Нова парадигма економіки даних AI: амбіції DIN та продаж вузлів з точки зору модульної попередньої обробки даних
Сьогодні на глобальному рівні AI безсумнівно є однією з найпопулярніших галузей: як стартапи, так і традиційні великі компанії, від OpenAI у Кремнієвій долині до Moonshot та Zhīpǔ Qīngyán у Китаї, одна за одною приєднуються до цієї AI-революції.

Вступ
Сьогодні у світі AI безперечно є одним із найгарячіших напрямків, незалежно від того, чи це OpenAI із Силіконової долини, чи Moonshot, чи Zhipu Qingyan у Китаї — як нові стартапи, так і традиційні гіганти активно долучаються до цієї AI-революції. Вона не лише задає тренди у сфері технологій, але й є однією з найяскравіших галузей на ринку криптовалют цього року. Якщо подивитися на проекти, що з'явилися на основних CEX цього року, то, незважаючи на нещодавню ринкову турбулентність, лідер AI Bittensor (TAO) все ще очолює всі нові токени цього року з прибутковістю понад 5 разів. З розвитком і впровадженням AI-технологій, дані як основа розвитку AI стають дедалі важливішими.
У вирі епохи AI важливість і потенційна цінність даних досягли безпрецедентного рівня
За статистикою, провідні компанії з розробки великих AI-моделей щороку мають обробляти та споживати сотні мільйонів наборів даних, і ефективність та точність цих даних безпосередньо впливають на результати навчання AI-моделей. Однак вартість отримання даних також постійно зростає, що стає серйозним викликом для всіх AI-компаній.
Оптимізація продуктивності підтримується зростаючим обсягом споживаних даних
На сучасному ринку компанії, що працюють з великими моделями, щорічно обробляють і споживають величезні обсяги даних. Наприклад, для навчання моделі GPT-3 компанія OpenAI використала близько 45 ТБ текстових даних, а вартість навчання GPT-4 сягнула 78 мільйонів доларів; обчислювальні витрати на навчання моделі Gemini Ultra від Google становили близько 191 мільйона доларів. Такий величезний попит на дані не обмежується лише OpenAI — інші AI-компанії, такі як Google, Meta тощо, також мають справу з масивними обсягами даних під час навчання великих AI-моделей.
Необхідно звертати увагу на ефективність даних
Ефективні дані повинні бути високоякісними, неупередженими та містити багатий набір характеристик, щоб AI-модель могла навчатися на них і робити точні прогнози. Наприклад, під час навчання GPT-3 OpenAI використовувала текстові дані з різних джерел, включаючи книги, статті та вебсайти, щоб забезпечити різноманітність і репрезентативність даних. Однак ефективність даних залежить не лише від їхнього походження, а й від процесів очищення, анотації та попередньої обробки, які вимагають значних людських і ресурсних витрат.
Не можна ігнорувати економічний аспект — вартість збору та обробки даних
На практиці витрати на збір, анотацію та обробку даних для навчання AI-моделей часто недооцінюються, але вони можуть бути дуже значними. Зокрема, анотація даних — це трудомісткий і дорогий процес, який часто вимагає ручної праці. Після збору даних їх також потрібно очистити, організувати та обробити, щоб AI-алгоритми могли ефективно їх використовувати. За даними звіту McKinsey, вартість навчання великої AI-моделі може сягати кількох мільйонів доларів. Крім того, будівництво та обслуговування дата-центрів і обчислювальної інфраструктури AI-компаній також є значною статтею витрат.
Загалом, навчання великих AI-моделей вимагає великої кількості високоякісних даних, і саме кількість, ефективність та вартість отримання цих даних безпосередньо визначають продуктивність і успіх AI-моделі. У майбутньому, із подальшим розвитком AI-технологій, ефективний збір і використання даних стануть ключовими факторами конкурентоспроможності AI-компаній.
Модульний шар попередньої обробки даних: децентралізоване AI-рішення на основі блокчейну
У такому контексті DIN (раніше Web3Go) з'явився як перший модульний AI-нативний шар попередньої обробки даних. DIN має на меті забезпечити децентралізовану верифікацію даних і векторну обробку, дозволяючи кожному надавати дані для AI і отримувати за це винагороду, започатковуючи нову економіку даних, де кожен може монетизувати свої персональні дані, а компанії отримують дані ефективніше та економічніше. Наразі DIN отримав 4 мільйони доларів початкового фінансування від Binance Labs, а також додаткові 4 мільйони доларів pre-listing фінансування від інших установ, спільнот та KOL-мереж, поточна оцінка становить 80 мільйонів доларів, що свідчить про високу оцінку ринку його потенціалу та перспектив. Серед партнерів DIN — Polkadot, BNB Chain, Moonbeam Network та Manta Network.
Вузол попередньої обробки даних DIN – Chipper Node
DIN чітко визначив свою ринкову позицію, прагнучи створити децентралізовану мережу інтелектуальних даних у сфері AI та даних.Chipper Node відіграє важливу роль в екосистемі DIN,відповідаючи за верифікацію даних, векторну обробку та розрахунок винагород, і є ключовим компонентом шару попередньої обробки даних DIN.
Відмова від відповідальності: зміст цієї статті відображає виключно думку автора і не представляє платформу в будь-якій якості. Ця стаття не повинна бути орієнтиром під час прийняття інвестиційних рішень.
Вас також може зацікавити
Дев'ятнадцять з двадцяти, голова Ваш знову не виконав домашнє завдання щодо "точкової діаграми" Федеральної резервної системи
Голова Федеральної резервної системи Волш двічі поспіль відмовився вказувати прогноз процентної ставки в так званій «точковій діаграмі», прямо заявивши, що цей інструмент «не приносить користі для виконання політики». Точкова діаграма діє з 2011 року, публікується чотири рази на рік і слугує важливим орієнтиром для ринку щодо напрямків монетарної політики. Однак її неконсенсусність, анонімність і участь керівників, які не мають права голосу, тривалий час були об’єктом критики. Підходи попередніх голів ФРС відрізнялися, але позиція Волша є найжорсткішою.
Післяопераційний американський фондовий ринок | Федеральна резервна система підвищила ставку на 25 базисних пунктів згідно з очікуваннями, три основні індекси закрилися зниженням, SpaceX (SPCX.US) зросла більш ніж на 5%
Станом на закриття торгів, індекс Dow Jones впав на 630,56 пунктів, або на 1,21%, до 51462,55 пунктів; індекс S&P 500 знизився на 33,51 пункту, або на 0,44%, до 7552,22 пункту; індекс Nasdaq Composite зменшився на 3,15 пункту, або на 0,01%, до 25978,42 пункту.

Іноземні інвестори у липні скоротили інвестиції в американські держоблігації на 50,4 мільярда доларів: Японія та Китай зменшили вкладення, тоді як Велика Британія наростила позиції всупереч тенденції
Згід но з даними, опублікованими Міністерством фінансів США у середу, обсяг американських державних облігацій, що перебувають у власності іноземних інвесторів у липні, значно знизився — зменшившись на 50,4 млрд доларів порівняно з червнем і досягнувши 9,25 трлн доларів, що є найнижчим показником з жовтня минулого року.

Федеральна резервна система вперше за три роки підвищує процентну ставку! Уолш надсилає сигнали яструба, цього року можливе ще підвищення на 25 базисних пунктів
У середу Федеральна резервна система підвищила базову процентну ставку на 25 базисних пунктів до діапазону 3,75%-4,00%, що стало першим підвищенням з липня 2023 року.

