Ngành trí tuệ nhân tạo gần đây phát triển mạnh mẽ, được coi là một cuộc cách mạng công nghiệp mới. Sự xuất hiện của các mô hình lớn đã nâng cao hiệu quả của nhiều ngành, Boston Consulting cho rằng GPT đã tăng cường hiệu suất làm việc ở Mỹ khoảng 20%. Khả năng tổng quát của các mô hình lớn được coi là một mô hình thiết kế phần mềm mới, giúp phần mềm có hiệu suất tốt hơn và hỗ trợ nhiều kiểu dữ liệu hơn. Công nghệ học sâu đã mang đến sự phát triển lần thứ tư cho ngành AI, làn sóng này cũng đã ảnh hưởng đến ngành tiền điện tử.
Báo cáo này sẽ khám phá chi tiết quá trình phát triển của ngành AI, phân loại công nghệ, cũng như ảnh hưởng của học sâu đối với ngành. Phân tích sâu về chuỗi công nghiệp trong học sâu bao gồm GPU, điện toán đám mây, nguồn dữ liệu, thiết bị biên, cũng như tình trạng và xu hướng phát triển của chúng. Từ đó, khám phá bản chất mối quan hệ giữa tiền điện tử và ngành AI, sắp xếp cấu trúc chuỗi công nghiệp AI liên quan đến tiền điện tử.
Lịch sử phát triển của ngành AI
Ngành AI bắt đầu từ những năm 1950, để hiện thực hóa tầm nhìn trí tuệ nhân tạo, giới học thuật và công nghiệp đã phát triển nhiều con đường thực hiện khác nhau trong bối cảnh thời đại khác nhau.
Công nghệ trí tuệ nhân tạo hiện đại chủ yếu sử dụng phương pháp "học máy", cho phép máy cải thiện hiệu suất hệ thống thông qua việc lặp lại dữ liệu. Các bước chính là đưa dữ liệu vào thuật toán, đào tạo mô hình, kiểm tra triển khai, hoàn thành nhiệm vụ dự đoán tự động.
Học máy có ba trường phái chính: 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, khi số lớp và số lượng nơ-ron ( tham số ) đủ lớn, có thể khớp với các nhiệm vụ tổng quát phức tạp. Bằng cách điều chỉnh liên tục các tham số, cuối cùng đạt được trạng thái tối ưu, đó chính là nguồn gốc của "sâu".
Công nghệ học sâu đã trải qua nhiều lần tiến hóa, từ mạng nơ-ron sơ khai, đến mạng nơ-ron truyền tiếp, RNN, CNN, GAN, cuối cùng phát triển thành các mô hình lớn hiện đại như công nghệ Transformer được sử dụng trong GPT. Công nghệ Transformer chỉ là một hướng tiến hóa của mạng nơ-ron, nó bổ sung thêm mô-đun chuyển đổi, có thể mã hóa dữ liệu đa phương thức thành các biểu diễn số và sau đó đưa vào mạng nơ-ron, thực hiện xử lý đa phương thức.
Sự phát triển của AI đã trải qua ba làn sóng công nghệ:
Vào những năm 1960, sự phát triển của công nghệ chủ nghĩa biểu tượng đã gây ra làn sóng đầu tiên, giải quyết vấn đề xử lý ngôn ngữ tự nhiên chung và giao tiếp giữa người và máy. Hệ thống chuyên gia cũng ra đời trong thời gian này.
Năm 1997, IBM Deep Blue đánh bại nhà vô địch cờ vua, đánh dấu sự bùng nổ lần thứ hai của công nghệ AI.
Năm 2006, khái niệm học sâu được đưa ra, mở ra làn sóng công nghệ thứ ba. Các thuật toán học sâu liên tục tiến hóa, từ RNN, GAN đến Transformer và Stable Diffusion, chủ nghĩa liên kết bước vào thời kỳ thịnh vượng.
Nhiều sự kiện biểu tượng đã nổi lên trong làn sóng thứ ba:
Năm 2011, IBM Watson đã đánh bại con người trong chương trình hỏi đáp "Dangerous Minds".
Năm 2014, Goodfellow đã đề xuất GAN
Năm 2015, Hinton và các cộng sự đã đề xuất thuật toán học sâu trong tạp chí "Nature"
Năm 2016, AlphaGo đã đánh bại Lee Sedol
Năm 2017, Google công bố bài báo về thuật toán Transformer
Năm 2018, OpenAI phát hành GPT
Năm 2020, OpenAI phát hành GPT-3
Năm 2023, ChatGPT ra mắt và nhanh chóng đạt 100 triệu người dùng
Chuỗi công nghiệp học sâu
Các mô hình ngôn ngữ lớn hiện tại chủ yếu sử dụng phương pháp học sâu dựa trên mạng nơ-ron. Các mô hình lớn dẫn đầu như GPT đã gây ra một làn sóng mới trong lĩnh vực AI, nhu cầu về dữ liệu và sức mạnh tính toán trên thị trường tăng vọt. Phần này sẽ khám phá cấu trúc và tình trạng phát triển của chuỗi công nghiệp thuật toán học sâu.
Đào tạo mô hình lớn chủ yếu được chia thành ba bước:
Tiền huấn luyện: Nhập vào một lượng lớn dữ liệu để tìm kiếm các tham số tốt nhất, tốn nhiều sức mạnh tính toán nhất.
Tinh chỉnh: Sử dụng một lượng nhỏ dữ liệu chất lượng cao để đào tạo, nâng cao chất lượng mô hình.
Học tăng cường: Xây dựng mô hình thưởng để đánh giá chất lượng đầu ra, tự động lặp lại tham số.
Có ba yếu tố chính ảnh hưởng đến hiệu suất của mô hình lớn: số lượng tham số, chất lượng và khối lượng dữ liệu, và sức mạnh tính toán. Có thể ước lượng khối lượng tính toán cần thiết bằng công thức kinh nghiệm.
Công suất chủ yếu sử dụng chip GPU, như A100, H100 của Nvidia. GPU thực hiện các phép toán số thực thông qua mô-đun Tensor Core, hiệu suất chip chủ yếu được đánh giá qua FLOPS ở độ chính xác FP16/FP32.
Việc huấn luyện mô hình lớn cần một khối lượng tính toán khổng lồ và không gian lưu trữ. Lấy GPT-3 làm ví dụ, với 175 tỷ tham số và 180 tỷ Token dữ liệu, một lần huấn luyện trước cần 584 ngày. Số lượng tham số và dữ liệu của GPT-4 lại tăng gấp 10 lần, cần 100 lần sức mạnh tính toán.
Chuỗi công nghiệp chủ yếu bao gồm:
Nhà cung cấp GPU phần cứng: Nvidia chiếm ưu thế
Nhà cung cấp dịch vụ đám mây: Các nhà cung cấp đám mây truyền thống và nhà cung cấp dịch vụ đám mây theo chiều dọc AI
Nhà cung cấp dữ liệu huấn luyện: công cụ tìm kiếm, nền tảng xã hội, v.v.
Nhà cung cấp cơ sở dữ liệu: Cơ sở dữ liệu vector
Thiết bị biên: Hệ thống làm mát, Cung cấp năng lượng
Ứng dụng: Vẫn đang trong giai đoạn khởi đầu
Mối quan hệ giữa Crypto và AI
Công nghệ blockchain kết hợp với ZK phát triển thành tư tưởng phi tập trung + phi tin cậy. Về bản chất, đây là một mạng lưới giá trị, mỗi giao dịch đều dựa trên sự chuyển đổi giá trị của các mã thông báo.
Kinh tế token có thể mang lại giá trị đa chiều cho mạng lưới, vượt xa chứng khoán doanh nghiệp truyền thống. Token cho phép bất kỳ đổi mới và ý tưởng nào cũng có thể được gán giá trị.
Đối với ngành AI, kinh tế token có thể tái cấu trúc giá trị ở các khâu của chuỗi ngành, khuyến khích nhiều người tham gia hơn. Đặc tính không thể thay đổi và phi tập trung của công nghệ blockchain cũng có thể thực hiện một số ứng dụng AI cần sự tin cậy.
Tóm lại, kinh tế token thúc đẩy việc tái cấu trúc và khám phá giá trị, sổ cái phi tập trung giải quyết vấn đề niềm tin, giúp giá trị lưu thông lại trên toàn cầu.
Tổng quan về chuỗi giá trị trong ngành Crypto
Cung cấp GPU
Các dự án đại diện như Render. Thị trường điện toán đám mây GPU không chỉ phục vụ cho việc huấn luyện và suy luận mô hình AI, mà còn có thể được sử dụng cho các nhiệm vụ render truyền thống, giảm bớt rủi ro từ thị trường đơn lẻ.
Dự kiến nhu cầu sức mạnh GPU vào năm 2024 khoảng 75 tỷ USD, đạt 773 tỷ USD vào năm 2032, CAGR 33,86%.
Với sự phát triển của GPU, một lượng lớn GPU không sử dụng sẽ phát huy giá trị dài hạn trong mạng chia sẻ. Tuy nhiên, việc chia sẻ GPU trên chuỗi gặp phải vấn đề băng thông truyền tải dữ liệu.
băng thông phần cứng
Đại diện cho các dự án như Meson Network. Tuy nhiên, việc chia sẻ băng thông có thể là nhu cầu giả, vị trí địa lý phân tán dẫn đến độ trễ cao hơn so với lưu trữ cục bộ.
dữ liệu
Các dự án đại diện như EpiK Protocol, Synesis One, Masa, v.v. Ưu điểm của nhà cung cấp dữ liệu Web3 là có nhiều kênh thu thập dữ liệu hơn. Các dự án theo hướng ZK như Masa có triển vọng tốt.
ZKML
Sử dụng công nghệ mã hóa đồng hình để thực hiện tính toán và đào tạo bảo mật. Các dự án đại diện như Axiom, Risc Zero, Ritual, v.v.
Ứng dụng AI
Chủ yếu là ứng dụng blockchain truyền thống + khả năng tự động hóa tổng quát. AI Agent trở thành hướng quan trọng, dự án đại diện như Fetch.AI.
AI chuỗi công khai
Mạng lưới thích ứng được xây dựng cho mô hình AI hoặc đại lý, như Tensor, Allora, v.v. Dựa trên kinh tế token có thể giảm đáng kể chi phí suy diễn.
Tóm tắt
Công nghệ học sâu tuy không phải là tất cả các hướng phát triển AI, nhưng đã có các kịch bản ứng dụng thực tế. Kinh tế token có thể tái tạo giá trị chuỗi công nghiệp AI, công nghệ blockchain có thể giải quyết vấn đề niềm tin.
Mặc dù nền tảng chia sẻ GPU có thể tận dụng sức mạnh tính toán nhàn rỗi để giảm chi phí, nhưng vấn đề băng thông hạn chế nó chỉ phù hợp cho việc huấn luyện các mô hình nhỏ không khẩn cấp.
Nói chung, sự kết hợp giữa AI và Crypto có tính ứng dụng thực tế, có thể tái cấu trúc hệ thống giá trị, giải quyết vấn đề niềm tin và phát hiện giá trị thặng dư.
Trang này có thể chứa nội dung của bên thứ ba, được cung cấp chỉ nhằm mục đích thông tin (không phải là tuyên bố/bảo đảm) và không được coi là sự chứng thực cho quan điểm của Gate hoặc là lời khuyên về tài chính hoặc chuyên môn. Xem Tuyên bố từ chối trách nhiệm để biết chi tiết.
15 thích
Phần thưởng
15
5
Chia sẻ
Bình luận
0/400
ShadowStaker
· 6giờ trước
meh... một phân tích lý thuyết khác mà không giải quyết các nút thắt MEV thực sự
Xem bản gốcTrả lời0
MoonMathMagic
· 07-24 20:32
Thế giới tiền điện tử lại đang nói về AI~
Xem bản gốcTrả lời0
ContractSurrender
· 07-24 20:28
Không còn là đồ ngốc nữa, thị trường thì như vậy.
Xem bản gốcTrả lời0
LiquidatedAgain
· 07-24 20:23
Lại phải All in AI rồi phải không? Còn không thấy lỗ ít.
Xem bản gốcTrả lời0
FundingMartyr
· 07-24 20:08
Kỹ thuật tiên phong, nhưng khả năng tính toán khó mà nói ra!
AI và Tài sản tiền điện tử hòa nhập: Tái cấu trúc hệ thống giá trị và cơ cấu chuỗi ngành.
AI x Crypto: Từ số không đến đỉnh cao
Giới thiệu
Ngành trí tuệ nhân tạo gần đây phát triển mạnh mẽ, được coi là một cuộc cách mạng công nghiệp mới. Sự xuất hiện của các mô hình lớn đã nâng cao hiệu quả của nhiều ngành, Boston Consulting cho rằng GPT đã tăng cường hiệu suất làm việc ở Mỹ khoảng 20%. Khả năng tổng quát của các mô hình lớn được coi là một mô hình thiết kế phần mềm mới, giúp phần mềm có hiệu suất tốt hơn và hỗ trợ nhiều kiểu dữ liệu hơn. Công nghệ học sâu đã mang đến sự phát triển lần thứ tư cho ngành AI, làn sóng này cũng đã ảnh hưởng đến ngành tiền điện tử.
Báo cáo này sẽ khám phá chi tiết quá trình phát triển của ngành AI, phân loại công nghệ, cũng như ảnh hưởng của học sâu đối với ngành. Phân tích sâu về chuỗi công nghiệp trong học sâu bao gồm GPU, điện toán đám mây, nguồn dữ liệu, thiết bị biên, cũng như tình trạng và xu hướng phát triển của chúng. Từ đó, khám phá bản chất mối quan hệ giữa tiền điện tử và ngành AI, sắp xếp cấu trúc chuỗi công nghiệp AI liên quan đến tiền điện tử.
Lịch sử phát triển của ngành AI
Ngành AI bắt đầu từ những năm 1950, để hiện thực hóa tầm nhìn trí tuệ nhân tạo, giới học thuật và công nghiệp đã phát triển nhiều con đường thực hiện khác nhau trong bối cảnh thời đại khác nhau.
Công nghệ trí tuệ nhân tạo hiện đại chủ yếu sử dụng phương pháp "học máy", cho phép máy cải thiện hiệu suất hệ thống thông qua việc lặp lại dữ liệu. Các bước chính là đưa dữ liệu vào thuật toán, đào tạo mô hình, kiểm tra triển khai, hoàn thành nhiệm vụ dự đoán tự động.
Học máy có ba trường phái chính: 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, khi số lớp và số lượng nơ-ron ( tham số ) đủ lớn, có thể khớp với các nhiệm vụ tổng quát phức tạp. Bằng cách điều chỉnh liên tục các tham số, cuối cùng đạt được trạng thái tối ưu, đó chính là nguồn gốc của "sâu".
Công nghệ học sâu đã trải qua nhiều lần tiến hóa, từ mạng nơ-ron sơ khai, đến mạng nơ-ron truyền tiếp, RNN, CNN, GAN, cuối cùng phát triển thành các mô hình lớn hiện đại như công nghệ Transformer được sử dụng trong GPT. Công nghệ Transformer chỉ là một hướng tiến hóa của mạng nơ-ron, nó bổ sung thêm mô-đun chuyển đổi, có thể mã hóa dữ liệu đa phương thức thành các biểu diễn số và sau đó đưa vào mạng nơ-ron, thực hiện xử lý đa phương thức.
Sự phát triển của AI đã trải qua ba làn sóng công nghệ:
Vào những năm 1960, sự phát triển của công nghệ chủ nghĩa biểu tượng đã gây ra làn sóng đầu tiên, giải quyết vấn đề xử lý ngôn ngữ tự nhiên chung và giao tiếp giữa người và máy. Hệ thống chuyên gia cũng ra đời trong thời gian này.
Năm 1997, IBM Deep Blue đánh bại nhà vô địch cờ vua, đánh dấu sự bùng nổ lần thứ hai của công nghệ AI.
Năm 2006, khái niệm học sâu được đưa ra, mở ra làn sóng công nghệ thứ ba. Các thuật toán học sâu liên tục tiến hóa, từ RNN, GAN đến Transformer và Stable Diffusion, chủ nghĩa liên kết bước vào thời kỳ thịnh vượng.
Nhiều sự kiện biểu tượng đã nổi lên trong làn sóng thứ ba:
Chuỗi công nghiệp học sâu
Các mô hình ngôn ngữ lớn hiện tại chủ yếu sử dụng phương pháp học sâu dựa trên mạng nơ-ron. Các mô hình lớn dẫn đầu như GPT đã gây ra một làn sóng mới trong lĩnh vực AI, nhu cầu về dữ liệu và sức mạnh tính toán trên thị trường tăng vọt. Phần này sẽ khám phá cấu trúc và tình trạng phát triển của chuỗi công nghiệp thuật toán học sâu.
Đào tạo mô hình lớn chủ yếu được chia thành ba bước:
Tiền huấn luyện: Nhập vào một lượng lớn dữ liệu để tìm kiếm các tham số tốt nhất, tốn nhiều sức mạnh tính toán nhất.
Tinh chỉnh: Sử dụng một lượng nhỏ dữ liệu chất lượng cao để đào tạo, nâng cao chất lượng mô hình.
Học tăng cường: Xây dựng mô hình thưởng để đánh giá chất lượng đầu ra, tự động lặp lại tham số.
Có ba yếu tố chính ảnh hưởng đến hiệu suất của mô hình lớn: số lượng tham số, chất lượng và khối lượng dữ liệu, và sức mạnh tính toán. Có thể ước lượng khối lượng tính toán cần thiết bằng công thức kinh nghiệm.
Công suất chủ yếu sử dụng chip GPU, như A100, H100 của Nvidia. GPU thực hiện các phép toán số thực thông qua mô-đun Tensor Core, hiệu suất chip chủ yếu được đánh giá qua FLOPS ở độ chính xác FP16/FP32.
Việc huấn luyện mô hình lớn cần một khối lượng tính toán khổng lồ và không gian lưu trữ. Lấy GPT-3 làm ví dụ, với 175 tỷ tham số và 180 tỷ Token dữ liệu, một lần huấn luyện trước cần 584 ngày. Số lượng tham số và dữ liệu của GPT-4 lại tăng gấp 10 lần, cần 100 lần sức mạnh tính toán.
Chuỗi công nghiệp chủ yếu bao gồm:
Mối quan hệ giữa Crypto và AI
Công nghệ blockchain kết hợp với ZK phát triển thành tư tưởng phi tập trung + phi tin cậy. Về bản chất, đây là một mạng lưới giá trị, mỗi giao dịch đều dựa trên sự chuyển đổi giá trị của các mã thông báo.
Kinh tế token có thể mang lại giá trị đa chiều cho mạng lưới, vượt xa chứng khoán doanh nghiệp truyền thống. Token cho phép bất kỳ đổi mới và ý tưởng nào cũng có thể được gán giá trị.
Đối với ngành AI, kinh tế token có thể tái cấu trúc giá trị ở các khâu của chuỗi ngành, khuyến khích nhiều người tham gia hơn. Đặc tính không thể thay đổi và phi tập trung của công nghệ blockchain cũng có thể thực hiện một số ứng dụng AI cần sự tin cậy.
Tóm lại, kinh tế token thúc đẩy việc tái cấu trúc và khám phá giá trị, sổ cái phi tập trung giải quyết vấn đề niềm tin, giúp giá trị lưu thông lại trên toàn cầu.
Tổng quan về chuỗi giá trị trong ngành Crypto
Cung cấp GPU
Các dự án đại diện như Render. Thị trường điện toán đám mây GPU không chỉ phục vụ cho việc huấn luyện và suy luận mô hình AI, mà còn có thể được sử dụng cho các nhiệm vụ render truyền thống, giảm bớt rủi ro từ thị trường đơn lẻ.
Dự kiến nhu cầu sức mạnh GPU vào năm 2024 khoảng 75 tỷ USD, đạt 773 tỷ USD vào năm 2032, CAGR 33,86%.
Với sự phát triển của GPU, một lượng lớn GPU không sử dụng sẽ phát huy giá trị dài hạn trong mạng chia sẻ. Tuy nhiên, việc chia sẻ GPU trên chuỗi gặp phải vấn đề băng thông truyền tải dữ liệu.
băng thông phần cứng
Đại diện cho các dự án như Meson Network. Tuy nhiên, việc chia sẻ băng thông có thể là nhu cầu giả, vị trí địa lý phân tán dẫn đến độ trễ cao hơn so với lưu trữ cục bộ.
dữ liệu
Các dự án đại diện như EpiK Protocol, Synesis One, Masa, v.v. Ưu điểm của nhà cung cấp dữ liệu Web3 là có nhiều kênh thu thập dữ liệu hơn. Các dự án theo hướng ZK như Masa có triển vọng tốt.
ZKML
Sử dụng công nghệ mã hóa đồng hình để thực hiện tính toán và đào tạo bảo mật. Các dự án đại diện như Axiom, Risc Zero, Ritual, v.v.
Ứng dụng AI
Chủ yếu là ứng dụng blockchain truyền thống + khả năng tự động hóa tổng quát. AI Agent trở thành hướng quan trọng, dự án đại diện như Fetch.AI.
AI chuỗi công khai
Mạng lưới thích ứng được xây dựng cho mô hình AI hoặc đại lý, như Tensor, Allora, v.v. Dựa trên kinh tế token có thể giảm đáng kể chi phí suy diễn.
Tóm tắt
Công nghệ học sâu tuy không phải là tất cả các hướng phát triển AI, nhưng đã có các kịch bản ứng dụng thực tế. Kinh tế token có thể tái tạo giá trị chuỗi công nghiệp AI, công nghệ blockchain có thể giải quyết vấn đề niềm tin.
Mặc dù nền tảng chia sẻ GPU có thể tận dụng sức mạnh tính toán nhàn rỗi để giảm chi phí, nhưng vấn đề băng thông hạn chế nó chỉ phù hợp cho việc huấn luyện các mô hình nhỏ không khẩn cấp.
Nói chung, sự kết hợp giữa AI và Crypto có tính ứng dụng thực tế, có thể tái cấu trúc hệ thống giá trị, giải quyết vấn đề niềm tin và phát hiện giá trị thặng dư.