A indústria de inteligência artificial tem se desenvolvido rapidamente recentemente, sendo vista como uma nova revolução industrial. O surgimento de grandes modelos melhorou significativamente a eficiência de vários setores, e a Boston Consulting acredita que o GPT aumentou em cerca de 20% a eficiência do trabalho nos Estados Unidos. A capacidade de generalização dos grandes modelos é considerada um novo paradigma de design de software, permitindo que o software tenha um desempenho melhor e suporte a uma gama mais ampla de modalidades. A tecnologia de aprendizado profundo trouxe uma quarta prosperidade para a indústria de IA, e essa onda também afetou a indústria de criptomoedas.
Este relatório irá explorar detalhadamente a trajetória de desenvolvimento da indústria de IA, categorias de tecnologia, e o impacto do aprendizado profundo na indústria. Analisaremos em profundidade a cadeia de indústria do aprendizado profundo, incluindo GPU, computação em nuvem, fontes de dados, dispositivos de borda, entre outros, bem como seu estado atual e tendências. Discutiremos essencialmente a relação entre criptomoedas e a indústria de IA, delineando o padrão da cadeia de indústria de IA relacionada a criptomoedas.
A história do desenvolvimento da indústria de IA
A indústria de IA começou na década de 1950. Para realizar a visão da inteligência artificial, o mundo acadêmico e a indústria desenvolveram várias rotas de implementação em diferentes contextos históricos.
As tecnologias modernas de inteligência artificial utilizam principalmente métodos de "aprendizagem de máquina", permitindo que as máquinas melhorem o desempenho do sistema através da iteração de dados. Os principais passos são inserir dados no algoritmo, treinar o modelo, testar a implantação e concluir a tarefa de previsão automática.
A aprendizagem de máquina tem três grandes escolas: o conexionismo, o simbolismo e o behaviorismo, que imitam, respetivamente, o sistema nervoso humano, o pensamento e o comportamento.
Atualmente, o conexionismo, representado por redes neurais, domina ( também conhecido como aprendizado profundo ). As redes neurais têm uma camada de entrada, uma camada de saída e várias camadas ocultas. Quando o número de camadas e neurônios ( e a quantidade de parâmetros ) são suficientes, podem modelar tarefas complexas e gerais. Ao ajustar continuamente os parâmetros, alcança-se, finalmente, o estado ótimo, que é a origem do termo "profundo".
A tecnologia de aprendizado profundo passou por várias iterações, desde as redes neurais iniciais, passando pelas redes neurais feedforward, RNN, CNN, GAN, até chegar aos modernos grandes modelos como a tecnologia Transformer utilizada pelo GPT. A tecnologia Transformer é apenas uma direção evolutiva das redes neurais, que adiciona um módulo de transformador, permitindo que dados multimodais sejam codificados em representações numéricas antes de serem inseridos na rede neural, possibilitando o processamento multimodal.
O desenvolvimento da IA passou por três ondas tecnológicas:
Na década de 1960, o desenvolvimento da tecnologia simbolista desencadeou a primeira onda, resolvendo problemas de processamento de linguagem natural e diálogo homem-máquina. Nesse período, surgiram também os sistemas especialistas.
Em 1997, o Deep Blue da IBM venceu o campeão de xadrez, marcando o início de uma segunda onda de tecnologia de IA.
Em 2006, o conceito de aprendizado profundo foi proposto, iniciando a terceira onda tecnológica. Os algoritmos de aprendizado profundo evoluíram continuamente, desde RNN, GAN até Transformer e Stable Diffusion, com o conexionismo atingindo seu auge.
Na terceira onda, surgiram muitos eventos icônicos:
Em 2011, o IBM Watson venceu humanos no programa de perguntas e respostas "Dangerous Edge".
Em 2014, Goodfellow propôs o GAN
Em 2015, Hinton et al. propuseram algoritmos de aprendizado profundo na revista "Nature"
Em 2016, AlphaGo venceu Lee Sedol
Em 2017, o Google publicou o artigo sobre o algoritmo Transformer
Em 2018, a OpenAI lançou o GPT
Em 2020, a OpenAI lançou o GPT-3
Em 2023, o ChatGPT foi lançado e rapidamente atingiu 100 milhões de utilizadores.
Cadeia industrial de aprendizagem profunda
Os atuais grandes modelos de linguagem utilizam principalmente métodos de aprendizado profundo baseados em redes neurais. Modelos grandes, liderados pelo GPT, desencadearam uma nova onda de entusiasmo pela IA, com a demanda do mercado por dados e poder de computação a disparar. Esta seção explora a composição e o estado de desenvolvimento da cadeia industrial de algoritmos de aprendizado profundo.
O treinamento de grandes modelos é principalmente dividido em três etapas:
Pré-treinamento: inserir grandes volumes de dados para encontrar os melhores parâmetros, o que consome mais poder computacional.
Ajuste fino: treinar com uma pequena quantidade de dados de alta qualidade para melhorar a qualidade do modelo.
Aprendizagem por reforço: estabelecer um modelo de recompensas para avaliar a qualidade da saída e iterar automaticamente os parâmetros.
Os principais fatores que afetam o desempenho de grandes modelos são: número de parâmetros, quantidade e qualidade dos dados, e poder computacional. Uma fórmula empírica pode ser usada para estimar a quantidade de cálculo necessária.
A computação de potência utiliza principalmente chips GPU, como o A100 e H100 da Nvidia. As GPUs realizam operações de ponto flutuante através do módulo Tensor Core, e o desempenho do chip é avaliado principalmente em FLOPS nas precisões FP16/FP32.
Treinar grandes modelos requer uma vasta quantidade de computação e espaço de armazenamento. Tomando o GPT-3 como exemplo, com 175 bilhões de parâmetros e 180 bilhões de dados Token, uma pré-treinamento leva 584 dias. O número de parâmetros e a quantidade de dados do GPT-4 aumentaram 10 vezes, necessitando de 100 vezes mais poder computacional.
A cadeia industrial inclui principalmente:
Fornecedores de hardware GPU: Nvidia domina
Fornecedores de serviços em nuvem: fornecedores de nuvem tradicionais e fornecedores de serviços em nuvem verticais de IA
Fornecedores de dados de treinamento: motores de busca, plataformas sociais, etc.
Fornecedor de base de dados: Base de dados vetorial
Dispositivos de borda: sistema de refrigeração, fornecimento de energia
Aplicação: ainda em fase inicial
A relação entre Crypto e AI
A tecnologia blockchain combinada com o ZK desenvolve-se como uma ideia de descentralização + desconfiança. Essencialmente, é uma rede de valor, onde cada transação é uma conversão de valor baseada em tokens.
A economia de tokens pode conferir valor multidimensional à rede, superando em muito os títulos de empresas tradicionais. Os tokens permitem que qualquer inovação e ideia sejam valorizadas.
Para a indústria de IA, a economia dos tokens pode reestruturar o valor em cada etapa da cadeia de produção, incentivando mais participação. As características de imutabilidade e desconfiança da tecnologia blockchain também podem permitir a realização de algumas aplicações de IA que necessitam de confiança.
Em suma, a economia dos tokens promove a reconfiguração e descoberta de valor, os livros-razão descentralizados resolvem o problema da confiança, permitindo que o valor flua globalmente.
Visão Geral do Projeto da Cadeia de Valor da Indústria Cripto
oferta de GPU
Projetos como Render. O mercado de computação em nuvem GPU não se destina apenas ao treinamento e inferência de modelos de IA, mas também pode ser usado para tarefas de renderização tradicionais, reduzindo o risco de um mercado único.
A demanda por poder de computação GPU está prevista para ser de cerca de 75 bilhões de dólares em 2024, alcançando 773 bilhões de dólares em 2032, com uma taxa de crescimento anual composta (CAGR) de 33,86%.
Com a iteração das GPUs, uma grande quantidade de GPUs ociosas irá desempenhar um valor de cauda longa em redes compartilhadas. No entanto, o compartilhamento de GPUs em blockchain enfrenta problemas de largura de banda na transmissão de dados.
largura de banda de hardware
Representa projetos como Meson Network. Mas o compartilhamento de largura de banda pode ser uma demanda falsa, com a localização geográfica dispersa levando a uma latência superior ao armazenamento local.
dados
Projetos representativos como EpiK Protocol, Synesis One, Masa, entre outros. A vantagem dos provedores de dados Web3 reside em canais de coleta de dados mais amplos. Projetos na direção de ZK, como Masa, têm boas perspectivas.
ZKML
Usar tecnologia de criptografia homomórfica para implementar computação e treinamento de privacidade. Projetos representativos incluem Axiom, Risc Zero, Ritual, entre outros.
Aplicação de IA
Principalmente aplicações tradicionais de blockchain + capacidade de generalização automatizada. O Agente de IA torna-se uma direção importante, com projetos representativos como Fetch.AI.
Cadeia Pública de AI
Redes adaptativas construídas para modelos ou agentes de IA, como Tensor, Allora, etc. Baseadas na economia de tokens, podem reduzir significativamente os custos de inferência.
Resumo
Embora a tecnologia de aprendizado profundo não seja toda a direção do desenvolvimento de IA, já existem cenários de aplicação prática. A economia dos tokens pode reestruturar o valor da cadeia industrial de IA, e a tecnologia blockchain pode resolver problemas de confiança.
Embora a plataforma de compartilhamento de GPU possa usar poder de computação ocioso para reduzir custos, problemas de largura de banda limitam sua aplicação apenas para o treinamento de pequenos modelos que não são urgentes.
De um modo geral, a combinação de AI x Crypto tem uma utilidade prática, podendo reformular o sistema de valores, resolver problemas de confiança e descobrir valor residual.
Esta página pode conter conteúdo de terceiros, que é fornecido apenas para fins informativos (não para representações/garantias) e não deve ser considerada como um endosso de suas opiniões pela Gate nem como aconselhamento financeiro ou profissional. Consulte a Isenção de responsabilidade para obter detalhes.
15 Curtidas
Recompensa
15
5
Compartilhar
Comentário
0/400
ShadowStaker
· 2h atrás
meh... outra análise teórica sem abordar os reais gargalos de MEV
Ver originalResponder0
MoonMathMagic
· 07-24 20:32
mundo crypto又在吹AI~
Ver originalResponder0
ContractSurrender
· 07-24 20:28
Não serei mais idiota, o mercado é assim.
Ver originalResponder0
LiquidatedAgain
· 07-24 20:23
又要Tudo emAI了是吧 还嫌亏少
Ver originalResponder0
FundingMartyr
· 07-24 20:08
Pioneiro tecnológico, mas o Poder de computação é difícil de mencionar!
IA e Ativos de criptografia: Reconfigurando o sistema de valores e a estrutura da cadeia de indústrias
AI x Crypto: Do zero ao topo
Introdução
A indústria de inteligência artificial tem se desenvolvido rapidamente recentemente, sendo vista como uma nova revolução industrial. O surgimento de grandes modelos melhorou significativamente a eficiência de vários setores, e a Boston Consulting acredita que o GPT aumentou em cerca de 20% a eficiência do trabalho nos Estados Unidos. A capacidade de generalização dos grandes modelos é considerada um novo paradigma de design de software, permitindo que o software tenha um desempenho melhor e suporte a uma gama mais ampla de modalidades. A tecnologia de aprendizado profundo trouxe uma quarta prosperidade para a indústria de IA, e essa onda também afetou a indústria de criptomoedas.
Este relatório irá explorar detalhadamente a trajetória de desenvolvimento da indústria de IA, categorias de tecnologia, e o impacto do aprendizado profundo na indústria. Analisaremos em profundidade a cadeia de indústria do aprendizado profundo, incluindo GPU, computação em nuvem, fontes de dados, dispositivos de borda, entre outros, bem como seu estado atual e tendências. Discutiremos essencialmente a relação entre criptomoedas e a indústria de IA, delineando o padrão da cadeia de indústria de IA relacionada a criptomoedas.
A história do desenvolvimento da indústria de IA
A indústria de IA começou na década de 1950. Para realizar a visão da inteligência artificial, o mundo acadêmico e a indústria desenvolveram várias rotas de implementação em diferentes contextos históricos.
As tecnologias modernas de inteligência artificial utilizam principalmente métodos de "aprendizagem de máquina", permitindo que as máquinas melhorem o desempenho do sistema através da iteração de dados. Os principais passos são inserir dados no algoritmo, treinar o modelo, testar a implantação e concluir a tarefa de previsão automática.
A aprendizagem de máquina tem três grandes escolas: o conexionismo, o simbolismo e o behaviorismo, que imitam, respetivamente, o sistema nervoso humano, o pensamento e o comportamento.
Atualmente, o conexionismo, representado por redes neurais, domina ( também conhecido como aprendizado profundo ). As redes neurais têm uma camada de entrada, uma camada de saída e várias camadas ocultas. Quando o número de camadas e neurônios ( e a quantidade de parâmetros ) são suficientes, podem modelar tarefas complexas e gerais. Ao ajustar continuamente os parâmetros, alcança-se, finalmente, o estado ótimo, que é a origem do termo "profundo".
A tecnologia de aprendizado profundo passou por várias iterações, desde as redes neurais iniciais, passando pelas redes neurais feedforward, RNN, CNN, GAN, até chegar aos modernos grandes modelos como a tecnologia Transformer utilizada pelo GPT. A tecnologia Transformer é apenas uma direção evolutiva das redes neurais, que adiciona um módulo de transformador, permitindo que dados multimodais sejam codificados em representações numéricas antes de serem inseridos na rede neural, possibilitando o processamento multimodal.
O desenvolvimento da IA passou por três ondas tecnológicas:
Na década de 1960, o desenvolvimento da tecnologia simbolista desencadeou a primeira onda, resolvendo problemas de processamento de linguagem natural e diálogo homem-máquina. Nesse período, surgiram também os sistemas especialistas.
Em 1997, o Deep Blue da IBM venceu o campeão de xadrez, marcando o início de uma segunda onda de tecnologia de IA.
Em 2006, o conceito de aprendizado profundo foi proposto, iniciando a terceira onda tecnológica. Os algoritmos de aprendizado profundo evoluíram continuamente, desde RNN, GAN até Transformer e Stable Diffusion, com o conexionismo atingindo seu auge.
Na terceira onda, surgiram muitos eventos icônicos:
Cadeia industrial de aprendizagem profunda
Os atuais grandes modelos de linguagem utilizam principalmente métodos de aprendizado profundo baseados em redes neurais. Modelos grandes, liderados pelo GPT, desencadearam uma nova onda de entusiasmo pela IA, com a demanda do mercado por dados e poder de computação a disparar. Esta seção explora a composição e o estado de desenvolvimento da cadeia industrial de algoritmos de aprendizado profundo.
O treinamento de grandes modelos é principalmente dividido em três etapas:
Pré-treinamento: inserir grandes volumes de dados para encontrar os melhores parâmetros, o que consome mais poder computacional.
Ajuste fino: treinar com uma pequena quantidade de dados de alta qualidade para melhorar a qualidade do modelo.
Aprendizagem por reforço: estabelecer um modelo de recompensas para avaliar a qualidade da saída e iterar automaticamente os parâmetros.
Os principais fatores que afetam o desempenho de grandes modelos são: número de parâmetros, quantidade e qualidade dos dados, e poder computacional. Uma fórmula empírica pode ser usada para estimar a quantidade de cálculo necessária.
A computação de potência utiliza principalmente chips GPU, como o A100 e H100 da Nvidia. As GPUs realizam operações de ponto flutuante através do módulo Tensor Core, e o desempenho do chip é avaliado principalmente em FLOPS nas precisões FP16/FP32.
Treinar grandes modelos requer uma vasta quantidade de computação e espaço de armazenamento. Tomando o GPT-3 como exemplo, com 175 bilhões de parâmetros e 180 bilhões de dados Token, uma pré-treinamento leva 584 dias. O número de parâmetros e a quantidade de dados do GPT-4 aumentaram 10 vezes, necessitando de 100 vezes mais poder computacional.
A cadeia industrial inclui principalmente:
A relação entre Crypto e AI
A tecnologia blockchain combinada com o ZK desenvolve-se como uma ideia de descentralização + desconfiança. Essencialmente, é uma rede de valor, onde cada transação é uma conversão de valor baseada em tokens.
A economia de tokens pode conferir valor multidimensional à rede, superando em muito os títulos de empresas tradicionais. Os tokens permitem que qualquer inovação e ideia sejam valorizadas.
Para a indústria de IA, a economia dos tokens pode reestruturar o valor em cada etapa da cadeia de produção, incentivando mais participação. As características de imutabilidade e desconfiança da tecnologia blockchain também podem permitir a realização de algumas aplicações de IA que necessitam de confiança.
Em suma, a economia dos tokens promove a reconfiguração e descoberta de valor, os livros-razão descentralizados resolvem o problema da confiança, permitindo que o valor flua globalmente.
Visão Geral do Projeto da Cadeia de Valor da Indústria Cripto
oferta de GPU
Projetos como Render. O mercado de computação em nuvem GPU não se destina apenas ao treinamento e inferência de modelos de IA, mas também pode ser usado para tarefas de renderização tradicionais, reduzindo o risco de um mercado único.
A demanda por poder de computação GPU está prevista para ser de cerca de 75 bilhões de dólares em 2024, alcançando 773 bilhões de dólares em 2032, com uma taxa de crescimento anual composta (CAGR) de 33,86%.
Com a iteração das GPUs, uma grande quantidade de GPUs ociosas irá desempenhar um valor de cauda longa em redes compartilhadas. No entanto, o compartilhamento de GPUs em blockchain enfrenta problemas de largura de banda na transmissão de dados.
largura de banda de hardware
Representa projetos como Meson Network. Mas o compartilhamento de largura de banda pode ser uma demanda falsa, com a localização geográfica dispersa levando a uma latência superior ao armazenamento local.
dados
Projetos representativos como EpiK Protocol, Synesis One, Masa, entre outros. A vantagem dos provedores de dados Web3 reside em canais de coleta de dados mais amplos. Projetos na direção de ZK, como Masa, têm boas perspectivas.
ZKML
Usar tecnologia de criptografia homomórfica para implementar computação e treinamento de privacidade. Projetos representativos incluem Axiom, Risc Zero, Ritual, entre outros.
Aplicação de IA
Principalmente aplicações tradicionais de blockchain + capacidade de generalização automatizada. O Agente de IA torna-se uma direção importante, com projetos representativos como Fetch.AI.
Cadeia Pública de AI
Redes adaptativas construídas para modelos ou agentes de IA, como Tensor, Allora, etc. Baseadas na economia de tokens, podem reduzir significativamente os custos de inferência.
Resumo
Embora a tecnologia de aprendizado profundo não seja toda a direção do desenvolvimento de IA, já existem cenários de aplicação prática. A economia dos tokens pode reestruturar o valor da cadeia industrial de IA, e a tecnologia blockchain pode resolver problemas de confiança.
Embora a plataforma de compartilhamento de GPU possa usar poder de computação ocioso para reduzir custos, problemas de largura de banda limitam sua aplicação apenas para o treinamento de pequenos modelos que não são urgentes.
De um modo geral, a combinação de AI x Crypto tem uma utilidade prática, podendo reformular o sistema de valores, resolver problemas de confiança e descobrir valor residual.