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
O transporte pelo Estreito de Ormuz está quase paralisado! Energia no Oriente Médio busca alternativas e fornecedores de GNL recorrem raramente a operações de transferência navio-a-navio.
Apesar de o confronto entre os Estados Unidos e o Irã em torno do estreito de Ormuz, uma rota marítima crucial, ainda estar em andamento, os fornecedores continuam se esforçando para garantir que o combustível do interior do Golfo Pérsico consiga chegar aos mercados globais.
Quão agressiva é a avaliação do IPO da Anthropic? Wall Street aposta: receita pode disparar para US$ 200 bilhões em 2028
A Anthropic está se preparando para abrir capital, e Wall Street está usando a expectativa de receita para 2028 (cerca de US$ 200 bilhões) como principal referência de valuation, em vez dos resultados atuais. A receita anualizada da empresa cresce rapidamente, mas os enormes investimentos em IA ainda mantêm a lucratividade distante. O mercado utiliza as avaliações de empresas de alto crescimento como Palantir e SpaceX como referência, apostando que a Anthropic conseguirá alcançar efeito de escala no futuro e transformar esse crescimento em lucro. No entanto, a lógica deste valuation elevado ainda será testada pelo mercado.
AWS da Amazon — O caminho para a receita de trilhões de dólares
Morgan Stanley prevê que a escala de computação da AWS irá se expandir de 14GW em 2025 para 120GW em 2035. Se a eficiência de monetização da computação atingir US$12 por watt, a receita da AWS poderá ultrapassar US$1 trilhão. Com a ampliação dos negócios, a margem de lucro do segmento de IA pode seguir o caminho de expansão do negócio principal de nuvem, com a margem EBIT de longo prazo podendo chegar a cerca de 30%.
A carta escondida antes da tempestade: na véspera da liquidação do "Deus das Ações de IA", a SA aposta alto em chips de armazenamento, Castle faz hedge total e Jane Street, mesmo com bilhões em hedge, ainda não escapa de uma perda de bilhões
SA, Castle Investment e Simple Street divulgaram recentemente seus relatórios de posições do segundo trimestre (13F), com data até 30 de junho de 2026.
Preços de criptomoedas
Mais
