Сфера искусственного интеллекта в последнее время стремительно развивается и рассматривается как новый этап промышленной революции. Появление крупных моделей значительно повысило эффективность в различных отраслях; Бостонская консультационная группа считает, что GPT увеличил рабочую эффективность в США примерно на 20%. Обобщающая способность крупных моделей считается новым парадигмой проектирования программного обеспечения, что позволяет программному обеспечению демонстрировать лучшие результаты и обеспечивать более широкий спектр модальных возможностей. Технология глубокого обучения принесла четвертой волне процветания в индустрию ИИ, и эта волна также оказала влияние на криптовалютную отрасль.
В этом отчете будет подробно рассмотрена история развития AI-индустрии, классификация технологий и влияние глубокого обучения на отрасль. Будет проведен глубокий анализ цепочки поставок, включающей GPU, облачные вычисления, источники данных и периферийные устройства в глубоком обучении, а также их текущее состояние и тенденции. В сущности, будет исследована связь между криптовалютами и AI-индустрией, а также проанализирована структура цепочки поставок AI, связанная с криптовалютами.
История развития AI-индустрии
AI-индустрия началась в 50-х годах XX века. Для реализации видения искусственного интеллекта академические и промышленные круги разработали различные пути реализации на фоне разных эпох.
Современные технологии искусственного интеллекта в основном используют методы "машинного обучения", позволяя машинам улучшать производительность системы через итерации данных. Основные шаги включают ввод данных в алгоритмы, обучение моделей, тестирование и развертывание, а также выполнение автоматических предсказательных задач.
В машинном обучении три основных направления: соединительная, символическая и поведенческая, которые имитируют человеческую нервную систему, мышление и поведение соответственно.
В настоящее время преобладают соединительные методы, представленные нейронными сетями, также известные как глубокое обучение (. Нейронные сети имеют входной слой, выходной слой и несколько скрытых слоев; когда количество слоев и нейронов ) и параметры ( достаточно велики, они могут моделировать сложные общие задачи. Путем постоянной настройки параметров достигается оптимальное состояние, что и объясняет "глубину".
![Новый человек в мире丨AI x Crypto：От нуля до вершины])https://img-cdn.gateio.im/webp-social/moments-c50ee5a87373c6cd6c4dc63adc2cf47c.webp(
Технология глубокого обучения прошла несколько итераций эволюции, начиная с ранних нейронных сетей, затем переходя к прямым нейронным сетям, RNN, CNN, GAN и, наконец, развиваясь до современных крупных моделей, таких как технологии Transformer, используемые в GPT. Технология Transformer - это лишь одно направление эволюции нейронных сетей, которое добавляет модуль преобразователя, позволяя кодировать мультимодальные данные в числовые представления и вводить их в нейронную сеть для осуществления мультимодальной обработки.
Развитие ИИ прошло через три технологические волны:
В 1960-х годах развитие символистских технологий вызвало первую волну, решившую проблемы общего естественного языка обработки и диалога между человеком и машиной. В это же время появились экспертные системы.
В 1997 году IBM Deep Blue победил чемпионa мира по шахматам, что ознаменовало вторую волну развития технологий ИИ.
В 2006 году была предложена концепция глубокого обучения, что положило начало третьей технологической волне. Алгоритмы глубокого обучения постоянно развиваются, от RNN, GAN до Transformer и Stable Diffusion, соединительный подход достигает своего расцвета.
В третьей волне появилось много знаковых событий:
В 2011 году IBM Watson победил человека в викторине «Опасная граница»
В 2014 году Goodfellow предложил GAN
В 2015 году Хинтон и др. предложили алгоритмы глубокого обучения в журнале «Природа»
В 2016 году AlphaGo победил Ли Сидо
В 2017 году Google выпустил статью о алгоритме Transformer.
В 2018 году OpenAI выпустила GPT
В 2020 году OpenAI выпустила GPT-3
В 2023 году ChatGPT был запущен и быстро достиг 100 миллионов пользователей
! [Newcomer Science丨AI x Crypto: от нуля до пика])https://img-cdn.gateio.im/webp-social/moments-0c9bdea33a39a2c07d1f06760ed7e804.webp(
Цепочка создания ценности в глубоком обучении
В настоящее время основные языковые модели используют методы глубокого обучения на основе нейронных сетей. Модели большого размера, такие как GPT, вызвали новую волну интереса к ИИ, и спрос на данные и вычислительные мощности на рынке резко возрос. В этом разделе рассматриваются состав и состояние развития цепочки поставок алгоритмов глубокого обучения.
Обучение больших моделей в основном делится на три этапа:
Предварительное обучение: ввод большого объема данных для поиска оптимальных параметров требует наибольших вычислительных мощностей.
Тонкая настройка: использование небольшого объема высококачественных данных для обучения, повышение качества модели.
Обучение с подкреплением: создание модели вознаграждения для оценки качества вывода, автоматическая итерация параметров.
На производительность больших моделей в основном влияют три аспекта: количество параметров, качество и объем данных, а также вычислительная мощность. Можно использовать эмпирическую формулу для оценки необходимого объема вычислений.
Мощность в основном использует GPU-чипы, такие как A100 и H100 от Nvidia. GPU выполняет операции с плавающей запятой через модуль Tensor Core, а производительность чипа в основном определяется FLOPS при точности FP16/FP32.
Обучение крупных моделей требует огромных вычислительных ресурсов и места для хранения. Например, в случае GPT-3, 175 миллиардов параметров и 180 миллиардов токенов данных, для одной предварительной тренировки требуется 584 дня. Параметры и объем данных GPT-4 увеличились в 10 раз, требуется в 100 раз больше вычислительной мощности.
! [Newcomer Science丨AI x Crypto: от нуля до пика])https://img-cdn.gateio.im/webp-social/moments-609c5dd6ee0abcec6bf9c118d7741867.webp(
Цепочка поставок включает в себя:
Поставщик аппаратного обеспечения GPU: Nvidia занимает доминирующее положение
Провайдеры облачных услуг: традиционные облачные компании и вертикальные облачные провайдеры ИИ
Поставщики обучающих данных: поисковые системы, социальные платформы и т.д.
Поставщик базы данных: Векторная база данных
Устройств边缘: Система охлаждения, Энергоснабжение
Приложение: еще на начальном этапе
![Новый пользователь: AI x Crypto: от нуля до вершины])https://img-cdn.gateio.im/webp-social/moments-f37fb0100218188368f4d31940aab2a3.webp(
Отношения между криптовалютой и ИИ
Технология блокчейна в сочетании с ZK развилась в идеи децентрализации и недоверия. По своей сути это сеть ценностей, каждая транзакция основана на преобразовании ценности токенов.
Токеномика может придать сети многомерную ценность, которая значительно превосходит традиционные корпоративные ценные бумаги. Токены делают возможным придавать ценность любым инновациям и идеям.
В индустрии ИИ токеномика может преобразовать ценность различных этапов цепочки поставок и стимулировать большее участие. Неподдельность и децентрализованный характер блокчейн-технологий также могут реализовать некоторые приложения ИИ, которые требуют доверия.
В общем, токеномика способствует переоценке и открытию ценности, децентрализованный реестр решает проблемы доверия, перезапуская движение ценностей на глобальном уровне.
![Новый пользовательский справочник丨AI x Crypto：От нуля до вершины])https://img-cdn.gateio.im/webp-social/moments-8848582a34ba293d15afae15d90e3c95.webp(
Обзор проекта цепочки создания стоимости в криптоиндустрии
) Сторона предложения графических процессоров
Представитель проекта, такой как Render. Рынок облачных вычислений GPU ориентирован не только на обучение и вывод AI-моделей, но также может использоваться для традиционных задач рендеринга, снижая риски, связанные с одним рынком.
Ожидается, что спрос на вычислительную мощность GPU в 2024 году составит около 75 миллиардов долларов США, а к 2032 году достигнет 773 миллиарда долларов США, CAGR 33,86%.
С развитием итераций GPU большое количество неиспользуемых GPU будет играть долгосрочную ценность в совместных сетях. Однако в блокчейн-обмене GPU существует проблема с пропускной способностью передачи данных.
! [Новичок в науке丨AI x Crypto: от нуля до пика]###https://img-cdn.gateio.im/webp-social/moments-53c48daf49a3dbb35c1a2b47e234f180.webp(
) Аппаратная пропускная способность
Представляет проект, такой как Meson Network. Однако совместное использование полосы пропускания может быть ложным спросом, а географическое распределение приводит к задержкам, превышающим локальное хранилище.
![Новички научатся丨AI x Crypto：От нуля до вершины]###https://img-cdn.gateio.im/webp-social/moments-250a286e79261e91a0e7ac4941ff5c76.webp(
) данные
Проекты, такие как EpiK Protocol, Synesis One, Masa и т. д. Преимущества поставщиков данных Web3 заключаются в более широких каналах сбора данных. Проекты в направлении ZK, такие как Masa, имеют хорошие перспективы.
! [Новичок в науке丨AI x Crypto: от нуля до пика]###https://img-cdn.gateio.im/webp-social/moments-8358c377eb2c07467848b3b46dbf1056.webp(
) ЗКМЛ
Использование технологии гомоморфного шифрования для реализации вычислений с конфиденциальностью и обучения. Примеры проектов: Axiom, Risc Zero, Ritual и др.
! [Новичок в науке丨AI x Crypto: от нуля до пика]###https://img-cdn.gateio.im/webp-social/moments-c8845a5920048e7c821c939e2d8304e7.webp(
) Приложения ИИ
Основное внимание уделяется традиционным приложениям блокчейна + автоматизированным обобщающим возможностям. AI Agent становится важным направлением,代表项目如Fetch.AI.
! [Newcomer Science丨AI x Crypto: от нуля до пика]###https://img-cdn.gateio.im/webp-social/moments-2ed56db6cae1b0206e8e0daa9b1892fd.webp(
) ИИ публичная цепочка
Адаптивные сети, созданные для AI-моделей или агентов, такие как Tensor, Allora и др. Значительное снижение затрат на вывод на основе токеномики.
![Новый человек в курсе丨AI x Crypto：С нуля до вершины]###https://img-cdn.gateio.im/webp-social/moments-c733612f35e5a4a21d8d39a0a77f85b8.webp(
Резюме
Хотя технологии глубокого обучения не являются всем направлениям развития ИИ, у них уже есть реальные сценарии применения. Токеномика может изменить ценность цепочки поставок ИИ, а технологии блокчейн могут решить проблему доверия.
Хотя платформа совместного использования GPU может использовать неиспользуемую вычислительную мощность для снижения затрат, проблемы с пропускной способностью ограничивают ее применение только для не срочного обучения небольших моделей.
В целом, сочетание AI и Crypto имеет практическую полезность, может изменить ценностную систему, решить проблему доверия и обнаружить скрытую ценность.
! [Новичок в науке丨AI x Crypto: от нуля до пика])https://img-cdn.gateio.im/webp-social/moments-b97be5c0fd9efe0b79e2e6fcd4493212.webp(
На этой странице может содержаться сторонний контент, который предоставляется исключительно в информационных целях (не в качестве заявлений/гарантий) и не должен рассматриваться как поддержка взглядов компании Gate или как финансовый или профессиональный совет. Подробности смотрите в разделе «Отказ от ответственности» .
15 Лайков
Награда
15
5
Поделиться
комментарий
0/400
ShadowStaker
· 6ч назад
м-м... еще один теоретический анализ, не затрагивающий реальные узкие места MEV
Посмотреть ОригиналОтветить0
MoonMathMagic
· 07-24 20:32
мир криптовалют снова говорит об ИИ~
Посмотреть ОригиналОтветить0
ContractSurrender
· 07-24 20:28
Не будете неудачниками, рынок таков.
Посмотреть ОригиналОтветить0
LiquidatedAgain
· 07-24 20:23
Снова все в AI, да? Ещё мало убытков?
Посмотреть ОригиналОтветить0
FundingMartyr
· 07-24 20:08
Технический пионер, однако вычислительная мощность трудно поддается описанию!
Искусственный интеллект и криптоактивы: пересмотр системы ценностей и структуры отрасли
ИИ x Крипто: от нуля до вершины
Введение
Сфера искусственного интеллекта в последнее время стремительно развивается и рассматривается как новый этап промышленной революции. Появление крупных моделей значительно повысило эффективность в различных отраслях; Бостонская консультационная группа считает, что GPT увеличил рабочую эффективность в США примерно на 20%. Обобщающая способность крупных моделей считается новым парадигмой проектирования программного обеспечения, что позволяет программному обеспечению демонстрировать лучшие результаты и обеспечивать более широкий спектр модальных возможностей. Технология глубокого обучения принесла четвертой волне процветания в индустрию ИИ, и эта волна также оказала влияние на криптовалютную отрасль.
В этом отчете будет подробно рассмотрена история развития AI-индустрии, классификация технологий и влияние глубокого обучения на отрасль. Будет проведен глубокий анализ цепочки поставок, включающей GPU, облачные вычисления, источники данных и периферийные устройства в глубоком обучении, а также их текущее состояние и тенденции. В сущности, будет исследована связь между криптовалютами и AI-индустрией, а также проанализирована структура цепочки поставок AI, связанная с криптовалютами.
История развития AI-индустрии
AI-индустрия началась в 50-х годах XX века. Для реализации видения искусственного интеллекта академические и промышленные круги разработали различные пути реализации на фоне разных эпох.
Современные технологии искусственного интеллекта в основном используют методы "машинного обучения", позволяя машинам улучшать производительность системы через итерации данных. Основные шаги включают ввод данных в алгоритмы, обучение моделей, тестирование и развертывание, а также выполнение автоматических предсказательных задач.
В машинном обучении три основных направления: соединительная, символическая и поведенческая, которые имитируют человеческую нервную систему, мышление и поведение соответственно.
В настоящее время преобладают соединительные методы, представленные нейронными сетями, также известные как глубокое обучение (. Нейронные сети имеют входной слой, выходной слой и несколько скрытых слоев; когда количество слоев и нейронов ) и параметры ( достаточно велики, они могут моделировать сложные общие задачи. Путем постоянной настройки параметров достигается оптимальное состояние, что и объясняет "глубину".
![Новый человек в мире丨AI x Crypto：От нуля до вершины])https://img-cdn.gateio.im/webp-social/moments-c50ee5a87373c6cd6c4dc63adc2cf47c.webp(
Технология глубокого обучения прошла несколько итераций эволюции, начиная с ранних нейронных сетей, затем переходя к прямым нейронным сетям, RNN, CNN, GAN и, наконец, развиваясь до современных крупных моделей, таких как технологии Transformer, используемые в GPT. Технология Transformer - это лишь одно направление эволюции нейронных сетей, которое добавляет модуль преобразователя, позволяя кодировать мультимодальные данные в числовые представления и вводить их в нейронную сеть для осуществления мультимодальной обработки.
Развитие ИИ прошло через три технологические волны:
В 1960-х годах развитие символистских технологий вызвало первую волну, решившую проблемы общего естественного языка обработки и диалога между человеком и машиной. В это же время появились экспертные системы.
В 1997 году IBM Deep Blue победил чемпионa мира по шахматам, что ознаменовало вторую волну развития технологий ИИ.
В 2006 году была предложена концепция глубокого обучения, что положило начало третьей технологической волне. Алгоритмы глубокого обучения постоянно развиваются, от RNN, GAN до Transformer и Stable Diffusion, соединительный подход достигает своего расцвета.
В третьей волне появилось много знаковых событий:
! [Newcomer Science丨AI x Crypto: от нуля до пика])https://img-cdn.gateio.im/webp-social/moments-0c9bdea33a39a2c07d1f06760ed7e804.webp(
Цепочка создания ценности в глубоком обучении
В настоящее время основные языковые модели используют методы глубокого обучения на основе нейронных сетей. Модели большого размера, такие как GPT, вызвали новую волну интереса к ИИ, и спрос на данные и вычислительные мощности на рынке резко возрос. В этом разделе рассматриваются состав и состояние развития цепочки поставок алгоритмов глубокого обучения.
Обучение больших моделей в основном делится на три этапа:
Предварительное обучение: ввод большого объема данных для поиска оптимальных параметров требует наибольших вычислительных мощностей.
Тонкая настройка: использование небольшого объема высококачественных данных для обучения, повышение качества модели.
Обучение с подкреплением: создание модели вознаграждения для оценки качества вывода, автоматическая итерация параметров.
На производительность больших моделей в основном влияют три аспекта: количество параметров, качество и объем данных, а также вычислительная мощность. Можно использовать эмпирическую формулу для оценки необходимого объема вычислений.
Мощность в основном использует GPU-чипы, такие как A100 и H100 от Nvidia. GPU выполняет операции с плавающей запятой через модуль Tensor Core, а производительность чипа в основном определяется FLOPS при точности FP16/FP32.
Обучение крупных моделей требует огромных вычислительных ресурсов и места для хранения. Например, в случае GPT-3, 175 миллиардов параметров и 180 миллиардов токенов данных, для одной предварительной тренировки требуется 584 дня. Параметры и объем данных GPT-4 увеличились в 10 раз, требуется в 100 раз больше вычислительной мощности.
! [Newcomer Science丨AI x Crypto: от нуля до пика])https://img-cdn.gateio.im/webp-social/moments-609c5dd6ee0abcec6bf9c118d7741867.webp(
Цепочка поставок включает в себя:
![Новый пользователь: AI x Crypto: от нуля до вершины])https://img-cdn.gateio.im/webp-social/moments-f37fb0100218188368f4d31940aab2a3.webp(
Отношения между криптовалютой и ИИ
Технология блокчейна в сочетании с ZK развилась в идеи децентрализации и недоверия. По своей сути это сеть ценностей, каждая транзакция основана на преобразовании ценности токенов.
Токеномика может придать сети многомерную ценность, которая значительно превосходит традиционные корпоративные ценные бумаги. Токены делают возможным придавать ценность любым инновациям и идеям.
В индустрии ИИ токеномика может преобразовать ценность различных этапов цепочки поставок и стимулировать большее участие. Неподдельность и децентрализованный характер блокчейн-технологий также могут реализовать некоторые приложения ИИ, которые требуют доверия.
В общем, токеномика способствует переоценке и открытию ценности, децентрализованный реестр решает проблемы доверия, перезапуская движение ценностей на глобальном уровне.
![Новый пользовательский справочник丨AI x Crypto：От нуля до вершины])https://img-cdn.gateio.im/webp-social/moments-8848582a34ba293d15afae15d90e3c95.webp(
Обзор проекта цепочки создания стоимости в криптоиндустрии
) Сторона предложения графических процессоров
Представитель проекта, такой как Render. Рынок облачных вычислений GPU ориентирован не только на обучение и вывод AI-моделей, но также может использоваться для традиционных задач рендеринга, снижая риски, связанные с одним рынком.
Ожидается, что спрос на вычислительную мощность GPU в 2024 году составит около 75 миллиардов долларов США, а к 2032 году достигнет 773 миллиарда долларов США, CAGR 33,86%.
С развитием итераций GPU большое количество неиспользуемых GPU будет играть долгосрочную ценность в совместных сетях. Однако в блокчейн-обмене GPU существует проблема с пропускной способностью передачи данных.
! [Новичок в науке丨AI x Crypto: от нуля до пика]###https://img-cdn.gateio.im/webp-social/moments-53c48daf49a3dbb35c1a2b47e234f180.webp(
) Аппаратная пропускная способность
Представляет проект, такой как Meson Network. Однако совместное использование полосы пропускания может быть ложным спросом, а географическое распределение приводит к задержкам, превышающим локальное хранилище.
![Новички научатся丨AI x Crypto：От нуля до вершины]###https://img-cdn.gateio.im/webp-social/moments-250a286e79261e91a0e7ac4941ff5c76.webp(
) данные
Проекты, такие как EpiK Protocol, Synesis One, Masa и т. д. Преимущества поставщиков данных Web3 заключаются в более широких каналах сбора данных. Проекты в направлении ZK, такие как Masa, имеют хорошие перспективы.
! [Новичок в науке丨AI x Crypto: от нуля до пика]###https://img-cdn.gateio.im/webp-social/moments-8358c377eb2c07467848b3b46dbf1056.webp(
) ЗКМЛ
Использование технологии гомоморфного шифрования для реализации вычислений с конфиденциальностью и обучения. Примеры проектов: Axiom, Risc Zero, Ritual и др.
! [Новичок в науке丨AI x Crypto: от нуля до пика]###https://img-cdn.gateio.im/webp-social/moments-c8845a5920048e7c821c939e2d8304e7.webp(
) Приложения ИИ
Основное внимание уделяется традиционным приложениям блокчейна + автоматизированным обобщающим возможностям. AI Agent становится важным направлением,代表项目如Fetch.AI.
! [Newcomer Science丨AI x Crypto: от нуля до пика]###https://img-cdn.gateio.im/webp-social/moments-2ed56db6cae1b0206e8e0daa9b1892fd.webp(
) ИИ публичная цепочка
Адаптивные сети, созданные для AI-моделей или агентов, такие как Tensor, Allora и др. Значительное снижение затрат на вывод на основе токеномики.
![Новый человек в курсе丨AI x Crypto：С нуля до вершины]###https://img-cdn.gateio.im/webp-social/moments-c733612f35e5a4a21d8d39a0a77f85b8.webp(
Резюме
Хотя технологии глубокого обучения не являются всем направлениям развития ИИ, у них уже есть реальные сценарии применения. Токеномика может изменить ценность цепочки поставок ИИ, а технологии блокчейн могут решить проблему доверия.
Хотя платформа совместного использования GPU может использовать неиспользуемую вычислительную мощность для снижения затрат, проблемы с пропускной способностью ограничивают ее применение только для не срочного обучения небольших моделей.
В целом, сочетание AI и Crypto имеет практическую полезность, может изменить ценностную систему, решить проблему доверия и обнаружить скрытую ценность.
! [Новичок в науке丨AI x Crypto: от нуля до пика])https://img-cdn.gateio.im/webp-social/moments-b97be5c0fd9efe0b79e2e6fcd4493212.webp(