ก่อนปี 2022 หากคุณต้องการระลึกถึงข้อความเฉพาะจากหนังสือเล่มโปรดของคุณหรือคำพูดจากภาพยนตร์ที่คุณเพิ่งดู โดยที่ไม่มีตัวงานอยู่ตรงหน้าคุณ คุณอาจจะหันไปพึ่งเครื่องมือค้นหา คุณจะกรอกคำค้นหาที่เป็นระบบ เลือกดูผลลัพธ์ที่ได้ ไปที่ลิงก์ SparkNotes หรือ IMDB ที่ดูเหมือนจะมีคำตอบ และหาข้อความที่คุณต้องการบนหน้านั้นภายในเวลาไม่กี่นาที แต่ตอนนี้ คุณเพียงแค่เปิด ChatGPT พิมพ์ "คำพูดที่โด่งดังที่สุดของ Terminator คืออะไร?" หรือ "เขียนข้อความเปิดเรื่องของ A Tale of Two Cities" และได้รับคำตอบที่ถูกต้องภายในไม่กี่วินาที

หนึ่งในการใช้งานที่ง่ายที่สุดสำหรับแบบจำลองภาษาขนาดใหญ่ (LLM) คือเป็นฐานข้อมูลความรู้ LLM ได้รับการฝึกฝนด้วยชุดข้อมูลขนาดใหญ่ที่อุดมไปด้วยข้อมูล ซึ่งอินเทอร์เฟซเช่น ChatGPT ทำให้ง่ายต่อการดึงข้อมูลออกมา เมื่อคุณใช้ ChatGPT เพื่อให้ส่งคืนเนื้อหาจากภาพยนตร์หรือหนังสือ ตัวอย่างเช่น คุณแค่ใช้ประโยชน์จากความสามารถของโมเดลในการจดจำข้อมูลที่ได้สัมผัสมาระหว่างการฝึก แต่ถ้าหากไม่ได้ฝึกด้วยบทของ Terminator หรือถ้าน้ำหนักไม่ได้ให้ความสำคัญกับผลงานของ Dickens ล่ะ? เพื่อให้ผลลัพธ์ที่แม่นยำและเกี่ยวข้องที่สุด แม้แต่การใช้งานที่ง่ายที่สุด เช่น การดึงข้อมูลพื้นฐาน LLM ต้องมีกลไกการทำดัชนีและการดึงข้อมูลที่ซับซ้อนซึ่งสามารถเข้าถึงข้อมูลได้กว้างขวางและแม่นยำ

การทำความเข้าใจเนื้อหาที่สร้างโดย LLM และการฝึกฝน

เนื้อหาของ LLM ถูกสร้างขึ้นผ่านกระบวนการที่เรียกว่าการคาดเดาโทเค็นถัดไป ซึ่งทำให้มั่นใจได้ว่าการตอบกลับจะเหมาะสมตามบริบท หลากหลาย และสะท้อนถึงความเข้าใจแบบมนุษย์ในระดับหนึ่ง นี่คือวิธีการทำงานของการคาดเดาโทเค็นถัดไป ทีละขั้นตอน:

การประมวลผลอินพุต: เมื่อคุณพิมพ์พรอมต์หรือคำถาม อินพุตนั้นจะถูกแปลงเป็นโทเค็น ซึ่งคือคำหรือส่วนของคำ การเข้าใจบริบท: โมเดลจะดูโทเค็นที่คุณให้และพยายามเข้าใจบริบทตามการฝึกฝน ซึ่งรวมถึงทุกสิ่ง ตั้งแต่หัวข้อที่เกี่ยวข้องไปจนถึงโทนเสียงที่คุณอาจใช้ การคาดเดาโทเค็นถัดไป: โดยใช้บริบทที่เข้าใจ โมเดลจะคาดเดาว่าโทเค็นถัดไปที่น่าจะเป็นไปได้มากที่สุดคืออะไร มันไม่ได้เพียงแค่เดาโดยใช้คำก่อนหน้าโดยตรง แต่มันพิจารณาบริบททั้งหมดของบทสนทนาจนถึงตอนนั้น การเลือกโทเค็น: เมื่อคาดเดาโทเค็นถัดไปที่เป็นไปได้หลายๆ ตัวแล้ว มันจะเลือกหนึ่งในนั้น การเลือกนี้ขึ้นอยู่กับความน่าจะเป็น โดยโทเค็นที่มีแนวโน้มมากที่สุดที่จะมาถัดไปขึ้นอยู่กับข้อมูลที่โมเดลได้รับการฝึกฝน อย่างไรก็ตามควรทราบว่าที่นี่ก็มีความสุ่มอยู่บ้าง ซึ่งช่วยสร้างการตอบกลับที่มีความหลากหลายและฟังดูเป็นธรรมชาติมากขึ้น การสร้างเอาต์พุต: โทเค็นที่เลือกจะถูกแปลงกลับเป็นข้อความที่มนุษย์อ่านได้ หากคำตอบยังไม่สมบูรณ์ (ซึ่งมักจะเป็นเช่นนั้นหลังจากแค่โทเค็นแรก) กระบวนการจะทำซ้ำ โดยโทเค็นใหม่จะถูกเพิ่มเข้าไปในลำดับ และโมเดลจะคาดเดาโทเค็นถัดไปตามบริบทที่อัปเดตนี้ การปรับปรุงอย่างต่อเนื่อง: กระบวนการคาดเดาโทเค็นถัดไปและเพิ่มลงในลำดับจะทำซ้ำจนกว่าโมเดลจะถึงจุดหยุด ซึ่งอาจเป็นเมื่อการตอบกลับมีความยาวที่กำหนด โมเดลคาดเดาโทเค็นที่บ่งบอกถึงจุดสิ้นสุดประโยคหรือข้อความ หรือเมื่อมันทำตามคำแนะนำที่ฝังอยู่ในพรอมต์

ข้อจำกัดของการบีบอัดในการฝึกฝน LLM

เมื่อ LLM คาดเดาโทเค็น มันกำลังดึงและใช้ประโยชน์อย่างมีประสิทธิภาพจากความรู้ที่ถูกบีบอัดไว้ในน้ำหนักเพื่อสร้างเอาต์พุตที่เหมาะสมตามบริบท ในแง่นี้ การฝึกฝน LLM จะสะท้อนการบีบอัดฐานข้อมูล เช่นเดียวกับที่ฐานข้อมูลได้รับการปรับให้เรียกข้อมูลที่เข้าถึงบ่อยๆ ได้อย่างรวดเร็ว LLM ก็ได้รับการออกแบบให้ดึงข้อมูล เช่น ความทรงจำที่ถูกประมาณค่าแบบเฉพาะเจาะจง จากน้ำหนักของมัน ความสามารถนี้ทำให้มันสามารถสร้างการตอบกลับที่แม่นยำสำหรับคำถามเกี่ยวกับเนื้อหาที่คุ้นเคยที่เผชิญระหว่างการฝึก เหมือนกับการค้นหาข้อมูลในฐานข้อมูลสำหรับข้อมูลที่ทำดัชนีเป็นอย่างดี อย่างไรก็ตาม ข้อจำกัดจะเกิดขึ้นเมื่อโมเดลพบกับเนื้อหาที่ไม่คุ้นเคยหรือที่พบได้ยาก ตัวอย่างเช่น เมื่อคุณถาม LLM หาข้อความเฉพาะในพระคัมภีร์ไบเบิล มันจะอ้างอิงตามตัวอักษร แต่มันไม่สามารถอ้างอิงแนวคิดใด ๆ ได้ตามตัวอักษร หากไม่ได้ "เห็น" ซ้ำๆ ระหว่างการฝึก เนื่องจากน้ำหนักที่เชื่อมโยงกับแนวคิดนั้นไม่มากพอ ในแง่นี้ด้วย LLM ก็คล้ายกับฐานข้อมูล เช่นเดียวกับที่ฐานข้อมูลอาจส่งคืนเฉพาะข้อมูลที่ถูกจัดเก็บไว้อย่างชัดแจ้งเท่านั้น LLM อาจประสบปัญหาในการสร้างเนื้อหาในหัวข้อที่ไม่ได้เห็นมากนักระหว่างการฝึก

แน่นอนว่า LLM นั้นมีขอบเขตมากกว่าอุปมานี้ เนื่องจากมีโมเดลโลกภายในที่ช่วยให้ "เข้าใจ" สิ่งต่างๆ ได้เกินกว่าแค่การค้นหาเท่านั้น อย่างไรก็ตาม การลดทอนความซับซ้อนนี้ช่วยให้เราเข้าใจข้อจำกัดหลักๆ บางประการในวิธีที่ LLM ได้รับการฝึกฝนเพื่อสร้างเนื้อหา

ข้อจำกัดเพิ่มเติมของการฝึกฝน LLM

ยิ่งไปกว่านั้น ระบบการทำนายโทเค็นถัดไปมีข้อจำกัดที่มาจากแนวทางพื้นฐานในการสร้างข้อความอื่น ๆ อีกด้วย:

ขนาดหน้าต่างบริบท: หนึ่งในข้อจำกัดหลักคือขนาดหน้าต่างบริบทของโมเดล ซึ่งเป็นปริมาณข้อความสูงสุด (ในหน่วยโทเค็น) ที่โมเดลสามารถพิจารณาเมื่อทำการทำนาย สำหรับหลายโมเดล รวมถึง GPT รุ่นก่อนๆ หน้าต่างนี้ไม่ใหญ่พอที่จะรักษาบริบทในการสนทนาหรือเอกสารยาวๆ ได้ ซึ่งอาจทำให้ความสอดคล้องของเนื้อหาที่ยาวขึ้นหรือการสนทนาที่ซับซ้อนซึ่งต้องการรักษาบริบทไว้นอกเหนือจากโทเค็นก่อนหน้าที่อยู่ติดกันหายไป การนำไปใช้ทั่วไปกับความเฉพาะเจาะจง: แม้ว่าโมเดลเหล่านี้จะได้รับการฝึกฝนจ

ากชุดข้อมูลขนาดใหญ่ แต่ความสามารถในการนำสิ่งที่ได้เรียนรู้ไปประยุกต์ใช้อาจทำให้สร้างเนื้อหาที่กว้างเกินไปหรือไม่ค่อยเกี่ยวข้อง พวกมันอาจพลาดที่จะสร้างการตอบกลับที่มีรายละเอียดสูงหรือมีนัยยะซับซ้อน ซึ่งต้องการความเข้าใจอย่างถ่องแท้หรือความรู้ที่ทันสมัยนอกเหนือจากข้อมูลที่ใช้ในการฝึก การขาดการเข้าถึงความรู้ภายนอก: โมเดลการทำนายโทเค็นถัดไปถูกจำกัดอยู่กับข้อมูลที่มีอยู่ในชุดข้อมูลที่ใช้ในการฝึก พวกมันไม่สามารถเข้าถึงหรือผนวกข้อมูลใหม่หลังการฝึกได้ ซึ่งหมายความว่าพวกมันสามารถล้าสมัยหรือขาดบริบทปัจจุบันได้อย่างรวดเร็ว เช่น เหตุการณ์ล่าสุด การค้นพบ หรือหัวข้อที่กำลังได้รับความนิยม ความซ้ำซากและความสามารถในการคาดเดา: ลักษณะอัลกอริทึมของการทำนายโทเค็นถัดไปบางครั้งอาจส่งผลให้เกิดการสร้างข้อความที่ซ้ำซากหรือคาดเดาได้ เนื่องจากโมเดลมักชอบโทเค็นที่มีแนวโน้มทางสถิติมากกว่าที่จะตามมาตามบริบท มันอาจตกอยู่ในวงจรหรือชอบวลีทั่วไป ซึ่งลดความหลากหลายของเอาต์พุต

อธิบาย Retrieval augmented generation (RAG)

ดังที่กล่าวมาข้างต้น LLM สร้างการตอบสนองตามน้ำหนักที่กำหนดให้กับแง่มุมต่างๆ ของข้อมูลระหว่างการฝึก น้ำหนักเหล่านี้สะท้อนให้เห็นว่าองค์ประกอบต่างๆ ของข้อมูลอินพุตมีความสำคัญหรือน่าสนใจอย่างไรในมุมมองของโมเดล หากพรอมต์ของผู้ใช้มีองค์ประกอบที่ไม่ได้ถูกแสดงอย่างมีนัยสำคัญในข้อมูลการฝึก โมเดลอาจล้มเหลวในการสร้างการตอบสนองที่ถูกต้องหรือเกี่ยวข้อง

เมื่อการสนทนาเกินขนาดหน้าต่างบริบทของ LLM หรือเมื่อพรอมต์เกินขีดจำกัดของน้ำหนักที่มีนัยสำคัญในชุดข้อมูลการฝึกของ LLM เอง (หมายความว่ามันไม่สามารถระลึกได้อย่างแม่นยำว่าผู้ใช้กำลังมองหาคำตอบอะไร) โมเดลมักจะอาศัยฐานข้อมูลการค้นหาเวกเตอร์ภายนอก ซึ่งช่วยให้มันสามารถค้นหาบริบทที่เกี่ยวข้องหรือข้อมูลใหม่ที่สามารถเพิ่มเข้าไปในพรอมต์จากผู้ใช้ได้ กระบวนการนี้เรียกว่า retrieval augmented generation (RAG)

"Vector Search to Success"

กระบวนการ RAG เป็นไปได้ด้วยฐานข้อมูลการค้นหาเวกเตอร์: ฐานข้อมูลขั้นสูงประเภทหนึ่งที่จัดเก็บและจัดการข้อมูลเป็นเวกเตอร์ เวกเตอร์เหล่านี้แสดงข้อมูลในพื้นที่หลายมิติ โดยแต่ละมิติจะจับลักษณะบางอย่างของความหมายของข้อมูล ช่วยให้สามารถแสดงความสัมพันธ์ที่ซับซ้อนและคุณลักษณะได้ ในบริบทของข้อความและภาษา ฐานข้อมูลการค้นหาเวกเตอร์ใช้เทคนิคต่างๆ เช่น word embeddings ในการแปลงข้อความให้เป็นเวกเตอร์ตัวเลข การแปลงนี้ทำให้ระบบสามารถวัดความคล้ายคลึงเชิงความหมายระหว่างชิ้นข้อความต่างๆ ได้ โดยการคำนวณระยะห่างระหว่างเวกเตอร์ที่สอดคล้องกันในพื้นที่หลายมิตินี้

ระหว่างการทำ RAG ทั้งคำค้นหา (เช่น ข้อมูลที่ผู้ใช้ป้อนเข้าสู่ LLM) และข้อมูลที่จัดเก็บไว้ (เช่น บทความ เอกสาร หรือประโยค) จะถูกแปลงให้เป็นเวกเตอร์โดยใช้ text embeddings การ embed ข้อความเหล่านี้จะแปลงข้อมูลข้อความให้เป็นเวกเตอร์ตัวเลข โดยความหมายที่คล้ายกันจะถูกแมปไปยังจุดใกล้เคียงกันในปริภูมิเวกเตอร์ จากนั้นฐานข้อมูลจะคำนวณระยะห่างระหว่างเวกเตอร์คำค้นหาและเวกเตอร์ของข้อมูลที่จัดเก็บไว้ เพื่อกำหนดว่าความหมายของข้อความเกี่ยวข้องกันอย่างใกล้ชิดเพียงใด ฐานข้อมูลจะดึงข้อมูล (เนื้อหาข้อความ) ที่เวกเตอร์ของมันใกล้เคียงกับเวกเตอร์คำค้นหามากที่สุด นั่นคือข้อมูลที่มีความหมายคล้ายคลึงกับอินพุตมากที่สุด ข้อมูลเหล่านี้ถือเป็น "เพื่อนบ้านที่ใกล้ที่สุด" ในแง่ของบริบทและความหมาย

เพื่อนบ้านที่ใกล้ที่สุดเหล่านี้ให้ข้อมูลเพิ่มเติมที่เกี่ยวข้องกับบริบทและเป็นปัจจุบัน ซึ่ง LLM พื้นฐานอาจไม่สามารถเข้าถึงได้ภายในข้อมูลการฝึกของตัวเอง ซึ่งสามารถปรับปรุงความถูกต้อง ความเกี่ยวข้อง ความสมบูรณ์ และความหลากหลายของเอาต์พุตของ LLM ได้อย่างมาก Sam Altman และคนอื่นๆ ได้สนับสนุนแนวทาง "ค้นหาเวกเตอร์เพื่อความสำเร็จ" ซึ่งใช้ RAG สำหรับการพัฒนาเอเจนต์ แทนที่จะใช้การ fine-tuning โมเดลเพียงอย่างเดียว

RAG เป็นทางเลือกแทนการ fine-tuning

การ fine-tuning LLM จะเกี่ยวข้องกับการปรับน้ำหนักของโมเดลตามการฝึกเพิ่มเติมบนชุดข้อมูลเฉพาะ เพื่อเพิ่มประสิทธิภาพสำหรับงานเฉพาะหรือปรับปรุงความเข้าใจในโดเมนบางส่วน กระบวนการนี้ไม่เพียงแต่ช้ากว่าอัตราการสร้างนวัตกรรมเท่านั้น ซึ่งหมายความว่าโมเดลที่ fine-tune แล้วจะล้าสมัยเกือบจะเร็วเท่ากับที่มีการอัปเดต แต่ยังไม่ได้แก้ไขปัญหาของข้อมูลใหม่อีกด้วย

ในทางตรงกันข้าม RAG ช่วยให้โมเดลสามารถเข้าถึงฐานข้อมูลภายนอกแบบเรียลไทม์เพื่อดึงข้อมูลล่าสุดที่เกี่ยวข้องกับคำถามนั้นๆ ได้ แม้ว่าโมเดลที่เป็นพื้นฐานจะไม่ได้รับการอัปเดตหรือ fine-tune เมื่อเร็วๆ นี้ แต่ก็ยังสามารถสร้างการตอบกลับที่มีข้อมูลล่าสุดได้ โมเดลยังคงทันสมัยอยู่ได้นานขึ้น เพราะสามารถปรับให้เข้ากับข้อมูลใหม่และบริบทที่เปลี่ยนแปลงไปผ่านการดึงข้อมูลจากแหล่งข้อมูลภายนอกได้

RAG เป็นตัวเชื่อมช่องว่างระหว่างการเรียนรู้เชิงลึกและเทคนิคการดึงข้อมูลแบบดั้งเดิมได้อย่างมีประสิทธิภาพ โดยการทำเช่นนั้น มันจะใช้จุดแข็งของทั้งสองอย่าง คือความเข้าใจบริบทอย่างทรงพลังของการเรียนรู้เชิงลึก และความแม่นยำของการดึงข้อมูล แนวทางลูกผสมนี้ช่วยให้ LLM สร้างการตอบกลับที่ถูกต้อง ละเอียด และอุดมไปด้วยบริบทมากขึ้น

การแก้ไขข้อจำกัดเพิ่มเติมของ LLM

นอกเหนือจากการ fine-tuning แล้ว RAG ยังแก้ไขปัญหาที่เกี่ยวข้องกับ LLM มาตรฐานที่กล่าวถึงก่อนหน้านี้ด้วย:

• ขยายความเข้าใจบริบท: RAG ขยายหน้าต่างบริบทของ LLM แบบดั้งเดิม โดยการดึงข้อมูลที่เป็นปัจจุบันหรือมีรายละเอียดที่ช่วยเสริมการตอบกลับของโมเดล

• เพิ่มความเฉพาะเจาะจงและความถูกต้อง: แทนที่จะพึ่งพาแต่รูปแบบที่เรียนรู้ระหว่างการฝึกเพียงอย่างเดียว RAG ช่วยให้โมเดลใส่รายละเอียดเฉพาะจากเอกสารที่ดึงมาลงในการตอบกลับได้ ทำให้ไม่เพียงแต่ถูกต้องมากขึ้น แต่ยังตรงกับคำถามเฉพาะที่ต้องการมากขึ้น

• บรรเทาความซ้ำซากและความสามารถในการคาดเดา: โดยการดึงชุดข้อมูลที่แตกต่างกันสำหรับแต่ละคำถามแบบไดนามิก RAG สามารถปรับเปลี่ยนการตอบสนองของโมเดลได้อย่างมาก ความผันแปรนี้ช่วยลดความซ้ำซากและความสามารถในการคาดเดาที่มักพบในโมเดลที่สร้างแบบบริสุทธิ์ เนื่องจากข้อมูลภายนอกนำสำนวนและรายละเอียดใหม่ ๆ เข้ามาในบทสนทนา

ความท้าทายและวิวัฒนาการที่จำเป็นของ RAG

อย่างไรก็ตาม RAG มาพร้อมกับความท้าทายของตัวเอง นั่นคือความล่าช้าและการขาดปัญญา ลองนึกถึงการสนทนาของแชทบอทแบบเป็นรอบ ซึ่งผู้ใช้ส่งพรอมต์ LLM สร้างโทเค็นสองสามตัวเพื่อบ่งชี้ว่าต้องการบริบทเพิ่มเติม ฐานข้อมูลการค้นหาเวกเตอร์จะดึงบริบทที่เป็นเพื่อนบ้านที่ใกล้ที่สุดผ่านพรอมต์ข้อมูลของผู้ใช้ และทั้งสองส่วนจะถูกส่งไปยัง LLM อีกครั้งเพื่ออนุมาน จากนั้นก็ถึงตาผู้ใช้ที่จะตอบกลับ และต่อไปเรื่อย ๆ

ในระบบนี้ พรอมต์ของผู้ใช้แต่ละรายการจะเริ่มต้นการดำเนินการแบบหลายขั้นตอน โดยแต่ละขั้นตอนจะเพิ่มเวลาการประมวลผลรวม ความเร็วของกระบวนการทั้งหมดยังขึ้นอยู่กับความเร็วในการดึงบริบทที่จำเป็นจากฐานข้อมูลการค้นหาเวกเตอร์ด้วย หากคำถามที่ส่งไปยังฐานข้อมูลมีความซับซ้อน หรือฐานข้อมูลเองมีขนาดใหญ่และไม่ได้รับการจัดทำดัชนีอย่างเหมาะสม การดึงข้อมูลนี้อาจทำให้เกิดความล่าช้าอย่างมาก นอกจากนี้ โดยเฉพาะอย่างยิ่งในการสนทนาที่ซับซ้อนมากขึ้น ลำดับการสร้างและการดึงข้อมูลนี้อาจต้องทำซ้ำหลายครั้งเพื่อปรับปรุงการตอบสนองให้เพียงพอ วงจรการทำซ้ำนี้อาจทำให้เกิดความล่าช้าเพิ่มขึ้น ส่งผลให้การโต้ตอบช้ากว่าที่เป็นไปได้ด้วยโมเดลที่สร้างแบบบริสุทธิ์ซึ่งอาศัยข้อมูลภายในเท่านั้น

นอกจากนี้ ความฉลาดของ LLM ที่เสริมด้วย RAG ยังขึ้นอยู่กับคุณภาพและความเกี่ยวข้องของข้อมูลที่ดึงมาจากฐานข้อมูลการค้นหาเวกเตอร์อย่างมาก หากเนื้อหาในฐานข้อมูลไม่ครอบคลุม ไม่ทันสมัย หรือไม่ได้รับการดูแลเป็นอย่างดี ประโยชน์ของข้อมูลที่ดึงมาอาจมีจำกัด ส่งผลกระทบต่อความฉลาดโดยรวมของการตอบสนอง

แม้ว่าจะมีการดึงข้อมูลภายนอกที่มีคุณภาพสูง ความท้าทายยังคงอยู่ที่ว่าจะรวมข้อมูลนี้เข้ากับกรอบการตอบสนองที่มีอยู่ของ LLM ได้อย่างมีประสิทธิภาพอย่างไร โมเดลต้องไม่เพียงแต่รวมข้อมูลภายนอกนี้เท่านั้น แต่ต้องทำในลักษณะที่เหมาะสมและสอดคล้องกับบริบท ความไม่สอดคล้องกันระหว่างการฝึกของโมเดลและลักษณะของข้อมูลภายนอกอาจนำไปสู่การตอบสนองที่ถูกต้องในทางเทคนิค แต่ไม่สอดคล้องกับบริบท

ยุคต่อไปของ LLM

LLM ในยุคต่อไปน่าจะผสมผสาน RAG แบบเวกเตอร์เสิร์ชและวิธีการฝึก/ปรับแต่งแบบดั้งเดิมเข้าด้วยกัน พร้อมกับการประมวลผลข้อมูลที่มีโครงสร้าง (เช่น ฐานข้อมูล SQL ของข้อมูลตลาดการเงินแบบดั้งเดิมและข่าวทางการเงินที่เกี่ยวข้อง) แนวคิดของการมีผู้ให้บริการ LLM 'อยู่ที่นี่' และฐานข้อมูลการค้นหาเวกเตอร์แยกต่างหาก 'อยู่ที่นั่น' จะรวมกันผ่านโมเดลใหม่ที่ขยายหน่วยความจำการทำงานแบบมีดัชนีไปยัง SSD ในเครื่องที่มีบริบทแบบเวกเตอร์หลายเทราไบต์

Space and Time ได้ส่งมอบ Proof of SQL ซึ่งเป็นหลักฐาน ZK ที่ตรวจสอบความถูกต้องและการป้องกันการเปลี่ยนแปลงโดยไม่ได้รับอนุญาตของการประมวลผลฐานข้อมูล SQL ให้กับลูกค้าแล้ว และเมื่อเร็วๆ นี้ได้ส่งมอบ Proof of Vector Search ซึ่งทำเช่นเดียวกันสำหรับการดึงข้อมูลการค้นหาเวกเตอร์ หลักฐานใหม่เหล่านี้เปิดทางสู่อนาคตที่ LLM สามารถรวมบริบทใหม่ เข้าถึงข้อมูลที่กว้างขึ้นและมีนัยยะซับซ้อนมากขึ้นแบบเรียลไทม์ และรวมการประมวลผลข้อมูลที่มีโครงสร้างเพื่อให้ได้ผลวิเคราะห์ที่ลึกซึ้งยิ่งขึ้น ทั้งหมดนี้ในลักษณะที่สามารถติดตามและตรวจสอบได้ ความก้าวหน้าเหล่านี้จะขยายขอบเขตของการใช้งาน LLM ในท้ายที่สุด โดยขยายประโยชน์ของพวกมันในภาคส่วนที่พึ่งพาข้อมูลล่าสุดอย่างหนัก เช่น การบริการทางการเงิน การรวบรวมข่าว และการประเมินความเสี่ยง ส่งผลให้เกิดคลื่นลูกใหม่ของนวัตกรรมที่ขับเคลื่อนด้วย AI ต่อไป

บทความนี้ถูกแปลจาก: Vector Search to Success ที่ถูกเขียนโดย Scott Dykstra

https://www.spaceandtime.io/blog/vector-search-to-success

Personally, I think this is a big paradigm shift for the web3 space. This blog will explain how everyone can test on this.

With this upgrade, it totally unlocks the limitation to interact with Bitcoin Smart Contract and now you can experience swapping native BTC (with no wrapping) for other DeFi assets.

How to native swap BTC to other DeFi assets

• Go to https://labs.zetachain.com/leaderboard?code=AeQeG3scvGvMcfZbeuY6r…

• Select Swap section

• Change network to Bitcoin Testnet-

• Install wallet. This will ask you to connect with the wallet that can support Bitcoin Chain. For this case, we will use XDEFI wallet.

• Go to http://xdefi.io Download extension, create an account and safely record private key.

Open Testnet mode

• Open the extension.

• Click on the menu bar at the top right corner.

• Toggle on Testnet mode (this one is important since Bitcoin Mainnet and Bitcoin Testnet have different addresses).

Get test BTC

• Click on Receive under BTC to get the address.

• Go to https://coinfaucet.eu/en/btc-testnet/ to ask for Test BTC and now you will have $BTCt to perform a swap.

Perform a swap

• Back to Swap page.

• Change network to Bitcoin Testnet.

• Click on the green button at top right and it will automatically connect with xDEFI wallet Perform a swap to any chain (e.g. tBNB on BTC).

• Add a destination; simply put your metamask address here.

This will take a while to complete and note that any transaction can be failed in this test environment!

Reminder: OP Airdrop #1 ยังไม่สามารถเคลมได้

ช่วงเวลาที่สามารถเคลม Airdrop ได้จะถูกประกาศผ่าน Twitter @optimisticPBC เท่านั้น Airdrop#1 นี้จะไม่มีการเสนอขาย โปรดระมัดระวังผู้ไม่หวังดีที่เสนอขายโทเคน OP ก่อนวันประกาศอย่างเป็นทางการ!

The Optimism Collective ถูกออกแบบมาจากแนวคิดที่การทำเพื่อสาธารณะประโยชน์ที่ดีก่อให้เกิด Ecosystem ที่มีความก้าวหน้า และเต็มเปี่ยมด้วยคุณค่า

หลักการทางเศรษศาสตร์ของ Ecosystem ถูกออกแบบมาให้สร้างมูลค่าต่อ 3 กลุ่มผู้ขับเคลื่อน ดังนี้:

• มูลค่าสะสมต่อผู้ถือโทเคน OP – ผ่านรายได้ของ Sequencer โดยที่รายได้นี้หลักๆ แล้วนำไปสนับสนุนการทำเพื่อสาธารณะประโยชน์ (Public Good) ซึ่งจะก่อให้เกิดคุณค่าที่เพิ่มขึ้นของ Ecosystem และเพิ่มความต้องการ Blockspace

• มูลค่าสะสมต่อนักพัฒนา และผู้ร่วมสนับสนุน – ผ่านการได้รับทุนย้อนหลังจากการทำเพื่อสาธารณะประโยชน์ อีกทั้งนักพัฒนาจะได้รับประโยชน์จาก Ecosystem ที่เครื่องมือ องค์ความรู้ และโครงสร้างพื้นฐานที่เพียบพร้อม

• มูลค่าสะสมต่อผู้ใช้ และสมาชิกในชุมชน – ผ่านการแจก Airdrop โทเคน OP และ Incentive ของโปรเจคต่างๆ ที่ได้เงินทุนสนับสนุนจาก OP Ecosystem อีกทั้งยังได้รับประโยชน์จากโครงการ Public Good ต่างๆ อีกด้วย

หากรวมกัน จะเป็นลักษณะดังนี้

มาดูทีละส่วนกัน ⤵️

ความต้องการ OP Blockspace จะก่อให้เกิดรายได้

การจัดหาทุนสำหรับ OP Economy มาจากความเป็นเจ้าของ Optimism Network และมูลค่าของ Blockspace โดย ณ ปัจจุบัน เงินทุนจะมาจาก Centralized Sequencer ซึ่งสะสมมูลค่า และถูกนำไปแจกจ่ายต่อโดย Optimism Foundation

ในอนาคต เงินทุนจะสะสมมูลค่าโดยตรงผ่านการขายกรรมสิทธิ์ที่จะมีส่วนร่วมใน Optimism’s Decentralized Sequencing Network

พูดง่ายๆ คือ กรรมสิทธิ์ใน Blockspace คือที่มาของรายได้ที่ยั่งยืนซึ่งจะช่วยเคลื่อน OP’s Economic Model และโตไปพร้อมๆกับ Network

รายได้จะถูกนำไปแจกจ่ายแก่ Public Good

โดยปกติแล้ว ชุมชนจะได้รับประโยชน์จากสาธารณะประโยชน์หลายๆอย่าง ตั้งแต่เรื่องการศึกษา โครงสร้างพื้นฐานต่างๆ รวมถึง Open-source Software แต่อย่างไรก็ตาม พบว่าหลายชุมชนไม่สามารถจัดเตรียมเงินทุน และให้การสนับสนุน Public Good ได้เพียงพอ นั่นเลยเป็นเหตุให้ Optimism พร้อมจะก้าวไปข้างหน้าผ่านการสร้างแหล่งจัดหาเงินทุนที่ยั่งยืนผ่านกลไกของ network นั่นเอง

รายได้จาก Sequencer จะถูกนำไปแจกจ่ายให้แก่ Ecosystem ผ่านการให้เงินทุนย้อนหลังแก่ Public Good (RetroPGF) สิ่งนี้จะช่วยสร้างแรงจูงใจแก่ผู้คนในการสร้างสิ่งต่างๆ เพื่อสาธารณะประโยชน์ภายใต้ OP Ecosystem

ในทุกไตรมาส the Citizens’ House จะทำการโหวตแก่บุคคล ทีม โครงการ หรือชุมชนที่ได้สร้างคุณค่าในแต่ละช่วงเวลา สิ่งนี้เป็นรางวัลโดยตรงสำหรับสมาชิกในชุมชนที่ได้สร้างผลเชิงบวกผ่านงานของเขา

อีกทั้ง RetroPGF มีความเป็นไปได้จะช่วยสร้างช่องทางสำหรับ Exit Liquidity แก่โครงการ Public Good สิ่งนี้แปลว่านักพัฒนาจะได้รับ:

• ผลตอบแทนจากการสนับสนุนเชิงบวกโดยไม่จำเป็นต้องพยายามสร้างรายได้ตรงๆ

• เงินทุนเพื่อเติมตามศักยภาพและความคาดหวังของโครงการ

ในระยะยาว เราคาดหวังว่ากลไกนี้จะขับเคลื่อน และเผยแพร่แนวคิดการทำเพื่อประโยชน์ต่อสังคมไปในวงกว้าง ซึ่งจะให้ประโยชน์แก่ The Collective และทำให้เติบโตขึ้นไปผ่านการทดลองสิ่งใหม่ๆ และถอดบทเรียนมาพัฒนาต่อไปเรื่อยๆ

คุณค่าจาก Public Good จะนำมาซึ่งความต้องการของ Blockspace

การมอบทุนทรัพย์ให้แก่โครงการเพื่อสาธารณะประโยชน์จะช่วยทำให้ Ecosystem เติบโตได้ และส่งผลโดยตรงต่อรายได้ของ Network สำหรับการมอบทุนทรัพย์รอบที่ผ่านมา Optimism ได้มอบทุนทรัพย์เพื่อสร้างเครื่องมือจำนวนมากสำหรับนักพัฒนา รวมทั้งโครงสร้างพื้นฐานที่จำเป็น สิ่งนี้เองทำให้การพัฒนา เรียนรู้ หรือเชื่อมต่อแอพพลิเคชั่นต่างๆ ของนักพัฒนาทำได้ง่ายขึ้นอย่างมีนัยยะสำคัญ ซึ่งเป็นปัจจัยหลักที่ผลักดันให้เกิดการให้แอพพลิเคชั่นที่มากขึ้น และก่อให้เกิดความต้องการ Blockspace

แต่ว่าอะไรคือคุณค่าที่ได้จาก Public Good และมันมีคุณค่าสำหรับใคร? มันสามารถไปได้หลากหลายรูปแบบมาก การกำกับดูแล Optimism นั้นมาจากแนวคิดที่เปิดกว้างต่อการตั้งคำถาม และทำการทดลองเพื่อหาคำตอบ เราได้ศึกษาและนำแนวทางของ Ostrom, Vitalik และอีกหลายคนเพื่อให้วิธีการมอบทุนทรัพย์แก่การทำเพื่อสาธารณะประโยชน์นั้นมีประสิทธิภาพ ประสิทธิผล และปลอดภัยมากที่สุดเท่าที่จะเป็นไปได้

เริ่มต้นมา เราจะแบ่งการกำกับดูแลผ่านระบบ Two-house โดยที่พารามิเตอร์ที่ใช้ชี้วัดจำนวนเงินทุนจะถูกบริหารโดยทั้ง house ทั้งสอง แต่สำหรับการกำกับดูแลเงินทุนสำหรับ RetroPFG จะถูกกำหนดโดยกลุ่มพลเมือง (A Set of Citizens) ที่มีความรู้ และมีส่วนได้ส่วนเสีย

การจัดสรรเงินทุนสำหรับ Public Good อย่างไตร่ตรองจะสร้างคุณค่าระยะยาวให้แก่ ผู้พัฒนา ผู้ใช้ ผู้ถือโทเคน พลเมือง และภาพรวมทั้งหมดของ Optimism Collective

ในมุมมองส่วนตัว ผมมองว่าเป็นหนึ่งในโปรเจคที่น่าจับตามองมากๆในปีนี้ โดยสรุปเป็น 3 เรื่องหลักๆด้วยกัน

1. ระบบ Play-to-earn tournament (Play-to-earn game + Tournament)

ปัจจุบันเป็นยุคที่มีเกมมือถือที่มีคุณภาพมากมาย ยกตัวอย่างเช่น Call of duty (Mobile) PUBG ROV อย่างไรก็ตาม เรามักจะเล่นเพื่อความสนุกเป็นส่วนใหญ่ อีกทั้งยังต้องเติมเงินเพิ่มเพื่อให้ได้ตัวละครที่อยากได้ หรือสกินเท่ๆ

แต่หากว่าอยากจะได้เงินจากการเล่นเกม เรียกว่าแทบจะเป็นไปไม่ได้เลยหากไม่ไปเข้าร่วมการแข่งขันที่จัดโดยบริษัทผู้พัฒนาเอง ซึ่งมักจะตัดโอกาสของหลายๆผู้เล่นออกไป เนื่องจากมองว่าคงไม่อยากจริงจังระดับนั้น

การมาของ Ignite Tournaments จะทำให้ปัญหาเหล่านี้หายไป เนื่องจากการรวมผู้เล่น ผู้พัฒนา และผู้จัดการแข่งขันมาอยู่ในแอพเดียวกันนั้น ทำให้ทุกผู้เล่นสามารถเข้าร่วมการแข่งขัน และรับผลตอบแทน เช่น เหรียญ TENKA หรือ NFT กลับไปได้

2. Single community

โดยปกติแล้วในแต่ละเกม หากเราเล่นไปนานระดับหนึ่ง เราก็จะมีสังคมในกลุ่มผู้เล่นในเกมนั้นๆ แต่หากเราเปลี่ยนเกมเล่น สังคมนั้นก็จะหายไป แต่จะเป็นอย่างไรหากเราร่วมเหล่าผู้เล่นเกมในทุกรูปแบบมาอยู่ในที่เดียวกัน ผมเชื่อว่าคงจะทำให้การเล่นเกมมีความสนุกมากขึ้นอย่างแน่นอน

Ignite Tournaments มีฟีเจอร์เกี่ยวกับเรื่อง Social network แม้ว่าตอนนี้จะยังไม่เผยรายละเอียดออกมา แต่ผมเชื่อว่าการที่คนเล่นเกมมารวมกันอยู่ที่เดียวกันนั้น เราคงจะได้มีเพื่อนกลุ่มสนิทที่รู้ใจกัน และตามไปช่วยกันฟอร์มทีมในทุกๆเกมอย่างแน่นอน

3. Partnership privilege

ในโลก web3 สิ่งที่สำคัญที่สุดคือเรื่องของการจับมือกันเพื่อสร้าง ecosystem ที่ครบวงจร และตอบโจทย์ผู้ใช้งานมากที่สุดเท่าที่จะเป็นไปได้ สำหรับ Ignite Tournament แน่นอนว่าเราจะเห็นการพาร์ทเนอร์ร่วมกับเกม หรือกิลด์ อย่างไม่ขาดสาย

สิ่งนี้จะช่วยให้ผู้เล่นบน Ignite Tournaments ได้สิทธิพิเศษเพิ่มเติม และมากกว่านั้น โดยส่วนตัว ผมเชื่อว่า reward ที่เราได้รับมา อาจจะนำมาแลกสิทธิเพิ่มเติมสำหรับเกมใหม่ๆได้ ซึ่งสิ่งนี้เรียกว่าหายากมากๆในโลกเกมมือถือปัจจุบัน (web2)

และนี่คือ 3 เหตุผลว่าทำไม Ignite Tournaments ผมถึงมองว่า Ignite Tournaments น่าจับตามองในปี 2022

ติดตามเราผ่านทางช่องทางหลักของเรา

Discord: https://discord.gg/3yanX8n4pJ

Telegram: https://t.me/ignitetournaments

Twitter: https://twitter.com/igniteyourgames

Medium: https://medium.com/ignite-tournaments

Website: https://ignitetournaments.com

Ignite Tournaments เป็นโครงการที่พัฒนาแอพพลิเคชั่นสำหรับการ play-to-earn e-sport ทั้งในส่วนของทัวร์นาเม้นท์และสตรีมมิ่ง ซึ่งสิ่งนี้จะเปิดโอกาสให้เหล่าเกมเมอร์สามารถจัดตั้งทัวร์นาเม้นท์การแข่งขันบนเกมที่อยู่บนมือถือ ฟาร์มเหรียญ และได้รับ NFT ที่สามารถนำไปแลกเปลี่ยนต่อได้ในแอพพลิเคชั่น

โดยที่ Ignite Tournaments จะถูกพัฒนาอยู่บนเชน Moonbeam ภายใต้ Polkadot ecosystem ทำให้เกมเมอร์สำหรับทำธุรกรรมบนเช็นที่เป็น EVM ซึ่งมีความรวดเร็ว ค่าใช้จ่ายต่ำ และสามารถทำธุรกรรมข้ามเชนได้

สิ่งนี้จะช่วยเปลี่ยนโฉมประสบการณ์การเล่นเกมบนมือถือที่คุณคุ้นเคยออกไปโดยสิ้นเชิง ไม่ว่าจะเป็นเกมแนว FPS MMO หรือแนววางแผน คุณจะสามารถสร้างทัวร์นาเม้นท์และแข่งขันกับเพื่อนหรือใครก็ได้ใน Ignite Tournaments

ระบบการแข่งขันจะเป็นอีกเลเยอร์หนึ่งของเกมทุกๆเกมที่คุณเล่น รวมถึงสามารถฟาร์มเหรียญ Tenka และลุ้นรับ NFT ไปพร้อมๆกับรายได้ที่มาจากตัวเกมเอง

โดยเพื่อให้สภาพคล่องของระบบมีความยั่งยืน จะมีการเปิด Staking pool ให้คนมา stake เหรียญ TENKA ไว้และจะได้เหรียญ TENKA เพิ่มเป็น reward ตอบแทน รวมถึงสามารถ govern ทิศทางของโปรเจคได้

เปลี่ยนโฉมเกมมือถือเดิมๆด้วยระบบ Play-to-earn

เกมมือถือเป็นหนึ่งในอุตสาหกรรมที่เติบโตเร็วที่สุดในโลก ในช่วงปีที่ผ่านมา เกมเมอร์มีค่าใช้จ่ายในการซื้อไอเท็มในเกมมากกว่า 120 ล้านเหรียญ โดยที่ไม่มีมูลค่ามาการันตี ซึ่งตรงนี้จะต่างจาก NFT ได้อย่างชัดเจน เนื่องจากไอเท็มหรือเงินบนเกมมือถือปัจจุบันจะมีมูลค่าต่อแค่ผู้สร้างเกมเท่านั้น ไม่ใช่ผู้เล่นที่เอาเงินในชีวิตจริงมาใช้จ่ายหรือแข่งขันในเกม

ปัจจุบัน เกมเมอร์มักจะได้รับรางวัลเป็นลักษณะของไอเท็มหายาก หรือเงินในเกมที่นำไปใช้ในการแข่งขันในทัวร์นาเม้นท์ต่อไป อย่างไรก็ตาม มีเพียงไม่กี่เกมเท่านั้นที่จะจัดการแข่งขันแบบจริงจังเป็น e-sport หรือต่อให้จัด ก็มักจะใช้เวลามากกว่า 4 สัปดาห์กว่าจะได้รับรางวัล

Ignite Tournaments จะเข้ามาเพื่อพลิกโฉมเกมมือถือทั้งหมดด้วยระบบ Play-to-earn tournaments

จากที่ต้องจ่ายเงินเพื่อให้ได้เล่น ต่อไปเกมเมอร์ทั่วโลกจะเล่นเกมแล้วได้เงินผ่านการแข่งขันใน Ignite Tournaments

ไม่ว่าจะชนะหรือแพ้ก็ยังคงได้รับผลตอบแทน

และหากคุณเล่นเกมที่เป็น play-to-earn ในตัวมันเองอยู่แล้ว เช่น IIuvium คุณจะได้รับ NFT และ token จากทั้ง Iluvium และ Ignite Tournaments ในเวลาเดียวกัน

ฟีเจอร์ของ Ignite Tournaments

Ignite Tournaments จะปลดล็อคข้อจำกัดต่างๆ เพื่อทำให้เกมเมอร์ ผู้จัดการแข่งขัน และนักพัฒนาเกมสามารถสร้าง และ stream ทัวร์นาเม้นท์ e-sport ได้ไม่ว่าจะเป็นเกมมือถือใดๆ โดยไม่จำเป็นต้องเชื่อมต่อระบบหลังบ้านอีกต่อไป

ตราบใดที่เป็นเกมที่เล่นบนมือถือ และอาศัยทักษะในการเอาชนะ เช่น Call of Duty: Mobile, Splinterlands คุณจะสามารถจัด tournament ที่เป็น play-to-earn ได้แน่นอนผ่านแอพ Ignite Tournaments

ตัวอย่างฟีเจอร์ของ Ignite Tournaments

·       ระบบบริหารจัดการทัวร์นาเม้นท์สำหรับเกมบนมือถือ

·       Streaming, Social network และ Chat

·       ระบบสร้าง on-chain NFT สำหรับแต่ละทัวร์นาเม้นท์

·       Pool สำหรับ stake เหรียญ TENKA สำหรับผลตอบแทนในระหว่างการแข่งขันสำหรับผู้เข้าแข่งขันทุกคน ไม่ว่าจะชนะหรือแพ้ก็ตาม

·       ตลาดซื้อขาย NFT

·       กิลด์

·       ระบบป้องกันบอท

·       ระบบจัดคู่ผู้เข้าร่วมการแข่งขัน

·       EVM-compatible

·       การกำหนดทิศทางผ่าน DAO (ใช้เหรียญ TENKA)

หากนี่คือสิ่งที่คุณตามหา อย่าลืมติดตามเราผ่านทางช่องทางหลักของเรา

Discord: https://discord.gg/3yanX8n4pJ

Telegram: https://t.me/ignitetournaments

Twitter: https://twitter.com/igniteyourgames

Medium: https://medium.com/ignite-tournaments

Website: https://ignitetournaments.com