AI x Crypto: Từ số không đến đỉnh cao

Giới thiệu

Ngành trí tuệ nhân tạo gần đây phát triển mạnh mẽ, được coi là 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 các lĩnh vực khác nhau, ước tính đã tăng khoảng 20% hiệu suất công việc ở Mỹ. Khả năng tổng quát của các mô hình lớn được coi là một khuôn mẫu thiết kế phần mềm mới, giúp phần mềm có hiệu suất tốt hơn và hỗ trợ đầu vào và đầu ra rộng hơn. Công nghệ học sâu thực sự đã mang lại một làn sóng thịnh vượng mới cho ngành công nghiệp AI, và làn sóng này cũng đã ảnh hưởng đến ngành công nghiệp tiền điện tử.

Báo cáo này sẽ thảo luận chi tiết về lịch sử phát triển của ngành AI, phân loại công nghệ, cũng như ảnh hưởng của công nghệ học sâu đến ngành. Phân tích sâu về tình trạng và xu hướng phát triển của chuỗi cung ứng trong học sâu như GPU, điện toán đám mây, nguồn dữ liệu, thiết bị biên, v.v. Khám phá bản chất của mối quan hệ giữa ngành tiền điện tử và AI, và hệ thống lại cấu trúc chuỗi cung ứng AI liên quan đến tiền điện tử.

Lịch sử phát triển của ngành AI

Ngành AI bắt đầu từ những năm 1950, giới học thuật và công nghiệp đã phát triển nhiều trường phái để thực hiện trí tuệ nhân tạo dưới các bối cảnh ngành học khác nhau qua các thời kỳ.

Công nghệ trí tuệ nhân tạo hiện đại chủ yếu sử dụng thuật ngữ "học máy", với ý tưởng là để máy móc dựa vào dữ liệu lặp đi lặp lại trong các nhiệm vụ nhằm cải thiện hiệu suất hệ thống. Các bước chính là gửi dữ liệu vào thuật toán, sử dụng dữ liệu này để đào tạo mô hình, kiểm tra triển khai mô hình, sử dụng mô hình để hoàn thành nhiệm vụ dự đoán tự động.

Hiện nay, máy học có ba trường phái chính, bao gồm liên kết học, ký hiệu học và hành vi học, lần lượt mô phỏng hệ thống thần kinh, tư duy và hành vi của con người.

Hiện tại, chủ nghĩa liên kết đại diện bởi mạng nơ-ron đang chiếm ưu thế ( còn được gọi là học sâu ), nguyên nhân chính là vì kiến trúc này có một lớp đầu vào, một lớp đầu ra, nhưng có nhiều lớp ẩn, một khi số lượng lớp và số nơ-ron ( tham số ) đủ lớn, thì có đủ cơ hội để khớp với các nhiệm vụ phức tạp và tổng quát. Thông qua việc nhập dữ liệu, có thể điều chỉnh liên tục các tham số của nơ-ron, cuối cùng sau nhiều lần xử lý dữ liệu, nơ-ron này sẽ đạt trạng thái tối ưu ( tham số ), đây cũng là nguồn gốc của "độ sâu" - đủ số lớp và nơ-ron.

Công nghệ học sâu dựa trên mạng nơ-ron, cũng đã trải qua nhiều lần lặp và tiến hóa, từ mạng nơ-ron ban đầu, đến mạng nơ-ron truyền tiếp, RNN, CNN, GAN, cuối cùng tiến hóa thành các mô hình lớn hiện đại như GPT sử dụng công nghệ Transformer. Công nghệ Transformer chỉ là một hướng tiến hóa của mạng nơ-ron, đã thêm một bộ chuyển đổi, dùng để mã hóa tất cả các loại dữ liệu ( như âm thanh, video, hình ảnh, v.v. ) thành các biểu diễn số tương ứng. Sau đó, dữ liệu này được đưa vào mạng nơ-ron, cho phép mạng nơ-ron có thể khớp với bất kỳ loại dữ liệu nào, đạt được khả năng đa phương thức.

Sự phát triển của AI đã trải qua ba làn sóng công nghệ, lần đầu tiên là vào những năm 1960, làn sóng này được gây ra bởi sự phát triển của công nghệ ký hiệu, giải quyết các vấn đề xử lý ngôn ngữ tự nhiên và đối thoại giữa người và máy. Làn sóng thứ hai là vào năm 1997, khi IBM Deep Blue đánh bại nhà vô địch cờ vua quốc tế, được coi là một cột mốc trong trí tuệ nhân tạo. Làn sóng thứ ba là vào năm 2006, khi khái niệm học sâu được đề xuất, đây là thời kỳ đỉnh cao của chủ nghĩa kết nối.

Chuỗi công nghiệp học sâu

Các mô hình ngôn ngữ lớn hiện tại đều sử dụng phương pháp học sâu dựa trên mạng nơ-ron. Với GPT dẫn đầu, các mô hình lớn đã tạo ra một làn sóng nhiệt trong lĩnh vực trí tuệ nhân tạo, thu hút hàng loạt người chơi tham gia vào lĩnh vực này, nhu cầu về dữ liệu và sức mạnh tính toán trên thị trường tăng vọt. Chúng tôi sẽ khám phá chuỗi cung ứng của thuật toán học sâu, phân tích cấu thành, hiện trạng và mối quan hệ cung cầu của các bên trong chuỗi, cũng như sự phát triển trong tương lai.

Mô hình lớn LLMs dẫn đầu bởi GPT dựa trên công nghệ Transformer ( được đào tạo chủ yếu qua ba bước:

1. Huấn luyện trước: Tìm kiếm các tham số tối ưu của mô hình neuron thông qua một lượng lớn dữ liệu, quá trình này tiêu tốn rất nhiều sức mạnh tính toán.

2. Điều chỉnh: Sử dụng một lượng nhỏ dữ liệu chất lượng cao để đào tạo, nâng cao chất lượng đầu ra của mô hình.

3. Học tăng cường: Xây dựng mô hình thưởng để sắp xếp kết quả đầu ra, tự động lặp lại các tham số của mô hình lớn.

![Người mới phổ cập丨AI x Crypto: Từ số 0 đến đỉnh cao])https://img-cdn.gateio.im/webp-social/moments-8848582a34ba293d15afae15d90e3c95.webp(

Hiệu suất của mô hình lớn chủ yếu được quyết định bởi ba yếu tố: số lượng tham số, khối lượng và chất lượng dữ liệu, sức mạnh tính toán. Giả sử số lượng tham số là p, khối lượng dữ liệu là n) tính bằng số lượng Token (, có thể tính toán lượng sức mạnh tính toán cần thiết thông qua quy tắc kinh nghiệm, ước tính tình hình sức mạnh tính toán cần mua và thời gian huấn luyện.

Công suất tính toán thường được đo bằng Flops, đại diện cho một phép toán dấu phẩy động. Theo kinh nghiệm thực tiễn, việc tiền huấn luyện một mô hình lớn mất khoảng 6np Flops. Suy diễn ) dữ liệu đầu vào chờ mô hình lớn xuất ra ( khoảng 2np Flops.

Sử dụng chip CPU để cung cấp hỗ trợ tính toán ở giai đoạn đầu, sau đó dần dần thay thế bằng GPU, như chip Nvidia A100, H100, v.v. GPU thực hiện phép toán số thực thông qua mô-đun Tensor Core, là một trong những chỉ số chính để đánh giá chip.

Chuỗi công nghiệp học sâu chủ yếu bao gồm:

1. Nhà cung cấp GPU phần cứng
2. Nhà cung cấp dịch vụ đám mây
3. Nhà cung cấp nguồn dữ liệu đào tạo
4. Nhà cung cấp cơ sở dữ liệu
5. Thiết bị biên
6. Ứng dụng

![Người mới phổ cập丨AI x Crypto: Từ con số không đến đỉnh cao])https://img-cdn.gateio.im/webp-social/moments-53c48daf49a3dbb35c1a2b47e234f180.webp(

Mối quan hệ giữa Crypto và AI

Công nghệ blockchain kết hợp với ZK đã trở thành tư tưởng phi tập trung + phi tin cậy. Về bản chất, toàn bộ mạng lưới blockchain là một mạng lưới giá trị, mỗi giao dịch đều là sự chuyển đổi giá trị dựa trên token cơ sở. Kinh tế token quy định giá trị tương đối của token gốc của mạng, mặc dù không thể định giá cho từng chiều, nhưng giá token phản ánh giá trị đa chiều.

Kinh tế token có thể mang lại giá trị cho mạng lưới, chức năng và ý tưởng, biến mọi giá trị trong thế giới thành giá trị. Phương pháp định nghĩa lại và khám phá giá trị này cũng rất quan trọng đối với ngành AI. Việc phát hành token trong chuỗi cung ứng AI có thể giúp tái cấu trúc giá trị ở nhiều khía cạnh, khuyến khích nhiều người hơn tham gia sâu vào các phân khúc của AI. Đồng thời, tất cả các dự án sẽ nhận được lợi nhuận tăng giá trị vốn, và token cũng có thể nuôi dưỡng hệ sinh thái để thúc đẩy sự ra đời của một triết lý nào đó.

Tính không thể thay đổi và đặc tính không cần tin cậy của công nghệ blockchain cũng có ý nghĩa thực tiễn trong ngành AI, có thể thực hiện một số ứng dụng cần tin cậy. Khi GPU không đủ, có thể phân phối qua mạng blockchain, GPU nhàn rỗi cũng có thể đóng góp sức mạnh tính toán cho mạng và phát huy giá trị trở lại.

Tóm lại, kinh tế token có thể thúc đẩy việc tái định hình và phát hiện giá trị, sổ cái phi tập trung có thể giải quyết vấn đề niềm tin, và giá trị sẽ được lưu thông lại trên toàn cầu.

![Người mới phổ cập丨AI x Crypto: Từ con số không đến đỉnh cao])https://img-cdn.gateio.im/webp-social/moments-250a286e79261e91a0e7ac4941ff5c76.webp(

Tổng quan về các dự án AI liên quan đến ngành Crypto

1. Cung cấp GPU:

Các dự án chính bao gồm Render và các dự án khác. Render được ra mắt vào năm 2020, chủ yếu được sử dụng cho các nhiệm vụ render video không phải là mô hình lớn. Là một dự án DePIN lâu đời có khối lượng công việc thực tế, Render thực sự đã thành công nhờ vào làn sóng AI/DePIN, nhưng về mặt nghiêm ngặt thì không được coi là một phần của lĩnh vực AI.

2. Băng thông phần cứng:

Các dự án chính bao gồm Meson Network, v.v. Tuy nhiên, băng thông chia sẻ có thể là một khái niệm giả, vì việc lưu trữ dữ liệu ở xa sẽ gây ra độ trễ, không bằng lưu trữ tại chỗ.

3. Dữ liệu:

Bao gồm EpiK Protocol, Synesis One, Masa, v.v. Lợi thế của nhà cung cấp dữ liệu Web3 nằm ở phía thu thập dữ liệu, cá nhân có thể đóng góp dữ liệu và nhận được định giá. Các nhà cung cấp dữ liệu theo hướng ZK như Masa có thể có triển vọng phát triển tốt.

4. ZKML:

Sử dụng công nghệ mã hóa đồng hình, thực hiện suy luận dữ liệu ngoài chuỗi và sau đó tải lên kết quả cùng với chứng minh ZK, đảm bảo tính riêng tư của dữ liệu và hiệu quả suy luận. Các dự án chính bao gồm Axiom, Risc Zero, Ritual, v.v.

5. Ứng dụng AI:

Hiện tại phát triển còn khá yếu. Chủ yếu là ứng dụng blockchain truyền thống + khả năng tự động hóa và tổng quát. AI Agent như Fetch.AI là một ví dụ điển hình, có thể giúp người dùng thực hiện các quyết định phức tạp trên chuỗi.

6. Chuỗi công khai AI:

Mạng thích ứng được xây dựng đặc biệt cho các mô hình AI hoặc đại lý như Tensor, Allora, Hypertensor, AgentLayer, v.v.

![Người mới phổ cập丨AI x Crypto: Từ con số không đến đỉnh cao])https://img-cdn.gateio.im/webp-social/moments-8358c377eb2c07467848b3b46dbf1056.webp(

Tóm tắt

Sự phát triển AI mà chúng ta hiện biết chủ yếu dựa trên công nghệ học sâu, nhưng điều này không có nghĩa là tất cả các hướng phát triển AI đều như vậy. Mặc dù học sâu có thể không đạt được trí tuệ nhân tạo tổng quát, nhưng đã có những ứng dụng thực tiễn, xứng đáng để nghiên cứu một cách lý trí.

Công nghệ blockchain và kinh tế token có ảnh hưởng tích cực đến ngành AI, có thể tái cấu trúc giá trị chuỗi công nghiệp, khuyến khích nhiều sự tham gia hơn. Công nghệ blockchain cũng có thể thực hiện một số ứng dụng AI cần sự tin cậy.

Nhược điểm của mạng tính toán GPU là vấn đề băng thông, tốc độ huấn luyện chậm, hiện tại phù hợp hơn cho các mô hình nhỏ không khẩn cấp. Các doanh nghiệp vừa và lớn vẫn thiên về các nền tảng đám mây truyền thống.

Tổng thể mà nói, sự kết hợp giữa AI và tiền điện tử có tính hữu ích thực tiễn, kinh tế token có thể tái cấu trúc và khám phá giá trị rộng rãi hơn, sổ cái phi tập trung có thể giải quyết vấn đề niềm tin, làm cho giá trị lưu thông và khám phá giá trị thặng dư.

![Người mới phổ cập丨AI x Crypto：Từ số không đến đỉnh cao])https://img-cdn.gateio.im/webp-social/moments-c8845a5920048e7c821c939e2d8304e7.webp(