Giới thiệu về Chainfeed:
Trí tuệ nhân tạo là một trong những câu chuyện hấp dẫn và hứa hẹn nhất trên thị trường crypto trong thời gian gần đây. Ed Roman, đối tác quản lý của Hack.VC, đã viết một bài báo phân tích các trường hợp sử dụng thực tế của sự kết hợp giữa crypto và trí tuệ nhân tạo, đồng thời phân tích những thách thức và cơ hội của nó.
Nguồn bài viết:
https://x.com/ed_roman/status/1803922033820193226
Tác giả bài viết:
Ed La Mã
Quan điểm:
Ed Roman: Các trường hợp sử dụng trong đó sự kết hợp giữa crypto và trí tuệ nhân tạo có thể mang lại giá trị đáng kể: 1) McKinsey ước tính rằng AI có thể tạo ra giá trị từ 2,6 đến 4,4 nghìn tỷ USD cho các ngành khác nhau mỗi năm, tương đương 1,5 lần GDP của Vương quốc Anh vào năm 2021 ;2) Giảm chi phí sử dụng GPU thông qua GPU DePIN. GPU DePIN tổng hợp sức mạnh tính toán GPU chưa được sử dụng đúng mức để suy luận AI. Điều này tương tự như "Airbnb của GPU", giúp giảm chi phí suy luận AI bằng cách cung cấp tài nguyên tính toán GPU với chi phí thấp hơn; 3) các mô hình mã nguồn mở có thể tránh được tình trạng tự kiểm duyệt nội dung AI của các công ty như OpenAI, từ đó hỗ trợ nhiều loại hơn; ứng dụng. 4) Các doanh nghiệp lớn lo lắng về việc chuyển giao dữ liệu nội bộ cho bên thứ ba tập trung. Web3 bảo vệ dữ liệu doanh nghiệp thông qua các công nghệ nâng cao quyền riêng tư như Hoàn cảnh thực thi đáng tin cậy (TEE) và Crypto hoàn toàn đồng hình (FHE). 5) Các mô hình phần mềm mã nguồn mở(OSS) không ngừng đổi mới và có thể thay thế phần mềm độc quyền. Thông qua Web3 AI, việc tận dụng các mô hình mã nguồn mở này có thể mang lại nhiều lợi ích kinh tế và đổi mới hơn. 6) Lý luận AI của Web3 yêu cầu xác minh để ngăn người xác minh gian lận. Bằng chứng ZK và lấy mẫu ngẫu nhiên kết hợp với phương pháp chi phí phạt cao có thể ngăn chặn gian lận một cách hiệu quả và cải thiện độ tin cậy của sự đồng thuận. 7) Tiết kiệm tiền thông qua các ngăn xếp OSS có thể kết hợp được. Web3 cũng có thể tiết kiệm chi phí bằng cách sử dụng các mô hình mã nguồn mở không yêu cầu tỷ suất lợi nhuận giống như phần mềm độc quyền. 8) Việc lấy dữ liệu thông qua mạng phi tập trung có thể cải thiện chất lượng dữ liệu và tính kịp thời của quá trình đào tạo mô hình AI. Các công ty khởi nghiệp như Grass đang khám phá phương pháp này để cải thiện hiệu quả và phạm vi thu thập dữ liệu thông qua các mạng thu thập dữ liệu phi tập trung . Những thách thức trong việc kết hợp Web3 với AI: 1) Đào tạo AI phi tập trung: Vấn đề chính của việc đào tạo AI trên Chuỗi là nhu cầu giao tiếp tốc độ cao giữa các GPU phi tập trung làm tăng độ trễ và chi phí băng thông 2) Lặp lại dữ liệu AI phi tập trung : AI; đào tạo yêu cầu xử lý lượng lớn dữ liệu, dữ liệu được lưu trữ trong các hệ thống tập trung và an toàn. Việc xử lý và lặp lại dữ liệu trong hoàn cảnh phi tập trung là rất khó khăn, đặc biệt là khi không có các công cụ và khuôn khổ tốt nhất hiện có. 3) Tính toán đồng thuận dự phòng cho suy luận AI: Để đảm bảo tính chính xác của kết quả suy luận AI, ý tưởng tính toán lặp đi lặp lại đã được đề xuất. Tuy nhiên, việc thiếu chip AI cao cấp khiến phương pháp này trở nên đắt đỏ và khó phát huy. 4) Các trường hợp sử dụng AI cụ thể cho Web3: Hiện tại, thị trường trường hợp sử dụng AI cụ thể cho Web3 vẫn còn ở giai đoạn sơ khai, với nhu cầu thấp và lượng khách hàng không ổn định, điều này làm tăng khó khăn trong mở rộng việc kinh doanh 5) DePIN GPU cấp độ người tiêu dùng: AI phi tập trung; Mạng điện toán dựa trên GPU cấp tiêu dùng phù hợp cho nhiệm vụ suy luận AI cấp thấp, nhưng đối với các trường hợp sử dụng của doanh nghiệp yêu cầu độ tin cậy cao và GPU cao cấp thì trung tâm dữ liệu sẽ phù hợp hơn. [Văn bản gốc bằng tiếng Anh]
Nguồn nội dung 
