AI dan Aset Kripto: Dari Nol ke Puncak

Teknologi kecerdasan buatan telah mencapai kemajuan yang luar biasa dalam beberapa tahun terakhir, dan dianggap oleh sebagian orang sebagai revolusi industri keempat. Munculnya model bahasa besar secara signifikan meningkatkan efisiensi di berbagai sektor, dan Boston Consulting Group memperkirakan bahwa GPT telah meningkatkan sekitar 20% efisiensi kerja di Amerika Serikat. Selain itu, kemampuan generalisasi model besar dianggap sebagai paradigma desain perangkat lunak baru, berbeda dengan penulisan kode yang tepat secara tradisional, di mana desain perangkat lunak saat ini lebih banyak mengintegrasikan kerangka model besar yang digeneralisasi ke dalam perangkat lunak, sehingga perangkat lunak memiliki kinerja yang lebih baik dan mendukung lebih banyak input/output modal yang lebih luas. Teknologi pembelajaran mendalam memang telah membawa putaran baru kemakmuran bagi industri AI, dan gelombang ini juga menjangkau industri Aset Kripto.

Perkembangan Industri AI

Industri AI dimulai pada tahun 1950-an, untuk mewujudkan visi kecerdasan buatan, akademisi dan industri pada berbagai periode berdasarkan latar belakang disiplin ilmu yang berbeda, mengembangkan berbagai aliran untuk mewujudkan kecerdasan buatan.

Teknologi kecerdasan buatan modern terutama menggunakan metode "pembelajaran mesin", yang prinsipnya adalah membiarkan mesin bergantung pada data untuk berulang kali beriterasi dalam tugas untuk meningkatkan kinerja sistem. Langkah-langkah utama meliputi: memasukkan data ke dalam algoritma, melatih model dengan data, menguji model yang diterapkan, menggunakan model untuk menyelesaikan tugas prediksi otomatis.

Saat ini, ada tiga aliran utama dalam pembelajaran mesin: koneksionisme, simbolisme, dan behaviorisme, yang masing-masing meniru sistem saraf, pemikiran, dan perilaku manusia. Koneksionisme yang diwakili oleh jaringan saraf mengambil alih, juga dikenal sebagai pembelajaran mendalam. Arsitektur jaringan saraf mencakup satu lapisan input, satu lapisan output, dan beberapa lapisan tersembunyi. Ketika jumlah lapisan dan neuron cukup banyak, jaringan saraf dapat menyesuaikan tugas umum yang kompleks. Dengan terus menyesuaikan parameter neuron melalui input data, akhirnya neuron akan mencapai kondisi optimal.

Teknologi pembelajaran mendalam juga telah mengalami beberapa iterasi dan evolusi, mulai dari jaringan saraf awal, hingga jaringan saraf feedforward, RNN, CNN, GAN, dan akhirnya berkembang menjadi model besar modern seperti teknologi Transformer yang digunakan oleh GPT. Teknologi Transformer hanyalah salah satu arah evolusi jaringan saraf, yang menambahkan sebuah konverter, digunakan untuk mengkodekan berbagai moda ( seperti audio, video, gambar, dll ) menjadi representasi numerik yang sesuai, kemudian dimasukkan ke dalam jaringan saraf, sehingga jaringan saraf dapat menyesuaikan dengan segala jenis data, mewujudkan multimodal.

Perkembangan AI telah melalui tiga gelombang teknologi:

1. Pada tahun 1960-an, gelombang pertama yang disebabkan oleh perkembangan teknologi simbolisme menyelesaikan masalah pemrosesan bahasa alami yang umum dan dialog antara manusia dan mesin. Pada waktu yang sama, sistem pakar lahir.

2. Pada tahun 1997, IBM Deep Blue mengalahkan juara catur Kasparov, menandai puncak kedua teknologi AI.

3. Pada tahun 2006, konsep pembelajaran mendalam diajukan, memicu gelombang teknologi ketiga. Algoritma pembelajaran mendalam secara bertahap berkembang, dari RNN, GAN hingga Transformer dan Stable Diffusion, membentuk masa kejayaan koneksionisme.

Rantai Industri Pembelajaran Dalam

Model bahasa besar saat ini umumnya menggunakan metode pembelajaran mendalam berbasis jaringan saraf. Model besar yang dipimpin oleh GPT telah memicu gelombang baru dalam kecerdasan buatan, dengan banyak pemain memasuki jalur ini, dan permintaan pasar akan data dan kekuatan komputasi meningkat pesat. Oleh karena itu, kami fokus pada membahas rantai industri dari algoritma pembelajaran mendalam, menganalisis bagaimana hulu dan hilir terbentuk dalam industri AI yang didominasi oleh pembelajaran mendalam, serta keadaan terkini, hubungan penawaran dan permintaan, dan perkembangan masa depan dari hulu dan hilir.

Pelatihan model bahasa besar seperti GPT yang berbasis teknologi Transformer ( LLMs ) dibagi menjadi tiga langkah utama:

1. Pra-pelatihan: Memasukkan pasangan data yang besar untuk mencari parameter terbaik dari setiap neuron model. Ini adalah proses yang paling memakan daya komputasi, memerlukan iterasi berulang untuk mencoba berbagai parameter.

2. Fine-tuning: Menggunakan data berkualitas tinggi dalam jumlah kecil untuk melatih, meningkatkan kualitas output model.

3. Pembelajaran Penguatan: Membangun "model penghargaan" untuk mengurutkan hasil keluaran model besar, digunakan untuk iterasi otomatis parameter model besar. Terkadang juga diperlukan keterlibatan manusia untuk menilai kualitas keluaran model.

Tiga faktor utama yang mempengaruhi kinerja model besar adalah jumlah parameter, jumlah dan kualitas data, serta daya komputasi. Ketiga elemen ini melahirkan seluruh rantai industri.

( penyedia GPU perangkat keras

Saat ini Nvidia berada pada posisi terdepan yang mutlak dalam desain chip GPU AI. Dunia akademis terutama menggunakan GPU konsumen seperti seri RTX ), sementara industri lebih banyak menggunakan chip H100, A100, dan lainnya untuk komersialisasi model besar.

Pada tahun 2023, chip H100 terbaru dari Nvidia segera mendapatkan banyak pesanan dari berbagai perusahaan setelah dirilis. Permintaan global untuk chip H100 jauh melebihi pasokan, dengan siklus pengiriman telah mencapai 52 minggu. Untuk mengurangi ketergantungan pada Nvidia, Google memimpin pembentukan Aliansi CUDA bersama Intel, Qualcomm, Microsoft, Amazon, dan perusahaan lainnya untuk bersama-sama mengembangkan GPU.

( Penyedia Layanan Cloud

Penyedia layanan awan setelah membeli cukup GPU untuk membangun kluster komputasi berkinerja tinggi, menyediakan daya komputasi fleksibel dan solusi pelatihan terkelola untuk perusahaan AI dengan dana terbatas. Saat ini, pasar terbagi menjadi tiga jenis penyedia daya komputasi awan:

1. Platform cloud computing skala besar yang diwakili oleh penyedia cloud tradisional seperti AWS, Google Cloud, Azure)

2. Platform cloud computing kekuatan vertikal, dirancang terutama untuk AI atau komputasi berkinerja tinggi

3. Penyedia layanan inferensi yang muncul, terutama untuk menerapkan model yang telah dilatih sebelumnya kepada klien dan melakukan penyesuaian atau inferensi.

![Pemula Pengetahuan丨AI x Krypto: Dari Nol ke Puncak]###https://img-cdn.gateio.im/webp-social/moments-8848582a34ba293d15afae15d90e3c95.webp(

) penyedia basis data

Untuk tugas pelatihan dan inferensi data AI serta pembelajaran mendalam, industri utama menggunakan "basis data vektor". Basis data vektor dapat menyimpan, mengelola, dan mengindeks data vektor berdimensi tinggi dalam jumlah besar dengan efisien, menyimpan data tidak terstruktur dalam bentuk "vektor" secara terpadu.

Pemain utama termasuk Chroma, Zilliz, Pinecone, Weaviate, dan lainnya. Seiring dengan meningkatnya permintaan data dan munculnya model besar serta aplikasi di berbagai bidang, permintaan untuk basis data vektor akan meningkat secara signifikan.

perangkat tepi

Saat membangun kluster komputasi berkinerja tinggi GPU, akan mengkonsumsi banyak energi dan menghasilkan panas. Untuk memastikan kluster beroperasi terus-menerus, diperlukan perangkat tepi seperti sistem pendingin.

Dalam hal pasokan energi, terutama menggunakan energi listrik. Pusat data dan jaringan pendukung saat ini menyerap 2%-3% dari konsumsi listrik global. BCG memperkirakan bahwa pada tahun 2030, konsumsi listrik untuk melatih model besar akan meningkat tiga kali lipat.

Dalam hal pendinginan, saat ini menggunakan pendinginan udara sebagai utama, tetapi sistem pendinginan cair sedang mendapat investasi besar. Pendinginan cair terutama dibagi menjadi tiga jenis: pendinginan dengan pelat dingin, pendinginan dengan perendaman, dan pendinginan dengan semprotan.

( aplikasi AI

Saat ini, perkembangan aplikasi AI mirip dengan industri blockchain, infrastruktur sangat padat, tetapi pengembangan aplikasi relatif tertinggal. Aplikasi AI yang paling banyak memiliki pengguna aktif saat ini sebagian besar adalah aplikasi pencarian, dengan jenis yang cukup tunggal.

Tingkat retensi pengguna aplikasi AI umumnya lebih rendah dibandingkan aplikasi internet tradisional. Dalam hal proporsi pengguna aktif, median DAU/MAU perangkat lunak internet tradisional adalah 51%, sementara aplikasi AI tertinggi hanya 41%. Dalam hal tingkat retensi pengguna, median dari sepuluh perangkat lunak internet tradisional adalah 63%, sedangkan tingkat retensi ChatGPT hanya 56%.

![新人科普丨AI x Crypto：从零到巅峰])https://img-cdn.gateio.im/webp-social/moments-8358c377eb2c07467848b3b46dbf1056.webp###

Aset Kripto dan Hubungannya dengan AI

Teknologi blockchain mendapatkan manfaat dari perkembangan teknologi seperti bukti nol pengetahuan, yang telah berevolusi menjadi pemikiran desentralisasi dan tanpa kepercayaan. Secara esensial, seluruh jaringan blockchain adalah jaringan nilai, di mana setiap transaksi merupakan konversi nilai yang berbasis pada token dasar. Ekonomi token mengatur nilai relatif dari token asli jaringan penyelesaian ekosistem ( ).

Ekonomi token dapat memberikan nilai pada setiap inovasi dan eksistensi, baik itu ide maupun kreasi fisik. Cara redefinisi dan penemuan nilai ini juga sangat penting bagi industri AI. Menerbitkan token dalam rantai industri AI dapat memungkinkan setiap tahap untuk melakukan perombakan nilai, mendorong lebih banyak orang untuk mendalami segmen industri AI. Token juga dapat memberikan manfaat kembali ke ekosistem, mendorong lahirnya beberapa pemikiran filosofis.

Karakteristik blockchain yang tidak dapat diubah dan tanpa kepercayaan juga memiliki makna praktis dalam industri AI, dapat mewujudkan beberapa aplikasi yang memerlukan kepercayaan. Misalnya, memastikan model tidak mengetahui konten data spesifik saat menggunakan data pengguna, tidak membocorkan data, dan mengembalikan hasil inferensi yang nyata. Ketika pasokan GPU tidak mencukupi, distribusi dapat dilakukan melalui jaringan blockchain; ketika GPU diiterasi, GPU yang tidak terpakai dapat menyumbangkan daya komputasi ke jaringan, mengembalikan nilai.

![Pengenalan untuk Pemula丨AI x Aset Kripto: Dari Nol ke Puncak]###https://img-cdn.gateio.im/webp-social/moments-c8845a5920048e7c821c939e2d8304e7.webp(

Ikhtisar Proyek Terkait AI dalam Industri Aset Kripto

) sisi pasokan GPU

Dalam rantai industri AI di industri Aset Kripto, pasokan daya komputasi adalah bagian terpenting. Saat ini, proyek dengan fundamental yang baik adalah Render, yang terutama digunakan untuk tugas rendering video yang bukan model besar.

Prediksi industri menunjukkan bahwa permintaan daya GPU pada tahun 2024 akan sekitar 75 miliar USD, dan akan mencapai 773 miliar USD pada tahun 2032, dengan laju pertumbuhan tahunan majemuk sekitar 33,86%. Dengan meledaknya pasar GPU dan pengaruh hukum Moore, akan ada banyak GPU generasi sebelumnya yang tidak lagi terbaru, dan GPU yang tidak terpakai ini dapat terus memberikan nilai dalam jaringan berbagi.

![Pengantar untuk Pemula丨AI x Aset Kripto: Dari Nol ke Puncak]###https://img-cdn.gateio.im/webp-social/moments-2ed56db6cae1b0206e8e0daa9b1892fd.webp(

) bandwidth perangkat keras

Bandwidth seringkali menjadi faktor utama yang mempengaruhi waktu pelatihan model besar, terutama di bidang komputasi awan di blockchain. Namun, bandwidth yang dibagikan mungkin merupakan konsep palsu, karena untuk kluster komputasi berkinerja tinggi, data sebagian besar disimpan di node lokal, sementara data dalam bandwidth yang dibagikan disimpan di jarak tertentu, dan latensi yang disebabkan oleh perbedaan lokasi geografis akan jauh lebih tinggi dibandingkan penyimpanan lokal.

( data

Proyek penyedia data AI di industri Aset Kripto yang saat ini diluncurkan termasuk EpiK Protocol, Synesis One, Masa, dan lainnya. Dibandingkan dengan perusahaan data tradisional, penyedia data Web3 memiliki keunggulan dalam pengumpulan data, karena individu dapat menyumbangkan data non-privasi ) bahkan melalui teknologi bukti nol pengetahuan untuk menyumbangkan data privasi ###. Ini memperluas jangkauan proyek, tidak hanya ditujukan untuk perusahaan, tetapi juga untuk penentuan harga data dari pengguna mana pun.

ZKML( pembelajaran mesin tanpa pengetahuan)

Untuk mencapai perhitungan privasi data dan pelatihan, industri umumnya menggunakan skema bukti nol pengetahuan, menggunakan teknologi enkripsi homomorfik untuk melakukan inferensi di luar rantai, kemudian mengunggah hasil dan bukti nol pengetahuan ke dalam rantai. Ini tidak hanya menjamin privasi data, tetapi juga mewujudkan inferensi yang efisien dan biaya rendah.

Selain fokus pada proyek pelatihan dan inferensi off-chain di bidang AI, ada juga beberapa proyek zero-knowledge umum, seperti Axiom, Risc Zero, Ritual, dan lainnya, yang dapat memberikan bukti zero-knowledge untuk perhitungan dan data off-chain, dengan batasan aplikasi yang lebih luas.

![Pemula Pendidikan丨AI x Aset Kripto：Dari Nol ke Puncak]###https://img-cdn.gateio.im/webp-social/moments-a732f2716e6ef577c2e5817efcec3546.webp(

) aplikasi AI

Aplikasi AI di industri Aset Kripto mirip dengan industri AI tradisional, sebagian besar berada pada tahap pembangunan infrastruktur, dan pengembangan aplikasi hulu relatif lemah. Aplikasi AI+Blockchain semacam ini lebih merupakan aplikasi Blockchain tradisional ditambah dengan kemampuan otomatisasi dan generalisasi, seperti AI Agent yang dapat melakukan transaksi DeFi atau jalur pinjaman yang optimal sesuai dengan kebutuhan pengguna.

Fetch.AI adalah proyek AI Agent yang representatif. Ini mendefinisikan AI Agent sebagai "sebuah program yang berjalan sendiri di jaringan blockchain, dapat menghubungkan, mencari