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

Tác giả: Zeke, YBB Capital; Bản dịch: 0xjs@金财经

Lời nói đầu

Ngày 16 tháng 2, OpenAI công bố ra mắt thế hệ video Vincent mới nhất mang tên "Sora" Diffusion các mô hình, với khả năng tạo video chất lượng cao trên nhiều loại dữ liệu hình ảnh khác nhau, đánh dấu một cột mốc quan trọng khác trong lĩnh vực AI tổng hợp. 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, phân tách chúng thành các bản vá không gian và thời gian để tạo ra các video có thể mở rộng. Ngoài ra, mô hình này còn thể hiện khả năng mô phỏng cả thế giới vật lý và thế giới kỹ thuật số, với phần trình diễn dài 60 giây được mô tả là "trình mô phỏng phổ quát cho thế giới vật lý".

Sora tiếp tục con đường công nghệ "chuyển đổi dữ liệu nguồn-khuếch tán-xuất hiện" trong mô hình GPT trước đó, cho thấy rằng mức độ trưởng thành trong quá trình phát triển của nó cũng phụ thuộc vào sức mạnh tính toán. Do đào tạo qua video đòi hỏi lượng dữ liệu lớn hơn văn bản nên nhu cầu về sức mạnh tính toán của nó dự kiến ​​sẽ tăng hơn nữa. Tuy nhiên, như đã thảo luận trong bài viết trước của chúng tôi "Triển vọng ngành tiềm năng: Thị trường điện toán phi tập trung", tầm quan trọng của sức mạnh tính toán trong kỷ nguyên AI đã được thảo luận. Với sự phổ biến ngày càng tăng của AI, nhiều dự án sức mạnh tính toán đã xuất hiện, được tạo ra, mang lại lợi ích cho các dự án DePIN (lưu trữ, sức mạnh tính toán, v.v.) và giá trị của chúng đã tăng lên. Ngoài DePIN, bài viết này nhằm mục đích cập nhật và cải thiện các cuộc thảo luận trước đây, suy nghĩ về những tia sáng có thể xảy ra do sự giao thoa giữa Web3 và AI, cũng như các cơ hội theo hướng này trong kỷ nguyên AI.

Ba khía cạnh của AI phát triển Định hướng chung

AI là một ngành khoa học và công nghệ mới nổi được thiết kế để mô phỏng, mở rộng và nâng cao trí thông minh của con người. Kể từ khi ra đời vào những năm 1950 và 1960, AI đã phát triển hơn nửa thế kỷ và hiện đã trở thành công nghệ chủ chốt thúc đẩy những thay đổi trong đời sống xã hội và các ngành công nghiệp khác nhau. Trong quá trình này, sự phát triển đan xen của ba hướng nghiên cứu chính là biểu tượng, kết nối và hành vi đã đặt nền móng cho sự phát triển nhanh chóng của trí tuệ nhân tạo ngày nay.

Chủ nghĩa biểu tượng

Chủ nghĩa biểu tượng, còn được gọi là chủ nghĩa logic hoặc lý luận dựa trên quy tắc, tin rằng việc mô phỏng trí thông minh của con người thông qua việc xử lý các ký hiệu là khả thi. Cách tiếp cận này sử dụng các ký hiệu để biểu diễn và thao tác các đối tượng, khái niệm và mối quan hệ của chúng trong miền vấn đề và sử dụng lý luận logic để giải quyết vấn đề. Chủ nghĩa tượng trưng đã đạt được thành công lớn, đặc biệt là trong các hệ chuyên gia và biểu diễn tri thức. Ý tưởng cốt lõi của chủ nghĩa biểu tượng là hành vi thông minh có thể đạt được thông qua việc thao tác và suy luận logic của các biểu tượng, trong đó các biểu tượng đại diện cho sự trừu tượng cấp cao của thế giới thực.

Chủ nghĩa kết nối

Còn được gọi là phương pháp tiếp cận mạng lưới thần kinh, nó nhằm mục đích đạt được trí thông minh bằng cách bắt chước cấu trúc và chức năng của bộ não con người. Phương pháp này xây dựng mạng lưới gồm nhiều đơn vị xử lý đơn giản (tương tự như nơ-ron) và điều chỉnh cường độ kết nối giữa các đơn vị này (tương tự như khớp thần kinh) để tạo điều kiện thuận lợi cho việc học. Chủ nghĩa kết nối nhấn mạnh khả năng học hỏi và khái quát hóa từ dữ liệu, làm cho nó đặc biệt phù hợp với các vấn đề nhận dạng mẫu, phân loại và ánh xạ đầu vào-đầu ra liên tục. Là một sự phát triển của chủ nghĩa kết nối, học sâu đã tạo ra những bước đột phá trong các lĩnh vực như nhận dạng hình ảnh, nhận dạng giọng nói và xử lý ngôn ngữ tự nhiên.

Chủ nghĩa hành vi

Chủ nghĩa hành vi có liên quan chặt chẽ đến việc nghiên cứu robot sinh học và hệ thống thông minh tự động, nhấn mạnh rằng các tác nhân thông minh có thể học hỏi thông qua tương tác với môi trường. Không giống như hai chủ nghĩa đầu tiên, chủ nghĩa hành vi không tập trung vào việc mô phỏng các biểu hiện bên trong hoặc quá trình suy nghĩ mà thay vào đó đạt được hành vi thích ứng thông qua các chu kỳ nhận thức và hành động. Chủ nghĩa hành vi tin rằng trí thông minh được thể hiện thông qua sự tương tác năng động với môi trường và học tập, điều này 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.

Mặc dù ba hướng nghiên cứu này có những khác biệt cơ bản nhưng chúng có thể tương tác và tích hợp với nhau trong nghiên cứu và ứng dụng AI thực tế, đồng thời cùng nhau thúc đẩy sự phát triển của lĩnh vực trí tuệ nhân tạo.

Các nguyên tắc của AIGC

Lĩnh vực phát triển bùng nổ của AIGC thể hiện sự phát triển và ứng dụng của chủ nghĩa kết nối, có khả năng tạo ra nội dung mới lạ bằng cách bắt chước khả năng sáng tạo của con người. Các mô hình này được đào tạo bằng cách sử dụng các tập dữ liệu lớn và thuật toán học sâu để tìm hiểu cấu trúc, mối quan hệ và mẫu cơ bản trong dữ liệu. Dựa trên lời nhắc của người dùng, họ tạo ra đầu ra duy nhất 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, dữ liệu lớn và sức mạnh tính toán lớn.

Học sâu

Học sâu là một lĩnh vực con của học máy sử dụng các thuật toán mô phỏng mạng lưới thần kinh của não người. Ví dụ, bộ não con người được tạo thành từ hàng triệu tế bào thần kinh được kết nối với nhau để học và xử lý thông tin. Tương tự như vậy, mạng nơ-ron học sâu (hoặc mạng nơ-ron nhân tạo) bao gồm nhiều lớp nơ-ron nhân tạo hoạt động cùng nhau trong máy tính. Những nơ-ron nhân tạo này, được gọi là nút, sử dụng các phép tính toán học để xử lý dữ liệu. Mạng nơ-ron nhân tạo sử dụng các nút này để giải quyết các vấn đề phức tạp thông qua các thuật toán học sâu.

Mạng nơron được chia thành các lớp: lớp đầu vào và lớp lớp ẩn và lớp đầu ra, các tham số kết nối các lớp khác nhau.

Lớp đầu vào: Lớp đầu tiên của mạng nơ-ron chịu trách nhiệm nhận dữ liệu đầu vào bên ngoài. Mỗi nơron trong lớp đầu vào tương ứng với một đặc điểm của dữ liệu đầu vào. Ví dụ: khi xử lý dữ liệu hình ảnh, mỗi nơ-ron có thể tương ứng với một giá trị pixel trong hình ảnh.

Lớp ẩn: Lớp đầu vào xử lý dữ liệu và truyền dữ liệu sâu hơn vào mạng. Các lớp ẩn này xử lý thông tin ở các cấp độ khác nhau, điều chỉnh hành vi của chúng khi nhận được thông tin mới. Mạng học sâu có hàng trăm lớp ẩn và có thể phân tích vấn đề từ nhiều góc độ. Ví dụ: khi đưa ra hình ảnh của một con vật chưa biết cần được phân loại, bạn có thể so sánh nó với những con vật bạn đã biết bằng cách kiểm tra hình dạng tai, số chân, kích thước đồng tử, v.v. Các lớp ẩn trong mạng lưới thần kinh sâu hoạt động theo cách tương tự. Nếu thuật toán deep learning đang cố gắng phân loại hình ảnh của một con vật, mỗi lớp ẩn sẽ xử lý một đặc điểm khác nhau của con vật đó và cố gắng phân loại nó một cách chính xác.

Lớp đầu ra: Lớp cuối cùng của mạng nơ-ron, chịu trách nhiệm tạo ra đầu ra của mạng. Mỗi nơ-ron trong lớp đầu ra đại diện cho một loại hoặc giá trị đầu ra có thể có. Ví dụ, trong một bài toán phân loại, mỗi nơ-ron lớp đầu ra có thể tương ứng với một danh mục, trong khi trong bài toán hồi quy, lớp đầu ra có thể chỉ có một nơ-ron có giá trị đại diện cho kết quả dự đoán.

Tham số: Trong mạng thần kinh, 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 xác định chính xác các tính năng trong mẫu dữ liệu và Dự đoán. Việc tăng các tham số có thể nâng cao khả năng mô hình của mạng 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

Để đào tạo hiệu quả, mạng lưới thần kinh thường yêu cầu lượng lớn dữ liệu đa dạng, chất lượng cao và đa nguồn. Nó tạo cơ sở cho việc đào tạo và xác nhận các mô hình học máy. Bằng cách phân tích dữ liệu lớn, các mô hình học máy có thể tìm hiểu các mẫu và mối quan hệ trong dữ liệu để đưa ra dự đoán hoặc phân loại.

Sức mạnh tính toán khổng lồ

Mạng thần kinh có cấu trúc nhiều lớp phức tạp, nhiều tham số, yêu cầu xử lý dữ liệu lớn và phương pháp đào tạo lặp lại (mô hình cần được lặp đi lặp lại trong quá trình đào tạo, bao gồm mặt trước của mỗi lớp) (bao gồm tính toán hàm kích hoạt, tính toán hàm mất mát, tính toán độ dốc và cập nhật trọng số), yêu cầu tính toán có độ chính xác cao, khả năng tính toán song song, kỹ thuật tối ưu hóa và chính quy hóa cũng như các quy trình xác minh và đánh giá mô hình đã cùng dẫn đến sự phát triển của sức mạnh tính toán cao.

< /p>

Sora

Là mô hình AI thế hệ video mới nhất của OpenAI, Sora đại diện cho một tiến bộ lớn 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 công nghệ vá lỗi không gian-thời gian, Sora có thể chuyển đổi lượng lớn dữ liệu hình ảnh được thu thập bởi các thiết bị khác nhau trên khắp thế giới thành một bản trình bày thống nhất, cho phép xử lý và hiểu hiệu quả nội dung hình ảnh phức tạp. Bằng cách sử dụng mô hình khuếch tán có điều kiện của văn bản, Sora có thể tạo video hoặc hình ảnh gần giống với lời nhắc văn bản, thể hiện mức độ sáng tạo và khả năng thích ứng cao.

Tuy nhiên, 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 một số hạn chế, bao gồm độ chính xác của mô phỏng thế giới thực, tính nhất quán khi tạo video dài và khả năng hiểu Văn bản phức tạp hướng dẫn, đào tạo và tạo ra hiệu quả. Về bản chất, Sora sử dụng sức mạnh tính toán độc quyền và lợi thế của người đi đầu của OpenAI để tiếp tục con đường công nghệ cũ là "dữ liệu lớn-Biến đổi-Khuếch tán-xuất hiện" và đạt được tính thẩm mỹ mạnh mẽ. Các công ty AI khác vẫn có tiềm năng vượt qua đổi mới công nghệ.

Mặc dù Sora ít liên quan đến blockchain nhưng tôi tin rằng trong một hoặc hai năm tới, do ảnh hưởng của Sora, các công cụ tạo AI chất lượng cao khác sẽ xuất hiện và phát triển nhanh chóng, tác động đến nhiều lĩnh vực Web3 khác nhau như như GameFi, nền tảng xã hội, nền tảng sáng tạo, Depin, v.v. Vì vậy, cần phải có hiểu biết chung về Sora, làm thế nào để kết hợp AI với Web3 một cách hiệu quả trong tương lai là điều quan trọng cần cân nhắc.

Bốn cách tích hợp AI x Web3

Như đã thảo luận trước đó, chúng ta có thể hiểu rằng các yếu tố cơ bản cần thiết cho AI tạo ra về cơ bản gồm ba phần: thuật toán, dữ liệu và sức mạnh tính toán . Mặt khác, với tính phổ biến và hiệu quả đầu ra của nó, AI là một công cụ sẽ cách mạng hóa các phương thức sản xuất. Đồng thời, tác động lớn nhất của blockchain có hai mặt: tổ chức lại quan hệ sản xuất và phân cấp.

Vì vậy, tôi cho rằng sự va chạm của hai công nghệ này có thể tạo ra bốn con đường sau:

Sức mạnh tính toán phi tập trung

Như đã đề cập ở trên, phần này được thiết kế để cập nhật trạng thái của bối cảnh sức mạnh tính toán. Khi nói đến AI, sức mạnh tính toán là một khía cạnh không thể thiếu. Sự xuất hiện của Sora đã đặt ra nhu cầu chưa từng có trước đây về sức mạnh tính toán từ AI. Gần đây, trong Diễn đàn Kinh tế Thế giới 2024 ở Davos, Thụy Sĩ, Giám đốc điều hành OpenAI Sam Altman đã công khai tuyên bố rằng sức mạnh tính toán và năng lượng là những hạn chế lớn nhất hiện nay, cho thấy tầm quan trọng trong tương lai của chúng thậm chí có thể ngang bằng với tiền tệ. Sau đó, vào ngày 10 tháng 2, Sam Altman đã công bố một kế hoạch gây sốc trên Twitter nhằm huy động 7 nghìn tỷ USD (tương đương 40% GDP của Trung Quốc vào năm 2023) để cải tổ hoàn toàn ngành công nghiệp bán dẫn toàn cầu hiện nay nhằm xây dựng một đế chế bán dẫn. Những suy nghĩ trước đây của tôi về sức mạnh tính toán chỉ giới hạn ở việc đóng cửa quốc gia và độc quyền doanh nghiệp; ý tưởng về một công ty muốn thống trị ngành bán dẫn toàn cầu thực sự là điên rồ.

Do đó, tầm quan trọng của sức mạnh tính toán phi tập trung là điều hiển nhiên. Các thuộc tính của blockchain thực sự có thể giải quyết vấn đề độc quyền cực độ hiện nay về sức mạnh tính toán và chi phí quá cao liên quan đến việc mua GPU chuyên dụng. Từ góc độ yêu cầu của AI, việc sử dụng sức mạnh tính toán có thể được chia thành hai hướng: lý luận và đào tạo. Hiện vẫn còn rất ít dự án tập trung vào đào tạo, bởi vì mạng phi tập trung yêu cầu thiết kế mạng nơ-ron tích hợp, yêu cầu phần cứng cực cao, là hướng đi có ngưỡng cao và khó thực hiện. Để so sánh, lý do tương đối đơn giản vì thiết kế mạng phi tập trung không quá phức tạp, có yêu cầu về phần cứng và băng thông thấp hơn và là hướng đi chủ đạo hơn.

Thị trường sức mạnh tính toán tập trung có sức tưởng tượng rộng rãi và thường gắn liền với từ khóa “cấp nghìn tỷ”, cũng là chủ đề được thổi phồng nhất trong kỷ nguyên AI. Tuy nhiên, nhìn vào nhiều dự án nổi lên gần đây, hầu hết dường như là những nỗ lực thiếu hiểu biết nhằm tận dụng các xu hướng. Họ thường treo cờ phân cấp nhưng tránh thảo luận về sự kém hiệu quả của các mạng phi tập trung. Ngoài ra, mức độ đồng nhất về thiết kế rất cao và nhiều dự án rất giống nhau (l2 một cú nhấp chuột cộng với thiết kế khai thác), điều này cuối cùng có thể dẫn đến thất bại và khó chiếm được vị trí trong các cuộc thi AI truyền thống.

Thuật toán và hệ thống cộng tác mô hình

Thuật toán học máy là những thuật toán có thể học các mẫu và quy tắc từ dữ liệu rồi đưa ra dự đoán hoặc quyết định dựa trên chúng. Các thuật toán đòi hỏi nhiều công nghệ vì thiết kế và tối ưu hóa của chúng đòi hỏi chuyên môn sâu và đổi mới công nghệ. Các thuật toán là cốt lõi của việc đào tạo các mô hình trí tuệ nhân tạo và xác định cách chuyển đổi dữ liệu thành những hiểu biết hoặc quyết định hữu ích. Các thuật toán AI tổng quát phổ biến bao gồm Mạng đối thủ sáng tạo (GAN), Bộ mã hóa tự động biến đổi (VAE) và Máy biến áp, mỗi thuật toán được thiết kế cho một lĩnh vực cụ thể (chẳng hạn như vẽ tranh, nhận dạng ngôn ngữ, dịch thuật, tạo video) hoặc mục đích, sau đó được sử dụng để đào tạo các mô hình AI chuyên dụng.

Vậy, với rất nhiều thuật toán và mô hình, mỗi thuật toán và mô hình đều có ưu điểm riêng, liệu có thể tích hợp chúng thành một mô hình phổ quát không? Bittensor là một dự án đã nhận được nhiều sự chú ý gần đây, đi đầu theo hướng này bằng cách thúc đẩy các mô hình và thuật toán AI khác nhau cộng tác và học hỏi lẫn nhau để tạo ra các mô hình AI hiệu quả và có khả năng hơn. Các dự án khác tập trung vào hướng này bao gồm Social AI (cộng tác mã), nhưng các thuật toán và mô hình được bảo mật nghiêm ngặt đối với các công ty AI và không dễ dàng chia sẻ.

Do đó, câu chuyện về hệ sinh thái hợp tác AI rất mới lạ và thú vị. Các hệ sinh thái hợp tác sử dụng các ưu điểm của blockchain để tích hợp các nhược điểm của thuật toán AI bị cô lập, nhưng liệu chúng có thể tạo ra giá trị tương ứng hay không vẫn còn phải xem. Xét cho cùng, các công ty AI hàng đầu với các thuật toán và mô hình độc lập đều có khả năng cập nhật, lặp lại và tích hợp mạnh mẽ. Ví dụ: OpenAI đã chuyển từ mô hình tạo văn bản ban đầu sang mô hình tạo đa miền trong vòng chưa đầy hai năm. Các dự án như Bittensor có thể cần khám phá những con đường mới trong khu vực mục tiêu mô hình và thuật toán của họ.

Dữ liệu lớn phi tập trung

Từ góc nhìn đơn giản, việc sử dụng dữ liệu riêng tư để cung cấp dữ liệu cho AI và chú thích là một hướng đi rất phù hợp với công nghệ blockchain. Những cân nhắc chính là Cách ngăn chặn thư rác và hành vi độc hại. Ngoài ra, việc lưu trữ dữ liệu có thể mang lại lợi ích cho các dự án DePIN như FIL và AR. Từ góc độ phức tạp hơn, việc sử dụng dữ liệu blockchain cho máy học để giải quyết khả năng truy cập của dữ liệu blockchain là một hướng thú vị khác (một trong những khám phá của Giza).

Về mặt lý thuyết, dữ liệu blockchain có thể truy cập được bất cứ lúc nào và phản ánh trạng thái của toàn bộ blockchain. Tuy nhiên, việc truy cập lượng dữ liệu khổng lồ này không hề đơn giản đối với những người bên ngoài hệ sinh thái blockchain. Việc lưu trữ toàn bộ chuỗi khối đòi hỏi chuyên môn sâu rộng và lượng lớn tài nguyên phần cứng chuyên dụng. Để vượt qua những thách thức trong việc truy cập dữ liệu blockchain, một số giải pháp đã xuất hiện trong ngành. Ví dụ: nhà cung cấp RPC đóng vai trò quan trọng trong việc giải quyết vấn đề này bằng cách cung cấp quyền truy cập nút thông qua API và dịch vụ lập chỉ mục cho phép truy xuất dữ liệu qua SQL và GraphQL. Tuy nhiên, những phương pháp này có những hạn chế của chúng. Dịch vụ RPC không phù hợp với các trường hợp sử dụng mật độ cao, yêu cầu lượng truy vấn dữ liệu lớn và thường không thể đáp ứng nhu cầu. Đồng thời, mặc dù các dịch vụ lập chỉ mục cung cấp cách truy xuất dữ liệu có cấu trúc chặt chẽ hơn nhưng sự phức tạp của giao thức Web3 khiến việc xây dựng các truy vấn hiệu quả trở nên cực kỳ khó khăn, đôi khi cần hàng trăm hoặc thậm chí hàng nghìn dòng mã phức tạp. Sự phức tạp này là một trở ngại đáng kể đối với những người thực hành dữ liệu nói chung và những người có kiến ​​thức hạn chế về các chi tiết của Web3. Tác động tích lũy của những hạn chế này làm nổi bật sự cần thiết phải có một phương pháp dễ tiếp cận và khai thác hơn để thu thập và sử dụng dữ liệu blockchain, điều này có thể tạo điều kiện thuận lợi cho việc áp dụng và đổi mới rộng rãi hơn trong lĩnh vực này.

Do đó, việc kết hợp ZKML (học máy bằng chứng không có kiến ​​thức, giảm bớt gánh nặng của học máy trên chuỗi) với dữ liệu chuỗi khối chất lượng cao có thể tạo ra dữ liệu giải quyết khả năng truy cập của tập dữ liệu chuỗi khối. AI có thể hạ thấp 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 học máy sẽ có quyền truy cập vào các bộ dữ liệu phù hợp, chất lượng cao hơn để xây dựng các giải pháp hiệu quả và sáng tạo.

AI trao quyền cho Dapp

Kể từ khi ChatGPT3 bùng nổ vào năm 2023, AI trao quyền cho Dapp đã trở thành một hướng đi rất phổ biến. AI tổng hợp có khả năng áp dụng rộng rãi có thể được tích hợp thông qua API để đơn giản hóa và thông minh hóa nền tảng dữ liệu, bot giao dịch, bách khoa toàn thư blockchain và các ứng dụng khác. Mặt khác, nó cũng có thể hoạt động như một chatbot (như Myshell) hoặc một AI đồng hành (Sleepless AI) hoặc thậm chí sử dụng AI tổng hợp để tạo NPC trong các trò chơi blockchain. Tuy nhiên, do ngưỡng kỹ thuật thấp nên đa số chỉ là điều chỉnh sau khi tích hợp API, việc tích hợp với bản thân dự án cũng chưa hoàn hảo nên ít được nhắc đến.

Nhưng với sự xuất hiện của Sora, cá nhân tôi tin rằng việc trao quyền cho GameFi (bao gồm cả Metaverse) và các nền tảng sáng tạo của AI sẽ là trọng tâm trong tương lai. Do tính chất từ ​​dưới lên của không gian Web3, không có khả năng tạo ra một sản phẩm có thể cạnh tranh với các công ty sáng tạo hoặc trò chơi truyền thống. Tuy nhiên, sự xuất hiện của Sora có thể sẽ phá vỡ thế bế tắc này (có lẽ chỉ trong hai đến ba năm nữa). Đánh giá từ bản demo của Sora, nó có khả năng cạnh tranh với các công ty sản xuất phim truyền hình ngắn. Văn hóa cộng đồng tích cực của Web3 cũng có thể tạo ra một số lượng lớn các ý tưởng thú vị, khi giới hạn duy nhất là trí tưởng tượng, rào cản giữa các ngành từ dưới lên và các ngành truyền thống từ trên xuống sẽ bị phá bỏ.

Kết luận

Với sự phát triển không ngừng của các công cụ trí tuệ nhân tạo tổng hợp, chúng ta sẽ chứng kiến ​​nhiều "khoảnh khắc iPhone" đột phá hơn nữa trong tương lai. Mặc dù còn có sự hoài nghi về việc tích hợp AI và Web3, nhưng tôi tin rằng hướng đi hiện tại về cơ bản là đúng đắn và chỉ cần giải quyết ba điểm yếu chính: sự cần thiết, hiệu quả và phù hợp. Mặc dù sự tích hợp của cả hai vẫn đang trong giai đoạn thăm dò nhưng điều đó không ngăn cản con đường này trở thành xu hướng chủ đạo của thị trường tăng giá tiếp theo.

Duy trì đủ sự tò mò và thái độ cởi mở với những điều mới là tâm lý cơ bản của chúng ta. Trong lịch sử, quá trình chuyển đổi từ xe ngựa sang ô tô đã được giải quyết ngay lập tức, như các dòng chữ và NFT trước đây cho thấy. Giữ quá nhiều thành kiến ​​sẽ chỉ dẫn đến việc bỏ lỡ cơ hội.