Những người tham gia Web3 nên tập trung vào các kịch bản phân khúc và phát huy lợi thế độc đáo của họ trong việc chống kiểm duyệt, tính minh bạch và khả năng xác minh xã hội.
Tác giả: David & Goliath
Biên dịch: 深潮TechFlow
Hiện tại, lĩnh vực AI chủ yếu được điều khiển bởi các gã khổng lồ Web2 tập trung. Những công ty này chiếm ưu thế nhờ vào sức mạnh vốn lớn, thiết bị phần cứng tiên tiến nhất và nguồn dữ liệu khổng lồ. Mặc dù tình huống này có thể tiếp tục tồn tại trong việc phát triển các mô hình học máy (ML) đa năng mạnh mẽ nhất, nhưng đối với các mô hình tầm trung hoặc tùy chỉnh, mạng lưới Web3 có thể dần dần trở thành nguồn tài nguyên tính toán kinh tế và dễ tiếp cận hơn.
Tương tự, khi nhu cầu suy luận vượt quá khả năng của thiết bị biên cá nhân, một số người tiêu dùng có thể chọn mạng Web3 để có được đầu ra ít bị kiểm duyệt và đa dạng hơn. Thay vì cố gắng làm đảo ngược toàn bộ công nghệ AI, những người tham gia Web3 nên tập trung vào những kịch bản phân khúc này và phát huy lợi thế độc đáo của họ trong việc chống kiểm duyệt, tính minh bạch và khả năng xác minh xã hội.
Tài nguyên phần cứng cần thiết để đào tạo các mô hình cơ bản thế hệ tiếp theo (như GPT hoặc BERT) đang trở nên khan hiếm và đắt đỏ, nhu cầu về chip hiệu suất cao sẽ tiếp tục vượt quá nguồn cung. Sự khan hiếm tài nguyên này dẫn đến việc phần cứng tập trung trong tay một số ít doanh nghiệp lớn có đủ vốn, những doanh nghiệp này sử dụng phần cứng đó để đào tạo và thương mại hóa các mô hình cơ bản có hiệu suất tối ưu và độ phức tạp cao nhất.
Tuy nhiên, tốc độ cập nhật phần cứng diễn ra rất nhanh. Vậy thì, những phần cứng tầm trung hoặc hiệu suất thấp đã lỗi thời sẽ được tận dụng như thế nào?
Những phần cứng này rất có thể sẽ được sử dụng để đào tạo các mô hình đơn giản hơn hoặc có tính nhắm mục tiêu cao hơn. Bằng cách ghép nối các loại mô hình khác nhau với phần cứng có hiệu suất khác nhau, có thể đạt được việc phân bổ tài nguyên tối ưu. Trong trường hợp này, giao thức Web3 có thể đóng vai trò quan trọng bằng cách phối hợp truy cập vào các tài nguyên tính toán đa dạng và chi phí thấp. Ví dụ, người tiêu dùng có thể sử dụng mô hình tầm trung đơn giản được đào tạo trên tập dữ liệu cá nhân và chỉ chọn mô hình cao cấp do doanh nghiệp tập trung đào tạo và lưu trữ khi xử lý các nhiệm vụ phức tạp hơn, đồng thời đảm bảo danh tính người dùng được ẩn và dữ liệu gợi ý được mã hóa.
Ngoài vấn đề hiệu quả, mối quan ngại về sự thiên kiến và kiểm duyệt tiềm ẩn trong các mô hình tập trung cũng ngày càng gia tăng. Môi trường Web3 nổi tiếng với tính minh bạch và khả năng xác minh, có thể cung cấp hỗ trợ đào tạo cho những mô hình bị Web2 bỏ qua hoặc coi là quá nhạy cảm. Những mô hình này mặc dù có thể không cạnh tranh về hiệu suất và đổi mới, nhưng vẫn có giá trị quan trọng đối với một số nhóm xã hội. Do đó, các giao thức Web3 có thể mở ra một thị trường độc đáo trong lĩnh vực này bằng cách cung cấp dịch vụ đào tạo mô hình mở, đáng tin cậy và chống kiểm duyệt.
Ban đầu, hai phương pháp tập trung và phi tập trung có thể đồng tồn tại, phục vụ cho các trường hợp sử dụng khác nhau. Tuy nhiên, khi Web3 liên tục cải thiện trải nghiệm của nhà phát triển và tính tương thích của nền tảng, cùng với hiệu ứng mạng của AI mã nguồn mở ngày càng rõ ràng, Web3 có thể cuối cùng cạnh tranh trong các lĩnh vực cốt lõi của các doanh nghiệp tập trung. Đặc biệt khi người tiêu dùng ngày càng nhận thức rõ hơn về những hạn chế của mô hình tập trung, lợi thế của Web3 sẽ càng trở nên nổi bật.
Ngoài việc đào tạo các mô hình tầm trung hoặc trong các lĩnh vực cụ thể, những người tham gia Web3 cũng có lợi thế trong việc cung cấp các giải pháp suy luận minh bạch và linh hoạt hơn. Các dịch vụ suy luận phi tập trung có thể mang lại nhiều lợi ích, chẳng hạn như không có thời gian ngừng hoạt động, khả năng kết hợp mô hình theo mô-đun, đánh giá hiệu suất mô hình công khai, và đầu ra đa dạng, không bị kiểm duyệt. Những dịch vụ này cũng có thể hiệu quả tránh khỏi vấn đề "khóa nhà cung cấp" mà người tiêu dùng phải đối mặt do phụ thuộc vào một số ít nhà cung cấp tập trung. Giống như việc đào tạo mô hình, lợi thế cạnh tranh của lớp suy luận phi tập trung không nằm ở chính khả năng tính toán, mà ở việc giải quyết một số vấn đề tồn tại từ lâu, chẳng hạn như tính minh bạch của các tham số tinh chỉnh đóng, thiếu khả năng xác minh và chi phí cao.
Dan Olshansky đã đưa ra một ý tưởng đầy hứa hẹn để tạo ra nhiều cơ hội hơn cho các nhà nghiên cứu và kỹ sư AI thông qua mạng lưới suy luận AI của POKT, giúp họ chuyển giao kết quả nghiên cứu của mình vào thực tiễn và kiếm thêm thu nhập thông qua các mô hình học máy (ML) hoặc trí tuệ nhân tạo (AI) tùy chỉnh. Quan trọng hơn, mạng lưới này có khả năng thúc đẩy sự cạnh tranh công bằng hơn trong thị trường dịch vụ suy luận bằng cách tích hợp kết quả suy luận từ nhiều nguồn khác nhau (bao gồm cả nhà cung cấp phi tập trung và tập trung).
Mặc dù dự đoán lạc quan cho rằng toàn bộ công nghệ AI có thể hoàn toàn chuyển sang chuỗi trong tương lai, nhưng hiện tại, mục tiêu này vẫn đối mặt với thách thức lớn về sự tập trung dữ liệu và tài nguyên tính toán, vì những tài nguyên này mang lại lợi thế cạnh tranh đáng kể cho các gã khổng lồ hiện tại. Tuy nhiên, mạng lưới phối hợp và tính toán phi tập trung đã thể hiện giá trị độc đáo trong việc cung cấp dịch vụ AI cá nhân hóa, kinh tế, cạnh tranh mở và chống kiểm duyệt. Bằng cách tập trung vào những thị trường phân khúc mà giá trị này quan trọng nhất, Web3 có thể xây dựng được rào cản cạnh tranh của riêng mình, đảm bảo rằng công nghệ có ảnh hưởng nhất của thời đại này có thể tiến hóa cùng nhau theo nhiều hướng, từ đó mang lại lợi ích cho nhiều bên liên quan hơn, thay vì bị chi phối bởi một vài gã khổng lồ truyền thống.
Cuối cùng, tôi muốn đặc biệt cảm ơn tất cả các thành viên trong đội ngũ Placeholder Investment, cũng như Kyle Samani từ Multicoin Capital, Anand Iyer từ Canonical VC, Keccak Wong từ Nectar AI, Alpin Yukseloglu từ Osmosis Labs và Cameron Dennis từ NEAR Foundation, những người đã cung cấp phản hồi quý giá và xem xét trong quá trình viết bài này.
