ABCDE: การดู AI+Crypto จากมุมมองของตลาดหลัก

มากกว่าหนึ่งปีหลังจากการเปิดตัว ChatGPT การถกเถียงเกี่ยวกับ AI+Crypto ก็กลับมาร้อนแรงอีกครั้งเมื่อเร็ว ๆ นี้ AI ถือเป็นหนึ่งในเส้นทางที่สำคัญที่สุดสำหรับตลาดกระทิงในปี 2024-2025 แม้แต่ Vitalik Buterin เองก็ตีพิมพ์บทความ "คำมั่นสัญญาและความท้าทายของแอปพลิเคชัน crypto + AI" เพื่อหารือเกี่ยวกับทิศทางการสำรวจที่เป็นไปได้สำหรับ AI+Cryo ในอนาคต บทความนี้จะไม่คาดการณ์เชิงอัตวิสัยมากเกินไป แต่จะแยกแยะโครงการผู้ประกอบการที่ผสมผสาน AI และ Crypto ที่สังเกตได้ในปีที่ผ่านมาจากมุมมองของตลาดหลัก เพื่อดูว่าผู้ประกอบการเข้าสู่ตลาดจากมุมใด ความสำเร็จที่เกิดขึ้น และ พื้นที่ใดที่ยังคงถูกสำรวจอยู่

I. วงจรของ AI+Crypto

ตลอดปี 2023 เราได้หารือเกี่ยวกับโครงการ AI+Crypto เกือบสิบโครงการ ซึ่งสามารถสังเกตวงจรที่ชัดเจนได้ ก่อนที่จะเปิดตัว ChatGPT ในปลายปี 2022 มีโปรเจ็กต์บล็อกเชนไม่กี่รายการที่เกี่ยวข้องกับ AI ในตลาดรอง โดยโปรเจ็กต์หลักคือโปรเจ็กต์เก่าๆ เช่น FET และ AGIX ในทำนองเดียวกัน ตลาดหลักมีโครงการที่เกี่ยวข้องกับ AI เพียงไม่กี่โครงการ

ตั้งแต่เดือนมกราคมถึงพฤษภาคม 2023 มีช่วงการกระจายตัวของโครงการ AI เป็นครั้งแรก สาเหตุหลักมาจาก ChatGPT มีผลกระทบอย่างมาก โปรเจ็กต์เก่าหลายโปรเจ็กต์ในตลาดรองเปลี่ยนไปใช้เส้นทาง AI และเกือบทุกสัปดาห์ ก็มีการอภิปรายเกี่ยวกับโปรเจ็กต์ AI+Crypto ในตลาดหลัก อย่างไรก็ตาม โครงการ AI ในยุคนี้ให้ความรู้สึกค่อนข้างเรียบง่าย ซึ่งหลายโครงการเป็นเพียงโครงการ "ปรับโฉมใหม่" และ "แปลงบล็อกเชน" โดยใช้ ChatGPT โดยไม่มีอุปสรรคทางเทคโนโลยีหลักใดๆ ทีมพัฒนาภายในของเรามักจะจำลองกรอบพื้นฐานของโครงการได้ภายในเวลาเพียงหนึ่งหรือสองวัน สิ่งนี้ทำให้เราได้หารือเกี่ยวกับโครงการ AI มากมายในช่วงเวลานี้ แต่ท้ายที่สุดแล้ว เราไม่ได้ดำเนินการใดๆ

ตั้งแต่เดือนพฤษภาคมถึงตุลาคม ตลาดรองเริ่มรับได้ และที่น่าสนใจคือจำนวนโครงการ AI ในตลาดหลักก็ลดลงอย่างมากเช่นกัน จนกระทั่งช่วงหนึ่งหรือสองเดือนที่ผ่านมาจำนวนเริ่มเพิ่มขึ้นอีกครั้ง พร้อมการอภิปราย บทความ และอื่นๆ เกี่ยวกับ AI+Crypto สมบูรณ์ยิ่งขึ้น เรากลับเข้าสู่ "บูม" อีกครั้งโดยที่เราจะพบกับโครงการ AI ทุกสัปดาห์ หลังจากหกเดือน เรารู้สึกอย่างเห็นได้ชัดว่าโครงการ AI ชุดใหม่มีความเข้าใจที่ดีขึ้นอย่างมากเกี่ยวกับเส้นทาง AI การใช้งานสถานการณ์เชิงพาณิชย์ และการบูรณาการ AI+Crypto เมื่อเทียบกับช่วง AI Hype แรก แม้ว่าอุปสรรคทางเทคโนโลยียังไม่แข็งแกร่ง แต่วุฒิภาวะโดยรวมก็มาถึงระดับใหม่แล้ว จนกระทั่งปี 2024 ในที่สุดเราก็ทำการเดิมพันครั้งแรกบนแทร็ก AI+Crpyto

ครั้งที่สอง ในเส้นทาง AI+Crypto

Vitalik ในบทความของเขาเรื่อง "การคาดการณ์และความท้าทาย" คาดการณ์จากมิติและมุมมองที่ค่อนข้างเป็นนามธรรมหลายประการ:

• AI ในฐานะผู้เล่นในเกม
• AI เป็นอินเทอร์เฟซการเล่นเกม
• AI เป็นกฎของเกม
• AI เป็นเป้าหมายการเล่นเกม

อย่างไรก็ตาม เราจะสรุปโครงการ AI ที่เห็นในตลาดหลักในปัจจุบันจากมุมที่เป็นรูปธรรมและตรงไปตรงมามากขึ้น โปรเจ็กต์ใน AI+Crypto ส่วนใหญ่หมุนรอบแกนหลักของ Crypto ซึ่งก็คือ “การกระจายอำนาจทางเทคนิค (หรือการเมือง) + สินทรัพย์เชิงพาณิชย์”

การกระจายอำนาจไม่จำเป็นต้องมีการแนะนำ มันคือทั้งหมดที่เกี่ยวกับ Web3 ขึ้นอยู่กับประเภทของสินทรัพย์ สามารถแบ่งกว้าง ๆ ได้เป็น 3 เส้นทางหลัก:

• สินทรัพย์ของพลังการประมวลผล
• การกำหนดสินทรัพย์ของแบบจำลอง
• การใช้อักษรตัวพิมพ์ใหญ่ของข้อมูล

การประเมินมูลค่าของพลังคอมพิวเตอร์

เส้นทางนี้เป็นเส้นทางที่ค่อนข้างหนาแน่น ครอบคลุมโปรเจ็กต์ใหม่ต่างๆ รวมถึง pivots จากโปรเจ็กต์เก่าๆ เช่น Akash จาก Cosmos และ Nosana จาก Solana ราคาโทเค็นพุ่งสูงขึ้นหลังการเปลี่ยนแปลง ซึ่งสะท้อนถึงการมองโลกในแง่ดีของตลาดต่อเส้นทาง AI RNDR แม้ว่าจะเน้นไปที่การเรนเดอร์แบบกระจายอำนาจเป็นหลัก แต่ยังสามารถตอบสนองวัตถุประสงค์ของ AI ได้ จึงมีจำนวนมากที่จัดประเภท RNDR และโปรเจ็กต์ที่เกี่ยวข้องกับพลังการประมวลผลที่คล้ายกันภายใต้เส้นทาง AI

การแบ่งทรัพย์สินของพลังการประมวลผลสามารถแบ่งย่อยเพิ่มเติมได้เป็นสองทิศทาง:

การคำนวณแบบกระจายอำนาจสำหรับการฝึกอบรม AI นำเสนอโดย Gensyn

การคำนวณแบบกระจายอำนาจสำหรับการอนุมาน AI นำเสนอโดย pivot ส่วนใหญ่และโปรเจ็กต์ใหม่

ปรากฏการณ์ที่น่าสนใจที่พบในเส้นทางนี้หรือค่อนข้างเป็นห่วงโซ่ความสงสัยมีดังนี้:

AI แบบดั้งเดิม → การอนุมานแบบกระจายอำนาจ → การฝึกอบรมแบบกระจายอำนาจ

ผู้ที่มีพื้นฐาน AI แบบดั้งเดิมมักไม่มั่นใจเกี่ยวกับการฝึกอบรมหรือการอนุมาน AI แบบกระจายอำนาจ และภายในพื้นที่ที่มีการกระจายอำนาจ ผู้ที่มุ่งเน้นไปที่การอนุมานจะสงสัยในความเป็นไปได้ของการฝึกอบรมที่มีการกระจายอำนาจ สาเหตุหลักอยู่ที่ความท้าทายด้านเทคนิค เนื่องจากการฝึกอบรม AI (โดยเฉพาะสำหรับรุ่นขนาดใหญ่) ต้องใช้ข้อมูลจำนวนมาก และที่แย่กว่านั้นคือแบนด์วิธสูงสำหรับการสื่อสารข้อมูล ปัจจุบัน การฝึกอบรมโมเดล Transformer ขนาดใหญ่จำเป็นต้องมีเมทริกซ์ของ GPU ระดับไฮเอนด์ (เช่น 4090 หรือ H100 สำหรับ AI) รวมถึง NVLink และสวิตช์ไฟเบอร์ออปติกระดับมืออาชีพสำหรับช่องทางการสื่อสารระดับ 100G ทำให้เกิดข้อสงสัยในความเป็นไปได้ของการกระจายอำนาจสำหรับงานดังกล่าว

• ผู้ที่มาจากสาขาวิชา AI แบบดั้งเดิมไม่ได้มองโลกในแง่ดีเกี่ยวกับการฝึกอบรม AI แบบกระจายอำนาจหรือการใช้เหตุผล
• ผู้ที่ใช้การให้เหตุผลแบบกระจายอำนาจไม่ได้มองโลกในแง่ดีเกี่ยวกับการฝึกอบรมแบบกระจายอำนาจ

เหตุผลส่วนใหญ่เป็นเรื่องทางเทคนิค เนื่องจากการฝึกอบรม AI (โดยเฉพาะ AI โมเดลขนาดใหญ่) เกี่ยวข้องกับข้อมูลจำนวนมหาศาล และสิ่งที่เกินจริงมากกว่าข้อกำหนดด้านข้อมูลก็คือข้อกำหนดแบนด์วิดท์ที่เกิดจากการสื่อสารความเร็วสูงของข้อมูลเหล่านี้ ในสภาพแวดล้อมโมเดลขนาดใหญ่ของ Transformer ปัจจุบัน การฝึกอบรมโมเดลขนาดใหญ่เหล่านี้ต้องใช้กราฟิกการ์ดระดับไฮเอนด์ระดับ 4090 จำนวนมาก/กราฟิกการ์ด AI ระดับมืออาชีพ H100 ที่ซื้อเมทริกซ์พลังการประมวลผล + ช่องทางการสื่อสารระดับ 100G ซึ่งประกอบด้วย NVLink และสวิตช์ไฟเบอร์ออปติกระดับมืออาชีพ คุณบอกว่าสิ่งนี้สามารถนำไปใช้ในลักษณะกระจายอำนาจได้ อืม...

การใช้เหตุผลของ AI ต้องการพลังการประมวลผลและแบนด์วิธการสื่อสารน้อยกว่าการฝึกอบรมของ AI มาก ความเป็นไปได้ของการกระจายอำนาจนั้นยิ่งใหญ่กว่าการฝึกอบรมเป็นอย่างมาก นี่คือสาเหตุที่โครงการที่เกี่ยวข้องกับพลังงานการประมวลผลส่วนใหญ่มีส่วนร่วมในการให้เหตุผล และโดยพื้นฐานแล้วการฝึกอบรมเป็นเพียง Gensyn เท่านั้น ผู้เล่นรายใหญ่อย่าง Together ที่ระดมทุนได้มากกว่า 100 ล้านหยวน แต่จากมุมมองของประสิทธิภาพด้านต้นทุนและความน่าเชื่อถืออย่างเท่าเทียมกัน อย่างน้อยในขั้นตอนนี้ พลังการประมวลผลแบบรวมศูนย์ยังดีกว่าการใช้เหตุผลแบบกระจายอำนาจมาก

ไม่ใช่เรื่องยากที่จะอธิบายว่าทำไมเมื่อพิจารณาถึงการให้เหตุผลแบบกระจายอำนาจและการฝึกอบรมแบบกระจายอำนาจ พวกเขาคิดว่า “คุณไม่สามารถทำได้เลย” ในขณะที่ AI แบบดั้งเดิมจะพิจารณาที่การฝึกอบรมและการให้เหตุผลแบบกระจายอำนาจ และคิดว่า “การฝึกอบรมนั้นไม่สมจริงในทางเทคนิค” และ “การให้เหตุผล ไม่น่าเชื่อถือในเชิงพาณิชย์” คลื่นความถี่".

บางคนบอกว่าเมื่อ BTC/ETH ออกมาครั้งแรก ทุกคนยังบอกด้วยว่าโมเดลของโหนดแบบกระจายทั้งหมดที่นับไม่น่าเชื่อถือเมื่อเปรียบเทียบกับการประมวลผลแบบคลาวด์ แต่ท้ายที่สุดแล้วมันไม่ได้ผลใช่หรือไม่ จากนั้นจะขึ้นอยู่กับความต้องการในอนาคตของการฝึกอบรม AI และการใช้เหตุผลของ AI สำหรับมิติของความถูกต้อง การไม่เปลี่ยนแปลง และความซ้ำซ้อน การมุ่งเน้นไปที่ประสิทธิภาพ ความน่าเชื่อถือ และราคาเพียงอย่างเดียวไม่สามารถดีไปกว่าการรวมศูนย์ได้ในขณะนี้

การกำหนดสินทรัพย์ของแบบจำลอง

เส้นทางนี้มีผู้คนหนาแน่นและค่อนข้างเข้าใจได้ง่ายกว่าเมื่อเปรียบเทียบกับการประมวลผลสินทรัพย์พลังงาน ความนิยมของ ChatGPT และแอปพลิเคชันอย่าง Character.AI ได้แสดงให้เห็นถึงศักยภาพของโมเดลภาษาขนาดใหญ่ ผู้ใช้สามารถแสวงหาความรู้จากบุคคลในประวัติศาสตร์ เช่น โสกราตีสหรือขงจื๊อ สนทนากับคนดังอย่าง Elon Musk หรือ Sam Altman หรือแม้แต่มีส่วนร่วมในการสนทนาสุดโรแมนติกกับไอดอลเสมือนจริง เช่น Hatsune Miku หรือ Raiden Shogun ความมหัศจรรย์ทั้งหมดนี้ต้องขอบคุณโมเดลภาษาขนาดใหญ่ โดยแนวคิดของ AI Agent จะฝังลึกอยู่ใน Character.AI

จะเกิดอะไรขึ้นถ้าเจ้าหน้าที่เหล่านี้ เช่น Confucius, Musk หรือ Raiden Shogun เป็น NFT?

นี่ไม่ใช่ AI X Crypto ใช่ไหม!

สิ่งนี้รวบรวมแนวคิด AI X Crypto เป็นเรื่องเกี่ยวกับสินทรัพย์ของตัวแทนที่สร้างจากโมเดลขนาดใหญ่มากกว่าตัวโมเดลเอง เนื่องจากโมเดลขนาดใหญ่ไม่สามารถวางบนบล็อกเชนได้โดยตรง จุดมุ่งเน้นอยู่ที่การแมปตัวแทนบน NFT เพื่อสร้างความรู้สึกของ “การกำหนดสินทรัพย์แบบจำลอง” ในพื้นที่ AI X Crypto

ปัจจุบันมีตัวแทนสำหรับการเรียนภาษาอังกฤษ การออกเดท และอื่นๆ อีกมากมาย พร้อมด้วยโครงการลอกเลียนแบบ เช่น การค้นหาตัวแทนและตลาดกลาง ปัญหาทั่วไปในแนวทางนี้คือการขาดอุปสรรคทางเทคนิค เนื่องจากหลายโครงการเป็นเพียงแนวคิด NFT-ize ตามแนวคิด Character.AI การผสานรวมกับบล็อกเชนมักจะทำได้เพียงเล็กน้อย คล้ายกับวิธีที่ GameFi NFT บน Ethereum อาจจัดเก็บเฉพาะ URL หรือแฮชในข้อมูลเมตา โดยมีโมเดล/เอเจนต์โฮสต์บนเซิร์ฟเวอร์คลาวด์ การซื้อขายบนบล็อกเชนโดยพื้นฐานแล้วเกี่ยวข้องกับสิทธิ์การเป็นเจ้าของ

แม้จะมีความท้าทายเหล่านี้ การกำหนดสินทรัพย์ของโมเดล/ตัวแทนมีแนวโน้มที่จะยังคงเป็นแนวทางหลักใน AI x Crypto โดยหวังว่าจะมีโครงการที่แข็งแกร่งทางเทคนิคและบูรณาการบล็อกเชนมากขึ้นในอนาคต

ทรัพย์สินของข้อมูล

การจัดสินทรัพย์ข้อมูลเหมาะสมที่สุดในเชิงตรรกะสำหรับ AI+Crypto เนื่องจากการฝึกอบรม AI แบบดั้งเดิมจะใช้ข้อมูลที่มองเห็นได้บนอินเทอร์เน็ตเป็นหลัก หรือให้ละเอียดกว่านั้นคือข้อมูลจากการรับส่งข้อมูลที่เป็นสาธารณสมบัติ ซึ่งอาจคิดเป็น 10-20% ของทั้งหมดเท่านั้น ข้อมูลส่วนสำคัญจริงๆ แล้วอยู่ภายในการรับส่งข้อมูลโดเมนส่วนตัว (รวมถึงข้อมูลส่วนบุคคล) หากข้อมูลการรับส่งข้อมูลนี้สามารถนำไปใช้สำหรับการฝึกอบรมหรือปรับแต่งโมเดลขนาดใหญ่ เราอาจมีตัวแทน/บอทที่เชี่ยวชาญมากขึ้นในโดเมนประเภทต่างๆ ได้อย่างไม่ต้องสงสัย

สโลแกนที่คุ้นเคยที่สุดของ Web3 คือ “อ่าน เขียน เป็นเจ้าของ!”

ดังนั้น ภายใต้การแนะนำของสิ่งจูงใจแบบกระจายอำนาจผ่าน AI+Crypto การปล่อยข้อมูลการรับส่งข้อมูลความต้องการส่วนบุคคลและส่วนตัวสำหรับสินทรัพย์เพื่อให้ "ฟีด" ที่ดีขึ้นและสมบูรณ์ยิ่งขึ้นสำหรับโมเดลขนาดใหญ่ ฟังดูเหมือนเป็นแนวทางที่สมเหตุสมผลมาก แท้จริงแล้วมีหลายทีมที่มีส่วนร่วมอย่างลึกซึ้งในสาขานี้

อย่างไรก็ตาม ความท้าทายที่ใหญ่ที่สุดในเส้นทางนี้คือข้อมูลไม่ได้สร้างมาตรฐานได้ง่ายเท่ากับพลังการประมวลผล สำหรับพลังการประมวลผลแบบกระจายอำนาจ โมเดลกราฟิกการ์ดของคุณแปลเป็นพลังการประมวลผลจำนวนหนึ่งโดยตรง ในขณะที่ปริมาณ คุณภาพ และวัตถุประสงค์ของข้อมูลส่วนตัวนั้นยากต่อการวัดในมิติต่างๆ หากพลังการประมวลผลแบบกระจายอำนาจเหมือนกับ ERC20 สินทรัพย์ของข้อมูลการฝึกอบรม AI สำหรับ AI แบบกระจายอำนาจจะให้ความรู้สึกเหมือน ERC721 มากกว่า เมื่อผสมกับโปรเจ็กต์และคุณลักษณะมากมาย เช่น PunkAzuki ทำให้สภาพคล่องและการพัฒนาตลาดมีความท้าทายมากกว่า ERC20 อย่างมาก ดังนั้นโครงการที่ทำงานเกี่ยวกับสินทรัพย์ข้อมูล AI จึงประสบปัญหาอย่างมาก

อีกแง่มุมที่น่าสังเกตของการติดตามข้อมูลคือการติดป้ายกำกับแบบกระจายอำนาจ สินทรัพย์ข้อมูลนำไปใช้กับขั้นตอน "การรวบรวมข้อมูล" และข้อมูลที่รวบรวมจะต้องได้รับการประมวลผลก่อนที่จะส่งไปยัง AI ซึ่งเป็นที่มาของการติดป้ายกำกับข้อมูล ขั้นตอนนี้เป็นงานที่รวมศูนย์และใช้แรงงานเข้มข้น ด้วยการกระจายอำนาจกระบวนการนี้ผ่านการให้รางวัลโทเค็น การเปลี่ยนงานแรงงานนี้ไปสู่การติดฉลากแบบกระจายอำนาจเพื่อหารายได้ หรือกระจายงานในลักษณะที่คล้ายกับแพลตฟอร์มการระดมทุนจากมวลชน ถือเป็นแนวคิดที่กำลังถูกสำรวจ ขณะนี้มีบางทีมกำลังฝึกฝนสาขานี้

สาม. ชิ้นส่วนปริศนาที่หายไปใน AI + Crypto

จากมุมมองของเรา มาพูดคุยสั้นๆ เกี่ยวกับส่วนที่ขาดหายไปในภาค AI + Crypto

1. อุปสรรคทางเทคโนโลยี: ดังที่ได้กล่าวไปแล้ว โครงการ AI + Crypto ส่วนใหญ่แทบจะไม่มีอุปสรรคใดๆ เลยเมื่อเทียบกับโครงการ AI แบบดั้งเดิมในพื้นที่ Web2 พวกเขาพึ่งพาโมเดลทางเศรษฐกิจและสิ่งจูงใจโทเค็นมากขึ้น โดยมุ่งเน้นความพยายามไปที่ประสบการณ์ส่วนหน้า ตลาด และการดำเนินงาน แม้ว่าจะไม่มีอะไรผิดปกติกับเรื่องนี้ แต่การกระจายอำนาจและการกระจายมูลค่าเป็นจุดแข็งของ Web3 แต่การขาดอุปสรรคหลักมักจะให้ความรู้สึกแบบ "X to Earn" เรายังคงหวังว่าจะมีทีมที่มีเทคโนโลยีหลักมากขึ้น เช่น OTOY ซึ่งเป็นบริษัทแม่ของ RNDR ซึ่งจะสร้างความก้าวหน้าครั้งสำคัญในพื้นที่ Crypto

2. สถานะปัจจุบันของผู้ปฏิบัติงาน: จากการสังเกตของเรา บางทีมในภาค AI x Crypto มีความรู้เกี่ยวกับ AI มาก แต่ขาดความเข้าใจอย่างลึกซึ้งเกี่ยวกับ Web3 ในทางกลับกัน บางทีมเป็น Crypto Native มาก แต่มีความเข้าใจอย่างลึกซึ้งเกี่ยวกับ AI สิ่งนี้คล้ายกับภาค Gamefi ในยุคแรกๆ มาก ซึ่งทีมทั้งสองมีความเข้าใจอย่างลึกซึ้งเกี่ยวกับเกมและพยายามปรับเกม Web2 ให้เป็นบล็อกเชน หรือมีความเชี่ยวชาญใน Web3 เป็นอย่างดี โดยมุ่งเน้นไปที่การสร้างสรรค์นวัตกรรมและการเพิ่มประสิทธิภาพโมเดลการสร้างรายได้ต่างๆ Matr1x เป็นทีมแรกที่เราพบในภาค Gamefi โดยมีความเข้าใจแบบ Double-A เกี่ยวกับทั้งเกมและ Crypto ซึ่งเป็นสาเหตุที่ฉันเคยกล่าวไว้ก่อนหน้านี้ว่า Matr1x เป็นหนึ่งในสามโครงการในปี 2023 ที่ฉันตัดสินใจ "ทันทีหลังจากการสนทนา" เราหวังว่าจะได้เห็นทีมที่มีความเข้าใจ double-A ทั้งในด้าน AI และ Crypto ในปี 2024

3. สถานการณ์เชิงพาณิชย์: AI X Crypto อยู่ในช่วงเริ่มต้นของการสำรวจ การกำหนดสินทรัพย์ต่างๆ ที่กล่าวถึงเป็นเพียงแนวทางคร่าวๆ โดยแต่ละส่วนมีภาคส่วนย่อยที่มีศักยภาพที่สามารถสำรวจและแบ่งส่วนได้อย่างพิถีพิถัน การรวมกันของ AI และ Crypto ในโครงการปัจจุบันมักจะรู้สึก "แข็งกระด้าง" หรือ "หยาบ" ไม่สามารถใช้ประโยชน์จากความได้เปรียบในการแข่งขันที่ดีที่สุดหรือการผสมผสานระหว่าง AI หรือ Crypto ได้ สิ่งนี้เกี่ยวข้องอย่างใกล้ชิดกับประเด็นที่สองที่กล่าวถึงข้างต้น ตัวอย่างเช่น ทีมพัฒนาภายในของเราได้คิดและออกแบบวิธีการผสมผสานที่เหมาะสมที่สุด น่าเสียดายที่แม้จะทบทวนหลายโครงการในภาค AI แต่เรายังไม่พบทีมที่เข้าสู่กลุ่มนี้ ดังนั้นเราจึงได้แต่รอต่อไป

ทำไม VC ของเราถึงนึกถึงสถานการณ์บางอย่างต่อหน้าผู้ประกอบการในตลาด? เนื่องจากทีมงาน AI ภายในของเราประกอบด้วยผู้เชี่ยวชาญเจ็ดคน โดยห้าคนสำเร็จการศึกษาระดับปริญญาเอกด้าน AI สำหรับความเข้าใจของทีม ABCDE เกี่ยวกับ Crypto คุณรู้ไหม...

โดยสรุป แม้ว่าจากมุมมองของตลาดหลัก AI x Crypto ยังเร็วมากและยังไม่บรรลุนิติภาวะ แต่ก็ไม่ได้ขัดขวางเราจากการมองโลกในแง่ดีเกี่ยวกับแนวโน้มในปี 2567-2568 AI x Crypto อาจกลายเป็นหนึ่งในภาคส่วนหลักในตลาดกระทิงครั้งต่อไป ท้ายที่สุดแล้ว หาก AI ปลดปล่อยกำลังการผลิตและบล็อกเชนปลดปล่อยความสัมพันธ์ในการผลิต จะมีการผสมผสานอะไรที่ดีไปกว่านี้อีก? :)

ข้อสงวนสิทธิ์：

1. บทความนี้พิมพ์ซ้ำจาก [ABCDE] ลิขสิทธิ์ทั้งหมดเป็นของผู้เขียนต้นฉบับ [ABCDE] หากมีการคัดค้านการพิมพ์ซ้ำนี้ โปรดติดต่อทีมงาน Gate Learn แล้วพวกเขาจะจัดการโดยเร็วที่สุด
2. การปฏิเสธความรับผิด: มุมมองและความคิดเห็นที่แสดงในบทความนี้เป็นเพียงของผู้เขียนเท่านั้น และไม่ถือเป็นคำแนะนำในการลงทุนใดๆ
3. การแปลบทความเป็นภาษาอื่นดำเนินการโดยทีมงาน Gate Learn เว้นแต่จะกล่าวถึง ห้ามคัดลอก แจกจ่าย หรือลอกเลียนแบบบทความที่แปลแล้ว