Vào năm 2025, nhiệt độ câu chuyện "AI + Web3" vẫn chưa giảm. Theo báo cáo mới nhất của Grayscale phát hành vào tháng 5 năm 2025, tổng giá trị thị trường của lĩnh vực AI Crypto đã đạt 21 tỷ USD, tăng gần năm lần so với 4,5 tỷ USD vào quý đầu tiên của năm 2023.
Cơn sóng này thực sự là sự kết hợp công nghệ hay chỉ là một lần nữa đóng gói khái niệm?
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, không bảo đảm quyền riêng tư dữ liệu, quyền lực tính toán bị độc quyền cao, quá trình suy luận trở thành hộp đen, cơ chế thúc đẩy mất cân bằng... Và những điểm đau này lại hoàn toàn phù hợp với những lợi thế bản địa của Web3: phi tập trung, cơ chế thị trường mở, có thể xác minh trên chuỗi, chủ quyền dữ liệu người dùng, v.v.
Sự kết hợp của AI + Web3 không chỉ đơn thuần là sự chồng chéo của hai từ khóa hot, mà là một sự bổ sung công nghệ mang tính cấu trúc. Hãy bắt đầu từ một số điểm đau cốt lõi mà AI đang phải đối mặt hiện nay, phân tích sâu những dự án Web3 thực sự giải quyết vấn đề, giúp bạn nhìn rõ giá trị và hướng đi của lĩnh vực AI Crypto.
Ngưỡng truy cập dịch vụ AI quá cao, chi phí đắt đỏ
Các dịch vụ AI hiện tại thường có chi phí cao, việc thu thập tài nguyên đào tạo gặp khó khăn, làm cho ngưỡng tham gia quá cao đối với các doanh nghiệp vừa và nhỏ cũng như các nhà phát triển cá nhân; ngoài ra, những dịch vụ này thường phức tạp về kỹ thuật và cần có nền tảng chuyên môn để bắt đầu. Thị trường dịch vụ AI rất tập trung, người dùng thiếu sự lựa chọn đa dạng, chi phí gọi không minh bạch, ngân sách khó dự đoán, thậm chí còn đối mặt với vấn đề độc quyền tính toán.
Giải pháp Web3 là phá vỡ rào cản nền tảng theo cách phi tập trung, xây dựng thị trường GPU mở và mạng lưới dịch vụ mô hình, hỗ trợ lập lịch linh hoạt các nguồn lực nhàn rỗi, và thông qua lập lịch tác vụ trên chuỗi và cơ chế kinh tế minh bạch, khuyến khích nhiều người tham gia đóng góp sức mạnh tính toán và mô hình, giảm chi phí tổng thể và nâng cao khả năng tiếp cận dịch vụ.
Đại diện dự án
Render Network: Tập trung vào việc render GPU phi tập trung, cũng hỗ trợ suy diễn và đào tạo AI, áp dụng mô hình "trả tiền theo mức sử dụng", giúp các nhà phát triển dễ dàng tiếp cận dịch vụ tạo hình ảnh và AI với chi phí thấp.
Gensyn: Xây dựng mạng lưới đào tạo học sâu phi tập trung, sử dụng cơ chế Proof-of-Compute để xác thực kết quả đào tạo, thúc đẩy việc đào tạo AI chuyển từ chế độ tập trung trên nền tảng sang hợp tác mở.
Akash Network: Nền tảng điện toán đám mây phi tập trung dựa trên công nghệ blockchain, cho phép các nhà phát triển thuê tài nguyên GPU theo nhu cầu, để triển khai và chạy các ứng dụng AI, là "phiên bản phi tập trung của điện toán đám mây."
0G Labs: Layer‑1 gốc AI phi tập trung, thông qua kiến trúc tách biệt lưu trữ và tính toán sáng tạo, đã giảm đáng kể chi phí và độ phức tạp trong việc vận hành mô hình AI trên chuỗi.
Người đóng góp dữ liệu thiếu động lực
Dữ liệu chất lượng cao là nhiên liệu cốt lõi của mô hình AI, nhưng trong mô hình truyền thống, những người đóng góp dữ liệu rất khó để nhận được phần thưởng. Nguồn gốc dữ liệu không minh bạch, tính lặp lại cao, và cách sử dụng thiếu phản hồi khiến cho hệ sinh thái dữ liệu hoạt động kém hiệu quả trong thời gian dài.
Web3 cung cấp một mô hình giải quyết hoàn toàn mới: thông qua chữ ký mã hóa, xác nhận trên chuỗi và cơ chế kinh tế có thể kết hợp, tạo ra một vòng hợp tác và khuyến khích rõ ràng giữa những người đóng góp dữ liệu, nhà phát triển mô hình và người sử dụng.
Đại diện dự án
OpenLedger: Đề xuất đổi mới khái niệm "Payable AI", kết hợp giữa đóng góp dữ liệu, gọi mô hình và khuyến khích kinh tế, thúc đẩy hình thành mạng lưới kinh tế dữ liệu hợp tác trên chuỗi AI.
Bittensor: Áp dụng một hệ thống khuyến khích hoàn chỉnh với các yếu tố cốt lõi như phần thưởng TAO, cơ chế đồng thuận Yuma, khuyến khích chính xác từ subnet, hợp tác tri thức, liên kết trực tiếp giữa việc đóng góp dữ liệu và kết quả vận hành mô hình, nâng cao giá trị tổng thể.
Grass: Mạng dữ liệu AI, thu thập dữ liệu hành vi duyệt web của người dùng thông qua các plugin, đóng góp vào việc đào tạo công cụ tìm kiếm trên chuỗi, người dùng nhận phần thưởng dựa trên chất lượng dữ liệu, xây dựng cơ chế chia sẻ dữ liệu do cộng đồng điều khiển.
Mô hình trở thành hộp đen, suy diễn AI không thể xác minh
Quá trình suy diễn của các mô hình AI hiện tại rất khó kiểm soát, người dùng không thể xác minh tính chính xác và độ tin cậy của kết quả, đặc biệt trong các lĩnh vực rủi ro cao như tài chính, y tế thì vấn đề càng nổi bật. Hơn nữa, mô hình có thể bị tấn công, bị thao túng hoặc bị nhiễm độc, khó có thể truy dấu nguồn gốc hoặc kiểm toán.
Để làm điều này, các dự án Web3 đang cố gắng đưa vào các chứng minh không kiến thức (ZK), mã hóa đồng nhất hoàn toàn (FHE) và môi trường thực thi đáng tin cậy (TEE), nhằm làm cho quá trình suy luận mô hình có thể xác minh và kiểm toán, nâng cao tính giải thích và cơ sở tin cậy của hệ thống AI.
Đại diện cho dự án
Sentient: Đảm bảo hành vi gọi có thể truy xuất thông qua công nghệ nhận diện vân tay mô hình sáng tạo, nâng cao tính minh bạch và khả năng chống giả mạo của mô hình.
Modulus Labs: Sử dụng công nghệ ZK để xác thực mã hóa quá trình suy luận mô hình, đạt được "AI đáng tin cậy" trong một khuôn khổ mới.
Giza: Sử dụng mật mã không biết để đưa tính toán suy diễn máy học lên chuỗi, từ đó nâng cao tính minh bạch và độ tin cậy của việc triển khai mô hình AI.
Rủi ro về quyền riêng tư và an ninh
Quá trình huấn luyện AI thường liên quan đến một lượng lớn dữ liệu nhạy cảm, đối mặt với các rủi ro như rò rỉ quyền riêng tư, mô hình bị lạm dụng hoặc tấn công, thiếu minh bạch trong quyết định. Đồng thời, việc xác định quyền sở hữu dữ liệu và mô hình cũng mơ hồ, làm gia tăng các rủi ro về an ninh.
Bằng cách sử dụng tính không thể thay đổi của blockchain, công nghệ tính toán mã hóa (như ZK, FHE), môi trường thực thi đáng tin cậy và các biện pháp khác, đảm bảo tính an toàn và khả năng kiểm soát của dữ liệu và mô hình hệ thống AI trong toàn bộ quy trình đào tạo, lưu trữ và gọi.
Đại diện dự án
Phala Network: Cung cấp hỗ trợ môi trường thực thi đáng tin cậy (TEE), đóng gói các tính toán quan trọng trong phần cứng an toàn, ngăn chặn rò rỉ dữ liệu và sự đánh cắp mô hình.
ZAMA: Tập trung vào công nghệ mã hóa toàn phần (FHE), cho phép đào tạo và suy diễn mô hình có thể được thực hiện trong trạng thái mã hóa, thực hiện "tính toán mà không cần văn bản rõ".
Mind Network: Xây dựng nền tảng chia sẻ dữ liệu và suy diễn AI phi tập trung hỗ trợ bảo vệ quyền riêng tư, thông qua công nghệ mã hóa tiên tiến (như mã hóa đồng nhất, chứng minh không biết, v.v.) để đạt được chia sẻ dữ liệu an toàn và tính toán riêng tư.
Vana: Một ứng dụng tạo danh tính AI, nhằm giúp người dùng lấy lại quyền sở hữu và kiểm soát dữ liệu của chính mình, đảm bảo tính riêng tư và an toàn của dữ liệu.
Tranh chấp bản quyền và quyền sở hữu trí tuệ của mô hình AI
Hiện nay, việc đào tạo mô hình AI sử dụng rất nhiều dữ liệu từ internet, nhưng thường xuyên sử dụng nội dung có bản quyền mà không có sự cho phép, dẫn đến các tranh chấp pháp lý xảy ra thường xuyên. Đồng thời, quyền sở hữu bản quyền đối với nội dung do AI tạo ra không rõ ràng, việc phân chia quyền lợi giữa người sáng tạo, nhà phát triển mô hình và người sử dụng thiếu cơ chế minh bạch. Tình trạng mô hình bị sao chép, đánh cắp một cách ác ý cũng không phải hiếm, việc bảo vệ quyền sở hữu trí tuệ gặp khó khăn.
Web3 thông qua cơ chế xác nhận trên chuỗi, sẽ lưu trữ thời gian tạo ra mô hình, nguồn dữ liệu huấn luyện, thông tin người đóng góp, v.v., và sử dụng NFT, hợp đồng thông minh và các công cụ khác để xác định quyền sở hữu bản quyền của mô hình hoặc nội dung.
Đại diện dự án
Story Protocol: Xây dựng giao thức sở hữu trí tuệ trên chuỗi, cho phép nội dung AI, mã, mô hình, v.v. được xác nhận quyền sở hữu, kết hợp và cấp phép theo cách mô-đun, thực hiện cơ chế "Sáng tạo tức thì xác nhận quyền sở hữu, gọi tức thì thanh toán".
Alethea AI: Mô hình AI sinh ra được liên kết với danh tính trên chuỗi và NFT (như nhân vật, giọng nói, v.v.), mỗi nhân vật AI đều có thông tin rõ ràng về người sáng tạo và bản quyền, tránh lạm dụng và đạo nhái.
Thiếu hụt quản trị AI phi tập trung
Việc phát triển và tiến hóa của các mô hình AI hiện tại phụ thuộc rất nhiều vào các công ty công nghệ lớn hoặc các nhóm kín, nhịp độ cập nhật mô hình không minh bạch, giá trị thiên lệch khó sửa chữa, dễ dẫn đến thiên kiến thuật toán, lạm dụng và xu hướng "chủ nghĩa phong kiến công nghệ". Cộng đồng và người dùng thường không thể can thiệp vào lộ trình cập nhật mô hình, điều chỉnh tham số hoặc ranh giới hành vi, thiếu cơ chế để giám sát và điều chỉnh hiệu quả các hệ thống AI.
Lợi ích của Web3 nằm ở khả năng quản trị lập trình và cơ chế hợp tác mở. Nhờ vào quản trị trên chuỗi, cơ chế DAO và cấu trúc khuyến khích, thiết kế, mục tiêu đào tạo, cập nhật tham số của mô hình AI có thể dần dần được đưa vào sự đồng thuận của cộng đồng trong các khâu quan trọng, nâng cao tính dân chủ, tính minh bạch và tính đa dạng trong phát triển mô hình.
Đại diện dự án
Fetch.ai: Giới thiệu đại lý kinh tế tự trị (AEA) và cơ chế quản trị mở, giúp hành vi của các tác nhân AI có thể bị ràng buộc bởi các quy tắc cộng đồng, và thông qua các động lực kinh tế để phối hợp sự hợp tác giữa các tác nhân.
SingularityNET: Đóng gói dịch vụ AI thành các mô-đun trên chuỗi có thể kết hợp, người dùng có thể chọn hoặc thay thế mô hình trong thị trường mở, và cơ chế quản trị nền tảng hỗ trợ đánh giá chất lượng mô hình và dịch vụ cũng như đề xuất cải tiến.
Vấn đề hợp tác AI xuyên chuỗi
Trong môi trường đa chuỗi, AI agent và mô hình có thể phân bố trên các chuỗi khối khác nhau, khó khăn trong việc thống nhất trạng thái, ngữ cảnh hoặc logic gọi, dẫn đến trải nghiệm người dùng bị phân tách, phát triển phức tạp, dữ liệu khó đồng bộ.
Một số dự án đang khám phá xung quanh "Giao thức AI đa chuỗi", cố gắng thúc đẩy tính liên tục và nhất quán của AI agent chạy xuyên chuỗi thông qua việc chia sẻ ngữ cảnh, giao tiếp xuyên chuỗi và cơ chế đồng bộ trạng thái.
Đại diện dự án
OpenPond: Sử dụng giao thức MCP đa chuỗi để kết nối các mô hình AI và agent trên các chuỗi khác nhau, thực hiện đồng bộ trạng thái gọi và chia sẻ ngữ cảnh, đơn giản hóa các tình huống hợp tác đa chuỗi.
Mạng Lava: Cung cấp dịch vụ RPC và cầu dữ liệu đa chuỗi, mở ra kênh giao tiếp nền tảng cho hệ thống AI đa chuỗi, hỗ trợ đồng bộ dữ liệu agent và thực hiện nhiệm vụ thống nhất.
Giao thức Virtuals: Thông qua giao thức hợp tác thông minh ACP (Agent Commerce Protocol), hỗ trợ các yêu cầu, thỏa thuận, thực hiện và quy trình thanh toán giữa các agent. Công nghệ đồng bộ song song "Parallel Hypersynchronicity" cho phép các agent AI hoạt động song song trên nhiều nền tảng, đồng bộ hành vi và ký ức theo thời gian thực.
Kết luận
Sự trỗi dậy của AI Crypto không phải là nói suông, mà là một cuộc tái cấu trúc hệ thống từ dưới lên: nó đã phá vỡ những ràng buộc tập trung của thời đại mô hình lớn, từng bước xây dựng một mô hình AI mới mà mọi người đều có thể tham gia, minh bạch và đáng tin cậy, được thúc đẩy bởi sự hợp tác, trên các chiều như sức mạnh tính toán, dữ liệu, khích lệ, an toàn và quản trị.
Hiện tại, lĩnh vực này đã bước vào giai đoạn triển khai sản phẩm thực chất từ giai đoạn ý tưởng. Tôi tin rằng những dự án AI Crypto thực sự có thể tạo ra giá trị thực tế, giải quyết các điểm đau cốt lõi, chắc chắn sẽ có cơ hội dẫn dắt làn sóng phát triển của thời đại AI tiếp theo, thúc đẩy công nghệ trí tuệ nhân tạo phát triển theo hướng mở, công bằng và đáng tin cậy hơn.
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.
Gió đầu hay là một vấn đề giả? Giá trị của đường đua AI + Web3 ở đâu?
Tác giả: TinTinLand
Vào năm 2025, nhiệt độ câu chuyện "AI + Web3" vẫn chưa giảm. Theo báo cáo mới nhất của Grayscale phát hành vào tháng 5 năm 2025, tổng giá trị thị trường của lĩnh vực AI Crypto đã đạt 21 tỷ USD, tăng gần năm lần so với 4,5 tỷ USD vào quý đầu tiên của năm 2023.
Cơn sóng này thực sự là sự kết hợp công nghệ hay chỉ là một lần nữa đóng gói khái niệm?
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, không bảo đảm quyền riêng tư dữ liệu, quyền lực tính toán bị độc quyền cao, quá trình suy luận trở thành hộp đen, cơ chế thúc đẩy mất cân bằng... Và những điểm đau này lại hoàn toàn phù hợp với những lợi thế bản địa của Web3: phi tập trung, cơ chế thị trường mở, có thể xác minh trên chuỗi, chủ quyền dữ liệu người dùng, v.v.
Sự kết hợp của AI + Web3 không chỉ đơn thuần là sự chồng chéo của hai từ khóa hot, mà là một sự bổ sung công nghệ mang tính cấu trúc. Hãy bắt đầu từ một số điểm đau cốt lõi mà AI đang phải đối mặt hiện nay, phân tích sâu những dự án Web3 thực sự giải quyết vấn đề, giúp bạn nhìn rõ giá trị và hướng đi của lĩnh vực AI Crypto.
Ngưỡng truy cập dịch vụ AI quá cao, chi phí đắt đỏ
Các dịch vụ AI hiện tại thường có chi phí cao, việc thu thập tài nguyên đào tạo gặp khó khăn, làm cho ngưỡng tham gia quá cao đối với các doanh nghiệp vừa và nhỏ cũng như các nhà phát triển cá nhân; ngoài ra, những dịch vụ này thường phức tạp về kỹ thuật và cần có nền tảng chuyên môn để bắt đầu. Thị trường dịch vụ AI rất tập trung, người dùng thiếu sự lựa chọn đa dạng, chi phí gọi không minh bạch, ngân sách khó dự đoán, thậm chí còn đối mặt với vấn đề độc quyền tính toán.
Giải pháp Web3 là phá vỡ rào cản nền tảng theo cách phi tập trung, xây dựng thị trường GPU mở và mạng lưới dịch vụ mô hình, hỗ trợ lập lịch linh hoạt các nguồn lực nhàn rỗi, và thông qua lập lịch tác vụ trên chuỗi và cơ chế kinh tế minh bạch, khuyến khích nhiều người tham gia đóng góp sức mạnh tính toán và mô hình, giảm chi phí tổng thể và nâng cao khả năng tiếp cận dịch vụ.
Đại diện dự án
Render Network: Tập trung vào việc render GPU phi tập trung, cũng hỗ trợ suy diễn và đào tạo AI, áp dụng mô hình "trả tiền theo mức sử dụng", giúp các nhà phát triển dễ dàng tiếp cận dịch vụ tạo hình ảnh và AI với chi phí thấp.
Gensyn: Xây dựng mạng lưới đào tạo học sâu phi tập trung, sử dụng cơ chế Proof-of-Compute để xác thực kết quả đào tạo, thúc đẩy việc đào tạo AI chuyển từ chế độ tập trung trên nền tảng sang hợp tác mở.
Akash Network: Nền tảng điện toán đám mây phi tập trung dựa trên công nghệ blockchain, cho phép các nhà phát triển thuê tài nguyên GPU theo nhu cầu, để triển khai và chạy các ứng dụng AI, là "phiên bản phi tập trung của điện toán đám mây."
0G Labs: Layer‑1 gốc AI phi tập trung, thông qua kiến trúc tách biệt lưu trữ và tính toán sáng tạo, đã giảm đáng kể chi phí và độ phức tạp trong việc vận hành mô hình AI trên chuỗi.
Người đóng góp dữ liệu thiếu động lực
Dữ liệu chất lượng cao là nhiên liệu cốt lõi của mô hình AI, nhưng trong mô hình truyền thống, những người đóng góp dữ liệu rất khó để nhận được phần thưởng. Nguồn gốc dữ liệu không minh bạch, tính lặp lại cao, và cách sử dụng thiếu phản hồi khiến cho hệ sinh thái dữ liệu hoạt động kém hiệu quả trong thời gian dài.
Web3 cung cấp một mô hình giải quyết hoàn toàn mới: thông qua chữ ký mã hóa, xác nhận trên chuỗi và cơ chế kinh tế có thể kết hợp, tạo ra một vòng hợp tác và khuyến khích rõ ràng giữa những người đóng góp dữ liệu, nhà phát triển mô hình và người sử dụng.
Đại diện dự án
OpenLedger: Đề xuất đổi mới khái niệm "Payable AI", kết hợp giữa đóng góp dữ liệu, gọi mô hình và khuyến khích kinh tế, thúc đẩy hình thành mạng lưới kinh tế dữ liệu hợp tác trên chuỗi AI.
Bittensor: Áp dụng một hệ thống khuyến khích hoàn chỉnh với các yếu tố cốt lõi như phần thưởng TAO, cơ chế đồng thuận Yuma, khuyến khích chính xác từ subnet, hợp tác tri thức, liên kết trực tiếp giữa việc đóng góp dữ liệu và kết quả vận hành mô hình, nâng cao giá trị tổng thể.
Grass: Mạng dữ liệu AI, thu thập dữ liệu hành vi duyệt web của người dùng thông qua các plugin, đóng góp vào việc đào tạo công cụ tìm kiếm trên chuỗi, người dùng nhận phần thưởng dựa trên chất lượng dữ liệu, xây dựng cơ chế chia sẻ dữ liệu do cộng đồng điều khiển.
Mô hình trở thành hộp đen, suy diễn AI không thể xác minh
Quá trình suy diễn của các mô hình AI hiện tại rất khó kiểm soát, người dùng không thể xác minh tính chính xác và độ tin cậy của kết quả, đặc biệt trong các lĩnh vực rủi ro cao như tài chính, y tế thì vấn đề càng nổi bật. Hơn nữa, mô hình có thể bị tấn công, bị thao túng hoặc bị nhiễm độc, khó có thể truy dấu nguồn gốc hoặc kiểm toán.
Để làm điều này, các dự án Web3 đang cố gắng đưa vào các chứng minh không kiến thức (ZK), mã hóa đồng nhất hoàn toàn (FHE) và môi trường thực thi đáng tin cậy (TEE), nhằm làm cho quá trình suy luận mô hình có thể xác minh và kiểm toán, nâng cao tính giải thích và cơ sở tin cậy của hệ thống AI.
Đại diện cho dự án
Sentient: Đảm bảo hành vi gọi có thể truy xuất thông qua công nghệ nhận diện vân tay mô hình sáng tạo, nâng cao tính minh bạch và khả năng chống giả mạo của mô hình.
Modulus Labs: Sử dụng công nghệ ZK để xác thực mã hóa quá trình suy luận mô hình, đạt được "AI đáng tin cậy" trong một khuôn khổ mới.
Giza: Sử dụng mật mã không biết để đưa tính toán suy diễn máy học lên chuỗi, từ đó nâng cao tính minh bạch và độ tin cậy của việc triển khai mô hình AI.
Rủi ro về quyền riêng tư và an ninh
Quá trình huấn luyện AI thường liên quan đến một lượng lớn dữ liệu nhạy cảm, đối mặt với các rủi ro như rò rỉ quyền riêng tư, mô hình bị lạm dụng hoặc tấn công, thiếu minh bạch trong quyết định. Đồng thời, việc xác định quyền sở hữu dữ liệu và mô hình cũng mơ hồ, làm gia tăng các rủi ro về an ninh.
Bằng cách sử dụng tính không thể thay đổi của blockchain, công nghệ tính toán mã hóa (như ZK, FHE), môi trường thực thi đáng tin cậy và các biện pháp khác, đảm bảo tính an toàn và khả năng kiểm soát của dữ liệu và mô hình hệ thống AI trong toàn bộ quy trình đào tạo, lưu trữ và gọi.
Đại diện dự án
Phala Network: Cung cấp hỗ trợ môi trường thực thi đáng tin cậy (TEE), đóng gói các tính toán quan trọng trong phần cứng an toàn, ngăn chặn rò rỉ dữ liệu và sự đánh cắp mô hình.
ZAMA: Tập trung vào công nghệ mã hóa toàn phần (FHE), cho phép đào tạo và suy diễn mô hình có thể được thực hiện trong trạng thái mã hóa, thực hiện "tính toán mà không cần văn bản rõ".
Mind Network: Xây dựng nền tảng chia sẻ dữ liệu và suy diễn AI phi tập trung hỗ trợ bảo vệ quyền riêng tư, thông qua công nghệ mã hóa tiên tiến (như mã hóa đồng nhất, chứng minh không biết, v.v.) để đạt được chia sẻ dữ liệu an toàn và tính toán riêng tư.
Vana: Một ứng dụng tạo danh tính AI, nhằm giúp người dùng lấy lại quyền sở hữu và kiểm soát dữ liệu của chính mình, đảm bảo tính riêng tư và an toàn của dữ liệu.
Tranh chấp bản quyền và quyền sở hữu trí tuệ của mô hình AI
Hiện nay, việc đào tạo mô hình AI sử dụng rất nhiều dữ liệu từ internet, nhưng thường xuyên sử dụng nội dung có bản quyền mà không có sự cho phép, dẫn đến các tranh chấp pháp lý xảy ra thường xuyên. Đồng thời, quyền sở hữu bản quyền đối với nội dung do AI tạo ra không rõ ràng, việc phân chia quyền lợi giữa người sáng tạo, nhà phát triển mô hình và người sử dụng thiếu cơ chế minh bạch. Tình trạng mô hình bị sao chép, đánh cắp một cách ác ý cũng không phải hiếm, việc bảo vệ quyền sở hữu trí tuệ gặp khó khăn.
Web3 thông qua cơ chế xác nhận trên chuỗi, sẽ lưu trữ thời gian tạo ra mô hình, nguồn dữ liệu huấn luyện, thông tin người đóng góp, v.v., và sử dụng NFT, hợp đồng thông minh và các công cụ khác để xác định quyền sở hữu bản quyền của mô hình hoặc nội dung.
Đại diện dự án
Story Protocol: Xây dựng giao thức sở hữu trí tuệ trên chuỗi, cho phép nội dung AI, mã, mô hình, v.v. được xác nhận quyền sở hữu, kết hợp và cấp phép theo cách mô-đun, thực hiện cơ chế "Sáng tạo tức thì xác nhận quyền sở hữu, gọi tức thì thanh toán".
Alethea AI: Mô hình AI sinh ra được liên kết với danh tính trên chuỗi và NFT (như nhân vật, giọng nói, v.v.), mỗi nhân vật AI đều có thông tin rõ ràng về người sáng tạo và bản quyền, tránh lạm dụng và đạo nhái.
Thiếu hụt quản trị AI phi tập trung
Việc phát triển và tiến hóa của các mô hình AI hiện tại phụ thuộc rất nhiều vào các công ty công nghệ lớn hoặc các nhóm kín, nhịp độ cập nhật mô hình không minh bạch, giá trị thiên lệch khó sửa chữa, dễ dẫn đến thiên kiến thuật toán, lạm dụng và xu hướng "chủ nghĩa phong kiến công nghệ". Cộng đồng và người dùng thường không thể can thiệp vào lộ trình cập nhật mô hình, điều chỉnh tham số hoặc ranh giới hành vi, thiếu cơ chế để giám sát và điều chỉnh hiệu quả các hệ thống AI.
Lợi ích của Web3 nằm ở khả năng quản trị lập trình và cơ chế hợp tác mở. Nhờ vào quản trị trên chuỗi, cơ chế DAO và cấu trúc khuyến khích, thiết kế, mục tiêu đào tạo, cập nhật tham số của mô hình AI có thể dần dần được đưa vào sự đồng thuận của cộng đồng trong các khâu quan trọng, nâng cao tính dân chủ, tính minh bạch và tính đa dạng trong phát triển mô hình.
Đại diện dự án
Fetch.ai: Giới thiệu đại lý kinh tế tự trị (AEA) và cơ chế quản trị mở, giúp hành vi của các tác nhân AI có thể bị ràng buộc bởi các quy tắc cộng đồng, và thông qua các động lực kinh tế để phối hợp sự hợp tác giữa các tác nhân.
SingularityNET: Đóng gói dịch vụ AI thành các mô-đun trên chuỗi có thể kết hợp, người dùng có thể chọn hoặc thay thế mô hình trong thị trường mở, và cơ chế quản trị nền tảng hỗ trợ đánh giá chất lượng mô hình và dịch vụ cũng như đề xuất cải tiến.
Vấn đề hợp tác AI xuyên chuỗi
Trong môi trường đa chuỗi, AI agent và mô hình có thể phân bố trên các chuỗi khối khác nhau, khó khăn trong việc thống nhất trạng thái, ngữ cảnh hoặc logic gọi, dẫn đến trải nghiệm người dùng bị phân tách, phát triển phức tạp, dữ liệu khó đồng bộ.
Một số dự án đang khám phá xung quanh "Giao thức AI đa chuỗi", cố gắng thúc đẩy tính liên tục và nhất quán của AI agent chạy xuyên chuỗi thông qua việc chia sẻ ngữ cảnh, giao tiếp xuyên chuỗi và cơ chế đồng bộ trạng thái.
Đại diện dự án
OpenPond: Sử dụng giao thức MCP đa chuỗi để kết nối các mô hình AI và agent trên các chuỗi khác nhau, thực hiện đồng bộ trạng thái gọi và chia sẻ ngữ cảnh, đơn giản hóa các tình huống hợp tác đa chuỗi.
Mạng Lava: Cung cấp dịch vụ RPC và cầu dữ liệu đa chuỗi, mở ra kênh giao tiếp nền tảng cho hệ thống AI đa chuỗi, hỗ trợ đồng bộ dữ liệu agent và thực hiện nhiệm vụ thống nhất.
Giao thức Virtuals: Thông qua giao thức hợp tác thông minh ACP (Agent Commerce Protocol), hỗ trợ các yêu cầu, thỏa thuận, thực hiện và quy trình thanh toán giữa các agent. Công nghệ đồng bộ song song "Parallel Hypersynchronicity" cho phép các agent AI hoạt động song song trên nhiều nền tảng, đồng bộ hành vi và ký ức theo thời gian thực.
Kết luận
Sự trỗi dậy của AI Crypto không phải là nói suông, mà là một cuộc tái cấu trúc hệ thống từ dưới lên: nó đã phá vỡ những ràng buộc tập trung của thời đại mô hình lớn, từng bước xây dựng một mô hình AI mới mà mọi người đều có thể tham gia, minh bạch và đáng tin cậy, được thúc đẩy bởi sự hợp tác, trên các chiều như sức mạnh tính toán, dữ liệu, khích lệ, an toàn và quản trị.
Hiện tại, lĩnh vực này đã bước vào giai đoạn triển khai sản phẩm thực chất từ giai đoạn ý tưởng. Tôi tin rằng những dự án AI Crypto thực sự có thể tạo ra giá trị thực tế, giải quyết các điểm đau cốt lõi, chắc chắn sẽ có cơ hội dẫn dắt làn sóng phát triển của thời đại AI tiếp theo, thúc đẩy công nghệ trí tuệ nhân tạo phát triển theo hướng mở, công bằng và đáng tin cậy hơn.