Nuevo paradigma de la economía de datos de IA: la ambición de DIN y la venta de nodos desde la perspectiva del procesamiento modular de datos

Prólogo

En la actualidad, la IA es sin duda uno de los sectores más populares a nivel global. Tanto startups innovadoras como grandes empresas tradicionales, desde OpenAI en Silicon Valley hasta Moonshot y Zhipu Qingyan en China, se han sumado a esta revolución de la IA. No solo lidera las 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 de IA sigue desarrollándose y aplicándose, los datos, como base fundamental del desarrollo 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 las estadísticas, las principales empresas de modelos de IA actualmente necesitan procesar y consumir cientos de millones de conjuntos de datos cada año. La eficacia y precisión de estos datos afectan directamente el resultado del entrenamiento de los modelos de IA. Sin embargo, el coste de obtención de datos sigue aumentando, convirtiéndose en un gran desafío para todas las empresas de IA.

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

En el mercado actual, las empresas de grandes modelos 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 coste de entrenamiento de GPT-4 alcanzó los 78 millones de dólares; el coste computacional para entrenar el modelo Gemini Ultra de Google fue de unos 191 millones de dólares. Esta enorme demanda de datos no se limita a OpenAI; otras empresas de IA como Google y Meta también necesitan procesar grandes volúmenes de datos al entrenar modelos de IA a gran escala.

La eficacia de los datos requiere atención

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

La economía no debe ser ignorada: el coste de la recopilación y procesamiento de datos

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

En resumen, el entrenamiento de grandes modelos de IA depende de grandes cantidades de datos de alta calidad, y la cantidad, eficacia y coste 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 permitir, mediante la validación descentralizada de datos y el procesamiento vectorial, que cualquier persona pueda proporcionar datos a la IA y recibir recompensas, liderando una nueva 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 una financiación semilla de 4 millones de dólares de Binance Labs, y posteriormente ha obtenido otros 4 millones de dólares en financiación pre-listing de otras instituciones, comunidades y redes 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, dedicada a establecer una red de inteligencia de datos descentralizada en el ámbito de la IA y los datos.Chipper Node desempeña un papel importante en el ecosistema DIN,siendo responsable de la validación de datos, el procesamiento vectorial y el cálculo de recompensas, y es un componente central de la capa de preprocesamiento de datos de DIN.