Trong một bài viết trước, chúng tôi đã tiết lộ về Commons, một con thuyền được thiết kế để vượt qua "khoảng trống giá trị" và hướng tới lục địa mới của InfoFi. Nó giải quyết "bốn vấn đề nan giải" của nền văn minh kỹ thuật số chỉ trong một bước thông qua kiến trúc "bốn trong một" có hệ thống (AI, DID, InfoFi, DAO).
Nhưng sự vĩ đại của một con tàu cuối cùng không phụ thuộc vào sự hùng vĩ của "tuyên bố" của nó, mà phụ thuộc vào sức mạnh của "động cơ" của nó. Nếu Commons là con thuyền cứu sinh của kỷ nguyên InfoFi, thì động cơ nhận diện giá trị bằng trí tuệ nhân tạo của nó chính là trái tim thúc đẩy con thuyền này.
Ngay từ khi ra đời, công cụ định giá bằng trí tuệ nhân tạo của Commons không phải là một mô-đun được thêm vào. Nó là vũ khí tối thượng mà chúng tôi sử dụng để chống lại, định nghĩa giá trị và bảo vệ niềm tin trong cuộc chạy đua vũ trang này. Nó không phải là một sổ cái thụ động, mà là một bộ não AI chủ động, có khả năng nhận thức.
I. Tại sao Web3 phải định nghĩa lại "Giá trị"
Để hiểu tại sao "Trí tuệ nhân tạo" của Commons lại mang tính cách mạng, trước hết chúng ta phải thấy sự thất bại mang tính hệ thống của "mô hình khích lệ" hiện tại.
Một trong những lời hứa lớn của Web3 là trả lại quyền sở hữu mạng lưới cho những người xây dựng nó thông qua khích lệ bằng token. Airdrop là một thiết kế tuyệt vời để thực hiện lời hứa này. Tuy nhiên, dưới sự tấn công có hệ thống của "Phù thủy AI" và "thợ săn airdrop chuyên nghiệp", cơ chế này đang dần đi đến hồi kết vì trở thành một "khích lệ không hiệu quả".
Chúng ta đã chứng kiến hết dự án này đến dự án khác, trị giá hàng trăm triệu đô la, bị "nghiện" hoàn toàn bởi những "khích lệ khởi đầu" được thiết kế tỉ mỉ, chỉ còn lại một "mạng lưới ma" trong cộng đồng—hàng triệu "địa chỉ hoạt động" nhưng hầu như không có "cộng đồng thực sự" hay "đóng góp có giá trị". Các nhóm dự án đã trả hàng chục triệu đô la cho "chi phí khích lệ" nhưng chỉ "mua" được sự ồn ào.
Nguồn gốc của tình trạng khó khăn này nằm ở sự nhầm lẫn dai dẳng của chúng ta giữa "dữ liệu" và "giá trị".
Mô hình khích lệ cũ dựa trên "theo dõi dữ liệu". Họ theo dõi những gì? Số ngày đăng nhập, số lượt tương tác, khối lượng giao dịch, số lượng tin nhắn. "Dữ liệu" này quá thô sơ và không chính xác đến mức các kịch bản AI có thể dễ dàng và với chi phí rất thấp "ngụy tạo" nó trên quy mô lớn.
Khi một hệ thống khích lệ thưởng cho "dữ liệu", nó chắc chắn sẽ thu hút "những người tạo ra dữ liệu" - các kịch bản AI. Tuy nhiên, chỉ khi một hệ thống khích lệ thưởng cho "giá trị" thì nó mới có thể thu hút "những người tạo ra giá trị" - con người thực sự.
Đây là vấn đề cơ bản mà Commons AI Value Engine hướng đến giải quyết: chúng ta phải từ bỏ "theo dõi dữ liệu" và chuyển sang "hiểu giá trị".
Chúng ta đang đối mặt với một "nghịch lý kép": một mặt, sự bùng nổ của AI đang tạo ra "nhiễu" theo cấp số nhân, dẫn đến khủng hoảng "tỷ lệ tín hiệu trên nhiễu"; mặt khác, chúng ta phải chấp nhận AI như là công cụ duy nhất có thể xác định "tín hiệu" (tức là giá trị thực) từ biển "nhiễu" này.
Lập trường của Hạ viện rất rõ ràng: chúng ta phải "chống lại AI bằng AI". Chúng ta phải sử dụng bộ não AI "nhận thức" để chống lại một "Phù thủy AI" được lập trình sẵn.
II. Từ “Theo dõi dữ liệu” đến “Hiểu rõ giá trị”
Nhiệm vụ cốt lõi của công cụ nhận diện giá trị bằng trí tuệ nhân tạo của Commons không phải là trở thành một "kế toán", mà là một "chuyên gia sành sỏi".
● Nhân vật của một "kế toán" là "theo dõi"dữ liệu: bạn gửi 100 tin nhắn, tôi ghi lại 100 mục. Đây là vấn đề chung của tất cả các mô hình thất bại hiện nay.
● Nhân vật của một "người sành sỏi" là "hiểu" giá trị: Trong 100 tin nhắn bạn gửi, tin nhắn nào có ý nghĩa?
Đây là điều chúng tôi muốn nói về "bộ não AI" của Commons: "không chỉ là 'theo dõi dữ liệu', mà còn là 'hiểu được giá trị'."
Hãy sử dụng một ví dụ cốt lõi từ kế hoạch tiếp thị để minh họa cách bộ não AI phân biệt giữa "một bình luận độ sâu" và "100 GM" (bình luận ngắn gọn, súc tích).
Theo mô hình "theo dõi dữ liệu" cũ, một địa chỉ đăng 100 tin nhắn "GM" có thể có "đóng góp" lớn hơn 100 lần so với một địa chỉ chỉ đăng "một bình luận độ sâu". Điều này rõ ràng là vô lý, nhưng đó lại là "khích lệ không hiệu quả" diễn ra hàng ngày.
Trong mô hình "hiểu biết giá trị" mới của Commons, bộ não AI sẽ đưa ra phán đoán hoàn toàn trái ngược.
Nó sẽ xác định rằng 100 tin nhắn "GM" này là những đóng góp "ít nỗ lực", "ít ngữ cảnh", "ít tính độc đáo" và "ít tác động". Giá trị biên của chúng gần như bằng không. Chúng hoàn toàn là "tiếng ồn", đặc điểm điển hình của "kịch bản Phù thủy".
Bình luận "độ sâu " đó sẽ được bộ não AI nhận diện là một đóng góp "có nhiều công sức" (liên quan đến quá trình tư duy phức tạp), "có tính ngữ cảnh cao" (rất phù hợp với chủ đề thảo luận), "có tính độc đáo cao" (không sao chép từ nơi khác) và "có tác động cao" (có khả năng khơi gợi thêm thảo luận giữa các thành viên có uy tín khác). Đó là một "tín hiệu".
Do đó, tỷ trọng giá trị của "bình luận độ sâu " này sẽ vượt xa tổng của 100 "GM" cộng lại.
Đây là một sự thay đổi mang tính đột phá. Khi các tiêu chí đánh giá trí tuệ nhân tạo chuyển từ "số lượng" sang "chất lượng", từ "hoạt động" sang "ảnh hưởng", và từ "dữ liệu" sang "giá trị", toàn bộ hệ thống khích lệ sẽ được viết lại.
Chiến lược "lọc" lưu lượng truy cập sẽ hoàn toàn không hiệu quả trước trí tuệ nhân tạo của Commons.
III. Phân tích "Bộ não AI": "Bộ ba" gồm Xử lý ngôn ngữ tự nhiên (NLP), Mạng nơ-ron đồ họa (GNN) và Mô hình hành vi
Bộ não AI của Commons đạt được "sự kỳ diệu" của "khả năng hiểu giá trị" như thế nào? Đó không phải là phép thuật; đó là một quá trình nhận thức và tính toán phức tạp liên quan đến sự hợp tác của nhiều mô hình AI.
Nền tảng này chủ yếu dựa trên ba trụ cột công nghệ cốt lõi, mà chúng tôi gọi là "bộ ba nhận thức giá trị":
Cấp độ đầu tiên: Xử lý ngôn ngữ tự nhiên (NLP) và Mô hình hóa ngôn ngữ quy mô lớn (LLM) – khía cạnh “nội dung” của giá trị.
Đây là khả năng "đọc hiểu" của bộ não AI. Khi người dùng đăng tải "bình luận độ sâu", công cụ AI không chỉ ghi nhận nó là "+1 bình luận". Nó khởi chạy mô hình NLP/LLM để thực hiện "phân tích ngữ nghĩa"độ sâu trên văn bản.
Nó đánh giá toàn diện nội dung từ các khía cạnh như tính độc đáo, độ phức tạp, cảm xúc và quan điểm, cũng như tính liên quan. Thông qua phân tích này, bộ não AI đưa ra phán xét về giá trị của "bản thân nội dung". Nó nhìn thấu vẻ bề ngoài của "100 GM" và hiểu được bản chất của "nội dung bằng không".
Lớp thứ hai: Mạng nơ-ron đồ thị (GNN) – chiều “ngữ cảnh” của giá trị.
Đây là khả năng "nhận thức xã hội" của bộ não AI, cũng là phần quan trọng nhất. GNN không quan tâm bạn "nói" gì, nó quan tâm bạn là ai, bạn "nói với ai" và ai đang lắng nghe bạn.
Từ góc nhìn của GNN, mạng lưới không phải là một tập hợp các người dùng riêng lẻ, mà là một "đồ thị quan hệ danh tiếng" phức tạp.
● Nếu một "bình luận độ sâu" được thực hiện bởi một DID "uy tín cao" (chẳng hạn như một nhà phát triển đã được xác minh và từng đóng góp vào mã nguồn cốt lõi trước đây), nó sẽ nhận được tỷ trọng ban đầu cao hơn nhiều so với trường hợp một "DID mới" đưa ra tỷ trọng tương tự.
● Nếu "bình luận độ sâu" này khơi gợi phản hồi và thảo luận từ ba thành viên "uy tín cao" khác, GNN sẽ xác định "cụm tương tác giá trị cao" này và gán giá trị cực kỳ cao cho tất cả những người tham gia (đặc biệt là người khởi xướng) trong "cụm tương tác" này.
GNN giúp "uy tín" trở nên có thể tính toán và lan truyền. Nó thiết lập một mạng lưới để truyền tải "niềm tin", về cơ bản loại bỏ khả năng các "địa chỉ ảo"ngụy tạo uy tín thông qua "tăng cường lẫn nhau".
Lớp thứ ba: Nhận diện mô hình hành vi – khía cạnh “thời gian” của giá trị.
Đây là "sự thấu hiểu" của bộ não AI. Nó quan sát chuỗi hành vi của một người mắc chứng rối loạn đa nhân cách (DID) trong một thời gian dài để phân biệt giữa "con người" và "kịch bản".
Một "kịch bản" hoạt động một cách máy móc và có thể dự đoán được: nó đăng nhập vào cùng một thời điểm mỗi ngày, gửi tin nhắn với tần suất cố định và chỉ tương tác với các hợp đồng cụ thể.
Hành vi của "con người" rất phức tạp, mang tính hữu cơ và đa chiều: thời gian hoạt động của họ là ngẫu nhiên, các tương tác của họ diễn ra trên nhiều lĩnh vực (tham gia quản trị, tuyển chọn nội dung và thực hiện các hoạt động DeFi), và các mối quan hệ xã hội của họ phát triển dần dần.
Thông qua phân tích mô hình hành vi dài hạn, bộ não AI có thể chấm điểm xác suất "tính người" của một DID. Một DID có điểm "tính người cao" sẽ được tỷ trọng cao hơn về tất cả các đóng góp của nó; trong khi một DID có điểm "tính người thấp" (nghi ngờ cao về việc bị dàn dựng) sẽ được đánh giá thấp hơn về tất cả các đóng góp của nó, hoặc thậm chí bằng không.
Đây là sự đảm bảo về độ tin cậy của Commons: khi "bộ ba" NLP (nội dung), GNN (ngữ cảnh) và các mô hình hành vi (thời gian) cùng hoạt động đồng thời, chi phí để một "Phù thủy AI"ngụy tạo"đóng góp thực sự" sẽ cao hơn chi phí "tạo ra đóng góp thực sự".
Nhìn chung, Commons xây dựng lòng tin bằng cách tạo ra một cỗ máy giá trị "không trung thực". Bộ não AI này là rào cản cốt lõi mà Commons sử dụng để chống lại "khích lệ không hiệu quả" và "sự sụp đổ lòng tin". Đây không phải là một bản vá "chống lại Phù thủy"; mà là một thiết kế cơ bản "dựa trên giá trị". Nó không "ngăn chặn" robot; mà là "thưởng" cho con người thực sự.
