- Chủ đề
113k Phổ biến
25k Phổ biến
6k Phổ biến
29k Phổ biến
17k Phổ biến
23k Phổ biến
14k Phổ biến
3k Phổ biến
14k Phổ biến
154k Phổ biến
- Ghim
113k Phổ biến
25k Phổ biến
6k Phổ biến
29k Phổ biến
17k Phổ biến
23k Phổ biến
14k Phổ biến
3k Phổ biến
14k Phổ biến
154k Phổ biến
AI và Blockchain hòa nhập: Từ khám phá công nghệ đến tái cấu trúc chuỗi ngành
Sự kết hợp giữa AI và công nghệ Blockchain: từ cơ sở hạ tầng đến ứng dụng
Trí tuệ nhân tạo ( AI ) ngành công nghiệp trong những năm gần đây đã phát triển nhanh chóng, được coi là động lực chính của cuộc cách mạng công nghiệp mới. Sự xuất hiện của các mô hình ngôn ngữ lớn đã nâng cao đáng kể hiệu suất làm việc của các ngành khác nhau, Boston Consulting ước tính rằng GPT đã mang lại khoảng 20% sự cải thiện hiệu suất làm việc tổng thể cho Mỹ. Đồng thời, khả năng tổng quát của các mô hình lớn được coi là một mô hình thiết kế phần mềm mới, so với mã chính xác truyền thống, thiết kế phần mềm hiện nay ngày càng sử dụng khung mô hình lớn tổng quát hơn để hỗ trợ nhiều đầu vào và đầu ra kiểu dáng khác nhau. Công nghệ học sâu đã mang đến một làn sóng thịnh vượng mới cho ngành AI, làn sóng này cũng đã lan rộng đến ngành công nghiệp tiền điện tử.
Bài viết này sẽ đi sâu vào quá trình phát triển của ngành AI, phân loại công nghệ, cũng như ảnh hưởng của học sâu đối với ngành. Chúng tôi sẽ phân tích kỹ lưỡng chuỗi công nghiệp học sâu từ đầu đến cuối, bao gồm GPU, điện toán đám mây, nguồn dữ liệu, thiết bị biên, v.v., để tổng hợp tình hình và xu hướng phát triển. Sau đó, chúng tôi sẽ khám phá mối quan hệ giữa tiền điện tử và ngành AI từ bản chất, và tổng hợp cấu trúc chuỗi công nghiệp AI liên quan đến tiền điện tử.
Lịch sử phát triển của ngành AI
Ngành AI bắt đầu từ những năm 1950. 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 trong bối cảnh thời đại khác nhau. Công nghệ trí tuệ nhân tạo hiện đại chủ yếu sử dụng phương pháp "học máy", với ý tưởng cốt lõi là cho phép máy móc được thúc đẩy bởi dữ liệu, liên tục lặp lại trong các nhiệm vụ để cải thiện hiệu suất hệ thống. Các bước chính bao gồm nhập dữ liệu vào thuật toán, đào tạo mô hình, kiểm tra triển khai, và cuối cùng là thực hiện dự đoán tự động.
Hiện nay, học máy chủ yếu có ba trường phái lớn: Liên kết, Tượng trưng và Hành vi, lần lượt mô phỏng hệ thần kinh, tư duy và hành vi của con người. Trong đó, chủ nghĩa liên kết với đại diện là mạng nơ-ron chiếm ưu thế, còn được gọi là học sâu. Kiến trúc mạng nơ-ron bao gồm lớp đầu vào, lớp đầu ra và nhiều lớp ẩn, với số lượng lớp và số lượng tham số nơ-ron ( tăng lên, có thể khớp với các nhiệm vụ chung phức tạp hơn. Bằng cách liên tục nhập dữ liệu để điều chỉnh tham số, cuối cùng đạt được trạng thái tối ưu, đây cũng là nguồn gốc của "sâu".
![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 đã trải qua nhiều lần tiến hóa, từ mạng nơ-ron đầu tiên, đến mạng nơ-ron truyền tiếp, RNN, CNN, GAN, cuối cùng phát triển thành các mô hình lớn hiện đại như GPT sử dụng công nghệ Transformer. Transformer thông qua việc thêm bộ chuyển đổi, có thể mã hóa dữ liệu đa phương thức ) như âm thanh, video, hình ảnh, v.v. ( thành các biểu diễn số tương ứng, từ đó thực hiện việc khớp dữ liệu của bất kỳ loại nào.
Sự phát triển của AI đã trải qua ba làn sóng công nghệ:
Thập niên 60 của thế kỷ 20: Làn sóng đầu tiên được kích hoạt bởi công nghệ chủ nghĩa ký hiệu, giải quyết vấn đề xử lý ngôn ngữ tự nhiên và đối thoại giữa người và máy. Cùng thời gian, hệ thống chuyên gia ra đời.
1997: IBM Deep Blue đánh bại nhà vô địch cờ vua, đánh dấu sự bùng nổ lần thứ hai của công nghệ AI.
Từ năm 2006 đến nay: Ba ông lớn trong lĩnh vực học sâu đã đưa ra khái niệm học sâu, thuật toán dần tiến hóa, hình thành làn sóng công nghệ thứ ba, cũng là thời kỳ thịnh vượng của kết nối.
Trong những năm gần đây, lĩnh vực AI đã xuất hiện nhiều sự kiện biểu tượng, bao gồm:
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 cho GPT đã khơi dậy một làn sóng hứng khởi mới trong AI, nhu cầu về dữ liệu và sức mạnh tính toán trên thị trường đã tăng mạnh. Chúng ta sẽ tập trung thảo luận về cấu trúc chuỗi ngành của thuật toán học sâu, cũng như tình hình hiện tại, mối quan hệ cung cầu và xu hướng phát triển trong tương lai của nó.
Mô hình ngôn ngữ lớn dựa trên công nghệ Transformer ( LLMs ) được huấn luyện chủ yếu chia thành ba bước:
Tiền huấn luyện: Nhập vào một lượng lớn cặp dữ liệu để tìm kiếm các tham số tối ưu cho neuron. Giai đoạn này tốn nhiều sức mạnh tính toán nhất, cần lặp đi lặp lại để thử nghiệm các tham số khác nhau.
Tinh chỉnh: Sử dụng một lượng nhỏ nhưng dữ liệu chất lượng cao để đào tạo, nâng cao chất lượng đầu ra của mô hình.
Học tăng cường: Xây dựng mô hình thưởng để sắp xếp kết quả đầu ra, được sử dụng để tự động lặp lại các tham số của mô hình lớn. Đôi khi cũng cần sự tham gia của con người để đánh giá.
Hiệu suất của mô hình chủ yếu được xác định bởi ba yếu tố: số lượng tham số, khối lượng và chất lượng dữ liệu, sức mạnh tính toán. Số lượng tham số càng nhiều, khả năng tổng quát của mô hình càng cao. Theo quy tắc kinh nghiệm, việc huấn luyện một mô hình lớn một lần khoảng cần khoảng 6np Flops tính toán, trong đó n là số lượng Token, p là số lượng tham số.
Đào tạo AI giai đoạn đầu chủ yếu sử dụng CPU để cung cấp sức mạnh tính toán, sau đó dần chuyển sang GPU, chẳng hạn như chip A100, H100 của NVIDIA. GPU thực hiện các phép toán số thực thông qua mô-đun Tensor Core, dữ liệu Flops dưới độ chính xác FP16/FP32 là chỉ số quan trọng để đánh giá hiệu suất của chip.
Lấy GPT-3 làm ví dụ, nó có 175 tỷ tham số và 1800 tỷ Token dữ liệu đào tạo. Một lần tiền đào tạo cần khoảng 3.15*10^22 Flops, ngay cả khi sử dụng chip GPU tiên tiến nhất cũng cần hàng trăm ngày. Khi quy mô mô hình mở rộng, nhu cầu về sức mạnh tính toán tăng trưởng theo cấp số nhân.
Trong quá trình huấn luyện mô hình, việc lưu trữ dữ liệu cũng gặp phải thách thức. Do bộ nhớ GPU có hạn, cần phải thường xuyên truyền dữ liệu giữa ổ cứng và bộ nhớ, băng thông chip trở thành một yếu tố quan trọng. Khi huấn luyện song song đa GPU, tốc độ truyền dữ liệu giữa các chip cũng rất quan trọng. Do đó, khả năng tính toán của chip không phải là nút thắt duy nhất, băng thông bộ nhớ thường quan trọng hơn.
Chuỗi công nghiệp học sâu chủ yếu bao gồm các khâu sau:
Nhà cung cấp phần cứng GPU: NVIDIA đang chiếm ưu thế trên thị trường chip AI cao cấp. Google, Intel và các công ty khác cũng đang phát triển chip AI riêng.
Nhà cung cấp dịch vụ đám mây: chủ yếu được chia thành ba loại: nhà cung cấp đám mây truyền thống ( như AWS, Google Cloud ), nhà cung cấp dịch vụ đám mây AI theo chiều dọc ( như CoreWeave ), và nhà cung cấp dịch vụ suy diễn ( như Together.ai ).
Nhà cung cấp nguồn dữ liệu đào tạo: Cung cấp khối lượng lớn, chất lượng cao và dữ liệu cụ thể cho mô hình lớn và mô hình lĩnh vực chuyên biệt.
Nhà cung cấp cơ sở dữ liệu: chủ yếu là cơ sở dữ liệu vector, được sử dụng để lưu trữ và xử lý dữ liệu phi cấu trúc một cách hiệu quả.
Thiết bị biên: bao gồm cung cấp năng lượng và hệ thống làm mát, để hỗ trợ hoạt động của các cụm tính toán quy mô lớn.
Ứng dụng: Các loại ứng dụng AI được phát triển dựa trên mô hình lớn, chẳng hạn như hệ thống đối thoại, công cụ sáng tạo, v.v.
Mối quan hệ giữa tiền điện tử và AI
Công nghệ Blockchain có cốt lõi là phi tập trung và phi tín nhiệm. Bitcoin đã tạo ra một hệ thống chuyển giao giá trị không cần tín nhiệm, trong khi Ethereum đã thực hiện thêm một nền tảng hợp đồng thông minh phi tập trung và phi tín nhiệm. Về bản chất, mạng lưới blockchain là một mạng lưới giá trị, mỗi giao dịch đều dựa trên sự chuyển đổi giá trị của các token cơ sở.
Trong internet truyền thống, giá trị doanh nghiệp chủ yếu được thể hiện qua dòng tiền và tỷ lệ giá trên lợi nhuận. Còn trong hệ sinh thái blockchain, token gốc ( như ETH) mang lại giá trị đa chiều cho mạng lưới, không chỉ có thể nhận được lợi nhuận từ việc staking, mà còn có thể được sử dụng như phương tiện trao đổi giá trị, phương thức lưu trữ và hàng hóa tiêu dùng cho các hoạt động của mạng lưới. Kinh tế token định nghĩa giá trị tương đối của các tài sản thanh toán trong hệ sinh thái, mặc dù khó có thể định giá riêng lẻ cho từng chiều, nhưng giá của token phản ánh tổng thể giá trị đa chiều.
Sức hấp dẫn của token nằm ở việc có thể gán giá trị cho bất kỳ chức năng hoặc ý tưởng nào. Kinh tế token tái định nghĩa và khám phá cách thức tạo ra giá trị, điều này rất quan trọng đối với nhiều ngành, bao gồm cả AI. Trong ngành công nghiệp AI, việc phát hành token có thể tái cấu trúc giá trị của các khâu trong chuỗi công nghiệp, khuyến khích nhiều người tham gia hơn trong việc khai thác các lĩnh vực chuyên biệt. Token không chỉ mang lại dòng tiền, mà còn có thể nâng cao giá trị cơ sở hạ tầng thông qua hiệu ứng hợp tác, tạo ra mô hình "hợp đồng béo ứng dụng gầy".
Đặc tính không thể thay đổi và không cần tin tưởng của công nghệ Blockchain cũng mang lại ý nghĩa thực tiễn cho ngành AI. Nó có thể thực hiện một số ứng dụng cần sự tin tưởng, chẳng hạn như đảm bảo rằng mô hình không tiết lộ quyền riêng tư khi sử dụng dữ liệu người dùng. Khi nguồn cung GPU không đủ, có thể phân phối sức mạnh tính toán qua mạng Blockchain; khi GPU được cập nhật phiên bản mới, các thiết bị cũ không sử dụng vẫn có thể tiếp tục đóng góp giá trị. Đây đều là những lợi thế độc đáo của mạng lưới giá trị toàn cầu.
Tổng quan về dự án chuỗi công nghiệp AI trong ngành tiền điện tử
Các dự án chính bao gồm Render, Golem, v.v. Render là một dự án cơ sở hạ tầng phi tập trung tương đối trưởng thành, chủ yếu hướng đến các nhiệm vụ như render video và không phải là các mô hình lớn. Khi nhu cầu AI gia tăng và GPU được nâng cấp, nhu cầu chia sẻ sức mạnh tính toán GPU có thể tăng lên, tạo ra cơ hội phát hiện giá trị cho GPU không sử dụng.
Các dự án điển hình như Meson Network, nhằm xây dựng một mạng lưới chia sẻ băng thông toàn cầu. Tuy nhiên, việc chia sẻ băng thông có thể là một nhu cầu giả, vì đối với các cụm máy tính hiệu suất cao, độ trễ của lưu trữ dữ liệu cục bộ thấp hơn nhiều so với lưu trữ phân tán.
EpiK Protocol, Synesis One, Masa và các dự án khác cung cấp dịch vụ dữ liệu huấn luyện AI. Trong đó, Masa dựa trên công nghệ chứng minh không kiến thức, hỗ trợ thu thập dữ liệu riêng tư. Ưu điểm của các dự án này là có thể thực hiện việc thu thập dữ liệu rộng rãi và thông qua token khuyến khích người dùng đóng góp dữ liệu.
Sử dụng công nghệ chứng minh không kiến thức để thực hiện tính toán và đào tạo bảo mật. Các dự án chính bao gồm Modulus Labs, Giza, v.v. Một số dự án ZK tổng quát như Axiom, Risc Zero cũng đáng được chú ý.
Chủ yếu là kết hợp khả năng AI với các ứng dụng blockchain truyền thống, như AI Agent. Fetch.AI là dự án tiêu biểu, thông qua các đại lý thông minh giúp người dùng thực hiện các quyết định phức tạp trên chuỗi.
Như Tensor, Allora, Hypertensor, v.v., là các mạng thích ứng được xây dựng đặc biệt cho các mô hình AI hoặc đại lý. Các dự án này thường sử dụng cơ chế tương tự như học tăng cường, thông qua các đánh giá viên trên chuỗi để cải thiện các tham số mô hình.
Tóm tắt
Mặc dù sự phát triển AI hiện tại chủ yếu tập trung vào công nghệ học sâu, nhưng vẫn có những con đường công nghệ AI tiềm năng khác đáng được chú ý. Học sâu mặc dù có thể không đạt được trí tuệ nhân tạo tổng quát, nhưng đã được áp dụng rộng rãi trong các lĩnh vực như hệ thống gợi ý, có giá trị thực tiễn.
Công nghệ Blockchain và kinh tế token đã mang lại những định nghĩa giá trị và cơ chế phát hiện mới cho ngành AI. Chúng có thể tái cấu trúc giá trị của từng khâu trong chuỗi ngành AI, khuyến khích nhiều người tham gia hơn, và thông qua mạng lưới giá trị toàn cầu, đạt được sự phân bổ tài nguyên hiệu quả.
Tuy nhiên, mạng GPU phi tập trung vẫn có nhược điểm về băng thông và công cụ phát triển, hiện tại chủ yếu phù hợp cho việc đào tạo mô hình nhỏ không gấp. Đối với các doanh nghiệp lớn và nhiệm vụ quan trọng, các nền tảng dịch vụ đám mây truyền thống vẫn có lợi thế hơn.
Tổng thể, sự kết hợp giữa AI và Blockchain có tác dụng thực tiễn và tiềm năng lâu dài. Kinh tế token có thể định hình lại và khám phá giá trị rộng hơn, trong khi sổ cái phi tập trung có thể giải quyết vấn đề niềm tin, thúc đẩy dòng chảy giá trị và khám phá giá trị thặng dư trên toàn cầu. Với sự phát triển của công nghệ và sự hoàn thiện của hệ sinh thái, sự hòa nhập giữa AI và Blockchain hứa hẹn sẽ mang lại nhiều đổi mới và cơ hội hơn.