Bức tranh về những mô hình Blockchain x AI trong tương lai
![Avatar](/_next/image?url=https%3A%2F%2Ffiles.amberblocks.com%2Fuserdata%2Fusrjbzmrwr9t6srkabdjaatqv9rsvrh6%2Fprofile-pictures%2Ffad7zdphfys8j43r04clji4mflqdz5i3%2F2024-07-19%252017.10.21.jpg&w=3840&q=20)
![blockchain ai](https://files.amberblocks.com/thumbnail/chnbzaa92ook5tnj/posts/p1uhselvnmmk5cbi/fyld4p3dx39sh8hjujmhooxyiirh2cld/thumbweb-c98-cac-mo-hinh-kha-thi-giua-crypto-va-ai-min.png)
Tổng quan về Artificial Intelligence (AI)
Trí tuệ nhân tạo (AI) là một loại máy tính có khả năng suy nghĩ và hành động giống như con người.
Máy Học (Machine Learning - ML) - một kỹ thuật trong mảng AI cho phép máy tính có thể học, phân tích, và đưa ra dự đoán dựa trên một tệp dữ liệu có sẵn.
Để một mô hình Máy Học vận hành cần ba yếu tố quan trọng:
- Input Data (dữ liệu đầu vào): Là nguyên liệu cơ bản cho quá trình Máy học, đó có thể là dạng text, video, image, code.
- Model (mô hình): là một bộ nguyên tắc xử lý từ dữ liệu đầu vào, từ đó đưa dự đoán hoặc phân tích. Mô hình có thể đơn giản là một hàm số hoặc phức tạp hơn như một mạng lưới nơ-ron.
- Computing Power (sức mạnh tính toán): là khả năng tính toán và xử lý của mô hình nhằm đưa ra phân tích hoặc dự đoán từ dữ liệu đầu vào. Sức mạnh tính toán cho các mô hình ML có thể đến từ CPU, GPU, TPU hay các custom ASIC.
Tìm hiểu thêm: Machine Learning - Ứng dụng trong thị trường crypto.
![machine learning process](https://files.amberblocks.com/media/chnbzaa92ook5tnj/posts/p1uhselvnmmk5cbi/f08uzj0aujtaxkhjipu9ll1fydls1t5x/machine-learning-process.png)
Sự bùng nổ Generative AI, cụ thể là ChatGPT, đã cho thấy một tiềm năng vô cùng lớn của công nghệ này. Sự phát triển của ba yếu tố nêu trên đã làm tiền đề vô cùng quan trọng cho sự thành công của AI ở thời điểm hiện tại:
- Ngày càng có nhiều dữ liệu: Sự thay đổi trong mô hình kinh doanh của công ty trong giai đoạn bùng nổ của Internet sang phát triển dựa trên khai thác dữ liệu của người dùng.
- Sự ra đời của GPU: GPU được xem như đất hiếm cấu tạo nên sức mạnh tính toán của các mô hình Generative AI hiện nay. Con chip cho phép xử lý các tác vụ một cách song song với khả năng mở rộng vô cùng lớn. So với CPU truyền thống, GPU có thể nói đã phá vỡ Moore Law với khả năng xử lý tăng theo cấp lũy thừa theo thời gian. Theo báo cáo từ Stanford Human-Centered AI group, hiệu suất của GPU đã tăng gấp 7000 lần kể từ năm 2023.
- Sự cải tiến trong mô hình máy học: Các mô hình máy học đã được phát triển từ những năm 1940, tuy nhiên, sự đột phá chỉ diễn ra trong một thập kỷ trở lại đây. Sự phát triển Generative AI ở hiện tại được lấy cảm hứng từ mô hình Transformer (2017) của Google. Bên cạnh đó, sự phát triển nói chung của mô hình ML cũng đến từ hai yếu tố: sức mạnh xử lý của GPU và dữ liệu đầu vào ngày càng nhiều.
- Theo thống kê, độ phức tạp và tham số của các mô hình AI tăng gấp 10 lần mỗi năm. Hiện tại, mô hình GPT4 đã có hơn một tỷ tỷ tham số (trillion parameter).
Đọc thêm: GPU là gì?
Sự kết hợp giữa mô hình AI và blockchain
Trong những năm qua, hai công nghệ blockchain và AI nổi lên như hai đột phá trong ngành công nghệ software. Có hai cách tiếp cận chính trong việc phân tích mối tương tác giữa công nghệ AI và Blockchain:
- Blockchain đem đến AI: tính phi tập trung và sự minh bạch.
- AI giúp blockchain: tăng tính hiệu quả cho các hoạt động on-chain.
Nhóm dự án áp dụng công nghệ blockchain vào AI
1. Decentralized Compute Stack
Đây là nhóm dự án làm về mô hình marketplace kết nối giữa những cá nhân/ tập thể có nhu cầu tìm kiếm sức mạnh tính toán (computing power) cho những tác vụ khác nhau. Hiện tại, nhóm dự án này có thể được chia ra làm hai nhóm chính, tuỳ thuộc vào mục đích cung cấp:
![decentralized compute](https://files.amberblocks.com/media/chnbzaa92ook5tnj/posts/p1uhselvnmmk5cbi/fkgtmfbwvs6kuohysjmbl347kmtdlbwn/decentralized-compute-stack.png)
- Specific purpose: các dự án cung cấp sức mạnh tính toán cho các tác vụ cụ thể chỉ liên quan tới AI, bao gồm
- Xử lý dữ liệu (processed data): Akash, Filecoin, Grass
- Đào tạo và tinh chỉnh mô hình (training & fine-tuning): Gensyn và Together.ai
- Đưa ra kết quả từ dữ liệu được đào tạo (inference): Bittensor, Modulus Lab, Giza
Tìm hiểu thêm về Bittensor (TAO) và mô hình hoạt động.
Hiện tại, hầu hết chi phí sử dụng tài nguyên tính toán (computing resources) từ nhóm dự án trên đều thấp hơn so với các giải pháp tập trung như Google Could, AWS và Microsoft Azure, do các tài nguyên này trong trạng thái không sử dụng từ phía supplier. Bên cạnh đó, các nhóm dự án đều tập trung thu hút các supplier thông token incentives ở giai đoạn đầu nhằm giữ cho chi phí luôn ở mức thấp.
Ngoại trừ nhu cầu về GPU, các nhu cầu tính toán khác phần lớn đều thiếu nhu cầu với tỷ lệ sử dụng thấp (utilization rate). Mặc dù chi phí sử dụng thấp hơn, tuy nhiên, sự ổn định ở quy mô lớn trong việc đào tạo và tính toán các mô hình AI của nhóm dự án trên vẫn là điểm hạn chế do sự phân tán của các supplier trong mạng lưới.
2. Zero Knowledge Machine Learning (zkML)
Bên cạnh các dự án decentralized compute, kỹ thuật mật mã học (cryptography) còn được áp dụng trong việc xác minh tính đúng đắn của các mô hình AI và ML. Bên cạnh các kỹ thuật như Fully Homomorphic Encryptions (FHEs) hay N-party MPC, ZK Proofs đang được các dự án tập trung phát triển và ứng dụng với tên gọi zkML (Zero Knowledge Machine Learning).
Trong thị trường crypto, kỹ thuật ZKP được áp dụng phổ biến thông qua việc mở rộng Ethereum bằng giải pháp Zk Rollup thông việc đính kèm các gói giao dịch từ L2 lên Ethereum kèm với các zk proofs nhằm xác minh tính hợp lệ của giao dịch mà không cần tin tưởng (trustless). Tương tự như vậy, kỹ thuật zkML được áp dụng ở chủ yếu ở khâu Inferencing của các model AI do tính phức tạp trong khả năng tính toán và đòi hỏi sự chính xác từ phía mô hình.
Kỹ thuật này sẽ đảm bảo cho kết quả đầu ra (output) luôn tuân theo một mô hình cho trước, tránh trường hợp các nhà phát triển mô hình tập trung (centralized generative AI model) cắt giảm chi phí bằng cách thay bằng mô hình kém hiệu quả hơn. Ngược lại, đối với các nhà phát triển AI, zkML cho phép họ cung cấp mô hình mà không phải tiết lộ những lợi thế riêng biệt như tham số của mô hình.
Hiện tại, zkML đang được một số dự án áp dụng như Modolus, Hyle và Aligned Layer. Mặc dù đem lại tính minh bạch, điểm yếu của kỹ thuật này đến từ việc chi phí tạo và xác thực cá proofs cao và thường được tính cho người dùng cuối.
Một số kỹ thuật khác áp dụng trong quá trình xác thực inference output có thể kể đến như Optimistic ML hay Trusted Execution Environment ML (teeML).
Nhóm dự án áp dụng công nghệ AI vào blockchain
3. Onchain AI Agent
AI Agent là chương trình (software program) có thể tương tác với môi trường xung quanh để thực hiện các nhiệm vụ cụ thể. Có thể xem, AI Agent như một Generative AI bot thực hiện các nhiệm vụ thông qua các câu lệnh promt từ phía người dùng, ví dụ làm slide, làm video, hỗ trợ tính toán,...
Trong thị trường crypto, các mô hình Agent đã được áp dụng rộng rãi ở nhiều lĩnh vực như MEV Bot (Liquidation & Arbitrage) hay gần đây là Telegram Trading Bots.
Khi áp dụng công nghệ AI, cụ thể là mô hình ngôn ngữ lớn (LLMs), các onchain AI Agent sẽ có thể thực hiện các tác vụ phức tạp hơn một cách tự động thay vì cần tới hướng dẫn của con người. So với các AI Agent Web2, các Onchain AI Agent có thể dễ dàng được triển khai những tác vụ liên quan tới tài chính (Finance) do người có thể trao quyền sử dụng ví một trực tiếp. Điều này đồng nghĩa với một số rủi ro liên quan tới bảo mật trong smart contract.
Hiện tại, các onchain AI Agent chí có thể thực hiện những tác vụ đơn giản cần ít tài nguyên như:
AI Agent x Wallet: Dawn Wallet (Beta) - cho phép người dùng thực hiện các tác vụ như chuyển tiền bằng một câu lệnh. Ví dụ: send 1 ETH to vitalik.eth.
AI Agent x Wallet: Morpheus - một con bot phép người dùng biết được các rủi ro liên quan tới smart contract thông qua mô hình LLMs.
AI Agent x Gaming: Parallel Colony (Beta) - cho phép người dùng chỉ định các nhân vật trong game thực hiện một số nhiệm vụ định sẵn.
Tạm kết
Hiện tại, phần lớn nhóm dự án kết hợp giữa AI và Crypto vẫn trong giai đoạn đầu phát triển và cần rất nhiều thời gian để hoàn thiện. Nhóm dự án áp dụng blockchain vào AI vẫn chưa chứng minh được tính hiệu quả khi số về mặt hiệu suất (throughput) so với các giải pháp tập trung do tính phân mảnh của blockchain.
Các giải pháp áp dụng các mô hình AI vào blockchain như onchain AI Agent đang cho thấy tiềm năng trong thời gian tới khi đem lại sự tiện dụng hơn cho người dùng cuối. Mảng Crypto X AI đã đem lại sự chú ý nhất định của cộng đồng và cần thêm thời gian để chứng minh tính hiệu quả và được áp dụng rộng rãi.
Đọc thêm: Khi AI giao thoa với Blockchain | Đột phá thực sự hay chỉ là lý thuyết?