ผู้เขียน:@chenyangjamie, @GryphsisAcademy
TL;DR:
การใช้งานเชิงพาณิชย์ของ generative AI จะได้รับความนิยมทั่วโลกในปี 2022 แต่เมื่อความแปลกใหม่นี้หมดลง ปัญหาบางอย่างในปัจจุบันของ generative AI ก็ค่อยๆ เกิดขึ้น ฟิลด์ Web3 ที่เติบโตมากขึ้นเรื่อยๆ อาศัยคุณลักษณะที่โปร่งใส ตรวจสอบได้ และกระจายอำนาจของบล็อกเชน มอบแนวคิดใหม่ๆ ในการแก้ปัญหา generative AI
Generative AI เป็นเทคโนโลยีเกิดใหม่ในช่วงไม่กี่ปีที่ผ่านมา ได้รับการพัฒนาบนกรอบโครงข่ายประสาทเทียมของการเรียนรู้เชิงลึก โมเดลการแพร่กระจายที่ใช้สำหรับการสร้างภาพและแบบจำลองภาษาขนาดใหญ่ที่ใช้สำหรับ ChatGPT แสดงให้เห็นถึงศักยภาพทางการค้าที่ยอดเยี่ยม
สถาปัตยกรรมการใช้งาน generative AI ใน Web3 ประกอบด้วยโครงสร้างพื้นฐาน โมเดล แอปพลิเคชัน และข้อมูล ส่วนข้อมูลมีความสำคัญอย่างยิ่งเมื่อรวมกับ Web3 และมีพื้นที่ขนาดใหญ่สำหรับการพัฒนา โดยเฉพาะอย่างยิ่งแบบจำลองข้อมูลออนไลน์ โครงการตัวแทน AI และแอปพลิเคชันภาคสนามแนวตั้งมีศักยภาพที่จะกลายเป็นทิศทางการพัฒนาที่สำคัญในอนาคต
ปัจจุบัน โครงการยอดนิยมในเส้นทาง AI ใน Web3 ในตลาดล้วนแสดงปัจจัยพื้นฐานที่ไม่เพียงพอและความสามารถในการจับมูลค่าโทเค็นที่อ่อนแอ ในอนาคต เรามุ่งหวังที่จะได้รับความนิยมใหม่ ๆ หรือการอัปเดตเศรษฐกิจโทเค็นเป็นหลัก
Generative AI มีศักยภาพมหาศาลในด้าน Web3 และยังมีเรื่องราวใหม่ๆ มากมายที่รวมกับเทคโนโลยีซอฟต์แวร์และฮาร์ดแวร์อื่นๆ ในอนาคตที่น่ารอคอย
1. เหตุใด generative AI และ Web3 จึงต้องการซึ่งกันและกัน
ปี 2022 เรียกได้ว่าเป็นปีที่ generative AI (Artificial Intelligence) บุกโลกอย่างถล่มทลาย ก่อนหน้านี้ generative AI เป็นเพียงเครื่องมือเสริมสำหรับคนทำงานมืออาชีพ อย่างไรก็ตาม ใน Dalle-2, Stable Diffusion, Imagen และ Midjourney ตามลำดับหลังคลอด ,เนื้อหาที่สร้างโดยปัญญาประดิษฐ์(เนื้อหาที่สร้างโดย AI หรือที่เรียกว่า AIGC) ซึ่งเป็นแอปพลิเคชั่นเทคโนโลยีล่าสุดได้ผลิตเนื้อหายอดนิยมจำนวนมหาศาลบนโซเชียลมีเดีย ChatGPT ที่ปล่อยออกมาทันทีหลังจากนั้นเป็นหนังบล็อกบัสเตอร์ที่ผลักดันเทรนด์นี้ให้ถึงจุดสูงสุด ในฐานะเครื่องมือ AI ตัวแรกที่สามารถตอบได้เกือบทุกคำถามด้วยการป้อนคำสั่งข้อความธรรมดา (พร้อมท์) เท่านั้น ChatGPT ได้กลายเป็นผู้ช่วยทำงานประจำวันของหลายๆ คนไปแล้ว สามารถทำงานประจำวันได้หลากหลาย เช่น การเขียนเอกสาร สอนการบ้าน ผู้ช่วยอีเมล การแก้ไขวิทยานิพนธ์ หรือแม้แต่การสอนด้านอารมณ์ นอกจากนี้ ยังมีความกระตือรือร้นบนอินเทอร์เน็ตมากขึ้นในการศึกษาคำแนะนำลึกลับต่าง ๆ ที่ใช้ในการเพิ่มประสิทธิภาพผลลัพธ์ที่สร้างโดย ChatGPT เป็นครั้งแรก เวลาผู้คน คุณจะสัมผัสได้ถึง ความฉลาด ของปัญญาประดิษฐ์ ตามรายงานโดยทีมงานระดับมหภาคของ Goldman Sachs AI เชิงกำเนิดสามารถเป็นตัวส่งเสริมการเติบโตของผลิตภาพแรงงานของสหรัฐฯ ภายใน 10 ปีของการพัฒนา generative AI จะสามารถขับเคลื่อนการเติบโตของ GDP โลกได้ 7% (หรือเกือบ 7 ล้านล้านดอลลาร์) ภายใน 10 ปี ปี และเพิ่มอัตราการเติบโตของผลผลิต 1.5 เปอร์เซ็นต์
สนาม Web3 ยังสัมผัสถึงสายลมฤดูใบไม้ผลิของ AIGC และภาค AI ในเดือนมกราคม 2023 ก็เพิ่มขึ้นทั่วกระดาน
Source: https://www.coingecko.com/
อย่างไรก็ตาม หลังจากที่ความแปลกใหม่ในช่วงแรกค่อยๆ จางหายไป ปริมาณการใช้งานทั่วโลกของ ChatGPT ก็ลดลงเป็นครั้งแรกในเดือนมิถุนายน 2566 นับตั้งแต่เปิดตัว (แหล่งข้อมูล: SameWeb) ถึงเวลาที่จะต้องคิดใหม่เกี่ยวกับความหมายของ generative AI และข้อจำกัดของมัน เมื่อพิจารณาจากสถานการณ์ปัจจุบันอุปสรรคที่เจอโดย generative AIรวมถึง (แต่ไม่จำกัดเพียง): ประการแรก โซเชียลมีเดียเต็มไปด้วยเนื้อหา AIGC ที่ไม่มีใบอนุญาตและไม่สามารถติดตามได้ ประการที่สอง ค่าบำรุงรักษาที่สูงของ ChatGPT บีบให้ OpenAI เลือกที่จะลดคุณภาพการสร้างเพื่อลดต้นทุนและเพิ่มประสิทธิภาพ ในที่สุด แม้แต่แบบจำลองขนาดใหญ่ของโลกก็ยังมีอคติในบางแง่มุมของผลลัพธ์ที่สร้างขึ้น
การเข้าชมเดสก์ท็อปและอุปกรณ์เคลื่อนที่ทั่วโลกของ ChatGPT
Source: Similarweb
ในเวลาเดียวกัน Web3 ซึ่งค่อยๆ เติบโตเต็มที่ มอบโซลูชั่นใหม่ๆ สำหรับภาวะที่กลืนไม่เข้าคายไม่ออกในปัจจุบันของ generative AI ด้วยคุณสมบัติการกระจายอำนาจ โปร่งใสอย่างสมบูรณ์ และตรวจสอบได้:
ความโปร่งใสและตรวจสอบย้อนกลับได้อย่างสมบูรณ์ของ Web3 สามารถแก้ปัญหาความท้าทายด้านลิขสิทธิ์ข้อมูลและความเป็นส่วนตัวที่เกิดจาก AI กำเนิดได้คุณสมบัติทั้งสองของ Web3 ช่วยให้แหล่งที่มาและความถูกต้องของเนื้อหาได้รับการตรวจสอบอย่างมีประสิทธิภาพ ซึ่งจะเป็นการเพิ่มต้นทุนของเนื้อหาที่เป็นเท็จหรือละเมิดที่สร้างโดย AI อย่างมาก เช่นวิดีโอรีมิกซ์สั้น ๆ ที่มีลิขสิทธิ์ที่น่าสับสนหรือวิดีโอเปลี่ยนใบหน้า DeepFake ที่ละเมิดความเป็นส่วนตัวของผู้อื่น. นอกจากนี้ การใช้สัญญาอัจฉริยะในการจัดการเนื้อหาคาดว่าจะช่วยแก้ปัญหาลิขสิทธิ์และทำให้มั่นใจว่าผู้สร้างเนื้อหาจะได้รับค่าตอบแทนที่ยุติธรรมมากขึ้นสำหรับเนื้อหาสร้างสรรค์ของตน
DeepFake Video: This is not Morgan Freeman
Source: Youtube
ลักษณะการกระจายอำนาจของ Web3 สามารถลดความเสี่ยงของการรวมศูนย์พลังการประมวลผล AI ได้. การพัฒนา generative AI ต้องใช้ทรัพยากรการประมวลผลจำนวนมาก คาดว่าค่าใช้จ่ายในการฝึกอบรม ChatGPT ที่ใช้ GPT-3 อยู่ที่อย่างน้อย 2 ล้านเหรียญสหรัฐ ขณะเดียวกัน ค่าไฟฟ้ารายวันอยู่ที่ประมาณ 47,000 เหรียญสหรัฐ และตัวเลขนี้ จะเพิ่มขึ้นแบบทวีคูณด้วยการพัฒนาเทคโนโลยีและขนาด ระดับเพิ่มขึ้น ในปัจจุบันทรัพยากรคอมพิวเตอร์ยังคงมีการกระจุกตัวอย่างมากเมื่ออยู่ในมือของบริษัทขนาดใหญ่ ส่งผลให้มีต้นทุนด้านการวิจัยและพัฒนา ค่าใช้จ่ายในการบำรุงรักษาและการดำเนินงาน รวมถึงความเสี่ยงในการรวมศูนย์ ทำให้บริษัทขนาดเล็กแข่งขันได้ยาก แม้ว่าการฝึกอบรมโมเดลขนาดใหญ่อาจยังจำเป็นต้องดำเนินการในสภาพแวดล้อมแบบรวมศูนย์ในระยะสั้น เนื่องจากการฝึกอบรมโมเดลขนาดใหญ่ต้องใช้ทรัพยากรการประมวลผลจำนวนมาก ใน Web3 เทคโนโลยีบล็อกเชนช่วยให้การอนุมานแบบจำลองแบบกระจาย การกำกับดูแลการลงคะแนนเสียงของชุมชน และการสร้างโทเค็นแบบจำลองการรอคอยก็เป็นไปได้ จากการแลกเปลี่ยนแบบกระจายอำนาจที่มีอยู่เป็นกรณีที่เป็นผู้ใหญ่ เราสามารถออกแบบระบบการอนุมานแบบจำลองขนาดใหญ่ของ AI แบบกระจายอำนาจที่ขับเคลื่อนโดยชุมชน ซึ่งความเป็นเจ้าของแบบจำลองขนาดใหญ่เป็นของชุมชนและอยู่ภายใต้การควบคุมของชุมชน
แม้จะมีการฝึกอบรม H 100 GPT-3 ล่าสุด แต่ต้นทุนต่อ FLOP ก็ยังสูง
Source: substake.com
การใช้คุณสมบัติของ Web3 สามารถเพิ่มประสิทธิภาพความหลากหลายของชุดข้อมูล AI และความสามารถในการตีความของโมเดล AIวิธีการรวบรวมข้อมูลแบบดั้งเดิมนั้นมีพื้นฐานมาจากชุดข้อมูลสาธารณะหรือการรวบรวมด้วยตนเองโดยผู้สร้างแบบจำลอง และข้อมูลที่รวบรวมมักถูกจำกัดโดยภูมิศาสตร์และวัฒนธรรม ซึ่งอาจทำให้เนื้อหาที่สร้างโดยโปรแกรม AIGC และคำตอบที่สร้างโดย ChatGPT มีอคติทางอัตวิสัยจากกลุ่มชาติพันธุ์บางกลุ่ม เช่น การเปลี่ยนสีผิวของงานเป้าหมาย ด้วยโมเดลแรงจูงใจโทเค็นของ Web3 เราสามารถเพิ่มประสิทธิภาพวิธีการรวบรวมข้อมูล รวบรวมข้อมูลจากทั่วทุกมุมโลก และกำหนดน้ำหนักได้ ในเวลาเดียวกัน ความโปร่งใสและการติดตามได้อย่างสมบูรณ์ของ Web3 สามารถเพิ่มความสามารถในการตีความของโมเดลเพิ่มเติม และส่งเสริมเอาท์พุตของพื้นหลังที่หลากหลายเพื่อเพิ่มคุณค่าให้กับโมเดล
AI ที่ออกแบบมาเพื่อปรับปรุงความละเอียดจะทำให้โอบามากลายเป็นคนผิวขาว
Source: Twitter
ข้อมูลออนไลน์ขนาดใหญ่ของ Web3 สามารถใช้ฝึกโมเดล AI ที่เป็นเอกลักษณ์ได้วิธีการออกแบบและการฝึกอบรมในปัจจุบันของโมเดล AI มักจะสร้างขึ้นตามโครงสร้างข้อมูลเป้าหมาย (ข้อความ เสียง รูปภาพ หรือวิดีโอ) ทิศทางการพัฒนาในอนาคตที่ไม่ซ้ำใครของการผสมผสานระหว่าง Web3 และ AI คือการอ้างถึงวิธีการก่อสร้างและการฝึกอบรมของโมเดลขนาดใหญ่ที่ใช้ภาษาธรรมชาติ และใช้โครงสร้างข้อมูลเฉพาะของข้อมูลบนห่วงโซ่ Web3 เพื่อสร้างแบบจำลองข้อมูลขนาดใหญ่บนห่วงโซ่. สิ่งนี้สามารถช่วยให้ผู้ใช้มีมุมมองที่ไม่เหมือนใครซึ่งการวิเคราะห์ข้อมูลอื่น ๆ ไม่สามารถเข้าถึงได้ (การติดตามเงินอัจฉริยะ ทิศทางการจัดหาเงินทุนของโครงการ ฯลฯ ) ในเวลาเดียวกัน เมื่อเปรียบเทียบกับการวิเคราะห์ออนไลน์แบบแมนนวล AI มีข้อดีคือสามารถประมวลผลข้อมูลจำนวนมากได้ ปริมาณข้อมูลพร้อมกัน
ทำการวิเคราะห์ออนไลน์แบบอัตโนมัติและตรวจสอบข้อมูลออนไลน์เพื่อรับข้อมูลโดยตรง
Source: nansen.ai
Generative AI คาดว่าจะเป็นตัวช่วยที่ทรงพลังในการลดเกณฑ์สำหรับผู้คนที่จะเข้าร่วมในโลก Web3. รูปแบบการมีส่วนร่วมกระแสหลักในปัจจุบันของโครงการ Web3 กำหนดให้ผู้เข้าร่วมต้องมีความเข้าใจอย่างมากเกี่ยวกับแนวคิดออนไลน์ที่ซับซ้อนและตรรกะการทำงานของกระเป๋าเงิน ซึ่งเพิ่มต้นทุนการเรียนรู้ของผู้ใช้อย่างมากและความเสี่ยงของการทำงานผิดพลาด ในทางตรงกันข้าม แอปพลิเคชันที่คล้ายกันใน Web2 มีอยู่แล้ว หลักการขี้เกียจ ของการออกแบบผลิตภัณฑ์ถูกนำมาใช้เป็นเวลาหลายปีทำให้ผู้ใช้สามารถเริ่มต้นได้อย่างง่ายดายและไม่มีความเสี่ยง Generative AI ได้รับการคาดหวังให้ช่วยโครงการที่มุ่งเน้นความตั้งใจโดยทำหน้าที่เป็น ผู้ช่วยอัจฉริยะ ระหว่างผู้ใช้และโปรโตคอลใน Web3 นี้ ปรับปรุงประสบการณ์ผู้ใช้ของผลิตภัณฑ์ Web3 อย่างมาก
Web3 ยังสร้างความต้องการเนื้อหาจำนวนมาก และ AI กำเนิดได้กลายเป็นวิธีการสำคัญในการเติมเต็มความต้องการนี้Generative AI สามารถสร้างบทความ รูปภาพ เนื้อหาเสียงและวิดีโอจำนวนมากสำหรับ Web3 ซึ่งขับเคลื่อนการพัฒนาแอปพลิเคชันแบบกระจายอำนาจ ตั้งแต่ตลาด NFT ไปจนถึงเอกสารสัญญาอัจฉริยะ ทุกคนจะได้รับประโยชน์จากเนื้อหาที่หลากหลายที่สร้างโดย AI
แม้ว่า generative AI และ Web3 จะมีความท้าทายในตัวเอง แต่ความต้องการร่วมกันและโซลูชันการทำงานร่วมกันนั้นคาดว่าจะกำหนดอนาคตของโลกดิจิทัล ความร่วมมือนี้จะปรับปรุงคุณภาพและความน่าเชื่อถือของการสร้างเนื้อหา ขับเคลื่อนการพัฒนาระบบนิเวศดิจิทัลเพิ่มเติม และมอบประสบการณ์ดิจิทัลที่มีคุณค่ามากขึ้นแก่ผู้ใช้ วิวัฒนาการร่วมกันของ generative AI และ Web3 จะสร้างบทใหม่ที่น่าตื่นเต้นในยุคดิจิทัล
2. สรุปทางเทคนิคของ generative AI
2.1 ภูมิหลังทางเทคนิคของ generative AI
นับตั้งแต่แนวคิดของ AI ได้รับการเสนอในช่วงทศวรรษ 1950 ก็มีประสบการณ์ขึ้น ๆ ลง ๆ หลายครั้ง นวัตกรรมในเทคโนโลยีที่สำคัญแต่ละรายการจะนำมาซึ่งคลื่นลูกใหม่ และ AI กำเนิดในครั้งนี้ก็ไม่มีข้อยกเว้น Generative AI เป็นแนวคิดที่เกิดขึ้นใหม่ซึ่งเพิ่งถูกนำเสนอในช่วง 10 ปีที่ผ่านมา ด้วยประสิทธิภาพอันน่าทึ่งของเทคโนโลยีและผลิตภัณฑ์ล่าสุด ทำให้ AI โดดเด่นจากการวิจัยย่อยหลายทิศทางของ AI และดึงดูดความสนใจจากทั่วโลกในชั่วข้ามคืน ก่อนที่เราจะเจาะลึกเกี่ยวกับสถาปัตยกรรมทางเทคนิคของ generative AI เราต้องอธิบายความหมายเฉพาะของ generative AI ที่กล่าวถึงในบทความนี้ก่อน และทบทวนองค์ประกอบทางเทคนิคหลักๆ ของ generative AI ที่ได้รับความนิยมเมื่อเร็วๆ นี้โดยย่อ
ปัญญาประดิษฐ์เชิงสร้างสรรค์เป็นปัญญาประดิษฐ์ประเภทหนึ่งที่สามารถใช้ในการสร้างเนื้อหาและแนวคิดใหม่ๆ (รวมถึงการสนทนา เรื่องราว รูปภาพ วิดีโอ และเพลง) สร้างขึ้นบนกรอบโครงข่ายประสาทเทียมของการเรียนรู้เชิงลึกและได้รับการฝึกอบรมโดยใช้จำนวนมาก ข้อมูล มันมีโมเดลที่มีพารามิเตอร์จำนวนมาก ผลิตภัณฑ์ generative AI ที่เพิ่งได้รับความสนใจจากผู้คนสามารถแบ่งออกเป็นสองประเภทง่ายๆ: หนึ่งคือผลิตภัณฑ์สร้างรูปภาพ (วิดีโอ) สำหรับการป้อนข้อความหรือสไตล์ และอีกประเภทหนึ่งคือผลิตภัณฑ์ ChatGPT สำหรับการป้อนข้อความ ผลิตภัณฑ์ทั้งสองประเภทนี้ใช้เทคโนโลยีหลักเดียวกันจริงๆ ซึ่งเป็นโมเดลภาษาขนาดใหญ่ที่ได้รับการฝึกอบรมล่วงหน้า (Large Language Model) ที่ใช้สถาปัตยกรรม TransformerLLM). บนพื้นฐานนี้ ผลิตภัณฑ์ประเภทแรกจะเพิ่มโมเดลการแพร่กระจายที่รวมการป้อนข้อความเพื่อสร้างภาพหรือวิดีโอคุณภาพสูง ในขณะที่ผลิตภัณฑ์ประเภทหลังเพิ่มการฝึกอบรมการเรียนรู้แบบเสริมกำลังตามผลตอบรับของมนุษย์ (การเรียนรู้เสริมจากผลตอบรับของมนุษย์RLHF) เพื่อให้ได้ผลลัพธ์เอาต์พุตที่ใกล้เคียงกับระดับตรรกะของมนุษย์
2.2 สถาปัตยกรรมทางเทคนิคปัจจุบันของ generative AI:
บทความดีๆ มากมายในอดีตได้พูดคุยถึงความสำคัญของ generative AI ต่อสถาปัตยกรรมทางเทคนิคที่มีอยู่จากมุมต่างๆ เช่น บทความจาก A16z ใครเป็นเจ้าของแพลตฟอร์ม generative AI 》 ซึ่งสรุปสถาปัตยกรรมทางเทคนิคในปัจจุบันของ generative AI อย่างครอบคลุม:
สถาปัตยกรรมทางเทคนิคหลักของ generative AI
Source: ใครเป็นเจ้าของแพลตฟอร์ม generative AI
ในบทความวิจัยนี้ สถาปัตยกรรม Web2 generative AI ในปัจจุบันแบ่งออกเป็นสามระดับ: โครงสร้างพื้นฐาน (พลังคอมพิวเตอร์) โมเดลและแอปพลิเคชันและยังให้ความเห็นเกี่ยวกับการพัฒนาในปัจจุบันของทั้งสามระดับนี้
สำหรับโครงสร้างพื้นฐานแม้ว่าตรรกะของโครงสร้างพื้นฐานใน Web2 ยังคงถูกครอบงำอยู่ในปัจจุบัน แต่ก็ยังมีโครงการโครงสร้างพื้นฐานเพียงไม่กี่โครงการที่รวม Web3 เข้ากับ AI อย่างแท้จริง ในขณะเดียวกันโครงสร้างพื้นฐานก็เป็นส่วนที่สามารถดึงคุณค่าออกมาได้มากที่สุดในขั้นตอนนี้ ผู้มีอำนาจด้านเทคโนโลยีของ Web2 ทำกำไรได้มหาศาลจากการ ขายพลั่ว ในขั้นตอนการสำรวจ AI ในปัจจุบันโดยอาศัยการฝึกฝนอย่างลึกซึ้งในการจัดเก็บมานานหลายทศวรรษ และสาขาคอมพิวเตอร์
สำหรับรุ่นควรเป็นผู้สร้างและเป็นเจ้าของ AI ที่แท้จริง อย่างไรก็ตาม ในปัจจุบันมีโมเดลธุรกิจน้อยมากที่สามารถสนับสนุนผู้เขียนโมเดลเพื่อให้ได้มูลค่าทางการค้าที่สอดคล้องกัน
สำหรับการสมัครแม้ว่าสาขาแนวตั้งหลายแห่งจะสะสมแอปพลิเคชันที่มีรายได้เกินหลายร้อยล้านดอลลาร์ แต่ค่าบำรุงรักษาที่สูงและการรักษาผู้ใช้ที่ต่ำนั้นไม่เพียงพอที่จะรองรับรูปแบบธุรกิจในระยะยาว
2.3 ตัวอย่างการใช้งาน generative AI และ Web3
2.3.1 ใช้ AI เพื่อวิเคราะห์ข้อมูลขนาดใหญ่ของ Web3
ข้อมูลเป็นหัวใจหลักในการสร้างอุปสรรคทางเทคนิคในด้านการพัฒนา AI ในอนาคตเพื่อให้เข้าใจถึงความสำคัญของมัน ก่อนอื่นเรามาดูการศึกษาแหล่งที่มาของประสิทธิภาพในโมเดลขนาดใหญ่กันก่อน การศึกษาครั้งนี้แสดงให้เห็นว่าโมเดล AI ขนาดใหญ่มีลักษณะเฉพาะตัวความสามารถฉุกเฉิน: นั่นคือการเพิ่มขนาดโมเดลอย่างต่อเนื่อง เมื่อเกินเกณฑ์ที่กำหนด ความแม่นยำของโมเดลก็จะเพิ่มขึ้นอย่างรวดเร็วทันที ดังแสดงในรูปด้านล่าง แต่ละรูปแสดงถึงงานการฝึกอบรม และแต่ละเส้นโพลีไลน์มีคุณสมบัติตรงตามประสิทธิภาพ (อัตราความแม่นยำ) ของแบบจำลองขนาดใหญ่ การทดลองในแบบจำลองขนาดใหญ่ต่างๆ ได้ข้อสรุปที่สอดคล้องกัน: หลังจากที่ขนาดของแบบจำลองเกินเกณฑ์ที่กำหนด ประสิทธิภาพในงานที่แตกต่างกันก็แสดงให้เห็นถึงการเติบโตอย่างก้าวกระโดด
ความสัมพันธ์ระหว่างขนาดโมเดลและประสิทธิภาพของโมเดล
Source: Emergent Analogical Reasoning in Large Language Models
พูดง่ายๆ ก็คือ การเปลี่ยนแปลงเชิงปริมาณในระดับแบบจำลองนำไปสู่การเปลี่ยนแปลงเชิงคุณภาพในประสิทธิภาพของแบบจำลองขนาดของโมเดลสัมพันธ์กับจำนวนพารามิเตอร์โมเดล เวลาการฝึก และคุณภาพของข้อมูลการฝึก ในขั้นตอนนี้ เมื่อไม่สามารถขยายช่องว่างในจำนวนพารามิเตอร์รุ่นได้ (บริษัทใหญ่ๆ ทั้งหมดมีทีม RD ชั้นนำที่รับผิดชอบด้านการออกแบบ) และเวลาการฝึกอบรม (ฮาร์ดแวร์คอมพิวเตอร์ซื้อจาก NVIDIA) วิธีหนึ่งในการสร้างผลิตภัณฑ์ที่ล้ำหน้า ของคู่แข่งคือการหา Niche Area ที่ยอดเยี่ยมนั้นต้องใช้ Pain Point ในการสร้าง Killer Application แต่ต้องใช้ความเข้าใจอย่างลึกซึ้งและความเข้าใจอย่างลึกซึ้งในพื้นที่เป้าหมาย อีกวิธีหนึ่งคือสามารถนำไปใช้ได้จริงและเป็นไปได้มากกว่าคือรวบรวมข้อมูลที่ดีกว่าคู่แข่งข้อมูลที่ครอบคลุมมากขึ้นเรื่อยๆ
นอกจากนี้ยังเป็นจุดเริ่มต้นที่ดีสำหรับโมเดล AI เจนเนอเรชั่นขนาดใหญ่ในการเข้าสู่ฟิลด์ Web3 โมเดล AI ขนาดใหญ่หรือโมเดลพื้นฐานที่มีอยู่ได้รับการฝึกฝนโดยอิงตามข้อมูลจำนวนมหาศาลในสาขาต่างๆ และความเป็นเอกลักษณ์ของข้อมูลออนไลน์ใน Web3 ทำให้แบบจำลองข้อมูลขนาดใหญ่บนห่วงโซ่กลายเป็นเส้นทางที่เป็นไปได้ที่ควรค่าแก่การรอคอย ขณะนี้มีตรรกะผลิตภัณฑ์สองรายการในลำดับชั้นข้อมูลใน Web3:ประการแรกคือการให้สิ่งจูงใจแก่ผู้ให้บริการข้อมูลพร้อมปกป้องความเป็นส่วนตัวและความเป็นเจ้าของข้อมูลโดยสนับสนุนให้ผู้ใช้แบ่งปันสิทธิ์การใช้ข้อมูลระหว่างกัน Ocean Protocol มีรูปแบบการแบ่งปันข้อมูลที่ดีประการที่สองคือให้ฝ่ายโครงการบูรณาการข้อมูลและแอปพลิเคชันเพื่อมอบบริการเฉพาะให้กับผู้ใช้โดยเฉพาะตัวอย่างเช่น Trusta Lab รวบรวมและวิเคราะห์ข้อมูลออนไลน์ของผู้ใช้ และผ่านระบบการให้คะแนน MEDIA ที่เป็นเอกลักษณ์ ทำให้สามารถให้บริการต่างๆ เช่น การวิเคราะห์บัญชีแม่มด และการวิเคราะห์ความเสี่ยงสินทรัพย์ออนไลน์
2.3.2 แอปพลิเคชันตัวแทน Web3 AI
นอกจากนี้ยังมีแอปพลิเคชัน AI Agent แบบออนไลน์ที่กล่าวถึงข้างต้นซึ่งกำลังได้รับแรงผลักดันเช่นกัน ด้วยความช่วยเหลือของโมเดลภาษาขนาดใหญ่ ทำให้ผู้ใช้ได้รับบริการออนไลน์แบบเครือข่ายเชิงปริมาณบนพื้นฐานที่รับประกันความเป็นส่วนตัวของผู้ใช้ตามโพสต์ในบล็อกของ Lilian Weng ผู้อำนวยการฝ่ายวิจัยปัญญาประดิษฐ์ของ OpenAI AI Agent สามารถแบ่งออกเป็นสี่องค์ประกอบ ได้แก่ Agent = LLM + การวางแผน + หน่วยความจำ + การใช้เครื่องมือ ในฐานะแกนหลักของ AI Agent LLM มีหน้าที่รับผิดชอบในการโต้ตอบกับโลกภายนอก เรียนรู้ข้อมูลขนาดใหญ่ และแสดงออกอย่างมีเหตุผลในภาษาธรรมชาติ ส่วนการวางแผน + หน่วยความจำนั้นคล้ายคลึงกับแนวคิดของการดำเนินการ นโยบาย และรางวัลในเทคโนโลยีการเรียนรู้แบบเสริมกำลังสำหรับการฝึกอบรม AlphaGo เป้าหมายงานแบ่งออกเป็นเป้าหมายเล็ก ๆ และวิธีแก้ปัญหาที่ได้รับการปรับปรุงให้เหมาะกับเป้าหมายงานบางอย่างจะเรียนรู้ทีละขั้นตอนจากผลลัพธ์และข้อเสนอแนะของการฝึกอบรมซ้ำ ๆ หลายครั้ง ในเวลาเดียวกันข้อมูลที่ได้รับจะถูกเก็บไว้ในหน่วยความจำประเภทต่างๆสำหรับ ฟังก์ชั่นที่แตกต่างกัน สำหรับการใช้เครื่องมือนั้นหมายถึงการใช้เครื่องมือของตัวแทน เช่น การเรียกเครื่องมือโมดูลาร์ การดึงข้อมูลอินเทอร์เน็ต การเข้าถึงแหล่งข้อมูลหรือ API ที่เป็นกรรมสิทธิ์ เป็นต้น เป็นที่น่าสังเกตว่าข้อมูลส่วนใหญ่จะเปลี่ยนแปลงได้ยากหลังการฝึกอบรมล่วงหน้า . .
แผนภาพทั่วโลกของ AI Agent
Source: LLM Powered Autonomous Agents
เมื่อรวมกับตรรกะการใช้งานเฉพาะของ AI Agent เราสามารถจินตนาการได้อย่างกล้าหาญว่าการรวมกันของ Web3 + AI Agent จะนำมาซึ่งจินตนาการที่ไร้ขีดจำกัด เช่น:
สามารถเพิ่มโมเดล AI Agent ลงในแอปพลิเคชันการซื้อขายปัจจุบันได้ซึ่งสามารถมอบอินเทอร์เฟซเชิงโต้ตอบระดับภาษาที่เป็นธรรมชาติให้กับลูกค้าสำหรับฟังก์ชันการซื้อขาย รวมถึงแต่ไม่จำกัดเพียงการคาดการณ์ราคา กลยุทธ์การทำธุรกรรม กลยุทธ์หยุดการขาดทุน การปรับเลเวอเรจแบบไดนามิก การติดตามผลอัจฉริยะของ KOL การให้กู้ยืม ฯลฯ
เมื่อดำเนินกลยุทธ์เชิงปริมาณ กลยุทธ์สามารถแยกย่อยออกไปได้งานย่อยแต่ละงานดำเนินการโดยตัวแทน AI ที่แตกต่างกันAI Agent แต่ละคนทำงานร่วมกัน ซึ่งไม่เพียงแต่สามารถปรับปรุงความปลอดภัยของการปกป้องความเป็นส่วนตัวเท่านั้น แต่ยังให้การตรวจสอบแบบเรียลไทม์เพื่อป้องกันไม่ให้ฝ่ายตรงข้ามใช้ช่องโหว่ในการตอบโต้หุ่นยนต์
NPC จำนวนมากในเกมลูกโซ่นอกจากนี้ยังเป็นทิศทางของแอปพลิเคชันที่เข้ากันได้กับ AI Agent ตามธรรมชาติ มีโปรเจ็กต์ที่ใช้ GPT เพื่อสร้างเนื้อหาบทสนทนาแบบไดนามิกสำหรับตัวละครในเกมอยู่แล้ว ในอนาคต คาดว่าจะไม่เพียงจำกัดเฉพาะข้อความที่ตั้งไว้ล่วงหน้าเท่านั้น แต่ยังรวมถึง ได้รับการอัปเกรดเป็นการโต้ตอบ NPC ในเกมแบบเรียลไทม์ที่สมจริงยิ่งขึ้น (หรือแม้แต่มนุษย์ดิจิทัล) ซึ่งสามารถโต้ตอบได้ด้วยตัวเองโดยไม่ต้องยุ่งเกี่ยวกับการแทรกแซงของผู้เล่น จัดพิมพ์โดยมหาวิทยาลัยสแตนฟอร์ดเมืองเสมือนจริง” เป็นตัวอย่างการใช้งานที่ดีเยี่ยม
แม้ว่าศูนย์โครงการตัวแทน Web3 + AI ในปัจจุบันยังคงกระจุกตัวอยู่ที่ตลาดหลักหรือด้านโครงสร้างพื้นฐาน AI และยังไม่มีแอปพลิเคชัน To C killer เชื่อกันว่าการรวมคุณลักษณะต่างๆ ของบล็อกเชนเข้าด้วยกันเช่น การกำกับดูแลแบบออนไลน์แบบกระจาย การใช้เหตุผลในการพิสูจน์ความรู้เป็นศูนย์ การกระจายแบบจำลอง และการปรับปรุงความสามารถในการตีความเดี๋ยวก่อน โปรเจ็กต์ Web3 + AI ที่เปลี่ยนแปลงเกมในอนาคตนั้นคุ้มค่ากับการรอคอย
2.3.3 แอปพลิเคชันฟิลด์แนวตั้งที่เป็นไปได้ของ Web3 + AI
ก. การประยุกต์ในด้านการศึกษา
ด้วยการผสมผสานระหว่าง Web3 และ AI สาขาการศึกษาได้นำไปสู่การปฏิวัติห้องเรียนเสมือนจริงแบบเจนเนอเรทีฟถือเป็นนวัตกรรมที่โดดเด่น. ด้วยการฝังเทคโนโลยี AI ลงในแพลตฟอร์มการเรียนรู้ออนไลน์ นักเรียนจะได้รับประสบการณ์การเรียนรู้ส่วนบุคคล และระบบจะสร้างเนื้อหาการศึกษาที่ปรับแต่งตามประวัติการเรียนรู้และความสนใจของนักเรียน แนวทางเฉพาะบุคคลนี้คาดว่าจะปรับปรุงแรงจูงใจและประสิทธิผลในการเรียนรู้ของนักเรียน ทำให้การศึกษามีความสอดคล้องกับความต้องการของแต่ละบุคคลมากขึ้น
นักเรียนมีส่วนร่วมในชั้นเรียนความเป็นจริงเสมือนผ่านอุปกรณ์ VR ที่สมจริง
Source: V-SENSE Team
อีกด้วย,แรงจูงใจด้านเครดิตแบบจำลองโทเค็นนอกจากนี้ยังเป็นแนวทางปฏิบัติที่เป็นนวัตกรรมในด้านการศึกษาอีกด้วย ด้วยเทคโนโลยีบล็อกเชน หน่วยกิตและความสำเร็จของนักเรียนสามารถเข้ารหัสเป็นโทเค็น ก่อให้เกิดระบบเครดิตดิจิทัล กลไกสิ่งจูงใจดังกล่าวสนับสนุนให้นักเรียนมีส่วนร่วมในกิจกรรมการเรียนรู้อย่างแข็งขัน และสร้างสภาพแวดล้อมการเรียนรู้แบบมีส่วนร่วมและสร้างแรงบันดาลใจมากขึ้น
ในเวลาเดียวกัน โดยได้รับแรงบันดาลใจจากโครงการ SocialFi FriendTech ที่ได้รับความนิยมเมื่อเร็วๆ นี้ ตรรกะการกำหนดราคาที่สำคัญที่คล้ายกันซึ่งเชื่อมโยงกับ ID ยังสามารถนำมาใช้เพื่อสร้างระบบการประเมินร่วมกันระหว่างเพื่อนร่วมชั้น ซึ่งยังนำองค์ประกอบทางสังคมมาสู่การศึกษามากขึ้นอีกด้วยด้วยการใช้ประโยชน์จากการไม่เปลี่ยนแปลงของบล็อกเชน การประเมินระหว่างเพื่อนร่วมชั้นจึงมีความยุติธรรมและโปร่งใสมากขึ้น กลไกการประเมินร่วมกันนี้ไม่เพียงแต่ช่วยปลูกฝังการทำงานเป็นทีมและทักษะทางสังคมของนักเรียนเท่านั้น แต่ยังให้การประเมินผลการปฏิบัติงานของนักเรียนที่ครอบคลุมและหลายมุมมากขึ้น โดยแนะนำวิธีการประเมินผลที่หลากหลายและครอบคลุมมากขึ้นในระบบการศึกษา
B. การสมัครสาขาการแพทย์
ในด้านการแพทย์ การผสมผสานระหว่างไดรฟ์ Web3 และ AIการเรียนรู้แบบสหพันธ์และการให้เหตุผลแบบกระจายการพัฒนาของ. ด้วยการรวมคอมพิวเตอร์แบบกระจายและการเรียนรู้ของเครื่องเข้าด้วยกัน ผู้เชี่ยวชาญทางการแพทย์สามารถแบ่งปันข้อมูลในขนาดที่ใหญ่มากเพื่อการเรียนรู้แบบกลุ่มที่ลึกซึ้งและครอบคลุมยิ่งขึ้น วิธีการแบบองค์รวมนี้สามารถเร่งการพัฒนาทางเลือกในการวินิจฉัยโรคและการรักษาโรค และส่งเสริมความก้าวหน้าในสาขาการแพทย์
การคุ้มครองความเป็นส่วนตัวนี่เป็นประเด็นสำคัญที่ไม่สามารถละเลยในการใช้งานด้านการแพทย์ได้ ด้วยการกระจายอำนาจของ Web3 และความไม่เปลี่ยนแปลงของบล็อกเชน ข้อมูลทางการแพทย์ของผู้ป่วยจึงสามารถจัดเก็บและส่งผ่านได้อย่างปลอดภัยยิ่งขึ้น สัญญาอัจฉริยะสามารถควบคุมและจัดการข้อมูลทางการแพทย์ได้อย่างแม่นยำ ทำให้มั่นใจได้ว่ามีเพียงบุคลากรที่ได้รับอนุญาตเท่านั้นที่สามารถเข้าถึงข้อมูลที่ละเอียดอ่อนของผู้ป่วยได้ จึงรักษาความเป็นส่วนตัวของข้อมูลทางการแพทย์ได้
ค. การสมัครในสาขาประกันภัย
ในด้านประกันภัย การบูรณาการ Web3 และ AI คาดว่าจะนำมาซึ่งโซลูชันที่มีประสิทธิภาพและชาญฉลาดยิ่งขึ้นมาสู่ธุรกิจแบบดั้งเดิม เช่น ประกันภัยรถยนต์และบ้านการใช้เทคโนโลยีการมองเห็นด้วยคอมพิวเตอร์ช่วยให้บริษัทประกันภัยสามารถวิเคราะห์และประเมินราคาผ่านรูปภาพได้ประเมินมูลค่าทรัพย์สินและระดับความเสี่ยงได้อย่างมีประสิทธิภาพมากขึ้น สิ่งนี้ช่วยให้บริษัทประกันภัยมีกลยุทธ์การกำหนดราคาที่ละเอียดและเป็นส่วนตัวยิ่งขึ้น และปรับปรุงระดับการบริหารความเสี่ยงของอุตสาหกรรมประกันภัย
การใช้เทคโนโลยี AI ในการประเมินค่าสินไหมทดแทน
Source: Tractable Inc
ในเวลาเดียวกัน,การชำระเงินค่าสินไหมทดแทนอัตโนมัติในห่วงโซ่อีกทั้งยังเป็นนวัตกรรมในอุตสาหกรรมประกันภัยอีกด้วย ขึ้นอยู่กับสัญญาอัจฉริยะและเทคโนโลยีบล็อกเชน กระบวนการเรียกร้องจะโปร่งใสและมีประสิทธิภาพมากขึ้น ลดขั้นตอนที่ยุ่งยากและความเป็นไปได้ที่มนุษย์จะเข้ามาแทรกแซง ซึ่งไม่เพียงเพิ่มความเร็วในการชำระสินไหมเท่านั้น แต่ยังช่วยลดต้นทุนการดำเนินงานอีกด้วย สร้างประสบการณ์ที่ดีขึ้นให้กับบริษัทประกันภัยและลูกค้า
การปรับพรีเมี่ยมแบบไดนามิกเป็นอีกแง่มุมหนึ่งของการปฏิบัติที่เป็นนวัตกรรมผ่านการวิเคราะห์ข้อมูลแบบเรียลไทม์และอัลกอริธึมการเรียนรู้ของเครื่องบริษัทประกันภัยสามารถปรับเบี้ยประกันภัยได้แม่นยำและทันเวลามากขึ้น และดำเนินการกำหนดราคาส่วนบุคคลตามโปรไฟล์ความเสี่ยงที่แท้จริงของผู้เอาประกัน สิ่งนี้ไม่เพียงแต่ทำให้เบี้ยประกันมีความเป็นธรรมมากขึ้นเท่านั้น แต่ยังสร้างแรงจูงใจให้ผู้เอาประกันภัยมีพฤติกรรมที่ดีต่อสุขภาพและปลอดภัยยิ่งขึ้น ส่งเสริมการบริหารความเสี่ยงและมาตรการป้องกันทั่วทั้งสังคม
D. การสมัครในด้านลิขสิทธิ์
ในด้านลิขสิทธิ์ การผสมผสานระหว่าง Web3 และ AI นำมาซึ่งกระบวนทัศน์ใหม่ในการสร้างเนื้อหาดิจิทัล การวางแผนข้อเสนอ และการพัฒนาโค้ด ผ่านสัญญาอันชาญฉลาดและพื้นที่จัดเก็บข้อมูลแบบกระจายอำนาจข้อมูลลิขสิทธิ์สำหรับเนื้อหาดิจิทัลการป้องกันที่ดีขึ้นสามารถทำได้ และผู้สร้างสรรค์ผลงานสามารถติดตามและจัดการทรัพย์สินทางปัญญาของตนได้ง่ายขึ้น ในเวลาเดียวกัน ด้วยเทคโนโลยีบล็อกเชน สามารถสร้างบันทึกความคิดสร้างสรรค์ที่โปร่งใสและไม่สามารถเปลี่ยนแปลงได้ ซึ่งให้วิธีการที่เชื่อถือได้มากขึ้นในการตรวจสอบย้อนกลับและการรับรองผลงาน
นวัตกรรมในรูปแบบการทำงานถือเป็นการเปลี่ยนแปลงที่สำคัญในด้านลิขสิทธิ์ด้วยความร่วมมือในการทำงานที่ได้รับแรงบันดาลใจจากโทเค็นด้วยการรวมผลงานเข้ากับสิ่งจูงใจโทเค็น ผู้สร้าง นักวางแผน และนักพัฒนาจึงได้รับการสนับสนุนให้มีส่วนร่วมในโครงการร่วมกัน ซึ่งไม่เพียงแต่ส่งเสริมการทำงานร่วมกันระหว่างทีมสร้างสรรค์เท่านั้น แต่ยังเปิดโอกาสให้ผู้เข้าร่วมได้รับประโยชน์โดยตรงจากความสำเร็จของโครงการ ซึ่งนำไปสู่ผลงานที่โดดเด่นมากขึ้น
ในทางกลับกัน,โทเค็นเป็นหลักฐานด้านลิขสิทธิ์แอปพลิเคชันได้ปรับรูปแบบรูปแบบการกระจายผลประโยชน์ใหม่ ด้วยกลไกการจ่ายเงินปันผลที่ดำเนินการโดยสัญญาอัจฉริยะโดยอัตโนมัติ ผู้เข้าร่วมงานแต่ละรายสามารถรับส่วนแบ่งกำไรที่สอดคล้องกันแบบเรียลไทม์เมื่อมีการใช้งาน ขาย หรือโอนงาน รูปแบบการจ่ายเงินปันผลแบบกระจายอำนาจนี้ช่วยแก้ปัญหาความทึบและความล่าช้าในรูปแบบลิขสิทธิ์แบบดั้งเดิมได้อย่างมีประสิทธิภาพ และช่วยให้ผู้สร้างมีกลไกการกระจายผลประโยชน์ที่ยุติธรรมและมีประสิทธิภาพมากขึ้น
E. การสมัครในสาขา metaverse
ในด้าน metaverse นั้น เป็นการบูรณาการระหว่าง Web3 และ AIสร้าง AIGC ราคาประหยัดเพื่อเติมเต็มเนื้อหาเกมในเครือมอบความเป็นไปได้ใหม่ๆ สภาพแวดล้อมเสมือนจริงและตัวละครที่สร้างขึ้นโดยอัลกอริธึม AI สามารถเพิ่มเนื้อหาของเกมในเครือ ทำให้ผู้ใช้ได้รับประสบการณ์เกมที่สดใสและหลากหลายมากขึ้น และในขณะเดียวกันก็ลดต้นทุนแรงงานและเวลาในกระบวนการผลิต
มนุษย์ดิจิทัลการประดิษฐ์เป็นนวัตกรรมใหม่ในแอปพลิเคชัน Metaverse รวมกันการสร้างลักษณะที่ปรากฏโดยละเอียดของเส้นผมและการคิดตามแบบจำลองภาษาขนาดใหญ่ผู้คนดิจิทัลที่สร้างขึ้นสามารถมีบทบาทที่หลากหลายใน metaverse โต้ตอบกับผู้ใช้ และแม้แต่มีส่วนร่วมในฝาแฝดดิจิทัลของฉากจริง สิ่งนี้มอบประสบการณ์ที่สมจริงและลึกซึ้งยิ่งขึ้นสำหรับการพัฒนาความเป็นจริงเสมือน และส่งเสริมการประยุกต์ใช้เทคโนโลยีมนุษย์เสมือนดิจิทัลในวงกว้างในด้านความบันเทิง การศึกษา และสาขาอื่น ๆ
สร้างเนื้อหาโฆษณาโดยอัตโนมัติตามภาพผู้ใช้ในเครือข่ายเป็นแอปพลิเคชั่นสร้างสรรค์โฆษณาอัจฉริยะในสาขา metaverse ด้วยการวิเคราะห์พฤติกรรมและความชอบของผู้ใช้ใน metaverse อัลกอริธึม AI สามารถสร้างเนื้อหาโฆษณาที่เป็นส่วนตัวและน่าดึงดูดยิ่งขึ้น ปรับปรุงอัตราการคลิกผ่านโฆษณาและการมีส่วนร่วมของผู้ใช้ วิธีการสร้างโฆษณานี้ไม่เพียงแต่สอดคล้องกับความสนใจของผู้ใช้เท่านั้น แต่ยังช่วยให้ผู้ลงโฆษณามีวิธีส่งเสริมการขายที่มีประสิทธิภาพมากขึ้นอีกด้วย
NFT แบบโต้ตอบเชิงสร้างสรรค์เป็นเทคโนโลยีที่โดดเด่นในด้าน metaverse ด้วยการรวม NFT เข้ากับ generative design ผู้ใช้สามารถมีส่วนร่วมในการสร้างอาร์ตเวิร์ค NFT ของตัวเองใน Metaverse ทำให้มีการโต้ตอบและมีเอกลักษณ์เฉพาะตัว สิ่งนี้มอบความเป็นไปได้ใหม่ๆ สำหรับการสร้างและการซื้อขายสินทรัพย์ดิจิทัล และส่งเสริมการพัฒนางานศิลปะดิจิทัลและเศรษฐกิจเสมือนจริงใน metaverse
3. เป้าหมายที่เกี่ยวข้องกับ Web3
ที่นี่ผู้เขียนได้เลือกห้าโครงการ:Render NetworkและAkashในฐานะผู้นำที่มีประสบการณ์ในด้านโครงสร้างพื้นฐาน AI ทั่วไปและการติดตาม AIBittensor ที่กำลังมาแรงในหมวดโมเดลAlethea.aiเนื่องจากเป็นโครงการแอปพลิเคชันที่เกี่ยวข้องกับ AI เชิงสร้างสรรค์Fetch.aiในฐานะโปรเจ็กต์หลักในด้านตัวแทน AI เรามาดูสถานะปัจจุบันของโปรเจ็กต์ generative AI ในฟิลด์ Web3 กันดีกว่า
3.1 Render Network（$RNDR）
Render Network ก่อตั้งขึ้นในปี 2560 โดย Jules Urbach ผู้ก่อตั้งบริษัทแม่ OTOY ธุรกิจหลักของ OTOY คือการเรนเดอร์กราฟิกบนคลาวด์ OTOY มีส่วนร่วมในการผลิตโครงการภาพยนตร์และโทรทัศน์ที่ได้รับรางวัลออสการ์ มีผู้ร่วมก่อตั้ง Google และ Mozilla เป็นที่ปรึกษา และมีส่วนร่วมในโครงการความร่วมมือมากมายกับ Apple Render Network ซึ่งขยายจาก OTOY ไปสู่ Web3 ถูกสร้างขึ้นเพื่อใช้ประโยชน์จากลักษณะการกระจายของเทคโนโลยีบล็อกเชนเพื่อเชื่อมต่อการเรนเดอร์ขนาดเล็กและความต้องการและทรัพยากรของ AI ไปยังแพลตฟอร์มแบบกระจายอำนาจซึ่งช่วยประหยัดค่าเช่าสำหรับเวิร์กช็อปขนาดเล็ก ของทรัพยากรการประมวลผลแบบรวมศูนย์ที่มีราคาแพง (เช่น AWS, MS Azure และ Alibaba Cloud) ยังช่วยสร้างรายได้ให้กับกลุ่มที่มีทรัพยากรการประมวลผลที่ไม่ได้ใช้งานอีกด้วย
เนื่องจาก Render เป็นบริษัท OTOY ที่พัฒนา Octane Render ตัวเรนเดอร์ประสิทธิภาพสูงอย่างอิสระ และมีตรรกะทางธุรกิจที่แน่นอน จึงถือเป็นโปรเจ็กต์ Web3 ที่มีข้อกำหนดและพื้นฐานของตัวเองเมื่อเปิดตัวครั้งแรก ในช่วงเวลาที่ generative AI ได้รับความนิยมอย่างมาก มีการกระจายงานการตรวจสอบและการให้เหตุผลแบบกระจาย ซึ่งมีความต้องการเพิ่มขึ้นอย่างมาก ซึ่งเข้ากันได้ดีกับสถาปัตยกรรมทางเทคนิคของ Render และถือว่าเป็นหนึ่งในทิศทางการพัฒนาในอนาคตที่ควรค่าแก่การรอคอย ในเวลาเดียวกัน Render ได้ครองตำแหน่งผู้นำในเส้นทาง AI ในสาขา Web3 ในช่วงไม่กี่ปีที่ผ่านมาและได้รับธรรมชาติของ Meme ในระดับหนึ่ง ทุกครั้งที่มีความคลั่งไคล้การเล่าเรื่องเช่น AI, Metaverse, คอมพิวเตอร์แบบกระจาย ฯลฯ มักจะได้รับเงินปันผลที่เพิ่มขึ้น เรียกได้ว่า มีความหลากหลายมากขึ้น
Render Network ประกาศในเดือนกุมภาพันธ์ 2023 ว่าจะอัปเดตเวอร์ชันใหม่ระบบการให้คะแนนราคาและ $RNDR โหวตโดยชุมชนกลไกการรักษาเสถียรภาพราคา(อย่างไรก็ตาม ยังไม่ได้กำหนดว่าจะเริ่มออนไลน์เมื่อใด) และยังประกาศว่าโปรเจ็กต์จะถูกโอนจาก Polygon ไปยัง Solana (ในเวลาเดียวกัน โทเค็น $RNDR จะได้รับการอัปเกรดเป็นโทเค็น $RENDER ตาม มาตรฐาน Solana SPL โครงการโอนแล้วเสร็จในเดือนพฤศจิกายน 2566)
เผยแพร่โดย Render Networkระบบระดับราคาใหม่บริการในห่วงโซ่แบ่งออกเป็นสามระดับจากสูงไปต่ำ ซึ่งสอดคล้องกับการให้บริการในราคาและคุณภาพที่แตกต่างกัน ซึ่งสามารถเลือกได้โดยผู้เรียกร้อง
สามระดับของระบบการกำหนดระดับราคาใหม่ของ Render Network
และชุมชนโหวตให้ $RNDR’sกลไกการรักษาเสถียรภาพราคาการเปลี่ยนแปลงจากการซื้อคืนที่ผิดปกติครั้งก่อนไปเป็นการใช้โมเดล Burn-and-Mint Equilibrium (BME) ทำให้ $RNDR มีความชัดเจนมากขึ้นในฐานะโทเค็นการชำระเงินที่มีความมั่นคงด้านราคา แทนที่จะเป็นสินทรัพย์ที่ถือครองระยะยาว กระบวนการทางธุรกิจเฉพาะในยุค BME มีดังแสดงในรูปด้านล่าง:
การสร้างผลิตภัณฑ์ การสร้างผลิตภัณฑ์ “ผู้สร้างผลิตภัณฑ์” บน Render กำลังเรนเดอร์ผู้ให้บริการทรัพยากร พวกเขาจัดแพ็คเกจทรัพยากรการเรนเดอร์ที่ไม่ได้ใช้งานลงในผลิตภัณฑ์ (โหนด) และรอเพื่อใช้ออนไลน์บนเครือข่าย
ซื้อสินค้า การซื้อสินค้า หากลูกค้าที่มีความต้องการในการเรนเดอร์มีโทเค็น $RNDR พวกเขาสามารถเบิร์นโทเค็นเพื่อชำระค่าบริการได้โดยตรง หากไม่มี พวกเขาสามารถซื้อ $RNDR ด้วยสกุลเงินตามกฎหมายใน DEX ก่อน จากนั้นจึงเบิร์นโทเค็น ราคาที่จ่ายสำหรับบริการจะถูกบันทึกแบบสาธารณะบนเครือข่าย
เหรียญกษาปณ์ เหรียญกษาปณ์ จัดสรรโทเค็นใหม่ตามกฎที่กำหนดไว้ล่วงหน้า
หมายเหตุ: Render Network จะเก็บค่าธรรมเนียมผู้ซื้อผลิตภัณฑ์ 5% จากธุรกรรมแต่ละรายการสำหรับการดำเนินโครงการ
Burn-and-Mint Equilibrium Epoch
Credit to Petar Atanasovski
Source: Medium
ตามกฎที่ตั้งไว้ล่วงหน้า ในแต่ละ Epoch ที่ดำเนินการโดย BME จำนวนโทเค็นใหม่ที่กำหนดไว้ล่วงหน้าจะถูกสร้างเสร็จ (หมายเลขที่ตั้งไว้ล่วงหน้าจะค่อยๆ ลดลงเมื่อเวลาผ่านไป) โทเค็นที่สร้างใหม่จะถูกแจกจ่ายให้กับสามฝ่าย:
ผู้สร้างผลิตภัณฑ์ ผู้สร้างผลิตภัณฑ์จะได้รับสิทธิประโยชน์ 2 ประการ:
รางวัลสำหรับการทำภารกิจให้สำเร็จ รางวัลจะขึ้นอยู่กับจำนวนงานเรนเดอร์ที่ทำเสร็จโดยแต่ละโหนดผลิตภัณฑ์ ซึ่งง่ายต่อการเข้าใจ
รางวัลออนไลน์ แต่ละโหนดผลิตภัณฑ์จะได้รับรางวัลตามตลาดที่อยู่ในโหมดสแตนด์บายออนไลน์ และได้รับการสนับสนุนให้จำกัดทรัพยากรเพื่อทำงานออนไลน์มากขึ้น
ผู้ซื้อผลิตภัณฑ์. เช่นเดียวกับการคืนเงินสำหรับผลิตภัณฑ์ในห้างสรรพสินค้า ผู้ซื้อสามารถรับเงินคืนโทเค็น $RNDR สูงถึง 100% เพื่อสนับสนุนการใช้ Render Network ต่อไปในอนาคต
ผู้ให้บริการสภาพคล่อง DEX (Decentralized Exchange) ผู้ให้บริการสภาพคล่องใน DEX แบบร่วมมือสามารถรับรางวัลตามจำนวน $RNDR ที่สัญญาไว้ เพราะพวกเขามั่นใจว่าพวกเขาจะสามารถซื้อ $RNDR ในจำนวนที่เพียงพอในราคาที่สมเหตุสมผลเมื่อจำเป็นต้องเผา $RNDR
Source: coingecko.com
จะเห็นได้จากแนวโน้มราคาของ $RNDR ในปีที่ผ่านมาว่าในฐานะโปรเจ็กต์ชั้นนำบนเส้นทาง AI ใน Web3 มาหลายปีแล้ว $RNDR ได้เก็บเกี่ยวเงินปันผลจากกระแสความนิยมของ AI ที่ขับเคลื่อนโดย ChatGPT ใน ปลายปี 2565 และต้นปี 2566 ขณะเดียวกันกับคนรุ่นใหม่ด้วยการเปิดตัวกลไกสกุลเงิน ราคาของ $RNDR ขึ้นไปถึงจุดสูงสุดในช่วงครึ่งแรกของปี 2566 หลังจากพลิกผันในช่วงครึ่งหลังของปี ด้วยการฟื้นตัวของ AI ที่เกิดจากการประชุม OpenAI ใหม่ และความคาดหวังเชิงบวกที่ Render Network จะย้ายไปยัง Solana และกลไกโทเค็นใหม่จะถูกนำไปใช้ในเร็วๆ นี้ ราคาของ $RNDR ได้มาถึงระดับที่สูงขึ้นและมาถึงจุดสูงสุดในช่วงไม่กี่ปีที่ผ่านมา เนื่องจากพื้นฐานของ $RNDR มีการเปลี่ยนแปลงเพียงเล็กน้อย สำหรับนักลงทุน การลงทุนในอนาคตใน $RNDR จำเป็นต้องมีการจัดการสถานะและการควบคุมความเสี่ยงอย่างระมัดระวังมากขึ้น
Render Network จำนวนโหนดต่อเดือน
เครือข่ายการเรนเดอร์ จำนวนฉากที่เรนเดอร์ต่อเดือน
Source: Dune.com
ในเวลาเดียวกัน เราเห็นได้จากแดชบอร์ดข้อมูล Dune ว่าตั้งแต่ต้นปี 2023 จำนวนงานการเรนเดอร์ทั้งหมดเพิ่มขึ้น แต่โหนดการเรนเดอร์ไม่ได้เพิ่มขึ้น นี่แสดงให้เห็นว่าผู้ใช้ที่เพิ่มเข้ามานั้นเป็นผู้ใช้ทั้งหมดที่มีความต้องการในการเรนเดอร์ (แทนที่จะเป็นผู้ใช้ที่มีทรัพยากรในการเรนเดอร์) เมื่อรวมกับความนิยมของ generative AI ในช่วงสิ้นปี 2022 ก็สมเหตุสมผลที่จะอนุมานได้ว่างานการเรนเดอร์ที่เพิ่มเข้ามานั้นเป็นงานที่เกี่ยวข้องกับ generative AI ทั้งหมด . ในปัจจุบัน เป็นการยากที่จะบอกว่าความต้องการส่วนนี้เป็นความต้องการระยะยาวหรือไม่ และจำเป็นต้องมีการสังเกตเพิ่มเติม
3.2 Akash Network ($AKT)
Akash Network เป็นแพลตฟอร์มการประมวลผลบนคลาวด์แบบกระจายอำนาจ ออกแบบมาเพื่อให้นักพัฒนาและองค์กรต่างๆ ได้รับโซลูชันการประมวลผลบนคลาวด์ที่ยืดหยุ่น มีประสิทธิภาพ และประหยัดมากขึ้น แพลตฟอร์ม ซูเปอร์คลาวด์ ที่ก่อตั้งโดยโครงการนี้สร้างขึ้นจากเทคโนโลยีบล็อกเชนแบบกระจายและใช้คุณลักษณะการกระจายอำนาจของบล็อกเชนเพื่อให้ผู้ใช้มีคลาวด์แบบกระจายอำนาจที่สามารถติดตั้งและรันแอปพลิเคชันได้ทั่วโลก โครงสร้างพื้นฐาน ซึ่งรวมถึงทรัพยากรการประมวลผลที่หลากหลาย รวมถึง CPU, GPU และ พื้นที่จัดเก็บ.
Greg Osuri และ Adam Bozanich ผู้ก่อตั้ง Akash Network เป็นผู้ประกอบการที่ทำงานร่วมกันมาหลายปี แต่ละคนมีประสบการณ์ในโครงการหลายปี พวกเขาร่วมกันก่อตั้งโครงการ Overclock Labs ซึ่งยังคงเป็นผู้เข้าร่วมหลักใน Akash Network ประสบการณ์อันยาวนานช่วยให้ทีมผู้ก่อตั้งสามารถกำหนดภารกิจหลักของ Akash Network ได้อย่างชัดเจน ซึ่งก็คือการลดต้นทุนการประมวลผลบนคลาวด์ ปรับปรุงความพร้อมใช้งาน และเพิ่มการควบคุมทรัพยากรการประมวลผลของผู้ใช้ ผู้ให้บริการทรัพยากรได้รับการสนับสนุนให้เปิดทรัพยากรการประมวลผลที่ไม่ได้ใช้งานในเครือข่ายของตนผ่านการเสนอราคาแบบเปิด เครือข่าย Akash บรรลุการใช้ทรัพยากรอย่างมีประสิทธิภาพมากขึ้น จึงให้ราคาที่แข่งขันได้มากขึ้นสำหรับผู้ต้องการทรัพยากร
Akash Network เริ่มแผนการอัปเดต Akash Network Economics 2.0 ในเดือนมกราคม 2023 โดยมีเป้าหมายเพื่อแก้ไขข้อบกพร่องหลายประการของเศรษฐกิจโทเค็นในปัจจุบัน รวมถึง:
ความผันผวนของราคาในตลาดสำหรับโทเค็น $AKT ทำให้ราคาของสัญญาระยะยาวไม่สอดคล้องกับมูลค่า
สิ่งจูงใจสำหรับผู้ให้บริการทรัพยากรไม่เพียงพอที่จะปลดปล่อยพลังการประมวลผลจำนวนมหาศาลในมือของพวกเขา
แรงจูงใจของชุมชนที่ไม่เพียงพอไม่เอื้อต่อการพัฒนาโครงการ Akash ในระยะยาว
การจับมูลค่าโทเค็น $AKT ไม่เพียงพอ ความเสี่ยงที่ส่งผลต่อเสถียรภาพของโครงการ
ตามข้อมูลที่ให้ไว้ในเว็บไซต์อย่างเป็นทางการ โซลูชันที่เสนอโดยแผน Akash Network Economics 2.0 นั้นรวมถึงการแนะนำการชำระเงินด้วยสกุลเงินที่มีเสถียรภาพ การเพิ่มค่าธรรมเนียมสำหรับการสั่งซื้อเพื่อกินไข่เพื่อเพิ่มรายได้โปรโตคอล เพิ่มแรงจูงใจสำหรับผู้ให้บริการทรัพยากร และเพิ่ม จำนวนสิ่งจูงใจของชุมชน ฯลฯ ในหมู่พวกเขาฟังก์ชั่นการชำระเงินสกุลเงินที่มั่นคงและฟังก์ชั่นค่าธรรมเนียมการจัดการสำหรับการสั่งซื้อและรับคำสั่งซื้อติดตั้งออนไลน์แล้ว
ในฐานะโทเค็นดั้งเดิมของ Akash Network $AKT มีประโยชน์หลายอย่างในโปรโตคอล รวมถึงการตรวจสอบคำมั่นสัญญา (ความปลอดภัย) สิ่งจูงใจ การกำกับดูแลเครือข่าย และการชำระค่าธรรมเนียมการทำธุรกรรม ตามข้อมูลที่ให้ไว้ในเว็บไซต์อย่างเป็นทางการ อุปทานรวมของ $AKT คือ 388 M โดย ณ เดือนพฤศจิกายน 2023 มีการปลดล็อคแล้ว 229 M ซึ่งคิดเป็นประมาณ 59% โทเค็นผู้ก่อตั้งที่แจกจ่ายเมื่อเปิดตัวโครงการได้รับการปลดล็อคอย่างสมบูรณ์ในเดือนมีนาคม 2566 และเข้าสู่การหมุนเวียนในตลาดรอง อัตราส่วนการกระจายของโทเค็นการกำเนิดมีดังนี้:
เป็นที่น่าสังเกตว่าในแง่ของการเก็บมูลค่า คุณลักษณะหนึ่งที่ $AKT ตั้งใจที่จะใช้ซึ่งยังไม่มีผลบังคับใช้ แต่มีการกล่าวถึงในสมุดปกขาวก็คือ Akash วางแผนที่จะเรียกเก็บ ค่าธรรมเนียมการเรียกเก็บเงิน สำหรับสัญญาเช่าที่ประสบความสำเร็จแต่ละครั้ง จากนั้นจะส่งค่าธรรมเนียมเหล่านี้ไปยัง Take Income Pool เพื่อแจกจ่ายให้กับผู้ถือ โปรแกรมนี้มีค่าธรรมเนียม 10% สำหรับธุรกรรม $AKT และค่าธรรมเนียม 20% สำหรับการทำธุรกรรมโดยใช้สกุลเงินดิจิทัลอื่น ๆ นอกจากนี้ Akash ยังวางแผนที่จะให้รางวัลแก่ผู้ถือที่ล็อคการถือครอง $AKT เป็นระยะเวลานานขึ้น ดังนั้นผู้ลงทุนที่ถือครองนานกว่าจะมีสิทธิ์ได้รับรางวัลที่มากขึ้น หากแผนนี้ประสบความสำเร็จในการเปิดตัวในอนาคต ก็จะกลายเป็นแรงผลักดันสำคัญที่ทำให้ราคาสกุลเงินเพิ่มขึ้นอย่างแน่นอน และยังจะช่วยประมาณมูลค่าของโครงการได้ดีขึ้นอีกด้วย
Source: coingecko.com
จะเห็นได้จากแนวโน้มราคาที่แสดงบน coincko.com ว่าราคาของ $AKT ก็มีการปรับเพิ่มขึ้นในช่วงกลางเดือนสิงหาคมถึงปลายเดือนพฤศจิกายน 2566 แต่ก็ยังไม่ดีเท่ากับการเพิ่มขึ้นในช่วงเวลาเดียวกันของโครงการอื่นๆ ใน เส้นทาง AI ซึ่งอาจเหมือนกับปัจจุบันซึ่งเกี่ยวข้องกับแนวโน้มความเชื่อมั่นทางการเงิน โดยรวมแล้ว โปรเจ็กต์ของ Akash เป็นหนึ่งในโปรเจ็กต์คุณภาพสูงหลายโปรเจ็กต์ในเส้นทาง AI และพื้นฐานของมันดีกว่าคู่แข่งส่วนใหญ่ในเส้นทาง AI รายได้ทางธุรกิจที่เป็นไปได้อาจนำมาซึ่งโอกาสสำหรับผลกำไรในอนาคตของโปรโตคอล ด้วยการพัฒนาของอุตสาหกรรม AI และความต้องการทรัพยากรคอมพิวเตอร์คลาวด์ที่เพิ่มขึ้นฉันเชื่อว่าในอนาคตเราคาดว่าจะเห็น Akash Network ทะยานใน AI ถัดไป คลื่น.
3.3 Bittensor （$TAO）
หากผู้อ่านคุ้นเคยกับสถาปัตยกรรมทางเทคนิคของ $BTC มันจะง่ายมากที่จะเข้าใจการออกแบบของ Bittensor ในความเป็นจริง เมื่อออกแบบ Bittensor ผู้เขียนได้ดึงคุณลักษณะหลายประการของ $BTC ซึ่งเป็นผู้มีประสบการณ์ด้านสกุลเงินดิจิทัล ซึ่งรวมถึง: จำนวนโทเค็นทั้งหมดคือ 21 ล้าน เอาต์พุตจะลดลงครึ่งหนึ่งโดยประมาณทุกๆ สี่ปี และเกี่ยวข้องกับกลไกฉันทามติของ PoW ฯลฯ โดยเฉพาะให้เราจินตนาการถึงกระบวนการเอาท์พุต Bitcoin เริ่มต้น แล้วแทนที่กระบวนการ ขุด ในการคำนวณตัวเลขสุ่มที่ไม่สามารถสร้างมูลค่าที่แท้จริงได้ด้วยการฝึกฝนและการตรวจสอบโมเดล AI และขึ้นอยู่กับประสิทธิภาพและความน่าเชื่อถือของโมเดล AI นี้ เป็นการสรุปโครงสร้างโครงการของ Bittensor ($TAO) อย่างง่าย
โครงการ Bittensor ก่อตั้งขึ้นครั้งแรกในปี 2019 โดยนักวิจัย AI สองคน Jacob Steeves และ Ala Shaabana กรอบงานหลักขึ้นอยู่กับเนื้อหาของกระดาษสีขาวที่เขียนโดยนักเขียนลึกลับ Yuma Rao โดยสรุปโดยย่อ บริษัทได้ออกแบบโปรโตคอลโอเพ่นซอร์สที่ไม่มีใบอนุญาต และสร้างสถาปัตยกรรมเครือข่ายที่เชื่อมต่อกันด้วยเครือข่ายย่อยจำนวนมาก โดยมีเครือข่ายย่อยที่แตกต่างกันรับผิดชอบงานที่แตกต่างกัน (การแปลด้วยเครื่อง การจดจำและการสร้างภาพ โมเดลภาษาขนาดใหญ่ ฯลฯ) ) ทำให้งานสำเร็จลุล่วงได้ดีเยี่ยม จะได้รับรางวัลในขณะที่เครือข่ายย่อยสามารถโต้ตอบและเรียนรู้จากกันและกัน
เมื่อมองย้อนกลับไปที่โมเดล AI ขนาดใหญ่ที่มีอยู่ในตลาดในปัจจุบัน โดยไม่มีข้อยกเว้น โมเดลทั้งหมดได้มาจากทรัพยากรการประมวลผลและข้อมูลจำนวนมหาศาลที่ลงทุนโดยยักษ์ใหญ่ด้านเทคโนโลยี เป็นเรื่องจริงที่ผลิตภัณฑ์ AI ที่ได้รับการฝึกในลักษณะนี้มีประสิทธิภาพที่น่าทึ่ง แต่รูปแบบนี้ยังมีความเสี่ยงสูงมากที่จะเกิดความชั่วร้ายแบบรวมศูนย์ การออกแบบโครงสร้างพื้นฐานของ Bittensor ช่วยให้เครือข่ายผู้เชี่ยวชาญด้านการสื่อสารสามารถสื่อสารและเรียนรู้จากกันและกันได้การกระจายอำนาจการฝึกอบรมโมเดลขนาดใหญ่ได้มีการวางรากฐานแล้ว วิสัยทัศน์ระยะยาวของ Bittensor คือการแข่งขันกับโมเดลแบบปิดของยักษ์ใหญ่ เช่น OpenAI, Meta และ Google ในขณะที่ยังคงรักษาคุณลักษณะการกระจายอำนาจของโมเดล เพื่อให้ได้ประสิทธิภาพการอนุมานที่ตรงกัน
แกนหลักทางเทคนิคของเครือข่าย Bittensor มาจากกลไกฉันทามติที่ออกแบบโดยเฉพาะโดย Yuma Rao หรือที่เรียกว่าฉันทามติของ Yuma ซึ่งเป็นกลไกฉันทามติที่ผสม PoW และ PoS ผู้เข้าร่วมหลักในด้านอุปทานจะถูกแบ่งออกเป็น เซิร์ฟเวอร์ (เช่น นักขุด) และ ผู้ตรวจสอบ (เช่น ผู้ตรวจสอบ) ในขณะที่ผู้เข้าร่วมในด้านอุปสงค์คือ ลูกค้า (เช่น ลูกค้า) ที่ใช้แบบจำลองในเครือข่าย นักขุดมีหน้าที่รับผิดชอบในการจัดหาโมเดลที่ได้รับการฝึกอบรมล่วงหน้าสำหรับงานเครือข่ายย่อยในปัจจุบัน และสิ่งจูงใจที่พวกเขาได้รับขึ้นอยู่กับคุณภาพของโมเดลที่มีให้ ในขณะที่ผู้ตรวจสอบมีหน้าที่รับผิดชอบในการตรวจสอบประสิทธิภาพของโมเดลและทำหน้าที่เป็นคนกลางระหว่างนักขุดและลูกค้า กระบวนการเฉพาะคือ:
ไคลเอนต์ส่งข้อกำหนดสำหรับการใช้แบบจำลองในเครือข่ายย่อยที่แน่นอนและข้อมูลที่จะคำนวณไปยังผู้ตรวจสอบ
เครื่องมือตรวจสอบจะกระจายข้อมูลไปยังนักขุดต่างๆ ภายใต้เครือข่ายย่อย
นักขุดใช้แบบจำลองของตนเองและข้อมูลที่ได้รับเพื่อดำเนินการอนุมานแบบจำลองและส่งกลับผลลัพธ์
เครื่องมือตรวจสอบจะเรียงลำดับผลลัพธ์การอนุมานที่ได้รับตามคุณภาพ และผลลัพธ์การเรียงลำดับจะถูกจัดเก็บไว้ในห่วงโซ่
ผลลัพธ์การให้เหตุผลที่เหมาะสมที่สุดจะถูกส่งกลับไปยังผู้ใช้ นักขุดจะถูกจัดเรียงตามลำดับ และผู้ตรวจสอบจะได้รับรางวัลตามปริมาณงาน
ควรสังเกตว่าในซับเน็ตส่วนใหญ่Bittensor เองไม่ได้ฝึกโมเดลใด ๆบทบาทของมันจะเหมือนกับการเชื่อมโยงผู้ให้บริการโมเดลและผู้เรียกร้องโมเดล และบนพื้นฐานนี้ จะใช้การโต้ตอบระหว่างโมเดลขนาดเล็กเพิ่มเติมเพื่อปรับปรุงประสิทธิภาพในงานต่างๆ ปัจจุบันมีซับเน็ต 30 ซับเน็ตที่ออนไลน์ (หรือเคยออนไลน์) ซึ่งสอดคล้องกับโมเดลงานที่แตกต่างกัน
ในฐานะโทเค็นดั้งเดิมของ Bittensor ฟังก์ชันของ $TAO รวมถึงการสร้างซับเน็ต การลงทะเบียนในซับเน็ต บริการการชำระเงิน การปักหลักในผู้ตรวจสอบความถูกต้อง ฯลฯ ซึ่งมีบทบาทสำคัญในระบบนิเวศ ในเวลาเดียวกัน เนื่องจากแนวทางของทีมโครงการ Bittensor ในการยกย่องจิตวิญญาณของ BTC $TAO จึงเลือกเริ่มต้นอย่างยุติธรรมนั่นคือโทเค็นทั้งหมดจะถูกสร้างขึ้นโดยการมีส่วนร่วมกับเครือข่าย ปัจจุบัน ผลผลิตรายวันของ $TAO อยู่ที่ประมาณ 7,200 ซึ่งกระจายอย่างเท่าเทียมกันระหว่างนักขุดและผู้ตรวจสอบ จำนวนเงินทั้งหมดที่ผลิตนับตั้งแต่เปิดตัวโครงการอยู่ที่ประมาณ 26.3% ของ 21 ล้าน ซึ่ง 87.21% ของโทเค็นถูกนำมาใช้ในการจำนำและตรวจสอบ ในเวลาเดียวกัน โครงการได้ออกแบบการลดการผลิตลงครึ่งหนึ่งทุกๆ สี่ปี (เช่นเดียวกับ BTC) ล่าสุดจะเกิดขึ้นในวันที่ 20 กันยายน 2025 ซึ่งจะเป็นแรงผลักดันสำคัญในการเพิ่มราคา
Credit: taostats.io
จะเห็นได้จากแนวโน้มราคาว่าราคาของ $TAO ได้เพิ่มขึ้นอย่างรวดเร็วตั้งแต่ปลายเดือนตุลาคม 2566 โดยคาดการณ์ว่าแรงผลักดันหลักคือกระแสความนิยม AI รอบใหม่ที่เกิดจากการเปิดตัว OpenAI ซึ่ง ทำให้ภาคทุนหมุนเวียนมาสู่ภาค AI . ในเวลาเดียวกัน ในฐานะโครงการที่เกิดขึ้นใหม่ในเส้นทาง Web3 + AI คุณภาพโครงการที่ยอดเยี่ยมของ $TAO และวิสัยทัศน์โครงการระยะยาวก็เป็นเหตุผลสำคัญในการดึงดูดเงินทุนเช่นกัน อย่างไรก็ตาม เราต้องยอมรับว่า เช่นเดียวกับโครงการติดตาม AI อื่นๆ แม้ว่าการรวมกันของ Web3 + AI จะมีศักยภาพสูง แต่การประยุกต์ใช้ในธุรกิจจริงนั้นไม่เพียงพอที่จะสนับสนุนโครงการที่ทำกำไรในระยะยาว
3.4 Alethea.ai（$ALI）
Alethea.ai ก่อตั้งขึ้นในปี 2020 เป็นโครงการที่อุทิศให้กับการใช้เทคโนโลยีบล็อกเชนเพื่อนำความเป็นเจ้าของแบบกระจายอำนาจและการกำกับดูแลแบบกระจายอำนาจมาสู่เนื้อหาเชิงสร้างสรรค์ ผู้ก่อตั้ง Alethea.ai เชื่อว่า generative AI จะนำเราเข้าสู่ยุคที่ generative content นำไปสู่ความซ้ำซ้อนของข้อมูล เนื้อหาอิเล็กทรอนิกส์จำนวนมากเพียงแค่คัดลอกและวางหรือสร้างขึ้นด้วยการคลิกเพียงครั้งเดียว มูลค่าไม่สามารถรายได้ ด้วยการเชื่อมต่อดั้งเดิมบนเชน (เช่น NFT) กับ generative AI จะสามารถรับประกันความเป็นเจ้าของ generative AI และเนื้อหาได้ และสามารถดำเนินการธรรมาภิบาลชุมชนได้บนพื้นฐานนี้
ด้วยแนวคิดนี้ Alethea.ai ในยุคแรกๆ ได้เปิดตัวมาตรฐาน NFT ใหม่ ซึ่งก็คือ iNFT ซึ่งสามารถใช้ Intelligence Pod เพื่อสร้างแอนิเมชัน AI แบบฝัง การสังเคราะห์เสียงพูด และแม้แต่ AI ที่สร้างลงในรูปภาพได้ นอกจากนี้ Alethea.ai ยังร่วมมือกับศิลปินในการเปลี่ยนงานศิลปะของพวกเขาให้เป็น iNFT ซึ่งได้รับการประมูลที่ Sothebys ในราคาสูงถึง 478,000 ดอลลาร์สหรัฐ
ฉีดวิญญาณเข้าไปใน NFT
Source: Alethea.ai
ต่อมา Alethea.ai ได้เปิดตัว AI Protocol ซึ่งช่วยให้นักพัฒนาและผู้สร้าง AI ทั่วไปสามารถสร้างโดยใช้มาตรฐาน iNFT โดยไม่ได้รับอนุญาต ในเวลาเดียวกัน เพื่อเป็นตัวอย่างให้กับโปรเจ็กต์อื่นๆ ที่ใช้โปรโตคอล AI ของตัวเอง Alethea.ai ยังได้ใช้ทฤษฎีของโมเดลขนาดใหญ่ GPT เพื่อเปิดตัว CharacterGPT ซึ่งเป็นเครื่องมือสำหรับการสร้าง NFT แบบโต้ตอบ นอกจากนี้ Alethea.ai เพิ่งเปิดตัว Open Fusion ซึ่งช่วยให้ ERC-721 NFT ใด ๆ ในตลาดสามารถรวมกับ Intelligence และเผยแพร่ไปยัง AI Protocol
โทเค็นดั้งเดิมของ Alethea.ai คือ $ALI ซึ่งมีการใช้งานหลักสี่ประการ:
ล็อค $ALI จำนวนหนึ่งเพื่อสร้าง iNFT
ยิ่งคุณมีล็อคมาก ระดับของ Intelligence Pod ก็จะยิ่งสูงขึ้น
ผู้ถือ $ALI มีส่วนร่วมในการกำกับดูแลชุมชน
$ALI สามารถใช้เป็นข้อมูลรับรองเพื่อเข้าร่วมในการโต้ตอบระหว่าง iNFT ได้ (ยังไม่มีกรณีการใช้งานจริง)
Source: coingecko.com
จะเห็นได้จากกรณีการใช้งานของ $ALI ว่าการจับมูลค่าปัจจุบันของโทเค็นนี้ยังคงอยู่ในระดับการเล่าเรื่อง นอกจากนี้ การอนุมานนี้สามารถยืนยันได้จากการเปลี่ยนแปลงของราคาสกุลเงินภายในหนึ่งปี: $ALI ได้ใช้ประโยชน์จากแนวโน้มที่นำ โดย ChatGPT เริ่มตั้งแต่เดือนธันวาคม 2565 โบนัสบูม AI ทั่วไป ในเวลาเดียวกัน ในเดือนมิถุนายนปีนี้ เมื่อ Alethea.ai ประกาศเปิดตัวฟังก์ชัน Open Fusion ล่าสุด ก็นำมาซึ่งประโยชน์มากมายเช่นกัน นอกจากนี้ ราคาของ $ALI ยังมีแนวโน้มลดลง และแม้แต่ AI ที่บูมในช่วงปลายปี 2023 ก็ไม่สามารถผลักดันราคาให้ขึ้นไปถึงระดับเฉลี่ยที่เพิ่มขึ้นของโปรเจ็กต์ในเส้นทางเดียวกันได้
นอกจากโทเค็นดั้งเดิมแล้ว เรามาดูประสิทธิภาพของโครงการ NFT และประสิทธิภาพของ iNFT ของ Alethea.ai (รวมถึงคอลเลกชันที่เปิดตัวอย่างเป็นทางการ) ในตลาด NFT กัน
ยอดขาย Intelligence Pod รายวันบน Opensea
ยอดขาย Revenants Collection รายวันบน Opensea
Source: Dune.com
จากสถิติแดชบอร์ดของ Dune เราจะเห็นได้ว่าทั้ง Intelligence Pod ขายให้กับบุคคลที่สามและคอลเลกชัน Revenants ที่ออกโดยฝ่ายแรกของ Alethea.ai ค่อยๆ หายไปหลังจากช่วงระยะเวลาหนึ่งของการเปิดตัวครั้งแรก ฉันคิดว่าเหตุผลหลักสำหรับเรื่องนี้ก็คือหลังจากที่ความแปลกใหม่เริ่มหมดลงแล้ว ไม่มีคุณค่าที่แท้จริงหรือความนิยมของชุมชนที่จะรักษาผู้ใช้ไว้
3.5 Fetch.ai（$FET）
Fetch.ai เป็นโครงการที่อุทิศตนเพื่อส่งเสริมการบูรณาการปัญญาประดิษฐ์และเทคโนโลยีบล็อกเชน เป้าหมายของบริษัทคือการสร้างเศรษฐกิจอัจฉริยะแบบกระจายอำนาจที่ผสมผสานการเรียนรู้ของเครื่อง บล็อกเชน และเทคโนโลยีบัญชีแยกประเภทเพื่อสนับสนุนกิจกรรมทางเศรษฐกิจในหมู่ตัวแทนอัจฉริยะ
Fetch.ai ก่อตั้งขึ้นในปี 2019 โดย Humayun Sheikh, Toby Simpson และ Thomas Hain นักวิทยาศาสตร์จากสหราชอาณาจักร ผู้ก่อตั้งทั้งสามคนมีภูมิหลังที่ร่ำรวยมาก Humayun Sheikh เป็นนักลงทุนรายแรกๆ ใน Deepmind, Toby Simpson ดำรงตำแหน่งผู้บริหารในหลายบริษัท และ Thomas Hain เป็นศาสตราจารย์ด้านปัญญาประดิษฐ์ที่มหาวิทยาลัย Sheffield ภูมิหลังที่ลึกซึ้งของทีมผู้ก่อตั้ง Fetch.ai นำทรัพยากรอุตสาหกรรมอันมั่งคั่งมาสู่บริษัท ครอบคลุมบริษัทไอทีแบบดั้งเดิม โครงการดาวเด่นด้านบล็อกเชน โครงการทางการแพทย์และซูเปอร์คอมพิวเตอร์ และสาขาอื่น ๆ
ภารกิจของ Fetch.ai คือการสร้างแพลตฟอร์มเครือข่ายแบบกระจายอำนาจ ซึ่งประกอบด้วยตัวแทนทางเศรษฐกิจอัตโนมัติและแอปพลิเคชัน AI ช่วยให้นักพัฒนาสามารถทำงานตามเป้าหมายที่ตั้งไว้ล่วงหน้าได้โดยการสร้างตัวแทนอัตโนมัติ เทคโนโลยีหลักของแพลตฟอร์มคือสถาปัตยกรรมสามระดับอันเป็นเอกลักษณ์:
ชั้นล่างสุด: เครือข่ายสัญญาอัจฉริยะพื้นฐานที่ใช้ PoS-uD (กลไกฉันทามติเพื่อพิสูจน์การมีส่วนร่วมโดยไม่ได้รับอนุญาต) สนับสนุนการทำงานร่วมกันระหว่างนักขุดและการฝึกอบรมการเรียนรู้ของเครื่องขั้นพื้นฐานและการใช้เหตุผล
ชั้นกลาง: OEF (Open Economic Framework, Open Economic Framework) มอบพื้นที่ที่ใช้ร่วมกันสำหรับ AEA ในการโต้ตอบระหว่างกัน ช่วยให้ AEA สามารถโต้ตอบกับโปรโตคอลพื้นฐาน และยังสนับสนุนการค้นหา การค้นพบ และการทำธุรกรรมร่วมกันระหว่าง AEA
ชั้นบน: AEA (Autonomous Economic Agent) ซึ่งเป็นองค์ประกอบหลักของ Fetch.ai AEA แต่ละตัวเป็นซอฟต์แวร์ตัวแทนอัจฉริยะที่สามารถใช้ฟังก์ชันต่างๆ ผ่านโมดูลทักษะต่างๆ และทำงานที่กำหนดไว้ล่วงหน้าในนามของผู้ใช้ได้ ซอฟต์แวร์ตัวแทนไม่ได้ทำงานโดยตรงบนบล็อกเชน แต่โต้ตอบกับบล็อกเชนและสัญญาอัจฉริยะผ่าน OEF เลเยอร์กลาง ซอฟต์แวร์ตัวแทนอัจฉริยะประเภทนี้อาจเป็นซอฟต์แวร์ล้วนๆ หรือเชื่อมโยงกับฮาร์ดแวร์จริงได้ เช่น โทรศัพท์มือถือ คอมพิวเตอร์ รถยนต์ ฯลฯ อย่างเป็นทางการได้จัดเตรียมชุดพัฒนาที่ใช้ Python ซึ่งเป็นเฟรมเวิร์ก AEA ซึ่งสามารถประกอบได้ ช่วยให้นักพัฒนาสามารถใช้มันเพื่อสร้างซอฟต์แวร์เอเจนต์อัจฉริยะของตนเองได้
จากสถาปัตยกรรมนี้ Fetch.ai ยังได้เปิดตัวผลิตภัณฑ์และบริการติดตามผลจำนวนมาก เช่น Co-Learn (โมเดลการเรียนรู้ของเครื่องที่ใช้ร่วมกันระหว่างตัวแทน) และ Metaverse (บริการโฮสต์บนคลาวด์ของตัวแทนอัจฉริยะ) เพื่อรองรับผู้ใช้บนแพลตฟอร์มพัฒนา ตัวแทนอัจฉริยะของคุณเอง
ในแง่ของโทเค็น $FET ซึ่งเป็นโทเค็นดั้งเดิมของ Fetch.ai ครอบคลุมฟังก์ชันปกติของการจ่าย Gas การตรวจสอบการปักหลัก และการจัดซื้อบริการภายในเครือข่าย ขณะนี้ $FET ได้ปลดล็อคโทเค็นมากกว่า 90% และการกระจายเฉพาะมีดังนี้:
นับตั้งแต่เปิดตัวโครงการ Fetch.ai ได้รับการจัดหาเงินทุนหลายรอบในรูปแบบของการถือครองโทเค็นแบบปรับลด ล่าสุดคือเมื่อวันที่ 29 มีนาคม 2023 เมื่อ Fetch.ai ได้รับเงินทุน 30 ล้านดอลลาร์สหรัฐจาก DWF Lab เนื่องจากโทเค็น $FET ไม่ได้เก็บมูลค่าในแง่ของรายได้ของโครงการ แรงผลักดันในการเพิ่มราคาส่วนใหญ่มาจากการอัปเดตโครงการและความเชื่อมั่นของตลาดสำหรับเส้นทาง AI จะเห็นได้ว่าการใช้ประโยชน์จากความนิยมทั้ง 2 ประการของภาค AI ทำให้ราคาของ Fetch.ai พุ่งสูงขึ้นมากกว่า 100% ในช่วงต้นปี 2566 และปลายปี 2566
Source: coingecko.com
เมื่อเปรียบเทียบกับวิธีที่โครงการบล็อกเชนอื่นๆ พัฒนาและได้รับความสนใจ เส้นทางการพัฒนาของ Fetch.ai ก็เหมือนกับโครงการสตาร์ทอัพ Web2.0 AI ที่มุ่งเน้นไปที่การขัดเกลาระดับทางเทคนิค สร้างชื่อเสียงผ่านการจัดหาเงินทุนอย่างต่อเนื่องและความร่วมมือที่กว้างขวาง และมองหาคะแนนผลกำไร . แนวทางนี้ทำให้มีพื้นที่กว้างสำหรับการพัฒนาแอปพลิเคชันที่พัฒนาโดยใช้ Fetch.ai ในอนาคต แต่รูปแบบการพัฒนายังทำให้โครงการบล็อกเชนอื่น ๆ มีความน่าสนใจน้อยลง ดังนั้นจึงไม่สามารถเปิดใช้งานพลังทางนิเวศวิทยาได้ (หนึ่งในผู้ก่อตั้งของ Fetch.ai สร้างขึ้นเอง โปรเจ็กต์ DEX Mettalex DEX ที่ใช้ Fetch.ai แต่ท้ายที่สุดกลับกลายเป็นว่าไม่มีอะไรเลย) เนื่องจากเป็นโครงการที่เน้นโครงสร้างพื้นฐาน มูลค่าที่แท้จริงของโครงการ Fetch.ai จึงยากที่จะเพิ่มขึ้นเนื่องจากระบบนิเวศเสื่อมลง
4. Generative AI มีอนาคตที่สดใส
Jensen Huang ซีอีโอของ Nvidia เรียกการเปิดตัวโมเดลขนาดใหญ่ว่าช่วงเวลา iPhone ของ AI และทรัพยากรที่หายากสำหรับการผลิต AI ในขั้นตอนนี้คือโครงสร้างพื้นฐานที่มีศูนย์กลางอยู่ที่ชิปประมวลผลประสิทธิภาพสูง เนื่องจากเป็นเส้นทางย่อยของ AI ที่มีเงินทุนที่ถูกล็อคมากที่สุดใน Web3 โครงการโครงสร้างพื้นฐานของ AI จึงเป็นจุดสนใจของการวิจัยระยะยาวของนักลงทุนมาโดยตลอด เป็นที่คาดการณ์ได้ว่าในขณะที่ยักษ์ใหญ่ชิปค่อยๆ อัพเกรดอุปกรณ์พลังการประมวลผล พลังการประมวลผล AI ค่อยๆ เพิ่มขึ้น และความสามารถด้าน AI มากขึ้นถูกปลดล็อก คาดการณ์ได้ว่าโครงการโครงสร้างพื้นฐาน AI มากขึ้นในสาขาย่อยของ Web3 จะเกิดขึ้นในอนาคต ออกมาเรายังสามารถตั้งตารอการมาถึงของชิปที่ออกแบบและผลิตโดยเฉพาะสำหรับการฝึกอบรม AI ใน Web3 ในอนาคต
แม้ว่าการพัฒนาผลิตภัณฑ์ AI generative To C ในปัจจุบันยังอยู่ในขั้นทดลอง แต่ผลิตภัณฑ์ระดับอุตสาหกรรม ToB บางส่วนก็แสดงให้เห็นถึงศักยภาพที่ยอดเยี่ยม หนึ่งในนั้นคือการโยกย้ายฉากในโลกแห่งความเป็นจริงไปสู่อาณาจักรดิจิทัลแฝดดิจิตอลเมื่อรวมกับแพลตฟอร์มการคำนวณทางวิทยาศาสตร์แบบดิจิทัลคู่ที่ NVIDIA เปิดตัวสำหรับวิสัยทัศน์ metaverse เมื่อพิจารณาว่าอุตสาหกรรมยังคงมีมูลค่าข้อมูลจำนวนมหาศาลที่ยังไม่ได้เปิดตัว generative AI จะกลายเป็นความช่วยเหลือที่สำคัญสำหรับฝาแฝดดิจิทัลในสถานการณ์อุตสาหกรรม ไป นอกจากนี้ในสาขา Web3 รวมถึง The Metaverse การสร้างเนื้อหาดิจิทัล ทรัพย์สินในโลกแห่งความเป็นจริง และด้านอื่น ๆ จะได้รับผลกระทบจากเทคโนโลยีแฝดดิจิทัลที่ขับเคลื่อนโดย AI
ฮาร์ดแวร์แบบโต้ตอบใหม่การพัฒนาก็เป็นอีกแง่มุมหนึ่งที่ไม่อาจละเลยได้ เมื่อมองย้อนกลับไปในอดีต นวัตกรรมด้านฮาร์ดแวร์ทุกอย่างในสาขาคอมพิวเตอร์จะนำมาซึ่งการเปลี่ยนแปลงครั้งใหญ่และโอกาสในการพัฒนาใหม่ๆ เช่น เมาส์คอมพิวเตอร์ที่กลายเป็นเรื่องปกติในปัจจุบัน หรือ iPhone 4 ที่มีหน้าจอ capacitive แบบมัลติทัช ประกาศเปิดตัวแล้วในไตรมาสแรกของปี 2024Apple Vision Proด้วยการสาธิตที่น่าทึ่งจนได้รับความสนใจจากทั่วโลก เมื่อเปิดตัวจริง ก็น่าจะนำการเปลี่ยนแปลงและโอกาสที่ไม่คาดคิดมาสู่อุตสาหกรรมต่างๆ ด้วยข้อได้เปรียบของการผลิตเนื้อหาที่รวดเร็วและการเผยแพร่ในวงกว้าง วงการบันเทิงขนาดใหญ่มักเป็นสาขาแรกที่ได้รับประโยชน์จากการอัพเดตเทคโนโลยีฮาร์ดแวร์ทุกครั้ง แน่นอนว่ายังรวมถึงเพลงเพื่อความบันเทิงด้านภาพต่างๆ เช่น Metaverse, chain games และ NFT ใน Web3 ซึ่งคุ้มค่าแก่ความสนใจและการวิจัยในระยะยาวของผู้อ่านในอนาคต
ในระยะยาว การพัฒนา generative AI ถือเป็นกการเปลี่ยนแปลงเชิงปริมาณนำไปสู่การเปลี่ยนแปลงเชิงคุณภาพกระบวนการของ สาระสำคัญของ ChatGPT คือการแก้ปัญหาการให้เหตุผลในการถามตอบ และการถามตอบให้เหตุผลเป็นปัญหาที่ดึงดูดความสนใจและการวิจัยในแวดวงวิชาการมายาวนาน หลังจากการทำซ้ำข้อมูลและแบบจำลองในระยะยาว ในที่สุดมันก็มาถึงระดับ GPT-4 ที่น่าทึ่ง เช่นเดียวกับแอปพลิเคชัน AI ใน Web3 เรายังอยู่ในขั้นตอนการแนะนำโมเดลจาก Web2 สู่ Web3 และโมเดลที่พัฒนาโดยใช้ข้อมูล Web3 ทั้งหมดยังไม่ปรากฏ ในอนาคต ฝ่ายโครงการที่มีวิสัยทัศน์กว้างไกลและทรัพยากรจำนวนมากจะต้องลงทุนในการวิจัยปัญหาเชิงปฏิบัติใน Web3 เพื่อให้แอปนักฆ่าระดับ ChatGPT ของ Web3 ค่อยๆ เข้ามาใกล้ยิ่งขึ้น
ในขั้นตอนนี้ เทคโนโลยีพื้นฐานของ generative AI ยังมีอีกหลายทิศทางที่ควรค่าแก่การสำรวจ หนึ่งในนั้นคือ วิธีการนำตรรกะไปใช้ซึ่งอาศัยห่วงโซ่ความคิด(ห่วงโซ่แห่งความคิด) เทคโนโลยี กล่าวง่ายๆ ก็คือ แบบจำลองภาษาขนาดใหญ่สามารถบรรลุผลเชิงคุณภาพในการให้เหตุผลหลายขั้นตอนผ่านเทคโนโลยีห่วงโซ่ความคิด อย่างไรก็ตาม การใช้ห่วงโซ่การคิดยังไม่สามารถแก้ไขได้ หรือทำให้เกิดปัญหาความสามารถในการให้เหตุผลไม่เพียงพอของแบบจำลองขนาดใหญ่ในตรรกะที่ซับซ้อน ผู้อ่านที่สนใจในด้านนี้ควรอ่าน Thought Chainบทความของผู้เขียนต้นฉบับ。
ความสำเร็จของ ChatGPT นำไปสู่การเกิดขึ้นของเครือข่าย GPT ยอดนิยมต่างๆ ใน Web3 อย่างไรก็ตาม การผสมผสาน GPT และสัญญาอัจฉริยะอย่างง่ายและหยาบไม่สามารถแก้ปัญหาความต้องการของผู้ใช้ได้จริงๆ ผ่านมาประมาณหนึ่งปีแล้วนับตั้งแต่การเปิดตัว ChatGPT ในระยะยาวก็เป็นเพียงพริบตา ผลิตภัณฑ์ในอนาคต ควรเริ่มต้นจากความต้องการที่แท้จริงของผู้ใช้ Web3 เอง ด้วยเทคโนโลยี Web3 ที่เติบโตมากขึ้น ผมเชื่อว่า generative AI จะ มีบทบาทสำคัญใน Web3 ความเป็นไปได้ของแอปพลิเคชันไม่มีที่สิ้นสุดและคุ้มค่ากับการรอคอย
การอ้างอิง
Google Cloud Tech - Introduction to Generative AI
The Economics of Large Language Models
GAN จะล้าสมัยหรือไม่เมื่อ Diffusion Model หมดไป? ? ?
Illustrating Reinforcement Learning from Human Feedback (RLHF)
Who Owns the Generative AI Platform?
Apple Vision Pro เปิดตัว Full Moon Rethink: XR, RNDR และอนาคตของการประมวลผลเชิงพื้นที่
Emergent Analogical Reasoning in Large Language Models
Akash Network Token (AKT) Genesis Unlock Schedule and Supply Estimates
คำแถลง
รายงานนี้จัดทำโดย@GryphsisAcademyนักเรียน@chenyangjamie,มีอยู่@CryptoScott_ETH，@Zou_Blockงานต้นฉบับเสร็จสมบูรณ์ภายใต้การแนะนำของ ผู้เขียนมีหน้าที่รับผิดชอบแต่เพียงผู้เดียวต่อเนื้อหาทั้งหมด ซึ่งไม่จำเป็นต้องสะท้อนถึงมุมมองของ Gryphsis Academy หรือความคิดเห็นขององค์กรที่จัดทำรายงาน เนื้อหาบรรณาธิการและการตัดสินใจไม่ได้รับอิทธิพลจากผู้อ่าน โปรดทราบว่าผู้เขียนอาจเป็นเจ้าของสกุลเงินดิจิทัลที่กล่าวถึงในรายงานนี้ เอกสารนี้มีวัตถุประสงค์เพื่อให้ข้อมูลเท่านั้น และไม่ควรใช้เพื่อการตัดสินใจลงทุน ขอแนะนำอย่างยิ่งให้คุณดำเนินการวิจัยของคุณเองและปรึกษากับที่ปรึกษาทางการเงิน ภาษี หรือกฎหมายที่เป็นกลางก่อนตัดสินใจลงทุน โปรดจำไว้ว่าประสิทธิภาพที่ผ่านมาของสินทรัพย์ใดๆ ไม่ได้รับประกันผลตอบแทนในอนาคต
IOS
Android