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

AI anlatımının sürekli artmasıyla birlikte, bu alana giderek daha fazla ilgi odaklanmaktadır. Bu makalede Web3-AI alanının teknik mantığı, uygulama senaryoları ve temsilci projeleri derinlemesine analiz edilerek, bu alanın panoramasını ve gelişim trendlerini kapsamlı bir şekilde sunulmaktadır.

Bir, Web3-AI: Teknolojik Mantık ve Yeni Pazar Fırsatlarının Analizi

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

Son bir yıl içinde, AI anlatımı Web3 sektöründe olağanüstü popüler hale geldi, AI projeleri birbiri ardına ortaya çıktı. Birçok proje AI teknolojisini içeriyor olsa da, bazı projeler yalnızca ürünlerinin belirli kısımlarında AI kullanıyor, temel token ekonomisi ile AI ürünleri arasında anlamlı bir ilişki bulunmuyor, bu nedenle bu tür projeler bu yazıda Web3-AI projeleri tartışmasına dahil değildir.

Bu makalenin odağı, üretim ilişkileri sorunlarını çözmek için blok zincirini ve üretkenlik sorunlarını çözmek için AI kullanan projelerdir. Bu projeler kendileri AI ürünleri sunmakta ve Web3 ekonomik modeli temelinde üretim ilişkileri aracı olarak işlev görmektedir; ikisi birbiriyle tamamlayıcıdır. Bu tür projeleri Web3-AI alanına dahil ediyoruz. Okuyucuların Web3-AI alanını daha iyi anlamaları için, bu makale AI'nın geliştirme süreci ve zorluklarını, ayrıca Web3 ve AI'nın birleşiminin sorunları nasıl mükemmel bir şekilde çözdüğünü ve yeni uygulama senaryoları yarattığını tanıtacaktır.

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

Yapay zeka teknolojisi, bilgisayarların insan zekasını simüle etmesine, genişletmesine ve artırmasına olanak tanıyan bir teknolojidir. Bu teknoloji, bilgisayarların dil çevirisi, görüntü sınıflandırması, yüz tanıma, 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 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 vardır:

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 görüntüye ( kedi veya köpek ) kategorisini etiketleyin, 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 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 gücü ile etkilenir.

4. Model Çıkarımı: Model eğitimi tamamlanmış dosyalara genellikle model ağırlıkları denir, çıkarım süreci, eğitilmiş bir modelin yeni veriler üzerinde tahmin veya sınıflandırma yaptığı süreçtir. Bu süreçte modelin sınıflandırma etkinliğini test etmek için test seti veya yeni veriler kullanılabilir, genellikle modelin geçerliliğini değerlendirmek için doğruluk, geri çağırma, F1 skoru gibi göstergeler kullanılır.

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

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

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

Model seçimi ve ayarlama: Küçük ekipler için belirli bir alandaki model kaynaklarına erişmek veya model ayarlamak için büyük maliyetler harcamak zor olabilir.

Hesaplama gücü edinimi: 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 harcadıkları emeğe karşılık gelen geliri elde edemezken, AI geliştiricilerinin araştırma sonuçları da talep eden alıcılarla eşleşmekte zorlanmaktadır.

Merkezi AI senaryolarında var olan zorluklar, Web3 ile birleştirilerek aşılabilir. Web3, yeni bir üretim ilişkisi olarak, doğal olarak yeni üretkenliği temsil eden AI ile uyumlu bir şekilde çalışır ve böylece teknoloji ile üretim kapasitesinin aynı anda ilerlemesini sağlar.

1.3 Web3 ve AI'nin İşbirliği Etkisi: Rol Değişimi ve Yenilikçi Uygulamalar

Web3 ve AI'nin birleşimi, kullanıcı egemenliğini artırabilir, kullanıcılara açık bir AI işbirliği platformu sunarak, kullanıcıların Web2 döneminin AI kullanıcılarından katılımcılara dönüşmesini sağlar ve herkesin sahip olabileceği bir AI yaratır. Aynı zamanda, Web3 dünyası ile AI teknolojisinin birleşimi, daha fazla yenilikçi uygulama senaryosu ve oyun tarzı ortaya çıkarabilir.

Web3 teknolojisine dayalı olarak, AI'nın geliştirilmesi ve uygulanması, tamamen yeni bir işbirliği ekonomisi sistemine girecektir. İnsanların veri gizliliği korunabilir, veri toplama modeli AI modellerinin ilerlemesini teşvik eder, birçok açık kaynaklı AI kaynağı kullanıcıların kullanımına sunulmuştur, paylaşılan hesaplama gücü daha düşük maliyetlerle elde edilebilir. Merkeziyetsiz işbirliği toplama mekanizması ve açık AI pazarı sayesinde, adil bir gelir dağıtım sistemi gerçekleştirilebilir ve bu da daha fazla insanı AI teknolojisinin ilerlemesini teşvik etmeye motive edebilir.

Web3 sahnesinde, AI birden fazla alanda olumlu etki yaratabilir. Örneğin, AI modelleri akıllı sözleşmelere entegre edilebilir, farklı uygulama senaryolarında iş verimliliğini artırmak için pazar analizi, güvenlik testi, sosyal kümeleme gibi çeşitli işlevler sunar. Üretken AI, kullanıcıların "sanatçı" rolünü deneyimlemesine olanak tanırken, örneğin AI teknolojisi kullanarak kendi NFT'lerini yaratmalarını sağlar ve GameFi'de zengin ve çeşitli oyun senaryoları ile ilginç etkileşim deneyimleri yaratır. Zengin altyapı, sorunsuz bir geliştirme deneyimi sunar; ister AI uzmanı ister AI alanına girmek isteyen bir acemi olsun, bu dünyada uygun bir giriş bulabilir.

İki, Web3-AI ekosistem projeleri haritası ve mimari analizi

Web3-AI alanındaki 41 projeyi temel aldık ve bu projeleri farklı seviyelere ayırdık. Her bir seviyenin ayırma mantığı aşağıdaki gibi, altyapı katmanı, ara katman ve uygulama katmanı dahil olmak üzere, her bir katman farklı bölümlere ayrılmıştır. Bir sonraki bölümde, bazı temsil niteliğindeki projeleri derinlikli bir şekilde analiz edeceğiz.

Altyapı katmanı, tüm AI yaşam döngüsünü destekleyen hesaplama kaynakları ve teknoloji mimarisini 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 sınıflandırılmıştır. İşte bu altyapıların desteği sayesinde AI modellerinin eğitimi ve çıkarımı gerçekleştirilebilir ve kullanıcıya güçlü ve pratik AI uygulamaları sunulabilir.

• Merkeziyetsiz hesaplama ağı: AI model eğitimi için dağıtık hesaplama gücü sağlayarak verimli ve ekonomik hesaplama kaynaklarının kullanımını garanti eder. Bazı projeler merkeziyetsiz hesaplama pazarı sunmakta, kullanıcılar düşük maliyetle hesaplama gücünü kiralayabilir veya hesaplama gücünü paylaşarak gelir elde edebilir; bu projelere örnek olarak IO.NET ve Hyperbolic gösterilebilir. Ayrıca, bazı projeler yeni oyun tarzları geliştirmiştir; Compute Labs, GPU varlıklarını temsil eden NFT'leri satın alarak kullanıcıların hesaplama gücü kiralamaya farklı şekillerde katılmalarını sağlayan tokenleştirilmiş protokoller önermiştir.

• AI Chain: Blockchain'ı AI yaşam döngüsünün temeli olarak kullanarak, zincir üzerindeki ve dışındaki AI kaynaklarının kesintisiz etkileşimini sağlamak ve endüstri ekosisteminin gelişimini teşvik etmek. Zincir üzerindeki merkeziyetsiz AI pazarı, veri, model, ajan gibi AI varlıklarının ticaretini yapabilir ve AI geliştirme çerçevesi ile ilgili geliştirme araçlarını sunar, örnek 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 AI ajanı geliştirme platformları sunmakta ve Fetch.ai ile ChainML gibi AI ajanlarının ticaretini gerçekleştirebilmektedir. Geliştiricilerin AI modellerini daha kolay bir şekilde oluşturup, eğitip ve dağıtmasına yardımcı olan tek durak aracı, Nimble gibi projeleri temsil etmektedir. Bu altyapılar, AI teknolojisinin Web3 ekosisteminde yaygın bir şekilde kullanılmasını teşvik etmektedir.

Ara katman:

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

• Veriler: Verilerin kalitesi ve miktarı, model eğitiminin etkisini etkileyen anahtar faktörlerdir. Web3 dünyasında, topluluk destekli veri ve işbirlikçi veri işleme ile kaynak kullanımı optimize edilebilir ve veri maliyeti düşürülebilir. Kullanıcılar, verilerinin mülkiyetine sahip olabilir, gizlilik koruma altında kendi verilerini satabilirler, böylece kötü niyetli satıcıların verileri çalmasını ve yüksek kâr elde etmesini önleyebilirler. Veri talep edenler için bu platformlar geniş bir seçenek sunmakta ve çok düşük maliyetler sağlamaktadır. Grass gibi projeler, kullanıcı bant genişliğini kullanarak Web verilerini toplarken, xData kullanıcı dostu eklentileri ile medya bilgilerini toplar ve kullanıcıların tweet bilgilerini yüklemelerini destekler.

Ayrıca, bazı platformlar alan uzmanlarının veya sıradan kullanıcıların veri ön işleme görevlerini gerçekleştirmesine izin verir, örneğin görüntü etiketleme, veri sınıflandırma, bu görevler finans ve hukuk gibi uzmanlık gerektiren veri işleme görevlerini içerebilir. Kullanıcılar becerilerini tokenleştirebilir ve veri ön işleme için işbirlikçi kitle kaynaklama gerçekleştirebilir. Sahara AI gibi AI pazarları, farklı alanlarda veri görevlerini temsil eder ve çok çeşitli veri senaryolarını kapsamaktadır; AIT Protocolt ise veri etiketleme için insan-makine işbirliği yöntemini kullanır.

• Model: Daha önce bahsedilen AI geliştirme sürecinde, farklı türdeki ihtiyaçlar uygun modellerle eşleştirilmelidir. Görüntü görevlerinde yaygın olarak kullanılan modeller arasında CNN ve 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 mevcuttur. Farklı karmaşıklıkta görevlerin ihtiyaç duyduğu model derinliği de farklıdır, bazen modellerin ayarlanması gerekebilir.

Bazı projeler, kullanıcıların farklı türde modeller sunmasına veya kalabalık kaynak kullanarak modelleri birlikte eğitmesine olanak tanır. Örneğin, Sentient, kullanıcıların güvenilir model verilerini depolama katmanında ve dağıtım katmanında kullanarak model optimizasyonu yapmasına olanak tanıyan modüler bir tasarıma sahiptir. Sahara AI tarafından sunulan geliştirme araçları, yerleşik ileri AI algoritmaları ve hesaplama çerçeveleri ile birlikte gelir ve işbirliği içinde eğitim yapma yeteneğine sahiptir.

• Çıkarım ve doğrulama: Model eğitimden 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'teki çıkarım genellikle akıllı sözleşmelere entegre edilebilir, modeli çağırarak çıkarım yapılır. 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'i tanıtmıştır. ORA'nın resmi web sitesinde ZKML ve opp/ai(ZKML'in OPML) ile birleştirilmesine dair araştırmalarına da değinilmiştir.

Uygulama katmanı:

Bu katman esasen kullanıcıya yönelik uygulamalardır, AI ile Web3'ü birleştirerek daha ilginç ve yenilikçi oyunlar yaratır. Bu makalede AIGC(, AI tarafından üretilen içerik ), AI ajanları ve veri analizi gibi birkaç alandaki projeler ele alınmıştır.

• AIGC: AIGC, Web3 içindeki NFT, oyun gibi alanlara genişleyebilir. Kullanıcılar, Prompt( kullanıcı tarafından verilen anahtar kelimelerle ) metin, görüntü ve ses üretebilir ve hatta oyun içinde kendi tercihlerine göre özel oyun stilleri oluşturabilirler. NFPrompt gibi NFT projelerinde, kullanıcılar AI ile oluşturulan NFT'leri piyasada ticaret yapabilir; Sleepless gibi oyunlarda, kullanıcılar sanal partnerlerinin karakterini şekillendirerek kendi tercihleriyle eşleşmelerini sağlar.

• AI ajanı: Görevleri bağımsız olarak yerine getirebilen ve kararlar alabilen yapay zeka sistemini ifade eder. AI ajanları genellikle algılama, akıl yürütme, öğrenme ve hareket etme yeteneklerine sahiptir ve çeşitli ortamlarda karmaşık görevleri yerine getirebilir. Yaygın AI ajanları arasında dil çevirisi, dil öğrenimi, görüntüden metne gibi uygulamalar bulunur; Web3 senaryolarında ticaret robotları, meme şablonları oluşturma, zincir üstü güvenlik denetimi gibi işler yapabilirler. MyShell, eğitim öğrenme, sanal eş, ticaret ajanı gibi çeşitli türde ajanlar sunan bir AI ajanı platformu olarak, kullanıcı dostu ajan geliştirme araçları sağlayarak, kod yazmadan kendi ajanınızı oluşturmanıza olanak tanır.

• Veri analizi: AI teknolojisi ve ilgili alanlardaki veritabanlarını entegre ederek veri analizi, değerlendirme, tahmin vb. işlemleri gerçekleştirmek, Web3'te piyasa verilerini, akıllı para dinamiklerini analiz ederek kullanıcılara yatırım kararları alma konusunda yardımcı olabilir. Token tahmini de Web3'teki benzersiz uygulama senaryolarından biridir, örnek projeler arasında Ocean bulunmaktadır, resmi olarak belirlenen.