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
En la actualidad, a nivel global, la inteligencia artificial (AI) es sin duda uno de los sectores más populares. Tanto en Silicon Valley con OpenAI, como en China con Moonshot y Zhipu Qingyan, una gran cantidad de emprendedores innovadores y grandes empresas tradicionales están entrando en esta revolución de la AI.
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.
Descargo de responsabilidad: El contenido de este artículo refleja únicamente la opinión del autor y no representa en modo alguno a la plataforma. Este artículo no se pretende servir de referencia para tomar decisiones de inversión.
También te puede gustar
Tres funcionarios de la Reserva Federal adoptan una postura agresiva en el mismo día, la probabilidad de un aumento de tasas en octubre sube al 69% según el mercado.
El jueves, el presidente de la Reserva Federal de Filadelfia señaló que podría ser necesario un mayor endurecimiento de la política monetaria; el presidente de la Reserva Federal de Nueva York indicó que es razonable un nuevo aumento de tasas este año; mientras que la presidenta de la Reserva Federal de Cleveland afirmó que el riesgo de que las expectativas de inflación se desanclen ha aumentado significativamente. Anteriormente, el miércoles, el gobernador de la Reserva Federal, Michael Barr, mencionó que podría ser necesario hacer nuevos ajustes en la política; y el martes, el presidente de la Reserva Federal de Richmond dijo que el riesgo de una inflación persistente está en aumento. Impulsados por las declaraciones de los funcionarios con posturas agresivas y por datos económicos sólidos, la probabilidad de un aumento de tasas en octubre según el mercado subió del 53% el fin de semana pasado al 69%.
¡Se intensifica la venta de bonos del Tesoro de EE.UU.! La subasta de bonos a 7 años fue poco exitosa, el monto de recompra del Tesoro quedó nuevamente por debajo del límite, y el rendimiento de los bonos municipales alcanzó el máximo en 15 años.
El jueves, el rendimiento de la subasta de bonos del Tesoro de EE.UU. a 7 años por 44.000 millones de dólares aumentó a 5,085%, alcanzando un máximo histórico para ese plazo, mientras que la proporción asignada a inversores extranjeros cayó al nivel más bajo en casi dos años. La ampliación de las operaciones de recompra por parte del Tesoro de EE.UU. solo alcanzó el 68% del límite, por debajo del 86% de la vez anterior, lo que indica un apoyo de liquidez menor al esperado. La presión se extendió al mercado de bonos municipales de EE.UU., donde el rendimiento a 30 años superó el 5%, alcanzando un máximo desde 2011 y el volumen de ventas fue el más alto desde el inicio de la pandemia. El jueves, el rendimiento de los bonos del Tesoro estadounidense a 10 años superó el 5,2% por primera vez desde 2007.
Macron: Francia brindará ayuda militar a Arabia Saudita para proteger las instalaciones petroleras del puerto de Yanbu en el Mar Rojo
Macron afirmó que Francia enviará tropas a Yanbu y proporcionará sistemas de radar y de defensa. Subrayó que la misión de la operación es proteger las instalaciones de Yanbu y no intervenir en los conflictos regionales. El pasado viernes, dijo que tras la obstrucción del Estrecho de Ormuz, el oleoducto este-oeste de Arabia Saudita llegó a ser una ruta alternativa importante para el transporte, pero el suministro de crudo por dicho oleoducto se redujo considerablemente debido al ataque a Yanbu perpetrado por los hutíes de Yemen.
La desaceleración de los modelos de IA no necesariamente es negativa: las tres tendencias estructurales en los centros de datos tradicionales superan el aumento de las tasas de interés.
HSBC considera que la lógica de crecimiento de los centros de datos tradicionales está pasando de la iteración de modelos avanzados a la comercialización y expansión de la IA. El aumento de la demanda de procesamiento, la expansión del gasto de capital de las empresas de servicios en la nube, junto con restricciones más estrictas en energía y regulación, hacen que el escenario de oferta y demanda ajustada se mantenga hasta 2028. Incluso con el aumento de las tasas de interés, se espera que el crecimiento compuesto por acción de AFFO entre 2025 y 2028 alcance el 11%–12%, mostrando una fuerte resistencia en las ganancias.
Precios de las criptos
Más
