AI y Activos Cripto: de cero a la cima

La tecnología de inteligencia artificial ha logrado avances significativos en los últimos años, siendo vista por algunos como la cuarta revolución industrial. La aparición de modelos de lenguaje de gran tamaño ha mejorado considerablemente la eficiencia en diversas industrias, y Boston Consulting Group estima que GPT ha aumentado en aproximadamente un 20% la eficiencia laboral en Estados Unidos. Al mismo tiempo, la capacidad de generalización de los grandes modelos se considera un nuevo paradigma de diseño de software, diferente de la programación de código preciso tradicional; el diseño de software ahora se basa más en incorporar marcos de grandes modelos de generalización, permitiendo que el software tenga un mejor rendimiento y un soporte más amplio para entradas y salidas de modalidades. La tecnología de aprendizaje profundo ha traído una nueva ola de prosperidad a la industria de la IA, y esta ola también se ha extendido a la industria de Activos Cripto.

La evolución de la industria de la IA

La industria de la IA comenzó en la década de 1950. Para lograr la visión de la inteligencia artificial, el mundo académico y la industria han desarrollado, en diferentes períodos y basados en diferentes antecedentes disciplinarios, diversas escuelas para implementar la inteligencia artificial.

Las tecnologías modernas de inteligencia artificial utilizan principalmente el método de "aprendizaje automático", cuya idea es permitir que las máquinas mejoren el rendimiento del sistema iterando repetidamente en tareas basadas en datos. Los pasos principales incluyen: ingresar datos en el algoritmo, entrenar el modelo con datos, probar y desplegar el modelo, y utilizar el modelo para completar tareas de predicción automatizadas.

Actualmente, el aprendizaje automático se divida en tres grandes corrientes: el conexionismo, el simbolismo y el conductismo, que imitan respectivamente el sistema nervioso humano, el pensamiento y el comportamiento. El conexionismo, representado por las redes neuronales, está en una posición dominante ( también conocido como aprendizaje profundo ). La arquitectura de la red neuronal incluye una capa de entrada, una capa de salida y múltiples capas ocultas; cuando el número de capas y la cantidad de parámetros de los neuronas ( son suficientes, se pueden ajustar tareas generales complejas. Al ajustar continuamente los parámetros de las neuronas a través de la entrada de datos, finalmente las neuronas alcanzarán el estado óptimo ) parámetros (.

La tecnología de aprendizaje profundo también ha pasado por múltiples iteraciones y evoluciones, desde las primeras redes neuronales, hasta las redes neuronales de retroalimentación, RNN, CNN, GAN, y finalmente desarrollándose hacia modelos grandes modernos como los utilizados por GPT, que utilizan la tecnología Transformer. La tecnología Transformer es solo una dirección de evolución de las redes neuronales, que agrega un convertidor para codificar datos de varios modos ) como audio, video, imágenes, etc. ( en representaciones numéricas correspondientes, que luego se introducen en la red neuronal, permitiendo que la red neuronal ajuste cualquier tipo de datos y logre multimodalidad.

![Nuevas personas en la ciencia丨AI x Cripto: de cero a la cima])https://img-cdn.gateio.im/webp-social/moments-c50ee5a87373c6cd6c4dc63adc2cf47c.webp(

El desarrollo de la IA ha pasado por tres olas tecnológicas:

1. En la década de 1960, la primera ola provocada por el desarrollo de la tecnología simbolista resolvió problemas de procesamiento de lenguaje natural y diálogo hombre-máquina. Al mismo tiempo, nacieron los sistemas expertos.

2. En 1997, IBM Deep Blue derrotó al campeón de ajedrez Garry Kasparov, lo que marcó el segundo auge de la tecnología de IA.

3. En 2006, se propuso el concepto de aprendizaje profundo, lo que provocó la tercera ola tecnológica. Los algoritmos de aprendizaje profundo han evolucionado gradualmente, desde RNN, GAN hasta Transformer y Stable Diffusion, moldeando la época dorada del conexionismo.

![Nuevos conceptos丨AI x Cripto: de cero a la cima])https://img-cdn.gateio.im/webp-social/moments-0c9bdea33a39a2c07d1f06760ed7e804.webp(

Cadena de industria de aprendizaje profundo

Los modelos de lenguaje actuales generalmente utilizan métodos de aprendizaje profundo basados en redes neuronales. Los grandes modelos representados por GPT han desencadenado una nueva ola de entusiasmo por la inteligencia artificial, atrayendo a muchos jugadores a este campo, lo que ha provocado un aumento explosivo en la demanda de datos y capacidad de cálculo en el mercado. Por lo tanto, nos enfocamos en explorar la cadena industrial de los algoritmos de aprendizaje profundo, analizando cómo se componen sus partes interesadas en la industria de la IA dominada por el aprendizaje profundo, así como el estado actual, la relación de oferta y demanda y el desarrollo futuro de estas partes.

El entrenamiento de modelos de lenguaje grandes como GPT, basados en la tecnología Transformer ) LLMs (, se divide principalmente en tres pasos:

1. Preentrenamiento: introducir grandes pares de datos para encontrar los mejores parámetros de cada neurona del modelo. Este es el proceso que más potencia de cálculo consume, y requiere iteraciones repetidas para probar varios parámetros.

2. Ajuste fino: utilizar una pequeña cantidad pero de alta calidad de datos para entrenar, mejorando la calidad de salida del modelo.

3. Aprendizaje por refuerzo: establecer un "modelo de recompensa" para clasificar los resultados del modelo grande, utilizado para iterar automáticamente los parámetros del modelo grande. A veces también se requiere la participación humana para evaluar la calidad de la salida del modelo.

Los tres principales factores que afectan el rendimiento de los grandes modelos son la cantidad de parámetros, la cantidad y calidad de los datos, y la potencia de cálculo. Estos tres elementos dan lugar a toda una cadena industrial.

![Nuevos conocimientos丨IA x Activos Cripto：De cero a la cima])https://img-cdn.gateio.im/webp-social/moments-609c5dd6ee0abcec6bf9c118d7741867.webp(

) proveedor de hardware GPU

Actualmente, Nvidia ocupa una posición de liderazgo absoluto en el diseño de chips GPU para IA. En el ámbito académico, se utilizan principalmente GPUs de consumo ### como la serie RTX (, mientras que en la industria se utilizan chips como el H100 y el A100 para la comercialización de grandes modelos.

En 2023, el último chip H100 de Nvidia, desde su lanzamiento, recibió numerosos pedidos de varias empresas. La demanda mundial del chip H100 supera con creces la oferta, y el ciclo de entrega ha alcanzado las 52 semanas. Para liberarse de la dependencia de Nvidia, Google lideró la formación de la Alianza CUDA junto a Intel, Qualcomm, Microsoft, Amazon y otras empresas para desarrollar conjuntamente GPU.

![Nuevos conceptos丨AI x Crypto: De cero a la cima])https://img-cdn.gateio.im/webp-social/moments-f37fb0100218188368f4d31940aab2a3.webp(

) proveedor de servicios en la nube

Los proveedores de servicios en la nube, después de adquirir suficientes GPU para construir clústeres de computación de alto rendimiento, ofrecen capacidad de cómputo flexible y soluciones de entrenamiento alojadas para empresas de IA con recursos limitados. Actualmente, el mercado se divide principalmente en tres tipos de proveedores de capacidad de cómputo en la nube:

1. Plataformas de cómputo en la nube de gran escala representadas por proveedores de nube tradicionales como AWS, Google Cloud, Azure ###

2. Plataforma de potencia de cálculo en la nube de pista vertical, diseñada principalmente para AI o computación de alto rendimiento.

3. Los proveedores emergentes de inferencia como servicio, que principalmente despliegan modelos preentrenados para los clientes y realizan ajustes finos o inferencias.

( proveedor de bases de datos

Para las tareas de inferencia y entrenamiento de datos de IA y aprendizaje profundo, la industria utiliza principalmente "bases de datos de vectores". Las bases de datos de vectores pueden almacenar, gestionar e indexar de manera eficiente grandes volúmenes de datos vectoriales de alta dimensión, almacenando datos no estructurados en forma de "vectores" de manera unificada.

Los principales jugadores incluyen Chroma, Zilliz, Pinecone, Weaviate, entre otros. Con el aumento de la demanda de datos y la aparición de grandes modelos y aplicaciones en diversos campos, la demanda de bases de datos de vectores crecerá significativamente.

![Nuevos conocimientos丨AI x Activos Cripto：De cero a la cima])https://img-cdn.gateio.im/webp-social/moments-53c48daf49a3dbb35c1a2b47e234f180.webp###

( dispositivos de borde

Al construir un clúster de computación de alto rendimiento con GPU, se consumirá una gran cantidad de energía y se generará calor. Para garantizar el funcionamiento continuo del clúster, se necesitan dispositivos periféricos como sistemas de refrigeración.

En cuanto al suministro de energía, se utiliza principalmente energía eléctrica. Los centros de datos y las redes de soporte representan actualmente entre el 2% y el 3% del consumo global de electricidad. BCG estima que para 2030, el consumo de electricidad para entrenar grandes modelos se triplicará.

En términos de refrigeración, actualmente se utiliza principalmente la refrigeración por aire, pero los sistemas de refrigeración líquida están recibiendo una gran inversión. La refrigeración líquida se divide principalmente en tres tipos: placa fría, inmersión y rociado.

![Nuevos conocimientos丨AI x Cripto: De cero a la cima])https://img-cdn.gateio.im/webp-social/moments-250a286e79261e91a0e7ac4941ff5c76.webp###

( Aplicaciones de IA

El desarrollo actual de las aplicaciones de IA es similar al de la industria de blockchain, la infraestructura es muy concurrida, pero el desarrollo de aplicaciones está relativamente rezagado. La mayoría de las aplicaciones de IA con más usuarios activos son en su mayoría aplicaciones de búsqueda, y el tipo es bastante único.

La tasa de retención de usuarios de las aplicaciones de IA es generalmente inferior a la de las aplicaciones de Internet tradicionales. En cuanto a la proporción de usuarios activos, la mediana de DAU/MAU del software de Internet tradicional es del 51%, mientras que la máxima de las aplicaciones de IA es solo del 41%. En términos de tasa de retención de usuarios, la mediana de los diez mejores softwares de Internet tradicionales es del 63%, mientras que la tasa de retención de ChatGPT es solo del 56%.

![Nuevos Conocimientos丨AI x Crypto: de cero a la cima])https://img-cdn.gateio.im/webp-social/moments-8358c377eb2c07467848b3b46dbf1056.webp###

Activos Cripto y la relación con la IA

La tecnología de blockchain se ha beneficiado del desarrollo de tecnologías como las pruebas de cero conocimiento, evolucionando hacia ideas de descentralización y desconfianza. Desde un punto de vista esencial, toda la red de blockchain es una red de valor, donde cada transacción es una conversión de valor basada en un token subyacente. La economía de tokens define el valor relativo del token nativo de la red de liquidación del ecosistema (.

La economía de los tokens puede otorgar valor a cualquier innovación y existencia, ya sea una idea o una creación física. Este medio de redefinición y descubrimiento de valor es crucial para la industria de la IA. Emitir tokens en la cadena de valor de la IA permite la reestructuración del valor en cada etapa, incentivando a más personas a profundizar en nichos específicos de la industria de la IA. Los tokens también pueden retroalimentar el ecosistema, promoviendo el nacimiento de ciertas filosofías.

Las características de inmutabilidad y de confianza mínima de la blockchain también tienen un significado práctico en la industria de la IA, permitiendo la implementación de aplicaciones que requieren confianza. Por ejemplo, asegurar que el modelo no conozca el contenido específico de los datos del usuario al utilizar estos datos, no filtre información y devuelva resultados de inferencia verídicos. Cuando hay escasez de GPU, se pueden distribuir a través de la red blockchain; cuando las GPU son actualizadas, las GPU inactivas pueden contribuir con su potencia de cálculo a la red, revalorizándose.

![Nuevos Conocimientos丨AI x Cripto: De cero a la cima])https://img-cdn.gateio.im/webp-social/moments-c8845a5920048e7c821c939e2d8304e7.webp(

Activos Cripto industria AI proyectos relacionados visión general

) lado de suministro de GPU

En la cadena de suministro de IA en la industria de Activos Cripto, el suministro de potencia de cálculo es el eslabón más importante. Actualmente, los proyectos con fundamentos sólidos son Render, que se utiliza principalmente para tareas de renderizado de video que no son de grandes modelos.

Predicción de la industria: se espera que la demanda de potencia de cálculo de GPU alcance aproximadamente 75 mil millones de dólares en 2024, y que llegue a 773 mil millones de dólares para 2032, con una tasa de crecimiento anual compuesta de aproximadamente 33.86%. Con la explosión del mercado de GPU y el impacto de la ley de Moore, en el futuro se formarán muchas GPU que no son de las últimas generaciones, y estas GPU inactivas podrán seguir teniendo valor en la red compartida.

ancho de banda de hardware

El ancho de banda suele ser el principal factor que afecta el tiempo de entrenamiento de grandes modelos, especialmente en el ámbito de la computación en la nube en cadena. Sin embargo, el ancho de banda compartido puede ser un concepto engañoso, ya que para los clústeres de computación de alto rendimiento, los datos se almacenan principalmente en nodos locales, mientras que en el ancho de banda compartido, los datos se almacenan a una cierta distancia, y la latencia causada por las diferencias de ubicación geográfica será mucho mayor que el almacenamiento local.

datos

Los proyectos de provisión de datos AI en la industria de Activos Cripto actualmente en línea incluyen EpiK Protocol, Synesis One, Masa, entre otros. En comparación con las empresas de datos tradicionales, los proveedores de datos Web3 tienen una ventaja en la recolección de datos, ya que los individuos pueden contribuir con datos no privados ( e incluso contribuir con datos privados ) a través de la tecnología de pruebas de conocimiento cero. Esto amplía el alcance de los proyectos, no solo dirigidos a empresas, sino que también permite la fijación de precios de datos para cualquier usuario.

![Nuevo conocimiento丨AI x Crypto：de cero a la cima]###https://img-cdn.gateio.im/webp-social/moments-b97be5c0fd9efe0b79e2e6fcd4493212.webp(

) ZKML( aprendizaje automático de conocimiento cero)

Para lograr el cálculo y entrenamiento de datos en privado, la industria utiliza principalmente soluciones de prueba de conocimiento cero, utilizando tecnología de encriptación homomórfica para realizar inferencias fuera de la cadena y luego subir los resultados junto con la prueba de conocimiento cero a la cadena. Esto garantiza tanto la privacidad de los datos como una inferencia eficiente y de bajo costo.

Además de los proyectos de entrenamiento y razonamiento fuera de la cadena centrados en el campo de la IA, hay algunos proyectos de conocimiento cero de tipo general, como Axiom, Risc Zero, Ritual, etc., que pueden proporcionar pruebas de conocimiento cero para cualquier cálculo y dato fuera de la cadena, con un límite de aplicación más amplio.

![Nuevos conocimientos丨AI x Crypto: De cero a la cima]###https://img-cdn.gateio.im/webp-social/moments-a732f2716e6ef577c2e5817efcec3546.webp(

) Aplicaciones de IA

La aplicación de la IA en la industria de Activos Cripto es similar a la de la industria tradicional de IA, la mayoría se encuentra en la etapa de construcción de infraestructura, y el desarrollo de aplicaciones en el sector inferior es relativamente débil. Este tipo de aplicaciones de IA + blockchain son más bien aplicaciones tradicionales de blockchain sumadas a capacidades de automatización y generalización, como los Agentes de IA que pueden ejecutar transacciones DeFi óptimas o rutas de préstamos según las necesidades del usuario.

Fetch.AI es un proyecto representativo de Agentes de IA. Define un Agente de IA como "un programa que se ejecuta por sí mismo en una red blockchain, que puede conectar, buscar