Fusion de l'IA et des cryptoactifs : de zéro au sommet

Les technologies d'intelligence artificielle ont réalisé des progrès révolutionnaires ces dernières années, étant considérées par certains comme la quatrième révolution industrielle. L'émergence de grands modèles linguistiques a considérablement amélioré l'efficacité dans divers secteurs, et le Boston Consulting Group estime que GPT a permis aux États-Unis d'augmenter d'environ 20 % leur efficacité au travail. En même temps, la capacité de généralisation des grands modèles est considérée comme un nouveau paradigme de conception logicielle, différent de la programmation traditionnelle précise, car la conception logicielle actuelle intègre davantage le cadre de grands modèles généralisés dans les logiciels, leur permettant d'avoir de meilleures performances et un support d'entrée/sortie modal plus large. Les technologies d'apprentissage profond ont effectivement apporté un nouvel essor à l'industrie de l'IA, et cette vague s'est également étendue au secteur des Cryptoactifs.

L'évolution de l'industrie de l'IA

L'industrie de l'IA a débuté dans les années 1950. Pour réaliser la vision de l'intelligence artificielle, le milieu académique et l'industrie ont développé diverses écoles de pensée pour réaliser l'intelligence artificielle à différentes époques et sur la base de différents domaines de spécialisation.

Les technologies modernes de l'intelligence artificielle reposent principalement sur des méthodes d'"apprentissage automatique", dont le principe est de permettre aux machines d'améliorer les performances du système en s'appuyant sur des données et en itérant sur les tâches. Les principales étapes comprennent : l'entrée des données dans l'algorithme, l'entraînement du modèle avec les données, le test et le déploiement du modèle, et l'utilisation du modèle pour effectuer des tâches de prédiction automatisée.

Actuellement, il existe trois grandes écoles de pensée en apprentissage automatique : le connexionnisme, le symbolisme et le behaviorisme, qui imitent respectivement le système nerveux, la pensée et le comportement humains. Le connexionnisme, représenté par les réseaux de neurones, est dominant ( et est également appelé apprentissage profond ). L'architecture des réseaux de neurones comprend une couche d'entrée, une couche de sortie et plusieurs couches cachées. Lorsque le nombre de couches et le nombre de neurones ( sont suffisamment nombreux, cela permet d'adapter des tâches générales complexes. En ajustant continuellement les paramètres des neurones grâce à l'entrée de données, les neurones atteindront finalement un état optimal ) paramètres (.

Les technologies d'apprentissage profond ont également connu de nombreuses itérations et évolutions, des premiers réseaux neuronaux aux réseaux de neurones à propagation avant, RNN, CNN, GAN, jusqu'à l'émergence des grands modèles modernes comme ceux utilisant la technologie Transformer, telle que GPT. La technologie Transformer n'est qu'une direction d'évolution des réseaux neuronaux, ajoutant un convertisseur pour encoder diverses modalités ) telles que l'audio, la vidéo, les images, etc. ( en représentations numériques correspondantes, puis en les introduisant dans le réseau neuronal, permettant au réseau neuronal de s'adapter à tout type de données et d'atteindre le multi-modal.

![Nouvelle compréhension丨AI x Crypto : de zéro au sommet])https://img-cdn.gateio.im/webp-social/moments-c50ee5a87373c6cd6c4dc63adc2cf47c.webp(

Le développement de l'IA a connu trois vagues technologiques :

1. Dans les années 1960, la première vague causée par le développement des technologies symbolistes a résolu les problèmes de traitement du langage naturel et de dialogue homme-machine. À la même époque, les systèmes experts ont vu le jour.

2. En 1997, Deep Blue d'IBM a vaincu le champion d'échecs Garry Kasparov, marquant le deuxième sommet de la technologie IA.

3. En 2006, le concept d'apprentissage profond a été proposé, déclenchant la troisième vague technologique. Les algorithmes d'apprentissage profond ont progressivement évolué, passant des RNN, GAN aux Transformateurs et à la Diffusion Stable, façonnant l'âge d'or du connexionnisme.

![Nouveau Guide丨IA x Crypto : De zéro au sommet])https://img-cdn.gateio.im/webp-social/moments-0c9bdea33a39a2c07d1f06760ed7e804.webp(

Chaîne de valeur de l'apprentissage profond

Les modèles de langage à grande échelle adoptent généralement 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'intelligence artificielle, attirant de nombreux acteurs dans ce domaine, avec une demande croissante sur le marché pour des données et de la puissance de calcul. Par conséquent, nous nous concentrons sur la chaîne de valeur des algorithmes d'apprentissage profond, en analysant comment les secteurs en amont et en aval sont constitués dans l'industrie de l'IA dominée par l'apprentissage profond, ainsi que l'état, les relations d'offre et de demande et le développement futur de ces secteurs.

L'entraînement des modèles de langage comme GPT, basé sur la technologie Transformer, se divise principalement en trois étapes : )LLMs(

1. Pré-entraînement : Entrer un grand nombre de paires de données pour trouver les meilleurs paramètres des différents neurones du modèle. C'est le processus le plus exigeant en termes de puissance de calcul et nécessite de nombreuses itérations pour essayer différents paramètres.

2. Ajustement : utiliser une petite quantité de données de haute qualité pour entraîner, améliorer la qualité de sortie du modèle.

3. Apprentissage par renforcement : établir un "modèle de récompense" pour classer les résultats de sortie du grand modèle, utilisé pour l'itération automatique des paramètres du grand modèle. Parfois, une intervention humaine est également nécessaire pour évaluer la qualité de la sortie du modèle.

Les trois principaux facteurs influençant la performance des grands modèles sont le nombre de paramètres, la quantité et la qualité des données, et la puissance de calcul. Ces trois éléments ont donné naissance à toute une chaîne industrielle.

![Nouvelle introduction丨IA x Crypto : De zéro au sommet])https://img-cdn.gateio.im/webp-social/moments-609c5dd6ee0abcec6bf9c118d7741867.webp(

) fournisseur de GPU matériel

Actuellement, Nvidia est en position de leader absolu dans le domaine de la conception de puces GPU AI. Le monde académique utilise principalement des GPU grand public ### tels que la série RTX (, tandis que l'industrie utilise principalement des puces comme H100, A100, etc., pour la commercialisation de grands modèles.

En 2023, dès sa sortie, la dernière puce H100 de Nvidia a été commandée en grande quantité par plusieurs entreprises. La demande mondiale pour la puce H100 dépasse largement l'offre, avec un délai de livraison atteignant 52 semaines. Pour se libérer de la dépendance à Nvidia, Google a pris l'initiative de créer l'alliance CUDA avec Intel, Qualcomm, Microsoft, Amazon et d'autres entreprises pour développer ensemble des GPU.

![Nouvelle introduction丨IA x Crypto : de zéro au sommet])https://img-cdn.gateio.im/webp-social/moments-f37fb0100218188368f4d31940aab2a3.webp(

) fournisseur de services cloud

Les fournisseurs de services cloud, après avoir acheté suffisamment de GPU pour constituer des clusters de calcul haute performance, offrent des solutions de puissance de calcul élastique et de formation hébergée aux entreprises d'IA à budget limité. Actuellement, le marché se divise principalement en trois types de fournisseurs de puissance de calcul cloud :

1. Les plateformes de calcul cloud à grande échelle représentées par des fournisseurs de cloud traditionnels comme AWS, Google Cloud, Azure ###

2. Plateforme de cloud computing à puissance de calcul vertical, principalement conçue pour l'IA ou le calcul haute performance.

3. Les nouveaux fournisseurs de services de raisonnement, principalement pour déployer des modèles pré-entraînés pour les clients et effectuer des ajustements ou des inférences.

( fournisseur de base de données

Pour les tâches d'inférence et d'entraînement en profondeur des données AI, l'industrie utilise principalement des "bases de données vectorielles". Les bases de données vectorielles permettent de stocker, gérer et indexer efficacement d'énormes quantités de données vectorielles de haute dimension, en stockant les données non structurées sous forme de "vecteurs".

Les principaux acteurs incluent Chroma, Zilliz, Pinecone, Weaviate, etc. Avec l'augmentation de la demande en données et l'émergence de modèles et d'applications de grande taille dans différents domaines, la demande pour les bases de données vectorielles augmentera considérablement.

![Nouvelle introduction丨IA x Crypto : de zéro au sommet])https://img-cdn.gateio.im/webp-social/moments-53c48daf49a3dbb35c1a2b47e234f180.webp###

( dispositifs périphériques

Lors de la constitution d'un cluster de calcul haute performance GPU, une grande quantité d'énergie est consommée et de la chaleur est générée. Pour garantir le fonctionnement continu du cluster, des dispositifs périphériques tels que des systèmes de refroidissement sont nécessaires.

En matière d'approvisionnement énergétique, l'électricité est principalement utilisée. Les centres de données et les réseaux de soutien représentent actuellement 2 à 3 % de la consommation mondiale d'électricité. BCG prévoit qu'en 2030, la consommation d'électricité pour l'entraînement de grands modèles triplera.

En matière de dissipation thermique, le refroidissement par air est actuellement prédominant, mais les systèmes de refroidissement par liquide font l'objet de lourds investissements. Le refroidissement par liquide se divise principalement en trois types : refroidissement par plaques, immersion et pulvérisation.

![Nouvelle introduction丨IA x Crypto : de zéro au sommet])https://img-cdn.gateio.im/webp-social/moments-250a286e79261e91a0e7ac4941ff5c76.webp###

( applications AI

Le développement actuel des applications d'IA est similaire à celui de l'industrie de la blockchain, l'infrastructure est très saturée, mais le développement d'applications est relativement en retard. La plupart des applications d'IA avec le plus grand nombre d'utilisateurs actifs sont principalement des applications de recherche, et leur type est assez unique.

Le taux de rétention des utilisateurs des applications d'IA est généralement inférieur à celui des applications Internet traditionnelles. En ce qui concerne la proportion d'utilisateurs actifs, la médiane du DAU/MAU des logiciels Internet traditionnels est de 51%, tandis que celle des applications d'IA n'atteint tout au plus que 41%. En matière de taux de rétention des utilisateurs, la médiane des dix premiers logiciels Internet traditionnels est de 63%, tandis que le taux de rétention de ChatGPT n'est que de 56%.

![Nouveaux utilisateurs丨IA x Crypto : de zéro au sommet])https://img-cdn.gateio.im/webp-social/moments-8358c377eb2c07467848b3b46dbf1056.webp###

Cryptoactifs et la relation avec l'IA

La technologie de la blockchain a bénéficié du développement de technologies telles que les preuves à divulgation nulle de connaissance, évoluant vers des concepts de décentralisation et de confiance. En essence, l'ensemble du réseau blockchain est un réseau de valeur, chaque transaction étant une conversion de valeur basée sur le jeton sous-jacent. L'économie des jetons définit la valeur relative du jeton natif du réseau de règlement de l'écosystème ( ).

L'économie des jetons peut conférer de la valeur à toute innovation et existence, qu'il s'agisse d'idées ou de créations matérielles. Ce moyen de redéfinir et de découvrir la valeur est également crucial pour l'industrie de l'IA. L'émission de jetons dans la chaîne de valeur de l'IA permet de remodeler la valeur à chaque étape, incitant davantage de personnes à se plonger dans les niches de l'industrie de l'IA. Les jetons peuvent également nourrir l'écosystème, favorisant la naissance de certaines philosophies.

Les caractéristiques d'immutabilité et de confiance zéro de la blockchain ont également une signification pratique dans l'industrie de l'IA, permettant la mise en œuvre de certaines applications nécessitant de la confiance. Par exemple, garantir que le modèle ne connaît pas le contenu précis des données lors de l'utilisation des données des utilisateurs, ne divulgue pas les données et renvoie de véritables résultats d'inférence. Lorsque l'approvisionnement en GPU est insuffisant, il peut être distribué via un réseau blockchain; lorsque les GPU sont itérés, les GPU inactifs peuvent contribuer à la puissance de calcul du réseau, retrouvant ainsi leur valeur.

Aperçu des projets liés à l'IA dans l'industrie des cryptoactifs

( côté d'offre de GPU

Dans la chaîne de valeur de l'IA dans l'industrie des Cryptoactifs, l'offre de puissance de calcul est le maillon le plus important. Actuellement, les projets avec de bonnes fondamentaux sont Render, principalement utilisés pour des tâches de rendu vidéo qui ne concernent pas les grands modèles.

Prévisions sectorielles : la demande en puissance de calcul GPU devrait atteindre environ 75 milliards de dollars en 2024, et atteindra 773 milliards de dollars d'ici 2032, avec un taux de croissance annuel composé d'environ 33,86 %. Avec l'explosion du marché des GPU et l'influence de la loi de Moore, un grand nombre de GPU non les plus récents vont apparaître à l'avenir, et ces GPU inactifs pourront continuer à avoir de la valeur dans un réseau partagé.

![Nouveaux venus : AI x Crypto : de zéro au sommet])https://img-cdn.gateio.im/webp-social/moments-2ed56db6cae1b0206e8e0daa9b1892fd.webp###

( bande passante matérielle

La bande passante est souvent le principal facteur influençant le temps d'entraînement des grands modèles, en particulier dans le domaine du cloud computing sur blockchain. Cependant, la bande passante partagée peut être un concept trompeur, car pour les clusters de calcul haute performance, les données sont principalement stockées sur des nœuds locaux, tandis que dans la bande passante partagée, les données sont stockées à une certaine distance, et la latence due aux différences de localisation géographique sera bien supérieure à celle du stockage local.

![Nouvelle vulgarisation丨IA x Crypto : de zéro au sommet])https://img-cdn.gateio.im/webp-social/moments-c733612f35e5a4a21d8d39a0a77f85b8.webp###

( données

Les projets de fourniture de données AI dans le secteur des Cryptoactifs actuellement en ligne incluent EpiK Protocol, Synesis One, Masa, etc. Par rapport aux entreprises de données traditionnelles, les fournisseurs de données Web3 ont un avantage dans la collecte de données, car les individus peuvent contribuer des données non privées ) et même contribuer des données privées ### grâce à la technologie de preuve à connaissance nulle. Cela élargit la portée des projets, qui s'adressent non seulement aux entreprises, mais aussi à la tarification des données pour tout utilisateur.

( ZKML) apprentissage automatique sans connaissance###

Pour réaliser le calcul et l'entraînement de la confidentialité des données, l'industrie utilise principalement des solutions de preuve à divulgation nulle de connaissance, en utilisant la technologie de chiffrement homomorphe pour effectuer des inférences hors chaîne, puis en téléchargeant les résultats et les preuves à divulgation nulle de connaissance sur la chaîne. Cela garantit à la fois la confidentialité des données et permet une inférence efficace et à faible coût.

En plus des projets de formation et d'inférence hors chaîne axés sur l'IA, il existe également des projets de preuve à connaissance nulle polyvalents, tels qu'Axiom, Risc Zero, Ritual, etc., qui peuvent fournir des preuves à connaissance nulle pour tout calcul hors chaîne et données, élargissant ainsi les frontières d'application.

( applications d'IA

L'application de l'IA dans l'industrie des Cryptoactifs est similaire à celle de l'industrie traditionnelle de l'IA, la plupart étant à un stade de construction d'infrastructure, avec un développement des applications en aval relativement faible. Ce type d'application IA + blockchain est davantage une combinaison d'applications blockchain traditionnelles avec des capacités d'automatisation et de généralisation, par exemple, un Agent IA peut exécuter le chemin de trading ou de prêt DeFi optimal en fonction des besoins de l'utilisateur.

Fetch.AI est un projet représentatif d'agent IA. Il définit un agent IA comme "un programme qui fonctionne de manière autonome sur un réseau blockchain, capable de se connecter, de rechercher