Evan Feng

·

Volg

Gepubliceerd in

Het CoinFund-blog

·

7 min gelezen

·

23 uur geleden

-

Bagel Network: de volgende generatie berekenbare datalaag voor AI

CoinFund is er trots op leiding te geven aan een financiering van $3.1 miljoen Bagel-netwerk, een startup die een gedecentraliseerd protocol bouwt voor collaboratieve inbeddingsdatasets en het gedecentraliseerde AI-berekenbare data-ecosysteem uitbreidt. Om op de hoogte te blijven van het lopende onderzoek en de investeringen van CoinFund in de opkomende web3 x AI-stack, kunt u onze vorige inhoud raadplegen op Worldcoin, Giza, 2022 AI x web3-overzicht en onze Gensyn zaad proefschrift.

Inleiding tot vectorinsluitingen

Ter introductie: vectorinbedding is een manier om woorden, zinnen, afbeeldingen en andere gegevens om te zetten in wiskundige objecten (vectoren) terwijl individuele en relatieve gegevens behouden blijven. Een inbedding zou bijvoorbeeld het woord 'appel' kunnen vertalen naar een 200-dimensionale vector, gebaseerd op de context van het woord in een grote dataset. Deze vector zou de essentiële betekenis van appel en zijn relaties met verwante concepten zoals fruit, boomgaard, taart, enz. vastleggen. Hoewel de primaire toepassingen in vectorinbedding in tekst waren met vlaggenschipmodellen zoals Word2Vec en Handschoenkunnen vectorinbeddingen worden geproduceerd voor andere soorten gegevens, waaronder beeld- en audiogegevens. Deze context is van cruciaal belang omdat de ontwikkeling van AI steeds meer gericht wordt op de ontwikkeling van multimodaliteit waarbij een model tekst, beeld of audio kan verwerken en ook elk van deze drie media kan uitvoeren. Bovendien kunnen inbeddingsmodellen worden gebruikt om grotere gegevenstypen vast te leggen, zoals gebruikersspecifieke inbedding die gebruikersvoorkeuren, gedrag en kenmerken vastleggen, of inbedding op productniveau die de kenmerken, kenmerken of andere semantische informatie van een product vastlegt.

De bagelkans

De commerciële mogelijkheden voor vectordatabases zijn de afgelopen twaalf maanden snel gegroeid, naast de mainstream adoptie van vroege consumenten-AI-toepassingen zoals ChatGPT, Midjourney en Runway, om er maar een paar te noemen. Bagel is een van de eerste web12-native pogingen om een ​​vector-inbeddingsdatabase te combineren met een gestimuleerd marktplaatsprotocol, waarbij gebruik wordt gemaakt van web3-primitieven om geautoriseerde gegevens en het delen en samenwerken van modellen een boost te geven, met een potentieel pad naar het winnen van de web3-native categorie van zowel een product als een een gestimuleerd netwerkperspectief en het vermogen om snel te handelen om het vroege leiderschap te behouden, gezien de interdisciplinaire professionele ervaring van oprichter Bidhan Roy in het Amazon Alexa-team bij Instacart en Arweave. Wij zijn van mening dat Bagel Network een belangrijke factor is voor de volgende generatie AI-toepassingen, waarvan de adoptie vandaag de dag nog steeds wordt belemmerd door het vermogen om gecontextualiseerde, zeer toepasbare en gebruiksspecifieke antwoorden te bieden, ondersteund door de onverzadigbare vraag naar trainingsgegevens, vooral omdat de meeste van de gegevens van de wereld blijven ongestructureerd.

Hoewel sommige web2-embeddingsbedrijven (zowel door durfkapitaal gefinancierde bedrijven als bedrijfsspin-outs) deel uitmaken van de bredere competitieve set, is Bagel Network in staat geweest om snel te leveren en te profiteren van de in de tijd beperkte mogelijkheid om de categorie van embeddings te leiden vanuit een web3-native perspectief. met een reeds live demo, SDK en pilot-gebruikers. Op de langere termijn zijn wij van mening dat Bagel's benadering van het bouwen van een gedecentraliseerd protocol en een marktplaats voor geïndexeerde datasets voor vectorinbedding het netwerk op het kruispunt van twee elkaar versterkende sleuteltrends plaatst: de opkomst van LLM's (en afgeleide toepassingen) en de omarming van de toestemmingloze, transparante en decentrale kernwaarden van web3.

Hoewel de markt voor vectorinbedding nog in opkomst is, zijn er datapunten waarmee we rekening kunnen houden. Ten eerste kunnen we de markt voor relationeel databasebeheer beschouwen als een gevestigde markt die kan worden bereikt ((bron)). Tegenwoordig is die markt $69.44 miljard waard en groeit met een CAGR van 12%. Er is ook de eindmarktanalyse: sommige primaire industrieën die worden bediend door vectorinbedding omvatten beeldherkenning ($ 38B), aanbevelingsengine ($4.55 miljard) en AI-chatbots ($ 5.4B) die gezamenlijk naar verwachting zullen groeien met een CAGR van 20-40% tot 2030. Ten slotte wordt nu verwacht dat de mondiale uitgaven aan kunstmatige intelligentie (waaronder ML, AI-robotica, computer vision, NLP en sensortechnologie) zullen groeien van $300 miljard+ in 2024 tot meer dan $700 miljard in 2030. Met deze cijfers in het achterhoofd zullen vectorinbedding waarschijnlijk een rol spelen als faciliterende technologie voor de steeds capabeler wordende multimodale AI-modellen en -toepassingen die de komende tien jaar zullen ontstaan.

Bagels rol in de gedecentraliseerde AI-stack

Wij zijn van mening dat Bagel Network het delen en samenwerken met toestemming een boost zal geven via zijn cryptonatieve marktmodel, waarmee belangrijke problemen binnen de datalaag van de AI-technologie worden opgelost. Dit past in het web3-ethos van toestemmingsloze toegang en samenwerking en levert tegelijkertijd de benodigde infrastructuur voor de volgende generatie AI. Momenteel is een onevenredige hoeveelheid data eigendom van en wordt beheerd door grote entiteiten, waardoor kleinere organisaties buitenspel worden gezet door de toegankelijkheid van datasets van hoge kwaliteit of simpelweg door het samengestelde effect van geschaalde intelligentie. Bagel Network herdefinieert het AI-datalandschap door een tweezijdige marktplaats te creëren waar machine learning-ingenieurs, onderzoekers en AI-agenten gezamenlijk datasets bouwen, verhandelen en licentiëren. Omdat het genereren van inbedding vaak een van de rekenintensiefste onderdelen van een AI-pijplijn is, bestaan ​​er tegenwoordig hoge niveaus van redundantie in vectordatabasesystemen, wat leidt tot inefficiëntie, hogere kosten en dubbel werk. Met Bagel Network kunnen modellen inbedding delen, waardoor dubbel werk wordt vermeden. Dit is efficiënter, terwijl de attributie via blockchain-metagegevens en andere noodzakelijke ingrediënten behouden blijft om het toekomstige potentieel voor het genereren van inkomsten eerlijk te delen en zo de koude start-gerelateerde wrijving te helpen omzeilen. In de context van kunstmatige intelligentie zien we al open source-inspanningen om gesloten brondatasets te repliceren om modelverbetering te bevorderen (zie RedPajama-Data, reproductie van LLaMA-trainingsdataset, of de Mistral/Mixtral open modelbenadering).

We verwachten dat een vectordatabase gekoppeld aan een gedecentraliseerd netwerk de concurrentie kan overtreffen door gebruik te maken van open source en collaboratieve ontwikkeling (een aanpak die al heeft gewonnen in de backend web2-stack). Een slim contract kan bijvoorbeeld geautoriseerde toegang beheren met specificiteit voor discrete inbedding, wat niet mogelijk is met een Github-achtige gecentraliseerde aanpak. Een protocol kan databijdragen belonen, netwerkdeelname monitoren en stimuleren (via forking) en het gebruik van computerbronnen volgen. De huidige vectordatabaseoplossingen ontberen de mogelijkheid tot samenwerking, terwijl open-sourceplatforms zoals Github/HuggingFace de prikkel ontberen om inbedding van hoge kwaliteit te produceren. Tegenwoordig bestaat er veel data van hoge kwaliteit binnen ondernemingen en publieke datasets, gefragmenteerd en onderbenut, die in de toekomst kunnen worden geïntegreerd, op elkaar afgestemd en gemonetariseerd. Ten slotte maakt een open marktplaats geautoriseerde ontwikkeling mogelijk van het tegelijkertijd inbedden van collecties door meerdere teams, bijvoorbeeld via open-sourcesoftware maar voor gevectoriseerde datasets. Dit katalyseert innovatie in alle sectoren, in tegenstelling tot geïsoleerde inspanningen.

Conclusie

Zoals bij elke investering bestaan ​​er veel risico's (uitvoering, concurrentie, schaalvergroting, het genereren van inkomsten) met zo'n ambitieuze visie. Wij zijn echter van mening dat Bagel Network veelbelovende vroege tractie vertoont en goed gepositioneerd is in een snelgroeiende markt met verschillende seculiere rugwinden in zijn voordeel, vooral gezien de momenteel weinig drukke greenfield-mogelijkheid om een ​​toonaangevende web3-implementatie te ontwerpen en te lanceren die goed is afgestemd op het vliegwiel voor het creëren van AI/datawaarde. Uiteindelijk beschouwt CoinFund de langetermijnvisie van Bagel om een ​​gedecentraliseerde marktplaats voor berekenbare datasets voor machinaal leren te creëren als een ontbrekend en cruciaal onderdeel van het deel van de web3-stack dat wordt gebouwd voor AI/ML-gebruiksscenario's. Hoewel we nog in de kinderschoenen staan, zijn we van mening dat het marktpotentieel groter is dan de risico's – vandaar de overtuiging van CoinFund en onze opwinding om samen met Bidhan Roy en de rest van het Bagel-team de handen uit de mouwen te steken. Ga voor meer informatie of om u aan te melden als vroege datapartner naar www.bagel.net!

Disclaimer: de hier geuite meningen zijn die van het individuele CoinFund Management LLC ("CoinFund") personeel dat wordt geciteerd en zijn niet de meningen van CoinFund of zijn gelieerde ondernemingen. Bepaalde hierin opgenomen informatie is verkregen van externe bronnen, waaronder mogelijk portefeuillebedrijven van fondsen die worden beheerd door CoinFund. Hoewel het afkomstig is van bronnen die als betrouwbaar worden beschouwd, heeft CoinFund dergelijke informatie niet onafhankelijk geverifieerd en doet het geen uitspraken over de blijvende nauwkeurigheid van de informatie of de geschiktheid ervan voor een bepaalde situatie.

Deze inhoud is uitsluitend bedoeld voor informatieve doeleinden en mag niet worden gebruikt als juridisch, zakelijk, investerings- of belastingadvies. Over deze zaken dient u uw eigen adviseurs te raadplegen. Verwijzingen naar effecten of digitale activa zijn alleen voor illustratieve doeleinden en vormen geen beleggingsaanbeveling of aanbod om beleggingsadviesdiensten te verlenen. Bovendien is deze inhoud niet gericht op, noch bedoeld voor gebruik door investeerders of potentiële investeerders, en mag er onder geen enkele omstandigheid op worden vertrouwd bij het nemen van een beslissing om te beleggen in een fonds dat wordt beheerd door CoinFund. Een aanbod om te beleggen in een CoinFund-fonds wordt alleen gedaan door middel van het memorandum voor onderhandse plaatsing, de inschrijvingsovereenkomst en andere relevante documentatie van een dergelijk fonds en moet volledig worden gelezen. Alle investeringen of portfoliobedrijven die worden genoemd, waarnaar wordt verwezen of die worden beschreven, zijn niet representatief voor alle investeringen in voertuigen die door CoinFund worden beheerd, en er kan geen garantie worden gegeven dat de investeringen winstgevend zullen zijn of dat andere investeringen die in de toekomst worden gedaan, vergelijkbare kenmerken of resultaten zullen hebben. Een lijst met investeringen gedaan door fondsen beheerd door CoinFund (exclusief investeringen waarvoor de uitgever CoinFund geen toestemming heeft gegeven om openbaar te maken, evenals onaangekondigde investeringen in openbaar verhandelde digitale activa) is beschikbaar op https://www.coinfund.io/portfolio.

De grafieken en grafieken die hierin worden verstrekt, zijn uitsluitend voor informatieve doeleinden en er mag niet op worden vertrouwd bij het nemen van een investeringsbeslissing. In het verleden behaalde resultaten zijn geen indicatie voor toekomstige resultaten. De inhoud geldt alleen vanaf de aangegeven datum. Projecties, schattingen, prognoses, doelen, vooruitzichten en/of meningen die in deze materialen worden geuit, kunnen zonder voorafgaande kennisgeving worden gewijzigd en kunnen afwijken van of in strijd zijn met de meningen van anderen. Deze presentatie bevat "toekomstgerichte verklaringen", die kunnen worden geïdentificeerd door het gebruik van toekomstgerichte terminologie zoals "kan", "zullen", "zouden", "verwachten", "anticiperen", "projecteren", "schatten", "van plan zijn", "doorgaan" of "geloven" of de negatieven daarvan of andere variaties daarop of vergelijkbare terminologie. Als gevolg van verschillende risico's en onzekerheden kunnen werkelijke gebeurtenissen of resultaten wezenlijk en nadelig verschillen van die welke worden weergegeven of overwogen in de toekomstgerichte verklaringen.