AI x Crypto：从零到巅峰

引言

人工智能行业近期蓬勃发展，被视为新一轮工业革命。大模型的出现显著提升了各行业效率,波士顿咨询认为GPT为美国提高了约20%的工作效率。大模型的泛化能力被认为是新的软件设计范式,使软件具备更好的表现和更广泛的模态支持。深度学习技术为AI行业带来第四次繁荣,这股浪潮也影响了加密货币行业。

本报告将详细探讨AI行业的发展历程、技术分类,以及深度学习对行业的影响。深入分析深度学习中GPU、云计算、数据源、边缘设备等产业链,及其发展现状与趋势。从本质上探讨加密货币与AI行业的关系,梳理加密货币相关AI产业链格局。

AI行业的发展历史

AI行业始于20世纪50年代,为实现人工智能愿景,学术界和工业界在不同时代背景下发展出多种实现路径。

现代人工智能技术主要采用"机器学习"方法,让机器通过数据迭代改善系统性能。主要步骤是将数据输入算法,训练模型,测试部署,完成自动预测任务。

机器学习有三大流派:联结主义、符号主义和行为主义,分别模仿人类的神经系统、思维和行为。

目前以神经网络为代表的联结主义占据主导地位(也称深度学习)。神经网络有输入层、输出层和多个隐藏层,层数和神经元(参数)数量足够多时,可以拟合复杂的通用任务。通过不断调整参数,最终达到最佳状态,这就是"深度"的由来。

深度学习技术经历了多次迭代演进,从早期神经网络,到前馈神经网络、RNN、CNN、GAN,最后发展到现代大模型如GPT使用的Transformer技术。Transformer技术只是神经网络的一个演进方向,增加了转换器模块,可以将多模态数据编码成数值表示再输入神经网络,实现多模态处理。

AI发展经历了三次技术浪潮:

1. 20世纪60年代,符号主义技术发展引发第一次浪潮,解决了通用自然语言处理和人机对话问题。同期诞生了专家系统。

2. 1997年,IBM深蓝战胜国际象棋冠军,标志AI技术迎来第二次高潮。

3. 2006年,深度学习概念提出,开启第三次技术浪潮。深度学习算法不断演进,从RNN、GAN到Transformer和Stable Diffusion,联结主义迎来鼎盛时期。

第三次浪潮中涌现了许多标志性事件:

• 2011年,IBM Watson在《危险边缘》问答节目中战胜人类
• 2014年,Goodfellow提出GAN
• 2015年,Hinton等人在《自然》杂志提出深度学习算法
• 2016年,AlphaGo战胜李世石
• 2017年,Google发布Transformer算法论文
• 2018年,OpenAI发布GPT
• 2020年,OpenAI发布GPT-3
• 2023年,ChatGPT推出并迅速达到1亿用户

深度学习产业链

当前大语言模型主要采用基于神经网络的深度学习方法。以GPT为首的大模型引发新一轮AI热潮,市场对数据和算力需求激增。本节探讨深度学习算法产业链的组成及发展状况。

大模型训练主要分三步:

1. 预训练:输入大量数据对寻找最佳参数,最耗费算力。

2. 微调:使用少量高质量数据训练,提升模型质量。

3. 强化学习:建立奖励模型评估输出质量,自动迭代参数。

影响大模型表现主要有三方面:参数数量、数据量质量、算力。可用经验公式估算所需计算量。

算力主要使用GPU芯片,如Nvidia的A100、H100等。GPU通过Tensor Core模块进行浮点运算,芯片性能主要看FP16/FP32精度下的FLOPS。

训练大模型需要庞大计算量和存储空间。以GPT-3为例,1750亿参数、1800亿Token数据,一次预训练需584天。GPT-4参数和数据量又增加10倍,需100倍算力。

产业链主要包括:

• 硬件GPU提供商:Nvidia占主导
• 云服务提供商:传统云厂商和AI垂直云服务商
• 训练数据源提供商:搜索引擎、社交平台等
• 数据库提供商:矢量数据库
• 边缘设备:冷却系统、能源供应
• 应用:尚处起步阶段

Crypto x AI的关系

区块链技术结合ZK发展成去中心化+去信任化思想。本质上是一个价值网络,每笔交易都是基于代币的价值转换。

代币经济学能为网络赋予多维度价值,远超传统企业证券。代币使任何创新和思想都能被赋予价值。

对AI行业,代币经济学能重塑产业链各环节价值,激励更多参与。区块链技术的不可篡改和去信任特性也能实现一些需要信任的AI应用。

总之,代币经济学促进价值重塑和发现,去中心化账本解决信任问题,将价值在全球范围重新流动。

Crypto行业Value Chain项目概览

GPU供给侧

代表项目如Render。GPU云算力市场不仅面向AI模型训练推理,也可用于传统渲染任务,降低单一市场风险。

预计2024年GPU算力需求约750亿美元,2032年达7730亿美元,CAGR 33.86%。

随着GPU迭代,大量闲置GPU将在共享网络中发挥长尾价值。但链上GPU共享存在数据传输带宽问题。

硬件带宽

代表项目如Meson Network。但共享带宽可能是伪需求,地理位置分散导致延迟高于本地存储。

数据

代表项目如EpiK Protocol、Synesis One、Masa等。Web3数据提供商优势在于更广泛的数据采集渠道。ZK方向项目如Masa前景较好。

ZKML

使用同态加密技术实现隐私计算和训练。代表项目如Axiom、Risc Zero、Ritual等。

AI应用

主要是传统区块链应用+自动化泛化能力。AI Agent成为重要方向,代表项目如Fetch.AI。

AI公链

为AI模型或代理构建的自适应网络,如Tensor、Allora等。基于代币经济学可显著降低推理成本。

总结

深度学习技术虽非全部AI发展方向,但已有实际应用场景。代币经济学能重塑AI产业链价值,区块链技术可解决信任问题。

GPU共享平台虽可利用闲置算力降低成本,但带宽问题限制其仅适用于不紧急的小模型训练。

总体而言,AI x Crypto结合具有实际效用,能重塑价值体系、解决信任问题、发现剩余价值。