คำนำ

เมื่อวันที่ 16 กุมภาพันธ์ OpenAI ได้ประกาศโมเดลการแพร่กระจายข้อความเป็นวิดีโอล่าสุดที่มีชื่อว่า "Sora" ซึ่งถือเป็นอีกก้าวสำคัญของ AI กำเนิดด้วยความสามารถในการผลิตวิดีโอคุณภาพสูงในประเภทข้อมูลภาพที่หลากหลาย แตกต่างจากเครื่องมือสร้างวิดีโอ AI เช่น Pika ซึ่งสร้างวิดีโอไม่กี่วินาทีจากหลายภาพ Sora ฝึกในพื้นที่แฝงที่ถูกบีบอัดของวิดีโอและรูปภาพ โดยแบ่งพวกมันออกเป็นแพตช์ spatiotemporal สำหรับการสร้างวิดีโอที่ปรับขนาดได้ นอกจากนี้ โมเดลดังกล่าวยังแสดงให้เห็นถึงความสามารถในการจำลองทั้งโลกทางกายภาพและโลกดิจิทัล โดยมีการสาธิตความยาว 60 วินาที ซึ่งอธิบายว่าเป็น "เครื่องจำลองสากลของโลกทางกายภาพ"

Sora ยังคงสานต่อเส้นทางทางเทคนิคของ “แหล่งข้อมูล-หม้อแปลง-การแพร่กระจาย-การเกิดขึ้น” ที่เห็นในรุ่น GPT ก่อนหน้านี้ ซึ่งบ่งชี้ว่าความสมบูรณ์ของการพัฒนายังต้องอาศัยพลังในการคำนวณด้วย เมื่อพิจารณาจากปริมาณข้อมูลที่มากขึ้นซึ่งจำเป็นสำหรับการฝึกอบรมทางวิดีโอเมื่อเทียบกับข้อความ ความต้องการพลังการคำนวณก็คาดว่าจะเพิ่มขึ้นอีก อย่างไรก็ตาม ตามที่กล่าวไว้ในบทความก่อนหน้าของเรา “ตัวอย่างภาคที่มีแนวโน้ม: ตลาดพลังงานคอมพิวเตอร์แบบกระจายอำนาจ” ได้มีการสำรวจความสำคัญของพลังการคำนวณในยุค AI และด้วยความนิยมที่เพิ่มขึ้นของ AI โครงการพลังงานการคำนวณจำนวนมากได้เกิดขึ้น ซึ่งเป็นประโยชน์ต่ออื่นๆ กำหนดโครงการ (พื้นที่เก็บข้อมูล พลังการคำนวณ ฯลฯ) ที่มีมูลค่าเพิ่มขึ้น Beyond Depin บทความนี้มีจุดมุ่งหมายเพื่ออัปเดตและอภิปรายที่ผ่านมาให้เสร็จสิ้น โดยไตร่ตรองถึงประกายไฟที่อาจเกิดขึ้นจากการเชื่อมโยงกันของ Web3 และ AI และโอกาสภายในวิถีนี้ในยุค AI

การพัฒนา AI: สามทิศทางหลัก

ปัญญาประดิษฐ์ (AI) เป็นสาขาที่กำลังเติบโตซึ่งมุ่งเน้นไปที่การเลียนแบบ การขยาย และเพิ่มคุณค่าสติปัญญาของมนุษย์ นับตั้งแต่ก่อตั้งขึ้นในทศวรรษที่ 1950 และ 1960 AI ได้ผ่านการพัฒนามานานกว่าครึ่งศตวรรษ โดยปรากฏเป็นเทคโนโลยีสำคัญที่ขับเคลื่อนการเปลี่ยนแปลงทางสังคมและอุตสาหกรรมต่างๆ ตลอดการเดินทางครั้งนี้ ความก้าวหน้าที่เกี่ยวพันกันของทิศทางการวิจัยหลัก 3 ทิศทาง ได้แก่ สัญลักษณ์นิยม การเชื่อมโยง และพฤติกรรมนิยม ได้วางรากฐานสำหรับความก้าวหน้าอย่างรวดเร็วของ AI ในปัจจุบัน

สัญลักษณ์นิยม

สัญลักษณ์นิยม หรือที่เรียกกันว่าตรรกะนิยมหรือการให้เหตุผลตามกฎ ยืนยันว่าการจำลองความฉลาดของมนุษย์ผ่านการประมวลผลสัญลักษณ์เป็นไปได้ แนวทางนี้ใช้สัญลักษณ์เพื่อแสดงและจัดการวัตถุ แนวคิด และความสัมพันธ์ของวัตถุ แนวคิด และความสัมพันธ์ภายในขอบเขตของปัญหาที่กำหนด โดยใช้การให้เหตุผลเชิงตรรกะในการแก้ไขปัญหา สัญลักษณ์นิยมประสบความสำเร็จอย่างน่าทึ่ง โดยเฉพาะอย่างยิ่งในระบบผู้เชี่ยวชาญและการเป็นตัวแทนความรู้ หลักสำคัญของมันคือ พฤติกรรมที่ชาญฉลาดสามารถรับรู้ได้ผ่านการจัดการสัญลักษณ์และการอนุมานเชิงตรรกะ โดยมีสัญลักษณ์ที่ทำหน้าที่เป็นนามธรรมในระดับสูงของโลกแห่งความเป็นจริง

การเชื่อมต่อ

Connectionism หรือที่รู้จักกันในชื่อแนวทางโครงข่ายประสาทเทียม (Neural Network Approach) มุ่งหวังที่จะบรรลุความฉลาดโดยการสะท้อนโครงสร้างและการทำงานของสมองมนุษย์ วิธีการนี้สร้างเครือข่ายที่ประกอบด้วยหน่วยประมวลผลง่ายๆ จำนวนมากที่คล้ายกับเซลล์ประสาท และปรับจุดแข็งในการเชื่อมต่อระหว่างหน่วยเหล่านี้ คล้ายกับไซแนปส์ เพื่ออำนวยความสะดวกในการเรียนรู้ ด้วยการเน้นการเรียนรู้และการวางนัยทั่วไปจากข้อมูล การเชื่อมต่อจึงเหมาะอย่างยิ่งสำหรับงานต่างๆ เช่น การจดจำรูปแบบ การจำแนกประเภท และการทำแผนที่อินพุต-เอาท์พุตอย่างต่อเนื่อง การเรียนรู้เชิงลึกซึ่งเป็นวิวัฒนาการของการเชื่อมต่อได้ประสบความสำเร็จในขอบเขตต่างๆ เช่น การรู้จำภาพและคำพูด รวมถึงการประมวลผลภาษาธรรมชาติ

พฤติกรรมนิยม

พฤติกรรมนิยมซึ่งเชื่อมโยงอย่างใกล้ชิดกับหุ่นยนต์เลียนแบบชีวภาพและการวิจัยระบบอัจฉริยะอัตโนมัติ ตอกย้ำว่าตัวแทนอัจฉริยะสามารถเรียนรู้ผ่านการมีปฏิสัมพันธ์ด้านสิ่งแวดล้อม แตกต่างจากแนวทางก่อนหน้านี้ พฤติกรรมนิยมไม่ได้มุ่งเน้นไปที่การจำลองการนำเสนอภายในหรือกระบวนการรับรู้ แต่เน้นที่พฤติกรรมการปรับตัวผ่านวงจรการรับรู้และการกระทำ โดยระบุว่าความฉลาดแสดงออกผ่านการโต้ตอบและการเรียนรู้ด้านสิ่งแวดล้อมแบบไดนามิก ทำให้มีประสิทธิภาพโดยเฉพาะอย่างยิ่งสำหรับหุ่นยนต์เคลื่อนที่และระบบควบคุมแบบปรับได้ที่ทำงานในสภาพแวดล้อมที่ซับซ้อนและคาดเดาไม่ได้

แม้จะมีความแตกต่างพื้นฐาน แต่ทิศทางการวิจัยทั้งสามนี้สามารถทำงานร่วมกันและเสริมซึ่งกันและกันในการวิจัยและการประยุกต์ใช้ AI เชิงปฏิบัติ ซึ่งร่วมกันขับเคลื่อนการพัฒนาในสาขานี้

หลักการของ AIGC

เนื้อหาที่สร้างด้วยปัญญาประดิษฐ์ (AIGC) มีจำนวนเพิ่มขึ้นเรื่อยๆ แสดงถึงวิวัฒนาการและการประยุกต์ใช้แนวคิดการเชื่อมโยง ซึ่งอำนวยความสะดวกในการสร้างเนื้อหาใหม่ๆ โดยเลียนแบบความคิดสร้างสรรค์ของมนุษย์ โมเดลเหล่านี้ได้รับการฝึกฝนโดยใช้ชุดข้อมูลขนาดใหญ่และอัลกอริธึมการเรียนรู้เชิงลึกเพื่อแยกแยะโครงสร้างพื้นฐาน ความสัมพันธ์ และรูปแบบภายในข้อมูล โดยได้รับแจ้งจากข้อมูลของผู้ใช้ พวกเขาผลิตผลลัพธ์ที่หลากหลาย รวมถึงรูปภาพ วิดีโอ โค้ด เพลง การออกแบบ การแปล คำตอบสำหรับคำถาม และข้อความ ปัจจุบัน AIGC ประกอบด้วยองค์ประกอบพื้นฐาน 3 ส่วน ได้แก่ การเรียนรู้เชิงลึก (DL) ข้อมูลขนาดใหญ่ และพลังการคำนวณขนาดใหญ่

การเรียนรู้เชิงลึก

Deep Learning ซึ่งเป็นชุดย่อยของ Machine Learning (ML) ใช้อัลกอริธึมที่สร้างแบบจำลองตามโครงข่ายประสาทเทียมของสมองมนุษย์ เช่นเดียวกับที่สมองของมนุษย์ประกอบด้วยเซลล์ประสาทที่เชื่อมต่อถึงกันเพื่อประมวลผลข้อมูล เครือข่ายประสาทการเรียนรู้เชิงลึกก็ประกอบด้วยเซลล์ประสาทเทียมหลายชั้นที่ทำการคำนวณภายในคอมพิวเตอร์ เซลล์ประสาทหรือโหนดประดิษฐ์เหล่านี้ใช้ประโยชน์จากการดำเนินการทางคณิตศาสตร์ในการประมวลผลข้อมูลและแก้ไขปัญหาที่ซับซ้อนผ่านอัลกอริธึมการเรียนรู้เชิงลึก

โครงข่ายประสาทเทียมประกอบด้วยเลเยอร์ต่างๆ ได้แก่ อินพุต ที่ซ่อนอยู่ และเอาต์พุต โดยมีพารามิเตอร์ที่เชื่อมโยงเลเยอร์เหล่านี้

· Input Layer: ชั้นแรกของโครงข่ายประสาทเทียม รับข้อมูลอินพุตจากภายนอก เซลล์ประสาทแต่ละอันภายในเลเยอร์นี้สอดคล้องกับคุณลักษณะของข้อมูลอินพุต ตัวอย่างเช่น ในการประมวลผลข้อมูลภาพ เซลล์ประสาทแต่ละตัวอาจแสดงถึงค่าพิกเซล

· เลเยอร์ที่ซ่อนอยู่: ตามเลเยอร์อินพุต เลเยอร์ที่ซ่อนอยู่จะประมวลผลและส่งข้อมูลผ่านเครือข่าย เลเยอร์เหล่านี้จะวิเคราะห์ข้อมูลในระดับต่างๆ โดยปรับพฤติกรรมเมื่อได้รับข้อมูลใหม่ เครือข่ายการเรียนรู้เชิงลึกสามารถมีเลเยอร์ที่ซ่อนอยู่ได้หลายร้อยชั้น ช่วยให้สามารถวิเคราะห์ปัญหาได้หลายแง่มุม ตัวอย่างเช่น เมื่อจำแนกสัตว์ที่ไม่คุ้นเคยจากรูปภาพ เครือข่ายสามารถเปรียบเทียบกับสัตว์ที่รู้จักได้โดยการประเมินลักษณะต่างๆ เช่น รูปร่างหู จำนวนขา และขนาดของรูม่านตา เลเยอร์ที่ซ่อนอยู่ทำงานคล้ายกัน โดยแต่ละเลเยอร์จะประมวลผลลักษณะของสัตว์ที่แตกต่างกันเพื่อช่วยในการจำแนกประเภทที่แม่นยำ

· เลเยอร์เอาท์พุต: เลเยอร์สุดท้ายของโครงข่ายประสาทเทียม จะสร้างเอาต์พุตของเครือข่าย เซลล์ประสาทภายในเลเยอร์นี้แสดงถึงประเภทหรือค่าเอาท์พุตที่เป็นไปได้ ในงานจำแนกประเภท เซลล์ประสาทแต่ละอันอาจสอดคล้องกับหมวดหมู่ ในขณะที่งานการถดถอย เลเยอร์เอาท์พุตอาจมีเซลล์ประสาทเดี่ยวที่มีค่าทำนายผลลัพธ์

· พารามิเตอร์: ในโครงข่ายประสาทเทียม การเชื่อมต่อระหว่างเลเยอร์ต่างๆ จะแสดงด้วยน้ำหนักและอคติ ซึ่งได้รับการปรับให้เหมาะสมในระหว่างกระบวนการฝึกอบรมเพื่อให้เครือข่ายสามารถจดจำรูปแบบในข้อมูลได้อย่างแม่นยำและทำการคาดการณ์ การเพิ่มพารามิเตอร์สามารถเพิ่มความสามารถของโมเดลโครงข่ายประสาทเทียมได้ กล่าวคือ ความสามารถในการเรียนรู้และแสดงรูปแบบที่ซับซ้อนในข้อมูล อย่างไรก็ตาม สิ่งนี้ยังเพิ่มความต้องการพลังการคำนวณอีกด้วย

บิ๊กดาต้า

การฝึกอบรมโครงข่ายประสาทเทียมที่มีประสิทธิภาพมักจำเป็นต้องมีข้อมูลที่กว้างขวาง หลากหลาย มีคุณภาพสูง และหลายแหล่ง ข้อมูลดังกล่าวเป็นรากฐานที่สำคัญสำหรับการฝึกอบรมและการตรวจสอบความถูกต้องของโมเดลการเรียนรู้ของเครื่อง โมเดลการเรียนรู้ของเครื่องสามารถระบุรูปแบบและความสัมพันธ์ภายในข้อมูลผ่านการวิเคราะห์ข้อมูลขนาดใหญ่ ซึ่งอำนวยความสะดวกในการคาดการณ์หรือจำแนกประเภท

พลังการคำนวณมหาศาล

โครงสร้างหลายชั้นที่ซับซ้อนของโครงข่ายประสาทเทียม พารามิเตอร์จำนวนมาก ข้อกำหนดสำหรับการประมวลผลข้อมูลขนาดใหญ่ วิธีการฝึกอบรมซ้ำ (เกี่ยวข้องกับการคำนวณการแพร่กระจายไปข้างหน้าและย้อนกลับซ้ำๆ รวมถึงการคำนวณฟังก์ชันการเปิดใช้งานและการสูญเสีย การคำนวณแบบไล่ระดับ และการอัปเดตน้ำหนัก) การประมวลผลที่มีความแม่นยำสูง ความต้องการ ความสามารถในการประมวลผลแบบขนาน เทคนิคการปรับให้เหมาะสมและการทำให้เป็นมาตรฐาน และการประเมินแบบจำลองและกระบวนการตรวจสอบความถูกต้อง ล้วนมีส่วนทำให้เกิดความต้องการด้านการคำนวณจำนวนมาก

โซระ

Sora ซึ่งเป็นโมเดล AI รุ่นวิดีโอล่าสุดของ OpenAI แสดงให้เห็นถึงความก้าวหน้าอย่างมากในความสามารถของปัญญาประดิษฐ์ในการประมวลผลและทำความเข้าใจข้อมูลภาพที่หลากหลาย ด้วยการใช้เครือข่ายการบีบอัดวิดีโอและเทคนิคแพทช์ spatiotemporal ทำให้ Sora สามารถแปลงข้อมูลภาพจำนวนมหาศาลที่บันทึกไว้ทั่วโลกและจากอุปกรณ์ต่างๆ ให้กลายเป็นการนำเสนอแบบครบวงจร ความสามารถนี้ช่วยให้สามารถประมวลผลและทำความเข้าใจเนื้อหาภาพที่ซับซ้อนได้อย่างมีประสิทธิภาพ Sora ใช้โมเดล Diffusion แบบปรับเงื่อนไขด้วยข้อความเพื่อสร้างวิดีโอหรือรูปภาพที่มีความสัมพันธ์กับข้อความแจ้งในระดับสูง ซึ่งแสดงให้เห็นถึงความคิดสร้างสรรค์ที่โดดเด่นและความสามารถในการปรับตัว

แม้ว่า Sora จะมีความก้าวหน้าในการสร้างวิดีโอและการจำลองการโต้ตอบในโลกแห่งความเป็นจริง แต่ก็พบกับข้อจำกัดบางประการ ซึ่งรวมถึงความแม่นยำของการจำลองโลกทางกายภาพ ความสม่ำเสมอในการสร้างวิดีโอขนาดยาว ความเข้าใจในคำสั่งข้อความที่ซับซ้อน และประสิทธิภาพในการฝึกอบรมและการสร้าง โดยพื้นฐานแล้ว Sora ดำเนินตามวิถีทางเทคนิค "ข้อมูลขนาดใหญ่ - หม้อแปลง - การแพร่กระจาย - การเกิดขึ้น" ซึ่งอำนวยความสะดวกด้วยพลังการคำนวณแบบผูกขาดของ OpenAI และความได้เปรียบของผู้เสนอญัตติรายแรก ส่งผลให้เกิดสุนทรียศาสตร์รูปแบบเดรัจฉาน อย่างไรก็ตาม บริษัท AI อื่นๆ ยังคงมีศักยภาพที่จะแซงหน้า Sora ผ่านนวัตกรรมทางเทคโนโลยี

แม้ว่าการเชื่อมต่อของ Sora กับบล็อกเชนจะยังค่อนข้างเรียบง่าย แต่คาดว่าในอีกหนึ่งหรือสองปีข้างหน้า อิทธิพลของ Sora จะนำไปสู่การเกิดขึ้นและการพัฒนาอย่างรวดเร็วของเครื่องมือสร้าง AI คุณภาพสูงอื่นๆ การพัฒนาเหล่านี้คาดว่าจะส่งผลกระทบต่อภาคส่วนต่างๆ ของ Web3 เช่น GameFi, แพลตฟอร์มโซเชียล, แพลตฟอร์มสร้างสรรค์, Depin เป็นต้น ดังนั้น การได้รับความเข้าใจทั่วไปเกี่ยวกับ Sora จึงเป็นสิ่งสำคัญ และการพิจารณาว่า AI จะบูรณาการเข้ากับ Web3 อย่างมีประสิทธิภาพในอนาคตได้อย่างไร จึงกลายเป็นการพิจารณาที่สำคัญ .

สี่เส้นทางของการบูรณาการ AI x Web3

ตามที่กล่าวไว้ก่อนหน้านี้ องค์ประกอบพื้นฐานที่จำเป็นสำหรับ generative AI สามารถสรุปได้เป็นสามองค์ประกอบหลัก: อัลกอริธึม ข้อมูล และพลังการประมวลผล ในทางกลับกัน AI ซึ่งเป็นเครื่องมือสากลที่มีผลกระทบอย่างกว้างขวางต่อวิธีการผลิต ได้ปฏิวัติวิธีการทำงานของอุตสาหกรรมต่างๆ ในขณะเดียวกัน ผลกระทบที่สำคัญของเทคโนโลยีบล็อกเชนนั้นมีสองเท่า: ปรับโครงสร้างความสัมพันธ์ในการผลิตและเปิดใช้งานการกระจายอำนาจ ดังนั้นการมาบรรจบกันของเทคโนโลยีทั้งสองนี้จึงทำให้เกิดแนวทางที่เป็นไปได้สี่ประการ:

พลังการคำนวณแบบกระจายอำนาจ

ส่วนนี้มีจุดมุ่งหมายเพื่อให้ข้อมูลเชิงลึกเกี่ยวกับภูมิทัศน์ในปัจจุบันของพลังการประมวลผล ในขอบเขตของ AI พลังการประมวลผลมีความสำคัญอย่างมาก ความต้องการพลังการประมวลผลใน AI โดยเฉพาะหลังการถือกำเนิดของ Sora นั้นสูงถึงระดับที่ไม่เคยเกิดขึ้นมาก่อน ในระหว่างการประชุม World Economic Forum ในเมืองดาวอส ประเทศสวิตเซอร์แลนด์ ในปี 2024 Sam Altman ซีอีโอของ OpenAI เน้นย้ำว่าพลังการประมวลผลและพลังงานในปัจจุบันคือข้อจำกัดที่สำคัญที่สุด ซึ่งบ่งบอกถึงความเท่าเทียมกันในอนาคตของสกุลเงิน ต่อมาในวันที่ 10 กุมภาพันธ์ Sam Altman ได้ประกาศแผนการแหวกแนวผ่านทาง Twitter เพื่อระดมทุน 7 ล้านล้านดอลลาร์สหรัฐ (เทียบเท่ากับ 40% ของ GDP ของจีนในปี 2023) เพื่อปฏิวัติอุตสาหกรรมเซมิคอนดักเตอร์ทั่วโลก โดยมีเป้าหมายเพื่อสร้างอาณาจักรเซมิคอนดักเตอร์ ก่อนหน้านี้ ข้อควรพิจารณาของฉันเกี่ยวกับพลังการประมวลผลถูกจำกัดอยู่ที่ข้อจำกัดระดับชาติและการผูกขาดขององค์กร อย่างไรก็ตาม แนวคิดของหน่วยงานเดียวที่ต้องการครองภาคเซมิคอนดักเตอร์ทั่วโลกนั้นน่าทึ่งอย่างแท้จริง

ความสำคัญของพลังการประมวลผลแบบกระจายอำนาจเป็นที่ประจักษ์ชัด คุณสมบัติของบล็อคเชนนำเสนอโซลูชั่นสำหรับปัญหาที่แพร่หลายของการผูกขาดในพลังการประมวลผลและต้นทุนที่สูงเกินไปที่เกี่ยวข้องกับการรับ GPU เฉพาะทาง จากมุมมองของข้อกำหนด AI การใช้พลังงานการประมวลผลสามารถแบ่งได้เป็นสองด้าน: การอนุมานและการฝึกอบรม โปรเจ็กต์ที่เน้นไปที่การฝึกอบรมเป็นหลักนั้นหายากเนื่องจากการบูรณาการที่ซับซ้อนซึ่งจำเป็นสำหรับเครือข่ายแบบกระจายอำนาจและความต้องการฮาร์ดแวร์จำนวนมาก ทำให้เกิดอุปสรรคสำคัญในการนำไปปฏิบัติ ในทางกลับกัน งานอนุมานค่อนข้างง่ายกว่า โดยมีการออกแบบเครือข่ายแบบกระจายอำนาจที่ซับซ้อนน้อยกว่า ตลอดจนฮาร์ดแวร์และแบนด์วิดท์ที่จำเป็นน้อยกว่า ดังนั้นจึงแสดงถึงช่องทางที่เข้าถึงได้มากขึ้น

ภูมิทัศน์ของพลังการประมวลผลแบบรวมศูนย์มีศักยภาพมากมาย ซึ่งมักเกี่ยวข้องกับคำอธิบาย "ระดับล้านล้าน" และยังคงเป็นหัวข้อที่ตื่นตาตื่นใจอย่างมากในยุค AI อย่างไรก็ตาม เมื่อสังเกตโครงการต่างๆ มากมายเมื่อเร็วๆ นี้ หลายๆ โครงการดูเหมือนจะมีความพยายามอย่างเร่งรีบโดยมุ่งเป้าไปที่การใช้ประโยชน์จากแนวโน้ม แม้ว่าโครงการเหล่านี้มักจะสนับสนุนการกระจายอำนาจ แต่ก็มีแนวโน้มที่จะหลีกเลี่ยงการอภิปรายเกี่ยวกับความไร้ประสิทธิภาพของเครือข่ายการกระจายอำนาจ นอกจากนี้ ยังมีระดับความสม่ำเสมอในการออกแบบที่โดดเด่น โดยหลายโครงการนำแนวทางที่คล้ายกัน (เช่น L2 แบบคลิกเดียวบวกกับการออกแบบการขุด) ซึ่งอาจนำไปสู่ความล้มเหลวและความพยายามที่ซับซ้อนในการสร้างความแตกต่างจากการแข่งขัน AI แบบดั้งเดิม

อัลกอริธึมและระบบการทำงานร่วมกันแบบจำลอง

อัลกอริธึมการเรียนรู้ของเครื่องได้รับการออกแบบมาเพื่อเรียนรู้รูปแบบและกฎจากข้อมูล ทำให้สามารถคาดการณ์หรือตัดสินใจตามรูปแบบที่เรียนรู้เหล่านี้ได้ เนื่องจากความซับซ้อนในการออกแบบและการเพิ่มประสิทธิภาพ อัลกอริธึมจึงมีเทคโนโลยีเข้มข้นโดยธรรมชาติ ซึ่งต้องการความเชี่ยวชาญเชิงลึกและนวัตกรรมทางเทคโนโลยี โดยทำหน้าที่เป็นแกนหลักของการฝึกอบรมโมเดล AI โดยกำหนดวิธีการประมวลผลข้อมูลเพื่อให้ได้ข้อมูลเชิงลึกที่เป็นประโยชน์หรือทำการตัดสินใจ อัลกอริธึม AI เจนเนอเรชั่นที่โดดเด่น เช่น Generative Adversarial Networks (GAN), Variational Autoencoders (VAE) และ Transformers ได้รับการปรับแต่งสำหรับโดเมนเฉพาะ เช่น การวาดภาพ การจดจำภาษา การแปล หรือการสร้างวิดีโอ และเป็นเครื่องมือในการฝึกอบรมโมเดล AI เฉพาะด้าน

อัลกอริธึมและโมเดลที่มีจุดแข็งที่แตกต่างกันมากมายทำให้เกิดคำถาม: พวกเขาสามารถรวมเข้ากับโมเดลอเนกประสงค์ได้หรือไม่? Bittensor ซึ่งเป็นโครงการที่โดดเด่นเมื่อเร็วๆ นี้ เป็นหัวหอกในความพยายามในทิศทางนี้โดยการสร้างแรงจูงใจในการทำงานร่วมกันระหว่างโมเดล AI และอัลกอริธึมต่างๆ ดังนั้นจึงส่งเสริมการพัฒนาโมเดล AI ที่มีประสิทธิภาพและมีความสามารถมากขึ้น ความคิดริเริ่มอื่นๆ เช่น Commune AI มุ่งเน้นไปที่การส่งเสริมการทำงานร่วมกันของโค้ด แม้ว่าการแบ่งปันอัลกอริธึมและโมเดลจะยังคงเป็นเรื่องที่ท้าทายเนื่องจากมีลักษณะเป็นกรรมสิทธิ์ภายในบริษัท AI

แนวคิดของระบบนิเวศการทำงานร่วมกันของ AI นั้นน่าสนใจ โดยใช้ประโยชน์จากเทคโนโลยีบล็อกเชนเพื่อลดข้อเสียที่เกี่ยวข้องกับอัลกอริธึม AI ที่แยกออกมา อย่างไรก็ตาม ความสามารถในการสร้างมูลค่าที่สอดคล้องกันนั้นยังไม่ได้รับการพิจารณา บริษัท AI ที่ก่อตั้งขึ้นซึ่งมีอัลกอริธึมและโมเดลที่เป็นกรรมสิทธิ์ มีความสามารถที่แข็งแกร่งในการอัปเดต ทำซ้ำ และบูรณาการเทคโนโลยีของตน ตัวอย่างเช่น OpenAI มีความก้าวหน้าอย่างรวดเร็วจากโมเดลการสร้างข้อความในยุคแรกๆ ไปสู่โมเดลการสร้างหลายโดเมนภายในระยะเวลาสองปี โครงการเช่น Bittensor อาจจำเป็นต้องสำรวจเส้นทางนวัตกรรมในโดเมนเป้าหมายเพื่อแข่งขันอย่างมีประสิทธิภาพ

ข้อมูลขนาดใหญ่ที่กระจายอำนาจ

จากมุมมองที่เรียบง่าย การบูรณาการข้อมูลส่วนตัวเพื่อเติมพลังให้กับ AI และการใส่คำอธิบายประกอบข้อมูลเป็นช่องทางที่เข้ากันได้ดีกับเทคโนโลยีบล็อกเชน ข้อกังวลหลักเกี่ยวข้องกับวิธีป้องกันข้อมูลขยะและกิจกรรมที่เป็นอันตราย นอกจากนี้ การจัดเก็บข้อมูลยังเป็นประโยชน์สำหรับโครงการ Depin เช่น FIL และ AR

เมื่อมองจากมุมที่ซับซ้อนมากขึ้น การใช้ประโยชน์จากข้อมูลบล็อกเชนสำหรับการเรียนรู้ของเครื่อง (ML) เพื่อจัดการกับการเข้าถึงข้อมูลบล็อกเชนถือเป็นอีกทิศทางที่น่าสนใจ ตามที่ Giza สำรวจ

ตามทฤษฎีแล้ว ข้อมูลบล็อกเชนสามารถเข้าถึงได้ตลอดเวลาและสะท้อนสถานะของบล็อกเชนทั้งหมด อย่างไรก็ตาม สำหรับผู้ที่อยู่นอกระบบนิเวศบล็อคเชน การเข้าถึงชุดข้อมูลที่กว้างขวางเหล่านี้ไม่ได้ตรงไปตรงมา การจัดเก็บบล็อคเชนทั้งหมดจำเป็นต้องใช้ความเชี่ยวชาญและทรัพยากรฮาร์ดแวร์เฉพาะทาง

เพื่อเอาชนะความท้าทายในการเข้าถึงข้อมูลบล็อกเชน อุตสาหกรรมได้เห็นการเกิดขึ้นของโซลูชันหลายประการ ตัวอย่างเช่น ผู้ให้บริการ RPC เสนอการเข้าถึงโหนดผ่าน API ในขณะที่บริการจัดทำดัชนีอำนวยความสะดวกในการเรียกข้อมูลผ่าน SQL และ GraphQL ซึ่งมีบทบาทสำคัญในการบรรเทาปัญหา อย่างไรก็ตาม วิธีการเหล่านี้ก็มีข้อจำกัดอยู่ บริการ RPC ไม่เพียงพอสำหรับกรณีการใช้งานที่มีความหนาแน่นสูงซึ่งต้องการการสืบค้นข้อมูลที่กว้างขวางและมักจะไม่สามารถตอบสนองความต้องการได้ ในขณะเดียวกัน แม้ว่าบริการจัดทำดัชนีจะมีแนวทางในการเรียกข้อมูลที่มีโครงสร้างมากกว่า แต่ความซับซ้อนของโปรโตคอล Web3 ทำให้การสร้างแบบสอบถามที่มีประสิทธิภาพมีความท้าทายอย่างมาก ซึ่งบางครั้งจำเป็นต้องใช้โค้ดที่ซับซ้อนหลายร้อยหรือหลายพันบรรทัด ความซับซ้อนนี้ก่อให้เกิดอุปสรรคสำคัญสำหรับผู้ปฏิบัติงานด้านข้อมูลทั่วไปและผู้ที่มีความเข้าใจอย่างจำกัดเกี่ยวกับความซับซ้อนของ Web3 ผลกระทบโดยรวมของข้อจำกัดเหล่านี้เน้นย้ำถึงความจำเป็นสำหรับวิธีการรับและใช้ประโยชน์จากข้อมูลบล็อกเชนที่เข้าถึงและใช้งานได้มากขึ้น ซึ่งสามารถกระตุ้นการใช้งานและนวัตกรรมในวงกว้างในวงกว้าง

ดังนั้น การผสมผสานของ ZKML (Zero-Knowledge Proof Machine Learning ซึ่งแบ่งเบาภาระของการเรียนรู้ของเครื่องจักรบนห่วงโซ่) เข้ากับข้อมูลบล็อกเชนคุณภาพสูงอาจทำให้เกิดชุดข้อมูลที่จัดการกับความท้าทายในการเข้าถึงข้อมูลบล็อกเชน AI มีศักยภาพในการลดอุปสรรคในการเข้าถึงข้อมูลบล็อกเชนได้อย่างมาก เมื่อเวลาผ่านไป นักพัฒนา นักวิจัย และผู้ที่ชื่นชอบ ML จะสามารถเข้าถึงชุดข้อมูลคุณภาพสูงและเกี่ยวข้องได้มากขึ้น เพื่อการสร้างสรรค์โซลูชันที่มีประสิทธิภาพและเป็นนวัตกรรม

การเสริมพลัง AI สำหรับ DApps

นับตั้งแต่ ChatGPT3 ระเบิดในปี 2023 การเพิ่มศักยภาพของ AI สำหรับ Dapps ได้กลายเป็นทิศทางที่พบบ่อยมาก AI เจนเนอเรชั่นที่ใช้งานได้อย่างกว้างขวางสามารถบูรณาการผ่าน API ได้ จึงช่วยลดความซับซ้อนและทำให้แพลตฟอร์มข้อมูล บอทการซื้อขาย สารานุกรมบล็อกเชน และแอปพลิเคชันอื่น ๆ ง่ายขึ้นและชาญฉลาด นอกจากนี้ยังสามารถทำหน้าที่เป็นแชทบอท (เช่น Myshell) หรือ AI สหาย (เช่น Sleepless AI) และแม้แต่สร้าง NPC ในเกมบล็อคเชนโดยใช้ generative AI อย่างไรก็ตาม เนื่องจากมีอุปสรรคด้านเทคนิคต่ำ การใช้งานส่วนใหญ่จึงเป็นเพียงการปรับแต่งหลังจากบูรณาการ API และการบูรณาการกับโครงการต่างๆ มักจะไม่สมบูรณ์ จึงไม่ค่อยมีการกล่าวถึง

ด้วยการถือกำเนิดของ Sora โดยส่วนตัวแล้วฉันเชื่อว่าการเพิ่มขีดความสามารถของ AI สำหรับ GameFi (รวมถึง metaverse) และแพลตฟอร์มที่สร้างสรรค์จะเป็นจุดสนใจหลักในอนาคต เมื่อพิจารณาจากลักษณะจากล่างขึ้นบนของฟิลด์ Web3 จึงเป็นไปไม่ได้ที่จะผลิตผลิตภัณฑ์ที่สามารถแข่งขันกับเกมแบบดั้งเดิมหรือบริษัทสร้างสรรค์ได้โดยตรง อย่างไรก็ตาม การเกิดขึ้นของโซระมีศักยภาพที่จะทำลายการหยุดชะงักนี้ได้ภายในเวลาเพียงสองถึงสามปี จากการสาธิตของ Sora ดูเหมือนว่าจะสามารถแข่งขันกับบริษัทไมโครดราม่าได้ นอกจากนี้ วัฒนธรรมชุมชนที่กระตือรือร้นของ Web3 ยังช่วยส่งเสริมแนวคิดที่น่าสนใจมากมายอีกด้วย เมื่อจินตนาการมีขีดจำกัด อุปสรรคระหว่างอุตสาหกรรมจากล่างขึ้นบนและอุตสาหกรรมแบบดั้งเดิมจากบนลงล่างจะพังทลายลง

บทสรุป

เนื่องจากเครื่องมือ AI เชิงสร้างสรรค์ก้าวหน้าอย่างต่อเนื่อง เราจึงพร้อมที่จะสัมผัสประสบการณ์ "ช่วงเวลาของ iPhone" ที่เปลี่ยนแปลงได้มากขึ้นในอนาคต แม้ว่าในตอนแรกจะมีข้อสงสัยเกี่ยวกับการรวม AI เข้ากับ Web3 แต่ฉันมั่นใจว่าวิถีปัจจุบันโดยทั่วไปเป็นไปตามแผน แม้ว่าจะมีปัญหาหลักสามประการที่ต้องให้ความสนใจ: ความจำเป็น ประสิทธิภาพ และความเข้ากันได้ ในขณะที่การบรรจบกันของโดเมนเหล่านี้ยังคงเป็นการสำรวจ แต่ก็ไม่ควรขัดขวางเราไม่ให้จินตนาการถึงการนำโดเมนเหล่านี้ไปใช้ในตลาดกระทิงที่กำลังจะมาถึง

การรักษากรอบความคิดที่อยากรู้อยากเห็นและเปิดรับแนวคิดใหม่ๆ เป็นสิ่งสำคัญ แบบอย่างทางประวัติศาสตร์ เช่น การเปลี่ยนแปลงอย่างรวดเร็วจากรถม้าไปเป็นรถยนต์ และวิวัฒนาการของคำจารึกไปสู่ NFT ในอดีต เน้นย้ำถึงความสำคัญของการหลีกเลี่ยงอคติที่มากเกินไป ซึ่งมักจะส่งผลให้พลาดโอกาส

ข้อสงวนสิทธิ์：

1. บทความนี้พิมพ์ซ้ำจาก [Deep Tide] ลิขสิทธิ์ทั้งหมดเป็นของผู้เขียนต้นฉบับ [YBB Capital Zeke] หากมีการคัดค้านการพิมพ์ซ้ำนี้ โปรดติดต่อทีมงาน Gate Learn แล้วพวกเขาจะจัดการโดยเร็วที่สุด
2. การปฏิเสธความรับผิด: มุมมองและความคิดเห็นที่แสดงในบทความนี้เป็นเพียงของผู้เขียนเท่านั้น และไม่ถือเป็นคำแนะนำในการลงทุนใดๆ
3. การแปลบทความเป็นภาษาอื่นดำเนินการโดยทีมงาน Gate Learn เว้นแต่จะกล่าวถึง ห้ามคัดลอก แจกจ่าย หรือลอกเลียนแบบบทความที่แปลแล้ว