NGC Ventures: เดือนกันยายนแล้ว AI คุ้มค่าที่จะเริ่มต้นธุรกิจตอนนี้หรือไม่?

ผู้เขียนต้นฉบับ: Cherry, NGC Ventures

คำนำ

บทความนี้ร่างแรกเขียนเสร็จขณะตกปลาในวันพักผ่อนปลายเดือนสิงหาคม พอรีบเผยแพร่ ก็ได้รับคำแนะนำมากมาย ผู้เขียนจึงเพิ่ม เปลี่ยนแปลง ลบเนื้อหาบางส่วนเพื่อไม่ให้คนหัวเราะ

เนื้อหาของบทความนี้มีวัตถุประสงค์หลักเพื่อประเมินสถานการณ์ปัจจุบันของอุตสาหกรรม AI จากมุมมองการลงทุน เพื่อสะท้อนและเก็งกำไรในเส้นทางเทคโนโลยี/ผลิตภัณฑ์ของบริษัทต่างๆ และเพื่อสรุปเชิงนามธรรมเกี่ยวกับกลยุทธ์ของบริษัทใน อุตสาหกรรมเอไอ ดังนั้นจึงมีการละเว้นในส่วนที่เกี่ยวข้องกับเทคโนโลยีเฉพาะอย่างหลีกเลี่ยงไม่ได้ โปรดอดทนกับฉัน

แต่ในการวิเคราะห์ขั้นสุดท้าย บริษัทใหญ่ๆ หลายแห่งที่สามารถตีพิมพ์ผลงานได้ยังคงถูกแยกออกจากกัน และดูเหมือนว่าจะไม่มีใครสามารถประเมินความถูกต้องของเนื้อหาของบทความนี้ได้ เช่นเดียวกับการให้คะแนน GPT-3.5 ด้วย GPT-4 ดูเหมือนจะสมเหตุสมผล แต่ก็ค่อนข้างเป็นนามธรรมเมื่อคุณลองคิดดู

ดังนั้น ผู้เขียนจึงแนะนำว่าบทความนี้ถือเป็น การตัดสิน ที่เกิดขึ้นหลังจากการรวบรวมข้อมูลเกี่ยวกับอุตสาหกรรมที่ไม่แน่นอน เนื่องจากเป็นการตัดสิน จุดยืนจึงต้องชัดเจน และข้อความต้องมีความหมาย ส่วนจะจริงหรือไม่ก็ให้เวลาพิสูจน์ดู

ผู้เขียนเชื่อเสมอว่า: อุตสาหกรรมใหม่มีเสียงดัง การใช้สมองและกล้าที่จะตัดสินเป็นสิ่งที่ถูกต้องเสมอ สำหรับคำถามจริง-เท็จ อัตราการเดาแบบสุ่มที่ถูกต้องคือ 50% และความน่าจะเป็นที่จะเดาผิดสามครั้งติดต่อกันคือ 12.5% ​​แม้ว่าจะเป็นระดับการตัดสินของการโยนเหรียญ แต่มันก็มีความหมาย การตัดสินไม่ใช่เรื่องน่ากลัว แต่สิ่งที่แย่ที่สุดคือความแม่นยำในการตัดสินนั้นต่ำกว่าการพลิกเหรียญ

ก่อนที่จะเริ่มบทความนี้อย่างเป็นทางการ ฉันขอขอบคุณบุคคลต่อไปนี้ที่ทำงานซึ่งให้แรงบันดาลใจและแหล่งข้อมูลอันมีค่าสำหรับบทความนี้ แน่นอนว่าเนื่องจากการอนุมานจำนวนมากในบทความนี้อิงจากงานเหล่านี้ หากมีข้อผิดพลาด หรือผู้เขียนมีความเข้าใจที่ผิด การอนุมานในบทความนี้จะไม่มีประสิทธิภาพอีกต่อไป ขอให้ผู้อ่านใช้วิจารณญาณของตนเอง บทความนี้ไม่ถือเป็นคำแนะนำในการลงทุน และแทบจะไม่ถือเป็นคำแนะนำในการลงทุนด้วย

• Chain-of-Thought Hub: A Continuous Effort to Measure Large Language Models' Reasoning Performance（https://arxiv.org/abs/2305.17306）

• LIMA: Less Is More for Alignment（https://arxiv.org/abs/2305.11206）

• June 2023, A Stage Review of Instruction Tuning（https://yaofu.notion.site/June-2023-A-Stage-Review-of-Instruction-Tuning-f59dbfc36e2d4e12a33443bd6b2012c2）

• GPT-4 Architecture, Infrastructure, Training Dataset, Costs, Vision, MoE（https://www.semianalysis.com/p/gpt-4-architecture-infrastructure）

เอาล่ะ มาเริ่มบทความนี้อย่างเป็นทางการกันดีกว่า

โมเดลขนาดใหญ่: เปิดตัวจรวดไซเบอร์

ขั้นตอนแรกในการหารือเกี่ยวกับ AI ในปี 2566 คือการหารือว่าการเป็นผู้ประกอบการโมเดลขนาดใหญ่ยังสามารถดำเนินการได้หรือไม่

โมเดลใหญ่(ก่อนฝึก)ตอนนี้กลายเป็นปัญหาการยิงจรวดตราบใดที่ไฟยังจุดอยู่และทิศทางถูกใครๆก็ทำได้ กล่าวได้ว่าการฝึกโมเดลขนาดใหญ่ก็เหมือนกับการปล่อยจรวดไซเบอร์

สิ่งที่ขัดกับสัญชาตญาณคือนักลงทุนดูแคลนความยากในการฝึกโมเดลขนาดใหญ่ แต่ประเมินค่าความยากในการปล่อยจรวดของจริงสูงเกินไป ด้วยราคาเดียวกันที่ 60 ล้านดอลลาร์ นักลงทุนจะรู้สึกว่ามีโอกาสครั้งที่สองหากจรวดล้มเหลวในการปล่อย ในขณะที่ความล้มเหลวในการฝึกแบบจำลองขนาดใหญ่ถือเป็นการเสียเงิน

GPT-4 ยังคงใช้ 60 ล้านเหรียญสหรัฐในประสิทธิภาพการใช้งาน GPU ของ OpenAI (รายงานว่าอยู่ที่ประมาณ 30%) นี่เป็นคำถามเกี่ยวกับ {ประสิทธิภาพ = ประสิทธิภาพ × ต้นทุน} และประสิทธิภาพเป็นอุปสรรค หากสตาร์ทอัพรายอื่นไม่สามารถบรรลุผลด้านประสิทธิภาพที่มากกว่า 30% × 60 ล้าน = 18 ล้านดอลลาร์ ผู้ใช้ก็อาจใช้ GPT-4 โดยตรงได้เช่นกัน

ในปัจจุบัน บริษัทหลายแห่งที่อ้างว่าฝึกโมเดลขนาดใหญ่มีรอบการระดมทุนในช่วง 1 ล้านถึง 5 ล้านดอลลาร์ กล่าวอีกนัยหนึ่ง แม้แต่บริษัทที่มีเงินทุนมากที่สุดก็ยังมีกระสุนเพียงพอที่จะรองรับการยิงครั้งเดียวเท่านั้น แม้ว่าการใช้งาน GPU ของการเปิดตัวครั้งนี้จะถึง 100% แต่ก็ยากที่จะเกิน GPT-4

จากมุมมองนี้ปล่อยจรวดจะดีกว่าเพราะจรวดในปัจจุบันส่วนใหญ่เป็นยานปล่อยดาวเทียมที่บรรทุกดาวเทียมขึ้นไปบนฟ้าและความสามารถในการบรรทุกเดี่ยวมีจำกัด บริษัทจรวดขนาดเล็กจึงสามารถรับออเดอร์ดาวเทียมที่บริษัทอื่นไม่มีเวลาได้ ที่จะเปิดตัว.

โมเดลขนาดใหญ่นั้นแตกต่างกัน ต้นทุนส่วนเพิ่มของการขยายแนวนอนของโมเดลขนาดใหญ่เป็นเพียงต้นทุนของพลังการประมวลผลเท่านั้น และต้นทุนของพลังการประมวลผลสามารถขยายได้อย่างยืดหยุ่น ซึ่งหมายความว่าสำหรับบริษัทโมเดลขนาดใหญ่ กำไรของทุกคำสั่งซื้อคือกำไรฟรี แทบไม่มีค่าใช้จ่ายเพิ่มเติมและมีกำลังการผลิตที่ใหญ่มาก สำหรับบริษัทขนาดใหญ่ที่เพิ่งจัดตั้งขึ้นใหม่ซึ่งมีคุณภาพไม่ดี เป็นการยากที่จะได้รับความต้องการล้น

เว้นแต่ค่าใช้จ่ายในการฝึกอบรมจะลดลงอย่างมาก แม้ว่าจะทราบสถาปัตยกรรมทั้งหมดของ GPT-4 แล้วก็ตาม ก็จะเป็นเรื่องยากสำหรับหลายบริษัทที่จะสร้างโมเดลขนาดใหญ่ที่สามารถนำออกสู่ตลาดได้ในระยะสั้น

การปรับแต่ง: เผชิญหน้ากับปัญหา ผู้ชนะจะได้ทุกอย่าง

ในอุตสาหกรรมฮาร์ดแวร์ ปรากฏการณ์ทั่วไปคือการบรรลุผลกำไรตั้งแต่เนิ่นๆ ผ่านความต้องการที่ปรับแต่งเอง จากนั้นจึงบรรลุความก้าวหน้าทางเทคโนโลยี (หรือการทำให้เท่าเทียมกัน) ผ่านการทำกำไรในช่วงแรก อย่างไรก็ตาม การปรับแต่งในอุตสาหกรรมโมเดลขนาดใหญ่นั้นแทบจะไม่ใช่ทางออกสำหรับผู้เข้ามาใหม่

เกี่ยวกับการตัดสินนี้ คำอธิบายนั้นง่ายมาก: โมเดลที่ได้รับการปรับแต่งส่วนใหญ่ไม่สามารถตามทัน GPT-4 ได้ แม้ว่าพวกเขาจะตามทัน แต่การใช้ GPT-4 โดยตรงเพื่อการวางนัยทั่วไปนั้นมีราคาถูกกว่า ใช้บุคลากรน้อยลง และต้องใช้โชคน้อยกว่า . ความต้องการข้อมูลมีน้อย ตราบใดที่ยังมีช่องว่างด้านประสิทธิภาพระหว่าง GPT-4 และรุ่นอื่นๆ การปรับแต่งก็ไม่สามารถเป็นวิธีแก้ปัญหาสำหรับบริษัทที่มีโมเดลขนาดใหญ่ได้

ตัวอย่างทั่วไปคือ Jasper ซึ่งใช้ GPT-3 ที่ปรับแต่งมาอย่างดีเพื่อให้บริการลูกค้าระดับองค์กร อย่างไรก็ตาม หลังจากที่ OpenAI ทำให้ ChatGPT (GPT-3.5) เป็นแบบสาธารณะ ผู้ใช้ก็หายไปอย่างรวดเร็ว เนื่องจากสามารถรับเอาต์พุตของ Jasper ได้โดยการพิมพ์พรอมต์ง่ายๆ สำหรับ GPT-3.5 แทนที่จะใช้ เวอร์ชันย้อนหลัง ที่มีความสามารถในการสรุปข้อมูลทั่วไปที่ไม่ดี และจำกัดเฉพาะการใช้งานภายในภายในองค์กรเท่านั้น

เมื่อเปรียบเทียบกับบริษัทใหม่ Jasper อย่างน้อยก็มีกรอบเวลาตั้งแต่ GPT-3 ถึง GPT-3.5 สำหรับการพัฒนา อย่างไรก็ตาม ขณะนี้บริษัทใหม่ๆ ต้องเผชิญกับการบีบบังคับของ GPT-3.5 ที่มีต้นทุนต่ำ ความเร็วสูง และ GPT-4 ประสิทธิภาพสูงในเวลาเดียวกัน

ดังนั้นความน่าจะเป็นในการเอาชีวิตรอดโดยหวังว่าจะสะสมผลกำไรผ่านการปรับแต่งเพื่อให้บรรลุความก้าวหน้าทางเทคโนโลยีจึงต่ำมาก

การปรับแต่งอย่างละเอียด: จำเป็น อย่าเชื่อโชคลาง

อุตสาหกรรม AI ในปัจจุบันมีความคาดหวังที่ไม่สมจริงสำหรับการปรับแต่งอย่างละเอียด ซึ่งมีการประเมินสูงเกินไปในแง่ของการใช้งานทางเทคนิคเฉพาะและจังหวะทางเทคนิคระดับมหภาค

การปรับแต่งอย่างละเอียดที่พูดคุยกันในอุตสาหกรรมนี้ส่วนใหญ่หมายถึง ตามโมเดลที่ได้รับการฝึกอบรมล่วงหน้า เพื่อให้สามารถสร้างคำตอบที่สอดคล้องกับความตั้งใจของมนุษย์ การปรับแต่งแบบละเอียดแบบนี้เรียกได้ว่าเป็น การจัดแนว ก็คือการจัดคำตอบให้ตรงกับความตั้งใจของมนุษย์ แทนที่จะเพิ่มความฉลาดให้กับโมเดลขนาดใหญ่

จากผลการวิจัยในงานวิจัยหลายฉบับ ความรู้เกี่ยวกับโมเดลขนาดใหญ่ควรมาจากการฝึกล่วงหน้าเป็นหลัก ในขณะที่การปรับแบบละเอียดจะใช้ในการจัดตำแหน่งมากกว่า

คำอธิบายง่ายๆ ก็คือ การฝึกล่วงหน้าจะกำหนดความสามารถของสมอง และการปรับแต่งอย่างละเอียดจะกำหนดภาษาแม่ การปรับโมเดลที่ได้รับการฝึกมาก่อนอย่างละเอียดเป็นกระบวนการ ขจัดการไม่รู้หนังสือ

อย่างไรก็ตาม การปรับแต่งอย่างละเอียดมักถูกมองว่าในอุตสาหกรรมเป็นวิธีการ เพิ่มความฉลาด ให้กับโมเดล กล่าวคือ การปรับปรุงประสิทธิภาพของโมเดลและเพิ่มความรู้เกี่ยวกับโมเดลผ่านการปรับแต่งอย่างละเอียด เชื่อกันว่าด้วยวิธีนี้ จอกศักดิ์สิทธิ์ ของปัญญาประดิษฐ์ ได้ แนวความคิดนี้ค่อนข้างลำเอียง

ประการแรก ประสิทธิภาพของตัวแบบเองยังไม่ได้รับการปรับปรุง แต่สามารถประสานความตั้งใจของมนุษย์ได้ดีขึ้น หากความซับซ้อนของงานเกินกว่าประสิทธิภาพของตัวแบบ การปรับแต่งอย่างละเอียดจะไม่ให้ผลลัพธ์ที่คาดหวัง เช่นเดียวกับการปล่อยให้สมองของมนุษย์ดำเนินการควอนตัม การไม่ทำเช่นนั้นไม่ใช่เรื่องของการศึกษา

ประการที่สอง การเสริมความรู้ ดำเนินการในส่วน การจัดตำแหน่งความตั้งใจ และผลที่ได้จะคล้ายกับ การนกแก้ว มากกว่า นั่นคือแบบจำลองเพียงเลียนแบบสิ่งที่ผู้เชี่ยวชาญพูดโดยไม่เข้าใจความหมาย แม้ว่าหลายอุตสาหกรรมจะได้รับวิธีแก้ปัญหาที่ดีโดยการ นกแก้ว (ท้ายที่สุดแล้ว อุตสาหกรรมส่วนใหญ่ไม่ได้ซับซ้อน...) แต่นี่ไม่ใช่ผลลัพธ์ที่ชัดเจนว่าเราควรดำเนินการในระยะยาว

สุดท้ายนี้ การฝึกอบรม การเสริมชุดข้อมูลเพิ่มเติม การปรับปรุงประสิทธิภาพของโมเดล และการเพิ่มความรู้ของโมเดล ควรถือเป็นโมเดลที่มีความสามารถในการ การเรียนรู้แบบส่วนเพิ่ม/การเรียนรู้แบบต่อเนื่อง กล่าวคือ พารามิเตอร์ทั้งหมดของโมเดลสามารถประมวลผลผ่าน การเพิ่มประสิทธิภาพชุดข้อมูลส่วนเพิ่ม นี่ไม่ใช่แนวคิดเดียวกันกับสิ่งที่เรียกว่า การปรับคำสั่งอย่างละเอียด

โดยทั่วไปการปรับแบบละเอียดมีความสำคัญมาก แต่ก็ผิดที่จะมีทัศนคติ เชื่อโชคลาง ต่อการปรับแบบละเอียดในปัจจุบัน โดยเฉพาะการรีบเร่งเพื่อผนึกการปรับแบบละเอียดในปัจจุบันอย่างจอกศักดิ์สิทธิ์ซึ่งค่อนข้าง อยู่บนสิ่งปลูกสร้าง ของฟิสิกส์ทุกวันนี้ “มีเมฆดำมืดอยู่เพียงสองก้อนเท่านั้น”

หากย้อนกลับไปดูว่าความจำเป็นสำหรับ ความฉลาดที่เพิ่มขึ้น สามารถแก้ไขได้จริง ๆ ด้วยการปรับแต่งคำสั่งอย่างละเอียด โดยทำการค้นหาเวกเตอร์แบบง่าย ๆ การแทรกความรู้ลงในบริบทโดยตรง และเพียงเขียนเทมเพลตพร้อมท์เพียงไม่กี่รายการ ก็มีผลอย่างมาก ความน่าจะเป็นที่จะได้ผลลัพธ์ที่เหมือนกันหรือดีกว่านั้นได้ ผลกระทบ

ใครๆ ก็ชอบการปรับแต่ง บางทีนี่อาจเป็นการฟื้นฟูทักษะการเล่นแร่แปรธาตุในยุคปัจจุบัน...

Outlook สำหรับโมเดลขนาดใหญ่: การดำเนินการทางคณิตศาสตร์สี่รายการ

(โปรดทราบว่าเนื้อหาส่วนนี้อิงจากข้อมูลที่เปิดเผยโดย Dylan Patel ทั้งหมด และยังไม่สามารถตรวจสอบความน่าเชื่อถือได้)

การฝึก GPT-4 อิงตามชุด A ของการ์ด N ประสิทธิภาพการฝึกคือ 30% ระยะเวลาการฝึกประมาณ 2 เดือน ค่าใช้จ่ายประมาณ 60 ล้าน จำนวนพารามิเตอร์ทั้งหมดคือ {1.7 ล้านล้าน = 110 พันล้าน × 16 รุ่นผู้เชี่ยวชาญ} สามารถจัดการปัญหาเดียวได้ ค่าพารามิเตอร์ประมาณ 280 พันล้าน

กล่าวอีกนัยหนึ่ง มีพารามิเตอร์สำคัญหลายประการที่จะทำให้เกิดการเปลี่ยนแปลงรูปแบบของการฝึกโมเดลขนาดใหญ่

• ประสิทธิภาพการฝึกอบรม: เพิ่มขึ้นจาก 30% เป็น 60% สามารถเพิ่มเวลาเป็นสองเท่าได้โดยตรง

• ความเข้มของพลังการประมวลผลที่เพิ่มขึ้น: หลังจากเปลี่ยนจากซีรีย์ A เป็นซีรีย์ H จากนั้นเป็นการ์ดเฉพาะของ AI ความเข้มของพลังการประมวลผลจะเพิ่มขึ้น และปัญหาทางสถาปัตยกรรมมากมายที่ส่งผลต่อประสิทธิภาพสามารถแก้ไขได้

• ต้นทุนด้านพลังการประมวลผลลดลง: Lao Huang (ผู้ก่อตั้ง Nvidia) ลดราคาการ์ดกราฟิก ส่งผลให้ต้นทุนลดลงอย่างมาก

• ปรับปรุงประสิทธิภาพพารามิเตอร์: มีพื้นที่สำหรับการปรับปรุงประสิทธิภาพพารามิเตอร์ของโมเดล ในอดีต ประสิทธิภาพพารามิเตอร์ของรุ่นใหม่มักจะได้รับการปรับปรุงได้หลายครั้งเมื่อเทียบกับรุ่นเก่า สามารถใช้ 30% ของ พารามิเตอร์ของ GPT-4 เพื่อให้ได้เอฟเฟกต์ที่คล้ายกัน

โดยสรุป ค่าใช้จ่ายในการฝึกอบรมโมเดลที่มีประสิทธิภาพระดับ GPT-4 ตั้งแต่เริ่มต้นอาจมีพื้นที่สำหรับการเพิ่มประสิทธิภาพถึง 10 ถึง 20 เท่า ซึ่งลดลงเหลือ 3 ล้านถึง 6 ล้านดอลลาร์สหรัฐ ต้นทุนนี้คุ้มค่ามากสำหรับสตาร์ทอัพ และบริษัทขนาดใหญ่เป็นที่ยอมรับมากขึ้น

การเปลี่ยนแปลงนี้อาจใช้เวลาประมาณ 2 ปีจึงจะเสร็จสมบูรณ์

ปัจจุบันเทคโนโลยีโมเดลขนาดใหญ่กระแสหลักยังคงใช้หม้อแปลงไฟฟ้า โครงสร้างพื้นฐานไม่เปลี่ยนแปลง และแนวคิดในการปรับแต่งการเล่นแร่แปรธาตุและเพิ่มพารามิเตอร์เพื่อสร้างปาฏิหาริย์ยังไม่หมดลง การฝึกอบรม GPT-4 ดำเนินการบนพื้นฐานของข้อจำกัดด้านพลังงานการประมวลผลที่สูง และเวลาการฝึกอบรมไม่นานเพียงพอ

หากพารามิเตอร์เพิ่มขึ้นเชิงเส้นตามเวลาการฝึก ขีดจำกัดบนของพารามิเตอร์สำหรับโมเดลที่มีสถาปัตยกรรมคล้ายกับ GPT-4 อาจมีประมาณ 10 ล้านล้าน นั่นคือ: เวลาการฝึกสองเท่า (× 2) และการ์ดกราฟิกแบบขนานสองเท่า ( × 2) ประสิทธิภาพการฝึกเร็วขึ้นครึ่งหนึ่ง (× 1.5) ประสิทธิภาพของพารามิเตอร์สูงเพียงครึ่งเดียว (× 1.5) และผลลัพธ์สุดท้ายก็ดีขึ้นสิบเท่า ตามรูปแบบการยอมรับความเสี่ยงของ Silicon Valley ค่าพารามิเตอร์นี้มักจะถึงภายในหนึ่งปี ไม่ว่าประสิทธิภาพจะดีขึ้นหรือไม่ก็ตาม

อย่างไรก็ตาม หลังจากถึง 10 ล้านล้านพารามิเตอร์แล้ว ยังไม่ทราบแน่ชัดว่า LLM ยังคงสามารถใช้แนวคิดในการเพิ่มพารามิเตอร์เพื่อให้บรรลุปาฏิหาริย์ได้หรือไม่

หากจำนวนพารามิเตอร์ปรับปรุงประสิทธิภาพของโมเดลโดยมีอัตรากำไรที่ลดลง 10 ล้านล้านก็น่าจะเป็นอุปสรรค อย่างไรก็ตาม ยังมีการคาดเดาว่าจำนวนพารามิเตอร์ช่วยปรับปรุงประสิทธิภาพของโมเดลโดยเพิ่มขึ้นเล็กน้อย คล้ายกับ ถ้าบุคคลฉลาดเพียงพอ เขาสามารถเรียนรู้ทุกสิ่งได้อย่างรวดเร็ว แบบแรกก็โอเค แต่หากแบบหลังเป็นจริง ประสิทธิภาพของโมเดลอาจดีขึ้นแบบทวีคูณ และสิ่งที่จะเกิดขึ้นจะไม่สามารถคาดเดาได้โดยสิ้นเชิง

เป็นการยากที่จะทำนายน้ำอมฤต แต่คาดเดาจังหวะเชิงกลยุทธ์ของบริษัทได้ง่าย สำหรับองค์กรส่วนใหญ่ ไม่ว่าจะเป็นบริษัทยักษ์ใหญ่อย่าง Google/MS/APPL หรือ OpenAI ที่เล็กกว่า โมเดลที่มีพารามิเตอร์รวม 10 ล้านล้านเป็นจุดสิ้นสุดที่สำคัญซึ่งสามารถใช้เพื่อหยุดและทำการสำรวจทางเทคนิคบางอย่างได้

ความชอบขององค์กร/เงินทุนสำหรับความเสี่ยงสามารถแปลงเป็น เวลาอดทน ได้ หากเวลาความอดทนทั้งหมดทำให้ค่าใช้จ่ายหมดไปอย่างมาก ก็ยากที่จะเกิน 6 เดือน ฝีมือมนุษย์ไม่ได้เติบโตเร็วพอ โดยปกติแล้วจะมีวงจรที่ 5 ปีขึ้นไป ดังนั้นภายใน 5 ปี สามารถประมาณจำนวนพารามิเตอร์สุดท้ายของแบบจำลองได้และควรอยู่ที่ 20 ล้านล้านถึง 50 ล้านล้าน เว้นแต่การพัฒนาเทคโนโลยี/สถาปัตยกรรมครั้งใหญ่จะเกิดขึ้นอีกครั้ง ความน่าจะเป็นที่จะเกินลำดับความสำคัญนี้จะต่ำมาก

ความหลากหลาย: ช้างอยู่ในห้อง

ความหลากหลายถือเป็นช้างที่อยู่ในห้องและอาจส่งผลกระทบอย่างลึกซึ้งต่อภูมิทัศน์ของสนามแข่ง

คำจำกัดความง่ายๆ ของ multimodality คือ: รองรับอินพุตและเอาต์พุตของข้อมูล modal หลายรูปแบบ คำจำกัดความนี้หลวมมาก ตัวอย่างเช่น ผลิตภัณฑ์บางอย่างในตลาดที่อ้างว่าสามารถป้อนข้อมูลหลายรูปแบบได้จริง ๆ แล้วเป็นเลเยอร์ของ OCR ภายนอก ChatBot นอกจากนี้ยังมีโมเดลที่ตรงตามคำจำกัดความของความหลากหลายอย่างสมบูรณ์ แต่ประสิทธิภาพก็น่าผิดหวัง แม้แต่ความสามารถในการป้อนรูปภาพแบบหลายกิริยาของ GPT-4 ก็ยังไม่แพร่หลาย จะเห็นได้ว่าฟังก์ชันนี้ไม่ค่อยเสถียรนัก

อย่างไรก็ตาม การเปิดตัว multimodality นั้นอยู่ไม่ไกลนัก มีความเป็นไปได้สูงที่ GPT-5 รองรับการทำงานหลายรูปแบบโดยกำเนิด นั่นคือจำเป็นต้องออกแบบโครงสร้างใหม่และฝึกอบรมใหม่ ตามเหตุผลข้างต้น พารามิเตอร์ของโมเดลขนาดใหญ่ยังคงมีพื้นที่สำหรับการเติบโต 10 ถึง 50 เท่า และควรจะเพียงพอที่จะใส่ความสามารถหลายรูปแบบลงไป ดังนั้นจึงคาดว่าโมเดลหลายรูปแบบที่มีความพร้อมใช้งานสูงและประสิทธิภาพสูงจะปรากฏขึ้นภายใน 2 ปี และในแง่ดีก็คือจะเป็นเวลาเกือบ 1 ปี

ความหลากหลายทางรูปแบบเป็นเหมือนช้างที่อยู่ในห้องนี้ ทุกคนรู้ดีว่าในที่สุดจะต้องมีสิ่งนั้นเกิดขึ้น แต่ผลิตภัณฑ์/การวิจัย/กลยุทธ์จำนวนมากกลับมองข้ามการมีอยู่ของมันว่ามีการคำนวณผิดในส่วนสำคัญ

ตัวอย่างเช่น โมเดลรูปภาพเดี่ยวในทางทฤษฎีจะถูกกดขี่อย่างรุนแรงโดยโมเดลหลายรูปแบบ แต่ปัจจุบันการวิจัย/การลงทุนส่วนใหญ่เพิกเฉยต่อปัญหานี้ ซึ่งนำไปสู่การประเมินมูลค่าที่สูงเกินไปสำหรับบางบริษัทที่มุ่งเน้นไปที่โมเดลรูปภาพ บริษัทเหล่านี้มีแนวโน้มที่จะสูญเสียอุปสรรคทางเทคนิคและแปรสภาพเป็นผู้ให้บริการในอนาคต ระบบการประเมินควรอ้างอิงถึงผู้ให้บริการมากกว่าบริษัทเทคโนโลยี

ถ้าจะเล่าเรื่อง “การลงทุนขึ้นอยู่กับคน ทีมเดียวกัน เปลี่ยนธุรกิจได้” แค่แกล้งทำเป็นว่าผมไม่ได้พูด ตำนานอยู่ที่นั่นเสมอ แต่คุณไม่สามารถเชื่อในตำนานเหล่านั้นได้เมื่อทำการค้นคว้า

ใครสามารถฝึก GPT-4 ได้: ได้ แต่ไม่จำเป็น

การสกัดยาอายุวัฒนะใช้เวลาไม่นานนัก และบริษัทใหญ่ๆ ก็กำลังซื้อกราฟิกการ์ด สิ่งหนึ่งที่ชัดเจนมากคือภายในหนึ่งปีบริษัทขนาดใหญ่จะสามารถฝึกอบรมโมเดลระดับ GPT-4 ได้ แต่จะฝึกหรือไม่ก็เป็นอีกคำถามหนึ่ง

ในวงการเกมมีข้อเสนอสุดคลาสสิกที่เรียกว่า เล่น Genshin Impact กับ Genshin Impact นั่นคือเมื่อผู้เล่นสามารถเลือกเล่น Genshin Impact หรือผลิตภัณฑ์คู่แข่งของ Genshin Impact ได้ หากผลิตภัณฑ์ของคู่แข่งไม่ดีเท่า Genshin อิมแพคแล้วก็สามารถเล่น Genshin Impact เทพดั้งเดิมได้

แนวทาง ผู้ชนะจะได้ทุกอย่าง นี้สามารถใช้ได้กับอุตสาหกรรมโมเดลขนาดใหญ่ด้วย หากบริษัทติดตาม OpenAI และหลังจากครึ่งปีของการวิจัยและพัฒนา ได้เปิดตัวโมเดลขนาดใหญ่ของตัวเองที่มีประสิทธิภาพ 90% เทียบได้กับ GPT-4 ก็หวังว่าจะนำออกสู่ตลาด ขณะนี้บริษัทจะประสบปัญหาดังนี้

• OpenAI มีข้อได้เปรียบในขนาดจากทรัพยากรระบบคลาวด์และต้นทุนที่ต่ำกว่า

• API ของ OpenAI มีการใช้กันอย่างแพร่หลายในรหัสผลิตภัณฑ์ และเป็นการยากที่จะแทนที่

• ผลิตภัณฑ์ของบริษัทยังไม่มีประสิทธิภาพเหนือกว่า GPT-4

• ผลิตภัณฑ์รุ่นต่อไปของ OpenAI (อาจเป็น GPT-5) กำลังจะออกสู่ตลาด

จะเห็นได้ว่ามีความกดดันต่อบริษัทเป็นอย่างมาก แทนที่จะฝึก GPT-4 จะเป็นการดีกว่าที่จะเดิมพันรุ่นต่อไปโดยตรง (เทียบกับ GPT-5) จากนั้นปัญหาจะเปลี่ยนจาก ปัญหาของผลิตภัณฑ์คู่แข่งที่คล้ายคลึงกัน เป็น ปัญหานวัตกรรมทางเทคโนโลยี นี่เป็นภาระที่ทนไม่ได้สำหรับบริษัทขนาดเล็ก

ดังนั้น การถกเถียงว่า ใครสามารถฝึก GPT-4 ได้ จึงเป็นคำถามที่ตายตัวในเชิงกลยุทธ์ แทนที่จะคิดถึงปัญหานี้ ควรหาทิศทางที่มั่นใจและมีโอกาสมากกว่า

คำแนะนำสำหรับสตาร์ทอัพ AI: ประสิทธิภาพต้องมาก่อน หลีกเลี่ยงการหยุดชั่วคราว

ผู้เขียนได้เขียนบทความมากมายที่บ่นเกี่ยวกับ langchain เหตุผลพื้นฐานก็คือ langchain ไม่มีพื้นที่ให้นักพัฒนาปรับปรุงประสิทธิภาพ มีชื่อเรียกอย่างสละสลวยว่า กรอบงานสากล เพื่อให้มั่นใจถึงความเป็นสากล จึงละทิ้งพื้นที่จำนวนมากสำหรับการปรับปรุงประสิทธิภาพของโมเดลขนาดใหญ่ เช่น บทสนทนาแบบหลายรอบและการควบคุมรูปแบบที่ดำเนินการโดยการปรับแต่งแบบละเอียด ในทำนองเดียวกัน มีคำแนะนำ/Auto-GPT/BabyAGI ฯลฯ ล้วนต้องการเป็น กรอบการทำงานที่สามารถใช้ได้ตลอดชีวิต

ข้อเท็จจริงตามวัตถุประสงค์ก็คือ OpenAI เปิดตัว Function Calling ในเดือนพฤษภาคม จุดที่ยุ่งยากหลายแห่งในโค้ดมีโซลูชันการใช้งานที่ดีกว่า ในเดือนสิงหาคม OpenAI ได้เผยแพร่สิทธิ์ในการปรับแต่ง GPT-3.5 และลิงก์จำนวนมากที่ต้องการการควบคุมเอาต์พุตที่แม่นยำก็มีโซลูชันที่เป็นไปได้ใหม่

ดังนั้น สตาร์ทอัพต้องเผชิญกับตัวเลือกที่สำคัญ: พวกเขาควรเลือกที่จะ 1 ปรับปรุงประสิทธิภาพและปรับโครงสร้างผลิตภัณฑ์ใหม่อย่างต่อเนื่อง หรือ 2 ลดการใช้คุณสมบัติใหม่ และใช้คุณสมบัติเก่าเพื่อการพัฒนาเสมอ

สำหรับผู้ประกอบการประยุกต์ใช้เทคโนโลยีใหม่ “การพัฒนา” ไม่เพียงแต่แสดงถึงกระบวนการเขียนโค้ดเท่านั้น แต่ยังแสดงถึง “ขีดจำกัดบน” ของฟังก์ชัน/กลยุทธ์ของผลิตภัณฑ์อีกด้วย ยิ่งสามารถควบคุมประสิทธิภาพได้สูงเท่าใด ฟังก์ชันทางทฤษฎีของผลิตภัณฑ์ก็จะยิ่งมากขึ้นเท่านั้น และความยืดหยุ่นเชิงกลยุทธ์ก็จะยิ่งสูงขึ้นตามไปด้วย

การพัฒนาเทคโนโลยีเป็นสิ่งที่คาดเดาไม่ได้และนวัตกรรมทางเทคโนโลยีเล็กน้อยอาจนำมาซึ่งการเปลี่ยนแปลงที่มีความอ่อนไหวสูงในแนวการแข่งขัน บริษัท ที่เริ่มต้นควรมีความสามารถในการต่อต้านความเปราะบางสำหรับการพัฒนาเทคโนโลยี

——ด้วยคำพูดของมนุษย์: ให้ความสำคัญกับการแสดงและหลีกเลี่ยงการหยุด ในระดับการพัฒนา ให้ใช้คุณสมบัติใหม่มากขึ้น ในด้านผลิตภัณฑ์ ให้คิดถึงฟังก์ชันที่ฟีเจอร์ใหม่สามารถทำได้ ในด้านกลยุทธ์ ให้พิจารณาผลกระทบของคุณสมบัติใหม่ที่มีต่อกลยุทธ์

ใน On the Passage of Qin มีการกล่าวถึงว่าหลังจากการสถาปนาราชวงศ์ Qin อาวุธโลหะจากทั่วทุกมุมโลกถูกยึดและหล่อเป็นรูปปั้นทองสัมฤทธิ์สิบสองรูปเพื่อขจัดความเป็นไปได้ที่จะเกิดการลุกฮือของพลเมือง แต่ราชวงศ์ฉินมีอายุสั้นอย่างฉาวโฉ่ การใส่ใจกับการเปลี่ยนแปลงมีประโยชน์มากกว่าการเพิกเฉย

คำแนะนำสำหรับสตาร์ทอัพ AI: สร้างแอปอย่างมั่นใจ

มีอันตรายที่ซ่อนอยู่ทั่วไปในการสมัครของบริษัทสตาร์ทอัพ นั่นคือ การเข้ามาของบริษัทขนาดใหญ่ บริษัทใหญ่ๆ ที่นี่ไม่เพียงแต่รวมถึงแอปพลิเคชันยักษ์ใหญ่อย่าง Meta/Byte/Tencent เท่านั้น แต่ยังรวมไปถึงต้นน้ำของอุตสาหกรรม AI เช่น OpenAI อีกด้วย

โดยปกติแล้วมีเหตุผลสองประการที่ทำให้บริษัทขนาดใหญ่เข้าสู่ตลาด: เพื่อพัฒนาโอกาสด้านผลิตภัณฑ์ และเพื่อย้ายต้นน้ำและปลายน้ำ

การพัฒนาโอกาสด้านผลิตภัณฑ์ เป็นความหมายที่แท้จริง บริษัทใหญ่ ๆ รู้สึกว่าทิศทางนี้คุ้มค่าที่จะทำ ดังนั้น พวกเขาจึงทำ

“การตัดต้นน้ำและปลายน้ำ” ส่วนใหญ่เป็นการเคลื่อนไหวที่ทำอะไรไม่ได้อาจเป็นเพราะฉันได้พัฒนาโมเดลขนาดใหญ่ที่เทียบเคียงกับ OpenAI ได้ แต่เนื่องจากปัญหาผู้ชนะ - รับ - ทั้งหมดจากรุ่นใหญ่จึงไม่มีผู้ใช้ส่งผลให้ เปลืองต้นทุน ไม่มีรายได้ และไม่มีข้อมูล ซึ่งส่งผลให้ประสิทธิภาพค่อยๆ ล้าหลัง ในเวลานี้ การตัดเข้าสู่ส่วนปลายน้ำ การพัฒนาแอปพลิเคชันเฉพาะ และการใช้เทคโนโลยีของคุณเองเป็นเพียงทางเลือกเท่านั้น

จากประสบการณ์ในอดีต เนื่องจากปัญหาโครงสร้างองค์กร ยิ่งบริษัทอยู่ใกล้ดาวน์สตรีมมากเท่าไร เทคโนโลยีก็ยิ่งล้าหลังมากขึ้นเท่านั้น และยิ่งเทคโนโลยีล้าหลังก็ยิ่งต้องดาวน์สตรีมมากขึ้นเท่านั้น บริษัทที่เรียกว่าเทคโนโลยีเหล่านี้ในที่สุดจะแข่งขันกันเพื่อแย่งชิงกลุ่มระบบนิเวศแบบเดียวกับบริษัทชั้นแอปพลิเคชัน

อย่างไรก็ตาม ในสนามรบของ Application Layer เนื่องจากเทคโนโลยี AI เพิ่งเกิดขึ้นได้เพียงระยะเวลาสั้นๆ จึงไม่มีความได้เปรียบด้าน Scale ที่มีประสิทธิภาพและ Reusable จุดเริ่มต้นของบริษัทขนาดใหญ่และ Startup ก็คล้ายกัน เมื่อเปรียบเทียบกับบริษัทขนาดใหญ่แล้ว สตาร์ทอัพจะมีประสิทธิภาพมากกว่าและมีข้อมูลเชิงลึกมากกว่า ทำให้ง่ายต่อการใช้ประโยชน์

สิ่งหนึ่งที่น่าสังเกตคือสื่อส่งเสริมการขายเกือบทั้งหมดของ MS Azure มุ่งเน้นไปที่ OpenAI แต่บริษัทขนาดใหญ่พอ ๆ กับ Microsoft อาศัย OpenAI เป็นแพลตฟอร์มทั้งหมด ซึ่งพิสูจน์จากด้านข้างว่าสตาร์ทอัพมีข้อได้เปรียบโดยธรรมชาติในด้าน AI

แน่นอนว่าผู้จำหน่ายระบบคลาวด์บางรายอาจไม่ยอมรับการเป็นผู้นำของสตาร์ทอัพและต้องการกินตลาดทั้งหมดด้วยตนเอง มันมีราคาแพง ช้า และไม่ใช่ภัยคุกคามทันที

ความจริงก็คือมีแทร็กอายุสั้นบางแทร็กสำหรับแอปพลิเคชัน AI แต่ยังคงมีแทร็กที่มีอายุยาวนานจำนวนมากที่ยังไม่ถูกค้นพบ และแอปพลิเคชัน AI ไม่ใช่ผู้ชนะทั้งหมด การขยายจากแอปพลิเคชันไปยังแพลตฟอร์มหรือเทคโนโลยีก็เป็นเส้นทางที่เป็นไปได้มากกว่าเช่นกัน

ดังนั้นเราจึงควรพิจารณาถึงความสามารถของบริษัทขนาดใหญ่ในการบุกรุกชั้นแอปพลิเคชันอย่างมีเหตุผล คำแนะนำของเราคือสตาร์ทอัพด้าน AI สามารถสร้างแอปพลิเคชันได้อย่างมั่นใจ

คำแนะนำสำหรับสตาร์ทอัพ AI: ใส่ใจกับสายผลิตภัณฑ์

ตามที่กล่าวไว้ข้างต้น สตาร์ทอัพด้าน AI สามารถสร้างแอปพลิเคชันได้อย่างอิสระ แต่ต้องพิจารณาปัญหาด้านประสิทธิภาพของโมเดล AI เพื่อหลีกเลี่ยงไม่ให้หยุดชะงัก สถานการณ์นี้สะท้อนให้เห็นโดยตรงว่าผลิตภัณฑ์ AI อาจสูญเสียฐานความต้องการและค่อยๆ หายไปภายในไม่กี่เดือน และสถานการณ์นี้อาจเกิดขึ้นบ่อยครั้ง

แอปพลิเคชัน AI จำเป็นต้องใช้บริการของโมเดลขนาดใหญ่ และประสิทธิภาพของโมเดลขนาดใหญ่ยังคงได้รับการปรับปรุงอย่างต่อเนื่อง การปรับปรุงนี้ไม่ใช่การปรับปรุงในมิติเดียว เช่น ความเร็ว แต่เป็นการเปลี่ยนแปลงในทุกด้าน เช่น คุณภาพเอาต์พุต ความยาวเอาต์พุต และความสามารถในการควบคุมเอาต์พุต การอัพเกรดเทคโนโลยีครั้งสำคัญทุกครั้งจะทำให้ผลิตภัณฑ์ชั้นแอปพลิเคชันที่มีอยู่ล้าหลังในด้านเทคโนโลยี และสร้างโอกาสและคู่แข่งใหม่ ๆ

เราเรียกเวลาที่แอปพลิเคชัน AI รักษาข้อได้เปรียบและความจำเป็นในกลยุทธ์/ผลิตภัณฑ์/เทคโนโลยีว่า “เส้นชีวิต”

นี่คือตัวอย่างบางส่วนที่มีเส้นชีวิตสั้นกว่า:

• เมื่อ ChatGPT/Claude รองรับการอัพโหลดไฟล์ ChatPDF จะสูญเสียความจำเป็นไป

• เมื่อ Office 365 รองรับ Copilot ผลิตภัณฑ์ที่ใช้ AI ในการวาด PPT จะสูญเสียข้อได้เปรียบ

• เมื่อ GPT-3.5 ออกมา Jasper ก็ไม่จำเป็นอีกต่อไป

เมื่อพิจารณาถึงการพัฒนาอย่างรวดเร็วของอุตสาหกรรม AI เส้นชีวิตที่จำกัดถือเป็นบรรทัดฐาน ดังนั้นการยอมรับความจริงที่ว่าเส้นชีวิตนั้นมีจำกัดและการพยายามเลือกทิศทางที่มีเส้นชีวิตที่ยาวกว่าจะช่วยรักษาความได้เปรียบในระยะยาวและความจำเป็นของผลิตภัณฑ์

โดยทั่วไป เส้นชีวิตสามารถแบ่งง่ายๆ ออกเป็นระดับ 3/6/12 เดือน

• 3 เดือน: ฟังก์ชันที่บริษัทขนาดใหญ่ยังไม่มีเวลาในการดำเนินการ (เช่น ฟังก์ชัน office/ChatGPT ที่ยังไม่มีเวลาในการดำเนินการ)

• 6 เดือน: เป็นการยากที่จะนำไปใช้และไม่สามารถรวมเข้ากับโซลูชันที่มีอยู่ได้ แต่ข้อดี/ความจำเป็นจะหายไปเมื่อประสิทธิภาพของ AI ดีขึ้น (เช่น กรอบงาน AI ทั่วไป)

• 12 เดือน: ข้อดี/ความจำเป็นสามารถดำรงอยู่ได้เป็นเวลานานและไม่ได้รับผลกระทบจากบริษัทใหญ่/การพัฒนาทางเทคโนโลยีอย่างง่ายดาย (เช่น Hugging Face)

*วงจรชีวิตของผลิตภัณฑ์แพลตฟอร์มไม่จำเป็นต้องยาวนาน อย่างไรก็ตาม ร้านค้าพร้อมท์ก็ถือเป็นแพลตฟอร์มเช่นกัน

บริษัทสตาร์ทอัพต้องการเพียงเส้นชีวิต 6 เดือนในการกำหนดทิศทาง เส้นชีวิต 12 เดือนนั้นหาได้ยาก

เมื่อเส้นชีวิตผลิตภัณฑ์สิ้นสุดลง โดยทั่วไปจะมีสองสถานการณ์ สถานการณ์แรกคือข้อดีหายไปและเทคโนโลยีการอัพเกรดผลิตภัณฑ์จำเป็นต้องได้รับการสร้างใหม่ โปรดดู ประสิทธิภาพก่อน ข้างต้น สถานการณ์ที่สองคือความจำเป็นหายไปและผลิตภัณฑ์จะค่อยๆถูกแทนที่ ในเวลานี้ผลิตภัณฑ์ ยังมี การดำเนินงาน อีกหลายเดือน เพียงพอให้สตาร์ทอัพเลือกทิศทางต่อไป

คำแนะนำสำหรับสตาร์ทอัพ AI: Web3+AI ทำอะไรได้บ้าง

ขณะนี้มีโครงการผู้ประกอบการจำนวนมากที่เกี่ยวข้องกับ Web3+AI อย่างไรก็ตาม เมื่อพิจารณาถึงความไม่แน่นอนของการพัฒนาเทคโนโลยีและระยะแรกของตลาด หัวข้อ Web3+AI จะยังคงมีตัวแปรมากมายในอนาคต

บทความนี้มุ่งค้นหาความแน่นอนที่มีความเป็นไปได้สูงว่าจะถูกต้องท่ามกลางความไม่แน่นอน ดังนั้น ผู้เขียนจึงยังคงหวังว่าจะได้แรงบันดาลใจและเสนอหัวข้อและแนวทางที่อาจมีโอกาสอ้างอิงโดยบริษัทสตาร์ทอัพและนักวิจัยที่สนใจ

• การลดอำนาจอธิปไตย/การกระจายอำนาจ

ปัจจุบันผู้นำในอุตสาหกรรม AI มีเพียงโมเดลแบบปิดเท่านั้น และความเสถียร ความโปร่งใส และความเป็นกลางในการให้บริการอย่างต่อเนื่องนั้นไม่สามารถควบคุมได้ การลดอำนาจอธิปไตย/การกระจายอำนาจอาจกลายเป็นประเด็นสำคัญในอุตสาหกรรม AI กล่าวคือ การให้บริการ AI ที่มีความเสถียร โปร่งใส และเป็นกลาง โดยอิงตามสถาปัตยกรรมพื้นฐานของการลดอำนาจอธิปไตย/การกระจายอำนาจ

การลดอำนาจอธิปไตย/การกระจายอำนาจเป็น ทางเลือก และ ความตกใจ ที่สามารถเพิ่มต้นทุนที่ผิดศีลธรรมของบริษัท AI แบบรวมศูนย์/อธิปไตยได้อย่างมีนัยสำคัญ และป้องกันไม่ให้พวกเขาใช้แบบจำลอง AI ในการทหาร ลัทธิ การเมือง ฯลฯ

ในกรณีที่รุนแรง เมื่อบริการ AI แบบรวมศูนย์/อธิปไตยไม่พร้อมใช้งาน/เชื่อถือได้อีกต่อไปด้วยเหตุผลบางประการ AI ที่ไม่อธิปไตย/แบบกระจายอำนาจสามารถให้บริการที่มีความพร้อมใช้งานสูงต่อไปเพื่อป้องกันไม่ให้แต่ละประเทศ/ภูมิภาค และแม้แต่มนุษยชาติสูญเสีย AI บริการต่างๆ กลายเป็นอัมพาต

• การปฏิบัติจริงของพลังการคำนวณ

เบื้องหลังการเปลี่ยนจาก PoW ไปเป็น PoS ของ ETH คือภาวะที่กลืนไม่เข้าคายไม่ออกที่ถูกวิพากษ์วิจารณ์ว่า การขุดไม่ได้สร้างมูลค่า การรวม Web3 เข้ากับ AI สามารถจัดเตรียมสถานการณ์สำหรับพลังการประมวลผลที่ใช้งานได้จริง .

• สินทรัพย์เสมือน

AI เป็นสินทรัพย์ที่เกิดจากพลังการประมวลผลและการจัดเก็บข้อมูล การรวมกันของ Web3 และ AI สามารถสร้างช่องทางในการแปลง AI ให้เป็นสินทรัพย์เสมือนได้ ในขณะที่สร้างอินสแตนซ์มูลค่าของอุตสาหกรรม AI แต่ยังสามารถสร้างสินทรัพย์เสมือนเนทีฟที่แท้จริงสำหรับ Web3 ได้อีกด้วย

• ความหลากหลายของแอปพลิเคชัน Web3

การรวมกันของ Web3 และ AI อาจนำมาซึ่งจุดการทำงานใหม่และโอกาสในการเติบโตมาสู่แอปพลิเคชัน Web3 และแอปพลิเคชัน Web3 ที่มีอยู่สามารถทำซ้ำได้ทั้งหมด

เขียนไว้ตอนท้าย: เดือนกันยายนนี้ AI ยังคุ้มค่าที่จะเริ่มต้นธุรกิจหรือไม่?

ขอเริ่มด้วยข้อสรุป: คุ้มค่าและข้อสรุปนี้น่าจะใช้ได้จนถึงตรุษจีน

การรับรู้สถานการณ์ของผู้คนมักมีอคติ และฉันก็ไม่มีข้อยกเว้น บางคนก็มองโลกในแง่ดีเกินไป และบางคนก็มองโลกในแง่ร้ายเกินไป ผู้เขียนเคยสื่อสารกับสองทีม โดยทีมหนึ่งเชื่อว่าจะสามารถสร้าง AI Agent ได้ในไตรมาสที่ 1 ปีหน้า ในขณะที่อีกทีมรู้สึกว่า AI เหมาะสำหรับการจัดการฐานความรู้เท่านั้น แน่นอนว่าทีมแรกนั้นมองโลกในแง่ดีเกินไป ในขณะที่ อย่างหลังนั้นมองโลกในแง่ร้ายเกินไป

เมื่อวางแผนระยะยาว การมองโลกในแง่ดีหรือมองโลกในแง่ร้ายเกินไปจะนำไปสู่ข้อผิดพลาด และคำพูดที่แพร่หลายอย่างกว้างขวางมักเป็นคำพูดที่มีอคติสูง ซึ่งทำให้การคิดอย่างอิสระมีคุณค่าอย่างยิ่ง ดังนั้นไม่ว่าผู้อ่านจะยอมรับความคิดเห็นของบทความนี้ได้หรือไม่ ตราบใดที่ผู้อ่านมีความคิดและวิจารณญาณที่เป็นอิสระในระหว่างขั้นตอนการอ่าน ผู้เขียนก็จะยินดีอย่างยิ่ง

สุดท้ายก็ลงโฆษณา หากคุณมีแนวคิดสตาร์ทอัพด้าน AI ที่ดี หรือมีโครงการอยู่แล้ว โปรดอย่าลังเลที่จะสื่อสารกับเพื่อนๆ ที่ NGC (เช่นฉัน)