Слияние ИИ и Блокчейна: панорама от инфраструктуры до приложений
Недавнее быстрое развитие отрасли искусственного интеллекта воспринимается некоторыми людьми как начало четвертой промышленной революции. Появление крупных языковых моделей значительно повысило эффективность во многих отраслях, по оценкам Boston Consulting Group, GPT принесло около 20% повышения общей производительности труда в США. В то же время, универсальность, присущая большим моделям, рассматривается как новая парадигма проектирования программного обеспечения. Ранее проектирование программного обеспечения заключалось в написании точного кода, а теперь проектирование программного обеспечения больше связано с внедрением в него крупномасштабных моделей с высокой универсальностью, что позволяет программному обеспечению демонстрировать лучшие результаты и поддерживать более широкий спектр входных и выходных модальностей. Технологии глубокого обучения действительно принесли новую волну процветания в отрасль ИИ, и этот энтузиазм постепенно распространяется на индустрию криптовалют.
Индустрия искусственного интеллекта начала развиваться с 50-х годов 20 века. Для реализации видения искусственного интеллекта академические и промышленные круги в разные эпохи и в разных дисциплинах разработали множество направлений для достижения искусственного интеллекта.
Современные технологии искусственного интеллекта в основном используют термин "машинное обучение", основная идея которого заключается в том, чтобы позволить машинам на основе данных многократно итеративно улучшать производительность системы в задачах. Основные этапы включают ввод данных в алгоритмы, обучение моделей на этих данных, тестирование и развертывание моделей, а затем использование моделей для выполнения автоматизированных предсказательных задач.
В настоящее время в машинном обучении существует три основных направления: соединительный, символический и поведенческий, которые имитируют, соответственно, нервную систему, мышление и поведение человека. Из них соединительный, представляемый нейронными сетями, в настоящее время доминирует ( и также называется глубоким обучением ). Эта архитектура имеет один входной слой, один выходной слой и несколько скрытых слоев. Когда количество слоев и нейронов ( и параметров ) достаточно велико, она может моделировать сложные универсальные задачи. Постоянно вводя данные и настраивая параметры нейронов, в конечном итоге, после обучения на большом объеме данных, нейронная сеть может достичь оптимального состояния. Это также объясняет термин "глубокий" - достаточное количество слоев и нейронов.
Глубокие технологии обучения на основе нейронных сетей также пережили множество итераций и эволюций, начиная с самых ранних нейронных сетей, переходя к сети с прямой пропускной способностью, RNN, CNN, GAN и, наконец, развиваясь до современных больших моделей, таких как GPT, использующих технологию Transformer. Технология Transformer является направлением эволюции нейронных сетей, она добавляет преобразователь (Transformer), который используется для кодирования данных различных модальностей (, таких как аудио, видео, изображения и т.д. ) в соответствующее числовое представление. Затем эти закодированные данные вводятся в нейронную сеть, что позволяет нейронной сети подстраиваться под любые типы данных, обеспечивая тем самым возможность обработки многомодальных данных.
Развитие ИИ прошло через три технологических волны. Первая волна произошла в 1960-х годах, через десять лет после появления технологий ИИ. Эта волна была вызвана развитием символистских технологий, которые решали общие проблемы обработки естественного языка и взаимодействия человека с машиной. В то же время появились экспертные системы, среди которых DENRAL, разработанная при поддержке NASA в Стэнфордском университете, обладает обширными знаниями в области химии и может генерировать ответы, аналогичные ответам химического эксперта, путем вывода на основе вопросов.
Второй всплеск технологий ИИ произошел в 1997 году, когда "Давос" от IBM победил чемпиона мира по шахматам Гарри Каспарова со счетом 3.5:2.5, и эта победа считается вехой в развитии искусственного интеллекта.
Третья волна технологий ИИ началась в 2006 году. Три гиганта глубокого обучения Ян ЛеКун, Джеффри Хинтон и Йошуа Бенжио предложили концепцию глубокого обучения, представляющую собой алгоритм, основанный на архитектуре искусственных нейронных сетей, для обучения представлению данных. С тех пор алгоритмы глубокого обучения постоянно эволюционировали, от RNN, GAN до Transformer и Stable Diffusion, эти алгоритмы совместно сформировали третью технологическую волну и ознаменовали расцвет коннективизма.
В настоящее время крупные языковые модели в основном используют методы глубокого обучения на основе нейронных сетей. Модели большого масштаба, представленные GPT, вызвали новый всплеск интереса к искусственному интеллекту, и большое количество игроков устремились в эту область. Мы обнаружили, что спрос на данные и вычислительные мощности на рынке резко возрос, поэтому в этой части отчета мы в основном рассматриваем цепочку поставок алгоритмов глубокого обучения, анализируем, как составляются их верхние и нижние уровни в AI-отрасли, управляемой алгоритмами глубокого обучения, а также текущее состояние, соотношение спроса и предложения и будущие тенденции развития этих уровней.
Обучение крупных языковых моделей, таких как GPT, основанных на технологии Transformer, ( LLMs ), в основном делится на три этапа:
Предобучение: поиск оптимальных параметров для каждого нейрона в модели путем предоставления большого количества пар данных на входной слой. Этот процесс требует огромного объема данных и является самым ресурсоемким этапом.
Тонкая настройка: использование меньшего количества, но качественных данных для обучения, чтобы улучшить качество выходных данных модели.
Усовершенствование обучения: создание "модели вознаграждения" для оценки качества вывода большой модели, с помощью этого подхода для итеративного улучшения параметров большой модели.
В процессе обучения больших моделей, чем больше количество параметров, тем выше предел их обобщающей способности. Таким образом, три основных фактора, влияющих на производительность больших моделей, это: количество параметров, объем и качество данных, вычислительная мощность. Эти три элемента совместно определяют качество результата и обобщающую способность больших моделей.
Основные этапы в цепочке поставок включают:
Поставщики аппаратного обеспечения GPU: в настоящее время Nvidia занимает абсолютное лидирующее положение на рынке AI-чипов. В академической среде в основном используются потребительские GPU (, такие как серия RTX ), в то время как в промышленности в основном используются чипы H100, A100 и другие для коммерциализации больших моделей.
Поставщики облачных услуг: предоставляют гибкие вычислительные мощности и решения для размещенной тренировки для AI-компаний с ограниченным финансированием. В основном делятся на три категории: традиционные крупные облачные компании (, такие как AWS, Google Cloud, Azure ), специализированные облачные вычислительные платформы в вертикальных нишах (, такие как CoreWeave, Lambda ), а также новые поставщики услуг вывода, такие как Together.ai, Fireworks.ai (.
Поставщики обучающих данных: предоставляют модели большое количество, высококачественные или специализированные данные. Некоторые компании занимаются сбором и аннотированием данных.
Поставщики баз данных: предоставляют специализированные векторные решения для хранения и обработки данных AI. Основные игроки включают Chroma, Zilliz, Pinecone, Weaviate и др.
Периферийные устройства: включают в себя системы энергоснабжения и охлаждения для поддержки работы крупных кластеров GPU. С ростом масштабов AI-моделей, спрос в этой области также быстро растет.
Разработка приложений: разработка различных приложений в вертикальных областях на основе больших моделей, таких как интеллектуальные помощники, инструменты для генерации контента и т.д. В настоящее время разработка приложений относительно отстает от инфраструктурного строительства.
![Новичок, познающий мир丨AI x Crypto: от нуля до вершины])https://img-cdn.gateio.im/webp-social/moments-8848582a34ba293d15afae15d90e3c95.webp(
Блокчейн и AI
Сочетание технологий Блокчейн и ИИ в основном проявляется в следующих аспектах:
Перепозиционирование ценности: токеномика может переопределить ценность на различных этапах цепочки AI, мотивируя больше участников углубляться в сегменты AI-индустрии.
Механизм доверия: Децентрализованные и неизменяемые характеристики Блокчейна могут обеспечить надежную среду обработки данных для приложений ИИ, решая проблемы конфиденциальности и безопасности данных.
Обмен ресурсами: через Блокчейн сеть можно осуществить глобальный обмен неиспользуемыми вычислительными мощностями GPU, повысив эффективность использования ресурсов.
Дата-рынок: Блокчейн может создать справедливый и прозрачный рынок для торговых данных для AI, побуждая частных лиц и организации вносить качественные данные.
Проверка модели: с использованием криптографических технологий, таких как нулевое знание, можно проверить правильность результатов вывода ИИ, защищая при этом конфиденциальность модели.
В экосистеме, где сочетаются Крипто и ИИ, в основном возникли следующие категории проектов:
Распределенная сеть вычислительных мощностей GPU: такие как Render, Akash и т.д., предназначена для создания децентрализованного рынка вычислений на GPU.
Поставщики данных ИИ: такие как EpiK Protocol, Synesis One, Masa и др., стремящиеся создать децентрализованный рынок данных для тренировки ИИ.
ZKML) нулевое знание машинного обучения (: объединяя технологии нулевого знания, реализовать обучение и вывод ИИ с защитой конфиденциальности.
AI代理)Agent(: как Fetch.AI, строит сеть AI-агентов, способных самостоятельно выполнять задачи.
AI Блокчейн: такие как Tensor, Allora и другие, специально разработанные для разработки и развертывания AI моделей.
Несмотря на то, что сочетание Крипто и ИИ все еще находится на ранней стадии и сталкивается с такими вызовами, как производительность и конфиденциальность, эта область демонстрирует огромный потенциал для инноваций. С развитием технологий и совершенствованием экосистемы у нас есть основания ожидать, что глубокая интеграция ИИ и Блокчейн приведет к революционным изменениям в обоих отраслях.
! [Новичок в науке丨AI x Crypto: от нуля до пика])https://img-cdn.gateio.im/webp-social/moments-53c48daf49a3dbb35c1a2b47e234f180.webp(
Посмотреть Оригинал
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» .
13 Лайков
Награда
13
6
Репост
Поделиться
комментарий
0/400
GetRichLeek
· 13ч назад
покупайте падения AI токенов, это точно сокращение потерь... не спрашивайте, почему я это знаю!
Посмотреть ОригиналОтветить0
SchrodingerPrivateKey
· 13ч назад
Я пришёл в Квантовое состояние Шредингера
Посмотреть ОригиналОтветить0
ShibaOnTheRun
· 13ч назад
Снова разжигают этот старый мем.
Посмотреть ОригиналОтветить0
MoonRocketman
· 13ч назад
Моментум RSI уже на месте, AI и Сообщество блокчейна совмещаются, это прорыв уровня сопротивления! Вычислительная мощность — это топливо~
Посмотреть ОригиналОтветить0
OldLeekMaster
· 13ч назад
Снова рисуете пирожки, когда же можно будет их попробовать?
Слияние ИИ и Блокчейн: панорамный анализ от инфраструктуры до приложений
Слияние ИИ и Блокчейна: панорама от инфраструктуры до приложений
Недавнее быстрое развитие отрасли искусственного интеллекта воспринимается некоторыми людьми как начало четвертой промышленной революции. Появление крупных языковых моделей значительно повысило эффективность во многих отраслях, по оценкам Boston Consulting Group, GPT принесло около 20% повышения общей производительности труда в США. В то же время, универсальность, присущая большим моделям, рассматривается как новая парадигма проектирования программного обеспечения. Ранее проектирование программного обеспечения заключалось в написании точного кода, а теперь проектирование программного обеспечения больше связано с внедрением в него крупномасштабных моделей с высокой универсальностью, что позволяет программному обеспечению демонстрировать лучшие результаты и поддерживать более широкий спектр входных и выходных модальностей. Технологии глубокого обучения действительно принесли новую волну процветания в отрасль ИИ, и этот энтузиазм постепенно распространяется на индустрию криптовалют.
! Новичок в науке丨AI x Crypto: от нуля до пика
История развития индустрии ИИ
Индустрия искусственного интеллекта начала развиваться с 50-х годов 20 века. Для реализации видения искусственного интеллекта академические и промышленные круги в разные эпохи и в разных дисциплинах разработали множество направлений для достижения искусственного интеллекта.
Современные технологии искусственного интеллекта в основном используют термин "машинное обучение", основная идея которого заключается в том, чтобы позволить машинам на основе данных многократно итеративно улучшать производительность системы в задачах. Основные этапы включают ввод данных в алгоритмы, обучение моделей на этих данных, тестирование и развертывание моделей, а затем использование моделей для выполнения автоматизированных предсказательных задач.
В настоящее время в машинном обучении существует три основных направления: соединительный, символический и поведенческий, которые имитируют, соответственно, нервную систему, мышление и поведение человека. Из них соединительный, представляемый нейронными сетями, в настоящее время доминирует ( и также называется глубоким обучением ). Эта архитектура имеет один входной слой, один выходной слой и несколько скрытых слоев. Когда количество слоев и нейронов ( и параметров ) достаточно велико, она может моделировать сложные универсальные задачи. Постоянно вводя данные и настраивая параметры нейронов, в конечном итоге, после обучения на большом объеме данных, нейронная сеть может достичь оптимального состояния. Это также объясняет термин "глубокий" - достаточное количество слоев и нейронов.
! Новичок в популярной науке丨AI x Crypto: от нуля до пика
Глубокие технологии обучения на основе нейронных сетей также пережили множество итераций и эволюций, начиная с самых ранних нейронных сетей, переходя к сети с прямой пропускной способностью, RNN, CNN, GAN и, наконец, развиваясь до современных больших моделей, таких как GPT, использующих технологию Transformer. Технология Transformer является направлением эволюции нейронных сетей, она добавляет преобразователь (Transformer), который используется для кодирования данных различных модальностей (, таких как аудио, видео, изображения и т.д. ) в соответствующее числовое представление. Затем эти закодированные данные вводятся в нейронную сеть, что позволяет нейронной сети подстраиваться под любые типы данных, обеспечивая тем самым возможность обработки многомодальных данных.
! Newcomer Science丨AI x Crypto: от нуля до пика
Развитие ИИ прошло через три технологических волны. Первая волна произошла в 1960-х годах, через десять лет после появления технологий ИИ. Эта волна была вызвана развитием символистских технологий, которые решали общие проблемы обработки естественного языка и взаимодействия человека с машиной. В то же время появились экспертные системы, среди которых DENRAL, разработанная при поддержке NASA в Стэнфордском университете, обладает обширными знаниями в области химии и может генерировать ответы, аналогичные ответам химического эксперта, путем вывода на основе вопросов.
Второй всплеск технологий ИИ произошел в 1997 году, когда "Давос" от IBM победил чемпиона мира по шахматам Гарри Каспарова со счетом 3.5:2.5, и эта победа считается вехой в развитии искусственного интеллекта.
Третья волна технологий ИИ началась в 2006 году. Три гиганта глубокого обучения Ян ЛеКун, Джеффри Хинтон и Йошуа Бенжио предложили концепцию глубокого обучения, представляющую собой алгоритм, основанный на архитектуре искусственных нейронных сетей, для обучения представлению данных. С тех пор алгоритмы глубокого обучения постоянно эволюционировали, от RNN, GAN до Transformer и Stable Diffusion, эти алгоритмы совместно сформировали третью технологическую волну и ознаменовали расцвет коннективизма.
! Newcomer Science丨AI x Crypto: от нуля до пика
Индустриальная цепочка глубокого обучения
В настоящее время крупные языковые модели в основном используют методы глубокого обучения на основе нейронных сетей. Модели большого масштаба, представленные GPT, вызвали новый всплеск интереса к искусственному интеллекту, и большое количество игроков устремились в эту область. Мы обнаружили, что спрос на данные и вычислительные мощности на рынке резко возрос, поэтому в этой части отчета мы в основном рассматриваем цепочку поставок алгоритмов глубокого обучения, анализируем, как составляются их верхние и нижние уровни в AI-отрасли, управляемой алгоритмами глубокого обучения, а также текущее состояние, соотношение спроса и предложения и будущие тенденции развития этих уровней.
Обучение крупных языковых моделей, таких как GPT, основанных на технологии Transformer, ( LLMs ), в основном делится на три этапа:
Предобучение: поиск оптимальных параметров для каждого нейрона в модели путем предоставления большого количества пар данных на входной слой. Этот процесс требует огромного объема данных и является самым ресурсоемким этапом.
Тонкая настройка: использование меньшего количества, но качественных данных для обучения, чтобы улучшить качество выходных данных модели.
Усовершенствование обучения: создание "модели вознаграждения" для оценки качества вывода большой модели, с помощью этого подхода для итеративного улучшения параметров большой модели.
! Новичок в науке丨AI x Crypto: от нуля до пика
В процессе обучения больших моделей, чем больше количество параметров, тем выше предел их обобщающей способности. Таким образом, три основных фактора, влияющих на производительность больших моделей, это: количество параметров, объем и качество данных, вычислительная мощность. Эти три элемента совместно определяют качество результата и обобщающую способность больших моделей.
Основные этапы в цепочке поставок включают:
Поставщики аппаратного обеспечения GPU: в настоящее время Nvidia занимает абсолютное лидирующее положение на рынке AI-чипов. В академической среде в основном используются потребительские GPU (, такие как серия RTX ), в то время как в промышленности в основном используются чипы H100, A100 и другие для коммерциализации больших моделей.
Поставщики облачных услуг: предоставляют гибкие вычислительные мощности и решения для размещенной тренировки для AI-компаний с ограниченным финансированием. В основном делятся на три категории: традиционные крупные облачные компании (, такие как AWS, Google Cloud, Azure ), специализированные облачные вычислительные платформы в вертикальных нишах (, такие как CoreWeave, Lambda ), а также новые поставщики услуг вывода, такие как Together.ai, Fireworks.ai (.
Поставщики обучающих данных: предоставляют модели большое количество, высококачественные или специализированные данные. Некоторые компании занимаются сбором и аннотированием данных.
Поставщики баз данных: предоставляют специализированные векторные решения для хранения и обработки данных AI. Основные игроки включают Chroma, Zilliz, Pinecone, Weaviate и др.
Периферийные устройства: включают в себя системы энергоснабжения и охлаждения для поддержки работы крупных кластеров GPU. С ростом масштабов AI-моделей, спрос в этой области также быстро растет.
Разработка приложений: разработка различных приложений в вертикальных областях на основе больших моделей, таких как интеллектуальные помощники, инструменты для генерации контента и т.д. В настоящее время разработка приложений относительно отстает от инфраструктурного строительства.
![Новичок, познающий мир丨AI x Crypto: от нуля до вершины])https://img-cdn.gateio.im/webp-social/moments-8848582a34ba293d15afae15d90e3c95.webp(
Блокчейн и AI
Сочетание технологий Блокчейн и ИИ в основном проявляется в следующих аспектах:
Перепозиционирование ценности: токеномика может переопределить ценность на различных этапах цепочки AI, мотивируя больше участников углубляться в сегменты AI-индустрии.
Механизм доверия: Децентрализованные и неизменяемые характеристики Блокчейна могут обеспечить надежную среду обработки данных для приложений ИИ, решая проблемы конфиденциальности и безопасности данных.
Обмен ресурсами: через Блокчейн сеть можно осуществить глобальный обмен неиспользуемыми вычислительными мощностями GPU, повысив эффективность использования ресурсов.
Дата-рынок: Блокчейн может создать справедливый и прозрачный рынок для торговых данных для AI, побуждая частных лиц и организации вносить качественные данные.
Проверка модели: с использованием криптографических технологий, таких как нулевое знание, можно проверить правильность результатов вывода ИИ, защищая при этом конфиденциальность модели.
В экосистеме, где сочетаются Крипто и ИИ, в основном возникли следующие категории проектов:
Распределенная сеть вычислительных мощностей GPU: такие как Render, Akash и т.д., предназначена для создания децентрализованного рынка вычислений на GPU.
Поставщики данных ИИ: такие как EpiK Protocol, Synesis One, Masa и др., стремящиеся создать децентрализованный рынок данных для тренировки ИИ.
ZKML) нулевое знание машинного обучения (: объединяя технологии нулевого знания, реализовать обучение и вывод ИИ с защитой конфиденциальности.
AI代理)Agent(: как Fetch.AI, строит сеть AI-агентов, способных самостоятельно выполнять задачи.
AI Блокчейн: такие как Tensor, Allora и другие, специально разработанные для разработки и развертывания AI моделей.
Несмотря на то, что сочетание Крипто и ИИ все еще находится на ранней стадии и сталкивается с такими вызовами, как производительность и конфиденциальность, эта область демонстрирует огромный потенциал для инноваций. С развитием технологий и совершенствованием экосистемы у нас есть основания ожидать, что глубокая интеграция ИИ и Блокчейн приведет к революционным изменениям в обоих отраслях.
! [Новичок в науке丨AI x Crypto: от нуля до пика])https://img-cdn.gateio.im/webp-social/moments-53c48daf49a3dbb35c1a2b47e234f180.webp(