Vijesti
Kolovoz 08, 2023

10 najčešće neshvaćenih pitanja o umjetnoj inteligenciji i neuronskim mrežama u 2023

Budući da se područje umjetne inteligencije i neuronskih mreža neprestano razvija i postaje sve složenije, postoji mnogo nesporazuma i pitanja koja ljudi možda nerado postavljaju. Sjeli smo s poznatim stručnjacima za umjetnu inteligenciju kako bismo razgovarali o deset često nesporazumnih pitanja o neuronskim mrežama u nastojanju da razjasnimo ta pitanja. Ono što su rekli bilo je sljedeće:

10 najčešće neshvaćenih pitanja o umjetnoj inteligenciji i neuronskim mrežama u 2023
kredit: Metaverse Post / Anton Tarasov

1. Je li moguće da se AI zaljubi?

1. Je li moguće da se neuronske mreže zaljube?

Neuronske mreže su matematički modeli inspiriran strukturom ljudskog mozga. Sastoje se od međusobno povezanih čvorova ili "neurona" koji obrađuju informacije. Učeći iz podataka, mogu obavljati određene zadatke kao što su generiranje teksta, prepoznavanje slike, ili čak simuliranje stilova pisanja sličnih ljudskim.

Može li umjetna inteligencija "voljeti"?

Pojam ljubavi intrinzično je vezan uz svijest, samosvijest, empatiju i niz drugih složenih emocionalnih i kognitivnih procesa. Neuronske mreže, međutim, ne posjeduju te atribute.

Na primjer, neuronska mreža može se uvježbati da generira tekst koji nalikuje ljubavnom pismu ako joj se da odgovarajući kontekst i upute. Ako mu se pruži prvo poglavlje ljubavne priče i zatraži da nastavi u sličnom duhu, model će pristati. Ali to čini na temelju obrazaca i statističke vjerojatnosti, a ne zbog bilo kakve emocionalne veze ili osjećaja privrženosti.

Drugi kritični aspekt koji treba uzeti u obzir je pamćenje. U svom osnovnom obliku, neuronske mreže nemaju sposobnost zadržavanja informacija između različitih lansiranja. Rade bez kontinuiteta ili svijesti o prošlim interakcijama, u biti se vraćaju na svoje "tvorničke postavke" nakon svake upotrebe.

Memorija i neuronske mreže

Dok se memorija može umjetno dodati neuronskoj mreži, dopuštajući joj da referencira prošla "sjećanja" ili podatke, to ne prožima model sviješću ili emocijama. Čak i uz memorijsku komponentu, odgovor neuronske mreže diktiraju matematički algoritmi i statističke vjerojatnosti, a ne osobno iskustvo ili osjećaji.

Ideja neuronske mreže koja se zaljubljuje je zadivljujuća, ali izmišljena ideja. Trenutačni modeli umjetne inteligencije, bez obzira na njihovu složenost i mogućnosti, nemaju kapacitet za doživljavanje emocija poput ljubavi.

Generiranje teksta i odgovori promatrani u sofisticiranom modeli rezultat su matematičkih izračuna i prepoznavanja uzoraka, a ne istinske naklonosti ili emocionalne inteligencije.

2. Može li umjetna inteligencija početi nanositi štetu i na kraju zavladati svijetom?

2. Može li umjetna inteligencija početi nanositi štetu i na kraju zavladati svijetom?

Današnje neuronske mreže rade bez potpunih metoda kojima bi se osiguralo da se pridržavaju određenih pravila. Na primjer, spriječiti model da koristi uvredljiv jezik iznenađujuće je izazovan zadatak. Unatoč nastojanjima da se postave takva ograničenja, uvijek postoji načinkoje bi model mogao pronaći kako bi ih zaobišao.

Budućnost neuronskih mreža

Kako se krećemo prema naprednijim neuronskim mrežama, kao što su hipotetske GPT-10 modela sa sposobnostima sličnim ljudskim, izazov kontrole postaje još hitniji. Kad bi se tim sustavima dalo slobodno bez posebnih zadataka ili ograničenja, njihove bi radnje mogle postati nepredvidive.

Rasprava o vjerojatnosti negativnog scenarija koji proizlazi iz ovih događaja uvelike varira, s procjenama u rasponu od 0.01% do 10%. Iako se te vjerojatnosti mogu činiti malima, potencijalne posljedice mogu biti katastrofalne, uključujući mogućnost ljudsko izumiranje.

Napori u usklađivanju i kontroli

Proizvodi poput ChatGPT i GPT-4 primjeri su stalnih napora da se namjere neuronskih mreža usklade s ljudskim ciljevima. Ovi su modeli osmišljeni da slijede upute, održavaju pristojnu interakciju i postavljaju razjašnjavajuća pitanja. Međutim, te kontrole su daleko od savršenih, a problem upravljanja tim mrežama nije ni polovično riješen.

Izazov stvaranja nepogrešivih kontrolnih mehanizama za neuronske mreže jedno je od najvitalnijih istraživačkih područja u području umjetne inteligencije danas. Neizvjesnost oko toga može li se ovaj problem riješiti i koje su metode potrebne za to samo povećava hitnost problema.

povezan: Top 5 AI dionica koje preferiraju milijarderi i upravitelji fondova

3. Je li riskantno učitavati svoj glas, izgled i stil pretvaranja teksta u govor u AI?

3. Je li riskantno učitavati svoj glas, izgled i stil pretvaranja teksta u govor u AI?

U doba u kojem digitalne tehnologije brzo napreduju, raste zabrinutost za sigurnost osobnih podataka kao što su glas, izgled i stil teksta. Iako je prijetnja krađe digitalnog identiteta stvarna, bitno ju je razumjeti kontekst i mjere poduzeti za rješavanje ovog izazova.

Digitalni identitet i neuronske mreže

U neuronskim mrežama nije stvar učitavanja osobnih atributa, već uvježbavanje ili ponovno uvježbavanje modela da oponašaju nečiji izgled, glas ili tekst. Ovi uvježbani modeli doista se mogu ukrasti kopiranjem skripte i parametara, dopuštajući im da rade na drugom računalu.

Potencijalna zlouporaba ove tehnologije je značajna jer je dosegla razinu na kojoj deepfake videa a algoritmi za kloniranje glasa mogu uvjerljivo replicirati pojedinca. Stvaranje takvog varljivog sadržaja može biti skupo i dugotrajno, zahtijevajući tisuće dolara i brojne sate snimanja. Međutim, rizik je opipljiv i naglašava potrebu za pouzdanim metodama identifikacije i potvrde.

Napori da se osigura sigurnost identiteta

U tijeku su razne inicijative za rješavanje problema krađe digitalnog identiteta. Startupi poput WorldCoina, u kojem OpenAI's glava Sam Altman je uložio, istražuju inovativna rješenja. Koncept WorldCoina uključuje dodjeljivanje jedinstvenog ključa svakoj informaciji o osobi, što omogućuje naknadnu identifikaciju. Ova se metoda također može primijeniti na masovne medije za provjeru autentičnosti vijesti.

Unatoč ovim obećavajućim razvojima, implementacija takvih sustava u svim industrijama složen je i opsežan pothvat. Trenutačno su ova rješenja u fazi prototipa, a njihova široka primjena možda neće biti izvediva unutar sljedeće desetljeće.

4. Prijenos svijesti u računala: stvarnost ili znanstvena fantastika?

4. Prijenos svijesti na računala: stvarnost ili znanstvena fantastika?

Ideja o prijenosu ljudske svijesti u računalo bila je fascinantna tema za ljubitelje znanstvene fantastike. No je li to nešto što bi trenutna tehnologija ili čak budući napredak mogli postići? Pojam vječnog življenja kroz a digitalni blizanci svakako zaokuplja maštu, ali stvarnost je daleko složenija.

Imitacija, ali ne umnožavanje

S postojećim tehnologijama, poput onih pronađenih u modeli poput GPT-4, moguće je neuronsku mrežu naučiti oponašati nečiji komunikacijski stil, naučiti osobne šale, pa čak i izmišljati nove u jedinstvenom stilu i načinu prezentacije. To, međutim, nije sinonim za prijenos vlastite svijesti.

Složenost svijesti daleko nadilazi komunikacijski stil i osobne hirove. Čovječanstvu još uvijek nedostaje konkretno razumijevanje o tome što je svijest, gdje je pohranjena, kako razlikuje pojedince i što točno osobu čini jedinstvenom.

Potencijalne buduće mogućnosti

Hipotetski scenarij prijenos svijesti bi zahtijevao definja svijesti kao kombinacije sjećanja, iskustava i individualnih karakteristika percepcije. Ako je takav defiAko se ideja prihvati, možda postoji teoretski put za simulaciju daljnjeg života kroz prijenos tog znanja u neuronsku mrežu.

Međutim, ova je teorija samo spekulativna i nije utemeljena na trenutnom znanstvenom razumijevanju ili tehnološkim mogućnostima. Pitanje svijesti jedna je od najdubljih i najneuhvatljivijih tema u filozofiji, neuroznanosti i kognitivnoj znanosti. Njegova složenost daleko nadilazi kapacitet struje umjetna inteligencija i tehnologija neuronske mreže.

povezan: 10 najboljih AI aplikacija i stranica za upoznavanje za 2023

5. Je li istina da će AI ljudima oduzeti posao?

5. Je li istina da će AI ljudima oduzeti posao?

Automatizacija putem umjetne inteligencije vjerojatno će utjecati na profesije u kojima posao uključuje rutinsko izvršavanje uputa. Primjeri uključuju porezne pomoćnike-konzultante koji pomažu s deklaracijama i kliničkim ispitivanjem upravitelji podataka čiji se posao vrti oko ispunjavanja izvješća i njihovog usklađivanja sa standardima. Potencijal za automatizaciju u ovim ulogama je jasan, s obzirom da su potrebne informacije lako dostupne, a cijena rada iznadprosječna.

S druge strane, zanimanja poput kuhanja ili vožnje autobusa ostaju sigurna u doglednoj budućnosti. Izazov povezivanja neuronskih mreža sa stvarnim fizičkim svijetom, u kombinaciji s postojećim zakonodavstvom i propisima, čini automatizaciju u ovim područjima složenijim pothvatom.

Promjene i mogućnosti

Automatizacija ne podrazumijeva nužno potpunu zamjenu ljudskih radnika. To često dovodi do optimizacije rutinskih zadataka, dopuštajući ljudima da se usredotoče na kreativnije i angažiranije odgovornosti.

1. Novinarstvo: U industrijama kao što je novinarstvo, neuronske mreže bi uskoro mogle pomoći u izradi članaka sa skupom teza, ostavljajući ljudskim piscima da naprave precizne prilagodbe.

2. Obrazovanje: Možda najuzbudljivija transformacija leži u obrazovanju. Istraživanja pokazuju da personalizirani pristupi poboljšati obrazovne rezultate. S umjetnom inteligencijom možemo zamisliti personalizirane pomoćnike za svakog učenika, dramatično poboljšavajući kvalitetu obrazovanja. Uloge nastavnika razvijat će se prema strateškom planiranju i kontroli, s fokusom na određivanje studijskih programa, provjeru znanja i vođenje cjelokupnog učenja.

6. AI i umjetničke slike: reprodukcija ili krađa?

6. AI i umjetničke slike: reprodukcija ili krađa?

AI uči proučavajući različite oblike umjetnosti, prepoznajući različite stilove i pokušavajući ih oponašati. Postupak je slično ljudskom učenju, gdje studenti umjetnosti promatraju, analiziraju i oponašaju djela različitih umjetnika.

AI radi na principu minimizacije pogrešaka. Ako se model susreće sa sličnom slikom stotine puta tijekom svog treninga, mogao bi zapamtiti tu sliku kao dio svoje strategije učenja. To ne znači da mreža pohranjuje sliku, već ju prepoznaje na način sličan ljudskom pamćenju.

Praktični primjer

Zamislite studenta umjetnosti koji svaki dan crta dvije slike: jednu unikatnu, a drugu reprodukciju Mona Lise. Nakon opetovanog crtanja Mona Lise, učenik će je moći reproducirati s priličnom točnošću, ali ne točno. Ova naučena sposobnost rekreacije nije jednaka krađi izvornog djela.

Neuronske mreže funkcioniraju na sličan način. Uče iz svih slika na koje naiđu tijekom treninga, pri čemu su neke slike češće i stoga se točnije reproduciraju. To uključuje ne samo poznate slike, već bilo koju sliku u uzorku za obuku. Iako postoje metode za uklanjanje duplikata, one nisu besprijekorne, a istraživanje je pokazalo da se određene slike mogu pojaviti stotine puta tijekom treninga.

povezan: 5 savjeta za provjeru vašeg životopisa pomoću alata za provjeru pomoću umjetne inteligencije

7. Mogu li koristiti GPT-4 umjesto Google pretraživanja?

7. Mogu li koristiti GPT-4 umjesto Google pretraživanja?

Prema internim procjenama po OpenAI, trenutno vodeći model, GPT-4, odgovara točno oko 70-80% vremena, ovisno o temi. Iako se ovo može činiti manje od idealne 100% točnosti, to je značajno poboljšanje u odnosu na prethodnu generaciju modela na temelju GPT-3.5 arhitekture, koja je imala stopu točnosti od 40-50%. Ovo značajno povećanje učinkovitosti postignuto je unutar 6-8 mjeseci istraživanja.

Kontekst je bitan

Gore navedene brojke odnose se na pitanja postavljena bez specifičnog konteksta ili popratnih informacija. Kada je naveden kontekst, kao što je a Wikipedia stranica, točnost modela se približava 100%, prilagođeno ispravnosti izvora.

Razlikovanje između pitanja bez konteksta i pitanja bogatih kontekstom ključna je. Na primjer, pitanje o Einsteinovom datumu rođenja bez ikakvih popratnih podataka oslanja se isključivo na interno znanje modela. Ali s određenim izvorom ili kontekstom, model može dati točniji odgovor.

Google pretraživanja unutar GPT-4

Zanimljiv razvoj na ovom polju je integracija internetskih pretraživanja unutar GPT-4 sebe. To korisnicima omogućuje da dio internetskog pretraživanja prepuste GPT-4, potencijalno smanjujući potrebu za ručnim guglanjem informacija. Ova značajka, međutim, zahtijeva plaćenu pretplatu.

Pogled u budućnost

OpenAI Izvršni direktor Sam Altman predviđa da će se pouzdanost činjeničnih informacija unutar modela nastaviti poboljšavati, s predviđenim rokom od 1.5-2 godine za daljnje usavršavanje ovog aspekta.

8. Može li umjetna inteligencija biti kreativna?

8. Može li umjetna inteligencija biti kreativna?

Za neke, kreativnost je inherentna sposobnost, nešto što svi ljudi posjeduju u različitim stupnjevima. Drugi bi mogli tvrditi da je kreativnost naučena vještina ili da je ograničena na određene profesije ili aktivnosti. Čak i među ljudima postoje razlike kreativna sposobnost. Stoga, usporedba ljudske kreativnosti s kreativnošću neuronske mreže zahtijeva pažljivo razmatranje onoga što kreativnost doista podrazumijeva.

Neuronske mreže i umjetnost

Nedavni razvoj omogućio je neuronskim mrežama stvaranje umjetnosti i poezije. Neki modeli proizveli su radove koji bi mogli doći do finala amaterskih natjecanja. Međutim, to se ne događa dosljedno; uspjeh može biti sporadičan, možda jedan od stotinu pokušaja.

Debata

Gornje informacije potaknule su žestoke rasprave. Mišljenja o tome mogu li se neuronske mreže smatrati kreativnima uvelike se razlikuju. Neki tvrde da sposobnost stvaranja pjesme ili slike, čak i ako je samo povremeno uspješna, predstavlja oblik kreativnosti. Drugi čvrsto vjeruju da je kreativnost isključivo ljudska osobina, vezana emocijama, namjerama i sviješću.

Subjektivna priroda kreativnosti dodaje dodatnu složenost raspravi. Čak i među ljudima, razumijevanje i uvažavanje kreativnosti može se uvelike razlikovati.

Praktične implikacije

Osim filozofske rasprave, postoje praktične implikacije koje treba razmotriti. Ako neuronske mreže doista mogu biti kreativne, što to znači za industrije koje se oslanjaju na kreativne rezultate? Mogu li strojevi povećati ili čak zamijeniti ljudsku kreativnost u određenim područjima? Ova pitanja nisu samo teorijska, već imaju značaj u stvarnom svijetu.

povezan: 5 najboljih AI foto miksera u 2023.: Pomiješajte dvije slike na mreži

9. Može li AI doista misliti?

9. Može li AI doista misliti?

Da bismo istražili mogu li neuronske mreže misliti, prvo moramo razumjeti što čini misao. Na primjer, ako proces razumijevanja kako koristiti ključ za otvaranje vrata smatramo misaonim procesom, onda bi neki mogli tvrditi da su neuronske mreže sposobni za slično rasuđivanje. Oni mogu povezati stanja i željene ishode. Drugi bi to mogli osporiti, ističući da se neuronske mreže oslanjaju na opetovano izlaganje podacima, slično kao što ljudi uče kroz opetovana promatranja.

Inovacija i zajedničke misli

Rasprava postaje zamršenija kada se razmatraju inovativne misli ili ideje koje se obično ne izražavaju. Neuronska mreža može generirati novu ideju jednom u milijun pokušaja, ali kvalificira li se to kao misao? Kako se ovo razlikuje od nasumičnog generiranja? Ako ljudi također povremeno proizvode pogrešne ili neučinkovite misli, gdje je crta između ljudskog i strojnog razmišljanja?

Vjerojatnost i stvaranje ideja

Koncept vjerojatnosti dodaje još jedan sloj složenosti. Neuronska mreža može proizvesti milijune različitih odgovora, a među njima može biti nekoliko inovativnih ili smislenih. Potvrđuje li određeni omjer smislenih i besmislenih misli sposobnost razmišljanja?

Razvoj razumijevanja umjetne inteligencije

Povijesno gledano, kako su se strojevi razvijali za rješavanje složenih problema, kao što su prolazeći Turingov test, vratnice za defiinteligencija se promijenila. Ono što se prije 80 godina smatralo čudesnim sada je uobičajena tehnologija, a defiideja o tome što čini AI neprestano se razvija.

10. Kako bi mogao ChatGPT biti uopće napravljen? I Midjourney ili DALL-E?

10. Kako bi mogao ChatGPT biti uopće napravljen? I Midjourney ili DALL-E?

Neuronske mreže, ideja koja je nastala sredinom 20. stoljeća, postale su ključne za funkcioniranje modeli kao što su ChatGPT i DALL-E. Iako se prve ideje mogu činiti pojednostavljenima prema današnjim standardima, one su postavile temelje za razumijevanje kako replicirati rad biološkog mozga kroz matematički modeli. Evo istraživanja principa koji ove neuronske mreže čine mogućim.

1. Inspiracija iz prirode:

Sam izraz "neuralna mreža" crpi inspiraciju iz bioloških neurona, temeljnih funkcionalnih jedinica mozga. Ove umjetne konstrukcije sastoje se od čvorova ili umjetnih neurona koji oponašaju mnoge aspekte prirodne funkcije mozga. Ova veza s biologijom pružila je dragocjene uvide u stvaranje modernih arhitektura.

2. Matematika kao alat:

Neuronske mreže su matematički modeli koji nam omogućuju da iskoristimo bogate resurse matematičkih tehnika za analizu i procjenu tih modela. Jednostavan primjer je funkcija koja uzima broj kao ulaz i dodaje mu dva, poput f(4) = 6. Iako je ovo osnovna funkcija, neuronske mreže mogu predstavljati daleko složenije odnose.

3. Rukovanje dvosmislenim zadacima:

Tradicionalno programiranje zaostaje kad se bavi zadacima gdje odnos između ulaza i izlaza nije lako opisati. Uzmimo primjer kategoriziranja slika mačaka i pasa. Unatoč sličnostima, ljudi ih mogu lako razlikovati, ali algoritamsko izražavanje te razlike je složeno.

4. Obuka i učenje iz podataka:

Snaga neuronskih mreža leži u njihovoj sposobnosti da uče iz podataka. S obzirom na dva skupa slika (npr. mačke i psi), model ih uči razlikovati vježbajući se da pronađe veze. Kroz pokušaje i pogreške te prilagodbu svojih umjetnih neurona, usavršava svoju sposobnost da ih ispravno klasificira.

5. Snaga velikih modela:

Teoretski, dovoljno velika neuronska mreža s dovoljno označenih podataka može naučiti bilo koju složenu funkciju. Međutim, izazovi su potrebna računalna snaga i dostupnost ispravno klasificiranih podataka. Ova složenost čini velike modele poput ChatGPT gotovo nemoguće u potpunosti analizirati.

6. Specijalizirani trening:

ChatGPT, na primjer, bio je obučen za dva specifična zadatka: predviđanje sljedeće riječi u kontekstu i osiguravanje neuvredljivih, ali korisnih i razumljivih odgovora. Ovi precizni ciljevi obuke pridonijeli su njegovoj popularnosti i širokoj upotrebi.

7. Tekući izazov razumijevanja:

Unatoč ovom napretku, potpuno razumijevanje unutarnjeg rada velikih, složenih modeli ostaju područje aktivnog istraživanja. Potraga za demistificiranjem njihovih zamršenih procesa i dalje zaokuplja neke od najboljih istraživača na tom području.

Zamotaj ga

Mnogo je složenih detalja u golemom području neuronskih mreža koje mogu uzrokovati nesporazume ili pogrešne percepcije. Nadamo se da ćemo razriješiti mitove i našim čitateljima dati točne informacije otvorenim razgovorom o ovim temama sa stručnjacima za određenu temu. Ključna komponenta suvremene AI tehnologije, neuronske mreže nastavljaju napredovati, a zajedno s njima i naše razumijevanje. Kako bismo mogli upravljati budućnošću ovog fascinantnog područja, ključna je otvorena komunikacija, stalno učenje i odgovorna primjena.

Pročitajte više:

Izjava o odricanju od odgovornosti

U skladu s Smjernice projekta povjerenja, imajte na umu da informacije navedene na ovoj stranici nemaju namjeru i ne smiju se tumačiti kao pravni, porezni, investicijski, financijski ili bilo koji drugi oblik savjeta. Važno je ulagati samo ono što si možete priuštiti izgubiti i potražiti neovisni financijski savjet ako imate bilo kakvih nedoumica. Za dodatne informacije predlažemo da pogledate odredbe i uvjete, kao i stranice za pomoć i podršku koje pruža izdavatelj ili oglašivač. MetaversePost je predan točnom, nepristranom izvješćivanju, ali tržišni uvjeti podložni su promjenama bez prethodne najave.

O autoru

Damir je voditelj tima, product manager i urednik u Metaverse Post, koji pokriva teme kao što su AI/ML, AGI, LLMs, Metaverse i Web3- srodna polja. Njegovi članci privlače ogromnu publiku od preko milijun korisnika svakog mjeseca. Čini se da je stručnjak s 10 godina iskustva u SEO-u i digitalnom marketingu. Damir je spomenut u Mashableu, Wiredu, Cointelegraph, The New Yorker, Inside.com, Entrepreneur, BeInCrypto i druge publikacije. Putuje između UAE, Turske, Rusije i CIS-a kao digitalni nomad. Damir je stekao diplomu prvostupnika fizike, za koju vjeruje da mu je dala vještine kritičkog razmišljanja potrebne za uspjeh u stalno promjenjivom okruženju interneta. 

Više članaka
Damir Yalalov
Damir Yalalov

Damir je voditelj tima, product manager i urednik u Metaverse Post, koji pokriva teme kao što su AI/ML, AGI, LLMs, Metaverse i Web3- srodna polja. Njegovi članci privlače ogromnu publiku od preko milijun korisnika svakog mjeseca. Čini se da je stručnjak s 10 godina iskustva u SEO-u i digitalnom marketingu. Damir je spomenut u Mashableu, Wiredu, Cointelegraph, The New Yorker, Inside.com, Entrepreneur, BeInCrypto i druge publikacije. Putuje između UAE, Turske, Rusije i CIS-a kao digitalni nomad. Damir je stekao diplomu prvostupnika fizike, za koju vjeruje da mu je dala vještine kritičkog razmišljanja potrebne za uspjeh u stalno promjenjivom okruženju interneta. 

Hot Stories
Pridružite se našem biltenu.
Najnovije vijesti

Od Ripplea do Big Green DAO-a: Kako projekti kriptovaluta pridonose dobrotvornim aktivnostima

Istražimo inicijative koje iskorištavaju potencijal digitalnih valuta u dobrotvorne svrhe.

Znati više

AlphaFold 3, Med-Gemini i drugi: način na koji umjetna inteligencija transformira zdravstvo 2024.

AI se manifestira na različite načine u zdravstvu, od otkrivanja novih genetskih korelacija do osnaživanja robotskih kirurških sustava...

Znati više
opširnije
Čitaj više
Malta prihvaća kripto budućnost dok izvršni direktor Gate.MT-a ističe sljedeći val evolucije blockchaina
Vijesti Tehnologija
Malta prihvaća kripto budućnost dok izvršni direktor Gate.MT-a ističe sljedeći val evolucije blockchaina
1. Studenog 2024.
Hedera uvodi Bonzo Finance sloj likvidnosti za kataliziranje DeFi Rast na svojoj mreži
Vijesti Tehnologija
Hedera uvodi Bonzo Finance sloj likvidnosti za kataliziranje DeFi Rast na svojoj mreži
1. Studenog 2024.
Aaveov prijedlog za dodavanje wstETH Aave V3 na BNB lancu otvoren je za glasovanje
Vijesti Tehnologija
Aaveov prijedlog za dodavanje wstETH Aave V3 na BNB lancu otvoren je za glasovanje
1. Studenog 2024.
BounceBit se priprema za CeDeFi Pokretanje V2, postavljeno za zatvaranje V1 4. studenog
Vijesti Tehnologija
BounceBit se priprema za CeDeFi Pokretanje V2, postavljeno za zatvaranje V1 4. studenog 
1. Studenog 2024.
CRYPTOMERIA LABS PTE. LTD.