- Tema
88k Popularidad
41k Popularidad
14k Popularidad
4k Popularidad
5k Popularidad
29k Popularidad
16k Popularidad
22k Popularidad
13k Popularidad
3k Popularidad
- Anclado
88k Popularidad
41k Popularidad
14k Popularidad
4k Popularidad
5k Popularidad
29k Popularidad
16k Popularidad
22k Popularidad
13k Popularidad
3k Popularidad
La profunda integración de la IA y los Activos Cripto: remodelando el valor de la cadena industrial y las tendencias futuras
AI x Crypto: De cero a la cima
Introducción
La industria de la inteligencia artificial ha evolucionado rápidamente en los últimos tiempos, siendo considerada como la cuarta revolución industrial. La aparición de grandes modelos de lenguaje ha mejorado significativamente la eficiencia en diversos sectores, estimándose que ha incrementado la eficiencia laboral en Estados Unidos en alrededor del 20%. La capacidad de generalización de los grandes modelos se considera un nuevo paradigma en el diseño de software, lo que permite que el software tenga un mejor rendimiento y soporte una gama más amplia de entradas y salidas. La tecnología de aprendizaje profundo ha traído una nueva ola de prosperidad a la industria de la IA, y este auge también ha impactado en la industria de las criptomonedas.
Este informe explorará en detalle la historia del desarrollo de la industria de la IA, las categorías tecnológicas y el impacto de la tecnología de aprendizaje profundo en la industria. Se analizará en profundidad el estado actual y las tendencias de desarrollo en la cadena de suministro de la industria, incluyendo GPU, computación en la nube, fuentes de datos y dispositivos de borde. Se explorará la relación entre las criptomonedas y la industria de la IA, organizando el panorama de la cadena de suministro de la IA relacionada con las criptomonedas.
Historia del desarrollo de la industria de IA
La industria de la IA comenzó en la década de 1950; en diferentes épocas y con distintos antecedentes académicos e industriales, se han desarrollado diversas corrientes para lograr la inteligencia artificial.
La tecnología moderna de inteligencia artificial utiliza principalmente el término "aprendizaje automático", cuya idea es permitir que las máquinas mejoren el rendimiento del sistema a través de iteraciones repetidas basadas en datos en las tareas. Los pasos principales son enviar datos al algoritmo, usar esos datos para entrenar el modelo, probar y desplegar el modelo, y utilizar el modelo para completar tareas de predicción automatizadas.
Actualmente, el aprendizaje automático tiene tres corrientes principales: el conexionismo, el simbolismo y el conductismo, que imitan respectivamente el sistema nervioso, el pensamiento y el comportamiento humano.
Actualmente, el conexionismo representado por redes neuronales domina, también conocido como aprendizaje profundo, la razón principal es que esta arquitectura tiene una capa de entrada, una capa de salida, pero múltiples capas ocultas. Una vez que el número de capas y el número de neuronas son suficientes, hay suficientes oportunidades para ajustar tareas generales complejas. A través de la entrada de datos, se pueden ajustar continuamente los parámetros de las neuronas, y después de múltiples procesamientos de datos, esa neurona alcanzará un estado óptimo, que también es el origen de la "profundidad": un número suficiente de capas y neuronas.
La tecnología de aprendizaje profundo basada en redes neuronales también ha tenido múltiples iteraciones y evoluciones, desde las primeras redes neuronales, hasta las redes neuronales de retroalimentación, RNN, CNN, GAN, y finalmente evolucionando hacia modelos grandes modernos como los que utilizan la tecnología Transformer, como GPT. La tecnología Transformer es solo una dirección de evolución de las redes neuronales, que agrega un convertidor para codificar todos los modos ( como audio, video, imágenes, etc. ) en representaciones numéricas correspondientes. Luego se ingresan en la red neuronal, de modo que la red neuronal puede ajustar cualquier tipo de datos, logrando multimodalidad.
El desarrollo de la IA ha pasado por tres olas tecnológicas. La primera fue en la década de 1960, y esta ola fue provocada por el desarrollo de la tecnología del simbolismo, que resolvió problemas de procesamiento del lenguaje natural y diálogo humano-máquina. La segunda fue en 1997, cuando IBM Deep Blue venció al campeón de ajedrez, lo que se considera un hito en la inteligencia artificial. La tercera fue en 2006, cuando se propuso el concepto de aprendizaje profundo, que marcó el apogeo del conectivismo.
Cadena de la industria de aprendizaje profundo
Los modelos de lenguaje actuales se basan en métodos de aprendizaje profundo basados en redes neuronales. Los grandes modelos, encabezados por GPT, han generado una ola de entusiasmo por la inteligencia artificial, atrayendo a numerosos jugadores a este campo, y la demanda del mercado por datos y potencia de cálculo ha estallado. Exploraremos la cadena de valor de los algoritmos de aprendizaje profundo, analizando la composición, el estado y la relación de oferta y demanda de las partes superiores e inferiores, así como su desarrollo futuro.
El entrenamiento de los grandes modelos LLMs, encabezados por GPT, basados en la tecnología Transformer ( se divide principalmente en tres pasos:
Preentrenamiento: se busca el mejor parámetro de los neuronas del modelo a través de grandes cantidades de datos, este proceso consume la mayor parte del poder computacional.
Ajuste fino: Entrenar con una pequeña cantidad de datos de alta calidad para mejorar la calidad de salida del modelo.
Aprendizaje por refuerzo: establecer un modelo de recompensas para clasificar los resultados de salida, iterar automáticamente los parámetros del gran modelo.
![Introducción para nuevos usuarios丨AI x Crypto：De cero a la cima])https://img-cdn.gateio.im/webp-social/moments-8848582a34ba293d15afae15d90e3c95.webp(
El rendimiento de los grandes modelos está determinado principalmente por tres aspectos: la cantidad de parámetros, la cantidad y calidad de los datos, y la capacidad de cálculo. Supongamos que la cantidad de parámetros es p, la cantidad de datos es n) calculada en función de la cantidad de Tokens(, se puede calcular la cantidad de cálculo necesaria mediante una regla empírica, estimando así la capacidad de cálculo que se necesita comprar y el tiempo de entrenamiento.
La potencia de cálculo generalmente se mide en Flops, que representa una operación de punto flotante. Según la experiencia práctica, pre-entrenar un gran modelo requiere aproximadamente 6np Flops. La inferencia ) de los datos de entrada esperando la salida del gran modelo ( requiere aproximadamente 2np Flops.
En las primeras etapas, se utilizaban chips de CPU para proporcionar soporte de cálculo, y luego se reemplazaron gradualmente por GPU, como los chips A100 y H100 de Nvidia. Las GPU realizan cálculos de punto flotante a través del módulo Tensor Core, que es uno de los principales indicadores de rendimiento del chip.
La cadena industrial de aprendizaje profundo incluye principalmente:
![Nuevos conocimientos丨AI x Crypto: De cero a la cima])https://img-cdn.gateio.im/webp-social/moments-53c48daf49a3dbb35c1a2b47e234f180.webp(
La relación entre Crypto y AI
La tecnología blockchain combinada con ZK se convierte en una idea de descentralización + desconfianza. Esencialmente, toda la red blockchain es una red de valor, donde cada transacción es una conversión de valor basada en el token subyacente. La economía de tokens establece el valor relativo del token nativo de la red; aunque no se puede fijar un precio para cada dimensión, el precio del token refleja un valor multidimensional.
La economía de tokens puede otorgar valor a redes, funciones e ideas, valorizando todo en el mundo. Este medio de redefinición y descubrimiento de valor es crucial para la industria de IA. La emisión de tokens en la cadena de producción de IA permite la reconfiguración del valor en todos los aspectos, incentivando a más personas a profundizar en los diversos segmentos de la IA. Al mismo tiempo, todos los proyectos obtendrán beneficios de apreciación de capital, y los tokens también pueden retroalimentar el ecosistema para promover el nacimiento de cierta filosofía.
La característica de inmutabilidad y la necesidad de confianza de la tecnología blockchain también tienen un significado práctico en la industria de la IA, permitiendo la realización de algunas aplicaciones que requieren confianza. Cuando hay escasez de GPU, se puede distribuir a través de una red blockchain, y las GPU ociosas también pueden contribuir con su potencia de cálculo a la red, recuperando así su valor.
En resumen, la economía de tokens puede promover la revalorización y el descubrimiento de valor, y el libro mayor descentralizado puede resolver problemas de confianza, reactivando el flujo de valor a nivel global.
![Nuevos conceptos丨AI x Crypto: De cero a la cima])https://img-cdn.gateio.im/webp-social/moments-250a286e79261e91a0e7ac4941ff5c76.webp(
Visión general de los proyectos relacionados con la IA en la industria de las criptomonedas
Los principales proyectos incluyen Render, entre otros. Render fue lanzado en 2020 y se utiliza principalmente para tareas de renderizado de video que no son de grandes modelos. Como un proyecto DePIN veterano con un volumen de negocio real, Render ha tenido éxito gracias al impulso de la IA/DePIN, pero estrictamente hablando, no se considera parte del sector de IA.
Los principales proyectos incluyen Meson Network, entre otros. Sin embargo, el ancho de banda compartido puede ser un concepto engañoso, ya que el almacenamiento de datos en lugares remotos puede causar retrasos, lo que es inferior al almacenamiento local.
Incluyendo EpiK Protocol, Synesis One, Masa, etc. La ventaja de los proveedores de datos Web3 radica en el lado de la recopilación de datos, donde los individuos pueden contribuir datos y obtener precios. Los proveedores de datos en dirección ZK como Masa pueden tener un buen panorama de desarrollo.
Utilizando tecnología de cifrado homomórfico, se realiza la inferencia de datos fuera de la cadena y luego se suben los resultados junto con la prueba ZK, asegurando la privacidad de los datos y la eficiencia de la inferencia. Los proyectos principales incluyen Axiom, Risc Zero, Ritual, entre otros.
El desarrollo actual es relativamente débil. Principalmente se trata de aplicaciones de blockchain tradicionales + capacidad de automatización y generalización. Los agentes de IA como Fetch.AI son bastante típicos y pueden ayudar a los usuarios a tomar decisiones complejas en la cadena.
Redes adaptativas construidas específicamente para modelos o agentes de IA, como Tensor, Allora, Hypertensor y AgentLayer.
![Novato Ciencia Popular丨AI x Crypto: De cero a la cima])https://img-cdn.gateio.im/webp-social/moments-8358c377eb2c07467848b3b46dbf1056.webp(
Resumen
El desarrollo de la IA que se conoce actualmente se basa principalmente en tecnologías de aprendizaje profundo, pero eso no significa que todas las direcciones de desarrollo de la IA sean así. Aunque el aprendizaje profundo puede no ser capaz de lograr una inteligencia artificial general, ya existen escenarios de aplicación práctica que merecen una exploración racional.
La blockchain y la economía de tokens tienen un impacto positivo en la industria de la IA, pueden reconfigurar el valor de la cadena de suministro y motivar a más participantes. La tecnología blockchain también puede hacer posible algunas aplicaciones de IA que requieren confianza.
Las desventajas de las redes de computación GPU son los problemas de ancho de banda y una velocidad de entrenamiento más lenta, lo que las hace más adecuadas para modelos pequeños que no son urgentes. Las empresas medianas y grandes aún tienden a preferir las plataformas de nube tradicionales.
En general, la combinación de IA y criptomonedas tiene una utilidad práctica, la economía de tokens puede reestructurar y descubrir un valor más amplio, los libros de contabilidad descentralizados pueden resolver problemas de confianza, hacer que el valor fluya y descubrir el valor residual.
![Nuevos conocimientos丨AI x Crypto: De cero a la cima])https://img-cdn.gateio.im/webp-social/moments-c8845a5920048e7c821c939e2d8304e7.webp(