A fusão da IA com o Web3: estado atual, desafios e perspectivas futuras
I. Introdução: Desenvolvimento de AI+Web3
Nos últimos anos, o rápido desenvolvimento da inteligência artificial (IA) e das tecnologias Web3 atraiu ampla atenção em todo o mundo. A IA, como uma tecnologia que simula e imita a inteligência humana, fez avanços significativos em áreas como reconhecimento facial, processamento de linguagem natural e aprendizado de máquina, trazendo enormes transformações e inovações para diversos setores.
O tamanho do mercado da indústria de IA alcançou 200 mil milhões de dólares em 2023, com gigantes da indústria como OpenAI, Character.AI, Midjourney e excelentes players a surgirem como cogumelos após a chuva, liderando a onda de IA.
Ao mesmo tempo, o Web3, como um novo modelo de rede, está gradualmente mudando nossa percepção e uso da internet. Baseado em tecnologia blockchain descentralizada, o Web3 realiza o compartilhamento e controle de dados, a autonomia do usuário e a construção de mecanismos de confiança através de funcionalidades como contratos inteligentes, armazenamento distribuído e autenticação descentralizada. O conceito central do Web3 é libertar os dados das instituições centralizadas de autoridade, conferindo aos usuários o controle sobre seus dados e o direito de compartilhar o valor desses dados.
Atualmente, o valor de mercado da indústria Web3 atingiu 25 trilhões, sejam Bitcoin, Ethereum, Solana ou jogadores da camada de aplicação como Uniswap e Stepn, novas narrativas e cenários estão constantemente surgindo, atraindo cada vez mais pessoas a se juntar à indústria Web3.
A combinação de IA e Web3 é um campo de grande interesse para construtores e VCs tanto do Oriente quanto do Ocidente, e como integrar bem os dois é uma questão que vale a pena explorar.
Este artigo irá focar no estado atual do desenvolvimento de AI+Web3, explorando o valor e o impacto potencial trazidos por essa fusão. Começaremos por apresentar os conceitos e características básicas de AI e Web3, em seguida, discutiremos a relação entre eles. Depois, analisaremos o estado atual dos projetos de AI+Web3 e discutiremos em profundidade as limitações e desafios que enfrentam. Através desta pesquisa, esperamos fornecer referências e insights valiosos para investidores e profissionais da indústria relacionada.
II. Formas de interação entre AI e Web3
O desenvolvimento da IA e do Web3 é como os dois lados de uma balança, a IA trouxe um aumento na produtividade, enquanto o Web3 trouxe uma transformação nas relações de produção. Que tipo de faísca pode surgir do encontro entre a IA e o Web3? Vamos primeiro analisar as dificuldades e espaços de melhoria que cada setor enfrenta, e depois discutir como eles podem ajudar a resolver essas dificuldades.
2.1 Dificuldades enfrentadas pela indústria de IA
Para explorar as dificuldades que a indústria da IA enfrenta, vamos primeiro analisar a essência da indústria da IA. O núcleo da indústria da IA não pode ser desligado de três elementos: poder computacional, algoritmos e dados.
Poder de cálculo: Poder de cálculo refere-se à capacidade de realizar cálculos e processamentos em grande escala. As tarefas de IA geralmente requerem o processamento de grandes quantidades de dados e a realização de cálculos complexos, como o treinamento de modelos de redes neurais profundas. Uma capacidade de cálculo de alta intensidade pode acelerar o processo de treinamento e inferência do modelo, melhorando o desempenho e a eficiência dos sistemas de IA. Nos últimos anos, com o desenvolvimento da tecnologia de hardware, como processadores gráficos (GPU) e chips de IA dedicados (como TPU), a melhoria do poder de cálculo teve um papel importante na promoção do desenvolvimento da indústria de IA. A Nvidia, que teve um aumento explosivo nas ações nos últimos anos, é um fornecedor de GPU que ocupa uma grande fatia do mercado, gerando lucros elevados.
Algoritmos: Os algoritmos são a parte central dos sistemas de IA, sendo métodos matemáticos e estatísticos usados para resolver problemas e realizar tarefas. Os algoritmos de IA podem ser divididos em algoritmos de aprendizado de máquina tradicionais e algoritmos de aprendizado profundo, com estes últimos tendo alcançado avanços significativos nos últimos anos. A escolha e o design dos algoritmos são cruciais para o desempenho e a eficácia do sistema de IA. Algoritmos que são constantemente aprimorados e inovados podem aumentar a precisão, robustez e capacidade de generalização dos sistemas de IA. Diferentes algoritmos terão efeitos diferentes, portanto, a melhoria dos algoritmos também é fundamental para a eficácia na realização das tarefas.
Dados: A tarefa central dos sistemas de IA é extrair padrões e regras dos dados através de aprendizagem e treino. Os dados são a base para treinar e otimizar modelos; através de amostras de dados em grande escala, os sistemas de IA podem aprender a criar modelos mais precisos e inteligentes. Conjuntos de dados ricos podem fornecer informações mais abrangentes e diversificadas, permitindo que os modelos generalizem melhor para dados não vistos, ajudando os sistemas de IA a compreender e resolver problemas do mundo real.
Após compreender os três elementos centrais da IA atual, vamos analisar os dilemas e desafios que a IA enfrenta nessas três áreas:
Em termos de poder computacional: tarefas de IA geralmente requerem uma grande quantidade de recursos computacionais para treinamento e inferência de modelos, especialmente para modelos de aprendizado profundo. No entanto, obter e gerenciar um grande poder computacional é um desafio caro e complexo. O custo, o consumo de energia e a manutenção de equipamentos de computação de alto desempenho são questões. Especialmente para startups e desenvolvedores individuais, obter poder computacional suficiente pode ser difícil.
No que diz respeito aos algoritmos: embora os algoritmos de aprendizado profundo tenham alcançado grande sucesso em muitos campos, ainda existem algumas dificuldades e desafios. Por exemplo, treinar redes neurais profundas requer uma grande quantidade de dados e recursos computacionais, e para algumas tarefas, a interpretabilidade e a explicabilidade do modelo podem ser insuficientes. Além disso, a robustez e a capacidade de generalização dos algoritmos também são questões importantes, pois o desempenho do modelo em dados não vistos pode ser instável. Entre os muitos algoritmos, encontrar o melhor algoritmo para oferecer o melhor serviço é um processo que requer exploração contínua.
Dados: Os dados são o motor da IA, mas a obtenção de dados de alta qualidade e diversificados continua a ser um desafio. Em alguns setores, os dados podem ser difíceis de obter, como os dados de saúde sensíveis na área da medicina. Além disso, a qualidade, precisão e rotulagem dos dados também são questões; dados incompletos ou tendenciosos podem levar a comportamentos ou desvios errados dos modelos. Ao mesmo tempo, proteger a privacidade e a segurança dos dados é também um fator importante a considerar.
Além disso, existem problemas como a interpretabilidade e a transparência, e a característica de "caixa preta" dos modelos de IA é uma preocupação pública. Para certas aplicações, como finanças, saúde e justiça, o processo de decisão do modelo precisa ser interpretável e rastreável, enquanto os modelos de aprendizado profundo existentes muitas vezes carecem de transparência. Explicar o processo de decisão do modelo e fornecer explicações confiáveis ainda é um desafio.
Além disso, muitos modelos de negócios de projetos de IA não são muito claros, o que também deixa muitos empreendedores de IA confusos.
2.2 Dificuldades enfrentadas pela indústria Web3
No setor Web3, atualmente existem muitas dificuldades diferentes que precisam ser resolvidas, seja na análise de dados do Web3, na experiência do usuário insatisfatória dos produtos Web3, ou nas vulnerabilidades do código de contratos inteligentes e nos problemas de ataques de hackers, há muito espaço para melhorias. E a IA, como uma ferramenta para aumentar a produtividade, também tem muito potencial para se destacar nessas áreas.
Primeiro, há uma melhoria na capacidade de análise e previsão de dados: a aplicação da tecnologia de IA na análise e previsão de dados trouxe um impacto enorme para a indústria Web3. Através da análise inteligente e da mineração de dados com algoritmos de IA, as plataformas Web3 podem extrair informações valiosas de grandes volumes de dados e realizar previsões e decisões mais precisas. Isso é de grande importância para áreas como avaliação de riscos, previsão de mercado e gestão de ativos no setor de finanças descentralizadas (DeFi).
Além disso, também é possível melhorar a experiência do usuário e os serviços personalizados: a aplicação de tecnologias de IA permite que as plataformas Web3 ofereçam uma melhor experiência do usuário e serviços personalizados. Através da análise e modelagem de dados dos usuários, as plataformas Web3 podem fornecer recomendações personalizadas, serviços customizados e uma experiência de interação inteligente. Isso ajuda a aumentar a participação e a satisfação dos usuários, promovendo o desenvolvimento do ecossistema Web3, como muitos protocolos Web3 que integram ferramentas de IA como o ChatGPT para melhor atender os usuários.
A aplicação da IA em termos de segurança e proteção da privacidade também tem um impacto profundo na indústria Web3. A tecnologia de IA pode ser utilizada para detectar e defender contra ataques cibernéticos, identificar comportamentos anómalos e fornecer garantias de segurança mais robustas. Ao mesmo tempo, a IA também pode ser aplicada à proteção da privacidade dos dados, através de técnicas como criptografia de dados e computação privada, protegendo as informações pessoais dos usuários nas plataformas Web3. Na auditoria de contratos inteligentes, devido a possíveis falhas e vulnerabilidades durante o processo de escrita e auditoria dos contratos, a tecnologia de IA pode ser utilizada para automatizar a auditoria de contratos e a detecção de vulnerabilidades, aumentando a segurança e confiabilidade dos contratos.
É evidente que, em relação aos desafios e ao potencial de melhoria que a indústria Web3 enfrenta, a IA pode participar e oferecer apoio em muitos aspectos.
Três, Análise do Estado Atual dos Projetos AI+Web3
Os projetos que combinam IA e Web3 abordam principalmente dois grandes aspectos: utilizar a tecnologia blockchain para melhorar o desempenho dos projetos de IA e usar a tecnologia de IA para servir à melhoria dos projetos Web3.
Em torno de dois aspectos, surgiu uma grande quantidade de projetos explorando este caminho, incluindo Io.net, Gensyn, Ritual e uma variedade de outros projetos. A seguir, este artigo irá analisar o estado atual e a situação de desenvolvimento dos diferentes sub-setores da AI impulsionando o web3 e o Web3 impulsionando a AI.
3.1 Web3 impulsiona a IA
3.1.1 Poder de cálculo descentralizado
Após o lançamento do ChatGPT pela OpenAI no final de 2022, a onda de IA foi desencadeada. Em apenas 5 dias após o lançamento, o número de usuários atingiu 1 milhão, enquanto o Instagram levou cerca de dois meses e meio para alcançar 1 milhão de downloads. Em seguida, o crescimento do ChatGPT também foi muito rápido, com o número de usuários ativos mensais atingindo 100 milhões em 2 meses, e em novembro de 2023, o número de usuários ativos semanais alcançou 100 milhões. Com o surgimento do ChatGPT, o campo da IA rapidamente deixou de ser uma pista de nicho e se tornou uma indústria de grande atenção.
De acordo com o relatório da Trendforce, o ChatGPT precisa de 30.000 GPUs NVIDIA A100 para funcionar, enquanto o futuro GPT-5 precisará de ordens de magnitude ainda maiores de cálculo. Isso também deu início a uma corrida armamentista entre as várias empresas de IA; apenas quem tiver poder computacional suficiente poderá garantir impulso e vantagem na batalha da IA, resultando assim em uma escassez de GPUs.
Antes da ascensão da IA, os principais clientes da Nvidia, o maior fornecedor de GPUs, estavam concentrados em três grandes serviços de nuvem: AWS, Azure e GCP. Com o surgimento da inteligência artificial, surgiram muitos novos compradores, incluindo grandes empresas de tecnologia como a Meta, Oracle, bem como outras plataformas de dados e startups de IA, que se juntaram à corrida para acumular GPUs para treinar modelos de inteligência artificial. Empresas de tecnologia de grande porte, como a Meta e a Tesla, aumentaram significativamente a quantidade de compras de modelos de IA personalizados e pesquisas internas. Empresas de modelos básicos como a Anthropic e plataformas de dados como a Snowflake e a Databricks também adquiriram mais GPUs para ajudar os clientes a fornecer serviços de inteligência artificial.
Como mencionado no ano passado pela Semi Analysis, "ricos em GPU e pobres em GPU", poucas empresas possuem mais de 20.000 GPUs A100/H100, e os membros da equipe podem usar de 100 a 1.000 GPUs para projetos. Essas empresas são ou provedores de nuvem ou construíram seus próprios LLM, incluindo OpenAI, Google, Meta, Anthropic, Inflection, Tesla, Oracle, Mistral, entre outras.
No entanto, a maioria das empresas são "pobres em GPU", lutando com um número muito limitado de GPUs, gastando muito tempo e energia em coisas que são mais difíceis de impulsionar o desenvolvimento do ecossistema. E essa situação não se limita apenas às startups. Algumas das empresas de inteligência artificial mais conhecidas -- Hugging Face, Databricks (MosaicML), Together e até mesmo a contagem de A100/H100 da Snowflake é inferior a 20K. Essas empresas têm talentos técnicos de classe mundial, mas estão limitadas pela quantidade de GPUs disponíveis, o que as coloca em desvantagem em relação às grandes empresas na competição em inteligência artificial.
Esta escassez não se limita aos "pobres de GPU", e até o final de 2023, a líder no setor de IA, OpenAI, teve de interromper as inscrições pagas por semanas devido à falta de GPUs, ao mesmo tempo que procurava adquirir mais suprimentos de GPU.
É evidente que, com o rápido desenvolvimento da IA, há uma grave descoordenação entre a procura e a oferta de GPUs, e o problema da escassez é iminente.
Para resolver este problema, alguns projetos Web3 começaram a tentar combinar as características técnicas da Web3, oferecendo serviços de computação descentralizada, incluindo Akash, Render, Gensyn, entre outros. A semelhança entre estes projetos é que, através de tokens, incentivam um grande número de usuários a fornecer poder de computação GPU ocioso, tornando-se o lado da oferta de computação, para fornecer
Ver original
Esta página pode conter conteúdo de terceiros, que é fornecido apenas para fins informativos (não para representações/garantias) e não deve ser considerada como um endosso de suas opiniões pela Gate nem como aconselhamento financeiro ou profissional. Consulte a Isenção de responsabilidade para obter detalhes.
O estado atual, desafios e tendências futuras do fusionamento da IA com o Web3
A fusão da IA com o Web3: estado atual, desafios e perspectivas futuras
I. Introdução: Desenvolvimento de AI+Web3
Nos últimos anos, o rápido desenvolvimento da inteligência artificial (IA) e das tecnologias Web3 atraiu ampla atenção em todo o mundo. A IA, como uma tecnologia que simula e imita a inteligência humana, fez avanços significativos em áreas como reconhecimento facial, processamento de linguagem natural e aprendizado de máquina, trazendo enormes transformações e inovações para diversos setores.
O tamanho do mercado da indústria de IA alcançou 200 mil milhões de dólares em 2023, com gigantes da indústria como OpenAI, Character.AI, Midjourney e excelentes players a surgirem como cogumelos após a chuva, liderando a onda de IA.
Ao mesmo tempo, o Web3, como um novo modelo de rede, está gradualmente mudando nossa percepção e uso da internet. Baseado em tecnologia blockchain descentralizada, o Web3 realiza o compartilhamento e controle de dados, a autonomia do usuário e a construção de mecanismos de confiança através de funcionalidades como contratos inteligentes, armazenamento distribuído e autenticação descentralizada. O conceito central do Web3 é libertar os dados das instituições centralizadas de autoridade, conferindo aos usuários o controle sobre seus dados e o direito de compartilhar o valor desses dados.
Atualmente, o valor de mercado da indústria Web3 atingiu 25 trilhões, sejam Bitcoin, Ethereum, Solana ou jogadores da camada de aplicação como Uniswap e Stepn, novas narrativas e cenários estão constantemente surgindo, atraindo cada vez mais pessoas a se juntar à indústria Web3.
A combinação de IA e Web3 é um campo de grande interesse para construtores e VCs tanto do Oriente quanto do Ocidente, e como integrar bem os dois é uma questão que vale a pena explorar.
Este artigo irá focar no estado atual do desenvolvimento de AI+Web3, explorando o valor e o impacto potencial trazidos por essa fusão. Começaremos por apresentar os conceitos e características básicas de AI e Web3, em seguida, discutiremos a relação entre eles. Depois, analisaremos o estado atual dos projetos de AI+Web3 e discutiremos em profundidade as limitações e desafios que enfrentam. Através desta pesquisa, esperamos fornecer referências e insights valiosos para investidores e profissionais da indústria relacionada.
II. Formas de interação entre AI e Web3
O desenvolvimento da IA e do Web3 é como os dois lados de uma balança, a IA trouxe um aumento na produtividade, enquanto o Web3 trouxe uma transformação nas relações de produção. Que tipo de faísca pode surgir do encontro entre a IA e o Web3? Vamos primeiro analisar as dificuldades e espaços de melhoria que cada setor enfrenta, e depois discutir como eles podem ajudar a resolver essas dificuldades.
2.1 Dificuldades enfrentadas pela indústria de IA
Para explorar as dificuldades que a indústria da IA enfrenta, vamos primeiro analisar a essência da indústria da IA. O núcleo da indústria da IA não pode ser desligado de três elementos: poder computacional, algoritmos e dados.
Poder de cálculo: Poder de cálculo refere-se à capacidade de realizar cálculos e processamentos em grande escala. As tarefas de IA geralmente requerem o processamento de grandes quantidades de dados e a realização de cálculos complexos, como o treinamento de modelos de redes neurais profundas. Uma capacidade de cálculo de alta intensidade pode acelerar o processo de treinamento e inferência do modelo, melhorando o desempenho e a eficiência dos sistemas de IA. Nos últimos anos, com o desenvolvimento da tecnologia de hardware, como processadores gráficos (GPU) e chips de IA dedicados (como TPU), a melhoria do poder de cálculo teve um papel importante na promoção do desenvolvimento da indústria de IA. A Nvidia, que teve um aumento explosivo nas ações nos últimos anos, é um fornecedor de GPU que ocupa uma grande fatia do mercado, gerando lucros elevados.
Algoritmos: Os algoritmos são a parte central dos sistemas de IA, sendo métodos matemáticos e estatísticos usados para resolver problemas e realizar tarefas. Os algoritmos de IA podem ser divididos em algoritmos de aprendizado de máquina tradicionais e algoritmos de aprendizado profundo, com estes últimos tendo alcançado avanços significativos nos últimos anos. A escolha e o design dos algoritmos são cruciais para o desempenho e a eficácia do sistema de IA. Algoritmos que são constantemente aprimorados e inovados podem aumentar a precisão, robustez e capacidade de generalização dos sistemas de IA. Diferentes algoritmos terão efeitos diferentes, portanto, a melhoria dos algoritmos também é fundamental para a eficácia na realização das tarefas.
Dados: A tarefa central dos sistemas de IA é extrair padrões e regras dos dados através de aprendizagem e treino. Os dados são a base para treinar e otimizar modelos; através de amostras de dados em grande escala, os sistemas de IA podem aprender a criar modelos mais precisos e inteligentes. Conjuntos de dados ricos podem fornecer informações mais abrangentes e diversificadas, permitindo que os modelos generalizem melhor para dados não vistos, ajudando os sistemas de IA a compreender e resolver problemas do mundo real.
Após compreender os três elementos centrais da IA atual, vamos analisar os dilemas e desafios que a IA enfrenta nessas três áreas:
Em termos de poder computacional: tarefas de IA geralmente requerem uma grande quantidade de recursos computacionais para treinamento e inferência de modelos, especialmente para modelos de aprendizado profundo. No entanto, obter e gerenciar um grande poder computacional é um desafio caro e complexo. O custo, o consumo de energia e a manutenção de equipamentos de computação de alto desempenho são questões. Especialmente para startups e desenvolvedores individuais, obter poder computacional suficiente pode ser difícil.
No que diz respeito aos algoritmos: embora os algoritmos de aprendizado profundo tenham alcançado grande sucesso em muitos campos, ainda existem algumas dificuldades e desafios. Por exemplo, treinar redes neurais profundas requer uma grande quantidade de dados e recursos computacionais, e para algumas tarefas, a interpretabilidade e a explicabilidade do modelo podem ser insuficientes. Além disso, a robustez e a capacidade de generalização dos algoritmos também são questões importantes, pois o desempenho do modelo em dados não vistos pode ser instável. Entre os muitos algoritmos, encontrar o melhor algoritmo para oferecer o melhor serviço é um processo que requer exploração contínua.
Dados: Os dados são o motor da IA, mas a obtenção de dados de alta qualidade e diversificados continua a ser um desafio. Em alguns setores, os dados podem ser difíceis de obter, como os dados de saúde sensíveis na área da medicina. Além disso, a qualidade, precisão e rotulagem dos dados também são questões; dados incompletos ou tendenciosos podem levar a comportamentos ou desvios errados dos modelos. Ao mesmo tempo, proteger a privacidade e a segurança dos dados é também um fator importante a considerar.
Além disso, existem problemas como a interpretabilidade e a transparência, e a característica de "caixa preta" dos modelos de IA é uma preocupação pública. Para certas aplicações, como finanças, saúde e justiça, o processo de decisão do modelo precisa ser interpretável e rastreável, enquanto os modelos de aprendizado profundo existentes muitas vezes carecem de transparência. Explicar o processo de decisão do modelo e fornecer explicações confiáveis ainda é um desafio.
Além disso, muitos modelos de negócios de projetos de IA não são muito claros, o que também deixa muitos empreendedores de IA confusos.
2.2 Dificuldades enfrentadas pela indústria Web3
No setor Web3, atualmente existem muitas dificuldades diferentes que precisam ser resolvidas, seja na análise de dados do Web3, na experiência do usuário insatisfatória dos produtos Web3, ou nas vulnerabilidades do código de contratos inteligentes e nos problemas de ataques de hackers, há muito espaço para melhorias. E a IA, como uma ferramenta para aumentar a produtividade, também tem muito potencial para se destacar nessas áreas.
Primeiro, há uma melhoria na capacidade de análise e previsão de dados: a aplicação da tecnologia de IA na análise e previsão de dados trouxe um impacto enorme para a indústria Web3. Através da análise inteligente e da mineração de dados com algoritmos de IA, as plataformas Web3 podem extrair informações valiosas de grandes volumes de dados e realizar previsões e decisões mais precisas. Isso é de grande importância para áreas como avaliação de riscos, previsão de mercado e gestão de ativos no setor de finanças descentralizadas (DeFi).
Além disso, também é possível melhorar a experiência do usuário e os serviços personalizados: a aplicação de tecnologias de IA permite que as plataformas Web3 ofereçam uma melhor experiência do usuário e serviços personalizados. Através da análise e modelagem de dados dos usuários, as plataformas Web3 podem fornecer recomendações personalizadas, serviços customizados e uma experiência de interação inteligente. Isso ajuda a aumentar a participação e a satisfação dos usuários, promovendo o desenvolvimento do ecossistema Web3, como muitos protocolos Web3 que integram ferramentas de IA como o ChatGPT para melhor atender os usuários.
A aplicação da IA em termos de segurança e proteção da privacidade também tem um impacto profundo na indústria Web3. A tecnologia de IA pode ser utilizada para detectar e defender contra ataques cibernéticos, identificar comportamentos anómalos e fornecer garantias de segurança mais robustas. Ao mesmo tempo, a IA também pode ser aplicada à proteção da privacidade dos dados, através de técnicas como criptografia de dados e computação privada, protegendo as informações pessoais dos usuários nas plataformas Web3. Na auditoria de contratos inteligentes, devido a possíveis falhas e vulnerabilidades durante o processo de escrita e auditoria dos contratos, a tecnologia de IA pode ser utilizada para automatizar a auditoria de contratos e a detecção de vulnerabilidades, aumentando a segurança e confiabilidade dos contratos.
É evidente que, em relação aos desafios e ao potencial de melhoria que a indústria Web3 enfrenta, a IA pode participar e oferecer apoio em muitos aspectos.
Três, Análise do Estado Atual dos Projetos AI+Web3
Os projetos que combinam IA e Web3 abordam principalmente dois grandes aspectos: utilizar a tecnologia blockchain para melhorar o desempenho dos projetos de IA e usar a tecnologia de IA para servir à melhoria dos projetos Web3.
Em torno de dois aspectos, surgiu uma grande quantidade de projetos explorando este caminho, incluindo Io.net, Gensyn, Ritual e uma variedade de outros projetos. A seguir, este artigo irá analisar o estado atual e a situação de desenvolvimento dos diferentes sub-setores da AI impulsionando o web3 e o Web3 impulsionando a AI.
3.1 Web3 impulsiona a IA
3.1.1 Poder de cálculo descentralizado
Após o lançamento do ChatGPT pela OpenAI no final de 2022, a onda de IA foi desencadeada. Em apenas 5 dias após o lançamento, o número de usuários atingiu 1 milhão, enquanto o Instagram levou cerca de dois meses e meio para alcançar 1 milhão de downloads. Em seguida, o crescimento do ChatGPT também foi muito rápido, com o número de usuários ativos mensais atingindo 100 milhões em 2 meses, e em novembro de 2023, o número de usuários ativos semanais alcançou 100 milhões. Com o surgimento do ChatGPT, o campo da IA rapidamente deixou de ser uma pista de nicho e se tornou uma indústria de grande atenção.
De acordo com o relatório da Trendforce, o ChatGPT precisa de 30.000 GPUs NVIDIA A100 para funcionar, enquanto o futuro GPT-5 precisará de ordens de magnitude ainda maiores de cálculo. Isso também deu início a uma corrida armamentista entre as várias empresas de IA; apenas quem tiver poder computacional suficiente poderá garantir impulso e vantagem na batalha da IA, resultando assim em uma escassez de GPUs.
Antes da ascensão da IA, os principais clientes da Nvidia, o maior fornecedor de GPUs, estavam concentrados em três grandes serviços de nuvem: AWS, Azure e GCP. Com o surgimento da inteligência artificial, surgiram muitos novos compradores, incluindo grandes empresas de tecnologia como a Meta, Oracle, bem como outras plataformas de dados e startups de IA, que se juntaram à corrida para acumular GPUs para treinar modelos de inteligência artificial. Empresas de tecnologia de grande porte, como a Meta e a Tesla, aumentaram significativamente a quantidade de compras de modelos de IA personalizados e pesquisas internas. Empresas de modelos básicos como a Anthropic e plataformas de dados como a Snowflake e a Databricks também adquiriram mais GPUs para ajudar os clientes a fornecer serviços de inteligência artificial.
Como mencionado no ano passado pela Semi Analysis, "ricos em GPU e pobres em GPU", poucas empresas possuem mais de 20.000 GPUs A100/H100, e os membros da equipe podem usar de 100 a 1.000 GPUs para projetos. Essas empresas são ou provedores de nuvem ou construíram seus próprios LLM, incluindo OpenAI, Google, Meta, Anthropic, Inflection, Tesla, Oracle, Mistral, entre outras.
No entanto, a maioria das empresas são "pobres em GPU", lutando com um número muito limitado de GPUs, gastando muito tempo e energia em coisas que são mais difíceis de impulsionar o desenvolvimento do ecossistema. E essa situação não se limita apenas às startups. Algumas das empresas de inteligência artificial mais conhecidas -- Hugging Face, Databricks (MosaicML), Together e até mesmo a contagem de A100/H100 da Snowflake é inferior a 20K. Essas empresas têm talentos técnicos de classe mundial, mas estão limitadas pela quantidade de GPUs disponíveis, o que as coloca em desvantagem em relação às grandes empresas na competição em inteligência artificial.
Esta escassez não se limita aos "pobres de GPU", e até o final de 2023, a líder no setor de IA, OpenAI, teve de interromper as inscrições pagas por semanas devido à falta de GPUs, ao mesmo tempo que procurava adquirir mais suprimentos de GPU.
É evidente que, com o rápido desenvolvimento da IA, há uma grave descoordenação entre a procura e a oferta de GPUs, e o problema da escassez é iminente.
Para resolver este problema, alguns projetos Web3 começaram a tentar combinar as características técnicas da Web3, oferecendo serviços de computação descentralizada, incluindo Akash, Render, Gensyn, entre outros. A semelhança entre estes projetos é que, através de tokens, incentivam um grande número de usuários a fornecer poder de computação GPU ocioso, tornando-se o lado da oferta de computação, para fornecer