AI x Crypto：從零到巔峯

引言

人工智能行業近期蓬勃發展，被視爲新一輪工業革命。大模型的出現顯著提升了各行業效率,波士頓諮詢認爲GPT爲美國提高了約20%的工作效率。大模型的泛化能力被認爲是新的軟件設計範式,使軟件具備更好的表現和更廣泛的模態支持。深度學習技術爲AI行業帶來第四次繁榮,這股浪潮也影響了加密貨幣行業。

本報告將詳細探討AI行業的發展歷程、技術分類,以及深度學習對行業的影響。深入分析深度學習中GPU、雲計算、數據源、邊緣設備等產業鏈,及其發展現狀與趨勢。從本質上探討加密貨幣與AI行業的關係,梳理加密貨幣相關AI產業鏈格局。

AI行業的發展歷史

AI行業始於20世紀50年代,爲實現人工智能願景,學術界和工業界在不同時代背景下發展出多種實現路徑。

現代人工智能技術主要採用"機器學習"方法,讓機器通過數據迭代改善系統性能。主要步驟是將數據輸入算法,訓練模型,測試部署,完成自動預測任務。

機器學習有三大流派:聯結主義、符號主義和行爲主義,分別模仿人類的神經系統、思維和行爲。

目前以神經網路爲代表的聯結主義佔據主導地位(也稱深度學習)。神經網路有輸入層、輸出層和多個隱藏層,層數和神經元(參數)數量足夠多時,可以擬合復雜的通用任務。通過不斷調整參數,最終達到最佳狀態,這就是"深度"的由來。

深度學習技術經歷了多次迭代演進,從早期神經網路,到前饋神經網路、RNN、CNN、GAN,最後發展到現代大模型如GPT使用的Transformer技術。Transformer技術只是神經網路的一個演進方向,增加了轉換器模塊,可以將多模態數據編碼成數值表示再輸入神經網路,實現多模態處理。

AI發展經歷了三次技術浪潮:

1. 20世紀60年代,符號主義技術發展引發第一次浪潮,解決了通用自然語言處理和人機對話問題。同期誕生了專家系統。

2. 1997年,IBM深藍戰勝國際象棋冠軍,標志AI技術迎來第二次高潮。

3. 2006年,深度學習概念提出,開啓第三次技術浪潮。深度學習算法不斷演進,從RNN、GAN到Transformer和Stable Diffusion,聯結主義迎來鼎盛時期。

第三次浪潮中湧現了許多標志性事件:

• 2011年,IBM Watson在《危險邊緣》問答節目中戰勝人類
• 2014年,Goodfellow提出GAN
• 2015年,Hinton等人在《自然》雜志提出深度學習算法
• 2016年,AlphaGo戰勝李世石
• 2017年,Google發布Transformer算法論文
• 2018年,OpenAI發布GPT
• 2020年,OpenAI發布GPT-3
• 2023年,ChatGPT推出並迅速達到1億用戶

深度學習產業鏈

當前大語言模型主要採用基於神經網路的深度學習方法。以GPT爲首的大模型引發新一輪AI熱潮,市場對數據和算力需求激增。本節探討深度學習算法產業鏈的組成及發展狀況。

大模型訓練主要分三步:

1. 預訓練:輸入大量數據對尋找最佳參數,最耗費算力。

2. 微調:使用少量高質量數據訓練,提升模型質量。

3. 強化學習:建立獎勵模型評估輸出質量,自動迭代參數。

影響大模型表現主要有三方面:參數數量、數據量質量、算力。可用經驗公式估算所需計算量。

算力主要使用GPU芯片,如Nvidia的A100、H100等。GPU通過Tensor Core模塊進行浮點運算,芯片性能主要看FP16/FP32精度下的FLOPS。

訓練大模型需要龐大計算量和存儲空間。以GPT-3爲例,1750億參數、1800億Token數據,一次預訓練需584天。GPT-4參數和數據量又增加10倍,需100倍算力。

產業鏈主要包括:

• 硬件GPU提供商:Nvidia佔主導
• 雲服務提供商:傳統雲廠商和AI垂直雲服務商
• 訓練數據源提供商:搜索引擎、社交平台等
• 數據庫提供商:矢量數據庫
• 邊緣設備:冷卻系統、能源供應
• 應用:尚處起步階段

Crypto x AI的關係

區塊鏈技術結合ZK發展成去中心化+去信任化思想。本質上是一個價值網路,每筆交易都是基於代幣的價值轉換。

代幣經濟學能爲網路賦予多維度價值,遠超傳統企業證券。代幣使任何創新和思想都能被賦予價值。

對AI行業,代幣經濟學能重塑產業鏈各環節價值,激勵更多參與。區塊鏈技術的不可篡改和去信任特性也能實現一些需要信任的AI應用。

總之,代幣經濟學促進價值重塑和發現,去中心化帳本解決信任問題,將價值在全球範圍重新流動。

Crypto行業Value Chain項目概覽

GPU供給側

代表項目如Render。GPU雲算力市場不僅面向AI模型訓練推理,也可用於傳統渲染任務,降低單一市場風險。

預計2024年GPU算力需求約750億美元,2032年達7730億美元,CAGR 33.86%。

隨着GPU迭代,大量閒置GPU將在共享網路中發揮長尾價值。但鏈上GPU共享存在數據傳輸帶寬問題。

硬件帶寬

代表項目如Meson Network。但共享帶寬可能是僞需求,地理位置分散導致延遲高於本地存儲。

數據

代表項目如EpiK Protocol、Synesis One、Masa等。Web3數據提供商優勢在於更廣泛的數據採集渠道。ZK方向項目如Masa前景較好。

ZKML

使用同態加密技術實現隱私計算和訓練。代表項目如Axiom、Risc Zero、Ritual等。

AI應用

主要是傳統區塊鏈應用+自動化泛化能力。AI Agent成爲重要方向,代表項目如Fetch.AI。

AI公鏈

爲AI模型或代理構建的自適應網路,如Tensor、Allora等。基於代幣經濟學可顯著降低推理成本。

總結

深度學習技術雖非全部AI發展方向,但已有實際應用場景。代幣經濟學能重塑AI產業鏈價值,區塊鏈技術可解決信任問題。

GPU共享平台雖可利用閒置算力降低成本,但帶寬問題限制其僅適用於不緊急的小模型訓練。

總體而言,AI x Crypto結合具有實際效用,能重塑價值體系、解決信任問題、發現剩餘價值。