3.2.1 Phân tích và dự đoán dữ liệu

Hiện tại có rất nhiều Dự án Web3 bắt đầu tích hợp các dịch vụ AI hiện có (như ChatGPT) hoặc tự nghiên cứu để cung cấp dịch vụ phân tích và dự đoán dữ liệu cho người dùng Web3. Phạm vi phủ sóng rất rộng, bao gồm cung cấp chiến lược đầu tư thông qua thuật toán AI, công cụ AI phân tích on-chain, dự đoán giá và thị trường, v.v.

Ví dụ: Pond sử dụng thuật toán đồ thị AI để dự đoán các mã thông báo alpha có giá trị trong tương lai và cung cấp lời khuyên hỗ trợ đầu tư cho người dùng và tổ chức và BullBear AI dựa trên Dữ liệu lịch sử của người dùng; và lịch sử đường giá, xu hướng thị trường được đào tạo để cung cấp thông tin chính xác nhất hỗ trợ dự báo xu hướng giá giúp người dùng đạt được doanh thu và lợi nhuận.

Ngoài ra còn có các nền tảng cạnh tranh đầu tư như Numerai. Người tham gia dự đoán thị trường chứng khoán dựa trên AI và các mô hình ngôn ngữ lớn, đồng thời sử dụng nền tảng này để cung cấp miễn phí chất lượng cao. đào tạo mô hình dữ liệu và gửi dự đoán hàng ngày. Numerai tính toán những dự đoán này sẽ hoạt động như thế nào trong tháng tới và những người tham gia có thể đặt cược NMR của họ vào mô hình để kiếm phần thưởng dựa trên hiệu suất của mô hình.

Ngoài ra, còn có các nền tảng phân tích dữ liệu on-chain như Arkham cũng kết hợp AI để cung cấp dịch vụ. Arkham kết nối các địa chỉ blockchain với các thực thể như sàn giao dịch, quỹ và cá voi, đồng thời hiển thị dữ liệu và phân tích chính của các thực thể này cho người dùng để mang lại cho người dùng lợi thế khi đưa ra quyết định. Phần kết hợp nó với AI là Arkham Ultra sử dụng thuật toán để khớp địa chỉ với các thực thể trong thế giới thực. Nó được phát triển bởi những người đóng góp cốt lõi của Arkham trong khoảng thời gian ba năm với sự hỗ trợ của những người sáng lập Palantir và OpenAI.

3.2.2 Dịch vụ được cá nhân hóa

Trong Web2 Trong project, AI có nhiều kịch bản ứng dụng trong lĩnh vực tìm kiếm và đề xuất, phục vụ nhu cầu cá nhân hóa của người dùng. Điều này cũng đúng trong các dự án Web3. Nhiều bên dự án tối ưu hóa trải nghiệm người dùng bằng cách tích hợp AI.

Ví dụ: Dune, một nền tảng phân tích dữ liệu nổi tiếng, gần đây đã ra mắt công cụ Wand, được sử dụng để viết các truy vấn SQL với sự trợ giúp của các mô hình ngôn ngữ lớn . Thông qua chức năng Wand Create, người dùng có thể tự động tạo các truy vấn SQL dựa trên các câu hỏi bằng ngôn ngữ tự nhiên, nhờ đó những người dùng không hiểu SQL cũng có thể tìm kiếm rất thuận tiện.

Ngoài ra, một số nền tảng nội dung Web3 cũng đã bắt đầu tích hợp ChatGPT để tóm tắt nội dung. Ví dụ: nền tảng truyền thông Web3 Followin đã tích hợp ChatGPT để tóm tắt các quan điểm của một theo dõi nhất định và trạng thái mới nhất; nền tảng bách khoa toàn thư Web3 IQ.wiki cam kết trở thành nguồn chính của mọi kiến ​​thức khách quan, chất lượng cao liên quan đến công nghệ blockchain và tiền điện tử trên Internet, giúp blockchain dễ dàng khám phá và truy cập hơn trên toàn cầu, Và để cung cấp cho người dùng thông tin mà họ có thể tin cậy, nó cũng tích hợp GPT-4 để tóm tắt các bài viết trên wiki; và Kaito, một công cụ tìm kiếm dựa trên LLM, cam kết trở thành nền tảng tìm kiếm Web3 và thay đổi cách Web3 thu thập thông tin.

Về mặt sáng tạo, cũng có những dự án như NFPromp giúp giảm chi phí tạo của người dùng. NFPrompt cho phép người dùng tạo NFT dễ dàng hơn thông qua AI, từ đó giảm chi phí sáng tạo của người dùng và cung cấp nhiều dịch vụ được cá nhân hóa trong quá trình sáng tạo.

3.2.3 Hợp đồng thông minh kiểm tra AI

Trong Web3 Trong lĩnh vực này, kiểm tra hợp đồng thông minh cũng là một nhiệm vụ rất quan trọng. Sử dụng AI để kiểm tra mã hợp đồng thông minh có thể xác định và tìm ra các lỗ hổng trong mã một cách hiệu quả và chính xác hơn.

Như Vitalik đã từng đề cập, một trong những thách thức lớn nhất mà lĩnh vực tiền điện tử phải đối mặt là lỗi trong mã của chúng tôi. Một khả năng đầy hứa hẹn là trí tuệ nhân tạo (AI) có thể đơn giản hóa đáng kể việc sử dụng các công cụ xác minh chính thức để chứng minh rằng các bộ mã đáp ứng các thuộc tính cụ thể. Nếu điều này có thể thực hiện được thì chúng ta có thể có SEK EVM không có lỗi (như Máy ảo Ethereum). Bạn càng giảm số lượng lỗi thì không gian sẽ càng an toàn hơn và AI có thể rất hữu ích trong việc đạt được điều này.

Ví dụ: dự án 0x0.ai cung cấp công cụ kiểm tra hợp đồng thông minh bằng trí tuệ nhân tạo, sử dụng các thuật toán nâng cao để phân tích hợp đồng thông minh và xác định các lỗi có thể dẫn đến gian lận hoặc các rủi ro bảo mật khác. Công cụ phát hiện các lỗ hổng hoặc vấn đề tiềm ẩn. Kiểm toán viên sử dụng công nghệ máy học để xác định các mẫu và điểm bất thường trong mã, đánh dấu các vấn đề tiềm ẩn để xem xét thêm.

Ngoài ba loại trên, còn có một số trường hợp gốc sử dụng AI để hỗ trợ lĩnh vực Web3. Ví dụ: PAAL giúp người dùng tạo Bot AI được cá nhân hóa. có thể được triển khai cho Telegram và Discord đã xuất hiện để phục vụ người dùng Web3; Hera, một công cụ tổng hợp dex đa chuỗi do AI điều khiển, sử dụng AI để cung cấp phạm vi mã thông báo rộng nhất và đường dẫn giao dịch tốt nhất giữa bất kỳ cặp mã thông báo nào. giúp Web3 trở nên tốt hơn. Hầu hết chúng đóng vai trò hỗ trợ ở cấp độ công cụ.

Hạn chế và thách thức của dự án AI+Web3

4.1 Những trở ngại thực tế về sức mạnh tính toán phi tập trung

Một phần lớn các dự án Web3 hiện tại nhằm hỗ trợ AI Đó là một sự đổi mới rất thú vị cần tập trung về sức mạnh tính toán phi tập trung và thúc đẩy người dùng toàn cầu trở thành bên cung cấp sức mạnh tính toán thông qua các ưu đãi mã thông báo. Tuy nhiên, mặt khác, nó cũng phải đối mặt với một số vấn đề thực tế cần được giải quyết:

So với các nhà cung cấp dịch vụ sức mạnh điện toán tập trung, các sản phẩm sức mạnh điện toán phi tập trung thường dựa vào các nút và người tham gia được phân bổ trên toàn thế giới để cung cấp tài nguyên điện toán. Vì kết nối mạng giữa các nút này có thể có độ trễ và không ổn định nên hiệu suất và độ ổn định có thể kém hơn so với các sản phẩm điện toán tập trung.

Ngoài ra, tính sẵn có của các sản phẩm sức mạnh điện toán phi tập trung bị ảnh hưởng bởi sự phù hợp giữa cung và cầu. Nếu không có đủ nhà cung cấp hoặc nhu cầu quá cao, có thể không có đủ nguồn lực hoặc không có khả năng đáp ứng nhu cầu của người dùng.

Cuối cùng, các sản phẩm sức mạnh điện toán phi tập trung thường liên quan đến nhiều chi tiết kỹ thuật và độ phức tạp hơn so với các sản phẩm sức mạnh điện toán tập trung. Người dùng có thể cần hiểu và xử lý các mạng phân tán, hợp đồng thông minh, thanh toán bằng tiền điện tử, v.v. và chi phí để hiểu và sử dụng chúng sẽ cao hơn.

Sau khi thảo luận chuyên sâu với một số lượng lớn các dự án sức mạnh tính toán phi tập trung, chúng tôi nhận thấy rằng sức mạnh tính toán phi tập trung hiện tại về cơ bản chỉ giới hạn ở khả năng suy luận của AI chứ không phải AI. xe lửa.

Tiếp theo, tôi sẽ giúp bạn hiểu lý do đằng sau nó bằng bốn câu hỏi nhỏ:

1. Tại sao hầu hết các dự án sức mạnh điện toán phi tập trung lại chọn thực hiện suy luận AI thay vì đào tạo AI?

2. Nvidia tuyệt vời ở đâu? Lý do tại sao việc đào tạo sức mạnh tính toán phi tập trung lại khó thực hiện?

3. Kết quả của sức mạnh tính toán phi tập trung (Render, Akash, io.net, v.v.) sẽ là gì?

4. Kết quả của thuật toán phi tập trung (Bittensor) sẽ là gì?

Tiếp theo, chúng ta hãy bóc từng lớp kén ra:

1 ) Nhìn vào điều này. Trên đường đi, hầu hết các dự án sức mạnh điện toán phi tập trung đều chọn thực hiện suy luận AI thay vì đào tạo Cốt lõi nằm ở các yêu cầu khác nhau về sức mạnh tính toán và băng thông.

Để giúp mọi người hiểu rõ hơn, hãy so sánh AI với một học sinh:

Đào tạo AI: Nếu so sánh trí tuệ nhân tạo với một học sinh thì việc đào tạo cũng giống như việc cung cấp cho trí tuệ nhân tạo một lượng lớn kiến ​​thức và ví dụ, cũng có thể hiểu là thứ mà chúng ta thường gọi là dữ liệu, và trí tuệ nhân tạo học hỏi từ những ví dụ kiến ​​thức này. Vì bản chất của việc học đòi hỏi phải hiểu và ghi nhớ một lượng lớn thông tin nên quá trình này đòi hỏi rất nhiều sức mạnh tính toán và thời gian.

Lý luận AI: Vậy lý luận là gì? Có thể hiểu là việc sử dụng kiến ​​thức đã học để giải bài toán hoặc làm bài kiểm tra. Ở giai đoạn suy luận, trí tuệ nhân tạo sử dụng những kiến ​​thức đã học để giải quyết vấn đề thay vì sử dụng kiến ​​thức mới nên khối lượng tính toán cần thiết trong quá trình suy luận là nhỏ.

Có thể dễ dàng nhận thấy rằng sự khác biệt về độ khó giữa hai điều này về cơ bản nằm ở lượng dữ liệu khổng lồ cần thiết cho việc đào tạo AI mô hình lớn và yêu cầu băng thông cực cao cho truyền dữ liệu tốc độ cao nên việc triển khai sức mạnh tính toán phi tập trung cho đào tạo là vô cùng khó khăn. Suy luận có yêu cầu nhỏ hơn nhiều về dữ liệu và băng thông và có nhiều khả năng được triển khai hơn.

Đối với các mô hình lớn, điều quan trọng nhất là sự ổn định. Nếu quá trình đào tạo bị gián đoạn thì cần phải đào tạo lại và chi phí chìm cao. Mặt khác, các yêu cầu đòi hỏi sức mạnh tính toán tương đối thấp có thể được thực hiện, chẳng hạn như suy luận AI đã đề cập ở trên, hoặc đào tạo mô hình vừa và nhỏ trong một số tình huống cụ thể. Có một số nhà cung cấp dịch vụ nút tương đối lớn ở đây. mạng năng lượng tính toán có thể phục vụ các nhu cầu sức mạnh tính toán tương đối lớn này.

2) Vậy đâu là điểm kẹt của dữ liệu và băng thông? Tại sao đào tạo phi tập trung khó đạt được?

Điều này liên quan đến hai yếu tố chính của đào tạo mô hình lớn: sức mạnh tính toán của một thẻ và kết nối song song nhiều thẻ.

Sức mạnh tính toán thẻ đơn: Hiện nay, tất cả các trung tâm cần đào tạo mô hình lớn đều được gọi là trung tâm siêu máy tính. Để mọi người dễ hiểu, chúng ta có thể dùng cơ thể con người như một phép ẩn dụ. Trung tâm siêu máy tính là mô của cơ thể con người và đơn vị cơ bản là GPU là tế bào. Nếu sức mạnh tính toán của một ô đơn (GPU) rất mạnh thì sức mạnh tính toán tổng thể (số ô đơn ×) cũng có thể rất mạnh.

Kết nối song song nhiều thẻ: Việc đào tạo một mô hình lớn thường tiêu tốn hàng trăm tỷ GB Đối với các trung tâm siêu máy tính đào tạo các mô hình lớn, ít nhất là 10.000 cấp. Cơ sở cần có A100. Vì vậy, hàng chục nghìn thẻ cần được huy động để huấn luyện. Tuy nhiên, việc huấn luyện các mô hình lớn không phải là một chuỗi đơn giản. Nó không có nghĩa là huấn luyện trên thẻ A100 đầu tiên và sau đó huấn luyện trên thẻ thứ hai. Một phần, khi đào tạo trên các card đồ họa khác nhau, kết quả của B có thể cần thiết khi đào tạo A, do đó có liên quan đến tính song song của nhiều thẻ.

Tại sao Nvidia lại hùng mạnh và giá trị thị trường của nó tăng vọt, trong khi AMD và Huawei và Horizon nội địa hiện khó bắt kịp. Cốt lõi không phải là sức mạnh tính toán của một thẻ mà nằm ở hai khía cạnh: môi trường phần mềm CUDA và giao tiếp đa thẻ NVLink.

Một mặt, điều rất quan trọng là phải có một hệ sinh thái phần mềm có thể thích ứng với phần cứng, chẳng hạn như hệ thống CUDA của NVIDIA và việc xây dựng một hệ thống mới khó khăn như xây dựng một ngôn ngữ mới và chi phí thay thế rất cao.

Mặt khác, đó là giao tiếp nhiều thẻ. Về bản chất, việc truyền tải giữa nhiều thẻ là đầu vào và đầu ra của thông tin, cách kết nối song song. và cách truyền tải. Do sự tồn tại của NVLink nên không có cách nào để kết nối card NVIDIA và AMD; ngoài ra, NVLink sẽ hạn chế khoảng cách vật lý giữa các card đồ họa và yêu cầu các card đồ họa phải ở trong cùng một trung tâm siêu máy tính, dẫn đến sức mạnh tính toán được phân tán. được phân phối trên toàn thế giới thì khó đạt được hơn.

Điểm đầu tiên giải thích tại sao AMD và Huawei và Horizon trong nước hiện khó bắt kịp; điểm thứ hai giải thích tại sao việc đào tạo phi tập trung lại khó đạt được.

3) Kết quả của sức mạnh tính toán phi tập trung sẽ là gì?

Sức mạnh tính toán phi tập trung hiện khó đào tạo các mô hình lớn. Cốt lõi là điều quan trọng nhất trong đào tạo mô hình lớn là sự ổn định. bị gián đoạn, cần phải đào tạo lại, chi phí chìm cao. Yêu cầu kết nối song song của nhiều thẻ rất cao và băng thông bị giới hạn bởi khoảng cách vật lý. NVIDIA sử dụng NVLink để đạt được giao tiếp nhiều thẻ. Tuy nhiên, trong một trung tâm siêu máy tính, NVLink sẽ giới hạn khoảng cách vật lý giữa các card đồ họa, do đó sức mạnh tính toán phân tán không thể tạo thành một cụm sức mạnh tính toán để đào tạo mô hình lớn.

Nhưng mặt khác, có thể đạt được các yêu cầu đòi hỏi sức mạnh tính toán tương đối thấp, chẳng hạn như suy luận AI hoặc các ứng dụng dọc vừa và nhỏ trong một số lĩnh vực cụ thể. có thể thực hiện đào tạo mô hình khi có một số nhà cung cấp dịch vụ nút tương đối lớn trong mạng điện toán phi tập trung, nó có tiềm năng phục vụ các nhu cầu về sức mạnh tính toán tương đối lớn này. Và các kịch bản điện toán biên như kết xuất tương đối dễ thực hiện.

4) Kết quả của mô hình thuật toán phi tập trung sẽ là gì?

Kết quả của mô hình thuật toán phi tập trung phụ thuộc vào kết quả của AI trong tương lai. Tôi nghĩ có thể sẽ có 1-2 trận chiến AI trong tương lai. Những gã khổng lồ về mô hình nguồn đóng (chẳng hạn như ChatGPT), kết hợp với mô hình đang nở rộ, trong bối cảnh này, các sản phẩm lớp ứng dụng không cần phải bị ràng buộc vào một mô hình lớn mà phải hợp tác với nhiều mô hình lớn. Trong bối cảnh này, mô hình của Bittensor rất tuyệt vời. tiềm năng.

4.2 Sự kết hợp của AI+Web3 tương đối thô và không hiện thực hóa kiểu 1+1>2

Trong số các dự án hiện tại kết hợp Web3 và AI, đặc biệt là các dự án Web3 được AI hỗ trợ, hầu hết các dự án vẫn chỉ sử dụng AI trên bề mặt và chưa phản ánh thực sự sự tích hợp sâu sắc giữa AI và tiền điện tử. Ứng dụng hời hợt này chủ yếu thể hiện ở hai khía cạnh sau:

• Trước hết, liệu nó có đang sử dụng Cho dù AI được sử dụng để phân tích và dự đoán dữ liệu, cho dù nó được sử dụng trong các tình huống đề xuất và tìm kiếm hay để kiểm tra mã, thì không có nhiều khác biệt giữa sự kết hợp giữa các dự án Web2 và AI. Các dự án này chỉ đơn giản sử dụng AI để cải thiện hiệu quả và phân tích, đồng thời không thể hiện sự tích hợp gốc và các giải pháp đổi mới giữa AI và tiền điện tử.

• Thứ hai, việc tích hợp AI của nhiều nhóm Web3 thiên về việc sử dụng thuần túy khái niệm AI ở cấp độ tiếp thị. Họ chỉ sử dụng công nghệ AI trong những lĩnh vực rất hạn chế, sau đó bắt đầu thúc đẩy xu hướng AI, tạo ra ảo tưởng rằng dự án có liên quan chặt chẽ đến AI. Tuy nhiên, những dự án này để lại một khoảng cách lớn về mặt đổi mới thực sự.

Bất chấp những hạn chế này của các dự án Web3 và AI hiện tại, chúng ta nên nhận ra rằng đây chỉ là giai đoạn phát triển ban đầu. Trong tương lai, chúng ta có thể mong đợi nghiên cứu và đổi mới chuyên sâu hơn để đạt được sự tích hợp chặt chẽ hơn giữa AI và tiền điện tử, đồng thời tạo ra các giải pháp nguyên bản và có ý nghĩa hơn trong các lĩnh vực như tài chính, tổ chức tự trị phi tập trung, thị trường dự đoán và kế hoạch NFT.

4.3 Kinh tế mã thông báo đã trở thành bước đệm cho câu chuyện về các dự án AI

Như đã đề cập ở phần đầu bài toán mô hình kinh doanh của các dự án AI, khi ngày càng có nhiều mô hình lớn dần trở thành nguồn mở, một số lượng lớn các dự án AI+Web3 thường là các dự án AI thuần túy, khó phát triển và khó tài trợ trong Web2, vì vậy họ chọn tường thuật Overlay Web3 và kinh tế mã thông báo để thúc đẩy sự tương tác của người dùng.

Nhưng điều quan trọng thực sự là liệu việc tích hợp kinh tế mã thông báo có thực sự giúp các dự án AI giải quyết được nhu cầu thực tế hay không, hay đó chỉ là giá trị mang tính tường thuật hay ngắn hạn. thực tế thì đó là một dấu chấm hỏi cần thiết.

Hầu hết các dự án AI+Web3 hiện tại còn lâu mới đạt đến giai đoạn thực tế. Chúng tôi hy vọng rằng các nhóm thực tế và chu đáo hơn sẽ sử dụng mã thông báo nhiều hơn. không chỉ là các dự án AI là một cách để tạo đà mà còn để thực sự đáp ứng các kịch bản nhu cầu thực tế.

Tóm tắt

Hiện tại, dự án AI+Web3 đã có Nhiều trường hợp và ứng dụng đã xuất hiện. Trước hết, công nghệ AI có thể cung cấp các kịch bản ứng dụng thông minh và hiệu quả hơn cho Web3. Thông qua khả năng phân tích và dự đoán dữ liệu của AI, nó có thể giúp người dùng Web3 có công cụ tốt hơn trong việc ra quyết định đầu tư và các tình huống khác. Ngoài ra, AI cũng có thể kiểm tra mã hợp đồng thông minh, tối ưu hóa quy trình thực hiện hợp đồng thông minh và cải thiện hiệu suất và hiệu suất; về hiệu quả của chuỗi khối. Đồng thời, công nghệ AI cũng có thể đưa ra các đề xuất và dịch vụ được cá nhân hóa chính xác và thông minh hơn cho các ứng dụng phi tập trung, cải thiện trải nghiệm người dùng.

Đồng thời, tính năng phân cấp và lập trình của Web3 cũng mang đến những cơ hội mới cho sự phát triển của công nghệ AI. Thông qua các ưu đãi mã thông báo, các dự án sức mạnh điện toán phi tập trung cung cấp các giải pháp mới cho tình trạng thiếu hụt sức mạnh tính toán AI. Các hợp đồng thông minh và cơ chế lưu trữ phân tán của Web3 cũng cung cấp nền tảng rộng hơn cho việc chia sẻ và đào tạo không gian và tài nguyên AI. Cơ chế tự chủ và tin cậy của người dùng Web3 cũng mang đến những khả năng mới cho sự phát triển của AI. Người dùng có thể chọn tham gia chia sẻ và đào tạo dữ liệu, từ đó tăng tính đa dạng và chất lượng của dữ liệu, đồng thời cải thiện hơn nữa hiệu suất và độ chính xác của các mô hình AI.

Mặc dù dự án chéo AI+Web3 hiện tại vẫn đang ở giai đoạn đầu và còn nhiều khó khăn phải đối mặt nhưng nó cũng mang lại nhiều lợi thế. Ví dụ, các sản phẩm điện toán phi tập trung có một số thiếu sót, nhưng chúng làm giảm sự phụ thuộc vào các tổ chức tập trung, mang lại tính minh bạch và khả năng kiểm toán cao hơn, đồng thời cho phép sự tham gia và đổi mới rộng rãi hơn. Đối với các trường hợp sử dụng cụ thể và nhu cầu của người dùng, các sản phẩm sức mạnh tính toán phi tập trung có thể là một lựa chọn có giá trị; điều này cũng đúng khi nói đến việc thu thập dữ liệu và các dự án thu thập dữ liệu phi tập trung cũng mang lại một số lợi thế, chẳng hạn như giảm sự phụ thuộc vào một nguồn dữ liệu duy nhất. phạm vi bao phủ dữ liệu rộng hơn, đồng thời thúc đẩy sự đa dạng và bao gồm dữ liệu, cùng nhiều vấn đề khác. Trên thực tế, những ưu điểm và nhược điểm này cần được cân nhắc, đồng thời cần thực hiện các biện pháp quản lý và kỹ thuật tương ứng để vượt qua các thách thức nhằm đảm bảo rằng các dự án thu thập dữ liệu phi tập trung có tác động tích cực đến sự phát triển của AI.

Nói chung, việc tích hợp AI+Web3 mang lại khả năng không giới hạn cho đổi mới công nghệ và phát triển kinh tế trong tương lai. Bằng cách kết hợp khả năng phân tích thông minh và ra quyết định của AI với khả năng phân quyền và quyền tự chủ của người dùng của Web3, chúng tôi tin rằng một hệ thống kinh tế và xã hội thông minh hơn, cởi mở hơn và công bằng hơn có thể được xây dựng trong tương lai.