a16z Crypto nghiên cứu mới nhất: Dưới sự hòa nhập của AI và blockchain, bốn mô hình kinh doanh mới

Video gốc: Web3 với a16z, AI & Crypto

Tác giả: Dan Boneh (Giáo sư tại Đại học Stanford, Cố vấn nghiên cứu cao cấp của a16z crypto), chuyên nghiên cứu về mật mã, an ninh máy tính và học máy; Ali Yahya (Đối tác chung của a16z crypto), từng làm việc tại Google Brain và là một trong những người đóng góp chính cho thư viện học máy TensorFlow của Google.

Biên soạn & Tổng hợp: Thiện Vân, ChainCatcher

Stephen King đã viết một cuốn tiểu thuyết khoa học viễn tưởng có tên là "Thời đại kim cương", trong đó có một thiết bị trí tuệ nhân tạo, đóng vai trò là người hướng dẫn trong suốt cuộc đời của con người. Khi bạn sinh ra, bạn sẽ được ghép đôi với một trí tuệ nhân tạo, nó hiểu bạn rất rõ------hiểu sở thích của bạn, theo dõi bạn suốt đời, giúp bạn đưa ra quyết định và dẫn dắt bạn đi đúng hướng. Nghe có vẻ tuyệt vời, nhưng bạn chắc chắn không muốn công nghệ như vậy rơi vào tay những ông lớn trung gian. Bởi vì điều đó sẽ mang lại cho công ty này quyền kiểm soát lớn, cũng như kéo theo một loạt vấn đề về quyền riêng tư và chủ quyền.

Chúng tôi hy vọng công nghệ này thực sự thuộc về tôi, và một tầm nhìn đã ra đời, đó là bạn có thể thực hiện điều này bằng cách sử dụng blockchain. Bạn có thể nhúng trí tuệ nhân tạo vào hợp đồng thông minh. Nhờ sức mạnh của chứng minh không biết, giữ cho dữ liệu được bảo mật. Trong vài thập kỷ tới, công nghệ này sẽ ngày càng thông minh hơn. Bạn có thể chọn làm bất cứ điều gì bạn muốn, hoặc thay đổi nó theo bất kỳ cách nào bạn mong muốn.

Vậy mối quan hệ giữa blockchain và trí tuệ nhân tạo là gì? Trí tuệ nhân tạo sẽ dẫn dắt chúng ta đến một thế giới như thế nào? Tình trạng và thách thức hiện tại của trí tuệ nhân tạo là gì? Blockchain sẽ đóng vai trò gì trong quá trình này?

AI và Blockchain: Đối kháng lẫn nhau

Sự phát triển của trí tuệ nhân tạo, bao gồm cả hình ảnh được mô tả trong "Thời đại kim cương", thực sự đã tồn tại từ lâu, chỉ là gần đây đã trải qua một bước phát triển nhảy vọt.

Đầu tiên, trí tuệ nhân tạo phần lớn là một công nghệ kiểm soát tập trung từ trên xuống. Trong khi đó, công nghệ mã hóa là một công nghệ hợp tác phi tập trung từ dưới lên. Ở nhiều khía cạnh, tiền điện tử là một lĩnh vực nghiên cứu cách xây dựng hệ thống phi tập trung, cho phép sự hợp tác quy mô lớn của con người mà không có một người kiểm soát thực sự nào. Từ khía cạnh này, đây là một cách tự nhiên để hai công nghệ này có thể hòa hợp.

Trí tuệ nhân tạo là một đổi mới bền vững, nó có thể củng cố mô hình kinh doanh của các công ty công nghệ hiện tại, giúp họ đưa ra quyết định từ trên xuống. Ví dụ tốt nhất cho điều này là Google, nó có thể quyết định nội dung nào sẽ được hiển thị cho người dùng trong hàng tỷ người dùng và hàng tỷ lượt xem trang. Trong khi đó, tiền điện tử về bản chất là một đổi mới mang tính phá cách, mô hình kinh doanh của nó hoàn toàn trái ngược với mô hình kinh doanh của các công ty công nghệ lớn. Do đó, đây là một phong trào do những kẻ nổi loạn ở biên giới dẫn dắt, chứ không phải do những người nắm quyền lãnh đạo.

Vì vậy, trí tuệ nhân tạo có thể liên quan mật thiết đến việc bảo vệ quyền riêng tư, hai bên thúc đẩy và tương tác lẫn nhau. Trí tuệ nhân tạo, như một công nghệ, đã thiết lập nhiều cơ chế khuyến khích, dẫn đến việc người dùng ngày càng ít quyền riêng tư hơn, vì các công ty muốn thu thập tất cả dữ liệu của chúng ta. Mô hình trí tuệ nhân tạo được đào tạo từ ngày càng nhiều dữ liệu cũng sẽ trở nên hiệu quả hơn. Mặt khác, trí tuệ nhân tạo không hoàn hảo, mô hình có thể có thiên lệch, và thiên lệch có thể dẫn đến kết quả không công bằng. Do đó, hiện tại có rất nhiều tài liệu nghiên cứu về tính công bằng của thuật toán.

Tôi tin rằng, chúng ta sẽ đi trên con đường của trí tuệ nhân tạo, nơi mà dữ liệu của mọi người sẽ được tổng hợp vào những mô hình khổng lồ này để tối ưu hóa mô hình. Trong khi đó, tiền điện tử đang phát triển theo hướng ngược lại, tức là tăng cường quyền riêng tư cá nhân, trao quyền cho người dùng kiểm soát quyền dữ liệu. Có thể nói, công nghệ mã hóa là một công nghệ đối kháng với trí tuệ nhân tạo, vì nó giúp chúng ta phân biệt nội dung do con người hoặc trí tuệ nhân tạo tạo ra, trong một thế giới tràn ngập nội dung do trí tuệ nhân tạo tạo ra, công nghệ mã hóa sẽ trở thành công cụ quan trọng để duy trì và bảo tồn nội dung của con người.

Tiền điện tử giống như miền Tây hoang dã, vì nó hoàn toàn không có quyền lực, vì bất kỳ ai cũng có thể tham gia. Bạn phải giả định rằng, trong số những người tham gia đó có một số là ác ý. Do đó, hiện tại cần có một số công cụ để giúp bạn phân loại những người tham gia trung thực từ những người tham gia không trung thực, trong khi học máy và trí tuệ nhân tạo như một công cụ thông minh thực sự có thể có ích trong lĩnh vực này.

Ví dụ, có những dự án sử dụng học máy để nhận diện các giao dịch khả nghi được gửi đến ví. Như vậy, các giao dịch của người dùng sẽ được đánh dấu và được gửi lên blockchain. Điều này có thể ngăn người dùng vô tình gửi toàn bộ số tiền cho kẻ tấn công, hoặc làm một điều gì đó mà họ sẽ hối hận sau này. Học máy cũng có thể là một công cụ giúp bạn dự đoán trước những giao dịch nào có thể có mev.

Cũng như mô hình LLM có thể được sử dụng để phát hiện dữ liệu giả mạo hoặc hoạt động ác ý, ngược lại, những mô hình này cũng có thể được sử dụng để tạo ra dữ liệu giả mạo. Ví dụ điển hình nhất là giả mạo sâu. Bạn có thể tạo ra một video, khiến ai đó nói những điều mà họ chưa bao giờ nói. Nhưng blockchain thực sự có thể giúp giảm thiểu vấn đề này.

Chẳng hạn, blockchain có dấu thời gian, cho thấy vào ngày này bạn đã nói những điều như thế nào. Nếu ai đó giả mạo video, bạn có thể sử dụng dấu thời gian để phủ nhận . Tất cả những dữ liệu này, dữ liệu thực sự được ghi lại trên blockchain, có thể được sử dụng để chứng minh video giả mạo sâu này thực sự là giả. Vì vậy, tôi tin rằng blockchain có thể giúp chống lại việc giả mạo.
Chúng ta cũng có thể dựa vào phần cứng đáng tin cậy để thực hiện điều này. Các thiết bị như camera và điện thoại của chúng ta sẽ ký tên vào hình ảnh và video được chụp, như một tiêu chuẩn. Nó được gọi là C2PA, quy định cách mà camera ký tên dữ liệu. Thực tế, hiện tại một chiếc máy ảnh của Sony có thể chụp ảnh và video, sau đó tạo ra chữ ký C2PA trên video. Đây là một chủ đề rất phức tạp, ở đây chúng ta không đi sâu vào.

Thông thường, khi các tờ báo đăng hình ảnh, họ sẽ không đăng nguyên vẹn hình ảnh được chụp bởi camera. Họ sẽ cắt xén và thực hiện một số xử lý ủy quyền cho bức ảnh. Khi bạn bắt đầu chỉnh sửa hình ảnh, điều đó có nghĩa là người nhận, độc giả cuối cùng, người dùng trên trình duyệt sẽ không thấy hình ảnh gốc, và không thể thực hiện xác minh chữ ký C2PA.

Vấn đề là, làm thế nào để người dùng xác nhận rằng hình ảnh họ thấy thực sự được ký bởi camera C2PA? Đây chính là nơi công nghệ ZK phát huy tác dụng, bạn có thể chứng minh rằng hình ảnh đã chỉnh sửa thực sự là kết quả của việc lấy mẫu và chuyển đổi độ xám từ hình ảnh đã được ký đúng. Như vậy, chúng ta có thể sử dụng chứng minh zk đơn giản thay cho chữ ký C2PA, và tương ứng với từng hình ảnh. Hiện tại, độc giả vẫn có thể xác nhận rằng những gì họ thấy là hình ảnh thực. Do đó, công nghệ zk có thể được sử dụng để chống lại những thông tin này.

Blockchain làm thế nào để phá vỡ?

Trí tuệ nhân tạo về bản chất là một công nghệ tập trung. Nó phần lớn hưởng lợi từ hiệu ứng quy mô, vì việc hoạt động dựa vào một trung tâm dữ liệu duy nhất sẽ làm cho mọi thứ trở nên hiệu quả hơn. Hơn nữa, dữ liệu, mô hình học máy, nhân tài học máy thường được kiểm soát bởi một số công ty công nghệ lớn,
Vậy làm thế nào để phá vỡ? Tiền điện tử có thể giúp chúng ta thực hiện phân quyền trí tuệ nhân tạo bằng cách sử dụng các công nghệ như ZKML, có thể áp dụng trong trung tâm dữ liệu, cơ sở dữ liệu, chính mô hình học máy. Chẳng hạn, trong tính toán, bằng cách sử dụng chứng minh không biết, người dùng có thể chứng minh rằng quá trình suy diễn hoặc đào tạo mô hình là đúng.

Như vậy, bạn có thể ủy thác quá trình này cho một cộng đồng lớn. Trong quy trình phân phối này, bất kỳ ai có GPU đều có thể đóng góp sức mạnh tính toán cho mạng, và theo cách này đào tạo mô hình mà không cần phụ thuộc vào một trung tâm dữ liệu lớn tập trung tất cả GPU.

Từ góc độ kinh tế, điều này có ý nghĩa hay không vẫn chưa chắc chắn. Nhưng ít nhất thông qua các biện pháp khuyến khích đúng đắn, có thể đạt được hiệu ứng đuôi dài. Bạn có thể tận dụng tất cả khả năng GPU có thể có. Để tất cả những người này đóng góp sức mạnh tính toán cho việc đào tạo hoặc suy diễn mô hình, điều này sẽ có thể thay thế cho các công ty công nghệ lớn kiểm soát mọi thứ. Để thực hiện điều này, cần giải quyết nhiều vấn đề kỹ thuật quan trọng. Thực tế, có một công ty tên là Nvidia đang xây dựng một thị trường tính toán GPU phi tập trung, chủ yếu để đào tạo các mô hình học máy. Trong thị trường này, bất kỳ ai cũng có thể đóng góp sức mạnh tính toán GPU của mình. Mặt khác, bất kỳ ai cũng có thể sử dụng bất kỳ tính toán nào có trong mạng để đào tạo các mô hình học máy lớn của họ. Điều này sẽ trở thành một lựa chọn thay thế cho các công ty công nghệ lớn tập trung như openai, Google, Meta.

Có thể tưởng tượng một tình huống như thế này: Alice có một mô hình mà cô ấy muốn bảo vệ. Cô ấy muốn gửi mô hình dưới dạng mã hóa cho Bob, Bob bây giờ nhận được mô hình mã hóa, cần chạy dữ liệu của mình trên mô hình mã hóa này. Làm thế nào để thực hiện điều này? Điều đó cần sử dụng cái gọi là tính toán đồng nhất hóa toàn phần để mã hóa dữ liệu. Nếu người dùng có mô hình mã hóa và dữ liệu rõ ràng, thì có thể chạy mô hình mã hóa trên dữ liệu rõ ràng, nhận và có được kết quả mã hóa. Bạn gửi kết quả mã hóa trở lại cho Alice, cô ấy có thể giải mã và thấy kết quả rõ ràng.

Điều này thực sự là công nghệ đã tồn tại. Vấn đề là, công nghệ hiện tại rất hiệu quả đối với các mô hình trung bình, liệu chúng ta có thể mở rộng nó cho các mô hình lớn hơn không? Đây là một thách thức khá lớn, cần nỗ lực từ nhiều công ty.

Tình trạng hiện tại, thách thức và cơ chế khuyến khích

Tôi nghĩ rằng để thực hiện phân quyền trong lĩnh vực tính toán. Điều đầu tiên là vấn đề xác minh, bạn có thể sử dụng ZK để giải quyết vấn đề này, nhưng hiện tại những công nghệ này chỉ có thể xử lý các mô hình nhỏ hơn. Thách thức mà chúng ta phải đối mặt là hiệu suất của các nguyên thủy mã hóa này còn xa mới đáp ứng được nhu cầu đào tạo hoặc suy diễn cho các mô hình siêu lớn. Do đó, có rất nhiều công việc đang diễn ra để cải thiện hiệu suất của quá trình chứng minh, nhằm có thể chứng minh hiệu quả khối lượng công việc ngày càng lớn.
Trong khi đó, một số công ty cũng đang sử dụng các công nghệ khác, không chỉ là công nghệ mã hóa. Mà là áp dụng các công nghệ có tính chất lý thuyết trò chơi, họ khiến nhiều người độc lập hơn cùng làm việc. Đây là một phương pháp lạc quan không phụ thuộc vào mật mã, nhưng vẫn nhất quán với mục tiêu lớn hơn là phân quyền trí tuệ nhân tạo hoặc giúp tạo ra hệ sinh thái trí tuệ nhân tạo. Đây là mục tiêu mà các công ty như openai đã đề ra.

Vấn đề lớn thứ hai là vấn đề hệ thống phân tán. Chẳng hạn, bạn sẽ làm thế nào để phối hợp một cộng đồng lớn, khiến họ đóng góp GPU cho một mạng, để cảm thấy nó là một nền tảng tính toán tích hợp, thống nhất? Trong đó sẽ có rất nhiều thách thức, chẳng hạn như làm thế nào để phân chia khối lượng công việc học máy một cách hợp lý, và phân bổ các khối lượng công việc khác nhau cho các nút khác nhau trong mạng, cũng như làm thế nào để hoàn thành tất cả những công việc này một cách hiệu quả.

Công nghệ hiện tại cơ bản có thể áp dụng cho các mô hình trung bình, nhưng không thể áp dụng cho các mô hình lớn như gpt 3 hoặc gpt 4. Tất nhiên, chúng ta còn có những phương pháp khác. Ví dụ, chúng ta có thể để nhiều người cùng đào tạo, sau đó so sánh kết quả, như vậy sẽ có cơ chế khuyến khích theo lý thuyết trò chơi. Khuyến khích mọi người không gian lận. Nếu có ai đó gian lận, những người khác có thể phàn nàn rằng kết quả đào tạo mà họ tính toán không chính xác. Như vậy, người gian lận sẽ không nhận được phần thưởng.
Chúng ta cũng có thể phân tán nguồn dữ liệu trong cộng đồng, để đào tạo các mô hình học máy lớn. Tương tự, chúng ta cũng có thể thu thập tất cả dữ liệu, sau đó tự đào tạo mô hình, thay vì để một tổ chức tập trung chịu trách nhiệm. Điều này có thể được thực hiện bằng cách tạo ra một thị trường. Điều này tương tự như thị trường tính toán mà chúng ta vừa mô tả.

Chúng ta cũng có thể nhìn nhận từ góc độ khuyến khích, khuyến khích mọi người đóng góp dữ liệu mới cho một tập dữ liệu lớn, sau đó dùng để đào tạo mô hình. Những khó khăn trong đó tương tự như thách thức xác minh. Bạn phải xác minh bằng cách nào đó rằng dữ liệu mà mọi người đóng góp thực sự là dữ liệu tốt. Những dữ liệu này không phải là dữ liệu trùng lặp, không phải là dữ liệu rác được tạo ra ngẫu nhiên, cũng không phải là dữ liệu không thực được tạo ra bằng cách nào đó.

Hơn nữa, cũng cần đảm bảo rằng dữ liệu không làm hỏng mô hình theo cách nào đó, nếu không thì hiệu suất của mô hình thực sự sẽ ngày càng kém. Có thể chúng ta phải dựa vào sự kết hợp giữa giải pháp kỹ thuật và giải pháp xã hội, trong trường hợp này, bạn cũng có thể xây dựng độ tin cậy thông qua một số chỉ số mà các thành viên trong cộng đồng có thể đạt được, như vậy khi họ đóng góp dữ liệu, dữ liệu sẽ đáng tin cậy hơn một chút so với trước đây.

Nếu không, việc thực sự đạt được sự bao phủ phân phối dữ liệu sẽ mất rất nhiều thời gian. Một thách thức lớn của học máy là mô hình thực sự chỉ có thể bao phủ phạm vi phân phối mà tập dữ liệu đào tạo có thể đạt được. Nếu có một số đầu vào vượt xa phạm vi phân phối của dữ liệu đào tạo, thì mô hình của bạn thực sự có thể hoạt động một cách hoàn toàn không thể đoán trước. Để mô hình hoạt động tốt trong các tình huống biên, các điểm dữ liệu thiên nga đen hoặc các đầu vào dữ liệu có thể gặp trong thế giới thực, chúng ta cần một tập dữ liệu càng toàn diện càng tốt.

Vì vậy, nếu bạn có một thị trường mở, phi tập trung, cung cấp dữ liệu cho tập dữ liệu, bạn có thể để bất kỳ ai trên thế giới có dữ liệu độc đáo cung cấp dữ liệu cho mạng, đây là một cách tốt hơn. Bởi vì nếu bạn cố gắng làm điều này với tư cách là một công ty trung tâm, bạn hoàn toàn không thể biết ai sở hữu dữ liệu này. Do đó, nếu có thể tạo ra một cơ chế khuyến khích để khiến những người này tự nguyện đứng ra cung cấp dữ liệu, thì tôi nghĩ rằng, bạn thực sự có thể đạt được độ bao phủ dữ liệu đuôi dài tốt hơn rõ rệt.

Vì vậy, chúng ta phải có một cơ chế nào đó để đảm bảo rằng dữ liệu bạn cung cấp là thực. Một phương pháp là dựa vào phần cứng đáng tin cậy, để cảm biến tự nó nhúng một số phần cứng đáng tin cậy, chúng ta chỉ tin tưởng dữ liệu được ký đúng bởi phần cứng. Nếu không, chúng ta sẽ phải có các cơ chế khác để phân biệt tính xác thực của dữ liệu.
Hiện tại, học máy có hai xu hướng quan trọng. Đầu tiên, phương pháp đo lường hiệu suất của mô hình học máy đang không ngừng cải thiện, nhưng vẫn ở giai đoạn đầu, thực tế rất khó để biết hiệu suất của một mô hình khác. Xu hướng thứ hai là, chúng ta ngày càng giỏi hơn trong việc giải thích cách mà mô hình hoạt động.

Do đó, dựa trên hai điểm này, vào một số thời điểm, có thể tôi sẽ hiểu được ảnh hưởng của tập dữ liệu đối với hiệu suất của mô hình học máy. Nếu chúng ta có thể hiểu liệu tập dữ liệu do bên thứ ba đóng góp có giúp cải thiện hiệu suất của mô hình học máy hay không, thì chúng ta có thể thưởng cho sự đóng góp này và tạo động lực cho sự tồn tại của thị trường đó.
Hãy tưởng tượng, nếu bạn có thể tạo ra một thị trường mở, cho phép mọi người đóng góp các mô hình đã được đào tạo, nhằm giải quyết các vấn đề cụ thể, hoặc nếu tạo ra một hợp đồng thông minh, trong đó nhúng một số bài kiểm tra, nếu ai đó có thể sử dụng zkml để cung cấp một mô hình và chứng minh rằng mô hình đó có thể giải quyết bài kiểm tra đó, đây chính là một giải pháp kết thúc. Bạn hiện đã có công cụ cần thiết để tạo ra một thị trường, khi mọi người đóng góp các mô hình học máy có thể giải quyết một số vấn đề, thị trường sẽ được khuyến khích.

AI và tiền điện tử hình thành mô hình kinh doanh như thế nào?

Tôi nghĩ rằng tầm nhìn đứng sau sự giao thoa giữa tiền điện tử và trí tuệ nhân tạo là bạn có thể tạo ra một bộ giao thức, phân phối giá trị mà công nghệ mới trí tuệ nhân tạo thu được cho nhiều người hơn, mọi người đều có thể đóng góp, mọi người đều có thể chia sẻ lợi ích mà công nghệ mới này mang lại.

Do đó, những người có thể kiếm lợi sẽ là những người đóng góp sức mạnh tính toán, những người đóng góp dữ liệu, hoặc những người đóng góp các mô hình học máy mới cho mạng, từ đó có thể đào tạo ra các mô hình học máy tốt hơn, giải quyết những vấn đề quan trọng hơn.

Bên cầu của mạng cũng có thể kiếm lợi. Họ sử dụng mạng này như cơ sở hạ tầng để đào tạo các mô hình học máy của riêng họ. Có thể mô hình của họ có thể đóng góp một số điều thú vị, chẳng hạn như công cụ trò chuyện thế hệ tiếp theo. Trong những mô hình này, vì những công ty này sẽ có mô hình kinh doanh của riêng họ, nên chính chúng sẽ thúc đẩy việc thu thập giá trị.

Những người xây dựng mạng này cũng sẽ kiếm lợi. Chẳng hạn, tạo ra một token cho mạng, token sẽ được phân phối cho cộng đồng. Tất cả những người này sẽ sở hữu quyền sở hữu tập thể đối với mạng phi tập trung này, để tính toán dữ liệu và mô hình, cũng có thể nhận được một số giá trị từ tất cả các hoạt động kinh tế diễn ra qua mạng này.

Bạn có thể tưởng tượng rằng, mỗi giao dịch diễn ra qua mạng này, mỗi phương thức thanh toán cho phí tính toán, phí dữ liệu hoặc phí mô hình, đều có thể bị tính phí nhất định, và những khoản phí này sẽ vào kho bạc do toàn bộ mạng kiểm soát. Trong khi đó, những người nắm giữ token sẽ cùng nhau sở hữu mạng này. Đây về cơ bản chính là mô hình kinh doanh của mạng.

Trí tuệ nhân tạo thúc đẩy an toàn mã

Nhiều thính giả có thể đã nghe nói về trợ lý đồng hành (co pilot), đây là một công cụ được sử dụng để tạo mã. Bạn có thể thử sử dụng những công cụ tạo mã này để viết hợp đồng solidity hoặc mã hóa học. Tôi muốn nhấn mạnh rằng, làm như vậy thực sự rất nguy hiểm. Bởi vì nhiều lúc, khi bạn cố gắng chạy, những hệ thống này thực sự sẽ tạo ra mã có thể chạy nhưng không an toàn.

Thực tế, gần đây chúng tôi đã viết một bài báo về vấn đề này, trong đó chỉ ra rằng, nếu bạn cố gắng để một trợ lý đồng hành viết một hàm mã hóa đơn giản, chức năng mã hóa mà nó cung cấp là đúng. Nhưng nó sử dụng một chế độ hoạt động không đúng, vì vậy cuối cùng bạn sẽ nhận được một chế độ mã hóa không an toàn.

Bạn có thể hỏi, tại sao lại xảy ra tình huống này? Một trong những lý do là, những mô hình này chủ yếu được đào tạo dựa trên mã hiện có, chúng được đào tạo trong các kho lưu trữ github. Nhiều kho lưu trữ github thực tế dễ bị tấn công. Do đó, mã mà những mô hình này học được có thể hoạt động bình thường, nhưng không an toàn. Điều này giống như chất lượng kém sản xuất ra rác. Vì vậy, tôi hy vọng mọi người khi sử dụng những mô hình tạo mã này hãy cẩn thận, kiểm tra kỹ mã xem nó có thực sự hoàn thành những gì nó nên làm và làm điều đó một cách an toàn.

Bạn có thể sử dụng mô hình trí tuệ nhân tạo, kết hợp với các công cụ khác để tạo mã, đảm bảo toàn bộ quá trình không gặp lỗi. Ví dụ, một ý tưởng là sử dụng mô hình llm để tạo ra các quy định cho hệ thống xác minh hình thức, yêu cầu llm tạo ra một quy định cho công cụ xác minh hình thức. Sau đó, yêu cầu cùng một phiên bản llm tạo ra chương trình phù hợp với quy định, và sau đó sử dụng công cụ xác minh hình thức để kiểm tra xem chương trình có thực sự phù hợp với quy định hay không. Nếu có lỗ hổng xuất hiện, công cụ cũng sẽ phát hiện ra. Những lỗi này có thể được phản hồi lại cho llm, và trong tình huống lý tưởng, hy vọng llm có thể sửa đổi công việc của mình và tạo ra một phiên bản mã đúng khác.

Cuối cùng, nếu bạn lặp lại thao tác, bạn cuối cùng sẽ nhận được một đoạn mã, trong tình huống lý tưởng, nó có thể hoàn toàn đáp ứng giá trị trả về này, và đã được xác minh chính thức, cũng có thể đáp ứng giá trị trả về này. Hơn nữa, vì con người có thể đọc được quá trình hồi tố này, bạn có thể thông qua quá trình hồi tố này, thấy rằng đây chính là chương trình mà tôi muốn viết. Thực tế, đã có rất nhiều người đang cố gắng đánh giá khả năng của LLM trong việc tìm kiếm lỗ hổng phần mềm, chẳng hạn như hợp đồng thông minh, C và C plus.

Vậy, liệu chúng ta có đạt đến một mức độ: mã do LLM tạo ra ít có khả năng chứa lỗi hơn mã do con người tạo ra không? Chẳng hạn, khi chúng ta thảo luận về lái xe tự động, điều chúng ta quan tâm là, nó ít có khả năng va chạm hơn so với lái xe của con người? Tôi nghĩ rằng xu hướng này chỉ ngày càng mạnh mẽ hơn, mức độ tích hợp công nghệ trí tuệ nhân tạo vào chuỗi công cụ hiện có cũng sẽ ngày càng cao.

Bạn có thể tích hợp nó vào chuỗi công cụ xác minh hình thức, bạn cũng có thể tích hợp nó vào các công cụ khác, chẳng hạn như các công cụ đã đề cập trước đó để kiểm tra vấn đề quản lý bộ nhớ. Bạn cũng có thể tích hợp nó vào chuỗi công cụ kiểm tra đơn vị và kiểm tra tích hợp, như vậy llm không chỉ hành động trong chân không. Nó có thể nhận được phản hồi thời gian thực từ các công cụ khác, những công cụ này sẽ kết nối nó với thực tế.

Tôi nghĩ rằng, thông qua việc kết hợp sử dụng các mô hình học máy siêu lớn được đào tạo từ tất cả dữ liệu trên thế giới, cùng với những công cụ khác, có thể khiến chương trình tính toán trở nên xuất sắc hơn so với các lập trình viên con người. Ngay cả khi họ vẫn sẽ mắc lỗi, nhưng họ có thể trở thành siêu nhân. Đây sẽ là một thời điểm quan trọng trong kỹ thuật phần mềm.

Trí tuệ nhân tạo và mạng xã hội

Một khả năng khác là, có thể chúng ta có thể xây dựng một mạng xã hội phi tập trung, hành vi thực sự giống như Weibo, nhưng mạng xã hội thực sự hoàn toàn trên chuỗi. Nó gần như giống như một sản phẩm công cộng, bất kỳ ai cũng có thể xây dựng trên đó. Là người dùng, bạn có thể kiểm soát danh tính của mình trên mạng xã hội. Bạn có thể kiểm soát dữ liệu của mình, kiểm soát ai mà bạn theo dõi, ai có thể theo dõi bạn. Hơn nữa, còn có một loạt các công ty xây dựng cổng thông tin trong mạng xã hội, cung cấp cho người dùng trải nghiệm tương tự như Twitter, Instagram, TikTok hoặc bất kỳ điều gì khác mà họ muốn xây dựng.

Nhưng tất cả những điều này đều được xây dựng trên cùng một mạng xã hội, không ai sở hữu nó, và không có công ty công nghệ trị giá hàng tỷ đô la nào hoàn toàn kiểm soát nó ở giữa.

Đây là một thế giới thú vị, vì điều này có nghĩa là nó có thể trở nên sống động hơn, có một hệ sinh thái được xây dựng bởi mọi người. Mỗi người dùng có thể kiểm soát nhiều hơn những gì họ thấy và làm trên nền tảng.

Nhưng đồng thời, người dùng cũng cần lọc tín hiệu từ tiếng ồn. Chẳng hạn, cần xây dựng các thuật toán gợi ý hợp lý, lọc tất cả nội dung, cho bạn thấy nguồn tin tức mà bạn thực sự muốn xem. Điều này sẽ mở ra một cánh cửa cho toàn bộ thị trường, một môi trường cạnh tranh được tạo thành từ những người tham gia cung cấp dịch vụ. Bạn có thể sử dụng thuật toán, sử dụng thuật toán dựa trên trí tuệ nhân tạo để biên tập nội dung cho bạn. Là người dùng, bạn có thể quyết định có sử dụng một thuật toán cụ thể nào đó hay không, có thể là thuật toán do Twitter xây dựng, hoặc là thuật toán khác. Nhưng cũng vậy, bạn cũng cần những công cụ như "học máy" để giúp bạn lọc tiếng ồn, giúp bạn phân tích tất cả thông tin rác, trong thế giới này, các mô hình tạo ra có thể tạo ra tất cả thông tin rác trên thế giới.

Tại sao chứng minh nhân loại lại quan trọng?

Một câu hỏi rất liên quan là, trong một thế giới tràn ngập nội dung giả mạo do trí tuệ nhân tạo tạo ra, làm thế nào để chứng minh rằng bạn thực sự là con người?

Công nghệ sinh trắc học là một hướng đi khả thi, trong đó có một dự án gọi là World Coin, sử dụng quét võng mạc như một thông tin sinh trắc học để xác minh bạn có phải là người thật hay không, để đảm bảo rằng bạn thực sự là một sinh vật sống, chứ không chỉ là một bức ảnh của một đôi mắt. Hệ thống này có phần cứng an toàn, rất khó bị giả mạo, do đó, chứng minh xuất hiện ở đầu bên kia, tức là chứng minh không biết che giấu thông tin sinh trắc học thực của bạn, rất khó để giả mạo theo cách này.

Trên internet, không ai biết bạn là robot. Vì vậy, tôi nghĩ rằng đây chính là lý do tại sao các dự án chứng minh nhân loại trở nên rất quan trọng, vì việc biết bạn đang tương tác với robot hay con người sẽ trở nên rất quan trọng. Nếu bạn không có bằng chứng về nhân loại, thì bạn không thể xác định một địa chỉ thuộc về một người, hay thuộc về một nhóm người, hoặc một nghìn địa chỉ có thực sự thuộc về một người hay không, hay chỉ là giả vờ là một nghìn người khác nhau.

Điều này rất quan trọng trong quản trị. Nếu mỗi người tham gia trong hệ thống quản trị có thể chứng minh rằng họ thực sự là con người, và họ có thể chứng minh bản thân theo một cách độc đáo, vì họ chỉ có một bộ mắt, thì hệ thống quản trị sẽ công bằng hơn, và sẽ không bị thao túng bởi các tài phiệt (dựa trên sở thích bị khóa trong một hợp đồng thông minh với số tiền lớn nhất).

Trí tuệ nhân tạo và nghệ thuật

Mô hình trí tuệ nhân tạo có nghĩa là chúng ta sẽ sống trong một thế giới phong phú vô hạn về truyền thông, trong một thế giới như vậy, cộng đồng xung quanh bất kỳ truyền thông cụ thể nào hoặc câu chuyện xung quanh truyền thông cụ thể sẽ trở nên ngày càng quan trọng.

Chẳng hạn, Sound.xyz đang xây dựng một nền tảng phát nhạc trực tuyến phi tập trung, cho phép nghệ sĩ, nhạc sĩ tải lên âm nhạc, sau đó thông qua việc bán NFT cho họ, trực tiếp kết nối với cộng đồng của chúng ta. Ví dụ, có thể bình luận về các bài hát trên trang web sound dot xyz, như vậy những người khác phát bài hát này cũng có thể thấy bình luận. Điều này tương tự như chức năng âm thanh đám mây trước đây. Hành động mua NFT cũng là hỗ trợ nghệ sĩ, giúp nghệ sĩ phát triển bền vững và sáng tạo ra nhiều tác phẩm âm nhạc hơn. Nhưng điều tuyệt vời ở đây là, nó thực sự cung cấp cho nghệ sĩ một nền tảng tương tác thực sự với cộng đồng. Nghệ sĩ là nghệ sĩ của mọi người.

Với vai trò của tiền điện tử ở đây, bạn có thể tạo ra một cộng đồng xung quanh một bài nhạc, và nếu một bài nhạc chỉ được tạo ra bởi mô hình học máy, không có yếu tố con người nào, thì cộng đồng này sẽ không tồn tại.

Nhiều bản nhạc mà chúng ta sẽ tiếp xúc sẽ hoàn toàn được tạo ra bởi trí tuệ nhân tạo, và các công cụ để xây dựng cộng đồng, kể chuyện xung quanh nghệ thuật, âm nhạc, và các loại truyền thông khác sẽ rất quan trọng, nó sẽ phân biệt truyền thông mà chúng ta thực sự quan tâm, thực sự muốn đầu tư và dành thời gian để tiếp cận với các truyền thông thông thường khác.

Có thể sẽ có một số hiệu ứng cộng sinh giữa hai bên, chẳng hạn như nhiều bản nhạc sẽ được tăng cường hoặc tạo ra bởi trí tuệ nhân tạo. Nhưng nếu cũng có yếu tố con người tham gia, chẳng hạn như, người sáng tạo sử dụng công cụ trí tuệ nhân tạo để sáng tác một bản nhạc mới, họ có phong cách riêng, họ có trang nghệ sĩ của riêng mình, một cộng đồng của riêng họ, và những người theo dõi của riêng họ.

Bây giờ, giữa hai thế giới này đã tạo ra hiệu ứng cộng sinh, mọi người có được âm nhạc tốt nhất, vì trí tuệ nhân tạo đã trao cho mọi người sức mạnh vượt trội. Nhưng đồng thời, mọi người cũng có yếu tố con người và câu chuyện, những yếu tố và câu chuyện này được điều phối và thực hiện thông qua công nghệ mã hóa, cho phép bạn tập hợp tất cả những người này trên một nền tảng.

Trong lĩnh vực tạo nội dung, đây chắc chắn là một thế giới hoàn toàn mới. Vậy chúng ta nên phân biệt như thế nào giữa nghệ thuật do con người tạo ra cần được hỗ trợ và nghệ thuật do máy móc tạo ra?

Điều này thực sự mở ra một cánh cửa cho nghệ thuật tập thể, nghệ thuật được tạo ra thông qua quá trình sáng tạo của toàn bộ cộng đồng, chứ không phải của một nghệ sĩ đơn lẻ. Đã có một số dự án đang làm điều này, trong những dự án này, cộng đồng thông qua một số quy trình bỏ phiếu để ảnh hưởng đến chuỗi, tạo ra các tác phẩm nghệ thuật dựa trên gợi ý của mô hình học máy. Có thể bạn không tạo ra một tác phẩm nghệ thuật, mà là mười nghìn tác phẩm. Sau đó, bạn lại sử dụng một mô hình học máy khác, mô hình này cũng được đào tạo dựa trên phản hồi của cộng đồng, nó có thể chọn ra tác phẩm tốt nhất từ mười nghìn tác phẩm đó.