AI行业发展历程与Crypto结合探索

人工智能行业近期的发展被视为第四次工业革命,大模型的出现显著提升了各行各业的效率。深度学习技术为AI行业带来了新一轮繁荣,这股风潮也影响到了加密货币行业。

本文将详细探讨AI行业的发展历史、技术分类,以及深度学习技术对行业的影响。深入剖析深度学习中GPU、云计算、数据源、边缘设备等产业链上下游的发展现状与趋势。同时从本质上探讨Crypto与AI行业的关系,对Crypto相关的AI产业链格局进行梳理。

AI行业的发展历史

AI行业从20世纪50年代起步,为实现人工智能的愿景,学术界和工业界在不同时代不同学科背景下,发展出了多种实现人工智能的流派。

现代人工智能技术主要使用"机器学习"这一术语,该技术理念是让机器依靠数据在任务中反复迭代以改善系统性能。主要步骤是将数据送到算法中,使用此数据训练模型,测试部署模型,使用模型完成自动化预测任务。

机器学习有三大主要流派,分别是联结主义、符号主义和行为主义,分别模仿人类的神经系统、思维、行为。目前以神经网络为代表的联结主义占据上风(也称为深度学习)。神经网络架构有一个输入层一个输出层,但有多个隐藏层,一旦层数以及神经元(参数)的数量变得足够多,就有足够的机会拟合复杂的通用型任务。

基于神经网络的深度学习技术,也有多个技术迭代与演进,从最早期的神经网络,到前馈神经网络、RNN、CNN、GAN,最后演进到现代大模型如GPT等使用的Transformer技术。Transformer技术只是神经网络的一个演进方向,多加了一个转换器,用于把所有模态的数据编码成对应的数值来表示。然后再输入到神经网络中,这样神经网络就能拟合任何类型的数据,实现多模态。

AI发展经历了三次技术浪潮:

1. 20世纪60年代,符号主义技术发展引起的第一次浪潮,解决了通用的自然语言处理以及人机对话问题。

2. 1997年,IBM深蓝战胜国际象棋冠军卡斯帕罗夫,标志着第二次发展高潮。

3. 2006年起,深度学习技术的发展引发第三次技术浪潮,这也是联结主义的鼎盛时期。

近年来,深度学习技术不断突破,出现了多个标志性事件:

• 2015年,OpenAI创建。
• 2016年,AlphaGo战胜世界围棋冠军李世石。
• 2017年,Google提出Transformer算法。
• 2018年,OpenAI发布GPT模型。
• 2020年,OpenAI发布GPT-3。
• 2023年1月,基于GPT-4的ChatGPT推出。

深度学习产业链

当前大模型语言使用的都是基于神经网络的深度学习方法。以GPT为首的大模型造就了一波人工智能热潮,大量玩家涌入这个赛道。市场对于数据、算力的需求大量迸发。

在进行基于Transformer技术的GPT等大模型训练时,一共分为三个步骤:

1. 预训练:通过大量数据对寻找模型各神经元最佳参数,最耗费算力。

2. 微调:使用少量高质量数据训练,提升模型输出质量。

3. 强化学习:建立奖励模型,对大模型输出进行评估,迭代参数。

影响大模型表现主要由参数数量、数据量与质量、算力三个方面决定。这三个要素孵化了一整条产业链。

硬件GPU提供商

GPU是目前进行训练和推理的主要芯片。Nvidia处于绝对领先地位,其H100、A100等芯片被广泛用于大模型商业化落地。

2023年,Nvidia最新的H100芯片供不应求,出货周期达到52周。许多大型科技公司都大量购买H100芯片组建高性能计算中心。

云服务提供商

云服务提供商在购买足够的GPU组建HPC后,能为资金有限的人工智能企业提供弹性算力以及托管训练解决方案。目前市场主要分为三类云算力提供商:

1. 传统云厂商为代表的超大规模云算力平台(AWS、Google、Azure)。

2. 垂直AI赛道的专业云算力平台,如CoreWeave、Lambda等。

3. 推理即服务提供商,如Together.ai、Fireworks.ai等。

数据库提供商

对于AI数据以及深度学习训练推理任务,目前业内使用的是"矢量数据库"。矢量数据库旨在高效地存储、管理和索引海量高维矢量数据。

目前主要玩家有Chroma、Zilliz、Pinecone、Weaviate等。伴随着数据量需求增加,以及各种细分领域大模型和应用的迸发,对矢量数据库的需求将大幅增加。

边缘设备

在组建GPU高性能计算集群时,通常会消耗大量能量,产生大量热能。这就需要一些降温的边缘设备来保证HPC持续运行。涉及能源供应和冷却系统两个方向。

目前在能源供给侧主要采用电能。在HPC集群散热方面,目前以风冷为主,但许多VC正在大力投资液冷系统。液冷主要分为冷版式液冷、浸没式液冷、喷淋式液冷三个探索方向。

应用

目前AI应用的发展,类似于区块链行业,基础设施非常拥挤,但应用开发却没有跟上。前十月活的AI应用大多是搜索类型,应用类型较为单一。同时AI应用的用户留存率远低于传统互联网应用。

根据红杉美国的报告,AI应用从面向的角色角度分为三类:面向专业消费者、企业、普通消费者。面向消费者主要用于提升生产力,面向企业则用于Marketing、法律、医疗设计等行业。

Crypto x AI的关系

区块链得益于ZK技术的发展,演变成了去中心化 + 去信任化的思想。区块链网络本质上是一个价值网络,每一笔交易都是以底层代币为基础的价值转换。Tokenomics是具体的Token价值体现规则。

代币经济学能够规定生态系统结算物(网络原生代币)的相对价值,虽然无法为每一个维度进行定价,但代币价格体现了多维度价值。一旦为网络赋予代币并流通,就能把功能或思想赋予价值。

代币和区块链技术这种对价值重新定义与发现的手段,对AI行业也至关重要。在AI行业发行代币能让各方面进行价值重塑,激励更多人在各细分赛道深耕。区块链技术的不可篡改和无需信任特性也能实现一些需要信任的AI应用。

总之,代币经济学能促进价值重塑和发现,去中心化账本能解决信任问题,将价值在全球范围重新流动。Crypto与AI的结合有其实际效用,能重塑价值视角,解决信任问题,发现剩余价值。