Web3-AI Yarış Alanı Panorama Raporu: Teknik Mantık, Senaryo Uygulamaları ve Üst Düzey Projelerin Derinlik Analizi
AI anlatımının sürekli yükselmesiyle birlikte, bu alana artan bir ilgi odaklanıyor. Web3-AI alanındaki teknik mantık, uygulama senaryoları ve temsilci projeler derinlemesine analiz edildi ve bu alandaki panoramayı ve gelişim trendlerini size kapsamlı bir şekilde sunuyor.
Bir, Web3-AI: Teknolojik Mantık ve Yeni Pazar Fırsatlarının Analizi
1.1 Web3 ve AI'nın birleşim mantığı: Web-AI pazarını nasıl tanımlarsınız
Geçtiğimiz yıl, AI anlatımı Web3 endüstrisinde olağanüstü popüler hale geldi ve AI projeleri birbiri ardına ortaya çıktı. Birçok proje AI teknolojilerini 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 edilmemektedir.
Bu makalenin odak noktası, üretim ilişkileri sorunlarını blockchain ile çözmek ve üretkenlik sorunlarını AI ile çözmek üzerine projelerdir. Bu projeler kendileri AI ürünleri sunmakta olup, aynı zamanda üretim ilişkileri aracı olarak Web3 ekonomik modeline dayanmaktadır; her iki taraf birbirini tamamlamaktadır. Bu tür projeleri Web3-AI alanına sınıflandırıyoruz. Okuyucuların Web3-AI alanını daha iyi anlamaları için, AI geliştirme sürecini ve zorluklarını, ayrıca Web3 ve AI birleşiminin sorunları nasıl mükemmel bir şekilde çözdüğünü ve yeni uygulama senaryoları yarattığını tanıtacağız.
1.2 AI'nin geliştirilmesi süreci ve zorlukları: veri toplama aşamasından model çıkarımına kadar
Yapay zeka teknolojisi, bilgisayarların insan zekasını simüle etmesini, genişletmesini ve geliştirmesini sağlayan bir tekniktir. Bu teknoloji, bilgisayarların dil çevirisi, görüntü sınıflandırması, 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, kedi ve köpek görüntülerinin sınıflandırılması için bir model geliştirmek istiyorsanız, şunlara ihtiyacınız var:
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 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.
Model Seçimi ve Ayarı: Uygun modeli seçin, örneğin, konvolüsyonel sinir ağı (CNN), görüntü sınıflandırma görevleri için oldukça uygun. Farklı ihtiyaçlara göre model parametrelerini veya mimarisini ayarlayın, genellikle modelin ağ katmanları, AI görevlerinin karmaşıklığına göre ayarlanabilir. Bu basit sınıflandırma örneğinde, daha yüzeysel bir ağ katmanı yeterli olabilir.
Model eğitimi: Modeli eğitmek için GPU, TPU veya yüksek performanslı hesaplama kümeleri kullanılabilir, eğitim süresi modelin karmaşıklığına ve hesaplama gücüne bağlıdır.
Model çıkarımı: Model eğitimi tamamlanmış dosyalara 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-skora gibi göstergeler kullanılır.
Görüldüğü gibi, veri toplama ve veri ön işleme, model seçimi ve ayarlama ile eğitimden sonra, eğitilmiş modeli test setinde çıkarım yapmak için kullanarak kedi ve köpek için tahmin değerleri P (olasılık) elde edilir; yani modelin kedi veya köpek olduğu olasılığını tahmin etmesi.
Eğitilmiş AI modelleri, farklı görevleri yerine getirmek için çeşitli uygulamalara daha fazla entegre edilebilir. Bu örnekte, kedi ve köpek sınıflandırma AI modeli, kullanıcıların kedi veya köpek resimlerini yükleyerek sınıflandırma sonuçlarını alabileceği bir mobil uygulamaya entegre edilebilir.
Ancak, merkezi AI geliştirme süreci aşağıdaki senaryolarda bazı sorunlar içermektedir:
Kullanıcı gizliliği: Merkezileşmiş senaryolarda, 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 veri (örneğin tıbbi veriler) edinirken, verilerin açık kaynak olmaması gibi sınırlamalarla karşılaşabilir.
Model seçimi ve ayarlaması: Küçük ekipler için belirli alanlarda 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 harcadıkları emekle doğru orantılı bir gelir elde edemezken, AI geliştiricilerinin araştırma sonuçları da talep gören alıcılarla eşleşmekte zorluk çekmektedir.
Merkezi AI sahnesindeki zorluklar, Web3 ile bir araya gelerek aşılabilir. Web3, yeni bir üretim ilişkisi olarak, doğal olarak yeni üretkenliği temsil eden AI ile uyum sağlar ve böylece teknoloji ve üretkenlikte eş zamanlı bir ilerlemeyi teşvik eder.
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 sunarak Web2 dönemindeki AI kullanıcılarından katılımcılara dönüşmelerini sağlar ve herkesin sahip olabileceği AI'lar yaratır. Aynı zamanda, Web3 dünyası ile AI teknolojisinin birleşimi daha fazla yenilikçi uygulama senaryosu ve oyun biçimleri ortaya çıkarabilir.
Web3 teknolojisi temelinde, AI'nin geliştirilmesi ve uygulanması yeni bir iş birliği ekonomisi sistemi ile karşılaşacak. İnsanların veri gizliliği güvence altına alınabilir, veri toplama modeli AI modellerinin ilerlemesini teşvik eder, birçok açık kaynaklı AI kaynağı kullanıcılar için mevcut olup, paylaşılan hesaplama gücü düşük maliyetle elde edilebilir. Merkezi olmayan iş birliği toplama mekanizması ve açık AI pazarı sayesinde adil bir gelir dağılımı sistemi sağlanabilir, bu da daha fazla insanı AI teknolojisinin ilerlemesini teşvik etmeye motive eder.
Web3 senaryolarında, AI birden fazla alanda olumlu etkiler yaratabilir. Örneğin, AI modelleri akıllı sözleşmelere entegre edilebilir ve pazar analizi, güvenlik denetimi, sosyal kümeleme gibi çeşitli uygulama senaryolarında çalışma verimliliğini artırabilir. Üretken AI, kullanıcıların AI teknolojisiyle kendi NFT'lerini yaratma gibi "sanatçı" rolünü deneyimlemelerini sağlamakla kalmaz, aynı zamanda GameFi'de zengin ve çeşitli oyun senaryoları ve ilginç etkileşim deneyimleri de yaratabilir. Zengin altyapı, AI uzmanları veya AI alanına girmek isteyen yeni başlayanlar için sorunsuz bir geliştirme deneyimi sunar ve bu dünyada uygun bir giriş bulabilirler.
İki, Web3-AI Ekosistem Proje Haritası ve Yapı Analizi
Web3-AI alanındaki 41 projeyi inceleyerek bu projeleri farklı seviyelere ayırdık. Her seviyenin sınıflandırma mantığı aşağıdaki gibi olup, altyapı katmanı, ara katman ve uygulama katmanı içerir ve her katman farklı bölümlere ayrılmıştır. Bir sonraki bölümde, bazı temsilci projeleri derinlikli olarak analiz edeceğiz.
Altyapı katmanı, tüm AI yaşam döngüsü boyunca çalışan hesaplama kaynakları ve teknoloji mimarisini kapsarken, ara katman altyapı ile uygulamalar arasında veri yönetimi, model geliştirme ve doğrulama çıkarım hizmetlerini içerir, uygulama katmanı ise doğrudan kullanıcılara yönelik çeşitli uygulama ve çözümlere odaklanmaktadır.
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 sağlayarak etkili 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 sunar; bu projelere örnek olarak IO.NET ve Hyperbolic gösterilebilir. Ayrıca, bazı projeler yeni oyun şekilleri geliştirmiştir; örneğin Compute Labs, kullanıcıların GPU varlıklarını temsil eden NFT'ler satın alarak farklı şekillerde hesaplama gücü kiralamak suretiyle gelir elde etmelerine olanak tanıyan tokenizasyon protokolünü önermiştir.
AI Chain: Blockchain'ı AI yaşam döngüsünün temeli olarak kullanarak, zincir üzerindeki ve dışındaki AI kaynaklarının kesintisiz etkileşimini sağlayarak endüstri ekosisteminin gelişimini destekler. Zincir üzerindeki merkeziyetsiz AI pazarı, veri, model, ajan gibi AI varlıklarının ticaretini yapabilir ve AI geliştirme çerçevesi ile birlikte geliştirme araçları sunar; temsilci projeler arasında Sahara AI yer alır. AI Chain ayrıca farklı alanlarda AI teknolojisinin ilerlemesini teşvik edebilir; Bittensor, farklı AI türlerinin alt ağ rekabetini teşvik etmek için yenilikçi bir alt ağ teşvik mekanizması kullanır.
Geliştirme platformu: Bazı projeler AI ajanı geliştirme platformları sunar ve AI ajanlarının ticaretini gerçekleştirebilir, örneğin Fetch.ai ve ChainML gibi. Tek duraklı araçlar, geliştiricilerin AI modellerini daha kolay bir şekilde oluşturmasına, eğitmesine ve dağıtmasına yardımcı olur; temsilci projeler arasında Nimble bulunmaktadır. Bu altyapılar, AI teknolojisinin Web3 ekosistemindeki yaygın uygulamalarını teşvik etmektedir.
Ara katman:
Bu katman, AI verileri, modelleri ve çıkarım ile doğrulamayı içerir; Web3 teknolojisi kullanılarak daha yüksek iş verimliliği sağlanabilir.
Veriler: Verilerin kalitesi ve miktarı, model eğitiminin etkinliğini etkileyen anahtar faktörlerdir. Web3 dünyasında, topluluk destekli veriler ve işbirlikçi veri işleme ile kaynak kullanımı optimize edilebilir ve veri maliyetleri düşürülebilir. Kullanıcılar, verilerinin sahibi 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 çok düşük maliyetler sunmaktadır. Temsilci projeler arasında Grass, kullanıcıların bant genişliğini kullanarak web verilerini çekmeyi sağlar; xData, kullanıcı dostu eklentileri aracılığıyla medya bilgilerini toplar ve kullanıcılara tweet bilgilerini yüklemelerine olanak tanır.
Buna ek olarak, bazı platformlar alan uzmanlarının veya sıradan kullanıcıların veri ön işleme görevlerini yerine getirmesine olanak tanır; bu görevler, finansal ve hukuksal konularda uzmanlık bilgisi gerektiren veri işleme gerektirebilir. Kullanıcılar, becerilerini tokenleştirerek veri ön işleme için işbirliği yapabilirler. Örneğin, Sahara AI gibi AI pazarları, farklı alanlardaki veri görevlerini içerebilir ve çok çeşitli veri senaryolarını kapsayabilir; AIT Protocol ise verileri insan-makine işbirliğiyle etiketler.
Model: Daha önce bahsedilen AI geliştirme sürecinde, farklı türdeki gereksinimler için uygun modeller eşleştirilmelidir. Görüntü görevleri için yaygın olarak kullanılan modeller arasında CNN, GAN gibi modeller, nesne tespiti görevleri için Yolo serisi seçilebilir, metin tabanlı görevlerde ise yaygın olarak RNN, Transformer gibi modeller bulunmaktadır; elbette bazı özel veya genel büyük modeller de vardır. Farklı karmaşıklıkta görevlerin ihtiyaç duyduğu model derinliği de farklıdır, bazen modelin ayarlanması gerekebilir.
Bazı projeler, kullanıcıların farklı türde modeller sağlamalarına veya model eğitimi için kitle kaynaklı işbirliği yapmalarına destek verir. Örneğin, Sentient modüler tasarımı sayesinde kullanıcıların güvenilir model verilerini depolama katmanında ve dağıtım katmanında model optimizasyonu için yerleştirmelerine olanak tanır. Sahara AI'nın sunduğu geliştirme araçları, yerleşik gelişmiş AI algoritmaları ve hesaplama çerçeveleriyle 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 süreç çıkarım olarak adlandırılır. Çıkarım süreci genellikle çıkarım modelinin kaynağının doğruluğunu, kötü niyetli davranış olup olmadığını doğrulamak için bir doğrulama mekanizması ile birlikte gelir. Web3'teki çıkarım genellikle akıllı sözleşmelere entegre edilebilir; modelin çıkarımını gerçekleştirmek için çağrılar yapılır. Yaygın doğrulama yöntemleri arasında ZKML, OPML ve TEE gibi teknolojiler bulunur. Temsilci projeler arasında ORA zincirinde AI oracle'ı (OAO) yer alır; bu proje, AI oracle'ı için doğrulanabilir bir katman olarak OPML'i tanıtmaktadır. ORA'nın resmi web sitesinde ayrıca ZKML ve opp/ai (ZKML ve OPML'in birleşimi) konusundaki araştırmalarına da değinilmiştir.
Uygulama katmanı:
Bu katman esasen kullanıcıya 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 alandaki projeler ele alınmıştır.
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 üst düzey projelerin Derinlik analizi
Web3-AI Yarış Alanı Panorama Raporu: Teknik Mantık, Senaryo Uygulamaları ve Üst Düzey Projelerin Derinlik Analizi
AI anlatımının sürekli yükselmesiyle birlikte, bu alana artan bir ilgi odaklanıyor. Web3-AI alanındaki teknik mantık, uygulama senaryoları ve temsilci projeler derinlemesine analiz edildi ve bu alandaki panoramayı ve gelişim trendlerini size kapsamlı bir şekilde sunuyor.
Bir, Web3-AI: Teknolojik Mantık ve Yeni Pazar Fırsatlarının Analizi
1.1 Web3 ve AI'nın birleşim mantığı: Web-AI pazarını nasıl tanımlarsınız
Geçtiğimiz yıl, AI anlatımı Web3 endüstrisinde olağanüstü popüler hale geldi ve AI projeleri birbiri ardına ortaya çıktı. Birçok proje AI teknolojilerini 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 edilmemektedir.
Bu makalenin odak noktası, üretim ilişkileri sorunlarını blockchain ile çözmek ve üretkenlik sorunlarını AI ile çözmek üzerine projelerdir. Bu projeler kendileri AI ürünleri sunmakta olup, aynı zamanda üretim ilişkileri aracı olarak Web3 ekonomik modeline dayanmaktadır; her iki taraf birbirini tamamlamaktadır. Bu tür projeleri Web3-AI alanına sınıflandırıyoruz. Okuyucuların Web3-AI alanını daha iyi anlamaları için, AI geliştirme sürecini ve zorluklarını, ayrıca Web3 ve AI birleşiminin sorunları nasıl mükemmel bir şekilde çözdüğünü ve yeni uygulama senaryoları yarattığını tanıtacağız.
1.2 AI'nin geliştirilmesi süreci ve zorlukları: veri toplama aşamasından model çıkarımına kadar
Yapay zeka teknolojisi, bilgisayarların insan zekasını simüle etmesini, genişletmesini ve geliştirmesini sağlayan bir tekniktir. Bu teknoloji, bilgisayarların dil çevirisi, görüntü sınıflandırması, 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, kedi ve köpek görüntülerinin sınıflandırılması için bir model geliştirmek istiyorsanız, şunlara ihtiyacınız var:
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 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.
Model Seçimi ve Ayarı: Uygun modeli seçin, örneğin, konvolüsyonel sinir ağı (CNN), görüntü sınıflandırma görevleri için oldukça uygun. Farklı ihtiyaçlara göre model parametrelerini veya mimarisini ayarlayın, genellikle modelin ağ katmanları, AI görevlerinin karmaşıklığına göre ayarlanabilir. Bu basit sınıflandırma örneğinde, daha yüzeysel bir ağ katmanı yeterli olabilir.
Model eğitimi: Modeli eğitmek için GPU, TPU veya yüksek performanslı hesaplama kümeleri kullanılabilir, eğitim süresi modelin karmaşıklığına ve hesaplama gücüne bağlıdır.
Model çıkarımı: Model eğitimi tamamlanmış dosyalara 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-skora gibi göstergeler kullanılır.
Görüldüğü gibi, veri toplama ve veri ön işleme, model seçimi ve ayarlama ile eğitimden sonra, eğitilmiş modeli test setinde çıkarım yapmak için kullanarak kedi ve köpek için tahmin değerleri P (olasılık) elde edilir; yani modelin kedi veya köpek olduğu olasılığını tahmin etmesi.
Eğitilmiş AI modelleri, farklı görevleri yerine getirmek için çeşitli uygulamalara daha fazla entegre edilebilir. Bu örnekte, kedi ve köpek sınıflandırma AI modeli, kullanıcıların kedi veya köpek resimlerini yükleyerek sınıflandırma sonuçlarını alabileceği bir mobil uygulamaya entegre edilebilir.
Ancak, merkezi AI geliştirme süreci aşağıdaki senaryolarda bazı sorunlar içermektedir:
Kullanıcı gizliliği: Merkezileşmiş senaryolarda, 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 veri (örneğin tıbbi veriler) edinirken, verilerin açık kaynak olmaması gibi sınırlamalarla karşılaşabilir.
Model seçimi ve ayarlaması: Küçük ekipler için belirli alanlarda 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 harcadıkları emekle doğru orantılı bir gelir elde edemezken, AI geliştiricilerinin araştırma sonuçları da talep gören alıcılarla eşleşmekte zorluk çekmektedir.
Merkezi AI sahnesindeki zorluklar, Web3 ile bir araya gelerek aşılabilir. Web3, yeni bir üretim ilişkisi olarak, doğal olarak yeni üretkenliği temsil eden AI ile uyum sağlar ve böylece teknoloji ve üretkenlikte eş zamanlı bir ilerlemeyi teşvik eder.
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 sunarak Web2 dönemindeki AI kullanıcılarından katılımcılara dönüşmelerini sağlar ve herkesin sahip olabileceği AI'lar yaratır. Aynı zamanda, Web3 dünyası ile AI teknolojisinin birleşimi daha fazla yenilikçi uygulama senaryosu ve oyun biçimleri ortaya çıkarabilir.
Web3 teknolojisi temelinde, AI'nin geliştirilmesi ve uygulanması yeni bir iş birliği ekonomisi sistemi ile karşılaşacak. İnsanların veri gizliliği güvence altına alınabilir, veri toplama modeli AI modellerinin ilerlemesini teşvik eder, birçok açık kaynaklı AI kaynağı kullanıcılar için mevcut olup, paylaşılan hesaplama gücü düşük maliyetle elde edilebilir. Merkezi olmayan iş birliği toplama mekanizması ve açık AI pazarı sayesinde adil bir gelir dağılımı sistemi sağlanabilir, bu da daha fazla insanı AI teknolojisinin ilerlemesini teşvik etmeye motive eder.
Web3 senaryolarında, AI birden fazla alanda olumlu etkiler yaratabilir. Örneğin, AI modelleri akıllı sözleşmelere entegre edilebilir ve pazar analizi, güvenlik denetimi, sosyal kümeleme gibi çeşitli uygulama senaryolarında çalışma verimliliğini artırabilir. Üretken AI, kullanıcıların AI teknolojisiyle kendi NFT'lerini yaratma gibi "sanatçı" rolünü deneyimlemelerini sağlamakla kalmaz, aynı zamanda GameFi'de zengin ve çeşitli oyun senaryoları ve ilginç etkileşim deneyimleri de yaratabilir. Zengin altyapı, AI uzmanları veya AI alanına girmek isteyen yeni başlayanlar için sorunsuz bir geliştirme deneyimi sunar ve bu dünyada uygun bir giriş bulabilirler.
İki, Web3-AI Ekosistem Proje Haritası ve Yapı Analizi
Web3-AI alanındaki 41 projeyi inceleyerek bu projeleri farklı seviyelere ayırdık. Her seviyenin sınıflandırma mantığı aşağıdaki gibi olup, altyapı katmanı, ara katman ve uygulama katmanı içerir ve her katman farklı bölümlere ayrılmıştır. Bir sonraki bölümde, bazı temsilci projeleri derinlikli olarak analiz edeceğiz.
Altyapı katmanı, tüm AI yaşam döngüsü boyunca çalışan hesaplama kaynakları ve teknoloji mimarisini kapsarken, ara katman altyapı ile uygulamalar arasında veri yönetimi, model geliştirme ve doğrulama çıkarım hizmetlerini içerir, uygulama katmanı ise doğrudan kullanıcılara yönelik çeşitli uygulama ve çözümlere odaklanmaktadır.
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 sağlayarak etkili 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 sunar; bu projelere örnek olarak IO.NET ve Hyperbolic gösterilebilir. Ayrıca, bazı projeler yeni oyun şekilleri geliştirmiştir; örneğin Compute Labs, kullanıcıların GPU varlıklarını temsil eden NFT'ler satın alarak farklı şekillerde hesaplama gücü kiralamak suretiyle gelir elde etmelerine olanak tanıyan tokenizasyon protokolünü önermiştir.
AI Chain: Blockchain'ı AI yaşam döngüsünün temeli olarak kullanarak, zincir üzerindeki ve dışındaki AI kaynaklarının kesintisiz etkileşimini sağlayarak endüstri ekosisteminin gelişimini destekler. Zincir üzerindeki merkeziyetsiz AI pazarı, veri, model, ajan gibi AI varlıklarının ticaretini yapabilir ve AI geliştirme çerçevesi ile birlikte geliştirme araçları sunar; temsilci projeler arasında Sahara AI yer alır. AI Chain ayrıca farklı alanlarda AI teknolojisinin ilerlemesini teşvik edebilir; Bittensor, farklı AI türlerinin alt ağ rekabetini teşvik etmek için yenilikçi bir alt ağ teşvik mekanizması kullanır.
Geliştirme platformu: Bazı projeler AI ajanı geliştirme platformları sunar ve AI ajanlarının ticaretini gerçekleştirebilir, örneğin Fetch.ai ve ChainML gibi. Tek duraklı araçlar, geliştiricilerin AI modellerini daha kolay bir şekilde oluşturmasına, eğitmesine ve dağıtmasına yardımcı olur; temsilci projeler arasında Nimble bulunmaktadır. Bu altyapılar, AI teknolojisinin Web3 ekosistemindeki yaygın uygulamalarını teşvik etmektedir.
Ara katman:
Bu katman, AI verileri, modelleri ve çıkarım ile doğrulamayı içerir; Web3 teknolojisi kullanılarak daha yüksek iş verimliliği sağlanabilir.
Buna ek olarak, bazı platformlar alan uzmanlarının veya sıradan kullanıcıların veri ön işleme görevlerini yerine getirmesine olanak tanır; bu görevler, finansal ve hukuksal konularda uzmanlık bilgisi gerektiren veri işleme gerektirebilir. Kullanıcılar, becerilerini tokenleştirerek veri ön işleme için işbirliği yapabilirler. Örneğin, Sahara AI gibi AI pazarları, farklı alanlardaki veri görevlerini içerebilir ve çok çeşitli veri senaryolarını kapsayabilir; AIT Protocol ise verileri insan-makine işbirliğiyle etiketler.
Bazı projeler, kullanıcıların farklı türde modeller sağlamalarına veya model eğitimi için kitle kaynaklı işbirliği yapmalarına destek verir. Örneğin, Sentient modüler tasarımı sayesinde kullanıcıların güvenilir model verilerini depolama katmanında ve dağıtım katmanında model optimizasyonu için yerleştirmelerine olanak tanır. Sahara AI'nın sunduğu geliştirme araçları, yerleşik gelişmiş AI algoritmaları ve hesaplama çerçeveleriyle birlikte gelir ve işbirlikçi eğitim yeteneğine sahiptir.
Uygulama katmanı:
Bu katman esasen kullanıcıya 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 alandaki projeler ele alınmıştır.