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

AI anlatımının devam eden yükselişi ile birlikte, bu alana yönelik artan bir ilgi var. Web3-AI alanındaki teknik mantık, uygulama senaryoları ve temsilci projeler derinlemesine incelenmiştir; bu sayede bu alanın panoramasını ve gelişim trendlerini kapsamlı bir şekilde sunuyoruz.

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

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

Geçtiğimiz yıl içinde, AI anlatımı Web3 sektöründe olağanüstü bir popülarite kazandı ve AI projeleri ardı ardına ortaya çıktı. Birçok proje AI teknolojisini içerse de, bazı projeler yalnızca ürünlerinin belirli kısımlarında AI kullanıyor; temel token ekonomisi ile AI ürünleri arasında önemli bir ilişki bulunmuyor, bu nedenle bu tür projeler bu yazıda Web3-AI projeleri tartışmasına dahil edilmemektedir.

Bu yazının odak noktası, blockchain'in üretim ilişkileri sorunlarını çözmesi ve AI'nın üretkenlik sorunlarını çözmesi projeleridir. Bu projeler, kendileri AI ürünleri sunmakta ve aynı zamanda üretim ilişkileri aracı olarak Web3 ekonomik modeline dayanmaktadır; her ikisi birbiriyle tamamlayıcıdır. Bu tür projeleri Web3-AI alanında sınıflandırıyoruz. Okuyucuların Web3-AI alanını daha iyi anlaması için, AI'nın geliştirme süreci ve zorlukları ile Web3 ve AI'nın birleşiminin nasıl mükemmel bir şekilde sorunları 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 etmesine, genişletmesine ve artırmasına olanak tanıyan bir tekniktir. Bu, bilgisayarların dil çevirisi, görüntü sınıflandırması, yüz tanıma, otonom sürüş gibi çeşitli karmaşık görevleri yerine getirmesini sağlar; yapay zeka hayatımızı ve çalışma şeklimizi değiştirmektedir.

Yapay zeka modeli geliştirme süreci genellikle aşağıdaki birkaç önemli adımı içerir: veri toplama ve veri ön işleme, model seçimi ve ayarlama, model eğitimi ve çıkarım. Basit bir örnek vermek gerekirse, bir modeli kediler ve köpekler resimlerini sınıflandırmak için geliştirmek istiyorsanız, şunları yapmanız gerekir:

1. Veri toplama ve veri ön işleme: Kedi ve köpek içeren bir görüntü veri seti toplayın, kamu veri setlerini kullanabilir veya gerçek verileri kendiniz toplayabilirsiniz. Ardından, her bir görüntüye kategori (kedi veya köpek) etiketleyin, 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 Ayarlama: Uygun bir model seçmek, örneğin, görüntü sınıflandırma görevleri için uygun olan konvolüsyonel sinir ağı (CNN). Farklı ihtiyaçlara göre model parametrelerini veya mimarisini ayarlamak, 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 kapasitesine bağlıdır.

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

Görüldüğü gibi, veri toplama ve veri ön işleme, model seçimi ve ayarlama aşamalarından sonra, eğitilmiş modeli test setinde çalıştırarak, kedi ve köpek için tahmin değerleri P (olasılık) elde edilir; yani modelin kedi veya 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: Merkezileşmiş senaryolarda, AI'nin 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 veri (örneğin, tıbbi veri) edinirken, verinin açık kaynak olmaması gibi kısıtlamalarla karşılaşabilir.

Model seçimi ve ayarı: Küçük ekipler için belirli alanlarda model kaynaklarına erişmek veya model ayarı için büyük maliyetler harcamak zor.

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 harcadıkları emekle orantılı gelir elde edemezken, AI geliştiricilerinin araştırma sonuçları da talep eden alıcılarla eşleşmekte zorlanmaktadır.

Merkezi AI sahnesinde var olan zorluklar, Web3 ile birleşim yoluyla aşılabilir. Web3, yeni bir üretim ilişkisi olarak, doğal olarak yeni üretkenliği temsil eden AI ile uyumlu olup, teknolojinin ve üretim kapasitesinin aynı anda ilerlemesini teşvik eder.

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 dönemindeki AI kullanıcıları olmaktan katılımcılara dönüşmelerini sağlar, herkesin sahip olabileceği AI yaratır. Aynı zamanda, Web3 dünyası ile AI teknolojisinin birleşimi daha fazla yenilikçi uygulama senaryosu ve oyun tarzı ortaya çıkarabilir.

Web3 teknolojisi temelinde, AI'nın geliştirilmesi ve uygulanması yeni bir işbirliği ekonomisi sistemi ile karşılaşacak. İnsanların veri gizliliği korunabilir, veri toplama modeli AI modellerinin ilerlemesini teşvik eder, birçok açık kaynaklı AI kaynağı kullanıcıların kullanımına sunulur ve paylaşılan hesaplama gücü düşük maliyetle elde edilebilir. Merkeziyetsiz işbirliği toplama mekanizması ve açık AI pazarı sayesinde, adil bir gelir dağılımı sistemi sağlanabilir ve daha fazla insanın AI teknolojisinin ilerlemesini teşvik etmesi teşvik edilebilir.

Web3 sahnesinde, AI birden fazla alanda olumlu etki yaratabilir. Örneğin, AI modelleri akıllı sözleşmelere entegre edilebilir, farklı uygulama senaryolarında iş verimliliğini artırabilir; piyasa analizi, güvenlik testi, sosyal kümelenme gibi birçok işlev. Üretken AI, kullanıcıların "sanatçı" rolünü deneyimlemelerini sağlayabilir; örneğin, AI teknolojisini kullanarak kendi NFT'lerini oluşturabilirler. Ayrıca GameFi'de zengin ve çeşitli oyun sahneleri ile ilginç etkileşim deneyimleri yaratabilir. Zengin altyapı, sorunsuz bir geliştirme deneyimi sunar; ister AI uzmanı ister AI alanına girmek isteyen yeni başlayanlar, bu dünyada uygun bir giriş bulabilirler.

İki, Web3-AI Ekosistem Proje Haritası ve Mimari Analizi

Web3-AI alanındaki 41 projeyi ana hatlarıyla inceledik ve bu projeleri farklı seviyelere ayırdık. Her bir seviyenin ayrım mantığı aşağıdaki gibi gösterilmiştir; altyapı katmanı, orta katman ve uygulama katmanı olmak üzere her bir katman farklı bölümlere ayrılmaktadır. Bir sonraki bölümde, bazı temsil niteliğindeki projeleri derinlikli bir şekilde analiz edeceğiz.

Altyapı katmanı, tüm AI yaşam döngüsünü çalıştıran hesaplama kaynakları ve teknik mimarileri kapsar, ara katman ise altyapı ile uygulama arasında veri yönetimi, model geliştirme ve doğrulama çıkarım hizmetlerini içerir, uygulama katmanı ise doğrudan kullanıcıya yönelik çeşitli uygulamalar ve çözümler üzerine 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 güçlü, kullanışlı 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 gücünü paylaşarak gelir elde edebileceği merkeziyetsiz hesaplama gücü pazarları sunmaktadır. Bu projelere örnek olarak IO.NET ve Hyperbolic gösterilebilir. Ayrıca, Compute Labs gibi bazı projeler, kullanıcıların GPU varlıklarını temsil eden NFT'ler satın alarak hesaplama gücü kiralamaya farklı şekillerde katılabileceği tokenleştirilmiş protokoller önererek yeni oyun biçimleri geliştirmiştir.

• 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 ticaretine olanak tanır ve AI geliştirme çerçevesi ile destekleyici geliştirme araçları sunar; 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 kullanır.

• Geliştirme platformu: Bazı projeler AI ajan geliştirme platformları sunmakta ve Fetch.ai ve ChainML gibi AI ajanlarının ticaretini gerçekleştirebilmektedir. Tek durak araçları, geliştiricilerin AI modellerini daha kolay bir şekilde oluşturmasına, eğitmesine ve dağıtmasına yardımcı olmaktadır; temsilci projeler arasında Nimble bulunmaktadır. Bu altyapılar, AI teknolojisinin Web3 ekosistemindeki yaygın kullanımını teşvik etmektedir.

Ara katman:

Bu katman, AI verileri, modelleri ve çıkarım ile doğrulamayı kapsar; Web3 teknolojisi kullanarak daha yüksek bir iş verimliliği sağlanabilir.

• Veriler: Verilerin kalitesi ve miktarı, model eğitimi üzerindeki etkileyen ana faktörlerdir. Web3 dünyasında, kitlesel veri toplama ve işbirlikçi veri işleme ile kaynak kullanımı optimize edilebilir ve veri maliyetleri düşürülebilir. Kullanıcılar, verilerinin mülkiyetine sahip olabilir ve gizlilik koruması altında kendi verilerini satabilir, böylece verilerin kötü niyetli satıcılar tarafından çalınmasını ve yüksek kar elde edilmesini önleyebilirler. Veri talep edenler için bu platformlar geniş seçenekler ve son derece düşük maliyetler sunmaktadır. Temsilci projeler arasında Grass, kullanıcıların bant genişliğini kullanarak Web verilerini toplarken, xData 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; bu görevler, finansal ve hukuki konularda uzmanlık bilgisi gerektiren veri işleme görevlerini içerebilir. Kullanıcılar, becerilerini tokenleştirerek veri ön işleme işbirliği yapabilirler. Sahara AI gibi AI pazarları, farklı alanlardan veri görevlerini temsil eder ve çok çeşitli veri senaryolarını kapsayabilir; AIT Protokolü ise veri etiketlemesini insan-makine işbirliği ile gerçekleştirir.

• Model: Daha önce bahsedilen AI geliştirme sürecinde, farklı türdeki ihtiyaçların uygun bir model ile eşleştirilmesi gerekmektedir. Görüntü görevlerinde yaygın olarak kullanılan modeller arasında CNN ve GAN bulunur; nesne tespit görevleri için Yolo serisi tercih edilebilir. Metin tabanlı görevlerde ise yaygın olarak RNN, Transformer gibi modeller bulunmaktadır. Elbette bazı belirli veya genel büyük modeller de mevcuttur. Farklı karmaşıklıkta görevlerin ihtiyaç duyduğu model derinliği de farklılık göstermektedir; bazen modelin ayarlanması gerekmektedir.

Bazı projeler, kullanıcıların farklı türde modeller sağlamasına veya kalabalık kaynak kullanarak modelleri birlikte eğitmesine olanak tanır; örneğin, Sentient, kullanıcıların güvenilir model verilerini depolama katmanında ve dağıtım katmanında model optimizasyonu için yerleştirmelerine izin veren modüler bir tasarım sunar. Sahara AI tarafından sağlanan geliştirme araçları, yerleşik ileri düzey AI algoritmaları ve hesaplama çerçeveleri içerir ve işbirlikçi eğitim yeteneğine sahiptir.

• Çıkarım ve doğrulama: Model eğitimden sonra model ağırlık dosyaları oluşturur; bu dosyalar doğrudan sınıflandırma, tahmin veya diğer belirli görevler için kullanılabilir. Bu sürece çıkarım denir. Çıkarım süreci genellikle, çıkarım modelinin kaynağının doğru olup olmadığını ve kötü niyetli davranışların bulunup bulunmadığını doğrulamak için bir doğrulama mekanizması ile birlikte gelir. Web3'teki çıkarım genellikle akıllı sözleşmelere entegre edilebilir; modelin çıkarımını gerçekleştirmek için çağrılar yapılarak gerçekleştirilir. Yaygın doğrulama yöntemleri arasında ZKML, OPML ve TEE gibi teknolojiler bulunur. Temsilci projeler arasında ORA zinciri üzerindeki AI oracle (OAO) yer alır; OPML'yi AI oracle'ının doğrulanabilir katmanı olarak tanıtmıştır. ORA'nın resmi web sitesinde ZKML ve opp/ai (ZKML ile OPML'in birleşimi) konusundaki araştırmaları hakkında bilgi verilmiştir.

Uygulama katmanı:

Bu katman, kullanıcıya doğrudan hitap eden uygulamalardır ve AI ile Web3'ü birleştirerek daha fazla ilginç şey yaratmaktadır.