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

AI anlatımının sürekli olarak artan sıcaklığıyla birlikte, bu alana giderek daha fazla ilgi gösterilmektedir. Web3-AI alanındaki teknik mantık, uygulama senaryoları ve temsilci projeler derinlemesine incelenmiş, bu alandaki panoramayı ve gelişim trendlerini sizlere kapsamlı bir şekilde sunmaktadır.

I. Web3-AI: Teknolojik Mantık ve Yeni Pazar Fırsatlarının Analizi

1.1 Web3 ve AI'nin birleşim mantığı: Web-AI pisti nasıl tanımlanır

Geçtiğimiz yıl içinde, AI anlatımı Web3 sektöründe olağanüstü popüler hale geldi ve AI projeleri yağmurdan sonraki mantarlar gibi ortaya çıkmaya başladı. Birçok proje AI teknolojisini kapsasa da, bazı projeler yalnızca ürünlerinin belirli kısımlarında AI kullanıyor ve temel token ekonomisi ile AI ürünleri arasında herhangi bir somut ilişki bulunmamaktadır; bu nedenle bu tür projeler bu makalede Web3-AI projeleri tartışmasına dahil edilmemektedir.

Bu metnin odak noktası, üretim ilişkileri sorunlarını çözmek için blok zinciri kullanmak ve üretkenlik sorunlarını çözmek için AI projeleri geliştirmektir. Bu projeler, aynı zamanda AI ürünleri sunmakta ve üretim ilişkileri aracı olarak Web3 ekonomik modeline dayanmaktadır; her ikisi birbiriyle tamamlayıcıdır. Bu tür projeleri Web3-AI alanında sınıflandırıyoruz. Okuyucuların Web3-AI alanını daha iyi anlaması için, AI'nın geliştirme sürecini ve zorluklarını, ayrıca Web3 ve AI'nın nasıl mükemmel bir şekilde sorunları çözdüğünü ve yeni uygulama senaryoları yarattığını tanıtmaya başlayacağız.

1.2 AI'nin geliştirme süreci ve zorlukları: Veri toplama aşamasından model çıkarımına

Yapay zeka teknolojisi, bilgisayarların insan zekasını simüle etmesini, genişletmesini ve artırmasını sağlayan bir teknolojidir. 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 kritik adımı içerir: veri toplama ve veri ön işleme, model seçimi ve ayarlama, model eğitimi ve çıkarım. Basit bir örnek vermek gerekirse, kediler ve köpekler görüntülerinin sınıflandırılmasını sağlamak için bir model geliştirmeniz gerektiğinde, şunları yapmalısınız:

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

2. Model Seçimi ve Ayarlama: Uygun modeli seçin, örneğin, konvolüsyonel sinir ağı (CNN), görüntü sınıflandırma görevleri için oldukça uygundur. Farklı ihtiyaçlara göre model parametrelerini veya mimarisini ayarlayın, genellikle modelin ağ derinliği AI görevlerinin karmaşıklığına göre ayarlanabilir. Bu basit sınıflandırma örneğinde, daha sığ bir ağ derinliği yeterli olabilir.

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

4. Model Çıkarımı: Modelin eğitilmiş dosyalarına genellikle model ağırlıkları denir, çıkarım süreci, eğitilmiş bir modeli yeni veriler üzerinde tahmin veya sınıflandırma yapmak için kullanma sürecidir. Bu süreçte test seti veya yeni veriler kullanılarak modelin sınıflandırma etkisi test edilebilir, genellikle modelin etkinliğini değerlendirmek için doğruluk, hatırlama, F1-skora gibi göstergeler kullanılır.

Görüldüğü gibi, veri toplama ve veri ön işleme, model seçimi ve ayarlama ile eğitim sonrası, eğitilen modelin test kümesi üzerinde çıkarım yapılması, kedi ve köpek için tahmin değerleri P (olasılık) elde edecektir; yani modelin kedi veya köpek olma 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, merkezi AI geliştirme sürecinin aşağıdaki senaryolarda bazı sorunları vardır:

Kullanıcı Gizliliği: Merkezi bir ortamda, AI'nın geliştirme süreci genellikle şeffaf değildir. Kullanıcı verileri, kullanıcıların bilgisi olmadan çalınabilir ve AI eğitimi için kullanılabilir.

Veri kaynağı edinimi: Küçük ekipler veya bireyler, belirli bir alanda veri (örneğin tıbbi veriler) edinirken, verilerin açık kaynak olmaması gibi sınırlamalarla karşılaşabilir.

Model seçimi ve ayarı: Küçük ekipler için belirli bir alanın model kaynaklarına erişmek veya model ayarları için büyük maliyetler harcamak zor olabilir.

Hesaplama Gücü Elde Etme: Bireysel geliştiriciler ve küçük ekipler için, yüksek GPU satın alma maliyetleri ve bulut hesaplama gücü kiralama ücretleri önemli bir ekonomik yük oluşturabilir.

AI Varlık Geliri: Veri etiketleme çalışanları genellikle harcadıklarıyla orantılı bir gelir elde edemezken, AI geliştiricilerinin araştırma sonuçları da talep eden alıcılarla eşleşmekte zorluk çekmektedir.

Merkezi AI ortamındaki zorluklar, Web3 ile birleşerek aşılabilir. Web3, yeni bir üretim ilişkisi olarak, doğal olarak yeni üretkenliği temsil eden AI ile uyumlu olup, teknolojinin ve üretim kapasitesinin eş zamanlı ilerlemesini teşvik eder.

1.3 Web3 ve AI'nin İş Birliği Etkisi: Rol Değişimleri ve Yenilikçi Uygulamalar

Web3 ve AI birleşimi, kullanıcı egemenliğini artırabilir ve kullanıcılara açık bir AI işbirliği platformu sunarak, kullanıcıların Web2 döneminin AI kullanıcılarından katılımcılara dönüşmelerini sağlar ve herkesin sahip olabileceği AI yaratır. Aynı zamanda, Web3 dünyası ile AI teknolojisinin entegrasyonu, daha fazla yenilikçi uygulama senaryoları ve oyun biçimlerinin ortaya çıkmasına da yol açabilir.

Web3 teknolojisine dayalı olarak, AI'nın geliştirilmesi ve uygulanması yeni bir işbirliği ekonomik sistemine merhaba diyecek. İnsanların veri gizliliği güvence altına alınabilir, veri toplama modeli AI modellerinin ilerlemesini teşvik eder, birçok açık kaynaklı AI kaynağı kullanıcıların kullanımına sunulmuştur ve paylaşılan hesaplama gücü daha düşük maliyetle elde edilebilir. Merkezi olmayan işbirliği toplama mekanizması ve açık AI pazarı sayesinde adil bir gelir dağıtım sistemi gerçekleştirilebilir, böylece daha fazla kişinin AI teknolojisinin ilerlemesini teşvik etmesi teşvik edilir.

Web3 sahnesinde, AI birçok alanda olumlu bir etki yaratabilir. Örneğin, AI modelleri akıllı sözleşmelere entegre edilerek piyasa analizi, güvenlik testleri, sosyal kümelenme gibi çeşitli uygulama senaryolarında iş verimliliğini artırabilir. Üretken AI, kullanıcıların AI teknolojisi kullanarak kendi NFT'lerini yaratmaları gibi "sanatçı" rolünü deneyimlemelerini sağlarken, GameFi'de zengin ve çeşitli oyun sahneleri ve eğlenceli etkileşim deneyimleri oluşturabilir. Zengin altyapı, AI uzmanları veya AI alanına girmek isteyen yeni başlayanlar için akıcı bir geliştirme deneyimi sunarak bu dünyada uygun bir giriş noktası bulmalarını sağlar.

İki, Web3-AI Ekosistem Proje Haritası ve Mimarisi Yorumları

Web3-AI alanındaki 41 projeyi ana olarak inceledik ve bu projeleri farklı seviyelere ayırdık. Her bir seviyenin ayrım mantığı aşağıdaki gibi gösterilmiştir; altyapı katmanı, orta katman ve uygulama katmanı olmak üzere, her bir katman farklı bölümlere ayrılmaktadır. Bir sonraki bölümde, bazı temsilci projeleri derinlikli bir şekilde analiz edeceğiz.

Altyapı katmanı, tüm AI yaşam döngüsü boyunca çalışan hesaplama kaynakları ve teknik mimariyi kapsar; orta katman ise altyapıyı ve uygulamaları bağlayan veri yönetimi, model geliştirme ve doğrulama çıkarım hizmetlerini içerir. Uygulama katmanı ise doğrudan kullanıcıya yönelik çeşitli uygulamalar ve çözümler üzerine odaklanır.

Altyapı Katmanı:

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

• Dağıtık Hesaplama Ağı: AI model eğitimi için dağıtık hesaplama gücü sağlayarak verimli ve ekonomik hesaplama kaynaklarının kullanımını güvence altına alır. Bazı projeler, kullanıcıların düşük maliyetle hesaplama gücü kiralayabileceği veya hesaplama gücünü paylaşarak gelir elde edebileceği merkeziyetsiz hesaplama gücü pazarları sunmaktadır. Temsilci projeler arasında IO.NET ve Hyperbolic bulunmaktadır. Ayrıca, bazı projeler yeni oyun yöntemleri geliştirmiştir; örneğin, Compute Labs, kullanıcıların GPU varlıklarını temsil eden NFT'leri satın alarak hesaplama gücü kiralamaya farklı şekillerde katılmalarını sağlayan tokenleştirilmiş bir protokol önermektedir.

• AI Chain: Blockchain'ı AI yaşam döngüsünün temeli olarak kullanarak, zincir üzerindeki ve zincir dışındaki AI kaynaklarının kesintisiz etkileşimini sağlar ve sektör ekosisteminin gelişimini teşvik eder. Zincir üzerindeki merkeziyetsiz AI pazarı, veri, model, ajan gibi AI varlıklarının ticaretini yapabilir ve AI geliştirme çerçevesi ile ilgili geliştirme araçları sunar; projeler arasında Sahara AI bulunmaktadır. AI Chain ayrıca farklı alanlardaki AI teknolojilerinin ilerlemesini teşvik edebilir; örneğin Bittensor, farklı AI türlerinin alt ağ rekabetini teşvik etmek için yenilikçi bir alt ağ teşvik mekanizması kullanmaktadır.

• Geliştirme platformu: Bazı projeler, Fetch.ai ve ChainML gibi AI ajanı geliştirme platformları sunmakta ve AI ajanı ticaretini gerçekleştirebilmektedir. Tek durak araçları, geliştiricilerin AI modellerini daha kolay bir şekilde oluşturmasına, eğitmesine ve dağıtmasına yardımcı olur; örnek projeler arasında Nimble bulunmaktadır. Bu altyapılar, AI teknolojisinin Web3 ekosisteminde yaygın bir şekilde kullanılmasını teşvik etmektedir.

Ara katman:

Bu katman, AI verileri, modelleri ve çıkarım ve doğrulama ile ilgilidir; Web3 teknolojisi kullanılarak daha yüksek bir çalışma verimliliği sağlanabilir.

• Veriler: Verilerin kalitesi ve miktarı, model eğitimi üzerindeki etkileyen ana faktörlerdir. Web3 dünyasında, kitle kaynaklı veriler ve işbirlikçi veri işleme ile kaynak kullanımı optimize edilebilir ve veri maliyetleri düşürülebilir. Kullanıcılar, gizlilik koruma altında kendi verilerini satma hakkına sahip olabilirler, böylece verilerin kötü niyetli tüccarlar tarafından çalınması ve yüksek karlar elde edilmesi önlenir. Veri talep edenler için, bu platformlar geniş bir seçim ve son derece düşük maliyetler sunar. Grass gibi projeler, kullanıcı bant genişliğini kullanarak Web verilerini toplar; xData ise kullanıcı dostu eklentileri aracılığıyla medya bilgilerini toplar ve kullanıcıların tweet bilgilerini yüklemelerine destek verir.

Ayrıca, bazı platformlar alan uzmanlarının veya sıradan kullanıcıların veri ön işleme görevlerini yerine getirmesine izin vermektedir; bu görevler, profesyonel bilgi gerektiren finansal ve hukuki veri işlemlerini içerebilir. Kullanıcılar becerilerini tokenlaştırarak veri ön işleme işbirliği ve kitlesel iş gücü oluşturabilirler. Sahara AI gibi AI pazarları, farklı alanlarda veri görevleri sunarak çok çeşitli veri senaryolarını kapsayabilir; AIT Protocol ise insan-makine işbirliği ile verileri etiketlemektedir.

• Model: Daha önce bahsedilen AI geliştirme sürecinde, farklı türdeki gereksinimlerin uygun modellere eşleşmesi gerekmektedir. 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 bulunmaktadır; elbette bazı özel veya genel büyük modeller de mevcuttur. Farklı karmaşıklıkta görevler, farklı derinlikte modellere ihtiyaç duyar ve bazen modellerin ayarlanması gerekebilir.

Bazı projeler, kullanıcıların farklı türde modeller sağlamasına veya model eğitimi için kitle kaynaklı işbirliği yapmasına destek verir. Örneğin, Sentient, modüler tasarımı aracılığıyla kullanıcıların güvenilir model verilerini depolama ve dağıtım katmanlarında kullanarak model optimizasyonu yapmalarına izin verir. Sahara AI'nin sunduğu geliştirme araçları, gelişmiş AI algoritmaları ve hesaplama çerçeveleri ile donatılmıştır ve işbirlikçi eğitim yeteneğine sahiptir.

• Çıkarım ve doğrulama: Model eğitildikten sonra model ağırlık dosyalarını üretir, bu dosyalar doğrudan sınıflandırma, tahmin veya diğer belirli görevler için kullanılabilir, bu süreç çıkarım olarak adlandırılır. Çıkarım süreci genellikle çıkarım modelinin kaynağının doğru olup olmadığını, kötü niyetli davranışların olup olmadığını doğrulamak için bir doğrulama mekanizması ile birlikte gelir. Web3'te çıkarım genellikle akıllı sözleşmelere entegre edilebilir, modelin çıkarım yapılması için çağrılması yoluyla, yaygın doğrulama yöntemleri arasında ZKML, OPML ve TEE gibi teknolojiler bulunmaktadır. Temsilci projeler arasında ORA zincirindeki AI oracle (OAO) yer almakta olup, OPML'yi AI oracle'ın doğrulanabilir katmanı olarak tanıtmaktadır, ORA'nın resmi web sitesinde ZKML ve opp/ai (ZKML ile OPML'in birleşimi) hakkında yaptıkları araştırmalara da yer verilmiştir.

Uygulama katmanı:

Bu katman esasen kullanıcıya yönelik uygulamalardır; AI ve Web3'ü birleştirerek daha ilginç ve yenilikçi oyunlar yaratmaktadır. Bu makalede, AIGC (AI Üretilen İçerik), AI Ajanları ve Veri Analizi gibi birkaç alandaki projeler ele alınmaktadır.

• AIGC: AIGC aracılığıyla