Bagong Paradigma ng AI Data Economy: Ang Ambisyon ng DIN at Pagbebenta ng Node mula sa Modular na Data Preprocessing

Paunang Salita

Sa kasalukuyang pandaigdigang kalakaran, walang duda na ang AI ay isa sa mga pinakainit na larangan, maging ito man ay ang OpenAI ng Silicon Valley o ang Moonshot at Zhipu Qingyan sa China, sunud-sunod na sumasali ang mga bagong entrepreneur at malalaking tradisyonal na kumpanya sa rebolusyong ito ng AI. Hindi lamang ito nangunguna sa larangan ng teknolohiya, kundi isa rin ito sa mga pinaka-namumukod-tanging sektor sa crypto market ngayong taon. Sa pagtingin sa mga proyekto sa mga pangunahing CEX ngayong taon, kahit na dumaan sa mga kamakailang pag-uga ng merkado, ang AI leader na Bittensor (TAO) ay patuloy na nangunguna sa lahat ng bagong token ngayong taon na may higit sa 5x na return. Kasabay ng patuloy na pag-unlad at aplikasyon ng AI technology, ang data bilang pundasyon ng AI development ay lalong nagiging mahalaga.

Sa agos ng AI era, ang kahalagahan at potensyal na halaga ng data ay naiangat sa hindi pa nararating na antas

Ayon sa mga estadistika, ang mga pangunahing AI large model companies ay kailangang magproseso at gumamit ng daan-daang milyong data sets bawat taon, at ang bisa at eksaktong kalidad ng mga data na ito ay direktang nakakaapekto sa resulta ng training ng AI models. Gayunpaman, ang gastos sa pagkuha ng data ay patuloy na tumataas, na nagiging malaking hamon para sa mga AI companies.

Ang pag-optimize ng performance ay nakasalalay sa patuloy na tumataas na konsumo ng data

Sa kasalukuyang merkado, napakalaki ng dami ng data na pinoproseso at ginagamit ng mga large model companies bawat taon. Halimbawa, ginamit ng OpenAI ang humigit-kumulang 45TB ng text data para i-train ang GPT-3 model, habang ang training cost ng GPT-4 ay umabot sa 78 million dollars; ang computation cost ng Google para i-train ang Gemini Ultra model ay humigit-kumulang 191 million dollars. Ang ganitong napakalaking demand sa data ay hindi lamang limitado sa OpenAI, kundi pati na rin sa iba pang AI companies tulad ng Google at Meta na kailangang magproseso ng napakalaking data sa training ng kanilang mga large AI models.

Ang bisa ng data ay dapat bigyang pansin

Ang epektibong data ay kailangang may mataas na kalidad, walang bias, at mayaman sa feature information upang matiyak na ang AI model ay makakakuha ng tamang kaalaman at makagawa ng eksaktong prediksyon. Halimbawa, sa training ng GPT-3, gumamit ang OpenAI ng text data mula sa iba't ibang sources tulad ng mga libro, artikulo, at websites upang matiyak ang diversity at representativeness ng data. Gayunpaman, ang bisa ng data ay hindi lamang nakasalalay sa pinagmulan nito, kundi pati na rin sa proseso ng data cleaning, annotation, at preprocessing, na nangangailangan ng malaking manpower at resources.

Hindi maaaring balewalain ang ekonomikal na aspeto, ang gastos sa pagkuha at pagproseso ng data

Sa aktwal na AI model training, ang gastos sa data collection, annotation, at processing ay kadalasang minamaliit, ngunit maaari itong maging napakalaki. Partikular, ang data annotation ay isang matrabaho at magastos na proseso na madalas nangangailangan ng manual labor. Kapag nakuha na ang data, kinakailangan pa itong linisin, ayusin, at iproseso upang magamit nang epektibo ng AI algorithms. Ayon sa ulat ng McKinsey, ang gastos sa training ng isang malaking AI model ay maaaring umabot sa ilang milyong dolyar. Bukod pa rito, ang pagtatayo at pagpapanatili ng data centers at computational infrastructure ng mga AI companies ay isa ring napakalaking gastusin.

Sa kabuuan, ang training ng AI large models ay nangangailangan ng napakaraming mataas na kalidad na data, at ang dami, bisa, at gastos sa pagkuha ng data na ito ay direktang tumutukoy sa performance at tagumpay ng AI models. Sa hinaharap, kasabay ng patuloy na pag-unlad ng AI technology, ang epektibong pagkuha at paggamit ng data ay magiging susi ng kompetisyon sa pagitan ng mga AI companies.

Modular na Data Preprocessing Layer, Decentralized na AI Data Solution Batay sa Blockchain

Sa ganitong konteksto, ang DIN (dating Web3Go) bilang unang modular AI native data preprocessing layer ay isinilang. Layunin ng DIN na, sa pamamagitan ng decentralized na data verification at vectorization processing, magbigay-daan sa bawat isa na makapag-ambag ng data para sa AI at kumita mula rito, na nangunguna sa isang bagong data economy kung saan ang bawat tao ay maaaring pagkakitaan ang kanilang personal na data at ang mga kumpanya ay makakakuha ng data nang mas episyente at mas matipid. Sa kasalukuyan, nakatanggap na ang DIN ng 4 million dollars na seed round investment mula sa Binance Labs, at karagdagang 4 million dollars na pre-listing investment mula sa iba pang mga institusyon, komunidad, at KOL network, na may kasalukuyang valuation na 80 million dollars, na nagpapakita ng mataas na pagkilala at potensyal sa merkado. Kabilang sa kanilang mga partners ang Polkadot, BNB Chain, Moonbeam Network, at Manta Network.

DIN Data Preprocessing Node – Chipper Node

Napakalinaw ng market positioning ng DIN, na nakatuon sa pagtatayo ng isang decentralized data intelligence network sa larangan ng AI at data.Ang Chipper Node ay gumaganap ng mahalagang papel sa DIN ecosystem,na responsable sa data verification, vectorization processing, at reward calculation, at ito ang core component ng DIN data preprocessing layer.