Yapay zeka, son zamanlarda kripto piyasalarında en popüler ve umut verici kategorilerden biridir.

💡 merkezi olmayan ai eğitimi

💡gpu depins

💡sansürlenmemiş yapay zeka modelleri

Bu atılımlar mı yoksa sadece moda kelimeler mi? 🤔

hack vc, gürültüyü ayırıp vaatten gerçeği ayırmak için kesiyoruz.

Bu yazı en iyi kripto x AI fikirlerini açıklar. Gerçek zorlukları ve fırsatları tartışalım.

başlangıçta vaat eden fikirler, ancak gerçekte karşılaşılan zorluklar.

Öncelikle, 'web3 ai'nin vaadiyle başlayalım'—oldukça fazla hype'a sahip fikirler, ancak gerçeklik parlak olmayabilir.

fikir #1: merkezi olmayan yapay zeka eğitimi

ai eğitiminin zincirde yapılmasının sorunu, eğitimin eğitildiğinde sinir ağlarının geri yayılım gerektirmesi nedeniyle gpu'lar arasında yüksek hızda iletişim ve koordinasyon gerektirmesidir. nvidia bunun için iki yenilikçi çözüm sunuyor (NVLinkveInfiniBand). Bu teknolojiler, gpu iletişimini son derece hızlı hale getirir, ancak bunlar sadece tek bir veri merkezi içinde bulunan gpu kümeleri içinde uygulanabilir olan yerel teknolojilerdir (50+ gigabit hızlar).

Eğer resme merkezi olmayan bir ağ eklerseniz, birden eklenen ağ gecikmesi ve bant genişliği nedeniyle derecelerle daha yavaş olursunuz. Bu, AI eğitim kullanım durumları için Nvidia'nın veri merkezi içindeki yüksek hızlı bağlantısından aldığınız verimlilikle karşılaştırıldığında kabul edilemez bir durumdur.

gelecekte umut verebilecek bazı yenilikler olduğunu unutmayın:

• infiniband üzerinde dağıtılmış eğitim, nvidia kendisi dağıtılmış, yerel olmayan eğitimi destekliyor. Nvidia kolektif iletişim kütüphanesi üzerinden infiniband üzerinde eğitim yapılıyor. Ancak henüz yeni olduğu için benimseme metrikleri bilinmiyor. bkz.burada. fizik yasalarının uzaklık üzerindeki darboğazı hala geçerlidir, bu nedenle infiniband üzerinde yerel eğitim hala önemli ölçüde daha hızlıdır.
• Merkezi olmayan eğitim için, merkezi olmayan eğitimi gelecekte potansiyel olarak daha pratik hale getirebilecek daha az iletişim senkronizasyonuna dayanan bazı yeni araştırmalar yayınlandı. görmek buradaveburada.
• Akıllı parçalama ve model eğitiminin zamanlaması performansı artırmanıza yardımcı olabilir. Benzer şekilde, gelecekte dağıtılmış altyapı için yeni model mimarileri benzersiz şekilde tasarlanabilir (gensyn bu alanlarda araştırma yapıyor).

Eğitimin veri bileşeni de zorlu bir süreçtir. Herhangi bir yapay zeka eğitim süreci, geniş miktarda veriyle çalışmayı gerektirir. Genellikle, modeller yüksek ölçeklenebilirlik ve performans ile merkezi ve güvenli veri depolama sistemlerinde eğitilir. Bu, terabaytlarca verinin aktarılmasını ve işlenmesini gerektirir ve bu bir kezlik bir döngü değildir. Veri genellikle gürültülüdür ve hatalar içerir, bu nedenle modelin eğitiminden önce kullanılabilir bir formata temizlenmesi ve dönüştürülmesi gerekir. Bu aşama, normalleştirme, filtreleme ve eksik değerlerin işlenmesi gibi tekrarlayan görevleri içerir. Tüm bunlar merkezi olmayan bir ortamda ciddi zorluklar ortaya çıkarmaktadır.

eğitimin veri bileşeni de aynı şekilde tekrarlanır, bu da web3'e iyi uymaz. OpenAI'nın sonuçlarına ulaşması için binlerce tekrar gerekti. Bir yapay zeka ekibindeki bir veri bilimci uzmanının en temel görev senaryosu, hedefleri tanımlamak, veri hazırlamak ve önemli bilgileri çıkarmak ve modellemeye uygun hale getirmek için veriyi analiz etmek ve yapılandırmaktır. Ardından, tanımlanan problemin çözümü için bir makine öğrenimi modeli geliştirilir ve performansı bir test veri kümesi kullanılarak doğrulanır. Bu süreç tekrarlıdır: mevcut model beklenildiği gibi performans göstermezse, uzman sonuçları iyileştirmek için veri toplama veya model eğitim aşamasına geri döner. Şimdi, bu süreci web3'te en iyi mevcut çerçeve ve araçların kolayca mevcut olmadığı merkezi olmayan bir ortamda hayal edin.

zincir üzerinde ai modellerinin eğitilmesiyle ilgili diğer endişe, bu işin kesinlikle inferansla karşılaştırıldığında çok daha az ilginç bir pazar olmasıdır. Şu anda, ai llm eğitimi için kullanılan muazzam miktarda gpu hesaplama var. Ancak uzun vadede, inferans (çok daha fazla) gpu'nun daha yaygın kullanım durumu haline gelecektir. Dünyanın mutlu olması için kaç ai llm'in eğitilmesi gerektiğini düşünün, bu sayıyı kullanacak müşteri sayısı ile karşılaştırın.

Tüm alanlarda ilerleme kaydeden bir çözüm, hem zincir üstü veri depolama hem de veri erişilebilirlik altyapısı sağlayan hack vc tarafından desteklenen 0g.ai'dir. Ultra hızlı mimarileri ve büyük miktarda veriyi zincir üstünde depolama yetenekleri, her türlü hızlı, tekrarlı zincir üstü yapay zeka model eğitimi için olanak tanır.

fikir #2: konsensüs için aşırı fazla tekrarlı yapay zeka çıkarım hesaplaması kullanma

Kripto x yapay zeka ile ilgili zorluklardan biri, yapay zeka çıkarımının doğruluğunu doğrulamaktır, çünkü yanlış davranan düğümler olasılığı nedeniyle tek bir merkezi partiye güvenemezsiniz. Bu zorluk, web2 yapay zekada bulunmaz çünkü merkezi olmayan bir fikir birliği tarzı sistemi yoktur.

Bu sorunu çözmek için önerilen bir fikir, birden fazla düğümün aynı AI çıkarım işlemini tekrarlaması olan gereksiz hesaplamadır, böylece güvensiz bir şekilde işlem yapabilir ve tek bir başarısız noktanız olmaz.

bu yaklaşımın sorunu, yüksek kaliteli yapay zeka çiplerinin ciddi bir şekilde kıt olduğu bir dünyada yaşıyor olmamızdır. yüksek kaliteli nvidia çipleri için çok yıllık bir bekleme süresi var ve bu da fiyat artışlarına neden oluyor. ayrıca yapay zeka çıkarımının birden çok düğümde birden çok kez yeniden yürütülmesini gerektirirseniz, şimdi bu pahalı maliyetleri çarparak artırıyorsunuz. bu, birçok projede başarısız olacak bir durum olacak.

fikir #3: yakın gelecekte web3'e özgü yapay zeka kullanım alanları

web3'ün, web3 müşterilerine özgü, benzersiz ai kullanım alanlarına sahip olması gerektiği önerileri oldu. Bu, örneğin defi havuzunun risk puanlamasını yapmak için ai kullanan bir web3 protokolü, cüzdan geçmişinize dayanarak size yeni protokoller öneren bir web3 cüzdan veya ai kullanarak oyuncu olmayan karakterleri (npc'ler) kontrol eden bir web3 oyunu olabilir.

şimdilik, bu (kısa vadeli olarak) henüz keşfedilmekte olan kullanım alanlarının bulunduğu yeni bir pazar. bazı zorluklar şunları içerir:

• Web3-native kullanım durumları için daha az potansiyel yapay zeka işlemi gerekiyor, çünkü piyasa talebi henüz başlangıç aşamasında.
• web3 müşterileri web2 müşterilerine kıyasla çok daha az olduğu için daha az müşteri ve daha az parçalı bir pazar var.
• Müşteriler kendileri de daha az istikrarlıdır çünkü daha az finansmanla başlayan startup'lar, bu nedenle bu startup'ların bazıları zamanla ölebilir. Web3 müşterilerine hizmet veren bir web3 yapay zeka hizmet sağlayıcısı muhtemelen zamanla ölenleri yerine koymak için müşteri tabanlarının bir kısmını yeniden kazanmak zorunda kalacaktır, bu da ölçeklendirmesi daha zor bir iş yapar.

uzun vadeli olarak, web3-native yapay zeka kullanım durumlarında oldukça iyimseriz, özellikle yapay zeka ajanları daha yaygın hale geldikçe. Hayal ettiğimiz bir gelecekte, herhangi bir web3 kullanıcısının onlara yardımcı olan çok sayıda yapay zeka ajanı bulunur. Bunun için erken dönem kategori lideri Theoriq(hack vc tarafından desteklenmektedir), kompozit ve otonom on-chain ai ajanlarını etkinleştirir.

fikir #4: tüketici sınıfı gpu depins

Merkezi olmayan bir dizi tüketici sınıfı gpu'ya dayanan yapay zeka hesaplama ağları bulunmaktadır. Tüketici sınıfı gpu'lar, düşük uçlu yapay zeka çıkarım görevleri veya gecikme, verimlilik ve güvenilirlik esnek olan tüketici kullanım durumları için elverişlidir. Ancak ciddi işletme kullanım durumları için (ki bu pazarın çoğunluğunu oluşturur), müşteriler, ev makinelerine kıyasla daha yüksek güvenilirlikte bir ağ ister ve genellikle daha karmaşık çıkarım görevleri varsa daha üst düzey gpu'lara ihtiyaç duyar. Bu daha değerli müşteri kullanım durumları için veri merkezleri daha uygun olmaktadır.

Tüketici sınıfı gpu'ları demo amaçları için veya düşük güvenilirliği tolere edebilen bireyler ve başlangıç şirketleri için faydalı olarak görüyoruz. Ancak bu müşteriler temelde daha az değerlidir, bu nedenle web2 işletmelerine hizmet veren depin'lerin uzun vadede daha değerli olacağına inanıyoruz. Bu nedenle, bilinen gpu depin projelerinin çoğu, genellikle tüketici sınıfı donanımların erken günlerinden a100/h100 ve küme düzeyinde kullanılabilirliğe evrilmiştir.

gerçeklik - kripto x ai'nin pratik ve gerçekçi kullanım durumları

Şimdi, gerçek faydalar sağlayan kullanım durumlarını tartışalım. Bunlar, kripto x yapay zeka'nın önemli değer katabileceği gerçek 'kazanımlardır'.

gerçek fayda #1: web2 müşterilerine hizmet etmek

McKinsey (McKinsey) tahminleranaliz edilen 63 kullanım durumunun tamamında generatif yapay zeka yıllık olarak 2,6 trilyon dolar ile 4,4 trilyon dolar arasında eşdeğer ekleyebilir - bu karşılaştırma için Birleşik Krallık'ın 2021'deki tüm GSYİH'sı 3,1 trilyon dolar idi. Bu, yapay zekanın tüm etkisini %15 ila %40 artırır. Bu tahmin, generatif yapay zekayı, mevcut kullanılan yazılımlara, bu kullanım durumlarından başka görevler için gömme etkisini dahil edersek yaklaşık olarak iki katına çıkar.

yukarıdaki tahmine matematik yaparsanız, generatif ai'nin ötesindeki yapay zeka için toplam pazarın dünya genelinde on trilyonlarca dolar değerinde olabileceğini gösterir. Karşılaştırma yapmak gerekirse, bitcoin ve her altcoin dahil olmak üzere tüm kripto paralar bugün sadece yaklaşık 2,7 trilyon dolar değerindedir. Dolayısıyla gerçekçi olalım: kısa vadeli yapay zekaya ihtiyaç duyan müşterilerin büyük bir çoğunluğu web2 müşterileri olacak, çünkü yapay zekaya gerçekten ihtiyaç duyan web3 müşterileri bu 2,7 trilyon dolarlık pastanın çok küçük bir dilimi olacak (bu pazarın yarısı btc olduğunu ve btc'nin kendisinin yapay zeka ihtiyacı olmadığını düşünün).

web3 yapay zeka kullanım alanları yeni başlıyor ve bu pazarın büyüklüğü henüz tam olarak belirsiz değil. Ancak bir şey sezgisel olarak kesin—gelecekteki web2 pazarının küçük bir kesimi olacak. Web3 yapay zekanın hala parlak bir geleceği olduğuna inanıyoruz, ancak şu anda en güçlü uygulamasının web2 müşterilerine hizmet etmek olduğu anlamına geliyor.

web3 yapay zekadan teorik olarak faydalanabilecek web2 müşterilerine örnekler:

• yerine göre yapılmış yapay zeka odaklı yazılım şirketleri (örneğin, cedar.ai veya observe.ai)
• kendi amaçları için modelleri ayarlayan büyük işletmeler (örneğin, netflix)
• hızla büyüyen ai sağlayıcıları (örneğin, anthropic)
• mevcut ürünlerine yapay zeka ekleyen yazılım şirketleri (örneğin, canva)

Bu, müşterilerin genellikle büyük ve değerli olduğu nispeten istikrarlı bir müşteri kişiliğidir. Yakın zamanda işten çıkma olasılıkları düşüktür ve yapay zeka hizmetleri için çok büyük potansiyel müşterileri temsil ederler. Web2 müşterilere hizmet veren Web3 yapay zeka hizmetleri, bu istikrarlı müşteri tabanından fayda sağlayacaktır.

Ancak neden bir web2 müşterisi web3 yığını kullanmak istesin? Bu gönderinin geri kalanı bu durumu açıklıyor.

gerçek fayda #2: gpu kullanım maliyetlerini gpu depins aracılığıyla düşürmek

gpu depins aggreGate.io kullanımı düşük gpu hesaplama gücünü (en güveniliri veri merkezlerinden gelir) alır ve ai çıkarımı için kullanılabilir hale getirir (bunun bir örneği io.net, hack vc tarafından yönetilen fonların portföy şirketi olan). bunu düşünmenin basit bir yolu "gpu'lar için airbnb" (etkili bir şekilde, kullanılmayan varlıkların işbirlikçi tüketimi).

Gpu depins hakkında heyecanlı olmamızın nedeni, yukarıda belirtildiği gibi, nvidia yongalarının kıtlığı var ve şu anda yapay zeka çıkarımı için kullanılabilecek boşa harcanan gpu döngüleri mevcut. Bu donanım sahiplerinin bir batık maliyeti var ve ekipmanlarını bugün tam olarak kullanmıyorlar, bu nedenle bu kesirli gpu döngülerini mevcut duruma göre çok daha düşük maliyetle sunabilirler, çünkü donanım sahipleri için etkili bir şekilde "bulunmuş para"dır.

örnekler şunları içerir:

• aws makineleri. Bugün aws'den bir h100 kiralasanız, arz kısıtlaması nedeniyle 1 yıllık bir sözleşmeye bağlı olmanız gerekecektir. Bu, muhtemelen yılın 365 günü, haftanın 7 günü gpu'nuzu kullanmayacaksınız, bu da atığa neden olur.
• filecoin madencilik donanımı. Filecoin, büyük miktarda desteklenen arzı olan ancak gerçek talep miktarı olarak önemli bir miktarı olmayan bir ağdır. Ne yazık ki, Filecoin gerçek ürün-pazar uyumunu hiç bulamadı, bu yüzden Filecoin madencileri iflas tehlikesiyle karşı karşıya. Bu makinelerde gpus bulunur ve daha düşük seviye yapay zeka çıkarımları için yeniden kullanılabilir.
• eth madenciliği donanımı. eth pow'dan pos'a geçtiğinde, bu hemen büyük miktarda donanımın yapay zeka çıkarımı için yeniden amaçlanabilir hale gelmesine neden oldu.

Not: Tüm GPU donanımlarının yapay zeka çıkarımı için uygun olmadığını unutmayın. Bunun en büyük nedenlerinden biri, eski GPU'ların LLMS için gerekli GPU bellek miktarına sahip olmamasıdır, ancak burada yardımcı olmak için bazı ilginç yenilikler yapılmıştır.Exabayt, örneğin, aktif nöronları gpu belleğine ve pasif nöronları cpu belleğine yükleyen bir teknolojiye sahiptir. Hangi nöronların aktif / pasif olması gerektiğini tahmin ederler. Bu, düşük kaliteli gpu'ların sınırlı belleğe sahip olsalar bile ai iş yüklerini işlemelerine izin verir. Bu, düşük kaliteli gpu'ların ai çıkarımı için daha kullanışlı hale gelmesini sağlar.

Ayrıca, web3 ai depolarının zamanla tekliflerini sertleştirmeleri ve tek oturum açma, soc 2 uyumluluğu, hizmet seviyesi sözleşmeleri (slas) gibi kurumsal sınıf hizmet teklifleri sunmaları gerektiğini unutmayın. Bu, web2 müşterilerinin şu anda kullandığı bulut teklifleri altındaki hizmetlerle benzer olacaktır.

Gerçek Fayda #3: OpenAI otosansüründen kaçınmak için sansürsüz modeller

Yapay zeka sansürü hakkında çok konuşuldu. Örneğin Türkiye, OpenAI'yi geçici olarak yasakladı (daha sonra OpenAI uyumluluğunu iyileştirdikten sonra rotayı tersine çevirdiler). Ülkelerin rekabetçi kalabilmek için yapay zekayı benimsemeleri gerekeceğinden, bu tür ülke düzeyinde sansürün temelde ilgi çekici olmadığına inanıyoruz.

Daha da ilginç olan şey, openai'nin kendini sansürlemesidir. Örneğin, openai, nsfw içeriğiyle uğraşmayacak. Openai, bir sonraki başkanlık seçimini de tahmin etmeyecek. Openai'nin politik nedenlerden dolayı dokunmayacağı yapay zeka kullanım durumları için ilginç ve büyük bir pazar olduğunu düşünüyoruz.

bu için açık kaynak kod çözümü harika bir çözümdür, çünkü bir GitHub deposu ne hissedarlar ne de bir kurulun boyunduruğunda değildir. Buna bir örnek, Venice.ai, gizliliğinizi koruma sözü verirken aynı zamanda sansürsüz bir şekilde faaliyet göstermeyi vaat eden. tabii ki, anahtar, açık kaynak olmasıdır, bu da buna güç verir. web3 ai'nin bunu nasıl etkili bir şekilde yükseltebileceği, bu açık kaynaklı yazılımları (oss) modellerini daha düşük maliyetli bir gpu kümesinde çalıştırarak çıkarım yapmaktır. sansürsüz yapay zekâ için ideal kombinasyon olan oss + web3 bu nedenlerle inanıyoruz.

gerçek fayda #4: kişisel tanımlayıcı bilgileri openai'e göndermemek

Birçok büyük işletme, iç şirket verileri hakkında gizlilik endişeleri taşımaktadır. Bu müşteriler için, bu verileri OpenAI gibi merkezi bir üçüncü tarafı güvenilir bulmak son derece zor olabilir.

web3 ile, bu işletmeler için (yüzeyde) daha da korkutucu görünebilir çünkü iç verileri aniden merkezi olmayan bir ağ üzerinde bulunur hale gelir. Bununla birlikte, yapay zeka için gizlilik artırıcı teknolojilerde bazı yenilikler vardır:

• güvenilir yürütme ortamları (tee) gibiSüper protokol
• tam homomorfik şifreleme (the) gibi Fhenix.io(hack vc tarafından yönetilen bir fonun portföy şirketi) veyaInco ağı(her biri de tarafından çalıştırılanZama.ai) veBagel'in ppml'i

bu teknolojiler hala gelişmekte ve performans gelecekteki sıfır bilgi (zk) ve fhe asic'lerle hala iyileşiyor. ancak uzun vadeli hedef, bir modeli iyileştirirken kurumsal verileri korumaktır. Bu protokoller ortaya çıktıkça, web3 gizliliği koruyan yapay zeka hesaplama için daha cazip bir mekan haline gelebilir.

gerçek fayda #5: açık kaynak modellerindeki en son yeniliklerden faydalanın

oss, son birkaç on yıldır özel yazılımın pazar payını tutarlı bir şekilde erozyona uğratmıştır. llm'ye sadece bir çeşitli özel yazılım olarak bakıyoruz, ki bu da oss bozulması için uygun bir şekilde süslü bir formdur. Meydan okuyanların birkaç dikkate değer örneği arasındaLama, RWKV (İngilizce), ve Mistral.ai. bu liste şüphesiz zaman ilerledikçe genişleyecektir (daha kapsamlı bir liste mevcutturOpenrouter.ai). Yeni yeniliklerden faydalanmak için web3 yapay zeka (oss modelleri tarafından desteklenmektedir) kullanarak bunların avantajlarından yararlanabilirsiniz.

Zaman ilerledikçe, açık kaynaklı küresel bir geliştirme iş gücünün, kripto teşvikleri ile birleştirilmesi, açık kaynak modellerinde hızlı yenilikleri, ayrıca onların üzerine inşa edilen ajanlar ve çerçeveleri sürdürebilir. Bir AI ajan protokolü örneği şöyledir: Theoriq. theoriq, daha yüksek seviyeli ai çözümleri oluşturmak için bir araya getirilebilen birbirine bağlı bir ai ajanlar ağı oluşturmak için oss modellerini kullanır.

burada bizim inanç sebebimiz geçmişe dayanıyor: çoğu "geliştirici yazılımı" zaman içinde açık kaynak yazılım tarafından yavaşça aşılıyor. Microsoft eskiden özel yazılım şirketi idi ve şimdi GitHub'a en çok katkıda bulunan #1 şirketlerden biri ve bunun bir sebebi var. Databricks, postgressql, mongodb ve diğerlerinin nasıl özel veritabanlarını alt üst ettiğine bakarsanız, bu açık kaynak yazılım tarafından devrilen bir tüm endüstrinin örneğidir, bu yüzden burada örnek oldukça güçlüdür.

ancak bunun bir dezavantajı var. oss llms ile ilgili zorlu şeylerden biri, openai'in reddit ve new york times gibi organizasyonlarla ücretli veri lisans anlaşmaları oluşturmaya başlamış olmasıdır. bu trend devam ederse, veri edinme konusundaki finansal engel nedeniyle oss llms'nin rekabet etmesi daha zor hale gelebilir. nvidia'nın güvenli veri paylaşımını olanaklı kılan gizli hesaplama konusunda çift katlanabileceği mümkün olabilir. zaman gösterecek nasıl gelişeceğini.

gerçek fayda #6: yüksek kesme maliyetleri ile rasgele örnekleme yoluyla veya zk kanıtları aracılığıyla sağlanan uzlaşma

web3 ai çıkarımı ile ilgili zorluklardan biri doğrulamadır. Doğrulayıcılar için ücret kazanmak için sonuçları hile yapma teorik bir fırsat var, bu nedenle çıkarımların doğrulanması önemli bir önlemdir. Bu hile henüz gerçekleşmediğine dikkat edin, çünkü yapay zeka çıkarımı henüz bebekliğindedir, ancak bu davranışı caydırmak için önlemler alınmadıkça kaçınılmazdır.

standart web3 yaklaşımı, birden fazla doğrulayıcının aynı işlemi tekrarlayarak sonuçları karşılaştırmasını gerektirir. Bu durumun göze çarpan zorluğu, not edildiği gibi, yapay zeka çıkarımının mevcut yüksek kaliteli nvidia yongalarının kıtlığı nedeniyle pahalı olmasıdır. Web3'ün kullanılmayan gpu depoları aracılığıyla düşük maliyetli çıkarım sunabilmesi göz önüne alındığında, gereksiz hesaplama web3'ün değer önerisini ciddi şekilde azaltacaktır.

Daha umut verici bir çözüm, zincir dışı yapay zeka çıkarım işlemi için bir zk kanıtı gerçekleştirmektir. Bu durumda, özlü zk kanıtı, bir modelin uygun şekilde eğitildiğini veya çıkarımın uygun şekilde yapıldığını belirlemek için doğrulanabilir (zkml olarak bilinir). Örnekler arasında,Modulus laboratuvarlarıveZKonduit. bu çözümlerin performansı hala yeni olduğundan, zk işlemleri oldukça hesaplama yoğundur. Bununla birlikte, yakın gelecekte zk donanım asic'lerinin piyasaya sürülmesiyle muhtemelen iyileşeceğini öngörüyoruz.

Daha da umut verici olan, biraz 'iyimser' örneklem tabanlı bir yapay zeka çıkarım yaklaşımı fikri. Bu modelde, doğrulayıcılar tarafından üretilen sonuçların sadece çok küçük bir yüzdesini doğrular, ancak yakalanmaları durumunda kesme ekonomik maliyetini yeterince yüksek ayarlar, böylece yakalanmaları durumunda doğrulayıcılar için güçlü bir ekonomik caydırıcı yaratır. Bu şekilde, gereksiz hesaplama maliyetinden tasarruf ediyorsunuz (örneğin, bkz.Hiperbolik’s Örnek kağıdın kanıtı).

başka bir umut verici fikir, biri tarafından önerilen bir damgalama ve parmak izi çözümü gibi bir şeydir Bagel ağı. Bu, milyonlarca cihazları için cihazda AI modellerinin kalite güvencesi için Amazon Alexa'nın mekanizmasıyla benzerdir.

gerçek fayda #7: oss aracılığıyla ücretlerden tasarruf etme (openai’nin marjı)

web3'ün yapay zekaya getirdiği sonraki fırsat maliyetleri demokratikleştirmektir. Şu ana kadar, depins aracılığıyla gpu maliyetlerini tasarruf etmekten bahsettik. Ancak web3 ayrıca merkezi web2 ai hizmetlerinin kar marjlarından tasarruf etme fırsatları da sunar (örneğin, bu yazının yazıldığı sırada yılda 1 milyar doların üzerinde gelir elde eden openai). Bu maliyet tasarrufları, model oluşturucusunun kar etmeye çalışmamasından dolayı özel modeller yerine oss modellerinin kullanılmasından kaynaklanmaktadır ve bu da ek bir tasarruf katmanı oluşturmaktadır.

çok sayıda OSS modeli tamamen ücretsiz kalacak, bu müşteriler için en iyi ekonomiyi sağlar. Ancak bu para kazanma yöntemlerini deneyen bazı OSS modelleri de olabilir. Hugging Face'deki toplam modellerin sadece %4'ü bütçesi olan şirketler tarafından eğitilirken, modelleri sübvanse etmek için.burada). kalan 96% model topluluğun tarafından eğitilir. Bu kohort - hugging face'ın %96'sı - temel gerçek maliyetlere sahiptir (hesaplama maliyetleri ve veri maliyetleri dahil). Bu nedenle, bu modellerin bir şekilde para kazanması gerekecektir.

Bu modelin OSS para kazanma önerilerinden biri, modelin kendisini tokenize ettiğiniz ve takım için tokenların bir kısmını tuttuğunuz ve gelecekteki bazı gelirleri token sahiplerine aktardığınız bir “İlk Model Teklifi” (IMO) kavramıdır. Ancak burada açıkça bazı yasal ve düzenleyici engeller bulunmaktadır.

diğer OSS modelleri kullanıma para kazandırmayı deneyecektir. Bu gerçekleşirse, OSS modelleri giderek web2 kar üreten benzerlerine benzemeye başlayabilir. Ancak gerçekçi bir şekilde, pazar ikiye ayrılacak ve bazı modeller tamamen ücretsiz kalacaktır.

gerçek fayda #8: merkezi olmayan veri kaynağı

Yapay zekayla ilgili en büyük zorluklardan biri, modellerinizi eğitmek için doğru verileri kaynaklandırmaktır. Önceden bahsettiğimiz gibi, merkezi olmayan AI eğitiminin zorlukları vardır. Ancak verileri kaynaklamak için merkezi olmayan bir ağ kullanmak (daha sonra başka yerlerde, hatta geleneksel web2 mekanlarında bile eğitim için kullanılabilir) nasıl olurdu?

Bu tam olarak startup'ların ihtiyaç duyduğu şeydir.ÇimÇim Kripto, veri kazıcıları”nın merkezi olmayan bir ağıdır, makinesinin boş işleme gücünü veri toplama amacıyla katkıda bulunan bireyler. ölçekte, bu veri kaynağı, teşvik edilen düğümler ağının saf gücü nedeniyle bir şirketin iç çabalarına göre veri kaynağının üstün olabilir. Bu sadece daha fazla veri kaynağı sağlamakla kalmaz, aynı zamanda veriyi daha sık kaynaklandırarak verinin daha ilgili ve güncel olmasını sağlar. Merkezi olmayan bir veri-kazıcı ordusunu durdurmak neredeyse imkansızdır, çünkü doğal olarak parçalanmış ve tek bir IP adresinde bulunmazlar. Ayrıca, veriyi temizleyip normalize edebilen bir insan ağı da bulunmaktadır, bu sayede kazınan veri kullanışlı hale gelir.

veriyi elde ettikten sonra, bu veriyi zincir üzerinde depolamak için bir yere ihtiyacınız vardır, ayrıca bu veri ile oluşturulan llm'ler de gerekir.0g.AIBu kategoride erken liderdir. Bu, aws'den (web3 ai için başka bir ekonomik kazanç) önemli ölçüde daha ucuz olan, aynı zamanda katman 2'ler, ai ve daha fazlası için veri erişilebilirlik altyapısı olarak hizmet veren bir ai-uyumlu yüksek performanslı web3 depolama çözümüdür.

not etmek ki verilerin rolü gelecekte web3 ai'de değişebilir. Bugün için llm'lerin mevcut durumunun verilerle bir modeli önceden eğitmek ve daha fazla veriyle zaman içinde geliştirmek olduğu kabul edilir. Ancak, bu modeller her zaman internet üzerindeki veriler gerçek zamanlı olarak değiştiğinden dolayı biraz güncel olmaktan uzaktır. Bu nedenle, llm çıkarımından gelen yanıtlar biraz hatalı olabilir.

dünyanın nereye gittiği geleceği yeni bir paradigma olan "gerçek zamanlı" verilerdir. Kavram, bir LLM'ye çıkarım sorusu sorulduğunda, LLM'nin LLM'ye gerçek zamanlı olarak internetten toplanan verilerin en güncel verileri kullanmasıdır. Böylece, LLM mümkün olan en güncel verileri kullanır. Grass bunu araştırıyor.

sonuç

web3 yapay zekanın vaatlerine karşı gerçekler hakkında düşünürken, umarız bu sizin için kullanışlı bir analiz olarak hizmet eder. Bu sadece bir konuşma noktasıdır ve manzara hızla değişiyor, bu yüzden katılmaktan ve görüşlerinizi ifade etmekten çekinmeyin, çünkü birlikte öğrenmeyi ve birlikte inşa etmeyi seviyoruz.

teşekkürler

Bu gönderiye katkıda bulunan ve geri bildirimleri için Albert Castellana, Jasper Zhang, Vassilis Tziokas, Bidhan Roy, Rezo, Vincent Weisser, Shashank Yadav, Ali Husain, Nukri Basharuli, Emad Mostaque, David Minarsch, Tommy Shaughnessy, Michael Heinrich, Keccak Wong, Marc Weinstein, Phillip Bonello, Jeff Amico, Ejaaz Ahamadeen, Evan Feng ve JW Wang'a çok özel teşekkürler.

buradaki bilgiler yalnızca genel bilgilendirme amaçlıdır ve yatırım tavsiyesi oluşturmamaktadır veya amaçlanmamaktadır ve herhangi bir yatırım kararının değerlendirilmesinde kullanılmamalıdır. bu tür bilgilere muhasebe, hukuk, vergi, iş, yatırım veya diğer ilgili tavsiyeler için güvenilmemelidir. muhasebe, hukuk, vergi, iş, yatırım veya diğer ilgili tavsiyeler de dahil olmak üzere kendi danışmanlarınıza, kendi danışmanlarınıza başvurmalısınız, burada tartışılan herhangi bir konuyla ilgili olarak.

bu gönderi, yazar(lar)ın mevcut görüşlerini yansıtmaktadır ve hack vc veya bağlı kuruluşları adına yapılmamıştır, hack vc tarafından yönetilen herhangi bir fonu da içermemektedir ve hack vc'nin, bağlı kuruluşlarının, genel ortak bağlı kuruluşlarının veya hack vc ile ilişkili diğer kişilerin görüşlerini yansıtmamaktadır. Burada yer alan belirli bilgiler, yayınlanan kaynaklardan elde edilmiştir ve/veya üçüncü taraflar tarafından hazırlanmış olup, belirli durumlarda burada belirtilen tarihe kadar güncellenmemiştir. Bu tür kaynakların güvenilir olduğuna inanılsa da, hack vc, bağlı kuruluşları, genel ortak bağlı kuruluşları veya hack vc ile ilişkili diğer kişiler, doğruluk veya eksiksizlikleri konusunda herhangi bir temsil yapmamakta olup, bunlara dayanılarak muhasebe, hukuk, vergi, iş, yatırım veya diğer kararlar için dayanak olarak alınmamalıdır. Buradaki bilgilerin eksiksiz olduğunu iddia etmez ve değişikliğe tabi olduğunu ve hack vc'nin böyle bir bilgiyi güncelleme veya böyle bir bilgi yanlış hale geldiğinde bir bildirim yapma yükümlülüğü olmadığını belirtir.

Geçmiş performans gelecekteki sonuçların kesin göstergesi değildir. Burada yapılan herhangi bir ileriye dönük beyan, yazarın deneyimi ve tarihsel eğilimlerin algısı, mevcut koşullar ve beklenen gelecekteki gelişmeler ile diğer uygun görülen faktörlere dayanarak yaptığı belirli varsayımlara ve analizlere dayanmaktadır. Bu tür beyanlar, gelecekteki performansın garantisi değildir ve zor tahmin edilebilen belli riskler, belirsizlikler ve varsayımlara tabidir.

ifade:

1. bu makaleden alıntıdır [Hack vc], orijinal başlık “ai x crypto - vaatler ve gerçekler”, telif hakkı orijinal yazarı [ed roman, hack vc'nin yönetici ortağı] aittir, yeniden basım konusunda herhangi bir itirazınız varsa lütfen iletişime geçin Kapı öğrenme ekibi, takım, ilgili prosedürlere göre en kısa sürede bununla ilgilenecektir.

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

3. makaleye ait diğer dil versiyonları Gate.io öğrenme ekibi tarafından çevrilir, bahsedilmezGate.io, çevrilen makale çoğaltılamaz, dağıtılamaz veya kopyalanamaz.