- Rubrique
113k Popularité
25k Popularité
6k Popularité
29k Popularité
17k Popularité
23k Popularité
14k Popularité
3k Popularité
14k Popularité
154k Popularité
- Épingler
113k Popularité
25k Popularité
6k Popularité
29k Popularité
17k Popularité
23k Popularité
14k Popularité
3k Popularité
14k Popularité
154k Popularité
Fusion de l'IA et de la Blockchain : de l'exploration technologique à la restructuration de la chaîne industrielle
Fusion de l'IA et de la Blockchain: des infrastructures aux applications
L'intelligence artificielle ( AI ) a connu un développement rapide ces dernières années, considérée comme un moteur clé de la nouvelle révolution industrielle. L'émergence des grands modèles de langage a considérablement amélioré l'efficacité du travail dans divers secteurs, Boston Consulting estime que GPT a apporté une augmentation d'environ 20% de l'efficacité globale du travail aux États-Unis. Parallèlement, la capacité de généralisation des grands modèles est considérée comme un nouveau paradigme de conception logicielle, par rapport au code précis traditionnel, la conception logicielle actuelle adopte davantage le cadre de grands modèles généralisés pour soutenir une gamme plus large d'entrées et de sorties modales. La technologie d'apprentissage profond a apporté une nouvelle prospérité à l'industrie de l'IA, cette vague s'est également étendue au secteur des cryptomonnaies.
Cet article examinera en détail l'évolution de l'industrie de l'IA, les classifications technologiques et l'impact de l'apprentissage profond sur l'industrie. Nous analyserons en profondeur la chaîne de valeur de l'apprentissage profond, y compris les GPU, le cloud computing, les sources de données, les appareils edge, et nous passerons en revue son état de développement et ses tendances. Ensuite, nous explorerons essentiellement la relation entre les cryptomonnaies et l'industrie de l'IA, et nous passerons en revue la structure de la chaîne de valeur de l'IA liée aux cryptomonnaies.
L'évolution de l'industrie de l'IA
L'industrie de l'IA a commencé dans les années 1950. Pour réaliser la vision de l'intelligence artificielle, le milieu académique et l'industrie ont développé au fil des époques différents courants. Les technologies modernes de l'intelligence artificielle adoptent principalement des méthodes d'"apprentissage automatique", dont le concept central est de permettre aux machines d'améliorer les performances du système en itérant continuellement sur les tâches grâce aux données. Les principales étapes comprennent l'entrée des données dans l'algorithme, la formation du modèle, le test et le déploiement, et enfin la réalisation de prévisions automatisées.
Actuellement, l'apprentissage automatique se divise principalement en trois grandes écoles : le connexionnisme, le symbolisme et le comportementalisme, qui imitent respectivement le système nerveux, la pensée et le comportement humains. Parmi eux, le connexionnisme, représenté par les réseaux de neurones, domine également, et est appelé apprentissage profond. L'architecture des réseaux de neurones comprend une couche d'entrée, une couche de sortie et plusieurs couches cachées. Avec l'augmentation du nombre de couches et de neurones (, elle peut modéliser des tâches générales plus complexes. En ajustant continuellement les paramètres grâce à l'entrée de données, on atteint finalement un état optimal, d'où le terme "profondeur".
![Nouveaux venus : AI x Crypto : de zéro au sommet])https://img-cdn.gateio.im/webp-social/moments-c50ee5a87373c6cd6c4dc63adc2cf47c.webp(
La technologie d'apprentissage profond a connu plusieurs évolutions, des premiers réseaux de neurones, aux réseaux de neurones à propagation avant, RNN, CNN, GAN, jusqu'à l'évolution vers des modèles modernes comme les technologies Transformer utilisées par GPT. Le Transformer, en ajoutant des convertisseurs, peut coder des données multimodales ) telles que l'audio, la vidéo, les images, etc. ( en représentations numériques correspondantes, permettant ainsi d'ajuster tout type de données.
Le développement de l'IA a connu trois vagues technologiques :
Années 1960 : La première vague a été déclenchée par des technologies symbolistes, résolvant des problèmes de traitement du langage naturel et de dialogue homme-machine. Pendant ce temps, les systèmes experts ont vu le jour.
1997 : IBM Deep Blue bat le champion d'échecs, marquant le deuxième pic de la technologie AI.
Depuis 2006 : Les trois géants de l'apprentissage profond ont proposé le concept d'apprentissage profond, les algorithmes ont progressivement évolué, formant la troisième vague technologique, qui est également l'apogée du connexionnisme.
Ces dernières années, plusieurs événements emblématiques ont émergé dans le domaine de l'IA, y compris :
Chaîne de valeur de l'apprentissage profond
Les grands modèles de langage actuels adoptent principalement des méthodes d'apprentissage profond basées sur des réseaux de neurones. Les grands modèles représentés par GPT ont déclenché une nouvelle vague d'engouement pour l'IA, entraînant une forte augmentation de la demande de données et de puissance de calcul sur le marché. Nous nous concentrerons sur la composition de la chaîne d'industrie des algorithmes d'apprentissage profond, ainsi que sur l'état, les relations d'offre et de demande et les tendances de développement futures en amont et en aval.
Les modèles de langage LLMs basés sur la technologie Transformer ( sont principalement formés en trois étapes :
Pré-entraînement : Entrer un grand nombre de paires de données pour rechercher les meilleurs paramètres des neurones. Cette étape est la plus gourmande en puissance de calcul et nécessite de répéter plusieurs fois l'essai de divers paramètres.
Ajustement : Utiliser une petite quantité de données de haute qualité pour l'entraînement, améliorer la qualité de sortie du modèle.
Apprentissage par renforcement : établir un modèle de récompense pour classer les résultats de sortie, utilisé pour l'itération automatique des paramètres du grand modèle. Parfois, une intervention humaine est également nécessaire pour l'évaluation.
La performance du modèle est principalement déterminée par le nombre de paramètres, la quantité et la qualité des données, et la puissance de calcul. Plus il y a de paramètres, plus la capacité de généralisation du modèle est élevée. Selon la règle empirique, préformer un grand modèle nécessite environ 6np Flops de puissance de calcul, où n est le nombre de Tokens et p est le nombre de paramètres.
Au début, l'entraînement de l'IA utilisait principalement des CPU pour fournir de la puissance de calcul, puis s'est progressivement tourné vers les GPU, comme les puces A100 et H100 de NVIDIA. Les GPU effectuent des opérations en virgule flottante via le module Tensor Core, et les données Flops sous précision FP16/FP32 sont un indicateur clé de la performance des puces.
Prenons GPT-3 comme exemple, il a 175 milliards de paramètres et 180 milliards de Token de données d'entraînement. Un pré-entraînement nécessite environ 3,15*10^22 Flops, même avec les puces GPU les plus avancées, cela prend plusieurs centaines de jours. À mesure que la taille du modèle augmente, la demande en puissance de calcul croît de manière exponentielle.
Pendant le processus d'entraînement du modèle, le stockage des données est également confronté à des défis. En raison de la mémoire GPU limitée, il est nécessaire de transmettre fréquemment des données entre le disque dur et la mémoire, ce qui fait de la bande passante des puces un facteur clé. Lors de l'entraînement parallèle avec plusieurs GPU, le taux de transfert de données entre les puces est également très important. Ainsi, la capacité de calcul des puces n'est pas le seul goulot d'étranglement, la bande passante de la mémoire est souvent plus cruciale.
La chaîne de l'industrie de l'apprentissage profond comprend principalement les étapes suivantes :
Fournisseur de matériel GPU : NVIDIA détient une position monopolistique sur le marché des puces AI haut de gamme. Google, Intel et d'autres entreprises développent également leurs propres puces AI.
Fournisseurs de services cloud : principalement divisés en trois catégories : fournisseurs de cloud traditionnels ) tels qu'AWS, Google Cloud (, fournisseurs de services cloud AI verticaux ) tels que CoreWeave (, et fournisseurs d'inférence en tant que service ) tels que Together.ai (.
Fournisseurs de données d'entraînement : Fournir des données massives, de haute qualité et spécifiques pour les grands modèles et les modèles de domaine vertical.
Fournisseur de base de données : principalement des bases de données vectorielles, utilisées pour le stockage et le traitement efficaces des données non structurées.
Équipements périphériques : y compris les systèmes d'alimentation énergétique et de refroidissement, pour soutenir le fonctionnement de grands clusters de calcul.
Applications : diverses applications d'IA développées sur la base de grands modèles, telles que les systèmes de dialogue, les outils de création, etc.
![Nouvelle introduction丨IA x Crypto : De zéro au sommet])https://img-cdn.gateio.im/webp-social/moments-609c5dd6ee0abcec6bf9c118d7741867.webp(
La relation entre les cryptomonnaies et l'IA
La technologie Blockchain est centrée sur la décentralisation et la mise en confiance. Le Bitcoin a créé un système de transfert de valeur sans confiance, tandis qu'Ethereum a réalisé une plateforme de contrats intelligents décentralisée et sans confiance. En essence, un réseau Blockchain est un réseau de valeur, chaque transaction étant basée sur la conversion de valeur des jetons sous-jacents.
Dans l'Internet traditionnel, la valeur des entreprises est principalement reflétée par les flux de trésorerie et le ratio cours/bénéfice. Dans l'écosystème Blockchain, les tokens natifs ) tels que ETH( portent une valeur multidimensionnelle du réseau, permettant non seulement de générer des revenus de staking, mais aussi de servir de moyen d'échange de valeur, de moyen de stockage et de biens de consommation pour les activités du réseau. L'économie des tokens définit la valeur relative des actifs de règlement de l'écosystème ; bien qu'il soit difficile de fixer un prix pour chaque dimension individuellement, le prix du token reflète de manière globale la valeur multidimensionnelle.
L'attrait des jetons réside dans leur capacité à donner de la valeur à toute fonctionnalité ou pensée. L'économie des jetons redéfinit et découvre les façons de valoriser, ce qui est crucial pour tous les secteurs, y compris l'IA. Dans l'industrie de l'IA, l'émission de jetons peut restructurer la valeur à chaque étape de la chaîne industrielle, incitant davantage de participants à se concentrer sur des niches spécifiques. Les jetons apportent non seulement des flux de trésorerie, mais peuvent également augmenter la valeur des infrastructures grâce à des effets de synergie, formant le paradigme "protocole gras, application maigre".
Les caractéristiques d'immutabilité et de confiance minimale de la Blockchain apportent également une signification pratique à l'industrie de l'IA. Cela peut permettre certaines applications nécessitant de la confiance, comme garantir que les modèles ne divulguent pas de données personnelles lors de l'utilisation des données des utilisateurs. En cas de pénurie de GPU, la puissance de calcul peut être distribuée via un réseau blockchain ; lorsque les GPU sont mis à jour, les anciens appareils inactifs peuvent également continuer à contribuer de la valeur. Ce sont là des avantages uniques des réseaux de valeur mondiaux.
![Nouvelle génération de connaissances丨AI x Crypto : De zéro à l'apogée])https://img-cdn.gateio.im/webp-social/moments-f37fb0100218188368f4d31940aab2a3.webp(
Aperçu des projets de chaîne de valeur de l'IA dans l'industrie des cryptomonnaies
Les principaux projets incluent Render, Golem, etc. Render, en tant que projet d'infrastructure décentralisée plus mature, s'adresse principalement aux tâches de rendu vidéo et autres tâches non liées aux grands modèles. Avec la croissance de la demande en IA et l'itération des GPU, la demande de puissance de calcul GPU partagée pourrait augmenter, offrant des opportunités de découverte de valeur pour les GPU inoccupés.
Des projets typiques comme Meson Network visent à établir un réseau de partage de bande passante à l'échelle mondiale. Cependant, le partage de bande passante peut être une pseudo-demande, car pour les clusters de calcul haute performance, la latence du stockage de données local est bien inférieure à celle du stockage distribué.
Les projets tels qu'EpiK Protocol, Synesis One et Masa offrent des services de données d'entraînement AI. Parmi eux, Masa est basé sur une technologie de preuve à divulgation nulle de connaissance, permettant la collecte de données privées. L'avantage de ce type de projet réside dans la possibilité de réaliser une collecte de données étendue et d'inciter les utilisateurs à contribuer des données grâce à des tokens.
Utiliser la technologie des preuves à divulgation nulle de connaissance pour réaliser des calculs et des formations privés. Les projets principaux incluent Modulus Labs, Giza, etc. Certains projets ZK généralistes comme Axiom et Risc Zero valent également la peine d'être suivis.
Il s'agit principalement de combiner les capacités de l'IA avec les applications traditionnelles de Blockchain, comme l'Agent IA. Fetch.AI est un projet représentatif, aidant les utilisateurs à prendre des décisions complexes sur la chaîne grâce à des agents intelligents.
Comme Tensor, Allora, Hypertensor, etc., des réseaux adaptatifs spécialement construits pour les modèles ou agents AI. Ce type de projet utilise généralement des mécanismes similaires à l'apprentissage par renforcement, améliorant les paramètres du modèle grâce à des évaluateurs en chaîne.
![Nouvelle introduction丨AI x Crypto : de zéro au sommet])https://img-cdn.gateio.im/webp-social/moments-8848582a34ba293d15afae15d90e3c95.webp(
Résumé
Bien que le développement actuel de l'IA soit principalement axé sur les technologies d'apprentissage profond, d'autres voies potentielles de technologies d'IA méritent également d'être examinées. L'apprentissage profond, bien qu'il puisse ne pas réaliser une intelligence artificielle générale, a déjà trouvé des applications étendues dans des domaines tels que les systèmes de recommandation, et possède une valeur pratique.
La technologie Blockchain et l'économie des tokens apportent une nouvelle définition de la valeur et un mécanisme de découverte à l'industrie de l'IA. Elles peuvent remodeler la valeur des différentes étapes de la chaîne de valeur de l'IA, inciter davantage de participants et réaliser une allocation efficace des ressources grâce à un réseau de valeur global.
Cependant, le réseau GPU décentralisé présente encore des inconvénients en termes de bande passante et d'outils pour les développeurs, et il est actuellement principalement adapté à l'entraînement de petits modèles non urgents. Pour les grandes entreprises et les missions critiques, les plateformes de services cloud traditionnelles restent plus avantageuses.
Dans l'ensemble, la combinaison de l'IA et de la Blockchain a une utilité pratique et un potentiel à long terme. L'économie des tokens peut remodeler et découvrir une valeur plus large, tandis que le grand livre décentralisé peut résoudre les problèmes de confiance, facilitant ainsi le flux de valeur et la découverte de la valeur résiduelle à l'échelle mondiale. Avec le développement de la technologie et l'amélioration de l'écosystème, la fusion de l'IA et de la Blockchain devrait apporter plus d'innovations et d'opportunités.