Sự phát triển của ngành AI và sự hòa nhập với Tài sản tiền điện tử

Ngành công nghiệp trí tuệ nhân tạo đã phát triển mạnh mẽ trong những năm gần đây, được coi là một phần quan trọng của cuộc cách mạng công nghiệp lần thứ tư. Sự xuất hiện của các mô hình ngôn ngữ lớn đã nâng cao đáng kể hiệu suất của các ngành khác nhau, Boston Consulting ước tính GPT đã nâng cao khoảng 20% hiệu suất công việc ở Mỹ. Khả năng tổng quát của các mô hình lớn được coi là một mô hình thiết kế phần mềm mới, so với thiết kế mã chính xác truyền thống, phần mềm hiện tại thường nhúng vào khung mô hình lớn tổng quát hơn, từ đó đạt được hiệu suất tốt hơn và hỗ trợ nhiều kiểu hình hơn. Công nghệ học sâu đã mang lại một làn sóng thịnh vượng mới cho ngành công nghiệp AI, và làn sóng này cũng đã mở rộng đến Tài sản tiền điện tử.

Lịch sử phát triển ngành AI

Ngành AI bắt đầu từ những năm 1950, giới học thuật và ngành công nghiệp đã đề xuất nhiều tuyến kỹ thuật khác nhau để hiện thực hóa trí tuệ nhân tạo vào những thời điểm khác nhau. Hiện nay, phương pháp chính là dựa trên học máy, với ý tưởng cốt lõi là cho phép máy cải thiện hiệu suất hệ thống thông qua việc lặp đi lặp lại với một lượng lớn dữ liệu. Học máy chủ yếu được chia thành ba trường phái lớn: kết nối, biểu tượng và hành vi, lần lượt mô phỏng hệ thần kinh, tư duy và hành vi của con người.

Hiện tại, chủ nghĩa liên kết đại diện bởi mạng nơ-ron đang chiếm ưu thế, còn được gọi là học sâu. Mạng nơ-ron có lớp đầu vào, lớp đầu ra và nhiều lớp ẩn, thông qua việc đào tạo với một lượng lớn tham số và dữ liệu để mô phỏng các nhiệm vụ tổng quát phức tạp. Công nghệ học sâu đã trải qua nhiều lần tiến hóa, từ mạng nơ-ron ban đầu, RNN, CNN, đến các mô hình hiện đại như Transformer.

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

1. Những năm 1960, công nghệ chủ nghĩa ký hiệu đã gây ra làn sóng đầu tiên, giải quyết các vấn đề về xử lý ngôn ngữ tự nhiên tổng quát và đối thoại giữa người và máy.

2. Vào những năm 1990, IBM Deep Blue đã đánh bại nhà vô địch cờ vua, AI đã bước vào giai đoạn phát triển thứ hai.

3. Kể từ năm 2006, sự trỗi dậy của học sâu đã gây ra làn sóng thứ ba. Ba ông lớn của học sâu đã đưa ra các khái niệm liên quan, sau đó các thuật toán như RNN, GAN đến Transformer liên tục tiến hóa.

Trong những năm gần đây, lĩnh vực AI đã xuất hiện nhiều sự kiện mang tính cột mốc:

• Năm 2011, IBM Watson đã đánh bại con người trong chương trình hỏi đáp Jeopardy!
• Năm 2016, AlphaGo đánh bại nhà vô địch cờ vây thế giới Lee Sedol
• Năm 2017, Google đã đề xuất thuật toán Transformer
• Trong giai đoạn 2018-2020, các mô hình GPT liên tục vượt qua giới hạn
• Năm 2023, ChatGPT ra mắt và nhanh chóng phổ biến

Chuỗi công nghiệp học sâu

Các mô hình ngôn ngữ lớn hiện nay đều dựa trên phương pháp học sâu. Các mô hình lớn đại diện là GPT đã gây ra một làn sóng mới về AI, thu hút rất nhiều người chơi tham gia vào lĩnh vực này. Chúng ta có thể phân tích cấu trúc chuỗi công nghiệp của học sâu từ các chiều dữ liệu, sức mạnh tính toán, v.v.

Đào tạo mô hình lớn chủ yếu được chia thành ba bước:

1. Huấn luyện trước: Cần một lượng lớn dữ liệu và sức mạnh tính toán, là giai đoạn tiêu tốn nhiều tài nguyên nhất.

2. Tinh chỉnh: Sử dụng một lượng nhỏ dữ liệu chất lượng cao để nâng cao chất lượng mô hình.

3. Học tăng cường: Liên tục tối ưu hóa đầu ra mô hình thông qua phản hồi.

Ba yếu tố chính ảnh hưởng đến hiệu suất của mô hình lớn là số lượng tham số, khối lượng/chất lượng dữ liệu và sức mạnh tính toán. Lấy GPT-3 làm ví dụ, nó có 175 tỷ tham số, dữ liệu huấn luyện khoảng 570GB, cần sự hỗ trợ sức mạnh tính toán khổng lồ.

Chuỗi ngành công nghiệp học sâu chủ yếu bao gồm:

• Phần cứng GPU: Các nhà sản xuất như Nvidia cung cấp chip GPU hiệu suất cao
• Dịch vụ đám mây: AWS, Google Cloud và các dịch vụ khác cung cấp hỗ trợ tính toán
• Dữ liệu: Các loại nhà cung cấp dữ liệu và công ty gán nhãn
• Cơ sở dữ liệu: cơ sở dữ liệu vector và các lưu trữ dữ liệu khổng lồ
• Thiết bị biên: hệ thống làm mát và các thiết bị hỗ trợ khác
• Ứng dụng: Các loại ứng dụng AI trong các lĩnh vực dọc

Tài sản tiền điện tử và sự kết hợp với AI

Công nghệ blockchain và tài sản tiền điện tử có thể mang lại những phát hiện giá trị mới và cơ chế tái cấu trúc cho chuỗi ngành AI:

1. Kinh tế token có thể khuyến khích nhiều người tham gia vào các giai đoạn khác nhau của ngành AI, thu được lợi nhuận vượt xa dòng tiền.

2. Sổ cái phi tập trung có thể giải quyết vấn đề độ tin cậy của dữ liệu và mô hình, thực hiện hợp tác dưới sự bảo vệ quyền riêng tư của dữ liệu.

3. Mạng lưới giá trị toàn cầu có thể kích hoạt sức mạnh tính toán nhàn rỗi, giảm chi phí.

4. Hợp đồng thông minh có thể thực hiện giao dịch và sử dụng mô hình AI một cách tự động.

Hiện tại, các hướng chính kết hợp giữa Tài sản tiền điện tử và AI bao gồm:

• Thị trường sức mạnh tính toán đám mây GPU: Các dự án như Render cung cấp mạng lưới tính toán phi tập trung
• Thị trường dữ liệu: EpiK Protocol và các dịch vụ dữ liệu khác cho AI
• ZKML: Thực hiện đào tạo và suy diễn mô hình dưới tính toán bảo mật
• AI Agent: Các dự án như Fetch.AI xây dựng mạng lưới đại lý thông minh
• Chuỗi khối AI: Mạng chuỗi khối được thiết kế riêng cho AI

Mặc dù ứng dụng AI + Tài sản tiền điện tử hiện tại vẫn ở giai đoạn đầu, nhưng sự kết hợp này có khả năng tái định hình chuỗi công nghiệp AI, tạo ra giá trị mới. Trong tương lai, với sự tiến bộ của công nghệ, sự hòa nhập của hai lĩnh vực này sẽ trở nên chặt chẽ hơn.