กรกฎาคม 11, 2023

GPT-4รายละเอียดที่รั่วไหลออกมาเผยให้เห็นถึงขนาดที่ใหญ่โตและสถาปัตยกรรมที่น่าประทับใจ

เผยแพร่: 11 กรกฎาคม 2023 เวลา 7:19 น. อัปเดต: 11 กรกฎาคม 2023 เวลา 7:23 น.

แก้ไขและตรวจสอบข้อเท็จจริง: 11 กรกฎาคม 2023 เวลา 7:19 น

ในบทสรุป

ข้อมูลรั่วไหลเกี่ยวกับ GPT-4 ได้จุดประกายความตื่นเต้นให้กับชุมชน AI ด้วยพารามิเตอร์ที่มากกว่ารุ่นก่อนถึง 10 เท่า GPT-3, GPT-4 คาดว่าจะมีพารามิเตอร์ 1.8 ล้านล้านพารามิเตอร์กระจายอยู่ใน 120 เลเยอร์

OpenAI ใช้แบบจำลองผสมผสานของผู้เชี่ยวชาญ (MoE) โดยใช้ผู้เชี่ยวชาญ 16 คน พร้อมด้วยพารามิเตอร์ 111 พันล้านพารามิเตอร์สำหรับเพอร์เซปตรอนหลายชั้น (MLP) กระบวนการอนุมานที่มีประสิทธิภาพของแบบจำลองใช้พารามิเตอร์ 280 พันล้านพารามิเตอร์และ 560 TFLOP ต่อการส่งต่อ ซึ่งแสดงให้เห็น OpenAIความมุ่งมั่นในการเพิ่มประสิทธิภาพและความคุ้มค่าสูงสุด ชุดข้อมูลการฝึกของโมเดลประกอบด้วยโทเค็น 13 ล้านล้านโทเค็น พร้อมการปรับแต่งแบบละเอียดตั้งแต่ 8k ถึง 32k

OpenAI ใช้ความเท่าเทียมใน GPT-4 เพื่อใช้ประโยชน์จากศักยภาพสูงสุดของ GPU A100 โดยใช้เทนเซอร์ขนาน 8 ทิศทางและไปป์ไลน์ขนาน 15 ทิศทาง กระบวนการฝึกอบรมกว้างขวางและใช้ทรัพยากรมาก โดยมีค่าใช้จ่ายตั้งแต่ 32 ล้านถึง 63 ล้านดอลลาร์

GPT-4ค่าใช้จ่ายในการอนุมานนั้นสูงกว่ารุ่นก่อนประมาณสามเท่า แต่ยังรวมเอาความสนใจในการสืบค้นหลายรายการ การแบทช์อย่างต่อเนื่อง และการถอดรหัสแบบเก็งกำไรด้วย สถาปัตยกรรมการอนุมานทำงานบนคลัสเตอร์ 128 GPU ซึ่งกระจายอยู่ในศูนย์ข้อมูลหลายแห่ง

ล่าสุดมีการรั่วไหลของรายละเอียดโดยรอบ GPT-4 ได้ส่งคลื่นกระแทกผ่านชุมชน AI ข้อมูลที่รั่วไหลได้มาจากแหล่งที่ไม่เปิดเผย เผยให้เห็นถึงความสามารถอันน่าทึ่งและขนาดที่ไม่เคยมีมาก่อนของโมเดลที่ก้าวล้ำนี้ เราจะแจกแจงข้อเท็จจริงและเปิดเผยประเด็นสำคัญที่ทำให้ GPT-4 ความมหัศจรรย์ทางเทคโนโลยีที่แท้จริง

GPT-4รายละเอียดที่รั่วไหลออกมาเผยให้เห็นถึงขนาดที่ใหญ่โตและสถาปัตยกรรมที่น่าประทับใจ — เครดิต: Metaverse Post (mpost.io)

สารบัญ

GPT-4นับพารามิเตอร์จำนวนมาก
การผสมผสานของแบบจำลองผู้เชี่ยวชาญ (MoE)
อัลกอริทึมการกำหนดเส้นทาง MoE แบบง่าย
การอนุมานที่มีประสิทธิภาพ
ชุดข้อมูลการฝึกอบรมที่กว้างขวาง
การปรับแต่งผ่านการปรับละเอียดจาก 8K เป็น 32K
ปรับขนาดด้วย GPUs ผ่าน Parallelism
ค่าใช้จ่ายในการฝึกอบรมและความท้าทายในการใช้งาน
การแลกเปลี่ยนในส่วนผสมของผู้เชี่ยวชาญ
ต้นทุนการอนุมาน
ความสนใจหลายแบบสอบถาม
แบตช์ต่อเนื่อง
วิชั่นมัลติโมดอล
การถอดรหัสเก็งกำไร
สถาปัตยกรรมการอนุมาน
ขนาดชุดข้อมูลและองค์ประกอบ
ข่าวลือและการเก็งกำไร
ความเห็นของผู้สื่อข่าว
ความน่าหลงใหลด้วย GPT-4ความรู้
ความอเนกประสงค์ของ GPT-4

GPT-4นับพารามิเตอร์จำนวนมาก

การเปิดเผยที่น่าทึ่งที่สุดประการหนึ่งจากการรั่วไหลคือขนาดที่แท้จริง GPT-4. มันมีขนาดที่น่าประหลาดใจด้วยพารามิเตอร์มากกว่ารุ่นก่อนถึง 10 เท่า GPT-3. คาดว่าจะมีทั้งหมดประมาณ 1.8 ล้านล้านพารามิเตอร์ กระจายไปทั่ว 120 ชั้นที่น่าประทับใจ ขนาดที่เพิ่มขึ้นอย่างมากนี้มีส่วนช่วยอย่างไม่ต้องสงสัย GPT-4ความสามารถที่เพิ่มขึ้นของ และศักยภาพสำหรับความก้าวหน้าที่ก้าวล้ำ

การผสมผสานของแบบจำลองผู้เชี่ยวชาญ (MoE)

เพื่อให้มั่นใจถึงต้นทุนที่สมเหตุสมผลในขณะที่ยังคงรักษาประสิทธิภาพที่ยอดเยี่ยม OpenAI ใช้แบบจำลองผสมผสานของผู้เชี่ยวชาญ (MoE) ใน GPT-4. ด้วยการใช้ผู้เชี่ยวชาญ 16 คนในแบบจำลอง ซึ่งแต่ละรายประกอบด้วยพารามิเตอร์ประมาณ 111 พันล้านพารามิเตอร์สำหรับเพอร์เซปตรอนหลายชั้น (MLP) OpenAI การจัดสรรทรัพยากรอย่างเหมาะสมและมีประสิทธิภาพ โดยเฉพาะอย่างยิ่งในระหว่างการส่งต่อแต่ละครั้ง จะมีผู้เชี่ยวชาญเพียงสองคนเท่านั้นที่ได้รับการกำหนดเส้นทาง ช่วยลดข้อกำหนดในการคำนวณให้เหลือน้อยที่สุดโดยไม่กระทบต่อผลลัพธ์ วิธีการเชิงนวัตกรรมนี้แสดงให้เห็น OpenAIความมุ่งมั่นของในการเพิ่มประสิทธิภาพและความคุ้มทุนในโมเดลของตนให้สูงสุด

ที่น่าสนใจมากและมีรายละเอียดการรั่วไหลของ GPT-4 สถาปัตยกรรมพร้อมการวิเคราะห์ที่ยอดเยี่ยมถึงเหตุผลเบื้องหลังและผลกระทบโดย @dylan522p :https://t.co/eHE7VlGY5V

ข้อมูลสรุปที่ไม่ใช่เพย์วอลล์สามารถพบได้ที่นี่: https://t.co/rLxw5s9ZDt
– แจน พี. แฮร์รีส์ (@jphme) กรกฎาคม 11, 2023

อัลกอริทึมการกำหนดเส้นทาง MoE แบบง่าย

ในขณะที่โมเดลมักจะสำรวจอัลกอริธึมการกำหนดเส้นทางขั้นสูงสำหรับการเลือกผู้เชี่ยวชาญเพื่อจัดการโทเค็นแต่ละรายการ OpenAIแนวทางในปัจจุบัน GPT-4 มีรายงานว่าโมเดลมีความตรงไปตรงมามากขึ้น อัลกอริธึมการกำหนดเส้นทางที่ใช้โดย AI นั้นค่อนข้างง่าย แต่ก็มีประสิทธิภาพ พารามิเตอร์ที่ใช้ร่วมกันประมาณ 55 พันล้านพารามิเตอร์สำหรับความสนใจช่วยอำนวยความสะดวกในการกระจายโทเค็นอย่างมีประสิทธิภาพไปยังผู้เชี่ยวชาญที่เหมาะสมภายในโมเดล

การอนุมานที่มีประสิทธิภาพ

GPT-4กระบวนการอนุมานของแสดงให้เห็นถึงประสิทธิภาพและความสามารถในการคำนวณ การส่งต่อแต่ละครั้งมีไว้สำหรับการสร้างโทเค็นเดียว ใช้พารามิเตอร์ประมาณ 280 พันล้านพารามิเตอร์และ 560 TFLOP (การดำเนินการจุดลอยตัวต่อวินาที) สิ่งนี้แตกต่างอย่างสิ้นเชิงกับขนาดอันใหญ่โตของ GPT-4โดยมีพารามิเตอร์ 1.8 ล้านล้านพารามิเตอร์และ 3,700 TFLOP ต่อการส่งต่อในโมเดลที่มีความหนาแน่นล้วนๆ จุดเด่นของการใช้ทรัพยากรอย่างมีประสิทธิภาพ OpenAIความทุ่มเทของเพื่อให้ได้ประสิทธิภาพสูงสุดโดยไม่ต้องมีข้อกำหนดด้านการคำนวณมากเกินไป

ชุดข้อมูลการฝึกอบรมที่กว้างขวาง

GPT-4 ได้รับการฝึกอบรมเกี่ยวกับชุดข้อมูลขนาดมหึมาที่ประกอบด้วยโทเค็นประมาณ 13 ล้านล้านโทเค็น สิ่งสำคัญคือต้องทราบว่าโทเค็นเหล่านี้มีทั้งโทเค็นที่ไม่ซ้ำกันและโทเค็นที่บัญชีสำหรับหมายเลขยุค ที่ ขั้นตอนการฝึก รวมสองยุคสำหรับข้อมูลแบบข้อความและสี่ยุคสำหรับข้อมูลแบบโค้ด OpenAI ใช้ประโยชน์จากข้อมูลการปรับแต่งคำสั่งอย่างละเอียดหลายล้านแถวที่มาจาก ScaleAI และภายในเพื่อปรับแต่งประสิทธิภาพของโมเดล

ขั้นตอนก่อนการฝึกของ GPT-4 ใช้ความยาวบริบท 8k ต่อมาโมเดลได้รับการปรับแต่งอย่างละเอียด ส่งผลให้ได้เวอร์ชัน 32k ความก้าวหน้านี้สร้างขึ้นจากขั้นตอนก่อนการฝึกอบรม เพิ่มขีดความสามารถของโมเดลและปรับแต่งให้เหมาะกับงานเฉพาะ

ปรับขนาดด้วย GPUs ผ่าน Parallelism

OpenAI ควบคุมพลังแห่งความเท่าเทียมใน GPT-4 เพื่อใช้ประโยชน์จากศักยภาพสูงสุดของ A100 GPUs พวกเขาใช้เทนเซอร์แบบขนาน 8 ทิศทาง ซึ่งเพิ่มการประมวลผลแบบขนานสูงสุด เนื่องจากเป็นขีดจำกัดของ NVLink นอกจากนี้ มีการใช้ระบบขนานไปป์ไลน์ 15 ทิศทางเพื่อเพิ่มประสิทธิภาพให้ดียิ่งขึ้น แม้ว่าเทคนิคเฉพาะเช่น ZeRo Stage 1 น่าจะถูกนำมาใช้ แต่วิธีการที่แน่นอนยังคงไม่มีการเปิดเผย

ค่าใช้จ่ายในการฝึกอบรมและความท้าทายในการใช้งาน

การฝึกอบรม GPT-4 เป็นความพยายามที่กว้างขวางและใช้ทรัพยากรมาก OpenAI จัดสรร GPU A25,000 ประมาณ 100 ตัวในช่วงระยะเวลา 90 ถึง 100 วัน โดยทำงานที่อัตราการใช้ประโยชน์ประมาณ 32% ถึง 36% MFU (ใช้บ่อยที่สุด) กระบวนการฝึกอบรมทำให้เกิดความล้มเหลวหลายครั้ง ทำให้ต้องรีสตาร์ทจากจุดตรวจบ่อยครั้ง หากประมาณไว้ที่ 1 ดอลลาร์ต่อ A100 ชั่วโมง ค่าอบรม สำหรับการวิ่งครั้งนี้เพียงอย่างเดียวจะมีมูลค่าประมาณ 63 ล้านเหรียญ

การแลกเปลี่ยนในส่วนผสมของผู้เชี่ยวชาญ

การใช้แบบจำลองผู้เชี่ยวชาญผสมผสานกันทำให้เกิดข้อดีหลายประการ ในกรณีของ GPT-4, OpenAI เลือกผู้เชี่ยวชาญ 16 คนแทนที่จะเป็นจำนวนที่สูงกว่า การตัดสินใจครั้งนี้สะท้อนให้เห็นถึงความสมดุลระหว่างการบรรลุผลการสูญเสียที่เหนือกว่าและความมั่นใจในความสามารถทั่วไปในงานต่างๆ ผู้เชี่ยวชาญจำนวนมากขึ้นสามารถนำเสนอความท้าทายในแง่ของภาพรวมของงานและการบรรจบกัน OpenAIการเลือกออกกำลังกาย ข้อควรระวังในผู้เชี่ยวชาญ การเลือกสอดคล้องกับความมุ่งมั่นในการปฏิบัติงานที่เชื่อถือได้และแข็งแกร่ง

ต้นทุนการอนุมาน

เมื่อเทียบกับรุ่นก่อน รุ่น Davinci ที่มีพารามิเตอร์ 175 พันล้าน GPT-4ค่าใช้จ่ายในการอนุมานนั้นสูงกว่าประมาณสามเท่า ความคลาดเคลื่อนนี้อาจเกิดจากปัจจัยหลายประการ รวมถึงคลัสเตอร์ขนาดใหญ่ที่ต้องรองรับด้วย GPT-4 และการใช้งานที่ต่ำกว่าที่เกิดขึ้นระหว่างการอนุมาน การประมาณการระบุค่าใช้จ่ายโดยประมาณ 0.0049 เซนต์ต่อ 1,000 โทเค็นสำหรับ 128 A100 GPU และ 0.0021 ดอลลาร์ต่อ 1,000 โทเค็นสำหรับ 128 H100 GPU เมื่ออนุมาน GPT-4 ด้วยเงิน 8k ตัวเลขเหล่านี้ถือว่ามีการใช้งานที่เหมาะสมและขนาดแบทช์ที่สูง ซึ่งเป็นข้อพิจารณาที่สำคัญสำหรับการเพิ่มประสิทธิภาพต้นทุน

ความสนใจหลายแบบสอบถาม

OpenAI ใช้ประโยชน์จากความสนใจแบบหลายคำค้นหา (MQA) ซึ่งเป็นเทคนิคที่ใช้กันอย่างแพร่หลายในสาขานี้ GPT-4 เช่นกัน. การนำ MQA ไปใช้จะทำให้โมเดลต้องการเพียงหัวเดียว ซึ่งจะช่วยลดความจุหน่วยความจำที่จำเป็นสำหรับแคชคีย์-ค่า (แคช KV) ได้อย่างมาก แม้จะมีการเพิ่มประสิทธิภาพนี้ แต่ก็ควรสังเกตว่าแบตช์ 32k GPT-4 ไม่สามารถรองรับ GPU A40 ขนาด 100GB ได้ และขนาด 8k ถูกจำกัดด้วยขนาดแบตช์สูงสุด

แบตช์ต่อเนื่อง

เพื่อสร้างสมดุลระหว่างเวลาแฝงและต้นทุนการอนุมาน OpenAI รวมเอาทั้งขนาดชุดที่แปรผันและชุดชุดต่อเนื่องเข้า GPT-4. แนวทางการปรับตัวนี้ช่วยให้การประมวลผลมีความยืดหยุ่นและมีประสิทธิภาพ เพิ่มประสิทธิภาพการใช้ทรัพยากร และลดค่าใช้จ่ายในการคำนวณ

GPT-4 แนะนำตัวเข้ารหัสการมองเห็นที่แยกจากกันควบคู่ไปกับตัวเข้ารหัสข้อความ ซึ่งมีความสนใจข้ามระหว่างทั้งสอง สถาปัตยกรรมนี้ชวนให้นึกถึงนกฟลามิงโก้ โดยเพิ่มพารามิเตอร์เพิ่มเติมให้กับจำนวนพารามิเตอร์ที่น่าประทับใจอยู่แล้วถึง 1.8 ล้านล้าน GPT-4. โมเดลการมองเห็นผ่านการปรับแต่งแบบละเอียดแยกกันโดยใช้โทเค็นประมาณ 2 ล้านล้านโทเค็นหลังจากช่วงก่อนการฝึกอบรมแบบข้อความเท่านั้น ความสามารถในการมองเห็นนี้ช่วยเพิ่มขีดความสามารถ ตัวแทนอิสระ เพื่ออ่านหน้าเว็บ ถอดเสียงรูปภาพ และตีความเนื้อหาวิดีโอ ซึ่งเป็นทรัพย์สินอันล้ำค่าในยุคของข้อมูลมัลติมีเดีย

การถอดรหัสเก็งกำไร

แง่มุมที่น่าสนใจของ GPT-4กลยุทธ์การอนุมานคือการใช้การถอดรหัสแบบเก็งกำไรที่เป็นไปได้ แนวทางนี้เกี่ยวข้องกับการใช้ขนาดเล็กลงและเร็วขึ้น แบบ เพื่อสร้างการคาดการณ์ล่วงหน้าสำหรับหลายโทเค็น โทเค็นที่คาดการณ์ไว้เหล่านี้จะถูกป้อนเข้าสู่โมเดล "oracle" ที่ใหญ่ขึ้นเป็นแบทช์เดียว ถ้ายิ่งเล็ก การคาดการณ์ของแบบจำลอง สอดคล้องกับข้อตกลงของโมเดลที่ใหญ่กว่า สามารถถอดรหัสโทเค็นหลายรายการพร้อมกันได้ อย่างไรก็ตาม หากโมเดลที่ใหญ่กว่าปฏิเสธโทเค็นที่คาดการณ์โดยโมเดลแบบร่าง แบทช์ที่เหลือจะถูกละทิ้ง และการอนุมานจะดำเนินต่อไปกับโมเดลที่ใหญ่กว่าเท่านั้น วิธีการนี้ช่วยให้สามารถถอดรหัสได้อย่างมีประสิทธิภาพในขณะที่ยอมรับลำดับความน่าจะเป็นที่ต่ำกว่า เป็นที่น่าสังเกตว่าการคาดเดานี้ยังไม่ได้รับการยืนยันในขณะนี้

สถาปัตยกรรมการอนุมาน

GPT-4กระบวนการอนุมานของทำงานบนคลัสเตอร์ 128 GPU ซึ่งกระจายไปตามศูนย์ข้อมูลหลายแห่งในสถานที่ต่างกัน โครงสร้างพื้นฐานนี้ใช้เทนเซอร์แบบขนาน 8 ทิศทางและไปป์ไลน์แบบขนาน 16 ทิศทางเพื่อเพิ่มประสิทธิภาพในการคำนวณให้สูงสุด แต่ละโหนดประกอบด้วย GPU 8 ตัว รองรับพารามิเตอร์ได้ประมาณ 130 พันล้านพารามิเตอร์ ด้วยขนาดโมเดล 120 ชั้น GPT-4 สามารถใส่ได้ภายในโหนดที่แตกต่างกัน 15 โหนด อาจมีเลเยอร์น้อยกว่าในโหนดแรกเนื่องจากจำเป็นต้องคำนวณการฝัง ตัวเลือกทางสถาปัตยกรรมเหล่านี้อำนวยความสะดวกในการอนุมานที่มีประสิทธิภาพสูง ซึ่งแสดงให้เห็น OpenAIความมุ่งมั่นของที่จะผลักดันขอบเขตของประสิทธิภาพการคำนวณ

ขนาดชุดข้อมูลและองค์ประกอบ

GPT-4 ได้รับการฝึกฝนเกี่ยวกับโทเค็นที่น่าประทับใจถึง 13 ล้านล้านโทเค็น ทำให้มีคลังข้อความมากมายให้เรียนรู้ อย่างไรก็ตาม ชุดข้อมูลที่รู้จักซึ่งใช้ระหว่างการฝึกไม่สามารถพิจารณาโทเค็นทั้งหมดได้ ในขณะที่ชุดข้อมูลเช่น CommonCrawl และ RefinedWeb มีส่วนสำคัญของ ข้อมูลการฝึกอบรมยังคงมีโทเค็นบางส่วนที่ยังไม่ได้รับการพิจารณา ซึ่งมักเรียกว่าข้อมูล "ลับ"

ข่าวลือและการเก็งกำไร

มีการคาดเดาเกี่ยวกับที่มาของข้อมูลที่ไม่เปิดเผยนี้ ข่าวลือหนึ่งระบุว่ามีเนื้อหาจากแพลตฟอร์มยอดนิยมเช่น Twitter, Reddit และ YouTube โดยเน้นถึงอิทธิพลที่อาจเกิดขึ้นจากเนื้อหาที่ผู้ใช้สร้างขึ้นในการกำหนดรูปแบบ GPT-4ฐานความรู้ของ นอกจากนี้ยังมีการคาดเดาเกี่ยวกับการรวมคอลเลกชันที่กว้างขวางเช่น LibGen ซึ่งเป็นแหล่งเก็บข้อมูลหนังสือหลายล้านเล่ม และ Sci-Hub ซึ่งเป็นแพลตฟอร์มที่ให้การเข้าถึงเอกสารทางวิทยาศาสตร์จำนวนมาก แนวความคิดที่ว่า GPT-4 ได้รับการฝึกอบรมทั่วทั้ง GitHub และยังได้เผยแพร่ในหมู่ผู้ชื่นชอบ AI ด้วย

ความเห็นของผู้สื่อข่าว

แม้ว่าจะมีข่าวลือมากมาย แต่สิ่งสำคัญคือต้องเข้าถึงข่าวลือเหล่านี้ด้วยความระมัดระวัง การฝึกอบรมของ GPT-4 อาจได้รับประโยชน์อย่างมากจากชุดข้อมูลพิเศษที่ประกอบด้วยตำราเรียนของวิทยาลัย ชุดข้อมูลนี้ซึ่งครอบคลุมหลักสูตรและวิชาต่างๆ สามารถประกอบขึ้นด้วยมือด้วยความอุตสาหะ หนังสือเรียนของวิทยาลัยมีฐานความรู้ที่มีโครงสร้างและครอบคลุมซึ่งสามารถนำไปใช้ในการฝึกโมเดลภาษาได้สำเร็จ และแปลงเป็นไฟล์ข้อความได้อย่างง่ายดาย การรวมชุดข้อมูลดังกล่าวอาจทำให้รู้สึกว่า GPT-4 มีความรู้ในหลากหลายสาขา

ความน่าหลงใหลด้วย GPT-4ความรู้

แง่มุมหนึ่งที่น่าสนใจของ GPT-4การฝึกอบรมคือความสามารถในการแสดงความคุ้นเคยกับหนังสือบางเล่ม และแม้กระทั่งการจดจำตัวระบุที่ไม่ซ้ำจากแพลตฟอร์ม เช่น Project Euler นักวิจัยได้พยายามที่จะดึงส่วนของหนังสือที่จำได้ออกมา GPT-4 เพื่อรับข้อมูลเชิงลึกเกี่ยวกับการฝึกอบรม เพิ่มความอยากรู้อยากเห็นเกี่ยวกับการทำงานภายในของโมเดล การค้นพบเหล่านี้เน้นย้ำถึงความสามารถอันน่าอัศจรรย์ของ GPT-4 เพื่อเก็บข้อมูลและเน้นย้ำความสามารถที่น่าประทับใจของโมเดลภาษาขนาดใหญ่

ความอเนกประสงค์ของ GPT-4

หัวข้อและสาขาที่หลากหลายนั้น GPT-4 ดูเหมือนสามารถมีส่วนร่วมกับการแสดงความสามารถรอบด้านได้ ไม่ว่าจะเป็นการตอบคำถามที่ซับซ้อนในวิทยาการคอมพิวเตอร์หรือการเจาะลึกการอภิปรายเชิงปรัชญา GPT-4การฝึกอบรมเกี่ยวกับชุดข้อมูลที่หลากหลายช่วยให้สามารถมีส่วนร่วมกับผู้ใช้จากโดเมนต่างๆ ความเก่งกาจนี้เกิดจากการเปิดเผยแหล่งข้อมูลข้อความที่หลากหลาย ทำให้เป็นเครื่องมือที่มีคุณค่าสำหรับผู้ใช้ในวงกว้าง

อ่านเพิ่มเติมเกี่ยวกับ AI:

คีย์เวิร์ด:

ข้อจำกัดความรับผิดชอบ

สอดคล้องกับ แนวทางโครงการที่เชื่อถือได้โปรดทราบว่าข้อมูลที่ให้ไว้ในหน้านี้ไม่ได้มีจุดมุ่งหมายและไม่ควรตีความว่าเป็นคำแนะนำทางกฎหมาย ภาษี การลงทุน การเงิน หรือรูปแบบอื่นใด สิ่งสำคัญคือต้องลงทุนเฉพาะในสิ่งที่คุณสามารถที่จะสูญเสียได้ และขอคำแนะนำทางการเงินที่เป็นอิสระหากคุณมีข้อสงสัยใดๆ สำหรับข้อมูลเพิ่มเติม เราขอแนะนำให้อ้างอิงข้อกำหนดและเงื่อนไขตลอดจนหน้าช่วยเหลือและสนับสนุนที่ผู้ออกหรือผู้ลงโฆษณาให้ไว้ MetaversePost มุ่งมั่นที่จะรายงานที่ถูกต้องและเป็นกลาง แต่สภาวะตลาดอาจมีการเปลี่ยนแปลงได้โดยไม่ต้องแจ้งให้ทราบล่วงหน้า

เกี่ยวกับผู้เขียน

Damir เป็นหัวหน้าทีม ผู้จัดการผลิตภัณฑ์ และบรรณาธิการที่ Metaverse Postซึ่งครอบคลุมหัวข้อต่างๆ เช่น AI/ML, AGI, LLMs, Metaverse และ Web3- สาขาที่เกี่ยวข้อง บทความของเขาดึงดูดผู้ชมจำนวนมากกว่าล้านคนทุกเดือน ดูเหมือนว่าเขาจะเป็นผู้เชี่ยวชาญที่มีประสบการณ์ 10 ปีในด้าน SEO และการตลาดดิจิทัล Damir ได้รับการกล่าวถึงใน Mashable, Wired, Cointelegraph, The New Yorker, Inside.com, Entrepreneur, BeInCrypto และสิ่งพิมพ์อื่น ๆ เขาเดินทางไปมาระหว่างสหรัฐอาหรับเอมิเรตส์ ตุรกี รัสเซีย และ CIS ในฐานะคนเร่ร่อนทางดิจิทัล Damir สำเร็จการศึกษาระดับปริญญาตรีสาขาฟิสิกส์ ซึ่งเขาเชื่อว่าทำให้เขามีทักษะการคิดเชิงวิพากษ์ที่จำเป็นต่อการประสบความสำเร็จในภูมิทัศน์ที่เปลี่ยนแปลงตลอดเวลาของอินเทอร์เน็ต

บทความอื่น ๆ

ดาเมียร์ ยาลอฟ