• Ortaya çıkma: Birçok küçük varlığın etkileşime girerek daha büyük bir bütün oluşturması ve kimya alanında incelenen biyolojik sistemlerde gözlemlenen ortaya çıkma gibi tek tek bileşenlerin sahip olmadığı yeni özellikler sergilemesi olgusu.
• Halüsinasyon: Modellerin aldatıcı veriler üretme eğilimi, yapay zeka modellerinin doğru gibi görünen ancak aslında hatalı olan çıktılar üretmesi.

AI ve Crypto arasındaki bağlantı farklı dalgalanmalar göstermiştir. AlphaGo'nun 2016 yılında insan profesyonel Go oyuncularını yenmesinden bu yana, kripto dünyasında Fetch.AI gibi projelerin kendiliğinden ortaya çıkması gibi ikisini birleştirme girişimlerine tanık olundu. GPT-4'ün 2023'te ortaya çıkmasıyla birlikte, AI + Crypto eğilimi yeniden canlandı ve WorldCoin'in çıkarılmasıyla örneklendi. İnsanlık, yapay zekanın üretkenlikten sorumlu olduğu ve Kripto'nun dağıtımı gerçekleştirdiği ütopik bir döneme girmeye hazır görünüyor.

OpenAI'nin metinden videoya sentezleme için Sora uygulamasını başlatmasının ardından bu duyarlılık zirveye ulaştı. Ancak duygular genellikle mantık dışı unsurlar içerir. Örneğin Li Yizhou, yanlış anlaşılan kesimin bir parçası gibi görünüyor:

• Belirli YZ uygulamalarının algoritma geliştirme ile birleştirilmesi. Sora ve GPT-4'ün altında yatan Transformer ilkeleri açık kaynak olsa da, her ikisini de kullanmak OpenAI'ye ödeme yapılmasını gerektirir.
• Yapay zeka ve Kripto kombinasyonu şu anda daha çok Kripto'nun yapay zekaya yaklaşma girişiminde bulunuyor, çünkü büyük yapay zeka devleri net bir isteklilik göstermedi. Bu aşamada, yapay zekanın Kripto için yapabilecekleri, Kripto'nun yapay zeka için yapabileceklerinden daha ağır basıyor.
• Kripto uygulamalarında AI teknolojisini kullanmak, blockchain oyunları, GameFi, metaverse projeleri, Web3 Oyunları ve AW evrenindeki dijital kişilikler gibi uygulamalarda görüldüğü gibi AI ve Kripto entegrasyonuna eşit değildir.
• Kripto'nun yapay zeka teknolojisinin geliştirilmesine yapabileceği katkılar, öncelikle üç yapay zeka bileşeninde ademi merkeziyetçilik ve belirteç teşviklerini içerir: bilgi işlem gücü, veri ve modeller.
• WorldCoin, yapay zeka ve kripto teknolojilerinin kesiştiği noktada konumlanan zkML ve ilk büyük ölçekli uygulamasını gerçekleştiren UBI (Evrensel Temel Gelir) teorisi ile her ikisinin başarılı bir entegrasyonu olarak hizmet vermektedir.

Bu makalede, yapay zeka uygulamalarını vurgulayan mevcut Kripto projeleri çoğunlukla pazarlama hileleri olarak görüldüğünden ve tartışmamıza elverişli olmadığından, Kripto'nun yapay zekaya getirebileceği faydalara odaklanılacaktır.

Doğrusal Regresyondan Transformatöre

Uzun bir süredir yapay zeka ile ilgili tartışmaların odak noktası, yapay zekanın "ortaya çıkışının" "Matrix" filmindekine benzer bilinçli varlıkların ya da silikon temelli bir medeniyetin yaratılmasına yol açıp açmayacağı olmuştur. Sora'nın ortaya çıkışı gibi son örnekler ve GPT-4 (2023), AlphaGo (2016) ve IBM'in Deep Blue'sunun 1997'de bir satranç dünya şampiyonunu yenmesi gibi daha önceki örneklerle birlikte, insanlar ve YZ teknolojileri arasındaki etkileşime ilişkin endişeler devam etmiştir.

Bu tür endişeler gerçekleşmemiş olsa da, biraz rahatlayalım ve yapay zekanın arkasındaki mekanizmayı kısaca özetleyelim.

Ünlü bir Çinli aktör olan Jia Ling'in kilo verme mekanizması gibi basit bir doğrusal denklem olan doğrusal regresyondan yola çıkarak aşağıdaki genellemeyi yapabiliriz. Burada, x ve y kalori alımı ve kilo arasındaki ilişkiyi temsil eder, daha fazla yemenin doğal olarak kilo almaya yol açtığını ve kilo vermek istiyorsanız daha az yemeniz gerektiğini gösterir.

Ancak bu yaklaşım bazı sorunları da beraberinde getirmektedir. Öncelikle, insan boyunun ve kilosunun fizyolojik sınırları vardır ve 3 metrelik devler ya da bin kiloluk kadınlarla karşılaşmak pek olası değildir. Bu nedenle, bu sınırların ötesindeki durumların dikkate alınması pratik açıdan önem taşımamaktadır. İkinci olarak, sadece daha az yemek ve daha fazla egzersiz yapmak kilo vermenin bilimsel ilkelerine uymaz ve ciddi durumlarda vücuda zarar verebilir.

Ağırlığı boyun karesine bölerek ağırlık ve boy arasındaki ilişkiyi ölçen Vücut Kitle İndeksini (VKİ) tanıtıyoruz. Boy ve kilo arasındaki ilişkiyi değerlendirmek için üç faktör (yemek, uyku ve egzersiz) aracılığıyla, şimdi üç parametreye ve iki çıktıya ihtiyacımız var. Doğrusal regresyonun yetersiz olduğu açıktır ve bu da sinir ağlarının ortaya çıkmasına neden olmaktadır. Adından da anlaşılacağı gibi, sinir ağları insan beyninin yapısını taklit eder ve daha fazla düşünmenin daha fazla rasyonelliğe yol açma olasılığı vardır. Derin öğrenme olarak bilinen düşünme sıklığını ve derinliğini artırmak (burada biraz gevşek bir benzetme yapıyorum), harekete geçmeden önce daha kapsamlı düşünmeyi sağlar.

Yapay Zeka Algoritmalarının Gelişim Tarihine Kısa Bir Bakış

Ancak, katman sayısındaki artış sınırsız değildir; hala bir tavan vardır. Kritik bir eşiğe ulaşıldığında, etkinlik azalabilir. Bu nedenle, mevcut bilgiler arasındaki ilişkiyi daha makul bir şekilde anlamak elzem hale gelmektedir. Örneğin, boy ve kilo arasındaki daha incelikli ilişkinin derinlemesine anlaşılması, daha önce fark edilmeyen faktörlerin keşfedilmesi veya Jia Ling'in en iyi koçu bulmasına rağmen kilo verme arzusunu doğrudan ifade etmekten çekinmesi gibi.

Bu tür senaryolarda, Jia Ling ve koç kodlama ve kod çözmede rakipler oluşturarak, her iki tarafın da gerçek niyetlerini temsil eden anlamları ileri geri aktarırlar. Ancak, "Kilo vermek istiyorum, işte koç için bir hediye" şeklindeki açık ifadenin aksine, her iki tarafın da gerçek niyetleri "anlamın" arkasında gizlidir.

Bir gerçeği fark ediyoruz: iki taraf arasındaki yineleme sayısı yeterliyse, her iletişimin anlamının deşifre edilmesi daha kolay hale gelir.

Bu modeli genişletirsek, sözcükler ve cümleler arasındaki bağlamsal ilişkileri inceleyen ve halk arasında Büyük Dil Modeli (LLM) olarak bilinen modeli temsil eder. Günümüzde büyük modeller, görüntüler ve videolar gibi senaryoları da kapsayacak şekilde genişlemiştir.

Yapay zeka spektrumunda, ister basit bir doğrusal regresyon ister son derece karmaşık bir Transformatör olsun, hepsi algoritma veya modeldir. Bunlara ek olarak, iki temel faktör vardır: bilgi işlem gücü ve veri.

Açıklama: Yapay zekanın kısa gelişim tarihi, Kaynak: https://ourworldindata.org/brief-history-of-ai

Basitçe ifade etmek gerekirse, yapay zeka verileri işleyen, hesaplamalar yapan ve sonuçlar üreten bir makinedir. Bununla birlikte, robotlar gibi fiziksel varlıklarla karşılaştırıldığında, yapay zeka daha sanaldır. Bilgi işlem gücü, veri ve modeller açısından Web2 ticarileştirmesinde mevcut operasyonel süreç aşağıdaki gibidir:

• Veriler, profesyonel açıklama ve ön işleme gerektiren kamuya açık veriler, şirkete ait veriler ve ticari veriler olarak ikiye ayrılır. Örneğin Scale AI, ana akım yapay zeka şirketleri için veri ön işleme sağlıyor.
• Bilgi işlem gücü iki moda ayrılır: kendi kendine inşa edilen ve bulut bilişim kiralama. Şu anda NVIDIA GPU donanımını domine ediyor ve CUDA kütüphanesi uzun yıllardır hazırlanıyor. Donanım ve yazılım ekosistemi tek bir şirketin hakimiyetinde. İkinci seçenek ise Microsoft'un Azure, Google Cloud ve AWS gibi tek elden bilgi işlem ve model dağıtım hizmetleri sunan bulut hizmet sağlayıcılarının bilgi işlem gücünü kiralamasıdır.
• Modeller çerçeveler ve algoritmalar olarak sınıflandırılabilir. Modellerin savaşı, Google'ın TensorFlow'unun ilk gerilemeyi almasına rağmen ilk sırada yer alması ve Meta'nın PyTorch'unun daha sonra gelmesine rağmen lider olmasıyla çoktan sonuçlandı. Bununla birlikte, ister Transformer'ı tanıtan Google olsun, ister PyTorch ile Meta olsun, her ikisi de ticarileşmede yavaş yavaş OpenAI'nin gerisinde kalıyor. Bununla birlikte, güçleri hala zorludur; algoritmalar şu anda Transformer tarafından domine edilmektedir ve çeşitli büyük modeller esas olarak veri kaynakları ve ayrıntılar açısından rekabet etmektedir.

Yapay Zekanın Çalışma Süreci

Daha önce de belirtildiği gibi, yapay zeka uygulamaları, Vitalik'in bahsettiği ve halihazırda kullanıma sunulmuş olan kod düzeltme gibi çok çeşitli alanlara sahiptir. Farklı bir perspektiften bakıldığında, Kripto'nun yapay zekaya katkısı öncelikle merkezi olmayan veri pazarları, merkezi olmayan bilgi işlem gücü platformları vb. gibi teknik olmayan alanlara odaklanmaktadır. Merkezi olmayan Büyük Dil Modelleri (LLM'ler) ile bazı deneyler yapılmıştır. Bununla birlikte, Kripto kodunu yapay zeka ile analiz etmenin ve blok zincirinde büyük ölçekli yapay zeka modelleri çalıştırmanın temelde farklı olduğunu belirtmek çok önemlidir. Bazı Kripto unsurlarını AI modellerine dahil etmek, mükemmel bir entegrasyon olarak kabul edilemez.

Şu anda Crypto, üretim ve teşvikler konusunda üstünlük sağlamaktadır. Yapay zekanın üretim paradigmasını Kripto ile zorla değiştirmek gereksizdir. Akılcı seçim, Kripto'yu yapay zeka iş akışlarına entegre etmek ve yapay zekayı Kripto ile güçlendirmektir. İşte özetlediğim bazı potansiyel entegrasyonlar:

1. DePIN'in veri toplaması gibi merkezi olmayan veri üretimi ve finansal analiz, güvenlik analizi ve veri eğitimi için zengin işlem verileri içeren zincir içi verilerin açıklığı.
2. Geleneksel ön eğitimin aşılmaz teknik engeller oluşturmadığı merkezi olmayan ön işleme platformları. Avrupa ve Amerika Birleşik Devletleri'ndeki büyük modellerin ardında, üçüncü dünya ülkelerinde elle not alanların yüksek yoğunluklu emeği yatmaktadır.
3. Merkezi olmayan teşvikler ve kişisel bant genişliği, GPU hesaplama gücü ve diğer donanım kaynaklarının kullanımı ile merkezi olmayan bilgi işlem gücü platformları.
4. zkML, veri duyarsızlaştırma gibi geleneksel gizlilik yöntemleri sorunu tam olarak çözemeyebilir. zkML, veri yönlülüğünü gizleyebilir ve açık kaynaklı ve kapalı kaynaklı modellerin gerçekliğini ve etkinliğini etkili bir şekilde değerlendirebilir.

Bu dört husus, Kripto'nun yapay zekayı güçlendirebileceğini düşündüğüm potansiyel senaryolardır. Yapay zeka çok yönlü bir araçtır ve Kripto için yapay zeka alanları ve projeleri burada daha fazla tartışılmamaktadır; bunları kendi başınıza keşfedebilirsiniz.

Kripto'nun şu anda esas olarak şifreleme, gizlilik koruması ve ekonomik tasarımda rol oynadığı gözlemlenebilir. Tek teknik entegrasyon girişimi zkML'dir. Burada biraz beyin fırtınası yapalım: gelecekte Solana TPS gerçekten 100.000+'ya ulaşabilirse ve Filecoin ile Solana'nın kombinasyonu mükemmel olursa, zincir üzerinde bir LLM ortamı yaratabilir miyiz? Bu, Crypto'nun AI'ya entegre edildiği mevcut eşitsiz ilişkiyi değiştirerek potansiyel olarak gerçek bir zincir içi AI oluşturabilir.

Yapay Zeka İş Akışlarına Web3 Entegrasyonu

Herkesin bildiği gibi, NVIDIA RTX 4090 ekran kartı şu anda belirli bir Doğu Asya ülkesinde elde edilmesi zor olan değerli bir üründür. Daha da vahimi, bireyler, küçük şirketler ve akademik kurumlar da ekran kartı kriziyle karşı karşıya kaldı. Sonuçta, büyük ticari şirketler büyük harcama yapanlardır. Kişisel satın almalar ve bulut sağlayıcıları dışında üçüncü bir yol açılabilirse, bunun tamamen spekülatif amaçlardan uzaklaşarak pratik bir iş değeri olacağı açıktır. Yapay zeka için Web3'ün mantıksal yaklaşımı, "Web3 kullanılmazsa, proje sürdürülemez" şeklinde olmalıdır.

Web3 Perspektifinden Yapay Zeka İş Akışı

Veri kaynağı: Grass ve DePIN Otomotiv Ekosistemi

Wynd Network tarafından tanıtılan Grass, boşta kalan bant genişliğini satmak için bir pazar yeridir. Grass, veri toplama ve dağıtımı için açık bir ağ görevi görerek kendisini basit veri toplama ve satışından ayırır. Grass, giderek daha kapalı hale gelen ağ ortamında gezinmek için verileri temizleme ve doğrulama işlevlerine sahiptir. Bunun ötesinde Grass, yapay zeka modelleriyle doğrudan arayüz oluşturarak onlara kolayca kullanılabilir veri kümeleri sağlamayı amaçlıyor. YZ veri kümeleri, YZ modellerinin özel ihtiyaçlarını karşılamak için kapsamlı manuel ince ayarlar da dahil olmak üzere profesyonel kullanım gerektirir.

Bunu genişleten Grass, veri satışı konusunu ele alırken, Web3'ün DePIN sektörü yapay zekanın ihtiyaç duyduğu verileri üretebilir. Bu sektör öncelikle araçların otomatik sürüşüne odaklanmaktadır. Geleneksel olarak otonom sürüş, şirketlerin ilgili verileri biriktirmesini gerektiriyordu. Ancak DIMO ve Hivemapper gibi projeler doğrudan araçlar üzerinde çalışarak giderek artan miktarda sürüş bilgisi ve yol verisi toplamaktadır.

Önceki otonom sürüş senaryolarında, araç tanıma teknolojisi ve yüksek hassasiyetli haritalar çok önemliydi. Yüksek hassasiyetli haritalar gibi bilgiler NavInfo gibi şirketler tarafından toplanarak sektörün önünde engeller oluşturmuştur. Yeni gelenler Web3 verilerinden yararlanırlarsa, rakiplerini virajda geçme fırsatına sahip olabilirler.

Veri Önişleme: Yapay Zeka Tarafından Köleleştirilen İnsanları Özgürleştirmek

Yapay zeka iki bölüme ayrılabilir: manuel açıklama ve akıllı algoritmalar. Kenya ve Filipinler gibi manuel açıklama için değer eğrisinin en düşük olduğu üçüncü dünya bölgelerinde bu görevden insanlar sorumludur. Bu arada, Avrupa ve Amerika Birleşik Devletleri'ndeki yapay zeka ön işleme şirketleri gelirin aslan payını alıyor ve daha sonra bunu yapay zeka araştırma ve geliştirme şirketlerine satıyor.

Yapay zekanın ilerlemesiyle birlikte, daha fazla şirket bu işe göz dikiyor. Rekabet karşısında, veri açıklama birim fiyatı düşmeye devam ediyor. Bu iş esas olarak, captcha'ları tanımak gibi görevlere benzer şekilde, teknik bir eşik olmadan ve hatta 0,01 RMB gibi ultra düşük fiyatlarla veri etiketlemeyi içerir.

Source: https://aim.baidu.com/product/0793f1f1-f1cb-4f9f-b3a7-ef31335bd7f0

Bu senaryoda, Public AI gibi Web3 veri açıklama platformları pratik bir iş pazarına sahiptir. YZ işletmelerini veri açıklama çalışanlarıyla ilişkilendirerek, basit bir iş düşük fiyat rekabet modelini bir teşvik sistemiyle değiştiriyorlar. Bununla birlikte, Scale AI gibi olgun şirketlerin açıklama teknolojisinde güvenilir kaliteyi garanti ettiğini unutmamak gerekir. Merkezi olmayan veri açıklama platformları için kalitenin kontrol edilmesi ve kötüye kullanımın önlenmesi mutlak gerekliliklerdir. Esasen bu, salt veri ölçeği ve miktarının tek başına işletmeleri ikna edemeyeceği bir C2B2B kurumsal hizmeti temsil etmektedir.

Donanım Özgürlüğü: Render Ağı ve Bittensor

Bitcoin madencilik donanımlarının aksine, şu anda özel bir Web3 AI donanımının bulunmadığı açıklığa kavuşturulmalıdır. Mevcut bilgi işlem gücü ve platformları, esasen DePIN sektörü kapsamına giren, eklenen Kripto teşvik katmanları ile olgun donanımdan dönüştürülür. Ancak, veri kaynağı projelerinden farklı olduğu için burada AI iş akışına dahil edilmiştir.

DePIN'in tanımı için lütfen daha önce yazdığım makaleye bakın: Helyum'dan önce DePIN: Bitcoin, Arweave ve STEPN'i Keşfetmek

Render Network, başlangıçta yapay zeka için tasarlanmamış uzun soluklu bir projedir. Adından da anlaşılacağı üzere render işlemine odaklanarak 2017 yılında faaliyetlerine başlamıştır. O zamanlar GPU'lara talep yoktu, ancak pazar fırsatları yavaş yavaş ortaya çıktı. GPU pazarı, özellikle de NVIDIA'nın tekelindeki üst düzey GPU'lar, fahiş fiyatlar nedeniyle render, yapay zeka ve metaverse kullanıcılarının girişini engelledi. Talep ve arz arasında bir kanal oluşturulabilirse, paylaşımlı bisikletlere benzer bir ekonomik modelin kurulma şansı olabilir.

Dahası, GPU kaynakları donanımın fiilen aktarılmasını gerektirmez; yazılım kaynakları kullanılarak tahsis edilebilirler. Render Network'ün 2023 yılında Solana ekosistemine geçerek Polygon'u terk ettiğini de belirtmek gerekir. Solana'ya geçiş, yeniden canlanmasından önce bile, zaman içinde doğru bir karar olduğunu kanıtladı. GPU kullanımı ve dağıtımı için yüksek hızlı bir ağ çok önemli bir gerekliliktir.

Render Network yerleşik bir proje olarak kabul edilebilirse, Bittensor şu anda ivme kazanıyor.

BitTensor, ekonomik teşvikler yoluyla yapay zeka modellerini eğitmek amacıyla Polkadot'un üzerine inşa edilmiştir. Düğümler, Kripto projelerindeki klasik zincir içi süreçlere benzeyen yapay zeka modellerini minimum hata veya maksimum verimlilikle eğitmek için rekabet eder. Ancak asıl eğitim süreci için hala NVIDIA GPU'ları ve geleneksel platformlar gerekiyor, bu da onu Kaggle gibi yarışma platformlarına benzer hale getiriyor.

zkML ve UBI: Worldcoin'in İkili Yönü

Zero-Knowledge Machine Learning (zkML), veri sızıntıları, gizlilik hataları ve model doğrulama gibi sorunları ele almak için yapay zeka modeli eğitim sürecine zk teknolojisini dahil eder. İlk ikisini anlamak kolaydır - zk ile şifrelenmiş veriler, kişisel veya özel bilgiler sızdırılmadan eğitilebilir.

Model doğrulama, kapalı kaynaklı modellerin değerlendirilmesini ifade eder. zk teknolojisi ile bir hedef değer belirlenebilir ve kapalı kaynaklı modellerin hesaplama sürecini ifşa etmeden sonuç doğrulama yoluyla yeteneklerini kanıtlamalarına olanak tanır.

Worldcoin sadece zkML'yi erkenden öngörmekle kalmayıp aynı zamanda Evrensel Temel Geliri (UBI) de savunmaktadır. Vizyonuna göre, gelecekteki yapay zeka üretkenliği insan talep sınırlarını çok aşacaktır. Asıl zorluk, yapay zeka faydalarının adil bir şekilde dağıtılmasıdır ve UBI konsepti, adalet ilkelerine bağlı kalmak için gerçek kişi biyometrik tanıma gerektiren $WLD token aracılığıyla küresel olarak paylaşılacaktır.

Elbette, zkML ve UBI hala erken deneysel aşamalarda, ancak yakından takip etmeye devam edeceğim ilgi çekici gelişmeler.

Sonuç

Transformatör ve Büyük Dil Modelleri (LLM'ler) ile temsil edilen yapay zekanın gelişimi, doğrusal regresyon ve sinir ağlarına benzer şekilde giderek darboğazlarla karşı karşıya kalmaktadır. Marjinal getiriler azalacağından, model parametrelerini veya veri hacmini süresiz olarak artırmak mümkün değildir.

Yapay zeka bilgelikle ortaya çıkan tohum oyuncu olabilir, ancak halüsinasyon sorunu şu anda ciddi boyutlarda. Kripto'nun yapay zekayı değiştirebileceği inancının bir güven biçimi ve standart bir halüsinasyon olduğu gözlemlenebilir. Kripto'nun eklenmesi teknik olarak halüsinasyon sorunlarını çözmese de, en azından adalet ve şeffaflık açısından bazı yönleri değiştirebilir.

Referanslar:

1. OpenAI: "GPT-4 Teknik Raporu", 2023; arXiv:2303.08774.
2. Ashish Vaswani, Noam Shazeer, Niki Parmar, Jakob Uszkoreit, Llion Jones, Aidan N. Gomez, Lukasz Kaiser, Illia Polosukhin: "Attention Is All You Need", 2017; arXiv:1706.03762.
3. Jared Kaplan, Sam McCandlish, Tom Henighan, Tom B. Brown, Benjamin Chess, Rewon Child, Scott Gray, Alec Radford, Jeffrey Wu, Dario Amodei: "Scaling Laws for Neural Language Models", 2020; arXiv:2001.08361.
4. Hao Liu, Wilson Yan, Matei Zaharia, Pieter Abbeel: "RingAttention ile Milyon Uzunlukta Video ve Dil Üzerinde Dünya Modeli", 2024; arXiv:2402.08268.
5. Max Roser (2022) - "Yapay zekanın kısa tarihi: Dünya hızla değişti - sırada ne olabilir?" OurWorldInData.org adresinde çevrimiçi olarak yayınlanmıştır. Erişim adresi: 'https://ourworldindata.org/brief-history-of-ai'[Çevrimiçi Kaynak]
6. Sıfır bilgi makine öğrenimine (ZKML) giriş
7. Kripto ve Yapay Zekanın Kesişimini Anlamak
8. Çim, Yapay Zekanın Veri Katmanıdır
9. Bittensor: Eşler Arası İstihbarat Pazarı

Sorumluluk Reddi：

1. Bu makale[佐爷歪脖山] adresinden yeniden basılmıştır, Tüm telif hakları orijinal yazara aittir[佐爷]. Bu baskıya itirazınız varsa, lütfen Gate Learn ekibiyle iletişime geçin, onlar bu konuyu derhal ele alacaklardır.
2. Sorumluluk Reddi: Bu makalede ifade edilen görüş ve fikirler yalnızca yazara aittir ve herhangi bir yatırım tavsiyesi teşkil etmez.
3. Makalenin diğer dillere çevirisi Gate Learn ekibi tarafından yapılmaktadır. Belirtilmediği sürece, çevrilen makalelerin kopyalanması, dağıtılması veya intihal edilmesi yasaktır.