Nowy paradygmat gospodarki danych AI: ambicje DIN i sprzedaż węzłów z perspektywy modułowego przetwarzania danych
Obecnie AI bez wątpienia jest jednym z najgorętszych sektorów na świecie – zarówno nowatorskie startupy, jak i tradycyjne korporacje, od OpenAI z Doliny Krzemowej po rodzime Moonshot i Zhipu Qingyan, kolejno dołączają do tej rewolucji AI.
Wstęp
Obecnie na całym świecie AI bez wątpienia jest jednym z najgorętszych sektorów – zarówno OpenAI z Doliny Krzemowej, jak i krajowe firmy takie jak Moonshot czy Zhipu Qingyan, a także wielu nowych przedsiębiorców i tradycyjnych gigantów technologicznych, włączyło się w tę rewolucję AI. Sztuczna inteligencja nie tylko wyznacza trendy w branży technologicznej, ale jest również jednym z najbardziej wyróżniających się obszarów na rynku kryptowalut w tym roku. Patrząc na projekty notowane w tym roku na głównych CEX, mimo ostatnich zawirowań rynkowych, lider AI Bittensor (TAO) nadal przewodzi wszystkim nowym tokenom z ponad 5-krotnym zwrotem. Wraz z ciągłym rozwojem i zastosowaniem technologii AI, dane – będące fundamentem rozwoju AI – stają się coraz ważniejsze.
W erze AI znaczenie i potencjalna wartość danych osiągnęły niespotykany dotąd poziom
Według statystyk, obecnie wiodące firmy AI zajmujące się dużymi modelami muszą co roku przetwarzać i zużywać setki milionów zestawów danych, a skuteczność i precyzja tych danych bezpośrednio wpływają na efektywność treningu modeli AI. Jednak koszty pozyskiwania danych stale rosną, stając się poważnym wyzwaniem dla wszystkich firm AI.
Optymalizacja wydajności opiera się na stale rosnącym zużyciu danych
Na obecnym rynku firmy zajmujące się dużymi modelami AI co roku przetwarzają i zużywają ogromne ilości danych. Na przykład OpenAI do trenowania modelu GPT-3 użyło około 45 TB danych tekstowych, a koszt treningu GPT-4 sięgnął 78 milionów dolarów; Google na trening swojego modelu Gemini Ultra wydał około 191 milionów dolarów na moc obliczeniową. Tak ogromne zapotrzebowanie na dane nie ogranicza się tylko do OpenAI – inne firmy AI, takie jak Google czy Meta, również muszą przetwarzać ogromne ilości danych podczas treningu dużych modeli AI.
Należy zwracać uwagę na skuteczność danych
Skuteczne dane muszą być wysokiej jakości, wolne od uprzedzeń i bogate w cechy, aby model AI mógł się z nich uczyć i dokonywać trafnych prognoz. Na przykład OpenAI podczas trenowania GPT-3 korzystało z tekstów pochodzących z różnych źródeł, w tym książek, artykułów i stron internetowych, aby zapewnić różnorodność i reprezentatywność danych. Jednak skuteczność danych zależy nie tylko od ich źródła, ale także od procesów czyszczenia, oznaczania i wstępnego przetwarzania, które wymagają znacznych nakładów pracy i zasobów.
Nie można ignorować ekonomii – koszty zbierania i przetwarzania danych
W praktycznym treningu modeli AI koszty zbierania, oznaczania i przetwarzania danych są często niedoszacowane, ale mogą być bardzo znaczące. Oznaczanie danych to czasochłonny i kosztowny proces, który często wymaga pracy ręcznej. Po zebraniu dane muszą być jeszcze oczyszczone, zorganizowane i przetworzone, aby algorytmy AI mogły je efektywnie wykorzystać. Według raportu McKinsey koszt treningu dużego modelu AI może sięgać kilku milionów dolarów. Ponadto budowa i utrzymanie centrów danych oraz infrastruktury obliczeniowej firm AI to również ogromne wydatki.
Podsumowując, trening dużych modeli AI wymaga ogromnych ilości wysokiej jakości danych, a ilość, skuteczność i koszt ich pozyskania bezpośrednio decydują o wydajności i sukcesie modelu AI. W przyszłości, wraz z postępem technologii AI, efektywne pozyskiwanie i wykorzystywanie danych stanie się kluczowym czynnikiem konkurencyjności firm AI.
Modułowa warstwa wstępnego przetwarzania danych – zdecentralizowane rozwiązanie AI oparte na blockchainie
W tym kontekście DIN (dawniej Web3Go) powstał jako pierwsza modułowa, natywna warstwa wstępnego przetwarzania danych dla AI. DIN ma na celu umożliwienie każdemu dostarczania danych dla AI i otrzymywania za to wynagrodzenia poprzez zdecentralizowaną weryfikację i wektoryzację danych, prowadząc do nowej gospodarki danych, w której każdy może zarabiać na swoich danych osobowych, a firmy mogą pozyskiwać dane wydajniej i taniej. Obecnie DIN otrzymał 4 miliony dolarów finansowania seed od Binance Labs, a następnie kolejne 4 miliony dolarów finansowania pre-listing od innych instytucji, społeczności i sieci KOL, osiągając wycenę 80 milionów dolarów, co pokazuje ogromny potencjał i wysokie uznanie rynku dla przyszłego rozwoju projektu. Partnerzy DIN to m.in. Polkadot, BNB Chain, Moonbeam Network i Manta Network.
Węzeł wstępnego przetwarzania danych DIN – Chipper Node
Pozycjonowanie rynkowe DIN jest bardzo jasne – dąży do zbudowania zdecentralizowanej sieci inteligencji danych w obszarze AI i danych.Chipper Node odgrywa kluczową rolę w ekosystemie DIN,odpowiadając za weryfikację danych, wektoryzację i obliczanie nagród – jest to kluczowy komponent warstwy wstępnego przetwarzania danych DIN.
Zastrzeżenie: Treść tego artykułu odzwierciedla wyłącznie opinię autora i nie reprezentuje platformy w żadnym charakterze. Niniejszy artykuł nie ma służyć jako punkt odniesienia przy podejmowaniu decyzji inwestycyjnych.
Może Ci się również spodobać
Turcja wdraża wielotorowe nagłe „gaszenie pożaru”: likwidacja funduszy o wartości blisko 20 miliardów dolarów, aresztowanie kadry kierowniczej, zakaz handlu
Turecki minister finansów stwierdził, że ryzyko jest „tymczasowe i kontrolowane”; organy nadzoru przeprowadzą likwidację ponad stu funduszy zarządzanych przez siedem firm zarządzających aktywami oraz portfeli inwestycyjnych obejmujących ponad 350 tysięcy inwestorów, postawią 38 osób w stan oskarżenia karnego oraz nałożą na nie dwuletni zakaz handlu; wielu menedżerów instytucji finansowych zostało aresztowanych, zatrzymanych lub objętych zakazem opuszczania kraju; bank centralny zwiększył skalę finansowania poprzez transakcje repo, złagodził wymogi kapitałowe dla banków, a limit pożyczek na rynku międzybankowym został podniesiony dziesięciokrotnie. Indeks tureckich akcji bankowych w czwartek wzrósł chwilowo o ponad 9%, choć wiele spółek o małej i średniej kapitalizacji nadal traciło na wartości.
Jensen Huang: Sprzedaż chipów Nvidia w przyszłym roku będzie dwukrotnie większa niż w tym roku, nie można regulować AI tak jak mediów społecznościowych.
Jensen Huang sprzeciwia się bezpośredniemu przenoszeniu regulacji mediów społecznościowych na AI, ponieważ media społecznościowe to produkt, a AI jest technologią bazową wspierającą inne technologie i produkty. Regulacje powinny dotyczyć produktów, a nie samej technologii. Podkreśla konieczność rygorystycznych testów, twierdząc, że jeśli produkt nie jest wystarczająco bezpieczny, jego publikacja powinna zostać wstrzymana. „Bezpieczeństwo AI jest niezwykle ważne”.
Co kupić po podwyżce stóp procentowych przez Fed? Historycznie amerykańskie akcje energetyczne i technologiczne wypadały lepiej, nieruchomości były w tyle, Goldman Sachs: o wynikach amerykańskich akcji decyduje tempo podwyżek stóp
Wyniki amerykańskich akcji w ciągu 12 miesięcy po pierwszej podwyżce stóp procentowych przez Fed: według Jefferies, sektor energii odnotował najwyższą średnią stopę zwrotu wynoszącą 22,4%, na drugim miejscu znalazł się sektor technologii informacyjnych z wynikiem 15,4%; według Charles Schwab, sektor nieruchomości był o 4,3% gorszy względem S&P 500, co czyni go najgorszym spośród 11 sektorów. Goldman Sachs wskazuje, że tempo podwyżek stóp procentowych jest kluczową zmienną wpływającą na amerykański rynek akcji, a obecnie wzrost rentowności 10-letnich obligacji skarbowych o 50 punktów bazowych w ciągu miesiąca stanowiłby presję „szybkiego podniesienia stóp”.
Złoto wzrosło o ponad 2%, a dolar oddał zwyżkę po decyzji Rezerwy Federalnej
Ceny krypto
Więcej
