История развития AI и исследование его соединения с Crypto
Недавнее развитие отрасли искусственного интеллекта рассматривается как четвертая промышленная революция, появление больших моделей значительно повысило эффективность во всех отраслях. Технология глубокого обучения принесла новую волну процветания в индустрию ИИ, и этот тренд также повлиял на криптовалютную отрасль.
В этой статье будет подробно рассмотрена история развития AI-индустрии, классификация технологий, а также влияние технологий глубокого обучения на индустрию. Будет проведен глубокий анализ текущего состояния и тенденций развития в цепочке поставок, включая GPU, облачные вычисления, источники данных, устройства на границе и т.д. Также будет рассмотрена суть отношений между Crypto и AI индустрией, а также будет проведен обзор структуры AI-цепочки поставок, связанной с Crypto.
AI-индустрия начала развиваться с 50-х годов XX века. Для достижения видения искусственного интеллекта академическая и промышленная сферы в разные эпохи и с различным дисциплинарным контекстом разработали множество направлений для реализации искусственного интеллекта.
Современные технологии искусственного интеллекта в основном используют термин "машинное обучение". Идея этой технологии заключается в том, чтобы позволить машинам повторно итеративно улучшать производительность системы на основе данных в рамках выполнения задач. Основные шаги включают передачу данных в алгоритм, использование этих данных для обучения модели, тестирование и развертывание модели, а также использование модели для выполнения автоматизированных предсказательных задач.
В машинном обучении есть три основных направления: соединительный подход, символический подход и поведенческий подход, которые имитируют человеческую нервную систему, мышление и поведение соответственно. В настоящее время соединительный подход, представленный нейронными сетями, преобладает ( также называется глубоким обучением ). Архитектура нейронной сети имеет один входной слой и один выходной слой, но содержит несколько скрытых слоев. Как только количество слоев и нейронов ( и параметры ) становятся достаточно большими, появляется достаточно возможностей для подгонки сложных универсальных задач.
Технология глубокого обучения на основе нейронных сетей также имеет несколько итераций и эволюций, начиная с самых ранних нейронных сетей, переходя к полносвязным нейронным сетям, RNN, CNN, GAN и, наконец, развиваясь в современные большие модели, такие как технологии Transformer, используемые в GPT и других. Технология Transformer является лишь одним из направлений эволюции нейронных сетей, она добавляет преобразователь, который используется для кодирования всех модальностей данных в соответствующие числовые представления. Затем эти данные вводятся в нейронную сеть, что позволяет нейронной сети подстраиваться под любые типы данных и реализовывать многомодальность.
Развитие ИИ прошло через три технологические волны:
Первая волна, вызванная развитием символистских технологий в 60-х годах XX века, решила проблемы общего естественного языка и диалога между человеком и машиной.
В 1997 году IBM Deep Blue победил чемпиона мира по шахматам Гарри Каспарова, что ознаменовало вторую волну развития.
С 2006 года развитие технологий глубокого обучения вызвало третью волну технологий, это также период расцвета соединительного подхода.
В последние годы технологии глубокого обучения постоянно прорываются, и произошло несколько знаковых событий:
В 2015 году создан OpenAI.
В 2016 году AlphaGo победил чемпиона мира по го Ли Сидо.
В 2017 году Google представил алгоритм Transformer.
В 2018 году OpenAI выпустила модель GPT.
В 2020 году OpenAI выпустила GPT-3.
В январе 2023 года был запущен ChatGPT на основе GPT-4.
В настоящее время все модели языка основаны на методах глубокого обучения на основе нейронных сетей. Модели, возглавляемые GPT, создали волну интереса к искусственному интеллекту, и множество игроков устремились на этот рынок. Рынок испытывает огромный спрос на данные и вычислительные мощности.
При обучении больших моделей, таких как GPT, основанных на технологии Transformer, всего выделяют три этапа:
Предобучение: поиск оптимальных параметров для каждого нейрона модели с помощью больших объемов данных, требует наибольших вычислительных ресурсов.
Тонкая настройка: использование небольшого объема высококачественных данных для обучения, повышение качества выходных данных модели.
Обучение с подкреплением: создание модели наград, оценка вывода большой модели, итерация параметров.
Производительность больших моделей в основном определяется тремя аспектами: количеством параметров, объемом и качеством данных, а также вычислительной мощностью. Эти три фактора инкубируют целую промышленную цепочку.
GPU является основным чипом для обучения и вывода в настоящее время. Nvidia занимает абсолютное лидирующее положение, её чипы H100, A100 и другие широко используются для коммерциализации больших моделей.
В 2023 году новейшие чипы Nvidia H100 пользуются большим спросом, а срок поставки составляет 52 недели. Многие крупные технологические компании закупают чипы H100 для создания центров высокопроизводительных вычислений.
Провайдер облачных услуг
Поставщики облачных услуг могут предоставить гибкие вычислительные мощности и управляемые решения для обучения для компаний в области искусственного интеллекта с ограниченным бюджетом после покупки достаточного количества GPU для создания HPC. В настоящее время рынок в основном делится на три класса поставщиков облачных вычислений:
Традиционные облачные провайдеры, такие как AWS, Google, Azure, представляют собой платформы облачных вычислений сверхбольшого масштаба (.
Профессиональная облачная вычислительная платформа для вертикальных AI-трасс, таких как CoreWeave, Lambda и др.
Провайдеры услуг, такие как Together.ai, Fireworks.ai и др.
![Новая информация丨AI x Crypto：С нуля до вершины])https://img-cdn.gateio.im/webp-social/moments-8848582a34ba293d15afae15d90e3c95.webp(
) Провайдер базы данных
Для задач обучения и вывода данных AI и глубокого обучения в настоящее время в отрасли используется "векторная база данных". Векторные базы данных предназначены для эффективного хранения, управления и индексирования огромного объема высокоразмерных векторных данных.
В настоящее время основными игроками являются Chroma, Zilliz, Pinecone, Weaviate и другие. С увеличением потребностей в объеме данных и всплеском больших моделей и приложений в различных сегментах, потребность в векторных базах данных значительно возрастет.
![Новый человек в крипто丨AI x Crypto: от нуля до вершины]###https://img-cdn.gateio.im/webp-social/moments-53c48daf49a3dbb35c1a2b47e234f180.webp(
) крайние устройства
При создании кластеров высокопроизводительных вычислений на базе GPU обычно потребляется большое количество энергии и выделяется много тепла. Это требует некоторых охлаждающих периферийных устройств для обеспечения непрерывной работы HPC. Это касается двух направлений: энергоснабжения и систем охлаждения.
В настоящее время в основном используется электроэнергия на стороне供给 энергии. В отношении охлаждения кластеров HPC в настоящее время в основном применяется воздушное охлаждение, но многие венчурные капитальные компании активно инвестируют в системы жидкостного охлаждения. Жидкостное охлаждение в основном делится на три направления исследований: холоднопластинное жидкостное охлаждение, погружное жидкостное охлаждение и распылительное жидкостное охлаждение.
! [Новичок в науке丨AI x Crypto: от нуля до пика]###https://img-cdn.gateio.im/webp-social/moments-250a286e79261e91a0e7ac4941ff5c76.webp(
) приложение
Развитие AI-приложений в настоящее время аналогично индустрии блокчейна: инфраструктура очень переполнена, но разработка приложений не успевает за этим. Большинство активных AI-приложений за первые десять месяцев в основном представляют собой поисковые типы и имеют довольно однородный вид. В то же время уровень удержания пользователей AI-приложений значительно ниже, чем у традиционных интернет-приложений.
Согласно отчету Sequoia Capital, приложения ИИ делятся на три категории в зависимости от целевой аудитории: профессиональные потребители, предприятия и обычные потребители. Потребительские приложения в основном предназначены для повышения производительности, в то время как приложения для предприятий используют в таких отраслях, как маркетинг, право, медицинский дизайн и т.д.
! [Новичок в науке丨AI x Crypto: от нуля до пика]###https://img-cdn.gateio.im/webp-social/moments-8358c377eb2c07467848b3b46dbf1056.webp(
Связь между криптовалютой и ИИ
Блокчейн выиграл от развития технологий ZK и эволюционировал в концепцию децентрализации + дотошности. Блокчейн-сеть по своей сути является сетью ценностей, каждая транзакция представляет собой преобразование ценности на основе базового токена. Tokenomics — это конкретные правила, отражающие ценность токена.
Токеномика способна определить относительную стоимость сетевого нативного токена ) экосистемы расчета (. Хотя невозможно установить цену для каждого измерения, цена токена отражает многомерную ценность. Как только токены присваиваются и начинают циркулировать в сети, функции или идеи могут быть наделены ценностью.
Токены и технологии блокчейн, как средства переопределения и обнаружения ценности, также имеют решающее значение для отрасли ИИ. Выпуск токенов в сфере ИИ позволяет перераспределять ценность, побуждая больше людей углубляться в различные сегменты рынка. Неизменяемость и отсутствие необходимости в доверии блокчейн-технологий также могут реализовать некоторые ИИ-приложения, требующие доверия.
В общем, токеномика может способствовать переосмыслению и открытию ценности, децентрализованный реестр может решить проблему доверия и обеспечить повторное движение ценности на глобальном уровне. Сочетание криптовалюты и ИИ имеет практическое применение, может переосмыслить ценностные перспективы, решить проблему доверия и обнаружить остаточную ценность.
![Новичок Информация丨AI x Crypto: от нуля до вершины])https://img-cdn.gateio.im/webp-social/moments-c8845a5920048e7c821c939e2d8304e7.webp(
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» .
16 Лайков
Награда
16
7
Репост
Поделиться
комментарий
0/400
ForeverBuyingDips
· 6ч назад
Снова деньги разыгрывайте людей как лохов и переходят в ИИ.
Посмотреть ОригиналОтветить0
ser_we_are_ngmi
· 15ч назад
Это старая песня.
Посмотреть ОригиналОтветить0
LiquidityOracle
· 08-13 06:06
Эта волна ИИ действительно пришла.
Посмотреть ОригиналОтветить0
ChainWatcher
· 08-12 15:12
Майнинг превратился в ИИ? Это действительно новая финансовая возможность.
Посмотреть ОригиналОтветить0
GamefiEscapeArtist
· 08-12 15:05
又是一波 неудачники разыгрывайте людей как лохов
Посмотреть ОригиналОтветить0
GlueGuy
· 08-12 14:57
Как же эта большая модель снова подняла старые шутки об ИИ?
Посмотреть ОригиналОтветить0
StablecoinArbitrageur
· 08-12 14:47
*вздох* еще один плохо количественно оцененный анализ... где статистическая корреляция между пулами ликвидности ИИ и возможностями арбитража? новичковское исследование, честно говоря
Искусственный интеллект и криптовалюты: перестройка цепочки создания ценности в отрасли
История развития AI и исследование его соединения с Crypto
Недавнее развитие отрасли искусственного интеллекта рассматривается как четвертая промышленная революция, появление больших моделей значительно повысило эффективность во всех отраслях. Технология глубокого обучения принесла новую волну процветания в индустрию ИИ, и этот тренд также повлиял на криптовалютную отрасль.
В этой статье будет подробно рассмотрена история развития AI-индустрии, классификация технологий, а также влияние технологий глубокого обучения на индустрию. Будет проведен глубокий анализ текущего состояния и тенденций развития в цепочке поставок, включая GPU, облачные вычисления, источники данных, устройства на границе и т.д. Также будет рассмотрена суть отношений между Crypto и AI индустрией, а также будет проведен обзор структуры AI-цепочки поставок, связанной с Crypto.
! Новичок в науке丨AI x Crypto: от нуля до пика
История развития AI-индустрии
AI-индустрия начала развиваться с 50-х годов XX века. Для достижения видения искусственного интеллекта академическая и промышленная сферы в разные эпохи и с различным дисциплинарным контекстом разработали множество направлений для реализации искусственного интеллекта.
Современные технологии искусственного интеллекта в основном используют термин "машинное обучение". Идея этой технологии заключается в том, чтобы позволить машинам повторно итеративно улучшать производительность системы на основе данных в рамках выполнения задач. Основные шаги включают передачу данных в алгоритм, использование этих данных для обучения модели, тестирование и развертывание модели, а также использование модели для выполнения автоматизированных предсказательных задач.
В машинном обучении есть три основных направления: соединительный подход, символический подход и поведенческий подход, которые имитируют человеческую нервную систему, мышление и поведение соответственно. В настоящее время соединительный подход, представленный нейронными сетями, преобладает ( также называется глубоким обучением ). Архитектура нейронной сети имеет один входной слой и один выходной слой, но содержит несколько скрытых слоев. Как только количество слоев и нейронов ( и параметры ) становятся достаточно большими, появляется достаточно возможностей для подгонки сложных универсальных задач.
Технология глубокого обучения на основе нейронных сетей также имеет несколько итераций и эволюций, начиная с самых ранних нейронных сетей, переходя к полносвязным нейронным сетям, RNN, CNN, GAN и, наконец, развиваясь в современные большие модели, такие как технологии Transformer, используемые в GPT и других. Технология Transformer является лишь одним из направлений эволюции нейронных сетей, она добавляет преобразователь, который используется для кодирования всех модальностей данных в соответствующие числовые представления. Затем эти данные вводятся в нейронную сеть, что позволяет нейронной сети подстраиваться под любые типы данных и реализовывать многомодальность.
Развитие ИИ прошло через три технологические волны:
Первая волна, вызванная развитием символистских технологий в 60-х годах XX века, решила проблемы общего естественного языка и диалога между человеком и машиной.
В 1997 году IBM Deep Blue победил чемпиона мира по шахматам Гарри Каспарова, что ознаменовало вторую волну развития.
С 2006 года развитие технологий глубокого обучения вызвало третью волну технологий, это также период расцвета соединительного подхода.
В последние годы технологии глубокого обучения постоянно прорываются, и произошло несколько знаковых событий:
! Newcomer Science丨AI x Crypto: от нуля до пика
Цепочка создания ценности глубинного обучения
В настоящее время все модели языка основаны на методах глубокого обучения на основе нейронных сетей. Модели, возглавляемые GPT, создали волну интереса к искусственному интеллекту, и множество игроков устремились на этот рынок. Рынок испытывает огромный спрос на данные и вычислительные мощности.
При обучении больших моделей, таких как GPT, основанных на технологии Transformer, всего выделяют три этапа:
Предобучение: поиск оптимальных параметров для каждого нейрона модели с помощью больших объемов данных, требует наибольших вычислительных ресурсов.
Тонкая настройка: использование небольшого объема высококачественных данных для обучения, повышение качества выходных данных модели.
Обучение с подкреплением: создание модели наград, оценка вывода большой модели, итерация параметров.
Производительность больших моделей в основном определяется тремя аспектами: количеством параметров, объемом и качеством данных, а также вычислительной мощностью. Эти три фактора инкубируют целую промышленную цепочку.
! Newcomer Science丨AI x Crypto: от нуля до пика
Провайдеры аппаратных GPU
GPU является основным чипом для обучения и вывода в настоящее время. Nvidia занимает абсолютное лидирующее положение, её чипы H100, A100 и другие широко используются для коммерциализации больших моделей.
В 2023 году новейшие чипы Nvidia H100 пользуются большим спросом, а срок поставки составляет 52 недели. Многие крупные технологические компании закупают чипы H100 для создания центров высокопроизводительных вычислений.
Провайдер облачных услуг
Поставщики облачных услуг могут предоставить гибкие вычислительные мощности и управляемые решения для обучения для компаний в области искусственного интеллекта с ограниченным бюджетом после покупки достаточного количества GPU для создания HPC. В настоящее время рынок в основном делится на три класса поставщиков облачных вычислений:
Традиционные облачные провайдеры, такие как AWS, Google, Azure, представляют собой платформы облачных вычислений сверхбольшого масштаба (.
Профессиональная облачная вычислительная платформа для вертикальных AI-трасс, таких как CoreWeave, Lambda и др.
Провайдеры услуг, такие как Together.ai, Fireworks.ai и др.
![Новая информация丨AI x Crypto：С нуля до вершины])https://img-cdn.gateio.im/webp-social/moments-8848582a34ba293d15afae15d90e3c95.webp(
) Провайдер базы данных
Для задач обучения и вывода данных AI и глубокого обучения в настоящее время в отрасли используется "векторная база данных". Векторные базы данных предназначены для эффективного хранения, управления и индексирования огромного объема высокоразмерных векторных данных.
В настоящее время основными игроками являются Chroma, Zilliz, Pinecone, Weaviate и другие. С увеличением потребностей в объеме данных и всплеском больших моделей и приложений в различных сегментах, потребность в векторных базах данных значительно возрастет.
![Новый человек в крипто丨AI x Crypto: от нуля до вершины]###https://img-cdn.gateio.im/webp-social/moments-53c48daf49a3dbb35c1a2b47e234f180.webp(
) крайние устройства
При создании кластеров высокопроизводительных вычислений на базе GPU обычно потребляется большое количество энергии и выделяется много тепла. Это требует некоторых охлаждающих периферийных устройств для обеспечения непрерывной работы HPC. Это касается двух направлений: энергоснабжения и систем охлаждения.
В настоящее время в основном используется электроэнергия на стороне供给 энергии. В отношении охлаждения кластеров HPC в настоящее время в основном применяется воздушное охлаждение, но многие венчурные капитальные компании активно инвестируют в системы жидкостного охлаждения. Жидкостное охлаждение в основном делится на три направления исследований: холоднопластинное жидкостное охлаждение, погружное жидкостное охлаждение и распылительное жидкостное охлаждение.
! [Новичок в науке丨AI x Crypto: от нуля до пика]###https://img-cdn.gateio.im/webp-social/moments-250a286e79261e91a0e7ac4941ff5c76.webp(
) приложение
Развитие AI-приложений в настоящее время аналогично индустрии блокчейна: инфраструктура очень переполнена, но разработка приложений не успевает за этим. Большинство активных AI-приложений за первые десять месяцев в основном представляют собой поисковые типы и имеют довольно однородный вид. В то же время уровень удержания пользователей AI-приложений значительно ниже, чем у традиционных интернет-приложений.
Согласно отчету Sequoia Capital, приложения ИИ делятся на три категории в зависимости от целевой аудитории: профессиональные потребители, предприятия и обычные потребители. Потребительские приложения в основном предназначены для повышения производительности, в то время как приложения для предприятий используют в таких отраслях, как маркетинг, право, медицинский дизайн и т.д.
! [Новичок в науке丨AI x Crypto: от нуля до пика]###https://img-cdn.gateio.im/webp-social/moments-8358c377eb2c07467848b3b46dbf1056.webp(
Связь между криптовалютой и ИИ
Блокчейн выиграл от развития технологий ZK и эволюционировал в концепцию децентрализации + дотошности. Блокчейн-сеть по своей сути является сетью ценностей, каждая транзакция представляет собой преобразование ценности на основе базового токена. Tokenomics — это конкретные правила, отражающие ценность токена.
Токеномика способна определить относительную стоимость сетевого нативного токена ) экосистемы расчета (. Хотя невозможно установить цену для каждого измерения, цена токена отражает многомерную ценность. Как только токены присваиваются и начинают циркулировать в сети, функции или идеи могут быть наделены ценностью.
Токены и технологии блокчейн, как средства переопределения и обнаружения ценности, также имеют решающее значение для отрасли ИИ. Выпуск токенов в сфере ИИ позволяет перераспределять ценность, побуждая больше людей углубляться в различные сегменты рынка. Неизменяемость и отсутствие необходимости в доверии блокчейн-технологий также могут реализовать некоторые ИИ-приложения, требующие доверия.
В общем, токеномика может способствовать переосмыслению и открытию ценности, децентрализованный реестр может решить проблему доверия и обеспечить повторное движение ценности на глобальном уровне. Сочетание криптовалюты и ИИ имеет практическое применение, может переосмыслить ценностные перспективы, решить проблему доверия и обнаружить остаточную ценность.
![Новичок Информация丨AI x Crypto: от нуля до вершины])https://img-cdn.gateio.im/webp-social/moments-c8845a5920048e7c821c939e2d8304e7.webp(