• Пересечение искусственного интеллекта (ИИ) и криптовалюты огромно, но часто плохо понимается. Мы считаем, что различные подразделы этого пересечения имеют отдельные возможности и временные рамки развития.
• Мы в общем считаем, что для продуктов ИИ децентрализация в одиночку недостаточна для обеспечения конкурентного преимущества – она также должна достичь функциональной паритетности с централизованными продуктами в определенных других ключевых областях.
• Наш контрарный взгляд заключается в том, что из-за широкого внимания к отрасли искусственного интеллекта потенциал стоимости многих токенов искусственного интеллекта может быть преувеличен, и многим токенам искусственного интеллекта может не хватать устойчивых драйверов спроса в краткосрочной и среднесрочной перспективе.

В последние годы продолжающиеся прорывы в искусственном интеллекте, особенно в области генеративного искусственного интеллекта, привлекли большое внимание к индустрии искусственного интеллекта и предоставили возможности для криптопроектов, находящихся на стыке двух областей. Мы ранее рассмотрели некоторые возможности для сектора в раннем отчете в июне 2023 года, отметив, что общее распределение капитала в криптовалютах, казалось, недооценивает искусственный интеллект. Область криптоИИ значительно выросла с тех пор, и мы считаем важным указать на некоторые практические проблемы, которые могут затруднить ее широкое принятие.

Быстрое изменение в AI заставляет нас быть осторожными по поводу смелых заявлений о том, что крипто-центричные платформы уникально расположены для изменения отрасли; это заставляет нас верить, что у большинства токенов AI есть долгосрочный и устойчивый путь к повышению стоимости. Дорога полна неопределенности, особенно для проектов с фиксированными моделями токенов. Вместо этого мы считаем, что некоторые новые тенденции в AI могут на самом деле сделать инновации на основе криптовалюты более сложными для принятия, учитывая более широкую рыночную конкуренцию и регулирование.

Сказано это, мы считаем, что точка между искусственным интеллектом и криптовалютами широка и имеет разнообразные возможности, причем принятие вероятно будет быстрее в определенных подсегментах, несмотря на отсутствие уже маркетинговых токенов во многих из этих областей. Тем не менее, это, кажется, не охлаждает интерес инвесторов. Мы находим, что производительность токенов криптовалют, связанных с искусственным интеллектом, поддерживается заголовками рынка искусственного интеллекта и может иметь положительное ценовое движение даже в дни, когда биткойн торгуется ниже. Поэтому мы считаем, что многие токены, связанные с искусственным интеллектом, могут продолжать торговаться как представления прогресса в области искусственного интеллекта.

Основные тенденции в искусственном интеллекте

Один из самых важных трендов в области искусственного интеллекта (связанный с продуктами крипто-ИИ) - это непрерывно развивающаяся культура вокруг моделей с открытым исходным кодом. Более 530 000 моделей представлены на платформе Hugging Face для исследователей и пользователей, чтобы они могли их манипулировать и настраивать. Роль Hugging Face в сотрудничестве в области ИИ ничем не отличается от использования GitHub для хостинга кода или Discord для управления сообществом (оба широко используются в области крипто). За исключением серьезного недостатка управления, эта ситуация вряд ли изменится в ближайшем будущем.

Доступные модели на платформе Hugging Face варьируются от больших языковых моделей (LLM) до генеративных моделей изображений и видео, включая создания крупных игроков индустрии, таких как Open AI, Meta и Google, а также независимых разработчиков. Некоторые открытые языковые модели даже обладают преимуществами производительности перед современными закрытыми моделями в терминах пропускной способности (при сохранении сопоставимого качества вывода), обеспечивая степень конкуренции между открытыми и коммерческими моделями (см. Рисунок 1). Важно отметить, что мы считаем, что этот динамичный экосистема открытого исходного кода в сочетании с высококонкурентным коммерческим сектором создала отрасль, где плохие модели вытесняются из конкуренции.

Вторым трендом является увеличение качества и экономичности более маленьких моделей (выделено в исследовании LLM в 2020 году и в недавней статье от Microsoft), что также совпадает с культурой открытого исходного кода для дальнейшего обеспечения высокопроизводительных локальных моделей искусственного интеллекта. Некоторые тонко настроенные модели с открытым исходным кодом могут даже превзойти ведущие модели с закрытым исходным кодом по некоторым показателям. В таком мире некоторые модели искусственного интеллекта могут быть запущены локально, максимизируя децентрализацию. Конечно, технологические компании-лидеры будут продолжать обучать и запускать более крупные модели в облаке, но пространство дизайна между ними потребует компромиссов.

Кроме того, учитывая возрастающую сложность задачи оценки моделей искусственного интеллекта (включая загрязнение данных и изменение области тестирования), генерация выходных моделей в конечном итоге может быть наилучшим образом оценена конечными пользователями на свободном рынке. Фактически, конечные пользователи могут использовать существующие инструменты для сравнения выходных моделей бок о бок с компаниями-бенчмарками, выполняющими те же операции. Общее представление о сложности бенчмарков генеративного искусственного интеллекта можно получить из растущего разнообразия открытых бенчмарков LLM, включая MMLU, HellaSwag, TriviaQA, BoolQ и т. д., каждый из которых тестирует различные случаи использования, такие как рассуждение о здравом смысле, академические темы и различные форматы вопросов.

Третий тренд, который мы наблюдаем в области искусственного интеллекта, заключается в том, что существующие платформы с сильной привлекательностью для пользователей или решающие конкретные бизнес-проблемы могут получить пропорциональную выгоду от интеграции искусственного интеллекта. Например, интеграция GitHub Copilot с редакторами кода улучшает уже мощную среду разработчика. Встраивание интерфейсов искусственного интеллекта в другие инструменты, от почтовых клиентов до электронных таблиц и программного обеспечения для управления взаимоотношениями с клиентами, также является естественным случаем использования искусственного интеллекта (например, искусственный помощник Klarna выполняет работу 700 сотрудников службы поддержки клиентов на полную ставку).

Однако стоит отметить, что во многих из этих сценариев модели искусственного интеллекта не приведут к созданию новых платформ, а лишь усилят существующие. Другие модели искусственного интеллекта, улучшающие традиционные бизнес-процессы внутри компаний (например, система Lattice Meta, которая помогла восстановить рекламную эффективность Apple до уровня до запуска App Tracking Transparency), также часто полагаются на собственные данные и закрытые системы. Такие модели искусственного интеллекта, вероятно, останутся закрытыми, поскольку они интегрированы в ядро продукта и используют собственные данные.

В мире аппаратных средств и вычислений искусственного интеллекта мы видим еще две связанные тенденции. Первая - это сдвиг в использовании вычислений от обучения к выводу. То есть, когда модели искусственного интеллекта первоначально разрабатываются, огромные объемы вычислительных ресурсов используются для «обучения» модели путем подачи ей больших наборов данных. Теперь мы перешли к развертыванию и запросу модели.

Отчет о прибылях NVIDIA в феврале 2024 года показал, что примерно 40% их бизнеса было использовано для вывода. Сатья Наделла сделал аналогичные замечания на звонке Microsoft в прошлом месяце, в январе, отметив, что "большая часть" их использования Azure AI - для рассуждений. По мере продолжения этой тенденции, мы считаем, что сущности, стремящиеся монетизировать модели, будут отдавать предпочтение платформам, способным надежно запускать модели в безопасном и готовом к производству режиме.

Вторым основным трендом является конкурентная среда, окружающая аппаратную архитектуру. Процессоры H200 от Nvidia будут доступны начиная со второго квартала 2024 года, а следующее поколение B100 ожидается удвоить производительность. Кроме того, продолжающаяся поддержка Google собственного Tensor Processing Unit (TPU) и более нового Language Processing Unit (LPU) от Groq также может увеличить свою долю рынка как альтернативы в этом пространстве в ближайшие годы (см. рисунок 2). Такие изменения могут изменить динамику затрат в индустрии искусственного интеллекта и могут принести пользу провайдерам облачных услуг, позволяя им быстро перестраиваться, массово закупать аппаратное обеспечение и настраивать любые связанные сетевые требования и инструменты разработчика.

В целом область искусственного интеллекта является развивающейся и стремительно развивающейся областью. Менее чем через 1,5 года после того, как ChatGPT впервые появился на рынке в ноябре 2022 года (хотя его базовая модель GPT 3 существует с июня 2020 года), стремительный рост в этой области с тех пор был поразительным. Несмотря на некоторое сомнительное поведение в отношении предвзятостей некоторых генеративных моделей искусственного интеллекта, мы можем наблюдать, что менее эффективные модели постепенно вытесняются с рынка в пользу лучших альтернатив. Стремительный рост отрасли и потенциал предстоящего регулирования означают, что проблемы отрасли регулярно меняются по мере появления новых решений.

Для такой быстро инновационной области часто упоминаемое «децентрализованное решение [XXX]» как самоочевидное заключение является преждевременным. Оно также предварительно решает проблему централизации, которая не обязательно существует. Реальность заключается в том, что отрасль искусственного интеллекта достигла значительной децентрализации в технологическом и бизнес-вертикалях благодаря конкуренции между многими различными компаниями и проектами с открытым исходным кодом. Более того, благодаря особенностям их процессов принятия решений и консенсуса децентрализованные протоколы развиваются медленнее централизованных протоколов как на техническом, так и на социальном уровне. Это может создать препятствия в стремлении к балансу между децентрализацией и конкурентоспособными продуктами на данном этапе развития искусственного интеллекта. Другими словами, существуют синергии между криптовалютой и искусственным интеллектом, которые могут быть осмысленно реализованы в течение длительного периода времени.

Оцените возможность

Широко говоря, мы делим пересечение искусственного интеллекта и криптовалют на две широкие категории. Первая категория - это случаи использования, когда продукты ИИ улучшают криптоиндустрию. Сюда входят сценарии от создания читаемых человеком транзакций и улучшения анализа данных блокчейна до использования вывода модели on-chain как части бесразрешимого протокола. Вторая категория - это случаи использования, когда криптовалюты нацелены на нарушение традиционных пайплайнов искусственного интеллекта через децентрализованные вычисления, верификацию, идентификацию и т. д.

Сценарии использования для первой категории бизнес-сценариев понятны, и мы считаем, что хотя остаются значительные технические проблемы, также есть перспективы в более сложных сценариях моделей вывода on-chain в долгосрочной перспективе. Централизованные модели искусственного интеллекта могут улучшить криптовалюты, как и любую другую технологически ориентированную отрасль, начиная от улучшения инструментов разработчика и проверки кода до перевода человеческого языка в действия on-chain. Однако инвестиции в эту область обычно направляются в частные компании через венчурный капитал, поэтому это часто игнорируется общественными рынками.

Однако нам менее ясны последствия и преимущества того, как крипто может нарушить существующие трубопроводы искусственного интеллекта. Трудности в последней категории - это не только технические проблемы (которые, на наш взгляд, в целом решаемы в долгосрочной перспективе), но и трудные борьбы с более широкими рыночными и регуляторными силами. Большая часть недавнего внимания к искусственному интеллекту и криптовалютам сосредоточена на этой категории, поскольку эти сценарии использования лучше всего подходят для владения ликвидными токенами. Этому уделяется внимание в нашем следующем разделе, поскольку в настоящее время относительно немного ликвидных токенов, актуальных для централизованных инструментов искусственного интеллекта в криптовалютах.

Роль криптовалют в конвейерах искусственного интеллекта

На риск упрощения проблемы, мы рассматриваем потенциальное влияние криптовалют на искусственный интеллект на четырех основных этапах конвейера искусственного интеллекта:

1. Сбор, хранение и обработка данных

2. Обучение модели и вывод

3. Проверка вывода модели

4. Отслеживать вывод модели искусственного интеллекта

В этих областях появилось много новых проектов по крипто-ИИ. Однако многие из них столкнутся с серьезными вызовами в краткосрочной и среднесрочной перспективе со стороны генерации спроса и острой конкуренции со стороны централизованных компаний и решений с открытым исходным кодом.

Собственные данные

Данные являются основой всех моделей искусственного интеллекта и могут быть ключевым отличительным фактором в профессиональной производительности модели искусственного интеллекта. Исторические данные блокчейна сами по себе являются новым богатым источником данных для моделей, и некоторые проекты, такие как Grass, также стремятся использовать криптовалютные стимулы для создания новых наборов данных из открытого интернета. В этом отношении у криптовалюты есть возможность предоставлять наборы данных, специфичные для отрасли, и поощрять создание новых ценных наборов данных. (Мы считаем, что недавняя сделка по лицензированию данных Reddit на 60 миллионов долларов в год с Google говорит хорошо о будущем монетизации наборов данных.)

Многие ранние модели (такие как GPT 3) использовали смесь открытых наборов данных, таких как CommonCrawl, WebText2, книги и Википедия, а также аналогичные наборы данных, доступные бесплатно на Hugging Face (в настоящее время на хостинге более 110 000 вариантов). Однако, возможно, для защиты коммерческих интересов, многие недавние модели с закрытым исходным кодом пока не опубликовали окончательный состав своего обучающего набора данных. Тенденция к закрытым наборам данных, особенно в бизнес-моделях, будет продолжаться и увеличивать важность лицензирования данных.

Существующие централизованные рынки данных уже помогают сократить разрыв между поставщиками данных и потребителями, оставляя пространство возможностей для новых децентрализованных решений рынка данных, зажатых между каталогами открытых данных и корпоративными конкурентами. Без поддержки правовой структуры чисто децентрализованный рынок данных также должен создать стандартизированные интерфейсы данных и конвейеры, проверить целостность и конфигурацию данных и решить проблему холодного старта своих продуктов, сбалансировав токен-стимулы между участниками рынка.

Кроме того, децентрализованные решения для хранения в конечном итоге могут найти применение в индустрии искусственного интеллекта, хотя существует множество проблем в этом отношении. С одной стороны, уже существуют и широко используются конвейеры для распространения открытых наборов данных. С другой стороны, у многих владельцев собственных наборов данных строгие требования к безопасности и соответствию.

В настоящее время нет регулятивных путей для размещения чувствительных данных на децентрализованных платформах хранения, таких как Filecoin и Arweave. Многие предприятия все еще переходят с серверов на месте к централизованным облачным провайдерам хранения. Более того, децентрализованный характер этих сетей в настоящее время не соответствует определенным географическим и физическим требованиям по изоляции данных для хранения чувствительных данных на техническом уровне.

Хотя сравнения цен между децентрализованными решениями для хранения и установленными облачными поставщиками показывают, что децентрализованные хранилища дешевле на единицу, это игнорирует значительное предположение. Во-первых, необходимо учитывать первоначальные затраты, связанные с миграцией систем между поставщиками, помимо ежедневных операционных расходов. Во-вторых, крипто-ориентированные децентрализованные платформы для хранения должны соответствовать лучшим инструментам и интеграции с зрелыми облачными системами, разработанными за последние два десятилетия. Облачные решения также имеют более предсказуемые затраты с точки зрения бизнес-операций, предлагают контрактные обязательства и специализированные службы поддержки, а также имеют большой пул существующих талантливых разработчиков.

Следует отметить, что поверхностное сравнение с тремя основными облачными провайдерами (Amazon Web Services, Google Cloud Platform и Microsoft Azure) неполное. Существует десятки облачных компаний с более низкой стоимостью, которые также борются за долю рынка, предлагая более дешевые базовые серверные стойки. Мы считаем, что это настоящие основные конкуренты на ближайшую перспективу для экономичных потребителей.

Иными словами, недавние инновации, такие как вычисления данных Filecoin и среда вычислений AO Arweave, могут сыграть роль в предстоящих проектах зеленых лугов, использующих менее чувствительные наборы данных или для компаний, которые еще не являются поставщиками, чувствительными к затратам (потенциально меньшего масштаба).

Таким образом, хотя в области данных определенно есть место для новых криптографических продуктов, недавние технологические нарушения произойдут там, где они смогут создавать уникальные ценностные предложения. Области, где децентрализованные продукты конкурируют напрямую с традиционными и открытыми конкурентами, потребуют больше времени для развития.

Обучение и вывод моделей

Область децентрализованных вычислений (DeComp) в криптоиндустрии также стремится служить альтернативой централизованным облачным вычислениям, частично из-за существующего дефицита поставок GPU. Одним из предложенных решений для решения этой проблемы дефицита является повторное использование неиспользуемых вычислительных ресурсов в коллективных сетях, что позволяет снизить затраты для централизованных поставщиков облачных услуг. Протоколы, такие как Akash и Render, реализовали аналогичные решения. Предварительные показатели свидетельствуют о том, что такие проекты наблюдают увеличенное использование как со стороны пользователей, так и поставщиков. Например, активные аренды Akash (т.е. количество пользователей) утроились с начала года (см. Рисунок 3), главным образом из-за увеличения использования его ресурсов хранения и вычислений.

Однако комиссии, уплаченные сети, фактически снизились с пика в декабре 2023 года, поскольку предложение доступных видеокарт превысило рост спроса на эти ресурсы. Сказано, что по мере присоединения к сети большего числа провайдеров число арендованных видеокарт (которое, кажется, является наибольшим источником дохода пропорционально) снизилось (см. рисунок 4). Для сетей, где ценообразование за вычисления может изменяться в зависимости от изменений в предложении и спросе, неясно, где в конечном итоге появится устойчивый, спросом обусловленный спрос на местные токены, если рост со стороны предложения превышает рост со стороны спроса. В то время как долгосрочные последствия таких изменений неясны, такие токеномические модели могут потребовать пересмотра в будущем для оптимизации под изменения рынка.

На техническом уровне децентрализованные вычислительные решения также сталкиваются с проблемой ограничений пропускной способности сети. Для больших моделей, требующих многонодового обучения, физический уровень инфраструктуры сети играет решающую роль. Скорость передачи данных, накладные расходы на синхронизацию и поддержка определенных распределенных алгоритмов обучения означают, что требуются определенные сетевые конфигурации и настроенные сетевые коммуникации (например, InfiniBand), чтобы обеспечить высокую производительность выполнения. При превышении определенного размера кластера сложно реализовать децентрализованным способом.

В общем, долгосрочный успех децентрализованных вычислений (и хранения) сталкивается с ожесточенной конкуренцией от централизованных облачных провайдеров. Любое принятие будет долгосрочным процессом, аналогичным временной шкале принятия облачных технологий. Учитывая увеличивающуюся технологическую сложность развития децентрализованных сетей, совмещенную с отсутствием аналогичных масштабируемых команд по разработке и продажам, будет сложным путешествием полное осуществление видения децентрализованных вычислений.

Проверка и доверие моделям

Поскольку модели искусственного интеллекта становятся все более важными в повседневной жизни, растут опасения относительно их качества вывода и предвзятости. Некоторые криптовалютные проекты стремятся решить эту проблему, используя алгоритмический подход к оценке выводов по различным категориям, ища децентрализованное, рыночно-ориентированное решение. Однако вызовы, связанные с бенчмаркингом модели, вместе с явными компромиссами между стоимостью, пропускной способностью и качеством, делают сравнение лицом к лицу сложным. BitTensor является одной из крупнейших криптовалют, сосредоточенных на искусственном интеллекте, и стремится решить эту проблему, хотя многочисленные технические вызовы могут помешать его широкому принятию (см. Приложение 1).

Кроме того, вывод модели без доверия (т.е. доказательство того, что результаты модели действительно генерируются заявленной моделью) является еще одной активной областью исследований на стыке криптовалют и ИИ. Однако по мере того, как масштабы моделей с открытым исходным кодом сокращаются, такие решения могут столкнуться с проблемами, востребованными в будущем. В мире, где модели могут быть загружены и запущены локально, а целостность содержимого может быть проверена с помощью надежных методов хэширования файлов и контрольных сумм, роль вывода, не требующего доверия, менее ясна. Действительно, многие большие языковые модели (LLM) все еще не могут быть обучены и работать на легких устройствах, таких как смартфоны, но мощные настольные компьютеры (например, те, которые используются для высокопроизводительных игр) уже могут работать со многими высокопроизводительными моделями.

Проверенность данных и идентификация

Поскольку результаты творческого искусственного интеллекта становятся все более неотличимыми от результатов человеческого труда, важность идентификации и отслеживания того, что создает искусственный интеллект, становится более ясной. GPT 4 проходит тест Тьюринга в 3 раза быстрее, чем GPT 3.5, и почти неизбежно, что когда-нибудь мы не сможем отличить роботов от людей. В таком мире определение личности онлайн-пользователей и наложение водяных знаков на контент, созданный искусственным интеллектом, будут ключевыми возможностями.

Идентификаторы и механизмы верификации личности, такие как Worldcoin, направлены на решение проблем идентификации людей в сети. Аналогично, публикация хэшей данных в блокчейне может помочь установить временную метку и верификацию источника контента. Однако, как и в случае упомянутых частичных решений, мы считаем, что должен существовать баланс между осуществимостью крипто-решений и централизованными альтернативами.

Некоторые страны, такие как Китай, связывают онлайн-идентификацию с базами данных, контролируемыми правительством. В то время как степень централизации в других частях мира может быть не такой высокой, альянсы провайдеров Know Your Customer (KYC) также могут предлагать решения по верификации личности независимо от технологии блокчейн (аналогично доверенным удостоверяющим центрам, лежащим в основе сегодняшней интернет-безопасности). В настоящее время ведутся исследования по технологии водяных знаков искусственного интеллекта для встраивания скрытых сигналов в текст и изображения, чтобы алгоритмы могли определить, был ли контент создан с помощью искусственного интеллекта. Многие ведущие компании в области искусственного интеллекта, включая Microsoft, Anthropic и Amazon, публично обязались добавить такие водяные знаки к своему созданному контенту.

Более того, многие существующие поставщики контента были поручены строго записывать метаданные контента, чтобы соответствовать требованиям соблюдения. Поэтому пользователи часто поручают метаданные, связанные с сообщениями в социальных сетях (но не доверяют снимкам экрана), даже если они хранятся централизованно. Следует отметить, что любое крипто-ориентированное решение по сбору данных и идентификации должно интегрироваться с платформами пользователей для достижения широкой эффективности. Поэтому, хотя крипто-ориентированные решения для подтверждения личности и сбора данных технически возможны, мы также считаем, что их принятие не предопределено и, в конечном итоге, будет зависеть от бизнеса, требований соблюдения и регулирования.

Торговля нравственной искусственным интеллектом

Несмотря на вышеуказанные трудности, многие токены искусственного интеллекта превзошли Биткоин и Эфириум, начиная с четвертого квартала 2023 года, а также основные акции ИИ, такие как Nvidia и Microsoft. Это происходит потому, что токены искусственного интеллекта обычно получают преимущество от сильной относительной производительности на более широком рынке криптовалют и связанных новостей об искусственном интеллекте (см. Приложение 2). Поэтому, даже если цена Биткоина падает, цены токенов, сосредоточенных на искусственном интеллекте, могут колебаться вверх, что может привести к волатильности вверх во время снижения Биткоина. На рисунке 5 визуально показано разнообразие токенов искусственного интеллекта во время снижения торговли Биткоином.

В целом, в повествовании о искусственном интеллекте в криптовалютном пространстве до сих пор не хватает многих факторов краткосрочного устойчивого спроса. Отсутствие четких прогнозов по принятию и метрик привело к широкому распространению спекуляций, похожих на мемы, которые в долгосрочной перспективе могут быть неприемлемыми. В конечном итоге цена и полезность сойдутся — нерешенным вопросом является, сколько времени это займет и повысится ли полезность до уровня цены или наоборот. Тем не менее, непрерывное строительство криптовалютного рынка и процветающая индустрия искусственного интеллекта могут поддерживать крепкое повествование о криптовалютном искусственном интеллекте в течение некоторого времени.

Заключение

Роль криптовалюты в искусственном интеллекте не является просто абстракцией - любая децентрализованная платформа конкурирует с существующими централизованными альтернативами и должна быть анализирована с учетом более широких бизнес- и регуляторных требований. Поэтому просто замена централизованных поставщиков на «децентрализованных» не достаточна для достижения значительных успехов. Генеративные модели искусственного интеллекта существуют уже несколько лет и сохраняют степень децентрализации благодаря рыночной конкуренции и программному обеспечению с открытым исходным кодом.

Одной из повторяющихся тем в этом отчете является признание того, что хотя крипто-ориентированные решения часто технически осуществимы, для их полноценной функциональности все еще требуется значительная работа, чтобы достичь уровня централизованных платформ, которые, вероятно, не остановятся на достигнутом в будущем. Фактически, благодаря механизму консенсуса, централизованное развитие часто прогрессирует быстрее, чем децентрализованное развитие, что может создавать вызовы для такой области, как искусственный интеллект, который быстро эволюционирует.

Учитывая это, пересечение искусственного интеллекта и криптовалюты все еще находится в начальной стадии, и в ближайшие годы могут произойти быстрые изменения с более широким развитием области искусственного интеллекта. Будущее децентрализованного искусственного интеллекта не гарантировано, как это представляется многим в криптоиндустрии - действительно, будущее самой отрасли искусственного интеллекта остается в значительной степени неопределенным. Поэтому мы считаем, что разумный подход заключается в осторожном навигировании подобных рынков, более глубоком изучении криптовалютных решений и истинном понимании того, как предоставить лучшие альтернативы или овладеть потенциальными торговыми сюжетами.

Ссылка на оригинальную статью

Утверждение:

1. Эта статья, первоначально озаглавленная «加密世界的AI海市蜃楼», воспроизводится из [theblockbeats]. Все авторские права принадлежат оригинальному автору [Дэвид Хан]. Если у вас есть возражения против перепечатки, пожалуйста, свяжитесьGate Learn команда, команда справится с этим как можно скорее.

2. Предупреждение: Взгляды и мнения, выраженные в этой статье, представляют только личные взгляды автора и не являются инвестиционными советами.

3. Переводы статьи на другие языки выполняются командой Gate Learn. Если не указано иное, копирование, распространение или плагиатство переведенных статей запрещено.