Nebula AI cam kết xây dựng một chuỗi điện toán trí tuệ nhân tạo cơ bản phi tập trung (chuỗi Zhiyun), giảm mức tiêu thụ năng lượng của bằng chứng công việc truyền thống bằng cách chuyển đổi máy khai thác GPU thành các dịch vụ điện toán trí tuệ nhân tạo. Mã thông báo NBAI được sử dụng để mua nguồn điện toán, chẳng hạn như: thử nghiệm nhà phát triển; việc sử dụng các ứng dụng DAI; Mua dịch vụ đào tạo DAI, v.v.

Mục tiêu dự án

Để cải thiện tình hình hiện tại của điện toán đám mây tập trung, chúng tôi sử dụng các tính năng phi tập trung của công nghệ blockchain để cho thuê và phân bổ năng lượng tính toán trên toàn cầu. Công nghệ mã hóa blockchain một cách hiệu quả tránh sự tồn tại của rò rỉ nội bộ, trong khi việc duy trì các đơn vị điện toán AI phân tán được bàn giao cho các chủ sở hữu của các đơn vị điện toán trí tuệ nhân tạo lớn và nhỏ, làm giảm đáng kể khối lượng công việc bảo trì. Mục tiêu tổng thể này có thể được chia thành các mục tiêu phụ sau: 1. Nền tảng tính toán AI chia sẻ
Nền tảng thiết bị điện toán AI được chia sẻ sẽ giải quyết tình huống nhu cầu mất cân bằng giữa chủ sở hữu và người dùng thiết bị AI. Chủ sở hữu của một thiết bị tính toán AI không thể đạt được tiềm năng điện toán 100%, dẫn đến một số tài nguyên điện toán không hoạt động. Đồng thời, một số lượng lớn người dùng cần sức mạnh tính toán của trí tuệ nhân tạo không thể có được tài nguyên điện toán AI hiệu quả về chi phí. Thanh toán điểm-điểm và công nghệ kế toán blockchain được hoàn thành thông qua công nghệ blockchain có thể cho phép sức mạnh máy tính AI được chia sẻ để hoàn thành thanh toán và chia sẻ theo cách thuận tiện nhất.
2. Đơn vị điện toán vật lý AI
Một số lượng lớn các công cụ khai thác điện toán GPU có thể được chuyển đổi thành các đơn vị tính toán AI, do đó chuyển đổi từ máy tính băm đơn giản sang điện toán tác vụ AI có ý nghĩa hơn. Do tính đặc biệt của điện toán AI, cần phải cài đặt sẵn một hệ thống được chỉ định và thường xuyên cập nhật máy khách, bao gồm cả hệ thống kế toán, để sử dụng tốt hơn hiệu suất phần cứng và chia sẻ khả năng tính toán AI.
3. Ứng dụng AI phi tập trung
Khi các ứng dụng AI phân cấp được kết nối với hệ thống, kết nối tương ứng là bắt buộc để các lập trình viên ứng dụng DAI phát triển và gọi một cách thuận tiện để sử dụng sức mạnh tính toán mạnh mẽ trong nền tảng. Nó chủ yếu bao gồm API thanh toán, API ước tính năng lượng tính toán, API ước tính khối lượng công việc, v.v., do đó tăng tốc phát triển các ứng dụng AI.
4. Lưu trữ phân tán IPFS tích hợp
Các ứng dụng phi tập trung cần sử dụng các hệ thống lưu trữ tệp để lưu trữ dữ liệu. Một tùy chọn là thay thế lưu trữ đám mây tập trung truyền thống hoặc lưu trữ tệp cục bộ, do đó đạt được lưu trữ phân tán tốt hơn.
Hệ thống tệp liên hành tinh IPFS (IPFS) là một giao thức truyền mạng được thiết kế để tạo các tệp lưu trữ và chia sẻ phân tán và phân tán. Đây là một giao thức phân phối hypermedia có nội dung địa chỉ. Các nút trong mạng IPFS sẽ tạo thành một hệ thống tệp phân tán. Hầu hết các IPF trong tương lai sẽ sử dụng công nghệ chuỗi chéo để gọi. Đối với công nghệ chuỗi chéo, vui lòng xem các cuộc gọi dịch vụ chuỗi chéo.
5. Trung tâm đào tạo kỹ sư AI
Nebula AI sẽ xây dựng một trung tâm đào tạo trí tuệ nhân tạo dựa trên hệ thống để cung cấp kiến ​​thức cơ bản trong lĩnh vực thực hành trí tuệ nhân tạo. Các kỹ sư sẽ dần dần xây dựng và đào tạo các mô hình trí tuệ nhân tạo trong thiết kế sản phẩm thông qua việc học tập và thực hành dự án có hệ thống. Chúng tôi cam kết phổ biến các ứng dụng và kiến ​​thức mới nhất về ngành trí tuệ nhân tạo và nuôi dưỡng và cung cấp tài năng trí tuệ nhân tạo xuất sắc. Chúng tôi có nhiệm vụ lấp đầy sự thiếu hụt tài năng và chơi đầy đủ cho sức mạnh của trí tuệ nhân tạo trong kinh doanh.

Giá trị người dùng

Các mã thông báo của hệ thống được sử dụng để mua nguồn điện toán. Khi dữ liệu đào tạo nhỏ, các mã thông báo được tiêu thụ tương đối ít hơn và khi dữ liệu đào tạo lớn, các mã thông báo được tiêu thụ tương ứng tăng tương ứng. Các khoản phí được trả có liên quan đến chi phí đào tạo và giá trị của mã thông báo hiện tại. Tính công suất tính toán được tạo trong một phút cho mỗi card đồ họa 1080TI, là 7514 gflop/s × 60.

Kịch bản sử dụng người dùng

1. Giao dịch định lượng
Giao dịch định lượng đã được sử dụng máy để hỗ trợ công việc từ sớm. Các nhà phân tích thiết kế một số chỉ số thông qua các mô hình định lượng khác nhau, quan sát phân phối dữ liệu và sử dụng máy làm toán tử. Cho đến khi sự gia tăng của việc học máy trong những năm gần đây, dữ liệu có thể được phân tích, trang bị và dự đoán nhanh chóng với số lượng lớn, do đó dự đoán chính xác hơn xu hướng sản phẩm tài chính trong tương lai. Tuy nhiên, việc tính toán các mô hình này đòi hỏi rất nhiều sức mạnh tính toán trí tuệ nhân tạo. Nếu phương pháp truyền thống được thông qua, mỗi bộ phận giao dịch cần tự mình xây dựng một trung tâm dữ liệu. Sức mạnh tính toán chung có thể tiết kiệm chi phí bảo trì đắt tiền. Làm cho các công ty thương mại tài chính tập trung hơn vào dự đoán.
2. Chương trình người học trí tuệ nhân tạo
Các trường cao đẳng và đại học hiện đang dần dần cung cấp các khóa học trí tuệ nhân tạo, và xu hướng này sẽ trở nên phổ biến hơn trong năm tới. Khi học sinh đang học, họ thường sẽ chọn điều hành các nhiệm vụ nhỏ tại địa phương và các nhiệm vụ tốn thời gian trong phòng máy tính của trường. Tuy nhiên, các tác vụ bị phân mảnh này có thể được giải quyết bằng đám mây điện toán blockchain. Dịch vụ điện toán AI chi phí thấp là lý tưởng cho sinh viên để hoàn thành các bài tập điện toán khác nhau và nhanh chóng sửa đổi các mô hình của riêng họ.
3. Trí tuệ nhân tạo y sinh
Sàng lọc các khối u sớm có ý nghĩa lớn, nhưng do các khu vực nhỏ của tổn thương ung thư sớm, các phương pháp truyền thống rất khó đánh giá lành tính và ác tính, gây khó khăn trong chẩn đoán lâm sàng. Các bác sĩ thường cần tiến hành thử nghiệm thông qua sinh thiết, điều này không chỉ làm tăng chi phí y tế, mà còn mang lại nỗi đau lớn cho bệnh nhân. Việc áp dụng trí tuệ nhân tạo để nhận dạng hình ảnh y tế và chẩn đoán hợp tác đa ngành có thể vượt qua khó khăn này, cải thiện khả năng chẩn đoán của bác sĩ, giúp đưa ra quyết định nhanh chóng và thúc đẩy chuyển đổi các dịch vụ y tế thành cá nhân hóa và chính xác.

*Nội dung trên được biên soạn bởi tài khoản chính thức của các tài khoản không phải nhỏ. Nếu in lại, xin vui lòng chỉ ra nguồn.