Sora橫空出世，2024或成AI+Web3變革元年？
原文標(biāo)題：《Sora 橫空出世，2024 或成 AI+Web3 變革元年？》
原文作者： Zeke，YBB Capital
前言
2 月 16 日，OpenAI 公布了最新的文本控制視頻生成擴(kuò)散模型「Sora」，通過多段涵蓋的廣泛視覺數(shù)據(jù)類型的高質(zhì)量生成視頻，展現(xiàn)了生成式 AI 的又一個里程碑時刻。不同于 Pika 這類 AI 視頻生成工具還處于用多張圖像生成幾秒視頻的狀態(tài)，Sora 通過在視頻和圖像的壓縮潛在空間中訓(xùn)練，將其分解為時空位置補(bǔ)丁，實(shí)現(xiàn)了可擴(kuò)展的視頻生成。除此之外該模型還體現(xiàn)出了模擬物理世界和數(shù)字世界的能力，最終呈現(xiàn)的 60 秒 Demo，說是「物理世界的通用模擬器」也并不為過。
而在構(gòu)建方式上，Sora 延續(xù)了此前 GPT 模型「源數(shù)據(jù)-Transformer-Diffusion-涌現(xiàn)」的技術(shù)路徑，這意味著其發(fā)展成熟同樣需要算力作為引擎，且由于視頻訓(xùn)練所需數(shù)據(jù)量遠(yuǎn)大于文本訓(xùn)練的數(shù)據(jù)量，對于算力的需求還將進(jìn)一步拉大。但我們在早期的文章《潛力賽道前瞻：去中心化算力市場》中已經(jīng)探討過算力在 AI 時代的重要性，并且隨著近期 AI 熱度的不斷攀升，市面上已經(jīng)有大量算力項(xiàng)目開始涌現(xiàn)，而被動受益的其它 Depin 項(xiàng)目（存儲、算力等）也已經(jīng)迎來一波暴漲。那么除了 Depin 之外，Web3 與 AI 的交織還能碰撞出怎樣的火花？這條賽道里還蘊(yùn)含著怎樣的機(jī)會？本文的主要目的是對過往文章的一次更新與補(bǔ)全，并思考 AI 時代下的 Web3 存在哪些可能。
AI發(fā)展史的三大方向
人工智能 (Artificial Intelligence) 是一門旨在模擬、擴(kuò)展和增強(qiáng)人類智能的新興科學(xué)技術(shù)。人工智能自二十世紀(jì)五六十年代誕生以來，在經(jīng)歷了半個多世紀(jì)的發(fā)展后，現(xiàn)已成為推動社會生活和各行各業(yè)變革的重要技術(shù)。在這一過程中，符號主義、連接主義和行為主義三大研究方向的相互交織發(fā)展，成為了如今 AI 飛速發(fā)展的基石。
符號主義 (Symbolism)
亦稱邏輯主義或規(guī)則主義，認(rèn)為通過處理符號來模擬人類智能是可行的。這種方法通過符號來表示和操作問題領(lǐng)域內(nèi)的對象、概念及其相互關(guān)系，并利用邏輯推理來解決問題，尤其在專家系統(tǒng)和知識表示方面已取得顯著成就。符號主義的核心觀點(diǎn)是智能行為可以通過對符號的操作和邏輯推理來實(shí)現(xiàn)，其中符號代表對現(xiàn)實(shí)世界的高度抽象；
連接主義 (Connectionism)
或稱為神經(jīng)網(wǎng)絡(luò)方法，旨在通過模仿人腦的結(jié)構(gòu)和功能來實(shí)現(xiàn)智能。該方法通過構(gòu)建由眾多簡單處理單元（類似神經(jīng)元）組成的網(wǎng)絡(luò)，并通過調(diào)整這些單元間的連接強(qiáng)度（類似突觸）來實(shí)現(xiàn)學(xué)習(xí)。連接主義特別強(qiáng)調(diào)從數(shù)據(jù)中學(xué)習(xí)和泛化的能力，特別適用于模式識別、分類及連續(xù)輸入輸出映射問題。深度學(xué)習(xí)，作為連接主義的發(fā)展，已在圖像識別、語音識別和自然語言處理等領(lǐng)域取得突破；
行為主義 (Behaviorism)
行為主義則與仿生機(jī)器人學(xué)和自主智能系統(tǒng)的研究緊密相關(guān)，強(qiáng)調(diào)智能體能夠通過與環(huán)境的交互學(xué)習(xí)。與前兩者不同，行為主義不專注于模擬內(nèi)部表征或思維過程，而是通過感知和行動的循環(huán)實(shí)現(xiàn)適應(yīng)性行為。行為主義認(rèn)為，智能通過與環(huán)境的動態(tài)交互、學(xué)習(xí)而展現(xiàn)，這種方法應(yīng)用于需要在復(fù)雜和不可預(yù)測環(huán)境中行動的移動機(jī)器人和自適應(yīng)控制系統(tǒng)中時，顯得尤為有效。
盡管這三個研究方向存在本質(zhì)區(qū)別，但在實(shí)際的 AI 研究和應(yīng)用中，它們也可以相互作用和融合，共同推動 AI 領(lǐng)域的發(fā)展。
AIGC原理概述
現(xiàn)階段正在經(jīng)歷爆炸式發(fā)展的生成式 AI（Artificial Intelligence Generated Content，簡稱 AIGC），便是對于連接主義的一種演化和應(yīng)用，AIGC 能夠模仿人類創(chuàng)造力生成新穎的內(nèi)容。這些模型使用大型數(shù)據(jù)集和深度學(xué)習(xí)算法進(jìn)行訓(xùn)練，從而學(xué)習(xí)數(shù)據(jù)中存在的底層結(jié)構(gòu)、關(guān)系和模式。根據(jù)用戶的輸入提示，生成新穎獨(dú)特的輸出結(jié)果，包括圖像、視頻、代碼、音樂、設(shè)計、翻譯、問題回答和文本。而目前的 AIGC 基本由三個要素構(gòu)成：深度學(xué)習(xí)（Deep Learning，簡稱 DL）、大數(shù)據(jù)、大規(guī)模算力。
深度學(xué)習(xí)
深度學(xué)習(xí)是機(jī)器學(xué)習(xí)（ML）的一個子領(lǐng)域，深度學(xué)習(xí)算法是仿照人腦建模的神經(jīng)網(wǎng)絡(luò)。例如，人腦包含數(shù)百萬個相互關(guān)聯(lián)的神經(jīng)元，它們協(xié)同工作以學(xué)習(xí)和處理信息。同樣，深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)（或人工神經(jīng)網(wǎng)絡(luò)）是由在計算機(jī)內(nèi)部協(xié)同工作的多層人工神經(jīng)元組成的。人工神經(jīng)元是稱為節(jié)點(diǎn)的軟件模塊，它使用數(shù)學(xué)計算來處理數(shù)據(jù)。人工神經(jīng)網(wǎng)絡(luò)是使用這些節(jié)點(diǎn)來解決復(fù)雜問題的深度學(xué)習(xí)算法。
從層次上劃分神經(jīng)網(wǎng)絡(luò)可分為輸入層、隱藏層、輸出層，而不同層之間連接的便是參數(shù)。
● 輸入層（Input Layer）：輸入層是神經(jīng)網(wǎng)絡(luò)的第一層，負(fù)責(zé)接收外部輸入的數(shù)據(jù)。輸入層的每個神經(jīng)元對應(yīng)于輸入數(shù)據(jù)的一個特征。例如，在處理圖像數(shù)據(jù)時，每個神經(jīng)元可能對應(yīng)于圖像的一個像素值；
● 隱藏層（Hidden Layer）：輸入層處理數(shù)據(jù)并將其傳遞到神經(jīng)網(wǎng)絡(luò)中更遠(yuǎn)的層。這些隱藏層在不同層級處理信息，在接收新信息時調(diào)整其行為。深度學(xué)習(xí)網(wǎng)絡(luò)有數(shù)百個隱藏層，可用于從多個不同角度分析問題。例如，你得到了一張必須分類的未知動物的圖像，則可以將其與你已經(jīng)認(rèn)識的動物進(jìn)行比較。比如通過耳朵形狀、腿的數(shù)量、瞳孔的大小來判斷這是什么動物。深度神經(jīng)網(wǎng)絡(luò)中的隱藏層以相同的方式工作。如果深度學(xué)習(xí)算法試圖對動物圖像進(jìn)行分類，則其每個隱藏層都會處理動物的不同特征并嘗試對其進(jìn)行準(zhǔn)確的分類；
● 輸出層（Output Layer）：輸出層是神經(jīng)網(wǎng)絡(luò)的最后一層，負(fù)責(zé)生成網(wǎng)絡(luò)的輸出。輸出層的每個神經(jīng)元代表一個可能的輸出類別或值。例如，在分類問題中，每個輸出層神經(jīng)元可能對應(yīng)于一個類別，而在回歸問題中，輸出層可能只有一個神經(jīng)元，其值表示預(yù)測結(jié)果；
● 參數(shù)：在神經(jīng)網(wǎng)絡(luò)中，不同層之間的連接由權(quán)重（Weights）和偏置（Biases）參數(shù)表示，這些參數(shù)在訓(xùn)練過程中被優(yōu)化以使網(wǎng)絡(luò)能夠準(zhǔn)確地識別數(shù)據(jù)中的模式和進(jìn)行預(yù)測。參數(shù)的增加可以提高神經(jīng)網(wǎng)絡(luò)的模型容量，即模型能夠?qū)W習(xí)和表示數(shù)據(jù)中復(fù)雜模式的能力。但相對應(yīng)的是參數(shù)的增加會提升對算力的需求。
大數(shù)據(jù)
為了有效訓(xùn)練，神經(jīng)網(wǎng)絡(luò)通常需要大量、多樣及質(zhì)量高和多源的數(shù)據(jù)。它是機(jī)器學(xué)習(xí)模型訓(xùn)練和驗(yàn)證的基礎(chǔ)。通過分析大數(shù)據(jù)，機(jī)器學(xué)習(xí)模型可以學(xué)習(xí)數(shù)據(jù)中的模式和關(guān)系，從而進(jìn)行預(yù)測或分類。
大規(guī)模算力
神經(jīng)網(wǎng)絡(luò)的多層復(fù)雜結(jié)構(gòu)，大量參數(shù)，大數(shù)據(jù)處理需求，迭代訓(xùn)練方式（在訓(xùn)練階段，模型需要反復(fù)迭代，訓(xùn)練過程中需要對每一層計算進(jìn)行前向傳播和反向傳播，包括激活函數(shù)的計算、損失函數(shù)的計算、梯度的計算和權(quán)重的更新），高精度計算需求，并行計算能力，優(yōu)化和正則化技術(shù)以及模型評估和驗(yàn)證過程共同導(dǎo)致了其對高算力的需求。
Sora
作為 OpenAI 最新發(fā)布的視頻生成 AI 模型，Sora 代表了人工智能處理和理解多樣化視覺數(shù)據(jù)能力的巨大進(jìn)步。通過采用視頻壓縮網(wǎng)絡(luò)和空間時間補(bǔ)丁技術(shù)，Sora 能夠?qū)碜允澜绺鞯?、不同設(shè)備拍攝的海量視覺數(shù)據(jù)轉(zhuǎn)換為統(tǒng)一的表現(xiàn)形式，從而實(shí)現(xiàn)了對復(fù)雜視覺內(nèi)容的高效處理和理解。依托于文本條件化的 Diffusion 模型，Sora 能夠根據(jù)文本提示生成與之高度匹配的視頻或圖片，展現(xiàn)出極高的創(chuàng)造性和適應(yīng)性。
不過，盡管 Sora 在視頻生成和模擬真實(shí)世界互動方面取得了突破，但仍面臨一些局限性，包括物理世界模擬的準(zhǔn)確性、長視頻生成的一致性、復(fù)雜文本指令的理解以及訓(xùn)練與生成效率。并且 Sora 本質(zhì)上還是通過 OpenAI 壟斷級的算力和先發(fā)優(yōu)勢，延續(xù)「大數(shù)據(jù)-Transformer-Diffusion-涌現(xiàn)」這條老技術(shù)路徑達(dá)成了一種暴力美學(xué)，其它 AI 公司依然存在著通過技術(shù)彎道超車的可能。
雖然 Sora 與區(qū)塊鏈的關(guān)系并不大，但個人認(rèn)為之后的一兩年里。因?yàn)?Sora 的影響，會迫使其它高質(zhì)量 AI 生成工具出現(xiàn)并快速發(fā)展，并且將輻射到 Web3 內(nèi)的 GameFi、社交、創(chuàng)作平臺、Depin 等多條賽道，所以對于 Sora 有個大致了解是必要的，未來的 AI 將如何有效的與 Web3 結(jié)合，也許是我們需要思考的一個重點(diǎn)。
AI+Web3的四大路徑
如上文所訴，我們可以知道，生成式 AI 所需的底層基座其實(shí)只有三點(diǎn)：算法、數(shù)據(jù)、算力，另一方面從泛用性和生成效果來看 AI 是顛覆生產(chǎn)方式的工具。 而區(qū)塊鏈最大的作用有兩點(diǎn)：重構(gòu)生產(chǎn)關(guān)系以及去中心化。所以兩者碰撞所能產(chǎn)生的路徑我個人認(rèn)為有如下四種：
去中心化算力
由于過去已經(jīng)寫過相關(guān)文章，所以本段的主要目的是更新一下算力賽道的近況。當(dāng)談到 AI 時，算力永遠(yuǎn)是難以繞開的一環(huán)。AI 對于算力的需求之大，在 Sora 誕生之后已經(jīng)是難以想象了。而近期，在瑞士達(dá)沃斯 2024 年度世界經(jīng)濟(jì)論壇期間，OpenAI 首席執(zhí)行官山姆·奧特曼更是直言算力和能源是現(xiàn)階段最大的枷鎖，兩者在未來的重要性甚至?xí)韧谪泿?。而在隨后的 2 月 10 日，山姆·奧特曼在推上發(fā)表了一個極為驚人的計劃，融資 7 萬億美元（相當(dāng)于中國 23 年全國 GDP 的 40%）改寫目前全球的半導(dǎo)體產(chǎn)業(yè)格局，創(chuàng)立一家芯片帝國。在寫算力相關(guān)的文章時，我的想象力還局限在國家封鎖，巨頭壟斷，如今一家公司就想要控制全球半導(dǎo)體產(chǎn)業(yè)真的還是挺瘋狂的。
所以去中心化算力的重要性自然不言而喻，區(qū)塊鏈的特性確實(shí)能解決目前算力極度壟斷的問題，以及購置專用 GPU 價格昂貴的問題。從 AI 所需的角度來看，算力的使用可以分為推理和訓(xùn)練兩種方向，主打訓(xùn)練的項(xiàng)目，目前還是寥寥無幾，從去中心化網(wǎng)絡(luò)需要結(jié)合神經(jīng)網(wǎng)絡(luò)設(shè)計，再到對于硬件的超高需求，注定是門檻極高且落地極難的一種方向。而推理相對來說簡單很多，一方面是在去中心化網(wǎng)絡(luò)設(shè)計上并不復(fù)雜，二是硬件和帶寬需求較低，算是目前比較主流的方向。
中心化算力市場的想象空間是巨大的，常常與「萬億級」這個關(guān)鍵詞掛鉤，同時也是 AI 時代下最容易被頻繁炒作的話題。不過從近期大量涌現(xiàn)的項(xiàng)目來看，絕大部分還是屬于趕鴨子上架，蹭熱度?？偸歉吲e去中心化的正確旗幟，卻閉口不談去中心化網(wǎng)絡(luò)的低效問題。并且在設(shè)計上存在高度同質(zhì)化，大量的項(xiàng)目非常相似（一鍵 L2 加挖礦設(shè)計），最終可能會導(dǎo)致一地雞毛，這樣的情況想要從傳統(tǒng) AI 賽道分一杯羹著實(shí)困難。
算法、模型協(xié)作系統(tǒng)
機(jī)器學(xué)習(xí)算法，是指這些算法能夠從數(shù)據(jù)中學(xué)習(xí)規(guī)律和模式，并據(jù)此做出預(yù)測或決策。算法是技術(shù)密集型的，因?yàn)樗鼈兊脑O(shè)計和優(yōu)化需要深厚的專業(yè)知識和技術(shù)創(chuàng)新。算法是訓(xùn)練 AI 模型的核心，它定義了數(shù)據(jù)如何被轉(zhuǎn)化為有用的見解或決策。較為常見的生成式 AI 算法比如生成對抗網(wǎng)絡(luò)（GAN）、變分自編碼器（VAE）、轉(zhuǎn)換器（Transformer），每個算法都是為了一個特定領(lǐng)域（比如繪畫、語言識別、翻譯、視頻生成）或者說目的而生，再通過算法訓(xùn)練出專用的 AI 模型。
那么如此之多的算法和模型，都是各有千秋，我們是否能將其整合為一種能文能武的模型？近期熱度高漲的 Bittensor 便是這個方向的領(lǐng)頭者，通過挖礦激勵的方式讓不同 AI 模型和算法相互協(xié)作與學(xué)習(xí)，從而創(chuàng)作出更高效全能的 AI 模型。而同樣以這個方向?yàn)橹鞯倪€有 Commune AI（代碼協(xié)作）等，不過算法和模型對于現(xiàn)在的 AI 公司來說，都是自家的看門法寶，并不會隨意外借。
所以 AI 協(xié)作生態(tài)這種敘事很新奇有趣，協(xié)作生態(tài)系統(tǒng)利用了區(qū)塊鏈的優(yōu)勢去整合 AI 算法孤島的劣勢，但是否能創(chuàng)造出對應(yīng)的價值目前尚未可知。畢竟頭部 AI 公司的閉源算法和模型，更新迭代與整合的能力非常強(qiáng)，比如 OpenAI 發(fā)展不到兩年，已從早期文本生成模型迭代到多領(lǐng)域生成的模型，Bittensor 等項(xiàng)目在模型和算法所針對的領(lǐng)域也許要另辟蹊徑。
去中心化大數(shù)據(jù)
從簡單的角度來說，將私有數(shù)據(jù)用來喂 AI 以及對數(shù)據(jù)進(jìn)行標(biāo)記都是與區(qū)塊鏈非常契合的方向，只需要注意如何防止垃圾數(shù)據(jù)以及作惡，并且數(shù)據(jù)存儲上也能使 FIL、AR 等 Depin 項(xiàng)目受益。而從復(fù)雜的角度來說，將區(qū)塊鏈數(shù)據(jù)用于機(jī)器學(xué)習(xí)（ML），從而解決區(qū)塊鏈數(shù)據(jù)的可訪問性也是一種有趣的方向（Giza 的摸索方向之一）。
在理論上，區(qū)塊鏈數(shù)據(jù)可隨時訪問，反映了整個區(qū)塊鏈的狀態(tài)。但對于區(qū)塊鏈生態(tài)系統(tǒng)之外的人來說，獲取這些龐大數(shù)據(jù)量并不容易。完整存儲一條區(qū)塊鏈需要豐富的專業(yè)知識和大量的專門硬件資源。為了克服訪問區(qū)塊鏈數(shù)據(jù)的挑戰(zhàn)，行業(yè)內(nèi)出現(xiàn)了幾種解決方案。例如，RPC 提供商通過 API 訪問節(jié)點(diǎn)，而索引服務(wù)則通過 SQL 和 GraphQL 使數(shù)據(jù)提取變得可能，這兩種方式在解決問題上發(fā)揮了關(guān)鍵作用。然而，這些方法存在局限性。RPC 服務(wù)并不適合需要大量數(shù)據(jù)查詢的高密度使用場景，經(jīng)常無法滿足需求。同時，盡管索引服務(wù)提供了更有結(jié)構(gòu)的數(shù)據(jù)檢索方式，但 Web3 協(xié)議的復(fù)雜性使得構(gòu)建高效查詢變得極其困難，有時需要編寫數(shù)百甚至數(shù)千行復(fù)雜的代碼。這種復(fù)雜性對于一般的數(shù)據(jù)從業(yè)者和對 Web3 細(xì)節(jié)了解不深的人來說是一個巨大的障礙。這些限制的累積效應(yīng)凸顯了需要一種更易于獲取和利用區(qū)塊鏈數(shù)據(jù)的方法，可以促進(jìn)該領(lǐng)域更廣泛的應(yīng)用和創(chuàng)新。
那么通過 ZKML（零知識證明機(jī)器學(xué)習(xí)，降低機(jī)器學(xué)習(xí)對于鏈的負(fù)擔(dān)）結(jié)合高質(zhì)量的區(qū)塊鏈數(shù)據(jù)，也許能創(chuàng)造出解決區(qū)塊鏈可訪問性的數(shù)據(jù)集，而 AI 能大幅降低區(qū)塊鏈數(shù)據(jù)可訪問性的門檻，那么隨著時間的推移，開發(fā)者、研究人員和 ML 領(lǐng)域的愛好者將能夠訪問到更多高質(zhì)量、相關(guān)的數(shù)據(jù)集，用于構(gòu)建有效和創(chuàng)新的解決方案。
AI 賦能 Dapp
自 23 年，ChatGPT3 爆火以來，AI 賦能 Dapp 已經(jīng)是一個非常常見的方向。泛用性極廣的生成式 AI，可以通過 API 接入，從而簡化且智能化分析數(shù)據(jù)平臺、交易機(jī)器人、區(qū)塊鏈百科等應(yīng)用。另一方面，也可以扮演聊天機(jī)器人（比如 Myshell）或者 AI 伴侶（Sleepless AI），甚至通過生成式 AI 創(chuàng)造鏈游中的 NPC。但由于技術(shù)壁壘很低，大部分都是接入一個 API 之后進(jìn)行微調(diào)，與項(xiàng)目本身的結(jié)合也不夠完美，所以很少被人提起。
但在 Sora 到來之后，我個人認(rèn)為 AI 賦能 GameFi（包括元宇宙）與創(chuàng)作平臺的方向?qū)⑹墙酉聛黻P(guān)注的重點(diǎn)。因?yàn)?Web3 領(lǐng)域自下而上的特性，肯定很難誕生出一些與傳統(tǒng)游戲或是創(chuàng)意公司抗衡的產(chǎn)品，而 Sora 的出現(xiàn)很可能會打破這一窘境（也許只用兩到三年）。以 Sora 的 Demo 來看，其已具備和微短劇公司競爭的潛力，Web3 活躍的社區(qū)文化也能誕生出大量有趣的 Idea，而當(dāng)限制條件只有想象力的時候，自下而上的行業(yè)與自上而下的傳統(tǒng)行業(yè)之間的壁壘將被打破。
結(jié)語
隨著生成式 AI 工具的不斷進(jìn)步，我們未來還將經(jīng)歷更多劃時代的「iPhone 時刻」。盡管許多人對 AI 與 Web3 的結(jié)合嗤之以鼻，但實(shí)際上我認(rèn)為目前的方向大多沒有問題，需要解決的痛點(diǎn)其實(shí)只有三點(diǎn)，必要性、效率、契合度。兩者的融合雖處于探索階段，卻并不妨礙這條賽道成為下個牛市的主流。
對新事物永遠(yuǎn)保持足夠的好奇心和接納度是我們需要必備的心態(tài)，歷史上，汽車取代馬車的轉(zhuǎn)變瞬息之間便已成定局，亦如同銘文和過去的 NFT 一樣，持有太多偏見只會和機(jī)遇失之交臂。
你可能感興趣的文章
-
Worldcoin暴漲原因是因?yàn)橛ミ_(dá)和Sora？WLD沖破8.4美元再創(chuàng)新高！
由OpenAI執(zhí)行長Sam Altman支持的加密貨幣項(xiàng)目Worldcoin，近期似乎受到英偉達(dá)財報亮眼、OpenAI新模型Sora激勵持續(xù)暴漲，今天沖高8.4美元再創(chuàng)新高,更多詳細(xì)資訊請看下面正文…
2024-02-23 -
還未開放，Sora怎么就震驚了互聯(lián)網(wǎng)圈？
還未開放公眾測試，OpenAI 憑借文本生成視頻模型 Sora 制作的預(yù)告片，就把科技圈、互聯(lián)網(wǎng)、社交媒體圈給震驚了,OpenAI 直接稱它為「世界模擬器」，能夠模擬物理世界中的人…
2024-02-21 -
AI概念幣種市值已突破120億美元！Sora熱潮下LPT飆漲150%
隨著AI成為了熱門話題，區(qū)塊鏈要如何與之結(jié)合也成為投資者關(guān)注方向,據(jù)Stocklytics.com數(shù)據(jù)，目前與生成式AI相關(guān)的代幣市值已超過120億美元,更多詳細(xì)關(guān)于AI概念幣種市值已突…
2024-02-19 -
Sora Ventures投資Bitcoin Magazine 300萬！成立首個比特幣生態(tài)基金
這篇文章主要介紹了Sora Ventures投資Bitcoin Magazine 300萬！成立首個比特幣生態(tài)基金的相關(guān)資料,需要的朋友可以參考下…
2023-06-02 -
超越技術(shù)的界限：AI+Web3 的未來發(fā)展之道
跨越技術(shù)邊界：AI與Web3的未來融合之路，隨著科技的飛速發(fā)展，人工智能（AI）與Web3的結(jié)合正在開創(chuàng)全新的未來,這種結(jié)合不僅超越了單純的技術(shù)層面，更在深層次上改變了我們…
2024-01-29 -
超越技術(shù)的界限：AI+Web3的未來發(fā)展之道
本篇文章通過10個代表性AI+Web3的項(xiàng)目，洞察2024年AI+Web3的可能十大發(fā)展趨勢…
2024-01-29 -
空投6%，一文讀懂OKX Jumpstart項(xiàng)目Web3通信協(xié)議Dmail
1月24日，OKX Jumpstart宣布即將上線新項(xiàng)目Dmail，引發(fā)社交媒體廣泛討論,伴隨去中心化治理的臨近，Dmail有望持續(xù)領(lǐng)跑Web3基礎(chǔ)設(shè)施賽道,本文將帶大家詳細(xì)了解OKX Jumpstart…
2024-01-24 -
BNB Chain多鏈解讀：如何滿足Web3大規(guī)模采用的多樣場景？
Greenfield上線，給BNB Chain帶來革新力，本文對BNB Chain多鏈解讀，如何滿足Web3大規(guī)模采用的多樣場景…
2023-10-20 -
ZKML與分布式算力：AI與Web3的潛在治理敘事
這篇文章主要介紹了ZKML與分布式算力：AI與Web3的潛在治理敘事的相關(guān)資料,需要的朋友可以參考下…
2023-06-29 -
幣安整合ChatGPT！推出AI聊天機(jī)器人教你學(xué)習(xí)Web3知識
這篇文章主要介紹了幣安整合ChatGPT！推出AI聊天機(jī)器人教你學(xué)習(xí)Web3知識的相關(guān)資料,需要的朋友可以參考下…
2023-04-25
