Lưu ý: Bài viết này xuất phát từ @bonnazhu Twitter và được Mars Finance biên soạn như sau:
Với việc phát hành phiên bản OpenAI 4o gần đây, hãy nói về quan điểm của chúng tôi về blockchain AI+:
Làn sóng AI tổng quát do OpenAI dẫn đầu đã một mình thúc đẩy sự phát triển của dữ liệu, lưu trữ và điện toán. Từ đó trở đi, AI sẽ trở thành khách hàng quan trọng nhất của họ trong mười hoặc thậm chí nhiều thập kỷ tới. Một chuỗi phục vụ tốt AI, sau đó sử dụng AI để phục vụ khách hàng và ứng dụng trong các ngành công nghiệp hạ nguồn khác nhau đang dần hình thành. lớp giữa và động cơ:
Đầu tiên, AI thúc đẩy nhu cầu về cơ sở hạ tầng thượng nguồn:
1) Điện toán: bao gồm thiết kế và sản xuất chip, dịch vụ điện toán đám mây, trung tâm dữ liệu, cơ sở hạ tầng mạng/điện, v.v.
Liên kết này tập trung vào đào tạo vật lý AI và kết quả đầu ra tiêu tốn lượng lớn tỷ lệ băm , điện năng và tài nguyên mạng, trong khi hiệu suất của chip là chìa khóa quyết định hiệu quả và mức tiêu thụ năng lượng, điều này quyết định thiết kế của các chip như NVIDIA và AMD. Các công ty, nhà sản xuất tấm bán dẫn như TSMC và Samsung, cũng như những gã khổng lồ công nghệ với việc kinh doanh điện toán đám mây và trung tâm dữ liệu như Google, Microsoft và Amazon đều có mục tiêu giành được giá trị lớn nhất trong vòng này.
Nhưng blockchain không phải là không có công dụng của nó. Hiện tại, sự độc quyền về tỷ lệ băm là rất rõ ràng. Rất khó để tìm được card GPU hiệu suất cao hoặc bạn phải trả giá phí cao để có được các dịch vụ liên quan từ các nhà cung cấp điện toán đám mây. Ngoài ra, do vấn đề địa chính trị, doanh số bán chip. lệnh cấm và các lý do khác, tỷ lệ băm bị hạn chế về mặt địa lý. Việc phân phối cũng tập trung. Sự lan tỏa nhu cầu do sự mất cân bằng này gây ra đã khiến điện toán phi tập trung trở thành một trong những lĩnh vực blockchain thu được lợi ích thực sự trong làn sóng AI này . Có rất nhiều dự án trong lĩnh vực này, các dự án mới liên tục xuất hiện và cạnh tranh sẽ rất khốc liệt, chẳng hạn như @akashnet_ @rendernetwork @gensynai @NodeAIETH @exa_bits @ionet @fluence_project @gpunet @nosana_ai và hơn thế nữa.
Tuy nhiên, do mâu thuẫn giữa những hạn chế về hiệu suất của chính mạng blockchain và tải tính toán cao của máy học, việc học độ sâu phức tạp phải được thực hiện ngoài Chuỗi và sau đó kết quả được truyền đến Chuỗi. Cách xác minh xem nhà cung cấp tỷ lệ băm có thực hiện nhiệm vụ đào tạo theo yêu cầu hay không là một điểm khó khăn và việc tính toán yêu cầu sử dụng dữ liệu và mô hình, điều này có thể gây ra các vấn đề tiềm ẩn về quyền riêng tư. Tại thời điểm này, sức mạnh của ZK (Bằng chứng không tri thức) trở nên rõ ràng. Đã có nhiều dự án khám phá ZK để phục vụ AI, chẳng hạn như @bagel_network @gizatechxyz @ModulusLabs nhằm mục đích tạo ra một nền tảng học máy nơi các nhà phát triển có thể triển khai các mô hình AI và sử dụng ZK để xác minh quá trình suy đoán và đào tạo AI, tức là học máy ZK, trong khi @ezklxyz là một trình tạo ZKP tập trung vào việc phục vụ AI và. trình xác thực, @Ingo_zk đang nghiên cứu sâu về khả năng tăng tốc phần cứng thế hệ ZKP.
Ngoài ra, mức tiêu thụ năng lượng do AI tạo ra (bao gồm mức tiêu thụ năng lượng do tính toán và mức tiêu thụ năng lượng do tản nhiệt) cũng khá đáng kinh ngạc. Người ta nói rằng khi OpenAI đào tạo GPT-6, lưới điện của Microsoft đã sụp đổ. Khi các gã khổng lồ lớn tiếp tục tăng cường đầu tư vào các trung tâm dữ liệu AI (trong đó OpenAI có kế hoạch hợp tác với Microsoft để chi 100 tỷ USD để xây dựng siêu máy tính mang tên Stargate), mức tiêu thụ năng lượng sẽ chỉ tăng theo cấp số nhân. Tuy nhiên, chu kỳ xây dựng và cải tạo cơ sở hạ tầng mạng/điện rất chậm và ở các quốc gia như Hoa Kỳ, hầu hết đất đai đều thuộc sở hữu sở hữu tư nhân và việc mở rộng lưới điện cũng như cơ sở hạ tầng liên quan cần có sự đồng ý của tư nhân. Làm cách nào để động lực khích các cá nhân tư nhân tham gia vào việc mở rộng cơ sở hạ tầng hoặc giảm bớt sự phụ thuộc và gánh nặng của họ vào lưới điện, có thể là một vấn đề quan trọng trong #DePin trong tương lai. Tất nhiên, ngoài sức mạnh, băng thông ổn định cũng là một trong những yêu cầu cơ sở hạ tầng quan trọng đối với AI. Hầu hết các trung tâm dữ liệu đều có xu hướng được xây dựng gần các ISP (Nhà cung cấp việc kinh doanh Internet). . Cách sử dụng #DePin để giải quyết vấn đề không phù hợp này cũng là một hướng đi đáng mong đợi.
2) Dữ liệu: bao gồm thu thập dữ liệu, chú thích/xử lý dữ liệu, giao dịch/ủy quyền dữ liệu.
Mặc dù dữ liệu là “thức ăn” của AI nhưng hầu hết các mô hình học máy chỉ có thể sử dụng dữ liệu có cấu trúc đã được xử lý. Hiện nay, nguồn dữ liệu được sử dụng cho machine learning rất rộng và hầu hết là dữ liệu công cộng không có cấu trúc và phân tán, do đó cần lượng lớn thời gian và công sức để thu thập và xử lý dữ liệu này. Đây thực sự là một công việc tốn nhiều công sức nhưng cũng là mối liên kết mà kinh tế token blockchain và mã thông báo có thể dễ dàng tham gia. Hiện tại, những người chính thực hiện việc kinh doanh hợp đồng phụ thu thập và xử lý dữ liệu này là @getgrass_io. @PublicAI_ @AITProtocol số ít này.
Tuy nhiên, cần lưu ý rằng với sự xuất hiện của kiến trúc mô hình học máy mới, sự phụ thuộc vào dữ liệu có cấu trúc sẽ thay đổi. Các kiến trúc kỹ thuật mới như mô hình học tự giám sát, GAN, VAE và đào tạo trước có thể sử dụng trực tiếp dữ liệu phi cấu trúc để học độ sâu, bỏ qua các liên kết xử lý và làm sạch dữ liệu, điều này sẽ có tác động nhất định đến nhu cầu về các nền tảng sử dụng nhiều lao động.
Ngoài ra, dữ liệu có thể được thu thập công khai chỉ là phần nổi của tảng băng dữ liệu trên thế giới. Lượng lớn dữ liệu thực tế nằm trong tay các tổ chức tư nhân hoặc người dùng cá nhân Ngoại trừ một số công ty có API công khai cho phép. gọi, hầu hết dữ liệu chưa được kích hoạt. Làm thế nào để cho phép nhiều người nắm giữ dữ liệu hơn đóng góp/ủy quyền dữ liệu của họ đồng thời bảo vệ tốt quyền riêng tư là một hướng đi quan trọng. Đã từng có nhiều nền tảng phi tập trung giao dịch dữ liệu phi tập trung, nhưng vì họ gặp khó khăn trong việc tìm kiếm các bên có nhu cầu về dữ liệu nên sau nhiều đợt sóng, về cơ bản chỉ một số nền tảng như @oceanprotocol sống sót sau mùa xuân AI độc đáo của họ. Mô hình -data cho phép người dùng dữ liệu thực hiện các phép tính trực tiếp trên tập dữ liệu của người chia sẻ dữ liệu mà không làm lộ dữ liệu, điều này giải quyết chính xác điểm hạn chế về quyền riêng tư này.
3) Lưu trữ: bao gồm cơ sở dữ liệu (database), hệ thống sao lưu/lưu trữ dữ liệu (storage)
Hầu hết dữ liệu sử dụng trong quá trình huấn luyện và suy đoán của các mô hình độ sâu learning đều được lấy từ cơ sở dữ liệu hoặc hệ thống sao lưu lưu trữ dữ liệu. Cơ sở dữ liệu và hệ thống sao lưu/lưu trữ có thể được hiểu là "tủ lạnh", nhưng cơ sở dữ liệu và hệ thống sao lưu/lưu trữ thực sự khác nhau. Cơ sở dữ liệu và hệ thống sao lưu/lưu trữ trước đây tập trung vào quản lý và cần hỗ trợ việc đọc và ghi thường xuyên, cũng như các truy vấn phức tạp (như SQL) và. Việc truy xuất Sau này Nhà đầu tư tập trung vào việc sao lưu và lưu trữ quy mô lớn, lâu dài và cần đảm bảo quyền riêng tư, bảo mật và không giả mạo.
Cơ sở dữ liệu và bộ lưu trữ bổ sung cho nhau và cùng phục vụ việc học độ sâu AI. Một kịch bản điển hình là: dữ liệu rút từ cơ sở dữ liệu, được xử lý trước và làm sạch, đồng thời chuyển đổi thành định dạng phù hợp cho việc đào tạo mô hình. Dữ liệu đã xử lý có thể được lưu trữ trong bộ lưu trữ phi tập trung. bảo mật dữ liệu . Trong giai đoạn đào tạo mô hình, dữ liệu đào tạo được đọc từ bộ lưu trữ phi tập trung và đào tạo mô hình được thực hiện. Dữ liệu trung gian và các tham số mô hình được tạo trong quá trình đào tạo có thể được lưu trữ trong cơ sở dữ liệu để truy cập, tinh chỉnh và cập nhật nhanh chóng.
Lĩnh vực này là lợi thế của blockchain, @ArweaveEco Filecoin Storj @Sia__Foundation thuộc nhóm này và thậm chí @dfinity cũng có thể được xếp vào đó. Tuy nhiên, người ta ngày càng cảm thấy rằng @ArweaveEco là giải pháp phù hợp nhất để phục vụ AI: mô hình lưu trữ vĩnh viễn thanh toán một lần, cộng với hệ sinh thái Nhiều dự án cơ sở dữ liệu. đóng vai trò là phần bổ sung cũng như mạng điện toán AO kiến trúc song song mới được phát hành, thích ứng hoàn hảo với nhu cầu của nhiệm vụ đa luồng trong học độ sâu , giúp mạng có khả năng hỗ trợ tốt việc triển khai học máy.
Thứ hai, hiệu suất AI xác định giới hạn trên của các ứng dụng hạ nguồn:
Mặc dù AI ít nhiều đã được ứng dụng trong lĩnh vực công nghiệp và nông nghiệp (2B), nhưng những đột phá mà chúng ta thấy ở vòng này chủ yếu là các ứng dụng 2C dựa trên các mô hình ngôn ngữ lớn (LLM). Chúng ta có thể chia các ứng dụng này thành hai loại chính:
Loại đầu tiên thực chất chỉ là hiện thân của các mô hình ngôn ngữ lớn, chẳng hạn như một số nền tảng AIGC, tạo ra kết quả mà người dùng mong muốn theo hướng dẫn của người dùng. Tuy nhiên, hiệu suất của loại ứng dụng này chủ yếu phụ thuộc vào mô hình AI được sử dụng. và mô hình LLM chính được sử dụng bởi những người khổng lồ. Họ có sự độc quyền nên sự khác biệt giữa các ứng dụng thường nhỏ và hệ thống bảo vệ tương đối hẹp; loại còn lại sử dụng mô hình AI để cải thiện chức năng và trải nghiệm người dùng của các sản phẩm hiện có, chẳng hạn như tìm kiếm. công cụ và trò chơi đã bổ sung khả năng AI, bao gồm @_kaitoai @ScopeProtocol @EchelonFND
Ngoài ra, làn sóng Generative AI cũng đã thúc đẩy một hệ sinh thái ứng dụng mới - AI Agent, tức là một robot thông minh, có khả năng thực hiện nhiệm vụ một cách độc lập và đưa ra quyết định dựa trên ý định của người dùng. Bản chất của AI Agent là bổ sung thêm logic thực thi và xử lý phức tạp hơn dựa trên mô hình LLM để nó có thể phục vụ các tình huống ứng dụng khác nhau. Trên thực tế, nguyên mẫu của loại Đại lý này đã tồn tại trong lĩnh vực crypto, chẳng hạn như bot thanh lý giao thức cho vay DeFi và bot chênh lệch giá của nền tảng giao dịch phi tập trung . Mặc dù các Bot DeFi này có một số đặc điểm của robot thông minh, nhưng chúng hoàn toàn hoạt động trên Chuỗi và không hỗ trợ hành vi ngoài Chuỗi. Bởi vì chúng dựa trên hợp đồng thông minh nên chúng yêu cầu các tác nhân kích hoạt bên ngoài để bắt đầu.
Trong trường hợp không có AI, một tập hợp các mạng thủ môn bên ngoài hiện đang được sử dụng để kết nối Chuỗi và on Chuỗi. Ví dụ: oracle về giá là một ví dụ điển hình và @thekeep3r cũng là một ví dụ. Sự xuất hiện của AI Agent đã đưa ra một ý tưởng mới, đó là robot thông minh có thể tự hoàn thành công việc đó và thực hiện tự động hóa. Mục tiêu chính của Tác nhân AI trên Chuỗi là: @autonolas @MorpheusAIs ; và các mục tiêu Tác nhân AI tổng quát khác bao gồm @chainml_ @Fetch_ai ; và Tác nhân AI tập trung vào sự đồng hành và tương tác giữa con người với máy tính là @myshell_ai @virtuals_io @The_Delysium và đặc điểm của loại Đặc vụ này là nhân cách hóa, mang lại giá trị tâm lý và có không gian tưởng tượng để sử dụng trong nhiều trò chơi và Metaverse khác nhau.
Thứ ba, viết ở cuối:
AI thực sự là một câu chuyện hợp nhất, sự xuất hiện của nó đã kết nối một số lĩnh vực crypto ban đầu bị cô lập hoặc thậm chí không thể tìm thấy sự hội tụ của thị trường. Hiện tại, AI vẫn đang trong thời đại đầu tư cơ sở hạ tầng quy mô lớn. Các lĩnh vực thượng nguồn như dữ liệu, lưu trữ và điện toán là những ngành được hưởng lợi trực tiếp và liên tục nhất. Chúng nhạy cảm hơn với sự phát triển của AI và có độ chắc chắn cao hơn.
Nhưng đối với các nhà đầu tư trong ngành này, rủi ro là phần lớn cổ tức có thể không nằm ở thị trường crypto. Hiệu ứng AI hiện tại trên thị trường tiền tệ xuất phát nhiều hơn từ tác động lan tỏa do mất cân bằng cung cầu trên thị trường truyền thống . hoặc từ sự suy đoán thuần túy. Đối với các ứng dụng hạ nguồn, trần hiệu suất phụ thuộc vào mô hình AI và mô hình AI vẫn đang trong quá trình lặp lại liên tục, điểm tích hợp giữa AI và sản phẩm vẫn đang được khám phá và chưa phù hợp với thị trường được xác minh, điều này làm cho các biến số trong tương lai của các ứng dụng hạ nguồn tương đối không chắc chắn. Lớn, độ chắc chắn không cao bằng khu vực thượng nguồn.
Tất nhiên, cũng có những dự án như @bittensor_ và @ritualnet . Tôi cho rằng nó nên được gọi là dự án nền tảng sinh thái AI. Họ không chỉ đơn giản tập trung vào một phần nhất định của việc kinh doanh thượng nguồn hoặc hạ nguồn, mà thông qua việc thiết kế kiến trúc và cơ chế kinh tế, nhiều nhà cung cấp việc kinh doanh thượng nguồn và hạ nguồn khác nhau có thể truy cập và triển khai vào nền tảng hoặc Chuỗi của họ để đạt được cái gọi là hợp tác trí tuệ nhân tạo. Các dự án này có triển vọng lớn, nhưng các vấn đề về nắm bắt nhu cầu mà AI blockchain thượng nguồn và hạ nguồn hiện đang gặp phải cũng sẽ được phản ánh trên chúng và mức định giá của chúng tương đối cao. Tuy nhiên, rủi ro khi đặt cược vào các nền tảng này sẽ tương đối nhỏ so với việc đặt cược vào một dự án cụ thể.
Trong ngắn hạn, liệu blockchain có thể tiếp tục hưởng lợi từ cổ tức AI hay không vẫn có thể phụ thuộc vào sự mất cân bằng cung cầu trong lĩnh vực thượng nguồn, đặc biệt là tình trạng nguồn cung tiếp tục không đủ. Tuy nhiên, trong trung và dài hạn, khả năng xác minh, không giả mạo và khích lệ token của blockchain thực sự có thể mang lại những khả năng mới cho AI. Trong đó, Bằng chứng không tri thức là một công cụ mạnh mẽ không chỉ có thể bảo vệ quyền riêng tư mà còn có thể đạt được. xác minh đáng tin cậy , giải quyết hoàn hảo vấn đề blockchain phục vụ các yêu cầu tính toán cao của AI độ sâu learning trong điều kiện hạn chế về hiệu suất.
