AI x Crypto: dari nol ke puncak

Pendahuluan

Industri kecerdasan buatan baru-baru ini berkembang pesat dan dianggap sebagai revolusi industri keempat. Munculnya model bahasa besar secara signifikan meningkatkan efisiensi di berbagai sektor, diperkirakan meningkatkan sekitar 20% efisiensi kerja di Amerika Serikat. Kemampuan generalisasi model besar dianggap sebagai paradigma desain perangkat lunak yang baru, membuat perangkat lunak memiliki kinerja yang lebih baik dan mendukung input dan output yang lebih luas. Teknologi pembelajaran mendalam memang membawa gelombang kemakmuran baru bagi industri AI, dan gelombang ini juga memengaruhi industri cryptocurrency.

Laporan ini akan membahas secara rinci sejarah perkembangan industri AI, klasifikasi teknologi, serta dampak teknologi pembelajaran mendalam terhadap industri. Analisis mendalam mengenai status dan tren perkembangan rantai pasokan hulu dan hilir seperti GPU, komputasi awan, sumber data, dan perangkat tepi dalam pembelajaran mendalam. Secara esensial membahas hubungan antara cryptocurrency dan industri AI, serta merangkum pola rantai industri AI yang terkait dengan cryptocurrency.

Sejarah Perkembangan Industri AI

Industri AI dimulai dari tahun 1950-an, di mana dunia akademis dan industri, dalam latar belakang disiplin yang berbeda di berbagai era, telah mengembangkan berbagai aliran untuk mewujudkan kecerdasan buatan.

Teknologi kecerdasan buatan modern terutama menggunakan istilah "pembelajaran mesin", dengan konsep bahwa mesin bergantung pada data untuk berulang kali mengiterasi dalam tugas untuk meningkatkan kinerja sistem. Langkah utama adalah mengirimkan data ke algoritma, menggunakan data ini untuk melatih model, menguji model yang diterapkan, dan menggunakan model untuk menyelesaikan tugas prediksi otomatis.

Saat ini, ada tiga aliran utama dalam pembelajaran mesin, yaitu koneksionisme, simbolisme, dan behaviorisme, yang masing-masing meniru sistem saraf manusia, pemikiran, dan perilaku.

Saat ini, konektivisme yang diwakili oleh jaringan saraf mendominasi ( juga dikenal sebagai pembelajaran mendalam ), alasan utamanya adalah karena arsitektur ini memiliki satu lapisan input, satu lapisan output, tetapi memiliki beberapa lapisan tersembunyi. Begitu jumlah lapisan dan neuron ( serta parameter ) cukup banyak, akan ada cukup banyak kesempatan untuk menyesuaikan tugas umum yang kompleks. Melalui input data, parameter neuron dapat disesuaikan terus-menerus, dan akhirnya setelah beberapa kali pemrosesan data, neuron ini akan mencapai keadaan optimal ( parameter ), inilah yang disebut "kedalaman"—jumlah lapisan dan neuron yang cukup banyak.

Teknologi pembelajaran mendalam berbasis jaringan neural juga memiliki beberapa iterasi dan evolusi teknis, dari jaringan neural paling awal, ke jaringan neural feedforward, RNN, CNN, GAN, hingga akhirnya berevolusi menjadi model besar modern seperti GPT yang menggunakan teknologi Transformer. Teknologi Transformer hanyalah salah satu arah evolusi jaringan neural, yang menambahkan sebuah konverter untuk mengkodekan semua modal ( seperti audio, video, gambar, dll ) menjadi representasi numerik yang sesuai. Kemudian dimasukkan ke dalam jaringan neural, sehingga jaringan neural dapat mencocokkan jenis data apa pun dan mewujudkan multimodal.

Perkembangan AI telah mengalami tiga gelombang teknologi. Gelombang pertama terjadi pada tahun 1960-an, yang dipicu oleh perkembangan teknologi simbolis, menyelesaikan masalah pemrosesan bahasa alami secara umum dan dialog manusia-mesin. Gelombang kedua adalah pada tahun 1997, ketika IBM Deep Blue mengalahkan juara catur internasional, yang dianggap sebagai tonggak sejarah kecerdasan buatan. Gelombang ketiga terjadi pada tahun 2006 dengan pengenalan konsep pembelajaran mendalam, yang merupakan masa kejayaan koneksionisme.

Rantai industri pembelajaran mendalam

Model bahasa besar saat ini menggunakan metode pembelajaran mendalam berbasis jaringan saraf. Dengan GPT sebagai pelopor, model besar ini telah memicu gelombang antusiasme kecerdasan buatan, menarik banyak pemain ke dalam jalur ini, dan permintaan pasar untuk data serta daya komputasi meningkat pesat. Kami akan menjelajahi rantai industri algoritma pembelajaran mendalam, menganalisis komposisi hulu dan hilir, keadaan saat ini, serta hubungan penawaran dan permintaan, serta perkembangan di masa depan.

Pelatihan model besar LLM yang dipimpin oleh GPT yang berbasis teknologi Transformer( terutama dibagi menjadi tiga langkah:

1. Pra-pelatihan: Mencari parameter terbaik untuk neuron model melalui data yang besar, proses ini paling memakan daya komputasi.

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

3. Pembelajaran penguatan: Membangun model penghargaan untuk mengurutkan hasil keluaran, secara otomatis mengulangi parameter model besar.

![Pengantar untuk Pemula丨AI x Crypto: Dari Nol ke Puncak])https://img-cdn.gateio.im/webp-social/moments-8848582a34ba293d15afae15d90e3c95.webp(

Performa model besar ditentukan terutama oleh tiga aspek: jumlah parameter, jumlah dan kualitas data, serta daya komputasi. Misalkan jumlah parameter adalah p, jumlah data adalah n) dihitung berdasarkan jumlah Token(, kita dapat menggunakan aturan praktis untuk menghitung jumlah komputasi yang diperlukan, memperkirakan kebutuhan daya komputasi yang harus dibeli dan waktu pelatihan.

Kekuatan komputasi umumnya diukur dalam Flops, yang mewakili satu operasi titik mengambang. Berdasarkan pengalaman praktis, pelatihan model besar sekali membutuhkan sekitar 6np Flops. Inferensi ) data masukan menunggu output model besar ( membutuhkan sekitar 2np Flops.

Pada awalnya, dukungan daya komputasi diberikan menggunakan chip CPU, kemudian secara bertahap beralih ke GPU, seperti chip Nvidia A100, H100, dan lain-lain. GPU menjalankan operasi floating-point melalui modul Tensor Core, yang merupakan salah satu indikator utama dari chip.

Rantai industri pembelajaran mendalam terutama mencakup:

1. Penyedia GPU perangkat keras
2. Penyedia Layanan Cloud
3. Penyedia sumber data pelatihan
4. Penyedia database
5. Perangkat Edge
6. Aplikasi

![Pemula Pengetahuan丨AI x Crypto: Dari Nol ke Puncak])https://img-cdn.gateio.im/webp-social/moments-53c48daf49a3dbb35c1a2b47e234f180.webp(

Hubungan Crypto dan AI

Teknologi blockchain yang menggabungkan ZK berkembang menjadi pemikiran desentralisasi + ketidakpercayaan. Secara esensial, seluruh jaringan blockchain adalah jaringan nilai, setiap transaksi adalah konversi nilai yang berbasis pada token dasar. Ekonomi token menetapkan nilai relatif dari token asli jaringan, meskipun tidak dapat menetapkan harga untuk setiap dimensi, tetapi harga token mencerminkan nilai multidimensi.

Ekonomi token dapat memberikan nilai pada jaringan, fungsi, dan pemikiran, mengubah semua hal di dunia menjadi nilai. Metode redefinisi dan penemuan nilai ini juga sangat penting bagi industri AI. Menerbitkan token dalam rantai industri AI dapat memungkinkan semua pihak untuk melakukan restrukturisasi nilai, mendorong lebih banyak orang untuk mendalami berbagai jalur sub-sektor AI. Sementara itu, semua proyek akan mendapatkan keuntungan peningkatan modal, dan token juga dapat menguntungkan ekosistem untuk memfasilitasi kelahiran suatu pemikiran filosofis.

Karakteristik blockchain yang tidak dapat diubah dan tidak memerlukan kepercayaan juga memiliki arti praktis dalam industri AI, mampu mewujudkan beberapa aplikasi yang memerlukan kepercayaan. Ketika GPU tidak mencukupi, dapat didistribusikan melalui jaringan blockchain, GPU yang tidak terpakai juga dapat menyumbangkan daya komputasi ke jaringan untuk mengembalikan nilai.

Singkatnya, ekonomi token dapat mendorong restrukturisasi dan penemuan nilai, buku besar terdesentralisasi dapat menyelesaikan masalah kepercayaan, dan mengalirkan nilai kembali secara global.

![Pemula Populer丨AI x Crypto: Dari Nol ke Puncak])https://img-cdn.gateio.im/webp-social/moments-250a286e79261e91a0e7ac4941ff5c76.webp(

Tinjauan Proyek Terkait AI di Industri Crypto

1. Sisi pasokan GPU:

Proyek utama termasuk Render dan lain-lain. Render diluncurkan pada tahun 2020, terutama digunakan untuk tugas rendering video non-model besar. Sebagai proyek DePIN lama yang memiliki volume bisnis nyata, Render memang berhasil memanfaatkan angin segar AI/DePIN, tetapi secara ketat tidak dianggap sebagai bagian AI.

2. Bandwidth perangkat keras:

Proyek utama termasuk Meson Network dan lainnya. Namun, berbagi bandwidth mungkin merupakan konsep yang salah, karena data yang disimpan jauh akan menyebabkan keterlambatan, lebih baik daripada penyimpanan lokal.

3. Data:

Termasuk EpiK Protocol, Synesis One, Masa, dan lain-lain. Keunggulan penyedia data Web3 terletak pada sisi pengumpulan data, individu dapat menyumbangkan data dan mendapatkan penilaian. Penyedia data di arah ZK seperti Masa mungkin memiliki prospek pengembangan yang baik.

4. ZKML:

Menggunakan teknologi enkripsi homomorfik, melakukan inferensi data di luar rantai kemudian mengunggah hasil dan bukti ZK, memastikan privasi data dan efisiensi inferensi. Proyek utama termasuk Axiom, Risc Zero, Ritual, dan lainnya.

5. Aplikasi AI:

Saat ini, perkembangan masih relatif lemah. Utamanya adalah aplikasi blockchain tradisional + kemampuan otomatisasi dan generalisasi. AI Agent seperti Fetch.AI adalah contoh yang khas, dapat membantu pengguna dalam pengambilan keputusan kompleks di blockchain.

6. AI Public Chain:

Seperti Tensor, Allora, Hypertensor, AgentLayer, dan sebagainya, jaringan adaptif yang dirancang khusus untuk model AI atau agen.

![Pemula Populer丨AI x Crypto：Dari Nol ke Puncak])https://img-cdn.gateio.im/webp-social/moments-8358c377eb2c07467848b3b46dbf1056.webp(

Ringkasan

Perkembangan AI yang saat ini dikenal luas terutama didasarkan pada teknologi pembelajaran mendalam, tetapi ini tidak berarti semua arah perkembangan AI. Meskipun pembelajaran mendalam mungkin tidak dapat mencapai kecerdasan buatan umum, tetapi sudah ada skenario aplikasi praktis yang layak untuk digali secara rasional.

Blockchain dan ekonomi token memiliki dampak positif pada industri AI, dapat merombak nilai rantai industri, dan mendorong lebih banyak partisipasi. Teknologi blockchain juga dapat mewujudkan beberapa aplikasi AI yang memerlukan kepercayaan.

Kekurangan jaringan komputasi GPU terletak pada masalah bandwidth, kecepatan pelatihan yang lebih lambat, dan saat ini lebih cocok untuk model kecil yang tidak mendesak. Perusahaan menengah dan besar masih cenderung menggunakan platform cloud tradisional.

Secara keseluruhan, kombinasi AI dan cryptocurrency memiliki kegunaan praktis, ekonomi token dapat membentuk dan menemukan nilai yang lebih luas, buku besar terdesentralisasi dapat menyelesaikan masalah kepercayaan, mengalirkan nilai, dan menemukan nilai sisa.

![Pemula Populer丨AI x Crypto: Dari Nol ke Puncak])https://img-cdn.gateio.im/webp-social/moments-c8845a5920048e7c821c939e2d8304e7.webp(