AI+Web3: Kuleler ve Meydanlar

TL;DR

1. AI kavramına sahip Web3 projeleri birinci ve ikinci piyasada çekim merkezi haline geliyor.

2. Web3'ün AI endüstrisindeki fırsatları, dağıtılmış teşvikler kullanarak uzun kuyruktaki potansiyel arzı koordine etmekte görülebilir ------ veri, depolama ve hesaplama arasında; bu arada, açık kaynaklı bir model ve AI Agent'ın merkeziyetsiz bir pazarını oluşturmak.

3. Web3 sektöründe AI'nin başlıca kullanıldığı alanlar zincir üzerindeki finans (kripto ödemeler, ticaret, veri analizi) ve geliştirmeye yardımcı olmaktır.

4. AI+Web3'ün faydası, ikisinin tamamlayıcılığında ortaya çıkmaktadır: Web3, AI merkezileşmesine karşı koymayı umarken, AI'nın Web3'ün sınırlarını aşmasına yardımcı olması beklenmektedir.

Giriş

Son iki yılda, AI’nin gelişimi hızlandırılmış gibi görünüyor, Chatgpt’nin tetiklediği bu kelebek kanadı, yalnızca üretken yapay zekanın yeni dünyasını açmakla kalmadı, aynı zamanda diğer taraftaki Web3’te de büyük bir dalga yarattı.

AI kavramının etkisiyle, yavaşlayan kripto pazarındaki finansman artışı belirginleşti. Medya verilerine göre, 2024'ün ilk yarısında toplam 64 Web3+AI projesi finansman sağladı ve yapay zeka tabanlı işletim sistemi Zyber365, A turunda 100 milyon dolarlık en yüksek finansman miktarını gerçekleştirdi.

İkincil piyasa daha da canlı, bir veri sitesinin verilerine göre, sadece bir yıldan kısa bir süre içinde, AI alanının toplam piyasa değeri 48,5 milyar dolara ulaştı ve 24 saatlik işlem hacmi neredeyse 8,6 milyar dolara yaklaştı; Ana akım AI teknolojilerindeki ilerlemenin faydaları belirgin, bir şirketin Sora metin-video modelinin yayımlanmasının ardından, AI bölümündeki ortalama fiyat %151 arttı; AI etkisi aynı zamanda kripto para çekim alanlarından biri olan Meme'ye de yayıldı: İlk AI Agent konsepti olan MemeCoin ------ GOAT hızla popülerlik kazandı ve 1,4 milyar dolarlık bir değere ulaştı, AI Meme çılgınlığını başarıyla başlattı.

AI+Web3 üzerine araştırmalar ve tartışmalar da oldukça yoğun; AI+Depin'den AI Memecoin'e, şu anda AI Agent ve AI DAO'ya kadar, FOMO duygusu yeni anlatıların dönüş hızına yetişememektedir.

AI+Web3, bu sıcak para, fırsatlar ve gelecek hayalleriyle dolu terim kombinasyonu, kaçınılmaz olarak insanların bunu bir sermaye tarafından düzenlenen bir evlilik olarak görmesini sağlıyor. Bu muhteşem elbisenin altında gerçekten spekülatörlerin sahnesi mi, yoksa bir uyanışın 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 fayda sağlamak mümkün mü? Bu yazıda, bu yapıyı incelemek için atalarımızın omuzlarında durmaya çalışıyoruz: Web3, AI teknolojisi yığınındaki her aşamada nasıl bir rol oynayabilir ve AI, Web3'e ne tür yeni canlılıklar getirebilir?

Bölüm.1 AI yığınında Web3'te ne 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. İlk aşamalarda, bu beyin yeni dünyaya gelen bir bebeğe aittir. Bu bebek, çevresindeki devasa bilgileri gözlemleyip almak zorundadır ki dünyayı anlayabilsin; bu, verilerin "toplanması" aşamasıdır. Bilgisayarlar, insanın görsel, işitsel ve diğer duyularına sahip olmadıkları için, eğitim öncesinde dışarıdan gelen büyük ölçekli etiketlenmemiş bilgiler, bilgisayarın anlayabileceği ve kullanabileceği bilgi formatına "ön işleme" ile dönüştürülmelidir.

Veri girdikten sonra AI, "eğitim" ile anlama ve tahmin etme yeteneğine sahip bir model oluşturur; bu, bebeğin dış dünyayı anlama ve öğrenme sürecine benzer. Modelin parametreleri, bebeğin öğrenme sürecinde sürekli olarak ayarlanan dil yeteneği gibidir. Öğrenme içeriği branşlara ayrılmaya başladığında veya insanlarla etkileşimde bulunarak geri bildirim aldığında ve düzeltmeler yaptığında, büyük modelin "ince ayar" aşamasına geçilmiş olur.

Çocuklar büyüdükçe konuşmayı öğrendiklerinde, yeni diyaloglarda anlamı kavrayabilir ve kendi duygularını ve düşüncelerini ifade edebilirler. Bu aşama, AI büyük modellerinin "çıkarım" aşamasına benzer; model, yeni dil ve metin girdileri üzerinde tahminler ve analizler yapabilme yeteneğine sahiptir. Bebekler, dil becerileri aracılığıyla hislerini ifade eder, nesneleri tanımlar ve çeşitli sorunları çözerler. Bu, AI büyük modellerinin eğitim tamamlandıktan sonra farklı spesifik görevlerde, örneğin görüntü sınıflandırma, ses tanıma gibi çıkarım aşamasında kullanılmasına benzer.

AI Agent, büyük modelin bir sonraki biçimine daha yakınlaşmaktadır ------ bağımsız görevleri yerine getirebilen ve karmaşık hedefler peşinde koşabilen, sadece düşünme yeteneğine sahip olmakla kalmayıp, aynı zamanda hafıza, planlama yeteneği olan ve dünyayla etkileşimde bulunmak için araçlar kullanabilen bir varlıktır.

Şu anda, AI'nın çeşitli yığınlardaki zorluklarına yönelik olarak, Web3 şu anda AI model süreçlerinin her aşamasını kapsayan çok katmanlı, birbiriyle bağlantılı bir ekosistem oluşturmaktadır.

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

Hash gücü

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

Bir örnek, belirli bir şirketin belirli bir modelinin, 30 gün süren eğitimi tamamlamak için belirli bir şirket tarafından üretilen 16.000 adet belirli bir model GPU'ya ihtiyaç duymasıdır (bu, yapay zeka ve yüksek performanslı hesaplama iş yükleri için tasarlanmış üst düzey bir grafik işleme birimidir). 80GB versiyonunun birim fiyatı 30.000 ile 40.000 dolar arasında değişmektedir, bu da 4-7 milyar dolar bilgisayar donanımı yatırımı (GPU + ağ çipi) gerektirir. Ayrıca, aylık eğitim 1,6 milyar kilovat saat enerji tüketmektedir ve enerji giderleri aylık yaklaşık 20 milyon dolardır.

AI hesaplama gücünün serbest bırakılması, Web3'ün AI ile kesiştiği en erken alanlardan biri olan DePin (Merkeziyetsiz Fiziksel Altyapı Ağı) için geçerlidir. Şu anda, bir veri sitesi 1400'den fazla projeyi listelemiştir ve bunlar arasında GPU hesaplama gücü paylaşımını temsil eden projeler io.net, Aethir, Akash, Render Network gibi projeleri içermektedir.

Ana mantığı şudur: Platform, izin gerektirmeyen merkeziyetsiz bir şekilde, boşta olan GPU kaynaklarına sahip bireylerin veya kuruluşların hesaplama güçlerini katkıda bulunmalarına olanak tanır. Bu, Uber veya Airbnb benzeri alıcı ve satıcıların çevrimiçi pazarında, yeterince kullanılmayan GPU kaynaklarının kullanım oranını artırır. Son kullanıcılar da böylece daha düşük maliyetli verimli hesaplama kaynakları elde eder; aynı zamanda, stake mekanizması da kalite kontrol mekanizmasını ihlal eden veya ağı kesintiye uğratan durumlar ortaya çıkarsa, kaynak sağlayıcılarının buna uygun bir şekilde cezalandırılmasını garanti eder.

Özellikleri şunlardır:

• Boş GPU kaynaklarını toplamak: Sağlayıcılar, esas olarak üçüncü taraf bağımsız küçük ve orta ölçekli veri merkezleri, kripto madencilik çiftlikleri gibi operatörlerin fazla hesaplama gücü kaynaklarıdır; PoS konsensüs mekanizması ile çalışan madencilik donanımı, örneğin FileCoin ve ETH madencilik makineleri. Şu anda, MacBook, iPhone, iPad gibi yerel cihazları kullanarak büyük model çıkarım hesaplama ağı kurmaya yönelik daha düşük giriş eşiğine sahip cihazları başlatmaya yönelik projeler de bulunmaktadır.

• AI hesaplama gücünün uzun kuyruk pazarına karşı:

a. "Teknik açıdan, merkeziyetsiz hesaplama pazarı, çıkarım adımları için daha uygundur. Eğitim, daha çok büyük ölçekli GPU'ların sağladığı veri işleme yeteneğine dayanırken, çıkarım için GPU hesaplama performansı görece daha düşüktür; Aethir, düşük gecikmeli render çalışmaları ve AI çıkarım uygulamalarına odaklanmaktadır.

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

• Merkeziyetsiz Mülkiyet: Blockchain'in teknik anlamı, kaynak sahiplerinin her zaman kaynak üzerindeki kontrolünü koruması, talebe göre esnek bir şekilde ayarlama yapması ve aynı zamanda kazanç elde etmesidir.

Veriler

Veri, AI'nin temelidir. Veri olmadan, hesaplama, bir su bitkisi gibi hiçbir işe yaramaz ve veri ile model arasındaki ilişki, "Çöp girerse, çöp çıkar" atasözü gibidir; 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 ihtiyaçları sorunları esasen aşağıdaki dört alana odaklanmaktadır:

• Veri açlığı: AI modellerinin eğitimi, büyük miktarda veri girişi gerektirir. Kamuya açık verilere göre, bir şirketin belirli bir modeli eğitmek için kullandığı parametre sayısı trilyon seviyesine ulaştı.

• Veri kalitesi: AI ve çeşitli sektörlerin birleşmesiyle birlikte, veri güncelliği, veri çeşitliliği, dikey verilerin uzmanlığı ve sosyal medya gibi yeni veri kaynaklarının duygu analizi gibi unsurlar, veri kalitesi için yeni gereksinimler ortaya koymuştur.

• Gizlilik ve uyum sorunları: Şu anda çeşitli ülkeler ve şirketler, kaliteli veri setlerinin öneminin farkına varıyor ve veri seti tarama işlemlerine kısıtlamalar getirmeye başlıyor.

• Veri işleme maliyeti yüksek: Veri miktarı büyük, işleme süreci karmaşık. Kamuya açık veriler, AI şirketlerinin %30'dan fazlasının araştırma ve geliştirme maliyetinin temel veri toplama ve işleme için harcandığını göstermektedir.

Şu anda, web3 çözümleri aşağıdaki dört alanda kendini göstermektedir:

1. Veri Toplama: Ücretsiz olarak toplanan gerçek dünya verileri hızla tükeniyor, AI şirketlerinin verilere yaptıkları ödemeler her yıl artıyor. Ancak bu harcama, verilerin gerçek katkıcılarına geri dönmüyor; platformlar, verilerin sağladığı değer yaratımından tamamen faydalanıyor. Örneğin, bir platform AI şirketleriyle imzaladığı veri lisans anlaşmaları sayesinde toplam 203 milyon dolar gelir elde etti.

Gerçekten katkıda bulunan kullanıcıların, veri ile sağlanan değer yaratımına katılmalarını sağlamak ve dağıtık ağlar ile teşvik mekanizmaları aracılığıyla, kullanıcıların daha özel ve daha değerli verilere düşük maliyetle erişmelerini sağlamak, Web3'ün vizyonudur.

• Grass, merkeziyetsiz bir veri katmanı ve ağdır; kullanıcılar Grass düğümlerini çalıştırarak, boşta kalan bant genişliğini ve iletim trafiğini katkıda bulunarak tüm internetteki gerçek zamanlı verileri yakalayabilir ve token ödülleri alabilirler;

• Vana, kullanıcıların özel verilerini (alışveriş geçmişi, tarayıcı alışkanlıkları, sosyal medya etkinlikleri vb.) belirli bir Veri Akış Likidite Havuzu (DLP) ile yüklemelerine ve bu verileri belirli üçüncü şahısların kullanımına yetki verip vermemeyi esnek bir şekilde seçmelerine olanak tanıyan benzersiz bir DLP konsepti sunmuştur;

• PublicAI'de, kullanıcılar belirli bir platformda #AI 或#Web3'ü bir kategori 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, modelin eğitilmesinden önce temizlenmesi ve kullanılabilir bir formata dönüştürülmesi gerekir; bu, standartlaştırma, filtreleme ve eksik değerlerin işlenmesi gibi tekrarlayan görevleri içerir. Bu aşama, AI endüstrisindeki az sayıda insan müdahalesinden biridir ve veri etiketleyicileri gibi bir sektör ortaya çıkmıştır. Modelin veri kalitesine olan talebinin artmasıyla birlikte, veri etiketleyicilerinin gereksinimleri de artmaktadır ve bu görev doğal olarak Web3'ün merkeziyetsiz teşvik mekanizması için uygundur.

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

• Synesis, veri kalitesini vurgulayarak "Train2earn" kavramını ortaya koymuştur. Kullanıcılar, etiketlenmiş veri, yorum veya diğer formda girdi sağlayarak ödül kazanabilirler.

• Veri etiketleme projesi Sapien, etiketleme görevlerini oyunlaştırır ve kullanıcılara daha fazla puan kazanmak için puanlarını teminat olarak yatırma imkanı sunar.

3. Veri gizliliği ve güvenliği: Açıklığa kavuşturulması gereken şey, veri gizliliği ve güvenliğinin iki farklı kavram olduğudur. Veri gizliliği, hassas verilerin işlenmesini kapsar, veri güvenliği ise veri bilgilerini yetkisiz erişim, tahribat ve hırsızlıktan korur. Bu nedenle, Web3 gizlilik teknolojisinin avantajları ve potansiyel uygulama alanları iki şekilde ortaya çıkmaktadır: (1) Hassas verilerin eğitimi; (2) Veri işbirliği: Birden fazla veri sahibi, orijinal verilerini paylaşmadan AI eğitimine ortak katılım sağlayabilir.

Günümüzde Web3'te yaygın olarak kullanılan gizlilik teknolojileri şunlardır:

• Güvenilir Çalışma Ortamı ( TEE ), örneğin Super Protokol;

• Tam Homomorfik Şifreleme (FHE), örneğin BasedAI, Fhenix.io veya Inco Network;

• Sıfır Bilgi Teknolojileri (zk), Reclaim Protocol gibi zkTLS teknolojisini kullanarak, HTTPS trafiğine sıfır bilgi kanıtı üretir ve kullanıcıların hassas bilgileri ifşa etmeden dış web sitelerinden etkinlik, itibar ve kimlik verilerini güvenli bir şekilde içe aktarmalarına olanak tanır.

Ancak, bu alan hâlâ erken aşamada ve projelerin çoğu hâlâ keşif aşamasında; mevcut bir sıkıntı ise hesaplama maliyetlerinin çok yüksek olmasıdır, bazı örnekler şunlardır:

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