มีแนวคิดที่เติบโตขึ้นใน Web3 ว่า NFTs และ AI จะต้องมาบรรจบกันมากขึ้นเรื่อยๆ คนส่วนใหญ่มักนึกภาพว่าเป็น “การฝึก AI ด้วยภาพ NFT ของคุณ” ซึ่งเป็นความจริงทางเทคนิค แต่ก็พลาดประเด็นที่ลึกกว่านั้น สิ่งที่เกิดขึ้นจริงคือการเกิดขึ้นของ AI ที่ขับเคลื่อนด้วยความเป็นเจ้าของ ซึ่งกระเป๋าเงินของคุณไม่ได้ถือแค่สินทรัพย์ แต่ยังเป็นตัวกำหนดปัญญา นี่เป็นการเปลี่ยนแปลงที่ละเอียดอ่อน แต่สำคัญมาก
คุณสามารถ ฝึกโมเดล AI บน NFTs ที่คุณเป็นเจ้าของได้ไหม? ได้ แต่มีวิธีที่ถูกต้องและผิด และคำแนะนำส่วนใหญ่มักข้ามส่วนที่สำคัญที่สุด คุณจำเป็นต้องเข้าใจสามสิ่งก่อนที่จะเขียนโค้ดใดๆ: สิ่งที่คุณเป็นเจ้าของจริงๆ สิทธิ์ที่คุณมี และวิธีที่ AI เรียนรู้ ถ้าคุณเข้าใจผิดในสิ่งใดสิ่งหนึ่ง ก็เสี่ยงที่จะสร้างบนทราย หรือเข้าไปในเขตสีเทาทางกฎหมาย
ขั้นตอนที่หนึ่ง: เข้าใจสิ่งที่คุณเป็นเจ้าของจริงๆ
จุดนี้เป็นจุดที่คำแนะนำหลายอย่างล้มเหลว การเป็นเจ้าของ NFT ไม่ได้หมายความว่าคุณเป็นเจ้าของลิขสิทธิ์ของงานศิลป์ที่มันแทนที่อยู่ ในหลายกรณี NFT เป็นโทเค็นที่ชี้ไปยัง metadata ซึ่งต่อมาชี้ไปยังไฟล์สื่อพื้นฐาน ซึ่งมักจะโฮสต์ผ่าน IPFS หรือเซิร์ฟเวอร์เว็บมาตรฐาน โครงสร้างนี้ถูกกำหนดในมาตรฐานเช่น ERC-721 ซึ่ง tokenURI จะคืน metadata ของทรัพย์สิน แทนที่จะเป็นทรัพย์สินเอง (EIP-721)
ในเชิงกฎหมาย ความแตกต่างนี้สำคัญยิ่งขึ้น ตามรายงานของสำนักงานลิขสิทธิ์สหรัฐฯ เกี่ยวกับ NFT การเป็นเจ้าของ NFT โดยทั่วไปไม่ได้โอนลิขสิทธิ์ ยกเว้นระบุไว้ในสัญญาอนุญาต (copyright.gov) องค์กรอย่าง WIPO ก็ย้ำชัดว่า การซื้อ NFT แทบไม่ให้สิทธิ์เต็มที่ในการใช้ซ้ำหรือฝึกโมเดลบนเนื้อหา (wipo.int)
ดังนั้น ก่อนที่คุณจะคิดเรื่อง AI คุณต้องถามคำถามง่ายๆ ว่า:
ฉันได้รับอนุญาตให้ใช้เนื้อหานี้เพื่อฝึกโมเดลได้ไหม?
บางคอลเลกชัน เช่นที่ใช้ใบอนุญาต CC0 อนุญาตให้ใช้งานได้เต็มที่ ขณะที่บางชุดให้สิทธิ์เชิงพาณิชย์จำกัด และบางชุดก็จำกัดการใช้งานอย่างเข้มงวด นี่ไม่ใช่เรื่องเทคนิค แต่มันเป็นพื้นฐานสำคัญ
ขั้นตอนที่สอง: เปลี่ยน NFTs เป็นข้อมูลที่ใช้งานได้
เมื่อสิทธิ์ชัดเจนแล้ว กระบวนการจะเป็นเรื่องง่ายขึ้น AI models ไม่เข้าใจ NFTs — พวกเขาเข้าใจข้อมูล ดังนั้น งานของคุณคือแปลง NFTs ของคุณเป็นชุดข้อมูลที่เป็นโครงสร้าง
โดยปกติเริ่มจากการยืนยันความเป็นเจ้าของกระเป๋าเงินด้วยวิธีเช่น Sign-In with Ethereum (SIWE) ซึ่งช่วยให้ผู้ใช้พิสูจน์การควบคุมกระเป๋าเงินโดยไม่ต้องทำธุรกรรม (EIP-4361) จากนั้น คุณดึง NFTs ที่เชื่อมโยงกับกระเป๋านั้นผ่าน API เช่น Alchemy หรือบริการดัชนีอื่นๆ
NFT แต่ละชิ้นมี metadata, ลักษณะเฉพาะ, คำอธิบาย, คุณสมบัติ และมักมีลิงก์ไปยังภาพหรือไฟล์สื่อ การรวมกันนี้มีพลัง คุณไม่ได้แค่เก็บภาพ แต่คุณเก็บข้อมูลที่มีป้ายกำกับ ซึ่งเป็นสิ่งที่ machine learning เจริญเติบโตบนมัน
และนี่คือจุดที่น่าสนใจ
ขั้นตอนที่สาม: ทำไมชุดข้อมูล NFT ถึงแตกต่าง (และบางครั้งดีกว่า)
โมเดล AI ส่วนใหญ่ในปัจจุบันถูกฝึกบนชุดข้อมูลขนาดใหญ่และรกจากอินเทอร์เน็ต พวกเขากว้าง แต่ไม่แม่นยำเสมอ คอลเลกชัน NFT กลับถูกคัดสรรโดยดีไซน์
คิดดูสิ:
- ลักษณะเฉพาะถูกจัดระเบียบ
- สไตล์สอดคล้องกัน
- metadata ถูกจัดระเบียบ
- แหล่งที่มาสามารถตรวจสอบได้
เป็นการผสมผสานที่หาได้ยากในการฝึก AI สำหรับ IPFS ก็ใช้การระบุเนื้อหา (content-addressing) ซึ่งไฟล์จะถูกระบุด้วยแฮชของมัน แทนตำแหน่งที่อยู่ ซึ่งช่วยให้แน่ใจว่าข้อมูลที่คุณฝึกบนมันสามารถตรวจสอบได้และไม่เปลี่ยนแปลงตามเวลา (docs.ipfs.tech)
ง่ายๆ ก็คือ ชุดข้อมูล NFT อาจสะอาดกว่า ตั้งใจมากกว่า และเชื่อถือได้มากกว่าข้อมูลเว็บทั่วไป
ขั้นตอนที่สี่: เลือกประเภทโมเดล AI ที่เหมาะสม
ไม่ใช่ทุกโมเดล AI ที่ถูกสร้างขึ้นเท่ากัน และนี่คือจุดที่หลายคนทำผิดพลาด ความรู้สึกคืออยากใช้โมเดลภาษาขนาดใหญ่ แต่ NFT เป็นสินทรัพย์ด้านภาพและวัฒนธรรมเป็นหลัก ซึ่งหมายความว่าโมเดลประเภทอื่นมักเหมาะสมกว่า
สำหรับ NFT ที่เป็นภาพ การใช้ diffusion models เช่น Stable Diffusion เป็นจุดเริ่มต้นที่ดีที่สุด เทคนิคอย่าง DreamBooth ช่วยให้คุณฝึกโมเดลบนภาพไม่กี่ภาพเพื่อจับลักษณะเฉพาะหรือสไตล์ (Hugging Face DreamBooth) LoRA (Low-Rank Adaptation) ก็ช่วยให้ปรับแต่งได้อย่างมีประสิทธิภาพโดยไม่ต้องฝึกโมเดลใหม่ทั้งหมด (Hugging Face LoRA)
แต่ยังมีความเข้าใจที่น้อยกว่าก็คือ การสร้างภาพเป็นเพียงหนึ่งในหลายการใช้งาน
โมเดลอย่าง CLIP สามารถวิเคราะห์และเข้าใจภาพ ช่วยให้ค้นหาความคล้ายคลึง การตรวจจับลักษณะเฉพาะ และระบบแนะนำ ซึ่งอาจมีประโยชน์มากกว่าการสร้างงานศิลป์ใหม่ในระยะยาว
และยังมีโมเดลแบบมัลติโหมด ซึ่งรวมข้อความและภาพเข้าด้วยกัน ซึ่งสามารถเชื่อมโยงภาพ NFT กับเรื่องราว ชุมชน และ metadata เปลี่ยนสินทรัพย์นิ่งให้กลายเป็นประสบการณ์แบบโต้ตอบได้
ขั้นตอนที่ห้า: สิ่งที่ไม่มีใครพูดถึง
การฝึกโมเดลไม่ใช่แค่การป้อนข้อมูลเข้าไป แต่เป็นการเลือก ข้อมูลที่ถูกต้อง
ถ้าคุณเป็นเจ้าของ NFT 50 ชิ้น คุณไม่จำเป็นต้องฝึกบนทุกชิ้นเท่ากัน บางชิ้นอาจสะท้อนรสนิยมของคุณได้ดี บางชิ้นอาจหายาก บางชิ้นอาจมีความหมายมากกว่า
นี่คือจุดที่การตัดสินใจของมนุษย์เข้ามามีบทบาท
คุณสามารถ:
- ให้ความสำคัญกับสินทรัพย์ตามความหายากหรือเวลาที่ถือครอง
- คัดกรองตามลักษณะเฉพาะหรือสไตล์
- รวมหลายกระเป๋าเพื่อสร้างชุดข้อมูลร่วมกัน
พูดง่ายๆ คือ คุณไม่ได้แค่สร้างชุดข้อมูล คุณกำลังแสดงมุมมอง ซึ่ง AI ไม่สามารถทำได้เอง
ขั้นตอนที่หก: การฝึกโมเดล
ข่าวดีคือคุณไม่จำเป็นต้องใช้โครงสร้างพื้นฐานขนาดใหญ่ การทำงานด้าน AI บน NFT ส่วนใหญ่มักใช้การปรับแต่งโมเดลที่มีอยู่แล้ว ไม่ใช่การฝึกใหม่ตั้งแต่ต้น
โดยใช้เครื่องมือจาก Hugging Face คุณสามารถ:
- เตรียมชุดข้อมูลของคุณ
- ปรับแต่งโมเดลด้วย Trainer APIs (transformers training)
- ติดตามการทดลองและเวอร์ชัน
เครื่องมืออย่าง DVC (Data Version Control) ช่วยจัดการชุดข้อมูลและโมเดลตามเวลา เพื่อให้แน่ใจว่าสามารถทำซ้ำได้ (dvc.org)
สิ่งสำคัญคือ:
คุณกำลังปรับแต่งปัญญา ไม่ได้สร้างมันขึ้นมาใหม่ทั้งหมด
แนวคิดใหญ่: NFTs เป็นโครงสร้างพื้นฐานของ AI
ถ้าทุกอย่างที่กล่าวมาฟังดูเป็นความพยายามมากเพื่อสร้างภาพ คุณก็ถูกแล้ว เพราะโอกาสที่แท้จริงไม่ได้อยู่ที่การสร้างภาพ
แต่เป็นสิ่งที่ NFTs เปิดโอกาสให้กับ AI:
- ชุดข้อมูลที่มีการอนุญาต
- การควบคุมการเข้าถึงตามความเป็นเจ้าของ
- แหล่งที่มาที่โปร่งใส
- ลิขสิทธิ์ที่สามารถโปรแกรมได้
สิ่งเหล่านี้เป็นสิ่งที่ AI ขาดอยู่ในปัจจุบัน
ยังมีกระแสพูดคุยเกี่ยวกับความถูกต้องตามธรรมชาติของเนื้อหา มาตรฐานอย่าง C2PA พยายามแนบข้อมูลแหล่งที่มาสู่สินทรัพย์ดิจิทัล ช่วยยืนยันว่าเนื้อหาถูกสร้างและแก้ไขอย่างไร (c2pa.org) NFTs อาจเสริมด้วยการผูกข้อมูลแหล่งที่มาบนบล็อกเชน
คำแนะนำตรงไปตรงมา
คนส่วนใหญ่มองเข้าใกล้พื้นที่นี้ค่อนข้างแคบ พวกเขาถามว่าจะฝึก AI บน NFTs อย่างไร มากกว่าที่ NFTs เปิดโอกาส ให้ AI ทำอะไรได้บ้าง
แนวคิดที่น่าสนใจที่สุดไม่ใช่เรื่องสร้างงานศิลป์ แต่เป็น:
- ตัวตน AI บนกระเป๋าเงิน
- โมเดลกลุ่มที่ฝึกโดย DAO
- โมเดลที่พัฒนาตามการซื้อขาย NFT
- ระบบที่ความเป็นเจ้าของส่งผลต่อปัญญาแบบไดนามิก
ยังมีคำถามที่ยังไม่ได้คำตอบอย่างมาก:
ถ้าคุณขาย NFT ที่ใช้ในการฝึกโมเดล จะเกิดอะไรขึ้น?
บางสัญญาอนุญาต เช่นของ Azuki เชื่อมสิทธิ์กับความเป็นเจ้าของและสิ้นสุดเมื่อมีการโอน ซึ่งสร้างผลกระทบต่อโมเดลที่ฝึกแล้ว ควรอัปเดต? จำกัดสิทธิ์? ลบ?
ยังไม่มีใครแก้ปัญหานี้ได้อย่างสมบูรณ์ — และนั่นคือที่ที่นวัตกรรมจะเกิดขึ้น
สรุปสุดท้าย
การฝึกโมเดล AI ด้วย NFTs ที่คุณเป็นเจ้าของในปัจจุบันเป็นไปได้แน่นอน เครื่องมือมีอยู่แล้ว กระบวนการพิสูจน์แล้ว และอุปสรรคต่ำกว่าที่หลายคนคิด แต่คุณค่าที่แท้จริงไม่ได้อยู่ที่การฝึกเท่านั้น แต่เป็นสิ่งที่ NFTs นำเสนอ: ความเป็นเจ้าของที่ตรวจสอบได้ ข้อมูลที่เป็นโครงสร้าง และสิทธิ์ที่สามารถโปรแกรมได้ ถ้า AI คือปัญญา และ NFTs คือความเป็นเจ้าของ การรวมกันนี้ไม่ใช่แค่การทดลองทางเทคนิค แต่มันคือจุดเริ่มต้นของโมเดลใหม่ในการสร้าง ควบคุม และแบ่งปันปัญญา และนี่คือเรื่องราวที่ใหญ่กว่าการฝึกบน JPEGs มาก
