Nueva era de la economía de datos con IA: la ambición de DIN y la venta de nodos desde la perspectiva del preprocesamiento de datos modular

Prólogo

Actualmente, la inteligencia artificial (IA) es sin duda uno de los sectores más candentes a nivel global. Tanto startups emergentes como grandes empresas tradicionales, desde OpenAI en Silicon Valley hasta Moonshot y Zhipu Qingyan en China, están participando en esta revolución de la IA. No solo lidera tendencias en el ámbito tecnológico, sino que también es uno de los sectores más destacados en el mercado de criptomonedas este año. Observando los proyectos listados en los principales CEX este año, a pesar de la reciente volatilidad del mercado, el líder de IA, Bittensor (TAO), sigue encabezando todos los nuevos tokens de este año con un retorno superior a 5 veces. A medida que la tecnología y las aplicaciones de IA continúan desarrollándose, los datos, como base fundamental para el avance de la IA, se vuelven cada vez más importantes.

En la era de la IA, la importancia y el valor potencial de los datos han alcanzado un nivel sin precedentes

Según estadísticas, las principales empresas de modelos de IA deben procesar y consumir cientos de millones de conjuntos de datos cada año, y la efectividad y precisión de estos datos afectan directamente el resultado del entrenamiento de los modelos de IA. Sin embargo, el costo de adquisición de datos sigue aumentando, convirtiéndose en un gran desafío para las empresas de IA.

La optimización del rendimiento se apoya en el creciente consumo de datos

En el mercado actual, las empresas de modelos de gran escala procesan y consumen enormes cantidades de datos cada año. Por ejemplo, OpenAI utilizó aproximadamente 45TB de datos de texto para entrenar el modelo GPT-3, y el costo de entrenamiento de GPT-4 alcanzó los 78 millones de dólares; el costo computacional para entrenar el modelo Gemini Ultra de Google fue de aproximadamente 191 millones de dólares. Esta enorme demanda de datos no se limita a OpenAI; otras empresas de IA como Google y Meta también deben procesar grandes volúmenes de datos al entrenar modelos de IA de gran escala.

La efectividad de los datos requiere atención

Los datos efectivos deben ser de alta calidad, sin sesgos y con información de características rica, para asegurar que los modelos de IA puedan aprender y hacer predicciones precisas. Por ejemplo, OpenAI utilizó datos de texto de diversas fuentes, incluyendo libros, artículos y sitios web, para entrenar GPT-3 y garantizar la diversidad y representatividad de los datos. Sin embargo, la efectividad de los datos no solo depende de su origen, sino también de procesos como limpieza, etiquetado y preprocesamiento, los cuales requieren una gran inversión de recursos humanos y materiales.

La economía no puede ser ignorada: el costo de recolectar y procesar datos

En la práctica del entrenamiento de modelos de IA, los costos de recolección, etiquetado y procesamiento de datos suelen subestimarse, pero pueden ser muy significativos. En concreto, el etiquetado de datos es un proceso costoso y que consume mucho tiempo, y a menudo requiere trabajo manual. Una vez recolectados los datos, también es necesario limpiarlos, organizarlos y procesarlos para que los algoritmos de IA puedan utilizarlos eficazmente. Según un informe de McKinsey, el costo de entrenar un modelo de IA de gran escala puede alcanzar varios millones de dólares. Además, la construcción y el mantenimiento de centros de datos e infraestructuras computacionales de las empresas de IA también representan un gasto enorme.

En resumen, el entrenamiento de modelos de IA de gran escala depende de grandes cantidades de datos de alta calidad, y la cantidad, efectividad y costo de adquisición de estos datos determinan directamente el rendimiento y el éxito de los modelos de IA. En el futuro, a medida que la tecnología de IA siga avanzando, la eficiencia en la obtención y utilización de datos será un factor clave en la competencia entre empresas de IA.

Capa de preprocesamiento de datos modular: una solución de datos de IA descentralizada basada en blockchain

En este contexto, DIN (anteriormente Web3Go) surge como la primera capa modular de preprocesamiento de datos nativa de IA. DIN tiene como objetivo, a través de la validación descentralizada de datos y el procesamiento vectorial, permitir que cualquier persona pueda aportar datos para la IA y recibir recompensas, liderando una tendencia en la economía de datos donde todos pueden monetizar sus datos personales y las empresas pueden obtener datos de manera más eficiente y económica. Actualmente, DIN ha recibido 4 millones de dólares en financiación semilla de Binance Labs, y posteriormente obtuvo otros 4 millones de dólares en financiación pre-listing de otras instituciones, la comunidad y la red de KOL, con una valoración actual de 80 millones de dólares, lo que demuestra el gran reconocimiento del mercado a su potencial y desarrollo futuro. Sus socios incluyen Polkadot, BNB Chain, Moonbeam Network y Manta Network, entre otros.

Nodo de preprocesamiento de datos de DIN – Chipper Node

La posición de mercado de DIN es muy clara, ya que busca establecer una red de inteligencia de datos descentralizada en el ámbito de la IA y los datos.Chipper Node desempeña un papel fundamental en el ecosistema de DIN,siendo responsable de la validación de datos, el procesamiento vectorial y el cálculo de recompensas, y es un componente clave de la capa de preprocesamiento de datos de DIN.