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

AI anlatımının sürekli olarak yükselmesiyle birlikte, bu alana olan ilgi giderek artmaktadır. Web3-AI alanındaki teknik mantığı, uygulama senaryolarını ve temsilci projeleri derinlemesine inceledik, bu alanın panoramasını ve gelişim trendlerini sizin için kapsamlı bir şekilde sunuyoruz.

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

1.1 Web3 ve AI'nın birleşim mantığı: Web-AI yarış alanını nasıl tanımlarsınız

Son bir yıl içinde, AI anlatımı Web3 sektöründe olağanüstü popülerlik kazandı, AI projeleri adeta yağmurdan sonra filizlenen mantarlar gibi ortaya çıktı. Birçok proje AI teknolojisini içeriyor olsa da, bazı projeler yalnızca ürünlerinin belirli kısımlarında AI kullanıyor ve temel token ekonomisi AI ürünleriyle herhangi bir gerçek bağlantıya sahip değil. Bu nedenle, bu tür projeler bu makalede Web3-AI projeleri tartışmasına dahil edilmemektedir.

Bu makalenin odak noktası, blockchain kullanarak üretim ilişkileri sorunlarını çözmek ve AI ile üretkenlik sorunlarını ele alan projelerdir. Bu projeler, kendileri AI ürünleri sunarken, üretim ilişkileri aracı olarak Web3 ekonomik modeline dayanmaktadır ve her ikisi birbirini tamamlar. Bu tür projeleri Web3-AI alanı olarak sınıflandırıyoruz. Okuyucuların Web3-AI alanını daha iyi anlamaları için, AI'nın geliştirme sürecini ve zorluklarını, ayrıca 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 sürecinden model çıkarımına

Yapay zeka teknolojisi, bilgisayarların insan zekasını simüle etmesine, genişletmesine ve güçlendirmesine olanak tanıyan 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 değiştirmektedir.

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, kedileri ve köpekleri sınıflandırmak için bir model geliştirmek istiyorsanız, şunlara ihtiyacınız var:

1. Veri toplama ve veri ön işleme: Kediler ve köpekleri içeren bir görüntü veri seti toplayın, kamuya açık veri setlerini kullanabilir veya gerçek verileri kendiniz toplayabilirsiniz. Sonra her bir görüntüye (kedi veya köpek) kategori 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 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 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 kapasitesinden etkilenir.

4. Model Çıkarımı: Eğitilmiş model dosyaları genellikle model ağırlıkları olarak adlandırılır, çıkarım süreci, eğitilmiş bir modeli yeni veriler üzerinde tahmin veya sınıflandırma yapmak için kullanma sürecidir. Bu süreçte modelin sınıflandırma etkinliğini test etmek için test seti veya yeni veriler kullanılabilir, genellikle modelin etkinliğini değerlendirmek için doğruluk, hatırlama oranı, F1-skoru gibi göstergeler kullanılır.

Görselde gösterildiği gibi, veri toplama ve veri ön işleme, model seçimi ve ayarlama ile eğitim sonrası, eğitilen model test kümesi üzerinde çıkarım yapıldığında, kedi ve köpek için tahmin değeri P (olasılık) elde edilir; yani modelin kedi veya köpek olduğunu tahmin etme olasılığı.

Eğitimli 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 yüklediğinde, sınıflandırma sonuçlarını alabilirler.

Ancak, merkeziyetsiz AI geliştirme sürecinde aşağıdaki senaryolarda bazı sorunlar vardır:

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

Veri kaynağı edinimi: Küçük ekipler veya bireyler, belirli bir alanda (örneğin tıp verileri) veri edinirken açık kaynak olmama kısıtlamasıyla karşılaşabilir.

Model seçimi ve ayarı: Küçük ekipler için belirli bir alanda model kaynaklarına erişmek veya model ayarlamak 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 işçileri genellikle harcadıkları emeğe uygun geliri elde edemezken, AI geliştiricilerinin araştırma sonuçları da talep eden alıcılarla eşleşmekte zorlanıyor.

Merkeziyetsiz AI senaryolarında var olan zorluklar, Web3 ile birleştirilerek aşılabilir. Web3, yeni bir üretim ilişkisi olarak, yeni nesil üretkenliği temsil eden AI ile doğal bir uyum içerisindedir ve böylece teknolojik ve üretim kapasitesinin eşzamanlı olarak ilerlemesini sağlar.

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

Web3 ve AI birleşimi, kullanıcı egemenliğini artırabilir, kullanıcılara açık bir AI işbirliği platformu sunarak, kullanıcıların Web2 döneminin AI kullanıcıları olmaktan katılımcılara dönüşmesini sağlar ve herkesin sahip olabileceği AI yaratır. Aynı zamanda, Web3 dünyası ile AI teknolojisinin entegrasyonu daha fazla yenilikçi uygulama senaryoları ve oyun tarzlarının ortaya çıkmasına da olanak tanır.

Web3 teknolojisi temelinde, AI'nın geliştirilmesi ve uygulanması yeni bir işbirliği ekonomisi sistemine girecektir. İnsanların veri gizliliği korunabilir, veri kalabalıklaştırma modeli AI modellerinin ilerlemesini teşvik eder, birçok açık kaynaklı AI kaynağı kullanıcıların kullanımına sunulur ve paylaşılan hesaplama gücü daha düşük maliyetle elde edilebilir. Merkeziyetsiz işbirliği kalabalıklaştırma mekanizması ve açık AI pazarı sayesinde adil bir gelir dağıtım sistemi gerçekleştirilebilir ve bu da daha fazla insanı AI teknolojisinin ilerlemesini teşvik etmeye teşvik eder.

Web3 ortamında, AI birden fazla alanda olumlu etkiler yaratabilir. Örneğin, AI modelleri akıllı sözleşmelere entegre edilerek piyasa analizi, güvenlik testi, sosyal kümelenme gibi çeşitli uygulama senaryolarında iş verimliliğini artırabilir. Üretken AI, kullanıcıların AI teknolojisini kullanarak kendi NFT'lerini yaratma gibi "sanatçı" rolünü deneyimlemelerini sağlarken, GameFi'de de çeşitli oyun sahneleri ve eğlenceli etkileşim deneyimleri yaratabilir. Zengin altyapı, AI uzmanları ve AI alanına girmek isteyen acemiler için sorunsuz bir geliştirme deneyimi sunarak bu dünyada uygun bir giriş noktası bulmalarını sağlar.

İki, Web3-AI Ekosistem Proje Haritası ve Mimari Analizi

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

Altyapı katmanı, tüm AI yaşam döngüsünün çalışmasını destekleyen hesaplama kaynakları ve teknik mimarileri kapsar, orta katman ise altyapıyı ve uygulamayı 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 gücünü, AI Zincirini ve geliştirme platformunu altyapı katmanı olarak sınıflandırıyoruz. Bu altyapıların desteği sayesinde, AI modellerinin eğitimi ve çıkarımı gerçekleştirilebilir ve güçlü, pratik 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, kullanıcıların düşük maliyetle hesaplama gücü kiralayabileceği veya hesaplama gücü paylaşarak kazanç elde edebileceği merkeziyetsiz hesaplama gücü pazarları sunmaktadır, temsilci projeler arasında IO.NET ve Hyperbolic bulunmaktadır. Ayrıca, Compute Labs gibi bazı projeler yeni oyunlar geliştirmiştir, tokenleştirilmiş protokoller önermekte ve kullanıcılar, GPU varlıklarını temsil eden NFT'leri satın alarak hesaplama gücü kiralamaya farklı şekillerde katılabilirler.

• AI Zinciri: Blockchain'i AI yaşam döngüsünün temeli olarak kullanarak, zincir üstü ve zincir altı AI kaynaklarının kesintisiz etkileşimini sağlamak ve endüstri ekosisteminin gelişimini teşvik etmek. Zincir üstündeki merkeziyetsiz AI pazarı, veri, model, ajan gibi AI varlıklarının ticaretini yapabilir ve AI geliştirme çerçevesi ile ilgili geliştirme araçlarını sunar; temsilci projeler arasında Sahara AI bulunmaktadır. AI Zinciri ayrıca farklı alanlardaki AI teknolojilerinin ilerlemesini de teşvik edebilir; örneğin Bittensor, farklı AI türlerinin alt ağ rekabetini teşvik etmek için yenilikçi alt ağ teşvik mekanizması kullanmaktadır.

• Geliştirme platformu: Bazı projeler AI ajanı geliştirme platformları sunar ve aynı zamanda AI ajanlarının ticaretini gerçekleştirebilir, örneğin Fetch.ai ve ChainML gibi. Tek duraklı araçlar, geliştiricilerin AI modellerini daha kolay bir şekilde oluşturmasını, eğitmesini ve dağıtmasını sağlar; temsilci projeler arasında Nimble bulunmaktadır. Bu altyapılar, AI teknolojisinin Web3 ekosistemindeki yaygın kullanımını 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, modelin eğitim sonuçlarını etkileyen ana faktörlerdir. Web3 dünyasında, kitlesel veri toplama ve işbirlikçi veri işleme ile kaynakların kullanımı optimize edilebilir ve veri maliyetleri düşürülebilir. Kullanıcılar verileri üzerinde söz sahibi olabilir, gizliliği koruma altında kendi verilerini satabilir ve böylece kötü niyetli işletmelerin verileri çalmasını ve yüksek kâr elde etmesini önleyebilir. Veri talep edenler için bu platformlar geniş bir seçenek yelpazesi ve son derece düşük maliyetler sunmaktadır. Grass gibi projeler, kullanıcı bant genişliğini kullanarak Web verilerini toplar, xData ise kullanıcı dostu eklentiler aracılığıyla medya bilgilerini toplar ve kullanıcıların tweet bilgilerini 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, finans ve hukuk alanında uzmanlık bilgisi gerektirebilir. Kullanıcılar, becerilerini tokenleştirerek veri ön işleme için işbirlikçi bir topluluk oluşturabilirler. Örneğin, Sahara AI gibi AI pazarları, farklı alanlarda veri görevlerine sahiptir ve çok çeşitli veri senaryolarını kapsayabilir; AIT Protocolt ise insan-makine iş birliği ile verileri etiketlemektedir.

• Model: Daha önce bahsedilen AI geliştirme sürecinde, farklı türdeki gereksinimlerin uygun modellere eşleştirilmesi gerekmektedir. Görüntü görevlerinde yaygın olarak kullanılan modeller arasında CNN ve GAN bulunur, nesne algılama 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 görevlerin ihtiyaç duyduğu model derinliği de farklıdır, bazen modellerin ayarlanması gerekebilir.

Bazı projeler, kullanıcıların farklı türde modeller sunmalarını veya kalabalık kaynak kullanarak modelleri birlikte eğitmelerini destekler. Örneğin, Sentient, kullanıcıların güvenilir model verilerini depolama katmanında ve dağıtım katmanında model optimizasyonu için yerleştirmesine izin veren modüler bir tasarım kullanır. Sahara AI'nin sunduğu geliştirme araçları, yerleşik gelişmiş AI algoritmaları ve hesaplama çerçeveleri ile birlikte gelir ve işbirlikçi eğitim yeteneğine sahiptir.

• Çıkarım ve doğrulama: Model eğitildikten sonra model ağırlık dosyaları üretecek, 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 ve kötü niyetli davranışlar gibi durumları doğrulamak için bir doğrulama mekanizması ile birlikte gelir. Web3'te çıkarım genellikle akıllı sözleşmelere entegre edilebilir, model çağrılarak çıkarım yapılır, yaygın doğrulama yöntemleri arasında ZKML, OPML ve TEE gibi teknikler bulunur. Temsilci projelerden biri, AI oracle'ı (OAO) üzerinde OPML'i AI oracle'ının doğrulanabilir katmanı olarak tanıtan ORA'dır, ORA'nın resmi web sitesinde ZKML ve opp/ai (ZKML ile OPML'in birleşimi) hakkında yaptıkları araştırmalara da değinilmiştir.

Uygulama katmanı:

Bu katman esasen kullanıcıya yönelik uygulamalardır ve AI ile Web3'ü birleştirerek daha ilginç ve yenilikçi oyunlar yaratmaktadır. Bu makale, AIGC (AI Üretilen İçerik), AI ajanları ve veri analizi gibi birkaç proje alanını ana hatlarıyla ele almaktadır.

• AIGC: AIGC ile mümkün