Önsöz

16 Şubat'ta OpenAI, çok çeşitli görsel veri türlerini kapsayan çok sayıda yüksek kaliteli oluşturulmuş video aracılığıyla üretken yapay zekada bir başka dönüm noktası olan en son metin kontrollü video oluşturma yayılma modeli "Sora"yı duyurdu. Hala birden fazla görüntüden birkaç saniyelik videolar üreten Pika gibi AI video oluşturma araçlarının aksine Sora, videoların ve görüntülerin sıkıştırılmış gizli alanını eğiterek ve bunları uzay-zamansal konum yamalarına ayrıştırarak ölçeklenebilir video oluşturmayı başarıyor. Ayrıca model, fiziksel dünyayı ve dijital dünyayı simüle etme yeteneğini de yansıtıyor.Sonunda sunulan 60 saniyelik demo, "fiziksel dünyanın evrensel bir simülatörü" demek abartı olmaz.

Yapım yöntemi açısından Sora, önceki GPT modelinin "kaynak veri-Transformatör-Dfüzyon-ortaya çıkışı" teknik yoluna devam ediyor; bu, olgun gelişiminin aynı zamanda bir motor olarak bilgi işlem gücü gerektirdiği anlamına geliyor ve bunun için gereken veri miktarı çok fazla. video eğitimi metinden çok daha büyüktür Eğitim verilerinin miktarı, bilgi işlem gücüne olan talebi daha da artıracaktır. Bununla birlikte, daha önceki makalemiz olan "Potansiyel Yolun Önizlemesi: Merkezi Olmayan Bilgi İşlem Güç Piyasası"nda yapay zeka çağında bilgi işlem gücünün önemini zaten tartışmıştık ve yapay zekanın popülaritesindeki son artışla birlikte, zaten çok sayıda bilgi işlem var. Piyasada bilgi işlem gücü projelerinin sayısı ortaya çıkmaya başladı ve pasif olarak faydalanan diğer Depin projelerinde de (depolama, bilgi işlem gücü vb.) artış yaşandı. Peki Web3 ile yapay zekanın kesişmesi Depin'in yanı sıra başka hangi kıvılcımları yaratabilir? Bu parkur başka hangi fırsatları içeriyor? Bu makalenin temel amacı önceki makaleleri güncellemek ve tamamlamak ve Web3'ün AI çağındaki olanakları hakkında düşünmektir.

Yapay zeka gelişiminin tarihinde üç ana yön

Yapay Zeka (Yapay Zeka), insan zekasını simüle etmek, genişletmek ve geliştirmek için tasarlanmış yeni ortaya çıkan bir bilim ve teknolojidir. Yapay zeka, doğduğu 1950'li ve 1960'lı yıllardan bu yana yarım asırdan fazla bir gelişim gösterdi ve artık sosyal yaşamda ve hayatın her kesiminde değişiklikleri teşvik eden önemli bir teknoloji haline geldi. Bu süreçte sembolizm, bağlantıcılık ve davranışçılık gibi üç ana araştırma yönünün iç içe gelişimi, yapay zekanın günümüzdeki hızlı gelişiminin temel taşı haline geldi.

Sembolizm

Mantıkçılık veya düzenlicilik olarak da bilinen bu inanç, sembolleri işleyerek insan zekasını simüle etmenin mümkün olduğu inancıdır. Bu yöntem, problem alanındaki nesneleri, kavramları ve bunların karşılıklı ilişkilerini temsil etmek ve çalıştırmak için sembolleri kullanır ve özellikle uzman sistemlerde ve bilgi temsilinde dikkate değer başarılara imza atan sorunları çözmek için mantıksal akıl yürütmeyi kullanır. Sembolizmin temel fikri, sembollerin gerçek dünyadan yüksek derecede soyutlamayı temsil ettiği sembollerin işleyişi ve mantıksal akıl yürütme yoluyla akıllı davranışın elde edilebileceğidir;

Bağlantıcılık

Veya sinir ağı yöntemi olarak da adlandırılan bu yöntem, insan beyninin yapısını ve işlevini taklit ederek zekaya ulaşmayı amaçlamaktadır. Bu yöntem, birçok basit işlem biriminden (nöronlara benzer) oluşan bir ağ oluşturarak ve bu birimler arasındaki bağlantıların gücünü (sinapslara benzer şekilde) ayarlayarak öğrenmeyi gerçekleştirir. Bağlantıcılık özellikle verilerden öğrenme ve genelleme yeteneğini vurgular ve özellikle örüntü tanıma, sınıflandırma ve sürekli girdi-çıktı haritalama sorunları için uygundur. Bağlantıcılığın bir gelişimi olarak derin öğrenme, görüntü tanıma, konuşma tanıma ve doğal dil işleme gibi alanlarda çığır açıcı gelişmeler kaydetmiş;

Davranışçılık

Davranışçılık, biyonik robotik ve otonom akıllı sistemler araştırmalarıyla yakından ilişkilidir ve akıllı ajanların çevreyle etkileşim yoluyla öğrenebileceğini vurgulamaktadır. İlk ikisinden farklı olarak davranışçılık, içsel temsilleri veya düşünce süreçlerini simüle etmeye değil, algı ve eylem döngüleri yoluyla uyarlanabilir davranışa ulaşmaya odaklanır. Davranışçılık, zekanın çevreyle dinamik etkileşim ve öğrenme yoluyla ortaya konulduğuna inanır.Bu yöntem özellikle karmaşık ve öngörülemeyen ortamlarda hareket etmesi gereken mobil robotlara ve uyarlanabilir kontrol sistemlerine uygulandığında etkilidir.

Davranışçılık, biyonik robotik ve otonom akıllı sistemler araştırmalarıyla yakından ilişkilidir ve akıllı ajanların çevreyle etkileşim yoluyla öğrenebileceğini vurgulamaktadır. İlk ikisinden farklı olarak davranışçılık, içsel temsilleri veya düşünce süreçlerini simüle etmeye değil, algı ve eylem döngüleri yoluyla uyarlanabilir davranışa ulaşmaya odaklanır. Davranışçılık, zekanın çevreyle dinamik etkileşim ve öğrenme yoluyla ortaya konulduğuna inanır.Bu yöntem özellikle karmaşık ve öngörülemeyen ortamlarda hareket etmesi gereken mobil robotlara ve uyarlanabilir kontrol sistemlerine uygulandığında etkilidir.

Her ne kadar bu üç araştırma yönü arasında temel farklılıklar olsa da, gerçek yapay zeka araştırmalarında ve uygulamalarında, bunlar aynı zamanda yapay zeka alanının gelişimini ortaklaşa teşvik etmek için etkileşime girebilir ve entegre olabilir.

AIGC ilkelerine genel bakış

Şu anda patlayıcı bir gelişme yaşayan Yapay Zekayla Üretilen İçerik (AIGC), bağlantıcılığın bir evrimi ve uygulamasıdır. AIGC, yeni içerik oluşturmak için insan yaratıcılığını taklit edebilir. Bu modeller, verilerde mevcut olan temel yapıları, ilişkileri ve kalıpları öğrenmek için büyük veri kümeleri ve derin öğrenme algoritmaları kullanılarak eğitilir. Görüntüler, videolar, kod, müzik, tasarımlar, çeviriler, soru yanıtları ve metin dahil olmak üzere kullanıcı giriş istemlerine dayalı yeni ve benzersiz çıktılar oluşturun. Mevcut AIGC temel olarak üç unsurdan oluşuyor: Derin Öğrenme (DL), büyük veri ve büyük ölçekli bilgi işlem gücü.

derin öğrenme

Derin öğrenme, makine öğreniminin (ML) bir alt alanıdır ve derin öğrenme algoritmaları, insan beynini örnek alarak modellenen sinir ağlarıdır. Örneğin insan beyni, bilgiyi öğrenmek ve işlemek için birlikte çalışan milyonlarca birbirine bağlı nöron içerir. Benzer şekilde, derin öğrenme sinir ağları (veya yapay sinir ağları), bir bilgisayarın içinde birlikte çalışan çok sayıda yapay nöron katmanından oluşur. Yapay nöronlar, verileri işlemek için matematiksel hesaplamaları kullanan, düğüm adı verilen yazılım modülleridir. Yapay sinir ağları, karmaşık sorunları çözmek için bu düğümleri kullanan derin öğrenme algoritmalarıdır.

Sinir ağları hiyerarşik bir düzeyden giriş katmanı, gizli katman ve çıkış katmanına ayrılabilir ve parametreler farklı katmanlar arasında bağlanır.

● Giriş Katmanı: Giriş katmanı, sinir ağının ilk katmanıdır ve harici giriş verilerinin alınmasından sorumludur. Giriş katmanındaki her nöron, giriş verilerinin bir özelliğine karşılık gelir. Örneğin görüntü verilerini işlerken her nöron görüntüdeki bir piksel değerine karşılık gelebilir;

● Gizli Katman: Giriş katmanı verileri işler ve sinir ağındaki diğer katmanlara iletir. Bu gizli katmanlar, bilgiyi farklı düzeylerde işler ve yeni bilgi alırken davranışlarını ayarlar. Derin öğrenme ağları yüzlerce gizli katmana sahiptir ve sorunları birçok farklı açıdan analiz etmek için kullanılabilir. Örneğin, size sınıflandırmanız gereken bilinmeyen bir hayvanın resmi verilirse, onu zaten bildiğiniz hayvanlarla karşılaştırabilirsiniz. Örneğin kulaklarının şeklinden, bacak sayısından ve gözbebeklerinin büyüklüğünden onun ne tür bir hayvan olduğunu anlayabilirsiniz. Derin sinir ağlarındaki gizli katmanlar da aynı şekilde çalışır. Bir derin öğrenme algoritması bir hayvanın görüntüsünü sınıflandırmaya çalışıyorsa, gizli katmanlarının her biri hayvanın farklı bir özelliğini işleyecek ve onu doğru bir şekilde sınıflandırmaya çalışacaktır;

● Çıkış Katmanı: Çıkış katmanı, sinir ağının son katmanıdır ve ağın çıktısının üretilmesinden sorumludur. Çıkış katmanındaki her nöron olası bir çıkış kategorisini veya değerini temsil eder. Örneğin, bir sınıflandırma probleminde, her bir çıktı katmanı nöronu bir kategoriye karşılık gelebilirken, bir regresyon probleminde, çıktı katmanı, değeri tahmin sonucunu temsil eden yalnızca bir nörona sahip olabilir;

● Parametreler: Sinir ağlarında, farklı katmanlar arasındaki bağlantılar ağırlıklar (Ağırlıklar) ve önyargılar (Biases) parametreleriyle temsil edilir. Bu parametreler, ağın verideki kalıpları doğru bir şekilde tanımlamasını ve tahminlerde bulunmasını sağlamak için eğitim süreci sırasında optimize edilir. Parametrelerdeki artış, sinir ağının model kapasitesini, yani modelin verilerdeki karmaşık modelleri öğrenme ve temsil etme yeteneğini geliştirebilir. Ancak buna bağlı olarak parametrelerdeki artış, hesaplama gücüne olan talebi de artıracaktır.

Büyük veri

Etkili bir şekilde eğitilebilmek için sinir ağları genellikle birden fazla kaynaktan gelen büyük miktarlarda çeşitli ve yüksek kaliteli verilere ihtiyaç duyar. Makine öğrenimi modeli eğitimi ve doğrulamasının temelini oluşturur. Makine öğrenimi modelleri, büyük verileri analiz ederek, tahminler veya sınıflandırmalar yapmak için verilerdeki kalıpları ve ilişkileri öğrenebilir.

Büyük ölçekli bilgi işlem gücü

Büyük veri

Etkili bir şekilde eğitilebilmek için sinir ağları genellikle birden fazla kaynaktan gelen büyük miktarlarda çeşitli ve yüksek kaliteli verilere ihtiyaç duyar. Makine öğrenimi modeli eğitimi ve doğrulamasının temelini oluşturur. Makine öğrenimi modelleri, büyük verileri analiz ederek, tahminler veya sınıflandırmalar yapmak için verilerdeki kalıpları ve ilişkileri öğrenebilir.

Büyük ölçekli bilgi işlem gücü

Sinir ağının çok katmanlı karmaşık yapısı, çok sayıda parametre, büyük veri işleme gereksinimleri ve yinelemeli eğitim yöntemleri (eğitim aşamasında modelin tekrar tekrar yinelenmesi gerekir ve eğitim süreci sırasında ileri yayılım ve geri Aktivasyon fonksiyonu hesaplaması, kayıp fonksiyonu hesaplaması, gradyan hesaplaması ve ağırlık güncellemesi de dahil olmak üzere her katman hesaplaması için yayılma gereklidir), yüksek hassasiyetli hesaplama gereksinimleri, paralel hesaplama yetenekleri, optimizasyon ve düzenleme teknikleri ve model değerlendirme ve doğrulama süreçleri birlikte yüksek bilgi işlem gücü talebi.

Sora

OpenAI tarafından piyasaya sürülen en yeni video nesli yapay zeka modeli olan Sora, yapay zekanın çeşitli görsel verileri işleme ve anlama becerisinde büyük bir ilerlemeyi temsil ediyor. Sora, video sıkıştırma ağı ve uzamsal-zamansal yama teknolojisini kullanarak, dünyanın her yerindeki farklı cihazlar tarafından yakalanan büyük görsel verileri birleşik bir temsile dönüştürebiliyor ve böylece karmaşık görsel içeriğin verimli bir şekilde işlenmesini ve anlaşılmasını sağlıyor. Metin koşullu Difüzyon modeline dayanan Sora, son derece yüksek yaratıcılık ve uyarlanabilirlik gösteren, metin istemlerine dayalı olarak yüksek düzeyde eşleşen videolar veya resimler oluşturabilir.

Bununla birlikte, Sora'nın video oluşturma ve gerçek dünya etkileşimlerini simüle etme konusundaki atılımlarına rağmen, fiziksel dünya simülasyonlarının doğruluğu, uzun video oluşturmada tutarlılık, karmaşık metin talimatlarının anlaşılması ve eğitim ve oluşturma verimliliği dahil olmak üzere hala çeşitli sınırlamalarla karşı karşıyadır. Ve Sora, OpenAI'nin tekel seviyesindeki bilgi işlem gücü ve ilk hamle avantajı sayesinde şiddetli bir estetiğe ulaşıyor ve diğer AI şirketlerinin hala teknolojik dolambaçlı yolları varken, "büyük veri-Transformatör-Yayılma-ortaya çıkışı" şeklindeki eski teknoloji yolunu sürdürüyor.

Her ne kadar Sora'nın blockchain ile pek alakası olmasa da önümüzdeki bir-iki yıl içerisinde daha da popüler hale geleceğini şahsen düşünüyorum. Sora'nın etkisi nedeniyle diğer yüksek kaliteli yapay zeka oluşturma araçlarının hızla ortaya çıkıp gelişmesini zorlayacak ve GameFi, sosyal ağ, yaratım platformları ve Web3'teki Depin gibi birçok yola yayılacak, dolayısıyla genel bir yapıya sahip olmak gerekiyor. Sora'nın anlaşılması Gelecekte yapay zekanın Web3 ile etkili bir şekilde nasıl birleştirileceği, düşünmemiz gereken önemli bir nokta olabilir.

AI x Web3'ün dört ana yolu

Yukarıda da bahsettiğimiz gibi üretken yapay zeka için gereken temelin aslında sadece üç nokta olduğunu biliyoruz: algoritma, veri ve bilgi işlem gücü. Öte yandan yapay zeka, üretim yöntemini çok yönlülük ve üretkenlik açısından altüst eden bir araçtır. Etkileri. Blockchain'in en büyük rolü iki yönlüdür: üretim ilişkilerinin yeniden inşası ve ademi merkeziyet. Dolayısıyla ben şahsen bu ikisinin çarpışmasından doğabilecek dört yol olduğunu düşünüyorum:

Merkezi olmayan bilgi işlem gücü

İlgili makaleler geçmişte yazıldığı için bu paragrafın temel amacı bilgi işlem güç hattının mevcut durumunu güncellemektir. Yapay zeka söz konusu olduğunda bilgi işlem gücü her zaman kaçınılmaz bir faktördür. Yapay zekanın bilgi işlem gücüne olan talebi o kadar büyük ki Sora'nın doğumundan sonra bu hayal bile edilemezdi. Geçtiğimiz günlerde İsviçre'nin Davos kentinde düzenlenen 2024 Dünya Ekonomik Forumu'nda OpenAI CEO'su Sam Altman, bu aşamada bilgi işlem gücü ve enerjinin en büyük prangalar olduğunu ve gelecekte bunların öneminin para birimi kadar bile olacağını açıkça ifade etti. 10 Şubat'ta Sam Altman, mevcut küresel yarı iletken endüstrisi modelini yeniden yazmak için Twitter'da 7 trilyon ABD Doları (2023'te Çin'in ulusal GSYİH'sının %40'ına eşdeğer) toplamaya yönelik son derece şaşırtıcı bir planı duyurdu: Bir çip imparatorluğu yaratmak. Bilgisayar gücüyle ilgili makaleler yazarken hayal gücüm hâlâ ulusal ablukalar ve dev tekellerle sınırlıydı.Günümüzde tek bir şirketin küresel yarı iletken endüstrisini kontrol etmek istemesi gerçekten çılgınlık.

Bu nedenle, merkezi olmayan hesaplama gücünün önemi apaçık ortadadır.Blockchain'in özellikleri, gerçekten de mevcut bilgi işlem gücü tekeli ve özel GPU'ların pahalı satın alınması sorununu çözebilir. Yapay zeka gereksinimleri açısından bakıldığında, bilgi işlem gücünün kullanımı iki yöne ayrılabilir: çıkarım ve eğitim. Şu anda, merkezi olmayan ağların ihtiyacından sinir ağı tasarımıyla birleştirilmesine kadar eğitime odaklanan yalnızca birkaç proje var. ultra donanım ihtiyacı Yüksek talebin, eşiği son derece yüksek ve uygulanması son derece zor olan bir yön olması kaçınılmazdır. Mantık nispeten basit: Bir yandan merkezi olmayan ağ tasarımı karmaşık değil, diğer yandan donanım ve bant genişliği gereksinimleri düşük ve bu da şu anda nispeten ana akım olarak kabul ediliyor.

Merkezi bilgi işlem gücü pazarının hayal gücü çok büyük ve genellikle "trilyonluk seviye" anahtar kelimesiyle ilişkilendiriliyor ve aynı zamanda yapay zeka çağında en sık abartılan konu. Ancak son zamanlarda ortaya çıkan çok sayıda projeye bakılırsa bunların çoğu hala popülerlik kazanmak için raflara akın ediyor. Her zaman merkeziyetsizleşmenin doğru bayrağını yüksekte tutuyoruz, ancak merkezi olmayan ağların verimsizliği konusunda sessiz kalıyoruz. Ve tasarımda yüksek derecede homojenlik var. Çok sayıda proje birbirine çok benziyor (tek tıklamayla L2 artı madencilik tasarımı), bu da sonuçta geleneksel AI yolundan pay almanın zor olduğu bir duruma yol açabilir.

Algoritma ve model işbirliği sistemi

Makine öğrenimi algoritmaları, verilerden kuralları ve kalıpları öğrenebilen ve bunlara dayanarak tahminler veya kararlar verebilen bu algoritmaları ifade eder. Algoritmalar teknoloji yoğundur çünkü tasarımları ve optimizasyonları derin uzmanlık ve teknolojik yenilik gerektirir. Algoritmalar yapay zeka modellerinin eğitiminin temelini oluşturur ve verilerin nasıl yararlı içgörülere veya kararlara dönüştürüldüğünü tanımlar. Üretken Rekabet Ağı (GAN), Değişken Otomatik Kodlayıcı (VAE) ve Transformer gibi daha yaygın üretken yapay zeka algoritmalarının her biri belirli bir alan için tasarlanmıştır (resim, dil tanıma, çeviri ve video oluşturma gibi) veya bir amaç için doğmuştur. ve ardından algoritmalar aracılığıyla özel bir yapay zeka modelini eğitin.

Yani her biri kendine has özelliklere sahip o kadar çok algoritma ve model var ki, bunları hem sivil hem de askeri olabilecek bir modele entegre edebilir miyiz? Son zamanlarda oldukça popüler hale gelen Bittensor, bu yönde lider konumdadır ve madencilik teşviklerini kullanarak farklı yapay zeka modellerinin ve algoritmalarının işbirliği yapmasına ve birbirlerinden öğrenmesine olanak tanıyarak daha verimli ve çok yönlü yapay zeka modelleri oluşturur. Ayrıca Komün Yapay Zeka (kod işbirliği) vb. de bu yöne odaklanmaktadır. Bununla birlikte, mevcut yapay zeka şirketleri için algoritmalar ve modeller kendi sihirli silahlarıdır ve isteğe bağlı olarak ödünç alınmayacaklardır.

Bu nedenle, AI işbirlikçi ekosisteminin anlatımı çok yeni ve ilginçtir. İşbirlikçi ekosistem, AI algoritma adasının dezavantajlarını entegre etmek için blok zincirinden yararlanır, ancak karşılık gelen değeri yaratıp yaratamayacağı henüz bilinmemektedir. Sonuçta, önde gelen yapay zeka şirketlerinin kapalı kaynak algoritmaları ve modelleri çok güçlü bir güncelleme, yineleme ve entegrasyon yeteneğine sahiptir. Örneğin, iki yıldan kısa bir geliştirme sürecinde OpenAI, erken metin oluşturma modellerinden birden fazla alanda oluşturulan modellere geçiş yaptı. Bittensor gibi projeler model ve algoritma konusunda büyük ilerleme kaydetti, hedeflenen alanlar yeni yaklaşımlar gerektirebilir.

Merkezi olmayan büyük veri

Basit bir perspektiften bakıldığında, yapay zekayı beslemek için özel verileri kullanmak ve verileri etiketlemek, blockchain ile oldukça tutarlı olan yönlerdir.Sadece gereksiz verileri ve kötülükleri nasıl önleyeceğinize dikkat etmeniz gerekir ve veri depolama da FIL ve AR'yi kullanabilir. Depin projesinin faydalanması için. Karmaşık bir perspektiften bakıldığında, blockchain verilerinin erişilebilirliğini çözmek için makine öğrenimi (ML) için blockchain verilerini kullanmak da ilginç bir yöndür (Gize'nin keşif yönlerinden biri).

Teorik olarak blockchain verilerine her zaman erişilebilir ve tüm blockchainin durumunu yansıtır. Ancak blockchain ekosisteminin dışında kalanlar için bu devasa miktardaki verilere erişmek hiç de kolay değil. Bir blok zincirinin bütünüyle saklanması, kapsamlı uzmanlık ve büyük miktarda özel donanım kaynağı gerektirir. Blockchain verilerine erişmenin zorluklarının üstesinden gelmek için sektörde çeşitli çözümler ortaya çıktı. Örneğin, RPC sağlayıcıları API'ler aracılığıyla düğümlere erişim sağlarken, indeksleme hizmetleri de sorunun çözümünde kilit rol oynayan SQL ve GraphQL aracılığıyla veri çıkarılmasını mümkün kılıyor. Ancak bu yöntemlerin sınırlamaları vardır. RPC hizmetleri, büyük miktarda veri sorgusu gerektiren yüksek yoğunluklu kullanım senaryoları için uygun değildir ve çoğu zaman talebi karşılayamaz. Aynı zamanda, indeksleme hizmetleri veri almak için daha yapılandırılmış bir yol sağlasa da, Web3 protokolünün karmaşıklığı etkili sorgular oluşturmayı son derece zorlaştırır, bazen yüzlerce hatta binlerce satırlık karmaşık kodun yazılmasını gerektirir. Bu karmaşıklık, sıradan veri uygulayıcıları ve Web3'ün ayrıntılarını anlamayanlar için büyük bir engeldir. Bu sınırlamaların kümülatif etkisi, alanda daha geniş çapta benimsenmeyi ve yeniliği teşvik edebilecek blockchain verilerinin elde edilmesi ve kullanılması için daha kolay bir yola olan ihtiyacın altını çiziyor.

Daha sonra ZKML'yi (sıfır bilgiye dayanıklı makine öğrenimi, zincirdeki makine öğreniminin yükünü azaltan) yüksek kaliteli blockchain verileriyle birleştirerek, blockchain erişilebilirliği sorununu çözen bir veri seti oluşturmak mümkün olabilir ve yapay zeka, bunu önemli ölçüde gerçekleştirebilir. Blockchain maliyetini azaltın, veri erişilebilirliğini azaltın, böylece zamanla geliştiriciler, araştırmacılar ve makine öğrenimi meraklıları etkili ve yenilikçi çözümler oluşturmak için daha yüksek kaliteli, alakalı veri kümelerine erişebilecek.

Yapay zeka destekli Dapp

ChatGPT3'ün 2023'te popüler hale gelmesinden bu yana, yapay zeka destekli Dapp çok yaygın bir yön haline geldi. Son derece çok yönlü üretken yapay zekaya, veri platformlarını, ticaret robotlarını, blockchain ansiklopedilerini ve diğer uygulamaları basitleştirmek ve akıllıca analiz etmek için API aracılığıyla erişilebilir. Öte yandan, bir sohbet robotu (Myshell gibi) veya bir AI arkadaşı (Sleepless AI) olarak da hareket edebilir, hatta üretken AI aracılığıyla zincir oyunlarında NPC'ler oluşturabilirsiniz. Ancak teknik engeller çok düşük olduğundan çoğu bir API'ye eriştikten sonra ince ayar yapılıyor ve projenin kendisi ile entegrasyonu mükemmel olmadığından nadiren bahsediliyor.

Ancak Sora'nın gelişinden sonra, şahsen GameFi'yi (Metaverse dahil) güçlendiren yapay zekanın ve yaratıcı platformun yönünün bir sonraki odak noktası olacağını düşünüyorum. Web3 alanının aşağıdan yukarıya doğası nedeniyle, geleneksel oyunlarla veya yaratıcı şirketlerle rekabet edebilecek ürünler üretmek kesinlikle zor olacak ve Sora'nın ortaya çıkışı büyük ihtimalle bu ikilemi kıracak (belki sadece iki ila üç yıl içinde). Sora'nın Demosuna bakılırsa, zaten mikro kısa drama şirketleriyle rekabet etme potansiyeline sahip.Web3'ün aktif topluluk kültürü aynı zamanda çok sayıda ilginç fikri de doğurabilir. Sınır yalnızca hayal gücü olduğunda, aşağıdan yukarıya endüstri ve Top- Geleneksel endüstriler arasındaki engeller yıkılacak.

Çözüm

Üretken yapay zeka araçları gelişmeye devam ettikçe, gelecekte daha fazla çığır açan "iPhone anları" deneyimleyeceğiz. Her ne kadar pek çok kişi yapay zeka ve Web3'ün birleşimini küçümsese de, aslında mevcut gidişatta çoğunlukla hiçbir sorun olmadığını düşünüyorum.Aslında çözülmesi gereken yalnızca üç sıkıntılı nokta var: gereklilik, verimlilik ve uyum. İkisinin entegrasyonu keşif aşamasında olsa da bu durum, bu yolun bir sonraki boğa piyasasının ana akımı haline gelmesini engellemiyor.

Yeniliklere karşı her zaman yeterli merakı ve kabulü sürdürmek bizim için olmazsa olmaz bir zihniyettir.Tarihsel olarak at arabalarının yerini arabaların alması bir anda kaçınılmaz bir sonuç haline gelmiştir.Tıpkı geçmişteki yazılar ve NFT'ler gibi, burada da var. birçok önyargı var.Sadece fırsatı kaçıracaksınız.