Được viết bởi: Geekcartel
Khi câu chuyện về AI tiếp tục nóng lên, ngày càng có nhiều sự chú ý tập trung vào đường đua này. Geekcartel đã tiến hành phân tích chuyên sâu về logic kỹ thuật, các kịch bản ứng dụng và các dự án tiêu biểu của đường đua Web3-AI, cung cấp cho bạn cái nhìn tổng quan và xu hướng phát triển trong lĩnh vực này.
1. Web3-AI: Phân tích logic kỹ thuật và cơ hội thị trường mới nổi
1.1 Logic tích hợp Web3 và AI: Cách xác định lộ trình Web-AI
Trong năm qua, việc kể chuyện bằng AI đã trở nên cực kỳ phổ biến trong ngành Web3 và các dự án AI mọc lên như nấm sau mưa. Mặc dù có nhiều dự án liên quan đến công nghệ AI, nhưng một số dự án chỉ sử dụng AI trong một số phần nhất định của sản phẩm của họ về cơ bản không liên quan đến các sản phẩm AI, vì vậy những dự án đó không được đưa vào dự án Web3-AI trong bài viết này. trong cuộc thảo luận.
Trọng tâm của bài viết này là các dự án sử dụng blockchain để giải quyết các vấn đề về quan hệ sản xuất và AI để giải quyết các vấn đề về năng suất. Các dự án này tự cung cấp các sản phẩm AI và dựa trên mô hình kinh tế Web3 như một công cụ quan hệ sản xuất. Cả hai đều bổ sung cho nhau. Chúng tôi phân loại loại dự án này vào nhóm Web3-AI. Để giúp độc giả hiểu rõ hơn về lộ trình Web3-AI, Geekcartel sẽ giới thiệu về quá trình phát triển và những thách thức của AI cũng như cách kết hợp giữa Web3 và AI có thể giải quyết vấn đề một cách hoàn hảo và tạo ra các kịch bản ứng dụng mới.
1.2 Quá trình phát triển AI và những thách thức: từ thu thập dữ liệu đến suy luận mô hình
Công nghệ AI là công nghệ cho phép máy tính mô phỏng, mở rộng và nâng cao trí tuệ của con người. Nó cho phép máy tính thực hiện nhiều tác vụ phức tạp, từ dịch ngôn ngữ và phân loại hình ảnh đến nhận dạng khuôn mặt, lái xe tự động và các tình huống ứng dụng khác. AI đang thay đổi cách chúng ta sống và làm việc.
Quá trình phát triển mô hình trí tuệ nhân tạo thường bao gồm các bước chính sau: thu thập và tiền xử lý dữ liệu, lựa chọn và điều chỉnh mô hình, đào tạo mô hình và suy luận. Ví dụ đơn giản, để phát triển mô hình phân loại hình ảnh chó và mèo, bạn cần:
Thu thập dữ liệu và tiền xử lý dữ liệu: Thu thập tập dữ liệu chứa hình ảnh của chó và mèo. Bạn có thể sử dụng tập dữ liệu công khai hoặc tự mình thu thập dữ liệu thực. Sau đó gắn nhãn cho mỗi hình ảnh bằng một danh mục (mèo hoặc chó), đảm bảo các nhãn đó chính xác. Chuyển đổi hình ảnh thành định dạng mà mô hình có thể nhận dạng và chia tập dữ liệu thành tập huấn luyện, tập xác thực và tập kiểm tra.
Lựa chọn và điều chỉnh mô hình: Chọn một mô hình thích hợp, chẳng hạn như mạng thần kinh tích chập (CNN), phù hợp hơn cho các tác vụ phân loại hình ảnh. Các thông số hoặc kiến trúc của mô hình được điều chỉnh theo các nhu cầu khác nhau. Nói chung, cấp độ mạng của mô hình có thể được điều chỉnh theo độ phức tạp của nhiệm vụ AI. Trong ví dụ phân loại đơn giản này, mức độ mạng nông hơn có thể là đủ.
Huấn luyện mô hình: Bạn có thể sử dụng GPU, TPU hoặc cụm điện toán hiệu năng cao để huấn luyện mô hình. Thời gian huấn luyện bị ảnh hưởng bởi độ phức tạp của mô hình và sức mạnh tính toán.
Suy luận mô hình: Các tệp được đào tạo bằng mô hình thường được gọi là trọng số mô hình. Quá trình suy luận đề cập đến quá trình sử dụng mô hình được đào tạo để dự đoán hoặc phân loại dữ liệu mới. Trong quá trình này, bộ kiểm tra hoặc dữ liệu mới có thể được sử dụng để kiểm tra hiệu quả phân loại của mô hình. Các chỉ số như độ chính xác, tỷ lệ thu hồi và điểm F 1 thường được sử dụng để đánh giá tính hiệu quả của mô hình.
Như trong hình, sau khi thu thập dữ liệu và tiền xử lý dữ liệu, chọn và điều chỉnh mô hình cũng như huấn luyện, suy ra mô hình đã huấn luyện trên bộ kiểm tra sẽ mang lại giá trị dự đoán P (xác suất) của chó và mèo, tức là mô hình suy ra là xác suất là một con mèo hoặc một con chó.
Mô hình AI được đào tạo có thể được tích hợp sâu hơn vào các ứng dụng khác nhau để thực hiện các nhiệm vụ khác nhau. Trong ví dụ này, mô hình AI để phân loại chó và mèo có thể được tích hợp vào ứng dụng di động và người dùng có thể nhận được kết quả phân loại bằng cách tải lên hình ảnh của mèo hoặc chó.
Tuy nhiên, quá trình phát triển AI tập trung có một số vấn đề trong các tình huống sau:
Quyền riêng tư của người dùng: Trong kịch bản tập trung, quá trình phát triển AI thường không rõ ràng. Dữ liệu người dùng có thể vô tình bị đánh cắp và sử dụng cho mục đích đào tạo AI.
Thu thập nguồn dữ liệu: Khi các nhóm nhỏ hoặc cá nhân lấy dữ liệu trong các lĩnh vực cụ thể (chẳng hạn như dữ liệu y tế), họ có thể phải đối mặt với hạn chế rằng dữ liệu không phải là nguồn mở.
Lựa chọn và điều chỉnh mô hình: Đối với các nhóm nhỏ, rất khó để có được tài nguyên mô hình theo miền cụ thể hoặc tốn nhiều tiền cho việc điều chỉnh mô hình.
Mua lại sức mạnh tính toán: Đối với các nhà phát triển cá nhân và các nhóm nhỏ, chi phí mua GPU và phí thuê sức mạnh điện toán đám mây cao có thể tạo thành gánh nặng tài chính đáng kể.
Thu nhập từ tài sản AI: Những người làm chú thích dữ liệu thường không thể có được thu nhập xứng đáng với công sức của mình và kết quả nghiên cứu của các nhà phát triển AI cũng khó sánh kịp với người mua có nhu cầu.
Những thách thức hiện có trong kịch bản AI tập trung có thể được giải quyết bằng cách kết hợp nó với Web3. Là một loại mối quan hệ sản xuất mới, Web3 thích ứng một cách tự nhiên với AI, đại diện cho một loại năng suất mới, do đó thúc đẩy sự tiến bộ đồng thời của công nghệ và khả năng sản xuất.
1.3 Sức mạnh tổng hợp giữa Web3 và AI: thay đổi vai trò và ứng dụng đổi mới
Sự kết hợp giữa Web3 và AI có thể nâng cao chủ quyền của người dùng, cung cấp cho người dùng nền tảng cộng tác AI mở và cho phép người dùng chuyển đổi từ người dùng AI trong kỷ nguyên Web2 sang người tham gia, tạo ra AI mà mọi người đều có thể sở hữu. Đồng thời, sự tích hợp của thế giới Web3 và công nghệ AI cũng có thể tạo ra các kịch bản ứng dụng và lối chơi sáng tạo hơn.
Dựa trên công nghệ Web3, việc phát triển và ứng dụng AI sẽ mở ra một hệ thống kinh tế hợp tác mới. Quyền riêng tư về dữ liệu của mọi người có thể được đảm bảo, mô hình cung cấp dữ liệu cộng đồng thúc đẩy sự tiến bộ của các mô hình AI, nhiều tài nguyên AI nguồn mở có sẵn cho người dùng và sức mạnh tính toán dùng chung có thể đạt được với chi phí thấp hơn. Với sự trợ giúp của cơ chế cung cấp dịch vụ cộng đồng phi tập trung và thị trường AI mở, có thể đạt được hệ thống phân phối thu nhập công bằng, từ đó thúc đẩy nhiều người hơn thúc đẩy sự tiến bộ của công nghệ AI.
Trong kịch bản Web3, AI có thể có tác động tích cực trên nhiều tuyến đường. Ví dụ: các mô hình AI có thể được tích hợp vào hợp đồng thông minh để cải thiện hiệu quả công việc trong các tình huống ứng dụng khác nhau, chẳng hạn như phân tích thị trường, phát hiện bảo mật, phân cụm xã hội và các chức năng khác. Generative AI không chỉ cho phép người dùng trải nghiệm vai trò “nghệ sĩ” như sử dụng công nghệ AI để tạo ra NFT của riêng mình mà còn tạo ra những khung cảnh game phong phú, đa dạng và những trải nghiệm tương tác thú vị trong GameFi. Cơ sở hạ tầng phong phú mang đến trải nghiệm phát triển suôn sẻ. Cho dù bạn là chuyên gia AI hay người mới muốn tham gia vào lĩnh vực AI, bạn đều có thể tìm thấy lối vào phù hợp trong thế giới này.
2. Giải thích bố cục và kiến trúc dự án sinh thái Web3-AI
Chúng tôi chủ yếu nghiên cứu 41 dự án trong lĩnh vực Web3-AI và chia các dự án này thành các cấp độ khác nhau. Logic phân chia của mỗi lớp được thể hiện trong hình bên dưới, bao gồm lớp cơ sở hạ tầng, lớp giữa và lớp ứng dụng. Mỗi lớp được chia thành các phần khác nhau. Trong chương tiếp theo, chúng tôi sẽ tiến hành phân tích chuyên sâu một số dự án tiêu biểu.
Lớp cơ sở hạ tầng bao gồm các tài nguyên điện toán và kiến trúc kỹ thuật hỗ trợ toàn bộ hoạt động của vòng đời AI. Lớp giữa bao gồm các dịch vụ quản lý dữ liệu, phát triển mô hình và suy luận xác minh kết nối cơ sở hạ tầng và ứng dụng. người dùng. Ứng dụng và Giải pháp.
Lớp cơ sở hạ tầng:
Lớp cơ sở hạ tầng là nền tảng của vòng đời AI. Bài viết này phân loại sức mạnh tính toán, Chuỗi AI và nền tảng phát triển là lớp cơ sở hạ tầng. Chính sự hỗ trợ của các cơ sở hạ tầng này cho phép đào tạo và suy luận các mô hình AI, đồng thời giới thiệu các ứng dụng AI mạnh mẽ và thiết thực cho người dùng.
Mạng điện toán phi tập trung: Nó có thể cung cấp sức mạnh tính toán phân tán cho việc đào tạo mô hình AI, đảm bảo sử dụng tài nguyên máy tính hiệu quả và tiết kiệm. Một số dự án cung cấp thị trường sức mạnh tính toán phi tập trung và người dùng có thể kiếm thu nhập từ việc thuê hoặc chia sẻ sức mạnh tính toán với chi phí thấp, chẳng hạn như IO.NET và Hyperbolic. Ngoài ra, một số dự án đã tạo ra lối chơi mới, chẳng hạn như Phòng thí nghiệm điện toán, đề xuất giao thức mã thông báo bằng cách mua NFT đại diện cho các thực thể GPU, người dùng có thể tham gia cho thuê năng lượng máy tính theo nhiều cách khác nhau để kiếm thu nhập.
Chuỗi AI: Sử dụng blockchain làm nền tảng của vòng đời AI để đạt được sự tương tác liền mạch giữa các tài nguyên AI trên chuỗi và ngoài chuỗi, đồng thời thúc đẩy sự phát triển của hệ sinh thái ngành. Thị trường AI phi tập trung trên chuỗi có thể giao dịch các tài sản AI như dữ liệu, mô hình, đại lý, v.v., đồng thời cung cấp các khung phát triển AI và các công cụ phát triển hỗ trợ, đại diện cho các dự án như Sahara AI. Chuỗi AI cũng có thể thúc đẩy sự tiến bộ của công nghệ AI trong các lĩnh vực khác nhau. Ví dụ: Bittensor thúc đẩy sự cạnh tranh mạng con của các loại AI khác nhau thông qua các cơ chế khuyến khích mạng con sáng tạo.
Nền tảng phát triển: Một số dự án cung cấp nền tảng phát triển tác nhân AI và cũng có thể thực hiện các giao dịch tác nhân AI, chẳng hạn như Fetch.ai và ChainML. Các công cụ toàn diện giúp các nhà phát triển tạo, đào tạo và triển khai các mô hình AI dễ dàng hơn, được thể hiện bằng các dự án như Nimble. Các cơ sở hạ tầng này thúc đẩy ứng dụng rộng rãi công nghệ AI trong hệ sinh thái Web3.
Lớp giữa:
Lớp này liên quan đến dữ liệu AI, mô hình cũng như suy luận và xác minh. Sử dụng công nghệ Web3 có thể đạt được hiệu quả công việc cao hơn.
Dữ liệu: Chất lượng và số lượng dữ liệu là yếu tố chính ảnh hưởng đến hiệu quả của việc đào tạo mô hình. Trong thế giới Web3, việc sử dụng tài nguyên có thể được tối ưu hóa và giảm chi phí dữ liệu thông qua nguồn dữ liệu cộng đồng và xử lý dữ liệu cộng tác. Người dùng có thể tự chủ về dữ liệu và bán dữ liệu của mình với tính năng bảo vệ quyền riêng tư để tránh dữ liệu bị đánh cắp bởi những người buôn bán vô đạo đức và kiếm được lợi nhuận cao. Đối với những người yêu cầu dữ liệu, các nền tảng này cung cấp nhiều lựa chọn và chi phí cực thấp. Các dự án đại diện như Grass sử dụng băng thông của người dùng để thu thập dữ liệu Web và xData thu thập thông tin đa phương tiện thông qua các plug-in thân thiện với người dùng và hỗ trợ người dùng tải lên thông tin tweet.
Ngoài ra, một số nền tảng cho phép các chuyên gia tên miền hoặc người dùng thông thường thực hiện các tác vụ tiền xử lý dữ liệu, chẳng hạn như chú thích hình ảnh và phân loại dữ liệu. Các tác vụ này có thể yêu cầu xử lý dữ liệu cho các nhiệm vụ tài chính và pháp lý bằng kiến thức chuyên môn. Nguồn lực cộng tác từ cộng đồng. Các đại diện của thị trường AI, chẳng hạn như Sahara AI, có nhiệm vụ dữ liệu trong các lĩnh vực khác nhau và có thể bao gồm các kịch bản dữ liệu trong nhiều lĩnh vực trong khi AIT Protocolt gắn nhãn dữ liệu thông qua cộng tác giữa người và máy.
Mô hình: Trong quá trình phát triển AI đã đề cập trước đó, các loại yêu cầu khác nhau cần phải được kết hợp với các mô hình phù hợp. Các mô hình thường được sử dụng cho tác vụ hình ảnh là CNN và GAN. Đối với tác vụ phát hiện mục tiêu, bạn có thể chọn dòng Yolo cho tác vụ văn bản. , các mô hình như RNN và Transformer là phổ biến. Tất nhiên có một số mô hình cụ thể hoặc chung. Các nhiệm vụ có độ phức tạp khác nhau đòi hỏi độ sâu mô hình khác nhau và đôi khi mô hình cần được điều chỉnh.
Một số dự án hỗ trợ người dùng cung cấp các loại mô hình khác nhau hoặc hợp tác đào tạo các mô hình thông qua dịch vụ cộng đồng. Ví dụ: Sentient sử dụng thiết kế mô-đun để cho phép người dùng đặt dữ liệu mô hình đáng tin cậy vào lớp lưu trữ và lớp phân phối để tối ưu hóa mô hình mà Sahara AI cung cấp. có các thuật toán và khung tính toán AI tiên tiến được tích hợp sẵn và có khả năng hợp tác đào tạo.
Suy luận và xác minh: Sau khi mô hình được đào tạo, một tệp trọng số mô hình sẽ được tạo, tệp này có thể được sử dụng để trực tiếp thực hiện phân loại, dự đoán hoặc các nhiệm vụ cụ thể khác. Quá trình này được gọi là suy luận. Quá trình suy luận thường đi kèm với cơ chế xác minh để xác minh xem nguồn của mô hình suy luận có chính xác hay không và có hành vi nguy hiểm nào không. Lý luận Web3 thường có thể được tích hợp vào các hợp đồng thông minh và suy ra bằng cách gọi các mô hình. Các phương pháp xác minh phổ biến bao gồm các công nghệ như ZKML, OPML và TEE. Các dự án đại diện như oracle AI trên chuỗi ORA (OAO) đã giới thiệu OPML là lớp có thể xác minh của oracle AI trên trang web chính thức của ORA cũng đề cập đến nghiên cứu của họ về ZKML và opp/ai (ZKML kết hợp với OPML).
Lớp ứng dụng:
Lớp này chủ yếu dành cho các ứng dụng trực tiếp với người dùng. Nó kết hợp AI với Web3 để tạo ra lối chơi thú vị và sáng tạo hơn. Bài viết này chủ yếu sắp xếp các lĩnh vực AIGC (nội dung do AI tạo ra), tác nhân AI và phân tích dữ liệu.
AIGC: Thông qua AIGC, nó có thể được mở rộng sang NFT, trò chơi và các bản nhạc khác trong Web3. Người dùng có thể trực tiếp tạo văn bản, hình ảnh và âm thanh thông qua Lời nhắc (các từ nhắc nhở do người dùng đưa ra) và thậm chí có thể tạo các tùy chỉnh theo sở thích của riêng họ trong. trò chơi. Các dự án NFT như NFPrompt, người dùng có thể sử dụng AI để tạo NFT để giao dịch trên thị trường; các trò chơi như Sleepless, người dùng có thể định hình tính cách của các đối tác ảo để phù hợp với sở thích của họ thông qua đối thoại;
Tác nhân AI: đề cập đến một hệ thống trí tuệ nhân tạo có thể thực hiện các nhiệm vụ và đưa ra quyết định một cách tự chủ. Các tác nhân AI thường có khả năng cảm nhận, suy luận, học hỏi và hành động để thực hiện các nhiệm vụ phức tạp trong nhiều môi trường khác nhau. Các tác nhân AI phổ biến như dịch ngôn ngữ, học ngôn ngữ, hình ảnh thành văn bản, v.v. có thể tạo ra robot giao dịch, tạo meme meme và phát hiện bảo mật trên chuỗi trong các tình huống Web3. Ví dụ: MyShell, với tư cách là một nền tảng đại lý AI, cung cấp nhiều loại đại lý khác nhau, bao gồm giáo dục và học tập, bạn đồng hành ảo, đại lý giao dịch, v.v. Nó cũng cung cấp các công cụ phát triển đại lý thân thiện với người dùng để bạn có thể xây dựng đại lý của riêng mình mà không cần mã hóa.
Phân tích dữ liệu: Bằng cách tích hợp công nghệ AI và cơ sở dữ liệu trong các lĩnh vực liên quan, có thể thực hiện phân tích dữ liệu, phán đoán, dự đoán, v.v. Trong Web3, người dùng có thể hỗ trợ người dùng đưa ra phán đoán đầu tư bằng cách phân tích dữ liệu thị trường, động lực tiền thông minh, v.v. Dự đoán mã thông báo cũng là một kịch bản ứng dụng độc đáo trong Web3. Các dự án tiêu biểu như Ocean đã chính thức đặt ra những thách thức dài hạn cho việc dự đoán mã thông báo và cũng sẽ đưa ra các nhiệm vụ phân tích dữ liệu về các chủ đề khác nhau để khuyến khích sự tham gia của người dùng.
3. Phân tích toàn cảnh các dự án tiên tiến trên lộ trình Web3-AI
Một số dự án đang khám phá khả năng kết hợp Web3 với AI. GeekCartel sẽ dẫn dắt mọi người trải nghiệm sự hấp dẫn của WEB3-AI bằng cách chọn ra các dự án tiêu biểu của hướng này và hiểu cách dự án hiện thực hóa sự tích hợp giữa Web3 và AI, đồng thời tạo ra các mô hình kinh doanh và giá trị kinh tế mới.
Sahara AI: Nền tảng blockchain AI dành riêng cho nền kinh tế hợp tác
Sahara AI khá cạnh tranh trong toàn bộ chặng đường. Nó cam kết xây dựng một nền tảng blockchain AI toàn diện, bao gồm đầy đủ các tài nguyên AI như dữ liệu AI, mô hình, tác nhân và sức mạnh tính toán. Kiến trúc cơ bản bảo vệ nền kinh tế hợp tác của nền tảng. . Thông qua công nghệ blockchain và công nghệ bảo mật độc đáo, chúng tôi đảm bảo quyền sở hữu và quản lý phi tập trung đối với tài sản AI trong toàn bộ chu trình phát triển AI và đạt được sự phân bổ khuyến khích công bằng. Nhóm có nền tảng sâu sắc về AI và Web3, điều này cho phép nhóm tích hợp hoàn hảo hai lĩnh vực này. Nhóm cũng được các nhà đầu tư hàng đầu ưa chuộng và cho thấy tiềm năng lớn trên đường đua.
Sahara AI không bị giới hạn ở Web3 vì nó phá vỡ sự phân bổ tài nguyên và cơ hội không đồng đều trong lĩnh vực AI truyền thống. Thông qua phân cấp, các yếu tố chính của AI, bao gồm sức mạnh tính toán, mô hình và dữ liệu, không còn bị độc quyền bởi những gã khổng lồ tập trung. Mọi người đều có cơ hội tìm được một vị trí phù hợp trong hệ sinh thái này để được hưởng lợi và được truyền cảm hứng sáng tạo. .
Như trong hình, người dùng có thể sử dụng bộ công cụ do Sahara AI cung cấp để đóng góp hoặc tạo các bộ dữ liệu, mô hình, tác nhân AI và các tài sản khác của riêng họ. Trong khi đưa những tài sản này vào thị trường AI để kiếm lợi nhuận, họ cũng có thể có được. ưu đãi nền tảng. Tài sản AI của người tiêu dùng có thể được giao dịch theo yêu cầu. Đồng thời, các thông tin giao dịch này sẽ được ghi lại trên Chuỗi Sahara và các biện pháp bảo vệ quyền riêng tư đảm bảo việc theo dõi các khoản đóng góp, bảo mật dữ liệu và tính công bằng của thù lao.
Trong hệ thống kinh tế của Sahara AI, ngoài vai trò nêu trên của nhà phát triển, nhà cung cấp kiến thức và người tiêu dùng, người dùng còn có thể đóng vai trò là nhà đầu tư, cung cấp vốn và tài nguyên (GPU, máy chủ đám mây, nút RPC, v.v.) để hỗ trợ AI tài sản Việc phát triển và triển khai cũng có thể đóng vai trò là nhà điều hành để duy trì sự ổn định của mạng và là người xác minh để duy trì tính bảo mật và tính toàn vẹn của chuỗi khối. Bất kể người dùng tham gia vào nền tảng AI Sahara như thế nào, họ sẽ nhận được phần thưởng và thu nhập dựa trên những đóng góp của mình.
Nền tảng chuỗi khối Sahara AI được xây dựng trên kiến trúc phân lớp, với cơ sở hạ tầng trên chuỗi và ngoài chuỗi cho phép người dùng và nhà phát triển đóng góp và hưởng lợi một cách hiệu quả từ toàn bộ chu trình phát triển AI. Kiến trúc của nền tảng AI Sahara được chia thành bốn lớp:
lớp ứng dụng
Lớp ứng dụng đóng vai trò là giao diện người dùng và điểm tương tác chính, cung cấp các bộ công cụ và ứng dụng tích hợp sẵn để nâng cao trải nghiệm người dùng.
Các thành phần chức năng:
Sahara ID — đảm bảo người dùng có quyền truy cập an toàn vào tài sản AI và theo dõi sự đóng góp của người dùng;
Sahara Vault — bảo vệ quyền riêng tư và bảo mật của tài sản AI khỏi bị truy cập trái phép và các mối đe dọa tiềm ẩn;
Sahara Agent - có sự liên kết vai trò (tương tác phù hợp với hành vi và thói quen của người dùng), học tập suốt đời, nhận thức đa phương thức (có thể xử lý nhiều loại dữ liệu) và khả năng thực thi đa công cụ;
Các thành phần tương tác:
Bộ công cụ Sahara —cho phép người dùng kỹ thuật và phi kỹ thuật tạo và triển khai nội dung AI;
Thị trường AI Sahara — để xuất bản, kiếm tiền và giao dịch tài sản AI, cung cấp giấy phép linh hoạt và nhiều tùy chọn kiếm tiền.
lớp giao dịch
Lớp giao dịch của Sahara AI sử dụng chuỗi khối Sahara. L1 này được trang bị quyền sở hữu quản lý, phân bổ và các giao thức giao dịch liên quan đến AI trên nền tảng, đóng vai trò quan trọng trong việc duy trì chủ quyền và nguồn gốc của tài sản AI. Chuỗi khối Sahara tích hợp Công nghệ tiền biên dịch gốc AI (SAP) và Giao thức chuỗi khối Sahara (SBP) cải tiến để hỗ trợ các nhiệm vụ thiết yếu trong suốt vòng đời AI.
SAP là một chức năng tích hợp ở cấp độ chạy gốc của blockchain, tập trung vào quá trình suy luận/đào tạo AI tương ứng. SAP giúp gọi, ghi lại và xác minh quy trình đào tạo/suy luận AI ngoài chuỗi, đảm bảo độ tin cậy và độ tin cậy của các mô hình AI được phát triển trong nền tảng AI Sahara, đồng thời đảm bảo tính minh bạch, có thể xác minh và truy xuất nguồn gốc của tất cả các suy luận AI tại cùng một lúc. Đồng thời, có thể đạt được tốc độ thực thi nhanh hơn, chi phí tính toán và chi phí Gas thấp hơn thông qua SAP.
SBP triển khai các giao thức dành riêng cho AI thông qua các hợp đồng thông minh để đảm bảo rằng tài sản AI và kết quả tính toán được xử lý một cách minh bạch và đáng tin cậy. Điều này bao gồm các tính năng như đăng ký tài sản AI, cấp phép (kiểm soát truy cập), quyền sở hữu và phân bổ (theo dõi đóng góp).
lớp dữ liệu
Lớp dữ liệu của Sahara AI được thiết kế để tối ưu hóa việc quản lý dữ liệu trong suốt vòng đời của AI. Nó đóng vai trò như một giao diện quan trọng kết nối lớp thực thi với các cơ chế quản lý dữ liệu khác nhau và tích hợp liền mạch các nguồn dữ liệu trên chuỗi và ngoài chuỗi.
Thành phần dữ liệu: bao gồm dữ liệu trên chuỗi và ngoài chuỗi bao gồm siêu dữ liệu, quyền sở hữu, cam kết và bằng chứng về tài sản AI, v.v. Bộ dữ liệu, mô hình AI và thông tin bổ sung được lưu trữ ngoài chuỗi.
Quản lý dữ liệu: Giải pháp quản lý dữ liệu của Sahara AI cung cấp một bộ các biện pháp bảo mật để đảm bảo dữ liệu được bảo vệ cả trong quá trình truyền và khi lưu trữ thông qua sơ đồ mã hóa duy nhất. Cộng tác với SBP được AI cấp phép để đạt được khả năng kiểm soát và xác minh truy cập nghiêm ngặt, đồng thời cung cấp bộ nhớ miền riêng, dữ liệu nhạy cảm của người dùng có thể đạt được các tính năng bảo mật nâng cao.
Lớp thực thi
Lớp thực thi là cơ sở hạ tầng AI ngoài chuỗi của nền tảng AI Sahara, tương tác liền mạch với lớp giao dịch và lớp dữ liệu để thực thi và quản lý các giao thức liên quan đến tính toán và chức năng AI. Tùy thuộc vào nhiệm vụ thực thi, nó trích xuất dữ liệu từ lớp dữ liệu một cách an toàn và phân bổ động tài nguyên máy tính để có hiệu suất tối ưu. Các hoạt động AI phức tạp được điều phối thông qua một bộ giao thức được thiết kế đặc biệt nhằm hỗ trợ tương tác hiệu quả giữa các phần trừu tượng khác nhau và cơ sở hạ tầng cơ bản được thiết kế để hỗ trợ tính toán AI hiệu suất cao.
Cơ sở hạ tầng: Cơ sở hạ tầng lớp thực thi của Sahara AI được thiết kế để hỗ trợ điện toán AI hiệu suất cao, với các tính năng như hiệu quả nhanh, tính linh hoạt và tính sẵn sàng cao. Nó đảm bảo rằng hệ thống vẫn ổn định và đáng tin cậy trong điều kiện lưu lượng truy cập và lỗi cao thông qua sự phối hợp hiệu quả của tính toán AI, cơ chế mở rộng tự động và thiết kế có khả năng chịu lỗi.
Trừu tượng hóa: Sự trừu tượng hóa cốt lõi là thành phần cơ bản tạo thành nền tảng cho các hoạt động AI trên nền tảng AI Sahara, bao gồm sự trừu tượng hóa các tập dữ liệu, mô hình, tài nguyên máy tính và các tài nguyên trừu tượng cấp cao khác được xây dựng trên sự trừu tượng hóa cốt lõi, nghĩa là, giao diện thực thi đằng sau Vault và tác nhân, có thể Hiện thực hóa chức năng cấp cao hơn.
Giao thức: Giao thức thực thi trừu tượng được sử dụng để thực hiện tương tác với Vaults, tương tác và phối hợp tác nhân cũng như cộng tác điện toán, v.v., trong đó, giao thức điện toán cộng tác có thể thực hiện việc phát triển và triển khai mô hình AI chung giữa nhiều người tham gia và hỗ trợ đóng góp tài nguyên máy tính và tổng hợp mô hình; Lớp thực thi cũng bao gồm mô-đun công nghệ điện toán chi phí thấp (PEFT), mô-đun điện toán bảo vệ quyền riêng tư và mô-đun điện toán chống gian lận.
Nền tảng blockchain AI đang được Sahara AI xây dựng cam kết hiện thực hóa một hệ sinh thái AI toàn diện. Tuy nhiên, tầm nhìn lớn này chắc chắn sẽ gặp nhiều thách thức trong quá trình hiện thực hóa, đòi hỏi công nghệ mạnh mẽ, hỗ trợ nguồn lực và tối ưu hóa và lặp lại liên tục. Nếu triển khai thành công, nó sẽ trở thành trụ cột hỗ trợ lĩnh vực Web3-AI và được kỳ vọng sẽ trở thành khu vườn lý tưởng trong tâm trí những người thực hành Web2-AI.
Thông tin đội:
Nhóm Sahara AI bao gồm một nhóm các thành viên xuất sắc và sáng tạo. Đồng sáng lập Sean Ren là giáo sư tại Đại học Nam California. Ông đã giành được giải thưởng Nhà nghiên cứu AI của năm của Samsung, Nhà sáng tạo MIT TR dưới 35 tuổi và Forbes 30 Dưới 30 tuổi. . Chờ đợi danh dự. Người đồng sáng lập Tyler Zhou tốt nghiệp Đại học California, Berkeley và có hiểu biết sâu sắc về Web3. Ông lãnh đạo một nhóm nhân tài toàn cầu có kinh nghiệm về AI và Web3.
Kể từ khi thành lập Sahara AI, nhóm đã tạo ra doanh thu hàng triệu đô la từ các công ty hàng đầu bao gồm Microsoft, Amazon, MIT, Snapchat, Character AI, v.v. Hiện nay, Sahara AI đang cung cấp dịch vụ cho hơn 30 khách hàng doanh nghiệp và có hơn 200.000 giảng viên AI trên khắp thế giới. Sự phát triển nhanh chóng của Sahara AI cho phép ngày càng nhiều người tham gia đóng góp và hưởng lợi ích trong mô hình kinh tế chia sẻ.
Thông tin tài chính:
Tính đến tháng 8 năm nay, Sahara Labs đã huy động thành công 43 triệu USD. Vòng tài trợ mới nhất được đồng dẫn dắt bởi Pantera Capital, Binance Labs và Polychain Capital. Ngoài ra, nó còn nhận được sự hỗ trợ từ những người tiên phong trong lĩnh vực AI như Motherson Group, Anthropic, Nous Research và Midjourney.
Bittensor: Một cách chơi mới lấy cảm hứng từ sự cạnh tranh mạng con
Bản thân Bittensor không phải là sản phẩm AI và cũng không sản xuất hay cung cấp bất kỳ sản phẩm hoặc dịch vụ AI nào. Bittensor là một hệ thống kinh tế cung cấp cơ cấu khuyến khích mang tính cạnh tranh cao cho các nhà sản xuất hàng hóa AI, để các nhà sản xuất có thể liên tục tối ưu hóa chất lượng của AI. Là một dự án đầu tiên của Web3-AI, Bittensor đã nhận được sự quan tâm rộng rãi của thị trường kể từ khi ra mắt. Theo dữ liệu của CoinMarketCap, tính đến ngày 17 tháng 10, giá trị thị trường của nó đã vượt quá 4,26 tỷ USD và FDV (định giá pha loãng hoàn toàn) của nó đã vượt quá 12 tỷ USD.
Bittensor xây dựng cấu trúc mạng được kết nối bởi nhiều mạng con. Các nhà sản xuất hàng hóa AI có thể tạo mạng con với các ưu đãi tùy chỉnh và các trường hợp sử dụng khác nhau. Các mạng con khác nhau chịu trách nhiệm cho các tác vụ khác nhau, chẳng hạn như dịch máy, nhận dạng và tạo hình ảnh, mô hình ngôn ngữ lớn, v.v. Ví dụ: Subnet 5 có thể tạo hình ảnh AI như Midjourney. Khi hoàn thành nhiệm vụ xuất sắc, bạn sẽ được thưởng TAO (Bittensor’s token).
Cơ chế khuyến khích là một thành phần cơ bản của Bittensor. Chúng thúc đẩy hành vi của những người khai thác mạng con và kiểm soát sự đồng thuận giữa những người xác thực mạng con. Mỗi mạng con có cơ chế khuyến khích riêng. Người khai thác mạng con chịu trách nhiệm thực hiện các nhiệm vụ và người xác thực sẽ chấm điểm kết quả của người khai thác mạng con.
Như được hiển thị trong hình, chúng tôi sử dụng một ví dụ để minh họa quy trình làm việc giữa các công cụ khai thác mạng con và trình xác thực mạng con:
Trong hình, ba công cụ khai thác mạng con tương ứng với UID 37, 42 và 27; bốn trình xác thực mạng con tương ứng với UID 10, 32, 93 và 74.
Mỗi trình xác thực mạng con duy trì một vectơ trọng số. Mỗi phần tử của vectơ biểu thị trọng số được gán cho công cụ khai thác mạng con, được xác định dựa trên đánh giá của người xác thực mạng con về việc hoàn thành nhiệm vụ của công cụ khai thác. Mỗi trình xác thực mạng con xếp hạng tất cả các công cụ khai thác mạng con theo vectơ trọng số này và hoạt động độc lập, truyền vectơ trọng số xếp hạng của công cụ khai thác của nó tới chuỗi khối. Thông thường, mỗi trình xác thực mạng con truyền một vectơ trọng số xếp hạng được cập nhật tới chuỗi khối sau mỗi 100 – 200 khối.
Chuỗi khối (sub-tensor) chờ các vectơ trọng số xếp hạng mới nhất từ tất cả các trình xác thực mạng con của một mạng con nhất định đến trên chuỗi khối. Sau đó, ma trận trọng số xếp hạng được hình thành bởi các vectơ trọng số xếp hạng này sẽ được cung cấp làm đầu vào cho mô-đun đồng thuận Yuma trên chuỗi.
Sự đồng thuận Yuma trên chuỗi sử dụng ma trận trọng số này và số lượng cổ phần được liên kết với UID trên mạng con đó để tính phần thưởng.
Cơ chế đồng thuận Yuma tính toán mức phân bổ đồng thuận của TAO và phân phối phần thưởng TAO mới được đúc vào tài khoản được liên kết với UID.
Trình xác thực mạng con có thể truyền vectơ trọng số xếp hạng của họ tới blockchain bất kỳ lúc nào. Nhưng chu kỳ đồng thuận Yuma của mạng con bắt đầu sau mỗi 360 khối (tức là 4320 giây hoặc 72 phút, dựa trên 12 giây mỗi khối) bằng cách sử dụng ma trận trọng số mới nhất. Nếu vectơ trọng số xếp hạng của trình xác thực mạng con xuất hiện sau 360 chu kỳ khối thì vectơ trọng số đó sẽ được sử dụng khi bắt đầu chu kỳ đồng thuận Yuma tiếp theo. Phần thưởng TAO sẽ được phân phối vào cuối mỗi chu kỳ.
Sự đồng thuận của Yuma là thuật toán cốt lõi được Bittensor sử dụng để đạt được sự phân phối nút công bằng. Đây là một cơ chế đồng thuận kết hợp các yếu tố PoW và PoS. Tương tự như cơ chế đồng thuận chịu lỗi của Byzantine, nếu có đa số người xác thực trung thực trong mạng thì cuối cùng có thể đạt được quyết định chính xác bằng sự đồng thuận.
Root Network là một mạng con đặc biệt, đó là Subnet 0. Theo mặc định, 64 trình xác thực mạng con có số cổ phần lớn nhất trong số tất cả các trình xác thực mạng con trong mạng con là các trình xác thực trong mạng gốc. Các trình xác minh mạng gốc sẽ được đánh giá và xếp hạng dựa trên chất lượng đầu ra của từng Mạng con. Kết quả đánh giá của 64 trình xác minh sẽ được tóm tắt và kết quả phát thải cuối cùng sẽ thu được thông qua thuật toán Đồng thuận Yuma và mỗi Mạng con sẽ được phân bổ mới. lượng khí thải từ kết quả cuối cùng được gửi bởi TAO.
Mặc dù mô hình cạnh tranh mạng con của Bittensor đã cải thiện chất lượng sản phẩm AI nhưng nó cũng phải đối mặt với một số thách thức. Trước hết, cơ chế khuyến khích do chủ sở hữu mạng con thiết lập sẽ quyết định thu nhập của người khai thác và có thể ảnh hưởng trực tiếp đến động lực làm việc của người khai thác. Một vấn đề khác là các trình xác thực xác định việc phân bổ mã thông báo cho từng mạng con, nhưng thiếu động lực rõ ràng để chọn các mạng con có lợi cho năng suất lâu dài của Bittensor. Thiết kế này có thể dẫn đến việc người xác thực thiên vị trong việc chọn các mạng con mà họ có mối quan hệ hoặc những mạng con mang lại lợi ích bổ sung. Để giải quyết vấn đề này, những người đóng góp từ Opentensor Foundation đã đề xuất giải pháp BIT 001: Dynamic TAO, đề xuất sử dụng cơ chế thị trường để xác định việc phân bổ mã thông báo mạng con cho tất cả những người cam kết TAO để cạnh tranh.
Thông tin đội:
Người đồng sáng lập Ala Shaabana là nghiên cứu sinh sau tiến sĩ tại Đại học Waterloo và có nền tảng học thuật về khoa học máy tính. Một người đồng sáng lập khác là Jacob Robert Steeves, tốt nghiệp Đại học Simon Fraser ở Canada, có gần 10 năm kinh nghiệm nghiên cứu về machine learning và từng làm kỹ sư phần mềm tại Google.
Thông tin tài chính:
Ngoài việc nhận được hỗ trợ tài chính từ OpenTensor Foundation, Bittensor còn là tổ chức phi lợi nhuận hỗ trợ Bittensor. Ngoài ra, thông báo cộng đồng của nó đã thông báo rằng các VC tiền điện tử nổi tiếng Pantera và Collab Money đã trở thành chủ sở hữu mã thông báo TAO và sẽ cung cấp nhiều hỗ trợ hơn cho sự phát triển sinh thái của dự án. Một số nhà đầu tư lớn khác là các tổ chức đầu tư và nhà tạo lập thị trường nổi tiếng bao gồm Digital Money Group, Polychain Capital, FirstMark Capital, GSR, v.v.
Talus: Hệ sinh thái đại lý AI trên chuỗi dựa trên Move
Talus Network là một blockchain L1 được xây dựng trên MoveVM, được thiết kế đặc biệt cho các tác nhân AI. Các tác nhân AI này có thể đưa ra quyết định và thực hiện hành động dựa trên các mục tiêu được xác định trước, đạt được các tương tác giữa các chuỗi trơn tru và có thể kiểm chứng được. Người dùng có thể sử dụng các công cụ phát triển do Talus cung cấp để nhanh chóng xây dựng các tác nhân AI và tích hợp chúng vào hợp đồng thông minh. Talus cũng cung cấp một thị trường AI mở cho các tài nguyên như mô hình AI, dữ liệu và sức mạnh tính toán. Người dùng có thể tham gia dưới nhiều hình thức khác nhau và mã hóa những đóng góp và tài sản của họ.
Một tính năng độc đáo của Talus là khả năng thực thi song song và thực thi an toàn. Với việc nhận vốn và mở rộng các dự án chất lượng cao trong hệ sinh thái Move, điểm nổi bật kép của Talus là thực thi an toàn dựa trên Move và hợp đồng thông minh tích hợp tác nhân AI dự kiến sẽ thu hút sự chú ý rộng rãi trên thị trường. Đồng thời, sự tương tác đa chuỗi được Talus hỗ trợ cũng có thể nâng cao hiệu quả của các tác nhân AI và thúc đẩy sự thịnh vượng của AI trên các chuỗi khác.
Theo thông tin chính thức của Twitter, Talus gần đây đã ra mắt Nexus - khung đại lý AI tự động hoàn toàn trên chuỗi đầu tiên, mang lại cho Talus lợi thế đi đầu trong lĩnh vực công nghệ AI phi tập trung và mang lại cho nó lợi thế cạnh tranh trong ngành công nghiệp blockchain đang phát triển nhanh chóng Chuỗi AI mang lại khả năng cạnh tranh quan trọng trên thị trường. Nexus trao quyền cho các nhà phát triển tạo ra trợ lý kỹ thuật số được hỗ trợ bởi AI trên mạng Talus, đảm bảo khả năng chống kiểm duyệt, tính minh bạch và khả năng kết hợp. Không giống như các giải pháp AI tập trung, thông qua Nexus, người tiêu dùng có thể tận hưởng các dịch vụ thông minh được cá nhân hóa, quản lý tài sản kỹ thuật số một cách an toàn, tự động hóa các tương tác và nâng cao trải nghiệm kỹ thuật số hàng ngày của họ.
Là bộ công cụ dành cho nhà phát triển đầu tiên dành cho các đại lý trên chuỗi, Nexus cung cấp nền tảng để xây dựng thế hệ ứng dụng AI tiền điện tử tiêu dùng tiếp theo. Nexus cung cấp một loạt công cụ, tài nguyên và tiêu chuẩn để giúp các nhà phát triển tạo ra các tác nhân có thể thực hiện ý định của người dùng và liên lạc với nhau trên chuỗi Talus. Trong số đó, Nexus Python SDK thu hẹp khoảng cách giữa phát triển AI và blockchain, cho phép các nhà phát triển AI dễ dàng bắt đầu mà không cần học lập trình hợp đồng thông minh. Talus cung cấp các công cụ phát triển thân thiện với người dùng và một loạt cơ sở hạ tầng, hứa hẹn sẽ trở thành nền tảng lý tưởng để các nhà phát triển đổi mới.
Như được hiển thị trong Hình 5, kiến trúc cơ bản của Talus dựa trên thiết kế mô-đun và có tính linh hoạt của các tài nguyên ngoài chuỗi và tương tác đa chuỗi. Dựa trên thiết kế độc đáo của Talus, một hệ sinh thái đại lý thông minh trên chuỗi thịnh vượng được hình thành.
Giao thức là cốt lõi của Talus, cung cấp cơ sở cho sự đồng thuận, thực thi và khả năng tương tác. Trên cơ sở này, các tác nhân thông minh trên chuỗi có thể được xây dựng để sử dụng các tài nguyên ngoài chuỗi và các chức năng chuỗi chéo.
Nút Protochain: Nút chuỗi khối PoS dựa trên Cosmos SDK và CometBFT có thiết kế mô-đun và các tính năng có khả năng mở rộng cao CometBFT dựa trên thuật toán đồng thuận chịu lỗi Byzantine, có hiệu suất cao và đặc tính độ trễ thấp, đồng thời cung cấp khả năng bảo mật và lỗi mạnh mẽ. dung sai, có thể tiếp tục hoạt động bình thường ngay cả khi một số nút bị lỗi hoặc có hành vi nguy hiểm.
Sui Move và MoveVM: Sử dụng Sui Move làm ngôn ngữ hợp đồng thông minh, thiết kế của ngôn ngữ Move vốn đã tăng cường bảo mật bằng cách loại bỏ các lỗ hổng nghiêm trọng như tấn công truy cập lại, thiếu kiểm tra kiểm soát truy cập để sở hữu đối tượng và tràn/tràn số học bất ngờ. Kiến trúc của Move VM hỗ trợ xử lý song song hiệu quả, cho phép Talus mở rộng quy mô bằng cách xử lý nhiều giao dịch cùng lúc mà không làm mất đi tính bảo mật hoặc tính toàn vẹn.
IBC (Giao thức truyền thông liên chuỗi khối):
Khả năng tương tác: IBC tạo điều kiện cho khả năng tương tác liền mạch giữa các chuỗi khối khác nhau, cho phép các tác nhân thông minh tương tác và tận dụng dữ liệu hoặc tài sản trên nhiều chuỗi.
Tính nguyên tử chuỗi chéo: IBC hỗ trợ các giao dịch nguyên tử chuỗi chéo, một tính năng rất quan trọng để duy trì tính nhất quán và độ tin cậy của các hoạt động được thực hiện bởi các tác nhân thông minh, đặc biệt là trong các ứng dụng tài chính hoặc quy trình công việc phức tạp.
Khả năng mở rộng thông qua sharding: IBC gián tiếp hỗ trợ khả năng mở rộng thông qua sharding bằng cách cho phép các tác nhân thông minh hoạt động trên nhiều chuỗi khối. Mỗi blockchain có thể được xem như một phân đoạn xử lý một tập hợp con các giao dịch, do đó giảm tải cho bất kỳ chuỗi đơn lẻ nào. Điều này cho phép các tác nhân thông minh quản lý và thực hiện các nhiệm vụ theo cách phân tán và có thể mở rộng hơn.
Khả năng tùy chỉnh và chuyên môn hóa: Với IBC, các chuỗi khối khác nhau có thể tập trung vào các tính năng hoặc tối ưu hóa cụ thể. Ví dụ: một tác nhân thông minh có thể sử dụng một chuỗi để thực hiện các giao dịch nhanh nhằm xử lý thanh toán và một chuỗi khác dành riêng cho việc lưu trữ dữ liệu an toàn để lưu giữ hồ sơ.
Bảo mật và cách ly: IBC duy trì tính bảo mật và cách ly giữa các chuỗi, điều này có lợi cho các tác nhân thông minh xử lý các hoạt động hoặc dữ liệu nhạy cảm. Vì IBC đảm bảo xác minh an toàn các giao dịch và liên lạc giữa các chuỗi nên các đại lý thông minh có thể hoạt động tự tin giữa các chuỗi khác nhau mà không ảnh hưởng đến bảo mật.
Đối tượng gương:
Để thể hiện thế giới ngoài chuỗi trong kiến trúc trên chuỗi, các đối tượng nhân bản chủ yếu được sử dụng để xác minh và liên kết các tài nguyên AI, chẳng hạn như: bằng chứng và biểu diễn tính duy nhất của tài nguyên, khả năng giao dịch tài nguyên ngoài chuỗi, đại diện chứng chỉ quyền sở hữu hoặc xác minh quyền sở hữu. .
Đối tượng gương bao gồm ba loại đối tượng gương khác nhau: đối tượng mô hình, đối tượng dữ liệu và đối tượng tính toán.
Đối tượng mô hình: Chủ sở hữu mô hình có thể giới thiệu các mô hình AI của họ vào hệ sinh thái thông qua cơ quan đăng ký mô hình chuyên dụng, chuyển đổi các mô hình ngoài chuỗi thành chuỗi. Các đối tượng mô hình gói gọn bản chất và khả năng của mô hình, với các khung quyền sở hữu, quản lý và kiếm tiền được xây dựng trực tiếp trên đó. Đối tượng mô hình là một tài sản linh hoạt có thể được nâng cao khả năng thông qua các quy trình tinh chỉnh bổ sung hoặc, nếu cần, được định hình lại hoàn toàn thông qua đào tạo mở rộng để đáp ứng các nhu cầu cụ thể.
Đối tượng dữ liệu: Đối tượng dữ liệu (hoặc tập dữ liệu) tồn tại dưới dạng biểu diễn kỹ thuật số của một tập dữ liệu duy nhất do ai đó sở hữu. Đối tượng này có thể được tạo, chuyển giao, cấp phép hoặc chuyển đổi thành nguồn dữ liệu mở.
Đối tượng tính toán: Bên mua đề xuất nhiệm vụ tính toán với chủ sở hữu đối tượng, chủ sở hữu đối tượng sau đó cung cấp kết quả tính toán và các chứng minh tương ứng. Người mua giữ một khóa có thể được sử dụng để giải mã lời hứa và xác minh kết quả.
Ngăn xếp AI:
Talus cung cấp SDK và các thành phần tích hợp để hỗ trợ phát triển các tác nhân thông minh và tương tác với các tài nguyên ngoài chuỗi. Ngăn xếp AI cũng bao gồm việc tích hợp với Oracles, đảm bảo các tác nhân thông minh có thể tận dụng dữ liệu ngoài chuỗi để ra quyết định và phản ứng.
Đại lý thông minh trên chuỗi:
Talus cung cấp một hệ thống kinh tế gồm các tác nhân thông minh có thể hoạt động tự chủ, đưa ra quyết định, thực hiện giao dịch và tương tác với các tài nguyên trên chuỗi và ngoài chuỗi.
Các tác nhân thông minh có quyền tự chủ, khả năng xã hội, khả năng phản ứng và sáng kiến. Tính tự chủ cho phép nó hoạt động mà không cần sự can thiệp của con người, khả năng xã hội cho phép nó tương tác với các tác nhân và con người khác, đồng thời khả năng phản ứng cho phép nó cảm nhận được những thay đổi của môi trường và phản ứng kịp thời (Talus hỗ trợ các tác nhân phản ứng với các sự kiện trong chuỗi và ngoài chuỗi thông qua người nghe) , tính chủ động cho phép nó thực hiện hành động dựa trên mục tiêu, dự đoán hoặc trạng thái dự kiến trong tương lai.
Ngoài kiến trúc và cơ sở hạ tầng phát triển cho hàng loạt tác nhân thông minh do Talus cung cấp, các tác nhân AI được xây dựng trên Talus còn hỗ trợ nhiều loại lý luận AI có thể kiểm chứng (opML, zkML, v.v.) để đảm bảo tính minh bạch và độ tin cậy của lý luận AI. Talus có một bộ cơ sở được thiết kế đặc biệt cho các tác nhân AI có thể thực hiện các chức năng ánh xạ và tương tác đa chuỗi giữa các tài nguyên trên chuỗi và ngoài chuỗi.
Hệ sinh thái đại lý AI trên chuỗi do Talus đưa ra có ý nghĩa rất lớn đối với sự phát triển của các công nghệ tích hợp với AI và blockchain, nhưng vẫn còn khó thực hiện. Cơ sở hạ tầng của Talus cho phép tính linh hoạt và khả năng tương tác trong việc phát triển các tác nhân AI, nhưng khi ngày càng có nhiều tác nhân AI chạy trên chuỗi Talus, vẫn còn phải xem liệu khả năng tương tác và hiệu quả giữa các tác nhân này có thể đáp ứng nhu cầu nghiên cứu của người dùng hay không. Talus hiện vẫn đang trong giai đoạn mạng thử nghiệm riêng tư và liên tục được phát triển và cập nhật. Dự kiến Talus có thể thúc đẩy sự phát triển hơn nữa của hệ sinh thái tác nhân AI trên chuỗi trong tương lai.
Thông tin đội:
Mike Hanono là người sáng lập và CEO của Talus Network. Ông có bằng cử nhân về kỹ thuật công nghiệp và hệ thống và bằng thạc sĩ về khoa học dữ liệu ứng dụng của Đại học Nam California. Ông đã tham gia dự án Trường Kinh doanh Wharton tại Đại học Pennsylvania và có nhiều kinh nghiệm về phân tích dữ liệu, phát triển phần mềm và. quản lý dự án.
Thông tin tài chính:
Vào tháng 2 năm nay, Talus đã hoàn thành vòng tài trợ đầu tiên trị giá 3 triệu USD, dẫn đầu là Polychain Capital, với sự tham gia của Dao 5, Hash 3, TRGC, WAGMI Ventures, Inception Capital, v.v. Các nhà đầu tư thiên thần chủ yếu đến từ Nvidia, IBM, Màu xanh lam 7. Vốn tượng trưng và mạng kết xuất.
ORA: nền tảng của AI có thể xác minh trên chuỗi
Sản phẩm OAO (oracle AI trên chuỗi) của ORA là oracle AI đầu tiên trên thế giới sử dụng opML, có thể đưa các kết quả suy luận AI ngoài chuỗi vào chuỗi. Điều này có nghĩa là hợp đồng thông minh có thể triển khai các chức năng AI trên chuỗi bằng cách tương tác với OAO. Ngoài ra, oracle AI của ORA có thể được tích hợp liền mạch với Bản phát hành mô hình ban đầu (IMO) để cung cấp các dịch vụ AI trên chuỗi toàn quy trình.
ORA có lợi thế tiên phong về cả công nghệ và thị trường. Là một nhà tiên tri AI không đáng tin cậy trên Ethereum, nó sẽ có tác động sâu sắc đến cơ sở người dùng rộng rãi của mình. Dự kiến, các kịch bản ứng dụng AI sáng tạo hơn sẽ xuất hiện trong tương lai. Các nhà phát triển hiện có thể sử dụng các mô hình do ORA cung cấp để triển khai lý luận phi tập trung trong hợp đồng thông minh và xây dựng các ứng dụng AI có thể kiểm chứng trên Ethereum, Arbitrum, Optimism, Base, Polygon, Linea và Manta. Ngoài việc cung cấp dịch vụ xác minh cho suy luận AI, ORA còn cung cấp dịch vụ phân phối mô hình (IMO) để thúc đẩy sự đóng góp của các mô hình nguồn mở.
Hai sản phẩm chính của ORA là: Bản phát hành mô hình ban đầu (IMO) và Oracle AI trên chuỗi (OAO). Cả hai sản phẩm này hoàn toàn phù hợp với nhau để đạt được việc mua lại các mô hình AI trên chuỗi và xác minh lý luận AI.
IMO khuyến khích đóng góp nguồn mở dài hạn bằng cách mã hóa quyền sở hữu các mô hình AI nguồn mở và chủ sở hữu mã thông báo sẽ nhận được một phần doanh thu được tạo ra từ việc sử dụng mô hình trên chuỗi. ORA cũng cung cấp kinh phí cho các nhà phát triển AI và khuyến khích cộng đồng và những người đóng góp nguồn mở.
OAO mang lại lý luận AI có thể kiểm chứng được trên chuỗi. ORA giới thiệu opML như một lớp xác minh cho các oracle AI. Tương tự như quy trình làm việc của OP Rollup, người xác thực hoặc bất kỳ người tham gia mạng nào cũng có thể kiểm tra kết quả trong thời gian thử thách. Nếu thử thách thành công, kết quả lỗi sẽ được cập nhật trên chuỗi sau thời gian thử thách, kết quả là cuối cùng và không thể thay đổi. .
Để xây dựng một mạng oracle phi tập trung và có thể kiểm chứng, điều quan trọng là phải đảm bảo tính hợp lệ tính toán của các kết quả trên blockchain. Quá trình này bao gồm một hệ thống chứng minh đảm bảo các tính toán là đáng tin cậy và đúng sự thật.
Để đạt được mục đích này, ORA cung cấp ba khung hệ thống chứng nhận:
OpML của AI Oracle (hiện tại AI oracle của ORA đã hỗ trợ opML)
zkML dành cho máy ảnh 2c ircom (khung zkML hoàn thiện và hiệu suất cao)
zk+opML, kết hợp tính bảo mật của zkML và khả năng mở rộng của opML, hiện thực hóa các giải pháp AI trên chuỗi trong tương lai thông qua opp/ai
opML:
opML (Học máy lạc quan), được phát minh và phát triển bởi ORA, kết hợp học máy với công nghệ chuỗi khối. Bằng cách tận dụng các nguyên tắc Tổng hợp lạc quan tương tự, opML đảm bảo hiệu quả tính toán theo cách phi tập trung. Khung này cho phép xác minh trên chuỗi các tính toán AI, tăng tính minh bạch và thúc đẩy niềm tin vào các suy luận của máy học.
Để đảm bảo tính bảo mật và chính xác, opML sử dụng các cơ chế chống gian lận sau:
Gửi kết quả: Nhà cung cấp dịch vụ (người gửi) thực hiện các phép tính học máy ngoài chuỗi và gửi kết quả lên blockchain.
Thời gian xác thực: Người xác thực (hoặc người thách thức) có một khoảng thời gian được xác định trước (thời gian thử thách) để xác minh tính chính xác của kết quả đã gửi.
Giải quyết tranh chấp: Nếu người xác nhận phát hiện ra kết quả không chính xác, họ sẽ bắt đầu trò chơi tranh chấp tương tác. Trò chơi tranh chấp này xác định một cách hiệu quả bước tính toán chính xác mà tại đó xảy ra lỗi.
Xác minh trên chuỗi: Chỉ các bước tính toán gây tranh cãi mới được xác minh trên chuỗi thông qua Máy ảo chống gian lận (FPVM), do đó giảm thiểu việc sử dụng tài nguyên.
Quyết toán: Nếu không có tranh chấp nào xảy ra trong quá trình thử thách hoặc nếu tranh chấp được giải quyết, kết quả sẽ được quyết định cuối cùng trên blockchain.
OpML do ORA giới thiệu cho phép thực hiện các phép tính ngoài chuỗi trong một môi trường được tối ưu hóa và chỉ những dữ liệu nhỏ nhất mới được xử lý trên chuỗi trong các tranh chấp. Tránh yêu cầu tạo bằng chứng tốn kém cho máy học không kiến thức (zkML) và giảm chi phí tính toán. Phương pháp này có thể xử lý các phép tính quy mô lớn mà các phương pháp trên chuỗi truyền thống khó thực hiện được.
máy ảnh 2c ircom (zkML):
zkML là một khung bằng chứng sử dụng bằng chứng không có kiến thức để xác minh kết quả suy luận học máy trên chuỗi. Do tính riêng tư của nó, nó có thể bảo vệ dữ liệu riêng tư và các tham số mô hình trong quá trình đào tạo và suy luận, từ đó giải quyết các vấn đề về quyền riêng tư. Vì việc tính toán zkML thực tế được hoàn thành ngoài chuỗi và trên chuỗi chỉ cần xác minh tính hợp lệ của kết quả nên tải tính toán trên chuỗi sẽ giảm.
Keras 2C ircom, do ORA xây dựng, là khung zkML cấp cao, được thử nghiệm trong trận chiến đầu tiên. Theo thử nghiệm điểm chuẩn của các khung zkML hàng đầu theo Đề xuất tài trợ ESP của Quỹ Ethereum [năm tài chính 23 – 1290], Keras 2C ircom và circomlib-ml cơ bản của nó đã được chứng minh là có hiệu suất cao hơn các khung khác.
opp/ai (opML + zkML):
ORA cũng đề xuất OPP/AI (AI bảo vệ quyền riêng tư lạc quan trên Blockchain), tích hợp máy học không kiến thức (zkML) để đảm bảo quyền riêng tư và máy học lạc quan (opML) để cải thiện hiệu quả, tạo ra một mô hình lai phù hợp với AI trên chuỗi. Bằng cách phân vùng chiến lược các mô hình học máy (ML), opp/ai cân bằng hiệu quả tính toán và quyền riêng tư dữ liệu, cho phép các dịch vụ AI trên chuỗi an toàn và hiệu quả.
opp/ai chia mô hình ML thành nhiều mô hình con dựa trên yêu cầu về quyền riêng tư: mô hình con zkML được sử dụng để xử lý dữ liệu nhạy cảm hoặc các thành phần của thuật toán độc quyền và được thực thi bằng cách sử dụng bằng chứng không có kiến thức để đảm bảo tính bảo mật của dữ liệu và mô hình; mô hình con opML được sử dụng cho các Thành phần ưu tiên hiệu quả hơn quyền riêng tư. Thực thi bằng cách sử dụng phương pháp lạc quan của opML để đạt hiệu quả tối đa.
Tóm lại, ORA đề xuất một cách sáng tạo ba khung chứng nhận: opML, zkML và opp/ai (opML kết hợp với zkML). Các khung chứng nhận đa dạng này nâng cao tính riêng tư và hiệu quả tính toán của dữ liệu, đồng thời mang lại lợi ích cho các ứng dụng blockchain. Tính linh hoạt và bảo mật cao hơn.
Là nhà tiên tri AI đầu tiên, ORA có tiềm năng rất lớn và trí tưởng tượng rộng lớn. ORA đã công bố nhiều nghiên cứu và kết quả chứng minh những ưu điểm của công nghệ của mình. Tuy nhiên, quá trình lý luận của các mô hình AI có độ phức tạp nhất định và chi phí xác minh liệu tốc độ lý luận của AI trên chuỗi có đáp ứng được nhu cầu của người dùng hay không đã trở thành một câu hỏi cần được xác minh. Sau khi xác minh theo thời gian và liên tục tối ưu hóa trải nghiệm người dùng, các sản phẩm AI như vậy có thể là một công cụ tuyệt vời để nâng cao hiệu quả của Dapps trên chuỗi.
Thông tin đội:
Người đồng sáng lập Kartin tốt nghiệp Đại học Arizona với chuyên ngành khoa học máy tính. Ông từng giữ chức vụ lãnh đạo kỹ thuật tại Tiktok và kỹ sư phần mềm tại Google.
Nhà khoa học trưởng Cathie có bằng thạc sĩ về khoa học máy tính tại Đại học Nam California, bằng tiến sĩ về tâm lý học và khoa học thần kinh tại Đại học Hồng Kông và là nhà nghiên cứu zkML tại Ethereum Foundation.
Thông tin tài chính:
Vào ngày 26 tháng 6 năm nay, ORA đã công bố hoàn thành khoản tài trợ 20 triệu nhân dân tệ. Các tổ chức đầu tư bao gồm: Polychain Capital, HF 0, Hashkey Capital, SevenX Ventures và Geekcartel.
Grass: lớp dữ liệu của mô hình AI
Grass tập trung vào việc chuyển đổi dữ liệu mạng công cộng thành bộ dữ liệu AI. Mạng của Grass sử dụng băng thông dư thừa của người dùng để thu thập dữ liệu từ Internet mà không thu thập thông tin cá nhân, riêng tư của người dùng. Loại dữ liệu mạng này không thể thiếu đối với sự phát triển của các mô hình và hoạt động trí tuệ nhân tạo trong nhiều ngành công nghiệp khác. Người dùng có thể chạy các nút và kiếm điểm Grass và việc chạy một nút trên Grass cũng dễ dàng như đăng ký và cài đặt tiện ích mở rộng của Chrome.
Grass liên kết những người yêu cầu AI và nhà cung cấp dữ liệu, tạo ra tình thế đôi bên cùng có lợi là các thao tác cài đặt đơn giản và kỳ vọng phát sóng trong tương lai sẽ thúc đẩy đáng kể sự tham gia của người dùng, điều này cũng cung cấp cho người yêu cầu nhiều nguồn dữ liệu hơn. Với tư cách là nhà cung cấp dữ liệu, người dùng không cần thực hiện các cài đặt và hành động phức tạp, đồng thời có thể thực hiện thu thập, làm sạch dữ liệu và các hoạt động khác mà người dùng không hề biết. Ngoài ra, không có yêu cầu đặc biệt nào đối với thiết bị, điều này làm giảm ngưỡng người dùng tham gia và cơ chế mời của nó cũng thúc đẩy hiệu quả nhiều người dùng tham gia nhanh chóng hơn.
Bởi vì Grass cần thực hiện các thao tác thu thập dữ liệu để đạt được hàng chục triệu yêu cầu web mỗi phút. Những điều này sẽ cần phải được xác minh, điều này sẽ yêu cầu nhiều thông lượng hơn bất kỳ L1 nào có thể cung cấp và nhóm Grass đã công bố kế hoạch vào tháng 3 để xây dựng Rollup như một cách hỗ trợ người dùng và nhà xây dựng trong việc xác minh nguồn gốc dữ liệu. Kế hoạch là xử lý hàng loạt siêu dữ liệu để xác minh thông qua bộ xử lý ZK và bằng chứng về siêu dữ liệu của từng tập dữ liệu sẽ được lưu trữ trên lớp xử lý của Solana và tạo sổ cái dữ liệu.
Như được hiển thị trong hình, khách hàng thực hiện các yêu cầu web, đi qua trình xác thực và cuối cùng được chuyển đến nút Grass. Máy chủ của trang web sẽ phản hồi yêu cầu trang web, cho phép thu thập dữ liệu và trả về dữ liệu của nó. Mục đích của bộ xử lý ZK là giúp ghi lại nguồn gốc của các tập dữ liệu được thu thập trên mạng Grass. Điều này có nghĩa là mỗi khi một nút thu thập dữ liệu trên mạng, chúng có thể nhận được phần thưởng mà không tiết lộ bất kỳ thông tin nhận dạng nào về bản thân. Sau khi được đưa vào sổ cái dữ liệu, dữ liệu thu thập được sẽ được làm sạch và cấu trúc thông qua mô hình nhúng biểu đồ (Edge Embedding) để đào tạo AI.
Tóm lại, Grass cho phép người dùng đóng góp băng thông dư thừa và thu thập dữ liệu mạng để kiếm thu nhập thụ động đồng thời bảo vệ quyền riêng tư cá nhân. Thiết kế này không chỉ mang lại lợi ích kinh tế cho người dùng mà còn cung cấp cho các công ty AI một phương pháp phi tập trung để có được lượng lớn dữ liệu thực.
Mặc dù Grass đã hạ thấp đáng kể ngưỡng tham gia của người dùng và có lợi cho việc cải thiện sự tham gia của người dùng, nhưng nhóm dự án cần cân nhắc rằng sự tham gia của người dùng thực và sự tràn vào của băng đảng len có thể mang lại một lượng lớn thông tin spam, điều này sẽ làm tăng gánh nặng xử lý dữ liệu. Vì vậy, các bên tham gia dự án cần thiết lập cơ chế ưu đãi và dữ liệu về giá hợp lý để có được dữ liệu thực sự có giá trị. Đây là yếu tố ảnh hưởng quan trọng đối với cả các bên tham gia dự án và người sử dụng. Nếu người dùng nhầm lẫn hoặc không công bằng về việc phân bổ airdrop, họ có thể mất niềm tin vào phía dự án, từ đó ảnh hưởng đến sự đồng thuận và phát triển của dự án.
Thông tin đội:
Người sáng lập, Tiến sĩ Andrej, tốt nghiệp Đại học York ở Canada, chuyên ngành điện toán và toán ứng dụng. Giám đốc Công nghệ Chris Nguyễn có nhiều năm kinh nghiệm xử lý dữ liệu và công ty dữ liệu do ông thành lập đã giành được nhiều danh hiệu, bao gồm Giải thưởng Xuất sắc về Điện toán đám mây của IBM, Top 30 Công nghệ Doanh nghiệp và Danh sách 100 Ngôi sao Mới nổi của Forbes.
Thông tin tài chính:
Grass là sản phẩm đầu tiên được nhóm Wynd Network ra mắt. Nhóm này đã hoàn thành vòng tài trợ ban đầu trị giá 3,5 triệu đô la do Polychain Capital và Tribe Capital dẫn đầu vào tháng 12 năm 2023. Bitscale, Big Brain, Advisors Anonymous, Typhon V, Mozaik, v.v. . Trước đây, No Limit Holdings đã dẫn đầu vòng cấp vốn Pre-see, với tổng số vốn tài trợ đạt 4,5 triệu USD.
Vào tháng 9 năm nay, Grass đã hoàn thành khoản tài trợ Series A, do Hack VC dẫn đầu, với sự tham gia của Polychain, Delphi Digital, Brevan Howard Digital, quỹ Lattice, v.v. Số tiền tài trợ không được tiết lộ.
IO.NET: Nền tảng tài nguyên điện toán phi tập trung
IO.NET tổng hợp các tài nguyên điện toán mạng nhàn rỗi trên toàn thế giới bằng cách xây dựng mạng GPU phi tập trung trên Solana. Điều này cho phép các kỹ sư AI có được tài nguyên điện toán GPU mà họ cần với chi phí thấp hơn, dễ tiếp cận hơn và linh hoạt hơn. Các nhóm ML có thể xây dựng quy trình đào tạo mô hình và phục vụ suy luận trên các mạng GPU phân tán.
IO.NET không chỉ mang lại thu nhập cho người dùng có khả năng tính toán nhàn rỗi mà còn giảm đáng kể gánh nặng sức mạnh tính toán của các nhóm hoặc cá nhân nhỏ. Với thông lượng cao và hiệu quả thực thi hiệu quả của Solana, nó có những lợi thế vốn có cho việc lập lịch mạng GPU.
IO.NET đã nhận được rất nhiều sự quan tâm và ưa chuộng của các tổ chức hàng đầu kể từ khi ra mắt. Theo CoinMarketCap, tính đến ngày 17 tháng 10, giá trị thị trường của token đã vượt quá 220 triệu USD và FDV đã vượt quá 1,47 tỷ USD.
Một trong những công nghệ cốt lõi của IO.NET là IO-SDK, dựa trên một nhánh chuyên dụng của Ray. (Ray là một khung nguồn mở được OpenAI sử dụng để mở rộng quy mô các ứng dụng AI và Python như học máy thành các cụm để xử lý số lượng lớn các phép tính). Tận dụng tính song song vốn có của Ray, IO-SDK có thể song song hóa các hàm Python và cũng hỗ trợ tích hợp với các khung ML chính thống như PyTorch và TensorFlow. Bộ lưu trữ trong bộ nhớ của nó cho phép chia sẻ dữ liệu nhanh chóng giữa các tác vụ, loại bỏ sự chậm trễ trong quá trình tuần tự hóa.
Thành phần sản phẩm:
Đám mây IO: Được thiết kế để triển khai và quản lý các cụm GPU phi tập trung theo yêu cầu, tích hợp liền mạch với IO-SDK để cung cấp giải pháp toàn diện để mở rộng ứng dụng AI và Python. Cung cấp sức mạnh tính toán đồng thời đơn giản hóa việc triển khai và quản lý tài nguyên GPU/CPU. Giảm rủi ro tiềm ẩn thông qua tường lửa, kiểm soát truy cập và thiết kế mô-đun, đồng thời tách biệt các chức năng khác nhau để tăng cường bảo mật.
IO Worker: Người dùng có thể quản lý hoạt động của nút GPU thông qua giao diện ứng dụng web này. Bao gồm các tính năng như giám sát hoạt động điện toán, theo dõi nhiệt độ và mức tiêu thụ điện năng, hỗ trợ cài đặt, các biện pháp bảo mật và hồ sơ doanh thu.
IO Explorer: Chủ yếu cung cấp cho người dùng số liệu thống kê và trực quan hóa toàn diện về tất cả các khía cạnh của đám mây GPU, cho phép người dùng xem các hoạt động mạng, số liệu thống kê chính, điểm dữ liệu và giao dịch thưởng trong thời gian thực.
ID IO: Người dùng có thể xem trạng thái tài khoản cá nhân, bao gồm hoạt động địa chỉ ví, số dư ví và thu nhập Yêu cầu, v.v.
IO Coin: Hỗ trợ người dùng xem trạng thái token của IO.NET.
BC 8.AI: Đây là trang web tạo hình ảnh AI được hỗ trợ bởi IO.NET Người dùng có thể hiện thực hóa quy trình tạo hình ảnh AI từ văn bản đến hình ảnh.
IO.NET sử dụng sức mạnh tính toán nhàn rỗi từ các công cụ khai thác tiền điện tử, các dự án như Filecoin và Render cũng như sức mạnh tính toán nhàn rỗi khác để tổng hợp hơn một triệu tài nguyên GPU, cho phép các kỹ sư hoặc nhóm trí tuệ nhân tạo tùy chỉnh và mua dịch vụ điện toán GPU theo nhu cầu riêng của họ. Bằng cách sử dụng các tài nguyên điện toán nhàn rỗi trên khắp thế giới, người dùng cung cấp sức mạnh tính toán có thể mã hóa thu nhập của họ. IO.NET không chỉ tối ưu hóa việc sử dụng tài nguyên mà còn giảm chi phí tính toán cao và thúc đẩy phạm vi ứng dụng điện toán và AI rộng hơn.
Là một nền tảng sức mạnh tính toán phi tập trung, IO.NET nên tập trung vào trải nghiệm người dùng, sự phong phú của tài nguyên sức mạnh tính toán cũng như việc lập kế hoạch và giám sát các tài nguyên. Đây là những con chip quan trọng để giành chiến thắng trong cuộc đua sức mạnh tính toán phi tập trung. Tuy nhiên, trước đây đã có tranh cãi về các vấn đề lập kế hoạch nguồn lực và một số người đặt câu hỏi về sự không khớp giữa việc lập kế hoạch nguồn lực và đơn đặt hàng của người dùng. Mặc dù chúng tôi không thể chắc chắn về tính xác thực của vấn đề này, nhưng nó cũng nhắc nhở các dự án liên quan rằng họ nên chú ý đến việc tối ưu hóa các khía cạnh này và cải thiện trải nghiệm người dùng. Nếu không có sự hỗ trợ của người dùng, những sản phẩm tinh tế chỉ là những chiếc bình hoa.
Thông tin đội:
Người sáng lập, Ahmad Shadid, trước đây là kỹ sư hệ thống định lượng tại WhalesTrader; ông từng là người đóng góp và cố vấn của Ethereum Foundation. Giám đốc Công nghệ Gaurav Sharma trước đây từng giữ vị trí kỹ sư phát triển cấp cao tại Amazon, kiến trúc sư tại eBay và bộ phận kỹ thuật của Binance.
Thông tin tài chính:
Vào ngày 1 tháng 5 năm 2023, chính thức thông báo rằng họ đã hoàn thành vòng tài trợ ban đầu trị giá 10 triệu đô la Mỹ;
Vào ngày 5 tháng 3 năm 2024, có thông báo rằng họ đã hoàn thành khoản tài trợ Series A trị giá 30 triệu đô la Mỹ, dẫn đầu bởi Hack VC, Multicoin Capital, 6th Man Ventures, M 13, Delphi Digital, Solana Labs, Aptos Labs, Foresight Ventures, Longhash, SevenX, ArkStream, Animoca Brands, Continue Capital, MH Ventures, Sandbox Games và những người khác đã tham gia.
MyShell: Nền tảng đại lý AI kết nối người tiêu dùng và người sáng tạo
MyShell là lớp người tiêu dùng AI phi tập trung, kết nối người tiêu dùng, người sáng tạo và nhà nghiên cứu nguồn mở. Người dùng có thể sử dụng các tác nhân AI do nền tảng cung cấp hoặc xây dựng các tác nhân hoặc ứng dụng AI của riêng họ trên nền tảng phát triển MyShell. MyShell cung cấp một thị trường mở để người dùng tự do giao dịch các đại lý AI. Trong cửa hàng AIpp của MyShell, bạn có thể thấy nhiều loại đại lý AI, bao gồm bạn đồng hành ảo, trợ lý giao dịch và đại lý loại AIGC.
Là giải pháp thay thế cho nhiều loại chatbot AI khác nhau như ChatGPT ngưỡng thấp, MyShell cung cấp nhiều nền tảng chức năng AI, hạ thấp ngưỡng cho người dùng sử dụng các mô hình và tác nhân AI, cho phép người dùng có được trải nghiệm AI toàn diện. Ví dụ: người dùng có thể muốn sử dụng Claude để tổ chức tài liệu và tối ưu hóa văn bản, trong khi sử dụng Midjourney để tạo hình ảnh chất lượng cao. Thông thường, điều này yêu cầu người dùng phải đăng ký nhiều tài khoản trên các nền tảng khác nhau và trả phí cho một số dịch vụ. MyShell cung cấp dịch vụ một cửa, cung cấp hạn ngạch AI miễn phí hàng ngày và người dùng không cần phải đăng ký và thanh toán nhiều lần.
Ngoài ra, một số sản phẩm AI có những hạn chế ở một số khu vực, nhưng trên nền tảng MyShell, người dùng thường có thể sử dụng trơn tru nhiều dịch vụ AI khác nhau, do đó cải thiện đáng kể trải nghiệm người dùng. Những ưu điểm này của MyShell khiến nó trở thành lựa chọn lý tưởng cho trải nghiệm người dùng, cung cấp cho người dùng trải nghiệm dịch vụ AI thuận tiện, hiệu quả và liền mạch.
Hệ sinh thái MyShell được xây dựng trên ba thành phần cốt lõi:
Các mô hình AI tự phát triển: MyShell đã phát triển nhiều mô hình AI nguồn mở, bao gồm AIGC và các mô hình ngôn ngữ lớn mà người dùng có thể sử dụng trực tiếp. Bạn cũng có thể tìm thêm các mô hình nguồn mở trên Github chính thức.
Nền tảng phát triển AI mở: Người dùng có thể dễ dàng xây dựng các ứng dụng AI. Nền tảng MyShell cho phép người sáng tạo tận dụng các mô hình khác nhau và tích hợp các API bên ngoài. Với quy trình phát triển gốc và bộ công cụ mô-đun, người sáng tạo có thể nhanh chóng chuyển đổi ý tưởng của mình thành các ứng dụng AI chức năng, từ đó thúc đẩy đổi mới.
Hệ sinh thái khuyến khích công bằng: Phương pháp khuyến khích của MyShell khuyến khích người dùng tạo nội dung đáp ứng sở thích cá nhân của họ. Người sáng tạo có thể kiếm được phần thưởng từ nền tảng gốc khi sử dụng ứng dụng họ xây dựng cũng như nhận được tiền tài trợ từ người tiêu dùng.
Trong MyShells Workshop, bạn có thể thấy rằng người dùng có thể xây dựng robot AI ở ba chế độ. Cả nhà phát triển chuyên nghiệp và người dùng thông thường đều có thể phù hợp với chế độ thích hợp. Sử dụng chế độ cổ điển để đặt các thông số và hướng dẫn mô hình được tích hợp vào phần mềm truyền thông xã hội; người dùng tải lên các tệp mô hình của riêng họ; chế độ ShellAgent có thể được sử dụng để xây dựng robot AI ở dạng không cần mã hóa.
MyShell kết hợp khái niệm phân cấp và công nghệ AI, đồng thời cam kết cung cấp một hệ sinh thái mở, linh hoạt và khuyến khích công bằng cho người tiêu dùng, người sáng tạo và nhà nghiên cứu. Thông qua các mô hình AI tự phát triển, nền tảng phát triển mở và các phương thức khuyến khích khác nhau, nó cung cấp cho người dùng vô số công cụ và tài nguyên để hiện thực hóa ý tưởng và nhu cầu của họ.
MyShell tích hợp nhiều mô hình chất lượng cao và nhóm tiếp tục phát triển nhiều mô hình AI để cải thiện trải nghiệm người dùng. Tuy nhiên, MyShell vẫn gặp phải một số thách thức khi sử dụng. Ví dụ: một số người dùng báo cáo rằng cần phải cải thiện khả năng hỗ trợ tiếng Trung ở một số kiểu máy. Tuy nhiên, nhìn vào kho mã MyShell, bạn có thể thấy nhóm liên tục cập nhật, tối ưu hóa và tích cực lắng nghe phản hồi từ cộng đồng. Tôi tin rằng với sự cải tiến liên tục, trải nghiệm người dùng sẽ tốt hơn trong tương lai.
Thông tin đội:
Người đồng sáng lập Zengyi Qin tập trung vào nghiên cứu thuật toán giọng nói và có bằng Tiến sĩ tại MIT. Khi đang học lấy bằng cử nhân tại Đại học Thanh Hoa, anh đã xuất bản nhiều bài báo hội nghị hàng đầu. Ông cũng có kinh nghiệm chuyên môn về robot, thị giác máy tính và học tăng cường. Một người đồng sáng lập khác là Ethan Sun, tốt nghiệp Đại học Oxford chuyên ngành khoa học máy tính và có nhiều năm kinh nghiệm làm việc trong lĩnh vực AR+AI.
Thông tin tài chính:
Vòng tài trợ ban đầu trị giá 5,6 triệu USD vào tháng 10 năm 2023. Được dẫn dắt bởi INCE Capital, Hashkey Capital, Folius Ventures, SevenX Ventures, OP Crypto và những người khác cũng tham gia.
Vào tháng 3 năm 2024, công ty đã nhận được 11 triệu đô la Mỹ tài trợ trong vòng cấp vốn Pre-A mới nhất. Khoản tài trợ này được dẫn dắt bởi Dragonfly, với sự tham gia của Delphi Digital, Bankless Ventures, Maven 11 Capital, Nascent, Nomad, Foresight Ventures, Animoca Ventures, OKX Ventures và GSR. Ngoài ra, vòng tài trợ này còn nhận được sự hỗ trợ từ các nhà đầu tư thiên thần như Balaji Srinivasan, Illia Polosukhin, Casey K. Caruso và Santiago Santos.
Vào tháng 8 năm nay, Binance Labs đã công bố khoản đầu tư bí mật vào MyShell thông qua chương trình ươm tạo mùa thứ sáu.
4. Những thách thức và vấn đề cần giải quyết cấp bách
Mặc dù đường đua vẫn còn ở giai đoạn sơ khai nhưng những người thực hành nên xem xét một số yếu tố quan trọng ảnh hưởng đến sự thành công của dự án. Dưới đây là các lĩnh vực cần xem xét:
Cân bằng cung cầu tài nguyên AI: Đối với dự án sinh thái Web3-AI, làm thế nào để đạt được sự cân bằng cung cầu tài nguyên AI và thu hút nhiều người có nhu cầu thực sự và sẵn sàng đóng góp là vô cùng quan trọng. Ví dụ: người dùng có nhu cầu về mô hình, dữ liệu và sức mạnh tính toán có thể đã quen với việc lấy tài nguyên AI trên nền tảng Web2. Đồng thời, làm thế nào để thu hút các nhà cung cấp tài nguyên AI đóng góp cho hệ sinh thái Web3-AI, thu hút nhiều người có nhu cầu hơn để có được tài nguyên và đạt được sự kết hợp hợp lý về tài nguyên AI cũng là một trong những thách thức mà ngành phải đối mặt.
Thách thức về dữ liệu: Chất lượng dữ liệu ảnh hưởng trực tiếp đến kết quả huấn luyện mô hình. Đảm bảo chất lượng dữ liệu trong quá trình thu thập dữ liệu, tiền xử lý dữ liệu và sàng lọc lượng lớn dữ liệu rác do người dùng len mang đến sẽ là những thách thức quan trọng mà các dự án dữ liệu phải đối mặt. Các bên tham gia dự án có thể sử dụng các phương pháp kiểm soát chất lượng dữ liệu khoa học và chứng minh minh bạch hơn tác động của việc xử lý dữ liệu nhằm nâng cao độ tin cậy của dữ liệu, điều này cũng sẽ hấp dẫn hơn đối với người yêu cầu dữ liệu.
Vấn đề bảo mật: Trong ngành Web3, việc thực hiện các tương tác trên chuỗi và ngoài chuỗi của tài sản AI thông qua công nghệ blockchain và quyền riêng tư là điều cần thiết để ngăn chặn các tác nhân độc hại ảnh hưởng đến chất lượng của tài sản AI và đảm bảo tính bảo mật của tài nguyên AI như như dữ liệu và mô hình. Một số bên tham gia dự án đã đề xuất giải pháp nhưng hiện trường vẫn đang trong giai đoạn xây dựng. Khi công nghệ tiếp tục được cải tiến, dự kiến sẽ đạt được các tiêu chuẩn an toàn cao hơn và đã được chứng minh.
Trải nghiệm người dùng:
Người dùng Web2 thường quen với trải nghiệm vận hành truyền thống, trong khi các dự án Web3 thường đi kèm với các hợp đồng thông minh phức tạp, ví phi tập trung và các công nghệ khác, có thể có ngưỡng cao hơn đối với người dùng thông thường. Ngành nên xem xét cách tối ưu hóa hơn nữa trải nghiệm người dùng và cơ sở giáo dục để thu hút nhiều người dùng Web2 hơn vào hệ sinh thái Web3-AI.
Đối với người dùng Web3, việc thiết lập cơ chế khuyến khích hiệu quả và hệ thống kinh tế vận hành liên tục là chìa khóa để thúc đẩy việc giữ chân người dùng lâu dài và phát triển sinh thái lành mạnh. Đồng thời, chúng ta nên nghĩ cách tận dụng tối đa công nghệ AI để nâng cao hiệu quả trong lĩnh vực Web3, đồng thời đổi mới nhiều kịch bản ứng dụng và lối chơi kết hợp với AI. Đây là những yếu tố chính ảnh hưởng đến sự phát triển lành mạnh về mặt sinh thái.
Khi xu hướng phát triển của Internet+ tiếp tục phát triển, chúng ta đã chứng kiến vô số đổi mới và thay đổi đang diễn ra. Hiện tại, các kịch bản trong nhiều lĩnh vực đã được kết hợp với AI. Nhìn về tương lai, kỷ nguyên AI+ có thể nở rộ khắp nơi và thay đổi hoàn toàn cách sống của chúng ta. Việc tích hợp Web3 và AI đồng nghĩa với việc quyền sở hữu và kiểm soát dữ liệu sẽ được trả lại cho người dùng, giúp AI trở nên minh bạch và đáng tin cậy hơn. Xu hướng hội nhập này được kỳ vọng sẽ tạo ra một môi trường thị trường công bằng và cởi mở hơn, đồng thời thúc đẩy nâng cao hiệu quả và phát triển đổi mới trong mọi tầng lớp xã hội. Chúng tôi mong muốn các nhà xây dựng ngành cùng hợp tác để tạo ra các giải pháp AI tốt hơn.
Tài liệu tham khảo
https://ieeexplore.ieee.org/abstract/document/9451544
https://docs.ora.io/doc/oao-onchain-ai-oracle/introduction
https://saharalabs.ai/
https://saharalabs.ai/blog/sahara-ai-raise-43m
https://bittensor.com/
https://docs.bittensor.com/yuma-consensus
https://docs.bittensor.com/emissions#emission
https://twitter.com/myshell_ai
https://twitter.com/SubVortexTao
https://foresightnews.pro/article/detail/49752
https://www.ora.io/
https://docs.ora.io/doc/imo/introduction
https://github.com/ora-io/keras2c ircom
https://arxiv.org/abs/2401.17555
https://arxiv.org/abs/2402.15006
https://x.com/OraProtocol/status/1805981228329513260
https://x.com/getgrass_io
https://www.getgrass.io/blog/grass-the-first-ever-layer-2-data-rollup
https://wynd-network.gitbook.io/grass-docs/architecture/overview#edge-embedding-models
http://IO.NET
https://www.ray.io/
https://www.techflowpost.com/article/detail_17611.html
https://myshell.ai/
https://www.chaincatcher.com/article/2118663
Lời cảm ơn
Vẫn còn nhiều nghiên cứu và công việc phải làm trong mô hình cơ sở hạ tầng mới nổi này và còn nhiều điều chưa được đề cập trong bài viết này. Nếu bạn quan tâm đến chủ đề nghiên cứu liên quan, vui lòng liên hệ với Chloe.
Rất cám ơn Severus và JiaYi vì những nhận xét và phản hồi sâu sắc về bài viết này. Cuối cùng, xin cảm ơn chú mèo của JiaYi đã xuất hiện trong chương trình.
