AI Sektörünün Gelişim Süreci ve Kripto ile Entegrasyon Araştırmaları
Yapay zeka sektöründeki son gelişmeler, dördüncü sanayi devrimi olarak görülüyor; büyük modellerin ortaya çıkması, her sektörde verimliliği önemli ölçüde artırdı. Derin öğrenme teknolojisi, AI sektörüne yeni bir refah dalgası getirdi ve bu dalga kripto para sektörünü de etkiledi.
Bu makale, AI endüstrisinin gelişim tarihini, teknik sınıflandırmasını ve derin öğrenme teknolojisinin sektöre etkisini ayrıntılı olarak inceleyecektir. Derin öğrenmedeki GPU, bulut bilişim, veri kaynakları, kenar cihazları gibi endüstri zincirinin yukarı ve aşağı akışındaki gelişim durumları ve trendlerini derinlemesine analiz edecektir. Aynı zamanda, Crypto ile AI endüstrisi arasındaki ilişkiyi temelde ele alacak ve Crypto ile ilgili AI endüstri zincirinin yapısını düzenleyecektir.
AI sektörünün gelişim tarihi
Yapay zeka endüstrisi 1950'li yıllarda başlamış olup, yapay zekanın vizyonunu gerçekleştirmek için akademik ve endüstriyel alanlar, farklı dönemlerde farklı disiplin arka planlarıyla, yapay zekayı gerçekleştirmek için çeşitli akımlar geliştirmiştir.
Modern yapay zeka teknolojisi, "makine öğrenimi" terimini kullanmaktadır. Bu teknik anlayış, makinelerin veriye dayanarak görevlerde tekrar tekrar iterasyon yaparak sistem performansını iyileştirmesini sağlamaktır. Ana adımlar, verilerin algoritmaya gönderilmesi, bu verilerin model eğitimi için kullanılması, modelin test edilmesi ve dağıtılması, ardından modelin otomatik tahmin görevlerini yerine getirmek için kullanılmasıdır.
Makine öğreniminin üç ana akımı vardır: bağlantıcılık, sembolistlik ve davranışçılık. Bunlar sırasıyla insan sinir sistemini, düşünceyi ve davranışı taklit eder. Şu anda, sinir ağlarını temsil eden bağlantıcılık üstün konumdadır, ( ayrıca derin öğrenme olarak da adlandırılır, ). Sinir ağı mimarisi bir giriş katmanı ve bir çıkış katmanı içerir, ancak birden fazla gizli katmana sahiptir. Katman sayısı ve nöron ( parametre ) sayısı yeterince fazla olduğunda, karmaşık genel görevleri modellemek için yeterli fırsat doğar.
Sinir ağlarına dayalı derin öğrenme teknolojisi, en erken sinir ağlarından başlayarak, ileri beslemeli sinir ağları, RNN, CNN, GAN'a kadar birçok teknik iterasyon ve evrim geçirmiştir. Sonunda, modern büyük modellerin (GPT gibi) kullandığı Dönüştürücü (Transformer) teknolojisine evrilmiştir. Dönüştürücü teknolojisi, sinir ağlarının bir evrim yönüdür ve tüm modların verilerini karşılık gelen sayılara kodlamak için bir dönüştürücü ekler. Daha sonra bu veriler sinir ağına girilir, böylece sinir ağı her türlü veriyi modelleyebilir ve çok modlu hale gelebilir.
Yapay zeka gelişimi üç teknik dalga geçirdi:
yüzyılın 60'lı yıllarında, sembolist tekniklerin gelişimi ilk dalgayı yarattı ve genel doğal dil işleme ile insan-makine diyalog sorunlarını çözdü.
1997'de, IBM'in Deep Blue'su satranç şampiyonu Kasparov'u yendi ve bu ikinci gelişim zirvesini simgeliyor.
2006'dan itibaren derin öğrenme teknolojisinin gelişimi, üçüncü teknoloji dalgasını tetikledi ve bu, bağlantıcılığın en parlak dönemidir.
Son yıllarda derin öğrenme teknolojisi sürekli olarak ilerleme kaydetti ve birçok simgesel olay ortaya çıktı:
2015'te OpenAI kuruldu.
2016 yılında, AlphaGo dünya go şampiyonu Lee Sedol'u yendi.
2017'de, Google Transformer algoritmasını önerdi.
2018'de OpenAI, GPT modelini yayımladı.
2020'de OpenAI, GPT-3'ü yayınladı.
Ocak 2023'te, GPT-4 tabanlı ChatGPT piyasaya sürüldü.
Derin Öğrenme Endüstri Zinciri
Mevcut büyük model dilleri, sinir ağına dayalı derin öğrenme yöntemlerini kullanmaktadır. GPT'nin öncülük ettiği büyük modeller, yapay zeka dalgasını yarattı ve birçok oyuncu bu alana girdi. Pazar, veri ve hesaplama gücüne yönelik büyük bir talep patlaması yaşadı.
Transformer teknolojisine dayalı GPT gibi büyük modellerin eğitimi üç aşamaya ayrılmaktadır:
Ön eğitim: Modelin her bir nöronunun en iyi parametrelerini bulmak için büyük miktarda veri kullanarak yapılan işlem, en fazla hesap gücü tüketen işlemdir.
İnce ayar: Az sayıda yüksek kaliteli veri kullanarak eğitim yaparak model çıktısının kalitesini artırın.
Pekiştirmeli Öğrenme: Ödül modeli oluşturmak, büyük model çıktısını değerlendirmek, parametreleri yinelemek.
Büyük model performansını etkileyen başlıca unsurlar, parametre sayısı, veri miktarı ve kalitesi ile hesaplama gücüdür. Bu üç unsur, tam bir endüstri zincirini doğurmuştur.
Donanım GPU sağlayıcısı
GPU, şu anda eğitim ve çıkarım için ana çip olarak kullanılmaktadır. Nvidia, H100, A100 gibi çipleri ile mutlak bir lider konumundadır ve bu çipler büyük modellerin ticari uygulamalarında yaygın olarak kullanılmaktadır.
2023'te, Nvidia'nın en son H100 çipine olan talep fazlası, teslimat süresi 52 haftaya ulaştı. Birçok büyük teknoloji şirketi, H100 çiplerini yüksek performanslı hesaplama merkezleri kurmak için büyük miktarlarda satın alıyor.
Bulut Hizmeti Sağlayıcısı
Bulut hizmet sağlayıcıları, yeterli GPU satın aldıktan sonra sınırlı bütçeye sahip yapay zeka şirketlerine esnek hesaplama gücü ve barındırma eğitim çözümleri sunabilir. Mevcut pazar, esasen üç tür bulut hesaplama sağlayıcısına ayrılmaktadır:
Geleneksel bulut sağlayıcıları tarafından temsil edilen büyük ölçekli bulut hesaplama platformları (AWS, Google, Azure ).
Dikey AI pisti için uzman bulut hesaplama platformları, CoreWeave, Lambda vb. gibi.
Akıl yürütme hizmeti sağlayıcıları, örneğin Together.ai, Fireworks.ai gibi.
veritabanı sağlayıcısı
AI verileri ve derin öğrenme eğitim çıkarım görevleri için, şu anda sektörde kullanılan "vektör veritabanı"dır. Vektör veritabanı, büyük miktardaki yüksek boyutlu vektör verilerini verimli bir şekilde depolamak, yönetmek ve dizinlemek amacıyla geliştirilmiştir.
Şu anda başlıca oyuncular Chroma, Zilliz, Pinecone, Weaviate gibi şirketlerdir. Veri miktarına olan talebin artması ve çeşitli niş alanlarda büyük modeller ve uygulamaların patlak vermesi ile birlikte, vektör veritabanlarına olan talep büyük ölçüde artacaktır.
Kenar Aygıtı
GPU yüksek performanslı hesaplama kümeleri oluştururken genellikle büyük miktarda enerji tüketilir ve büyük miktarda ısı üretilir. Bu, HPC'nin sürekli çalışmasını sağlamak için bazı soğutma kenar cihazlarına ihtiyaç duyar. Bu, enerji arzı ve soğutma sistemleri olmak üzere iki yönü kapsar.
Şu anda enerji arz tarafında esas olarak elektrik enerjisi kullanılmaktadır. HPC kümelerinin soğutulmasında, şu anda hava soğutma ön plandadır, ancak birçok VC sıvı soğutma sistemlerine büyük yatırımlar yapmaktadır. Sıvı soğutma esas olarak soğuk plaka sıvı soğutma, daldırma sıvı soğutma ve sprey sıvı soğutma olmak üzere üç araştırma yönüne ayrılmaktadır.
Uygulama
Şu anda AI uygulamalarının gelişimi, blockchain sektörüne benziyor; altyapı çok kalabalık ama uygulama geliştirme yeterince ilerlemiyor. İlk on ayda aktif olan AI uygulamalarının çoğu arama türünde, uygulama türleri ise oldukça tekdüze. Aynı zamanda AI uygulamalarının kullanıcı tutma oranı geleneksel internet uygulamalarından çok daha düşük.
Sequoia Amerika'nın raporuna göre, AI uygulamaları hedefledikleri rol açısından üç kategoriye ayrılmaktadır: profesyonel tüketicilere, işletmelere ve sıradan tüketicilere yönelik. Tüketiciye yönelik uygulamalar esas olarak üretkenliği artırmak için kullanılırken, işletmelere yönelik olanlar pazarlama, hukuk, sağlık tasarımı gibi sektörlerde kullanılmaktadır.
Crypto x AI'nin İlişkisi
Blockchain, ZK teknolojisinin gelişiminden faydalanarak, merkeziyetsiz + güvene dayanmayan bir düşünceye dönüşmüştür. Blockchain ağı esasen bir değer ağıdır, her işlem, temel token'e dayalı değer dönüşümüdür. Tokenomics, belirli bir Token değerini yansıtan kurallardır.
Token ekonomisi, ekosistem hesaplama aracı ('in yerel token'ı )'in göreceli değerini belirleyebilir, her bir boyut için fiyatlandırma yapılamasa da, token fiyatı çok boyutlu değeri yansıtır. Token'lar ağa verilip dolaşıma sokulduğunda, işlev veya fikir değer kazanabilir.
Tokenler ve blockchain teknolojisi, değer yeniden tanımlama ve keşfetme aracı olarak AI endüstrisi için de son derece önemlidir. AI endüstrisinde token çıkarılması, tüm tarafların değer yeniden şekillendirmesini sağlayabilir ve daha fazla insanın farklı alt alanlarda derinleşmesini teşvik edebilir. Blockchain teknolojisinin değiştirilemezliği ve güvene ihtiyaç duymayan özellikleri, güven gerektiren bazı AI uygulamalarının gerçekleştirilmesine de olanak tanır.
Sonuç olarak, token ekonomisi değer yeniden şekillendirmeyi ve keşfi teşvik edebilir, merkeziyetsiz defter güven sorununu çözebilir ve değeri küresel ölçekte yeniden akıtabilir. Kripto ve AI'nın birleşimi pratik bir faydaya sahiptir, değer perspektifini yeniden şekillendirebilir, güven sorununu çözebilir ve artık değeri keşfedebilir.
This page may contain third-party content, which is provided for information purposes only (not representations/warranties) and should not be considered as an endorsement of its views by Gate, nor as financial or professional advice. See Disclaimer for details.
15 Likes
Reward
15
6
Repost
Share
Comment
0/400
ser_we_are_ngmi
· 53m ago
Bu sadece eski bir konu.
View OriginalReply0
LiquidityOracle
· 11h ago
Bu sefer AI gerçekten geldi.
View OriginalReply0
ChainWatcher
· 08-12 15:12
Mining AI'ye mi döndü? Bu gerçekten yeni bir kazanç yolu.
View OriginalReply0
GamefiEscapeArtist
· 08-12 15:05
Yine bir enayiler toplanma sahnesi
View OriginalReply0
GlueGuy
· 08-12 14:57
Bu büyük model yine AI'nin eski esprisini mi patlatıyor?
View OriginalReply0
StablecoinArbitrageur
· 08-12 14:47
*sigh* başka bir kötü ölçümlenmiş analiz... AI likidite havuzları ile arbitraj fırsatları arasında nerede istatistiksel korelasyon var? açıkçası acemi araştırması
Yapay Zeka ve Kripto'nun birleşimi, endüstri değer zincirini yeniden şekillendiriyor
AI Sektörünün Gelişim Süreci ve Kripto ile Entegrasyon Araştırmaları
Yapay zeka sektöründeki son gelişmeler, dördüncü sanayi devrimi olarak görülüyor; büyük modellerin ortaya çıkması, her sektörde verimliliği önemli ölçüde artırdı. Derin öğrenme teknolojisi, AI sektörüne yeni bir refah dalgası getirdi ve bu dalga kripto para sektörünü de etkiledi.
Bu makale, AI endüstrisinin gelişim tarihini, teknik sınıflandırmasını ve derin öğrenme teknolojisinin sektöre etkisini ayrıntılı olarak inceleyecektir. Derin öğrenmedeki GPU, bulut bilişim, veri kaynakları, kenar cihazları gibi endüstri zincirinin yukarı ve aşağı akışındaki gelişim durumları ve trendlerini derinlemesine analiz edecektir. Aynı zamanda, Crypto ile AI endüstrisi arasındaki ilişkiyi temelde ele alacak ve Crypto ile ilgili AI endüstri zincirinin yapısını düzenleyecektir.
AI sektörünün gelişim tarihi
Yapay zeka endüstrisi 1950'li yıllarda başlamış olup, yapay zekanın vizyonunu gerçekleştirmek için akademik ve endüstriyel alanlar, farklı dönemlerde farklı disiplin arka planlarıyla, yapay zekayı gerçekleştirmek için çeşitli akımlar geliştirmiştir.
Modern yapay zeka teknolojisi, "makine öğrenimi" terimini kullanmaktadır. Bu teknik anlayış, makinelerin veriye dayanarak görevlerde tekrar tekrar iterasyon yaparak sistem performansını iyileştirmesini sağlamaktır. Ana adımlar, verilerin algoritmaya gönderilmesi, bu verilerin model eğitimi için kullanılması, modelin test edilmesi ve dağıtılması, ardından modelin otomatik tahmin görevlerini yerine getirmek için kullanılmasıdır.
Makine öğreniminin üç ana akımı vardır: bağlantıcılık, sembolistlik ve davranışçılık. Bunlar sırasıyla insan sinir sistemini, düşünceyi ve davranışı taklit eder. Şu anda, sinir ağlarını temsil eden bağlantıcılık üstün konumdadır, ( ayrıca derin öğrenme olarak da adlandırılır, ). Sinir ağı mimarisi bir giriş katmanı ve bir çıkış katmanı içerir, ancak birden fazla gizli katmana sahiptir. Katman sayısı ve nöron ( parametre ) sayısı yeterince fazla olduğunda, karmaşık genel görevleri modellemek için yeterli fırsat doğar.
Sinir ağlarına dayalı derin öğrenme teknolojisi, en erken sinir ağlarından başlayarak, ileri beslemeli sinir ağları, RNN, CNN, GAN'a kadar birçok teknik iterasyon ve evrim geçirmiştir. Sonunda, modern büyük modellerin (GPT gibi) kullandığı Dönüştürücü (Transformer) teknolojisine evrilmiştir. Dönüştürücü teknolojisi, sinir ağlarının bir evrim yönüdür ve tüm modların verilerini karşılık gelen sayılara kodlamak için bir dönüştürücü ekler. Daha sonra bu veriler sinir ağına girilir, böylece sinir ağı her türlü veriyi modelleyebilir ve çok modlu hale gelebilir.
Yapay zeka gelişimi üç teknik dalga geçirdi:
1997'de, IBM'in Deep Blue'su satranç şampiyonu Kasparov'u yendi ve bu ikinci gelişim zirvesini simgeliyor.
2006'dan itibaren derin öğrenme teknolojisinin gelişimi, üçüncü teknoloji dalgasını tetikledi ve bu, bağlantıcılığın en parlak dönemidir.
Son yıllarda derin öğrenme teknolojisi sürekli olarak ilerleme kaydetti ve birçok simgesel olay ortaya çıktı:
Derin Öğrenme Endüstri Zinciri
Mevcut büyük model dilleri, sinir ağına dayalı derin öğrenme yöntemlerini kullanmaktadır. GPT'nin öncülük ettiği büyük modeller, yapay zeka dalgasını yarattı ve birçok oyuncu bu alana girdi. Pazar, veri ve hesaplama gücüne yönelik büyük bir talep patlaması yaşadı.
Transformer teknolojisine dayalı GPT gibi büyük modellerin eğitimi üç aşamaya ayrılmaktadır:
Ön eğitim: Modelin her bir nöronunun en iyi parametrelerini bulmak için büyük miktarda veri kullanarak yapılan işlem, en fazla hesap gücü tüketen işlemdir.
İnce ayar: Az sayıda yüksek kaliteli veri kullanarak eğitim yaparak model çıktısının kalitesini artırın.
Pekiştirmeli Öğrenme: Ödül modeli oluşturmak, büyük model çıktısını değerlendirmek, parametreleri yinelemek.
Büyük model performansını etkileyen başlıca unsurlar, parametre sayısı, veri miktarı ve kalitesi ile hesaplama gücüdür. Bu üç unsur, tam bir endüstri zincirini doğurmuştur.
Donanım GPU sağlayıcısı
GPU, şu anda eğitim ve çıkarım için ana çip olarak kullanılmaktadır. Nvidia, H100, A100 gibi çipleri ile mutlak bir lider konumundadır ve bu çipler büyük modellerin ticari uygulamalarında yaygın olarak kullanılmaktadır.
2023'te, Nvidia'nın en son H100 çipine olan talep fazlası, teslimat süresi 52 haftaya ulaştı. Birçok büyük teknoloji şirketi, H100 çiplerini yüksek performanslı hesaplama merkezleri kurmak için büyük miktarlarda satın alıyor.
Bulut Hizmeti Sağlayıcısı
Bulut hizmet sağlayıcıları, yeterli GPU satın aldıktan sonra sınırlı bütçeye sahip yapay zeka şirketlerine esnek hesaplama gücü ve barındırma eğitim çözümleri sunabilir. Mevcut pazar, esasen üç tür bulut hesaplama sağlayıcısına ayrılmaktadır:
Geleneksel bulut sağlayıcıları tarafından temsil edilen büyük ölçekli bulut hesaplama platformları (AWS, Google, Azure ).
Dikey AI pisti için uzman bulut hesaplama platformları, CoreWeave, Lambda vb. gibi.
Akıl yürütme hizmeti sağlayıcıları, örneğin Together.ai, Fireworks.ai gibi.
veritabanı sağlayıcısı
AI verileri ve derin öğrenme eğitim çıkarım görevleri için, şu anda sektörde kullanılan "vektör veritabanı"dır. Vektör veritabanı, büyük miktardaki yüksek boyutlu vektör verilerini verimli bir şekilde depolamak, yönetmek ve dizinlemek amacıyla geliştirilmiştir.
Şu anda başlıca oyuncular Chroma, Zilliz, Pinecone, Weaviate gibi şirketlerdir. Veri miktarına olan talebin artması ve çeşitli niş alanlarda büyük modeller ve uygulamaların patlak vermesi ile birlikte, vektör veritabanlarına olan talep büyük ölçüde artacaktır.
Kenar Aygıtı
GPU yüksek performanslı hesaplama kümeleri oluştururken genellikle büyük miktarda enerji tüketilir ve büyük miktarda ısı üretilir. Bu, HPC'nin sürekli çalışmasını sağlamak için bazı soğutma kenar cihazlarına ihtiyaç duyar. Bu, enerji arzı ve soğutma sistemleri olmak üzere iki yönü kapsar.
Şu anda enerji arz tarafında esas olarak elektrik enerjisi kullanılmaktadır. HPC kümelerinin soğutulmasında, şu anda hava soğutma ön plandadır, ancak birçok VC sıvı soğutma sistemlerine büyük yatırımlar yapmaktadır. Sıvı soğutma esas olarak soğuk plaka sıvı soğutma, daldırma sıvı soğutma ve sprey sıvı soğutma olmak üzere üç araştırma yönüne ayrılmaktadır.
Uygulama
Şu anda AI uygulamalarının gelişimi, blockchain sektörüne benziyor; altyapı çok kalabalık ama uygulama geliştirme yeterince ilerlemiyor. İlk on ayda aktif olan AI uygulamalarının çoğu arama türünde, uygulama türleri ise oldukça tekdüze. Aynı zamanda AI uygulamalarının kullanıcı tutma oranı geleneksel internet uygulamalarından çok daha düşük.
Sequoia Amerika'nın raporuna göre, AI uygulamaları hedefledikleri rol açısından üç kategoriye ayrılmaktadır: profesyonel tüketicilere, işletmelere ve sıradan tüketicilere yönelik. Tüketiciye yönelik uygulamalar esas olarak üretkenliği artırmak için kullanılırken, işletmelere yönelik olanlar pazarlama, hukuk, sağlık tasarımı gibi sektörlerde kullanılmaktadır.
Crypto x AI'nin İlişkisi
Blockchain, ZK teknolojisinin gelişiminden faydalanarak, merkeziyetsiz + güvene dayanmayan bir düşünceye dönüşmüştür. Blockchain ağı esasen bir değer ağıdır, her işlem, temel token'e dayalı değer dönüşümüdür. Tokenomics, belirli bir Token değerini yansıtan kurallardır.
Token ekonomisi, ekosistem hesaplama aracı ('in yerel token'ı )'in göreceli değerini belirleyebilir, her bir boyut için fiyatlandırma yapılamasa da, token fiyatı çok boyutlu değeri yansıtır. Token'lar ağa verilip dolaşıma sokulduğunda, işlev veya fikir değer kazanabilir.
Tokenler ve blockchain teknolojisi, değer yeniden tanımlama ve keşfetme aracı olarak AI endüstrisi için de son derece önemlidir. AI endüstrisinde token çıkarılması, tüm tarafların değer yeniden şekillendirmesini sağlayabilir ve daha fazla insanın farklı alt alanlarda derinleşmesini teşvik edebilir. Blockchain teknolojisinin değiştirilemezliği ve güvene ihtiyaç duymayan özellikleri, güven gerektiren bazı AI uygulamalarının gerçekleştirilmesine de olanak tanır.
Sonuç olarak, token ekonomisi değer yeniden şekillendirmeyi ve keşfi teşvik edebilir, merkeziyetsiz defter güven sorununu çözebilir ve değeri küresel ölçekte yeniden akıtabilir. Kripto ve AI'nın birleşimi pratik bir faydaya sahiptir, değer perspektifini yeniden şekillendirebilir, güven sorununu çözebilir ve artık değeri keşfedebilir.