Sora nổi lên: Liệu năm 2024 có phải là năm của cuộc cách mạng AI+Web3?

Lời tựa

Vào ngày 16 tháng 2, OpenAI đã công bố mô hình phổ biến chuyển văn bản thành video mới nhất của mình có tên “Sora”, đánh dấu một cột mốc quan trọng khác trong lĩnh vực AI tổng quát với khả năng tạo ra video chất lượng cao trên nhiều loại dữ liệu hình ảnh. Không giống như các công cụ tạo video AI như Pika, tạo ra một vài giây video từ nhiều hình ảnh, Sora huấn luyện trong không gian tiềm ẩn được nén của video và hình ảnh, chia chúng thành các bản vá không gian thời gian để tạo video có thể mở rộng. Hơn nữa, mô hình này còn thể hiện khả năng mô phỏng cả thế giới vật lý và thế giới kỹ thuật số, với bản demo dài 60 giây được mô tả là “trình mô phỏng phổ quát của thế giới vật lý”.

Sora tiếp tục con đường kỹ thuật “dữ liệu nguồn-Biến áp-Khuếch tán-xuất hiện” đã thấy trong các mô hình GPT trước đây, cho thấy mức độ trưởng thành trong quá trình phát triển của nó cũng phụ thuộc vào sức mạnh tính toán. Với khối lượng dữ liệu cần thiết cho việc đào tạo qua video lớn hơn so với văn bản, nhu cầu về sức mạnh tính toán dự kiến sẽ tăng hơn nữa. Tuy nhiên, như đã thảo luận trong bài viết trước của chúng tôi “Bản xem trước ngành đầy hứa hẹn: Thị trường sức mạnh tính toán phi tập trung”, tầm quan trọng của sức mạnh tính toán trong kỷ nguyên AI đã được khám phá và với sự phổ biến ngày càng tăng của AI, nhiều dự án sức mạnh tính toán đã xuất hiện, mang lại lợi ích cho các lĩnh vực khác. Các dự án Depin (lưu trữ, sức mạnh tính toán, v.v.) có giá trị tăng đột biến. Ngoài Depin, bài viết này nhằm mục đích cập nhật và hoàn thiện các cuộc thảo luận trước đây, cân nhắc những tia lửa có thể nảy sinh từ sự kết hợp giữa Web3 và AI cũng như các cơ hội trong quỹ đạo này trong kỷ nguyên AI.

Sự phát triển của AI: Ba hướng chính

Trí tuệ nhân tạo (AI) là một lĩnh vực đang phát triển tập trung vào việc mô phỏng, mở rộng và làm phong phú trí thông minh của con người. Kể từ khi ra đời vào những năm 1950 và 1960, AI đã trải qua hơn nửa thế kỷ tiến hóa, nổi lên như một công nghệ then chốt thúc đẩy sự chuyển đổi xã hội và các ngành công nghiệp khác nhau. Trong suốt hành trình này, sự tiến bộ đan xen của ba hướng nghiên cứu chính—chủ nghĩa biểu tượng, chủ nghĩa kết nối và chủ nghĩa hành vi—đã đặt nền móng cho sự tiến bộ nhanh chóng của AI ngày nay.

Chủ nghĩa tượng trưng

Chủ nghĩa tượng trưng, còn được gọi là chủ nghĩa logic hoặc lý luận dựa trên quy tắc, thừa nhận rằng việc tái tạo trí thông minh của con người thông qua xử lý ký hiệu là khả thi. Cách tiếp cận này sử dụng các ký hiệu để thể hiện và thao tác các đối tượng, khái niệm và mối quan hệ của chúng trong một miền vấn đề nhất định, sử dụng lý luận logic để giải quyết vấn đề. Chủ nghĩa tượng trưng đã đạt được thành công đáng chú ý, đặc biệt là trong các hệ thống chuyên gia và biểu diễn tri thức. Nguyên lý trung tâm của nó là hành vi thông minh có thể được thực hiện thông qua thao tác biểu tượng và suy luận logic, với các biểu tượng đóng vai trò là sự trừu tượng hóa cấp cao của thế giới thực.

Chủ nghĩa kết nối

Chủ nghĩa kết nối, còn được gọi là phương pháp tiếp cận mạng lưới thần kinh, tìm cách đạt được trí thông minh bằng cách phản ánh cấu trúc và chức năng của bộ não con người. Phương pháp này xây dựng các mạng bao gồm nhiều đơn vị xử lý đơn giản giống như tế bào thần kinh và điều chỉnh cường độ kết nối giữa các đơn vị này, giống như các khớp thần kinh, để hỗ trợ việc học. Nhấn mạnh việc học và khái quát hóa từ dữ liệu, chủ nghĩa kết nối rất phù hợp cho các nhiệm vụ như nhận dạng mẫu, phân loại và ánh xạ đầu vào-đầu ra liên tục. Học sâu, một sự phát triển của chủ nghĩa kết nối, đã đạt được những đột phá trong các lĩnh vực như nhận dạng hình ảnh và giọng nói cũng như xử lý ngôn ngữ tự nhiên.

Chủ nghĩa hành vi

Chủ nghĩa hành vi, có mối liên hệ chặt chẽ với robot phỏng sinh học và nghiên cứu hệ thống thông minh tự động, nhấn mạnh rằng các tác nhân thông minh có thể học hỏi thông qua tương tác môi trường. Không giống như các cách tiếp cận trước đó, chủ nghĩa hành vi không tập trung vào việc mô phỏng các biểu hiện bên trong hoặc quá trình nhận thức mà đạt được hành vi thích ứng thông qua chu trình nhận thức-hành động. Nó thừa nhận rằng trí thông minh thể hiện thông qua tương tác và học tập trong môi trường năng động, khiến nó đặc biệt hiệu quả đối với robot di động và hệ thống điều khiển thích ứng hoạt động trong môi trường phức tạp và không thể đoán trước.

Bất chấp sự khác biệt cơ bản, ba hướng nghiên cứu này có thể phối hợp và bổ sung cho nhau trong nghiên cứu và ứng dụng AI thực tế, thúc đẩy sự phát triển chung của lĩnh vực này.

Nguyên tắc của AIGC

Lĩnh vực Nội dung do trí tuệ nhân tạo (AIGC) đang phát triển thể hiện sự phát triển và ứng dụng của chủ nghĩa kết nối, tạo điều kiện thuận lợi cho việc tạo ra nội dung mới bằng cách mô phỏng khả năng sáng tạo của con người. Các mô hình này được đào tạo bằng cách sử dụng bộ dữ liệu khổng lồ và thuật toán học sâu để phân biệt các cấu trúc, mối quan hệ và mẫu cơ bản trong dữ liệu. Được thúc đẩy bởi thông tin đầu vào của người dùng, chúng tạo ra các kết quả đầu ra đa dạng bao gồm hình ảnh, video, mã, âm nhạc, thiết kế, bản dịch, câu trả lời cho câu hỏi và văn bản. Hiện tại, AIGC về cơ bản bao gồm ba yếu tố: Học sâu (DL), Dữ liệu lớn và Sức mạnh tính toán lớn.

Học kĩ càng

Deep Learning, một tập hợp con của Machine Learning (ML), sử dụng các thuật toán được mô hình hóa theo mạng lưới thần kinh của não người. Giống như bộ não con người bao gồm các nơ-ron liên kết với nhau để xử lý thông tin, mạng nơ-ron học sâu bao gồm nhiều lớp nơ-ron nhân tạo thực hiện các phép tính trong máy tính. Các nơ-ron nhân tạo hoặc nút này tận dụng các hoạt động toán học để xử lý dữ liệu và giải quyết các vấn đề phức tạp thông qua các thuật toán học sâu.

Mạng nơ-ron bao gồm các lớp: đầu vào, ẩn và đầu ra, với các tham số liên kết các lớp này.

· Lớp đầu vào: Lớp đầu tiên của mạng nơ-ron, nhận dữ liệu đầu vào từ bên ngoài. Mỗi nơ-ron trong lớp này tương ứng với một tính năng của dữ liệu đầu vào. Ví dụ: khi xử lý dữ liệu hình ảnh, từng nơ-ron riêng lẻ có thể biểu thị các giá trị pixel.

· Lớp ẩn: Theo lớp đầu vào, các lớp ẩn xử lý và truyền dữ liệu qua mạng. Các lớp này phân tích thông tin ở nhiều cấp độ khác nhau, điều chỉnh hành vi của chúng khi nhận được thông tin đầu vào mới. Mạng học sâu có thể có hàng trăm lớp ẩn, cho phép phân tích vấn đề theo nhiều khía cạnh. Ví dụ: khi phân loại một con vật lạ từ một hình ảnh, mạng có thể so sánh nó với những con vật đã biết bằng cách đánh giá các đặc điểm như hình dạng tai, số chân và kích thước đồng tử. Các lớp ẩn hoạt động tương tự nhau, mỗi lớp xử lý các đặc điểm khác nhau của động vật để hỗ trợ phân loại chính xác.

· Lớp đầu ra: Lớp cuối cùng của mạng nơron, tạo ra đầu ra của mạng. Các nơ-ron trong lớp này đại diện cho các loại hoặc giá trị đầu ra tiềm năng. Trong các nhiệm vụ phân loại, mỗi nơ-ron có thể tương ứng với một danh mục, trong khi trong các nhiệm vụ hồi quy, lớp đầu ra có thể có một nơ-ron duy nhất có giá trị dự đoán kết quả.

· Tham số: Trong mạng nơ-ron, các kết nối giữa các lớp khác nhau được biểu thị bằng trọng số và độ lệch, được tối ưu hóa trong quá trình đào tạo để cho phép mạng nhận dạng chính xác các mẫu trong dữ liệu và đưa ra dự đoán. Việc tăng các tham số có thể nâng cao 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. Tuy nhiên, điều này cũng làm tăng nhu cầu về sức mạnh tính toán.

Dữ liệu lớn

Đào tạo mạng lưới thần kinh hiệu quả thường đòi hỏi dữ liệu phong phú, đa dạng, chất lượng cao và đa nguồn. Dữ liệu như vậy tạo thành nền tảng cho việc đào tạo và xác nhận các mô hình học máy. Thông qua phân tích dữ liệu lớn, các mô hình học máy có thể xác định các mẫu và mối quan hệ trong dữ liệu, tạo điều kiện thuận lợi cho việc dự đoán hoặc phân loại.

Sức mạnh tính toán khổng lồ

Cấu trúc nhiều lớp phức tạp của mạng nơ-ron, nhiều tham số, yêu cầu xử lý dữ liệu lớn, phương pháp đào tạo lặp lại (liên quan đến các phép tính lan truyền tiến và lùi lặp đi lặp lại, bao gồm tính toán hàm kích hoạt và hàm mất mát, tính toán độ dốc và cập nhật trọng số), điện toán có độ chính xác cao nhu cầu, khả năng tính toán song song, kỹ thuật tối ưu hóa và chính quy hóa cũng như các quy trình đánh giá và xác thực mô hình đều góp phần tạo nên nhu cầu tính toán đáng kể.

Sora

Sora, mô hình AI thế hệ video mới nhất của OpenAI, đánh dấu sự tiến bộ đáng kể về khả năng xử lý và hiểu dữ liệu hình ảnh đa dạng của trí tuệ nhân tạo. Bằng cách sử dụng mạng nén video và kỹ thuật vá lỗi không gian, thời gian, Sora có thể chuyển đổi lượng lớn dữ liệu hình ảnh được thu thập trên toàn thế giới và từ nhiều thiết bị khác nhau thành một bản trình bày thống nhất. Khả năng này cho phép xử lý và hiểu hiệu quả nội dung hình ảnh phức tạp. Sora sử dụng các mô hình Khuếch tán có điều kiện hóa văn bản để tạo ra video hoặc hình ảnh có mối tương quan cao với lời nhắc văn bản, thể hiện khả năng sáng tạo và khả năng thích ứng vượt trội.

Bất chấp những đột phá của Sora trong việc tạo video và mô phỏng các tương tác trong thế giới thực, nó vẫn gặp phải những hạn chế nhất định. Chúng bao gồm độ chính xác của mô phỏng thế giới thực, tính nhất quán trong việc tạo video dài, hiểu các hướng dẫn văn bản phức tạp và hiệu quả trong đào tạo và tạo. Về cơ bản, Sora đi theo quỹ đạo kỹ thuật “dữ liệu lớn-Biến áp-Khuếch tán-xuất hiện”, được hỗ trợ bởi sức mạnh tính toán độc quyền và lợi thế của người đi đầu của OpenAI, dẫn đến một hình thức thẩm mỹ mạnh mẽ. Tuy nhiên, các công ty AI khác vẫn có tiềm năng vượt qua Sora nhờ đổi mới công nghệ.

Mặc dù mối liên hệ của Sora với blockchain vẫn còn khiêm tốn, nhưng người ta dự đoán rằng trong một hoặc hai năm tới, tầm ảnh hưởng của Sora sẽ dẫn đến sự xuất hiện và phát triển nhanh chóng của các công cụ tạo AI chất lượng cao khác. Những phát triển này dự kiến sẽ tác động đến nhiều lĩnh vực Web3 khác nhau như GameFi, nền tảng xã hội, nền tảng sáng tạo, Depin, v.v. Do đó, việc có được hiểu biết chung về Sora là điều cần thiết và việc dự tính cách AI sẽ tích hợp hiệu quả với Web3 trong tương lai sẽ trở thành một điều quan trọng cần cân nhắc .

Bốn con đường tích hợp AI x Web3

Như đã thảo luận trước đây, các thành phần cơ bản cần thiết cho AI tổng hợp có thể được tóm tắt thành ba yếu tố chính: thuật toán, dữ liệu và sức mạnh tính toán. Ngược lại, AI, là một công cụ phổ quát có tác động sâu rộng đến phương pháp sản xuất, cách mạng hóa cách thức vận hành của các ngành công nghiệp. Trong khi đó, tác động đáng kể của công nghệ blockchain có hai mặt: nó tái cấu trúc các mối quan hệ sản xuất và cho phép phân cấp. Do đó, sự hội tụ của hai công nghệ này có thể tạo ra bốn con đường tiềm năng:

Sức mạnh tính toán phi tập trung

Phần này nhằm mục đích cung cấp những hiểu biết sâu sắc về bối cảnh hiện tại của sức mạnh tính toán. Trong lĩnh vực AI, sức mạnh tính toán có ý nghĩa to lớn. Nhu cầu về sức mạnh tính toán trong AI, đặc biệt nổi bật sau sự xuất hiện của Sora, đã đạt đến mức chưa từng có. Trong Diễn đàn kinh tế thế giới ở Davos, Thụy Sĩ, vào năm 2024, Giám đốc điều hành của OpenAI, Sam Altman, đã nhấn mạnh rằng sức mạnh tính toán và năng lượng hiện là những hạn chế lớn nhất, gợi ý về sự tương đương trong tương lai của chúng với tiền tệ. Sau đó, vào ngày 10 tháng 2, Sam Altman đã công bố kế hoạch đột phá thông qua Twitter nhằm huy động số tiền đáng kinh ngạc 7 nghìn tỷ USD (tương đương 40% GDP của Trung Quốc vào năm 2023) nhằm cách mạng hóa ngành công nghiệp bán dẫn toàn cầu, hướng tới thành lập một đế chế bán dẫn. Trước đây, những cân nhắc của tôi về sức mạnh tính toán chỉ giới hạn ở những hạn chế của quốc gia và sự độc quyền của doanh nghiệp; tuy nhiên, khái niệm về một thực thể duy nhất khao khát thống trị lĩnh vực bán dẫn toàn cầu thực sự đáng chú ý.

Tầm quan trọng của sức mạnh tính toán phi tập trung là rõ ràng. Các tính năng của Blockchain cung cấp giải pháp cho các vấn đề phổ biến về độc quyền về sức mạnh tính toán và chi phí cắt cổ liên quan đến việc mua GPU chuyên dụng. Từ góc độ các yêu cầu của AI, việc sử dụng sức mạnh tính toán có thể được phân loại thành hai khía cạnh: suy luận và đào tạo. Các dự án chủ yếu tập trung vào đào tạo đang khan hiếm do sự tích hợp phức tạp cần thiết cho các mạng phi tập trung và nhu cầu phần cứng đáng kể, đặt ra những rào cản đáng kể trong việc triển khai. Ngược lại, các tác vụ suy luận tương đối đơn giản hơn, với các thiết kế mạng phi tập trung ít phức tạp hơn cũng như các yêu cầu về phần cứng và băng thông thấp hơn, do đó thể hiện một con đường dễ tiếp cận hơn.

Bối cảnh sức mạnh tính toán tập trung có tiềm năng to lớn, thường được gắn với mô tả “cấp nghìn tỷ” và vẫn là một chủ đề rất giật gân trong kỷ nguyên AI. Tuy nhiên, khi quan sát vô số dự án gần đây, nhiều dự án dường như được hình thành vội vàng nhằm tận dụng các xu hướng. Mặc dù các dự án này thường ủng hộ việc phân quyền nhưng chúng có xu hướng né tránh các cuộc thảo luận về tính kém hiệu quả của mạng lưới phi tập trung. Hơn nữa, tồn tại mức độ đồng nhất đáng chú ý trong thiết kế, với nhiều dự án áp dụng các phương pháp tiếp cận tương tự (chẳng hạn như thiết kế khai thác L2 bằng một cú nhấp chuột), có khả năng dẫn đến thất bại và làm phức tạp các nỗ lực nhằm tạo sự khác biệt với cuộc đua AI truyền thống.

Hệ thống cộng tác mô hình và thuật toán

Các thuật toán học máy được thiết kế để học các mẫu và quy tắc từ dữ liệu, cho phép chúng đưa ra dự đoán hoặc quyết định dựa trên các mẫu đã học này. Do sự phức tạp liên quan đến thiết kế và tối ưu hóa, các thuật toán vốn có hàm lượng công nghệ cao, đòi hỏi chuyên môn sâu và đổi mới công nghệ. Chúng đóng vai trò là xương sống trong việc đào tạo các mô hình AI, chỉ đạo cách xử lý dữ liệu để rút ra những hiểu biết hữu ích hoặc đưa ra quyết định. Các thuật toán AI tổng quát đáng chú ý, chẳng hạn như Mạng đối thủ sáng tạo (GAN), Bộ mã hóa tự động biến đổi (VAE) và Máy biến áp, được điều chỉnh cho các lĩnh vực cụ thể như hội họa, nhận dạng ngôn ngữ, dịch thuật hoặc tạo video và là công cụ đào tạo các mô hình AI chuyên dụng.

Việc có quá nhiều thuật toán và mô hình với những điểm mạnh riêng biệt đặt ra câu hỏi: liệu chúng có thể được tích hợp vào một mô hình đa năng không? Bittensor, một dự án nổi bật gần đây, dẫn đầu các nỗ lực theo hướng này bằng cách khuyến khích sự hợp tác giữa các mô hình và thuật toán AI khác nhau, từ đó thúc đẩy sự phát triển của các mô hình AI hiệu quả và có khả năng hơn. Các sáng kiến khác, chẳng hạn như Social AI, tập trung vào việc thúc đẩy cộng tác mã, mặc dù việc chia sẻ thuật toán và mô hình vẫn là một thách thức do tính chất độc quyền của chúng trong các công ty AI.

Khái niệm về hệ sinh thái hợp tác AI rất hấp dẫn, tận dụng công nghệ blockchain để giảm thiểu những hạn chế liên quan đến các thuật toán AI bị cô lập. Tuy nhiên, khả năng tạo ra giá trị tương ứng của nó vẫn chưa được xác định. Các công ty AI lâu đời được trang bị các thuật toán và mô hình độc quyền, sở hữu khả năng mạnh mẽ trong việc cập nhật, lặp lại và tích hợp công nghệ của họ. Ví dụ: OpenAI đã nhanh chóng phát triển từ mô hình tạo văn bản ban đầu sang mô hình tạo đa miền trong vòng hai năm. Các dự án như Bittensor có thể cần khám phá những con đường đổi mới trong các lĩnh vực mục tiêu của họ để cạnh tranh hiệu quả.

Dữ liệu lớn phi tập trung

Từ quan điểm đơn giản, việc tích hợp dữ liệu riêng tư để thúc đẩy AI và chú thích dữ liệu là những con đường hài hòa tốt với công nghệ blockchain. Mối quan tâm chính xoay quanh cách ngăn chặn dữ liệu rác và các hoạt động độc hại. Hơn nữa, việc lưu trữ dữ liệu có thể thuận lợi cho các dự án Depin như FIL và AR.

Nhìn từ một góc độ phức tạp hơn, việc tận dụng dữ liệu blockchain cho máy học (ML) để giải quyết khả năng truy cập của dữ liệu blockchain đưa ra một hướng hấp dẫn khác, như Giza đã khám phá.

Về lý thuyết, dữ liệu blockchain có thể truy cập được vào bất kỳ thời điểm nào và phản ánh trạng thái của toàn bộ blockchain. Tuy nhiên, đối với những người bên ngoài hệ sinh thái blockchain, việc truy cập các bộ dữ liệu mở rộng này không hề đơn giản. Việc lưu trữ toàn bộ chuỗi khối đòi hỏi phải có kiến thức chuyên môn đáng kể và tài nguyên phần cứng chuyên dụng.

Để vượt qua những thách thức trong việc truy cập dữ liệu blockchain, ngành công nghiệp đã chứng kiến sự xuất hiện của một số giải pháp. Chẳng hạn, các nhà cung cấp RPC cung cấp quyền truy cập nút thông qua API, trong khi các dịch vụ lập chỉ mục tạo điều kiện thuận lợi cho việc truy xuất dữ liệu qua SQL và GraphQL, đóng vai trò then chốt trong việc giảm thiểu vấn đề. Tuy nhiên, những phương pháp này có những hạn chế của chúng. Các dịch vụ RPC không phù hợp cho các trường hợp sử dụng mật độ cao yêu cầu truy vấn dữ liệu rộng rãi và thường không đáp ứng được nhu cầu. Trong khi đó, mặc dù các dịch vụ lập chỉ mục cung cấp cách tiếp cận có cấu trúc hơn để truy xuất dữ liệu, 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 đến hàng trăm hoặc thậm chí hàng nghìn dòng mã phức tạp. Sự phức tạp này đặt ra một rào cản đáng kể đối với những người thực hành dữ liệu nói chung và những người có hiểu biết hạn chế về sự phức tạp của Web3. Tác động chung của những hạn chế này nhấn mạnh sự cần thiết của một phương pháp dễ tiếp cận và dễ sử dụng hơn để lấy và tận dụng dữ liệu blockchain, điều này có thể thúc đẩy ứng dụng và đổi mới rộng rãi hơn trong lĩnh vực này.

Do đó, sự kết hợp của ZKML (Học máy không có kiến thức, giúp giảm bớt gánh nặng học máy trên chuỗi) với dữ liệu chuỗi khối chất lượng cao có thể mang lại các bộ dữ liệu giải quyết các thách thức về khả năng truy cập của dữ liệu chuỗi khối. AI có khả năng giảm đáng kể các rào cản truy cập dữ liệu blockchain. Theo thời gian, các nhà phát triển, nhà nghiên cứu và những người đam mê ML có thể có quyền truy cập vào các bộ dữ liệu phù hợp, chất lượng cao hơn để tạo ra các giải pháp hiệu quả và sáng tạo.

Trao quyền AI cho Dapps

Kể từ khi ChatGPT3 bùng nổ vào năm 2023, việc trao quyền cho AI cho Dapps đã trở thành một hướng đi rất phổ biến. AI tổng hợp có thể áp dụng rộng rãi có thể được tích hợp thông qua API, do đó đơn giản hóa và thông minh hóa nền tảng dữ liệu, bot giao dịch, bách khoa toàn thư blockchain và các ứng dụng khác. Nó cũng có thể hoạt động như các chatbot (như Myshell) hoặc bạn đồng hành của AI (như Sleepless AI) và thậm chí tạo NPC trong các trò chơi blockchain bằng cách sử dụng AI tổng hợp. Tuy nhiên, do rào cản kỹ thuật thấp nên hầu hết việc triển khai chỉ là chỉnh sửa sau khi tích hợp API và việc tích hợp với bản thân các dự án thường không hoàn hảo nên hiếm khi được đề cập đến.

Với sự ra đời của Sora, cá nhân tôi tin rằng việc trao quyền cho AI cho GameFi (bao gồm cả metaverse) và các nền tảng sáng tạo sẽ là trọng tâm chính trong tương lai. Do tính chất từ dưới lên của lĩnh vực Web3, việc sản xuất các sản phẩm có thể cạnh tranh trực tiếp với các trò chơi truyền thống hoặc các công ty sáng tạo là không thể. Tuy nhiên, sự xuất hiện của Sora có khả năng phá vỡ sự bế tắc này, có thể chỉ trong vòng hai đến ba năm. Từ bản demo của Sora, nó dường như có khả năng cạnh tranh với các công ty sản xuất phim truyền hình vi mô. Ngoài ra, văn hóa cộng đồng tích cực của Web3 có thể thúc đẩy rất nhiều ý tưởng thú vị. Khi giới hạn duy nhất là trí tưởng tượng, rào cản giữa ngành công nghiệp từ dưới lên và ngành truyền thống từ trên xuống sẽ sụp đổ.

Phần kết luận

Khi các công cụ AI tổng hợp tiếp tục phát triển, chúng ta sẵn sàng trải nghiệm nhiều “khoảnh khắc iPhone” mang tính biến đổi hơn trong tương lai. Bất chấp những hoài nghi ban đầu xung quanh việc tích hợp AI với Web3, tôi tin tưởng rằng quỹ đạo hiện tại nhìn chung đang đi đúng hướng, mặc dù có ba điểm yếu chính cần chú ý: sự cần thiết, hiệu quả và khả năng tương thích. Mặc dù sự hội tụ của các lĩnh vực này vẫn còn mang tính khám phá, nhưng điều đó không ngăn cản chúng ta hình dung ra việc áp dụng nó một cách phổ biến trong thị trường giá lên sắp tới.

Duy trì tư duy tò mò và khả năng tiếp thu những ý tưởng mới là rất quan trọng. Các tiền lệ trong lịch sử, chẳng hạn như sự chuyển đổi nhanh chóng từ xe ngựa sang ô tô và sự phát triển của các dòng chữ khắc thành NFT trong quá khứ, nhấn mạnh tầm quan trọng của việc tránh những thành kiến quá mức, thường dẫn đến bỏ lỡ cơ hội.

Tuyên bố từ chối trách nhiệm:

1. Bài viết này được in lại từ [Deep Tide], Mọi bản quyền thuộc về tác giả gốc [YBB Capital Zeke]. 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.