Sức mạnh tổng hợp kỹ thuật số: Sự hợp nhất giữa AI và Blockchain sẽ diễn ra như thế nào

Vào tháng 11 năm 2022, OpenAI đã giới thiệu chatbot ChatGPT. Hai tháng sau khi ra mắt, số lượng người dùng hoạt động của dịch vụ đã đạt 100 triệu . Để so sánh, TikTok phải mất khoảng chín tháng để đạt được mốc này và Instagram là hơn hai năm.

Vào thời điểm đó, AI tổng quát đã khá phổ biến và sản phẩm mới càng thu hút sự quan tâm đến phân khúc này. Không có gì ngạc nhiên khi làn sóng cường điệu xung quanh trí tuệ nhân tạo (AI) đã không bỏ qua ngành công nghiệp tiền điện tử .

Kể từ cuối năm 2022, định kỳ có thể quan sát thấy các cuộc biểu tình địa phương đối với mã thông báo của các dự án mà theo sự đảm bảo của các nhà phát triển là đã sử dụng công nghệ. Tuy nhiên, một số người hoài nghi về những tài sản như vậy, tin rằng không phải không có lý do rằng mức độ tích hợp của bất kỳ thuật toán nào đều ở mức thấp.

Tuy nhiên, mặc dù có những quan điểm khác nhau và khá phân cực về các sản phẩm hiện có, vẫn có một số sự đồng thuận về sức mạnh tổng hợp tiềm năng giữa blockchain và trí tuệ nhân tạo.

Nhiều người chơi, bao gồm các sàn giao dịch tiền điện tử và máy gia tốc Web3 , tin rằng việc hợp nhất AI và blockchain sẽ mang lại lợi ích cho cả hai ngành bằng cách cho phép mỗi ngành giải quyết các vấn đề hiện có. Một số nhà đầu tư mạo hiểm có quan điểm tương tự. Ví dụ: vào tháng 5 năm 2023, có thông tin cho rằng Paradigm sẽ mở rộng mối quan tâm của mình sang AI .

Tại sao thuật toán AI cần phân cấp?

Câu chuyện về sức mạnh tổng hợp giữa trí tuệ nhân tạo và blockchain không có gì mới. Tuy nhiên, sự quan tâm đến lĩnh vực này đã tăng lên đáng kể trong vài năm qua, như dữ liệu nghiên cứu có liên quan đã chỉ ra.

Việc tích hợp mạng phân tán với các dịch vụ AI mang lại nhiều lợi ích lâu dài cho các nhà phát triển AI. Blockchain có khả năng loại bỏ hoặc ít nhất là giảm bớt một số rào cản quan trọng, chẳng hạn như những rào cản liên quan đến việc thiếu sức mạnh tính toán.

Sức mạnh tổng hợp này cũng mở ra khả năng tiếp cận các tùy chọn khả năng tương tác sáng tạo. Ví dụ: công nghệ DLT có thể cho phép tinh chỉnh các mô hình thần kinh và thu thập nhiều bộ dữ liệu đại diện hơn cho các thuật toán đào tạo.

Việc tích hợp các hệ thống với trí tuệ nhân tạo – đặc biệt là hợp đồng trực tuyến và hợp đồng thông minh – cũng sẽ mang lại lợi ích cho ngành công nghiệp blockchain. AI có khả năng cải thiện hiệu suất của các mạng phân tán và trở thành động lực tăng trưởng chính cho lĩnh vực tài chính phi tập trung (DeFi).

Mọi người đều có vấn đề

Lịch sử của trí tuệ nhân tạo với tư cách là một lĩnh vực khoa học đã gần 70 năm. Tuy nhiên, ngành này chưa bao giờ có thể loại bỏ được một số rào cản ngăn cản việc áp dụng rộng rãi nó. Hơn nữa, khi ngành này phát triển, những thách thức mới cũng xuất hiện.

Dưới đây, tôi trình bày chi tiết một số tình huống tiềm năng trong đó mạng phân tán có thể bù đắp những hạn chế nhất định.

Thiếu điện

Các đơn vị xử lý đồ họa (GPU) rất quan trọng trong việc đào tạo các thuật toán và suy luận các truy vấn của người dùng. Điều này đặc biệt rõ ràng trong báo cáo Q1 năm tài chính 2024 của Nvidia .

Trong bối cảnh ngành AI đang phát triển, nhu cầu về GPU tăng mạnh - dẫn đến sự thiếu hụt đáng kể các vi mạch . Tình hình nghiêm trọng đến mức các nhà cung cấp dịch vụ đám mây lớn như Google và Amazon thậm chí còn bắt đầu áp đặt các hạn chế đối với khách hàng của họ.

Nhiều công ty tham gia vào lĩnh vực AI đã chuyển sang tìm kiếm các nhà cung cấp thay thế (ví dụ: Lambda), nhưng họ cũng đã gần đạt đến giới hạn năng lực.

Mạng máy tính phi tập trung có thể khắc phục vấn đề. Trên thực tế, họ là những trung gian kết nối các tổ chức cần sức mạnh tính toán với chủ sở hữu hệ thống có các tài nguyên cần thiết.

Các giải pháp như vậy cung cấp mức giá thấp hơn so với các nhà cung cấp dịch vụ tập trung. Điều này chủ yếu là do không có thêm chi phí cho các nhà cung cấp kết nối với hệ thống.

Có hai loại mạng máy tính chính như vậy:

• Mục đích chung (GP). Chúng bao gồm các dịch vụ đám mây phi tập trung cung cấp tài nguyên cho các ứng dụng khác nhau. Mô hình hoạt động của họ giống như một thị trường—khách hàng thuê không gian máy chủ từ các nhà cung cấp tự đặt giá.
• Mục đích đặc biệt (SP). Ngược lại, những thứ này được thiết kế cho các tình huống sử dụng cụ thể. Thông thường, kiến trúc của họ kết hợp các tài nguyên điện toán vào một nhóm duy nhất—một loại máy tính phi tập trung. Trong trường hợp này, chi phí dịch vụ được xác định bởi động lực thị trường hoặc các thông số do cộng đồng kiểm soát. Một ví dụ ở đây là Gensyn , được thiết kế để đào tạo các mô hình ML.

Mạng phi tập trung dân chủ hóa quyền truy cập vào sức mạnh tính toán. Điều này giúp giảm chi phí đào tạo, tinh chỉnh thuật toán và xử lý các truy vấn của người dùng, vốn là những nhiệm vụ đòi hỏi nhiều tính toán hơn .

Tuy nhiên, cộng đồng lo ngại về tốc độ đào tạo các mô hình ML trên tài nguyên phân tán. Theo Mohamed Fouda, một thành viên Liên minh và đối tác tại Volt Capital, nó có thể chậm hơn một hoặc thậm chí hai bậc so với các phương pháp tập trung.

Các nhóm đang nỗ lực tối ưu hóa quá trình học tập phi tập trung. Về mặt lý thuyết , các nhà phát triển Together đang tạo ra một giải pháp loại bỏ tắc nghẽn cổ chai, trong khi Gensyn đang cố gắng giảm bớt các vấn đề phát sinh từ việc kết nối các phần cứng khác nhau với mạng.

Tuy nhiên, cộng đồng có thể sẽ phải thỏa hiệp với việc học chậm để tiết kiệm tiền.

Học máy không tiết lộ thông tin

Tôi muốn tách riêng các dự án tập trung vào máy học không kiến thức (ZKML) .

Các cơ chế khác nhau như môi trường thực thi đáng tin cậy (TEE) và mô hình danh tiếng được sử dụng để đảm bảo hoạt động chính xác trong mạng máy tính. Nhưng mỗi cách tiếp cận đều có những hạn chế và nhược điểm riêng. Ví dụ: TEE có thể có vectơ tấn công phần cứng tiềm ẩn.

Do đó, một làn sóng dự án mới (Gensyn, Modulus Labs và Giza ) đã bắt đầu thử nghiệm áp dụng bằng chứng không kiến thức (ZKP) để xác minh tính toàn vẹn tính toán cho ML.

ZKP là một giao thức mật mã cho phép một bên (bên chứng minh) xác nhận tính xác thực của một khẳng định cho bên khác (bên xác minh) mà không tiết lộ bất kỳ thông tin bổ sung nào. Giao thức này khá phổ biến trong ngành công nghiệp blockchain vì nó cho phép các nhà phát triển xây dựng các ứng dụng an toàn và có thể mở rộng.

Khi áp dụng cho machine learning, ZKP sẽ ẩn một phần dữ liệu đầu vào hoặc chính mô hình đó, nếu cần . Điều này đặc biệt phù hợp khi các thuật toán đang hoạt động trong các ngành được quản lý chặt chẽ như chăm sóc sức khỏe và tài chính.

ZKML còn có những ưu điểm khác. Ví dụ, phương pháp này cho phép chứng minh rằng một thuật toán cụ thể đã được huấn luyện trên một tập dữ liệu được xác định nghiêm ngặt. Trong trường hợp AI độc quyền, nó cũng có thể xác minh rằng mô hình tương tự có sẵn cho tất cả người dùng.

Nhược điểm của phương pháp này là quá trình tự tạo ra bằng chứng - đây là một nhiệm vụ tiêu tốn nhiều nguồn lực và có thể tốn nhiều chi phí để thực hiện hơn so với các hoạt động ban đầu. Điều này có nghĩa là, trong một số trường hợp, việc tính toán nó là không thực tế.

Tuy nhiên, ZKML là một vectơ phân cấp cho ngành AI. Điều quan trọng là trong tình huống mà sự tập trung công nghệ vào tay một nhóm người chơi hẹp là nguyên nhân gây lo ngại .

Xác thực nội dung

Sự phát triển và phổ biến của AI sáng tạo đã dẫn đến sự xuất hiện của những sản phẩm giả mạo có chiều sâu thực tế. Ví dụ bao gồm những hình ảnh bịa đặt về Giáo hoàng Francis trong chiếc áo khoác ngoài Balenciaga và video về hiện trường vụ đánh bom gần Lầu Năm Góc .

Chữ ký mật mã có thể được sử dụng để chống lại những hành vi giả mạo sâu sắc như vậy— danh tính của người tạo nội dung được xác minh bằng cách khớp cặp khóa riêng tư-công khai. Một ví dụ về việc thực hiện là các mạng xã hội phi tập trung. Các dự án dựa trên Giao thức Lens liên kết tài khoản người dùng với các địa chỉ trong chuỗi khối công khai, đơn giản hóa việc nhận dạng.

Nhóm Bundlr và Arweave cũng đang làm việc dựa trên các tiêu chuẩn toàn ngành . Arweave dự tính giới thiệu các thông số kỹ thuật yêu cầu tích hợp chữ ký mật mã bất biến và dấu thời gian vào nội dung kỹ thuật số được ghi lại trong sổ đăng ký phân tán.

Sức mạnh tổng hợp của AI và blockchain hướng tới hiệu quả

Về lâu dài, blockchain sẽ cải thiện hiệu quả đào tạo mô hình thần kinh và có thể thay đổi cách ngành tiến hành nghiên cứu.

Mặc dù hầu hết các nghiên cứu về blockchain được thực hiện ở giới học thuật vào những ngày đầu, nhưng hiện nay nó đang bị thống trị bởi các công ty công nghệ lớn. Tình trạng này hạn chế sự tham gia của các phòng thí nghiệm và cá nhân địa phương do thiếu động lực và cơ hội hợp tác.

Các nền tảng phi tập trung như Bittensor có thể khắc phục mọi thứ. Đây là những thị trường nơi người tham gia được khen thưởng vì những đóng góp của họ cho sự phát triển và có thể chia sẻ dữ liệu để đào tạo các mô hình. Những nền tảng như vậy đặc biệt hấp dẫn khi tạo AI nguồn mở.

Blockchain cũng tạo điều kiện thuận lợi cho việc áp dụng Học tập tăng cường từ phản hồi của con người (RLHF) . Đây là phương pháp kết hợp phản hồi của con người vào quy trình để tinh chỉnh mô hình thần kinh.

RLHF cho phép bạn “đánh bóng” mô hình, giảm số lượng kết quả không chính xác hoặc sai lệch. Ví dụ: OpenAI đã sử dụng nó để gỡ lỗi GPT-3 và phát triển ChatGPT.

Tinh chỉnh làm tăng hiệu suất của thuật toán và cho phép chúng đạt được kiến thức chuyên môn về miền cụ thể. Khi nhu cầu về các mô hình có tính chuyên môn cao như vậy tăng lên thì nhu cầu về các chuyên gia đưa ra phản hồi cũng tăng theo.

Multicoin đề xuất một cách để mở rộng quy mô RLHF thông qua các khoản thanh toán khuyến khích dưới dạng token. Tuy nhiên, cách tiếp cận này có ít nhất hai vấn đề:

• Các chuyên gia phải đồng ý chấp nhận token như một khoản bồi thường, điều này sẽ hạn chế phạm vi cá nhân tham gia vào quá trình học tập.

• Một hệ thống như vậy cần được bảo vệ khỏi các cuộc tấn công thao túng để duy trì tính chính xác của phản hồi.

  
  

Tuy nhiên, các dự án như Hivemapper đã đưa phương pháp này vào thực tế.

Hợp đồng thông minh có thể thông minh đến mức nào?

Có nhiều lĩnh vực mà nền tảng blockchain có thể sử dụng trí tuệ nhân tạo ở nhiều cấp độ khác nhau, từ cơ sở hạ tầng đến ứng dụng.

Tuy nhiên, kịch bản được ngành công nghiệp tiền điện tử quan tâm nhất là kịch bản trong đó AI hoạt động trực tiếp trong sổ cái phân tán. Nói một cách tổng quát, có hai cách để chuyển hoạt động của thuật toán sang blockchain:

• Cho phép các đại lý tự trị sử dụng cơ sở hạ tầng Web3 để thực hiện thanh toán và truy cập tài nguyên kỹ thuật số.
• Cho phép các mô hình thần kinh tương tác với hợp đồng thông minh thông qua ZKML.

Thật thú vị phải không?

Thanh toán và nguồn lực cho các đại lý tự trị

Các tác nhân kinh tế tự trị (AEA) là các hệ thống tự trị dựa trên thuật toán học máy thực hiện các nhiệm vụ cụ thể thay mặt cho chủ sở hữu mà không cần sự can thiệp trực tiếp của họ vào quy trình.

Các chuyên gia kỳ vọng rằng khi công nghệ tiến bộ, AEA sẽ trở nên chuyên môn hóa cao hơn , dẫn đến sự phát triển của “hệ thống đa tác nhân”.

Ngược lại, điều này sẽ kéo theo sự xuất hiện của một thị trường trong đó một số đại lý có thể “thuê” những người khác và trả thù lao cho họ khi thực hiện một số nhiệm vụ nhất định. Trong bối cảnh này, thanh toán bằng tiền điện tử có thể sẽ được ưu tiên hơn thanh toán bằng tiền pháp định vì một số lý do:

• Luật hiện hành không cho phép AEA mở tài khoản ngân hàng hoặc sử dụng tài khoản của chủ tài khoản để thực hiện các giao dịch xuyên biên giới.
• Tiền điện tử loại bỏ sự cần thiết của các trung gian đáng tin cậy.
• Cơ sở hạ tầng chuỗi khối cho phép thanh toán nhanh hơn và rẻ hơn.

AEA sẽ có thể tương tác với các mạng thanh toán và cơ sở hạ tầng vật lý phi tập trung (DePIN ). DePIN tích hợp các thiết bị phần cứng—các hệ thống máy tính được thảo luận ở trên cũng có thể được quy cho phân khúc này.

DePIN sẽ cung cấp cho AI quyền truy cập vào các tài nguyên kỹ thuật số như dung lượng ổ đĩa và sức mạnh tính toán. Ví dụ: nếu một thuật toán cần tạo mô hình 3D, thuật toán đó có thể sử dụng Mạng kết xuất để kết xuất và Arweave để lưu trữ dữ liệu thay vì dựa vào các giải pháp tập trung.

Tích hợp AI vào hợp đồng thông minh

Việc áp dụng các mô hình AI trong hợp đồng thông minh giúp mở rộng đáng kể khả năng của chúng. Mạng lưới thần kinh sẽ không chỉ mở ra khả năng tiếp cận các trường hợp sử dụng sáng tạo mà còn tăng hiệu quả của các công cụ hiện có.

Phần lớn sự tích hợp này bị cản trở bởi chi phí tính toán cao liên quan đến việc triển khai các thuật toán trong chuỗi khối. Tuy nhiên, việc sử dụng ZKP để xác thực việc thực thi chính xác các mô hình ngoài chuỗi có thể giải quyết vấn đề này, vì chỉ bằng chứng liên quan mới có thể được đưa vào sổ đăng ký phân tán.

Cách tiếp cận như vậy sẽ cho phép các hợp đồng thông minh đưa ra quyết định dựa trên dữ liệu động mà không bị giới hạn ở một bộ quy tắc được mã hóa cứng. Bằng cách này, họ sẽ trở nên tự chủ, linh hoạt và tinh vi hơn.

ZKML có thể được sử dụng trong nhiều lĩnh vực ngành, bao gồm DeFi, GameFi, DeSo (Xã hội phi tập trung) và DePIN.

Ví dụ: trong các ứng dụng tài chính phi tập trung, AI có thể điều chỉnh các tham số giao thức dựa trên các tham số mạng hiện tại. Một trường hợp sử dụng có thể xảy ra là giao thức cho vay sử dụng mô hình ML để điều chỉnh hệ số tài sản thế chấp trong thời gian thực.

Các kịch bản khác bao gồm quản lý ngân quỹ tự động, chấm điểm tín dụng trên chuỗi và quản lý thanh khoản AMM .

Phần kết luận

Hiện tại, có sự mâu thuẫn giữa ngành AI và Web3 ở cấp độ logic cơ bản: ngành trước đây có tính tập trung cao độ. Đồng thời, sau này được xây dựng trên nguyên tắc phân cấp rộng rãi. Đôi khi, tình trạng này gây khó khăn cho việc tích hợp ứng dụng.

Tuy nhiên, chính sự mâu thuẫn này lại cho phép các sản phẩm của hai lĩnh vực này bổ sung cho nhau một cách hiệu quả và thúc đẩy sự phát triển chung.

Không có gì đảm bảo rằng blockchain sẽ là nền tảng cho các mô hình thần kinh trong tương lai hoặc các thuật toán sẽ chạy ở cốt lõi của các nền tảng phi tập trung.

Nhưng có thể chắc chắn rằng sự kết hợp của hai công nghệ sẽ tạo ra nhiều câu chuyện mới, một số trong đó sẽ tỏ ra khá khả thi.