La industria de la inteligencia artificial ha crecido rápidamente recientemente, siendo vista como una nueva ronda de revolución industrial. La aparición de modelos grandes ha mejorado significativamente la eficiencia en diversas industrias; Boston Consulting Group estima que GPT ha aumentado en aproximadamente un 20% la eficiencia laboral en Estados Unidos. La capacidad de generalización de los modelos grandes se considera un nuevo paradigma de diseño de software, permitiendo que el software tenga un mejor rendimiento y un soporte más amplio de modalidades. La tecnología de aprendizaje profundo ha traído una cuarta prosperidad a la industria de la IA, y esta ola también ha influido en la industria de las criptomonedas.
Este informe explorará en detalle la evolución de la industria de la IA, la clasificación de tecnologías y el impacto del aprendizaje profundo en la industria. Analizará en profundidad la cadena de suministro del aprendizaje profundo, incluyendo GPU, computación en la nube, fuentes de datos y dispositivos de borde, así como su estado y tendencias actuales. Se explorará esencialmente la relación entre las criptomonedas y la industria de la IA, organizando el panorama de la cadena de suministro de la IA relacionada con las criptomonedas.
Historia del desarrollo de la industria de la IA
La industria de la IA comenzó en la década de 1950, y para lograr la visión de la inteligencia artificial, el ámbito académico y la industria han desarrollado diversas rutas de implementación en diferentes contextos históricos.
Las modernas tecnologías de inteligencia artificial utilizan principalmente el método de "aprendizaje automático", permitiendo que las máquinas mejoren el rendimiento del sistema a través de la iteración de datos. Los pasos principales son ingresar datos en el algoritmo, entrenar el modelo, probar el despliegue y completar la tarea de predicción automática.
El aprendizaje automático tiene tres grandes corrientes: la conexiónista, la simbolista y la conductista, que imitan respectivamente el sistema nervioso, el pensamiento y el comportamiento humano.
Actualmente, el conexionismo representado por las redes neuronales ocupa una posición dominante ( también conocido como aprendizaje profundo ). Las redes neuronales tienen una capa de entrada, una capa de salida y múltiples capas ocultas. Cuando la cantidad de capas y neuronas ( y los parámetros ) son suficientes, pueden ajustar tareas generales complejas. Al ajustar continuamente los parámetros, se alcanza finalmente el estado óptimo, de ahí proviene lo "profundo".
La tecnología de aprendizaje profundo ha pasado por múltiples iteraciones, desde las primeras redes neuronales, hasta redes neuronales de retroalimentación, RNN, CNN, GAN, y finalmente se ha desarrollado hasta los modernos modelos de gran escala como la tecnología Transformer utilizada por GPT. La tecnología Transformer es solo una dirección de evolución de las redes neuronales, que agrega un módulo de transformador, permitiendo codificar datos multimodales en representaciones numéricas que luego son ingresadas en la red neuronal, logrando así el procesamiento multimodal.
El desarrollo de la IA ha pasado por tres olas tecnológicas:
En la década de 1960, el desarrollo de la tecnología simbólica provocó la primera ola, resolviendo problemas de procesamiento del lenguaje natural general y de diálogo hombre-máquina. En ese mismo período nació el sistema experto.
En 1997, Deep Blue de IBM venció al campeón de ajedrez, marcando el inicio de una segunda ola de tecnología de IA.
En 2006, se propuso el concepto de aprendizaje profundo, que dio inicio a la tercera ola tecnológica. Los algoritmos de aprendizaje profundo han evolucionado continuamente, desde RNN, GAN hasta Transformer y Stable Diffusion, y el conexionismo ha alcanzado su auge.
Durante la tercera ola surgieron muchos eventos emblemáticos:
En 2011, IBM Watson superó a humanos en el programa de preguntas y respuestas "Dangerous Edge".
En 2014, Goodfellow propuso GAN
En 2015, Hinton y otros propusieron un algoritmo de aprendizaje profundo en la revista "Nature".
En 2016, AlphaGo venció a Lee Sedol
En 2017, Google publicó el artículo del algoritmo Transformer
En 2018, OpenAI lanzó GPT
En 2020, OpenAI lanzó GPT-3
En 2023, ChatGPT se lanzó y alcanzó rápidamente 100 millones de usuarios.
Cadena de industria de aprendizaje profundo
Los modelos de lenguaje de gran tamaño actuales se basan principalmente en métodos de aprendizaje profundo basados en redes neuronales. Los grandes modelos encabezados por GPT han desencadenado una nueva ola de entusiasmo por la IA, y la demanda del mercado de datos y potencia de cálculo ha aumentado drásticamente. Esta sección explora la composición y el estado de desarrollo de la cadena industrial de algoritmos de aprendizaje profundo.
El entrenamiento de grandes modelos se divide principalmente en tres pasos:
Preentrenamiento: introducir grandes cantidades de datos para encontrar los mejores parámetros, consume más potencia de cálculo.
Ajuste fino: Entrenar con una pequeña cantidad de datos de alta calidad para mejorar la calidad del modelo.
Aprendizaje por refuerzo: establecer un modelo de recompensa para evaluar la calidad de la salida y ajustar automáticamente los parámetros.
Los principales factores que afectan el rendimiento de los grandes modelos son: la cantidad de parámetros, la calidad y cantidad de datos, y la potencia de cálculo. Se puede utilizar una fórmula empírica para estimar la cantidad de cálculo requerida.
La potencia de cálculo utiliza principalmente chips GPU, como los A100 y H100 de Nvidia. La GPU realiza cálculos de punto flotante a través del módulo Tensor Core, y el rendimiento del chip se evalúa principalmente en FLOPS a precisión FP16/FP32.
Entrenar grandes modelos requiere una enorme cantidad de cálculo y espacio de almacenamiento. Tomando como ejemplo GPT-3, con 175 mil millones de parámetros y 180 mil millones de datos de tokens, una preentrenamiento requiere 584 días. Los parámetros y la cantidad de datos de GPT-4 aumentan otras 10 veces, necesitando 100 veces más potencia de cálculo.
La cadena industrial incluye principalmente:
Proveedor de hardware GPU: Nvidia domina
Proveedores de servicios en la nube: proveedores de nube tradicionales y proveedores de servicios en la nube verticales de IA
Proveedores de fuentes de datos de entrenamiento: motores de búsqueda, plataformas sociales, etc.
Proveedor de base de datos: base de datos vectorial
Dispositivos de borde: sistema de refrigeración, suministro de energía
Aplicación: todavía en la etapa inicial
La relación entre Crypto y AI
La tecnología blockchain combinada con ZK se desarrolla en un pensamiento descentralizado y sin confianza. Es, en esencia, una red de valor, donde cada transacción se basa en la conversión de valor de tokens.
La economía de tokens puede otorgar un valor multidimensional a la red, superando con creces los valores de las empresas tradicionales. Los tokens permiten que cualquier innovación e idea pueda ser valorada.
En la industria de la IA, la economía de tokens puede reestructurar el valor en cada eslabón de la cadena de producción, incentivando a más participantes. Las características de inmutabilidad y descentralización de la tecnología blockchain también pueden hacer posible algunas aplicaciones de IA que requieren confianza.
En resumen, la economía de tokens promueve la reconfiguración y el descubrimiento de valor, los libros de contabilidad descentralizados resuelven el problema de la confianza y permiten que el valor fluya globalmente.
Visión general del proyecto de la cadena de valor en la industria cripto
lado de suministro de GPU
Proyectos representativos como Render. El mercado de potencia de cálculo en la nube GPU no solo está dirigido a la formación e inferencia de modelos de IA, sino que también se puede utilizar para tareas de renderizado tradicionales, reduciendo el riesgo de un solo mercado.
Se espera que la demanda de potencia de cálculo de GPU alcance aproximadamente 75 mil millones de dólares en 2024, y 773 mil millones de dólares en 2032, con una tasa de crecimiento anual compuesta (CAGR) del 33.86%.
Con la iteración de las GPU, una gran cantidad de GPU inactivas desempeñarán un valor de cola larga en la red compartida. Sin embargo, el intercambio de GPU en cadena enfrenta problemas de ancho de banda en la transmisión de datos.
ancho de banda de hardware
Representa proyectos como Meson Network. Sin embargo, la compartición de ancho de banda puede ser una demanda falsa, y la ubicación geográfica distribuida provoca una latencia mayor que el almacenamiento local.
datos
Proyectos representativos como EpiK Protocol, Synesis One, Masa, entre otros. La ventaja de los proveedores de datos Web3 radica en canales de recolección de datos más amplios. Los proyectos en la dirección de ZK como Masa tienen un buen panorama.
ZKML
Implementar cálculos y entrenamiento de privacidad utilizando tecnología de cifrado homomórfico. Proyectos representativos como Axiom, Risc Zero, Ritual, etc.
Aplicaciones de IA
Principalmente aplicaciones de blockchain tradicionales + capacidad de generalización automatizada. El agente de IA se convierte en una dirección importante, proyectos representativos como Fetch.AI.
cadena pública de IA
Redes adaptativas construidas para modelos o agentes de IA, como Tensor, Allora, etc. Basado en la economía de tokens, puede reducir significativamente los costos de inferencia.
Resumen
Aunque la tecnología de aprendizaje profundo no es toda la dirección del desarrollo de la IA, ya tiene escenarios de aplicación prácticos. La economía del token puede reestructurar el valor de la cadena de producción de la IA, y la tecnología blockchain puede resolver problemas de confianza.
La plataforma de compartición de GPU puede utilizar la capacidad de cálculo inactiva para reducir costos, pero los problemas de ancho de banda limitan su uso solo para entrenamientos de modelos pequeños que no son urgentes.
En general, la combinación de AI y Crypto tiene una utilidad práctica, puede reestructurar el sistema de valores, resolver problemas de confianza y descubrir valor residual.
Esta página puede contener contenido de terceros, que se proporciona únicamente con fines informativos (sin garantías ni declaraciones) y no debe considerarse como un respaldo por parte de Gate a las opiniones expresadas ni como asesoramiento financiero o profesional. Consulte el Descargo de responsabilidad para obtener más detalles.
15 me gusta
Recompensa
15
5
Compartir
Comentar
0/400
ShadowStaker
· hace2h
meh... otro análisis teórico sin abordar los verdaderos cuellos de botella del MEV
Ver originalesResponder0
MoonMathMagic
· 07-24 20:32
mundo Cripto又在吹AI~
Ver originalesResponder0
ContractSurrender
· 07-24 20:28
No seré un tonto, así es el mercado.
Ver originalesResponder0
LiquidatedAgain
· 07-24 20:23
¿Vas a hacer todo dentro de la IA otra vez? ¿Aún te parece que las pérdidas son pocas?
Ver originalesResponder0
FundingMartyr
· 07-24 20:08
Pioneros tecnológicos, ¡sin embargo, la potencia computacional es difícil de mencionar!
IA y Activos Cripto: remodelando el sistema de valores y la estructura de la cadena de industrias
IA x Cripto: De cero a la cima
Introducción
La industria de la inteligencia artificial ha crecido rápidamente recientemente, siendo vista como una nueva ronda de revolución industrial. La aparición de modelos grandes ha mejorado significativamente la eficiencia en diversas industrias; Boston Consulting Group estima que GPT ha aumentado en aproximadamente un 20% la eficiencia laboral en Estados Unidos. La capacidad de generalización de los modelos grandes se considera un nuevo paradigma de diseño de software, permitiendo que el software tenga un mejor rendimiento y un soporte más amplio de modalidades. La tecnología de aprendizaje profundo ha traído una cuarta prosperidad a la industria de la IA, y esta ola también ha influido en la industria de las criptomonedas.
Este informe explorará en detalle la evolución de la industria de la IA, la clasificación de tecnologías y el impacto del aprendizaje profundo en la industria. Analizará en profundidad la cadena de suministro del aprendizaje profundo, incluyendo GPU, computación en la nube, fuentes de datos y dispositivos de borde, así como su estado y tendencias actuales. Se explorará esencialmente la relación entre las criptomonedas y la industria de la IA, organizando el panorama de la cadena de suministro de la IA relacionada con las criptomonedas.
Historia del desarrollo de la industria de la IA
La industria de la IA comenzó en la década de 1950, y para lograr la visión de la inteligencia artificial, el ámbito académico y la industria han desarrollado diversas rutas de implementación en diferentes contextos históricos.
Las modernas tecnologías de inteligencia artificial utilizan principalmente el método de "aprendizaje automático", permitiendo que las máquinas mejoren el rendimiento del sistema a través de la iteración de datos. Los pasos principales son ingresar datos en el algoritmo, entrenar el modelo, probar el despliegue y completar la tarea de predicción automática.
El aprendizaje automático tiene tres grandes corrientes: la conexiónista, la simbolista y la conductista, que imitan respectivamente el sistema nervioso, el pensamiento y el comportamiento humano.
Actualmente, el conexionismo representado por las redes neuronales ocupa una posición dominante ( también conocido como aprendizaje profundo ). Las redes neuronales tienen una capa de entrada, una capa de salida y múltiples capas ocultas. Cuando la cantidad de capas y neuronas ( y los parámetros ) son suficientes, pueden ajustar tareas generales complejas. Al ajustar continuamente los parámetros, se alcanza finalmente el estado óptimo, de ahí proviene lo "profundo".
La tecnología de aprendizaje profundo ha pasado por múltiples iteraciones, desde las primeras redes neuronales, hasta redes neuronales de retroalimentación, RNN, CNN, GAN, y finalmente se ha desarrollado hasta los modernos modelos de gran escala como la tecnología Transformer utilizada por GPT. La tecnología Transformer es solo una dirección de evolución de las redes neuronales, que agrega un módulo de transformador, permitiendo codificar datos multimodales en representaciones numéricas que luego son ingresadas en la red neuronal, logrando así el procesamiento multimodal.
El desarrollo de la IA ha pasado por tres olas tecnológicas:
En la década de 1960, el desarrollo de la tecnología simbólica provocó la primera ola, resolviendo problemas de procesamiento del lenguaje natural general y de diálogo hombre-máquina. En ese mismo período nació el sistema experto.
En 1997, Deep Blue de IBM venció al campeón de ajedrez, marcando el inicio de una segunda ola de tecnología de IA.
En 2006, se propuso el concepto de aprendizaje profundo, que dio inicio a la tercera ola tecnológica. Los algoritmos de aprendizaje profundo han evolucionado continuamente, desde RNN, GAN hasta Transformer y Stable Diffusion, y el conexionismo ha alcanzado su auge.
Durante la tercera ola surgieron muchos eventos emblemáticos:
Cadena de industria de aprendizaje profundo
Los modelos de lenguaje de gran tamaño actuales se basan principalmente en métodos de aprendizaje profundo basados en redes neuronales. Los grandes modelos encabezados por GPT han desencadenado una nueva ola de entusiasmo por la IA, y la demanda del mercado de datos y potencia de cálculo ha aumentado drásticamente. Esta sección explora la composición y el estado de desarrollo de la cadena industrial de algoritmos de aprendizaje profundo.
El entrenamiento de grandes modelos se divide principalmente en tres pasos:
Preentrenamiento: introducir grandes cantidades de datos para encontrar los mejores parámetros, consume más potencia de cálculo.
Ajuste fino: Entrenar con una pequeña cantidad de datos de alta calidad para mejorar la calidad del modelo.
Aprendizaje por refuerzo: establecer un modelo de recompensa para evaluar la calidad de la salida y ajustar automáticamente los parámetros.
Los principales factores que afectan el rendimiento de los grandes modelos son: la cantidad de parámetros, la calidad y cantidad de datos, y la potencia de cálculo. Se puede utilizar una fórmula empírica para estimar la cantidad de cálculo requerida.
La potencia de cálculo utiliza principalmente chips GPU, como los A100 y H100 de Nvidia. La GPU realiza cálculos de punto flotante a través del módulo Tensor Core, y el rendimiento del chip se evalúa principalmente en FLOPS a precisión FP16/FP32.
Entrenar grandes modelos requiere una enorme cantidad de cálculo y espacio de almacenamiento. Tomando como ejemplo GPT-3, con 175 mil millones de parámetros y 180 mil millones de datos de tokens, una preentrenamiento requiere 584 días. Los parámetros y la cantidad de datos de GPT-4 aumentan otras 10 veces, necesitando 100 veces más potencia de cálculo.
La cadena industrial incluye principalmente:
La relación entre Crypto y AI
La tecnología blockchain combinada con ZK se desarrolla en un pensamiento descentralizado y sin confianza. Es, en esencia, una red de valor, donde cada transacción se basa en la conversión de valor de tokens.
La economía de tokens puede otorgar un valor multidimensional a la red, superando con creces los valores de las empresas tradicionales. Los tokens permiten que cualquier innovación e idea pueda ser valorada.
En la industria de la IA, la economía de tokens puede reestructurar el valor en cada eslabón de la cadena de producción, incentivando a más participantes. Las características de inmutabilidad y descentralización de la tecnología blockchain también pueden hacer posible algunas aplicaciones de IA que requieren confianza.
En resumen, la economía de tokens promueve la reconfiguración y el descubrimiento de valor, los libros de contabilidad descentralizados resuelven el problema de la confianza y permiten que el valor fluya globalmente.
Visión general del proyecto de la cadena de valor en la industria cripto
lado de suministro de GPU
Proyectos representativos como Render. El mercado de potencia de cálculo en la nube GPU no solo está dirigido a la formación e inferencia de modelos de IA, sino que también se puede utilizar para tareas de renderizado tradicionales, reduciendo el riesgo de un solo mercado.
Se espera que la demanda de potencia de cálculo de GPU alcance aproximadamente 75 mil millones de dólares en 2024, y 773 mil millones de dólares en 2032, con una tasa de crecimiento anual compuesta (CAGR) del 33.86%.
Con la iteración de las GPU, una gran cantidad de GPU inactivas desempeñarán un valor de cola larga en la red compartida. Sin embargo, el intercambio de GPU en cadena enfrenta problemas de ancho de banda en la transmisión de datos.
ancho de banda de hardware
Representa proyectos como Meson Network. Sin embargo, la compartición de ancho de banda puede ser una demanda falsa, y la ubicación geográfica distribuida provoca una latencia mayor que el almacenamiento local.
datos
Proyectos representativos como EpiK Protocol, Synesis One, Masa, entre otros. La ventaja de los proveedores de datos Web3 radica en canales de recolección de datos más amplios. Los proyectos en la dirección de ZK como Masa tienen un buen panorama.
ZKML
Implementar cálculos y entrenamiento de privacidad utilizando tecnología de cifrado homomórfico. Proyectos representativos como Axiom, Risc Zero, Ritual, etc.
Aplicaciones de IA
Principalmente aplicaciones de blockchain tradicionales + capacidad de generalización automatizada. El agente de IA se convierte en una dirección importante, proyectos representativos como Fetch.AI.
cadena pública de IA
Redes adaptativas construidas para modelos o agentes de IA, como Tensor, Allora, etc. Basado en la economía de tokens, puede reducir significativamente los costos de inferencia.
Resumen
Aunque la tecnología de aprendizaje profundo no es toda la dirección del desarrollo de la IA, ya tiene escenarios de aplicación prácticos. La economía del token puede reestructurar el valor de la cadena de producción de la IA, y la tecnología blockchain puede resolver problemas de confianza.
La plataforma de compartición de GPU puede utilizar la capacidad de cálculo inactiva para reducir costos, pero los problemas de ancho de banda limitan su uso solo para entrenamientos de modelos pequeños que no son urgentes.
En general, la combinación de AI y Crypto tiene una utilidad práctica, puede reestructurar el sistema de valores, resolver problemas de confianza y descubrir valor residual.