bölüm bir

İlk bakışta, yapay zeka ve web3 bağımsız teknolojiler gibi görünse de, temelde farklı prensiplere dayanır ve farklı işlevleri yerine getirir. Ancak daha derin bir araştırma, bu iki teknolojinin birbirinin dezavantajlarını dengeleme potansiyeline sahip olduğunu ortaya koymaktadır ve benzersiz güçleri birbirini tamamlayarak ve geliştirerek etkileşimde bulunur. Balaji Srinivasan, bu tamamlayıcı yetenekler kavramını SuperAI konferansında etkileyici bir şekilde ifade etti ve bu teknolojilerin nasıl etkileşimde bulunduğuna dair ayrıntılı bir karşılaştırma başlattı.

tokenlar, anonim ağ tutkunlarının merkezi olmayan çabalarından doğan ve dünya çapında birçok bağımsız kuruluşun işbirliğiyle on yıl boyunca evrim geçiren bir alttan yukarı yaklaşımdan çıktı. Buna karşılık, yapay zeka, endüstrinin hızını ve dinamiklerini belirleyen birkaç teknoloji devinin hakim olduğu bir üstten aşağı yaklaşımla geliştirildi. AI'ye giriş engelleri, teknik karmaşıklıktan ziyade kaynak yoğunluğu tarafından belirlenir.

bu iki teknolojinin temelde farklı doğaları da bulunmaktadır. Tokenlar öngörülebilir sonuçlar üreten belirleyici sistemlerdir, örneğin hash fonksiyonlarının öngörülebilirliği veya sıfır bilgi ispatlarının doğruluğu gibi. Bu, genellikle öngörülemez ve olasılıksal doğasının keskin bir tezatıdır.

Benzer şekilde, şifreleme teknolojisi doğrulama konusunda uzmanlaşır ve işlemlerin otantikliğini ve güvenliğini sağlayarak güvensiz süreçler ve sistemler oluştururken, yapay zeka üretim konusunda odaklanır ve zengin dijital içerik oluşturur. Bununla birlikte, dijital içerik oluşturmanın zorlukları, içeriğin kökenini sağlama ve kimlik hırsızlığını önleme konularını içerir.

Neyse ki, jetonlar dijital bolluğa bir karşı nokta sağlar - dijital kıtlık. İçerik kökenini sağlamak ve kimlik hırsızlığı sorunlarını ele almak için yapay zeka teknolojilerine uygulanabilen nispeten olgun araçlar sunarlar.

Jetongların dikkate değer bir avantajı, belirli hedefleri hizmet etmek için koordine ağlara önemli donanım ve sermayeyi çekme yetenekleridir. Bu kabiliyet, özellikle büyük miktarda hesaplama gücü tüketen yapay zeka için son derece faydalıdır. Daha uygun maliyetli hesaplama gücü sağlamak için kullanılmayan kaynakları harekete geçirmek, yapay zeka verimliliğini önemli ölçüde artırabilir.

Bu iki teknolojiyi karşılaştırarak, sadece kendi katkılarını takdir etmekle kalmayız, aynı zamanda birlikte teknoloji ve ekonomide yeni yolların nasıl açılabileceğini de görürüz. Her teknoloji diğerinin eksikliklerini ele alabilir ve daha entegre ve inovatif bir gelecek yaratabilir. Bu blog yazısı, bu teknolojilerin kesişim noktasındaki bazı yeni dikeylere odaklanarak, yükselen yapay zeka x web3 endüstri manzarasını keşfetmeyi amaçlıyor.

kaynak: iosg ventures

ikinci kısım

2.1 hesaplama ağı

• Endüstri ortamı, ilk olarak sınırlı GPU tedarik sorununu çözmeyi ve bilgi işlem maliyetlerini azaltmanın çeşitli yollarını keşfetmeyi amaçlayan bilgi işlem ağlarını tanıtıyor. Dikkate değer yönler şunları içerir:
• Tekdüzen olmayan GPU birlikte çalışabilirliği: Bu iddialı girişim, yüksek teknik riskler ve belirsizlikler içerir, ancak başarılı olursa, tüm bilgi işlem kaynaklarını değiştirilebilir hale getirerek önemli bir ölçek ve etki yaratabilir. Buradaki fikir, talep tarafında donanımın tekdüzeliğini soyutlarken, herhangi bir donanım kaynağının arz tarafında kullanılmasına izin veren derleyiciler ve diğer ön koşullar geliştirmektir. Bu, bilgi işlem taleplerinin ağ içindeki herhangi bir kaynağa yönlendirilmesini sağlayacak ve şu anda AI geliştiricileri arasında baskın olan CUDA yazılımına olan bağımlılığı potansiyel olarak azaltacaktır. Potansiyel faydalarına rağmen, birçok uzman bu yaklaşımın fizibilitesi konusunda oldukça şüphecidir.
• yüksek performanslı gpu birleştirme: bu yaklaşım, en popüler gpu'ları dünya çapında bir dağıtılmış, izin verilmeyen ağa entegre etme üzerine odaklanır ve non-uniform gpu kaynakları arasındaki uyumluluk sorunlarıyla ilgili endişeleri dikkate almaz.
• ticari tüketici sınıfı gpu toplama: bu, tedarik tarafında en az kullanılan kaynaklardan biri olan tüketici cihazlarında bulunan düşük performanslı gpu'ları bir araya getirme işlemidir. daha ucuz ve daha uzun eğitim süreçleri için performans ve hızdan ödün vermeye istekli olanlara hitap eder.

2.2 Eğitim ve çıkarım

Bilgi işlem ağları, öncelikle eğitim ve çıkarım olmak üzere iki temel işlev için kullanılır. Bu ağların talebi, web 2.0 ve web 3.0 projelerinden gelir. Web 3.0 alanında, bittensor gibi projeler, modelin ince ayarlanması için bilgi işlem kaynaklarını kullanır. Çıkarım için, web 3.0 projeleri sürecin doğrulanabilirliğine vurgu yapar. Bu odak, dağıtılmışlık prensiplerini korurken yapay zeka çıkarımının akıllı sözleşmelere nasıl entegre edileceğini araştıran projelerin ortaya çıkmasına yol açmıştır.

2.3 zeki ajan platformu

• Sonraki, bu kategorideki başlangıçların ele alması gereken temel konuları belirleyen akıllı ajan platformudur:
• ajan etkileşimi ve keşif ve iletişim yetenekleri: ajanlar birbirini keşfedebilir ve iletişim kurabilir.
• ajent küme oluşturma ve yönetim yetenekleri: ajentler küme oluşturabilir ve diğer ajentleri yönetebilir.
• ai ajanı sahiplik ve pazar: ai ajanları için sahiplik ve pazar sunmak.
• Bu özellikler, çeşitli blok zinciri ve yapay zeka uygulamalarına sorunsuz bir şekilde entegre edilebilen esnek ve modüler sistemlerin önemini vurgulamaktadır. Yapay zeka aracıları, İnternet ile etkileşim şeklimizde devrim yaratma potansiyeline sahiptir ve temsilcilerin operasyonlarını desteklemek için altyapıyı kullanacaklarına inanıyoruz. Yapay zeka aracılarının altyapıya aşağıdaki şekillerde güvendiğini öngörüyoruz:
• bir dağıtılmış tarama ağı kullanarak gerçek zamanlı web verilerine erişme
• Defi kanallarını kullanarak aracı ödemeleri gerçekleştirme
• Suistimali cezalandırmak için ekonomik depoziteler gerektirme yanı sıra, ajan keşif sürecinde ekonomik sinyaller olarak depoziteler kullanılarak aracı keşif edilebilirliğini arttırmak için gereklidir.
• kesme işlemine yol açan olayların hangisinin uzlaşı ile belirlendiğini kullanarak
• açık etkileşim standardları ve ajan çerçeveleri, birleştirilebilir kolektiflerin oluşturulmasını desteklemek için
• değişmez veri geçmişi temelinde geçmiş performansın değerlendirilmesi ve gerçek zamanlı olarak uygun ajan kolektiflerinin seçilmesi

kaynak: iosg ventures

2.4 veri katmanı

ai ve web3 entegrasyonunda, veri temel bir bileşendir. Veri, ai rekabetinde stratejik bir varlık olup, hesaplama kaynaklarıyla birlikte ana kaynakları oluşturur. Bununla birlikte, bu kategori genellikle endüstri dikkati hesaplama katmanına odaklandığından genellikle göz ardı edilir. Gerçekte, özgünler, veri edinme sürecinde birçok ilginç değer yönü sağlar, bunlar genellikle aşağıdaki iki yüksek düzeyli yönlendirmeyi içerir:

genel internet verilerine erişim

korumalı verilere erişim

Genel İnternet Verilerine Erişim: Bu yön, birkaç gün içinde tüm İnternet'i tarayabilen, büyük veri kümeleri elde edebilen veya gerçek zamanlı olarak çok özel İnternet verilerine erişebilen dağıtılmış bir tarayıcı ağı oluşturmayı amaçlar. Bununla birlikte, İnternet'teki büyük veri kümelerini taramak için ağ talebi çok yüksektir ve anlamlı bir çalışmaya başlamak için en az birkaç yüz düğüm gerekir. Neyse ki, dağıtılmış bir tarayıcı düğüm ağı olan GRASS, tüm İnternet'i taramayı amaçlayan, İnternet bant genişliğini ağ ile aktif olarak paylaşan 2 milyondan fazla düğüme sahiptir. Bu, değerli kaynakları çekmede ekonomik teşviklerin büyük potansiyelini göstermektedir.

Grass, kamuya açık veriler için adil bir rekabet ortamı sağlasa da, potansiyel verileri (özellikle de tescilli veri kümelerine erişim) kullanma zorluğu devam etmektedir. Özellikle, hassas doğası nedeniyle büyük miktarda veri hala gizlilik korumalı bir şekilde saklanmaktadır. Birçok girişim, yapay zeka geliştiricilerinin hassas bilgileri gizli tutarken büyük dil modelleri oluşturmak ve ince ayar yapmak için özel veri kümelerinin temel veri yapısını kullanmalarını sağlayan kriptografik araçlar kullanıyor.

Federated öğrenme, farklılaştırılmış gizlilik, güvenli yürütme ortamları, tamamen homomorfik şifreleme ve çok taraflı hesaplama gibi teknolojiler, farklı düzeylerde gizlilik koruması ve takaslar sağlar. Bagel'in araştırma makalesi, bu teknolojilerin mükemmel bir genel bakışını sunar. Bu teknolojiler, sadece makine öğrenme süreci sırasında veri gizliliğini korumakla kalmaz, aynı zamanda hesaplama katmanında kapsamlı gizlilik korumalı yapay zeka çözümleri elde eder.

2.5 veri ve model kaynakları

veri ve model menşei teknolojileri, kullanıcıların amaçlanan modeller ve verilerle etkileşimde olduklarına dair süreçler oluşturmayı amaçlar. Ayrıca, bu teknolojiler, otantiklik ve menşe garantisini sağlar. Örneğin, bir tür model menşei teknolojisi olan filigran, makine öğrenme algoritmalarına doğrudan imzaları gömer, daha spesifik olarak model ağırlıklarına, böylelikle alınan sonuçların amaçlanan modelden gelip gelmediği doğrulanabilir.

2.6 uygulama

uygulamalar açısından, tasarım olanakları sınırsızdır. yukarıdaki endüstri manzarasında, ai teknolojisi web 3.0 alanında uygulandığında bazı özellikle beklenen geliştirme durumlarını listeledik. bu kullanım durumlarının çoğu açıklamalara ihtiyaç duymadan anlaşılır olduğundan, daha fazla yorum yapmayacağız. Bununla birlikte, ai ve web 3.0'ın kesişimi birçok dikeyi yeniden şekillendirme potansiyeline sahiptir, çünkü bu yeni ilkelere geliştiricilere yenilikçi kullanım durumları oluşturma ve mevcut olanları optimize etme özgürlüğü sunar.

ÜÇÜNCÜ BÖLÜM

özet

ai ve web3'ün entegrasyonu, yenilik ve potansiyel dolu bir manzara sunar. Her teknolojinin benzersiz avantajlarını kullanarak, çeşitli zorlukları ele alabilir ve yeni teknolojik yollar açabiliriz. Bu yeni yükselen endüstride keşfettiğimiz sürece, ai ve web3 arasındaki sinerji ilerlemeyi sürükleyebilir, geleceğimizi şekillendirebilir ve çevrimiçi etkileşim şeklimizi dönüştürebilir.

Dijital kıtlık ve dijital bolluğun birleşimi, hesaplama verimliliğini sağlamak için kullanılmayan kaynakların harekete geçirilmesi ve güvenli, gizlilik koruyan veri uygulamalarının kurulması, gelecek nesil teknolojik evrimin çağını tanımlayacaktır.

Ancak, bu endüstrinin henüz emekleme aşamasında olduğunu ve mevcut manzaranın hızla modası geçmiş olabileceğini kabul etmeliyiz. İnovasyonun hızlı temposu, günümüzün son teknoloji çözümlerinin yakında yeni atılımlarla değiştirilebileceği anlamına geliyor. Bununla birlikte, hesaplama ağları, aracı platformları ve veri protokolleri gibi tartışılan temel kavramlar, yapay zekayı Web3 ile entegre etmenin muazzam olanaklarını vurgulamaktadır.

uyarı:

1. bu makale [ tarafından yeniden üretilmiştir深潮TechFlow], telif hakkı orijinal yazarına aittir [iosg ventures], eğer yeniden basım konusunda herhangi bir itirazınız varsa, lütfen iletişime geçin Gate öğrenmekekibi, ve ekip ilgili prosedürlere göre mümkün olan en kısa sürede bununla ilgilenecek.

2. Açıklama: Bu makalede yer alan görüşler ve düşünceler yalnızca yazarın kişisel görüşlerini temsil etmektedir ve herhangi bir yatırım tavsiyesi oluşturmamaktadır.

3. makalelerin diğer dil sürümleri Gate öğrenme ekibi tarafından çevrilir ve bahsedilmezGate.io, çevrilen makale çoğaltılamaz, dağıtılamaz veya kopyalanamaz.