Tiêu đề gốc: Tìm hiểu sự giao thoa giữa tiền điện tử và AI

Tác giả gốc: Lucas Tcheyan

Bản tổng hợp gốc: Rhythm Workers, BlockBeats

Mục lục

giới thiệu

Giải thích thuật ngữ khái niệm cốt lõi

Trí tuệ nhân tạo + Toàn cảnh tiền điện tử

tính toán phi tập trung

Tổng quan

tính toán phi tập trung

Trường dọc

tính toán tổng quát

Thị trường thứ cấp

Đào tạo học máy phi tập trung

Trí tuệ nhân tạo tổng hợp phi tập trung

Xây dựng hệ thống tính toán phi tập trung cho các mô hình AI

Các sản phẩm phi tập trung khác

Quan điểm

Hợp đồng thông minh và máy học không kiến ​​thức (zkML)

Học máy không có kiến ​​thức (zkML)

Cơ sở hạ tầng và công cụ

bộ đồng xử lý

ứng dụng

Quan điểm

đặc vụ trí tuệ nhân tạo

Nhà cung cấp đại lý

Đại lý Bitcoin và AI

Quan điểm

Tóm lại là

giới thiệu

Sự xuất hiện của blockchain được cho là một trong những tiến bộ quan trọng nhất trong lịch sử khoa học máy tính. Đồng thời, sự phát triển của trí tuệ nhân tạo sẽ có và đã có tác động sâu sắc đến thế giới của chúng ta.Nếu công nghệ blockchain cung cấp một mô hình mới để giải quyết giao dịch, lưu trữ dữ liệu và thiết kế hệ thống thì trí tuệ nhân tạo là một cuộc cách mạng trong điện toán, phân tích và sản xuất nội dung.Những đổi mới trong cả hai ngành đang mở ra những trường hợp sử dụng mới có thể đẩy nhanh việc áp dụng cả hai ngành trong những năm tới. Báo cáo này khám phá sự tích hợp của tiền điện tử và trí tuệ nhân tạo, tập trung vào các trường hợp sử dụng mới nhằm tìm cách thu hẹp khoảng cách giữa hai lĩnh vực này và khai thác sức mạnh của cả hai. Cụ thể, báo cáo này xem xét các dự án về giao thức điện toán phi tập trung, cơ sở hạ tầng máy học không kiến ​​thức (zkML) và các tác nhân trí tuệ nhân tạo.

Tiền điện tử cung cấp một lớp giải quyết không cần cấp phép, không cần tin cậy, có thể tổng hợp cho trí tuệ nhân tạo.Điều này mở ra nhiều trường hợp sử dụng hơn, chẳng hạn như làm cho phần cứng dễ truy cập hơn thông qua hệ thống máy tính phi tập trung, xây dựng các tác nhân trí tuệ nhân tạo có thể thực hiện các nhiệm vụ phức tạp đòi hỏi phải trao đổi giá trị cũng như phát triển các giải pháp nhận dạng và xuất xứ để chống lại các cuộc tấn công Sybil và công nghệ deepfake (Deepfake). Trí tuệ nhân tạo mang lại nhiều lợi ích cho tiền điện tử, như đã thấy trong Web 2. Điều này bao gồm trải nghiệm người dùng (UX) nâng cao cho người dùng và nhà phát triển thông qua các mô hình ngôn ngữ lớn như ChatGPT và các phiên bản Copilot được đào tạo đặc biệt, cũng như tiềm năng cải thiện đáng kể chức năng hợp đồng thông minh và tự động hóa. Blockchain là môi trường minh bạch, giàu dữ liệu cần thiết cho trí tuệ nhân tạo. Nhưng sức mạnh tính toán của blockchain cũng còn hạn chế, đây là trở ngại lớn cho việc tích hợp trực tiếp các mô hình trí tuệ nhân tạo.

Động lực thúc đẩy thử nghiệm đang diễn ra và cuối cùng là áp dụng ở điểm giao thoa giữa tiền điện tử và trí tuệ nhân tạo chính xác là điều đang thúc đẩy nhiều trường hợp sử dụng hứa hẹn nhất của tiền điện tử — một lớp điều phối không cần cấp phép, không cần tin cậy tạo điều kiện thuận lợi hơn cho việc chuyển giao Giá trị. Với tiềm năng to lớn của nó, những người tham gia trong lĩnh vực này cần hiểu những cách cơ bản mà hai công nghệ này giao nhau.

Ý tưởng cốt lõi:

Trong tương lai gần (6 tháng đến 1 năm), việc tích hợp tiền điện tử và AI sẽ bị chi phối bởi các ứng dụng AI giúp tăng hiệu quả của nhà phát triển, khả năng kiểm tra và bảo mật hợp đồng thông minh cũng như trách nhiệm giải trình của người dùng. Những tích hợp này không dành riêng cho tiền điện tử nhưng nâng cao trải nghiệm cho các nhà phát triển và người dùng trên chuỗi.

Cũng giống như tình trạng thiếu hụt trầm trọng GPU hiệu suất cao, các sản phẩm điện toán phi tập trung đang phát triển các sản phẩm GPU tùy chỉnh AI, hỗ trợ mạnh mẽ cho việc áp dụng chúng.

Trải nghiệm và quy định của người dùng vẫn là rào cản đối với khách hàng sử dụng máy tính phi tập trung. Tuy nhiên, những phát triển gần đây trong OpenAI và sự giám sát pháp lý đang diễn ra ở Hoa Kỳ nêu bật đề xuất giá trị của các mạng trí tuệ nhân tạo phi tập trung, chống kiểm duyệt, không cần cấp phép.

Tích hợp AI trên chuỗi, đặc biệt là các hợp đồng thông minh có khả năng sử dụng mô hình AI, đòi hỏi phải cải tiến công nghệ zkML và các phương pháp tính toán khác để xác thực các tính toán ngoài chuỗi. Việc thiếu các công cụ toàn diện và nhân lực phát triển cũng như chi phí cao là những rào cản cho việc áp dụng.

Đại lý AI rất lý tưởng cho tiền điện tử, nơi người dùng (hoặc chính đại lý) có thể tạo ví để giao dịch với các dịch vụ, đại lý hoặc cá nhân khác. Điều này hiện không thể đạt được bằng các kênh tài chính truyền thống. Để được áp dụng rộng rãi hơn, cần phải tích hợp bổ sung với các sản phẩm không phải tiền điện tử.

Giải thích thuật ngữ:

Trí tuệ nhân tạo (Trí tuệ nhân tạo) sử dụng máy tính và máy móc để bắt chước khả năng suy luận và giải quyết vấn đề của con người.

Mạng lưới thần kinh là một phương pháp đào tạo cho các mô hình AI. Họ xử lý dữ liệu đầu vào thông qua một loạt các lớp thuật toán, liên tục tối ưu hóa cho đến khi tạo ra kết quả đầu ra mong muốn. Mạng lưới thần kinh bao gồm các phương trình có trọng số có thể thay đổi được để thay đổi đầu ra. Họ có thể yêu cầu một lượng lớn dữ liệu và tính toán để đào tạo nhằm đảm bảo kết quả đầu ra của họ là chính xác. Đây là một trong những cách phổ biến nhất để phát triển các mô hình AI (ví dụ: ChatGPT sử dụng quy trình mạng thần kinh dựa trên Transformer).

Đào tạo là quá trình phát triển mạng lưới thần kinh và các mô hình AI khác. Nó đòi hỏi một lượng lớn dữ liệu để huấn luyện mô hình diễn giải chính xác đầu vào và tạo ra đầu ra chính xác. Trong quá trình huấn luyện, trọng số của các phương trình mô hình liên tục được sửa đổi cho đến khi tạo ra kết quả thỏa đáng. Chi phí đào tạo có thể rất tốn kém. Ví dụ: ChatGPT sử dụng hàng chục nghìn GPU để xử lý dữ liệu của nó. Các nhóm có ít tài nguyên hơn thường dựa vào các nhà cung cấp máy tính chuyên dụng như Amazon Web Services, Azure và Google Cloud Providers.

Suy luận là quá trình thực sự sử dụng mô hình AI để thu được đầu ra hoặc kết quả (ví dụ: sử dụng ChatGPT để viết dàn ý báo cáo này). Suy luận được sử dụng cả trong quá trình đào tạo và trong sản phẩm cuối cùng. Do chi phí tính toán, chúng có thể tốn kém để chạy ngay cả sau khi đào tạo xong, nhưng ít tính toán chuyên sâu hơn so với đào tạo.

Bằng chứng không có kiến ​​thức (ZKP) cho phép xác minh các khiếu nại mà không tiết lộ thông tin cơ bản. Điều này phục vụ hai mục đích chính trong tiền điện tử: 1. Quyền riêng tư và 2. Khả năng mở rộng. Để bảo mật, điều này cho phép người dùng thực hiện các giao dịch mà không tiết lộ thông tin nhạy cảm như số lượng ETH trong ví. Về khả năng mở rộng, nó cho phép các tính toán ngoài chuỗi được chứng minh nhanh hơn trên chuỗi mà không cần phải thực hiện lại các tính toán. Điều này cho phép các chuỗi khối và ứng dụng chạy các tính toán ngoài chuỗi và sau đó xác minh chúng trên chuỗi.

Trí tuệ nhân tạo + Toàn cảnh tiền điện tử

Các dự án giao thoa giữa AI và tiền điện tử vẫn đang phát triển cơ sở hạ tầng cần thiết để hỗ trợ các tương tác AI trên chuỗi trên quy mô lớn.

Thị trường điện toán phi tập trung đang nổi lên nhằm cung cấp số lượng lớn phần cứng vật lý, chủ yếu là GPU, để đào tạo và suy luận các mô hình trí tuệ nhân tạo. Các thị trường hai mặt này kết nối những người thuê và tìm cách thuê tài nguyên máy tính, tạo điều kiện thuận lợi cho việc chuyển giao giá trị và xác minh các tính toán. Trong điện toán phi tập trung, một số danh mục con đang nổi lên cung cấp chức năng bổ sung. Ngoài thị trường hai mặt, báo cáo này sẽ xem xét các nhà cung cấp dịch vụ đào tạo máy học chuyên về đào tạo có thể kiểm chứng và tinh chỉnh đầu ra, cũng như các dự án dành riêng cho việc kết nối tính toán và tạo mô hình để đạt được trí tuệ nhân tạo tổng quát, còn thường được gọi là mạng lưới khuyến khích thông minh. .

zkML là lĩnh vực trọng tâm nhằm cung cấp đầu ra mô hình có thể kiểm chứng trên chuỗi một cách hiệu quả và kịp thời về mặt chi phí. Các dự án này chủ yếu cho phép các ứng dụng xử lý các yêu cầu tính toán nặng ngoài chuỗi và sau đó xuất bản đầu ra có thể kiểm chứng trên chuỗi, chứng minh rằng công việc ngoài chuỗi là hoàn chỉnh và chính xác. zkML đắt tiền và tốn thời gian trong các trường hợp hiện tại nhưng ngày càng được sử dụng như một giải pháp. Điều này thể hiện rõ qua số lượng tích hợp ngày càng tăng giữa các nhà cung cấp zkML và DeFi/trò chơi muốn tận dụng các mô hình AI.

Nguồn cung cấp tài nguyên máy tính dồi dào và khả năng xác minh tính toán trên chuỗi sẽ mở ra cơ hội cho các tác nhân AI trên chuỗi. Đại lý là những mô hình được đào tạo để thực hiện các yêu cầu thay mặt cho người dùng. Đại lý mang đến những cơ hội tuyệt vời để nâng cao đáng kể trải nghiệm trên chuỗi, cho phép người dùng thực hiện các giao dịch phức tạp bằng cách nói chuyện với chatbot. Tuy nhiên, hiện tại, dự án đại lý vẫn tập trung vào phát triển cơ sở hạ tầng và công cụ để cho phép triển khai dễ dàng và nhanh chóng.

tính toán phi tập trung

Tổng quan

Trí tuệ nhân tạo đòi hỏi nguồn tài nguyên điện toán khổng lồ, cho cả mô hình đào tạo và thực hiện suy luận. Trong thập kỷ qua, nhu cầu tính toán đã tăng theo cấp số nhân khi các mô hình trở nên phức tạp hơn. Ví dụ, OpenAI nhận thấy rằng từ năm 2012 đến năm 2018, yêu cầu tính toán cho các mô hình của nó đã tăng gấp đôi từ gấp đôi cứ sau hai năm lên gấp đôi sau mỗi ba tháng rưỡi. Điều này đã dẫn đến nhu cầu về GPU tăng vọt, với một số công ty khai thác tiền điện tử thậm chí còn tận dụng GPU của họ để cung cấp dịch vụ điện toán đám mây. Khi sự cạnh tranh để tiếp cận các tài nguyên máy tính tăng lên và chi phí tăng lên, một số dự án đang tận dụng tiền điện tử để cung cấp các giải pháp điện toán phi tập trung. Họ cung cấp điện toán theo yêu cầu với mức giá cạnh tranh để các nhóm có đủ khả năng đào tạo và chạy mô hình. Trong một số trường hợp, sự đánh đổi có thể là hiệu suất và bảo mật.

Phần cứng cao cấp như GPU hiện đại do Nvidia sản xuất đang có nhu cầu cao. Vào tháng 9, Tether đã mua cổ phần của công ty khai thác Bitcoin Northern Data của Đức, được cho là đã trả 420 triệu USD để mua 10.000 GPU H 100, một trong những GPU tiên tiến nhất được sử dụng để đào tạo AI. Thời gian chờ đợi để có được phần cứng tốt nhất là ít nhất sáu tháng và trong nhiều trường hợp còn lâu hơn. Tệ hơn nữa, các công ty thường được yêu cầu ký hợp đồng dài hạn để mua tài nguyên máy tính mà họ thậm chí có thể không sử dụng. Điều này có thể dẫn đến tình trạng tài nguyên máy tính tồn tại nhưng không có sẵn trên thị trường. Các hệ thống máy tính phi tập trung giúp giải quyết sự thiếu hiệu quả của thị trường này bằng cách tạo ra một thị trường thứ cấp cho phép chủ sở hữu tài nguyên máy tính cho thuê tài nguyên dư thừa của họ với giá cạnh tranh bất cứ lúc nào, giải phóng nguồn cung mới.

Ngoài giá cả cạnh tranh và khả năng tiếp cận, một giá trị quan trọng của điện toán phi tập trung là khả năng chống kiểm duyệt. Sự phát triển trí tuệ nhân tạo tiên tiến ngày càng bị chi phối bởi các công ty công nghệ lớn với sức mạnh tính toán và khả năng truy cập dữ liệu vô song. Một trong những chủ đề chính được nêu bật lần đầu tiên trong báo cáo Chỉ số AI thường niên năm 2023 là ngành công nghiệp đang vượt ra ngoài phạm vi học viện để tập trung quyền kiểm soát vào tay một số ít các nhà lãnh đạo công nghệ khi phát triển các mô hình AI. Điều này làm dấy lên mối lo ngại về việc liệu họ có thể có ảnh hưởng quá lớn trong việc hình thành các chuẩn mực và giá trị làm nền tảng cho các mô hình AI hay không, đặc biệt là sau khi các công ty công nghệ này thúc đẩy các biện pháp quản lý nhằm hạn chế sự phát triển của AI mà họ không kiểm soát được.

Lĩnh vực dọc tính toán phi tập trung

Một số mô hình điện toán phi tập trung đã xuất hiện trong những năm gần đây, mỗi mô hình đều có những điểm nhấn và sự cân bằng riêng.

tính toán tổng quát

Các dự án như Akash, io.net, iExec và Cudos là các ứng dụng điện toán phi tập trung, ngoài các giải pháp dữ liệu và điện toán chung, còn cung cấp hoặc sẽ sớm cung cấp các tài nguyên điện toán cụ thể dành riêng cho đào tạo và suy luận AI.

Akash hiện là nền tảng siêu đám mây mã nguồn mở hoàn toàn duy nhất. Đó là mạng PoS sử dụng SDK Cosmos. Mã thông báo gốc của Akash, AKT, được sử dụng để bảo mật mạng, đóng vai trò là hình thức thanh toán và khuyến khích sự tham gia. Akash ra mắt mạng chính đầu tiên vào năm 2020 với trọng tâm là cung cấp thị trường điện toán đám mây không cần cấp phép, ban đầu cung cấp dịch vụ lưu trữ và cho thuê CPU. Vào tháng 6 năm 2023, Akash đã ra mắt mạng thử nghiệm mới tập trung vào GPU và ra mắt mạng chính GPU vào tháng 9, cho phép người dùng thuê GPU để đào tạo và suy luận AI.

Có hai tác nhân chính trong hệ sinh thái Akash - người thuê và nhà cung cấp. Người thuê là người dùng mạng Akash muốn mua tài nguyên máy tính. Nhà cung cấp là nhà cung cấp tài nguyên máy tính. Để kết nối người thuê và nhà cung cấp, Akash dựa vào quy trình đấu giá ngược. Người thuê gửi nhu cầu sử dụng máy tính của mình, trong đó họ có thể chỉ định một số điều kiện nhất định, chẳng hạn như vị trí của máy chủ hoặc loại phần cứng để thực hiện việc tính toán, cũng như số tiền họ sẵn sàng trả. Sau đó, các nhà cung cấp gửi giá yêu cầu của họ và người trả giá thấp nhất sẽ nhận được nhiệm vụ.

Trình xác thực Akash duy trì tính toàn vẹn của mạng. Bộ trình xác thực hiện bị giới hạn ở 100 và có kế hoạch tăng dần theo thời gian. Bất kỳ ai cũng có thể trở thành người xác thực bằng cách đặt cược nhiều AKT hơn người xác nhận hiện đang đặt cược số tiền ít nhất. Chủ sở hữu AKT cũng có thể ủy quyền AKT của họ cho người xác nhận. Phí giao dịch và phần thưởng khối của mạng được phân phối trong AKT. Ngoài ra, đối với mỗi lần thuê, mạng Akash tính phí xử lý theo mức do cộng đồng xác định và phân phối cho chủ sở hữu AKT.

Thị trường thứ cấp

Thị trường máy tính phi tập trung nhằm mục đích lấp đầy sự thiếu hiệu quả trong thị trường máy tính hiện có. Những hạn chế về nguồn cung khiến các công ty dự trữ nhiều tài nguyên máy tính hơn mức họ có thể cần và nguồn cung còn bị hạn chế hơn do hình thức hợp đồng với các nhà cung cấp dịch vụ đám mây. Những khách hàng này bị ràng buộc trong các hợp đồng dài hạn mặc dù có thể không cần sử dụng liên tục. Nền tảng điện toán phi tập trung mở ra nguồn cung mới, cho phép bất kỳ ai trên thế giới cần tài nguyên máy tính đều có thể trở thành nhà cung cấp.

Không rõ liệu sự gia tăng nhu cầu về GPU cho đào tạo AI có chuyển thành việc sử dụng mạng Akash lâu dài hay không. Ví dụ: Akash từ lâu đã cung cấp một thị trường cho CPU, cung cấp các dịch vụ tương tự như các giải pháp thay thế tập trung với mức giảm giá 70-80%. Tuy nhiên, mức giá thấp hơn không dẫn đến việc áp dụng đáng kể. Hoạt động cho thuê trên mạng đã chững lại, với mức sử dụng tài nguyên máy tính trung bình trong quý 2 năm 2023 chỉ là 33%, mức sử dụng bộ nhớ ở mức 16% và mức sử dụng bộ nhớ ở mức 13%. Mặc dù đây là những số liệu ấn tượng về việc áp dụng trên chuỗi (để tham khảo, nhà cung cấp lưu trữ hàng đầu Filecoin có tỷ lệ sử dụng lưu trữ là 12,6% trong quý 3 năm 2023), nó cho thấy nguồn cung tiếp tục vượt xa nhu cầu đối với những sản phẩm này.

Đã hơn nửa năm kể từ khi Akash ra mắt mạng GPU của mình và vẫn còn quá sớm để đo lường chính xác mức độ áp dụng lâu dài của nó. Như một dấu hiệu của nhu cầu, mức sử dụng GPU trung bình cho đến nay là 44%, cao hơn CPU, bộ nhớ và bộ lưu trữ. Điều này chủ yếu được thúc đẩy bởi nhu cầu về GPU chất lượng cao nhất như A 100s, với hơn 90% GPU chất lượng cao đã được cho thuê.

Khoản thanh toán hàng ngày của Akash cũng tăng lên, gần gấp đôi so với trước khi GPU ra đời. Điều này một phần là do việc sử dụng các dịch vụ khác, đặc biệt là CPU tăng lên, nhưng phần lớn là do GPU mới.

Giá cả tương đương (hoặc trong một số trường hợp thậm chí còn đắt hơn) so với các đối thủ cạnh tranh tập trung như Lambda Cloud và Vast.ai. Nhu cầu rất lớn về các GPU cao cấp nhất như H 100 và A 100 có nghĩa là hầu hết chủ sở hữu thiết bị không mấy quan tâm đến việc tung ra nó trong một thị trường có giá cả cạnh tranh.

Bất chấp sự phấn khích ban đầu, vẫn có những rào cản đối với việc áp dụng (sẽ được thảo luận thêm bên dưới). Mạng điện toán phi tập trung cần phải làm nhiều hơn nữa để tạo ra cung và cầu, đồng thời nhóm đang thử nghiệm cách thu hút người dùng mới tốt hơn. Ví dụ: vào đầu năm 2024, Akash đã thông qua Đề xuất 240 nhằm tăng cường phát hành AKT từ các nhà cung cấp GPU và khuyến khích nhiều nguồn cung hơn, đặc biệt nhắm mục tiêu đến GPU cao cấp. Nhóm cũng đang nỗ lực tung ra một mô hình chứng minh khái niệm để chứng minh khả năng thời gian thực của mạng cho người dùng tiềm năng. Akash đang đào tạo các mô hình cơ sở của riêng họ và đã tung ra các sản phẩm tạo hình ảnh và chatbot sử dụng GPU Akash để tạo đầu ra. Tương tự, io.net đã phát triển một mô hình phổ biến ổn định và đang triển khai các khả năng mạng mới để mô phỏng tốt hơn hiệu suất và quy mô của các trung tâm dữ liệu GPU truyền thống.

Đào tạo học máy phi tập trung

Ngoài các nền tảng điện toán đa năng có thể đáp ứng nhu cầu về trí tuệ nhân tạo, hàng loạt nhà cung cấp GPU AI chuyên dụng đã xuất hiện tập trung vào đào tạo mô hình học máy. Ví dụ, Gensyn đang phối hợp sức mạnh và phần cứng để xây dựng trí tuệ tập thể, lập luận rằng nếu ai đó muốn đào tạo một thứ gì đó và ai đó sẵn sàng đào tạo nó thì việc đào tạo nên được cho phép.

Giao thức có bốn vai trò chính: người gửi, người giải quyết, người xác minh và người tố cáo. Người gửi gửi nhiệm vụ với yêu cầu đào tạo lên mạng. Những nhiệm vụ này bao gồm mục tiêu đào tạo, mô hình được đào tạo và dữ liệu đào tạo. Là một phần của quy trình gửi, người gửi phải trả một khoản phí trả trước để trang trải chi phí tính toán ước tính của người giải.

Sau khi gửi, nhiệm vụ sẽ được giao cho người giải quyết, những người sẽ thực hiện việc đào tạo mô hình thực tế. Sau đó, người giải quyết sẽ gửi nhiệm vụ đã hoàn thành cho người xác minh, người chịu trách nhiệm kiểm tra xem quá trình đào tạo đã được hoàn thành chính xác hay chưa. Người tố cáo có trách nhiệm đảm bảo rằng người xác thực hành động trung thực. Để khuyến khích người tố cáo tham gia vào mạng lưới, Gensyn có kế hoạch thường xuyên cung cấp bằng chứng về các lỗi cố ý để thưởng cho những người tố giác vì đã bắt được chúng.

Ngoài việc cung cấp điện toán cho công việc liên quan đến AI, giá trị quan trọng của Gensyn là hệ thống xác minh vẫn đang được phát triển. Việc xác thực là cần thiết để đảm bảo rằng các phép tính bên ngoài do nhà cung cấp GPU thực hiện là chính xác (tức là để đảm bảo rằng mô hình của người dùng được đào tạo theo cách họ muốn). Gensyn thực hiện một cách tiếp cận độc đáo để giải quyết vấn đề này, tận dụng phương pháp xác minh mới gọi là bằng chứng học tập xác suất, giao thức định vị dựa trên biểu đồ và trò chơi khuyến khích kiểu Truebit. Đây là một chế độ giải lạc quan cho phép người xác minh xác nhận rằng người giải đã chạy các mô hình một cách chính xác mà không cần phải chạy lại chúng hoàn toàn, đây là một quy trình tốn kém và không hiệu quả.

Ngoài phương pháp xác minh sáng tạo của mình, Gensyn còn tuyên bố có hiệu quả về mặt chi phí so với các lựa chọn thay thế tập trung và các đối thủ cạnh tranh về tiền điện tử - cung cấp dịch vụ đào tạo ML rẻ hơn tới 80% so với AWS, đồng thời vượt trội so với dự án tương tự Truebit trong các thử nghiệm.

Vẫn còn phải xem liệu những kết quả sơ bộ này có thể được nhân rộng trên quy mô lớn trong các mạng phi tập trung hay không. Gensyn hy vọng sẽ tận dụng được nguồn tài nguyên điện toán dư thừa từ các nhà cung cấp như trung tâm dữ liệu nhỏ, người dùng thông thường và thậm chí trong tương lai là các thiết bị di động nhỏ như điện thoại di động. Tuy nhiên, như chính nhóm Gensyn thừa nhận, việc dựa vào các nhà cung cấp điện toán không đồng nhất sẽ đặt ra một số thách thức mới.

Đối với các nhà cung cấp tập trung như Google Cloud và Coreweave, việc tính toán rất tốn kém, trong khi giao tiếp (băng thông và độ trễ) giữa các lần tính toán lại rẻ. Các hệ thống này được thiết kế để cho phép giao tiếp giữa các phần cứng càng nhanh càng tốt. Gensyn lật ngược khuôn khổ này, giảm chi phí tính toán bằng cách cho phép bất kỳ ai trên thế giới cung cấp GPU, nhưng tăng cường giao tiếp vì mạng hiện phải điều phối các công việc tính toán trên phần cứng phi tập trung, không đồng nhất nằm ở các vị trí xa nhau. Gensyn chưa ra mắt nhưng nó cho thấy những gì có thể làm được khi xây dựng các giao thức đào tạo máy học phi tập trung.

Trí tuệ nhân tạo tổng hợp phi tập trung

Các nền tảng điện toán phi tập trung cũng mở ra cánh cửa cho các khả năng thiết kế về cách tạo ra trí tuệ nhân tạo. Bittensor là một giao thức điện toán phi tập trung được xây dựng trên Substrate nhằm cố gắng trả lời câu hỏi Làm cách nào để chúng tôi chuyển đổi trí tuệ nhân tạo thành một phương pháp hợp tác? Bittensor nhằm mục đích phân quyền và thương mại hóa việc tạo ra trí tuệ nhân tạo. Ra mắt vào năm 2021, giao thức này nhằm mục đích khai thác sức mạnh của các mô hình học máy cộng tác để liên tục lặp lại và tạo ra trí tuệ nhân tạo tốt hơn.

Bittensor lấy cảm hứng từ Bitcoin. Nguồn cung tiền tệ bản địa TAO là 21 triệu và có chu kỳ halving 4 năm (halving đầu tiên sẽ diễn ra vào năm 2025). Thay vì sử dụng bằng chứng công việc để tạo ra các số ngẫu nhiên chính xác và nhận phần thưởng khối, Bittensor dựa vào Bằng chứng thông minh, yêu cầu thợ mỏ chạy các mô hình có thể tạo đầu ra cho các yêu cầu suy luận.

Mạng lưới khuyến khích thông minh

Bittensor ban đầu dựa vào mô hình Mix of Experts (MoE) để tạo đầu ra. Khi yêu cầu suy luận được gửi, thay vì dựa vào mô hình chung, mô hình MoE sẽ chuyển yêu cầu suy luận đến mô hình chính xác nhất cho loại đầu vào cụ thể. Nó có thể được so sánh với việc khi xây một ngôi nhà, việc thuê nhiều chuyên gia khác nhau để xử lý các khía cạnh khác nhau của quá trình xây dựng (ví dụ: kiến ​​trúc sư, kỹ sư, họa sĩ, công nhân xây dựng, v.v.). MoE áp dụng điều này cho các mô hình học máy, cố gắng tận dụng đầu ra của các mô hình khác nhau tùy thuộc vào đầu vào. Như người sáng lập Bittensor Ala Shaabana giải thích, nó giống như “nói chuyện với một nhóm người thông minh thay vì một người để có được câu trả lời tốt nhất”. Do những thách thức trong việc đảm bảo định tuyến chính xác, đồng bộ hóa thông báo theo đúng mô hình và động lực, phương pháp này đã bị tạm dừng cho đến khi dự án hoàn thiện hơn.

Có hai vai trò chính trong mạng Bittensor: người xác thực và người khai thác. Người xác nhận có trách nhiệm gửi yêu cầu suy luận đến người khai thác, xem xét kết quả đầu ra của họ và xếp hạng chúng dựa trên chất lượng phản hồi của họ. Để đảm bảo rằng thứ hạng của họ là đáng tin cậy, người xác thực sẽ được chỉ định điểm vtrust dựa trên mức độ nhất quán của thứ hạng của nó với thứ hạng của những người xác thực khác. Điểm vtrust của người xác thực càng cao thì họ càng có thể nhận được nhiều TAO. Điều này nhằm mục đích khuyến khích những người xác thực đạt được sự đồng thuận về thứ hạng mô hình theo thời gian, vì càng nhiều người xác thực đạt được sự đồng thuận về thứ hạng mô hình thì điểm vtrust cá nhân của họ sẽ càng cao.

Công cụ khai thác, còn được gọi là máy chủ, là những người tham gia mạng chạy các mô hình học máy thực tế. Những người khai thác cạnh tranh với nhau để cung cấp đầu ra chính xác nhất cho một truy vấn nhất định và đầu ra càng chính xác thì họ càng nhận được nhiều TAO. Người khai thác có thể tạo ra các kết quả đầu ra này theo bất kỳ cách nào họ muốn. Ví dụ: trong các tình huống trong tương lai, người khai thác Bittensor hoàn toàn có thể đào tạo trước một mô hình trên Gensyn và sau đó sử dụng nó để kiếm TAO.

Hầu hết các tương tác ngày nay xảy ra trực tiếp giữa người xác thực và người khai thác. Người xác thực gửi đầu vào cho người khai thác và yêu cầu đầu ra (tức là đào tạo mô hình). Sau khi người xác nhận truy vấn những người khai thác trong mạng và nhận được phản hồi của họ, họ sẽ xếp hạng người xác nhận và gửi thứ hạng của họ lên mạng.

Sự tương tác này giữa người xác nhận (dựa vào PoS) và người khai thác (dựa vào Proof of Model, một dạng PoW) được gọi là sự đồng thuận Yuma. Nó được thiết kế để khuyến khích người khai thác tạo ra sản lượng tốt nhất để kiếm TAO và khuyến khích người xác nhận xếp hạng chính xác sản phẩm của người khai thác để kiếm được điểm vtrust cao hơn và tăng phần thưởng TAO của họ, hình thành cơ chế đồng thuận của mạng.

Mạng con và ứng dụng

Như đã đề cập ở trên, các tương tác trên Bittensor chủ yếu bao gồm việc người xác nhận gửi yêu cầu đến người khai thác và đánh giá kết quả đầu ra của họ. Tuy nhiên, khi chất lượng của các công cụ khai thác đóng góp được cải thiện và trí tuệ nhân tạo tổng thể của mạng phát triển, Bittensor sẽ tạo một lớp ứng dụng trên ngăn xếp hiện có, cho phép các nhà phát triển xây dựng các ứng dụng truy vấn mạng Bittensor.

Vào tháng 10 năm 2023, với bản nâng cấp Revolution, Bittensor đã hoàn thành một bước quan trọng để đạt được mục tiêu này, đó là giới thiệu các mạng con. Mạng con là một mạng độc lập trên Bittensor khuyến khích các hành vi cụ thể. Revolution mở mạng cho bất kỳ ai quan tâm đến việc tạo mạng con. Trong những tháng kể từ khi ra mắt, hơn 32 mạng con đã được tung ra, bao gồm các mạng con dành cho lời nhắc bằng văn bản, thu thập dữ liệu, tạo và lưu trữ hình ảnh, v.v. Khi mạng con hoàn thiện và sẵn sàng cho sản phẩm, người tạo mạng con cũng sẽ tạo các tích hợp ứng dụng cho phép các nhóm xây dựng các ứng dụng truy vấn các mạng con cụ thể. Một số ứng dụng (chatbot, trình tạo hình ảnh, bot trả lời tweet, thị trường dự đoán) đã tồn tại ngày nay, nhưng ngoài các khoản tài trợ từ Bittensor Foundation, không có động cơ chính thức nào để người xác thực chấp nhận và chuyển tiếp các truy vấn này.

Để giải thích rõ ràng hơn, hình ảnh bên dưới là ví dụ về những gì ứng dụng tích hợp Bittensor có thể chạy.

Mạng con nhận TAO dựa trên hiệu suất được mạng gốc đánh giá. Mạng gốc nằm trên tất cả các mạng con và về cơ bản hoạt động như một loại mạng con đặc biệt và được quản lý bởi 64 trình xác thực mạng con lớn nhất trên cơ sở chia sẻ. Trình xác thực mạng gốc xếp hạng các mạng con dựa trên hiệu suất của chúng và thường xuyên phân bổ TAO cho các mạng con. Bằng cách này, mỗi mạng con hoạt động như một công cụ khai thác cho mạng gốc.

Triển vọng của Bittensor

Bittensor vẫn đang phải trải qua những khó khăn ngày càng tăng khi mở rộng khả năng giao thức để khuyến khích việc tạo ra trí thông minh trên nhiều mạng con. Những người khai thác tiếp tục nghĩ ra những cách mới để tấn công mạng nhằm kiếm thêm TAO, chẳng hạn như bằng cách sửa đổi một chút đầu ra của các suy luận được xếp hạng cao do mô hình của họ chạy và sau đó gửi nhiều biến thể. Các đề xuất quản trị ảnh hưởng đến toàn bộ mạng chỉ có thể được gửi và triển khai bởi Triumvirate, bao gồm toàn bộ các bên liên quan của Opentensor Foundation (điều đáng chú ý là các đề xuất cần có sự phê duyệt của người xác thực Bittensor trước khi triển khai). Tính kinh tế của mã thông báo của dự án đang được cải thiện để cải thiện các khuyến khích sử dụng TAO trong mạng con. Dự án cũng nhanh chóng trở nên phổ biến nhờ cách tiếp cận độc đáo và Giám đốc điều hành của HuggingFace, trang web trí tuệ nhân tạo phổ biến nhất, nói rằng Bittensor nên bổ sung tài nguyên của mình cho trang web.

Trong một bài viết gần đây có tiêu đề “Mô hình Bittensor” được xuất bản bởi các nhà phát triển cốt lõi, nhóm đã nêu ra tầm nhìn của họ về việc Bittensor cuối cùng sẽ phát triển thành “bất khả tri đối với những gì đang được đo lường”. Về lý thuyết, điều này có thể cho phép Bittensor phát triển các mạng con khuyến khích mọi loại hành vi, tất cả đều được cung cấp bởi TAO. Tuy nhiên, vẫn còn những hạn chế thực tế đáng kể - hạn chế chính là chứng minh rằng các mạng này có thể mở rộng quy mô để xử lý nhiều quy trình đa dạng như vậy và các biện pháp khuyến khích cơ bản thúc đẩy tiến bộ vượt xa những gì việc tập trung hóa có thể mang lại.

Xây dựng hệ thống tính toán phi tập trung cho các mô hình AI

Các phần trên đặt ra khuôn khổ cho nhiều loại giao thức điện toán trí tuệ nhân tạo phi tập trung đang được phát triển. Mặc dù vẫn đang trong giai đoạn đầu phát triển và áp dụng, nhưng chúng cung cấp nền tảng cho một hệ sinh thái mà cuối cùng có thể tạo điều kiện thuận lợi cho việc tạo ra các “khối xây dựng AI”, giống như khái niệm “DeFi Lego”. Khả năng kết hợp của các chuỗi khối không cần cấp phép mở ra khả năng cho mỗi giao thức được xây dựng dựa trên các giao thức khác, cung cấp một hệ sinh thái AI phi tập trung toàn diện hơn.

Ví dụ: đây là một cách mà Akash, Gensyn và Bittensor có thể tương tác với nhau để đáp ứng các yêu cầu suy luận.

Nói rõ hơn, đây chỉ là một ví dụ về những gì có thể xảy ra trong tương lai chứ không phản ánh về hệ sinh thái hiện tại, các đối tác hiện tại hoặc kết quả có thể xảy ra. Ngày nay, những hạn chế về khả năng tương tác và những cân nhắc khác được mô tả dưới đây đã hạn chế đáng kể khả năng tích hợp. Ngoài ra, sự phân mảnh của thanh khoản và nhu cầu sử dụng nhiều token có thể ảnh hưởng xấu đến trải nghiệm người dùng, điều này đã được Akash và những người sáng lập Bittensor chỉ ra.

Các sản phẩm phi tập trung khác

Ngoài điện toán, còn có một số dịch vụ cơ sở hạ tầng phi tập trung khác để hỗ trợ hệ sinh thái trí tuệ nhân tạo mới nổi của tiền điện tử. Việc liệt kê tất cả các vấn đề này nằm ngoài phạm vi của báo cáo này nhưng có một số ví dụ thú vị và tiêu biểu bao gồm:

Ocean: một thị trường dữ liệu phi tập trung. Người dùng có thể tạo NFT dữ liệu đại diện cho dữ liệu của họ và mua chúng bằng cách sử dụng mã thông báo dữ liệu. Người dùng có thể vừa kiếm tiền vừa có quyền sở hữu lớn hơn đối với dữ liệu của mình, đồng thời cung cấp cho các nhóm làm việc trên các mô hình đào tạo và phát triển AI quyền truy cập vào dữ liệu họ cần.

Grass: Thị trường băng thông phi tập trung. Người dùng có thể bán băng thông dư thừa của mình cho các công ty trí tuệ nhân tạo sử dụng nó để thu thập dữ liệu từ internet. Thị trường được xây dựng trên Mạng Wynd, không chỉ cho phép các cá nhân kiếm tiền từ băng thông của họ mà còn cung cấp cho người mua băng thông một góc nhìn đa dạng hơn về những gì người dùng cá nhân nhìn thấy trực tuyến (vì các cá nhân sử dụng Internet để truy cập thông thường đối với địa chỉ IP cụ thể của nó ).

HiveMapper: Xây dựng một sản phẩm lập bản đồ phi tập trung chứa thông tin được thu thập từ người lái xe ô tô. HiveMapper dựa vào trí tuệ nhân tạo để diễn giải các hình ảnh được thu thập bởi camera trên bảng điều khiển ô tô của người dùng và trao thưởng cho người dùng vì đã giúp cải thiện mô hình AI thông qua Phản hồi học tập tăng cường của con người (RHLF).

Nói chung, những điều này chỉ ra những cơ hội gần như vô tận để khám phá các mô hình thị trường phi tập trung hỗ trợ các mô hình AI hoặc hỗ trợ cơ sở hạ tầng xung quanh cần thiết để phát triển các mô hình này. Hiện tại, hầu hết các dự án này đang ở giai đoạn chứng minh khái niệm và cần nhiều nghiên cứu và phát triển hơn để chứng minh rằng chúng có thể cung cấp các dịch vụ AI toàn diện ở quy mô cần thiết.

Quan điểm

Các sản phẩm điện toán phi tập trung vẫn đang trong giai đoạn phát triển ban đầu. Họ mới bắt đầu sử dụng sức mạnh tính toán tiên tiến nhất để đào tạo những mô hình AI mạnh mẽ nhất trong sản xuất. Để giành được thị phần có ý nghĩa, họ cần chứng minh được lợi thế thực sự so với các lựa chọn thay thế tập trung. Các yếu tố kích hoạt tiềm năng để áp dụng rộng rãi hơn bao gồm:

Cung và cầu GPU. Nguồn cung GPU thiếu hụt, kết hợp với nhu cầu tính toán ngày càng tăng nhanh, đã dẫn đến một cuộc chạy đua về GPU. OpenAI đã hạn chế việc sử dụng nền tảng của nó do GPU hạn chế. Các nền tảng như Akash và Gensyn có thể cung cấp các giải pháp thay thế cạnh tranh về chi phí cho các nhóm yêu cầu điện toán hiệu năng cao. 6-12 tháng tới là cơ hội duy nhất để các nhà cung cấp máy tính phi tập trung thu hút người dùng mới vì những người dùng này buộc phải xem xét các giải pháp phi tập trung. Cùng với các mô hình nguồn mở ngày càng hiệu quả (chẳng hạn như LLaMA 2 của Meta), người dùng không còn gặp phải những trở ngại tương tự trong việc triển khai các mô hình tinh chỉnh hiệu quả, khiến tài nguyên máy tính trở thành nút thắt lớn. Tuy nhiên, bản thân sự tồn tại của nền tảng không thể đảm bảo cung cấp đủ tài nguyên máy tính và nhu cầu tương ứng từ người tiêu dùng. Việc mua GPU cao cấp vẫn còn khó khăn và chi phí không phải lúc nào cũng là động lực chính đối với nhu cầu. Các nền tảng này sẽ được thử thách để chứng minh lợi ích thực sự của việc sử dụng điện toán phi tập trung - cho dù vì chi phí, khả năng chống kiểm duyệt, thời lượng và khả năng phục hồi hoặc khả năng sử dụng - để tích lũy người dùng gắn bó. Những thỏa thuận này sau đó phải di chuyển nhanh chóng. Tốc độ đầu tư và xây dựng cơ sở hạ tầng GPU thật đáng kinh ngạc.

Giám sát. Quy định tiếp tục là trở ngại lớn cho phong trào tính toán phi tập trung. Trong ngắn hạn, việc thiếu quy định rõ ràng đồng nghĩa với việc nhà cung cấp và người dùng phải đối mặt với những rủi ro tiềm ẩn khi sử dụng các dịch vụ này. Điều gì xảy ra nếu nhà cung cấp vô tình cung cấp các phép tính hoặc người mua mua các phép tính từ đơn vị bị xử phạt? Người dùng có thể miễn cưỡng sử dụng các nền tảng phi tập trung thiếu sự kiểm soát và giám sát từ một thực thể tập trung. Các giao thức đã cố gắng giảm thiểu những lo ngại này bằng cách kết hợp các biện pháp kiểm soát vào nền tảng của họ hoặc cung cấp bộ lọc chỉ cho các nhà cung cấp máy tính đã biết (tức là cung cấp thông tin KYC), nhưng cần có cách tiếp cận mạnh mẽ hơn để bảo vệ quyền riêng tư đồng thời đảm bảo tuân thủ để thúc đẩy việc áp dụng. Trong ngắn hạn, chúng ta có thể thấy sự xuất hiện của KYC và các nền tảng tuân thủ quy định sẽ hạn chế việc sử dụng các giao thức của họ để giải quyết những vấn đề này.

ôn tập. Quy định hoạt động theo cả hai cách và các nhà cung cấp máy tính phi tập trung có thể được hưởng lợi từ các hành động nhằm hạn chế việc sử dụng trí tuệ nhân tạo. Ngoài mệnh lệnh điều hành, người sáng lập OpenAI Sam Altman đã điều trần trước Quốc hội, nhấn mạnh sự cần thiết của các cơ quan quản lý cấp giấy phép phát triển trí tuệ nhân tạo. Cuộc thảo luận xung quanh quy định về AI chỉ mới bắt đầu, nhưng bất kỳ nỗ lực nào nhằm hạn chế việc sử dụng AI hoặc kiểm duyệt nó đều có thể đẩy nhanh việc áp dụng các nền tảng phi tập trung mà không gặp những rào cản này. Những thay đổi về lãnh đạo của OpenAI vào tháng 11 năm ngoái đã cung cấp thêm bằng chứng về rủi ro khi trao quyền ra quyết định cho các mô hình AI mạnh mẽ nhất hiện có cho chỉ một số ít người. Hơn nữa, tất cả các mô hình AI nhất thiết phải phản ánh thành kiến ​​của người tạo ra chúng, dù có chủ ý hay không. Một cách để loại bỏ những thành kiến ​​này là làm cho các mô hình trở nên cởi mở nhất có thể để tinh chỉnh và đào tạo, đảm bảo rằng bất kỳ ai, ở bất kỳ đâu, đều có thể sử dụng các mô hình với nhiều thành kiến ​​khác nhau.

Quyền riêng tư dữ liệu. Khi được tích hợp với các giải pháp bảo mật và dữ liệu bên ngoài cung cấp cho người dùng quyền tự chủ về dữ liệu, điện toán phi tập trung có thể trở nên hấp dẫn hơn các giải pháp thay thế. Samsung gặp phải vấn đề này khi họ nhận ra các kỹ sư đang sử dụng ChatGPT để hỗ trợ thiết kế chip và rò rỉ thông tin nhạy cảm cho ChatGPT. Phala Network và iExec tuyên bố cung cấp cho người dùng các vùng cách ly bảo mật SGX để bảo vệ dữ liệu người dùng và đang tiến hành nghiên cứu về mã hóa đồng hình hoàn toàn để mở khóa thêm tính toán phi tập trung nhằm đảm bảo quyền riêng tư. Khi AI ngày càng được tích hợp nhiều hơn vào cuộc sống của chúng ta, người dùng sẽ đặt giá trị lớn hơn vào việc có thể chạy các mô hình trên các ứng dụng có tính năng bảo vệ quyền riêng tư. Người dùng cũng sẽ yêu cầu khả năng triển khai khả năng kết hợp dữ liệu để họ có thể di chuyển dữ liệu của mình từ mô hình này sang mô hình khác một cách liền mạch.

Trải nghiệm người dùng (UX). Trải nghiệm người dùng vẫn là một rào cản đáng kể đối với việc áp dụng rộng rãi hơn các loại ứng dụng và cơ sở hạ tầng tiền điện tử. Các giải pháp điện toán phi tập trung cũng không ngoại lệ, và trong một số trường hợp, điều này càng trở nên trầm trọng hơn do các nhà phát triển cần hiểu rõ về mật mã và trí tuệ nhân tạo. Các lĩnh vực cần cải thiện bao gồm từ việc trừu tượng hóa quá trình triển khai và tương tác với chuỗi khối cho đến việc cung cấp đầu ra chất lượng cao tương tự như các công ty dẫn đầu thị trường hiện tại. Điều này là hiển nhiên vì nhiều giao thức điện toán phi tập trung đang chạy cung cấp các giải pháp rẻ hơn nhưng khó được sử dụng thường xuyên.

Hợp đồng thông minh và máy học không kiến ​​thức (zkML)

Hợp đồng thông minh là một trong những cốt lõi của bất kỳ hệ sinh thái blockchain nào. Trong một số điều kiện nhất định, chúng tự động hóa và giảm bớt hoặc loại bỏ nhu cầu về các bên thứ ba đáng tin cậy, cho phép tạo ra các ứng dụng phi tập trung phức tạp giống như những ứng dụng được thấy trong DeFi. Tuy nhiên, hiện tại, hợp đồng thông minh vẫn còn hạn chế về chức năng vì chúng thực thi dựa trên các tham số đặt trước và phải được cập nhật.

Ví dụ: hợp đồng thông minh về giao thức cho vay quy định thời điểm các vị thế được thanh lý dựa trên tỷ lệ cho vay trên giá trị nhất định. Trong môi trường năng động, nơi rủi ro liên tục thay đổi, các hợp đồng thông minh này phải được cập nhật liên tục để tính đến những thay đổi về mức độ chấp nhận rủi ro, điều này tạo ra thách thức cho các hợp đồng được quản lý thông qua quy trình phi tập trung. Ví dụ: một DAO dựa vào các quy trình quản trị phi tập trung có thể không thể ứng phó kịp thời với các rủi ro hệ thống.

Hợp đồng thông minh tích hợp trí tuệ nhân tạo (chẳng hạn như mô hình học máy) là một cách khả thi để nâng cao chức năng, bảo mật và hiệu quả đồng thời cải thiện trải nghiệm tổng thể của người dùng. Tuy nhiên, những tích hợp này cũng gây ra những rủi ro bổ sung, vì không có cách nào để đảm bảo rằng các mô hình hỗ trợ các hợp đồng thông minh này không thể bị tấn công hoặc giải quyết các tình huống dài hạn (các mô hình nổi tiếng là khó đào tạo do thiếu dữ liệu đầu vào).

Học máy không có kiến ​​thức (zkML)

Học máy đòi hỏi nhiều tài nguyên máy tính để chạy các mô hình phức tạp, điều này khiến các mô hình AI không thể chạy trực tiếp bên trong hợp đồng thông minh vì chi phí cao. Ví dụ: giao thức DeFi cung cấp cho người dùng chức năng của mô hình tối ưu hóa doanh thu, nhưng nếu họ cố gắng chạy mô hình trên chuỗi, họ phải trả phí gas cao. Một giải pháp là tăng sức mạnh tính toán của chuỗi khối cơ bản. Tuy nhiên, điều này cũng sẽ làm tăng gánh nặng lên các nút xác thực của chuỗi, có khả năng làm suy yếu các thuộc tính phi tập trung của nó. Do đó, một số dự án đang khám phá các cách sử dụng zkML để xác minh kết quả đầu ra theo cách không cần sự tin cậy mà không yêu cầu tính toán chuyên sâu trên chuỗi.

Một ví dụ phổ biến minh họa tính hữu ích của zkML là khi người dùng cần người khác chạy dữ liệu thông qua một mô hình và xác minh rằng đối tác của họ thực sự đang chạy đúng mô hình. Có lẽ các nhà phát triển đang sử dụng một nhà cung cấp máy tính phi tập trung để đào tạo mô hình của họ và lo ngại rằng nhà cung cấp này đang cố gắng tiết kiệm chi phí bằng cách sử dụng một mô hình rẻ hơn, nhưng kết quả đầu ra hầu như không đáng kể. zkML cho phép các nhà cung cấp máy tính chạy dữ liệu thông qua mô hình của họ và sau đó tạo bằng chứng có thể xác minh trên chuỗi rằng đầu ra của mô hình là chính xác cho một đầu vào nhất định. Trong trường hợp này, các nhà cung cấp mô hình sẽ có thêm lợi thế là có thể cung cấp mô hình của họ mà không tiết lộ trọng số cơ bản tạo ra đầu ra.

Điều ngược lại cũng có thể xảy ra. Nếu người dùng muốn chạy một mô hình sử dụng dữ liệu của họ nhưng không muốn dự án cung cấp mô hình đó có quyền truy cập vào dữ liệu của họ do lo ngại về quyền riêng tư (chẳng hạn như kiểm tra y tế hoặc thông tin kinh doanh độc quyền), thì người dùng có thể chạy mô hình đó trên mô hình dữ liệu của họ mà không chia sẻ nó và xác minh rằng họ đã chạy đúng mô hình trong khi cung cấp bằng chứng. Những khả năng này mở rộng đáng kể không gian thiết kế để tích hợp trí tuệ nhân tạo và khả năng hợp đồng thông minh bằng cách giải quyết các ràng buộc tính toán hạn chế.

Cơ sở hạ tầng và công cụ

Với trạng thái ban đầu của trường zkML, việc phát triển chủ yếu tập trung vào việc xây dựng cơ sở hạ tầng và công cụ cần thiết để các nhóm chuyển đổi mô hình và đầu ra của họ thành bằng chứng có thể được xác minh trên chuỗi. Những sản phẩm này trừu tượng hóa các khía cạnh không có kiến ​​thức của quá trình phát triển càng nhiều càng tốt.

Hai dự án, EZKL và Giza, xây dựng dựa trên các công cụ này bằng cách cung cấp bằng chứng có thể kiểm chứng về việc thực hiện mô hình học máy. Cả hai nhóm đều giúp xây dựng các mô hình học máy để đảm bảo các mô hình đó có thể hoạt động theo cách mà kết quả có thể được xác minh trên chuỗi mà không cần sự tin cậy. Cả hai dự án đều sử dụng Open Neural Network Exchange (ONNX) để chuyển đổi các mô hình machine learning được viết bằng các ngôn ngữ phổ biến như TensorFlow và Pytorch sang định dạng chuẩn. Sau đó, khi thực thi, họ đưa ra các phiên bản của các mô hình này, đồng thời tạo ra các bằng chứng zk. EZKL là nguồn mở và tạo ra zk-SNARKS, trong khi Giza là nguồn đóng và tạo ra zk-STARKS. Hai dự án này hiện chỉ tương thích với EVM.

Trong vài tháng qua, EZKL đã đạt được tiến bộ đáng kể trong việc nâng cao giải pháp zkML của mình, tập trung chủ yếu vào việc giảm chi phí, cải thiện bảo mật và tăng tốc tạo bằng chứng. Ví dụ: vào tháng 11 năm 2023, EZKL đã tích hợp thư viện GPU nguồn mở mới giúp giảm 35% thời gian chứng minh tổng thể và vào tháng 1, EZKL đã công bố Lilith, một giải pháp phần mềm để chứng minh bằng EZKL. Hệ thống tích hợp các cụm tính toán hiệu suất cao và tọa độ đồng thời việc làm. Giza độc đáo ở chỗ, ngoài việc cung cấp các công cụ để tạo mô hình học máy có thể kiểm chứng, họ còn có kế hoạch triển khai web3 tương đương với Ôm mặt, mở thị trường người dùng để cộng tác zkML và chia sẻ mô hình, và cuối cùng tích hợp sản phẩm điện toán phi tập trung. Vào tháng 1, EZKL đã đưa ra đánh giá chuẩn so sánh hiệu suất của EZKL, Giza và RiscZero (được thảo luận bên dưới). EZKL thể hiện thời gian chứng minh và sử dụng bộ nhớ nhanh hơn.

Modulus Labs cũng đang phát triển một công nghệ chống zk mới phù hợp với các mô hình trí tuệ nhân tạo. Modulus đã xuất bản một bài báo có tên Chi phí thông minh (ngụ ý chi phí cực kỳ cao khi chạy các mô hình AI trên chuỗi), đánh giá điểm chuẩn của hệ thống zk-proofs hiện tại vào thời điểm đó để xác định các khả năng và tắc nghẽn của mô hình AI được cải tiến. Bài báo được xuất bản vào tháng 1 năm 2023 cho thấy các giải pháp hiện tại quá tốn kém và hiệu quả để có thể triển khai các ứng dụng AI quy mô lớn. Dựa trên nghiên cứu ban đầu của họ, Modulus đã ra mắt Remainder vào tháng 11, một công cụ chứng minh không có kiến ​​thức chuyên nghiệp được xây dựng đặc biệt để giảm chi phí và thời gian chứng minh mô hình AI, nhằm mục đích giúp các dự án tích hợp mô hình vào hệ thống của họ trên quy mô lớn trở nên khả thi về mặt kinh tế. . Công việc của họ là nguồn đóng và do đó không thể so sánh được với các giải pháp trên, nhưng gần đây chúng đã được đề cập trong bài đăng trên blog của Vitalik về mật mã và trí tuệ nhân tạo.

Việc phát triển các công cụ và cơ sở hạ tầng có ý nghĩa quan trọng đối với sự phát triển trong tương lai của lĩnh vực zkML, vì nó giúp giảm đáng kể sự cản trở cần thiết cho các nhóm triển khai các mạch zk để tính toán ngoài chuỗi có thể kiểm chứng được. Việc tạo ra các giao diện an toàn cho phép các nhà phát triển không phải là người gốc tiền điện tử làm việc trong lĩnh vực học máy đưa mô hình của họ vào chuỗi sẽ cho phép tăng cường thử nghiệm các ứng dụng với các trường hợp sử dụng thực sự mới lạ. Các công cụ này cũng giải quyết một rào cản lớn đối với việc áp dụng zkML rộng rãi hơn, đó là việc thiếu các nhà phát triển có kiến ​​thức và quan tâm đến sự giao thoa giữa không có kiến ​​thức, học máy và mật mã.

bộ đồng xử lý

Các giải pháp khác đang được phát triển, được gọi là bộ đồng xử lý, bao gồm RiscZero, Axiom và Ritual. Thuật ngữ bộ đồng xử lý chủ yếu mang tính ngữ nghĩa - các mạng này đảm nhận nhiều vai trò khác nhau, bao gồm xác minh trực tuyến các tính toán ngoài chuỗi. Giống như EZKL, Giza và Modulus, mục tiêu của họ là trừu tượng hóa hoàn toàn quy trình tạo bằng chứng không có kiến ​​thức, từ đó tạo ra một máy ảo không có kiến ​​thức về cơ bản có khả năng thực thi các chương trình ngoài chuỗi và tạo bằng chứng để xác minh trên chuỗi. RiscZero và Axiom có ​​thể xử lý các mô hình AI đơn giản vì chúng là bộ đồng xử lý tổng quát hơn, trong khi Ritual được xây dựng riêng để sử dụng với các mô hình AI.

Infernet là phiên bản đầu tiên của Ritual và bao gồm SDK Infernet cho phép các nhà phát triển gửi yêu cầu suy luận tới mạng và tùy ý nhận đầu ra cũng như bằng chứng khi quay lại. Các nút Infernet nhận các yêu cầu này, xử lý các tính toán ngoài chuỗi và trả về đầu ra. Ví dụ: DAO có thể tạo một quy trình để đảm bảo rằng tất cả các đề xuất quản trị mới đều đáp ứng các điều kiện tiên quyết nhất định trước khi được gửi. Mỗi khi một đề xuất mới được gửi, hợp đồng quản trị sẽ kích hoạt yêu cầu suy luận thông qua Infernet, gọi mô hình AI được đào tạo về quản trị dành riêng cho DAO. Mô hình xem xét đề xuất để đảm bảo rằng tất cả các điều kiện cần thiết đã được gửi và trả về kết quả đầu ra cũng như chứng nhận phê duyệt hoặc từ chối việc gửi đề xuất.

Trong năm tới, nhóm Ritual có kế hoạch triển khai các tính năng bổ sung tạo nên lớp cơ sở hạ tầng, được gọi là Ritual Superchain. Nhiều mục được thảo luận trước đây có thể được đưa vào Ritual với tư cách là nhà cung cấp dịch vụ. Hiện tại, nhóm Ritual đã tích hợp với EZKL để tạo bằng chứng và có thể sớm bổ sung chức năng từ các nhà cung cấp hàng đầu khác. Các nút Infernet trên Ritual cũng có thể sử dụng GPU Akash hoặc io.net và các mô hình truy vấn được đào tạo trên mạng con Bittensor. Mục tiêu cuối cùng của họ là trở thành nhà cung cấp cơ sở hạ tầng AI mở có khả năng phục vụ máy học và các nhiệm vụ khác liên quan đến AI cho mọi công việc trên bất kỳ mạng nào.

ứng dụng

zkML giúp dung hòa mâu thuẫn giữa blockchain và trí tuệ nhân tạo. Cái trước vốn bị hạn chế về tài nguyên và cái sau đòi hỏi lượng điện toán và dữ liệu lớn. Như một trong những người sáng lập Giza đã nói: “Các trường hợp sử dụng rất phong phú… Nó giống như việc hỏi có những trường hợp sử dụng nào cho hợp đồng thông minh trong những ngày đầu của Ethereum… Chúng tôi đang mở rộng các trường hợp sử dụng cho hợp đồng thông minh.” Tuy nhiên, như đã đề cập ở trên, cần nhấn mạnh rằng sự phát triển ngày nay chủ yếu tập trung vào cấp độ công cụ và cơ sở hạ tầng. Ứng dụng này vẫn đang trong giai đoạn khám phá và thách thức đối với nhóm là chứng minh rằng giá trị của việc triển khai mô hình bằng cách sử dụng zkML vượt xa độ phức tạp và chi phí khi thực hiện việc đó.

Một số ứng dụng ngày nay bao gồm:

DeFi. zkML mở rộng DeFi bằng cách nâng cao chức năng của hợp đồng thông minh. Giao thức DeFi cung cấp lượng lớn dữ liệu có thể xác minh và bất biến cho các mô hình học máy, có thể được sử dụng để tạo ra chiến lược giao dịch hoặc lợi nhuận, phân tích rủi ro, UX, v.v. Ví dụ: Giza hợp tác với Yearn Finance để xây dựng một công cụ đánh giá rủi ro tự động chứng minh khái niệm cho kho tiền v3 mới của Yearn. Modulus Labs hợp tác với Lyra Finance để kết hợp công nghệ máy học vào AMM của mình, hợp tác với Ion Protocol cho các mô hình rủi ro của người xác thực và giúp Upshot xác thực nguồn cấp dữ liệu giá NFT dựa trên AI của mình. Các giao thức như NOYA (sử dụng EZKL) và Mozaic cung cấp quyền truy cập vào các mô hình ngoài chuỗi độc quyền, cho phép người dùng khai thác nhóm súng APY tự động trong khi có thể xác minh dữ liệu đầu vào và bằng chứng trên chuỗi. Spectral Finance đang xây dựng một công cụ chấm điểm tín dụng trực tuyến để dự đoán khả năng vỡ nợ của người vay Hợp chất hoặc Aave. Những sản phẩm được gọi là De-Ai-Fi này dự kiến ​​​​sẽ trở nên phổ biến hơn trong những năm tới nhờ zkML.

trò chơi. Blockchain từ lâu đã được coi là chín muồi để phá vỡ và nâng cao khả năng chơi game. zkML cho phép sử dụng trí tuệ nhân tạo để chơi trò chơi trực tuyến. Modulus Labs đã triển khai bằng chứng khái niệm cho một trò chơi trực tuyến đơn giản. Leela vs the World là một trò chơi cờ vua lý thuyết trò chơi trong đó người dùng thi đấu với mô hình cờ vua AI. zkML xác minh rằng mỗi bước của Leela đều đang chạy dựa trên mô hình được sử dụng trong trò chơi. Tương tự, nhóm đã xây dựng một cuộc thi hát đơn giản và trò chơi tic-tac-toe trên chuỗi bằng cách sử dụng khung EZKL. Cartridge đang tận dụng Giza để cho phép các nhóm triển khai trò chơi hoàn toàn trên dây chuyền, gần đây đã ra mắt một trò chơi lái xe AI đơn giản trong đó người dùng cạnh tranh để tạo ra những mô hình tốt hơn cho phép ô tô tránh chướng ngại vật. Mặc dù đơn giản, nhưng những bằng chứng về khái niệm này hướng đến việc triển khai xác minh trên chuỗi phức tạp hơn trong tương lai, chẳng hạn như tương tác kinh tế trong trò chơi với các nhân vật NPC nâng cao trong AI Arena, một trò chơi tương tự như Super Mario, người chơi huấn luyện chiến binh của riêng mình và sau đó triển khai chúng dưới dạng AI làm mẫu để chiến đấu.

Nhận dạng, truy xuất nguồn gốc và quyền riêng tư. Mã hóa đã được sử dụng như một phương tiện để xác minh tính xác thực và chống lại số lượng ngày càng tăng của nội dung và nội dung sâu do AI tạo ra/thao túng. zkML có thể thúc đẩy những nỗ lực này. WorldCoin là một giải pháp chứng minh tính cách yêu cầu người dùng quét mống mắt của họ để tạo ID duy nhất. Trong tương lai, ID sinh trắc học có thể được tự lưu trữ trên thiết bị cá nhân bằng cách sử dụng mã hóa, với mô hình bắt buộc được sử dụng để xác minh cục bộ những thông tin sinh trắc học này. Người dùng có thể cung cấp bằng chứng về thông tin sinh trắc học của mình mà không tiết lộ danh tính, do đó chống lại các cuộc tấn công của Sybil trong khi vẫn đảm bảo quyền riêng tư. Điều này cũng có thể được áp dụng cho các suy luận khác yêu cầu quyền riêng tư, chẳng hạn như sử dụng mô hình để phân tích dữ liệu/hình ảnh y tế nhằm phát hiện bệnh, xác minh danh tính cá nhân và phát triển thuật toán so khớp trong ứng dụng hẹn hò hoặc cho các tổ chức bảo hiểm và cho vay yêu cầu xác minh thông tin tài chính.

Quan điểm

zkML vẫn đang trong giai đoạn thử nghiệm, với hầu hết các dự án tập trung vào việc xây dựng các nguyên mẫu cơ sở hạ tầng và bằng chứng khái niệm. Những thách thức hiện tại bao gồm chi phí tính toán, hạn chế về bộ nhớ, độ phức tạp của mô hình, công cụ và cơ sở hạ tầng hạn chế cũng như nhân lực phát triển. Tóm lại, vẫn còn rất nhiều việc phải làm trước khi zkML có thể đạt được quy mô cần thiết cho các sản phẩm tiêu dùng.

Tuy nhiên, khi lĩnh vực này phát triển và những hạn chế này được giải quyết, zkML sẽ trở thành thành phần chính của tích hợp AI và mật mã. Về cốt lõi, zkML hứa hẹn khả năng đưa tính toán ngoài chuỗi vào chuỗi ở mọi quy mô trong khi vẫn duy trì các đảm bảo bảo mật giống nhau hoặc gần giống như chạy tính toán trên chuỗi. Tuy nhiên, cho đến khi tầm nhìn này thành hiện thực, những người áp dụng sớm công nghệ này sẽ tiếp tục phải cân nhắc giữa quyền riêng tư và tính bảo mật của zkML với hiệu quả của các lựa chọn thay thế.

đặc vụ trí tuệ nhân tạo

Một trong những sự tích hợp thú vị nhất của trí tuệ nhân tạo và tiền điện tử là thử nghiệm đang diễn ra với các tác nhân trí tuệ nhân tạo. Tác nhân là những robot tự động có khả năng tiếp nhận, giải thích và thực hiện nhiệm vụ bằng cách sử dụng mô hình AI. Đại lý có thể là bất cứ thứ gì, từ việc có trợ lý cá nhân luôn sẵn sàng và được tối ưu hóa theo sở thích của bạn, đến thuê đại lý tài chính để quản lý và điều chỉnh danh mục đầu tư theo khẩu vị rủi ro của người dùng.

Proxy và tiền điện tử có thể kết hợp tốt với nhau vì tiền điện tử cung cấp cơ sở hạ tầng thanh toán không cần cấp phép và không cần tin cậy. Sau khi quá trình đào tạo hoàn tất, các đại lý có thể có ví để họ có thể tự mình giao dịch bằng hợp đồng thông minh. Ví dụ, ngày nay các đại lý đơn giản có thể tìm kiếm thông tin trên Internet và sau đó giao dịch trên các thị trường dự đoán dựa trên một mô hình.

Nhà cung cấp đại lý

Morpheus là một trong những dự án proxy nguồn mở mới nhất được ra mắt vào năm 2024 trên Ethereum và Arbitrum. Sách trắng của nó được xuất bản ẩn danh vào tháng 9 năm 2023, tạo cơ sở cho một cộng đồng hình thành và xây dựng (bao gồm cả những nhân vật nổi tiếng như Erik Vorhees). Sách trắng bao gồm Giao thức tác nhân thông minh có thể tải xuống, một LLM nguồn mở có thể chạy cục bộ, được quản lý bởi ví của người dùng và tương tác với các hợp đồng thông minh. Nó sử dụng bảng xếp hạng hợp đồng thông minh để giúp các đại lý xác định hợp đồng thông minh nào an toàn để tương tác dựa trên các tiêu chí như số lượng giao dịch được xử lý.

Sách trắng cũng cung cấp khuôn khổ để xây dựng mạng Morpheus, chẳng hạn như cấu trúc khuyến khích và cơ sở hạ tầng cần thiết để triển khai giao thức tác nhân thông minh. Điều này bao gồm việc khuyến khích những người đóng góp xây dựng giao diện cho các giao diện người dùng tương tác với các tác nhân, cung cấp API cho các nhà phát triển để xây dựng các ứng dụng có thể cắm vào các tác nhân để họ tương tác với nhau và cung cấp các giải pháp đám mây cho người dùng để họ có thể sử dụng các khả năng của các tác nhân đang chạy trên các thiết bị biên, yêu cầu tính toán và lưu trữ. Nguồn vốn ban đầu cho dự án được bắt đầu vào đầu quý 2 năm 24, với giao thức đầy đủ dự kiến ​​sẽ được ra mắt vào thời điểm đó.

Mạng cơ sở hạ tầng tự trị phi tập trung (DAIN) là một giao thức cơ sở hạ tầng đại lý mới nhằm xây dựng nền kinh tế giữa các đại lý trên Solana. Mục tiêu của DAIN là cho phép các tác nhân từ các doanh nghiệp khác nhau tương tác liền mạch với nhau thông qua một API chung, từ đó mở ra không gian thiết kế đáng kể cho các tác nhân AI, tập trung vào việc triển khai các tác nhân có thể tương tác với các sản phẩm web2 và web3. Vào tháng 1, DAIN đã công bố mối quan hệ hợp tác đầu tiên với Asset Shield để cho phép người dùng thêm người ký proxy vào chữ ký đa chữ ký của họ, những người có thể diễn giải các giao dịch và phê duyệt/từ chối theo các quy tắc do người dùng đặt ra.

Fetch.AI là một trong những giao thức tác nhân trí tuệ nhân tạo được triển khai đầu tiên và đã phát triển một hệ sinh thái để xây dựng, triển khai và sử dụng các tác nhân trên chuỗi bằng cách sử dụng mã thông báo FET và ví Fetch.AI. Giao thức cung cấp một bộ công cụ và ứng dụng toàn diện để làm việc với proxy, bao gồm chức năng trong ví để tương tác với proxy và ra lệnh.

Được thành lập bởi các thành viên cũ của nhóm Fetch, Autonolas là một thị trường mở để tạo và sử dụng các tác nhân trí tuệ nhân tạo phi tập trung. Autonolas cũng cung cấp cho các nhà phát triển một bộ công cụ để xây dựng các tác nhân AI được lưu trữ ngoài chuỗi với khả năng kết nối với nhiều chuỗi bao gồm Polygon, Ethereum, Gnosis Chain và Solana. Họ hiện có một số sản phẩm chứng minh khái niệm proxy đang hoạt động, bao gồm các sản phẩm dành cho thị trường dự đoán và quản trị DAO.

SingularityNet đang xây dựng một thị trường phi tập trung cho các đại lý AI, nơi mọi người có thể triển khai các đại lý AI tập trung vào các khu vực cụ thể và những đại lý này có thể được người khác hoặc đại lý thuê để thực hiện các nhiệm vụ phức tạp. Các dự án khác, chẳng hạn như AlteredStateMachine, đang xây dựng tích hợp tác nhân AI với NFT. Người dùng tạo ra NFT với các thuộc tính ngẫu nhiên mang lại cho họ những ưu điểm và nhược điểm cho các nhiệm vụ khác nhau. Sau đó, các tác nhân này có thể được đào tạo để nâng cao một số thuộc tính nhất định, được sử dụng trong trò chơi, DeFi hoặc làm trợ lý ảo và thực hiện giao dịch với những người dùng khác.

Nói chung, các dự án này hình dung ra một hệ sinh thái tương lai gồm các tác nhân làm việc cùng nhau để không chỉ thực hiện các nhiệm vụ mà còn giúp xây dựng trí tuệ nhân tạo tổng hợp. Một tác nhân thực sự tinh vi sẽ có thể tự động thực hiện bất kỳ tác vụ nào của người dùng. Ví dụ: thay vì đảm bảo rằng một đại lý đã tích hợp API bên ngoài (chẳng hạn như trang web đặt vé du lịch) để sử dụng nó, một đại lý hoàn toàn tự chủ sẽ có khả năng tìm ra cách thuê một đại lý khác để tích hợp API và sau đó thực hiện nhiệm vụ. Từ quan điểm của người dùng, không cần phải kiểm tra xem tác nhân có thể thực hiện nhiệm vụ hay không vì tác nhân có thể tự xác định điều đó.

Đại lý Bitcoin và AI

Vào tháng 7 năm 2023, Lightning Labs đã đưa ra giải pháp chứng minh khái niệm về việc sử dụng proxy trên Lightning Network, được gọi là LangChain Bitcoin Suite. Sản phẩm này đặc biệt thú vị vì nó nhằm mục đích giải quyết một vấn đề đang gia tăng trong thế giới Web 2 - kiểm soát (hạn chế quyền truy cập vào) các ứng dụng web và các dịch vụ API đắt tiền.

LangChain giải quyết vấn đề này bằng cách cung cấp cho các nhà phát triển một bộ công cụ cho phép các đại lý mua, bán và giữ Bitcoin, cũng như truy vấn khóa API và gửi các khoản thanh toán vi mô. Trên các kênh thanh toán truyền thống, các khoản thanh toán vi mô nhỏ về cơ bản là không khả thi do vấn đề về phí, trong khi trên Lightning Network, các đại lý có thể gửi các khoản thanh toán vi mô không giới hạn mỗi ngày và chỉ phải trả mức phí tối thiểu. Khi kết hợp với khung API đo lường thanh toán L 402 của LangChain, điều này cho phép các công ty điều chỉnh phí sử dụng cho API của họ dựa trên mức tăng và giảm mức sử dụng, thay vì đặt một thanh chi phí duy nhất.

Trong tương lai, nơi hoạt động trên chuỗi bị chi phối bởi các tương tác giữa đại lý với đại lý, những điều được đề cập ở trên sẽ là cần thiết để đảm bảo rằng các đại lý có thể tương tác với nhau theo cách không quá tốn kém. Đây là một ví dụ ban đầu về cách các đại lý có thể được sử dụng trên đường ray thanh toán không cần xin phép và tiết kiệm chi phí, mở ra khả năng cho các thị trường và tương tác kinh tế mới.

Quan điểm

Không gian đại lý vẫn còn ở giai đoạn sơ khai.

Dự án mới bắt đầu triển khai các tác nhân chức năng có thể xử lý các tác vụ đơn giản bằng cơ sở hạ tầng của nó - thứ thường chỉ dành cho các nhà phát triển và người dùng có kinh nghiệm.

Tuy nhiên, một trong những tác động lớn nhất mà các tác nhân AI sẽ gây ra đối với không gian tiền điện tử theo thời gian là cải thiện trải nghiệm người dùng trên tất cả các ngành dọc. Giao dịch sẽ bắt đầu chuyển từ dựa trên nhấp chuột sang dựa trên văn bản và người dùng sẽ có thể tương tác với các đại lý trên chuỗi thông qua các mô hình ngôn ngữ lớn (LLM). Đã có những nhóm như Dawn Wallet tung ra ví chatbot để người dùng tương tác trực tuyến.

Hơn nữa, vẫn chưa rõ các proxy sẽ hoạt động như thế nào trong Web 2.0, vì các đường ray tài chính dựa vào các tổ chức ngân hàng được quản lý không thể hoạt động 24/7 và cho phép các giao dịch xuyên biên giới liền mạch. Như Lyn Alden nhấn mạnh, các kênh tiền điện tử đặc biệt hấp dẫn so với thẻ tín dụng vì không được hoàn tiền và khả năng xử lý các giao dịch nhỏ. Tuy nhiên, nếu các đại lý trở nên phổ biến hơn, các nhà cung cấp và ứng dụng thanh toán hiện tại có thể nhanh chóng triển khai cơ sở hạ tầng cần thiết để cho phép họ hoạt động trên các kênh tài chính hiện có, giảm thiểu một số lợi ích của việc sử dụng tiền điện tử.

Hiện tại, các đại lý có thể bị giới hạn trong các giao dịch tiền điện tử xác định, trong đó một đầu vào nhất định đảm bảo một đầu ra nhất định. Các mô hình về cách tận dụng khả năng của các tác nhân này để thực hiện các nhiệm vụ phức tạp, cũng như các công cụ để mở rộng phạm vi nhiệm vụ mà chúng có thể thực hiện, cần được phát triển hơn nữa. Để các proxy tiền điện tử trở nên hữu ích ngoài các trường hợp sử dụng tiền điện tử mới trên chuỗi, cần phải tích hợp và chấp nhận rộng rãi hơn tiền điện tử như một hình thức thanh toán cũng như sự rõ ràng về quy định. Tuy nhiên, khi các thành phần này phát triển, các đại lý sẽ trở thành một trong những người tiêu dùng lớn nhất của các giải pháp điện toán phi tập trung và zkML đã thảo luận ở trên, nhận và giải quyết bất kỳ nhiệm vụ nào theo cách tự chủ, không xác định.

Tóm lại là

Trí tuệ nhân tạo mang đến những cải tiến tương tự cho tiền điện tử mà chúng ta đã thấy trong Web2, nâng cao mọi thứ từ phát triển cơ sở hạ tầng đến trải nghiệm và khả năng sử dụng của người dùng. Tuy nhiên, dự án vẫn đang ở giai đoạn đầu và trong ngắn hạn, việc tích hợp tiền điện tử và AI sẽ bị chi phối bởi tích hợp ngoài chuỗi.

Các sản phẩm như Copilot sẽ “tăng hiệu quả phát triển lên gấp 10 lần” và hợp tác với các công ty lớn như Microsoft, ứng dụng Layer 1 và DeFi đã tung ra các nền tảng phát triển được hỗ trợ bởi AI. Các công ty như Cub 3.ai và Test Machine đang phát triển trí tuệ nhân tạo để kiểm tra hợp đồng thông minh và giám sát mối đe dọa theo thời gian thực nhằm tăng cường bảo mật trên chuỗi. Chatbot LLM đang được đào tạo bằng cách sử dụng dữ liệu, tệp giao thức và ứng dụng trên chuỗi để cung cấp cho người dùng khả năng sử dụng và trải nghiệm người dùng nâng cao.

Để tích hợp nâng cao hơn, để thực sự tận dụng công nghệ cơ bản của tiền điện tử, thách thức là phải chứng minh rằng việc triển khai các giải pháp AI trên chuỗi là khả thi về mặt kỹ thuật và khả thi về mặt kinh tế trên quy mô lớn. Sự phát triển trong điện toán phi tập trung, zkML và các tác nhân AI đều hướng tới các ngành dọc đầy hứa hẹn, tạo tiền đề cho một tương lai trong đó tiền điện tử và AI gắn bó chặt chẽ với nhau.

Liên kết gốc