ในปี 2022 OpenAI เปิดตัว GPT-3.5 โมเดลขับเคลื่อน ChatGPT ซึ่งเป็นการเริ่มต้นของเรื่องราว AI อย่างมั่นใจ แม้ว่า ChatGPT จะทำงานได้ดีในการจัดการคำถาม แต่มันอาจจำกัดเมื่อจะต้องจัดการกับความรู้ในโดเมนที่เฉพาะเจาะจงหรือข้อมูลแบบเรียลไทม์ เช่น มันยากที่จะให้ข้อมูลที่ละเอียดและเชื่อถือได้เกี่ยวกับธุรกรรมโทเค็นของ Vitalik Buterin ในช่วง 18 เดือนที่ผ่านมา เพื่อแก้ไขปัญหานี้ทีมพัฒนาหลักของ The Graph คือ Semiotic Labs ได้รวมเทคโนโลยีดัชนีของ The Graph และ OpenAI เพื่อเปิดตัวAgentcโครงการที่มุ่งเน้นการวิเคราะห์แนวโน้มของตลาดสกุลเงินดิจิตอลและบริการค้นหาข้อมูลธุรกรรม

เมื่อสอบถามเกี่ยวกับการทำธุรกรรมโทเค็นของ Vitalik Buterin ในรอบ 18 เดือนที่ผ่านมา ตัวแทนจะให้คำตอบที่เป็นรายละเอียดมากขึ้น อย่างไรก็ตาม ความทะเยอทะยานของ The Graph ยังไปเกี่ยวกับ AI มากกว่านี้ ในกระดาษสีขาวของมันชื่อ “”กราฟเป็นโครงสร้างพื้นฐาน AI" สรุปเป้าหมายไม่ใช่การเปิดตัวแอปพลิเคชันเฉพาะ แต่เพื่อใช้ประโยชน์จากโปรโตคอลการจัดทําดัชนีข้อมูลแบบกระจายอํานาจเพื่อให้นักพัฒนามีเครื่องมือสําหรับการสร้างแอปพลิเคชัน AI แบบ Web3-native เพื่อสนับสนุนเป้าหมายนี้ Semiotic Labs จะเปิดฐานโค้ดของ Agentc ซึ่งช่วยให้นักพัฒนาสามารถสร้าง AI dApps ที่คล้ายกับ Agentc เช่นตัวแทนวิเคราะห์แนวโน้มตลาด NFT และผู้ช่วยซื้อขาย DeFi

แผนภูมิ AI แบบกระจายของ The Graph

เปิดตัวในเดือนกรกฎาคม 2018 โดย The Graph เป็นโปรโตคอลที่มีการกระจายสำหรับการจัดทำดัชนีและคิวรีข้อมูลบล็อกเชน นักพัฒนาสามารถใช้ Open API เพื่อสร้างและ implement ดัชนีข้อมูลที่เรียกว่า subgraphs เพื่อให้แอปพลิเคชันสามารถเรียกดึงข้อมูล on-chain ได้ จนถึงขณะนี้ The Graph รองรับมากกว่า 50 โซน รอบที่มีมากกว่า 75,000 โครงการ และได้ประมวลผลคิวรีมากกว่า 1.26 ล้านล้านครั้ง

ความสามารถของ The Graph ในการจัดการข้อมูลขนาดใหญ่นี้ได้รับการสนับสนุนจากทีมหลักของตน ซึ่งรวมถึง Edge & Node, Streamingfast, Semiotic, The Guild, GraphOps, Messari, และ Pinax. Streamingfast ให้เทคโนโลยีสถาปัตยกรรม跨ลึกสำหรับการสตรีมข้อมูลบล็อกเชน ในขณะที่ Semiotic AI ให้ความสำคัญกับการรวม AI และการเข้ารหัสลับเข้ากับ The Graph The Guild, GraphOps, Messari, และ Pinax มีความเชี่ยวชาญในพื้นที่ต่าง ๆ เช่น การพัฒนา GraphQL, การบริการดัชนี, การพัฒนาซับกราฟ, และการแก้ไขการไหลข้อมูล

ยุยงของกลยุทธ์ AI ของ The Graph ไม่ใช่เรื่องใหม่ ในเดือนมีนาคมที่ผ่านมา The Graph Blog เผยแพร่ บทความสรุปศักยภาพของแอปพลิเคชัน AI โดยใช้ความสามารถในการจัดทําดัชนีข้อมูล ในเดือนธันวาคม The Graph ได้เปิดตัว "สมัยใหม่โครงการถนน ซึ่งรวมถึงแผนที่จะเพิ่มโมเดลภาษาใหญ่ (LLM) ในการค้นหาที่มีการช่วยเหลือ ในงานวิจัยขาวเร็วล่าสุดยังแสดงให้เห็นถึงแผนถนนที่เป็น AI โดยใช้บริการ AI 2 รายการ: การอัคคีและบริการเอเจนต์ ซึ่งช่วยให้นักพัฒนาสามารถรวมฟังก์ชัน AI โดยตรงลงในส่วนหน้าแอปพลิเคชัน พร้อมกับการสนับสนุนจาก The Graph

บริการการอ่านความหมาย: รองรับช่วงของโมเดล AI โอเพนซอร์ส

ในบริการการอ่านความหมายแบบดั้งเดิม โมเดลจะทำการพยากรณ์บนข้อมูลอินพุทโดยใช้ทรัพยากรคลาวด์ที่มีการจัดกลุ่มไว้ ตัวอย่างเช่น ChatGPT จะดำเนินการอ่านความหมายและส่งคำตอบกลับ อย่างไรก็ตาม วิธีการที่เน้นไปที่การจัดกลุ่มนี้จะเพิ่มค่าใช้จ่ายและเสี่ยงต่อการโดนการตรวจสอบเนื้อหา สำหรับ The Graph เป้าหมายคือการสร้างตลาดโฮสติ้งโมเดลที่ไม่มีการจัดกลุ่มเพื่อให้นักพัฒนา dApp มีความยืดหยุ่นมากขึ้นในการใช้งานและโฮสต์โมเดล AI

เอกสารขาวให้ตัวอย่างเพื่อใช้ The Graph เพื่อสร้างแอปพลิเคชันที่ช่วยให้ผู้ใช้ Farcaster เข้าใจว่าโพสต์ของพวกเขาจะได้รับการถูกใจมากน้อยเพียงใด ก่อนอื่น บริการข้อมูล subgraph จาก The Graph จะทำการดัชนีข้อมูลความคิดเห็นและความถูกใจในโพสต์ของ Farcaster ต่อมา เราจะฝึกสอนเครือข่ายประสาทเพื่อทำนายว่าความคิดเห็นใหม่ของ Farcaster จะได้การถูกใจหรือไม่ และเครือข่ายประสาทจะถูกนำไปใช้งานในบริการการอ่านของ The Graph เพื่อให้เกิด dApp ที่ช่วยให้ผู้ใช้สร้างโพสต์ที่มีโอกาสที่จะได้รับการถูกใจมากขึ้น

วิธีนี้ช่วยให้นักพัฒนาสามารถใช้โครงสร้างพื้นฐานของ The Graph ได้อย่างง่ายดาย โฮสต์โมเดลที่ฝึกอบรมไว้บนเครือข่าย และผสานเข้ากับแอปพลิเคชันผ่าน API ทำให้ผู้ใช้สามารถสัมผัสฟังก์ชันลักษณะเหล่านี้โดยตรงเมื่อใช้ dApps ได้

เพื่อให้นักพัฒนามีตัวเลือกและความยืดหยุ่นมากขึ้นบริการอนุมานของ The Graph รองรับโมเดลยอดนิยมที่มีอยู่ ตามเอกสารไวท์เปเปอร์ "ในระยะ MVP บริการอนุมานของ The Graph จะรองรับโมเดล AI โอเพ่นซอร์สยอดนิยม รวมถึง Stable Diffusion, Stable Video Diffusion, LLaMA, Mixtral, Grok และ Whisper" ในอนาคตโมเดลแบบเปิดที่ผ่านการทดสอบและจัดทําดัชนีอย่างดีสามารถนําไปใช้ใน The Graph Inference Service ได้ นอกจากนี้เพื่อลดความซับซ้อนทางเทคนิคในการปรับใช้โมเดล AI The Graph ยังมีอินเทอร์เฟซที่ใช้งานง่ายซึ่งทําให้กระบวนการง่ายขึ้นทําให้นักพัฒนาสามารถอัปโหลดและจัดการโมเดล AI ได้โดยไม่ต้องกังวลกับการบํารุงรักษาโครงสร้างพื้นฐาน

เพื่อเพิ่มประสิทธิภาพของโมเดลในการใช้งานที่เฉพาะเจาะจง The Graph ยังสนับสนุนโมเดลการปรับแต่งบนชุดข้อมูลที่เจาะจง อย่างไรก็ตาม การปรับแต่งบังคับใช้งานบน The Graph โดยตรงนั้นไม่ได้เกิดขึ้นบ่อยครั้ง นักพัฒนาจำเป็นต้องปรับแต่งโมเดลภายนอกแล้วนำเอาโมเดลเหล่านี้ไปใช้งานผ่านบริการการอ่านเดบิตของ The Graph เพื่อให้นักพัฒนาสามารถทำให้โมเดลที่ปรับแต่งถูกเผยแพร่ได้ The Graph กำลังพัฒนากลไกส่งเสริมเช่นการกระจายค่าธรรมเนียมการสอบถามให้เท่าเทียมกันระหว่างผู้สร้างโมเดลและผู้ดัชนี

เพื่อให้มั่นใจในความน่าเชื่อถือของผลลัพธ์การอุปถัมภาพของ AI The Graph มีวิธีการยืนยันหลายวิธี รวมถึงเจ้าหน้าที่ที่เชื่อถือได้ การตกลง M-of-N พิสูจน์โดยใช้หลายกระจก การฉ้อโกงแบบโต้ตอบ และ zk-SNARKs แต่ละวิธีมีข้อดีและข้อเสียของตน ผู้ที่ไว้ใจพึ่งพาที่เชื่อถือได้ การตกลง M-of-N ต้องการผู้ดัชนีหลายรายการในการตรวจสอบ เพิ่มความยากในการโกงพร้อมทั้งเพิ่มค่าทางคำนวณและค่าจัดการ การฉ้อโกงแบบโต้ตอบ มีความปลอดภัยอย่างมาก แต่ไม่เหมาะสำหรับแอปพลิเคชันที่ต้องการการตอบสนองอย่างรวดเร็ว ส่วน zk-SNARKs ซับซ้อนทางเทคนิคและไม่เหมาะสำหรับโมเดลที่ใหญ่

Graph เชื่อว่านักพัฒนาและผู้ใช้ควรสามารถเลือกระดับความปลอดภัยที่เหมาะสมตามความต้องการของพวกเขา ดังนั้น The Graph จึงวางแผนที่จะสนับสนุนวิธีการตรวจสอบที่หลากหลายในบริการอนุมานเพื่อรองรับข้อกําหนดด้านความปลอดภัยและสถานการณ์การใช้งานที่แตกต่างกัน ตัวอย่างเช่นธุรกรรมทางการเงินหรือตรรกะทางธุรกิจที่สําคัญอาจต้องใช้วิธีการตรวจสอบความปลอดภัยที่สูงขึ้นเช่น zk-SNARKs หรือฉันทามติ M-of-N ในขณะที่แอปพลิเคชันที่มีความเสี่ยงต่ําหรือเน้นความบันเทิงสามารถเลือกใช้วิธีการที่คุ้มค่าและตรงไปตรงมามากขึ้นเช่นหน่วยงานที่เชื่อถือได้หรือหลักฐานการฉ้อโกงแบบโต้ตอบ นอกจากนี้ The Graph ยังวางแผนที่จะสํารวจเทคโนโลยีที่เพิ่มความเป็นส่วนตัวเพื่อแก้ไขปัญหารูปแบบและความเป็นส่วนตัวของผู้ใช้

บริการตัวแทน: ช่วยให้นักพัฒนาสามารถสร้างแอปพลิเคชันอัตโนมัติที่ขับเคลื่อนด้วยปัญญาประดิษฐ์

ในขณะที่ Inference Service มุ่งเน้นไปที่การทำงานของโมเดล AI ที่ได้รับการฝึกสอนล่วงหน้าสำหรับการอ่านความหมาย บริการเอเจ้นท์มีความซับซ้อนมากขึ้น ต้องใช้ส่วนประกอบหลายตัวเพื่อทำงานร่วมกันเพื่อให้เอเจ้นท์สามารถปฏิบัติหน้าที่ที่ซับซ้อนและอัตโนมัติได้ บริการเอเจ้นท์ของ The Graph มีเป้าหมายที่จะรวมการสร้าง โฮสต์ และดำเนินการของเอเจ้นท์ภายใน The Graph โดยมีการสนับสนุนจากเครือข่ายดัชนีอ่อน

โดยเฉพาะอย่างยิ่ง The Graph จะให้บริการเครือข่ายที่ไม่มีความเป็นศูนย์กลางเพื่อสนับสนุนการสร้างและโฮสต์เอเจนต์ หลังจากที่เอเจนต์ถูกปรับใช้ในเครือข่าย The Graph ผู้ดัชนีจะให้การสนับสนุนการดำเนินการที่จำเป็นรวมถึงการทำดัชนีข้อมูลและการตอบสนองต่อเหตุการณ์บนเชื่อมโยงและคำขอปฏิสัมพันธ์อื่น ๆ

เหมือนกับที่กล่าวไว้ก่อนหน้านี้ทีมพัฒนาหลักของ The Graph, Semiotic Labs, ได้เปิดตัวการทดลอง Agent รุ่นเร็วๆนี้Agentc , ซึ่งรวมซอฟต์แวร์ดัชนีของ The Graph กับ OpenAI ฟังก์ชันหลักของมันคือการแปลงข้อมูลภาษาธรรมชาติเป็นคำค้น SQL ทำให้ผู้ใช้สามารถค้นข้อมูลแบบเรียลไทม์บนบล็อกเชนและนำผลลัพธ์มานำเสนอในรูปแบบที่เข้าใจง่าย อย่างง่าย Agentc เน้นการให้บริการการวิเคราะห์แนวโน้มตลาด cryptocurrency ที่สะดวกและการค้นข้อมูลข้อมูลการทำธุรกรรม โดยข้อมูลทั้งหมดนำเข้ามาจาก Uniswap V2, Uniswap V3, Uniswap X และพวกของพวกเขาบน Ethereum และราคาอัพเดทเป็นระยะเวลาหนึ่งชั่วโมง

นอกจากนี้ The Graph ยังตั้งข้อสังเกตว่าโมเดล LLM ที่ใช้มีอัตราความแม่นยําเพียง 63.41% ซึ่งบ่งชี้ถึงความเป็นไปได้ในการตอบสนองที่ไม่ถูกต้อง เพื่อแก้ไขปัญหานี้ The Graph กําลังพัฒนาโมเดลภาษาขนาดใหญ่รูปแบบใหม่ที่เรียกว่า KGLLM (Knowledge Graph-enabled Large Language Models) KGLLM ใช้ข้อมูลกราฟความรู้ที่มีโครงสร้างซึ่งจัดทําโดย Geo ซึ่งช่วยลดโอกาสในการสร้างข้อมูลที่ผิดพลาดได้อย่างมาก แต่ละคําสั่งในระบบของ Geo ได้รับการสนับสนุนโดยการประทับเวลาแบบ on-chain และการตรวจสอบการลงคะแนน หลังจากรวมกราฟความรู้ของ Geo แล้วตัวแทนสามารถนําไปใช้กับสถานการณ์ต่างๆรวมถึงกฎระเบียบทางการแพทย์การพัฒนาทางการเมืองการวิเคราะห์ตลาด ฯลฯ เพิ่มความหลากหลายและความแม่นยําของบริการตัวแทน ตัวอย่างเช่น KGLLM สามารถใช้ข้อมูลทางการเมืองเพื่อให้คําแนะนําการเปลี่ยนแปลงนโยบายแก่องค์กรอิสระแบบกระจายอํานาจ (DAOs) และตรวจสอบให้แน่ใจว่าข้อมูลเหล่านั้นอยู่บนพื้นฐานของข้อมูลที่เป็นปัจจุบันและถูกต้อง

ข้อดีของ KGLLM ประกอบด้วย:

• การใช้ข้อมูลโครงสร้าง:KGLLM ใช้ฐานความรู้ภายนอกที่มีโครงสร้างอย่างมีระเบียบ โดยข้อมูลถูกจัดแบ่งเป็นรูปแบบกราฟในกราฟความรู้ ทำให้ความสัมพันธ์ระหว่างข้อมูลเห็นง่ายและสามารถสอบถามและเข้าใจได้อย่างอัจฉริยะ
• การประมวลผลข้อมูลทางความสัมพันธ์:KGLLM เหมาะสำหรับการจัดการข้อมูลที่เกี่ยวข้องกัน เช่น เข้าใจความสัมพันธ์ระหว่างบุคคลและเหตุการณ์ โดยใช้อัลกอริทึมการท่องเที่ยวกราฟเพื่อค้นหาข้อมูลที่เกี่ยวข้องโดยการกระโดดผ่านโหนดต่าง ๆ ในกราฟความรู้ (เหมือนการเคลื่อนที่บนแผนที่) วิธีนี้ช่วยให้ KGLLM สามารถหาข้อมูลที่เกี่ยวข้องที่สุดสำหรับการตอบคำถาม
• การเรียกข้อมูลและการสร้างข้อมูลที่มีประสิทธิภาพ:โดยใช้อัลกอริทึมการค้นหากราฟ KGLLM สกัดความสัมพันธ์และแปลงพวกเขาเป็นข้อความธรรมชาติที่โมเดลสามารถเข้าใจ คำชี้แจงชัดเจนเหล่านี้ทำให้ KGLLM สามารถสร้างการตอบสนองที่มีความแม่นยำและเกี่ยวข้องมากขึ้น

Outlook

ในฐานะ "Google of Web3" The Graph จะแก้ไขปัญหาการขาดแคลนข้อมูลในปัจจุบันในบริการ AI และทําให้กระบวนการพัฒนาสําหรับนักพัฒนาง่ายขึ้นผ่านบริการ AI ด้วยการพัฒนาและการนําแอปพลิเคชัน AI มาใช้มากขึ้นประสบการณ์ของผู้ใช้คาดว่าจะดีขึ้นอีก ในอนาคตทีมพัฒนา The Graph จะยังคงสํารวจความเป็นไปได้ในการผสานรวม AI เข้ากับ Web3 นอกจากนี้ทีมอื่น ๆ ภายในระบบนิเวศเช่น Playgrounds Analytics และ DappLooker กําลังออกแบบโซลูชันที่เกี่ยวข้องกับบริการตัวแทน

คำประกาศ:

1. บทความนี้เป็นการพิมพ์ซ้ำจาก[ChainFeeds Research], สิทธิ์ในการคัดลอกทั้งหมดเป็นของผู้เขียนต้นฉบับ [ลินดาเบลล์]. If there are objections to this reprint, please contact the Gate Learnทีม และพวกเขาจะดำเนินการโดยเร็ว
2. คำปฏิเสธความรับผิด: มุมมองและความคิดเห็นที่แสดงอยู่ในบทความนี้เป็นเพียงของผู้เขียนเท่านั้น และไม่ใช่เป็นคำแนะนำในการลงทุนใด ๆ
3. การแปลบทความเป็นภาษาอื่นๆ ทำโดยทีม Gate Learn หากไม่ได้กล่าวถึง การคัดลอก การกระจายหรือการลอกเลียนแบบบทความที่ถูกแปลนั้นถือเป็นการฝ่าฝืนกฎหมาย