AI e ativos de criptografia: do zero ao auge

A tecnologia de inteligência artificial fez avanços significativos nos últimos anos, sendo vista por alguns como a quarta revolução industrial. O surgimento de grandes modelos de linguagem melhorou significativamente a eficiência em várias indústrias, e a Boston Consulting Group acredita que o GPT aumentou a eficiência do trabalho nos EUA em cerca de 20%. Ao mesmo tempo, a capacidade de generalização dos grandes modelos é considerada um novo paradigma de design de software, distinto da programação de código preciso tradicional; o design de software agora incorpora mais a estrutura de grandes modelos de generalização, permitindo que o software tenha melhor desempenho e suporte mais amplo a entradas e saídas de múltiplos modos. A tecnologia de aprendizado profundo realmente trouxe uma nova onda de prosperidade para a indústria de IA, e essa onda também se estendeu ao setor de Ativos de criptografia.

A evolução da indústria de IA

A indústria de IA começou na década de 50, com o objetivo de realizar a visão da inteligência artificial. A academia e a indústria desenvolveram várias correntes para a implementação da inteligência artificial em diferentes períodos e com base em diferentes disciplinas.

As tecnologias modernas de inteligência artificial utilizam principalmente o método de "aprendizagem de máquinas", cuja filosofia é permitir que as máquinas melhorem o desempenho do sistema através de iterações repetidas com base em dados nas tarefas. Os principais passos incluem: inserir dados no algoritmo, treinar o modelo com os dados, testar e implementar o modelo, e usar o modelo para concluir tarefas de previsão automatizada.

Atualmente, o aprendizado de máquina tem três grandes escolas: conectivismo, simbolismo e behaviorismo, que imitam, respectivamente, o sistema nervoso humano, o pensamento e o comportamento. O conectivismo, representado por redes neurais, está em ascensão ( também conhecido como aprendizado profundo ). A arquitetura de redes neurais inclui uma camada de entrada, uma camada de saída e várias camadas ocultas; quando o número de camadas e parâmetros dos neurônios ( é suficientemente grande, é possível modelar tarefas complexas de forma geral. Ajustando continuamente os parâmetros dos neurônios através da entrada de dados, os neurônios eventualmente atingirão o estado ótimo ) parâmetros (.

A tecnologia de aprendizagem profunda também passou por várias iterações e evoluções, desde as redes neurais mais primitivas, passando pelas redes neurais feedforward, RNN, CNN, GAN, até o desenvolvimento de grandes modelos modernos como o GPT que utilizam a tecnologia Transformer. A tecnologia Transformer é apenas uma direção de evolução das redes neurais, adicionando um conversor para codificar dados de várias modalidades ), como áudio, vídeo, imagens, etc. ( em representações numéricas correspondentes, que são então inseridas na rede neural, permitindo que a rede neural se ajuste a qualquer tipo de dado, realizando multimodalidade.

![Novato em Ciência丨AI x Crypto: Do Zero ao Pico])https://img-cdn.gateio.im/webp-social/moments-c50ee5a87373c6cd6c4dc63adc2cf47c.webp(

O desenvolvimento da IA passou por três ondas tecnológicas:

1. Na década de 60, a primeira onda provocada pelo desenvolvimento da tecnologia simbolista resolveu os problemas de processamento de linguagem natural e diálogo homem-máquina. Ao mesmo tempo, os sistemas especialistas nasceram.

2. Em 1997, o Deep Blue da IBM derrotou o campeão mundial de xadrez Garry Kasparov, marcando o segundo auge da tecnologia de IA.

3. Em 2006, o conceito de aprendizagem profunda foi proposto, desencadeando a terceira onda tecnológica. Os algoritmos de aprendizagem profunda evoluíram gradualmente, desde RNN, GAN até Transformer e Stable Diffusion, moldando o auge do conexionismo.

![Novato Informativo丨AI x Ativos de criptografia：Do zero ao auge])https://img-cdn.gateio.im/webp-social/moments-0c9bdea33a39a2c07d1f06760ed7e804.webp(

Cadeia de Indústria de Aprendizagem Profunda

Atualmente, os grandes modelos de linguagem geralmente utilizam métodos de deep learning baseados em redes neurais. Os grandes modelos, representados pelo GPT, desencadearam uma nova onda de entusiasmo em inteligência artificial, com muitos jogadores entrando neste setor, aumentando drasticamente a demanda do mercado por dados e capacidade de computação. Portanto, vamos explorar a cadeia industrial dos algoritmos de deep learning, analisando como suas partes superiores e inferiores são compostas na indústria de IA dominada por deep learning, bem como o estado atual, a relação de oferta e demanda e o desenvolvimento futuro.

O treinamento de grandes modelos de linguagem (LLMs) como o GPT, baseado na tecnologia Transformer, ) é principalmente dividido em três etapas:

1. Pré-treinamento: introduzir grandes pares de dados para encontrar os melhores parâmetros de cada neurônio do modelo. Este é o processo que consome mais poder computacional, necessitando de várias iterações para tentar diferentes parâmetros.

2. Ajuste fino: usar uma pequena quantidade de dados de alta qualidade para treinar, melhorando a qualidade da saída do modelo.

3. Aprendizagem reforçada: estabelecer um "modelo de recompensa" para classificar os resultados de saída do grande modelo, a fim de iterar automaticamente os parâmetros do grande modelo. Às vezes, também é necessária a participação humana na avaliação da qualidade da saída do modelo.

Os três principais fatores que afetam o desempenho de grandes modelos são a quantidade de parâmetros, a quantidade e qualidade dos dados, e a capacidade de computação. Esses três elementos geram toda uma cadeia industrial.

( fornecedor de GPU de hardware

Atualmente, a Nvidia está em uma posição de liderança absoluta no campo do design de chips de GPU de IA. O meio acadêmico usa principalmente GPUs de consumo ), como a série RTX ###, enquanto a indústria utiliza chips como H100 e A100 para a comercialização de grandes modelos.

Em 2023, o mais recente chip H100 da Nvidia foi imediatamente alvo de grandes encomendas por várias empresas. A demanda global pelo chip H100 supera amplamente a oferta, com um ciclo de entrega que já chega a 52 semanas. Para se libertar da dependência da Nvidia, o Google liderou a criação da aliança CUDA com empresas como Intel, Qualcomm, Microsoft e Amazon, para desenvolverem conjuntamente GPUs.

( fornecedor de serviços em nuvem

Os provedores de serviços em nuvem, após adquirirem um número suficiente de GPUs para construir clusters de computação de alto desempenho, oferecem capacidade de computação elástica e soluções de treinamento hospedadas para empresas de IA com recursos financeiros limitados. Atualmente, o mercado está principalmente dividido em três categorias de provedores de capacidade de computação em nuvem:

1. Plataformas de computação em nuvem em grande escala representadas por fornecedores de nuvem tradicionais como AWS, Google Cloud, Azure)

2. A plataforma de computação em nuvem de potência vertical, projetada principalmente para IA ou computação de alto desempenho.

3. Provedores emergentes de inferência como serviço, que principalmente implementam modelos pré-treinados para os clientes e realizam ajustes finos ou inferências.

![Novato Informativo丨AI x Ativos de criptografia：Do zero ao auge]###https://img-cdn.gateio.im/webp-social/moments-8848582a34ba293d15afae15d90e3c95.webp(

) fornecedor de base de dados

Para tarefas de inferência e treino de dados de IA e aprendizagem profunda, a indústria utiliza principalmente "banco de dados de vetores". Os bancos de dados de vetores conseguem armazenar, gerir e indexar eficientemente uma enorme quantidade de dados de vetores de alta dimensão, armazenando dados não estruturados na forma de "vetores".

Os principais jogadores incluem Chroma, Zilliz, Pinecone, Weaviate, entre outros. À medida que a demanda por dados aumenta e surgem grandes modelos e aplicações em vários segmentos, a demanda por bancos de dados vetoriais crescerá significativamente.

dispositivos de borda

Ao montar um cluster de computação de alto desempenho com GPU, consome-se uma grande quantidade de energia e gera-se calor. Para garantir o funcionamento contínuo do cluster, são necessários dispositivos periféricos como sistemas de refrigeração.

Na oferta de energia, a principal fonte utilizada é a eletricidade. Os centros de dados e as redes de suporte atualmente representam 2%-3% do consumo global de eletricidade. A BCG prevê que, até 2030, o consumo de eletricidade para treinar grandes modelos aumentará três vezes.

Em termos de refrigeração, atualmente a ventilação é a principal, mas os sistemas de refrigeração líquida estão recebendo grandes investimentos. A refrigeração líquida é principalmente dividida em três tipos: placa fria, imersão e spray.

Aplicações de IA

Atualmente, o desenvolvimento de aplicações de IA é semelhante ao da indústria de blockchain, com uma infraestrutura muito congestionada, mas o desenvolvimento de aplicações está relativamente atrasado. A maioria das aplicações de IA com o maior número de utilizadores ativos são principalmente aplicações de pesquisa, com tipos bastante homogéneos.

A taxa de retenção de usuários de aplicações de IA é geralmente inferior à das aplicações de internet tradicionais. Em termos de proporção de usuários ativos, a mediana DAU/MAU de software de internet tradicional é de 51%, enquanto a máxima de aplicações de IA é apenas de 41%. Em termos de taxa de retenção de usuários, a mediana dos dez principais softwares de internet tradicionais é de 63%, enquanto a taxa de retenção do ChatGPT é apenas de 56%.

Ativos de criptografia e a relação com a IA

A tecnologia blockchain beneficia-se do desenvolvimento de tecnologias como a prova de conhecimento zero, evoluindo para a ideia de descentralização e desconfiança. Na sua essência, toda a rede blockchain é uma rede de valor, onde cada transação é uma conversão de valor baseada em tokens subjacentes. A economia de tokens estabelece o valor relativo dos tokens nativos da rede de liquidação do ecossistema ### (.

A economia dos tokens pode atribuir valor a qualquer inovação e existência, seja uma ideia ou uma criação física. Este meio de redefinição e descoberta de valor é também crucial para a indústria de IA. A emissão de tokens na cadeia de produção de IA permite que cada etapa reestruture o valor, incentivando mais pessoas a se aprofundarem nas subcategorias da indústria de IA. Os tokens também podem retribuir ao ecossistema, promovendo o surgimento de certas correntes filosóficas.

As características de imutabilidade e ausência de confiança da blockchain também têm significado prático na indústria de IA, podendo implementar algumas aplicações que requerem confiança. Por exemplo, garantir que o modelo, ao usar dados do usuário, não conheça o conteúdo específico dos dados, não vaze informações e retorne resultados de inferência reais. Quando há escassez de GPU, pode-se distribuir através de uma rede blockchain; quando as GPUs são atualizadas, as GPUs ociosas podem contribuir com poder computacional para a rede, recuperando seu valor.

![Novos conhecimentos丨AI x Ativos de criptografia：do zero ao pico])https://img-cdn.gateio.im/webp-social/moments-c8845a5920048e7c821c939e2d8304e7.webp(

Ativos de criptografia indústria visão geral de projetos relacionados à IA

) GPU do lado da oferta

Na cadeia de produção de IA da indústria de ativos de criptografia, o fornecimento de poder de computação é a parte mais importante. Atualmente, os projetos com fundamentos mais sólidos são o Render, que é principalmente utilizado para tarefas de renderização de vídeos que não envolvem grandes modelos.

Previsão da indústria: a demanda por poder de cálculo de GPU em 2024 será de cerca de 75 bilhões de dólares, atingindo 773 bilhões de dólares até 2032, com uma taxa de crescimento anual composta de aproximadamente 33,86%. Com a explosão do mercado de GPU e a influência da Lei de Moore, no futuro haverá uma grande quantidade de GPUs que não são das últimas gerações, essas GPUs ociosas poderão continuar a ter valor na rede compartilhada.

largura de banda de hardware

A largura de banda é frequentemente o principal fator que afeta o tempo de treinamento de grandes modelos, especialmente no campo da computação em nuvem em cadeia. No entanto, a largura de banda compartilhada pode ser um conceito falso, pois para clusters de computação de alto desempenho, os dados são principalmente armazenados nos nós locais, enquanto na largura de banda compartilhada, os dados são armazenados a uma certa distância, e a latência causada por diferenças de localização geográfica será muito maior do que o armazenamento local.

dados

Atualmente, os projetos de fornecimento de dados de IA na indústria de ativos de criptografia incluem EpiK Protocol, Synesis One, Masa, entre outros. Em comparação com as empresas tradicionais de dados, os fornecedores de dados Web3 têm uma vantagem na coleta de dados, pois indivíduos podem contribuir com dados não privados ( e até mesmo contribuir com dados privados ) através da tecnologia de prova de conhecimento zero. Isso expande a cobertura dos projetos, não apenas voltados para empresas, mas também permitindo a precificação de dados de qualquer usuário.

![Novos usuários: AI x Ativos de criptografia: do zero ao auge]###https://img-cdn.gateio.im/webp-social/moments-b97be5c0fd9efe0b79e2e6fcd4493212.webp(

) ZKML( aprendizado de máquina de conhecimento zero)

Para realizar a computação de privacidade de dados e treinamento, a indústria utiliza principalmente soluções de prova de conhecimento zero, empregando tecnologia de encriptação homomórfica para realizar inferências fora da cadeia e, em seguida, fazer o upload dos resultados e da prova de conhecimento zero para a cadeia. Isso garante a privacidade dos dados e também possibilita inferências eficientes e de baixo custo.

Além de projetos de treinamento e inferência off-chain focados em IA, existem alguns projetos de conhecimento zero de uso geral, como Axiom, Risc Zero, Ritual, etc., que podem fornecer provas de conhecimento zero para qualquer computação e dados off-chain, com limites de aplicação mais amplos.

![Novos conhecimentos丨AI x Encriptação：Do zero ao auge]###https://img-cdn.gateio.im/webp-social/moments-a732f2716e6ef577c2e5817efcec3546.webp(

) Aplicações de IA

A aplicação de IA na indústria de ativos de criptografia é semelhante à da indústria de IA tradicional, estando a maior parte na fase de construção de infraestrutura, com o desenvolvimento de aplicações a montante relativamente fraco. Este tipo de aplicação de IA+blockchain é, em grande parte, aplicações tradicionais de blockchain acrescidas de capacidade de automação e generalização, como um Agente de IA que pode executar o caminho ótimo de transações ou empréstimos DeFi com base nas necessidades do usuário.

Fetch.AI é um projeto representativo de Agentes de IA. Define um Agente de IA como "um programa que opera de forma autônoma em uma rede de blockchain, que pode conectar, pesquisar..."