Yapay Zeka ve Kripto Varlıkların Bütünleşmesi: Sıfırdan Zirveye

Son yıllarda yapay zeka teknolojisi çarpıcı ilerlemeler kaydetti ve bazıları bunu dördüncü sanayi devrimi olarak görüyor. Büyük dil modellerinin ortaya çıkışı, birçok sektörde verimliliği önemli ölçüde artırdı; Boston Consulting Group, GPT'nin ABD'de yaklaşık %20 oranında iş verimliliğini artırdığını düşünüyor. Aynı zamanda, büyük modellerin genelleme yeteneği, geleneksel kesin kod yazımından farklı olarak yeni bir yazılım tasarım paradigması olarak görülüyor; günümüzde yazılım tasarımı, daha çok genelleştirilmiş büyük model çerçevelerinin yazılıma entegre edilmesine dayanıyor ve bu da yazılımın daha iyi performans göstermesini ve daha geniş modalite girdi/çıktı desteği sunmasını sağlıyor. Derin öğrenme teknolojisi gerçekten de AI endüstrisine yeni bir refah dönemi getirdi ve bu dalga kripto varlıklar sektörüne de yayıldı.

Yapay Zeka Sektörünün Gelişim Süreci

Yapay zeka endüstrisi 20. yüzyılın 50'li yıllarında başladı. Yapay zekanın vizyonunu gerçekleştirmek için, akademik dünya ve sanayi farklı dönemlerde farklı disiplin arka planlarına dayanarak yapay zekayı gerçekleştirmek için çeşitli akımlar geliştirdi.

Modern yapay zeka teknolojileri esas olarak "makine öğrenimi" yöntemini kullanmaktadır; bu anlayış, makinelerin veriye dayanarak görevlerde tekrar tekrar iterasyon yaparak sistem performansını iyileştirmesini sağlamaktır. Ana adımlar şunlardır: verilerin algoritmaya girişi, verilerle modelin eğitilmesi, modelin test edilmesi ve dağıtılması, modelin otomatik tahmin görevlerini tamamlamak için kullanılması.

Şu anda makine öğreniminin üç ana akımı vardır: bağlanımcılık, sembolistlik ve davranışçılık; bunlar sırasıyla insan sinir sistemi, düşünce ve davranışını taklit eder. Sinir ağlarının temsil ettiği bağlanımcılık, derin öğrenme olarak da bilinir ve üstünlük sağlamaktadır (. Sinir ağı mimarisi bir giriş katmanı, bir çıkış katmanı ve birden fazla gizli katmandan oluşur; katman sayısı ve nöron ) parametre ( sayısı yeterince fazla olduğunda, karmaşık genel görevleri modelleyebilir. Veri girişi aracılığıyla sürekli olarak nöron parametrelerini ayarlayarak, nihayetinde nöronlar en iyi duruma ulaşacaktır ) parametre (.

Derin öğrenme teknolojisi, en erken sinir ağlarından, ileri beslemeli sinir ağları, RNN, CNN, GAN'a kadar birçok iterasyondan ve evrimden geçmiştir. Son olarak, modern büyük modellerin, örneğin GPT gibi, kullandığı Transformer teknolojisine evrilmiştir. Transformer teknolojisi, sinir ağlarının bir evrim yönü olup, çeşitli modları ) (ses, video, resim vb.) ilgili sayısal temsillere kodlamak için bir dönüştürücü ekler ve daha sonra verileri sinir ağlarına besleyerek, sinir ağlarının her türlü veriyi modellemesine ve çok modlu hale gelmesine olanak tanır.

Yapay Zeka gelişimi üç teknolojik dalga geçirdi:

1. 1960'lı yıllarda, sembolist teknolojinin gelişimiyle ortaya çıkan ilk dalga, genel doğal dil işleme ve insan-makine diyalog sorunlarını çözdü. Aynı dönemde, uzman sistemler doğdu.

2. 1997 yılında, IBM'in derin mavi "Blue" uluslararası satranç şampiyonu Kasparov'u yenmesi, AI teknolojisinin ikinci zirvesini işaret etti.

3. 2006 yılında, derin öğrenme kavramı ortaya atıldı ve üçüncü teknolojik dalgayı başlattı. Derin öğrenme algoritmaları, RNN, GAN'dan Transformer ve Stable Diffusion'a kadar evrimleşerek bağdaştırmacılığın zirve dönemini şekillendirdi.

Derin Öğrenme Sanayi Zinciri

Günümüzde büyük model dilleri, genel olarak sinir ağlarına dayalı derin öğrenme yöntemlerini kullanmaktadır. GPT gibi büyük modeller, yeni bir yapay zeka dalgasını tetiklemiş, birçok oyuncu bu alana akın etmiştir ve piyasanın veri ve hesaplama gücüne olan talebi büyük ölçüde artmıştır. Bu nedenle, derin öğrenme algoritmalarının endüstri zincirini detaylı bir şekilde ele alacağız, derin öğrenmenin hâkim olduğu yapay zeka sektöründe, onun amacına yönelik üst ve alt akışların nasıl oluştuğunu, ayrıca bu akışların mevcut durumu, arz-talep ilişkisi ve gelecekteki gelişimini analiz edeceğiz.

Transformer teknolojisine dayalı GPT gibi büyük dil modelleri (LLMs) eğitimi esasen üç adıma ayrılmaktadır:

1. Ön Eğitim: Büyük veri çiftleri girmek, modelin her bir nöronunun en iyi parametrelerini bulmak. Bu, en fazla hesaplama gücü gerektiren süreçtir ve çeşitli parametreleri denemek için tekrar tekrar tekrarlanması gerekir.

2. İnce ayar: Modelin çıktı kalitesini artırmak için az ama yüksek kaliteli verilerle eğitim yapmak.

3. Pekiştirmeli Öğrenme: Büyük modelin çıktılarını sıralamak için bir "ödül modeli" kurmak, büyük model parametrelerini otomatik olarak yinelemek için kullanılır. Bazen model çıktısı kalitesini değerlendirmek için insan katılımı da gereklidir.

Büyük modellerin performansını etkileyen üç ana faktör, parametre sayısı, veri miktarı ve kalitesi, hesaplama gücüdür. Bu üç unsur, bir endüstri zinciri doğurmuştur.

( Donanım GPU sağlayıcıları

Şu anda Nvidia, AI GPU çip tasarım alanında mutlak bir lider konumundadır. Akademik dünyada genellikle RTX serisi gibi tüketici düzeyi GPU'lar ) kullanılmakta, endüstride ise büyük modellerin ticarileşmesine yönelik H100, A100 gibi çipler tercih edilmektedir.

2023 yılında, Nvidia'nın en son H100 çipi piyasaya sürülür sürülmez birçok şirket tarafından büyük siparişler aldı. H100 çipine olan küresel talep, arzın çok üzerinde ve teslimat süresi 52 haftaya kadar uzadı. Nvidia'ya olan bağımlılığını azaltmak için Google, Intel, Qualcomm, Microsoft, Amazon gibi şirketlerle birlikte CUDA İttifakı'nı kurarak GPU geliştirmek için işbirliği yapıyor.

![Yeni Başlayanlar için Bilgilendirme丨AI x Kripto: Sıfırdan Zirveye]###https://img-cdn.gateio.im/webp-social/moments-f37fb0100218188368f4d31940aab2a3.webp(

) bulut hizmeti sağlayıcısı

Bulut hizmeti sağlayıcıları, yeterli GPU satın aldıktan sonra yüksek performanslı hesaplama kümeleri oluşturmak için, finansmanı sınırlı AI şirketlerine esnek hesaplama gücü ve barındırma eğitim çözümleri sunmaktadır. Şu anda pazar esasen üç ana bulut hesaplama sağlayıcısına ayrılmaktadır:

1. Geleneksel bulut sağlayıcıları tarafından temsil edilen büyük ölçekli bulut hesaplama platformları ( gibi AWS, Google Cloud, Azure )

2. Dikey alanın bulut hesaplama platformu, esas olarak AI veya yüksek performanslı hesaplama için tasarlanmıştır.

3. Yeni ortaya çıkan çıkarım hizmeti sağlayıcıları, esasen müşterilere önceden eğitilmiş modelleri dağıtmakta ve bunları ince ayar yapmakta veya çıkarımda bulunmaktadır.

![Yeni Bilgilendirme丨AI x Kripto Varlıklar：Sıfırdan Zirveye]###https://img-cdn.gateio.im/webp-social/moments-8848582a34ba293d15afae15d90e3c95.webp(

) Veri Tabanı Sağlayıcısı

AI verileri ve derin öğrenme eğitim çıkarım görevleri için sektörde genellikle "vektör veritabanı" kullanılmaktadır. Vektör veritabanı, büyük miktarda yüksek boyutlu vektör verilerini verimli bir şekilde depolamak, yönetmek ve indekslemek için tasarlanmış olup, yapılandırılmamış verileri "vektör" biçiminde bir arada depolar.

Başlıca oyuncular arasında Chroma, Zilliz, Pinecone, Weaviate gibi isimler bulunmaktadır. Veri talebinin artması ve çeşitli alt alanlardaki büyük modellerin ve uygulamaların ortaya çıkmasıyla, vektör veritabanlarına olan talep önemli ölçüde artacaktır.

Kenar Cihazı

GPU yüksek performanslı hesaplama kümesi oluştururken, büyük miktarda enerji tüketilir ve ısı üretilir. Kümenin kesintisiz çalışmasını sağlamak için soğutma sistemleri gibi kenar cihazlarına ihtiyaç vardır.

Enerji tedarikinde, öncelikle elektrik enerjisi kullanılmaktadır. Veri merkezleri ve destek ağları şu anda küresel elektrik tüketiminin %2-3'ünü oluşturmaktadır. BCG, 2030 yılına kadar büyük modellerin eğitiminde elektrik tüketiminin üç katına çıkacağını öngörmektedir.

Soğutma açısından, şu anda hava soğutma ön planda, ancak sıvı soğutma sistemlerine büyük yatırımlar yapılıyor. Sıvı soğutma esasen soğutma plaka tipi, daldırma tipi ve sprey tipi olmak üzere üçe ayrılır.

AI uygulamaları

Şu anda AI uygulamalarının gelişimi, blok zinciri sektörüne benziyor, altyapı oldukça kalabalık ama uygulama geliştirme nispeten geride. Şu anda en fazla aktif kullanıcıya sahip AI uygulamaları genellikle arama türünde, türleri oldukça tekdüze.

AI uygulamalarının kullanıcı tutma oranı genelde geleneksel internet uygulamalarından daha düşüktür. Aktif kullanıcı oranı açısından, geleneksel internet yazılımlarının DAU/MAU medyanı %51 iken, AI uygulamalarının en yüksek oranı yalnızca %41'dir. Kullanıcı tutma oranı açısından, geleneksel internet yazılımlarının ilk on arasındaki medyan %63 iken, ChatGPT'nin tutma oranı yalnızca %56'dır.

Kripto Varlıklar ile AI'nın İlişkisi

Blok zinciri teknolojisi, sıfır bilgi kanıtları gibi teknolojilerin gelişiminden faydalanarak merkeziyetsiz ve güvensizlik düşüncesine dönüşmüştür. Özünde, tüm blok zinciri ağı bir değer ağıdır ve her işlem, temel token'a dayalı bir değer dönüşümüdür. Token ekonomisi, ekosistem hesaplamalarının ### ağının yerel token'ı ( ile olan göreli değerini belirler.

Token ekonomisi, herhangi bir yenilik ve varlığa değer kazandırabilir, ister fikirler ister fiziksel yaratımlar olsun. Bu değer yeniden tanımlama ve keşfetme aracı, AI endüstrisi için de son derece önemlidir. AI sanayi zincirinde token ihraç etmek, her aşamada değer yeniden şekillendirilmesine olanak tanır, daha fazla insanı AI endüstrisinin niş alanlarına yönlendirmek için teşvik eder. Token'lar ayrıca ekosistemi besleyebilir ve bazı felsefi düşüncelerin doğuşunu teşvik edebilir.

Blok zincirinin değiştirilemez ve güvene ihtiyaç duymayan özellikleri, AI sektöründe de pratik anlam taşımaktadır ve güvene ihtiyaç duyan bazı uygulamaların gerçekleştirilmesine olanak tanımaktadır. Örneğin, modelin kullanıcı verilerini kullanırken belirli veri içeriğini bilmemesini, verileri sızdırmamasını ve gerçek çıkarım sonuçları döndürmesini sağlamak. GPU tedarikinde sıkıntı olduğunda, blok zincir ağı aracılığıyla dağıtım yapılabilir; GPU'lar güncellendikten sonra, atıl kalan GPU'lar ağa hesaplama gücü katkısı sağlayarak yeniden değer kazanabilir.

![Yeni Bilgilendirme丨AI x Kripto Varlıklar: Sıfırdan Zirveye])https://img-cdn.gateio.im/webp-social/moments-c8845a5920048e7c821c939e2d8304e7.webp(

Kripto Varlıklar sektörü AI ile ilgili projelerin genel görünümü

) GPU arz tarafı

Kripto Varlıklar sektöründeki AI endüstri zincirinde, hesaplama gücü arzı en önemli halkadır. Şu anda temel göstergeleri iyi olan proje Render'dır, esas olarak büyük model dışındaki video renderleme görevleri için kullanılmaktadır.

Sektör tahminlerine göre 2024 yılında GPU hesaplama gücü talebinin yaklaşık 75 milyar dolar, 2032 yılında ise 773 milyar dolara ulaşması ve yıllık bileşik büyüme oranının yaklaşık %33,86 olması bekleniyor. GPU pazarının patlaması ve Moore yasasının etkisiyle, gelecekte bir çok eski nesil GPU oluşacak, bu boşta kalan GPU'lar paylaşım ağlarında değer yaratmaya devam edebilecek.

Donanım Bant Genişliği

Bant genişliği genellikle büyük model eğitim sürelerini etkileyen ana faktördür, özellikle zincir üzerindeki bulut bilişim alanında. Ancak paylaşılan bant genişliği bir sahte kavram olabilir, çünkü yüksek performanslı hesaplama kümeleri için veriler esasen yerel düğümlerde depolanırken, paylaşılan bant genişliğinde veriler belirli bir mesafede depolanır, coğrafi konum farklarından kaynaklanan gecikme yerel depolamadan çok daha yüksek olacaktır.

veri

Şu anda piyasada olan şifreleme varlıkları sektöründeki AI veri sağlama projeleri arasında EpiK Protocol, Synesis One, Masa gibi projeler bulunmaktadır. Geleneksel veri şirketleriyle kıyaslandığında, Web3 veri sağlayıcıları veri toplama konusunda bir avantaja sahiptir, çünkü bireyler gizlilik içermeyen verileri ( hatta sıfır bilgi kanıtı teknolojisi ile gizli verileri ) katkıda bulunabilir. Bu, projelerin kapsamını genişletmekte, yalnızca işletmelere değil, her kullanıcının verilerini fiyatlandırmasına da olanak tanımaktadır.

![Yeni Başlayanlar İçin Bilgilendirme丨AI x Kripto: Sıfırdan Zirveye]###https://img-cdn.gateio.im/webp-social/moments-b97be5c0fd9efe0b79e2e6fcd4493212.webp(

) ZKML( sıfır bilgi makine öğrenimi)

Veri gizliliği hesaplaması ve eğitimi gerçekleştirmek için, sektörde esas olarak sıfır bilgi kanıtı çözümleri kullanılmakta, homomorfik şifreleme teknolojisi ile zincir dışında çıkarım yapılmakta ve ardından sonuçlar ile sıfır bilgi kanıtı zincir üzerine yüklenmektedir. Bu, veri gizliliğini sağlarken aynı zamanda verimli ve düşük maliyetli çıkarım gerçekleştirmektedir.

AI alanına odaklanan zincir dışı eğitim ve çıkarım projelerinin yanı sıra, Axiom, Risc Zero, Ritual gibi genel amaçlı sıfır bilgi projeleri de bulunmaktadır. Bu projeler, herhangi bir zincir dışı hesaplama ve veri için sıfır bilgi kanıtı sağlayabilir ve uygulama sınırları daha geniştir.

![Yeni Başlayanlar için Bilgilendirme丨AI x Kripto Varlıklar：Sıfırdan Zirveye]###https://img-cdn.gateio.im/webp-social/moments-a732f2716e6ef577c2e5817efcec3546.webp(

) AI uygulamaları

Kripto Varlıklar sektöründe AI uygulama durumu, geleneksel AI sektörüne benzer, çoğunlukla altyapı inşa aşamasında, alt uygulama gelişimi ise nispeten zayıf. Bu tür AI + blockchain uygulamaları, daha çok geleneksel blockchain uygulamalarına otomasyon ve genelleştirme yeteneklerinin eklenmesiyle oluşur; örneğin, AI Agent, kullanıcı ihtiyaçlarına göre en iyi DeFi işlem veya kredi yolunu gerçekleştirebilir.

Fetch.AI, temsilci bir AI Agent projesidir. AI Agent'ı "bir blok zinciri ağı üzerinde kendiliğinden çalışan bir program, bağlantı kurabilen, arama yapabilen" olarak tanımlar.