AI x Crypto:Sıfırdan Zirveye

Giriş

Yapay zeka endüstrisi son zamanlarda hızlı bir gelişim gösterdi ve dördüncü sanayi devrimi olarak kabul ediliyor. Büyük dil modellerinin ortaya çıkışı, çeşitli sektörlerde verimliliği önemli ölçüde artırdı ve ABD için iş verimliliğini yaklaşık %20 oranında artırdığı tahmin ediliyor. Büyük modellerin genelleme yeteneği, yazılımın daha iyi performans göstermesini ve daha geniş giriş ve çıkışları desteklemesini sağlayan yeni bir yazılım tasarım paradigması olarak görülüyor. Derin öğrenme teknolojisi gerçekten de AI endüstrisine yeni bir refah dalgası getirdi ve bu dalga kripto para endüstrisini de etkiledi.

Bu rapor, AI endüstrisinin gelişim tarihini, teknoloji sınıflandırmasını ve derin öğrenme teknolojisinin sektöre etkisini ayrıntılı bir şekilde inceleyecektir. Derin öğrenmedeki GPU, bulut bilişim, veri kaynakları, kenar cihazları gibi tedarik zinciri yukarı ve aşağı akışının mevcut durumu ve trendlerini derinlemesine analiz edecektir. Kripto para birimleri ile AI endüstrisi arasındaki ilişkiyi özünde ele alarak, kripto para birimi ile ilgili AI tedarik zinciri yapısını inceleyecektir.

AI endüstrisinin gelişim tarihi

Yapay zeka endüstrisi 1950'li yıllardan itibaren başladı, akademik dünyada ve sanayi dünyasında farklı dönemlerde farklı disiplin arka planlarında, yapay zekayı gerçekleştiren çeşitli akımlar geliştirildi.

Modern yapay zeka teknolojisi, "makine öğrenimi" terimini kullanmaktadır; bu, makinelerin veriye dayanarak görevlerde tekrar tekrar iterasyon yaparak sistem performansını geliştirmesini sağlamayı amaçlar. Ana adımlar, verilerin algoritmaya gönderilmesi, bu verilerle modelin eğitilmesi, modelin test edilip dağıtılması ve modelin otomatik tahmin görevlerini yerine getirmesidir.

Şu anda makine öğreniminin üç ana akımı vardır: bağlanıcılık, sembolistlik ve davranışçılık. Bunlar sırasıyla insan sinir sistemi, düşünce ve davranışını taklit etmektedir.

Şu anda sinir ağlarıyla temsil edilen bağlantıcılık, ( derin öğrenme olarak da bilinir, başta olmak üzere üstünlük sağlamaktadır. Bunun başlıca nedeni, bu mimarinin bir girdi katmanı, bir çıktı katmanı olmasına rağmen birden fazla gizli katmana sahip olmasıdır. Katman sayısı ve nöron ) parametre ( sayısı yeterince yüksek olduğunda, karmaşık genel görevleri modelleme fırsatı yeterince fazladır. Verilerin girişiyle, nöronun parametreleri sürekli olarak ayarlanabilir ve nihayetinde birden fazla veri işleme sonrası, bu nöron en iyi duruma ulaşır ) parametre (, bu da "derinlik" teriminin kökenidir - yeterince fazla katman ve nöron.

![Yeni Bilgilendirme丨AI x Kripto: Sıfırdan Zirveye])https://img-cdn.gateio.im/webp-social/moments-0c9bdea33a39a2c07d1f06760ed7e804.webp(

Sinir ağına dayanan derin öğrenme teknolojisi, en erken dönem sinir ağlarından ileri beslemeli sinir ağları, RNN, CNN, GAN'a kadar birçok teknik iterasyon ve evrim geçirmiştir ve en sonunda modern büyük modellerin, örneğin GPT gibi, kullandığı Transformer teknolojisine evrimleşmiştir. Transformer teknolojisi, sinir ağlarının bir evrim yönüdür ve tüm modları ), ses, video, resim gibi ( verileri karşılık gelen sayısal temsilere kodlamak için bir dönüştürücü ekler. Daha sonra bu veriler sinir ağına giriş olarak verilir, böylece sinir ağı her türlü veriyi modelleyebilir ve çok modlu hale gelebilir.

![Yeni Kullanıcılar için Bilgilendirme丨AI x Kripto: Sıfırdan Zirveye])https://img-cdn.gateio.im/webp-social/moments-609c5dd6ee0abcec6bf9c118d7741867.webp(

Yapay zekanın gelişimi üç teknik dalga geçirmiştir. İlk dalga 1960'lı yıllarda gerçekleşmiştir ve bu dalga, sembolist teknolojinin gelişiminden kaynaklanarak genel doğal dil işleme ve insan-makine diyalog problemlerini çözmüştür. İkinci dalga 1997'de, IBM'in Deep Blue'nun satranç şampiyonunu yenmesiyle, yapay zekanın bir dönüm noktası olarak görülmüştür. Üçüncü dalga ise 2006'da derin öğrenme kavramının ortaya çıkmasıyla başlamış olup, bu, bağlayıcıcılığın zirve dönemidir.

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

Derin Öğrenme Endüstri Zinciri

Şu anda büyük model dillerinin hepsi sinir ağına dayalı derin öğrenme yöntemlerini kullanıyor. GPT'nin öncülüğünde büyük modeller bir yapay zeka patlaması yarattı ve birçok oyuncu bu alana akın etti, pazarın veri ve hesaplama gücüne olan talebi büyük ölçüde arttı. Derin öğrenme algoritmalarının endüstri zincirini keşfedeceğiz, yukarı ve aşağı akışın bileşenlerini, mevcut durumunu ve arz-talep ilişkisini, gelecekteki gelişimini analiz edeceğiz.

Transformer teknolojisine dayanan GPT öncülüğündeki LLM'ler ) büyük model ( eğitimi esasen üç aşamaya ayrılır:

1. Ön eğitim: Modellerin nöronlarının en iyi parametrelerini bulmak için büyük veri setleri kullanılır, bu süreç en fazla hesaplama gücünü tüketen süreçtir.

2. İnce ayar: Az sayıda yüksek kaliteli veri kullanarak eğitim yaparak modelin çıktı kalitesini artırma.

3. Pekiştirmeli Öğrenme: Çıktı sonuçlarını sıralamak için bir ödül modeli oluşturmak, büyük model parametrelerini otomatik olarak yinelemek.

![Yeni başlayanlar için bilgi丨AI x Crypto: Sıfırdan Zirveye])https://img-cdn.gateio.im/webp-social/moments-8848582a34ba293d15afae15d90e3c95.webp(

Büyük modelin performansını etkileyen başlıca üç unsur vardır: parametre sayısı, veri miktarı ve kalitesi, hesaplama gücü. Parametre sayısını p, veri miktarını n) Token sayısı ile hesaplayarak (, gerekli hesaplama miktarını deneysel kurallarla hesaplayabilir, satın alınması gereken hesaplama gücünü ve eğitim süresini tahmin edebiliriz.

Hesaplama gücü genellikle Flops cinsinden temel birim olarak ifade edilir ve bir kez kayan nokta işlemi anlamına gelir. Uygulamalı deneyimlere göre, büyük bir modelin ön eğitiminde yaklaşık 6np Flops gerekmektedir. ) girdi verisi için ( büyük model çıktısını beklemek yaklaşık 2np Flops gerektirir.

Erken dönemde işlem gücü desteği için CPU yongaları kullanıldı, daha sonra giderek GPU'lar ile değiştirildi, örneğin Nvidia'nın A100, H100 yongaları gibi. GPU'lar, Tensor Core modülü aracılığıyla ondalık işlemleri gerçekleştirir ve yonganın ana ölçüm kriterlerinden biridir.

Derin öğrenme endüstri zinciri esas olarak şunları içerir:

1. Donanım GPU sağlayıcıları
2. Bulut Hizmeti Sağlayıcıları
3. Eğitim Veri Kaynağı Sağlayıcıları
4. Veritabanı Sağlayıcıları
5. Kenar Aygıtı
6. Uygulama

![Yeni Başlangıçlar丨AI x Kripto: Sıfırdan Zirveye])https://img-cdn.gateio.im/webp-social/moments-53c48daf49a3dbb35c1a2b47e234f180.webp(

Crypto ve AI arasındaki ilişki

Blockchain teknolojisi, ZK ile birleşerek merkeziyetsiz + güvene dayalı bir düşünce haline gelmiştir. Esasında, tüm blockchain ağı bir değer ağıdır; her işlem, temel token'e dayalı bir değer dönüşümüdür. Token ekonomisi, ağın yerel token'larının göreceli değerlerini belirler; her boyut için fiyatlandırma yapılamasa da, token fiyatı çok boyutlu bir değeri yansıtır.

Token ekonomisi, ağlara, işlevlere ve fikirlere değer katabilir, dünyadaki her şeyi değerli hale getirebilir. Bu değerlerin yeniden tanımlanması ve keşfedilmesi aracı, AI endüstrisi için de son derece önemlidir. AI sanayi zincirinde token ihraç etmek, tüm yönlerin değer yeniden şekillendirmesine olanak tanır ve daha fazla insanı AI'nın farklı alanlarında derinleşmeye teşvik eder. Aynı zamanda tüm projeler sermaye değer artışı elde edecek ve tokenlar, ekosistemi geri besleyerek belirli bir felsefi düşüncenin doğmasına yardımcı olabilir.

Blok zinciri teknolojisinin değiştirilemez ve güvene ihtiyaç duymayan özellikleri, AI sektöründe de pratik bir anlama sahiptir ve güven gerektiren uygulamaların gerçekleştirilmesini sağlar. GPU yetersiz olduğunda, blok zinciri ağı üzerinden dağıtım yapılabilir, kullanılmayan GPU'lar da ağına hesaplama gücü katkısında bulunarak yeniden değer kazanabilir.

Sonuç olarak, token ekonomisi değer yeniden şekillendirmeyi ve keşfetmeyi teşvik edebilir, merkeziyetsiz defter ise güven sorununu çözerek değerin küresel ölçekte yeniden akışını sağlayabilir.

![Yeni Başlayanlar için Bilgilendirme丨AI x Crypto: Sıfırdan Zirveye])https://img-cdn.gateio.im/webp-social/moments-250a286e79261e91a0e7ac4941ff5c76.webp(

Kripto sektörü AI ile ilgili proje genel görünümü

1. GPU arz tarafı:

Ana projeler arasında Render gibi projeler bulunmaktadır. Render, 2020 yılında piyasaya sürüldü ve esas olarak büyük model olmayan video render görevleri için kullanılmaktadır. Gerçek iş hacmine sahip köklü bir DePIN projesi olarak, Render gerçekten AI/DePIN rüzgarından başarı elde etti, ancak sıkı anlamda AI alanına girmez.

2. Donanım Bant Genişliği:

Ana projeler arasında Meson Network gibi projeler bulunmaktadır. Ancak, paylaşılan bant genişliği sahte bir kavram olabilir çünkü verilerin uzakta depolanması gecikmelere yol açabilir, bu da yerel depolamadan daha az etkilidir.

3. Veri:

EpiK Protokolü, Synesis One, Masa gibi projeleri içerir. Web3 veri sağlayıcılarının avantajı, veri toplama tarafında kişilerin veri katkısında bulunup fiyatlandırma alabilmesidir. ZK yönündeki veri sağlayıcıları, Masa gibi, iyi bir gelişim potansiyeline sahip olabilir.

4. ZKML:

Homomorfik şifreleme teknolojisini kullanarak verileri zincir dışı akıl yürütme ile işleyin, ardından sonuçları ve ZK kanıtlarını yükleyin, veri gizliliğini ve akıl yürütme verimliliğini garanti edin. Ana projeler arasında Axiom, Risc Zero, Ritual bulunmaktadır.

5. AI Uygulamaları:

Şu anda gelişim oldukça zayıf. Temelde geleneksel blok zinciri uygulamaları + otomasyon ve genelleştirme yetenekleri. Fetch.AI gibi AI Ajansı tipiktir, kullanıcılara karmaşık zincir üzerindeki kararları almada yardımcı olabilir.

6. AI Kamu Blokzinciri:

Tensor, Allora, Hypertensor, AgentLayer gibi, AI modelleri veya ajanlar için özel olarak inşa edilen uyarlanabilir ağlar.

![Yeni Bilgilendirme丨AI x Crypto: Sıfırdan Zirveye])https://img-cdn.gateio.im/webp-social/moments-8358c377eb2c07467848b3b46dbf1056.webp(

Özet

Mevcut bilinen AI gelişimi esas olarak derin öğrenme teknolojisine dayanmaktadır, ancak bu tüm AI gelişim yönlerini temsil etmez. Derin öğrenme genel yapay zekayı gerçekleştiremese de, zaten mevcut uygulama senaryoları vardır ve bunlara akıllıca yatırım yapmak gerekir.

Blockchain ve token ekonomisi, AI sektöründe olumlu bir etki yaratmakta, sanayi zincirinin değerini yeniden şekillendirmekte ve daha fazla katılımı teşvik etmektedir. Blockchain teknolojisi ayrıca güven gerektiren bazı AI uygulamalarını da gerçekleştirebilir.

GPU hesaplama ağlarının dezavantajı bant genişliği sorunudur, eğitim hızı yavaştır, şu anda acil olmayan küçük modeller için daha uygundur. Orta ve büyük ölçekli işletmeler hala geleneksel bulut platformlarını tercih etmektedir.

Genel olarak, AI ve kripto para birimlerinin birleşimi pratik bir işe sahiptir, token ekonomisi daha geniş bir değer keşfetmekte ve yeniden şekillendirmekte, merkeziyetsiz defter güven sorunlarını çözmekte, değerin akışını sağlamakta ve artı değeri keşfetmektedir.

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