Câu chuyện "AI + Web3" là một sự kết hợp công nghệ thực sự hay một gói khái niệm khác? Bài viết này dựa trên một bài báo được viết bởi TinTinLand và được tuyển chọn và đóng góp bởi Foresight News. (Tóm tắt nội dung: Liệu bản nhạc AI có thể thoát khỏi sự kỳ thị của sự cường điệu không?) Kiểm kê ba dự án AI Agent bao gồm tiền điện tử) (Bổ sung cơ bản: Tin tức thang độ xám: Quý đầu tiên của năm 2025 là quý lạc quan nhất về 20 loại tiền điện tử chính này, tập trung vào DeFi, AI Agents và hệ sinh thái Solana) Năm 2025, sự phổ biến của câu chuyện "AI + Web3" vẫn không suy giảm. Theo báo cáo mới nhất của Grayscale, được công bố vào tháng 5 năm 2025, vốn hóa thị trường tổng thể của theo dõi AI Crypto đã đạt 21 tỷ đô la, gần gấp năm lần so với 4,5 tỷ đô la trong quý đầu tiên của năm 2023. Đằng sau làn sóng này, liệu có sự hội tụ thực sự của các công nghệ, hay đó là một bao bì khái niệm khác? Từ góc độ vĩ mô, hệ sinh thái AI truyền thống đã bộc lộ ngày càng nhiều vấn đề cấu trúc: ngưỡng đào tạo mô hình cao, quyền riêng tư dữ liệu không được đảm bảo, độc quyền sức mạnh tính toán cao, quy trình suy luận hộp đen và cơ chế khuyến khích không cân bằng...... Những điểm khó khăn này rất phù hợp với những ưu điểm gốc của Web3: phi tập trung, cơ chế thị trường mở, khả năng kiểm chứng trên chuỗi, chủ quyền dữ liệu người dùng, v.v. Sự kết hợp giữa AI + Web3 không chỉ là sự chồng chất của hai từ nóng bỏng, mà là sự bổ sung cho công nghệ cấu trúc. Hãy bắt đầu từ những điểm khó khăn cốt lõi mà AI phải đối mặt, tháo rời sâu những dự án Web3 đang thực sự giải quyết vấn đề và đưa bạn đến xem giá trị và hướng đi của đường đua AI Crypto. Ngưỡng truy cập dịch vụ AI quá cao và đắt tiền Các dịch vụ AI hiện nay thường đắt tiền và khó có được tài nguyên đào tạo, điều này cực kỳ cao đối với các doanh nghiệp vừa và nhỏ và các nhà phát triển cá nhân. Ngoài ra, các dịch vụ này thường phức tạp về mặt kỹ thuật và yêu cầu nền tảng chuyên môn để bắt đầu. Thị trường dịch vụ AI tập trung cao, người dùng thiếu sự lựa chọn đa dạng, chi phí cuộc gọi không rõ ràng, ngân sách khó dự đoán và thậm chí phải đối mặt với vấn đề độc quyền sức mạnh tính toán. Giải pháp của Web3 là phá vỡ các rào cản nền tảng thông qua phi tập trung, xây dựng thị trường GPU mở và mô hình mạng dịch vụ, hỗ trợ lên lịch linh hoạt các tài nguyên nhàn rỗi và thúc đẩy nhiều người tham gia đóng góp sức mạnh tính toán và mô hình thông qua lập lịch tác vụ trên chuỗi và cơ chế kinh tế minh bạch, giảm chi phí tổng thể và cải thiện khả năng tiếp cận dịch vụ. Render Network: tập trung vào kết xuất GPU phi tập trung, cũng hỗ trợ suy luận và đào tạo AI, đồng thời áp dụng mô hình "trả tiền cho mỗi lần sử dụng" để giúp các nhà phát triển truy cập các dịch vụ tạo hình ảnh và AI với chi phí thấp. Gensyn: Xây dựng mạng lưới đào tạo deep learning phi tập trung, sử dụng cơ chế proof-of-compute để xác minh kết quả đào tạo và thúc đẩy đào tạo AI từ tập trung nền tảng sang cộng tác mở. Akash Network: Một nền tảng điện toán đám mây phi tập trung dựa trên công nghệ blockchain, các nhà phát triển có thể thuê tài nguyên GPU theo yêu cầu để triển khai và thực thi các ứng dụng AI, đây là "phiên bản phi tập trung của điện toán đám mây". 0G Labs: Layer-1 gốc AI phi tập trung, giúp giảm đáng kể chi phí và độ phức tạp của việc thực thi các mô hình AI trên chuỗi thông qua kiến trúc phân tách lưu trữ và tính toán sáng tạo. Thiếu ưu đãi cho những người đóng góp dữ liệu Dữ liệu chất lượng cao là nhiên liệu cốt lõi của các mô hình AI, nhưng theo mô hình truyền thống, những người đóng góp dữ liệu phải vật lộn để được khen thưởng. Bản chất mờ đục và lặp đi lặp lại của các nguồn dữ liệu và thiếu phản hồi về cách chúng được sử dụng khiến hệ sinh thái dữ liệu không hiệu quả trong một thời gian dài. Web3 cung cấp một giải pháp mới để chính thức hóa: một vòng khép kín rõ ràng về sự hợp tác và khuyến khích giữa những người đóng góp dữ liệu, nhà phát triển mô hình và người dùng thông qua chữ ký mật mã, xác nhận quyền trên chuỗi và các cơ chế kinh tế có thể kết hợp. Dự án đại diện OpenLedger: Đề xuất sáng tạo khái niệm "AI phải trả", kết hợp đóng góp dữ liệu, gọi mô hình và khuyến khích kinh tế để thúc đẩy hình thành mạng lưới kinh tế dữ liệu cho sự hợp tác chuỗi AI. Bittensor: Một hệ thống khuyến khích hoàn chỉnh với phần thưởng TAO, cơ chế đồng thuận Yuma, ưu đãi chính xác mạng con, hợp tác kiến thức, v.v. làm cốt lõi, liên kết trực tiếp đóng góp dữ liệu với kết quả triển khai mô hình và nâng cao đóng góp giá trị tổng thể. Grass: Mạng dữ liệu AI thu thập dữ liệu hành vi duyệt web của người dùng thông qua plugin, góp phần đào tạo công cụ tìm kiếm trên chuỗi và thưởng cho người dùng theo chất lượng dữ liệu, tạo ra cơ chế chia sẻ dữ liệu do cộng đồng định hướng. Mô hình hộp đen, suy luận AI không thể được xác minh Quá trình suy luận của các mô hình AI chính thống hiện nay có tính hộp đen cao, người dùng không thể xác minh tính đúng đắn và độ tin cậy của kết quả, đặc biệt là trong các lĩnh vực rủi ro cao như tài chính và chăm sóc y tế. Ngoài ra, các mô hình có thể bị giả mạo, đầu độc và các cuộc tấn công khác, gây khó khăn cho việc theo dõi hoặc kiểm tra. Để đạt được mục tiêu này, dự án Web3 đang cố gắng giới thiệu bằng chứng không kiến thức (ZK), mã hóa đồng hình hoàn toàn (FHE) và môi trường thực thi đáng tin cậy (TEE) để làm cho quá trình suy luận mô hình có thể kiểm chứng và kiểm tra, đồng thời cải thiện khả năng giải thích và nền tảng tin cậy của các hệ thống AI. Dự án đại diện: Công nghệ lấy dấu vân tay mô hình sáng tạo đảm bảo rằng hành vi cuộc gọi có thể được theo dõi, cải thiện tính minh bạch và khả năng chống giả mạo khi sử dụng mô hình. Modulus Labs: Sử dụng công nghệ ZK để xác minh mật mã quá trình suy luận mô hình và nhận ra sự chuẩn hóa mới của "AI đáng tin cậy". Giza: Sử dụng mật mã không kiến thức để tính toán suy luận học máy trên chuỗi, từ đó cải thiện tính minh bạch và tin cậy trong việc triển khai mô hình AI. Rủi ro về quyền riêng tư và bảo mật Quá trình đào tạo AI thường liên quan đến một lượng lớn dữ liệu nhạy cảm và phải đối mặt với các rủi ro như rò rỉ quyền riêng tư, lạm dụng hoặc tấn công mô hình và thiếu minh bạch trong việc ra quyết định. Đồng thời, quyền sở hữu dữ liệu và mô hình được xác định mơ hồ, càng làm trầm trọng thêm rủi ro bảo mật. Với tính bất biến của blockchain, công nghệ điện toán mật mã (như ZK, FHE), môi trường thực thi đáng tin cậy và các phương tiện khác, tính bảo mật và khả năng kiểm soát của dữ liệu và mô hình hệ thống AI trong toàn bộ quá trình đào tạo, lưu trữ và gọi được đảm bảo. Mạng Phala: Cung cấp hỗ trợ Môi trường thực thi đáng tin cậy (TEE) để đóng gói các máy tính quan trọng trong phần cứng an toàn để ngăn chặn rò rỉ dữ liệu và đánh cắp mô hình. ZAMA: Tập trung vào công nghệ mã hóa đồng hình hoàn toàn (FHE), để đào tạo và suy luận mô hình có thể được thực hiện ở trạng thái mã hóa, cho phép "tính toán mà không cần văn bản rõ ràng". Mind Network: Xây dựng nền tảng suy luận và chia sẻ dữ liệu AI phi tập trung hỗ trợ bảo vệ quyền riêng tư, đồng thời thực hiện chia sẻ bảo mật dữ liệu và tính toán quyền riêng tư thông qua công nghệ mã hóa giao diện người dùng (mã hóa đồng hình, bằng chứng không kiến thức, v.v.). Vana: Một ứng dụng tạo danh tính AI được thiết kế để cung cấp cho người dùng quyền sở hữu và quyền kiểm soát dữ liệu của họ, đảm bảo quyền riêng tư và bảo mật của nó. Tranh chấp bản quyền và sở hữu trí tuệ của mô hình AI Đào tạo mô hình AI hiện tại sử dụng rộng rãi tài liệu Internet, nhưng thường sử dụng trái phép nội dung có bản quyền dẫn đến tranh chấp pháp lý thường xuyên. Đồng thời, quyền sở hữu bản quyền đối với nội dung do AI tạo ra không rõ ràng, không có cơ chế minh bạch cho việc phân phối quyền và lợi ích giữa người sáng tạo gốc, nhà phát triển mô hình và người dùng. Không có gì lạ khi các mô hình bị sao chép hoặc chiếm đoạt một cách ác ý, và rất khó để bảo vệ quyền sở hữu trí tuệ. Web3 lưu trữ thời gian thiết lập mô hình, nguồn dữ liệu đào tạo, thông tin người đóng góp, v.v. thông qua cơ chế xác nhận quyền trên chuỗi và sử dụng các công cụ như NFT và hợp đồng thông minh để xác định quyền sở hữu bản quyền của mô hình hoặc nội dung. Giao thức câu chuyện:...
Xem bản gốc
Nội dung chỉ mang tính chất tham khảo, không phải là lời chào mời hay đề nghị. Không cung cấp tư vấn về đầu tư, thuế hoặc pháp lý. Xem Tuyên bố miễn trừ trách nhiệm để biết thêm thông tin về rủi ro.
Đầu tư vào xu hướng hay bong bóng? Giá trị của AI + Web3 vẫn còn gì?
Câu chuyện "AI + Web3" là một sự kết hợp công nghệ thực sự hay một gói khái niệm khác? Bài viết này dựa trên một bài báo được viết bởi TinTinLand và được tuyển chọn và đóng góp bởi Foresight News. (Tóm tắt nội dung: Liệu bản nhạc AI có thể thoát khỏi sự kỳ thị của sự cường điệu không?) Kiểm kê ba dự án AI Agent bao gồm tiền điện tử) (Bổ sung cơ bản: Tin tức thang độ xám: Quý đầu tiên của năm 2025 là quý lạc quan nhất về 20 loại tiền điện tử chính này, tập trung vào DeFi, AI Agents và hệ sinh thái Solana) Năm 2025, sự phổ biến của câu chuyện "AI + Web3" vẫn không suy giảm. Theo báo cáo mới nhất của Grayscale, được công bố vào tháng 5 năm 2025, vốn hóa thị trường tổng thể của theo dõi AI Crypto đã đạt 21 tỷ đô la, gần gấp năm lần so với 4,5 tỷ đô la trong quý đầu tiên của năm 2023. Đằng sau làn sóng này, liệu có sự hội tụ thực sự của các công nghệ, hay đó là một bao bì khái niệm khác? Từ góc độ vĩ mô, hệ sinh thái AI truyền thống đã bộc lộ ngày càng nhiều vấn đề cấu trúc: ngưỡng đào tạo mô hình cao, quyền riêng tư dữ liệu không được đảm bảo, độc quyền sức mạnh tính toán cao, quy trình suy luận hộp đen và cơ chế khuyến khích không cân bằng...... Những điểm khó khăn này rất phù hợp với những ưu điểm gốc của Web3: phi tập trung, cơ chế thị trường mở, khả năng kiểm chứng trên chuỗi, chủ quyền dữ liệu người dùng, v.v. Sự kết hợp giữa AI + Web3 không chỉ là sự chồng chất của hai từ nóng bỏng, mà là sự bổ sung cho công nghệ cấu trúc. Hãy bắt đầu từ những điểm khó khăn cốt lõi mà AI phải đối mặt, tháo rời sâu những dự án Web3 đang thực sự giải quyết vấn đề và đưa bạn đến xem giá trị và hướng đi của đường đua AI Crypto. Ngưỡng truy cập dịch vụ AI quá cao và đắt tiền Các dịch vụ AI hiện nay thường đắt tiền và khó có được tài nguyên đào tạo, điều này cực kỳ cao đối với các doanh nghiệp vừa và nhỏ và các nhà phát triển cá nhân. Ngoài ra, các dịch vụ này thường phức tạp về mặt kỹ thuật và yêu cầu nền tảng chuyên môn để bắt đầu. Thị trường dịch vụ AI tập trung cao, người dùng thiếu sự lựa chọn đa dạng, chi phí cuộc gọi không rõ ràng, ngân sách khó dự đoán và thậm chí phải đối mặt với vấn đề độc quyền sức mạnh tính toán. Giải pháp của Web3 là phá vỡ các rào cản nền tảng thông qua phi tập trung, xây dựng thị trường GPU mở và mô hình mạng dịch vụ, hỗ trợ lên lịch linh hoạt các tài nguyên nhàn rỗi và thúc đẩy nhiều người tham gia đóng góp sức mạnh tính toán và mô hình thông qua lập lịch tác vụ trên chuỗi và cơ chế kinh tế minh bạch, giảm chi phí tổng thể và cải thiện khả năng tiếp cận dịch vụ. Render Network: tập trung vào kết xuất GPU phi tập trung, cũng hỗ trợ suy luận và đào tạo AI, đồng thời áp dụng mô hình "trả tiền cho mỗi lần sử dụng" để giúp các nhà phát triển truy cập các dịch vụ tạo hình ảnh và AI với chi phí thấp. Gensyn: Xây dựng mạng lưới đào tạo deep learning phi tập trung, sử dụng cơ chế proof-of-compute để xác minh kết quả đào tạo và thúc đẩy đào tạo AI từ tập trung nền tảng sang cộng tác mở. Akash Network: Một nền tảng điện toán đám mây phi tập trung dựa trên công nghệ blockchain, các nhà phát triển có thể thuê tài nguyên GPU theo yêu cầu để triển khai và thực thi các ứng dụng AI, đây là "phiên bản phi tập trung của điện toán đám mây". 0G Labs: Layer-1 gốc AI phi tập trung, giúp giảm đáng kể chi phí và độ phức tạp của việc thực thi các mô hình AI trên chuỗi thông qua kiến trúc phân tách lưu trữ và tính toán sáng tạo. Thiếu ưu đãi cho những người đóng góp dữ liệu Dữ liệu chất lượng cao là nhiên liệu cốt lõi của các mô hình AI, nhưng theo mô hình truyền thống, những người đóng góp dữ liệu phải vật lộn để được khen thưởng. Bản chất mờ đục và lặp đi lặp lại của các nguồn dữ liệu và thiếu phản hồi về cách chúng được sử dụng khiến hệ sinh thái dữ liệu không hiệu quả trong một thời gian dài. Web3 cung cấp một giải pháp mới để chính thức hóa: một vòng khép kín rõ ràng về sự hợp tác và khuyến khích giữa những người đóng góp dữ liệu, nhà phát triển mô hình và người dùng thông qua chữ ký mật mã, xác nhận quyền trên chuỗi và các cơ chế kinh tế có thể kết hợp. Dự án đại diện OpenLedger: Đề xuất sáng tạo khái niệm "AI phải trả", kết hợp đóng góp dữ liệu, gọi mô hình và khuyến khích kinh tế để thúc đẩy hình thành mạng lưới kinh tế dữ liệu cho sự hợp tác chuỗi AI. Bittensor: Một hệ thống khuyến khích hoàn chỉnh với phần thưởng TAO, cơ chế đồng thuận Yuma, ưu đãi chính xác mạng con, hợp tác kiến thức, v.v. làm cốt lõi, liên kết trực tiếp đóng góp dữ liệu với kết quả triển khai mô hình và nâng cao đóng góp giá trị tổng thể. Grass: Mạng dữ liệu AI thu thập dữ liệu hành vi duyệt web của người dùng thông qua plugin, góp phần đào tạo công cụ tìm kiếm trên chuỗi và thưởng cho người dùng theo chất lượng dữ liệu, tạo ra cơ chế chia sẻ dữ liệu do cộng đồng định hướng. Mô hình hộp đen, suy luận AI không thể được xác minh Quá trình suy luận của các mô hình AI chính thống hiện nay có tính hộp đen cao, người dùng không thể xác minh tính đúng đắn và độ tin cậy của kết quả, đặc biệt là trong các lĩnh vực rủi ro cao như tài chính và chăm sóc y tế. Ngoài ra, các mô hình có thể bị giả mạo, đầu độc và các cuộc tấn công khác, gây khó khăn cho việc theo dõi hoặc kiểm tra. Để đạt được mục tiêu này, dự án Web3 đang cố gắng giới thiệu bằng chứng không kiến thức (ZK), mã hóa đồng hình hoàn toàn (FHE) và môi trường thực thi đáng tin cậy (TEE) để làm cho quá trình suy luận mô hình có thể kiểm chứng và kiểm tra, đồng thời cải thiện khả năng giải thích và nền tảng tin cậy của các hệ thống AI. Dự án đại diện: Công nghệ lấy dấu vân tay mô hình sáng tạo đảm bảo rằng hành vi cuộc gọi có thể được theo dõi, cải thiện tính minh bạch và khả năng chống giả mạo khi sử dụng mô hình. Modulus Labs: Sử dụng công nghệ ZK để xác minh mật mã quá trình suy luận mô hình và nhận ra sự chuẩn hóa mới của "AI đáng tin cậy". Giza: Sử dụng mật mã không kiến thức để tính toán suy luận học máy trên chuỗi, từ đó cải thiện tính minh bạch và tin cậy trong việc triển khai mô hình AI. Rủi ro về quyền riêng tư và bảo mật Quá trình đào tạo AI thường liên quan đến một lượng lớn dữ liệu nhạy cảm và phải đối mặt với các rủi ro như rò rỉ quyền riêng tư, lạm dụng hoặc tấn công mô hình và thiếu minh bạch trong việc ra quyết định. Đồng thời, quyền sở hữu dữ liệu và mô hình được xác định mơ hồ, càng làm trầm trọng thêm rủi ro bảo mật. Với tính bất biến của blockchain, công nghệ điện toán mật mã (như ZK, FHE), môi trường thực thi đáng tin cậy và các phương tiện khác, tính bảo mật và khả năng kiểm soát của dữ liệu và mô hình hệ thống AI trong toàn bộ quá trình đào tạo, lưu trữ và gọi được đảm bảo. Mạng Phala: Cung cấp hỗ trợ Môi trường thực thi đáng tin cậy (TEE) để đóng gói các máy tính quan trọng trong phần cứng an toàn để ngăn chặn rò rỉ dữ liệu và đánh cắp mô hình. ZAMA: Tập trung vào công nghệ mã hóa đồng hình hoàn toàn (FHE), để đào tạo và suy luận mô hình có thể được thực hiện ở trạng thái mã hóa, cho phép "tính toán mà không cần văn bản rõ ràng". Mind Network: Xây dựng nền tảng suy luận và chia sẻ dữ liệu AI phi tập trung hỗ trợ bảo vệ quyền riêng tư, đồng thời thực hiện chia sẻ bảo mật dữ liệu và tính toán quyền riêng tư thông qua công nghệ mã hóa giao diện người dùng (mã hóa đồng hình, bằng chứng không kiến thức, v.v.). Vana: Một ứng dụng tạo danh tính AI được thiết kế để cung cấp cho người dùng quyền sở hữu và quyền kiểm soát dữ liệu của họ, đảm bảo quyền riêng tư và bảo mật của nó. Tranh chấp bản quyền và sở hữu trí tuệ của mô hình AI Đào tạo mô hình AI hiện tại sử dụng rộng rãi tài liệu Internet, nhưng thường sử dụng trái phép nội dung có bản quyền dẫn đến tranh chấp pháp lý thường xuyên. Đồng thời, quyền sở hữu bản quyền đối với nội dung do AI tạo ra không rõ ràng, không có cơ chế minh bạch cho việc phân phối quyền và lợi ích giữa người sáng tạo gốc, nhà phát triển mô hình và người dùng. Không có gì lạ khi các mô hình bị sao chép hoặc chiếm đoạt một cách ác ý, và rất khó để bảo vệ quyền sở hữu trí tuệ. Web3 lưu trữ thời gian thiết lập mô hình, nguồn dữ liệu đào tạo, thông tin người đóng góp, v.v. thông qua cơ chế xác nhận quyền trên chuỗi và sử dụng các công cụ như NFT và hợp đồng thông minh để xác định quyền sở hữu bản quyền của mô hình hoặc nội dung. Giao thức câu chuyện:...