โครงข่ายประสาทแบบเปิด: จุดตัดของ AI และ web3

โดย Rishin Sharma และ Jake Brukhman

ขอขอบคุณเป็นพิเศษสำหรับทุกคนที่แสดงความคิดเห็นเกี่ยวกับงานชิ้นนี้ รวมถึง Nick Yakovenko, David Pakman, Jan Coppens, AC, Evan Feng, Adi Sideman

ที่มา: รูปภาพที่สร้างโดย AI จาก Lexica.art ซึ่งเป็นเครื่องมือค้นหาการแพร่กระจายที่เสถียร

นวัตกรรมทางเทคโนโลยีไม่เคยหยุดนิ่ง โดยเฉพาะอย่างยิ่งสำหรับปัญญาประดิษฐ์ ในช่วงไม่กี่ปีที่ผ่านมา เราได้เห็นความนิยมของโมเดลการเรียนรู้เชิงลึกที่ปรากฏขึ้นอีกครั้งในฐานะผู้บุกเบิก AI เรียกอีกอย่างว่า เครือข่ายประสาทเทียมแบบจำลองเหล่านี้ประกอบด้วยชั้นของโหนดที่เชื่อมต่อกันอย่างหนาแน่นซึ่งส่งข้อมูลผ่านกันและกัน โดยเลียนแบบการสร้างสมองของมนุษย์อย่างคร่าวๆ ในช่วงต้นปี 2010 แบบจำลองที่ทันสมัยที่สุดมีพารามิเตอร์หลายล้านตัว แบบจำลองที่มีการควบคุมอย่างเข้มงวดซึ่งใช้สำหรับการวิเคราะห์และจำแนกความรู้สึกเฉพาะ โมเดลที่ทันสมัยที่สุดในปัจจุบัน เช่น ดรีมสตูดิโอ, จีพีที-3, DALL-E2และ ภาพ กำลังใกล้จะถึงหนึ่งล้านล้านพารามิเตอร์และกำลังทำงานที่ซับซ้อนและสร้างสรรค์ให้สำเร็จซึ่งเทียบเท่ากับงานของมนุษย์ ตัวอย่างเช่น ภาพส่วนหัวหรือข้อมูลสรุปของโพสต์บล็อกนี้ ทั้งคู่ผลิตโดยปัญญาประดิษฐ์ เราเพิ่งเริ่มเห็นผลกระทบทางสังคมและวัฒนธรรมของแบบจำลองเหล่านี้ เนื่องจากสิ่งเหล่านี้เป็นตัวกำหนดวิธีที่เราเรียนรู้สิ่งใหม่ๆ มีปฏิสัมพันธ์กับผู้อื่น และแสดงออกอย่างสร้างสรรค์

อย่างไรก็ตาม ความรู้ด้านเทคนิค ชุดข้อมูลสำคัญ และความสามารถในการคำนวณเพื่อฝึกโครงข่ายประสาทเทียมขนาดใหญ่ส่วนใหญ่ในปัจจุบันล้วนเป็นแหล่งข้อมูลแบบปิดและควบคุมโดยบริษัท “บิ๊กเทค” เช่น Google และ Meta ในขณะที่แบบจำลองโอเพ่นซอร์สจำลองเช่น GPT-นีโอเอ็กซ์, DALLE-เมกะและ BLOOM ได้รับหัวหอกจากองค์กรต่างๆ ได้แก่ ความเสถียรAI, Eleuther AIและ กอดใบหน้า, web3 พร้อมที่จะเพิ่มขีดความสามารถของ AI โอเพ่นซอร์สให้มากยิ่งขึ้น

“เลเยอร์โครงสร้างพื้นฐาน web3 สำหรับ AI สามารถแนะนำองค์ประกอบของการพัฒนาโอเพ่นซอร์ส ความเป็นเจ้าของชุมชนและการกำกับดูแล และการเข้าถึงสากลที่สร้างโมเดลใหม่และประสิทธิภาพในการพัฒนาเทคโนโลยีใหม่เหล่านี้"

นอกจากนี้ กรณีการใช้งานที่สำคัญจำนวนมากสำหรับ web3 จะได้รับการปรับปรุงโดยการนำเทคโนโลยี AI มาใช้ จาก NFT ศิลปะการกำเนิด สำหรับภูมิประเทศแบบ metaversal AI จะพบกรณีการใช้งานมากมายใน web3 AI แบบโอเพ่นซอร์สเข้ากันได้ดีกับแนวคิดแบบเปิด กระจายอำนาจ และเป็นประชาธิปไตยของ web3 และเป็นทางเลือกแทน AI ที่ Big Tech จัดหาให้ ซึ่งไม่น่าจะเปิดเร็วๆ นี้

โมเดลรองพื้น เป็นโครงข่ายประสาทเทียมที่ได้รับการฝึกฝนในชุดข้อมูลจำนวนมากเพื่อปฏิบัติงานที่ปกติแล้วต้องใช้พฤติกรรมของมนุษย์ที่ชาญฉลาด โมเดลเหล่านี้สร้างผลงานที่น่าประทับใจ

โมเดลภาษาเช่น OpenAI's จีพีที-3, LaMDA . ของ Googleและ Megatron-Turing NLG ของ Nvidia มีความสามารถในการเข้าใจและสร้างภาษาธรรมชาติ สรุปและสังเคราะห์ข้อความ และอื่น ๆ เขียนรหัสคอมพิวเตอร์.

DALLE-2 เป็นของ OpenAI แบบจำลองการแพร่กระจายข้อความเป็นรูปภาพ ที่สามารถสร้างภาพที่ไม่ซ้ำใครจากข้อความที่เขียน DeepMind แผนก AI ของ Google ได้ผลิตแบบจำลองที่แข่งขันกัน ได้แก่ PaLM ซึ่งเป็นแบบจำลองภาษาพารามิเตอร์ 540B และ Imagen ซึ่งเป็นแบบจำลองการสร้างภาพของตนเองที่มีประสิทธิภาพดีกว่า DALLE-2 บน DrawBench และ COCO FID Benchmarks Imagen ให้ผลลัพธ์ที่เหมือนจริงมากขึ้นและมีความสามารถในการสะกด

โมเดลการเรียนรู้เสริมแรงเช่นของ Google AlphaGo ได้เอาชนะ แชมป์โลก Go มนุษย์ ในขณะที่ค้นพบกลยุทธ์และเทคนิคการเล่นที่แปลกใหม่ซึ่งไม่เคยมีมาก่อนในประวัติศาสตร์สามพันปีของเกม

การแข่งขันเพื่อสร้างโมเดลฐานรากที่ซับซ้อนได้เริ่มขึ้นแล้ว โดยมี Big Tech เป็นผู้นำนวัตกรรมระดับแนวหน้า แม้จะน่าตื่นเต้นพอๆ กับความก้าวหน้าของภาคสนาม แต่ก็มีประเด็นสำคัญที่น่าเป็นห่วง

ในช่วงทศวรรษที่ผ่านมา เมื่อโมเดล AI มีความซับซ้อนมากขึ้น โมเดลเหล่านั้นก็กลายเป็นที่ปิดไม่ให้สาธารณชนเข้าชมมากขึ้นเรื่อยๆ

ยักษ์ใหญ่ด้านเทคโนโลยีกำลังลงทุนอย่างหนักในการผลิตแบบจำลองดังกล่าวและเก็บรักษาข้อมูลและรหัสไว้เป็นเทคโนโลยีที่เป็นกรรมสิทธิ์ ในขณะที่ยังคงรักษาคูเมืองที่แข่งขันได้ผ่านการประหยัดต่อขนาดเพื่อการฝึกอบรมแบบจำลองและการคำนวณ

สำหรับบุคคลที่สาม การผลิตโมเดลพื้นฐานเป็นกระบวนการที่ใช้ทรัพยากรมาก และมีปัญหาคอขวดหลักสามประการ: ข้อมูล, คำนวณ, และ การสร้างรายได้.

นี่คือจุดที่เราเห็นการบุกรุกของธีม web3 ในช่วงแรก ๆ ในการแก้ปัญหาเหล่านี้

ชุดข้อมูลที่ติดฉลากมีความสำคัญต่อการสร้างแบบจำลองที่มีประสิทธิภาพ ระบบ AI เรียนรู้โดยการสรุปจากตัวอย่างภายในชุดข้อมูลและปรับปรุงอย่างต่อเนื่องตามที่ได้รับการฝึกฝนเมื่อเวลาผ่านไป อย่างไรก็ตาม การรวบรวมและติดฉลากชุดข้อมูลที่มีคุณภาพนั้นต้องการความรู้เฉพาะทางและการประมวลผลนอกเหนือไปจากทรัพยากรในการคำนวณ บริษัทเทคโนโลยีขนาดใหญ่มักจะมีทีมข้อมูลภายในที่เชี่ยวชาญในการทำงานกับชุดข้อมูลขนาดใหญ่ที่เป็นกรรมสิทธิ์และ ระบบไอพี เพื่อฝึกฝนโมเดลของพวกเขา และมีแรงจูงใจเพียงเล็กน้อยในการเปิดให้มีการผลิตหรือแจกจ่ายข้อมูลของพวกเขา

มีชุมชนอยู่แล้วที่เปิดให้การฝึกอบรมแบบจำลองเปิดและเข้าถึงได้สำหรับชุมชนนักวิจัยทั่วโลก นี่คือตัวอย่างบางส่วน:

1. การรวบรวมข้อมูลทั่วไปซึ่งเป็นที่เก็บข้อมูลสาธารณะของข้อมูลอินเทอร์เน็ตสิบปี สามารถใช้สำหรับการฝึกอบรมทั่วไปได้ (แม้ว่า การวิจัยแสดงให้เห็นว่า ชุดข้อมูลที่แยกวิเคราะห์และแม่นยำยิ่งขึ้นสามารถปรับปรุงความรู้ข้ามโดเมนทั่วไปและความสามารถทั่วไปของดาวน์สตรีมของโมเดล)
2. ไลออน เป็นองค์กรไม่แสวงหาผลกำไรที่มุ่งสร้างโมเดลและชุดข้อมูลแมชชีนเลิร์นนิงขนาดใหญ่ที่พร้อมเผยแพร่ต่อสาธารณชนทั่วไป LAION5Bซึ่งเป็นชุดข้อมูลคู่ข้อความรูปภาพที่กรองด้วย CLIP จำนวน 5.85 พันล้านชุด ซึ่งเมื่อเปิดตัวแล้ว ได้กลายเป็นชุดข้อมูลข้อความรูปภาพที่เข้าถึงได้แบบเปิดเผยที่ใหญ่ที่สุดในโลก
3. Eleuther AI เป็นกลุ่มกระจายอำนาจที่เปิดตัวชุดข้อมูลข้อความโอเพ่นซอร์สที่ใหญ่ที่สุดชุดหนึ่งที่เรียกว่า เสาเข็ม. The Pile เป็นชุดข้อมูลภาษาอังกฤษ 825.18 GiB สำหรับการสร้างแบบจำลองภาษาที่ใช้แหล่งข้อมูลที่แตกต่างกัน 22 แหล่ง

ปัจจุบัน ชุมชนเหล่านี้ได้รับการจัดตั้งอย่างไม่เป็นทางการและพึ่งพาความช่วยเหลือจากฐานอาสาสมัครที่กว้างขวาง เพื่อเพิ่มความพยายามของพวกเขา สามารถใช้รางวัลโทเค็นเป็นกลไกในการสร้างชุดข้อมูลโอเพนซอร์ส โทเค็นสามารถถูกปล่อยออกมาตามการมีส่วนร่วม เช่น การติดฉลากชุดข้อมูลภาพและข้อความขนาดใหญ่ และชุมชน DAO สามารถตรวจสอบการอ้างสิทธิ์ดังกล่าวได้ ในที่สุด โมเดลขนาดใหญ่สามารถออกโทเค็นจากแหล่งรวมทั่วไป และรายได้ดาวน์สตรีมจากผลิตภัณฑ์ที่สร้างขึ้นบนโมเดลดังกล่าวสามารถสะสมเป็นมูลค่าโทเค็นได้ ด้วยวิธีนี้ ผู้ร่วมให้ข้อมูลชุดข้อมูลสามารถถือหุ้นในแบบจำลองขนาดใหญ่ผ่านโทเค็นของพวกเขา และนักวิจัยจะสามารถสร้างรายได้จากทรัพยากรการสร้างในที่โล่ง

การคอมไพล์ชุดข้อมูลโอเพ่นซอร์สที่สร้างมาอย่างดีมีความสำคัญต่อการขยายการเข้าถึงการวิจัยสำหรับโมเดลขนาดใหญ่และปรับปรุงประสิทธิภาพของโมเดล ชุดข้อมูลรูปภาพข้อความสามารถขยายได้โดยการเพิ่มขนาดและตัวกรองสำหรับรูปภาพประเภทต่างๆ เพื่อให้ได้ผลลัพธ์ที่ละเอียดยิ่งขึ้น ชุดข้อมูลที่ไม่ใช่ภาษาอังกฤษจำเป็นสำหรับการฝึกอบรมโมเดลภาษาธรรมชาติที่ประชากรที่ไม่พูดภาษาอังกฤษสามารถใช้ได้ เมื่อเวลาผ่านไป เราสามารถบรรลุผลลัพธ์เหล่านี้ได้เร็วและเปิดเผยมากขึ้นโดยใช้วิธีการของ web3

การคำนวณที่จำเป็นในการฝึกอบรมโครงข่ายประสาทเทียมขนาดใหญ่เป็นหนึ่งในปัญหาคอขวดที่ใหญ่ที่สุดในโมเดลพื้นฐาน ในช่วงทศวรรษที่ผ่านมา ความต้องการการประมวลผลในแบบจำลอง AI การฝึกอบรมมี เพิ่มขึ้นสองเท่าทุกๆ 3.4 เดือน. ในช่วงเวลานี้ แบบจำลอง AI ได้เปลี่ยนจากการจดจำภาพเป็นการใช้อัลกอริธึมการเรียนรู้แบบเสริมกำลังเพื่อเอาชนะแชมป์เปี้ยนที่เป็นมนุษย์ในเกมกลยุทธ์ และใช้ทรานส์ฟอร์มเมอร์สในการฝึกโมเดลภาษา ตัวอย่างเช่น GPT-3 ของ OpenAI มีพารามิเตอร์ 175 พันล้านพารามิเตอร์ และใช้เวลา 3,640 petaFLOPS-วันในการฝึก การดำเนินการนี้จะใช้เวลาสองสัปดาห์กับซูเปอร์คอมพิวเตอร์ที่เร็วที่สุดในโลก และใช้เวลากว่าสหัสวรรษสำหรับแล็ปท็อปมาตรฐานในการคำนวณ ในขณะที่ขนาดของโมเดลยังคงเติบโตขึ้นเรื่อยๆ การคำนวณยังคงเป็นปัญหาคอขวดในการพัฒนาด้านนี้

ซูเปอร์คอมพิวเตอร์ AI ต้องการฮาร์ดแวร์เฉพาะที่ปรับให้เหมาะสมสำหรับการดำเนินการทางคณิตศาสตร์ที่จำเป็นสำหรับการฝึกอบรมโครงข่ายประสาทเทียม เช่น หน่วยประมวลผลกราฟิก (GPU) หรือวงจรรวมเฉพาะแอปพลิเคชัน (ASIC) ปัจจุบัน ฮาร์ดแวร์ส่วนใหญ่ที่ได้รับการปรับให้เหมาะกับการประมวลผลประเภทนี้ถูกควบคุมโดยผู้ให้บริการระบบคลาวด์แบบผู้ขายน้อยรายไม่กี่ราย เช่น Google Cloud, Amazon Web Services, Microsoft Azure และ IBM Cloud

นี่คือจุดตัดสำคัญถัดไปที่เราเห็นว่าการจัดสรรการประมวลผลแบบกระจายอำนาจผ่านเครือข่ายสาธารณะแบบเปิดได้รับแรงดึง การกำกับดูแลแบบกระจายอำนาจอาจใช้เพื่อจัดหาทุนและจัดสรรทรัพยากรเพื่อฝึกอบรมโครงการที่ขับเคลื่อนโดยชุมชน นอกจากนี้ โมเดลตลาดแบบกระจายศูนย์ยังสามารถเข้าถึงได้อย่างเปิดเผยทั่วทั้งภูมิภาค เพื่อให้นักวิจัยเข้าถึงทรัพยากรคอมพิวเตอร์ได้ ลองนึกภาพระบบเงินรางวัลที่คราวด์ฟันด์โมเดลการฝึกอบรมโดยการออกโทเค็น การระดมทุนที่ประสบความสำเร็จจะได้รับการประมวลผลที่จัดลำดับความสำคัญสำหรับโมเดลของตนและผลักดันนวัตกรรมที่มีความต้องการสูง ตัวอย่างเช่น หากมีความต้องการอย่างมากจาก DAO ในการผลิตแบบจำลอง GPT ภาษาสเปนหรือภาษาฮินดีเพื่อรองรับประชากรกลุ่มใหญ่ การวิจัยสามารถมุ่งเน้นไปที่โดเมนนั้นได้

แล้วบริษัทอย่าง เจนซิน กำลังดำเนินการเปิดตัวโปรโตคอลเพื่อสร้างแรงจูงใจและประสานการเข้าถึงฮาร์ดแวร์ทางเลือกที่ประหยัดต้นทุนและใช้ระบบคลาวด์สำหรับการคำนวณการเรียนรู้เชิงลึก เมื่อเวลาผ่านไป เครือข่ายคอมพิวเตอร์ส่วนกลางแบบกระจายศูนย์ที่ใช้ร่วมกันซึ่งสร้างด้วยโครงสร้างพื้นฐาน web3 จะประหยัดต้นทุนมากขึ้นในการปรับขนาดและให้บริการเราได้ดียิ่งขึ้น ในขณะที่เราร่วมกันสำรวจพรมแดนของปัญญาประดิษฐ์

ชุดข้อมูลและการคำนวณจะเปิดใช้งานวิทยานิพนธ์นี้: โมเดล AI แบบโอเพ่นซอร์ส ในช่วงไม่กี่ปีที่ผ่านมา โมเดลขนาดใหญ่กลายเป็นแบบส่วนตัวมากขึ้น เนื่องจากการลงทุนด้านทรัพยากรที่จำเป็นในการผลิตโมเดลเหล่านี้ได้ผลักดันให้โครงการต่างๆ กลายเป็นแหล่งปิด

ใช้ OpenAI OpenAI ก่อตั้งขึ้นในปี 2015 ในฐานะห้องปฏิบัติการวิจัยที่ไม่แสวงหาผลกำไรที่มีภารกิจในการผลิตปัญญาประดิษฐ์ทั่วไปเพื่อประโยชน์ของมวลมนุษยชาติ ซึ่งแตกต่างอย่างสิ้นเชิงจากผู้นำด้าน AI ในเวลานั้นอย่าง Google และ Facebook เมื่อเวลาผ่านไป การแข่งขันที่รุนแรงและแรงกดดันในการระดมทุนได้ทำลายอุดมคติของความโปร่งใสและรหัสโอเพ่นซอร์ส เนื่องจาก OpenAI เปลี่ยนไปเป็น รูปแบบการแสวงหาผลกำไร และลงนามอย่างยิ่งใหญ่ ข้อตกลงการค้ามูลค่า 1 พันล้านดอลลาร์กับ Microsoft. นอกจากนี้ การโต้เถียงเมื่อเร็วๆ นี้ยังเกิดขึ้นกับโมเดลแปลงข้อความเป็นรูปภาพ DALLE-2 สำหรับการเซ็นเซอร์ทั่วไป. (ตัวอย่างเช่น DALLE-2 ได้ห้ามคำว่า 'ปืน' 'ประหารชีวิต' 'โจมตี' 'ยูเครน' และรูปภาพของคนดัง การเซ็นเซอร์อย่างหยาบคายดังกล่าวป้องกันไม่ให้ข้อความแจ้งเช่น 'Lebron James โจมตีตะกร้า' หรือ 'โปรแกรมเมอร์ที่ดำเนินการ บรรทัดของรหัส') การเข้าถึงเบต้าส่วนตัวสำหรับโมเดลเหล่านี้มีอคติทางภูมิศาสตร์โดยนัยสำหรับผู้ใช้ชาวตะวันตกเพื่อตัดกลุ่มประชากรจำนวนมากทั่วโลกจากการโต้ตอบและแจ้งโมเดลเหล่านี้

นี่ไม่ใช่วิธีการเผยแพร่ปัญญาประดิษฐ์: ได้รับการปกป้อง ดูแล และเก็บรักษาโดยบริษัทเทคโนโลยีขนาดใหญ่เพียงไม่กี่แห่ง เช่นเดียวกับในกรณีของบล็อกเชน เทคโนโลยีใหม่ควรถูกนำไปใช้อย่างเท่าเทียมกันมากที่สุดเท่าที่จะเป็นไปได้ เพื่อผลประโยชน์ของมันจะไม่กระจุกตัวอยู่กับคนส่วนน้อยที่เข้าถึงได้ ความก้าวหน้าแบบผสมผสานของปัญญาประดิษฐ์ควรได้รับการยกระดับอย่างเปิดเผยในอุตสาหกรรม ภูมิศาสตร์ และชุมชนต่างๆ เพื่อร่วมกันค้นหากรณีการใช้งานที่น่าสนใจที่สุดและบรรลุฉันทามติเกี่ยวกับการใช้ AI อย่างยุติธรรม การรักษารูปแบบโอเพ่นซอร์สพื้นฐานไว้สามารถรับประกันได้ว่ามีการป้องกันการเซ็นเซอร์และมีการตรวจสอบอคติอย่างรอบคอบภายใต้มุมมองสาธารณะ

ด้วยโครงสร้างโทเค็นสำหรับโมเดลพื้นฐานทั่วไป จะสามารถรวมกลุ่มผู้สนับสนุนที่ใหญ่ขึ้นซึ่งสามารถสร้างรายได้จากงานของพวกเขาในขณะที่ปล่อยโค้ดโอเพ่นซอร์ส โครงการเช่น OpenAI ที่สร้างขึ้นโดยคำนึงถึงวิทยานิพนธ์แบบโอเพ่นซอร์สจำเป็นต้องเปลี่ยนไปใช้บริษัทที่ได้รับทุนสนับสนุนแบบสแตนด์อโลนเพื่อแข่งขันกันเพื่อความสามารถและทรัพยากร Web3 ช่วยให้โครงการโอเพ่นซอร์สมีกำไรทางการเงินและแข่งขันกับโครงการที่นำโดยการลงทุนภาคเอกชนโดย Big Tech นอกจากนี้ นักประดิษฐ์ที่สร้างผลิตภัณฑ์บนโมเดลโอเพ่นซอร์สสามารถสร้างด้วยความมั่นใจว่ามีความโปร่งใสใน AI พื้นฐาน ผลต่อเนื่องของสิ่งนี้คือการยอมรับอย่างรวดเร็วและการเข้าสู่ตลาดสำหรับกรณีการใช้งานปัญญาประดิษฐ์ใหม่ๆ ในพื้นที่ web3 รวมถึง โปรแกรมรักษาความปลอดภัย ที่ทำการวิเคราะห์เชิงคาดการณ์สำหรับช่องโหว่ของสัญญาอัจฉริยะและพรมดึง เครื่องกำเนิดภาพ ที่สามารถใช้ในการสร้าง NFTs และสร้างภูมิทัศน์ metaverse บุคลิกภาพ AI ดิจิทัล ที่สามารถมีอยู่ในเครือข่ายเพื่อรักษาความเป็นเจ้าของส่วนบุคคล และอื่นๆ อีกมากมาย

ปัญญาประดิษฐ์เป็นหนึ่งในเทคโนโลยีที่ก้าวหน้าเร็วที่สุดในปัจจุบัน ซึ่งจะส่งผลกระทบอย่างใหญ่หลวงต่อสังคมของเราโดยรวม ทุกวันนี้ พื้นที่ดังกล่าวถูกครอบงำโดยเทคโนโลยีขนาดใหญ่ เนื่องจากการลงทุนทางการเงินในด้านความสามารถ ข้อมูล และการคำนวณสร้างคูเมืองที่สำคัญในการพัฒนาโอเพ่นซอร์ส การผสานรวม web3 เข้ากับชั้นโครงสร้างพื้นฐานของ AI เป็นขั้นตอนสำคัญที่ต้องทำเพื่อให้มั่นใจว่าระบบปัญญาประดิษฐ์ถูกสร้างขึ้นในลักษณะที่ยุติธรรม เปิดกว้าง และเข้าถึงได้ เราเห็นโมเดลแบบเปิดอยู่ในตำแหน่งของนวัตกรรมสาธารณะอย่างรวดเร็วในพื้นที่เปิดเช่น Twitter และ HuggingFace และ crypto สามารถเพิ่มพลังให้กับความพยายามเหล่านี้ได้ในอนาคต

นี่คือสิ่งที่ทีม CoinFund กำลังมองหาที่จุดตัดระหว่าง AI และ crypto:

1. ทีมที่มีปัญญาประดิษฐ์แบบเปิดเป็นแกนหลักของภารกิจ
2. ชุมชนที่ดูแลจัดการทรัพยากรสาธารณะ เช่น ข้อมูลและคอมพิวเตอร์ เพื่อช่วยสร้างโมเดล AI
3. ผลิตภัณฑ์ที่ใช้ AI เพื่อนำความคิดสร้างสรรค์ ความปลอดภัย และนวัตกรรมไปสู่การยอมรับในกระแสหลัก

หากคุณกำลังสร้างโครงการบนจุดตัดของ AI และ web3 แชทกับเราโดยติดต่อ CoinFund Twitter อีเมลหรือ richin@coinfund.io or jake@coinfund.io.