Dijital Sinerji: Yapay Zeka ve Blockchain'in Birleşmesi Nasıl Sonuçlanacak?

Kasım 2022'de OpenAI, chatbot ChatGPT'yi tanıttı. Hizmetin kullanıma sunulmasından iki ay sonra aktif kullanıcı sayısı 100 milyona ulaştı. Karşılaştırma yapmak gerekirse, TikTok'un bu seviyeye ulaşması yaklaşık dokuz ay, Instagram'ın ise iki yıldan fazla sürdü.

O zamana kadar üretken yapay zeka zaten oldukça popülerdi ve yeni ürün, segmente olan ilgiyi daha da artırdı. Yapay zeka (AI) hakkındaki heyecan dalgasının kripto para birimi endüstrisini de atlamaması şaşırtıcı değil.

2022'nin sonundan bu yana, geliştiricilerin güvencelerine göre teknolojiyi kullanan projelerin tokenlarında yerel mitingleri periyodik olarak gözlemlemek mümkün oldu. Bununla birlikte, bazıları herhangi bir algoritmanın entegrasyon derecesinin düşük seviyede olduğuna sebepsiz yere inanarak bu tür varlıklara şüpheyle yaklaşıyor.

Bununla birlikte, mevcut ürünler hakkında farklı ve oldukça kutuplaşmış görüşler olsa da, blockchain ile yapay zeka arasındaki potansiyel sinerji konusunda bir miktar fikir birliği var.

Kripto borsaları ve Web3 hızlandırıcıları da dahil olmak üzere pek çok oyuncu, yapay zeka ve blok zincirini birleştirmenin, her iki sektörün de mevcut sorunları çözmesine olanak tanıyarak her iki sektöre de fayda sağlayacağına inanıyor. Bazı risk sermayedarları da benzer bir görüşe sahip. Örneğin Mayıs 2023'te Paradigm'in yapay zekaya olan ilgisini genişleteceği bildirildi.

Yapay zeka algoritmalarının neden merkeziyetsizliğe ihtiyacı var?

Yapay zeka ve blockchain arasındaki sinerjiye dair anlatı yeni bir şey değil. Ancak ilgili araştırma verilerinin de gösterdiği gibi, alana olan ilgi son birkaç yılda önemli ölçüde arttı.

Dağıtılmış ağları yapay zeka hizmetleriyle entegre etmenin yapay zeka geliştiricileri için uzun vadeli birçok faydası vardır. Blockchain, bilgi işlem gücü eksikliğiyle ilgili olanlar gibi bir dizi kritik engeli ortadan kaldırma veya en azından hafifletme potansiyeline sahiptir.

Bu sinerji aynı zamanda yenilikçi birlikte çalışabilirlik seçeneklerine erişimin de önünü açıyor. Örneğin, DLT teknolojisi, sinir modellerinde ince ayar yapılmasına ve algoritmaların eğitimi için daha temsili veri kümelerinin toplanmasına olanak sağlayabilir.

Sistemleri yapay zekayla (özellikle zincir içi ve akıllı sözleşmelerle) entegre etmek aynı zamanda blockchain endüstrisine de fayda sağlayacaktır. Yapay zeka, dağıtılmış ağların performansını potansiyel olarak artırabilir ve merkezi olmayan finans (DeFi) sektörü için önemli bir büyüme itici gücü haline gelebilir.

Herkesin sorunları var

Yapay zekanın bilimsel bir alan olarak tarihi neredeyse 70 yıllıktır. Ancak sektör, yaygın olarak benimsenmesini engelleyen bazı engelleri hiçbir zaman ortadan kaldırmayı başaramadı. Üstelik endüstri geliştikçe yeni zorluklar ortaya çıktı.

Aşağıda, dağıtılmış ağların belirli sınırlamaları ortadan kaldırabileceği bazı potansiyel senaryoların ayrıntılarını veriyorum.

Güç sıkıntısı

Grafik işlem birimleri (GPU'lar), algoritmaların eğitiminde ve kullanıcı sorgularının çıkarılmasında önemlidir. Bu, özellikle Nvidia'nın 2024 Mali Yılı 1. Çeyreğine ilişkin raporunda belirgindir.

Yapay zeka sektörünün büyümesi karşısında GPU'lara olan talepte keskin bir artış yaşandı ve bu da mikro devrelerde önemli bir kıtlığa yol açtı. Durum o kadar ciddiydi ki Google ve Amazon gibi büyük bulut hizmeti sağlayıcıları müşterilerine kısıtlamalar bile uygulamaya başladı.

Yapay zekaya dahil olan birçok şirket alternatif tedarikçilere (örneğin Lambda) yöneldi ancak onlar da kapasite sınırlarına yaklaşmışlardı.

Merkezi olmayan bilgi işlem ağları sorunu çözebilir. Bunlar, bilgi işlem gücüne ihtiyaç duyan kuruluşları gerekli kaynaklara sahip sistem sahipleriyle buluşturan fiili aracılardır .

Bu tür çözümler, merkezi hizmet sağlayıcılara kıyasla daha düşük fiyatlar sunar. Bunun temel nedeni, sisteme bağlı sağlayıcılar için ek maliyetlerin olmamasıdır.

Bu tür bilgi işlem ağlarının iki ana türü vardır:

• Genel amaçlı (GP). Bunlar, çeşitli uygulamalara kaynak sağlayan merkezi olmayan bulut hizmetlerini içerir. İşletim modelleri bir pazar yerini andırıyor; müşteriler, kendi fiyatlarını belirleyen sağlayıcılardan sunucu alanı kiralıyorlar.
• Özel amaçlı (SP). Bunlar aksine, belirli kullanım senaryoları için tasarlanmıştır. Genellikle mimarileri bilgi işlem kaynaklarını tek bir havuzda (bir tür merkezi olmayan bilgisayar) birleştirir. Bu durumda hizmetlerin maliyeti piyasa dinamikleri veya toplum tarafından kontrol edilen parametreler tarafından belirlenir. Buradaki bir örnek, ML modellerini eğitmek için tasarlanan Gensyn'dir .

Merkezi olmayan ağlar bilgi işlem gücüne erişimi demokratikleştirir. Bu , hesaplama açısından daha da yoğun görevler olan eğitim, algoritmalarda ince ayar yapma ve kullanıcı sorgularını işleme maliyetlerini azaltır.

Ancak topluluk, ML modellerinin dağıtılmış bir kaynak üzerinde eğitilme hızı konusunda endişeli. Alliance üyesi ve Volt Capital ortağı Mohamed Fouda'ya göre bu, merkezi yöntemlerden bir veya iki kat daha yavaş olabilir.

Ekipler halihazırda merkezi olmayan öğrenme sürecini optimize etmek için çalışıyor. Together geliştiricileri teorik olarak darboğazı ortadan kaldıran bir çözüm yaratırken, Gensyn de farklı donanımların ağa bağlanmasından kaynaklanan sorunları hafifletmeye çalışıyordu.

Ancak toplumun para tasarrufu için yavaş öğrenmeden ödün vermesi muhtemeldir.

Sıfır açıklamayla makine öğrenimi

Sıfır bilgi makine öğrenimine (ZKML) odaklanan projeleri ayrı ayrı öne çıkarmak istiyorum.

Bilgi işlem ağlarında doğru çalışmayı sağlamak için güvenilir yürütme ortamları (TEE) ve itibar modelleri gibi çeşitli mekanizmalar kullanılır. Ancak her yaklaşımın kendi sınırlamaları ve dezavantajları vardır. Örneğin bir TEE potansiyel bir donanım saldırı vektörüne sahip olabilir.

Bu nedenle, yeni bir proje dalgası (Gensyn, Modulus Labs ve Giza ), makine öğrenimi için hesaplama bütünlüğünü doğrulamak amacıyla sıfır bilgi kanıtını (ZKP) uygulama denemelerine başladı.

ZKP, bir tarafın (kanıtlayan taraf) bir iddianın doğruluğunu başka bir tarafa (doğrulayan taraf) herhangi bir ek bilgi açıklamadan onaylamasına olanak tanıyan bir şifreleme protokolüdür . Protokol, geliştiricilerin ölçeklenebilir ve güvenli uygulamalar oluşturmasına olanak tanıdığı için blockchain endüstrisinde oldukça popülerdir.

Makine öğrenimine uygulandığında ZKP, gerekirse giriş verilerinin bir kısmını veya modelin kendisini gizler. Bu, özellikle algoritmaların sağlık ve finans gibi sıkı düzenlemelere tabi sektörlerde çalıştığı durumlarda geçerlidir.

ZKML'nin başka avantajları da var. Örneğin yöntem, belirli bir algoritmanın kesin olarak tanımlanmış bir veri seti üzerinde eğitildiğinin kanıtlanmasına olanak tanır. Tescilli yapay zeka durumunda, aynı modelin tüm kullanıcılar için mevcut olduğunun doğrulanması da mümkün olur.

Yaklaşımın bir dezavantajı, kanıtın kendisini üretme sürecidir; bu, orijinal operasyonlardan daha pahalıya mal olabilecek, kaynak yoğun bir görevdir. Bu, bazı durumlarda hesaplamanın pratik olmadığı anlamına gelir.

Bununla birlikte ZKML, yapay zeka endüstrisi için bir ademi merkeziyetçilik vektörüdür. Teknolojinin dar bir oyuncu havuzunun elinde yoğunlaşmasının endişe kaynağı olduğu bir durumda bu önemlidir.

İçerik kimlik doğrulaması

Üretken yapay zekanın gelişimi ve yaygınlaşması, gerçekçi derin sahtekarlıkların ortaya çıkmasına yol açtı. Örnekler arasında Papa Francis'in Balenciaga kaz tüyü ceketli uydurma görüntüleri ve Pentagon yakınlarındaki bir bombalama sahnesinin videosu yer alıyor.

Bu tür derin sahtekarlıklarla mücadele etmek için kriptografik imzalar kullanılabilir; içerik oluşturucunun kimliği, özel-genel anahtar çiftinin eşleştirilmesiyle doğrulanır . Uygulamaya bir örnek, merkezi olmayan sosyal ağlardır. Lens Protokolü tabanlı projeler, kullanıcı hesaplarını halka açık bir blok zincirindeki adreslere bağlayarak tanımlamayı basitleştirir.

Bundlr ve Arweave ekipleri aynı zamanda endüstri çapındaki standartlar üzerinde de çalışıyor. Arweave, değişmez kriptografik imzaların ve zaman damgalarının dağıtılmış bir kayıt defterinde kaydedilen dijital içeriğe entegrasyonunu gerektiren spesifikasyonların getirilmesini öngörmektedir.

Verimliliğe yönelik yapay zeka ve blockchain sinerjisi

Uzun vadede blockchain, sinir modeli eğitiminin verimliliğini artıracak ve endüstrinin araştırma yapma şeklini değiştirebilir.

Blockchain ile ilgili araştırmaların çoğu, ilk günlerinde akademide yürütülürken, artık büyük teknoloji şirketlerinin hakimiyetindedir. Bu durum, işbirliğine yönelik teşvik ve fırsatların bulunmaması nedeniyle yerel laboratuvarların ve bireylerin katılımını sınırlamaktadır.

Bittensor gibi merkezi olmayan platformlar sorunları çözebilir. Bunlar, katılımcıların gelişime yaptıkları katkılardan dolayı ödüllendirildiği ve modelleri eğitmek için verileri paylaşabilecekleri pazaryerleridir. Bu tür platformlar özellikle açık kaynaklı yapay zeka oluştururken çekicidir.

Blockchain aynı zamanda İnsan Geri Bildiriminden (RLHF) Takviyeli Öğrenmenin uygulanmasını da kolaylaştırır. Bu, sinir modeline ince ayar yapmak için insan geribildirimini sürece dahil eden bir yöntemdir.

RLHF, hatalı veya taraflı sonuçların sayısını azaltarak modeli "parlatmanıza" olanak tanır. Örneğin OpenAI bunu GPT-3'te hata ayıklamak ve ChatGPT'yi geliştirmek için kullandı .

İnce ayar, algoritmaların performansını artırır ve alana özgü uzmanlık kazanmalarını sağlar. Bu tür son derece uzmanlaşmış modellere olan talep arttıkça uzmanların geri bildirim sağlama ihtiyacı da artıyor.

Multicoin, token şeklindeki teşvik ödemeleri yoluyla RLHF'yi ölçeklendirmenin bir yolunu öneriyor. Ancak bu yaklaşımın en az iki sorunu var:

• Uzmanlar, öğrenme sürecine dahil olan bireylerin çeşitliliğini sınırlayan tazminat olarak tokenları kabul etmeyi kabul etmelidir.

• Geri bildirimin doğruluğunu korumak için böyle bir sistemin manipülatif saldırılardan korunması gerekir.

  
  

Ancak Hivemapper gibi projeler yöntemi zaten uygulamaya koydu.

Akıllı bir sözleşme ne kadar akıllı olabilir?

Blockchain platformlarının yapay zekayı altyapıdan uygulamaya kadar çeşitli düzeylerde kullanabileceği pek çok alan var.

Bununla birlikte, kripto para birimi endüstrisini en çok ilgilendiren senaryolar, yapay zekanın doğrudan dağıtılmış bir defterde çalıştığı senaryolardır. Genel anlamda algoritmaların aktivitesini blok zincirine taşımanın iki yolu vardır:

• Otonom aracıların ödeme yapmak ve dijital kaynaklara erişmek için Web3 altyapısını kullanmasına izin verin.
• Nöral modellerin ZKML aracılığıyla akıllı sözleşmelerle etkileşime girmesine izin verin.

İlginç, değil mi?

Otonom aracılar için ödemeler ve kaynaklar

Özerk ekonomik aracılar (AEA'lar), sürece doğrudan müdahaleleri olmadan sahipleri adına belirli görevleri yerine getiren, makine öğrenimi algoritmalarına dayanan özerk sistemlerdir.

Uzmanlar, teknoloji ilerledikçe AEA'ların daha uzman hale gelmesini ve bunun da "çoklu ajan sistemlerinin" çoğalmasına yol açmasını bekliyor.

Bu da bazı temsilcilerin diğerlerini "işe alabileceği" ve belirli görevleri yerine getirmeleri karşılığında onlara ücret ödeyebileceği bir pazarın ortaya çıkmasını gerektirecektir. Bu bağlamda, kripto para birimiyle yapılan ödemeler, çeşitli nedenlerden dolayı muhtemelen fiat ödemelere tercih edilecektir:

• Mevcut yasalar, AEA'ların sınır ötesi işlemler gerçekleştirmek için banka hesapları açmasına veya hesap sahiplerinin hesaplarını kullanmasına izin vermemektedir.
• Kripto para birimleri güvenilir aracılara olan ihtiyacı ortadan kaldırır.
• Blockchain altyapısı daha hızlı ve daha ucuz ödemelere olanak sağlıyor.

AEA'lar ödeme ve merkezi olmayan fiziksel altyapı ağları (DePIN ) ile etkileşime girebilecek. DePIN'ler donanım cihazlarını entegre eder; yukarıda tartışılan bilgi işlem sistemleri de bu segmente atfedilebilir.

DePIN'ler, yapay zekanın disk alanı ve bilgi işlem gücü gibi dijital kaynaklara erişmesini sağlayacak. Örneğin, bir algoritmanın 3D model oluşturması gerekiyorsa, merkezi çözümlere güvenmek yerine işleme için Render Network'ü ve veri depolama için Arweave'i kullanabilir.

Yapay zekayı akıllı sözleşmelere entegre etme

Yapay zeka modellerinin akıllı sözleşmelere uygulanması, yeteneklerini önemli ölçüde genişletir. Sinir ağları yalnızca yenilikçi kullanım senaryolarına erişim sağlamakla kalmayacak, aynı zamanda mevcut araçların verimliliğini de artıracak.

Bu entegrasyonun büyük bir kısmı, algoritmaların blok zincirinde konuşlandırılmasıyla ilişkili yüksek hesaplama maliyetleri nedeniyle engelleniyor. Ancak zincir dışı modellerin tam olarak yürütüldüğünü doğrulamak için ZKP'nin kullanılması bu sorunu çözebilir çünkü yalnızca ilgili kanıtlar dağıtılmış bir kayıt defterine yerleştirilebilir.

Böyle bir yaklaşım, akıllı sözleşmelerin bir dizi sabit kodlanmış kuralla sınırlı kalmadan, dinamik verilere dayalı kararlar almasına olanak tanıyacaktır. Bu şekilde daha özerk, esnek ve sofistike hale gelecekler.

ZKML, DeFi, GameFi, DeSo (Merkezi Olmayan Sosyal) ve DePIN dahil olmak üzere birçok endüstri sektöründe kullanılabilir.

Örneğin, merkezi olmayan finansal uygulamalarda yapay zeka, mevcut ağ parametrelerine göre protokol parametrelerini ayarlayabilir . Olası bir kullanım durumu , teminat faktörünü gerçek zamanlı olarak ayarlamak için ML modelini kullanan bir borç verme protokolüdür.

Diğer senaryolar arasında otomatik hazine yönetimi, zincir içi kredi puanlaması ve AMM likidite yönetimi yer alıyor.

Çözüm

Şu anda yapay zeka ve Web3 endüstrileri arasında temel mantık düzeyinde bir çelişki var: birincisi oldukça merkezi. Aynı zamanda ikincisi, yaygın ademi merkeziyetçilik ilkeleri üzerine inşa edilmiştir. Bu durum zaman zaman uygulamaların entegre edilmesini zorlaştırmaktadır.

Ancak aynı çelişki, bu iki sektörden gelen ürünlerin birbirini etkili bir şekilde tamamlamasına ve karşılıklı gelişmeyi teşvik etmesine olanak tanıyor.

Blockchain'in gelecekteki sinir modellerinin temeli olacağına veya algoritmaların merkezi olmayan platformların merkezinde çalışacağına dair bir garanti yok.

Ancak iki teknolojinin birleşiminin pek çok yeni anlatı üreteceğini ve bunların bazılarının oldukça uygulanabilir olduğunu rahatlıkla söyleyebiliriz.