Yazar: Cynic Shigeru, CGV Araştırma

Algoritmaların, bilgi işlem gücünün ve verilerin gücünden yararlanan yapay zeka teknolojisindeki ilerlemeler, veri işlemenin ve akıllı karar vermenin sınırlarını yeniden tanımlıyor. Aynı zamanda DePIN, merkezi altyapıdan merkezi olmayan, blockchain tabanlı ağlara doğru bir paradigma değişimini temsil ediyor.

Dünya dijital dönüşüme doğru hızlanmaya devam ederken, yapay zeka ve DePIN (merkezi olmayan fiziksel altyapı), hayatın her alanında değişimi yönlendiren temel teknolojiler haline geldi. Yapay zeka ve DePIN'in entegrasyonu yalnızca teknolojinin hızlı yinelenmesini ve yaygın şekilde uygulanmasını teşvik etmekle kalmayacak, aynı zamanda daha güvenli, şeffaf ve verimli bir hizmet modelinin önünü açarak küresel ekonomiye geniş kapsamlı değişiklikler getirecek.

DePIN: Merkezi olmayan yönetim, dijital ekonominin dayanak noktası olan sanallıktan gerçekliğe doğru ilerliyor

DePIN, Merkezi Olmayan Fiziksel Altyapının kısaltmasıdır. Dar anlamda DePIN, esas olarak güç ağı, iletişim ağı, konumlandırma ağı vb. gibi dağıtılmış defter teknolojisi tarafından desteklenen geleneksel fiziksel altyapının dağıtılmış ağını ifade eder. Genel anlamda, depolama ağları ve bilgi işlem ağları gibi fiziksel cihazlar tarafından desteklenen tüm dağıtılmış ağlara DePIN adı verilebilir.

Gönderen: Messari

Eğer Crypto finansal düzeyde merkezi olmayan değişiklikler yarattıysa, o zaman DePIN reel ekonomide merkezi olmayan bir çözümdür. PoW madencilik makinesinin bir nevi DePIN olduğu söylenebilir. DePIN ilk günden itibaren Web3'ün temel direği olmuştur.

Yapay zekanın üç unsuru olan algoritma, bilgi işlem gücü ve veri; DePIN yalnızca ikincisine sahiptir

Yapay zekanın gelişiminin genellikle üç temel unsura dayandığı kabul edilir: algoritmalar, bilgi işlem gücü ve veriler. Algoritmalar, yapay zeka sistemlerini yönlendiren matematiksel modelleri ve program mantığını, bilgi işlem gücü, bu algoritmaları yürütmek için gereken bilgi işlem kaynaklarını ifade eder ve veriler, yapay zeka modellerinin eğitimi ve optimizasyonunun temelini oluşturur.

Bu üç unsurdan hangisi en önemlisidir? ChatGPT'nin ortaya çıkmasından önce insanlar genellikle bunun bir algoritma olduğunu düşünüyorlardı; aksi takdirde akademik konferanslar ve dergi makaleleri birbiri ardına algoritma ince ayarlarıyla dolmazdı. Ancak chatGPT ve zekasını destekleyen geniş dil modeli LLM ortaya çıktığında insanlar son ikisinin önemini anlamaya başladı. Modellerin doğuşu için muazzam bilgi işlem gücü ön şarttır. Veri kalitesi ve çeşitliliği, sağlam ve verimli bir yapay zeka sistemi oluşturmak için çok önemlidir. Buna karşılık, algoritmalara yönelik gereksinimler artık her zamanki gibi hassas değildir.

Büyük modeller çağında yapay zeka, titiz işçilikten güçlü uçan tuğlalara dönüştü.Bilgisayar gücüne ve verilere olan talep her geçen gün artıyor ve DePIN bunu sağlayabilir. Token teşvikleri uzun kuyruklu pazardan yararlanıyor ve tüketici düzeyinde muazzam bilgi işlem gücü ve depolama, büyük modeller için en iyi besin haline gelecek.

Yapay zekanın merkezi olmaması bir seçenek değil, zorunluluktur

Büyük modeller çağında yapay zeka, titiz işçilikten güçlü uçan tuğlalara dönüştü.Bilgisayar gücüne ve verilere olan talep her geçen gün artıyor ve DePIN bunu sağlayabilir. Token teşvikleri uzun kuyruklu pazardan yararlanıyor ve tüketici düzeyinde muazzam bilgi işlem gücü ve depolama, büyük modeller için en iyi besin haline gelecek.

Yapay zekanın merkezi olmaması bir seçenek değil, zorunluluktur

Elbette bazı insanlar, bilgi işlem gücü ve verilerin AWS bilgisayar odasında mevcut olması ve bunların stabilite ve kullanıcı deneyimi açısından DePIN'den daha iyi olması nedeniyle, merkezi bir hizmet yerine neden DePIN'i seçmeliyiz diye soracaktır.

Bu ifade doğal olarak mantıklı. Sonuçta, mevcut duruma bakıldığında neredeyse tüm büyük modellerin doğrudan veya dolaylı olarak büyük İnternet şirketleri tarafından geliştirildiği görülüyor. ChatGPT'nin arkasında Microsoft, Gemini'nin arkasında da Google var. Çin'deki hemen hemen her büyük İnternet şirketinde bir tane var. Büyük model. Neden? Çünkü yalnızca büyük İnternet şirketleri, güçlü finansal kaynaklarla desteklenen yeterli yüksek kaliteli veri ve bilgi işlem gücüne sahiptir. Ancak bu yanlış, insanlar artık internet devleri tarafından kontrol edilmek istemiyor.

Merkezi yapay zeka, bir yandan veri gizliliği ve güvenliği riskleri taşıyor ve sansüre ve kontrole tabi olabiliyor; diğer yandan İnternet devleri tarafından üretilen yapay zeka, insanların bağımlılığını daha da güçlendirecek, pazar yoğunlaşmasına yol açacak ve inovasyonun önündeki engelleri artıracak.

şuradan: https://www.gensyn.ai/

Yapay zeka çağında insanlığın artık bir Martin Luther'e ihtiyacı kalmamalı, insanların doğrudan Tanrı ile konuşma hakkı olmalı.

İş perspektifinden DePIN: Maliyetin azaltılması ve verimliliğin artırılması çok önemli

İş açısından bakıldığında, merkeziyetsizlik ve merkezileşme arasındaki değer tartışmasını bir kenara bıraksak bile, yapay zeka için DePIN kullanmanın hâlâ yararları var.

Öncelikle şunu açıkça anlamamız gerekiyor ki, internet devlerinin ellerinde çok sayıda üst düzey grafik kartı kaynağı bulunsa da, özel sektör arasında dağılmış tüketici sınıfı grafik kartlarının birleşimi de oldukça önemli bir bilgi işlem gücü ağı oluşturabiliyor. hesaplama gücünün uzun kuyruk etkisidir. Bu tür tüketici sınıfı grafik kartlarının boşta kalma oranı aslında çok yüksektir. DePIN tarafından sağlanan teşvikler elektrik faturasını aşabildiği sürece kullanıcılar ağa bilgi işlem gücü katkıda bulunma teşvikine sahip olacak. Aynı zamanda tüm fiziksel tesisler kullanıcılar tarafından yönetilmektedir.DePIN ağının merkezi tedarikçilerin kaçınılmaz işletme maliyetlerini karşılaması gerekmez ve yalnızca protokol tasarımının kendisine odaklanması gerekir.

Veriler için DePIN ağı, uç bilişim ve diğer yöntemler yoluyla potansiyel verilerin kullanılabilirliğini serbest bırakabilir ve iletim maliyetlerini azaltabilir. Aynı zamanda, dağıtılmış depolama ağlarının çoğunda otomatik veri tekilleştirme işlevleri bulunur ve bu da yapay zeka eğitim verilerinin temizlenmesi işini azaltır.

Son olarak DePIN'in getirdiği Kripto Ekonomi, sistemin hata toleransını artırıyor ve sağlayıcılar, tüketiciler ve platformlar için bir kazan-kazan durumu elde etmesi bekleniyor.

Gönderen: UCLA

İnanmıyorsanız, UCLA'nın en son araştırması, merkezi olmayan bilgi işlem kullanımının aynı maliyetle geleneksel GPU kümelerine göre 2,75 kat daha iyi performans sağladığını, özellikle 1,22 kat daha hızlı ve 4,83 kat daha ucuz olduğunu gösteriyor.

Önümüzdeki zorlu yol: AIxDePIN hangi zorluklarla karşılaşacak?

İnanmıyorsanız, UCLA'nın en son araştırması, merkezi olmayan bilgi işlem kullanımının aynı maliyetle geleneksel GPU kümelerine göre 2,75 kat daha iyi performans sağladığını, özellikle 1,22 kat daha hızlı ve 4,83 kat daha ucuz olduğunu gösteriyor.

Önümüzdeki zorlu yol: AIxDePIN hangi zorluklarla karşılaşacak?

Bu on yılda aya gitmeyi ve diğer şeyleri yapmayı seçiyoruz; kolay oldukları için değil, zor oldukları için.

--John Fitzgerald Kennedy

DePIN'in dağıtılmış depolama ve dağıtılmış bilgi işlem özelliklerini kullanarak güven olmadan yapay zeka modelleri oluşturma konusunda hala birçok zorluk var.

İş doğrulama

Temelde, derin öğrenme modellerinin hesaplanması ve PoW madenciliği genel hesaplamalardır ve en alt katman, kapı devreleri arasındaki sinyal değişiklikleridir. Makro açıdan bakıldığında, PoW madenciliği, sayısız rastgele sayı üretimi ve hash fonksiyonu hesaplamaları ile önüne n sıfır eklenmiş bir hash değeri elde etmeye çalışan "işe yaramaz bir hesaplamadır"; derin öğrenme hesaplamaları ise sayısız rastgele sayı üretimi ve hash fonksiyonu yoluyla "faydalı hesaplamalardır". karma işlevi hesaplamaları İleriye doğru türetme ve geriye doğru türetme, verimli bir yapay zeka modeli oluşturmak için derin öğrenmedeki her katmanın parametre değerlerini hesaplar.

Gerçek şu ki, PoW madenciliği gibi "işe yaramaz hesaplamalar" karma işlevlerini kullanır. Orijinal görüntüden görüntüyü hesaplamak kolaydır, ancak görüntüden orijinal görüntüyü hesaplamak zordur, dolayısıyla herkes geçerliliğini kolayca ve hızlı bir şekilde doğrulayabilir. Derin öğrenme modelinin hesaplanmasında hiyerarşik yapıdan dolayı her katmanın çıktısı bir sonraki katmanın girdisi olarak kullanılır, dolayısıyla hesaplamanın geçerliliğinin doğrulanması önceki tüm çalışmaların yapılmasını gerektirir ve mümkün değildir. basit ve etkili bir şekilde doğrulanabilir.

Gönderen: AWS

İşin doğrulanması çok kritiktir, aksi takdirde hesaplamayı yapan sağlayıcı hesaplamayı hiç gerçekleştiremez ve rastgele oluşturulmuş bir sonuç sunamaz.

Fikirlerden biri, farklı sunucuların aynı bilgi işlem görevlerini gerçekleştirmesini sağlamak ve ardından yürütmeyi tekrarlayıp aynı olup olmadığını kontrol ederek işin etkinliğini doğrulamaktır. Ancak model hesaplamalarının büyük çoğunluğu deterministik değildir ve aynı sonuçlar aynı bilgisayar ortamında bile üretilemez ve yalnızca istatistiksel anlamda benzer olabilir. Ayrıca çift sayım, maliyetlerde hızlı bir artışa yol açacaktır; bu da DePIN'in maliyetleri düşürme ve verimliliği artırma şeklindeki temel hedefiyle tutarlı değildir.

Diğer bir fikir türü de, öncelikle iyimser bir şekilde sonucun etkili bir şekilde hesaplandığına inanan ve aynı zamanda herkesin hesaplama sonucunu kontrol etmesine izin veren İyimser mekanizmadır.Bir hata bulunursa, Sahtekarlık Kanıtı sunulabilir.Anlaşma, Dolandırıcıyı cezalandırın ve bildirin. ödüllendirin.

Paralelleştirme

Daha önce de belirtildiği gibi, DePIN temel olarak uzun kuyruklu tüketici bilgi işlem gücü pazarından yararlanıyor; bu, tek bir cihazın sağlayabileceği bilgi işlem gücünün nispeten sınırlı olduğu anlamına geliyor. Büyük yapay zeka modelleri için tek bir cihazda eğitim çok uzun zaman alacaktır ve eğitim süresini kısaltmak için paralelleştirme kullanılmalıdır.

Derin öğrenme eğitimini paralelleştirmedeki temel zorluk, önceki ve sonraki görevler arasındaki bağımlılıkta yatmaktadır ve bu da paralelleştirmenin başarılmasını zorlaştırmaktadır.

Şu anda, derin öğrenme eğitiminin paralelleştirilmesi esas olarak veri paralelliği ve model paralelliği olarak ikiye ayrılmaktadır.

Veri paralelliği, verilerin birden fazla makineye dağıtılması anlamına gelir. Her makine bir modelin tüm parametrelerini kaydeder, eğitim için yerel verileri kullanır ve son olarak her makinenin parametrelerini birleştirir. Veri paralelliği, veri miktarı büyük olduğunda iyi çalışır ancak parametreleri bir araya getirmek için eşzamanlı iletişim gerektirir.

Model paralelliği, modelin boyutu tek bir makineye sığmayacak kadar büyük olduğunda modelin birden fazla makineye bölünebilmesi ve her makinenin modelin parametrelerinin bir kısmını kaydetmesi anlamına gelir. İleri ve geri yayılım, farklı makineler arasında iletişim gerektirir. Model paralelliğinin, model büyük olduğunda avantajları vardır, ancak ileri ve geri yayılım sırasında iletişim yükü büyüktür.

Farklı katmanlar arasındaki gradyan bilgisi senkron güncelleme ve asenkron güncelleme olarak ikiye ayrılabilir. Senkronize güncelleme basit ve doğrudandır ancak bekleme süresini artıracaktır; asenkron güncelleme algoritmasının bekleme süresi kısadır ancak kararlılık sorunlarına yol açacaktır.

Kaynak: Stanford Üniversitesi, Paralel ve Dağıtılmış Derin Öğrenme

mahremiyet

Kişisel gizliliğin korunmasına yönelik küresel eğilim artıyor ve dünyanın her yerindeki hükümetler, kişisel veri gizliliği güvenliğinin korunmasını güçlendiriyor. Yapay zeka, halka açık veri kümelerini kapsamlı bir şekilde kullansa da, farklı yapay zeka modellerini gerçekten farklı kılan şey, her kuruluşun özel kullanıcı verileridir.

Eğitim sırasında gizliliği açığa çıkarmadan özel verilerin avantajlarından nasıl yararlanılır? Oluşturulan yapay zeka modelinin parametrelerinin sızdırılmadığından nasıl emin olunur?

Bunlar gizliliğin iki yönüdür; veri gizliliği ve model gizliliği. Veri gizliliği kullanıcıları korurken, model gizliliği de modeli oluşturan kuruluşu korur. Mevcut senaryoda veri gizliliği, model gizliliğinden çok daha önemlidir.

Gizlilik sorununu çözmek için çeşitli çözümler deneniyor. Birleşik öğrenme, veri kaynağında eğitim vererek, verileri yerel olarak tutarak ve model parametrelerini ileterek veri gizliliğini sağlar; sıfır bilgi kanıtı yükselen bir yıldız haline gelebilir.

Vaka analizi: Piyasada hangi yüksek kaliteli projeler var?

Gensyn

Gensyn, yapay zeka modellerini eğitmek için kullanılan dağıtılmış bir bilgi işlem ağıdır. Ağ, derin öğrenme görevlerinin doğru şekilde yürütüldüğünü doğrulamak ve ödemeleri komutlar aracılığıyla tetiklemek için Polkadot'u temel alan bir blockchain katmanı kullanıyor. 2020'de kurulan şirket, Haziran 2023'te a16z liderliğinde 43 milyon ABD Doları tutarında A Serisi finansman açıkladı.

Gensyn, doğrulama işlerinin tutarlılık açısından yeniden çalıştırılmasına ve karşılaştırılmasına olanak sağlamak üzere çok ayrıntılı, grafik tabanlı bir hassas protokol ve çapraz değerlendirici tarafından tutarlı bir şekilde yürütülen, gerçekleştirilen işin sertifikalarını oluşturmak için gradyan tabanlı optimizasyon sürecinin meta verilerini kullanır. ve sonuçta zincir tarafından hesaplamanın geçerliliğini sağlamak için kendiniz onaylayın. İş doğrulamanın güvenilirliğini daha da güçlendirmek için Gensyn, teşvik oluşturmak amacıyla staking'i tanıtıyor.

Sistemde dört tür katılımcı vardır: gönderenler, çözenler, doğrulayanlar ve raporlayanlar.

Çözenin bir taahhütte bulunması gerekir ve ihbarcı, çözenin çalışmasını test eder. Eğer bir kötülük yaptığını fark ederse, buna itiraz eder. Mücadele geçildikten sonra, çözen tarafından taahhüt edilen jetonlar para cezasına çarptırılacak ve ihbarcı ödüllendirilecektir.

Gensyn'in tahminlerine göre bu çözümün, eğitim maliyetlerini merkezi sağlayıcıların maliyetinin 1/5'ine düşürmesi bekleniyor.

Çözenin bir taahhütte bulunması gerekir ve ihbarcı, çözenin çalışmasını test eder. Eğer bir kötülük yaptığını fark ederse, buna itiraz eder. Mücadele geçildikten sonra, çözen tarafından taahhüt edilen jetonlar para cezasına çarptırılacak ve ihbarcı ödüllendirilecektir.

Gensyn'in tahminlerine göre bu çözümün, eğitim maliyetlerini merkezi sağlayıcıların maliyetinin 1/5'ine düşürmesi bekleniyor.

Gönderen: Gensyn

FedML

FedML, her yerde ve her ölçekte, merkezi olmayan ve işbirliğine dayalı yapay zeka için merkezi olmayan, işbirliğine dayalı bir makine öğrenimi platformudur. Daha spesifik olarak FedML, birleştirilmiş veriler, modeller ve bilgi işlem kaynakları üzerinde gizliliği koruyan bir şekilde işbirliği yaparken makine öğrenimi modellerini eğitmek, dağıtmak, izlemek ve sürekli olarak geliştirmek için bir MLOps ekosistemi sağlar. 2022'de kurulan FedML, Mart 2023'te 6 milyon dolarlık bir tohum turu açıkladı.

FedML iki temel bileşenden oluşur: sırasıyla yüksek seviyeli API'yi ve düşük seviyeli API'yi temsil eden FedML-API ve FedML-core.

FedML çekirdeği iki bağımsız modül içerir: dağıtılmış iletişim ve model eğitimi. İletişim modülü, farklı çalışanlar/müşteriler arasındaki temel iletişimden sorumludur ve MPI'yı temel alır; model eğitim modülü ise PyTorch'u temel alır.

FedML-API, FedML çekirdeği üzerine kurulmuştur. FedML-core ile yeni dağıtılmış algoritmalar, müşteri odaklı programlama arayüzlerinin benimsenmesiyle kolaylıkla uygulanabilir.

FedML ekibinin son çalışması, tüketici GPU RTX 4090 üzerinde yapay zeka modeli çıkarımı gerçekleştirmek için FedML Nexus AI kullanmanın A100'den 20 kat daha ucuz ve 1,88 kat daha hızlı olduğunu kanıtladı.

Gönderen: FedML

Geleceğe Bakış: DePIN yapay zekanın demokratikleşmesini getiriyor

Bir gün yapay zeka daha da gelişerek AGI'ye dönüşecek ve bilgi işlem gücü fiilen evrensel para birimi haline gelecek.DePIN bu sürecin önceden gerçekleşmesini sağlayacak.

Yapay zeka ve DePIN'in entegrasyonu yeni bir teknolojik büyüme noktası açtı ve yapay zekanın gelişimi için büyük fırsatlar sağladı. DePIN, yapay zekaya muazzam dağıtılmış bilgi işlem gücü ve verileri sağlayarak daha büyük ölçekli modellerin eğitilmesine ve daha güçlü zeka elde edilmesine yardımcı olur. Aynı zamanda DePIN, yapay zekanın daha açık, güvenli ve güvenilir bir yönde gelişmesini sağlayarak tek bir merkezi altyapıya bağımlılığı azaltır.

Geleceğe baktığımızda yapay zeka ve DePIN işbirliği içinde gelişmeye devam edecek. Dağıtılmış ağ, çok büyük modellerin eğitimi için güçlü bir temel sağlayacak ve bu modeller DePIN'in uygulanmasında önemli bir rol oynayacak. Yapay zeka, gizliliği ve güvenliği korurken aynı zamanda DePIN ağ protokollerinin ve algoritmalarının optimize edilmesine de yardımcı olacak. Yapay zeka ve DePIN'in daha verimli, daha adil ve daha güvenilir bir dijital dünya getirmesini sabırsızlıkla bekliyoruz.