Các xu hướng phổ biến về phần mềm, bao gồm điện toán đám mây, mạng lưới và an ninh mạng đang được hình dung lại với việc Machine Learning (Machine learning) trở thành một công dân hạng nhất (first-class citizen).
Việc nền tảng Web 3 kết hợp với trí tuệ nhân tạo (AI) được xem như là bước tiến hóa đầy tính logic.
AI đang tác động đến mọi danh mục phần mềm và Web 3 không phải là trường hợp ngoại lệ. Nhưng những rào cản kỹ thuật đang ngăn chặn Web 3 trong việc áp dụng các công nghệ AI.
Các bài viết trước trên CoinDesk đã thảo luận về mức độ liên quan của kỹ thuật AI đối với tài chính phi tập trung (DeFi) và các NFT. Ngoài việc hiểu được giá trị cốt lõi của chúng, điều quan trọng là phải xem liệu rằng AI có thể tiến vào vào không gian Web 3 trong tương lai gần và những rào cản chính nào hiện đang ngăn cản điều này thành hiện thực hay không.
Gã khổng lồ đầu tư mạo hiểm Marc Andreessen chia sẻ vào năm 2011 rằng “Phần mềm đang chiếm lĩnh toàn thế giới”, nghĩa rằng các công ty hoạt động trong thế giới thực tại đang chuyển đổi sang thế giới kỹ thuật số và phần mềm sẽ là viên gạch đặt nền móng đầu tiên cho sự phát triển.
Giờ đây, chúng ta có thể nói rằng Machine Learning đang chiếm lĩnh phần mềm” để xác định rõ ràng một xu hướng sắp tới rằng hầu hết các phần mềm trên thế giới đều sẽ được viết lại với AI/Machine Learning như một khối xây dựng cốt lõi. Khi nhắc đến các thành phần của các ứng dụng phần mềm, bạn sẽ nghĩ ngay đến các cơ sở dữ liệu và xác định danh tính. Trí thông minh, dưới dạng mô hình AI/Machine Learning, đang dần trở thành một khối xây dựng nền tảng khác của các ứng dụng phần mềm hiện đại.
Ngày nay, những xu hướng phần mềm như điện toán đám mây, mạng lưới và an ninh mạng đang được hình dung lại với việc Machine Learning được xem như một công dân hạng nhất. Nhận thấy Web 3 có khả năng trở thành sự lặp lại tiếp theo của nhiều xu hướng phần mềm trước đó, Machine Learning có thể sẽ đóng vai trò nền tảng trong sự phát triển của công nghệ Web 3. Việc phát triển một luận điểm về giao điểm của Machine Learning và Web 3 đòi hỏi phải hiểu cả quỹ đạo của việc áp dụng Machine Learning trong các ngăn xếp Web 3 (Web 3 stacks) cũng như một số những thách thức lớn khác.
Các layers của trí tuệ thông minh Web 3
Sự có mặt của Machine Learning trong công nghệ phát triển Web 3 sẽ không diễn ra như một xu hướng nguyên tử; thay vào đó, nó sẽ được trải rộng trên các layer khác nhau của Web 3 stack. Trí thông minh dựa trên Machine Learning có thể xuất hiện trong ba layers chính của Web 3.
Các blockchain thông minh
Thế hệ nền tảng blockchain hiện tại đã và đang tập trung vào việc xây dựng các thành phần điện toán phân tán quan trọng, cho phép xử lý phi tập trung các giao dịch tài chính. Cơ chế đồng thuận, cấu trúc mempool và oracles cũng nằm trong những khối xây dựng quan trọng này. Cũng giống như các thành phần cốt lõi của cơ sở hạ tầng phần mềm truyền thống đang dần trở nên thông minh hơn như mạng lưới và lưu trữ, thế hệ tiếp theo của blockchains layer 1 (cơ sở) và layer 2 (đồng hành) sẽ kết hợp nguyên bản các khả năng dựa trên Machine Learning. Ví dụ như, chúng ta có thể nghĩ về thời gian chạy blockchain mà sử dụng tính năng dự đoán Machine Learning cho các giao dịch để kích hoạt một giao thức đồng thuận có quy mô khổng lồ.
Các giao thức thông minh
Các hợp đồng thông minh và giao thức cũng là một thành phần khác của Web 3 stack, nơi mà sẽ diễn ra sự hợp nhất các khả năng dựa trên Machine Learning. DeFi có thể xem như là ví dụ điển hình cho xu hướng này. Không lâu nữa, chúng ta sẽ chứng kiến một thế hệ các nhà tạo lập thị trường tự động DeFi (AMM) hoặc các giao thức cho vay tích hợp bộ xử lý logic thông minh hơn dựa trên các mô hình Machine Learning. Ví dụ như chúng ta có thể tưởng tượng một giao thức cho vay mà sử dụng điểm số thông minh để cân bằng các loại khoản vay từ các loại ví khác nhau.
Các ứng dụng phi tập trung thông minh
Các ứng dụng phi tập trung (Dapps) có khả năng trở thành một trong những giải pháp Web 3 có khả năng nhất để nhanh chóng bổ sung các tính năng dựa trên Machine Learning. Chúng ta đã thấy xu hướng này trong NFT nhưng nó sẽ ngày càng trở nên phổ biến hơn. Các NFT thế hệ tiếp theo sẽ chuyển đổi từ hình ảnh tĩnh sang các hiện vật có thể thể hiện hành vi thông minh. Một số NFT này có thể thay đổi hành vi của chúng dựa trên tâm trạng của khán giả hoặc hồ sơ của chủ sở hữu mới.
Xu hướng tiếp nhận từ trên xuống, không phải từ dưới lên
Khi xem xét qua các layer của trí tuệ Web3, chúng ta có thể đơn thuần cho rằng xu hướng tiếp nhận từ dưới lên (bottom-up) là hợp lý nhất. Thời gian chạy của blockchain có thể trở nên thông minh hơn và sự thông minh đó có thể ảnh hưởng đến các layer cao hơn trong stack như giao thức DeFi hoặc NFT. Tuy nhiên, cũng tồn tại những giới hạn công nghệ mà bắt buộc sự tiếp nhận từ trên xuống (top-down), thay vì từ dưới lên.
Gốc rễ của những rào cản công nghệ này bắt nguồn từ khối kiến trúc của thế hệ thời gian chạy của blockchain hiện tại. Về nguyên tắc, các blockchains được thiết kế xung quanh một mô hình máy tính phân tán điều phối các nút khác nhau để thực hiện các phép tính dẫn đến sự đồng thuận về việc xử lý các giao dịch.
Cách tiếp cận đó trái ngược với các mô hình Machine Learning hiện đại mà ở đó đòi hỏi các tính toán phức tạp, lâu dài để tối ưu hóa cái thứ vốn được thiết kế chủ yếu dành riêng cho các kiến trúc tập trung. Sự xung đột này có nghĩa là kết hợp các khả năng dựa trên Machine Learning gốc trong thời gian chạy của blockchain có thể sẽ yêu cầu một số lần lặp lại nữa.
Các giao thức DeFi có sự hạn chế hơn từ việc áp dụng các tính năng Machine Learning vì chúng có thể dựa vào các oracles và các tác nhân thông minh bên ngoài mà có thể hưởng lợi đầy đủ từ các nền tảng Machine Learning hiện có. Và hạn chế này gần như không tồn tại đối với các ứng dụng phi tập trung và NFT. Từ góc độ này, chúng ta đều có nhận định rằng việc tiếp nhận các khả năng dựa trên Machine Learning đối với các giải pháp Web 3 có khả năng tuân thủ quỹ đạo từ trên xuống, bắt đầu đi từ các ứng dụng phi tập trung đến giao thức rồi đến thời gian chạy của blockchain thay vì ngược lại.
Web3 thông minh đã ở đây
Nhà văn khoa học viễn tưởng William Gibson đã viết, “Tương lai đã ở đây – chỉ là nó đang không được phân bổ đồng đều” để giải thích quỹ đạo của các xu hướng công nghệ tương lai. Ý tưởng hoàn toàn hợp lý trong trường hợp sự giao thoa của AI và Web 3.
Sự phát triển nhanh chóng của công nghệ và nghiên cứu Machine Learning trong thập kỷ qua đã biến các nền tảng, khung hình và API của Machine Learning, nhằm mục đích cung cấp các khả năng thông minh cho các giải pháp Web 3, trở nên quá tải. Chúng ta đã thấy những ví dụ riêng biệt về trí thông minh trong các ứng dụng Web 3, vì vậy chúng ta có thể nói một cách an toàn rằng Web 3 thông minh đã có ở đây, chỉ là không được phân bổ đồng đều.