• Sự xuất hiện: Hiện tượng nhiều thực thể nhỏ tương tác với nhau để tạo ra một tổng thể lớn hơn, thể hiện những đặc điểm mới mà các thành phần riêng lẻ không có, chẳng hạn như sự xuất hiện được quan sát thấy trong các hệ thống sinh học được nghiên cứu trong hóa học.
• Ảo giác: Xu hướng các mô hình tạo ra dữ liệu lừa đảo, trong đó các mô hình AI tạo ra kết quả đầu ra có vẻ đúng nhưng thực tế là sai.

Mối liên hệ giữa AI và Crypto đã cho thấy những gợn sóng rõ rệt. Kể từ khi AlphaGo đánh bại những người chơi cờ vây chuyên nghiệp là con người vào năm 2016, những nỗ lực kết hợp cả hai, chẳng hạn như sự xuất hiện tự phát của các dự án như Fetch.AI, đã được chứng kiến trong thế giới tiền điện tử. Với sự ra đời của GPT-4 vào năm 2023, xu hướng AI + Crypto đã trỗi dậy, điển hình là việc phát hành WorldCoin. Nhân loại dường như đã sẵn sàng bước vào một kỷ nguyên không tưởng, nơi AI chịu trách nhiệm về năng suất và Crypto xử lý việc phân phối.

Tâm lý này lên đến đỉnh điểm sau khi OpenAI tung ra ứng dụng Sora để tổng hợp văn bản thành video. Tuy nhiên, cảm xúc thường liên quan đến những yếu tố phi lý. Ví dụ, Li Yizhou dường như là một phần của phân đoạn bị hiểu lầm, được minh họa bằng:

• Sự kết hợp giữa các ứng dụng AI cụ thể với việc phát triển thuật toán. Mặc dù Sora và các nguyên tắc Transformer cơ bản của GPT-4 là nguồn mở nhưng việc sử dụng cả hai yêu cầu phải thanh toán cho OpenAI.
• Sự kết hợp giữa AI và Crypto hiện tại khiến Crypto chủ động tiếp cận AI nhiều hơn, khi các gã khổng lồ AI lớn vẫn chưa thể hiện thiện chí rõ ràng. Ở giai đoạn này, những gì AI có thể làm cho Tiền điện tử vượt xa những gì Tiền điện tử có thể làm cho AI.
• Việc sử dụng công nghệ AI trong các ứng dụng Tiền điện tử không đồng nghĩa với việc tích hợp AI và Tiền điện tử, như đã thấy trong các ứng dụng như trò chơi blockchain, GameFi, dự án metaverse, Trò chơi Web3 và cá tính kỹ thuật số trong vũ trụ AW.
• Những đóng góp mà Crypto có thể mang lại cho sự phát triển công nghệ AI chủ yếu liên quan đến phân cấp và khuyến khích mã thông báo trong ba thành phần AI: sức mạnh tính toán, dữ liệu và mô hình.
• WorldCoin đóng vai trò là sự tích hợp thành công của cả hai, với zkML được định vị ở giao điểm giữa công nghệ AI và tiền điện tử, cũng như lý thuyết UBI (Thu nhập cơ bản chung) đang trong quá trình triển khai quy mô lớn đầu tiên.

Trong bài viết này, trọng tâm sẽ là những lợi ích mà Crypto có thể mang lại cho AI, vì các dự án Crypto hiện tại nhấn mạnh vào các ứng dụng AI hầu hết được coi là mánh lới quảng cáo tiếp thị và không có lợi cho cuộc thảo luận của chúng ta.

Từ hồi quy tuyến tính đến máy biến áp

Trong một thời gian dài, trọng tâm của các cuộc thảo luận về AI là liệu “sự xuất hiện” của trí tuệ nhân tạo sẽ dẫn đến việc tạo ra những sinh vật có tri giác giống như những sinh vật trong “Ma trận” hay một nền văn minh dựa trên silicon. Những lo ngại về sự tương tác giữa con người và công nghệ AI vẫn tồn tại, với những ví dụ gần đây như sự ra đời của Sora và các phiên bản trước đó như GPT-4 (2023), AlphaGo (2016) và Deep Blue của IBM đánh bại nhà vô địch cờ vua thế giới vào năm 1997.

Trong khi những lo ngại như vậy chưa thành hiện thực, chúng ta hãy thư giãn và phác thảo ngắn gọn cơ chế đằng sau AI.

Bắt đầu từ hồi quy tuyến tính, về cơ bản là một phương trình tuyến tính đơn giản, chẳng hạn như cơ chế giảm cân của Jia Ling, một diễn viên nổi tiếng Trung Quốc, chúng ta có thể khái quát hóa như sau. Ở đây, x và y thể hiện mối quan hệ giữa lượng calo nạp vào và cân nặng, hàm ý rằng việc ăn uống tự nhiên hơn sẽ dẫn đến tăng cân, và nếu muốn giảm cân thì bạn nên ăn ít hơn.

Tuy nhiên, cách tiếp cận này mang lại một số vấn đề. Thứ nhất, chiều cao và cân nặng của con người có những giới hạn sinh lý, khó có thể gặp được những người khổng lồ cao 3 mét hay những quý cô nặng nghìn kg. Vì vậy, việc xem xét các tình huống vượt quá những giới hạn này là thiếu ý nghĩa thực tiễn. Thứ hai, chỉ ăn ít hơn và tập thể dục nhiều hơn là không tuân thủ các nguyên tắc giảm cân khoa học và trong trường hợp nghiêm trọng có thể gây hại cho cơ thể.

Chúng tôi giới thiệu Chỉ số khối cơ thể (BMI), đo lường mối quan hệ giữa cân nặng và chiều cao bằng cách chia cân nặng cho bình phương chiều cao. Thông qua ba yếu tố—ăn, ngủ và tập thể dục—để đánh giá mối quan hệ giữa chiều cao và cân nặng, hiện tại chúng ta cần ba thông số và hai kết quả đầu ra. Hồi quy tuyến tính rõ ràng là không đủ, dẫn đến mạng lưới thần kinh. Đúng như tên gọi, mạng lưới thần kinh bắt chước cấu trúc của bộ não con người, với khả năng suy nghĩ nhiều hơn sẽ dẫn đến lý trí hơn. Việc tăng tần suất và chiều sâu của suy nghĩ, được gọi là học sâu (ở đây tôi đang đưa ra một phép so sánh hơi lỏng lẻo), cho phép cân nhắc kỹ lưỡng hơn trước khi hành động.

Tổng quan tóm tắt về lịch sử phát triển của thuật toán AI

Tuy nhiên, số lớp tăng lên không phải là vô hạn; vẫn còn trần. Khi đạt đến ngưỡng quan trọng, hiệu quả có thể giảm. Vì vậy, việc hiểu mối quan hệ giữa các thông tin hiện có một cách hợp lý hơn là điều cần thiết. Ví dụ, hiểu biết sâu sắc về mối quan hệ nhiều sắc thái hơn giữa chiều cao và cân nặng, khám phá những yếu tố trước đây không được chú ý, hay Jia Ling tìm được huấn luyện viên hàng đầu nhưng lại do dự khi trực tiếp bày tỏ mong muốn giảm cân của mình.

Trong những tình huống như vậy, Jia Ling và huấn luyện viên tạo thành đối thủ trong việc mã hóa và giải mã, truyền đạt qua lại những ý nghĩa thể hiện ý định thực sự của cả hai bên. Tuy nhiên, không giống như câu nói thẳng thắn “Tôi muốn giảm cân, đây là quà dành cho huấn luyện viên”, ý định thực sự của cả hai bên đều ẩn sau “ý nghĩa”.

Chúng tôi nhận thấy một thực tế: nếu số lần lặp lại giữa hai bên là đủ, thì ý nghĩa của mỗi giao tiếp sẽ trở nên dễ giải mã hơn.

Nếu chúng tôi mở rộng mô hình này, nó đại diện cho cái được gọi thông tục là Mô hình ngôn ngữ lớn (LLM), kiểm tra mối quan hệ theo ngữ cảnh giữa các từ và câu. Hiện nay, các mô hình lớn đã mở rộng để đi sâu vào các kịch bản như hình ảnh và video.

Trong phổ AI, dù là hồi quy tuyến tính đơn giản hay Transformer cực kỳ phức tạp, chúng đều là thuật toán hoặc mô hình. Ngoài những điều này, còn có hai yếu tố thiết yếu: sức mạnh tính toán và dữ liệu.

Mô tả: Tóm tắt lịch sử phát triển của AI, Nguồn: https://ourworldindata.org/brief-history-of-ai

Nói một cách đơn giản, AI là một cỗ máy xử lý dữ liệu, thực hiện tính toán và đưa ra kết quả. Tuy nhiên, so với các thực thể vật lý như robot, AI có tính ảo hơn. Về mặt sức mạnh tính toán, dữ liệu và mô hình, quy trình vận hành hiện tại trong thương mại hóa Web2 như sau:

• Dữ liệu được chia thành dữ liệu công khai, dữ liệu thuộc sở hữu của công ty và dữ liệu thương mại, yêu cầu chú thích và xử lý trước chuyên nghiệp. Ví dụ: Scal AI cung cấp tính năng tiền xử lý dữ liệu cho các công ty AI chính thống.
• Sức mạnh tính toán được chia thành hai chế độ: tự xây dựng và cho thuê điện toán đám mây. Hiện tại, NVIDIA đang thống trị phần cứng GPU và thư viện CUDA đã được chuẩn bị từ nhiều năm. Hệ sinh thái phần cứng và phần mềm bị chi phối bởi một công ty. Tùy chọn thứ hai là cho thuê sức mạnh tính toán của các nhà cung cấp dịch vụ đám mây, chẳng hạn như Azure, Google Cloud và AWS của Microsoft, những nơi cung cấp dịch vụ triển khai mô hình và điện toán một cửa.
• Các mô hình có thể được phân loại thành các khung và thuật toán. Cuộc chiến giữa các mô hình đã kết thúc, với TensorFlow của Google nổi lên đầu tiên trong khi phải chịu thất bại ban đầu và PyTorch của Meta đến sau nhưng dẫn đầu. Tuy nhiên, cho dù đó là Google, hãng giới thiệu Transformer hay Meta, với PyTorch, cả hai đều đang dần tụt hậu so với OpenAI về mặt thương mại hóa. Tuy nhiên, sức mạnh của họ vẫn rất đáng gờm; Các thuật toán hiện đang bị Transformer thống trị và nhiều mô hình lớn khác nhau chủ yếu cạnh tranh về nguồn dữ liệu và chi tiết.

Quy trình làm việc của AI

Như đã đề cập trước đó, các ứng dụng AI có nhiều lĩnh vực khác nhau, chẳng hạn như tính năng sửa mã mà Vitalik đề cập, đã được đưa vào sử dụng. Nhìn từ một góc độ khác, đóng góp của Crypto cho AI chủ yếu tập trung vào các lĩnh vực phi kỹ thuật, chẳng hạn như thị trường dữ liệu phi tập trung, nền tảng sức mạnh tính toán phi tập trung, v.v. Đã có một số thử nghiệm với Mô hình ngôn ngữ lớn phi tập trung (LLM). Tuy nhiên, điều quan trọng cần lưu ý là việc phân tích mã Tiền điện tử bằng AI và chạy các mô hình AI quy mô lớn trên blockchain về cơ bản là khác nhau. Việc kết hợp một số yếu tố Crypto vào mô hình AI khó có thể được coi là sự tích hợp hoàn hảo.

Hiện tại, Crypto vượt trội về sản xuất và ưu đãi. Không cần thiết phải thay đổi mạnh mẽ mô hình sản xuất AI bằng Crypto. Lựa chọn hợp lý là tích hợp Crypto vào quy trình làm việc của AI và trao quyền cho AI bằng Crypto. Dưới đây là một số tích hợp tiềm năng mà tôi đã tóm tắt:

1. Sản xuất dữ liệu phi tập trung, chẳng hạn như thu thập dữ liệu của DePIN và tính mở của dữ liệu trên chuỗi chứa dữ liệu giao dịch phong phú để phân tích tài chính, phân tích bảo mật và đào tạo dữ liệu.
2. Nền tảng tiền xử lý phi tập trung, trong đó việc đào tạo trước truyền thống không đặt ra các rào cản kỹ thuật không thể vượt qua. Đằng sau những mô hình lớn ở Châu Âu và Hoa Kỳ là cường độ lao động cao của những người chú thích thủ công ở thế giới thứ ba.
3. Nền tảng sức mạnh tính toán phi tập trung, với các ưu đãi và sử dụng băng thông cá nhân, sức mạnh tính toán GPU và các tài nguyên phần cứng khác được phân cấp.
4. zkML, vì các phương pháp bảo mật truyền thống như giải mẫn cảm dữ liệu có thể không giải quyết được vấn đề một cách hoàn hảo. zkML có thể ẩn tính định hướng của dữ liệu và đánh giá hiệu quả tính xác thực cũng như hiệu quả của các mô hình nguồn mở và nguồn đóng.

Bốn khía cạnh này là những kịch bản tiềm năng mà tôi nghĩ Crypto có thể trao quyền cho AI. AI là một công cụ linh hoạt và các lĩnh vực cũng như dự án AI dành cho tiền điện tử sẽ không được thảo luận thêm ở đây; bạn có thể tự mình khám phá chúng.

Có thể thấy rằng Crypto hiện chủ yếu đóng vai trò mã hóa, bảo vệ quyền riêng tư và thiết kế kinh tế. Nỗ lực tích hợp kỹ thuật duy nhất là zkML. Ở đây, chúng ta hãy suy nghĩ một chút: nếu trong tương lai, Solana TPS thực sự có thể đạt hơn 100.000 và nếu sự kết hợp giữa Filecoin và Solana là hoàn hảo, liệu chúng ta có thể tạo ra môi trường LLM trên chuỗi không? Điều này có khả năng thiết lập một AI trên chuỗi thực sự, thay đổi mối quan hệ bất bình đẳng hiện tại nơi tiền điện tử được tích hợp vào AI.

Tích hợp Web3 vào quy trình làm việc AI

Như đã biết, card đồ họa NVIDIA RTX 4090 là một mặt hàng có giá trị hiện khó có được ở một quốc gia Đông Á nào đó. Nghiêm trọng hơn nữa là các cá nhân, công ty nhỏ và tổ chức học thuật cũng gặp phải khủng hoảng card đồ họa. Suy cho cùng, các công ty thương mại lớn là những người chi tiêu nhiều nhất. Nếu con đường thứ ba có thể được mở ra bên ngoài hoạt động mua hàng cá nhân và nhà cung cấp đám mây, thì rõ ràng nó sẽ có giá trị kinh doanh thực tế, thoát khỏi các mục đích đầu cơ thuần túy. Cách tiếp cận hợp lý của Web3 dành cho AI phải là “Nếu Web3 không được sử dụng, dự án sẽ không thể duy trì được”.

Quy trình làm việc AI từ góc độ Web3

Nguồn dữ liệu: Hệ sinh thái ô tô Grass và DePIN

Grass, được giới thiệu bởi Wynd Network, là một thị trường bán băng thông nhàn rỗi. Grass phục vụ như một mạng mở để thu thập và phân phối dữ liệu, khác biệt với việc thu thập và bán dữ liệu đơn giản. Grass có chức năng dọn dẹp và xác thực dữ liệu để điều hướng môi trường mạng ngày càng khép kín. Ngoài ra, Grass còn đặt mục tiêu giao tiếp trực tiếp với các mô hình AI, cung cấp cho chúng các bộ dữ liệu dễ sử dụng. Bộ dữ liệu AI yêu cầu xử lý chuyên nghiệp, bao gồm tinh chỉnh thủ công trên diện rộng để đáp ứng nhu cầu cụ thể của mô hình AI.

Mở rộng về vấn đề này, Grass giải quyết vấn đề bán dữ liệu, trong khi lĩnh vực DePIN của Web3 có thể tạo ra dữ liệu theo yêu cầu của AI. Lĩnh vực này chủ yếu tập trung vào việc lái xe tự động. Theo truyền thống, việc lái xe tự động yêu cầu các công ty phải tích lũy dữ liệu tương ứng. Tuy nhiên, các dự án như DIMO và Hivemapper hoạt động trực tiếp trên các phương tiện, thu thập lượng thông tin lái xe và dữ liệu đường bộ ngày càng tăng.

Trong các kịch bản lái xe tự động trước đây, công nghệ nhận dạng phương tiện và bản đồ có độ chính xác cao là rất cần thiết. Những thông tin như bản đồ có độ chính xác cao đã được các công ty như NavInfo tích lũy, tạo ra các rào cản trong ngành. Nếu những người mới tận dụng dữ liệu Web3, họ có thể có cơ hội vượt qua các đối thủ cạnh tranh.

Tiền xử lý dữ liệu: Giải phóng con người bị nô lệ bởi AI

Trí tuệ nhân tạo có thể được chia thành hai phần: chú thích thủ công và thuật toán thông minh. Ở các khu vực thuộc thế giới thứ ba như Kenya và Philippines, nơi đường cong giá trị của chú thích thủ công là thấp nhất, mọi người phải chịu trách nhiệm về nhiệm vụ này. Trong khi đó, các công ty tiền xử lý AI ở Châu Âu và Hoa Kỳ chiếm phần lớn thu nhập, sau đó bán nó cho các doanh nghiệp nghiên cứu và phát triển AI.

Với sự tiến bộ của AI, ngày càng có nhiều công ty để mắt đến lĩnh vực kinh doanh này. Trước sự cạnh tranh, đơn giá chú thích dữ liệu tiếp tục giảm. Hoạt động kinh doanh này chủ yếu liên quan đến việc ghi nhãn dữ liệu, tương tự như các nhiệm vụ như nhận dạng hình ảnh xác thực, không có ngưỡng kỹ thuật và thậm chí có mức giá cực thấp như 0,01 RMB.

Nguồn: https://aim.baidu.com/product/0793f1f1-f1cb-4f9f-b3a7-ef31335bd7f0

Trong kịch bản này, các nền tảng chú thích dữ liệu Web3 như Public AI có một thị trường kinh doanh thực tế. Họ liên kết các doanh nghiệp AI với nhân viên chú thích dữ liệu, thay thế mô hình cạnh tranh kinh doanh đơn giản giá thấp bằng một hệ thống khuyến khích. Tuy nhiên, điều cần lưu ý là các công ty trưởng thành như Scal AI đảm bảo chất lượng đáng tin cậy trong công nghệ chú thích. Đối với các nền tảng chú thích dữ liệu phi tập trung, việc kiểm soát chất lượng và ngăn chặn lạm dụng là điều cần thiết tuyệt đối. Về cơ bản, điều này đại diện cho một dịch vụ doanh nghiệp C2B2B, trong đó chỉ riêng quy mô và số lượng dữ liệu không thể thuyết phục được doanh nghiệp.

Tự do phần cứng: Mạng kết xuất và Bittensor

Cần làm rõ rằng, không giống như các giàn khai thác Bitcoin, hiện tại không có phần cứng AI Web3 chuyên dụng. Sức mạnh tính toán và nền tảng hiện tại được chuyển đổi từ phần cứng hoàn thiện với các lớp khuyến khích tiền điện tử được bổ sung, về cơ bản thuộc lĩnh vực DePIN. Tuy nhiên, vì nó khác với các dự án nguồn dữ liệu nên nó được đưa vào quy trình làm việc AI tại đây.

Để biết định nghĩa về DePIN, vui lòng tham khảo bài viết tôi đã viết trước đây: DePIN trước Helium: Khám phá Bitcoin, Arweave và STEPN

Mạng kết xuất là một dự án đã có từ lâu và ban đầu không được thiết kế cho AI. Nó bắt đầu hoạt động vào năm 2017, tập trung vào kết xuất, đúng như tên gọi của nó. Vào thời điểm đó, nhu cầu về GPU chưa cao nhưng cơ hội thị trường dần xuất hiện. Thị trường GPU, đặc biệt là GPU cao cấp do NVIDIA độc quyền, đã cản trở sự gia nhập của người dùng kết xuất, AI và metaverse do giá cắt cổ. Nếu một kênh có thể được xây dựng giữa cung và cầu, một mô hình kinh tế tương tự như xe đạp dùng chung có thể có cơ hội được hình thành.

Hơn nữa, tài nguyên GPU không yêu cầu chuyển phần cứng thực tế; chúng có thể được phân bổ bằng cách sử dụng tài nguyên phần mềm. Đáng nói là Render Network đã chuyển sang hệ sinh thái Solana vào năm 2023, từ bỏ Polygon. Việc chuyển đến Solana, ngay cả trước khi nó hồi sinh, đã được chứng minh là một quyết định đúng đắn theo thời gian. Để sử dụng và phân phối GPU, mạng tốc độ cao là một yêu cầu quan trọng.

Nếu Render Network có thể được coi là một dự án đã thành lập thì Bittensor hiện đang có đà phát triển.

BitTensor được xây dựng dựa trên Polkadot, với mục tiêu đào tạo các mô hình AI thông qua các biện pháp khuyến khích kinh tế. Các nút cạnh tranh để đào tạo các mô hình AI với lỗi tối thiểu hoặc hiệu quả tối đa, giống như các quy trình trên chuỗi cổ điển trong các dự án Tiền điện tử. Tuy nhiên, quá trình đào tạo thực tế vẫn yêu cầu GPU NVIDIA và nền tảng truyền thống, khiến nó tương tự như các nền tảng cạnh tranh như Kaggle.

zkML và UBI: Các khía cạnh kép của Worldcoin

Học máy không kiến thức (zkML) đưa công nghệ zk vào quy trình đào tạo mô hình AI để giải quyết các vấn đề như rò rỉ dữ liệu, lỗi về quyền riêng tư và xác minh mô hình. Hai điều đầu tiên rất dễ hiểu – dữ liệu được mã hóa zk vẫn có thể được đào tạo mà không làm rò rỉ thông tin cá nhân hoặc riêng tư.

Xác minh mô hình đề cập đến việc đánh giá các mô hình nguồn đóng. Với công nghệ zk, giá trị mục tiêu có thể được đặt, cho phép các mô hình nguồn đóng chứng minh khả năng của mình thông qua xác minh kết quả mà không tiết lộ quá trình tính toán.

Worldcoin không chỉ hình dung ra zkML từ rất sớm mà còn ủng hộ Thu nhập cơ bản toàn cầu (UBI). Trong tầm nhìn của mình, năng suất AI trong tương lai sẽ vượt xa giới hạn nhu cầu của con người. Thách thức thực sự là việc phân phối công bằng các lợi ích AI và khái niệm UBI sẽ được chia sẻ trên toàn cầu thông qua mã thông báo $WLD, yêu cầu nhận dạng sinh trắc học người thực phải tuân thủ các nguyên tắc công bằng.

Tất nhiên, zkML và UBI vẫn đang trong giai đoạn thử nghiệm ban đầu, nhưng chúng là những bước phát triển hấp dẫn mà tôi sẽ tiếp tục theo dõi chặt chẽ.

Phần kết luận

Sự phát triển của AI, được thể hiện bằng Transformer và Mô hình ngôn ngữ lớn (LLM), đang dần đối mặt với những trở ngại, tương tự như hồi quy tuyến tính và mạng lưới thần kinh. Việc tăng vô thời hạn các tham số mô hình hoặc khối lượng dữ liệu là không khả thi vì lợi nhuận cận biên sẽ giảm đi.

AI có thể là người chơi hạt giống nổi lên với trí tuệ, nhưng vấn đề ảo giác hiện đang rất nghiêm trọng. Có thể nhận thấy rằng niềm tin rằng Crypto có thể thay đổi AI là một dạng tự tin và là một ảo giác tiêu chuẩn. Mặc dù việc bổ sung Tiền điện tử có thể không giải quyết được vấn đề ảo giác về mặt kỹ thuật nhưng ít nhất nó có thể thay đổi một số khía cạnh từ góc độ công bằng và minh bạch.

Người giới thiệu:

1. OpenAI: “Báo cáo kỹ thuật GPT-4”, 2023; arXiv:2303.08774.
2. Ashish Vaswani, Noam Shazeer, Niki Parmar, Jakob Uszkoreit, Llion Jones, Aidan N. Gomez, Lukasz Kaiser, Illia Polosukhin: “Tất cả những gì bạn cần là sự chú ý”, 2017; arXiv:1706.03762.
3. Jared Kaplan, Sam McCandlish, Tom Henighan, Tom B. Brown, Benjamin Chess, Rewon Child, Scott Gray, Alec Radford, Jeffrey Wu, Dario Amodei: “Luật mở rộng quy mô cho các mô hình ngôn ngữ thần kinh”, 2020; arXiv:2001.08361.
4. Hao Liu, Wilson Yan, Matei Zaharia, Pieter Abbeel: “Mô hình thế giới về ngôn ngữ và video dài một triệu USD có RingAttention”, 2024; arXiv:2402.08268.
5. Max Roser (2022) - “Lịch sử tóm tắt về trí tuệ nhân tạo: Thế giới đã thay đổi nhanh chóng – điều gì có thể xảy ra tiếp theo?” Được xuất bản trực tuyến tại OurWorldInData.org. Lấy từ: ' https://ourworldindata.org/brief-history-of-ai' [Tài nguyên trực tuyến]
6. Giới thiệu về học máy không kiến thức (ZKML)
7. Hiểu sự giao thoa giữa tiền điện tử và AI
8. Grass là Lớp dữ liệu của AI
9. Bittensor: Thị trường thông minh ngang hàng

Tuyên bố từ chối trách nhiệm:

1. Bài viết này được in lại từ [佐爷歪脖山], Mọi bản quyền thuộc về tác giả gốc [佐爷]. Nếu có ý kiến phản đối việc tái bản này, vui lòng liên hệ với nhóm Gate Learn , họ sẽ xử lý kịp thời.
2. Tuyên bố miễn trừ trách nhiệm pháp lý: Các quan điểm và ý kiến trình bày trong bài viết này chỉ là của tác giả và không cấu thành bất kỳ lời khuyên đầu tư nào.
3. Việc dịch bài viết sang các ngôn ngữ khác được thực hiện bởi nhóm Gate Learn. Trừ khi được đề cập, việc sao chép, phân phối hoặc đạo văn các bài viết đã dịch đều bị cấm.