Desenvolvimento da indústria de IA e exploração da combinação com Crypto
O desenvolvimento recente da indústria de inteligência artificial é visto como a quarta Revolução Industrial, e o surgimento de grandes modelos elevou significativamente a eficiência em diversos setores. A tecnologia de aprendizado profundo trouxe uma nova onda de prosperidade para a indústria de IA, e essa tendência também afetou a indústria de criptomoedas.
Este artigo irá explorar detalhadamente a história do desenvolvimento da indústria de IA, as suas classificações tecnológicas e o impacto da tecnologia de aprendizado profundo na indústria. Será feita uma análise aprofundada do estado atual e das tendências de desenvolvimento do setor em relação a GPU, computação em nuvem, fontes de dados e dispositivos de borda na cadeia de suprimentos. Além disso, será discutida a relação essencial entre a indústria de Crypto e a de IA, fazendo uma revisão da estrutura da cadeia de suprimentos da IA relacionada ao Crypto.
História do desenvolvimento da indústria de IA
A indústria de IA começou na década de 1950 e, para realizar a visão da inteligência artificial, o mundo acadêmico e a indústria desenvolveram várias correntes para alcançar a inteligência artificial em diferentes épocas e contextos disciplinares.
A tecnologia moderna de inteligência artificial utiliza principalmente o termo "aprendizagem automática", cuja ideia é permitir que as máquinas melhorem o desempenho do sistema por meio de iterações repetidas em tarefas com base em dados. Os principais passos são enviar os dados para o algoritmo, treinar o modelo com esses dados, testar e implantar o modelo, e usar o modelo para realizar tarefas de previsão automatizada.
A aprendizagem de máquina tem três principais correntes, que são o conexionismo, o simbolismo e o comportamentalismo, que imitam, respectivamente, o sistema nervoso humano, o pensamento e o comportamento. Atualmente, o conexionismo, representado por redes neurais, está em ascensão ( também conhecido como aprendizagem profunda ). A arquitetura de redes neurais possui uma camada de entrada, uma camada de saída, mas várias camadas ocultas. Uma vez que o número de camadas e o número de neurônios ( se tornam suficientes, há uma oportunidade suficiente para ajustar tarefas complexas de forma geral.
![Novato Introdução丨AI x Crypto: Do zero ao auge])https://img-cdn.gateio.im/webp-social/moments-c50ee5a87373c6cd6c4dc63adc2cf47c.webp(
A tecnologia de aprendizado profundo baseada em redes neurais também teve várias iterações e evoluções tecnológicas, desde as primeiras redes neurais, passando por redes neurais feedforward, RNN, CNN, GAN, até a evolução para modelos grandes modernos, como o GPT, que utilizam a tecnologia Transformer. A tecnologia Transformer é apenas uma direção de evolução das redes neurais, adicionando um conversor que codifica todos os dados de diferentes modalidades em valores correspondentes para representação. Em seguida, esses dados são inseridos na rede neural, permitindo que a rede neural se ajuste a qualquer tipo de dado, realizando multimodalidade.
O desenvolvimento da IA passou por três ondas tecnológicas:
A primeira onda causada pelo desenvolvimento da técnica do simbolismo nos anos 60 do século XX resolveu problemas de processamento de linguagem natural genérico e interação homem-máquina.
Em 1997, o Deep Blue da IBM venceu o campeão mundial de xadrez Garry Kasparov, marcando o segundo auge de desenvolvimento.
A partir de 2006, o desenvolvimento da tecnologia de aprendizado profundo desencadeou a terceira onda tecnológica, que também é o auge do conexionismo.
Nos últimos anos, a tecnologia de aprendizado profundo tem feito avanços significativos, com vários eventos marcantes ocorrendo:
Em 2015, a OpenAI foi criada.
Em 2016, AlphaGo derrotou o campeão mundial de Go, Lee Sedol.
Em 2017, o Google apresentou o algoritmo Transformer.
Em 2018, a OpenAI lançou o modelo GPT.
Em 2020, a OpenAI lançou o GPT-3.
Em janeiro de 2023, foi lançado o ChatGPT baseado no GPT-4.
![Novos conhecimentos丨AI x Crypto: do zero ao auge])https://img-cdn.gateio.im/webp-social/moments-0c9bdea33a39a2c07d1f06760ed7e804.webp(
Cadeia industrial de aprendizado profundo
Atualmente, os modelos de linguagem em grande escala utilizam métodos de aprendizado profundo baseados em redes neurais. Liderados pelo GPT, esses grandes modelos geraram uma onda de entusiasmo pela inteligência artificial, com muitos jogadores a entrar neste setor. A demanda do mercado por dados e capacidade de computação disparou.
Durante o treinamento de grandes modelos como GPT baseados na tecnologia Transformer, são seguidos três passos:
Pré-treinamento: encontrar os melhores parâmetros de cada neurônio do modelo através de grandes volumes de dados, o que consome mais poder computacional.
Ajuste fino: treinar com uma pequena quantidade de dados de alta qualidade para melhorar a qualidade da saída do modelo.
Aprendizagem por Reforço: estabelecer um modelo de recompensa, avaliar a saída do grande modelo e iterar parâmetros.
O desempenho de grandes modelos é principalmente determinado por três aspectos: número de parâmetros, quantidade e qualidade dos dados, e capacidade computacional. Esses três elementos incubam toda uma cadeia industrial.
![Novos usuários: AI x Crypto: Do zero ao auge])https://img-cdn.gateio.im/webp-social/moments-609c5dd6ee0abcec6bf9c118d7741867.webp(
) fornecedor de GPU de hardware
A GPU é o principal chip para treinamento e inferência atualmente. A Nvidia está em uma posição absolutamente líder, com seus chips H100, A100, entre outros, amplamente utilizados na comercialização de grandes modelos.
Em 2023, o novo chip H100 da Nvidia está em alta demanda, com um ciclo de entrega de 52 semanas. Muitas grandes empresas de tecnologia estão a comprar em grande quantidade os chips H100 para montar centros de computação de alto desempenho.
![Novato Info丨AI x Crypto: Do zero ao auge]###https://img-cdn.gateio.im/webp-social/moments-f37fb0100218188368f4d31940aab2a3.webp(
) fornecedor de serviços em nuvem
Os provedores de serviços em nuvem, após adquirirem um número suficiente de GPUs para montar HPC, podem oferecer capacidade de computação elástica e soluções de treinamento hospedadas para empresas de inteligência artificial com recursos financeiros limitados. Atualmente, o mercado está dividido em três categorias principais de provedores de capacidade em nuvem:
Plataformas de computação em nuvem em grande escala representadas por fornecedores de nuvem tradicionais como ###AWS, Google, Azure(.
Plataformas de computação em nuvem especializadas em inteligência artificial vertical, como CoreWeave, Lambda, entre outras.
Fornecedores de inferência como Together.ai, Fireworks.ai, entre outros.
![Novato Introdução丨AI x Crypto: Do Zero ao Pico])https://img-cdn.gateio.im/webp-social/moments-8848582a34ba293d15afae15d90e3c95.webp(
) fornecedor de banco de dados
Para tarefas de inferência e treinamento de dados de IA e aprendizado profundo, o que está atualmente em uso na indústria é o "banco de dados vetorial". Os bancos de dados vetoriais visam armazenar, gerenciar e indexar eficientemente grandes volumes de dados vetoriais de alta dimensão.
Os principais jogadores atualmente incluem Chroma, Zilliz, Pinecone e Weaviate. Com o aumento da demanda por volumes de dados e a explosão de grandes modelos e aplicações em várias áreas especializadas, a necessidade de bancos de dados vetoriais aumentará significativamente.
![Novos usuários - AI x Crypto: Do zero ao auge]###https://img-cdn.gateio.im/webp-social/moments-53c48daf49a3dbb35c1a2b47e234f180.webp(
) Dispositivos de borda
Ao montar um cluster de computação de alto desempenho com GPU, geralmente consome-se uma grande quantidade de energia e gera-se muito calor. Isso requer alguns dispositivos de refrigeração para garantir que o HPC opere continuamente. Envolve duas direções: fornecimento de energia e sistemas de refrigeração.
Atualmente, a energia elétrica é a principal forma de fornecimento de energia. Em relação ao resfriamento de clusters HPC, atualmente predominam os sistemas de resfriamento a ar, mas muitos VCs estão investindo fortemente em sistemas de resfriamento a líquido. O resfriamento a líquido é principalmente dividido em três direções de exploração: resfriamento a líquido em placas frias, resfriamento a líquido imersivo e resfriamento a líquido por pulverização.
![Novato Info丨AI x Crypto: Do zero ao pico]###https://img-cdn.gateio.im/webp-social/moments-250a286e79261e91a0e7ac4941ff5c76.webp(
) aplicação
Atualmente, o desenvolvimento de aplicações de IA é semelhante ao da indústria de blockchain, onde a infraestrutura é muito concorrida, mas o desenvolvimento de aplicações não acompanhou. A maioria das aplicações de IA ativas nos primeiros dez meses são do tipo busca, com tipos de aplicações bastante limitados. Ao mesmo tempo, a taxa de retenção de usuários das aplicações de IA é muito inferior à das aplicações de internet tradicionais.
De acordo com o relatório da Sequoia Capital dos EUA, as aplicações de IA são divididas em três categorias com base nos papéis que desempenham: voltadas para consumidores profissionais, empresas e consumidores comuns. As voltadas para consumidores são principalmente usadas para aumentar a produtividade, enquanto as voltadas para empresas são utilizadas em áreas como marketing, direito e design médico.
![Novos conhecimentos丨AI x Crypto: Do zero ao auge]###https://img-cdn.gateio.im/webp-social/moments-8358c377eb2c07467848b3b46dbf1056.webp(
A relação entre Crypto e AI
A blockchain beneficia do desenvolvimento da tecnologia ZK, evoluindo para a ideia de descentralização + desconfiança. A rede blockchain é, essencialmente, uma rede de valor, onde cada transação é uma conversão de valor baseada em tokens subjacentes. Tokenomics é o conjunto de regras que concretiza o valor específico dos tokens.
A economia dos tokens pode determinar o valor relativo do token nativo do ecossistema ), embora não seja possível precificar cada dimensão, o preço do token reflete um valor multidimensional. Uma vez que o token é atribuído e circula na rede, é possível atribuir valor a uma função ou ideia.
Os tokens e a tecnologia blockchain, como meios de redefinição e descoberta de valor, são cruciais para a indústria de IA. A emissão de tokens na indústria de IA permite a reestruturação de valor em diversas áreas, incentivando mais pessoas a se dedicarem a diferentes nichos. A característica de imutabilidade e a necessidade de confiança da tecnologia blockchain também podem viabilizar algumas aplicações de IA que requerem confiança.
Em suma, a economia dos tokens pode promover a reestruturação e descoberta de valor, os livros-razão descentralizados podem resolver problemas de confiança, fazendo com que o valor flua novamente em todo o mundo. A combinação de Crypto e IA tem uma utilidade prática, consegue reestruturar a perspectiva de valor, resolver problemas de confiança e descobrir valor residual.
Esta página pode conter conteúdos de terceiros, que são fornecidos apenas para fins informativos (sem representações/garantias) e não devem ser considerados como uma aprovação dos seus pontos de vista pela Gate, nem como aconselhamento financeiro ou profissional. Consulte a Declaração de exoneração de responsabilidade para obter mais informações.
14 gostos
Recompensa
14
4
Republicar
Partilhar
Comentar
0/400
ChainWatcher
· 4h atrás
Mineração virou AI? Isso é uma nova fonte de renda.
Ver originalResponder0
GamefiEscapeArtist
· 4h atrás
Outra onda de fazer as pessoas de parvas.
Ver originalResponder0
GlueGuy
· 4h atrás
Como é que este grande modelo voltou a reaquecer o velho clichê da IA?
Ver originalResponder0
StablecoinArbitrageur
· 4h atrás
*sigh* outra análise mal quantificada... onde está a correlação estatística entre pools de liquidez de IA e oportunidades de arbitragem? pesquisa de novato, para ser sincero
A fusão de IA e Crypto redefine a cadeia de valor da indústria
Desenvolvimento da indústria de IA e exploração da combinação com Crypto
O desenvolvimento recente da indústria de inteligência artificial é visto como a quarta Revolução Industrial, e o surgimento de grandes modelos elevou significativamente a eficiência em diversos setores. A tecnologia de aprendizado profundo trouxe uma nova onda de prosperidade para a indústria de IA, e essa tendência também afetou a indústria de criptomoedas.
Este artigo irá explorar detalhadamente a história do desenvolvimento da indústria de IA, as suas classificações tecnológicas e o impacto da tecnologia de aprendizado profundo na indústria. Será feita uma análise aprofundada do estado atual e das tendências de desenvolvimento do setor em relação a GPU, computação em nuvem, fontes de dados e dispositivos de borda na cadeia de suprimentos. Além disso, será discutida a relação essencial entre a indústria de Crypto e a de IA, fazendo uma revisão da estrutura da cadeia de suprimentos da IA relacionada ao Crypto.
História do desenvolvimento da indústria de IA
A indústria de IA começou na década de 1950 e, para realizar a visão da inteligência artificial, o mundo acadêmico e a indústria desenvolveram várias correntes para alcançar a inteligência artificial em diferentes épocas e contextos disciplinares.
A tecnologia moderna de inteligência artificial utiliza principalmente o termo "aprendizagem automática", cuja ideia é permitir que as máquinas melhorem o desempenho do sistema por meio de iterações repetidas em tarefas com base em dados. Os principais passos são enviar os dados para o algoritmo, treinar o modelo com esses dados, testar e implantar o modelo, e usar o modelo para realizar tarefas de previsão automatizada.
A aprendizagem de máquina tem três principais correntes, que são o conexionismo, o simbolismo e o comportamentalismo, que imitam, respectivamente, o sistema nervoso humano, o pensamento e o comportamento. Atualmente, o conexionismo, representado por redes neurais, está em ascensão ( também conhecido como aprendizagem profunda ). A arquitetura de redes neurais possui uma camada de entrada, uma camada de saída, mas várias camadas ocultas. Uma vez que o número de camadas e o número de neurônios ( se tornam suficientes, há uma oportunidade suficiente para ajustar tarefas complexas de forma geral.
![Novato Introdução丨AI x Crypto: Do zero ao auge])https://img-cdn.gateio.im/webp-social/moments-c50ee5a87373c6cd6c4dc63adc2cf47c.webp(
A tecnologia de aprendizado profundo baseada em redes neurais também teve várias iterações e evoluções tecnológicas, desde as primeiras redes neurais, passando por redes neurais feedforward, RNN, CNN, GAN, até a evolução para modelos grandes modernos, como o GPT, que utilizam a tecnologia Transformer. A tecnologia Transformer é apenas uma direção de evolução das redes neurais, adicionando um conversor que codifica todos os dados de diferentes modalidades em valores correspondentes para representação. Em seguida, esses dados são inseridos na rede neural, permitindo que a rede neural se ajuste a qualquer tipo de dado, realizando multimodalidade.
O desenvolvimento da IA passou por três ondas tecnológicas:
A primeira onda causada pelo desenvolvimento da técnica do simbolismo nos anos 60 do século XX resolveu problemas de processamento de linguagem natural genérico e interação homem-máquina.
Em 1997, o Deep Blue da IBM venceu o campeão mundial de xadrez Garry Kasparov, marcando o segundo auge de desenvolvimento.
A partir de 2006, o desenvolvimento da tecnologia de aprendizado profundo desencadeou a terceira onda tecnológica, que também é o auge do conexionismo.
Nos últimos anos, a tecnologia de aprendizado profundo tem feito avanços significativos, com vários eventos marcantes ocorrendo:
![Novos conhecimentos丨AI x Crypto: do zero ao auge])https://img-cdn.gateio.im/webp-social/moments-0c9bdea33a39a2c07d1f06760ed7e804.webp(
Cadeia industrial de aprendizado profundo
Atualmente, os modelos de linguagem em grande escala utilizam métodos de aprendizado profundo baseados em redes neurais. Liderados pelo GPT, esses grandes modelos geraram uma onda de entusiasmo pela inteligência artificial, com muitos jogadores a entrar neste setor. A demanda do mercado por dados e capacidade de computação disparou.
Durante o treinamento de grandes modelos como GPT baseados na tecnologia Transformer, são seguidos três passos:
Pré-treinamento: encontrar os melhores parâmetros de cada neurônio do modelo através de grandes volumes de dados, o que consome mais poder computacional.
Ajuste fino: treinar com uma pequena quantidade de dados de alta qualidade para melhorar a qualidade da saída do modelo.
Aprendizagem por Reforço: estabelecer um modelo de recompensa, avaliar a saída do grande modelo e iterar parâmetros.
O desempenho de grandes modelos é principalmente determinado por três aspectos: número de parâmetros, quantidade e qualidade dos dados, e capacidade computacional. Esses três elementos incubam toda uma cadeia industrial.
![Novos usuários: AI x Crypto: Do zero ao auge])https://img-cdn.gateio.im/webp-social/moments-609c5dd6ee0abcec6bf9c118d7741867.webp(
) fornecedor de GPU de hardware
A GPU é o principal chip para treinamento e inferência atualmente. A Nvidia está em uma posição absolutamente líder, com seus chips H100, A100, entre outros, amplamente utilizados na comercialização de grandes modelos.
Em 2023, o novo chip H100 da Nvidia está em alta demanda, com um ciclo de entrega de 52 semanas. Muitas grandes empresas de tecnologia estão a comprar em grande quantidade os chips H100 para montar centros de computação de alto desempenho.
![Novato Info丨AI x Crypto: Do zero ao auge]###https://img-cdn.gateio.im/webp-social/moments-f37fb0100218188368f4d31940aab2a3.webp(
) fornecedor de serviços em nuvem
Os provedores de serviços em nuvem, após adquirirem um número suficiente de GPUs para montar HPC, podem oferecer capacidade de computação elástica e soluções de treinamento hospedadas para empresas de inteligência artificial com recursos financeiros limitados. Atualmente, o mercado está dividido em três categorias principais de provedores de capacidade em nuvem:
Plataformas de computação em nuvem em grande escala representadas por fornecedores de nuvem tradicionais como ###AWS, Google, Azure(.
Plataformas de computação em nuvem especializadas em inteligência artificial vertical, como CoreWeave, Lambda, entre outras.
Fornecedores de inferência como Together.ai, Fireworks.ai, entre outros.
![Novato Introdução丨AI x Crypto: Do Zero ao Pico])https://img-cdn.gateio.im/webp-social/moments-8848582a34ba293d15afae15d90e3c95.webp(
) fornecedor de banco de dados
Para tarefas de inferência e treinamento de dados de IA e aprendizado profundo, o que está atualmente em uso na indústria é o "banco de dados vetorial". Os bancos de dados vetoriais visam armazenar, gerenciar e indexar eficientemente grandes volumes de dados vetoriais de alta dimensão.
Os principais jogadores atualmente incluem Chroma, Zilliz, Pinecone e Weaviate. Com o aumento da demanda por volumes de dados e a explosão de grandes modelos e aplicações em várias áreas especializadas, a necessidade de bancos de dados vetoriais aumentará significativamente.
![Novos usuários - AI x Crypto: Do zero ao auge]###https://img-cdn.gateio.im/webp-social/moments-53c48daf49a3dbb35c1a2b47e234f180.webp(
) Dispositivos de borda
Ao montar um cluster de computação de alto desempenho com GPU, geralmente consome-se uma grande quantidade de energia e gera-se muito calor. Isso requer alguns dispositivos de refrigeração para garantir que o HPC opere continuamente. Envolve duas direções: fornecimento de energia e sistemas de refrigeração.
Atualmente, a energia elétrica é a principal forma de fornecimento de energia. Em relação ao resfriamento de clusters HPC, atualmente predominam os sistemas de resfriamento a ar, mas muitos VCs estão investindo fortemente em sistemas de resfriamento a líquido. O resfriamento a líquido é principalmente dividido em três direções de exploração: resfriamento a líquido em placas frias, resfriamento a líquido imersivo e resfriamento a líquido por pulverização.
![Novato Info丨AI x Crypto: Do zero ao pico]###https://img-cdn.gateio.im/webp-social/moments-250a286e79261e91a0e7ac4941ff5c76.webp(
) aplicação
Atualmente, o desenvolvimento de aplicações de IA é semelhante ao da indústria de blockchain, onde a infraestrutura é muito concorrida, mas o desenvolvimento de aplicações não acompanhou. A maioria das aplicações de IA ativas nos primeiros dez meses são do tipo busca, com tipos de aplicações bastante limitados. Ao mesmo tempo, a taxa de retenção de usuários das aplicações de IA é muito inferior à das aplicações de internet tradicionais.
De acordo com o relatório da Sequoia Capital dos EUA, as aplicações de IA são divididas em três categorias com base nos papéis que desempenham: voltadas para consumidores profissionais, empresas e consumidores comuns. As voltadas para consumidores são principalmente usadas para aumentar a produtividade, enquanto as voltadas para empresas são utilizadas em áreas como marketing, direito e design médico.
![Novos conhecimentos丨AI x Crypto: Do zero ao auge]###https://img-cdn.gateio.im/webp-social/moments-8358c377eb2c07467848b3b46dbf1056.webp(
A relação entre Crypto e AI
A blockchain beneficia do desenvolvimento da tecnologia ZK, evoluindo para a ideia de descentralização + desconfiança. A rede blockchain é, essencialmente, uma rede de valor, onde cada transação é uma conversão de valor baseada em tokens subjacentes. Tokenomics é o conjunto de regras que concretiza o valor específico dos tokens.
A economia dos tokens pode determinar o valor relativo do token nativo do ecossistema ), embora não seja possível precificar cada dimensão, o preço do token reflete um valor multidimensional. Uma vez que o token é atribuído e circula na rede, é possível atribuir valor a uma função ou ideia.
Os tokens e a tecnologia blockchain, como meios de redefinição e descoberta de valor, são cruciais para a indústria de IA. A emissão de tokens na indústria de IA permite a reestruturação de valor em diversas áreas, incentivando mais pessoas a se dedicarem a diferentes nichos. A característica de imutabilidade e a necessidade de confiança da tecnologia blockchain também podem viabilizar algumas aplicações de IA que requerem confiança.
Em suma, a economia dos tokens pode promover a reestruturação e descoberta de valor, os livros-razão descentralizados podem resolver problemas de confiança, fazendo com que o valor flua novamente em todo o mundo. A combinação de Crypto e IA tem uma utilidade prática, consegue reestruturar a perspectiva de valor, resolver problemas de confiança e descobrir valor residual.