Sự kết hợp và phát triển của AI và Web3: Tình trạng, thách thức và triển vọng
I. Giới thiệu: Tình hình phát triển của AI+Web3
Trong những năm gần đây, sự tiến bộ nhanh chóng của trí tuệ nhân tạo (AI) và công nghệ Web3 đã thu hút sự chú ý rộng rãi trên toàn cầu. AI đã đạt được những bước đột phá lớn trong các lĩnh vực nhận diện khuôn mặt, xử lý ngôn ngữ tự nhiên, học máy, mang lại sự thay đổi và đổi mới to lớn cho các ngành nghề khác nhau. Năm 2023, quy mô thị trường ngành AI đạt 200 tỷ USD, xuất hiện nhiều doanh nghiệp xuất sắc như OpenAI, Character.AI, Midjourney.
Trong khi đó, Web3 như một mô hình mạng mới nổi, đang thay đổi nhận thức và cách sử dụng internet của mọi người. Web3 dựa trên công nghệ blockchain phi tập trung, thông qua các hợp đồng thông minh, lưu trữ phân tán và xác thực danh tính phi tập trung, để thực hiện chia sẻ dữ liệu và kiểm soát, tự trị của người dùng và thiết lập cơ chế tin cậy. Triết lý cốt lõi của Web3 là giải phóng dữ liệu khỏi các tổ chức tập trung, trao quyền kiểm soát dữ liệu và quyền chia sẻ giá trị cho người dùng. Hiện tại, giá trị thị trường của ngành Web3 đã đạt 25 nghìn tỷ đô la, các dự án như Bitcoin, Ethereum, Solana đang liên tục xuất hiện.
Sự kết hợp giữa AI và Web3 là lĩnh vực mà các nhà phát triển và nhà đầu tư phương Đông và phương Tây cùng quan tâm, việc làm thế nào để tích hợp cả hai một cách tốt đẹp là một câu hỏi đáng khám phá. Bài viết này sẽ tập trung phân tích tình trạng phát triển của AI + Web3, khám phá giá trị và ảnh hưởng tiềm năng mà sự kết hợp này mang lại. Chúng tôi sẽ đầu tiên giới thiệu các khái niệm cơ bản về AI và Web3, sau đó thảo luận về mối quan hệ giữa chúng. Tiếp theo, chúng tôi sẽ phân tích tình trạng hiện tại của các dự án AI + Web3, và thảo luận sâu về các giới hạn và thách thức mà chúng đang phải đối mặt. Hy vọng sẽ cung cấp cho các nhà đầu tư và người hành nghề những thông tin và hiểu biết có giá trị.
Hai, Cách tương tác giữa AI và Web3
Sự phát triển của AI và Web3 giống như hai đầu của một cái cân, AI nâng cao năng suất lao động, Web3 cách mạng hóa quan hệ sản xuất. Vậy hai bên có thể tạo ra những tia lửa gì? Chúng ta sẽ phân tích những khó khăn và không gian nâng cao mà mỗi bên đang phải đối mặt, sau đó thảo luận về cách hỗ trợ lẫn nhau để giải quyết những khó khăn này.
2.1 Những thách thức mà ngành AI đang phải đối mặt
Để khám phá những khó khăn trong ngành AI, trước tiên cần hiểu ba yếu tố cốt lõi của AI: sức mạnh tính toán, thuật toán và dữ liệu.
Công suất tính toán: chỉ khả năng thực hiện các phép tính và xử lý quy mô lớn. Nhiệm vụ AI thường cần xử lý một lượng dữ liệu khổng lồ và các phép tính phức tạp, chẳng hạn như đào tạo các mô hình mạng nơ-ron sâu. Khả năng tính toán mạnh mẽ có thể tăng tốc đào tạo và suy diễn mô hình, cải thiện hiệu suất và hiệu quả của hệ thống AI. Trong những năm gần đây, sự phát triển của GPU và chip AI chuyên dụng đã thúc đẩy mạnh mẽ sự tiến bộ của ngành AI. Các nhà cung cấp GPU như Nvidia chiếm một phần lớn thị trường, thu được lợi nhuận cao.
Thuật toán: Thành phần cốt lõi của hệ thống AI, bao gồm các thuật toán học máy truyền thống và thuật toán học sâu. Việc lựa chọn và thiết kế thuật toán rất quan trọng đối với hiệu suất của hệ thống AI. Những thuật toán được cải tiến và đổi mới liên tục có thể nâng cao độ chính xác, tính ổn định và khả năng tổng quát của hệ thống.
Dữ liệu: Nhiệm vụ cốt lõi của hệ thống AI là khai thác các mẫu và quy luật từ dữ liệu thông qua việc học hỏi và đào tạo. Bộ dữ liệu phong phú có thể cung cấp thông tin toàn diện và đa dạng hơn, giúp mô hình tổng quát tốt hơn cho dữ liệu chưa gặp, hiểu và giải quyết tốt hơn các vấn đề trong thế giới thực.
Sau khi hiểu rõ các yếu tố cốt lõi của AI, chúng ta hãy xem những thách thức mà AI gặp phải trong ba lĩnh vực này:
Về mặt sức mạnh tính toán, các nhiệm vụ AI cần nhiều tài nguyên tính toán để đào tạo và suy diễn mô hình. Việc có được và quản lý sức mạnh tính toán quy mô lớn tốn kém và phức tạp, đặc biệt là đối với các công ty khởi nghiệp và các nhà phát triển cá nhân.
Về mặt thuật toán, mặc dù học sâu đã đạt được thành công to lớn, nhưng vẫn còn những thách thức. Việc đào tạo mạng nơ-ron sâu cần một lượng dữ liệu và tài nguyên tính toán khổng lồ, và khả năng giải thích của mô hình cho một số nhiệm vụ vẫn chưa đủ. Độ mạnh mẽ và khả năng tổng quát của thuật toán cũng là những vấn đề quan trọng, hiệu suất của mô hình trên dữ liệu chưa thấy có thể không ổn định.
Về mặt dữ liệu, việc thu thập dữ liệu chất lượng cao và đa dạng vẫn gặp phải thách thức. Một số lĩnh vực như y tế có dữ liệu nhạy cảm khó có được. Chất lượng, độ chính xác và việc gán nhãn dữ liệu cũng gặp vấn đề, dữ liệu không đầy đủ hoặc có thiên lệch có thể dẫn đến hành vi sai lệch hoặc thiên lệch của mô hình. Đồng thời, quyền riêng tư và bảo mật dữ liệu cũng là những yếu tố quan trọng cần xem xét.
Ngoài ra, tính giải thích và tính minh bạch của các mô hình AI cũng là vấn đề mà công chúng quan tâm. Một số ứng dụng như tài chính, y tế, v.v. cần có quy trình ra quyết định có thể giải thích và truy nguyên, trong khi các mô hình học sâu hiện có thường thiếu tính minh bạch.
Ngoài ra, nhiều mô hình kinh doanh của các dự án khởi nghiệp AI không rõ ràng, điều này cũng khiến nhiều doanh nhân khởi nghiệp AI cảm thấy bối rối.
2.2 Những khó khăn mà ngành Web3 đang phải đối mặt
Ngành Web3 cũng tồn tại nhiều khó khăn cần giải quyết, cho dù là phân tích dữ liệu, trải nghiệm người dùng, hay lỗ hổng mã hợp đồng thông minh và vấn đề an ninh, đều có nhiều không gian cải thiện lớn. AI như một công cụ nâng cao năng suất, có nhiều tiềm năng phát huy ở những lĩnh vực này.
Đầu tiên là sự nâng cao khả năng phân tích dữ liệu và dự đoán: Việc ứng dụng công nghệ AI trong phân tích dữ liệu và dự đoán đã mang lại ảnh hưởng lớn cho ngành Web3. Thông qua phân tích và khai thác thông minh bằng thuật toán AI, các nền tảng Web3 có thể rút ra thông tin giá trị từ khối lượng dữ liệu khổng lồ, thực hiện dự đoán và ra quyết định chính xác hơn. Điều này có ý nghĩa quan trọng đối với việc đánh giá rủi ro, dự đoán thị trường và quản lý tài sản trong lĩnh vực tài chính phi tập trung (DeFi).
Thứ hai, AI có thể cải thiện trải nghiệm người dùng và dịch vụ cá nhân hóa: Việc ứng dụng công nghệ AI cho phép các nền tảng Web3 cung cấp trải nghiệm người dùng tốt hơn và dịch vụ cá nhân hóa. Thông qua việc phân tích dữ liệu người dùng và mô hình hóa, có thể cung cấp cho người dùng các đề xuất cá nhân hóa, dịch vụ tùy chỉnh và trải nghiệm tương tác thông minh, nâng cao sự tham gia và sự hài lòng của người dùng, thúc đẩy sự phát triển của hệ sinh thái Web3.
Về mặt an ninh và bảo vệ quyền riêng tư, việc ứng dụng AI có ảnh hưởng sâu rộng đến ngành Web3. Công nghệ AI có thể được sử dụng để phát hiện và phòng ngừa các cuộc tấn công mạng, nhận diện hành vi bất thường, cung cấp bảo mật mạnh mẽ hơn. Đồng thời, AI còn có thể được ứng dụng trong việc bảo vệ quyền riêng tư dữ liệu, thông qua việc mã hóa dữ liệu và các công nghệ tính toán riêng tư, bảo vệ thông tin cá nhân của người dùng. Trong lĩnh vực kiểm toán hợp đồng thông minh, công nghệ AI có thể được sử dụng để tự động hóa kiểm toán hợp đồng và phát hiện lỗ hổng, nâng cao tính an toàn và độ tin cậy của hợp đồng.
Có thể thấy, đối với những khó khăn và tiềm năng nâng cao mà ngành Web3 đang đối mặt, AI có thể tham gia và hỗ trợ ở nhiều khía cạnh.
Ba, Phân tích tình hình hiện tại của các dự án AI+Web3
Các dự án kết hợp AI và Web3 chủ yếu bắt đầu từ hai phương diện: sử dụng công nghệ blockchain để nâng cao hiệu suất của các dự án AI, và sử dụng công nghệ AI để phục vụ cho việc nâng cao các dự án Web3.
Xung quanh hai khía cạnh này, đã xuất hiện một loạt các dự án khám phá trên con đường này, bao gồm Io.net, Gensyn, Ritual, v.v. Tiếp theo, chúng tôi sẽ phân tích trạng thái và tình hình phát triển từ các phân khúc khác nhau giữa AI hỗ trợ Web3 và Web3 hỗ trợ AI.
3.1 Web3 hỗ trợ AI
3.1.1 Sức mạnh tính toán phi tập trung
OpenAI đã khởi động cơn sốt AI sau khi ra mắt ChatGPT vào cuối năm 2022, chỉ 5 ngày sau đã đạt 1 triệu người dùng, trong vòng 2 tháng số người dùng hoạt động hàng tháng đạt 100 triệu, đến tháng 11 năm 2023, số người dùng hoạt động hàng tuần đạt 100 triệu. Sự ra đời của ChatGPT đã khiến lĩnh vực AI từ một ngách nhỏ nhanh chóng phát triển thành một ngành thu hút sự chú ý.
Theo báo cáo của Trendforce, ChatGPT cần 30.000 GPU NVIDIA A100 để hoạt động, và trong tương lai GPT-5 sẽ cần nhiều sức mạnh tính toán hơn nữa. Điều này đã thúc đẩy các công ty AI bắt đầu một cuộc chạy đua vũ trang, chỉ có thể giữ được lợi thế trong cuộc chiến AI nếu nắm giữ đủ sức mạnh tính toán, do đó đã xuất hiện tình trạng thiếu hụt GPU.
Trước khi AI bùng nổ, khách hàng của nhà cung cấp GPU lớn nhất là NVIDIA tập trung vào ba nhà cung cấp dịch vụ đám mây lớn là AWS, Azure và GCP. Với sự trỗi dậy của AI, đã xuất hiện nhiều người mua mới, bao gồm các công ty công nghệ lớn như Meta, Oracle và các nền tảng dữ liệu khác cũng như các công ty khởi nghiệp AI, tất cả đều tham gia vào cuộc chiến tích trữ GPU để huấn luyện các mô hình AI.
Như Semi Analysis đã đề cập năm ngoái về "người giàu GPU và người nghèo GPU", một số ít công ty sở hữu hơn 20.000 GPU A100/H100, các thành viên trong nhóm có thể sử dụng từ 100 đến 1.000 GPU cho dự án. Những công ty này hoặc là nhà cung cấp đám mây hoặc tự xây dựng LLM, bao gồm OpenAI, Google, Meta, Anthropic, Inflection, Tesla, Oracle, Mistral và các công ty khác.
Tuy nhiên, phần lớn các công ty đều thuộc nhóm thiếu GPU, chỉ có thể vật lộn với số lượng GPU ít ỏi. Tình trạng này không chỉ giới hạn ở các công ty khởi nghiệp, mà ngay cả những công ty AI nổi tiếng như Hugging Face, Databricks, Together thậm chí là Snowflake cũng có số lượng A100/H100 nhỏ hơn 20K. Những công ty này có đội ngũ nhân tài công nghệ hàng đầu thế giới, nhưng bị hạn chế bởi số lượng cung cấp GPU, rơi vào thế bất lợi trong cuộc đua AI.
Sự thiếu hụt này không chỉ giới hạn ở "những người nghèo GPU", ngay cả vào cuối năm 2023, gã khổng lồ AI OpenAI cũng phải đóng cửa đăng ký trả phí trong vài tuần vì không thể có đủ GPU và đồng thời tìm cách mua thêm nguồn cung GPU.
Có thể thấy, sự phát triển nhanh chóng của AI đã dẫn đến sự không khớp nghiêm trọng giữa nhu cầu và cung cấp GPU, vấn đề cung không đủ cầu đang trở nên cấp bách.
Để giải quyết vấn đề này, một số dự án Web3 bắt đầu thử nghiệm kết hợp các đặc điểm công nghệ Web3, cung cấp dịch vụ tính toán phi tập trung, bao gồm Akash, Render, Gensyn, v.v. Các dự án này có điểm chung là thông qua việc khuyến khích bằng token để người dùng rộng rãi cung cấp sức mạnh GPU nhàn rỗi, trở thành phía cung cấp sức mạnh tính toán, hỗ trợ sức mạnh tính toán cho khách hàng AI.
Hình ảnh bên cung cấp chủ yếu được chia thành ba loại: nhà cung cấp dịch vụ đám mây, thợ mỏ tiền điện tử, 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 bán lại sức mạnh tính toán của nhà cung cấp dịch vụ đám mây nhàn rỗi để tạo ra thu nhập. Các thợ đào tiền điện tử với sự chuyển đổi của Ethereum từ PoW sang PoS, sức mạnh GPU nhàn rỗi cũng trở thành nguồn cung quan trọng. Thêm vào đó, những doanh nghiệp lớn như Tesla, Meta đã mua một lượng lớn GPU vì lý do chiến lược cũng có thể sử dụng sức mạnh GPU nhàn rỗi như một nguồn cung.
Hiện tại, người chơi trong lĩnh vực này được chia thành hai loại: một loại sử dụng sức mạnh tính toán phi tập trung cho việc suy luận AI, loại còn lại sử dụng để đào tạo AI. Loại đầu tiên như Render( tuy tập trung vào việc kết xuất, nhưng cũng có thể được sử dụng để cung cấp sức mạnh tính toán cho AI), Akash, Aethir, v.v.; loại thứ hai như io.net( hỗ trợ cả suy luận và đào tạo), Gensyn, sự khác biệt lớn nhất giữa hai loại này là yêu cầu về sức mạnh tính toán khác nhau.
Hãy nói về các dự án AI suy luận, loại dự án này thu hút người dùng tham gia cung cấp sức mạnh tính toán thông qua việc khuyến khích bằng token, sau đó cung cấp dịch vụ mạng sức mạnh tính toán cho phía cầu, đạt được sự kết nối cung cầu sức mạnh tính toán không sử dụng. Cốt lõi của loại dự án này là thu hút nhà cung cấp thông qua cơ chế khuyến khích bằng token, sau đó thu hút người dùng sử dụng, thực hiện khởi động lạnh của dự án và cơ chế vận hành cốt lõi, từ đó phát triển mở rộng hơn nữa. Trong chu trình này, phía cung có nhiều token giá trị hơn để thưởng, phía cầu có dịch vụ với giá rẻ hơn và hiệu quả hơn, giá trị token của dự án và sự tham gia của cả hai bên cung cầu tăng trưởng đồng nhất, khi giá token tăng, thu hút nhiều người tham gia và nhà đầu tư suy đoán hơn, hình thành sự thu hút giá trị.
Một loại khác là sử dụng sức mạnh tính toán phi tập trung cho việc đào tạo AI, chẳng hạn như Gensyn, io.net( Đào tạo và suy luận AI đều được hỗ trợ bởi ). Logic hoạt động của các dự án loại này không khác biệt nhiều về bản chất so với các dự án suy luận AI, vẫn thông qua việc khuyến khích bằng token để thu hút bên cung cấp tham gia cung cấp sức mạnh tính toán, phục vụ bên cầu sử dụng.
io.net là một mạng lưới sức mạnh tính toán phi tập trung, hiện tại số lượng GPU đã vượt quá 500.000, có hiệu suất nổi bật, đã tích hợp sức mạnh tính toán Render và Filecoin, không ngừng phát triển các dự án sinh thái.
Gensyn thúc đẩy việc phân phối và thưởng cho các nhiệm vụ học máy thông qua hợp đồng thông minh, thực hiện đào tạo AI. Chi phí cho công việc đào tạo học máy của Gensyn khoảng 0,4 đô la mỗi giờ, thấp hơn nhiều so với chi phí hơn 2 đô la của AWS và GCP.
Hệ thống Gensyn bao gồm bốn chủ thể tham gia: người nộp, người thực hiện, người xác minh và người tố cáo.
Người nộp: Người dùng yêu cầu là người tiêu thụ nhiệm vụ, cung cấp các nhiệm vụ sẽ được tính toán, thanh toán cho nhiệm vụ đào tạo AI.
Người thực hiện: Thực hiện nhiệm vụ huấn luyện mô hình, tạo chứng nhận hoàn thành nhiệm vụ để kiểm tra bởi người xác minh.
Người xác thực: Liên kết quá trình đào tạo không xác định với tính toán tuyến tính xác định, so sánh chứng minh của người thực hiện với ngưỡng mong đợi
Người tố cáo: Kiểm tra công việc của người xác thực, khi phát hiện vấn đề thì đưa ra nghi vấn để nhận lợi ích
Gensyn hy vọng trở thành giao thức tính toán quy mô lớn, hiệu quả kinh tế cho các mô hình học sâu toàn cầu.
Nhưng nhìn chung trong lĩnh vực này, tại sao hầu hết các dự án chọn tính toán phi tập trung để thực hiện suy luận AI thay vì đào tạo?
Đây là nơi giúp giới thiệu sự khác biệt giữa đào tạo AI và suy luận cho những người bạn không hiểu.
Đào tạo AI: Nếu coi trí tuệ nhân tạo như một học sinh, thì việc đào tạo giống như cung cấp cho AI một lượng lớn kiến thức, ví dụ ( tức là dữ liệu ), AI sẽ học từ đó. Do bản chất của việc học cần hiểu và ghi nhớ một lượng lớn thông tin, quá trình này cần rất nhiều khả năng tính toán và thời gian.
AI
Xem bản gốc
Trang này có thể chứa nội dung của bên thứ ba, được cung cấp chỉ nhằm mục đích thông tin (không phải là tuyên bố/bảo đảm) và không được coi là sự chứng thực cho quan điểm của Gate hoặc là lời khuyên về tài chính hoặc chuyên môn. Xem Tuyên bố từ chối trách nhiệm để biết chi tiết.
AI và sự hội nhập Web3: Phân tích tình hình hiện tại, thách thức và triển vọng phát triển
Sự kết hợp và phát triển của AI và Web3: Tình trạng, thách thức và triển vọng
I. Giới thiệu: Tình hình phát triển của AI+Web3
Trong những năm gần đây, sự tiến bộ nhanh chóng của trí tuệ nhân tạo (AI) và công nghệ Web3 đã thu hút sự chú ý rộng rãi trên toàn cầu. AI đã đạt được những bước đột phá lớn trong các lĩnh vực nhận diện khuôn mặt, xử lý ngôn ngữ tự nhiên, học máy, mang lại sự thay đổi và đổi mới to lớn cho các ngành nghề khác nhau. Năm 2023, quy mô thị trường ngành AI đạt 200 tỷ USD, xuất hiện nhiều doanh nghiệp xuất sắc như OpenAI, Character.AI, Midjourney.
Trong khi đó, Web3 như một mô hình mạng mới nổi, đang thay đổi nhận thức và cách sử dụng internet của mọi người. Web3 dựa trên công nghệ blockchain phi tập trung, thông qua các hợp đồng thông minh, lưu trữ phân tán và xác thực danh tính phi tập trung, để thực hiện chia sẻ dữ liệu và kiểm soát, tự trị của người dùng và thiết lập cơ chế tin cậy. Triết lý cốt lõi của Web3 là giải phóng dữ liệu khỏi các tổ chức tập trung, trao quyền kiểm soát dữ liệu và quyền chia sẻ giá trị cho người dùng. Hiện tại, giá trị thị trường của ngành Web3 đã đạt 25 nghìn tỷ đô la, các dự án như Bitcoin, Ethereum, Solana đang liên tục xuất hiện.
Sự kết hợp giữa AI và Web3 là lĩnh vực mà các nhà phát triển và nhà đầu tư phương Đông và phương Tây cùng quan tâm, việc làm thế nào để tích hợp cả hai một cách tốt đẹp là một câu hỏi đáng khám phá. Bài viết này sẽ tập trung phân tích tình trạng phát triển của AI + Web3, khám phá giá trị và ảnh hưởng tiềm năng mà sự kết hợp này mang lại. Chúng tôi sẽ đầu tiên giới thiệu các khái niệm cơ bản về AI và Web3, sau đó thảo luận về mối quan hệ giữa chúng. Tiếp theo, chúng tôi sẽ phân tích tình trạng hiện tại của các dự án AI + Web3, và thảo luận sâu về các giới hạn và thách thức mà chúng đang phải đối mặt. Hy vọng sẽ cung cấp cho các nhà đầu tư và người hành nghề những thông tin và hiểu biết có giá trị.
Hai, Cách tương tác giữa AI và Web3
Sự phát triển của AI và Web3 giống như hai đầu của một cái cân, AI nâng cao năng suất lao động, Web3 cách mạng hóa quan hệ sản xuất. Vậy hai bên có thể tạo ra những tia lửa gì? Chúng ta sẽ phân tích những khó khăn và không gian nâng cao mà mỗi bên đang phải đối mặt, sau đó thảo luận về cách hỗ trợ lẫn nhau để giải quyết những khó khăn này.
2.1 Những thách thức mà ngành AI đang phải đối mặt
Để khám phá những khó khăn trong ngành AI, trước tiên cần hiểu ba yếu tố cốt lõi của AI: sức mạnh tính toán, thuật toán và dữ liệu.
Công suất tính toán: chỉ khả năng thực hiện các phép tính và xử lý quy mô lớn. Nhiệm vụ AI thường cần xử lý một lượng dữ liệu khổng lồ và các phép tính phức tạp, chẳng hạn như đào tạo các mô hình mạng nơ-ron sâu. Khả năng tính toán mạnh mẽ có thể tăng tốc đào tạo và suy diễn mô hình, cải thiện hiệu suất và hiệu quả của hệ thống AI. Trong những năm gần đây, sự phát triển của GPU và chip AI chuyên dụng đã thúc đẩy mạnh mẽ sự tiến bộ của ngành AI. Các nhà cung cấp GPU như Nvidia chiếm một phần lớn thị trường, thu được lợi nhuận cao.
Thuật toán: Thành phần cốt lõi của hệ thống AI, bao gồm các thuật toán học máy truyền thống và thuật toán học sâu. Việc lựa chọn và thiết kế thuật toán rất quan trọng đối với hiệu suất của hệ thống AI. Những thuật toán được cải tiến và đổi mới liên tục có thể nâng cao độ chính xác, tính ổn định và khả năng tổng quát của hệ thống.
Dữ liệu: Nhiệm vụ cốt lõi của hệ thống AI là khai thác các mẫu và quy luật từ dữ liệu thông qua việc học hỏi và đào tạo. Bộ dữ liệu phong phú có thể cung cấp thông tin toàn diện và đa dạng hơn, giúp mô hình tổng quát tốt hơn cho dữ liệu chưa gặp, hiểu và giải quyết tốt hơn các vấn đề trong thế giới thực.
Sau khi hiểu rõ các yếu tố cốt lõi của AI, chúng ta hãy xem những thách thức mà AI gặp phải trong ba lĩnh vực này:
Về mặt sức mạnh tính toán, các nhiệm vụ AI cần nhiều tài nguyên tính toán để đào tạo và suy diễn mô hình. Việc có được và quản lý sức mạnh tính toán quy mô lớn tốn kém và phức tạp, đặc biệt là đối với các công ty khởi nghiệp và các nhà phát triển cá nhân.
Về mặt thuật toán, mặc dù học sâu đã đạt được thành công to lớn, nhưng vẫn còn những thách thức. Việc đào tạo mạng nơ-ron sâu cần một lượng dữ liệu và tài nguyên tính toán khổng lồ, và khả năng giải thích của mô hình cho một số nhiệm vụ vẫn chưa đủ. Độ mạnh mẽ và khả năng tổng quát của thuật toán cũng là những vấn đề quan trọng, hiệu suất của mô hình trên dữ liệu chưa thấy có thể không ổn định.
Về mặt dữ liệu, việc thu thập dữ liệu chất lượng cao và đa dạng vẫn gặp phải thách thức. Một số lĩnh vực như y tế có dữ liệu nhạy cảm khó có được. Chất lượng, độ chính xác và việc gán nhãn dữ liệu cũng gặp vấn đề, dữ liệu không đầy đủ hoặc có thiên lệch có thể dẫn đến hành vi sai lệch hoặc thiên lệch của mô hình. Đồng thời, quyền riêng tư và bảo mật dữ liệu cũng là những yếu tố quan trọng cần xem xét.
Ngoài ra, tính giải thích và tính minh bạch của các mô hình AI cũng là vấn đề mà công chúng quan tâm. Một số ứng dụng như tài chính, y tế, v.v. cần có quy trình ra quyết định có thể giải thích và truy nguyên, trong khi các mô hình học sâu hiện có thường thiếu tính minh bạch.
Ngoài ra, nhiều mô hình kinh doanh của các dự án khởi nghiệp AI không rõ ràng, điều này cũng khiến nhiều doanh nhân khởi nghiệp AI cảm thấy bối rối.
2.2 Những khó khăn mà ngành Web3 đang phải đối mặt
Ngành Web3 cũng tồn tại nhiều khó khăn cần giải quyết, cho dù là phân tích dữ liệu, trải nghiệm người dùng, hay lỗ hổng mã hợp đồng thông minh và vấn đề an ninh, đều có nhiều không gian cải thiện lớn. AI như một công cụ nâng cao năng suất, có nhiều tiềm năng phát huy ở những lĩnh vực này.
Đầu tiên là sự nâng cao khả năng phân tích dữ liệu và dự đoán: Việc ứng dụng công nghệ AI trong phân tích dữ liệu và dự đoán đã mang lại ảnh hưởng lớn cho ngành Web3. Thông qua phân tích và khai thác thông minh bằng thuật toán AI, các nền tảng Web3 có thể rút ra thông tin giá trị từ khối lượng dữ liệu khổng lồ, thực hiện dự đoán và ra quyết định chính xác hơn. Điều này có ý nghĩa quan trọng đối với việc đánh giá rủi ro, dự đoán thị trường và quản lý tài sản trong lĩnh vực tài chính phi tập trung (DeFi).
Thứ hai, AI có thể cải thiện trải nghiệm người dùng và dịch vụ cá nhân hóa: Việc ứng dụng công nghệ AI cho phép các nền tảng Web3 cung cấp trải nghiệm người dùng tốt hơn và dịch vụ cá nhân hóa. Thông qua việc phân tích dữ liệu người dùng và mô hình hóa, có thể cung cấp cho người dùng các đề xuất cá nhân hóa, dịch vụ tùy chỉnh và trải nghiệm tương tác thông minh, nâng cao sự tham gia và sự hài lòng của người dùng, thúc đẩy sự phát triển của hệ sinh thái Web3.
Về mặt an ninh và bảo vệ quyền riêng tư, việc ứng dụng AI có ảnh hưởng sâu rộng đến ngành Web3. Công nghệ AI có thể được sử dụng để phát hiện và phòng ngừa các cuộc tấn công mạng, nhận diện hành vi bất thường, cung cấp bảo mật mạnh mẽ hơn. Đồng thời, AI còn có thể được ứng dụng trong việc bảo vệ quyền riêng tư dữ liệu, thông qua việc mã hóa dữ liệu và các công nghệ tính toán riêng tư, bảo vệ thông tin cá nhân của người dùng. Trong lĩnh vực kiểm toán hợp đồng thông minh, công nghệ AI có thể được sử dụng để tự động hóa kiểm toán hợp đồng và phát hiện lỗ hổng, nâng cao tính an toàn và độ tin cậy của hợp đồng.
Có thể thấy, đối với những khó khăn và tiềm năng nâng cao mà ngành Web3 đang đối mặt, AI có thể tham gia và hỗ trợ ở nhiều khía cạnh.
Ba, Phân tích tình hình hiện tại của các dự án AI+Web3
Các dự án kết hợp AI và Web3 chủ yếu bắt đầu từ hai phương diện: sử dụng công nghệ blockchain để nâng cao hiệu suất của các dự án AI, và sử dụng công nghệ AI để phục vụ cho việc nâng cao các dự án Web3.
Xung quanh hai khía cạnh này, đã xuất hiện một loạt các dự án khám phá trên con đường này, bao gồm Io.net, Gensyn, Ritual, v.v. Tiếp theo, chúng tôi sẽ phân tích trạng thái và tình hình phát triển từ các phân khúc khác nhau giữa AI hỗ trợ Web3 và Web3 hỗ trợ AI.
3.1 Web3 hỗ trợ AI
3.1.1 Sức mạnh tính toán phi tập trung
OpenAI đã khởi động cơn sốt AI sau khi ra mắt ChatGPT vào cuối năm 2022, chỉ 5 ngày sau đã đạt 1 triệu người dùng, trong vòng 2 tháng số người dùng hoạt động hàng tháng đạt 100 triệu, đến tháng 11 năm 2023, số người dùng hoạt động hàng tuần đạt 100 triệu. Sự ra đời của ChatGPT đã khiến lĩnh vực AI từ một ngách nhỏ nhanh chóng phát triển thành một ngành thu hút sự chú ý.
Theo báo cáo của Trendforce, ChatGPT cần 30.000 GPU NVIDIA A100 để hoạt động, và trong tương lai GPT-5 sẽ cần nhiều sức mạnh tính toán hơn nữa. Điều này đã thúc đẩy các công ty AI bắt đầu một cuộc chạy đua vũ trang, chỉ có thể giữ được lợi thế trong cuộc chiến AI nếu nắm giữ đủ sức mạnh tính toán, do đó đã xuất hiện tình trạng thiếu hụt GPU.
Trước khi AI bùng nổ, khách hàng của nhà cung cấp GPU lớn nhất là NVIDIA tập trung vào ba nhà cung cấp dịch vụ đám mây lớn là AWS, Azure và GCP. Với sự trỗi dậy của AI, đã xuất hiện nhiều người mua mới, bao gồm các công ty công nghệ lớn như Meta, Oracle và các nền tảng dữ liệu khác cũng như các công ty khởi nghiệp AI, tất cả đều tham gia vào cuộc chiến tích trữ GPU để huấn luyện các mô hình AI.
Như Semi Analysis đã đề cập năm ngoái về "người giàu GPU và người nghèo GPU", một số ít công ty sở hữu hơn 20.000 GPU A100/H100, các thành viên trong nhóm có thể sử dụng từ 100 đến 1.000 GPU cho dự án. Những công ty này hoặc là nhà cung cấp đám mây hoặc tự xây dựng LLM, bao gồm OpenAI, Google, Meta, Anthropic, Inflection, Tesla, Oracle, Mistral và các công ty khác.
Tuy nhiên, phần lớn các công ty đều thuộc nhóm thiếu GPU, chỉ có thể vật lộn với số lượng GPU ít ỏi. Tình trạng này không chỉ giới hạn ở các công ty khởi nghiệp, mà ngay cả những công ty AI nổi tiếng như Hugging Face, Databricks, Together thậm chí là Snowflake cũng có số lượng A100/H100 nhỏ hơn 20K. Những công ty này có đội ngũ nhân tài công nghệ hàng đầu thế giới, nhưng bị hạn chế bởi số lượng cung cấp GPU, rơi vào thế bất lợi trong cuộc đua AI.
Sự thiếu hụt này không chỉ giới hạn ở "những người nghèo GPU", ngay cả vào cuối năm 2023, gã khổng lồ AI OpenAI cũng phải đóng cửa đăng ký trả phí trong vài tuần vì không thể có đủ GPU và đồng thời tìm cách mua thêm nguồn cung GPU.
Có thể thấy, sự phát triển nhanh chóng của AI đã dẫn đến sự không khớp nghiêm trọng giữa nhu cầu và cung cấp GPU, vấn đề cung không đủ cầu đang trở nên cấp bách.
Để giải quyết vấn đề này, một số dự án Web3 bắt đầu thử nghiệm kết hợp các đặc điểm công nghệ Web3, cung cấp dịch vụ tính toán phi tập trung, bao gồm Akash, Render, Gensyn, v.v. Các dự án này có điểm chung là thông qua việc khuyến khích bằng token để người dùng rộng rãi cung cấp sức mạnh GPU nhàn rỗi, trở thành phía cung cấp sức mạnh tính toán, hỗ trợ sức mạnh tính toán cho khách hàng AI.
Hình ảnh bên cung cấp chủ yếu được chia thành ba loại: nhà cung cấp dịch vụ đám mây, thợ mỏ tiền điện tử, 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 bán lại sức mạnh tính toán của nhà cung cấp dịch vụ đám mây nhàn rỗi để tạo ra thu nhập. Các thợ đào tiền điện tử với sự chuyển đổi của Ethereum từ PoW sang PoS, sức mạnh GPU nhàn rỗi cũng trở thành nguồn cung quan trọng. Thêm vào đó, những doanh nghiệp lớn như Tesla, Meta đã mua một lượng lớn GPU vì lý do chiến lược cũng có thể sử dụng sức mạnh GPU nhàn rỗi như một nguồn cung.
Hiện tại, người chơi trong lĩnh vực này được chia thành hai loại: một loại sử dụng sức mạnh tính toán phi tập trung cho việc suy luận AI, loại còn lại sử dụng để đào tạo AI. Loại đầu tiên như Render( tuy tập trung vào việc kết xuất, nhưng cũng có thể được sử dụng để cung cấp sức mạnh tính toán cho AI), Akash, Aethir, v.v.; loại thứ hai như io.net( hỗ trợ cả suy luận và đào tạo), Gensyn, sự khác biệt lớn nhất giữa hai loại này là yêu cầu về sức mạnh tính toán khác nhau.
Hãy nói về các dự án AI suy luận, loại dự án này thu hút người dùng tham gia cung cấp sức mạnh tính toán thông qua việc khuyến khích bằng token, sau đó cung cấp dịch vụ mạng sức mạnh tính toán cho phía cầu, đạt được sự kết nối cung cầu sức mạnh tính toán không sử dụng. Cốt lõi của loại dự án này là thu hút nhà cung cấp thông qua cơ chế khuyến khích bằng token, sau đó thu hút người dùng sử dụng, thực hiện khởi động lạnh của dự án và cơ chế vận hành cốt lõi, từ đó phát triển mở rộng hơn nữa. Trong chu trình này, phía cung có nhiều token giá trị hơn để thưởng, phía cầu có dịch vụ với giá rẻ hơn và hiệu quả hơn, giá trị token của dự án và sự tham gia của cả hai bên cung cầu tăng trưởng đồng nhất, khi giá token tăng, thu hút nhiều người tham gia và nhà đầu tư suy đoán hơn, hình thành sự thu hút giá trị.
Một loại khác là sử dụng sức mạnh tính toán phi tập trung cho việc đào tạo AI, chẳng hạn như Gensyn, io.net( Đào tạo và suy luận AI đều được hỗ trợ bởi ). Logic hoạt động của các dự án loại này không khác biệt nhiều về bản chất so với các dự án suy luận AI, vẫn thông qua việc khuyến khích bằng token để thu hút bên cung cấp tham gia cung cấp sức mạnh tính toán, phục vụ bên cầu sử dụng.
io.net là một mạng lưới sức mạnh tính toán phi tập trung, hiện tại số lượng GPU đã vượt quá 500.000, có hiệu suất nổi bật, đã tích hợp sức mạnh tính toán Render và Filecoin, không ngừng phát triển các dự án sinh thái.
Gensyn thúc đẩy việc phân phối và thưởng cho các nhiệm vụ học máy thông qua hợp đồng thông minh, thực hiện đào tạo AI. Chi phí cho công việc đào tạo học máy của Gensyn khoảng 0,4 đô la mỗi giờ, thấp hơn nhiều so với chi phí hơn 2 đô la của AWS và GCP.
Hệ thống Gensyn bao gồm bốn chủ thể tham gia: người nộp, người thực hiện, người xác minh và người tố cáo.
Gensyn hy vọng trở thành giao thức tính toán quy mô lớn, hiệu quả kinh tế cho các mô hình học sâu toàn cầu.
Nhưng nhìn chung trong lĩnh vực này, tại sao hầu hết các dự án chọn tính toán phi tập trung để thực hiện suy luận AI thay vì đào tạo?
Đây là nơi giúp giới thiệu sự khác biệt giữa đào tạo AI và suy luận cho những người bạn không hiểu.
Đào tạo AI: Nếu coi trí tuệ nhân tạo như một học sinh, thì việc đào tạo giống như cung cấp cho AI một lượng lớn kiến thức, ví dụ ( tức là dữ liệu ), AI sẽ học từ đó. Do bản chất của việc học cần hiểu và ghi nhớ một lượng lớn thông tin, quá trình này cần rất nhiều khả năng tính toán và thời gian.
AI