A fusão e desenvolvimento da IA com o Web3: estado atual, desafios e perspectivas
I. Introdução: Visão geral do desenvolvimento de AI+Web3
Nos últimos anos, o rápido avanço da inteligência artificial (AI) e das tecnologias Web3 gerou uma ampla atenção em todo o mundo. A IA fez grandes avanços em áreas como reconhecimento facial, processamento de linguagem natural e aprendizado de máquina, trazendo grandes transformações e inovações para diversos setores. Em 2023, o tamanho do mercado da indústria de IA atingiu 200 bilhões de dólares, surgindo empresas de destaque como OpenAI, Character.AI e Midjourney.
Ao mesmo tempo, o Web3, como um novo modelo de rede, está mudando a forma como as pessoas percebem e usam a internet. O Web3 é baseado em tecnologia de blockchain descentralizada e, através de contratos inteligentes, armazenamento distribuído e funções de autenticação descentralizada, possibilita o compartilhamento de dados de forma controlada, a autonomia do usuário e a construção de mecanismos de confiança. O conceito central do Web3 é libertar os dados de instituições centralizadas, concedendo aos usuários o controle sobre seus dados e o direito de compartilhar seu valor. Atualmente, o valor de mercado da indústria Web3 já atingiu 25 trilhões de dólares, com projetos como Bitcoin, Ethereum, Solana, entre outros, surgindo constantemente.
A combinação de IA e Web3 é uma área de interesse comum para desenvolvedores e investidores de ambas as partes do mundo. Como integrar bem os dois é uma questão que merece exploração. Este artigo irá focar na análise do estado atual do desenvolvimento de IA+Web3, explorando o valor e o impacto potencial desta fusão. Primeiro, iremos apresentar os conceitos básicos de IA e Web3, e em seguida, discutir a relação entre eles. Depois, analisaremos o estado atual dos projetos de IA+Web3 e discutiremos em profundidade as limitações e desafios enfrentados. Esperamos que isso possa fornecer referências e insights valiosos para investidores e profissionais.
Dois, formas de interação entre IA e Web3
O desenvolvimento da IA e do Web3 é como as duas extremidades de uma balança; a IA aumenta a produtividade, enquanto o Web3 transforma as relações de produção. Que faíscas podem surgir dessa colisão? Vamos primeiro analisar as dificuldades e o espaço para melhorias que cada um enfrenta, e depois discutir como podem ajudar-se mutuamente a resolver essas dificuldades.
2.1 Os desafios enfrentados pela indústria de IA
Para explorar as dificuldades da indústria de IA, primeiro é necessário entender os três elementos centrais da IA: poder de computação, algoritmos e dados.
Poder de Computação: Refere-se à capacidade de realizar cálculos e processamentos em grande escala. As tarefas de IA normalmente exigem o processamento de grandes volumes de dados e cálculos complexos, como o treinamento de modelos de redes neurais profundas. Uma capacidade de computação de alta intensidade pode acelerar o treinamento e a inferência de modelos, melhorando o desempenho e a eficiência dos sistemas de IA. Nos últimos anos, o desenvolvimento de GPUs e chips de IA dedicados impulsionou significativamente o progresso da indústria de IA. Fornecedores de GPUs como a Nvidia ocupam uma grande parte do mercado e obtêm lucros substanciais.
Algoritmos: A parte central de um sistema de IA, incluindo algoritmos de aprendizado de máquina tradicionais e algoritmos de aprendizado profundo. A escolha e o design do algoritmo são cruciais para o desempenho do sistema de IA. Algoritmos que são continuamente melhorados e inovados podem aumentar a precisão, robustez e capacidade de generalização do sistema.
Dados: A tarefa central dos sistemas de IA é extrair padrões e regularidades a partir dos dados por meio de aprendizagem e treinamento. Conjuntos de dados ricos podem fornecer informações mais completas e diversificadas, ajudando o modelo a generalizar melhor para dados não vistos e a entender e resolver melhor problemas do mundo real.
Após entender os elementos centrais da IA, vamos analisar os desafios que a IA enfrenta nestes três aspectos:
No que diz respeito ao poder computacional, as tarefas de IA necessitam de muitos recursos de computação para o treinamento e a inferência de modelos. Obter e gerir poder computacional em larga escala é caro e complexo, especialmente para startups e desenvolvedores individuais.
Na área de algoritmos, embora o aprendizado profundo tenha alcançado um enorme sucesso, ainda existem desafios. O treinamento de redes neurais profundas requer uma enorme quantidade de dados e recursos computacionais, e a interpretabilidade dos modelos para certas tarefas é insuficiente. A robustez e a capacidade de generalização dos algoritmos também são questões importantes, pois o desempenho dos modelos em dados não vistos pode ser instável.
Na área de dados, a obtenção de dados de alta qualidade e diversificados continua a enfrentar desafios. Certos domínios, como dados sensíveis na saúde, são difíceis de obter. A qualidade, precisão e anotação dos dados também apresentam problemas, dados incompletos ou tendenciosos podem levar a comportamentos ou desvios errados do modelo. Ao mesmo tempo, a privacidade dos dados e a proteção de segurança também são considerações importantes.
Além disso, a interpretabilidade e a transparência dos modelos de IA também são questões que preocupam o público. Algumas aplicações, como finanças e saúde, necessitam de processos de decisão que sejam explicáveis e rastreáveis, enquanto os modelos de aprendizado profundo existentes costumam carecer de transparência.
Para além disso, muitos projetos de startups em IA têm modelos de negócio pouco claros, o que deixa muitos empreendedores de IA confusos.
2.2 Dificuldades enfrentadas pela indústria Web3
A indústria Web3 enfrenta várias dificuldades que precisam ser resolvidas, seja na análise de dados, na experiência do usuário, ou nas vulnerabilidades e problemas de segurança do código dos contratos inteligentes; há muito espaço para melhorias. A IA, como ferramenta para aumentar a produtividade, tem muito potencial para ser utilizada nessas áreas.
Primeiro, há uma melhoria nas capacidades de análise e previsão de dados: a aplicação da tecnologia de IA na análise e previsão de dados traz um enorme impacto para a indústria Web3. Através da análise inteligente e da mineração de dados pelos algoritmos de IA, as plataformas Web3 podem extrair informações valiosas de grandes volumes de dados, permitindo previsões e decisões mais precisas. Isso é de grande importância para a avaliação de riscos, previsão de mercado e gestão de ativos no campo das finanças descentralizadas (DeFi).
Em segundo lugar, a IA pode melhorar a experiência do usuário e os serviços personalizados: a aplicação da tecnologia de IA permite que as plataformas Web3 ofereçam uma melhor experiência ao usuário e serviços personalizados. Ao analisar dados dos usuários e modelar, é possível oferecer recomendações personalizadas, serviços sob medida e uma experiência de interação inteligente, aumentando o envolvimento e a satisfação dos usuários, promovendo o desenvolvimento do ecossistema Web3.
Na segurança e proteção da privacidade, a aplicação da IA tem um impacto profundo na indústria Web3. A tecnologia de IA pode ser utilizada para detectar e defender contra ataques cibernéticos, identificar comportamentos anômalos e fornecer uma proteção de segurança mais robusta. Ao mesmo tempo, a IA também pode ser aplicada na proteção da privacidade dos dados, através de técnicas como criptografia de dados e computação de privacidade, protegendo as informações pessoais dos usuários. Na auditoria de contratos inteligentes, a tecnologia de IA pode ser utilizada para automatizar a auditoria de contratos e a detecção de vulnerabilidades, aumentando a segurança e a confiabilidade dos contratos.
É evidente que, em relação aos desafios e ao potencial de melhoria que a indústria Web3 enfrenta, a IA pode participar e oferecer apoio em muitos aspectos.
Três, Análise do estado atual dos projetos AI+Web3
Os projetos que combinam IA e Web3 abordam principalmente dois aspectos: utilizar a tecnologia blockchain para melhorar o desempenho dos projetos de IA e utilizar a tecnologia de IA para servir à melhoria dos projetos Web3.
Em torno desses dois aspectos, surgiu uma grande quantidade de projetos explorando esse caminho, incluindo Io.net, Gensyn, Ritual, entre outros. A seguir, analisaremos a situação e o desenvolvimento das diferentes subcategorias da AI impulsionando o Web3 e do Web3 impulsionando a AI.
3.1 Web3 impulsiona a IA
3.1.1 Poder de Computação Descentralizado
Após o lançamento do ChatGPT pela OpenAI no final de 2022, a onda de entusiasmo em torno da IA explodiu. Cinquenta dias após o lançamento, o número de usuários atingiu 1 milhão, e em dois meses o número de usuários ativos mensais alcançou 100 milhões. Em novembro de 2023, o número de usuários ativos semanais atingiu 100 milhões. O surgimento do ChatGPT fez com que o campo da IA passasse de um nicho para se tornar uma indústria altamente visada.
De acordo com o relatório da Trendforce, o ChatGPT precisa de 30.000 GPUs NVIDIA A100 para funcionar, e o futuro GPT-5 exigirá uma quantidade de cálculo ainda maior. Isso levou as empresas de IA a iniciarem uma corrida armamentista; apenas aqueles que dominarem a potência de cálculo suficiente poderão manter uma vantagem na batalha da IA, resultando assim em uma escassez de GPUs.
Antes da ascensão da IA, os principais clientes da NVIDIA, o maior fornecedor de GPUs, estavam concentrados nos três grandes provedores de serviços em nuvem: AWS, Azure e GCP. Com a ascensão da IA, surgiram numerosos novos compradores, incluindo grandes empresas de tecnologia como Meta e Oracle, assim como outras plataformas de dados e startups de IA, que se juntaram à guerra para acumular GPUs para treinar modelos de IA.
Como mencionado pela Semi Analysis no ano passado sobre "ricos em GPU e pobres em GPU", poucas empresas possuem mais de 20.000 GPUs A100/H100, e os membros da equipe podem usar de 100 a 1.000 GPUs para os projetos. Essas empresas são ou provedores de nuvem ou constroem LLMs, incluindo OpenAI, Google, Meta, Anthropic, Inflection, Tesla, Oracle, Mistral, entre outras.
No entanto, a maioria das empresas pertence aos "pobres em GPU", lutando apenas com um número muito menor de GPUs. Essa situação não se limita a startups; algumas empresas de IA conhecidas, como Hugging Face, Databricks, Together e até mesmo Snowflake, têm menos de 20K A100/H100. Essas empresas possuem talentos de classe mundial, mas estão limitadas pela quantidade de fornecimento de GPUs, colocando-as em desvantagem na competição de IA.
Esta escassez não se limita apenas aos "pobres em GPU", mesmo no final de 2023, a líder em IA OpenAI teve que fechar as inscrições pagas por várias semanas devido à falta de GPUs, enquanto procurava adquirir mais suprimentos de GPU.
É evidente que a rápida evolução da IA trouxe um sério desajuste entre a demanda e a oferta de GPUs, e o problema da escassez é iminente.
Para resolver esse problema, alguns projetos Web3 começaram a tentar combinar as características da tecnologia Web3, oferecendo serviços de computação descentralizados, incluindo Akash, Render, Gensyn, entre outros. O ponto em comum desses projetos é incentivar uma ampla gama de usuários a fornecerem poder de computação GPU ocioso por meio de tokens, tornando-se o lado da oferta de computação e oferecendo suporte de computação para clientes de IA.
A imagem do lado da oferta é dividida principalmente em três categorias: provedores de serviços em nuvem, mineradores de criptomoedas e empresas.
Os provedores de serviços de nuvem incluem grandes provedores de serviços de nuvem ( como AWS, Azure, GCP ) e provedores de serviços de nuvem GPU ( como Coreweave, Lambda, Crusoe, etc. ), os usuários podem revender a capacidade ociosa dos provedores de serviços de nuvem para obter receita. Os mineradores de criptomoedas, com a transição do Ethereum de PoW para PoS, também estão vendo a capacidade ociosa de GPU como um importante potencial do lado da oferta. Além disso, grandes empresas como Tesla e Meta, que compraram grandes quantidades de GPUs devido a estratégias de posicionamento, também podem utilizar a capacidade ociosa de GPU como uma oferta.
Atualmente, os jogadores do setor podem ser divididos em duas categorias: uma utiliza a potência de computação descentralizada para inferência de IA, enquanto a outra é usada para treinamento de IA. A primeira, como o Render(, foca na renderização, mas também pode ser usada para fornecer potência de computação de IA), Akash, Aethir, entre outros; a segunda, como io.net(, suporta tanto inferência quanto treinamento), Gensyn. A maior diferença entre as duas está nos requisitos de potência de computação.
Vamos falar sobre projetos de inferência de IA. Esses projetos atraem usuários para fornecer capacidade computacional por meio de incentivos em tokens, e depois oferecem serviços de rede de capacidade computacional para o lado da demanda, realizando a mediação entre a oferta e a demanda de capacidade ociosa. O núcleo desses projetos é atrair fornecedores por meio de um mecanismo de incentivo em tokens, e então atrair usuários para utilizá-los, alcançando o arranque inicial do projeto e o mecanismo de operação central, e assim expandindo e desenvolvendo ainda mais. Nesse ciclo, o lado da oferta recebe mais tokens valiosos como recompensa, enquanto o lado da demanda obtém serviços mais baratos e com melhor custo-benefício, o valor do token do projeto e o crescimento dos participantes de ambos os lados da oferta e da demanda permanecem alinhados, e com a subida do preço do token, mais participantes e especuladores são atraídos, formando uma captura de valor.
Outra categoria é a utilização de poder computacional descentralizado para o treinamento de IA, como Gensyn, io.net(, onde tanto o treinamento quanto a inferência de IA são suportados por ). A lógica de operação desses projetos não difere substancialmente da dos projetos de inferência de IA, continuando a atrair a participação do lado da oferta por meio de incentivos em tokens, para uso do lado da demanda.
A io.net, como uma rede de computação descentralizada, atualmente possui mais de 500.000 GPUs, com um desempenho destacado, já integrou a capacidade de Render e Filecoin, e continua a desenvolver projetos ecológicos.
Gensyn promove a atribuição de tarefas de aprendizado de máquina e recompensas através de contratos inteligentes, implementando o treinamento de IA. O custo do trabalho de treinamento de aprendizado de máquina da Gensyn é de aproximadamente 0,4 dólares por hora, muito abaixo do custo de mais de 2 dólares da AWS e GCP.
O sistema Gensyn inclui quatro partes participantes: submetedor, executor, validador e denunciante.
Submissor: o usuário de demanda é o consumidor da tarefa, fornece as tarefas a serem calculadas, paga pelas tarefas de treinamento de IA.
Executor: executar a tarefa de treinamento de modelo, gerar prova de conclusão da tarefa para verificação pelo validador
Validador: relacionar o processo de treinamento não determinístico com cálculos lineares determinísticos, comparar a prova do executor com o limite esperado.
Denunciante: verifica o trabalho dos validadores e questiona quando encontra problemas para obter recompensas.
A Gensyn espera tornar-se um protocolo de computação de grande escala e custo-efetivo para modelos de aprendizado profundo em todo o mundo.
Mas, olhando para este setor, por que a maioria dos projetos opta por computação descentralizada para inferência de IA em vez de treinamento?
Aqui está uma introdução às diferenças entre o treinamento e a inferência de IA para amigos que não estão familiarizados com o assunto:
Treinamento de IA: Se compararmos a inteligência artificial a um estudante, o treinamento é semelhante a fornecer uma grande quantidade de conhecimento e exemplos (, ou seja, dados ), para que a IA aprenda. Como a aprendizagem exige entender e memorizar uma grande quantidade de informações, esse processo requer uma quantidade significativa de capacidade de cálculo e tempo.
IA
Ver original
Esta página pode conter conteúdos de terceiros, que são fornecidos apenas para fins informativos (sem representações/garantias) e não devem ser considerados como uma aprovação dos seus pontos de vista pela Gate, nem como aconselhamento financeiro ou profissional. Consulte a Declaração de exoneração de responsabilidade para obter mais informações.
15 gostos
Recompensa
15
5
Republicar
Partilhar
Comentar
0/400
MechanicalMartel
· 1h atrás
Absurdo, a avaliação é tão alta assim.
Ver originalResponder0
SmartContractPhobia
· 08-10 10:26
Muito extravagante, por trás disso tudo está o capital.
Integração da IA com o Web3: Análise do estado atual, desafios e perspectivas de desenvolvimento
A fusão e desenvolvimento da IA com o Web3: estado atual, desafios e perspectivas
I. Introdução: Visão geral do desenvolvimento de AI+Web3
Nos últimos anos, o rápido avanço da inteligência artificial (AI) e das tecnologias Web3 gerou uma ampla atenção em todo o mundo. A IA fez grandes avanços em áreas como reconhecimento facial, processamento de linguagem natural e aprendizado de máquina, trazendo grandes transformações e inovações para diversos setores. Em 2023, o tamanho do mercado da indústria de IA atingiu 200 bilhões de dólares, surgindo empresas de destaque como OpenAI, Character.AI e Midjourney.
Ao mesmo tempo, o Web3, como um novo modelo de rede, está mudando a forma como as pessoas percebem e usam a internet. O Web3 é baseado em tecnologia de blockchain descentralizada e, através de contratos inteligentes, armazenamento distribuído e funções de autenticação descentralizada, possibilita o compartilhamento de dados de forma controlada, a autonomia do usuário e a construção de mecanismos de confiança. O conceito central do Web3 é libertar os dados de instituições centralizadas, concedendo aos usuários o controle sobre seus dados e o direito de compartilhar seu valor. Atualmente, o valor de mercado da indústria Web3 já atingiu 25 trilhões de dólares, com projetos como Bitcoin, Ethereum, Solana, entre outros, surgindo constantemente.
A combinação de IA e Web3 é uma área de interesse comum para desenvolvedores e investidores de ambas as partes do mundo. Como integrar bem os dois é uma questão que merece exploração. Este artigo irá focar na análise do estado atual do desenvolvimento de IA+Web3, explorando o valor e o impacto potencial desta fusão. Primeiro, iremos apresentar os conceitos básicos de IA e Web3, e em seguida, discutir a relação entre eles. Depois, analisaremos o estado atual dos projetos de IA+Web3 e discutiremos em profundidade as limitações e desafios enfrentados. Esperamos que isso possa fornecer referências e insights valiosos para investidores e profissionais.
Dois, formas de interação entre IA e Web3
O desenvolvimento da IA e do Web3 é como as duas extremidades de uma balança; a IA aumenta a produtividade, enquanto o Web3 transforma as relações de produção. Que faíscas podem surgir dessa colisão? Vamos primeiro analisar as dificuldades e o espaço para melhorias que cada um enfrenta, e depois discutir como podem ajudar-se mutuamente a resolver essas dificuldades.
2.1 Os desafios enfrentados pela indústria de IA
Para explorar as dificuldades da indústria de IA, primeiro é necessário entender os três elementos centrais da IA: poder de computação, algoritmos e dados.
Poder de Computação: Refere-se à capacidade de realizar cálculos e processamentos em grande escala. As tarefas de IA normalmente exigem o processamento de grandes volumes de dados e cálculos complexos, como o treinamento de modelos de redes neurais profundas. Uma capacidade de computação de alta intensidade pode acelerar o treinamento e a inferência de modelos, melhorando o desempenho e a eficiência dos sistemas de IA. Nos últimos anos, o desenvolvimento de GPUs e chips de IA dedicados impulsionou significativamente o progresso da indústria de IA. Fornecedores de GPUs como a Nvidia ocupam uma grande parte do mercado e obtêm lucros substanciais.
Algoritmos: A parte central de um sistema de IA, incluindo algoritmos de aprendizado de máquina tradicionais e algoritmos de aprendizado profundo. A escolha e o design do algoritmo são cruciais para o desempenho do sistema de IA. Algoritmos que são continuamente melhorados e inovados podem aumentar a precisão, robustez e capacidade de generalização do sistema.
Dados: A tarefa central dos sistemas de IA é extrair padrões e regularidades a partir dos dados por meio de aprendizagem e treinamento. Conjuntos de dados ricos podem fornecer informações mais completas e diversificadas, ajudando o modelo a generalizar melhor para dados não vistos e a entender e resolver melhor problemas do mundo real.
Após entender os elementos centrais da IA, vamos analisar os desafios que a IA enfrenta nestes três aspectos:
No que diz respeito ao poder computacional, as tarefas de IA necessitam de muitos recursos de computação para o treinamento e a inferência de modelos. Obter e gerir poder computacional em larga escala é caro e complexo, especialmente para startups e desenvolvedores individuais.
Na área de algoritmos, embora o aprendizado profundo tenha alcançado um enorme sucesso, ainda existem desafios. O treinamento de redes neurais profundas requer uma enorme quantidade de dados e recursos computacionais, e a interpretabilidade dos modelos para certas tarefas é insuficiente. A robustez e a capacidade de generalização dos algoritmos também são questões importantes, pois o desempenho dos modelos em dados não vistos pode ser instável.
Na área de dados, a obtenção de dados de alta qualidade e diversificados continua a enfrentar desafios. Certos domínios, como dados sensíveis na saúde, são difíceis de obter. A qualidade, precisão e anotação dos dados também apresentam problemas, dados incompletos ou tendenciosos podem levar a comportamentos ou desvios errados do modelo. Ao mesmo tempo, a privacidade dos dados e a proteção de segurança também são considerações importantes.
Além disso, a interpretabilidade e a transparência dos modelos de IA também são questões que preocupam o público. Algumas aplicações, como finanças e saúde, necessitam de processos de decisão que sejam explicáveis e rastreáveis, enquanto os modelos de aprendizado profundo existentes costumam carecer de transparência.
Para além disso, muitos projetos de startups em IA têm modelos de negócio pouco claros, o que deixa muitos empreendedores de IA confusos.
2.2 Dificuldades enfrentadas pela indústria Web3
A indústria Web3 enfrenta várias dificuldades que precisam ser resolvidas, seja na análise de dados, na experiência do usuário, ou nas vulnerabilidades e problemas de segurança do código dos contratos inteligentes; há muito espaço para melhorias. A IA, como ferramenta para aumentar a produtividade, tem muito potencial para ser utilizada nessas áreas.
Primeiro, há uma melhoria nas capacidades de análise e previsão de dados: a aplicação da tecnologia de IA na análise e previsão de dados traz um enorme impacto para a indústria Web3. Através da análise inteligente e da mineração de dados pelos algoritmos de IA, as plataformas Web3 podem extrair informações valiosas de grandes volumes de dados, permitindo previsões e decisões mais precisas. Isso é de grande importância para a avaliação de riscos, previsão de mercado e gestão de ativos no campo das finanças descentralizadas (DeFi).
Em segundo lugar, a IA pode melhorar a experiência do usuário e os serviços personalizados: a aplicação da tecnologia de IA permite que as plataformas Web3 ofereçam uma melhor experiência ao usuário e serviços personalizados. Ao analisar dados dos usuários e modelar, é possível oferecer recomendações personalizadas, serviços sob medida e uma experiência de interação inteligente, aumentando o envolvimento e a satisfação dos usuários, promovendo o desenvolvimento do ecossistema Web3.
Na segurança e proteção da privacidade, a aplicação da IA tem um impacto profundo na indústria Web3. A tecnologia de IA pode ser utilizada para detectar e defender contra ataques cibernéticos, identificar comportamentos anômalos e fornecer uma proteção de segurança mais robusta. Ao mesmo tempo, a IA também pode ser aplicada na proteção da privacidade dos dados, através de técnicas como criptografia de dados e computação de privacidade, protegendo as informações pessoais dos usuários. Na auditoria de contratos inteligentes, a tecnologia de IA pode ser utilizada para automatizar a auditoria de contratos e a detecção de vulnerabilidades, aumentando a segurança e a confiabilidade dos contratos.
É evidente que, em relação aos desafios e ao potencial de melhoria que a indústria Web3 enfrenta, a IA pode participar e oferecer apoio em muitos aspectos.
Três, Análise do estado atual dos projetos AI+Web3
Os projetos que combinam IA e Web3 abordam principalmente dois aspectos: utilizar a tecnologia blockchain para melhorar o desempenho dos projetos de IA e utilizar a tecnologia de IA para servir à melhoria dos projetos Web3.
Em torno desses dois aspectos, surgiu uma grande quantidade de projetos explorando esse caminho, incluindo Io.net, Gensyn, Ritual, entre outros. A seguir, analisaremos a situação e o desenvolvimento das diferentes subcategorias da AI impulsionando o Web3 e do Web3 impulsionando a AI.
3.1 Web3 impulsiona a IA
3.1.1 Poder de Computação Descentralizado
Após o lançamento do ChatGPT pela OpenAI no final de 2022, a onda de entusiasmo em torno da IA explodiu. Cinquenta dias após o lançamento, o número de usuários atingiu 1 milhão, e em dois meses o número de usuários ativos mensais alcançou 100 milhões. Em novembro de 2023, o número de usuários ativos semanais atingiu 100 milhões. O surgimento do ChatGPT fez com que o campo da IA passasse de um nicho para se tornar uma indústria altamente visada.
De acordo com o relatório da Trendforce, o ChatGPT precisa de 30.000 GPUs NVIDIA A100 para funcionar, e o futuro GPT-5 exigirá uma quantidade de cálculo ainda maior. Isso levou as empresas de IA a iniciarem uma corrida armamentista; apenas aqueles que dominarem a potência de cálculo suficiente poderão manter uma vantagem na batalha da IA, resultando assim em uma escassez de GPUs.
Antes da ascensão da IA, os principais clientes da NVIDIA, o maior fornecedor de GPUs, estavam concentrados nos três grandes provedores de serviços em nuvem: AWS, Azure e GCP. Com a ascensão da IA, surgiram numerosos novos compradores, incluindo grandes empresas de tecnologia como Meta e Oracle, assim como outras plataformas de dados e startups de IA, que se juntaram à guerra para acumular GPUs para treinar modelos de IA.
Como mencionado pela Semi Analysis no ano passado sobre "ricos em GPU e pobres em GPU", poucas empresas possuem mais de 20.000 GPUs A100/H100, e os membros da equipe podem usar de 100 a 1.000 GPUs para os projetos. Essas empresas são ou provedores de nuvem ou constroem LLMs, incluindo OpenAI, Google, Meta, Anthropic, Inflection, Tesla, Oracle, Mistral, entre outras.
No entanto, a maioria das empresas pertence aos "pobres em GPU", lutando apenas com um número muito menor de GPUs. Essa situação não se limita a startups; algumas empresas de IA conhecidas, como Hugging Face, Databricks, Together e até mesmo Snowflake, têm menos de 20K A100/H100. Essas empresas possuem talentos de classe mundial, mas estão limitadas pela quantidade de fornecimento de GPUs, colocando-as em desvantagem na competição de IA.
Esta escassez não se limita apenas aos "pobres em GPU", mesmo no final de 2023, a líder em IA OpenAI teve que fechar as inscrições pagas por várias semanas devido à falta de GPUs, enquanto procurava adquirir mais suprimentos de GPU.
É evidente que a rápida evolução da IA trouxe um sério desajuste entre a demanda e a oferta de GPUs, e o problema da escassez é iminente.
Para resolver esse problema, alguns projetos Web3 começaram a tentar combinar as características da tecnologia Web3, oferecendo serviços de computação descentralizados, incluindo Akash, Render, Gensyn, entre outros. O ponto em comum desses projetos é incentivar uma ampla gama de usuários a fornecerem poder de computação GPU ocioso por meio de tokens, tornando-se o lado da oferta de computação e oferecendo suporte de computação para clientes de IA.
A imagem do lado da oferta é dividida principalmente em três categorias: provedores de serviços em nuvem, mineradores de criptomoedas e empresas.
Os provedores de serviços de nuvem incluem grandes provedores de serviços de nuvem ( como AWS, Azure, GCP ) e provedores de serviços de nuvem GPU ( como Coreweave, Lambda, Crusoe, etc. ), os usuários podem revender a capacidade ociosa dos provedores de serviços de nuvem para obter receita. Os mineradores de criptomoedas, com a transição do Ethereum de PoW para PoS, também estão vendo a capacidade ociosa de GPU como um importante potencial do lado da oferta. Além disso, grandes empresas como Tesla e Meta, que compraram grandes quantidades de GPUs devido a estratégias de posicionamento, também podem utilizar a capacidade ociosa de GPU como uma oferta.
Atualmente, os jogadores do setor podem ser divididos em duas categorias: uma utiliza a potência de computação descentralizada para inferência de IA, enquanto a outra é usada para treinamento de IA. A primeira, como o Render(, foca na renderização, mas também pode ser usada para fornecer potência de computação de IA), Akash, Aethir, entre outros; a segunda, como io.net(, suporta tanto inferência quanto treinamento), Gensyn. A maior diferença entre as duas está nos requisitos de potência de computação.
Vamos falar sobre projetos de inferência de IA. Esses projetos atraem usuários para fornecer capacidade computacional por meio de incentivos em tokens, e depois oferecem serviços de rede de capacidade computacional para o lado da demanda, realizando a mediação entre a oferta e a demanda de capacidade ociosa. O núcleo desses projetos é atrair fornecedores por meio de um mecanismo de incentivo em tokens, e então atrair usuários para utilizá-los, alcançando o arranque inicial do projeto e o mecanismo de operação central, e assim expandindo e desenvolvendo ainda mais. Nesse ciclo, o lado da oferta recebe mais tokens valiosos como recompensa, enquanto o lado da demanda obtém serviços mais baratos e com melhor custo-benefício, o valor do token do projeto e o crescimento dos participantes de ambos os lados da oferta e da demanda permanecem alinhados, e com a subida do preço do token, mais participantes e especuladores são atraídos, formando uma captura de valor.
Outra categoria é a utilização de poder computacional descentralizado para o treinamento de IA, como Gensyn, io.net(, onde tanto o treinamento quanto a inferência de IA são suportados por ). A lógica de operação desses projetos não difere substancialmente da dos projetos de inferência de IA, continuando a atrair a participação do lado da oferta por meio de incentivos em tokens, para uso do lado da demanda.
A io.net, como uma rede de computação descentralizada, atualmente possui mais de 500.000 GPUs, com um desempenho destacado, já integrou a capacidade de Render e Filecoin, e continua a desenvolver projetos ecológicos.
Gensyn promove a atribuição de tarefas de aprendizado de máquina e recompensas através de contratos inteligentes, implementando o treinamento de IA. O custo do trabalho de treinamento de aprendizado de máquina da Gensyn é de aproximadamente 0,4 dólares por hora, muito abaixo do custo de mais de 2 dólares da AWS e GCP.
O sistema Gensyn inclui quatro partes participantes: submetedor, executor, validador e denunciante.
A Gensyn espera tornar-se um protocolo de computação de grande escala e custo-efetivo para modelos de aprendizado profundo em todo o mundo.
Mas, olhando para este setor, por que a maioria dos projetos opta por computação descentralizada para inferência de IA em vez de treinamento?
Aqui está uma introdução às diferenças entre o treinamento e a inferência de IA para amigos que não estão familiarizados com o assunto:
Treinamento de IA: Se compararmos a inteligência artificial a um estudante, o treinamento é semelhante a fornecer uma grande quantidade de conhecimento e exemplos (, ou seja, dados ), para que a IA aprenda. Como a aprendizagem exige entender e memorizar uma grande quantidade de informações, esse processo requer uma quantidade significativa de capacidade de cálculo e tempo.
IA