Novo paradigma da economia de dados em IA: a ambição do DIN e a venda de nós sob a ótica do pré-processamento modular de dados
Atualmente, a IA é, sem dúvida, um dos setores mais populares em todo o mundo. Seja o OpenAI do Vale do Silício ou empresas chinesas como Moonshot e Zhipu Qingyan, tanto startups inovadoras quanto grandes empresas tradicionais estão entrando sucessivamente nessa revolução da IA.

Introdução
Atualmente, a IA é, sem dúvida, um dos setores mais quentes em todo o mundo. Seja o OpenAI do Vale do Silício ou empresas nacionais como Moonshot e Zhipu Qingyan, tanto novos empreendedores quanto grandes empresas tradicionais estão entrando nesta revolução da IA. Ela não só lidera tendências no campo da tecnologia, como também é um dos setores de maior destaque no mercado de criptomoedas deste ano. Observando os projetos listados nas principais CEXs este ano, mesmo após a recente volatilidade do mercado, o líder em IA, Bittensor (TAO), ainda lidera todos os novos tokens do ano com um retorno superior a 5 vezes. Com o desenvolvimento e aplicação contínuos da tecnologia de IA, os dados, como base fundamental para o avanço da IA, tornam-se cada vez mais importantes.
Na era da IA, a importância e o valor potencial dos dados atingem um patamar sem precedentes
De acordo com estatísticas, as principais empresas de modelos de IA atualmente precisam processar e consumir centenas de milhões de conjuntos de dados por ano, e a eficácia e precisão desses dados impactam diretamente o desempenho do treinamento dos modelos de IA. No entanto, o custo de obtenção de dados está aumentando constantemente, tornando-se um grande desafio para todas as empresas de IA.
A otimização de desempenho é sustentada pelo crescente consumo de dados
No mercado atual, as empresas de grandes modelos processam e consomem volumes enormes de dados anualmente. Por exemplo, o treinamento do modelo GPT-3 pela OpenAI utilizou cerca de 45TB de dados de texto, enquanto o custo de treinamento do GPT-4 chegou a 78 milhões de dólares; o custo computacional para treinar o modelo Gemini Ultra do Google foi de aproximadamente 191 milhões de dólares. Essa demanda massiva por dados não se limita à OpenAI; outras empresas de IA como Google e Meta também precisam lidar com grandes volumes de dados ao treinar modelos de IA de grande porte.
A eficácia dos dados precisa de atenção
Dados eficazes precisam ser de alta qualidade, sem viés e ricos em informações de características, garantindo que os modelos de IA possam aprender e fazer previsões precisas. Por exemplo, ao treinar o GPT-3, a OpenAI utilizou dados de texto provenientes de diversas fontes, incluindo livros, artigos e sites, para garantir diversidade e representatividade dos dados. No entanto, a eficácia dos dados não depende apenas de sua origem, mas também envolve etapas como limpeza, rotulagem e pré-processamento, que exigem grande investimento de mão de obra e recursos.
A economia não pode ser ignorada: custos de coleta e processamento de dados
Na prática do treinamento de modelos de IA, os custos de coleta, rotulagem e processamento de dados costumam ser subestimados, mas podem ser bastante significativos. Especificamente, a rotulagem de dados é um processo demorado e caro, frequentemente exigindo trabalho manual. Uma vez coletados os dados, ainda é necessário limpá-los, organizá-los e processá-los para que os algoritmos de IA possam utilizá-los de forma eficiente. Segundo um relatório da McKinsey, o custo de treinar um grande modelo de IA pode chegar a vários milhões de dólares. Além disso, a construção e manutenção de data centers e infraestrutura computacional das empresas de IA também representam um grande gasto.
Em resumo, o treinamento de grandes modelos de IA depende de grandes volumes de dados de alta qualidade, cuja quantidade, eficácia e custo de obtenção determinam diretamente o desempenho e o sucesso dos modelos de IA. No futuro, com o avanço contínuo da tecnologia de IA, a eficiência na obtenção e utilização de dados será um fator-chave na competição entre empresas de IA.
Camada de pré-processamento de dados modular: uma solução descentralizada de dados de IA baseada em blockchain
Nesse contexto, DIN (anteriormente Web3Go), como a primeira camada modular nativa de pré-processamento de dados para IA, surgiu para atender essa demanda. O objetivo do DIN é, por meio da validação descentralizada de dados e processamento vetorial, permitir que qualquer pessoa forneça dados para IA e seja recompensada por isso, liderando uma nova tendência econômica em que todos podem monetizar seus dados pessoais e as empresas podem obter dados de forma mais eficiente e econômica. Atualmente, o DIN já recebeu 4 milhões de dólares em financiamento seed da Binance Labs e, posteriormente, mais 4 milhões de dólares em financiamento pre-listing de outras instituições, comunidades e redes de KOLs, com uma avaliação atual de 80 milhões de dólares, demonstrando o grande potencial e reconhecimento do mercado para seu futuro desenvolvimento. 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 em construir uma rede de inteligência de dados descentralizada nos setores de IA e 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.
Aviso Legal: o conteúdo deste artigo reflete exclusivamente a opinião do autor e não representa a plataforma. Este artigo não deve servir como referência para a tomada de decisões de investimento.
Talvez também goste
Os fundos de hedge acabaram de reconstruir posições compradas em tecnologia, mas o suporte chave do Nasdaq já começou a enfraquecer
O índice Nasdaq 100 está se aproximando da faixa inferior da zona de consolidação de vários meses; os futuros romperam a linha de tendência de alta e a média móvel de 100 dias, indicando fraqueza técnica. Hedge funds haviam comprado massivamente ações de tecnologia, com posições concentradas aumentando o risco de queda. Controvérsias sobre a segurança da IA e riscos de fornecimento de energia atuam como catalisadores duplos. Se o suporte chave for perdido e o mercado permanecer com baixa percepção de risco, a volatilidade pode ser reavaliada.
O rendimento dos títulos do Tesouro dos EUA de 10 anos ultrapassa 5%! "Profeta" alerta: a liquidação ainda não acabou
Steven Barrow, chefe de estratégia G10 do Standard Bank, que foi o primeiro a prever 5% em fevereiro deste ano, elevou sua previsão para o rendimento dos títulos do Tesouro dos EUA de 10 anos para 5,2% até o final do ano e espera que suba ainda mais para 5,3% no primeiro trimestre de 2027. Ele afirmou que as pressões nas cadeias de suprimentos, as mudanças climáticas e as restrições da política de imigração dos EUA na oferta de mão de obra estão se tornando mais fortes do que nunca. Ao mesmo tempo, o índice do dólar registrou um ganho diário máximo de 0,6%, podendo alcançar seu melhor desempenho diário desde 17 de junho.
Avançando contra a tempestade de "desaceleração da IA"? Rumores indicam que a Kioxia planeja levantar pelo menos 10 bilhões de dólares em uma oferta pública inicial nos EUA
Kioxia está supostamente considerando levantar US$ 10 bilhões por meio de uma oferta pública nos Estados Unidos.

A construção de poder computacional AI está mudando de "falta de energia" para "falta de pessoas": modularização em ascensão, Schneider, Vertiv e Eaton recebem novas oportunidades
Recentemente, a Bernstein publicou um relatório de pesquisa apontando que, diante da rápida expansão da capacidade computacional da IA, o principal fator limitante para o desenvolvimento dos centros de dados está passando por uma mudança.

