Tác giả gốc: Evan ⨀
Bản dịch gốc: TechFlow
Sự giao thoa giữa mã hóa và AI vẫn còn ở giai đoạn đầu. Bất chấp sự xuất hiện của vô số tác nhân và mã thông báo thông minh trên thị trường, hầu hết các dự án dường như chỉ là trò chơi con số, với các nhóm cố gắng có được càng nhiều cơ hội càng tốt.
Trong khi AI là cuộc cách mạng công nghệ của thế hệ chúng ta, sự kết hợp của nó với tiền điện tử được coi là công cụ thanh khoản để tiếp cận sớm với thị trường AI.
Kết quả là, chúng ta đã chứng kiến nhiều chu kỳ tại giao điểm này, nơi mà hầu hết các câu chuyện đều trải qua sự thăng trầm “như tàu lượn siêu tốc” tương tự nhau.
Làm thế nào để phá vỡ chu kỳ cường điệu?
Vậy cơ hội lớn tiếp theo trong mã hóa và AI sẽ đến từ đâu? Loại ứng dụng hoặc cơ sở hạ tầng nào thực sự có thể tạo ra giá trị và phù hợp với thị trường?
Bài viết này sẽ cố gắng khám phá những điểm quan tâm chính trong lĩnh vực này thông qua khuôn khổ sau:
AI có thể giúp gì cho ngành công nghiệp tiền điện tử?
Ngành công nghiệp tiền điện tử có thể đền đáp cho AI như thế nào?
Đặc biệt, tôi đặc biệt quan tâm đến điểm thứ hai - các cơ hội trong AI phi tập trung và sẽ giới thiệu một số dự án thú vị:
1. AI giúp ích gì cho ngành công nghiệp tiền điện tử?
Sau đây là bản đồ sinh thái toàn diện hơn do CV cung cấp:
https://x.com/cbventures/status/1923401975766355982/photo/1
Mặc dù có nhiều lĩnh vực cần khám phá trong AI dành cho người tiêu dùng, khuôn khổ tác nhân thông minh và nền tảng hỗ trợ, AI đã tác động đến trải nghiệm tiền điện tử theo ba cách chính:
1. Công cụ dành cho nhà phát triển
Tương tự như Web2, AI đang đẩy nhanh quá trình phát triển các dự án tiền điện tử thông qua các nền tảng không cần mã và ít mã (vibe-code). Nhiều ứng dụng trong số này có mục tiêu tương tự như các tên miền truyền thống, chẳng hạn như Lovable.dev .
Các nhóm như @poofnew và @tryoharaAI đang giúp các nhà phát triển không chuyên về kỹ thuật có thể trực tuyến nhanh chóng và lặp lại mà không cần phải có kiến thức chuyên sâu về hợp đồng thông minh. Điều này không chỉ rút ngắn thời gian đưa các dự án tiền điện tử ra thị trường mà còn giảm rào cản gia nhập thị trường cho những người sáng tạo và am hiểu thị trường, ngay cả khi họ không có kiến thức chuyên môn về kỹ thuật.
Ngoài ra, các phần khác của trải nghiệm dành cho nhà phát triển đã được cải thiện, chẳng hạn như thử nghiệm hợp đồng thông minh và bảo mật: @AIWayfinder , @octane_security
2. Trải nghiệm người dùng
Mặc dù không gian tiền điện tử đã có những tiến bộ đáng kể trong việc tích hợp và trải nghiệm ví (như Bridge, Sphere Pay, Turnkey, Privy), nhưng trải nghiệm người dùng tiền điện tử cốt lõi (UX) vẫn không thay đổi về mặt chất lượng. Người dùng vẫn phải điều hướng thủ công các trình khám phá blockchain phức tạp và thực hiện các giao dịch nhiều bước.
Các tác nhân thông minh AI đang thay đổi tình hình này và trở thành một lớp tương tác mới:
Tìm kiếm và Khám phá: Các nhóm đang chạy đua để xây dựng thứ gì đó giống như “Sự phức tạp cho blockchain”. Các giao diện ngôn ngữ tự nhiên dựa trên trò chuyện này cho phép người dùng dễ dàng tìm kiếm thông tin thị trường (alpha), hiểu các hợp đồng thông minh và phân tích hành vi trên chuỗi mà không cần phải tìm hiểu sâu về dữ liệu giao dịch thô.
Cơ hội lớn hơn là các tác nhân thông minh có thể trở thành cánh cổng giúp người dùng khám phá các dự án, cơ hội doanh thu và mã thông báo mới. Tương tự như cách Kaito giúp các dự án thu hút nhiều sự chú ý hơn trên nền tảng khởi nghiệp của mình, tác nhân này có thể hiểu được hành vi của người dùng và chủ động trình bày nội dung mà người dùng cần. Điều này không chỉ tạo ra một mô hình kinh doanh bền vững mà còn có tiềm năng sinh lời thông qua việc chia sẻ doanh thu hoặc phí liên kết.
Hành động dựa trên ý định: Thay vì nhấp qua nhiều màn hình, người dùng có thể chỉ cần bày tỏ ý định của mình (ví dụ: chuyển đổi 1000 đô la ETH thành vị thế stablecoin có lợi nhuận cao nhất) và tác nhân có thể tự động thực hiện các giao dịch phức tạp, nhiều bước.
Ngăn ngừa lỗi: AI cũng có thể ngăn ngừa những lỗi thường gặp, chẳng hạn như nhập sai số tiền giao dịch, mua mã thông báo lừa đảo hoặc chấp thuận hợp đồng độc hại.
Tìm hiểu thêm về cách Hey Anon tự động hóa DeFAI :
3. Công cụ giao dịch và tự động hóa DeFi
Hiện nay, nhiều nhóm đang chạy đua để phát triển các tác nhân thông minh nhằm giúp người dùng có được tín hiệu giao dịch thông minh hơn, giao dịch thay mặt họ hoặc tối ưu hóa và quản lý các chiến lược.
Tối ưu hóa doanh thu
Các tác nhân có thể tự động chuyển tiền giữa các giao thức cho vay, sàn giao dịch phi tập trung (DEX) và cơ hội khai thác dựa trên sự thay đổi của lãi suất và hồ sơ rủi ro.
Thực hiện giao dịch
AI có khả năng thực hiện các chiến lược tốt hơn so với các nhà giao dịch con người bằng cách xử lý dữ liệu thị trường nhanh hơn, quản lý cảm xúc và tuân theo các khuôn khổ được thiết lập sẵn.
Quản lý danh mục đầu tư
Các đại lý có thể cân bằng lại danh mục đầu tư, quản lý rủi ro và nắm bắt cơ hội kinh doanh chênh lệch giá trên nhiều chuỗi và giao thức khác nhau.
Nếu một tác nhân có thể thực sự và liên tục quản lý tiền tốt hơn con người, thì đó sẽ là sự cải thiện đáng kể so với các tác nhân AI DeFi hiện tại. AI DeFi hiện tại chủ yếu giúp người dùng thực hiện các ý định đã định, hướng tới quản lý quỹ hoàn toàn tự động. Tuy nhiên, mức độ chấp nhận của người dùng đối với sự thay đổi này cũng tương tự như quá trình quảng bá xe điện và vẫn còn khoảng cách lớn về lòng tin trước khi tiến hành xác minh trên diện rộng. Nhưng nếu thành công, công nghệ này có tiềm năng mang lại giá trị lớn nhất trong lĩnh vực này.
Ai là người chiến thắng trong lĩnh vực này?
Trong khi một số ứng dụng độc lập có thể có lợi thế về mặt phân phối, thì nhiều khả năng các giao thức hiện có sẽ tích hợp trực tiếp công nghệ AI:
DEX (sàn giao dịch phi tập trung) : cho phép định tuyến thông minh hơn và bảo vệ chống gian lận.
Thỏa thuận cho vay : tự động tối ưu hóa lợi nhuận dựa trên hồ sơ rủi ro của người dùng và hoàn trả các khoản vay khi hệ số tín dụng xuống dưới một tiêu chuẩn nhất định, giúp giảm rủi ro thanh lý.
Ví : Phát triển thành trợ lý AI có thể hiểu được ý định của người dùng.
Nền tảng giao dịch : Cung cấp các công cụ hỗ trợ AI để giúp người dùng tuân thủ chiến lược giao dịch của mình.
Triển vọng cuối cùng
Giao diện tiền điện tử sẽ phát triển để kết hợp AI đàm thoại có thể hiểu được mục tiêu tài chính của người dùng và thực hiện chúng hiệu quả hơn so với khi người dùng tự mình thực hiện.
2. Mã hóa giúp AI: Tương lai của AI phi tập trung
Theo tôi, tiền điện tử có tiềm năng hỗ trợ AI nhiều hơn là AI có thể hỗ trợ tiền điện tử. Các nhóm nghiên cứu về AI phi tập trung đang khám phá một số câu hỏi cơ bản và thiết thực nhất về tương lai của AI:
Liệu các mô hình tiên tiến có thể được phát triển mà không cần dựa vào nguồn vốn đầu tư khổng lồ từ các tập đoàn công nghệ tập trung hay không?
Liệu có thể phối hợp các nguồn tài nguyên điện toán phân tán trên toàn cầu để đào tạo mô hình hoặc tạo dữ liệu một cách hiệu quả không?
Điều gì sẽ xảy ra nếu công nghệ mạnh mẽ nhất của nhân loại được kiểm soát bởi một số ít công ty?
Tôi thực sự khuyên bạn nên đọc bài viết của @yb_effect về AI phi tập trung (DeAI) để hiểu sâu hơn về lĩnh vực này.
Chỉ mới bắt đầu, làn sóng giao thoa tiếp theo giữa tiền điện tử và AI có thể sẽ đến từ các nhóm AI học thuật do nghiên cứu dẫn đầu. Các nhóm này chủ yếu đến từ cộng đồng AI nguồn mở. Họ hiểu sâu sắc về ý nghĩa thực tiễn và giá trị triết học của AI phi tập trung và tin rằng đây là cách tốt nhất để mở rộng quy mô AI.
Những vấn đề hiện tại mà AI đang phải đối mặt là gì?
Năm 2017, bài báo mang tính bước ngoặt Attention Is All You Need đã đề xuất kiến trúc Transformer, giúp giải quyết các vấn đề chính trong lĩnh vực học sâu trong nhiều thập kỷ. Kể từ khi được ChatGPT phổ biến vào năm 2019, kiến trúc Transformer đã trở thành nền tảng của hầu hết các mô hình ngôn ngữ lớn (LLM) và đã gây ra làn sóng cạnh tranh về sức mạnh tính toán.
Kể từ đó, sức mạnh tính toán cần thiết cho việc đào tạo AI đã tăng gấp bốn lần mỗi năm. Điều này dẫn đến mức độ tập trung cao trong phát triển AI, vì quá trình đào tạo trước dựa vào GPU mạnh hơn, các nguồn lực chỉ nằm trong tay những gã khổng lồ công nghệ lớn nhất.
Theo quan điểm tư tưởng, AI tập trung là một vấn đề vì công cụ mạnh mẽ nhất của nhân loại có thể bị các nhà tài trợ kiểm soát hoặc rút lại bất cứ lúc nào. Vì vậy, ngay cả khi các nhóm nguồn mở không thể cạnh tranh trực tiếp với tốc độ tiến bộ trong các phòng thí nghiệm tập trung, thì việc cố gắng thách thức động lực đó vẫn rất quan trọng.
Mật mã học cung cấp nền tảng cho việc xây dựng các mô hình phối hợp kinh tế mở. Nhưng trước khi đạt được mục tiêu này, chúng ta cần trả lời một câu hỏi: Ngoài việc thỏa mãn lý tưởng, AI phi tập trung có thể giải quyết những vấn đề thực tế nào? Tại sao việc mọi người cùng làm việc lại quan trọng đến vậy?
May mắn thay, nhóm nghiên cứu trong lĩnh vực này rất thực tế. Nguồn mở đại diện cho ý tưởng cốt lõi về cách công nghệ mở rộng quy mô: bằng cách cộng tác trong các nhóm nhỏ , mỗi nhóm tối ưu hóa tối đa cục bộ của mình và phát triển dựa trên đó, cuối cùng đạt đến tối đa toàn cầu nhanh hơn so với các phương pháp tập trung bị giới hạn bởi quy mô và quán tính của tổ chức.
Đồng thời, đặc biệt trong lĩnh vực AI, mã nguồn mở cũng là điều kiện cần thiết để tạo ra trí thông minh - trí thông minh này không mang tính đạo đức mà có thể thích ứng với các vai trò và tính cách khác nhau mà mỗi cá nhân giao cho nó.
Trên thực tế, nguồn mở có thể mở ra cánh cửa cho sự đổi mới giúp giải quyết một số hạn chế thực tế về cơ sở hạ tầng.
Sự thiếu hụt tài nguyên máy tính
Việc đào tạo các mô hình AI đòi hỏi một cơ sở hạ tầng năng lượng khổng lồ. Hiện nay có nhiều dự án đang được tiến hành để xây dựng các trung tâm dữ liệu có công suất từ 1 đến 5 GW. Tuy nhiên, việc tiếp tục mở rộng các mô hình tiên tiến sẽ đòi hỏi năng lượng vượt quá khả năng cung cấp của một trung tâm dữ liệu, thậm chí đạt đến mức tương đương với mức tiêu thụ năng lượng của cả một thành phố. Vấn đề không chỉ nằm ở sản lượng năng lượng mà còn ở những hạn chế về mặt vật lý của một trung tâm dữ liệu duy nhất.
Ngay cả sau giai đoạn tiền đào tạo của các mô hình tiên tiến này, chi phí của giai đoạn suy luận sẽ tăng đáng kể do sự xuất hiện của các mô hình suy luận mới và DeepSeek. Theo như nhóm @fortytwonetwork đã tuyên bố:
“Không giống như các mô hình ngôn ngữ lớn (LLM) truyền thống, các mô hình suy luận ưu tiên tạo ra các phản hồi thông minh hơn bằng cách phân bổ nhiều thời gian xử lý hơn. Tuy nhiên, sự thay đổi này đi kèm với một sự đánh đổi: cùng một tài nguyên điện toán chỉ có thể xử lý ít yêu cầu hơn. Để đạt được những cải tiến đáng kể này, mô hình cần nhiều thời gian “suy nghĩ” hơn, điều này càng làm trầm trọng thêm tình trạng khan hiếm tài nguyên điện toán.
Sự thiếu hụt tài nguyên máy tính đã rất rõ ràng. Ví dụ, OpenAI giới hạn số lệnh gọi API ở mức 10.000 lệnh mỗi phút, về cơ bản giới hạn ứng dụng AI chỉ phục vụ khoảng 3.000 người dùng cùng lúc. Ngay cả một dự án đầy tham vọng như Stargate—sáng kiến cơ sở hạ tầng AI trị giá 500 tỷ đô la vừa được Tổng thống Trump công bố—cũng chỉ có thể mang lại sự cứu trợ tạm thời.
Theo nghịch lý Jevons, hiệu quả tăng thường dẫn đến mức tiêu thụ tài nguyên tăng vì nhu cầu tăng. Khi các mô hình AI trở nên mạnh mẽ và hiệu quả hơn, nhu cầu điện toán có khả năng tăng đột biến do các trường hợp sử dụng mới và được áp dụng rộng rãi hơn. “
Vậy mã hóa bắt nguồn từ đâu? Làm thế nào blockchain có thể thực sự và có ý nghĩa hỗ trợ tìm kiếm và phát triển AI?
Công nghệ tiền điện tử cung cấp một cách tiếp cận hoàn toàn khác: đào tạo phân tán toàn cầu + phi tập trung và phối hợp kinh tế. Thay vì xây dựng các trung tâm dữ liệu mới, sẽ dễ dàng hơn khi tận dụng hàng triệu GPU hiện có - trong các giàn chơi game, thiết bị khai thác tiền điện tử và máy chủ doanh nghiệp - vốn thường xuyên ở trạng thái nhàn rỗi. Tương tự như vậy, blockchain có thể cho phép suy luận phi tập trung bằng cách tận dụng các tài nguyên điện toán nhàn rỗi trên các thiết bị của người tiêu dùng.
Một trong những vấn đề chính mà đào tạo phân tán phải đối mặt là độ trễ. Ngoài các yếu tố mật mã, các nhóm như Prime Intellect và Nous đang nghiên cứu những đột phá về công nghệ giúp giảm yêu cầu truyền thông của GPU:
DiLoCo (Prime Intellect): Việc triển khai Prime Intellect giúp giảm yêu cầu giao tiếp xuống 500 lần, cho phép đào tạo xuyên lục địa và đạt được mức sử dụng máy tính 90-95%.
DisTrO/DeMo (Nous Research): Dòng sản phẩm tối ưu hóa của Nous Research đạt được mức giảm 857 lần về yêu cầu truyền thông thông qua công nghệ nén biến đổi cosin rời rạc.
Tuy nhiên, các cơ chế phối hợp truyền thống không thể giải quyết được những thách thức về lòng tin vốn có trong đào tạo AI phi tập trung và các đặc điểm vốn có của blockchain có thể tìm thấy sự phù hợp giữa sản phẩm và thị trường (PMF) tại đây:
Xác minh và khả năng chịu lỗi: Đào tạo phi tập trung phải đối mặt với thách thức từ những người tham gia gửi các tính toán có ác ý hoặc sai sót. Mật mã cung cấp các chương trình xác minh mật mã (như TOPLOC của Prime Intellect) cũng như các cơ chế phạt kinh tế để ngăn chặn hành vi xấu.
Tham gia không cần xin phép: Không giống như các dự án điện toán phân tán truyền thống đòi hỏi quy trình phê duyệt, mật mã cho phép đóng góp thực sự không cần xin phép. Bất kỳ ai có tài nguyên máy tính nhàn rỗi đều có thể tham gia ngay và bắt đầu kiếm doanh thu, tối đa hóa nguồn tài nguyên khả dụng.
Sự liên kết khuyến khích kinh tế: Các cơ chế khuyến khích dựa trên công nghệ chuỗi khối liên kết lợi ích của từng chủ sở hữu GPU với các mục tiêu đào tạo tập thể, giúp các nguồn tài nguyên điện toán nhàn rỗi trước đây trở nên có hiệu quả về mặt kinh tế.
Với điều kiện như vậy, các nhóm trong nhóm AI phi tập trung có thể giải quyết vấn đề mở rộng quy mô của AI và sử dụng blockchain như thế nào? Những điểm chứng minh là gì?
1. Prime Intellect : Đào tạo phân tán và phi tập trung
DiLoCo : Giảm nhu cầu liên lạc xuống 500 lần, giúp việc đào tạo xuyên lục địa trở nên khả thi.
PCCL : Xử lý thành viên động, lỗi nút và đạt tốc độ truyền thông xuyên lục địa là 45 Gbit/giây.
Mô hình 32 tỷ tham số hiện đang được đào tạo trên các nút công nhân phân tán toàn cầu.
Đạt được mức sử dụng điện toán 90-95% trong môi trường sản xuất.
Kết quả: Đã đào tạo thành công INTELLECT-1 (10 tỷ tham số) và INTELLECT-2 (32 tỷ tham số) , cho phép đào tạo mô hình quy mô lớn trên khắp các châu lục.
2. Nous Research : Đào tạo phi tập trung và tối ưu hóa truyền thông
DisTrO/DeMo : Công nghệ Biến đổi Cosin rời rạc đã giúp giảm 857 lần yêu cầu truyền thông.
Psyche Network : Sử dụng cơ chế phối hợp blockchain để cung cấp khả năng chịu lỗi và cơ chế khuyến khích kích hoạt tài nguyên điện toán.
Một trong những bài tập đào tạo trước lớn nhất trên Internet đã được hoàn thành, đó là đào tạo Consilience (40 tỷ tham số) .
3. Pluralis: Học giao thức và song song mô hình
Pluralis có cách tiếp cận khác với AI nguồn mở truyền thống, được gọi là Học giao thức . Không giống như phương pháp song song dữ liệu được sử dụng bởi các dự án đào tạo phi tập trung khác (như Prime Intellect và Nous), Pluralis tin rằng tính song song dữ liệu có những sai sót về kinh tế và việc chỉ dựa vào việc tập hợp các tài nguyên điện toán là không đủ để đáp ứng nhu cầu đào tạo các mô hình tiên tiến. Ví dụ, Llama 3 (400 tỷ tham số) cần 16.000 GPU H100 80GB để đào tạo.
Nguồn: Liên kết
Ý tưởng cốt lõi của Protocol Learning là giới thiệu một cơ chế nắm bắt giá trị thực cho các mô hình đào tạo, qua đó tập hợp các tài nguyên điện toán cần thiết cho đào tạo quy mô lớn. Điều này được thực hiện bằng cách phân bổ quyền sở hữu mô hình một phần theo tỷ lệ đóng góp đào tạo. Trong kiến trúc này, mạng nơ-ron được đào tạo theo cách cộng tác, nhưng không một người tham gia nào có thể trích xuất được toàn bộ tập trọng số (gọi là Mô hình giao thức ). Trong bối cảnh này, chi phí tính toán để bất kỳ người tham gia nào có được trọng số mô hình đầy đủ sẽ vượt quá chi phí đào tạo lại mô hình.
Chế độ hoạt động cụ thể của việc học giao thức như sau:
Phân mảnh mô hình: Mỗi người tham gia chỉ nắm giữ các mảnh vỡ (phần) của mô hình, thay vì toàn bộ trọng lượng.
Đào tạo cộng tác: Quá trình đào tạo yêu cầu phải có sự kích hoạt giữa những người tham gia mà không để bất kỳ ai nhìn thấy toàn bộ mô hình.
Chứng chỉ lý luận: Lý luận đòi hỏi chứng chỉ, được phân phối dựa trên đóng góp đào tạo của người tham gia. Theo cách này, những người đóng góp có thể kiếm được doanh thu từ việc sử dụng thực tế mô hình.
Ý nghĩa của việc học giao thức là chuyển đổi mô hình thành một nguồn lực kinh tế hoặc hàng hóa, cho phép nó được tài chính hóa hoàn toàn. Theo cách này, việc học giao thức hứa hẹn sẽ đạt được quy mô tính toán cần thiết để hỗ trợ các nhiệm vụ đào tạo thực sự mang tính cạnh tranh. Pluralis kết hợp tính bền vững của phát triển nguồn đóng (như lợi nhuận ổn định của các bản phát hành mô hình nguồn đóng) với những lợi thế của cộng tác nguồn mở, mang đến những khả năng mới cho việc phát triển AI phi tập trung.
Bốn mươi hai: Lý luận bầy đàn phi tập trung
Nguồn: Liên kết
Trong khi các nhóm khác tập trung vào các thách thức đào tạo phân tán và phi tập trung, Fortytwo tập trung vào lý luận phân tán, giải quyết vấn đề khan hiếm tài nguyên điện toán trong giai đoạn lý luận thông qua trí tuệ bầy đàn.
Fortytwo giải quyết vấn đề ngày càng gia tăng về tình trạng thiếu hụt điện toán liên quan đến suy luận. Để tận dụng sức mạnh tính toán nhàn rỗi trên phần cứng của người tiêu dùng, chẳng hạn như MacBook Air có chip M2, Fortytwo kết nối các mô hình ngôn ngữ nhỏ chuyên dụng vào mạng.
Mạng Fortytwo kết nối nhiều mô hình ngôn ngữ nhỏ, trong đó các nút này cộng tác để đánh giá sự đóng góp của nhau, khuếch đại hiệu quả của mạng thông qua đánh giá ngang hàng. Phản hồi cuối cùng được tạo ra dựa trên sự đóng góp có giá trị nhất từ mạng lưới, hỗ trợ hiệu quả suy luận.
Điều thú vị là phương pháp mạng suy luận của Fortytwo có thể bổ sung cho các dự án đào tạo phân tán/phi tập trung. Hãy tưởng tượng một viễn cảnh trong tương lai khi các mô hình ngôn ngữ nhỏ (SLM) chạy trên một nút Fortytwo có thể là các mô hình được đào tạo bằng Prime Intellect , Nous hoặc Pluralis . Các dự án đào tạo phân tán này phối hợp với nhau để tạo ra các mô hình nền tảng nguồn mở, sau đó được tinh chỉnh cho các miền cụ thể và cuối cùng được phối hợp thông qua mạng lưới của Fortytwo để hoàn thành các nhiệm vụ lý luận.
Tóm tắt
Cơ hội lớn tiếp theo trong tiền điện tử và AI không phải là một token đầu cơ khác, mà là cơ sở hạ tầng thực sự có thể thúc đẩy sự phát triển của AI. Hiện tại, nút thắt mở rộng mà AI tập trung phải đối mặt hoàn toàn trùng khớp với những lợi thế cốt lõi của lĩnh vực tiền điện tử trong việc điều phối nguồn lực toàn cầu và điều chỉnh động lực kinh tế.
AI phi tập trung mở ra một vũ trụ song song không chỉ mở rộng khả năng của kiến trúc AI mà còn khám phá nhiều ranh giới công nghệ tiềm năng hơn bằng cách kết hợp sự tự do thử nghiệm với các nguồn lực thực tế.
