Sora Ortaya Çıkıyor: 2024 Yapay Zeka+Web3 Devriminin Yılı Olacak mı?

Önsöz

16 Şubat'ta OpenAI, çok çeşitli görsel veri türlerinde yüksek kaliteli videolar üretme kabiliyetiyle üretken yapay zekada bir başka kilometre taşını işaret eden "Sora" adlı en son metinden videoya üretken difüzyon modelini duyurdu. Birden fazla görüntüden birkaç saniyelik video oluşturan Pika gibi yapay zeka video oluşturma araçlarının aksine Sora, videoların ve görüntülerin sıkıştırılmış gizli uzayında eğitim alarak bunları ölçeklenebilir video oluşturma için uzamsal-zamansal yamalara ayırır. Ayrıca model, "fiziksel dünyanın evrensel simülatörü" olarak tanımlanan 60 saniyelik demosuyla hem fiziksel hem de dijital dünyayı simüle edebilme becerisini gösteriyor.

Sora, önceki GPT modellerinde görülen "kaynak veri-Dönüştürücü-Difüzyon-ortaya çıkma" teknik yolunu sürdürmekte ve gelişim olgunluğunun hesaplama gücüne de dayandığını göstermektedir. Metne kıyasla video eğitimi için gereken daha büyük veri hacmi göz önüne alındığında, hesaplama gücüne olan talebin daha da artması beklenmektedir. Bununla birlikte, daha önceki "Gelecek Vaat Eden Sektör Önizlemesi" makalemizde tartışıldığı gibi: Merkezi Olmayan Bilgi İşlem Gücü Piyasası" başlıklı makalemizde de belirtildiği üzere, yapay zeka çağında hesaplama gücünün önemi araştırılmış ve yapay zekanın artan popülaritesiyle birlikte, diğer Depin projelerine (depolama, hesaplama gücü vb.) değer artışı sağlayarak fayda sağlayan çok sayıda hesaplama gücü projesi ortaya çıkmıştır. Bu makale, Depin'in ötesinde, Web3 ve yapay zekanın iç içe geçmesinden doğabilecek kıvılcımları ve yapay zeka çağında bu yörüngedeki fırsatları düşünerek geçmiş tartışmaları güncellemeyi ve tamamlamayı amaçlamaktadır.

Yapay Zekanın Gelişimi: Üç Ana Yönelim

Yapay Zeka (YZ), insan zekasını taklit etmeye, genişletmeye ve zenginleştirmeye odaklanan gelişmekte olan bir alandır. 1950'ler ve 1960'lardaki başlangıcından bu yana, yapay zeka yarım yüzyılı aşkın bir evrim geçirerek toplumsal dönüşümü ve çeşitli endüstrileri teşvik eden önemli bir teknoloji olarak ortaya çıkmıştır. Bu yolculuk boyunca, üç ana araştırma yönünün - sembolizm, bağlantıcılık ve davranışçılık - iç içe geçmiş ilerlemesi, bugün yapay zekanın hızlı ilerlemesine zemin hazırladı.

Sembolizm

Mantıkçılık veya kurala dayalı akıl yürütme olarak da adlandırılan sembolizm, insan zekasının sembol işleme yoluyla kopyalanmasının mümkün olduğunu öne sürer. Bu yaklaşım, nesneleri, kavramları ve bunların belirli bir sorun alanı içindeki ilişkilerini temsil etmek ve işlemek için sembolleri kullanır ve sorunları çözmek için mantıksal akıl yürütme kullanır. Sembolizm, özellikle uzman sistemler ve bilgi temsilinde kayda değer bir başarı elde etmiştir. Temel ilkesi, akıllı davranışın sembol manipülasyonu ve mantıksal çıkarım yoluyla gerçekleştirilebileceği ve sembollerin gerçek dünyanın üst düzey soyutlamaları olarak hizmet ettiğidir.

Bağlantıcılık

Alternatif olarak sinir ağı yaklaşımı olarak bilinen bağlantıcılık, insan beyninin yapısını ve işlevselliğini yansıtarak zekaya ulaşmayı amaçlamaktadır. Bu metodoloji, nöronlara benzer çok sayıda basit işlem biriminden oluşan ağlar kurar ve öğrenmeyi kolaylaştırmak için sinapslara benzer şekilde bu birimler arasındaki bağlantı güçlerini ayarlar. Verilerden öğrenmeyi ve genellemeyi vurgulayan bağlantıcılık, örüntü tanıma, sınıflandırma ve sürekli girdi-çıktı eşleme gibi görevler için çok uygundur. Bağlantıcılığın bir evrimi olan derin öğrenme, görüntü ve konuşma tanımanın yanı sıra doğal dil işleme gibi alanlarda çığır açmıştır.

Davranışçılık

Biyomimetik robotik ve otonom akıllı sistemler araştırmalarıyla yakından bağlantılı olan davranışçılık, akıllı ajanların çevresel etkileşim yoluyla öğrenebileceğinin altını çizmektedir. Önceki yaklaşımlardan farklı olarak davranışçılık, iç temsilleri veya bilişsel süreçleri taklit etmeye odaklanmaz, bunun yerine algı-eylem döngüsü yoluyla uyarlanabilir davranışa ulaşır. Zekanın dinamik çevresel etkileşim ve öğrenme yoluyla ortaya çıktığını ve bu sayede özellikle karmaşık ve öngörülemeyen ortamlarda çalışan mobil robotlar ve uyarlanabilir kontrol sistemleri için etkili olduğunu ileri sürmektedir.

Temel farklılıklarına rağmen, bu üç araştırma yönü, pratik YZ araştırma ve uygulamalarında sinerji yaratabilir ve birbirini tamamlayarak alanın gelişimini birlikte yönlendirebilir.

AIGC'nin İlkeleri

Gelişmekte olan Yapay Zeka ile Oluşturulan İçerik (AIGC) alanı, insan yaratıcılığını taklit ederek yeni içeriklerin oluşturulmasını kolaylaştıran bağlantıcılığın bir evrimini ve uygulamasını temsil etmektedir. Bu modeller, verilerin altında yatan yapıları, ilişkileri ve örüntüleri ayırt etmek için geniş veri kümeleri ve derin öğrenme algoritmaları kullanılarak eğitilir. Kullanıcı girdisi tarafından yönlendirilen bu araçlar, görüntüler, videolar, kodlar, müzik, tasarımlar, çeviriler, sorulara yanıtlar ve metin gibi çeşitli çıktılar üretir. Şu anda AIGC temel olarak üç unsurdan oluşmaktadır: Derin Öğrenme (DL), Büyük Veri ve Devasa Hesaplama Gücü.

Derin Öğrenme

Makine Öğreniminin (ML) bir alt kümesi olan Derin Öğrenme, insan beyninin sinir ağlarından sonra modellenen algoritmaları kullanır. Tıpkı insan beyninin bilgi işleyen birbirine bağlı nöronlardan oluşması gibi, derin öğrenme sinir ağları da bir bilgisayar içinde hesaplama yapan çok sayıda yapay nöron katmanından oluşur. Bu yapay nöronlar veya düğümler, verileri işlemek ve derin öğrenme algoritmaları aracılığıyla karmaşık sorunları çözmek için matematiksel işlemlerden yararlanır.

Sinir ağları katmanlardan oluşur: girdi, gizli ve çıktı, bu katmanları birbirine bağlayan parametreler.

- Giriş Katmanı: Sinir ağının ilk katmanı, harici giriş verilerini alır. Bu katmandaki her bir nöron, girdi verilerinin bir özelliğine karşılık gelir. Örneğin, görüntü verilerinin işlenmesinde, bireysel nöronlar piksel değerlerini temsil edebilir.

- Gizli Katmanlar: Giriş katmanını takiben, gizli katmanlar verileri ağ üzerinden işler ve iletir. Bu katmanlar çeşitli seviyelerdeki bilgileri analiz eder ve yeni girdiler aldıkça davranışlarını uyarlar. Derin öğrenme ağları yüzlerce gizli katmana sahip olabilir ve bu da çok yönlü sorun analizine olanak tanır. Örneğin, bir görüntüden yabancı bir hayvanı sınıflandırırken, ağ kulak şekli, bacak sayısı ve göz bebeği boyutu gibi özellikleri değerlendirerek onu bilinen hayvanlarla karşılaştırabilir. Gizli katmanlar benzer şekilde çalışır ve her biri doğru sınıflandırmaya yardımcı olmak için farklı hayvan özelliklerini işler.

- Çıktı Katmanı: Sinir ağının son katmanı, ağın çıktısını üretir. Bu katmandaki nöronlar potansiyel çıktı kategorilerini veya değerlerini temsil eder. Sınıflandırma görevlerinde her nöron bir kategoriye karşılık gelebilirken, regresyon görevlerinde çıktı katmanında değeri sonucu tahmin eden tek bir nöron bulunabilir.

- Parametreler: Sinir ağlarında, farklı katmanlar arasındaki bağlantılar, ağın verilerdeki kalıpları doğru bir şekilde tanımasını ve tahminlerde bulunmasını sağlamak için eğitim sürecinde optimize edilen ağırlıklar ve önyargılarla temsil edilir. Parametrelerin artırılması, sinir ağının model kapasitesini, yani verilerdeki karmaşık örüntüleri öğrenme ve temsil etme yeteneğini artırabilir. Ancak bu aynı zamanda hesaplama gücü talebini de artırmaktadır.

Büyük Veri

Etkili sinir ağı eğitimi tipik olarak kapsamlı, çeşitli, yüksek kaliteli ve çok kaynaklı veri gerektirir. Bu tür veriler, makine öğrenimi modellerinin eğitilmesi ve doğrulanması için temel taşı oluşturur. Büyük veri analizi sayesinde, makine öğrenimi modelleri verilerdeki kalıpları ve ilişkileri belirleyerek tahminleri veya sınıflandırmaları kolaylaştırabilir.

Devasa Hesaplama Gücü

Sinir ağlarının karmaşık çok katmanlı yapısı, çok sayıda parametre, büyük veri işleme gereksinimleri, yinelemeli eğitim yöntemleri (aktivasyon ve kayıp fonksiyonu hesaplamaları, gradyan hesaplamaları ve ağırlık güncellemeleri dahil olmak üzere tekrarlanan ileri ve geri yayılma hesaplamalarını içerir), yüksek hassasiyetli hesaplama ihtiyaçları, paralel hesaplama yetenekleri, optimizasyon ve düzenleme teknikleri ve model değerlendirme ve doğrulama süreçleri toplu olarak önemli hesaplama taleplerine katkıda bulunur.

Sora

OpenAI'nin en yeni video nesil yapay zeka modeli olan Sora, yapay zekanın çeşitli görsel verileri işleme ve anlama kapasitesinde önemli bir ilerleme anlamına geliyor. Sora, video sıkıştırma ağlarını ve uzamsal-zamansal yama tekniklerini kullanarak, dünya çapında ve çeşitli cihazlardan yakalanan büyük miktarda görsel veriyi birleşik bir temsile dönüştürebilir. Bu özellik, karmaşık görsel içeriğin verimli bir şekilde işlenmesini ve anlaşılmasını sağlar. Sora, metin komutlarıyla yüksek oranda ilişkili videolar veya görüntüler oluşturmak için metin koşullu Difüzyon modellerini kullanır ve olağanüstü yaratıcılık ve uyarlanabilirlik sergiler.

Sora'nın video oluşturma ve gerçek dünya etkileşimlerini simüle etme konusundaki atılımlarına rağmen, bazı sınırlamalarla karşılaşmaktadır. Bunlar arasında fiziksel dünya simülasyonlarının doğruluğu, uzun videoların oluşturulmasında tutarlılık, karmaşık metin talimatlarının anlaşılması ve eğitim ve üretimde verimlilik yer almaktadır. Esasen Sora, OpenAI'nin tekelci hesaplama gücü ve ilk hamle avantajı ile kolaylaştırılan "büyük veri-Dönüştürücü-Difüzyon-ortaya çıkma" teknik yörüngesini takip ederek bir tür kaba kuvvet estetiği ile sonuçlanıyor. Bununla birlikte, diğer yapay zeka şirketleri teknolojik yeniliklerle Sora'yı geçme potansiyeline hala sahip.

Sora'nın blok zinciri ile bağlantısı mütevazı kalırken, önümüzdeki bir veya iki yıl içinde Sora'nın etkisinin diğer yüksek kaliteli yapay zeka üretim araçlarının ortaya çıkmasına ve hızla gelişmesine yol açacağı tahmin edilmektedir. Bu gelişmelerin GameFi, sosyal platformlar, yaratıcı platformlar, Depin vb. gibi çeşitli Web3 sektörlerini etkilemesi beklenmektedir. Sonuç olarak, Sora hakkında genel bir anlayış edinmek çok önemlidir ve yapay zekanın gelecekte Web3 ile nasıl etkili bir şekilde entegre olacağını düşünmek çok önemli bir husus haline gelir.

Yapay Zeka x Web3 Entegrasyonunun Dört Yolu

Daha önce tartışıldığı gibi, üretken yapay zeka için gerekli olan temel bileşenler üç ana unsurda özetlenebilir: algoritmalar, veriler ve bilgi işlem gücü. Buna karşılık, üretim yöntemleri üzerinde geniş kapsamlı etkileri olan evrensel bir araç olan yapay zeka, endüstrilerin işleyiş biçiminde devrim yaratmaktadır. Bu arada, blok zinciri teknolojisinin önemli etkileri iki yönlüdür: üretim ilişkilerini yeniden yapılandırır ve ademi merkeziyetçiliği mümkün kılar. Dolayısıyla, bu iki teknolojinin yakınsaması dört potansiyel yola yol açabilir:

Merkezi Olmayan Bilgi İşlem Gücü

Bu bölüm, bilgi işlem gücünün mevcut durumu hakkında fikir vermeyi amaçlamaktadır. Yapay zeka alanında, bilgi işlem gücü büyük önem taşıyor. Özellikle Sora'nın ortaya çıkışından sonra vurgulanan yapay zeka alanında bilgi işlem gücüne olan talep daha önce görülmemiş seviyelere ulaştı. OpenAI CEO'su Sam Altman, 2024 yılında İsviçre'nin Davos kentinde düzenlenen Dünya Ekonomik Forumu sırasında, bilgi işlem gücü ve enerjinin şu anda en önemli kısıtlamalar olduğunu vurgulayarak, bunların gelecekte para birimine eşdeğer olacağını ima etti. Ardından, 10 Şubat'ta Sam Altman Twitter üzerinden, küresel yarı iletken endüstrisinde devrim yaratarak bir yarı iletken imparatorluğu kurmayı amaçlayan 7 trilyon USD (2023'te Çin'in GSYH'sinin %40'ına eşdeğer) tutarında şaşırtıcı bir kaynak yaratmayı hedefleyen çığır açıcı bir plan açıkladı. Daha önce bilgi işlem gücüyle ilgili düşüncelerim ulusal kısıtlamalar ve şirket tekelleriyle sınırlıydı; ancak tek bir kuruluşun küresel yarı iletken sektörüne hakim olmak istemesi gerçekten dikkat çekici.

Merkezi olmayan bilgi işlem gücünün önemi açıktır. Blockchain'in özellikleri, bilgi işlem gücündeki yaygın tekelleşme sorunlarına ve özel GPU'ların edinilmesiyle ilgili fahiş maliyetlere çözüm sunuyor. Yapay zeka gereksinimleri açısından bakıldığında, bilgi işlem gücü kullanımı iki açıdan kategorize edilebilir: çıkarım ve eğitim. Merkezi olmayan ağlar için gereken karmaşık entegrasyon ve önemli donanım talepleri nedeniyle öncelikle eğitime odaklanan projeler azdır ve bu da uygulamanın önünde önemli engeller oluşturmaktadır. Buna karşılık, çıkarım görevleri nispeten daha basittir, daha az karmaşık merkezi olmayan ağ tasarımları ve daha düşük donanım ve bant genişliği gereksinimleri vardır, bu nedenle daha erişilebilir bir yolu temsil eder.

Merkezi bilgi işlem gücü, genellikle "trilyon düzeyinde" tanımlamasıyla ilişkilendirilen büyük bir potansiyele sahiptir ve yapay zeka çağında oldukça sansasyonel bir konu olmaya devam etmektedir. Ancak, son dönemde gerçekleştirilen çok sayıda proje incelendiğinde, birçoğunun trendlerden faydalanmak amacıyla aceleyle tasarlanmış girişimler olduğu görülmektedir. Bu projeler genellikle ademi merkeziyetçiliği savunurken, merkezi olmayan ağların verimsizlikleri konusundaki tartışmalardan kaçınma eğilimindedirler. Dahası, benzer yaklaşımları benimseyen (tek tıklamayla L2 artı madencilik tasarımı gibi) çok sayıda proje ile tasarımda kayda değer derecede tekdüzelik vardır, bu da potansiyel olarak başarısızlığa yol açmakta ve geleneksel yapay zeka yarışından farklılaşma çabalarını zorlaştırmaktadır.

Algoritma ve Model İşbirliği Sistemi

Makine öğrenimi algoritmaları, verilerden örüntüler ve kurallar öğrenmek için tasarlanmıştır ve bu öğrenilen örüntülere dayalı tahminler veya kararlar almalarını sağlar. Tasarım ve optimizasyonlarındaki karmaşıklık nedeniyle, algoritmalar doğası gereği teknoloji yoğundur ve derin uzmanlık ve teknolojik yenilik gerektirir. Yapay zeka modellerinin eğitiminin bel kemiği olarak hizmet ederler ve yararlı içgörüler elde etmek veya kararlar almak için verilerin nasıl işleneceğini belirlerler. Generative Adversarial Networks (GANs), Variational Autoencoders (VAEs) ve Transformers gibi önemli üretken YZ algoritmaları, resim, dil tanıma, çeviri veya video oluşturma gibi belirli alanlar için uyarlanmıştır ve özel YZ modellerinin eğitiminde etkilidir.

Farklı güçlü yönlere sahip çok sayıda algoritma ve model şu soruyu gündeme getirmektedir: Bunlar çok yönlü bir modele entegre edilebilir mi? Yakın zamanda öne çıkan bir proje olan Bittensor, çeşitli YZ modelleri ve algoritmaları arasında işbirliğini teşvik ederek bu yöndeki çabalara öncülük etmekte ve böylece daha verimli ve yetenekli YZ modellerinin geliştirilmesini teşvik etmektedir. Commune AI gibi diğer girişimler, kod işbirliğini teşvik etmeye odaklanmaktadır, ancak algoritmaların ve modellerin paylaşımı, yapay zeka şirketleri içindeki tescilli yapıları nedeniyle bir zorluk olmaya devam etmektedir.

İzole YZ algoritmalarıyla ilişkili dezavantajları azaltmak için blok zinciri teknolojisinden yararlanan bir YZ işbirliği ekosistemi kavramı ilgi çekicidir. Bununla birlikte, karşılık gelen değeri üretme kabiliyeti henüz belirlenmemiştir. Tescilli algoritmalar ve modellerle donatılmış yerleşik yapay zeka şirketleri, teknolojilerini güncelleme, yineleme ve entegre etme konusunda güçlü yeteneklere sahiptir. Örneğin, OpenAI iki yıl içinde ilk metin üretme modellerinden çok alanlı üretken modellere doğru hızla ilerledi. Bittensor gibi projelerin etkin bir şekilde rekabet edebilmeleri için hedefledikleri alanlarda yenilikçi yollar keşfetmeleri gerekebilir.

Merkezi Olmayan Büyük Veri

Basit bir bakış açısıyla, yapay zekayı beslemek için özel verilerin entegre edilmesi ve verilere açıklama eklenmesi, blok zinciri teknolojisiyle iyi uyum sağlayan yollardır. Temel kaygılar, gereksiz verilerin ve kötü niyetli faaliyetlerin nasıl engelleneceği etrafında dönmektedir. Ayrıca, veri depolama FIL ve AR gibi Depin projeleri için avantajlı olabilir.

Daha karmaşık bir açıdan bakıldığında, Giza tarafından araştırıldığı gibi, blok zinciri verilerinin erişilebilirliğini ele almak için makine öğrenimi (ML) için blok zinciri verilerinden yararlanmak başka bir zorlayıcı yön sunmaktadır.

Teorik olarak, blok zinciri verilerine herhangi bir zamanda erişilebilir ve tüm blok zincirinin durumunu yansıtır. Ancak, blok zinciri ekosisteminin dışındakiler için bu kapsamlı veri setlerine erişmek kolay değildir. Tüm bir blok zincirinin depolanması önemli ölçüde uzmanlık ve özel donanım kaynakları gerektirir.

Blockchain verilerine erişimin zorluklarını aşmak için sektör çeşitli çözümlerin ortaya çıkışına tanık oldu. Örneğin, RPC sağlayıcıları API'ler aracılığıyla düğüm erişimi sunarken, indeksleme hizmetleri SQL ve GraphQL aracılığıyla veri alımını kolaylaştırarak sorunun hafifletilmesinde önemli bir rol oynar. Bununla birlikte, bu yöntemlerin kendi sınırlamaları vardır. RPC hizmetleri, kapsamlı veri sorguları gerektiren yüksek yoğunluklu kullanım durumları için yetersizdir ve genellikle talebi karşılayamaz. Bu arada, indeksleme hizmetleri veri alımına daha yapılandırılmış bir yaklaşım sunsa da, Web3 protokollerinin karmaşıklığı verimli sorgular oluşturmayı son derece zor hale getirmekte, bazen yüzlerce hatta binlerce satır karmaşık kod gerektirmektedir. Bu karmaşıklık, genel veri uygulayıcıları ve Web3 inceliklerini sınırlı düzeyde anlayanlar için önemli bir engel teşkil etmektedir. Bu sınırlamaların toplu etkisi, blok zinciri verilerini elde etmek ve bunlardan yararlanmak için daha erişilebilir ve kullanılabilir bir yöntemin gerekliliğinin altını çizmektedir; bu da bu alanda daha geniş uygulama ve yeniliği teşvik edebilir.

Dolayısıyla, ZKML'nin (zincir üzerindeki makine öğrenimi yükünü hafifleten Sıfır Bilgi Kanıtı Makine Öğrenimi) yüksek kaliteli blok zinciri verileriyle birleştirilmesi, potansiyel olarak blok zinciri verilerinin erişilebilirlik zorluklarını ele alan veri kümeleri sağlayabilir. Yapay zeka, blok zinciri verilerine erişimin önündeki engelleri önemli ölçüde azaltma potansiyeline sahiptir. Zamanla geliştiriciler, araştırmacılar ve makine öğrenimi meraklıları, etkili ve yenilikçi çözümler üretmek için daha yüksek kaliteli, ilgili veri kümelerine erişim sağlayabilir.

Dapps için Yapay Zeka Güçlendirmesi

2023'te ChatGPT3'ün patlamasından bu yana, Dapps için yapay zeka güçlendirme çok yaygın bir yön haline geldi. Geniş çapta uygulanabilen üretken yapay zeka, API'ler aracılığıyla entegre edilebilir ve böylece veri platformlarını, ticaret botlarını, blok zinciri ansiklopedilerini ve diğer uygulamaları basitleştirip akıllı hale getirebilir. Ayrıca sohbet robotları (Myshell gibi) veya yapay zeka arkadaşları (Sleepless AI gibi) olarak işlev görebilir ve hatta üretken yapay zeka kullanarak blok zinciri oyunlarında NPC'ler oluşturabilir. Bununla birlikte, düşük teknik engeller nedeniyle, çoğu uygulama bir API'yi entegre ettikten sonra sadece ince ayarlardan ibarettir ve projelerin kendileriyle entegrasyon genellikle kusurludur, bu nedenle nadiren bahsedilir.

Sora'nın gelişiyle birlikte, kişisel olarak GameFi (metaverse dahil) ve yaratıcı platformlar için yapay zeka güçlendirmesinin ileriye dönük olarak birincil odak noktası olacağına inanıyorum. Web3 alanının aşağıdan yukarıya doğası göz önüne alındığında, geleneksel oyunlar veya yaratıcı şirketlerle doğrudan rekabet edebilecek ürünler üretmek mümkün değildir. Ancak Sora'nın ortaya çıkışı, muhtemelen sadece iki ila üç yıl içinde bu çıkmazı kırma potansiyeline sahiptir. Sora'nın demosundan, mikro-drama şirketleriyle rekabet edebilecek gibi görünüyor. Ayrıca, Web3'ün aktif topluluk kültürü çok sayıda ilginç fikri teşvik edebilir. Tek sınır hayal gücü olduğunda, aşağıdan yukarıya endüstri ile yukarıdan aşağıya geleneksel endüstri arasındaki bariyerler parçalanacaktır.

Sonuç

Üretken yapay zeka araçları gelişmeye devam ettikçe, gelecekte daha dönüştürücü "iPhone anları" yaşamaya hazırız. Yapay zekanın Web3 ile entegrasyonuna ilişkin ilk şüphelere rağmen, dikkat edilmesi gereken üç temel sorunlu nokta olsa da mevcut gidişatın genel olarak yolunda olduğundan eminim: gereklilik, verimlilik ve uyumluluk. Bu alanların yakınsaması keşif niteliğinde olsa da, önümüzdeki boğa piyasasında ana akım olarak benimsenmesini öngörmekten bizi alıkoymamalıdır.

Merak ve yeni fikirlere açık olma zihniyetini korumak çok önemlidir. Atlı arabalardan otomobillere hızlı geçiş ve yazıtların geçmiş NFT'lere evrilmesi gibi tarihsel emsaller, genellikle fırsatların kaçırılmasına neden olan aşırı önyargılardan kaçınmanın öneminin altını çizmektedir.

Sorumluluk Reddi：

1. Bu makale[Deep Tide]'dan yeniden basılmıştır, Tüm telif hakları orijinal yazar[YBB Capital Zeke]'ye aittir. Bu baskıya itirazınız varsa, lütfen Gate Learn ekibiyle iletişime geçin, onlar bu konuyu derhal ele alacaklardır.
2. Sorumluluk Reddi: Bu makalede ifade edilen görüş ve fikirler yalnızca yazara aittir ve herhangi bir yatırım tavsiyesi teşkil etmez.
3. Makalenin diğer dillere çevirisi Gate Learn ekibi tarafından yapılmaktadır. Belirtilmediği sürece, çevrilen makalelerin kopyalanması, dağıtılması veya intihal edilmesi yasaktır.