Tác giả: YBB Capital Zeke
Vào ngày 16 tháng 2, OpenAI đã công bố mô hình phổ biến thế hệ video được điều khiển bằng văn bản mới nhất "Sora", thể hiện một thời điểm quan trọng khác trong AI sáng tạo thông qua nhiều video được tạo chất lượng cao bao gồm nhiều loại dữ liệu hình ảnh. Không giống như các công cụ tạo video AI như Pika, vẫn đang ở trạng thái tạo một vài giây video từ nhiều hình ảnh, Sora đạt được khả năng tạo video có thể mở rộng bằng cách huấn luyện trong không gian tiềm ẩn được nén của video và hình ảnh, phân tách chúng thành các mảng vị trí không gian và thời gian. . Ngoài ra, mô hình còn phản ánh khả năng mô phỏng thế giới vật chất và thế giới số, bản demo dài 60 giây cuối cùng được trình bày không hề quá lời khi nói rằng đây là một “mô phỏng phổ quát của thế giới vật chất”.
Về phương pháp xây dựng, Sora tiếp tục mô hình GPT trước đây "nguồn dữ liệu- Con đường công nghệ của "Transformer-Diffusion-Emergence" có nghĩa là sự phát triển trưởng thành của nó cũng đòi hỏi sức mạnh tính toán như một động cơ và vì lượng dữ liệu cần thiết cho đào tạo video lớn hơn nhiều so với lượng dữ liệu cần thiết cho đào tạo văn bản, nên nhu cầu về sức mạnh tính toán sẽ tăng thêm. Tuy nhiên, chúng tôi đã thảo luận về tầm quan trọng của sức mạnh tính toán trong kỷ nguyên AI trong bài viết trước "Xem trước con đường tiềm năng: Thị trường sức mạnh tính toán phi tập trung" và với sự gia tăng gần đây về mức độ phổ biến của AI, đã có một số lượng lớn Các dự án năng lượng điện toán trên thị trường bắt đầu xuất hiện và các dự án Depin khác (lưu trữ, sức mạnh tính toán, v.v.) được hưởng lợi thụ động cũng đã có sự gia tăng đột biến. Vậy ngoài Depin, sự giao thoa giữa Web3 và AI có thể tạo ra tia lửa nào khác? Đường đua này có những cơ hội nào khác? Mục đích chính của bài viết này là cập nhật và hoàn thiện các bài viết trước đó, đồng thời suy nghĩ về khả năng của Web3 trong kỷ nguyên AI.
Trí tuệ nhân tạo là một lĩnh vực mới nổi nhằm mô phỏng, mở rộng và nâng cao trí tuệ con người.Khoa học & Công nghệ. Kể từ khi ra đời vào những năm 1950 và 1960, trí tuệ nhân tạo đã trải qua hơn nửa thế kỷ phát triển và hiện nay đã trở thành một công nghệ quan trọng thúc đẩy những thay đổi trong đời sống xã hội và mọi tầng lớp xã hội. Trong quá trình này, sự phát triển đan xen của ba hướng nghiên cứu chính là biểu tượng, kết nối và hành vi đã trở thành nền tảng cho sự phát triển nhanh chóng của AI ngày nay.
Còn được gọi là chủ nghĩa logic hoặc chủ nghĩa chính quy, người ta tin rằng việc mô phỏng trí thông minh của con người bằng cách xử lý các ký hiệu là khả thi. Phương pháp này sử dụng các ký hiệu để biểu diễn và vận hành các đối tượng, khái niệm và mối quan hệ qua lại của chúng trong miền bài toán, đồng thời sử dụng suy luận logic để giải quyết các bài toán, đặc biệt là trong các hệ chuyên gia và biểu diễn tri thức đã đạt được những thành tựu đáng ghi nhận. Ý tưởng cốt lõi của chủ nghĩa biểu tượng là hành vi thông minh có thể đạt được thông qua hoạt động của các biểu tượng và lý luận logic, trong đó các biểu tượng thể hiện mức độ trừu tượng cao khỏi thế giới thực;
Còn được gọi là phương pháp mạng lưới thần kinh, nó nhằm mục đích đạt được trí thông minh bằng cách bắt chước cấu trúc và chức năng của bộ não con người. Phương pháp này đạt được việc học bằng cách xây dựng một mạng lưới gồm nhiều đơn vị xử lý đơn giản (tương tự như nơ-ron) và điều chỉnh cường độ kết nối giữa các đơn vị này (tương tự như các khớp thần kinh). Chủ nghĩa kết nối đặc biệt nhấn mạnh khả năng học hỏi và khái quát hóa từ dữ liệu và đặc biệt phù hợp với các vấn đề nhận dạng mẫu, phân loại và ánh xạ đầu vào-đầu ra liên tục. Học sâu, với tư cách là sự phát triển của chủ nghĩa kết nối, đã tạo ra những đột phá trong lĩnh vực nhận dạng hình ảnh, nhận dạng giọng nói và xử lý ngôn ngữ tự nhiên;
Hành vi có liên quan chặt chẽ với nhau đến nghiên cứu robot sinh học và hệ thống thông minh tự động, nhấn mạnh rằng các tác nhân thông minh có thể học hỏi thông qua tương tác với môi trường. Không giống như hai trường phái đầu, chủ nghĩa hành vi không tập trung vào việc mô phỏng các biểu hiện bên trong hoặc quá trình suy nghĩ mà tập trung vào việc đạt được hành vi thích ứng thông qua các chu kỳ nhận thức và hành động. Chủ nghĩa hành vi tin rằng trí thông minh được thể hiện thông qua sự tương tác và học hỏi năng động với môi trường, phương pháp này đặc biệt hiệu quả khi áp dụng cho robot di động và hệ thống điều khiển thích ứng cần hoạt động trong môi trường phức tạp và khó đoán.
Mặc dù có những khác biệt cơ bản giữa ba hướng nghiên cứu này, nhưng trong nghiên cứu AI thực tế và các ứng dụng, họ cũng có thể tương tác và tích hợp để cùng nhau thúc đẩy sự phát triển của lĩnh vực AI.
Generative AI (Nội dung được tạo ra bằng trí tuệ nhân tạo, gọi tắt là AIGC), hiện đang trong quá trình phát triển bùng nổ, là một loại chủ nghĩa kết nối được phát triển và ứng dụng , AIGC có thể bắt chước khả năng sáng tạo của con người để tạo ra nội dung mới lạ. Các mô hình này được đào tạo bằng cách sử dụng các tập dữ liệu lớn và thuật toán học sâu để tìm hiểu các cấu trúc, mối quan hệ và mẫu cơ bản có trong dữ liệu. Tạo đầu ra mới và độc đáo dựa trên lời nhắc đầu vào của người dùng, bao gồm hình ảnh, video, mã, âm nhạc, thiết kế, bản dịch, câu trả lời câu hỏi và văn bản. AIGC hiện tại về cơ bản bao gồm ba yếu tố: Deep Learning (DL), dữ liệu lớn và sức mạnh tính toán quy mô lớn.
Học sâu là một trường con của học máy (ML). Thuật toán học sâu là mạng lưới thần kinh được mô hình hóa theo bộ não con người. Ví dụ, bộ não con người chứa hàng triệu tế bào thần kinh được kết nối với nhau để học và xử lý thông tin. Tương tự như vậy, mạng nơ-ron học sâu (hoặc mạng nơ-ron nhân tạo) bao gồm nhiều lớp nơ-ron nhân tạo hoạt động cùng nhau bên trong máy tính. Tế bào thần kinh nhân tạo là các mô-đun phần mềm được gọi là nút sử dụng các phép tính toán học để xử lý dữ liệu. Mạng lưới thần kinh nhân tạo là các thuật toán học sâu sử dụng các nút này để giải quyết các vấn đề phức tạp.
Mạng lưới thần kinh có thể được chia thành lớp đầu vào theo thứ bậc, lớp ẩn, lớp đầu ra và các tham số được kết nối giữa các lớp khác nhau.
< mạnh>Lớp đầu vào: Lớp đầu vào là lớp đầu tiên của mạng thần kinh và chịu trách nhiệm nhận dữ liệu đầu vào bên ngoài. Mỗi nơron trong lớp đầu vào tương ứng với một đặc điểm của dữ liệu đầu vào. Ví dụ: khi xử lý dữ liệu hình ảnh, mỗi nơ-ron có thể tương ứng với một giá trị pixel trong hình ảnh;
< span style="font-size: 18px;">Lớp ẩn: Lớp đầu vào xử lý dữ liệu và chuyển nó đến các lớp tiếp theo trong mạng lưới thần kinh. Các lớp ẩn này xử lý thông tin ở các cấp độ khác nhau, điều chỉnh hành vi của chúng khi nhận được thông tin mới. Mạng học sâu có hàng trăm lớp ẩn và có thể được sử dụng để phân tích vấn đề từ nhiều góc độ khác nhau. Ví dụ: nếu bạn được đưa cho một hình ảnh về một con vật chưa biết mà bạn phải phân loại, bạn có thể so sánh nó với những con vật bạn đã biết. Ví dụ: bạn có thể biết đó là loại động vật nào qua hình dạng của tai, số chân và kích thước đồng tử của nó. Các lớp ẩn trong mạng lưới thần kinh sâu hoạt động theo cách tương tự. Nếu thuật toán học sâu cố gắng phân loại hình ảnh của một con vật, thì mỗi lớp ẩn của nó sẽ xử lý các đặc điểm khác nhau của con vật đó và cố gắng phân loại nó một cách chính xác;
Lớp đầu ra: Lớp đầu ra là lớp cuối cùng của mạng nơ-ron và chịu trách nhiệm tạo ra Đầu ra mạng. Mỗi nơron trong lớp đầu ra đại diện cho một loại hoặc giá trị đầu ra có thể có. Ví dụ, trong một vấn đề phân loại, mỗi tế bào thần kinh lớp đầu ra có thể tương ứng với một loại, trong khi trong vấn đề hồi quy, lớp đầu ra có thể chỉ có một tế bào thần kinh, có giá trị đại diện cho kết quả dự đoán;
Thông số: Trong mạng lưới thần kinh, các kết nối giữa các lớp khác nhau được biểu diễn theo các tham số trọng số và độ lệch, các tham số này được tối ưu hóa trong quá trình đào tạo để cho phép mạng xác định chính xác các mẫu trong dữ liệu và đưa ra dự đoán. Việc tăng các tham số có thể cải thiện năng lực mô hình của mạng lưới thần kinh, tức là khả năng tìm hiểu và biểu diễn các mẫu phức tạp trong dữ liệu của mô hình. Nhưng tương ứng, việc tăng thông số sẽ làm tăng nhu cầu về sức mạnh tính toán.
Để được huấn luyện hiệu quả, mạng nơ-ron thường yêu cầu số lượng lớn dữ liệu đa dạng, chất lượng cao và đa- nguồn dữ liệu. Nó là cơ sở cho việc đào tạo và xác nhận mô hình học máy. Bằng cách phân tích dữ liệu lớn, các mô hình học máy có thể tìm hiểu các mẫu và mối quan hệ trong dữ liệu để đưa ra dự đoán hoặc phân loại.
Cấu trúc phức tạp nhiều lớp của mạng thần kinh, một số lượng lớn tham số, yêu cầu xử lý dữ liệu lớn và phương pháp đào tạo lặp lại ( Trong giai đoạn huấn luyện, mô hình cần được lặp đi lặp lại nhiều lần, quá trình huấn luyện yêu cầu lan truyền thuận và lan truyền ngược cho mỗi phép tính lớp, bao gồm tính toán hàm kích hoạt, tính toán hàm mất mát, tính toán độ dốc và cập nhật trọng số), độ chính xác cao yêu cầu tính toán, khả năng tính toán song song, tối ưu hóa và Sự kết hợp giữa các kỹ thuật chính quy hóa và quá trình đánh giá và xác thực mô hình dẫn đến nhu cầu về khả năng tính toán cao.
Là mô hình AI thế hệ video mới nhất do OpenAI phát hành, Sora thể hiện sự tiến bộ to lớn về khả năng của trí tuệ nhân tạo trong việc xử lý và hiểu dữ liệu hình ảnh đa dạng. . Bằng cách sử dụng mạng nén video và công nghệ vá không gian-thời gian, Sora có thể chuyển đổi dữ liệu hình ảnh khổng lồ được thu thập bởi các thiết bị khác nhau từ khắp nơi trên thế giới thành một bản trình bày thống nhất, từ đó đạt được khả năng xử lý và hiểu nội dung hình ảnh phức tạp một cách hiệu quả. Dựa vào mô hình Khuếch tán có điều kiện bằng văn bản, Sora có thể tạo ra các video hoặc hình ảnh có độ phù hợp cao dựa trên lời nhắc của văn bản, thể hiện tính sáng tạo và khả năng thích ứng cực cao.
Tuy nhiên, bất chấp sự đột phá của Sora trong việc tạo video và mô phỏng các tương tác trong thế giới thực, nhưng vẫn phải đối mặt với một số hạn chế, bao gồm độ chính xác của mô phỏng thế giới vật lý, tính nhất quán của việc tạo video dài, hiểu biết về các hướng dẫn văn bản phức tạp cũng như hiệu quả đào tạo và tạo ra. Và Sora về cơ bản đạt được tính thẩm mỹ bạo lực thông qua sức mạnh tính toán độc quyền và lợi thế người đi đầu của OpenAI, tiếp tục con đường công nghệ cũ “dữ liệu lớn-Biến đổi-Khuếch tán-xuất hiện”, trong khi các công ty AI khác vẫn còn những khúc mắc về công nghệ và khả năng vượt qua.
Mặc dù Sora có ít mối quan hệ với blockchain nhưng cá nhân tôi nghĩ rằng sau một thời gian hoặc hai năm. Do ảnh hưởng của Sora, nó sẽ buộc các công cụ tạo AI chất lượng cao khác xuất hiện và phát triển nhanh chóng, đồng thời sẽ lan tỏa ra nhiều đường đua như GameFi, mạng xã hội, nền tảng sáng tạo và Depin trong Web3, vì vậy cần phải có một cái nhìn chung hiểu biết về Sora, việc AI sẽ được kết hợp hiệu quả với Web3 như thế nào trong tương lai có thể là điểm mấu chốt mà chúng ta cần phải suy nghĩ.
Vì các bài viết liên quan đã được viết trong trước đây, bài viết này Mục đích chính của đoạn này là cập nhật tình hình hiện tại của đường ray sức mạnh tính toán. Khi nói đến AI, sức mạnh tính toán luôn là yếu tố không thể tránh khỏi. Nhu cầu về sức mạnh tính toán của AI lớn đến mức không thể tưởng tượng được sau khi Sora ra đời. Mới đây, trong Diễn đàn Kinh tế Thế giới 2024 ở Davos, Thụy Sĩ, CEO OpenAI Sam Altman đã thẳng thắn tuyên bố rằng sức mạnh tính toán và năng lượng là xiềng xích lớn nhất ở giai đoạn này, và tầm quan trọng của chúng trong tương lai thậm chí sẽ ngang bằng với tiền tệ. Vào ngày 10 tháng 2, Sam Altman đã công bố một kế hoạch cực kỳ đáng kinh ngạc trên Twitter nhằm huy động 7 nghìn tỷ USD (tương đương 40% GDP quốc gia của Trung Quốc trong 23 năm) để viết lại mô hình ngành công nghiệp bán dẫn toàn cầu hiện nay nhằm tạo ra một đế chế chip. Khi viết những bài liên quan đến sức mạnh tính toán, trí tưởng tượng của tôi vẫn chỉ giới hạn ở những cuộc phong tỏa quốc gia và những công ty độc quyền khổng lồ, ngày nay việc một công ty muốn kiểm soát ngành bán dẫn toàn cầu quả thực là điên rồ.
Vì vậy, tầm quan trọng của sức mạnh tính toán phi tập trung là hiển nhiên một cách tự nhiên. chuỗi khối thực sự có thể giải quyết vấn đề hiện tại về sự độc quyền cực độ về sức mạnh tính toán và việc mua GPU chuyên dụng đắt tiền. Từ góc độ nhu cầu AI, việc sử dụng sức mạnh tính toán có thể được chia thành hai hướng: suy luận và đào tạo. Hiện tại chỉ có một số dự án tập trung vào đào tạo. Từ nhu cầu mạng phi tập trung đến kết hợp với thiết kế mạng nơ-ron, đến nhu cầu đối với siêu phần cứng Nhu cầu cao được dự đoán sẽ là hướng đi có ngưỡng cực cao và cực kỳ khó thực hiện. Lý do tương đối đơn giản, một mặt, thiết kế mạng phi tập trung không phức tạp, mặt khác, yêu cầu về phần cứng và băng thông thấp, được coi là hướng tương đối chủ đạo hiện nay.
Không gian tưởng tượng của thị trường sức mạnh tính toán tập trung là rất lớn, thường được so sánh với "mười nghìn" Từ khóa “cấp tỷ” cũng là chủ đề được thổi phồng thường xuyên nhất trong kỷ nguyên AI. Tuy nhiên, xét từ số lượng lớn các dự án xuất hiện gần đây, hầu hết chúng vẫn đang gấp rút lên kệ để được ưa chuộng. Luôn giương cao biểu ngữ phân quyền chính xác nhưng giữ im lặng về sự kém hiệu quả của các mạng phi tập trung. Hơn nữa, có mức độ đồng nhất cao trong thiết kế và một số lượng lớn các dự án rất giống nhau (l2 một cú nhấp chuột cộng với thiết kế khai thác), điều này cuối cùng có thể dẫn đến tình huống khó có được phần của AI truyền thống theo dõi.
Thuật toán học máy có nghĩa là các thuật toán này có thể học các quy tắc và mẫu từ dữ liệu rồi đưa ra dự đoán hoặc quyết định dựa trên chúng. Các thuật toán đòi hỏi nhiều công nghệ vì thiết kế và tối ưu hóa của chúng đòi hỏi chuyên môn sâu và đổi mới công nghệ. Thuật toán là cốt lõi của việc đào tạo các mô hình AI và xác định cách chuyển đổi dữ liệu thành thông tin chi tiết hoặc quyết định hữu ích. Các thuật toán AI tổng quát phổ biến hơn như Generative Adversarial Network (GAN), Bộ mã hóa tự động biến đổi (VAE) và Transformer, mỗi thuật toán đều được thiết kế cho một lĩnh vực cụ thể (chẳng hạn như hội họa, nhận dạng ngôn ngữ, dịch thuật và tạo video) hay nói cách khác , nó được sinh ra dựa trên mục đích và sau đó một mô hình AI chuyên dụng sẽ được đào tạo thông qua thuật toán.
Có rất nhiều thuật toán và mô hình, mỗi thuật toán đều có ưu điểm riêng. Liệu chúng ta có thể Tích hợp nó vào một mô hình có thể vừa dân sự vừa quân sự? Bittensor, đã trở nên rất phổ biến gần đây, là công ty đi đầu theo hướng này, sử dụng các biện pháp khuyến khích khai thác để cho phép các mô hình và thuật toán AI khác nhau cộng tác và học hỏi lẫn nhau, từ đó tạo ra các mô hình AI hiệu quả và linh hoạt hơn. Cũng tập trung vào hướng này là Commune AI (cộng tác mã), v.v. Tuy nhiên, đối với các công ty AI hiện tại, thuật toán và mô hình là vũ khí thần kỳ của riêng họ và sẽ không được mượn theo ý muốn.
Vì vậy, câu chuyện về hệ sinh thái hợp tác AI rất mới lạ và thú vị, và sự hợp tác hệ sinh thái tận dụng những ưu điểm của blockchain có thể được sử dụng để tích hợp những nhược điểm của các silo thuật toán AI, nhưng vẫn chưa rõ liệu có thể tạo ra giá trị tương ứng hay không. Xét cho cùng, các thuật toán và mô hình nguồn đóng của các công ty AI hàng đầu có khả năng cập nhật, lặp lại và tích hợp rất mạnh, chẳng hạn như OpenAI đã phát triển trong vòng chưa đầy hai năm và đã lặp lại từ các mô hình tạo văn bản ban đầu đến các mô hình được tạo ra trong nhiều lĩnh vực. Các dự án như Bittensor đã đạt được tiến bộ lớn về mô hình và thuật toán, các lĩnh vực được nhắm mục tiêu có thể yêu cầu những cách tiếp cận mới.
Từ góc nhìn đơn giản, việc sử dụng dữ liệu riêng tư để cung cấp dữ liệu cho AI và ghi nhãn rất nhất quán với blockchain. Theo hướng này, bạn chỉ cần trả tiền chú ý đến cách ngăn chặn dữ liệu rác và hành vi xấu, đồng thời việc lưu trữ dữ liệu cũng có thể mang lại lợi ích cho các dự án của Depin như FIL và AR. Từ góc độ phức tạp, sử dụng dữ liệu blockchain cho machine learning (ML) để giải quyết khả năng tiếp cận dữ liệu blockchain cũng là một hướng đi thú vị (một trong những hướng khám phá của Giza).
Về lý thuyết, dữ liệu blockchain có thể được truy cập bất cứ lúc nào, phản ánh tổng thể trạng thái của chuỗi khối. Nhưng đối với những người bên ngoài hệ sinh thái blockchain, việc truy cập vào lượng dữ liệu khổng lồ này không hề dễ dàng. Việc lưu trữ toàn bộ blockchain đòi hỏi chuyên môn sâu rộng và một lượng lớn tài nguyên phần cứng chuyên dụng. Để vượt qua những thách thức trong việc truy cập dữ liệu blockchain, một số giải pháp đã xuất hiện trong ngành. Ví dụ: các nhà cung cấp RPC truy cập các nút thông qua API, trong khi các dịch vụ lập chỉ mục giúp có thể trích xuất dữ liệu thông qua SQL và GraphQL, cả hai đều đóng vai trò chính trong việc giải quyết vấn đề. Tuy nhiên, những phương pháp này có những hạn chế. Dịch vụ RPC không phù hợp với các tình huống sử dụng mật độ cao đòi hỏi lượng truy vấn dữ liệu lớn và thường không đáp ứng được nhu cầu. Đồng thời, mặc dù dịch vụ lập chỉ mục cung cấp cách truy xuất dữ liệu có cấu trúc chặt chẽ hơn nhưng sự phức tạp của giao thức Web3 khiến việc xây dựng các truy vấn hiệu quả trở nên vô cùng khó khăn, đôi khi cần phải viết hàng trăm, thậm chí hàng nghìn dòng mã phức tạp. Sự phức tạp này là một trở ngại lớn đối với những người thực hành dữ liệu nói chung và những người không hiểu sâu về chi tiết của Web3. Hiệu ứng tích lũy của những hạn chế này làm nổi bật sự cần thiết phải có một cách dễ dàng hơn để thu thập và sử dụng dữ liệu blockchain có thể thúc đẩy việc áp dụng và đổi mới rộng rãi hơn trong lĩnh vực này.
Sau đó thông qua ZKML (học máy bằng chứng không có kiến thức, học máy cho chuỗi giảm) Gánh nặng) Kết hợp với dữ liệu blockchain chất lượng cao, có thể tạo ra một bộ dữ liệu giải quyết vấn đề về khả năng truy cập blockchain và AI có thể hạ thấp đáng kể ngưỡng truy cập dữ liệu blockchain, vì vậy theo thời gian, các nhà phát triển, nhà nghiên cứu và những người đam mê trong lĩnh vực ML sẽ có quyền truy cập vào các bộ dữ liệu phù hợp, chất lượng cao hơn để xây dựng các giải pháp hiệu quả và sáng tạo.
Kể từ khi ChatGPT3 trở nên phổ biến vào năm 2023, Dapp được hỗ trợ bởi AI đã trở thành một hướng đi rất phổ biến. AI thế hệ cực kỳ linh hoạt có thể được truy cập thông qua API để đơn giản hóa và phân tích thông minh các nền tảng dữ liệu, robot giao dịch, bách khoa toàn thư blockchain và các ứng dụng khác. Mặt khác, bạn cũng có thể đóng vai trò là một chatbot (chẳng hạn như Myshell) hoặc người bạn đồng hành AI (AI không ngủ) hoặc thậm chí tạo NPC trong các trò chơi chuỗi thông qua AI tổng hợp. Tuy nhiên, do rào cản kỹ thuật rất thấp nên hầu hết chúng đều được tinh chỉnh sau khi truy cập API và việc tích hợp với bản thân dự án cũng không hoàn hảo nên ít được nhắc đến.
Nhưng sau sự xuất hiện của Sora, cá nhân tôi nghĩ rằng AI đã trao quyền cho GameFi (bao gồm cả Yuan Universe) và hướng đi của nền tảng sáng tạo sẽ là tâm điểm chú ý tiếp theo. Vì tính chất từ dưới lên của lĩnh vực Web3, chắc chắn sẽ khó tạo ra những sản phẩm cạnh tranh với các trò chơi truyền thống hoặc các công ty sáng tạo, và sự xuất hiện của Sora có thể sẽ phá vỡ tình thế tiến thoái lưỡng nan này (có lẽ chỉ trong hai đến ba năm). Đánh giá từ bản demo của Sora, nó đã có tiềm năng cạnh tranh với các công ty phim truyền hình ngắn. Văn hóa cộng đồng tích cực của Web3 cũng có thể tạo ra một số lượng lớn các ý tưởng thú vị. Khi giới hạn chỉ là trí tưởng tượng, ngành công nghiệp từ dưới lên và Top- rào cản giữa các ngành công nghiệp truyền thống sẽ được phá bỏ.
Khi các công cụ AI tổng hợp tiếp tục phát triển, chúng ta sẽ trải nghiệm nhiều "khoảnh khắc iPhone" mang tính kỷ nguyên hơn trong tương lai. Mặc dù nhiều người chế nhạo sự kết hợp giữa AI và Web3, nhưng trên thực tế, tôi nghĩ rằng hướng đi hiện tại hầu như không có vấn đề gì, thực ra chỉ có ba điểm yếu cần giải quyết là sự cần thiết, hiệu quả và phù hợp. Mặc dù sự tích hợp của cả hai đang trong giai đoạn thăm dò nhưng điều đó không ngăn cản xu hướng này trở thành xu hướng chủ đạo của thị trường tăng giá tiếp theo.
Chúng ta cần phải luôn duy trì đủ sự tò mò và chấp nhận những điều mới. Trong lịch sử, việc ô tô thay thế xe ngựa đã trở thành một kết cục được định trước trong chốc lát, cũng giống như những dòng chữ và NFT ngày xưa, ôm giữ quá nhiều thành kiến sẽ chỉ dẫn đến bỏ lỡ cơ hội.
Ali Fenn, chủ tịch của Lancium, cho biết trong một cuộc phỏng vấn với CNBC rằng đây sẽ là một trong những công viên trung tâm dữ liệu trí tuệ nhân tạo lớn nhất thế giới, càng chứng minh rằng sự cạnh tranh để hỗ trợ phát triển trí tuệ nhân tạo đang ngày càng trở nên khốc liệt và Bitcoin đang bị ảnh hưởng. bị bỏ lại phía sau.
JinseFinanceHoa hậu AI ra mắt là cuộc thi sắc đẹp đầu tiên với người mẫu AI và giám khảo do AI tạo ra vào tháng trước. Danh sách rút gọn top 10 hiện đã được công bố, nhưng liệu chúng ta có đang đẩy AI đi quá xa và làm sai lệch các tiêu chuẩn về cái đẹp của xã hội không?
KikyoAI sẽ dẫn đầu biểu ngữ tiến bộ công nghệ trong những thập kỷ tới. Nền tảng giao dịch AI 3EX cho phép bạn trở nên mạnh mẽ hơn nữa trên con đường AI và nắm bắt cơ hội trong cuộc cách mạng công nghệ và sự giàu có này!
JinseFinanceSora là một mô hình trí tuệ nhân tạo do OpenAI phát triển, có thể tạo ra các cảnh video chân thực và giàu trí tưởng tượng dựa trên hướng dẫn văn bản do người dùng nhập.
JinseFinanceHậu AI điên cuồng, cổ phiếu công nghệ lao dốc, đặt câu hỏi về khả năng tài chính của AI Doanh thu GenAI bị trì hoãn làm dấy lên nghi ngờ, báo hiệu sự chuyển đổi của ngành công nghệ.
Xu LinBinance New Coin Mining hiện đã khởi động giai đoạn thứ 42 của dự án - Sleepless AI (AI), một nền tảng chơi game Web3+AI.
JinseFinanceJinseFinanceAI và Web3 có tiềm năng định hình lại các ngành công nghiệp. Nhưng những thách thức như quyền riêng tư dữ liệu, khả năng tương tác và việc sử dụng AI có đạo đức phải được giải quyết khi các công nghệ này hội tụ.
CatherineTrong những năm gần đây, AI (trí tuệ nhân tạo) đã nổi lên như một trong những câu chuyện công nghệ hấp dẫn nhất và đang mở rộng nhanh chóng.
BitcoinistTheo Andre Cronje, blockchain và AI có các nguyên tắc cơ bản khác nhau và rất khó tích hợp trong một hệ thống duy nhất.
Beincrypto