ในโพสต์ก่อนหน้าของเรา เราได้สำรวจประวัติศาสตร์ของการออกแบบแอปพลิเคชันใน ส่วน 1 ของ ซีรีส์ Agentic AI ของเรา ครั้งที่สอง เราจะสำรวจทิศทางที่สำคัญของ Web2 AI ในปัจจุบัน และแพลตฟอร์ม และเทคโนโลยีที่เกี่ยวข้อง ใน ส่วน 2 เราจะสำรวจว่า การบล็อกเชน และ การยืนยันที่เชื่อถือได้ ช่วยให้การวิวัฒนาการของเอเย้นต์ AI เป็นระบบที่แท้จริง

1. Web2 AI Agent Landscape

สถานะปัจจุบันของตัวแทนปัญญาประยุกต์ที่มีความcentralized

รูปที่ 1. E2B Web2 AI Agent Landscape.

ภูมิทัศน์ AI รุ่นใหม่เป็นส่วนใหญ่แสดงถึงแพลตฟอร์มและบริการที่ถูกควบคุมโดย บริษัท เทคโนโลยี ใหญ่ ๆ บริษัท เช่น OpenAI, Anthropic, Google, และ Microsoft ให้บริการโมเดลภาษาขนาดใหญ่ (LLMs) และรักษาโครงสร้างพื้นฐานคลาวด์ที่สำคัญ และบริการ API ที่เป็นกำลังขับเคลื่อนเอเจนต์ AI ส่วนใหญ่

โครงสร้างเอไอเอเจนต์

การก้าวไปข้างหน้าล่าสุดในโครงสร้าง AI ได้เปลี่ยนแปลงอย่างเน้นที่วิธีที่นักพัฒนาสร้างตัวแทน AI กันทั้งในพื้นฐาน แทนการเขียนโค้ดสำหรับปฏิสัมพันธ์โดยเฉพาะ นักพัฒนาตอนนี้สามารถใช้ภาษาธรรมชาติเพื่อกำหนดพฤติกรรมและเป้าหมายของตัวแทน ซึ่งเป็นการนำมาสู่ระบบที่ยืดหยุ่นและซับซ้อนมากขึ้น

รูปที่ 2. โครงสร้างพื้นฐานของตัวแทน AI การแบ่งส่วน.

ความก้าวหน้าที่สำคัญในพื้นที่ต่อไปนี้ได้เป็นที่สำคัญในการเพิ่มมากขึ้นในตัวแทน AI:

• โมเดลภาษาขนาดใหญ่ระดับขั้นสูง (LLMs): LLMs ได้เปลี่ยนแปลงวิธีการที่เอเจนต์เข้าใจและสร้างภาษาธรรมชาติโดยการแทนระบบทฤษฎีที่เข้มงวดด้วยความสามารถในการเข้าใจที่ซับซ้อนมากขึ้น พวกเขาทำให้การคิดและวางแผนขั้นสูงผ่านการคิดแบบ 'สายการคิด' เป็นไปได้
  แอปพลิเคชัน AI ของส่วนใหญ่ถูกสร้างขึ้นบนโมเดล LLM ที่มีการจัดกลุ่มกลาง เช่น GPT-4 โดย GateOpenAI, Claude byAnthropic, และ Gemini โดย Google.
  Open-source AI models include DeepSeek, LLaMa by Meta, PaLM 2 and LaMDA by Google, Mistral 7B by Mistral AI, Grok และ Grok-1 โดย GatexAI, Vicuna-13B by LM Studio, และรุ่น Falcon โดยสถาบันนวัตกรรมเทคโนโลยี (TII)
• เฟรมเวิร์กของเอเจนต์: มีเฟรมเวิร์กและเครื่องมือหลายรูปแบบที่กำลังเกิดขึ้นเพื่อให้การสร้างแอปพลิเคชัน AI ของหลายเอเจนต์สำหรับธุรกิจเป็นไปอย่างราบรื่น เฟรมเวิร์กเหล่านี้สนับสนุน LLMs ต่าง ๆ และมีคุณสมบัติที่แพ็คเสร็จสำหรับการพัฒนาเอเจนต์รวมถึงการจัดการหน่วยความจำ เครื่องมือที่กำหนดเอง และการบูรณาการข้อมูลภายนอก เฟรมเวิร์กเหล่านี้ช่วยลดความท้าทายด้านวิศวกรรมอย่างมีนัยสำคัญ และส่งเสริมการเจริญเติบโตและนวัตกรรม
  เฟรมเวิร์กเอเจนต์ยอดนิยมรวมถึง Phidata, OpenAI Swarm, CrewAI, LangChain LangGraph, LlamaIndex, Microsoft โอเพ่นซอร์สAutogen, Vertex AI,และLangFlow,ซึ่งมีความสามารถในการสร้างผู้ช่วย AI ด้วยการเขียนโค้ดเพียงเล็กน้อยที่สุด
• แพลตฟอร์ม AI ของ Gate: แพลตฟอร์ม AI ของ Gate เน้นการจัดการ AI หลายตัวในสภาพแวดล้อมที่กระจายเพื่อแก้ปัญหาที่ซับซ้อนโดยอัตโนมัติ ระบบเหล่านี้สามารถปรับตัวได้อย่างไดนามิกและทำงานร่วมกัน ทำให้มีการเสริมแข็งในการแก้ปัญหา บริการเหล่านี้มุ่งหวังในการเปลี่ยนวิธีที่ธุรกิจใช้ AI โดยการทำให้เทคโนโลยีเอเย็นต์สามารถเข้าถึงและนำไปใช้งานโดยตรงกับระบบที่มีอยู่
  แพลตฟอร์ม AI ที่เชื่อถือได้ระดับสูงรวมถึง Microsoft Autogen, Langchain LangGraph, Microsoftแกนกลางความหมาย, และ CrewAI.
• Retrieval Augmented Generation (RAG): การเพิ่มข้อมูลค้นหา (RAG) ช่วยให้ LLMs สามารถเข้าถึงฐานข้อมูลหรือเอกสารภายนอกก่อนที่จะตอบคำถาม ซึ่งเพิ่มความแม่นยำและลดอาการเห็นภาพ การก้าวหน้าของ RAG ทำให้เอเจนต์สามารถปรับตัวและเรียนรู้จากแหล่งข้อมูลใหม่และหลีกเลี่ยงความจำเป็นในการฝึกอบรมโมเดล
  เครื่องมือ RAG ที่ดีที่สุดมาจาก GateK2View, Haystack, LangChain, LlamaIndex, RAGatouille, และโอเพ่นซอร์ส EmbedChain และ InfiniFlow.
• ระบบหน่วยความจำ: เพื่อเอาชนะข้อจำกัดของตัวตัดสินใจ AI แบบดั้งเดิมในการจัดการงานที่ยาวนาน บริการหน่วยความจำจะให้บริการหน่วยความจำชั่วคราวสำหรับงานระหว่างหรือหน่วยความจำยาวนานในการเก็บรักษาและดึงข้อมูลสำหรับงานที่ยาวนาน
  ความทรงจำในระยะยาวรวมถึง:
  • การจำเรื่องราวของเหตุการณ์ บันทึกรายละเอียดของประสบการณ์ที่เฉพาะเจาะจงสำหรับการเรียนรู้และการแก้ปัญหา และใช้ในบริบทสำหรับคำถามปัจจุบัน
  • ความทรงจำทางการหมาย ข้อมูลทั่วไปและระดับสูงเกี่ยวกับสภาพแวดล้อมของตัวตน
  • Procedural Memory. Stores the procedures used in decision-making and step-by-step thinking used to solve mathematical problems.
• ผู้นำในบริการหน่วยความจำรวม Gate รวมถึงLetta, open-source MemGPT, Zep, และ Mem0.
• แพลตฟอร์ม AI โดยไม่ต้องเขียนโค้ด: แพลตฟอร์มโดยไม่ต้องเขียนโค้ดช่วยให้ผู้ใช้สร้างรูปแบบ AI ผ่านเครื่องมือลากและวางและอินเตอร์เฟซทางภาพหรือตัวช่วยการตอบคำถาม ผู้ใช้สามารถใช้ตัวแสดงโดยตรงไปยังแอปพลิเคชันของตนและอัตโนมัติเวิร์กโฟล์ โดยการทำให้กระบวนการทำงานของตัวแสดง AI เรียบง่าย ทุกคนสามารถสร้างและใช้ AI ซึ่งส่งผลให้มีความเข้าถึงง่ายขึ้น รอบการพัฒนาที่เร็วขึ้น และนวัตกรรมเพิ่มขึ้น
  ผู้นำ No-code รวมถึง BuildFire AI, Google Teachable Machine, และ AmazonSageMaker.
  มีแพลตฟอร์ม no-code หลายแพลตฟอร์มสำหรับตัวแทน AI ที่เฉพาะObviously AIสำหรับการทำนายทางธุรกิจLobe AIสำหรับการจำแนกประเภทรูปภาพและNanonetsสำหรับการประมวลผลเอกสาร

figure_3_ai_business_models1920×1080 178 KB
รูปที่ 3 รูปแบบธุรกิจ AI.

โมเดลธุรกิจ

บริษัท AI แบบ Web2 แบบดั้งเดิม ส่วนใหญ่ใช้ระบบการสมัครสมาชิกชั้นนำและบริการให้คำปรึกษาเป็นรูปแบบธุรกิจหลัก

โมเดลธุรกิจรุ่นใหม่สำหรับเอเจนต์ AI รวมถึง:

• การสมัครสมาชิก / ใช้บริการ ผู้ใช้จะถูกเรียกเก็บค่าใช้จ่ายโดยอิงจากจำนวนครั้งในการทำงานของตัวแทนหรือทรัพยากรคอมพิวเตอร์ที่ใช้ คล้ายกับบริการโมเดลภาษาขนาดใหญ่ (LLM)
• โมเดลตลาด. เพลตฟอร์มเอเจนต์เก็บเปอร์เซ็นต์ของการทำธุรกรรมบนแพลตฟอร์มเช่นเดียวกับโมเดลร้าน แอปพลิเคชัน
• การออกใบอนุญาตสำหรับองค์กร โซลูชันตามลูกค้าพร้อมค่าบริการด้านการนำมาใช้และสนับสนุน
• การเข้าถึง API แพลตฟอร์มของเอเจนต์มี API ที่อนุญาตให้นักพัฒนาสามารถผสานเอเจนต์เข้ากับแอปพลิเคชันของพวกเขา โดยคิดค่าตามการเรียกใช้ API หรือปริมาตรการใช้งาน
• เปิดโค้ดแหล่งเสริมคุณภาพ โครงการโอเพ่นซอร์สให้รูปแบบพื้นฐานไว้ฟรี แต่คิดค่าใช้จ่ายสำหรับคุณสมบัติขั้นสูง โฮสติ้ง หรือการสนับสนุนโดยองค์กร
• การผสานอุปกรณ์ แพลตฟอร์มเอเจนต์อาจเรียกค่าคอมมิชชั่นจากผู้ให้บริการเครื่องมือสำหรับการใช้ API หรือบริการ

2. ข้อจำกัดของ AI แบบกลาง

ในขณะที่ระบบ AI รุ่นปัจจุบันของ Web2 ได้นำเอาระยะเวลาใหม่ของเทคโนโลยีและประสิทธิภาพมา แต่พวกเขาก็เผชิญกับหลายความท้าทาย

• Centralized Control: การควบคุมแบบส่วนกลาง: การรวมรวมโมเดล AI และข้อมูลการฝึกอบรมในมือของบริษัทเทคโนโลยีขนาดใหญ่ไม่กี่ราย สร้างความเสี่ยงในเรื่องการเข้าถึงที่ถูกจำกัด การฝึกอบรมโมเดลที่ควบคุม และการรวมรวมในแนวดิดแน่น
• ความเป็นส่วนตัวของข้อมูลและการครอบครอง: ผู้ใช้ขาดควบคุมต่อวิธีการใช้ข้อมูลของพวกเขาและไม่ได้รับค่าตอบแทนสำหรับการใช้งานในระบบ AI ในการฝึกอบรม ความมีศูนย์กลางของข้อมูลยังสร้างจุดล้มเหลวเดียวและสามารถเป็นเป้าหมายของการละเมิดข้อมูล
• ปัญหาความโปร่งใส: ลักษณะ "กล่องดำ" ของโมเดลที่จัดระบบที่เป็นจุดศูนย์ป้องกันไม่ให้ผู้ใช้เข้าใจว่าการตัดสินใจเกิดขึ้นอย่างไร หรือการยืนยันแหล่งข้อมูลการฝึกอบรม แอปพลิเคชันที่สร้างขึ้นบนโมเดลเหล่านี้ไม่สามารถอธิบายถึงการมีอคติเชิงฝ่ายได้ และผู้ใช้มีควบคุมน้อยมากหรือไม่มีเลยต่อว่าข้อมูลของพวกเขาถูกใช้ไปยังที่ไหน
• ความท้าทายทางกฎหมาย: ม่านปกความเซียนซนระดับโลกเกี่ยวกับการใช้ AI และความเป็นส่วนตัวของข้อมูลสร้างความไม่แน่นอนและท้าทายในการปฏิบัติตามกฎระเบียบ ตัวแทนและแอปพลิเคชันที่สร้างขึ้นบนโมเดล AI ที่มีลักษณะส่วนกลางอาจต้องปฏิบัติตามกฎระเบียบจากประเทศของเจ้าของโมเดล
• การโจมตีที่ทำให้ระบบ AI อ่อนแอ: โมเดล AI อาจเสี่ยงต่อการโจมตีที่ทำให้ข้อมูลนำเข้าถูกแก้ไขเพื่อหลอกโมเดลให้สร้างเอาท์พุตที่ไม่ถูกต้อง จำเป็นต้องมีการตรวจสอบความถูกต้องของข้อมูลนำเข้าและผลลัพธ์พร้อมกับความปลอดภัยของตัวแทน AI และการตรวจสอบ
• Output Reliability: AI model outputs require technical verification and a transparent, auditable process to establish trustworthiness. As AI agents scale, the correctness of AI model outputs becomes crucial.
• Deep Fakes: ภาพ, เสียง และวิดีโอที่ถูกปรับแก้ด้วย AI, ที่เรียกว่า "Deep Fakes," มีความท้าทายที่สำคัญเนื่องจากสามารถกระจ敗ข้อมูลที่ผิด สร้างความเสี่ยงด้านความปลอดภัย และลดความเชื่อถือของสาธารณชน

3. โซลูชันปัญญาประดิษฐ์ที่กระจาย

ข้อจำกัดหลักของ Web2 AI - การทำให้เป็นส่วนกลาง การเป็นเจ้าของข้อมูล และความ๏งใจ - กำลังถูกทำการด้วยบล็อกเชนและโทเค็นไทเซชัน Web3 นำเสนอการแก้ไขต่อไปนี้:

• เครือข่ายการคำนวณที่ไม่มีความเป็นจุดกลาง แทนที่จะใช้ผู้ให้บริการคลาวด์ระบบกลาง ๆ โมเดล AI สามารถใช้เครือข่ายการคำนวณแบ่งแยกสำหรับการฝึกฝนและการเรียกใช้งาน
• โครงสร้างแบบโมดูลาร์. ทีมขนาดเล็กสามารถใช้เครือข่ายคอมพิวเตอร์แบบกระจายและ DAO ข้อมูลเพื่อฝึกอบรมโมเดลใหม่ที่เฉพาะเจาะจง ผู้สร้างสามารถเสริมสร้างตัวแทนของพวกเขาด้วยเครื่องมือโมดูลาร์และองค์ประกอบอื่น ๆ
• ระบบที่โปร่งใสและสามารถตรวจสอบได้ Web3 สามารถให้วิธีที่สามารถตรวจสอบในการติดตามการพัฒนาและการใช้งานโมเดลด้วยบล็อกเชน ข้อมูลข้อมูลและผลลัพธ์ของโมเดลสามารถตรวจสอบได้ผ่านศาสตร์ศูนย์ศาสตร์ (ZKPs) และสภาพแวดล้อมการปฏิบัติที่เชื่อถือได้ (TEEs) และบันทึกไว้ถาวรบนเชน
• เจ้าของข้อมูลและความเชื่อมั่นในอำนาจของข้อมูล ข้อมูลสามารถถูกหยิบยื่นผ่านตลาดหรือ data DAOs ซึ่งจะจัดการข้อมูลเป็นทรัพย์สมาชิกและสามารถแจกจ่ายกำไรจากการใช้ข้อมูลไปยังผู้มีส่วนร่วมใน DAO
• การบูตเครือข่าย**การสะสมเสน่ห์โทเค็นสามารถช่วยเร่งเซ็ทเท็มเครือข่ายโดยการให้ค่าตอบแทนแก่ผู้มีส่วนร่วมในช่วงเริ่มต้นสำหรับการคำนวณแบบกระจาย ดาต้า DAOs และตลาดเอเจ้นต์ โทเค็นสามารถสร้างเสน่ห์ทางเศรษฐศาสตร์ในทันทีซึ่งช่วยให้เอาเรข้าในปัญหาการประสานเริ่มต้นที่ทำให้การนำเครือข่ายมีข้อจำกัด

4. ภูมิทัศน์เชาวน์เว็บ 3 AI

ทั้ง Web2 และ Web3 AI agent stacks แบ่งปันส่วนประกอบหลักเช่น model และ resource coordination, เครื่องมือและบริการอื่น ๆ, และระบบหน่วยความจำสำหรับการเก็บรักษาบริบท อย่างไรก็ตาม, incorporation ของเทคโนโลยีบล็อกเชนใน Web3 ช่วยให้สามารถกระจายทรัพยากรคำนวณ, โทเคนเพื่อกระตุ้นการแบ่งปันข้อมูลและการเป็นเจ้าของของผู้ใช้, การดำเนินการโดยไม่มีความเชื่อถือผ่านสมาร์ทคอนแทรก, และเครือข่ายการประสานแบบ bootstrapped

figure_4_web3_ai_agent_stack1920×3627 407 KB
รูปที่ 4. ระบบเอไอเว็บ 3 ของตัวตน.

ข้อมูล

เลเยอร์ข้อมูลเป็นพื้นฐานของ Web3 AI agent stack และรวมถึงทุกด้านของข้อมูล ซึ่งรวมถึงแหล่งข้อมูล การติดตามมาตรฐานและการยืนยันความถูกต้อง ระบบป้ายชื่อ เครื่องมืออัจฉริยะของข้อมูลสำหรับการวิเคราะห์และวิจัย และโซลูชันการเก็บรักษาข้อมูลต่างๆ สำหรับความต้องการในการเก็บรักษาข้อมูล

1. แหล่งข้อมูล. แหล่งข้อมูลแทนที่มาของข้อมูลต่าง ๆ ในนิเวศวิถี
   • Data DAOs. Data DAOs (VanaและMasa AI) คือองค์กรที่ดำเนินการโดยชุมชนซึ่งให้บริการในการแบ่งปันข้อมูลและการทำเงิน
   • ตลาดกลาง แพลตฟอร์ม (Ocean Protocol และ Sahara AI) สร้างตลาดที่ไม่ central สำหรับการแลกเปลี่ยนข้อมูล
   • ข้อมูลส่วนตัว ข้อมูลทางสังคม การเงิน และสุขภาพ สามารถทำให้ไม่สามารถระบุตัวตนและนำเข้าสู่โซนสำหรับผู้ใช้ทำกำไรได้ไคโตะ AI จัดทําดัชนีข้อมูลทางสังคมจาก X และสร้างข้อมูลความเชื่อมั่นผ่าน API ของพวกเขา
   • ข้อมูลสาธารณะ บริการ Web2 scraping ( หญ้า) รวบรวมข้อมูลสาธารณะ และจากนั้นดำเนินการก่อนประมวลผลเป็นข้อมูลโครงสร้างสำหรับการฝึก AI
   • ข้อมูลสังเคราะห์ ข้อมูลสาธารณะมี จํากัด และข้อมูลสังเคราะห์ตามข้อมูลจริงสาธารณะได้พิสูจน์แล้วว่าเป็นทางเลือกที่เหมาะสมสําหรับการฝึกอบรมแบบจําลอง AI Modeʻs Synth Subsetเป็นชุดข้อมูลราคาสังเคราะห์ที่สร้างขึ้นสำหรับการฝึกอบรมและทดสอบโมเดล AI
   • ออราเคิล Oracles รวบรวมข้อมูลจากแหล่งนอกเครือข่ายเพื่อเชื่อมต่อกับบล็อกเชนผ่านสัญญาอัจฉริยะ Oracles สําหรับ AI ประกอบด้วย โปรโตคอล Ora, เชนลิงค์และ Masa AI
2. ที่มา การพิสูจน์ข้อมูลเป็นสิ่งสําคัญสําหรับการรับรองความสมบูรณ์ของข้อมูลการลดอคติและความสามารถในการทําซ้ําใน AI ที่มาของข้อมูลจะติดตามที่มาของข้อมูลและบันทึกเชื้อสายของข้อมูล
   Web3 มีหลายวิธีในการพิสูจน์ข้อมูลที่มา รวมถึงการบันทึกข้อมูลต้นกำเนิดและการปรับเปลี่ยนบนโซนผ่านเมตาดาต้าที่ใช้บล็อกเชน (Ocean Protocol และโครงการ Origin ของ Filecoin) การติดตามลำดับข้อมูลผ่านกราฟความรู้แบบกระจายOriginTrail) และการสร้างพิสูจน์ที่ไม่ใช้ความรู้สึกสำหรับการตรวจสอบแหล่งที่มาของข้อมูลและการตรวจสอบ (Fact Fortress, เรียกคืนโปรโตคอล).
3. การป้ายชื่อ. การป้ายชื่อข้อมูลได้รับการต้องการจากมนุษย์ในการติดแท็กหรือป้ายชื่อข้อมูลสำหรับโมเดลการเรียนรู้แบบดูแล สิทธิตัวกรรมสามารถช่วยสร้างแรงงานจากประชาชนสำหรับการทำข้อมูลก่อนการเรียนรู้
   ใน Web2,Scale AI มีรายได้ต่อปี 1 พันล้านดอลลาร์และนับ OpenAI, Anthropic และ Cohere เป็นลูกค้า ใน Web3, โปรโตคอลมนุษย์ และ Ocean Protocol crowdsource data labeling and reward label contributors with tokens. Alaya AI และ Fetch.aiใช้ตัวแทน AI ในการติดป้ายข้อมูล
4. เครื่องมือข่าวกรองข้อมูล เครื่องมือข่าวกรองข้อมูลเป็นโซลูชันซอฟต์แวร์ที่วิเคราะห์และดึงข้อมูลเชิงลึกจากข้อมูล พวกเขาปรับปรุงคุณภาพของข้อมูลรับรองการปฏิบัติตามข้อกําหนดและความปลอดภัยและเพิ่มประสิทธิภาพโมเดล AI โดยการปรับปรุงคุณภาพข้อมูล
   บริษัทวิเคราะห์บล็อกเชนรวมถึง Arkham, แนนเซ็นและ Dune. การวิจัยนอกเครือข่ายโดย เมสซารี และการวิเคราะห์ความรู้สึกของสื่อสังคมออนไลน์โดย ไคโตะ นอกจากนี้ยังมี API สําหรับการใช้โมเดล AI
5. การจัดเก็บข้อมูล สิ่งจูงใจโทเค็นช่วยให้สามารถจัดเก็บข้อมูลแบบกระจายอํานาจและกระจายผ่านเครือข่ายโหนดอิสระ โดยทั่วไปข้อมูลจะถูกเข้ารหัสและแชร์ในหลายโหนดเพื่อรักษาความซ้ําซ้อนและความเป็นส่วนตัว
   Filecoin เป็นหนึ่งในโครงการจัดเก็บข้อมูลแบบกระจายตัวแรกที่อนุญาตให้ผู้คนเสนอพื้นที่ฮาร์ดไดรฟ์ที่ไม่ได้ใช้เพื่อจัดเก็บข้อมูลที่เข้ารหัสเพื่อแลกกับโทเค็น IPFS (InterPlanetary File System) สร้างเครือข่ายเพียร์ทูเพียร์สําหรับจัดเก็บและแบ่งปันข้อมูลโดยใช้แฮชการเข้ารหัสที่ไม่ซ้ํากัน อาร์วีฟ พัฒนาโซลูชันการจัดเก็บข้อมูลถาวรที่อุดหนุนต้นทุนการจัดเก็บด้วยรางวัลบล็อก สตอร์จ มี API ที่เข้ากันได้กับ S3 ซึ่งช่วยให้แอปพลิเคชันที่มีอยู่สามารถเปลี่ยนจากพื้นที่จัดเก็บบนคลาวด์เป็นพื้นที่จัดเก็บแบบกระจายอํานาจได้อย่างง่ายดาย

คํานวณ

เลเยอร์การประมวลผลให้โครงสร้างพื้นฐานการประมวลผลที่จําเป็นในการเรียกใช้การดําเนินงาน AI ทรัพยากรการประมวลผลสามารถแบ่งออกเป็นหมวดหมู่ระยะทาง: โครงสร้างพื้นฐานการฝึกอบรมสําหรับการพัฒนาแบบจําลองระบบอนุมานสําหรับการดําเนินการแบบจําลองและการดําเนินงานของตัวแทนและการประมวลผลขอบสําหรับการประมวลผลแบบกระจายอํานาจในท้องถิ่น

ทรัพยากรการประมวลผลแบบกระจายจะขจัดการพึ่งพาเครือข่ายคลาวด์แบบรวมศูนย์และเพิ่มความปลอดภัยลดปัญหาความล้มเหลวจุดเดียวและช่วยให้ บริษัท AI ขนาดเล็กสามารถใช้ประโยชน์จากทรัพยากรการประมวลผลส่วนเกินได้

1.การฝึกอบรม โมเดล AI การฝึกอบรมมีราคาแพงและเข้มข้นในการคํานวณ การประมวลผลการฝึกอบรมแบบกระจายอํานาจทําให้การพัฒนา AI เป็นประชาธิปไตยในขณะที่เพิ่มความเป็นส่วนตัวและความปลอดภัยเนื่องจากข้อมูลที่ละเอียดอ่อนสามารถประมวลผลภายในเครื่องได้โดยไม่ต้องมีการควบคุมจากส่วนกลาง
บิทเทนเซอร์ และ เครือข่าย Golem เป็นตลาดแบบกระจายอํานาจสําหรับทรัพยากรการฝึกอบรม AI Akash NetworkและPhalaให้ทรัพยากรการคำนวณแบบกระจายด้วย TEEs.เครือข่ายการแสดงผล นําเครือข่าย GPU กราฟิกมาใช้ใหม่เพื่อให้การประมวลผลสําหรับงาน AI

2.การอนุมาน การคํานวณการอนุมานหมายถึงทรัพยากรที่จําเป็นโดยแบบจําลองเพื่อสร้างเอาต์พุตใหม่หรือโดยแอปพลิเคชัน AI และตัวแทนเพื่อดําเนินการ แอ็พพลิเคชันแบบเรียลไทม์ที่ประมวลผลข้อมูลหรือเอเจนต์จํานวนมากที่ต้องการการดําเนินการหลายรายการจะใช้พลังการประมวลผลการอนุมานจํานวนมากขึ้น
ไฮเพอร์โบลิก, Dfinityและไฮเปอร์สเปซ เสนอการคํานวณการอนุมานโดยเฉพาะ การอนุมาน Labsʻs ออมรอนเป็นตลาดการตรวจสอบและการคำนวณทางโรงงานบน Bittensor ระบบเครือข่ายการคำนวณแบบกระจายเช่น Bittensor, Golem Network, Akash Network, Phala และ Render Network นำเสนอทั้งทราบและทางการคำนวณที่ใช้ทรัพยากร

3.การประมวลผล Edge Edge Computing เกี่ยวข้องกับการประมวลผลข้อมูลภายในอุปกรณ์ระยะไกล เช่น สมาร์ทโฟน, อุปกรณ์ IoT, หรือเซิร์ฟเวอร์ภายใน. Edge Computing ช่วยให้สามารถประมวลผลข้อมูลแบบเรียลไทม์และลดเวลาแฝงเนื่องจากโมเดลและข้อมูลทํางานภายในเครื่องเดียวกัน
เครือข่าย Gradient เป็นเครือข่ายเอดจ์คอมพิวติ้งบนโซลานา เครือข่ายขอบ, เครือข่าย Theta, และ AIOZallow for global edge computing.

การยืนยัน / ความเป็นส่วนตัว

เลเยอร์การตรวจสอบและความเป็นส่วนตัวช่วยให้มั่นใจได้ถึงความสมบูรณ์ของระบบและการปกป้องข้อมูล กลไกฉันทามติ Zero-Knowledge Proofs (ZKPs) และ TEEs ใช้เพื่อตรวจสอบการฝึกอบรมแบบจําลองการอนุมานและผลลัพธ์ FHE และ TEEs ใช้เพื่อรับรองความเป็นส่วนตัวของข้อมูล

1. การคำนวณที่สามารถตรวจสอบ การคำนวณที่สามารถตรวจสอบรวมถึงการฝึกโมเดลและการแยกแยะ
พลา และ เครือข่าย Atomaรวม TEEs กับการคำนวณที่สามารถยืนยันได้อนุมาน ใช้การรวมกันของ ZKPs และ TEEs สําหรับการอนุมานที่ตรวจสอบได้

2. หลักฐานเอาต์พุต หลักฐานเอาต์พุตจะตรวจสอบว่าเอาต์พุตโมเดล AI เป็นของแท้และไม่ได้ถูกดัดแปลงโดยไม่เปิดเผยพารามิเตอร์ของโมเดล หลักฐานผลลัพธ์ยังให้ที่มาและมีความสําคัญต่อการไว้วางใจการตัดสินใจของตัวแทน AI
zkMLและเครือข่ายแอซเท็ก ทั้งสองมีระบบ ZKP ที่พิสูจน์ความสมบูรณ์ของเอาต์พุตการคํานวณ หอยนางรม Marlinʻs ให้การอนุมาน AI ที่ตรวจสอบได้ผ่านเครือข่ายของ TEEs

3.ความเป็นส่วนตัวของข้อมูลและโมเดล FHE และเทคนิคการเข้ารหัสอื่น ๆ ช่วยให้โมเดลสามารถประมวลผลข้อมูลที่เข้ารหัสได้โดยไม่ต้องเปิดเผยข้อมูลที่ละเอียดอ่อน ความเป็นส่วนตัวของข้อมูลเป็นสิ่งจําเป็นเมื่อจัดการข้อมูลส่วนบุคคลและข้อมูลที่ละเอียดอ่อนและเพื่อรักษาความเป็นนิรนาม
พิธีสารโอเอซิสGate ให้บริการคอมพิวติ้งที่มีความลับผ่าน TEEs และการเข้ารหัสข้อมูลบล็อกเชน Partisia ใช้การประมวลผลแบบหลายฝ่าย (MPC) ขั้นสูงเพื่อให้ความเป็นส่วนตัวของข้อมูล AI

การประสานงาน

เลเยอร์การประสานงานให้ความสะดวกในการปฏิบัติต่อกันระหว่างส่วนประกอบต่าง ๆ ของระบบนิเวศ 3 ของ AI มันรวมถึงตลาดโมเดลสำหรับการกระจาย โครงสร้างการฝึกฝนและการปรับปรุง และเครือข่ายเอเจนต์สำหรับการสื่อสารระหว่างเอเจนต์และความร่วมมือ

1. เครือข่ายแบบจําลอง เครือข่ายโมเดลได้รับการออกแบบมาเพื่อแบ่งปันทรัพยากรสําหรับการพัฒนาโมเดล AI

• LLMs โมเดลภาษาขนาดใหญ่ต้องการการประมวลผลและทรัพยากรข้อมูลจํานวนมาก เครือข่าย LLM ช่วยให้นักพัฒนาสามารถปรับใช้โมเดลพิเศษได้
  Bittensor, ความรู้สึกและ Akash Network จัดหาทรัพยากรคอมพิวเตอร์และตลาดกลางให้กับผู้ใช้เพื่อสร้าง LLM บนเครือข่ายของตน
• ข้อมูลโครงสร้าง ระบบเครือข่ายข้อมูลโครงสร้างขึ้นอยู่กับชุดข้อมูลที่ปรับแต่งและดูแลอย่างเฉพาะเจาะจง
  บ่อ AIใช้โมเดลพื้นฐานกราฟเพื่อสร้างแอปพลิเคชันและเอเจนต์ที่ใช้ข้อมูลบล็อกเชน
• ตลาด. ตลาดช่วยให้สามารถหาเงินจากโมเดล AI, ตัวแทน และชุดข้อมูล
  Ocean Protocol ให้ตลาดสําหรับข้อมูลบริการประมวลผลข้อมูลล่วงหน้าแบบจําลองและเอาต์พุตแบบจําลอง ดึง AIเป็นตลาดตัวแทน AI

2. การฝึกอบรม / การปรับแต่งอย่างละเอียด เครือข่ายการฝึกอบรมมีความเชี่ยวชาญในการกระจายและจัดการชุดข้อมูลการฝึกอบรม เครือข่ายการปรับแต่งอย่างละเอียดมุ่งเน้นไปที่โซลูชันโครงสร้างพื้นฐานเพื่อเพิ่มความรู้ภายนอกของโมเดลผ่าน RAGs (Retrieval Augmented Generation) และ API
Bittensor, Akash Network และ Golem Network เสนอการฝึกอบรมและปรับแต่งเครือข่าย

เครือข่ายตัวแทน เครือข่ายตัวแทนให้บริการสำคัญสำหรับตัวแทน AI 2 ประการ: 1) เครื่องมือ และ 2) แพลตฟอร์มการเปิดตัวตัวแทน เครื่องมือรวมถึงการเชื่อมต่อกับโปรโตคอลอื่น ๆ อินเตอร์เฟซผู้ใช้มาตรฐาน และการสื่อสารกับบริการภายนอก แพลตฟอร์มการเปิดตัวตัวแทนช่วยให้ง่ายต่อการติดตั้งและการจัดการตัวแทน AI
ธีโอริก ใช้ประโยชน์จากฝูงตัวแทนเพื่อขับเคลื่อนโซลูชันการซื้อขาย DeFi Virtuals เป็น Launchpad ตัวแทน AI ชั้นนําบน Base Eliza OS เป็นเครือข่ายโมเดล LLM แบบโอเพ่นซอร์สแห่งแรก เครือข่ายอัลปาก้า และ เครือข่าย Olas เป็นแพลตฟอร์มตัวแทน AI ของชุมชน

บริการ

เลเยอร์บริการให้มิดเดิลแวร์และเครื่องมือที่จําเป็นซึ่งแอปพลิเคชันและเอเจนต์ AI จําเป็นต้องทํางานอย่างมีประสิทธิภาพ เลเยอร์นี้รวมถึงเครื่องมือการพัฒนา API สําหรับการรวมข้อมูลภายนอกและแอปพลิเคชันระบบหน่วยความจําสําหรับการเก็บรักษาบริบทของเอเจนต์ Retrieval-Augmented Generation (RAG) สําหรับการเข้าถึงความรู้ที่เพิ่มขึ้นและโครงสร้างพื้นฐานการทดสอบ

• เครื่อง มือ ชุดยูทิลิตี้หรือแอปพลิเคชันที่อํานวยความสะดวกให้กับฟังก์ชันต่างๆ ภายในเอเจนต์ AI:
  • ชำระ การรวมระบบการชําระเงินแบบกระจายอํานาจช่วยให้ตัวแทนสามารถทําธุรกรรมทางการเงินได้อย่างอิสระทําให้มั่นใจได้ถึงปฏิสัมพันธ์ทางเศรษฐกิจที่ราบรื่นภายในระบบนิเวศ Web3
    Coinbaseʻsเอเจนต์คิท ช่วยให้เอเจนต์ AI ทำการชำระเงินและโอนโทเค็น และ LangChain และ Payman เสนอให้ส่งและขอตัวเลือกการชําระเงินสําหรับตัวแทน
  • Launchpads แพลตฟอร์มที่ช่วยในการปรับใช้และปรับขนาดตัวแทน AI โดยจัดหาทรัพยากรเช่นการเปิดตัวโทเค็นการเลือกโมเดล API และการเข้าถึงเครื่องมือ
    โปรโตคอล Virtuals เป็น Launchpad ตัวแทน AI ชั้นนําที่ช่วยให้ผู้ใช้สามารถสร้าง ปรับใช้ และสร้างรายได้จากตัวแทน AI ได้ Top Hat และ Griffainเป็นเครื่องจักร AI บน Solana
  • การอนุญาต กลไกที่จัดการสิทธิ์และการควบคุมการเข้าถึง เพื่อให้แน่ใจว่าตัวแทนทํางานภายในขอบเขตที่กําหนดและรักษาโปรโตคอลความปลอดภัย
    Biconomy offers Session Keysสำหรับตัวแทนเพื่อให้แน่ใจว่าตัวแทนสามารถทำงานกับสัญญาอัจฉริยะที่อยู่ใน whitelist เท่านั้น
  • ความปลอดภัย การใช้มาตรการรักษาความปลอดภัยที่แข็งแกร่งเพื่อปกป้องตัวแทนจากภัยคุกคามสร้างความมั่นใจในความสมบูรณ์ของข้อมูลการรักษาความลับและความยืดหยุ่นต่อการโจมตี
    การรักษาความปลอดภัย GoPlusเพิ่มปลั๊กอินที่อนุญาตให้เอเจนต์ AI ของ ElizaOS ใช้คุณลักษณะการรักษาความปลอดภัยบนเชนที่ป้องกันการโกง การลวเคราะห์และธุรกรรมที่น่าสงสัยในเครือข่ายบล็อกเชนหลายรายการ
• Application Programming Interfaces (API) API อํานวยความสะดวกในการรวมข้อมูลและบริการภายนอกเข้ากับตัวแทน AI อย่างราบรื่น API การเข้าถึงข้อมูลช่วยให้เจ้าหน้าที่สามารถเข้าถึงข้อมูลแบบเรียลไทม์จากแหล่งข้อมูลภายนอกซึ่งช่วยเพิ่มความสามารถในการตัดสินใจ API บริการช่วยให้เจ้าหน้าที่สามารถโต้ตอบกับแอปพลิเคชันและบริการภายนอกเพื่อขยายฟังก์ชันการทํางานและการเข้าถึงได้
  Datai Networkให้ข้อมูลบล็อกเชนให้กับตัวแทน AI ผ่าน API ข้อมูลโครงสร้างSubQuery Network นําเสนอตัวทําดัชนีข้อมูลแบบกระจายอํานาจและตําแหน่งข้อมูล RPC สําหรับเอเจนต์และแอปพลิเคชัน AI
• Retrieval-Augmented Generation (RAG) Augmentation. RAG การเพิ่มเติมเสริมเติมความรู้โดยการผสม LLMs กับการเรียกรับข้อมูลภายนอก เพื่อเพิ่มความเข้าถึงของตัวแทน
  • การเรียกร้องข้อมูลแบบไดนามิก ตัวแทนสามารถดึงข้อมูลล่าสุดจากฐานข้อมูลภายนอกหรืออินเทอร์เน็ตเพื่อให้ได้คำตอบที่ถูกต้องและปัจจุบัน
  • การรวมความรู้ การรวมข้อมูลที่ดึงออกมาเข้าสู่กระบวนการสร้างช่วยให้เอเจนต์สร้างผลลัพธ์ที่มีข้อมูลมากขึ้นและสอดคล้องกับบริบทอย่างมีเหตุผล
• เครือข่าย Atoma นําเสนอการจัดการข้อมูลที่ปลอดภัยและ API ข้อมูลสาธารณะสําหรับ RAG ที่กําหนดเอง ElizaOS และ โปรโตคอล KIP提供代理插件到外部数据源，例如 X 和 Farcaster。
• Memory. AI agents require a memory system to retain context and to learn from their interactions. With context retention, agents maintain a history of interactions to provide coherent and contextually appropriate responses. Longer memory storage allows agents to store and analyze past interactions which can improve their performance and personalize user experiences over time.
  ElizaOSเสนอการจัดการหน่วยความจำเป็นอย่างหนึ่งในเครือข่ายเอเจ้นท์ของตนMem0AIและUnibase AIกำลังสร้างชั้นหน่วยความจำสำหรับแอปพลิเคชันและตัวแทนทางปัญญาประดิษฐ์
• การทดสอบโครงสร้างพื้นฐาน แพลตฟอร์มที่ออกแบบมาเพื่อให้แน่ใจถึงความเชื่อถือได้และความแข็งแกร่งของตัวแทน AI ตัวแทนสามารถทำงานในสภาพแวดล้อมการจำลองที่ควบคุมเพื่อประเมินประสิทธิภาพภายใต้สถานการณ์ต่างๆ แพลตฟอร์มการทดสอบช่วยให้สามารถตรวจสอบประสิทธิภาพและการประเมินต่อเนื่องของการดำเนินงานของตัวแทน เพื่อตรวจจับปัญหาใดๆ
  ผู้ช่วย AI Alchemyʻs, ChatWeb3สามารถทดสอบเอเจนต์ AI ผ่านการสืบค้นที่ซับซ้อนและการทดสอบการใช้งานฟังก์ชัน

Applications

เลเยอร์แอปพลิเคชันอยู่ที่ด้านบนของสแต็ก AI และแสดงถึงโซลูชันที่ผู้ใช้ปลายทางต้องเผชิญ ซึ่งรวมถึงตัวแทนที่แก้ปัญหากรณีการใช้งานเช่นการจัดการกระเป๋าเงินความปลอดภัยผลผลิตการเพิ่มตลาดการคาดการณ์ระบบการกํากับดูแลและเครื่องมือ DeFAI

• กระเป๋า สตางค์ ตัวแทน AI ปรับปรุงกระเป๋าเงิน Web3 โดยการตีความเจตนาของผู้ใช้และทําให้ธุรกรรมที่ซับซ้อนเป็นไปโดยอัตโนมัติซึ่งจะช่วยปรับปรุงประสบการณ์ของผู้ใช้
  Armor WalletและFoxWalletใช้ AI เอเจนต์เพื่อดำเนินการตามคำต้องการของผู้ใช้บนแพลตฟอร์ม DeFi และบล็อกเชน ทำให้ผู้ใช้สามารถป้อนคำต้องการผ่านอินเทอร์เฟซแบบแชทแพลตฟอร์มนักพัฒนา Coinbaseเสนอตัวเลือก AI agents MPC wallets ทำให้พวกเขาสามารถโอนโทเค็นได้อิสระ
• ความปลอดภัย ตัวแทน AI ตรวจสอบกิจกรรมบล็อกเชนเพื่อระบุพฤติกรรมที่ไม่เชื่อถือได้และธุรกรรมสมาร์ทคอนแทรคที่น่าสงสัย
  ChainAware.aiตัวตรวจจับซึ่งมีการประชาสัมพันธ์ถูกจับสำหรับความปลอดภัยของกระเป๋าเงินแบบเรียลไทม์และการตรวจสอบความเป็นไปได้ในการปฏิบัติตามข้อกำหนดของกฎหมายที่อยู่ในหลายๆบล็อกเชน ชั้นของตัวตรวจจับตรวจสอบกระเป๋าเงินสแกนกระเป๋าเงินเพื่อค้นหาช่องโหว่และให้คำแนะนำเพื่อเสริมความปลอดภัย
• Productivity. ตัวแทน AI ช่วยในการอัตโนมัติงาน การจัดการตารางเวลา และให้ข้อเสนอแนะอย่าง อัจฉริยะเพื่อเพิ่มประสิทธิภาพของผู้ใช้
  World3 features a no-code platform to design modular AI agents for tasks like social media management, Web3 token launches, and research assistance.
• การเล่นเกม ตัวแทน AI ดำเนินการตัวละครที่ไม่ใช่ผู้เล่น (NPC) ที่ปรับตัวตามการกระทำของผู้เล่นในเวลาจริง เพิ่มประสบการณ์ของผู้ใช้ พวกเขายังสามารถสร้างเนื้อหาในเกมและช่วยผู้เล่นใหม่ในการเรียนรู้เกม
  AI Arenaใช้ผู้เล่นมนุษย์และการเรียนรู้จำลองเพื่อฝึกตัวเอเจนต์เกม AIเครือข่าย Nimเป็นเครือข่ายเกม AI ซึ่งให้รหัสตัวแทนและ ZKP เพื่อยืนยันตัวแทนทั่วไปข้ามบล็อกเชนและเกมGame3s.GG ออกแบบตัวแทนที่สามารถนำทาง ความช่วยเหลือ และเล่นไปพร้อมกับผู้เล่นมนุษย์
• การพยากรณ์ เอไอเอเจนต์วิเคราะห์ข้อมูลเพื่อให้ข้อมูลข้อเสนอและสนับสนุนการตัดสินใจที่ชัดเจนสำหรับแพลตฟอร์มการพยากรณ์
  GOATs Predictorเป็นตัวแทน AI บนเครือข่าย Ton ที่ให้คำแนะนำที่มีพื้นฐานข้อมูลซินสเตชันเป็นตลาดพยากรณ์ที่เป็นเจ้าของชุมชนบน Soneium ซึ่งใช้เอไอเอเจนต์เพื่อช่วยผู้ใช้ในการตัดสินใจ
• การปกครอง ตัวแทน AI อำนวยความสะดวกให้กับการปกครององค์กรอิสระแบบกระจาย (DAO) โดยการอัตโนมัติในการประเมินข้อเสนอ การดำเนินการตรวจสอบอุณหภูมิของชุมชน การให้การโหวตโดยไม่มีซิบิล และการนำนโยบายมาใช้
  SyncAI Networkมีตัวแทน AI ที่ทำหน้าที่เป็นตัวแทนกระจายสำหรับระบบการปกครองของ Cardano. Olas ให้ตัวแทนการกํากับดูแลที่ร่างข้อเสนอ ลงคะแนน และจัดการกองทุน DAO ElizaOS มีตัวแทนที่รวบรวมข้อมูลและข้อเสนอการบริหารจากฟอรั่ม DAO และ Discord เพื่อให้คำแนะนำในการบริหาร
• เอเจนต์ DeFAI สามารถสว๊อปโทเค็น ระบุกลยุทธ์ทำให้ได้รายได้ ดำเนินกลยุทธ์การซื้อขาย และจัดการการทำสมดุลข้ามเชน เอเจนต์ผู้จัดการความเสี่ยงตรวจสอบกิจกรรมบนเชนเพื่อตรวจจับพฤติกรรมที่น่าสงสัย และถอนเงินสดถ้าจำเป็น
  โปรโตคอลเอไอเอเจนต์ของ Theoriqนำฝูงตัวติดตามมาบริหารจัดการธุรกรรม DeFi ที่ซับซ้อน ปรับปรุงสระเหลือเชื่อมและอัตโนมัติกลยุทธ์การเกษตรผลผลิตNoyaเป็นแพลตฟอร์ม DeFi ที่ใช้ AI agents สำหรับการจัดการความเสี่ยงและพอร์ตการลงทุน

โดยรวมแล้ว แอปพลิเคชันเหล่านี้มีส่วนสำคัญในการสร้างระบบ AI ที่ปลอดภัย 透明 และกระจายอย่างเหมาะสมต่อระบบนิเวศ Web3

สรุป

วิวัฒนาการจากระบบ Web2 เป็น Web3 AI แสดงถึงการเปลี่ยนแปลงพื้นฐานในวิธีที่เราเข้าใกล้การพัฒนาและการปรับใช้ปัญญาประดิษฐ์ ในขณะที่โครงสร้างพื้นฐาน AI แบบรวมศูนย์ของ Web2 ได้ขับเคลื่อนนวัตกรรมอันยิ่งใหญ่ แต่ก็ต้องเผชิญกับความท้าทายที่สําคัญเกี่ยวกับความเป็นส่วนตัวของข้อมูลความโปร่งใสและการควบคุมแบบรวมศูนย์ สแต็ค Web3 AI แสดงให้เห็นว่าระบบกระจายอํานาจสามารถจัดการกับข้อ จํากัด เหล่านี้ผ่าน DAOs ข้อมูลเครือข่ายคอมพิวเตอร์แบบกระจายอํานาจและระบบการตรวจสอบที่ไม่น่าเชื่อถือได้อย่างไร บางทีสิ่งจูงใจโทเค็นคือการสร้างกลไกการประสานงานใหม่ที่สามารถช่วยบูตสแตรปและรักษาเครือข่ายแบบกระจายอํานาจเหล่านี้ได้

เมื่อมองไปข้างหน้าการเพิ่มขึ้นของตัวแทน AI แสดงถึงพรมแดนถัดไปในวิวัฒนาการนี้ ดังที่เราจะสํารวจในบทความถัดไปตัวแทน AI ตั้งแต่บอทเฉพาะงานไปจนถึงระบบอัตโนมัติที่ซับซ้อนกําลังมีความซับซ้อนและมีความสามารถมากขึ้น การรวมตัวแทนเหล่านี้เข้ากับโครงสร้างพื้นฐาน Web3 รวมกับการพิจารณาอย่างรอบคอบเกี่ยวกับสถาปัตยกรรมทางเทคนิคแรงจูงใจทางเศรษฐกิจและโครงสร้างการกํากับดูแลมีศักยภาพในการสร้างระบบที่เท่าเทียมกันโปร่งใสและมีประสิทธิภาพมากกว่าที่เป็นไปได้ในยุค Web2 การทําความเข้าใจว่าเจ้าหน้าที่เหล่านี้ทํางานอย่างไรระดับความซับซ้อนที่แตกต่างกันและความแตกต่างระหว่างตัวแทน AI และ AI ที่เป็นตัวแทนอย่างแท้จริงจะเป็นสิ่งสําคัญสําหรับทุกคนที่ทํางานที่จุดตัดของ AI และ Web3

คำปฏิเสธ:

1. บทความนี้ถูกคัดลอกมาจาก [Gateแฟลชบอท]. ลิขสิทธิ์ทั้งหมดเป็นของผู้เขียนต้นฉบับ [tesa]. หากมีการคัดค้านการพิมพ์ซ้ํานี้โปรดติดต่อ Gate Learn ทีมและพวกเขาจะจัดการกับมันทันที
2. คำประกาศความรับผิด: มุมมองและความคิดเห็นที่แสดงในบทความนี้เป็นเพียงของผู้เขียนเท่านั้น และไม่เป็นการให้คำแนะนำทางการลงทุนใดๆ
3. ทีม Gate Learn ทำการแปลบทความเป็นภาษาอื่น ๆ การคัดลอก การแจกจ่าย หรือการลอกเลียนบทความที่ถูกแปลนั้นถูกห้าม ยกเว้นระบุไว้เป็นอย่างอื่น