Algoritmaların, bilgi işlem gücünün ve verilerin gücünden yararlanan yapay zeka teknolojisindeki ilerleme, veri işlemenin ve akıllı karar vermenin sınırlarını yeniden tanımlıyor. Aynı zamanda DePIN, merkezi altyapıdan merkezi olmayan, blockchain tabanlı ağlara doğru bir paradigma değişimini temsil ediyor.

Dünya dijital dönüşüme doğru hızını artırırken, yapay zeka ve DePIN (merkezi olmayan fiziksel altyapı), endüstriler arasında dönüşümü yönlendiren temel teknolojiler haline geldi. Yapay zeka ve DePIN'in birleşimi, yalnızca hızlı teknolojik yinelemeyi ve yaygın uygulamayı teşvik etmekle kalmıyor, aynı zamanda daha güvenli, şeffaf ve verimli bir hizmet modelinin önünü açarak küresel ekonomiye köklü değişiklikler getiriyor.

DePIN: Merkezi Olmama, Dijital Ekonominin Dayanağı Olan Sanallıktan Gerçekliğe Geçiyor

DePIN, Merkezi Olmayan Fiziksel Altyapının kısaltmasıdır. Dar anlamda DePIN, temel olarak güç ağı, iletişim ağı, konumlandırma ağı vb. gibi dağıtılmış defter teknolojisi tarafından desteklenen geleneksel fiziksel altyapının dağıtılmış ağını ifade eder. Genel olarak konuşursak, fiziksel cihazlar tarafından desteklenen tüm dağıtılmış ağlara DePIN adı verilebilir, Depolama ağları ve bilgi işlem ağları gibi.

Resim kaynağı: Messari

Eğer Crypto finansal düzeyde merkezi olmayan değişiklikler yarattıysa, o zaman DePIN reel ekonomide merkezi olmayan bir çözümdür. PoW madencilik makinesinin bir nevi DePIN olduğu söylenebilir. Yani DePIN ilk günden itibaren Web3'ün temel direği olmuştur.

Yapay Zekanın Üç Unsuru: Algoritma, Bilgi İşlem Gücü ve Veri. DePIN Sadece İki Adete Sahiptir

Yapay zekanın gelişiminin genellikle üç temel unsura dayandığı kabul edilir: algoritmalar, bilgi işlem gücü ve veriler. Algoritmalar, yapay zeka sistemlerini yönlendiren matematiksel modelleri ve program mantığını, bilgi işlem gücü, bu algoritmaları yürütmek için gereken bilgi işlem kaynaklarını ifade eder ve veriler, yapay zeka modellerinin eğitimi ve optimizasyonunun temelini oluşturur.

Bu üç unsurdan hangisi en önemlisidir? ChatGPT'nin ortaya çıkmasından önce insanlar genellikle bunun bir algoritma olduğunu düşünüyorlardı; aksi takdirde akademik konferanslar ve dergi makaleleri birbiri ardına algoritma ince ayarlarıyla dolmazdı. Ancak chatGPT ve zekasını destekleyen geniş dil modeli LLM ortaya çıktığında insanlar son ikisinin önemini anlamaya başladı. Muazzam bilgi işlem gücü, modellerin doğuşunun ön koşuludur. Veri kalitesi ve çeşitliliği, sağlam ve verimli bir yapay zeka sistemi oluşturmak için çok önemlidir. Karşılaştırıldığında, algoritmaların gereksinimleri artık eskisi kadar zorlu değil.

Büyük modeller çağında, hesaplama gücü ve verilere olan talebin artmasıyla birlikte yapay zeka, ince ayardan kaba kuvvete geçiş yaptı. DePIN bunu sağlayabiliyor. Token teşvikleri, büyük tüketici sınıfı bilgi işlem gücünün ve depolamanın büyük modeller için en iyi besin haline geleceği uzun kuyruk pazarını güçlendirecek.

Yapay Zekanın Merkezi Olmaması Bir Seçenek Değil, Bir Gerekliliktir

Elbette birisi şunu sorabilir: AWS veri merkezlerinde hem hesaplama gücü hem de veriler mevcutken neden merkezi hizmetler yerine DePIN seçilsin ve dahası AWS, kararlılık ve kullanıcı deneyimi açısından DePIN'den daha iyi performans gösteriyor?

Bu ifadenin doğal olarak bir mantığı var. Sonuçta şu anki duruma bakıldığında neredeyse tüm büyük modellerin doğrudan veya dolaylı olarak büyük internet şirketleri tarafından geliştirildiği görülüyor. ChatGPT'nin arkasında Microsoft, Gemini'nin arkasında ise Google yer alıyor. Çin'de neredeyse her büyük internet şirketinin büyük bir modeli var. Nedenmiş? Çünkü yalnızca büyük internet şirketleri, yüksek kaliteli veriler ve güçlü finansal kaynaklarla desteklenen hesaplama gücüne sahiptir. Ancak bu doğru değil. İnsanlar artık internet devleri tarafından manipüle edilmek istemiyor.

Bir yandan merkezi yapay zeka, veri gizliliği ve güvenlik riskleri taşır ve sansüre ve kontrole tabi olabilir. Öte yandan internet devleri tarafından üretilen yapay zeka, insanların bağımlılığını daha da güçlendirecek, pazar yoğunlaşmasına yol açacak ve inovasyonun önündeki engelleri artıracak.

şuradan: https://www.gensyn.ai/

Yapay zeka çağında insanlığın artık bir Martin Luther'e ihtiyacı olmamalı. İnsanların doğrudan Tanrı ile konuşma hakkı olmalıdır.

İş Perspektifinden DePIN: Maliyet Azaltma ve Verimlilik Artışı Önemlidir

İş açısından bakıldığında, merkeziyetsizlik ve merkezileşme değerleri arasındaki tartışmayı bir kenara bıraksak bile, yapay zeka için DePIN kullanmanın hâlâ avantajları var.

İlk olarak, internet devleri çok sayıda üst düzey grafik kartı kaynağını kontrol etse de, bireylerin elindeki tüketici sınıfı grafik kartlarının kombinasyonunun hala uzun kuyruk olarak bilinen önemli bir bilgi işlem gücü ağı oluşturabileceğini kabul etmek önemlidir. bilgi işlem gücünün etkisi. Bu tüketici sınıfı grafik kartları genellikle yüksek boşta kalma oranlarına sahiptir. DePIN'in sağladığı teşvikler elektrik maliyetini aştığı sürece kullanıcılar, bilgi işlem güçlerini ağa katkıda bulunma motivasyonuna sahip olur. Ayrıca kullanıcıların fiziksel altyapıyı kendilerinin yönetmesi sayesinde DePIN ağı, merkezi tedarikçilerin önleyemeyeceği operasyonel maliyetleri üstlenmiyor ve yalnızca protokol tasarımına odaklanabiliyor.

Veriler için DePIN ağı, uç bilişim ve diğer yöntemler aracılığıyla verilerin potansiyel kullanılabilirliğini ortaya çıkarabilir ve iletim maliyetlerini azaltabilir. Ayrıca, dağıtılmış depolama ağlarının çoğu, yapay zeka eğitiminde kapsamlı veri temizleme ihtiyacını azaltan otomatik veri tekilleştirme yeteneklerine sahiptir.

Son olarak, DePIN'in getirdiği Kripto ekonomisi, sistemin hata toleransını artırır ve sağlayıcılar, tüketiciler ve platformlar için bir kazan-kazan durumu elde etme potansiyeline sahiptir.

Resim: UCLA

İnanmıyorsanız, UCLA'nın en son araştırması, merkezi olmayan bilgi işlem kullanımının, aynı maliyetle geleneksel GPU kümelerine göre 2,75 kat daha iyi performans sağladığını gösteriyor. Spesifik olarak 1,22 kat daha hızlı ve 4,83 kat daha ucuzdur.

Önümüzdeki Zor Yol: AIxDePIN Hangi Zorluklarla Karşılaşacak?

Bu on yılda aya gitmeyi ve başka şeyler yapmayı seçiyoruz çünkü bunlar kolay değil, zor çünkü. - John Fitzgerald Kennedy

Güven olmadan yapay zeka modelleri oluşturmak için DePIN'in dağıtılmış depolama ve dağıtılmış bilgi işlem özelliklerini kullanmak hâlâ birçok zorluğu beraberinde getiriyor.

İş Doğrulaması

Temel olarak, hem derin öğrenme modeli hesaplaması hem de PoW madenciliği, kapı devreleri arasındaki temel sinyal değişikliklerini içeren genel hesaplama biçimleridir. Makro düzeyde, PoW madenciliği, sayısız rastgele sayı üretimi ve hash fonksiyonu hesaplamaları yoluyla n adet sıfır önekine sahip bir hash değeri bulmaya çalışan "işe yaramaz hesaplama"dır. Öte yandan derin öğrenme hesaplaması, derin öğrenmedeki her katmanın parametre değerlerini ileri ve geri yayılım yoluyla hesaplayan ve böylece verimli bir yapay zeka modeli oluşturan "faydalı hesaplama"dır.

Gerçek şu ki, PoW madenciliği gibi “işe yaramaz hesaplamalar” hash işlevlerini kullanıyor. Orijinal görüntüden görüntüyü hesaplamak kolaydır, ancak görüntüden orijinal görüntüyü hesaplamak zordur, dolayısıyla herkes hesaplamanın geçerliliğini kolayca ve hızlı bir şekilde doğrulayabilir; Derin öğrenme modelinin hesaplanmasında hiyerarşik yapı nedeniyle her katmanın çıktısı bir sonraki katmanın girdisi olarak kullanılır. Bu nedenle, hesaplamanın geçerliliğinin doğrulanması, önceki tüm çalışmaların yapılmasını gerektirir ve basit ve etkili bir şekilde doğrulanamaz.

Resim: AWS

İşin doğrulanması çok kritiktir, aksi takdirde hesaplamayı yapan sağlayıcı hesaplamayı hiç gerçekleştiremez ve rastgele oluşturulmuş bir sonuç sunamaz.

Fikirlerden biri, farklı sunucuların aynı bilgi işlem görevlerini gerçekleştirmesini sağlamak ve yürütmeyi tekrarlayıp aynı olup olmadığını kontrol ederek işin etkinliğini doğrulamaktır. Ancak model hesaplamalarının büyük çoğunluğu deterministik değildir ve aynı sonuçlar aynı bilgisayar ortamında bile üretilemez ve yalnızca istatistiksel anlamda benzer olabilir. Buna ek olarak, çift sayma maliyetlerde hızlı bir artışa yol açacaktır ki bu da DePIN'in maliyetleri düşürme ve verimliliği artırma şeklindeki temel hedefiyle tutarlı değildir.

Başka bir fikir kategorisi, iyimser bir şekilde sonucun doğru hesaplandığını varsayan ve herkesin hesaplama sonucunu doğrulamasına izin veren İyimser mekanizmadır. Herhangi bir hata bulunursa Dolandırıcılık Kanıtı gönderilebilir. Protokol dolandırıcıyı cezalandırıyor ve ihbarcıyı ödüllendiriyor.

Paralelleştirme

Daha önce de belirtildiği gibi, DePIN temel olarak uzun kuyruklu tüketici bilgi işlem gücü pazarından yararlanıyor; bu, tek bir cihaz tarafından sağlanan bilgi işlem gücünün nispeten sınırlı olduğu anlamına geliyor. Büyük yapay zeka modelleri için tek bir cihazda eğitim çok uzun zaman alacaktır ve eğitim süresini kısaltmak için paralelleştirme kullanılmalıdır.

Derin öğrenme eğitimini paralelleştirmedeki temel zorluk, önceki ve sonraki görevler arasındaki bağımlılıkta yatmaktadır ve bu da paralelleştirmenin başarılmasını zorlaştırmaktadır.

Şu anda, derin öğrenme eğitiminin paralelleştirilmesi temel olarak veri paralelliği ve model paralelliği olarak ikiye ayrılmaktadır.

Veri paralelliği, verilerin birden fazla makineye dağıtılması anlamına gelir. Her makine bir modelin tüm parametrelerini kaydeder, eğitim için yerel verileri kullanır ve son olarak her makinenin parametrelerini bir araya getirir. Veri paralelliği, veri miktarı büyük olduğunda iyi çalışır ancak parametreleri bir araya getirmek için eşzamanlı iletişim gerektirir.

Model paralelliği, modelin boyutu tek bir makineye sığmayacak kadar büyük olduğunda modelin birden fazla makineye bölünebilmesi ve her makinenin modelin parametrelerinin bir kısmını kaydetmesi anlamına gelir. İleri ve geri yayılım, farklı makineler arasında iletişim gerektirir. Model paralelliğinin, model büyük olduğunda avantajları vardır, ancak ileri ve geri yayılım sırasında iletişim yükü büyüktür.

Farklı katmanlar arasındaki gradyan bilgisi senkron güncelleme ve asenkron güncelleme olarak ikiye ayrılabilir. Senkronize güncelleme basit ve doğrudandır ancak bekleme süresini artıracaktır; eşzamansız güncelleme algoritmasının bekleme süresi kısadır ancak kararlılık sorunlarına yol açacaktır.

Resim: Stanford Üniversitesi, Paralel ve Dağıtılmış Derin Öğrenme

Gizlilik

Kişisel gizliliğin korunmasına yönelik küresel eğilim artıyor ve dünyanın her yerindeki hükümetler, kişisel veri gizliliği güvenliğinin korunmasını güçlendiriyor. Yapay zeka, halka açık veri kümelerini kapsamlı bir şekilde kullansa da, farklı yapay zeka modellerini gerçekten farklı kılan şey, her kuruluşun özel kullanıcı verileridir.

Eğitim sırasında gizliliği açığa çıkarmadan özel verilerin avantajlarından nasıl yararlanılır? Oluşturulan yapay zeka modelinin parametrelerinin sızdırılmadığından nasıl emin olunur?

Bunlar gizliliğin iki yönüdür; veri gizliliği ve model gizliliği. Veri gizliliği kullanıcıları korurken, model gizliliği de modeli oluşturan kuruluşu korur. Mevcut senaryoda veri gizliliği, model gizliliğinden çok daha önemlidir.

Gizlilik sorununu çözmek için çeşitli çözümler deneniyor. Birleşik öğrenme, veri kaynağında eğitim vererek, verileri yerel olarak tutarak ve model parametrelerini ileterek veri gizliliğini sağlar; ve sıfır bilgi kanıtı yükselen bir yıldız haline gelebilir.

Vaka Analizi: Piyasadaki yüksek kaliteli projeler nelerdir?

Gensyn

Gensyn, yapay zeka modellerini eğitmek için tasarlanmış dağıtılmış bir bilgi işlem ağıdır. Ağ, derin öğrenme görevlerinin doğru şekilde yürütüldüğünü doğrulamak ve ödemeleri komutlar aracılığıyla tetiklemek için Polkadot'u temel alan birinci katman bir blok zinciri kullanıyor. 2020 yılında kurulan şirket, yatırıma a16z'nin liderlik ettiği Haziran 2023'te 43 milyon dolarlık bir A Serisi finansman turu açıkladı.

Gensyn, doğrulama işlerinin tutarlılık açısından yeniden çalıştırılmasına ve karşılaştırılmasına olanak sağlamak üzere çok ayrıntılı, grafik tabanlı bir hassas protokol ve çapraz değerlendirici tarafından tutarlı bir şekilde yürütülen, gerçekleştirilen işin sertifikalarını oluşturmak için gradyan tabanlı optimizasyon sürecinin meta verilerini kullanır. ve sonuçta zincir tarafından hesaplamanın geçerliliğini sağlamak için kendiniz onaylayın. İş doğrulamanın güvenilirliğini daha da güçlendirmek için Gensyn, teşvik oluşturmak amacıyla staking'i tanıtıyor.

Sistemde dört tür katılımcı vardır: gönderenler, çözenler, doğrulayıcılar ve ihbarcılar.

• Göndericiler, hesaplanacak görevleri sağlayan ve tamamlanan iş birimleri için ödeme alan sistemin son kullanıcılarıdır.
• Çözücü sistemin ana çalışanıdır; model eğitimi gerçekleştirir ve doğrulayıcı tarafından incelenmek üzere kanıtlar üretir.
• Doğrulayıcı, deterministik olmayan eğitim sürecini deterministik doğrusal hesaplamaya bağlamanın, kısmi çözücü kanıtlarını çoğaltmanın ve mesafeleri beklenen eşiklerle karşılaştırmanın anahtarıdır.
• İhbarcı son savunma hattıdır; doğrulayıcının çalışmalarını kontrol eder, meydan okumaları yükseltir ve mücadeleyi geçtikten sonra ödüller alır.

Çözücünün bir taahhütte bulunması gerekir ve ihbarcı da çözücünün çalışmasını test eder. Eğer kötülüğü keşfederse, ona meydan okuyacaktır. Mücadele geçildikten sonra, çözen kişinin stake ettiği tokenlar para cezasına çarptırılacak ve ihbarcı ise ödüllendirilecek.

Gensyn'in tahminlerine göre bu çözümün, eğitim maliyetlerini merkezi sağlayıcıların maliyetinin 1/5'ine düşürmesi bekleniyor.

Kaynak: Gensyn

FedML

FedML, her yerde ve her ölçekte, merkezi olmayan ve işbirliğine dayalı yapay zeka için merkezi olmayan, işbirliğine dayalı bir makine öğrenimi platformudur. Daha spesifik olarak FedML, birleştirilmiş veriler, modeller ve bilgi işlem kaynakları üzerinde gizliliği koruyacak şekilde işbirliği yaparken makine öğrenimi modellerini eğiten, dağıtan, izleyen ve sürekli olarak geliştiren bir MLOps ekosistemi sağlar. 2022'de kurulan FedML, Mart 2023'te 6 milyon dolarlık bir tohum turu açıkladı.

FedML iki temel bileşenden oluşur: sırasıyla yüksek seviyeli API'yi ve düşük seviyeli API'yi temsil eden FedML-API ve FedML-core.

FedML-core iki bağımsız modül içerir: dağıtılmış iletişim ve model eğitimi. İletişim modülü, farklı çalışanlar/müşteriler arasındaki temel iletişimden sorumludur ve MPI'yı temel alır; model eğitim modülü PyTorch'u temel alır.

FedML-API, FedML çekirdeği üzerine kurulmuştur. FedML-core ile yeni dağıtılmış algoritmalar, müşteri odaklı programlama arayüzlerinin benimsenmesiyle kolaylıkla uygulanabilir.

FedML ekibinin son çalışması, tüketici sınıfı GPU RTX 4090'da AI modeli çıkarımı için FedML Nexus AI kullanmanın A100 kullanmaya kıyasla 20 kat daha ucuz ve 1,88 kat daha hızlı olduğunu gösteriyor.

Gönderen: FedML

Geleceğe Bakış: DePIN yapay zekanın demokratikleşmesini getiriyor

Bir gün yapay zeka daha da gelişerek AGI'ye dönüşecek ve bilgi işlem gücü fiilen evrensel para birimi haline gelecek. DePIN bu sürecin önceden gerçekleşmesini sağlayacaktır.

Yapay zeka ve DePIN'in kesişimi ve işbirliği, teknolojik büyümede yepyeni bir nokta açarak yapay zekanın gelişimi için muazzam fırsatlar sağladı. DePIN, yapay zekaya muazzam dağıtılmış bilgi işlem gücü ve veri sağlar; bu da daha büyük ölçekli modellerin eğitilmesine ve daha güçlü zeka elde edilmesine yardımcı olur. Aynı zamanda DePIN, yapay zekanın daha açık, güvenli ve güvenilir bir yöne doğru gelişmesine olanak tanıyarak tek bir merkezi altyapıya olan bağımlılığı azaltır.

İleriye baktığımızda yapay zeka ve DePIN sinerji içinde gelişmeye devam edecek. Dağıtılmış ağlar, DePIN uygulamalarında önemli rol oynayacak süper büyük modellerin eğitimi için güçlü bir temel sağlayacak. Yapay zeka, gizliliği ve güvenliği korurken aynı zamanda DePIN ağ protokolleri ve algoritmalarının optimizasyonuna da katkıda bulunacak. Yapay zeka ve DePIN'in daha verimli, adil ve güvenilir bir dijital dünya getirmesini sabırsızlıkla bekliyoruz.

Yasal Uyarı:

1. Bu makale şu adresten yeniden basılmıştır: [] Tüm telif hakları orijinal yazara aittir [**]. Bu yeniden basıma itirazlarınız varsa lütfen Gate Learn ekibiyle iletişime geçin; onlar konuyu hemen halledeceklerdir.
2. Sorumluluk Reddi: Th
   Bu makalede ifade edilen görüş ve düşünceler yalnızca yazara ait olup, herhangi bir yatırım tavsiyesi teşkil etmez.
3. Makalenin diğer dillere çevirileri Gate Learn ekibi tarafından yapılır. Aksi belirtilmedikçe tercüme edilen makalelerin kopyalanması, dağıtılması veya intihal edilmesi yasaktır.