TL;DR

เราทำการวิเคราะห์ลึกลงไปใน 67 โครงการ Crypto+AI โดยจัดหมวดหมู่จากมุมมอง GenAI มุมมองของเราครอบคลุมการจำแนกประเภทของเรา:

1. GPU DePIN
2. คอมพิวเตอร์ที่ไม่มีการจัดเรียง (การฝึก + การอ้างอิง)
3. การยืนยัน (ZKML + OPML)
4. คริปโต LLM
5. ข้อมูล (ทั่วไป + ระบบ AI)
6. แอปสร้าง AI
7. แอปพลิเคชันผู้บริโภค AI
8. มาตรฐาน AI (โทเค็น + เอเจนต์)
9. เศรษฐกิจ AI

ทำไมเราจึงเขียนเรื่องนี้?

นิเรกฉันคริปโต+AI ได้ยึดความสนใจได้มากจนถึงตอนนี้ รายงานหลายรายงานเกี่ยวกับคริปโต+AI กำลังเผยแพร่ แต่พวกเขาจะครอบคลุมเพียงบางส่วนของเรื่อง AI หรือตีความ AI จากมุมมองของคริปโตเท่านั้น

บทความนี้จะมองเรื่องนี้จากมุมมอง AI เพื่อสำรวจว่า Crypto สนับสนุน AI อย่างไร และ AI สามารถให้ประโยชน์ต่อ Crypto อย่างไร เพื่อเข้าใจภูมิทัศน์ปัจจุบันของอุตสาหกรรม Crypto+AI ได้ดียิ่งขึ้น

ส่วนที่ 1: การถอดรหัสทิวทัศน์ GenAI

เรามาสำรวจทั้งภูมิทัศน์ GenAI ทั้งหมด ตั้งแต่ผลิตภัณฑ์ AI ที่เราใช้ทุกวัน ผลิตภัณฑ์เหล่านี้มักประกอบด้วยส่วนประกอบหลักสองประการ คือ LLM และ UI สำหรับโมเดลขนาดใหญ่มีกระบวนการหลักสองประการ คือ การสร้างโมเดล และการใช้โมเดล ที่รู้จักกันดีว่าการฝึกและการอ่าน ส่วนสำหรับ UI มีในรูปแบบต่างๆ เช่น การสนทนาเชิงเสมือน GPT การสนทนาเชิงภาพเช่น LumaAI และอีกมากมายที่รวม API การอ่านเข้าไปในอินเตอร์เฟซผลิตภัณฑ์ที่มีอยู่

คอมพิวต์

การคำนวณเชิงลึก มีความสำคัญสำหรับการฝึกและการสรุป โดยพึ่งพาอย่างมากบนการคำนวณ GPU ใต้หลักการ ในขณะที่การเชื่อมต่อทางกายภาพของ GPU อาจแตกต่างกันระหว่างการฝึกและการสรุป แต่ GPU ทำหน้าที่เป็นส่วนประกอบพื้นฐานของโปรดักต์ AI ที่สำคัญ นอกจากนี้ เรามีการจัดการกลุ่ม GPU ที่เรียกว่า Clouds ซึ่งสามารถแบ่งเป็น Clouds เชิงประเภทแบ่งเป็น Traditional Versatile Clouds และเมฆแนวตั้ง[1], โดย Vertical Clouds มีการให้ความสำคัญกับ AI มากขึ้น และถูกปรับให้เหมาะสำหรับสถานการณ์การคำนวณ AI

การจัดเก็บ

เกี่ยวกับการเก็บรักษาข้อมูล การเก็บรักษาข้อมูล AI สามารถแบ่งเป็นส่วนของการเก็บรักษาข้อมูลที่เป็นแบบดั้งเดิม เช่น AWS S3 และ Azure Blob Storage และการเก็บรักษาข้อมูลที่เฉพาะเจาะจงสำหรับชุดข้อมูล AI ที่จัดเตรียมไว้ล่วงหน้า การเก็บรักษาข้อมูลเฉพาะเจาะจงเหล่านี้ เช่น Google Cloud’s Filestore ถูกออกแบบมาเพื่อเพิ่มความเร็วในการเข้าถึงข้อมูลในสถานการณ์ที่เฉพาะเจาะจง

การฝึกอบรม

ดำเนินการต่อด้วยโครงสร้าง AI มันสำคัญที่จะแยกแยะระหว่างการฝึก และการอินเฟอเรนซ์เนื่องจากมันแตกต่างกันมาก และเกินจากการคำนวณทั่วไป ทั้งสองนั้นเกี่ยวข้องกับตรรกะธุรกิจ AI หลายอย่าง

สำหรับการฝึกอบรม โครงสร้างพื้นฐานสามารถแบ่งออกเป็นทั่วไปได้เป็น[2]:

1. แพลตฟอร์ม: เหล่านี้ถูกออกแบบโดยเฉพาะสำหรับการฝึกอบรมและช่วยเหลือนักพัฒนา AI ในการฝึกโมเดลภาษาขนาดใหญ่อย่างมีประสิทธิภาพ พร้อมกับการแนะนำโซลูชันเร่งความเร็วซอฟต์แวร์เสริมเช่น MosaicML
2. ผู้ให้บริการโมเดลพื้นฐาน: หมวดหมู่นี้รวมถึงแพลตฟอร์มเช่น Hugging Face ซึ่งมีโมเดลพื้นฐานที่ผู้ใช้สามารถฝึกหรือปรับปรุงต่อไปได้
3. Frameworks: สุดท้าย, มีกรอบการฝึกอบรมพื้นฐานต่าง ๆ ที่สร้างขึ้นจากพื้นฐานใหม่ เช่น PyTorch และ TensorFlow

การอ่านความหมาย

สำหรับการอ้างอิง ภูมิทัศน์สามารถแบ่งได้โดยทั่วไปเป็น:

1. โอปติไมเซอร์: พวกเขาเชี่ยวชาญในการทำการปรับปรุงชุดของการปรับปรุงโดยเฉพาะสำหรับการอินเฟอเรนซ์และกรณีการใช้งานเฉพาะ เช่น การสนับสนุนการประมวลผลขนานหน้าหรือการปรับปรุงอัลกอริทึมสำหรับการสร้างสื่อ ตัวอย่างเช่น fal.ai, ซึ่งได้ทำการปรับปรุงการสรุปข้อสรุปสำหรับกระบวนการแปลงข้อความเป็นภาพ โดยปรับปรุงความเร็วของการแพร่เพียง 50% เมื่อเปรียบเทียบกับวิธีทั่วไป
2. แพลตฟอร์มการใช้งาน: พวกเขาให้บริการคลาวด์อินเฟอเรนซ์โมเดลโดยทั่วไป เช่น Amazon SageMaker การให้บริการที่สะดวกสบายในการใช้งานและปรับขนาดโมเดล AI ในสภาพแวดล้อมที่แตกต่างกัน

แอปพลิเคชัน

ในขณะที่มีแอปพลิเคชัน AI จำนวนมาก แต่สามารถจำแนกออกเป็นสองประเภทหลักตามกลุ่มผู้ใช้ได้โดยรวมเป็นสองประเภทหลัก: ผู้สร้างและผู้บริโภค[3]

1. ผู้บริโภค AI: เริ่มต้นด้วยกลุ่มผู้บริโภค AI กลุ่มนี้ใช้ผลิตภัณฑ์ AI โดยส่วนมากแล้วและพร้อมจ่ายเงินเพื่อค่าความคุ้มค่าที่ผลิตภัณฑ์เหล่านี้นำเสนอ ตัวอย่างที่สอดคล้องกับหมวดหมู่นี้คือ ChatGPT
2. AI Creator: อย่างไรก็ตาม, การใช้งานสำหรับ AI Creators เป็นเรื่องเกี่ยวกับการเชิญชวน AI creators มายังแพลตฟอร์มของพวกเขาเพื่อสร้างเอเจนต์, แบ่งปันความรู้ และแบ่งปันกำไรกับพวกเขา, โดย GPT marketplace เป็นหนึ่งในตัวอย่างที่มีชื่อเสียงที่สุด

สองหมวดหมู่เหล่านี้ครอบคลุมแอปพลิเคชัน AI ทั้งหมดเกือบทั้งหมด ขณะที่มีการจำแนกประเภทที่ละเอียดมากขึ้น บทความนี้จะเน้นที่สองหมวดหมู่ที่กว้างขวางเหล่านี้

ส่วนที่ 2: วิธีการ Crypto ช่วยให้ AI

ก่อนที่จะตอบคำถามนี้ ให้เราสรุปข้อดีหลักของคริปโตที่ AI สามารถใช้ประโยชน์: การกำหนดราคา, ความหลากหลาย, ความ๏โปร่งใส, ความเป็นเจ้าของข้อมูล, การลดต้นทุน และอื่นๆ

สรุประดับสูงของการต่อรองระหว่างคริปโต+AI จากบล็อก vitalik.eth

เหล่านี้ความสอดคล้องของกุศล[4] ช่วยในทิศทางปัจจุบันโดยส่วนใหญ่โดย:

1. การกำไร: ผ่านกลไก Crypto ที่เป็นเอกลักษณ์ เช่น การทำเป็นโทเค็น การกำไร และการกระตุ้นให้เกิดนวัตกรรมที่รบเร้า สามารถทำได้ในแอปพลิเคชันผู้สร้าง AI โดยทำให้เศรษฐกิจ AI เปิดกว้างและเป็นธรรม
2. ความสามารถในการเข้าถึง: คริปโตช่วยให้สามารถเข้าร่วมได้โดยไม่ต้องขออนุญาต ทำลายข้อจำกัดต่างๆ ที่บังคับโดยบริษัท AI ที่มีอำนาจในตลาดในปัจจุบัน นี้ช่วยให้ AI บรรลุความเป็นจริงในเรื่องความเป็นเปิดเผยและเสรีภาพ
3. ความโปร่งใส: คริปโตสามารถทำให้ AI เป็น open-source อย่างสมบูรณ์โดยใช้เทคโนโลยี ZKML/OPML เพื่อให้กระบวนการฝึกฝนและการอ่านความหมายของ LLMs อยู่บนเชน ซึ่งทำให้ AI เป็นแบบเปิดเผยและไม่จำกัดสิทธิ
4. การเป็นเจ้าของข้อมูล: โดยการเปิดใช้งานธุรกรรม on-chain เพื่อสร้างความเป็นเจ้าของข้อมูลสำหรับบัญชี (ผู้ใช้) ซึ่งจะทำให้ผู้ใช้เป็นเจ้าของข้อมูล AI ของตนเองอย่างแท้จริง สิ่งนี้มีประโยชน์อย่างมากที่ชั้น การใช้งาน โดยช่วยให้ผู้ใช้สามารถรักษาสิทธิ์ข้อมูล AI ของตนได้อย่างมีประสิทธิภาพ
5. การลดต้นทุน: โดยให้สิ่งส่งเสริมด้วยโทเค็น มูลค่าในอนาคตของพลังการคำนวณสามารถถูกแลกเป็นเงินได้ ลดต้นทุนของ GPU ในปัจจุบันอย่างมีนัยยิ่ง วิธีการนี้ลดต้นทุนของ AI ในระดับการคำนวณอย่างมาก

ส่วนที่ III: สำรวจทิวทัศน์คริปโต+AI

การนำข้อดีของคริปโตไปใช้กับหมวดหมู่ต่าง ๆ ภายในสถานะทิวทัศน์ AI สร้างมุมมองใหม่ของทิวทัศน์ AI ผ่านเลนส์ของคริปโต

เลเยอร์ LLM

1. GPU DePIN

เรายังคงกำหนดโครงการ AI+คริปโต โดยขึ้นอยู่กับ AI Landscape โดยเริ่มต้นด้วย LLMs และเริ่มต้นที่ระดับพื้นฐานด้วย GPUs เรื่องที่ยาวนานใน Crypto คือการลดต้นทุน

ผ่านการระดมทุนด้วยบล็อกเชน เราสามารถลดต้นทุนอย่างมีนัยสำคัญได้โดยการให้รางวัลให้ผู้ให้บริการ GPU ภาพรวมนี้เป็นที่รู้จักในปัจจุบันว่า GPU DePIN ในขณะที่ GPU ถูกใช้ไม่เพียงแค่ใน AI แต่ยังในเกมส์ AR และสถานการณ์อื่น ๆ แทรกซึม GPU DePIN มักครอบคลุมพื้นที่เหล่านี้

ผู้ที่เน้นไปทางเส้นทาง AI รวมถึง AethirและAioz network, ในขณะที่ความมุ่งมั่นต่อการแสดงผลทางภาพรวม io.net, เครือข่ายเรนเดอร์, และคนอื่น ๆ

2. คอมพิวต์มีระบบที่ไม่มีการกำหนด

การคำนวณที่กระจายอยู่เป็นเรื่องราวที่มีอยู่ตั้งแต่การเริ่มต้นของบล็อกเชนและได้พัฒนาขึ้นมาอย่างมาก อย่างไรก็ตาม เนื่องจากความซับซ้อนของงานคำนวณ (เมื่อเปรียบเทียบกับการจัดเก็บแบบกระจาย) มักจำเป็นต้องจำกัดสถานการณ์ของการคำนวณ

AI, ในฐานะสถานการณ์การคำนวณล่าสุด ได้เกิดขึ้นโดยธรรมชาติ ผลจากนี้คือโครงการการคำนวณที่ไม่มีการกระจายที่ต่างจาก GPU DePIN ไม่เพียงเพิ่มประสิทธิภาพในด้านต้นทุนเท่านั้น แต่ยังเหมาะสำหรับสถานการณ์การคำนวณที่เฉพาะเจาะจงมากขึ้น: การฝึกฝนและการอ้างอิง พวกเขาจัดระเบียบผ่านเครือข่ายพื้นที่กว้างเพื่อเพิ่มประสิทธิภาพสูงขึ้น[5]

มาตราส่วนและความพอเพียงทางต้นทุนโดย gensyn.ai

ตัวอย่างเช่น แพลตฟอร์มที่เน้นการอบรมรวมถึงสนาม AI, Gensyn, DINและFlock.io; คนที่เน้นการอ่านรายงานAllora, พิธี, และ Justu.ai; และผู้ที่ดำเนินการทั้งสองด้านรวมถึงBittensor, 0G, Sentient, Akash, Phala, Ankr และ โอเอซิส.

3. การยืนยัน

การตรวจสอบเป็นหมวดหมู่ที่เป็นเอกลักษณ์ภายในคริปโต+AI โดยส่วนใหญ่เนื่องจากมันรับประกันให้ว่ากระบวนการคำนวณ AI ทั้งหมด ไม่ว่าจะเป็นการฝึกหรือการอ่านค่า สามารถที่จะตรวจสอบบนเชื่อมโยงได้

นี่เป็นสิ่งสำคัญสำหรับการรักษาการกระจายอำนวยทรัพย์และความโปร่งใสของกระบวนการ นอกจากนี้ เทคโนโลยีเช่น ZKML ยังคุ้มครองความเป็นส่วนตัวและความปลอดภัยของข้อมูลโดยอนุญาตให้ผู้ใช้มีการครอบครองข้อมูลส่วนบุคคลของตนเองถึง 100%

ขึ้นอยู่กับอัลกอริทึมและกระบวนการการตรวจสอบ สามารถแบ่งเป็น ZKML และ OPML ได้ ZKML ใช้เทคโนโลยี zero-knowledge (ZK) เพื่อแปลงการฝึก/การอ่าน AI เป็นวงจร ZK เพื่อให้กระบวนการนั้นสามารถที่จะตรวจสอบได้บนโซน ตามที่เห็นในแพลตฟอร์มเช่นEZKL, Modulus Labs, กระชับและGiza. ในทางกลับกัน OPML ใช้ออรัคเคิลออฟเชนหรือเรือนออเคิลเพื่อส่งพิสูทธิ์ไปยังบล็อคเชน ตามที่แสดงไว้โดย Gate.ioOraและสเปกตรัล.

4. โมเดลพื้นฐานของคริปโต

ไม่เหมือน LLM ทั่วไป เช่น ChatGPT หรือ Claude โมเดล Crypto Base ถูกฝึกฝนใหม่ด้วยข้อมูลคริปโตอย่างแพร่หลาย ทำให้โมเดลเบสเหล่านี้มีฐานความรู้ที่เฉพาะเจาะจงในด้านคริปโตเท่านั้น

โมเดลฐานเหล่านี้สามารถให้ความสามารถด้าน AI ที่มีพลังงานสูงให้แอปพลิเคชันที่เกิดจากคริปโต เช่น DeFi, NFT และ GamingFi ตอนนี้ตัวอย่างของโมเดลฐานที่ให้ความสามารถดังกล่าวมีบ่อและChainbase.

5. ข้อมูล

ข้อมูลเป็นส่วนสำคัญในฟิลด์ AI ในการฝึก AI ชุดข้อมูลเล่นบทบาทสำคัญ และในขณะที่ทำนายปริมาณมากของข้อความและฐานความรู้จากผู้ใช้ก็ต้องการพื้นที่จัดเก็บที่มีขนาดใหญ่

การกระจายการเก็บรักษาข้อมูลไม่เพียงทำให้ต้นทุนในการเก็บรักษาลดลงอย่างมีนัยสำคัญเท่านั้น แต่ยังทำให้มั่นใจได้ในการติดตามและสิทธิในการครอบครองข้อมูล

Traditional decentralized storage solutions like Filecoin, ArweaveและStorjสามารถเก็บข้อมูล AI ปริมาณมากได้ในราคาต่ำมาก

ในที่เดียวกัน, โซลูชันการจัดเก็บข้อมูลที่เฉพาะเจาะจงสำหรับ AI ที่เป็นเทคโนโลยีใหม่มีการปรับแต่งให้เหมาะสมกับลักษณะเฉพาะของข้อมูล AI ตัวอย่างเช่น,พื้นที่และเวลาและOpenDBปรับปรุงการทำเตรียมข้อมูลและการคิวรี่ข้อมูลให้เหมาะสมMasa, หญ้า, Nuklai, และ โปรโตคอล KIPโฟกัสที่จะทำให้ข้อมูล AI มีมูลค่าเครือข่ายเบเกิล มุ่งเน้นความเป็นส่วนตัวของข้อมูลผู้ใช้

Solutions เหล่านี้ใช้ประโยชน์จากข้อดีที่ไม่เหมือนใครของคริปโตเพื่อนวัยวิจัยในด้านการจัดการข้อมูลภายในฟิลด์ AI ที่เคยได้รับความสนใจน้อยกว่านี้

เลเยอร์แอปพลิเคชัน

1. ผู้สร้าง

ในเลเยอร์แอปพลิเคชัน Crypto+AI แอปพลิเคชันสร้างสรรค์นั้นน่าสังเกต เมื่อพิจารณาถึงความสามารถทางการเงินของ Crypto การสร้างสรรค์ AI Creators ให้กำลังใจเป็นสิ่งที่เกิดขึ้นโดยธรรมชาติ

สำหรับผู้สร้าง AI การเน้นแบ่งเป็นระหว่างผู้ใช้โค้ดต่ำ/ไม่มีโค้ดและนักพัฒนา ผู้ใช้โค้ดต่ำ/ไม่มีโค้ด เช่นผู้สร้างบอท ใช้แพลตฟอร์มเหล่านี้ในการสร้างบอทและหาเงินจากการขายโทเค็น/NFT พวกเขาสามารถระดมทุนอย่างรวดเร็วผ่าน ICO หรือ NFT Mint แล้วให้ผลตอบแทนแก่ผู้ถือโทเค็นในระยะยาวผ่านการถือครองร่วม เช่น การแบ่งปันรายได้ นี้เปิดโอกาสให้ผลิตภัณฑ์ AI ของพวกเขาเปิดโอกาสให้ชุมชนเป็นเจ้าของร่วม จึงสมบูรณ์แบบชีวิตของเศรษฐกิจ AI[6].

นอกจากนี้ เนื่องจาก Crypto AI creator platforms เขาจึงตอบโจทย์ที่เกิดขึ้นในการจัดทุนในช่วงเริ่มต้นถึงกลางระยะ และการทำกำไรในระยะยาวสำหรับผู้สร้าง AI นี้เกิดจากการใช้ประโยชน์จากความเป็นเอกลักษณ์ของการทำให้เป็นโทเค็นที่มีอยู่ใน Crypto และการให้บริการในอัตราส่วนของอัตราค่าบริการtypical of Web2—demonstrating the 0 operational cost benefits brought by คริปโต’s decentralization[7].

ในกลุ่มธุรกิจนี้ แพลตฟอร์มเช่น MagnetAI, Olas, Myshell, Fetch.ai, โปรโตคอลเสมือน, และ สเปกตรัลการให้บริการสำหรับผู้ใช้โค้ดต่ำ/ไม่มีโดยการ提供แพลตฟอร์มสร้างเอเจนต์ สำหรับนักพัฒนาโมเดล AIMagnetAIและOraโมเดลพัฒนาแพลตฟอร์มข้อเสนอ นอกจากนี้สำหรับหมวดหมู่อื่น ๆ เช่นผู้สร้าง AI+Social มีแพลตฟอร์มอย่างStory ProtocolและCreatorBidที่ปรับแต่งโดยเฉพาะตามความต้องการของพวกเขาในขณะที่ SaharaAI เน้นการพาธุรกิจไปที่มีรายได้จากฐานความรู้

2. ผู้บริโภค

Consumer หมายถึงการใช้ปัญญาประดิษฐ์ในการให้บริการโดยตรงแก่ผู้ใช้คริปโต. ณ ปัจจุบันมีโครงการในแนวทางนี้น้อยกว่า แต่โครงการที่มีมีความไม่สมจริงและเป็นเอกลักษณ์ เช่น Worldcoin และ ChainGPT.

3. มาตรฐาน

มาตรฐานเป็นทางเลือกที่แตกต่างภายในคริปโต ที่มีลักษณะด้วยการพัฒนาบล็อกเชนอิสระ โปรโตคอล หรือการปรับปรุงเพื่อสร้างบล็อกเชน AI dApp อิสระ หรือโดยการเปิดให้โครงสร้างพื้นฐานที่มีอยู่ เช่น Ethereum เพื่อรองรับแอปพลิเคชัน AI

มาตรฐานเหล่านี้ช่วยให้ AI dApps สามารถเป็นตัวแทนของคุณสมบัติของคริปโต เช่น ความโปร่งใสและการกระจายอำนาจ ทำให้มีการสนับสนุนพื้นฐานสำคัญสำหรับผู้สร้างและผู้บริโภค

ตัวอย่างเช่น โอรา, ซึ่งขยาย ERC-20 เพื่อให้บริการแบ่งปันรายได้ และ 7007.ai, ซึ่งขยาย ERC-721 เพื่อทำให้เป็นสัญญาณจำแนกสินทรัพย์การพยากรณ์โมเดล นอกจากนี้ แพลตฟอร์มเช่น Talus, Theoriq, AletheaและMorpheus are creating on-chain VMs to provide execution environments for AI Agents, while Sentientมีมาตรฐานอย่างครอบคลุมสำหรับ AI dApps

4. เศรษฐกิจ AI

เศรษฐกิจ AI เป็นนวัตกรรมที่สำคัญภายในโดเมน Crypto+AI โดยเน้นการใช้โทเค็นิเซชัน การจัดการเงินและการสร้างสิทธิแรงจูงให้กับ AI เพื่อประชาธิปไตย

ไดอารี่เศรษฐกิจ AI โดย MagnetAI

มันเน้นเศรษฐกิจแบ่งปัน AI, การเป็นเจ้าของร่วมชุมชน, และการแบ่งปันสิทธิ์ในการเป็นเจ้าของ นวัตกรรมเหล่านี้ส่งผลให้ความเจริญรุ่งเรงและการพัฒนาของ AI ไปอีกขั้นตอน

ในนั้น,TheoriqและFetch.aiโฟกัสที่การกำหนดราคาตัวแทน;Olasเน้นการทำให้เป็นโทเค็น;Mind Networkมีประโยชน์จากการ restaking; และ MagnetAIผสมการทำเครื่องหมาย, การพิสูจน์เป็นเงิน, และการกระตุ้นให้เกิดแรงจูงใจในแพลตฟอร์มที่สมบูรณ์แบบ

ส่วนสุดท้าย: สรุป

AI และ คริปโต เป็นพันธมิตรที่เกิดโดยธรรมชาติ คริปโตช่วยทำให้ AI เปิดเผย โปร่งใส และสนับสนุนอย่างไม่สมจริงสำหรับความเจริญรุ่งเรืองของมันได้อย่างไม่สมจริง

AI, ในลำดับต่อมา, ขยายขอบเขตของคริปโต, ดึงดูดผู้ใช้และความสนใจมากขึ้น โดยในฐานะเรื่องราวสืบทอดทั่วไปสำหรับมนุษยชาติทั้งหมด, AI ยังนำเรื่องราวการนำมาใช้อย่างมากมายเข้าสู่โลกคริปโตที่ไม่เหมือนใคร

ข้อความปฏิเสธความรับผิดชอบ：

1. บทความนี้ถูกพิมพ์อีกครั้งจาก [ แม่เหล็ก AI]. ลิขสิทธิ์ทั้งหมดเป็นของผู้เขียนต้นฉบับ [MagnetAI]. หากมีข้อความที่ไม่เห็นด้วยกับการพิมพ์ซ้ำนี้ โปรดติดต่อเกต เรียนทีมและพวกเขาจะดำเนินการโดยเร็ว
2. คำปฏิเสธความรับผิด: มุมมองและความคิดเห็นที่แสดงในบทความนี้เป็นเพียงเพียงของผู้เขียนเท่านั้น และไม่เป็นการให้คำแนะนำทางด้านการลงทุนใด ๆ
3. การแปลบทความเป็นภาษาอื่นๆ ถูกทำโดยทีม Gate Learn ห้ามทำการคัดลอก แจกจ่าย หรือลอกเลียนแบบบทความที่ถูกแปล นอกจากจะได้รับอนุญาต