Zhenyang@Upshot, Fran@Giza, Ashely@Neuronets, Matt@Valence, Dylan@Pond'dan gelen geri bildirimler için teşekkür ederim.
Bu araştırma, geliştiriciler için hangi yapay zeka alanlarının en önemli olduğunu ve Web3 ve yapay zeka alanında hangi potansiyel fırsatların patlayabileceğini araştırmayı amaçlamaktadır.
新的 araştırma görüşlerini paylaşmadan önce, RedPill'in 5 milyon ABD dolarlık ilk finansman turuna katıldığımız için çok mutluyuz ve heyecanlıyız, umarız ileride RedPill ile birlikte büyüme fırsatı buluruz!
TL;DR
Web3'ün ve AI'nin birleşmesiyle şifreleme para dünyasının dikkat çeken konusu haline gelirken, şifreleme dünyasının AI altyapısı gelişmeye başlıyor, ancak AI'nın gerçek kullanımı veya AI tarafından inşa edilen uygulamalar fazla değil, AI altyapısının homojenleşme sorunu yavaş yavaş ortaya çıkıyor. Son zamanlarda katıldığımız RedPill'in ilk finansman turu, daha derin anlayışlara yol açtı.
AI Dapp'ın temel araç seti, Merkeziyetsizlik OpenAI erişimi, GPU ağu, çıkarım ağı ve vekil ağı içerir.
GPU ağının, "BTCMining döneminden" daha popüler olmasının nedeni şudur: AI pazarı daha büyük, hızlı ve istikrarlı bir şekilde yükseliyor; AI her gün milyonlarca uygulamayı destekliyor; AI, çeşitli GPU modelleri ve sunucu konumlarına ihtiyaç duyuyor; Teknoloji geçmişe göre daha olgun; Hedef kitlesi de daha geniş.
Çıkarım ağı ve aracı ağ benzer bir altyapıya sahip olmasına rağmen farklı odaklara sahiptir. Çıkarım ağı, deneyimli geliştiricilerin kendi modellerini dağıtmak için kullanılırken, LLM olmayan modellerin çalıştırılması GPU gerektirmez. Aracı ağı ise LLM'ye daha fazla odaklanır, geliştiricilerin kendi modellerini getirmesi gerekmez, bunun yerine farklı aracıları nasıl birleştireceklerine ve ipuçları mühendisliğine daha fazla önem verir. Aracı ağı her zaman yüksek performanslı bir GPU gerektirir.
AI altyapı projesi büyük taahhütlerde bulunuyor ve hala yeni özellikler sunmaya devam ediyor.
Çoğu yerli şifreleme projesi hala Testnet aşamasında olduğundan, istikrar düşüktür, yapılandırma karmaşıktır, işlevler sınırlıdır ve güvenlik ve gizliliklerini kanıtlamak için zaman gerekmektedir.
AI Dapp'in büyük bir trend haline gelmesi varsayıldığında, henüz geliştirilmemiş birçok alan var, bunlar arasında izleme, RAG ile ilgili altyapı, Web3 yerel modeli, yerleşik şifreleme yerel API'si ve Merkeziyetsizlik aracı, değerlendirme ağları gibi. 01928374656574839201
Dikey entegrasyon önemli bir trenddir. Altyapı projeleri, AI Dapp geliştiricilerinin çalışmalarını kolaylaştırmak için tek noktadan hizmet sunmayı hedeflemektedir.
Gelecekte karma bir model olacak. Kısmi çıkarımlar ön uçta yapılırken, kısmı on-chain hesaplama yapılır, bu şekilde maliyet ve doğrulanabilirlik faktörleri göz önünde bulundurulabilir.
Kaynak:IOSG
Giriş
Web3 ve AI'nin birleşimi, şu anda şifreleme alanında en dikkat çeken konulardan biridir. Yetenekli geliştiriciler, şifreleme dünyasına yapay zeka altyapısı oluşturmak için çalışmaktadır, Akıllı Sözleşmelere yapay zeka entegrasyonunu hedeflemektedir. AI dApp oluşturmak son derece karmaşık bir görevdir, geliştiricilerin işlemesi gereken alanlar arasında veri, model, hesaplama gücü, işlemler, dağıtım ve blockchain entegrasyonu bulunmaktadır. Bu gereksinimlere yönelik olarak, Web3 kurucuları, GPU ağı, topluluk veri etiketleme, topluluk eğitimli modeller, doğrulanabilir AI çıkarım ve eğitim, ve ajan mağazaları gibi birçok temel çözüm geliştirmiştir.
Bu sağlam altyapı ortamında, AI'ı gerçekten kullanmak veya AI tarafından oluşturulan uygulamalar geliştirmek uzun değildir. Geliştiriciler, AI dApp geliştirme eğitimleri ararken, bu temel AI altyapısıyla ilgili eğitimlerin uzun olmadığını fark ederler, çoğu eğitim sadece OpenAI API'sini önyüzde çağırmayı içerir.
Kaynak:IOSGVentures
Mevcut uygulama, Merkeziyetsizlik ve doğrulama yeteneklerini tam anlamıyla kullanamamaktadır, ancak bu durum yakında değişecektir. Şu anda, şifreleme alanına odaklanan çoğu yapay zeka altyapısı test ağına geçti ve önümüzdeki 6 ay içinde resmi olarak çalışmaya başlamayı planlamaktadır.
Bu çalışma, yapay zeka altyapısında kullanılan temel araçları detaylı olarak açıklamayı amaçlamaktadır. Hadi şifreleme dünyasının GPT-3.5 zamanına hazırlanalım! 01928374656574839201
1. RedPill：为 OpenAI 提供Merkeziyetsizlik授权
Daha önce bahsedilen RedPill'e yatırım yaptığımız bir başlangıç noktasıdır.
OpenAI, GPT-4-vision, GPT-4-turbo ve GPT-4o gibi dünya çapında güçlü birkaç modelle donatılmıştır ve ileri seviye yapay zeka Dapp'leri oluşturmak için idealdir.
Geliştiriciler, Oracle Makine veya ön uç arayüzü kullanarak OpenAI API'yi dApp'e entegre edebilirler.
RedPill, farklı geliştiricilerin OpenAI API'sini tek bir arayüz altında birleştirerek, dünya genelindeki kullanıcılara hızlı, ekonomik ve doğrulanabilir yapay zeka hizmetleri sunmayı amaçlar. RedPill'in Algoritma yönlendiricisi, geliştiricilerin isteklerini tek bir katkıda bulunan kişiye yönlendirecektir. API istekleri, dağıtım ağı aracılığıyla gerçekleştirilecek ve böylece OpenAI'den gelen herhangi bir kısıtlamayı atlayarak, şifreleme geliştiricilerinin karşılaştığı bazı yaygın sorunları çözecektir, örneğin:
TPM kısıtlaması (Dakikada Token): Yeni hesap, AI'ye dayanan popüler ve talep gören dApp'lerin ihtiyaçlarını karşılamak için Token kullanımında sınırlıdır.
Erişim kısıtlaması: Bazı modeller, yeni hesapları veya belirli ülkelerin erişimini kısıtlamış olabilir.
Aynı istek kodunu kullanarak ancak ana bilgisayar adını değiştirerek, geliştiriciler OpenAI modellerine düşük maliyetli, yüksek ölçeklenebilirlik ve sınırsız erişim sağlayabilir.
Bu tür GPU ağları, bireysel veya küçük veri merkezlerinin hesaplama gücünden yararlanarak esnek yapılandırma, daha uzun sunucu konumu seçenekleri ve daha düşük maliyet sağlayabilir, böylece geliştiriciler sınırlı bir bütçeyle AI deneyleri yapabilir. Ancak, Merkeziyetsizlik doğasından dolayı, bu tür GPU ağları hala belirli sınırlamalar taşımaktadır, özellikle işlevsellik, kullanılabilirlik ve veri gizliliği açısından.
Son birkaç ayda, GPU talebi önceki BTCMining çılgınlığını aştı. Bu fenomenin nedenleri arasında:
Hedef müşteri sayısı arttı ve GPU ağı şimdi Kripto Varlıklar fiyatlarındaki Dalgalanma etkisinden etkilenmeyecek kadar büyük ve sadık bir AI geliştiricileri topluluğuna hizmet veriyor.
Mining özel ekipmanlarına kıyasla, GPU daha fazla uzunlukta ve özellikte, ihtiyaçları daha iyi karşılayabilir. Özellikle büyük model işleme için daha yüksek VRAM gereksinimleri vardır, ancak küçük görevler için daha uygun GPU seçenekleri bulunmaktadır. Aynı zamanda, GPU, kullanıcılara daha yakın hizmet verebilir, düşüş gecikme süresi.
Teknoloji giderek olgunlaşıyor, GPU ağı yüksek hızlı Blok zincirleri (örneğin Solana Yerleşim), Docker sanallaştırma teknolojisi ve Ray hesaplama kümesine bağımlı hale geliyor.
Yatırım getirisi açısından, AI pazarı genişliyor, yeni uygulama ve model geliştirme fırsatları var, H100 modelinin beklenen getirisi %60-70 iken, BTCMining daha karmaşık, kazanan her şeyi alır, arz sınırlıdır.
BTCMining şirketleri Iris Energy, Core Scientific ve Bitdeer da GPU ağına destek vermeye başladı, AI hizmetleri sunuyor ve AI için tasarlanmış GPU'lar satın alıyor, örneğin H100.
Tavsiye: SLA'ya pek önem vermeyen Web2 geliştiricileri için, io.net kullanıcı dostu ve uygun maliyetli bir seçenek sunar.
3. Çıkarım Ağı
Bu, şifreleme原生 AI 基础设施的核心。它将在未来支持数十亿次 AI 推理操作。许多 AI layer1 或 layer2 为开发者提供了在on-chain原生调用 AI 推理的能力。市场领导者包括 Ritual、Valence 和 Fetch.ai。
Bu ağlar aşağıdaki alanlarda farklılıklar göstermektedir:
İdeal durumda, geliştiriciler herhangi bir yerden, herhangi bir formda kanıtlayarak özel AI çıkarım hizmetlerine kolayca erişebilmeli ve entegrasyon sürecinde neredeyse hiçbir engelle karşılaşmamalıdır.
Akıl yürütme ağı, geliştiricilerin ihtiyaç duyduğu tüm temel destekleri sağlar, bunlar arasında ihtiyaç bazlı oluşturma ve doğrulama kanıtı, akıl yürütme hesaplamaları, akıl yürütme verileri için Röle ve doğrulama, Web2 ve Web3 arabirimleri, tek tuşla model dağıtımı, sistem izleme, Çapraz Zincir Etkileşimi işlemleri, senkronize entegrasyon ve zamanlanmış yürütme gibi işlevler bulunur.
Kaynak:IOSGVentures
Bu özellikler sayesinde geliştiriciler, Akıllı Sözleşmelerine sorunsuz bir şekilde tahmin hizmetlerini entegre edebilirler. Örneğin, Merkezi Olmayan Finans işlem botları oluştururken, bu botlar belirli işlem çiftleri için alım satım fırsatlarını bulmak için makine öğrenme modellerinden yararlanır ve ilgili ticaret stratejilerini temel ticaret platformunda gerçekleştirir.
Tamamen ideal bir durumda, tüm altyapılar bulut üzerinde barındırılır. Geliştiriciler, işlem strateji modellerini torch gibi genel bir formatta yükleyerek, tahmin ağı modellerini depolar ve Web2 ve Web3 sorguları için kullanılabilir hale getirirler.
Tüm model dağıtım adımları tamamlandıktan sonra, geliştiriciler Web3 API veya Akıllı Sözleşme aracılığıyla doğrudan model çıkarımı yapabilirler. Çıkarım ağı bu işlem stratejilerini sürekli olarak yürütecek ve sonuçları temel Akıllı Sözleşme'ye geri bildirecektir. Geliştiricinin yönettiği topluluk fonları büyük miktarda ise, çıkarım sonuçlarının doğrulanması gerekecektir. Çıkarım sonuçları alındığında, Akıllı Sözleşme bu sonuçlara göre işlem yapacaktır.
Kaynak:IOSGVentures
3.1.1 Asenkron ve Senkron
Teorik olarak, asenkron yürütülen akıl yürütme işlemleri daha iyi performans gösterebilir; ancak bu yöntem, geliştirme deneyiminde zorluklar yaşanmasına neden olabilir.
Eşzamansız yöntemi kullanırken, geliştiricinin önce görevi çıkarım ağının akıllı sözleşmesine göndermesi gerekir. Çıkarım görevi tamamlandığında, çıkarım ağının akıllı sözleşmesi sonucu döndürür. Bu programlama modunda, mantık iki bölüme ayrılır: çıkarım çağrısı ve çıkarım sonucu işleme.
Kaynak:IOSGVentures
Eğer geliştiriciler iç içe geçmiş akıl yürütme çağrıları ve büyük miktarda kontrol mantığı varsa, durum daha da kötüleşir.
Kaynak:IOSGVentures
Asenkron programlama modeli, mevcut Akıllı Sözleşme entegrasyonuyla uyumlu hale getirmeyi zorlaştırır. Bu, geliştiricilerin ekstra kod yazması, hata işleme ve bağımlılıkları yönetmesi gerektirir.
Karşılık olarak, senkron programlama geliştiriciler için daha sezgisel olsa da, yanıt süresi ve Blok zinciri tasarımı açısından sorunlar getirir. Örneğin, giriş verileri Blok zamanı veya hızlı değişen bir veri olan fiyat gibi durumlarda, çıkarım tamamlandıktan sonra veri taze kalmaz ve bu özel durumlarda Akıllı Sözleşme'nin gerçekleştirilmesi için Geri Alım gerekebilir. Düşünün, eski bir fiyatla işlem yapmak.
Kaynak:IOSGVentures
Çoğu AI altyapısı asenkron işlem kullanırken, Valence bu sorunları çözmeye çalışıyor.
3.2 Gerçek Durum
Aslında, birçok yeni akıl yürütme ağı henüz test aşamasında, örneğin Ritual ağı gibi. Onların resmi belgelerine göre, bu ağların mevcut işlevleri oldukça sınırlıdır (doğrulama, kanıt vb. gibi işlevler henüz aktif değil). Şu anda on-chain AI hesaplamalarını desteklemek için bir bulut altyapısı sunmuyorlar, bunun yerine on-chain'e kendi kendini barındıran AI hesaplamaları için bir çerçeve sunuyorlar ve sonuçları on-chain'e iletiyorlar.
Bu Arweave Adres üzerinden on-chain mint ile Değiştirilemez Token üreten bir AIGC NFT mimarisi.
Kaynak:IOSGVentures
Bu süreç oldukça karmaşıktır, geliştiriciler çoğu temel altyapıyı kendi başlarına dağıtmanız ve bakımını yapmanız gerekmektedir, örneğin özel hizmet mantığıyla donatılmış Ritual Düğümü, Stable Diffusion Düğüm ve Değiştirilemez Token Akıllı Sözleşmesi gibi.
Öneri: Şu anda, özelleştirilmiş modellerin bütünleştirilmesi ve dağıtımı konusunda akıllı ağlar oldukça karmaşıktır ve çoğu ağ bu aşamada doğrulama işlevini desteklemez. AI teknolojisinin ön uca uygulanması, geliştiricilere göreceli olarak basit bir seçenek sunacaktır. Doğrulama işlevine çok ihtiyacınız varsa, ZKML sağlayıcısı Giza iyi bir seçenektir.
4. Vekil Ağı
Acente ağı, kullanıcıların kolayca özelleştirebilmelerini sağlar. Bu tür ağlar, görevleri bağımsız olarak yerine getirebilen, bulut ortamında birbirleriyle etkileşime girebilen ve Blok zinciri ağı ile etkileşime girebilen varlıklar veya Akıllı Sözleşmeler tarafından oluşturulmuştur ve bu süreç insan müdahalesine gerek kalmadan gerçekleşir. Bu, LLM teknolojisine odaklanmıştır. Örneğin, Ethereum'u derinlemesine anlayan bir GPT sohbet robotu sunabilir. Bu tür sohbet robotları şu anda oldukça sınırlı araçlara sahip, geliştiriciler henüz bu temelde karmaşık uygulamalar geliştiremiyorlar.
Kaynak:IOSGVentures
Ancak gelecekte, aracı ağlar aracıların kullanımı için daha uzun araçlar sunacak, sadece bilgi değil, aynı zamanda harici API'leri çağırma, belirli görevleri gerçekleştirme yeteneği vb. Geliştiriciler, bir iş akışı oluşturmak için bir dizi aracıyı birleştirebilecekler. Örneğin, Solidity akıllı sözleşme yazmak, protokol tasarımı aracısı, Solidity geliştirme aracısı, kod güvenlik incelemesi aracısı ve Solidity dağıtım aracısı gibi özel araçları içerecektir.
Kaynak:IOSGVentures
Ajanların işbirliğini koordine etmek için ipuçları ve senaryoları kullanıyoruz。
Bazı örnekler arasında Flock.ai, Myshell, Theoriq yer alır.
Öneri: Çoğu vekilin işlevleri nispeten sınırlıdır. Belirli kullanım durumları için, Web2 vekilleri daha iyi hizmet verebilir ve Langchain, Llamaindex gibi olgun düzenleme araçlarına sahiptir.
5. Ajan Ağı ve Çıkarım Ağındaki Farklılıklar
Temsilci ağı, özellikle LLM'ye odaklanır ve Langchain gibi araçları long birleştirmek için sağlar. Genellikle geliştiricilerin makine öğrenme modellerini kendileri geliştirmeleri gerekmez, temsilci ağı model geliştirme ve dağıtım sürecini basitleştirmiştir. Sadece gerekli temsilcileri ve araçları bağlamaları yeterlidir. Genellikle son kullanıcılar bu temsilcileri doğrudan kullanır.
Akıl yürütme ağı, acenta ağının destek altyapısıdır. Geliştiricilere daha düşük seviyeli erişim izni sağlar. Normalde, son kullanıcılar doğrudan akıl yürütme ağı kullanmaz. Geliştiriciler kendi modellerini dağıtmaları gerekir, bu sadece LLM ile sınırlı değildir ve onları off-chain veya on-chain erişim noktaları aracılığıyla kullanabilirler.
Acente ağı ve akıl ağı tamamen bağımsız ürünler değildir. Dikey bütünleşme ürünleri görmeye başladık. Bu ürünler, benzer altyapıya bağımlı oldukları için hem acente hem de akıl yeteneği sunarlar.
6. Yeni Fırsat Yeri
Model inferansı, eğitim ve vekil ağlarının yanı sıra, web3 alanında keşfedilmeye değer birçok yeni alan var:
Veri Kümeleri: Blok Chain verilerini makine öğrenimi tarafından kullanılabilen bir veri kümesine nasıl dönüştürürsünüz? Makine öğrenimi geliştiricileri daha spesifik ve tematik verilere ihtiyaç duyar. Örneğin, Giza, Merkezi Olmayan Finans'ta özellikle makine öğrenimi eğitimi için bazı yüksek kaliteli veri kümeleri sağlar. İdeal veriler, basit tablo verilerinden daha fazlası olmalı, aynı zamanda Blok Chain dünyasının etkileşimini tanımlayabilecek grafiksel verileri de içermelidir. Şu anda bu alanda hala eksiğimiz var. Bazı projeler şu anda kişisel verilerin gizliliğini korumayı vaat eden Bagel ve Sahara gibi yeni veri kümeleri oluşturdukları için bireyleri ödüllendirerek bu sorunu ele alıyor.
Model Depolama: Bazı modeller oldukça büyük boyutlarda olduğundan, bu modellerin depolanması, dağıtımı ve sürüm kontrolü on-chain makine öğrenimi performansı ve maliyeti ile ilgilidir. Bu alanda, FIL, AR ve 0g gibi öncü projeler ilerleme kaydetti.
Model eğitimi: Dağıtılmış ve doğrulanabilir model eğitimi zor bir konudur. Gensyn, Bittensor, Flock ve Allora gibi önemli ilerlemeler kaydedildi.
İzleme: Model çıkarımının hem on-chain'de hem de off-chain'de gerçekleşmesi nedeniyle, web3 geliştiricilerinin model kullanım durumunu izlemelerine, olası sorunları ve sapmaları zamanında tespit etmelerine yardımcı olacak yeni altyapıya ihtiyacımız var. Uygun izleme araçları sayesinde web3 makine öğrenimi geliştiricileri modelin doğruluğunu sürekli olarak ayarlayabilir ve optimize edebilirler.
RAG Altyapısı: Dağıtılmış RAG için yeni bir altyapı ortamına ihtiyaç vardır. Depolama, gömülü hesaplama ve vektör veritabanı gibi yüksek talepleri vardır ve aynı zamanda veri gizliliğini sağlamak önemlidir. Bu, mevcut Web3 AI altyapısından büyük ölçüde farklıdır, çoğunlukla Firstbatch ve Bagel gibi üçüncü taraflara dayanır.
Web3 için özel olarak tasarlanmış modeller: Tüm modellerin Web3 senaryoları için uygun olmadığını unutmayın. Genellikle, modellerin fiyat tahmini, öneri ve diğer belirli uygulamalara uyum sağlamak için yeniden eğitilmesi gerekebilir. Yapay zeka altyapısının gelişmesiyle, gelecekte daha fazla Web3 yerel modelinin yapay zeka uygulamalarına hizmet etmesini umuyoruz. Örneğin, Pond, fiyat tahmini, öneri, sahtekarlık tespiti ve kara para aklama gibi çeşitli senaryolar için kullanılan bir blockchain GNN geliştiriyor.
Ağ değerlendirmesi: Bir ajanın değerlendirilmesi insan geri bildirimi olmadan zor bir iş olabilir. Ajan oluşturma araçlarının yaygınlaşmasıyla, birçok ajan piyasada ortaya çıkacaktır. Bu, bu ajanların yeteneklerini gösteren ve belirli bir durumda hangi ajanın en iyi performansı gösterdiğine yardımcı olan bir sisteme ihtiyaç duyar. Örneğin, Neuronets bu alanda bir katılımcıdır.
Konsensus Mekanizması：对于 AI 任务，PoS 不一定是最佳选择。计算复杂性、验证的困难和确定性的缺失是 PoS 面临的主要挑战。Bittensor 创造了一种新的智慧型Konsensus Mekanizması，奖励网络中为机器学习模型和输出做出贡献的Düğüm。
7. Gelecek Görünümü
Şu anda dikey bütünleşme eğilimini gözlemliyoruz. Bir temel hesaplama katmanı oluşturarak ağ, eğitim, çıkarım ve aracı ağ hizmetleri de dahil olmak üzere çeşitli makine öğrenimi görevleri için destek sağlayabilir. Bu model, Web3'ün makine öğrenimi geliştiricilerine tam kapsamlı bir tek nokta çözümü sunmayı amaçlamaktadır.
Şu anda, on-chain hesaplama, yüksek maliyetli ve yavaş olmasına rağmen, mükemmel doğrulanabilirlik sunar ve Akıllı Sözleşme gibi backend sistemlerle sorunsuz entegrasyon sağlar. Gelecekte karma uygulamaların yolunu açacağını düşünüyorum. Bazı hesaplama işlemleri ön uçta veya off-chain olarak gerçekleştirilirken, kritik ve karar verici hesaplamalar on-chain olarak tamamlanacaktır. Bu model zaten mobil cihazlarda kullanılmaktadır. Mobil cihazların doğasını kullanarak, küçük modelleri yerel olarak hızlı bir şekilde çalıştırabilir ve daha karmaşık görevleri bulut tabanına, daha büyük LLM işlemine taşıyabilir.
View Original
The content is for reference only, not a solicitation or offer. No investment, tax, or legal advice provided. See Disclaimer for more risks disclosure.
IOSG: Web3+AI'nin bir sonraki patlama noktası nerede?
Yazar: IOSG Ventures
Zhenyang@Upshot, Fran@Giza, Ashely@Neuronets, Matt@Valence, Dylan@Pond'dan gelen geri bildirimler için teşekkür ederim.
Bu araştırma, geliştiriciler için hangi yapay zeka alanlarının en önemli olduğunu ve Web3 ve yapay zeka alanında hangi potansiyel fırsatların patlayabileceğini araştırmayı amaçlamaktadır.
新的 araştırma görüşlerini paylaşmadan önce, RedPill'in 5 milyon ABD dolarlık ilk finansman turuna katıldığımız için çok mutluyuz ve heyecanlıyız, umarız ileride RedPill ile birlikte büyüme fırsatı buluruz!
TL;DR
Web3'ün ve AI'nin birleşmesiyle şifreleme para dünyasının dikkat çeken konusu haline gelirken, şifreleme dünyasının AI altyapısı gelişmeye başlıyor, ancak AI'nın gerçek kullanımı veya AI tarafından inşa edilen uygulamalar fazla değil, AI altyapısının homojenleşme sorunu yavaş yavaş ortaya çıkıyor. Son zamanlarda katıldığımız RedPill'in ilk finansman turu, daha derin anlayışlara yol açtı.
Kaynak:IOSG
Giriş
Kaynak:IOSGVentures
1. RedPill：为 OpenAI 提供Merkeziyetsizlik授权
Daha önce bahsedilen RedPill'e yatırım yaptığımız bir başlangıç noktasıdır.
OpenAI, GPT-4-vision, GPT-4-turbo ve GPT-4o gibi dünya çapında güçlü birkaç modelle donatılmıştır ve ileri seviye yapay zeka Dapp'leri oluşturmak için idealdir.
Geliştiriciler, Oracle Makine veya ön uç arayüzü kullanarak OpenAI API'yi dApp'e entegre edebilirler.
RedPill, farklı geliştiricilerin OpenAI API'sini tek bir arayüz altında birleştirerek, dünya genelindeki kullanıcılara hızlı, ekonomik ve doğrulanabilir yapay zeka hizmetleri sunmayı amaçlar. RedPill'in Algoritma yönlendiricisi, geliştiricilerin isteklerini tek bir katkıda bulunan kişiye yönlendirecektir. API istekleri, dağıtım ağı aracılığıyla gerçekleştirilecek ve böylece OpenAI'den gelen herhangi bir kısıtlamayı atlayarak, şifreleme geliştiricilerinin karşılaştığı bazı yaygın sorunları çözecektir, örneğin:
Aynı istek kodunu kullanarak ancak ana bilgisayar adını değiştirerek, geliştiriciler OpenAI modellerine düşük maliyetli, yüksek ölçeklenebilirlik ve sınırsız erişim sağlayabilir.
2. GPU Ağı
除了使用 OpenAI 的 API，许多开发人员还会选择自行在家中托管模型。他们可以依托Merkeziyetsizlik GPU 网络，如 io.net、Aethir、Akash 等流行的网络，自行建立 GPU 集群并部署及运行各种强大的内部或Açık Kaynak模型。
Bu tür GPU ağları, bireysel veya küçük veri merkezlerinin hesaplama gücünden yararlanarak esnek yapılandırma, daha uzun sunucu konumu seçenekleri ve daha düşük maliyet sağlayabilir, böylece geliştiriciler sınırlı bir bütçeyle AI deneyleri yapabilir. Ancak, Merkeziyetsizlik doğasından dolayı, bu tür GPU ağları hala belirli sınırlamalar taşımaktadır, özellikle işlevsellik, kullanılabilirlik ve veri gizliliği açısından.
Son birkaç ayda, GPU talebi önceki BTCMining çılgınlığını aştı. Bu fenomenin nedenleri arasında:
Tavsiye: SLA'ya pek önem vermeyen Web2 geliştiricileri için, io.net kullanıcı dostu ve uygun maliyetli bir seçenek sunar.
3. Çıkarım Ağı
Bu, şifreleme原生 AI 基础设施的核心。它将在未来支持数十亿次 AI 推理操作。许多 AI layer1 或 layer2 为开发者提供了在on-chain原生调用 AI 推理的能力。市场领导者包括 Ritual、Valence 和 Fetch.ai。
Bu ağlar aşağıdaki alanlarda farklılıklar göstermektedir:
3.1 Hedef
İdeal durumda, geliştiriciler herhangi bir yerden, herhangi bir formda kanıtlayarak özel AI çıkarım hizmetlerine kolayca erişebilmeli ve entegrasyon sürecinde neredeyse hiçbir engelle karşılaşmamalıdır.
Akıl yürütme ağı, geliştiricilerin ihtiyaç duyduğu tüm temel destekleri sağlar, bunlar arasında ihtiyaç bazlı oluşturma ve doğrulama kanıtı, akıl yürütme hesaplamaları, akıl yürütme verileri için Röle ve doğrulama, Web2 ve Web3 arabirimleri, tek tuşla model dağıtımı, sistem izleme, Çapraz Zincir Etkileşimi işlemleri, senkronize entegrasyon ve zamanlanmış yürütme gibi işlevler bulunur.
Kaynak:IOSGVentures
Bu özellikler sayesinde geliştiriciler, Akıllı Sözleşmelerine sorunsuz bir şekilde tahmin hizmetlerini entegre edebilirler. Örneğin, Merkezi Olmayan Finans işlem botları oluştururken, bu botlar belirli işlem çiftleri için alım satım fırsatlarını bulmak için makine öğrenme modellerinden yararlanır ve ilgili ticaret stratejilerini temel ticaret platformunda gerçekleştirir.
Tamamen ideal bir durumda, tüm altyapılar bulut üzerinde barındırılır. Geliştiriciler, işlem strateji modellerini torch gibi genel bir formatta yükleyerek, tahmin ağı modellerini depolar ve Web2 ve Web3 sorguları için kullanılabilir hale getirirler.
Tüm model dağıtım adımları tamamlandıktan sonra, geliştiriciler Web3 API veya Akıllı Sözleşme aracılığıyla doğrudan model çıkarımı yapabilirler. Çıkarım ağı bu işlem stratejilerini sürekli olarak yürütecek ve sonuçları temel Akıllı Sözleşme'ye geri bildirecektir. Geliştiricinin yönettiği topluluk fonları büyük miktarda ise, çıkarım sonuçlarının doğrulanması gerekecektir. Çıkarım sonuçları alındığında, Akıllı Sözleşme bu sonuçlara göre işlem yapacaktır.
Kaynak:IOSGVentures
3.1.1 Asenkron ve Senkron
Teorik olarak, asenkron yürütülen akıl yürütme işlemleri daha iyi performans gösterebilir; ancak bu yöntem, geliştirme deneyiminde zorluklar yaşanmasına neden olabilir.
Eşzamansız yöntemi kullanırken, geliştiricinin önce görevi çıkarım ağının akıllı sözleşmesine göndermesi gerekir. Çıkarım görevi tamamlandığında, çıkarım ağının akıllı sözleşmesi sonucu döndürür. Bu programlama modunda, mantık iki bölüme ayrılır: çıkarım çağrısı ve çıkarım sonucu işleme.
Kaynak:IOSGVentures
Eğer geliştiriciler iç içe geçmiş akıl yürütme çağrıları ve büyük miktarda kontrol mantığı varsa, durum daha da kötüleşir.
Kaynak:IOSGVentures
Asenkron programlama modeli, mevcut Akıllı Sözleşme entegrasyonuyla uyumlu hale getirmeyi zorlaştırır. Bu, geliştiricilerin ekstra kod yazması, hata işleme ve bağımlılıkları yönetmesi gerektirir.
Karşılık olarak, senkron programlama geliştiriciler için daha sezgisel olsa da, yanıt süresi ve Blok zinciri tasarımı açısından sorunlar getirir. Örneğin, giriş verileri Blok zamanı veya hızlı değişen bir veri olan fiyat gibi durumlarda, çıkarım tamamlandıktan sonra veri taze kalmaz ve bu özel durumlarda Akıllı Sözleşme'nin gerçekleştirilmesi için Geri Alım gerekebilir. Düşünün, eski bir fiyatla işlem yapmak.
Kaynak:IOSGVentures
Çoğu AI altyapısı asenkron işlem kullanırken, Valence bu sorunları çözmeye çalışıyor.
3.2 Gerçek Durum
Aslında, birçok yeni akıl yürütme ağı henüz test aşamasında, örneğin Ritual ağı gibi. Onların resmi belgelerine göre, bu ağların mevcut işlevleri oldukça sınırlıdır (doğrulama, kanıt vb. gibi işlevler henüz aktif değil). Şu anda on-chain AI hesaplamalarını desteklemek için bir bulut altyapısı sunmuyorlar, bunun yerine on-chain'e kendi kendini barındıran AI hesaplamaları için bir çerçeve sunuyorlar ve sonuçları on-chain'e iletiyorlar.
Bu Arweave Adres üzerinden on-chain mint ile Değiştirilemez Token üreten bir AIGC NFT mimarisi.
Kaynak:IOSGVentures
Bu süreç oldukça karmaşıktır, geliştiriciler çoğu temel altyapıyı kendi başlarına dağıtmanız ve bakımını yapmanız gerekmektedir, örneğin özel hizmet mantığıyla donatılmış Ritual Düğümü, Stable Diffusion Düğüm ve Değiştirilemez Token Akıllı Sözleşmesi gibi.
Öneri: Şu anda, özelleştirilmiş modellerin bütünleştirilmesi ve dağıtımı konusunda akıllı ağlar oldukça karmaşıktır ve çoğu ağ bu aşamada doğrulama işlevini desteklemez. AI teknolojisinin ön uca uygulanması, geliştiricilere göreceli olarak basit bir seçenek sunacaktır. Doğrulama işlevine çok ihtiyacınız varsa, ZKML sağlayıcısı Giza iyi bir seçenektir.
4. Vekil Ağı
Acente ağı, kullanıcıların kolayca özelleştirebilmelerini sağlar. Bu tür ağlar, görevleri bağımsız olarak yerine getirebilen, bulut ortamında birbirleriyle etkileşime girebilen ve Blok zinciri ağı ile etkileşime girebilen varlıklar veya Akıllı Sözleşmeler tarafından oluşturulmuştur ve bu süreç insan müdahalesine gerek kalmadan gerçekleşir. Bu, LLM teknolojisine odaklanmıştır. Örneğin, Ethereum'u derinlemesine anlayan bir GPT sohbet robotu sunabilir. Bu tür sohbet robotları şu anda oldukça sınırlı araçlara sahip, geliştiriciler henüz bu temelde karmaşık uygulamalar geliştiremiyorlar.
Kaynak:IOSGVentures
Ancak gelecekte, aracı ağlar aracıların kullanımı için daha uzun araçlar sunacak, sadece bilgi değil, aynı zamanda harici API'leri çağırma, belirli görevleri gerçekleştirme yeteneği vb. Geliştiriciler, bir iş akışı oluşturmak için bir dizi aracıyı birleştirebilecekler. Örneğin, Solidity akıllı sözleşme yazmak, protokol tasarımı aracısı, Solidity geliştirme aracısı, kod güvenlik incelemesi aracısı ve Solidity dağıtım aracısı gibi özel araçları içerecektir.
Kaynak:IOSGVentures
Ajanların işbirliğini koordine etmek için ipuçları ve senaryoları kullanıyoruz。
Bazı örnekler arasında Flock.ai, Myshell, Theoriq yer alır.
Öneri: Çoğu vekilin işlevleri nispeten sınırlıdır. Belirli kullanım durumları için, Web2 vekilleri daha iyi hizmet verebilir ve Langchain, Llamaindex gibi olgun düzenleme araçlarına sahiptir.
5. Ajan Ağı ve Çıkarım Ağındaki Farklılıklar
Temsilci ağı, özellikle LLM'ye odaklanır ve Langchain gibi araçları long birleştirmek için sağlar. Genellikle geliştiricilerin makine öğrenme modellerini kendileri geliştirmeleri gerekmez, temsilci ağı model geliştirme ve dağıtım sürecini basitleştirmiştir. Sadece gerekli temsilcileri ve araçları bağlamaları yeterlidir. Genellikle son kullanıcılar bu temsilcileri doğrudan kullanır.
Akıl yürütme ağı, acenta ağının destek altyapısıdır. Geliştiricilere daha düşük seviyeli erişim izni sağlar. Normalde, son kullanıcılar doğrudan akıl yürütme ağı kullanmaz. Geliştiriciler kendi modellerini dağıtmaları gerekir, bu sadece LLM ile sınırlı değildir ve onları off-chain veya on-chain erişim noktaları aracılığıyla kullanabilirler.
Acente ağı ve akıl ağı tamamen bağımsız ürünler değildir. Dikey bütünleşme ürünleri görmeye başladık. Bu ürünler, benzer altyapıya bağımlı oldukları için hem acente hem de akıl yeteneği sunarlar.
6. Yeni Fırsat Yeri
Model inferansı, eğitim ve vekil ağlarının yanı sıra, web3 alanında keşfedilmeye değer birçok yeni alan var:
7. Gelecek Görünümü
Şu anda dikey bütünleşme eğilimini gözlemliyoruz. Bir temel hesaplama katmanı oluşturarak ağ, eğitim, çıkarım ve aracı ağ hizmetleri de dahil olmak üzere çeşitli makine öğrenimi görevleri için destek sağlayabilir. Bu model, Web3'ün makine öğrenimi geliştiricilerine tam kapsamlı bir tek nokta çözümü sunmayı amaçlamaktadır.
Şu anda, on-chain hesaplama, yüksek maliyetli ve yavaş olmasına rağmen, mükemmel doğrulanabilirlik sunar ve Akıllı Sözleşme gibi backend sistemlerle sorunsuz entegrasyon sağlar. Gelecekte karma uygulamaların yolunu açacağını düşünüyorum. Bazı hesaplama işlemleri ön uçta veya off-chain olarak gerçekleştirilirken, kritik ve karar verici hesaplamalar on-chain olarak tamamlanacaktır. Bu model zaten mobil cihazlarda kullanılmaktadır. Mobil cihazların doğasını kullanarak, küçük modelleri yerel olarak hızlı bir şekilde çalıştırabilir ve daha karmaşık görevleri bulut tabanına, daha büyük LLM işlemine taşıyabilir.