Sebagai perusahaan teknologi yang sangat menggabungkan teknologi blockchain dan kecerdasan buatan, Fetch.AI bertujuan untuk membangun ekonomi cerdas yang terdesentralisasi dan mencapai tujuan terdistribusi dengan menggabungkan teknologi kecerdasan buatan, blockchain, dan Internet of Things. Tujuan perusahaan adalah untuk menyediakan bisnis dan konsumen dengan cara yang sama sekali baru untuk berinteraksi secara ekonomi, memungkinkan transaksi yang lebih efisien, aman dan cerdas.
Berkat arsitektur blockchain AI+ yang sangat cerdas dan terbuka, Fetch.AI memiliki berbagai skenario aplikasi, termasuk logistik, rantai pasokan, keuangan, energi, perawatan medis, dan bidang lainnya. Arsitektur teknis Fetch.AI terutama mencakup dua bagian: rantai utama Fetch.AI dan agen cerdas Fetch.AI. Rantai utama Fetch.AI adalah buku besar terdistribusi berdasarkan teknologi blockchain, yang digunakan untuk mencatat transaksi dan kontrak pintar, serta memastikan keamanan dan keandalan transaksi. Agen pintar Fetch.AI adalah kontrak pintar dengan kemampuan kecerdasan buatan yang dapat melakukan tugas secara mandiri, mengoordinasikan sumber daya, dan berinteraksi dengan agen pintar lainnya untuk mencapai interaksi ekonomi yang otomatis, cerdas, dan terdesentralisasi.
Artikel ini tidak membuat terlalu banyak pernyataan tentang rantai utama. Kami akan fokus pada pembongkaran arsitektur agen otonom (AEA) dan mekanisme pembelajaran kelompok (Colearn) untuk menunjukkan bagaimana AI berpartisipasi dalam pengoperasian sistem blockchain dan proses aplikasi data di antara .
Biarkan node jaringan mengatur dirinya sendiri: Autonomous Economic Agent Architecture (AEA)
Di jaringan Fetch.ai, individu atau perusahaan dengan data diwakili oleh agen mereka, yang menghubungi agen individu atau perusahaan yang mencari data. Badan ini beroperasi pada Kerangka Ekonomi Terbuka (OEF). Ini bertindak sebagai mekanisme pencarian dan penemuan di mana agen yang mewakili sumber data dapat mengiklankan data yang dapat mereka akses. Demikian pula, individu atau perusahaan yang mencari data dapat menggunakan OEF untuk mencari agen yang memiliki akses ke data yang dimaksud.
Arsitektur AEA Fetch.AI adalah arsitektur agen cerdas terdistribusi, yang digunakan untuk membangun jaringan agen cerdas yang otonom dan kolaboratif. AEA adalah singkatan dari Autonomous Economic Agent, ** ide intinya adalah untuk menggabungkan kecerdasan buatan dan teknologi blockchain untuk membangun ekonomi pintar yang terdesentralisasi dan mewujudkan interaksi ekonomi yang cerdas, otonom dan terdesentralisasi. **
Komponen inti dari arsitektur AEA terutama mencakup empat modul berikut:
**Agen AEA (Agen): **Agen AEA adalah agen cerdas otonom yang dapat diprogram dengan kemampuan pengambilan keputusan otonom, kolaborasi otonom, dan pembelajaran mandiri. Ini adalah komponen inti AEA dan mewakili entitas independen dengan kemampuan untuk membuat keputusan independen dan bertindak. Setiap agen AEA memiliki alamat dompet, identitas, dan kontrak pintarnya sendiri, serta dapat berinteraksi dan bekerja sama dengan agen lain.
**AEA Communication (Connection): **AEA Communication adalah protokol komunikasi point-to-point berdasarkan teknologi blockchain, yang digunakan untuk mewujudkan transmisi informasi dan interaksi antar agen. Komunikasi AEA dapat memastikan keamanan dan keandalan interaksi. AEA Fetch.AI mendukung beberapa metode koneksi, termasuk koneksi WebSocket dan HTTP.
**Skill AEA (Skill): **Skill AEA adalah modul pluggable yang digunakan untuk memperluas fungsi dan kemampuan agen AEA. Setiap keterampilan terdiri dari kontrak pintar dan paket Python untuk mengimplementasikan fungsi spesifik agen, seperti pemrosesan bahasa alami, pembelajaran mesin, pengambilan keputusan, dll. Keterampilan dapat berisi banyak protokol dan model sehingga agen dapat memahami dan menanggapi permintaan dari agen lain.
**Protokol AEA (Protokol): **Protokol AEA adalah mekanisme kolaborasi untuk kolaborasi dan interaksi antar agen. Protokol AEA mendefinisikan format pesan, aliran protokol, dan aturan interaksi antar agen, untuk mewujudkan kerja sama antar agen. Protokol adalah aturan dan pedoman untuk komunikasi antar agen. Protokol menentukan bagaimana agen harus bertukar informasi, menanggapi permintaan, dan menangani kesalahan. AEA Fetch.AI mendukung banyak protokol, termasuk Agent Communication Language (ACL) Fetch.AI sendiri dan protokol HTTP.
Bayangkan sebuah perusahaan sedang mencari data untuk melatih model prediktif. Saat agen perusahaan terhubung ke agen yang mewakili sumber data, agen tersebut akan meminta informasi tentang persyaratan perdagangan. Seorang agen yang bekerja atas nama penyedia data kemudian akan menawarkan persyaratan untuk menjual data tersebut. Agen yang menjual akses ke data mungkin mencari harga setinggi mungkin, sementara agen yang membeli akses ke data ingin membayar harga serendah mungkin. Tetapi agensi yang menjual data tahu bahwa jika terlalu mahal, kesepakatan akan hilang. Hal ini karena proxy yang mencari data tidak akan menerima persyaratan tersebut dan akan mencoba membeli data dari sumber lain di web. Jika agen pembelian menemukan persyaratan yang dapat diterima, maka agen tersebut akan membayar harga yang disepakati kepada agen penjualan melalui transaksi di buku besar Fetch.ai. Setelah menerima pembayaran, agen penjual data akan mengirimkan data terenkripsi melalui jaringan Fetch.ai.
Terlepas dari penyiapan awal, seluruh proses sepenuhnya otomatis dan dilakukan oleh agen Fetch.ai. Artinya, karyawan perusahaan dapat bekerja tanpa gangguan, sementara model prediktif dapat mengumpulkan data anonim yang relevan. Dengan memiliki akses ke data, perusahaan yang membeli informasi dapat melatih model mereka dengan lebih efisien, yang kemudian dapat digunakan untuk membuat prediksi yang lebih akurat. Prakiraan semacam itu dapat digunakan di industri apa pun.
Inti membuat node cerdas: modul keterampilan AEA dan mekanisme pembelajaran kelompok (Colearn)
Di antara keempat modul di atas, yang paling penting adalah modul keterampilan AEA, yang merupakan modul kunci untuk membuat node menjadi cerdas. Keahlian AEA adalah modul pluggable yang digunakan untuk mewujudkan fungsi pembelajaran otonom kelompok agen. Setiap keterampilan pembelajaran mencakup kontrak cerdas dan paket Python untuk mengimplementasikan berbagai jenis tugas pembelajaran, seperti pembelajaran penguatan, pembelajaran terawasi, pembelajaran tak terawasi, dll. Ketika seorang agen perlu belajar, ia dapat memilih keterampilan belajar yang cocok untuk dirinya sendiri dan menyimpan hasil belajar dalam keadaannya sendiri. Agen dapat secara mandiri menyesuaikan perilaku dan strategi berdasarkan hasil pembelajaran, memungkinkan interaksi ekonomi yang lebih cerdas, lebih efisien, dan lebih berkelanjutan.
Prinsip pembelajaran kolektif Fetch.AI mencakup langkah-langkah berikut:
Berbagi Data: Agen yang berbeda mengumpulkan data mereka sendiri dan mengunggahnya ke database bersama di jaringan blockchain. Data tersebut dapat berupa data sensor, data teks, data gambar, dll. Semua agen yang berpartisipasi dalam pembelajaran kolektif dapat mengakses data di database bersama dan menggunakan data ini untuk pelatihan.
Pelatihan Model: Agen menggunakan data dari database bersama untuk pelatihan model. Model dapat berupa model pembelajaran mesin, model pembelajaran mendalam, atau jenis algoritme lainnya. Agen dapat dilatih dengan model yang berbeda untuk mempelajari tugas atau masalah yang berbeda.
Pemilihan model: Setelah pelatihan model selesai, agen mengunggah modelnya ke jaringan blockchain. Semua agen yang berpartisipasi dalam pembelajaran kolektif dapat mengakses model-model ini dan memilih salah satu yang sesuai dengan kebutuhan mereka. Proses seleksi dapat didasarkan pada faktor-faktor seperti kinerja agen, persyaratan tugas, dan kendala sumber daya.
Integrasi Model: Setelah model dipilih, agen dapat mengintegrasikannya dengan keahliannya sendiri untuk menyelesaikan tugasnya dengan lebih baik. Keterampilan dapat berupa modul yang menangani jenis tugas tertentu, seperti perdagangan mata uang kripto, manajemen logistik, dll. Agen dapat menggunakan banyak keterampilan dan model untuk pemrosesan tugas.
Mekanisme Hadiah: Dalam proses pembelajaran kolektif, agen bisa mendapatkan hadiah dengan menyumbangkan data dan model mereka sendiri. Hadiah dapat dialokasikan berdasarkan faktor-faktor seperti kinerja agen, kontribusi, dan efisiensi pemanfaatan sumber daya. Mekanisme penghargaan dapat mendorong agen untuk berpartisipasi aktif dalam pembelajaran kolektif dan meningkatkan kinerja sistem secara keseluruhan.
**Misalkan ada dua agen A dan B yang perlu bekerja sama untuk menyelesaikan tugas, seperti mengangkut barang. **Agen A bertanggung jawab untuk menyediakan barang, dan Agen B bertanggung jawab untuk menyediakan layanan transportasi. Dalam interaksi awal, baik agen A maupun agen B dapat mengadopsi strategi perilaku acak untuk menyelesaikan tugas, seperti memilih rute atau moda transportasi secara acak.
Seiring berjalannya interaksi, agen A dan agen B dapat mempelajari data riwayat interaksi dengan mempelajari keterampilan, dan menyesuaikan strategi perilaku secara mandiri sesuai dengan hasil pembelajaran. Misalnya, agen A dapat mempelajari informasi seperti persediaan barang dan biaya transportasi melalui keterampilan belajar, sehingga dapat secara mandiri memilih strategi kerjasama yang optimal sesuai dengan permintaan barang dan harga pasar saat ini. Agen B juga dapat mempelajari informasi seperti efisiensi dan biaya rute transportasi dan metode transportasi melalui keterampilan belajar, sehingga dapat secara mandiri memilih strategi transportasi yang optimal sesuai dengan kondisi lalu lintas dan harga energi saat ini.
Seiring interaksi berlanjut dan hasil pembelajaran terus diperbarui, Agen A dan Agen B dapat secara bertahap mengoptimalkan strategi perilaku mereka sendiri untuk mencapai interaksi ekonomi yang lebih efisien, lebih cerdas, dan lebih berkelanjutan. Proses belajar mandiri ini dapat terus diulang dan dioptimalkan untuk mencapai manfaat ekonomi dan nilai sosial yang lebih baik.
Perlu dicatat bahwa fungsi belajar mandiri membutuhkan agen untuk memiliki daya komputasi dan sumber daya data yang cukup untuk mencapai efek pembelajaran yang baik. Oleh karena itu, dalam aplikasi praktis, perlu untuk memilih keterampilan belajar dan alokasi sumber daya yang sesuai dengan situasi aktual dan kebutuhan agen, sehingga mencapai efek pembelajaran terbaik.
Autonomous Economic Agent (AEA) Fetch.ai mencapai tujuan intelijen, otonomi, dan desentralisasi dalam hal interaksi ekonomi. Keuntungannya terletak pada integrasi mendalam antara kecerdasan buatan dan teknologi blockchain, dan realisasi desain agen ekonomi otonom Agen AEA ini dapat belajar secara mandiri, membuat keputusan dan berinteraksi secara bebas dalam lingkungan terdesentralisasi, meningkatkan efisiensi dan efisiensi interaksi ekonomi .Tingkat kecerdasan. Selain itu, mekanisme Collearn Fetch.AI mendorong partisipasi aktif agen untuk meningkatkan kinerja seluruh sistem dengan berbagi data dan model.
Namun, Fetch.AI juga menghadirkan beberapa tantangan. Pertama, fungsi belajar mandirinya memerlukan daya komputasi dan sumber daya data yang tinggi, yang dapat membatasi penerapannya di lingkungan dengan sumber daya terbatas. Kedua, arsitektur teknis dan fungsi Fetch.AI relatif kompleks, membutuhkan ambang batas teknis dan biaya pembelajaran yang lebih tinggi, yang mungkin berdampak pada penerapannya secara luas.
Ringkasan
Ke depan, prospek Fetch.AI masih menjanjikan. Seiring dengan perkembangan teknologi, teknologi ini dapat memperkenalkan lebih banyak AI dan teknologi blockchain untuk meningkatkan kinerja dan efisiensi serta memenuhi lebih banyak skenario dan kebutuhan aplikasi. Pada saat yang sama, karena perlindungan privasi dan keamanan data semakin dihargai, fitur desentralisasi dan keamanan Fetch.AI dapat menerima lebih banyak perhatian dan aplikasi. Terlepas dari beberapa tantangan, inovasi dan potensi Fetch.AI di bidang AI dan blockchain masih patut mendapat perhatian dan eksplorasi kami.
referensi:
[1] Dokumentasi Pengembang Fetch.AI
[2] Melanie Mitchell: AI 3.0
[3] Alexey Potapov: Fitur Dasar Atom diperlukan
Penafian: Artikel ini hanya untuk informasi penelitian dan bukan merupakan saran atau rekomendasi investasi apa pun. Mekanisme proyek yang diperkenalkan dalam artikel ini hanya mewakili pendapat pribadi penulis, dan tidak tertarik pada penulis artikel ini atau platform ini. Investasi Blockchain dan mata uang digital tunduk pada berbagai ketidakpastian seperti risiko pasar yang sangat tinggi, risiko kebijakan, dan risiko teknis Harga token di pasar sekunder berfluktuasi dengan hebat Investor harus membuat keputusan yang hati-hati dan secara mandiri menanggung risiko investasi. Penulis artikel ini atau platform ini tidak bertanggung jawab atas kerugian yang disebabkan oleh investor yang menggunakan informasi yang disediakan dalam artikel ini.
Lihat Asli
Konten ini hanya untuk referensi, bukan ajakan atau tawaran. Tidak ada nasihat investasi, pajak, atau hukum yang diberikan. Lihat Penafian untuk pengungkapan risiko lebih lanjut.
Interpretasi Fetch.AI: Infrastruktur terbuka cerdas berbasis Cosmos
Sebagai perusahaan teknologi yang sangat menggabungkan teknologi blockchain dan kecerdasan buatan, Fetch.AI bertujuan untuk membangun ekonomi cerdas yang terdesentralisasi dan mencapai tujuan terdistribusi dengan menggabungkan teknologi kecerdasan buatan, blockchain, dan Internet of Things. Tujuan perusahaan adalah untuk menyediakan bisnis dan konsumen dengan cara yang sama sekali baru untuk berinteraksi secara ekonomi, memungkinkan transaksi yang lebih efisien, aman dan cerdas.
Berkat arsitektur blockchain AI+ yang sangat cerdas dan terbuka, Fetch.AI memiliki berbagai skenario aplikasi, termasuk logistik, rantai pasokan, keuangan, energi, perawatan medis, dan bidang lainnya. Arsitektur teknis Fetch.AI terutama mencakup dua bagian: rantai utama Fetch.AI dan agen cerdas Fetch.AI. Rantai utama Fetch.AI adalah buku besar terdistribusi berdasarkan teknologi blockchain, yang digunakan untuk mencatat transaksi dan kontrak pintar, serta memastikan keamanan dan keandalan transaksi. Agen pintar Fetch.AI adalah kontrak pintar dengan kemampuan kecerdasan buatan yang dapat melakukan tugas secara mandiri, mengoordinasikan sumber daya, dan berinteraksi dengan agen pintar lainnya untuk mencapai interaksi ekonomi yang otomatis, cerdas, dan terdesentralisasi.
Artikel ini tidak membuat terlalu banyak pernyataan tentang rantai utama. Kami akan fokus pada pembongkaran arsitektur agen otonom (AEA) dan mekanisme pembelajaran kelompok (Colearn) untuk menunjukkan bagaimana AI berpartisipasi dalam pengoperasian sistem blockchain dan proses aplikasi data di antara .
Biarkan node jaringan mengatur dirinya sendiri: Autonomous Economic Agent Architecture (AEA)
Di jaringan Fetch.ai, individu atau perusahaan dengan data diwakili oleh agen mereka, yang menghubungi agen individu atau perusahaan yang mencari data. Badan ini beroperasi pada Kerangka Ekonomi Terbuka (OEF). Ini bertindak sebagai mekanisme pencarian dan penemuan di mana agen yang mewakili sumber data dapat mengiklankan data yang dapat mereka akses. Demikian pula, individu atau perusahaan yang mencari data dapat menggunakan OEF untuk mencari agen yang memiliki akses ke data yang dimaksud.
Arsitektur AEA Fetch.AI adalah arsitektur agen cerdas terdistribusi, yang digunakan untuk membangun jaringan agen cerdas yang otonom dan kolaboratif. AEA adalah singkatan dari Autonomous Economic Agent, ** ide intinya adalah untuk menggabungkan kecerdasan buatan dan teknologi blockchain untuk membangun ekonomi pintar yang terdesentralisasi dan mewujudkan interaksi ekonomi yang cerdas, otonom dan terdesentralisasi. **
Komponen inti dari arsitektur AEA terutama mencakup empat modul berikut:
Bayangkan sebuah perusahaan sedang mencari data untuk melatih model prediktif. Saat agen perusahaan terhubung ke agen yang mewakili sumber data, agen tersebut akan meminta informasi tentang persyaratan perdagangan. Seorang agen yang bekerja atas nama penyedia data kemudian akan menawarkan persyaratan untuk menjual data tersebut. Agen yang menjual akses ke data mungkin mencari harga setinggi mungkin, sementara agen yang membeli akses ke data ingin membayar harga serendah mungkin. Tetapi agensi yang menjual data tahu bahwa jika terlalu mahal, kesepakatan akan hilang. Hal ini karena proxy yang mencari data tidak akan menerima persyaratan tersebut dan akan mencoba membeli data dari sumber lain di web. Jika agen pembelian menemukan persyaratan yang dapat diterima, maka agen tersebut akan membayar harga yang disepakati kepada agen penjualan melalui transaksi di buku besar Fetch.ai. Setelah menerima pembayaran, agen penjual data akan mengirimkan data terenkripsi melalui jaringan Fetch.ai.
Terlepas dari penyiapan awal, seluruh proses sepenuhnya otomatis dan dilakukan oleh agen Fetch.ai. Artinya, karyawan perusahaan dapat bekerja tanpa gangguan, sementara model prediktif dapat mengumpulkan data anonim yang relevan. Dengan memiliki akses ke data, perusahaan yang membeli informasi dapat melatih model mereka dengan lebih efisien, yang kemudian dapat digunakan untuk membuat prediksi yang lebih akurat. Prakiraan semacam itu dapat digunakan di industri apa pun.
Inti membuat node cerdas: modul keterampilan AEA dan mekanisme pembelajaran kelompok (Colearn)
Di antara keempat modul di atas, yang paling penting adalah modul keterampilan AEA, yang merupakan modul kunci untuk membuat node menjadi cerdas. Keahlian AEA adalah modul pluggable yang digunakan untuk mewujudkan fungsi pembelajaran otonom kelompok agen. Setiap keterampilan pembelajaran mencakup kontrak cerdas dan paket Python untuk mengimplementasikan berbagai jenis tugas pembelajaran, seperti pembelajaran penguatan, pembelajaran terawasi, pembelajaran tak terawasi, dll. Ketika seorang agen perlu belajar, ia dapat memilih keterampilan belajar yang cocok untuk dirinya sendiri dan menyimpan hasil belajar dalam keadaannya sendiri. Agen dapat secara mandiri menyesuaikan perilaku dan strategi berdasarkan hasil pembelajaran, memungkinkan interaksi ekonomi yang lebih cerdas, lebih efisien, dan lebih berkelanjutan.
Prinsip pembelajaran kolektif Fetch.AI mencakup langkah-langkah berikut:
**Misalkan ada dua agen A dan B yang perlu bekerja sama untuk menyelesaikan tugas, seperti mengangkut barang. **Agen A bertanggung jawab untuk menyediakan barang, dan Agen B bertanggung jawab untuk menyediakan layanan transportasi. Dalam interaksi awal, baik agen A maupun agen B dapat mengadopsi strategi perilaku acak untuk menyelesaikan tugas, seperti memilih rute atau moda transportasi secara acak.
Seiring berjalannya interaksi, agen A dan agen B dapat mempelajari data riwayat interaksi dengan mempelajari keterampilan, dan menyesuaikan strategi perilaku secara mandiri sesuai dengan hasil pembelajaran. Misalnya, agen A dapat mempelajari informasi seperti persediaan barang dan biaya transportasi melalui keterampilan belajar, sehingga dapat secara mandiri memilih strategi kerjasama yang optimal sesuai dengan permintaan barang dan harga pasar saat ini. Agen B juga dapat mempelajari informasi seperti efisiensi dan biaya rute transportasi dan metode transportasi melalui keterampilan belajar, sehingga dapat secara mandiri memilih strategi transportasi yang optimal sesuai dengan kondisi lalu lintas dan harga energi saat ini.
Seiring interaksi berlanjut dan hasil pembelajaran terus diperbarui, Agen A dan Agen B dapat secara bertahap mengoptimalkan strategi perilaku mereka sendiri untuk mencapai interaksi ekonomi yang lebih efisien, lebih cerdas, dan lebih berkelanjutan. Proses belajar mandiri ini dapat terus diulang dan dioptimalkan untuk mencapai manfaat ekonomi dan nilai sosial yang lebih baik.
Perlu dicatat bahwa fungsi belajar mandiri membutuhkan agen untuk memiliki daya komputasi dan sumber daya data yang cukup untuk mencapai efek pembelajaran yang baik. Oleh karena itu, dalam aplikasi praktis, perlu untuk memilih keterampilan belajar dan alokasi sumber daya yang sesuai dengan situasi aktual dan kebutuhan agen, sehingga mencapai efek pembelajaran terbaik.
Autonomous Economic Agent (AEA) Fetch.ai mencapai tujuan intelijen, otonomi, dan desentralisasi dalam hal interaksi ekonomi. Keuntungannya terletak pada integrasi mendalam antara kecerdasan buatan dan teknologi blockchain, dan realisasi desain agen ekonomi otonom Agen AEA ini dapat belajar secara mandiri, membuat keputusan dan berinteraksi secara bebas dalam lingkungan terdesentralisasi, meningkatkan efisiensi dan efisiensi interaksi ekonomi .Tingkat kecerdasan. Selain itu, mekanisme Collearn Fetch.AI mendorong partisipasi aktif agen untuk meningkatkan kinerja seluruh sistem dengan berbagi data dan model.
Namun, Fetch.AI juga menghadirkan beberapa tantangan. Pertama, fungsi belajar mandirinya memerlukan daya komputasi dan sumber daya data yang tinggi, yang dapat membatasi penerapannya di lingkungan dengan sumber daya terbatas. Kedua, arsitektur teknis dan fungsi Fetch.AI relatif kompleks, membutuhkan ambang batas teknis dan biaya pembelajaran yang lebih tinggi, yang mungkin berdampak pada penerapannya secara luas.
Ringkasan
Ke depan, prospek Fetch.AI masih menjanjikan. Seiring dengan perkembangan teknologi, teknologi ini dapat memperkenalkan lebih banyak AI dan teknologi blockchain untuk meningkatkan kinerja dan efisiensi serta memenuhi lebih banyak skenario dan kebutuhan aplikasi. Pada saat yang sama, karena perlindungan privasi dan keamanan data semakin dihargai, fitur desentralisasi dan keamanan Fetch.AI dapat menerima lebih banyak perhatian dan aplikasi. Terlepas dari beberapa tantangan, inovasi dan potensi Fetch.AI di bidang AI dan blockchain masih patut mendapat perhatian dan eksplorasi kami.
referensi:
[1] Dokumentasi Pengembang Fetch.AI
[2] Melanie Mitchell: AI 3.0
[3] Alexey Potapov: Fitur Dasar Atom diperlukan
Penafian: Artikel ini hanya untuk informasi penelitian dan bukan merupakan saran atau rekomendasi investasi apa pun. Mekanisme proyek yang diperkenalkan dalam artikel ini hanya mewakili pendapat pribadi penulis, dan tidak tertarik pada penulis artikel ini atau platform ini. Investasi Blockchain dan mata uang digital tunduk pada berbagai ketidakpastian seperti risiko pasar yang sangat tinggi, risiko kebijakan, dan risiko teknis Harga token di pasar sekunder berfluktuasi dengan hebat Investor harus membuat keputusan yang hati-hati dan secara mandiri menanggung risiko investasi. Penulis artikel ini atau platform ini tidak bertanggung jawab atas kerugian yang disebabkan oleh investor yang menggunakan informasi yang disediakan dalam artikel ini.