Lịch sử phát triển ngành AI và khám phá sự kết hợp với Crypto
Sự phát triển gần đây của ngành trí tuệ nhân tạo được coi là cuộc cách mạng công nghiệp lần thứ tư, sự xuất hiện của các mô hình lớn đã nâng cao hiệu quả của nhiều ngành nghề. Công nghệ học sâu đã mang lại một làn sóng thịnh vượng mới cho ngành AI, và trào lưu này cũng đã ảnh hưởng đến ngành tiền điện tử.
Bài viết này sẽ khám phá chi tiết lịch sử phát triển của ngành AI, phân loại công nghệ, cũng như ảnh hưởng của công nghệ học sâu đối với ngành. Phân tích sâu sắc tình trạng và xu hướng phát triển của các chuỗi cung ứng trong ngành học sâu như GPU, điện toán đám mây, nguồn dữ liệu, thiết bị biên, v.v. Đồng thời, thảo luận về mối quan hệ giữa Crypto và ngành AI từ bản chất, cũng như hệ thống chuỗi cung ứng AI liên quan đến Crypto.
Lịch sử phát triển của ngành AI
Ngành AI bắt đầu từ những năm 1950, nhằm hiện thực hóa tầm nhìn về trí tuệ nhân tạo, giới học thuật và ngành công nghiệp đã phát triển nhiều trường phái khác nhau để hiện thực hóa trí tuệ nhân tạo trong các thời đại và bối cảnh khoa học khác nhau.
Công nghệ trí tuệ nhân tạo hiện đại chủ yếu sử dụng thuật ngữ "học máy", ý tưởng của công nghệ này là để máy móc dựa vào dữ liệu lặp đi lặp lại trong các nhiệm vụ nhằm cải thiện hiệu suất hệ thống. Các bước chính là đưa dữ liệu vào thuật toán, sử dụng dữ liệu này để đào tạo mô hình, kiểm tra triển khai mô hình, sử dụng mô hình để hoàn thành các nhiệm vụ dự đoán tự động.
Học máy có ba trường phái chính, lần lượt là liên kết, ký hiệu và hành vi, lần lượt mô phỏng hệ thần kinh, tư duy và hành vi của con người. Hiện nay, chủ nghĩa liên kết đại diện bởi mạng nơ-ron chiếm ưu thế ( còn được gọi là học sâu ). Kiến trúc mạng nơ-ron có một lớp đầu vào, một lớp đầu ra, nhưng có nhiều lớp ẩn, một khi số lượng lớp và số lượng tham số nơ-ron ( đủ lớn, sẽ có đủ cơ hội để điều chỉnh các nhiệm vụ phức tạp một cách tổng quát.
![Người mới phổ cập丨AI x Crypto: Từ con số không đến đỉnh cao])https://img-cdn.gateio.im/webp-social/moments-c50ee5a87373c6cd6c4dc63adc2cf47c.webp(
Công nghệ học sâu dựa trên mạng nơ-ron cũng có nhiều vòng lặp và tiến hóa công nghệ, từ mạng nơ-ron ban đầu, đến mạng nơ-ron truyền tiến, RNN, CNN, GAN, cuối cùng tiến hóa thành các mô hình lớn hiện đại như GPT sử dụng công nghệ Transformer. Công nghệ Transformer chỉ là một hướng tiến hóa của mạng nơ-ron, thêm vào một bộ chuyển đổi, dùng để mã hóa tất cả các dữ liệu của các mô hình thành các giá trị tương ứng để biểu thị. Sau đó, nó được đưa vào mạng nơ-ron, như vậy mạng nơ-ron có thể khớp bất kỳ loại dữ liệu nào, thực hiện đa mô hình.
Sự phát triển của AI đã trải qua ba làn sóng công nghệ:
Vào những năm 1960, làn sóng đầu tiên do sự phát triển của công nghệ biểu tượng gây ra đã giải quyết được các vấn đề về xử lý ngôn ngữ tự nhiên chung và giao tiếp giữa người và máy.
Năm 1997, IBM Deep Blue đánh bại nhà vô địch cờ vua Garry Kasparov, đánh dấu đỉnh cao phát triển thứ hai.
Kể từ năm 2006, sự phát triển của công nghệ học sâu đã gây ra làn sóng công nghệ thứ ba, đây cũng là thời kỳ hoàng kim của chủ nghĩa kết nối.
Trong những năm gần đây, công nghệ học sâu đã liên tục có những bước đột phá, xuất hiện nhiều sự kiện mang tính biểu tượng:
Năm 2015, OpenAI được thành lập.
Năm 2016, AlphaGo đã đánh bại nhà vô địch cờ vây thế giới Lee Sedol.
Năm 2017, Google đã đề xuất thuật toán Transformer.
Năm 2018, OpenAI đã phát hành mô hình GPT.
Năm 2020, OpenAI phát hành GPT-3.
Tháng 1 năm 2023, ChatGPT dựa trên GPT-4 được ra mắt.
![Người mới phổ cập丨AI x Crypto: Từ số không đến đỉnh cao])https://img-cdn.gateio.im/webp-social/moments-0c9bdea33a39a2c07d1f06760ed7e804.webp(
Chuỗi công nghiệp học sâu
Các mô hình ngôn ngữ lớn hiện tại đều dựa trên phương pháp học sâu dựa trên mạng nơ-ron. Mô hình lớn do GPT dẫn đầu đã tạo ra một làn sóng sốt về trí tuệ nhân tạo, thu hút rất nhiều người chơi tham gia vào lĩnh vực này. Nhu cầu về dữ liệu và sức mạnh tính toán trên thị trường đã bùng nổ mạnh mẽ.
Trong quá trình đào tạo các mô hình lớn như GPT dựa trên công nghệ Transformer, có tổng cộng ba bước:
Huấn luyện trước: Tìm kiếm các tham số tốt nhất cho từng nơ-ron trong mô hình thông qua một lượng lớn dữ liệu, tiêu tốn nhiều sức mạnh tính toán.
Tinh chỉnh: Sử dụng một lượng dữ liệu chất lượng cao để đào tạo, nâng cao chất lượng đầu ra của mô hình.
Học tăng cường: Xây dựng mô hình thưởng, đánh giá đầu ra của mô hình lớn, lặp lại tham số.
Hiệu suất của mô hình lớn chủ yếu được quyết định bởi ba yếu tố: số lượng tham số, khối lượng và chất lượng dữ liệu, và khả năng tính toán. Ba yếu tố này đã ươm mầm một toàn bộ chuỗi công nghiệp.
![Người mới phổ cập丨AI x Crypto: Từ con số không đến đỉnh cao])https://img-cdn.gateio.im/webp-social/moments-609c5dd6ee0abcec6bf9c118d7741867.webp(
) nhà cung cấp GPU phần cứng
GPU là chip chính để đào tạo và suy luận hiện nay. Nvidia đang ở vị trí dẫn đầu tuyệt đối, các chip như H100, A100 của họ được sử dụng rộng rãi trong việc thương mại hóa các mô hình lớn.
Năm 2023, chip H100 mới nhất của Nvidia đang trong tình trạng khan hiếm, thời gian giao hàng lên tới 52 tuần. Nhiều công ty công nghệ lớn đang mua số lượng lớn chip H100 để xây dựng trung tâm tính toán hiệu suất cao.
![Người mới phổ cập丨AI x Crypto: Từ số không đến đỉnh cao]###https://img-cdn.gateio.im/webp-social/moments-f37fb0100218188368f4d31940aab2a3.webp(
) nhà cung cấp dịch vụ đám mây
Các nhà cung cấp dịch vụ đám mây, sau khi mua đủ GPU để xây dựng HPC, có thể cung cấp sức mạnh tính toán linh hoạt và giải pháp huấn luyện lưu trữ cho các doanh nghiệp trí tuệ nhân tạo có nguồn vốn hạn chế. Hiện tại, thị trường chủ yếu được chia thành ba loại nhà cung cấp sức mạnh tính toán đám mây:
Nền tảng tính toán đám mây quy mô lớn điển hình do các nhà cung cấp đám mây truyền thống đại diện ###AWS, Google, Azure(.
Nền tảng điện toán đám mây chuyên nghiệp trong lĩnh vực AI dọc, như CoreWeave, Lambda, v.v.
Nhà cung cấp dịch vụ suy diễn, như Together.ai, Fireworks.ai, v.v.
![Người mới phổ cập丨AI x Crypto: Từ con số không đến đỉnh cao])https://img-cdn.gateio.im/webp-social/moments-8848582a34ba293d15afae15d90e3c95.webp(
) nhà cung cấp cơ sở dữ liệu
Đối với dữ liệu AI và các tác vụ đào tạo suy diễn học sâu, hiện nay trong ngành đang sử dụng "cơ sở dữ liệu vector". Cơ sở dữ liệu vector nhằm mục đích lưu trữ, quản lý và lập chỉ mục hiệu quả lượng lớn dữ liệu vector nhiều chiều.
Hiện tại các người chơi chính bao gồm Chroma, Zilliz, Pinecone, Weaviate, v.v. Cùng với sự gia tăng nhu cầu về khối lượng dữ liệu, cũng như sự bùng nổ của các mô hình lớn và ứng dụng trong nhiều lĩnh vực khác nhau, nhu cầu về cơ sở dữ liệu vector sẽ tăng mạnh.
![Người mới phổ cập丨AI x Crypto: Từ không đến đỉnh cao]###https://img-cdn.gateio.im/webp-social/moments-53c48daf49a3dbb35c1a2b47e234f180.webp(
) thiết bị biên
Khi xây dựng cụm tính toán hiệu suất cao GPU, thường tiêu tốn một lượng lớn năng lượng và phát sinh nhiệt lượng lớn. Điều này cần một số thiết bị làm mát bên ngoài để đảm bảo HPC hoạt động liên tục. Liên quan đến hai hướng cung cấp năng lượng và hệ thống làm mát.
Hiện tại, năng lượng được cung cấp chủ yếu từ điện. Trong việc làm mát cụm HPC, hiện nay chủ yếu là làm mát bằng gió, nhưng nhiều nhà đầu tư mạo hiểm đang mạnh tay đầu tư vào hệ thống làm mát bằng chất lỏng. Làm mát bằng chất lỏng chủ yếu được chia thành ba hướng khám phá là làm mát bằng chất lỏng kiểu tấm lạnh, làm mát bằng chất lỏng ngâm, và làm mát bằng chất lỏng phun.
![Người mới kiến thức丨AI x Crypto：Từ số không đến đỉnh cao]###https://img-cdn.gateio.im/webp-social/moments-250a286e79261e91a0e7ac4941ff5c76.webp(
) ứng dụng
Hiện tại, sự phát triển của ứng dụng AI tương tự như ngành công nghiệp blockchain, cơ sở hạ tầng rất đông đúc, nhưng phát triển ứng dụng lại không theo kịp. Trong mười tháng đầu, hầu hết các ứng dụng AI hoạt động chủ yếu là loại tìm kiếm, loại ứng dụng khá đơn điệu. Đồng thời, tỷ lệ giữ chân người dùng của các ứng dụng AI thấp hơn nhiều so với các ứng dụng internet truyền thống.
Theo báo cáo của Sequoia Mỹ, ứng dụng AI được chia thành ba loại dựa trên vai trò mà nó phục vụ: người tiêu dùng chuyên nghiệp, doanh nghiệp và người tiêu dùng bình thường. Ứng dụng cho người tiêu dùng chủ yếu được sử dụng để nâng cao năng suất, trong khi ứng dụng cho doanh nghiệp được sử dụng trong các ngành Marketing, pháp lý, thiết kế y tế và các lĩnh vực khác.
![Người mới tìm hiểu丨AI x Crypto: Từ con số 0 đến đỉnh cao]###https://img-cdn.gateio.im/webp-social/moments-8358c377eb2c07467848b3b46dbf1056.webp(
Mối quan hệ giữa Crypto và AI
Blockchain được hưởng lợi từ sự phát triển của công nghệ ZK, đã tiến hóa thành tư tưởng phi tập trung + phi tín nhiệm. Mạng lưới blockchain về bản chất là một mạng lưới giá trị, mỗi giao dịch đều là sự chuyển đổi giá trị dựa trên token nền tảng. Tokenomics là quy tắc thể hiện giá trị cụ thể của Token.
Kinh tế token có thể quy định giá trị tương đối của token gốc ) trong hệ sinh thái thanh toán (, mặc dù không thể định giá từng chiều hướng, nhưng giá token phản ánh giá trị đa chiều. Khi token được cấp cho mạng và lưu thông, nó có thể gán giá trị cho chức năng hoặc ý tưởng.
Các phương tiện định nghĩa và khám phá lại giá trị như token và công nghệ blockchain cũng rất quan trọng đối với ngành AI. Việc phát hành token trong ngành AI có thể giúp tái tạo giá trị từ nhiều khía cạnh khác nhau, khuyến khích nhiều người hơn tham gia sâu vào các lĩnh vực chuyên biệt. Đặc điểm không thể thay đổi và không cần tin tưởng của công nghệ blockchain cũng có thể thực hiện một số ứng dụng AI cần sự tin tưởng.
Tóm lại, kinh tế token có thể thúc đẩy việc tái cấu trúc và khám phá giá trị, sổ cái phi tập trung có thể giải quyết vấn đề niềm tin, đưa giá trị lưu thông lại trên toàn cầu. Sự kết hợp giữa Crypto và AI có tác dụng thực tiễn, có thể tái cấu trúc góc nhìn giá trị, giải quyết vấn đề niềm tin, khám phá giá trị dư thừa.
![Người mới phổ cập丨AI x Crypto: Từ số không đến đỉnh cao])https://img-cdn.gateio.im/webp-social/moments-c8845a5920048e7c821c939e2d8304e7.webp(
Trang này có thể chứa nội dung của bên thứ ba, được cung cấp chỉ nhằm mục đích thông tin (không phải là tuyên bố/bảo đảm) và không được coi là sự chứng thực cho quan điểm của Gate hoặc là lời khuyên về tài chính hoặc chuyên môn. Xem Tuyên bố từ chối trách nhiệm để biết chi tiết.
15 thích
Phần thưởng
15
5
Đăng lại
Chia sẻ
Bình luận
0/400
LiquidityOracle
· 9giờ trước
Đợt AI này thật sự đã đến.
Xem bản gốcTrả lời0
ChainWatcher
· 08-12 15:12
Khai thác chuyển sang AI rồi sao? Đây quả là một con đường tài chính mới.
Xem bản gốcTrả lời0
GamefiEscapeArtist
· 08-12 15:05
又是一波 đồ ngốc chơi đùa với mọi người
Xem bản gốcTrả lời0
GlueGuy
· 08-12 14:57
Mô hình lớn này lại đang thổi phồng những câu chuyện cũ về AI à?
Xem bản gốcTrả lời0
StablecoinArbitrageur
· 08-12 14:47
*thở dài* một phân tích được định lượng kém khác... đâu là mối tương quan thống kê giữa nhóm thanh khoản AI và cơ hội arbitrage? nghiên cứu nghiệp dư thật sự
AI và Crypto kết hợp lại tái tạo chuỗi giá trị ngành công nghiệp
Lịch sử phát triển ngành AI và khám phá sự kết hợp với Crypto
Sự phát triển gần đây của ngành trí tuệ nhân tạo được coi là cuộc cách mạng công nghiệp lần thứ tư, sự xuất hiện của các mô hình lớn đã nâng cao hiệu quả của nhiều ngành nghề. Công nghệ học sâu đã mang lại một làn sóng thịnh vượng mới cho ngành AI, và trào lưu này cũng đã ảnh hưởng đến ngành tiền điện tử.
Bài viết này sẽ khám phá chi tiết lịch sử phát triển của ngành AI, phân loại công nghệ, cũng như ảnh hưởng của công nghệ học sâu đối với ngành. Phân tích sâu sắc tình trạng và xu hướng phát triển của các chuỗi cung ứng trong ngành học sâu như GPU, điện toán đám mây, nguồn dữ liệu, thiết bị biên, v.v. Đồng thời, thảo luận về mối quan hệ giữa Crypto và ngành AI từ bản chất, cũng như hệ thống chuỗi cung ứng AI liên quan đến Crypto.
Lịch sử phát triển của ngành AI
Ngành AI bắt đầu từ những năm 1950, nhằm hiện thực hóa tầm nhìn về trí tuệ nhân tạo, giới học thuật và ngành công nghiệp đã phát triển nhiều trường phái khác nhau để hiện thực hóa trí tuệ nhân tạo trong các thời đại và bối cảnh khoa học khác nhau.
Công nghệ trí tuệ nhân tạo hiện đại chủ yếu sử dụng thuật ngữ "học máy", ý tưởng của công nghệ này là để máy móc dựa vào dữ liệu lặp đi lặp lại trong các nhiệm vụ nhằm cải thiện hiệu suất hệ thống. Các bước chính là đưa dữ liệu vào thuật toán, sử dụng dữ liệu này để đào tạo mô hình, kiểm tra triển khai mô hình, sử dụng mô hình để hoàn thành các nhiệm vụ dự đoán tự động.
Học máy có ba trường phái chính, lần lượt là liên kết, ký hiệu và hành vi, lần lượt mô phỏng hệ thần kinh, tư duy và hành vi của con người. Hiện nay, chủ nghĩa liên kết đại diện bởi mạng nơ-ron chiếm ưu thế ( còn được gọi là học sâu ). Kiến trúc mạng nơ-ron có một lớp đầu vào, một lớp đầu ra, nhưng có nhiều lớp ẩn, một khi số lượng lớp và số lượng tham số nơ-ron ( đủ lớn, sẽ có đủ cơ hội để điều chỉnh các nhiệm vụ phức tạp một cách tổng quát.
![Người mới phổ cập丨AI x Crypto: Từ con số không đến đỉnh cao])https://img-cdn.gateio.im/webp-social/moments-c50ee5a87373c6cd6c4dc63adc2cf47c.webp(
Công nghệ học sâu dựa trên mạng nơ-ron cũng có nhiều vòng lặp và tiến hóa công nghệ, từ mạng nơ-ron ban đầu, đến mạng nơ-ron truyền tiến, RNN, CNN, GAN, cuối cùng tiến hóa thành các mô hình lớn hiện đại như GPT sử dụng công nghệ Transformer. Công nghệ Transformer chỉ là một hướng tiến hóa của mạng nơ-ron, thêm vào một bộ chuyển đổi, dùng để mã hóa tất cả các dữ liệu của các mô hình thành các giá trị tương ứng để biểu thị. Sau đó, nó được đưa vào mạng nơ-ron, như vậy mạng nơ-ron có thể khớp bất kỳ loại dữ liệu nào, thực hiện đa mô hình.
Sự phát triển của AI đã trải qua ba làn sóng công nghệ:
Vào những năm 1960, làn sóng đầu tiên do sự phát triển của công nghệ biểu tượng gây ra đã giải quyết được các vấn đề về xử lý ngôn ngữ tự nhiên chung và giao tiếp giữa người và máy.
Năm 1997, IBM Deep Blue đánh bại nhà vô địch cờ vua Garry Kasparov, đánh dấu đỉnh cao phát triển thứ hai.
Kể từ năm 2006, sự phát triển của công nghệ học sâu đã gây ra làn sóng công nghệ thứ ba, đây cũng là thời kỳ hoàng kim của chủ nghĩa kết nối.
Trong những năm gần đây, công nghệ học sâu đã liên tục có những bước đột phá, xuất hiện nhiều sự kiện mang tính biểu tượng:
![Người mới phổ cập丨AI x Crypto: Từ số không đến đỉnh cao])https://img-cdn.gateio.im/webp-social/moments-0c9bdea33a39a2c07d1f06760ed7e804.webp(
Chuỗi công nghiệp học sâu
Các mô hình ngôn ngữ lớn hiện tại đều dựa trên phương pháp học sâu dựa trên mạng nơ-ron. Mô hình lớn do GPT dẫn đầu đã tạo ra một làn sóng sốt về trí tuệ nhân tạo, thu hút rất nhiều người chơi tham gia vào lĩnh vực này. Nhu cầu về dữ liệu và sức mạnh tính toán trên thị trường đã bùng nổ mạnh mẽ.
Trong quá trình đào tạo các mô hình lớn như GPT dựa trên công nghệ Transformer, có tổng cộng ba bước:
Huấn luyện trước: Tìm kiếm các tham số tốt nhất cho từng nơ-ron trong mô hình thông qua một lượng lớn dữ liệu, tiêu tốn nhiều sức mạnh tính toán.
Tinh chỉnh: Sử dụng một lượng dữ liệu chất lượng cao để đào tạo, nâng cao chất lượng đầu ra của mô hình.
Học tăng cường: Xây dựng mô hình thưởng, đánh giá đầu ra của mô hình lớn, lặp lại tham số.
Hiệu suất của mô hình lớn chủ yếu được quyết định bởi ba yếu tố: số lượng tham số, khối lượng và chất lượng dữ liệu, và khả năng tính toán. Ba yếu tố này đã ươm mầm một toàn bộ chuỗi công nghiệp.
![Người mới phổ cập丨AI x Crypto: Từ con số không đến đỉnh cao])https://img-cdn.gateio.im/webp-social/moments-609c5dd6ee0abcec6bf9c118d7741867.webp(
) nhà cung cấp GPU phần cứng
GPU là chip chính để đào tạo và suy luận hiện nay. Nvidia đang ở vị trí dẫn đầu tuyệt đối, các chip như H100, A100 của họ được sử dụng rộng rãi trong việc thương mại hóa các mô hình lớn.
Năm 2023, chip H100 mới nhất của Nvidia đang trong tình trạng khan hiếm, thời gian giao hàng lên tới 52 tuần. Nhiều công ty công nghệ lớn đang mua số lượng lớn chip H100 để xây dựng trung tâm tính toán hiệu suất cao.
![Người mới phổ cập丨AI x Crypto: Từ số không đến đỉnh cao]###https://img-cdn.gateio.im/webp-social/moments-f37fb0100218188368f4d31940aab2a3.webp(
) nhà cung cấp dịch vụ đám mây
Các nhà cung cấp dịch vụ đám mây, sau khi mua đủ GPU để xây dựng HPC, có thể cung cấp sức mạnh tính toán linh hoạt và giải pháp huấn luyện lưu trữ cho các doanh nghiệp trí tuệ nhân tạo có nguồn vốn hạn chế. Hiện tại, thị trường chủ yếu được chia thành ba loại nhà cung cấp sức mạnh tính toán đám mây:
Nền tảng tính toán đám mây quy mô lớn điển hình do các nhà cung cấp đám mây truyền thống đại diện ###AWS, Google, Azure(.
Nền tảng điện toán đám mây chuyên nghiệp trong lĩnh vực AI dọc, như CoreWeave, Lambda, v.v.
Nhà cung cấp dịch vụ suy diễn, như Together.ai, Fireworks.ai, v.v.
![Người mới phổ cập丨AI x Crypto: Từ con số không đến đỉnh cao])https://img-cdn.gateio.im/webp-social/moments-8848582a34ba293d15afae15d90e3c95.webp(
) nhà cung cấp cơ sở dữ liệu
Đối với dữ liệu AI và các tác vụ đào tạo suy diễn học sâu, hiện nay trong ngành đang sử dụng "cơ sở dữ liệu vector". Cơ sở dữ liệu vector nhằm mục đích lưu trữ, quản lý và lập chỉ mục hiệu quả lượng lớn dữ liệu vector nhiều chiều.
Hiện tại các người chơi chính bao gồm Chroma, Zilliz, Pinecone, Weaviate, v.v. Cùng với sự gia tăng nhu cầu về khối lượng dữ liệu, cũng như sự bùng nổ của các mô hình lớn và ứng dụng trong nhiều lĩnh vực khác nhau, nhu cầu về cơ sở dữ liệu vector sẽ tăng mạnh.
![Người mới phổ cập丨AI x Crypto: Từ không đến đỉnh cao]###https://img-cdn.gateio.im/webp-social/moments-53c48daf49a3dbb35c1a2b47e234f180.webp(
) thiết bị biên
Khi xây dựng cụm tính toán hiệu suất cao GPU, thường tiêu tốn một lượng lớn năng lượng và phát sinh nhiệt lượng lớn. Điều này cần một số thiết bị làm mát bên ngoài để đảm bảo HPC hoạt động liên tục. Liên quan đến hai hướng cung cấp năng lượng và hệ thống làm mát.
Hiện tại, năng lượng được cung cấp chủ yếu từ điện. Trong việc làm mát cụm HPC, hiện nay chủ yếu là làm mát bằng gió, nhưng nhiều nhà đầu tư mạo hiểm đang mạnh tay đầu tư vào hệ thống làm mát bằng chất lỏng. Làm mát bằng chất lỏng chủ yếu được chia thành ba hướng khám phá là làm mát bằng chất lỏng kiểu tấm lạnh, làm mát bằng chất lỏng ngâm, và làm mát bằng chất lỏng phun.
![Người mới kiến thức丨AI x Crypto：Từ số không đến đỉnh cao]###https://img-cdn.gateio.im/webp-social/moments-250a286e79261e91a0e7ac4941ff5c76.webp(
) ứng dụng
Hiện tại, sự phát triển của ứng dụng AI tương tự như ngành công nghiệp blockchain, cơ sở hạ tầng rất đông đúc, nhưng phát triển ứng dụng lại không theo kịp. Trong mười tháng đầu, hầu hết các ứng dụng AI hoạt động chủ yếu là loại tìm kiếm, loại ứng dụng khá đơn điệu. Đồng thời, tỷ lệ giữ chân người dùng của các ứng dụng AI thấp hơn nhiều so với các ứng dụng internet truyền thống.
Theo báo cáo của Sequoia Mỹ, ứng dụng AI được chia thành ba loại dựa trên vai trò mà nó phục vụ: người tiêu dùng chuyên nghiệp, doanh nghiệp và người tiêu dùng bình thường. Ứng dụng cho người tiêu dùng chủ yếu được sử dụng để nâng cao năng suất, trong khi ứng dụng cho doanh nghiệp được sử dụng trong các ngành Marketing, pháp lý, thiết kế y tế và các lĩnh vực khác.
![Người mới tìm hiểu丨AI x Crypto: Từ con số 0 đến đỉnh cao]###https://img-cdn.gateio.im/webp-social/moments-8358c377eb2c07467848b3b46dbf1056.webp(
Mối quan hệ giữa Crypto và AI
Blockchain được hưởng lợi từ sự phát triển của công nghệ ZK, đã tiến hóa thành tư tưởng phi tập trung + phi tín nhiệm. Mạng lưới blockchain về bản chất là một mạng lưới giá trị, mỗi giao dịch đều là sự chuyển đổi giá trị dựa trên token nền tảng. Tokenomics là quy tắc thể hiện giá trị cụ thể của Token.
Kinh tế token có thể quy định giá trị tương đối của token gốc ) trong hệ sinh thái thanh toán (, mặc dù không thể định giá từng chiều hướng, nhưng giá token phản ánh giá trị đa chiều. Khi token được cấp cho mạng và lưu thông, nó có thể gán giá trị cho chức năng hoặc ý tưởng.
Các phương tiện định nghĩa và khám phá lại giá trị như token và công nghệ blockchain cũng rất quan trọng đối với ngành AI. Việc phát hành token trong ngành AI có thể giúp tái tạo giá trị từ nhiều khía cạnh khác nhau, khuyến khích nhiều người hơn tham gia sâu vào các lĩnh vực chuyên biệt. Đặc điểm không thể thay đổi và không cần tin tưởng của công nghệ blockchain cũng có thể thực hiện một số ứng dụng AI cần sự tin tưởng.
Tóm lại, kinh tế token có thể thúc đẩy việc tái cấu trúc và khám phá giá trị, sổ cái phi tập trung có thể giải quyết vấn đề niềm tin, đưa giá trị lưu thông lại trên toàn cầu. Sự kết hợp giữa Crypto và AI có tác dụng thực tiễn, có thể tái cấu trúc góc nhìn giá trị, giải quyết vấn đề niềm tin, khám phá giá trị dư thừa.
![Người mới phổ cập丨AI x Crypto: Từ số không đến đỉnh cao])https://img-cdn.gateio.im/webp-social/moments-c8845a5920048e7c821c939e2d8304e7.webp(