Novo paradigma da economia de dados em IA: a ambição do DIN e a venda de nós a partir do processamento modular de dados

Introdução

Atualmente, a IA é, sem dúvida, um dos setores mais quentes a nível global. Seja o OpenAI do Vale do Silício ou empresas nacionais como Moonshot e Zhipu Qingyan, tanto novos empreendedores quanto grandes empresas tradicionais estão a entrar nesta revolução da IA. Ela não só lidera tendências no setor tecnológico, como também é uma das áreas de maior destaque no mercado de criptomoedas este ano. Observando os projetos listados nas principais CEXs este ano, mesmo após a recente volatilidade do mercado, o líder em IA Bittensor (TAO) continua a liderar todos os novos tokens deste ano com um retorno superior a 5 vezes. Com o desenvolvimento e aplicação contínuos da tecnologia de IA, os dados, como base do desenvolvimento da IA, tornam-se cada vez mais importantes.

Na era da IA, a importância e o valor potencial dos dados atingiram um patamar sem precedentes

Segundo estatísticas, as principais empresas de modelos de IA precisam atualmente processar e consumir centenas de milhões de conjuntos de dados por ano, cuja eficácia e precisão afetam diretamente o desempenho do treino dos modelos de IA. No entanto, o custo de obtenção de dados está a aumentar constantemente, tornando-se um grande desafio para todas as empresas de IA.

A otimização do desempenho é suportada por um consumo crescente de dados

No mercado atual, as empresas de grandes modelos processam e consomem volumes enormes de dados anualmente. Por exemplo, o OpenAI utilizou cerca de 45TB de dados de texto para treinar o modelo GPT-3, enquanto o custo de treino do GPT-4 atingiu 78 milhões de dólares; o custo computacional para treinar o modelo Gemini Ultra da Google foi de cerca de 191 milhões de dólares. Esta enorme necessidade de dados não se limita ao OpenAI; outras empresas de IA como Google e Meta também precisam processar grandes volumes de dados ao treinar grandes modelos de IA.

A eficácia dos dados precisa de atenção

Dados eficazes devem ser de alta qualidade, sem viés e ricos em características, para garantir que o modelo de IA possa aprender e fazer previsões precisas. Por exemplo, ao treinar o GPT-3, o OpenAI utilizou dados de texto provenientes de várias fontes, incluindo livros, artigos e websites, para garantir diversidade e representatividade dos dados. No entanto, a eficácia dos dados não depende apenas da sua origem, mas também envolve etapas como limpeza, rotulagem e pré-processamento, que exigem grandes investimentos de mão de obra e recursos.

A economia não pode ser ignorada: o custo de recolha e processamento de dados

Na prática do treino de modelos de IA, os custos de recolha, rotulagem e processamento de dados são frequentemente subestimados, mas podem ser bastante significativos. Especificamente, a rotulagem de dados é um processo demorado e caro, frequentemente exigindo trabalho manual. Uma vez recolhidos os dados, é necessário proceder à sua limpeza, organização e processamento para que os algoritmos de IA possam utilizá-los eficazmente. Segundo um relatório da McKinsey, o custo de treinar um grande modelo de IA pode atingir vários milhões de dólares. Além disso, a construção e manutenção dos centros de dados e infraestruturas computacionais das empresas de IA representam também um enorme encargo.

Em suma, o treino de grandes modelos de IA depende de grandes quantidades de dados de alta qualidade, cuja quantidade, eficácia e custo de obtenção determinam diretamente o desempenho e o sucesso do modelo de IA. No futuro, com o avanço contínuo da tecnologia de IA, a eficiência na obtenção e utilização de dados tornar-se-á um fator-chave na competitividade das empresas de IA.

Camada de pré-processamento de dados modular: uma solução de dados de IA descentralizada baseada em blockchain

Neste contexto, DIN (anteriormente Web3Go), como a primeira camada modular de pré-processamento de dados nativa de IA, surgiu para responder a esta necessidade. O objetivo do DIN é, através da validação descentralizada de dados e processamento vetorial, permitir que qualquer pessoa forneça dados para IA e seja recompensada, liderando uma nova tendência económica onde todos podem rentabilizar os seus dados pessoais e as empresas podem obter dados de forma mais eficiente e económica. Atualmente, o DIN já recebeu 4 milhões de dólares em financiamento seed da Binance Labs, e posteriormente obteve mais 4 milhões de dólares em financiamento pre-listing de outras instituições, comunidades e redes de KOL, com uma avaliação atual de 80 milhões de dólares, demonstrando o grande potencial e reconhecimento do mercado para o seu futuro desenvolvimento. Os 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-se em construir uma rede de inteligência de dados descentralizada no campo da IA e dos 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.