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

AI anlatımının sürekli ısınmasıyla birlikte, bu alana artan bir ilgi var. Bu makalede Web3-AI alanının teknik mantığı, uygulama senaryoları ve temsilci projeleri derinlemesine incelenerek, bu alanın panoramasını ve gelişim trendlerini kapsamlı bir şekilde sunulmaktadır.

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

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

Son bir yıl içinde, AI anlatımı Web3 endüstrisinde olağanüstü popüler hale geldi ve AI projeleri birbiri ardına ortaya çıktı. Birçok proje AI teknolojisini içeriyor olsa da, bazı projeler yalnızca ürünlerinin belirli kısımlarında AI kullanıyor ve temel token ekonomisi AI ürünleriyle gerçek bir bağlantıya sahip değil, bu nedenle bu tür projeler bu makalede Web3-AI projeleri tartışmasına dahil değildir.

Bu makalenin odak noktası, blockchain kullanarak üretim ilişkileri sorunlarını çözmek ve AI ile üretkenlik sorunlarını ele alan projelerdir. Bu projeler kendileri AI ürünleri sunarken, aynı zamanda üretim ilişkileri aracı olarak Web3 ekonomik modeline dayanmaktadır, ikisi de birbirini tamamlamaktadır. Bu tür projeleri Web3-AI alanına sınıflandırıyoruz. Okuyucuların Web3-AI alanını daha iyi anlamaları için, bu makalede AI'ın geliştirilme süreci ve zorlukları ile Web3 ve AI'ın birleşiminin sorunları nasıl mükemmel bir şekilde çözdüğünü ve yeni uygulama senaryoları yarattığını tanıtacağız.

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

Yapay zeka teknolojisi, bilgisayarların insan zekasını simüle etmesini, genişletmesini ve artırmasını sağlayan bir tekniktir. Bu teknoloji, bilgisayarların dil çevirisi, görüntü sınıflandırma, yüz tanıma ve otonom sürüş gibi çeşitli karmaşık görevleri yerine getirmesini mümkün kılarak, yapay zeka hayatımızı 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, kediler ve köpekler resimlerini sınıflandırmak için bir model geliştirmek istiyorsanız, şunları yapmalısınız:

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

2. Model Seçimi ve Ayarı: Uygun modeli seçmek, örneğin, Evrişimli Sinir Ağı (CNN), görüntü sınıflandırma görevleri için oldukça uygundur. Farklı ihtiyaçlara göre model parametrelerini veya mimarisini ayarlamak, genellikle modelin ağ derinliği, AI görevlerinin karmaşıklığına göre ayarlanabilir. Bu basit sınıflandırma örneğinde, daha yüzeysel bir ağ derinliği yeterli olabilir.

3. Model eğitimi: Modeli eğitmek için GPU, TPU veya yüksek performanslı hesaplama kümeleri kullanılabilir; eğitim süresi modelin karmaşıklığına ve hesaplama kapasitesine bağlıdır.

4. Model Çıkarımı: Eğitilmiş model dosyalarına genellikle model ağırlıkları denir, çıkarım süreci, eğitimli bir modeli yeni veriler üzerinde tahmin veya sınıflandırma yapmak için kullanma sürecidir. Bu süreçte modelin sınıflandırma performansını test etmek için test seti veya yeni veriler kullanılabilir ve genellikle modelin etkinliğini değerlendirmek için doğruluk, geri çağırma, F1-skoru gibi göstergeler kullanılır.

Görüldüğü gibi, veri toplama ve veri ön işleme, model seçimi ve ayarlama ile eğitimden sonra, eğitimli modelin test kümesi üzerinde çıkarım yapması, kedi ve köpek için tahmin değerleri P (olasılık) üretecektir; yani modelin bir nesnenin kedi ya da köpek olduğunu tahmin etme olasılığı.

Eğitilmiş 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 yükleyerek sınıflandırma sonuçlarını alabilir.

Ancak, merkezi AI geliştirme sürecinin aşağıdaki senaryolarda bazı sorunları vardır:

Kullanıcı gizliliği: Merkezi bir ortamda, AI 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 alanlardaki verileri (örneğin, tıbbi veriler) elde ederken, verilerin açık kaynak olmaması kısıtlamasıyla karşılaşabilirler.

Model seçimi ve ayarı: Küçük ekipler için belirli bir alanda model kaynaklarına erişim sağlamak veya model ayarı için büyük maliyetler harcamak zor olabilir.

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 oluşturabilir.

AI Varlık Geliri: Veri etiketleme çalışanları genellikle yaptıkları işe uygun bir gelir elde edemezken, AI geliştiricilerinin araştırma sonuçları da talep gören alıcılarla eşleşmekte zorlanıyor.

Merkezi AI sahnesinde var olan zorluklar, Web3 ile bir araya gelerek aşılabilir. Web3, yeni bir üretim ilişkisi olarak, doğası gereği yeni bir üretkenliği temsil eden AI ile uyumlu bir şekilde çalışır ve böylece teknolojinin ve üretim kapasitesinin aynı anda ilerlemesini sağlar.

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

Web3 ve AI birleşimi, kullanıcı egemenliğini artırabilir, kullanıcılara açık bir AI işbirliği platformu sağlayarak, kullanıcıları Web2 döneminin AI kullanıcıları olmaktan katılımcılara dönüştürür ve herkesin sahip olabileceği AI'lar yaratır. Aynı zamanda, Web3 dünyası ile AI teknolojisinin entegrasyonu, daha fazla yenilikçi uygulama senaryosu ve oyun tarzı ortaya çıkarabilir.

Web3 teknolojisi temelinde, AI'nın geliştirilmesi ve uygulanması yeni bir iş birliği ekonomisi sistemine adım atacak. İnsanların veri gizliliği güvence altına alınabilir, veri toplama modeli AI modellerinin ilerlemesini teşvik eder, birçok açık kaynaklı AI kaynağı kullanıcıların kullanımına sunulmuştur, paylaşılan hesaplama gücü daha düşük maliyetle elde edilebilir. Merkezsiz iş birliği toplama mekanizması ve açık AI pazarı sayesinde adil bir gelir dağıtım sistemi sağlanabilir, bu da daha fazla insanı AI teknolojisinin ilerlemesini teşvik etmeye motive eder.

Web3 ortamında, AI birden fazla alanda olumlu etkiler yaratabilir. Örneğin, AI modelleri akıllı sözleşmelere entegre edilebilir ve pazar analizi, güvenlik kontrolü, sosyal gruplama gibi farklı uygulama senaryolarında çalışma verimliliğini artırabilir. Üretken AI, kullanıcıların AI teknolojisini kullanarak kendi NFT'lerini yaratma gibi "sanatçı" rolünü deneyimlemelerini sağlamakla kalmaz, aynı zamanda GameFi'de zengin ve çeşitli oyun senaryoları ile ilginç etkileşim deneyimleri yaratabilir. Zengin altyapı, AI uzmanları veya AI alanına girmek isteyen yeni başlayanlar için akıcı bir geliştirme deneyimi sunar ve bu dünya içinde uygun bir giriş noktası bulmalarını sağlar.

İki, Web3-AI Ekosistem Proje Haritası ve Mimari Analizi

Web3-AI alanındaki 41 projeyi temel olarak inceledik ve bu projeleri farklı katmanlara ayırdık. Her bir katmanın ayrım mantığı aşağıdaki gibidir; altyapı katmanı, ara katman ve uygulama katmanı olarak üçe ayrılmıştır ve her bir katman farklı bölümlere ayrılmaktadır. Bir sonraki bölümde, bazı temsilci projeleri derinlikli olarak analiz edeceğiz.

Altyapı katmanı, tüm AI yaşam döngüsünü destekleyen hesaplama kaynakları ve teknik mimariyi kapsar, orta katman ise altyapıyı uygulamalarla bağlayan veri yönetimi, model geliştirme ve doğrulama çıkarım hizmetlerini içerir. Uygulama katmanı ise doğrudan kullanıcılara yönelik çeşitli uygulama ve çözümlere odaklanır.

Altyapı katmanı:

Altyapı katmanı, AI yaşam döngüsünün temelidir. Bu makalede, hesaplama gücü, AI Zinciri ve geliştirme platformu altyapı katmanına dahil edilmiştir. İşte bu altyapıların desteği sayesinde AI modellerinin eğitimi ve çıkarımı gerçekleştirilebilir ve kullanıcıya güçlü, pratik AI uygulamaları sunulabilir.

• Merkeziyetsiz hesaplama ağı: AI model eğitimi için dağıtık hesaplama gücü sağlayabilir, etkili ve ekonomik hesaplama kaynaklarının kullanılmasını güvence altına alır. Bazı projeler merkeziyetsiz hesaplama gücü pazarları sunmaktadır, kullanıcılar düşük maliyetle hesaplama gücü kiralayabilir veya hesaplama gücünü paylaşarak gelir elde edebilir, temsilci projeler arasında IO.NET ve Hyperbolic bulunmaktadır. Ayrıca, bazı projeler yeni oyunlar geliştirmiştir, örneğin Compute Labs, kullanıcıların GPU varlıklarını temsil eden NFT'leri satın alarak hesaplama gücü kiralamaya farklı şekillerde katılmalarını sağlayan tokenleştirilmiş protokoller önermiştir.

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

• Geliştirme platformu: Bazı projeler AI ajanı geliştirme platformları sunmaktadır ve Fetch.ai ve ChainML gibi AI ajanlarının ticaretini gerçekleştirebilmektedir. Geliştiricilerin AI modellerini daha kolay bir şekilde oluşturmasını, eğitmesini ve dağıtmasını sağlayan tek duraklı araçlar, Nimble gibi projeleri temsil etmektedir. Bu altyapılar, AI teknolojisinin Web3 ekosisteminde geniş kapsamlı uygulanmasını teşvik etmektedir.

Ara katman:

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

• Veri: Verinin kalitesi ve miktarı, model eğitiminin etkisini etkileyen ana faktörlerdir. Web3 dünyasında, kitle kaynaklı veriler ve işbirlikçi veri işleme yoluyla, kaynak kullanımı optimize edilebilir ve veri maliyetleri düşürülebilir. Kullanıcılar, gizlilik koruması altında kendi verilerini satma hakkına sahip olabilirler, böylece verilerin kötü niyetli satıcılar tarafından çalınması ve yüksek kârlar elde edilmesi önlenir. Veri talep edenler için bu platformlar geniş bir seçim ve son derece düşük maliyetler sunar. Grass gibi projeler, kullanıcıların bant genişliğini kullanarak Web verilerini toplar; xData, kullanıcı dostu eklentileri aracılığıyla medya bilgilerini toplar ve kullanıcıların tweet bilgilerini yüklemelerini destekler.

Ayrıca, bazı platformlar alan uzmanlarının veya sıradan kullanıcıların veri ön işleme görevlerini yerine getirmesine izin verir; bunlar arasında görüntü etiketleme, veri sınıflandırma gibi, finansal ve hukuki görevlerin veri işlemesi için uzmanlık bilgisi gerektiren görevler bulunmaktadır. Kullanıcılar, yeteneklerini tokenlaştırarak veri ön işleme işbirliği kalabalıklaştırmasını gerçekleştirebilir. Örnek olarak, farklı alanlarda veri görevlerine sahip Sahara AI gibi AI pazarları, çok çeşitli veri senaryolarını kapsayabilir; AIT Protokolü ise veri etiketleme işlemini insan-makine işbirliği ile gerçekleştirir.

• Model: Daha önce bahsedilen AI geliştirme sürecinde, farklı türdeki ihtiyaçların uygun modellerle eşleştirilmesi gerekmektedir. Görüntü görevleri için yaygın olarak kullanılan modeller arasında CNN, GAN gibi modeller bulunurken, nesne tespiti 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 ve bazen modelin ayarlanması gerekebilir.

Bazı projeler, kullanıcıların farklı türde modeller sağlamasına veya kalabalık kaynak kullanarak model eğitimi için işbirliği yapmasına olanak tanır. Örneğin, Sentient modüler tasarımı sayesinde, kullanıcıların güvenilir model verilerini depolama katmanında ve dağıtım katmanında model optimizasyonu için yerleştirmesine izin verir. Sahara AI tarafından sunulan geliştirme araçları, gelişmiş AI algoritmaları ve hesaplama çerçevelerini yerleşik olarak içerir ve işbirliği ile eğitim yeteneğine sahiptir.

• Çıkarım ve doğrulama: Model eğitildikten sonra model ağırlık dosyaları oluşturur, 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 eylemler olup olmadığını doğrulamak için bir doğrulama mekanizması ile birlikte gelir. Web3'teki çıkarım genellikle akıllı sözleşmelere entegre edilebilir, modelin çağrılması yoluyla çıkarım yapılır, yaygın doğrulama yöntemleri arasında ZKML, OPML ve TEE gibi teknolojiler bulunur. Temsilci projeler arasında ORA blok zincirindeki AI oracle'ı (OAO) yer alır, OPML'yi AI oracle'ı için doğrulanabilir bir katman olarak tanıtmıştır, ORA'nın resmi web sitesinde ZKML ve opp/ai (ZKML ile OPML'in birleşimi) üzerine yaptıkları araştırmalara da yer verilmiştir.

Uygulama Katmanı:

Bu katman esasen doğrudan kullanıcılara yönelik uygulamalardır ve AI ile Web3'ü birleştirerek daha ilginç ve yenilikçi oyunlar yaratmaktadır. Bu makalede AIGC (AI Üretilen İçerik), AI Ajanları ve Veri Analizi gibi birkaç alanın projeleri ele alınmıştır.

• AIGC: AIGC aracılığıyla