Web3-AI Tüm Açıklama: Teknoloji Entegrasyonu, Senaryo Uygulamaları 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 ısınmasıyla birlikte, bu alana artan bir ilgi yoğunlaşmaktadır. Web3-AI alanındaki teknik mantık, uygulama senaryoları ve temsilci projeler derinlemesine analiz edilerek, bu alanın panoramasını ve gelişim trendlerini kapsamlı bir şekilde sunmaktadır.

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

1.1 Web3 ve AI'nin birleşim mantığı: Web-AI alanını nasıl tanımlayabiliriz

Geçtiğimiz yıl içinde, AI anlatımı Web3 sektöründe olağanüstü popüler hale geldi ve AI projeleri birbiri ardına ortaya çıktı. Birçok projenin AI teknolojisini içerdiği doğru olsa da, bazı projeler yalnızca ürünlerinin belirli kısımlarında AI kullanıyor ve temel token ekonomisinin AI ürünleriyle herhangi bir somut ilişkisi bulunmuyor, bu nedenle bu tür projeler bu yazıda Web3-AI projeleri tartışmasına dahil değildir.

Bu makalenin odak noktası, blockchain'in üretim ilişkileri sorunlarını çözmesi ve AI'ın üretkenlik sorunlarını çözmesi projeleri üzerinedir. Bu projeler, aynı zamanda AI ürünleri sunmakta ve üretim ilişkileri aracı olarak Web3 ekonomik modeli temel almaktadır; bu iki unsur birbiriyle tamamlayıcıdır. Bu tür projeleri Web3-AI alanına dahil ediyoruz. Okuyucuların Web3-AI alanını daha iyi anlamaları için, AI'ın geliştirme sürecini ve zorluklarını, ayrıca Web3 ile AI'ın 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

Yapay zeka teknolojisi, bilgisayarların insan zekasını simüle etmesini, genişletmesini ve geliştirmesini sağlayan bir teknolojidir. Bu teknoloji, bilgisayarlara dil çevirisi, görüntü sınıflandırması, yüz tanıma ve otonom sürüş gibi çeşitli karmaşık görevleri yerine getirme yeteneği kazandırmaktadır. Yapay zeka, yaşamımızı ve çalışma şeklimizi değiştirmektedir.

Yapay zeka modeli geliştirme süreci genellikle aşağıdaki birkaç temel adımı içerir: veri toplama ve veri ön işleme, model seçimi ve ayarlama, model eğitimi ve çıkarım. Basit bir örnek vermek gerekirse, kediler ve köpekler görüntülerinin sınıflandırılması için bir model geliştirmek istiyorsanız şunlara ihtiyacınız var:

1. Veri toplama ve veri ön işleme: Kedi ve köpek içeren bir resim veri seti toplayın, kamuya açık veri setlerini kullanabilir veya gerçek verileri kendiniz toplayabilirsiniz. Ardından, her bir görüntüye sınıf (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 İyileştirme: Uygun bir model seçin, örneğin, konvolüsyonel sinir ağı (CNN), görüntü sınıflandırma görevleri için oldukça uygundur. Farklı ihtiyaçlara göre model parametrelerini veya mimarisini iyileştirin, genellikle modelin ağ katmanları, AI görevlerinin karmaşıklığına göre ayarlanabilir. Bu basit sınıflandırma örneğinde, daha sığ bir ağ katmanı yeterli olabilir.

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

4. Model Çıkarımı: Eğitimden geçmiş model dosyalarına genellikle model ağırlıkları denir, çıkarım süreci, eğitimden geçmiş 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, geri çağırma, F1-skoru gibi ölçütler kullanılır.

Şekilde gösterildiği gibi, veri toplama ve veri ön işleme, model seçimi ve ayarlama ile eğitim gerçekleştirilerek, eğitilmiş model test kümesinde çıkarım yapıldığında, kedi ve köpek için tahmin değerleri P (olasılık) elde edilecektir; yani modelin kedi veya köpek olduğunu tahmin etme olasılığı.

Eğitilmiş AI modeli, farklı görevleri yerine getirmek için çeşitli uygulamalara entegre edilebilir. Bu örnekte, kedi ve köpek sınıflandırma AI modeli, kullanıcıların kedi veya köpek resimlerini yükleyerek sınıflandırma sonuçlarını alabilecekleri bir mobil uygulamaya entegre edilebilir.

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

Kullanıcı Gizliliği: Merkezi bir ortamda, AI 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) elde ederken, verilerin açık kaynak olmaması gibi kısıtlamalarla karşılaşabilirler.

Model Seçimi ve Ayarlama: Küçük ekipler için belirli bir alanda model kaynaklarına erişmek veya model ayarlamaları yapmak 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 harcadıklarıyla örtüşen bir gelir elde edemezken, yapay zeka geliştiricilerinin araştırma sonuçları da talep eden alıcılarla eşleşmekte zorlanmaktadır.

Merkezi AI alanında var olan 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 üretim kapasitesinin eş zamanlı ilerlemesini teşvik eder.

1.3 Web3 ve AI'nın İşbirliği Etkisi: Rol Değişimi ve Yenilikçi Uygulamalar

Web3 ve AI'nin birleşimi, kullanıcı egemenliğini artırabilir, kullanıcılara açık bir AI işbirliği platformu sunarak Web2 döneminin AI kullanıcılarından katılımcılara dönüşmelerini sağlar ve herkesin sahip olabileceği AI'lar yaratır. Aynı zamanda, Web3 dünyası ile AI teknolojisinin entegrasyonu daha fazla yenilikçi uygulama senaryoları ve oyunlar ortaya çıkarabilir.

Web3 teknolojisi temelinde, AI'nın geliştirilmesi ve uygulanması yeni bir işbirliği ekonomisi sistemine girecektir. İnsanların veri gizliliği korunabilir, veri kalabalıklaştırma modeli AI modellerinin ilerlemesini teşvik eder, birçok açık kaynaklı AI kaynağı kullanıcıların kullanımına sunulur ve paylaşılan hesaplama gücü daha düşük maliyetle elde edilebilir. Merkezi olmayan işbirliği kalabalıklaştırma mekanizması ve açık AI pazarı sayesinde adil bir gelir dağıtım sistemi oluşturulabilir ve böylece daha fazla insanın AI teknolojisinin ilerlemesini teşvik etmesi teşvik edilir.

Web3 senaryosunda, AI birçok alanda olumlu etki yaratabilir. Örneğin, AI modelleri akıllı sözleşmelere entegre edilebilir ve farklı uygulama senaryolarında iş verimliliğini artırabilir; piyasa analizi, güvenlik testi, sosyal kümelenme gibi çeşitli işlevler sunabilir. Üretken AI, kullanıcıların "sanatçı" rolünü deneyimlemelerini sağlar; örneğin, AI teknolojisini kullanarak kendi NFT'lerini oluşturabilirler. Ayrıca GameFi'da zengin ve çeşitli oyun senaryoları ile ilginç etkileşim deneyimleri yaratabilir. Zengin altyapı, hem AI uzmanları hem de AI alanına girmek isteyen acemiler için sorunsuz bir geliştirme deneyimi sunar ve bu dünyada uygun bir giriş noktası bulmalarını sağlar.

İki, Web3-AI ekosistem projeleri haritası ve mimari analizi

Web3-AI alanında 41 projeyi inceledik ve bu projeleri farklı katmanlara ayırdık. Her bir katmanın ayrım mantığı aşağıdaki şekilde gösterilmiştir; altyapı katmanı, ara katman ve uygulama katmanı olmak üzere üçe ayrılmakta ve her katman kendi içinde farklı bölümlere ayrılmaktadır. Bir sonraki bölümde, bazı temsilci projeleri derinlikli bir şekilde analiz edeceğiz.

Altyapı katmanı, tüm AI yaşam döngüsünü destekleyen hesaplama kaynakları ve teknik mimarileri kapsar, orta katman ise altyapıyı ve uygulamayı bağlayan veri yönetimi, model geliştirme ve doğrulama çıkarım hizmetlerini içerir, uygulama katmanı ise doğrudan kullanıcıya yönelik çeşitli uygulama ve çözümlere odaklanır.

Altyapı katmanı:

Altyapı katmanı, AI yaşam döngüsünün temelidir. Bu yazıda, hesaplama gücü, AI Zinciri ve geliştirme platformu altyapı katmanı olarak sınıflandırılmıştır. İşte bu altyapıların desteği sayesinde, AI modellerinin eğitimi ve çıkarımı gerçekleştirilebilmekte ve güçlü, pratik AI uygulamaları kullanıcılara sunulabilmektedir.

• Dağıtık hesaplama ağı: AI model eğitimine dağıtık hesaplama gücü sağlayarak verimli ve ekonomik bir kaynak kullanımını garanti eder. Bazı projeler, kullanıcılara düşük maliyetle hesaplama gücü kiralama veya paylaşarak gelir elde etme imkanı sunan merkeziyetsiz hesaplama gücü pazarları sağlamaktadır; bu projeler arasında IO.NET ve Hyperbolic bulunmaktadır. Ayrıca, bazı projeler yeni oyunlaştırma yöntemleri geliştirmiştir; örneğin, Compute Labs, kullanıcıların GPU varlıklarını temsil eden NFT'leri satın alarak farklı şekillerde hesaplama gücü kiralama yoluyla gelir elde etmelerini sağlayan tokenleşme protokolünü önermektedir.

• AI Zinciri: Blok zincirini AI yaşam döngüsünün temeli olarak kullanarak, zincir üstü ve zincir dışı AI kaynaklarının kesintisiz etkileşimini sağlamakta ve endüstri ekosisteminin gelişimini teşvik etmektedir. Zincir üzerindeki merkeziyetsiz AI pazarı, veri, model, temsilci gibi AI varlıklarının ticaretini yapabilir ve AI geliştirme çerçevesi ile destekleyici geliştirme araçları sunabilir; projeler arasında Sahara AI gibi temsilciler bulunmaktadır. AI Zinciri ayrıca Bittensor'un yenilikçi alt ağ teşvik mekanizması aracılığıyla farklı AI türlerinin alt ağ rekabetini teşvik etmesi gibi farklı alanlardaki AI teknolojisinin ilerlemesini de destekleyebilir.

• Geliştirme platformu: Bazı projeler AI ajanları geliştirme platformları sunmakta, ayrıca Fetch.ai ve ChainML gibi AI ajanlarının ticaretini gerçekleştirebilmektedir. Geliştiricilerin AI modellerini daha kolay bir şekilde oluşturup, eğitip ve dağıtmasını sağlayan hepsi bir arada araçlar, Nimble gibi projeleri temsil etmektedir. Bu altyapılar, AI teknolojisinin Web3 ekosistemindeki geniş uygulamalarını teşvik etmektedir.

Orta 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 eğitim sonuçlarını etkileyen başlıca faktörlerdir. Web3 dünyasında, kitle kaynaklı veriler ve işbirlikçi veri işleme ile kaynak kullanımı optimize edilebilir ve veri maliyetleri azaltılabilir. Kullanıcılar, mahremiyet koruması altında kendi verilerini satma hakkına sahip olabilir, böylece verilerin kötü niyetli satıcılar tarafından çalınması ve yüksek kar elde edilmesi önlenir. Veri talep edenler için bu platformlar geniş bir seçenek ve son derece düşük maliyetler sunar. Temsilci projeler arasında Grass, kullanıcı bant genişliğini kullanarak Web verilerini toplarken, xData kullanıcı dostu eklentiler aracılığıyla medya bilgilerini toplar ve kullanıcıların tweet bilgilerini yüklemesine destek olur.

Ayrıca, bazı platformlar alan uzmanlarının veya sıradan kullanıcıların veri ön işleme görevlerini gerçekleştirmelerine olanak tanır; bu görevler, finansal ve hukuki konularda uzmanlık gerektiren veri işleme gerektirebilir. Kullanıcılar, becerilerini tokenleştirerek veri ön işleme için işbirliği yapabilirler. Örneğin, farklı alanlardaki veri görevlerini kapsayan Sahara AI gibi AI pazarları, çok çeşitli veri senaryolarını kapsayabilir; AIT Protocol ise insan-makine işbirliği ile verileri etiketler.

• Model: Daha önce bahsedilen AI geliştirme sürecinde, farklı türdeki ihtiyaçların uygun modellerle eşleştirilmesi gerekir. Görüntü görevlerinde yaygın olarak kullanılan modeller arasında CNN ve GAN bulunur; nesne tespiti görevleri için Yolo serisi tercih edilebilirken, metin tabanlı görevlerde yaygın olarak RNN, Transformer gibi modeller kullanılır. Elbette, bazı özel veya genel büyük modeller de vardır. Farklı karmaşıklıkta görevlerin ihtiyaç duyduğu model derinliği de farklılık gösterir; bazen model ayarlaması yapmak gerekebilir.

Bazı projeler, kullanıcıların farklı türde modeller sağlamasına veya kitle kaynaklı bir şekilde model eğitimi yapmasına olanak tanır; örneğin, Sentient modüler tasarımı sayesinde kullanıcıların güvenilir model verilerini depolama ve dağıtım katmanlarında model optimizasyonu için yerleştirmelerine izin verir. Sahara AI tarafından sunulan geliştirme araçları, gelişmiş AI algoritmaları ve hesaplama çerçevelerini yerleşik olarak sunar 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 ve kötü niyetli davranışlar gibi unsurları doğrulamak için bir doğrulama mekanizması ile birlikte gelir. Web3'teki 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), AI oracle'ının doğrulanabilir katmanı olarak OPML'yi tanıtmaktadır; ORA'nın resmi web sitesinde ZKML ve opp/ai (ZKML ile OPML'in birleşimi) üzerine yaptıkları araştırmalara da yer verilmiştir.

Uygulama Katmanı:

Bu katman esas olarak kullanıcıya doğrudan hitap eden uygulamalardır; AI ile Web3'ü birleştirerek daha fazla ilginç ve yenilikçi oyun biçimleri yaratmaktadır. Bu makalede esas olarak AIGC (AI Üretilen İçerik), AI ajanları ve veri analizi gibi birkaç alanın projeleri ele alınmıştır.

• AIGC: AIGC ile genişletilebilir.