Lời nói đầu

Vào ngày 16 tháng 2, OpenAI đã công bố mô hình phổ biến thế hệ video được điều khiển bằng văn bản mới nhất "Sora", thể hiện một thời điểm quan trọng khác trong AI sáng tạo thông qua nhiều video được tạo chất lượng cao bao gồm nhiều loại dữ liệu hình ảnh. Không giống như các công cụ tạo video AI như Pika, vẫn đang tạo video vài giây từ nhiều hình ảnh, Sora đạt được khả năng tạo video có thể mở rộng bằng cách huấn luyện trong không gian tiềm ẩn được nén của video và hình ảnh, phân tách chúng thành các bản vá vị trí theo không gian và thời gian. . Ngoài ra, mô hình còn phản ánh khả năng mô phỏng thế giới vật chất và thế giới kỹ thuật số, bản demo dài 60 giây cuối cùng được trình bày không hề cường điệu khi nói rằng đây là một “mô phỏng phổ quát của thế giới vật chất”.

Về phương pháp xây dựng, Sora tiếp tục con đường kỹ thuật "Dữ liệu nguồn-Biến áp-Khuếch tán-xuất hiện" của mô hình GPT trước đó, điều đó có nghĩa là sự phát triển trưởng thành của nó cũng đòi hỏi sức mạnh tính toán như một động cơ và bởi vì lượng dữ liệu cần thiết cho đào tạo bằng video lớn hơn nhiều so với văn bản. Lượng dữ liệu đào tạo sẽ làm tăng thêm nhu cầu về sức mạnh tính toán. Tuy nhiên, chúng tôi đã thảo luận về tầm quan trọng của sức mạnh tính toán trong kỷ nguyên AI trong bài viết trước "Xem trước con đường tiềm năng: Thị trường sức mạnh tính toán phi tập trung" và với sự gia tăng gần đây về mức độ phổ biến của AI, đã có một số lượng lớn Các dự án năng lượng điện toán trên thị trường bắt đầu xuất hiện và các dự án Depin khác (lưu trữ, sức mạnh tính toán, v.v.) được hưởng lợi thụ động cũng đã có sự gia tăng đột biến. Vậy ngoài Depin, sự giao thoa giữa Web3 và AI có thể tạo ra tia lửa nào khác? Đường đua này có những cơ hội nào khác? Mục đích chính của bài viết này là cập nhật và hoàn thiện các bài viết trước đó, đồng thời suy nghĩ về khả năng của Web3 trong kỷ nguyên AI.

Ba hướng chính trong lịch sử phát triển AI

Trí tuệ nhân tạo (Artificial Intelligence) là một ngành khoa học và công nghệ mới nổi được thiết kế để mô phỏng, mở rộng và nâng cao trí thông minh của con người. Kể từ khi ra đời vào những năm 1950 và 1960, trí tuệ nhân tạo đã trải qua hơn nửa thế kỷ phát triển và hiện nay đã trở thành một công nghệ quan trọng thúc đẩy những thay đổi trong đời sống xã hội và mọi tầng lớp xã hội. Trong quá trình này, sự phát triển đan xen của ba hướng nghiên cứu chính là biểu tượng, chủ nghĩa kết nối và chủ nghĩa hành vi đã trở thành nền tảng cho sự phát triển nhanh chóng của AI ngày nay.

Chủ nghĩa tượng trưng

Còn được gọi là chủ nghĩa logic hoặc chủ nghĩa chính quy, đó là niềm tin rằng có thể mô phỏng trí thông minh của con người bằng cách xử lý các ký hiệu. Phương pháp này sử dụng các ký hiệu để biểu diễn và vận hành các đối tượng, khái niệm và mối quan hệ qua lại của chúng trong miền bài toán, đồng thời sử dụng suy luận logic để giải quyết các bài toán, đặc biệt là trong các hệ chuyên gia và biểu diễn tri thức đã đạt được những thành tựu đáng ghi nhận. Ý tưởng cốt lõi của chủ nghĩa biểu tượng là hành vi thông minh có thể đạt được thông qua hoạt động của các biểu tượng và lý luận logic, trong đó các biểu tượng thể hiện mức độ trừu tượng cao khỏi thế giới thực;

Chủ nghĩa kết nối

Hay còn gọi là phương pháp mạng lưới thần kinh, nó nhằm mục đích đạt được trí thông minh bằng cách bắt chước cấu trúc và chức năng của bộ não con người. Phương pháp này đạt được việc học bằng cách xây dựng một mạng lưới gồm nhiều đơn vị xử lý đơn giản (tương tự như nơ-ron) và điều chỉnh cường độ kết nối giữa các đơn vị này (tương tự như các khớp thần kinh). Chủ nghĩa kết nối đặc biệt nhấn mạnh khả năng học hỏi và khái quát hóa từ dữ liệu và đặc biệt phù hợp với các vấn đề nhận dạng mẫu, phân loại và ánh xạ đầu vào-đầu ra liên tục. Deep learning, với tư cách là sự phát triển của chủ nghĩa kết nối, đã tạo ra những bước đột phá trong các lĩnh vực như nhận dạng hình ảnh, nhận dạng giọng nói, xử lý ngôn ngữ tự nhiên;

Chủ nghĩa hành vi

Chủ nghĩa hành vi có liên quan chặt chẽ đến nghiên cứu về robot sinh học và hệ thống thông minh tự động, nhấn mạnh rằng các tác nhân thông minh có thể học hỏi thông qua tương tác với môi trường. Không giống như hai trường phái đầu, chủ nghĩa hành vi không tập trung vào việc mô phỏng các biểu hiện bên trong hoặc quá trình suy nghĩ mà tập trung vào việc đạt được hành vi thích ứng thông qua các chu kỳ nhận thức và hành động. Chủ nghĩa hành vi tin rằng trí thông minh được thể hiện thông qua sự tương tác và học hỏi năng động với môi trường, phương pháp này đặc biệt hiệu quả khi áp dụng cho robot di động và hệ thống điều khiển thích ứng cần hoạt động trong môi trường phức tạp và khó đoán.

Chủ nghĩa hành vi có liên quan chặt chẽ đến nghiên cứu về robot sinh học và hệ thống thông minh tự động, nhấn mạnh rằng các tác nhân thông minh có thể học hỏi thông qua tương tác với môi trường. Không giống như hai trường phái đầu, chủ nghĩa hành vi không tập trung vào việc mô phỏng các biểu hiện bên trong hoặc quá trình suy nghĩ mà tập trung vào việc đạt được hành vi thích ứng thông qua các chu kỳ nhận thức và hành động. Chủ nghĩa hành vi tin rằng trí thông minh được thể hiện thông qua sự tương tác và học hỏi năng động với môi trường, phương pháp này đặc biệt hiệu quả khi áp dụng cho robot di động và hệ thống điều khiển thích ứng cần hoạt động trong môi trường phức tạp và khó đoán.

Mặc dù có những khác biệt cơ bản giữa ba hướng nghiên cứu này nhưng trong thực tế nghiên cứu và ứng dụng AI, chúng cũng có thể tương tác, tích hợp để cùng nhau thúc đẩy sự phát triển của lĩnh vực AI.

Tổng quan về các nguyên tắc AIGC

Nội dung do trí tuệ nhân tạo tạo ra (AIGC), hiện đang có sự phát triển bùng nổ, là sự tiến hóa và ứng dụng của chủ nghĩa kết nối. AIGC có thể bắt chước khả năng sáng tạo của con người để tạo ra nội dung mới. Các mô hình này được đào tạo bằng cách sử dụng các tập dữ liệu lớn và thuật toán học sâu để tìm hiểu các cấu trúc, mối quan hệ và mẫu cơ bản có trong dữ liệu. Tạo đầu ra mới và độc đáo dựa trên lời nhắc đầu vào của người dùng, bao gồm hình ảnh, video, mã, âm nhạc, thiết kế, bản dịch, câu trả lời câu hỏi và văn bản. AIGC hiện tại về cơ bản bao gồm ba yếu tố: Deep Learning (DL), dữ liệu lớn và sức mạnh tính toán quy mô lớn.

học kĩ càng

Học sâu là một trường con của học máy (ML) và các thuật toán học sâu là mạng lưới thần kinh được mô hình hóa theo bộ não con người. Ví dụ, bộ não con người chứa hàng triệu tế bào thần kinh được kết nối với nhau để học và xử lý thông tin. Tương tự như vậy, mạng nơ-ron học sâu (hoặc mạng nơ-ron nhân tạo) bao gồm nhiều lớp nơ-ron nhân tạo hoạt động cùng nhau bên trong máy tính. Tế bào thần kinh nhân tạo là các mô-đun phần mềm được gọi là nút sử dụng các phép tính toán học để xử lý dữ liệu. Mạng lưới thần kinh nhân tạo là các thuật toán học sâu sử dụng các nút này để giải quyết các vấn đề phức tạp.

Mạng nơ-ron có thể được chia thành lớp đầu vào, lớp ẩn và lớp đầu ra theo cấp độ phân cấp và các tham số được kết nối giữa các lớp khác nhau.

● Lớp đầu vào: Lớp đầu vào là lớp đầu tiên của mạng nơron và chịu trách nhiệm nhận dữ liệu đầu vào bên ngoài. Mỗi nơron trong lớp đầu vào tương ứng với một đặc điểm của dữ liệu đầu vào. Ví dụ: khi xử lý dữ liệu hình ảnh, mỗi nơ-ron có thể tương ứng với một giá trị pixel trong hình ảnh;

● Lớp ẩn: Lớp đầu vào xử lý dữ liệu và chuyển nó đến các lớp tiếp theo trong mạng lưới thần kinh. Các lớp ẩn này xử lý thông tin ở các cấp độ khác nhau, điều chỉnh hành vi của chúng khi nhận được thông tin mới. Mạng học sâu có hàng trăm lớp ẩn và có thể được sử dụng để phân tích vấn đề từ nhiều góc độ khác nhau. Ví dụ: nếu bạn được đưa cho một hình ảnh về một con vật chưa biết mà bạn phải phân loại, bạn có thể so sánh nó với những con vật bạn đã biết. Ví dụ: bạn có thể biết đó là loại động vật nào qua hình dạng của tai, số chân và kích thước đồng tử của nó. Các lớp ẩn trong mạng lưới thần kinh sâu hoạt động theo cách tương tự. Nếu một thuật toán deep learning đang cố gắng phân loại hình ảnh của một con vật, thì mỗi lớp ẩn của nó sẽ xử lý một đặc điểm khác nhau của con vật đó và cố gắng phân loại nó một cách chính xác;

● Lớp đầu ra: Lớp đầu ra là lớp cuối cùng của mạng nơron và chịu trách nhiệm tạo đầu ra của mạng. Mỗi nơron trong lớp đầu ra đại diện cho một loại hoặc giá trị đầu ra có thể có. Ví dụ, trong một bài toán phân loại, mỗi nơ-ron lớp đầu ra có thể tương ứng với một danh mục, trong khi trong bài toán hồi quy, lớp đầu ra có thể chỉ có một nơ-ron có giá trị đại diện cho kết quả dự đoán;

● Tham số: Trong mạng thần kinh, các kết nối giữa các lớp khác nhau được biểu thị bằng tham số trọng số (Weights) và độ lệch (Biases). Các tham số này được tối ưu hóa trong quá trình đào tạo để cho phép mạng xác định chính xác các mẫu trong dữ liệu và đưa ra dự đoán. . Việc tăng các tham số có thể cải thiện năng lực mô hình của mạng lưới thần kinh, tức là khả năng tìm hiểu và biểu diễn các mẫu phức tạp trong dữ liệu của mô hình. Nhưng tương ứng, việc tăng thông số sẽ làm tăng nhu cầu về sức mạnh tính toán.

Dữ liệu lớn

Để được đào tạo hiệu quả, mạng lưới thần kinh thường yêu cầu lượng lớn dữ liệu đa dạng và chất lượng cao từ nhiều nguồn. Nó là cơ sở cho việc đào tạo và xác nhận mô hình học máy. Bằng cách phân tích dữ liệu lớn, các mô hình học máy có thể tìm hiểu các mẫu và mối quan hệ trong dữ liệu để đưa ra dự đoán hoặc phân loại.

Sức mạnh tính toán quy mô lớn

Dữ liệu lớn

Để được đào tạo hiệu quả, mạng lưới thần kinh thường yêu cầu lượng lớn dữ liệu đa dạng và chất lượng cao từ nhiều nguồn. Nó là cơ sở cho việc đào tạo và xác nhận mô hình học máy. Bằng cách phân tích dữ liệu lớn, các mô hình học máy có thể tìm hiểu các mẫu và mối quan hệ trong dữ liệu để đưa ra dự đoán hoặc phân loại.

Sức mạnh tính toán quy mô lớn

Cấu trúc phức tạp nhiều lớp của mạng nơ-ron, số lượng lớn tham số, yêu cầu xử lý dữ liệu lớn và phương pháp đào tạo lặp lại (trong giai đoạn đào tạo, mô hình cần được lặp đi lặp lại và trong quá trình đào tạo, truyền tiến và truyền ngược cần có sự lan truyền cho mỗi phép tính lớp, bao gồm tính toán hàm kích hoạt, tính toán hàm mất mát, tính toán độ dốc và cập nhật trọng số), yêu cầu tính toán có độ chính xác cao, khả năng tính toán song song, kỹ thuật tối ưu hóa và chính quy hóa cũng như các quy trình đánh giá và xác minh mô hình cùng nhau dẫn đến nhu cầu về khả năng tính toán cao.

Sora

Là mô hình AI thế hệ video mới nhất do OpenAI phát hành, Sora thể hiện sự tiến bộ vượt bậc về khả năng xử lý và hiểu dữ liệu hình ảnh đa dạng của trí tuệ nhân tạo. Bằng cách sử dụng mạng nén video và công nghệ vá không gian-thời gian, Sora có thể chuyển đổi dữ liệu hình ảnh khổng lồ được thu thập bởi các thiết bị khác nhau từ khắp nơi trên thế giới thành một bản trình bày thống nhất, từ đó đạt được khả năng xử lý và hiểu nội dung hình ảnh phức tạp một cách hiệu quả. Dựa vào mô hình Khuếch tán có điều kiện bằng văn bản, Sora có thể tạo ra các video hoặc hình ảnh có độ phù hợp cao dựa trên lời nhắc của văn bản, thể hiện tính sáng tạo và khả năng thích ứng cực cao.

Tuy nhiên, bất chấp những đột phá của Sora trong việc tạo video và mô phỏng các tương tác trong thế giới thực, nó vẫn gặp phải một số hạn chế, bao gồm độ chính xác của mô phỏng thế giới thực, tính nhất quán trong việc tạo video dài, hiểu các hướng dẫn văn bản phức tạp cũng như hiệu quả đào tạo và tạo ra. Và Sora về cơ bản đạt được tính thẩm mỹ bạo lực thông qua sức mạnh tính toán ở cấp độ độc quyền và lợi thế người đi đầu của OpenAI, tiếp tục con đường công nghệ cũ “dữ liệu lớn-Biến áp-Khuếch tán-xuất hiện”, trong khi các công ty AI khác vẫn còn những khúc mắc về công nghệ.

Mặc dù Sora không liên quan nhiều đến blockchain nhưng cá nhân tôi nghĩ rằng nó sẽ trở nên phổ biến hơn trong một hoặc hai năm tới. Do ảnh hưởng của Sora, nó sẽ buộc các công cụ tạo AI chất lượng cao khác xuất hiện và phát triển nhanh chóng, đồng thời sẽ lan tỏa ra nhiều đường đua như GameFi, mạng xã hội, nền tảng sáng tạo và Depin trong Web3, vì vậy cần phải có một cái nhìn chung hiểu biết về Sora, làm thế nào AI sẽ được kết hợp hiệu quả với Web3 trong tương lai có thể là điểm mấu chốt mà chúng ta cần phải suy nghĩ.

Bốn con đường chính của AI x Web3

Như đã đề cập ở trên, chúng ta có thể biết rằng nền tảng cơ bản cần có cho Generative AI thực chất chỉ có ba điểm: thuật toán, dữ liệu và sức mạnh tính toán. Mặt khác, AI là một công cụ phá vỡ phương thức sản xuất xét từ góc độ tính linh hoạt và tính tổng quát. các hiệu ứng. Vai trò lớn nhất của blockchain có hai mặt: tái thiết quan hệ sản xuất và phân cấp. Vì vậy, cá nhân tôi nghĩ rằng có bốn con đường có thể được tạo ra do sự va chạm của cả hai:

Sức mạnh tính toán phi tập trung

Vì các bài viết liên quan đã được viết trước đây nên mục đích chính của đoạn này là cập nhật trạng thái hiện tại của đường đi sức mạnh tính toán. Khi nói đến AI, sức mạnh tính toán luôn là yếu tố không thể tránh khỏi. Nhu cầu về sức mạnh tính toán của AI lớn đến mức không thể tưởng tượng được sau khi Sora ra đời. Mới đây, trong Diễn đàn Kinh tế Thế giới 2024 ở Davos, Thụy Sĩ, CEO OpenAI Sam Altman đã thẳng thắn tuyên bố rằng sức mạnh tính toán và năng lượng là xiềng xích lớn nhất ở giai đoạn này, và tầm quan trọng của chúng trong tương lai thậm chí sẽ ngang bằng với tiền tệ. Vào ngày 10 tháng 2, Sam Altman đã công bố một kế hoạch cực kỳ đáng kinh ngạc trên Twitter nhằm huy động 7 nghìn tỷ USD (tương đương 40% GDP quốc gia của Trung Quốc vào năm 2023) để viết lại mô hình ngành công nghiệp bán dẫn toàn cầu hiện nay nhằm tạo ra một đế chế chip. Khi viết những bài liên quan đến sức mạnh tính toán, trí tưởng tượng của tôi vẫn chỉ giới hạn ở những cuộc phong tỏa quốc gia và những công ty độc quyền khổng lồ, ngày nay việc một công ty muốn kiểm soát ngành bán dẫn toàn cầu quả thực là điên rồ.

Do đó, tầm quan trọng của sức mạnh tính toán phi tập trung là hiển nhiên. Các đặc điểm của blockchain thực sự có thể giải quyết vấn đề hiện tại là độc quyền cực độ về sức mạnh tính toán và việc mua GPU chuyên dụng đắt tiền. Từ góc độ yêu cầu AI, việc sử dụng sức mạnh tính toán có thể được chia thành hai hướng: suy luận và đào tạo. Hiện tại chỉ có một số dự án tập trung vào đào tạo, từ nhu cầu về mạng phi tập trung đến kết hợp với thiết kế mạng thần kinh, cho đến nhu cầu về siêu phần cứng Nhu cầu cao được định sẵn là một hướng đi có ngưỡng cực cao và cực kỳ khó thực hiện. Lý do tương đối đơn giản, một mặt, thiết kế mạng phi tập trung không phức tạp, mặt khác, yêu cầu về phần cứng và băng thông thấp, được coi là hướng tương đối chủ đạo hiện nay.

Không gian tưởng tượng của thị trường sức mạnh điện toán tập trung là rất lớn và nó thường được gắn với từ khóa “mức nghìn tỷ”, cũng là chủ đề được thổi phồng thường xuyên nhất trong kỷ nguyên AI. Tuy nhiên, xét từ số lượng lớn các dự án xuất hiện gần đây, hầu hết chúng vẫn đang gấp rút lên kệ để được ưa chuộng. Luôn giương cao biểu ngữ phân quyền chính xác nhưng giữ im lặng về sự kém hiệu quả của các mạng phi tập trung. Và có mức độ đồng nhất cao trong thiết kế, một số lượng lớn các dự án rất giống nhau (l2 một cú nhấp chuột cộng với thiết kế khai thác), điều này cuối cùng có thể dẫn đến tình huống khó có được phần chia sẻ của đường đua AI truyền thống.

Thuật toán và hệ thống cộng tác mô hình

Thuật toán học máy đề cập đến các thuật toán có thể học các quy tắc và mẫu từ dữ liệu rồi đưa ra dự đoán hoặc quyết định dựa trên chúng. Các thuật toán đòi hỏi nhiều công nghệ vì thiết kế và tối ưu hóa của chúng đòi hỏi chuyên môn sâu và đổi mới công nghệ. Thuật toán là cốt lõi của việc đào tạo các mô hình AI và xác định cách chuyển đổi dữ liệu thành thông tin chi tiết hoặc quyết định hữu ích. Các thuật toán AI tổng quát phổ biến hơn như Generative Adversarial Network (GAN), Bộ mã hóa tự động biến đổi (VAE) và Transformer, mỗi thuật toán đều được thiết kế cho một lĩnh vực cụ thể (chẳng hạn như hội họa, nhận dạng ngôn ngữ, dịch thuật và tạo video) hoặc sinh ra nhằm mục đích riêng , sau đó huấn luyện một mô hình AI chuyên dụng thông qua các thuật toán.

Vậy có rất nhiều thuật toán và mô hình, mỗi thuật toán đều có giá trị riêng, liệu chúng ta có thể tích hợp chúng thành một mô hình vừa dân sự vừa quân sự được không? Bittensor, đã trở nên rất phổ biến gần đây, là công ty đi đầu theo hướng này, sử dụng các biện pháp khuyến khích khai thác để cho phép các mô hình và thuật toán AI khác nhau cộng tác và học hỏi lẫn nhau, từ đó tạo ra các mô hình AI hiệu quả và linh hoạt hơn. Cũng tập trung vào hướng này là Commune AI (cộng tác mã), v.v. Tuy nhiên, đối với các công ty AI hiện tại, thuật toán và mô hình là vũ khí thần kỳ của riêng họ và sẽ không được mượn theo ý muốn.

Vì vậy, câu chuyện về hệ sinh thái hợp tác AI rất mới lạ và thú vị, hệ sinh thái hợp tác tận dụng blockchain để tích hợp những nhược điểm của hòn đảo thuật toán AI nhưng vẫn chưa biết liệu nó có thể tạo ra giá trị tương ứng hay không. Xét cho cùng, các thuật toán và mô hình nguồn đóng của các công ty AI hàng đầu đều có khả năng cập nhật, lặp và tích hợp rất mạnh.Ví dụ, trong vòng chưa đầy hai năm phát triển, OpenAI đã lặp từ các mô hình tạo văn bản ban đầu đến các mô hình được tạo ra trong nhiều lĩnh vực Các dự án như Bittensor đã đạt được tiến bộ lớn về mô hình và thuật toán, các lĩnh vực được nhắm mục tiêu có thể yêu cầu những cách tiếp cận mới.

Dữ liệu lớn phi tập trung

Ở góc độ đơn giản, sử dụng dữ liệu riêng tư để cung cấp dữ liệu cho AI và ghi nhãn là hướng đi rất phù hợp với blockchain, bạn chỉ cần chú ý cách ngăn chặn dữ liệu rác và hành vi xấu, lưu trữ dữ liệu cũng có thể sử dụng FIL và AR. để dự án Depin được hưởng lợi. Từ góc độ phức tạp, sử dụng dữ liệu blockchain cho machine learning (ML) để giải quyết khả năng tiếp cận dữ liệu blockchain cũng là một hướng đi thú vị (một trong những hướng khám phá của Giza).

Về lý thuyết, dữ liệu blockchain có thể được truy cập bất cứ lúc nào và phản ánh trạng thái của toàn bộ blockchain. Nhưng đối với những người bên ngoài hệ sinh thái blockchain, việc truy cập lượng dữ liệu khổng lồ này không hề dễ dàng. Việc lưu trữ toàn bộ blockchain đòi hỏi chuyên môn sâu rộng và một lượng lớn tài nguyên phần cứng chuyên dụng. Để vượt qua những thách thức trong việc truy cập dữ liệu blockchain, một số giải pháp đã xuất hiện trong ngành. Ví dụ: các nhà cung cấp RPC cung cấp quyền truy cập vào các nút thông qua API, trong khi các dịch vụ lập chỉ mục giúp có thể trích xuất dữ liệu thông qua SQL và GraphQL, cả hai đều đóng vai trò chính trong việc giải quyết vấn đề. Tuy nhiên, những phương pháp này có những hạn chế. Dịch vụ RPC không phù hợp với các tình huống sử dụng mật độ cao đòi hỏi lượng truy vấn dữ liệu lớn và thường không đáp ứng được nhu cầu. Đồng thời, mặc dù các dịch vụ lập chỉ mục cung cấp một cách có cấu trúc hơn để truy xuất dữ liệu, nhưng sự phức tạp của giao thức Web3 khiến việc xây dựng các truy vấn hiệu quả trở nên cực kỳ khó khăn, đôi khi cần phải viết hàng trăm hoặc thậm chí hàng nghìn dòng mã phức tạp. Sự phức tạp này là trở ngại lớn đối với những người thực hành dữ liệu thông thường và những người không hiểu chi tiết về Web3. Hiệu ứng tích lũy của những hạn chế này làm nổi bật sự cần thiết phải có một cách dễ dàng hơn để thu thập và sử dụng dữ liệu blockchain có thể thúc đẩy việc áp dụng và đổi mới rộng rãi hơn trong lĩnh vực này.

Sau đó, bằng cách kết hợp ZKML (học máy bằng chứng không có kiến ​​thức, giảm gánh nặng học máy trên chuỗi) với dữ liệu chuỗi khối chất lượng cao, có thể tạo ra một bộ dữ liệu giải quyết vấn đề về khả năng truy cập chuỗi khối và AI có thể đáng kể giảm chi phí của blockchain, khả năng tiếp cận dữ liệu, để theo thời gian, các nhà phát triển, nhà nghiên cứu và những người đam mê ML sẽ có thể truy cập các bộ dữ liệu phù hợp, chất lượng cao hơn để xây dựng các giải pháp hiệu quả và sáng tạo.

AI trao quyền cho Dapp

Kể từ khi ChatGPT3 trở nên phổ biến vào năm 2023, Dapp được hỗ trợ bởi AI đã trở thành một hướng đi rất phổ biến. AI thế hệ cực kỳ linh hoạt có thể được truy cập thông qua API để đơn giản hóa và phân tích thông minh các nền tảng dữ liệu, robot giao dịch, bách khoa toàn thư blockchain và các ứng dụng khác. Mặt khác, bạn cũng có thể đóng vai trò là một chatbot (chẳng hạn như Myshell) hoặc người bạn đồng hành AI (AI không ngủ) hoặc thậm chí tạo NPC trong các trò chơi chuỗi thông qua AI tổng hợp. Tuy nhiên, do rào cản kỹ thuật rất thấp nên hầu hết chúng đều được tinh chỉnh sau khi truy cập API và việc tích hợp với bản thân dự án cũng không hoàn hảo nên ít được nhắc đến.

Nhưng sau sự xuất hiện của Sora, cá nhân tôi nghĩ rằng hướng AI trao quyền cho GameFi (bao gồm cả Metaverse) và nền tảng sáng tạo sẽ là trọng tâm tiếp theo. Vì tính chất từ ​​dưới lên của lĩnh vực Web3, chắc chắn sẽ khó tạo ra những sản phẩm cạnh tranh với các trò chơi truyền thống hoặc các công ty sáng tạo, và sự xuất hiện của Sora có thể sẽ phá vỡ tình thế tiến thoái lưỡng nan này (có lẽ chỉ trong hai đến ba năm). Đánh giá từ Sora's Demo, nó đã có tiềm năng cạnh tranh với các công ty phim truyền hình ngắn. Văn hóa cộng đồng tích cực của Web3 cũng có thể tạo ra một số lượng lớn các ý tưởng thú vị. Khi giới hạn chỉ là trí tưởng tượng, ngành công nghiệp từ dưới lên và Top- rào cản giữa các ngành công nghiệp truyền thống sẽ được phá bỏ.

Phần kết luận

Khi các công cụ AI tổng hợp tiếp tục phát triển, chúng ta sẽ trải nghiệm nhiều "khoảnh khắc iPhone" mang tính kỷ nguyên hơn trong tương lai. Mặc dù nhiều người chế nhạo sự kết hợp giữa AI và Web3, nhưng trên thực tế, tôi nghĩ rằng hướng đi hiện tại hầu như không có vấn đề gì, thực ra chỉ có ba điểm yếu cần giải quyết là sự cần thiết, hiệu quả và phù hợp. Mặc dù sự tích hợp của cả hai đang trong giai đoạn thăm dò nhưng điều đó không ngăn cản xu hướng này trở thành xu hướng chủ đạo của thị trường tăng giá tiếp theo.

Luôn duy trì đủ sự tò mò và chấp nhận những điều mới là tâm lý bắt buộc đối với chúng ta. Trong lịch sử, việc biến đổi ô tô thay thế xe ngựa đã trở thành một kết luận được định trước ngay lập tức. Cũng giống như các dòng chữ và NFT ngày xưa, cũng có nhiều định kiến, bạn sẽ chỉ bỏ lỡ cơ hội.