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

AI anlatımının sürekli artışıyla birlikte, bu alana daha fazla ilgi odaklanmaktadır. Web3-AI alanındaki teknik mantık, uygulama senaryoları ve temsilci projeler üzerinde kapsamlı bir analiz yapılarak, bu alanın panorama ve gelişim eğilimleri size kapsamlı bir şekilde sunulmaktadır.

Bir, Web3-AI: Teknik Mantık ve Yeni Pazar Fırsatlarının Analizi

1.1 Web3 ve AI'nin birleşim mantığı: Web-AI pazarını nasıl tanımlayacağız

Son bir yılda, AI anlatımı Web3 sektöründe olağanüstü popüler hale geldi ve AI projeleri birbiri ardına ortaya çıkmaya başladı. Birçok proje AI teknolojisini içerse de, bazı projeler yalnızca ürünlerinin belirli kısımlarında AI kullanmakta, temel token ekonomisi ile AI ürünü arasında gerçek bir bağlantı bulunmamaktadır. Bu nedenle, bu tür projeler bu makalede Web3-AI projeleri tartışmasına dahil edilmemektedir.

Bu makalenin odak noktası, üretim ilişkileri sorunlarını çözmek için blok zincirinin ve üretkenlik sorunlarını çözmek için yapay zekanın kullanıldığı projelerdir. Bu projeler kendileri yapay zeka ürünleri sunmakta ve aynı zamanda üretim ilişkileri aracı olarak Web3 ekonomik modeline dayanmaktadır, her ikisi birbirini tamamlamaktadır. Bu tür projeleri Web3-AI alanına sınıflandırıyoruz. Okuyucuların Web3-AI alanını daha iyi anlaması için, yapay zekanın geliştirme sürecini ve zorluklarını tanıtacak, ayrıca Web3 ve yapay zekanın nasıl mükemmel bir şekilde sorunları çözdüğünü ve yeni uygulama senaryoları yarattığını açıklayacağız.

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

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 getirmesine olanak tanıyarak, 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 ayarlaması, model eğitimi ve çıkarım. Basit bir örnek vermek gerekirse, bir modeli kedi ve köpek görüntülerini sınıflandırmak için geliştiriyorsanız, şunlara ihtiyacınız var:

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

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

3. Model Eğitimi: Modelleri eğitmek için GPU, TPU veya yüksek performanslı hesaplama kümeleri kullanılabilir, eğitim süresi modelin karmaşıklığına ve hesaplama yeteneğine bağlıdır.

4. Model Çıkarımı: Eğitimli bir model dosyası genellikle model ağırlıkları olarak adlandırılır, 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, genellikle modelin etkinliğini değerlendirmek için doğruluk, hatırlama oranı, F1-skoru gibi göstergeler kullanılır.

Aşağıdaki gibi, veri toplama ve veri ön işleme, model seçimi ve ayarlama ile eğitimden sonra, eğitimli modeli test kümesi üzerinde tahmin yapmak için kullanarak kedi ve köpek için tahmin değerleri P (olasılık) elde edilir; yani modelin kedi veya köpek olma olasılığını tahmin etmesi.

Eğitilmiş AI modelleri, farklı görevleri yerine getirmek üzere çeşitli uygulamalara entegre edilebilir. Bu örnekte, kedi ve köpek sınıflandırma AI modeli, kullanıcıların kedi veya köpek fotoğraflarını yükleyerek sınıflandırma sonucunu alabileceği bir mobil uygulamaya entegre edilebilir.

Ancak, merkezi AI geliştirme süreci aşağıdaki senaryolarda bazı sorunlar taşımaktadır:

Kullanıcı gizliliği: Merkezi bir ortamda, AI geliştirme süreci genellikle şeffaf değildir. Kullanıcı verileri, kullanıcıların bilgisi olmadan çalınabilir ve AI eğitimi için kullanılabilir.

Veri kaynağı edinimi: Küçük ekipler veya bireyler, belirli bir alanda verileri (örneğin tıbbi veriler) edinirken, verilerin açık kaynak olmaması kısıtlamasıyla karşılaşabilir.

Model seçimi ve ayarlama: Küçük ekipler için belirli bir alanda model kaynaklarına erişmek veya model ayarlaması için büyük maliyetler harcamak zor.

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.

AI Varlık Geliri: Veri etiketleme çalışanları genellikle harcadıklarıyla orantılı gelir elde edemezken, AI geliştiricilerinin araştırma sonuçları da talep eden alıcılarla eşleşmekte zorlanmaktadır.

Merkezi AI senaryolarında var olan zorluklar, Web3 ile bir araya gelerek aşılabilir. Web3, yeni bir üretim ilişkisi olarak, doğal olarak yeni üretkenliği temsil eden AI ile uyumlu olup, teknolojinin ve üretim kapasitesinin eş zamanlı ilerlemesini teşvik eder.

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

Web3 ve AI'nin birleşimi, kullanıcı egemenliğini güçlendirebilir, kullanıcılara açık bir AI işbirliği platformu sunarak, kullanıcıların Web2 döneminin AI kullanıcıları olmaktan katılımcılara dönüşmesini sağlar ve herkesin sahip olabileceği AI'ları yaratır. Aynı zamanda, Web3 dünyası ile AI teknolojisinin entegrasyonu, daha yenilikçi uygulama senaryoları ve oyun mekanikleri ortaya çıkarabilir.

Web3 teknolojisi temelinde, AI'nın geliştirilmesi ve uygulanması yeni bir işbirliği ekonomisi sistemine girecek. İnsanların veri gizliliği güvence altına alınabilir, veri kitle kaynaklı modeli AI modellerinin ilerlemesini teşvik eder, birçok açık kaynaklı AI kaynağı kullanıcıların kullanımına sunulmuştur ve paylaşılan hesaplama gücü daha düşük maliyetle elde edilebilir. Merkeziyetsiz işbirliği kitle kaynaklı mekanizması ve açık AI pazarı sayesinde, adil bir gelir dağıtım sistemi sağlanabilir, böylece daha fazla insanın AI teknolojisinin gelişimini teşvik etmesi teşvik edilir.

Web3 senaryosunda, AI birden fazla alanda olumlu etkiler yaratabilir. Örneğin, AI modelleri akıllı sözleşmelere entegre edilebilir ve pazar analizi, güvenlik testi, sosyal kümeleme gibi çeşitli uygulama senaryolarında iş verimliliğini artırabilir. Üretken AI, kullanıcıların AI teknolojisini kullanarak kendi NFT'lerini oluşturma gibi "sanatçı" rolünü deneyimlemelerini sağlamakla kalmaz, aynı zamanda GameFi'de zengin ve çeşitli oyun sahneleri ve ilginç etkileşim deneyimleri yaratabilir. Zengin altyapı, AI uzmanları veya AI alanına girmek isteyen acemiler için sorunsuz bir geliştirme deneyimi sunar ve bu dünyada uygun bir giriş noktası bulabilirler.

İki, Web3-AI Ekosistem Proje Haritası ve Mimari Yorumu

Web3-AI alanındaki 41 projeyi inceledik ve bu projeleri farklı seviyelere ayırdık. Her bir seviyenin ayırma mantığı aşağıdaki gibi gösterilmiştir; altyapı katmanı, ara katman ve uygulama katmanı olmak üzere her bir katman farklı bölümlere ayrılmıştır. Bir sonraki bölümde, bazı temsilci projeleri derinlikli olarak analiz edeceğiz.

Altyapı katmanı, tüm AI yaşam döngüsünün çalışmasını destekleyen hesaplama kaynakları ve teknik mimarileri kapsar, orta katman ise altyapıyı uygulamalara 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 gerçekleştirilebilmekte ve güçlü, kullanışlı AI uygulamaları kullanıcılara sunulabilmektedir.

• Dağıtık hesaplama ağı: AI model eğitimi için dağıtık hesaplama gücü sağlayabilir, verimli ve ekonomik hesaplama kaynakları kullanımını garanti eder. Bazı projeler, kullanıcıların düşük maliyetle hesaplama gücü kiralamasına veya paylaşarak kazanç elde etmesine olanak tanıyan merkeziyetsiz hesaplama gücü pazarları sunmaktadır; temsilci projeler olarak IO.NET ve Hyperbolic gösterilebilir. Ayrıca, Compute Labs gibi bazı projeler yeni oyun biçimleri geliştirmiştir; kullanıcılar, GPU varlıklarını temsil eden NFT'ler satın alarak farklı şekillerde hesaplama gücü kiralama yoluyla kazanç elde edebilirler.

• AI Zinciri: Blockchain'i 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 sunabilir; örnek 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 ajan geliştirme platformları sunmakta ve Fetch.ai ve ChainML gibi AI ajanlarının ticaretini gerçekleştirmektedir. Geliştiricilerin AI modellerini daha kolay bir şekilde oluşturmasına, eğitmesine ve dağıtmasına yardımcı olan tek duraklı araçlar, Nimble gibi projeleri temsil etmektedir. Bu altyapılar, AI teknolojisinin Web3 ekosistemindeki yaygın kullanımını teşvik etmektedir.

Ara katman:

Bu katman, AI verileri, modelleri ve çıkarım ile doğrulama ile ilgilidir; Web3 teknolojisi kullanılarak daha yüksek çalışma verimliliği sağlanabilir.

• Veriler: Verilerin kalitesi ve miktarı, model eğitimi sonuçlarını etkileyen anahtar faktörlerdir. Web3 dünyasında, kalabalık kaynaklı veriler ve işbirlikçi veri işleme ile kaynak kullanımı optimize edilebilir ve veri maliyetleri düşürülebilir. Kullanıcılar, veri gizliliğini koruyarak kendi verilerini satma hakkına sahip olabilir, bu sayede verilerin kötü niyetli satıcılar tarafından çalınmasını ve yüksek kar elde edilmesini önleyebilirler. Veri talep edenler için bu platformlar geniş bir seçenek ve son derece düşük maliyetler sunmaktadır. Grass gibi temsilci projeler, kullanıcı bant genişliğini kullanarak Web verilerini toplarken, xData kullanıcı dostu eklentiler aracılığıyla medya bilgilerini toplamakta ve kullanıcıların tweet bilgilerini yüklemelerini desteklemektedir.

Ayrıca, bazı platformlar alan uzmanlarının veya genel kullanıcıların veri ön işleme görevlerini yerine getirmesine olanak tanır; bu görevler, profesyonel bilgi gerektiren finansal ve hukuki veri işleme görevlerini içerebilir. Kullanıcılar, becerilerini tokenleştirerek veri ön işleme için işbirlikçi bir kitle kaynak kullanımı gerçekleştirebilir. Örneğin, farklı alanlarda veri görevleri sunan Sahara AI gibi AI pazarları, çok çeşitli veri senaryolarını kapsayabilir; AIT Protokolü ise veri etiketleme işlemini insan-makine iş birliği ile gerçekleştirir.

• Model: Daha önce bahsedilen AI geliştirme sürecinde, farklı türdeki ihtiyaçların uygun modellere eşleştirilmesi gerekmektedir. Görüntü görevlerinde yaygın olarak kullanılan modeller arasında CNN ve GAN bulunurken, nesne tespiti görevleri için Yolo serisi tercih edilebilir. Metin tabanlı görevlerde ise yaygın olarak RNN, Transformer gibi modeller kullanılır; elbette bazı özel veya genel büyük modeller de mevcuttur. Farklı karmaşıklıkta görevlerin ihtiyaç duyduğu model derinliği de farklılık gösterir ve bazen modelin ayarlanması gerekebilir.

Bazı projeler, kullanıcıların farklı türde modeller sunmasına veya kalabalık kaynak yöntemiyle model eğitimi için işbirliği yapmasına olanak tanır. Örneğin, Sentient, kullanıcıların güvenilir model verilerini depolama katmanında ve dağıtım katmanında model optimizasyonu için yerleştirmesine olanak tanıyan modüler bir tasarıma sahiptir. Sahara AI tarafından sağlanan geliştirme araçları, gelişmiş AI algoritmaları ve hesaplama çerçevelerini yerleşik olarak barındırır ve işbirliği ile eğitim yeteneğine sahiptir.

• Çıkarım ve doğrulama: Model eğitildikten sonra model ağırlık dosyaları üretir, bu dosyalar doğrudan sınıflandırma, tahmin veya diğer belirli görevler için kullanılabilir, bu süreç çıkarım olarak adlandırılır. Çıkarım süreci genellikle çıkarım modelinin kaynağının doğruluğunu, kötü niyetli davranışların olup olmadığını vb. doğrulamak için bir doğrulama mekanizmasıyla birlikte gelir. Web3'teki 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 zincir üzerindeki AI oracle (OAO) yer almakta, OPML'yi AI oracle'ın doğrulanabilir katmanı olarak tanıtmaktadır, ORA'nın resmi web sitesinde ayrıca ZKML ve opp/ai (ZKML ile OPML'in birleşimi) konusundaki araştırmalarına da değinilmiştir.

Uygulama katmanı:

Bu katman esasen kullanıcıya doğrudan hitap eden uygulamalardır ve AI ile Web3'ü birleştirerek daha fazla ilginç ve yenilikçi oyun biçimleri yaratmaktadır. Bu yazıda esasen AIGC (AI Üretilen İçerik), AI ajanları ve veri analizi gibi birkaç bölümdeki projeler ele alınmaktadır.

• AIGC: AIGC aracılığıyla