• Persimpangan antara kecerdasan buatan (AI) dan kripto sangat luas tetapi seringkali kurang dipahami. Kami percaya bahwa bagian-bagian berbeda dari persimpangan ini memiliki peluang-peluang yang berbeda dan jangka waktu pengembangan yang berbeda pula.
• Kami umumnya percaya bahwa untuk produk AI, desentralisasi saja tidak cukup untuk memberikan keunggulan kompetitif – harus juga mencapai paritas fungsional dengan produk terpusat dalam beberapa area kunci lainnya.
• Pandangan kontrarian kami adalah bahwa karena perhatian yang luas pada industri AI, potensi nilai dari banyak token AI mungkin dibesar-besarkan, dan banyak token AI mungkin kurang memiliki pendorong permintaan yang berkelanjutan dalam jangka pendek hingga menengah.

Dalam beberapa tahun terakhir, terobosan berkelanjutan dalam kecerdasan buatan, terutama dalam bidang kecerdasan buatan generatif, telah menarik perhatian besar pada industri kecerdasan buatan dan memberikan kesempatan bagi proyek kripto yang berada di persimpangan kedua bidang tersebut. Kami sebelumnya membahas beberapa kemungkinan untuk sektor ini dalam laporan awal pada Juni 2023, mencatat bahwa alokasi modal secara keseluruhan dalam mata uang kripto tampaknya kurang menginvestasikan dalam kecerdasan buatan. Bidang kripto AI telah tumbuh pesat sejak saat itu, dan kami merasa penting untuk menyoroti beberapa tantangan praktis yang mungkin menghambat adopsi luasnya.

Perubahan cepat dalam AI membuat kita waspada terhadap klaim berani bahwa platform kripto-centric memiliki posisi unik untuk mengganggu industri; ini membuat kita percaya bahwa sebagian besar token AI memiliki jalur peningkatan nilai jangka panjang dan berkelanjutan. Jalan penuh ketidakpastian, terutama untuk proyek-proyek dengan model ekonomi token yang tetap. Sebaliknya, kita percaya bahwa beberapa tren yang muncul dalam AI mungkin membuat inovasi berbasis kriptocurrency lebih sulit untuk diadopsi, mengingat persaingan pasar yang lebih luas dan regulasi.

Dengan demikian, kami percaya bahwa titik antara AI dan kripto adalah luas dan memiliki peluang yang beragam, dengan adopsi kemungkinan akan lebih cepat dalam sub-segment tertentu, meskipun kurangnya token yang sudah dipasarkan di banyak area ini. Namun, itu tidak tampaknya meredam minat investor. Kami menemukan bahwa kinerja token kripto terkait AI didukung oleh berita pasar AI dan dapat memiliki aksi harga positif bahkan pada hari-hari ketika Bitcoin diperdagangkan lebih rendah. Oleh karena itu, kami percaya bahwa banyak token terkait AI dapat terus diperdagangkan sebagai representasi kemajuan AI.

Tren Kunci dalam Kecerdasan Buatan

Salah satu tren paling penting dalam bidang kecerdasan buatan (terkait dengan produk kripto-AI) adalah budaya terus-menerus seputar model open source. Lebih dari 530.000 model terpapar di Hugging Face bagi para peneliti dan pengguna untuk memanipulasi dan menyempurnakan. Peran Hugging Face dalam kolaborasi AI tidak berbeda dengan mengandalkan GitHub untuk hosting kode atau Discord untuk manajemen komunitas (keduanya banyak digunakan dalam ruang kripto). Kecuali terjadi kelalaian serius, situasi ini tidak akan berubah dalam waktu dekat.

Model-model yang tersedia di Hugging Face berkisar dari model bahasa besar (LLMs) hingga model gambar dan video generatif, dan mencakup karya dari pemain industri utama seperti Open AI, Meta, dan Google, serta pengembang independen. Beberapa model bahasa sumber terbuka bahkan memiliki keunggulan kinerja dibandingkan dengan model sumber tertutup state-of-the-art dalam hal throughput (sementara mempertahankan kualitas output yang sebanding), memastikan tingkat kompetisi antara model sumber terbuka dan model komersial (lihat Gambar 1). Yang penting, kami percaya bahwa ekosistem sumber terbuka yang dinamis ini dikombinasikan dengan sektor komersial yang sangat kompetitif telah memungkinkan industri di mana model-model buruk didorong keluar dari persaingan.

Tren kedua adalah peningkatan kualitas dan efisiensi biaya dari model-model kecil (yang disorot dalam penelitian LLM pada tahun 2020 dan dalam makalah terbaru dari Microsoft), yang juga bersesuaian dengan budaya open source untuk lebih memungkinkan kinerja tinggi, menjalankan model AI secara lokal. Beberapa model open source yang disesuaikan dengan baik bahkan dapat melampaui model sumber tertutup terkemuka pada beberapa benchmark tertentu. Dalam dunia seperti itu, beberapa model AI dapat dijalankan secara lokal, memaksimalkan desentralisasi. Tentu saja, perusahaan teknologi incumbent akan terus melatih dan menjalankan model-model yang lebih besar di cloud, tetapi ruang desain antara keduanya akan memerlukan kompromi.

Selain itu, mengingat kompleksitas yang semakin meningkat dari tugas benchmarking model AI (termasuk kontaminasi data dan ruang lingkup pengujian yang berbeda), menghasilkan output model pada akhirnya mungkin paling baik dievaluasi oleh pengguna akhir di pasar bebas. Pada dasarnya, pengguna akhir dapat menggunakan alat yang ada untuk membandingkan output model secara berdampingan dengan perusahaan benchmark yang melakukan operasi yang sama. Ide kasar tentang kesulitan benchmark AI generatif dapat diperoleh dari beragamnya benchmark LLM terbuka, termasuk MMLU, HellaSwag, TriviaQA, BoolQ, dll., masing-masing menguji kasus penggunaan yang berbeda seperti penalaran akal sehat, topik akademis, dan berbagai format pertanyaan.

Tren ketiga yang kami amati di ruang AI adalah bahwa platform-platform yang ada dengan daya tarik pengguna yang kuat atau menyelesaikan masalah-masalah bisnis tertentu dapat mendapatkan manfaat secara tidak proporsional dari integrasi AI. Misalnya, integrasi GitHub Copilot dengan editor kode meningkatkan lingkungan pengembang yang sudah kuat. Menanamkan antarmuka AI ke dalam alat-alat lain, dari klien email hingga spreadsheet hingga perangkat lunak manajemen hubungan pelanggan, juga merupakan kasus penggunaan alami untuk AI (misalnya, asisten AI Klarna melakukan pekerjaan dari 700 staf layanan pelanggan penuh waktu).

Namun perlu dicatat bahwa dalam banyak skenario ini, model AI tidak akan menghasilkan platform baru, tetapi hanya meningkatkan yang sudah ada. Model AI lain yang meningkatkan proses bisnis tradisional secara internal (misalnya, sistem Lattice Meta, yang membantu mengembalikan kinerja iklan Apple ke level lama setelah diluncurkan Transparansi Pelacakan Aplikasi) juga sering mengandalkan data properti dan sistem tertutup. Jenis model AI ini kemungkinan akan tetap menjadi sumber tertutup karena terintegrasi secara vertikal ke dalam produk inti dan menggunakan data properti.

Di dunia perangkat keras dan komputasi AI, kita melihat dua tren terkait lainnya. Yang pertama adalah pergeseran penggunaan komputasi dari pelatihan ke inferensi. Artinya, ketika model kecerdasan buatan pertama kali dikembangkan, sejumlah besar sumber daya komputasi digunakan untuk "melatih" model dengan memberinya kumpulan data besar. Sekarang kita telah beralih ke menyebarkan dan mengkueri model.

Panggilan pendapatan NVIDIA pada Februari 2024 menunjukkan bahwa sekitar 40% bisnis mereka digunakan untuk inferensi. Satya Nadella membuat komentar serupa pada panggilan pendapatan Microsoft bulan sebelum Januari, menekankan bahwa "sebagian besar" Penggunaan Azure AI mereka untuk penalaran. Seiring tren ini berlanjut, kami percaya entitas yang mencari cara untuk memonetisasi model akan memprioritaskan platform yang dapat menjalankan model secara handal dalam mode yang aman dan siap produksi.

Tren utama kedua adalah lanskap persaingan sekitar arsitektur hardware. Prosesor H200 Nvidia akan tersedia mulai kuartal kedua tahun 2024, dengan B100 generasi berikutnya diharapkan dapat meningkatkan performa dua kali lipat. Selain itu, dukungan terus-menerus Google terhadap Unit Pemrosesan Tensor (TPU) miliknya sendiri dan Unit Pemrosesan Bahasa (LPU) baru Groq juga dapat meningkatkan pangsa pasar sebagai alternatif di ruang ini dalam beberapa tahun mendatang (lihat Gambar 2). Perkembangan tersebut dapat mengubah dinamika biaya dalam industri kecerdasan buatan dan dapat menguntungkan penyedia layanan cloud, memungkinkan mereka untuk dengan cepat beralih, membeli hardware secara besar-besaran, dan mengkonfigurasi segala kebutuhan jaringan fisik terkait dan alat pengembang.

Secara keseluruhan, bidang kecerdasan buatan merupakan bidang yang sedang berkembang dan berkembang dengan cepat. Kurang dari 1,5 tahun setelah ChatGPT pertama kali dirilis ke pasar pada November 2022 (meskipun model GPT 3 yang mendasarinya telah ada sejak Juni 2020), pertumbuhan cepat di ruang tersebut sejak saat itu telah menakjubkan. Meskipun ada beberapa perilaku yang dipertanyakan mengenai bias di balik beberapa model AI generatif, kami bisa melihat model yang performanya lebih rendah akan digantikan oleh pasar demi alternatif yang lebih baik. Pertumbuhan cepat industri dan potensi regulasi yang akan datang berarti masalah industri ini secara teratur berubah seiring dengan solusi-solusi baru yang tersedia.

Bagi bidang yang berkembang dengan cepat seperti ini, "solusi terdesentralisasi [XXX]" yang sering disebut sebagai kesimpulan yang sudah pasti sangat prematur. Hal ini juga secara prematur menyelesaikan masalah sentralisasi yang mungkin tidak benar-benar ada. Kenyataannya adalah bahwa industri AI telah mencapai tingkat desentralisasi yang besar di berbagai bidang teknologi dan bisnis melalui persaingan antara banyak perusahaan berbeda dan proyek sumber terbuka. Selain itu, karena sifat proses pengambilan keputusan dan konsensus mereka, protokol terdesentralisasi maju dengan kecepatan yang lebih lambat daripada protokol terpusat baik dari segi teknis maupun sosial. Hal ini dapat menciptakan hambatan dalam upaya untuk seimbang antara desentralisasi dan produk-produk yang kompetitif pada tahap pengembangan AI ini. Dengan kata lain, ada sinergi antara kriptokurensi dan kecerdasan buatan yang dapat diwujudkan secara bermakna dalam jangka waktu yang lebih lama.

Lihat peluang

Secara garis besar, kita membagi persimpangan kecerdasan buatan dan kripto menjadi dua kategori utama. Kategori pertama adalah kasus penggunaan di mana produk kecerdasan buatan meningkatkan industri kripto. Ini termasuk skenario mulai dari membuat transaksi yang dapat dibaca oleh manusia dan meningkatkan analisis data blockchain, hingga memanfaatkan output model on-chain sebagai bagian dari protokol tanpa izin. Kategori kedua adalah kasus penggunaan di mana kripto bertujuan untuk mengganggu jalur kecerdasan buatan tradisional melalui komputasi terdesentralisasi, verifikasi, identitas, dll.

Kasus penggunaan untuk kategori sebelumnya dari skenario terkait bisnis jelas, dan kami percaya bahwa sementara tantangan teknis signifikan masih ada, ada juga prospek jangka panjang dalam skenario model inferensi on-chain yang lebih kompleks. Model Kecerdasan Buatan terpusat dapat meningkatkan kripto seperti teknologi industri lainnya, mulai dari meningkatkan alat pengembang dan audit kode hingga menerjemahkan bahasa manusia ke tindakan on-chain. Namun, investasi di bidang ini biasanya mengalir ke perusahaan swasta melalui modal ventura, sehingga sering diabaikan oleh pasar publik.

Namun, implikasi dan manfaat bagaimana kripto dapat mengganggu saluran AI yang ada kurang pasti bagi kami. Kesulitan dalam kategori terakhir bukan hanya tantangan teknis (yang kami percaya pada umumnya dapat diselesaikan dalam jangka panjang), tetapi juga pertempuran berat dengan kekuatan pasar dan regulasi yang lebih luas. Sebagian besar perhatian terbaru pada kecerdasan buatan dan kripto telah difokuskan pada kategori ini, karena kasus penggunaan ini lebih cocok untuk memiliki token likuid. Ini adalah fokus dari bagian berikutnya kami, karena saat ini ada sedikit token likuid yang relevan untuk alat AI terpusat dalam kripto.

Peran kripto dalam pipa jaringan kecerdasan buatan

Dengan risiko memudahkan masalah tersebut, kami mempertimbangkan dampak potensial kripto pada AI dalam empat tahap utama dari pipa AI:

1. Pengumpulan data, penyimpanan, dan pemrosesan

2. Pelatihan model dan inferensi

3. Verifikasi output model

4. Lacak output dari model kecerdasan buatan

Banyak proyek Kripto-AI baru telah muncul di area-area ini. Namun, banyak akan menghadapi tantangan serius dalam jangka pendek hingga menengah dari generasi sisi permintaan dan persaingan sengit dari perusahaan terpusat dan solusi open-source.

Data Properti

Data adalah dasar dari semua model AI dan dapat menjadi pembeda kunci dalam kinerja model AI profesional. Data blockchain historis sendiri adalah sumber data baru yang kaya untuk model, dan beberapa proyek seperti Grass juga bertujuan untuk memanfaatkan insentif kripto untuk merawat rangkaian data baru dari internet terbuka. Dalam hal ini, kripto memiliki kesempatan untuk menyediakan rangkaian data khusus industri dan mendorong penciptaan rangkaian data berharga baru. (Kami berpikir kesepakatan lisensi data Reddit sebesar $60 juta per tahun dengan Google merupakan pertanda baik untuk masa depan monetisasi dataset.)

Banyak model awal (seperti GPT 3) menggunakan campuran kumpulan data terbuka seperti CommonCrawl, WebText2, Buku, dan Wikipedia, serta kumpulan data serupa yang tersedia secara gratis di Hugging Face (saat ini menyediakan lebih dari 110.000 opsi). Namun, mungkin untuk melindungi kepentingan komersial, banyak model sumber tertutup terbaru belum merilis komposisi kumpulan data latihan akhir mereka. Kecenderungan menuju kumpulan data properti, terutama dalam model bisnis, akan terus berlanjut dan meningkatkan pentingnya lisensi data.

Market tempat data terdesentralisasi baru juga perlu membangun antarmuka data yang terstandarisasi dan jalur pipa, memverifikasi integritas dan konfigurasi data, serta menyelesaikan masalah awal produknya - sambil menyeimbangkan insentif token antara peserta pasar.

Selain itu, solusi penyimpanan terdesentralisasi pada akhirnya mungkin menemukan tempat dalam industri kecerdasan buatan, meskipun dengan banyak tantangan dalam hal ini. Di satu sisi, saluran distribusi untuk dataset sumber terbuka sudah ada dan banyak digunakan. Di sisi lain, banyak pemilik dataset propietari memiliki persyaratan keamanan dan kepatuhan yang ketat.

Saat ini, tidak ada jalur regulasi untuk menjalankan data sensitif di platform penyimpanan terdesentralisasi seperti Filecoin dan Arweave. Banyak perusahaan masih beralih dari server on-premises ke penyedia penyimpanan awan terpusat. Selain itu, sifat terdesentralisasi dari jaringan ini saat ini tidak memenuhi beberapa persyaratan lokasi geografis dan isolasi data fisik untuk menyimpan data sensitif, pada tingkat teknis.

Sementara perbandingan harga antara solusi penyimpanan terdesentralisasi dan penyedia cloud yang sudah mapan menunjukkan bahwa unit penyimpanan terdesentralisasi lebih murah per unit, hal ini mengabaikan premis penting. Pertama, biaya awal yang terkait dengan migrasi sistem antara penyedia perlu dipertimbangkan di atas biaya operasional sehari-hari. Kedua, platform penyimpanan terdesentralisasi berbasis kripto perlu sejalan dengan peralatan dan integrasi yang lebih baik dengan sistem cloud matang yang dikembangkan selama dua dekade terakhir. Solusi cloud juga memiliki biaya yang lebih dapat diprediksi dari perspektif operasi bisnis, menawarkan kewajiban kontraktual dan tim dukungan yang didedikasikan, dan memiliki basis bakat pengembang yang besar.

Sangat penting untuk dicatat bahwa perbandingan sekilas dengan tiga penyedia cloud utama (Amazon Web Services, Google Cloud Platform, dan Microsoft Azure) tidak lengkap. Ada puluhan perusahaan cloud berbiaya rendah yang juga bersaing untuk mendapatkan pangsa pasar dengan menawarkan rak server dasar yang lebih murah. Kami percaya bahwa ini adalah pesaing utama sebenarnya dalam jangka pendek untuk konsumen yang memperhatikan biaya.

Dengan kata lain, inovasi-inovasi terbaru seperti komputasi data Filecoin dan lingkungan komputasi AO Arweave mungkin memainkan peran dalam proyek-proyek greenfield mendatang yang menggunakan dataset yang kurang sensitif atau untuk perusahaan yang belum menjadi pemasok sensitif biaya (mungkin dalam skala yang lebih kecil).

Oleh karena itu, sementara memang ada ruang untuk produk kriptografi baru di ruang data, gangguan teknologi terbaru akan terjadi di mana mereka dapat menghasilkan proposisi nilai unik. Area di mana produk terdesentralisasi bersaing langsung dengan pesaing tradisional dan sumber terbuka akan memerlukan waktu lebih lama untuk berkembang.

Pelatihan dan Inferensi Model

Bidang komputasi terdesentralisasi (DeComp) dalam industri kripto juga bertujuan untuk berfungsi sebagai alternatif untuk komputasi awan terpusat, sebagian karena kelangkaan pasokan GPU yang ada. Salah satu solusi yang diusulkan untuk mengatasi masalah kelangkaan ini adalah penggunaan kembali sumber daya komputasi yang menganggur dalam jaringan kolektif, sehingga mengurangi biaya bagi penyedia awan terpusat. Protokol seperti Akash dan Render telah menerapkan solusi serupa. Indikator awal menunjukkan bahwa proyek-proyek seperti itu mengalami peningkatan penggunaan dari kedua pengguna dan pemasok. Sebagai contoh, sewa aktif Akash (yaitu, jumlah pengguna) telah meningkat tiga kali lipat sepanjang tahun ini (lihat Gambar 3), terutama karena peningkatan pemanfaatan sumber daya penyimpanan dan komputasinya.

Namun, biaya yang dibayarkan ke jaringan sebenarnya telah menurun sejak puncak pada Desember 2023, karena pasokan GPU yang tersedia melampaui pertumbuhan permintaan untuk sumber daya tersebut. Dikatakan demikian, ketika lebih banyak penyedia bergabung dengan jaringan, jumlah GPU yang disewa (yang tampaknya menjadi penggerak pendapatan terbesar secara proporsional) telah menurun (lihat Gambar 4). Untuk jaringan di mana harga komputasi dapat berubah berdasarkan perubahan dalam pasokan dan permintaan, tidak jelas di mana permintaan berkelanjutan yang dipicu oleh penggunaan untuk token asli akhirnya akan muncul jika pertumbuhan sisi pasokan melampaui pertumbuhan sisi permintaan. Sementara dampak jangka panjang dari perubahan semacam itu tidak jelas, model ekonomi token tersebut mungkin perlu ditinjau kembali di masa depan untuk dioptimalkan mengikuti perubahan pasar.

Pada tingkat teknis, solusi komputasi terdesentralisasi juga menghadapi tantangan keterbatasan bandwidth jaringan. Untuk model-model besar yang memerlukan pelatihan multi-node, lapisan infrastruktur jaringan fisik memainkan peran penting. Kecepatan transfer data, overhead sinkronisasi, dan dukungan untuk algoritma pelatihan terdistribusi tertentu berarti konfigurasi jaringan khusus dan komunikasi jaringan kustom (seperti InfiniBand) diperlukan untuk memfasilitasi eksekusi berkinerja tinggi. Ketika melebihi ukuran cluster tertentu, sulit untuk menerapkannya secara terdesentralisasi.

Secara ringkas, keberhasilan jangka panjang komputasi terdesentralisasi (dan penyimpanan) menghadapi persaingan sengit dari penyedia cloud terpusat. Setiap adopsi akan menjadi proses jangka panjang yang mirip dengan timeline adopsi dari cloud. Mengingat kompleksitas teknologi yang semakin meningkat dalam pengembangan jaringan terdesentralisasi, ditambah dengan kurangnya tim pengembangan dan penjualan yang dapat diskalakan, akan menjadi perjalanan yang menantang untuk sepenuhnya mewujudkan visi komputasi terdesentralisasi.

Memvalidasi dan Mempercayai Model

Saat model kecerdasan buatan menjadi semakin penting dalam kehidupan sehari-hari, kekhawatiran tentang kualitas output dan biasnya semakin meningkat. Beberapa proyek kripto bertujuan untuk mengatasi masalah ini dengan memanfaatkan pendekatan algoritmik untuk menilai output across berbagai kategori, mencari solusi terdesentralisasi berbasis pasar. Namun, tantangan seputar penilaian model, bersama dengan trade-off yang jelas antara biaya, throughput, dan kualitas, membuat perbandingan langsung menjadi sulit. BitTensor adalah salah satu kripto terbesar yang fokus pada kecerdasan buatan dan bertujuan untuk mengatasi masalah ini, meskipun banyak tantangan teknis yang menonjol dapat menghambat adopsi massalnya (lihat Lampiran 1).

Selain itu, inferensi model tanpa kepercayaan (yaitu, membuktikan bahwa hasil model memang dihasilkan oleh model yang diklaim) adalah area penelitian aktif lainnya dalam pertemuan antara kripto dan AI. Namun, seiring dengan menyusutnya skala model open-source, solusi seperti itu mungkin menghadapi tantangan dalam permintaan. Di dunia di mana model dapat diunduh dan dijalankan secara lokal serta integritas konten dapat diverifikasi melalui metode hash/checksum file yang kuat, peran inferensi tanpa kepercayaan menjadi kurang jelas. Memang, banyak model bahasa besar (LLM) masih tidak dapat dilatih dan dioperasikan pada perangkat ringan seperti ponsel pintar, tetapi komputer desktop yang kuat (seperti yang digunakan untuk gaming kelas atas) sudah dapat menjalankan banyak model kinerja tinggi.

Provenans Data dan Identitas

Ketika output Kripto generative AI menjadi semakin sulit untuk dibedakan dari output manusia, pentingnya mengidentifikasi dan melacak apa yang dihasilkan AI menjadi fokus. GPT 4 melewati uji Turing 3 kali lebih cepat daripada GPT 3.5, dan hampir tidak terhindarkan bahwa suatu hari nanti kita tidak akan bisa membedakan antara robot dan manusia. Di dunia seperti itu, menentukan identitas pengguna online dan memberi watermark pada konten yang dihasilkan AI akan menjadi kemampuan kunci.

Identifier terdesentralisasi dan mekanisme verifikasi identitas seperti Worldcoin bertujuan untuk mengatasi tantangan sebelumnya dalam mengidentifikasi manusia secara on-chain. Demikian pula, mempublikasikan hash data ke blockchain dapat membantu menetapkan cap waktu dan verifikasi sumber konten. Namun, seperti halnya dengan solusi parsial yang disebutkan sebelumnya, kami percaya harus ada keseimbangan antara keterjangkauan solusi berbasis kripto dan alternatif terpusat.

Beberapa negara, seperti China, mengaitkan identitas online ke database yang dikontrol pemerintah. Meskipun tingkat sentralisasi di bagian lain dunia mungkin tidak se tinggi, aliansi penyedia Know Your Customer (KYC) juga dapat menawarkan solusi verifikasi identitas independen dari teknologi blockchain (mirip dengan otoritas sertifikat terpercaya yang mendasari keamanan internet saat ini). Saat ini sedang dilakukan penelitian tentang watermaking kecerdasan buatan untuk menanamkan sinyal tersembunyi dalam teks dan output gambar sehingga algoritma dapat mendeteksi apakah konten tersebut dihasilkan oleh kecerdasan buatan. Banyak perusahaan kecerdasan buatan terkemuka, termasuk Microsoft, Anthropic, dan Amazon, telah secara publik berkomitmen untuk menambahkan watermark tersebut ke konten yang dihasilkan oleh mereka.

Selain itu, banyak penyedia konten yang ada telah dipercayakan untuk secara ketat mencatat metadata konten untuk memenuhi persyaratan kepatuhan. Oleh karena itu, pengguna sering mempercayakan metadata yang terkait dengan kiriman media sosial (tetapi tidak percaya tangkapan layar), bahkan jika mereka disimpan secara terpusat. Perlu dicatat bahwa solusi identitas dan sumber data berbasis kripto perlu terintegrasi dengan platform pengguna untuk mencapai efektivitas yang luas. Oleh karena itu, sementara solusi berbasis kripto untuk membuktikan identitas dan sumber data secara teknis memungkinkan, kami juga percaya bahwa adopsinya tidak ditentukan dan pada akhirnya akan bergantung pada persyaratan bisnis, kepatuhan, dan regulasi.

Mengambil Bagian dalam Narasi AI

Meskipun mengalami kesulitan di atas, banyak token AI telah melampaui Bitcoin dan Ethereum mulai pada kuartal keempat tahun 2023, serta saham-saham AI utama seperti Nvidia dan Microsoft. Hal ini terjadi karena token AI umumnya mendapat manfaat dari kinerja relatif kuat di pasar kripto secara umum dan berita terkait AI (lihat Lampiran 2). Oleh karena itu, meskipun harga Bitcoin turun, harga-harga token yang berfokus pada AI dapat mengalami fluktuasi naik, yang dapat menyebabkan volatilitas naik selama penurunan Bitcoin. Gambar 5 secara visual menunjukkan dispersi token AI selama penurunan perdagangan Bitcoin.

Secara keseluruhan, masih kurang banyak faktor pendorong permintaan jangka pendek dalam narasi Kecerdasan Buatan di ruang kripto. Absennya prediksi adopsi yang jelas dan metrik telah menyebabkan spekulasi mirip meme yang luas, yang mungkin tidak bisa berlangsung dalam jangka panjang. Pada akhirnya, harga dan utilitas akan konvergen — pertanyaan yang belum terjawab adalah berapa lama hal ini akan berlangsung dan apakah utilitas akan meningkat untuk memenuhi harga, atau sebaliknya. Meskipun begitu, pembangunan pasar kripto yang sedang berlangsung dan industri Kecerdasan Buatan yang berkembang mungkin akan menjaga narasi yang kuat tentang kripto AI untuk beberapa waktu.

Kesimpulan

Peran kripto dalam kecerdasan buatan bukanlah sekadar abstraksi belaka—setiap platform terdesentralisasi bersaing dengan alternatif terpusat yang ada dan harus dianalisis sesuai dengan persyaratan bisnis dan regulasi yang lebih luas. Oleh karena itu, hanya mengganti penyedia terpusat dengan yang “terdesentralisasi” saja tidak cukup untuk mendorong kemajuan yang bermakna. Model AI generatif telah ada selama beberapa tahun dan tetap mempertahankan tingkat terdesentralisasi karena persaingan pasar dan perangkat lunak sumber terbuka.

Sebuah tema yang sering muncul dalam laporan ini adalah pengakuan bahwa sementara solusi berbasis kripto seringkali memungkinkan secara teknis, namun masih memerlukan pekerjaan yang signifikan untuk mencapai fungsionalitas sebanding dengan platform yang lebih terpusat, yang kemungkinan tidak akan diam dalam perkembangan masa depan. Bahkan, karena mekanisme konsensus, perkembangan terpusat sering kali berjalan lebih cepat daripada perkembangan terdesentralisasi, yang mungkin menimbulkan tantangan bagi bidang seperti kecerdasan buatan yang berkembang dengan cepat.

Dengan demikian, pertemuan AI dan kripto masih dalam tahap awal, dan perubahan cepat dapat terjadi dalam beberapa tahun mendatang dengan perkembangan lebih luas di bidang AI. Masa depan AI terdesentralisasi tidak terjamin, seperti yang dibayangkan oleh banyak orang dalam industri kripto—memang, masa depan industri AI sendiri masih sangat tidak pasti. Oleh karena itu, kami percaya pendekatan yang bijaksana adalah untuk hati-hati menavigasi pasar-pasar tersebut, mendalami solusi berbasis kripto, dan benar-benar memahami cara memberikan alternatif yang lebih baik atau memahami naratif perdagangan potensial.

Tautan Artikel Asli

Pernyataan:

1. Artikel ini awalnya berjudul “加密世界的AI海市蜃楼” dipublikasikan ulang dari [theblockbeats]. Semua hak cipta dimiliki oleh penulis asli [David Han]. Jika Anda memiliki keberatan terhadap penggandaan, silakan hubungiBelajar Gatetim, tim akan menanganinya secepat mungkin.

2. Penyangkalan: Pandangan dan opini yang terdapat dalam artikel ini hanya mewakili pandangan pribadi penulis dan tidak merupakan saran investasi apa pun.

3. Terjemahan artikel ke dalam bahasa lain dilakukan oleh tim Gate Learn. Kecuali disebutkan, menyalin, mendistribusikan, atau menjiplak artikel yang diterjemahkan dilarang.