Hiểu được sự giao thoa giữa tiền điện tử và trí tuệ nhân tạo

Tác giả bài viết: Lucas Tcheyan Trình biên dịch bài viết: Block Unicorn

Giới thiệu

Sự xuất hiện của chuỗi khối công khai là một trong những tiến bộ sâu sắc nhất trong lịch sử máy tính khoa học . Sự phát triển của trí tuệ nhân tạo sẽ và đang có tác động sâu sắc đến thế giới của chúng ta. Nếu công nghệ chuỗi khối cung cấp một khuôn mẫu mới để giải quyết giao dịch, lưu trữ dữ liệu và thiết kế hệ thống thì trí tuệ nhân tạo là một cuộc cách mạng trong điện toán, phân tích và phân phối nội dung. Những đổi mới trong hai ngành này đang mở ra những trường hợp sử dụng mới có khả năng đẩy nhanh việc áp dụng ở cả hai ngành trong những năm tới. Báo cáo này khám phá sự tích hợp liên tục của tiền điện tử và trí tuệ nhân tạo, tập trung vào các trường hợp sử dụng mới nhằm tìm cách thu hẹp khoảng cách giữa hai lĩnh vực này và khai thác sức mạnh của cả hai. Cụ thể, báo cáo này xem xét các dự án phát triển giao thức điện toán phi tập trung, cơ sở hạ tầng máy học không kiến ​​thức (zkML) và các tác nhân trí tuệ nhân tạo.

Tiền điện tử cung cấp lớp giải quyết không cần cấp phép, không cần tin cậy và có thể tổng hợp cho trí tuệ nhân tạo. Điều này mở ra các trường hợp sử dụng như làm cho phần cứng dễ tiếp cận hơn thông qua các hệ thống điện toán phi tập trung, xây dựng các tác nhân trí tuệ nhân tạo có thể thực hiện các nhiệm vụ phức tạp đòi hỏi phải trao đổi giá trị cũng như phát triển các giải pháp nhận dạng và xuất xứ để chống lại các cuộc tấn công và giả mạo sâu của Sybil. Trí tuệ nhân tạo mang lại nhiều lợi ích tương tự cho tiền điện tử mà chúng ta đã thấy trong Web 2. Điều này bao gồm nâng cao trải nghiệm người dùng (UX) cho người dùng và nhà phát triển thông qua các mô hình ngôn ngữ lớn (tức là ChatGPT và Copilot được đào tạo đặc biệt), cũng như tiềm năng cải thiện đáng kể chức năng hợp đồng thông minh và tự động hóa.  Blockchain là môi trường minh bạch, giàu dữ liệu cần thiết cho trí tuệ nhân tạo. Nhưng blockchain cũng có sức mạnh tính toán hạn chế, đây là trở ngại lớn cho việc tích hợp trực tiếp các mô hình AI.

Các động lực đằng sau việc thử nghiệm đang diễn ra và cuối cùng là áp dụng ở điểm giao thoa giữa tiền điện tử và trí tuệ nhân tạo cũng chính là những động lực thúc đẩy các trường hợp sử dụng hứa hẹn nhất của tiền điện tử — Truy cập vào một nền tảng không cần được phép và không cần tin cậy lớp điều phối để tạo điều kiện thuận lợi hơn cho việc chuyển giao giá trị. Với tiềm năng to lớn, những người tham gia trong lĩnh vực này cần hiểu những cách cơ bản mà hai công nghệ này giao nhau.

Những điểm chính:

• Trong tương lai gần (6 tháng đến 1 năm), việc tích hợp tiền điện tử và AI sẽ bị chi phối bởi các ứng dụng AI giúp tăng hiệu quả của nhà phát triển, bảo mật kiểm tra hợp đồng thông minh và khả năng truy cập của người dùng. Những tích hợp này không dành riêng cho tiền điện tử nhưng nâng cao trải nghiệm người dùng và nhà phát triển trên chuỗi.

• Cũng giống như sự thiếu hụt nghiêm trọng GPU hiệu suất cao, các sản phẩm điện toán phi tập trung đang triển khai các ứng dụng nhân tạo Các sản phẩm GPU tùy biến thông minh, thúc đẩy việc áp dụng.

• Trải nghiệm người dùng và quy định vẫn là rào cản trong việc thu hút khách hàng sử dụng điện toán phi tập trung. Tuy nhiên, những phát triển gần đây trong OpenAI và sự giám sát pháp lý đang diễn ra ở Hoa Kỳ nêu bật đề xuất giá trị của các mạng AI không cần cấp phép, chống kiểm duyệt và phi tập trung.

• Tích hợp trí tuệ nhân tạo trên chuỗi, đặc biệt là các hợp đồng thông minh có thể sử dụng mô hình trí tuệ nhân tạo, cần được cải thiện công nghệ zkML và các phương pháp tính toán khác để xác thực các tính toán ngoài chuỗi. Việc thiếu công cụ toàn diện và tài năng của nhà phát triển cũng như chi phí cao là những rào cản cho việc áp dụng.

• Các tác nhân AI rất phù hợp với tiền điện tử và người dùng (hoặc chính các tác nhân) có thể tạo ví để tương tác với các dịch vụ, đại lý hoặc cá nhân khác để thực hiện giao dịch. Điều này hiện không thể thực hiện được bằng cách sử dụng đường ray tài chính truyền thống. Để được áp dụng rộng rãi hơn, cần phải tích hợp bổ sung với các sản phẩm không phải tiền điện tử.

Thuật ngữ

Trí tuệ nhân tạo là việc sử dụng máy tính và máy móc để bắt chước khả năng suy luận và giải quyết vấn đề của con người.

Mạng lưới thần kinh là phương pháp đào tạo các mô hình trí tuệ nhân tạo. Họ chạy đầu vào thông qua các lớp thuật toán riêng biệt, cải thiện nó cho đến khi tạo ra đầu ra mong muốn. Mạng lưới thần kinh bao gồm các phương trình có trọng số có thể được sửa đổi để thay đổi đầu ra. Họ có thể yêu cầu một lượng lớn dữ liệu và tính toán để đào tạo sao cho kết quả đầu ra của họ chính xác. Đây là một trong những cách phổ biến nhất để phát triển các mô hình trí tuệ nhân tạo (ChatGPT sử dụng quy trình mạng lưới thần kinh dựa trên Transformer).

Đào tạo là quá trình phát triển mạng lưới thần kinh và các mô hình trí tuệ nhân tạo khác. Nó đòi hỏi một lượng lớn dữ liệu để huấn luyện mô hình diễn giải chính xác đầu vào và tạo ra đầu ra chính xác. Trong quá trình huấn luyện, trọng số của các phương trình mô hình liên tục được sửa đổi cho đến khi tạo ra kết quả thỏa đáng. Việc đào tạo có thể rất tốn kém. Ví dụ: ChatGPT sử dụng hàng chục nghìn GPU của riêng mình để xử lý dữ liệu. Các nhóm có ít tài nguyên hơn thường dựa vào các nhà cung cấp điện toán chuyên dụng như Amazon Web Services, Azure và Google Cloud.

Suy luận là việc sử dụng thực tế mô hình AI để thu được đầu ra hoặc kết quả (ví dụ: sử dụng ChatGPT được tạo cho một bài báo trên sự giao thoa giữa tiền điện tử và phác thảo AI). Suy luận được sử dụng trong suốt quá trình đào tạo và trong sản phẩm cuối cùng. Chúng có thể tốn kém để chạy ngay cả sau khi quá trình đào tạo hoàn tất do chi phí tính toán, nhưng lại ít tính toán chuyên sâu hơn so với đào tạo.

Bằng chứng không có kiến ​​thức (ZKP) cho phép xác minh các khiếu nại mà không tiết lộ thông tin cơ bản. Điều này hữu ích trong tiền điện tử vì hai lý do chính: 1) quyền riêng tư và 2) mở rộng quy mô. Để bảo vệ quyền riêng tư, điều này cho phép người dùng thực hiện các giao dịch mà không tiết lộ thông tin nhạy cảm như số lượng ETH trong ví. Để mở rộng quy mô, nó cho phép các tính toán ngoài chuỗi được chứng minh trên chuỗi nhanh hơn so với việc thực hiện lại các tính toán. Điều này cho phép các chuỗi khối và ứng dụng chạy các tính toán ngoài chuỗi với chi phí thấp và sau đó xác minh chúng trên chuỗi. Để biết thêm thông tin về zero-know và vai trò của nó trong Máy ảo Ethereum, hãy xem báo cáo zkEVMs: Tương lai của khả năng mở rộng Ethereum của Christine Kim.

Bản đồ thị trường trí tuệ nhân tạo/tiền điện tử

Các dự án tích hợp trí tuệ nhân tạo và tiền điện tử vẫn đang được xây dựng để hỗ trợ trên quy mô lớn chuỗi Cơ sở hạ tầng cơ bản cần thiết cho tương tác trí tuệ nhân tạo.

Thị trường điện toán phi tập trung đang nổi lên nhằm cung cấp số lượng lớn phần cứng vật lý cần thiết để đào tạo và suy luận các mô hình trí tuệ nhân tạo, chủ yếu ở dạng đơn vị xử lý đồ họa (GPU) ) . Các thị trường hai mặt này kết nối những người cho thuê và tìm kiếm các tính toán cho thuê, tạo điều kiện thuận lợi cho việc chuyển giá trị và xác minh các tính toán. Trong điện toán phi tập trung, một số danh mục con đang nổi lên cung cấp chức năng bổ sung. Ngoài thị trường hai mặt, báo cáo này sẽ xem xét các nhà cung cấp dịch vụ đào tạo máy học chuyên cung cấp chương trình đào tạo có thể kiểm chứng và đầu ra tinh chỉnh, cũng như các dự án dành riêng cho việc kết nối tính toán và tạo mô hình để đạt được trí tuệ nhân tạo, còn thường được gọi là mạng lưới khuyến khích thông minh.

zkML là một lĩnh vực trọng tâm mới nổi dành cho các dự án muốn cung cấp đầu ra mô hình có thể kiểm chứng trên chuỗi một cách hiệu quả về mặt chi phí và kịp thời. Các dự án này chủ yếu cho phép các ứng dụng xử lý các yêu cầu tính toán nặng ngoài chuỗi và sau đó xuất bản đầu ra có thể kiểm chứng trên chuỗi, chứng minh rằng khối lượng công việc ngoài chuỗi là đầy đủ và chính xác. zkML đắt tiền và tốn thời gian trong các trường hợp hiện tại nhưng ngày càng được sử dụng như một giải pháp. Điều này thể hiện rõ qua số lượng tích hợp ngày càng tăng giữa các nhà cung cấp zkML và ứng dụng DeFi/chơi game muốn tận dụng các mô hình AI.

Nguồn cung cấp điện toán đầy đủ và khả năng xác minh các tính toán trên chuỗi sẽ mở ra cơ hội cho các tác nhân trí tuệ nhân tạo trên chuỗi. Đại lý là những mô hình được đào tạo để thực hiện các yêu cầu thay mặt cho người dùng. Đại lý mang đến cơ hội nâng cao đáng kể trải nghiệm trên chuỗi, cho phép người dùng thực hiện các giao dịch phức tạp chỉ bằng cách nói chuyện với chatbot. Tuy nhiên, hiện tại, dự án đại lý vẫn tập trung vào phát triển cơ sở hạ tầng và công cụ để cho phép triển khai dễ dàng và nhanh chóng.

Điện toán phi tập trung

Tổng quan >

Trí tuệ nhân tạo đòi hỏi rất nhiều khả năng tính toán để đào tạo mô hình và chạy suy luận. Trong thập kỷ qua, nhu cầu tính toán đã tăng theo cấp số nhân khi các mô hình trở nên phức tạp hơn. Ví dụ: OpenAI nhận thấy rằng từ năm 2012 đến năm 2018, nhu cầu tính toán cho các mô hình của nó đã tăng từ gấp đôi sau mỗi hai năm lên gấp đôi sau mỗi ba tháng rưỡi. Điều này đã dẫn đến nhu cầu về GPU tăng vọt, với một số công ty khai thác tiền điện tử thậm chí còn tái sử dụng GPU của họ để cung cấp dịch vụ điện toán đám mây. Khi sự cạnh tranh để tiếp cận máy tính ngày càng gay gắt và chi phí tăng lên, một số dự án đang tận dụng mật mã để cung cấp các giải pháp điện toán phi tập trung. Họ cung cấp điện toán theo yêu cầu với mức giá cạnh tranh để các nhóm có thể đào tạo và chạy mô hình với chi phí hợp lý. Trong một số trường hợp, sự đánh đổi có thể là hiệu suất và bảo mật.

Các GPU hiện đại, chẳng hạn như GPU do Nvidia sản xuất, đang có nhu cầu cao. Vào tháng 9, Tether đã mua cổ phần của công ty khai thác Bitcoin Northern Data của Đức, được cho là đã chi 420 triệu USD để mua 10.000 GPU H100, một trong những GPU tiên tiến nhất được sử dụng để đào tạo AI. Thời gian chờ đợi để có được phần cứng hàng đầu có thể ít nhất là sáu tháng và trong nhiều trường hợp thậm chí còn lâu hơn. Tệ hơn nữa, các công ty thường được yêu cầu ký hợp đồng dài hạn để có quyền truy cập vào khối lượng máy tính mà họ thậm chí có thể không sử dụng. Điều này có thể dẫn đến tình trạng máy tính có sẵn nhưng không có sẵn trên thị trường. Các hệ thống máy tính phi tập trung giúp giải quyết những điểm thiếu hiệu quả này của thị trường, tạo ra một thị trường thứ cấp nơi chủ sở hữu máy tính có thể cho thuê lại công suất dư thừa của họ ngay lập tức, từ đó giải phóng nguồn cung mới.

Ngoài giá cả cạnh tranh và khả năng tiếp cận, một đề xuất giá trị quan trọng của điện toán phi tập trung là khả năng chống kiểm duyệt. Sự phát triển AI tiên tiến ngày càng bị chi phối bởi các công ty công nghệ lớn với khả năng truy cập dữ liệu và điện toán vô song. Chủ đề chính đầu tiên được nhấn mạnh trong báo cáo thường niên Chỉ số AI 2023 là ngành công nghiệp ngày càng vượt qua giới học thuật trong việc phát triển các mô hình trí tuệ nhân tạo, tập trung quyền kiểm soát vào tay một số ít nhà lãnh đạo công nghệ. Điều này làm dấy lên mối lo ngại về khả năng họ có ảnh hưởng quá lớn trong việc hình thành các chuẩn mực và giá trị làm nền tảng cho các mô hình AI, đặc biệt là sau khi các công ty công nghệ này thúc đẩy các quy định nhằm hạn chế sự phát triển của AI ngoài tầm kiểm soát của họ.

Lĩnh vực dọc của điện toán phi tập trung

Trong những năm gần đây Một số các mô hình điện toán phi tập trung đã xuất hiện, mỗi mô hình đều có những điểm nhấn và sự cân bằng riêng.

Điện toán tổng quát

Akash, io.net, iExec, Cudos và các dự án khác đều là ứng dụng của điện toán phi tập trung. Ngoài ra đối với các giải pháp điện toán và dữ liệu chung, họ cũng cung cấp hoặc sẽ sớm cung cấp quyền truy cập vào điện toán chuyên dụng để đào tạo và suy luận AI.

Akash hiện là nền tảng "siêu đám mây" nguồn mở hoàn toàn duy nhất. Đây là mạng bằng chứng cổ phần sử dụng SDK Cosmos. AKT là mã thông báo gốc của Akash và đóng vai trò là hình thức thanh toán để bảo mật mạng và khuyến khích sự tham gia. Akash ra mắt mạng chính đầu tiên vào năm 2020, tập trung vào việc cung cấp thị trường điện toán đám mây không cần cấp phép, ban đầu có dịch vụ lưu trữ và cho thuê CPU. Vào tháng 6 năm 2023, Akash đã ra mắt mạng thử nghiệm mới tập trung vào GPU và ra mắt mạng chính GPU vào tháng 9, cho phép người dùng thuê GPU để đào tạo và suy luận trí tuệ nhân tạo.

Có hai người chơi chính trong hệ sinh thái Akash - người thuê và nhà cung cấp. Người thuê là người dùng mạng Akash muốn mua tài nguyên máy tính. Nhà cung cấp là nhà cung cấp máy tính. Để kết nối người thuê và nhà cung cấp, Akash dựa vào quy trình đấu giá ngược. Người thuê gửi yêu cầu điện toán của họ, trong đó họ có thể chỉ định một số điều kiện nhất định, chẳng hạn như vị trí của máy chủ hoặc loại phần cứng để thực hiện tính toán, cũng như số tiền họ sẵn sàng trả. Sau đó, các nhà cung cấp gửi giá yêu cầu của họ và người trả giá thấp nhất sẽ nhận được nhiệm vụ.

Trình xác thực Akash duy trì tính toàn vẹn của mạng.  Một bộ trình xác thực hiện bị giới hạn ở 100 và có kế hoạch tăng số lượng này theo thời gian. Bất kỳ ai cũng có thể trở thành người xác thực bằng cách đặt cược nhiều AKT hơn người xác nhận hiện đang đặt cược số lượng AKT nhỏ nhất. Chủ sở hữu AKT cũng có thể ủy quyền AKT của họ cho người xác nhận. Phí giao dịch và phần thưởng khối của mạng được phân phối trong AKT. Ngoài ra, đối với mỗi lần thuê, mạng Akash kiếm được “phí thu” theo tỷ lệ do cộng đồng xác định và phân phối nó cho chủ sở hữu AKT.

Thị trường thứ cấp

Mục đích của thị trường điện toán phi tập trung Lấp đầy sự thiếu hiệu quả trong thị trường máy tính hiện có. Những hạn chế về nguồn cung khiến các công ty tích trữ tài nguyên máy tính vượt quá mức họ có thể cần và nguồn cung còn bị hạn chế hơn nữa do cấu trúc hợp đồng với các nhà cung cấp đám mây buộc khách hàng phải ký hợp đồng dài hạn ngay cả khi có thể không cần quyền truy cập liên tục. Nền tảng điện toán phi tập trung mở ra nguồn cung mới, cho phép bất kỳ ai trên thế giới có nhu cầu về điện toán đều có thể trở thành nhà cung cấp.

Liệu sự gia tăng nhu cầu GPU cho hoạt động đào tạo AI có chuyển thành việc sử dụng mạng lâu dài trên Akash hay không vẫn còn phải xem xét. Ví dụ, Akash từ lâu đã cung cấp một thị trường cho CPU, cung cấp các dịch vụ tương tự như các lựa chọn thay thế tập trung với mức giảm giá 70-80%. Tuy nhiên, mức giá thấp hơn không dẫn đến việc áp dụng đáng kể. Hợp đồng thuê hoạt động trên mạng đã không còn, trung bình chỉ có 33% điện toán, 16% bộ nhớ và 13% dung lượng lưu trữ tính đến quý 2 năm 2023. Mặc dù đây là những số liệu ấn tượng về việc áp dụng trên chuỗi (để tham khảo, nhà cung cấp lưu trữ hàng đầu Filecoin có mức sử dụng lưu trữ trong quý 3 năm 2023 là 12,6%), điều này cho thấy rằng nguồn cung các sản phẩm này vẫn vượt quá nhu cầu.

Đã hơn nửa năm kể từ khi Akash ra mắt mạng GPU và vẫn còn quá sớm để đánh giá chính xác tỷ lệ áp dụng lâu dài. Đến nay, mức sử dụng GPU đạt trung bình 44%, cao hơn CPU, bộ nhớ và bộ lưu trữ, một dấu hiệu của nhu cầu. Điều này chủ yếu được thúc đẩy bởi nhu cầu về GPU chất lượng cao nhất như A100, với hơn 90% được thuê.

Khoản thanh toán hàng ngày của Akash cũng đã tăng lên, gần như gấp đôi so với trước khi GPU ra đời. Điều này một phần là do việc sử dụng các dịch vụ khác, đặc biệt là CPU, nhưng phần lớn là do việc sử dụng GPU mới.

Giá tương đương (hoặc trong một số trường hợp thậm chí còn đắt hơn) so với các đối thủ cạnh tranh tập trung như Lambda Cloud và Vast.ai. Nhu cầu rất lớn về các GPU cao cấp nhất, chẳng hạn như H100 và A100, có nghĩa là hầu hết chủ sở hữu thiết bị không mấy quan tâm đến việc tung ra nó trong một thị trường có giá cả cạnh tranh.

Mặc dù lợi nhuận ban đầu là dương nhưng vẫn có những rào cản đối với việc áp dụng (sẽ thảo luận thêm bên dưới). Mạng điện toán phi tập trung cần phải làm nhiều hơn nữa để tạo ra cung và cầu, đồng thời các nhóm đang thử nghiệm cách tốt nhất để thu hút người dùng mới. Ví dụ: vào đầu năm 2024, Akash đã thông qua Dự luật 240 để tăng lượng phát thải AKT cho các nhà cung cấp GPU và khuyến khích nhiều nguồn cung hơn, đặc biệt nhắm đến các GPU cao cấp. Nhóm cũng đang nỗ lực tung ra một mô hình chứng minh khái niệm để chứng minh khả năng thời gian thực của mạng cho người dùng tiềm năng. Akash đang đào tạo các mô hình cơ sở của riêng họ và đã tung ra các sản phẩm tạo hình ảnh và chatbot có thể tạo đầu ra bằng GPU Akash. Tương tự như vậy, io.net đã phát triển một mô hình phổ biến ổn định và đang triển khai các tính năng mạng mới để mô phỏng tốt hơn hiệu suất và quy mô của mạng.

Đào tạo máy học phi tập trung

Ngoài việc gặp gỡ In Ngoài nền tảng điện toán chung theo yêu cầu của trí tuệ nhân tạo, một nhóm các nhà cung cấp GPU trí tuệ nhân tạo chuyên nghiệp tập trung vào đào tạo mô hình học máy cũng đang nổi lên. Ví dụ, Gensyn đang "phối hợp sức mạnh và phần cứng để xây dựng trí tuệ tập thể", với ý tưởng rằng "nếu ai đó muốn đào tạo một thứ gì đó và ai đó sẵn sàng đào tạo nó thì việc đào tạo đó phải được phép diễn ra."

< p style="text-align: left;">Giao thức có bốn người tham gia chính: người ủy quyền, người giải quyết, người xác minh và người tố cáo. Người gửi gửi nhiệm vụ với yêu cầu đào tạo lên mạng. Những nhiệm vụ này bao gồm mục tiêu đào tạo, mô hình được đào tạo và dữ liệu đào tạo. Là một phần của quy trình gửi, người gửi phải trả trước cho nỗ lực tính toán ước tính mà người giải yêu cầu.

Sau khi gửi, nhiệm vụ sẽ được giao cho người giải, người sẽ thực sự đào tạo mô hình. Sau đó, người giải quyết sẽ gửi nhiệm vụ đã hoàn thành cho người xác minh, người chịu trách nhiệm kiểm tra nội dung đào tạo để đảm bảo nó được hoàn thành chính xác. Trách nhiệm của người tố cáo là đảm bảo rằng người xác nhận hành động trung thực. Để khuyến khích người tố cáo tham gia vào mạng lưới, Gensyn có kế hoạch thường xuyên cung cấp bằng chứng về các lỗi cố ý và khen thưởng những người tố giác vì đã bắt được chúng.

Ngoài việc cung cấp điện toán cho khối lượng công việc liên quan đến AI, đề xuất giá trị quan trọng của Gensyn là hệ thống xác minh vẫn đang được phát triển. Việc xác thực là cần thiết để đảm bảo rằng các tính toán bên ngoài của nhà cung cấp GPU được thực hiện chính xác (tức là để đảm bảo rằng mô hình của người dùng được đào tạo theo cách họ muốn). Gensyn thực hiện một cách tiếp cận độc đáo để giải quyết vấn đề này, tận dụng các phương pháp xác minh mới được gọi là “bằng chứng học tập xác suất, giao thức chính xác dựa trên biểu đồ và trò chơi khuyến khích kiểu Truebit”. Đây là một chế độ giải lạc quan cho phép người xác minh xác nhận rằng người giải đã chạy mô hình một cách chính xác mà không cần phải chạy lại hoàn toàn mô hình, đây là một quá trình tốn kém và không hiệu quả.

Ngoài các phương pháp xác minh sáng tạo của mình, Gensyn còn tuyên bố là có hiệu quả về mặt chi phí so với các lựa chọn thay thế tập trung và các đối thủ cạnh tranh tiền điện tử - Cung cấp đào tạo ML. Giá lên tới 80 % rẻ hơn AWS và nó hoạt động tốt hơn các dự án tương tự như Truebit trong thử nghiệm.

Liệu những kết quả sơ bộ này có thể được sử dụng trong mạng phi tập trung hay không Sự nhân rộng quy mô lớn vẫn còn được nhìn thấy. Gensyn hy vọng sẽ tận dụng sức mạnh tính toán dư thừa từ các nhà cung cấp như trung tâm dữ liệu nhỏ, người dùng bán lẻ và các thiết bị di động nhỏ trong tương lai như điện thoại di động. Tuy nhiên, như chính nhóm Gensyn thừa nhận, việc dựa vào các nhà cung cấp máy tính không đồng nhất đặt ra một số thách thức mới.

Đối với các nhà cung cấp tập trung như Google Cloud và Coreweave, tính toán tốn kém, trong khi giao tiếp (băng thông và độ trễ) giữa các tính toán lại rẻ. Các hệ thống này được thiết kế để cho phép giao tiếp giữa các phần cứng càng nhanh càng tốt. Gensyn thay đổi khuôn khổ này, giảm chi phí điện toán bằng cách cho phép bất kỳ ai trên thế giới cung cấp GPU, nhưng điều này cũng làm tăng chi phí liên lạc vì mạng hiện phải điều phối các công việc tính toán trên phần cứng không đồng nhất được phân tách rộng rãi. Gensyn vẫn chưa ra mắt nhưng đó là bằng chứng về khái niệm về những gì có thể xảy ra khi xây dựng các giao thức đào tạo máy học phi tập trung.

Trí thông minh chung phi tập trung

Điện toán phi tập trung Nền tảng này cũng cung cấp khả năng thiết kế các phương pháp tạo ra trí tuệ nhân tạo. Bittensor là một giao thức điện toán phi tập trung được xây dựng trên Substrate nhằm trả lời câu hỏi "Làm cách nào để chúng ta biến trí tuệ nhân tạo thành một phương pháp hợp tác?". Bittensor nhằm mục đích phân quyền và thương mại hóa việc tạo ra trí tuệ nhân tạo. Ra mắt vào năm 2021, giao thức này hy vọng sẽ khai thác sức mạnh của các mô hình học máy cộng tác để liên tục lặp lại và tạo ra trí tuệ nhân tạo tốt hơn.

Bittensor lấy cảm hứng từ Bitcoin. Nguồn cung tiền tệ bản địa TAO là 21 triệu và chu kỳ halving là 4 năm (lần halving đầu tiên sẽ diễn ra vào năm 2025) . Thay vì sử dụng bằng chứng công việc để tạo ra các số ngẫu nhiên chính xác và nhận phần thưởng khối, Bittensor dựa vào “bằng chứng thông minh” yêu cầu thợ mỏ chạy các mô hình tạo ra kết quả đầu ra để đáp ứng yêu cầu suy luận.

Trí thông minh được khuyến khích

Bittensor ban đầu dựa vào Kết hợp các chuyên gia (MoE ) để tạo đầu ra. Khi gửi yêu cầu suy luận, mô hình MoE không dựa vào mô hình tổng quát mà chuyển tiếp yêu cầu suy luận đến mô hình chính xác nhất cho loại đầu vào nhất định. Hãy tưởng tượng bạn đang xây một ngôi nhà và thuê nhiều chuyên gia khác nhau để phụ trách các khía cạnh khác nhau của quá trình xây dựng (ví dụ: kiến ​​trúc sư, kỹ sư, họa sĩ, công nhân xây dựng, v.v.). MoE áp dụng điều này cho các mô hình học máy, cố gắng tận dụng đầu ra của các mô hình khác nhau tùy thuộc vào đầu vào. Như người sáng lập Bittensor Ala Shaabana giải thích, nó giống như “nói chuyện với một căn phòng gồm những người thông minh và nhận được câu trả lời tốt nhất, thay vì nói chuyện với một người”. Do những thách thức trong việc đảm bảo định tuyến chính xác, thông báo được đồng bộ hóa theo đúng mô hình và các biện pháp khuyến khích, phương pháp này đã bị tạm dừng cho đến khi dự án được phát triển thêm.

Có hai người tham gia chính trong mạng Bittensor: người xác thực và người khai thác. Người xác thực có nhiệm vụ gửi yêu cầu suy luận đến thợ mỏ, xem xét kết quả đầu ra của họ và xếp hạng chúng dựa trên chất lượng phản hồi của họ. Để đảm bảo rằng thứ hạng của họ là đáng tin cậy, người xác thực được trao điểm "vtrust" dựa trên mức độ nhất quán của thứ hạng của họ với thứ hạng của những người xác thực khác. Điểm vtrust của người xác nhận càng cao thì họ càng nhận được nhiều lượng khí thải TAO. Điều này nhằm khuyến khích những người xác nhận đồng ý về xếp hạng mô hình theo thời gian, vì càng nhiều người xác nhận đồng ý về xếp hạng thì điểm vtrust cá nhân của họ sẽ càng cao.

Người khai thác, còn được gọi là máy chủ, là những người tham gia mạng chạy các mô hình học máy thực tế. Những người khai thác cạnh tranh với nhau để cung cấp cho người xác thực kết quả đầu ra chính xác nhất cho một truy vấn nhất định, với kết quả đầu ra càng chính xác thì lượng phát thải TAO thu được càng nhiều. Người khai thác có thể tạo ra những kết quả đầu ra này theo cách họ muốn. Ví dụ, hoàn toàn có khả năng trong tương lai, các thợ mỏ Bittensor đã đào tạo các mô hình trước đây về Gensyn và sử dụng chúng để kiếm được lượng khí thải TAO.

Ngày nay, hầu hết các tương tác đều diễn ra trực tiếp giữa người xác thực và người khai thác. Người xác thực gửi đầu vào cho người khai thác và yêu cầu đầu ra (tức là mô hình đào tạo). Sau khi người xác thực truy vấn các công cụ khai thác trên mạng và nhận được phản hồi của họ, họ sẽ xếp hạng các công cụ khai thác và gửi thứ hạng của họ lên mạng.

Sự tương tác này giữa người xác thực (dựa vào PoS) và thợ đào (dựa vào bằng chứng mô hình, một dạng PoW) được gọi là sự đồng thuận Yuma. Nó được thiết kế để khuyến khích người khai thác tạo ra sản lượng tốt nhất để kiếm được lượng phát thải TAO và khuyến khích người xác nhận xếp hạng chính xác kết quả đầu ra của người khai thác để đạt được điểm vtrust cao hơn và tăng phần thưởng TAO của họ, từ đó hình thành cơ chế đồng thuận của mạng.

Mạng con và ứng dụng

Tương tác trên Bittensor Chủ yếu liên quan đến người xác thực gửi yêu cầu cho thợ mỏ và đánh giá kết quả đầu ra của họ. Tuy nhiên, khi chất lượng của các công cụ khai thác đóng góp được cải thiện và trí thông minh tổng thể của mạng tăng lên, Bittensor sẽ tạo một lớp ứng dụng trên ngăn xếp hiện có để các nhà phát triển có thể xây dựng các ứng dụng truy vấn mạng Bittensor.

Vào tháng 10 năm 2023, Bittensor đã thực hiện một bước quan trọng để đạt được mục tiêu này bằng cách giới thiệu các mạng con với bản nâng cấp Revolution. Mạng con là các mạng riêng biệt trên Bittensor khuyến khích các hành vi cụ thể. Revolution mở mạng cho bất kỳ ai quan tâm đến việc tạo mạng con. Trong những tháng kể từ khi ra mắt, hơn 32 mạng con đã được tung ra, bao gồm cả các mạng con dành cho lời nhắc văn bản, thu thập dữ liệu, tạo và lưu trữ hình ảnh. Khi các mạng con trưởng thành và sẵn sàng cho sản phẩm, người tạo mạng con cũng sẽ tạo các tích hợp ứng dụng cho phép các nhóm xây dựng các ứng dụng truy vấn các mạng con cụ thể. Một số ứng dụng (ví dụ: chatbot, trình tạo hình ảnh, bot trả lời tweet, thị trường dự đoán) hiện đang tồn tại, nhưng ngoài nguồn tài trợ từ Quỹ Bittensor, không có khuyến khích chính thức nào để người xác thực chấp nhận và chuyển tiếp các truy vấn này.

Để giải thích rõ ràng hơn, đây là ví dụ về cách Bittensor có thể hoạt động khi một ứng dụng được tích hợp vào mạng.

Các mạng con kiếm được TAO dựa trên hiệu suất được mạng gốc đánh giá. Mạng gốc nằm trên tất cả các mạng con, về cơ bản hoạt động như một mạng con đặc biệt và được quản lý theo từng cổ phần bởi 64 nhà xác thực mạng con lớn nhất. Trình xác thực mạng gốc xếp hạng các mạng con dựa trên hiệu suất của chúng và phân bổ định kỳ lượng phát thải TAO cho các mạng con. Bằng cách này, các mạng con riêng lẻ đóng vai trò là công cụ khai thác cho mạng gốc.

Triển vọng của Bittensor

Bittensor vẫn đang gặp sự cố sự khó chịu khi tăng trưởng vì nó mở rộng chức năng của giao thức để khuyến khích thế hệ thông minh trên nhiều mạng con. Những người khai thác liên tục nghĩ ra những cách mới để tấn công mạng nhằm nhận được nhiều phần thưởng TAO hơn, chẳng hạn như bằng cách sửa đổi một chút đầu ra của suy luận được xếp hạng cao do mô hình của họ thực hiện và sau đó gửi nhiều biến thể. Các đề xuất quản trị ảnh hưởng đến toàn bộ mạng chỉ có thể được gửi và triển khai bởi Triumvirate, bao gồm toàn bộ các bên liên quan của Opentensor Foundation (điều đáng chú ý là các đề xuất cần phải được phê duyệt bởi Thượng viện Bittensor, bao gồm các trình xác nhận Bittensor, trước khi triển khai). Nền kinh tế mã thông báo của dự án đang được sửa đổi để tăng khuyến khích sử dụng TAO trên các mạng con. Dự án cũng nhanh chóng nổi tiếng nhờ cách tiếp cận độc đáo, CEO của một trong những trang web AI phổ biến nhất, HuggingFace, nói rằng Bittensor nên bổ sung tài nguyên của mình cho trang web.

Trong một bài đăng gần đây của các nhà phát triển cốt lõi có tiêu đề "Mô hình Bittensor", nhóm đã đặt ra tầm nhìn để Bittensor cuối cùng phát triển thành Một thứ đang được đo lường thì chưa được biết đến ”. Về lý thuyết, điều này có thể cho phép Bittensor phát triển các mạng con để khuyến khích mọi loại hành vi do TAO cung cấp. Vẫn còn những hạn chế thực tế đáng kể – đáng chú ý nhất là chứng tỏ rằng các mạng này có thể mở rộng quy mô để xử lý các quy trình đa dạng như vậy và các động lực tiềm năng để thúc đẩy tiến bộ vượt ra ngoài các sản phẩm tập trung.

Xây dựng hệ thống điện toán phi tập trung cho các mô hình trí tuệ nhân tạo

Các phần trên cung cấp cái nhìn tổng quan sâu sắc về các loại giao thức điện toán trí tuệ nhân tạo phi tập trung khác nhau đang được phát triển. Trong giai đoạn đầu phát triển và áp dụng, chúng cung cấp nền tảng của một hệ sinh thái mà cuối cùng có thể tạo điều kiện thuận lợi cho việc tạo ra “các khối xây dựng trí tuệ nhân tạo”, chẳng hạn như khái niệm “tiền Lego” của DeFi. Khả năng kết hợp của các chuỗi khối không cần cấp phép mở ra khả năng mỗi giao thức được xây dựng chồng lên nhau để cung cấp một hệ sinh thái AI phi tập trung toàn diện hơn.

Ví dụ: đây là một cách mà Akash, Gensyn và Bittensor đều có thể tương tác để đáp lại các yêu cầu suy luận.

Xin nói rõ rằng đây chỉ là ví dụ về những gì có thể xảy ra trong tương lai và không đại diện cho hệ sinh thái hiện tại, các mối quan hệ đối tác hiện có hoặc các kết quả có thể xảy ra.  Các hạn chế về khả năng tương tác và những cân nhắc khác được mô tả dưới đây hạn chế rất nhiều khả năng tích hợp ngày nay. Ngoài ra, sự phân mảnh thanh khoản và nhu cầu sử dụng nhiều token có thể ảnh hưởng đến trải nghiệm người dùng, điều mà cả người sáng lập Akash và Bittensor đều chỉ ra.

Các sản phẩm phi tập trung khác

Bên cạnh điện toán, cũng đã ra mắt một số dịch vụ cơ sở hạ tầng phi tập trung khác để hỗ trợ hệ sinh thái trí tuệ nhân tạo mới nổi của tiền điện tử. Việc liệt kê tất cả chúng nằm ngoài phạm vi của báo cáo này, nhưng một số ví dụ thú vị và minh họa bao gồm:

• Đại dương:Thị trường dữ liệu phi tập trung. Người dùng có thể tạo NFT dữ liệu đại diện cho dữ liệu của họ và có thể mua chúng bằng cách sử dụng mã thông báo dữ liệu. Người dùng vừa có thể kiếm tiền vừa có chủ quyền lớn hơn đối với dữ liệu của mình, đồng thời cung cấp cho nhóm AI quyền truy cập vào dữ liệu họ cần để phát triển và đào tạo mô hình.

• Cỏ:Đi Thị trường băng thông tập trung Người dùng có thể bán băng thông dư thừa cho các công ty trí tuệ nhân tạo để sử dụng nó để thu thập dữ liệu từ Internet. Được xây dựng trên Mạng Wynd, điều này không chỉ cho phép các cá nhân kiếm tiền từ băng thông của họ mà còn cung cấp cho người mua băng thông cái nhìn đa dạng hơn về những gì người dùng cá nhân nhìn thấy trực tuyến (vì truy cập Internet của một cá nhân thường được tùy chỉnh cụ thể theo địa chỉ IP của nó)).

• HiveMapper:Build Một sản phẩm lập bản đồ phi tập trung chứa thông tin được thu thập từ những người lái xe ô tô hàng ngày. HiveMapper dựa vào AI để diễn giải các hình ảnh được thu thập từ camera bảng điều khiển của người dùng và thưởng cho người dùng mã thông báo để giúp tinh chỉnh các mô hình AI thông qua Phản hồi học tập tăng cường của con người (RHLF).

Nhìn chung, tất cả những điều này đều hướng đến việc khám phá các thị trường phi tập trung hỗ trợ các mô hình trí tuệ nhân tạo Hầu như không giới hạn cơ hội để mô hình hóa hoặc phát triển cơ sở hạ tầng xung quanh cần thiết cho họ. Hiện tại, hầu hết các dự án này đang ở giai đoạn chứng minh khái niệm và cần nhiều nghiên cứu và phát triển hơn để chứng minh rằng chúng có thể hoạt động ở quy mô cần thiết để cung cấp đầy đủ các dịch vụ AI.

Outlook

Các sản phẩm điện toán phi tập trung vẫn đang trong giai đoạn phát triển ban đầu sân khấu. Họ mới bắt đầu triển khai các khả năng tính toán tiên tiến nhất có khả năng đào tạo các mô hình AI mạnh nhất trong sản xuất. Để giành được thị phần có ý nghĩa, họ cần chứng minh được lợi thế thực sự so với các lựa chọn thay thế tập trung. Các yếu tố kích thích tiềm năng để áp dụng rộng rãi hơn bao gồm:

• Cung/cầu GPU.  Sự khan hiếm GPU cùng với nhu cầu điện toán ngày càng tăng nhanh đang dẫn đến một cuộc chạy đua vũ trang về GPU. OpenAI đã hạn chế quyền truy cập vào nền tảng của nó do hạn chế về GPU. Các nền tảng như Akash và Gensyn có thể cung cấp các giải pháp thay thế cạnh tranh về chi phí cho các nhóm yêu cầu điện toán hiệu năng cao. 6-12 tháng tới là cơ hội đặc biệt duy nhất để các nhà cung cấp máy tính phi tập trung thu hút người dùng mới, những người buộc phải xem xét các sản phẩm phi tập trung do thiếu khả năng tiếp cận thị trường rộng hơn. Cùng với hiệu suất ngày càng tăng của các mô hình nguồn mở như LLaMA2 của Meta, người dùng không còn gặp phải những trở ngại tương tự trong việc triển khai các mô hình tinh chỉnh hiệu quả, khiến tài nguyên máy tính trở thành nút thắt lớn. Tuy nhiên, bản thân sự tồn tại của nền tảng không đảm bảo đủ nguồn cung máy tính và nhu cầu tương ứng từ người tiêu dùng. Việc mua GPU cao cấp vẫn còn khó khăn và chi phí không phải lúc nào cũng là động lực chính đối với nhu cầu. Các nền tảng này sẽ được thử thách để tích lũy người dùng gắn bó bằng cách chứng minh lợi ích thực sự của việc sử dụng các tùy chọn điện toán phi tập trung (cho dù do chi phí, khả năng chống kiểm duyệt, thời gian hoạt động và khả năng phục hồi hay khả năng truy cập). Họ phải hành động nhanh chóng. Đầu tư và xây dựng cơ sở hạ tầng GPU đang diễn ra với tốc độ đáng kinh ngạc.

• Điều khoản. Quy định vẫn là trở ngại cho phong trào điện toán phi tập trung. Trong ngắn hạn, việc thiếu quy định rõ ràng đồng nghĩa với việc cả nhà cung cấp và người dùng đều phải đối mặt với những rủi ro tiềm ẩn khi sử dụng các dịch vụ này. Điều gì sẽ xảy ra nếu nhà cung cấp cung cấp các phép tính hoặc người mua vô tình mua các phép tính từ cơ quan bị xử phạt? Người dùng có thể do dự khi sử dụng các nền tảng phi tập trung thiếu sự kiểm soát và giám sát từ một thực thể tập trung. Các giao thức cố gắng giảm thiểu những lo ngại này bằng cách kết hợp các biện pháp kiểm soát vào nền tảng của chúng hoặc thêm bộ lọc để chỉ truy cập vào các nhà cung cấp máy tính đã biết (tức là cung cấp thông tin nhận biết khách hàng (KYC)), nhưng cần có các phương pháp mạnh mẽ hơn để bảo vệ quyền riêng tư trong khi vẫn đảm bảo tuân thủ. Trong ngắn hạn, chúng ta có thể thấy sự xuất hiện của KYC và các nền tảng tuân thủ hạn chế quyền truy cập vào các giao thức của họ để giải quyết những vấn đề này. Ngoài ra, các cuộc thảo luận xung quanh một khung pháp lý mới khả thi ở Hoa Kỳ, được minh họa rõ nhất bằng việc ban hành Lệnh hành pháp về phát triển và sử dụng trí tuệ nhân tạo an toàn, bảo mật và đáng tin cậy, nêu bật khả năng hành động pháp lý nhằm hạn chế hơn nữa quyền truy cập vào GPU .

• Kiểm duyệt. Quy định hoạt động theo cả hai cách và các sản phẩm điện toán phi tập trung có thể được hưởng lợi từ các hành động hạn chế quyền truy cập vào trí tuệ nhân tạo. Ngoài mệnh lệnh điều hành, người sáng lập OpenAI Sam Altman còn làm chứng trước Quốc hội về sự cần thiết của các cơ quan quản lý để cấp giấy phép phát triển AI. Các cuộc thảo luận về quy định AI chỉ mới bắt đầu, nhưng bất kỳ nỗ lực nào nhằm hạn chế quyền truy cập hoặc kiểm duyệt khả năng AI có thể đẩy nhanh việc áp dụng các nền tảng phi tập trung nơi những rào cản như vậy không tồn tại. Những thay đổi về lãnh đạo của OpenAI (hoặc thiếu sự thay đổi đó) vào tháng 11 là bằng chứng rõ ràng hơn về rủi ro của việc trao quyền ra quyết định đối với các mô hình AI mạnh mẽ nhất hiện có cho một số người. Hơn nữa, tất cả các mô hình AI nhất thiết phải phản ánh thành kiến ​​của những người tạo ra chúng, dù có chủ ý hay không. Một cách để loại bỏ những thành kiến ​​này là làm cho các mô hình trở nên cởi mở nhất có thể để tinh chỉnh và đào tạo, đảm bảo rằng bất kỳ ai, ở bất kỳ đâu đều có thể truy cập vào các mô hình thuộc mọi loại và thành kiến.

• Bảo mật dữ liệu. Khi được tích hợp với các giải pháp bảo mật và dữ liệu bên ngoài mang lại cho người dùng quyền tự chủ về dữ liệu, điện toán phi tập trung có thể trở nên hấp dẫn hơn so với các giải pháp thay thế tập trung. Samsung trở thành nạn nhân khi nhận ra các kỹ sư đang sử dụng ChatGPT để hỗ trợ thiết kế chip và rò rỉ thông tin nhạy cảm cho ChatGPT. Phala Network và iExec tuyên bố sẽ cung cấp cho người dùng các vùng bảo mật SGX để bảo vệ dữ liệu người dùng và nghiên cứu đang diễn ra về mã hóa đồng hình hoàn toàn có thể mở khóa thêm tính toán phi tập trung nhằm đảm bảo quyền riêng tư. Khi AI ngày càng được tích hợp sâu hơn vào cuộc sống của chúng ta, người dùng sẽ đặt giá trị lớn hơn vào việc có thể chạy các mô hình trên các ứng dụng bảo vệ quyền riêng tư. Người dùng cũng cần các dịch vụ hỗ trợ khả năng kết hợp dữ liệu để họ có thể chuyển dữ liệu từ mô hình này sang mô hình khác một cách liền mạch.

• Trải nghiệm người dùng (UX). Trải nghiệm người dùng vẫn là rào cản đáng kể cho việc áp dụng rộng rãi hơn tất cả các loại ứng dụng và cơ sở hạ tầng tiền điện tử. Điều này không khác gì đối với các sản phẩm điện toán phi tập trung và trong một số trường hợp còn trở nên trầm trọng hơn do các nhà phát triển cần hiểu rõ về tiền điện tử và trí tuệ nhân tạo. Cần có những cải tiến từ những điều cơ bản, chẳng hạn như tham gia và trích xuất các tương tác với chuỗi khối để cung cấp đầu ra chất lượng cao tương tự như các công ty dẫn đầu thị trường hiện tại. Điều này là hiển nhiên vì nhiều giao thức điện toán phi tập trung đang hoạt động cung cấp các sản phẩm rẻ hơn đang gặp khó khăn để được sử dụng thường xuyên.

Hợp đồng thông minh và zkML

Hợp đồng thông minh là khối xây dựng cốt lõi của bất kỳ hệ sinh thái blockchain nào. Chúng tự động hóa và giảm thiểu hoặc loại bỏ nhu cầu về bên thứ ba đáng tin cậy với một bộ điều kiện cụ thể, cho phép tạo ra các ứng dụng phi tập trung phức tạp như các ứng dụng trong DeFi. Tuy nhiên, chức năng của hợp đồng thông minh vẫn còn hạn chế vì chúng thực thi dựa trên các tham số đặt trước phải được cập nhật.

Ví dụ: triển khai hợp đồng thông minh cho giao thức cho vay/mượn có chứa thông số kỹ thuật về thời điểm một vị thế sẽ được thanh lý dựa trên tỷ lệ cho vay trên giá trị cụ thể . Mặc dù hữu ích trong môi trường tĩnh, trong các tình huống động nơi rủi ro liên tục thay đổi, các hợp đồng thông minh này phải được cập nhật liên tục để thích ứng với những thay đổi về mức độ chấp nhận rủi ro, điều này tạo ra thách thức cho các hợp đồng không được quản lý thông qua quy trình tập trung. Ví dụ: một DAO dựa vào quy trình quản trị phi tập trung có thể không phản ứng nhanh với các rủi ro hệ thống.

Hợp đồng thông minh tích hợp trí tuệ nhân tạo (tức là các mô hình máy học) là một cách khả thi để nâng cao chức năng, tính bảo mật và hiệu quả đồng thời cải thiện trải nghiệm tổng thể của người dùng. Tuy nhiên, những tích hợp này cũng mang lại những rủi ro bổ sung, vì không thể đảm bảo rằng các mô hình làm nền tảng cho các hợp đồng thông minh này sẽ không bị khai thác hoặc giải quyết các tình huống kéo dài (gây khó khăn cho việc đào tạo các mô hình do khan hiếm dữ liệu đầu vào).

Học máy không có kiến ​​thức (zkML)

Máy học Cần một lượng lớn tính toán để chạy các mô hình phức tạp, điều này khiến các mô hình trí tuệ nhân tạo không thể chạy trực tiếp trong hợp đồng thông minh do chi phí cao. Ví dụ: giao thức DeFi cung cấp cho người dùng mô hình tối ưu hóa doanh thu sẽ gặp khó khăn khi chạy mô hình trên chuỗi mà không phải trả phí gas cắt cổ. Một giải pháp là tăng sức mạnh tính toán của chuỗi khối cơ bản. Tuy nhiên, điều này cũng làm tăng các yêu cầu đối với bộ trình xác thực chuỗi, có khả năng phá vỡ tính chất phân cấp. Thay vào đó, một số dự án đang khám phá việc sử dụng zkML để xác minh kết quả đầu ra theo cách không cần tin cậy mà không cần tính toán chuyên sâu trên chuỗi.

Một ví dụ phổ biến minh họa tính hữu ích của zkML là khi người dùng cần người khác chạy dữ liệu thông qua một mô hình và xác minh rằng đối tác của họ thực sự đang chạy đúng mô hình. Có lẽ các nhà phát triển đang sử dụng một nhà cung cấp máy tính phi tập trung để đào tạo mô hình của họ và lo ngại rằng nhà cung cấp này đang cố gắng cắt giảm chi phí bằng cách sử dụng một mô hình rẻ hơn với sự khác biệt gần như không thể nhận thấy về sản lượng. zkML cho phép các nhà cung cấp máy tính chạy dữ liệu thông qua các mô hình của họ và sau đó tạo bằng chứng có thể được xác minh trên chuỗi để chứng minh rằng đầu ra của mô hình được cung cấp đầu vào là chính xác. Trong trường hợp này, các nhà cung cấp mô hình sẽ có thêm lợi thế là có thể cung cấp mô hình của họ mà không cần phải tiết lộ trọng số cơ bản tạo ra kết quả đầu ra.

Bạn cũng có thể làm ngược lại. Nếu người dùng muốn chạy một mô hình bằng cách sử dụng dữ liệu của họ nhưng không muốn dự án cung cấp mô hình đó có quyền truy cập vào dữ liệu của họ do lo ngại về quyền riêng tư (ví dụ: trong trường hợp kiểm tra y tế hoặc thông tin kinh doanh độc quyền), người dùng có thể chạy một mô hình trên dữ liệu của họ Chạy mô hình mà không chia sẻ dữ liệu, sau đó xác minh rằng họ đã chạy đúng mô hình bằng bằng chứng. Những khả năng này mở rộng đáng kể không gian thiết kế để tích hợp trí tuệ nhân tạo và chức năng hợp đồng thông minh bằng cách giải quyết các hạn chế tính toán nghiêm trọng.

Cơ sở hạ tầng và công cụ

Trong những ngày đầu của thế giới Trạng thái trường zkML, việc phát triển chủ yếu tập trung vào việc xây dựng cơ sở hạ tầng và công cụ mà nhóm cần để chuyển đổi các mô hình và kết quả đầu ra của mình thành bằng chứng có thể được xác minh trên chuỗi. Những sản phẩm này chắt lọc càng nhiều sự phát triển không có kiến ​​thức càng tốt.

EZKL và Giza là hai dự án xây dựng công cụ này bằng cách cung cấp bằng chứng có thể kiểm chứng về việc thực hiện mô hình học máy. Cả hai nhóm đều giúp xây dựng các mô hình học máy để đảm bảo các mô hình đó hoạt động ở dạng mà kết quả có thể được tin cậy và xác minh trên chuỗi. Cả hai dự án đều sử dụng Open Neural Network Exchange (ONNX) để chuyển đổi các mô hình học máy được viết bằng các ngôn ngữ có mục đích chung như TensorFlow và Pytorch thành các định dạng tiêu chuẩn. Sau đó, họ đưa ra các phiên bản của các mô hình này cũng tạo ra bằng chứng zk khi được thực thi. EZKL là nguồn mở và tạo ra zk-SNARKS, trong khi Giza là nguồn đóng và tạo ra zk-STARKS. Cả hai dự án hiện chỉ tương thích với EVM.

EZKL đã đạt được tiến bộ đáng kể trong việc nâng cao giải pháp zkML của mình trong vài tháng qua, với trọng tâm chính là giảm chi phí, cải thiện bảo mật và tăng tốc độ tạo bằng chứng. Ví dụ: vào tháng 11 năm 2023, EZKL đã tích hợp thư viện GPU nguồn mở mới giúp giảm 35% thời gian chứng minh tổng hợp; vào tháng 1, EZKL đã phát hành Lilith, một giải pháp phần mềm để tích hợp khi sử dụng chứng minh EZKL. Các cụm điện toán hiệu suất cao và hệ thống công việc đồng thời được phối hợp . Giza độc đáo ở chỗ, ngoài việc cung cấp các công cụ để tạo mô hình học máy có thể kiểm chứng, họ còn có kế hoạch triển khai web3 tương đương với Ôm mặt, mở thị trường người dùng để cộng tác zkML và chia sẻ mô hình, và cuối cùng tích hợp sản phẩm điện toán phi tập trung. Vào tháng 1, EZKL đã công bố đánh giá điểm chuẩn so sánh hiệu suất của EZKL, Giza và RiscZero (được mô tả bên dưới). EZKL chứng minh thời gian chứng minh và sử dụng bộ nhớ nhanh hơn.

Modulus Labs cũng đang phát triển một mô hình được thiết kế riêng cho AI Công nghệ chứng minh zk mới tùy chỉnh. Modulus đã xuất bản một bài báo có tên "Chi phí thông minh" (ngụ ý rằng chi phí chạy các mô hình AI trên chuỗi là cực kỳ cao), bài báo này đã đánh giá hệ thống chứng minh zk hiện có vào thời điểm đó để xác định cách cải thiện bằng chứng zk trong các mô hình AI. và những điểm nghẽn. Bài báo xuất bản vào tháng 1 năm 2023 cho thấy rằng các sản phẩm hiện tại quá đắt và không hiệu quả để có thể triển khai các ứng dụng AI trên quy mô lớn. Dựa trên nghiên cứu ban đầu, Modulus đã ra mắt Remainder vào tháng 11, một công cụ chứng minh không có kiến ​​thức chuyên biệt được thiết kế đặc biệt để giảm chi phí và thời gian chứng minh các mô hình AI, với mục tiêu làm cho các dự án có hiệu quả kinh tế và chuyển đổi các mô hình để Tích hợp vào hợp đồng thông minh trên quy mô lớn. Công việc của họ là nguồn đóng và do đó không thể so sánh với các giải pháp trên, nhưng công việc của họ gần đây đã được trích dẫn trong bài đăng trên blog của Vitalik về tiền điện tử và trí tuệ nhân tạo.

Việc phát triển các công cụ và cơ sở hạ tầng rất quan trọng đối với sự phát triển trong tương lai của không gian zkML, vì nó có thể làm giảm đáng kể nhu cầu triển khai và chạy các tính toán ngoài chuỗi có thể kiểm chứng được. ma sát đường của đội. Việc tạo ra các giao diện an toàn cho phép các nhà xây dựng không phải là người gốc tiền điện tử làm việc trong lĩnh vực học máy đưa mô hình của họ vào chuỗi sẽ cho phép các ứng dụng có thể thử nghiệm tốt hơn với các trường hợp sử dụng thực sự mới lạ. Các công cụ này cũng giải quyết một rào cản lớn đối với việc áp dụng zkML rộng rãi hơn, đó là việc thiếu các nhà phát triển có kiến ​​thức quan tâm đến việc làm việc ở điểm giao thoa giữa không có kiến ​​thức, học máy và mật mã.

Bộ đồng xử lý

Các giải pháp khác đang được phát triển (được gọi là "bộ đồng xử lý ") bao gồm RiscZero, Axiom và Ritual. Thuật ngữ bộ đồng xử lý chủ yếu mang tính ngữ nghĩa – các mạng này thực hiện nhiều vai trò khác nhau, bao gồm xác thực các tính toán ngoài chuỗi trên chuỗi. Giống như EZKL, Giza và Modulus, mục tiêu của họ là trừu tượng hóa hoàn toàn quá trình tạo bằng chứng không có kiến ​​thức, về cơ bản tạo ra một máy ảo không có kiến ​​thức có khả năng thực thi các chương trình ngoài chuỗi và tạo bằng chứng xác minh trên chuỗi. RiscZero và Axiom có ​​thể phục vụ các mô hình AI đơn giản vì chúng là các bộ đồng xử lý có mục đích chung hơn, trong khi Ritual được thiết kế đặc biệt để sử dụng với các mô hình AI.

Infernet là phiên bản đầu tiên của Ritual và bao gồm SDK Infernet cho phép các nhà phát triển thêm Gửi một yêu cầu suy luận và nhận lại kết quả đầu ra và bằng chứng (tùy chọn). Infernet Các nút nhận các yêu cầu này và xử lý các tính toán ngoài chuỗi trước khi trả về đầu ra. Ví dụ: DAO có thể tạo một quy trình đảm bảo tất cả các đề xuất quản trị mới đáp ứng các điều kiện tiên quyết nhất định trước khi được gửi. Mỗi khi một đề xuất mới được gửi, hợp đồng quản trị sẽ kích hoạt yêu cầu suy luận thông qua Infernet, gọi mô hình AI được đào tạo về quản trị dành riêng cho DAO. Mô hình xem xét các đề xuất để đảm bảo tất cả các tiêu chí cần thiết được gửi và trả về kết quả đầu ra cũng như bằng chứng để phê duyệt hoặc từ chối việc gửi đề xuất.

Trong năm tới, nhóm Ritual có kế hoạch ra mắt nhiều tính năng hơn để hình thành lớp cơ sở hạ tầng được gọi là Ritual Super Chain. Nhiều dự án được thảo luận trước đó có thể được đưa vào Ritual với tư cách là nhà cung cấp dịch vụ. Nhóm Ritual đã tích hợp với EZKL để tạo bằng chứng và có thể sớm bổ sung chức năng từ các nhà cung cấp hàng đầu khác. Các nút Infernet trên Ritual cũng có thể sử dụng GPU Akash hoặc io.net với các mô hình truy vấn được đào tạo trên mạng con Bittensor. Mục tiêu cuối cùng của họ là trở thành nhà cung cấp được lựa chọn cho cơ sở hạ tầng AI mở, có khả năng phục vụ máy học và các tác vụ khác liên quan đến AI trên bất kỳ mạng nào, cho bất kỳ khối lượng công việc nào.

Ứng dụng

zkML giúp dung hòa các khối Mâu thuẫn giữa blockchain và trí tuệ nhân tạo là cái trước vốn có nguồn lực hạn chế, trong khi cái sau đòi hỏi một lượng lớn máy tính và dữ liệu. Như một trong những người sáng lập Giza đã nói, "Các trường hợp sử dụng rất phong phú... Nó hơi giống những ngày đầu Ethereum hỏi các trường hợp sử dụng cho hợp đồng thông minh là gì... tất cả những gì chúng tôi đã làm là mở rộng các trường hợp sử dụng cho hợp đồng thông minh. " Tuy nhiên, như đã đề cập ở trên, ngày nay Sự phát triển chủ yếu diễn ra ở cấp độ công cụ và cơ sở hạ tầng. Ứng dụng này vẫn đang trong giai đoạn khám phá và thách thức đối với nhóm là chứng minh rằng giá trị của việc triển khai mô hình bằng zkML vượt xa độ phức tạp và chi phí của nó.

Một số ứng dụng hiện tại bao gồm:

• Tài chính phi tập trung. zkML nâng cấp không gian thiết kế của DeFi bằng cách nâng cao khả năng của hợp đồng thông minh. Giao thức DeFi cung cấp lượng lớn dữ liệu có thể xác minh và bất biến cho các mô hình học máy, có thể được sử dụng để tạo ra lợi nhuận hoặc chiến lược giao dịch, phân tích rủi ro, trải nghiệm người dùng, v.v. Ví dụ: Giza hợp tác với Yearn Finance để xây dựng một công cụ đánh giá rủi ro tự động bằng chứng khái niệm cho kho tiền v3 mới của Yearn. Modulus Labs hợp tác với Lyra Finance để kết hợp công nghệ máy học vào AMM của mình, hợp tác với Ion Protocol để triển khai các mô hình phân tích rủi ro của trình xác thực và giúp Upshot xác thực nguồn cấp dữ liệu giá NFT do AI cung cấp. Các giao thức như NOYA (tận dụng EZKL) và Mozaic cung cấp quyền truy cập vào các mô hình ngoài chuỗi độc quyền cho phép người dùng truy cập vào khai thác thanh khoản tự động đồng thời cho phép họ xác minh bằng chứng và đầu vào dữ liệu trên chuỗi. Spectral Finance đang xây dựng một công cụ chấm điểm tín dụng trực tuyến để dự đoán khả năng những người đi vay Hợp chất hoặc Aave sẽ vỡ nợ đối với các khoản vay của họ. Những sản phẩm được gọi là “De-Ai-Fi” này có thể sẽ trở nên phổ biến hơn trong những năm tới nhờ zkML.

• Game. Trò chơi từ lâu đã được cho là bị gián đoạn và nâng cao bởi các chuỗi khối công khai. zkML giúp việc chơi game trên chuỗi trở nên khả thi nhờ trí tuệ nhân tạo. Modulus Labs đã triển khai bằng chứng khái niệm cho một trò chơi trực tuyến đơn giản. Leela vs the World là một trò chơi cờ vua lý thuyết trò chơi trong đó người dùng thi đấu với mô hình cờ vua AI và zkML xác minh rằng mọi nước đi mà Leela thực hiện đều dựa trên mô hình đang chạy trò chơi. Tương tự như vậy, nhóm cũng sử dụng khuôn khổ EZKL để xây dựng các cuộc thi hát đơn giản và trò chơi tic-tac-toe trên chuỗi. Cartridge đang sử dụng Giza để cho phép các nhóm triển khai hoàn toàn các trò chơi trên dây chuyền, gần đây nhất là nêu bật một trò chơi lái xe AI đơn giản trong đó người dùng cạnh tranh để tạo ra những mẫu ô tô tốt hơn đang cố gắng tránh chướng ngại vật. Mặc dù đơn giản nhưng những bằng chứng khái niệm này chỉ ra những triển khai trong tương lai có khả năng xác minh trên chuỗi phức tạp hơn, chẳng hạn như các diễn viên NPC phức tạp có khả năng tương tác với nền kinh tế trong trò chơi, như đã thấy trong AI Arena, một siêu Smash Bros. trò chơi trong đó người chơi có thể huấn luyện chiến binh của riêng mình và sau đó triển khai họ vào trận chiến dưới dạng mô hình trí tuệ nhân tạo.

• Danh tính, xuất xứ và quyền riêng tư. Tiền điện tử đã được sử dụng như một phương tiện để xác minh tính xác thực và chống lại số lượng ngày càng tăng của nội dung do AI tạo/thao túng và các nội dung giả mạo. zkML có thể thúc đẩy những nỗ lực này. WorldCoin là một giải pháp chứng minh danh tính yêu cầu người dùng quét mống mắt của họ để tạo ID duy nhất. Trong tương lai, ID sinh trắc học có thể được tự lưu trữ trên các thiết bị cá nhân sử dụng bộ lưu trữ được mã hóa và sử dụng các mô hình cần thiết để xác thực sinh trắc học chạy cục bộ. Sau đó, người dùng có thể cung cấp bằng chứng sinh trắc học mà không tiết lộ danh tính, đảm bảo quyền riêng tư đồng thời chống lại các cuộc tấn công của Sybil. Điều này cũng có thể được áp dụng cho các hệ quả tất yếu khác yêu cầu quyền riêng tư, chẳng hạn như sử dụng mô hình để phân tích dữ liệu/hình ảnh y tế để phát hiện bệnh, xác minh tính cách và phát triển thuật toán so khớp trong ứng dụng hẹn hò hoặc các tổ chức bảo hiểm và cho vay yêu cầu xác minh thông tin tài chính.

Outlook

zkML vẫn đang trong giai đoạn thử nghiệm, với hầu hết các dự án tập trung vào việc xây dựng cơ sở hạ tầng nguyên thủy và bằng chứng về khái niệm. Những thách thức ngày nay bao gồm chi phí tính toán, hạn chế về bộ nhớ, độ phức tạp của mô hình, công cụ và cơ sở hạ tầng hạn chế cũng như tài năng của nhà phát triển. Nói tóm lại, còn rất nhiều việc phải làm trước khi zkML có thể được triển khai ở quy mô cần thiết cho các sản phẩm tiêu dùng.

Tuy nhiên, khi lĩnh vực này phát triển và những hạn chế này được giải quyết, zkML sẽ trở thành thành phần chính của việc tích hợp AI và mật mã. Về bản chất, zkML hứa hẹn có thể thực hiện tính toán ngoài chuỗi trên chuỗi ở bất kỳ quy mô nào trong khi vẫn duy trì các đảm bảo bảo mật tương tự hoặc gần giống như chạy trên chuỗi. Tuy nhiên, cho đến khi tầm nhìn này thành hiện thực, những người áp dụng sớm công nghệ này sẽ tiếp tục phải cân nhắc giữa quyền riêng tư và tính bảo mật của zkML với hiệu quả của các lựa chọn thay thế.

Tác nhân trí tuệ nhân tạo

Trí tuệ nhân tạo và tiền điện tử là Một trong những sự tích hợp thú vị nhất là thử nghiệm đang diễn ra với các tác nhân trí tuệ nhân tạo. Tác nhân là những robot tự động có khả năng tiếp nhận, phiên dịch và thực hiện nhiệm vụ bằng mô hình trí tuệ nhân tạo. Đây có thể là bất cứ điều gì từ việc luôn có sẵn trợ lý cá nhân để điều chỉnh sở thích của bạn cho đến thuê đại lý tài chính để quản lý và điều chỉnh danh mục đầu tư dựa trên khẩu vị rủi ro của bạn.

Vì tiền điện tử cung cấp cơ sở hạ tầng thanh toán không cần cấp phép và không cần sự tin cậy nên proxy và tiền điện tử có thể hoạt động tốt với nhau. Sau khi đào tạo, các đại lý được cấp một chiếc ví để họ có thể tự mình thực hiện các giao dịch bằng hợp đồng thông minh. Ví dụ: các đại lý ngày nay có thể thu thập thông tin trên internet và sau đó giao dịch trên các thị trường dự đoán dựa trên mô hình.

Nhà cung cấp proxy

Morpheus là một trong những Ethereum năm 2024 các dự án proxy nguồn mở mới nhất được triển khai trên Fang và Arbitrum. Sách trắng của nó, được xuất bản ẩn danh vào tháng 9 năm 2023, đã cung cấp cơ sở cho việc hình thành và xây dựng cộng đồng (bao gồm cả những nhân vật nổi bật như Erik Vorhees). Sách trắng bao gồm giao thức tác nhân thông minh có thể tải xuống, là LLM nguồn mở có thể chạy cục bộ, được quản lý bởi ví của người dùng và tương tác với các hợp đồng thông minh. Nó sử dụng bảng xếp hạng hợp đồng thông minh để giúp các đại lý xác định hợp đồng thông minh nào an toàn để tương tác dựa trên các tiêu chí như số lượng giao dịch được xử lý.

Sách trắng cũng cung cấp khuôn khổ để xây dựng mạng Morpheus, chẳng hạn như cấu trúc khuyến khích và cơ sở hạ tầng cần thiết để vận hành giao thức tác nhân thông minh. Điều này bao gồm việc khuyến khích những người đóng góp xây dựng giao diện người dùng để tương tác với các tác nhân, API để nhà phát triển xây dựng các ứng dụng gắn vào các tác nhân để họ có thể tương tác với nhau, đồng thời cho phép người dùng truy cập vào điện toán và lưu trữ cần thiết để chạy các tác nhân và trên các thiết bị biên. Giải pháp đám mây. Nguồn tài trợ ban đầu cho dự án bắt đầu vào đầu tháng 2, với thỏa thuận đầy đủ dự kiến ​​sẽ ra mắt vào quý 2 năm 2024.

Mạng cơ sở hạ tầng tự trị phi tập trung (DAIN) là một giao thức cơ sở hạ tầng đại lý mới nhằm xây dựng nền kinh tế giữa các đại lý trên Solana. Mục tiêu của DAIN là cho phép các tác nhân từ các doanh nghiệp khác nhau tương tác với nhau một cách liền mạch thông qua một API chung, từ đó mở ra rất nhiều không gian thiết kế cho các tác nhân AI, tập trung vào việc triển khai các tác nhân có thể tương tác với các sản phẩm web2 và web3. Vào tháng 1, DAIN đã công bố mối quan hệ hợp tác đầu tiên với Asset Shield để cho phép người dùng thêm "người ký proxy" vào multisig của họ, những người có thể diễn giải các giao dịch và phê duyệt/từ chối theo các quy tắc do người dùng đặt ra.

Fetch.AI là một trong những giao thức proxy AI được triển khai đầu tiên và đã phát triển một hệ sinh thái để sử dụng mã thông báo FET và ví Fetch.AI trên chuỗi Xây dựng, triển khai và sử dụng đại lý trên. Giao thức cung cấp một bộ công cụ và ứng dụng toàn diện để làm việc với proxy, bao gồm chức năng trong ví để tương tác và đặt hàng proxy.

Autonolas, người sáng lập bao gồm các thành viên cũ của nhóm Fetch, là một thị trường mở để tạo và sử dụng các tác nhân trí tuệ nhân tạo phi tập trung. Autonolas cũng cung cấp cho các nhà phát triển một bộ công cụ để xây dựng các tác nhân AI được lưu trữ ngoài chuỗi có thể cắm vào nhiều chuỗi khối, bao gồm Polygon, Ethereum, Gnosis Chain và Solana. Họ hiện có một số sản phẩm chứng minh khái niệm proxy đang hoạt động, bao gồm cả thị trường dự đoán và quản trị DAO.

SingularityNet đang xây dựng một thị trường phi tập trung cho các tác nhân AI, nơi mọi người có thể triển khai các tác nhân AI chuyên dụng mà người khác hoặc các tác nhân được thuê có thể sử dụng để thực hiện các nhiệm vụ phức tạp. Các công ty khác, chẳng hạn như AlteredStateMachine, đang xây dựng sự tích hợp của các tác nhân AI với NFT. Người dùng tạo ra NFT với các thuộc tính ngẫu nhiên mang lại cho họ điểm mạnh và điểm yếu trong các nhiệm vụ khác nhau. Sau đó, các tác nhân này có thể được đào tạo để nâng cao một số thuộc tính nhất định để sử dụng trong trò chơi, DeFi hoặc làm trợ lý ảo và giao dịch với những người dùng khác.

Nói chung, các dự án này hình dung ra một hệ sinh thái tương lai gồm các tác nhân làm việc cùng nhau để không chỉ thực hiện các nhiệm vụ mà còn giúp xây dựng trí tuệ nhân tạo nói chung. Một tác nhân thực sự tinh vi sẽ có khả năng tự động hoàn thành bất kỳ nhiệm vụ nào của người dùng. Ví dụ: một đại lý hoàn toàn tự chủ sẽ có thể tìm ra cách thuê một đại lý khác để tích hợp API và sau đó thực hiện nhiệm vụ, thay vì phải đảm bảo rằng đại lý đó đã tích hợp với API bên ngoài (chẳng hạn như trang web đặt vé du lịch) trước khi sử dụng nó. Từ quan điểm của người dùng, không cần phải kiểm tra xem tác nhân có thể hoàn thành nhiệm vụ hay không vì tác nhân có thể tự xác định điều đó.

Tác nhân Bitcoin và trí tuệ nhân tạo

2023 7 Vào tháng 3 Lightning Labs đã đưa ra triển khai bằng chứng khái niệm về proxy để sử dụng trên Lightning Network, một bộ Bitcoin có tên LangChain. Sản phẩm này đặc biệt thú vị vì nó nhằm mục đích giải quyết một vấn đề đang gia tăng trong thế giới Web 2 - các khóa API đắt tiền và bị kiểm soát cho các ứng dụng web.

LangChain giải quyết vấn đề này bằng cách cung cấp cho các nhà phát triển một bộ công cụ cho phép các đại lý mua, bán và giữ Bitcoin, cũng như truy vấn khóa API và gửi các khoản thanh toán vi mô . Trên các phương thức thanh toán truyền thống, các khoản thanh toán vi mô rất tốn kém do phí, trong khi trên Lightning Network, các đại lý có thể gửi các khoản thanh toán vi mô không giới hạn mỗi ngày với mức phí tối thiểu. Khi được sử dụng cùng với khung API đo lường thanh toán L402 của LangChain, các công ty có thể điều chỉnh phí truy cập vào API của họ dựa trên mức tăng và giảm mức sử dụng, thay vì đặt ra một tiêu chuẩn tốn kém duy nhất.

Trong tương lai, các hoạt động trên chuỗi sẽ bị chi phối bởi sự tương tác giữa các đại lý và những điều như vậy sẽ cần thiết để đảm bảo rằng các đại lý có thể đạt được hiệu quả cao để tương tác với nhau. Đây là một ví dụ ban đầu về cách các đại lý có thể được sử dụng trên đường ray thanh toán không cần xin phép và tiết kiệm chi phí, mở ra khả năng cho các thị trường và tương tác kinh tế mới.

Outlook

Lĩnh vực đại lý vẫn còn non trẻ sân khấu. Dự án mới bắt đầu triển khai các tác nhân chức năng có thể xử lý các tác vụ đơn giản bằng cách sử dụng cơ sở hạ tầng của nó - điều mà thường chỉ những nhà phát triển và người dùng có kinh nghiệm mới có thể truy cập được. Tuy nhiên, theo thời gian, một trong những tác động lớn nhất của tác nhân AI đối với tiền điện tử sẽ là cải thiện trải nghiệm người dùng trên tất cả các ngành dọc. Giao dịch sẽ bắt đầu chuyển từ dựa trên nhấp chuột sang dựa trên văn bản, với việc người dùng có thể tương tác với các đại lý trên chuỗi thông qua LLM. Các nhóm như Dawn Wallet đã ra mắt ví chatbot để người dùng tương tác trực tuyến.

Ngoài ra, vẫn chưa rõ các đại lý sẽ hoạt động như thế nào trong Web 2, vì Financial Rail dựa vào các tổ chức ngân hàng được quản lý không hoạt động 24 giờ một ngày và không thể thực hiện các giao dịch xuyên biên giới một cách liền mạch. Như Lyn Alden nhấn mạnh, việc không hoàn lại tiền và khả năng xử lý các giao dịch vi mô khiến đường ray tiền điện tử trở nên đặc biệt hấp dẫn so với thẻ tín dụng. Tuy nhiên, nếu các đại lý trở thành một phương thức giao dịch phổ biến hơn, các nhà cung cấp và ứng dụng thanh toán hiện tại có thể sẽ nhanh chóng triển khai cơ sở hạ tầng cần thiết để hoạt động trên các đường ray tài chính hiện có, do đó làm suy yếu một số lợi ích của việc sử dụng tiền điện tử.

Hiện tại, các đại lý có thể bị giới hạn trong các giao dịch tiền điện tử xác định, trong đó một đầu vào nhất định đảm bảo một đầu ra nhất định. Cả hai mô hình đều xác định khả năng của các tác nhân này trong việc tìm ra cách thực hiện các nhiệm vụ phức tạp và các công cụ mở rộng phạm vi những gì chúng có thể thực hiện, cả hai đều cần được phát triển thêm. Để các proxy tiền điện tử trở nên hữu ích bên ngoài các trường hợp sử dụng tiền điện tử mới trên chuỗi, cần phải tích hợp và chấp nhận rộng rãi hơn tiền điện tử như một hình thức thanh toán cũng như sự rõ ràng về quy định. Tuy nhiên, khi các thành phần này phát triển, các đại lý sẵn sàng trở thành một trong những người tiêu dùng lớn nhất của các giải pháp zkML và điện toán phi tập trung nói trên, nhận và giải quyết bất kỳ nhiệm vụ nào theo cách tự chủ, không xác định.

Kết luận

AI đã giới thiệu cho chúng ta về tiền điện tử Tương tự những đổi mới được thấy trong web2, nâng cao mọi thứ từ phát triển cơ sở hạ tầng đến trải nghiệm người dùng và khả năng truy cập. Tuy nhiên, dự án vẫn đang trong giai đoạn phát triển ban đầu và tương lai gần của việc tích hợp tiền điện tử và AI sẽ bị chi phối bởi sự tích hợp ngoài chuỗi.

Các sản phẩm như Copilot sẽ "tăng 10 lần" hiệu quả của nhà phát triển và các ứng dụng Lớp 1 và DeFi đã hợp tác với các công ty lớn như Microsoft để ra mắt Nền tảng phát triển hỗ trợ trí tuệ nhân tạo . Các công ty như Cub3.ai và Test Machine đang phát triển tích hợp AI để kiểm tra hợp đồng thông minh và giám sát mối đe dọa theo thời gian thực nhằm tăng cường bảo mật trên chuỗi. Các chatbot LLM đang được đào tạo bằng cách sử dụng dữ liệu trên chuỗi, tài liệu giao thức và ứng dụng để cung cấp cho người dùng khả năng truy cập và trải nghiệm người dùng nâng cao.

Đối với các hoạt động tích hợp nâng cao hơn thực sự tận dụng công nghệ cơ bản của tiền điện tử, thách thức vẫn là chứng minh rằng việc triển khai các giải pháp AI trên chuỗi là khả thi về mặt kỹ thuật, đồng thời cũng mang tính kinh tế khả thi. Sự phát triển trong điện toán phi tập trung, zkML và các tác nhân AI chỉ ra những ngành dọc đầy hứa hẹn tạo tiền đề cho một tương lai được kết nối sâu sắc của tiền điện tử và AI.