1. Apakah AI yang dapat diverifikasi diperlukan tergantung pada: apakah data on-chain dimodifikasi, dan apakah keterbukaan dan privasi terlibat

   1. Ketika AI tidak memengaruhi status on-chain, AI dapat bertindak sebagai penasihat. Orang dapat menilai kualitas layanan AI melalui hasil nyata tanpa memverifikasi proses perhitungan.
   2. Ketika status on-chain terpengaruh, jika layanan ditujukan untuk individu dan tidak mempengaruhi privasi, maka pengguna masih dapat langsung menilai kualitas layanan AI tanpa memeriksa proses perhitungan.
   3. Ketika output AI memengaruhi keadilan dan privasi pribadi di antara banyak orang, seperti menggunakan AI untuk mengevaluasi dan mendistribusikan imbalan kepada anggota komunitas, menggunakan AI untuk mengoptimalkan AMM, atau melibatkan data biologis, orang akan ingin meninjau perhitungan AI. Di sinilah dapat diverifikasi bahwa AI dapat menemukan PMF.

2. Ekosistem aplikasi AI vertikal: Karena satu ujung dari AI yang dapat diverifikasi adalah kontrak pintar, aplikasi AI yang dapat diverifikasi bahkan AI dan dapps asli mungkin dapat saling menggunakan tanpa kepercayaan. Ini adalah potensi ekosistem aplikasi AI yang dapat disusun

3. Ekosistem aplikasi AI horizontal: Sistem rantai publik dapat menangani isu-isu seperti pembayaran layanan, koordinasi perselisihan pembayaran, dan pencocokan kebutuhan pengguna dan konten layanan untuk penyedia layanan AI, sehingga pengguna dapat menikmati pengalaman layanan AI terdesentralisasi dengan tingkat kebebasan yang lebih tinggi.

1. Modulus Labs Overview dan Cerita Aplikasi

1.1 Pengantar dan solusi inti

Modulus Labs adalah perusahaan AI “on-chain” yang percaya bahwa AI dapat secara signifikan meningkatkan kemampuan kontrak pintar dan membuat aplikasi web3 lebih kuat. Namun, ada kontradiksi ketika AI diterapkan pada web3, yaitu, AI memerlukan sejumlah besar daya komputasi untuk beroperasi, dan AI adalah kotak hitam untuk komputasi off-chain. Hal ini tidak memenuhi persyaratan dasar web3 untuk tidak perlu dipercayai dan dapat diverifikasi.

Oleh karena itu, Modulus Labs menggunakan skema zk rollup [off-chain preprocessing + on-chain verification] dan mengusulkan arsitektur yang dapat memverifikasi AI. Secara khusus, model ML berjalan off-chain, dan sebagai tambahan, zkp dihasilkan untuk proses perhitungan ML off-chain. Melalui zkp ini, arsitektur, bobot, dan input (masukan) model off-chain dapat diverifikasi. Tentu saja, zkp ini juga dapat diposting ke rantai untuk verifikasi oleh kontrak pintar. Pada titik ini, AI dan kontrak on-chain dapat berinteraksi lebih tanpa kepercayaan, yaitu, "AI on-chain" telah direalisasikan.

Berdasarkan gagasan kecerdasan buatan yang dapat diverifikasi, Modulus Labs telah meluncurkan tiga aplikasi 'AI on-chain' hingga saat ini, dan juga telah mengusulkan banyak skenario aplikasi yang mungkin.

1.2 Kasus Aplikasi

1. Yang pertama diluncurkan adalah Rocky Bot, sebuah AI perdagangan otomatis. Rocky dilatih dengan data historis dari pasangan perdagangan Weth/USDC. Ia menilai tren weth masa depan berdasarkan data historis. Setelah membuat keputusan perdagangan, ia akan menghasilkan zkp untuk proses keputusan (proses perhitungan) dan mengirim pesan ke L1 untuk memicu transaksi.
2. Yang kedua adalah permainan catur on-chain “Leela vs. the World”. Kedua pemain dalam permainan tersebut adalah AI dan manusia, dan situasi permainan berada dalam kontrak. Pemain beroperasi melalui dompet (berinteraksi dengan kontrak). Namun, AI membaca situasi permainan catur baru, membuat penilaian, dan menghasilkan zkp untuk seluruh proses perhitungan. Kedua langkah tersebut diselesaikan di awan AWS, dan zkp diverifikasi oleh kontrak on-chain. Setelah verifikasi berhasil, kontrak permainan digunakan untuk “bermain catur.”
3. Yang ketiga adalah seniman AI “on-chain” dan meluncurkan seri NFT zKMon. Intinya adalah AI menghasilkan NFT dan mempostingnya di rantai, dan juga menghasilkan zkp. Pengguna dapat memeriksa apakah NFT mereka dihasilkan dari model AI yang sesuai melalui zkp.

Selain itu, Modulus Labs menyebutkan beberapa kasus penggunaan lain:

1. Gunakan AI untuk mengevaluasi data personal on-chain dan informasi lainnya, menghasilkan peringkat reputasi personal, dan mempublikasikan zkp untuk verifikasi pengguna;
2. Gunakan kecerdasan buatan untuk mengoptimalkan kinerja AMM dan publikasikan zkp untuk pengguna memverifikasi;
3. Gunakan AI yang dapat diverifikasi untuk membantu proyek privasi mengatasi tekanan regulasi, tetapi sekaligus tidak mengekspos privasi (mungkin menggunakan ML untuk membuktikan bahwa transaksi ini bukan pencucian uang, sambil tidak mengungkap informasi seperti alamat pengguna);
4. orakel AI, dan merilis zkp untuk semua orang memeriksa keandalan data di luar rantai;
5. Dalam kompetisi model AI, peserta mengirimkan arsitektur dan bobot mereka sendiri, kemudian menjalankan model dengan input uji yang seragam untuk menghasilkan zkp untuk perhitungan, dan kontrak terakhir secara otomatis mengirimkan uang hadiah kepada pemenang;
6. Worldcoin mengatakan bahwa di masa depan, pengguna mungkin dapat mengunduh model iris untuk menghasilkan kode yang sesuai pada perangkat lokal, menjalankan model secara lokal, dan menghasilkan zkp. Dengan cara ini, kontrak on-chain dapat menggunakan zkp untuk memverifikasi bahwa kode iris pengguna dihasilkan dari model yang benar dan iris yang wajar, sementara informasi biologis tidak meninggalkan perangkat pengguna sendiri;

Kredit Foto: Modulus Labs

1.3 Diskusikan berbagai skenario aplikasi berdasarkan kebutuhan akan kecerdasan buatan yang dapat diverifikasi

1.3.1 Skenario yang dapat memverifikasi AI mungkin tidak diperlukan

Dalam skenario bot Rocky, pengguna mungkin tidak diharuskan untuk memverifikasi proses perhitungan ML. Pertama, pengguna tidak memiliki keahlian dan tidak memiliki kemampuan untuk melakukan verifikasi nyata. Bahkan jika ada alat verifikasi, dalam pandangan pengguna, "Saya menekan tombol, antarmuka muncul memberi tahu saya bahwa layanan AI ini sebenarnya dihasilkan oleh model tertentu", dan keaslian tidak dapat ditentukan. Kedua, pengguna tidak perlu memverifikasi, karena pengguna peduli apakah hasil AI tersebut tinggi. Pengguna bermigrasi ketika profitabilitas rendah, dan mereka selalu memilih model yang paling baik. Singkatnya, ketika hasil akhir AI adalah apa yang dicari pengguna, proses verifikasi mungkin tidak signifikan karena pengguna hanya perlu bermigrasi ke layanan yang paling baik.

Salah satu solusi yang mungkin adalah bahwa AI hanya berperan sebagai penasehat, dan pengguna melaksanakan transaksi secara independen. Ketika orang memasukkan tujuan perdagangan mereka ke dalam AI, AI menghitung dan mengembalikan jalur transaksi/arah perdagangan yang lebih baik di luar rantai, dan pengguna memilih apakah akan melaksanakannya. Orang juga tidak perlu memverifikasi model di baliknya; mereka hanya perlu memilih produk dengan pengembalian tertinggi.

Situasi berbahaya lainnya yang sangat mungkin terjadi adalah bahwa orang tidak peduli tentang kendali mereka atas aset atau proses perhitungan AI sama sekali. Ketika sebuah robot yang secara otomatis menghasilkan uang muncul, orang bahkan bersedia langsung meng-hostkan uang kepadanya, sama seperti memasukkan token ke CEX atau bank tradisional untuk manajemen keuangan. Karena orang tidak peduli dengan prinsip-prinsip di baliknya; mereka hanya peduli tentang seberapa besar uang yang mereka dapatkan pada akhirnya, atau bahkan seberapa besar uang yang pihak proyek tunjukkan kepada mereka untuk menghasilkan, jenis layanan ini mungkin dapat dengan cepat memperoleh sejumlah besar pengguna, dan bahkan mengalami iterasi lebih cepat daripada produk sisi proyek yang menggunakan AI yang dapat diverifikasi.

Jika kita melihat secara keseluruhan, jika AI sama sekali tidak berpartisipasi dalam perubahan status on-chain, tetapi hanya mengambil data on-chain dan memprosesnya untuk pengguna, maka tidak perlu menghasilkan ZKP untuk proses perhitungan. Berikut adalah beberapa contoh dari jenis aplikasi ini sebagai “layanan data”:

1. Kotak obrolan yang disediakan oleh Mest adalah layanan data yang khas. Pengguna dapat menggunakan pertanyaan dan jawaban untuk memahami data on-chain mereka, seperti bertanya berapa banyak uang yang mereka habiskan untuk NFT;
2. ChaingPT adalah asisten AI multi-fungsi yang dapat menginterpretasikan kontrak pintar untuk Anda sebelum melakukan perdagangan, memberi tahu apakah Anda melakukan perdagangan dengan kolam yang tepat, atau memberi tahu apakah transaksi tersebut kemungkinan akan terperangkap atau direbut. ChaingPT juga sedang mempersiapkan rekomendasi berita AI, masukan untuk secara otomatis menghasilkan gambar dan mempostingnya sebagai NFT, dan layanan lainnya;
3. RSS3 menyediakan AIOP, sehingga pengguna dapat memilih data on-chain yang mereka inginkan dan melakukan pra-pemrosesan tertentu, sehingga mudah untuk melatih AI dengan data on-chain tertentu;
4. DeVillama dan RSS3 juga telah mengembangkan plug-in ChatGPT, di mana pengguna dapat memperoleh data on-chain melalui percakapan;

1.3.2 Skenario yang memerlukan AI yang dapat diverifikasi

Artikel ini berpendapat bahwa skenario yang melibatkan banyak orang, melibatkan keadilan dan privasi memerlukan ZKP untuk memberikan verifikasi, dan beberapa aplikasi yang disebutkan oleh Modulus Labs dibahas di sini:

1. Ketika sebuah komunitas memberi imbalan kepada individu berdasarkan reputasi pribadi yang dihasilkan oleh AI, anggota komunitas akan tak terhindarkan meminta tinjauan terhadap proses keputusan evaluasi, yang merupakan proses perhitungan ML;
2. Skema optimisasi AI untuk AMM melibatkan distribusi manfaat di antara beberapa orang, dan proses perhitungan AI juga perlu diperiksa secara berkala;
3. Saat menyeimbangkan privasi dan regulasi, ZK saat ini merupakan salah satu solusi terbaik. Jika penyedia layanan menggunakan ML dalam layanan untuk memproses data pribadi, perlu menghasilkan ZKP untuk seluruh proses perhitungan;
4. Karena orakel memiliki berbagai pengaruh yang luas, jika dikendalikan oleh AI, ZKP perlu dihasilkan secara teratur untuk memeriksa apakah AI berfungsi dengan baik;
5. Dalam kompetisi, masyarakat dan peserta lain diharuskan untuk memeriksa apakah perhitungan ML sesuai dengan spesifikasi kompetisi;
6. Di antara kemungkinan penggunaan Worldcoin, perlindungan biodata pribadi juga merupakan kebutuhan yang kuat;

Secara umum, ketika kecerdasan buatan mirip dengan pengambil keputusan, dan hasilnya memiliki dampak yang luas dan melibatkan keadilan dari banyak pihak, maka orang akan menuntut tinjauan terhadap proses pengambilan keputusan, atau hanya memastikan bahwa tidak ada masalah besar dengan proses pengambilan keputusan kecerdasan buatan, dan melindungi privasi pribadi adalah kebutuhan yang sangat mendesak.

Oleh karena itu, “apakah output AI memodifikasi status on-chain” dan “apakah itu memengaruhi keadilan/privasi” adalah dua kriteria untuk menilai apakah solusi AI yang dapat diverifikasi diperlukan

1. Ketika output AI tidak memodifikasi status on-chain, layanan AI dapat bertindak sebagai penyarankan. Orang dapat menilai kualitas layanan AI melalui efek rekomendasi tanpa memverifikasi proses perhitungan;
2. Ketika output AI memodifikasi status on-chain, jika layanan ditujukan hanya untuk individu dan tidak memengaruhi privasi, maka pengguna masih dapat langsung menilai kualitas layanan AI tanpa harus memeriksa proses perhitungan;
3. Ketika hasil output AI secara langsung mempengaruhi keadilan di antara banyak orang, dan AI secara otomatis memodifikasi data on-chain, komunitas dan masyarakat perlu menguji proses pengambilan keputusan AI;
4. Ketika data yang diproses oleh ML melibatkan privasi pribadi, zk juga diperlukan untuk melindungi privasi dan dengan demikian memenuhi persyaratan regulasi.

Kredit Foto: Kernel Ventures

2. Dua model ekosistem AI berbasis rantai publik

Dalam hal ini, solusi Modulus Labs sangat instruktif tentang bagaimana AI dapat menggabungkan kripto dan membawa nilai aplikasi praktis. Namun, sistem rantai publik tidak hanya meningkatkan kemampuan layanan AI individual, tetapi juga memiliki potensi untuk membangun ekosistem aplikasi AI baru. Ekosistem baru ini telah membawa hubungan yang berbeda antara layanan AI daripada Web2, hubungan antara layanan AI dan pengguna, bahkan cara tautan hulu dan hilir berkolaborasi. Kita dapat merangkum model-model potensial ekosistem aplikasi AI menjadi dua jenis: mode vertikal dan model horizontal.

2.1 Mode Vertikal: Berfokus pada mencapai komposabilitas antara KI

Kasus penggunaan catur rantai “Leela vs. the World” memiliki tempat istimewa. Orang dapat memasang taruhan pada manusia atau KI, dan token secara otomatis didistribusikan setelah permainan berakhir. Pada titik ini, arti zkp tidak hanya untuk pengguna memverifikasi perhitungan KI, tetapi juga sebagai jaminan kepercayaan untuk memicu transisi status on-chain. Dengan jaminan kepercayaan, mungkin juga ada komposabilitas tingkat dapp antara layanan KI dan antara KI dan dapp kripto asli.

Sumber gambar: Kernel Ventures, dengan referensi dari Modulus Labs

Unit dasar dari AI yang dapat digabungkan adalah [model ML off-chain - generasi zkp - kontrak verifikasi on-chain - kontrak utama]. Unit ini didasarkan pada kerangka “Leela vs. the World”, tetapi arsitektur sebenarnya dari satu aplikasi AI mungkin tidak sama seperti yang ditunjukkan dalam gambar di atas. Pertama, situasi permainan catur dalam catur memerlukan kontrak, tetapi dalam kenyataannya, AI mungkin tidak memerlukan kontrak on-chain. Namun, sejauh arsitektur AI yang dapat digabungkan diperhatikan, jika bisnis utama dicatat melalui kontrak, mungkin lebih nyaman bagi aplikasi lain untuk menggabungkannya. Kedua, kontrak utama tidak harus memengaruhi model ML dari aplikasi AI itu sendiri, karena aplikasi AI dapat memiliki efek unidireksional. Setelah model ML diproses, sudah cukup untuk memicu kontrak yang terkait dengan bisnisnya sendiri, dan kontrak akan dipanggil oleh aplikasi lain.

Secara luas, panggilan antar kontrak adalah panggilan antara aplikasi web3 yang berbeda. Mereka adalah panggilan untuk identitas pribadi, aset, layanan keuangan, dan bahkan informasi sosial. Kita dapat membayangkan kombinasi aplikasi AI tertentu:

1. Worldcoin menggunakan ML untuk menghasilkan kode iris dan zkp untuk data iris pribadi;
2. Aplikasi AI penilaian reputasi pertama memverifikasi apakah orang di balik DID ini adalah orang asli (dengan data iris di belakang), kemudian mengalokasikan NFT ke pengguna berdasarkan reputasi on-chain;
3. Layanan peminjaman menyesuaikan bagian pinjaman sesuai dengan NFT yang dimiliki oleh pengguna;
4. …

Interaksi antara AI dalam kerangka rantai publik bukan sesuatu yang tidak pernah dibahas. Loaf, kontributor ekosistem Realms dari game full-chain, pernah mengusulkan bahwa NPC AI dapat berdagang satu sama lain seperti pemain, sehingga seluruh sistem ekonomi dapat mengoptimalkan diri sendiri dan beroperasi secara otomatis. AI Arena telah mengembangkan permainan pertempuran otomatis AI. Pengguna pertama-tama membeli NFT. Sebuah NFT mewakili robot pertempuran, dan di belakangnya ada model AI. Pengguna pertama-tama memainkan game sendiri, kemudian menyerahkan data kepada AI untuk pembelajaran simulasi. Ketika pengguna merasa bahwa AI sudah cukup kuat, mereka dapat secara otomatis bermain melawan AI lain di arena. Modulus Labs menyebutkan bahwa AI Arena ingin mengubah semua AI ini menjadi AI yang dapat diverifikasi. Kedua kasus ini melihat kemungkinan AI berinteraksi satu sama lain dan memodifikasi data on-chain secara langsung saat berinteraksi.

Namun, masih banyak isu yang perlu dibahas dalam implementasi kombinasi AI, seperti bagaimana dapps yang berbeda dapat menggunakan zkp atau mengontrak verifikasi satu sama lain. Namun, ada juga banyak proyek unggul di bidang zk. Sebagai contoh, RISC Zero telah membuat banyak kemajuan dalam melakukan perhitungan kompleks off-chain dan melepaskan zkp ke rantai. Mungkin suatu hari nanti akan memungkinkan untuk menyusun solusi yang tepat.

2.2 Model horizontal: platform layanan AI yang fokus pada desentralisasi

Dalam hal ini, kami terutama memperkenalkan platform AI terdesentralisasi yang disebut SAKSHI, yang diajukan bersama oleh orang-orang dari Princeton, Universitas Tsinghua, Universitas Illinois di Urbana-Champaign, Universitas Sains dan Teknologi Hong Kong, Rantai Saksi, dan Lapisan Eigen. Tujuan intinya adalah memungkinkan pengguna untuk mengakses layanan AI secara lebih terdesentralisasi, membuat seluruh proses lebih tidak percaya dan otomatis.

Kredit Foto: SAKSHI

Struktur SAKSHI dapat dibagi menjadi enam lapisan: lapisan layanan (layanan), lapisan kontrol (layanan kontrol), lapisan transaksi (lapisan translasi), lapisan bukti (lapisan bukti), lapisan ekonomi (lapisan ekonomi), dan lapisan pasar (Pasar)

Pasar adalah tingkat yang paling dekat dengan pengguna. Ada aggregator di pasar untuk menyediakan layanan kepada pengguna atas nama penyedia AI yang berbeda. Pengguna menempatkan pesanan melalui aggregator dan mencapai kesepakatan dengan aggregator tentang kualitas layanan dan harga pembayaran (kesepakatan disebut perjanjian tingkat layanan-SLA).

Selanjutnya, lapisan layanan menyediakan API untuk sisi klien, kemudian klien membuat permintaan inferensi ML ke pengumpul, dan permintaan dikirim ke server yang digunakan untuk mencocokkan penyedia layanan AI (rute yang digunakan untuk mentransmisikan permintaan adalah bagian dari lapisan kontrol). Oleh karena itu, lapisan layanan dan lapisan kontrol mirip dengan layanan dengan beberapa server web2, tetapi server-server yang berbeda dioperasikan oleh entitas yang berbeda, dan setiap server dihubungkan melalui SLA (perjanjian layanan yang telah ditandatangani sebelumnya) dan pengumpul.

SLA diterapkan pada rantai dalam bentuk kontrak pintar, semuanya milik lapisan transaksi (catatan: dalam solusi ini, mereka diterapkan pada Rantai Saksi). Lapisan transaksi juga mencatat status terkini pesanan layanan dan digunakan untuk mengkoordinasikan pengguna, agregator, dan penyedia layanan untuk menangani perselisihan pembayaran.

Agar lapisan transaksi memiliki bukti untuk diandalkan saat menangani perselisihan, lapisan proof (Proof Layer) akan memeriksa apakah penyedia layanan menggunakan model sesuai yang disepakati dalam SLA. Namun, SAKSHI tidak memilih untuk menghasilkan zkp untuk proses perhitungan ML, namun malah menggunakan ide dari bukti optimis, dengan harapan untuk membentuk jaringan node penantang untuk menguji layanan. Insentif node ditanggung oleh Witness Chain.

Meskipun SLA dan jaringan node penantang berada di Witness Chain, dalam rencana SAKSHI, Witness Chain tidak berencana menggunakan insentif token aslinya untuk mencapai keamanan independen, tetapi malah menggunakan keamanan Ethereum melalui Eigen Layer, sehingga seluruh ekonomi sebenarnya bergantung pada Eigen Layer.

Seperti yang dapat dilihat, SAKSHI berada di antara penyedia layanan kecerdasan buatan dan pengguna, serta mengatur berbagai kecerdasan buatan secara terdesentralisasi untuk menyediakan layanan kepada pengguna. Ini lebih mirip dengan solusi horizontal. Inti dari SAKSHI adalah memungkinkan penyedia layanan kecerdasan buatan untuk fokus lebih pada mengelola perhitungan model mereka sendiri di luar rantai, mencocokkan kebutuhan pengguna dengan layanan model, pembayaran layanan, dan verifikasi kualitas layanan melalui perjanjian di rantai, serta mencoba untuk menyelesaikan perselisihan pembayaran secara otomatis. Tentu saja, saat ini SAKSHI masih dalam tahap teoritis, dan masih ada banyak detail implementasi yang perlu ditentukan.

3. Prospek masa depan

Baik itu AI yang dapat dikombinasikan atau platform AI terdesentralisasi, model ekosistem AI berdasarkan rantai publik nampaknya memiliki sesuatu yang umum. Misalnya, penyedia layanan AI tidak langsung terhubung dengan pengguna; mereka hanya perlu menyediakan model ML dan melakukan perhitungan off-chain. Pembayaran, penyelesaian sengketa, dan koordinasi antara kebutuhan pengguna dan layanan dapat diselesaikan melalui perjanjian terdesentralisasi. Sebagai infrastruktur tanpa kepercayaan, rantai publik mengurangi gesekan antara penyedia layanan dan pengguna, dan pengguna juga memiliki otonomi yang lebih tinggi pada saat ini.

Meskipun keuntungan menggunakan rantai publik sebagai dasar aplikasi adalah klise, memang benar bahwa hal itu juga berlaku untuk layanan kecerdasan buatan (AI). Namun, perbedaan antara aplikasi AI dan aplikasi dapp yang sudah ada adalah bahwa aplikasi AI tidak dapat menempatkan semua komputasi di rantai, sehingga perlu menggunakan zk atau bukti optimis untuk menghubungkan layanan AI ke sistem rantai publik secara lebih tidak terpercaya.

Dengan implementasi serangkaian solusi optimisasi pengalaman seperti abstraksi akun, pengguna mungkin tidak dapat merasakan keberadaan mnemonik, rantai, dan gas. Ini membuat ekosistem rantai publik lebih dekat dengan web2 dalam hal pengalaman, sementara pengguna dapat memperoleh derajat kebebasan dan komposabilitas yang lebih tinggi daripada layanan web2. Ini akan sangat menarik bagi pengguna. Ekosistem aplikasi AI berbasis rantai publik layak dinantikan.

Kernel Ventures adalah dana modal ventura kripto yang didorong oleh komunitas riset dan pengembangan dengan lebih dari 70 investasi tahap awal yang berfokus pada infrastruktur, middleware, dApps, terutama ZK, Rollup, DEX, blockchain modular, dan vertikal yang akan menjadi tuan rumah pengguna kripto miliaran selanjutnya, seperti abstraksi akun, ketersediaan data, skalabilitas, dll. Selama tujuh tahun terakhir, kami telah berkomitmen untuk mendukung pengembangan komunitas pengembangan inti dan asosiasi blockchain universitas di seluruh dunia.

Penafian:

1. Artikel ini dicetak ulang dari[cermin]. Semua hak cipta adalah milik penulis asli [Kernel Ventures Jerry Luo]. Jika ada keberatan terhadap pencetakan ulang ini, silakan hubungi tim Gate Learn（gatelearn@gate.io）, dan mereka akan menanganinya dengan segera.
2. Penolakan Tanggung Jawab: Pandangan dan opini yang terdapat dalam artikel ini semata-mata milik penulis dan tidak merupakan saran investasi apa pun.
3. Terjemahan artikel ke dalam bahasa lain dilakukan oleh tim Gate Learn. Kecuali disebutkan, menyalin, mendistribusikan, atau menjiplak artikel yang diterjemahkan dilarang.