AI agents เป็น narrative ที่ร้อนแรงที่สุดในช่วงปลายปี 2024 และถูกคาดว่าจะเป็น narrative ที่ดึงความสนใจจากทั้ง native cryptobro และหน้าใหม่ได้อย่างมากต่อเนื่องไปในปี 2025 ด้วย ถ้าถามว่าร้อนแรงขนาดไหน ก็ระดับที่ 4 อันเดับแรกจาก 14 เรื่องที่ a16z เฝ้าจับตาในปี 2025 เกี่ยวข้องกับ AI ทั้งหมด และยังมีอีก 2 เรื่องที่คาบเกี่ยวอย่างมากการพัฒนาของ AI x Crypto ด้วย

เนื่องจากผมมีความสนใจเป็นพิเศษใน Crypto x AI และพอจะมีพื้นฐานด้าน Machine Learning / Deep Learning และ System Engineering อยู่บ้าง จึงอยากจะใช้โอกาสนี้รวบรวมข้อมูลที่จะช่วยในทุกๆคนสามารถทำความเข้าใจการพัฒนาของ AI agents & AI x Crypto space และช่วยให้การมองหาและวิเคราะห์ความเป็นไปได้ของ Alpha ได้ง่ายขึ้นครับ

Disclaimer

• บทความนี้ไม่ใช่คำแนะนำการลงทุน

• ทุกข้อความเป็นความเห็นส่วนตัวและใช้เพื่อการศึกษาเท่านั้น

• ผมเป็น Ambassador/Advocate ของ Morph L2, OG Labs, Allora Network ซึ่งมีความเกี่ยวข้องมากน้อยกับ AI agents & AI x Crypto space ดังนั้นหากเห็นการใช้ตัวอย่างจากโปรเจคเหล่านี้เยอะเป็นพิเศษ ก็พราะผมใช้เวลาอ่านบทความและศึกษาสามโปรเจคนี้เยอะกว่าโปรเจคอื่นๆมาก

• และแน่นอนว่าผมจะพูดถึงโปรเจคที่ผมสนใจมากกว่าโปรเจคอื่นๆ เพราะผมได้ใช้เวลาศึกษาโปรเจคเหล่านี้ไว้แล้วก่อนจะเขียนบทความนี้

Section ต่างๆของบทความนี้

• Key terms ที่ควรทราบ

• ว่าด้วย AI Agents

  • AI Agent คืออะไร (ขยายความ)

  • Agents, Tokens, Utility, Framework, Infrastructure (หรือ Meme) ตกลงยังไงกัน?

  • Level of AI agent

  • LLM & RAG Engine - AI เข้าใจภาษามนุษย์และควบคุม personality ได้อย่างไร

  • ส่วนประกอบของ AI Agent (อ้างอิงจาก Virtuals’ framework)

  • Use Cases

    • AI x Defi

    • AI x Entertainment

    • AI x Gaming

    • AI x Culture x Memes

    • AI x Assistants

  • AI Agent เป็นมากกว่า price goes up narrative?

• ** Allora x Swarms โขยง AI agents ที่แชร์สมองและทำงานร่วมกันเพื่อประสิทธิภาพที่มากขึ้น ?

• ** 0G’s dAIOS x Decentralised AI

  • โครงสร้าง Decentralized AI stack

  • การประสานร่วมกันของ Decentralized AI projects แบบ Modular

  • ความน่าใจและจุดแข็งของ Decentralized AI

**ติดตามได้ใน YE24 Article สองฉบับถัดไป

Key terms ที่ควรทราบ

ส่วนนี้จะรวบรวม terms ต่างที่ใช้กันมากในการอธิบายจุดประสงค์และการทำงานของ project ต่างๆ ไม่ว่าจะใน whitepaper, article, หรือ thread (รวบรวมเบื้องต้นโดย grok)

คำศัพท์พื้นฐานด้าน AI

• Artificial Intelligence (AI): โดยทั่วไป AI จะหมายถึง model จำลองกระบวนการคิดของมนุษย์โดยระบบคอมพิวเตอร์ ซึ่งรวมถึงการเรียนรู้(Learning) การใช้เหตุผล(Reasoning) และการแก้ไขข้อผิดพลาดด้วยตนเอง(Self-Correction) แต่ในบริบทปัจจุบันมักใช้เรียก LLM ที่มีสามารถรับคำสั่งภาษามนุษย์และตอบสนองความต้องการโดยอัตโนมัติได้

• Inference: กระบวนการที่ระบบ AI ใช้ model ที่ผ่านการ train ให้คาดการณ์ ตัดสินใจ หรือสรุปผลจากข้อมูลใหม่ที่ไม่เคยเห็นมาก่อน เป็นการนำสิ่งที่เรียนรู้ในระหว่างการtrainingมาใช้ทำความเข้าใจ input data ใหม่

  • Natural Language Inference (NLI): การพิจารณาว่าสมมติฐานนั้นเป็นจริง (entailment) เป็นเท็จ (contradiction) หรือไม่สามารถระบุได้ (neutral) จากข้อความที่กำหนด มักใช้ในการทำความเข้าใจและสร้างภาษาธรรมชาติ เราสามารถประยุกต์ใช้ NLI ในการเข้าใจบริบทหรือการหาคำตอบของคำถามที่สอดคล้องกับคำถามหรือข้อมูลที่มีอยู่ ซึ่งความเข้าใจในคำถามหรือคำสั่งและยังช่วยเพิ่มความแม่นยำของการกระทำถัดไปอีกด้วย

• Machine Learning (ML): ส่วนประกอบหนึ่ง(subset) ของ AI ที่เกี่ยวข้องกับการพัฒนา algorithm ที่สามารถเรียนรู้และตัดสินใจจาก data ซึ่งเป็นพื้นฐานของการสร้าง Inferences

• Deep Learning: machine learning รูปแบบหนึ่ง ที่เกี่ยวข้องกับการใช้ neural networks ที่มีเรียงต่อกันหลาย layer (deep neural networks) ซึ่งเรียนรู้การแทนค่าข้อมูลในหลายระดับเพื่อสร้าง Inferences

• Neural Networks: ระบบที่เริ่มต้นมาจากการจำลองการทำงานของสมองมนุษย์ ออกแบบมาเพื่อจดจำรูปแบบหรือจัดหมวดหมู่ข้อมูลผ่านการเชื่อมโยงของ neurons หลายๆ layer

• Supervised Learning: ประเภทของ ML ที่ model ได้รับการฝึกฝนด้วยชุดข้อมูลที่มี labels (เฉลย) เพื่อให้ model เรียนรู้ที่จะคาดการณ์ผลลัพธ์จากคู่ input และ output

• Unsupervised Learning: ML ที่อัลกอริทึมทำงานกับข้อมูลที่ไม่มี labels โดย model จะต้องพยายามค้นหารูปแบบหรือการจัดกลุ่มภายในข้อมูลด้วยตัวเอง

• Reinforcement Learning: ML รูปแบบหนึ่ง ที่ใช้ในการ train Agentic Software ให้ประพฤติตัวหรือกระทำการตามที่ควรกระทำในสภาพแวดล้อมและเงือนไขที่กำหนดไว้ล่วงหน้าเพื่อสะสมรางวัลที่ได้จากการกระทำที่ถูกต้องให้มากที่สุด

• Natural Language Processing (NLP): ความสามารถของ AI ในการประมวลผลข้อมูลที่เป็นภาษามนุษย์เพื่อความเข้าใจและการต่อโต้ตอบ ซึ่งเป็นส่วนสำคัญสำหรับการมีปฏิสัมพันธ์กับทั้งข้อมูลภาษามนุษย์และผู้ใช้งาน

• Explainability (XAI - Explainable AI): ระบบ AI ที่สามารถอธิบายการกระทำของตนในรูปแบบที่มนุษย์เข้าใจได้ ซึ่งสำคัญต่อความไว้วางใจและความน่าเชื่อถือ

• Human-AI Interaction: การออกแบบInterfaceและการปฏิสัมพันธ์ของมนุษย์และ AI agent ที่จะช่วยให้สามารถทำงานร่วมกันหรือช่วยเหลือมนุษย์ได้อย่างมีประสิทธิภาพ

Large Language Models (LLM) และคำศัพท์ที่เกี่ยวข้อง

• Large Language Model (LLM): model ประเภทหนึ่งที่มักสร้างโดย transformer และได้รับการฝึกฝนด้วยคลังข้อความขนาดใหญ่เพื่อเข้าใจ สร้าง และมีปฏิสัมพันธ์โดยใช้ภาษามนุษย์ ตัวอย่างเช่น โมเดลอย่าง GPT, BERT, llma, หรือ Claude เป็นต้น

• Transformer: สถาปัตยกรรม neural network ที่อาศัยกลไก self-attention เพื่อให้น้ำหนักความสำคัญกับคำต่างๆ ในประโยคตามลำดับความสำคัญโดยไม่เป็นไปตามเสมอไปการเรียงของคำเสมอไป เป็นพื้นฐานสำคัญสำหรับ LLMs

• Tokenization: กระบวนการแปลงข้อความเป็นโทเค็น (ในระดับ คำหรือส่วนประกอบของคำ) สำหรับการประมวลผลโดย NLP model

• Fine-Tuning: กระบวนการนำ LLM ที่ผ่านการ pre-train แล้วมาฝึกฝนเพิ่มเติมด้วยชุดข้อมูลเฉพาะสำหรับงานเฉพาะ

• Prompt Engineering: ศิลปะของการสร้าง prompts เพื่อให้ได้ประสิทธิภาพสูงสุดจาก LLM สำหรับงานเฉพาะหรือผลลัพธ์ที่ต้องการ

Retrieval-Augmented Generation (RAG)

• Retrieval-Augmented Generation (RAG): เทคนิคที่รวม model แบบ retrieval-based กับโมเดลแบบ generative โดยระบบจะดึงข้อมูลที่เกี่ยวข้องและเชื่อถือได้จากฐานข้อมูลหรือคลังข้อมูลก่อนด้วย retrieval-based model จากนั้นจะส่งข้อมูลประกอบและpromptไปที่ generative model เพื่อสร้างคำตอบหรือข้อความ เป็นกระบวนการที่เพิ่มความแม่นยำและความเกี่ยวข้องของผลลัพธ์ด้วยคลังข้อมูลที่เชื่อถือได้

• Knowledge Base: คลังข้อมูลที่ใช้โดยระบบ RAG เพื่อดึงข้อมูลที่เกี่ยวข้อง

• Embedding: กระบวนการแปลงข้อความเป็น vector ตัวเลขที่แทนความหมายทางบริบท ใช้ในระบบ retrieval เพื่อจับคู่คำค้นหากับเอกสารหรือข้อมูลที่เกี่ยวข้อง

• Vector Database: ฐานข้อมูลที่ปรับแต่งมาสำหรับการเก็บและค้นหา high-dimensional vectors ซึงสำคัญสำหรับการดึงข้อมูลที่มีประสิทธิภาพในระบบ RAG

• Semantic Search: เทคนิคการค้นหาที่ไปไกลกว่าการจับคู่คำสำคัญ ด้วยการใช้ high-dimensional vectors เพื่อเข้าใจเจตนาของผู้ค้นหาและความหมายตามบริบทของคำ มักใช้ร่วมกับ RAG เพื่อเพิ่มประสิทธิภาพและลดการ hallucination ของ LLM

AI Agents และแนวคิดที่เกี่ยวข้อง

• AI Agent: Entity ที่รับรู้สภาพแวดล้อมผ่าน sensors (data flow จากแหล่งข้อมูลที่ Agentนั้นๆ เข้าถึงได้) ตัดสินใจเลือก และกระทำต่อสภาพแวดล้อมนั้นผ่านตัวกระทำ(ที่สามารถเข้าถึงได้)เพื่อบรรลุเป้าหมายบางอย่าง

• Autonomous AI Agents: Agent ที่สามารถทำงานได้อย่างอิสระมากขึ้น โดยต้องการการช่วยเหลือของมนุษย์น้อยลง สามารถตัดสินใจตามโปรแกรมที่ถูกเขียนไว้และสามารถติดตามผลลัพธ์เพื่อเรียนรู้และปรับปรุงพฤติกรรมได้ด้วยตนเอง

• Multi-Agent Systems: ระบบที่ AI Agents หลายตัวมีปฏิสัมพันธ์กันเพื่อแก้ปัญหาร่วมกันหรือแข่งขันกัน โดยมากมักเป็นไปเพื่อใช้งานหรือทดสอบจุดแข็งและความเชี่ยวชาญพิเศษของ AI Agent แต่ละตัวในระบบ

• Percept: Input data ที่ตัวแทนได้รับจากสภาพแวดล้อม

• Action: ผลลัพธ์หรือการตัดสินใจที่ตัวแทนทำเพื่อส่งผลต่อสภาพแวดล้อม

• State: สถานการณ์หรือการกำหนดค่าปัจจุบันของสภาพแวดล้อมตามที่ตัวแทนเข้าใจ

• Goal: สถานะสุดท้ายหรือผลลัพธ์ที่ต้องการที่ตัวแทนกำลังทำงานเพื่อให้บรรลุ

• Utility Function: ตัววัดที่ใช้โดย Agent เพื่อประเมินว่า State ใดๆเป็นที่ต้องการมากหรือน้อย ด้วยการแปลงมาตรวัดเป็นตัวเลข

• Capabilities/Functions: ความสามารถในการทำงาน (Actions) ของ Agent เช่น การโพส บน Twitter หรือ การหา route การ swap ที่ดีที่สุด

• Planning: การกำหนดลำดับขั้นตอนหรือการกระทำเพื่อบรรลุเป้าหมาย ก่อนเริ่ม Action

• Reactive vs. Deliberative Agents:

  • Reactive Agents: กระทำโดยตรงตามการรับรู้ปัจจุบันโดยไม่มีการวางแผนระยะยาว

  • Deliberative Agents: ตัดสินใจบนพื้นฐานของการวางแผนและสถานะในอนาคต

• Learning Agents: ตัวแทนที่ปรับปรุงประสิทธิภาพเมื่อเวลาผ่านไปโดยเรียนรู้จากประสบการณ์

• Bounded Rationality: แนวคิดที่ว่าด้วยการที่ Agent จะต้องทำงานภายใต้ข้อจำกัด เช่น เวลาและcomputing power เพื่อนำไปสู่การตัดสินใจที่น่าพอใจภายใต้ข้อจำกัดมากกว่าการหา action ที่ดีที่สุดหากไร้ข้อจำกัดดังกล่าว

Swarms และคำศัพท์เกี่ยวข้อง

key terms ส่วนนี้ยังไม่มีความจำเป็นมากนัก ณ ปัจจุบัน แต่จะเริ่มถูกกล่าวถึงมากขึ้นในอนาคตอันใกล้

• Swarms: ในบริบทของ AI หมายถึงกลุ่มของ Agents ที่ปฏิสัมพันธ์กันเองและกับสภาพแวดล้อมในภาพย่อย (AI agent ตัวหนึ่ง interact กบัอีกตัวหนึ่ง) แต่นำไปสู่พฤติกรรมรวมหมู่ที่ส่งผลกระทบในภาพใหญ่ โดยได้แรงบันดาลใจจากธรรมชาติ เช่น อาณาจักรมด หรือฝูงนก

• Swarm Intelligence: สาขาหนึ่งใน AI ที่ศึกษาพฤติกรรมรวมของระบบแบบ decentralized ที่self-organisedได้ ซึ่งสามารถแก้ปัญหาที่ซับซ้อนผ่านปฏิสัมพันธ์อย่างง่ายระหว่าง Agents

• Coordination: กระบวนการที่ Agent หลายตัวทำงานร่วมกันเพื่อบรรลุเป้าหมายร่วมหรือชุดเป้าหมาย ในบริบทของ AI coordiantionเกี่ยวข้องกับกลไกทางเทคนิค เช่นการสื่อสาร การเจรจาต่อรอง กระบวนการส่งผ่านข้อมูล หรือกลยุทธ์ร่วม

• Multi-Agent Systems (MAS): ระบบที่ประกอบด้วย Agents หลายตัวที่ปฏิสัมพันธ์กัน โดยการประสานงานเป็นกุญแจสำคัญในการบรรลุจุดประสงค์หรือแก้ปัญหาที่ซับซ้อนเกินกว่าตัวแทนเดียวจะทำได้ ระบบ MAS ที่ดีจะสร้างผลลัพธ์ที่ยอดเยี่ยมกว่า Agent ใดๆเพียงตัวเดียวในระบบเสมอ

• Decentralized Control: แนวทางการประสานงานที่ไม่มีentityใดมีการควบคุมทั้งหมด แต่การตัดสินใจทำโดยกลุ่ม มักผ่านกฎหรือปฏิสัมพันธ์ในภาพย่อยระหว่าง Agents ด้วยกันเอง

• Emergent Behavior: พฤติกรรมระบบที่ซับซ้อนที่เกิดขึ้นจากปฏิสัมพันธ์ของ Agent ที่เรียบง่ายที่ทำตามกฎในภาพย่อย ไม่ได้เกิดจากคำสั่งส่วนกลางหรือพฤติกรรมที่ถูกโปรแกรมไว้ล่วงหน้า

• Stigmergy: รูปแบบของการประสานงานทางอ้อมที่ Agentปรับเปลี่ยนสภาพแวดล้อม และการกระทำต่อมาของ Agent อื่นๆ ได้รับอิทธิพลจากการเปลี่ยนแปลงเหล่านี้ ตัวอย่างเช่น การสร้างเส้นทางของมด

• Consensus Algorithms: วิธีการที่ใช้ในการประสานงานเพื่อให้บรรลุข้อตกลงระหว่าง Agent หรือระบบ Decentralized มักพบในเทคโนโลยี blockchain แต่สามารถประยุกต์ใช้กับ AI swarms สำหรับการตัดสินใจ

• Task Allocation: ในระบบ swarm เกี่ยวข้องกับการกระจายงานระหว่าง Agents ตามความสามารถ สถานะปัจจุบัน หรือสภาพแวดล้อมเพื่อเพิ่มประสิทธิภาพโดยรวม

• Communication Protocols: วิธีการหรือกฎที่ Agents ใน swarm หรือระบบที่ประสานงานใช้แลกเปลี่ยนข้อมูล สำคัญสำหรับการทำงานเป็นทีมที่มีประสิทธิภาพ

• Cooperation vs. Competition: ในการประสานงาน AI Agents อาจร่วมมือกันเพื่อบรรลุเป้าหมายร่วมกันหรือแข่งขันเพื่อทรัพยากรหรือความสำเร็จส่วนตัว ส่งผลต่อวิธีการพัฒนากลยุทธ์การประสานงาน

• Self-Organization: กระบวนการที่ระบบของ Agent เพื่อความเป็นระเบียบ เป็นโครงสร้างที่เกิดขึ้นโดยไม่มีการแทรกแซงจากภายนอก เป็นแง่มุมสำคัญของ swarm intelligence

• Distributed Problem Solving: แนวทางที่ปัญหาถูกแบ่งย่อยเป็นปัญหาย่อยที่แก้ไขโดย Agent ต่างๆ โดยผลลัพธ์ถูกรวมกันเพื่อสร้างทางแก้สำหรับปัญหาที่ใหญ่กว่า

• Negotiation: กระบวนการที่ Agent บรรลุข้อตกลงผ่านการสนทนาหรือแลกเปลี่ยนข้อเสนอ สำคัญสำหรับการประสานงานในสภาพแวดล้อมที่เปลี่ยนแปลงหรือขัดแย้ง

• Collective Learning: เมื่อ Agent แต่ละตัวเรียนรู้จากกันและกันหรือจากประสบการณ์รวมของ swarm นำไปสู่การปรับปรุงประสิทธิภาพหรือการปรับตัว

• Scalability: ในระบบ swarm หมายถึงความสามารถในการรักษาหรือปรับปรุงประสิทธิภาพเมื่อจำนวน Agent เพิ่มขึ้น เป็นความท้าทายสำคัญในการประสานงาน

• Robustness: ความสามารถของระบบ swarm หรือระบบที่ประสานงานในการรักษาการทำงานแม้เมื่อ Agent บางตัวล้มเหลวหรือสภาพแวดล้อมเปลี่ยนแปลงโดยไม่คาดคิด

• Boids: โมเดลสำหรับจำลองพฤติกรรมการรวมฝูงในกลุ่มสัตว์ แสดงให้เห็นว่ากฎง่ายๆ สามารถนำไปสู่พลวัตกลุ่มที่ซับซ้อน เช่น การหลีกเลี่ยง การจัดแนว และการรวมกลุ่ม

• Particle Swarm Optimization (PSO): อัลกอริทึมการหาค่าเหมาะสมที่ได้แรงบันดาลใจจากการบินรวมฝูงของนก ใช้ในการแก้ปัญหาที่ซับซ้อนในการหาค่า/Actionเหมาะสมที่ Agent ควรใช้งานหรือปฎิบัติตวามข้อมูลที่รับรู้ในระดับภาพย่อยโดยสามารถปรับเปลี่ยนตามสถานการณ์ภาพใหญ่ได้ตลอดเวลา (ผลลัพธ์หนึ่งเรียกว่า particle) เช่น การปรับเส้นทางตามตำแหน่งที่ดีที่สุดที่รู้จักของตัวเองและตำแหน่งที่ดีที่สุดที่รู้จักของทั้ง swarm ของฝูงนก โดยดูจากความเร็วและทิศทางการบินปัจจุบันขอทั้งตัวเองและตัวอื่นๆรอบข้างในระยะใกล้เคียง

ว่าด้วย AI Agents

AI Agent คืออะไร (ขยายความ)

AI agent คือ Application หรือ Software programme ที่ออกมาแบบมาให้ปฏิบัติงานบางอย่างเพื่อให้บรรลุเป้าหมายของ Users แต่สิ่งที่ทำให้ AI agent แตกต่างจาก Application ทั่วๆไปคือ การที่ Users ไม่จำเป็นต้องระบุขั้นตอนการทำงานโดยละเอียดให้กับ AI agent เพื่อให้เป้าหมายสำเร็จ AI agent จะรับเอาเป้าหมายในภาษามนุษย์จาก Users ตีความและทำความเข้าใจคำสั่ง วิเคราะห์ State ปัจจุบันและสิ่งแวดล้อมซึ่งรวมถึงชุดข้อมูลที่มีและfunctionsของตนเอง เพื่อตัดสินใจและสร้างขั้นตอนการปฏิบัติงานนั้นด้วยตนเอง ในอีกแง่หนึ่ง เราสามรถมอง AI Agent เป็น function bot ที่สามารถใช้ LLM/RAG (ที่มักเรียกว่า AI ในบริบทปัจจุบัน) รับคำสั่งภาษามนุษย์ ทำความเข้าใจคำสั่งและบริบท (Perception and Reasoning) และปฏิบัติงานตามคำสั่ง (Action) และยังสามารถรับ feedback เพื่อปรับปรุงการกระทำได้ด้วยตนเอง (Self-Learning)

หากเราจะลอง oversimplify โครงสร้าง AI agent เพื่อให้ง่ายต่อความเข้าใจ และละ Communication core ที่ใช้ในการสื่อสารไว้ มันจะประกอบด้วย สามส่วนใหญ่ๆคือ

1. Input Sensing & Perception Core - ส่วนการรับรู้ ซึ่งรวมทั้ง เป้าหมาย, User Input, การรับรู้ State ปัจจุบัน, และสิ่งแวดล้อมผ่าน sensors

2. Data Processing & Memory Core - ส่วนการใช้เหตุผลเพื่อประมวล data สร้างขั้นตอนปฎิบัติงาน และ การตัดสินใจ ในส่วนนี้จะรวมถึงการดึงเอาประสบการณ์เพื่อ Self-Learning มาใช้งานด้วย

3. Action Core - การตอบสนองหรือการปฏิบัติงานผ่าน tool ที่สามารถเข้าถึงได้ เช่น การ generate texts และ post บน Twitter, การซื้อขาย tokens, หรือการ generate รูปภาพและเผยแพร่ ซึ่งสามารถทำได้ผ่าน API ที่ได้รับอนุญาติให้ใช้งาน

ภาพแรกนี้แสดงถึงการสื่อสารและส่งผ่านข้อมูลระหว่าง AI Agent และ sources ต่างๆ ที่นำไปสู่การประมวลผลและตัดสินใจ ก่อนที่จะเกิด Action

ภาพที่สองแสดงถึง feedback loop ที่ทำให้เกิด Self-Learning โดยส่วนมาก AI Agent จะเก็บ log ผลลัพธ์ของ Action ไว้ในส่วนของ Memory เพื่อให้สามารถกลับนำมาใช้งานเป็น Input ได้ โดย Memory core ที่ดีจะต้องได้รับการกรองอย่างสม่ำเสมอเพื่อให้ ข้อมูลที่เก็บไว้มีแต่ข้อมูลที่ยังเป็นประโยชน์อยู่เท่านั้น

ภาพที่สามคือตัวอย่างแผนผังการทำงานของ Utility-Agent ที่สามารถ Planning และ Reasoning ได้ทำให้เกิดการวางแผนแบบเป็นขั้นตอนเพื่อให้บรรลุเป้าหมาย และยังมีการ monitor Environment และ State เพื่อปรับเปลี่ยนแผนการในทุกๆ iteration

Agents, Tokens, Utility, Framework, Infrastructure (หรือ Meme) ตกลงยังไงกัน?

โอเค ตอนนี้มันมี Tokens ที่เกี่ยวข้องกับ AI Agents อยู่เต็มไปหมด โดยส่วนมากก็จะมี X chatbot ที่โต้ตอบกับ CT (Crypto Twitter) ที่บางตัวก็เหมือนจะเป็นการตอบคำถามเกี่ยวกับการ trade หรือบางตัวก็เป็นเพื่อความบันเทิงเพียงอย่างเดียวไม่ได้มีสาระอะไร และเราจะจัดกลุ่ม AI Agent tokens พวกนี้ได้อย่างไรบ้าง

และนอกเหนือจากกลุ่ม AI Agent ก็จะเป็นกลุ่มที่เรียกว่า AI Agent Framework หรือ Infrastructure เช่น $AI16Z หรือ $VIRTUAL

ในส่วนนี้ผมจะแบ่งขั้นตอนการจัดกลุ่มเป็น 4 ขั้นตอนผ่านสมมุติฐานว่าเราได้กรองเอา AI projects มาไว้ก่อนแล้วเพื่อเอาเฉพาะ AI Agent มาดูกันต่อไป โดยเริ่มง่ายๆจากคำถามดังต่อไปนี้:

1. มี AI Agent หรือเปล่า?

2. ตัว AI Agent มี Functions หรือเปล่า?

3. Functions นั้นเกี่ยวข้องกับ Tokens หรือเปล่า?

* การประเมิน Tokens ต่างๆ ขอให้ใช้เป็นเพียงตัวอย่างเท่านั้นนะครับ เพราะ space นี้พัฒนาเร็วมากและอาจมีการเปลี่ยนแปลงเกิดขึ้นระหว่างช่วงรวบรวมข้อมูลกับช่วงปล่อยบทความมากแล้วก็ได้

1. มี AI Agent หรือเปล่า?

คำถามแรกคือเราจะมาดูกันว่า โปรเจค AI ที่ว่านี้มี Tokenized AI Agent หรือไม่ใช่ ซึ่งอาจจะเป็น Infrastructure / Framework หรือ อื่นๆ

วิธีแยกของผมก็คือดูสิ่งต่อไปนี้:

• วิธีการใช้งาน เป็นการป้อนคำสั่งตามแบบ Traditional Application หรือไม่?

• แสดงให้เห็นถึงการตัดสินใจและการปรับเปลี่ยน Action ตามสิ่งแวดล้อมอย่างอัตโนมัติหรือไม่?

• แสดงถึงการเรียนรู้จาก feedback โดยอัตโนมัติหรือไม่?

ทีนี้เราเลือกโปรเจคมากลุ่มหนึ่งละลองจัดวางด้วยคำถามข้างต้นดู ซึ่งผมเอามาจาก Tweet นี้

$METAV, $RM9000, $FARTCOIN, $ZEREBRO, $AIXBT, $ALCH, $REI, $TRUST, $ELIZA, $AI16Z, $VADER, $VIRTUAL, $SANTA, $GRIFFAIN

และผมก็เพิ่ม Mozaic Finance $MOZ, H4CK Terminal $H4CK, และ $NICK ที่เป็น Meme เข้าไปด้วยเพื่อให้สิ่งที่จะพูดถึงต่อไปอยู่ในชุดเดียวกัน

ซึ่งคำตอบของผมออกมาดังนี้ครับ

จะเห็นว่ากลุ่มที่เป็น AI Agent คือ$RM9000, $ZEREBRO, $AIXBT, $ALCH, $REI, $TRUST, $ELIZA, $VADER, $SANTA, $MOZ, $H4CK

ในขณะที่กลุ่มที่ไม่ใช่ AI Agent คือ

$METAV และ $FARTCOIN - Meme coins ที่ถูกสร้างขึ้นโดย AI Agent

$AI16Z - Token ตัวแทนของ ai16z dao ที่เกี่ยวข้องกับ Eliza Framework

$NICK - Meme อีกตัวหนึ่งที่ CTO โดย Allora community (ไม่ใช่ Allora Labs) และมีความตั้งใจจะทำให้เป็น Token ตัวแทนของ Community Co-owned AI Agent ที่ยังไม่เกิดขึ้น

2.ตัว AI Agent มี Function หรือเปล่า?

หากเรานับการ yapping บน Twitter เป็น Function ด้ววยแล้วก็ AI Agent ทุกตัวในข้อที่ผ่านมาก็คงจะเป็น AI Agent with Utility กันหมด

แต่ถ้าไม่นับ yapping ตัว AI Agent with Utility ที่จะเหลืออยู่คือ $ZEREBRO, $AIXBT, $ALCH, $REI, $TRUST, $VADER, $SANTA, $MOZ, $H4CK

ซึ่งในกลุ่มนี้ก็รวมไปถึงตัวที่รวบรวม Data ผ่าน API และเลือกนำมา yap tweet อย่าง $VADER และ $ALCH ที่เป็น platform สำหรับสร้าง application ผ่านภาษามนุษย์ และ $MOZ ที่เป็น AI Fund Manager ที่ไม่มี yapper outlet บน X อยู่ด้วย

อีกกลุ่มหนึ่งที่ค่อนข้างจะอยู่ระหว่าง yapper กับ utility คือ $LUNA และ $LUCY ที่เป็น Influencer Agent ซึ่งมีหน้าที่ entertainment แต่เป็นไปเพื่อชื่อเสียงและความเป็นที่รู้จักของตัว Agent ซึ่งอาจจะนำมาซึ่ง Utility ในภายหลัง

ในขณะที่กลุ่มที่ถูกมองว่าไม่มี AI Agent แต่มี Utility ประกอบด้วย $AI16Z

จะเห็นว่าการประเมินว่า AI Agent มี Utility หรือเปล่านั้นขึ้นอยู่กับความเข้มงวดของเกณฑ์อย่างมาก ซึ่งหากมองว่า utility ของ AI Agent คือ price action และ narrative play ก็สามารถลืมๆที่ผมเขียนในไว้ข้อนี้ได้เลยครับ

3.Function นั้นเกี่ยวข้องกับ Tokens หรือเปล่า?

แม้ว่า AI Agent จะมี Utility แต่ไม่ได้แปลว่า Tokens ที่ผูกติดกับ AI Agents นั้นจะมี Utility หรือเชื่อมโยงกับ Utility ของ AI Agent ไปด้วย

ในกลุ่มที่ได้พูดถึงในสองข้อที่ผ่านมา มี $ZEREBRO, $AIXBT, $ALCH, $TRUST, $MOZ, และ $H4CK ที่ตัว Tokens มี Utility โดย

• $ZEREBRO - จ่ายค่าใช้ platform ด้วย $ZEREBRO

• $AIXBT - holder เข้าถึง private terminal ที่มาพร้อมกันความสามารถในการวิเคราะห์ที่มากกว่า

• $TRUST - 100k holder จะได้รับ trade signal ก่อนคนอื่น

• $ALCH - เป็นค่าใช้จ่ายในการใช้งาน platform สร้าง application ด้วย AI

• $VADER - fee จาก fund management platform จะถูกนำมา buy back & burn

• $MOZ - staker จะได้รับ yield ที่มาจากส่วนแบ่งของรายได้จาก Fund management

• $H4CK - staker จะได้รับ yield ที่มาจากส่วนแบ่งของ bounty จากการทำ white-hat hack

สำหรับตัวๆอื่นๆ รวมถึง $AI16Z นั้น แม้ว่าตัว project จะมีหรือไม่มี Utility ตัว Tokens ก็ไม่ได้เชื่อมโยงกับ Utility นั้นๆแต่อย่างใด ($CONVO และ $GAME ที่เป็น tokens ตัวแทนของ Framework สำคัญของ Virtuals ก็อยู่ในสถานะนี้เช่นกัน) แต่นั้นก็ไม่ได้แปลว่าจะไม่มีการเปลี่ยนแปลงในเกิดความเชื่อมโยง อย่างเช่นในกรณีของ $AI16Z ที่มีแผนการจะปรับปรุง tokenomics และอีกตัวอย่างหนึ่งที่เห็นได้ชัดคือ $MAX ซึ่งเป็น AI Agent ของ Oraichain ที่เริ่มต้นจากการเป็น AI Agent yapper บน Twitter ก่อนที่จะเพิ่ม Functionalities เข้าไปในรูปแบบของ AI Prediction Market และ การใช้ $MAX เพื่อรับสิทธิ์พิเศษต่างๆบน agentdotland AI Agent launchpad

Level of AI Agent

ระหว่างการสัมภาษน์ของ Jansen Teng จาก Virtuals Protocol กับ Bankless นั้น Jansen ได้กล่าวถึง level of AI Agent ว่ามี 5 - 6 ระดับ โดยถึงแม้ framework ตรงนี้จะยังไม่แน่ชัดนักด้วยความใหม่ของ AI Agent แต่เขาได้ประเมินว่า $LUNA คือ AI Agent level 3 ที่มีเป้าหมายเป็นของตัวเองและสามารถวางแผนกำหนด Actions เพื่อให้บรรลุเป้าหมายอย่างอัตโนมัติได้ โดยต้องการความช่วยเหลือจากมนุษย์เป็นบางครั้งเท่านั้น

แล้ว level ที่ว่ามีนิยามคร่าวๆอย่างไรบ้าง ผมได้สรุปเอาไว้ด้านล่างครับ

• Level 1 - Rule-Based Agents: ทำงานได้ตามคำสั่งและบริบทที่ชัดเจนและเป็นขั้นเป็นตอน โดยใช้เพียงความสามารถมนการรับรู้ข้อมูลและปฏิบัติตามคำสั่งเท่านั้น (Perception & Actions)

• Level 2 - Learning Agents: สามารถพัฒนาประสิทธิภาพผ่านประสบการณ์ ใช้เทคนิคอย่าง reinforcement learning เพื่อปรับปรุงพฤติกรรม รับคำสั่งที่ชัดเจนพร้อมบริบท แต่ก็สามารถตัดสินใจเพิ่มขั้นตอนที่จำเป็นเพื่อทำคำสั่งให้สำเร็จได้

• Level 3 - Planning Agents: AI ขั้นสูงขึ้นมา ที่สามารถเรียนรู้ รับข้อมูล ตัดสินใจ และมีหน่วยความจำ สามารถเข้าใจ State, สภาพแวดล้อม, Functions, patterns ต่างๆได้ด้วยตนเอง เพื่อวางแผนขั้นตอนเพื่อกำหนด Actions ที่จะทำให้บรรลุเป้าหมายได้โดยอัตโนมัติ (Memory & Reflection)

• Level 4 - Reasoning Agents: มีความสามารถในการเรียนรู้จากประสบการณ์ Self-Learning และสามารถประยุกต์ใช้สิ่งที่เรียนรู้ในสถานการณ์ใหม่ที่ไม่เคยพบมาก่อน (Generalization) ด้วยการใช้ knowledge bases และ inference engines จากความเข้าใจในบริบทของ Users

• Level 5 - General-Purpose Agents: มีความยืดหยุ่นระดับมนุษย์ในหลากหลายด้าน สามารถถ่ายโอนความรู้ระหว่างงาน เข้าใจบริบท และจัดการปัญหาแทน Users ได้โดยอัตโนมัติ สามารถเป็นตัวแทนของ Users ในการเข้าถึง Software/Applications อื่นๆ และทำงานร่วมกับ AI Agent ตัวอื่นๆเพื่อบรรลุเป้าหมายอย่างปลอดภัยและไว้ใจได้

ในความเห็นของผม AI Agent ที่น่าสนใจจะต้องอยู่ที่ level 3 เป็นต้นไป (หรือมี roadmap ที่จะไปให้ถึงอย่างน้อย level 3) เพราะเป็นระดับที่ AI Agent สามารถรับเอาเป้าหมายและคิดหาหนทางเพื่อที่จะบรรลุเป้าหมายนั้นได้โดยอัตโนมัติ โดยต้องการการแทรกแซงของมนุษย์เพียงเล็กน้อย แม้จะยังต้องใช้ความช่วยเหลือจากมนุษย์ในการเพิ่ม Functions/Capabilities ที่เป็นเครื่องมือเพื่อ take Actions อยู่

LLM & RAG Engine - AI เข้าใจภาษามนุษย์และควบคุม personality ได้อย่างไร

ความสามารถในการเข้าใจภาษามนุษย์ทั้งในแง่ความหมายของข้อความและบริบทนั้นเป็นกลไกสำคัญที่ทำให้ AI Agent สามารถเรียนรู้จาก data บน Internet ที่เป้นภาษามนุษย์และตอบสนองความต้องการของ Users ได้อย่างถูกต้องและแม่นยำ และนี่คือหนึ่งในความสามารถที่ทำให้ AI Agent ต่างจาก Bot ทั่วไปที่ทำตามคำสั่งที่ชัดเจนและเป็นขั้นเป็นตอนเท่านั้น และเพื่อให้ทุกคนเข้าใจการทำงานของ AI Agent ในส่วนนี้เราจะพูดถึง เทคโนโลยี RAG (Retrieval-Augmented Generation) ได้เข้ามาเพิ่มพลังให้กับการใช้งาน NLP และ LLM อย่างมีนัยสำคัญ และเป็นจุดเริ่มต้นของความเป็นไปได้ในการพัฒนา AI Agent

Machine Learning

ก่อนอื่นขอเริ่มจาก diagram ด้านล่างที่แสดงการทำงานแบบคร่าวๆของ Machine Learning model ที่เป็นพื้นฐานของ LLM ก่อนจะไปเป็น RAG และ AI Agent

กระบวนการจะเริ่มจากการกำหนดเป้าหมายที่ต้องการหาคำตอบ, รวบรวมและเตรียมความพร้อมของ dataset, เลือก algorithm ที่เหมาะสม, ประเมินคุณภาพของผลลัพธ์ และปรับเปลี่ยนน้ำหนักของข้อมูลแต่ละชนิด (feature) เพื่อให้ได้ผลลัพธ์ที่ดีที่สุด

diagram อีกภาพด้านล่าง แสดงให้ภาพเมื่อพูดถึง weight ของแต่ละ feature ซึ่งจะเปลี่ยนแปลงในแต่ละ iteration

แต่การ design Machine Learning system นั้นไม่ได้จบเพียงเท่านี้เพราะยังต้องมีการปรับ hyperparameters และ การวางระบบ feedback loop ที่ต้องทำงานได้อย่างมีประสิทธิภาพซึ่งจะยังไม่กล่าวถึงในบทความนี้

NLP & LLM

ต่อมาเราจะไปดูการสร้าง LLM ซึ่งสามารถสรุปแบบย่อๆได้ตาม steps ที่แสดงใน flowchart ด้านล่างนี้ และผมจะสรุปย่อให้สั้นลงอีกดังนี้

• 1 - 2: กำหนดเป้าหมายและเตรียม dataset

• 3 - 4: การเลือก model ที่เหมาะสมและ training

• 5 - 6: ใช้ Reinforcement Learning ในการฝึกให้ LLM มีการตอบสนองอย่างเหมาะสมและประเมินผลลัพธ์ในแต่ละ iteration

• 7 - 8: ปรับจูนขั้นสุดท้ายเพื่อเตรียมความพร้อม, เปิดใช้งาน, และ monitor คุณภาพและประสิทธิภาพเพื่อใช้เป็น input ในการพัฒนา model รุ่นต่อไป

ในขั้นตอนการเตรียม data ก่อนทำการ training สิ่งที่เกิดขึ้นคือการ tokenization และ Embedding ที่แปลงคำ ข้อความ หรือ บางส่วนของข้อความให้เป็น vectorหลายมิติ เพื่อให้ model สามารถรับรู้ถึงคำอื่นๆที่ใกล้เคียงและเกียวข้องในหลากหลายบริบท ซึ่งสามารถทำให้พอเห็นภาพได้จาก vector 3 มิติ ด้านล่างนี้ ซึ่งวางตำแหน่งของคำว่า King ไว้ใกล้ Queen และ Man มากกว่า Woman และ Woman ก็ยังคงอยู่ใกล้ Man และ Queen มากกว่า King

และในการ training สิ่งที่เกิดขึ้นการที่ embedded tokenized dataset ถูกส่งผ่าน transformer ที่มาพร้อมกับ Attention mechanism ซึ่งเป็น Neural Network architecture รูปแบบหนึ่งที่ใช้ในการสร้าง LLM และสิ่งที่ได้คือ probability ของคำหรือข้อความที่เกี่ยวข้องกับคำหรือข้อความที่กำลังถูกพิจารณา ภาพด้านล่างพอจะแสดงให้เห็นการทำงานแบบขั้นพื้นฐานอยู่บ้าง

เราจะหยุดการอธิบายการทำงานของ LLM ไว้เท่านี้ก่อนเพื่อไม่ให้บทความนี้ technical จนเกินไป

RAG model

ไปดูต่อกันที่ RAG ซึ่งเป็นการประยุกต์ใช้ Attention เพื่อควบคุม scope ของการตอบสนองของ LLM ด้วยคลังความรู้ที่เกี่ยวข้องและเชื่อถือได้ ซึ่งปิดจุดบอดเรื่อง Hallucination ความไม่ทันสมัยของ data ที่ใช้ในการ train LLM และเพิ่มความน่าเชื่อถือด้วยการใช้ reference ซึ่งในความเห็นของผม นี่คือจุดแรกของการที่เราจะสามารถเริ่มเรียกระบบตัวนี้ว่า AI Agent ได้แล้ว

ภาพด้านล่างแสดง Smart search ที่เพิ่มเข้ามาขั้นกลางระหว่าง User กับ LLM ซึ่งก็คือ RAG Engine ที่ดึงเอาข้อมูลจากคลังความรู้ที่เกี่ยวข้องกับ prompt ไปป้อนให้ LLM เพื่อให้ได้คำตอบที่คุณภาพดีขึ้น

การพัฒนาในส่วนนี้ยังสามารถทำให้ดีได้มากขึ้นไปอีกจากการใช้ Knowledge Graph ที่เป็นเหมือนการสรุปเอา key words ของคลังความรู้ เพื่อให้การค้นหาคำที่เกี่ยวข้องนั้นใช้ computing power น้อยลงและทำได้รวดเร็วขึ้น

แต่ข้อเสียของการใช้ knowledge graph คือเราสูญเสียการเข้าถึงคลังความรู้ที่มีความละเอียดไปและอาจทำให้พลาดการอ้างอิงบริบทบางอย่างหรือข้อมูลที่ทันสมัยกว่าข้อมูลที่ใช้ในการ train ตัว LLM ได้ ซึ่งสามารถแก้ไขได้ด้วยการผสานทั้ง Knowledge graph และคลังความรู้ที่อาจจะเล็กลงกว่าในรูปแบบแรกเพื่อความสมดุล

ซึ่งคลังความรู้แบบใหม่นี่จะเข้าไปแทนที่ของเดิมและทำให้การค้นหาข้อมูลรวดเร็วขึ้นแต่อาจจะต้องแลกมาด้วยความต้องการ memory ที่มากขึ้นเพื่อจัดเก็บทั้งข้อมูลและ Knowledge graph

ขออนุญาตแทรกขายของแบบไม่อ้อมค้อม สำหรับผู้ที่สนใจเกี่ยวกับ data storage infrastructure แบบ decentralized solution ที่ถูกออกแบบมาเพื่อรองรับ AI application โดยเฉพาะ ผมขอนำเสนอ 0G storage จาก 0G labs ที่เป็นฐานข้อมูลบน blockchain ที่เพิ่มขนาดได้อย่างไร้ขีดจำกัด และสามารถดึง data ได้อย่างรวดเร็วด้วย Dual-lane system for data management และ Layered storage architecture สามารถอ่านเพิ่มเติมได้ที่บทความแปลของผมที่ลิ้งค์นี้ครับ

0G กำลังพัฒนา Decentralized AI Operating System (dAIOS) แรกของโลกที่เป็นเหมือนกับ on-chain AWS ที่สามารถบริหารจัดการ workflow ของ AI โดยการประสานทรัพยากร storage, data availability และการคำนวณอย่างมีประสิทธิภาพผ่าน permissionless network ด้วยองค์ประกอบแบบ modular เพื่อตอบสนองความต้องการของ AI อ่านเพิ่มเติมเกี่ยวกับ 0G’s dAIOS ได้ที่ลิ้งค์นี้

การพัฒนาของ RAG ยังไม่สิ้นสุดเพียงเท่านี้ เพราะยังมีการพยายามอย่างต่อเนื่องที่จะเพิ่มประสิทธิภาพในการทำงานของ RAG Engine จากหลายๆทีมงาน ทั้งเจ้าใหญ่อย่าง OpenAI, Deepmind, หรือ Anthropic และ AI startup หลากหลาย project อีกด้วย

Contextual Retrieval Preprocessing from Claude AI

ผมจะขอยกตัวอย่าง solution ของ Anthropic ที่เป็นผู้พัฒนา Claude AI กับการเพิ่มความเข้าใจบริบทด้วย Contextual Retrieval Preprocessing ตามรูปด้านล่างครับ

ในการจัดเก็บข้อมูลในคลังความรู้ก่อน ข้อมูลจะถูกแบ่งเป็น chunk เล็กๆเพิ่อการจัดเก็บที่มีประสิทธิภาพ ที่เราเห็นใน Corpus ในรูปด้านบน ซึ่งข้อเสียของวิธีการนี้ก็คือการสูญเสียความเชื่อมโยงของบริบทเมื่อข้อมูลบางอย่างถูกตัดแบ่งออกจากกัน

สิ่งที่ Claude AI นำเสนอคือการใช้ LLM สรุปความแต่ละบทความก่อนตัดแบ่งออกเป็น chunk และเพิ่มบทสรุปนั้นไปบน chunk ด้วยเพื่อรักษาบริบทเอาไว้ การทำแบบนี้ช่วยให้ RAG Engine สามารถหาความเชื่อมโยงได้แม่นยำมากขึ้นนั่นเอง

Automatic Chain-Of-Thought

อีกหนึ่งเทคนิคในการพัฒนา LLM และ RAG Engine คือ Chain-Of-Thought ซึ่งเป็นการแบ่ง prompt ของ Users ออกเป็นส่วนย่อยๆที่เรียงกันเป็น steps จากนั้น LLM จะวางแผนเส้นทางการตอบคำถาม และดึงเอาเครื่องมือและข้อมูลที่มีมาใช้ตอบคำถามทีละ step เพื่อใช้คำตอบจาก step ที่ผ่านมาเพื่อช่วยตอยคำถามใน step ถัดไป ด้วย Automatic Chain-Of-Thought, model สามารถแบ่งคำถามเป็น steps ได้โดยอัตโนมัติ ภาพด้านล่างแสดงตัวอย่างการทำงานของ Chain-Of-Thought

การสร้าง Personality

มาถึงตรงนี้ทุกคนก็คงพอจะเดากันได้แล้ว ว่าการสร้าง personality ก็คือการ upload ข้อมูลของ lore ที่ต้องการไม่ว่าจะเป็นประวัติของ AI Agent, วิธีการใช้คำพูด, และลักษณะนิสัย และให้ RAG Engine ดึงเอาส่วนนี้ไปใช้ทุกครั้งก่อนส่งต่อไปที่ LLM เพื่อสร้างการตอบสนอง หากการตอบสนองยังไม่ดีพอการ fine-tune LLM เพื่อฝึก AI Agent ก็เป็นอีกทางเลือกหนึ่ง

ส่วนประกอบของ AI Agent (อ้างอิงจาก virtuals’ framework)

เนื้อหาส่วนนี้ได้แรงบันดาลใจมากจากการสัมภาษน์ของ Jansen Teng จาก Virtuals Protocol กับ Bankless อีกครั้ง ซึ่ง Jansen ได้อธิบายถึง modules ที่เป็นดั่ง “สมอง” ของ Luna Influencer AI ที่ถูกใช้ในการวางแผนเพื่อให้บรรลุเป้าหมายในการมี 100,000 followers

ทั้ง 4 modules ประกอบไปด้วย

• High-level planner module: ส่วนนี้มองไปที่เป้าหมาย รับรู้ State, Environment, และ Functions ของตัวเอง เพื่อวางแผนและตัดสินใจ ว่าจะต้องทำอะไรบ้างเพื่อให้บรรลุเป้าหมาย และส่งแผนการนี้ไปที่ Low-level planner

• Low-level planner module: รับแผนการมา และแย่งย่อยแผนเป็นขั้นตอนที่สามารถ take Actions ได้ อย่างเป็นขั้นเป็นตอน เช่น หากแผนการคือการ tweet ขั้นตอน 1. เตรียมข้อความ 2. เชื่อมต่อ API 3. เรียกใช้ API เพื่อ tweet 4. เก็บสถิติ engagement etc.

• Short-term working memory module: รับผิดชอบในการรักษาลำดับขั้นตอนที่ถูกต้องเพื่อให้ Actions นั้นสมเหตุสมผลกับสิ่งที่ทำไปก่อนหน้า เช่น เมื่อตั้งใจจะ tweet หลังจากเตรียมข้อความแล้ว สิ่งถัดไปก็คือการ tweet ไม่ใช่การนำข้อความไปตอบคำถามบน terminal เป็นต้น

• Long-term working memory module: การเก็บ log journal เพื่อนำมาใช้ในการ self-learning ซึ่งรวมไปถึงบทสนทนา บริบท environment และ impact ของ Actions ต่อ States เพื่อนำไปใช้ในการวางแผนต่อไป

และเราสามารถดูการวางแผนต่างๆที่เป็นส่วนของ planning module ได้ที่ terminal ของ Luna

แน่นอนว่านี่เป็นเพียงส่วนหนึ่งของ cores ต่างๆที่เป็นส่วนประกอบของ AI Agent ส่วนอื่นๆที่อาจจะมีส่วนเกี่ยวข้อง ซึ่งผมอ้างอิงมาจาก docs ของ Virtuals และ *เพิ่มเติมเองด้วย ซึ่งประกอบด้วย:

• Cognitive core: ส่วน “สมอง” ของ AI Agent ซึ่งประกอบไปด้วยทั้ง 4 modules ที่กล่าวถึงข้างต้น ที่กำหนดความคิดและpersonality ของตัว AI Agent ซึ่งเกิดมาจาก domain-specific datasets และการ fine-tuning LLM

• *Communication core: ส่วนการสื่อสารที่ประกอบด้วย ความสามารถในการทำความเข้าใจภาษามนุษย์และสร้าง internal prompt ที่ใช้สำหรับเตรียมการสื่อสารกับ Users เช่นการเขียนข้อความหรือสิ่งที่ต้องการสื่อสารกลับผ่านรูปภาพหรือanimation ตามที่ Cognitive core เห็นสมควร

• *Execution core: ส่วนแขนขาที่รวบรวมเอา Functions ที่ AI Agent สามารถทำได้ เช่น การเรียก Twitter API, การใช้งาน crypto wallet, การเรียกใช้ price forecast model, การ genearte รูป หรือ animation, etc

• *Memory core: ควบคุมการจัดเก็บและดึงข้อมูลที่จะถูกใช้งานโดย Cognitive core

• Learning module: ควบคุมการ self-learning ที่ใช้ในการสร้าง generalized knowledge ใหม่ซึ่งเป็นผลมาจากการทดลอง logs จากการ take Actions ต่างๆ, dataset ใหม่, และ feedback จากมนุษย์

• Voice core: ควบคุมการใช้งานการโต้ตอบแบบใช้เสียง

• Visual core: ควบคุมการปรากฏตัวของ AI Agent ในรูปแบบวีดีโอ หรือ animations ทั้งการแสดงออกทางสีหน้าและการแสดงท่าทาง

ซึ่งเราสามารถดูตัวอย่างการผสานงานของ core และ module ต่างๆเหล่านี้ได้ที่ diagram ของ $GAME by Virtuals ซึ่งเป็น Framework สำหรับการควบคุมพฤติกรรมของ AI Agent

Use Cases

ณ วันนี้ เราน่าจะพอได้เห็นตัวอย่างความสามารถของสิ่งที่ AI Agent สามารถทำได้กันบ้างแล้ว ซึ่งผมก็จะใช้ส่วนนี้ในการสรุป Use Cases ตามข้อมูลที่รวบรวมมาและแนวความคิดของผม โดยจะผนวกเข้ากับความเป็นไปได้ที่จะเกิดจากการนำ Multi-Agent system ซึ่งก่อให้เกิด Swarm Intelligence หรือ Collective Intelligence มาใช้ในการเพิ่มประสิทธิภาพของระบบโดยภาพรวมด้วย

ก่อนอื่นขอแนะนำตัว persona ซึ่งก็คือ…

NickdotAI คือ memecoin ที่ถูก CTO โดย Allora community (ไม่ใช่ Allora Labs) ที่อยากจะให้ $NICK เป็น Token ตัวแทนของ AI Agent ที่ทำอะไรซักอย่าง (ซึ่ง $NICK as a Token ก็จะยังเป็น meme ที่ไม่มี Utility) โดย Integrate สิ่งที่ Allora Network เป็นเข้ามาด้วย ซึ่ง Allora Network คือ Decentralized AI’s collective intelligence (swarms) และ Self-Improving layer ที่พร้อมเป็น Cognitive Core และ Learning Module ให้กับ NICK the Agent ซึ่งทำให้ความเป็นได้แทบจะไร้ขีดจำกัดทีเดียว

Disclaimer: ตัวอย่างด้านล่างเป็นเพียงการใช้ NICK เป็น persona เพื่อเพิ่มความน่าสนใจเท่านั้น ไม่ได้บ่งบอกถึงสิ่งที่ NICK จะพัฒนาไปเป็นแต่อย่างใด และ ณ วันที่เขียน NICK คือ meme ที่ไม่มี Agent และไม่มี Utility

• AI x DeFi:

  • Smart Contract Automation: $NICK สามารถควบคุมและใช้งาน Smart Contract ที่ซับซ้อนให้ Users โดยอัตโนมัติ และด้วยความสามารถในการ forecast โดยการใช้ AI with Collective Intelligence จาก Allora เพื่อปรับปรุงกลยุทธ์การทำ yield farming จะสะดวกและมีประสิทธิภาพมากขึ้น จากการจัดการสภาพคล่องอัตโนมัติด้วย AI ที่สามารถตรวจสอบสภาวะตลาดแบบ real-time เช่น ความผันผวนของราคา ปริมาณการซื้อขาย และการกระจุกตัวของสภาพคล่องภายในพูล เพื่อปรับตำแหน่งสภาพคล่องแบบไดนามิก (ตัวอย่างที่มีให้เห็นแล้วคือ $MOZ ที่ใช้ in-house AI สำหรับ fund management) โดยการวิเคราะห์แนวโน้มในอดีตและข้อมูลตลาดปัจจุบัน AI สามารถคาดการณ์การเคลื่อนไหวของราคาและจัดตำแหน่งสภาพคล่องใหม่เชิงรุกอย่างเหมาะสมที่สุดเพื่อรักษาผลตอบแทนระหว่างการเปลี่ยนแปลงของตลาด (อ่าานเพิ่มเติมเกี่ยวกับการประยุกต์ใช้ Allora ในการใช้งาน Defi application ได้ที่ลิ้งค์นี้)

  • Dynamic Fee Management: สำหรับ Defi Protocol ที่ต้องการความยืดหยุ่นในการปรับค่าธรรมเนียมตามสถานการณ์ AI Agent ที่ integrate กับ Allora สามารถจัดการกับปัญหานี้โดยใช้ models หลายตัวในรูปแบบ Collective Intelligence เพื่อปรับค่าธรรมเนียมโดยอัตโนมัติตามประเภทผู้ใช้ การแข่งขันเสนอสภาพคล่องในตลาด และความผันผวนที่คาดการณ์ของคู่การซื้อขาย สร้างผลเชิงบวกสำหรับ DEX ต้องการเพื่อดึงดูดสภาพคล่องเพิ่มเติมเพื่อป้องกันการขาดแคลนสภาพคล่อง

  • Risk Assessment and Fraud Detection: โดยการบูรณาการกับ Collective Intelligence ของ Allora, $NICK สามารถประเมินความเสี่ยงแบบ real-time สำหรับการให้กู้หรือการลงทุน และตรวจจับความผิดปกติที่อาจบ่งบอกถึงการฉ้อโกง โดยใช้เทคนิคเช่น Anomaly Detection ที่เพิ่มเติมด้วยความสามารถในการเข้าใจบริบท ที่จะลดความผิดพลาดในการตรวจจับ edge cases และปรับตัวให้เข้ากับสถานการณ์แบบที่ไม่เคยเจอมาก่อนได้ดียิ่งขึ้น

  • Prediction market managed by AI Agents: การสร้าง AI-driven prediction นั้นพอจะมีให้เห็นมาบ้างแล้วอย่างเช่น Soccersm บน Morph L2 ที่ใช้ AI ในการทำนายผลการแข่งขันฟุตบอลและให้เป็นแนวทางสำหรับการเล่นเกมนี้บน platform ด้วยความสามารถในการรับรู้บริบทของ Allora Network และการแยก topic สำหรับเรื่องที่สนใจ มันเป็นไปได้ที่จะสร้าง AI Agent ที่มีความสามารถในการควบคุม Prediction market ในหลายหัวข้อ และยังเป็น AI Agent ที่เรียนรู้ได้จากทั้งภาพรวมของแต่ละหัวข้อและภาพย่อยของแต่ละเกมอีกด้วย การใช้งานอีกรูปแบบหนึ่งคือใช้ AI Agent หาประโยชน์จากความไม่สมบูรณ์ของเกมที่เปิดให้เล่นอยูู่ อย่างทีมงาน Robonet เคยทำสำเร็จมาแล้วกับ Polymarket’s US Presidential election

  AI x Entertainment:

  • Personalized Content Creation: ใช้ AI Agent เพื่อสร้างหรือแนะนำเนื้อหาความบันเทิงที่ปรับแต่งตามความชอบของผู้ใช้ เช่น เพลย์ลิสต์ส่วนตัว คำแนะนำภาพยนตร์ หรือแม้กระทั่งงานศิลปะหรือ meme ที่สร้างโดย AI ตามความนิยมในชุมชน และด้วยพลังของ swarm ของ AI Agents จาก Allora Network การสร้างผลงานระดับ master piece ในแบบที่ไม่มี AI Agent ตัวใดเพียงตัวหนึ่งทำได้ ก็ดูเป็นการทดลองที่น่าสนใจมากทีเดียว

  • Interactive AI Characters: $NICK สามารถขับเคลื่อนตัวละครที่ควบคุมด้วย AI ในแพลตฟอร์มความบันเทิง นำเสนอประสบการณ์การโต้ตอบที่ผู้ใช้สามารถมีปฏิสัมพันธ์กับบุคลิก AI ที่พร้อมปรับเปลี่ยนไปตามสถานการณ์ $NICK สามารถสวมบทบาที่แตกต่างตาม character ที่เหมาะสมได้อย่างแม่นยำกว่า AI Agent จาก model เพียงหนึ่งเดียวซึ่งได้พิสูจน์ให้เห็นแล้วกับการทดลองเกี่ยวกับการสร้าง personality ของ AI Agent ตามมาตรฐาน MTBI ในลิ้งค์นี้

  AI x Gaming:

  • Dynamic Game Environments: $NICK สามารถสร้างสภาพแวดล้อมในเกมที่ควบคุมด้วย AI ซึ่งปรับตัวตามพฤติกรรมของผู้เล่น สร้างประสบการณ์การเล่นเกมที่ไม่ซ้ำกันในแต่ละครั้งขณะที่เรียนรู้จากการโต้ตอบของผู้เล่นเพื่อปรับปรุงความสมดุลหรือเรื่องราวในเกม และด้วย Collective Intelligence ความหลากหลายในความเป็นไปได้ก็แทบจะไม่มีที่สิ้นสุด ด้วยความสามารถในการหยิบใช้บริบทที่ต่างกันจาก model หลากหลายตัวที่ผสานงานกันบน Allora Network

  • AI Opponents and Allies: ใช้ตัวแทน AI เป็น NPC คู่ต่อสู้หรือพันธมิตรในเกม โดยใช้ความสามารถในการพัฒนาตนเองของ Allora เพื่อแปลงโฉมประสบการณ์การเล่นเกมที่ทแตกต่าง ทำให้ปฏิสัมพันธ์ระหว่าง NPC เปลี่ยนไปอย่างสิ้นเชิง เป็น NPC ที่พัฒนาไปพร้อมๆกับผู้เล่นและนำเสนอเรื่องราวที่น่าสนใจและความท้าทายใหม่ได้เสมอ ราวกับเป็นเพื่อนผู้เล่นคนหนึ่งที่พร้อมผจญภัยไปด้วยกันตลอดเวลา

  AI x Culture x Memes:

  • Meme Generation and Curation: เราสามารถใช้ AI เพื่อวิเคราะห์ trend ทางวัฒนธรรมในการสร้างหรือคัดเลือก meme ทำให้ $NICK เป็นส่วนสำคัญของวัฒนธรรม meme โดยการคาดการณ์ว่าอะไรจะได้รับความนิยมในอนาคต และด้วยความสามารถในการเรียนรู้บริบทการคาดการณ์จะแม่นยำมากขึ้น และเข้าถึงcommunityกลุ่มย่อยๆได้มากกว่า ในขณะที่ก็สามารถใช้ประโยชน์จาก trend ภาพใหญ่ไปได้พร้อมกัน ซึ่งเป็นความยืดหยุ่นที่ไม่สามารถบรรลุได้ด้วย Large model หรือ Small model เพียงตัวใดตัวหนึ่ง

  AI x Assistants:

  • Enhanced Generic/Sector-Specific Personal Assistants: $NICK สามารถเพิ่มประสิทธิภาพ AI Agent ที่เป็นผู้ช่วยส่วนบุคคลหรือผู้ช่วยทางธุรกิจด้วยความสามารถในการเรียนรู้อันลึกซึ้งบนบริบทที่หลากหลายจาก Allora Network $NICK จะสามารถตอบสนองได้อย่างสมเหตุสมผลและเสนอช่วยเหลือล่วงหน้าตามนิสัยและความชอบของผู้ใช้แต่ละคน แถมยังสามารถดึงเอาความเชี่ยวชาญในหลากหลายด้านจาก models แต่ละตัวอย่างผสมผสานเพื่อนำเสนอ solution ราวกับมีกลุ่มผู้เชี่ยวชาญในแขนงต่างๆมาเป็นที่ปรึกษาส่วนตัว

  AI x DON’T TRUST, VERIFY:

  • Blockchain Verification: การนำ AI มาใช้ในการตรวจสอบการทำธุรกรรม smart contract หรือความถูกต้องของข้อมูลบนเครือข่ายบล็อกเชน เพื่อให้มีความโปร่งใสและความไว้วางใจนั้นไม่ใช่เรื่องใหม่ แต่การที่เราสามรถใช้ประโยชน์จาก collective intelligence ที่จะดึงเอาความรู้จากภาพใหญ่และความเชี่ยวชาญเฉพาะระบบมาทำงานร่วมกัน จะยิ่งเสริมประสิทธิภาพการตรวจสอบให้แม่นยำมากขึ้น

  • Data Integrity in AI Training: เราสามารถให้ $NICK ช่วยตรวจสอบข้อมูลที่ใช้ในการฝึก AI ว่าถูกต้องและน่าเชื่อถือหรือไม่ด้วยการหาค่า correlation จาก models ต่างๆในระบบ ซึ่งลดอคติและเพิ่มความน่าเชื่อถือของโมเดล ในขณะเดียวกันก็สามารถใช้ $NICK เพื่อตรวจสอบข้อมูลที่ปลอมแปลงมาด้วยการจับ patterns ที่แตกต่างจากงานที่เป็น original ได้อีกด้วย และด้วยความสามรถมนการรับรู้บริบท ความครอบคลุมก็จะหลากหลายมากขึ้นตั้งแต่ ตรวจสอบ AI generated image / AI generated video / Deepfake ตามแต่เจตนาของผู้สร้าง

แน่นอนว่าด้านบนไม่ใช่ทั้งหมดของความเป็นไปได้ แต่เป็นสิ่งที่ผมเห็นว่าใกล้เคียงความเป็นจริงมากในระดับที่ผมสามารถจินตนาการไปถึง เรายังสามารถพูดถึงการใช้ AI ในทางการแพทย์หรือทางกฏหมายหรืออื่นๆอีกมากมายที่ผมไม่มีความเชี่ยวชาญมากพอ

Allora คือ Decentralized AI network ที่สามารถพัฒนาตัวเอง (Self-improving) ได้ด้วยการใข้ประโยชน์จาก การผสาน models ที่หลากหลายในรูปแบบ swarm ด้วย Inference synthesis mechanism ที่ก่อให้เกิด Collective Intelligence ที่ให้ผลลัพธ์ที่ดีกว่า model ที่ดีที่สุดเพียงตัวหนึ่งบน network

Allora ช่วยให้ Applications สามารถใช้ประโยชน์จาก AI ที่ฉลาดกว่าและปลอดภัยกว่าผ่าน network ของ ML models ที่พัฒนาตัวเองได้ ด้วยการรวมนวัตกรรม AI ที่ได้จาก crowdsourced intelligence, reinforcement learning, และ regret minimization

อ่านเพิ่มเติมเกี่ยวกับ Allora Network ได้ที่ลิ้งค์นี้

AI Agent เป็นมากกว่า price goes up narrative?

ในฐานะ Techno-optimist ผมตื่นเต้นมากกับการพัฒนาของ AI Agent โดยเฉพาะอย่างยิ่งในรูปแบบของ Decentralized AI ที่พัฒนากันบนโลกของ web3 และเหตุผลที่มองว่าทำไม AI Agent จะเป็น Narrative ที่ใหญ่ที่สุดในช่วงปีข้างหน้า

หลักจากการชนะเลือกตั้งประธานาธิบดีสหรัฐของ Donald Trump ปี 2025 จะเป็นปีแรกที่วงการ crypto จะไม่ถูกขัดขวางด้วยทุกวิถีทางจากผู้คุมกฏในประเทศที่มีพลังอำนาจสูงสุดในปัจจุบันและนั้นหมายถึงการที่ประเทศอื่นๆจะตามปรับตัวตามไปด้วย เราจะได้เห็นการเกิดขึ้นและเติบโตของ web3 projects อย่างที่ไม่เคยเห็นมาก่อน crypto OG จำนวนมากฝันถึง Defi Renaissance ที่กำลังจะมาถึงและผมก็เชื่อเช่นกันว่ามันจะมาถึงจริงๆ แต่ปัญหาของ web3 ในด้านประสบการณ์ใช้งานก็ยังอยู่ ซึ่งจะทำให้การเกิด adoption ช้าลงไป อีกทั้งยังมีคู่แข่งที่คุมตลาดไว้แล้วอย่าง Tradfi ที่ก็คงจะพยายามทำทุกวิถีทางเพื่อป้องกันการเสียส่วนแบ่งการตลาดเดิม และแย่งชิงส่วนแบ่งการตลาด Digital Assets อย่างที่เราก็ได้เห็นกันแล้วจากการออก ETF ในปี 2024

แต่ AI Agent นั้นแตกต่างออกไป เพราะนี่คือน่านน้ำใหม่ที่ยังไม่มีผู้ชนะหรือเจ้าถิ่นเดิม แม้ Big tech จะเป็นผู้นำอย่างเห็นได้ชัดในด้านการให้บริการ LLM แต่ applications ในระดับผู้ใช้งานทั่วไปในชีวิตประจำวันก็ยังจำกัดอยู่มาก และผู้เล่น web 2 ส่วนมากก็เป็น start-up ซึ่งไม่ต่างอะไรกับ web 3 และด้วยธรรมชาติของ application เหล่านี้ที่อาศัยอยู่บนโลก Internet ประสบการณ์การใช้งานที่นอกเหนือไปจากการเริ่มต้นครั้งแรกก็แทบจะไม่ต่างกัน อีกทั้ง web 3 AI Agent มีข้อได้เปรียบจากการมี Meme culture ที่คอยหนุนหลังและให้ feedback ต่อ project ทั้งโดยตรงผ่านคอมเม้นต์ต่างๆ และโดยอ้อมผ่าน price action ยิ่งเสริมให้ improvement iteration ของ web 3 AI Agent พัฒนาได้รวดเร็วมากขึ้นไปอีก

และก็เป็น AI Agent เองนี่แหละที่จะเข้ามาแก้ปัญหา UX ของโลก crypto ผ่านควาามเป็นไปได้อย่าง Intent-solver หรือ AI Agent Personal Assistant ที่จะช่วย drive adoption ให้ sector อื่นๆบน web 3 และนั้นก็หมายถึงว่า AI Agent จะได้รับทั้งกำลังใจและแรงสนับสนุนจากทั้งวงการเพื่อดันให้ web 3 AI Agent ดึงดูด real-world adoption เข้ามาใช้งาน Decentralized applications

นอกเหนือไปจากนั้นการที่ web 3 native AI Agent สามารถถือครองและเข้าถึง wallet ได้นั้นก็สร้างความเป็นไปได้ใหม่ๆในด้านความร่วมมือต่างตอบแทนระหว่าง Agent ที่ web 2 AI Agent ทำได้ยากลำบากด้วยข้อจำกัดของ payment rail ซึ่งจะทำให้ web 3 AI Agent สามารถพัฒนาไปสู่ Level ที่สูงกว่า 3 ได้รวดเร็วกว่าอีกด้วย

ผมมองว่าการพัฒนาของ AI Agent ในปี 2025 จะเป็นไปอย่างก้าวกระโดด เพราะจะมีทั้ง organic growth ทางด้านเทคโนโลยี แรงสนับสนุนจากทั้งวงการ และกำแพงที่ต่ำกว่า sector อื่นๆ และ AI Agent จะไม่ใช่เพียง price goes up narrative แต่เป็น enabler ที่จะพาวงการ crypto เดินไปข้างหน้าสู่ mass adoption พร้อมๆกัน

https://0g.ai/blog/0g-demo-a-technical-walkthrough

0G Demo: คำอธิบายทางเทคนิค

ในคำอธิบายทางเทคนิคนี้ เราจะดำดิ่งสู่การสาธิต (demos) สามรายการ จาก DevCon ที่แสดงให้เห็นความสามารถอันทรงพลังของระบบปฏิบัติการ AI แบบกระจายศูนย์ (Decentralized AI Operating System) ของ 0G

0G's dAIOS นำ AI แบบกระจายศูนย์มาสู่ชีวิตจริง ระบบ AI แบบดั้งเดิมมักขาดความโปร่งใส ความปลอดภัย และการควบคุมของผู้ใช้งาน ซึ่งเป็นสิ่งจำเป็นสำหรับระบบนิเวศ AI ที่เปิดกว้างและเชื่อถือได้ โดยการให้โครงสร้างพื้นฐานเพื่อนำ AI เข้าสู่ on-chain 0G จึงแก้ปัญหาเหล่านี้และเพิ่มพลังให้กับนักพัฒนาในการสร้าง ขยาย และทำเงินจากโซลูชัน AI โดยไม่ต้องพึ่งพาผู้ให้บริการแบบรวมศูนย์

สถาปัตยกรรมของเรามี 3 องค์ประกอบ: Service Marketplace, Compute Network, และ Storage Network

ในบทความนี้ เราจะกล่าวถึง:

• ภาพรวมสั้นๆ ของ Service Network ของเราและวิธีที่ใครก็ตามก็สามารถใช้มันสร้างแอปพลิเคชัน AI แบบกระจายศูนย์ได้

• การสาธิตสามรายการที่แสดงให้เห็นว่าใช้งานได้ง่ายเพียงใด

  • Demo 1: การอัปโหลดและดาวน์โหลด AI Models บน 0G Storage

  • Demo 2: การลงทะเบียนเป็น GPU Provider กับ 0G Serving

  • Demo 3: การเลือก Model และ Provider สำหรับการอนุมานที่สามารถตรวจสอบได้

• วิธีการเริ่มต้นใช้งาน

Service Marketplace ของ 0G

Service Marketplace ของ 0G เชื่อมต่อนักพัฒนาและผู้ให้บริการ AI ในตลาดแบบเพียร์-ทู-เพียร์แบบกระจายศูนย์ ที่นี่ "Service Providers" จะแสดงรายการบริการของตน ตั้งแต่การอนุมานโมเดล การปรับแต่ง (fine-tuning) จนถึงการประมวลผลข้อมูล (data processing) ในขณะที่นักพัฒนาหรือ "Users" สามารถค้นหาและเลือกตัวเลือกที่ดีที่สุดสำหรับแอปพลิเคชัน AI ของตน

ผู้ให้บริการมีความยืดหยุ่นในการกำหนดค่าบริการของแต่ละรายการของตน โดยการตั้งราคาแบบมีพลวัตตามปัจจัยต่างๆ เช่น ความซับซ้อนของโมเดล ทรัพยากรที่ต้องการ และข้อกำหนดในการตรวจสอบ

ผู้ใช้ได้รับประโยชน์จากชุด AI Models และ datasets ที่หลากหลาย รวมถึงสามารถเลือกวิธีการตรวจสอบความน่าเชื่อถือ เช่น OPML, TeeML หรือ ZKML (พร้อมตัวเลือกอื่นๆ เช่น FHEML เร็วๆ นี้) ช่วยให้พวกเขาสามารถเลือกตัวเลือกที่ดีที่สุดสำหรับความต้องการด้านความน่าเชื่อถือและประสิทธิภาพ

นอกเหนือจาก Service Marketplace แล้ว องค์ประกอบสำคัญสองอย่างของ 0G ประกอบด้วย:

• 0G Storage: โซลูชันจัดเก็บข้อมูลแบบกระจายศูนย์ที่มีประสิทธิภาพสูง เหมาะสำหรับชุดข้อมูลขนาดใหญ่และ AI Models โดยมีคุณสมบัติการแบ่งข้อมูลและการเข้ารหัสที่ทำให้เกิดความเร็ว ความสามารถในการขยายขนาด และความน่าเชื่อถือของข้อมูล

• 0G DA: เลเยอร์การใช้งานข้อมูลที่สามารถขยายได้อย่างไม่จำกัด ซึ่งรับประกันการเข้าถึงและตรวจสอบข้อมูล on-chain เพื่อสนับสนุนความโปร่งใสและความน่าเชื่อถือของแอปพลิเคชัน AI ในสภาพแวดล้อมแบบกระจายศูนย์

Service Marketplace ของ 0G ร่วมกับ 0G Storage (เครือข่ายการจัดเก็บข้อมูลของเรา) และ 0G DA (เครือข่ายประมวลผลของเรา) สร้างระบบ dAIOS ที่นำ AI แบบกระจายศูนย์มาสู่ชีวิตจริง

Demo 1: การดึง AI Model จาก 0G Storage เพื่อ Finetuning

การสาธิต #1 เน้นที่ 0G Storage เครือข่ายจัดเก็บข้อมูลแบบกระจายศูนย์ที่ออกแบบมาเพื่อตอบสนองความต้องการประสิทธิภาพสูงของ AI แตกต่างจากโซลูชันการจัดเก็บข้อมูล on-chain แบบดั้งเดิม 0G Storage ได้รับการปรับให้มีความเร็วและความสามารถในการขยายขนาดที่เป็นเลิศ สามารถจัดการกับชุดข้อมูลขนาดใหญ่ AI Models ที่ซับซ้อน และสินทรัพย์ที่สร้างโดย AI ได้อย่างราบรื่น

การสาธิตสั้นๆ นี้แสดงให้เห็นว่าด้วยโค้ดเพียงไม่กี่บรรทัด ใครก็ตามสามารถอัปโหลดหรือดาวน์โหลด Llama-70B model ได้อย่างรวดเร็วและง่ายดาย ซึ่งแสดงให้เห็นความสามารถของ 0G Storage ในการจัดการไฟล์ขนาดใหญ่ได้อย่างราบรื่น ซึ่งสำคัญสำหรับงานโหลด AI ประสิทธิภาพสูง สร้างมาเพื่อรองรับการส่งผ่านข้อมูลที่ยอดเยี่ยม โครงสร้างพื้นฐานของเราสามารถบรรลุความเร็วในการดาวน์โหลดได้ถึง 5GB/s ทำให้เหมาะสำหรับแอปพลิเคชัน AI ที่ต้องการประสิทธิภาพสูง

Storage SDK และโค้ด CLI เริ่มใช้งานได้ง่าย ด้วยโค้ดเพียงไม่กี่บรรทัด

หนึ่งในตัวเร่งหลักคือการใช้ data sharding เพื่อเพิ่มความเร็ว โดยการแบ่งไฟล์ออกเป็น 4 ส่วน ซึ่งจะกล่าวถึงในบทความของเราเกี่ยวกับ 0G Storage ซึ่งสามารถอ่านเพิ่มเติมได้ที่

https://0g.ai/blog/0g-storage

การสาธิตนี้ยังมีการอธิบายโค้ดของ 0G Storage SDKs อย่างละเอียด ซึ่งรวมถึงการตรวจสอบฟังก์ชันของ Go SDK อย่างใกล้ชิด พร้อมรองรับ TypeScript และ Python SDKs ในอนาคต ช่วยให้นักพัฒนาสามารถโต้ตอบกับเครือข่ายการจัดเก็บข้อมูลได้อย่างมีประสิทธิภาพ มีตัวเลือก CLI สำหรับการทดสอบ และคลังข้อมูลแบบโอเพ่นซอร์สช่วยให้นักพัฒนาสามารถปรับแต่งและมีส่วนร่วมโดยการสร้างอินเทอร์เฟซไคลเอ็นต์ของตนเอง

Demo 2: การลงทะเบียนเป็น GPU Provider กับ 0G Service

ใน Demo #2 เราจะอธิบายขั้นตอนสำหรับผู้ให้บริการ TeeML ในการตั้งค่าบริการอนุมาน AI บน Service Marketplace แบบกระจายศูนย์ของ 0G โดยเน้นความง่ายในการปรับใช้และขั้นตอนการตรวจสอบที่ต้องใช้ในการลงทะเบียนบริการ

นี่คือสิ่งที่ Demo #2 ครอบคลุม:

1.การตรวจสอบ GPU: เริ่มจากการตรวจสอบว่า GPU ของ Service Provider เป็น NVIDIA H200 จริงๆ เพื่อรับประกันความเข้ากันได้และมาตรฐานประสิทธิภาพสำหรับบริการอนุมาน

คำสั่ง nvidia-smi ยืนยันการมีอยู่ของ GPU NVIDIA H200

2.การเรียกใช้ Llama Model Image: ต่อมาเปิดใช้งาน Llama inference image โดยเปิดพอร์ตเพื่อรับการเรียกจากภายนอก การตั้งค่านี้ช่วยให้ Provider สามารถให้บริการคำขออนุมานโดยตรงผ่านแพลตฟอร์ม 0G

คำสั่ง "docker run ... llama-inference-image" เรียกใช้ Llama inference image บน GPU NVIDIA

3.การตั้งค่า Broker Service: GPU Provider สามารถระบุ Docker images ที่เกี่ยวข้องสำหรับบริการ provider-broker และเปิดใช้งาน โดยเปิดพอร์ตที่จำเป็นสำหรับการโต้ตอบ Broker นี้ทำหน้าที่เป็นคนกลางระหว่าง marketplace และ AI model

คำสั่ง "docker compose -f provider-broker/docker-compose.yml up -d" เริ่มเรียกใช้ Docker containers ที่ระบุ พร้อมการยืนยันการเรียกใช้งาน

4.การลงทะเบียนบริการ: Provider ส่งคำขอ POST ด้วยพารามิเตอร์หลัก ได้แก่ การกำหนดราคา URL ชื่อ provider model และวิธีการตรวจสอบ ข้อมูลนี้จะลงทะเบียนบริการบน 0G Service Marketplace ทำให้เห็นได้โดยผู้ใช้ที่มีศักยภาพ

5.การตรวจสอบและการแสดงรายการใน Marketplace: สุดท้าย provider เรียก marketplace เพื่อยืนยันว่ามีการแสดงบริการของตนให้เลือกใช้งาน หลังจากตรวจสอบการลงทะเบียน บริการอนุมานจะพร้อมใช้งานและสามารถเข้าถึงได้โดยนักพัฒนาบน marketplace

ฝั่งนักพัฒนา ปัจจุบันผู้ใช้มีตัวเลือกการตรวจสอบความน่าเชื่อถือ 3 แบบ: OPML, TeeML และ ZKML ในอนาคต วิธีการตรวจสอบอื่นเช่น secure multi-party ML (spML) และ fully homomorphic encryption ML (FHEML) จะได้รับการสนับสนุนเพิ่มเติม เพื่อขยายตัวเลือกสำหรับนักพัฒนาที่ต้องการบริการ AI ที่ได้รับการตรวจสอบและปลอดภัย

Demo 3: การเลือก Model และ Provider สำหรับการอนุมานที่สามารถตรวจสอบได้ด้วย 0G Service

ใน Demo #3 เราจะอธิบายกระบวนการอนุมานที่สามารถตรวจสอบได้บน Service Marketplace ของ 0G

ในตัวอย่างนี้ นักพัฒนาเริ่มต้นโดยการเลือกจาก AI Models หลากหลาย รวมถึงตัวเลือกโอเพ่นซอร์สยอดนิยมและ Models กรรมสิทธิ์ที่มีเฉพาะใน Decentralized AI Operating System (dAIOS) ของ 0G

Demo 3 แสดง Service Providers ที่มีอยู่ พร้อมข้อมูลเช่น Uptime %

Service Marketplace ของ 0G แสดงรายละเอียดต่างๆ เช่น อุปกรณ์ GPU ที่ใช้ ตำแหน่งทางภูมิศาสตร์ อัตราการทำงาน และประเภทการตรวจสอบความน่าเชื่อถือ (เช่น ZKML, TeeML และ OpML) สำหรับการสาธิตนี้ เราเลือก Model ที่ได้รับการตรวจสอบด้วย TeeML เพื่อรับประกันการประมวลผลที่น่าเชื่อถือผ่าน TEE (Trusted Execution Environment)

ผู้ให้บริการที่ได้รับการตรวจสอบจะมีเครื่องหมายถูกสีเขียว ซึ่งบ่งบอกว่า 0G ได้ยืนยันความถูกต้องของการตั้งค่าของพวกเขาแล้ว เมื่อเลือก Model และ Provider แล้ว นักพัฒนาจะถูกพาไปยังสนามทดสอบแบบโต้ตอบที่ซึ่งพวกเขาสามารถทดสอบ Model เช่น การขอให้มันสร้าง Haiku การอธิบายนี้เน้นให้เห็นถึงความง่ายและความปลอดภัยที่ Service Marketplace ของ 0G มอบให้กับนักพัฒนาที่ต้องการสร้างแอปพลิเคชัน AI ที่เชื่อถือได้และโปร่งใส

เริ่มต้นใช้งาน 0G

การสาธิตข้างต้นแสดงให้เห็นว่าใครก็ตามสามารถเริ่มต้นได้อย่างง่ายดาย:

Integrations ที่ง่าย: นักพัฒนาสามารถเข้าถึง decentralized storage และ Service Marketplace ของ 0G ได้อย่างง่ายดาย เพื่ออัปโหลด เรียกคืน และจัดการ datasets และ AI Models ขนาดใหญ่

Deployment ที่รวดเร็ว: กระบวนการตั้งค่าที่ง่ายหมายความว่าผู้ให้บริการสามารถลงทะเบียนบริการอนุมาน AI บน marketplace ได้ภายในไม่กี่นาที ทำให้สามารถนำเสนอการให้บริการให้กับนักพัฒนาได้

ตัวเลือกการตรวจสอบที่ยืดหยุ่น: นักพัฒนามีสิทธิ์เข้าถึงตัวเลือกการตรวจสอบหลายแบบ เช่น OPML, TeeML และ ZKML เพื่อรับประกันการโต้ตอบที่ปลอดภัยและโปร่งใสกับบริการ AI บนแพลตฟอร์ม

เพื่อเริ่มต้น เข้าร่วม Discord ของเราและติดต่อเรา!

With a lot of excitement and interest circulating about 0G’s introduction and sales of AI alignment node license NFT, which officially started on the official channel on 11 November 2024 (with chances to secure the NFT from selected partners a few days earlier), if you’ve secured your NFT licenses, you must wonder what to do next!

Let’s recap on what the AI Alignment node is:

What is a 0G AI Alignment Node?

To put it briefly, the AI Alignment node's key function is to monitor and verify the functionality of other nodes in 0G’s ecosystem, including the Data Availability, Storage, Serving, Validator, and Serving nodes. This ensures that the 0G network is more transparent and reliable in order to enable smooth operations of the Decentralised AI Operating System (dAIOS).

Find out more about the world’s first dAIOS here

The 0G Foundation Node Sale consists of 175,500 total nodes. The Ai Alignment Node comes with the following functionalities:

• Checker functionality: Ensuring other nodes (DA, storage, validator, serving,etc.) within the 0G ecosystem are functioning properly.

• Security: Enhancing network security by verifying transactions and keeping AI accountable.

• Decentralization: Ensuring the 0G network remains decentralized and resilient.

• Economic and Governance Roles: Node holders may earn rewards and participate in governance decisions, influencing the network’s direction.

• *AI Model training: Detecting AI model drift which may occur during training.

• *Identification: Identifying corrupt or malicious data, AI agents/networks, and API price feed mismatch so that timely intervention can occur before on-chain execution.

• *AI Processing Power: Supporting AI computations and enabling on-chain AI services

*These awesome functionalities will be added in the future alongside the expansion of dAIOS and 0G serving nodes

So I have secure license NFTs, what happens next?

There are many important you should know about the nodes and how you can get rewards from running the node and this includes tokenomics and rewards vesting schedule that we will discuss in this section.

How to get the NFT:

The License NFT will be airdropped to the wallet you used to make purchases directly after the completion of the sales.

Key dates:

• Node Sale Phases: Whitelist Sale (Nov 11), Community Sale (Nov 13)

• Transferability: Node NFTs are non-transferable for 12 months to ensure long-term commitment.

• Node Activation: Node operations will commence after the Mainnet launch, projected for Q1 2025

• Rebate: 2 - 3 weeks after the completion of node sales

Hardware requirements:

• 64MB RAM

• 1 x 86 CPU cores @ 2.1GHz

• 10GB Disk Space

• 10Mbps Internet Connection

Rewards and Tokenomics

AI Alignment node runners will share a pool of 15% of the total supply of 0G tokens as shown in the Tokenomics pie chart below:

The rewards are allocated over the 3 years from the activation date to runners who play their part in helping to secure the network and assisting in checking and verifying activities in the 0G ecosystem. The owner of the license NFT must participate in the aforementioned activities (running the nodes reliably) to be eligible for the rewards.

Vesting schedule

0G’s discord community voted for the option B vesting schedule which is as follows:

Option B

[Part I]33% of total alignment node rewards will be claimable upon TGE.     
This 33% is further broken down into:     
     - [Part I-A]: 10% of rewards can be claimed without any penalty at TGE     
     - [Part I-B]: Penalties apply for claims as follows (based on the remaining 23% of [Part I]):          
          > Immediate claim: 40% of rewards can be claimed, and 60% will be distributed back to the 0G foundation.          
          > Claim after 180 days before 360 days: 65% of rewards can be claimed, and 35% will be distributed back to the 0G foundation.          
          > Claim after 360 days: 100% rewards can be claimed.

[Part II]The remaining 67% will be linearly unlocked (daily) for 36 months.

Rebate

If you filled in a promo code during purchase, you and your referer will both get a 10% rebate for the price you paid for the license NFT.

The rebate will be transferred to your and your referrer’s wallets around 2 to 3 weeks after the completion of node sales. The end of sales is still TBA.

How to run the AI Alignment Node

It is going to be easy and straightforward. The 0G team will publish the instructions with steps to follow and a tutorial video in the future. I will surely update this document again when the information is out, so stay tuned for more updates.If you prefer not to manage the node by yourself, it is possible to delegate your license to your trusted persons/operators to do it for you. You will have to learn and discuss the terms, conditions and compensations will your selected operators.

What will happen to any unsold node rewards?

0G team stated during various AMA that they expected to achieve around 50 - 75% of the total supply of nodes. The unsold nodes will be burned which will result in higher allocation to the remaining AI Alignment node runners who run the nodes and are eligible for rewards.

The 0G Foundation has also secured $250M in a liquid line / token purchase commitment. Some portion of this fund will be used to purchase the unsold nodes and burn them to fulfil the aforementioned promise.

How to be eligible for rewards

There are three requirements to be eligible for rewards. You have to meet all of them to be able to claim the rewards.

1. Running the nodes

2. Passing KYC provided by a third-party KYC provider.

3. Pass the eligibility check in this disclaimer

For further information

please check the following pages to find the FAQs and official information regarding the AI Alignment nodes:

• 0G’s AI Alignment Node blog

• FAQs

• Official AI Alignment Nodes Sales document

And don’t forget to follow 0G on X/Twitter and join our discord for the latest information.

https://0g.ai/blog/0g-serving

0G คือ Decentralized AI Operating System (dAIOS) ที่กำลังเปลี่ยนแปลงภูมิทัศน์ของ AI on-chain ไปอย่างสิ้นเชิง

สิ่งที่ได้มาคือ โครงสร้างพื้นฐาน AI ที่ permissionless ขยายขนาดได้มาก และโปร่งใสโดยสมบูรณ์ ซึ่งออกแบบมาเพื่อแก้ไขความท้าทายหลักของระบบ AI แบบดั้งเดิม เช่น การเป็นเจ้าของ data, ความปลอดภัย, และความสามารถในการทำงานร่วมกัน(interoperability) ยกตัวอย่างเช่น การขยายขนาดไม่จำกัดเป็นไปได้ผ่านการใช้งาน network sharding ของ 0G ซึ่งหมายความว่าสามารถรองรับ data และกรณีการใช้งาน AI ที่เพิ่มขึ้นแบบทวีคูณ on-chain โครงสร้างพื้นฐานนี้มีสามองค์ประกอบที่แตกต่างกัน:

1. 0G Storage: สำหรับการจัดเก็บ data แบบ decentralized

2. 0G DA: layer การเข้าถึง data แบบ decentralized

3. 0G Serving: ตลาดแบบ decentralized สำหรับบริการ AI

เราได้กล่าวถึง 0G Storage และ 0G DA อย่างละเอียดไปแล้ว ในบทความอื่นในบทความนี้ เราจะเน้นที่ 0G Serving ซึ่งเป็นตลาดแบบ peer-to-pper ที่เปิดกว้าง ที่ผู้ใช้ ("ผู้ซื้อ") สามารถเข้าถึงบริการ AI เช่น model inference, fine-tuning และงานที่เกี่ยวข้องกับ AI อื่นๆ ในขณะที่ผู้ให้บริการ ("ผู้ขาย") สามารถนำเสนอบริการเหล่านี้ได้ คล้ายกับตลาดอย่าง Amazon แต่สำหรับบริการ AI แบบ decentralized ทุกประเภท 0G Serving ยังไม่เปิดใช้งานแต่จะเปิดตัวในเร็วๆ นี้ โดยจะมีการอัปเดตผ่านทาง Twitter ของเรา ในบทความนี้ เราจะครอบคลุม: การจัดการภาระงาน AI และการโต้ตอบกับบริการ: วิธีที่ 0G Serving จัดการงานต่างๆ เช่น model inference, การดึง data และ training ความสามารถในการขยายตัวและโครงสร้างแรงจูงใจ: กลไกที่ทำให้ 0G Serving สามารถขยายขนาดได้ไม่จำกัด รวมถึง sharding และตลาดค่าธรรมเนียมแบบเปิดที่จัดระเบียบแรงจูงใจระหว่างผู้เข้าร่วม การผสานรวมกับ dAIOS: วิธีที่ 0G Serving ผสานรวมกับ 0G Storage และ 0G DA เพื่อสร้าง Decentralized AI Operating System (dAIOS) ที่สมบูรณ์สำหรับขั้นตอนการทำงาน AI แบบต่อเนื่อง การเริ่มต้น: ขั้นตอนต่อไปหากคุณเป็นโครงการที่มีแนวโน้มสูงในพื้นที่ Web3 x AI ที่ต้องการเข้าถึงผู้ใช้มากขึ้น

การจัดการภาระงาน AI และการโต้ตอบกับบริการ

0G Serving จัดการงาน AI ที่หลากหลาย ตั้งแต่ model inference ไปจนถึงการดึง data และการ training ซึ่งช่วยให้เกิดการโต้ตอบแบบเรียลไทม์กับแอปพลิเคชัน AI แบบ decentralized ในขณะที่รับประกันความโปร่งใสและการควบคุมของผู้ใช้ กรอบการทำงานนี้มีความสำคัญสำหรับโมเดล AI ที่ต้องการการอัปเดตอย่างต่อเนื่องและการคำนวณที่มีขนาดใหญ่

ข้อได้เปรียบสำคัญของแพลตฟอร์ม 0G คือความสามารถในการจัดการ "data ที่ใช้งานบ่อย" อย่างมีประสิทธิภาพ ซึ่งหมายถึง data ที่เข้าถึงบ่อยหรือประมวลผลอย่างรวดเร็ว เช่น ฟีดตลาดการเงิน บันทึกกิจกรรมผู้ใช้ หรือชุด data ที่พัฒนาอย่างต่อเนื่อง 0G สร้างแรงจูงใจให้ผู้ให้บริการจัดเก็บ data (ไม่ว่าจะเป็น 0G Storage หรือการจัดเก็บ on-chain ภายนอก) ลดความล่าช้า ซึ่งเป็นปัจจัยสำคัญสำหรับการประมวลผล AI แบบเรียลไทม์ที่ต้องการการดึง data อย่างรวดเร็ว

สภาพแวดล้อมที่มีความล่าช้าต่ำนี้ (low-latency) รองรับแอปพลิเคชันที่ต้องพึ่งพาการประมวลผล AI ที่รวดเร็ว เช่น อัลกอริทึมการเทรดที่ขับเคลื่อนด้วย AI, AI Agents บน on-chain, dApps ประสิทธิภาพสูง หรือการวิเคราะห์การโต้ตอบของผู้ใช้แบบเรียลไทม์

ผู้ขายที่ให้บริการ AI เหล่านี้สามารถ:

• กำหนดราคา: คิดค่าบริการ AI ตามความต้องการ ประเภทของ GPU ที่ใช้ และอื่นๆ

• ระบุวิธีการตรวจสอบงาน: การใช้กระบวนการตรวจสอบที่กำหนดเองเพื่อยืนยันการทำงานให้เสร็จสมบูรณ์อย่างถูกต้อง ตัวอย่างเช่น การตรวจสอบ smart contract อัตโนมัติหรือ "หลักฐานการทำงานเสร็จสมบูรณ์" สามารถยืนยันว่าโมเดลที่เลือกเป็นโมเดลที่ใช้จริงในการสร้างการตอบสนอง สิ่งนี้เปรียบเทียบกับ AI ส่วนใหญ่ที่เป็นกล่องดำและไม่สามารถตรวจสอบได้

• รับการชำระเงินใน $0G: การชำระเงินล่วงหน้าใน $0G tokens จะถูกเก็บไว้ใน smart contracts และปล่อยออกมาเมื่องานเสร็จสมบูรณ์และได้รับการตรวจสอบแล้ว

ตัวอย่างเช่น ผู้ให้บริการโมเดล AI อาจกำหนดราคาแบบไดนามิกตามความซับซ้อนของงาน inference โดยคิดค่าธรรมเนียมสูงขึ้นสำหรับคำขอที่ใช้ทรัพยากรมาก

ผู้ใช้จะเติมเงินในบัญชีล่วงหน้าผ่าน smart contracts เมื่อขอรับบริการ

การโต้ตอบระหว่างผู้ใช้และผู้ให้บริการถูกควบคุมโดยลายเซ็นที่แนบมากับคำขอและการตอบสนองแต่ละครั้ง ผู้ใช้ตรวจสอบผลลัพธ์ของคำขอของตน และเมื่อพอใจแล้ว ผู้ให้บริการสามารถส่งร่องรอยของธุรกรรมไปยัง smart contract เพื่อชำระค่าธรรมเนียม

0G ได้ร่วมมือกับโครงการจำนวนมากที่จะได้รับประโยชน์จากการให้บริการผ่าน 0G Serving เมื่อเปิดตัว

Scalability and Incentive Structure

0G ได้รับการออกแบบมาเพื่อการขยายขนาดไม่จำกัด โดยใช้การแบ่ง sharding สองประเภทเพื่อประสิทธิภาพที่ดีที่สุด:

1. Data Sharding: ชุด data ขนาดใหญ่จะถูกแบ่งเป็นส่วนๆ และจัดเก็บแบบซ้ำซ้อนใน 0G Storage เพื่อรับประกันความทนทานต่อความผิดพลาดและการเข้าถึงที่รวดเร็ว

2. Consensus Sharding: nodes ของ Data Availability (DA) สื่อสารกับเครือข่ายฉันทามติ 0G Consensus ซึ่งอนุญาตให้มีเครือข่ายขนานจำนวนไม่จำกัดที่จัดการโดย Validator set เดียวกัน ผู้ตรวจสอบวางเดิมพันเพียงครั้งเดียวบน Ethereum mainnet แต่มีส่วนร่วมใน shared staking ข้ามเครือข่าย นี่หมายความว่าสามารถเพิ่มเครือข่ายฉันทามติใหม่ได้อย่างรวดเร็วและจัดการโดย Validator set เดียวกันโดยไม่ต้องเพิ่ม Validator กลุ่มใหม่

วิธีการ dual-sharding นี้ ทั้งในระดับ data และฉันทามติ ช่วยให้ 0G สามารถขยายขนาดในขณะที่จัดการชุด data ขนาดใหญ่ได้ ในทางกลับกัน แอปพลิเคชัน AI ประสิทธิภาพสูงหลากหลายสามารถเติบโตได้อย่างเต็มที่ on-chain

0G Serving ดำเนินการภายใน ตลาดค่าธรรมเนียมแบบอิสระ อนุญาตให้ผู้ให้บริการกำหนดราคาที่แข่งขันได้สำหรับบริการ AI ของพวกเขาตามสภาวะตลาด โครงสร้างนี้มีเป้าหมายที่จะทำงานได้ดีกว่าระบบ AI แบบรวมศูนย์ในแง่ของราคา ในขณะที่ส่งมอบประโยชน์หลักของ AI แบบ decentralized: การเป็นเจ้าของ data ความโปร่งใสที่เพิ่มขึ้น และการสร้างรายได้ที่เท่าเทียมกันมากขึ้น

Integration with dAIOS

0G Serving ผสานรวมกับ layer การจัดเก็บและ data availability ของ 0G สร้าง dAIOS ที่สมบูรณ์ซึ่งจัดการทุกแง่มุมของขั้นตอนการทำงาน AI อย่างมีประสิทธิภาพ

เราได้กล่าวถึงบทบาทของ 0G ในฐานะ dAIOS อย่างละเอียดที่นี่

ในภาพใหญ่:

• 0G เป็น Decentralized AI Operating System (dAIOS) แห่งแรกของโลก ที่ให้โครงสร้างพื้นฐานที่ขยายขนาดได้และโปร่งใสสำหรับ AI ผ่านองค์ประกอบการจัดเก็บแบบ decentralized, data availability และบริการ

• ระบบประกอบด้วย 0G Storage สำหรับการจัดเก็บ data, 0G DA สำหรับ data availability ที่ขยายขนาดได้ และ 0G Serving สำหรับบริการ AI เพื่อรับประกันการสนับสนุนขั้นตอนการทำงาน AI แบบครบวงจร

• 0G แก้ไขปัญหาสำคัญใน AI แบบรวมศูนย์ เช่น การเป็นเจ้าของ data ความโปร่งใส และการสร้างรายได้ที่เป็นธรรม โดยนำเสนอทางเลือกแบบ decentralized ที่มีโครงสร้างแรงจูงใจที่ดีกว่า

ในภาพรวม 0G กำลังทำให้ AI แบบ decentralized เกิดขึ้นจริง - และเราอยากให้คุณมาร่วมงานกับเรา!

ไม่ว่าคุณจะเป็นนักพัฒนา โครงการ Web3 หรือผู้ให้บริการ AI, 0G สามารถช่วยคุณสร้าง ขยายขนาด และสร้างรายได้จากโซลูชัน AI ในสภาพแวดล้อมแบบ decentralized หากคุณพร้อมที่จะเป็นส่วนหนึ่งของอนาคตของ AI โปรดติดต่อเราที่

https://0g.ai/contact

เรายินดีที่จะมองหาโอกาสในการเป็นพันธมิตรและช่วยคุณเริ่มต้นสร้างสรรค์กับเราวันนี้!

“ สิ่งหนึ่งที่สำคัญมากในการตัดสินใจคือการเข้าใจว่า นี่เป็นการขาย License-to-operate soulbound NFT (ERC-721) ซึ่งผู้ซื้อจะต้องสามารถ run และ monitor ตัว node ด้วยตนเอง ซึ่งนั้นอาจรวมถึงการมีค่าใช้จ่ายเพิ่มเติมตามมาด้วย “

ก่อนจะไปที่ราคาของแต่ละ tier และวิธีการเข้าร่วม AI Alignment Node Sale ในครั้งนี้ ผมขอเริ่มจากการกล่าวถึงตัว AI Alignment Node ว่าคืออะไรและจะมีบทบาทใน 0G ecosystem อย่างไร

ก่อนอื่นเราขอพูดถึงว่า node คืออะไร

Node ก็คือ mini-computer ที่ทำหน้าที่อะไรเฉพาะซักอย่างบน network ซึ่งมันจะเป็นอะไรก็ได้ที่ computer เครื่องหนึ่งจะสามารถทำได้ โดยชนิดของ node ที่คุ้นเคยกันในโลก web-3 คือ validator node ที่มีหน้าที่ในการตรวจสอบและapprove transaction ต่างๆที่เกิดขึ้น on-chain ตัวอย่างอื่นๆนอกจากนี้ใน 0G ecosystemยังมี

• Storage node - ทำหน้าที่จัดเก็บ data ในรูปแบบ decentralised

• Storage-kv - ช่วยทำให้เรียกใช้ data ที่เก็บไว้ใน Storage node ได้รวดเร็วขึ้นด้วยการ indexing

• Data Availability node - ตัวตรวจสอบเพื่อให้มั่นใจว่า Storage node นั้นจัดเก็บ data อยู่จริงและสามารถเข้าถึงได้

  และนอกจากนี้ก็ยังมี Data Availability Client ที่เปิดตัวแล้ว และจะยังมี 0G serving node ที่ยังรอการเปิดตัวในภายภาคหน้าอีก

“ AI Alignment Node นั้นเป็น node อีกชนิดนึง ซึ่งมีหน้าที่เฉพาะเพื่อตอบโจทย์การสร้าง decentralised AI Operating System (dAIOS) ซึ่งเป็นทิศทางใหม่ที่ขยายใหญ่ขึ้นของ 0G “

อ่านเพิ่มเติมเกี่ยวกับ dAIOS ได้ที่

https://mirror.xyz/0x27510c76CFc9bbD101d217f59D73C3b21C140F2A/vsCQcy3jIxgdjppUo4xB_HZkhVzpJFJUr2DiZumFNJg

AI Alignment Node มีบทบาทอะไร

ณ ปัจจุบัน AI Alignment Node จะมีบทบาทคล้ายคึงกับ checker node ที่มีหน้าที่ในการตรวจสอบสถานะการรัน (liveness) และคุณภาพของ service ของ node อื่นๆใน ecosystem ซึ่งก็คล้ายๆกับการเป็น auditor หรือ inspectors แบบ decentralised ที่ตรวจสอบประสิทธิภาพของระบบในภาพรวมและ contribution ของ nodes ต่างๆบน network

แน่นอนว่าด้วยจุดประสงค์ของ AI Alignment Node ที่ถูกออกแบบให้เหมาะสมกับ dAIOS มันจะต้องมีคุณสมบัติอื่นๆด้วย ซึ่งโดยเบื้องต้น ประกอบได้ด้วย

• ตรวจสอบประสิทธิภาพและคุณภาพของ nodes อื่นทั้งหมดบน 0G ecosystem (DA, Storage, Serving, Validator nodes และอื่นๆ)

• เฝ้าระวังการฝากข้อมูลที่เป็นอันตรายต่อระบบ

• ตรวจสอบคุณภาพของ AI models สร้างบน 0G network เพื่อลดการเกิดการเบี้ยงเบนทางคุณภาพ (model drift) ซึ่งเป็นส่วนหนึ่งของการบริหารจัดการ AI models

นอกจากนี้ทีมงานยังจะพิจารณาคุณสมบัติอื่นๆเพิ่มในอนาคตเพื่อตอบสนองความต้องการของ AI model builders บน network (ประมาณ 300 projects ณ วันนี้) ด้วยตัวอย่างเช่น การ support defi บน 0G ในฐานะ oracle, การสามารถเป็นผู้ตรวจของ ai agent ต่างๆที่รันบน 0G AI blockchain

ข้อมูลสำคัญก่อนตัดสินใจซื้อ

• ผลตอบแทน: $0G token pool ที่สูงสุด 15% ของ total $0G ecosystem supply ในช่วงเวลา 3 ปี (สามารถ run หลาย node ได้) โดย 33% ของ rewards ทั้งหมดจะ unlock ณ TGE (ซึ่งยัง TBA อยู่ แต่คาดว่าจะเกิดขึ้นภายในกลางปี 2025);
  
  โดยการเคลมส่วน 33% จะมี penalty ดังนี้:
  0 day: 50% penalty
  90 days: 35% penalty
  180 days: 0% penalty

• จำนวน license ที่เสนอขาย: 175,500 License NFT

• ราคา: แตกต่างกันไปตาม tier ของผู้ซื้อ

• Non-Transferability: License NFT จะไม่สามารถส่งต่อได้ภายใจช่วง 12 เดือนแรก

• KYC Requirements: ผู้เข้าร่วมขะต้องผ่าน ก่อนการเคลม NFT และการดำเนินการ run nodes

• Eligibility/Disclaimer: คุณจะต้องตรวจสอบว่าผ่านคุณสมบัติด้วยตนเองก่อนตัดสินใจ (ข้อมูลในส่วน วิธีการซื้อ 0G AI Alignment Node NFT)

• วันเริ่ม Activate Node: คาดการณ์ว่าภายใน Q4 2024

• Go live date: in 2025

Hardware requirement

• 64MB RAM

• 1 x 86 CPU cores @ 2.1GHz

• 10GB Disk Space

• 10Mbps Internet Connection

ผลตอบแทนที่จะได้รับ และ จำนวน License NFT ที่เสนอขาย

การเสนอขาย NFT license สำหรับ AI alignment node ในครั้งนี้เป็นไปเพื่อให้เกิดการ decentralised ซึ่งนำไปสู่ความปลอดภัยและความมีเสถียรภาพ และยังทำให้ 0G ecosystem สามารถขยายขีดจำกัดได้อย่างไร้จำกัดสำหรับความต้องการในอนาคต

“ AI alignment node operators จะได้รับรางวัลจาก $0G token pool ที่สูงสุด 15% ของ total $0G ecosystem supply ในช่วงเวลา 3 ปี “

โดย 33% ของ rewards ทั้งหมดจะ unlock ณ TGE (ซึ่งยัง TBA อยู่ แต่คาดว่าจะเกิดขึ้นภายในกลางปี 2025) ในกรณีนี้หมายถึง ผู้รันจะสามารถเคลม 33% ของ rewards แต่จำนวน rewards นั้นจะขึ้นอยู่กับ uptime และ performance ของ node ที่รันด้วย

หลังจากนั้น rewards จะ linear vesting ตลอด 36 เดือน (ซึ่งทีมได้แจ้งเพิ่มเติมว่า investors vesting schedule คือ 48 เดือน (cliff 12 เดือน) ทำให้ AI Alighment node runner จะได้รับเงื่อนไขที่ดีกว่า) โดยความตั้งใจของทีมในการตั้งราคาคือการให้ WL tier บนๆ จะคุ้มทุนที่ TGE ในทันที และตามประกาศล่าสุด การเคลม rewards โดยทันทีจะมี penalty ที่ 50%

โดยส่วน 33% จะมี penalty ดังนี้:
0 day: 50% penalty
90 days: 35% penalty
180 days: 0% penalty

ทั้งนี้ทีมจะจัดให้มีการ vote ตารางการ vesting บน discord ในอนาคต จึงอาจจะมีการเปลี่ยนแปลงได้

“ การถือ License NFT โดยไม่สามารถรัน node ได้อย่างถูกต้อง จะไม่ได้รับ rewards“

โดยผู้ซื้อจะสามารถซื้อ License ได้ในราคาที่ต่างกันไปตาม tier ต่างๆ ซึ่งในแต่ละ tierจะมีจำนวนจำกัดและมีจำนวนสูงสุดที่ 1 ผู้ซื้อจะสามารถซื้อได้ตามแต่ละ tier เช่นกัน (โดย 1 Whitelist สามารถซื้อกี่ node ก็ได้โดยราคาจะเป็นไปตามจำนวนจำกัดของ tier)

ตัวอย่างเช่น Whitelist tier-1 สามารถซื้อได้ทั้งหมด 5 nodes ในราคา tier-1 อีก 5 node ในราคา tier-2 และยังซื้อเพิ่มได้อีกในราคา tier ถัดๆไป รายละเอียดทั้งหมดสามารถดูได้ที่ตารางด้านล่างนี้

วันที่สำคัญ

ในระหว่างนี้ มีการเปิดให้ลงทะเบียน Whitelist บน 0G’s discord

• Discord Whitelist Registration: ปิดการลงทะเบียน 5 พฤศจิกายน, 2024 12PM UTC หรือ 7โมงเช้า วันที่ 6 ณ ประเทศไทย

การขายจะแบ่งเป็นรอบ Whitelist กับ รอบทั่วไปดังนี้

• Whitelist Sale: 11 พฤศจิกายน, 2024 12PM UTC หรือ 7โมงเช้า วันที่ 12 ณ ประเทศไทย (2วัน สำหรับ whitelist)

• Public Sale: 13 พฤศจิกายน, 2024 12PM UTC หรือ 7โมงเช้า วันที่ 14 ณ ประเทศไทย (open to all users)

โดยระหว่างวันที่ 22 ตุลาคม ถึง 5 พฤศจิกายน จะมีการเปิดให้ลงทะเบียน Whitelist ใน 0G’s discord เพื่อมอบ Whitelist ให้กับสมาชิกชุมชนที่มีส่วนร่วมในกิจกรรมทั้งก่อนหน้าและในช่วงนี้ ซึ่งจะมีการจัดกิจกรรมอย่างต่อเนื่องเพื่อกระจาย Whitelist ให้แก่สมาชิกชุมชน

การได้มาซึ่ง Whitelist

หากคุณมี Role ดังต่อไปนี้ ให้ไปที่ 0G’s discord และกรอกกระเป๋าEVM เพื่อรับ Whitelist และ pre-aligned role

สำหรับ node runners กับกระเป๋าที่ยังไม่มี Whitelist จาก Role คุณสามารถลงทะเบียนลุ้นรับ Whitelist ได้ที่ลิ้งด้านล่าง

https://0g.ai/node-sale

วิธีการซื้อ 0G AI Alignment Node NFT

คุณจะต้องดำเนิการตาม 7 ขั้นตอนง่ายๆต่อไปนี้:

1. Confirm eligibility: ตรวจสอบคุณสมบัติในการซื้อ โดยใจความสำคัญคือจะต้องอายุมากกว่า 18 ปี และไม่เป็นพลเมืองของประเทศที่อยู่ในลิสต์ต้องห้าม (Belarus, Canada, Crimea, Cuba, Democratic People's Republic of Korea (i.e. North Korea), Iran, Russia, Syria, United States of America (USA), United Kingdom, Venezuela, and Yemen along with the Donetsk People’s Republic, Luhansk People’s Republic, and Kherson and Zaporizhia regions of Ukraine) โดยสามารถดูเงื่นไขอื่นๆได้ที่ disclaimer.

2. Go to the Node Sale Platform: ไปที่ node sale platform ณ วันซื้อขายที่ node sales website และ เชื่อมต่อ your crypto wallet.

3. Choose Your Payment Method: ราคาจะยึดตาม WETH บน Arbitrum และการชำระเงินสามารถทำได้ผ่าน tokens หลากหลายชนิด บน blockchain ecosystems ต่างๆดังผ่าน bridging aggregator LiFi โดยสามารดูทาเลือกทั้งนั้นได้ที่ Linkนี้

4. View Available Tiers: ตรวจสอบ tiers ที่กำลังเปิดขายอยู่

5. Select Quantity: เลือกจำนวน nodes NFTs ที่คุณต้องการ

6. Apply Referral or Discount Codes: กรอก referral หรือ discount codes ต่างๆที่คุณมี ณ ตอน checkout

7. Complete Purchase: ยืนยันราคา และ ยืนยัน transaction บน wallet ของคุณ เมื่อเรียบร้อยแล้วคุณจะได้การแจ้งเตือนเพื่อยืนยัน

https://docs.0g.ai/node-sale/details/purchasing-nodes

https://node.0gfoundation.ai/

https://node.0gfoundation.ai/

อีกทางเลือกหนึ่งคือการซื้อผ่าน partner (เช่น Coinlist, Fjord Foundry, Mocaverse, EasyNode, RapidNode, NodeOps, InfStones, dappad+ ZK, etc.) ต่างๆซึ่งในกรณีนี้ เงื่อนไขการขายหรือการได้รับ whitelist จะขึ้นอยู่กับ partner แต่ละเจ้า โดยเราสามารถตรวจสอบ partnet ต่างๆได้ที่ 0G’s X account

หลังจากการซื้อ NFT?

1. NFT Airdrop: ภายหลังจากการซื้อขายเสร็จสิ้นสมบูรณ์แล้ว คุณจะได้รับ NFT airdrop โดยตรงไปที่กระเป๋าของคุณ นี่คือ 0G AI alignment node license โดย NFT นี้จะไม่สามารถส่งต่อได้ในช่วง 12 เดือนแรก

2. Node Activation: เราจะแจ้งวิธีการ activate และ run Node ในภายภาคหน้า

3. Reward Claim: ผู้ที่ผ่าน KYC แล้วและไม่ได้อยู่ในพื้นที่ต้องห้ามจะสามารถ claim รางวัลได้

อื่นๆ

Tokenomics

Node buyers Referral

ทุกคนที่ซื้อ License NFT สามารถ refer คนอื่นๆได้ ด้วยการให้กรอก wallet address ของผู้ให้ referral code โดยที่

• ผู้ใช้ referral code: ได้รับ rebate 10%

• ผู้ให้ referral code: ได้รับ commission 5 %

การ rebate/commission จะเกิดขึ้นประมาณ 6 สัปดาห์ หลังการการซื้อขายสิ้นสุดลง โดยจะได้รับเป็น USDC

******* ข้อมูลอัพเดตวันที่ 10 พ.ย. 2024 *******

Reference:

https://0g.ai/blog/0g-foundation-ai-alignment-node-sale-101-key-details-and-how-to-participate

https://docs.0g.ai/node-sale/faq/node-overview

https://discord.gg/0glabs

https://0g.ai/blog/reintroducing-0g-the-first-decentralized-ai-operating-system

0G กำลังก้าวข้ามไปสู่อัตลักษณ์ใหม่ จากเดิมที่วางตัวไว้เป็น Modular Blockchain AI ชั้นนำ ไปสู่การโอบรับความเป็นไปได้ที่กว้างใหญ่และครอบคลุมขึ้นในฐานะ Decentralized AI Operating System (dAIOS) แรกของโลก ซึ่งสะท้อนถึงสเปกตรัมเต็มรูปแบบของเทคโนโลยีที่เราได้สร้างขึ้น

โครงสร้างพื้นฐานด้าน AI ในปัจจุบันนั้นรวมศูนย์อย่างมาก นำไปสู่ปัญหาเกี่ยวกับความเป็นเจ้าของข้อมูล ความโปร่งใส การสร้างรายได้ และการจัดการแรงจูงใจ การเปลี่ยนแปลงครั้งนี้ของเราจะสร้างความชัดเจนให้กับบทบาทสำคัญของ 0G ในการกระจายอำนาจ AI และการให้ผู้ใช้มีอำนาจควบคุมข้อมูลของตนเองอย่างสมบูรณ์ ควบคู่ไปกับการตัดสินใจที่โปร่งใสและการสร้างรายได้ที่เป็นธรรม

ส่วนสำคัญประการหนึ่งคือการประสานทรัพยากรฮาร์ดแวร์แบบกระจายตัว เช่น storage, computation และ data availability ผ่านเทคโนโลยี blockchain โดยใช้ประโยชน์จากระบบ โครงสร้างพื้นฐาน AI แบบ modular ของ 0G ที่ขยายได้ โปร่งใส และตรวจสอบได้ และยังสามารถบูรณาการกับ workflow ใดๆก็ตาม เพื่อนำ decentralized AI และความเป็นไปได้ทั้งหมดขึ้นมาอยู่บน chain ในที่สุด

ในบทความนี้ เราจะครอบคลุมเรื่อง:

• ความสำคัญของ 0G ในฐานะ dAIOS: 0G ในฐานะ decentralized AI Operating System แห่งแรก บริหารจัดการ workflow ของ AI โดยการประสานทรัพยากร storage, data availability และการคำนวณอย่างมีประสิทธิภาพผ่าน permissionless network ซึ่วเป็นการจัดเตรียมโครงสร้างพื้นฐานที่จำเป็นเพื่อทำให้ decentralized AI เกิดขึ้นได้จริง

• สถาปัตยกรรมที่เป็นเอกลักษณ์ของ 0G: องค์ประกอบแบบ modular ของ 0G ประกอบด้วย Storage, Data Availability และ Serving ที่ทำงานร่วมกันเพื่อตอบสนองความต้องการของ AI หรือการใช้งานใดๆเกี่ยวกับ AI

• การเติบโตของระบบนิเวศและกรณีการใช้งาน: ระบบนิเวศของ 0G ที่เติบโตอย่างรวดเร็วยังคงครอบคลุมความเป็นไปได้หลายด้าน (AI, DeFi, เกม และอื่นๆ อีกมากมาย) พร้อมการใช้งานอันนับไม่ถ้วน นอกเหนือไปจาก AI อีกด้วย

Decentralized Operating System คืออะไร?

ระบบปฏิบัติการ (OS) เป็นซอฟต์แวร์ที่สำคัญซึ่งจัดการฮาร์ดแวร์และซอฟต์แวร์ของคอมพิวเตอร์ ตัวอย่างเช่น Microsoft Windows, Linux, macOS และ Android เป็นระบบปฏิบัติการที่ขับเคลื่อนบริษัทเทคโนโลยีที่ประสบความสำเร็จมากที่สุดในปัจจุบัน

ก่อนที่จะมีระบบปฏิบัติการ คอมพิวเตอร์ถูกควบคุมด้วยมือซึ่งเป็นกระบวนการที่ใช้เวลานานและมีความซับซ้อนทางเทคนิคสูง ซึ่งจำกัดผู้ที่สามารถทำงานกับมันได้เป็นอย่างมาก ระบบปฏิบัติการระบบแรกถูกพัฒนาขึ้นในปี 1956 สำหรับคอมพิวเตอร์ IBM ซึ่งนับเป็นการเปลี่ยนแปลงครั้งสำคัญ ทำให้เกิด task automation การจัดการหน่วยความจำที่มีประสิทธิภาพ การประมวลผลแบบ batch และอื่นๆ อีกมากมาย

จนกระทั่งเมื่อไม่นานมานี้ Web3 ยังขาดโครงสร้างพื้นฐานที่เทียบเท่ากับระบบปฏิบัติการ

0G เป็น decentralized AI Operating System แรกที่จัดการทรัพยากรฮาร์ดแวร์แบบ decentralized เช่น storage, การคำนวณ และ data availability

ด้วยโครงสร้างพื้นฐานเช่นนี้ แอปพลิเคชัน AI บนบล็อกเชนอย่างแท้จริงจึงเป็นไปได้ในที่สุด ทำให้นักพัฒนาสามารถแก้ไขข้อจำกัดของ AI แบบรวมศูนย์ได้ ซึ่งรวมถึง:

• ความเป็นเจ้าของ: AI แบบรวมศูนย์มักขายหรือใช้ข้อมูลส่วนบุคคลในทางที่ผิด โดยผู้ถูกใช้ข้อมูลมีอำนาจควบคุมหรือความเป็นเจ้าของน้อยมาก ว่าข้อมูลของพวกเขาถูกรวบรวม จัดเก็บ หรือใช้งานอย่างไร

• ความโปร่งใสและความรับผิดชอบ: AI แบบรวมศูนย์ทำงานเหมือนกล่องดำ มีกระบวนการตัดสินใจที่ไม่โปร่งใสและไม่มีที่มาของข้อมูลที่ชัดเจน ผู้ใช้ที่ให้ข้อมูลสำหรับการฝึกฝนมักไม่ได้รับรางวัลที่เหมาะสมสำหรับการมีส่วนร่วมของพวกเขา และระบบขาดความโปร่งใสในการกระจายมูลค่า

• การสร้างรายได้: AI แบบรวมศูนย์ผูกขาดกำไรและไม่ให้แรงจูงใจแก่ผู้มีส่วนร่วมรายบุคคล

• การจัดการเป้าหมาย: ระบบ AI แบบรวมศูนย์ขาดการกำกับดูแลและกระบวนการธรรมาภิบาล โดยมีกลุ่มคนเพียงไม่กี่คนที่มีอำนาจทั้งหมด

0G แก้ไขปัญหาทั้งหมดข้างต้น ตัวอย่างเช่น ด้วย 0G ผู้ใช้สามารถจัดเก็บและจัดการข้อมูลบนบล็อกเชนผ่าน decentralized storage networks ในขณะเดียวกัน มี data availability อย่างเต็มที่ ทำให้เกิดโมเดล AI ที่ตรวจสอบได้และโปร่งใส และสามารถสร้างโครงสร้างทางเศรษฐกิจที่ส่งเสริมการสร้างรายได้อย่างเป็นธรรมและการจัดการเป้าหมายที่เหมาะสมสำหรับผู้มีส่วนร่วมในระบบนิเวศทั้งหมด

การสร้างระบบแบบนี้นั้นเพิ่งจะเป็นไปได้แค่ในปัจจุบันนี้ เนื่องจากโครงสร้างพื้นฐาน Crypto AI ที่มีอยู่ยังล้าหลังอย่างมากในแง่ของปริมาณการทำธุรกรรม ความล่าช้า และค่าดำเนินการ ตัวอย่างเช่น ความเร็วในการทำธุรกรรมของ 0G ที่ 50 GB/วินาทีต่อconsensus ซึ่งเร็วกว่าคู่แข่ง 50,000 เท่า ด้วยต้นทุนที่ต่ำกว่า 100 เท่า ในขณะเดียวกัน 0G ยังมีระบบ data storage ในตัวที่ทำให้ storage เร็วขึ้น 1000 เท่าอีกด้วย

ระบบนี้ทำงานอย่างไร ?

ภาพรวมของส่วนประกอบหลักที่เป็นรากฐานของระบบปฏิบัติการ AI แบบ decentralized ของ 0G: 0G Storage, 0G DA และ 0G Serving

ส่วนประกอบทางสถาปัตยกรรมแต่ละส่วนได้รับการออกแบบมาเพื่อรองรับด้านต่างๆ ของขั้นตอนการทำงานของ AI:

1. 0G Storage: network แบบ decentralized ที่สร้างขึ้นเพื่อจัดการกับข้อมูลจำนวนมหาศาลอย่างมีประสิทธิภาพและปลอดภัย

2. 0G DA (Data Availability): เลเยอร์ data availability ที่สามารถขยายได้อย่างไม่มีที่สิ้นสุดและสามารถโปรแกรมได้ ซึ่งให้การเข้าถึงและการตรวจสอบข้อมูลอย่างราบรื่นสำหรับผู้ใช้ปลายทาง

3. 0G Serving: เฟรมเวิร์กที่รองรับการอนุมานโมเดล AI การเรียกคืนข้อมูล และงานการฝึกฝน ช่วยให้สามารถโต้ตอบกับแอปพลิเคชัน AI แบบ decentralized ได้แบบเรียลไทม์

แต่ละส่วนประกอบแบบโมดูลาร์ ซึ่งหมายความว่าสามารถปรับตัวให้เข้ากับขั้นตอนการทำงานของ AI ได้อย่างยืดหยุ่น โดยแยกฟังก์ชันต่างๆ เช่น data storage, availability และการคำนวณ ออกเป็นเลเยอร์เฉพาะทางต่างๆ

แม้ว่าเราจะให้ภาพรวมสั้นๆ ของแต่ละส่วน แต่เราขอแนะนำ whitepaper ของ 0G หรือบล็อกโพสต์ล่าสุดเพื่อเรียนรู้เพิ่มเติม:

https://0g.ai/blog

• 0G Storage: ฐานข้อมูล on-chain แบบ decentralized และขยายได้สูงที่ออกแบบมาเพื่อรองรับความต้องการข้อมูลทั้ง Web2 และ Web3
  
  โดยใช้การเข้ารหัสแบบ erasure coding ข้อมูลจะถูกแบ่งออกเป็นชิ้นเล็กๆ ที่ซ้ำซ้อนกัน เพื่อให้มั่นใจในความปลอดภัยและการเข้าถึงได้แม้ในกรณีที่ระบบล้มเหลว 0G Storage ได้รับการดูแลโดย network ของนักขุดที่ได้รับแรงจูงใจในการจัดเก็บและจัดการข้อมูลผ่านกลไกฉันทามติที่ไม่ซ้ำใครที่เรียกว่า Proof of Random Access (PoRA) นักขุดจะถูกทดสอบเป็นระยะเพื่อยืนยันว่าพวกเขาจัดเก็บชิ้นส่วนข้อมูลเฉพาะอย่างต่อเนื่อง

• 0G DA: ออกแบบมาเพื่อให้แน่ใจว่าข้อมูลสามารถเข้าถึงได้เสมอ
  
  สิ่งนี้ทำงานโดยใช้ประโยชน์จาก Data Availability node ที่เลือกแบบสุ่มผ่านฟังก์ชันสุ่มที่ตรวจสอบได้ (VRF) ซึ่งป้องกันกิจกรรมที่เป็นอันตรายที่อาจเกิดขึ้น node เหล่านี้มาถึงฉันทามติเกี่ยวกับการมีอยู่ของข้อมูลและสื่อสารกับ network ฉันทามติของ 0G เพื่อการตรวจสอบขั้นสุดท้าย โดยอนุญาตให้เพิ่ม network ใหม่และจัดการโดยผู้ตรวจสอบเดียวกัน 0G ช่วยให้สามารถขยายได้อย่างไม่มีที่สิ้นสุดในขณะที่ยังคงรักษาประสิทธิภาพและความปลอดภัย ทำให้เหมาะสำหรับแอปพลิเคชันแบบ decentralized ที่ต้องการข้อมูลที่เชื่อถือได้

• 0G Serving: กรอบการทำงานแบบ decentralized สำหรับโมเดลและบริการ AI ช่วยให้สามารถทำงานที่ปรับขนาดได้ เช่น การเรียกคืนข้อมูล, การอนุมาน AI, และการฝึกโมเดล
  
  0G Serving อนุญาตให้ผู้ให้บริการ AI เชื่อมต่อกับผู้ใช้ เผยแพร่โมเดลของตน และทำธุรกรรมผ่าน smart contracts ระบบแบบนี้ช่วยให้มั่นใจได้ว่าการชำระเงินสำหรับบริการ เช่น การประมวลผลข้อมูลหรือการคำนวณ มีความปลอดภัยและเป็นอัตโนมัติ โดยมีการกระจายไปทั่ว network เพื่อประสิทธิภาพสูงสุด ผ่านการกระจายอำนาจของทั้งบริการและการชำระเงิน 0G Serving จึงเป็นทางเลือกที่สามารถปรับขนาดได้และไม่ต้องอาศัยความไว้วางใจแทนแพลตฟอร์ม AI แบบรวมศูนย์

What’s Next?

ภารกิจหลักของ 0G คือการทำให้ AI เป็นสาธารณประโยชน์

เพื่อจุดประสงค์นี้ เราได้ให้การสนับสนุนโครงการ AI หลากหลายที่กำลังสร้างสรรค์ในพื้นที่ AI แบบ decentralized

เราได้รับความสนใจเทคโนโลยีของเราอย่างกว้างขวาง เนื่องจากความสามารถโดยรวมในการให้บริการ data storage และ data availability ที่รวดเร็ว ต้นทุนต่ำ ขยายขนาดได้อย่างมาก และเป็นระบบสำหรับทุกคนใน Web3 เพื่อจุดประสงค์นี้ เรากำลังสร้างระบบนิเวศที่กว้างใหญ่ร่วมกับพันธมิตรจากผู้เล่นสำคัญทั่ว Web3

https://0g.ai/blog/the-0g-ecosystem-a-comprehensive-overview

บางส่วนของพันธมิตรเหล่านี้ได้แก่:

• Gaming: เกมบนบล็อกเชนต้องการข้อมูลที่เกี่ยวข้องกับการพิสูจน์ทราบแบบ cryptography จำนวนมหาศาลที่ต้องเก็บรักษาอย่างน่าเชื่อถือ นอกเหนือจากข้อมูล metadata ทั่วไปทั้งหมด เช่น สินทรัพย์ คะแนน การกระทำของผู้เล่น และอื่น ๆ

• DeFi: data availability ที่รวดเร็วและขยายขนาดได้ของ 0G อาจสนับสนุน DeFi ที่มีประสิทธิภาพสูงบน L2 และ L3 บางตัว เนื่องจากการชำระบัญชีและ storage ที่รวดเร็ว ตัวอย่างเช่น สมุดคำสั่งซื้อขายบนบล็อกเชนเป็นไปได้ด้วยประสิทธิภาพการทำงานสูงและความหน่วงต่ำของ 0G

• L2 และ L3: ผู้เล่นหลักในด้าน rollup เช่น Arbitrum, Optimism, Polygon และอื่น ๆ เป็นพันธมิตรกับ data availability และ storage

เหตุผลก็คือระบบแบบ modular และ decentralized ของเราสามารถกระจายทรัพยากรฮาร์ดแวร์ที่รองรับการใช้งานบนบล็อกเชนทุกรูปแบบ โดยให้ความสำคัญกับ AI เป็นอันดับแรก การเป็น Decentralized AI Operating System (dAIOS) แห่งแรกเป็นบทบาทที่เราไม่ได้มองข้าม และเรามุ่งมั่นที่จะพัฒนาอุตสาหกรรมโดยภาพรวม

หากคุณต้องการสร้างสรรค์ไปกับเรา โปรดติดต่อเราที่

https://0g.ai/contact

https://x.com/cecilia_hsueh/status/1834215481332351058

Introducing Morph: The Global Consumer Layer

เราคือคนที่เปลี่ยนผ่านจากการเคยคิดว่า blockchain เป็นแค่การหลอกลวง จนมาถึงตอนนี้เราเชื่อมั่นในศักยภาพของมัน และนั่นคือเหตุผลที่เราเดินเข้าสู่วงการนี้เมื่อห้าปีก่อน ตอนนั้นเราเชื่อว่าเราสามารถใช้ blockchain เพื่อแก้ปัญหาการรวมศูนย์และสร้างโลกที่เป็นธรรมมากขึ้นสำหรับผูัคนจำนวนมากขึ้น
แต่ตอนนี้-ห้าปีผ่านไป ดูเหมือนว่าวงการ blockchain กำลังเบนออกนอกเส้นทางอย่างน่าอันตราย แทนที่มุ่งไปสู่การบรรลุซึ่งศักยภาพ วงการนี้กลับมุ่งเน้นไปที่การเก็งกำไร มากกว่าการทำให้สัญญาที่จะทำลายระบบรวมศูนย์และขับเคลื่อนไปสู่การใช้งานจริงอย่างแพร่หลาย เรากำลังเห็นระบบที่เอื้อประโยชน์ให้กับคนส่วนน้อยมากขึ้นเรื่อยๆ ผลักเราให้ห่างไกลจากวิสัยทัศน์ดั้งเดิมในการปฏิวัติอุตสาหกรรมและเสริมพลังให้กับปัจเจกบุคคล

ความท้าทายอันแสนเด่นชัด:

1. Users ต้องลำบากลำบนกับ UI/UX ที่ซับซ้อนและการทำความเข้าใจคำศัพท์เทคนิคยากๆ

2. Builders ต้องเผชิญกับอุปสรรคในการเข้าถึงทรัพยากรและการหาผู้ใช้งาน

3. โครงการที่มีแนวโน้มดีสุดท้ายมักจะหายไป เนื่องจากไม่สามารถเชื่อมต่อไปสู่การนำไปใช้ในโลกแห่งความเป็นจริงได้

สิ่งเหล่านี้ไม่ใช่เพียงอุปสรรคเล็กๆ แต่มันคืออุปสรรคสำคัญที่ทำให้เทคโนโลยี blockchain ไม่สามารถบรรลุศักยภาพที่จะสร้างการเปลี่ยนแปลงในระดับโลกได้อย่างเต็มความสามารถ

แล้วทำไมถึงเป็นเช่นนั้น? เพราะอุตสาหกรรมนี้มักจะให้ความสำคัญกับสร้างนวัตกรรมเพื่อให้ได้ชื่อว่ามีการสร้างนวัตกรรม - ใส่ความซับซ้อน เสริมประสิทธิภาพ และเพิ่มความพิเศษเฉพาะ อย่างไม่ยั้งคิด - แทนที่จะมุ่งความใส่ใจไปที่สิ่งที่สำคัญที่สุด ซึ่งก็คือ: CONSUMER

บ่อยครั้งที่เราลืมไปว่าการใช้งาจนจริงไม่ได้ขับเคลื่อนด้วยเทคโนโลยีเพียงอย่างเดียว แต่ด้วยประสบการณ์และความสะดวกในการใช้งานของ user

และนี่คือเหตุผลที่เราสร้าง Morph ขึ้นมา เรากำลังพัฒนาสิ่งที่เราเรียกว่า Global Consumer Layer สำหรับ Web3 ที่ไม่ใช่แค่การปรับเปลี่ยนเล็กๆน้อยๆ - แต่เป็นการเปลี่ยนแปลงพื้นฐานในวิธีการคิดของเราเกี่ยวกับตัวเทคโนโลยีและใช้งาน blockchain

การเป็น Global Consumer Layer หมายถึงอะไร?

Morph ไม่ใช่แค่ Ethereum L2 อีกหนึ่งตัว - แต่เราเป็นศูนย์กลางการกระจายทรัพยากรที่ Builders ต้องการเพื่อสร้างผลงานเข้าสู่ตลาดและขยายสู่การใช้งานที่มากขึ้น

เราต้องการสร้าง ecosystem ที่รวมเทคโนโลยีล้ำสมัย การสนับสนุนที่ครอบคลุมแก่Builders และกลยุทธ์การเข้าสู่ตลาด ซึ่งมีรายละเอียดดังต่อไปนี้:

1. การชนะใจ User: เราพร้อมเสมอที่จะให้ความช่วยเหลือในการนำโปรเจคของคุณไปเสนอให้กับ users ถึงที่ โดย Builders บน Morph จะสามารถเข้าถึง ecosystem ของเราที่มี users กว่า 40 ล้านคนได้ - เราเชื่อมต่อ users กับโปรเจคที่มีศักยภาพสูงสุดโดยตรง

2. การเชื่อมต่อไปสู่ Ecosystem: เราได้สร้างเครือข่ายที่มีพร้อมทั้งทรัพยากรและความสัมพันธ์ที่ดีทั่วทั้งภูมิทัศน์ของ Web3 โดยโครงการริเริ่มต่างๆ เช่น Morph Exchange Coalition และ VC Alliance ของเราใช้ประโยชน์จากความสัมพันธ์เหล่านี้เพื่อนำทางคุณตลอดทั้งกระบวนการ ตั้งแต่การหาเงินทุนไปจนถึงการเข้าสู่ตลาด เราสามารถสนับสนุนคุณอย่างที่ไม่มีใครเทียบได้ เพื่อให้มั่นใจว่าแนวคิดที่ยอดเยี่ยมของคุณจะสร้างโดดเด่นในทุกๆย่างก้าว

3. การสนับสนุน Builders: เรากำลังบ่มเพาะคลื่นลูกใหม่ที่มีความสามารถใน Web3 ผ่านโครงการอย่าง incubators, เงินอุดหนุน, การแข่งขันแฮกกาธอน, และโครงการ Morph Ambassador ของเรา การสนับสนุนBuildersไม่ใช่แค่สิ่งที่เราทำได้ของ Morph - แต่มันคือหัวใจสำคัญของทุกสิ่งที่เราทำ ความสำเร็จของคุณคือความสำเร็จของเรา

4. เทคโนโลยี: โครงสร้างพื้นฐานของเราสร้างความสมดุลระหว่างสมรรถภาพกับความเรียบง่าย ด้วยการมุ่งเน้นความใส่ใจไปที่ users โดย Morph นั้นมีสมรรถภาพมากพอสำหรับแอปพลิเคชันที่ต้องการประสิทธิภาพสูง แต่ก็ยังคงไว้ซึ่งความเรียบง่าย เพื่อBuildersสามารถให้ตั้งสมาธิไปที่การสร้างนวัตกรรม ไม่ใช่การแก้ไขปัญหา ตั้งแต่เริ่มต้นไปจนถึงการใช้งานประจำวัน เรากำลังทำให้บล็อกเชนใช้งานและเข้าถึงได้ง่าย โดยเราตั้งมาตรฐานของเราไว้ว่า: ถ้าเพื่อนๆและครอบครัวของเราไม่สามารถใช้มันได้อย่างง่ายดาย เราก็ยังไม่ถือว่าเป็นความสำเร็จ

   ศักยภาพของblockchain นั้นกว้างใหญ่ไพศาล และสะพานที่เราสร้างเพื่อเชื่อมต่อกับ users ทั่วไปจะเป็นสิ่งที่ปลดล็อกพลังอันแท้จริงของมัน นั่นคือสิ่งที่ Morph เป็น เราไม่ได้แค่ขยายจำนวนธุรกรรม แต่เรากำลังขยายวงของผลกระทบ เรามีความตื่นเต้นเป็นอย่างยิ่งกับสิ่งที่เรากำลังสร้าง และเรารอไม่ไหวแล้วที่จะได้เห็นว่าพวกคุณทุกคนจะสร้างอะไรด้วยเทคโลยีของเราบ้าง ไม่ว่าคุณจะเป็นนักพัฒนาบล็อกเชนที่มีประสบการณ์ ผู้มาใหม่ที่อยากรู้อยากเห็น หรือผูัที่กำลังศึกษาเพิ่มเติม Morph พร้อมสนับสนุนคุณ มากำหนดว่าอะไรคือ Global Consumer Layer และกำหนดอนาคตของ Web3 ร่วมกับเรา และมาทำให้เทคโนโลยี blockchain เป็นสิ่งที่เพื่อนและครอบครัวของเราจะใช้งานจริงกันอย่างถ้วนหน้า
   
   เรายินดีเป็นอย่างยิ่งที่จะมีคุณทุกคนร่วมเดินทางไปด้วยกันกับเรา

https://0g.ai/blog/0g-s-whitepaper-a-complete-breakdown

0G ได้เปิดตัว whitepaper ซึ่งเป็นเอกสารที่ออกมาเพื่ออธิบายความท้าทายและความซับซ้อนของ data availability ที่มีประสิทธิภาพสูงบน decentralized networks อย่างครอบคลุม

แม้คุณจะสามารถอ่าน whitepaper ดูได้แล้วที่ด้านล่างนี้

https://4134984757-files.gitbook.io/~/files/v0/b/gitbook-x-prod.appspot.com/o/spaces%2FsEYMfeKUqxaOUwhkw6AT%2Fuploads%2Fgit-blob-fa3a71bed8878f4e90b39eeaf45787bd0c797cd7%2F0g-whitepaper.pdf?alt=media

เราก็ยังได้ออกบทความนี้ที่เป็นการสรุปภาพรวมแบบง่ายๆ ไว้ให้คุณด้วย

สำหรับผู้ที่ต้องการศึกษา whitepaper ด้วยตนเอง เราขอแนะนำ:

• เริ่มต้นด้วยบทคัดย่อและบทนำ สองส่วนนี้รวมข้อสรุปอย่างกระชับเกี่ยวกับปัญหาของ data availability และวิธีการแก้ปัญหานั้นของ 0G

• ทำความเข้าใจการออกแบบระบบ: ส่วน "ภาพรวมของการออกแบบระบบ - Overview of the System Design" ให้มุมมองภาพใหญ่ของโครงสร้างสถาปัตยกรรมของ 0G และความสัมพันธ์ระหว่าง 0G Storage, 0G DA และ 0G Consensus

• ศึกษารายละเอียดทางเทคนิค: สำหรับผู้ที่สนใจการนำไปใช้งานทางเทคนิค "0G Storage" และ "Log System Protocol" จะอธิบายวิธีการจัดเก็บ เข้าถึง และตรวจสอบความถูกต้องของข้อมูล

• ทบทวนกลไกการจูงใจ: ส่วน "กลไกการจูงใจ - Incentive Mechanism" มีความสำคัญเป็นพิเศษสำหรับผู้ที่อาจเป็น node operators และผู้ที่สนใจด้านเศรษฐกิจของ network ซึ่งครอบคลุมฉันทามติแบบ Proof-of-Random-Access ของ 0G และข้อมูลอื่นๆที่เกี่ยวข้อง

การอ่านตามขั้นตอนดังนี้ คุณจะสามารถศึกษา 0G Whitepaper ได้อย่างมีประสิทธิภาพและยังได้มุ่งเน้นไปที่สิ่งที่เกี่ยวข้องกับคุณมากที่สุด - ไม่ว่าคุณจะเป็นนักพัฒนา นักวิจัย หรือพันธมิตรในอนาคต

และหากคุณสนใจที่จะมาทำงานร่วมกับ 0G กรุณาติดต่อที่นี่

https://0g.ai/contact

บริบท: ทำไมถึงต้องมี 0G?

ความต้องการในโซลูชั่นของ 0G เกิดจากปริมาณ on-chain data ที่เพิ่มขึ้นอย่างรวดเร็วและความต้องการที่เพิ่มขึ้นสำหรับแอปพลิเคชันขั้นสูง เช่น decentralized AI และการซื้อขายความถี่สูง โซลูชัน data availability ในปัจจุบันนั้นตอบโจทย์เพียงบางส่วน และมาพร้อมกับข้อจำกัดที่สำคัญ ซึ่งประกอบด้วย ความล่าช้า ปริมาณการรับส่งข้อมูล การทำงานร่วมกันระหว่างระบบ และความไม่มีประสิทธิภาพด้านต้นทุน ข้อจำกัดเหล่านี้เป็นอุปสรรคต่อความสามารถในการรองรับแอปพลิเคชันแบบ decentralized รุ่นต่อๆไป

ตัวอย่างเช่น วิธีการของ Celestia ซึ่งกระจายข้อมูลไปยัง consensus nodes ทั้งหมด จำกัดปริมาณการรับส่งข้อมูลไว้ที่ 10 MBps นอกจากนี้ โมเดล light client ของ Celestia ยังก่อให้เกิดความกังวลเกี่ยวกับความสามารถในการทำกำไร และโค้ดเบสที่มีอยู่อาจต้องการการอัปเดตครั้งใหญ่เพื่อให้ยังคงแข่งขันได้

0G ตอบโจทย์ความท้าทายเหล่านี้โดยนำเสนอระบบปฏิบัติการ AI ที่สามารถขยายได้อย่างไม่มีที่สิ้นสุดผ่านการออกแบบสถาปัตยกรรมที่แยกเป็นระดับชั้นในรูปแบบโมดูลาร์

สถาปัตยกรรมนี้ไม่เพียงแต่ทำให้โซลูชัน data storage และ availability ของ 0G นั้นมีเสถียรภาพเท่านั้น แต่ยังสามารถปรับขนาดเพื่อตอบสนองความต้องการของกรณีการใช้งานขั้นสูง ซึ่งเราได้กล่าวถึงหลายอย่างไว้ที่นี่

https://0g.ai/blog/the-utility-of-0g#:~:text=Who%20can%20benefit,scale%20using%200G.

ต่อไป ด้วยบริบทนี้ เรามาเริ่มต้นด้วย "design ของ ระบบของ 0G” กัน

ส่วนที่ 1: การออกแบบระบบ - System Design

Design ของ 0G หมุนรอบสถาปัตยกรรมที่แยกเป็นระดับชั้นในรูปแบบโมดูลาร์ ซึ่งเป็นโครงสร้างหลักของ data availability layer ที่ปรับขนาดได้และปลอดภัย เรียกว่า "0G DA" สถาปัตยกรรมนี้สร้างขึ้นบน decentralized storage network ที่เรียกว่า "0G Storage" วิธีการแบบโมดูลาร์ช่วยให้แต่ละองค์ประกอบสามารถทำงานได้อย่างอิสระแต่สอดคล้องกัน ช่วยให้สามารถสืบค้นและตรวจสอบข้อมูลได้อย่างมีประสิทธิภาพโดยตรงจากระบบภายในของ 0G ซึ่งรับประกันประสิทธิภาพและความน่าเชื่อถือสูง

สำหรับ 0G Storage ในการจัดเก็บข้อมูล ข้อมูลจะถูกเข้ารหัสแบบลบเลือน (first erasure coded) ซึ่งหมายความว่าข้อมูลจะถูกแยกออกเป็นชิ้นเล็กๆ (fragmented) พร้อมองค์ประกอบที่ซ้ำซ้อนและกระจายตัวไปยังตำแหน่งจัดเก็บหลายแห่ง designนี้ช่วยให้การกู้คืนสามารถทำได้อย่างรวดเร็วในกรณีที่ storage node ใดๆเกิดล้มเหลว จากนั้น Merkle tree จะถูกสร้างขั้น ด้วยข้อมูลเหล่านี้และถูกส่งไปยัง consensus layer ของ 0G ("0G Consensus") ซึ่งบันทึกลำดับของข้อมูลที่เข้าสู่ระบบด้วยวิธีการเข้ารหัสลับและรับประกันการเรียกคืนข้อมูลที่รวดเร็วและแม่นยำ จากนั้นชิ้นส่วนของข้อมูลจะถูกส่งไปยัง Storage Nodes ต่างๆ ซึ่งจะกล่าวถึงด้านล่าง

การทำงานร่วมกันระหว่าง 0G Storage และ 0G Consensus ดำเนินการดังนี้:

1. ข้อมูลถูกเข้ารหัสแบบลบเลือนและจัดเก็บใน 0G Storage

2. 0G Consensus จัดการการสื่อสารและการซิงโครไนซ์ข้อมูลผ่าน data publishing lane พิเศษ ซึ่งรับประกันว่ามีเฉพาะข้อมูลที่จำเป็นเท่านั้นที่จะต้องผ่านกระบวนการฉันทามติ ซึ่งช่วยเพิ่มประสิทธิภาพและความสามารถในการขยายความจุได้ตามความต้องการ

สถาปัตยกรรมนี้มีความสามารถในการขยายความจุได้สูงมาก เนื่องจาก 0G Consensus สามารถมี consensus networks อิสระได้จำนวนมากตามต้องการ (เช่น 1, 100 หรือแม้แต่ 1,000) consensus networks เหล่านี้ทำงานแบบขนานกัน ขยายตัวตามความต้องการ และแต่ละเครือข่ายรับผิดชอบในการจัดการข้อผูกพันของข้อมูลและรับประกันความถูกต้องของข้อมูลที่จัดเก็บ

ความเสี่ยงที่สำคัญคือ อาจมี Storage Nodes ที่มีเจตนาร้ายและสมรู้ร่วมคิดกันเมื่อมีการทำธุรกรรมกับ 0G Consensus เพื่อบรรเทาปัญหานี้ 0Gจึงใช้การออกแบบแบบคณะประชุม (quorum design) โดย VRF จะสุ่มเลือก nodes เพื่อป้องกันการสมรู้ร่วมคิด

ด้วยการกระจาย data ไปยังสัดส่วนต่างๆ และอนุญาตให้สัดส่วนเหล่านี้ถูกประมวลผลพร้อมกันโดย consensus networks ที่แตกต่างกัน 0G บรรลุการขยายขนาดที่แทบจะไม่มีขีดจำกัด การออกแบบนี้ทำให้มั่นใจว่าระบบสามารถรองรับความต้องการที่เพิ่มขึ้นของแพลตฟอร์ม decentralized AI เช่น การให้ปริมาณ data จำนวนมหาศาลสำหรับการ train โมเดลแบบเรียลไทม์

นอกจากนี้ 0G ยังมีกลไกการ staking ร่วมกันระหว่าง consensus networks ทั้งหมด โดยผู้ตรวจสอบ (Validators) จะ stake ทุนบน Ethereum mainnet เพื่อที่ต่อจะได้ทำการตรวจสอบใน consensus networks ต่างๆ ของ 0G วิธีการ shared staking นี้ช่วยสร้างความมั่นใจในระดับความปลอดภัยที่สม่ำเสมอใน consensus networks ทั้งหมด โดยใช้ประโยชน์จากการรับประกันความปลอดภัยของ Ethereum

โดยสามารถดูภาพการทำงานตรงด้านล่างนี้

ส่วนที่ 2: Log Layer

ต่อไป เราจะกล่าวถึงระบบ log ของ 0G ซึ่งเป็นระบบ append-only สำหรับ data ที่ไม่มีโครงสร้าง (unstructured data) ที่รับผิดชอบการจัดระเบียบและจัดเก็บ data อย่างมีประสิทธิภาพภายใน 0G Storage

รายการ data ในระบบ log สอดคล้องกับธุรกรรมที่ถูกจัดเก็บในลักษณะ sequential, append-only นี่คล้ายกับระบบไฟล์แบบดั้งเดิม โดยที่รายการ log ทุกรายการเป็นเหมือนไฟล์ที่สามารถเข้าถึงและตรวจสอบได้ง่ายโดยผู้เข้าร่วมทุกคนใน network ผลลัพธ์คือ data ถูกส่งไปยัง 0G Storage ในขณะที่ก็ยังคงพร้อมใช้งานได้

นอกจากนี้ยังมี Key-Value (KV) runtime ที่ทำงานบนระบบ log โดยมุ่งเน้นไปที่ data ที่มีโครงสร้าง (structured data) ซึ่งสามารถอัปเดตได้ผ่านรายการใหม่ที่เพิ่มเข้าไปในรายการ log เดิม เราจะกล่าวถึงเรื่องนี้เพิ่มเติมในส่วนที่ 4

ส่วนที่ 3: การสร้างแรงจูงใจ

เพื่อสร้างแรงจูงใจให้ miners ที่จัดเก็บข้อมูลใน network ของ 0G อย่างมีประสิทธิภาพ เราจึงมีการใช้โปรโตคอล Proof of Random Access (PoRA)

PoRA กำหนดให้ miners ต้องตอบสนองต่อคำถามสุ่มที่เกี่ยวข้องกับส่วนเฉพาะของข้อมูลที่เก็บไว้ โดยกระบวนการนี้ miners จะต้องโหลดข้อมูลที่ถูกร้องขอ คำนวณแฮช และตัดสินว่าผลลัพธ์ที่ได้ตรงกับความยากที่กำหนดไว้หรือไม่ โดยดูจากจำนวนศูนย์นำหน้าที่เพียงพอ (คล้ายกับระบบ PoW เช่น Bitcoin) เนื่องจากคำถามนั้นเป็นแบบสุ่ม miners สามารถเพิ่มโอกาสในการขุดรางวัลสำเร็จได้โดยการทุ่มเทกำลังการประมวลผลมากขึ้นและเก็บข้อมูลมากขึ้น วิธีนี้ช่วยให้มั่นใจได้ว่า nodes ที่ทำงานมากที่สุดและมีทรัพยากรมากที่สุดจะได้รับรางวัลอย่างเหมาะสมสำหรับการมีส่วนร่วมใน data availability ของ network

เพื่อรักษาความเป็นธรรมระหว่าง miners โดยเฉพาะผู้ที่มีทรัพยากรน้อยกว่า ช่วงการขุดจึงถูกจำกัดไว้ที่ข้อมูล 8 TB นั่นหมายความว่าแม้แต่นักขุดที่ใช้เครื่องเดียวก็สามารถแข่งขันได้อย่างมีประสิทธิภาพภายในช่วงข้อมูล 8 TB ที่กำหนด ในขณะที่ miner ขนาดใหญ่ที่มีหลายเครื่องก็สามารถขุดข้ามหลายช่วงข้อมูลพร้อมกันได้ การออกแบบนี้ช่วยให้มั่นใจว่า miner รายเล็กมีโอกาสที่เป็นธรรมในการรับรางวัล และป้องกันไม่ให้การ miner ขนาดใหญ่ผูกขาดกระบวนการ

การสร้างแรงจูงใจให้ nodes แบ่งปันข้อมูลนั้นเป็นความท้าทายโดยธรรมชาติ โดยเฉพาะอย่างยิ่งเนื่องจากกิจกรรมส่วนใหญ่เกิดขึ้นนอกการกำกับดูแลโดยตรงของ 0G Consensus เพื่อแก้ไขปัญหานี้ 0G มีกลไกค่าลิขสิทธิ์ในตัวที่ให้รางวัลแก่ nodes สำหรับการแบ่งปันข้อมูล เมื่อมีการสร้างหลักฐานการขุด PoRA ใหม่โดยอิงจากข้อมูลที่แบ่งปัน ผู้ให้ข้อมูลเดิมจะได้รับค่าลิขสิทธิ์ ตัวอย่างเช่น หาก Node A แบ่งปันข้อมูลกับ Node B และ Node B ใช้ข้อมูลนั้นเพื่อสร้างหลักฐานการขุดที่ถูกต้อง Node A จะได้รับรางวัลเป็นส่วนหนึ่งของรางวัลการขุด

ส่วนที่ 4: Key-Value Runtime

Key-Value store เป็นวิธีจัดการข้อมูลที่มีโครงสร้าง (structured data) ซึ่งต้องการความสามารถในการแก้ไขได้ (เช่น ความสามารถในการเปลี่ยนแปลงหรืออัปเดตข้อมูลเมื่อเวลาผ่านไป) สิ่งนี้มีความสำคัญสำหรับแอปพลิเคชันที่เกี่ยวข้องกับข้อมูลที่เปลี่ยนแปลง ซึ่งเกี่ยวข้องกับกรณีการใช้งานทั้งหมดที่ 0G ให้บริการ

KV store สร้างขึ้นบนชั้น log ซึ่งรับผิดชอบในการเก็บข้อมูลที่ไม่มีโครงสร้าง (unstructured data) อย่างถาวรในลักษณะ decentralized และเพิ่มเติมได้เท่านั้น (append-only) ชั้น log ช่วยให้มั่นใจว่าข้อมูลยังคงสอดคล้องกันและไม่สามารถเปลี่ยนแปลงได้เมื่อถูกเขียนเรียบร้อบแล้ว ในขณะที่ KV store อนุญาตให้จัดการข้อมูลที่เปลี่ยนแปลงไปได้ภายในโครงสร้างนี้

KV store ยังรองรับการประมวลผลธุรกรรม ซึ่งช่วยให้มั่นใจว่าการดำเนินการกับข้อมูลจะถูกดำเนินการอย่างสอดคล้องกัน แม้ว่าจะมีผู้ใช้หลายคนกำลังทำการอัปเดตพร้อมกันก็ตาม สิ่งนี้มีความสำคัญสำหรับแอปพลิเคชันเช่นการแก้ไขแบบพร้อมๆกันจากหลาย user (เช่น เวอร์ชัน on-chain ของ Google Docs, Notion และอื่น ๆ) node ทั้งหมดของ KV store ใน network จะซิงโครไนซ์สถานะของตนโดยประมวลผลรายการบันทึก ทำให้มั่นใจว่า node แต่ละตัวมีภาพข้อมูลที่เป็นปัจจุบันและสอดคล้องกัน

บทสรุป

ตลอด whitepaper เราได้สำรวจแง่มุมสำคัญของสถาปัตยกรรมของ 0G รวมถึงการออกแบบระบบ ชั้น log กลไกการจูงใจ และ Key-Value runtime โดยองค์ประกอบแต่ละส่วนนี้มีบทบาทสำคัญในการทำให้มั่นใจว่า 0G สามารถส่งมอบโซลูชัน decentralized storage ที่มีประสิทธิภาพและเชื่อถือได้

เราขอเชิญชวนให้นักพัฒนา นักวิจัย และพันธมิตรในอุตสาหกรรม ศึกษา whitepaper อย่างลึกซึ้งยิ่งขึ้น และพิจารณาโอกาสในการทำงานร่วมกัน เมื่อ 0G ยังคงพัฒนาต่อไป เพราะมีโอกาสมากมายที่จะร่วมมือกันในการทำให้ AI เป็นสาธารณประโยชน์

หากคุณต้องการมีส่วนร่วม โปรดติดต่อที่

https://0g.ai/contact

https://0g.ai/blog/the-evolution-of-data-availability-in-blockchain-and-what-s-next

Data Availability (DA) หมายถึงการมีอยู่ของ data ของธุรกรรมที่เกี่ยวข้องและจำเป็นในการตรวจสอบความถูกต้องของ block และเนื่องด้วยการที่มันมีความเกี่ยวข้องโดยตรงกับความสามารถในประสิทธิภาพ, การใช้งานที่เป็นไปได้, และการขยายของ Ethereum network ทำให้ DA จึงกลายเป็นหนึ่งในความท้าทายด้านโครงสร้างพื้นฐานที่สำคัญที่สุดของ Web3

บทความนี้ที่พูดถึงการทำความเข้าใจวิวัฒนาการของ DA เป็นข้อมูลเชิงลึกขั้นสูงซึ่งจะทำให้ผู้อ่านเกี่ยวกับเทคโนโลยีนี้และทิศทางการพัฒนา รวมถึงกรณีการใช้งานหลักๆ เช่น AI on-chain อย่างแท้จริง ซึ่งกำลังใกล้เคียงความจริงขึ้นเรื่อยๆในขณะนี้

ในบทความนี้ เราจะครอบคลุมเรื่อง:

• Data Availability และความสำคัญของมัน

• การเกิดขึ้นของ DA Layer

• ข้อจำกัดสำคัญที่ส่งผลต่อความก้าวหน้าของอุตสาหกรรม

• สถาปัตยกรรมใหม่สำหรับงานที่ต้องการประสิทธิภาพสูง

ยุคแรกเริ่ม: 2017-2021

เพียงในช่วงแรกเริ่มของ Ethereum เราก็เห็นได้ชัดแล่วว่าความสามารถในการขยายขนาดเป็นปัญหาสำคัญ เยื่องจากเครือข่ายมีธุรกรรมประมาณ 1 ล้านรายการต่อวันในปี 2017 เพียงปีเดียว โดยมีวิธีแก้ปัญหาต่างๆที่ถูกเสนอไว้ ได้แก่:

1. Plasma: กรอบการทำงานการใช้ child chain ที่ส่ง data เป็นระยะไปยัง chain หลักของ Ethereum

2. Sharding: การประมวลผลธุรกรรม Horizontal processing สำหรับ Ethereum

3. State channels: ช่องทางธุรกรรม off-chain ที่ชำระ on-chain เมื่อผู้เข้าร่วมตกลงที่จะปิดธุรกรรม Layer 2 networks ถูกเลือกเป็นวิธีแก้ปัญหาหลัก โดยจัดการธุรกรรม off-chain แล้วส่งหลักฐานสรุปไปยัง Ethereum เพื่อพิสูจน์การดำเนินการที่ซื่อสัตย์ โดย Optimism และ Arbitrum เป็นสองตัวอย่างที่เปิดตัวในปี 2021 และรักษา data availability โดยเปิด data ธุรกรรม off-chain ที่ node เต็มรูปแบบใดๆ สามารถตรวจสอบได้

อย่างไรก็ตาม จำนวนธุรกรรมรายวันบน Layer 2 ได้เติบโตขึ้นอย่างมากตั้งแต่นั้นมา (ดูด้านบน) full node ของ Ethereum ซึ่งรับผิดชอบในการเก็บประวัติธุรกรรมทั้งหมดของ Ethereum จึงได้รับ data มากขึ้นเรื่อยๆ

ในขณะนั้น การอัปเกรด EIP-4844 ของ Ethereum ยังไม่เกิดขึ้น ซึ่งหมายความว่าการลง data ธุรกรรมของ Layer 2 ไปยัง Ethereum มีค่าใช้จ่ายสูงมาก จึงจำเป็นต้องมีโซลูชันที่สามารถพิสูจน์ความพร้อมใช้งานของ data ได้อย่างมีประสิทธิภาพ ซึ่งเป็นที่รู้จักกันในชื่อ data availability layer

การเกิดขึ้นของ Data Availability Layer: 2021-2023

ระหว่างปี 2021 ถึง 2023 โครงการต่างๆ เริ่มพัฒนา data availability layer (DAL) เหล่านี้ ซึ่งช่วยลดค่าใช้จ่ายในการทำให้ data พร้อมใช้งานอย่างมีนัยสำคัญ

เพื่อทำความเข้าใจ DAL เราควรเริ่มจากโครงสร้างเครือข่ายที่มีสี่ layer ที่แตกต่างกัน:

• Execution Layer: ตัวดำเนินการธุรกรรมที่มีความถูกต้องและ smart contract operations

• Settlement Layer: สรุปและบันทึกธุรกรรมเพื่อให้แน่ใจว่าไม่สามารถเปลี่ยนแปลงได้

• Data Layer: จัดเก็บและให้การเข้าถึง data ธุรกรรมและสถานะของ blockchain

• Consensus Layer: ทำให้แน่ใจว่า node ทั้งหมดในเครือข่ายเห็นพ้องกันเกี่ยวกับสถานะปัจจุบันของ blockchain และลำดับของธุรกรรม

blockchain แบบ monolithic คือ blockchain ที่ full node ในเครือข่ายจัดการทั้ง 4 งาน โดย Ethereum จะเป็นตัวอย่างหนึ่งในกลุ่มนี้

ในทางตรงกันข้าม blockchain แบบ modular แยก Data และ Consensus ออกจาก Execution และ Settlement Layers ทำให้มีวิธีการจัดเก็บและตรวจสอบ data ที่ค่าใช้จ่ายถูกกว่า Celestia เปิดตัวในช่วงปลายปี 2023 ในฐานะผู้บุกเบิกรายแรกๆ โดยใช้การสุ่มตัวอย่างความพร้อมใช้งานของ data สำหรับการตรวจสอบ data อย่างมีประสิทธิภาพในด้านค่าใช้จ่าย ซึ่งทุกคนสามารถมีส่วนร่วมได้โดยไม่จำเป็นต้องมี full node

โดยสรุป วิธีนี้ทำงานโดยให้ light client (เวอร์ชันที่เบากว่าของ full node) แต่ละตัวเก็บ data เล็กๆ น้อยๆ และใช้การสุ่มตัวอย่างทางคณิตศาสตร์เพื่อพิสูจน์ว่า data ทั้งหมดมีอยู่จริงและถูกต้อง

โซลูชัน DAL อื่นๆ เช่น NEAR, EigenDA และ Avail ก็ได้เข้ามาในตลาดแล้ว โดยแต่ละ DAL มีแนวทางที่เป็นเอกลักษณ์ เช่น NEAR ที่พึ่งพาการแบ่ง shard และ EigenDA ที่ใช้คณะกรรมการตรวจสอบความพร้อมใช้งานของ data

ดังที่เราจะเห็น แต่ละโซลูชันมีข้อจำกัดที่ส่งผลกระทบอย่างมากต่อทั้งประสิทธิภาพและการใช้งานที่เป็นไปได้

ข้อจำกัดของ DAL: ตั้งแต่ปี 2566 เป็นต้นไป

ตอนนี้เราอยู่ในจุดที่น่าสนใจ ที่ DAL หลายตัวได้เปิดตัวและมีผู้ใช้มันเป็นโครงสร้างพื้นฐานมากมาย แต่เทคโนโลยีนี้ก็ยังไม่สามารถรองรับการใช้งานในอนาคตได้

เมื่อพิจารณาปัญหาคอขวดด้านประสิทธิภาพของ Celestia ซึ่งรวมถึงความเร็ว block ที่ 12 วินาที (ซึ่งหมายถึงยังค่อนข้างจะล่าช้า) ในขณะที่ปริมาณการทำธุรกรรมจำกัดอยู่ที่ 6.67 เมกะไบต์ต่อวินาที และแม้ว่าปริมาณการทำธุรกรรมของ NEAR จะมากกว่าสองเท่าของ Celestia แต่ความเร็วของทั้งสองโซลูชั่นยังไม่เพียงพอและเหมาะสมที่สุดเพียงสำหรับ Layer 2 ที่มีความต้องการด้านประสิทธิภาพไม่มากนัก

เมื่อการใช้งาน Web3 เติบโต ความต้องการในการประมวลผล on-chain อย่างทันท่วงที ปลอดภัย และคุ้มค่าก็เพิ่มขึ้นด้วย ความเป็นจริงคือโซลูชัน DA ที่มีอยู่ยังไม่เพียงพอสำหรับสิ่งนี้ และไม่สามารถรองรับการใช้งานต่างๆ เช่น:

• AI on-chain: โมเดล AI ต้องเข้าถึง data จำนวนมากอย่างรวดเร็วและด้วยต้นทุนที่ต่ำสำหรับการ train โมเดล การอนุมานข้อมูล (data inferences) และอื่นๆ

• การเทรดความถี่สูง (High-Frequency Trading): ต้องการการสืบค้นราคาในสมุดคำสั่งซื้อขายอย่างรวดเร็ว และการชำระเงินที่รวดเร็ว

• เกม: ต้องการการเข้าถึง data เช่น สถานะเกม สินทรัพย์ การโต้ตอบของผู้เล่น และอื่นๆ อย่างรวดเร็ว

• ความสามารถในการทำงานร่วมกัน (Interoperability): การแบ่งปัน data ระหว่างเครือข่าย blockchain ต่างๆ อย่างรวดเร็ว

• ตลาด data: ที่ผู้ใช้สามารถจัดเก็บ อัปเดต และสืบค้น data on-chain ได้อย่างมีประสิทธิภาพ เปิดโอกาสทางธุรกิจใหม่ๆ เกี่ยวกับการแบ่งปันและการสร้างรายได้จาก data

โชคดีที่ด้วยความสำคัญของ DA ทำให้ DA ได้รับความสนใจอย่างกว้างขวางมากขึ้น และหลายคนกำลังแข่งขันกันสร้างโซลูชันที่มีประสิทธิภาพอย่างแท้จริงตามที่ต้องการ

นอกจากนี้ DA ยังเป็นตลาดขนาดใหญ่ ซึ่งหมายความว่าจะมีความต้องการด้านความพร้อมใช้งานของ data อย่างไม่มีที่สิ้นสุดและมีพื้นที่สำหรับโซลูชันมากมาย

Infinitely Scalable DA: ตั้งแต่ปี 2567 เป็นต้นไป

ในตลาด DA ผู้เล่นมากมายกำลังแข่งขันกันเพื่อตอบสนองการใช้งานข้างต้นและการใช้งานใหม่อื่นๆ โดยผู้ที่จะชนะในที่นี่จะต้องนำเสนอโซลูชันที่:

• รวดเร็ว: ควรสามารถสืบค้นหรือตรวจสอบ data ได้ภายในเสี้ยววินาที คล้ายกับโซลูชันโครงสร้างพื้นฐาน data ของ Web2 เช่น AWS

• ทำงานร่วมกันได้: สามารถรองรับเครือข่าย EVM และ non-EVM

• ขยายได้มาก: สามารถทำงานร่วมกันในระดับโลกด้วยธุรกรรมนับพันล้าน (หรือมากกว่า) ในเวลาใดก็ได้ โดยเฉพาะอย่างยิ่งสำหรับ AI หรือการเทรดความถี่สูง

แม้ยังไม่มีโซลูชัน DA รุ่นแรกที่มีสามารถรองรับสิ่งนี้ในปัจจุบัน แต่มีทีมที่เก่งกาจมากมายที่กำลังทำงานกันอย่างหนัก

ในขณะเดียวกัน 0G ได้ระดมทุนรอบ pre-seed มูลค่า 35 ล้านดอลลาร์สำหรับสถาปัตยกรรม DA ใหม่ที่คาดว่าจะแก้ไขปัญหาข้างต้น

เราได้กล่าวถึงเรื่องนี้อย่างละเอียดในบล็อกโพสต์อื่นๆของเรา แต่โดยรวมแล้ว 0G มีระบบจัดเก็บ data ในตัวที่สามารถสืบค้นได้อย่างรวดเร็วเพื่อความพร้อมใช้งานของ data ที่ประมาณ 10-30 เมกะไบต์ต่อวินาที (เร็วกว่า Celestia 24 เท่า) นอกจากนี้ยังสามารถขยายได้ไม่จำกัด เนื่องจากสามารถเพิ่มเครือข่ายฉันทามติได้อย่างต่อเนื่อง โดยแต่ละเครือข่ายจัดจะการธุรกรรมแบบขนานกัน โดยมีจุดประสงค์ที่สำคัญเป็นอันดับแรกคือการตอบโจทย์ของโครงการ AI ที่ต้องการโซลูชัน DA เช่น 0G โดยเฉพาะ เพราะเรามุ่งเน้นที่จะทำให้ AI เป็นสาธารณประโยชน์

เทคโนโลยีนี้มีแนวโน้มที่น่าสนใจเป็นอย่างยิ่ง และนั่นคือเหตุผลที่นักลงทุนสนใจโครงการนี้มากเช่นกัน อย่างไรก็ตาม ทีมงานตระหนักดีว่านี่เป็นตลาดขนาดใหญ่ที่มีพื้นที่สำหรับหลายโซลูชัน และหวังว่าจะได้เห็นโซลูชันที่น่าสนใจอื่นๆ ที่นำเสนอเพื่อให้เราสามารถพัฒนาพื้นที่ตรงนี้ไปด้วยกัน

สุดท้ายนี้ เราหวังว่าบทความนี้ได้ครอบคลุมบริบทที่เป็นประโยชน์เกี่ยวกับสภาวะตลาดและประวัติการพัฒนา DA solution สำหรับผู้อ่านทุกคน

*หากคุณต้องการมีส่วนร่วมในการพัฒนา ecosystem กับเรา กรุณาส่งข้อความหาเราที่ https://0g.ai/contact!

*และอย่าลืมติดตามเราบน Twitter เพื่อติดตามข่าวสารล่าสุดของเราที่ https://x.com/0G_labs

https://0g.ai/blog/how-0g-can-power-better-web3-gaming

ลองนึกภาพทุ่งราบที่มีทหารนับสิบกำลังต่อสู้กันในเกมออนไลน์แบบผู้เล่นหลายคน (MMORPG) ก่อให้เกิดปฏิสัมพันธ์ที่ซับซ้อนนับพันขึ้นพร้อมๆกัน - เวทมนตร์ การป้องกัน การโจมตีติดคริติคอล การตาย การฟื้นคืนชีพ แต่ละตัวละครถูกควบคุมโดยผู้เล่น รวมถึงมีตัวละครของเกมต่างๆ (NPC) ด้วย ตอนนี้ลองมองภาพกว้างออกไปถึงโลกทั้งใบของการต่อสู้ ภารกิจ การปล้นสะดม การแชท และทุกสิ่งที่เกิดขึ้นในจักรวาลของเกมนั้น การเล่นเกมบน Blockchain แบบเต็มรูปแบบจำเป็นต้องบันทึกการเคลื่อนไหวแต่ละอย่างเหล่านี้ในระดับที่เร็วกว่าวินาที ซึ่งปัจจุบันยังไม่สามารถทำได้

Blockchain จะสามารถจัดการเกม Web3 แบบเต็มรูปแบบบนเชนได้อย่างไร?

คำตอบคือ: 0G

Blockchain gaming นั้นต้องการ:

• ปริมาณธุรกรรมสูง

• ความสามารถในการขยายตัวมหาศาล

• ค่าธรรมเนียมต่ำ

• ฐานข้อมูลขนาดใหญ่

• ความสามารถในการทำงานร่วมกัน และ

• การผสานรวมกับ AI

0G เป็นโซลูชันเพียงหนึ่งเดียวที่สามารถตอบสนองทุกความต้องการข้างต้นได้ โดยการสางมอบโครงสร้างพื้นฐานทางเทคนิคที่ Web3 gaming ต้องการ

โซลูชัน DA ที่มีอยู่ไม่สามารถรองรับ Web3 gaming ได้

ปัจจุบัน Web3 gaming ส่วนใหญ่อยู่นอก blockchain เนื่องจากยังไม่มีโครงสร้างพื้นฐานที่สามารถรองรับเกมบน blockchain ได้

โซลูชันการเข้าถึงข้อมูล (Data Availability - DA) ที่มีอยู่นั้น ยังไม่เพียงพอในแง่ของความเร็วและปริมาณการทำธุรกรรม ไม่สามารถรองรับเกมรุ่นใหม่ที่ต้องการผู้เล่นและ AI เอเจนท์หลายพัน ที่จะโต้ตอบกันในโลกดิจิทัลที่ซับซ้อนพร้อมกันได้ ซึ่งทำให้ไม่เพียงแต่ต้องเก็บข้อมูลจำนวนมาก (ข้อมูลเกม ตำแหน่งผู้ใช้ ไอเทม ฯลฯ) แต่ข้อมูลเหล่านี้ต้องสามารถถูกดึงมาใช้งาน (queried) และอัปเดตได้อย่างรวดเร็วตามการพัฒนาของเกม

การทำสิ่งนี้บน blockchain ไม่สามารถเกิดชึ้นจริงได้เนื่องจากข้อจำกัดด้านปริมาณและความล่าช้าของการทำธุรกรรมต่างๆ

เราขอยกตัวอย่าง Celestia (ซึ่งถือว่าเป็นผู้บุกเบิกการทำ DA) มีปริมาณการทำธุรกรรมจำกัดที่ 6.67 MBต่อวินาที ในทางตรงกันข้าม จากการทดสอดบน testnet นั้น 0G สามารถบรรลุปริมาณการทำธุรกรรม อย่างที่ DA ไม่เคยทำได้มาก่อนถึง 50 GBต่อวินาทีในทุกช่วงเวลา (มากกว่าประมาณ 7,600 เท่า)

แล้วเราทำได้อย่างไร? 0G ได้ออกแบบสถาปัตยกรรม DA ใหม่ทั้งหมดเพื่อรองรับการเล่นเกมที่ราบรื่น โดยให้โซลูชันที่เร็วกว่าและถูกกว่ามาก

ความสามารถในการขยายตัว (scale) ปริมาณการประมวลผล (Throughput) และการจัดเก็บข้อมูล (Storage)

ขอให้คุณลองนึกถึงเกมแบบ open-world เกมกลยุทธ์ (strategy game) หรือแม้แต่เกมการ์ดต่อสู้แบบสลับตาเล่น (turn-based) การนำเกมเหล่านี้มาอยู่บน blockchain แบบจำนวนมากหมายถึงการต้องรองรับธุรกรรมนับพันรายการต่อวินาที (สำหรับแต่ละเกม) เป็นอย่างน้อย

นี่คือเหตุผลที่เกม Web3 ต้องการโครงสร้างพื้นฐาน blockchain ที่รวดเร็วและสามารถขยายตัวได้ (scalable)

0G สามารถมอบโครงสร้างพื้นฐานที่รวดเร็วและขยายตัวได้ (scalable) บน blockchain นี้ให้กับ และ Web3 games ที่สร้างขึ้นบนโครงสร้างพื้นฐานของเรา และเพื่อรองรับสิ่งนี้ 0G มีเครือข่ายการจัดเก็บข้อมูลที่ขยายตัวได้อย่างมหาศาล (massively scalable storage network) ที่เราเรียกว่า "0G Storage" ซึ่งสามารถทำการดึงข้อมูล (query) ได้อย่างรวดเร็วเพื่อเรียกคืนข้อมูลหรือตรวจสอบข้อมูล นี่หมายความว่าข้อมูลทุกอย่างที่เกี่ยวข้องเกมสามารถถูกเรียกมาใช้งานได้อย่างรวดเร็ว (สินทรัพย์ ตำแหน่ง ประวัติการเล่นเกม ฯลฯ) ด้วยปริมาณการประมวลผลที่สูง (high throughput) ตามที่กล่าวไว้ข้างต้น โดย Throughput ที่ว่านี้มากกว่าโซลูชัน DA ชั้นนำอื่นๆถึง ~7,600 เท่า โดยประมาณ

ในขณะเดียวกัน ระบบที่ตรวจสอบข้อมูลนี้ ("0G DA") ก็ยังสามารถขยายได้อย่างไม่มีขีดจำกัด (infinitely scalable) และด้วยเหตุนี้จึงทำให้การดึงหรือตรวจสอบข้อมูลสามารถทำได้อย่างรวดเร็วโดยไม่ต้องกังวลถึงระดับความต้องการของ network

นี่หมายความว่าการสร้าง game บน 0G นั้น จะทำให้คุณเข้าถึง:

• Data storage and availability ที่ขยายได้อย่างมหาศาล

• ปริมาณการประมวลผล (Throughput) ที่สูงมากๆ

• Data storage network ที่เชื่อมโยงกันอย่างซับซ้อน

หากมองในภาพวงแคบ สิ่งเหล่านี้อาจถูกมองว่าไม่เกี่ยวข้อง แต่มันเป็นเทคโนโลยีที่จำเป็นอย่างแท้จริงในการนำเกมขึ้นมาอยู่บน blockchain

เกมบน blockchain ที่มีค่าธรรมเนียมต่ำ

เกมแบบopen world มีความเป็นไปได้มากมาย โดยแต่ละการกระทำส่งผลให้เกิดผลลัพธ์ที่ไม่ซ้ำกันซึ่งต้องได้รับการบันทึกไว้ หากค่าธรรมเนียมธุรกรรมสูง Web3 games จะมีราคาแพงเกินไป ที่จริงแล้ว หากค่าธรรมเนียมไม่ต่ำมากๆ Web3 games จะไม่สามารถเล่นได้เลย แม้แต่ค่าธรรมเนียมธุรกรรมบน Layer 2 ก็ยังสูงเกินไปที่จะรองรับการเล่นเกมบนblockchain จึงมีความจำเป็นต้องพึ่งพาสถาปัตยกรรม Layer 3 อย่าง Xai Games ของ Arbitrum (โดย Arbitrum เป็นพาร์ทเนอร์ของ 0G ทำให้ Xai สามารถใช้ DA ของ 0G ได้)

ในขณะที่เครือข่ายที่มีปริมาณธุรกรรมสูงอาจเป็นตัวเลือกที่ใช้ได้สำหรับเกม Web3 แต่ 0G ต้องการสร้างความแตกต่างอย่างชัดเจนในด้านการจัดเก็บข้อมูล ระบบการจัดเก็บข้อมูลของ 0G ถูกสร้างขึ้นมาพร้อมกับความสามารถในการขยายตัวได้อย่างมหาศาล ซึ่งหมายถึงความจุในการจัดเก็บข้อมูลที่มากขึ้นและปริมาณการประมวลผล (throughput) ที่ทำได้เร็วขึ้น สิ่งนี้ทำให้เกิดสถาปัตยกรรมที่เหนือกว่ามากเมื่อเทียบกับ network ที่ต้องพึ่งพาระบบ DA ที่ไม่มีระบบจัดเก็บข้อมูลในตัว

ความสามารถในการทำงานร่วมกันของเกม Web3

ความสามารถในการทำงานร่วมกัน (Interoperability) เป็นหนึ่งในข้อได้เปรียบหลักของ Web3 ซึ่งหมายถึงความสามารถในการย้ายไอเทม ตัวละคร และองค์ประกอบอื่น ๆ ที่แปลงเป็น tokens ระหว่างเกมและ network ต่าง ๆ

หากไม่มี 0G ความท้าทายในการสื่อสารระหว่าง EVM และ non-EVM network ต่าง ๆ รวมถึงปัญหาความล่าช้าทั่วไปในการสื่อสารอย่างรวดเร็วระหว่าง network จะยังคงอยู่

0G ถูกสร้างขึ้นมาเพื่อความสามารถในการทำงานร่วมกัน (Interoperability) ด้วยสถาปัตยกรรมแบบโมดูลาร์ (Modular) ที่สามารถผสานรวมเข้ากับ blockchain network ที่มีอยู่เดิมและที่กำลังจะเกิดขึ้นได้อย่างราบรื่น นี่หมายความว่าโครงการใด ๆ ที่สร้างด้วย 0G จะสามารถสื่อสารกับโครงการอื่น ๆ ที่สร้างโดยใช้ 0G รวมถึง network ภายนอกต่าง ๆ (โดยใช้พันธมิตรด้านความสามารถในการทำงานร่วมกัน (Interoperability) ของ 0G เช่น Axelar)

ปัญญาประดิษฐ์ (AI) บน On-Chain games

ปัญญาประดิษฐ์ (AI) กำลังทำให้เกมมีความซับซ้อนและสามารถทำงานร่วมกัน (Interoperable) ได้มากขึ้น และสร้างความเป็นไปได้อย่างไม่มีที่สิ้นสุด AI สามารถออกแบบภูมิประเทศและดันเจี้ยนที่สวยงามออกมาใหม่อย่างต่อเนื่อง ทำให้เกมมีความหลากหลายมากขึ้นและขยายขอบเขตไปไกลกว่าบทจบใดๆที่ถูกสร้างโดยนักออกแบบที่เป็นมนุษย์ AI agent สามารถมีอยู่ในเกมในรูปแบบ NPC ได้ และ AI agents เหล่านี้อาจเป็นสิ่งที่ผู้เล่นสามารถเป็นเจ้าของได้

0G รองรับ AI model บน blockchain ซึ่งทำให้ Web3 game สามารถใช้ประโยชน์จากคุณสมบัติของ AI ได้ นอกจากนี้ ด้วยความสามารถในการประมวลผลที่สูงมาก (high-throughput) การขยายตัว (scalable) ค่าธรรมเนียมต่ำ และความสามารถในการทำงานร่วมกัน 0G สามารถขับเคลื่อน blockchain games ที่มี AI ได้อย่างราบรื่นกว่า DA Layer อื่น ๆ เป็นอย่างมาก

อนาคตของ Web3 game

Web3 game ต้องการโครงสร้างพื้นฐานที่สามารถรองรับผู้เล่นจำนวนมากที่ต่อสู้กันในพื้นที่อันอุดมสมบูรณ์ข้ามโลกดิจิทัลอันกว้างใหญ่ โดยเฉพาะอย่างยิ่งสำหรับเกมที่อยู่บน network ทั้งหมดและเกมที่มีฟีเจอร์ AI ที่ซับซ้อน โครงสร้างพื้นฐานที่มีประสิทธิภาพสูงเป็นสิ่งจำเป็น

นั่นคือสิ่งที่ 0G กำลังทำกับ Blade Games ผู้ให้บริการโครงสร้างพื้นฐานเกมบน blockchain ที่ใช้การพิสูจน์แบบไม่เปิดเผยข้อมูล (zero-knowledge proofs) เพื่อเก็บสถานะของเกม (game’s states) บน blockchain โดย Blade ทำสิ่งเหล่านี้แบบเรียลไทม์ ทำให้ผู้เล่นสามารถตรวจสอบการทำงาน (Verify Process) และตัดสินผลลัพธ์ (Settle Results) ของ game ได้ - ซึ่งเป็นก้าวสำคัญไปสู่ blockchain games อย่างเต็มรูปแบบ

0G ได้รับการออกแบบมาเพื่อรองรับ Web3 game ที่ต้องใช้ทรัพยากรสูงได้อย่างราบรื่น 0g ถูกสร้างขึ้นอย่างพิถีพิถันเพื่อความเร็วและการเรียกข้อมูลอย่างมีประสิทธิภาพ (efficient data retrieval) ซึ่งสามารถทำงานได้เป็นอย่างดีแม้ในกรณีที่ต้องใช้ข้อมูลจำนวนมหาศาล

เกมที่เราแทบจะจินตนาการไม่ถึงในวันนี้สามารถถูกสร้างขึ้นบน blockchain ที่ใช้โซลูชั่นของ 0G ได้

หากคุณต้องการเริ่มต้นสร้างเกมของคุณบน 0G โปรดอย่ารอช้าที่จะไปที่เว็บไซต์ของ 0G เพื่อข้อมูลเพิ่มเติมได้ที่ https://0g.ai/

https://0g.ai/blog/0g-storage

จะเป็นอย่างไรถ้าโครงการ Web2 หรือ Web3 ใดๆ ก็สามารถเข้าถึงโครงสร้างพื้นฐานการจัดเก็บข้อมูล (data storage infrastructure) สำหรับข้อมูลจำนวนมหาศาลได้? จะเป็นอย่างไรถ้าข้อมูลนี้สามารถถูกสืบค้นได้อย่างรวดเร็วเพื่อ data availability ในขณะที่มีความปลอดภัยสูงและสามารถปรับแต่งตามวัตถุประสงค์ได้?

บทความนี้จะพูดถึงภาพรวมของ 0G Storage ซึ่งเป็นฐานข้อมูลบนบล็อกเชนที่เพิ่มขนาดได้อย่างไม่จำกัดของเรา ที่รองรับความต้องการด้านข้อมูลของ Web2 หรือ Web3 ทุกประเภท

เราจะพูดถึงภาพรวมเกี่ยวกับ:

• Dual-lane system for data management (ระบบสองช่องทางสำหรับการจัดการข้อมูล)

• Erasure coding and data certification (การเข้ารหัสแบบกระจัดกระจายและการรับรองข้อมูล)

• Layered storage architecture (สถาปัตยกรรมการจัดเก็บแบบหลายระดับ)

• Economic model and incentives (โมเดลทางเศรษฐกิจและแรงจูงใจ)

เมื่อจบบทความนี้ คุณจะเห็นภาพชัดว่า 0G มีการจัดเก็บข้อมูลที่มีประสิทธิภาพสูงซึ่งสามารถตอบสนองความต้องการบนบล็อกเชนของทุกโครงการได้

การจัดเก็บข้อมูลที่มีประสิทธิภาพสูงโดยใช้ 0G

สำหรับผู้ที่ต้องการจัดเก็บข้อมูลกับ 0G ต้องจัดเตรียมข้อมูลพร้อมกับการชำระเงินโดยใช้ tokens ของ 0G ซึ่งอยู่ใน main chain ของ 0G ในการจัดเก็บข้อมูลนี้ ข้อมูลจะถูกเข้ารหัสแบบกระจัดกระจายก่อน ซึ่งหมายความว่าข้อมูลที่จัดเก็บจะถูกแบ่งเป็นชิ้นส่วนเล็กๆ แบบซ้ำซ้อนกัน และกระจายไปยังสถานที่จัดเก็บหลายแห่ง

ระบบของ 0G เองมีสองส่วน:

1. The Data Publishing Lane - ช่องทางการเผยแพร่ข้อมูล: เพื่อรับประกันความพร้อมใช้งานของข้อมูล โดยข้อมูลใน 0G Storage สามารถถูกสืบค้นและตรวจสอบได้อย่างรวดเร็วโดยเครือข่ายฉันทามติของ 0G ("0G Consensus")

2. The Data Storage Lane - ช่องทางการจัดเก็บข้อมูล: สำหรับการถ่ายโอนข้อมูลขนาดใหญ่ไปยัง 0G Storage

เพื่อวัตถุประสงค์ด้านความพร้อมใช้งานของข้อมูล (data availability) storage node ของ 0G ต้องประสานงานกับเครือข่ายฉันทามติของ 0G ("0G Consensus") เพื่อรับรองว่าข้อมูลมีอยู่จริงใน 0G Storage เราใช้การออกแบบ quorum-based design (แบบคณะกรรมการเท่าที่จำเป็น) โดยมีการเลือก storage node ของ 0G แบบสุ่ม

การจัดเก็บข้อมูลแบบหลายระดับ (layered design)

การจัดเก็บข้อมูลแบบ 0G ใช้การออกแบบหลายระดับ (layered design) โดยแต่ละระดับมีจุดเน้นที่แตกต่างกัน

ระดับล่างสุดคือชั้นการบันทึก (Log layer) รายการบันทึกอ้างอิงถึงบันทึกทั่วไป (คล้ายกับไฟล์ในโปรแกรมคอมพิวเตอร์ทั่วไป) และใช้สำหรับข้อมูลดิบที่ไม่ได้จัดเรียง (unstructured data) ซึ่งสามารถเพิ่มเติมเนื้อหาได้เท่านั้น (append-only)

ระดับถัดมาคือชั้นค่าคีย์ (Key-Value หรือ KV layer) เป็นที่จัดเก็บข้อมูลที่จัดเรียงเรียบร้อยแล้ว (structured data) ซึ่งสามารถอัปเดตได้ผ่านรายการใหม่ที่เพิ่มเข้าไปในรายการบันทึก (log entries) ตัวอย่างเช่น หากต้องการอัปเดตคีย์ใดคีย์หนึ่ง รายการบันทึกใหม่สามารถรวมเข้ากับการอัปเดตนี้ได้ (พร้อมกับข้อมูลอื่น ๆ ที่รวมอยู่ในแต่ละรายการบันทึก)

สรุปได้ดังนี้:

ชั้นบันทึก (Log layer): ข้อมูลดิบที่ไม่ได้จัดเรียง (unstructured data)ซึ่งสามารถเพิ่มเติมได้เท่านั้น (append-only)

ชั้นค่าคีย์ (KV layer): ข้อมูลที่จัดเรียงเรียบร้อยแล้ว (structured data) ซึ่งสามารถอัปเดตเพื่อเปลี่ยนแปลงได้

ตัวอย่างเช่น machine learning models อาศัยชุดข้อมูลแบบตาราง (tabular data) ซึ่งจะถูกแสดงในรายการบันทึก ในทางตรงกันข้าม ข้อมูลที่อยู่ในรูปแบบ JSON หรือ MongoDB format จะถูกรวมอยู่ในรูปแบบ KV

การจัดเก็บแบบค่าคีย์ยังช่วยให้นักพัฒนาสามารถจัดการและดูแลข้อมูลที่มีโครงสร้างโดยสามารถเปลี่ยนแปลงได้อย่างเต็มที่ แม้กระทั่งสร้างแอปพลิเคชันที่คล้ายกับฐานข้อมูลบนระบบการจัดเก็บข้อมูลแบบ 0G

การจัดเก็บข้อมูลที่ขยายได้สำหรับงบประมาณและความต้องการของคุณ

0G ให้ผู้ใช้งานจัดเก็บข้อมูลได้ทุกระดับปริมาณ และให้ตัวเลือกต่างๆ เช่น ตำแหน่งที่จัดเก็บ ระดับการทำซ้ำข้อมูล (data replication) และระยะเวลาการจัดเก็บ ตัวอย่างเช่น ผู้ใช้สามารถจ่ายเพิ่มเพื่อสำรองข้อมูลเพิ่มเติม เลือกใช้เซิร์ฟเวอร์ในเขตอำนาจศาลเฉพาะ (เช่น สหรัฐอเมริกา) และเลือกระยะเวลาที่ระบบจะเก็บข้อมูลไว้

ในทางกลับกัน นักขุด (Miners) ที่จัดการการจัดเก็บของ 0G จะได้รับ token (ZG) เป็นรางวัลจาก network ระบบมี "กองทุนจัดเก็บข้อมูล" ที่จ่ายให้นักขุดเหล่านี้ นอกเหนือจากค่าธรรมเนียมที่จ่ายโดยผู้ที่จัดเก็บข้อมูล

รางวัลการจัดเก็บข้อมูลทั้งหมดสำหรับรายการข้อมูลใดๆ ไม่ขึ้นอยู่กับความนิยมของข้อมูลนั้น และรางวัลจะถูกแบ่งระหว่างจำนวนนักขุดที่จัดเก็บข้อมูลนี้ ดังนั้น รายการข้อมูลที่ถูกจัดเก็บโดย Miners เพียงไม่กี่คนจะส่งผลให้ผลตอบแทนสูงขึ้นสำหรับ Miners เหล่านั้น ในขณะที่รายการที่ถูกจัดเก็บอย่างแพร่หลายอาจนำไปสู่ผลตอบแทนที่ต่ำลงสำหรับ Miners ของข้อมูลนั้น

การกำหนดราคามีสองส่วน:

1. ค่าธรรมเนียม (fee): ค่าธรรมเนียมที่จ่ายให้กับ Miners ที่ประมวลผลคำขอจัดเก็บและเพิ่มรายการข้อมูลใหม่ ผู้ใช้สามารถกำหนดค่าธรรมเนียมที่สูงขึ้นเพื่อจูงใจให้ storage node มากขึ้นจัดเก็บข้อมูลนั้น

2. กองทุนจัดเก็บข้อมูล (Storage Endowment): รางวัลต่อเนื่องให้กับ Miners ที่จัดเก็บข้อมูลของ 0G ซึ่งให้ข้อมูลที่เกี่ยวข้อง เช่น การทำให้ข้อมูลพร้อมใช้งานเพื่อวัตถุประสงค์ในการพิสูจน์ความพร้อมใช้งานของข้อมูล ซึ่งจะถูกจ่ายโดยผู้ที่ต้องการพิสูจน์ความพร้อมใช้งานของข้อมูล มากกว่าผู้จัดเก็บข้อมูลเดิม (แม้ว่าอาจเป็นบุคคลเดียวกันก็ตาม)

หลักฐานการเข้าถึงแบบสุ่ม (PoRA - Proof of Random Access)

เพื่อจูงใจให้ Miners เก็บข้อมูล จึงมีการใช้หลักฐานการเข้าถึงแบบสุ่ม (PoRA) วิธีนี้กำหนดให้ Miners ต้องตอบสนองแบบสุ่มที่เกี่ยวข้องกับชิ้นส่วนข้อมูลที่เก็บถาวร (archived data chunks)

Miners ต้องตอบสนองต่อที่ร้องขอแต่ละครั้งและคำนวณผลลัพธ์จนกว่าจะพบคำตอบที่ตรงตามความยากในการขุด (เช่น มีจำนวนเลขศูนย์นำหน้ามากพอ)

เมื่อ Miners โหลดชิ้นส่วนข้อมูลที่เก็บถาวและคำนวณแฮชที่แสดงถึงข้อมูลนี้แล้ว พวกเขาจะตรวจสอบว่าคำตอบของตนตรงตามระดับความยากที่กำหนดหรือไม่ เนื่องจากกระบวนการนี้เป็นแบบสุ่ม นักขุดสามารถเพิ่มโอกาสในการได้รับรางวัลโดยการเพิ่มกำลังการประมวลผลและจัดเก็บข้อมูลมากขึ้น

ความยุติธรรม

เพื่อให้เกิดความยุติธรรมสำหรับผู้ที่มีเครื่องมือน้อยกว่า ช่วงการขุดจึงถูกจำกัดไว้ที่ 8 เทราไบต์ของข้อมูล นั่นหมายความว่าผู้ที่มีเครื่องจำนวนมากสามารถขุดพร้อมกันได้หลายช่วงข้อมูล (โดยแต่ละช่วงมีขนาด 8 เทราไบต์) ในขณะที่เครื่องเดี่ยวสามารถแข่งขันในช่วงข้อมูลขนาด 8 เทราไบต์เพียงช่วงเดียว

การสร้างแรงจูงใจให้การแชร์ข้อมูล

การสร้างแรงจูงใจให้ nodes แบ่งปันข้อมูลนั้นเป็นเรื่องท้าทาย เนื่องจากส่วนใหญ่ของกระบวนการนี้จะเกิดขึ้นภายนอก 0G Consensus ดังนั้นจึงสมเหตุสมผลที่ nodes จะต้องการเก็บรักษาความกว้างแบนด์วิดท์ที่มีอยู่

0G มีการใช้กลไกการจ่ายค่าลิขสิทธิ์ในตัวเพื่อสร้างแรงจูงใจในการแบ่งปันข้อมูล โดยที่ 0G จะให้ค่าลิขสิทธิ์เมื่อมีการสร้างหลักฐานการขุด PoRA mining proof ใหม่บนพื้นฐานของข้อมูลที่แบ่งปัน ตัวอย่างเช่น หากโหนด A แบ่งปันข้อมูลกับโหนด B และโหนด B สร้างหลักฐานการขุดที่ถูกต้อง โหนด A จะได้รับรางวัล

0G Storage จะรองรับการใช้งานนับพัน

ตอนนี้ควรจะชัดเจนแล้วว่า 0G Storage มีการออกแบบอย่างไม่เหมือนใครที่สามารถขยายขนาดได้อย่างรวดเร็วในขณะเดียวกันก็รองรับคำขอความพร้อมใช้งานของข้อมูลในทุกรูปแบบ 0G Storage ยังทำหน้าที่เป็นโครงสร้างพื้นฐานการเก็บข้อมูลพื้นฐานสำหรับโครงการ Web3 อื่นๆ ที่ต้องการใช้ 0G โดยมีความคล้ายคลึงกับ AWS และบริการคลาวด์ที่มีการรวมศูนย์แบบดั้งเดิม แต่เป็นแบบ on-chain และ decentralized อย่างสมบูรณ์

หากคุณสนใจจะพาร์ทเนอร์กับ 0G โปรดติดต่อเราที่ Discord

https://discord.com/channels/1210423309808963594/1213988718646526023

ติดตามการเดินทางของ 0G เพิ่มเติมได้ที่ https://0g.ai/ และ follow เราบน Twitter ที่ https://twitter.com/0G_labs

https://0g.ai/blog/0g-s-data-availability-layer

ลองจินตนาการถึงความเป็นไปได้ที่จะใช้งาน on-chain crypto แบบ 100% โดยไม่ถูกจำกัดด้วย data availability ถ้าหากเราสามารถจัดเก็บ data มหาศาลไว้ on-chain และใช้มันสร้าง AI models อันซับซ้อน เพื่อตอบโจทย์ความต้องการประสิทธิภาพขั้นสูง

เราขอนำเสนอ  DA solution ที่ scale ได้อย่างไร้ขีดจำกัด: 0G DA ที่จะมาแก้ปัญหาเหล่านั้น

ในบทความนี้ เราขอนำเสนอภาพรวมของ:

• DA architecture และ data storage mode ของ 0G อันไม่เหมือนใคร ที่ทำงานร่วมกันเพื่อรับประกัน performance ขั้นสูงแบบขีดสุด

• ประโยชน์การใช้งานสำหรับการ scale อุตสาหกรรม Web3

• ตัวอย่างการใช้งาน

DA Solutions ในปัจจุบันนั้นไม่ดีพอ

Data Availability Layers (DALs) นำเสนอวิธีการที่มีประสิทธิภาพและปลอดภัยในการ publish data และรักษาให้มันคงอยู่เพื่อให้ใครก็ได้สามารถเข้ามาตรวจสอบได้ ตัวอย่างเช่น Layer 2 rollups จะต้อง publish data ที่ต้องเก็บรักษาให้เข้าถึงได้ เพื่อพิสูจน์ว่าได้ทำ off-chain transactions อย่างถูกต้องแต่ถึงแม้จะมีความจำเป็น DALs ในปัจจุบันนั้นไม่สามารถ  support high-performance dApps หรือ use cases อย่างเช่น on-chain AI อย่างเพียงพอและเหมาะสม

ทางเลือกอื่นๆเช่น Celestia และ EigenDA ได้ถูกนำเสนอ เพือเป็น DALs ที่การ publish data สามารถทำได้อย่างมีประสิทธถิภาพ ด้วยการลดค่าใช้จ่ายที่เกี่ยวกับ DA และถูกมองว่าเป็นส่วนเสริมสำหรับ Ethereum’s danksharding ที่กำลังจะเกิดขึ้น

ถึงกระนั้นทางเลือกทั้งสองนั้นยังคงเผชิญกับความท้าทาย

Celtistia: จะต้องได้รับการ broadcast ปที่ node ทุก node (แทนที่จะ broadcast ไปที่เพียงบางส่วนอย่างเลือกสรร) ซึ่งจำดกัด throughput อยู่ที่ 10 MBps ซึ่งทำให้มันไม่เพียงพอย่างยิ่งสำหรับการขยายของ Layer 2/3 networks และการใช้งานที่ต้องใช้ data จำนวนมากอย่าง  decentralized AI รวมถึงยังมีประเด็นอื่นๆ เช่น ความสามารถในการทำกำไรของ  validator และ code ที่ไม่ update ที่จำเป็นต้องมีการปรับปรุงในอนาคตอันใกล้

EigneDA: แม้ว่า EigneDA จะใช้ระบบที่มี horizontal scalability ปัญหาคอขวดหลายอย่างก็ไม่ได้หมด เช่น การที่ validators ถูกจำกัดและทำให้ความเร็วลดลงเพื่อที่จะรักษาvalidators และมีปฏิสัมพันธ์กับ staking smart contracts บน Ethereum โดย  storage layer ไม่ได้ถูกออกแบบมาอย่างเหมาะสมสำหรับงานเช่น decentralized machine learning (e.g. OPML) ที่ต้องใช้ data จำนวนมหาศาล

0G DA คือ solution ที่ถูกสร้างขึ้นให้สามารถ scale DA ได้อย่างไร้ขีดจำกัดเพื่อการใช้งาน general-purpose data storage system  ของ 0G

การจัดเก็บ Data อย่างปลอดภัยกับ 0G Storage

ก่อนอื่น เรามาทำความเข้าใจว่า data เดินทางมาที่ system ของเราได้อย่างไร

การจัดเก็บ data บนระบบของ 0G นั้นใช้ erasure-coded ซึ่งหมายถึงการที่ data ถูกจัดเก็บแบบกระจายตัว (fragmented) แบบมีการสำรอง (redundant) เป็นส่วนเล็กๆในหลายๆ storage ในที่ต่างๆ นี่คือสิ่งที่ให้เราสามารถ recover ได้อย่างรวดเร็ว ในกรณที่เกิดปัญหาที่ storage node ที่ไหน ด้วย merkle tree ที่ถูกสร้างขึ้นเพื่อแต่ละ data ที่ถูกส่งไปที่ consensus layer ที่เรียกว่า “0G Consensus” ได้ช่วยสอดส่องความเปลี่ยนแปลงใดๆกับ data ในขณะเดียวกันก็ทำให้การกู้คืน data retrieval จะสามารถทำได้อย่างรวดเร็วเมื่อมีความจำเป็น

นอกเหนือไปจากการใช้ erasure coded ตัว data นั้นก็ถูกแย่งย่อยเป็น “data chunks” ที่ถูกส่งไปยัง Storage Nodes ต่างๆ โดยที่ Storage Nodes นั้นจะคอยรักษาไว้ซึ่ง 0G Storage Network, และมีหน้าที่ในการจัดเก็บและกู้คืน data chunks อย่างรวดเร็วและถูกต้อง และร่วมกับ 0G DA ในการให้ความมั่นใจใน data availability

สถาปัตยกรรมที่ไม่เหมือนใครของ 0G DA

ทบทวนกันอีกครั้งหนึ่ง ว่า 0G DA นั้นปะรกอบด้วยสามส่วน:

0G Storage: ระบบ general-purpose data ที่จัดการโดย Storage Nodes

0G DA: ระบบ data availability ที่สร้างขึ้นครอบบน 0G Storage

0G Consensus: ระบบ 0G’s consensus

โดย สถาปัตยกรรมของ 0G DA มีลักษณะดังด้านล่างนี้

โดยการ confirm การมีอยู่ของ data availability นั้นประกอบด้วย สอง workflows

1. The Data Publishing Lane: เพื่อการันตี data availability

2. The Data Storage Lane: สำหรับ transfers data จำนวนมากไปที่ 0G Storage

Data Publishing Lane นั้นมีความสำคัญอย่างมากกับ data availability ของ 0G มันทำงานโดยการมี consensus network ที่คอยตรวจสอบ aggregated signatures ของ Storage Nodes ต่างๆที่เกี่ยวข้อง นี่หมายถึงว่า Storage Nodes ของ 0G จะต้องสามารถ certify ได้อย่างมีสเถียรภาพว่า data มีอยู่จริงบน 0G Storage ซึ่งจะต้องถูก verified โดย consensus network

ขั้นตอนนี้สามารถทำได้รวดเร็วมาก เนื่องจาก Data Publishing Lane ต้องการ data เพียงเล็กน้อยที่วิ่งผ่าน consensus protocol เพื่อไม่ได้เกิดปัญหาคอขวด โดย 0G ใช้วิธีเดียวกัน EigenDA ซึ่ง “honest majority” (ผู้ตรงไปตรงมาที่เป็นเสียงส่วนใหญ่) ของกลุ่ม Storage Nodes ที่ได้รับคัดเลือกจะต้องตกลงกันได้ว่า data นั้นถูกต้อง (โดยได้รับ mining rewards เป็นการตอบแทน). แต่ที่ไม่เหมือนกับ EigenDA คือการที่ 0G ใช้ Verifiable Random Function (VRF) เพื่อสุ่มเลือก Storage Nodes เพื่อหลีกเลี่ยงความเสี่ยงในการเกิดการฮั้วกัน

0G Consensus สามารถตรวจสอบ data availability ได้อย่างรวดเร็ว ที่ความเร็วที่มากกว่าในระดับ 1,000x ของ Ethereum’s danksharding และ 4x ของ Solana’s FireDancer

Scalability ที่ไร้คู่แข่งของ 0G DA

ตอนนี้เราน่าจะเข้าใจแล้วว่า 0G Storage สามารถจัดเก็บ data ได้ทุกรูปแบบ และยังสามารถพิสูน์ได้อย่างรวดเร็วถึงการมีอยู่ของ data availability กับ 0G DA ผ่านการเลือกสุ่มกลุ่ม Storage Nodes

แล้ว scalability อย่างไม่มีที่สิ้นมุดมาจากไหน?

0G Consensus สามารถควบรวม networks จำนวนเท่าไหร่ก็ได้ โดยที่ยังพึ่งพา validators กลุ่มเดิมที่สามารถตรวจสอบความถูกต้องของทุก networks ได้ในเวลาเดียวกัน เพื่อยกตัวอย่าง เราสามารถมี 5 consensus networks หรือ 5,000 ซึ่งได้รับการจัดการโดย validators กลุ่มเดียวกันอย่างปลอดภัยโดยใช้ process ที่รู้จักในชื่อว่า shared staking

กลุ่ม validators เหล่านี้จะต้อง stake assets ของพวกเขาบน primary network (ซึ่งก็คือ  Ethereum ในกรณีทั่วไป) และ slashable event ใดๆ บน network จะส่งสัญญานให้เกิดการ slashing บน main network และเมื่อ validator จะได้รับ incentives บน network ที่พวกเขาทำการตวรจสอบอยู่, พวกเขาสามรถ burn tokens เหล่านั้นเพื่อรับ incentives บน main chain.

เมื่อ 0G ecosystem เติบโตขึ้น เราสามรถเพิ่มจำนวน consensus networks เพื่อ scale ระบบของเราได้อย่างไม่มีที่สิ้นสุด

ปลดล็อคศักยภาพอย่างที่ไม่มีใครเหมือน

Use Cases ขั้นสูง โดยทั่วไปๆ ประโยชน์สูงสุดของ DA solution คือการทำให้ Layer 2s และ Layer 3s สามารถ publish blocks ได้ด้วยต้นทุนที่เหมาะสม แต่กับ 0G เราสามารถทำได้ดีกว่านั้นมาก

ด้วยความที่เราสามารถจัดเก็บ data จำนวนมหาศาลใน 0G Storage และดึงมันกลับมาได้เมื่อไหร่ก็ตามที่ต้องการ เราสามารถที่จะติดตั้ง AI model ทั้ง model แบบ on-chain พร้อมด้วย data availability ที่มีประสิทธิภาพสมบูรณ์ได้ดั่งใจ

แล้วแต่ละภาคส่วนจะได้ใช้ประโยชน์จากเทคโนโลยีนี้ยังไง

L1s / L2s: โปรเจคเหล่านี้สามารถใช้ AI models หรือ data availability และ storage ของ 0G โดย Partners ในกลุ่มนี้ประกอบด้วย Polygon, Arbitrum, Fuel, Manta Network, และ อื่นๆอีกมากมาย.

Decentralized Shared Sequencers: Sequencers เคยถูกใช้สำหรับการเรียงลำดับ L2 transactions ก่อนที่จะส่งมันไปที่ Ethereum ในขณะที่ shared sequencers ช่วยให้ rollups หลายๆ rollups สามารถแบ่ง decentralized network ของ sequencers ใช้ร่วมกัน DA solution เจ้าไหน โดยที่ไม่ว่าจะมาจาก 0G หรือไม่ ก็สามารถใช้ 0G เพื่อเชื่อมต่อไปที่ data stream ระหว่าง networks อื่นๆทั้งหมดด้วยการใช้ shared sequencer ที่ออกแบบมาโดยเฉพาะ เพื่อการทำ sequencing อย่างมีประสิทธิภาพ

Bridges: ด้วยความที่ networks สามารถจัดเก็บ state ได้อย่างง่ายดายด้วย 0G เทคโนโลยี, การทำ state migration ข้าม networks นั้นจึงเป็นไปได้, และทำให้การ cross-chain transfers นั้นง่ายขึ้น. ตัวอย่างเช่น network สามารถใช้ เทคโนโลยี DA ของ 0G เพื่อตรวจสอบว่า users นั้นมี assets ที่อ้างุถึงอยู่จริงๆและยังสามารถยืนยัน transfer ได้ด้วย, และยังสามารถยิงการยืนยันเหล่านี้ไปที่ network อื่นได้อย่างรวดเร็วและปลอดภัยเพื่อการ bridge.

Rollups-as-a-Service (RaaS): 0G ยังสามารถเป็น DA option และ data storage ที่เป็นฌครงสร้างให้กับผู้ให่บิรการ RaaS อย่างเช่น Caldera AltLayer ได้ด้วย.

DeFi: DA ของ 0G ที่ทั้งรวดเร็วและสเกลได้ง่ายดายนั้นสามารถช่วยเพิ่มประสิทธิภาพของ DeFi บน L2s & L3s ที่ถูกสร้างมาเพื่อเป้าหมายเฉพาะให้สูงขึ้น ด้วยsettlementและstorageที่รวดเร็ว. ตัวอย่างเช่นการจัดเก็บข้อมูล order book data สำหรับ high-frequency trading.

On-chain Gaming: Gaming ต้องการ cryptographic proof-related data จำนวนมหาศาลที่จำเป็นต้องถูกเก็บรักษาไว้เป็นอย่างดี, โดยเฉพาะอย่างยิ่ง metadata ทุกๆอย่างที่เกี่ยวกับผู้เล่น ไม่ว่าจะเป็น assets, points, actions, และอื่นๆ.

Data Markets: มันดูสมเหตุสมผลมากๆเลยที่ตลาด Web3 data markets จะจัดเก็บ data on-chain, เพราะมันสามารถที่จะ updated และ queried ได้อย่างรวดเร็วด้วย 0G.

ณ ปัจจุบัน 0G หลัง focus เป็นอย่างมากกับ กลุ่ม crypto AI ที่ต้องพบเจอกับปัญหามากมายที่ขีดเส้นจำกัดการพัฒนา เทคโนโลยีของ 0G ที่สามารถจะเเก็บ data จำนวนมหาศาล และทำให้ data เหล่านี้สามารถเข้าถึงได้อย่างรวดเร็ว (เช่น AI models ที่ใช้ data ในการสร้าง) จะสามารถดึงเอาศักยภาพของนวัตกรรมนี้อออกมาอย่างไม่เคยเห็นมาก่อน และเรากำลังจะทำให้มันเกิดขึ้นจริงด้วย

บทสรุป

DA ของ 0G นำเสนอ DA solution ที่สามารถ scale ได้อย่างไม่มีที่สิ้นสุด ที่สร้างอยู่บน 0G Storage และยังสามารถตรวจสอล data ได้อย่างรวดเร็วด้วยconsensus network ของ 0G อีกด้วย.

ถึงแม้รายละเอียดของกระบวนการนั้นมหาศาล แต่เราจะขอสรุปแบบสั้นๆตรงนี้ว่า:

0G DA นั้นเชื่อมต่อกับ 0G Storage. และมันสามารถพิสูจน์การมีอยู่ขอช้อมูล (data availability) ของ 0G Storage โดยการเลือกสุ่ม 0G Storage Nodes กลุ่มเล็กๆเท่าที่จำเป็นเพื่อพิสูจน์ทราบการมีอยู่ของ data ในแต่ละครั้ง โดยใช้หลักการ “honest majority” (เชื่อว่าผู้เล่นส่วนใหญ่นั้นซื่อสัตย์) เพื่อการรักษาความปลอดภัย

0G Consensus ทำหารตรวจสอบว่า Storage Nodes นั้นทำงานโดยสุจริต โดย 0G Consensus นั้นก็ scale ได้อย่างไม่มีที่สิ้นสุดเช่นกันด้วยการเพิ่ม networks ที่บริหารจัดการโดย validators กลุ่มเดิมเข้าไปด้วยรับบ “shared staking”

0G เสนอเทคโนโลยีที่ scale ได้มากที่สุดในตลาดและยังสามารถใช้งานได้ในกลุ่มโปรเจคที่หลากหลายทั้ง L1s/L2s, bridges, rollups-as-a-service, data markets, DeFi, และอื่นๆอีกมากมาย.

นี่คือเวลาที่น่าตื่นเต้นที่สุดในโลก Web3 แต่ในขณะเดียวกัน มันก็ยังมีหลายอย่างที่เราต้องทำกันต่อไป !!!

ติดตามการเดินทางของ 0G เพิ่มเติมได้ที่ https://0g.ai/ และ follow เราบน Twitter ที่ https://twitter.com/0G_labs