AI和区块链的融合:从基础设施到应用的全景图

人工智能行业近期的快速发展,被一些人视为第四次工业革命的开端。大型语言模型的出现显著提升了各行各业的效率,据波士顿咨询公司估计,GPT为美国整体工作效率带来了约20%的提升。同时,大模型所具备的泛化能力被视为一种新的软件设计范式。过去的软件设计是精确的代码,而现在的软件设计更多地是将泛化能力较强的大模型框架嵌入到软件中,这使得软件能够具备更好的表现,并支持更广泛的模态输入与输出。深度学习技术确实为AI行业带来了新一轮的繁荣,这股热潮也逐渐蔓延到了加密货币行业。

AI行业的发展历程

人工智能行业从20世纪50年代开始起步。为了实现人工智能的愿景,学术界和工业界在不同时代、不同学科背景下,发展出了多种实现人工智能的流派。

现代人工智能技术主要使用"机器学习"这一术语,其核心理念是让机器依靠数据在任务中反复迭代以改善系统性能。主要步骤包括将数据输入算法,用这些数据训练模型,测试部署模型,最后使用模型完成自动化的预测任务。

目前机器学习有三大主要流派,分别是联结主义、符号主义和行为主义,它们分别模仿人类的神经系统、思维和行为。其中,以神经网络为代表的联结主义目前占据主导地位(也被称为深度学习)。这种架构有一个输入层、一个输出层,以及多个隐藏层。当层数和神经元(参数)数量足够多时,就能够拟合复杂的通用型任务。通过不断输入数据,调整神经元的参数,最终经过大量数据训练,神经网络就能达到一个最佳状态。这也是"深度"一词的由来 - 足够多的层数和神经元。

基于神经网络的深度学习技术也经历了多次技术迭代与演进,从最早期的神经网络,到前馈神经网络、RNN、CNN、GAN,最后发展到现代大模型如GPT等使用的Transformer技术。Transformer技术是神经网络的一个演进方向,它增加了一个转换器(Transformer),用于将多种模态(如音频、视频、图片等)的数据编码成对应的数值表示。然后将这些编码后的数据输入神经网络,使神经网络能够拟合任何类型的数据,从而实现多模态处理能力。

AI发展经历了三次技术浪潮。第一次浪潮发生在20世纪60年代,是AI技术提出后的十年。这次浪潮主要由符号主义技术的发展引起,该技术解决了通用的自然语言处理和人机对话问题。同时期,专家系统诞生,这是斯坦福大学在美国国家航天局的支持下完成的DENRAL专家系统,该系统具备强大的化学知识,能够通过问题推断生成与化学专家相似的答案。

第二次AI技术浪潮发生在1997年,当时IBM的"深蓝"以3.5:2.5的比分战胜了国际象棋冠军卡斯帕罗夫,这场胜利被视为人工智能发展的一个里程碑。

第三次AI技术浪潮始于2006年。深度学习三巨头Yann LeCun、Geoffrey Hinton和Yoshua Bengio提出了深度学习的概念,这是一种以人工神经网络为架构,对数据进行表征学习的算法。此后,深度学习算法不断演进,从RNN、GAN到Transformer以及Stable Diffusion,这些算法共同塑造了第三次技术浪潮,也标志着联结主义的鼎盛时期。

深度学习产业链

当前大型语言模型主要使用基于神经网络的深度学习方法。以GPT为代表的大模型掀起了新一轮人工智能热潮,大量玩家涌入这个赛道。我们发现市场对数据和算力的需求大量迸发,因此在报告的这一部分,我们主要探讨深度学习算法的产业链,分析在深度学习算法主导的AI行业中,其上下游是如何组成的,以及上下游的现状、供需关系和未来发展趋势。

基于Transformer技术的GPT等大型语言模型(LLMs)的训练主要分为三个步骤:

1. 预训练:通过向输入层提供大量的数据对来寻找模型中各个神经元的最佳参数。这个过程需要海量数据,也是最耗费算力的阶段。

2. 微调:使用数量较少但质量很高的数据来训练,以提升模型输出的质量。

3. 强化学习:建立一个"奖励模型"来评估大模型的输出质量,通过这种方式来迭代改进大模型的参数。

在大模型的训练过程中,参数数量越多,其泛化能力的上限就越高。因此,影响大模型表现的三个主要因素是:参数数量、数据量与质量、算力。这三个要素共同决定了大模型的结果质量和泛化能力。

产业链中的主要环节包括:

1. 硬件GPU提供商:目前Nvidia在AI芯片市场处于绝对领先地位。学术界主要使用消费级GPU(如RTX系列),而工业界主要使用H100、A100等用于大模型商业化落地的芯片。

2. 云服务提供商:为资金有限的AI企业提供弹性算力和托管训练解决方案。主要分为三类:传统大型云厂商(如AWS、Google Cloud、Azure)、垂直赛道的专业云算力平台(如CoreWeave、Lambda)、以及新兴的推理即服务提供商(如Together.ai、Fireworks.ai)。

3. 训练数据源提供商:为模型提供大量、高质量或特定领域的数据。一些公司专门从事数据采集和标注工作。

4. 数据库提供商:为AI数据存储和处理提供专门的矢量数据库解决方案。主要玩家包括Chroma、Zilliz、Pinecone、Weaviate等。

5. 边缘设备:包括能源供应和冷却系统,以支持大规模GPU集群的运行。随着AI模型规模的增长,这一领域的需求也在快速增长。

6. 应用开发:基于大模型开发各种垂直领域的应用,如智能助手、内容生成工具等。目前应用开发相对滞后于基础设施建设。

区块链与AI的结合

区块链技术和AI的结合主要体现在以下几个方面:

1. 价值重塑:代币经济学可以为AI产业链中的各个环节重新定义价值,激励更多参与者深耕AI行业的细分赛道。

2. 信任机制:区块链的去中心化和不可篡改特性可以为AI应用提供可信的数据处理环境,解决数据隐私和安全问题。

3. 资源共享:通过区块链网络,可以实现闲置GPU算力的全球共享,提高资源利用效率。

4. 数据市场:区块链可以为AI训练数据构建一个公平、透明的交易市场,激励个人和机构贡献高质量数据。

5. 模型验证:使用零知识证明等密码学技术,可以在保护模型隐私的同时验证AI推理结果的正确性。

在Crypto与AI结合的生态中,主要涌现出了以下几类项目:

1. 分布式GPU算力网络:如Render、Akash等,旨在构建去中心化的GPU计算市场。

2. AI数据提供商:如EpiK Protocol、Synesis One、Masa等,致力于建立去中心化的AI训练数据市场。

3. ZKML(零知识机器学习):结合零知识证明技术,实现隐私保护下的AI训练和推理。

4. AI代理(Agent):如Fetch.AI,构建能自主执行任务的AI代理网络。

5. AI公链:如Tensor、Allora等,专门为AI模型开发和部署设计的区块链网络。

尽管Crypto与AI的结合仍处于早期阶段,面临诸如性能、隐私等挑战,但这一领域展现出了巨大的创新潜力。随着技术的进步和生态的完善,我们有理由期待AI与区块链的深度融合将为両个行业带来革命性的变革。