Ba hướng chiến lược chính trong sự kết hợp giữa AI và mã hóa

Hiện tại, sự giao thoa giữa AI và mã hóa đang bước vào giai đoạn thử nghiệm nhanh chóng. Bài viết này trình bày chi tiết ba hướng phát triển trọng điểm của sự kết hợp AI+ mã hóa.

1. Xây dựng hệ sinh thái kinh tế do đại lý thông minh điều khiển

Tính khả thi của các đại lý thông minh hoạt động trên chuỗi đã được xác nhận. Các thử nghiệm trong lĩnh vực này liên tục vượt qua ranh giới của hoạt động đại lý trên chuỗi, tiềm năng rất lớn và không gian thiết kế rộng rãi. Hiện tại, đây đã trở thành một trong những hướng đột phá và bùng nổ nhất trong lĩnh vực mã hóa và AI, và đây chỉ mới là bắt đầu.

Trong tương lai, đại lý thông minh có thể quản lý các dự án phức tạp cần sự phối hợp kinh tế từ nhiều bên. Ví dụ, trong lĩnh vực nghiên cứu khoa học, đại lý có thể chịu trách nhiệm tìm kiếm hợp chất điều trị cho các bệnh cụ thể:

• Thu hút vốn thông qua nền tảng gây quỹ token
• Sử dụng vốn huy động để thanh toán chi phí truy cập tài liệu nghiên cứu, chi phí tính toán mô phỏng hợp chất trên mạng tính toán phi tập trung.
• Tuyển dụng con người thực hiện công việc xác minh thí nghiệm thông qua nền tảng tiền thưởng

Ngoài các dự án phức tạp, đại lý cũng có thể thực hiện các nhiệm vụ đơn giản như xây dựng trang web cá nhân, sáng tác tác phẩm nghệ thuật, và các ứng dụng có khả năng vô hạn.

Mã hóa tiền tệ có những lợi thế độc đáo trong một số lĩnh vực:

• Ứng dụng thanh toán nhỏ
• Lợi thế tốc độ: Chức năng thanh toán tức thì giúp đại lý đạt được hiệu quả vốn tối đa.
• Tham gia thị trường vốn thông qua DeFi: đại lý có thể dễ dàng đúc tài sản, thực hiện giao dịch, đầu tư quản lý tài chính, thực hiện các hoạt động cho vay, sử dụng đòn bẩy, v.v.

Từ góc độ quy luật phát triển công nghệ, sự phụ thuộc vào con đường đóng vai trò then chốt. Khi ngày càng có nhiều đại lý kiếm lợi nhuận thông qua mã hóa, kết nối mã hóa rất có thể trở thành năng lực cốt lõi của đại lý.

2. Nâng cao khả năng của mô hình ngôn ngữ lớn trong phát triển mã

Mô hình ngôn ngữ lớn đã thể hiện xuất sắc trong việc viết mã và sẽ tiếp tục được cải thiện trong tương lai. Thông qua những khả năng này, năng suất của các nhà phát triển có thể được nâng cao từ 2-10 lần. Gần đây, việc xây dựng các tiêu chuẩn chất lượng cao để đánh giá khả năng hiểu và viết mã của các mô hình ngôn ngữ lớn sẽ giúp hiểu được tác động tiềm tàng của chúng đối với hệ sinh thái. Các phương án tinh chỉnh mô hình chất lượng cao sẽ được xác nhận trong các bài kiểm tra tiêu chuẩn.

Hiện tại có một số thách thức cản trở các mô hình ngôn ngữ lớn đạt được trình độ xuất sắc trong việc hiểu biết các lĩnh vực cụ thể:

• Thiếu dữ liệu huấn luyện gốc chất lượng cao
• Số lượng xây dựng xác thực không đủ
• Thiếu sự tương tác có giá trị thông tin cao trên nền tảng hỏi đáp kỹ thuật
• Sự phát triển hạ tầng diễn ra nhanh chóng, dẫn đến việc mã cũ có thể không phù hợp với nhu cầu hiện tại.
• Thiếu phương pháp đánh giá mức độ hiểu biết của mô hình đánh giá

Để cải thiện tình hình này, có thể thực hiện các biện pháp sau:

• Giúp thu thập dữ liệu liên quan tốt hơn
• Khuyến khích nhiều đội ngũ hơn công bố xây dựng xác thực
• Tích cực đặt câu hỏi tốt và cung cấp câu trả lời chất lượng cao trên nền tảng hỏi đáp kỹ thuật
• Tạo các bài kiểm tra chất lượng cao để đánh giá mức độ hiểu biết của các mô hình ngôn ngữ lớn.
• Tạo mô hình tinh chỉnh có hiệu suất tốt trong các bài kiểm tra chuẩn

3. Hỗ trợ công nghệ AI mở và phi tập trung

"Công nghệ AI mở và phi tập trung" bao gồm các yếu tố chính sau:

• Lấy dữ liệu huấn luyện
• Năng lực tính toán huấn luyện và suy diễn
• Chia sẻ trọng số mô hình
• Khả năng xác minh đầu ra của mô hình

Tầm quan trọng của công nghệ AI mở này thể hiện ở:

• Tăng tốc phát triển mô hình đổi mới và thử nghiệm
• Cung cấp giải pháp thay thế cho người dùng không tin tưởng vào AI tập trung

Hiện tại trong hệ sinh thái đã có nhiều dự án hỗ trợ công nghệ AI mở:

• Thu thập dữ liệu: Một số dự án đang thúc đẩy việc thu thập dữ liệu
• Tính toán phi tập trung: Nhiều mạng đang phát triển các dịch vụ liên quan.
• Khung đào tạo phi tập trung: Có đội ngũ đang khám phá trong lĩnh vực này

Trong tương lai, chúng tôi hy vọng có thể xây dựng nhiều sản phẩm hơn ở mọi tầng của công nghệ AI mã nguồn mở:

• Thu thập dữ liệu phi tập trung
• Danh tính trên chuỗi: hỗ trợ giao thức ví xác thực danh tính con người, giao thức xác thực phản hồi API AI, cho phép người dùng xác nhận rằng họ đang tương tác với mô hình ngôn ngữ lớn.
• Huấn luyện phi tập trung
• Cơ sở hạ tầng IP: Cho phép AI cấp phép (và thanh toán) cho nội dung mà nó sử dụng