เขียนโดย : TinTinLand
เมื่อเข้าสู่ปี 2025 เรื่องราวเกี่ยวกับ "AI + Web3" ยังคงได้รับความนิยมอย่างต่อเนื่อง ตามรายงานล่าสุดของ Grayscale ที่เผยแพร่ในเดือนพฤษภาคม 2025 มูลค่าตลาดโดยรวมของ AI Crypto อยู่ที่ 21,000 ล้านเหรียญสหรัฐ ซึ่งเพิ่มขึ้นเกือบ 5 เท่าจาก 4,500 ล้านเหรียญสหรัฐในไตรมาสแรกของปี 2023
เบื้องหลังคลื่นลูกนี้คืออะไร การผสานเทคโนโลยีอย่างแท้จริงหรือเพียงแค่บรรจุภัณฑ์เชิงแนวคิดอีกแบบหนึ่ง?
จากมุมมองโดยรวม ระบบนิเวศของ AI แบบดั้งเดิมเผยให้เห็นปัญหาเชิงโครงสร้างต่างๆ มากขึ้นเรื่อยๆ ได้แก่ ขีดจำกัดที่สูงสำหรับการฝึกอบรมโมเดล การขาดความเป็นส่วนตัวของข้อมูล การผูกขาดพลังการประมวลผลที่สูง กระบวนการคิดแบบกล่องดำ กลไกแรงจูงใจที่ไม่สมดุล... และจุดเจ็บปวดเหล่านี้สอดคล้องอย่างยิ่งกับข้อได้เปรียบพื้นฐานของ Web3: การกระจายอำนาจ กลไกตลาดเปิด การตรวจสอบแบบออนเชน อำนาจอธิปไตยของข้อมูลผู้ใช้ ฯลฯ
การผสมผสานระหว่าง AI + Web3 ไม่ใช่แค่การซ้อนทับของคำสองคำที่ร้อนแรงเท่านั้น แต่ยังเป็นการเสริมโครงสร้างทางเทคนิคอีกด้วย เริ่มจากจุดปัญหาหลักที่ AI เผชิญอยู่ในปัจจุบัน และแยกโครงการ Web3 ที่กำลังแก้ไขปัญหาอยู่ให้ลึกลงไป เพื่อให้คุณเห็นคุณค่าและทิศทางของเส้นทาง AI Crypto
🤖 เกณฑ์การเข้าถึงบริการ AI สูงเกินไปและมีค่าใช้จ่ายสูง
ปัจจุบัน บริการ AI มักมีราคาแพงและหาแหล่งข้อมูลการฝึกอบรมได้ยาก ซึ่งทำให้ธุรกิจขนาดกลางและขนาดย่อมและนักพัฒนาแต่ละรายเข้าถึงได้ยาก นอกจากนี้ บริการเหล่านี้มักมีความซับซ้อนทางเทคนิคและต้องมีพื้นฐานทางวิชาชีพจึงจะเริ่มต้นได้ ตลาดบริการ AI มีความเข้มข้นสูง ผู้ใช้ไม่มีทางเลือกที่หลากหลาย ค่าใช้จ่ายโทรศัพท์ไม่ชัดเจน งบประมาณคาดเดาได้ยาก และยังมีปัญหาการผูกขาดอำนาจการประมวลผลอีกด้วย
โซลูชันของ Web3 คือการทำลายอุปสรรคของแพลตฟอร์มในลักษณะกระจายอำนาจ สร้างตลาด GPU ที่เปิดกว้างและเครือข่ายบริการจำลอง รองรับการกำหนดตารางเวลาของทรัพยากรที่ไม่ได้ใช้งานอย่างยืดหยุ่น และสนับสนุนให้ผู้เข้าร่วมมากขึ้นมีส่วนสนับสนุนพลังการประมวลผลและจำลองผ่านการกำหนดตารางเวลาของงานบนเครือข่ายและกลไกทางเศรษฐกิจที่โปร่งใส จึงช่วยลดต้นทุนโดยรวมและปรับปรุงการเข้าถึงบริการ
โครงการตัวแทน
- เครือข่ายการเรนเดอร์: มุ่งเน้นการเรนเดอร์ GPU แบบกระจายอำนาจ รองรับการใช้เหตุผลและการฝึกฝน AI และใช้โมเดล "จ่ายตามการใช้งาน" เพื่อช่วยให้นักพัฒนาเข้าถึงการสร้างภาพและบริการ AI ด้วยต้นทุนต่ำ
- Gensyn: สร้างเครือข่ายการฝึกอบรมการเรียนรู้เชิงลึกแบบกระจายอำนาจ ใช้กลไกการพิสูจน์การคำนวณเพื่อตรวจสอบผลลัพธ์การฝึกอบรม และส่งเสริมการฝึกอบรม AI จากการรวมศูนย์ของแพลตฟอร์มสู่การทำงานร่วมกันแบบเปิด
- Akash Network: แพลตฟอร์มคลาวด์คอมพิวติ้งแบบกระจายอำนาจที่ใช้เทคโนโลยีบล็อคเชน นักพัฒนาสามารถเช่าทรัพยากร GPU ตามความต้องการเพื่อใช้งานและรันแอปพลิเคชัน AI เป็น "เวอร์ชันคลาวด์คอมพิวติ้งแบบกระจายอำนาจ"
- 0G Labs: เลเยอร์ 1 ของ AI แบบกระจายอำนาจผ่านสถาปัตยกรรมการแยกการจัดเก็บและการประมวลผลที่สร้างสรรค์ ช่วยลดต้นทุนและความซับซ้อนในการรันโมเดล AI บนเชนได้อย่างมาก
🤖 ขาดแรงจูงใจสำหรับผู้มีส่วนสนับสนุนข้อมูล
ข้อมูลที่มีคุณภาพสูงเป็นเชื้อเพลิงหลักของโมเดล AI แต่ภายใต้โมเดลดั้งเดิม เป็นเรื่องยากที่ผู้ให้ข้อมูลจะได้รับรางวัล แหล่งข้อมูลนั้นไม่โปร่งใส ซ้ำซาก และขาดข้อเสนอแนะเกี่ยวกับวิธีการใช้ ทำให้ระบบนิเวศข้อมูลทำงานอย่างไม่มีประสิทธิภาพเป็นเวลานาน
Web3 มอบแนวทางการแก้ปัญหาแบบใหม่: ผ่านลายเซ็นการเข้ารหัส การยืนยันสิทธิ์บนเชน และกลไกทางเศรษฐกิจที่ประกอบกันได้ ทำให้เกิดความร่วมมือที่ชัดเจนและวงจรแรงจูงใจระหว่างผู้มีส่วนสนับสนุนข้อมูล ผู้พัฒนาโมเดล และผู้ใช้
โครงการตัวแทน
- OpenLedger: เสนอแนวคิด "AI ที่ชำระเงินได้" อย่างสร้างสรรค์ โดยผสมผสานการสนับสนุนข้อมูล การเรียกใช้โมเดล และแรงจูงใจทางเศรษฐกิจ เพื่อส่งเสริมการก่อตัวของเครือข่ายเศรษฐกิจข้อมูลสำหรับการทำงานร่วมกันของ AI chain
- Bittensor: ใช้ระบบสร้างแรงจูงใจที่สมบูรณ์พร้อมทั้งรางวัล TAO กลไกฉันทามติของ Yuma สิ่งจูงใจความแม่นยำของซับเน็ต ความร่วมมือด้านความรู้ ฯลฯ เป็นแกนหลัก โดยเชื่อมโยงการสนับสนุนข้อมูลโดยตรงกับผลลัพธ์การทำงานของโมเดลเพื่อเพิ่มการสนับสนุนมูลค่าโดยรวม
- Grass: เครือข่ายข้อมูล AI ซึ่งรวบรวมข้อมูลพฤติกรรมการเรียกดูของผู้ใช้ผ่านปลั๊กอินและส่งต่อข้อมูลดังกล่าวไปยังการฝึกอบรมเครื่องมือค้นหาบนเครือข่าย ผู้ใช้จะได้รับรางวัลตามคุณภาพของข้อมูล ซึ่งสร้างกลไกการแบ่งปันข้อมูลที่ขับเคลื่อนโดยชุมชน
🤖 กล่องดำโมเดล การให้เหตุผลของ AI ไม่สามารถยืนยันได้
กระบวนการคิดเหตุผลของโมเดล AI กระแสหลักในปัจจุบันนั้นคลุมเครือมาก และผู้ใช้ไม่สามารถตรวจสอบความถูกต้องและความน่าเชื่อถือของผลลัพธ์ได้ ซึ่งเป็นปัญหาโดยเฉพาะอย่างยิ่งในสาขาที่มีความเสี่ยงสูง เช่น การเงินและการดูแลสุขภาพ นอกจากนี้ โมเดลยังอาจถูกแทรกแซง ทำลายล้าง และโจมตีในรูปแบบอื่น ทำให้ยากต่อการติดตามหรือตรวจสอบ
เพื่อจุดประสงค์นี้ โปรเจ็กต์ Web3 จึงพยายามที่จะแนะนำการพิสูจน์ความรู้เป็นศูนย์ (ZK) การเข้ารหัสแบบโฮโมมอร์ฟิกอย่างสมบูรณ์ (FHE) และสภาพแวดล้อมการดำเนินการที่เชื่อถือได้ (TEE) เพื่อทำให้กระบวนการใช้เหตุผลของแบบจำลองสามารถตรวจสอบได้และเพื่อตรวจสอบได้ และเพื่อปรับปรุงความสามารถในการอธิบายและรากฐานที่เชื่อถือได้ของระบบ AI
โครงการตัวแทน
- Sentient: ด้วยเทคโนโลยีการจดจำลายนิ้วมือโมเดลที่เป็นนวัตกรรม ช่วยให้แน่ใจว่าพฤติกรรมการโทรนั้นสามารถติดตามได้ ปรับปรุงความโปร่งใสในการใช้งานโมเดล และความสามารถในการป้องกันการดัดแปลง
- Modulus Labs: ใช้เทคโนโลยี ZK เพื่อเข้ารหัสและตรวจสอบกระบวนการใช้เหตุผลของแบบจำลองเพื่อบรรลุถึงแนวคิดใหม่ของ "AI ที่เชื่อถือได้"
- กิซ่า: การใช้การเข้ารหัสความรู้เป็นศูนย์เพื่อย้ายการคำนวณการใช้เหตุผลการเรียนรู้ของเครื่องจักรเข้าสู่เครือข่าย จึงปรับปรุงความโปร่งใสและความน่าเชื่อถือในการปรับใช้โมเดล AI
🤖 ความเสี่ยงด้านความเป็นส่วนตัวและความปลอดภัย
กระบวนการฝึกอบรม AI มักเกี่ยวข้องกับข้อมูลละเอียดอ่อนจำนวนมาก ซึ่งเผชิญกับความเสี่ยง เช่น การรั่วไหลของความเป็นส่วนตัว การละเมิดหรือการโจมตีโมเดล และการขาดความโปร่งใสในการตัดสินใจ ในเวลาเดียวกัน การเป็นเจ้าของข้อมูลและโมเดลก็คลุมเครือ ทำให้ความเสี่ยงด้านความปลอดภัยยิ่งทวีความรุนแรงมากขึ้น
ด้วยความช่วยเหลือของความไม่เปลี่ยนแปลงของบล็อคเชน เทคโนโลยีคอมพิวเตอร์เข้ารหัส (เช่น ZK, FHE) สภาพแวดล้อมการดำเนินการที่เชื่อถือได้ และวิธีการอื่น ๆ ความปลอดภัยและการควบคุมข้อมูลระบบ AI และโมเดลในกระบวนการทั้งหมดของการฝึกอบรม การจัดเก็บ และการเรียกใช้งานได้รับการรับประกัน
โครงการตัวแทน
- Phala Network: ให้การสนับสนุนสภาพแวดล้อมการดำเนินการที่เชื่อถือได้ (TEE) รวมการคำนวณที่สำคัญไว้ในฮาร์ดแวร์ที่ปลอดภัยเพื่อป้องกันการรั่วไหลของข้อมูลและการโจรกรรมแบบจำลอง
- ZAMA: มุ่งเน้นไปที่เทคโนโลยีการเข้ารหัสแบบโฮโมมอร์ฟิกอย่างสมบูรณ์ (FHE) เพื่อให้สามารถฝึกและให้เหตุผลแบบจำลองได้ในสถานะเข้ารหัส ทำให้สามารถ "คำนวณได้โดยไม่ต้องใช้ข้อความธรรมดา"
- Mind Network: สร้างแพลตฟอร์มการแบ่งปันข้อมูลและการให้เหตุผล AI แบบกระจายอำนาจที่รองรับการปกป้องความเป็นส่วนตัว และทำให้การแบ่งปันความปลอดภัยของข้อมูลและการคำนวณความเป็นส่วนตัวเกิดขึ้นจริงโดยใช้เทคโนโลยีการเข้ารหัสที่ล้ำสมัย (เช่น การเข้ารหัสโฮโมมอร์ฟิก การพิสูจน์ความรู้เป็นศูนย์ ฯลฯ)
- Vana: แอปพลิเคชันสร้างข้อมูลประจำตัวด้วย AI ที่มุ่งหวังให้ผู้ใช้กลับมาเป็นเจ้าของและควบคุมข้อมูลของตนเองอีกครั้ง พร้อมทั้งรับประกันความเป็นส่วนตัวและความปลอดภัย
🤖 ข้อพิพาทเรื่องลิขสิทธิ์และทรัพย์สินทางปัญญาของโมเดล AI
ปัจจุบัน การฝึกอบรมโมเดล AI ใช้ข้อมูลอินเทอร์เน็ตจำนวนมาก แต่บ่อยครั้งที่ใช้เนื้อหาที่มีลิขสิทธิ์โดยไม่ได้รับอนุญาต ทำให้เกิดข้อพิพาททางกฎหมายบ่อยครั้ง ในขณะเดียวกัน กรรมสิทธิ์ในลิขสิทธิ์ของเนื้อหาที่สร้างโดย AI ยังไม่ชัดเจน และไม่มีกลไกที่โปร่งใสในการกระจายสิทธิ์และผลประโยชน์ระหว่างผู้สร้างดั้งเดิม ผู้พัฒนาโมเดล และผู้ใช้ นอกจากนี้ ยังมักมีการคัดลอกโมเดลอย่างไม่ประสงค์ดีและละเมิดลิขสิทธิ์ ทำให้การปกป้องทรัพย์สินทางปัญญาเป็นเรื่องยาก
Web3 ใช้กลไกการยืนยันความเป็นเจ้าของแบบออนเชนเพื่อจัดเก็บเวลาการสร้างโมเดล แหล่งข้อมูลการฝึก ข้อมูลผู้สนับสนุน ฯลฯ และใช้เครื่องมือเช่น NFT และสัญญาอัจฉริยะเพื่อระบุความเป็นเจ้าของลิขสิทธิ์ของโมเดลหรือเนื้อหา
โครงการตัวแทน
- Story Protocol: สร้างข้อตกลงเกี่ยวกับทรัพย์สินทางปัญญาแบบออนไลน์ที่ช่วยให้สามารถยืนยัน รวมเข้าด้วยกัน และอนุญาตเนื้อหา AI รหัส โมเดล ฯลฯ ในลักษณะโมดูลาร์ โดยทำให้เกิดกลไก "การสร้างสรรค์คือการยืนยันสิทธิ์ และการใช้งานคือการชำระเงิน"
- Alethea AI: การเชื่อมโยงโมเดล AI เชิงสร้างสรรค์ (เช่น ตัวละคร เสียง เป็นต้น) เข้ากับตัวตนบนเชนและ NFT ทำให้ตัวละคร AI แต่ละตัวมีข้อมูลผู้สร้างและลิขสิทธิ์ที่ชัดเจนเพื่อหลีกเลี่ยงการละเมิดและการลอกเลียนแบบ
🤖 การขาดการกำกับดูแล AI แบบกระจายอำนาจ
🤖 การขาดการกำกับดูแล AI แบบกระจายอำนาจ
การพัฒนาและวิวัฒนาการของโมเดล AI ในปัจจุบันนั้นขึ้นอยู่กับบริษัทเทคโนโลยีขนาดใหญ่หรือทีมงานที่ปิดเป็นอย่างมาก ความเร็วในการอัปเดตโมเดลนั้นไม่ชัดเจนและอคติต่อค่าก็แก้ไขได้ยาก ซึ่งอาจนำไปสู่อคติทางอัลกอริทึม การละเมิด และ "ระบบศักดินาทางเทคโนโลยี" ได้อย่างง่ายดาย ชุมชนและผู้ใช้มักจะไม่สามารถแทรกแซงเส้นทางการอัปเดตของโมเดล การปรับพารามิเตอร์ หรือขอบเขตพฤติกรรมได้ และขาดกลไกในการดูแลและแก้ไขระบบ AI ได้อย่างมีประสิทธิภาพ
ข้อได้เปรียบของ Web3 อยู่ที่การกำกับดูแลแบบตั้งโปรแกรมได้และกลไกการทำงานร่วมกันแบบเปิด ด้วยความช่วยเหลือของการกำกับดูแลแบบออนเชน กลไก DAO และโครงสร้างแรงจูงใจ ลิงก์สำคัญ เช่น การออกแบบโมเดล AI วัตถุประสงค์การฝึกอบรม และการอัปเดตพารามิเตอร์ สามารถนำฉันทามติของชุมชนมาสู่การพัฒนาโมเดลได้อย่างค่อยเป็นค่อยไป เพื่อเพิ่มประชาธิปไตย ความโปร่งใส และความหลากหลายของการพัฒนาโมเดล
โครงการตัวแทน
- Fetch.ai: การแนะนำตัวแทนเศรษฐกิจอิสระ (AEA) และกลไกการกำกับดูแลแบบเปิด ช่วยให้สามารถจำกัดพฤติกรรมของตัวแทน AI ด้วยกฎของชุมชน และประสานความร่วมมือระหว่างตัวแทนผ่านแรงจูงใจทางเศรษฐกิจ
- SingularityNET: ห่อหุ้มบริการ AI ไว้ในโมดูลออนเชนที่ประกอบได้ ผู้ใช้สามารถเลือกหรือเปลี่ยนโมเดลในตลาดเปิดได้ และกลไกการควบคุมแพลตฟอร์มรองรับการประเมินฉันทามติและข้อเสนอการปรับปรุงสำหรับคุณภาพและบริการของโมเดล
🤖 ปัญหาความร่วมมือระหว่าง AI ข้ามสายโซ่
ในสภาพแวดล้อมแบบหลายโซ่ ตัวแทนและโมเดล AI อาจถูกกระจายอยู่ในบล็อคเชนที่แตกต่างกัน ทำให้ยากต่อการรวมสถานะ บริบท หรือตรรกะการโทร ส่งผลให้เกิดประสบการณ์ผู้ใช้ที่แตกกระจาย การพัฒนาที่ซับซ้อน และความยากลำบากในการซิงโครไนซ์ข้อมูล
โครงการบางโครงการกำลังสำรวจ "โปรโตคอล AI แบบหลายสายโซ่" พยายามส่งเสริมความต่อเนื่องและความสอดคล้องของการทำงานข้ามสายโซ่ของตัวแทน AI ผ่านบริบทที่ใช้ร่วมกัน การสื่อสารข้ามสายโซ่ และกลไกการซิงโครไนซ์สถานะ
โครงการตัวแทน
- OpenPond: ใช้โปรโตคอลข้ามสายโซ่ MCP เพื่อเชื่อมต่อโมเดล AI และตัวแทนบนสายโซ่ที่แตกต่างกัน ทำการซิงโครไนซ์สถานะการโทรและการแชร์บริบท และลดความซับซ้อนของสถานการณ์การทำงานร่วมกันแบบหลายสายโซ่
- Lava Network: ให้บริการ RPC และสะพานข้อมูลแบบข้ามสายโซ่ เปิดช่องทางการสื่อสารพื้นฐานสำหรับระบบ AI หลายสายโซ่ และรองรับการซิงโครไนซ์ข้อมูลของตัวแทนและการดำเนินงานที่เป็นหนึ่งเดียว
- โปรโตคอลเสมือนจริง: ผ่านโปรโตคอลการทำงานร่วมกันอัจฉริยะ ACP (Agent Commerce Protocol) ช่วยสนับสนุนกระบวนการร้องขอ การเจรจา การดำเนินการ และการชำระเงินระหว่างเอเจนต์ เทคโนโลยีการซิงโครไนซ์แบบขนาน "Parallel Hypersynchronicity" ช่วยให้เอเจนต์ AI ทำงานแบบขนานข้ามแพลตฟอร์มและซิงโครไนซ์พฤติกรรมและหน่วยความจำแบบเรียลไทม์
🎯 บทสรุป
การเพิ่มขึ้นของ AI Crypto ไม่ใช่แค่การพูดลอยๆ แต่เป็นการสร้างระบบจากล่างขึ้นบน ซึ่งทำลายพันธนาการที่รวมศูนย์ของยุคโมเดลใหญ่ และค่อยๆ สร้างกรอบความคิด AI ใหม่ที่โปร่งใส เชื่อถือได้ และขับเคลื่อนด้วยความร่วมมือ โดยมีทุกคนมีส่วนร่วมในแง่ของพลังการประมวลผล ข้อมูล แรงจูงใจ ความปลอดภัย และการกำกับดูแล
ปัจจุบัน สาขานี้ได้เข้าสู่ขั้นตอนการสร้างผลิตภัณฑ์ที่สำคัญตั้งแต่ขั้นตอนแนวคิด ฉันเชื่อว่าโครงการ AI Crypto ที่สามารถสร้างมูลค่าที่แท้จริงและแก้ไขปัญหาหลักได้อย่างแท้จริงจะมีโอกาสเป็นผู้นำคลื่นการพัฒนาของยุค AI ถัดไปและส่งเสริมการพัฒนาเทคโนโลยีปัญญาประดิษฐ์ในทิศทางที่เปิดกว้าง ยุติธรรม และน่าเชื่อถือมากขึ้น
ความคิดเห็นทั้งหมด