AI和區塊鏈的融合:從基礎設施到應用的全景圖

人工智能行業近期的快速發展,被一些人視爲第四次工業革命的開端。大型語言模型的出現顯著提升了各行各業的效率,據波士頓諮詢公司估計,GPT爲美國整體工作效率帶來了約20%的提升。同時,大模型所具備的泛化能力被視爲一種新的軟件設計範式。過去的軟件設計是精確的代碼,而現在的軟件設計更多地是將泛化能力較強的大模型框架嵌入到軟件中,這使得軟件能夠具備更好的表現,並支持更廣泛的模態輸入與輸出。深度學習技術確實爲AI行業帶來了新一輪的繁榮,這股熱潮也逐漸蔓延到了加密貨幣行業。

AI行業的發展歷程

人工智能行業從20世紀50年代開始起步。爲了實現人工智能的願景,學術界和工業界在不同時代、不同學科背景下,發展出了多種實現人工智能的流派。

現代人工智能技術主要使用"機器學習"這一術語,其核心理念是讓機器依靠數據在任務中反復迭代以改善系統性能。主要步驟包括將數據輸入算法,用這些數據訓練模型,測試部署模型,最後使用模型完成自動化的預測任務。

目前機器學習有三大主要流派,分別是聯結主義、符號主義和行爲主義,它們分別模仿人類的神經系統、思維和行爲。其中,以神經網路爲代表的聯結主義目前佔據主導地位(也被稱爲深度學習)。這種架構有一個輸入層、一個輸出層,以及多個隱藏層。當層數和神經元(參數)數量足夠多時,就能夠擬合復雜的通用型任務。通過不斷輸入數據,調整神經元的參數,最終經過大量數據訓練,神經網路就能達到一個最佳狀態。這也是"深度"一詞的由來 - 足夠多的層數和神經元。

基於神經網路的深度學習技術也經歷了多次技術迭代與演進,從最早期的神經網路,到前饋神經網路、RNN、CNN、GAN,最後發展到現代大模型如GPT等使用的Transformer技術。Transformer技術是神經網路的一個演進方向,它增加了一個轉換器(Transformer),用於將多種模態(如音頻、視頻、圖片等)的數據編碼成對應的數值表示。然後將這些編碼後的數據輸入神經網路,使神經網路能夠擬合任何類型的數據,從而實現多模態處理能力。

AI發展經歷了三次技術浪潮。第一次浪潮發生在20世紀60年代,是AI技術提出後的十年。這次浪潮主要由符號主義技術的發展引起,該技術解決了通用的自然語言處理和人機對話問題。同時期,專家系統誕生,這是斯坦福大學在美國國家航天局的支持下完成的DENRAL專家系統,該系統具備強大的化學知識,能夠通過問題推斷生成與化學專家相似的答案。

第二次AI技術浪潮發生在1997年,當時IBM的"深藍"以3.5:2.5的比分戰勝了國際象棋冠軍卡斯帕羅夫,這場勝利被視爲人工智能發展的一個裏程碑。

第三次AI技術浪潮始於2006年。深度學習三巨頭Yann LeCun、Geoffrey Hinton和Yoshua Bengio提出了深度學習的概念,這是一種以人工神經網路爲架構,對數據進行表徵學習的算法。此後,深度學習算法不斷演進,從RNN、GAN到Transformer以及Stable Diffusion,這些算法共同塑造了第三次技術浪潮,也標志着聯結主義的鼎盛時期。

深度學習產業鏈

當前大型語言模型主要使用基於神經網路的深度學習方法。以GPT爲代表的大模型掀起了新一輪人工智能熱潮,大量玩家湧入這個賽道。我們發現市場對數據和算力的需求大量迸發,因此在報告的這一部分,我們主要探討深度學習算法的產業鏈,分析在深度學習算法主導的AI行業中,其上下遊是如何組成的,以及上下遊的現狀、供需關係和未來發展趨勢。

基於Transformer技術的GPT等大型語言模型(LLMs)的訓練主要分爲三個步驟:

1. 預訓練:通過向輸入層提供大量的數據對來尋找模型中各個神經元的最佳參數。這個過程需要海量數據,也是最耗費算力的階段。

2. 微調:使用數量較少但質量很高的數據來訓練,以提升模型輸出的質量。

3. 強化學習:建立一個"獎勵模型"來評估大模型的輸出質量,通過這種方式來迭代改進大模型的參數。

在大模型的訓練過程中,參數數量越多,其泛化能力的上限就越高。因此,影響大模型表現的三個主要因素是:參數數量、數據量與質量、算力。這三個要素共同決定了大模型的結果質量和泛化能力。

產業鏈中的主要環節包括:

1. 硬件GPU提供商:目前Nvidia在AI芯片市場處於絕對領先地位。學術界主要使用消費級GPU(如RTX系列),而工業界主要使用H100、A100等用於大模型商業化落地的芯片。

2. 雲服務提供商:爲資金有限的AI企業提供彈性算力和托管訓練解決方案。主要分爲三類:傳統大型雲廠商(如AWS、Google Cloud、Azure)、垂直賽道的專業雲算力平台(如CoreWeave、Lambda)、以及新興的推理即服務提供商(如Together.ai、Fireworks.ai)。

3. 訓練數據源提供商:爲模型提供大量、高質量或特定領域的數據。一些公司專門從事數據採集和標注工作。

4. 數據庫提供商:爲AI數據存儲和處理提供專門的矢量數據庫解決方案。主要玩家包括Chroma、Zilliz、Pinecone、Weaviate等。

5. 邊緣設備:包括能源供應和冷卻系統,以支持大規模GPU集羣的運行。隨着AI模型規模的增長,這一領域的需求也在快速增長。

6. 應用開發:基於大模型開發各種垂直領域的應用,如智能助手、內容生成工具等。目前應用開發相對滯後於基礎設施建設。

區塊鏈與AI的結合

區塊鏈技術和AI的結合主要體現在以下幾個方面:

1. 價值重塑:代幣經濟學可以爲AI產業鏈中的各個環節重新定義價值,激勵更多參與者深耕AI行業的細分賽道。

2. 信任機制:區塊鏈的去中心化和不可篡改特性可以爲AI應用提供可信的數據處理環境,解決數據隱私和安全問題。

3. 資源共享:通過區塊鏈網路,可以實現閒置GPU算力的全球共享,提高資源利用效率。

4. 數據市場:區塊鏈可以爲AI訓練數據構建一個公平、透明的交易市場,激勵個人和機構貢獻高質量數據。

5. 模型驗證:使用零知識證明等密碼學技術,可以在保護模型隱私的同時驗證AI推理結果的正確性。

在Crypto與AI結合的生態中,主要湧現出了以下幾類項目:

1. 分布式GPU算力網路:如Render、Akash等,旨在構建去中心化的GPU計算市場。

2. AI數據提供商:如EpiK Protocol、Synesis One、Masa等,致力於建立去中心化的AI訓練數據市場。

3. ZKML(零知識機器學習):結合零知識證明技術,實現隱私保護下的AI訓練和推理。

4. AI代理(Agent):如Fetch.AI,構建能自主執行任務的AI代理網路。

5. AI公鏈:如Tensor、Allora等,專門爲AI模型開發和部署設計的區塊鏈網路。

盡管Crypto與AI的結合仍處於早期階段,面臨諸如性能、隱私等挑戰,但這一領域展現出了巨大的創新潛力。隨着技術的進步和生態的完善,我們有理由期待AI與區塊鏈的深度融合將爲両個行業帶來革命性的變革。