Історія розвитку AI-індустрії та дослідження її поєднання з Crypto
Розвиток індустрії штучного інтелекту останнім часом вважається четвертою промисловою революцією, поява великих моделей значно підвищила ефективність у різних галузях. Технології глибокого навчання принесли новий розквіт в індустрію ШІ, ця хвиля також вплинула на індустрію криптовалют.
У цій статті детально розглядається історія розвитку індустрії штучного інтелекту, класифікація технологій та вплив технології глибокого навчання на цю індустрію. Глибоко аналізуються сучасний стан та тенденції розвитку таких елементів, як GPU, хмарні обчислення, джерела даних, крайові пристрої тощо в ланцюгу постачання. Одночасно досліджується сутність взаємозв'язку між криптовалютою та індустрією штучного інтелекту, а також розглядається структура ланцюга постачання в індустрії штучного інтелекту, пов’язаної з криптовалютою.
Індустрія ШІ розпочалася в 50-х роках XX століття. Для досягнення бачення штучного інтелекту академічні та промислові кола в різні епохи і з різними науковими фонами розвинули різні школи, що реалізують штучний інтелект.
Сучасні технології штучного інтелекту в основному використовують термін "машинне навчання". Ідея цієї технології полягає в тому, щоб машини покладалися на дані для багаторазової ітерації в завданнях з метою покращення продуктивності системи. Основні етапи включають передачу даних алгоритму, використання цих даних для навчання моделі, тестування та впровадження моделі, а також використання моделі для виконання автоматизованих прогнозних завдань.
Машинне навчання має три основні течії: зв'язковість, символізм та поведінка, які відповідно імітують нервову систему, мислення та поведінку людини. На сьогоднішній день зв'язковість, яку представляє нейронна мережа, домінує (, також відома як глибоке навчання ). Архітектура нейронної мережі має один вхідний шар, один вихідний шар, але кілька прихованих шарів; як тільки кількість шарів та нейронів ( параметрів ) стає достатньо великою, з'являється достатньо можливостей для підгонки складних загальних задач.
Технологія глибокого навчання на основі нейронних мереж також має кілька технічних ітерацій та еволюцій, від найраніших нейронних мереж до мереж з прямим зворотним зв'язком, RNN, CNN, GAN, і, нарешті, до сучасних великих моделей, таких як GPT, що використовують технологію Transformer. Технологія Transformer є лише одним з напрямків еволюції нейронних мереж, яка додає перетворювач для кодування всіх модальностей даних у відповідні числові значення для представлення. Потім ці дані вводяться в нейронну мережу, що дозволяє нейронній мережі апроксимувати будь-який тип даних, реалізуючи мультимодальність.
Розвиток штучного інтелекту пережив три технологічні хвилі:
У 60-х роках XX століття перша хвиля, спричинена розвитком символістської технології, вирішила проблеми загальної обробки природної мови та діалогу між людиною і комп'ютером.
У 1997 році IBM Deep Blue переміг чемпіона світу з шахів Гаррі Каспарова, що стало знаком другого етапу розвитку.
З 2006 року розвиток технологій глибокого навчання спричинив третю хвилю технологічних змін, що є також періодом розквіту коннекціонізму.
В останні роки технології глибокого навчання постійно розвиваються, з'явилося кілька знакових подій:
У 2015 році створено OpenAI.
У 2016 році AlphaGo перемогла чемпіона світу з го Лі Сіши.
У 2017 році Google запропонував алгоритм Transformer.
У 2018 році OpenAI випустила модель GPT.
У 2020 році OpenAI випустила GPT-3.
У січні 2023 року було запущено ChatGPT на базі GPT-4.
Ланцюг промисловості глибокого навчання
В даний час великі мовні моделі використовують методи глибокого навчання на основі нейронних мереж. Моделі великого формату на чолі з GPT спричинили хвилю штучного інтелекту, в результаті чого на цей ринок увійшло багато гравців. Ринок переживає бурхливий попит на дані та обчислювальні потужності.
Під час навчання великих моделей, таких як GPT, на основі технології Transformer, процес ділиться на три етапи:
Попереднє навчання: знаходження оптимальних параметрів для кожного нейрона моделі на основі великої кількості даних, що вимагає найбільших обчислювальних ресурсів.
Доробка: використання невеликої кількості високоякісних даних для навчання, що покращує якість виходу моделі.
Поглиблене навчання: створення моделі нагороди, оцінка виходу великої моделі, ітерація параметрів.
Вплив на продуктивність великих моделей головним чином визначається трьома аспектами: кількістю параметрів, обсягом і якістю даних, а також обчислювальною потужністю. Ці три елементи інкубують цілу галузеву ланцюг.
постачальник апаратного GPU
GPU є основним чипом для навчання та інференції на сьогодні. Nvidia займає абсолютну лідируючу позицію, їхні чипи H100, A100 та інші широко використовуються для комерційного впровадження великих моделей.
У 2023 році новітні чіпи H100 від Nvidia користуються надзвичайним попитом, а терміни поставки досягають 52 тижнів. Багато великих технологічних компаній масово купують чіпи H100 для створення центрів високопродуктивних обчислень.
Постачальник хмарних послуг
Постачальники хмарних послуг можуть надати гнучкі обчислювальні потужності та рішення для хостингу навчання для обмежених за фінансами компаній штучного інтелекту після покупки достатньої кількості GPU для створення HPC. Наразі ринок поділяється на три основні категорії постачальників хмарних обчислень:
Традиційні постачальники хмарних послуг, такі як надмасштабні платформи хмарних обчислень ( AWS, Google, Azure ).
Професійні хмарні обчислювальні платформи вертикального AI-сектора, такі як CoreWeave, Lambda тощо.
Постачальники послуг, такі як Together.ai, Fireworks.ai тощо.
Для AI-даних та завдань глибинного навчання наразі в індустрії використовується "векторна база даних". Векторна база даних має на меті ефективно зберігати, керувати та індексувати великі обсяги високорозмірних векторних даних.
Наразі основними гравцями є Chroma, Zilliz, Pinecone, Weaviate тощо. У зв'язку зі збільшенням потреби в обсягах даних, а також сплеском великих моделей і застосунків у різних сегментах, попит на векторні бази даних суттєво зросте.
крайні пристрої
При створенні кластерів високопродуктивних обчислень на базі GPU зазвичай споживається велика кількість енергії, що призводить до значного виділення тепла. Це потребує деяких охолоджуючих пристроїв на краю для забезпечення безперервної роботи HPC. Це стосується двох напрямків: постачання енергії та системи охолодження.
На даний момент в основному використовується електрична енергія для постачання енергії. У системах охолодження кластерів HPC наразі переважає повітряне охолодження, але багато венчурних капіталів активно інвестують в рідинні системи охолодження. Рідинне охолодження в основному ділиться на три напрямки дослідження: охолодження пластинами, занурювальне охолодження та розпилювальне охолодження.
застосування
Розвиток AI-додатків наразі подібний до індустрії блокчейн, інфраструктура дуже переповнена, але розробка додатків не встигає за цим. У перші десять місяців активні AI-додатки в основному були типу пошуку, типи додатків були досить односторонніми. Водночас, рівень утримання користувачів AI-додатків значно нижчий, ніж у традиційних інтернет-додатків.
Згідно з доповіддю Sequoia Capital, застосування ШІ розділяються на три категорії з точки зору ролі: для професійних споживачів, підприємств та звичайних споживачів. Застосування для споживачів, в основному, використовується для підвищення продуктивності, тоді як для підприємств - у маркетингу, юридичних питаннях, медичному дизайні та інших галузях.
Взаємозв'язок криптовалюти та штучного інтелекту
Блокчейн отримав вигоду від розвитку технології ZK, еволюціонуючи в ідею децентралізації + зняття довіри. Блокчейн-мережа за своєю суттю є мережею вартості, кожна транзакція є перетворенням вартості на основі базових токенів. Tokenomics - це конкретні правила відображення вартості токенів.
Токеноміка може визначити відносну вартість розрахункових активів екосистеми (, рідного токена мережі ). Хоча не можна призначити ціну для кожного виміру, ціна токена відображає багатовимірну цінність. Як тільки токени надаються мережі та починають обіг, можна надати функції або ідеї цінність.
Токени та технології блокчейн, як засіб перепридбання та відкриття цінностей, також є надзвичайно важливими для галузі ШІ. Випуск токенів у галузі ШІ може дозволити переоцінку цінностей з різних боків, заохочуючи більше людей поглиблюватися в різні підсектори. Непідробність та довіра не потрібна функція технології блокчейн також може реалізувати деякі застосування ШІ, які потребують довіри.
Отже, токеноміка може сприяти переоцінці та відкриттю вартості, децентралізовані реєстри можуть вирішити проблеми довіри та перерозподілити вартість по всьому світу. Поєднання криптовалют та штучного інтелекту має практичну користь, може змінити перспективу вартості, вирішити проблеми довіри та виявити залишкову вартість.
Ця сторінка може містити контент третіх осіб, який надається виключно в інформаційних цілях (не в якості запевнень/гарантій) і не повинен розглядатися як схвалення його поглядів компанією Gate, а також як фінансова або професійна консультація. Див. Застереження для отримання детальної інформації.
16 лайків
Нагородити
16
7
Репост
Поділіться
Прокоментувати
0/400
ForeverBuyingDips
· 4год тому
Знову є кошти, які обдурюють людей, як лохів, і переходять до ШІ.
Переглянути оригіналвідповісти на0
ser_we_are_ngmi
· 13год тому
Це вже стара пісня.
Переглянути оригіналвідповісти на0
LiquidityOracle
· 08-13 06:06
Ця хвиля ШІ справді прийшла.
Переглянути оригіналвідповісти на0
ChainWatcher
· 08-12 15:12
Майнінг перейшов в AI? Це справді новий шлях до прибутку.
Переглянути оригіналвідповісти на0
GamefiEscapeArtist
· 08-12 15:05
Ще одне місце обдурювання людей, як лохів.
Переглянути оригіналвідповісти на0
GlueGuy
· 08-12 14:57
Ця велика модель знову піднімає старі жарти про ШІ.
Переглянути оригіналвідповісти на0
StablecoinArbitrageur
· 08-12 14:47
*с sigh* ще один погано кількісно оцінений аналіз... де статистична кореляція між пулом ліквідності AI та можливостями арбітражу? початкова дослідження, якщо чесно
Штучний інтелект та криптовалюта об'єднуються, перетворюючи вартісний ланцюг промисловості
Історія розвитку AI-індустрії та дослідження її поєднання з Crypto
Розвиток індустрії штучного інтелекту останнім часом вважається четвертою промисловою революцією, поява великих моделей значно підвищила ефективність у різних галузях. Технології глибокого навчання принесли новий розквіт в індустрію ШІ, ця хвиля також вплинула на індустрію криптовалют.
У цій статті детально розглядається історія розвитку індустрії штучного інтелекту, класифікація технологій та вплив технології глибокого навчання на цю індустрію. Глибоко аналізуються сучасний стан та тенденції розвитку таких елементів, як GPU, хмарні обчислення, джерела даних, крайові пристрої тощо в ланцюгу постачання. Одночасно досліджується сутність взаємозв'язку між криптовалютою та індустрією штучного інтелекту, а також розглядається структура ланцюга постачання в індустрії штучного інтелекту, пов’язаної з криптовалютою.
! Newcomer Science丨AI x Crypto: від нуля до піку
Історія розвитку AI-індустрії
Індустрія ШІ розпочалася в 50-х роках XX століття. Для досягнення бачення штучного інтелекту академічні та промислові кола в різні епохи і з різними науковими фонами розвинули різні школи, що реалізують штучний інтелект.
Сучасні технології штучного інтелекту в основному використовують термін "машинне навчання". Ідея цієї технології полягає в тому, щоб машини покладалися на дані для багаторазової ітерації в завданнях з метою покращення продуктивності системи. Основні етапи включають передачу даних алгоритму, використання цих даних для навчання моделі, тестування та впровадження моделі, а також використання моделі для виконання автоматизованих прогнозних завдань.
Машинне навчання має три основні течії: зв'язковість, символізм та поведінка, які відповідно імітують нервову систему, мислення та поведінку людини. На сьогоднішній день зв'язковість, яку представляє нейронна мережа, домінує (, також відома як глибоке навчання ). Архітектура нейронної мережі має один вхідний шар, один вихідний шар, але кілька прихованих шарів; як тільки кількість шарів та нейронів ( параметрів ) стає достатньо великою, з'являється достатньо можливостей для підгонки складних загальних задач.
! Newcomer Science Popular丨AI x Crypto: від нуля до піку
Технологія глибокого навчання на основі нейронних мереж також має кілька технічних ітерацій та еволюцій, від найраніших нейронних мереж до мереж з прямим зворотним зв'язком, RNN, CNN, GAN, і, нарешті, до сучасних великих моделей, таких як GPT, що використовують технологію Transformer. Технологія Transformer є лише одним з напрямків еволюції нейронних мереж, яка додає перетворювач для кодування всіх модальностей даних у відповідні числові значення для представлення. Потім ці дані вводяться в нейронну мережу, що дозволяє нейронній мережі апроксимувати будь-який тип даних, реалізуючи мультимодальність.
Розвиток штучного інтелекту пережив три технологічні хвилі:
У 60-х роках XX століття перша хвиля, спричинена розвитком символістської технології, вирішила проблеми загальної обробки природної мови та діалогу між людиною і комп'ютером.
У 1997 році IBM Deep Blue переміг чемпіона світу з шахів Гаррі Каспарова, що стало знаком другого етапу розвитку.
З 2006 року розвиток технологій глибокого навчання спричинив третю хвилю технологічних змін, що є також періодом розквіту коннекціонізму.
В останні роки технології глибокого навчання постійно розвиваються, з'явилося кілька знакових подій:
Ланцюг промисловості глибокого навчання
В даний час великі мовні моделі використовують методи глибокого навчання на основі нейронних мереж. Моделі великого формату на чолі з GPT спричинили хвилю штучного інтелекту, в результаті чого на цей ринок увійшло багато гравців. Ринок переживає бурхливий попит на дані та обчислювальні потужності.
Під час навчання великих моделей, таких як GPT, на основі технології Transformer, процес ділиться на три етапи:
Попереднє навчання: знаходження оптимальних параметрів для кожного нейрона моделі на основі великої кількості даних, що вимагає найбільших обчислювальних ресурсів.
Доробка: використання невеликої кількості високоякісних даних для навчання, що покращує якість виходу моделі.
Поглиблене навчання: створення моделі нагороди, оцінка виходу великої моделі, ітерація параметрів.
Вплив на продуктивність великих моделей головним чином визначається трьома аспектами: кількістю параметрів, обсягом і якістю даних, а також обчислювальною потужністю. Ці три елементи інкубують цілу галузеву ланцюг.
постачальник апаратного GPU
GPU є основним чипом для навчання та інференції на сьогодні. Nvidia займає абсолютну лідируючу позицію, їхні чипи H100, A100 та інші широко використовуються для комерційного впровадження великих моделей.
У 2023 році новітні чіпи H100 від Nvidia користуються надзвичайним попитом, а терміни поставки досягають 52 тижнів. Багато великих технологічних компаній масово купують чіпи H100 для створення центрів високопродуктивних обчислень.
Постачальник хмарних послуг
Постачальники хмарних послуг можуть надати гнучкі обчислювальні потужності та рішення для хостингу навчання для обмежених за фінансами компаній штучного інтелекту після покупки достатньої кількості GPU для створення HPC. Наразі ринок поділяється на три основні категорії постачальників хмарних обчислень:
Традиційні постачальники хмарних послуг, такі як надмасштабні платформи хмарних обчислень ( AWS, Google, Azure ).
Професійні хмарні обчислювальні платформи вертикального AI-сектора, такі як CoreWeave, Lambda тощо.
Постачальники послуг, такі як Together.ai, Fireworks.ai тощо.
! Newcomer Science丨AI x Crypto: від нуля до піку
постачальник бази даних
Для AI-даних та завдань глибинного навчання наразі в індустрії використовується "векторна база даних". Векторна база даних має на меті ефективно зберігати, керувати та індексувати великі обсяги високорозмірних векторних даних.
Наразі основними гравцями є Chroma, Zilliz, Pinecone, Weaviate тощо. У зв'язку зі збільшенням потреби в обсягах даних, а також сплеском великих моделей і застосунків у різних сегментах, попит на векторні бази даних суттєво зросте.
крайні пристрої
При створенні кластерів високопродуктивних обчислень на базі GPU зазвичай споживається велика кількість енергії, що призводить до значного виділення тепла. Це потребує деяких охолоджуючих пристроїв на краю для забезпечення безперервної роботи HPC. Це стосується двох напрямків: постачання енергії та системи охолодження.
На даний момент в основному використовується електрична енергія для постачання енергії. У системах охолодження кластерів HPC наразі переважає повітряне охолодження, але багато венчурних капіталів активно інвестують в рідинні системи охолодження. Рідинне охолодження в основному ділиться на три напрямки дослідження: охолодження пластинами, занурювальне охолодження та розпилювальне охолодження.
застосування
Розвиток AI-додатків наразі подібний до індустрії блокчейн, інфраструктура дуже переповнена, але розробка додатків не встигає за цим. У перші десять місяців активні AI-додатки в основному були типу пошуку, типи додатків були досить односторонніми. Водночас, рівень утримання користувачів AI-додатків значно нижчий, ніж у традиційних інтернет-додатків.
Згідно з доповіддю Sequoia Capital, застосування ШІ розділяються на три категорії з точки зору ролі: для професійних споживачів, підприємств та звичайних споживачів. Застосування для споживачів, в основному, використовується для підвищення продуктивності, тоді як для підприємств - у маркетингу, юридичних питаннях, медичному дизайні та інших галузях.
Взаємозв'язок криптовалюти та штучного інтелекту
Блокчейн отримав вигоду від розвитку технології ZK, еволюціонуючи в ідею децентралізації + зняття довіри. Блокчейн-мережа за своєю суттю є мережею вартості, кожна транзакція є перетворенням вартості на основі базових токенів. Tokenomics - це конкретні правила відображення вартості токенів.
Токеноміка може визначити відносну вартість розрахункових активів екосистеми (, рідного токена мережі ). Хоча не можна призначити ціну для кожного виміру, ціна токена відображає багатовимірну цінність. Як тільки токени надаються мережі та починають обіг, можна надати функції або ідеї цінність.
Токени та технології блокчейн, як засіб перепридбання та відкриття цінностей, також є надзвичайно важливими для галузі ШІ. Випуск токенів у галузі ШІ може дозволити переоцінку цінностей з різних боків, заохочуючи більше людей поглиблюватися в різні підсектори. Непідробність та довіра не потрібна функція технології блокчейн також може реалізувати деякі застосування ШІ, які потребують довіри.
Отже, токеноміка може сприяти переоцінці та відкриттю вартості, децентралізовані реєстри можуть вирішити проблеми довіри та перерозподілити вартість по всьому світу. Поєднання криптовалют та штучного інтелекту має практичну користь, може змінити перспективу вартості, вирішити проблеми довіри та виявити залишкову вартість.