Báo cáo toàn cảnh theo dõi Web3-AI: phân tích chuyên sâu về logic kỹ thuật, ứng dụng kịch bản và các dự án hàng đầu

Được viết bởi Geekcartel

Khi câu chuyện về AI tiếp tục nóng lên, ngày càng có nhiều sự chú ý tập trung vào hướng đi này. Geekcartel đã tiến hành phân tích chuyên sâu về logic kỹ thuật, các tình huống ứng dụng và các dự án tiêu biểu của hướng đi Web3-AI để cung cấp cho bạn cái nhìn tổng quan toàn diện và xu hướng phát triển của lĩnh vực này.

1. Web3-AI: Phân tích logic kỹ thuật và cơ hội thị trường mới nổi

1.1 Logic tích hợp của Web3 và AI: Làm thế nào để bất chấpne the Web-AI track

Trong năm qua, các câu chuyện về AI đã trở nên cực kỳ phổ biến trong ngành Web3 và các dự án AI mọc lên như nấm sau mưa. Mặc dù có nhiều dự án liên quan đến công nghệ AI, một số dự án chỉ sử dụng AI trong một số phần nhất định của sản phẩm và nền kinh tế token cơ bản không có mối liên hệ đáng kể nào với các sản phẩm AI. Do đó, các dự án như vậy không được đưa vào thảo luận về các dự án Web3-AI trong bài viết này.

Bài viết này tập trung vào các dự án sử dụng blockchain để giải quyết các vấn đề về mối quan hệ sản xuất và AI để giải quyết các vấn đề về năng suất. Các dự án này cung cấp các sản phẩm AI và sử dụng mô hình kinh tế Web3 làm công cụ quan hệ sản xuất. Hai thứ bổ sung cho nhau. Chúng tôi phân loại các dự án như vậy là đường dẫn Web3-AI. Để giúp độc giả hiểu rõ hơn về đường dẫn Web3-AI, Geekcartel sẽ giới thiệu quy trình phát triển và những thách thức của AI, cũng như cách kết hợp Web3 và AI có thể giải quyết hoàn hảo các vấn đề và tạo ra các kịch bản ứng dụng mới.

1.2 Quá trình phát triển AI và những thách thức: từ thu thập dữ liệu đến lý luận mô hình

Công nghệ AI là công nghệ cho phép máy tính mô phỏng, mở rộng và nâng cao trí thông minh của con người. Nó cho phép máy tính thực hiện nhiều tác vụ phức tạp, từ dịch ngôn ngữ, phân loại hình ảnh đến nhận dạng khuôn mặt, lái xe tự động và các tình huống ứng dụng khác. AI đang thay đổi cách chúng ta sống và làm việc.

Quá trình phát triển mô hình AI thường bao gồm các bước chính sau: thu thập dữ liệu và xử lý dữ liệu trước, lựa chọn và điều chỉnh mô hình, đào tạo và suy luận mô hình. Ví dụ, để phát triển mô hình phân loại hình ảnh mèo và chó, bạn cần:

• Thu thập dữ liệu và xử lý dữ liệu trước: Thu thập một tập dữ liệu chứa hình ảnh mèo và chó. Bạn có thể sử dụng một tập dữ liệu công khai hoặc tự mình thu thập dữ liệu thực. Sau đó, gắn nhãn cho từng hình ảnh bằng một danh mục (mèo hoặc chó) để đảm bảo rằng nhãn chính xác. Chuyển đổi hình ảnh thành định dạng mà mô hình có thể nhận dạng và chia tập dữ liệu thành các tập huấn luyện, xác thực và kiểm tra.

• Lựa chọn và điều chỉnh mô hình: Chọn một mô hình phù hợp, chẳng hạn như mạng nơ-ron tích chập (CNN), phù hợp hơn cho các tác vụ phân loại hình ảnh. Điều chỉnh các tham số hoặc kiến trúc mô hình theo các yêu cầu khác nhau. Nói chung, lớp mạng của mô hình có thể được điều chỉnh theo độ phức tạp của tác vụ AI. Trong ví dụ phân loại đơn giản này, một lớp mạng nông hơn có thể đủ.

• Đào tạo người mẫu: Bạn có thể sử dụng GPU, TPU hoặc cụm máy tính hiệu suất cao để đào tạo mô hình. Thời gian đào tạo bị ảnh hưởng bởi độ phức tạp của mô hình và sức mạnh tính toán.

• Suy luận mô hình: Tệp đào tạo mô hình thường được gọi là trọng số mô hình. Quá trình suy luận đề cập đến quá trình sử dụng mô hình đã đào tạo để dự đoán hoặc phân loại dữ liệu mới. Trong quá trình này, bộ kiểm tra hoặc dữ liệu mới có thể được sử dụng để kiểm tra hiệu ứng phân loại của mô hình. Thông thường, các chỉ số như độ chính xác, tỷ lệ thu hồi và điểm F1 được sử dụng để đánh giá hiệu quả của mô hình.

Như thể hiện trong hình, sau khi thu thập dữ liệu và xử lý trước dữ liệu, lựa chọn và điều chỉnh mô hình, và đào tạo, mô hình đã đào tạo được suy ra trên tập kiểm tra để thu được giá trị dự đoán P (xác suất) của mèo và chó, tức là xác suất mà mô hình suy ra rằng đó là mèo hay chó.

Mô hình AI được đào tạo có thể được tích hợp thêm vào nhiều ứng dụng khác nhau để thực hiện các nhiệm vụ khác nhau. Trong ví dụ này, mô hình AI để phân loại mèo và chó có thể được tích hợp vào ứng dụng di động và người dùng có thể tải lên hình ảnh mèo hoặc chó để có kết quả phân loại.

Tuy nhiên, quá trình phát triển AI tập trung có một số vấn đề trong các trường hợp sau:

• Quyền riêng tư của người dùng: Trong các kịch bản tập trung, quá trình phát triển AI thường không minh bạch. Dữ liệu người dùng có thể bị đánh cắp và sử dụng để đào tạo AI mà không hề hay biết.

• Thu thập nguồn dữ liệu: Khi các nhóm nhỏ hoặc cá nhân thu thập dữ liệu trong các lĩnh vực cụ thể (như dữ liệu y tế), họ có thể gặp phải hạn chế là dữ liệu đó không phải là nguồn mở.

• Lựa chọn và điều chỉnh mô hình: Đối với các nhóm nhỏ, việc có được các tài nguyên mô hình dành riêng cho từng miền là rất khó khăn hoặc tốn kém để điều chỉnh mô hình.

• Đạt được sức mạnh tính toán: Đối với các nhà phát triển cá nhân và nhóm nhỏ, chi phí cao để mua GPU và thuê sức mạnh điện toán đám mây có thể là gánh nặng tài chính đáng kể.

• Thu nhập tài sản AI: Người dán nhãn dữ liệu thường không thể kiếm được thu nhập tương xứng với công sức của họ và kết quả nghiên cứu của các nhà phát triển AI rất khó để tìm được người mua có nhu cầu.

Những thách thức hiện hữu trong các kịch bản AI tập trung có thể được giải quyết bằng cách kết hợp với Web3. Là một loại mối quan hệ sản xuất mới, Web3 tự nhiên thích ứng với AI, đại diện cho một loại năng suất mới, do đó thúc đẩy sự tiến bộ đồng thời của công nghệ và khả năng sản xuất.

1.3 Sự tương tác giữa Web3 và AI: Chuyển đổi vai trò và ứng dụng sáng tạo

Sự kết hợp giữa Web3 và AI có thể nâng cao chủ quyền của người dùng, cung cấp cho người dùng nền tảng cộng tác AI mở và chuyển đổi người dùng từ người dùng AI trong kỷ nguyên Web2 thành người tham gia, tạo ra AI mà mọi người đều có thể sở hữu. Đồng thời, sự tích hợp của thế giới Web3 và công nghệ AI cũng có thể va chạm với các kịch bản ứng dụng và trò chơi sáng tạo hơn.

Dựa trên công nghệ Web3, việc phát triển và ứng dụng AI sẽ mở ra một hệ thống kinh tế hợp tác hoàn toàn mới. Quyền riêng tư dữ liệu của mọi người có thể được đảm bảo, mô hình crowdsourcing dữ liệu thúc đẩy sự tiến bộ của các mô hình AI, nhiều tài nguyên AI nguồn mở có sẵn cho người dùng và sức mạnh tính toán được chia sẻ có thể đạt được với chi phí thấp hơn. Với sự trợ giúp của các cơ chế crowdsourcing cộng tác phi tập trung và thị trường AI mở, có thể đạt được một hệ thống phân phối thu nhập công bằng, do đó thúc đẩy nhiều người hơn nữa thúc đẩy sự tiến bộ của công nghệ AI.

Trong các tình huống Web3, AI có thể có tác động tích cực theo nhiều hướng. Ví dụ, các mô hình AI có thể được tích hợp vào hợp đồng thông minh để cải thiện hiệu quả công việc trong các tình huống ứng dụng khác nhau, chẳng hạn như phân tích thị trường, phát hiện bảo mật, phân cụm xã hội và các chức năng khác. AI tạo sinh không chỉ cho phép người dùng trải nghiệm vai trò của nghệ sĩ, chẳng hạn như sử dụng công nghệ AI để tạo NFT của riêng họ, mà còn tạo ra các kịch bản trò chơi phong phú và đa dạng và trải nghiệm tương tác thú vị trong GameFi. Cơ sở hạ tầng phong phú cung cấp trải nghiệm phát triển mượt mà và cả chuyên gia AI và người mới bắt đầu muốn tham gia lĩnh vực AI đều có thể tìm thấy mục nhập phù hợp trong thế giới này.

2. Bản đồ dự án hệ sinh thái Web3-AI và giải thích kiến trúc

Chúng tôi chủ yếu nghiên cứu 41 dự án trong đường dẫn Web3-AI và chia các dự án này thành các cấp độ khác nhau. Logic phân chia của từng lớp được thể hiện trong hình bên dưới, bao gồm lớp cơ sở hạ tầng, lớp giữa và lớp ứng dụng, và mỗi lớp được chia thành các phần khác nhau. Ở chương tiếp theo, chúng tôi sẽ tiến hành phân tích sâu hơn một số dự án tiêu biểu.

Lớp cơ sở hạ tầng bao gồm các tài nguyên điện toán và kiến trúc kỹ thuật hỗ trợ toàn bộ vòng đời AI. Lớp giữa bao gồm quản lý dữ liệu, phát triển mô hình và các dịch vụ lý luận xác minh kết nối cơ sở hạ tầng và ứng dụng. Lớp ứng dụng tập trung vào nhiều ứng dụng và giải pháp khác nhau mà người dùng trực tiếp sử dụng.

Lớp cơ sở hạ tầng:

Lớp cơ sở hạ tầng là nền tảng của vòng đời AI. Bài viết này phân loại sức mạnh tính toán, AI Chain và nền tảng phát triển là lớp cơ sở hạ tầng. Chính sự hỗ trợ của các cơ sở hạ tầng này cho phép đào tạo và lý luận các mô hình AI, đồng thời trình bày các ứng dụng AI mạnh mẽ và thiết thực cho người dùng.

• Mạng máy tính phi tập trung: Nó có thể cung cấp sức mạnh tính toán phân tán cho việc đào tạo mô hình AI, đảm bảo sử dụng hiệu quả và tiết kiệm tài nguyên tính toán. Một số dự án cung cấp thị trường sức mạnh tính toán phi tập trung, nơi người dùng có thể thuê sức mạnh tính toán hoặc chia sẻ sức mạnh tính toán với chi phí thấp để thu được lợi ích. Các dự án tiêu biểu bao gồm IO.NET và Hyperbolic. Ngoài ra, một số dự án đã phát triển các cách chơi mới, chẳng hạn như Compute Labs, nơi đề xuất một giao thức mã hóa. Người dùng có thể tham gia vào việc cho thuê sức mạnh tính toán theo nhiều cách khác nhau để thu được lợi ích bằng cách mua NFT đại diện cho các thực thể GPU.

• Chuỗi AI: Sử dụng blockchain làm nền tảng cho vòng đời AI, nó hiện thực hóa tương tác liền mạch giữa các tài nguyên AI trên chuỗi và ngoài chuỗi và thúc đẩy sự phát triển của hệ sinh thái ngành. Thị trường AI phi tập trung trên chuỗi có thể giao dịch các tài sản AI như dữ liệu, mô hình, tác nhân, v.v. và cung cấp các khuôn khổ phát triển AI và các công cụ phát triển hỗ trợ, với các dự án tiêu biểu như Sahara AI. AI Chain cũng có thể thúc đẩy sự tiến bộ của công nghệ AI trong các lĩnh vực khác nhau, chẳng hạn như Bittensor thúc đẩy sự cạnh tranh giữa các mạng con của các loại AI khác nhau thông qua các cơ chế khuyến khích mạng con sáng tạo.

• Nền tảng phát triển: Một số dự án cung cấp nền tảng phát triển tác nhân AI và cũng có thể triển khai các giao dịch tác nhân AI, chẳng hạn như Fetch.ai và ChainML. Các công cụ một cửa giúp các nhà phát triển tạo, đào tạo và triển khai các mô hình AI thuận tiện hơn, chẳng hạn như Nimble. Các cơ sở hạ tầng này thúc đẩy ứng dụng rộng rãi công nghệ AI trong hệ sinh thái Web3.

Lớp giữa:

Lớp này bao gồm dữ liệu AI, mô hình, lý luận và xác minh, việc sử dụng công nghệ Web3 có thể đạt được hiệu quả công việc cao hơn.

• Dữ liệu: Chất lượng và số lượng dữ liệu là những yếu tố chính ảnh hưởng đến hiệu quả của việc đào tạo mô hình. Trong thế giới Web3, thông qua dữ liệu crowdsourcing và xử lý dữ liệu cộng tác, việc sử dụng tài nguyên có thể được tối ưu hóa và chi phí dữ liệu có thể được giảm xuống. Người dùng có thể có quyền tự chủ về dữ liệu và bán dữ liệu của riêng họ theo chế độ bảo vệ quyền riêng tư để tránh dữ liệu bị các doanh nghiệp xấu đánh cắp và kiếm được lợi nhuận cao. Đối với những người có nhu cầu về dữ liệu, các nền tảng này cung cấp nhiều lựa chọn và chi phí cực kỳ thấp. Các dự án tiêu biểu như Grass sử dụng băng thông của người dùng để thu thập dữ liệu Web và xData thu thập thông tin phương tiện thông qua các plug-in thân thiện với người dùng và hỗ trợ người dùng tải lên thông tin tweet.

Ngoài ra, một số nền tảng cho phép các chuyên gia trong lĩnh vực hoặc người dùng thông thường thực hiện các tác vụ tiền xử lý dữ liệu, chẳng hạn như chú thích hình ảnh và phân loại dữ liệu. Các tác vụ này có thể yêu cầu kiến thức chuyên môn về các tác vụ tài chính và pháp lý. Người dùng có thể mã hóa các kỹ năng của mình để đạt được sự hợp tác cộng đồng trong quá trình tiền xử lý dữ liệu. Các thị trường AI tiêu biểu như Sahara AI có các tác vụ dữ liệu trong các lĩnh vực khác nhau và có thể bao gồm các tình huống dữ liệu trong nhiều lĩnh vực; và AIT Protocolt chú thích dữ liệu thông qua sự hợp tác giữa con người và máy móc.

• Người mẫu: Trong quá trình phát triển AI được đề cập ở trên, các loại yêu cầu khác nhau cần phải phù hợp với mô hình phù hợp. Các mô hình phổ biến cho các tác vụ hình ảnh bao gồm CNN và GAN. Chuỗi Yolo có thể được chọn cho các tác vụ phát hiện đối tượng. RNN, Transformer và các mô hình khác là phổ biến cho các tác vụ văn bản. Tất nhiên, cũng có một số mô hình lớn cụ thể hoặc chung. Các tác vụ có độ phức tạp khác nhau yêu cầu độ sâu mô hình khác nhau và đôi khi mô hình cần được điều chỉnh.

Một số dự án hỗ trợ người dùng cung cấp các loại mô hình khác nhau hoặc đào tạo mô hình theo hình thức cộng tác thông qua crowdsourcing. Ví dụ, Sentient cho phép người dùng đặt dữ liệu mô hình đáng tin cậy vào lớp lưu trữ và lớp phân phối để tối ưu hóa mô hình thông qua thiết kế mô-đun. Các công cụ phát triển do Sahara AI cung cấp có các thuật toán AI và khuôn khổ điện toán tiên tiến tích hợp sẵn và có khả năng đào tạo theo hình thức cộng tác.

• Lý luận và xác minh: Sau khi mô hình được đào tạo, một tệp trọng số mô hình sẽ được tạo, có thể được sử dụng trực tiếp để phân loại, dự đoán hoặc các tác vụ cụ thể khác. Quá trình này được gọi là suy luận. Quá trình suy luận thường đi kèm với một cơ chế xác minh để xác minh xem nguồn của mô hình suy luận có đúng không, có hành vi độc hại hay không, v.v. Suy luận Web3 thường có thể được tích hợp vào các hợp đồng thông minh và suy luận được thực hiện bằng cách gọi mô hình. Các phương pháp xác minh phổ biến bao gồm các công nghệ ZKML, OPML và TEE. Các dự án tiêu biểu như ORA on-chain AI oracle (OAO) đã giới thiệu OPML làm lớp có thể xác minh của AI oracle. Trang web chính thức của ORA cũng đề cập đến nghiên cứu của họ về ZKML và opp/ai (ZKML kết hợp với OPML).

Lớp ứng dụng:

Lớp này chủ yếu bao gồm các ứng dụng hướng đến người dùng kết hợp AI với Web3 để tạo ra nhiều cách chơi thú vị và sáng tạo hơn. Bài viết này chủ yếu phân loại các dự án trong các lĩnh vực AIGC (nội dung do AI tạo ra), tác nhân AI và phân tích dữ liệu.

• AIGC: AIGC có thể được mở rộng sang NFT, trò chơi và các bản nhạc khác trong Web3. Người dùng có thể trực tiếp tạo văn bản, hình ảnh và âm thanh thông qua lời nhắc (lời nhắc do người dùng đưa ra) và thậm chí tạo lối chơi tùy chỉnh theo sở thích của họ trong trò chơi. Các dự án NFT như NFPrompt cho phép người dùng tạo NFT thông qua AI và giao dịch chúng trên thị trường; các trò chơi như Sleepless cho phép người dùng định hình tính cách của đối tác ảo của họ thông qua đối thoại để phù hợp với sở thích của họ;

• Tác nhân AI: đề cập đến một hệ thống trí tuệ nhân tạo có thể thực hiện các nhiệm vụ và đưa ra quyết định một cách tự động. Các tác nhân AI thường có khả năng nhận thức, lý luận, học hỏi và hành động, và có thể thực hiện các nhiệm vụ phức tạp trong nhiều môi trường khác nhau. Các tác nhân AI phổ biến bao gồm dịch ngôn ngữ, học ngôn ngữ, hình ảnh thành văn bản, v.v. Trong các kịch bản Web3, chúng có thể tạo ra các rô-bốt giao dịch, tạo ra hình ảnh meme và thực hiện phát hiện bảo mật trên chuỗi. Ví dụ: MyShell, với tư cách là một nền tảng tác nhân AI, cung cấp nhiều loại tác nhân khác nhau, bao gồm học tập giáo dục, bạn đồng hành ảo, tác nhân giao dịch, v.v. và cung cấp các công cụ phát triển tác nhân thân thiện với người dùng, để bạn có thể xây dựng các tác nhân của riêng mình mà không cần mã.

• Phân tích dữ liệu: Bằng cách tích hợp công nghệ AI và cơ sở dữ liệu trong các lĩnh vực liên quan, có thể đạt được phân tích dữ liệu, phán đoán và dự đoán. Trong Web3, người dùng có thể được hỗ trợ trong các quyết định đầu tư bằng cách phân tích dữ liệu thị trường và xu hướng tiền thông minh. Mã thông báo dự đoán cũng là một kịch bản ứng dụng độc đáo trong Web3. Các dự án tiêu biểu như Ocean đã chính thức đặt ra những thách thức dài hạn cho dự đoán mã thông báo và cũng sẽ phát hành các nhiệm vụ phân tích dữ liệu về các chủ đề khác nhau để khuyến khích người dùng tham gia.

3. Phân tích toàn cảnh các dự án tiên tiến trong lĩnh vực Web3-AI

Một số dự án đang khám phá khả năng kết hợp Web3 với AI. GeekCartel sẽ sắp xếp các dự án tiêu biểu trong lĩnh vực này để dẫn dắt mọi người trải nghiệm sức hấp dẫn của WEB3-AI và hiểu cách các dự án có thể đạt được sự tích hợp của Web3 và AI và tạo ra các mô hình kinh doanh và giá trị kinh tế mới.

Sahara AI: Nền tảng blockchain AI dành riêng cho nền kinh tế cộng tác

Sahara AI rất cạnh tranh trong toàn bộ đường đua. Công ty cam kết xây dựng một nền tảng blockchain AI toàn diện bao gồm đầy đủ các tài nguyên AI như dữ liệu AI, mô hình, tác nhân và sức mạnh tính toán. Kiến trúc cơ bản bảo vệ nền kinh tế cộng tác của nền tảng. Thông qua công nghệ blockchain và công nghệ bảo mật độc đáo, quyền sở hữu và quản lý phi tập trung đối với tài sản AI được đảm bảo trong toàn bộ chu kỳ phát triển AI để đạt được sự phân phối ưu đãi công bằng. Nhóm có nền tảng sâu rộng về AI và Web3, cho phép tích hợp hoàn hảo hai lĩnh vực chính này. Nhóm cũng được các nhà đầu tư hàng đầu ưa chuộng và đã cho thấy tiềm năng lớn trong lĩnh vực này.

Sahara AI không giới hạn ở Web3, vì nó phá vỡ sự phân bổ không đồng đều về tài nguyên và cơ hội trong lĩnh vực AI truyền thống. Thông qua phi tập trung, các yếu tố AI chính bao gồm sức mạnh tính toán, mô hình và dữ liệu không còn bị độc quyền bởi những gã khổng lồ tập trung. Mọi người đều có cơ hội tìm được vị trí phù hợp với mình trong hệ sinh thái này để hưởng lợi, và được truyền cảm hứng để sáng tạo và làm việc cùng nhau.

Như thể hiện trong hình, người dùng có thể sử dụng bộ công cụ do Sahara AI cung cấp để đóng góp hoặc tạo ra các tập dữ liệu, mô hình, tác nhân AI và các tài sản khác của riêng họ và đưa các tài sản này vào thị trường AI để kiếm lợi nhuận đồng thời nhận được các ưu đãi của nền tảng. Người tiêu dùng có thể giao dịch tài sản AI theo yêu cầu. Đồng thời, tất cả thông tin giao dịch này sẽ được ghi lại trên Sahara Chain. Công nghệ chuỗi khối và các biện pháp bảo vệ quyền riêng tư đảm bảo việc theo dõi các đóng góp, tính bảo mật của dữ liệu và tính công bằng của phần thưởng.

Trong hệ thống kinh tế của Sahara AI, ngoài vai trò là nhà phát triển, nhà cung cấp kiến thức và người tiêu dùng được đề cập ở trên, người dùng cũng có thể đóng vai trò là nhà đầu tư, cung cấp tiền và tài nguyên (GPU, máy chủ đám mây, nút RPC, v.v.) để hỗ trợ phát triển và triển khai tài sản AI, với tư cách là nhà điều hành để duy trì tính ổn định của mạng và là người xác thực để duy trì tính bảo mật và toàn vẹn của blockchain. Bất kể người dùng tham gia vào nền tảng Sahara AI như thế nào, họ sẽ nhận được phần thưởng và thu nhập dựa trên đóng góp của mình.

Nền tảng blockchain Sahara AI được xây dựng trên kiến trúc nhiều lớp, với cơ sở hạ tầng trên chuỗi và ngoài chuỗi cho phép người dùng và nhà phát triển đóng góp hiệu quả và hưởng lợi từ toàn bộ chu kỳ phát triển AI. Kiến trúc của nền tảng Sahara AI được chia thành bốn lớp:

Lớp ứng dụng

Lớp ứng dụng đóng vai trò là giao diện người dùng và điểm tương tác chính, cung cấp các bộ công cụ và ứng dụng tích hợp sẵn để nâng cao trải nghiệm của người dùng.

Các thành phần chức năng:

• Mã số Sahara — đảm bảo quyền truy cập an toàn vào tài sản AI và theo dõi đóng góp của người dùng;

• Kho tiền Sahara — bảo vệ quyền riêng tư và bảo mật của tài sản AI khỏi sự truy cập trái phép và các mối đe dọa tiềm ẩn;

• Đại lý Sahara — có sự liên kết vai trò (tương tác phù hợp với hành vi của người dùng), học tập suốt đời, nhận thức đa phương thức (có thể xử lý nhiều loại dữ liệu) và khả năng thực hiện nhiều công cụ;

Các thành phần tương tác:

• Sa mạc Sahara Dụng cụbộ dụng cụ — cho phép người dùng có chuyên môn và không có chuyên môn tạo và triển khai các nội dung AI;

• AI Sahara Chợđịa điểm — Dùng để xuất bản, kiếm tiền và giao dịch tài sản AI, với chế độ cấp phép linh hoạt và nhiều tùy chọn kiếm tiền.

Lớp giao dịch

Lớp giao dịch của Sahara AI sử dụng blockchain Sahara, được trang bị các giao thức để quản lý quyền sở hữu, quyền ghi nhận và các giao dịch liên quan đến AI trên nền tảng và đóng vai trò quan trọng trong việc duy trì chủ quyền và nguồn gốc của tài sản AI. Chuỗi khối Sahara tích hợp công nghệ biên dịch gốc Sahara AI (SAP) tiên tiến và giao thức chuỗi khối Sahara (SBP) để hỗ trợ các tác vụ cơ bản trong suốt vòng đời AI.

• SAP là một chức năng tích hợp ở cấp độ hoạt động gốc của blockchain, tập trung vào quá trình đào tạo/lập luận của AI. SAP giúp gọi, ghi lại và xác minh quy trình đào tạo/lý luận AI ngoài chuỗi, đảm bảo độ tin cậy và độ tin cậy của các mô hình AI được phát triển trong nền tảng AI Sahara và đảm bảo tính minh bạch, khả năng xác minh và khả năng truy xuất của tất cả các lý luận AI cùng một lúc. Đồng thời, có thể đạt được tốc độ thực hiện nhanh hơn, chi phí điện toán và chi phí gas thấp hơn thông qua SAP.

• SBP triển khai các giao thức dành riêng cho AI thông qua các hợp đồng thông minh để đảm bảo rằng các tài sản AI và kết quả tính toán được xử lý một cách minh bạch và đáng tin cậy, bao gồm các chức năng như đăng ký tài sản AI, cấp phép (kiểm soát truy cập), quyền sở hữu và ghi nhận (theo dõi đóng góp).

Lớp dữ liệu

Lớp dữ liệu Sahara AIs được thiết kế để tối ưu hóa việc quản lý dữ liệu trong suốt vòng đời AI. Nó hoạt động như một giao diện quan trọng, kết nối lớp thực thi với các cơ chế quản lý dữ liệu khác nhau và tích hợp liền mạch các nguồn dữ liệu trên chuỗi và ngoài chuỗi.

• Thành phần dữ liệu: bao gồm dữ liệu trên chuỗi và ngoài chuỗi. Dữ liệu trên chuỗi bao gồm siêu dữ liệu, quyền sở hữu, cam kết và chứng nhận tài sản AI, trong khi các tập dữ liệu, mô hình AI và thông tin bổ sung được lưu trữ ngoài chuỗi.

• Quản lý dữ liệu: Giải pháp quản lý dữ liệu của Sahara AI cung cấp một bộ các biện pháp bảo mật để đảm bảo dữ liệu được bảo vệ cả khi truyền và khi lưu trữ thông qua giải pháp mã hóa độc đáo. Làm việc với SBP được cấp phép của AI để đạt được khả năng kiểm soát truy cập và xác minh nghiêm ngặt, đồng thời cung cấp lưu trữ miền riêng, dữ liệu nhạy cảm của người dùng có thể đạt được các tính năng bảo mật nâng cao.

Lớp thực hiện

Lớp thực thi là cơ sở hạ tầng AI ngoài chuỗi của nền tảng AI Sahara, tương tác liền mạch với lớp giao dịch và lớp dữ liệu để thực thi và quản lý các giao thức liên quan đến chức năng và tính toán AI. Tùy thuộc vào tác vụ thực thi, nó trích xuất dữ liệu một cách an toàn từ lớp dữ liệu và phân bổ động các tài nguyên điện toán để có hiệu suất tối ưu. Các hoạt động AI phức tạp được phối hợp thông qua một bộ giao thức được thiết kế đặc biệt nhằm tạo điều kiện cho các tương tác hiệu quả giữa các phép trừu tượng khác nhau và cơ sở hạ tầng cơ bản được thiết kế để hỗ trợ điện toán AI hiệu suất cao.

• Cơ sở hạ tầng: Cơ sở hạ tầng lớp thực thi của Sahara AI được thiết kế để hỗ trợ điện toán AI hiệu suất cao, với các tính năng như nhanh và hiệu quả, đàn hồi và khả dụng cao. Nó đảm bảo rằng hệ thống vẫn ổn định và đáng tin cậy trong điều kiện lưu lượng truy cập cao và điều kiện lỗi thông qua sự phối hợp hiệu quả của điện toán AI, cơ chế mở rộng tự động và thiết kế chịu lỗi.

• Sự trừu tượng: Tóm tắt cốt lõi là các thành phần cơ bản tạo thành cơ sở cho các hoạt động AI trên nền tảng AI Sahara, bao gồm các tóm tắt về tài nguyên như tập dữ liệu, mô hình và tài nguyên điện toán; tóm tắt cấp cao được xây dựng dựa trên các tóm tắt cốt lõi, cụ thể là các giao diện thực thi đằng sau Vault và tác nhân, có thể thực hiện các chức năng cấp cao hơn.

• Giao thức: Giao thức thực thi trừu tượng được sử dụng để thực hiện các tương tác với Vault, tương tác và phối hợp của các tác nhân và tính toán cộng tác. Giao thức tính toán cộng tác có thể thực hiện phát triển và triển khai mô hình AI chung giữa nhiều người tham gia, hỗ trợ đóng góp tài nguyên tính toán và tổng hợp mô hình. Lớp thực thi cũng bao gồm một mô-đun công nghệ chi phí tính toán thấp (PEFT), một mô-đun tính toán bảo vệ quyền riêng tư và một mô-đun chống gian lận tính toán.

Nền tảng blockchain AI mà Sahara AI đang xây dựng cam kết hiện thực hóa một hệ sinh thái AI toàn diện. Tuy nhiên, tầm nhìn lớn này chắc chắn sẽ gặp phải nhiều thách thức trong quá trình hiện thực hóa, đòi hỏi sự hỗ trợ mạnh mẽ về mặt kỹ thuật và nguồn lực cũng như quá trình tối ưu hóa và lặp lại liên tục. Nếu có thể hiện thực hóa thành công, nó sẽ trở thành trụ cột hỗ trợ cho lĩnh vực Web3-AI và được kỳ vọng sẽ trở thành khu vườn lý tưởng trong lòng những người thực hành Web2-AI.

Thông tin đội:

Nhóm Sahara AI bao gồm một nhóm các thành viên xuất sắc và sáng tạo. Đồng sáng lập Sean Ren là giáo sư tại Đại học Nam California và đã giành được các danh hiệu như nhà nghiên cứu AI hàng năm của Samsung, nhà sáng tạo MIT TR 35 dưới 35 tuổi và Forbes 30 dưới 30. Đồng sáng lập Tyler Zhou tốt nghiệp Đại học California, Berkeley, có hiểu biết sâu sắc về Web3 và lãnh đạo một nhóm tài năng toàn cầu có kinh nghiệm về AI và Web3.

Kể từ khi thành lập Sahara AI, nhóm đã nhận được hàng triệu đô la doanh thu từ các công ty hàng đầu bao gồm Microsoft, Amazon, MIT, Snapchat và Character AI. Hiện tại, Sahara AI đang phục vụ hơn 30 khách hàng doanh nghiệp và có hơn 200.000 giảng viên AI trên toàn thế giới. Sự phát triển nhanh chóng của Sahara AI đã cho phép ngày càng nhiều người tham gia đóng góp và hưởng lợi từ mô hình kinh tế chia sẻ.

Thông tin tài chính:

Tính đến tháng 8 năm nay, Sahara Labs đã huy động thành công $43 triệu. Vòng tài trợ mới nhất được đồng dẫn đầu bởi Pantera Capital, Binance Labs và Polychain Capital. Ngoài ra, công ty cũng nhận được sự hỗ trợ từ những người tiên phong trong lĩnh vực AI như Motherson Group, Anthropic, Nous Research và Midjourney.

Bittensor: Trò chơi mới dưới sự khuyến khích của cuộc thi mạng con

Bản thân Bittensor không phải là một hàng hóa AI, cũng không sản xuất hoặc cung cấp bất kỳ sản phẩm hoặc dịch vụ AI nào. Bittensor là một hệ thống kinh tế cung cấp một cấu trúc khuyến khích cạnh tranh cao cho các nhà sản xuất hàng hóa AI, để các nhà sản xuất có thể liên tục tối ưu hóa chất lượng AI. Là một dự án ban đầu của Web3-AI, Bittensor đã nhận được sự chú ý rộng rãi từ thị trường kể từ khi ra mắt. Theo dữ liệu của CoinMarketCap, tính đến ngày 17 tháng 10, giá trị thị trường của nó đã vượt quá $4,26 tỷ đô la Mỹ và FDV (giá trị định giá pha loãng hoàn toàn) của nó đã vượt quá $12 tỷ đô la Mỹ.

Bittensor đã xây dựng một kiến trúc mạng bao gồm nhiều mạng con. Các nhà sản xuất hàng hóa AI có thể tạo ra các mạng con với các ưu đãi tùy chỉnh và các trường hợp sử dụng khác nhau. Các mạng con khác nhau chịu trách nhiệm cho các nhiệm vụ khác nhau, chẳng hạn như dịch máy, nhận dạng và tạo hình ảnh, mô hình ngôn ngữ lớn, v.v. Ví dụ, Mạng con 5 có thể tạo ra hình ảnh AI như Midjourney. Khi các nhiệm vụ xuất sắc được hoàn thành, TAO (mã thông báo Bittensors) sẽ được thưởng.

Cơ chế khuyến khích là một phần cơ bản của Bittensor. Chúng điều khiển hành vi của thợ đào mạng con và kiểm soát sự đồng thuận giữa các trình xác thực mạng con. Mỗi mạng con có cơ chế khuyến khích riêng, trong đó thợ đào chịu trách nhiệm thực hiện nhiệm vụ và trình xác thực chấm điểm kết quả của thợ đào mạng con.

Như thể hiện trong hình, quy trình làm việc giữa thợ đào mạng con và người xác thực mạng con được minh họa bằng ví dụ sau:

Ba trình khai thác mạng con trong hình tương ứng với UID 37, 42 và 27; bốn trình xác thực mạng con tương ứng với UID 10, 32, 93 và 74.

• Mỗi trình xác thực mạng con duy trì một vectơ trọng số. Mỗi phần tử của vectơ biểu thị trọng số được gán cho một thợ đào mạng con, được xác định dựa trên đánh giá của trình xác thực mạng con về việc hoàn thành nhiệm vụ của thợ đào. Mỗi trình xác thực mạng con xếp hạng tất cả thợ đào mạng con theo vectơ trọng số và hoạt động độc lập, truyền vectơ trọng số xếp hạng thợ đào của mình đến chuỗi khối. Thông thường, mỗi trình xác thực mạng con truyền một vectơ trọng số xếp hạng được cập nhật đến chuỗi khối sau mỗi 100-200 khối.

• Blockchain (subtensor) chờ các vectơ trọng số xếp hạng mới nhất từ tất cả các trình xác thực mạng con của một mạng con nhất định đến blockchain. Ma trận trọng số xếp hạng được hình thành bởi các vectơ trọng số xếp hạng này sau đó được cung cấp làm đầu vào cho mô-đun đồng thuận Yuma trên chuỗi.

• Sự đồng thuận Yuma trên chuỗi sử dụng ma trận trọng số này cùng với số tiền đặt cược liên quan đến UID trên mạng con đó để tính toán phần thưởng.

• Cơ chế đồng thuận Yuma tính toán sự phân phối đồng thuận của TAO và phân phối phần thưởng TAO mới đúc vào tài khoản được liên kết với UID.

Trình xác thực mạng con có thể chuyển các vectơ trọng số xếp hạng của chúng sang blockchain bất kỳ lúc nào. Tuy nhiên, chu kỳ đồng thuận Yuma của mạng con sử dụng ma trận trọng số mới nhất vào đầu mỗi 360 khối (tức là 4320 giây hoặc 72 phút, 12 giây cho mỗi khối). Nếu vectơ trọng số xếp hạng của trình xác thực mạng con đến sau chu kỳ 360 khối, thì vectơ trọng số đó sẽ được sử dụng vào đầu chu kỳ đồng thuận Yuma tiếp theo. Phần thưởng TAO được phát hành vào cuối mỗi chu kỳ.

Sự đồng thuận Yuma là thuật toán cốt lõi của Bittensors để đạt được sự phân bổ nút công bằng. Đây là cơ chế đồng thuận lai kết hợp các yếu tố của PoW và PoS. Tương tự như cơ chế đồng thuận Byzantine Fault Tolerant, nếu những người xác thực trung thực trong mạng chiếm đa số, cuối cùng họ sẽ đạt được sự đồng thuận về quyết định đúng đắn.

Root Network là một mạng con đặc biệt, là Subnet 0. Theo mặc định, 64 trình xác thực mạng con có nhiều cổ phần nhất trong tất cả các mạng con là trình xác thực trong mạng gốc. Các trình xác thực mạng gốc sẽ đánh giá và xếp hạng theo chất lượng đầu ra của từng Mạng con. Kết quả đánh giá của 64 trình xác thực sẽ được tổng hợp và kết quả phát xạ cuối cùng sẽ được lấy thông qua thuật toán Yuma Consensus. Kết quả cuối cùng sẽ được sử dụng để phân bổ TAO mới được cấp cho từng Mạng con.

Mặc dù mô hình cạnh tranh mạng con của Bittensor cải thiện chất lượng sản phẩm AI nhưng cũng phải đối mặt với một số thách thức. Đầu tiên, cơ chế khuyến khích do chủ sở hữu mạng con thiết lập sẽ quyết định thu nhập của thợ đào và có thể ảnh hưởng trực tiếp đến sự nhiệt tình làm việc của thợ đào. Một vấn đề khác là trình xác thực sẽ quyết định số lượng phân bổ mã thông báo của mỗi mạng con, nhưng lại thiếu các động cơ rõ ràng để lựa chọn các mạng con có lợi cho năng suất dài hạn của Bittensor. Thiết kế này có thể khiến trình xác thực ưu tiên các mạng con mà họ có mối quan hệ hoặc những mạng con cung cấp thêm lợi ích. Để giải quyết vấn đề này, những người đóng góp cho Quỹ Opentensor đã đề xuất BIT 001: Giải pháp TAO động, trong đó đề xuất rằng số lượng phân bổ mã thông báo của mạng con để tất cả những người đặt cược TAO cạnh tranh nên được xác định thông qua một cơ chế thị trường.

Thông tin đội:

Đồng sáng lập Ala Shaabana là nghiên cứu sinh sau tiến sĩ tại Đại học Waterloo với nền tảng học thuật về khoa học máy tính. Một đồng sáng lập khác là Jacob Robert Steeves tốt nghiệp Đại học Simon Fraser ở Canada, có gần 10 năm kinh nghiệm trong nghiên cứu học máy và làm việc với tư cách là kỹ sư phần mềm tại Google.

Thông tin tài chính:

Ngoài việc nhận được tài trợ từ OpenTensor Foundation, một tổ chức phi lợi nhuận hỗ trợ Bittensor, Bittensor đã công bố trong thông báo cộng đồng của mình rằng mật mã Các VC Pantera và Collab Currency đã trở thành chủ sở hữu token TAO và sẽ hỗ trợ nhiều hơn cho sự phát triển sinh thái của dự án. Các nhà đầu tư lớn khác bao gồm các tổ chức đầu tư và nhà tạo lập thị trường nổi tiếng như Digital Currency Group, Polychain Capital, FirstMark Capital, GSR, v.v.

Talus: Hệ sinh thái tác nhân AI trên chuỗi dựa trên Move

Talus Network là một blockchain L1 được xây dựng trên MoveVM, được thiết kế cho các tác nhân AI. Các tác nhân AI này có thể đưa ra quyết định và hành động dựa trên các mục tiêu được xác định trước, đạt được các tương tác giữa các chuỗi trơn tru và có thể xác minh được. Người dùng có thể sử dụng các công cụ phát triển do Talus cung cấp để nhanh chóng xây dựng các tác nhân AI và tích hợp chúng vào hợp đồng thông minh. Talus cũng cung cấp một thị trường AI mở cho các tài nguyên như mô hình AI, dữ liệu và sức mạnh tính toán, nơi người dùng có thể tham gia dưới nhiều hình thức khác nhau và mã hóa các đóng góp và tài sản của họ.

Một trong những tính năng chính của Talus là khả năng thực thi song song và thực thi an toàn. Với sự gia nhập của vốn vào hệ sinh thái Move và sự mở rộng của các dự án chất lượng cao, các điểm nhấn kép của Taluss về thực hiện an toàn dựa trên Move và hợp đồng thông minh tích hợp tác nhân AI dự kiến sẽ thu hút sự chú ý rộng rãi trên thị trường. Đồng thời, tương tác đa chuỗi được Talus hỗ trợ cũng có thể cải thiện hiệu quả của các tác nhân AI và thúc đẩy sự thịnh vượng của AI trên các chuỗi khác.

Theo thông tin chính thức trên Twitter, Talus gần đây đã ra mắt Nexus, khuôn khổ tác nhân AI tự động hoàn toàn trên chuỗi đầu tiên, mang lại cho Talus lợi thế tiên phong trong lĩnh vực công nghệ AI phi tập trung và khả năng cạnh tranh quan trọng trên thị trường AI blockchain đang phát triển nhanh chóng. Nexus cho phép các nhà phát triển tạo trợ lý kỹ thuật số do AI điều khiển trên mạng Talus, đảm bảo chống kiểm duyệt, minh bạch và khả năng kết hợp. Không giống như các giải pháp AI tập trung, thông qua Nexus, người tiêu dùng có thể tận hưởng các dịch vụ thông minh được cá nhân hóa, quản lý an toàn tài sản kỹ thuật số, tự động hóa các tương tác và nâng cao trải nghiệm kỹ thuật số hàng ngày.

Là bộ công cụ phát triển đầu tiên cho các tác nhân trên chuỗi, Nexus cung cấp nền tảng để xây dựng thế hệ ứng dụng AI tiền điện tử dành cho người tiêu dùng tiếp theo. Nexus cung cấp một loạt các công cụ, tài nguyên và tiêu chuẩn để giúp các nhà phát triển tạo ra các tác nhân có thể thực hiện ý định của người dùng và giao tiếp với nhau trên chuỗi Talus. Trong số đó, Nexus Python SDK thu hẹp khoảng cách giữa phát triển AI và blockchain, giúp các nhà phát triển AI dễ dàng bắt đầu mà không cần học lập trình hợp đồng thông minh. Talus cung cấp các công cụ phát triển thân thiện với người dùng và một loạt các cơ sở hạ tầng, và được kỳ vọng sẽ trở thành một nền tảng lý tưởng cho sự đổi mới của nhà phát triển.

Như thể hiện trong Hình 5, kiến trúc cơ bản của Talus dựa trên thiết kế mô-đun, với tính linh hoạt của các tài nguyên ngoài chuỗi và tương tác đa chuỗi. Dựa trên thiết kế độc đáo của Talus, một hệ sinh thái đại lý thông minh trên chuỗi thịnh vượng được hình thành.

Giao thức là cốt lõi của Talus và cung cấp nền tảng cho sự đồng thuận, thực thi và khả năng tương tác, trên đó các tác nhân thông minh trên chuỗi có thể được xây dựng để sử dụng các tài nguyên ngoài chuỗi và các chức năng liên chuỗi.

• Nút Protochain: Một nút blockchain PoS dựa trên Cosmos SDK và CometBFT. Cosmos SDK có thiết kế mô-đun và khả năng mở rộng cao. CometBFT dựa trên thuật toán đồng thuận Byzantine Fault Tolerant, với hiệu suất cao và độ trễ thấp. Nó cung cấp khả năng bảo mật và khả năng chịu lỗi mạnh mẽ, và có thể tiếp tục hoạt động bình thường trong trường hợp một số nút bị lỗi hoặc có hành vi độc hại.

• Sui Move và MoveVM: Sử dụng Sui Move làm ngôn ngữ hợp đồng thông minh, thiết kế của ngôn ngữ Move về cơ bản tăng cường bảo mật bằng cách loại bỏ các lỗ hổng quan trọng như tấn công reentrancy, thiếu kiểm tra quyền sở hữu đối tượng và tràn/thiếu số học bất ngờ. Kiến trúc của Move VM hỗ trợ xử lý song song hiệu quả, cho phép Talus mở rộng quy mô bằng cách xử lý nhiều giao dịch cùng lúc mà không làm mất tính bảo mật hoặc tính toàn vẹn.

IBC (Giao thức truyền thông liên chuỗi khối):

• Khả năng tương tác: IBC tạo điều kiện cho khả năng tương tác liền mạch giữa các blockchain khác nhau, cho phép các tác nhân thông minh tương tác và sử dụng dữ liệu hoặc tài sản trên nhiều chuỗi.

• Tính nguyên tử của chuỗi chéo: IBC hỗ trợ các giao dịch nguyên tử chuỗi chéo, điều này rất quan trọng để duy trì tính nhất quán và độ tin cậy của các hoạt động do các tác nhân thông minh thực hiện, đặc biệt là trong các ứng dụng tài chính hoặc quy trình làm việc phức tạp.

• Khả năng mở rộng thông qua phân mảnh: IBC gián tiếp hỗ trợ khả năng mở rộng thông qua phân mảnh bằng cách cho phép các tác nhân thông minh hoạt động trên nhiều blockchain. Mỗi blockchain có thể được xem như một phân mảnh xử lý một phần giao dịch, do đó giảm tải cho bất kỳ chuỗi đơn lẻ nào. Điều này cho phép các tác nhân thông minh quản lý và thực hiện các tác vụ theo cách phân tán và có khả năng mở rộng hơn.

• Khả năng tùy chỉnh và chuyên môn hóa: Với IBC, các blockchain khác nhau có thể tập trung vào các chức năng hoặc tối ưu hóa cụ thể. Ví dụ, một tác nhân thông minh có thể sử dụng một chuỗi cho phép giao dịch nhanh để xử lý thanh toán và một chuỗi khác chuyên lưu trữ dữ liệu an toàn để lưu trữ hồ sơ.

• An ninh và cô lập: IBC duy trì tính bảo mật và cô lập giữa các chuỗi, điều này có lợi cho các tác nhân thông minh xử lý các hoạt động hoặc dữ liệu nhạy cảm. Vì IBC đảm bảo xác minh an toàn các giao tiếp và giao dịch giữa các chuỗi, các tác nhân thông minh có thể tự tin hoạt động giữa các chuỗi khác nhau mà không ảnh hưởng đến tính bảo mật.

Đối tượng phản chiếu:

Để thể hiện thế giới ngoài chuỗi trong kiến trúc trên chuỗi, các đối tượng phản chiếu chủ yếu được sử dụng để xác minh và liên kết các tài nguyên AI, chẳng hạn như: biểu diễn và chứng minh tính duy nhất của tài nguyên, khả năng giao dịch tài nguyên ngoài chuỗi, biểu diễn bằng chứng quyền sở hữu hoặc khả năng xác minh quyền sở hữu.

Đối tượng hình ảnh bao gồm ba loại đối tượng hình ảnh khác nhau: đối tượng mô hình, đối tượng dữ liệu và đối tượng tính toán.

• Đối tượng mô hình: Chủ sở hữu mô hình có thể đưa mô hình AI của họ vào hệ sinh thái thông qua sổ đăng ký mô hình chuyên dụng, đưa các mô hình ngoài chuỗi vào chuỗi. Các đối tượng mô hình bao hàm bản chất và khả năng của mô hình và xây dựng các khuôn khổ sở hữu, quản lý và kiếm tiền trực tiếp trên chúng. Các đối tượng mô hình là các tài sản linh hoạt có thể được tăng cường thông qua các quy trình tinh chỉnh bổ sung hoặc định hình lại hoàn toàn thông qua đào tạo chuyên sâu để đáp ứng các nhu cầu cụ thể khi cần thiết.

• Đối tượng dữ liệu: Đối tượng dữ liệu (hoặc tập dữ liệu) tồn tại dưới dạng biểu diễn kỹ thuật số của một tập dữ liệu duy nhất do ai đó sở hữu. Đối tượng này có thể được tạo, chuyển giao, cấp phép hoặc chuyển đổi thành nguồn dữ liệu mở.

• Đối tượng tính toán: Người mua đề xuất một nhiệm vụ tính toán cho chủ sở hữu của đối tượng, sau đó người này cung cấp kết quả tính toán và bằng chứng tương ứng. Người mua giữ khóa có thể được sử dụng để giải mã cam kết và xác minh kết quả.

Bộ AI:

Talus cung cấp SDK và các thành phần tích hợp hỗ trợ phát triển các tác nhân thông minh và tương tác của chúng với các tài nguyên ngoài chuỗi. Bộ AI cũng bao gồm tích hợp với Oracle, đảm bảo rằng các tác nhân thông minh có thể đưa ra quyết định và phản ứng bằng cách sử dụng dữ liệu ngoài chuỗi.

Đại lý thông minh trên chuỗi:

• Talus cung cấp nền kinh tế các tác nhân thông minh có thể hoạt động tự chủ, đưa ra quyết định, thực hiện giao dịch và tương tác với các tài nguyên trên chuỗi và ngoài chuỗi.

• Các tác nhân thông minh có tính tự chủ, khả năng xã hội, khả năng phản ứng và sáng kiến. Tính tự chủ cho phép chúng hoạt động mà không cần sự can thiệp của con người, khả năng xã hội cho phép chúng tương tác với các tác nhân và con người khác, khả năng phản ứng cho phép chúng nhận thức được những thay đổi của môi trường và phản ứng kịp thời (Talus hỗ trợ các tác nhân phản ứng với các sự kiện trên chuỗi và ngoài chuỗi thông qua người nghe) và tính chủ động cho phép chúng thực hiện các hành động dựa trên mục tiêu, dự đoán hoặc trạng thái tương lai dự kiến.

Ngoài kiến trúc phát triển và cơ sở hạ tầng của một loạt các tác nhân thông minh do Talus cung cấp, các tác nhân AI được xây dựng trên Talus còn hỗ trợ nhiều loại suy luận AI có thể xác minh (opML, zkML, v.v.) để đảm bảo tính minh bạch và độ tin cậy của suy luận AI. Một bộ tiện ích được Talus thiết kế dành riêng cho các tác nhân AI có thể thực hiện tương tác đa chuỗi và chức năng ánh xạ giữa các tài nguyên trên chuỗi và ngoài chuỗi.

Hệ sinh thái tác nhân AI trên chuỗi do Talus ra mắt có ý nghĩa to lớn đối với sự phát triển của công nghệ tích hợp AI và blockchain, nhưng vẫn còn khó triển khai. Cơ sở hạ tầng Talus cho phép phát triển các tác nhân AI với tính linh hoạt và khả năng tương tác, nhưng khi ngày càng có nhiều tác nhân AI chạy trên chuỗi Talus, khả năng tương tác và hiệu quả giữa các tác nhân này có thể đáp ứng nhu cầu của người dùng hay không vẫn còn phải được xác minh. Hiện tại, Talus vẫn đang trong giai đoạn mạng thử nghiệm riêng tư và liên tục được phát triển và cập nhật. Dự kiến Talus có thể thúc đẩy sự phát triển hơn nữa của hệ sinh thái tác nhân AI trên chuỗi trong tương lai.

Thông tin đội:

Mike Hanono là người sáng lập và CEO của Talus Network. Ông có bằng cử nhân về kỹ thuật công nghiệp và hệ thống và bằng thạc sĩ về khoa học dữ liệu ứng dụng của Đại học Nam California. Ông đã tham gia Trường Wharton thuộc Đại học Pennsylvania và có kinh nghiệm sâu rộng trong phân tích dữ liệu, phát triển phần mềm và quản lý dự án.

Thông tin tài chính:

Vào tháng 2 năm nay, Talus đã hoàn thành vòng gọi vốn đầu tiên trị giá $3 triệu đô la Mỹ, do Polychain Capital dẫn đầu, với sự tham gia của Dao 5, Hash 3, TRGC, WAGMI Ventures, Inception Capital, v.v. Các nhà đầu tư thiên thần chủ yếu đến từ Nvidia, IBM, Blue 7, Symbolic Capital và Render Network.

ORA: Nền tảng của AI có thể xác minh trên chuỗi

Sản phẩm OAO (On-chain AI Oracle) của ORA là AI oracle đầu tiên trên thế giới sử dụng opML, có thể đưa kết quả suy luận AI ngoài chuỗi vào chuỗi. Điều này có nghĩa là các hợp đồng thông minh có thể tương tác với OAO để triển khai các chức năng AI trên chuỗi. Ngoài ra, ORA AI oracle có thể được kết hợp liền mạch với Initial Model Issuance (IMO) để cung cấp dịch vụ AI trên chuỗi toàn diện.

ORA có lợi thế đi đầu về cả công nghệ và thị trường. Là một oracle AI không cần tin cậy trên Ethereum, nó sẽ có tác động sâu sắc đến cơ sở người dùng rộng lớn của mình và các kịch bản ứng dụng AI sáng tạo hơn dự kiến sẽ xuất hiện trong tương lai. Các nhà phát triển hiện có thể sử dụng các mô hình do ORA cung cấp trong hợp đồng thông minh để đạt được lý luận phi tập trung và có thể xây dựng các dApp AI có thể xác minh trên Ethereum, Arbitrum, Optimism, Base, Polygon, Linea và Manta. Ngoài việc cung cấp dịch vụ xác minh cho lý luận AI, ORA còn cung cấp dịch vụ phát hành mô hình (IMO) để thúc đẩy sự đóng góp của các mô hình nguồn mở.

Hai sản phẩm chính của ORA là: Phát hành mô hình ban đầu (IMO) và Oracle AI trên chuỗi (OAO), hoạt động hoàn hảo với nhau để cho phép thu thập các mô hình AI trên chuỗi và xác minh lý luận AI.

• IMO khuyến khích các đóng góp nguồn mở dài hạn bằng cách mã hóa quyền sở hữu các mô hình AI nguồn mở và người nắm giữ mã thông báo sẽ nhận được một phần doanh thu tạo ra từ việc sử dụng mô hình trên chuỗi. ORA cũng cung cấp tài trợ cho các nhà phát triển AI để khuyến khích cộng đồng và những người đóng góp nguồn mở.

• OAO đưa lý luận AI có thể xác minh vào chuỗi. ORA giới thiệu opML như lớp xác minh của AI oracle. Tương tự như quy trình làm việc của OP Rollup, người xác minh hoặc bất kỳ người tham gia mạng nào cũng có thể kiểm tra kết quả trong giai đoạn thử thách. Nếu thử thách thành công, kết quả sai sẽ được cập nhật trên chuỗi. Sau giai đoạn thử thách, kết quả sẽ được hoàn thiện và không thể thay đổi.

Để xây dựng một mạng lưới oracle có thể xác minh và phi tập trung, điều quan trọng là phải đảm bảo tính hợp lệ tính toán của các kết quả trên blockchain. Quá trình này bao gồm một hệ thống bằng chứng đảm bảo tính toán là đáng tin cậy và xác thực.

Để đạt được mục đích này, ORA cung cấp ba khuôn khổ hệ thống chứng minh:

• AI Oracles opML (hiện tại ORAs AI oracle đã hỗ trợ opML)

• keras 2c ircoms zkML (khung zkML trưởng thành và hiệu suất cao)

• zk+opML kết hợp tính riêng tư của zkML và khả năng mở rộng của opML để hiện thực hóa các giải pháp AI trên chuỗi trong tương lai thông qua opp/ai

opML:

opML (Optimistic Machine Learning) được ORA phát minh và phát triển, kết hợp máy học với công nghệ blockchain. Bằng cách tận dụng các nguyên tắc tương tự như Optimistic Rollups, opML đảm bảo tính hợp lệ của các phép tính theo cách phi tập trung. Khung này cho phép xác minh trên chuỗi các phép tính AI, tăng tính minh bạch và thúc đẩy sự tin tưởng vào lý luận của máy học.

Để đảm bảo tính bảo mật và chính xác, opML sử dụng các cơ chế bảo vệ chống gian lận sau:

• Gửi kết quả: Nhà cung cấp dịch vụ (người gửi) thực hiện các tính toán học máy ngoài chuỗi và gửi kết quả lên chuỗi khối.

• Thời gian xác minh: Người xác minh (hoặc người thách thức) có một khoảng thời gian được xác định trước (thời gian thách thức) để xác minh tính chính xác của kết quả đã gửi.

• Giải quyết tranh chấp: Nếu người xác thực thấy kết quả không chính xác, họ sẽ khởi tạo trò chơi tranh chấp tương tác. Trò chơi tranh chấp này thực sự xác định bước tính toán chính xác nơi xảy ra lỗi.

• Xác minh trên chuỗi: Chỉ các bước tính toán có tranh chấp mới được xác minh trên chuỗi thông qua Máy ảo chống gian lận (FPVM), giúp giảm thiểu việc sử dụng tài nguyên.

• Hoàn tất: Nếu không có tranh chấp nào được nêu ra trong thời gian khiếu nại hoặc sau khi tranh chấp được giải quyết, kết quả sẽ được hoàn tất trên blockchain.

ORA opML cho phép tính toán được thực hiện ngoài chuỗi trong một môi trường được tối ưu hóa, chỉ xử lý dữ liệu tối thiểu trên chuỗi trong trường hợp có tranh chấp. Điều này tránh được việc tạo bằng chứng tốn kém cần thiết cho máy học không kiến thức (zkML) và giảm chi phí tính toán. Cách tiếp cận này có thể xử lý các phép tính quy mô lớn khó thực hiện được bằng các phương pháp trên chuỗi truyền thống.

máy tính 2c ircom (zkML):

zkML là một khuôn khổ chứng minh sử dụng các chứng minh không kiến thức để xác minh kết quả suy luận học máy trên chuỗi. Do tính riêng tư của nó, nó có thể bảo vệ dữ liệu riêng tư và các tham số mô hình trong quá trình đào tạo và suy luận, do đó giải quyết các vấn đề về quyền riêng tư. Vì tính toán thực tế của zkML được hoàn thành ngoài chuỗi, chuỗi chỉ cần xác minh tính hợp lệ của kết quả, do đó giảm tải tính toán trên chuỗi.

Keras 2C ircom, được xây dựng bởi ORA, là khuôn khổ zkML cấp cao đầu tiên được thử nghiệm trong thực chiến. Theo chuẩn mực của các khuôn khổ zkML hàng đầu từ đề xuất tài trợ ESP của Ethereum Foundation [FY 23 – 1290], Keras 2C ircom và circomlib-ml cơ bản của nó đã được chứng minh là có hiệu suất cao hơn các khuôn khổ khác.

đối thủ/ai (opML + zkML):

ORA cũng đề xuất OPP/AI (AI bảo vệ quyền riêng tư lạc quan trên Blockchain), tích hợp máy học không kiến thức (zkML) để bảo mật với máy học lạc quan (opML) để tăng hiệu quả, tạo ra một mô hình lai được thiết kế riêng cho AI trên chuỗi. Bằng cách phân vùng chiến lược các mô hình máy học (ML), opp/ai cân bằng hiệu quả tính toán và quyền riêng tư dữ liệu, do đó đạt được các dịch vụ AI trên chuỗi an toàn và hiệu quả.

opp/ai chia các mô hình ML thành nhiều mô hình con dựa trên các yêu cầu về quyền riêng tư: mô hình con zkML được sử dụng để xử lý các thành phần có dữ liệu nhạy cảm hoặc thuật toán độc quyền và được thực thi bằng cách sử dụng các bằng chứng không kiến thức để đảm bảo tính bảo mật của dữ liệu và mô hình; mô hình con opML được sử dụng để xử lý các thành phần ưu tiên hiệu quả hơn quyền riêng tư và được thực thi bằng cách sử dụng phương pháp tiếp cận lạc quan của opML để đạt được hiệu quả tối đa.

Tóm lại, ORA đã đề xuất sáng tạo ba khuôn khổ chứng minh: opML, zkML và opp/ai (sự kết hợp giữa opML và zkML). Các khuôn khổ chứng minh đa dạng này nâng cao tính riêng tư của dữ liệu và hiệu quả tính toán, mang lại tính linh hoạt và bảo mật cao hơn cho các ứng dụng blockchain.

Là nhà tiên tri AI đầu tiên, ORA có tiềm năng lớn và không gian tưởng tượng rộng lớn. ORA đã công bố một số lượng lớn các nghiên cứu và kết quả, chứng minh các lợi thế kỹ thuật của mình. Tuy nhiên, quá trình suy luận của các mô hình AI có độ phức tạp và chi phí xác minh nhất định. Liệu tốc độ suy luận của AI trên chuỗi có thể đáp ứng được nhu cầu của người dùng hay không đã trở thành một câu hỏi cần được xác minh. Sau khi xác minh theo thời gian và liên tục tối ưu hóa trải nghiệm của người dùng, các sản phẩm AI như vậy có thể là công cụ tuyệt vời để cải thiện hiệu quả của Dapp trên chuỗi.

Thông tin đội:

Nhà đồng sáng lập Kartin tốt nghiệp Đại học Arizona với bằng khoa học máy tính và từng là trưởng nhóm kỹ thuật tại Tiktok và kỹ sư phần mềm tại Google.

Nhà khoa học trưởng Cathie có bằng thạc sĩ khoa học máy tính của Đại học Nam California và bằng tiến sĩ tâm lý học và khoa học thần kinh của Đại học Hồng Kông. Cô là nhà nghiên cứu zkML tại Ethereum Foundation.

Thông tin tài chính:

Vào ngày 26 tháng 6 năm nay, ORA đã công bố hoàn tất vòng gọi vốn 20 triệu đô la, với các nhà đầu tư bao gồm Polychain Capital, HF 0, Hashkey Capital, SevenX Ventures và Geekcartel.

Grass: Lớp dữ liệu cho các mô hình AI

Grass tập trung vào việc biến dữ liệu mạng công cộng thành các tập dữ liệu AI. Mạng Grass sử dụng băng thông dư thừa của người dùng để thu thập dữ liệu từ Internet mà không lấy thông tin riêng tư của người dùng. Loại dữ liệu mạng này là không thể thiếu cho sự phát triển của các mô hình trí tuệ nhân tạo và hoạt động của nhiều ngành công nghiệp khác. Người dùng có thể chạy các nút và kiếm điểm Grass. Chạy một nút trên Grass dễ như đăng ký và cài đặt tiện ích mở rộng Chrome.

Grass liên kết người yêu cầu AI và nhà cung cấp dữ liệu, tạo ra tình huống đôi bên cùng có lợi. Ưu điểm của nó là: hoạt động cài đặt đơn giản và kỳ vọng airdrop trong tương lai thúc đẩy đáng kể sự tham gia của người dùng, điều này cũng cung cấp nhiều nguồn dữ liệu hơn cho người yêu cầu. Với tư cách là nhà cung cấp dữ liệu, người dùng không cần phải thực hiện các thiết lập và hành động phức tạp, và việc thu thập dữ liệu, dọn dẹp và các hoạt động khác có thể được thực hiện mà không cần người dùng nhận thức. Ngoài ra, không có yêu cầu đặc biệt nào đối với thiết bị, điều này làm giảm ngưỡng tham gia của người dùng và cơ chế mời của nó cũng thúc đẩy hiệu quả nhiều người dùng tham gia nhanh hơn.

Vì Grass cần thực hiện các hoạt động thu thập dữ liệu để đạt được hàng chục triệu yêu cầu web mỗi phút. Tất cả những điều này đều cần được xác minh, điều này sẽ đòi hỏi thông lượng lớn hơn bất kỳ L1 nào có thể cung cấp. Nhóm Grass đã công bố vào tháng 3 rằng họ sẽ xây dựng một kế hoạch Rollup để hỗ trợ người dùng và người xây dựng xác minh nguồn dữ liệu. Kế hoạch này sẽ phân nhóm siêu dữ liệu thông qua bộ xử lý ZK để xác minh và bằng chứng của mỗi siêu dữ liệu tập dữ liệu sẽ được lưu trữ trên lớp thanh toán của Solana và tạo sổ cái dữ liệu.

Như thể hiện trong hình, các máy khách tạo ra các yêu cầu web, đi qua các trình xác thực và cuối cùng được định tuyến đến các nút Grass, và máy chủ trang web phản hồi các yêu cầu trang web, cho phép dữ liệu của nó được lấy và trả về. Mục đích của bộ xử lý ZK là giúp ghi lại nguồn của các tập dữ liệu được lấy trên mạng Grass. Điều này có nghĩa là mỗi khi một nút lấy mạng, chúng có thể nhận được phần thưởng của mình mà không tiết lộ bất kỳ thông tin nào về danh tính của chúng. Sau khi được ghi vào sổ cái dữ liệu, dữ liệu đã thu thập được sẽ được làm sạch và cấu trúc thông qua mô hình nhúng đồ thị (Edge Embedding) để đào tạo AI.

Tóm lại, Grass cho phép người dùng đóng góp băng thông dư thừa để thu thập dữ liệu mạng để kiếm thu nhập thụ động trong khi vẫn bảo vệ quyền riêng tư cá nhân. Thiết kế này không chỉ mang lại lợi ích kinh tế cho người dùng mà còn cung cấp cho các công ty AI một cách phi tập trung để có được một lượng lớn dữ liệu thực.

Mặc dù Grass đã hạ thấp đáng kể ngưỡng tham gia của người dùng và có lợi cho việc tăng cường sự tham gia của người dùng, nhưng phía dự án cần cân nhắc rằng sự tham gia của người dùng thực và sự gia tăng của các bên tham gia có thể mang lại một lượng lớn thư rác, làm tăng gánh nặng xử lý dữ liệu. Do đó, phía dự án cần thiết lập một cơ chế khuyến khích hợp lý và định giá dữ liệu để có được dữ liệu thực sự có giá trị. Đây là yếu tố ảnh hưởng quan trọng đối với cả phía dự án và người dùng. Nếu người dùng cảm thấy bối rối hoặc không công bằng về việc phân bổ airdrop, họ có thể không tin tưởng phía dự án, điều này sẽ ảnh hưởng đến sự đồng thuận và phát triển của dự án.

Thông tin đội:

Người sáng lập Tiến sĩ Andrej tốt nghiệp Đại học York tại Canada với bằng Toán học tính toán và ứng dụng. Giám đốc công nghệ Chris Nguyen có nhiều năm kinh nghiệm trong lĩnh vực xử lý dữ liệu và công ty dữ liệu mà ông sáng lập đã giành được nhiều danh hiệu, bao gồm Giải thưởng IBM Cloud Embedded Excellence, Enterprise Technology Top 30 và Forbes Cloud 100 Rising Stars.

Thông tin tài chính:

Grass là sản phẩm đầu tiên được ra mắt bởi nhóm Wynd Network, nhóm đã hoàn thành vòng gọi vốn hạt giống trị giá $3,5 triệu do Polychain Capital và Tribe Capital dẫn đầu vào tháng 12 năm 2023, với sự tham gia của Bitscale, Big Brain, Advisors Anonymous, Typhon V, Mozaik, v.v. Trước đó, No Limit Holdings đã dẫn đầu vòng gọi vốn Pre-see, với tổng số tiền tài trợ là $4,5 triệu.

Vào tháng 9 năm nay, Grass đã hoàn tất vòng gọi vốn Series A, do Hack VC dẫn đầu và có sự tham gia của Polychain, Delphi Digital, Brevan Howard Digital, Lattice fund và các quỹ khác. Số tiền tài trợ không được tiết lộ.

IO.NET: Nền tảng tài nguyên điện toán phi tập trung

IO.NET tổng hợp các tài nguyên điện toán mạng nhàn rỗi trên toàn thế giới bằng cách xây dựng một mạng GPU phi tập trung trên Solana. Điều này cho phép các kỹ sư AI có được các tài nguyên điện toán GPU cần thiết với chi phí thấp hơn, dễ dàng có được hơn và linh hoạt hơn. Các nhóm ML có thể xây dựng quy trình đào tạo mô hình và dịch vụ lý luận trên mạng GPU phân tán.

IO.NET không chỉ cung cấp thu nhập cho người dùng có năng lực tính toán nhàn rỗi mà còn giảm đáng kể gánh nặng năng lực tính toán của các nhóm nhỏ hoặc cá nhân. Với thông lượng cao và hiệu quả thực thi hiệu quả của Solana, nó có lợi thế cố hữu trong việc lập lịch mạng GPU.

IO.NET đã nhận được rất nhiều sự chú ý và ủng hộ từ các tổ chức hàng đầu kể từ khi ra mắt. Theo CoinMarketCap, tính đến ngày 17 tháng 10, giá trị thị trường của các token của nó đã vượt quá $220 triệu đô la Mỹ và FDV đã vượt quá $1,47 tỷ đô la Mỹ.

Một trong những công nghệ cốt lõi của IO.NET là IO-SDK, dựa trên một nhánh chuyên dụng của Ray. (Ray là một khuôn khổ mã nguồn mở được OpenAI sử dụng, có thể mở rộng các ứng dụng AI và Python như học máy thành các cụm để xử lý khối lượng tính toán lớn). Sử dụng tính song song gốc của Ray, IO-SDK có thể song song hóa các hàm Python và cũng hỗ trợ tích hợp với các khuôn khổ ML chính thống như PyTorch và TensorFlow. Bộ nhớ lưu trữ của nó cho phép chia sẻ dữ liệu nhanh giữa các tác vụ, loại bỏ độ trễ tuần tự hóa.

Thành phần sản phẩm:

• IO Cloud: Được thiết kế để triển khai và quản lý theo yêu cầu các cụm GPU phi tập trung, tích hợp liền mạch với IO-SDK để cung cấp giải pháp toàn diện cho việc mở rộng quy mô các ứng dụng AI và Python. Nó cung cấp sức mạnh tính toán đồng thời đơn giản hóa việc triển khai và quản lý tài nguyên GPU/CPU. Nó giảm thiểu rủi ro tiềm ẩn thông qua tường lửa, kiểm soát truy cập và thiết kế mô-đun, đồng thời cô lập các chức năng khác nhau để tăng cường bảo mật.

• IO Worker: Người dùng có thể quản lý hoạt động của nút GPU thông qua giao diện ứng dụng web này, bao gồm giám sát hoạt động tính toán, theo dõi nhiệt độ và mức tiêu thụ điện năng, hỗ trợ cài đặt, biện pháp bảo mật và trạng thái doanh thu.

• IO Explorer: Chủ yếu cung cấp cho người dùng số liệu thống kê toàn diện và hình ảnh trực quan về nhiều khía cạnh khác nhau của GPU Cloud, cho phép người dùng xem hoạt động mạng, số liệu thống kê chính, điểm dữ liệu và giao dịch phần thưởng theo thời gian thực.

• IO ID: Người dùng có thể xem trạng thái tài khoản cá nhân của mình, bao gồm hoạt động địa chỉ ví, số dư ví và yêu cầu thu nhập.

• IO Coin: Hỗ trợ người dùng xem trạng thái token của IO.NET.

• BC 8.AI: Đây là trang web tạo hình ảnh AI được hỗ trợ bởi IO.NET, nơi người dùng có thể triển khai quy trình tạo văn bản thành hình ảnh bằng AI.

IO.NET sử dụng sức mạnh tính toán nhàn rỗi từ thợ đào tiền điện tử, các dự án như Filecoin và Render và các dự án khác để tổng hợp hơn một triệu tài nguyên GPU, cho phép các kỹ sư hoặc nhóm AI tùy chỉnh và mua các dịch vụ tính toán GPU theo nhu cầu của họ. Bằng cách sử dụng các tài nguyên tính toán nhàn rỗi trên toàn thế giới, người dùng cung cấp sức mạnh tính toán có thể mã hóa thu nhập của họ. IO.NET không chỉ tối ưu hóa việc sử dụng tài nguyên mà còn giảm chi phí tính toán cao, thúc đẩy phạm vi ứng dụng AI và tính toán rộng hơn.

Là một nền tảng sức mạnh tính toán phi tập trung, IO.NET nên tập trung vào trải nghiệm người dùng, sự phong phú của tài nguyên điện toán và lập lịch và giám sát tài nguyên, đây là những con chip quan trọng để giành chiến thắng trong đường đua sức mạnh tính toán phi tập trung. Tuy nhiên, đã có những tranh chấp về lập lịch tài nguyên trước đây và một số người đặt câu hỏi về sự không phù hợp giữa lập lịch tài nguyên và lệnh của người dùng. Mặc dù chúng tôi không thể xác nhận tính xác thực của vấn đề này, nhưng nó cũng nhắc nhở các dự án liên quan rằng họ nên chú ý đến việc tối ưu hóa các khía cạnh này và cải thiện trải nghiệm của người dùng. Nếu không có sự hỗ trợ của người dùng, những sản phẩm tinh xảo chỉ là bình hoa.

Thông tin đội:

Nhà sáng lập Ahmad Shadid trước đây là kỹ sư hệ thống định lượng tại WhalesTrader và là người đóng góp và cố vấn cho Ethereum Foundation. CTO Gaurav Sharma trước đây từng làm kỹ sư phát triển cao cấp tại Amazon, kiến trúc sư tại eBay và làm việc tại bộ phận kỹ thuật tại Binance.

Thông tin tài chính:

Vào ngày 1 tháng 5 năm 2023, công ty chính thức công bố hoàn thành vòng gọi vốn hạt giống trị giá $10 triệu;

Vào ngày 5 tháng 3 năm 2024, công ty đã công bố hoàn thành vòng gọi vốn Series A trị giá $30 triệu đô la Mỹ, do Hack VC dẫn đầu, với sự tham gia của Multicoin Capital, 6th Man Ventures, M 13, Delphi Digital, Solana Labs, Aptos Labs, Foresight Ventures, Longhash, SevenX, ArkStream, Animoca Brands, Continue Capital, MH Ventures, Sandbox Games, v.v.

MyShell: Nền tảng tác nhân AI kết nối người tiêu dùng và người sáng tạo

MyShell là lớp người tiêu dùng AI phi tập trung kết nối người tiêu dùng, người sáng tạo và nhà nghiên cứu nguồn mở. Người dùng có thể sử dụng các tác nhân AI do nền tảng cung cấp hoặc xây dựng các tác nhân AI hoặc ứng dụng của riêng họ trên nền tảng phát triển MyShells. MyShell cung cấp một thị trường mở cho người dùng để tự do giao dịch các tác nhân AI. Trong cửa hàng AIpp của MyShells, bạn có thể thấy nhiều tác nhân AI, bao gồm cả bạn đồng hành ảo, trợ lý giao dịch và các tác nhân loại AIGC.

Là một giải pháp thay thế có ngưỡng thấp cho nhiều loại chatbot AI như ChatGPT, MyShell cung cấp nhiều nền tảng chức năng AI, hạ thấp ngưỡng để người dùng sử dụng các mô hình và tác nhân AI, cho phép người dùng có được trải nghiệm AI toàn diện. Ví dụ, người dùng có thể muốn sử dụng Claude để sắp xếp tài liệu và tối ưu hóa văn bản, trong khi sử dụng Midjourney để tạo hình ảnh chất lượng cao. Thông thường, điều này yêu cầu người dùng phải đăng ký nhiều tài khoản trên các nền tảng khác nhau và trả tiền cho một số dịch vụ. MyShell cung cấp dịch vụ một cửa, cung cấp hạn ngạch AI miễn phí mỗi ngày và người dùng không cần phải đăng ký và trả phí nhiều lần.

Ngoài ra, một số sản phẩm AI có hạn chế ở một số khu vực nhất định, nhưng trên nền tảng MyShell, người dùng thường có thể sử dụng nhiều dịch vụ AI một cách trơn tru, giúp cải thiện đáng kể trải nghiệm của người dùng. Những ưu điểm này của MyShell khiến nó trở thành lựa chọn lý tưởng cho trải nghiệm của người dùng, mang đến cho người dùng trải nghiệm dịch vụ AI tiện lợi, hiệu quả và liền mạch.

Hệ sinh thái MyShell được xây dựng dựa trên ba thành phần cốt lõi:

Các mô hình AI tự phát triển: MyShell đã phát triển nhiều mô hình AI nguồn mở, bao gồm AIGC và các mô hình ngôn ngữ lớn mà người dùng có thể sử dụng trực tiếp; bạn cũng có thể tìm thấy nhiều mô hình nguồn mở hơn trên Github chính thức.

Nền tảng phát triển AI mở: Người dùng có thể dễ dàng xây dựng các ứng dụng AI. Nền tảng MyShell cho phép người sáng tạo tận dụng các mô hình khác nhau và tích hợp các API bên ngoài. Với quy trình phát triển gốc và bộ công cụ mô-đun, người sáng tạo có thể nhanh chóng chuyển đổi ý tưởng của mình thành các ứng dụng AI chức năng, đẩy nhanh quá trình đổi mới.

Hệ sinh thái khuyến khích công bằng: Phương pháp khuyến khích của MyShells khuyến khích người dùng tạo nội dung đáp ứng sở thích cá nhân của họ. Người sáng tạo có thể nhận được phần thưởng nền tảng gốc khi sử dụng các ứng dụng tự xây dựng và cũng có thể nhận được tiền từ người tiêu dùng.

Trong MyShells Workshop, bạn có thể thấy rằng nó hỗ trợ người dùng xây dựng robot AI ở ba chế độ. Cả nhà phát triển chuyên nghiệp và người dùng thông thường đều có thể phù hợp với chế độ phù hợp. Sử dụng chế độ cổ điển để thiết lập các tham số và hướng dẫn mô hình, có thể tích hợp vào phần mềm truyền thông xã hội; chế độ phát triển yêu cầu người dùng tải lên các tệp mô hình của riêng họ; sử dụng chế độ ShellAgent, bạn có thể xây dựng robot AI ở dạng không cần mã.

MyShell kết hợp khái niệm phi tập trung với công nghệ AI và cam kết cung cấp hệ sinh thái khuyến khích mở, linh hoạt và công bằng cho người tiêu dùng, người sáng tạo và nhà nghiên cứu. Thông qua các mô hình AI tự phát triển, nền tảng phát triển mở và nhiều phương pháp khuyến khích, MyShell cung cấp cho người dùng nhiều công cụ và tài nguyên để hiện thực hóa sự sáng tạo và nhu cầu của họ.

MyShell đã tích hợp nhiều mô hình chất lượng cao và nhóm cũng liên tục phát triển nhiều mô hình AI để cải thiện trải nghiệm của người dùng. Tuy nhiên, MyShell vẫn gặp một số thách thức khi sử dụng. Ví dụ, một số người dùng báo cáo rằng một số mô hình hỗ trợ tiếng Trung cần được cải thiện. Tuy nhiên, khi xem kho lưu trữ mã MyShell, bạn có thể thấy nhóm liên tục cập nhật và tối ưu hóa, đồng thời tích cực lắng nghe phản hồi từ cộng đồng. Tôi tin rằng với sự cải tiến liên tục, trải nghiệm của người dùng sẽ tốt hơn trong tương lai.

Thông tin đội:

Đồng sáng lập Zengyi Qin tập trung vào nghiên cứu thuật toán giọng nói và có bằng Tiến sĩ từ MIT. Trong khi theo đuổi bằng cử nhân tại Đại học Thanh Hoa, anh đã xuất bản một số bài báo hội nghị hàng đầu. Anh cũng có kinh nghiệm chuyên môn về robot, thị giác máy tính và học tăng cường. Một đồng sáng lập khác, Ethan Sun, tốt nghiệp Đại học Oxford với bằng khoa học máy tính và có nhiều năm kinh nghiệm làm việc trong lĩnh vực AR+AI.

Thông tin tài chính:

Vào tháng 10 năm 2023, công ty đã huy động được $5,6 triệu đô la trong vòng tài trợ hạt giống. Dẫn đầu là INCE Capital, Hashkey Capital, Folius Ventures, SevenX Ventures, OP Crypto và những công ty khác đã tham gia đầu tư.

Vào tháng 3 năm 2024, công ty đã nhận được $11 triệu tiền tài trợ trong vòng tài trợ Pre-A mới nhất. Vòng tài trợ do Dragonfly dẫn đầu và có sự tham gia của các tổ chức đầu tư như Delphi Digital, Bankless Ventures, Maven 11 Capital, Nascent, Nomad, Foresight Ventures, Animoca Ventures, OKX Ventures và GSR. Ngoài ra, vòng tài trợ này cũng nhận được sự hỗ trợ từ các nhà đầu tư thiên thần như Balaji Srinivasan, Illia Polosukhin, Casey K. Caruso và Santiago Santos.

Vào tháng 8 năm nay, Binance Labs đã công bố khoản đầu tư vào MyShell thông qua chương trình ươm tạo mùa thứ sáu, tuy nhiên số tiền cụ thể không được tiết lộ.

IV. Những thách thức và cân nhắc cần giải quyết

Mặc dù đường đua vẫn còn trong giai đoạn đầu, các học viên nên cân nhắc một số yếu tố quan trọng ảnh hưởng đến sự thành công của dự án. Sau đây là một số khía cạnh cần cân nhắc:

Sự cân bằng giữa cung và cầu về tài nguyên AI: Đối với các dự án sinh thái Web3-AI, việc đạt được sự cân bằng giữa cung và cầu về tài nguyên AI và thu hút nhiều người có nhu cầu thực sự và sẵn sàng đóng góp là vô cùng quan trọng. Ví dụ, người dùng có nhu cầu về mô hình, dữ liệu và sức mạnh tính toán có thể đã quen với việc có được tài nguyên AI trên nền tảng Web2. Đồng thời, làm thế nào để thu hút các nhà cung cấp tài nguyên AI đóng góp vào hệ sinh thái Web3-AI và làm thế nào để thu hút nhiều người có nhu cầu hơn để có được tài nguyên và đạt được sự phù hợp hợp lý về tài nguyên AI cũng là một trong những thách thức mà ngành phải đối mặt.

Thách thức dữ liệu: Chất lượng dữ liệu ảnh hưởng trực tiếp đến hiệu ứng đào tạo mô hình. Đảm bảo chất lượng dữ liệu trong quá trình thu thập dữ liệu và xử lý trước dữ liệu, và lọc ra lượng lớn dữ liệu rác do người dùng len mang đến sẽ là những thách thức quan trọng mà các dự án dữ liệu phải đối mặt. Chủ dự án có thể cải thiện độ tin cậy của dữ liệu thông qua các phương pháp kiểm soát chất lượng dữ liệu khoa học và hiển thị minh bạch hơn hiệu ứng của quá trình xử lý dữ liệu, điều này cũng sẽ hấp dẫn hơn đối với những người có nhu cầu dữ liệu.

Các vấn đề bảo mật: Trong ngành công nghiệp Web3, cần phải sử dụng công nghệ blockchain và quyền riêng tư để đạt được các tương tác trên chuỗi và ngoài chuỗi của các tài sản AI nhằm ngăn chặn các tác nhân độc hại ảnh hưởng đến chất lượng của các tài sản AI và đảm bảo tính bảo mật của các tài nguyên AI như dữ liệu và mô hình. Một số bên tham gia dự án đã đề xuất các giải pháp, nhưng lĩnh vực này vẫn đang trong quá trình xây dựng. Khi công nghệ tiếp tục được cải thiện, các tiêu chuẩn bảo mật cao hơn và đã được chứng minh dự kiến sẽ đạt được.

Trải nghiệm người dùng:

• Người dùng Web2 thường quen với trải nghiệm vận hành truyền thống, trong khi các dự án Web3 thường đi kèm với các hợp đồng thông minh phức tạp, ví phi tập trung và các công nghệ khác, có thể có ngưỡng cao đối với người dùng thông thường. Ngành công nghiệp nên xem xét cách tối ưu hóa hơn nữa trải nghiệm người dùng và các cơ sở giáo dục để thu hút nhiều người dùng Web2 hơn tham gia vào hệ sinh thái Web3-AI.

• Đối với người dùng Web3, việc thiết lập cơ chế khuyến khích hiệu quả và hệ thống kinh tế liên tục hoạt động là chìa khóa để thúc đẩy việc duy trì người dùng lâu dài và phát triển lành mạnh của hệ sinh thái. Đồng thời, chúng ta nên suy nghĩ về cách tối đa hóa việc sử dụng công nghệ AI để nâng cao hiệu quả của lĩnh vực Web3 và đổi mới nhiều kịch bản ứng dụng và trò chơi kết hợp với AI. Đây đều là những yếu tố chính ảnh hưởng đến sự phát triển lành mạnh của hệ sinh thái.

Khi xu hướng phát triển của Internet+ tiếp tục phát triển, chúng ta đã chứng kiến vô số đổi mới và thay đổi. Hiện tại, nhiều lĩnh vực đã được kết hợp với AI. Nhìn về tương lai, kỷ nguyên AI+ có thể nở rộ ở khắp mọi nơi và thay đổi hoàn toàn cách sống của chúng ta. Việc tích hợp Web3 và AI có nghĩa là quyền sở hữu và kiểm soát dữ liệu sẽ trở lại với người dùng, giúp AI trở nên minh bạch và đáng tin cậy hơn. Xu hướng tích hợp này dự kiến sẽ xây dựng một môi trường thị trường công bằng và cởi mở hơn, thúc đẩy cải thiện hiệu quả và phát triển sáng tạo trong mọi lĩnh vực của cuộc sống. Chúng tôi mong muốn các nhà xây dựng ngành cùng nhau hợp tác để tạo ra các giải pháp AI tốt hơn.

Người giới thiệu

https://ieeexplore.ieee.org/abstract/document/9451544

https://docs.ora.io/doc/oao-onchain-ai-oracle/introduction

https://saharalabs.ai/

https://saharalabs.ai/blog/sahara-ai-raise-43m

https://bittensor.com/

https://docs.bittensor.com/yuma-consensus

https://docs.bittensor.com/emissions#emission

https://twitter.com/myshell_ai

https://twitter.com/SubVortexTao

https://foresightnews.pro/article/detail/49752

https://www.ora.io/

https://docs.ora.io/doc/imo/introduction

https://github.com/ora-io/keras2c ircom

https://arxiv.org/abs/2401.17555

https://arxiv.org/abs/2402.15006

https://x.com/OraProtocol/status/1805981228329513260

https://x.com/getgrass_io

https://www.getgrass.io/blog/grass-the-first-ever-layer-2-data-rollup

https://wynd-network.gitbook.io/grass-docs/architecture/overview#edge-embedding-models

http://IO.NET

https://www.ray.io/

https://www.techflowpost.com/article/detail_17611.html

https://myshell.ai/

https://www.chaincatcher.com/article/2118663

Sự nhìn nhận

Vẫn còn rất nhiều nghiên cứu và công việc cần thực hiện trong mô hình cơ sở hạ tầng mới nổi này và có nhiều lĩnh vực chưa được đề cập trong bài viết này. Nếu bạn quan tâm đến các chủ đề nghiên cứu liên quan, vui lòng liên hệ với Chloe.

Xin chân thành cảm ơn Severus và JiaYi vì những bình luận sâu sắc và phản hồi của họ về bài viết này. Cuối cùng, xin cảm ơn JiaYi vì vẻ ngoài đáng yêu như mèo của cô ấy.

Bài viết này có nguồn từ internet: Báo cáo toàn cảnh theo dõi Web3-AI: phân tích chuyên sâu về logic kỹ thuật, ứng dụng kịch bản và các dự án hàng đầu

Có liên quan: Phải xem tuần tới｜Hai ứng cử viên phó tổng thống của hai đảng sẽ tranh luận; EIGEN dỡ bỏ các hạn chế chuyển nhượng (9.30-1

Điểm nổi bật trong tuần tới Ngày 30 tháng 9 CME Group có kế hoạch ra mắt sản phẩm tương lai Bitcoin mới, hợp đồng tương lai Bitcoin Friday, vào ngày 30 tháng 9; Ethena: Yêu cầu airdrop mùa 2 sẽ mở vào ngày 30 tháng 9; Ngày 1 tháng 10 (1:00) Powell sẽ phát biểu tại Hiệp hội Kinh tế Doanh nghiệp Quốc gia; (8:00) Grass Foundation: Người dùng cần kết nối ví Solana của họ trước ngày 1 tháng 10 để nhận airdrop; (13:00) Các hạn chế chuyển tiền EIGEN sẽ được gỡ bỏ vào ngày 30 tháng 9 và những người dùng đã cam kết sẽ có thời gian rút tiền trong 7 ngày; Ngày 2 tháng 10 (9:00) Các ứng cử viên phó tổng thống của đảng Dân chủ và Cộng hòa sẽ tổ chức cuộc tranh luận phó tổng thống vào ngày 2 tháng 10; Ngày 4 tháng 10 (20:30) Hoa Kỳ sẽ công bố tỷ lệ thất nghiệp và dữ liệu bảng lương phi nông nghiệp được điều chỉnh theo mùa trong tháng 9; Từ ngày 30 tháng 9 đến ngày 6 tháng 10,…