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(guò)多段涵蓋的廣泛視覺(jué)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(gè)里程碑時(shí)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(guò)在視頻和圖像的壓縮潛在空間中訓(xùn)練，將其分解為時(shí)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(shuō)是「物理世界的通用模擬器」也并不為過(guò)。

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(duì)于算力的需求還將進(jìn)一步拉大。但我們?cè)谠缙诘奈恼隆稘摿惖狼罢埃喝ブ行幕懔κ袌?chǎng)》中已經(jīng)探討過(guò)算力在 AI 時(shí)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(kāi)始涌現(xiàn)，而被動(dòng)受益的其它 Depin 項(xiàng)目（存儲(chǔ)、算力等）也已經(jīng)迎來(lái)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(huì)？本文的主要目的是對(duì)過(guò)往文章的一次更新與補(bǔ)全，并思考 AI 時(shí)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(lái)，在經(jīng)歷了半個(gè)多世紀(jì)的發(fā)展后，現(xiàn)已成為推動(dòng)社會(huì)生活和各行各業(yè)變革的重要技術(shù)。在這一過(guò)程中，符號(hào)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(hào)主義 (Symbolism)

亦稱邏輯主義或規(guī)則主義，認(rèn)為通過(guò)處理符號(hào)來(lái)模擬人類智能是可行的。這種方法通過(guò)符號(hào)來(lái)表示和操作問(wèn)題領(lǐng)域內(nèi)的對(duì)象、概念及其相互關(guān)系，并利用邏輯推理來(lái)解決問(wèn)題，尤其在專家系統(tǒng)和知識(shí)表示方面已取得顯著成就。符號(hào)主義的核心觀點(diǎn)是智能行為可以通過(guò)對(duì)符號(hào)的操作和邏輯推理來(lái)實(shí)現(xiàn)，其中符號(hào)代表對(duì)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(guò)模仿人腦的結(jié)構(gòu)和功能來(lái)實(shí)現(xiàn)智能。該方法通過(guò)構(gòu)建由眾多簡(jiǎn)單處理單元（類似神經(jīng)元）組成的網(wǎng)絡(luò)，并通過(guò)調(diào)整這些單元間的連接強(qiáng)度（類似突觸）來(lái)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(shí)別、分類及連續(xù)輸入輸出映射問(wèn)題。深度學(xué)習(xí)，作為連接主義的發(fā)展，已在圖像識(shí)別、語(yǔ)音識(shí)別和自然語(yǔ)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(guò)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(guò)程，而是通過(guò)感知和行動(dòng)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(guò)與環(huán)境的動(dòng)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(cè)環(huán)境中行動(dòng)的移動(dòng)機(jī)器人和自適應(yīng)控制系統(tǒng)中時(shí)，顯得尤為有效。

盡管這三個(gè)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(dòng) 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(jiǎn)稱 AIGC），便是對(duì)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(lè)、設(shè)計(jì)、翻譯、問(wèn)題回答和文本。而目前的 AIGC 基本由三個(gè)要素構(gòu)成：深度學(xué)習(xí)（Deep Learning，簡(jiǎn)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(gè)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(wàn)個(gè)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(jì)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(jì)算來(lái)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(lái)解決復(fù)雜問(wèn)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(gè)神經(jīng)元對(duì)應(yīng)于輸入數(shù)據(jù)的一個(gè)特征。例如，在處理圖像數(shù)據(jù)時(shí)，每個(gè)神經(jīng)元可能對(duì)應(yīng)于圖像的一個(gè)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(jí)處理信息，在接收新信息時(shí)調(diào)整其行為。深度學(xué)習(xí)網(wǎng)絡(luò)有數(shù)百個(gè)隱藏層，可用于從多個(gè)不同角度分析問(wèn)題。例如，你得到了一張必須分類的未知?jiǎng)游锏膱D像，則可以將其與你已經(jīng)認(rèn)識(shí)的動(dòng)物進(jìn)行比較。比如通過(guò)耳朵形狀、腿的數(shù)量、瞳孔的大小來(lái)判斷這是什么動(dòng)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(duì)動(dòng)物圖像進(jìn)行分類，則其每個(gè)隱藏層都會(huì)處理動(dòng)物的不同特征并嘗試對(duì)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(gè)神經(jīng)元代表一個(gè)可能的輸出類別或值。例如，在分類問(wèn)題中，每個(gè)輸出層神經(jīng)元可能對(duì)應(yīng)于一個(gè)類別，而在回歸問(wèn)題中，輸出層可能只有一個(gè)神經(jīng)元，其值表示預(yù)測(cè)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(guò)程中被優(yōu)化以使網(wǎng)絡(luò)能夠準(zhǔn)確地識(shí)別數(shù)據(jù)中的模式和進(jìn)行預(yù)測(cè)。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(duì)應(yīng)的是參數(shù)的增加會(huì)提升對(duì)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(guò)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(cè)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(guò)程中需要對(duì)每一層計(jì)算進(jìn)行前向傳播和反向傳播，包括激活函數(shù)的計(jì)算、損失函數(shù)的計(jì)算、梯度的計(jì)算和權(quán)重的更新），高精度計(jì)算需求，并行計(jì)算能力，優(yōu)化和正則化技術(shù)以及模型評(píng)估和驗(yàn)證過(guò)程共同導(dǎo)致了其對(duì)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(jué)數(shù)據(jù)能力的巨大進(jìn)步。通過(guò)采用視頻壓縮網(wǎng)絡(luò)和空間時(shí)間補(bǔ)丁技術(shù)，Sora 能夠?qū)?lái)自世界各地、不同設(shè)備拍攝的海量視覺(jué)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(duì)復(fù)雜視覺(jué)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(guò)，盡管 Sora 在視頻生成和模擬真實(shí)世界互動(dòng)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(zhǎng)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(guò) OpenAI 壟斷級(jí)的算力和先發(fā)優(yōu)勢(shì)，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(guò)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(gè)人認(rèn)為之后的一兩年里。因?yàn)?Sora 的影響，會(huì)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(tái)、Depin 等多條賽道，所以對(duì)于 Sora 有個(gè)大致了解是必要的，未來(lái)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(gè)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(lái)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(gè)人認(rèn)為有如下四種：

去中心化算力

由于過(guò)去已經(jīng)寫過(guò)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(shí)，算力永遠(yuǎn)是難以繞開(kāi)的一環(huán)。AI 對(duì)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(lái)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(gè)極為驚人的計(jì)劃，融資 7 萬(wàn)億美元（相當(dāng)于中國(guó) 23 年全國(guó) 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(guó)。在寫算力相關(guān)的文章時(shí)，我的想象力還局限在國(guó)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(wèn)題，以及購(gòu)置專用 GPU 價(jià)格昂貴的問(wèn)題。從 AI 所需的角度來(lái)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(wú)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(jì)，再到對(duì)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(duì)來(lái)說(shuō)簡(jiǎn)單很多，一方面是在去中心化網(wǎng)絡(luò)設(shè)計(jì)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(chǎng)的想象空間是巨大的，常常與「萬(wàn)億級(jí)」這個(gè)關(guān)鍵詞掛鉤，同時(shí)也是 AI 時(shí)代下最容易被頻繁炒作的話題。不過(guò)從近期大量涌現(xiàn)的項(xiàng)目來(lái)看，絕大部分還是屬于趕鴨子上架，蹭熱度。總是高舉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(wèn)題。并且在設(shè)計(jì)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(jì)），最終可能會(huì)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(cè)或決策。算法是技術(shù)密集型的，因?yàn)樗鼈兊脑O(shè)計(jì)和優(yōu)化需要深厚的專業(yè)知識(shí)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(jiàn)解或決策。較為常見(jiàn)的生成式 AI 算法比如生成對(duì)抗網(wǎng)絡(luò)（GAN）、變分自編碼器（VAE）、轉(zhuǎn)換器（Transformer），每個(gè)算法都是為了一個(gè)特定領(lǐng)域（比如繪畫、語(yǔ)言識(shí)別、翻譯、視頻生成）或者說(shuō)目的而生，再通過(guò)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(gè)方向的領(lǐng)頭者，通過(guò)挖礦激勵(lì)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(gè)方向?yàn)橹鞯倪€有 Commune AI（代碼協(xié)作）等，不過(guò)算法和模型對(duì)于現(xiàn)在的 AI 公司來(lái)說(shuō)，都是自家的看門法寶，并不會(huì)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(shì)去整合 AI 算法孤島的劣勢(shì)，但是否能創(chuàng)造出對(duì)應(yīng)的價(jià)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(duì)的領(lǐng)域也許要另辟蹊徑。

去中心化大數(shù)據(jù)

從簡(jiǎn)單的角度來(lái)說(shuō)，將私有數(shù)據(jù)用來(lái)喂 AI 以及對(duì)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(chǔ)上也能使 FIL、AR 等 Depin 項(xiàng)目受益。而從復(fù)雜的角度來(lái)說(shuō)，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(wèn)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(shí)訪問(wèn)，反映了整個(gè)區(qū)塊鏈的狀態(tài)。但對(duì)于區(qū)塊鏈生態(tài)系統(tǒng)之外的人來(lái)說(shuō)，獲取這些龐大數(shù)據(jù)量并不容易。完整存儲(chǔ)一條區(qū)塊鏈需要豐富的專業(yè)知識(shí)和大量的專門硬件資源。為了克服訪問(wèn)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(guò) API 訪問(wèn)節(jié)點(diǎn)，而索引服務(wù)則通過(guò) SQL 和 GraphQL 使數(shù)據(jù)提取變得可能，這兩種方式在解決問(wèn)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(chǎng)景，經(jīng)常無(wú)法滿足需求。同時(shí)，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(shí)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(duì)于一般的數(shù)據(jù)從業(yè)者和對(duì) Web3 細(xì)節(jié)了解不深的人來(lái)說(shuō)是一個(gè)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(guò) ZKML（零知識(shí)證明機(jī)器學(xué)習(xí)，降低機(jī)器學(xué)習(xí)對(duì)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(wèn)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(wèn)性的門檻，那么隨著時(shí)間的推移，開(kāi)發(fā)者、研究人員和 ML 領(lǐng)域的愛(ài)好者將能夠訪問(wèn)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(lái)，AI 賦能 Dapp 已經(jīng)是一個(gè)非常常見(jiàn)的方向。泛用性極廣的生成式 AI，可以通過(guò) API 接入，從而簡(jiǎn)化且智能化分析數(shù)據(jù)平臺(tái)、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(guò)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(gè) 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(lái)之后，我個(gè)人認(rèn)為 AI 賦能 GameFi（包括元宇宙）與創(chuàng)作平臺(tái)的方向?qū)⑹墙酉聛?lái)關(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(huì)打破這一窘境（也許只用兩到三年）。以 Sora 的 Demo 來(lái)看，其已具備和微短劇公司競(jìng)爭(zhēng)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(shí)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(yǔ)

隨著生成式 AI 工具的不斷進(jìn)步，我們未來(lái)還將經(jīng)歷更多劃時(shí)代的「iPhone 時(shí)刻」。盡管許多人對(duì) 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(méi)有問(wèn)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(gè)牛市的主流。

對(duì)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(guò)去的 NFT 一樣，持有太多偏見(jiàn)只會(huì)和機(jī)遇失之交臂。