AI x Crypto:從零到巔峯

引言

人工智能行業近期發展迅猛,被視爲第四次工業革命。大型語言模型的出現顯著提升了各行各業的效率,據估計爲美國提升了約20%的工作效率。大模型的泛化能力被認爲是新的軟件設計範式,使軟件具備更好的表現和支持更廣泛的輸入與輸出。深度學習技術確實爲AI行業帶來了新一輪繁榮,這股熱潮也影響到了加密貨幣行業。

本報告將詳細探討AI行業的發展歷史、技術分類,以及深度學習技術對行業的影響。深入分析深度學習中GPU、雲計算、數據源、邊緣設備等產業鏈上下遊的發展現狀與趨勢。從本質上探討加密貨幣與AI行業的關係,梳理加密貨幣相關的AI產業鏈格局。

AI行業的發展歷史

AI行業從20世紀50年代起步,學術界和工業界在不同時代不同學科背景下,發展出了多種實現人工智能的流派。

現代人工智能技術主要使用"機器學習"這一術語,其理念是讓機器依靠數據在任務中反復迭代以改善系統性能。主要步驟是將數據送到算法中,使用此數據訓練模型,測試部署模型,使用模型完成自動化預測任務。

目前機器學習有三大主要流派,分別是聯結主義、符號主義和行爲主義,分別模仿人類的神經系統、思維、行爲。

目前以神經網路爲代表的聯結主義佔據上風(也稱爲深度學習),主要原因是這種架構有一個輸入層一個輸出層,但有多個隱藏層,一旦層數以及神經元(參數)的數量足夠多,就有足夠的機會擬合復雜的通用型任務。通過數據輸入,可以不斷調整神經元的參數,最終經過多次數據處理,該神經元就會達到一個最佳狀態(參數),這也是"深度"的由來——足夠多的層數和神經元。

基於神經網路的深度學習技術,也有多個技術迭代與演進,從最早期的神經網路,到前饋神經網路、RNN、CNN、GAN,最後演進到現代大模型如GPT等使用的Transformer技術。Transformer技術只是神經網路的一個演進方向,增加了一個轉換器,用於把所有模態(如音頻、視頻、圖片等)的數據編碼成對應的數值表示。然後再輸入到神經網路中,這樣神經網路就能擬合任何類型的數據,實現多模態。

AI發展經歷了三次技術浪潮,第一次是20世紀60年代,這次浪潮是符號主義技術發展引起的,解決了通用的自然語言處理以及人機對話問題。第二次是1997年,IBM深藍戰勝國際象棋冠軍被視爲人工智能的裏程碑。第三次是2006年深度學習概念提出,這是聯結主義的鼎盛時期。

深度學習產業鏈

當前大模型語言使用的都是基於神經網路的深度學習方法。以GPT爲首的大模型造就了一波人工智能熱潮,大量玩家湧入這個賽道,市場對於數據、算力的需求大量迸發。我們將探索深度學習算法的產業鏈,分析上下遊的組成、現狀與供需關係、未來發展。

基於Transformer技術的GPT爲首的LLMs(大模型)訓練主要分爲三個步驟:

1. 預訓練:通過大量數據對尋找模型神經元最佳參數,這個過程最耗費算力。

2. 微調:使用少量高質量數據訓練,提升模型輸出質量。

3. 強化學習:建立獎勵模型對輸出結果進行排序,自動迭代大模型參數。

影響大模型表現主要由三個方面決定:參數數量、數據量與質量、算力。假設參數數量爲p,數據量爲n(以Token數量計算),可以通過經驗法則計算所需計算量,預估需要購買的算力情況及訓練時間。

算力一般以Flops爲基本單位,代表一次浮點運算。根據實踐經驗,預訓練一次大模型大概需要6np Flops。推理(輸入數據等待大模型輸出)大約需要2np Flops。

早期使用CPU芯片提供算力支持,後來逐漸使用GPU替代,如Nvidia的A100、H100芯片等。GPU通過Tensor Core模塊運行浮點運算,是芯片的主要衡量指標之一。

深度學習產業鏈主要包括:

1. 硬件GPU提供商
2. 雲服務提供商
3. 訓練數據源提供商
4. 數據庫提供商
5. 邊緣設備
6. 應用

Crypto與AI的關係

區塊鏈技術結合ZK發展成爲去中心化+去信任化的思想。本質上整個區塊鏈網路是一個價值網路,每筆交易都是以底層代幣爲基礎的價值轉換。代幣經濟學規定了網路原生代幣的相對價值,雖然無法爲每個維度定價,但代幣價格體現了多維度的價值。

代幣經濟學能夠爲網路、功能、思想賦予價值,將世間一切價值化。這種對價值重新定義與發現的手段,對AI行業也至關重要。在AI產業鏈中發行代幣能讓各方面進行價值重塑,激勵更多人深耕AI各細分賽道。同時所有項目都將獲得資本增值收益,代幣還能反哺生態系統促進某種哲學思想的誕生。

區塊鏈技術的不可篡改和無需信任特性也有其在AI行業的實際意義,能實現一些需要信任的應用。當GPU不足時,能通過區塊鏈網路分銷,閒置GPU也能貢獻算力到網路中重新發揮價值。

總之,代幣經濟學能促進價值重塑和發現,去中心化帳本能解決信任問題,將價值在全球範圍重新流動起來。

Crypto行業AI相關項目概覽

1. GPU供給側:

主要項目包括Render等。Render在2020年推出,主要用於非大模型類的視頻渲染任務。作爲有實際業務量的老牌DePIN項目,Render確實借AI/DePIN東風成功,但嚴格意義上不算AI板塊。

2. 硬件帶寬:

主要項目包括Meson Network等。但共享帶寬可能是僞概念,因數據存儲在遠處會導致延遲,不如本地存儲。

3. 數據:

包括EpiK Protocol、Synesis One、Masa等。Web3數據提供商優勢在於數據採集側,個人可貢獻數據並獲得定價。ZK方向的數據提供商如Masa可能有較好發展前景。

4. ZKML:

使用同態加密技術,將數據在鏈下推理然後將結果和ZK證明上傳,保證數據隱私性和推理效率。主要項目包括Axiom、Risc Zero、Ritual等。

5. AI應用:

目前發展較爲薄弱。主要是傳統區塊鏈應用+自動化和泛化能力。AI Agent如Fetch.AI較爲典型,可幫助用戶進行復雜鏈上決策。

6. AI公鏈:

如Tensor、Allora、Hypertensor、AgentLayer等,專爲AI模型或代理構建的自適應網路。

總結

當前熟知的AI發展主要基於深度學習技術,但這並不代表所有AI發展方向。雖然深度學習可能無法實現通用人工智能,但已有實際應用場景,值得理智深耕。

區塊鏈和代幣經濟學對AI行業有積極影響,能重塑產業鏈價值,激勵更多參與。區塊鏈技術也能實現一些需要信任的AI應用。

GPU計算網路的劣勢在於帶寬問題,訓練速度較慢,目前更適合不緊急的小模型。中大型企業仍傾向於傳統雲平台。

總的來說,AI與加密貨幣結合具有實際效用,代幣經濟學能重塑和發現更廣泛的價值,去中心化帳本能解決信任問題,將價值流動起來並發現剩餘價值。