Novo paradigma da economia de dados em IA: a ambição do DIN e a venda de n ós a partir do processamento modular de dados
Atualmente, a IA é, sem dúvida, um dos setores mais populares em todo o mundo. Seja com a OpenAI no Vale do Silício ou com a Moonshot e a Zhipu Qingyan na China, tanto novos empreendedores quanto grandes empresas tradicionais estão entrando consecutivamente nesta revolução da IA.
Introdução
Atualmente, a IA é, sem dúvida, um dos setores mais quentes a nível global. Seja o OpenAI do Vale do Silício ou empresas nacionais como Moonshot e Zhipu Qingyan, tanto novos empreendedores quanto grandes empresas tradicionais estão a entrar nesta revolução da IA. Ela não só lidera tendências no setor tecnológico, como também é uma das áreas de maior destaque no mercado de criptomoedas este ano. Observando os projetos listados nas principais CEXs este ano, mesmo após a recente volatilidade do mercado, o líder em IA Bittensor (TAO) continua a liderar todos os novos tokens deste ano com um retorno superior a 5 vezes. Com o desenvolvimento e aplicação contínuos da tecnologia de IA, os dados, como base do desenvolvimento da IA, tornam-se cada vez mais importantes.
Na era da IA, a importância e o valor potencial dos dados atingiram um patamar sem precedentes
Segundo estatísticas, as principais empresas de modelos de IA precisam atualmente processar e consumir centenas de milhões de conjuntos de dados por ano, cuja eficácia e precisão afetam diretamente o desempenho do treino dos modelos de IA. No entanto, o custo de obtenção de dados está a aumentar constantemente, tornando-se um grande desafio para todas as empresas de IA.
A otimização do desempenho é suportada por um consumo crescente de dados
No mercado atual, as empresas de grandes modelos processam e consomem volumes enormes de dados anualmente. Por exemplo, o OpenAI utilizou cerca de 45TB de dados de texto para treinar o modelo GPT-3, enquanto o custo de treino do GPT-4 atingiu 78 milhões de dólares; o custo computacional para treinar o modelo Gemini Ultra da Google foi de cerca de 191 milhões de dólares. Esta enorme necessidade de dados não se limita ao OpenAI; outras empresas de IA como Google e Meta também precisam processar grandes volumes de dados ao treinar grandes modelos de IA.
A eficácia dos dados precisa de atenção
Dados eficazes devem ser de alta qualidade, sem viés e ricos em características, para garantir que o modelo de IA possa aprender e fazer previsões precisas. Por exemplo, ao treinar o GPT-3, o OpenAI utilizou dados de texto provenientes de várias fontes, incluindo livros, artigos e websites, para garantir diversidade e representatividade dos dados. No entanto, a eficácia dos dados não depende apenas da sua origem, mas também envolve etapas como limpeza, rotulagem e pré-processamento, que exigem grandes investimentos de mão de obra e recursos.
A economia não pode ser ignorada: o custo de recolha e processamento de dados
Na prática do treino de modelos de IA, os custos de recolha, rotulagem e processamento de dados são frequentemente subestimados, mas podem ser bastante significativos. Especificamente, a rotulagem de dados é um processo demorado e caro, frequentemente exigindo trabalho manual. Uma vez recolhidos os dados, é necessário proceder à sua limpeza, organização e processamento para que os algoritmos de IA possam utilizá-los eficazmente. Segundo um relatório da McKinsey, o custo de treinar um grande modelo de IA pode atingir vários milhões de dólares. Além disso, a construção e manutenção dos centros de dados e infraestruturas computacionais das empresas de IA representam também um enorme encargo.
Em suma, o treino de grandes modelos de IA depende de grandes quantidades de dados de alta qualidade, cuja quantidade, eficácia e custo de obtenção determinam diretamente o desempenho e o sucesso do modelo de IA. No futuro, com o avanço contínuo da tecnologia de IA, a eficiência na obtenção e utilização de dados tornar-se-á um fator-chave na competitividade das empresas de IA.
Camada de pré-processamento de dados modular: uma solução de dados de IA descentralizada baseada em blockchain
Neste contexto, DIN (anteriormente Web3Go), como a primeira camada modular de pré-processamento de dados nativa de IA, surgiu para responder a esta necessidade. O objetivo do DIN é, através da validação descentralizada de dados e processamento vetorial, permitir que qualquer pessoa forneça dados para IA e seja recompensada, liderando uma nova tendência económica onde todos podem rentabilizar os seus dados pessoais e as empresas podem obter dados de forma mais eficiente e económica. Atualmente, o DIN já recebeu 4 milhões de dólares em financiamento seed da Binance Labs, e posteriormente obteve mais 4 milhões de dólares em financiamento pre-listing de outras instituições, comunidades e redes de KOL, com uma avaliação atual de 80 milhões de dólares, demonstrando o grande potencial e reconhecimento do mercado para o seu futuro desenvolvimento. Os seus parceiros incluem Polkadot, BNB Chain, Moonbeam Network e Manta Network, entre outros.
O nó de pré-processamento de dados do DIN – Chipper Node
O posicionamento de mercado do DIN é muito claro, focando-se em construir uma rede de inteligência de dados descentralizada no campo da IA e dos dados.O Chipper Node desempenha um papel importante no ecossistema DIN,sendo responsável pela validação de dados, processamento vetorial e cálculo de recompensas, sendo o componente central da camada de pré-processamento de dados do 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
Hollywood prepara o “retorno da produção cinematográfica”! Economia dos EUA com “aterrissagem suave” recebe um plano de incentivo cinematográfico de 249,1 bilhões de dólares para impulsionar o setor
Uma pesquisa indica que os incentivos do governo federal para a produção de filmes e televisão gerarão 249,1 bilhões de dólares em receita para a economia dos Estados Unidos até 2035 e criarão 143.500 empregos em tempo integral. A Motion Picture Association dos Estados Unidos tem colaborado com os sindicatos de Hollywood para lançar uma campanha em favor de incentivos nacionais, visando competir mais efetivamente com mercados como o do Reino Unido e da Austrália.
Esta noite, "aumento de juros dovish"?
O aumento da taxa de juros pelo Federal Reserve está praticamente decidido para esta noite, mas o ponto-chave é "o que será dito após o aumento". O Citi classificou esta decisão como um "ajuste fino", sugerindo que não há necessidade de novos aumentos de juros no futuro, mas alertou que, caso o presidente Waller não apresente uma orientação clara sobre o futuro, isso poderá causar forte volatilidade no mercado. Já o Goldman Sachs foi direto ao afirmar que este aumento de juros carece de uma base econômica sólida, citando que a inflação é apenas um fator pontual, e prevê que será um "aumento sem sinalização".
JPMorgan: “O impacto do código aberto” e “a segurança da IA” não são problemas, há ainda espaço para gastos de capital nos próximos dois anos, equipamentos semicondutores se tornarão o “novo gargalo”
A JPMorgan considera que modelos open-source não representam uma ameaça, as perturbações regulatórias são de curto prazo e a alavancagem dos fornecedores de nuvem ainda é baixa — os fundamentos do investimento em poder computacional permanecem inalterados. A empresa prevê que os gastos de capital dos sete gigantes tecnológicos vão disparar de 443 bilhões de dólares em 2025 para 1,577 trilhão de dólares em 2027. Equipamentos de semicondutores tornar-se-ão o principal gargalo da cadeia de suprimentos, com fundição de wafers e embalagem avançada entrando em um novo ciclo de aumento de preços.
Crypto prices
More
