Nuovo paradigma dell’economia dei dati AI: le ambizioni di DIN e la vendita dei nodi viste dalla pre-elaborazione modulare dei dati
Attualmente, a livello globale, l'IA è senza dubbio uno dei settori più caldi: sia le startup innovative che le grandi aziende tradizionali, da OpenAI della Silicon Valley a Moonshot e Zhipu Qingyan in Cina, stanno entrando una dopo l'altra in questa rivoluzione dell'intelligenza artificiale.

Prefazione
Attualmente, a livello globale, l’AI è senza dubbio uno dei settori più caldi: sia le startup innovative che i grandi colossi tradizionali, da OpenAI nella Silicon Valley a Moonshot e Zhipu Qingyan in Cina, stanno entrando in questa rivoluzione dell’AI. Non solo guida le tendenze nel campo tecnologico, ma è anche uno dei settori più performanti nel mercato delle criptovalute di quest’anno. Guardando ai progetti quotati sulle principali CEX di quest’anno, nonostante le recenti turbolenze di mercato, il leader AI Bittensor (TAO) continua a guidare tutte le nuove criptovalute di quest’anno con un ritorno superiore a 5 volte. Con lo sviluppo e l’applicazione continua della tecnologia AI, i dati, come fondamento dello sviluppo dell’AI, stanno diventando sempre più importanti.
Nell’era dell’AI, l’importanza e il valore potenziale dei dati hanno raggiunto livelli senza precedenti
Secondo le statistiche, le principali aziende di modelli AI devono attualmente gestire e consumare ogni anno centinaia di milioni di dataset; l’efficacia e la precisione di questi dati influenzano direttamente l’addestramento dei modelli AI. Tuttavia, il costo di acquisizione dei dati continua a salire, diventando una delle principali sfide per le aziende AI.
L’ottimizzazione delle prestazioni è sostenuta da un consumo di dati in costante crescita
Sul mercato attuale, le aziende di modelli di grandi dimensioni gestiscono e consumano ogni anno enormi quantità di dati. Ad esempio, OpenAI ha utilizzato circa 45TB di dati testuali per addestrare il modello GPT-3, mentre il costo di addestramento di GPT-4 ha raggiunto i 78 milioni di dollari; il costo computazionale per addestrare il modello Gemini Ultra di Google è stato di circa 191 milioni di dollari. Questa enorme domanda di dati non riguarda solo OpenAI: anche altre aziende AI come Google e Meta devono gestire quantità massicce di dati per addestrare i loro grandi modelli AI.
L’efficacia dei dati richiede attenzione
I dati efficaci devono essere di alta qualità, privi di bias e ricchi di informazioni sulle caratteristiche, per garantire che i modelli AI possano apprendere e fare previsioni accurate. Ad esempio, OpenAI, durante l’addestramento di GPT-3, ha utilizzato dati testuali provenienti da varie fonti, tra cui libri, articoli e siti web, per garantire la diversità e la rappresentatività dei dati. Tuttavia, l’efficacia dei dati non dipende solo dalla loro origine, ma coinvolge anche processi di pulizia, etichettatura e pre-elaborazione, che richiedono un grande investimento di risorse umane e materiali.
L’economicità da non sottovalutare: i costi di raccolta e trattamento dei dati
Nella pratica dell’addestramento dei modelli AI, i costi di raccolta, etichettatura e trattamento dei dati sono spesso sottovalutati, ma possono essere molto significativi. In particolare, l’etichettatura dei dati è un processo che richiede tempo e risorse, spesso svolto manualmente. Una volta raccolti i dati, è necessario pulirli, organizzarli e processarli affinché gli algoritmi AI possano utilizzarli efficacemente. Secondo un rapporto di McKinsey, il costo per addestrare un grande modello AI può arrivare a diversi milioni di dollari. Inoltre, la costruzione e la manutenzione dei data center e delle infrastrutture computazionali delle aziende AI rappresentano anch’esse una spesa enorme.
In sintesi, l’addestramento dei grandi modelli AI dipende da grandi quantità di dati di alta qualità: la quantità, l’efficacia e il costo di acquisizione di questi dati determinano direttamente le prestazioni e il successo dei modelli AI. In futuro, con il continuo progresso della tecnologia AI, l’efficienza nell’acquisizione e nell’utilizzo dei dati diventerà un fattore chiave nella competizione tra aziende AI.
Livello di pre-elaborazione dati modulare: una soluzione AI decentralizzata basata su blockchain
In questo contesto, DIN (precedentemente Web3Go), come primo livello modulare nativo AI per la pre-elaborazione dei dati, nasce per rispondere a questa esigenza. DIN mira a consentire a chiunque di fornire dati all’AI e ricevere ricompense tramite la verifica decentralizzata dei dati e l’elaborazione vettoriale, guidando una nuova economia dei dati in cui tutti possono monetizzare i propri dati personali e le aziende possono acquisire dati in modo più efficiente ed economico. Attualmente, DIN ha ricevuto 4 milioni di dollari in finanziamenti seed da Binance Labs e ulteriori 4 milioni di dollari in finanziamenti pre-listing da altre istituzioni, community e network di KOL, con una valutazione attuale di 80 milioni di dollari, a dimostrazione del grande potenziale e del forte riconoscimento del mercato per il suo futuro sviluppo. I suoi partner includono Polkadot, BNB Chain, Moonbeam Network e Manta Network.
Il nodo di pre-elaborazione dati di DIN – Chipper Node
La posizione di mercato di DIN è molto chiara: mira a costruire una rete di intelligenza dati decentralizzata nei settori AI e dati.Chipper Node svolge un ruolo fondamentale nell’ecosistema DIN,responsabile della verifica dei dati, dell’elaborazione vettoriale e del calcolo delle ricompense, ed è il componente chiave del livello di pre-elaborazione dati di DIN.
Esclusione di responsabilità: il contenuto di questo articolo riflette esclusivamente l’opinione dell’autore e non rappresenta in alcun modo la piattaforma. Questo articolo non deve essere utilizzato come riferimento per prendere decisioni di investimento.
Ti potrebbe interessare anche
Il "mito della selezione dei titoli" di Wall Street continua a svanire: solo il 13% ha battuto l’indice negli ultimi dieci anni
Secondo i dati più recenti di Morningstar, negli ultimi dieci anni fino alla fine di giugno 2026, solo il 13% dei fondi azionari statunitensi a gestione attiva ha superato l’indice di riferimento dopo le spese; anche nell’ultimo anno questa percentuale è stata solo del 27%. Nel frattempo, i flussi netti verso gli ETF passivi quest’anno potrebbero superare per la prima volta i 1.000 miliardi di dollari e il patrimonio dei fondi passivi è ormai quasi il doppio di quello dei fondi attivi.
Aumenta il tumulto interno in OpenAI: riorganizzazioni continue, dipendenti esausti, ondata di dimissioni in corso e il piano di quotazione in borsa posticipato silenziosamente
OpenAI quest'anno ha già subito quasi cinque riorganizzazioni e continua l’ondata di dimissioni dei dirigenti: Denise Dresser, Chief Revenue Officer, è l’ultima ad andarsene questa settimana. L’azienda ha anche sciolto il team di sicurezza responsabile della valutazione dei “rischi catastrofici” dei modelli di AI, suscitando preoccupazioni interne. Nonostante i ricavi siano saliti a circa 40 miliardi di dollari, è stata superata da Anthropic. I dipendenti sono generalmente esausti e il piano di IPO è stato silenziosamente rimandato all’anno prossimo.

I tori di Wall Street sono pieni di fiducia: la crescita degli utili dell'S&P 500 raggiunge il massimo degli ultimi 30 anni
I profitti del secondo trimestre dell’S&P 500 sono aumentati del 31% su base annua, segnando la crescita più forte mai registrata secondo Bloomberg Intelligence dal 1992, escludendo i periodi di ripresa dopo le recessioni, e superando di gran lunga le attese del 23%. L’AI ha spinto il margine di profitto dal 14% a quasi il 16%, mentre la valutazione è scesa da 26 volte a meno di 22, completando il “reset”. L’espansione dei profitti si è estesa anche alle società a media e bassa capitalizzazione e ai mercati europei e dell’Asia Pacifico.
