Слияние и развитие AI и Web3: текущее состояние, вызовы и перспективы
I. Введение: Обзор развития AI+Web3
В последние годы быстрые progrès в области искусственного интеллекта (AI) и технологий Web3 привлекли широкое внимание по всему миру. Искусственный интеллект достиг значительных прорывов в таких областях, как распознавание лиц, обработка естественного языка и машинное обучение, что принесло огромные изменения и инновации в различные отрасли. В 2023 году рынок искусственного интеллекта достиг 200 миллиардов долларов, появилось множество выдающихся компаний, таких как OpenAI, Character.AI, Midjourney.
В то же время Web3 как новая модель сети меняет представление людей об интернете и способы его использования. Web3 основан на технологии децентрализованного блокчейна и реализует обмен данными и контроль,自治 пользователей и создание механизмов доверия через смарт-контракты, распределенное хранилище и децентрализованную идентификацию. Основная идея Web3 заключается в том, чтобы освободить данные от централизованных учреждений, предоставив пользователям контроль над данными и право на распределение их ценности. В настоящее время рыночная капитализация индустрии Web3 достигла 25 триллионов долларов, а такие проекты, как Bitcoin, Ethereum, Solana и другие, появляются один за другим.
Слияние ИИ и Web3 — это область, которая вызывает общий интерес разработчиков и инвесторов как на Востоке, так и на Западе. Как хорошо объединить оба направления — это вопрос, который стоит изучить. В данной статье мы сосредоточим внимание на текущем состоянии развития ИИ+Web3, обсудим потенциальную ценность и влияние такого слияния. Сначала мы представим основные концепции ИИ и Web3, а затем исследуем взаимосвязь между ними. Далее мы проанализируем текущее состояние проектов ИИ+Web3 и подробно обсудим существующие ограничения и вызовы. Надеемся, что это предоставит инвесторам и практикам ценную информацию и идеи.
2. Способы взаимодействия AI и Web3
Развитие ИИ и Web3 похоже на две стороны весов: ИИ повышает производительность, а Web3 реформирует производственные отношения. Какие искры могут возникнуть при столкновении этих двух? Сначала мы проанализируем каждую из сторон, их проблемы и возможности для улучшения, а затем обсудим, как они могут помочь друг другу решить эти проблемы.
2.1 Проблемы, с которыми сталкивается AI-индустрия
Чтобы изучить проблемы в индустрии ИИ, прежде всего, необходимо понять три ключевых элемента ИИ: вычислительная мощность, алгоритмы и данные.
Вычислительная мощность: это способность выполнять крупномасштабные вычисления и обработки. Задачи ИИ обычно требуют обработки огромных объемов данных и сложных вычислений, таких как обучение моделей глубоких нейронных сетей. Высокая вычислительная мощность может ускорить обучение и вывод моделей, повышая производительность и эффективность систем ИИ. В последние годы развитие графических процессоров (GPU) и специализированных ИИ-чипов значительно способствовало прогрессу в области ИИ. Провайдеры GPU, такие как Nvidia, занимают большую долю рынка и получают высокую прибыль.
Алгоритмы: Основные компоненты AI-системы, включая традиционные алгоритмы машинного обучения и алгоритмы глубокого обучения. Выбор и проектирование алгоритмов имеют решающее значение для производительности AI-системы. Постоянное совершенствование и инновации в алгоритмах могут повысить точность, надежность и обобщающую способность системы.
Данные: Основная задача AI-системы заключается в извлечении паттернов и закономерностей из данных через обучение и тренировку. Обширные наборы данных могут предоставить более полную и разнообразную информацию, помогая модели лучше обобщать на ранее не встречавшихся данных и лучше понимать и решать проблемы реального мира.
Поняв основные элементы ИИ, давайте рассмотрим вызовы, с которыми сталкивается ИИ в этих трех аспектах:
В области вычислительных мощностей задачи ИИ требуют значительных вычислительных ресурсов для обучения моделей и их применения. Получение и управление масштабными вычислительными мощностями обходится дорого и сложно, особенно для стартапов и индивидуальных разработчиков.
С точки зрения алгоритмов, хотя глубокое обучение добилось огромного успеха, все же существуют проблемы. Для обучения глубоких нейронных сетей необходимы огромные объемы данных и вычислительных ресурсов, а интерпретируемость моделей для некоторых задач недостаточна. Робустность алгоритмов и способность к обобщению также являются важными проблемами, так как модели могут показывать нестабильные результаты на ранее не виденных данных.
В области данных по-прежнему существуют проблемы с получением высококачественных и разнообразных данных. В некоторых областях, таких как медицина, получить чувствительные данные сложно. Также есть проблемы с качеством, точностью и аннотированием данных; неполные или предвзятые данные могут привести к ошибкам или смещениям в моделях. В то же время защита конфиденциальности данных и безопасность также являются важными аспектами.
Кроме того, объяснимость и прозрачность моделей ИИ также являются проблемами, вызывающими общественный интерес. Некоторые приложения, такие как финансы, здравоохранение и т. д., требуют объяснимых и отслеживаемых процессов принятия решений, тогда как существующие модели глубокого обучения часто страдают от недостатка прозрачности.
Кроме того, многие бизнес-модели стартапов в области ИИ неясны, что также вызывает замешательство у многих предпринимателей в этой сфере.
2.2 Проблемы, с которыми сталкивается индустрия Web3
В индустрии Web3 существует множество проблем, которые необходимо решить, будь то анализ данных, пользовательский опыт или уязвимости и проблемы безопасности в коде смарт-контрактов. В этих областях есть огромный потенциал для улучшения. ИИ, как инструмент повышения производительности, может сыграть важную роль в этих аспектах.
Прежде всего, это улучшение аналитических возможностей и прогнозирования: применение технологий ИИ в анализе данных и прогнозировании оказывает огромное влияние на отрасль Web3. Благодаря интеллектуальному анализу и глубинной добыче данных с помощью алгоритмов ИИ, платформы Web3 могут извлекать ценные сведения из огромных объемов данных, что позволяет делать более точные прогнозы и принимать решения. Это имеет важное значение для оценки рисков, прогнозирования рынка и управления активами в области децентрализованных финансов (DeFi).
Во-вторых, ИИ может улучшить пользовательский опыт и персонализированные услуги: применение технологий ИИ позволяет платформам Web3 предоставлять лучший пользовательский опыт и персонализированные услуги. Анализируя данные пользователей и создавая модели, можно предложить персонализированные рекомендации, индивидуализированные услуги и интеллектуальный интерактивный опыт, что повысит вовлеченность пользователей и их удовлетворенность, способствуя развитию экосистемы Web3.
В области безопасности и защиты конфиденциальности применение ИИ также оказывает глубокое влияние на индустрию Web3. Технологии ИИ могут использоваться для обнаружения и защиты от кибератак, распознавания аномальной активности и предоставления более надежной безопасности. В то же время ИИ также может быть применён для защиты конфиденциальности данных, используя такие технологии, как шифрование данных и вычисления с защитой конфиденциальности, для защиты личной информации пользователей. В области аудита смарт-контрактов технологии ИИ могут быть использованы для автоматизации аудита контрактов и обнаружения уязвимостей, что повышает безопасность и надежность контрактов.
Можно увидеть, что в отношении трудностей и потенциальных возможностей для улучшения, с которыми сталкивается индустрия Web3, ИИ может участвовать и оказывать помощь во многих аспектах.
Три. Анализ текущего состояния проектов AI+Web3
Проекты, сочетающие ИИ и Web3, в основном исходят из двух аспектов: использование технологий блокчейна для повышения эффективности проектов ИИ и использование технологий ИИ для улучшения проектов Web3.
Вокруг этих двух аспектов возникло множество проектов, исследующих этот путь, включая Io.net, Gensyn, Ritual и другие. Далее мы будем анализировать текущее состояние и развитие различных подсекторов, связанных с помощью ИИ для Web3 и Web3 для ИИ.
3.1 Web3 помогает AI
3.1.1 Децентрализованная вычислительная мощность
После запуска ChatGPT в конце 2022 года OpenAI вызвала ажиотаж вокруг ИИ, количество пользователей достигло 1 миллиона всего через 5 дней, а за 2 месяца число активных пользователей в месяц достигло 100 миллионов. К ноябрю 2023 года количество активных пользователей в неделю достигло 100 миллионов. Появление ChatGPT быстро превратило область ИИ из узкоспециализированной ниши в широко обсуждаемую отрасль.
Согласно отчету Trendforce, ChatGPT требует 30000 графических процессоров NVIDIA A100 для работы, и в будущем GPT-5 потребует еще большего количества вычислительных мощностей. Это также привело к началу гонки вооружений среди компаний в области ИИ: только обладая достаточной вычислительной мощностью, можно сохранить преимущество в битве ИИ, что и стало причиной нехватки графических процессоров.
До восхода ИИ основные клиенты крупнейшего поставщика GPU, компании NVIDIA, сосредоточились на трех крупных облачных сервисах: AWS, Azure и GCP. С ростом ИИ появилось множество новых покупателей, включая такие крупные технологические компании, как Meta и Oracle, а также другие платформы данных и стартапы в сфере ИИ, которые также начали накапливать GPU для обучения моделей ИИ.
Как упоминалось в прошлом году в Semi Analysis, "богатые GPU и бедные GPU", всего несколько компаний владеют более 20 000 GPU A100/H100, члены команд могут использовать от 100 до 1000 GPU для проектов. Эти компании либо облачные провайдеры, либо строят собственные LLM, включая OpenAI, Google, Meta, Anthropic, Inflection, Tesla, Oracle, Mistral и другие.
Однако большинство компаний являются "бедными в GPU", и они могут только на небольшом количестве графических процессоров бороться за выживание. Эта ситуация не ограничивается только стартапами; некоторые известные компании в области ИИ, такие как Hugging Face, Databricks, Together и даже Snowflake, имеют менее 20K A100/H100. Эти компании обладают мировыми талантами в области технологий, но ограничены количеством доступных GPU, что ставит их в невыгодное положение в гонке ИИ.
Этот дефицит не ограничивается "бедными в GPU"; даже в конце 2023 года, лидер ИИ OpenAI, не смог получить достаточное количество GPU и был вынужден закрыть платную регистрацию на несколько недель, одновременно закупая больше поставок GPU.
Очевидно, что быстрое развитие ИИ привело к серьезному несоответствию между спросом и предложением на GPU, проблема нехватки стала насущной.
Чтобы решить эту проблему, некоторые проекты Web3 начали пытаться объединить характеристики технологий Web3, предлагая услуги децентрализованной вычислительной мощности, включая Akash, Render, Gensyn и другие. Общей чертой этих проектов является использование токенов для стимулирования широких слоев пользователей предоставлять неиспользуемую вычислительную мощность GPU, становясь стороной поставки вычислительной мощности и обеспечивая поддержку вычислительной мощности для клиентов AI.
Сторона предложения в основном делится на три категории: облачные сервисы, майнеры криптовалют и предприятия.
Провайдеры облачных услуг включают крупных облачных провайдеров (, таких как AWS, Azure, GCP ), а также провайдеров облачных услуг GPU (, таких как Coreweave, Lambda, Crusoe и другие ). Пользователи могут перепродавать неиспользуемую вычислительную мощность облачных провайдеров для получения дохода. Криптомайнеры, с переходом Ethereum с PoW на PoS, также становятся важным потенциальным предложением на стороне предложения для неиспользуемой вычислительной мощности GPU. Кроме того, такие крупные компании, как Tesla и Meta, которые приобрели большое количество GPU в связи со стратегическим планированием, также могут использовать неиспользуемую вычислительную мощность GPU в качестве предложения.
В настоящее время игроки на рынке в основном делятся на две категории: одни используют децентрализованные вычислительные мощности для AI-инференса, другие - для AI-обучения. Первые, такие как Render(, хотя и сосредоточены на рендеринге, также могут использоваться для предоставления вычислительных мощностей AI), Akash, Aethir и т.д.; вторые, такие как io.net(, поддерживают как инференс, так и обучение), а основное различие между ними заключается в различных требованиях к вычислительной мощности.
Давайте сначала поговорим о проектах AI-вычислений. Эти проекты привлекают пользователей к предоставлению вычислительной мощности с помощью токенов, а затем предоставляют услуги вычислительной сети стороне спроса, осуществляя сопоставление предложения и спроса на неиспользуемую вычислительную мощность. Основная идея таких проектов заключается в привлечении поставщиков с помощью механизма стимулов на основе токенов, а затем привлечении пользователей для достижения холодного старта проекта и его основной операционной механики, что позволяет дальнейшее расширение и развитие. В этом цикле сторона предложения получает больше и более ценных токенов в качестве вознаграждения, а сторона спроса получает более дешевые и эффективные услуги. Стоимость токенов проекта и рост участников с обеих сторон спроса и предложения поддерживаются на одном уровне, и с ростом цены токена привлекается больше участников и спекулянтов, что приводит к захвату ценности.
Другой тип - это использование децентрализованных вычислительных мощностей для обучения ИИ, таких как Gensyn, io.net(. Обучение и вывод ИИ также поддерживают ). Логика работы таких проектов не отличается по своей сути от проектов, связанных с выводом ИИ; они продолжают привлекать предложения со стороны через токенизацию, чтобы предоставить вычислительные мощности для использования со стороны спроса.
io.net как децентрализованная сеть вычислительной мощности, в настоящее время количество GPU превышает 500000, демонстрируя выдающиеся результаты, интегрировала мощности Render и Filecoin, постоянно развивая экосистемные проекты.
Gensyn способствует распределению задач машинного обучения и вознаграждению с помощью смарт-контрактов, реализуя обучение ИИ. Стоимость работы по обучению машинного обучения Gensyn составляет около 0,4 доллара в час, что значительно ниже стоимости более 2 долларов на AWS и GCP.
Система Gensyn включает четыре участника: заявитель, исполнитель, проверяющий и информатор.
Отправитель: пользователи, имеющие потребности, являются потребителями задач, предоставляют задачи, которые будут обработаны, оплачивают задачи для обучения ИИ
Исполнитель: выполняет задачи по обучению модели, генерирует доказательства выполнения задач для проверки валидатором
Валидатор: связывает недетерминированный процесс обучения с детерминированными линейными вычислениями, сравнивает доказательства исполнителя с ожидаемым порогом
Жалобщик: проверяет работу валидатора, задает вопросы при обнаружении проблем и получает вознаграждение
Gensyn стремится стать масштабируемым и экономически эффективным вычислительным протоколом для глобальных моделей глубокого обучения.
Но, рассматривая эту область, почему большинство проектов выбирают децентрализованные вычисления для AI-инференса, а не для обучения?
Здесь мы помогаем друзьям, не понимающим разницу между обучением ИИ и выводом:
Обучение ИИ: если рассматривать искусственный интеллект как студента, то обучение будет похоже на предоставление ИИ большого объема знаний, примеров (, то есть данных ), из которых ИИ может учиться. Поскольку для обучения по своей сути необходимо понимать и запоминать большое количество информации, этот процесс требует значительных вычислительных мощностей и времени.
ИИ
Посмотреть Оригинал
На этой странице может содержаться сторонний контент, который предоставляется исключительно в информационных целях (не в качестве заявлений/гарантий) и не должен рассматриваться как поддержка взглядов компании Gate или как финансовый или профессиональный совет. Подробности смотрите в разделе «Отказ от ответственности» .
15 Лайков
Награда
15
4
Репост
Поделиться
комментарий
0/400
SmartContractPhobia
· 08-10 10:26
Слишком вычурно, за этим стоят капитал
Посмотреть ОригиналОтветить0
SadMoneyMeow
· 08-10 10:17
Кошелек опять будет опустошен, эх.
Посмотреть ОригиналОтветить0
ApeEscapeArtist
· 08-10 10:14
Это старая, как мир тема, есть ли какие-то прорывные идеи?
Слияние ИИ и Web3: анализ состояния, проблем и перспектив развития
Слияние и развитие AI и Web3: текущее состояние, вызовы и перспективы
I. Введение: Обзор развития AI+Web3
В последние годы быстрые progrès в области искусственного интеллекта (AI) и технологий Web3 привлекли широкое внимание по всему миру. Искусственный интеллект достиг значительных прорывов в таких областях, как распознавание лиц, обработка естественного языка и машинное обучение, что принесло огромные изменения и инновации в различные отрасли. В 2023 году рынок искусственного интеллекта достиг 200 миллиардов долларов, появилось множество выдающихся компаний, таких как OpenAI, Character.AI, Midjourney.
В то же время Web3 как новая модель сети меняет представление людей об интернете и способы его использования. Web3 основан на технологии децентрализованного блокчейна и реализует обмен данными и контроль,自治 пользователей и создание механизмов доверия через смарт-контракты, распределенное хранилище и децентрализованную идентификацию. Основная идея Web3 заключается в том, чтобы освободить данные от централизованных учреждений, предоставив пользователям контроль над данными и право на распределение их ценности. В настоящее время рыночная капитализация индустрии Web3 достигла 25 триллионов долларов, а такие проекты, как Bitcoin, Ethereum, Solana и другие, появляются один за другим.
Слияние ИИ и Web3 — это область, которая вызывает общий интерес разработчиков и инвесторов как на Востоке, так и на Западе. Как хорошо объединить оба направления — это вопрос, который стоит изучить. В данной статье мы сосредоточим внимание на текущем состоянии развития ИИ+Web3, обсудим потенциальную ценность и влияние такого слияния. Сначала мы представим основные концепции ИИ и Web3, а затем исследуем взаимосвязь между ними. Далее мы проанализируем текущее состояние проектов ИИ+Web3 и подробно обсудим существующие ограничения и вызовы. Надеемся, что это предоставит инвесторам и практикам ценную информацию и идеи.
2. Способы взаимодействия AI и Web3
Развитие ИИ и Web3 похоже на две стороны весов: ИИ повышает производительность, а Web3 реформирует производственные отношения. Какие искры могут возникнуть при столкновении этих двух? Сначала мы проанализируем каждую из сторон, их проблемы и возможности для улучшения, а затем обсудим, как они могут помочь друг другу решить эти проблемы.
2.1 Проблемы, с которыми сталкивается AI-индустрия
Чтобы изучить проблемы в индустрии ИИ, прежде всего, необходимо понять три ключевых элемента ИИ: вычислительная мощность, алгоритмы и данные.
Вычислительная мощность: это способность выполнять крупномасштабные вычисления и обработки. Задачи ИИ обычно требуют обработки огромных объемов данных и сложных вычислений, таких как обучение моделей глубоких нейронных сетей. Высокая вычислительная мощность может ускорить обучение и вывод моделей, повышая производительность и эффективность систем ИИ. В последние годы развитие графических процессоров (GPU) и специализированных ИИ-чипов значительно способствовало прогрессу в области ИИ. Провайдеры GPU, такие как Nvidia, занимают большую долю рынка и получают высокую прибыль.
Алгоритмы: Основные компоненты AI-системы, включая традиционные алгоритмы машинного обучения и алгоритмы глубокого обучения. Выбор и проектирование алгоритмов имеют решающее значение для производительности AI-системы. Постоянное совершенствование и инновации в алгоритмах могут повысить точность, надежность и обобщающую способность системы.
Данные: Основная задача AI-системы заключается в извлечении паттернов и закономерностей из данных через обучение и тренировку. Обширные наборы данных могут предоставить более полную и разнообразную информацию, помогая модели лучше обобщать на ранее не встречавшихся данных и лучше понимать и решать проблемы реального мира.
Поняв основные элементы ИИ, давайте рассмотрим вызовы, с которыми сталкивается ИИ в этих трех аспектах:
В области вычислительных мощностей задачи ИИ требуют значительных вычислительных ресурсов для обучения моделей и их применения. Получение и управление масштабными вычислительными мощностями обходится дорого и сложно, особенно для стартапов и индивидуальных разработчиков.
С точки зрения алгоритмов, хотя глубокое обучение добилось огромного успеха, все же существуют проблемы. Для обучения глубоких нейронных сетей необходимы огромные объемы данных и вычислительных ресурсов, а интерпретируемость моделей для некоторых задач недостаточна. Робустность алгоритмов и способность к обобщению также являются важными проблемами, так как модели могут показывать нестабильные результаты на ранее не виденных данных.
В области данных по-прежнему существуют проблемы с получением высококачественных и разнообразных данных. В некоторых областях, таких как медицина, получить чувствительные данные сложно. Также есть проблемы с качеством, точностью и аннотированием данных; неполные или предвзятые данные могут привести к ошибкам или смещениям в моделях. В то же время защита конфиденциальности данных и безопасность также являются важными аспектами.
Кроме того, объяснимость и прозрачность моделей ИИ также являются проблемами, вызывающими общественный интерес. Некоторые приложения, такие как финансы, здравоохранение и т. д., требуют объяснимых и отслеживаемых процессов принятия решений, тогда как существующие модели глубокого обучения часто страдают от недостатка прозрачности.
Кроме того, многие бизнес-модели стартапов в области ИИ неясны, что также вызывает замешательство у многих предпринимателей в этой сфере.
2.2 Проблемы, с которыми сталкивается индустрия Web3
В индустрии Web3 существует множество проблем, которые необходимо решить, будь то анализ данных, пользовательский опыт или уязвимости и проблемы безопасности в коде смарт-контрактов. В этих областях есть огромный потенциал для улучшения. ИИ, как инструмент повышения производительности, может сыграть важную роль в этих аспектах.
Прежде всего, это улучшение аналитических возможностей и прогнозирования: применение технологий ИИ в анализе данных и прогнозировании оказывает огромное влияние на отрасль Web3. Благодаря интеллектуальному анализу и глубинной добыче данных с помощью алгоритмов ИИ, платформы Web3 могут извлекать ценные сведения из огромных объемов данных, что позволяет делать более точные прогнозы и принимать решения. Это имеет важное значение для оценки рисков, прогнозирования рынка и управления активами в области децентрализованных финансов (DeFi).
Во-вторых, ИИ может улучшить пользовательский опыт и персонализированные услуги: применение технологий ИИ позволяет платформам Web3 предоставлять лучший пользовательский опыт и персонализированные услуги. Анализируя данные пользователей и создавая модели, можно предложить персонализированные рекомендации, индивидуализированные услуги и интеллектуальный интерактивный опыт, что повысит вовлеченность пользователей и их удовлетворенность, способствуя развитию экосистемы Web3.
В области безопасности и защиты конфиденциальности применение ИИ также оказывает глубокое влияние на индустрию Web3. Технологии ИИ могут использоваться для обнаружения и защиты от кибератак, распознавания аномальной активности и предоставления более надежной безопасности. В то же время ИИ также может быть применён для защиты конфиденциальности данных, используя такие технологии, как шифрование данных и вычисления с защитой конфиденциальности, для защиты личной информации пользователей. В области аудита смарт-контрактов технологии ИИ могут быть использованы для автоматизации аудита контрактов и обнаружения уязвимостей, что повышает безопасность и надежность контрактов.
Можно увидеть, что в отношении трудностей и потенциальных возможностей для улучшения, с которыми сталкивается индустрия Web3, ИИ может участвовать и оказывать помощь во многих аспектах.
Три. Анализ текущего состояния проектов AI+Web3
Проекты, сочетающие ИИ и Web3, в основном исходят из двух аспектов: использование технологий блокчейна для повышения эффективности проектов ИИ и использование технологий ИИ для улучшения проектов Web3.
Вокруг этих двух аспектов возникло множество проектов, исследующих этот путь, включая Io.net, Gensyn, Ritual и другие. Далее мы будем анализировать текущее состояние и развитие различных подсекторов, связанных с помощью ИИ для Web3 и Web3 для ИИ.
3.1 Web3 помогает AI
3.1.1 Децентрализованная вычислительная мощность
После запуска ChatGPT в конце 2022 года OpenAI вызвала ажиотаж вокруг ИИ, количество пользователей достигло 1 миллиона всего через 5 дней, а за 2 месяца число активных пользователей в месяц достигло 100 миллионов. К ноябрю 2023 года количество активных пользователей в неделю достигло 100 миллионов. Появление ChatGPT быстро превратило область ИИ из узкоспециализированной ниши в широко обсуждаемую отрасль.
Согласно отчету Trendforce, ChatGPT требует 30000 графических процессоров NVIDIA A100 для работы, и в будущем GPT-5 потребует еще большего количества вычислительных мощностей. Это также привело к началу гонки вооружений среди компаний в области ИИ: только обладая достаточной вычислительной мощностью, можно сохранить преимущество в битве ИИ, что и стало причиной нехватки графических процессоров.
До восхода ИИ основные клиенты крупнейшего поставщика GPU, компании NVIDIA, сосредоточились на трех крупных облачных сервисах: AWS, Azure и GCP. С ростом ИИ появилось множество новых покупателей, включая такие крупные технологические компании, как Meta и Oracle, а также другие платформы данных и стартапы в сфере ИИ, которые также начали накапливать GPU для обучения моделей ИИ.
Как упоминалось в прошлом году в Semi Analysis, "богатые GPU и бедные GPU", всего несколько компаний владеют более 20 000 GPU A100/H100, члены команд могут использовать от 100 до 1000 GPU для проектов. Эти компании либо облачные провайдеры, либо строят собственные LLM, включая OpenAI, Google, Meta, Anthropic, Inflection, Tesla, Oracle, Mistral и другие.
Однако большинство компаний являются "бедными в GPU", и они могут только на небольшом количестве графических процессоров бороться за выживание. Эта ситуация не ограничивается только стартапами; некоторые известные компании в области ИИ, такие как Hugging Face, Databricks, Together и даже Snowflake, имеют менее 20K A100/H100. Эти компании обладают мировыми талантами в области технологий, но ограничены количеством доступных GPU, что ставит их в невыгодное положение в гонке ИИ.
Этот дефицит не ограничивается "бедными в GPU"; даже в конце 2023 года, лидер ИИ OpenAI, не смог получить достаточное количество GPU и был вынужден закрыть платную регистрацию на несколько недель, одновременно закупая больше поставок GPU.
Очевидно, что быстрое развитие ИИ привело к серьезному несоответствию между спросом и предложением на GPU, проблема нехватки стала насущной.
Чтобы решить эту проблему, некоторые проекты Web3 начали пытаться объединить характеристики технологий Web3, предлагая услуги децентрализованной вычислительной мощности, включая Akash, Render, Gensyn и другие. Общей чертой этих проектов является использование токенов для стимулирования широких слоев пользователей предоставлять неиспользуемую вычислительную мощность GPU, становясь стороной поставки вычислительной мощности и обеспечивая поддержку вычислительной мощности для клиентов AI.
Сторона предложения в основном делится на три категории: облачные сервисы, майнеры криптовалют и предприятия.
Провайдеры облачных услуг включают крупных облачных провайдеров (, таких как AWS, Azure, GCP ), а также провайдеров облачных услуг GPU (, таких как Coreweave, Lambda, Crusoe и другие ). Пользователи могут перепродавать неиспользуемую вычислительную мощность облачных провайдеров для получения дохода. Криптомайнеры, с переходом Ethereum с PoW на PoS, также становятся важным потенциальным предложением на стороне предложения для неиспользуемой вычислительной мощности GPU. Кроме того, такие крупные компании, как Tesla и Meta, которые приобрели большое количество GPU в связи со стратегическим планированием, также могут использовать неиспользуемую вычислительную мощность GPU в качестве предложения.
В настоящее время игроки на рынке в основном делятся на две категории: одни используют децентрализованные вычислительные мощности для AI-инференса, другие - для AI-обучения. Первые, такие как Render(, хотя и сосредоточены на рендеринге, также могут использоваться для предоставления вычислительных мощностей AI), Akash, Aethir и т.д.; вторые, такие как io.net(, поддерживают как инференс, так и обучение), а основное различие между ними заключается в различных требованиях к вычислительной мощности.
Давайте сначала поговорим о проектах AI-вычислений. Эти проекты привлекают пользователей к предоставлению вычислительной мощности с помощью токенов, а затем предоставляют услуги вычислительной сети стороне спроса, осуществляя сопоставление предложения и спроса на неиспользуемую вычислительную мощность. Основная идея таких проектов заключается в привлечении поставщиков с помощью механизма стимулов на основе токенов, а затем привлечении пользователей для достижения холодного старта проекта и его основной операционной механики, что позволяет дальнейшее расширение и развитие. В этом цикле сторона предложения получает больше и более ценных токенов в качестве вознаграждения, а сторона спроса получает более дешевые и эффективные услуги. Стоимость токенов проекта и рост участников с обеих сторон спроса и предложения поддерживаются на одном уровне, и с ростом цены токена привлекается больше участников и спекулянтов, что приводит к захвату ценности.
Другой тип - это использование децентрализованных вычислительных мощностей для обучения ИИ, таких как Gensyn, io.net(. Обучение и вывод ИИ также поддерживают ). Логика работы таких проектов не отличается по своей сути от проектов, связанных с выводом ИИ; они продолжают привлекать предложения со стороны через токенизацию, чтобы предоставить вычислительные мощности для использования со стороны спроса.
io.net как децентрализованная сеть вычислительной мощности, в настоящее время количество GPU превышает 500000, демонстрируя выдающиеся результаты, интегрировала мощности Render и Filecoin, постоянно развивая экосистемные проекты.
Gensyn способствует распределению задач машинного обучения и вознаграждению с помощью смарт-контрактов, реализуя обучение ИИ. Стоимость работы по обучению машинного обучения Gensyn составляет около 0,4 доллара в час, что значительно ниже стоимости более 2 долларов на AWS и GCP.
Система Gensyn включает четыре участника: заявитель, исполнитель, проверяющий и информатор.
Gensyn стремится стать масштабируемым и экономически эффективным вычислительным протоколом для глобальных моделей глубокого обучения.
Но, рассматривая эту область, почему большинство проектов выбирают децентрализованные вычисления для AI-инференса, а не для обучения?
Здесь мы помогаем друзьям, не понимающим разницу между обучением ИИ и выводом:
Обучение ИИ: если рассматривать искусственный интеллект как студента, то обучение будет похоже на предоставление ИИ большого объема знаний, примеров (, то есть данных ), из которых ИИ может учиться. Поскольку для обучения по своей сути необходимо понимать и запоминать большое количество информации, этот процесс требует значительных вычислительных мощностей и времени.
ИИ