Tác giả: David & Goliath
Biên dịch: TechFlow
Hiện tại, các khâu tính toán và huấn luyện trong ngành công nghiệp AI chủ yếu do các ông lớn Web2 tập trung kiểm soát. Những công ty này, nhờ vào sức mạnh vốn lớn, thiết bị phần cứng tối tân và nguồn dữ liệu khổng lồ, đã chiếm lĩnh vị trí chủ đạo. Mặc dù tình trạng này có thể tiếp tục tồn tại trong việc phát triển các mô hình học máy (ML) phổ dụng mạnh nhất, nhưng đối với các mô hình cấp trung hoặc được tùy chỉnh, mạng lưới Web3 có thể dần trở thành nguồn tài nguyên tính toán kinh tế và dễ tiếp cận hơn.
Tương tự, khi nhu cầu suy luận vượt quá khả năng của các thiết bị cạnh biên cá nhân, một số người tiêu dùng có thể chọn mạng lưới Web3 để có được đầu ra ít bị kiểm duyệt và đa dạng hơn. Thay vì cố gắng lật đổ toàn bộ ngăn xếp công nghệ AI, các bên tham gia Web3 nên tập trung vào những kịch bản phân khúc này và phát huy tối đa những ưu thế độc đáo của mình trong chống kiểm duyệt, minh bạch và có thể xác minh xã hội.
Phần phần cứng cần thiết để huấn luyện các mô hình cơ bản thế hệ tiếp theo (như GPT hoặc BERT) rất hiếm và đắt đỏ, nhu cầu về các vi xử lý có hiệu suất cao sẽ tiếp tục vượt quá nguồn cung. Sự khan hiếm về tài nguyên này khiến phần cứng tập trung trong tay một số ít doanh nghiệp hàng đầu có đủ vốn, những công ty này sử dụng phần cứng này để huấn luyện và thương mại hóa các mô hình cơ bản có hiệu suất tối ưu và độ phức tạp cao nhất.
Tuy nhiên, tốc độ cập nhật phần cứng lại rất nhanh. Vậy thì, những phần cứng cấp trung hoặc hiệu suất thấp lạc hậu sẽ được sử dụng như thế nào?
Rất có thể những phần cứng này sẽ được sử dụng để huấn luyện các mô hình đơn giản hơn hoặc chuyên biệt hơn. Bằng cách kết hợp các mô hình khác nhau với các phần cứng có hiệu suất khác nhau, có thể đạt được sự phân bổ tài nguyên tối ưu. Trong trường hợp này, các giao thức Web3 có thể đóng vai trò then chốt bằng cách điều phối việc truy cập vào các tài nguyên tính toán đa dạng và chi phí thấp. Ví dụ, người tiêu dùng có thể sử dụng các mô hình cấp trung đơn giản được huấn luyện trên tập dữ liệu cá nhân, và chỉ chọn các mô hình cao cấp do các doanh nghiệp tập trung huấn luyện và lưu trữ khi xử lý các nhiệm vụ phức tạp hơn, đồng thời đảm bảo danh tính người dùng được bảo mật và dữ liệu gợi ý được mã hóa.
Ngoài vấn đề hiệu quả, mối lo ngại về sự thiên vị và kiểm duyệt tiềm ẩn trong các mô hình tập trung cũng ngày càng tăng. Môi trường Web3 nổi tiếng về tính minh bạch và có thể xác minh, có thể cung cấp hỗ trợ huấn luyện cho những mô hình mà Web2 bỏ qua hoặc cho là quá nhạy cảm. Mặc dù những mô hình này có thể không cạnh tranh về hiệu suất và sáng tạo, nhưng vẫn có giá trị quan trọng đối với một số nhóm trong xã hội. Do đó, các giao thức Web3 có thể mở ra một thị trường độc đáo bằng cách cung cấp các dịch vụ huấn luyện mô hình mở, đáng tin cậy và chống kiểm duyệt.
Ban đầu, các phương pháp tập trung và phi tập trung có thể并存, phục vụ cho các trường hợp sử dụng khác nhau. Tuy nhiên, khi trải nghiệm của nhà phát triển và tính tương thích của nền tảng Web3 tiếp tục được cải thiện, cùng với hiệu ứng mạng lưới của AI mã nguồn mở, Web3 có thể cuối cùng cạnh tranh trong các lĩnh vực cốt lõi của các doanh nghiệp tập trung. Đặc biệt là khi người tiêu dùng ngày càng nhận thức được những hạn chế của các mô hình tập trung, ưu thế của Web3 sẽ càng rõ ràng hơn.
Ngoài việc huấn luyện các mô hình cấp trung hoặc chuyên ngành, các bên tham gia Web3 cũng có lợi thế trong việc cung cấp các giải pháp suy luận minh bạch và linh hoạt hơn. Các dịch vụ suy luận phi tập trung có thể mang lại nhiều lợi ích, chẳng hạn như thời gian hoạt động không gián đoạn, kết hợp các mô-đun mô hình, đánh giá hiệu suất mô hình công khai, và đầu ra đa dạng, không bị kiểm duyệt. Những dịch vụ này cũng có thể hiệu quả tránh được vấn đề "bị khóa vào nhà cung cấp" mà người tiêu dùng phải đối mặt khi phụ thuộc vào một số ít nhà cung cấp tập trung. Tương tự như việc huấn luyện mô hình, lợi thế cạnh tranh của lớp suy luận phi tập trung không phải ở khả năng tính toán bản thân, mà ở chỗ nó giải quyết một số vấn đề lâu nay tồn tại, chẳng hạn như tính minh bạch của các thông số tinh chỉnh micro đóng nguồn, thiếu khả năng xác minh và chi phí cao.
Dan Olshansky đề xuất một ý tưởng rất triển vọng, đó là mạng lưới định tuyến suy luận AI của POKT, tạo ra nhiều cơ hội hơn cho các nhà nghiên cứu và kỹ sư AI để thực hiện các kết quả nghiên cứu của mình và kiếm thu nhập bổ sung thông qua các mô hình học máy (ML) hoặc trí tuệ nhân tạo (AI) được tùy chỉnh. Quan trọng hơn, mạng lưới này, bằng cách tích hợp các kết quả suy luận từ nhiều nguồn khác nhau (bao gồm cả nhà cung cấp phi tập trung và tập trung), có thể thúc đẩy sự cạnh tranh công bằng hơn trong thị trường dịch vụ suy luận.
Mặc dù các dự đoán lạc quan cho rằng toàn bộ ngăn xếp công nghệ AI trong tương lai có thể được chuyển hoàn toàn lên chuỗi, nhưng hiện tại, mục tiêu này vẫn phải đối mặt với thách thức lớn từ tập trung hóa dữ liệu và tài nguyên tính toán, vì những tài nguyên này mang lại lợi thế cạnh tranh đáng kể cho các ông lớn hiện tại. Tuy nhiên, các mạng lưới tính toán và điều phối phi tập trung thể hiện giá trị độc đáo trong việc cung cấp các dịch vụ AI cá nhân hóa hơn, kinh tế hơn, cạnh tranh mở và chống kiểm duyệt. Bằng cách tập trung vào những phân khúc thị trường then chốt nhất của những giá trị này, Web3 có thể xây dựng được những rào cản cạnh tranh riêng, đảm bảo công nghệ ảnh hưởng nhất của thời đại này có thể phát triển theo nhiều hướng khác nhau, mang lại lợi ích cho nhiều bên liên quan hơn, thay vì bị độc quyền bởi một số ít ông lớn truyền thống.
Cuối cùng, tôi muốn gửi lời cảm ơn đặc biệt đến toàn thể đội ngũ Placeholder Investment, cũng như Kyle Samani từ Multicoin Capital, Anand Iyer từ Canonical VC, Keccak Wong từ Nectar AI, Alpin Yukseloglu từ Osmosis Labs và Cameron Dennis từ NEAR Foundation, những người đã cung cấp đánh giá và phản hồi quý báu trong quá trình viết bài này.
