İlk bakışta AI x Web3, her biri temelde farklı ilkelere dayanan ve farklı işlevlere hizmet eden bağımsız teknolojiler gibi görünüyor. Ancak daha derine inerseniz, her iki teknolojinin de birbirini dengeleyecek fırsatları olduğunu ve benzersiz güçlü yönlerinin birbirini tamamlayıp geliştirebileceğini göreceksiniz. Balaji Srinivasan, SuperAI konferansında bu tamamlayıcı yetenekler kavramını parlak bir şekilde dile getirerek, bu teknolojilerin nasıl etkileşime girdiğine dair ayrıntılı bir karşılaştırmaya ilham verdi.
Aşağıdan yukarıya bir yaklaşım benimseyen Token, anonim siberpunkların merkeziyetsizleştirme çabalarından ortaya çıktı ve dünya çapında çok sayıda bağımsız kuruluşun işbirlikçi çabaları aracılığıyla on yılı aşkın bir süre boyunca gelişti. Bunun yerine yapay zeka, bir avuç teknoloji devinin hakim olduğu yukarıdan aşağıya bir yaklaşımla geliştiriliyor. Bu şirketler, giriş engellerinin teknolojik karmaşıklıktan ziyade kaynak yoğunluğuna göre belirlenmesiyle sektörün hızını ve dinamiklerini belirliyor.
İki teknoloji de tamamen farklı niteliktedir. Temelde tokenlar, hash fonksiyonunun öngörülebilirliği veya sıfır bilgi kanıtı gibi değişmez sonuçlar üreten deterministik sistemlerdir. Bu, yapay zekanın olasılıksal ve çoğu zaman öngörülemeyen doğasıyla çelişir.
Benzer şekilde, kriptografi doğrulama, işlemlerin gerçekliğini ve güvenliğini sağlama ve güvenilmez süreçler ve sistemler oluşturma konusunda üstün performans sergilerken yapay zeka, zengin dijital içerik oluşturmaya odaklanıyor. Ancak dijital bolluk yaratma sürecinde içerik kaynağının sağlanması ve kimlik hırsızlığının önlenmesi zorlu bir hal alıyor.
Neyse ki tokenlar, dijital bolluğun tam tersi olan dijital kıtlık kavramını sağlıyor. İçerik kaynaklarının güvenilirliğini sağlamak ve kimlik hırsızlığı sorunlarından kaçınmak için yapay zeka teknolojisine kadar genişletilebilecek nispeten olgun araçlar sağlar.
Tokenların önemli bir avantajı, belirli hedeflere hizmet etmek için büyük miktarlarda donanım ve sermayeyi koordineli ağlara çekebilme yetenekleridir. Bu yetenek, özellikle büyük miktarda bilgi işlem gücü tüketen yapay zeka için faydalıdır. Daha ucuz bilgi işlem gücü sağlamak için az kullanılan kaynakları harekete geçirmek, yapay zekanın verimliliğini önemli ölçüde artırabilir.
Bu iki teknolojiyi karşılaştırarak yalnızca bireysel katkılarını takdir etmekle kalmıyoruz, aynı zamanda birlikte teknoloji ve ekonomi için nasıl yeni yollar yaratabileceklerini de görüyoruz. Her teknoloji diğerinin eksikliklerini tamamlayarak daha entegre ve yenilikçi bir gelecek yaratabilir. Bu blog yazısında, yeni ortaya çıkan AI x Web3 endüstrisi manzarasını keşfetmeyi ve bu teknolojilerin kesişiminde ortaya çıkan bazı dikey alanları vurgulamayı amaçlıyoruz.
Kaynak: IOSG Ventures
2.1 Bilgi işlem ağı
Endüstri haritası ilk olarak kısıtlı GPU arzı sorununu çözmeye çalışan ve bilgi işlem maliyetlerini farklı yollarla düşürmeye çalışan bilgi işlem ağlarını tanıtıyor. Aşağıdaki öğelere odaklanmaya değer:
Birleşik olmayan GPU birlikte çalışabilirliği: Bu, yüksek teknik riskler ve belirsizlikler içeren çok iddialı bir çabadır, ancak başarılı olması durumunda, tüm bilgi işlem kaynaklarının birlikte çalışabilir olmasını sağlayarak büyük ölçekli ve etkili sonuçlar yaratma potansiyeline sahiptir. Temelde fikir, derleyiciyi ve diğer önkoşulları oluşturmaktır; böylece tedarik tarafında herhangi bir donanım kaynağı takılabilir, talep tarafında ise tüm donanımın tekdüzeliği tamamen ortadan kaldırılarak bilgi işlem isteklerinizin yönlendirilebilmesi sağlanır. ağdaki herhangi bir kaynağa. Bu vizyon başarılı olursa, tamamen yapay zeka geliştiricilerinin hakim olduğu CUDA yazılımına olan mevcut bağımlılık azalacaktır. Yüksek teknik risklere rağmen birçok uzman bu yaklaşımın uygulanabilirliği konusunda oldukça şüpheci.
Yüksek Performanslı GPU Toplama: Dünyanın en popüler GPU'larını, tekdüze olmayan GPU kaynakları arasındaki birlikte çalışabilirlik sorunları konusunda endişelenmeden, dağıtılmış ve izinsiz bir ağda birleştirin.
Emtia tüketici düzeyinde GPU toplama: Tüketici cihazlarında bulunabilecek bazı düşük performanslı GPU'ların toplanmasına işaret eder. Bu GPU'lar, tedarik tarafında en az kullanılan kaynaklardır. Daha ucuz, daha uzun bir antrenman seansı için performans ve hızdan fedakarlık etmeye istekli olanlara hitap ediyor.
2.2 Eğitim ve çıkarım
Hesaplamalı ağlar öncelikle iki ana işlev için kullanılır: eğitim ve çıkarım. Bu ağlara olan ihtiyaç Web 2.0 ve Web 3.0 projelerinden kaynaklanmaktadır. Web 3.0 dünyasında, Bittensor gibi projeler modelin ince ayarı için bilgi işlem kaynaklarından yararlanıyor. Mantıksal açıdan Web 3.0 projeleri süreçlerin doğrulanabilirliğine vurgu yapmaktadır. Bu odaklanma, merkeziyetsizlik ilkelerini korurken yapay zeka mantığının akıllı sözleşmelere nasıl entegre edileceğini araştıran projelerle birlikte, bir pazar dikeyi olarak doğrulanabilir akıl yürütmenin ortaya çıkmasına neden oldu.
2.3 Akıllı temsilci platformu
Sırada akıllı temsilci platformları var ve grafik, bu kategorideki startup'ların çözmesi gereken temel sorunları özetliyor:
Aracıların birlikte çalışabilirliği ve keşif ve iletişim yetenekleri: Aracılar birbirlerini keşfedebilir ve iletişim kurabilir.
Aracı kümesi oluşturma ve yönetim yetenekleri: Aracılar kümeler oluşturabilir ve diğer aracıları yönetebilir.
Yapay Zeka Temsilcileri için Sahiplik ve Pazar: Yapay Zeka temsilcileri için sahiplik ve pazar sağlayın.
Bu özellikler, çeşitli blockchain ve yapay zeka uygulamalarına sorunsuz bir şekilde entegre edilebilen esnek ve modüler sistemlerin önemini vurgulamaktadır. Yapay zeka aracıları internetle etkileşim şeklimizde devrim yaratma potansiyeline sahip ve aracıların operasyonlarını desteklemek için altyapıdan yararlanacağına inanıyoruz. Yapay zeka aracılarının altyapıya aşağıdaki yollarla güveneceğini öngörüyoruz:
Dağıtılmış bir kazıma ağı kullanarak gerçek zamanlı web verilerine erişin
Temsilciler arası ödemeler için DeFi kanallarını kullanma
Mali depozito talep etmenin amacı, yalnızca uygunsuz davranışı meydana geldiğinde cezalandırmak değil, aynı zamanda temsilcinin keşfedilebilirliğini de arttırmaktır (yani, keşif süreci sırasında depozitoyu finansal bir sinyal olarak kullanmak).
Hangi olayların kesintilerle sonuçlanacağına karar vermek için fikir birliğini kullanın
Şekillendirilebilir kolektifler oluşturmayı desteklemek için açık birlikte çalışabilirlik standartları ve kurum çerçeveleri
Değişmez veri geçmişine dayalı olarak geçmiş performansı değerlendirin ve gerçek zamanlı olarak uygun temsilci kolektiflerini seçin
Kaynak: IOSG Ventures
2.4 Veri katmanı
AI x Web3 entegrasyonunda veriler temel bir bileşendir. Veri, yapay zeka rekabetinde stratejik bir varlıktır ve bilgi işlem kaynaklarıyla birlikte önemli bir kaynak oluşturur. Ancak bu kategori genellikle göz ardı ediliyor çünkü endüstrinin dikkatinin çoğu bilgi işlem düzeyine odaklanıyor. Aslında ilkeller, veri toplama sürecinde, esas olarak aşağıdaki iki yüksek seviyeli yönü içeren birçok ilginç değer yönü sağlar:
Herkese açık internet verilerine erişin
Korunan verilere erişim
Genel İnternet verilerine erişim: Bu yön, tüm İnternet'i birkaç gün içinde tarayabilen, büyük veri kümeleri elde edebilen veya çok spesifik İnternet verilerine gerçek zamanlı olarak erişebilen dağıtılmış tarayıcı ağları oluşturmayı amaçlamaktadır. Ancak internette büyük veri kümelerini taramak için ağ gereksinimleri çok yüksektir ve anlamlı bir çalışmaya başlamak için en az birkaç yüz düğüme ihtiyaç vardır. Neyse ki, dağıtılmış bir tarayıcı düğüm ağı olan Grass, tüm İnternet'i taramak amacıyla halihazırda İnternet bant genişliğini ağla aktif olarak paylaşan 2 milyondan fazla düğüme sahiptir. Bu, değerli kaynakları çekmek için mali teşviklerin büyük potansiyelini göstermektedir.
Grass, halka açık veriler söz konusu olduğunda oyun alanını eşitlerken, temeldeki verilerden (yani özel veri kümelerine erişimden) yararlanma konusunda hala zorluklar var. Spesifik olarak, hassas yapısı nedeniyle hâlâ gizliliği koruyacak şekilde saklanan büyük miktarda veri bulunmaktadır. Birçok startup, yapay zeka geliştiricilerinin hassas bilgileri gizli tutarken özel veri kümelerinin temelindeki veri yapılarını kullanarak büyük dil modelleri oluşturmasına ve ince ayar yapmasına olanak tanıyan şifreleme araçlarından yararlanıyor.
Birleşik öğrenme, diferansiyel gizlilik, güvenilir yürütme ortamları, tamamen homomorfik ve çok partili hesaplama gibi teknolojiler, farklı düzeylerde gizlilik koruması ve değiş-tokuş sağlar. Bagel'in araştırma makalesi (https://blog.bagel.net/p/with-great-data-comes-great-responsibility-d67) bu tekniklere ilişkin mükemmel bir genel bakışı özetlemektedir. Bu teknolojiler yalnızca makine öğrenimi sürecinde veri gizliliğini korumakla kalmıyor, aynı zamanda bilgi işlem düzeyinde gizliliği koruyan kapsamlı yapay zeka çözümlerine de olanak sağlıyor.
2.5 Veri ve model kaynakları
Veri ve model kaynağı teknikleri, kullanıcılara amaçlanan model ve verilerle etkileşimde olduklarına dair güvence verebilecek süreçler oluşturmayı amaçlamaktadır. Ek olarak, bu teknolojiler özgünlük ve menşe garantisi sağlar. Filigran teknolojisini örnek alırsak, filigranlama, imzayı doğrudan makine öğrenimi algoritmasına, daha spesifik olarak model ağırlıklarına yerleştiren, böylece çıkarımın beklenen modelden gelip gelmediğinin alınması sırasında doğrulanabildiği model kaynağı teknolojilerinden biridir. .
2.6 Uygulama
Uygulamalar açısından tasarım olanakları sonsuzdur. Yukarıdaki sektör haritasında, yapay zeka teknolojisinin Web 3.0 alanında uygulanmasıyla özellikle heyecan verici olan bazı geliştirme örneklerini listeledik. Bu kullanım örnekleri çoğunlukla kendini tanımladığı için burada ek yorum yapmıyoruz. Bununla birlikte, yapay zeka ve Web 3.0'ın kesişmesinin, alanın birçok yönünü yeniden şekillendirme potansiyeline sahip olduğunu belirtmekte fayda var; zira bu yeni ilkeller, geliştiricilere yenilikçi kullanım senaryoları oluşturma ve mevcut kullanım senaryolarını optimize etme konusunda daha fazla özgürlük sağlıyor.
Özetle
AI x Web3 yakınsaması, yenilik ve potansiyelle dolu bir vaat getiriyor. Her teknolojinin benzersiz güçlü yönlerinden yararlanarak çeşitli zorlukları çözebilir ve yeni teknoloji yolları yaratabiliriz. Gelişmekte olan bu sektörü keşfederken, AI x Web3 arasındaki sinerji, gelecekteki dijital deneyimlerimizi ve web üzerinde etkileşim şeklimizi yeniden şekillendirecek ilerlemeyi teşvik edebilir.
Dijital kıtlık ile dijital bolluğun birleşmesi, yeterince kullanılmayan kaynakların bilgi işlem verimliliğine ulaşmak için harekete geçirilmesi ve güvenli, gizliliği koruyan veri uygulamalarının oluşturulması, teknolojik evrimin bir sonraki çağını tanımlayacak.
Ancak, bu endüstrinin henüz emekleme aşamasında olduğunu ve mevcut endüstri ortamının kısa sürede geçerliliğini yitirebileceğini kabul etmeliyiz. İnovasyonun hızlı temposu, günümüzün en ileri çözümlerinin yerini yakında yeni buluşların alabileceği anlamına geliyor. Bununla birlikte, tartışılan temel kavramlar (bilgi işlem ağları, aracı platformları ve veri protokolleri gibi) yapay zekanın Web 3.0 ile entegrasyonuna yönelik geniş olanakların altını çiziyor.
