• Перетин між штучним інтелектом (AI) та криптовалютою широкий, але часто погано розуміється. Ми вважаємо, що різні підрозділи цього перетину мають відмінні можливості та строки розвитку.
• Загалом ми вважаємо, що для продуктів штучного інтелекту децентралізація сама по собі недостатня для забезпечення конкурентних переваг – вона також повинна досягти функціональної паритетності з централізованими продуктами в деяких інших ключових областях.
• Наш контрарний погляд полягає в тому, що через широку увагу до індустрії штучного інтелекту потенціал вартості багатьох токенів штучного інтелекту може бути перебільшеним, і багато токенів штучного інтелекту можуть бути позбавлені стійких драйверів попиту у короткостроковому та середньостроковому періодах.

В останні роки продовжені досягнення в штучному інтелекті, особливо в галузі генеративного штучного інтелекту, привернули велику увагу до індустрії штучного інтелекту та надали можливості для криптопроектів, розташованих на перетині цих двох сфер. Ми раніше розглядали деякі можливості для сектора в ранньому звіті у червні 2023 року, вказавши, що загальне виділення капіталу в криптовалютах, схоже, на перевкладення в штучний інтелект. Галузь криптоштучного інтелекту значно зростала з тих пір, і ми вважаємо важливим вказати деякі практичні виклики, які можуть перешкоджати його широкому поширенню.

Швидка зміна штучного інтелекту змушує нас бути обережними стосовно сміливих тверджень, що крипто-центричні платформи мають унікальне положення для розрушення галузі; це веде нас до висновку, що більшість токенів штучного інтелекту мають довгостроковий та стійкий шлях цінності. Дорога повна невизначеності, особливо для проектів з фіксованими моделями токенів. Замість цього, ми вважаємо, що деякі нові тенденції в галузі штучного інтелекту можуть зробити інновації на основі криптовалют складнішими для прийняття, беручи до уваги загальну конкуренцію на ринку та регулювання.

Це сказано, ми вважаємо, що точка між штучним інтелектом та криптовалютами широка та має різноманітні можливості, при цьому прийняття ймовірно буде швидшим у певних підсегментах, незважаючи на відсутність вже рекламованих токенів у багатьох з цих областей. Однак це, здається, не зменшує інтерес інвесторів. Ми вважаємо, що виступ криптовалют, пов'язаних з штучним інтелектом, підтримується заголовками ринку штучного інтелекту та може мати позитивну цінову динаміку навіть у дні, коли Біткоїн торгується нижче. Тому ми вважаємо, що багато криптовалют, пов'язаних з штучним інтелектом, можуть продовжувати торгуватися як представники прогресу штучного інтелекту.

Ключові тенденції штучного інтелекту

Один з найважливіших трендів у сфері штучного інтелекту (що стосується продуктів крипто-ШІ) - це постійна культура навколо відкритих моделей джерел. Більше 530 000 моделей викладено на Hugging Face для дослідників і користувачів для маніпулювання та налаштування. Роль Hugging Face в співпраці з ШІ нічим не відрізняється від покладання на GitHub для зберігання коду чи Discord для управління спільнотою (обидва широко використовуються в крипто-просторі). За винятком серйозного керування, ця ситуація ймовірно не зміниться в найближчому майбутньому.

Моделі, доступні на Hugging Face, охоплюють великі мовні моделі (LLM), генеративні моделі зображень та відео, включають творіння від великих гравців галузі, таких як Open AI, Meta та Google, а також незалежних розробників. Деякі відкриті мовні моделі навіть мають переваги продуктивності перед сучасними закритими моделями з точки зору пропускної здатності (зберігаючи порівняну якість виведення), забезпечуючи певний рівень конкуренції між відкритими та комерційними моделями (див. Рисунок 1). І, що важливо, ми вважаємо, що ця жива відкрита екосистема, поєднана з висококонкурентним комерційним сектором, створила галузь, де погані моделі вибиваються з конкуренції.

Другій тенденції полягає в зростанні якості та вартісної ефективності менших моделей (висвітлено в дослідженні LLM з 2020 року та в останній статті від Microsoft), що також співпадає з культурою відкритого коду для подальшого забезпечення високоякісної продуктивності, локального запуску моделей штучного інтелекту. Деякі дотримані моделі відкритого коду навіть можуть перевершувати провідні моделі закритого коду за певними показниками. У такому світі деякі моделі штучного інтелекту можуть працювати локально, максимізуючи децентралізацію. Звичайно, технологічні компанії-лідери будуть продовжувати тренувати та запускати більші моделі в хмарі, але простір дизайну між ними вимагатиме компромісів.

Додатково, беручи до уваги зростаючу складність завдання порівняння моделей штучного інтелекту (включаючи забруднення даних та різні обсяги тестування), генерування вихідних даних може бути найкраще оцінено кінцевими користувачами на вільному ринку. На практиці, кінцеві користувачі можуть використовувати існуючі інструменти для порівняння вихідних даних моделі поруч з компаніями-бенчмарками, які виконують ті ж операції. Приблизна ідея складності бенчмарків з генеративним штучним інтелектом може бути отримана з ростучого різноманіття відкритих бенчмарків LLM, включаючи MMLU, HellaSwag, TriviaQA, BoolQ тощо, кожен з яких тестує різні використання, такі як мислення здорового глузду, академічні теми та різні формати питань.

Третім трендом, який ми спостерігаємо в галузі штучного інтелекту, є те, що існуючі платформи зі сильним утриманням користувачів або вирішення конкретних бізнес-проблем можуть надмірно вигідно використовувати інтеграцію ШІ. Наприклад, інтеграція GitHub Copilot з редакторами коду покращує вже потужне середовище розробника. Вбудовання інтерфейсів ШІ в інші інструменти, від поштових клієнтів до таблиць до програмного забезпечення управління відносинами з клієнтами, також є природніми випадками використання ШІ (наприклад, штучний помічник Klarna виконує роботу 700 повноцінних співробітників служби підтримки).

Проте варто зауважити, що в багатьох таких сценаріях моделі штучного інтелекту не призведуть до появи нових платформ, а лише підсилять існуючі. Інші моделі штучного інтелекту, які покращують традиційні бізнес-процеси у внутрішньому плані (наприклад, система Lattice Meta, яка допомогла відновити рекламну ефективність Apple до старих рівнів після запуску прозорості відстеження додатків), також часто ґрунтуються на власних даних та закритих системах. Ці типи моделей штучного інтелекту, ймовірно, залишаться закритими джерелами, оскільки вони вертикально інтегровані в основний продукт та використовують власні дані.

У світі апаратного забезпечення та обчислень штучного інтелекту ми спостерігаємо ще дві пов'язані тенденції. Перша - це зсув у використанні обчислень від навчання до виведення. Тобто, коли спочатку розробляються моделі штучного інтелекту, використовуються величезні обсяги обчислювальних ресурсів для "навчання" моделі шляхом подачі на неї великих наборів даних. Тепер ми перейшли до розгортання та запитування моделі.

Звіт про прибуток NVIDIA у лютому 2024 року показав, що приблизно 40% їхнього бізнесу використовували для інференції. Сатья Наделла зробив подібні зауваження на звіті про прибуток Microsoft у місяці до січня, вказавши, що "більшість" їхнього використання Azure AI для міркування. Як цей тренд продовжується, ми вважаємо, що суб'єкти, які прагнуть монетизувати моделі, будуть надавати перевагу платформам, які можуть надійно виконувати моделі в безпечний і готовий до виробництва спосіб.

Другий головний тренд - конкурентне середовище, що оточує апаратну архітектуру. Процесори H200 від Nvidia будуть доступні починаючи з другого кварталу 2024 року, очікується, що наступне покоління B100 подвоїть продуктивність. Крім того, продовжена підтримка Google для власного Tensor Processing Unit (TPU) та новіший Language Processing Unit (LPU) від Groq також можуть збільшити свою частку на ринку як альтернативи в цьому просторі у наступні роки (див. Рисунок 2). Такі розвитки можуть змінити динаміку витрат у галузі штучного інтелекту та можуть приносити користь постачальникам хмарних сервісів, дозволяючи їм швидко змінювати напрямок, масово закуповувати апаратне забезпечення та налаштовувати будь-які пов'язані фізичні мережеві вимоги та інструменти розробника.

Загалом, галузь штучного інтелекту є новою та швидко розвиваючоюся галуззю. Менше, ніж за 1,5 року після випуску на ринок у листопаді 2022 року ChatGPT (хоча його базова модель GPT 3 існує з червня 2020 року), швидкий ріст галузі з того часу був дивовижним. Незважаючи на деякі сумнівні поведінки щодо упередженості деяких генеративних моделей штучного інтелекту, ми можемо бачити, що менш ефективні моделі поступово виходять з ринку на користь кращих альтернатив. Швидкий ріст галузі та потенціал для надходження регулювань означають, що проблеми галузі постійно змінюються з появою нових рішень.

Для такої сфери, що швидко розвивається, часто розрекламоване «децентралізоване рішення [ХХХ]» як заздалегідь визначений висновок є передчасним. Це також превентивно вирішує проблему централізації, яка може не обов'язково існувати. Реальність така, що індустрія штучного інтелекту досягла значного ступеня децентралізації в технологічних і бізнес-вертикалях завдяки конкуренції між багатьма різними компаніями та проектами з відкритим вихідним кодом. Крім того, через характер процесів прийняття рішень і консенсусу, децентралізовані протоколи розвиваються повільніше, ніж централізовані протоколи, як на технічному, так і на соціальному рівні. Це може створити перешкоди в прагненні збалансувати децентралізацію та конкурентоспроможні продукти на даному етапі розвитку штучного інтелекту. Іншими словами, існує синергія між криптовалютою та штучним інтелектом, яку можна осмислено реалізувати протягом тривалого періоду часу.

З'ясуйте можливість

Загалом ми ділимо перетин штучного інтелекту та криптовалют на дві широкі категорії. Перша категорія - це випадки використання, де продукти штучного інтелекту покращують криптовалютну індустрію. Це включає сценарії від створення транзакцій, зрозумілих для людини, та покращення аналізу даних блокчейну до використання вихідних моделей на ланцюгу як частину бездозвільного протоколу. Друга категорія - це випадки використання, де криптовалюти мають на меті розрушити традиційні пайплайни штучного інтелекту через децентралізоване обчислення, верифікацію, ідентичність тощо.

Сценарії використання для колишньої категорії бізнес-сценаріїв є зрозумілими, і ми вважаємо, що, хоча залишаються значні технічні виклики, також існують довгострокові перспективи в більш складних сценаріях моделей інференції на ланцюжку. Централізовані моделі штучного інтелекту можуть покращити криптовалюту, як будь-яку іншу технологійно спрямовану галузь, починаючи від покращення інструментів розробника та кодування до перекладу людської мови у дії на ланцюжку. Проте інвестиції у цю галузь зазвичай направляються у приватні компанії через венчурний капітал, тому вона часто ігнорується на ринках.

Проте для нас менш впевненими є наслідки та переваги того, як крипто може нарушити існуючі трубопроводи ШІ. Труднощі в останній категорії - це не лише технічні виклики (які, на нашу думку, загалом можливо вирішити в довгостроковій перспективі), а також важкі битви з більш широкими ринковими та регуляторними силами. Багато уваги останнього часу приділяється штучному інтелекту та криптовалютам саме цій категорії, оскільки ці використання більш підходять для володіння рідкісними токенами. Це фокус нашого наступного розділу, оскільки в даний час існує відносно небагато рідкісних токенів, що стосуються централізованих інструментів ШІ в криптовалютах.

Роль криптовалют в конвейерах штучного інтелекту

На ризик занадто спрощення питання, ми розглядаємо потенційний вплив криптовалют на штучний інтелект на чотирьох основних етапах конвеєра штучного інтелекту:

1. Збір, зберігання та обробка даних

2. Тренування та виведення моделі

3. Перевірка виведення моделі

4. Відстежуйте вихід моделі штучного інтелекту

Багато нових проектів з крипто-ШІ з'явилися в цих областях. Однак багато з них зіткнуться з серйозними викликами в короткостроковій і середньостроковій перспективі з боку генерації попиту та жорсткої конкуренції з боку централізованих компаній та відкритих рішень.

Власні дані

Дані є основою всіх моделей AI і можуть бути ключовим відмінником у професійній роботі моделі AI. Історичні дані блокчейну самі по собі є новим джерелом даних для моделей, і деякі проекти, такі як Grass, також спрямовані на використання криптовалютних стимулів для управління новими наборами даних з відкритої мережі Інтернету. У цьому відношенні криптовалюта має можливість забезпечувати галузево специфічні набори даних та стимулювати створення нових цінних наборів даних. (Ми вважаємо, що недавня угода Reddit на суму $60 мільйонів на рік про ліцензування даних з Google сприятлива для майбутньої монетизації наборів даних.)

Багато ранніх моделей (таких як GPT 3) використовували комбінацію відкритих наборів даних, таких як CommonCrawl, WebText2, книги та Вікіпедія, а також схожі набори даних, які безкоштовно доступні на Hugging Face (наразі містить понад 110 000 варіантів). Однак, можливо, для захисту комерційних інтересів, багато останніх закритих моделей ще не оприлюднили остаточний склад набору даних для навчання. Тенденція до використання власних наборів даних, особливо в бізнес-моделях, продовжиться і збільшить значення ліцензування даних.

Існуючі централізовані ринки даних вже допомагають зменшити відстань між постачальниками даних та споживачами, залишаючи простір для нових рішень децентралізованих ринків даних, вкраплених між каталогами даних з відкритим вихідним кодом та корпоративними конкурентами. Без підтримки правової структури чисто децентралізований ринок даних також потребуватиме побудови стандартизованих інтерфейсів та конвеєрів даних, перевірки цілісності та конфігурації даних, вирішення проблеми початкового запуску своїх продуктів - з балансуванням токенів між учасниками ринку.

Крім того, децентралізовані рішення зберігання можуть знайти своє місце в індустрії штучного інтелекту, хоча з багатьма викликами у цьому відношенні. З одного боку, існують трубопроводи для поширення наборів відкритих даних, які вже існують і широко використовуються. З іншого боку, у багатьох власників власних наборів даних є строгі вимоги щодо безпеки та відповідності.

На даний момент не існує регулятивних шляхів для розміщення чутливих даних на децентралізованих платформах зберігання, таких як Filecoin та Arweave. Багато підприємств все ще переходять з власних серверів на централізованих постачальників хмарного сховища. Крім того, децентралізована природа цих мереж на даний момент не відповідає певним географічним вимогам щодо місця розташування та вимогам до фізичної ізоляції даних для зберігання чутливих даних на технічному рівні.

Хоча порівняння цін між децентралізованими рішеннями для зберігання даних і відомими хмарними провайдерами свідчить про те, що децентралізовані сховища дешевші за одиницю, це ігнорує важливу передумову. По-перше, початкові витрати, пов'язані з перенесенням систем між провайдерами, необхідно враховувати на додаток до повсякденних операційних витрат. По-друге, децентралізовані платформи зберігання даних на основі криптовалют повинні відповідати кращим інструментам та інтеграції зі зрілими хмарними системами, розробленими протягом останніх двох десятиліть. Хмарні рішення також мають більш передбачувані витрати з точки зору бізнес-операцій, пропонують договірні зобов'язання та спеціалізовані команди підтримки, а також мають великий пул наявних талантів розробників.

Варто також зауважити, що поверхневе порівняння з трьома провідними хмарними постачальниками (Amazon Web Services, Google Cloud Platform та Microsoft Azure) є неповним. Існує десятки хмарних компаній з меншими витратами, які також борються за частку ринку, пропонуючи дешевші базові серверні стійки. Ми вважаємо, що це справжні ближньострокові основні конкуренти для свідомих витрат споживачів.

Іншими словами, останні інновації, такі як обчислення даних Filecoin та середовище обчислення AO Arweave, можуть відігравати роль у майбутніх проектах зеленого поля, які використовують менш чутливі набори даних або для компаній, які ще не є чутливими до витрат постачальниками (потенційно меншого масштабу).

Отже, хоча у сфері даних безумовно є місце для нових криптографічних продуктів, останні технологічні розриви відбудуться там, де вони зможуть створити унікальні пропозиції вартості. Області, де децентралізовані продукти конкурують безпосередньо з традиційними і відкритими конкурентами, займуть більше часу для розвитку.

Навчання та виведення моделей

Сфера децентралізованого обчислення (DeComp) в криптовалютній промисловості також має на меті служити альтернативою централізованого хмарного обчислення, частково через існуючі дефіцити постачання GPU. Одним з запропонованих рішень для вирішення цього проблеми є повторне використання невикористаних обчислювальних ресурсів у колективних мережах, тим самим зменшуючи витрати для централізованих постачальників хмарних послуг. Протоколи, такі як Akash та Render, впровадили подібні рішення. Попередні показники свідчать про те, що такі проекти отримують зростаюче використання як з боку користувачів, так і постачальників. Наприклад, активні лізинги Akash (тобто кількість користувачів) зросли втричі з початку року (див. рисунок 3), головним чином через збільшення використання його зберігання та обчислювальних ресурсів.

Проте виплачені мережі комісії фактично знизилися з піку в грудні 2023 року, оскільки обсяг доступних GPU перевищив зростання попиту на ці ресурси. Сказавши це, оскільки до мережі приєднуються більше постачальників, кількість орендованих GPU (яка, здається, є найбільшим джерелом доходу пропорційно) зменшилася (див. Рисунок 4). Для мереж, де обчислювальна ціна може змінюватися в залежності від змін у пропозиції та попиті, невідомо, де в кінцевому підсумку з'явиться стійкий, попитом управляється попит на внутрішні токени, якщо зростання по стороні пропозиції перевищує зростання по стороні попиту. Хоча довгостроковий вплив таких змін невідомий, такі токеномічні моделі можуть знадобитися перегляду у майбутньому для оптимізації під ринкові зміни.

На технічному рівні децентралізовані обчислювальні рішення також стикаються з викликом обмежень пропускної здатності мережі. Для великих моделей, які потребують тренування на декількох вузлах, фізичний рівень інфраструктури мережі відіграє важливу роль. Швидкості передачі даних, надмірність синхронізації та підтримка певних розподілених алгоритмів тренування означають, що для забезпечення високопродуктивного виконання потрібні конкретні мережеві конфігурації та користувацькі мережеві комунікації (наприклад, InfiniBand). При перевищенні певного розміру кластера дуже складно реалізувати децентралізованим шляхом.

Узагальнюючи, довгостроковий успіх децентралізованого обчислення (та зберігання) стикається з жорсткою конкуренцією від централізованих хмарних провайдерів. Будь-яке усвідомлення буде довгостроковим процесом, подібним до графіка усвідомлення хмари. З урахуванням зростаючої технологічної складності розвитку децентралізованої мережі, разом з відсутністю подібних масштабованих команд розробки та продажів, це буде викликом у повній реалізації візії децентралізованого обчислення.

Перевірка та довіра до моделей

Оскільки моделі штучного інтелекту стають все важливішими в повсякденному житті, зростають обліки щодо якості їх виходу та упередженості. Деякі криптовалютні проекти ставлять за мету вирішити це питання, використовуючи алгоритмічний підхід для оцінки виходів у різних категоріях, прагнучи доцільного, ринкового рішення. Однак виклики, пов'язані з порівнянням моделей, разом із зрозумілими компромісами між вартістю, пропускною здатністю та якістю, ускладнюють безпосередні порівняння. BitTensor є однією з найбільших криптовалют, що фокусуються на штучний інтелект та має на меті вирішити це питання, хоча численні видатні технічні виклики можуть ускладнити його широке поширення (див. Додаток 1).

Додатково, модель вивчення бездовіри (тобто доведення того, що виводи моделі дійсно створені заявленою моделлю) - це ще одна активна дослідницька область на перетині криптовалюти та штучного інтелекту. Однак, коли масштаб відкритих моделей зменшується, такі рішення можуть стикатися з викликами у попиті. В світі, де моделі можуть бути завантажені та запущені локально, а цілісність вмісту може бути перевірена за допомогою надійних методів хешування / контрольної суми файлу, роль бездовірної вивчення менше очевидна. Дійсно, багато великих мовних моделей (LLM) все ще не можуть бути навчені та працювати на легких пристроях, таких як смартфони, але потужні настільні комп'ютери (такі, як ті, що використовуються для високоякісних ігор), вже можуть запускати багато високопродуктивних моделей.

Походження даних та ідентичність

Оскільки результати роботи генеративного штучного інтелекту стають все більш невідличими від людських результатів, важливість визначення та відстеження того, що генерує ШШІ, стає актуальною. GPT 4 проходить тест Тьюрінга в 3 рази швидше, ніж GPT 3.5, і практично неуникне, що одного дня ми не зможемо відрізнити роботів від людей. У такому світі визначення ідентичності онлайн-користувачів та нанесення водяних знаків на згенерований ШШІ контент стануть ключовими можливостями.

Децентралізовані ідентифікатори та механізми перевірки ідентичності, такі як Worldcoin, спрямовані на вирішення попередніх викликів у визначенні людей on-chain. Так само, публікація хешів даних на блокчейні може допомогти встановити часовий штамп та перевірку джерела вмісту. Однак, як і з вищезазначеними частковими рішеннями, ми вважаємо, що повинен існувати баланс між можливістю крипто-рішень та централізованими альтернативами.

Деякі країни, такі як Китай, пов'язують онлайн-ідентифікатори з базами даних, які контролюються урядом. Хоча ступінь централізації в інших частинах світу може бути не такою високою, аліанси постачальників Know Your Customer (KYC) також можуть пропонувати рішення для верифікації особистості незалежно від технології блокчейну (аналогічно довіреним сертифікаційним органам, які лежать в основі сьогоднішньої безпеки інтернету). В даний час проводяться дослідження щодо штучного інтелектуального водяного знакування для вбудовування прихованих сигналів в текстові та зображеннєві виходи, щоб алгоритми могли виявити, чи зміст створений штучним інтелектом. Багато провідних компаній зі штучного інтелекту, включаючи Microsoft, Anthropic і Amazon, публічно зобов'язалися додавати такі водяні знаки до свого створеного вмісту.

Крім того, багато існуючих постачальників контенту були доручені строго записувати метадані контенту, щоб відповідати вимогам відповідності. Тому користувачі часто довіряють метаданим, пов'язаним з постами у соціальних мережах (але не довіряють знімкам екрана), навіть якщо вони централізовано зберігаються. Варто зазначити, що будь-яке крипто-орієнтоване джерело даних та рішення з ідентифікації потребує інтеграції з платформами користувачів для досягнення широкої ефективності. Тому, хоча крипто-орієнтовані рішення для підтвердження ідентичності та джерела даних технічно можливі, ми також вважаємо, що їх ухвалення не є передбачуваним і в кінцевому підсумку буде залежати від вимог бізнесу, відповідності та регулятивних вимог.

Торгівля AI Narrative

Незважаючи на вищезазначені труднощі, багато токенів штучного інтелекту перевершили Біткоїн та Ефіріум починаючи з четвертого кварталу 2023 року, а також основні акціі̆ні папери із штучного інтелекту такі, як Nvidia та Microsoft. Це тому, що токени штучного інтелекту зазвичай користуються сильним відносним розвитком на більш широкому криптовалютному ринку та пов'язаних новинах про штучний інтелект (див. додаток 2). Тому, навіть якщо ціна на Біткоїн падає, ціни на токени, які фокусуються на штучному інтелекті, можуть коливатись уверх, що може призвести до підвищеної волатильності під час падінь цін на Біткоїн. На рис. 5 візуально показано розподіл токенів штучного інтелекту під час падінь цін на Біткоїн.

В цілому, в наративі штучного інтелекту в криптовалютному просторі все ще відсутні багато факторів короткострокового попиту, які тримаються. Відсутність чітких передбачень прийняття та метрик призвела до широкої спекуляції, схожої на мем, яка, можливо, не є стійкою в довгостроковому плані. У кінцевому підсумку, ціна та корисність збігнуться—нерозв'язане питання у тому, як довго це займе та чи зросте корисність, щоб відповідати ціні, чи навпаки. Зазначимо, що нинішня будівництво криптовалютного ринку та процвітання галузі штучного інтелекту можуть підтримувати стійкий наратив криптовалютного штучного інтелекту протягом деякого часу.

Висновок

Роль криптовалюти в штучному інтелекті — не лише абстракція. Будь-яка децентралізована платформа конкурує з існуючими централізованими альтернативами і повинна бути проаналізована в контексті ширших бізнесових та регулятивних вимог. Тому просто замінити централізованих постачальників на «децентралізованих» не достатньо для досягнення значущих результатів. Генеративні моделі штучного інтелекту існують протягом кількох років і зберегли певний рівень децентралізації завдяки ринковій конкуренції та відкритому програмному забезпеченню.

Постійною темою в цьому звіті є визнання того, що хоча криптовалютні рішення часто технічно досяжні, для досягнення функціональності на рівні більш централізованих платформ вони все ще вимагають значної роботи, які, схоже, не збираються зупинятися на майбутніх розвитках. Фактично, завдяки механізму консенсусу, централізований розвиток часто прогресує швидше, ніж децентралізований розвиток, що може становити виклики для сфери, як, наприклад, штучний інтелект, яка стрімко розвивається.

З урахуванням цього перетин штучного інтелекту та криптовалюти все ще перебуває на початкових етапах, і в майбутні роки можуть відбуватися швидкі зміни з більш широким розвитком галузі штучного інтелекту. Децентралізоване майбутнє штучного інтелекту не гарантовано, як це уявляють багато гравців у криптовалютній галузі - справді, майбутнє самої галузі штучного інтелекту залишається в основному невизначеним. Тому ми вважаємо, що обережний підхід полягає в уважному навігуванні такими ринками, дослідженні криптовалютних рішень та правильному розумінні того, як надати кращі альтернативи або оволодіти потенційними торговими наративами.

Посилання на оригінальну статтю

Заява:

1. Ця стаття під оригінальною назвою «加密世界的AI海市蜃楼» відтворена з [theblockbeats]. Усі авторські права належать оригінальному автору [David Han]. Якщо у вас є будь-які зауваження щодо репринту, будь ласка, зв'яжітьсяGate Learnкоманда, команда якнайшвидше цим займеться.

2. Відмова від відповідальності: Погляди та думки, висловлені в цій статті, представляють лише особисті погляди автора і не становлять будь-яких інвестиційних порад.

3. Переклади статей на інші мови виконуються командою Gate Learn. Якщо не зазначено інше, копіювання, поширення або плагіатування перекладених статей заборонене.