logo

新手教學

投資理財

區塊百科

賽道專題

幣種分析

優惠福利

市場週報

活動優惠搜尋

NEW EVENT

最新活動

幣安

web3 community

加入每日幣研 Telegram 群組,即時掌握幣圈最新資訊

HOT ARTICLES

熱門文章

    新投資賽道 - 區塊鏈 AI 底層有哪些機會?Akash、Gensyn、Bittensor 3 大項目潛力分析

    Kai

    2023/09/11

    由 OpenAI 旗下的大型語言模型 ChatGPT 所引爆的生成式 AI 服務熱潮,將世界各國的政府和企業都捲進了 AI 的軍備競賽,不僅創建 AI 模型的需求正在快速成長,支持 AI 運行的各種基礎設施,上至伺服器晶片與零組件,下至軟體服務公司和雲端供應商都連帶受到矚目,甚至進入了供不應求的狀態。

    作為同樣是新興技術的區塊鏈,在這個未來數十年都至關重要的關鍵產業中,能不能找到相互加乘的機會?答案是:可以,而且是現在進行式。不過在發掘 AI+區塊鏈的組合潛力之前,讓我們先來了解到底什麼是 AI,以及 AI 運作的基礎條件。


    TLDR

    ・訓練 AI 模型需要處理海量的數據,因此需要一定規模的運算能力,但因為 GPU 關鍵晶片的產能和封裝量能限制,全球正在面臨巨大的算力短缺,算力將會是人類未來數年的稀缺資源。

    ・Akash、Gensyn 和 Bittensor 等區塊鏈項目正試圖透過分布式算力基礎通用模型、開源計算協議AI 貢獻挖礦來解決這個問題。


    什麼是 AI:算法+算力+數據

    AI(Artificial Intelligence),所謂的人工智慧,是一種利用大量的資訊數據訓練演算法,讓其成果能夠模擬人類行為的系統或程式,包括學習、理解、推理、解決問題、語言處理、視覺感知、自主行動等能力等等,終極目標是讓電腦能夠模仿人類的思維推理過程,並應用在處理各種任務和解決問題上。

    目前的 AI 技術可以分為以下幾個主要子領域:

    機器學習(Machine Learning):透過從數據中學習模式和規則,使機器能夠做出預測和決策。包括監督學習、無監督學習、強化學習等方法。

    深度學習(Deep Learning):深度學習是機器學習的一個子集,使用類似人腦神經元的深度神經網路來處理和理解大量數據,特別適用於圖像和語音識別等領域。

    專家系統(Expert Systems):專家系統是一種模擬專家知識和決策過程的 AI 系統,通常用於解決特定領域的問題。

    自然語言處理(Natural Language Processing,NLP):NLP 是一個處理和理解自然語言的 AI 子領域,使電腦能夠理解、生成和與人類語言交互。

    機器視覺(Computer Vision):機器視覺是指使電腦能夠理解和解釋視覺信息,例如圖像和影片。

    強化學習(Reinforcement Learning):強化學習是一種通過試錯和獎勵機制來學習最佳行為的機器學習方法,常見於機器控制和自主決策問題中。

    大家最熟悉的 ChatGPT 屬於自然語言處理的類型,Midjourney、DALL-E、Stable Diffusion 等輸入文本輸出圖像的生成工具則屬於機器學習的模型。


    目前 AI 產業遇到了什麼問題?

    AI 的演算法通常需要大量的計算資源,特別是在機器學習和深度學習領域。這些演算法所處理的大規模數據集,需要大量的算力(Computing Power)進行複雜的運算,特別是大型深度神經網路模型,如深度學習模型,需要足夠的算力才能持續進行訓練。

    而高性能的計算資源,像是圖形處理器(GPU)因為算術邏輯單元的數量遠超過 CPU ,可以處理更大的數據集,訓練更複雜的模型,並在更短的時間內完成任務,非常適合支持 AI 這種涉及較多的矩陣或向量的乘法和加法的計算。

    熟悉加密貨幣市場,或者曾經研究過比特幣挖礦的人,應該都對算力一詞,以及在當代幾乎是代表算力的 GPU 並不陌生。2017、2021 加密貨幣的兩輪牛市都曾經創造巨大排擠效應,後期甚至出現遊戲玩家顯卡一卡難求,顯卡價格飆升的情況。但如今在比特幣挖礦已經不敷成本,以及以太坊 POW 轉 POS 導致顯卡拋售潮的同時,GPU 已經找到了下一個新的需求戰場:AI 算力。


    GPU 生產缺口帶來的算力短缺

    世界首富 Elon Musk 曾經表示:「目前 GPU 比毒品更難獲得,因為每個人和他們的狗都在買 GPU。」

    自從由 ChatGPT 領軍的 AI 熱潮興起,算力需求爆發式增長,全世界就一頭栽入了 GPU 搶貨大戰,其中最熱門的頂級 GPU 是由 NVIDIA 生產的 H100。除了新創企業有需求,雲端服務供應商(CSP),龍頭企業、學術導向的 AI 實驗室也都加入爭奪行列,微調模型小則需要數十上百張,如果要訓練模型,則是以千張為單位起跳。

    根據 GPU Utils 的推估,OpenAI 可能需要 5 萬顆。Inflection AI 想要 2.2 萬顆。Meta 可能是 2.5 萬顆(或者根據消息透露,實際上是 10 萬張或更多)。Azure、Google Cloud、AWS 以及 Oracle 等大型雲端公司可能每個需要 3 萬顆,Lambda 和 CoreWeave 以及其他私有雲端可能總共需要 10 萬顆。而 NVIDIA 2023 年出貨量估計僅有 55 萬顆

    這還只是檯面上知名的幾間公司所需(想)要的數字。而製造 H100 關鍵晶片的公司是誰?台積電

    台積電目前因為封裝的量能有限,三星等晶片廠的生產成果又尚無法符合 NVIDIA 的標準,連帶導致 H100 處於嚴重供不應求的狀態,到貨時間已經排到了 2024 的 Q1~Q2,訂單則是一路下到了 2025。

    稀缺帶動的股價上漲或許讓黃仁勳和一眾大小股東樂哈哈,但全世界的科技公司和開發者可是因此陷入水深火熱。

    算力短缺導致運算、訓練成本高昂

    根據最基本的經濟學原理,在供給不變,但需求增加的情況下,特定資源的單位價格必然上漲,這就是目前許多 AI 公司的處境,他們通常有兩種選擇:投資自己的硬體設施,同時犧牲可擴展性(但別忘了,硬體設備目前是稀缺資源),或者選擇使用雲端商,並支付更加高昂的價格。

    估值為 10 億美元的公司 Stability AI 就選擇了後者,在 AWS 上運行由 4,000 多個 Nvidia GPU 組成的集群,用於訓練包括 Stable Diffusion 在內的 AI 系統,據聞單月的營運成本就超過 5,000 萬美元;OpenAI 旗下的產品 ChatGPT-3 使用的 1,000 個 Nvidia GPU 進行訓練,成本同樣高達 1,200 萬美元。

    這樣些高昂的成本不只讓既有的 AI 公司成長受限,也讓既沒有本錢投資硬體設施,也無法支付高昂雲端成本的後起公司或新創產品和服務,難以開發產品或加入競爭。

     

    封閉模型造成的訓練效率低下

    在過去,有許多研究 AI 的大型機構是非營利研究組織,試圖以造福全人類為最終目的推進人工智慧,當年的 OpenAI 就是其中之一。但現階段大多數由利潤驅動的 AI 產品的公司,雖然正在從全網路上獲取(竊取?)文字和圖像數據,或者是基於隱私考量,多是在封閉的系統內訓練自己的私人模型,相當於每個人都關起門來,從輪子開始從頭做起。

    這樣一來不僅大幅提高了研究和開發的門檻,也導致相關產業可能會逐漸走向被大公司把持、壟斷的趨勢。

     

    高成本+低效率的可能解方:去中心化的分佈式算力+開放的計算網路

    目前大型人工智慧系統所需要的算力,幾乎每隔幾個月就會翻漲一倍,根據國際數據公司(IDC)最新的 AI 半年度報告,2023 年全年度 AI 系統在軟體、硬體與服務的綜合支出將來到 1,540 億美元,預估在 2026 年會達到將近一倍的 3,000 億美元,增長率遠高於其他產業。再加上硬體資源的限制,再再凸顯了產業對更高效、更具成本效益的解決方案的迫切需求。

    Open AI 的創辦人之一 Sam Altman 曾經預言「大模型時代即將終結」,因為持續擴大模型尺寸不但意味著無限增長的的成本,拓展數據中心和硬體資源也有其物理極限。

    面對全球各地指數型上升的算力需求,除了快一步投入資源爭奪戰,也有人將 AI 從資料存儲>數據預處理>模型訓練>模型微調>模型部署等不同環節拆開檢視,試圖分頭優化,並善用區塊鏈去中心化的技術提出了幾個可能解方:分布式算力開放的計算網路

    AI 人工智慧+Crypto 區塊鏈項目介紹

    看到這裡,相信你已經初步瞭解到未來數十年的關鍵產業 AI 當前正面臨的問題,筆者將進一步介紹區塊鏈上有哪些項目試圖解決這些問題。在這之前,我們還需要簡單了解一下兩個關鍵名詞。

    訓練成本:訓練模型所需的資源、計算能力和數據的成本。在訓練階段,需要根據數據集特有的訊息來調整模型,以提高模型的準確性,並最大限度地減少錯誤。

    推理成本:是指訓練完成,並將模型託管部署到某個地方後,運行模型和處理新的輸入數據所需的資源,也就是用戶輸入文本並調用模型來回答或解決問題的階段。在通常的情況下,任何以合理的規模訓練和部署的模型,推理成本會遠遠超過訓練成本

    接下來,我們挑選了一些在 AI 賽道較為著名的解決方案,為大家介紹他們的融資背景、產品特色與近期動向。

    Akash:去中心化雲端算力網路

    Akash:去中心化雲端算力網路

    Akash 在古老的梵文當中意思是「開放空間」或者「天空」,而天空是雲朵交會之處。Akash 是由雲端與工程領域出身的一對創業搭擋 Greg Osuri 與 Adam Bozanich 在 2015 年創立的雲端算力市場。在 2020 年由 Cypher Capital 領投,Infinite Capital 和 Digital Asset Capital Management 參投,至今共獲得 200 萬美元的融資。

    去中心化雲端算力市場

    Akash 是全球首個去中心化雲端算力市場(DeCloud),主要是將有算力需求的用戶,以及有閒置算力可以對外供給的用戶或供應商相互媒合,有效的交易算力資源。根據 Akash 官方的計算,全球有將近 840 萬個數據中心有額外的閒置資源尚未受到充分利用,而任何選擇在傳統雲端如 AWS、GCP 和 Azure 上運行的容器和應用程式,都可以用 1/3~1/8 的成本託管或部署在 Akash 上,並以更快的速度運行。

    根據 Grand View Research 的統計,2022 年雲端計算市場高達 4,839 萬美元,2023 年有望突破 3,000 萬美元,其中傳統雲端的三大巨頭(AWS、GCP 和 Azure )就分食了將近 65 % 的份額。而目前也有許多去中心化項目的驗證節點和前端是託管在中心化的雲端上,因而連帶受到中心化雲端的延遲和故障受到影響,也有受制於傳統雲端商而的疑慮,使用 Akash 網路不僅能實現真正的去中心化,也能在出問提的時後迅速置換到另外一個活躍的算力提供商上。

    無論是部署應用程式、競標出價、租賃算力和結算付款都需要使用 Akash 的原生代幣兼 Gas Fee $AKT,$AKT 也同時用於治理投票、維護區塊鏈網路、獎勵質押並鼓勵社群參與者。由於 Akash 使用的是 The Cosmos SDK 的框架,用戶需要至少有一個 Cosmos 錢包才能使用 Akash 相關服務。

    Akash 的算力租賃業務

    過去 Akash 的算力租賃業務主要集中在 CPU,在 2023 年 8 月的第 6 次主網升級「Supercloud」正式開放 GPU 服務,引入 GPU 提供商,提供包括 NVIDIA 的 H100s 和 A100s 等頂級 GPU,以及能夠處理 AI 所需的密集計算的消費級晶片,有助於進一步吸引到對 AI 訓練、渲染和雲端遊戲有需求的客戶。

     

    $AKT

    雖然加密貨幣市場歷經了超過一年的熊市,但在租賃需求持續增加的情況下,$AKT 有著優於整體市場的表現,更持續提供 8.37~9.3% APR 的代幣質押獎勵

     

    Gensyn:深度學習開放計算協議

    Gensyn:深度學習開放計算協議

    Gensyn 在 2020 年由 Ben Fielding 和 Harry Grieve 於 2020 年創立的去中心化的機器學習計算協議,在 2021 年到 2023 的 3 輪融資之中,獲得由 A16z 領投,Protocol Labs、Eden Block 等機構參投高達 4,980 萬美元的資金,用於建構一個開源的基礎通用模型,以及一條專門用於深度學習的 Layer 1 計算與驗證網路,讓 AI 不被少數的國家或企業寡佔,而是趨近真正的民主化,確保每個人都有構建 AI 和計算自由的權利。

    類似於 Akash,Gensyn 將匯集閒置的資源(甚至包括 Macbook 和 Iphone),讓用戶在不使用算力的時候可以出租自己的算力協助訓練模型,以獲得相應報酬,讓機器學習計算協議將成為一個無形的網絡,提供進入計算革命的下一個規模時所需的基礎資源;同時專注於以超大規模和低成本的方式訓練神經網絡,並建立一組已經經過驗證的、預先訓練的通用模型,讓有相關需求的個人或企業可以使用這個模型做為基礎,進行小幅度的微調或進一步延伸訓練,大幅降低深度學習的單位成本。

     

    根據官方的計算,Gensyn 可以將每小時的訓練成本降低至 0.4 美元,並保持高度的可擴展性,遠低於使用以太坊進行機器學習的天文數字,以及使用其他傳統雲端商被收取的高額費用。

     

    Gensyn 目前尚處於相當早期的階段,不僅尚未發幣,也還沒進入三大階段當中的第一個測試網階段。Gensyn 的初始開發將著重在構建核心技術的和建立測試網,並在測試網迭代成功後將新測試網作為平行鏈發佈到中 Kusama Network 上進一步測試,最終將主網以平行鏈部署到 Polkadot 上。

    值得注意的是,官方表示測試網使用的代幣將是非永久性的,而新測試網的代幣將具有實際經濟價值。參與測試網的用戶將成為社區的早期採用者和核心成員,並在 TGE 的時候獲得獎勵,也就是來自於官方的明牌空投。有興趣的讀者,可以到此官方頁面登記申請成為早期用戶。

    Bittensor:去中心化的機器學習開放協議

     

    Bittensor 是由 Jacob Robert Steeves 在 2021 年所創立的機器學習開放協議,是為了鼓勵優化與創新,並解決機器學習中的效率低落的問題而誕生的 Layer 1 網路,利用區塊鏈的特性來促進 AI 技術的發展。

    在過去 AI 還沒有發展出成熟的產品,尚未受到市場大規模採用時,主要是透過學校、企業以非盈利的方式來資助研究人員,以促進 AI 的發展。而在被稱為「AI 元年」的 2023 年,AI 的研究和開發已經轉為由大型科技公司主導,私人企業的封閉性不但不利於整體產業的前進,也讓小型的研究員與學術機構難以作出貢獻。

    而 Bittensor 正是為了在當前的情景中持續尋找最佳解而生。Bittensor 鏈上的礦工透過為特定模型提供專業的情報、知識和技術以加速學習、優化輸出來創建更強大的 AI 模型,共享成果,並獲得獎勵代幣 $TAO,也可以說是 AI 的情報市場。

    除此之外,Bittensor 創造的特殊協作模式還有助於提煉知識,鼓勵開源的模型之間交換訊息互相協作學習,並進一步將匯集的知識壓縮到單個模型中,讓特定模型更容易部署且訓練成本更低。可以說是透過將相關領域的貢獻和知識價值貨幣化,進而成為推動 AI 發展的催化劑。

     

    目前如果想要開採 $TAO,就必須在電腦本地創建專用的錢包,並針對 AI 模型提出有價值的知識和技術貢獻,對一般用戶來說難度較高。但如果參與代幣的二級市場有興趣,可以在 Bitget 等小型交易所購買。

    結語:

    AI 概念板塊無論在 Web 2 還是 Web 3 都是非常熱門的賽道,不過相對於 Web 2 已經漲過一輪的整個供應鏈與硬體設施相關股票來說,Web 3 中 AI 基礎設施的項目顯然都還處於較為早期的階段,如果你錯過了先前由 NVIDIA 領頭的股市狂歡,這些區塊鏈上的項目值得你及早關注。

     

    除了 AI 算力問題的解決方案,諸如我們先前介紹過的去中心化雲端儲存 Filecoin,以及分布式雲端渲染的 Render Network 也都屬於概念上相近的項目,彼此之間有功能上的上下層關係。根據 Messari 的基礎設施報告,去中心化的儲存、算力、數據、無線網路到無線感測網路,加總起來都才勉強超過百億美元市值,比起文章上半部單單算力就已經估值五千億的市場,DePin+AI 或許是目前最被高度低估的板塊之一!

    延伸閱讀:

    DePIN Web 3 的 AWS 和電力公司介紹| 繼 RWA 後的熱門賽道?創造被動收入的全新機會

    FIL 幣介紹|Filecoin 是什麼?去中心化儲存介紹|購買教學

    Render Network介紹|GPU挖礦 $RNDR幣|蘋果VR使幣價飆升

    人民的去中心化網路 Helium 介紹|推出超低月費網路!5G 也能挖礦?代幣機制詳解

    Kai

    主要關注 DePIN、AI、Crypto Gaming、 RWA。因為投機而來,留下來是想知道會發生什麼好玩的事。

    TLDR

    每日幣研 市場週報

    每週兩則電子報,全方位從總體經濟、鏈上數據、融資近況、項目動向快速解讀加密貨幣市場

    訂閱週報

    logo

    首頁

    全部文章關於我們聯絡我們網站聲明 隱私權政策

    HK

    TW

    ©台灣每日幣研版權所有