Web3-AI Yarış Alanı Panorama Raporu: Teknik Mantık, Senaryo Uygulamaları ve Üst Düzey Projelerin Derinlemesine Analizi

AI anlatımının sürekli ısınmasıyla birlikte, bu alana olan ilgi giderek artıyor. Web3-AI alanının teknik mantığı, uygulama senaryoları ve temsilci projeleri derinlemesine incelendi ve bu alanın panoramasını ve gelişim trendlerini size kapsamlı bir şekilde sunuyor.

1. Web3-AI: Teknik Mantık ve Yeni Pazar Fırsatlarının Analizi

1.1 Web3 ve AI'nın entegrasyon mantığı: Web-AI alanı nasıl tanımlanır

Geçtiğimiz yıl içinde, AI anlatımı Web3 endüstrisinde olağanüstü popüler hale geldi ve AI projeleri birbiri ardına ortaya çıktı. Birçok proje AI teknolojisini içerse de, bazı projeler yalnızca ürünlerinin belirli kısımlarında AI kullanmakta ve temel token ekonomisi ile AI ürünleri arasında gerçek bir bağlantı bulunmamaktadır; bu nedenle bu tür projeler bu yazıda Web3-AI projeleri tartışmasına dahil edilmemektedir.

Bu yazının odak noktası, üretim ilişkileri sorunlarını çözmek için blok zinciri ve üretkenlik sorunlarını çözmek için AI projelerinin kullanımıdır. Bu projeler, AI ürünleri sunmakta olup, aynı zamanda üretim ilişkileri aracı olarak Web3 ekonomik modeline dayanmaktadır; ikisi de birbirini tamamlamaktadır. Bu tür projeleri Web3-AI alanına sınıflandırıyoruz. Okuyucuların Web3-AI alanını daha iyi anlamaları için, AI'nın geliştirme süreci ve zorlukları ile Web3 ve AI'nın nasıl mükemmel bir şekilde sorunları çözdüğünü ve yeni uygulama senaryoları yarattığını tanıtacağız.

1.2 AI'nin geliştirilme süreci ve zorlukları: veri toplama aşamasından model çıkarımına

Yapay Zeka teknolojisi, bilgisayarların insan zekasını simüle etmesini, genişletmesini ve artırmasını sağlayan bir tekniktir. Bu teknoloji, bilgisayarların dil çevirisi, görüntü sınıflandırması, yüz tanıma ve otonom sürüş gibi çeşitli karmaşık görevleri yerine getirmesini sağlar. Yapay Zeka, yaşam ve çalışma şeklimizi değiştiriyor.

Yapay zeka modeli geliştirme süreci genellikle aşağıdaki birkaç ana adımdan oluşur: veri toplama ve veri ön işleme, model seçimi ve ayarlama, model eğitimi ve çıkarım. Basit bir örnek vermek gerekirse, kediler ve köpekler için görüntü sınıflandırması gerçekleştirmek üzere bir model geliştirmek istiyorsanız şunlara ihtiyacınız var:

1. Veri toplama ve veri ön işleme: Kedi ve köpek içeren bir görüntü veri seti toplayın, açık veri setlerini kullanabilir veya gerçek verileri kendiniz toplayabilirsiniz. Ardından her bir görüntüyü sınıflandırarak etiketleyin (kedi veya köpek), etiketlerin doğru olduğundan emin olun. Görüntüleri modelin tanıyabileceği bir formata dönüştürün ve veri setini eğitim seti, doğrulama seti ve test seti olarak ayırın.

2. Model Seçimi ve Ayarlama: Görüntü sınıflandırma görevleri için uygun bir model seçmek, örneğin konvolüsyonel sinir ağları (CNN) oldukça uygundur. Farklı gereksinimlere göre model parametrelerini veya mimarisini ayarlamak, genellikle modelin ağ katmanları AI görevlerinin karmaşıklığına göre ayarlanabilir. Bu basit sınıflandırma örneğinde, daha yüzeysel bir ağ katman yapısı yeterli olabilir.

3. Model eğitimi: Modeli eğitmek için GPU, TPU veya yüksek performanslı hesaplama kümesi kullanılabilir, eğitim süresi modelin karmaşıklığı ve hesaplama gücü ile etkilenir.

4. Model Çıkarımı: Model eğitilmiş dosyalar genellikle model ağırlıkları olarak adlandırılır, çıkarım süreci, eğitilmiş modeli yeni veriler üzerinde tahmin veya sınıflandırma yapmak için kullanma sürecidir. Bu süreçte, modelin sınıflandırma performansını test etmek için test seti veya yeni veriler kullanılabilir, genellikle modelin etkinliğini değerlendirmek için doğruluk, geri çağırma, F1-skoru gibi ölçütler kullanılır.

Resimde gösterildiği gibi, veri toplama ve veri ön işleme, model seçimi ve ayarlama ile eğitim gerçekleştirildikten sonra, eğitilmiş modelin test kümesinde çıkarım yapması, kedi ve köpek için tahmin değerleri P (olasılık) elde edecektir; yani modelin kedi veya köpek olduğu olasılığını çıkarması.

Eğitilmiş AI modelleri, çeşitli uygulamalara entegre edilerek farklı görevleri yerine getirebilir. Bu örnekte, kedi ve köpek sınıflandırma AI modeli, bir mobil uygulamaya entegre edilebilir; kullanıcılar kedi veya köpek resimlerini yüklediklerinde, sınıflandırma sonuçlarını alabilirler.

Ancak, merkezileşmiş AI geliştirme süreci aşağıdaki senaryolarda bazı sorunlar vardır:

Kullanıcı gizliliği: Merkezileşmiş senaryolarda, AI'nin geliştirme süreci genellikle şeffaf değildir. Kullanıcı verileri, kullanıcıların haberi olmadan çalınabilir ve AI eğitimi için kullanılabilir.

Veri kaynağının elde edilmesi: Küçük ekipler veya bireyler, belirli bir alandaki verileri (örneğin, tıbbi veriler) elde ederken, verilerin açık kaynak olmaması kısıtlamasıyla karşılaşabilir.

Model seçimi ve ince ayar: Küçük ekipler için belirli bir alandaki model kaynaklarını elde etmek veya model ince ayarı için büyük maliyetler harcamak zor.

Hashrate elde etme: Bireysel geliştiriciler ve küçük ekipler için yüksek GPU satın alma maliyetleri ve bulut hashrate kiralama ücretleri önemli bir ekonomik yük oluşturabilir.

AI Varlık Geliri: Veri etiketleme çalışanları genellikle harcadıklarıyla eşleşen gelir elde edemezken, AI geliştiricilerinin araştırma sonuçları da talep eden alıcılarla eşleşmekte zorlanır.

Merkezi AI senaryolarındaki zorluklar, Web3 ile bir araya gelerek aşılabilir. Web3, yeni bir üretim ilişkisi olarak, doğal olarak yeni üretkenliği temsil eden AI ile uyumludur ve böylece teknoloji ve üretim kapasitesinin eşzamanlı ilerlemesini teşvik eder.

1.3 Web3 ve AI'nin işbirliği etkisi: Rol değişiklikleri ve yenilikçi uygulamalar

Web3 ve AI birleşimi, kullanıcı egemenliğini artırabilir, kullanıcılara açık bir AI işbirliği platformu sunarak onları Web2 döneminin AI kullanıcıları olmaktan katılımcılara dönüştürür ve herkesin sahip olabileceği AI'lar yaratır. Aynı zamanda, Web3 dünyası ile AI teknolojisinin birleşimi, daha fazla yenilikçi uygulama senaryosu ve oyun tarzı yaratabilir.

Web3 teknolojisi temelinde, AI'nın geliştirilmesi ve uygulanması yeni bir işbirliği ekonomi sistemine adım atacak. İnsanların veri gizliliği korunabilir, veri kalabalık kaynaklı modeli AI modellerinin ilerlemesini teşvik eder, birçok açık kaynaklı AI kaynağı kullanıcıların kullanımına sunulmaktadır ve paylaşılan hesaplama gücü daha düşük maliyetle elde edilebilir. Merkeziyetsiz işbirliği kalabalık kaynak mekanizması ve açık AI pazarı sayesinde, adil bir gelir dağıtım sistemi sağlanabilir ve böylece daha fazla insanı AI teknolojisinin ilerlemesini teşvik etmek için motive edebilir.

Web3 sahnesinde, AI birden fazla alanda olumlu etkiler yaratabilir. Örneğin, AI modelleri akıllı sözleşmelere entegre edilebilir ve pazar analizi, güvenlik testi, sosyal kümelenme gibi çeşitli uygulama senaryolarında iş verimliliğini artırabilir. Üretken AI, kullanıcıların "sanatçı" rolünü deneyimlemelerini sağlar; örneğin, AI teknolojisini kullanarak kendi NFT'lerini oluşturabilirler. Ayrıca GameFi'de zengin ve çeşitli oyun sahneleri ile ilginç etkileşim deneyimleri yaratabilir. Zengin altyapı, AI uzmanı olsun ya da AI alanına girmek isteyen bir acemi olsun, herkesin bu dünyada uygun bir giriş bulmasını sağlayan akıcı bir geliştirme deneyimi sunar.

İki, Web3-AI Ekosistem Proje Haritası ve Mimari Yorumu

Web3-AI alanında 41 projeyi inceledik ve bu projeleri farklı seviyelere ayırdık. Her bir seviyenin ayrım mantığı aşağıdaki gibi gösterilmiştir; altyapı katmanı, ara katman ve uygulama katmanı olarak üçe ayrılır ve her bir katman farklı bölümlere ayrılır. Bir sonraki bölümde, bazı temsilci projeleri derinlemesine analiz edeceğiz.

Altyapı katmanı, tüm AI yaşam döngüsünü destekleyen hesaplama kaynakları ve teknik mimariyi kapsar; ara katman ise altyapıyı uygulamalarla bağlayan veri yönetimi, model geliştirme ve doğrulama çıkarım hizmetlerini içerir. Uygulama katmanı ise doğrudan kullanıcıya yönelik çeşitli uygulama ve çözümlere odaklanır.

Altyapı katmanı:

Altyapı katmanı, AI yaşam döngüsünün temelidir. Bu yazıda, hesaplama gücü, AI Zinciri ve geliştirme platformu altyapı katmanına dahil edilmiştir. İşte bu altyapıların desteği sayesinde AI modellerinin eğitimi ve çıkarımı gerçekleştirilebilir ve güçlü, kullanışlı AI uygulamaları kullanıcılara sunulabilir.

• Merkeziyetsiz hesaplama ağı: AI model eğitimi için dağıtık hesaplama gücü sağlayarak, verimli ve ekonomik hesaplama kaynaklarının kullanımını garanti eder. Bazı projeler merkeziyetsiz hesaplama gücü pazarları sunar; kullanıcılar düşük maliyetle hesaplama gücü kiralayabilir veya hesaplama gücünü paylaşarak gelir elde edebilir. Öne çıkan projeler arasında IO.NET ve Hyperbolic bulunmaktadır. Ayrıca, bazı projeler yeni oyunlar türetmiştir; Compute Labs gibi projeler, kullanıcıların GPU varlıklarını temsil eden NFT'leri satın alarak farklı şekillerde hesaplama gücü kiralama yoluyla gelir elde etmelerine olanak tanıyan tokenizasyon protokollerini önermiştir.

• AI Zinciri: Blockchain'i AI yaşam döngüsünün temeli olarak kullanarak, zincir içi ve zincir dışı AI kaynaklarının sorunsuz etkileşimini sağlamak ve endüstri ekosisteminin gelişimini teşvik etmek. Zincir üzerindeki merkeziyetsiz AI pazarı, veri, model, ajan gibi AI varlıklarının alım satımını yapabilir ve AI geliştirme çerçevesi ile birlikte geliştirme araçları sunar; temsilci projeler arasında Sahara AI bulunmaktadır. AI Zinciri ayrıca farklı alanlardaki AI teknolojilerinin ilerlemesini teşvik edebilir; örneğin Bittensor, farklı AI türlerinin alt ağ rekabetini teşvik etmek için yenilikçi alt ağ teşvik mekanizmaları kullanır.

• Geliştirme platformu: Bazı projeler AI ajan geliştirme platformları sunmakta, ayrıca AI ajan ticareti gerçekleştirebilmektedir, örneğin Fetch.ai ve ChainML gibi. Tek durak araçları, geliştiricilerin AI modellerini daha kolay bir şekilde oluşturmasına, eğitmesine ve dağıtmasına yardımcı olmaktadır; temsilci projeler arasında Nimble bulunmaktadır. Bu altyapılar, AI teknolojisinin Web3 ekosistemindeki yaygın uygulamalarını teşvik etmektedir.

Ara Katman:

Bu katman, AI verileri, modelleri ve çıkarım ile doğrulamayı içerir; Web3 teknolojisi ile daha yüksek iş verimliliği sağlanabilir.

• Veriler: Verilerin kalitesi ve miktarı, model eğitiminin etkisini etkileyen temel faktörlerdir. Web3 dünyasında, kalabalık kaynaklı veriler ve işbirlikçi veri işleme ile kaynakların kullanımı optimize edilebilir ve veri maliyetleri düşürülebilir. Kullanıcılar, veri üzerinde egemenliğe sahip olabilir ve gizlilik koruma koşulları altında kendi verilerini satabilirler, böylece verilerin kötü niyetli satıcılar tarafından çalınması ve yüksek karlar elde edilmesinden kaçınılır. Veri talep edenler için, bu platformlar geniş bir seçenek sunar ve son derece düşük maliyetler sağlar. Temsilci projeler arasında Grass, kullanıcı bant genişliğini kullanarak Web verilerini toplar; xData, kullanıcı dostu eklentiler aracılığıyla medya bilgilerini toplar ve kullanıcıların tweet bilgisi yüklemesini destekler.

Ayrıca, bazı platformlar alan uzmanlarının veya sıradan kullanıcıların veri ön işleme görevlerini yerine getirmesine olanak tanır; örneğin, görüntü etiketleme, veri sınıflandırma gibi görevler, finansal ve hukuki konularda uzmanlık gerektiren veri işleme görevleri olabilir. Kullanıcılar, becerilerini tokenleştirerek veri ön işleme işbirliğine dayalı bir kalabalık kaynak kullanımı gerçekleştirebilir. Sahara AI gibi AI pazarları, farklı alanlardaki veri görevlerini temsil eder ve çok çeşitli veri senaryolarını kapsayabilir; AIT Protocol ise insan-makine işbirliği ile verileri etiketler.

• Model: Daha önce bahsedilen AI geliştirme sürecinde, farklı türdeki gereksinimler uygun modellerle eşleştirilmelidir. Görüntü görevleri için yaygın olarak kullanılan modeller arasında CNN, GAN bulunmaktadır; nesne tespiti görevleri için Yolo serisi tercih edilebilir; metin tabanlı görevlerde ise yaygın olarak RNN, Transformer gibi modeller kullanılmaktadır. Elbette bazı özel veya genel büyük modeller de mevcuttur. Farklı karmaşıklıkta görevler için gereken model derinliği de farklıdır ve bazen modeli optimize etmek gerekebilir.

Bazı projeler, kullanıcıların farklı türde modeller sunmasına veya kitlesel olarak işbirliği yaparak modelleri eğitmesine olanak tanır. Örneğin, Sentient modüler tasarımı sayesinde kullanıcıların güvenilir model verilerini depolama katmanında ve dağıtım katmanında model optimizasyonu için koymalarına izin verir. Sahara AI tarafından sunulan geliştirme araçları, yerleşik ileri düzey AI algoritmaları ve hesaplama çerçeveleri ile birlikte gelir ve işbirliği eğitimi yeteneğine sahiptir.

• Çıkarım ve doğrulama: Model eğitildikten sonra model ağırlık dosyaları oluşturur, bu dosyalar doğrudan sınıflandırma, tahmin veya diğer belirli görevler için kullanılabilir, bu işleme çıkarım denir. Çıkarım süreci genellikle çıkarım modelinin kaynağının doğru olup olmadığını, kötü niyetli eylemler olup olmadığını doğrulamak için bir doğrulama mekanizması ile birlikte gelir. Web3'teki çıkarım genellikle akıllı sözleşmelere entegre edilebilir, modeli çağırarak çıkarım yapmak için kullanılır, yaygın doğrulama yöntemleri arasında ZKML, OPML ve TEE gibi teknolojiler bulunur. Temsilci projeler arasında ORA zincirindeki AI oracle'ı (OAO), AI oracle'ı için doğrulanabilir bir katman olarak OPML'i tanıtmaktadır, ORA'nın resmi web sitesinde ZKML ve opp/ai (ZKML ile OPML'in birleşimi) üzerine yaptıkları araştırmalara da yer verilmiştir.

Uygulama Katmanı:

Bu katman esasen kullanıcıya doğrudan hitap eden uygulamalardır, AI ile Web3'ü birleştirerek daha fazla ilginç ve yenilikçi oyun biçimleri yaratır. Bu makalede esas olarak AIGC (AI Üretilen İçerik), AI ajanları ve veri analizi gibi birkaç alanın projeleri ele alınmıştır.

• AIGC: AIGC ile genişletilebilir