Desarrollo de la industria AI y exploración de la combinación con Crypto
El desarrollo reciente de la industria de la inteligencia artificial se considera la cuarta revolución industrial, la aparición de grandes modelos ha mejorado significativamente la eficiencia en varios sectores. La tecnología de aprendizaje profundo ha traído una nueva ola de prosperidad a la industria de la IA, y esta tendencia también ha influido en la industria de las criptomonedas.
Este artículo explorará en detalle la historia del desarrollo de la industria de la IA, las clasificaciones tecnológicas y el impacto de la tecnología de aprendizaje profundo en la industria. Se analizará a fondo el estado actual y las tendencias del desarrollo de la cadena de suministro de la industria, incluyendo GPU, computación en la nube, fuentes de datos y dispositivos de borde. Al mismo tiempo, se explorará esencialmente la relación entre la industria de Crypto y la de IA, y se organizará el patrón de la cadena de suministro de AI relacionada con Crypto.
Historia del desarrollo de la industria de la IA
La industria de la inteligencia artificial comenzó en la década de 1950, y para realizar la visión de la inteligencia artificial, el mundo académico y la industria han desarrollado diversas corrientes para lograr la inteligencia artificial en diferentes épocas y contextos disciplinares.
La tecnología moderna de inteligencia artificial utiliza principalmente el término "aprendizaje automático". La idea detrás de esta tecnología es permitir que las máquinas mejoren el rendimiento del sistema mediante la iteración repetida en tareas basadas en datos. Los pasos principales son enviar datos al algoritmo, usar esos datos para entrenar un modelo, probar y desplegar el modelo, y utilizar el modelo para completar tareas de predicción automatizada.
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 humanos. Actualmente, el conexionismo, representado por las redes neuronales, domina, también conocido como aprendizaje profundo. La arquitectura de las redes neuronales tiene una capa de entrada, una capa de salida, pero múltiples capas ocultas. Una vez que el número de capas y la cantidad de neuronas se vuelven suficientemente grandes, hay suficientes oportunidades para ajustar tareas generales complejas.
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 los modernos modelos grandes como los que utilizan la tecnología Transformer, como GPT. La tecnología Transformer es solo una dirección de evolución de las redes neuronales, a la que se le ha añadido un convertidor, que se utiliza para codificar todos los datos de diferentes modalidades en valores numéricos correspondientes. Luego, estos se introducen en la red neuronal, lo que permite que la red neuronal se ajuste a cualquier tipo de datos, logrando la multimodalidad.
El desarrollo de la IA ha pasado por tres oleadas tecnológicas:
En la década de 1960, la primera ola provocada por el desarrollo de la tecnología del simbolismo resolvió los problemas del procesamiento del lenguaje natural y la interacción hombre-máquina.
En 1997, Deep Blue de IBM venció al campeón de ajedrez Garry Kasparov, marcando el segundo pico de desarrollo.
Desde 2006, el desarrollo de la tecnología de aprendizaje profundo ha desencadenado la tercera ola tecnológica, que también es el apogeo del conexionismo.
En los últimos años, la tecnología de aprendizaje profundo ha logrado avances significativos, apareciendo múltiples eventos emblemáticos:
En 2015, se creó OpenAI.
En 2016, AlphaGo derrotó al campeón mundial de Go, Lee Sedol.
En 2017, Google propuso el algoritmo Transformer.
En 2018, OpenAI lanzó el modelo GPT.
En 2020, OpenAI lanzó GPT-3.
En enero de 2023, se lanzó ChatGPT basado en GPT-4.
Cadena de 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 desencadenado una ola de entusiasmo por la inteligencia artificial, con una gran cantidad de jugadores ingresando a este campo. La demanda del mercado por datos y potencia de cálculo ha aumentado considerablemente.
Al realizar el entrenamiento de grandes modelos como GPT basados en la tecnología Transformer, se divide en tres pasos:
Pre-entrenamiento: Buscar los mejores parámetros para cada neurona del modelo mediante grandes volúmenes de datos, lo que consume más potencia de cálculo.
Ajuste fino: entrenar con una pequeña cantidad de datos de alta calidad para mejorar la calidad de salida del modelo.
Aprendizaje reforzado: establecer un modelo de recompensa, evaluar la salida del modelo grande, iterar parámetros.
El rendimiento de los grandes modelos se determina principalmente por la cantidad de parámetros, la cantidad y calidad de los datos, y la capacidad de cómputo. Estos tres factores han incubado toda una cadena industrial.
( proveedor de hardware GPU
La GPU es el principal chip utilizado actualmente para el entrenamiento y la inferencia. Nvidia está en una posición de liderazgo absoluto, con sus chips H100, A100, entre otros, que se utilizan ampliamente en la comercialización de grandes modelos.
En 2023, el último chip H100 de Nvidia está en gran demanda, con un ciclo de entrega que alcanza las 52 semanas. Muchas grandes empresas tecnológicas están comprando en grandes cantidades chips H100 para construir centros de computación de alto rendimiento.
![Nuevos conocimientos丨AI x Crypto: De cero a la cima])https://img-cdn.gateio.im/webp-social/moments-f37fb0100218188368f4d31940aab2a3.webp(
) proveedor de servicios en la nube
Los proveedores de servicios en la nube, después de comprar suficientes GPU para construir HPC, pueden ofrecer potencia de cálculo elástica y soluciones de entrenamiento alojadas a empresas de inteligencia artificial con recursos financieros limitados. Actualmente, el mercado se divide principalmente en tres tipos de proveedores de potencia de cálculo en la nube:
Plataformas de computación en la nube de gran escala representadas por proveedores de nube tradicionales como ###AWS, Google, Azure(.
Plataformas de computación en la nube especializadas en el campo de la IA vertical, como CoreWeave, Lambda, etc.
Proveedores de inferencia como Together.ai, Fireworks.ai, etc.
![Nuevos Conocimientos丨AI x Crypto: De cero a la cima])https://img-cdn.gateio.im/webp-social/moments-8848582a34ba293d15afae15d90e3c95.webp###
( proveedor de bases de datos
Para tareas de inferencia y entrenamiento de datos de IA y aprendizaje profundo, actualmente se utiliza en la industria la "base de datos vectorial". La base de datos vectorial está diseñada para almacenar, gestionar e indexar de manera eficiente grandes volúmenes de datos vectoriales de alta dimensión.
Los principales jugadores en la actualidad son Chroma, Zilliz, Pinecone, Weaviate, entre otros. Con el aumento de la demanda de datos, así como la explosión de modelos y aplicaciones en diversos campos, la necesidad de bases de datos vectoriales aumentará significativamente.
![Nuevos conocimientos丨AI x Crypto: De cero a la cima])https://img-cdn.gateio.im/webp-social/moments-53c48daf49a3dbb35c1a2b47e234f180.webp(
) dispositivo de borde
Al construir un clúster de computación de alto rendimiento con GPU, suele consumirse una gran cantidad de energía y generarse mucho calor. Esto requiere algunos dispositivos de enfriamiento periféricos para garantizar el funcionamiento continuo del HPC. Implica dos direcciones: suministro de energía y sistemas de refrigeración.
Actualmente, en el lado de la oferta de energía, se utiliza principalmente energía eléctrica. En cuanto a la refrigeración de los clústeres HPC, actualmente se basa principalmente en refrigeración por aire, pero muchos VC están invirtiendo fuertemente en sistemas de refrigeración líquida. La refrigeración líquida se divide principalmente en tres direcciones de exploración: refrigeración líquida de placa fría, refrigeración líquida por inmersión y refrigeración líquida por pulverización.
![Introducción para nuevos usuarios丨AI x Crypto: De cero a la cima]###https://img-cdn.gateio.im/webp-social/moments-250a286e79261e91a0e7ac4941ff5c76.webp(
) aplicación
Actualmente, el desarrollo de aplicaciones de IA es similar al de la industria blockchain, donde la infraestructura está muy saturada, pero el desarrollo de aplicaciones no ha seguido el ritmo. La mayoría de las aplicaciones de IA activas en los primeros diez meses son del tipo de búsqueda, y los tipos de aplicaciones son bastante únicos. Al mismo tiempo, la tasa de retención de usuarios de las aplicaciones de IA es mucho más baja que la de las aplicaciones de Internet tradicionales.
Según el informe de Sequoia Capital, las aplicaciones de IA se dividen en tres categorías desde la perspectiva de los roles: orientadas a consumidores profesionales, empresas y consumidores generales. Las orientadas a los consumidores se utilizan principalmente para mejorar la productividad, mientras que las orientadas a las empresas se utilizan en marketing, derecho, diseño médico y otros sectores.
![Nuevos conocimientos丨AI x Crypto: De cero a la cima]###https://img-cdn.gateio.im/webp-social/moments-8358c377eb2c07467848b3b46dbf1056.webp(
La relación entre Crypto y AI
La blockchain se beneficia del desarrollo de la tecnología ZK, evolucionando hacia la idea de descentralización + desconfianza. La red blockchain es esencialmente una red de valor, donde cada transacción es una conversión de valor basada en un token subyacente. La tokenómica son las reglas específicas que reflejan el valor de un token.
La economía de tokens puede definir el valor relativo del token nativo ) de la red de liquidación del ecosistema ###. Aunque no se puede poner precio a cada dimensión, el precio del token refleja un valor multidimensional. Una vez que se otorgan y circulan los tokens en la red, se puede asignar valor a funciones o ideas.
Los tokens y la tecnología blockchain, como medio para redefinir y descubrir el valor, son cruciales también para la industria de la IA. Emitir tokens en la industria de la IA puede permitir la reestructuración del valor en todos los aspectos, incentivando a más personas a profundizar en diferentes nichos. Las características de inmutabilidad y desconfianza de la tecnología blockchain también pueden hacer posibles algunas aplicaciones de IA que requieren confianza.
En resumen, la economía de tokens puede promover la revalorización y el descubrimiento de valor, los libros de contabilidad descentralizados pueden resolver problemas de confianza y permitir que el valor fluya nuevamente a nivel global. La combinación de Crypto y AI tiene su utilidad práctica, puede reconfigurar la perspectiva del valor, resolver problemas de confianza y descubrir valor residual.
Esta página puede contener contenido de terceros, que se proporciona únicamente con fines informativos (sin garantías ni declaraciones) y no debe considerarse como un respaldo por parte de Gate a las opiniones expresadas ni como asesoramiento financiero o profesional. Consulte el Descargo de responsabilidad para obtener más detalles.
16 me gusta
Recompensa
16
6
Republicar
Compartir
Comentar
0/400
ser_we_are_ngmi
· hace6h
Esto es un tema de conversación común.
Ver originalesResponder0
LiquidityOracle
· hace16h
Esta ola de IA realmente ha llegado.
Ver originalesResponder0
ChainWatcher
· 08-12 15:12
¿La minería se ha convertido en IA? Esta es una nueva fuente de ingresos.
Ver originalesResponder0
GamefiEscapeArtist
· 08-12 15:05
Otra vez es un lugar donde se toma a la gente por tonta.
Ver originalesResponder0
GlueGuy
· 08-12 14:57
¿Por qué este gran modelo vuelve a recurrir a los viejos trucos de la IA?
Ver originalesResponder0
StablecoinArbitrageur
· 08-12 14:47
*suspiro* otro análisis mal cuantificado... ¿dónde está la correlación estadística entre los fondos de liquidez de IA y las oportunidades de arbitraje? investigación de novato, para ser honesto.
La fusión de AI y Crypto reconfigura la cadena de valor de la industria
Desarrollo de la industria AI y exploración de la combinación con Crypto
El desarrollo reciente de la industria de la inteligencia artificial se considera la cuarta revolución industrial, la aparición de grandes modelos ha mejorado significativamente la eficiencia en varios sectores. La tecnología de aprendizaje profundo ha traído una nueva ola de prosperidad a la industria de la IA, y esta tendencia también ha influido en la industria de las criptomonedas.
Este artículo explorará en detalle la historia del desarrollo de la industria de la IA, las clasificaciones tecnológicas y el impacto de la tecnología de aprendizaje profundo en la industria. Se analizará a fondo el estado actual y las tendencias del desarrollo de la cadena de suministro de la industria, incluyendo GPU, computación en la nube, fuentes de datos y dispositivos de borde. Al mismo tiempo, se explorará esencialmente la relación entre la industria de Crypto y la de IA, y se organizará el patrón de la cadena de suministro de AI relacionada con Crypto.
Historia del desarrollo de la industria de la IA
La industria de la inteligencia artificial comenzó en la década de 1950, y para realizar la visión de la inteligencia artificial, el mundo académico y la industria han desarrollado diversas corrientes para lograr la inteligencia artificial en diferentes épocas y contextos disciplinares.
La tecnología moderna de inteligencia artificial utiliza principalmente el término "aprendizaje automático". La idea detrás de esta tecnología es permitir que las máquinas mejoren el rendimiento del sistema mediante la iteración repetida en tareas basadas en datos. Los pasos principales son enviar datos al algoritmo, usar esos datos para entrenar un modelo, probar y desplegar el modelo, y utilizar el modelo para completar tareas de predicción automatizada.
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 humanos. Actualmente, el conexionismo, representado por las redes neuronales, domina, también conocido como aprendizaje profundo. La arquitectura de las redes neuronales tiene una capa de entrada, una capa de salida, pero múltiples capas ocultas. Una vez que el número de capas y la cantidad de neuronas se vuelven suficientemente grandes, hay suficientes oportunidades para ajustar tareas generales complejas.
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 los modernos modelos grandes como los que utilizan la tecnología Transformer, como GPT. La tecnología Transformer es solo una dirección de evolución de las redes neuronales, a la que se le ha añadido un convertidor, que se utiliza para codificar todos los datos de diferentes modalidades en valores numéricos correspondientes. Luego, estos se introducen en la red neuronal, lo que permite que la red neuronal se ajuste a cualquier tipo de datos, logrando la multimodalidad.
El desarrollo de la IA ha pasado por tres oleadas tecnológicas:
En la década de 1960, la primera ola provocada por el desarrollo de la tecnología del simbolismo resolvió los problemas del procesamiento del lenguaje natural y la interacción hombre-máquina.
En 1997, Deep Blue de IBM venció al campeón de ajedrez Garry Kasparov, marcando el segundo pico de desarrollo.
Desde 2006, el desarrollo de la tecnología de aprendizaje profundo ha desencadenado la tercera ola tecnológica, que también es el apogeo del conexionismo.
En los últimos años, la tecnología de aprendizaje profundo ha logrado avances significativos, apareciendo múltiples eventos emblemáticos:
Cadena de 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 desencadenado una ola de entusiasmo por la inteligencia artificial, con una gran cantidad de jugadores ingresando a este campo. La demanda del mercado por datos y potencia de cálculo ha aumentado considerablemente.
Al realizar el entrenamiento de grandes modelos como GPT basados en la tecnología Transformer, se divide en tres pasos:
Pre-entrenamiento: Buscar los mejores parámetros para cada neurona del modelo mediante grandes volúmenes de datos, lo que consume más potencia de cálculo.
Ajuste fino: entrenar con una pequeña cantidad de datos de alta calidad para mejorar la calidad de salida del modelo.
Aprendizaje reforzado: establecer un modelo de recompensa, evaluar la salida del modelo grande, iterar parámetros.
El rendimiento de los grandes modelos se determina principalmente por la cantidad de parámetros, la cantidad y calidad de los datos, y la capacidad de cómputo. Estos tres factores han incubado toda una cadena industrial.
( proveedor de hardware GPU
La GPU es el principal chip utilizado actualmente para el entrenamiento y la inferencia. Nvidia está en una posición de liderazgo absoluto, con sus chips H100, A100, entre otros, que se utilizan ampliamente en la comercialización de grandes modelos.
En 2023, el último chip H100 de Nvidia está en gran demanda, con un ciclo de entrega que alcanza las 52 semanas. Muchas grandes empresas tecnológicas están comprando en grandes cantidades chips H100 para construir centros de computación de alto rendimiento.
![Nuevos conocimientos丨AI x Crypto: De cero a la cima])https://img-cdn.gateio.im/webp-social/moments-f37fb0100218188368f4d31940aab2a3.webp(
) proveedor de servicios en la nube
Los proveedores de servicios en la nube, después de comprar suficientes GPU para construir HPC, pueden ofrecer potencia de cálculo elástica y soluciones de entrenamiento alojadas a empresas de inteligencia artificial con recursos financieros limitados. Actualmente, el mercado se divide principalmente en tres tipos de proveedores de potencia de cálculo en la nube:
Plataformas de computación en la nube de gran escala representadas por proveedores de nube tradicionales como ###AWS, Google, Azure(.
Plataformas de computación en la nube especializadas en el campo de la IA vertical, como CoreWeave, Lambda, etc.
Proveedores de inferencia como Together.ai, Fireworks.ai, etc.
![Nuevos Conocimientos丨AI x Crypto: De cero a la cima])https://img-cdn.gateio.im/webp-social/moments-8848582a34ba293d15afae15d90e3c95.webp###
( proveedor de bases de datos
Para tareas de inferencia y entrenamiento de datos de IA y aprendizaje profundo, actualmente se utiliza en la industria la "base de datos vectorial". La base de datos vectorial está diseñada para almacenar, gestionar e indexar de manera eficiente grandes volúmenes de datos vectoriales de alta dimensión.
Los principales jugadores en la actualidad son Chroma, Zilliz, Pinecone, Weaviate, entre otros. Con el aumento de la demanda de datos, así como la explosión de modelos y aplicaciones en diversos campos, la necesidad de bases de datos vectoriales aumentará significativamente.
![Nuevos conocimientos丨AI x Crypto: De cero a la cima])https://img-cdn.gateio.im/webp-social/moments-53c48daf49a3dbb35c1a2b47e234f180.webp(
) dispositivo de borde
Al construir un clúster de computación de alto rendimiento con GPU, suele consumirse una gran cantidad de energía y generarse mucho calor. Esto requiere algunos dispositivos de enfriamiento periféricos para garantizar el funcionamiento continuo del HPC. Implica dos direcciones: suministro de energía y sistemas de refrigeración.
Actualmente, en el lado de la oferta de energía, se utiliza principalmente energía eléctrica. En cuanto a la refrigeración de los clústeres HPC, actualmente se basa principalmente en refrigeración por aire, pero muchos VC están invirtiendo fuertemente en sistemas de refrigeración líquida. La refrigeración líquida se divide principalmente en tres direcciones de exploración: refrigeración líquida de placa fría, refrigeración líquida por inmersión y refrigeración líquida por pulverización.
![Introducción para nuevos usuarios丨AI x Crypto: De cero a la cima]###https://img-cdn.gateio.im/webp-social/moments-250a286e79261e91a0e7ac4941ff5c76.webp(
) aplicación
Actualmente, el desarrollo de aplicaciones de IA es similar al de la industria blockchain, donde la infraestructura está muy saturada, pero el desarrollo de aplicaciones no ha seguido el ritmo. La mayoría de las aplicaciones de IA activas en los primeros diez meses son del tipo de búsqueda, y los tipos de aplicaciones son bastante únicos. Al mismo tiempo, la tasa de retención de usuarios de las aplicaciones de IA es mucho más baja que la de las aplicaciones de Internet tradicionales.
Según el informe de Sequoia Capital, las aplicaciones de IA se dividen en tres categorías desde la perspectiva de los roles: orientadas a consumidores profesionales, empresas y consumidores generales. Las orientadas a los consumidores se utilizan principalmente para mejorar la productividad, mientras que las orientadas a las empresas se utilizan en marketing, derecho, diseño médico y otros sectores.
![Nuevos conocimientos丨AI x Crypto: De cero a la cima]###https://img-cdn.gateio.im/webp-social/moments-8358c377eb2c07467848b3b46dbf1056.webp(
La relación entre Crypto y AI
La blockchain se beneficia del desarrollo de la tecnología ZK, evolucionando hacia la idea de descentralización + desconfianza. La red blockchain es esencialmente una red de valor, donde cada transacción es una conversión de valor basada en un token subyacente. La tokenómica son las reglas específicas que reflejan el valor de un token.
La economía de tokens puede definir el valor relativo del token nativo ) de la red de liquidación del ecosistema ###. Aunque no se puede poner precio a cada dimensión, el precio del token refleja un valor multidimensional. Una vez que se otorgan y circulan los tokens en la red, se puede asignar valor a funciones o ideas.
Los tokens y la tecnología blockchain, como medio para redefinir y descubrir el valor, son cruciales también para la industria de la IA. Emitir tokens en la industria de la IA puede permitir la reestructuración del valor en todos los aspectos, incentivando a más personas a profundizar en diferentes nichos. Las características de inmutabilidad y desconfianza de la tecnología blockchain también pueden hacer posibles algunas aplicaciones de IA que requieren confianza.
En resumen, la economía de tokens puede promover la revalorización y el descubrimiento de valor, los libros de contabilidad descentralizados pueden resolver problemas de confianza y permitir que el valor fluya nuevamente a nivel global. La combinación de Crypto y AI tiene su utilidad práctica, puede reconfigurar la perspectiva del valor, resolver problemas de confianza y descubrir valor residual.