Xu hướng địa phương hóa trong ngành AI và cơ hội của Web3

Gần đây, ngành AI đang thể hiện một xu hướng "hạ xuống" rõ rệt. Từ trước đây, sự đồng thuận thường theo đuổi sức mạnh tính toán quy mô lớn và mô hình khổng lồ, dần dần chuyển sang một hướng mới thiên về mô hình nhỏ cục bộ và tính toán biên.

Sự thay đổi này có thể được quan sát từ nhiều khía cạnh. Ví dụ, một gã khổng lồ công nghệ đã phủ sóng 500 triệu thiết bị bằng hệ thống thông minh của mình; một gã khổng lồ phần mềm khác đã ra mắt một mô hình nhỏ chuyên dụng với 3,3 triệu tham số cho hệ điều hành của mình; còn một tổ chức nghiên cứu AI nổi tiếng đang phát triển công nghệ robot có thể hoạt động "ngoại tuyến".

AI đám mây và AI nội bộ có sự khác biệt rõ rệt trong trọng tâm cạnh tranh. AI đám mây chủ yếu cạnh tranh về quy mô tham số và khối lượng dữ liệu huấn luyện, tài chính là yếu tố cạnh tranh quan trọng. Ngược lại, AI nội bộ chú trọng hơn đến tối ưu hóa kỹ thuật và thích ứng với bối cảnh, có lợi thế trong việc bảo vệ quyền riêng tư, độ tin cậy và tính thực tiễn. Điều này chủ yếu là do vấn đề ảo giác của mô hình tổng quát có thể ảnh hưởng nghiêm trọng đến ứng dụng của nó trong các lĩnh vực cụ thể.

Xu hướng này đã mang lại nhiều cơ hội hơn cho Web3 AI. Trong quá khứ, khi các bên cạnh tranh về khả năng "chuẩn hóa" (tính toán, dữ liệu, thuật toán), các ông lớn công nghệ truyền thống tự nhiên nắm giữ vị trí thống trị. Trong môi trường đó, việc chỉ áp dụng khái niệm phi tập trung để cạnh tranh với các ông lớn trong ngành là không thực tế, vì thiếu lợi thế về tài nguyên, lợi thế về công nghệ và cơ sở người dùng.

Tuy nhiên, trong bối cảnh mô hình địa phương hóa và điện toán biên mới, tình hình mà công nghệ blockchain phải đối mặt đã có sự thay đổi đáng kể. Khi mô hình AI chạy trên thiết bị của người dùng, làm thế nào để chứng minh tính xác thực của kết quả đầu ra? Làm thế nào để đạt được sự hợp tác của mô hình trong khi bảo vệ quyền riêng tư? Những vấn đề này chính là thế mạnh của công nghệ blockchain.

Trong ngành đã xuất hiện một số dự án Web3 AI mới nổi, cố gắng giải quyết vấn đề "độ tin cậy" của AI địa phương. Ví dụ, một giao thức truyền dữ liệu nhằm giải quyết tình trạng độc quyền dữ liệu và vấn đề hộp đen của các nền tảng AI tập trung; một dự án khác thu thập dữ liệu con người thực qua thiết bị sóng não, xây dựng "tầng xác thực nhân tạo", và đã đạt được doanh thu đáng kể.

Nói chung, chỉ khi AI thực sự "đi sâu" vào từng thiết bị thì hợp tác phi tập trung mới có thể chuyển từ khái niệm sang nhu cầu thực tế. Đối với các dự án AI Web3, thay vì tiếp tục tham gia vào cuộc đua tổng quát, tốt hơn là suy nghĩ nghiêm túc về cách cung cấp hỗ trợ cơ sở hạ tầng cho làn sóng AI địa phương. Điều này có thể là một hướng phát triển đầy hứa hẹn hơn.