Новая парадигма экономики данных AI: амбиции DIN и продажа узлов с точки зрения модульной предварительной обработки данных

Введение

В современном мире AI, без сомнения, является одной из самых горячих областей, будь то OpenAI из Силиконовой долины или Moonshot и Zhiyu Qingyan в Китае — как новые стартапы, так и крупные корпорации активно участвуют в этой AI-революции. Искусственный интеллект не только задаёт тренды в технологической сфере, но и является одной из самых ярких областей на криптовалютном рынке в этом году. Если посмотреть на проекты, размещённые на крупных CEX в этом году, несмотря на недавнюю рыночную турбулентность, лидер AI-сектора Bittensor (TAO) по-прежнему лидирует среди всех новых токенов этого года с доходностью более чем в 5 раз. С развитием и применением AI-технологий роль данных как основы для развития AI становится всё более значимой.

В эпоху AI важность и потенциальная ценность данных достигли беспрецедентных высот

По статистике, ведущие компании по разработке AI-моделей ежегодно обрабатывают и используют сотни миллионов наборов данных, и эффективность и точность этих данных напрямую влияют на результаты обучения AI-моделей. Однако стоимость получения данных также постоянно растёт, становясь серьёзным вызовом для всех AI-компаний.

Оптимизация производительности поддерживается постоянно растущим объёмом потребляемых данных

На современном рынке компании, разрабатывающие большие модели, ежегодно обрабатывают и используют огромные объёмы данных. Например, для обучения модели GPT-3 OpenAI использовала около 45 ТБ текстовых данных, а стоимость обучения GPT-4 достигла 78 миллионов долларов; вычислительные затраты на обучение модели Gemini Ultra от Google составили примерно 191 миллион долларов. Такая огромная потребность в данных характерна не только для OpenAI — другие AI-компании, такие как Google и Meta, также должны обрабатывать огромные объёмы данных при обучении своих крупных моделей.

Необходимость уделять внимание эффективности данных

Эффективные данные должны быть высокого качества, не содержать искажений и обладать богатой информацией о признаках, чтобы AI-модель могла учиться и делать точные прогнозы. Например, при обучении GPT-3 OpenAI использовала текстовые данные из различных источников, включая книги, статьи и веб-сайты, чтобы обеспечить разнообразие и репрезентативность данных. Однако эффективность данных зависит не только от их источника, но и от этапов очистки, разметки и предварительной обработки, которые требуют значительных человеческих и ресурсных затрат.

Экономическая составляющая, которую нельзя игнорировать: стоимость сбора и обработки данных

На практике расходы на сбор, разметку и обработку данных для обучения AI-моделей часто недооцениваются, но они могут быть весьма значительными. В частности, разметка данных — это трудоёмкий и дорогостоящий процесс, часто требующий ручного труда. После сбора данные необходимо очистить, организовать и обработать, чтобы AI-алгоритмы могли эффективно их использовать. Согласно отчёту McKinsey, стоимость обучения крупной AI-модели может достигать нескольких миллионов долларов. Кроме того, строительство и обслуживание дата-центров и вычислительной инфраструктуры AI-компаний также требует огромных затрат.

В целом, обучение больших AI-моделей требует огромного количества качественных данных, и объём, эффективность и стоимость получения этих данных напрямую определяют производительность и успех AI-моделей. В будущем, по мере развития AI-технологий, эффективное получение и использование данных станет ключевым фактором конкурентоспособности AI-компаний.

Модульный слой предварительной обработки данных: децентрализованное AI-решение на основе блокчейна

В этом контексте DIN (ранее Web3Go) появился как первый модульный AI-нативный слой предварительной обработки данных. DIN стремится с помощью децентрализованной валидации данных и векторной обработки позволить каждому предоставлять данные для AI и получать за это вознаграждение, открывая эру, когда каждый может монетизировать свои личные данные, а компании — более эффективно и экономично получать данные. В настоящее время DIN получил 4 миллиона долларов посевных инвестиций от Binance Labs, а также дополнительные 4 миллиона долларов pre-listing инвестиций от других институтов, сообщества и сети KOL, текущая оценка составляет 80 миллионов долларов, что свидетельствует о высокой оценке его потенциала и будущего развития рынком. Среди его партнёров — Polkadot, BNB Chain, Moonbeam Network и Manta Network.

Узел предварительной обработки данных DIN – Chipper Node

Позиционирование DIN на рынке очень чёткое — создание децентрализованной интеллектуальной сети данных в области AI и данных.Chipper Node играет важную роль в экосистеме DIN,отвечая за валидацию данных, векторную обработку и расчёт вознаграждений, являясь ключевым компонентом слоя предварительной обработки данных DIN.