AI x Crypto: от нуля до вершины

Введение

Сфера искусственного интеллекта в последнее время развивается стремительно и рассматривается как четвертая промышленная революция. Появление крупных языковых моделей значительно повысило эффективность различных отраслей, по оценкам, увеличив рабочую эффективность в США примерно на 20%. Генерализирующие способности больших моделей считаются новой парадигмой проектирования программного обеспечения, позволяя программам демонстрировать лучшие результаты и поддерживать более широкий спектр входных и выходных данных. Технологии глубокого обучения действительно принесли новую волну процветания в сферу ИИ, и этот бум также повлиял на индустрию криптовалют.

Этот отчет подробно рассмотрит историю развития AI-индустрии, классификацию технологий, а также влияние технологий глубокого обучения на отрасль. Будет проведен глубокий анализ текущего состояния и тенденций развития таких элементов цепочки поставок, как GPU, облачные вычисления, источники данных и устройства на краю в области глубокого обучения. В сущности будет рассмотрена связь между криптовалютой и AI-индустрией, а также будет проанализирована структура AI-цепочки поставок, связанной с криптовалютой.

История развития AI-индустрии

Сфера искусственного интеллекта начала развиваться с 50-х годов XX века, и в разных эпохах, в разных научных дисциплинах, академическое сообщество и промышленность разработали различные школы для реализации искусственного интеллекта.

Современные технологии искусственного интеллекта в основном используют термин "машинное обучение", основная идея которого заключается в том, чтобы позволить машинам повторно итеративно улучшать производительность системы на основе данных в рамках задач. Основные этапы включают в себя передачу данных алгоритму, обучение модели на этих данных, тестирование и развертывание модели, а также использование модели для выполнения автоматизированных прогнозных задач.

В настоящее время в машинном обучении существует три основных направления: коннекционизм, символизм и бихевиоризм, которые имитируют человеческую нервную систему, мышление и поведение.

! Новичок в популярной науке丨AI x Crypto: от нуля до пика

В настоящее время преобладает соединительный подход, представленный нейронными сетями, также известный как глубокое обучение (. Основная причина этого заключается в том, что такая архитектура имеет входной слой, выходной слой и несколько скрытых слоев. Как только количество слоев и нейронов ), а также параметры ( становятся достаточно большими, появляется возможность для подгонки сложных универсальных задач. Через ввод данных можно постоянно настраивать параметры нейронов, и в конечном итоге, после многократной обработки данных, этот нейрон достигнет оптимального состояния ) параметров (, что также является источником термина "глубокий" — достаточное количество слоев и нейронов.

! [Newcomer Science丨AI x Crypto: от нуля до пика])https://img-cdn.gateio.im/webp-social/moments-0c9bdea33a39a2c07d1f06760ed7e804.webp(

Технология глубокого обучения на основе нейронных сетей также прошла несколько итераций и эволюций, начиная с самых ранних нейронных сетей, затем переходя к полносвязным нейронным сетям, RNN, CNN, GAN и, наконец, эволюционируя в современные большие модели, такие как используемая GPT технология Transformer. Технология Transformer является лишь одним из направлений эволюции нейронных сетей, добавляя преобразователь, который используется для кодирования всех модальностей ), таких как аудио, видео, изображения и т.д., в соответствующие числовые представления. Затем эти данные вводятся в нейронную сеть, что позволяет нейронной сети подстраиваться под любой тип данных и реализовывать мультимодальность.

! Newcomer Science丨AI x Crypto: от нуля до пика

Развитие ИИ прошло через три технологические волны. Первая волна произошла в 60-х годах XX века, и она была вызвана развитием символистских технологий, которые решили общие проблемы обработки естественного языка и взаимодействия человека с машиной. Вторая волна произошла в 1997 году, когда IBM Deep Blue победил чемпиона мира по шахматам, что считается вехой в искусственном интеллекте. Третья волна началась в 2006 году с появления концепции глубокого обучения, что стало золотым временем коннекционизма.

Цепочка поставок глубокого обучения

Текущие большие языковые модели используют методы глубокого обучения на основе нейронных сетей. Большие модели, такие как GPT, породили волну интереса к искусственному интеллекту, привлекая большое количество игроков в эту область, что вызвало бурный рост спроса на данные и вычислительную мощность на рынке. Мы исследуем цепочку поставок алгоритмов глубокого обучения, анализируя состав, текущее состояние и соотношение спроса и предложения, а также будущее развитие.

Обучение больших моделей LLMs, возглавляемых GPT на основе технологии Transformer(, в основном делится на три этапа:

1. Предварительное обучение: поиск оптимальных параметров нейронов модели с помощью большого объема данных, этот процесс требует наибольших вычислительных ресурсов.

2. Тонкая настройка: обучение на небольшом количестве высококачественных данных для повышения качества вывода модели.

3. Обучение с подкреплением: создание модели вознаграждения для сортировки выходных результатов, автоматическая итерация параметров большой модели.

![Новички Краткое Руководство丨AI x Crypto: от нуля до вершины])https://img-cdn.gateio.im/webp-social/moments-8848582a34ba293d15afae15d90e3c95.webp(

На производительность больших моделей в основном влияют три аспекта: количество параметров, объем и качество данных, вычислительная мощность. Предположим, что количество параметров равно p, объем данных равен n), рассчитываемый по количеству токенов(, можно рассчитать необходимое количество вычислений с помощью эмпирического правила, чтобы оценить необходимую вычислительную мощность и время обучения.

Вычислительная мощность обычно измеряется в Flops, что представляет собой одну浮点ную операцию. Согласно практическому опыту, предварительное обучение одной большой модели требует примерно 6np Flops. Для вывода ) входные данные ожидают, что большая модель выдаст (, что требует примерно 2np Flops.

Изначально использовались процессоры CPU для предоставления вычислительной мощности, затем постепенно начали использовать графические процессоры (GPU), такие как чипы Nvidia A100, H100 и другие. GPU выполняют вычисления с плавающей точкой через модуль Tensor Core и являются одним из основных критериев оценки чипов.

Цепочка ценности в области глубокого обучения включает в себя:

1. Поставщик аппаратных GPU
2. Провайдер облачных услуг
3. Поставщики данных для обучения
4. Поставщик баз данных
5. Периферийные устройства
6. Приложение

! [Новичок в науке丨AI x Crypto: от нуля до пика])https://img-cdn.gateio.im/webp-social/moments-53c48daf49a3dbb35c1a2b47e234f180.webp(

Отношения между криптовалютой и ИИ

Блокчейн-технология в сочетании с ZK превращается в идею децентрализации + отказа от доверия. По сути, вся сеть блокчейна является сетью ценностей, каждая транзакция представляет собой преобразование ценности на основе базового токена. Токеномика определяет относительную ценность оригинального токена сети; хотя невозможно установить цену для каждого измерения, цена токена отражает многомерную ценность.

Токеномика может придать ценность сетям, функциям и идеям, превратив все в мире в ценности. Этот метод переопределения и открытия ценности также имеет огромное значение для индустрии ИИ. Выпуск токенов в цепочке поставок ИИ может позволить всем сторонам переосмыслить ценность, мотивируя больше людей углубляться в различные сегменты ИИ. В то же время все проекты получат доход от увеличения капитала, а токены также смогут поддерживать экосистему и способствовать появлению определенной философской идеи.

Неизменяемость технологии блокчейн и отсутствие необходимости в доверии имеют реальное значение в отрасли ИИ, позволяя реализовать некоторые приложения, требующие доверия. Когда GPU недостаточно, можно распределить ресурсы через блокчейн-сеть, что позволяет неиспользуемым GPU также вносить вклад в вычислительную мощность сети и вновь проявлять свою ценность.

В общем, токеномика может способствовать переоценке и открытию ценности, децентрализованные реестры могут решить проблему доверия, позволяя ценности снова свободно перемещаться по всему миру.

! [Новичок в науке丨AI x Crypto: от нуля до пика])https://img-cdn.gateio.im/webp-social/moments-250a286e79261e91a0e7ac4941ff5c76.webp(

Обзор проектов, связанных с AI в криптоиндустрии

1. Сторона предложения GPU:

Основные проекты включают Render и другие. Render был запущен в 2020 году и в основном используется для задач видеорендеринга, не относящихся к большим моделям. Как старый проект DePIN с реальным объемом бизнеса, Render действительно успешно воспользовался ветерком AI/DePIN, но строго говоря, не относится к сегменту AI.

2. Аппаратная пропускная способность:

Основные проекты включают Meson Network и другие. Однако совместное использование пропускной способности может быть ложным понятием, поскольку хранение данных на удаленных серверах может привести к задержкам, что хуже, чем локальное хранение.

3. Данные:

Включая EpiK Protocol, Synesis One, Masa и другие. Преимущество поставщиков данных Web3 заключается в сборе данных, где индивидуумы могут вносить данные и получать за это оплату. Поставщики данных в области ZK, такие как Masa, могут иметь хорошие перспективы для развития.

4. ЗКМЛ:

Используя технологию гомоморфного шифрования, данные обрабатываются вне цепи, а затем результаты и ZK-доказательства загружаются, обеспечивая конфиденциальность данных и эффективность обработки. Основные проекты включают Axiom, Risc Zero, Ritual и другие.

5. Применение ИИ:

В настоящее время развитие довольно слабое. Основное направление — традиционные блокчейн-приложения + автоматизация и обобщающие возможности. AI Agent, такие как Fetch.AI, являются типичными примерами и могут помочь пользователям в сложных цепочных решениях.

6. AI публичная цепочка:

Адаптивные сети, такие как Tensor, Allora, Hypertensor, AgentLayer и другие, специально разработанные для моделей ИИ или агентов.

! [Новичок в науке丨AI x Crypto: от нуля до пика])https://img-cdn.gateio.im/webp-social/moments-8358c377eb2c07467848b3b46dbf1056.webp(

Резюме

Текущие известные направления развития ИИ в основном основаны на технологиях глубокого обучения, но это не означает, что все направления развития ИИ ограничиваются этим. Хотя глубокое обучение может не привести к созданию универсального искусственного интеллекта, уже существуют реальные сценарии применения, которые стоит глубоко изучить.

Блокчейн и токеномика оказывают положительное влияние на индустрию ИИ, могут изменить ценность производственной цепочки и стимулировать большее участие. Технология блокчейн также может реализовать некоторые AI-приложения, требующие доверия.

Недостатками сетей на базе GPU являются проблемы с пропускной способностью и медленная скорость обучения, в настоящее время они более подходят для небольших моделей, не требующих срочной обработки. Средние и крупные компании по-прежнему предпочитают традиционные облачные платформы.

В целом, сочетание ИИ и криптовалют имеет практическую ценность, токеномика может переосмыслить и обнаружить более широкую ценность, децентрализованные книги могут решить проблемы доверия, активируя поток ценности и обнаруживая остаточную ценность.

! [Новичок в науке丨AI x Crypto: от нуля до пика])https://img-cdn.gateio.im/webp-social/moments-c8845a5920048e7c821c939e2d8304e7.webp(