Tác giả: Tiền điện tử, chưng cất
Biên soạn bởi: Deep Wave TechFlow
Tiền điện tử và AI: Đây có phải là điểm cuối của con đường?
Vào năm 2023, Web3-AI từng trở thành chủ đề nóng.
Nhưng ngày nay, nó tràn ngập những kẻ bắt chước và những dự án lớn không có mục đích thực sự.
Dưới đây là những cạm bẫy cần tránh và những điều cần tập trung vào.
Tổng quan
Giám đốc điều hành IntoTheBlock @jrdothoughts gần đây đã chia sẻ những hiểu biết sâu sắc của mình trong một bài đăng.
Anh bàn luận:
a. Những thách thức cốt lõi của Web3-AI
b. Xu hướng được thổi phồng quá mức
c. Xu hướng có tiềm năng cao
Tôi đã chắt lọc mọi điểm quan trọng cho bạn! Hãy cùng tìm hiểu:
tình hình thị trường
Thị trường Web3-AI hiện tại đang được thổi phồng quá mức và được tài trợ.
Nhiều dự án bị ngắt kết nối với nhu cầu thực tế của ngành AI.
Sự mất kết nối này tạo ra sự nhầm lẫn nhưng cũng tạo cơ hội cho những người có cái nhìn sâu sắc.
(Tín dụng cho @coinbase)
thách thức cốt lõi
Khoảng cách giữa Web2 và Web3 AI ngày càng lớn vì ba lý do chính:
Tài năng nghiên cứu AI hạn chế
cơ sở hạ tầng hạn chế
Không đủ mô hình, dữ liệu và tài nguyên tính toán
Khái niệm cơ bản về AI sáng tạo
AI sáng tạo dựa trên ba yếu tố chính: mô hình, dữ liệu và tài nguyên máy tính.
Hiện tại, chưa có mô hình chính nào được tối ưu hóa cho cơ sở hạ tầng Web3.
Nguồn vốn ban đầu hỗ trợ một số dự án Web3 vốn không liên quan đến thực tế của AI.
Xu hướng được đánh giá quá cao
Bất chấp mọi sự cường điệu hóa, không phải tất cả các xu hướng Web3-AI đều đáng được chú ý.
Dưới đây là một số xu hướng mà @jrdothoughts cho là được đánh giá cao nhất:
a. Mạng GPU phi tập trung
b. Mô hình ZK-AI
c. Bằng chứng lý luận (Cảm ơn @ModulusLabs)
Mạng GPU phi tập trung
Các mạng này hứa hẹn sẽ dân chủ hóa việc đào tạo AI.
Nhưng thực tế là việc đào tạo các mô hình lớn trên cơ sở hạ tầng phi tập trung còn chậm và không thực tế.
Xu hướng này vẫn chưa thực hiện được những hứa hẹn cao cả của nó.
Mô hình AI không có kiến thức
Các mô hình AI không có kiến thức trông hấp dẫn về mặt bảo vệ quyền riêng tư.
Nhưng trong thực tế, chúng tốn kém về mặt tính toán và khó diễn giải.
Điều này làm cho chúng không thực tế đối với các ứng dụng quy mô lớn.
(Tín dụng cho @oraprotocol)
Thông tin trong hình:
b) Hiện tại, chi phí lên tới 1000 lần.
Tuy nhiên, cách tiếp cận này còn lâu mới thực tế, đặc biệt đối với các trường hợp sử dụng như trường hợp được Vitalik mô tả. Dưới đây là một số ví dụ:
Khung zkML EZKL mất khoảng 80 phút để tạo bằng chứng cho mô hình 1M-nanoGPT.
Theo Modulus Labs, chi phí hoạt động của zkML cao hơn 1.000 lần so với tính toán thuần túy, với báo cáo mới nhất cho thấy con số này là 1.000 lần.
Theo điểm chuẩn EZKL, RISC Zero có thời gian chứng minh trung bình là 173 giây trong nhiệm vụ phân loại rừng ngẫu nhiên.
bằng chứng lập luận
Khung bằng chứng suy luận cung cấp bằng chứng mật mã cho đầu ra AI.
Tuy nhiên, @jrdothoughts tin rằng những giải pháp này sẽ giải quyết được những vấn đề không tồn tại.
Vì vậy, chúng có những ứng dụng hạn chế trong thế giới thực.
xu hướng tiềm năng cao
Trong khi một số xu hướng được thổi phồng quá mức thì những xu hướng khác lại có tiềm năng đáng kể.
Dưới đây là một số xu hướng bị đánh giá thấp nhưng có thể mang lại cơ hội thực sự:
a. Đại lý AI có ví
b. Quỹ tiền điện tử AI
c. Mô hình cơ bản nhỏ
d. Tạo dữ liệu tổng hợp
Đại lý AI có ví
Hãy tưởng tượng các đại lý AI có khả năng tài chính thông qua tiền điện tử.
Các đại lý này có thể thuê các đại lý khác hoặc đóng góp quỹ để đảm bảo chất lượng.
Một ứng dụng thú vị khác là "tác nhân dự đoán", như được đề cập bởi @vitalikbuterin.
Quỹ tiền điện tử AI
Các dự án AI sáng tạo thường phải đối mặt với tình trạng thiếu kinh phí.
Các phương pháp tạo vốn hiệu quả của tiền điện tử, chẳng hạn như airdrop và ưu đãi, cung cấp hỗ trợ tài chính quan trọng cho các dự án AI nguồn mở.
Những phương pháp này giúp thúc đẩy sự đổi mới. (Tín dụng cho @oraprotocol)
mô hình cơ bản nhỏ
Các mô hình cơ bản nhỏ, chẳng hạn như mô hình Phi của Microsoft, minh họa ý tưởng rằng ít hơn là nhiều hơn.
Các mô hình có tham số 1B-5B rất quan trọng đối với AI phi tập trung và hỗ trợ các giải pháp AI mạnh mẽ trên thiết bị.
(Nguồn: @microsoft)
Tạo dữ liệu tổng hợp
Sự khan hiếm dữ liệu là một trong những trở ngại chính cho sự phát triển của AI.
Dữ liệu tổng hợp được tạo thông qua các mô hình cơ sở có thể bổ sung một cách hiệu quả cho các tập dữ liệu trong thế giới thực.
Vượt qua sự cường điệu
Cơn sốt Web3-AI ban đầu tập trung vào một số đề xuất giá trị phi thực tế.
@jrdthoughts tin rằng đã đến lúc tập trung vào việc xây dựng các giải pháp thực sự hiệu quả.
Khi sự chú ý thay đổi, lĩnh vực AI vẫn còn rất nhiều cơ hội đang chờ được khám phá bởi những con mắt tinh tường.
Bài viết này chỉ nhằm mục đích giáo dục và không phải là lời khuyên tài chính. Xin chân thành cảm ơn @jrdothoughts vì những hiểu biết sâu sắc có giá trị.
