Web3-AI Yarış Alanı Panorama: Teknik Mantık, Uygulama Senaryoları ve Üst Düzey Projelerin Analizi

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

AI anlatımının sürekli yükselmesiyle birlikte, bu alana yönelik ilgi giderek artıyor. Web3-AI alanındaki teknik mantık, uygulama senaryoları ve temsilci projeler derinlemesine analiz edilerek, bu alanın panoraması ve gelişim trendleri kapsamlı bir şekilde sunuluyor.

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

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

Geçen yıl, AI anlatımı Web3 sektöründe olağanüstü popülerdi ve AI projeleri birbiri ardına ortaya çıktı. Birçok proje AI teknolojisini içeriyor olsa da, bazı projeler yalnızca ürünlerinin belirli bölümlerinde 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 yazının odak noktası, üretim ilişkileri sorunlarını çözmek için blok zincirini kullanmak ve üretkenlik sorunlarını çözmek için AI projeleridir. Bu projeler, kendileri AI ürünleri sunarken, üretim ilişkileri aracı olarak Web3 ekonomik modeline dayanmaktadır ve her ikisi birbirini tamamlamaktadır. Bu tür projeleri Web3-AI alanına sınıflandırıyoruz. Okuyucunun Web3-AI alanını daha iyi anlaması için, AI geliştirme sürecini ve zorluklarını tanıtacak ve Web3 ile AI'nın nasıl mükemmel bir şekilde sorunları çözdüğünü ve yeni uygulama senaryoları yarattığını açıklayacağız.

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 tekniktir. Bu teknoloji, bilgisayarların dil çevirisi, görüntü sınıflandırma, yüz tanıma, otonom sürüş gibi çeşitli karmaşık görevleri yerine getirmesini sağlar ve 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 iyileştirme, model eğitimi ve çıkarım. Basit bir örnek vermek gerekirse, kediler ve köpekler görüntülerinin sınıflandırılması için bir model geliştirmek istiyorsanız, şunları yapmanız gerekir:

1. Veri toplama ve veri ön işleme: Kedi ve köpek içeren bir görüntü veri seti toplayın, 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 ayırın.

2. Model Seçimi ve Ayarı: Görüntü sınıflandırma görevleri için uygun bir model seçmek, örneğin, Konvolüsyonel Sinir Ağı (CNN) kullanmak. Farklı gereksinimlere göre model parametrelerini veya mimarisini ayarlamak, genellikle modelin ağ katmanları, AI görevlerinin karmaşıklığına göre ayarlanabilir. Bu basit sınıflandırma örneğinde, daha yüzeysel 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 gücünden etkilenir.

4. Model Çıkarımı: Eğitilmiş model dosyalarına genellikle model ağırlıkları denir, çıkarım süreci, eğitilmiş bir modelin yeni veriler üzerinde tahmin veya sınıflandırma yapmak için kullanılması anlamına gelir. Bu süreçte modelin sınıflandırma performansını test etmek için genellikle test seti veya yeni veriler kullanılır ve modelin etkinliğini değerlendirmek için genellikle doğruluk, hatırlama oranı, F1-skoru gibi metrikler kullanılır.

Şekilde gösterildiği gibi, veri toplama ve veri ön işleme, model seçimi ve ayarlaması ile eğitim sonrası, eğitimli modelin test setinde çıkarım yapması, kedi ve köpek için tahmin değerleri P (olasılık) elde edilir; bu, modelin kedi veya köpek olma olasılığını çıkarır.

Eğitilmiş AI modelleri, çeşitli uygulamalara entegre edilebilir ve farklı görevleri yerine getirebilir. Bu örnekte, kedi ve köpek sınıflandırma AI modeli bir mobil uygulamaya entegre edilebilir; kullanıcı kedi veya köpek resimlerini yüklediğinde, sınıflandırma sonucunu alabilir.

Ancak, merkezi 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 edinimi: Küçük ekipler veya bireyler, belirli bir alandaki verileri (örneğin tıbbi veriler) edinirken, verilerin açık kaynak olmaması gibi kısıtlamalarla karşılaşabilir.

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

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 emeğe uygun bir gelir elde edemezken, yapay zeka geliştiricilerinin araştırma sonuçları da talep eden alıcılarla eşleşmekte zorluk çekmektedir.

Merkezi AI sahnesindeki zorluklar, Web3 ile birleştirilerek aşılabilir. Web3, yeni bir üretim ilişkisi olarak, doğal olarak yeni üretkenliği temsil eden AI ile uyumlu olup, teknoloji ve üretim kapasitesinin aynı anda ilerlemesini sağlayabilir.

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

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

Web3 teknolojisi temelinde, AI'nın geliştirilmesi ve uygulanması yeni bir işbirliği ekonomi sistemi ile karşılaşacak. İnsanların veri gizliliği güvence altına alınabilir, veri kalabalıklaştırma modeli AI modellerinin ilerlemesini teşvik eder, birçok açık kaynaklı AI kaynağı kullanıcıların kullanımına sunulur ve paylaşılan hesaplama gücü düşük maliyetle elde edilebilir. Merkeziyetsiz işbirliği kalabalıklaştırma mekanizması ve açık AI pazarı sayesinde, adil bir gelir dağıtım sistemi oluşturulabilir ve bu da daha fazla insanın AI teknolojisinin ilerlemesini teşvik etmesini teşvik eder.

Web3 sahnesinde, AI birden fazla alanda olumlu etkiler yaratabilir. Örneğin, AI modelleri akıllı sözleşmelere entegre edilebilir ve farklı uygulama senaryolarında iş verimliliğini artırabilir; piyasa analizi, güvenlik testi, sosyal kümeleme gibi çeşitli işlevlerde kullanılabilir. Üretken AI, kullanıcıların "sanatçı" rolünü deneyimlemelerini sağlar; örneğin, AI teknolojisi kullanarak kendi NFT'lerini oluşturabilirler. Ayrıca, 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 projeleri haritası ve mimari analizi

Web3-AI alanındaki 41 projeyi temel aldık ve bu projeleri farklı katmanlara ayırdık. Her bir katmanın ayırma mantığı aşağıdaki gibi olup, altyapı katmanı, ara katman ve uygulama katmanı içerir; her bir katman ise farklı bölümlere ayrılmıştır. Bir sonraki bölümde, bazı temsilci projeleri derinlikli bir şekilde analiz edeceğiz.

Altyapı katmanı, AI yaşam döngüsünün çalışmasını destekleyen hesaplama kaynakları ve teknik mimarileri kapsar, orta katman ise altyapıyı uygulamalarla bağlayan veri yönetimi, model geliştirme ve doğrulama akıl yürütme hizmetlerini içerir. Uygulama katmanı ise doğrudan kullanıcılara yönelik çeşitli uygulama ve çözümlere odaklanır.

Altyapı katmanı:

Altyapı katmanı, AI yaşam döngüsünün temelidir. Bu yazıda, hesaplama gücü, AI Zinciri ve geliştirme platformu altyapı katmanına dahil edilmektedir. 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 dağıtılmış hesaplama gücü sağlayarak, verimli ve ekonomik hesaplama kaynaklarının kullanımını garanti eder. Bazı projeler, kullanıcıların düşük maliyetle hesaplama gücü kiralayabileceği veya hesaplama gücünü paylaşarak gelir elde edebileceği merkeziyetsiz hesaplama gücü pazarları sunmaktadır; bu projelerden bazıları IO.NET ve Hyperbolic'tir. Ayrıca, bazı projeler yeni oyun mekanikleri geliştirmiştir; örneğin, Compute Labs, kullanıcıların GPU varlıklarını temsil eden NFT'leri satın alarak hesaplama gücü kiralamaya farklı şekillerde katılmalarını sağlayan tokenleştirilmiş bir protokol önermiştir.

• AI Zinciri: Blockchain'i AI yaşam döngüsünün temeli olarak kullanarak, zincir içi ve zincir dışı AI kaynaklarının sorunsuz 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 ilgili geliştirme araçlarını sunar. Temsilci projeler arasında Sahara AI bulunmaktadır. AI Zinciri, Bittensor'un yenilikçi alt ağ teşvik mekanizması aracılığıyla farklı AI türlerinin alt ağ rekabetini teşvik etmesi gibi, farklı alanlarda AI teknolojisinin ilerlemesini de destekleyebilir.

• Geliştirme platformu: Bazı projeler AI ajanları geliştirme platformu sunmakta ve Fetch.ai ve ChainML gibi AI ajanlarının ticaretini gerçekleştirebilmektedir. Tek durak araçları, 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 kullanımını teşvik etmektedir.

Orta katman:

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

• Veriler: Verilerin kalitesi ve miktarı, model eğitiminin etkinliğini etkileyen anahtar faktörlerdir. Web3 dünyasında, kitle kaynaklı veriler ve işbirlikçi veri işleme ile kaynak kullanımı optimize edilebilir ve veri maliyetleri azaltılabilir. Kullanıcılar, gizlilik koruma altında kendi verilerini satma hakkına sahip olabilir, böylece verilerin kötü niyetli satıcılar tarafından çalınıp yüksek karlar elde edilmesinden kaçınabilirler. Veri talep edenler için bu platformlar geniş bir seçim ve son derece düşük maliyetler sunar. Grass gibi projeler, kullanıcıların bant genişliğini kullanarak Web verilerini toplar, xData ise kullanıcı dostu eklentileri aracılığıyla medya bilgilerini toplar ve kullanıcıların tweet bilgilerini yüklemesini destekler.

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 görevlerini içerebilir. Kullanıcılar becerilerini tokenleştirerek veri ön işlemede işbirliği yapabilirler. Örneğin, Sahara AI gibi AI pazarları, farklı alanlardaki veri görevlerini içerebilir ve çok çeşitli veri senaryolarını kapsayabilir; AIT Protocol ise insan-makine işbirliği yoluyla 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 yer alır, nesne tespiti görevleri için Yolo serisi tercih edilebilir, metin tabanlı görevlerde ise yaygın olarak RNN, Transformer gibi modeller bulunmaktadır; elbette bazı belirli veya genel büyük modeller de mevcuttur. Farklı karmaşıklıkta görevlerin ihtiyaç duyduğu model derinliği de farklılık göstermektedir, bazen modelin ayarlanması gerekebilir.

Bazı projeler, kullanıcıların farklı türde modeller sağlamasına veya kalabalık kaynaklı yöntemlerle model eğitimi yapmasına imkan tanır. Örneğin, Sentient, kullanıcıların güvenilir model verilerini depolama ve dağıtım katmanlarında tutarak model optimizasyonu yapmalarına olanak tanıyan modüler tasarımı ile dikkat çekmektedir. Sahara AI'nin sunduğu geliştirme araçları, yerleşik ileri düzey AI algoritmaları ve hesaplama çerçeveleri ile birlikte, işbirlikçi eğitim yeteneğine sahiptir.

• Çıkarım ve doğrulama: Model eğitildikten sonra model ağırlık dosyaları üretebilir, bu dosyalar doğrudan sınıflandırma, tahmin veya diğer belirli görevler için kullanılabilir, bu sürece çıkarım denir. Çıkarım süreci genellikle çıkarım modelinin kaynağının doğru olup olmadığını, kötü niyetli davranışların olup olmadığını doğrulamak için bir doğrulama mekanizması ile birlikte gelir. Web3'teki çıkarım genellikle akıllı sözleşmelere entegre edilebilir, modeli çağırarak çıkarım yapılmasını sağlar, yaygın doğrulama yöntemleri arasında ZKML, OPML ve TEE gibi teknolojiler bulunmaktadır. Temsilci projeler arasında ORA zincirindeki AI oracle (OAO) yer almakta olup, OPML'i AI oracle'ın doğrulanabilir katmanı olarak tanıtmaktadır. ORA'nın resmi web sitesinde ZKML ve opp/ai (ZKML'in OPML ile birleşimi) üzerine yaptıkları araştırmalara da değinilmektedir.

Uygulama katmanı:

Bu katman esasen kullanıcıya doğrudan hitap eden uygulamalardır ve AI ile Web3'ü birleştirerek daha ilginç ve yenilikçi oyun tarzları yaratmaktadır. Bu makalede AIGC (AI Üretilen İçerik), AI ajanları ve veri analizi gibi birkaç alandaki projeler ele alınmıştır.

• AIGC: AIGC ile genişletilebilir.