- Tópico
9k Popularidade
106k Popularidade
20k Popularidade
5k Popularidade
29k Popularidade
16k Popularidade
23k Popularidade
14k Popularidade
3k Popularidade
14k Popularidade
- Pino
9k Popularidade
106k Popularidade
20k Popularidade
5k Popularidade
29k Popularidade
16k Popularidade
23k Popularidade
14k Popularidade
3k Popularidade
14k Popularidade
AI e Blockchain: Da exploração técnica à reestruturação da cadeia industrial
A fusão de IA e Blockchain: da infraestrutura à aplicação
A inteligência artificial ( AI ) tem se desenvolvido rapidamente nos últimos anos, sendo vista como um motor chave da nova revolução industrial. O surgimento de grandes modelos de linguagem aumentou significativamente a eficiência do trabalho em vários setores, com a Boston Consulting estimando que o GPT trouxe um aumento de cerca de 20% na eficiência geral do trabalho nos Estados Unidos. Ao mesmo tempo, a capacidade de generalização dos grandes modelos é considerada um novo paradigma de design de software; em comparação com o código preciso tradicional, o design de software atual adota mais frequentemente estruturas de grandes modelos de generalização para suportar entradas e saídas de modalidades mais amplas. As tecnologias de aprendizado profundo trouxeram uma nova onda de prosperidade para a indústria de IA, e essa onda também se estendeu à indústria de criptomoedas.
Este artigo irá explorar detalhadamente a trajetória de desenvolvimento da indústria de IA, a classificação das tecnologias e o impacto do aprendizado profundo na indústria. Vamos analisar profundamente a cadeia industrial do aprendizado profundo, incluindo GPU, computação em nuvem, fontes de dados, dispositivos de borda, etc., organizando seu estado de desenvolvimento e tendências. Em seguida, iremos explorar essencialmente a relação entre criptomoedas e a indústria de IA, e mapear o padrão da cadeia industrial de IA relacionada a criptomoedas.
A evolução 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 correntes em diferentes contextos históricos. As tecnologias modernas de inteligência artificial usam principalmente o método de "aprendizado de máquina", cuja ideia central é permitir que as máquinas melhorem o desempenho do sistema por meio de dados, iterando continuamente nas tarefas. Os principais passos incluem inserir dados no algoritmo, treinar o modelo, testar e implementar, e finalmente alcançar previsões automatizadas.
Atualmente, o aprendizado de máquina tem três grandes correntes: Conexismo, Simbolismo e Behaviorismo, que imitam, respetivamente, o sistema nervoso humano, o pensamento e o comportamento. Dentre elas, o Conexismo, representado pelas redes neurais, domina, sendo também conhecido como aprendizado profundo. A arquitetura da rede neural inclui camadas de entrada, saída e múltiplas camadas ocultas; com o aumento do número de camadas e de neurônios (, pode-se ajustar tarefas gerais mais complexas. Ao ajustar continuamente os parâmetros com a entrada de dados, chega-se ao estado ideal, que é também a origem do "profundo".
![Novato Informativo丨AI x Crypto: Do Zero ao Pico])https://img-cdn.gateio.im/webp-social/moments-c50ee5a87373c6cd6c4dc63adc2cf47c.webp(
A tecnologia de aprendizado profundo passou por várias evoluções, desde as primeiras redes neurais, até redes neurais feedforward, RNN, CNN, GAN, e finalmente desenvolveu-se para os modernos grandes modelos como o GPT, que utilizam a tecnologia Transformer. O Transformer, ao adicionar conversores, pode codificar dados multimodais ), como áudio, vídeo, imagens, etc., ( em representações numéricas correspondentes, permitindo assim o ajuste de qualquer tipo de dado.
O desenvolvimento da IA passou por três ondas tecnológicas:
Anos 60 do século XX: A primeira onda foi desencadeada pela tecnologia de simbolismo, resolvendo problemas de processamento de linguagem natural e diálogo homem-máquina. Ao mesmo tempo, os sistemas especialistas nasceram.
1997: IBM Deep Blue vence o campeão de xadrez, marcando o segundo auge da tecnologia de IA.
Desde 2006: os três gigantes do aprendizado profundo introduziram o conceito de aprendizado profundo, os algoritmos evoluíram gradualmente, formando a terceira onda tecnológica, que também é o auge do conexionismo.
Nos últimos anos, surgiram vários eventos emblemáticos na área de IA, incluindo:
![Novos conhecimentos丨AI x Crypto: Do zero ao auge])https://img-cdn.gateio.im/webp-social/moments-0c9bdea33a39a2c07d1f06760ed7e804.webp(
Cadeia de Indústria de Aprendizado Profundo
Os grandes modelos de linguagem atuais são principalmente baseados em métodos de aprendizado profundo com redes neurais. Os grandes modelos, representados pelo GPT, desencadearam uma nova onda de entusiasmo pela IA, e a demanda do mercado por dados e poder computacional aumentou significativamente. Vamos focar na composição da cadeia industrial dos algoritmos de aprendizado profundo, bem como no estado atual, nas relações de oferta e demanda e nas tendências de desenvolvimento futuro.
Os modelos de linguagem de grande escala baseados na tecnologia Transformer )LLMs( são treinados principalmente em três etapas:
Pré-treinamento: Introduzir pares de dados em grande quantidade para encontrar os melhores parâmetros para os neurônios. Esta fase consome mais poder de computação e requer tentativas iterativas repetidas de vários parâmetros.
Ajuste fino: usar uma pequena quantidade, mas de alta qualidade, de dados para treinar, melhorando a qualidade da saída do modelo.
Aprendizagem por reforço: estabelecer um modelo de recompensa para classificar os resultados de saída, utilizado para a iteração automática dos parâmetros do grande modelo. Às vezes, é necessária a participação humana na avaliação.
O desempenho do modelo é determinado principalmente por três fatores: a quantidade de parâmetros, a quantidade e qualidade dos dados, e a capacidade computacional. Quanto mais parâmetros, maior o limite de capacidade de generalização do modelo. De acordo com a regra prática, treinar um grande modelo pré-treinado requer aproximadamente 6np Flops de capacidade computacional, onde n é o número de Tokens e p é o número de parâmetros.
O treinamento inicial de IA utilizava principalmente CPU para fornecer poder computacional, mas depois passou gradualmente a usar GPU, como os chips A100 e H100 da NVIDIA. A GPU realiza operações de ponto flutuante através do módulo Tensor Core, e os dados de Flops em precisão FP16/FP32 são um indicador importante do desempenho do chip.
Tomando o GPT-3 como exemplo, possui 175 bilhões de parâmetros e 180 bilhões de tokens de dados de treinamento. Um pré-treinamento requer cerca de 3,15*10^22 Flops, e mesmo utilizando os chips GPU mais avançados, leva centenas de dias. À medida que a escala do modelo aumenta, a demanda por poder computacional cresce de forma exponencial.
Durante o processo de treinamento do modelo, o armazenamento de dados também enfrenta desafios. Devido à memória limitada da GPU, é necessário transferir dados com frequência entre o disco rígido e a memória, e a largura de banda do chip torna-se um fator crítico. Durante o treinamento paralelo com múltiplas GPUs, a taxa de transferência de dados entre os chips também é muito importante. Portanto, a capacidade de cálculo do chip não é o único gargalo; a largura de banda da memória é frequentemente mais crucial.
A cadeia de indústria de aprendizado profundo inclui principalmente os seguintes elos:
Fornecedor de hardware GPU: A NVIDIA está em posição de monopolio no mercado de chips de IA de alta gama. Empresas como Google e Intel também estão desenvolvendo seus próprios chips de IA.
Provedores de serviços em nuvem: dividem-se principalmente em três categorias: provedores de nuvem tradicionais ) como AWS, Google Cloud (, provedores de serviços em nuvem de IA vertical ) como CoreWeave (, e provedores de inferência como serviço ) como Together.ai (.
Fornecedor de dados de treino: fornece uma grande quantidade de dados, de alta qualidade e específicos, para modelos grandes e modelos de domínio vertical.
Fornecedor de banco de dados: principalmente bancos de dados vetoriais, utilizados para armazenamento e processamento eficiente de dados não estruturados.
Dispositivos de borda: incluindo sistemas de fornecimento de energia e refrigeração, para suportar a operação de clusters de computação em larga escala.
Aplicações: diversos aplicativos de IA desenvolvidos com base em grandes modelos, como sistemas de diálogo, ferramentas de criação, etc.
![Novos Conhecimentos丨AI x Crypto: Do Zero ao Pico])https://img-cdn.gateio.im/webp-social/moments-609c5dd6ee0abcec6bf9c118d7741867.webp(
A relação entre criptomoedas e IA
A tecnologia Blockchain tem como núcleo a descentralização e a desconfiança. O Bitcoin criou um sistema de transferência de valor sem confiança, enquanto o Ethereum avançou na realização de uma plataforma de contratos inteligentes descentralizada e sem confiança. Essencialmente, a rede Blockchain é uma rede de valor, onde cada transação é uma conversão de valor baseada no token subjacente.
No Internet tradicional, o valor das empresas é principalmente refletido através do fluxo de caixa e do preço/lucro. No ecossistema Blockchain, o token nativo ) como ETH( carrega um valor multidimensional da rede, podendo não apenas gerar rendimentos de staking, mas também servir como meio de troca de valor, método de armazenamento e produto de consumo para atividades na rede. A economia dos tokens define o valor relativo dos ativos de liquidação do ecossistema; embora seja difícil precificar cada dimensão separadamente, o preço do token reflete de forma abrangente o valor multidimensional.
O encanto dos tokens reside na capacidade de atribuir valor a qualquer função ou ideia. A economia dos tokens redefine e descobre novas formas de valor, sendo crucial para diversas indústrias, incluindo a IA. Na indústria de IA, a emissão de tokens pode reestruturar o valor em todas as partes da cadeia produtiva, incentivando mais participantes a se aprofundarem em nichos específicos. Os tokens não só trazem fluxo de caixa, mas também podem aumentar o valor da infraestrutura através de efeitos de sinergia, formando o paradigma de "protocolos robustos e aplicações enxutas".
A característica de imutabilidade e a necessidade de confiança da tecnologia Blockchain também trazem um significado prático para a indústria de IA. Ela pode viabilizar algumas aplicações que necessitam de confiança, como garantir que o modelo não vaze privacidade ao usar dados dos usuários. Quando há escassez de GPU, pode-se distribuir poder computacional através da rede Blockchain; quando as GPUs são atualizadas, dispositivos antigos ociosos também podem continuar a contribuir com valor. Estas são vantagens únicas da rede de valor globalizada.
![Novato Ciência Pop丨AI x Crypto: Do Zero ao Pico])https://img-cdn.gateio.im/webp-social/moments-f37fb0100218188368f4d31940aab2a3.webp(
Visão Geral dos Projetos da Cadeia de Indústria de IA no Setor de Criptomoedas
Os principais projetos incluem Render, Golem, entre outros. Render, como um projeto de infraestrutura descentralizada mais maduro, destina-se principalmente a tarefas de renderização de vídeo e outras que não são de grandes modelos. Com o crescimento da demanda por IA e a iteração de GPUs, a necessidade de compartilhamento de poder computacional de GPU pode aumentar, oferecendo oportunidades de descoberta de valor para GPUs ociosas.
Projetos típicos como a Meson Network visam estabelecer uma rede de compartilhamento de largura de banda global. No entanto, o compartilhamento de largura de banda pode ser uma demanda falsa, pois para clusters de computação de alto desempenho, a latência do armazenamento de dados local é muito inferior à do armazenamento distribuído.
Os projetos EpiK Protocol, Synesis One e Masa oferecem serviços de dados de treinamento de IA. O Masa, por sua vez, baseia-se na tecnologia de prova de conhecimento nulo e suporta a coleta de dados privados. A vantagem desse tipo de projeto reside na capacidade de realizar uma ampla coleta de dados e incentivar os usuários a contribuir com dados por meio de tokens.
Usar tecnologia de prova de conhecimento zero para implementar computação e treinamento privados. Os principais projetos incluem Modulus Labs, Giza, entre outros. Alguns projetos ZK de uso geral como Axiom e Risc Zero também merecem atenção.
Principalmente combinar a capacidade de IA com aplicações tradicionais de Blockchain, como AI Agent. Fetch.AI é um projeto representativo, que ajuda os usuários a tomar decisões complexas na cadeia através de agentes inteligentes.
Como Tensor, Allora, Hypertensor, etc., redes adaptativas construídas especificamente para modelos ou agentes de IA. Este tipo de projeto geralmente adota mecanismos semelhantes ao aprendizado por reforço, melhorando os parâmetros do modelo através de avaliadores on-chain.
![Novato Ponto de Vista丨AI x Crypto: Do Zero ao Pico])https://img-cdn.gateio.im/webp-social/moments-8848582a34ba293d15afae15d90e3c95.webp(
Resumo
Apesar de o desenvolvimento atual da IA estar principalmente focado em tecnologias de aprendizagem profunda, ainda existem outros caminhos potenciais de tecnologia de IA que valem a pena ser considerados. Embora a aprendizagem profunda possa não ser capaz de alcançar a inteligência artificial geral, ela já foi amplamente aplicada em áreas como sistemas de recomendação, tendo valor prático.
A tecnologia Blockchain e a economia de tokens trouxeram novas definições de valor e mecanismos de descoberta para a indústria de IA. Elas podem remodelar o valor em todas as etapas da cadeia de produção de IA, incentivar mais participantes e realizar uma alocação eficiente de recursos através de uma rede de valor global.
No entanto, as redes GPU descentralizadas ainda apresentam desvantagens em termos de largura de banda e ferramentas para desenvolvedores, sendo atualmente mais adequadas para o treinamento de pequenos modelos que não são urgentes. Para grandes empresas e tarefas críticas, as plataformas de serviços em nuvem tradicionais ainda são mais vantajosas.
No geral, a combinação de IA com Blockchain possui utilidade prática e potencial a longo prazo. A economia de tokens pode reestruturar e descobrir um valor mais amplo, enquanto o livro-razão descentralizado pode resolver problemas de confiança, promovendo o fluxo de valor e a descoberta de valor residual em uma escala global. Com o desenvolvimento da tecnologia e o aperfeiçoamento do ecossistema, a fusão de IA com Blockchain promete trazer mais inovações e oportunidades.