Perkembangan Industri AI dan Eksplorasi Kombinasi dengan Crypto
Perkembangan terbaru di industri kecerdasan buatan dianggap sebagai revolusi industri keempat, munculnya model besar secara signifikan meningkatkan efisiensi di berbagai sektor. Teknologi pembelajaran mendalam membawa gelombang baru kemakmuran bagi industri AI, dan tren ini juga mempengaruhi industri cryptocurrency.
Artikel ini akan membahas secara rinci sejarah perkembangan industri AI, klasifikasi teknologi, serta dampak teknologi pembelajaran mendalam terhadap industri. Analisis mendalam tentang status dan tren perkembangan hulu dan hilir rantai industri seperti GPU, komputasi awan, sumber data, dan perangkat tepi dalam pembelajaran mendalam. Selain itu, juga akan membahas secara mendasar hubungan antara Crypto dan industri AI, serta merangkum pola rantai industri AI yang terkait dengan Crypto.
Sejarah Perkembangan Industri AI
Industri AI dimulai dari tahun 1950-an, untuk mewujudkan visi kecerdasan buatan, dunia akademis dan industri telah mengembangkan berbagai aliran untuk mewujudkan kecerdasan buatan dalam berbagai latar belakang disiplin ilmu yang berbeda di berbagai era.
Teknologi kecerdasan buatan modern terutama menggunakan istilah "pembelajaran mesin", di mana konsep teknologi ini adalah membuat mesin bergantung pada data untuk mengiterasi berulang kali dalam tugas untuk meningkatkan kinerja sistem. Langkah utama adalah mengirimkan data ke dalam algoritma, menggunakan data ini untuk melatih model, menguji model yang telah diterapkan, dan menggunakan model untuk menyelesaikan tugas prediksi otomatis.
Ada tiga aliran utama dalam pembelajaran mesin, yaitu koneksionisme, simbolisme, dan perilaku, yang masing-masing meniru sistem saraf, pemikiran, dan perilaku manusia. Saat ini, koneksionisme yang diwakili oleh jaringan saraf mendominasi ( juga dikenal sebagai pembelajaran mendalam ). Arsitektur jaringan saraf memiliki satu lapisan input dan satu lapisan output, tetapi memiliki beberapa lapisan tersembunyi; ketika jumlah lapisan dan neuron ( parameter ) menjadi cukup banyak, ada cukup banyak kesempatan untuk menyesuaikan tugas umum yang kompleks.
Teknologi deep learning berbasis jaringan saraf juga mengalami beberapa iterasi dan evolusi teknik, dari jaringan saraf awal, hingga jaringan saraf feedforward, RNN, CNN, GAN, dan akhirnya berevolusi ke model besar modern seperti teknologi Transformer yang digunakan oleh GPT. Teknologi Transformer hanyalah salah satu arah evolusi jaringan saraf, menambahkan sebuah konverter, yang digunakan untuk mengkodekan semua data modal menjadi nilai yang sesuai untuk merepresentasikannya. Kemudian data tersebut dimasukkan ke dalam jaringan saraf, sehingga jaringan saraf dapat menyesuaikan dengan berbagai jenis data, mewujudkan multimodal.
Perkembangan AI telah mengalami tiga gelombang teknologi:
Gelombang pertama yang disebabkan oleh perkembangan teknologi simbolisme pada tahun 1960-an menyelesaikan masalah pemrosesan bahasa alami yang umum dan dialog manusia-komputer.
Pada tahun 1997, IBM Deep Blue mengalahkan juara catur dunia Garry Kasparov, menandai puncak perkembangan kedua.
Sejak tahun 2006, perkembangan teknologi pembelajaran mendalam memicu gelombang teknologi ketiga, ini juga merupakan masa kejayaan koneksionisme.
Dalam beberapa tahun terakhir, teknologi pembelajaran mendalam terus mengalami terobosan, dengan munculnya beberapa peristiwa ikonik:
OpenAI didirikan pada tahun 2015.
Pada tahun 2016, AlphaGo mengalahkan juara dunia Go, Lee Sedol.
Pada tahun 2017, Google mengusulkan algoritma Transformer.
Pada tahun 2018, OpenAI merilis model GPT.
Pada tahun 2020, OpenAI meluncurkan GPT-3.
Januari 2023, ChatGPT berbasis GPT-4 diluncurkan.
Rantai Industri Pembelajaran Mendalam
Model bahasa besar saat ini menggunakan metode pembelajaran mendalam berbasis jaringan saraf. Dengan GPT sebagai pemimpin, model-model besar ini telah menciptakan gelombang antusiasme terhadap kecerdasan buatan, banyak pemain yang terjun ke dalam arena ini. Permintaan pasar untuk data dan daya komputasi telah meledak secara signifikan.
Dalam melatih model besar seperti GPT yang berbasis teknologi Transformer, terdapat tiga langkah yang harus diikuti:
Pra-latihan: Mencari parameter terbaik untuk masing-masing neuron model melalui data dalam jumlah besar, yang paling membutuhkan daya komputasi.
Fine-tuning: Menggunakan sejumlah kecil data berkualitas tinggi untuk melatih, meningkatkan kualitas output model.
Pembelajaran penguatan: Membangun model penghargaan, mengevaluasi output model besar, dan mengiterasi parameter.
Kinerja model besar terutama ditentukan oleh jumlah parameter, jumlah dan kualitas data, serta daya komputasi. Ketiga faktor ini menginkubasi seluruh rantai industri.
penyedia GPU perangkat keras
GPU adalah chip utama untuk pelatihan dan inferensi saat ini. Nvidia berada di posisi terdepan absolut, chip seperti H100 dan A100 banyak digunakan untuk komersialisasi model besar.
Pada tahun 2023, chip H100 terbaru dari Nvidia sangat diminati, dengan siklus pengiriman mencapai 52 minggu. Banyak perusahaan teknologi besar membeli chip H100 dalam jumlah besar untuk membangun pusat komputasi berkinerja tinggi.
penyedia layanan cloud
Penyedia layanan cloud yang telah membeli cukup banyak GPU untuk membangun HPC dapat menyediakan komputasi elastis dan solusi pelatihan yang dihosting untuk perusahaan kecerdasan buatan yang memiliki dana terbatas. Saat ini, pasar terbagi menjadi tiga jenis penyedia komputasi cloud:
Platform kekuatan komputasi awan berskala besar yang diwakili oleh penyedia awan tradisional (AWS, Google, Azure).
Platform cloud computing profesional untuk jalur AI vertikal, seperti CoreWeave, Lambda, dll.
Penyedia layanan inferensi, seperti Together.ai, Fireworks.ai, dan lain-lain.
penyedia basis data
Untuk data AI dan tugas pelatihan serta inferensi pembelajaran mendalam, saat ini yang digunakan di industri adalah "database vektor". Database vektor dirancang untuk menyimpan, mengelola, dan mengindeks data vektor berdimensi tinggi dalam jumlah besar dengan efisien.
Pemain utama saat ini adalah Chroma, Zilliz, Pinecone, Weaviate, dan lainnya. Seiring dengan meningkatnya permintaan terhadap jumlah data, serta ledakan berbagai model besar dan aplikasi di berbagai bidang, permintaan untuk basis data vektor akan meningkat secara signifikan.
perangkat tepi
Saat membangun kluster komputasi berkinerja tinggi GPU, biasanya akan mengkonsumsi banyak energi dan menghasilkan banyak panas. Ini memerlukan beberapa perangkat pendingin untuk memastikan HPC berjalan terus menerus. Melibatkan dua arah yaitu pasokan energi dan sistem pendinginan.
Saat ini, energi yang digunakan terutama dari sisi pasokan adalah listrik. Dalam hal pendinginan cluster HPC, saat ini pendinginan udara adalah yang utama, tetapi banyak VC yang sedang berinvestasi besar-besaran dalam sistem pendinginan cair. Pendinginan cair terbagi menjadi tiga arah eksplorasi utama: pendinginan cair berbasis pelat, pendinginan cair terendam, dan pendinginan cair semprot.
aplikasi
Saat ini, perkembangan aplikasi AI mirip dengan industri blockchain, infrastruktur sangat padat, tetapi pengembangan aplikasi tidak mengikuti. Sebagian besar aplikasi AI yang aktif di sepuluh bulan pertama adalah jenis pencarian, dengan jenis aplikasi yang cukup tunggal. Sementara itu, tingkat retensi pengguna aplikasi AI jauh lebih rendah dibandingkan dengan aplikasi internet tradisional.
Menurut laporan Sequoia Amerika, aplikasi AI dibagi menjadi tiga kategori berdasarkan peran yang dihadapi: menghadapi konsumen profesional, perusahaan, dan konsumen umum. Aplikasi yang menghadapi konsumen terutama digunakan untuk meningkatkan produktivitas, sedangkan yang menghadapi perusahaan digunakan dalam industri pemasaran, hukum, desain medis, dan lainnya.
Hubungan antara Crypto dan AI
Blockchain mendapat manfaat dari perkembangan teknologi ZK, yang telah berevolusi menjadi pemikiran desentralisasi + tanpa kepercayaan. Jaringan blockchain pada dasarnya adalah jaringan nilai, di mana setiap transaksi adalah konversi nilai yang berbasis pada token dasar. Tokenomics adalah aturan konkret yang mencerminkan nilai Token.
Ekonomi token dapat menetapkan nilai relatif dari penyelesaian ekosistem ( token asli jaringan ), meskipun tidak dapat memberikan harga untuk setiap dimensi, tetapi harga token mencerminkan nilai multi-dimensi. Setelah token diberikan kepada jaringan dan beredar, fungsionalitas atau ide dapat diberi nilai.
Token dan teknologi blockchain sebagai alat untuk redefinisi dan penemuan nilai sangat penting bagi industri AI. Menerbitkan token dalam industri AI dapat memungkinkan berbagai pihak untuk melakukan restrukturisasi nilai, mendorong lebih banyak orang untuk mendalami berbagai segmen. Karakteristik blockchain yang tidak dapat diubah dan tidak memerlukan kepercayaan juga dapat mewujudkan beberapa aplikasi AI yang memerlukan kepercayaan.
Singkatnya, ekonomi token dapat mempromosikan restrukturisasi dan penemuan nilai, buku besar terdesentralisasi dapat menyelesaikan masalah kepercayaan, dan mengalirkan nilai secara global. Kombinasi Crypto dan AI memiliki utilitas praktis, dapat merestrukturisasi perspektif nilai, menyelesaikan masalah kepercayaan, dan menemukan nilai sisa.
Halaman ini mungkin berisi konten pihak ketiga, yang disediakan untuk tujuan informasi saja (bukan pernyataan/jaminan) dan tidak boleh dianggap sebagai dukungan terhadap pandangannya oleh Gate, atau sebagai nasihat keuangan atau profesional. Lihat Penafian untuk detailnya.
16 Suka
Hadiah
16
7
Posting ulang
Bagikan
Komentar
0/400
ForeverBuyingDips
· 29menit yang lalu
Sudah ada dana yang memplay people for suckers dan beralih ke AI.
Lihat AsliBalas0
ser_we_are_ngmi
· 9jam yang lalu
Ini hanya omong kosong biasa.
Lihat AsliBalas0
LiquidityOracle
· 20jam yang lalu
Gelombang AI ini benar-benar datang
Lihat AsliBalas0
ChainWatcher
· 08-12 15:12
Penambangan sudah beralih ke AI? Ini memang jalur pemasukan baru.
Lihat AsliBalas0
GamefiEscapeArtist
· 08-12 15:05
Sekali lagi, ini adalah lokasi panen para suckers.
Lihat AsliBalas0
GlueGuy
· 08-12 14:57
Mengapa model besar ini kembali mengangkat topik lama AI?
Lihat AsliBalas0
StablecoinArbitrageur
· 08-12 14:47
*sigh* analisis yang kurang terukur lagi... di mana korelasi statistik antara pool likuiditas AI dan peluang arbitrase? penelitian pemula sih
AI dan Crypto bersatu untuk membentuk kembali rantai nilai industri
Perkembangan Industri AI dan Eksplorasi Kombinasi dengan Crypto
Perkembangan terbaru di industri kecerdasan buatan dianggap sebagai revolusi industri keempat, munculnya model besar secara signifikan meningkatkan efisiensi di berbagai sektor. Teknologi pembelajaran mendalam membawa gelombang baru kemakmuran bagi industri AI, dan tren ini juga mempengaruhi industri cryptocurrency.
Artikel ini akan membahas secara rinci sejarah perkembangan industri AI, klasifikasi teknologi, serta dampak teknologi pembelajaran mendalam terhadap industri. Analisis mendalam tentang status dan tren perkembangan hulu dan hilir rantai industri seperti GPU, komputasi awan, sumber data, dan perangkat tepi dalam pembelajaran mendalam. Selain itu, juga akan membahas secara mendasar hubungan antara Crypto dan industri AI, serta merangkum pola rantai industri AI yang terkait dengan Crypto.
Sejarah Perkembangan Industri AI
Industri AI dimulai dari tahun 1950-an, untuk mewujudkan visi kecerdasan buatan, dunia akademis dan industri telah mengembangkan berbagai aliran untuk mewujudkan kecerdasan buatan dalam berbagai latar belakang disiplin ilmu yang berbeda di berbagai era.
Teknologi kecerdasan buatan modern terutama menggunakan istilah "pembelajaran mesin", di mana konsep teknologi ini adalah membuat mesin bergantung pada data untuk mengiterasi berulang kali dalam tugas untuk meningkatkan kinerja sistem. Langkah utama adalah mengirimkan data ke dalam algoritma, menggunakan data ini untuk melatih model, menguji model yang telah diterapkan, dan menggunakan model untuk menyelesaikan tugas prediksi otomatis.
Ada tiga aliran utama dalam pembelajaran mesin, yaitu koneksionisme, simbolisme, dan perilaku, yang masing-masing meniru sistem saraf, pemikiran, dan perilaku manusia. Saat ini, koneksionisme yang diwakili oleh jaringan saraf mendominasi ( juga dikenal sebagai pembelajaran mendalam ). Arsitektur jaringan saraf memiliki satu lapisan input dan satu lapisan output, tetapi memiliki beberapa lapisan tersembunyi; ketika jumlah lapisan dan neuron ( parameter ) menjadi cukup banyak, ada cukup banyak kesempatan untuk menyesuaikan tugas umum yang kompleks.
Teknologi deep learning berbasis jaringan saraf juga mengalami beberapa iterasi dan evolusi teknik, dari jaringan saraf awal, hingga jaringan saraf feedforward, RNN, CNN, GAN, dan akhirnya berevolusi ke model besar modern seperti teknologi Transformer yang digunakan oleh GPT. Teknologi Transformer hanyalah salah satu arah evolusi jaringan saraf, menambahkan sebuah konverter, yang digunakan untuk mengkodekan semua data modal menjadi nilai yang sesuai untuk merepresentasikannya. Kemudian data tersebut dimasukkan ke dalam jaringan saraf, sehingga jaringan saraf dapat menyesuaikan dengan berbagai jenis data, mewujudkan multimodal.
Perkembangan AI telah mengalami tiga gelombang teknologi:
Gelombang pertama yang disebabkan oleh perkembangan teknologi simbolisme pada tahun 1960-an menyelesaikan masalah pemrosesan bahasa alami yang umum dan dialog manusia-komputer.
Pada tahun 1997, IBM Deep Blue mengalahkan juara catur dunia Garry Kasparov, menandai puncak perkembangan kedua.
Sejak tahun 2006, perkembangan teknologi pembelajaran mendalam memicu gelombang teknologi ketiga, ini juga merupakan masa kejayaan koneksionisme.
Dalam beberapa tahun terakhir, teknologi pembelajaran mendalam terus mengalami terobosan, dengan munculnya beberapa peristiwa ikonik:
Rantai Industri Pembelajaran Mendalam
Model bahasa besar saat ini menggunakan metode pembelajaran mendalam berbasis jaringan saraf. Dengan GPT sebagai pemimpin, model-model besar ini telah menciptakan gelombang antusiasme terhadap kecerdasan buatan, banyak pemain yang terjun ke dalam arena ini. Permintaan pasar untuk data dan daya komputasi telah meledak secara signifikan.
Dalam melatih model besar seperti GPT yang berbasis teknologi Transformer, terdapat tiga langkah yang harus diikuti:
Pra-latihan: Mencari parameter terbaik untuk masing-masing neuron model melalui data dalam jumlah besar, yang paling membutuhkan daya komputasi.
Fine-tuning: Menggunakan sejumlah kecil data berkualitas tinggi untuk melatih, meningkatkan kualitas output model.
Pembelajaran penguatan: Membangun model penghargaan, mengevaluasi output model besar, dan mengiterasi parameter.
Kinerja model besar terutama ditentukan oleh jumlah parameter, jumlah dan kualitas data, serta daya komputasi. Ketiga faktor ini menginkubasi seluruh rantai industri.
penyedia GPU perangkat keras
GPU adalah chip utama untuk pelatihan dan inferensi saat ini. Nvidia berada di posisi terdepan absolut, chip seperti H100 dan A100 banyak digunakan untuk komersialisasi model besar.
Pada tahun 2023, chip H100 terbaru dari Nvidia sangat diminati, dengan siklus pengiriman mencapai 52 minggu. Banyak perusahaan teknologi besar membeli chip H100 dalam jumlah besar untuk membangun pusat komputasi berkinerja tinggi.
penyedia layanan cloud
Penyedia layanan cloud yang telah membeli cukup banyak GPU untuk membangun HPC dapat menyediakan komputasi elastis dan solusi pelatihan yang dihosting untuk perusahaan kecerdasan buatan yang memiliki dana terbatas. Saat ini, pasar terbagi menjadi tiga jenis penyedia komputasi cloud:
Platform kekuatan komputasi awan berskala besar yang diwakili oleh penyedia awan tradisional (AWS, Google, Azure).
Platform cloud computing profesional untuk jalur AI vertikal, seperti CoreWeave, Lambda, dll.
Penyedia layanan inferensi, seperti Together.ai, Fireworks.ai, dan lain-lain.
penyedia basis data
Untuk data AI dan tugas pelatihan serta inferensi pembelajaran mendalam, saat ini yang digunakan di industri adalah "database vektor". Database vektor dirancang untuk menyimpan, mengelola, dan mengindeks data vektor berdimensi tinggi dalam jumlah besar dengan efisien.
Pemain utama saat ini adalah Chroma, Zilliz, Pinecone, Weaviate, dan lainnya. Seiring dengan meningkatnya permintaan terhadap jumlah data, serta ledakan berbagai model besar dan aplikasi di berbagai bidang, permintaan untuk basis data vektor akan meningkat secara signifikan.
perangkat tepi
Saat membangun kluster komputasi berkinerja tinggi GPU, biasanya akan mengkonsumsi banyak energi dan menghasilkan banyak panas. Ini memerlukan beberapa perangkat pendingin untuk memastikan HPC berjalan terus menerus. Melibatkan dua arah yaitu pasokan energi dan sistem pendinginan.
Saat ini, energi yang digunakan terutama dari sisi pasokan adalah listrik. Dalam hal pendinginan cluster HPC, saat ini pendinginan udara adalah yang utama, tetapi banyak VC yang sedang berinvestasi besar-besaran dalam sistem pendinginan cair. Pendinginan cair terbagi menjadi tiga arah eksplorasi utama: pendinginan cair berbasis pelat, pendinginan cair terendam, dan pendinginan cair semprot.
aplikasi
Saat ini, perkembangan aplikasi AI mirip dengan industri blockchain, infrastruktur sangat padat, tetapi pengembangan aplikasi tidak mengikuti. Sebagian besar aplikasi AI yang aktif di sepuluh bulan pertama adalah jenis pencarian, dengan jenis aplikasi yang cukup tunggal. Sementara itu, tingkat retensi pengguna aplikasi AI jauh lebih rendah dibandingkan dengan aplikasi internet tradisional.
Menurut laporan Sequoia Amerika, aplikasi AI dibagi menjadi tiga kategori berdasarkan peran yang dihadapi: menghadapi konsumen profesional, perusahaan, dan konsumen umum. Aplikasi yang menghadapi konsumen terutama digunakan untuk meningkatkan produktivitas, sedangkan yang menghadapi perusahaan digunakan dalam industri pemasaran, hukum, desain medis, dan lainnya.
Hubungan antara Crypto dan AI
Blockchain mendapat manfaat dari perkembangan teknologi ZK, yang telah berevolusi menjadi pemikiran desentralisasi + tanpa kepercayaan. Jaringan blockchain pada dasarnya adalah jaringan nilai, di mana setiap transaksi adalah konversi nilai yang berbasis pada token dasar. Tokenomics adalah aturan konkret yang mencerminkan nilai Token.
Ekonomi token dapat menetapkan nilai relatif dari penyelesaian ekosistem ( token asli jaringan ), meskipun tidak dapat memberikan harga untuk setiap dimensi, tetapi harga token mencerminkan nilai multi-dimensi. Setelah token diberikan kepada jaringan dan beredar, fungsionalitas atau ide dapat diberi nilai.
Token dan teknologi blockchain sebagai alat untuk redefinisi dan penemuan nilai sangat penting bagi industri AI. Menerbitkan token dalam industri AI dapat memungkinkan berbagai pihak untuk melakukan restrukturisasi nilai, mendorong lebih banyak orang untuk mendalami berbagai segmen. Karakteristik blockchain yang tidak dapat diubah dan tidak memerlukan kepercayaan juga dapat mewujudkan beberapa aplikasi AI yang memerlukan kepercayaan.
Singkatnya, ekonomi token dapat mempromosikan restrukturisasi dan penemuan nilai, buku besar terdesentralisasi dapat menyelesaikan masalah kepercayaan, dan mengalirkan nilai secara global. Kombinasi Crypto dan AI memiliki utilitas praktis, dapat merestrukturisasi perspektif nilai, menyelesaikan masalah kepercayaan, dan menemukan nilai sisa.