Làm thế nào để The Graph mở rộng trở thành cơ sở hạ tầng Web3 được điều khiển bởi AI?

Viết bởi: ChainFeeds Research

Vào năm 2022, OpenAI đã ra mắt ChatGPT dựa trên mô hình GPT-3.5, từ đó mở ra làn sóng các câu chuyện về AI. Tuy nhiên, mặc dù ChatGPT có thể xử lý hiệu quả các vấn đề trong hầu hết các trường hợp, hiệu suất của nó vẫn có thể bị hạn chế khi cần kiến thức chuyên ngành cụ thể hoặc dữ liệu thời gian thực. Ví dụ, khi được hỏi về hồ sơ giao dịch token của Vitalik Buterin trong 18 tháng qua, nó không thể cung cấp thông tin chi tiết và đáng tin cậy. Vì lý do này, đội ngũ phát triển cốt lõi của The Graph, Semiotic Labs, đã kết hợp phần mềm lập chỉ mục của The Graph và OpenAI để ra mắt dự án Agentc, có thể cung cấp cho người dùng dịch vụ phân tích xu hướng thị trường tiền điện tử và truy vấn dữ liệu giao dịch.

Khi hỏi Agentc về hồ sơ giao dịch token của Vitalik Buterin trong 18 tháng qua, nó đã cung cấp câu trả lời chi tiết hơn. Tuy nhiên, bố cục AI của The Graph không chỉ giới hạn ở điều này. Trong sách trắng "The Graph as AI Infrastructure", nó đã nêu rõ mục tiêu không phải là ra mắt một ứng dụng cụ thể, mà là tận dụng tối đa lợi thế của nó như một giao thức lập chỉ mục dữ liệu phi tập trung để cung cấp cho các nhà phát triển công cụ xây dựng các ứng dụng AI gốc Web3. Để hỗ trợ mục tiêu này, Semiotic Labs cũng sẽ mở mã nguồn của cơ sở mã Agentc, cho phép các nhà phát triển tạo ra các dapp AI với các chức năng tương tự như Agentc, chẳng hạn như các đại lý phân tích xu hướng thị trường NFT và các đại lý trợ lý giao dịch DeFi.

Lộ trình AI phi tập trung của The Graph

The Graph được ra mắt vào tháng 7 năm 2018 và là một giao thức phi tập trung để lập chỉ mục và truy vấn dữ liệu blockchain. Thông qua giao thức này, các nhà phát triển có thể sử dụng các API mở để tạo và xuất bản các chỉ mục dữ liệu gọi là subgraph, cho phép các ứng dụng truy xuất dữ liệu trên chuỗi một cách hiệu quả. Cho đến nay, The Graph đã hỗ trợ hơn 50 chuỗi, lưu trữ hơn 75.000 dự án và xử lý hơn 1,26 nghìn tỷ truy vấn.

The Graph có thể xử lý một lượng dữ liệu khổng lồ như vậy, không thể tách rời sự hỗ trợ của đội ngũ cốt lõi đứng sau nó, bao gồm Edge Node, Streamingfast, Semiotic, The Guild, GraphOps, Messari và Pinax. Trong đó, Streamingfast chủ yếu cung cấp công nghệ kiến trúc chuỗi chéo cho luồng dữ liệu blockchain, và Semiotic AI tập trung vào việc áp dụng AI và mật mã vào The Graph. The Guild, GraphOps, Messari và Pinax mỗi bên tập trung vào các lĩnh vực như phát triển GraphQL, dịch vụ lập chỉ mục, phát triển subgraph và giải pháp luồng dữ liệu.

Bố cục AI của The Graph không phải là một ý tưởng mới. Ngay từ tháng 3 năm ngoái, The Graph Blog đã xuất bản một bài viết phác thảo tiềm năng của việc sử dụng khả năng lập chỉ mục dữ liệu của nó cho các ứng dụng trí tuệ nhân tạo. Vào tháng 12 năm ngoái, The Graph đã phát hành một lộ trình mới gọi là "Kỷ nguyên mới", lên kế hoạch thêm các truy vấn hỗ trợ AI cho các mô hình ngôn ngữ lớn. Với việc phát hành sách trắng gần đây, lộ trình AI của nó đã trở nên rõ ràng hơn. Sách trắng giới thiệu hai dịch vụ AI: Dịch vụ Suy luận và Dịch vụ Đại lý, cho phép các nhà phát triển tích hợp các chức năng AI trực tiếp vào giao diện người dùng của ứng dụng, và toàn bộ quá trình được hỗ trợ bởi The Graph.

Dịch vụ Suy luận: Hỗ trợ nhiều mô hình AI mã nguồn mở

Trong các dịch vụ suy luận truyền thống, các mô hình đưa ra dự đoán trên dữ liệu đầu vào thông qua các tài nguyên điện toán đám mây tập trung. Ví dụ, khi bạn hỏi ChatGPT một câu hỏi, nó sẽ suy luận và trả lời. Tuy nhiên, cách tiếp cận tập trung này không chỉ tăng chi phí mà còn gây ra rủi ro kiểm duyệt. The Graph hy vọng giải quyết vấn đề này bằng cách xây dựng một thị trường lưu trữ mô hình phi tập trung, mang lại cho các nhà phát triển dApp sự linh hoạt hơn trong việc triển khai và lưu trữ các mô hình AI.

The Graph đưa ra một ví dụ trong sách trắng, cho thấy cách tạo một ứng dụng giúp người dùng Farcaster hiểu liệu bài đăng của họ có nhận được nhiều lượt thích hay không. Đầu tiên, sử dụng dịch vụ dữ liệu subgraph của The Graph để lập chỉ mục số lượng bình luận và lượt thích trên các bài đăng của Farcaster. Sau đó, huấn luyện một mạng nơ-ron để dự đoán liệu một bình luận mới trên Farcaster có được thích hay không, và triển khai mạng nơ-ron này lên dịch vụ suy luận của The Graph. Cuối cùng, nhà phát triển dApp sẽ hoàn thiện ứng dụng.

d có thể giúp người dùng viết bài đăng có thể nhận được nhiều lượt thích hơn.

Cách tiếp cận này cho phép các nhà phát triển dễ dàng tận dụng cơ sở hạ tầng của The Graph, lưu trữ các mô hình đã được huấn luyện trên mạng lưới The Graph và tích hợp chúng vào các ứng dụng thông qua giao diện API, để người dùng có thể trực tiếp trải nghiệm các tính năng này khi sử dụng dApps.

Để cung cấp cho các nhà phát triển nhiều lựa chọn và sự linh hoạt hơn, Dịch vụ Suy luận của The Graph hỗ trợ hầu hết các mô hình phổ biến hiện có. Trong sách trắng, The Graph viết, "Trong giai đoạn MVP, Dịch vụ Suy luận của The Graph sẽ hỗ trợ một tập hợp các mô hình AI mã nguồn mở phổ biến đã được sàng lọc, bao gồm Stable Diffusion, Stable Video Diffusion, LLaMA, Mixtral, Grok và Whisper, v.v." Trong tương lai, bất kỳ mô hình mở nào đã được kiểm tra đầy đủ và được vận hành bởi các indexer đều có thể được triển khai trong Dịch vụ Suy luận của The Graph. Ngoài ra, để giảm bớt sự phức tạp kỹ thuật của việc triển khai các mô hình AI, The Graph cung cấp một giao diện thân thiện với người dùng giúp đơn giản hóa toàn bộ quá trình, cho phép các nhà phát triển dễ dàng tải lên và quản lý các mô hình AI của họ mà không phải lo lắng về việc bảo trì cơ sở hạ tầng.

Để nâng cao hiệu suất của các mô hình trong các kịch bản ứng dụng cụ thể, The Graph cũng hỗ trợ tinh chỉnh các mô hình cho các tập dữ liệu cụ thể. Tuy nhiên, cần lưu ý rằng việc tinh chỉnh thường không được thực hiện trên The Graph. Các nhà phát triển cần tinh chỉnh các mô hình bên ngoài và sau đó triển khai chúng bằng dịch vụ suy luận của The Graph. Để khuyến khích các nhà phát triển công khai các mô hình đã được tinh chỉnh, The Graph đang phát triển các cơ chế khuyến khích, chẳng hạn như phân bổ hợp lý phí truy vấn giữa những người tạo mô hình và các indexer cung cấp mô hình.

Về việc xác minh thực hiện các nhiệm vụ suy luận, The Graph cung cấp nhiều phương pháp khác nhau, chẳng hạn như cơ quan đáng tin cậy, đồng thuận M-of-N, bằng chứng gian lận tương tác và zk-SNARKs. Mỗi phương pháp này đều có ưu và nhược điểm riêng. Cơ quan đáng tin cậy dựa vào các thực thể đáng tin cậy; đồng thuận M-of-N yêu cầu xác minh bởi nhiều indexer, điều này làm tăng độ khó của việc gian lận đồng thời cũng tăng chi phí tính toán và phối hợp; bằng chứng gian lận tương tác an toàn hơn, nhưng không phù hợp cho các ứng dụng yêu cầu phản hồi nhanh; và zk-SNARKs phức tạp hơn để triển khai và không phù hợp cho các mô hình lớn.

The Graph tin rằng các nhà phát triển và người dùng nên có quyền lựa chọn mức độ bảo mật phù hợp dựa trên nhu cầu của họ. Do đó, The Graph dự định hỗ trợ nhiều phương pháp xác minh trong dịch vụ suy luận của mình để thích ứng với các nhu cầu bảo mật và kịch bản ứng dụng khác nhau. Ví dụ, trong các tình huống liên quan đến giao dịch tài chính hoặc logic kinh doanh quan trọng, có thể cần sử dụng các phương pháp xác minh an toàn hơn, chẳng hạn như zk-SNARKs hoặc đồng thuận M-of-N. Đối với một số ứng dụng có rủi ro thấp hoặc giải trí, bạn có thể chọn các phương pháp xác minh ít tốn kém và đơn giản hơn để triển khai, chẳng hạn như cơ quan đáng tin cậy hoặc bằng chứng gian lận tương tác. Ngoài ra, The Graph cũng có kế hoạch khám phá các công nghệ tăng cường quyền riêng tư để cải thiện các vấn đề về quyền riêng tư của mô hình và người dùng.

Dịch vụ Đại lý: Giúp các nhà phát triển xây dựng các ứng dụng tự động hóa dựa trên AI

So với Dịch vụ Suy luận, chủ yếu chạy các mô hình AI đã được huấn luyện để suy luận, Dịch vụ Đại lý phức tạp hơn và yêu cầu nhiều thành phần hoạt động cùng nhau để cho phép các đại lý này thực hiện một loạt các nhiệm vụ phức tạp và tự động. Giá trị của Dịch vụ Đại lý của The Graph là tích hợp việc xây dựng, lưu trữ và thực thi các đại lý vào The Graph và cung cấp dịch vụ từ mạng lưới indexer.

Cụ thể, The Graph sẽ cung cấp một mạng lưới phi tập trung để hỗ trợ việc xây dựng và lưu trữ các đại lý. Khi Đại lý được triển khai trên mạng lưới The Graph, The Graph Indexer sẽ cung cấp sự hỗ trợ thực thi cần thiết.

rt, bao gồm dữ liệu lập chỉ mục, phản hồi các sự kiện trên chuỗi và các yêu cầu tương tác khác.

Như đã đề cập ở trên, đội ngũ phát triển cốt lõi của The Graph, Semiotic Labs, đã ra mắt sản phẩm thử nghiệm sớm Agentc, kết hợp giữa ngăn xếp phần mềm lập chỉ mục của The Graph và OpenAI. Chức năng chính của nó là chuyển đổi đầu vào ngôn ngữ tự nhiên thành các truy vấn SQL, cho phép người dùng truy vấn trực tiếp dữ liệu thời gian thực trên blockchain và trình bày kết quả truy vấn cho người dùng dưới dạng dễ hiểu. Nói một cách đơn giản, Agentc tập trung vào việc cung cấp cho người dùng phân tích xu hướng thị trường tiền điện tử và truy vấn dữ liệu giao dịch một cách thuận tiện. Tất cả dữ liệu của nó đến từ Uniswap V2, Uniswap V3, Uniswap X và các nhánh của nó trên Ethereum, và giá cả được cập nhật mỗi giờ.

Ngoài ra, The Graph cũng cho biết mô hình LLM được sử dụng bởi The Graph có tỷ lệ chính xác chỉ 63,41%, do đó có vấn đề về phản hồi không chính xác. Để giải quyết vấn đề này, The Graph đang phát triển một mô hình ngôn ngữ lớn mới gọi là KGLLM (Mô hình Ngôn ngữ Lớn Kích hoạt Bởi Đồ Thị Tri Thức).

KGLLM có thể giảm đáng kể xác suất tạo ra thông tin sai bằng cách sử dụng dữ liệu đồ thị tri thức có cấu trúc do Geo cung cấp. Mỗi tuyên bố trong hệ thống Geo được hỗ trợ bởi dấu thời gian trên chuỗi và xác minh bỏ phiếu. Sau khi tích hợp đồ thị tri thức của Geo, các tác nhân có thể được áp dụng vào nhiều kịch bản khác nhau, bao gồm quy định y tế, phát triển chính trị, phân tích thị trường, v.v., do đó cải thiện sự đa dạng và độ chính xác của dịch vụ tác nhân. Ví dụ, KGLLM có thể sử dụng dữ liệu chính trị để cung cấp các khuyến nghị thay đổi chính sách cho các tổ chức tự trị phi tập trung (DAO) và đảm bảo rằng chúng dựa trên thông tin hiện tại và chính xác.

Các ưu điểm của KGLLM cũng bao gồm:

Sử dụng dữ liệu có cấu trúc: KGLLM sử dụng cơ sở tri thức bên ngoài có cấu trúc. Thông tin được mô hình hóa dưới dạng đồ thị trong đồ thị tri thức, làm cho mối quan hệ giữa dữ liệu trở nên rõ ràng ngay lập tức, do đó việc truy vấn và hiểu dữ liệu trở nên trực quan hơn;
Khả năng xử lý dữ liệu quan hệ: KGLLM đặc biệt phù hợp để xử lý dữ liệu quan hệ, ví dụ, nó có thể hiểu mối quan hệ giữa con người, mối quan hệ giữa con người và sự kiện, v.v. Và nó sử dụng thuật toán duyệt đồ thị để tìm thông tin liên quan bằng cách nhảy qua nhiều nút trong đồ thị tri thức (tương tự như di chuyển trên bản đồ). Bằng cách này, KGLLM có thể tìm thấy thông tin liên quan nhất để trả lời câu hỏi;
Truy xuất và tạo thông tin hiệu quả: Thông qua thuật toán duyệt đồ thị, các mối quan hệ được KGLLM trích xuất được chuyển đổi thành các gợi ý mà mô hình có thể hiểu bằng ngôn ngữ tự nhiên. Thông qua những hướng dẫn rõ ràng này, mô hình KGLLM có thể tạo ra các câu trả lời chính xác và liên quan hơn.

Triển vọng

Như là "Google của Web3", The Graph sử dụng các ưu điểm của mình để bù đắp cho sự thiếu hụt dữ liệu hiện tại của các dịch vụ AI và đơn giản hóa quá trình phát triển dự án cho các nhà phát triển bằng cách giới thiệu các dịch vụ AI. Với sự phát triển và sử dụng nhiều ứng dụng AI hơn, trải nghiệm người dùng dự kiến sẽ được cải thiện hơn nữa. Trong tương lai, đội ngũ phát triển của The Graph sẽ tiếp tục khám phá khả năng kết hợp trí tuệ nhân tạo với Web3. Ngoài ra, các đội ngũ khác trong hệ sinh thái của nó, chẳng hạn như Playgrounds Analytics và DappLooker, cũng đang thiết kế các giải pháp liên quan đến dịch vụ proxy.