Nuevo paradigma de la economía de datos de IA: la ambición de DIN y la venta de nodos desde la perspectiva del procesamiento modular de datos
En la actualidad, la IA es sin duda uno de los sectores más populares a nivel global. Tanto startups innovadoras como gigantes tradicionales, desde OpenAI en Silicon Valley hasta Moonshot y Zhipu Qingyan en China, están participando activamente en esta revolución de la inteligencia artificial.
Prólogo
En la actualidad, la IA es sin duda uno de los sectores más populares a nivel global. Tanto startups innovadoras como grandes empresas tradicionales, desde OpenAI en Silicon Valley hasta Moonshot y Zhipu Qingyan en China, se han sumado a esta revolución de la IA. No solo lidera las tendencias en el ámbito tecnológico, sino que también es uno de los sectores más destacados en el mercado de criptomonedas este año. Observando los proyectos listados en los principales CEX este año, a pesar de la reciente volatilidad del mercado, el líder de IA Bittensor (TAO) sigue encabezando todos los nuevos tokens de este año con un retorno superior a 5 veces. A medida que la tecnología de IA sigue desarrollándose y aplicándose, los datos, como base fundamental del desarrollo de la IA, se vuelven cada vez más importantes.
En la era de la IA, la importancia y el valor potencial de los datos han alcanzado un nivel sin precedentes
Según las estadísticas, las principales empresas de modelos de IA actualmente necesitan procesar y consumir cientos de millones de conjuntos de datos cada año. La eficacia y precisión de estos datos afectan directamente el resultado del entrenamiento de los modelos de IA. Sin embargo, el coste de obtención de datos sigue aumentando, convirtiéndose en un gran desafío para todas las empresas de IA.
La optimización del rendimiento se sostiene en el creciente consumo de datos
En el mercado actual, las empresas de grandes modelos procesan y consumen enormes cantidades de datos cada año. Por ejemplo, OpenAI utilizó aproximadamente 45TB de datos de texto para entrenar el modelo GPT-3, y el coste de entrenamiento de GPT-4 alcanzó los 78 millones de dólares; el coste computacional para entrenar el modelo Gemini Ultra de Google fue de unos 191 millones de dólares. Esta enorme demanda de datos no se limita a OpenAI; otras empresas de IA como Google y Meta también necesitan procesar grandes volúmenes de datos al entrenar modelos de IA a gran escala.
La eficacia de los datos requiere atención
Los datos efectivos deben ser de alta calidad, sin sesgos y con información de características rica, para asegurar que el modelo de IA pueda aprender de ellos y hacer predicciones precisas. Por ejemplo, OpenAI utilizó datos de texto de diversas fuentes, incluidos libros, artículos y sitios web, para entrenar GPT-3, garantizando la diversidad y representatividad de los datos. Sin embargo, la eficacia de los datos no solo depende de su origen, sino que también involucra procesos de limpieza, etiquetado y preprocesamiento, los cuales requieren una gran inversión de recursos humanos y materiales.
La economía no debe ser ignorada: el coste de la recopilación y procesamiento de datos
En la práctica del entrenamiento de modelos de IA, los costes de recopilación, etiquetado y procesamiento de datos suelen subestimarse, pero pueden ser muy significativos. En concreto, el etiquetado de datos es un proceso que consume mucho tiempo y es costoso, y a menudo requiere trabajo manual. Una vez recopilados los datos, es necesario limpiarlos, organizarlos y procesarlos para que los algoritmos de IA puedan utilizarlos eficazmente. Según un informe de McKinsey, el coste de entrenar un modelo de IA a gran escala puede alcanzar varios millones de dólares. Además, la construcción y el mantenimiento de los centros de datos y la infraestructura computacional de las empresas de IA también representan un gasto considerable.
En resumen, el entrenamiento de grandes modelos de IA depende de grandes cantidades de datos de alta calidad, y la cantidad, eficacia y coste de adquisición de estos datos determinan directamente el rendimiento y el éxito de los modelos de IA. En el futuro, a medida que la tecnología de IA siga avanzando, la eficiencia en la obtención y utilización de datos será un factor clave en la competencia entre empresas de IA.
Capa de preprocesamiento de datos modular: una solución de datos de IA descentralizada basada en blockchain
En este contexto, DIN (anteriormente Web3Go) surge como la primera capa modular de preprocesamiento de datos nativa de IA. DIN tiene como objetivo permitir, mediante la validación descentralizada de datos y el procesamiento vectorial, que cualquier persona pueda proporcionar datos a la IA y recibir recompensas, liderando una nueva economía de datos donde todos pueden monetizar sus datos personales y las empresas pueden obtener datos de manera más eficiente y económica. Actualmente, DIN ha recibido una financiación semilla de 4 millones de dólares de Binance Labs, y posteriormente ha obtenido otros 4 millones de dólares en financiación pre-listing de otras instituciones, comunidades y redes de KOL, con una valoración actual de 80 millones de dólares, lo que demuestra el gran reconocimiento del mercado a su potencial y desarrollo futuro. Sus socios incluyen Polkadot, BNB Chain, Moonbeam Network y Manta Network, entre otros.
Nodo de preprocesamiento de datos de DIN – Chipper Node
La posición de mercado de DIN es muy clara, dedicada a establecer una red de inteligencia de datos descentralizada en el ámbito de la IA y los datos.Chipper Node desempeña un papel importante en el ecosistema DIN,siendo responsable de la validación de datos, el procesamiento vectorial y el cálculo de recompensas, y es un componente central de la capa de preprocesamiento de datos de DIN.
Disclaimer: The content of this article solely reflects the author's opinion and does not represent the platform in any capacity. This article is not intended to serve as a reference for making investment decisions.
You may also like
El jefe de fondos de cobertura de Goldman Sachs: las "opciones de cero días" suprimen la volatilidad de las acciones estadounidenses; tecnología y energía siguen siendo las mejores opciones.
El S&P 500 ha registrado movimientos intradía de menos del 1% durante 27 sesiones consecutivas, marcando el periodo de menor volatilidad desde la pandemia. Goldman Sachs advierte que esta "calma" es resultado de estrategias de opciones de cero días que mantienen artificialmente sujeto el mercado; cualquier catalizador podría provocar una liberación concentrada de la energía de volatilidad comprimida. Al mismo tiempo, aumentan las expectativas de una subida de tasas en septiembre, el sentimiento cae a su punto más bajo del año y el riesgo de sostenibilidad fiscal sigue latente. ¿Cuánto tiempo más podrá calentarse esta olla antes de hervir?
¿Se avecina una nueva ola de ventas? El rival definitivo del mercado alcista de IA finalmente aparece: el "ancla de precios de activos globales" supera la barrera superclave del 5%.
Después de que el rendimiento de los bonos del Tesoro estadounidense a 10 años vuelva a superar la línea crucial del 5%, es más probable que se inicie un período de fluctuaciones en niveles altos y una acelerada diferenciación en el comportamiento de los activos. Especialmente antes de que se alivien de forma evidente el impacto energético y el déficit fiscal estadounidense, que sigue expandiéndose considerablemente, las condiciones para replicar rápidamente la fuerte caída de los rendimientos observada a finales de 2023 aún no son suficientes.
Anthropic publica otro artículo: ¿Cómo será la economía en la era de la IA?
El equipo de economía de Anthropic ha publicado un modelo de escenarios económicos con IA, centrado en tres guiones: un crecimiento moderado y progresivo, una transformación importante con el doble del PIB y un escenario extremo con un crecimiento anual del 15% pero una gran pérdida de empleo entre los trabajadores del conocimiento. El modelo considera el trabajo como "paquetes de tareas" y analiza los efectos de mejora y sustitución de la IA en diferentes tipos de tareas. Anthropic enfatiza que el panorama económico para 2030 no está predestinado y que la clave es garantizar una distribución amplia de los beneficios de la IA.
"El nuevo diario de la Reserva Federal": Walsh no tiene "margen de maniobra" para subir las tasas, la "confianza" de Trump está en juego
Nick Timiraos considera que, tras un IPC de agosto superior a las expectativas, la probabilidad de que la Reserva Federal suba las tasas esta semana se ha disparado, y la postura dura de Waller sobre la inflación le deja casi “sin margen de maniobra”. Subir las tasas siete semanas antes de las elecciones pondrá a prueba directamente cuánto tiempo puede durar la “confianza” de Trump en él. Anteriormente, Waller mantenía el equilibrio entre la Casa Blanca y la Reserva Federal mediante una táctica de “hablar poco y evitar provocar”, pero después de esta reunión, el silencio ya no será un escudo.
Crypto prices
More
