AI+Web3: Kuleler ve Meydanlar

TL;DR

1. AI konseptli Web3 projeleri birinci ve ikinci piyasalarda para çekme hedefi haline geldi.

2. Web3'ün AI sektöründeki fırsatları, uzun kuyruktaki potansiyel arzı koordine etmek için dağıtılmış teşvikler kullanmakta yatmaktadır - veri, depolama ve hesaplama arasında; aynı zamanda açık kaynak bir model ve AI Ajanı'nın merkeziyetsiz bir pazarını inşa etmektedir.

3. AI'nin Web3 endüstrisindeki ana kullanım alanı, zincir üzerindeki finans (kripto ödemeler, ticaret, veri analizi) ve geliştirmeye yardımcı olmaktır.

4. AI+Web3'ün yararı, ikisinin tamamlayıcılığında kendini gösteriyor: Web3, AI merkezileşmesine karşı koyma umudunu taşırken, AI da Web3'ün sınırlarını aşmasına yardımcı olma umudunu taşıyor.

Giriş

Son iki yılda, AI gelişimi sanki hızlandırma butonuna basılmış gibi, Chatgpt'nin tetiklediği bu kelebek etkisi, yalnızca üretken yapay zekanın yeni bir dünyasını açmakla kalmadı, aynı zamanda diğer taraftaki Web3'te de büyük bir dalga yarattı.

AI kavramının desteğiyle, yavaşlayan kripto piyasa finansmanında belirgin bir artış gözlemleniyor. İstatistikler, 2024 yılının ilk yarısında toplam 64 adet Web3+AI projesinin finansman sağladığını gösteriyor. Yapay zeka tabanlı işletim sistemi Zyber365, A serisinde 1 milyon dolarlık en yüksek finansman miktarını elde etti.

İkincil piyasa daha da canlanmış durumda, kripto agregat verileri, sadece bir yıl içinde AI alanının toplam piyasa değerinin 48,5 milyar dolara ulaştığını, 24 saatlik işlem hacminin ise 8,6 milyar dolara yaklaştığını gösteriyor; ana akım AI teknolojisindeki ilerlemelerin sağladığı faydalar belirgin, OpenAI'nin Sora metin-video modelinin yayınlanmasının ardından, AI sektöründeki ortalama fiyat %151 oranında artış gösterdi; AI etkisi, kripto para çekim alanlarından biri olan Meme'ye de yansıdı: ilk AI Agent konsepti olan MemeCoin - GOAT hızla popülerlik kazandı ve 1,4 milyar dolarlık bir değerlemeye ulaştı, böylece AI Meme dalgasını başarıyla başlattı.

AI+Web3 ile ilgili araştırmalar ve konular da oldukça popüler. AI+Depin'den AI Memecoin'e, şu anda AI Agent ve AI DAO'ya kadar, FOMO duygusu yeni anlatı değişiminin hızına yetişemiyor.

AI+Web3, bu bol para, fırsatlar ve gelecekteki hayallerle dolu terim kombinasyonu, kaçınılmaz olarak insanların bunu bir sermaye aracılığıyla yapılan düzenlenmiş bir evlilik olarak görmesine neden oluyor. Bu görkemli elbisenin altında aslında spekülatörlerin mi sahnesi yoksa şafak patlamasının eşiği mi olduğunu ayırt etmekte zorlanıyoruz.

Bu soruyu yanıtlamak için her iki taraf için de kritik bir düşünce, karşı tarafın varlığının durumu daha iyi hale getirip getirmeyeceğidir. Karşı tarafın modelinden faydalanmak mümkün mü? Bu yazıda, geçmişteki deneyimlerin üzerine çıkarak bu yapıyı incelemeye çalışıyoruz: Web3, AI teknolojisi yığının her aşamasında nasıl bir rol oynayabilir ve AI, Web3'e ne tür yeni canlılıklar katabilir?

Bölüm.1 AI yığınında Web3 için ne gibi fırsatlar var?

Bu konuyu açmadan önce, AI büyük modellerinin teknik yığınını anlamamız gerekiyor:

Daha anlaşılır bir dille süreci şöyle ifade edebiliriz: "Büyük model", insan beynine benzer, erken aşamalarda bu beyin yeni doğmuş bir bebeğe aittir. Bu bebek, çevresindeki büyük miktarda bilgiyi gözlemleyip alarak dünyayı anlamaya çalışır; bu, verilerin "toplanması" aşamasıdır. Bilgisayarlar, insanın görme, işitme gibi birçok duyusuna sahip olmadığından, eğitim öncesinde, dış dünyadan gelen büyük ölçekli etiketlenmemiş veriler, bilgisayarın anlayabileceği ve kullanabileceği bilgi formatına "ön işleme" ile dönüştürülmelidir.

Veri girdikten sonra AI, "eğitim" aracılığıyla anlayış ve tahmin yeteneğine sahip bir model oluşturur, bu da bebeğin dış dünyayı yavaş yavaş anlaması ve öğrenmesi süreci olarak görülebilir. Modelin parametreleri, bebeğin öğrenme sürecinde sürekli olarak ayarlanan dil yeteneği gibidir. Öğrenilen içerikler branşlara ayrılmaya başladığında veya insanlarla iletişim kurarak geri bildirim alıp düzeltmeler yapıldığında, büyük modelin "ince ayar" aşamasına geçilmiş olur.

Çocuklar büyüdükçe ve konuşmayı öğrendikçe, yeni diyaloglarda anlamı anlayabilir ve kendi duygularını ve düşüncelerini ifade edebilirler. Bu aşama, AI büyük modellerinin "sezgi" aşamasına benzer; model, yeni dil ve metin girdilerine tahmin ve analiz yapabilir. Bebekler dil yetenekleri aracılığıyla duygularını ifade eder, nesneleri tanımlar ve çeşitli problemleri çözerler; bu da AI büyük modellerinin eğitim tamamlandıktan sonra sezgi aşamasında farklı özel görevlerde, örneğin görüntü sınıflandırma, ses tanıma gibi uygulamalara benzer.

AI Ajansı, büyük modellerin bir sonraki biçimine daha yakın hale geliyor - bağımsız olarak görevleri yerine getirebilen ve karmaşık hedefler peşinde koşabilen, yalnızca düşünme yeteneğine sahip olmakla kalmayıp, aynı zamanda hafıza, planlama yeteneğine sahip ve araçları kullanarak dünya ile etkileşimde bulunabiliyor.

Şu anda, AI'nın çeşitli yığınlardaki sorunlarına yönelik olarak, Web3 şu anda AI model süreçlerinin her aşamasını kapsayan çok katmanlı, birbirine bağlı bir ekosistem oluşturmaya başlamıştır.

Birinci, Temel Katman: Hesap Gücü ve Verilerin Airbnb'si

Hash gücü

Şu anda, AI'nın en yüksek maliyetlerinden biri, model eğitimi ve model çıkarımında gereken hesaplama gücü ve enerji.

Bir örnek, Meta'nın LLAMA3'ün 16000 adet NVIDIA tarafından üretilen H100GPU'ya (bu, yapay zeka ve yüksek performanslı hesaplama iş yükleri için tasarlanmış birinci sınıf grafik işleme birimi) ihtiyaç duymasıdır. Eğitim sürecinin tamamlanması 30 gün sürmektedir. H100'ün 80GB versiyonunun birim fiyatı 30,000 ile 40,000 dolar arasında değişmektedir; bu da 4-7 milyar dolar arasında bir hesaplama donanımı yatırımı (GPU + ağ çipi) gerektirir. Ayrıca, aylık eğitim için 1.6 milyar kilowatt-saat enerji tüketilmektedir ve enerji harcamaları her ay yaklaşık 20 milyon dolardır.

AI hesaplama kapasitesinin çözülmesi, Web3'ün AI ile kesiştiği ilk alanlardan biridir - DePin (merkeziyetsiz fiziksel altyapı ağı). Şu anda, veri istatistikleri web sitesi 1400'den fazla projeyi listelemiştir, bunlar arasında GPU hesaplama kapasitesi paylaşımını temsil eden projeler io.net, Aethir, Akash, Render Network gibi projeleri içermektedir.

Ana mantığı şudur: Platform, sahip olduğu atıl GPU kaynaklarını izinsiz merkeziyetsiz bir şekilde katkıda bulunabilen bireyler veya varlıkların, Uber veya Airbnb benzeri bir alıcı ve satıcı çevrimiçi pazarı aracılığıyla, yeterince kullanılmayan GPU kaynaklarının kullanım oranını artırmalarına olanak tanır; son kullanıcılar da bu sayede daha düşük maliyetli verimli hesaplama kaynakları elde eder. Aynı zamanda, stake mekanizması da kalite kontrol mekanizmasını ihlal eden veya ağı kesintiye uğratan durumlar meydana geldiğinde, kaynak sağlayıcılarının uygun şekilde cezalandırılmasını garanti eder.

Özellikleri şunlardır:

• Kullanılmayan GPU kaynaklarını bir araya getirme: Sağlayıcılar, üçüncü taraf bağımsız küçük ve orta ölçekli veri merkezleri, kripto madencilik çiftlikleri gibi işletmelerin fazla hesaplama gücü kaynakları ve PoS konsensüs mekanizmasına sahip madencilik donanımları, örneğin FileCoin ve ETH madencilik makineleri. Şu anda, exolab gibi projeler, MacBook, iPhone, iPad gibi yerel cihazları kullanarak daha düşük giriş eşiğine sahip cihazlar kurmaya çalışmaktadır.

• AI hesaplama gücünün uzun kuyruk pazarına karşı:

a. "Teknoloji açısından bakıldığında" merkeziyetsiz hesaplama pazarı, çıkarım adımlarına daha uygundur. Eğitim, çok büyük küme ölçeğindeki GPU'ların sağladığı veri işleme yeteneğine daha fazla bağımlıdır, oysa çıkarım için GPU işlem gücü nispeten daha düşüktür; Aethir, düşük gecikmeli render çalışmaları ve AI çıkarım uygulamalarına odaklanmaktadır.

b. "Talep tarafında" küçük ve orta ölçekli hesap gücü talep edenler, kendi büyük modellerini ayrı olarak eğitmeyecek, sadece az sayıda başlıca büyük model etrafında optimizasyon ve ince ayar yapmayı seçeceklerdir ve bu senaryolar, doğal olarak dağıtılmış atıl hesap gücü kaynaklarına uygundur.

• Merkeziyetsiz mülkiyet: Blockchain'in teknolojik anlamı, kaynak sahiplerinin her zaman kaynaklar üzerindeki kontrolünü elinde bulundurması, talebe göre esnek bir şekilde ayarlama yapabilmesi ve aynı zamanda gelir elde edebilmesidir.

Veri

Veri, AI'nın temelidir. Veri olmadan, hesaplama, su bitkileri gibi tamamen faydasızdır ve veri ile model arasındaki ilişki, "Çöp girerse, çöp çıkar" atasözündeki gibi, verinin miktarı ve girdi kalitesi, nihai modelin çıktı kalitesini belirler. Mevcut AI modellerinin eğitimi açısından, veri, modelin dil yeteneğini, anlama yeteneğini, hatta değerlerini ve insani performansını belirler. Şu anda, AI'nın veri ihtiyaç sıkıntısı esasen aşağıdaki dört alana odaklanmaktadır:

• Veri açlığı: AI model eğitimi büyük miktarda veri girişi gerektirir. Kamuya açık verilere göre, OpenAI'nin GPT-4'ü eğitmek için kullandığı parametre sayısı trilyon seviyesine ulaştı.

• Veri kalitesi: AI ve çeşitli endüstrilerin birleşimi ile veri güncelliği, veri çeşitliliği, dikey verilerin uzmanlığı, sosyal medya duygularının yeni veri kaynakları olarak entegrasyonu gibi unsurlar, veri kalitesine yeni gereksinimler getirmiştir.

• Gizlilik ve uyum sorunları: Şu anda çeşitli ülkeler ve şirketler kaliteli veri kümesinin önemini giderek daha fazla fark etmekte ve veri kümesi taramalarına sınırlamalar getirmektedir.

• Veri işleme maliyetleri yüksek: Veri miktarı fazla, işleme süreci karmaşık. Kamuya açık veriler, AI şirketlerinin araştırma ve geliştirme maliyetlerinin %30'undan fazlasının temel veri toplama ve işlemeye harcandığını gösteriyor.

Şu anda, web3 çözümleri aşağıdaki dört alanda kendini göstermektedir:

1. Veri toplama: Ücretsiz olarak elde edilen gerçek dünya verileri hızla tükeniyor, AI şirketlerinin veriler için yaptığı harcamalar her yıl artıyor. Ancak bu harcamalar, verilerin gerçek katkı sahiplerine geri dönmüyor; platformlar, verilerin sağladığı değer yaratımından tamamen faydalanıyor. Örneğin, Reddit, AI şirketleriyle yaptığı veri lisans anlaşmalarıyla toplam 203 milyon dolar gelir elde etti.

Gerçekten katkıda bulunan kullanıcıların, verinin getirdiği değer yaratımına katılmasını sağlamak ve dağıtık ağlar ve teşvik mekanizmaları aracılığıyla, düşük maliyetle kullanıcıların daha özel, daha değerli verilere erişimini sağlamak Web3'ün vizyonudur.

• Grass, kullanıcıların Grass düğümleri çalıştırarak, boşta kalan bant genişliğini ve iletim trafiğini katkıda bulunarak, internetin tamamındaki gerçek zamanlı verileri yakalamalarını sağlamak için merkeziyetsiz bir veri katmanı ve ağdır ve token ödülleri kazanırlar;

• Vana, kullanıcıların özel verilerini (alışveriş kayıtları, tarayıcı alışkanlıkları, sosyal medya aktiviteleri vb.) belirli bir veri akışlılık havuzuna (DLP) yükleyebileceği ve bu verileri belirli üçüncü tarafların kullanımına yetkilendirme konusunda esnek bir şekilde seçim yapabileceği benzersiz bir DLP konseptini tanıtmıştır;

• PublicAI'de kullanıcılar, X üzerinde #AI 或#Web3'ü bir sınıflandırma etiketi olarak kullanabilir ve veri toplamak için @PublicAI'yi etiketleyebilir.

2. Veri ön işleme: AI'nin veri işleme sürecinde, toplanan veriler genellikle gürültülü ve hatalar içerdiğinden, bu verilerin model eğitimi öncesinde temizlenmesi ve kullanılabilir formata dönüştürülmesi gerekmektedir. Bu, standartlaştırma, filtreleme ve eksik değerlerle ilgili tekrar eden görevleri içerir. Bu aşama, AI endüstrisinde az sayıda manuel aşamalardan biridir ve veri etiketleme uzmanı adı verilen bir sektörün ortaya çıkmasına neden olmuştur. Modelin veri kalitesi gereksinimlerinin artmasıyla birlikte, veri etiketleme uzmanlarının gereksinimleri de artmaktadır ve bu görev, doğal olarak Web3'ün merkeziyetsiz teşvik mekanizmasına uygundur.

• Şu anda, Grass ve OpenLayer bu kritik aşamaya veri etiketleme eklemeyi düşünüyorlar.

• Synesis, veri kalitesini vurgulayarak "Train2earn" kavramını ortaya koydu; kullanıcılar, etiketlenmiş veriler, yorumlar veya diğer biçimlerdeki girdileri sağlayarak ödüller kazanabilirler.

• Veri etiketleme projesi Sapien, etiketleme görevlerini oyunlaştırır ve kullanıcıların daha fazla puan kazanmak için puanlarını kilitlemelerine olanak tanır.

3. Veri gizliliği ve güvenliği: Açıklığa kavuşturulması gereken husus, veri gizliliği ve güvenliğinin iki farklı kavram olduğudur. Veri gizliliği, hassas verilerin işlenmesini kapsarken, veri güvenliği, veri bilgilerinin yetkisiz erişim, tahrip ve hırsızlığa karşı korunmasını sağlar. Bu bağlamda, Web3 gizlilik teknolojisinin avantajları ve potansiyel uygulama senaryoları iki yönüyle öne çıkmaktadır: (1) Hassas verilerin eğitimi; (2) Veri iş birliği: Birden fazla veri sahibi, orijinal verilerini paylaşmadan AI eğitimine ortak olarak katılabilir.

Günümüzde Web3'te yaygın olarak kullanılan gizlilik teknolojileri şunlardır:

• Güvenilir Yürütme Ortamı ( TEE ), örneğin Super Protocol;

• Tam homomorfik şifreleme (FHE), örneğin BasedAI, Fhenix.io veya Inco Network;

• Sıfır bilgi teknolojileri (zk), Reclaim Protokolü gibi zkTLS teknolojisini kullanarak HTTPS trafiğinin sıfır bilgi kanıtlarını üretir, bu da kullanıcıların hassas bilgileri ifşa etmeden dış sitelerden etkinlik, itibar ve kimlik verilerini güvenli bir şekilde içe aktarmasını sağlar.

Ancak, şu anda bu alan hala erken aşamalarda, çoğu proje hala keşif aşamasında ve mevcut bir zorluk, hesaplama maliyetinin çok yüksek olmasıdır. Bazı örnekler şunlardır:

• zkML çerçevesi EZKL'nin yaklaşık 80 dakikaya ihtiyacı var.