Нова парадигма економіки даних AI: амбіції DIN та продаж вузлів з точки зору модульної попередньої обробки даних

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.