Sự kết hợp giữa AI và Tài sản tiền điện tử: Từ con số không đến đỉnh cao

Công nghệ trí tuệ nhân tạo đã đạt được những bước đột phá trong những năm gần đây, được một số người coi là cuộc cách mạng công nghiệp lần thứ tư. Sự xuất hiện của các mô hình ngôn ngữ lớn đã nâng cao hiệu quả của nhiều ngành công nghiệp, công ty tư vấn Boston cho rằng GPT đã cải thiện khoảng 20% hiệu suất làm việc tại Mỹ. Đồng thời, khả năng tổng quát của các mô hình lớn được coi là một kiểu thiết kế phần mềm mới, khác với việc viết mã chính xác truyền thống, hiện tại thiết kế phần mềm ngày càng nhiều hơn là nhúng khuôn khổ mô hình lớn tổng quát vào phần mềm, giúp phần mềm có hiệu suất tốt hơn và hỗ trợ đầu vào đầu ra đa dạng hơn. Công nghệ học sâu thực sự đã mang lại một làn sóng thịnh vượng mới cho ngành AI, làn sóng này cũng đã lan sang ngành Tài sản tiền điện tử.

Lịch sử phát triển của ngành AI

Ngành AI bắt đầu từ những năm 1950, nhằm hiện thực hóa tầm nhìn về trí tuệ nhân tạo, giới học thuật và ngành công nghiệp đã phát triển nhiều trường phái khác nhau để hiện thực hóa trí tuệ nhân tạo dựa trên các bối cảnh kỷ thuật khác nhau trong các thời kỳ khác nhau.

Công nghệ trí tuệ nhân tạo hiện đại chủ yếu sử dụng phương pháp "học máy", ý tưởng của nó là để máy móc dựa vào dữ liệu lặp đi lặp lại trong nhiệm vụ để cải thiện hiệu suất hệ thống. Các bước chính bao gồm: nhập dữ liệu vào thuật toán, sử dụng dữ liệu để huấn luyện mô hình, kiểm tra triển khai mô hình, sử dụng mô hình để hoàn thành nhiệm vụ dự đoán tự động.

Hiện nay, học máy chủ yếu có ba trường phái lớn: Liên kết, Tượng trưng và Hành vi, lần lượt mô phỏng hệ thống thần kinh, tư duy và hành vi của con người. Liên kết với mạng nơ-ron là đại diện chiếm ưu thế ( còn được gọi là học sâu ). Cấu trúc mạng nơ-ron bao gồm một lớp đầu vào, một lớp đầu ra và nhiều lớp ẩn, khi số lớp và số tham số nơ-ron ( đủ nhiều, nó có thể khớp với các nhiệm vụ phức tạp tổng quát. Bằng cách điều chỉnh liên tục các tham số nơ-ron qua việc nhập dữ liệu, cuối cùng nơ-ron sẽ đạt được trạng thái tối ưu ) tham số (.

Công nghệ học sâu cũng đã trải qua nhiều lần lặp lại và tiến hóa, từ mạng nơ-ron đầu tiên, đến mạng nơ-ron truyền tiếp, RNN, CNN, GAN, cuối cùng phát triển thành các mô hình lớn hiện đại như công nghệ Transformer được sử dụng bởi GPT. Công nghệ Transformer chỉ là một hướng tiến hóa của mạng nơ-ron, đã thêm một bộ chuyển đổi, dùng để mã hóa dữ liệu từ nhiều kiểu khác nhau ) như âm thanh, video, hình ảnh, v.v. ( thành các biểu diễn số tương ứng, sau đó đưa vào mạng nơ-ron, giúp mạng nơ-ron có thể khớp với bất kỳ loại dữ liệu nào, thực hiện đa mô hình.

![Người mới phổ cập丨AI x Tài sản tiền điện tử：Từ số không đến đỉnh cao])https://img-cdn.gateio.im/webp-social/moments-c50ee5a87373c6cd6c4dc63adc2cf47c.webp(

Sự phát triển của AI đã trải qua ba làn sóng công nghệ:

1. Những năm 1960, làn sóng đầu tiên do sự phát triển của công nghệ biểu tượng đã giải quyết vấn đề xử lý ngôn ngữ tự nhiên và đối thoại giữa người và máy. Cùng thời gian, hệ thống chuyên gia ra đời.

2. Năm 1997, IBM Deep Blue đánh bại nhà vô địch cờ vua Garry Kasparov, đánh dấu cao trào lần thứ hai của công nghệ AI.

3. Năm 2006, khái niệm học sâu được đề xuất, tạo ra làn sóng công nghệ thứ ba. Các thuật toán học sâu dần tiến hóa, từ RNN, GAN đến Transformer và Stable Diffusion, định hình thời kỳ hưng thịnh của chủ nghĩa liên kết.

![Người mới phổ cập丨AI x Crypto：Từ số không đến đỉnh cao])https://img-cdn.gateio.im/webp-social/moments-0c9bdea33a39a2c07d1f06760ed7e804.webp(

Chuỗi công nghiệp học sâu

Các mô hình ngôn ngữ lớn hiện nay thường sử dụng phương pháp học sâu dựa trên mạng nơ-ron. Các mô hình lớn đại diện như GPT đã gây ra một làn sóng mới trong lĩnh vực trí tuệ nhân tạo, với nhiều người chơi đổ vào lĩnh vực này, nhu cầu về dữ liệu và năng lực tính toán trên thị trường tăng vọt. Do đó, chúng tôi tập trung thảo luận về chuỗi công nghiệp của các thuật toán học sâu, phân tích cách mà các thành phần thượng nguồn và hạ nguồn trong ngành AI do học sâu dẫn dắt được cấu thành, cũng như tình trạng hiện tại, mối quan hệ cung cầu và phát triển trong tương lai của các thành phần này.

Việc đào tạo các mô hình ngôn ngữ lớn như GPT dựa trên công nghệ Transformer )LLMs( chủ yếu được chia thành ba bước:

1. Huấn luyện trước: Nhập vào một lượng lớn cặp dữ liệu, tìm kiếm tham số tối ưu cho từng nơ-ron trong mô hình. Đây là quá trình tốn nhiều sức mạnh tính toán nhất, cần lặp đi lặp lại để thử nghiệm các tham số khác nhau.

2. Điều chỉnh: Sử dụng một lượng nhỏ nhưng dữ liệu chất lượng cao để huấn luyện, nâng cao chất lượng đầu ra của mô hình.

3. Học tăng cường: Xây dựng một "mô hình phần thưởng", xếp hạng các kết quả đầu ra của mô hình lớn, dùng cho việc tự động lặp lại các tham số của mô hình lớn. Đôi khi cũng cần có sự tham gia của con người để đánh giá chất lượng đầu ra của mô hình.

Ba yếu tố chính ảnh hưởng đến hiệu suất của mô hình lớn là số lượng tham số, khối lượng và chất lượng dữ liệu, và sức mạnh tính toán. Ba yếu tố này tạo ra một chuỗi công nghiệp hoàn chỉnh.

![Người mới tìm hiểu丨AI x Tài sản tiền điện tử：Từ con số 0 đến đỉnh cao])https://img-cdn.gateio.im/webp-social/moments-609c5dd6ee0abcec6bf9c118d7741867.webp(

) nhà cung cấp GPU phần cứng

Hiện tại, Nvidia đang ở vị trí dẫn đầu tuyệt đối trong lĩnh vực thiết kế chip GPU AI. Học viện chủ yếu sử dụng GPU tiêu dùng ### như dòng RTX (, trong khi ngành công nghiệp chủ yếu sử dụng các chip H100, A100 và những chip khác để thương mại hóa các mô hình lớn.

Năm 2023, chip H100 mới nhất của Nvidia ngay khi ra mắt đã nhận được hàng loạt đơn đặt hàng từ nhiều công ty. Nhu cầu toàn cầu đối với chip H100 vượt xa nguồn cung, thời gian giao hàng đã lên tới 52 tuần. Để thoát khỏi sự phụ thuộc vào Nvidia, Google đã dẫn đầu thành lập Liên minh CUDA cùng với Intel, Qualcomm, Microsoft, Amazon và các công ty khác để cùng phát triển GPU.

![Người mới phổ cập丨AI x Tài sản tiền điện tử：Từ số không đến đỉnh cao])https://img-cdn.gateio.im/webp-social/moments-f37fb0100218188368f4d31940aab2a3.webp(

) nhà cung cấp dịch vụ đám mây

Các nhà cung cấp dịch vụ đám mây, sau khi mua đủ GPU để xây dựng các cụm tính toán hiệu năng cao, cung cấp khả năng tính toán linh hoạt và giải pháp đào tạo được quản lý cho các doanh nghiệp AI có nguồn vốn hạn chế. Hiện tại, thị trường chủ yếu được chia thành ba loại nhà cung cấp sức mạnh tính toán đám mây:

1. Nền tảng điện toán đám mây quy mô lớn điển hình do các nhà cung cấp đám mây truyền thống đại diện như AWS, Google Cloud, Azure###

2. Nền tảng điện toán đám mây cho các lĩnh vực dọc, chủ yếu được thiết kế cho AI hoặc tính toán hiệu suất cao.

3. Các nhà cung cấp dịch vụ suy diễn mới nổi, chủ yếu triển khai các mô hình đã được đào tạo trước cho khách hàng và thực hiện tinh chỉnh hoặc suy diễn.

( Nhà cung cấp cơ sở dữ liệu

Đối với dữ liệu AI và các tác vụ suy diễn trong đào tạo học sâu, ngành công nghiệp chủ yếu sử dụng "cơ sở dữ liệu vector". Cơ sở dữ liệu vector có thể lưu trữ, quản lý và lập chỉ mục hiệu quả một khối lượng lớn dữ liệu vector chiều cao, lưu trữ dữ liệu phi cấu trúc dưới dạng "vector" một cách thống nhất.

Các người chơi chính bao gồm Chroma, Zilliz, Pinecone, Weaviate, v.v. Khi nhu cầu dữ liệu tăng lên và sự xuất hiện của các mô hình lớn và ứng dụng trong các lĩnh vực phân khúc, nhu cầu về cơ sở dữ liệu vector sẽ tăng mạnh.

![Người mới kiến thức丨AI x Tài sản tiền điện tử：Từ số không đến đỉnh cao])https://img-cdn.gateio.im/webp-social/moments-53c48daf49a3dbb35c1a2b47e234f180.webp###

( thiết bị biên

Trong việc xây dựng cụm tính toán hiệu suất cao GPU, sẽ tiêu tốn một lượng lớn năng lượng và phát sinh nhiệt. Để đảm bảo cụm hoạt động liên tục, cần có các thiết bị biên như hệ thống làm mát.

Trong cung cấp năng lượng, chủ yếu sử dụng điện năng. Các trung tâm dữ liệu và mạng hỗ trợ hiện chiếm 2%-3% tiêu thụ điện toàn cầu. BCG dự đoán đến năm 2030, mức tiêu thụ điện để đào tạo các mô hình lớn sẽ tăng gấp ba lần.

Trong việc tản nhiệt, hiện tại chủ yếu là tản nhiệt bằng không khí, nhưng hệ thống tản nhiệt bằng chất lỏng đang nhận được nhiều đầu tư. Tản nhiệt bằng chất lỏng chủ yếu được chia thành ba loại: tấm lạnh, ngâm và phun.

![Người mới kiến thức丨AI x Crypto: Từ số không đến đỉnh cao])https://img-cdn.gateio.im/webp-social/moments-250a286e79261e91a0e7ac4941ff5c76.webp###

( Ứng dụng AI

Hiện nay, sự phát triển của ứng dụng AI tương tự như ngành công nghiệp blockchain, cơ sở hạ tầng rất đông đúc, nhưng phát triển ứng dụng thì tương đối chậm. Hiện tại, số lượng người dùng tích cực nhiều nhất của các ứng dụng AI chủ yếu là các ứng dụng tìm kiếm, loại hình tương đối đơn giản.

Tỷ lệ giữ chân người dùng của ứng dụng AI thường thấp hơn so với ứng dụng Internet truyền thống. Về tỷ lệ người dùng hoạt động, tỷ lệ DAU/MAU trung vị của phần mềm Internet truyền thống là 51%, trong khi ứng dụng AI cao nhất chỉ đạt 41%. Về tỷ lệ giữ chân người dùng, tỷ lệ trung vị của mười phần mềm Internet truyền thống đứng đầu là 63%, trong khi tỷ lệ giữ chân của ChatGPT chỉ là 56%.

![Người mới phổ cập丨AI x Crypto: Từ không đến đỉnh cao])https://img-cdn.gateio.im/webp-social/moments-8358c377eb2c07467848b3b46dbf1056.webp###

Tài sản tiền điện tử và mối quan hệ với AI

Công nghệ blockchain đã phát triển nhờ vào sự tiến bộ của các công nghệ như chứng minh không kiến thức, chuyển biến thành tư tưởng phi tập trung và phi tín nhiệm. Về bản chất, toàn bộ mạng lưới blockchain là một mạng lưới giá trị, mỗi giao dịch đều là sự chuyển đổi giá trị dựa trên các token cơ sở. Kinh tế token quy định giá trị tương đối của token gốc mạng lưới ( trong hệ sinh thái thanh toán.

Kinh tế token có thể trao giá trị cho bất kỳ đổi mới và sự tồn tại nào, bất kể là ý tưởng hay sáng tạo vật chất. Phương tiện tái định nghĩa và phát hiện giá trị này cũng rất quan trọng đối với ngành AI. Việc phát hành token trong chuỗi công nghiệp AI có thể giúp tái cấu trúc giá trị ở từng khâu, khuyến khích nhiều người hơn tham gia vào các lĩnh vực phân khúc của ngành AI. Token cũng có thể hỗ trợ hệ sinh thái, thúc đẩy sự ra đời của một số tư tưởng triết học.

Tính không thể thay đổi và đặc tính không cần tin tưởng của blockchain cũng có ý nghĩa thực tiễn trong ngành AI, có thể thực hiện một số ứng dụng cần sự tin tưởng. Ví dụ, đảm bảo rằng mô hình không biết nội dung dữ liệu cụ thể khi sử dụng dữ liệu người dùng, không rò rỉ dữ liệu, và trả về kết quả suy luận chính xác. Khi nguồn cung GPU không đủ, có thể phân phối qua mạng blockchain; khi GPU được cải tiến, GPU không sử dụng có thể đóng góp sức mạnh tính toán cho mạng, phát huy lại giá trị.

![Người mới phổ cập丨AI x Crypto: Từ số không đến đỉnh cao])https://img-cdn.gateio.im/webp-social/moments-c8845a5920048e7c821c939e2d8304e7.webp(

Tài sản tiền điện tử ngành AI liên quan dự án tổng quan

) Cung cấp GPU

Trong chuỗi công nghiệp AI của ngành tài sản tiền điện tử, việc cung cấp sức mạnh tính toán là một khâu quan trọng nhất. Hiện tại, các dự án có nền tảng cơ bản tốt là Render, chủ yếu được sử dụng cho các nhiệm vụ render video không phải mô hình lớn.

Dự đoán ngành công nghiệp năm 2024, nhu cầu sức mạnh tính toán GPU khoảng 75 tỷ USD, đến năm 2032 sẽ đạt 773 tỷ USD, tỷ lệ tăng trưởng hàng năm khoảng 33,86%. Với sự bùng nổ của thị trường GPU và ảnh hưởng của định luật Moore, trong tương lai sẽ hình thành một lượng lớn GPU không phải thế hệ mới nhất, những GPU không sử dụng này có thể tiếp tục phát huy giá trị trong mạng lưới chia sẻ.

băng thông phần cứng

Băng thông thường là yếu tố chính ảnh hưởng đến thời gian huấn luyện mô hình lớn, đặc biệt trong lĩnh vực điện toán đám mây trên chuỗi. Tuy nhiên, băng thông chia sẻ có thể là một khái niệm giả, vì đối với cụm tính toán hiệu suất cao, dữ liệu chủ yếu được lưu trữ tại các nút địa phương, trong khi dữ liệu trong băng thông chia sẻ được lưu trữ ở một khoảng cách nhất định, độ trễ do sự khác biệt về vị trí địa lý sẽ cao hơn nhiều so với lưu trữ tại chỗ.

dữ liệu

Hiện tại, các dự án cung cấp dữ liệu AI trong ngành Tài sản tiền điện tử đã được ra mắt bao gồm EpiK Protocol, Synesis One, Masa, v.v. So với các doanh nghiệp dữ liệu truyền thống, các nhà cung cấp dữ liệu Web3 có lợi thế trong việc thu thập dữ liệu, vì cá nhân có thể đóng góp dữ liệu không riêng tư ( và thậm chí đóng góp dữ liệu riêng tư ) thông qua công nghệ chứng minh không kiến thức. Điều này mở rộng phạm vi dự án, không chỉ hướng đến doanh nghiệp mà còn có thể định giá dữ liệu cho bất kỳ người dùng nào.

![Người mới phổ cập丨AI x Crypto：Từ số không đến đỉnh cao]###https://img-cdn.gateio.im/webp-social/moments-b97be5c0fd9efe0b79e2e6fcd4493212.webp(

) ZKML( máy học không biết )

Để thực hiện tính toán và huấn luyện dữ liệu riêng tư, trong ngành chủ yếu sử dụng giải pháp chứng minh không kiến thức, sử dụng công nghệ mã hóa đồng nhất để suy diễn ngoài chuỗi, sau đó tải kết quả và chứng minh không kiến thức lên chuỗi. Điều này vừa đảm bảo tính riêng tư của dữ liệu, vừa đạt được suy diễn hiệu quả với chi phí thấp.

Ngoài việc tập trung vào các dự án đào tạo và suy luận chuỗi ngoài trong lĩnh vực AI, còn có một số dự án chứng minh không kiến thức tổng quát, chẳng hạn như Axiom, Risc Zero, Ritual, chúng có thể cung cấp chứng minh không kiến thức cho bất kỳ tính toán và dữ liệu chuỗi ngoài nào, ứng dụng có phạm vi rộng hơn.

![Người mới phổ cập丨AI x Tài sản tiền điện tử：Từ số không đến đỉnh cao]###https://img-cdn.gateio.im/webp-social/moments-a732f2716e6ef577c2e5817efcec3546.webp(

) Ứng dụng AI

Tình hình ứng dụng AI trong ngành Tài sản tiền điện tử tương tự như ngành AI truyền thống, phần lớn vẫn ở giai đoạn xây dựng cơ sở hạ tầng, phát triển ứng dụng hạ nguồn tương đối yếu. Những ứng dụng AI + blockchain này chủ yếu là ứng dụng blockchain truyền thống cộng với khả năng tự động hóa và tổng quát, như AI Agent có thể thực hiện giao dịch DeFi tối ưu hoặc lộ trình vay mượn dựa trên nhu cầu của người dùng.

Fetch.AI là một dự án đại diện cho AI Agent. Nó định nghĩa AI Agent là "một chương trình tự vận hành trên mạng blockchain, có thể kết nối, tìm kiếm..."