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

AI anlatımının sürekli ısınmasıyla birlikte, giderek daha fazla dikkat bu alana yoğunlaşıyor. Web3-AI alanındaki teknik mantık, uygulama senaryoları ve temsilci projeler derinlemesine analiz edilerek, bu alandaki panoramayı ve gelişim trendlerini sizlere kapsamlı bir şekilde sunuyor.

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

1.1 Web3 ve AI'nin entegrasyon mantığı: Web-AI alanını nasıl tanımlarsınız

Son bir yıl içinde, AI anlatımı Web3 endüstrisinde olağanüstü popüler hale geldi, AI projeleri birbiri ardına ortaya çıktı. Birçok proje AI teknolojisini kapsasa da, bazı projeler yalnızca ürünlerinin belirli kısımlarında AI kullanıyor, temel token ekonomisi ile AI ürünleri arasında gerçek bir ilişki yok, bu nedenle bu tür projeler bu makalede Web3-AI projeleri tartışması kapsamına girmemektedir.

Bu makalenin odak noktası, blok zincirinin üretim ilişkileri sorunlarını çözmesi ve AI'nın üretkenlik sorunlarını çözmesi projeleri üzerinedir; bu projeler kendileri AI ürünleri sunar ve aynı zamanda üretim ilişkileri aracı olarak Web3 ekonomi modeline dayanır; ikisi birbirini tamamlar. Bu tür projeleri Web3-AI alanına sınıflandırıyoruz. Okuyucuların Web3-AI alanını daha iyi anlaması için, AI'nın geliştirme süreci ve zorlukları ile Web3 ve AI'nın nasıl mükemmel bir şekilde sorunları çözdüğünü ve yeni uygulama senaryoları oluşturduğunu tanıtacağız.

1.2 AI geliştirme süreci ve zorluklar: 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 getirmesine olanak tanır; yapay zeka, yaşamımızı ve çalışma şeklimizi değiştiriyor.

Yapay zeka modeli geliştirme süreci genellikle aşağıdaki birkaç ana adımı içerir: veri toplama ve veri ön işleme, model seçimi ve ayarlama, model eğitimi ve çıkarım. Basit bir örnek vermek gerekirse, bir modeli kedi ve köpek görüntülerinin sınıflandırılması için geliştirmek istiyorsanız, şunlara ihtiyacınız var:

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

2. Model Seçimi ve Ayarı: Uygun modeli seçin, örneğin, konvolüsyonel sinir ağı (CNN), görüntü sınıflandırma görevleri için daha uygundur. Farklı ihtiyaçlara göre model parametrelerini veya mimarisini ayarlayın, genellikle modelin ağ katmanları, AI görevlerinin karmaşıklığına göre ayarlanabilir. Bu basit sınıflandırma örneğinde, daha yüzeysel bir ağ katmanı 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 eğitimli dosyaları genellikle model ağırlıkları olarak adlandırılır, çıkarım süreci, eğitilmiş bir modelin yeni veriler üzerinde tahmin veya sınıflandırma yapma sürecini ifade eder. Bu süreçte, modelin sınıflandırma etkinliğini test etmek için test seti veya yeni veriler kullanılabilir ve genellikle modelin etkinliğini değerlendirmek için doğruluk, hatırlama oranı, F1 skoru gibi ölçütler kullanılır.

Şekilde gösterildiği gibi, veri toplama ve veri ön işleme, model seçimi ve ayarlama ile eğitim sonrası, eğitilmiş modelin test kümesinde çıkarım yapması, kedi ve köpek için tahmin değerlerini P(probability) elde edecektir; yani, modelin kedi veya köpek olma olasılığını çıkarması.

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

Ancak, merkeziyetsiz AI geliştirme süreci aşağıdaki senaryolarda bazı sorunlar içermektedir:

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

Veri kaynağı elde etme: Küçük ekipler veya bireyler, belirli alanlardan veri ( (örneğin tıbbi veri )) elde ederken, verilerin açık kaynak olmaması kısıtlamasıyla karşılaşabilir.

Model Seçimi ve Ayarlama: Küçük ekipler için belirli bir alana ait model kaynaklarını edinmek veya model ayarlama için büyük maliyetler harcamak zor.

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 teşkil edebilir.

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

Merkezi AI senaryolarında var olan zorluklar, Web3 ile birleşerek aşılabilir. Web3, yeni bir üretim ilişkisi türü olarak, doğal olarak yeni üretkenliği temsil eden AI ile uyumlu hale gelir ve böylece teknolojinin ve üretim kapasitesinin eş zamanlı ilerlemesini teşvik eder.

1.3 Web3 ve AI'nin iş birliği etkisi: rol değişimi ve yenilikçi uygulamalar

Web3 ve AI birleşimi, kullanıcıların egemenliğini artırabilir, kullanıcılara açık bir AI işbirliği platformu sunabilir ve kullanıcıları Web2 döneminin AI kullanıcılarından katılımcılara dönüştürebilir, herkesin sahip olabileceği AI yaratabilir. Aynı zamanda, Web3 dünyası ile AI teknolojisinin birleşimi daha fazla yenilikçi uygulama senaryosu ve oyun tarzı ortaya çıkarabilir.

Web3 teknolojisi temelinde, AI'nın geliştirilmesi ve uygulanması yeni bir işbirliği ekonomik sistemine girecek. İnsanların veri gizliliği güvence altına alınabilir, veri kalabalıklaştırma modeli AI modellerinin ilerlemesini teşvik eder, birçok açık kaynaklı AI kaynağı kullanıcıların kullanımına sunulmuştur, paylaşılan hesaplama gücü daha düşük maliyetle edinilebilir. Merkeziyetsiz işbirliği ve kalabalıklaştırma mekanizması ile açık AI pazarı sayesinde adil bir gelir dağıtım sistemi sağlanabilir, böylece daha fazla insanı AI teknolojisinin ilerlemesini teşvik etmeye motive edebilir.

Web3 sahnesinde, AI birden fazla alanda olumlu etkiler yaratabilir. Örneğin, AI modelleri akıllı sözleşmelere entegre edilebilir ve pazar analizi, güvenlik testi, sosyal kümeleme gibi çeşitli uygulama alanlarında çalışma verimliliğini artırabilir. Üretken AI, kullanıcıların AI teknolojisini kullanarak kendi NFT'lerini yaratmalarına imkan tanıyarak "sanatçı" rolünü deneyimlemelerini sağlarken, GameFi'de zengin ve çeşitli oyun senaryoları ve ilginç etkileşim deneyimleri oluşturabilir. Zengin altyapı, AI uzmanları ya da AI alanına girmek isteyen yeni başlayanlar için bu dünyada uygun bir giriş bulma imkanı sunarak pürüzsüz bir geliştirme deneyimi sağlar.

İki, Web3-AI Ekosistem Proje Haritası ve Mimari Yorumu

Web3-AI alanındaki 41 projeyi inceledik ve bu projeleri farklı katmanlara ayırdık. Her bir katmanın ayırma mantığı aşağıdaki gibi gösterilmektedir; altyapı katmanı, orta katman ve uygulama katmanı olmak üzere her bir katman farklı bölümlere ayrılmaktadır. Bir sonraki bölümde, bazı temsilci projeleri derinlikli olarak analiz edeceğiz.

Altyapı katmanı, tüm AI yaşam döngüsü operasyonlarını destekleyen hesaplama kaynakları ve teknoloji mimarisini kapsar. Orta katman ise altyapıyı uygulamalarla bağlayan veri yönetimi, model geliştirme ve doğrulama çıkarım hizmetlerini içerir. Uygulama katmanı, doğrudan kullanıcılara yönelik çeşitli uygulama ve çözümlere odaklanır.

Altyapı katmanı:

Altyapı katmanı, AI yaşam döngüsünün temelidir. Bu yazıda, hesaplama gücünü, AI Chain'i ve geliştirme platformunu altyapı katmanı olarak sınıflandırıyoruz. 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 sağlayabilir, 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, örnek projeler IO.NET ve Hyperbolic'tir. Ayrıca, bazı projeler yeni oyun alanları geliştirmiştir, örneğin Compute Labs, GPU varlıklarını temsil eden NFT'leri satın alarak kullanıcıların hesaplama gücü kiralama süreçlerine farklı şekillerde katılmalarını sağlayan tokenizasyon protokolleri önermiştir.

• AI Chain: Blok zincirini AI yaşam döngüsünün temeli olarak kullanarak, zincir üzeri ve zincir dışı AI kaynaklarının kesintisiz etkileşimini sağlamayı ve endüstri ekosisteminin gelişimini teşvik etmeyi amaçlamaktadır. Zincir üzerindeki merkeziyetsiz AI pazarı, veri, model, ajan gibi AI varlıklarının ticaretini yapabilir ve AI geliştirme çerçevesi ile ilgili geliştirme araçlarını sağlayabilir. Temsilci projeler arasında Sahara AI bulunmaktadır. AI Chain ayrıca farklı alanlardaki AI teknolojilerinin ilerlemesini teşvik edebilir; örneğin Bittensor, farklı AI türleri arasındaki alt ağ rekabetini teşvik etmek için yenilikçi bir alt ağ teşvik mekanizması kullanmaktadır.

• Geliştirme platformu: Bazı projeler AI ajan geliştirme platformları sunmakta, ayrıca AI ajan ticareti gerçekleştirmek için Fetch.ai ve ChainML gibi projeleri de içermektedir. Geliştiricilerin AI modellerini daha kolay bir şekilde oluşturmasına, eğitmesine ve dağıtmasına yardımcı olan tek duraklı araçlar, Nimble gibi projeler tarafından temsil edilmektedir. Bu altyapılar, AI teknolojisinin Web3 ekosisteminde geniş ölçüde uygulanmasını teşvik etmektedir.

Ara katman:

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

• Veriler: Verilerin kalitesi ve miktarı, model eğitimi üzerinde etkili olan ana faktörlerdir. Web3 dünyasında, topluluk destekli veri ve işbirlikçi veri işleme ile kaynak kullanımını optimize etmek ve veri maliyetlerini düşürmek mümkündür. Kullanıcılar, gizlilik koruma altında kendi verilerini satma hakkına sahip olabilir, bu sayede verilerin kötü niyetli satıcılar tarafından çalınmasını ve yüksek kar elde etmesini önleyebilirler. Veri talep edenler için, bu platformlar geniş bir seçim sunmakta ve son derece düşük maliyetler sağlamaktadır. Grass gibi projeler, kullanıcı bant genişliğini kullanarak Web verilerini toplayabilirken, xData kullanıcı dostu eklentileri ile medya bilgilerini toplamakta ve kullanıcıların tweet bilgilerini yüklemelerine destek vermektedir.

Ayrıca, bazı platformlar alan uzmanlarının veya sıradan kullanıcıların veri ön işleme görevlerini yerine getirmesine izin verir, örneğin görüntü etiketleme, veri sınıflandırma, bu görevler finansal ve hukuki görevlerin veri işlenmesi gibi uzmanlık bilgisi gerektirebilir. Kullanıcılar becerilerini tokenleştirerek veri ön işleme işbirliği kitlesel iş gücünü gerçekleştirebilir. Sahara AI gibi AI pazarları, farklı alanlardaki veri görevlerini temsil eder ve çok çeşitli veri senaryolarını kapsayabilir; AIT Protokolü ise insan-makine işbirliği ile verileri etiketler.

• Model: Daha önce bahsedilen AI geliştirme sürecinde, farklı türdeki gereksinimlerin uygun modellere eşleştirilmesi gerekmektedir. Görüntü görevleri için yaygın olarak kullanılan modeller arasında CNN, GAN, nesne tespiti görevleri için Yolo serisi seçilebilir, metin tabanlı görevlerde ise yaygın olarak RNN, Transformer gibi modeller bulunmaktadır. Elbette bazı özel veya genel büyük modeller de vardır. Farklı karmaşıklıkta görevlerin ihtiyaç duyduğu model derinliği de farklıdır; bazen modellerin optimize edilmesi gerekebilir.

Bazı projeler, kullanıcıların farklı türde modeller sağlamasına veya kalabalık kaynak yöntemiyle model eğitimi için işbirliği yapmasına destek sağlar. Örneğin, Sentient modüler tasarımı sayesinde kullanıcıların güvenilir model verilerini depolama katmanında ve dağıtım katmanında model optimizasyonu için yerleştirmelerine olanak tanır. Sahara AI tarafından sunulan geliştirme araçları, yerleşik ileri düzey AI algoritmaları ve hesaplama çerçeveleri ile birlikte gelir ve işbirliği içinde eğitim yapabilme yeteneğine sahiptir.

• Çıkarım ve doğrulama: Model eğitildikten sonra model ağırlık dosyaları üretecek, bunlar 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 eylemler olup olmadığını doğrulamak için bir doğrulama mekanizması ile birlikte gelir. Web3 çıkarımı genellikle akıllı sözleşmelere entegre edilebilir, modelin çıkarımını gerçekleştirmek için çağrılar yaparak, yaygın doğrulama yöntemleri arasında ZKML, OPML ve TEE gibi teknolojiler bulunur. Temsilci projeler arasında ORA zincirindeki AI oracle (OAO), AI oracle'ın doğrulanabilir katmanı olarak OPML'yi tanıtmıştır, ORA'nın resmi web sitesinde ZKML ve opp/ai(ZKML'nin OPML) ile birleştirilmesi konusundaki araştırmalarına da değinilmiştir.

Uygulama katmanı:

Bu katman, AI ile Web3'ü birleştirerek kullanıcıya doğrudan hitap eden uygulamalardır ve daha ilginç, yenilikçi oyunlar yaratmaktadır. Bu makalede, AIGC(AI tarafından üretilen içerikler), AI ajanları ve veri analizi gibi birkaç bölümdeki projeler ele alınmıştır.

• AIGC: AIGC aracılığıyla genişletilebilir