Gate Ventures：AI x Crypto從入門到精通（上）

引言

AI 行業近期的發展，被一部分人視為第四次工業革命，大模型的出現顯著提升了各行各業的效率，  波士頓咨詢認為 GPT 為美國提升了大約 20% 的工作效率。同時大模型帶來的泛化能力被喻為新的軟件設計範式，過去軟件設計是精確的代碼，現在的軟件設計是更泛化的大模型框架嵌入到軟件中，這些軟件能具備更好的表現和支持更廣泛模態輸入與輸出。深度學習技術確實為 AI 行業帶來了第四次繁榮，並且這一股風潮也彌漫到了 Crypto 行業。

各行業 GPT 的採用率排名，Source： Bain AI Survey

在本報告中，我們將詳細探討 AI 行業的發展歷史、技術分類、以及深度學習技術的發明對行業的影響。然後深度剖析深度學習中 GPU、雲計算、數據源、邊緣設備等產業鏈上下遊，以及其發展現狀與趨勢。之後我們從本質上詳細探討了 Crypto 與 AI 行業的關系，對於 Crypto 相關的 AI 產業鏈的格局進行了梳理。

AI 行業的發展歷史

AI 行業從 20 世紀 50 年代起步，為了實現人工智能的愿景，學術界和工業界在不同時代不同學科背景的情況下，發展出了許多實現人工智能的流派。

實現 AI 流派對比，圖源：Gate Ventures

AI/ML/DL 關系，圖源： Microsoft

現代人工智能技術使用的主要是“機器學習”這一術語，該技術的理念是讓機器依靠數據在任務中反復迭代以改善系統的性能。主要的步驟是將數據送到算法中，使用此數據訓練模型，測試部署模型，使用模型以完成自動化的預測任務。

目前機器學習有三大主要的流派，分別是聯結主義、符號主義和行為主義，分別模仿人類的神經系統、思維、行為。

神經網絡架構圖示，圖源： Cloudflare

而目前以神經網絡為代表的聯結主義佔據上風（也被稱為深度學習），主要原因是這種架構有一個輸入層一個輸出層，但是有多個隱藏層，一旦層數以及神經元（參數）的數量變得足夠多，那么就有足夠的機會擬合復雜的通用型任務。通過數據輸入，可以一直調整神經元的參數，那么最後經歷過多次數據，該神經元就會達到一個最佳的狀態（參數），這也就是我們說的大力出奇跡，而這也是其“深度”兩字的由來——足夠多的層數和神經元。

舉個例子，可以簡單理解就是構造了一個函數，該函數我們輸入 X= 2 時，Y= 3 ；X= 3 時，Y= 5 ，如果想要這個函數應對所有的 X，那么就需要一直添加這個函數的度及其參數，比如我此時可以構造滿足這個條件的函數為 Y = 2 X -1 ，但是如果有一個數據為 X= 2, Y= 11 時，就需要重構一個適合這三個數據點的函數，使用 GPU 進行暴力破解發現 Y = X 2 -3 X + 5 ，比較合適，但是不需要完全和數據重合，只需要遵守平衡，大致相似的輸出即可。這裏面 X 2 以及 X、X 0 都是代表不同的神經元，而 1、-3、 5 就是其參數。

此時如果我們輸入大量的數據到神經網絡中時，我們可以增加神經元、迭代參數來擬合新的數據。這樣就能擬合所有的數據。

深度學習技術演進，圖源：Gate Ventures

而基於神經網絡的深度學習技術，也有多個技術迭代與演進，分別如上圖的最早期的神經網絡，前饋神經網絡、RNN、CNN、GAN 最後演進到現代大模型如 GPT 等使用的 Transformer 技術，Transformer 技術只是神經網絡的一個演進方向，多加了一個轉換器（Transformer），用於把所有模態（如音頻，視頻，圖片等）的數據編碼成對應的數值來表示。然後再輸入到神經網絡中，這樣神經網絡就能擬合任何類型的數據，也就是實現多模態。

AI 發展經歷了三次技術浪潮，第一次浪潮是 20 世紀 60 年代，是 AI 技術提出的十年後，這次浪潮是符號主義技術發展引起的，該技術解決了通用的自然語言處理以及人機對話的問題。同時期，專家系統誕生，這個是斯坦福大學在美國國家航天局的督促下完成的 DENRAL 專家系統，該系統具備非常強的化學知識，通過問題進行推斷以生成和化學專家一樣的答案，這個化學專家系統可以被視為化學知識庫以及推斷系統的結合。

在專家系統之後， 20 世紀 90 年代以色列裔的美國科學家和哲學家朱迪亞·珀爾(Judea Pearl)提出了貝葉斯網絡，該網絡也被稱為信念網絡。同時期，Brooks 提出了基於行為的機器人學，標志着行為主義的誕生。

1997 年，IBM 深藍“Blue”以 3.5: 2.5 战勝了國際象棋冠軍卡斯帕羅夫(Kasparov)，這場勝利被傳視為人工智能的一個裏程碑，AI 技術迎來了第二次發展的高潮。

第三次 AI 技術浪潮發生在 2006 年。深度學習三巨頭 Yann LeCun、Geoffrey Hinton 以及 Yoshua Bengio 提出了深度學習的概念，一種以人工神經網絡為架構，對資料進行表徵學習的算法。之後深度學習的算法逐漸演進，從 RNN、GAN 到 Transformer 以及 Stable Diffusion，這兩個算法共同塑造了這第三次技術浪潮，而這也是聯結主義的鼎盛時期。

許多標志性的事件也伴隨着深度學習技術的探索與演進逐漸湧現，包括：

● 2011 年，IBM 的沃森（Watson）在《危險邊緣》（Jeopardy）回答測驗節目中战勝人類、獲得冠軍。

● 2014 年，Goodfellow 提出 GAN（生成式對抗網絡，Generative Adversarial Network），通過讓兩個神經網絡相互博弈的方式進行學習，能夠生成以假亂真的照片。同時 Goodfellow 還寫了一本書籍《Deep Learning》，稱為花書，是深度學習領域重要入門書籍之一。

● 2015 年，Hinton 等人在《自然》雜志提出深度學習算法，該深度學習方法的提出，立即在學術圈以及工業界引起巨大反響。

● 2015 年，OpenAI 創建，Musk、YC 總裁 Altman、天使投資人彼得·泰爾（Peter Thiel）等人宣布共同注資 10 億美元。

● 2016 年，基於深度學習技術的 AlphaGo 與圍棋世界冠軍、職業九段棋手李世石進行圍棋人機大战，以 4 比 1 的總比分獲勝。

● 2017 年，中國香港的漢森機器人技術公司（Hanson Robotics）开發的類人機器人索菲亞，其稱為歷史上首個獲得一等公民身份的機器人，具備豐富的面部表情以及人類語言理解能力。

● 2017 年，在人工智能領域有豐富人才、技術儲備的 Google 發布論文《Attention is all you need》提出 Transformer 算法，大規模語言模型开始出現。

● 2018 年，OpenAI 發布了基於 Transformer 算法構建的 GPT（Generative Pre-trained Transformer），這是當時最大的語言模型之一。

● 2018 年，Google 團隊 Deepmind 發布基於深度學習的 AlphaGo，能夠進行蛋白質的結構預測，被視為人工智能領域的巨大進步性標志。

● 2019 年，OpenAI 發布 GPT-2 ，該模型具備 15 億個參數。

● 2020 年，OpenAI 开發的 GPT-3 ，具有 1, 750 億個參數，比以前的版本 GPT-2 高 100 倍，該模型使用了 570 GB 的文本來訓練，可以在多個 NLP（自然語言處理）任務（答題、翻譯、寫文章）上達到最先進的性能。

● 2021 年，OpenAI 發布 GPT-4 ，該模型具備 1.76 萬億個參數，是 GPT-3 的 10 倍。

● 2023 年 1 月基於 GPT-4 模型的 ChatGPT 應用程序推出， 3 月 ChatGPT 達到一億用戶，成為歷史最快達到一億用戶的應用程序。

● 2024 年，OpenAI 推出 GPT-4 omni。

深度學習產業鏈

當前大模型語言使用的都是基於神經網絡的深度學習方法。以 GPT 為首的大模型造就了一波人工智能的熱潮，大量的玩家湧入這個賽道，我們也發現市場對於數據、算力的需求大量迸發，因此在報告的這一部分，我們主要是探索深度學習算法的產業鏈，在深度學習算法主導的 AI 行業，其上下遊是如何組成的，而上下遊的現狀與供需關系、未來發展又是如何。

GPT 訓練 Pipeline 圖源： WaytoAI

首先我們需要明晰的是，在進行基於 Transformer 技術的 GPT 為首的 LLMs（大模型）訓練時，一共分為三個步驟。

在訓練之前，因為是基於 Transformer，因此轉換器需要將文本輸入轉化為數值，這個過程被稱為“Tokenization”，之後這些數值被稱為 Token。 在一般的經驗法則下，一個英文單詞或者字符可以粗略視作一個 Token，而每個漢字可以被粗略視為兩個 Token。這個也是 GPT 計價使用的基本單位。

第一步，預訓練。通過給輸入層足夠多的數據對，類似於報告第一部分所舉例的（X，Y），來尋找該模型下各個神經元最佳的參數，這個時侯需要大量的數據，而這個過程也是最耗費算力的過程，因為要反復迭代神經元嘗試各種參數。一批數據對訓練完成之後，一般會使用同一批數據進行二次訓練以迭代參數。

第二步，微調。微調是給予一批量較少，但是質量非常高的數據，來訓練，這樣的改變就會讓模型的輸出有更高的質量，因為預訓練需要大量數據，但是很多數據可能存在錯誤或者低質量。 微調步驟能夠通過優質數據提升模型的品質。

第三步，強化學習。首先會建立一個全新的模型，我們稱其為“獎勵模型”，這個模型目的非常簡單，就是對輸出的結果進行排序，因此實現這個模型會比較簡單，因為業務場景比較垂直。之後用這個模型來判定我們大模型的輸出是否是高質量的，這樣就可以用一個獎勵模型來自動迭代大模型的參數。（但是有時候也需要人為參與來評判模型的輸出質量）

簡而言之，在大模型的訓練過程中，預訓練對數據的量有非常高的要求，所需要耗費的 GPU 算力也是最多的，而微調需要更加高質量的數據來改進參數，強化學習可以通過一個獎勵模型來反復迭代參數以輸出更高質量的結果。

在訓練的過程中，參數越多那么其泛化能力的天花板就越高，比如我們以函數舉例的例子裏，Y = aX + b，那么實際上有兩個神經元 X 以及 X 0 ，因此參數如何變化，其能夠擬合的數據都極其有限，因為其本質仍然是一條直线。 如果神經元越多，那么就能迭代更多的參數，那么就能擬合更多的數據， 這就是為什么大模型大力出奇跡的原因，並且這也是為什么通俗取名大模型的原因，本質就是巨量的神經元以及參數、巨量的數據，同時需要巨量的算力。

因此， 影響大模型表現主要由三個方面決定，參數數量、數據量與質量、算力，這三個共同影響了大模型的結果質量和泛化能力。 我們假設參數數量為 p，數據量為 n（以 Token 數量進行計算），那么我們能夠通過一般的經驗法則計算所需的計算量，這樣就可以預估我們需要大致購买的算力情況以及訓練時間。

算力一般以 Flops 為基本單位，代表了一次浮點運算，浮點運算是非整數的數值加減乘除的統稱，如 2.5+ 3.557 ，浮點代表着能夠帶小數點，而 FP 16 代表了支持小數的精度，FP 32 是一般更為常見的精度。根據實踐下的經驗法則，預訓練（Pre-traning）一次（一般會訓練多次）大模型，大概需要 6 np Flops， 6 被稱為行業常數。而推理（Inference，就是我們輸入一個數據，等待大模型的輸出的過程），分成兩部分，輸入 n 個 token，輸出 n 個 token，那么大約一共需要 2 np Flops。

在早期，使用的是 CPU 芯片進行訓練提供算力支持，但是之後开始逐漸使用 GPU 替代，如 Nvidia 的 A 100、H 100 芯片等。因為 CPU 是作為通用計算存在的，但是 GPU 可以作為專用的計算，在能耗效率上遠遠超過 CPU。 GPU 運行浮點運算主要是通過一個叫 Tensor Core 的模塊進行。 因此一般的芯片有 FP 16 / FP 32 精度下的 Flops 數據，這個代表了其主要的計算能力，也是芯片的主要衡量指標之一。

Nvidia A 100 芯片的 Specification，Source： Nvidia

因此讀者應該能夠看懂這些企業的芯片介紹，如上圖所示，Nvidia 的 A 100 80 GB PCIe 和 SXM 型號的對比中，看出 PCIe 和 SXM 在 Tensor Core（專門用於計算 AI 的模塊）下，在 FP 16 精度下，分別是 312 TFLOPS 和 624 TFLOPS（Trillion Flops）。

假設我們的大模型參數以 GPT 3 為例，有 1750 億個參數， 1800 億個 Token 的數據量（大約為 570 GB），那么在進行一次預訓練時，就需要 6 np 的 Flops，大約為 3.15* 1022 Flops，如果以 TFLOPS（Trillion FLOPs）為單位大約為 3.15* 1010 TFLOPS，也就是說一張 SXM 型號的芯片預訓練一次 GPT 3 大約需要 50480769 秒， 841346 分鐘， 14022 小時， 584 天。

我們能夠看到這個及其龐大的計算量，需要多張最先進的芯片共同計算才能夠實現一次預訓練，並且 GPT 4 的參數量又是 GPT 3 的十倍（1.76 trillion），意味着即使數據量不變的情況下，芯片的數量要多購买十倍，並且 GPT-4 的 Token 數量為 13 萬億個，又是 GPT-3 的十倍，最終，GPT-4 可能需要超過 100 倍的芯片算力。

在大模型訓練中，我們的數據存儲也有問題，因為我們的數據如 GPT 3 Token 數量為 1800 億個，大約在存儲空間中佔據 570 GB，大模型 1750 億個參數的神經網絡，大約佔據 700 GB 的存儲空間。GPU 的內存空間一般都較小（如上圖介紹的 A 100 為 80 GB），因此在內存空間無法容納這些數據時，就需要考察芯片的帶寬，也就是從硬盤到內存的數據的傳輸速度。同時由於我們不會只使用一張芯片，那么就需要使用聯合學習的方法，在多個 GPU 芯片共同訓練一個大模型，就涉及到 GPU 在芯片之間傳輸的速率。 所以在很多時候，制約最後模型訓練實踐的因素或者成本，不一定是芯片的計算能力，更多時侯可能是芯片的帶寬。因為數據傳輸很慢，會導致運行模型的時間拉長，電力成本就會提高。

H 100 SXM 芯片 Specification，Source： Nvidia

這個時侯，讀者大致就能完全看懂芯片的 Specification 了，其中 FP 16 代表精度，由於訓練 AI LLMs 主要使用的是 Tensor Core 組件，因此只需要看這個組件下的計算能力。FP 64 Tensor Core 代表了在 64 精度下每秒 H 100 SXM 能夠處理 67 TFLOPS。GPU memory 意味着芯片的內存僅有 64 GB，完全無法滿足大模型的數據存儲要求，因此 GPU memory bandwith 就意味着數據傳輸的速度，H 100 SXM 為 3.35 TB/s。

AI Value Chain，圖源：Nasdaq

我們看到了，數據、神經元參數數量的膨脹帶來的大量算力以及存儲需求的缺口。這三個主要的要素孵化了一整條的產業鏈。我們將根據上圖來介紹產業鏈中每一個部分在其中扮演的角色以及作用。

硬件 GPU 提供商

AI GPU 芯片 Rankings，Source： Lambda

硬件如 GPU 是目前進行訓練和推理的主要芯片，對於 GPU 芯片的主要設計商方面，目前 Nvidia 處於絕對的領先地位，學術界（主要是高校和研究機構）主要是使用消費級別的 GPU（RTX，主要的遊戲 GPU）；工業界主要是使用 H 100、 A 100 等用於大模型的商業化落地。

在榜單中，Nvidia 的芯片幾乎屠榜，所有芯片都來自 Nvidia。Google 也有自己的 AI 芯片被稱為 TPU，但是 TPU 主要是 Google Cloud 在使用，為 B 端企業提供算力支持，自購的企業一般仍然傾向於購买 Nvidia 的 GPU。

H 100 GPU Purchase Statistics by Company，Source： Omdia

大量的企業着手進行 LLMs 的研發，包括中國就有超過一百個大模型，而全球一共發行了超過 200 個大語言模型，許多互聯網巨頭都在參與這次 AI 熱潮。這些企業要么是自購大模型、要么是通過雲企業進行租賃。2023 年，Nvidia 最先進的芯片 H 100 一經發布，就獲得了多家公司的認購。全球對 H 100 芯片的需求遠遠大於供給，因為目前僅僅只有 Nvidia 一家在供給最高端的芯片，其出貨周期已經達到了驚人的 52 周之久。

鑑於 Nvidia 的壟斷情況，Google 作為人工智能的絕對領頭企業之一，谷歌牽頭，英特爾、高通、微軟、亞馬遜共同成立了 CUDA 聯盟，希望共同研發 GPU 以擺脫 Nvidia 對深度學習產業鏈的絕對影響力。

對於 超大型科技公司/雲服務提供商/國家級實驗室來說，他們動則購买上千、上萬片 H 100 芯片，用以組建 HPC（高性能計算中心），比如 Tesla 的 CoreWeave 集群購买了一萬片 H 100 80 GB，平均購买價為 44000 美元（Nvidia 成本大約為 1/10），總共花費 4.4 億美元；而 Tencent 更是購买 5 萬片；Meta 狂买 15 萬片，截至 2023 年底，Nvidia 作為唯一高性能 GPU 賣家，H 100 芯片的訂購量就超過了 50 萬片。

Nvidia GPU 產品路线圖，Source： Techwire

在 Nvidia 的芯片供給方面，以上是其產品迭代路线圖，目前截至該報告，H 200 的消息已經發出，預計 H 200 的性能是 H 100 性能的兩倍，而 B 100 將在 2024 年底或者 2025 年初推出。目前 GPU 的發展仍然滿足摩爾定律，性能每 2 年翻一倍，價格下降一半。

雲服務提供商

Types of GPU Cloud, Source: Salesforce Ventures

雲服務提供商在購买足夠的 GPU 組建 HPC 後，能夠為資金有限的人工智能企業提供彈性的算力以及托管訓練解決方案。如上圖所示，目前市場主要分為三類雲算力提供商，第一類是以傳統雲廠商為代表的超大規模拓展的雲算力平臺（AWS、Google、Azure）。第二類是垂直賽道的雲算力平臺，主要是為 AI 或者高性能計算而布置的，他們提供了更專業的服務，因此在與巨頭競爭中，仍然存在一定的市場空間，這類新興垂直產業雲服務企業包括 CoreWeave（C 輪獲得 11 以美元融資，估值 190 億美元）、Crusoe、Lambda（C 輪融資 2.6 億美元，估值超過 15 億美元）等。第三類雲服務提供商是新出現的市場玩家，主要是推理即服務提供商，這些服務商從雲服務商租用 GPU，這類服務商主要為客戶部署已經預訓練完畢的模型，在之上進行微調或者推理，這類市場的代表企業包括了 Together.ai（最新估值 12.5 億美元）、Fireworks.ai（Benchmark 領投，A 輪融資 2500 萬美元）等。

訓練數據源 提供商

正如我們第二部分前面所述，大模型訓練主要經歷三個步驟，分別為預訓練、微調、強化學習。預訓練需要大量的數據，微調需要高質量的數據，因此對於 Google 這種搜索引擎（擁有大量數據）和 Reddit（優質的對答數據）這種類型的數據公司就受到市場的廣泛關注。

有些开發廠商為了不與 GPT 等通用型的大模型競爭，選擇在細分領域進行开發，因此對數據的要求就變成了這些數據是特定行業的，比如金融、醫療、化學、物理、生物、圖像識別等。這些是針對特定領域的模型，需要特定領域的數據，因此就存在為這些大模型提供數據的公司，我們也可以叫他們 Data labling company，也就是為採集數據後為數據打標籤，提供更加優質與特定的數據類型。

對於模型研發的企業來說，大量數據、優質數據、特定數據是三種主要的數據訴求。

主要 Data Labeling 公司，Source： Venture Radar

微軟的一項研究認為對於 SLM（小語言模型）來說，如果他們的數據質量明顯優於大語言模型，那么其性能不一定會比 LLMs 差。並且實際上 GPT 在原創力以及數據上並沒有明顯的優勢，主要是其對該方向的押注的膽量造就了其成功。紅杉美國也坦言，GPT 在未來不一定會保持競爭優勢，原因是目前這方面沒有太深的護城河，主要的限制來源於算力獲取的限制。

對於數據量來說，根據 EpochAI 的預測，按照當前的模型規模增長情況， 2030 年所有的低質量和高質量數據都會耗盡。所以目前業內正在探索人工智能合成數據，這樣就可以生成無限的數據，那么瓶頸就只剩下算力，這個方向仍然處於探索階段，值得开發者們關注。

數據庫提供商

我們有了數據，但是數據也需要存儲起來，一般是存放在數據庫中，這樣方便數據的增刪改查。在傳統的互聯網業務中，我們可能聽說過 MySQL，在以太坊客戶端 Reth 中，我們聽說過 Redis。這些都是我們存放業務數據或者區塊鏈 鏈上數據的本地數據庫。對於不同的數據類型或者業務有不同的數據庫適配。

對於 AI 數據以及深度學習訓練推理任務，目前業內使用的數據庫稱為“矢量數據庫”。矢量數據庫旨在高效地存儲、管理和索引海量高維矢量數據。因為我們的數據並不是單純的數值或者文字，而是圖片、聲音等海量的非結構化的數據，矢量數據庫能夠將這些非結構化的數據統一以“向量”的形式存儲，而矢量數據庫適合這些向量的存儲和處理。

Vector Database Classification, Source: Yingjun Wu

目前主要的玩家有 Chroma（獲得 1800 萬美元融資輪融資）、Zilliz（最新一輪融資 6000 萬美元）、Pinecone、Weaviate 等。我們預計伴隨着數據量的需求增加，以及各種細分領域的大模型和應用的迸發，對 Vector Database 的需求將大幅增加。並且由於這一領域有很強的技術壁壘，在投資時更多考慮偏向於成熟和有客戶的企業。

邊緣設備

在組建 GPU HPC（高性能計算集群）時，通常會消耗大量的能量，這就會產生大量的熱能，芯片在高溫環境下，會限制運行速度以降低溫度，這就是我們俗稱的“降頻”，這就需要一些降溫的邊緣設備來保證 HPC 持續運行。

所以這裏涉及到產業鏈的兩個方向，分別是能源供應（一般是採用電能）、冷卻系統。

目前在能源供給側，主要是採用電能，數據中心及支持網絡目前佔全球電力消耗的 2% -3% 。BCG 預計隨着深度學習大模型參數的增長以及芯片的迭代，截至 2030 年，訓練大模型的電力將增長三倍。目前國內外科技廠商正在積極投資能源企業這一賽道，投資的主要能源方向包括地熱能、氫能、電池存儲和核能等。

在 HPC 集群散熱方面，目前是以風冷為主，但是許多 VC 正在大力投資液冷系統，以維持 HPC 的平穩運行。比如 Jetcool 就聲稱其液冷系統能夠為 H 100 集群的總功耗降低 15% 。目前液冷主要分成三個探索方向分別為冷版式液冷、浸沒式液冷、噴淋式液冷。這方面的企業有：華為、Green Revolution Cooling、SGI 等。

應用

當前 AI 應用的發展，類似於區塊鏈行業的發展，作為一個創新性的行業，Transformer 是在 2017 年提出，OpenAI 是在 2023 年才證實大模型的有效性。所以現在許多 Fomo 的企業都擁擠在大模型的研發賽道，也就是基礎設施非常擁擠，但是應用开發卻沒有跟上。

Top 50 月活用戶，Source： A16Z

目前前十月活的 AI 應用大多數是搜索類型的應用，實際走出來的 AI 應用還非常有限，應用類型較為單一，並沒有一些社交等類型的應用成功闖出來。

我們同時發現，基於大模型的 AI 應用，其留存率遠低於現有的傳統互聯網應用。活躍用戶數方面，傳統的互聯網軟件中位數在 51% ，最高的是 Whatsapp，具備很強的用戶粘性。但是在 AI 應用側，DAU/MAU 最高的為 character.ai 僅僅為 41% ，DAU 佔據總用戶數量的中位數 14% 。在用戶留存率方面，傳統互聯網軟件最好的是 Youtube、Instagram、Tiktok，前十的留存率中位數為 63% ，相比之下 ChatGPT 留存率僅僅為 56% 。

AI Application Landscape, Source: Sequoia

根據紅杉美國的報告，其將應用從面向的角色角度分為三類，分別是面向專業消費者、企業、普通消費者。

1. 面向消費者：一般用於提升生產力，如文字工作者使用 GPT 進行問答，自動化的3D渲染建模，軟件剪輯，自動化的代理人，使用 Voice 類型的應用進行語音對話、陪伴、語言練習等。

2. 面向企業：通常是 Marketing、法律、醫療設計等行業。

雖然現在有很多人批評，基礎設施遠大於應用，但其實我們認為現代世界已經廣泛的被人工智能技術所重塑，只不過使用的是推薦系統，包括字節跳動旗下的 tiktok、今日頭條、汽水音樂等，以及小紅書和微信視頻號、廣告推薦技術等都是為個人進行定制化的推薦，這些都屬於機器學習算法。所以目前蓬勃發展的深度學習不完全代表 AI 行業，有許多潛在的有機會實現通用人工智能的技術也在並行發展，並且其中一些技術已經被廣泛的應用於各行各業。

那么，Crypto x AI 之間發展出怎樣的關系？Crypto 行業 Value Chain 又有哪些值得關注的項目？我們將在《Gate Ventures：AI x Crypto 從入門到精通（下）》為大家一一解讀。

免責聲明：

以上內容僅供參考，不應被視為任何建議。在進行投資前，請務必尋求專業建議。

關於 Gate Ventures

Gate Ventures 是 Gate.io 旗下的風險投資部門，專注於對去中心化基礎設施、生態系統和應用程序的投資，這些技術將在 Web 3.0 時代重塑世界。 Gate Ventures 與全球行業領袖合作，賦能那些擁有創新思維和能力的團隊和初創公司，重新定義社會和金融的交互模式。

官網： https://ventures.gate.io/

Twitter： https://x.com/gate_ventures

Medium： https://medium.com/gate_ventures

鄭重聲明：本文版權歸原作者所有，轉載文章僅為傳播信息之目的，不構成任何投資建議，如有侵權行為，請第一時間聯絡我們修改或刪除，多謝。