Integrasi AI dan Blockchain: Panorama dari Infrastruktur ke Aplikasi
Perkembangan pesat industri kecerdasan buatan baru-baru ini dianggap oleh beberapa orang sebagai awal dari revolusi industri keempat. Munculnya model bahasa besar secara signifikan meningkatkan efisiensi di berbagai sektor, menurut estimasi Boston Consulting Group, GPT membawa peningkatan sekitar 20% dalam efisiensi kerja keseluruhan di Amerika Serikat. Sementara itu, kemampuan generalisasi yang dimiliki oleh model besar dipandang sebagai paradigma desain perangkat lunak baru. Desain perangkat lunak di masa lalu adalah kode yang tepat, sementara desain perangkat lunak saat ini lebih banyak mengintegrasikan kerangka model besar yang memiliki kemampuan generalisasi tinggi ke dalam perangkat lunak, yang memungkinkan perangkat lunak untuk memiliki kinerja yang lebih baik dan mendukung input dan output modal yang lebih luas. Teknologi pembelajaran mendalam memang membawa putaran baru kemakmuran bagi industri AI, dan gelombang ini juga secara bertahap menyebar ke industri cryptocurrency.
Perkembangan industri AI
Industri kecerdasan buatan mulai berkembang sejak tahun 1950-an. Untuk mewujudkan visi kecerdasan buatan, dunia akademis dan industri telah mengembangkan berbagai aliran untuk mewujudkan kecerdasan buatan di berbagai era dan latar belakang disiplin yang berbeda.
Teknologi kecerdasan buatan modern terutama menggunakan istilah "pembelajaran mesin", di mana inti konsepnya adalah memungkinkan mesin untuk berulang kali beradaptasi dalam tugas berdasarkan data untuk meningkatkan kinerja sistem. Langkah-langkah utamanya termasuk memasukkan data ke dalam algoritma, melatih model dengan data tersebut, menguji model yang diterapkan, dan akhirnya menggunakan model untuk menyelesaikan tugas prediksi otomatis.
Saat ini, ada tiga aliran utama dalam pembelajaran mesin, yaitu koneksionisme, simbolisme, dan behaviorisme, yang masing-masing meniru sistem saraf, pemikiran, dan perilaku manusia. Di antaranya, koneksionisme yang diwakili oleh jaringan saraf saat ini mendominasi ( dan juga dikenal sebagai pembelajaran mendalam ). Arsitektur ini memiliki satu lapisan input, satu lapisan output, dan beberapa lapisan tersembunyi. Ketika jumlah lapisan dan neuron ( serta parameter ) cukup banyak, maka dapat memodelkan tugas umum yang kompleks. Dengan terus menerus memasukkan data, menyesuaikan parameter neuron, akhirnya setelah pelatihan dengan banyak data, jaringan saraf dapat mencapai keadaan optimal. Ini juga merupakan asal usul kata "dalam" - cukup banyak lapisan dan neuron.
Teknologi pembelajaran mendalam berbasis jaringan saraf juga telah mengalami beberapa iterasi dan evolusi teknologi, dari jaringan saraf awal, ke jaringan saraf feedforward, RNN, CNN, GAN, dan akhirnya berkembang menjadi model besar modern seperti teknologi Transformer yang digunakan oleh GPT. Teknologi Transformer adalah salah satu arah evolusi jaringan saraf, yang menambahkan sebuah konverter ( Transformer ), untuk mengkodekan data dari berbagai modalitas ( seperti audio, video, gambar, dan lain-lain ) menjadi representasi numerik yang sesuai. Kemudian, data yang sudah dikodekan ini dimasukkan ke dalam jaringan saraf, sehingga jaringan saraf dapat menyesuaikan diri dengan jenis data apa pun, yang memungkinkan kemampuan pemrosesan multimodal.
Perkembangan AI telah mengalami tiga gelombang teknologi. Gelombang pertama terjadi pada tahun 1960-an, yaitu sepuluh tahun setelah teknologi AI diusulkan. Gelombang ini terutama dipicu oleh pengembangan teknologi simbolisme, yang menyelesaikan masalah pemrosesan bahasa alami dan dialog manusia-mesin secara umum. Pada saat yang sama, sistem pakar lahir, yaitu sistem pakar DENRAL yang diselesaikan dengan dukungan dari NASA di Universitas Stanford, sistem ini memiliki pengetahuan kimia yang kuat dan dapat menghasilkan jawaban yang mirip dengan ahli kimia melalui inferensi pertanyaan.
Gelombang kedua teknologi AI terjadi pada tahun 1997, ketika "Deep Blue" milik IBM mengalahkan juara catur Kasparov dengan skor 3.5:2.5, kemenangan ini dianggap sebagai tonggak perkembangan kecerdasan buatan.
Gelombang ketiga teknologi AI dimulai pada tahun 2006. Tiga raksasa pembelajaran mendalam, Yann LeCun, Geoffrey Hinton, dan Yoshua Bengio, mengajukan konsep pembelajaran mendalam, yang merupakan algoritma yang menggunakan jaringan saraf buatan sebagai arsitektur untuk melakukan pembelajaran representasi data. Sejak itu, algoritma pembelajaran mendalam terus berkembang, dari RNN, GAN hingga Transformer dan Stable Diffusion, algoritma-algoritma ini bersama-sama membentuk gelombang teknologi ketiga, yang juga menandai periode kejayaan koneksionisme.
Rantai Industri Pembelajaran Mendalam
Model bahasa besar saat ini terutama menggunakan metode pembelajaran mendalam berbasis jaringan saraf. Model besar yang diwakili oleh GPT telah memicu gelombang baru antusiasme kecerdasan buatan, dengan banyak pemain yang memasuki jalur ini. Kami menemukan bahwa permintaan pasar untuk data dan daya komputasi meningkat secara signifikan, oleh karena itu dalam bagian laporan ini, kami terutama membahas rantai industri algoritma pembelajaran mendalam, menganalisis bagaimana hulu dan hilirnya terbentuk dalam industri AI yang didominasi oleh algoritma pembelajaran mendalam, serta keadaan, hubungan penawaran dan permintaan, dan tren perkembangan masa depan dari hulu dan hilir.
Pelatihan model bahasa besar seperti GPT yang berbasis teknologi Transformer (LLMs) terutama dibagi menjadi tiga langkah:
Pra-pelatihan: Mencari parameter terbaik dari setiap neuron dalam model dengan memberikan sejumlah besar pasangan data ke lapisan input. Proses ini memerlukan data yang sangat besar dan merupakan tahap yang paling menghabiskan daya komputasi.
Fine-tuning: menggunakan data yang lebih sedikit tetapi berkualitas tinggi untuk melatih, guna meningkatkan kualitas output model.
Pembelajaran Penguatan: Membangun sebuah "model penghargaan" untuk menilai kualitas output model besar, dengan cara ini untuk melakukan iterasi perbaikan parameter model besar.
Dalam proses pelatihan model besar, semakin banyak jumlah parameter, semakin tinggi batas kemampuan generalisasinya. Oleh karena itu, tiga faktor utama yang mempengaruhi kinerja model besar adalah: jumlah parameter, jumlah dan kualitas data, serta daya komputasi. Ketiga elemen ini bersama-sama menentukan kualitas hasil model besar dan kemampuan generalisasinya.
Tahap utama dalam rantai industri meliputi:
Penyedia GPU perangkat keras: Saat ini Nvidia memimpin secara mutlak di pasar chip AI. Di kalangan akademis, GPU kelas konsumer seperti seri RTX ( digunakan, sementara di industri, chip seperti H100 dan A100 digunakan untuk komersialisasi model besar.
Penyedia layanan cloud: Menyediakan kekuatan komputasi yang fleksibel dan solusi pelatihan terkelola untuk perusahaan AI dengan dana terbatas. Utamanya dibagi menjadi tiga kategori: Penyedia cloud besar tradisional ) seperti AWS, Google Cloud, Azure (, platform kekuatan komputasi cloud profesional di jalur vertikal ) seperti CoreWeave, Lambda (, dan penyedia inferensi sebagai layanan yang baru muncul ) seperti Together.ai, Fireworks.ai (.
Penyedia sumber data pelatihan: Menyediakan data dalam jumlah besar, berkualitas tinggi, atau khusus untuk bidang tertentu untuk model. Beberapa perusahaan mengkhususkan diri dalam pengumpulan dan penandaan data.
Penyedia basis data: Menyediakan solusi basis data vektor khusus untuk penyimpanan dan pemrosesan data AI. Pemain utama termasuk Chroma, Zilliz, Pinecone, Weaviate, dan lainnya.
Perangkat Edge: termasuk pasokan energi dan sistem pendingin, untuk mendukung operasi kluster GPU berskala besar. Seiring dengan pertumbuhan ukuran model AI, permintaan di bidang ini juga tumbuh dengan cepat.
Pengembangan Aplikasi: Mengembangkan berbagai aplikasi di bidang vertikal berdasarkan model besar, seperti asisten pintar, alat penghasil konten, dll. Saat ini, pengembangan aplikasi relatif tertinggal dibandingkan dengan pembangunan infrastruktur.
![Pemula Populer丨AI x Crypto: Dari Nol ke Puncak])https://img-cdn.gateio.im/webp-social/moments-8848582a34ba293d15afae15d90e3c95.webp(
Blockchain dan AI
Kombinasi teknologi Blockchain dan AI terutama tercermin dalam beberapa aspek berikut:
Perubahan Nilai: Ekonomi token dapat mendefinisikan kembali nilai di setiap tahap dalam rantai industri AI, mendorong lebih banyak peserta untuk mendalami jalur segmen industri AI.
Mekanisme Kepercayaan: Desentralisasi dan sifat tidak dapat diubah dari Blockchain dapat menyediakan lingkungan pemrosesan data yang tepercaya untuk aplikasi AI, menyelesaikan masalah privasi dan keamanan data.
Berbagi Sumber Daya: Melalui jaringan Blockchain, dapat mewujudkan berbagi kekuatan komputasi GPU yang tidak terpakai secara global, meningkatkan efisiensi penggunaan sumber daya.
Pasar Data: Blockchain dapat membangun pasar perdagangan yang adil dan transparan untuk data pelatihan AI, mendorong individu dan institusi untuk menyumbangkan data berkualitas tinggi.
Validasi model: Dengan menggunakan teknik kriptografi seperti bukti tanpa pengetahuan, kita dapat memverifikasi keakuratan hasil inferensi AI sambil melindungi privasi model.
Dalam ekosistem yang menggabungkan Crypto dan AI, muncul beberapa jenis proyek berikut:
Jaringan komputasi GPU terdistribusi: seperti Render, Akash, dll., bertujuan untuk membangun pasar komputasi GPU yang terdesentralisasi.
Penyedia data AI: seperti EpiK Protocol, Synesis One, Masa, dan lain-lain, berkomitmen untuk membangun pasar data pelatihan AI yang terdesentralisasi.
ZKML) Pembelajaran Mesin Tanpa Pengetahuan(: Menggabungkan teknologi bukti tanpa pengetahuan, untuk mencapai pelatihan dan inferensi AI di bawah perlindungan privasi.
AI代理)Agent(: seperti Fetch.AI, membangun jaringan AI代理 yang dapat menjalankan tugas secara mandiri.
AI Blockchain: seperti Tensor, Allora, dan lain-lain, jaringan blockchain yang dirancang khusus untuk pengembangan dan penerapan model AI.
Meskipun kombinasi Crypto dan AI masih berada di tahap awal dan menghadapi tantangan seperti kinerja dan privasi, bidang ini menunjukkan potensi inovasi yang besar. Seiring dengan kemajuan teknologi dan penyempurnaan ekosistem, kita memiliki alasan untuk berharap bahwa integrasi mendalam antara AI dan Blockchain akan membawa perubahan revolusioner bagi kedua industri.
![Pemula Pengetahuan丨AI x Crypto: Dari Nol ke Puncak])https://img-cdn.gateio.im/webp-social/moments-53c48daf49a3dbb35c1a2b47e234f180.webp(
Lihat Asli
Halaman ini mungkin berisi konten pihak ketiga, yang disediakan untuk tujuan informasi saja (bukan pernyataan/jaminan) dan tidak boleh dianggap sebagai dukungan terhadap pandangannya oleh Gate, atau sebagai nasihat keuangan atau profesional. Lihat Penafian untuk detailnya.
14 Suka
Hadiah
14
7
Posting ulang
Bagikan
Komentar
0/400
PrivacyMaximalist
· 6jam yang lalu
Hype telah dimulai lagi
Lihat AsliBalas0
GetRichLeek
· 08-10 06:51
buy the dip koin AI masuk, pasti Cut Loss sudah dipesan... jangan tanya kenapa saya tahu!
Lihat AsliBalas0
SchrodingerPrivateKey
· 08-10 06:51
Saya bangun Keadaan Kuantum Schrödinger
Lihat AsliBalas0
ShibaOnTheRun
· 08-10 06:50
Ini lagi mengangkat topik lama ini
Lihat AsliBalas0
MoonRocketman
· 08-10 06:48
Momentum RSI telah siap, integrasi AI dengan Komunitas Chain telah berhasil menembus level resistensi! Daya Komputasi adalah bahan bakarnya~
Integrasi AI dan Blockchain: Analisis Panorama dari Infrastruktur hingga Aplikasi
Integrasi AI dan Blockchain: Panorama dari Infrastruktur ke Aplikasi
Perkembangan pesat industri kecerdasan buatan baru-baru ini dianggap oleh beberapa orang sebagai awal dari revolusi industri keempat. Munculnya model bahasa besar secara signifikan meningkatkan efisiensi di berbagai sektor, menurut estimasi Boston Consulting Group, GPT membawa peningkatan sekitar 20% dalam efisiensi kerja keseluruhan di Amerika Serikat. Sementara itu, kemampuan generalisasi yang dimiliki oleh model besar dipandang sebagai paradigma desain perangkat lunak baru. Desain perangkat lunak di masa lalu adalah kode yang tepat, sementara desain perangkat lunak saat ini lebih banyak mengintegrasikan kerangka model besar yang memiliki kemampuan generalisasi tinggi ke dalam perangkat lunak, yang memungkinkan perangkat lunak untuk memiliki kinerja yang lebih baik dan mendukung input dan output modal yang lebih luas. Teknologi pembelajaran mendalam memang membawa putaran baru kemakmuran bagi industri AI, dan gelombang ini juga secara bertahap menyebar ke industri cryptocurrency.
Perkembangan industri AI
Industri kecerdasan buatan mulai berkembang sejak tahun 1950-an. Untuk mewujudkan visi kecerdasan buatan, dunia akademis dan industri telah mengembangkan berbagai aliran untuk mewujudkan kecerdasan buatan di berbagai era dan latar belakang disiplin yang berbeda.
Teknologi kecerdasan buatan modern terutama menggunakan istilah "pembelajaran mesin", di mana inti konsepnya adalah memungkinkan mesin untuk berulang kali beradaptasi dalam tugas berdasarkan data untuk meningkatkan kinerja sistem. Langkah-langkah utamanya termasuk memasukkan data ke dalam algoritma, melatih model dengan data tersebut, menguji model yang diterapkan, dan akhirnya menggunakan model untuk menyelesaikan tugas prediksi otomatis.
Saat ini, ada tiga aliran utama dalam pembelajaran mesin, yaitu koneksionisme, simbolisme, dan behaviorisme, yang masing-masing meniru sistem saraf, pemikiran, dan perilaku manusia. Di antaranya, koneksionisme yang diwakili oleh jaringan saraf saat ini mendominasi ( dan juga dikenal sebagai pembelajaran mendalam ). Arsitektur ini memiliki satu lapisan input, satu lapisan output, dan beberapa lapisan tersembunyi. Ketika jumlah lapisan dan neuron ( serta parameter ) cukup banyak, maka dapat memodelkan tugas umum yang kompleks. Dengan terus menerus memasukkan data, menyesuaikan parameter neuron, akhirnya setelah pelatihan dengan banyak data, jaringan saraf dapat mencapai keadaan optimal. Ini juga merupakan asal usul kata "dalam" - cukup banyak lapisan dan neuron.
Teknologi pembelajaran mendalam berbasis jaringan saraf juga telah mengalami beberapa iterasi dan evolusi teknologi, dari jaringan saraf awal, ke jaringan saraf feedforward, RNN, CNN, GAN, dan akhirnya berkembang menjadi model besar modern seperti teknologi Transformer yang digunakan oleh GPT. Teknologi Transformer adalah salah satu arah evolusi jaringan saraf, yang menambahkan sebuah konverter ( Transformer ), untuk mengkodekan data dari berbagai modalitas ( seperti audio, video, gambar, dan lain-lain ) menjadi representasi numerik yang sesuai. Kemudian, data yang sudah dikodekan ini dimasukkan ke dalam jaringan saraf, sehingga jaringan saraf dapat menyesuaikan diri dengan jenis data apa pun, yang memungkinkan kemampuan pemrosesan multimodal.
Perkembangan AI telah mengalami tiga gelombang teknologi. Gelombang pertama terjadi pada tahun 1960-an, yaitu sepuluh tahun setelah teknologi AI diusulkan. Gelombang ini terutama dipicu oleh pengembangan teknologi simbolisme, yang menyelesaikan masalah pemrosesan bahasa alami dan dialog manusia-mesin secara umum. Pada saat yang sama, sistem pakar lahir, yaitu sistem pakar DENRAL yang diselesaikan dengan dukungan dari NASA di Universitas Stanford, sistem ini memiliki pengetahuan kimia yang kuat dan dapat menghasilkan jawaban yang mirip dengan ahli kimia melalui inferensi pertanyaan.
Gelombang kedua teknologi AI terjadi pada tahun 1997, ketika "Deep Blue" milik IBM mengalahkan juara catur Kasparov dengan skor 3.5:2.5, kemenangan ini dianggap sebagai tonggak perkembangan kecerdasan buatan.
Gelombang ketiga teknologi AI dimulai pada tahun 2006. Tiga raksasa pembelajaran mendalam, Yann LeCun, Geoffrey Hinton, dan Yoshua Bengio, mengajukan konsep pembelajaran mendalam, yang merupakan algoritma yang menggunakan jaringan saraf buatan sebagai arsitektur untuk melakukan pembelajaran representasi data. Sejak itu, algoritma pembelajaran mendalam terus berkembang, dari RNN, GAN hingga Transformer dan Stable Diffusion, algoritma-algoritma ini bersama-sama membentuk gelombang teknologi ketiga, yang juga menandai periode kejayaan koneksionisme.
Rantai Industri Pembelajaran Mendalam
Model bahasa besar saat ini terutama menggunakan metode pembelajaran mendalam berbasis jaringan saraf. Model besar yang diwakili oleh GPT telah memicu gelombang baru antusiasme kecerdasan buatan, dengan banyak pemain yang memasuki jalur ini. Kami menemukan bahwa permintaan pasar untuk data dan daya komputasi meningkat secara signifikan, oleh karena itu dalam bagian laporan ini, kami terutama membahas rantai industri algoritma pembelajaran mendalam, menganalisis bagaimana hulu dan hilirnya terbentuk dalam industri AI yang didominasi oleh algoritma pembelajaran mendalam, serta keadaan, hubungan penawaran dan permintaan, dan tren perkembangan masa depan dari hulu dan hilir.
Pelatihan model bahasa besar seperti GPT yang berbasis teknologi Transformer (LLMs) terutama dibagi menjadi tiga langkah:
Pra-pelatihan: Mencari parameter terbaik dari setiap neuron dalam model dengan memberikan sejumlah besar pasangan data ke lapisan input. Proses ini memerlukan data yang sangat besar dan merupakan tahap yang paling menghabiskan daya komputasi.
Fine-tuning: menggunakan data yang lebih sedikit tetapi berkualitas tinggi untuk melatih, guna meningkatkan kualitas output model.
Pembelajaran Penguatan: Membangun sebuah "model penghargaan" untuk menilai kualitas output model besar, dengan cara ini untuk melakukan iterasi perbaikan parameter model besar.
Dalam proses pelatihan model besar, semakin banyak jumlah parameter, semakin tinggi batas kemampuan generalisasinya. Oleh karena itu, tiga faktor utama yang mempengaruhi kinerja model besar adalah: jumlah parameter, jumlah dan kualitas data, serta daya komputasi. Ketiga elemen ini bersama-sama menentukan kualitas hasil model besar dan kemampuan generalisasinya.
Tahap utama dalam rantai industri meliputi:
Penyedia GPU perangkat keras: Saat ini Nvidia memimpin secara mutlak di pasar chip AI. Di kalangan akademis, GPU kelas konsumer seperti seri RTX ( digunakan, sementara di industri, chip seperti H100 dan A100 digunakan untuk komersialisasi model besar.
Penyedia layanan cloud: Menyediakan kekuatan komputasi yang fleksibel dan solusi pelatihan terkelola untuk perusahaan AI dengan dana terbatas. Utamanya dibagi menjadi tiga kategori: Penyedia cloud besar tradisional ) seperti AWS, Google Cloud, Azure (, platform kekuatan komputasi cloud profesional di jalur vertikal ) seperti CoreWeave, Lambda (, dan penyedia inferensi sebagai layanan yang baru muncul ) seperti Together.ai, Fireworks.ai (.
Penyedia sumber data pelatihan: Menyediakan data dalam jumlah besar, berkualitas tinggi, atau khusus untuk bidang tertentu untuk model. Beberapa perusahaan mengkhususkan diri dalam pengumpulan dan penandaan data.
Penyedia basis data: Menyediakan solusi basis data vektor khusus untuk penyimpanan dan pemrosesan data AI. Pemain utama termasuk Chroma, Zilliz, Pinecone, Weaviate, dan lainnya.
Perangkat Edge: termasuk pasokan energi dan sistem pendingin, untuk mendukung operasi kluster GPU berskala besar. Seiring dengan pertumbuhan ukuran model AI, permintaan di bidang ini juga tumbuh dengan cepat.
Pengembangan Aplikasi: Mengembangkan berbagai aplikasi di bidang vertikal berdasarkan model besar, seperti asisten pintar, alat penghasil konten, dll. Saat ini, pengembangan aplikasi relatif tertinggal dibandingkan dengan pembangunan infrastruktur.
![Pemula Populer丨AI x Crypto: Dari Nol ke Puncak])https://img-cdn.gateio.im/webp-social/moments-8848582a34ba293d15afae15d90e3c95.webp(
Blockchain dan AI
Kombinasi teknologi Blockchain dan AI terutama tercermin dalam beberapa aspek berikut:
Perubahan Nilai: Ekonomi token dapat mendefinisikan kembali nilai di setiap tahap dalam rantai industri AI, mendorong lebih banyak peserta untuk mendalami jalur segmen industri AI.
Mekanisme Kepercayaan: Desentralisasi dan sifat tidak dapat diubah dari Blockchain dapat menyediakan lingkungan pemrosesan data yang tepercaya untuk aplikasi AI, menyelesaikan masalah privasi dan keamanan data.
Berbagi Sumber Daya: Melalui jaringan Blockchain, dapat mewujudkan berbagi kekuatan komputasi GPU yang tidak terpakai secara global, meningkatkan efisiensi penggunaan sumber daya.
Pasar Data: Blockchain dapat membangun pasar perdagangan yang adil dan transparan untuk data pelatihan AI, mendorong individu dan institusi untuk menyumbangkan data berkualitas tinggi.
Validasi model: Dengan menggunakan teknik kriptografi seperti bukti tanpa pengetahuan, kita dapat memverifikasi keakuratan hasil inferensi AI sambil melindungi privasi model.
Dalam ekosistem yang menggabungkan Crypto dan AI, muncul beberapa jenis proyek berikut:
Jaringan komputasi GPU terdistribusi: seperti Render, Akash, dll., bertujuan untuk membangun pasar komputasi GPU yang terdesentralisasi.
Penyedia data AI: seperti EpiK Protocol, Synesis One, Masa, dan lain-lain, berkomitmen untuk membangun pasar data pelatihan AI yang terdesentralisasi.
ZKML) Pembelajaran Mesin Tanpa Pengetahuan(: Menggabungkan teknologi bukti tanpa pengetahuan, untuk mencapai pelatihan dan inferensi AI di bawah perlindungan privasi.
AI代理)Agent(: seperti Fetch.AI, membangun jaringan AI代理 yang dapat menjalankan tugas secara mandiri.
AI Blockchain: seperti Tensor, Allora, dan lain-lain, jaringan blockchain yang dirancang khusus untuk pengembangan dan penerapan model AI.
Meskipun kombinasi Crypto dan AI masih berada di tahap awal dan menghadapi tantangan seperti kinerja dan privasi, bidang ini menunjukkan potensi inovasi yang besar. Seiring dengan kemajuan teknologi dan penyempurnaan ekosistem, kita memiliki alasan untuk berharap bahwa integrasi mendalam antara AI dan Blockchain akan membawa perubahan revolusioner bagi kedua industri.
![Pemula Pengetahuan丨AI x Crypto: Dari Nol ke Puncak])https://img-cdn.gateio.im/webp-social/moments-53c48daf49a3dbb35c1a2b47e234f180.webp(