Sự kết hợp giữa AI và Blockchain: Bức tranh toàn cảnh từ cơ sở hạ tầng đến ứng dụng
Sự phát triển nhanh chóng của ngành trí tuệ nhân tạo gần đây được một số người coi là khởi đầu của cuộc cách mạng công nghiệp lần thứ tư. Sự xuất hiện của các mô hình ngôn ngữ lớn đã nâng cao đáng kể hiệu suất của nhiều ngành nghề, theo ước tính của công ty tư vấn Boston, GPT đã mang lại khoảng 20% sự cải thiện hiệu suất công việc tổng thể ở Mỹ. Đồng thời, khả năng tổng quát của các mô hình lớn được coi là một mô hình thiết kế phần mềm mới. Thiết kế phần mềm trong quá khứ là mã chính xác, trong khi thiết kế phần mềm hiện tại ngày càng nhiều hơn là việc tích hợp các khung mô hình lớn có khả năng tổng quát mạnh mẽ vào phần mềm, điều này giúp phần mềm có hiệu suất tốt hơn và hỗ trợ nhiều loại đầu vào và đầu ra khác nhau. Công nghệ học sâu thực sự đã mang lại một làn sóng thịnh vượng mới cho ngành AI, và cơn sốt này cũng đang dần lan rộng đến ngành công nghiệp tiền điện tử.
Lịch sử phát triển của ngành AI
Ngành trí tuệ nhân tạo bắt đầu phát triển từ những năm 50 của thế kỷ 20. Để hiện thực hóa tầm nhìn về trí tuệ nhân tạo, giới học thuật và công nghiệp đã phát triển nhiều trường phái khác nhau để thực hiện trí tuệ nhân tạo trong các thời kỳ và bối cảnh lĩnh vực khác nhau.
Công nghệ trí tuệ nhân tạo hiện đại chủ yếu sử dụng thuật ngữ "học máy", với ý tưởng cốt lõi là để máy móc dựa vào dữ liệu lặp đi lặp lại trong các nhiệm vụ để cải thiện hiệu suất của hệ thống. Các bước chính bao gồm đưa dữ liệu vào thuật toán, sử dụng dữ liệu này để đào tạo mô hình, kiểm tra triển khai mô hình, và cuối cùng sử dụng mô hình để hoàn thành các nhiệm vụ dự đoán tự động.
Hiện tại, học máy có ba trường phái chính, đó là liên kết, ký hiệu và hành vi, chúng lần lượt mô phỏng hệ thần kinh, tư duy và hành vi của con người. Trong đó, liên kết với mạng nơ-ron là đại diện hiện đang chiếm ưu thế ( cũng được gọi là học sâu ). Kiến trúc này có một lớp đầu vào, một lớp đầu ra và nhiều lớp ẩn. Khi số lượng lớp và thông số nơ-ron ( đủ nhiều, nó có thể phù hợp với các nhiệm vụ phức tạp. Bằng cách liên tục đầu vào dữ liệu, điều chỉnh các thông số nơ-ron, cuối cùng sau khi được huấn luyện với một lượng lớn dữ liệu, mạng nơ-ron có thể đạt được trạng thái tối ưu. Đây cũng là nguồn gốc của từ "sâu" - đủ số lớp và nơ-ron.
![Người mới phổ cập丨AI x Crypto：Từ số không đến đỉnh cao])https://img-cdn.gateio.im/webp-social/moments-c50ee5a87373c6cd6c4dc63adc2cf47c.webp(
Công nghệ học sâu dựa trên mạng nơ-ron cũng đã trải qua nhiều lần lặp lại và tiến hóa công nghệ, từ mạng nơ-ron đầu tiên, đến mạng nơ-ron hồi tiếp, RNN, CNN, GAN, cuối cùng phát triển thành các mô hình lớn hiện đại như GPT sử dụng công nghệ Transformer. Công nghệ Transformer là một hướng tiến hóa của mạng nơ-ron, nó thêm một bộ chuyển đổi )Transformer(, để mã hóa dữ liệu của nhiều kiểu dạng ) như âm thanh, video, hình ảnh, v.v. ( thành các biểu diễn số tương ứng. Sau đó, những dữ liệu đã được mã hóa này sẽ được đưa vào mạng nơ-ron, giúp mạng nơ-ron có khả năng phù hợp với bất kỳ loại dữ liệu nào, từ đó đạt được khả năng xử lý đa phương thức.
![Người mới phổ cập丨AI x Crypto：Từ số không đến đỉnh cao])https://img-cdn.gateio.im/webp-social/moments-0c9bdea33a39a2c07d1f06760ed7e804.webp(
Sự phát triển của AI đã trải qua ba làn sóng công nghệ. Làn sóng đầu tiên xảy ra vào những năm 1960, là một thập kỷ sau khi công nghệ AI được đề xuất. Làn sóng này chủ yếu được thúc đẩy bởi sự phát triển của công nghệ chủ nghĩa ký hiệu, công nghệ này giải quyết các vấn đề về xử lý ngôn ngữ tự nhiên và đối thoại giữa người và máy. Cùng thời điểm đó, hệ thống chuyên gia ra đời, đó là hệ thống chuyên gia DENRAL được hoàn thành với sự hỗ trợ của NASA tại Đại học Stanford, hệ thống này có kiến thức hóa học mạnh mẽ, có khả năng suy luận và tạo ra các câu trả lời tương tự như chuyên gia hóa học.
Làn sóng công nghệ AI thứ hai xảy ra vào năm 1997, khi "Deep Blue" của IBM đánh bại nhà vô địch cờ vua Kasparov với tỷ số 3.5:2.5, chiến thắng này được coi là một cột mốc trong sự phát triển của trí tuệ nhân tạo.
Làn sóng công nghệ AI lần thứ ba bắt đầu vào năm 2006. Ba ông lớn trong lĩnh vực học sâu là Yann LeCun, Geoffrey Hinton và Yoshua Bengio đã đưa ra khái niệm học sâu, đây là một thuật toán dựa trên kiến trúc mạng nơ-ron nhân tạo để học biểu diễn dữ liệu. Kể từ đó, các thuật toán học sâu không ngừng phát triển, từ RNN, GAN đến Transformer và Stable Diffusion, những thuật toán này cùng nhau định hình làn sóng công nghệ thứ ba, cũng đánh dấu thời kỳ thịnh vượng của chủ nghĩa liên kết.
![Người mới khoa học phổ thông丨AI x Crypto：Từ không đến đỉnh cao])https://img-cdn.gateio.im/webp-social/moments-609c5dd6ee0abcec6bf9c118d7741867.webp(
Chuỗi công nghiệp học sâu
Các mô hình ngôn ngữ lớn hiện tại chủ yếu sử dụng phương pháp học sâu dựa trên mạng nơ-ron. Các mô hình lớn đại diện như GPT đã khuấy động một làn sóng mới trong lĩnh vực trí tuệ nhân tạo, thu hút một lượng lớn người chơi tham gia vào lĩnh vực này. Chúng tôi nhận thấy nhu cầu về dữ liệu và sức mạnh tính toán trên thị trường đã bùng nổ mạnh mẽ, do đó trong phần báo cáo này, chúng tôi chủ yếu khám phá chuỗi công nghiệp của thuật toán học sâu, phân tích cách thức các bên thượng nguồn và hạ nguồn trong ngành AI do thuật toán học sâu chi phối được hình thành, cũng như tình trạng hiện tại, mối quan hệ cung cầu và xu hướng phát triển trong tương lai của chúng.
Đào tạo các mô hình ngôn ngữ lớn như GPT dựa trên công nghệ Transformer )LLMs( chủ yếu được chia thành ba bước:
Huấn luyện trước: Tìm kiếm các tham số tối ưu của từng nơ-ron trong mô hình bằng cách cung cấp một lượng lớn cặp dữ liệu cho lớp đầu vào. Quá trình này cần một lượng dữ liệu khổng lồ và cũng là giai đoạn tốn nhiều sức tính toán nhất.
Tinh chỉnh: Sử dụng một lượng ít hơn nhưng chất lượng rất cao dữ liệu để huấn luyện, nhằm nâng cao chất lượng đầu ra của mô hình.
Học tăng cường: Xây dựng một "mô hình thưởng" để đánh giá chất lượng đầu ra của mô hình lớn, từ đó cải thiện các tham số của mô hình lớn qua từng lần lặp.
![Người mới phổ cập丨AI x Crypto：Từ số không đến đỉnh cao])https://img-cdn.gateio.im/webp-social/moments-f37fb0100218188368f4d31940aab2a3.webp(
Trong quá trình huấn luyện mô hình lớn, số lượng tham số càng nhiều thì giới hạn khả năng tổng quát của nó càng cao. Do đó, ba yếu tố chính ảnh hưởng đến hiệu suất của mô hình lớn là: số lượng tham số, khối lượng và chất lượng dữ liệu, và sức mạnh tính toán. Ba yếu tố này cùng nhau quyết định chất lượng kết quả và khả năng tổng quát của mô hình lớn.
Các giai đoạn chính trong chuỗi công nghiệp bao gồm:
Nhà cung cấp GPU phần cứng: Hiện tại Nvidia đang ở vị trí dẫn đầu tuyệt đối trên thị trường chip AI. Giới học thuật chủ yếu sử dụng GPU tiêu dùng ) như dòng RTX (, trong khi giới công nghiệp chủ yếu sử dụng các chip H100, A100 để triển khai thương mại các mô hình lớn.
Nhà cung cấp dịch vụ đám mây: Cung cấp khả năng tính toán linh hoạt và giải pháp đào tạo được lưu trữ cho các doanh nghiệp AI có ngân sách hạn chế. Chủ yếu được chia thành ba loại: Các nhà cung cấp đám mây lớn truyền thống ) như AWS, Google Cloud, Azure (, các nền tảng tính toán đám mây chuyên nghiệp trong lĩnh vực dọc ) như CoreWeave, Lambda (, và các nhà cung cấp dịch vụ suy diễn mới nổi ) như Together.ai, Fireworks.ai (.
Nhà cung cấp nguồn dữ liệu đào tạo: Cung cấp một lượng lớn, chất lượng cao hoặc dữ liệu trong lĩnh vực cụ thể cho mô hình. Một số công ty chuyên về việc thu thập và gán nhãn dữ liệu.
Nhà cung cấp cơ sở dữ liệu: Cung cấp giải pháp cơ sở dữ liệu vector chuyên dụng cho lưu trữ và xử lý dữ liệu AI. Các người chơi chính bao gồm Chroma, Zilliz, Pinecone, Weaviate, v.v.
Thiết bị biên: bao gồm nguồn cung cấp năng lượng và hệ thống làm mát, để hỗ trợ hoạt động của cụm GPU quy mô lớn. Khi quy mô của các mô hình AI tăng lên, nhu cầu trong lĩnh vực này cũng đang tăng nhanh.
Phát triển ứng dụng: Phát triển các ứng dụng trong các lĩnh vực dọc khác nhau dựa trên mô hình lớn, như trợ lý thông minh, công cụ tạo nội dung, v.v. Hiện tại, phát triển ứng dụng tương đối chậm hơn so với xây dựng cơ sở hạ tầng.
![Người mới phổ cập丨AI x Crypto: Từ số không đến đỉnh cao])https://img-cdn.gateio.im/webp-social/moments-8848582a34ba293d15afae15d90e3c95.webp(
Blockchain và sự kết hợp với AI
Sự kết hợp giữa công nghệ Blockchain và AI chủ yếu thể hiện ở một số khía cạnh sau:
Tái định hình giá trị: Kinh tế token có thể định nghĩa lại giá trị ở các khâu khác nhau trong chuỗi công nghiệp AI, khuyến khích nhiều người tham gia hơn vào các lĩnh vực ngách của ngành AI.
Cơ chế tin cậy: Tính phi tập trung và không thể thay đổi của Blockchain có thể cung cấp môi trường xử lý dữ liệu đáng tin cậy cho các ứng dụng AI, giải quyết các vấn đề về quyền riêng tư và an ninh dữ liệu.
Chia sẻ tài nguyên: Thông qua mạng Blockchain, có thể实现 việc chia sẻ sức mạnh tính toán GPU không sử dụng trên toàn cầu, nâng cao hiệu quả sử dụng tài nguyên.
Thị trường dữ liệu: Blockchain có thể xây dựng một thị trường giao dịch công bằng và minh bạch cho dữ liệu đào tạo AI, khuyến khích cá nhân và tổ chức đóng góp dữ liệu chất lượng cao.
Xác thực mô hình: Sử dụng các kỹ thuật mật mã như bằng chứng không kiến thức, có thể xác thực độ chính xác của kết quả suy luận AI trong khi bảo vệ quyền riêng tư của mô hình.
Trong hệ sinh thái kết hợp giữa Crypto và AI, chính đã xuất hiện một số loại dự án sau:
Mạng lưới sức mạnh tính toán GPU phân tán: như Render, Akash, nhằm mục đích xây dựng thị trường tính toán GPU phi tập trung.
Nhà cung cấp dữ liệu AI: như EpiK Protocol, Synesis One, Masa, v.v., cam kết xây dựng thị trường dữ liệu đào tạo AI phi tập trung.
ZKML) Học máy không kiến thức (: Kết hợp công nghệ chứng minh không kiến thức, thực hiện đào tạo và suy luận AI dưới sự bảo vệ quyền riêng tư.
AI代理)Agent(: như Fetch.AI, xây dựng mạng lưới AI代理 có khả năng tự thực hiện nhiệm vụ.
AI Blockchain: Như Tensor, Allora, là mạng lưới blockchain được thiết kế chuyên biệt cho việc phát triển và triển khai các mô hình AI.
Mặc dù sự kết hợp giữa Crypto và AI vẫn đang ở giai đoạn đầu, đối mặt với những thách thức như hiệu suất, quyền riêng tư, nhưng lĩnh vực này đã thể hiện tiềm năng đổi mới to lớn. Với sự tiến bộ của công nghệ và sự hoàn thiện của hệ sinh thái, chúng ta có lý do để mong đợi sự hòa nhập sâu sắc giữa AI và Blockchain sẽ mang lại những biến đổi cách mạng cho cả hai ngành.
![Người mới phổ cập丨AI x Crypto: Từ số không đến đỉnh cao])https://img-cdn.gateio.im/webp-social/moments-53c48daf49a3dbb35c1a2b47e234f180.webp(
Xem bản gốc
Trang này có thể chứa nội dung của bên thứ ba, được cung cấp chỉ nhằm mục đích thông tin (không phải là tuyên bố/bảo đảm) và không được coi là sự chứng thực cho quan điểm của Gate hoặc là lời khuyên về tài chính hoặc chuyên môn. Xem Tuyên bố từ chối trách nhiệm để biết chi tiết.
13 thích
Phần thưởng
13
6
Đăng lại
Chia sẻ
Bình luận
0/400
GetRichLeek
· 12giờ trước
mua đáy AI coin vào, chắc chắn cắt lỗ đã được định trước... đừng hỏi tôi tại sao biết!
Xem bản gốcTrả lời0
SchrodingerPrivateKey
· 12giờ trước
Tôi đã thức dậy Trạng thái lượng tử của Schrödinger
Xem bản gốcTrả lời0
ShibaOnTheRun
· 12giờ trước
Lại xào lại cái đề tài cũ này rồi.
Xem bản gốcTrả lời0
MoonRocketman
· 12giờ trước
Động lực RSI đã sẵn sàng, AI và Cộng đồng chuỗi đã hòa nhập và vượt qua mức kháng cự này! Khả năng tính toán chính là nhiên liệu~
Xem bản gốcTrả lời0
OldLeekMaster
· 12giờ trước
Lại tiếp tục vẽ bánh, bao giờ mới có thể ăn được đây?
Sự kết hợp của AI và Blockchain: Phân tích toàn cảnh từ cơ sở hạ tầng đến ứng dụng
Sự kết hợp giữa AI và Blockchain: Bức tranh toàn cảnh từ cơ sở hạ tầng đến ứng dụng
Sự phát triển nhanh chóng của ngành trí tuệ nhân tạo gần đây được một số người coi là khởi đầu của cuộc cách mạng công nghiệp lần thứ tư. Sự xuất hiện của các mô hình ngôn ngữ lớn đã nâng cao đáng kể hiệu suất của nhiều ngành nghề, theo ước tính của công ty tư vấn Boston, GPT đã mang lại khoảng 20% sự cải thiện hiệu suất công việc tổng thể ở Mỹ. Đồng thời, khả năng tổng quát của các mô hình lớn được coi là một mô hình thiết kế phần mềm mới. Thiết kế phần mềm trong quá khứ là mã chính xác, trong khi thiết kế phần mềm hiện tại ngày càng nhiều hơn là việc tích hợp các khung mô hình lớn có khả năng tổng quát mạnh mẽ vào phần mềm, điều này giúp phần mềm có hiệu suất tốt hơn và hỗ trợ nhiều loại đầu vào và đầu ra khác nhau. Công nghệ học sâu thực sự đã mang lại một làn sóng thịnh vượng mới cho ngành AI, và cơn sốt này cũng đang dần lan rộng đến ngành công nghiệp tiền điện tử.
Lịch sử phát triển của ngành AI
Ngành trí tuệ nhân tạo bắt đầu phát triển từ những năm 50 của thế kỷ 20. Để hiện thực hóa tầm nhìn về trí tuệ nhân tạo, giới học thuật và công nghiệp đã phát triển nhiều trường phái khác nhau để thực hiện trí tuệ nhân tạo trong các thời kỳ và bối cảnh lĩnh vực khác nhau.
Công nghệ trí tuệ nhân tạo hiện đại chủ yếu sử dụng thuật ngữ "học máy", với ý tưởng cốt lõi là để máy móc dựa vào dữ liệu lặp đi lặp lại trong các nhiệm vụ để cải thiện hiệu suất của hệ thống. Các bước chính bao gồm đưa dữ liệu vào thuật toán, sử dụng dữ liệu này để đào tạo mô hình, kiểm tra triển khai mô hình, và cuối cùng sử dụng mô hình để hoàn thành các nhiệm vụ dự đoán tự động.
Hiện tại, học máy có ba trường phái chính, đó là liên kết, ký hiệu và hành vi, chúng lần lượt mô phỏng hệ thần kinh, tư duy và hành vi của con người. Trong đó, liên kết với mạng nơ-ron là đại diện hiện đang chiếm ưu thế ( cũng được gọi là học sâu ). Kiến trúc này có một lớp đầu vào, một lớp đầu ra và nhiều lớp ẩn. Khi số lượng lớp và thông số nơ-ron ( đủ nhiều, nó có thể phù hợp với các nhiệm vụ phức tạp. Bằng cách liên tục đầu vào dữ liệu, điều chỉnh các thông số nơ-ron, cuối cùng sau khi được huấn luyện với một lượng lớn dữ liệu, mạng nơ-ron có thể đạt được trạng thái tối ưu. Đây cũng là nguồn gốc của từ "sâu" - đủ số lớp và nơ-ron.
![Người mới phổ cập丨AI x Crypto：Từ số không đến đỉnh cao])https://img-cdn.gateio.im/webp-social/moments-c50ee5a87373c6cd6c4dc63adc2cf47c.webp(
Công nghệ học sâu dựa trên mạng nơ-ron cũng đã trải qua nhiều lần lặp lại và tiến hóa công nghệ, từ mạng nơ-ron đầu tiên, đến mạng nơ-ron hồi tiếp, RNN, CNN, GAN, cuối cùng phát triển thành các mô hình lớn hiện đại như GPT sử dụng công nghệ Transformer. Công nghệ Transformer là một hướng tiến hóa của mạng nơ-ron, nó thêm một bộ chuyển đổi )Transformer(, để mã hóa dữ liệu của nhiều kiểu dạng ) như âm thanh, video, hình ảnh, v.v. ( thành các biểu diễn số tương ứng. Sau đó, những dữ liệu đã được mã hóa này sẽ được đưa vào mạng nơ-ron, giúp mạng nơ-ron có khả năng phù hợp với bất kỳ loại dữ liệu nào, từ đó đạt được khả năng xử lý đa phương thức.
![Người mới phổ cập丨AI x Crypto：Từ số không đến đỉnh cao])https://img-cdn.gateio.im/webp-social/moments-0c9bdea33a39a2c07d1f06760ed7e804.webp(
Sự phát triển của AI đã trải qua ba làn sóng công nghệ. Làn sóng đầu tiên xảy ra vào những năm 1960, là một thập kỷ sau khi công nghệ AI được đề xuất. Làn sóng này chủ yếu được thúc đẩy bởi sự phát triển của công nghệ chủ nghĩa ký hiệu, công nghệ này giải quyết các vấn đề về xử lý ngôn ngữ tự nhiên và đối thoại giữa người và máy. Cùng thời điểm đó, hệ thống chuyên gia ra đời, đó là hệ thống chuyên gia DENRAL được hoàn thành với sự hỗ trợ của NASA tại Đại học Stanford, hệ thống này có kiến thức hóa học mạnh mẽ, có khả năng suy luận và tạo ra các câu trả lời tương tự như chuyên gia hóa học.
Làn sóng công nghệ AI thứ hai xảy ra vào năm 1997, khi "Deep Blue" của IBM đánh bại nhà vô địch cờ vua Kasparov với tỷ số 3.5:2.5, chiến thắng này được coi là một cột mốc trong sự phát triển của trí tuệ nhân tạo.
Làn sóng công nghệ AI lần thứ ba bắt đầu vào năm 2006. Ba ông lớn trong lĩnh vực học sâu là Yann LeCun, Geoffrey Hinton và Yoshua Bengio đã đưa ra khái niệm học sâu, đây là một thuật toán dựa trên kiến trúc mạng nơ-ron nhân tạo để học biểu diễn dữ liệu. Kể từ đó, các thuật toán học sâu không ngừng phát triển, từ RNN, GAN đến Transformer và Stable Diffusion, những thuật toán này cùng nhau định hình làn sóng công nghệ thứ ba, cũng đánh dấu thời kỳ thịnh vượng của chủ nghĩa liên kết.
![Người mới khoa học phổ thông丨AI x Crypto：Từ không đến đỉnh cao])https://img-cdn.gateio.im/webp-social/moments-609c5dd6ee0abcec6bf9c118d7741867.webp(
Chuỗi công nghiệp học sâu
Các mô hình ngôn ngữ lớn hiện tại chủ yếu sử dụng phương pháp học sâu dựa trên mạng nơ-ron. Các mô hình lớn đại diện như GPT đã khuấy động một làn sóng mới trong lĩnh vực trí tuệ nhân tạo, thu hút một lượng lớn người chơi tham gia vào lĩnh vực này. Chúng tôi nhận thấy nhu cầu về dữ liệu và sức mạnh tính toán trên thị trường đã bùng nổ mạnh mẽ, do đó trong phần báo cáo này, chúng tôi chủ yếu khám phá chuỗi công nghiệp của thuật toán học sâu, phân tích cách thức các bên thượng nguồn và hạ nguồn trong ngành AI do thuật toán học sâu chi phối được hình thành, cũng như tình trạng hiện tại, mối quan hệ cung cầu và xu hướng phát triển trong tương lai của chúng.
Đào tạo các mô hình ngôn ngữ lớn như GPT dựa trên công nghệ Transformer )LLMs( chủ yếu được chia thành ba bước:
Huấn luyện trước: Tìm kiếm các tham số tối ưu của từng nơ-ron trong mô hình bằng cách cung cấp một lượng lớn cặp dữ liệu cho lớp đầu vào. Quá trình này cần một lượng dữ liệu khổng lồ và cũng là giai đoạn tốn nhiều sức tính toán nhất.
Tinh chỉnh: Sử dụng một lượng ít hơn nhưng chất lượng rất cao dữ liệu để huấn luyện, nhằm nâng cao chất lượng đầu ra của mô hình.
Học tăng cường: Xây dựng một "mô hình thưởng" để đánh giá chất lượng đầu ra của mô hình lớn, từ đó cải thiện các tham số của mô hình lớn qua từng lần lặp.
![Người mới phổ cập丨AI x Crypto：Từ số không đến đỉnh cao])https://img-cdn.gateio.im/webp-social/moments-f37fb0100218188368f4d31940aab2a3.webp(
Trong quá trình huấn luyện mô hình lớn, số lượng tham số càng nhiều thì giới hạn khả năng tổng quát của nó càng cao. Do đó, ba yếu tố chính ảnh hưởng đến hiệu suất của mô hình lớn là: số lượng tham số, khối lượng và chất lượng dữ liệu, và sức mạnh tính toán. Ba yếu tố này cùng nhau quyết định chất lượng kết quả và khả năng tổng quát của mô hình lớn.
Các giai đoạn chính trong chuỗi công nghiệp bao gồm:
Nhà cung cấp GPU phần cứng: Hiện tại Nvidia đang ở vị trí dẫn đầu tuyệt đối trên thị trường chip AI. Giới học thuật chủ yếu sử dụng GPU tiêu dùng ) như dòng RTX (, trong khi giới công nghiệp chủ yếu sử dụng các chip H100, A100 để triển khai thương mại các mô hình lớn.
Nhà cung cấp dịch vụ đám mây: Cung cấp khả năng tính toán linh hoạt và giải pháp đào tạo được lưu trữ cho các doanh nghiệp AI có ngân sách hạn chế. Chủ yếu được chia thành ba loại: Các nhà cung cấp đám mây lớn truyền thống ) như AWS, Google Cloud, Azure (, các nền tảng tính toán đám mây chuyên nghiệp trong lĩnh vực dọc ) như CoreWeave, Lambda (, và các nhà cung cấp dịch vụ suy diễn mới nổi ) như Together.ai, Fireworks.ai (.
Nhà cung cấp nguồn dữ liệu đào tạo: Cung cấp một lượng lớn, chất lượng cao hoặc dữ liệu trong lĩnh vực cụ thể cho mô hình. Một số công ty chuyên về việc thu thập và gán nhãn dữ liệu.
Nhà cung cấp cơ sở dữ liệu: Cung cấp giải pháp cơ sở dữ liệu vector chuyên dụng cho lưu trữ và xử lý dữ liệu AI. Các người chơi chính bao gồm Chroma, Zilliz, Pinecone, Weaviate, v.v.
Thiết bị biên: bao gồm nguồn cung cấp năng lượng và hệ thống làm mát, để hỗ trợ hoạt động của cụm GPU quy mô lớn. Khi quy mô của các mô hình AI tăng lên, nhu cầu trong lĩnh vực này cũng đang tăng nhanh.
Phát triển ứng dụng: Phát triển các ứng dụng trong các lĩnh vực dọc khác nhau dựa trên mô hình lớn, như trợ lý thông minh, công cụ tạo nội dung, v.v. Hiện tại, phát triển ứng dụng tương đối chậm hơn so với xây dựng cơ sở hạ tầng.
![Người mới phổ cập丨AI x Crypto: Từ số không đến đỉnh cao])https://img-cdn.gateio.im/webp-social/moments-8848582a34ba293d15afae15d90e3c95.webp(
Blockchain và sự kết hợp với AI
Sự kết hợp giữa công nghệ Blockchain và AI chủ yếu thể hiện ở một số khía cạnh sau:
Tái định hình giá trị: Kinh tế token có thể định nghĩa lại giá trị ở các khâu khác nhau trong chuỗi công nghiệp AI, khuyến khích nhiều người tham gia hơn vào các lĩnh vực ngách của ngành AI.
Cơ chế tin cậy: Tính phi tập trung và không thể thay đổi của Blockchain có thể cung cấp môi trường xử lý dữ liệu đáng tin cậy cho các ứng dụng AI, giải quyết các vấn đề về quyền riêng tư và an ninh dữ liệu.
Chia sẻ tài nguyên: Thông qua mạng Blockchain, có thể实现 việc chia sẻ sức mạnh tính toán GPU không sử dụng trên toàn cầu, nâng cao hiệu quả sử dụng tài nguyên.
Thị trường dữ liệu: Blockchain có thể xây dựng một thị trường giao dịch công bằng và minh bạch cho dữ liệu đào tạo AI, khuyến khích cá nhân và tổ chức đóng góp dữ liệu chất lượng cao.
Xác thực mô hình: Sử dụng các kỹ thuật mật mã như bằng chứng không kiến thức, có thể xác thực độ chính xác của kết quả suy luận AI trong khi bảo vệ quyền riêng tư của mô hình.
Trong hệ sinh thái kết hợp giữa Crypto và AI, chính đã xuất hiện một số loại dự án sau:
Mạng lưới sức mạnh tính toán GPU phân tán: như Render, Akash, nhằm mục đích xây dựng thị trường tính toán GPU phi tập trung.
Nhà cung cấp dữ liệu AI: như EpiK Protocol, Synesis One, Masa, v.v., cam kết xây dựng thị trường dữ liệu đào tạo AI phi tập trung.
ZKML) Học máy không kiến thức (: Kết hợp công nghệ chứng minh không kiến thức, thực hiện đào tạo và suy luận AI dưới sự bảo vệ quyền riêng tư.
AI代理)Agent(: như Fetch.AI, xây dựng mạng lưới AI代理 có khả năng tự thực hiện nhiệm vụ.
AI Blockchain: Như Tensor, Allora, là mạng lưới blockchain được thiết kế chuyên biệt cho việc phát triển và triển khai các mô hình AI.
Mặc dù sự kết hợp giữa Crypto và AI vẫn đang ở giai đoạn đầu, đối mặt với những thách thức như hiệu suất, quyền riêng tư, nhưng lĩnh vực này đã thể hiện tiềm năng đổi mới to lớn. Với sự tiến bộ của công nghệ và sự hoàn thiện của hệ sinh thái, chúng ta có lý do để mong đợi sự hòa nhập sâu sắc giữa AI và Blockchain sẽ mang lại những biến đổi cách mạng cho cả hai ngành.
![Người mới phổ cập丨AI x Crypto: Từ số không đến đỉnh cao])https://img-cdn.gateio.im/webp-social/moments-53c48daf49a3dbb35c1a2b47e234f180.webp(