Desenvolvimento da indústria de IA e a fusão com ativos de criptografia

A indústria de inteligência artificial tem se desenvolvido rapidamente nos últimos anos, sendo vista como uma parte importante da quarta revolução industrial. O surgimento de grandes modelos de linguagem melhorou significativamente a eficiência em vários setores, e a Boston Consulting estima que o GPT aumentou a eficiência do trabalho nos Estados Unidos em cerca de 20%. A capacidade de generalização dos grandes modelos é considerada um novo paradigma de design de software; em comparação com o design de código preciso tradicional, o software atual é mais frequentemente incorporado em estruturas de grandes modelos de generalização, resultando em melhor desempenho e suporte a uma gama mais ampla de modos. A tecnologia de aprendizado profundo trouxe uma nova onda de prosperidade para a indústria de IA, e essa onda também se estendeu à indústria de Ativos de criptografia.

História do desenvolvimento da indústria de IA

A indústria de IA começou na década de 1950, com a academia e a indústria propondo várias rotas técnicas para a implementação da inteligência artificial em diferentes períodos. Atualmente, a abordagem predominante é baseada em métodos de aprendizado de máquina, cujo conceito central é permitir que as máquinas melhorem o desempenho do sistema através da iteração com grandes volumes de dados. O aprendizado de máquina é principalmente dividido em três grandes correntes: conexionismo, simbolismo e comportamentalismo, que imitam respectivamente o sistema nervoso humano, o pensamento e o comportamento.

Atualmente, o conexionismo, representado por redes neurais, domina e é também conhecido como aprendizagem profunda. As redes neurais possuem uma camada de entrada, uma camada de saída e várias camadas ocultas, ajustando-se a tarefas gerais complexas por meio do treinamento com uma enorme quantidade de parâmetros e dados. A tecnologia de aprendizagem profunda passou por várias evoluções, desde as primeiras redes neurais, RNN, CNN, até os modernos Transformers.

O desenvolvimento da IA passou por três ondas tecnológicas:

1. Na década de 1960, a tecnologia simbolista desencadeou a primeira onda, resolvendo os problemas de processamento de linguagem natural e diálogo homem-máquina.

2. Na década de 90, o Deep Blue da IBM venceu o campeão de xadrez, e a IA viveu um segundo auge.

3. Desde 2006, o surgimento do aprendizado profundo desencadeou a terceira onda. Os três gigantes do aprendizado profundo apresentaram conceitos relacionados, e a partir daí, algoritmos como RNN, GAN e Transformer evoluíram continuamente.

Nos últimos anos, ocorreram vários marcos no campo da IA:

• Em 2011, o IBM Watson venceu humanos no programa de perguntas e respostas Jeopardy!
• Em 2016, o AlphaGo derrotou o campeão mundial de Go, Lee Sedol.
• Em 2017, o Google apresentou o algoritmo Transformer
• Entre 2018 e 2020, a série de modelos GPT continuou a fazer avanços.
• O ChatGPT foi lançado em 2023 e rapidamente se tornou popular.

Cadeia de indústria de aprendizagem profunda

Os modelos de linguagem de grande escala atualmente em voga são baseados em métodos de aprendizagem profunda. Os grandes modelos, representados pelo GPT, desencadearam uma nova onda de entusiasmo em IA, com muitos jogadores a entrar neste setor. Podemos analisar a estrutura da cadeia industrial de aprendizagem profunda a partir de dimensões como dados, poder de cálculo, entre outros.

O treinamento de grandes modelos é principalmente dividido em três etapas:

1. Pré-treinamento: necessita de grandes volumes de dados e capacidade computacional, é a fase que consome mais recursos.

2. Ajuste fino: usar uma pequena quantidade de dados de alta qualidade para melhorar a qualidade do modelo.

3. Aprendizagem reforçada: otimizar continuamente a saída do modelo através de feedback.

Os três fatores-chave que afetam o desempenho de modelos grandes são o número de parâmetros, a quantidade/qualidade de dados e a capacidade de computação. Tomando o GPT-3 como exemplo, ele tem 175 bilhões de parâmetros, dados de treinamento de aproximadamente 570GB e requer um enorme suporte de capacidade de computação.

A cadeia de indústria de aprendizagem profunda inclui principalmente:

• Hardware GPU: Fabricantes como Nvidia fornecem chips GPU de alto desempenho
• Serviços em nuvem: AWS, Google Cloud, entre outros, oferecem suporte de poder computacional
• Dados: vários provedores de dados e empresas de rotulagem
• Base de dados: banco de dados de vetores e armazenamento de grandes volumes de dados
• Dispositivos de borda: sistemas de refrigeração e outros dispositivos de suporte
• Aplicações: aplicações de IA em vários setores verticais

Ativos de criptografia e a combinação com IA

A tecnologia de blockchain e ativos de criptografia pode trazer novas descobertas de valor e mecanismos de reestruturação para a cadeia industrial de IA:

1. A economia dos tokens pode incentivar mais pessoas a participar em todas as etapas da indústria de IA, obtendo ganhos que vão além do fluxo de caixa.

2. O livro-razão descentralizado pode resolver problemas de confiança em dados e modelos, permitindo a colaboração sob a proteção da privacidade dos dados.

3. A rede de valor global pode ativar a capacidade de cálculo ociosa e reduzir custos.

4. Os contratos inteligentes podem realizar transações e utilizações automatizadas de modelos de IA.

Atualmente, as principais direções da combinação de ativos de criptografia com IA incluem:

• Mercado de poder de computação em nuvem GPU: Projetos como Render oferecem uma rede de computação descentralizada
• Mercado de dados: EpiK Protocol e outros oferecem serviços de dados para AI
• ZKML: implementação de treinamento e inferência de modelos sob computação de privacidade
• Agente de IA: Projetos como Fetch.AI constroem uma rede de agentes inteligentes
• Blockchain de IA: rede blockchain projetada especificamente para IA

Embora a aplicação atual de AI + ativos de criptografia ainda esteja em estágio inicial, essa combinação tem o potencial de reconfigurar a cadeia industrial de AI e criar novos valores. No futuro, à medida que os avanços tecnológicos ocorrerem, a fusão dos dois campos será ainda mais próxima.