สวัสดีครับเพื่อนๆ

ในบทความ part นี้ เราจะมาอธิบายเพิ่มเติมเกี่ยวกับภาพรวมของโปรเจค AI Blockchain ในปัจจุบันครับ

ในบทความนี้ ผู้เขียนได้สรุปโปรเจคต่างๆที่เกี่ยวข้องกับ AI Blockchain ผ่านบทความ Demystifying the Crypto x AI Stack ของ Coinbase Ventures เป็นหลัก

ถัดจากนี้

• ผู้เขียนจะเรียกแทน Coinbase Ventures ว่า CV

• และให้ AI Blockchain = Crypto x AI

โดยมีคำศัพท์ที่ควรเข้าใจสำหรับทำความเข้าใจบทความ Series ถัดๆไปในอนาคตด้วย

• Decentralized AI การนำเทคโนโลยี Blockchain มาช่วยในการกระจายศูนย์ AI เพื่อแก้ไขปัญหาต่างๆที่เกิดหลังจากความพยายามผูกขาด AI ของบริษัทใหญ่

• Onchain AI การนำ AI มาอยู่บน Blockchain โดยปัจจุบันที่ผู้เขียนกำลังเขียนบทความ ก็คงหนีไม่พ้น AI Agents ที่สามารถสร้างกระเป๋าเงินของตัวเอง และ ทำธุรกรรมต่างๆเสมือนคนใช้งานได้บน Blockchain รวมถึงสามารถมาพูดคุยกับผู้คนผ่าน Social Media เพื่อพูดคุยและแลกเปลี่ยนความคิดเห็นเกี่ยวกับสินทรัพย์ดิจิตัลต่างๆได้

ทาง CV มองว่าโปรเจคในกลุ่มนี้จะเป็นคีย์สำคัญในการพัฒนาสิ่งที่เรียกว่า “Agentic Web” (หรือคาดกันว่าเป็นว่าที่ Web 4.0) ที่ AI จะกลายเป็นผู้เล่นสำคัญในระบบเศรษฐกิจนี้ในระยะยาว

โปรเจค AI Blockchain ต่างๆที่ผู้เขียนเคยกล่าวถึง

1. Study AI #1: Spectral, the Inference Economy for Web3 [Thai]

2. Study AI #2: Ritual, AI Coprocessor for Blockchain [Thai]

3. Study AI #3: Introduction to 0G, programmable DA layer for AI dapps [Thai]

4. Study AI #4: Introduction to Sahara AI, the Decentralized AI Blockchain Platform [Thai]

5. Study AI #5: Introduction to Sentient AGI, the Open AGI Foundation [Thai]

เพื่อนๆควรมีภาพ Workflow ของ ML รวมถึง LLMs ในเบื้องต้น ซึ่งเพื่อนๆสามารถอ่านได้ที่บทความด้านล่างในหัวข้อ “Key terms ที่ควรทราบ” และ “LLM & RAG Engine - AI เข้าใจภาษามนุษย์และควบคุม personality ได้อย่างไร”

https://mirror.xyz/0x27510c76CFc9bbD101d217f59D73C3b21C140F2A/vlLqdamrFz2jPU2qkUB-n6wCl8AwvaqB_p7j9vH0w2A

CV ได้แบ่งหมวดหมู่ของโปรเจค AI Blockchain ไว้ 4 หัวข้อหลักด้วยกัน ได้แก่

1. Compute

2. Data

3. Middleware

4. Application

เรามาเจาะแต่ละหมวดหมู่ไปด้วยกันครับ

สาเหตุที่ทำให้ราคาหุ้น Nvidia พุ่งหลักๆคงหนีไม่พ้นการที่ GPU นั้นเป็น engine สำคัญเพื่อการทำงานที่มีประสิทธิภาพของตัว AI ทั้งการทำ training รวมถึง การทำ inference ซึ่งการรวมศูนย์กลางไว้ที่ผู้ให้บริการ GPU เพียงไม่กี่เจ้า จะทำให้เกิดการแย่งกันจองใช้งานและในเรื่องของราคาที่อาจจะสูงขึ้นจากการแข่งขันเพียงไม่กี่เจ้า

ซึ่งทาง CV มองว่าสามารถที่จะ

• ทำ marketplaces สำหรับซื้อ, เช่า และ โฮสต์ physical GPUs

• สร้าง GPU aggregators ที่ทุกคน (เช่น Bitcoin Miner) สามารถ contribute GPU ส่วนที่เหลือจากการใช้งาน สำหรับการทำ on-demand AI job ได้โดยมีระบบ token incentives ตอบแทน

• ทำ tokenize physical GPUs

• สร้าง distributed GPU networks สำหรับการทำ training, inference ของ AI

• สร้าง infrastructure ที่ AI สามารถ run บนอุปกรณ์ส่วนบุคคลได้ (สามารถนึกภาพ decentralized Apple Intelligence)

เพื่อที่จะให้ GPU compute supply นั้นมีมากขึ้นและเกิดการปรับตัวของราคาที่ลดลงจากการแข่งขันที่เพิ่มขึ้น แต่อย่างไรก็ตามทาง CV เชื่อว่า mainstream adoption ใน segment นี้จะยังไม่เกิดในเร็ววัน ผู้เขียนแนะนำให้เลือกโฟกัสในส่วนของ AI / ML Compute ซึ่งมีตัวอย่างโปรเจค เช่น

• io.net

• Gensyn

• Prime Intellect

• Hyperbolic

ถึงแม้ว่า segment จะเป็นส่วนที่ผู้เขียนมักเผลอละเลยความสำคัญ แต่ก็ปฏิเสธไม่ได้เลยว่าข้อมูลนั้นเป็นแหล่งเชื้อเพลิงสำคัญสำหรับการพัฒนา AI ที่ดี ปัญหาหลักๆคือข้อมูลในปัจจุบันที่มนุษย์เป็นผู้เขียนนั้นเริ่มมีอยู่จำกัดนั้น โดยทาง Epoch AI หรือทีมที่ทำ FrontierMath Dataset (โจทย์คณิตศาสตร์ระดับยากมากๆ) คาดการณ์ว่าข้อมูลที่มีคุณภาพระดับสูงจะใกล้หมดในปี 2024)

อย่างไรก็ตาม ทาง CV เชื่อว่าปัญหานี้สามารถแก้ได้ด้วย

• การทำ incentive ให้กับผู้ใช้งานมาแชร์ข้อมูลในส่วนที่เป็น private / proprietary data

• การสร้าง tool สำหรับ generate ข้อมูลสังเคราะห์ หรือมี incentive สำหรับการดึงข้อมูลจาก websites ต่างๆมาให้ AI ใช้งาน

• การทำ incentive ให้กับผู้ใช้งานมาช่วย pre-process datasets สำหรับการทำ training และรักษาคุณภาพข้อข้อมูล เช่นการทำ data labeling / RLHF (Reinforcement Learning from Human Feedback = AI เรียนรู้จากมนุษย์)

• การสร้าง permissionless data markets

ทาง CV เชื่อว่าส่วน data layer สำหรับการทำ decentralized AI นั้นเป็นโอกาสระยะยาวที่สำคัญสำหรับการแก้ไขปัญหาที่พึ่งกล่าวถึงไป โดยกลุ่มโปรเจคที่ผู้เขียนคิดว่ามีความน่าสนใจและแนะนำให้เพื่อนๆได้ลองไปศึกษาเพิ่มได้แก่

Data Marketplaces: decentralized data exchange สำหรับ data provider แชร์และเทรด data asset

• Ocean Protocol

• Masa

• Sahara AI

Data Orchestration / Provenance: network ที่มีการ optimize data ingestion pipelines และการทำ processing สำหรับ AI และ data-intensive application เพื่อที่จะยืนยันการติดตามและความถูกต้องของข้อมูลที่ AI generated มา

• Space and Time

• The Graph

• Story Protocol

Data Labeling: networks ที่พัฒนา RL และ fine-tuning สำหรับ AI โดยมีการทำ incentive เพื่อให้ผู้ใช้งานมาร่วมกันสร้าง training datasets คุณภาพสูง

• Sapien

• Kiva AI

• Fraction.AI

เพื่อที่จะพัฒนา Decentralized AI รวมถึง agent ecosystem ให้มีประสิทธิภาพสูงสุด ทาง CV มองว่าจะต้องมีการวางรากฐาน infrastructure/middleware รูปแบบใหม่ที่จะมาเป็นหลักสำคัญในการพัฒนา อีกทั้งโปรเจคใน segment นี้ยังเป็นโฟกัสหลักของ CV อีกด้วย ทำให้โปรเจคในกลุ่มนี้เป็นกลุ่มที่ผู้เขียนให้ความสนใจมากที่สุด

ถึงแม้ว่า ทาง CV จะยังมองว่าหนทางที่โปรเจคกลุ่มนี้จะไปถึงระดับ production นั้นยังอีกไกล แต่ทาง CV ได้เขียนว่าเหล่า builders ของโปรเจคกลุ่มนี้กำลังโฟกัสกับ

• การนำ open-source LLMs มาใช้งานเป็น Onchain AI

• การทำ distributed training สำหรับโมเดลขนาดใหญ่ (เช่น หลัก 100B+ parameters)

• การใช้งาน zero-knowledge หรือ optimistic machine learning (i.e., zkML, opML) รวมถึง trusted execution environments (TEEs) หรือ fully-homomorphic encryption (FHE) ในการทำ inference ที่ private และผลลัพธ์สามารถยืนยันได้

• การสร้างพื้นที่เปิดให้ผู้ใช้งานมาร่วมกันพัฒนา AI ผ่าน resource coordination networks (จะอธิบายเพิ่มในส่วนถัดไป) รวมถึงการสร้าง agentic networks/platforms โดยใช้คริปโตในการเพิ่มความสามารถ AI agent ทั้ง การใช้งานบน on/off-chain

โดยมีตัวอย่างโปรเจค ที่ผู้เขียนคิดว่ามีความน่าสนใจ ได้แก่

Open-weight LLMs:

• LLama3

• Mistral

• Stability AI

Onchain Model Creators: เป็น platforms สำหรับร่วมกันพัฒนา foundational LLMs สำหรับ onchain use cases เช่น

• Pond

• Nous

• RPS

Training & Fine-tuning: เป็น platforms ที่สามารถจูงใจให้ทำ verifiable training รวมถึงการทำ fine-tuning แบบ onchain ได้

• Gensyn

• Prime Intellect

• Macrocosmos)

Privacy: เป็น platforms ที่ใช้กลไก privacy-preserving สำหรับพัฒนา, training และ inference เช่น

• Bagel Network

• Flock

• ZAMA

Inference Networks: เป็น networks ที่ใช้งาน cryptographic techniques / proofs ในการยืนยันว่าคำตอบจาก AI ที่ได้มาถูกต้อง เช่น

• OpenGradient

• Modulus Labs

• Giza

• Ritual

Resource Coordination Networks: เป็น networks ที่ออกแบบมาสำหรับการแชร์ resource ร่วมกัน เพื่อร่วมมือกันพัฒนา AI เช่น

• Bittensor

• Near

• Allora

• Sentient

Agentic Networks & Platforms: เป็น platforms สำหรับการสร้าง, deploy และทำเงินจาก AI agents บนทั้ง on/off-chain เช่น

• Morpheus

• Olas

• Wayfinder

• Payman

• Skyfire

ในส่วนนี้ มีตัวอย่างแอปพลิเคชันที่ผู้เขียนสนใจ เช่น

AI Companions: เป็นกลุ่ม apps สำหรับสร้าง, แชร์ และ ทำเงินจาก AI/Agents เช่น

• MagnetAI

• MyShell

• Deva

• Virtuals Protocol

Dev / Security Tools: เป็นกลุ่ม tools สำหรับการทำ AI /Agents เพื่อเสริมประสบการณ์ในการพัฒนาฝั่ง onchain เช่น

• ChainGPT

• Guardrail

Risk Agents: เป็น Services ที่ใช้ ML/AI/Agents ตรวจสอบ onchain risks ได้แบบ real-time เช่น

• Chaos Labs

• Gauntlet

Identity (Proof of Personhood): เป็นกลุ่ม app ที่ใช้ cryptographic proofs และ ML ในการตรวจสอบความเป็นมนุษย์ของผู้ใช้งานเช่น Worldcoin

ในปัจจุบัน CV มีมุมมองกับโปรเจคใน Sector นี้ดังนี้

• คริปโตจะมาเป็นรากฐาน payment ที่สำคัญสำหรับ agent-to-human และ agent-to-agent: ทั้งในเรื่อง inference, data, API access, decentralized compute และอื่นๆ โดยการที่ AI มี self-custody wallet เป็นของตัวเองและทำธุรกรรมผ่าน stablecoin บน Blockchain ที่มีค่าธุรกรรมต่ำได้ สามารถลดความซับซ้อนในการทำธุรกรรมระหว่าง agents อีกทั้งยังเป็นการเพิ่มความน่าเชื่อถือและสามารถตรวจสอบได้ไปในตัว

• AI จะมาช่วย users ในการทำธุรกรรม onchain: สามารถสั่ง AI ทำธุรกรรมต่างๆ on-chain ต่างๆ เช่น ส่งเงิน, swap tokens, ซื้อ digital assets รวมถึง NFTs

• AI จะมาช่วยเขียนโค้ด software (รวมถึง smart contracts) ทำให้เกิดการเพิ่มขึ้นของ onchain ที่รวดเร็วขึ้น: ช่วยลด barrier of entry สำหรับทั้ง builders หน้าใหม่และหน้าเก่า

แม้ภาพรวมของโปรเจคในกลุ่มนี้จะยังอยู่ใน early stage อย่างไรก็ตามทาง CV ยังไม่เชื่อว่าเทคโนโลยี Blockchain นั้นจำเป็นสำหรับการพัฒนาและนำมาใช้แก้ปัญหาสำหรับทุกๆ layer ของ AI tech stack แต่มาช่วยในเรื่อง เช่น distribution, verifiability, censorship-resistance และ native payment ตามที่เราได้ยกตัวอย่างไป

ยังมีรายละเอียดอีกมากที่ผู้เขียนยังไม่ได้เขียนไปแต่คิดว่ามีความน่าสนใจ โดยผู้เขียนขอแปะลิ้งค์ไว้ด้านล่าง เพื่อให้เพื่อนๆได้มีโอกาสไปศึกษาต่อครับ

• A few of the things we’re excited about in crypto (2025) โดย a16zcrypto

• Why Decentralised Compute Matter โดย Decentralised.Co

• Crypto AI Agent โดย Cryptomind Research

• Demystifying the Crypto x AI Stack