AI x Crypto:从零到巅峰

引言

人工智能行业近期发展迅猛,被视为第四次工业革命。大型语言模型的出现显著提升了各行各业的效率,据估计为美国提升了约20%的工作效率。大模型的泛化能力被认为是新的软件设计范式,使软件具备更好的表现和支持更广泛的输入与输出。深度学习技术确实为AI行业带来了新一轮繁荣,这股热潮也影响到了加密货币行业。

本报告将详细探讨AI行业的发展历史、技术分类,以及深度学习技术对行业的影响。深入分析深度学习中GPU、云计算、数据源、边缘设备等产业链上下游的发展现状与趋势。从本质上探讨加密货币与AI行业的关系,梳理加密货币相关的AI产业链格局。

AI行业的发展历史

AI行业从20世纪50年代起步,学术界和工业界在不同时代不同学科背景下,发展出了多种实现人工智能的流派。

现代人工智能技术主要使用"机器学习"这一术语,其理念是让机器依靠数据在任务中反复迭代以改善系统性能。主要步骤是将数据送到算法中,使用此数据训练模型,测试部署模型,使用模型完成自动化预测任务。

目前机器学习有三大主要流派,分别是联结主义、符号主义和行为主义,分别模仿人类的神经系统、思维、行为。

目前以神经网络为代表的联结主义占据上风(也称为深度学习),主要原因是这种架构有一个输入层一个输出层,但有多个隐藏层,一旦层数以及神经元(参数)的数量足够多,就有足够的机会拟合复杂的通用型任务。通过数据输入,可以不断调整神经元的参数,最终经过多次数据处理,该神经元就会达到一个最佳状态(参数),这也是"深度"的由来——足够多的层数和神经元。

基于神经网络的深度学习技术,也有多个技术迭代与演进,从最早期的神经网络,到前馈神经网络、RNN、CNN、GAN,最后演进到现代大模型如GPT等使用的Transformer技术。Transformer技术只是神经网络的一个演进方向,增加了一个转换器,用于把所有模态(如音频、视频、图片等)的数据编码成对应的数值表示。然后再输入到神经网络中,这样神经网络就能拟合任何类型的数据,实现多模态。

AI发展经历了三次技术浪潮,第一次是20世纪60年代,这次浪潮是符号主义技术发展引起的,解决了通用的自然语言处理以及人机对话问题。第二次是1997年,IBM深蓝战胜国际象棋冠军被视为人工智能的里程碑。第三次是2006年深度学习概念提出,这是联结主义的鼎盛时期。

深度学习产业链

当前大模型语言使用的都是基于神经网络的深度学习方法。以GPT为首的大模型造就了一波人工智能热潮,大量玩家涌入这个赛道,市场对于数据、算力的需求大量迸发。我们将探索深度学习算法的产业链,分析上下游的组成、现状与供需关系、未来发展。

基于Transformer技术的GPT为首的LLMs(大模型)训练主要分为三个步骤:

1. 预训练:通过大量数据对寻找模型神经元最佳参数,这个过程最耗费算力。

2. 微调:使用少量高质量数据训练,提升模型输出质量。

3. 强化学习:建立奖励模型对输出结果进行排序,自动迭代大模型参数。

影响大模型表现主要由三个方面决定:参数数量、数据量与质量、算力。假设参数数量为p,数据量为n(以Token数量计算),可以通过经验法则计算所需计算量,预估需要购买的算力情况及训练时间。

算力一般以Flops为基本单位,代表一次浮点运算。根据实践经验,预训练一次大模型大概需要6np Flops。推理(输入数据等待大模型输出)大约需要2np Flops。

早期使用CPU芯片提供算力支持,后来逐渐使用GPU替代,如Nvidia的A100、H100芯片等。GPU通过Tensor Core模块运行浮点运算,是芯片的主要衡量指标之一。

深度学习产业链主要包括:

1. 硬件GPU提供商
2. 云服务提供商
3. 训练数据源提供商
4. 数据库提供商
5. 边缘设备
6. 应用

Crypto与AI的关系

区块链技术结合ZK发展成为去中心化+去信任化的思想。本质上整个区块链网络是一个价值网络,每笔交易都是以底层代币为基础的价值转换。代币经济学规定了网络原生代币的相对价值,虽然无法为每个维度定价,但代币价格体现了多维度的价值。

代币经济学能够为网络、功能、思想赋予价值,将世间一切价值化。这种对价值重新定义与发现的手段,对AI行业也至关重要。在AI产业链中发行代币能让各方面进行价值重塑,激励更多人深耕AI各细分赛道。同时所有项目都将获得资本增值收益,代币还能反哺生态系统促进某种哲学思想的诞生。

区块链技术的不可篡改和无需信任特性也有其在AI行业的实际意义,能实现一些需要信任的应用。当GPU不足时,能通过区块链网络分销,闲置GPU也能贡献算力到网络中重新发挥价值。

总之,代币经济学能促进价值重塑和发现,去中心化账本能解决信任问题,将价值在全球范围重新流动起来。

Crypto行业AI相关项目概览

1. GPU供给侧:

主要项目包括Render等。Render在2020年推出,主要用于非大模型类的视频渲染任务。作为有实际业务量的老牌DePIN项目,Render确实借AI/DePIN东风成功,但严格意义上不算AI板块。

2. 硬件带宽:

主要项目包括Meson Network等。但共享带宽可能是伪概念,因数据存储在远处会导致延迟,不如本地存储。

3. 数据:

包括EpiK Protocol、Synesis One、Masa等。Web3数据提供商优势在于数据采集侧,个人可贡献数据并获得定价。ZK方向的数据提供商如Masa可能有较好发展前景。

4. ZKML:

使用同态加密技术,将数据在链下推理然后将结果和ZK证明上传,保证数据隐私性和推理效率。主要项目包括Axiom、Risc Zero、Ritual等。

5. AI应用:

目前发展较为薄弱。主要是传统区块链应用+自动化和泛化能力。AI Agent如Fetch.AI较为典型,可帮助用户进行复杂链上决策。

6. AI公链:

如Tensor、Allora、Hypertensor、AgentLayer等,专为AI模型或代理构建的自适应网络。

总结

当前熟知的AI发展主要基于深度学习技术,但这并不代表所有AI发展方向。虽然深度学习可能无法实现通用人工智能,但已有实际应用场景,值得理智深耕。

区块链和代币经济学对AI行业有积极影响,能重塑产业链价值,激励更多参与。区块链技术也能实现一些需要信任的AI应用。

GPU计算网络的劣势在于带宽问题,训练速度较慢,目前更适合不紧急的小模型。中大型企业仍倾向于传统云平台。

总的来说,AI与加密货币结合具有实际效用,代币经济学能重塑和发现更广泛的价值,去中心化账本能解决信任问题,将价值流动起来并发现剩余价值。