Forward the Original Title：’Laporan Riset Metrics Ventures | Dari Artikel V神, Kripto×AI Mempunyai Beberapa Jalur Perlombaan Sub-sektor yang Layak Diperhatikan?’

1 Pengantar: Empat cara menggabungkan Kripto dengan AI

Desentralisasi adalah konsensus yang dipertahankan oleh blockchain, memastikan keamanan adalah prinsip inti, dan keterbukaan adalah fondasi kunci dari perspektif kriptografi untuk membuat perilaku on-chain memiliki karakteristik yang disebutkan sebelumnya. Pendekatan ini telah dapat diterapkan dalam beberapa putaran revolusi blockchain dalam beberapa tahun terakhir. Namun, ketika kecerdasan buatan terlibat, situasinya mengalami beberapa perubahan.

Bayangkan merancang arsitektur blockchain atau aplikasi melalui kecerdasan buatan. Dalam hal ini, model perlu menjadi sumber terbuka, tetapi melakukannya akan mengekspos kerentanannya dalam pembelajaran mesin musuh. Sebaliknya, tidak menjadi sumber terbuka akan mengakibatkan kehilangan desentralisasi. Oleh karena itu, perlu mempertimbangkan dengan cara apa dan sejauh mana integrasi harus dilakukan saat memperkenalkan kecerdasan buatan ke blockchain atau aplikasi saat ini.

Sumber: UNIVERSITAS ETHEREUM

Dalam artikel ‘Saat Raksasa Bertabrakan: Menjelajahi Konvergensi Kripto x AIdari@ueth">DI UNIVERSITAS ETHEREUM, perbedaan karakteristik inti antara kecerdasan buatan dan blockchain diuraikan. Seperti yang ditunjukkan dalam gambar di atas, karakteristik kecerdasan buatan adalah:

• Pusat
• Transparansi Rendah
• Mengkonsumsi Energi
• Monopoli
• Atribut Monetisasi Lemah

Karakteristik yang disebutkan di atas benar-benar bertentangan dalam blockchain jika dibandingkan dengan kecerdasan buatan. Ini adalah argumen sejati dari artikel Vitalik. Jika kecerdasan buatan dan blockchain digabungkan, maka aplikasi yang lahir darinya perlu membuat kompromi dalam hal kepemilikan data, transparansi, kemampuan monetisasi, biaya energi, dll. Selain itu, infrastruktur apa yang perlu dibuat untuk memastikan integrasi kedua hal tersebut juga perlu dipertimbangkan.

Mengikuti kriteria di atas dan pemikirannya sendiri, Vitalik mengategorikan aplikasi yang terbentuk dari kombinasi kecerdasan buatan dan blockchain ke dalam empat jenis utama:

• AI sebagai pemain dalam sebuah permainan
• AI sebagai antarmuka ke permainan
• AI sebagai aturan permainan
• AI sebagai tujuan permainan

Di antaranya, tiga yang pertama utamanya mewakili tiga cara di mana AI diperkenalkan ke dunia Kripto, mewakili tiga tingkat kedalaman dari dangkal hingga dalam. Menurut pemahaman penulis, klasifikasi ini mewakili sejauh mana AI memengaruhi pengambilan keputusan manusia, dan dengan demikian memperkenalkan berbagai tingkat risiko sistemik ke seluruh dunia Kripto:

• Kecerdasan buatan sebagai peserta dalam aplikasi: Kecerdasan buatan sendiri tidak mempengaruhi keputusan dan perilaku manusia, sehingga tidak menimbulkan risiko bagi dunia nyata manusia. Oleh karena itu, saat ini memiliki tingkat praktikalitas tertinggi.
• Kecerdasan buatan sebagai antarmuka untuk aplikasi: Kecerdasan buatan menyediakan informasi atau alat bantu untuk pengambilan keputusan dan perilaku manusia, yang meningkatkan pengalaman pengguna dan pengembang serta menurunkan hambatan. Namun, informasi atau operasi yang tidak benar dapat memperkenalkan beberapa risiko ke dunia nyata.
• Kecerdasan buatan sebagai aturan aplikasi: Kecerdasan buatan sepenuhnya menggantikan manusia dalam pengambilan keputusan dan operasi. Oleh karena itu, perilaku jahat atau kegagalan kecerdasan buatan akan langsung menyebabkan kekacauan di dunia nyata. Saat ini, baik di Web2 maupun Web3, tidak mungkin untuk mempercayai kecerdasan buatan menggantikan manusia dalam pengambilan keputusan.

Akhirnya, kategori keempat proyek bertujuan untuk memanfaatkan karakteristik Kripto untuk menciptakan kecerdasan buatan yang lebih baik. Seperti yang disebutkan sebelumnya, sentralisasi, transparansi rendah, konsumsi energi, kecenderungan monopoli, dan atribut moneter yang lemah secara alami dapat dikurangi melalui properti Kripto. Meskipun banyak orang skeptis tentang apakah Kripto dapat berdampak pada perkembangan kecerdasan buatan, narasi paling menarik dari Kripto selalu kemampuannya untuk memengaruhi dunia nyata melalui desentralisasi. Jalur ini juga telah menjadi bagian paling banyak spekulasi dari jalur AI karena visi besarnya.

2 AI Sebagai Peserta

Dalam mekanisme di mana AI berpartisipasi, sumber insentif utama sering berasal dari protokol yang dimasukkan oleh manusia. Sebelum AI menjadi antarmuka atau bahkan aturan, kita biasanya perlu mengevaluasi kinerja berbagai AI, memungkinkan AI untuk berpartisipasi dalam mekanisme, dan akhirnya menerima imbalan atau hukuman melalui mekanisme on-chain.

Ketika AI bertindak sebagai peserta, dibandingkan dengan menjadi antarmuka atau aturan, risiko bagi pengguna dan seluruh sistem umumnya dianggap tidak signifikan. Hal ini dapat dianggap sebagai tahap yang diperlukan sebelum AI secara mendalam mempengaruhi keputusan dan perilaku pengguna. Oleh karena itu, biaya dan kompromi yang diperlukan untuk penggabungan kecerdasan buatan dan blockchain pada tingkat ini relatif kecil. Ini juga merupakan kategori produk yang Vitalik percayai saat ini memiliki tingkat praktikalitas yang tinggi.

Dalam hal ruang lingkup dan implementasi, banyak aplikasi AI saat ini termasuk dalam kategori ini, seperti bot perdagangan dan chatbot yang didukung AI. Tingkat implementasi saat ini masih membuat AI sulit untuk berfungsi sebagai antarmuka atau bahkan aturan. Pengguna membandingkan dan secara bertahap mengoptimalkan di antara berbagai bot, dan pengguna kripto belum mengembangkan kebiasaan menggunakan aplikasi AI. Dalam artikel Vitalik, Agen Otonom juga diklasifikasikan ke dalam kategori ini.

Namun, dalam arti yang lebih sempit dan dari sudut pandang visi jangka panjang, kami cenderung membuat perbedaan yang lebih rinci untuk aplikasi AI atau agen AI. Oleh karena itu, dalam kategori ini, subkategori yang mewakili termasuk:

2.1 Permainan AI

Secara beberapa aspek, permainan AI memang dapat diklasifikasikan ke dalam kategori ini. Pemain berinteraksi dengan AI dan melatih karakter AI mereka agar lebih sesuai dengan preferensi pribadi mereka, seperti lebih mendekati selera individu atau menjadi lebih kompetitif dalam mekanika permainan. Permainan berfungsi sebagai tahap transisi bagi AI sebelum memasuki dunia nyata. Mereka juga mewakili jalur dengan risiko implementasi yang relatif rendah dan merupakan yang paling mudah dipahami oleh pengguna biasa. Proyek ikonik dalam kategori ini termasuk AI Arena, Echelon Prime, dan Altered State Machine.

• AI Arena: Sebuah permainan pertarungan pemain lawan pemain (PVP) di mana pemain dapat melatih dan mengembangkan karakter dalam permainan mereka menggunakan kecerdasan buatan (AI). Tujuan permainan ini adalah memungkinkan pengguna biasa berinteraksi, memahami, dan mengalami AI melalui permainan, sambil juga memberikan kepada insinyur AI berbagai algoritma AI untuk meningkatkan pendapatan mereka. Setiap karakter dalam permainan didukung oleh NFT yang diaktifkan oleh AI, dengan Core yang berisi arsitektur dan parameter model AI disimpan di IPFS. Parameter dalam NFT baru secara acak, artinya akan melakukan tindakan acak. Pengguna perlu meningkatkan kemampuan strategis karakter mereka melalui pembelajaran imitasi (IL). Setiap kali seorang pengguna melatih karakter dan menyimpan kemajuan, parameter diperbarui di IPFS.
  

• Altered State Machine: .ASM bukan permainan AI tetapi protokol untuk verifikasi hak dan perdagangan untuk agen AI. Ini diposisikan sebagai protokol AI metaverse dan saat ini mengintegrasikan dengan beberapa game termasuk FIFA, memperkenalkan agen AI ke dalam game dan metaverse. ASM menggunakan NFT untuk memverifikasi dan memperdagangkan agen AI, dengan setiap agen terdiri dari tiga bagian: Otak (karakteristik intrinsik agen), Memori (menyimpan strategi perilaku belajar agen dan pelatihan model, terhubung ke Otak), dan Bentuk (penampilan karakter, dll.). ASM memiliki modul Gym, termasuk penyedia cloud GPU terdesentralisasi, untuk memberikan dukungan komputasi bagi agen. Proyek yang saat ini dibangun di ASM meliputi AIFA (permainan sepak bola AI), Muhammed Ali (permainan tinju AI), AI League (permainan sepak bola jalanan bekerja sama dengan FIFA), Raicers (permainan balap AI), dan FLUF World’s Thingies (NFT generatif). \n
  

• Parallel Colony (PRIME): Echelon Prime sedang mengembangkan Parallel Colony, sebuah game berbasis AI LLM (Large Language Models). Pemain dapat berinteraksi dengan avatar AI mereka dan memengaruhi mereka, dengan avatar bertindak secara otonom berdasarkan kenangan dan lintasan kehidupan. Colony saat ini merupakan salah satu game AI paling dinantikan, dan whitepaper resmi baru-baru ini telah dirilis. Selain itu, pengumuman migrasi ke Solana telah memicu gelombang kegembiraan lain dan meningkatkan nilai PRIME.

2.2 Prediksi Pasar/Kontes

Kemampuan prediktif adalah landasan bagi AI untuk membuat keputusan dan perilaku di masa depan. Sebelum model AI digunakan untuk prediksi praktis, kompetisi prediksi membandingkan kinerja model AI pada level yang lebih tinggi. Dengan memberikan insentif dalam bentuk token bagi ilmuwan data/model AI, pendekatan ini memiliki implikasi positif bagi pengembangan seluruh bidang Kripto×AI. Ini terus mendorong pengembangan model dan aplikasi yang lebih efisien dan berkinerja tinggi yang sesuai untuk dunia kripto. Sebelum AI secara mendalam memengaruhi pengambilan keputusan dan perilaku, hal ini menciptakan produk-produk yang lebih berkualitas dan aman. Seperti yang diungkapkan oleh Vitalik, pasar prediksi adalah primitif yang kuat yang dapat diperluas ke banyak jenis masalah lainnya. Proyek-proyek ikonik dalam jalur ini termasuk Numerai dan Ocean Protocol.

• Numerai: Numerai adalah kompetisi ilmu data yang berlangsung lama di mana ilmuwan data melatih model pembelajaran mesin untuk memprediksi pasar saham berdasarkan data pasar historis yang disediakan oleh Numerai. Mereka kemudian mempertaruhkan model mereka dan token NMR dalam turnamen, dengan model-model yang berperforma baik menerima imbalan token NMR, sementara token yang dipertaruhkan pada model-model yang berperforma buruk dibakar. Hingga 7 Maret 2024, telah ada 6.433 model dipertaruhkan, dan protokol telah memberikan total $75,760,979 dalam imbalan kepada ilmuwan data. Numerai mendorong kolaborasi global di antara ilmuwan data untuk membangun jenis dana lindung baru. Dana yang dirilis sejauh ini termasuk Numerai One dan Numerai Supreme. Jalur Numerai melibatkan kompetisi prediksi pasar→model prediksi berbasis keramaian→pembuatan dana lindung baru berdasarkan model-model berbasis keramaian.
• Ocean Protocol: Ocean Predictor berfokus pada prediksi, dimulai dengan prediksi yang dikumpulkan oleh kerumunan tentang tren kripto. Pemain dapat memilih untuk menjalankan bot Predictor atau bot Trader. Bot Predictor menggunakan model AI untuk memprediksi harga kripto (misalnya, BTC/USDT) pada titik waktu berikutnya (misalnya, lima menit ke depan) dan bertaruh sejumlah tertentu token $OCEAN. Protokol menghitung prediksi global berdasarkan jumlah yang dipertaruhkan. Trader membeli hasil prediksi dan dapat berdagang berdasarkan hasil tersebut. Ketika akurasi prediksi tinggi, Trader dapat mengambil keuntungan darinya. Predictor yang membuat prediksi yang salah akan dikenai sanksi, sementara mereka yang membuat prediksi yang benar akan menerima sebagian dari token yang dipertaruhkan serta biaya pembelian dari Trader sebagai imbalan. Pada tanggal 2 Maret, Ocean Predictoor mengumumkan arah terbarunya, Model Dunia-Dunia (WDM), yang mulai menjelajahi prediksi untuk skenario dunia nyata seperti cuaca dan energi.
  

3 AI Sebagai Antarmuka

AI dapat membantu pengguna memahami apa yang terjadi di dunia kripto menggunakan bahasa yang sederhana dan mudah dipahami, bertindak sebagai mentor bagi pengguna dan memberikan peringatan untuk risiko potensial guna mengurangi hambatan masuk dan risiko pengguna dalam Kripto, sehingga meningkatkan pengalaman pengguna. Fungsionalitas produk yang dapat direalisasikan sangat beragam, seperti peringatan risiko selama interaksi dompet, perdagangan niat yang didorong AI, chatbot AI yang mampu menjawab pertanyaan umum pengguna tentang kripto, dan lainnya. Audiens untuk layanan ini semakin luas, termasuk tidak hanya pengguna biasa tetapi juga pengembang, analis, dan hampir semua kelompok lainnya, menjadikan mereka penerima potensial layanan AI.

Mari kita ulangi kesamaan dari proyek-proyek ini: mereka belum menggantikan manusia dalam menjalankan keputusan dan perilaku tertentu, tetapi menggunakan model AI untuk menyediakan informasi dan alat bantu untuk membantu pengambilan keputusan dan perilaku manusia. Pada tingkat ini, risiko kejahatan AI mulai terungkap dalam sistem - menyediakan informasi yang salah untuk mengganggu penilaian manusia. Aspek ini telah dianalisis secara menyeluruh dalam artikel Vitalik.

Ada banyak proyek yang beragam yang dapat diklasifikasikan dalam kategori ini, termasuk chatbot AI, audit kontrak pintar AI, generasi kode AI, bot perdagangan AI, dan lainnya. Dapat dikatakan bahwa sebagian besar aplikasi AI saat ini berada pada level dasar ini. Proyek-proyek representatif termasuk:

• Paal: PaaL saat ini merupakan proyek terkemuka dalam chatbot AI dan dapat dianggap sebagai ChatGPT yang dilatih dalam pengetahuan terkait kripto. Terintegrasi dengan platform seperti Telegram (TG) dan Discord, PaaL memberikan pengguna dengan fungsionalitas seperti analisis data token, analisis fundamental token, dan ekonomi token, serta generasi teks-ke-gambar dan fitur lainnya. Bot PaaL dapat diintegrasikan ke dalam obrolan grup untuk secara otomatis merespons informasi tertentu. PaaL juga mendukung bot personal yang dapat disesuaikan, memungkinkan pengguna untuk membangun basis pengetahuan AI dan bot kustom mereka sendiri dengan memberikan dataset. PaaL sedang menuju ke arah Bot Perdagangan AI dan, pada 29 Februari, mengumumkan terminal riset & perdagangan kripto yang didukung AI-nya, PaalX. Menurut pengantar, terminal ini dapat melakukan audit kontrak pintar AI, mengintegrasikan dan berdagang berdasarkan berita Twitter, serta memberikan dukungan untuk riset dan perdagangan kripto. Asisten AI dapat menurunkan hambatan masuk bagi pengguna.

ChainGPT: ChainGPT bergantung pada kecerdasan buatan untuk mengembangkan serangkaian alat kripto, seperti chatbot, generator NFT, koleksi berita, generasi dan audit kontrak pintar, asisten transaksi, pasar Prompt, dan pertukaran lintas rantai AI. Namun, fokus utama ChainGPT saat ini adalah pada inkubasi proyek dan Launchpad, dan telah menyelesaikan IDO untuk 24 proyek dan 4 Hadiah Gratis.

• Arkham: Ultra adalah mesin AI khusus Arkham yang dirancang untuk mencocokkan alamat dengan entitas dunia nyata menggunakan algoritma, sehingga meningkatkan transparansi di industri kripto. Ultra menggabungkan data on-chain dan off-chain yang disediakan oleh pengguna dan dikumpulkan oleh dirinya sendiri, dan mengeluarkannya ke dalam database yang dapat diperluas, yang pada akhirnya disajikan dalam bentuk grafik. Namun, dokumentasi Arkham tidak memberikan diskusi rinci tentang sistem Ultra. Arkham baru-baru ini menarik perhatian karena investasi pribadi dari Sam Altman, pendiri OpenAI, dan mengalami peningkatan nilai lima kali lipat dalam 30 hari terakhir.
• GraphLinq: GraphLinq adalah solusi manajemen alur kerja otomatis yang dirancang untuk memungkinkan pengguna mendeploy dan mengelola berbagai jenis fungsi otomatisasi tanpa pemrograman. Misalnya, pengguna dapat mendorong harga Bitcoin dari Coingecko ke Bot TG setiap 5 menit. Solusi GraphLinq memvisualisasikan proses otomatisasi menggunakan grafik, memungkinkan pengguna membuat tugas otomatisasi dengan menyeret node dan menggunakan Mesin GraphLinq untuk menjalankannya. Meskipun tidak diperlukan pemrograman, proses membuat grafik masih memiliki kurva pembelajaran tertentu bagi pengguna biasa, termasuk memilih template yang sesuai dan memilih serta menghubungkan blok logika yang sesuai dari ratusan pilihan. Untuk mengatasi hal ini, GraphLinq memperkenalkan kecerdasan buatan untuk memungkinkan pengguna membangun dan mengelola tugas otomatisasi menggunakan kecerdasan buatan percakapan dan bahasa alami, sehingga menyederhanakan proses bagi pengguna yang mungkin tidak familiar dengan aspek teknis.
• 0x0.ai:Bisnis terkait AI 0x0 utamanya mencakup tiga aspek: pemeriksaan kontrak pintar AI, deteksi anti-Rug AI, dan pusat pengembang AI. Di antaranya, deteksi anti-Rug AI bertujuan untuk mendeteksi perilaku mencurigakan seperti pajak berlebih atau pengurasan likuiditas untuk mencegah pengguna dari penipuan. Pusat pengembang AI memanfaatkan teknik pembelajaran mesin untuk menghasilkan kontrak pintar, memungkinkan implementasi kontrak tanpa kode. Namun, hanya pemeriksaan kontrak pintar AI yang sudah diluncurkan secara preliminer, sementara dua fungsionalitas lainnya belum sepenuhnya dikembangkan.
• Zignaly: Zignaly didirikan pada tahun 2018 dengan tujuan memungkinkan investor individual untuk memilih manajer dana untuk mengelola aset kripto mereka, mirip dengan logika copy-trading. Zignaly menggunakan teknologi machine learning dan kecerdasan buatan untuk membentuk sistem evaluasi manajer dana. Produk pertama yang diluncurkan disebut Z-Score. Namun, sebagai produk kecerdasan buatan, saat ini masih relatif dasar dalam bentuknya saat ini.
  

4 AI Sebagai Aturan Permainan

Ini adalah bagian paling menarik—mengaktifkan AI untuk menggantikan pengambilan keputusan dan perilaku manusia. AI Anda akan langsung mengendalikan dompet Anda, membuat keputusan perdagangan dan tindakan atas nama Anda. Dalam kategori ini, penulis percaya bahwa ini dapat dibagi menjadi tiga tingkatan utama: aplikasi AI (terutama yang memiliki visi pengambilan keputusan otonom, seperti bot perdagangan otomatis AI, bot hasil DeFi AI), protokol Agen Otonom, dan zkML/opML.

Aplikasi AI adalah alat untuk membuat keputusan tertentu dalam bidang tertentu. Mereka mengumpulkan pengetahuan dan data dari berbagai sektor dan mengandalkan model AI yang disesuaikan dengan masalah tertentu untuk pengambilan keputusan. Perlu dicatat bahwa aplikasi AI diklasifikasikan menjadi antarmuka dan aturan dalam artikel ini. Dalam hal visi pengembangan, aplikasi AI seharusnya menjadi agen pengambil keputusan independen, namun saat ini, baik efektivitas model AI maupun keamanan AI terintegrasi tidak dapat memenuhi persyaratan ini. Bahkan sebagai antarmuka, mereka agak dipaksa. Aplikasi AI masih berada dalam tahap awal, dengan proyek-proyek tertentu yang diperkenalkan sebelumnya.

Agen Otonom, yang disebut oleh Vitalik, diklasifikasikan dalam kategori pertama (AI sebagai peserta), tetapi artikel ini mengkategorikannya ke dalam kategori ketiga berdasarkan visi jangka panjang mereka. Agen Otonom menggunakan sejumlah besar data dan algoritma untuk mensimulasikan pemikiran dan proses pengambilan keputusan manusia, menjalankan berbagai tugas dan interaksi. Artikel ini terutama berfokus pada infrastruktur Agen, seperti lapisan komunikasi dan lapisan jaringan, yang menentukan kepemilikan Agen, mendirikan identitas mereka, standar komunikasi, dan metode, menghubungkan berbagai aplikasi Agen, dan memungkinkan mereka untuk bekerja sama dalam pengambilan keputusan dan perilaku.

zkML/opML: Pastikan bahwa output yang diberikan melalui proses penalaran model yang benar dapat dipercaya melalui metode kriptografi atau ekonomi. Masalah keamanan menjadi fatal ketika memperkenalkan Kecerdasan Buatan ke dalam kontrak pintar. Kontrak pintar bergantung pada input untuk menghasilkan output dan mengotomatisasi serangkaian fungsi. Jika AI memberikan input yang salah, itu akan memperkenalkan risiko sistemik yang signifikan ke seluruh sistem Kripto. Oleh karena itu, zkML/opML dan sejumlah solusi potensial adalah dasar untuk memungkinkan AI bertindak secara independen dan membuat keputusan.

Akhirnya, ketiganya bersama-sama membentuk tiga tingkat dasar AI sebagai operator aturan: zkml/opml sebagai infrastruktur tingkat terendah yang memastikan keamanan protokol; Protokol Agen membentuk ekosistem Agen, memungkinkan pengambilan keputusan dan perilaku kolaboratif; Aplikasi AI, juga Agen AI khusus, akan terus meningkatkan kemampuan mereka di domain tertentu dan benar-benar membuat keputusan dan mengambil tindakan.

4.1 Agen Otonom

Penerapan AI Agents di dunia kripto adalah hal yang alami. Dari kontrak pintar hingga Bot TG hingga AI Agents, ruang kripto bergerak menuju otomatisasi yang lebih tinggi dan hambatan pengguna yang lebih rendah. Sementara kontrak pintar menjalankan fungsi secara otomatis melalui kode yang tidak dapat diubah, mereka masih mengandalkan pemicu eksternal untuk mengaktifkan dan tidak dapat berjalan secara otonom atau terus-menerus. Bot TG mengurangi hambatan pengguna dengan memungkinkan pengguna berinteraksi dengan blockchain melalui bahasa alami, tetapi mereka hanya dapat melakukan tugas-tugas sederhana dan spesifik dan tidak dapat mencapai transaksi yang berpusat pada pengguna. AI Agents, bagaimanapun, memiliki tingkat kemampuan pengambilan keputusan independen tertentu. Mereka memahami bahasa alami dan secara otonom menggabungkan agen lain dan alat blockchain untuk mencapai tujuan yang ditentukan pengguna.

AI Agents bertujuan untuk secara signifikan meningkatkan pengalaman pengguna produk kripto, sementara teknologi blockchain dapat lebih meningkatkan desentralisasi, transparansi, dan keamanan operasi AI Agent. Bantuan spesifik mencakup:

• Dengan memberikan insentif kepada pengembang dengan token untuk menyediakan lebih banyak agen.
• Autentikasi NFT untuk memfasilitasi kegiatan agen berbasis biaya dan transaksi.
• Menyediakan identitas agen on-chain dan mekanisme pendaftaran.
• Menawarkan log aktivitas agen yang tidak dapat diubah untuk pelacakan yang tepat waktu dan pertanggungjawaban atas tindakan mereka.

Proyek utama dari trek ini adalah sebagai berikut:

• Autonolas: Autonolas mendukung kepemilikan aset dan komposabilitas untuk agen dan komponen terkait melalui protokol on-chain, memungkinkan komponen kode, agen, dan layanan untuk ditemukan dan digunakan kembali on-chain, sambil memberikan insentif kepada pengembang dengan kompensasi ekonomi. Pengembang mendaftarkan kode mereka on-chain dan menerima NFT yang mewakili kepemilikan kode setelah mengembangkan agen atau komponen lengkap. Pemilik layanan bekerja sama dengan beberapa agen untuk membuat layanan dan mendaftarkannya on-chain, menarik operator agen untuk menjalankan layanan, yang diakses pengguna dengan membayar penggunaannya.
• Fetch.ai: Fetch.ai memiliki latar belakang tim yang kuat dan pengalaman pengembangan di bidang AI, saat ini fokus pada trek agen AI. Protokol terdiri dari empat lapisan kunci: agen AI, Agentverse, Mesin AI, dan Jaringan Fetch. Agen AI membentuk inti sistem, sementara yang lain menyediakan kerangka kerja dan alat untuk membantu membangun layanan agen. Agentverse adalah platform software-as-a-service yang digunakan secara utama untuk membuat dan mendaftarkan agen AI. Mesin AI bertujuan untuk menginterpretasikan masukan bahasa alami pengguna dan menerjemahkannya menjadi tugas yang dapat dilaksanakan, memilih agen AI terdaftar paling sesuai dari Agentverse untuk menjalankan tugas tersebut. Jaringan Fetch adalah lapisan blockchain dari protokol, di mana agen AI harus mendaftar di kontrak Almanac on-chain untuk berkolaborasi dengan agen lainnya. Penting untuk dicatat bahwa Autonolas saat ini fokus pada membangun agen di dunia kripto dan menghadirkan operasi agen offline ke blockchain, sementara cakupan Fetch.ai meliputi dunia Web2, seperti pemesanan perjalanan dan ramalan cuaca.
• Delysium: Delysium telah beralih dari permainan ke protokol agen AI, terutama terdiri dari dua lapisan: lapisan komunikasi dan lapisan blockchain. Lapisan komunikasi berfungsi sebagai tulang punggung Delysium, menyediakan infrastruktur yang aman dan dapat diskalakan untuk komunikasi efisien antara agen AI. Lapisan blockchain memverifikasi identitas agen dan mencatat perilaku agen secara tak tergoyahkan melalui kontrak pintar. Secara khusus, lapisan komunikasi membentuk protokol komunikasi yang bersatu di antara agen, memfasilitasi komunikasi yang mulus menggunakan sistem pesan standar. Selain itu, ini mendirikan protokol penemuan layanan dan API, memungkinkan pengguna dan agen lain untuk dengan cepat menemukan dan terhubung ke agen yang tersedia. Lapisan blockchain terutama terdiri dari dua bagian: ID Agen dan kontrak cerdas Kronik. ID Agen memastikan bahwa hanya agen yang sah yang dapat mengakses jaringan, sementara Kronik berfungsi sebagai repositori log yang tak tergoyahkan untuk semua keputusan penting dan tindakan yang dilakukan oleh agen, memastikan jejak yang dapat dipercaya dari perilaku agen.
• Altered State Machine: Altered State Machine menetapkan standar untuk kepemilikan aset dan transaksi untuk agen melalui NFT. Meskipun ASM pada dasarnya terintegrasi dengan permainan saat ini, spesifikasi dasarnya juga memiliki potensi untuk berkembang ke domain agen lainnya.
• Morpheous: Morpheous sedang membangun jaringan ekosistem agen AI, bertujuan untuk menghubungkan para coder, penyedia komputer, pembangun komunitas, dan penyedia modal, yang masing-masing menyediakan agen AI, kekuatan komputasi yang mendukung operasi agen, alat-alat pengembangan dan pengembangan front-end, dan pendanaan. MOR akan mengadopsi model Peluncuran Adil untuk mendorong para penambang yang menyediakan kekuatan komputasi, staker stETH, kontributor pengembangan agen atau kontrak cerdas, dan kontributor pengembangan komunitas.

4.2 zkML/opML

Bukti tanpa pengetahuan saat ini memiliki dua arah aplikasi utama:

• Bukti komputasi yang benar dengan biaya lebih rendah on-chain (ZK-Rollup dan jembatan lintas ZKP memanfaatkan fitur ini dari ZK);
• Perlindungan privasi: Tidak perlu mengetahui rincian komputasi, namun dapat dibuktikan bahwa komputasi tersebut dieksekusi dengan benar.

Demikian pula, penerapan ZKP dalam pembelajaran mesin juga dapat dibagi menjadi dua kategori:

• Verifikasi Inferensi: Yaitu, melalui bukti ZK, membuktikan on-chain dengan biaya lebih rendah bahwa proses komputasi padat dari model AI inferensi yang dieksekusi dengan benar di luar rantai.
• Perlindungan privasi: Dapat dibagi menjadi dua kategori. Salah satunya adalah perlindungan privasi data, yang melibatkan penggunaan data pribadi untuk inferensi pada model publik, yang dapat dicapai dengan menggunakan ZKML untuk melindungi privasi data. Yang lainnya adalah perlindungan privasi model, bertujuan untuk menyembunyikan informasi spesifik seperti bobot model, dan menghitung serta mendapatkan hasil output dari input publik.

Penulis percaya bahwa saat ini, aspek paling penting untuk Kripto adalah verifikasi inferensi, dan di sini kami lebih menjelaskan tentang skenario untuk verifikasi inferensi. Dimulai dari Kecerdasan Buatan sebagai peserta hingga Kecerdasan Buatan sebagai aturan dunia, kami berharap dapat mengintegrasikan Kecerdasan Buatan ke dalam proses on-chain. Namun, biaya komputasi tinggi dari inferensi model Kecerdasan Buatan mencegah eksekusi on-chain langsung. Memindahkan proses ini off-chain berarti kita harus bertoleransi terhadap masalah kepercayaan yang ditimbulkan oleh kotak hitam ini — apakah operator model Kecerdasan Buatan mencurangi input saya? Apakah mereka menggunakan model yang saya tentukan untuk inferensi? Dengan mengonversi model ML menjadi sirkuit ZK, kita dapat mencapai: (1) Penyimpanan on-chain dari model-model yang lebih kecil, menyimpan model zkML kecil dalam kontrak pintar secara langsung mengatasi isu opasitas; (2) Menyelesaikan inferensi off-chain sambil menghasilkan bukti ZK, menggunakan eksekusi on-chain dari bukti ZK untuk memverifikasi kebenaran proses inferensi. Infrastruktur akan mencakup dua kontrak — kontrak utama (yang menggunakan model ML untuk menghasilkan hasil) dan kontrak verifikasi ZK-Proof.

zkML masih berada dalam tahap awal dan menghadapi tantangan teknis dalam mengonversi model ML menjadi sirkuit ZK, serta biaya komputasi dan overhead kriptografi yang tinggi. Serupa dengan jalur pengembangan Rollup, opML berfungsi sebagai solusi lain dari sudut pandang ekonomi. opML menggunakan asumsi AnyTrust dari Arbitrum, yang berarti setiap klaim memiliki setidaknya satu node jujur, memastikan bahwa pihak pengirim atau setidaknya satu verifier adalah jujur. Namun, OPML hanya dapat berfungsi sebagai alternatif untuk verifikasi inferensi dan tidak dapat mencapai perlindungan privasi.

Proyek-proyek saat ini sedang membangun infrastruktur untuk zkML dan mengeksplorasi aplikasinya. Pendirian aplikasi sama pentingnya karena perlu jelas menunjukkan kepada pengguna kripto peran penting zkML dan membuktikan bahwa nilai utamanya dapat melebihi biaya yang besar. Dalam proyek-proyek ini, beberapa fokus pada pengembangan teknologi ZK terkait dengan pembelajaran mesin (seperti Modulus Labs), sementara yang lain fokus pada pembangunan infrastruktur ZK yang lebih umum. Proyek-proyek terkait termasuk:

• Modulus menggunakan zkML untuk menerapkan kecerdasan buatan pada proses inferensi on-chain. Pada tanggal 27 Februari, Modulus meluncurkan prover zkML Remainder, mencapai peningkatan efisiensi 180x dibandingkan dengan inferensi kecerdasan buatan tradisional pada hardware yang setara. Selain itu, Modulus bekerja sama dengan beberapa proyek untuk mengeksplorasi kasus penggunaan praktis zkML. Misalnya, mereka bermitra dengan Upshot untuk mengumpulkan data pasar kompleks, mengevaluasi harga NFT menggunakan kecerdasan buatan dengan bukti ZK, dan mentransmisikan harga ke blockchain. Mereka juga bekerja sama dengan AI Arena untuk membuktikan bahwa Avatar dalam pertempuran dan pemain yang dilatih adalah entitas yang sama.
• Risc Zero menempatkan model-model di rantai, dan dengan menjalankan model pembelajaran mesin di ZKVM RISC Zero, mereka dapat membuktikan bahwa komputasi yang tepat yang terlibat dalam model tersebut dieksekusi dengan benar.
• Ingonyama sedang mengembangkan perangkat keras khusus untuk teknologi ZK, yang dapat menurunkan hambatan masuk ke dalam bidang teknologi ZK. zkML juga dapat digunakan dalam proses pelatihan model.

5 AI Sebagai Tujuan

Jika tiga kategori sebelumnya lebih fokus pada bagaimana AI memberdayakan Kripto, maka 'AI sebagai tujuan' menekankan bantuan Kripto kepada AI, yaitu bagaimana cara memanfaatkan Kripto untuk menciptakan model dan produk AI yang lebih baik. Ini mungkin termasuk beberapa kriteria evaluasi seperti efisiensi yang lebih besar, presisi, dan desentralisasi. AI terdiri dari tiga elemen inti: data, daya komputasi, dan algoritma, dan dalam setiap dimensi, Kripto berusaha memberikan dukungan yang lebih efektif untuk AI:

• Data: Data berfungsi sebagai dasar pelatihan model, dan protokol data terdesentralisasi mendorong individu atau perusahaan untuk menyediakan lebih banyak data pribadi sambil menggunakan kriptografi untuk melindungi privasi data dan mencegah kebocoran informasi pribadi sensitif.
• Kekuatan Komputasi: Jalur kekuatan komputasi terdesentralisasi saat ini merupakan jalur kecerdasan buatan paling panas. Protokol memfasilitasi pencocokan pasokan dan permintaan di pasar, mempromosikan penjodohan kekuatan komputasi long-tail dengan perusahaan kecerdasan buatan untuk pelatihan model dan inferensi.
• Algoritma: pemberdayaan algoritma Kripto adalah aspek paling penting dalam mencapai kecerdasan buatan terdesentralisasi, seperti yang dijelaskan dalam artikel Vitalik Buterin “AI as a Goal.” Dengan menciptakan AI black box terdesentralisasi dan terpercaya, masalah seperti pembelajaran mesin adversarial dapat diatasi. Namun, pendekatan ini mungkin menghadapi hambatan signifikan seperti biaya kriptografi yang tinggi. Selain itu, “menggunakan insentif kriptografi untuk mendorong penciptaan AI yang lebih baik” dapat dicapai tanpa sepenuhnya terjerumus ke dalam lubang kelinci kriptografi.

Monopoli data dan kekuatan komputasi oleh perusahaan teknologi besar telah menyebabkan monopoli pada proses pelatihan model, di mana model sumber tertutup menjadi penggerak keuntungan utama bagi perusahaan-perusahaan ini. Dari perspektif infrastruktur, Kripto memberikan insentif untuk pasokan data terdesentralisasi dan kekuatan komputasi melalui sarana ekonomi. Selain itu, ini memastikan privasi data selama proses melalui metode kriptografi. Ini berfungsi sebagai dasar untuk memfasilitasi pelatihan model terdesentralisasi, bertujuan untuk mencapai ekosistem AI yang lebih transparan dan terdesentralisasi.

5.1 Protokol Data Terdesentralisasi

Protokol data terdesentralisasi pada dasarnya beroperasi melalui crowdsourcing data, memberikan insentif kepada pengguna untuk menyediakan dataset atau layanan data (seperti pelabelan data) untuk perusahaan gunakan dalam pelatihan model. Mereka juga mendirikan Pasar Data untuk memfasilitasi pencocokan antara pasokan dan permintaan. Beberapa protokol juga sedang menjelajahi memberikan insentif kepada pengguna melalui protokol DePIN untuk memperoleh data penjelajahan atau memanfaatkan perangkat/pemakaian bandwidth pengguna untuk web data scraping.

• Ocean Protocol: Meng-tokenisasi kepemilikan data dan memungkinkan pengguna untuk membuat NFT untuk data/algoritma secara kodeless di Ocean Protocol, sekaligus menciptakan datatokens yang sesuai untuk mengontrol akses ke data NFT. Ocean Protocol memastikan privasi data melalui Compute To Data (C2D), di mana pengguna hanya dapat memperoleh hasil output berdasarkan data/algoritma, tanpa unduhan lengkap. Didirikan pada tahun 2017 sebagai pasar data, Ocean Protocol secara alami melompat ke kereta AI dalam tren saat ini.
• Synesis One: Proyek ini adalah platform Train2Earn di Solana, di mana pengguna mendapatkan imbalan $SNS dengan menyediakan data bahasa alami dan pelabelan data. Pengguna mendukung penambangan dengan menyediakan data, yang disimpan dan ditempatkan on-chain setelah verifikasi, kemudian digunakan oleh perusahaan AI untuk pelatihan dan inferensi. Penambang dibagi menjadi tiga kategori: Arsitek/Pembangun/Validasi. Arsitek membuat tugas data baru, Pembangun menyediakan data teks untuk tugas tertentu, dan Validasi memverifikasi dataset yang disediakan oleh Pembangun. Dataset yang selesai disimpan di IPFS dan sumbernya, beserta alamat IPFS, disimpan di database off-chain untuk digunakan oleh perusahaan AI (saat ini Mind AI).

Grass: Lapisan data terdesentralisasi, yang disebut sebagai kecerdasan buatan, pada dasarnya berfungsi sebagai pasar pengikis jaringan terdesentralisasi, yang memperoleh data untuk tujuan pelatihan model AI. Situs web internet berperan sebagai sumber data pelatihan penting untuk AI, dengan banyak situs seperti Twitter, Google, dan Reddit memiliki nilai yang signifikan. Namun, situs web ini terus-menerus memberlakukan pembatasan pada pengikisan data. Grass memanfaatkan bandwidth yang tidak terpakai dalam jaringan individu untuk mengurangi dampak pemblokiran data dengan menggunakan alamat IP yang berbeda untuk mengikis data dari situs web publik. Ini melakukan pembersihan data awal dan berfungsi sebagai sumber data untuk upaya pelatihan model AI. Saat ini dalam fase pengujian beta, Grass memungkinkan pengguna untuk menghasilkan poin dengan menyediakan bandwidth, yang dapat ditukarkan untuk airdrop potensial.

Protokol AIT: Protokol AIT adalah protokol pelabelan data terdesentralisasi yang dirancang untuk menyediakan pengembang dengan kumpulan data berkualitas tinggi untuk pelatihan model. Web3 memungkinkan kekuatan kerja global untuk dengan cepat mengakses jaringan dan mendapatkan insentif melalui pelabelan data. Ilmuwan data AIT telah sebelumnya memberi label data, yang kemudian diproses lebih lanjut oleh pengguna. Setelah melalui pemeriksaan kualitas oleh ilmuwan data, data yang divalidasi disediakan kepada pengembang untuk digunakan.

Selain protokol penyediaan data dan pelabelan data yang disebutkan sebelumnya, infrastruktur penyimpanan terdesentralisasi seperti Filecoin, Arweave, dan lainnya juga akan berkontribusi pada pasokan data yang lebih terdesentralisasi.

5.2 Kekuatan Komputasi Terdesentralisasi

Di era AI, pentingnya daya komputasi sudah jelas. Tidak hanya harga saham NVIDIA melonjak, tetapi di dunia kripto, daya komputasi terdesentralisasi dapat dikatakan sebagai arah niche paling panas dalam jalur AI - dari 200 proyek AI teratas berdasarkan kapitalisasi pasar, 5 proyek (Render/Akash/AIOZ Network/Golem/Nosana) fokus pada daya komputasi terdesentralisasi, dan mengalami pertumbuhan signifikan dalam beberapa bulan terakhir. Banyak proyek di kisaran kapitalisasi pasar rendah juga telah melihat munculnya platform daya komputasi terdesentralisasi. Meskipun mereka baru memulai, mereka dengan cepat mendapatkan momentum, terutama dengan gelombang antusiasme dari konferensi NVIDIA.

Dari karakteristik lintasan, logika dasar dari proyek-proyek dalam arah ini sangat homogen—menggunakan insentif token untuk mendorong individu atau perusahaan dengan sumber daya komputasi yang menganggur untuk menyediakan sumber daya, sehingga secara signifikan mengurangi biaya penggunaan dan membangun pasar penawaran-permintaan untuk daya komputasi. Saat ini, sumber daya komputasi utama berasal dari pusat-pusat data, penambang (terutama setelah Ethereum beralih ke PoS), daya komputasi tingkat konsumen, dan kerjasama dengan proyek-proyek lain. Meskipun homogen, ini merupakan lintasan di mana proyek-proyek terkemuka memiliki benteng yang tinggi. Keunggulan kompetitif utama dari proyek-proyek berasal dari: sumber daya daya komputasi, harga sewa daya komputasi, tingkat pemanfaatan daya komputasi, dan keunggulan teknis lainnya. Proyek-proyek terkemuka di lintasan ini termasuk Akash, Render, io.net, dan Gensyn.

Menurut arah bisnis tertentu, proyek dapat dibagi secara kasar menjadi dua kategori: inferensi model AI dan pelatihan model AI. Karena persyaratan daya komputasi dan bandwidth untuk pelatihan model AI jauh lebih tinggi daripada inferensi, dan pasar untuk inferensi model berkembang dengan cepat, pendapatan yang dapat diprediksi akan jauh lebih tinggi daripada pelatihan model di masa depan. Oleh karena itu, saat ini, sebagian besar proyek berfokus pada arah inferensi (Akash, Render, io.net ), dengan Gensyn berfokus pada pelatihan. Di antaranya, Akash dan Render awalnya tidak dikembangkan untuk komputasi AI. Akash awalnya digunakan untuk komputasi umum, sementara Render utamanya digunakan untuk rendering video dan gambar. io.net dirancang khusus untuk komputasi AI, tetapi setelah AI meningkatkan tingkat permintaan komputasi, semua proyek ini cenderung berkembang ke arah AI.

Dua indikator kompetitif yang paling penting masih berasal dari sisi pasokan (sumber daya daya komputasi) dan sisi permintaan (utilisasi daya komputasi). Akash memiliki 282 GPU dan lebih dari 20.000 CPU, dengan lebih dari 160.000 sewa diselesaikan, dan tingkat utilisasi jaringan GPU sebesar 50-70%, yang merupakan angka yang baik dalam lintasan ini. io.net memiliki 40.272 GPU dan 5.958 CPU, bersama dengan 4.318 GPU Render dan 159 CPU, serta lisensi penggunaan 1.024 GPU Filecoin, termasuk sekitar 200 H100 dan ribuan A100. io.net menarik sumber daya daya komputasi dengan harapan airdrop yang sangat tinggi, dan data GPU tumbuh dengan cepat, memerlukan penilaian ulang terhadap kemampuannya untuk menarik sumber daya setelah token terdaftar. Render dan Gensyn belum mengungkapkan data spesifik. Selain itu, banyak proyek meningkatkan daya saing mereka baik dari sisi pasokan maupun permintaan melalui kolaborasi ekosistem. Sebagai contoh, io.net menggunakan daya komputasi Render dan Filecoin untuk meningkatkan cadangan sumber daya sendiri, dan Render telah mendirikan Program Klien Komputasi (RNP-004), memungkinkan pengguna untuk mengakses daya komputasi Render secara tidak langsung melalui klien komputasi sepertiio.net, Nosana, FedMl, dan Beam, sehingga cepat beralih dari bidang rendering ke komputasi kecerdasan buatan.

Selain itu, verifikasi komputasi terdesentralisasi tetap menjadi tantangan — bagaimana membuktikan bahwa pekerja dengan sumber daya komputasi menjalankan tugas komputasi dengan benar. Gensyn berupaya untuk mendirikan lapisan verifikasi semacam itu, memastikan kebenaran komputasi melalui bukti pembelajaran probabilitas, protokol penempatan tepat berbasis grafik, dan insentif. Validator dan pelapor secara bersama-sama memeriksa komputasi di Gensyn, sehingga selain menyediakan dukungan komputasi untuk pelatihan terdesentralisasi, mekanisme verifikasi yang didirikan juga memiliki nilai unik. Protokol komputasi Fluence, yang berada di Solana, juga meningkatkan validasi tugas komputasi. Pengembang dapat memverifikasi apakah aplikasi mereka berjalan seperti yang diharapkan dan apakah komputasi dieksekusi dengan benar dengan memeriksa bukti yang diberikan oleh penyedia on-chain. Namun, kebutuhan praktis masih memprioritaskan kelayakan daripada keandalan. Platform komputasi harus terlebih dahulu memiliki kekuatan komputasi yang cukup untuk bersaing. Tentu saja, untuk protokol verifikasi yang sangat baik, ada opsi untuk mengakses sumber daya komputasi dari platform lain, berperan sebagai lapisan validasi dan protokol untuk memainkan peran unik.

5.3 Model Terdesentralisasi

Skenario utama yang dijelaskan oleh Vitalik, seperti yang digambarkan dalam diagram di bawah ini, masih sangat jauh. Saat ini, kita tidak dapat mencapai kecerdasan buatan kotak hitam yang dapat dipercaya yang diciptakan melalui teknologi blockchain dan enkripsi untuk mengatasi pembelajaran mesin adversarial. Mengenkripsi seluruh proses kecerdasan buatan dari data pelatihan hingga output kueri menimbulkan biaya yang signifikan. Namun, saat ini ada proyek-proyek yang berusaha mendorong penciptaan model kecerdasan buatan yang lebih baik. Mereka pertama-tama membangun hubungan antara model-model yang terisolasi, menciptakan lanskap di mana model-model dapat belajar satu sama lain, bekerja sama, dan terlibat dalam kompetisi yang sehat. Bittensor adalah salah satu proyek yang paling representatif dalam hal ini.

Bittensor: Bittensor memfasilitasi integrasi berbagai model AI, namun penting untuk dicatat bahwa Bittensor sendiri tidak terlibat dalam pelatihan model; sebaliknya, itu terutama menyediakan layanan inferensi AI. 32 subnetnya fokus pada arah layanan yang berbeda, seperti pengambilan data, generasi teks, Text2Image, dll. Saat menyelesaikan tugas, model AI yang termasuk dalam arah yang berbeda dapat berkolaborasi satu sama lain. Mekanisme insentif mendorong persaingan antara subnet dan di dalam subnet. Saat ini, imbalan didistribusikan dengan tingkat 1 TAO per blok, dengan total sekitar 7200 token TAO per hari. 64 validator di SN0 (Root Network) menentukan rasio distribusidari imbalan-imbalan ini di antara sub-jaringan yang berbeda berdasarkan kinerja sub-jaringan. Validator sub-jaringan, di sisi lain, menentukan rasio distribusi di antara penambang-penambang yang berbeda berdasarkan evaluasi kerja mereka. Akibatnya, layanan dan model yang lebih baik dalam kinerjanya menerima insentif lebih banyak, mempromosikan peningkatan secara keseluruhan dalam kualitas inferensi sistem.

6 Kesimpulan: Apakah MEME Hanya Hype atau Revolusi Teknologi?

Dari langkah-langkah Sam Altman yang mendorong harga ARKM dan WLD melonjak hingga konferensi Nvidia yang meningkatkan serangkaian proyek yang berpartisipasi, banyak yang menyesuaikan ide investasi mereka di bidang AI. Apakah bidang AI lebih didorong oleh spekulasi meme atau revolusi teknologi?

Selain beberapa tema selebriti (seperti ARKM dan WLD), bidang kecerdasan buatan secara keseluruhan dalam dunia kripto tampak lebih seperti sebuah 'meme didorong oleh narasi teknologis'.

Di satu sisi, spekulasi secara keseluruhan di bidang Kripto AI tidak diragukan lagi erat kaitannya dengan kemajuan Web2 AI. Hype eksternal yang dipimpin oleh entitas seperti OpenAI akan berfungsi sebagai katalisator bagi bidang Kripto AI. Di sisi lain, cerita di bidang AI masih berkisar pada narasi teknologis. Namun, penting untuk menekankan 'naratif teknologis' daripada hanya teknologi itu sendiri. Hal ini menegaskan pentingnya memilih arah spesifik dalam bidang AI dan memperhatikan fundamental proyek. Penting untuk menemukan arah naratif dengan nilai spekulatif serta proyek-proyek dengan daya saing jangka panjang dan benteng pertahanan.

Melihat keempat kombinasi potensial yang diusulkan oleh Vitalik, kita melihat keseimbangan antara daya tarik naratif dan kelayakan. Dalam kategori pertama dan kedua, yang diwakili oleh aplikasi AI, kita melihat banyak pembungkus GPT. Sementara produk-produk ini cepat diterapkan, mereka juga menunjukkan tingkat homogenitas bisnis yang tinggi. Keuntungan pertama, ekosistem, basis pengguna, dan pendapatan menjadi cerita-cerita yang diceritakan dalam konteks persaingan yang homogen. Kategori ketiga dan keempat mewakili naratif besar yang menggabungkan AI dengan kripto, seperti jaringan kolaborasi Agent on-chain, zkML, dan pengubahan terdesentralisasi dari AI. Ini masih dalam tahap awal, dan proyek-proyek dengan inovasi teknologi akan dengan cepat menarik dana, bahkan jika mereka hanya dalam tahap awal implementasi.

Penyangkalan:

1. Artikel ini dicetak ulang dari [Venture Metrik]. Teruskan Judul Asli ‘Laporan Riset Metrics Ventures | Dari Artikel V神, Kripto×AI Apa Saja Sub-sektor yang Layak Diperhatikan?’. Semua hak cipta dimiliki oleh penulis asli [‘Metrics Ventures’].@charlotte0211z，@BlazingKevin_，Metrics Ventures]Jika ada keberatan terhadap cetakan ini, silakan hubungi Gate Belajartim, dan mereka akan menanganinya dengan segera.
2. Penafian Tanggung Jawab: Pandangan dan opini yang terdapat dalam artikel ini semata-mata milik penulis dan tidak merupakan nasihat 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.