Skip to main content

Apakah itu kecerdasan buatan

Nota: Dokumen ini adalah terjemahan automatik daripada versi asal bahasa Inggeris.

Apakah itu kecerdasan buatan

Kecerdasan buatan (AI) ialah istilah luas untuk sistem perisian yang melakukan tugas yang biasanya memerlukan kecerdasan manusia — menganalisis data, membuat ramalan, menjana kandungan, mengenali corak, dan menyokong keputusan. AI bukan sihir, bukan kesedaran, dan bukan otak digital. Ia adalah perisian yang menemukan corak dalam data dan menerapkannya pada input baharu.

Bayangkan AI sebagai kalkulator untuk corak. Kalkulator biasa mengambil nombor dan menerapkan peraturan aritmetik. Sistem AI mengambil contoh — beribu-ribu atau berjuta-juta daripadanya — dan menemukan peraturan yang menghubungkan input kepada output, tanpa sesiapa menulis peraturan itu secara manual. Apabila anda bertanya soalan kepada pembantu suara, apabila penapis spam menangkap e-mel pancingan data, atau apabila alat terjemahan menukar ayat ke bahasa lain, anda sedang berinteraksi dengan AI: perisian yang dilatih pada contoh dan kini menerapkan apa yang dipelajarinya pada situasi baharu.

Ringkasnya: AI ialah perisian yang belajar daripada data dan menghasilkan keputusan yang jika tidak akan memerlukan pertimbangan manusia — dan dalam kripto, soalan utama ialah sama ada AI sesebuah projek adalah nyata dan boleh disahkan.

Bagaimana AI berfungsi dalam praktik

Pada peringkat tinggi, setiap sistem AI mengikuti aliran kerja yang serupa. Memahami langkah-langkah ini membantu anda menilai sama ada dakwaan AI sesebuah projek berasaskan realiti atau hanya bahasa pemasaran.

  1. Takrifkan masalah — tentukan apa yang perlu dilakukan oleh AI. Ini boleh berupa mengelaskan imej, menterjemah teks, mengesan anomali dalam transaksi blockchain, atau menjana kod. Takrifan masalah yang jelas ialah asasnya; tanpanya, AI ialah penyelesaian yang mencari soalan.

  2. Kumpul dan sediakan data — kumpulkan dataset yang relevan dengan masalah. Data mungkin merangkumi imej berlabel, rekod transaksi, dokumen teks, atau bacaan penderia. Data mesti dibersihkan, disusun, dan dibahagikan kepada set latihan dan ujian. Kualiti data secara langsung menentukan kualiti model — prinsip lama "sampah masuk, sampah keluar" terpakai sepenuhnya.

  3. Pilih seni bina model — pilih jenis model AI yang sesuai dengan tugas. Untuk tugas teks, ini mungkin transformer (seni bina di sebalik GPT, Claude dan Gemini). Untuk tugas imej, ia boleh berupa rangkaian neural konvolusi. Untuk data jadual, model yang lebih mudah seperti pokok berdorong kecerunan mungkin berfungsi lebih baik daripada pembelajaran mendalam.

  4. Latih model — salurkan data latihan melalui model dan laraskan parameter dalamannya supaya outputnya sepadan dengan hasil yang dijangkakan. Latihan mahal dari segi pengiraan dan boleh mengambil masa berjam-jam, berhari-hari, atau berminggu-minggu bergantung pada saiz model dan volum data.

  5. Nilai dan uji — ukur model terlatih terhadap data ujian yang diketepikan yang tidak pernah dilihatnya sebelum ini. Langkah ini menyemak sama ada model telah mempelajari corak yang tulen atau sekadar menghafal data latihan (masalah yang dipanggil pemasangan lampau). Penilaian menggunakan penanda aras dan metrik kualiti seperti ketepatan, kejituan, dapatan semula, atau perpleksiti.

  6. Gunakan untuk inferens — letakkan model ke dalam pengeluaran di mana ia memproses input dunia sebenar yang baharu. Ini dipanggil inferens. Setiap kali anda menggunakan chatbot, mendapat cadangan, atau menerima amaran penipuan, inferens sedang berlaku di sebalik tabir.

  7. Pantau dan latih semula — model yang digunakan merosot dari semasa ke semasa apabila dunia sebenar berubah (fenomena yang dipanggil hanyutan data). Sistem AI yang bertanggungjawab merangkumi saluran paip yang memantau prestasi dan melatih semula model pada data segar.

Apabila menilai dakwaan AI kripto, setiap langkah ini ialah titik semakan. Projek yang menerangkan datasetnya, proses latihannya, metrik penilaiannya dan saluran paip penggunaannya memberikan bukti yang jauh lebih kukuh daripada yang sekadar menyatakan "dikuasakan oleh AI."

Cabang utama yang relevan dengan AI kripto

Bukan semua AI adalah sama. Bidang ini luas, dan cabang yang berbeza mempunyai kekuatan, batasan dan keperluan bukti yang berbeza. Beberapa muncul kerap dalam penerangan projek AI kripto.

Cabang Idea teras Contoh terkenal Kes penggunaan kripto biasa
Pembelajaran mesin (ML) Algoritma yang bertambah baik melalui pendedahan data scikit-learn, XGBoost Pemarkahan risiko, pengesanan anomali
Pembelajaran mendalam Rangkaian neural berbilang lapisan untuk corak kompleks BERT, ResNet NLP, pengecaman imej, model generatif
Model bahasa besar (LLM) Model transformer yang dilatih pada data teks yang sangat besar GPT, Claude, Gemini, Mistral Chatbot, peringkasan, penjanaan kod
Penglihatan komputer Sistem yang mentafsir imej dan video Stable Diffusion, YOLO Penjanaan NFT, analisis data visual
Pembelajaran pengukuhan (RL) Pembelajaran melalui cubaan, ralat dan isyarat ganjaran AlphaGo, OpenAI Five Ejen automatik, pengoptimuman protokol

Pembelajaran mesin

Pembelajaran mesin ialah asas yang paling biasa untuk AI praktikal. Daripada memprogramkan peraturan eksplisit, algoritma ML belajar daripada data. Kebanyakan dakwaan AI dalam projek kripto akhirnya bersandar pada teknik pembelajaran mesin — daripada model pengelasan mudah hingga rangkaian neural yang kompleks.

Pembelajaran mendalam

Pembelajaran mendalam ialah subset ML yang menggunakan rangkaian neural dengan banyak lapisan (justeru "mendalam"). Ia bertanggungjawab atas kebanyakan penemuan AI terkini. Model seperti BERT (dibangunkan oleh Google untuk memahami konteks teks) dan sistem pengecaman imej ialah model pembelajaran mendalam. Pembelajaran mendalam memerlukan dataset yang besar dan kuasa pengiraan yang ketara, itulah sebabnya rangkaian pengiraan terdesentralisasi telah menjadi tema berulang dalam AI kripto.

Model bahasa besar

Model bahasa besar (LLM) ialah model pembelajaran mendalam yang dilatih pada korpus teks yang sangat besar. Ia menjana, meringkaskan, menterjemah dan menaakul tentang teks. LLM terkenal termasuk GPT, Claude, Gemini dan Mistral. Dalam AI kripto, banyak projek menggunakan LLM untuk chatbot, peringkasan data on-chain, analisis kontrak pintar, atau penjanaan kod. Sesetengahnya membina model sendiri; yang lain membalut API pihak ketiga. Perbezaan antara membina dan membalut adalah kritikal untuk menilai kedalaman AI — lihat API wrapper.

Pembelajaran pengukuhan

Pembelajaran pengukuhan (RL) melatih model dengan membiarkannya mengambil tindakan dalam persekitaran dan menerima ganjaran atau penalti. Dari semasa ke semasa, ejen mempelajari strategi yang memaksimumkan ganjaran kumulatif. RL menggerakkan ejen bermain permainan (seperti AlphaGo) dan digunakan dalam sesetengah konteks kripto untuk penalaan parameter protokol automatik dan sistem berasaskan ejen.

Penglihatan komputer

Penglihatan komputer membolehkan mesin mentafsir dan memproses data visual — imej dan video. Sistem seperti Stable Diffusion menjana imej daripada penerangan teks, manakala model pengesanan objek seperti YOLO mengenal pasti objek dalam masa nyata. Dalam kripto, penglihatan komputer muncul dalam penjanaan NFT, pengesahan identiti dan analitik blockchain visual.

Cabang-cabang ini kerap bertindih. Sesebuah projek AI kripto mungkin menggunakan LLM (yang merupakan pembelajaran mendalam, yang merupakan ML) yang ditala halus dengan pembelajaran pengukuhan daripada maklum balas manusia (RLHF).

AI sempit vs. AI umum

Perbezaan yang penting untuk memahami dakwaan AI:

  • AI sempit (juga dipanggil AI lemah) direka untuk tugas tertentu — menterjemah bahasa, mengecam wajah, bermain catur, atau menjana imej. Setiap sistem AI dalam pengeluaran hari ini, termasuk LLM yang paling termaju, ialah AI sempit. Ia cemerlang dalam domain latihannya tetapi tidak boleh membuat generalisasi kepada tugas yang tidak berkaitan tanpa latihan tambahan.

  • Kecerdasan buatan umum (AGI) ialah sistem hipotesis yang boleh belajar dan melaksanakan sebarang tugas intelektual yang boleh dilakukan oleh manusia. AGI belum wujud lagi. Mana-mana projek yang mendakwa telah membina AGI sedang membuat dakwaan luar biasa yang memerlukan bukti luar biasa.

Memahami perbezaan ini membantu menapis dakwaan yang tidak realistik. Apabila sesebuah projek menyatakan "dikuasakan AI," ia bermaksud AI sempit yang diterapkan pada fungsi tertentu — dan fungsi itu harus diterangkan dengan jelas dan boleh disahkan.

Mengapa AI penting dalam kripto — dan mengapa ia memerlukan pengesahan

Persimpangan AI dan blockchain telah mewujudkan naratif pasaran yang berpermintaan tinggi. Banyak projek kripto menambahkan "AI" pada peletakan mereka kerana istilah itu menarik perhatian, penglibatan komuniti dan pembiayaan. Masalahnya ialah "AI" boleh bermaksud apa-apa sahaja daripada enjin inferens proprietari yang menjalankan model terlatih tersuai kepada API wrapper mudah yang memanggil perkhidmatan pihak ketiga tanpa kerja AI yang bermakna berlaku di dalam projek itu sendiri.

Ini mewujudkan masalah pengesahan:

  • Dakwaan mudah dibuat. Mana-mana projek boleh menulis "dikuasakan AI" di laman webnya. Kertas putih boleh menerangkan seni bina canggih yang mungkin wujud atau tidak dalam kod.
  • Pengesahan sukar tanpa struktur. Menyemak sama ada AI itu nyata memerlukan melihat repositori kod, dokumentasi model, keputusan penanda aras dan bukti penggunaan — kemahiran dan usaha yang tidak dimiliki oleh kebanyakan pengguna.
  • Kos AI-washing adalah tinggi. Pengguna yang tidak dapat membezakan AI sebenar daripada pemasaran kosong mungkin salah menilai substans teknikal sesebuah projek. Ini bukan tentang sama ada projek itu pilihan yang "baik" atau "buruk" — ia tentang sama ada keupayaan teknikal yang dinyatakan boleh disahkan.

DecAIHub wujud untuk menangani jurang ini. Daripada menerima dakwaan AI pada nilai muka, pendaftaran ini menyemak bukti Tier-1: kod, dokumentasi, metrik, demo dan seni bina teknikal. Bukti digredkan daripada Tier-1 (artifak teknikal langsung seperti kod sumber dan laporan audit) melalui Tier-2 (maklumat kontekstual daripada agregator dan analitik) hingga Tier-3 (bahan pemasaran dan dakwaan yang tidak disahkan).

Metrik DecAI Fit menggabungkan penilaian merentas tiga paksi — AI reality, Onchain necessity dan Token necessity — menjadi satu skor tunggal daripada 0 hingga 6 yang mencerminkan sejauh mana sesebuah projek sejajar dengan tesis AI Terdesentralisasi. Projek dengan ai_score = 0 (tiada bukti AI) secara automatik menerima DecAI Fit = 0, tanpa mengira kelayakan blockchain atau tokennya.

Spektrum daripada "tiada AI" kepada "AI sebenar"

Kehadiran AI dalam sesebuah projek bukan binari. DecAIHub mengiktiraf spektrum, yang dicerminkan dalam bendera AI reality (AI_0 hingga AI_4):

Tahap Apa maksudnya Bukti tipikal
Tiada AI dikesan Tiada sebutan AI dalam mana-mana sumber Tiada
Positioning only "AI" muncul dalam pemasaran tetapi tiada artifak teknikal ditemui Salinan laman web, dek pembentangan
Niat / peta jalan Ciri AI dirancang tetapi belum dibina Item peta jalan, pengumuman rasmi
Komponen yang diterangkan Projek menerangkan apa yang dilakukan oleh AI-nya Kertas putih, dokumentasi
Demo yang berfungsi Output AI boleh diuji atau diperhatikan Demo awam, titik akhir API
Metrik dan penanda aras Kualiti AI diukur dan diterbitkan dengan metodologi Keputusan penanda aras, laporan penilaian

Bergerak di sepanjang spektrum ini memerlukan bukti yang semakin kukuh. Setiap langkah menyumbang kepada skor DecAI Fit. Projek pada peringkat "positioning only" mempunyai berat bukti yang secara asasnya berbeza daripada yang menerbitkan keputusan penanda aras dengan metodologi.

Apa yang tidak dibuktikan oleh AI semata-mata

Mempunyai AI component yang nyata dan berfungsi adalah perlu untuk DecAI Fit yang kukuh — tetapi ia tidak mencukupi. AI semata-mata tidak menjadikan sesebuah projek:

  • Berguna — produk mesti menyelesaikan masalah sebenar untuk penggunanya.
  • Terdesentralisasi — AI boleh berjalan sepenuhnya di pelayan berpusat. Onchain necessity dinilai secara berasingan.
  • Berjustifikasi token — kehadiran AI tidak menerangkan mengapa token diperlukan. Token necessity ialah paksi yang berasingan.
  • Berkualiti tinggi — model boleh wujud dan masih berprestasi buruk. Kualiti dicerminkan melalui metrik dan penanda aras, bukan melalui kewujudan semata-mata.
  • Telus — model boleh nyata tetapi tertutup sepenuhnya. Pemberat terbuka, data latihan yang diterbitkan, atau penanda aras yang boleh dihasilkan semula meningkatkan kebolehsahihan tetapi tidak dijamin oleh kewujudan AI semata-mata.

Jangan kelirukan dengan

  • Automasi — skrip berasaskan peraturan dan aliran kerja if/then bukanlah AI. Lihat Automasi vs AI component sebenar.
  • AI component — modul khusus di dalam projek di mana kerja AI berlaku. "Kecerdasan buatan" ialah bidang umum; "AI component" ialah pelaksanaan konkrit dalam projek tertentu.
  • Ejen AI — sistem autonomi yang melihat, menaakul dan bertindak. Ejen menggunakan AI tetapi merupakan seni bina yang khusus, bukan sinonim untuk AI itu sendiri.
  • Algoritma — prosedur langkah demi langkah yang tetap. Algoritma tradisional mengikut arahan eksplisit; model AI mempelajari corak daripada data. Bukan setiap algoritma ialah AI.

Soalan lazim

Adakah AI sama dengan pembelajaran mesin?

Tidak. AI ialah bidang yang lebih luas yang merangkumi mana-mana sistem yang melakukan tugas yang biasanya memerlukan kecerdasan manusia. Pembelajaran mesin ialah subset AI — pendekatan yang paling biasa hari ini — di mana sistem mempelajari corak daripada data dan bukannya mengikut peraturan yang ditulis tangan. Semua pembelajaran mesin ialah AI, tetapi bukan semua AI ialah pembelajaran mesin (walaupun dalam praktik, kebanyakan AI moden bergantung pada teknik ML).

Bolehkah AI berfikir atau mempunyai kesedaran?

Tiada sistem AI semasa yang berfikir, memahami, atau memiliki kesedaran. Malah model bahasa besar yang paling termaju ialah sistem padanan corak yang menjana output yang berkemungkinan secara statistik berdasarkan data latihan. Ia tidak mempunyai kepercayaan, niat, atau kesedaran. Dakwaan "kesedaran" atau "perasaan" AI dalam mana-mana projek harus dianggap sebagai pemasaran, bukan fakta teknikal.

Apakah perbezaan antara AI sempit dan AI umum?

AI sempit (juga dipanggil AI lemah) direka untuk tugas tertentu — menterjemah teks, mengesan penipuan, menjana imej. Setiap sistem AI yang digunakan hari ini ialah AI sempit. Kecerdasan buatan umum (AGI) akan menjadi sistem yang mampu melakukan sebarang tugas intelektual yang boleh dilakukan oleh manusia. AGI kekal sebagai aspirasi penyelidikan dan tidak wujud dalam mana-mana produk atau protokol.

Bagaimana AI digunakan dalam projek kripto?

Projek kripto menggunakan AI untuk pelbagai fungsi: analisis data on-chain, pemarkahan risiko, pengauditan kontrak pintar, penjanaan kandungan, ejen automatik, latihan dan inferens model terdesentralisasi, dan banyak lagi. Soalan kritikal bukanlah sama ada projek menyebut AI tetapi sama ada AI component-nya boleh disahkan melalui bukti Tier-1 — kod, dokumentasi, penanda aras dan artifak yang digunakan.

Mengapa sesetengah projek kripto memalsukan keupayaan AI?

Label "AI" menarik perhatian dan minat komuniti. Menambahkan terminologi AI pada bahan pemasaran adalah berkos rendah dan berimpak tinggi dari segi persepsi. Amalan ini, yang dikenali sebagai AI-washing, mencerminkan fenomena terdahulu "blockchain-washing" di mana projek menambahkan rujukan blockchain tanpa logik on-chain yang bermakna. Rangka kerja pengesahan DecAIHub, termasuk bendera AI reality (AI_0 hingga AI_4) dan tier bukti, direka khusus untuk membezakan AI sebenar daripada dakwaan pemasaran.

Lihat juga

Rujukan luaran

No comments to display

Back to top