Khi trí tuệ nhân tạo (AI) tiến nhanh, câu hỏi không còn là liệu chúng ta sẽ tích hợp AI vào các giao thức và ứng dụng Web3 cốt lõi, mà là như thế nào. Đằng sau hậu trường, sự trỗi dậy của AI Thần kinh-Tượng trưng hứa hẹn sẽ hữu ích trong việc giải quyết các rủi ro vốn có của các mô hình ngôn ngữ lớn (LLM) hiện nay.
Không giống như các LLM chỉ dựa vào các kiến trúc thần kinh, AI Thần kinh-Tượng trưng kết hợp các phương pháp thần kinh với lý luận tượng trưng. Thành phần thần kinh xử lý nhận thức, học tập và khám phá; lớp tượng trưng bổ sung logic có cấu trúc, tuân theo quy tắc và trừu tượng hóa. Cùng nhau, chúng tạo ra các hệ thống AI vừa mạnh mẽ vừa có thể giải thích được.
Đối với lĩnh vực Web3, sự phát triển này đúng lúc. Khi chúng ta chuyển sang một tương lai do các tác nhân thông minh (DeFi, Trò chơi, v.v.) điều khiển, chúng ta phải đối mặt với các rủi ro hệ thống ngày càng tăng từ các phương pháp hiện tại tập trung vào LLM mà AI Thần kinh-Tượng trưng giải quyết trực tiếp.
LLM Là Vấn Đề
Mặc dù có năng lực, nhưng LLM vẫn có những hạn chế rất đáng kể:
1. Ảo giác: LLM thường tạo ra nội dung không chính xác hoặc vô nghĩa với mức độ tự tin cao. Đây không chỉ là sự khó chịu - đó là một vấn đề hệ thống. Trong các hệ thống phi tập trung, nơi sự thật và khả năng xác minh là rất quan trọng, thông tin ảo giác có thể làm hỏng việc thực thi hợp đồng thông minh, quyết định DAO, dữ liệu Oracle hoặc tính toàn vẹn dữ liệu on-chain.
2. Chèn Lệnh: Bởi vì LLM được đào tạo để phản hồi một cách linh hoạt với đầu vào của người dùng, các lệnh độc hại có thể chiếm quyền điều khiển hành vi của chúng. Một kẻ thù có thể lừa một trợ lý AI trong ví Web3 ký các giao dịch, tiết lộ khóa riêng, hoặc vượt qua các kiểm tra tuân thủ - chỉ bằng cách soạn một lệnh phù hợp.
3. Khả Năng Lừa Dối: Nghiên cứu gần đây cho thấy các LLM tiên tiến có thể học cách lừa dối nếu điều đó giúp chúng thành công trong một nhiệm vụ. Trong môi trường blockchain, điều này có thể có nghĩa là nói dối về rủi ro, che giấu ý định độc hại, hoặc thao túng các đề xuất quản trị dưới vỏ bọc của ngôn ngữ thuyết phục.
4. Sự Liên Kết Giả: Có lẽ vấn đề nguy hiểm nhất là ảo tưởng về sự liên kết. Nhiều LLM có vẻ hữu ích và đạo đức chỉ vì chúng đã được tinh chỉnh bằng phản hồi của con người để cư xử theo cách bề ngoài. Nhưng lý luận cơ bản của chúng không phản ánh sự hiểu biết thực sự hoặc cam kết với các giá trị - ít nhất là sự bắt chước.
5. Thiếu Khả Năng Giải Thích: Do kiến trúc thần kinh của chúng, LLM hoạt động chủ yếu như các "hộp đen", nơi gần như không thể truy tìm lý luận dẫn đến một đầu ra nhất định. Sự mờ ảo này cản trở việc áp dụng trong Web3, nơi việc hiểu được nguyên lý là điều thiết yếu.
AI Thần Kinh-Tượng Trưng Là Tương Lai
Các hệ thống Thần kinh-Tượng trưng về cơ bản là khác biệt. Bằng cách tích hợp các quy tắc logic tượng trưng, ontology và cấu trúc nhân quả với các khung thần kinh, chúng lý luận một cách rõ ràng, có thể giải thích cho con người. Điều này cho phép:
1. Ra Quyết Định Có Thể Kiểm Toán: Các hệ thống Thần kinh-Tượng trưng liên kết rõ ràng các đầu ra của chúng với các quy tắc chính thức và kiến thức có cấu trúc (ví dụ: đồ thị tri thức). Sự rõ ràng này làm cho lý luận của chúng minh bạch và có thể truy vết, đơn giản hóa việc gỡ lỗi, xác minh và tuân thủ các tiêu chuẩn quy định.
2. Kháng Chèn và Lừa Dối: Các quy tắc tượng trưng hoạt động như các ràng buộc trong các hệ thống Thần kinh-Tượng trưng, cho phép chúng từ chối hiệu quả các tín hiệu không nhất quán, không an toàn hoặc lừa dối. Không giống như các kiến trúc mạng thần kinh thuần túy, chúng chủ động ngăn chặn dữ liệu thù địch hoặc độc hại ảnh hưởng đến các quyết định, tăng cường bảo mật hệ thống.
3. Tính Mạnh Mẽ Trước Sự Thay Đổi Phân Phối: Các ràng buộc tượng trưng rõ ràng trong các hệ thống Thần kinh-Tượng trưng mang lại sự ổn định và độ tin cậy khi đối mặt với các phân phối dữ liệu bất ngờ hoặc thay đổi. Do đó, các hệ thống này duy trì hiệu suất nhất quán, ngay cả trong các kịch bản không quen thuộc hoặc ngoài miền.
4. Xác Minh Sự Liên Kết: Các hệ thống Thần kinh-Tượng trưng cung cấp một cách rõ ràng không chỉ các đầu ra mà còn các giải thích rõ ràng về lý luận đằng sau các quyết định của chúng. Điều này cho phép con người đánh giá trực tiếp liệu các hành vi của hệ thống có phù hợp với các mục tiêu và hướng dẫn đạo đức dự định hay không.
5. Độ Tin Cậy Hơn Tính Lưu Loát: Trong khi các kiến trúc thần kinh thuần túy thường ưu tiên tính gắn kết ngôn ngữ ở mức chi phí độ chính xác, các hệ thống Thần kinh-Tượng trưng nhấn mạnh tính nhất quán logic và tính chính xác của sự kiện. Việc tích hợp lý luận tượng trưng của chúng đảm bảo các đầu ra là trung thực và đáng tin cậy, giảm thiểu thông tin sai lệch.
Trong Web3, nơi Không cần cho phép phục vụ như nền tảng và Không cần tin cậy cung cấp cơ sở, những khả năng này là bắt buộc. Lớp Thần kinh-Tượng trưng đặt ra tầm nhìn và cung cấp nền tảng cho thế hệ Web3 tiếp theo - Web3 Thông Minh.
