Web3-AI Yarış Alanı Panorama Raporu: Teknik Mantık, Senaryo Uygulamaları ve En İyi Projelerin Derinlik Analizi
AI anlatımının sürekli artmasıyla birlikte, bu alana olan ilgi giderek artıyor. Web3-AI alanındaki teknik mantık, uygulama senaryoları ve temsilci projeler derinlemesine incelenerek, bu alanın panoramasını ve gelişim trendlerini size kapsamlı bir şekilde sunuyor.
Bir, Web3-AI: Teknolojik Mantık ve Yeni Pazar Fırsatlarının Analizi
1.1 Web3 ve AI'nin birleşim mantığı: Web-AI alanı nasıl tanımlanır
Son bir yıl içinde, AI anlatımı Web3 sektöründe olağanüstü popülerlik kazandı ve AI projeleri birbiri ardına ortaya çıktı. Birçok proje AI teknolojisini kapsasa da, bazı projeler yalnızca ürünlerinin belirli kısımlarında AI kullanıyor, temel token ekonomisi ile AI ürünleri arasında gerçek bir bağlantı bulunmuyor, bu nedenle bu tür projeler bu makalede Web3-AI projeleri tartışmasına dahil değildir.
Bu metin, blockchain'in üretim ilişkileri sorunlarını çözme ve AI'nın üretkenlik sorunlarını çözme projelerine odaklanmaktadır. Bu projeler kendileri AI ürünleri sunmakta ve aynı zamanda üretim ilişkileri aracı olarak Web3 ekonomik modeline dayanmaktadır; bu ikisi birbirini tamamlamaktadır. Bu tür projeleri Web3-AI alanına dahil ediyoruz. Okuyucuların Web3-AI alanını daha iyi anlaması için, AI'nın geliştirme sürecini ve zorluklarını tanıtacak ve Web3 ile AI'nın birleşiminin sorunları nasıl mükemmel bir şekilde çözdüğünü ve yeni uygulama senaryoları yarattığını açıklayacağız.
1.2 AI'nin geliştirme süreci ve zorlukları: veri toplamaktan model çıkarımına kadar
Yapay zeka teknolojisi, bilgisayarların insan zekasını simüle etmesine, genişletmesine ve artırmasına 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, kediler ve köpeklerin resimlerini sınıflandırmak için bir model geliştirmek istiyorsanız, şunlara ihtiyacınız var:
Veri toplama ve veri ön işleme: Kedi ve köpekleri içeren bir görüntü veri seti toplayın, kamuya açık veri setlerini kullanabilir veya gerçek verileri kendiniz toplayabilirsiniz. Ardından, her bir görüntüyü kategoriye (kedi veya köpek) etiketleyin, etiketlerin doğru olduğundan emin olun. Görüntüleri modelin tanıyabileceği bir formata dönüştürün, veri setini eğitim seti, doğrulama seti ve test seti olarak ayırın.
Model Seçimi ve Ayarı: Uygun modeli seçmek, örneğin, Convolutional Neural Networks (CNN), görüntü sınıflandırma görevleri için oldukça uygundur. Farklı ihtiyaçlara göre model parametrelerini veya yapısını ayarlamak, genellikle modelin ağ derinliği AI görevlerinin karmaşıklığına göre ayarlanabilir. Bu basit sınıflandırma örneğinde, daha yüzeysel bir ağ derinliği yeterli olabilir.
Model eğitimi: Modelleri eğitmek için GPU, TPU veya yüksek performanslı hesaplama kümeleri kullanılabilir; eğitim süresi modelin karmaşıklığına ve hesaplama gücüne bağlıdır.
Model çıkarımı: Eğitimli model dosyaları genellikle model ağırlıkları olarak adlandırılır, çıkarım süreci, eğitilmiş bir modelin yeni veriler üzerinde tahmin veya sınıflandırma yaptığı süreçtir. Bu süreçte modelin sınıflandırma etkisini test etmek için test seti veya yeni veriler kullanılabilir, genellikle modelin etkinliğini değerlendirmek için doğruluk, geri çağırma oranı, F1-skoru gibi göstergeler kullanılır.
Görüldüğü gibi, veri toplama ve veri ön işleme, model seçimi ve ayarı ile eğitim sürecinden sonra, eğitilmiş modelin test seti üzerinde çıkarım yapmasıyla kedi ve köpek için tahmin değerleri P (olasılık) elde edilir, yani modelin kedi veya köpek olduğu olasılığını çıkardığıdır.
Eğitilmiş AI modelleri, çeşitli uygulamalara entegre edilerek farklı görevleri yerine getirebilir. Bu örnekte, kedi ve köpek sınıflandırma AI modeli, kullanıcıların kedi veya köpek resimlerini yükleyerek sınıflandırma sonuçlarını alabileceği bir mobil uygulamaya entegre edilebilir.
Ancak, merkezileşmiş AI geliştirme sürecinin aşağıdaki senaryolarda bazı sorunları vardır:
Kullanıcı Gizliliği: Merkezileştirilmiş senaryolarda, AI'nin 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 bir alanda veri (örneğin, tıbbi veri) elde ederken, verinin açık kaynak olmaması gibi kısıtlamalarla karşılaşabilir.
Model seçimi ve ayarlaması: Küçük ekipler için belirli bir alanda model kaynaklarına erişmek veya model ayarlaması için büyük maliyetler harcamak zor olabilir.
Hesaplama gücü edinimi: Bireysel geliştiriciler ve küçük ekipler için, yüksek GPU satın alma maliyetleri ve bulut hesaplama gücü kiralama ücretleri önemli bir ekonomik yük oluşturabilir.
Yapay Zeka Varlık Geliri: Veri etiketleme çalışanları genellikle harcadıkları emekle orantılı bir gelir elde edemezken, yapay zeka geliştiricilerinin araştırma sonuçları da talep eden alıcılarla eşleşmekte zorluk çekmektedir.
Merkezi AI senaryolarında var olan zorluklar, Web3 ile birleşerek aşılabilir. Web3, yeni bir üretim ilişkisi olarak, doğal olarak yeni üretkenliği temsil eden AI ile uyum sağlar ve böylece teknolojik ve üretim yeteneklerinin eş zamanlı ilerlemesini destekler.
1.3 Web3 ve AI'nin İşbirliği Etkisi: Rol Değişimi ve Yenilikçi Uygulamalar
Web3 ve AI'nın birleşimi, kullanıcı egemenliğini artırabilir, kullanıcılara açık bir AI işbirliği platformu sunarak onları Web2 döneminin AI kullanıcılarından katılımcılara dönüştürür ve herkesin sahip olabileceği AI'lar yaratır. Aynı zamanda, Web3 dünyası ile AI teknolojisinin entegrasyonu daha fazla yenilikçi uygulama senaryosu ve oyun tarzını ortaya çıkarabilir.
Web3 teknolojisine dayalı olarak, AI'nın geliştirilmesi ve uygulanması yeni bir işbirliği ekonomisi sistemine girecektir. İnsanların veri gizliliği güvence altına alınabilir, veri toplama modeli AI modellerinin ilerlemesini teşvik eder, kullanıcıların erişebileceği birçok açık kaynaklı AI kaynağı mevcuttur ve paylaşılan hesaplama gücü daha düşük maliyetle elde edilebilir. Merkezi olmayan işbirliği toplama mekanizması ve açık AI pazarı sayesinde, adil bir gelir dağıtım sistemi sağlanabilir, böylece daha fazla insanın AI teknolojisinin ilerlemesini teşvik etmesi teşvik edilir.
Web3 sahnesinde, AI birden fazla alanda olumlu etki yaratabilir. Örneğin, AI modelleri akıllı sözleşmelere entegre edilebilir ve pazar analizi, güvenlik kontrolü, sosyal kümeleme gibi farklı uygulama senaryolarında iş verimliliğini artırabilir. Üretken AI, kullanıcıların AI teknolojisi kullanarak kendi NFT'lerini yaratmaları gibi "sanatçı" rolünü deneyimlemelerini sağlamakla kalmaz, aynı zamanda GameFi'de çeşitli oyun senaryoları ve ilginç etkileşim deneyimleri yaratabilir. Zengin altyapı, AI uzmanları ya da AI alanına girmek isteyen yeni başlayanlar olsun, herkesin bu dünyada uygun bir giriş bulmasını sağlayacak akıcı bir geliştirme deneyimi sunar.
İki, Web3-AI Ekosistem Projeleri Haritası ve Mimarisi Analizi
Web3-AI alanındaki 41 projeyi ana hatlarıyla inceledik ve bu projeleri farklı katmanlara ayırdık. Her bir katmanın bölünme mantığı aşağıdaki gibi olup, altyapı katmanı, ara katman ve uygulama katmanı içerir ve her bir katman farklı bölümlere ayrılmıştır. Bir sonraki bölümde, bazı temsil niteliğindeki projeleri derinlikli bir şekilde analiz edeceğiz.
Altyapı katmanı, tüm AI yaşam döngüsünü destekleyen bilgi işlem kaynakları ve teknik mimariyi kapsar, ara katman ise altyapı ile uygulamalar arasındaki 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 gücünü, AI Zincirini ve geliştirme platformunu altyapı katmanına sınıflandırıyoruz. İşte bu altyapının desteği sayesinde AI modellerinin eğitimi ve çıkarımı mümkün olmakta ve güçlü, kullanışlı AI uygulamaları kullanıcılara sunulmaktadır.
Dağıtık Hesaplama Ağı: AI model eğitimi için dağıtık hesaplama gücü sağlayabilir ve verimli ve ekonomik hesaplama kaynakları kullanımını garanti eder. Bazı projeler, kullanıcıların düşük maliyetle hesaplama gücü kiralayıp veya paylaşarak gelir elde edebileceği merkeziyetsiz hesaplama gücü pazarları sunmaktadır; temsilci projeler arasında IO.NET ve Hyperbolic bulunmaktadır. Ayrıca, bazı projeler yeni oyun biçimleri geliştirmiştir; Compute Labs, kullanıcıların GPU varlıklarını temsil eden NFT'ler satın alarak farklı şekillerde hesaplama gücü kiralayarak gelir elde edebilecekleri tokenize protokoller önermiştir.
AI Zinciri: Blockchain'i AI yaşam döngüsünün temeli olarak kullanarak, zincir üstü ve zincir dışı AI kaynaklarının kesintisiz etkileşimini sağlamakta ve endüstri ekosisteminin gelişimini teşvik etmektedir. Zincirdeki merkeziyetsiz AI pazarı, veri, model, ajan gibi AI varlıklarının ticaretini yapabilir ve AI geliştirme çerçevesi ile ilgili geliştirme araçları sunabilir; temsilci projeler arasında Sahara AI bulunmaktadır. AI Zinciri ayrıca farklı alanlardaki AI teknolojilerinin ilerlemesini 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 sunmakta, ayrıca 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 ekosisteminde geniş çapta uygulanmasını teşvik etmektedir.
Ara katman:
Bu katman, AI verileri, modelleri ve çıkarım ile doğrulamayı kapsar; Web3 teknolojisi kullanılarak daha yüksek çalışma verimliliği sağlanabilir.
Veri: Verinin kalitesi ve miktarı, model eğitiminin etkinliğini etkileyen anahtar faktörlerdir. Web3 dünyasında, topluluk destekli veri ve işbirlikçi veri işleme ile kaynak kullanımını optimize etmek ve veri maliyetlerini düşürmek mümkündür. Kullanıcılar, veri üzerindeki egemenliğe sahip olabilir ve gizlilik koruması altında kendi verilerini satabilir, böylece verilerin kötü niyetli satıcılar tarafından çalınmasını ve yüksek kârlar elde edilmesini önleyebilir. Veri talep edenler için bu platformlar geniş seçenekler ve son derece düşük maliyetler sunmaktadır. Temsilci projelerden Grass, kullanıcı bant genişliğini kullanarak Web verilerini toplarken, 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 olanak tanır; bu görevler, finans ve hukuk gibi uzmanlık bilgisi gerektiren veri işleme görevlerini içerebilir. Kullanıcılar, becerilerini tokenleştirerek veri ön işleme için iş birliği ve kitlesel iş gücü oluşturabilirler. Sahara AI gibi AI pazarları, farklı alanlardaki veri görevlerini temsil eder ve çok çeşitli veri senaryolarını kapsayabilir; AIT Protocolt ise veri etiketleme konusunda insan-makine iş birliği ile çalışır.
Model: Daha önce bahsedilen AI geliştirme sürecinde, farklı türdeki ihtiyaçların uygun modellere eşleştirilmesi gerekmektedir. Görüntü görevleri için yaygın olarak kullanılan modeller arasında CNN, GAN bulunmaktadır; nesne tespiti görevlerinde Yolo serisi seçilebilir; metin tabanlı görevlerde ise yaygın olan RNN, Transformer gibi modeller mevcuttur, elbette bazı özel veya genel büyük modeller de vardır. Farklı karmaşıklıkta görevler için gereken model derinliği de farklıdır, bazen model üzerinde ayarlama yapılması gerekmektedir.
Bazı projeler, kullanıcıların farklı türde modeller sunmasına 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 tasarımıyla bunu sağlar. Sahara AI tarafından sunulan geliştirme araçları, yerleşik gelişmiş AI algoritmaları ve hesaplama çerçevelerine sahiptir ve işbirlikçi 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 davranışların olup olmadığını 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 teknolojiler bulunmaktadır. Temsilci projeler arasında ORA zincirindeki AI oracle (OAO) yer almakta olup, OPML'yi AI oracle için doğrulanabilir bir katman olarak tanıtmaktadır; ORA'nın resmi web sitesinde ayrıca ZKML ve opp/ai (ZKML ile OPML'in birleşimi) üzerine araştırmalarına da değinilmiştir.
Uygulama Katmanı:
Bu katman esasen kullanıcıya doğrudan hitap eden uygulamalar olup, AI ile Web3'ü birleştirerek daha ilginç ve yenilikçi oyunlar oluşturur. Bu yazıda esasen AIGC (AI tarafından üretilen içerik), AI temsilcileri ve veri analizi gibi birkaç alanın projeleri özetlenmiştir.
This page may contain third-party content, which is provided for information purposes only (not representations/warranties) and should not be considered as an endorsement of its views by Gate, nor as financial or professional advice. See Disclaimer for details.
Web3-AI alanı panoraması: Teknoloji entegrasyonu, uygulama senaryoları ve temsilci projelerin Derinlik analizi
Web3-AI Yarış Alanı Panorama Raporu: Teknik Mantık, Senaryo Uygulamaları ve En İyi Projelerin Derinlik Analizi
AI anlatımının sürekli artmasıyla birlikte, bu alana olan ilgi giderek artıyor. Web3-AI alanındaki teknik mantık, uygulama senaryoları ve temsilci projeler derinlemesine incelenerek, bu alanın panoramasını ve gelişim trendlerini size kapsamlı bir şekilde sunuyor.
Bir, Web3-AI: Teknolojik Mantık ve Yeni Pazar Fırsatlarının Analizi
1.1 Web3 ve AI'nin birleşim mantığı: Web-AI alanı nasıl tanımlanır
Son bir yıl içinde, AI anlatımı Web3 sektöründe olağanüstü popülerlik kazandı ve AI projeleri birbiri ardına ortaya çıktı. Birçok proje AI teknolojisini kapsasa da, bazı projeler yalnızca ürünlerinin belirli kısımlarında AI kullanıyor, temel token ekonomisi ile AI ürünleri arasında gerçek bir bağlantı bulunmuyor, bu nedenle bu tür projeler bu makalede Web3-AI projeleri tartışmasına dahil değildir.
Bu metin, blockchain'in üretim ilişkileri sorunlarını çözme ve AI'nın üretkenlik sorunlarını çözme projelerine odaklanmaktadır. Bu projeler kendileri AI ürünleri sunmakta ve aynı zamanda üretim ilişkileri aracı olarak Web3 ekonomik modeline dayanmaktadır; bu ikisi birbirini tamamlamaktadır. Bu tür projeleri Web3-AI alanına dahil ediyoruz. Okuyucuların Web3-AI alanını daha iyi anlaması için, AI'nın geliştirme sürecini ve zorluklarını tanıtacak ve Web3 ile AI'nın birleşiminin sorunları nasıl mükemmel bir şekilde çözdüğünü ve yeni uygulama senaryoları yarattığını açıklayacağız.
1.2 AI'nin geliştirme süreci ve zorlukları: veri toplamaktan model çıkarımına kadar
Yapay zeka teknolojisi, bilgisayarların insan zekasını simüle etmesine, genişletmesine ve artırmasına 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, kediler ve köpeklerin resimlerini sınıflandırmak için bir model geliştirmek istiyorsanız, şunlara ihtiyacınız var:
Veri toplama ve veri ön işleme: Kedi ve köpekleri içeren bir görüntü veri seti toplayın, kamuya açık veri setlerini kullanabilir veya gerçek verileri kendiniz toplayabilirsiniz. Ardından, her bir görüntüyü kategoriye (kedi veya köpek) etiketleyin, etiketlerin doğru olduğundan emin olun. Görüntüleri modelin tanıyabileceği bir formata dönüştürün, veri setini eğitim seti, doğrulama seti ve test seti olarak ayırın.
Model Seçimi ve Ayarı: Uygun modeli seçmek, örneğin, Convolutional Neural Networks (CNN), görüntü sınıflandırma görevleri için oldukça uygundur. Farklı ihtiyaçlara göre model parametrelerini veya yapısını ayarlamak, genellikle modelin ağ derinliği AI görevlerinin karmaşıklığına göre ayarlanabilir. Bu basit sınıflandırma örneğinde, daha yüzeysel bir ağ derinliği yeterli olabilir.
Model eğitimi: Modelleri eğitmek için GPU, TPU veya yüksek performanslı hesaplama kümeleri kullanılabilir; eğitim süresi modelin karmaşıklığına ve hesaplama gücüne bağlıdır.
Model çıkarımı: Eğitimli model dosyaları genellikle model ağırlıkları olarak adlandırılır, çıkarım süreci, eğitilmiş bir modelin yeni veriler üzerinde tahmin veya sınıflandırma yaptığı süreçtir. Bu süreçte modelin sınıflandırma etkisini test etmek için test seti veya yeni veriler kullanılabilir, genellikle modelin etkinliğini değerlendirmek için doğruluk, geri çağırma oranı, F1-skoru gibi göstergeler kullanılır.
Görüldüğü gibi, veri toplama ve veri ön işleme, model seçimi ve ayarı ile eğitim sürecinden sonra, eğitilmiş modelin test seti üzerinde çıkarım yapmasıyla kedi ve köpek için tahmin değerleri P (olasılık) elde edilir, yani modelin kedi veya köpek olduğu olasılığını çıkardığıdır.
Eğitilmiş AI modelleri, çeşitli uygulamalara entegre edilerek farklı görevleri yerine getirebilir. Bu örnekte, kedi ve köpek sınıflandırma AI modeli, kullanıcıların kedi veya köpek resimlerini yükleyerek sınıflandırma sonuçlarını alabileceği bir mobil uygulamaya entegre edilebilir.
Ancak, merkezileşmiş AI geliştirme sürecinin aşağıdaki senaryolarda bazı sorunları vardır:
Kullanıcı Gizliliği: Merkezileştirilmiş senaryolarda, AI'nin 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 bir alanda veri (örneğin, tıbbi veri) elde ederken, verinin açık kaynak olmaması gibi kısıtlamalarla karşılaşabilir.
Model seçimi ve ayarlaması: Küçük ekipler için belirli bir alanda model kaynaklarına erişmek veya model ayarlaması için büyük maliyetler harcamak zor olabilir.
Hesaplama gücü edinimi: Bireysel geliştiriciler ve küçük ekipler için, yüksek GPU satın alma maliyetleri ve bulut hesaplama gücü kiralama ücretleri önemli bir ekonomik yük oluşturabilir.
Yapay Zeka Varlık Geliri: Veri etiketleme çalışanları genellikle harcadıkları emekle orantılı bir gelir elde edemezken, yapay zeka geliştiricilerinin araştırma sonuçları da talep eden alıcılarla eşleşmekte zorluk çekmektedir.
Merkezi AI senaryolarında var olan zorluklar, Web3 ile birleşerek aşılabilir. Web3, yeni bir üretim ilişkisi olarak, doğal olarak yeni üretkenliği temsil eden AI ile uyum sağlar ve böylece teknolojik ve üretim yeteneklerinin eş zamanlı ilerlemesini destekler.
1.3 Web3 ve AI'nin İşbirliği Etkisi: Rol Değişimi ve Yenilikçi Uygulamalar
Web3 ve AI'nın birleşimi, kullanıcı egemenliğini artırabilir, kullanıcılara açık bir AI işbirliği platformu sunarak onları Web2 döneminin AI kullanıcılarından katılımcılara dönüştürür ve herkesin sahip olabileceği AI'lar yaratır. Aynı zamanda, Web3 dünyası ile AI teknolojisinin entegrasyonu daha fazla yenilikçi uygulama senaryosu ve oyun tarzını ortaya çıkarabilir.
Web3 teknolojisine dayalı olarak, AI'nın geliştirilmesi ve uygulanması yeni bir işbirliği ekonomisi sistemine girecektir. İnsanların veri gizliliği güvence altına alınabilir, veri toplama modeli AI modellerinin ilerlemesini teşvik eder, kullanıcıların erişebileceği birçok açık kaynaklı AI kaynağı mevcuttur ve paylaşılan hesaplama gücü daha düşük maliyetle elde edilebilir. Merkezi olmayan işbirliği toplama mekanizması ve açık AI pazarı sayesinde, adil bir gelir dağıtım sistemi sağlanabilir, böylece daha fazla insanın AI teknolojisinin ilerlemesini teşvik etmesi teşvik edilir.
Web3 sahnesinde, AI birden fazla alanda olumlu etki yaratabilir. Örneğin, AI modelleri akıllı sözleşmelere entegre edilebilir ve pazar analizi, güvenlik kontrolü, sosyal kümeleme gibi farklı uygulama senaryolarında iş verimliliğini artırabilir. Üretken AI, kullanıcıların AI teknolojisi kullanarak kendi NFT'lerini yaratmaları gibi "sanatçı" rolünü deneyimlemelerini sağlamakla kalmaz, aynı zamanda GameFi'de çeşitli oyun senaryoları ve ilginç etkileşim deneyimleri yaratabilir. Zengin altyapı, AI uzmanları ya da AI alanına girmek isteyen yeni başlayanlar olsun, herkesin bu dünyada uygun bir giriş bulmasını sağlayacak akıcı bir geliştirme deneyimi sunar.
İki, Web3-AI Ekosistem Projeleri Haritası ve Mimarisi Analizi
Web3-AI alanındaki 41 projeyi ana hatlarıyla inceledik ve bu projeleri farklı katmanlara ayırdık. Her bir katmanın bölünme mantığı aşağıdaki gibi olup, altyapı katmanı, ara katman ve uygulama katmanı içerir ve her bir katman farklı bölümlere ayrılmıştır. Bir sonraki bölümde, bazı temsil niteliğindeki projeleri derinlikli bir şekilde analiz edeceğiz.
Altyapı katmanı, tüm AI yaşam döngüsünü destekleyen bilgi işlem kaynakları ve teknik mimariyi kapsar, ara katman ise altyapı ile uygulamalar arasındaki 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 gücünü, AI Zincirini ve geliştirme platformunu altyapı katmanına sınıflandırıyoruz. İşte bu altyapının desteği sayesinde AI modellerinin eğitimi ve çıkarımı mümkün olmakta ve güçlü, kullanışlı AI uygulamaları kullanıcılara sunulmaktadır.
Dağıtık Hesaplama Ağı: AI model eğitimi için dağıtık hesaplama gücü sağlayabilir ve verimli ve ekonomik hesaplama kaynakları kullanımını garanti eder. Bazı projeler, kullanıcıların düşük maliyetle hesaplama gücü kiralayıp veya paylaşarak gelir elde edebileceği merkeziyetsiz hesaplama gücü pazarları sunmaktadır; temsilci projeler arasında IO.NET ve Hyperbolic bulunmaktadır. Ayrıca, bazı projeler yeni oyun biçimleri geliştirmiştir; Compute Labs, kullanıcıların GPU varlıklarını temsil eden NFT'ler satın alarak farklı şekillerde hesaplama gücü kiralayarak gelir elde edebilecekleri tokenize protokoller önermiştir.
AI Zinciri: Blockchain'i AI yaşam döngüsünün temeli olarak kullanarak, zincir üstü ve zincir dışı AI kaynaklarının kesintisiz etkileşimini sağlamakta ve endüstri ekosisteminin gelişimini teşvik etmektedir. Zincirdeki merkeziyetsiz AI pazarı, veri, model, ajan gibi AI varlıklarının ticaretini yapabilir ve AI geliştirme çerçevesi ile ilgili geliştirme araçları sunabilir; temsilci projeler arasında Sahara AI bulunmaktadır. AI Zinciri ayrıca farklı alanlardaki AI teknolojilerinin ilerlemesini 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 sunmakta, ayrıca 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 ekosisteminde geniş çapta uygulanmasını teşvik etmektedir.
Ara katman:
Bu katman, AI verileri, modelleri ve çıkarım ile doğrulamayı kapsar; Web3 teknolojisi kullanılarak daha yüksek çalışma verimliliği sağlanabilir.
Ayrıca, bazı platformlar alan uzmanlarının veya sıradan kullanıcıların veri ön işleme görevlerini yerine getirmesine olanak tanır; bu görevler, finans ve hukuk gibi uzmanlık bilgisi gerektiren veri işleme görevlerini içerebilir. Kullanıcılar, becerilerini tokenleştirerek veri ön işleme için iş birliği ve kitlesel iş gücü oluşturabilirler. Sahara AI gibi AI pazarları, farklı alanlardaki veri görevlerini temsil eder ve çok çeşitli veri senaryolarını kapsayabilir; AIT Protocolt ise veri etiketleme konusunda insan-makine iş birliği ile çalışır.
Bazı projeler, kullanıcıların farklı türde modeller sunmasına 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 tasarımıyla bunu sağlar. Sahara AI tarafından sunulan geliştirme araçları, yerleşik gelişmiş AI algoritmaları ve hesaplama çerçevelerine sahiptir ve işbirlikçi eğitim yeteneğine sahiptir.
Uygulama Katmanı:
Bu katman esasen kullanıcıya doğrudan hitap eden uygulamalar olup, AI ile Web3'ü birleştirerek daha ilginç ve yenilikçi oyunlar oluşturur. Bu yazıda esasen AIGC (AI tarafından üretilen içerik), AI temsilcileri ve veri analizi gibi birkaç alanın projeleri özetlenmiştir.