Новітнє мислення та дослідження треків AI+Crypto

Автор: Ian@Foresight Ventures

Tl; ДОКТОР

Після місяців заглиблення у сферу, де поєднуються штучний інтелект та криптоактиви, розуміння цього напрямку глибше. У цій статті зроблено порівняльний аналіз ранніх переглядів і поточного напрямку траси, і ті, хто знайомий з трасою, можуть почати з другого розділу. **

• ДецентралізаціяОбчислювальна енергетична мережа: Зіткнувшись із викликами ринкового попиту, кінцевою метою децентралізації є зниження витрат. Атрибути спільноти та токени Web3 приносять цінність, яку не можна ігнорувати, але це все одно додаткова цінність для самого треку обчислювальної потужності, а не підривна зміна, і основна увага приділяється пошуку способу поєднання з потребами користувачів, а не сліпому використанню мережі DecentralizationComputing Power як доповнення до відсутності централізованих обчислювальних потужностей.
• Маркетплейс штучного інтелекту: обговорює ідею фінансового ринку штучного інтелекту з повним посиланням, де обговорюється цінність і життєво важлива цінність, принесена спільнотою та токенами. Такий ринок фокусується не тільки на базових обчислювальних потужностях і даних, але і на самій моделі і пов’язаних з нею додатках. Фінансіалізація моделей є ключовим елементом ринку штучного інтелекту, з одного боку, вона приваблює користувачів безпосередньо брати участь у процесі створення цінності моделей штучного інтелекту, а з іншого боку, створює попит на базові обчислювальні потужності та дані.
• Ончейн ШІ, ZKML стикається з подвійними проблемами попиту та пропозиції, тоді як OPML забезпечує більш збалансоване рішення між вартістю та ефективністю. Хоча OPML є технологічною інновацією, вона не обов’язково вирішує фундаментальну проблему, з якою стикається ончейн ШІ, яка полягає у відсутності попиту.
• Прикладний рівень, більшість проєктів додатків ШІ web3 занадто наївні, додатки ШІ є більш розумними для покращення користувацького досвіду та підвищення ефективності розробки, або як важлива частина ринку ШІ.

По-перше, огляд треку ШІ

За останні кілька місяців я провів глибоке дослідження на тему AI + crypto, і після кількох місяців опадів я радий, що отримав уявлення про напрямок деяких треків на відносно ранній стадії, але я також бачу, що є деякі думки, які зараз здаються неточними.

Ця стаття лише про думки, а не про вступ, Вона охоплюватиме кілька загальних напрямків ШІ у web3 та покаже мої погляди та аналіз треку до та зараз. Різні точки зору можуть мати різне натхнення, яке можна розглядати діалектично.

Давайте спочатку розглянемо основні напрямки набору AI + crypto в першому півріччі:

1.1 Розподілена обчислювальна потужність

У книзі «Раціональний погляд на децентралізаціюComputing Power Network», заснованій на логіці того, що обчислювальна потужність стане найціннішим ресурсом в майбутньому, аналізується цінність, яку криптовалюта може надати мережі Computing Power.

Незважаючи на те, що децентралізована розподілена обчислювальна мережа має найбільший попит на навчання великим моделям штучного інтелекту, вона також стикається з найбільшими проблемами та технічними вузькими місцями. Це включає в себе необхідність складної синхронізації даних і питань оптимізації мережі. Крім того, конфіденційність і безпека даних також є важливими обмеженнями. Незважаючи на те, що існують деякі існуючі технології, які можуть забезпечити початкові рішення, вони все ще не застосовні у великомасштабних розподілених навчальних завданнях через величезні обчислювальні та комунікаційні накладні витрати. Очевидно, що децентралізована розподілена обчислювальна мережа має більше можливостей для висновування моделей, а додатковий простір, який може передбачати майбутнє, також досить великий. Однак він також стикається з такими проблемами, як затримки зв’язку, конфіденційність даних і безпека моделі. У порівнянні з модельним навчанням, висновування має нижчу обчислювальну складність та інтерактивність даних, і більше підходить для проведення в розподіленому середовищі.

1.2 Маркетплейс штучного інтелекту децентралізації

У «Найкращій спробі децентралізованого ринку штучного інтелекту» згадується, що успішний ринок децентралізованого штучного інтелекту повинен тісно поєднувати переваги штучного інтелекту та Web3, використовувати додану вартість розподілу, підтвердження власного капіталу активів, розподілу доходів та обчислювальної потужності децентралізації, щоб знизити поріг додатків штучного інтелекту, заохочувати розробників завантажувати та ділитися моделями, а також захищати права користувачів на конфіденційність даних, щоб створити зручну для розробників платформу торгівлі та обміну ресурсами штучного інтелекту, яка відповідає потребам користувачів.

Ідея на той час (і, ймовірно, не зовсім точна зараз) полягала в тому, що маркетплейси штучного інтелекту на основі даних мають набагато більший потенціал. Маркетплейс мертвої моделі потребує підтримки великої кількості високоякісних моделей, але ранній платформі не вистачає бази користувачів і високоякісних ресурсів, що ускладнює залучення високоякісних моделей через недостатнє стимулювання відмінних постачальників моделей; в той час як маркетплейс на основі даних може накопичувати велику кількість цінних даних і ресурсів, особливо даних про приватні домени, за допомогою децентралізації, розподіленого збору, дизайну стимулюючого рівня і гарантії володіння даними.

Успіх децентралізованого ринку штучного інтелекту залежить від накопичення ресурсів користувачів і сильних мережевих ефектів, де користувачі та розробники можуть отримати більше користі від ринку, ніж вони можуть отримати за його межами. У перші дні ринку основна увага приділяється накопиченню високоякісних моделей для залучення та утримання користувачів, а потім переходить до залучення та утримання більшої кількості кінцевих користувачів після створення бібліотеки високоякісних моделей та бар’єрів даних.

1.3 ZKML

До того, як тема ZKML широко обговорювалася, цінність ончейн-ШІ обговорювалася в «AI + Web3 = ?».

Не жертвуючи децентралізацією та недовірою, ончейн ШІ має можливість вивести світ web3 на «новий рівень». Нинішній Web3 схожий на ранню стадію Web2, і він ще не набув здатності набувати ширшого впровадження або створювати більшу цінність. Ончейн штучний інтелект розроблений, щоб забезпечити прозоре рішення, яке не потребує довіри.

1.4 Застосування штучного інтелекту

У «AI + Crypto Starts to Talk about Web3 Women’s Game-HIM» у поєднанні з проєктом-портфоліо «HIM» аналізується цінність великих моделей у web3-додатках. Крім хардкору від інфраструктури до алгоритмів, розробки довірчих LLM в ланцюжку, ще одним напрямком є розбавлення впливу чорного ящика в процесі висновків в продукті, і пошук відповідного сценарію для реалізації потужної здатності висновку великої моделі.

По-друге, поточний аналіз треків ШІ

2.1 Обчислювальна енергетична мережа: Тут багато простору для фантазії, але високий поріг

Велика логіка обчислювальної мережі залишається незмінною, але вона все ще стикається з проблемою ринкового попиту, кому потрібне рішення з меншою ефективністю та стабільністю? Тому, на мою думку, потрібно розібратися з наступними моментами:

Для чого потрібна децентралізація?

Якщо ви запитаєте засновника мережі DecentralizationComputing Power зараз, він скаже вам, що наша мережа Computing Power може підвищити безпеку та стійкість до атак, підвищити прозорість та довіру, оптимізувати використання ресурсів, покращити конфіденційність даних та контроль користувачів, протистояти цензурі та втручанню…

Це здоровий глузд, і будь-який проєкт web3 може бути залучений до захисту від цензури, довіри, конфіденційності тощо, але моя думка полягає в тому, що все це не має значення. Децентралізація обчислювальних силових мереж по суті не вирішує проблему приватності, і існує безліч протиріч, таких як безпека. Отже: кінцевою метою децентралізації обчислювальної енергетичної мережі має бути зниження витрат. Чим вищий ступінь децентралізації, тим нижчі витрати на використання обчислювальних потужностей.

Отже, по суті, «використання незадіяних обчислювальних потужностей» є скоріше довгостроковим наративом, і чи вдасться створити мережу «Децентралізація обчислювальної потужності», багато в чому залежить від того, чи з’ясував він наступні моменти:

Значення надано Web3

Розумний дизайн токенів і, як наслідок, механізм заохочення/покарання, безумовно, є потужною доданою вартістю, яку забезпечує спільнота децентралізації. У порівнянні з традиційним Інтернетом, токени не тільки служать засобом обміну, але й доповнюють смарт-контракти, дозволяючи протоколам досягати більш складних механізмів стимулювання та управління. У той же час відкритість і прозорість транзакцій, зниження витрат і підвищення ефективності - все це виграє від цінності, яку приносить криптовалюта. Ця унікальна цінність забезпечує більшу гнучкість і простір для інновацій для мотивації дописувачів.

Але в той же час я також сподіваюся, що цей, здавалося б, розумний «підхід» можна розглядати раціонально, для мережі DecentralizationComputing Power цінність, яку приносять технології Web3 і Blockchain, є лише «доданою вартістю» з іншої точки зору, а не фундаментальною підривною діяльністю, і не може змінити основний режим роботи всієї мережі і прорватися через поточне технічне вузьке місце.

Коротше кажучи, цінність цих web3 полягає в тому, щоб підвищити привабливість Мережі децентралізації, але це не змінить повністю її основну структуру чи операційну модель, і якщо Мережа децентралізації справді хоче зайняти місце в хвилі штучного інтелекту, цінності лише web3 далеко не достатньо. Тому, як згадувалося пізніше, правильна технологія вирішує правильну проблему, і геймплей мережі DecentralizationComputing Power полягає не просто в тому, щоб вирішити проблему нестачі обчислювальних потужностей AI, а в тому, щоб надати цьому давно сплячому треку новий спосіб гри та мислення.

Це може бути майнінг pow або майнінг сховищ, монетизація обчислювальних потужностей як активу. У цій моделі постачальники обчислювальних потужностей можуть заробляти токени як винагороду, вносячи власні обчислювальні ресурси. Привабливість полягає в тому, що він забезпечує спосіб прямої конвертації обчислювальних ресурсів в економічні вигоди, тим самим стимулюючи більше учасників приєднатися до мережі. Він також може бути заснований на web3, щоб створити ринок, який споживає обчислювальні потужності, і відкрити точку попиту, яка може прийняти нестабільну та повільнішу обчислювальну потужність, фінансіалізувавши висхідну обчислювальну потужність (наприклад, моделі).

Хочете зрозуміти, як поєднувати з реальними потребами користувачів, адже потреби користувачів та учасників – це не обов’язково просто ефективна обчислювальна потужність, «може заробляти гроші» завжди є однією з найпереконливіших мотивацій.

Основною конкурентоспроможністю мережі DecentralizationComputing Power є ціна

Якщо ми повинні обговорювати децентралізаціюОбчислювальна потужність з точки зору фактичної вартості, то найбільший простір для уяви, який приносить web3, — це вартість обчислювальної потужності, яку можна ще більше стиснути.

Чим вища децентралізація обчислювальної потужності, тим нижча ціна за одиницю обчислювальної потужності. Його можна вивести з наступних напрямків:

1. Впровадження токенів, виплата провайдерам NodeComputing Power з готівки на нативний Token протоколу, що принципово знижує операційні витрати;
2. Інклюзивний доступ і сильний ефект спільноти web3 безпосередньо сприяють оптимізації витрат на основі ринку, більше індивідуальних користувачів і малих підприємств можуть використовувати наявні апаратні ресурси для приєднання до мережі, пропозиція обчислювальної потужності збільшується, а ціна пропозиції обчислювальних потужностей на ринку зменшується. За моделлю автономії та управління громадою.
3. Відкритий ринок обчислювальних потужностей, створений протоколом, відмовиться від цінової гри постачальників обчислювальної потужності, тим самим ще більше знизивши витрати.

Корпус: ChainML

Простіше кажучи: ChainML — це платформа децентралізації, яка надає обчислювальну потужність для висновків і точного налаштування. У короткостроковій перспективі chainml впровадить проксі-фреймворк зі штучним інтелектом з відкритим вихідним кодом Council, який сприятиме зростанню попиту на Обчислювальну мережу децентралізації за допомогою спроби Ради (чат-бот, який можна інтегрувати в різні програми). У довгостроковій перспективі chainml буде повноцінною платформою AI + web3 (яка буде детально проаналізована пізніше), включаючи ринок моделей і ринок обчислювальних потужностей.

Я думаю, що планування технічного шляху ChainML є дуже розумним, і вони дуже чітко думають про проблеми, згадані раніше, метою децентралізації обчислювальної потужності має бути не забезпечення достатнього постачання обчислювальної потужності для індустрії штучного інтелекту нарівні з централізованою обчислювальною потужністю, а поступове зниження вартості, щоб дозволити правильному попиту прийняти це джерело обчислювальної потужності нижчої якості. Таким чином, починаючи з Computing Power DecentralizationComputing PowerNode з точки зору шляху продукту, він повинен почати з централізованого шляху, запустити зв’язок продукту на ранній стадії і почати накопичувати клієнтів за допомогою сильних можливостей BD, розширювати і базувати ринок, а потім поступово розпорошувати постачальників централізованих обчислювальних потужностей на менші компанії з більш високими витратами і, нарешті, розгортати Computing PowerNode у великих масштабах. Це ідея ланцюга: розділяй і володарюй.

З точки зору компонування сторони попиту, ChainML створила MVP централізованого протоколу інфраструктури, а концепція дизайну є портативною. Ми запускаємо систему з клієнтами з лютого цього року і використовуємо її у виробництві з квітня цього року. В даний час працює в Google Cloud, але заснований на Kubernetes та інших технологіях з відкритим вихідним кодом, його легко портувати в інші середовища (AWS, Azure, Coreweave і т.д.). Далі піде децентралізація протоколу, децентралізація в нішеві хмари і, нарешті, майнери, які надають обчислювальні потужності.

2.2 Ринок штучного інтелекту: більше простору для уяви

Цей сектор називається маркерним місцем штучного інтелекту, що дещо обмежує простір уяви. Строго кажучи, «ринок штучного інтелекту» з простором реальної уяви повинен бути проміжною платформою, яка фінансіалізує всю ланку моделі, охоплюючи від базової обчислювальної потужності та даних до самої моделі та пов’язаних з нею додатків. Як вже говорилося раніше Децентралізаціяобчислювальної потужності, основне протиріччя на ранній стадії полягало в тому, як створити попит, і ринок замкнутого циклу, який фінансіалізує всю ланку ІІ, має можливість народити такого роду попит.

Приблизно так:**

Ринок штучного інтелекту, який підтримується web3, базується на обчислювальних потужностях і даних, залучаючи розробників будувати або допрацьовувати моделі на основі більш цінних даних, а потім розробляти відповідні програми на основі моделей, які створюють попит на обчислювальні потужності під час розробки та використання цих програм і моделей. Під заохоченням токена та спільноти, завдання зі збору даних у режимі реального часу на основі винагороди або нормалізованих стимулів за внесок даних мають можливість розширити та розширити унікальні переваги рівня даних на цьому ринку. У той же час популярність додатків також повертає більш цінні дані на рівень даних.

Спільноти

На додаток до цінності, яку приносить токен, згаданий раніше, спільнота, безсумнівно, є одним із найбільших виграшів, які приносить web3, і є основною рушійною силою розвитку платформи. Наприклад, досягнення різноманітності даних є перевагою таких платформ, що має важливе значення для побудови точних і неупереджених моделей штучного інтелекту, а також є вузьким місцем у поточному напрямку даних.

Я думаю, що ядром всієї платформи є модель, і ми рано зрозуміли, що успіх маркетплейсу штучного інтелекту залежить від існування високоякісних моделей, і який стимул у розробників надавати моделі на платформі децентралізації? Але ми також, здається, забули подумати про проблему, інфраструктура правопису не така складна, як традиційні платформи, спільноти розробників правопису не такі зрілі, як традиційні платформи, а репутація правопису не має переваги першопрохідця традиційних платформ, тому порівняно з величезною базою користувачів та зрілою інфраструктурою традиційних платформ штучного інтелекту, проєкти web3 можуть обігнати лише в кутах.

Відповідь може полягати у фінансіалізації моделі штучного інтелекту**

• До моделей можна ставитися як до товару, а ставлення до моделей штучного інтелекту як до інвестиційних активів може стати цікавою інновацією на ринках Web3 та децентралізації. Цей маркетплейс дозволяє користувачам безпосередньо брати участь у процесі створення цінності моделей штучного інтелекту та отримувати вигоду від нього. Цей механізм також заохочує прагнення до більш якісних моделей і внесків у спільноту, оскільки переваги користувача безпосередньо пов’язані з продуктивністю та застосуванням моделі;
• Користувачі можуть інвестувати, роблячи ставку на модель, а механізм розподілу доходів запроваджується, щоб, з одного боку, мотивувати користувачів обирати та підтримувати потенційні моделі, забезпечуючи економічні стимули для розробників моделей створювати кращі моделі. З іншого боку, найбільш інтуїтивно зрозумілим критерієм для стейкерів для оцінки моделі (особливо для моделей генерації зображень) є проведення багаторазових вимірювань, що забезпечує попит на децентралізовану обчислювальну потужність платформи, що також може бути одним із виходів із раніше згаданого «хто захоче використовувати менш ефективну та більш нестабільну обчислювальну потужність?».

2.3 Ончейн ШІ: обгін OPML на поворотах?

ZKML: Попит і пропозиція на обох кінцях грому

Безсумнівним є те, що ончейн ШІ має бути напрямком, сповненим уяви та гідним глибокого дослідження. Прориви в ончейн штучному інтелекті можуть принести безпрецедентну цінність web3. Але в той же час надзвичайно високий академічний поріг ЗКМЛ і вимоги до базової інфраструктури дійсно не підходять для більшості стартапів. Більшість проєктів не обов’язково повинні включати підтримку LLM, яким довіряють, щоб досягти прориву у власній цінності.

Однак не всі моделі штучного інтелекту потрібно переміщати в ланцюжок, щоб використовувати ZK для недовір’я, так само, як більшість людей не переймаються тим, як чат-бот робить висновки про запити та видає результати, і їм байдуже, чи є використовувана стабільна дифузія певною версією архітектури моделі чи конкретними налаштуваннями параметрів. У більшості сценаріїв більшість користувачів зосереджуються на тому, чи може модель дати задовільний результат, а не на тому, чи є процес висновування недовірливим або прозорим.

Якщо доведення не приносить стократних накладних витрат або вищих витрат на висновок, можливо, у ZKML все ще є сили боротися, але в умовах високих витрат на висновування в ланцюжку та вищих витрат будь-який попит має підстави сумніватися в необхідності Onchain AI.

З боку попиту

Користувача цікавить, чи має сенс результат, наданий моделлю, якщо результат є обґрунтованим, можна сказати, що недовіра, принесена ZKML, нічого не варта.

• Якщо торговий бот на основі нейронної мережі приносить користувачам стократну віддачу кожен цикл, хто буде сумніватися, чи є алгоритм централізованим або таким, що піддається перевірці?
• Аналогічно, якщо торговий бот починає програвати гроші користувачам, то команді проекту варто більше думати про те, як поліпшити можливості моделі, а не витрачати енергію і капітал на те, щоб зробити модель перевіреною. В цьому і полягає протиріччя у вимогах ЗКМЛ, іншими словами, верифікованість моделі принципово не вирішує сумнівів людей щодо ШІ в багатьох сценаріях, що є певним протиріччям.

З боку постачання

Попереду довгий шлях, щоб розробити пробну модель, достатню для підтримки великої моделі оракула, і, судячи з нинішніх спроб головного проекту, практично неможливо побачити день, коли велика модель буде поставлена на ланцюг.

Посилаючись на нашу попередню статтю про ЗКМЛ, з технічної точки зору, метою ЗКМЛ є перетворення нейронних мереж в схеми ЗК, а труднощі такі:

1. Схеми ЗК не підтримують числа з плаваючою комою;
2. Масштабні нейронні мережі складно конвертувати.

З поточного прогресу:

1. Остання бібліотека ZKML підтримує деяку просту нейронну мережу ZK, яка, як кажуть, може ланцюжком базових лінійних регресійних моделей. Але демоверсій існує дуже мало.
2. Теоретично максимальний ** може підтримувати параметр ~100М, але він існує лише в теорії. **

Прогрес розробки ZKML не виправдав очікувань**, судячи з поточного прогресу лабораторії модуля проекту головки колії та доказів доведення, випущених EZKL, деякі прості моделі можуть бути перетворені на схеми ZK для виконання моделей у ланцюжку або доказів висновків на ланцюжку. Але це далеко не цінність ZKML не близька до події, і вузьке місце технології, схоже, не має основної мотивації для прориву, трек із серйозною відсутністю попиту принципово не в змозі привернути увагу академічної спільноти, а це означає, що складніше зробити відмінний poc для залучення/задоволення попиту, що залишився, що також може бути смертельною спіраллю, яка вбиває ZKML.

OPML: перехід чи завершення?

Різниця між OPML і ZKML полягає в тому, що ZKML доводить повний процес логічного висновку, тоді як OPML повторно виконує частину процесу логічного висновку, коли висновок оскаржується. Очевидно, що найбільшою проблемою, яку вирішує OPML, є висока вартість/накладні витрати, що є дуже прагматичною оптимізацією.

Будучи піонером OPML, команда HyperOracle представила архітектуру та процес прогресії від однофазного до багатофазного opML у «opML — це все, що вам потрібно: запустіть модель 13B ML в Ethereum»:

• Створіть віртуальну машину для офчейн-виконання та ончейн-валідації, забезпечуючи еквівалентність між офлайн-віртуальними машинами та віртуальними машинами, реалізованими в ончейн смарт-контрактах.
• Для того, щоб забезпечити ефективність висновків моделі штучного інтелекту у віртуальній машині, була реалізована спеціально розроблена полегшена бібліотека DNN (не залежить від популярних фреймворків машинного навчання, таких як Tensorflow або PyTorch), а також команда надала скрипт, який міг перетворювати моделі Tensorflow і PyTorch у цю легку бібліотеку.
• Компіляція коду виведення моделі штучного інтелекту в програмні інструкції віртуальних машин за допомогою перехресної компіляції.
• Керування образами віртуальних машин здійснюється через дерево Меркла. Тільки корінь Меркла, який представляє стан віртуальної машини, буде завантажений в ончейн смарт-контракт.

Однак очевидно, що ключовим недоліком цієї конструкції є те, що всі обчислення повинні виконуватися у віртуальній машині, що перешкоджає використанню прискорення GPU/TPU та паралельної обробки, що обмежує ефективність. Звідси і впровадження багатофазного опМЛ.

• Тільки на завершальному етапі розрахунок виконується в ВМ.
• На інших етапах обчислення переходів станів відбувається у власному середовищі, яке використовує можливості, наприклад, CPU, GPU, TPU та підтримує паралельну обробку. Це зменшує залежність від віртуальних машин і значно підвищує продуктивність виконання до рівня, порівнянного з рідними середовищами.

Посилання:

БУДЬМО РЕАЛІСТАМИ

Існує точка зору, що OPML - це перехід до реалізації повного ZKML, але більш реалістично сказати, що краще розглядати його як різновид Onchain AI на основі структури витрат і очікувань посадки від компромісу, можливо, день повної реалізації ZKML ніколи не настане, принаймні я песимістично ставлюся до цього, тоді хайпу Onchain AI в кінцевому підсумку доведеться зіткнутися з найбільш реалістичною посадкою та вартістю, тоді OPML може бути Onchain Найкращі практики штучного інтелекту, як і екологія OP та ZK, ніколи не були взаємозамінними відносинами.

Хоча, не забувайте, недоліки попередніх вимог все ще існують, оптимізація OPML, заснована на витратах та ефективності, принципово не вирішує проблему «оскільки користувачі більше дбають про раціональність результатів, навіщо переміщати ШІ в ланцюжок, щоб зробити його недовірливим», прозорістю, власністю та Trustless, ці бафи справді сповнені наворотів, але чи справді користувачі переймаються? На противагу цьому, втілення цінності має полягати в здатності міркувати про модель.

Я думаю, що така оптимізація витрат технічно є інноваційною та надійною спробою, але це скоріше кульгаве коло з точки зору вартості;**

Можливо, сама траса Onchain AI тримає молоток, щоб знайти цвях, але це також правда, розвиток ранньої галузі полягає в тому, щоб продовжувати досліджувати інноваційну комбінацію міждоменних технологій і знаходити найкращу точку відповідності в безперервній обкатці.

2.4 Прикладний шар: 99% монстрів для зшивання

Мушу сказати, що спроби штучного інтелекту на прикладному рівні web3 справді просуваються вперед, ніби всі є fomo, але 99% інтеграції все ще залишається в інтеграції, і немає необхідності відображати, наскільки цінним є сам проєкт за допомогою здатності gpt міркувати.

З прикладного рівня є приблизно два виходи:

Покращуйте користувацький досвід та ефективність розробки за допомогою можливостей штучного інтелекту: У цьому випадку ШІ не буде основною родзинкою, а частіше як закулісний працівник, або навіть байдужий до користувачів. Комбінація криптовалюти хоче бути дуже Сатоші, розуміє суть високої придатності, найціннішим моментом, є використання ШІ як інструменту виробничої цінності з одного боку, підвищення ефективності та якості, з іншого боку, завдяки розумовій здатності ШІ покращувати ігровий досвід користувача, ШІ та криптовалюта дійсно приносять дуже важливу цінність, але фундаментально все ще використовують засоби інструменталізації технологій, справжньою перевагою та ядром проекту все ще є здатність команди розробляти ігри

У поєднанні з маркетплейсом штучного інтелекту він став важливою частиною всієї екосистеми для користувачів.

Нарешті три…

Якщо дійсно є щось, що потрібно підкреслити або узагальнити: ШІ, як і раніше, є одним із найпомітніших і найперспективніших треків у web3, ця загальна логіка не зміниться;

Але я думаю, що найбільш примітним є геймплей маркетплейсу штучного інтелекту, в основному ця платформа або інфраструктурний дизайн відповідає потребам створення цінності та відповідає інтересам усіх сторін, макроскопічно, крім самої моделі або обчислювальної потужності для створення унікального способу захоплення цінності web3 є досить привабливим, у той же час, це також дозволяє користувачам безпосередньо брати участь у хвилі штучного інтелекту унікальним способом.

Можливо, через три місяці я знову переверну свою нинішню ідею, тому:

Вищесказане лише моя думка про те, що цей трек цілком реальний, і він дійсно не є жодною інвестиційною порадою!

Посилання

“opML - це все, що вам потрібно: запустіть модель 13B ML в Ethereum”: __Ui5I9gFOy7-da_jI1lgEqtnzSIKcwuBIrk-6YM0Y