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

AI anlatımının sürekli artmasıyla birlikte, bu alana giderek daha fazla ilgi odaklanıyor. Web3-AI alanındaki teknik mantık, uygulama senaryoları ve temsilci projeler derinlemesine incelendi, bu alandaki panoramayı ve gelişim trendlerini sizin için kapsamlı bir şekilde sunuyor.

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

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

Geçtiğimiz yıl içinde, AI anlatımı Web3 sektöründe olağanüstü bir popülerlik kazandı ve AI projeleri birbiri ardına ortaya çıktı. Birçok proje AI teknolojisini içerirken, bazı projeler yalnızca ürünlerinin belirli kısımlarında AI kullanıyor ve temel token ekonomisi ile AI ürünleri arasında gerçek bir ilişki bulunmuyor. Bu nedenle, bu tür projeler bu yazıda Web3-AI projeleri tartışmasına dahil edilmemektedir.

Bu makalenin odak noktası, blockchain kullanarak üretim ilişkileri problemlerini çözmek ve AI ile üretkenlik problemlerini ele alan projelerdir. Bu projeler, kendileri AI ürünleri sunmakta ve aynı zamanda üretim ilişkileri aracı olarak Web3 ekonomik modeline dayanmaktadır; bu iki unsur birbirini tamamlamaktadır. Bu tür projeleri Web3-AI alanında sınıflandırıyoruz. Okuyucuların Web3-AI alanını daha iyi anlamaları için, AI'nın geliştirme sürecini ve zorluklarını tanıtacak ve Web3 ile AI'nın bir araya gelmesinin sorunları nasıl mükemmel bir şekilde çözdüğünü ve yeni uygulama senaryoları yarattığını açıklayacağız.

1.2 AI'nin geliştirilme süreci ve zorlukları: veri toplamadan model çıkarımına

Yapay zeka teknolojisi, bilgisayarların insan zekasını simüle etmesini, genişletmesini ve artırmasını sağlayan bir teknolojidir. 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, kedi ve köpek görüntülerinin sınıflandırılması için bir model geliştirmek istiyorsanız, şunlara ihtiyacınız var:

1. Veri toplama ve veri ön işleme: Kediler ve köpekler içeren bir görüntü veri seti toplayın, kamuya açık 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, veri setini eğitim seti, doğrulama seti ve test seti olarak bölün.

2. Model Seçimi ve Ayarlama: Uygun bir model seçin, örneğin, konvolüsyonel sinir ağı (CNN), görüntü sınıflandırma görevleri için daha uygundur. Farklı ihtiyaçlara göre model parametrelerini veya mimarisini ayarlayın, genellikle modelin ağ katmanları, AI görevlerinin karmaşıklığına göre ayarlanabilir. Bu basit sınıflandırma örneğinde, daha sığ 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 gücü ile etkilenir.

4. Model çıkarımı: Eğitimli model dosyalarına genellikle model ağırlıkları denir, çıkarım süreci, eğitilmiş 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, genellikle modelin etkinliğini değerlendirmek için doğruluk, hatırlama oranı, F1-skoru gibi göstergeler kullanılır.

Görüldüğü gibi, veri toplama ve veri ön işleme, model seçimi ve ayarlama ile eğitimden sonra, eğitilmiş modelin test kümesinde çıkarım yapması, kedi ve köpek için tahmin değerlerini P (olasılık) olarak verecektir; yani modelin kedi veya köpek olduğu olasılığını tahmin etmesi.

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 yüklediğinde sınıflandırma sonuçlarını alabilirler.

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

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

Veri Kaynağı Elde Etme: Küçük ekipler veya bireyler, belirli bir alanda veri (örneğin tıbbi veri) elde ederken, verilerin 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 gelir elde edemezken, yapay zeka geliştiricilerinin araştırma sonuçları da talep gören alıcılarla eşleştirilmekte zorlanmaktadır.

Merkezi AI sahnesinde var olan zorluklar, Web3 ile birleştirilerek aşılabilir. Web3, yeni bir üretim ilişkisi olarak, doğal olarak yeni üretkenliği temsil eden AI ile uyumludur ve böylece teknoloji ve üretim kapasitesinin eş zamanlı ilerlemesini teşvik eder.

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

Web3 ile AI'nın birleşimi, kullanıcıların egemenliğini artırabilir, kullanıcılara açık bir AI işbirliği platformu sunarak, kullanıcıların Web2 döneminin AI kullanıcılarından katılımcılara dönüşmesini sağlar ve herkesin sahip olabileceği AI yaratır. Aynı zamanda, Web3 dünyası ile AI teknolojisinin entegrasyonu, daha yenilikçi uygulama senaryoları ve oyun şekilleri ortaya çıkarabilir.

Web3 teknolojisine dayalı olarak, AI'nın geliştirilmesi ve uygulanması yeni bir iş birliği ekonomik sistemini karşılayacaktır. İnsanların veri gizliliği korunabilir, veri toplama modeli AI modellerinin ilerlemesini teşvik eder, birçok açık kaynaklı AI kaynağı kullanıcıların kullanımına sunulur ve paylaşılan hesaplama gücü daha düşük maliyetle elde edilebilir. Merkeziyetsiz iş birliği ve açık AI pazarının yardımıyla, adil bir gelir dağıtım sistemi gerçekleştirilebilir ve böylece daha fazla insanı AI teknolojisinin ilerlemesini teşvik etmeye motive edebilir.

Web3 sahnesinde, AI birden fazla alanda olumlu etkiler yaratabilir. Örneğin, AI modelleri akıllı sözleşmelere entegre edilebilir, farklı uygulama senaryolarında çalışma verimliliğini artırabilir, piyasa analizi, güvenlik tespiti, sosyal kümeleme gibi çeşitli işlevler sağlayabilir. Üretken AI sadece kullanıcılara "sanatçı" rolünü deneyimleme imkanı sunmakla kalmaz, aynı zamanda AI teknolojisi kullanarak kendi NFT'lerini yaratmalarına olanak tanır. Ayrıca GameFi içinde zengin ve çeşitli oyun senaryoları ve ilginç etkileşim deneyimleri oluşturabilir. Zengin altyapı, sorunsuz bir geliştirme deneyimi sunar; ister AI uzmanı, ister AI alanına girmek isteyen bir acemi olsun, bu dünyada uygun bir giriş noktası bulabilir.

İkincisi, Web3-AI Ekosistem Proje Haritası ve Mimari Yorumu

Web3-AI alanındaki 41 projeyi inceledik ve bu projeleri farklı seviyelere ayırdık. Her bir seviyenin ayrım mantığı aşağıdaki gibi olup, altyapı katmanı, ara katman ve uygulama katmanı dahil olmak üzere her bir katman farklı bölümlere ayrılmıştır. Bir sonraki bölümde, bazı temsilci projelerin derinlikli analizini yapacağız.

Altyapı katmanı, tüm AI yaşam döngüsünün çalışmasını destekleyen hesaplama kaynakları ve teknik mimarileri kapsar; orta katman ise altyapıyı uygulamalarla birleştiren 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 güçlü, kullanışlı AI uygulamaları kullanıcılara sunulabilir.

• Dağıtık Hesaplama Ağı: AI model eğitimi için dağıtık hesaplama gücü sağlayabilir ve verimli ve ekonomik hesaplama kaynaklarının kullanımını garanti eder. Bazı projeler, kullanıcıların düşük maliyetle hesaplama gücü kiralayabileceği veya hesaplama gücünü paylaşarak gelir elde edebileceği merkeziyetsiz bir hesaplama gücü pazarı sunmaktadır; temsilci projeler arasında IO.NET ve Hyperbolic bulunmaktadır. Ayrıca, bazı projeler yeni oyun biçimleri türetti; Compute Labs gibi, kullanıcıların GPU varlıklarını temsil eden NFT'leri satın alarak hesaplama gücü kiralamaya farklı şekillerde katılabilecekleri tokenleştirilmiş bir protokol önerdi.

• AI Zinciri: Blokzinciri'ni AI yaşam döngüsünün temeli olarak kullanarak, çevrimiçi ve çevrimdışı AI kaynaklarının kesintisiz etkileşimini sağlamakta ve endüstri ekosisteminin gelişimini teşvik etmektedir. Zincir üzerindeki merkeziyetsiz AI pazarı, veri, model, ajan gibi AI varlıklarının ticaretini yapabilir ve AI geliştirme çerçevesi ile destekleyici geliştirme araçları sunar; temsilci projeler arasında Sahara AI bulunmaktadır. AI Zinciri, ayrıca farklı alanlarda AI teknolojisi ilerlemesini teşvik edebilir; örneğin Bittensor, yenilikçi alt ağ teşvik mekanizması ile farklı AI türlerinin alt ağ rekabetini teşvik etmektedir.

• Geliştirme platformu: Bazı projeler AI ajan geliştirme platformu sunmakta, ayrıca Fetch.ai ve ChainML gibi AI ajanlarının ticaretini de gerçekleştirebilmektedir. Tek durak araçları, geliştiricilerin AI modellerini daha kolay bir şekilde oluşturmasını, eğitmesini ve dağıtmasını sağlamaktadır, temsilci projeler arasında Nimble bulunmaktadır. Bu altyapılar, AI teknolojisinin Web3 ekosisteminde yaygın olarak kullanılmasını teşvik etmektedir.

Ara Katman:

Bu katman, AI verileri, modelleri ve akıl yürütme ile doğrulamayı içerir; Web3 teknolojisi kullanılarak daha yüksek bir çalışma verimliliği sağlanabilir.

• Veriler: Verilerin kalitesi ve miktarı, modelin eğitim performansını etkileyen kritik faktörlerdir. Web3 dünyasında, kitlesel veri toplama ve işbirlikçi veri işleme ile kaynak kullanımını optimize etmek ve veri maliyetlerini düşürmek mümkündür. Kullanıcılar, gizlilik koruması altında kendi verilerini satma hakkına sahiptir ve kötü niyetli satıcıların verileri çalmasını ve yüksek kar elde etmesini önleyebilirler. Veri talep edenler için bu platformlar, geniş bir seçenek yelpazesi ve son derece düşük maliyetler sunmaktadır. Örnek projeler arasında, kullanıcı bant genişliğini kullanarak Web verilerini toplayan Grass ve kullanıcı dostu eklentiler aracılığıyla medya bilgilerini toplayan xData bulunmaktadır; ayrıca kullanıcıların tweet bilgilerini yüklemelerini desteklemektedir.

Ayrıca, bazı platformlar alan uzmanlarının veya sıradan kullanıcıların veri ön işleme görevlerini yerine getirmesine olanak tanır. Bu görevler, finansal ve hukuki konular gibi uzmanlık bilgisi gerektiren veri işleme ihtiyaç duyabilir. Kullanıcılar, becerilerini tokenleştirerek veri ön işlemede iş birliği yapabilirler. Sahara AI gibi AI pazarları, farklı alanlarda veri görevleri sunarak çok çeşitli veri senaryolarını kapsayabilir; AIT Protocol ise insan-makine iş birliği ile verileri etiketler.

• 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 bulunmaktadır. Nesne tespiti görevleri için Yolo serisi seçilebilir. Metin tabanlı görevlerde ise yaygın olarak RNN, Transformer gibi modeller kullanılmaktadır; elbette bazı belirli veya genel büyük modeller de vardır. Farklı karmaşıklıkta görevler için gereken model derinliği de farklıdır ve bazen modelin ayarlanması gerekebilir.

Bazı projeler, kullanıcıların farklı türde modeller sağlamasına veya model eğitimi için kitle kaynaklı işbirliği yapmasına olanak tanır; örneğin Sentient, modüler tasarımı sayesinde kullanıcıların güvenilir model verilerini depolama ve dağıtım katmanında model optimizasyonu için yerleştirmelerine olanak tanır. Sahara AI'nın 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 oluşturur, bunlar doğrudan sınıflandırma, tahmin veya diğer belirli görevler için kullanılabilir, bu sürece çıkarım denir. Çıkarım süreci genellikle çıkarım modelinin kaynağının doğru olup olmadığını, kötü niyetli davranışlar 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 bulunur. Temsilci projeler arasında ORA zinciri üzerinde AI kehanet (OAO) bulunur, OPML'yi AI kehanetinin doğrulanabilir katmanı olarak tanıtmıştır, ORA'nın resmi web sitesinde ZKML ve opp/ai (ZKML'nin OPML ile birleşimi) konusundaki araştırmaları hakkında bilgi verilmiştir.

Uygulama katmanı:

Bu katman esas olarak kullanıcıya yönelik uygulamalardır, AI'yi Web3 ile birleştirerek yaratır.