Développement de l'industrie de l'IA et exploration de la combinaison avec la Crypto
Le développement récent de l'industrie de l'intelligence artificielle est considéré comme la quatrième révolution industrielle, l'émergence des grands modèles a considérablement amélioré l'efficacité dans divers secteurs. La technologie d'apprentissage profond a apporté une nouvelle prospérité à l'industrie de l'IA, et cette tendance a également influencé l'industrie des cryptomonnaies.
Cet article explorera en détail l'histoire du développement de l'industrie de l'IA, les classifications technologiques et l'impact de la technologie d'apprentissage profond sur l'industrie. Il analysera en profondeur l'état actuel et les tendances du développement de la chaîne de valeur, y compris les GPU, le cloud computing, les sources de données et les dispositifs en périphérie dans l'apprentissage profond. En même temps, il examinera essentiellement la relation entre les secteurs de la Crypto et de l'IA, en clarifiant la structure de la chaîne de valeur de l'IA liée à la Crypto.
L'histoire du développement de l'industrie de l'IA
L'industrie de l'IA a commencé dans les années 1950. Pour réaliser la vision de l'intelligence artificielle, le monde académique et l'industrie ont développé, à différentes époques et dans différents contextes disciplinaires, plusieurs écoles de pensée pour réaliser l'intelligence artificielle.
Les technologies modernes de l'intelligence artificielle utilisent principalement le terme "apprentissage automatique", dont le concept consiste à permettre aux machines d'itérer plusieurs fois sur des tâches en s'appuyant sur des données pour améliorer les performances du système. Les principales étapes consistent à envoyer des données à un algorithme, à utiliser ces données pour entraîner un modèle, à tester et déployer le modèle, puis à utiliser le modèle pour accomplir des tâches de prédiction automatisée.
L'apprentissage automatique a trois grandes écoles, à savoir le connexionnisme, le symbolisme et le comportementalisme, qui imitent respectivement le système nerveux, la pensée et le comportement humains. Actuellement, le connexionnisme, représenté par les réseaux neuronaux, est en avance ( également appelé apprentissage profond ). L'architecture des réseaux neuronaux comprend une couche d'entrée et une couche de sortie, mais possède plusieurs couches cachées. Une fois que le nombre de couches et de neurones ( ainsi que le nombre de paramètres ) deviennent suffisamment élevés, il y a suffisamment d'opportunités pour modéliser des tâches générales complexes.
Les technologies d'apprentissage profond basées sur des réseaux neuronaux ont également connu plusieurs itérations et évolutions techniques, des premiers réseaux neuronaux aux réseaux neuronaux à propagation avant, RNN, CNN, GAN, pour finalement évoluer vers les modèles modernes tels que ceux utilisant la technologie Transformer comme GPT. La technologie Transformer n'est qu'une direction d'évolution des réseaux neuronaux, ajoutant un transformateur, qui sert à coder toutes les données de différentes modalités en valeurs numériques correspondantes. Ces valeurs sont ensuite entrées dans le réseau neuronal, permettant ainsi au réseau neuronal de s'adapter à tout type de données, réalisant ainsi le multimodal.
Le développement de l'IA a traversé trois vagues technologiques :
Dans les années 1960, la première vague déclenchée par le développement de la technologie symbolique a résolu les problèmes de traitement du langage naturel et de dialogue homme-machine.
En 1997, IBM Deep Blue a battu le champion d'échecs Garry Kasparov, marquant le deuxième pic de développement.
Depuis 2006, le développement des technologies d'apprentissage profond a déclenché la troisième vague technologique, qui est également l'apogée du connexionnisme.
Ces dernières années, la technologie d'apprentissage profond a continuellement fait des percées, avec plusieurs événements marquants :
En 2015, OpenAI a été créé.
En 2016, AlphaGo a battu le champion du monde de go, Lee Sedol.
En 2017, Google a proposé l'algorithme Transformer.
En 2018, OpenAI a publié le modèle GPT.
En 2020, OpenAI a publié GPT-3.
En janvier 2023, lancement de ChatGPT basé sur GPT-4.
Chaîne de valeur de l'apprentissage profond
Les modèles de langage actuels sont tous basés sur des méthodes d'apprentissage profond utilisant des réseaux neuronaux. Les grands modèles, dirigés par GPT, ont déclenché une vague d'enthousiasme pour l'intelligence artificielle, attirant de nombreux acteurs dans ce domaine. La demande du marché pour les données et la puissance de calcul a explosé.
Lors de l'entraînement de grands modèles tels que GPT basés sur la technologie Transformer, il y a en tout trois étapes :
Pré-entraînement : Trouver les meilleurs paramètres pour chaque neurone du modèle à partir d'une grande quantité de données, ce qui consomme le plus de puissance de calcul.
Affinage : utiliser un petit nombre de données de haute qualité pour former, améliorer la qualité de sortie du modèle.
Apprentissage par renforcement : établir un modèle de récompense, évaluer la sortie du grand modèle, itérer les paramètres.
La performance des grands modèles est principalement déterminée par le nombre de paramètres, la quantité et la qualité des données, ainsi que la puissance de calcul. Ces trois éléments ont donné naissance à toute une chaîne industrielle.
fournisseur de GPU matériel
Les GPU sont actuellement les principales puces utilisées pour l'entraînement et l'inférence. Nvidia est en position de leader absolu, ses puces H100, A100, etc. étant largement utilisées pour la commercialisation de grands modèles.
En 2023, la dernière puce H100 de Nvidia est en forte demande, avec un délai de livraison atteignant 52 semaines. De nombreuses grandes entreprises technologiques achètent massivement des puces H100 pour constituer des centres de calcul haute performance.
fournisseur de services cloud
Les fournisseurs de services cloud, après avoir acheté suffisamment de GPU pour construire des HPC, peuvent fournir des capacités de calcul flexibles et des solutions d'entraînement hébergées aux entreprises d'intelligence artificielle disposant de ressources financières limitées. Actuellement, le marché se divise principalement en trois catégories de fournisseurs de puissance de calcul cloud :
Les plateformes de cloud computing à grande échelle représentées par des fournisseurs de cloud traditionnels comme AWS, Google, Azure.
Plateforme de cloud computing spécialisée en IA verticale, comme CoreWeave, Lambda, etc.
Fournisseurs de services de raisonnement, tels que Together.ai, Fireworks.ai, etc.
( fournisseur de base de données
Pour les données AI ainsi que les tâches d'entraînement et d'inférence en apprentissage profond, l'industrie utilise actuellement des "bases de données vectorielles". Les bases de données vectorielles visent à stocker, gérer et indexer efficacement d'énormes quantités de données vectorielles de haute dimension.
Les principaux acteurs actuellement sont Chroma, Zilliz, Pinecone, Weaviate, etc. Avec l'augmentation de la demande en volume de données, ainsi que l'émergence de modèles et d'applications de grande taille dans divers domaines, la demande pour les bases de données vectorielles va augmenter de manière significative.
![Nouveau guide丨AI x Crypto : De zéro au sommet])https://img-cdn.gateio.im/webp-social/moments-53c48daf49a3dbb35c1a2b47e234f180.webp###
( périphériques
Lors de la création d'un cluster de calcul haute performance GPU, une grande quantité d'énergie est généralement consommée, générant une quantité considérable de chaleur. Cela nécessite des dispositifs de refroidissement en bordure pour garantir le fonctionnement continu du HPC. Cela concerne deux aspects : l'approvisionnement en énergie et le système de refroidissement.
Actuellement, l'énergie électrique est principalement utilisée du côté de l'approvisionnement énergétique. En ce qui concerne le refroidissement des clusters HPC, le refroidissement par air est actuellement prédominant, mais de nombreux VC investissent massivement dans les systèmes de refroidissement par liquide. Le refroidissement par liquide se divise principalement en trois directions d'exploration : refroidissement par plaque froide, refroidissement par immersion et refroidissement par pulvérisation.
![Nouveau guide丨AI x Crypto : De zéro au sommet])https://img-cdn.gateio.im/webp-social/moments-250a286e79261e91a0e7ac4941ff5c76.webp###
( application
Le développement actuel des applications d'IA est similaire à celui de l'industrie de la blockchain, où l'infrastructure est très encombrée, mais le développement d'applications n'a pas suivi. La plupart des applications d'IA actives des dix premiers mois sont de type recherche, avec une typologie d'applications assez unique. De plus, le taux de rétention des utilisateurs des applications d'IA est bien inférieur à celui des applications Internet traditionnelles.
Selon le rapport de Sequoia Capital, les applications d'IA se divisent en trois catégories selon le rôle ciblé : les consommateurs professionnels, les entreprises et les consommateurs ordinaires. Les applications destinées aux consommateurs visent principalement à améliorer la productivité, tandis que celles destinées aux entreprises sont utilisées dans des secteurs tels que le marketing, le droit et la conception médicale.
![Nouvelle vulgarisation丨IA x Crypto : De zéro au sommet])https://img-cdn.gateio.im/webp-social/moments-8358c377eb2c07467848b3b46dbf1056.webp###
La relation entre la crypto et l'IA
La blockchain bénéficie du développement de la technologie ZK, évoluant vers une pensée décentralisée et sans confiance. Le réseau blockchain est essentiellement un réseau de valeur, chaque transaction étant une conversion de valeur basée sur le jeton sous-jacent. La Tokenomics est la règle concrète d'expression de la valeur des jetons.
L'économie des tokens peut définir la valeur relative des actifs de règlement de l'écosystème ( et du token natif du réseau ). Bien qu'il ne soit pas possible de fixer un prix pour chaque dimension, le prix du token reflète une valeur multidimensionnelle. Une fois que les tokens sont attribués et circulent sur le réseau, ils peuvent conférer de la valeur à des fonctions ou des idées.
Les jetons et la technologie blockchain, qui redéfinissent et découvrent la valeur, sont également cruciaux pour l'industrie de l'IA. L'émission de jetons dans le secteur de l'IA permet une restructuration de la valeur de tous les côtés, incitant davantage de personnes à se plonger dans les différents segments de marché. Les caractéristiques d'immutabilité et de confiance minimale de la technologie blockchain peuvent également permettre la réalisation de certaines applications d'IA nécessitant la confiance.
En résumé, l'économie des tokens peut favoriser la redéfinition et la découverte de la valeur, les registres décentralisés peuvent résoudre les problèmes de confiance et permettre à la valeur de circuler à l'échelle mondiale. La combinaison de la crypto et de l'IA a une utilité pratique, elle peut redéfinir la perspective de la valeur, résoudre les problèmes de confiance et découvrir la valeur résiduelle.
Cette page peut inclure du contenu de tiers fourni à des fins d'information uniquement. Gate ne garantit ni l'exactitude ni la validité de ces contenus, n’endosse pas les opinions exprimées, et ne fournit aucun conseil financier ou professionnel à travers ces informations. Voir la section Avertissement pour plus de détails.
15 J'aime
Récompense
15
5
Reposter
Partager
Commentaire
0/400
LiquidityOracle
· Il y a 8h
Cette vague d'IA est vraiment arrivée.
Voir l'originalRépondre0
ChainWatcher
· Il y a 23h
Mining est-il devenu de l'IA ? Voilà une nouvelle source de revenus.
Voir l'originalRépondre0
GamefiEscapeArtist
· Il y a 23h
Encore une vague de pigeons prises pour des idiots.
Voir l'originalRépondre0
GlueGuy
· Il y a 23h
Comment ce grand modèle ressort encore les vieux clichés de l'IA ?
Voir l'originalRépondre0
StablecoinArbitrageur
· Il y a 23h
*sigh* une autre analyse mal quantifiée... où est la corrélation statistique entre les pools de liquidité AI et les opportunités d'arbitrage ? recherche de novice à vrai dire
L'intégration de l'IA et de la crypto-monnaie redéfinit la chaîne de valeur de l'industrie.
Développement de l'industrie de l'IA et exploration de la combinaison avec la Crypto
Le développement récent de l'industrie de l'intelligence artificielle est considéré comme la quatrième révolution industrielle, l'émergence des grands modèles a considérablement amélioré l'efficacité dans divers secteurs. La technologie d'apprentissage profond a apporté une nouvelle prospérité à l'industrie de l'IA, et cette tendance a également influencé l'industrie des cryptomonnaies.
Cet article explorera en détail l'histoire du développement de l'industrie de l'IA, les classifications technologiques et l'impact de la technologie d'apprentissage profond sur l'industrie. Il analysera en profondeur l'état actuel et les tendances du développement de la chaîne de valeur, y compris les GPU, le cloud computing, les sources de données et les dispositifs en périphérie dans l'apprentissage profond. En même temps, il examinera essentiellement la relation entre les secteurs de la Crypto et de l'IA, en clarifiant la structure de la chaîne de valeur de l'IA liée à la Crypto.
L'histoire du développement de l'industrie de l'IA
L'industrie de l'IA a commencé dans les années 1950. Pour réaliser la vision de l'intelligence artificielle, le monde académique et l'industrie ont développé, à différentes époques et dans différents contextes disciplinaires, plusieurs écoles de pensée pour réaliser l'intelligence artificielle.
Les technologies modernes de l'intelligence artificielle utilisent principalement le terme "apprentissage automatique", dont le concept consiste à permettre aux machines d'itérer plusieurs fois sur des tâches en s'appuyant sur des données pour améliorer les performances du système. Les principales étapes consistent à envoyer des données à un algorithme, à utiliser ces données pour entraîner un modèle, à tester et déployer le modèle, puis à utiliser le modèle pour accomplir des tâches de prédiction automatisée.
L'apprentissage automatique a trois grandes écoles, à savoir le connexionnisme, le symbolisme et le comportementalisme, qui imitent respectivement le système nerveux, la pensée et le comportement humains. Actuellement, le connexionnisme, représenté par les réseaux neuronaux, est en avance ( également appelé apprentissage profond ). L'architecture des réseaux neuronaux comprend une couche d'entrée et une couche de sortie, mais possède plusieurs couches cachées. Une fois que le nombre de couches et de neurones ( ainsi que le nombre de paramètres ) deviennent suffisamment élevés, il y a suffisamment d'opportunités pour modéliser des tâches générales complexes.
Les technologies d'apprentissage profond basées sur des réseaux neuronaux ont également connu plusieurs itérations et évolutions techniques, des premiers réseaux neuronaux aux réseaux neuronaux à propagation avant, RNN, CNN, GAN, pour finalement évoluer vers les modèles modernes tels que ceux utilisant la technologie Transformer comme GPT. La technologie Transformer n'est qu'une direction d'évolution des réseaux neuronaux, ajoutant un transformateur, qui sert à coder toutes les données de différentes modalités en valeurs numériques correspondantes. Ces valeurs sont ensuite entrées dans le réseau neuronal, permettant ainsi au réseau neuronal de s'adapter à tout type de données, réalisant ainsi le multimodal.
Le développement de l'IA a traversé trois vagues technologiques :
Dans les années 1960, la première vague déclenchée par le développement de la technologie symbolique a résolu les problèmes de traitement du langage naturel et de dialogue homme-machine.
En 1997, IBM Deep Blue a battu le champion d'échecs Garry Kasparov, marquant le deuxième pic de développement.
Depuis 2006, le développement des technologies d'apprentissage profond a déclenché la troisième vague technologique, qui est également l'apogée du connexionnisme.
Ces dernières années, la technologie d'apprentissage profond a continuellement fait des percées, avec plusieurs événements marquants :
Chaîne de valeur de l'apprentissage profond
Les modèles de langage actuels sont tous basés sur des méthodes d'apprentissage profond utilisant des réseaux neuronaux. Les grands modèles, dirigés par GPT, ont déclenché une vague d'enthousiasme pour l'intelligence artificielle, attirant de nombreux acteurs dans ce domaine. La demande du marché pour les données et la puissance de calcul a explosé.
Lors de l'entraînement de grands modèles tels que GPT basés sur la technologie Transformer, il y a en tout trois étapes :
Pré-entraînement : Trouver les meilleurs paramètres pour chaque neurone du modèle à partir d'une grande quantité de données, ce qui consomme le plus de puissance de calcul.
Affinage : utiliser un petit nombre de données de haute qualité pour former, améliorer la qualité de sortie du modèle.
Apprentissage par renforcement : établir un modèle de récompense, évaluer la sortie du grand modèle, itérer les paramètres.
La performance des grands modèles est principalement déterminée par le nombre de paramètres, la quantité et la qualité des données, ainsi que la puissance de calcul. Ces trois éléments ont donné naissance à toute une chaîne industrielle.
fournisseur de GPU matériel
Les GPU sont actuellement les principales puces utilisées pour l'entraînement et l'inférence. Nvidia est en position de leader absolu, ses puces H100, A100, etc. étant largement utilisées pour la commercialisation de grands modèles.
En 2023, la dernière puce H100 de Nvidia est en forte demande, avec un délai de livraison atteignant 52 semaines. De nombreuses grandes entreprises technologiques achètent massivement des puces H100 pour constituer des centres de calcul haute performance.
fournisseur de services cloud
Les fournisseurs de services cloud, après avoir acheté suffisamment de GPU pour construire des HPC, peuvent fournir des capacités de calcul flexibles et des solutions d'entraînement hébergées aux entreprises d'intelligence artificielle disposant de ressources financières limitées. Actuellement, le marché se divise principalement en trois catégories de fournisseurs de puissance de calcul cloud :
Les plateformes de cloud computing à grande échelle représentées par des fournisseurs de cloud traditionnels comme AWS, Google, Azure.
Plateforme de cloud computing spécialisée en IA verticale, comme CoreWeave, Lambda, etc.
Fournisseurs de services de raisonnement, tels que Together.ai, Fireworks.ai, etc.
( fournisseur de base de données
Pour les données AI ainsi que les tâches d'entraînement et d'inférence en apprentissage profond, l'industrie utilise actuellement des "bases de données vectorielles". Les bases de données vectorielles visent à stocker, gérer et indexer efficacement d'énormes quantités de données vectorielles de haute dimension.
Les principaux acteurs actuellement sont Chroma, Zilliz, Pinecone, Weaviate, etc. Avec l'augmentation de la demande en volume de données, ainsi que l'émergence de modèles et d'applications de grande taille dans divers domaines, la demande pour les bases de données vectorielles va augmenter de manière significative.
![Nouveau guide丨AI x Crypto : De zéro au sommet])https://img-cdn.gateio.im/webp-social/moments-53c48daf49a3dbb35c1a2b47e234f180.webp###
( périphériques
Lors de la création d'un cluster de calcul haute performance GPU, une grande quantité d'énergie est généralement consommée, générant une quantité considérable de chaleur. Cela nécessite des dispositifs de refroidissement en bordure pour garantir le fonctionnement continu du HPC. Cela concerne deux aspects : l'approvisionnement en énergie et le système de refroidissement.
Actuellement, l'énergie électrique est principalement utilisée du côté de l'approvisionnement énergétique. En ce qui concerne le refroidissement des clusters HPC, le refroidissement par air est actuellement prédominant, mais de nombreux VC investissent massivement dans les systèmes de refroidissement par liquide. Le refroidissement par liquide se divise principalement en trois directions d'exploration : refroidissement par plaque froide, refroidissement par immersion et refroidissement par pulvérisation.
![Nouveau guide丨AI x Crypto : De zéro au sommet])https://img-cdn.gateio.im/webp-social/moments-250a286e79261e91a0e7ac4941ff5c76.webp###
( application
Le développement actuel des applications d'IA est similaire à celui de l'industrie de la blockchain, où l'infrastructure est très encombrée, mais le développement d'applications n'a pas suivi. La plupart des applications d'IA actives des dix premiers mois sont de type recherche, avec une typologie d'applications assez unique. De plus, le taux de rétention des utilisateurs des applications d'IA est bien inférieur à celui des applications Internet traditionnelles.
Selon le rapport de Sequoia Capital, les applications d'IA se divisent en trois catégories selon le rôle ciblé : les consommateurs professionnels, les entreprises et les consommateurs ordinaires. Les applications destinées aux consommateurs visent principalement à améliorer la productivité, tandis que celles destinées aux entreprises sont utilisées dans des secteurs tels que le marketing, le droit et la conception médicale.
![Nouvelle vulgarisation丨IA x Crypto : De zéro au sommet])https://img-cdn.gateio.im/webp-social/moments-8358c377eb2c07467848b3b46dbf1056.webp###
La relation entre la crypto et l'IA
La blockchain bénéficie du développement de la technologie ZK, évoluant vers une pensée décentralisée et sans confiance. Le réseau blockchain est essentiellement un réseau de valeur, chaque transaction étant une conversion de valeur basée sur le jeton sous-jacent. La Tokenomics est la règle concrète d'expression de la valeur des jetons.
L'économie des tokens peut définir la valeur relative des actifs de règlement de l'écosystème ( et du token natif du réseau ). Bien qu'il ne soit pas possible de fixer un prix pour chaque dimension, le prix du token reflète une valeur multidimensionnelle. Une fois que les tokens sont attribués et circulent sur le réseau, ils peuvent conférer de la valeur à des fonctions ou des idées.
Les jetons et la technologie blockchain, qui redéfinissent et découvrent la valeur, sont également cruciaux pour l'industrie de l'IA. L'émission de jetons dans le secteur de l'IA permet une restructuration de la valeur de tous les côtés, incitant davantage de personnes à se plonger dans les différents segments de marché. Les caractéristiques d'immutabilité et de confiance minimale de la technologie blockchain peuvent également permettre la réalisation de certaines applications d'IA nécessitant la confiance.
En résumé, l'économie des tokens peut favoriser la redéfinition et la découverte de la valeur, les registres décentralisés peuvent résoudre les problèmes de confiance et permettre à la valeur de circuler à l'échelle mondiale. La combinaison de la crypto et de l'IA a une utilité pratique, elle peut redéfinir la perspective de la valeur, résoudre les problèmes de confiance et découvrir la valeur résiduelle.