Fusion de l'IA et de la Blockchain : un panorama de l'infrastructure aux applications
Le développement rapide de l'industrie de l'intelligence artificielle récemment a été considéré par certains comme le début de la quatrième révolution industrielle. L'émergence de modèles de langage de grande taille a considérablement amélioré l'efficacité dans divers secteurs, et selon une estimation de Boston Consulting Group, GPT a apporté environ 20 % d'amélioration de l'efficacité globale du travail aux États-Unis. En même temps, la capacité de généralisation des grands modèles est considérée comme un nouveau paradigme de conception logicielle. La conception logicielle passée consistait en un code précis, tandis que la conception logicielle actuelle implique davantage l'intégration de cadres de grands modèles avec une forte capacité de généralisation dans le logiciel, ce qui permet au logiciel d'avoir de meilleures performances et de prendre en charge une plus large gamme d'entrées et de sorties modales. La technologie d'apprentissage profond a effectivement apporté un nouveau cycle de prospérité à l'industrie de l'IA, et cette vague s'est progressivement étendue à l'industrie des crypto-monnaies.
L'évolution de l'industrie de l'IA
L'industrie de l'intelligence artificielle a commencé dans les années 1950. Pour réaliser la vision de l'intelligence artificielle, le milieu académique et l'industrie ont développé, à différentes époques et dans différents contextes disciplinaires, plusieurs écoles de pensée pour mettre en œuvre l'intelligence artificielle.
Les technologies modernes de l'intelligence artificielle utilisent principalement le terme "apprentissage automatique", dont le concept clé est de permettre aux machines d'itérer plusieurs fois sur des tâches en se basant sur des données afin d'améliorer les performances du système. Les étapes principales incluent l'entrée des données dans l'algorithme, l'entraînement du modèle avec ces données, le test et le déploiement du modèle, et enfin, l'utilisation du modèle pour réaliser des tâches de prédiction automatisées.
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. Parmi eux, le connexionnisme, représenté par les réseaux de neurones, domine actuellement et est également appelé apprentissage profond. Cette architecture 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 élevés, elle peut modéliser des tâches générales complexes. En continuant à entrer des données et à ajuster les paramètres des neurones, après un entraînement sur une grande quantité de données, le réseau de neurones peut atteindre un état optimal. C'est aussi l'origine du terme "profond" - un nombre suffisant de couches et de neurones.
La technologie d'apprentissage profond basée sur les réseaux de neurones a également connu plusieurs itérations et évolutions techniques, des premiers réseaux de neurones aux réseaux de neurones à propagation avant, RNN, CNN, GAN, pour finalement évoluer vers les grands modèles modernes comme ceux utilisant la technologie Transformer, tels que GPT. La technologie Transformer est une direction d'évolution des réseaux de neurones, qui ajoute un convertisseur ( Transformer ), utilisé pour coder des données de plusieurs modalités ( telles que l'audio, la vidéo, les images, etc. ) en représentations numériques correspondantes. Ensuite, ces données codées sont introduites dans le réseau de neurones, permettant à celui-ci de s'adapter à tout type de données, réalisant ainsi des capacités de traitement multimodal.
Le développement de l'IA a connu trois vagues technologiques. La première vague a eu lieu dans les années 1960, dix ans après la proposition de la technologie IA. Cette vague a été principalement provoquée par le développement des techniques de symbolisme, qui ont résolu les problèmes de traitement du langage naturel et de dialogue homme-machine. Au même moment, les systèmes experts ont vu le jour, notamment le système expert DENRAL, réalisé avec le soutien de la NASA par l'Université de Stanford, qui possède de vastes connaissances en chimie et peut générer des réponses similaires à celles d'un expert en chimie par inférence à partir de questions.
La deuxième vague de la technologie AI a eu lieu en 1997, lorsque "Deep Blue" d'IBM a battu le champion d'échecs Kasparov avec un score de 3,5 à 2,5. Cette victoire est considérée comme un jalon dans le développement de l'intelligence artificielle.
La troisième vague de la technologie IA a commencé en 2006. Les trois géants de l'apprentissage profond, Yann LeCun, Geoffrey Hinton et Yoshua Bengio, ont proposé le concept d'apprentissage profond, qui est un algorithme d'apprentissage de représentation des données basé sur une architecture de réseaux de neurones artificiels. Depuis lors, les algorithmes d'apprentissage profond ont continué à évoluer, des RNN, GAN aux Transformers et à la Stable Diffusion, ces algorithmes ont façonné ensemble la troisième vague technologique, marquant également l'apogée du connexionnisme.
Chaîne de valeur de l'apprentissage profond
Les modèles de langage à grande échelle actuels utilisent principalement des méthodes d'apprentissage profond basées sur des réseaux neuronaux. Les grands modèles représentés par GPT ont déclenché une nouvelle vague d'enthousiasme pour l'intelligence artificielle, attirant de nombreux acteurs vers ce secteur. Nous constatons une explosion de la demande du marché pour les données et la puissance de calcul, c'est pourquoi dans cette partie du rapport, nous examinons principalement la chaîne industrielle des algorithmes d'apprentissage profond, analysons comment les secteurs amont et aval sont composés dans l'industrie de l'IA dominée par les algorithmes d'apprentissage profond, ainsi que l'état actuel, les relations d'offre et de demande et les tendances de développement futur des secteurs amont et aval.
L'entraînement des grands modèles de langage tels que GPT basé sur la technologie Transformer ( LLMs ) se divise principalement en trois étapes :
Pré-entraînement : en fournissant une grande quantité de paires de données à la couche d'entrée, on cherche les meilleurs paramètres des différents neurones du modèle. Ce processus nécessite une quantité massive de données et est également la phase qui consomme le plus de puissance de calcul.
Ajustement : utiliser une quantité moindre mais des données de haute qualité pour entraîner, afin d'améliorer la qualité de la sortie du modèle.
Apprentissage par renforcement : établir un "modèle de récompense" pour évaluer la qualité de sortie du grand modèle, et ainsi itérer pour améliorer les paramètres du grand modèle.
Au cours de l'entraînement des grands modèles, plus le nombre de paramètres est élevé, plus la limite de leur capacité de généralisation est élevée. Ainsi, les trois principaux facteurs qui influencent les performances des grands modèles sont : le nombre de paramètres, la quantité et la qualité des données, et la puissance de calcul. Ces trois éléments déterminent ensemble la qualité des résultats et la capacité de généralisation des grands modèles.
Les principales étapes de la chaîne d'industrie comprennent :
Fournisseur de matériel GPU : Actuellement, Nvidia occupe une position de leader absolu sur le marché des puces AI. Le milieu académique utilise principalement des GPU grand public ( comme la série RTX ), tandis que l'industrie utilise principalement des puces H100, A100, etc. pour la commercialisation de grands modèles.
Fournisseurs de services cloud : fournir des capacités de calcul flexibles et des solutions de formation hébergées pour les entreprises d'IA disposant de fonds limités. Principalement divisés en trois catégories : grands fournisseurs de cloud traditionnels ( comme AWS, Google Cloud, Azure ), plateformes professionnelles de puissance de calcul cloud spécialisées dans des pistes verticales ( comme CoreWeave, Lambda ), et nouveaux fournisseurs d'inférence en tant que service ( comme Together.ai, Fireworks.ai ).
Fournisseurs de sources de données d'entraînement : fournissent une grande quantité de données de haute qualité ou spécifiques à un domaine pour le modèle. Certaines entreprises se spécialisent dans la collecte et l'annotation de données.
Fournisseurs de bases de données : solutions de base de données vectorielle spécialisées pour le stockage et le traitement des données AI. Les principaux acteurs incluent Chroma, Zilliz, Pinecone, Weaviate, etc.
Équipements périphériques : comprenant les systèmes d'alimentation et de refroidissement pour soutenir le fonctionnement de grands clusters de GPU. Avec l'augmentation de l'échelle des modèles d'IA, la demande dans ce domaine augmente également rapidement.
Développement d'applications : Développer diverses applications dans des domaines verticaux basés sur des grands modèles, telles que des assistants intelligents, des outils de génération de contenu, etc. Actuellement, le développement d'applications est relativement en retard par rapport à la construction des infrastructures.
Blockchain et l'IA
La combinaison de la technologie Blockchain et de l'IA se manifeste principalement dans les aspects suivants :
Restructuration de la valeur : l'économie des tokens peut redéfinir la valeur dans les différentes étapes de la chaîne de l'industrie de l'IA, incitant davantage de participants à s'investir dans les segments spécifiques de l'industrie de l'IA.
Mécanisme de confiance : les caractéristiques décentralisées et immuables de la Blockchain peuvent fournir un environnement de traitement de données fiable pour les applications d'IA, résolvant ainsi les problèmes de confidentialité et de sécurité des données.
Partage des ressources : grâce au réseau Blockchain, il est possible de réaliser le partage mondial de la puissance de calcul GPU inutilisée, améliorant ainsi l'efficacité de l'utilisation des ressources.
Marché des données : la Blockchain peut créer un marché d'échange équitable et transparent pour les données d'entraînement de l'IA, incitant les particuliers et les institutions à contribuer des données de haute qualité.
Validation du modèle : en utilisant des techniques cryptographiques telles que les preuves à divulgation nulle de connaissance, il est possible de valider la justesse des résultats d'inférence de l'IA tout en protégeant la confidentialité du modèle.
Dans l'écosystème où Crypto et l'IA se combinent, plusieurs types de projets ont principalement émergé :
Réseau de puissance de calcul GPU distribué : comme Render, Akash, etc., visant à construire un marché de calcul GPU décentralisé.
Fournisseurs de données AI : tels qu'EpiK Protocol, Synesis One, Masa, etc., s'efforcent de créer un marché de données d'entraînement AI décentralisé.
ZKML( apprentissage automatique à connaissance nulle ) : combiner la technologie des preuves à connaissance nulle pour réaliser l'entraînement et l'inférence de l'IA sous protection de la vie privée.
Agent AI ( : comme Fetch.AI, construire un réseau d'agents AI capables d'exécuter des tâches de manière autonome.
Blockchain AI : comme Tensor, Allora, etc., des réseaux Blockchain conçus spécifiquement pour le développement et le déploiement de modèles d'IA.
Bien que la combinaison de la Crypto et de l'IA soit encore à un stade précoce et fasse face à des défis tels que la performance et la confidentialité, ce domaine montre un énorme potentiel d'innovation. Avec les avancées technologiques et l'amélioration de l'écosystème, nous avons des raisons d'attendre que la fusion profonde de l'IA et de la Blockchain apporte des transformations révolutionnaires aux deux secteurs.
![Nouveau guide丨IA x Crypto : De zéro au sommet])https://img-cdn.gateio.im/webp-social/moments-53c48daf49a3dbb35c1a2b47e234f180.webp(
Voir l'original
Cette page peut inclure du contenu de tiers fourni à des fins d'information uniquement. Gate ne garantit ni l'exactitude ni la validité de ces contenus, n’endosse pas les opinions exprimées, et ne fournit aucun conseil financier ou professionnel à travers ces informations. Voir la section Avertissement pour plus de détails.
14 J'aime
Récompense
14
7
Reposter
Partager
Commentaire
0/400
PrivacyMaximalist
· Il y a 28m
La spéculation a recommencé.
Voir l'originalRépondre0
GetRichLeek
· 08-10 06:51
buy the dip AI jeton entrez,妥妥的 prendre les gens pour des idiots prévision...别问我为啥知道！
Voir l'originalRépondre0
SchrodingerPrivateKey
· 08-10 06:51
Je me suis réveillé, l'état quantique de Schrödinger.
Voir l'originalRépondre0
ShibaOnTheRun
· 08-10 06:50
Encore une fois, ce vieux cliché.
Voir l'originalRépondre0
MoonRocketman
· 08-10 06:48
L'élan RSI est en place, l'intégration de l'IA et de la Communauté a franchi ce niveau de résistance ! La Puissance de calcul est le carburant ~
Voir l'originalRépondre0
OldLeekMaster
· 08-10 06:25
Encore une promesse, quand pourrons-nous en profiter ?
Voir l'originalRépondre0
CounterIndicator
· 08-10 06:23
Encore une hausse de 20 % ? Ce n'est qu'un concept spéculatif...
Fusion de l'IA et de la Blockchain : analyse panoramique des infrastructures aux applications
Fusion de l'IA et de la Blockchain : un panorama de l'infrastructure aux applications
Le développement rapide de l'industrie de l'intelligence artificielle récemment a été considéré par certains comme le début de la quatrième révolution industrielle. L'émergence de modèles de langage de grande taille a considérablement amélioré l'efficacité dans divers secteurs, et selon une estimation de Boston Consulting Group, GPT a apporté environ 20 % d'amélioration de l'efficacité globale du travail aux États-Unis. En même temps, la capacité de généralisation des grands modèles est considérée comme un nouveau paradigme de conception logicielle. La conception logicielle passée consistait en un code précis, tandis que la conception logicielle actuelle implique davantage l'intégration de cadres de grands modèles avec une forte capacité de généralisation dans le logiciel, ce qui permet au logiciel d'avoir de meilleures performances et de prendre en charge une plus large gamme d'entrées et de sorties modales. La technologie d'apprentissage profond a effectivement apporté un nouveau cycle de prospérité à l'industrie de l'IA, et cette vague s'est progressivement étendue à l'industrie des crypto-monnaies.
L'évolution de l'industrie de l'IA
L'industrie de l'intelligence artificielle a commencé dans les années 1950. Pour réaliser la vision de l'intelligence artificielle, le milieu académique et l'industrie ont développé, à différentes époques et dans différents contextes disciplinaires, plusieurs écoles de pensée pour mettre en œuvre l'intelligence artificielle.
Les technologies modernes de l'intelligence artificielle utilisent principalement le terme "apprentissage automatique", dont le concept clé est de permettre aux machines d'itérer plusieurs fois sur des tâches en se basant sur des données afin d'améliorer les performances du système. Les étapes principales incluent l'entrée des données dans l'algorithme, l'entraînement du modèle avec ces données, le test et le déploiement du modèle, et enfin, l'utilisation du modèle pour réaliser des tâches de prédiction automatisées.
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. Parmi eux, le connexionnisme, représenté par les réseaux de neurones, domine actuellement et est également appelé apprentissage profond. Cette architecture 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 élevés, elle peut modéliser des tâches générales complexes. En continuant à entrer des données et à ajuster les paramètres des neurones, après un entraînement sur une grande quantité de données, le réseau de neurones peut atteindre un état optimal. C'est aussi l'origine du terme "profond" - un nombre suffisant de couches et de neurones.
La technologie d'apprentissage profond basée sur les réseaux de neurones a également connu plusieurs itérations et évolutions techniques, des premiers réseaux de neurones aux réseaux de neurones à propagation avant, RNN, CNN, GAN, pour finalement évoluer vers les grands modèles modernes comme ceux utilisant la technologie Transformer, tels que GPT. La technologie Transformer est une direction d'évolution des réseaux de neurones, qui ajoute un convertisseur ( Transformer ), utilisé pour coder des données de plusieurs modalités ( telles que l'audio, la vidéo, les images, etc. ) en représentations numériques correspondantes. Ensuite, ces données codées sont introduites dans le réseau de neurones, permettant à celui-ci de s'adapter à tout type de données, réalisant ainsi des capacités de traitement multimodal.
Le développement de l'IA a connu trois vagues technologiques. La première vague a eu lieu dans les années 1960, dix ans après la proposition de la technologie IA. Cette vague a été principalement provoquée par le développement des techniques de symbolisme, qui ont résolu les problèmes de traitement du langage naturel et de dialogue homme-machine. Au même moment, les systèmes experts ont vu le jour, notamment le système expert DENRAL, réalisé avec le soutien de la NASA par l'Université de Stanford, qui possède de vastes connaissances en chimie et peut générer des réponses similaires à celles d'un expert en chimie par inférence à partir de questions.
La deuxième vague de la technologie AI a eu lieu en 1997, lorsque "Deep Blue" d'IBM a battu le champion d'échecs Kasparov avec un score de 3,5 à 2,5. Cette victoire est considérée comme un jalon dans le développement de l'intelligence artificielle.
La troisième vague de la technologie IA a commencé en 2006. Les trois géants de l'apprentissage profond, Yann LeCun, Geoffrey Hinton et Yoshua Bengio, ont proposé le concept d'apprentissage profond, qui est un algorithme d'apprentissage de représentation des données basé sur une architecture de réseaux de neurones artificiels. Depuis lors, les algorithmes d'apprentissage profond ont continué à évoluer, des RNN, GAN aux Transformers et à la Stable Diffusion, ces algorithmes ont façonné ensemble la troisième vague technologique, marquant également l'apogée du connexionnisme.
Chaîne de valeur de l'apprentissage profond
Les modèles de langage à grande échelle actuels utilisent principalement des méthodes d'apprentissage profond basées sur des réseaux neuronaux. Les grands modèles représentés par GPT ont déclenché une nouvelle vague d'enthousiasme pour l'intelligence artificielle, attirant de nombreux acteurs vers ce secteur. Nous constatons une explosion de la demande du marché pour les données et la puissance de calcul, c'est pourquoi dans cette partie du rapport, nous examinons principalement la chaîne industrielle des algorithmes d'apprentissage profond, analysons comment les secteurs amont et aval sont composés dans l'industrie de l'IA dominée par les algorithmes d'apprentissage profond, ainsi que l'état actuel, les relations d'offre et de demande et les tendances de développement futur des secteurs amont et aval.
L'entraînement des grands modèles de langage tels que GPT basé sur la technologie Transformer ( LLMs ) se divise principalement en trois étapes :
Pré-entraînement : en fournissant une grande quantité de paires de données à la couche d'entrée, on cherche les meilleurs paramètres des différents neurones du modèle. Ce processus nécessite une quantité massive de données et est également la phase qui consomme le plus de puissance de calcul.
Ajustement : utiliser une quantité moindre mais des données de haute qualité pour entraîner, afin d'améliorer la qualité de la sortie du modèle.
Apprentissage par renforcement : établir un "modèle de récompense" pour évaluer la qualité de sortie du grand modèle, et ainsi itérer pour améliorer les paramètres du grand modèle.
Au cours de l'entraînement des grands modèles, plus le nombre de paramètres est élevé, plus la limite de leur capacité de généralisation est élevée. Ainsi, les trois principaux facteurs qui influencent les performances des grands modèles sont : le nombre de paramètres, la quantité et la qualité des données, et la puissance de calcul. Ces trois éléments déterminent ensemble la qualité des résultats et la capacité de généralisation des grands modèles.
Les principales étapes de la chaîne d'industrie comprennent :
Fournisseur de matériel GPU : Actuellement, Nvidia occupe une position de leader absolu sur le marché des puces AI. Le milieu académique utilise principalement des GPU grand public ( comme la série RTX ), tandis que l'industrie utilise principalement des puces H100, A100, etc. pour la commercialisation de grands modèles.
Fournisseurs de services cloud : fournir des capacités de calcul flexibles et des solutions de formation hébergées pour les entreprises d'IA disposant de fonds limités. Principalement divisés en trois catégories : grands fournisseurs de cloud traditionnels ( comme AWS, Google Cloud, Azure ), plateformes professionnelles de puissance de calcul cloud spécialisées dans des pistes verticales ( comme CoreWeave, Lambda ), et nouveaux fournisseurs d'inférence en tant que service ( comme Together.ai, Fireworks.ai ).
Fournisseurs de sources de données d'entraînement : fournissent une grande quantité de données de haute qualité ou spécifiques à un domaine pour le modèle. Certaines entreprises se spécialisent dans la collecte et l'annotation de données.
Fournisseurs de bases de données : solutions de base de données vectorielle spécialisées pour le stockage et le traitement des données AI. Les principaux acteurs incluent Chroma, Zilliz, Pinecone, Weaviate, etc.
Équipements périphériques : comprenant les systèmes d'alimentation et de refroidissement pour soutenir le fonctionnement de grands clusters de GPU. Avec l'augmentation de l'échelle des modèles d'IA, la demande dans ce domaine augmente également rapidement.
Développement d'applications : Développer diverses applications dans des domaines verticaux basés sur des grands modèles, telles que des assistants intelligents, des outils de génération de contenu, etc. Actuellement, le développement d'applications est relativement en retard par rapport à la construction des infrastructures.
Blockchain et l'IA
La combinaison de la technologie Blockchain et de l'IA se manifeste principalement dans les aspects suivants :
Restructuration de la valeur : l'économie des tokens peut redéfinir la valeur dans les différentes étapes de la chaîne de l'industrie de l'IA, incitant davantage de participants à s'investir dans les segments spécifiques de l'industrie de l'IA.
Mécanisme de confiance : les caractéristiques décentralisées et immuables de la Blockchain peuvent fournir un environnement de traitement de données fiable pour les applications d'IA, résolvant ainsi les problèmes de confidentialité et de sécurité des données.
Partage des ressources : grâce au réseau Blockchain, il est possible de réaliser le partage mondial de la puissance de calcul GPU inutilisée, améliorant ainsi l'efficacité de l'utilisation des ressources.
Marché des données : la Blockchain peut créer un marché d'échange équitable et transparent pour les données d'entraînement de l'IA, incitant les particuliers et les institutions à contribuer des données de haute qualité.
Validation du modèle : en utilisant des techniques cryptographiques telles que les preuves à divulgation nulle de connaissance, il est possible de valider la justesse des résultats d'inférence de l'IA tout en protégeant la confidentialité du modèle.
Dans l'écosystème où Crypto et l'IA se combinent, plusieurs types de projets ont principalement émergé :
Réseau de puissance de calcul GPU distribué : comme Render, Akash, etc., visant à construire un marché de calcul GPU décentralisé.
Fournisseurs de données AI : tels qu'EpiK Protocol, Synesis One, Masa, etc., s'efforcent de créer un marché de données d'entraînement AI décentralisé.
ZKML( apprentissage automatique à connaissance nulle ) : combiner la technologie des preuves à connaissance nulle pour réaliser l'entraînement et l'inférence de l'IA sous protection de la vie privée.
Agent AI ( : comme Fetch.AI, construire un réseau d'agents AI capables d'exécuter des tâches de manière autonome.
Blockchain AI : comme Tensor, Allora, etc., des réseaux Blockchain conçus spécifiquement pour le développement et le déploiement de modèles d'IA.
Bien que la combinaison de la Crypto et de l'IA soit encore à un stade précoce et fasse face à des défis tels que la performance et la confidentialité, ce domaine montre un énorme potentiel d'innovation. Avec les avancées technologiques et l'amélioration de l'écosystème, nous avons des raisons d'attendre que la fusion profonde de l'IA et de la Blockchain apporte des transformations révolutionnaires aux deux secteurs.
![Nouveau guide丨IA x Crypto : De zéro au sommet])https://img-cdn.gateio.im/webp-social/moments-53c48daf49a3dbb35c1a2b47e234f180.webp(