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

AI anlatımının sürekli ısınmasıyla birlikte, bu alana daha fazla ilgi odaklanmaktadır. Web3-AI alanının teknik mantığı, uygulama senaryoları ve temsilci projeleri derinlemesine analiz edildi, bu alandaki panorama ve gelişim trendlerini size kapsamlı bir şekilde sunmak için.

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

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

Son bir yıl içinde, AI anlatımı Web3 endüstrisinde olağanüstü popüler hale geldi ve AI projeleri birbiri ardına ortaya çıktı. Birçok projenin AI teknolojisini içerdiği doğru olsa da, bazı projeler yalnızca ürünlerinin belirli bölümlerinde AI kullanmaktadır; temel token ekonomisi ile AI ürünleri arasında herhangi bir somut ilişki yoktur, 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 olan projelerdir. Bu projeler kendileri AI ürünleri sunmakta ve aynı zamanda üretim ilişkileri aracı olarak Web3 ekonomik modeline dayanmaktadır; her ikisi de birbirini tamamlamaktadır. Bu tür projeleri Web3-AI alanına sınıflandırıyoruz. Okuyucuların Web3-AI alanını daha iyi anlaması için, AI geliştirme süreci ve zorlukları ile Web3 ve AI birleşiminin sorunları nasıl mükemmel bir şekilde çözdüğünü ve yeni uygulama senaryoları yarattığını tanıtacağız.

1.2 AI geliştirme süreci ve zorlukları: veri toplama sürecinden model çıkarımına

Yapay zeka teknolojisi, bilgisayarların insan zekasını simüle etmesini, genişletmesini ve güçlendirmesini sağlayan bir teknolojidir. Bu teknoloji, bilgisayarların dil çevirisi, görüntü sınıflandırması, yüz tanıma ve otonom sürüş gibi çeşitli karmaşık görevleri yerine getirmesine olanak tanır; yapay zeka hayatımızı ve çalışma şeklimizi değiştirmektedir.

Yapay zeka modeli geliştirme süreci genellikle aşağıdaki birkaç önemli adımı içerir: veri toplama ve veri ön işleme, model seçimi ve ayarlama, model eğitimi ve çıkarım. Basit bir örnek vermek gerekirse, kediler ve köpekler resimlerini sınıflandırmak için bir model geliştirmek istiyorsanız, 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. Daha sonra 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 Ayarlama: Uygun modeli 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: Modeli eğitmek için GPU, TPU veya yüksek performanslı hesaplama kümeleri kullanılabilir, eğitim süresi modelin karmaşıklığı ve hesaplama gücünden etkilenir.

4. Model Çıkarımı: Modelin eğitildiği dosyalara genellikle model ağırlıkları denir. Çıkarım süreci, eğitilmiş bir modelin yeni veriler üzerinde tahmin veya sınıflandırma yapma sürecidir. Bu süreçte, modelin sınıflandırma etkinliğini test etmek için test seti veya yeni veriler kullanılabilir ve genellikle modelin etkinliğini değerlendirmek için doğruluk, hatırlama oranı, F1-skoru gibi ölçütler kullanılır.

Görüldüğü gibi, veri toplama ve veri ön işleme, model seçimi ve ayarlama ile eğitim sonrası, eğitimli modeli test kümesinde çalıştırarak kedi ve köpek için tahmin değerleri P (olasılık) elde edilir; yani modelin kedi ya da köpek olduğu olasılığını tahmin etmesi.

Eğitilmiş AI modelleri, çeşitli uygulamalara entegre edilerek farklı görevleri yerine getirebilir. Bu örnekte, kedi ve köpek sınıflandırma AI modeli, kullanıcıların kedi veya köpek resimlerini yükleyerek sınıflandırma sonuçlarını alabileceği bir mobil uygulamaya entegre edilebilir.

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

Kullanıcı Gizliliği: Merkezileşmiş senaryolarda, 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 alandaki verileri (örneğin tıbbi veriler) edinirken, verilerin açık kaynak olmaması sınırlamasıyla karşılaşabilir.

Model Seçimi ve İyileştirme: Küçük ekipler için belirli bir alanda model kaynaklarına erişmek veya model iyileştirmeye 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 emeğe uygun gelir elde edemezken, AI geliştiricilerinin araştırma sonuçları da talep eden alıcılarla eşleşmekte zorluk çekmektedir.

Merkeziyetsiz AI sahnesinde var olan zorluklar, Web3 ile birleşim yoluyla 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, kullanıcıların egemenliğini artırabilir, kullanıcılara açık bir AI işbirliği platformu sunarak, kullanıcıların Web2 döneminin AI kullanıcılarından katılımcılara dönüşmesine olanak tanır ve herkesin sahip olabileceği AI'lar yaratır. Aynı zamanda, Web3 dünyası ile AI teknolojisinin entegrasyonu, daha fazla yenilikçi uygulama senaryosu ve oyun tarzlarının ortaya çıkmasına da olanak tanır.

Web3 teknolojisine dayalı olarak, yapay zekanın geliştirilmesi ve uygulanması, yeni bir işbirlikçi ekonomik sistemin habercisi olacaktır. İnsanların veri gizliliği garanti edilebilir, veri kitle kaynak kullanımı modeli yapay zeka modellerinin ilerlemesini teşvik eder, birçok açık kaynaklı yapay zeka kaynağı kullanıcılara sunulur ve paylaşılan bilgi işlem gücü daha düşük bir maliyetle elde edilebilir. Merkezi olmayan bir işbirlikçi kitle kaynak kullanımı mekanizması ve açık bir yapay zeka pazarının yardımıyla, daha fazla insanı yapay zeka teknolojisini ilerletmeye teşvik edebilecek adil bir gelir dağıtım sistemi elde edilebilir.

Web3 sahnesinde, AI birden fazla alanda olumlu etkiler yaratabilir. Örneğin, AI modelleri akıllı sözleşmelere entegre edilerek, piyasa analizi, güvenlik denetimi, sosyal kümeleme gibi çeşitli uygulama senaryolarında çalışma verimliliğini artırabilir. Üretken AI, kullanıcıların "sanatçı" rolünü deneyimlemelerini sağlarken, AI teknolojisini kullanarak kendi NFT'lerini oluşturmalarına da olanak tanır. Aynı zamanda GameFi içinde zengin ve çeşitli oyun sahneleri ile 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 Yapı Analizi

Web3-AI alanında 41 projeyi inceledik ve bu projeleri farklı katmanlara ayırdık. Her bir katmanın ayrım mantığı aşağıdaki gibi, altyapı katmanı, ara katman ve uygulama katmanı olarak üçe ayrılmakta ve her katman farklı bölümlere ayrılmaktadır. Bir sonraki bölümde, bazı temsil niteliği taşıyan projeleri derinlikli bir şekilde analiz edeceğiz.

Altyapı katmanı, tüm AI yaşam döngüsünün çalışmasını destekleyen hesaplama kaynakları ve teknik mimarileri kapsar, orta katman ise altyapı ile uygulamaları 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 makalede, hesaplama gücü, AI Zinciri ve geliştirme platformu altyapı katmanına sınıflandırılmıştır. İşte bu altyapı 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 sağlayabilir, etkin ve ekonomik hesaplama kaynaklarının kullanımını güvence altına alır. Bazı projeler, kullanıcıların düşük maliyetle hesaplama gücü kiralayabileceği veya hesaplama gücünü paylaşarak kazanç elde edebileceği merkeziyetsiz hesaplama gücü pazarları sunmaktadır; bu projelere örnek olarak IO.NET ve Hyperbolic gösterilebilir. Ayrıca, bazı projeler yeni oyun şekilleri geliştirmiştir; Compute Labs gibi, kullanıcıların GPU varlıklarını temsil eden NFT'leri satın alarak çeşitli şekillerde hesaplama gücü kiralama yoluyla kazanç elde edebileceği tokenleştirilmiş protokoller önermektedir.

• AI Chain: Blockchain'ı, AI yaşam döngüsünün temeli olarak kullanarak, zincir üstü ve zincir dışı AI kaynaklarının sorunsuz etkileşimini sağlamakta ve sektör ekosisteminin gelişimini teşvik etmektedir. Zincir üzerindeki merkeziyetsiz AI pazarı, veri, model, ajan gibi AI varlıklarının ticaretini yapabilir ve AI geliştirme çerçevesi ve ilgili geliştirme araçları sunmaktadır; temsilci projeler arasında Sahara AI bulunmaktadır. AI Chain ayrıca, Bittensor'un yenilikçi alt ağ teşvik mekanizması aracılığıyla farklı AI türleri arasında rekabeti teşvik etmesi gibi, farklı alanlardaki AI teknolojilerinin ilerlemesini de destekleyebilir.

• Geliştirme platformu: Bazı projeler AI ajan geliştirme platformları sunmakta, ayrıca Fetch.ai ve ChainML gibi AI ajanlarının ticaretini de gerçekleştirebilmektedir. Tek duraklı araçlar, geliştiricilerin AI modellerini daha kolay bir şekilde oluşturup, eğitip ve dağıtmalarına yardımcı olmaktadır, örnek 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 içermektedir ve Web3 teknolojisi kullanılarak daha yüksek çalışma verimliliği sağlanabilir.

• Veriler: Verilerin kalitesi ve miktarı, model eğitiminin etkisini etkileyen anahtar faktörlerdir. Web3 dünyasında, kalabalık kaynaklı veriler ve işbirlikçi veri işleme ile kaynak kullanımı optimize edilebilir ve veri maliyetleri azaltılabilir. Kullanıcılar, gizlilik koruması altında kendi verilerini satma yetkisine sahip olabilirler, böylece verilerin kötü niyetli satıcılar tarafından çalınmasını ve yüksek kârlar elde edilmesini önleyebilirler. Veri talep edenler için bu platformlar geniş seçenekler ve son derece düşük maliyetler sunmaktadır. Grass gibi projeler, kullanıcı bant genişliğini kullanarak Web verilerini toplarken, xData kullanıcı dostu eklentileri aracılığıyla medya bilgilerini toplar ve kullanıcıların tweet bilgilerini yüklemelerini destekler.

Ayrıca, bazı platformlar alan uzmanlarının veya sıradan kullanıcıların veri ön işleme görevlerini yerine getirmesine izin vermektedir. Bu görevler, finansal ve hukuki konularda uzmanlık gerektiren veri işleme görevlerini içerebilir. Kullanıcılar, becerilerini tokenleştirerek veri ön işleme için iş birliği yapabilirler. Örneğin, farklı alanlardaki veri görevlerine sahip olan Sahara AI gibi AI pazarları, çok çeşitli veri senaryolarını kapsayabilir; AIT Protocol ise veri etiketleme işlemini insan-makine iş birliği ile gerçekleştirmektedir.

• 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 tespit görevleri için Yolo serisi tercih edilebilir. Metin tabanlı görevlerde ise yaygın olarak RNN, Transformer gibi modeller kullanılmaktadır. Elbette belirli veya genel büyük modeller de mevcuttur. Farklı karmaşıklıklardaki görevlerin ihtiyaç duyduğu model derinliği de farklılık göstermektedir; bazen modelin ayarlanması gerekebilir.

Bazı projeler, kullanıcıların farklı türde modeller sunmasına veya kalabalık kaynak yöntemiyle işbirliği yaparak modelleri eğitmesine olanak tanır; örneğin, Sentient, kullanıcıların güvenilir model verilerini depolama katmanında ve dağıtım katmanında model optimizasyonu yapmak için yerleştirmesine olanak tanıyan modüler tasarımıyla dikkat çeker. Sahara AI tarafından sağlanan geliştirme araçları, yerleşik ileri düzey AI algoritmaları ve hesaplama çerçeveleri ile birlikte gelir ve işbirliği ile eğitme 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, kötü niyetli davranışların olup olmadığını doğrulamak için bir doğrulama mekanizması ile birlikte gelir. Web3'te çıkarım genellikle akıllı sözleşmelere entegre edilebilir, modelleri çağırarak çıkarım yapılabilir, yaygın doğrulama yöntemleri arasında ZKML, OPML ve TEE gibi teknolojiler bulunmaktadır. Temsilci projeler arasında ORA zincirindeki AI oracle (OAO), AI oracle'ın doğrulanabilir katmanı olarak OPML'i tanıtmaktadır, ORA'nın resmi web sitesinde ZKML ve opp/ai (ZKML'in OPML ile birleşimi) üzerine yaptıkları araştırmalara da yer verilmiştir.

Uygulama katmanı:

Bu katman esasen kullanıcıya yönelik uygulamalardır ve AI ile Web3'ü birleştirerek daha ilginç ve yenilikçi oyunlar yaratmaktadır. Bu yazıda, AIGC (AI tarafından üretilen içerik), AI ajanları ve veri analizi gibi birkaç alandaki projeler ele alınmıştır.

• AIGC：AIGC aracılığıyla