• A interseção entre inteligência artificial (IA) e criptomoedas é vasta, mas frequentemente mal compreendida. Acreditamos que diferentes subseções desta interseção têm oportunidades distintas e cronogramas de desenvolvimento.
• Geralmente acreditamos que, para produtos de IA, a descentralização por si só não é suficiente para trazer vantagem competitiva - também deve alcançar paridade funcional com produtos centralizados em certas outras áreas-chave.
• Nossa visão contrária é que, devido à atenção generalizada na indústria de IA, o potencial de valor de muitos tokens de IA pode ser exagerado, e muitos tokens de IA podem carecer de impulsionadores sustentáveis de demanda a curto e médio prazo.

Nos últimos anos, avanços contínuos em inteligência artificial, especialmente no campo da inteligência artificial generativa, têm atraído grande atenção para a indústria de inteligência artificial e proporcionado oportunidades para projetos de cripto localizados na interseção das duas. Anteriormente, cobrimos algumas das possibilidades para o setor em um relatório anterior de junho de 2023, observando que a alocação de capital geral em criptomoedas parecia estar subinvestindo em inteligência artificial. O campo da inteligência artificial em cripto cresceu tremendamente desde então, e achamos importante destacar alguns dos desafios práticos que podem dificultar sua adoção generalizada.

A rápida mudança em IA nos faz cautelosos em relação a afirmações ousadas de que plataformas centradas em cripto estão unicamente posicionadas para perturbar a indústria; isso nos leva a acreditar que a maioria dos tokens de IA têm um caminho de valorização de longo prazo e sustentável. O caminho está cheio de incertezas, especialmente para projetos com modelos econômicos de token fixos. Em vez disso, acreditamos que algumas tendências emergentes em IA podem na verdade tornar as inovações baseadas em criptomoedas mais difíceis de adotar, dada a competição e regulamentação mais amplas do mercado.

Dito isso, acreditamos que o ponto entre IA e criptomoedas é amplo e tem diversas oportunidades, com a adoção provavelmente mais rápida em certos subsegmentos, apesar da falta de tokens já comercializados em muitas dessas áreas. Ainda assim, isso não parece estar diminuindo o interesse dos investidores. Descobrimos que o desempenho dos tokens cripto relacionados à IA é apoiado por manchetes de mercado de IA e pode ter ação de preço positiva mesmo em dias em que o Bitcoin está sendo negociado em baixa. Portanto, acreditamos que muitos tokens relacionados à IA podem continuar a ser negociados como representações do progresso da IA.

Principais Tendências em Inteligência Artificial

Uma das tendências mais importantes no campo da inteligência artificial (relacionada a produtos de IA cripto) é a cultura contínua em torno de modelos de código aberto. Mais de 530.000 modelos estão expostos no Hugging Face para que pesquisadores e usuários possam manipular e ajustar. O papel do Hugging Face na colaboração de IA não é diferente de depender do GitHub para hospedagem de código ou do Discord para gerenciamento de comunidades (ambos amplamente utilizados no espaço cripto). Exceto por sérias más administrações, essa situação não deve mudar no futuro próximo.

Os modelos disponíveis na Hugging Face variam de grandes modelos de linguagem (LLMs) a modelos gerativos de imagem e vídeo e incluem criações de grandes players da indústria como Open AI, Meta e Google, bem como desenvolvedores independentes. Alguns modelos de linguagem de código aberto até têm vantagens de desempenho sobre os modelos proprietários de ponta em termos de rendimento (mantendo qualidade de saída comparável), garantindo um grau de competição entre modelos de código aberto e comerciais (ver Figura 1). Importante, acreditamos que esse ecossistema vibrante de código aberto combinado com um setor comercial altamente competitivo possibilitou uma indústria onde os modelos ruins são eliminados da competição.

A segunda tendência é a crescente qualidade e relação custo-benefício de modelos menores (destacada na pesquisa LLM de 2020 e em um artigo recente da Microsoft), o que também coincide com a cultura de código aberto para permitir ainda mais o desempenho de alta qualidade, modelos de IA em execução local. Alguns modelos de código aberto ajustados podem até superar os principais modelos de código fechado em certos benchmarks. Em um mundo assim, alguns modelos de IA poderiam ser executados localmente, maximizando a descentralização. Claro, as empresas de tecnologia incumbentes continuarão a treinar e executar modelos maiores na nuvem, mas o espaço de design entre os dois exigirá compensações.

Além disso, dada a crescente complexidade da tarefa de benchmarking de modelos de IA (incluindo contaminação de dados e escopos de teste variados), a geração de saídas do modelo pode ser melhor avaliada pelos usuários finais em um mercado livre. Na prática, os usuários finais podem usar ferramentas existentes para comparar a saída do modelo lado a lado com empresas de referência que realizam as mesmas operações. Uma ideia aproximada da dificuldade dos benchmarks de IA generativa pode ser obtida a partir da crescente variedade de benchmarks LLM abertos, incluindo MMLU, HellaSwag, TriviaQA, BoolQ, etc., cada um testando diferentes casos de uso como raciocínio de senso comum, tópicos acadêmicos e diversos formatos de perguntas.

A terceira tendência que observamos no espaço de IA é que plataformas existentes com forte aderência do usuário ou que resolvem problemas comerciais específicos podem se beneficiar de forma desproporcional da integração da IA. Por exemplo, a integração do GitHub Copilot com editores de código aprimora um ambiente de desenvolvimento já poderoso. A incorporação de interfaces de IA em outras ferramentas, de clientes de e-mail a planilhas e software de gestão de relacionamento com o cliente, são também casos de uso naturais para a IA (por exemplo, o assistente de IA da Klarna realiza o trabalho de 700 funcionários de serviço ao cliente em tempo integral).

Mas vale ressaltar que, em muitos desses cenários, os modelos de IA não levarão a novas plataformas, mas apenas aprimorarão as existentes. Outros modelos de IA que melhoram os processos de negócios tradicionais internamente (por exemplo, o sistema Lattice da Meta, que ajudou a restaurar o desempenho de anúncios da Apple aos níveis antigos após o lançamento da Transparência de Rastreamento de Apps) também costumam depender de dados proprietários e sistemas fechados. Esses tipos de modelos de IA provavelmente permanecerão como fonte fechada, pois estão integrados verticalmente ao produto principal e usam dados proprietários.

No mundo do hardware e da computação de IA, vemos mais duas tendências relacionadas. A primeira é a mudança no uso da computação, da fase de treinamento para a inferência. Ou seja, quando os modelos de inteligência artificial são desenvolvidos pela primeira vez, grandes quantidades de recursos de computação são usados para "treinar" o modelo, alimentando-o com grandes conjuntos de dados. Agora passamos para a implantação e consulta do modelo.

A chamada de ganhos da NVIDIA em fevereiro de 2024 mostrou que cerca de 40% de seus negócios foram usados para inferência. Satya Nadella fez observações semelhantes na chamada de ganhos da Microsoft no mês anterior a janeiro, destacando que 'a maioria' de seu uso do Azure AI é para raciocínio. À medida que essa tendência continua, acreditamos que entidades que buscam monetizar modelos priorizarão plataformas que possam executar modelos de forma confiável e pronta para produção.

A segunda grande tendência é o cenário competitivo em torno da arquitetura de hardware. Os processadores H200 da Nvidia estarão disponíveis a partir do segundo trimestre de 2024, com a próxima geração B100 esperada para dobrar ainda mais o desempenho. Além disso, o suporte contínuo do Google para sua própria Unidade de Processamento Tensorial (TPU) e a mais recente Unidade de Processamento de Linguagem (LPU) da Groq também podem aumentar sua participação de mercado como alternativas nesse espaço nos próximos anos (consulte a Figura 2). Tais desenvolvimentos poderiam alterar a dinâmica de custos na indústria de inteligência artificial e beneficiar os provedores de serviços em nuvem, permitindo-lhes pivotar rapidamente, comprar hardware em grandes quantidades e configurar quaisquer requisitos de rede física relacionados e ferramentas de desenvolvedor.

No geral, o campo da inteligência artificial é um campo emergente e em rápido desenvolvimento. Menos de 1,5 anos após o lançamento inicial do ChatGPT no mercado em novembro de 2022 (embora seu modelo subjacente GPT 3 exista desde junho de 2020), o crescimento rápido no espaço desde então tem sido surpreendente. Apesar de alguns comportamentos questionáveis em relação aos viés por trás de alguns modelos AI generativos, poderíamos ver modelos com desempenho inferior sendo gradualmente eliminados pelo mercado em favor de melhores alternativas. O rápido crescimento da indústria e o potencial para regulamentações futuras significam que os problemas da indústria estão mudando regularmente à medida que novas soluções se tornam disponíveis.

Para um campo de inovação tão rápido, a frequentemente mencionada 'solução descentralizada [XXX]' como uma conclusão precipitada é prematura. Ela resolve antecipadamente um problema de centralização que pode não necessariamente existir. A realidade é que a indústria de IA alcançou um grande grau de descentralização em tecnologia e verticais de negócios por meio da competição entre muitas empresas e projetos de código aberto diferentes. Além disso, devido à natureza de seus processos de tomada de decisão e consenso, os protocolos descentralizados avançam a um ritmo mais lento do que os protocolos centralizados tanto em nível técnico quanto social. Isso poderia criar obstáculos na busca por equilibrar a descentralização e produtos competitivos nesta fase do desenvolvimento de IA. Em outras palavras, existem sinergias entre criptomoeda e inteligência artificial que podem ser significativamente realizadas ao longo de um período prolongado de tempo.

Aproveite a oportunidade

Em termos gerais, dividimos a interseção entre inteligência artificial e criptomoedas em duas amplas categorias. A primeira categoria é de casos de uso em que produtos de IA melhoram a indústria de criptomoedas. Isso inclui cenários que vão desde a criação de transações legíveis por humanos e melhoria na análise de dados de blockchain, até o aproveitamento da saída do modelo on-chain como parte de um protocolo sem permissão. A segunda categoria é de casos de uso em que as criptomoedas visam perturbar os pipelines tradicionais de IA por meio de computação descentralizada, verificação, identidade, etc.

Os casos de uso para a antiga categoria de cenários empresariais são claros, e acreditamos que, embora permaneçam desafios técnicos significativos, também existem perspectivas de longo prazo em cenários de modelos de inferência mais complexos em cadeia. Modelos de IA centralizados podem melhorar criptomoedas como qualquer outra indústria focada em tecnologia, desde a melhoria de ferramentas de desenvolvedor e auditoria de código até a tradução de linguagem humana em ações em cadeia. Mas o investimento nessa área geralmente flui para empresas privadas por meio de capital de risco, sendo muitas vezes ignorado pelos mercados públicos.

No entanto, as implicações e benefícios de como a cripto pode perturbar os pipelines de IA existentes são menos certos para nós. As dificuldades nesta última categoria não são apenas desafios técnicos (que acreditamos serem geralmente solucionáveis a longo prazo), mas também batalhas difíceis com forças de mercado e regulatórias mais amplas. Grande parte da atenção recente em inteligência artificial e criptomoedas tem se concentrado nesta categoria, já que esses casos de uso são mais adequados para possuir tokens líquidos. Este é o foco da nossa próxima seção, já que atualmente há relativamente poucos tokens de liquidez relevantes para ferramentas de IA centralizadas em criptomoedas.

O papel das criptomoedas nos pipelines de inteligência artificial

No risco de simplificar demais a questão, consideramos o impacto potencial das criptomoedas na IA em quatro etapas principais do pipeline de IA:

1. Coleta, armazenamento e processamento de dados

2. Treinamento e inferência de modelo

3. Verificação da saída do modelo

4. Acompanhe a saída do modelo de inteligência artificial

Muitos novos projetos de cripto-AI surgiram nessas áreas. No entanto, muitos enfrentarão desafios sérios no curto e médio prazo, gerados pela demanda e pela acirrada competição de empresas centralizadas e soluções de código aberto.

Dados proprietários

Os dados são a base de todos os modelos de IA e podem ser o diferencial chave no desempenho profissional do modelo de IA. Os próprios dados históricos da blockchain são uma nova fonte rica de dados para os modelos, e alguns projetos como o Grass também visam aproveitar os incentivos de cripto para curar novos conjuntos de dados da internet aberta. Nesse sentido, a cripto tem a oportunidade de fornecer conjuntos de dados específicos da indústria e incentivar a criação de novos conjuntos de dados valiosos. (Acreditamos que o recente acordo de licenciamento de dados do Reddit de $60 milhões por ano com o Google é promissor para o futuro da monetização de conjuntos de dados.)

Muitos modelos iniciais (como GPT 3) usavam uma mistura de conjuntos de dados abertos como CommonCrawl, WebText2, Livros e Wikipedia, bem como conjuntos de dados semelhantes disponíveis gratuitamente no Hugging Face (atualmente com mais de 110.000 opções). No entanto, possivelmente para proteger interesses comerciais, muitos modelos recentes de código fechado ainda não liberaram a composição final de seus conjuntos de dados de treinamento. A tendência de conjuntos de dados proprietários, especialmente em modelos de negócios, continuará e aumentará a importância da licença de dados.

Os marketplaces de dados centralizados existentes já estão ajudando a preencher a lacuna entre os provedores de dados e os consumidores, deixando o espaço de oportunidade para novas soluções de marketplaces de dados descentralizados entre catálogos de dados de código aberto e concorrentes empresariais. Sem o suporte de uma estrutura legal, um mercado de dados puramente descentralizado também precisaria construir interfaces e pipelines de dados padronizados, verificar a integridade e configuração dos dados e resolver o problema de inicialização a frio de seus produtos - enquanto equilibra os incentivos de tokens entre os participantes do mercado.

Além disso, soluções de armazenamento descentralizado podem eventualmente encontrar um lugar na indústria de inteligência artificial, embora com muitos desafios a esse respeito. Por um lado, os pipelines para distribuição de conjuntos de dados de código aberto já existem e são amplamente utilizados. Por outro lado, muitos proprietários de conjuntos de dados proprietários têm requisitos rígidos de segurança e conformidade.

Atualmente, não existem caminhos regulatórios para hospedar dados sensíveis em plataformas de armazenamento descentralizado como Filecoin e Arweave. Muitas empresas ainda estão fazendo a transição de servidores locais para provedores de armazenamento em nuvem centralizados. Além disso, a natureza descentralizada dessas redes não atende atualmente a certos requisitos de localização geográfica e isolamento físico de dados para armazenar dados sensíveis, em um nível técnico.

Embora as comparações de preços entre soluções de armazenamento descentralizado e provedores de nuvem estabelecidos sugiram que as unidades de armazenamento descentralizado são mais baratas por unidade, isso ignora uma premissa significativa. Em primeiro lugar, os custos iniciais associados à migração de sistemas entre provedores precisam ser considerados além das despesas operacionais diárias. Em segundo lugar, as plataformas de armazenamento descentralizado baseadas em criptografia precisam corresponder a melhores ferramentas e integração com sistemas de nuvem maduros desenvolvidos ao longo das últimas duas décadas. As soluções em nuvem também têm custos mais previsíveis do ponto de vista das operações comerciais, oferecem obrigações contratuais e equipes de suporte dedicadas, e possuem um grande pool de talentos de desenvolvedores existentes.

Também vale ressaltar que uma comparação superficial com os três principais provedores de nuvem (Amazon Web Services, Google Cloud Platform e Microsoft Azure) é incompleta. Existem dezenas de empresas de nuvem de menor custo também competindo por participação no mercado, oferecendo racks de servidores básicos mais baratos. Acreditamos que estes são os reais concorrentes de curto prazo para consumidores conscientes do custo.

Em outras palavras, inovações recentes como a computação de dados do Filecoin e o ambiente de computação AO da Arweave podem desempenhar um papel em projetos de campo virgem futuros que utilizam conjuntos de dados menos sensíveis ou para empresas que ainda não são fornecedores sensíveis ao custo (potencialmente menores em escala).

Portanto, embora haja certamente espaço para novos produtos criptográficos no espaço de dados, ocorrerão interrupções tecnológicas recentes onde podem gerar proposições de valor únicas. Áreas onde produtos descentralizados competem diretamente com concorrentes tradicionais e de código aberto levarão mais tempo para progredir.

Treinamento e Inferência de Modelos

O campo da computação descentralizada (DeComp) na indústria de cripto também tem como objetivo servir como uma alternativa à computação em nuvem centralizada, em parte devido à escassez de fornecimento de GPU existente. Uma solução proposta para abordar esse problema de escassez é a reutilização de recursos de computação ociosos dentro de redes coletivas, reduzindo assim os custos para os provedores de nuvem centralizada. Protocolos como Akash e Render implementaram soluções semelhantes. Indicadores preliminares sugerem que tais projetos estão vendo um aumento no uso tanto de usuários quanto de fornecedores. Por exemplo, os arrendamentos ativos da Akash (ou seja, número de usuários) triplicaram no acumulado do ano (ver Figura 3), principalmente devido ao aumento da utilização de seus recursos de armazenamento e computação.

No entanto, as taxas pagas à rede realmente diminuíram desde o pico em dezembro de 2023, uma vez que o fornecimento de GPUs disponíveis superou o crescimento da demanda por esses recursos. Dito isso, à medida que mais provedores se juntam à rede, o número de GPUs alugadas (que parece ser o maior impulsionador de receita proporcionalmente) diminuiu (ver Figura 4). Para redes onde o preço computacional pode mudar com base em alterações na oferta e demanda, não está claro onde a demanda sustentada impulsionada pelo uso de tokens nativos eventualmente surgirá se o crescimento do lado da oferta exceder o crescimento do lado da demanda. Embora o impacto a longo prazo de tais mudanças seja incerto, tais modelos econômicos de token podem precisar ser revisados no futuro para otimizar as mudanças de mercado.

Em um nível técnico, as soluções de computação descentralizada também enfrentam o desafio das limitações de largura de banda de rede. Para modelos grandes que exigem treinamento multi-nó, a camada de infraestrutura de rede física desempenha um papel crucial. As velocidades de transferência de dados, o overhead de sincronização e o suporte para certos algoritmos de treinamento distribuído significam que configurações de rede específicas e comunicações de rede personalizadas (como InfiniBand) são necessárias para facilitar a execução de alto desempenho. Ao exceder um determinado tamanho de cluster, é difícil implementar de forma descentralizada.

Em resumo, o sucesso a longo prazo da computação (e armazenamento) descentralizados enfrenta uma forte concorrência dos provedores de nuvem centralizados. Qualquer adoção será um processo a longo prazo semelhante ao cronograma de adoção da nuvem. Dada a crescente complexidade tecnológica do desenvolvimento de redes descentralizadas, aliada à falta de equipes de desenvolvimento e vendas escaláveis semelhantes, será uma jornada desafiadora para realizar plenamente a visão da computação descentralizada.

Validando e Confiando em Modelos

À medida que os modelos de inteligência artificial se tornam cada vez mais importantes na vida diária, crescem as preocupações com a qualidade e os preconceitos de suas saídas. Alguns projetos de criptomoeda têm como objetivo abordar esse problema, aproveitando uma abordagem algorítmica para avaliar as saídas em diferentes categorias, buscando uma solução descentralizada baseada no mercado. No entanto, os desafios em torno da avaliação de modelos, juntamente com aparentes compensações entre custo, rendimento e qualidade, tornam as comparações cara a cara desafiadoras. O BitTensor é uma das maiores criptomoedas focadas em IA e tem como objetivo abordar esse problema, embora inúmeros desafios técnicos proeminentes possam dificultar sua adoção em larga escala (consulte o Apêndice 1).

Além disso, a inferência de modelo sem confiança (ou seja, comprovar que as saídas do modelo são realmente geradas pelo modelo reivindicado) é outra área de pesquisa ativa na interseção de criptomoeda e IA. No entanto, à medida que a escala dos modelos de código aberto diminui, tais soluções podem enfrentar desafios na demanda. Em um mundo onde os modelos podem ser baixados e executados localmente e a integridade do conteúdo pode ser verificada por meio de métodos robustos de hash/checksum de arquivo, o papel da inferência sem confiança é menos claro. De fato, muitos grandes modelos de linguagem (LLMs) ainda não podem ser treinados e operados em dispositivos leves como smartphones, mas computadores desktop poderosos (como os usados para jogos de alta qualidade) já podem executar muitos modelos de alto desempenho.

Procedência de dados e Identidade

À medida que a saída da IA generativa se torna cada vez mais indistinguível da saída humana, a importância de identificar e rastrear o que a IA gera ganha destaque. O GPT 4 passa no teste de Turing 3 vezes mais rápido do que o GPT 3.5, e é quase inevitável que um dia não consigamos mais distinguir entre robôs e humanos. Em um mundo assim, determinar a identidade dos usuários online e adicionar marcas d'água ao conteúdo gerado por IA serão capacidades-chave.

Identificadores descentralizados e mecanismos de verificação de identidade como o Worldcoin têm como objetivo abordar desafios anteriores na identificação de humanos on-chain. Da mesma forma, a publicação de hashes de dados no blockchain pode ajudar a estabelecer a marca de tempo e a verificação de origem do conteúdo. No entanto, assim como nas soluções parciais mencionadas, acreditamos que deve haver um equilíbrio entre a viabilidade de soluções baseadas em criptomoedas e alternativas centralizadas.

Alguns países, como a China, vinculam identidades online a bancos de dados controlados pelo governo. Embora o grau de centralização em outras partes do mundo possa não ser tão alto, as alianças de provedores de Conheça Seu Cliente (KYC) também podem oferecer soluções de verificação de identidade independentes da tecnologia blockchain (semelhantes às autoridades de certificação confiáveis que sustentam a segurança da internet atual). Pesquisas estão em andamento sobre marca d'água de inteligência artificial para incorporar sinais ocultos em saídas de texto e imagem, para que os algoritmos possam detectar se o conteúdo é gerado por IA. Muitas das principais empresas de IA, incluindo Microsoft, Anthropic e Amazon, se comprometeram publicamente a adicionar tais marcas d'água ao seu conteúdo gerado.

Além disso, muitos provedores de conteúdo existentes foram encarregados de registrar rigorosamente metadados de conteúdo para atender aos requisitos de conformidade. Portanto, os usuários frequentemente confiam em metadados associados às postagens em mídias sociais (mas não confiam em capturas de tela), mesmo que estejam armazenados centralmente. Vale ressaltar que qualquer solução de identidade e obtenção de dados com base em criptografia precisa se integrar às plataformas do usuário para alcançar ampla eficácia. Portanto, embora as soluções baseadas em criptografia para comprovar identidade e obtenção de dados sejam tecnicamente viáveis, acreditamos também que sua adoção não é predefinida e dependerá, em última instância, de requisitos comerciais, de conformidade e regulatórios.

Negociando a Narrativa de IA

Apesar das dificuldades acima, muitos tokens de IA superaram o Bitcoin e o Ethereum a partir do quarto trimestre de 2023, bem como ações importantes de IA, como Nvidia e Microsoft. Isso ocorre porque os tokens de IA geralmente se beneficiam de um desempenho relativo forte no mercado de criptomoedas mais amplo e manchetes de notícias de IA relacionadas (ver Apêndice 2). Portanto, mesmo que o preço do Bitcoin caia, os preços dos tokens focados em IA podem flutuar para cima, o que pode levar a uma volatilidade ascendente durante as quedas do Bitcoin. A Figura 5 mostra visualmente a dispersão dos tokens de IA durante as quedas nas negociações de Bitcoin.

Em geral, ainda faltam muitos fatores impulsionadores de demanda de curto prazo na narrativa de IA no espaço de criptomoedas. A ausência de previsões claras de adoção e métricas levou a uma especulação generalizada semelhante a memes, que pode não ser sustentável a longo prazo. Em última análise, preço e utilidade convergirão—a questão não resolvida é quanto tempo isso levará e se a utilidade aumentará para atender ao preço, ou vice-versa. Dito isso, a construção contínua do mercado de criptomoedas e a próspera indústria de IA podem sustentar uma narrativa robusta de IA de criptomoedas por algum tempo.

Conclusão

O papel da criptomoeda na IA não é uma mera abstração - qualquer plataforma descentralizada compete com alternativas centralizadas existentes e deve ser analisada em relação a requisitos comerciais e regulatórios mais amplos. Portanto, simplesmente substituir provedores centralizados por provedores "descetralizados" não é suficiente para impulsionar um progresso significativo. Modelos de IA generativos existem há vários anos e têm mantido um grau de descentralização devido à competição de mercado e ao software de código aberto.

Um tema recorrente neste relatório é o reconhecimento de que, embora as soluções baseadas em cripto sejam frequentemente tecnicamente viáveis, ainda exigem um trabalho significativo para alcançar funcionalidades comparáveis ​​com plataformas mais centralizadas, que provavelmente não ficarão paradas em futuros desenvolvimentos. Na verdade, devido ao mecanismo de consenso, o desenvolvimento centralizado frequentemente avança mais rapidamente do que o desenvolvimento descentralizado, o que pode representar desafios para um campo como a IA, que está evoluindo rapidamente.

Dado isso, a interseção entre IA e criptomoeda ainda está em seus estágios iniciais, e mudanças rápidas podem ocorrer nos próximos anos com o desenvolvimento mais amplo do campo de IA. O futuro descentralizado da IA não é garantido, como imaginado por muitos na indústria de criptomoedas—de fato, o futuro da própria indústria de IA permanece amplamente incerto. Portanto, acreditamos que a abordagem prudente é navegar com cautela nesses mercados, aprofundar-se em soluções baseadas em criptomoedas e realmente entender como fornecer melhores alternativas ou compreender narrativas de negociação potenciais.

Link do Artigo Original

Declaração:

1. Este artigo originalmente intitulado "加密世界的AI海市蜃楼" é reproduzido de [ theblockbeats]. Todos os direitos autorais pertencem ao autor original [David Han]. Se você tiver alguma objeção à reimpressão, entre em contato Gate Aprendaequipe, a equipe lidará com isso o mais rápido possível.

2. Aviso legal: As opiniões expressas neste artigo representam apenas as opiniões pessoais do autor e não constituem qualquer conselho de investimento.

3. As traduções do artigo para outros idiomas são feitas pela equipe Gate Learn. A menos que mencionado, copiar, distribuir ou plagiar os artigos traduzidos é proibido.