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

AI anlatımının sürekli ısınmasıyla birlikte, bu alana olan ilgi giderek artmaktadır. Bu makale, Web3-AI alanının teknik mantığını, uygulama senaryolarını ve temsilci projelerini derinlemesine analiz ederek, bu alandaki panorama ve gelişim eğilimlerini kapsamlı bir şekilde sunmaktadır.

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

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

Geçtiğimiz yıl, AI anlatımı Web3 sektöründe olağanüstü bir şekilde popüler hale geldi, AI projeleri birbiri ardına ortaya çıkmaya başladı. Birçok proje AI teknolojisini içeriyor olsa da, bazı projeler yalnızca ürünlerinin belirli bölümlerinde AI kullanıyor, temel token ekonomisi ile AI ürünleri arasında gerçek bir ilişki bulunmamakta, bu nedenle bu tür projeler bu makalede Web3-AI projeleri tartışması kapsamına girmemektedir.

Bu metnin odak noktası, üretim ilişkileri sorunlarını çözmek için blok zinciri kullanmak ve üretkenlik sorunlarını çözmek için AI projeleri ile ilgilidir. Bu projeler kendileri AI ürünleri sunarken, aynı zamanda üretim ilişkileri aracı olarak Web3 ekonomi modeline dayanmaktadır; her ikisi birbirini tamamlamaktadır. Bu tür projeleri Web3-AI alanına sınıflandırıyoruz. Okuyucuların Web3-AI alanını daha iyi anlamaları için, AI'nın geliştirme süreci ve zorlukları ile Web3 ve AI'nın nasıl mükemmel bir şekilde sorunları çözebileceği ve yeni uygulama senaryoları yaratabileceği hakkında bilgi vereceğiz.

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

Yapay zeka teknolojisi, bilgisayarların insan zekasını simüle etmesine, genişletmesine ve artırmasına olanak tanıyan bir teknolojidir. Bu teknoloji, bilgisayarların dil çevirisi, görüntü sınıflandırması, yüz tanıma ve otonom sürüş gibi çeşitli karmaşık görevleri yerine getirmesine olanak tanır. Yapay zeka, yaşam ve çalışma şeklimizi değiştiriyor.

Yapay zeka modeli geliştirme süreci genellikle aşağıdaki birkaç anahtar adımı içerir: veri toplama ve veri ön işleme, model seçimi ve ayarlama, model eğitimi ve çıkarım. Basit bir örnek vermek gerekirse, kediler ve köpekler görsellerini 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 veya kendi gerçek verilerinizi kullanabilirsiniz. Ardından, her bir görüntü için 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.

2. Model Seçimi ve Ayarı: Görüntü sınıflandırma görevleri için uygun bir model seçmek, örneğin konvolüsyonel sinir ağı (CNN) en uygun olanıdır. Farklı gereksinimlere göre model parametrelerini veya mimarisini ayarlamak, genellikle modelin ağ derinliği, AI görevlerinin karmaşıklığına göre ayarlanabilir. Bu basit sınıflandırma örneğinde, daha yüzeysel bir ağ derinliği yeterli olabilir.

3. Model Eğitimi: GPU, TPU veya yüksek performanslı hesaplama kümeleri kullanarak model eğitimi yapılabilir, eğitim süresi modelin karmaşıklığına ve hesaplama gücüne bağlıdır.

4. Model Çıkarımı: Modelin eğitilmiş dosyaları genellikle model ağırlıkları olarak adlandırılır, çıkarım süreci, eğitilmiş bir modeli yeni veriler üzerinde tahmin yapmak 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.

Veri toplama ve veri ön işleme, model seçimi ve ayarlama ile eğitim sonrası, eğitilen modelin test kümesinde çıkarım yapılması, kedi ve köpek için tahmin değerlerini P (olasılık) verecektir; yani modelin kedi veya köpek olduğunu tahmin etme olasılığı.

Eğitilmiş AI modeli, farklı görevleri yerine getirmek için çeşitli uygulamalara daha fazla entegre edilebilir. Bu örnekte, kedi ve köpek sınıflandırma AI modeli bir mobil uygulamaya entegre edilebilir, kullanıcılar kedi veya köpek resimlerini yüklediğinde sınıflandırma sonuçlarını alabilir.

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

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 kısıtlaması ile karşılaşabilir.

Model seçimi ve ayarlama: Küçük ekipler için belirli bir alandaki model kaynaklarına erişmek veya model ayarlamak için büyük maliyetler harcamak zor olabilir.

Hashrate elde etme: Bireysel geliştiriciler ve küçük ekipler için, yüksek GPU satın alma maliyetleri ve bulut hesaplama kiralama ücretleri önemli bir ekonomik yük oluşturabilir.

Yapay Zeka Varlık Geliri: Veri etiketleme çalışanları genellikle harcadıkları çabaya uygun bir gelir elde edemezken, yapay zeka geliştiricilerinin araştırma sonuçları da talep eden alıcılarla eşleştirilmesi zor olmaktadır.

Merkezi AI sahnesinde var olan zorluklar, Web3 ile birleştirilerek 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 işbirliği etkisi: Rol değişimi ve yenilikçi uygulamalar

Web3 ve AI 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 birleşimi, daha fazla yenilikçi uygulama senaryosu ve oyun şekli ortaya çıkarabilir.

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

Web3 sahnesinde, AI birden fazla alanda olumlu etkiler yaratabilir. Örneğin, AI modelleri akıllı sözleşmelere entegre edilerek, piyasa analizi, güvenlik testleri, sosyal kümeleme gibi farklı uygulama senaryolarında iş verimliliğini artırabilir. Üretken AI, kullanıcıların "sanatçı" rolünü deneyimlemelerini sağlarken, AI teknolojisini kullanarak kendi NFT'lerini oluşturmalarına da olanak tanır. Ayrıca, GameFi'de zengin ve çeşitli oyun sahneleri ile eğlenceli etkileşim deneyimleri yaratabilir. Zengin altyapılar, hem AI uzmanları hem de AI alanına girmek isteyen acemiler için bu dünyada uygun bir giriş noktası bulmalarını sağlayarak pürüzsüz bir geliştirme deneyimi sunar.

İki, Web3-AI Ekosistem Proje Haritası ve Yapı Analizi

Web3-AI alanındaki 41 projeyi inceledik ve bu projeleri farklı katmanlara ayırdık. Her bir katmanın ayrım mantığı aşağıdaki gibi olup, altyapı katmanı, orta katman ve uygulama katmanı içermektedir; her bir katman da 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 mimariyi kapsar, orta katman ise altyapı ile uygulamalar arasında 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 temelini oluşturur. 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, verimli ve ekonomik hesaplama kaynaklarının kullanımını güvence altına alır. Bazı projeler merkeziyetsiz hesaplama gücü pazarları sunarak, kullanıcıların düşük maliyetle hesaplama gücü kiralamasına veya hesaplama gücünü paylaşarak kazanç elde etmesine olanak tanır; bu projelere örnek olarak IO.NET ve Hyperbolic gösterilebilir. Ayrıca, Compute Labs gibi bazı projeler yeni oyun tarzları geliştirmiştir; bu projeler, kullanıcıların GPU varlıklarını temsil eden NFT'leri satın alarak hesaplama gücü kiralamak için farklı yollarla kazanç elde etmelerini sağlayan tokenizasyon protokolleri önermektedir.

• AI Zinciri: Blockchain'i AI yaşam döngüsünün temeli olarak kullanarak, zincir üstü ve zincir altı AI kaynaklarının sorunsuz etkileşimini sağlar ve endüstri ekosisteminin gelişimini teşvik eder. Zincir üzerindeki merkeziyetsiz AI pazarı, veri, model, ajan gibi AI varlıklarının ticaretini yapabilir ve AI geliştirme çerçevesi ile ilgili geliştirme araçları sunar, temsilci projeler arasında Sahara AI bulunmaktadır. AI Zinciri ayrıca farklı alanlardaki AI teknolojilerinin ilerlemesini de teşvik edebilir; örneğin, Bittensor, farklı AI türlerinin alt ağ rekabetini teşvik etmek için yenilikçi alt ağ teşvik mekanizması kullanmaktadır.

• Geliştirme platformu: Bazı projeler AI ajanları geliştirme platformları sunmakta ve Fetch.ai ve ChainML gibi AI ajanlarının ticaretini gerçekleştirmektedir. Tek durak araçları, geliştiricilerin AI modellerini daha kolay bir şekilde oluşturmasına, eğitmesine ve dağıtmasına yardımcı olmaktadır; bu projelere örnek olarak Nimble gösterilebilir. Bu altyapılar, AI teknolojisinin Web3 ekosisteminde geniş bir şekilde uygulanmasını teşvik etmektedir.

Orta katman:

Bu katman, AI verileri, modelleri ve akıl yürütme ile doğrulamayı içerir; Web3 teknolojisi kullanılarak daha yüksek bir çalışma verimliliği elde edilebilir.

• Veriler: Verilerin kalitesi ve miktarı, model eğitimi üzerindeki etkileyen ana faktörlerdir. Web3 dünyasında, kitle kaynaklı veriler ve işbirlikçi veri işleme yoluyla, kaynak kullanımı optimize edilebilir ve veri maliyetleri düşürülebilir. Kullanıcılar, gizlilik 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. Grass gibi projeler, kullanıcı bant genişliğini kullanarak web verilerini toplar, xData ise kullanıcı dostu eklentiler aracılığıyla medya bilgilerini toplar ve kullanıcıların tweet bilgilerini yüklemelerine destek olur.

Ayrıca, bazı platformlar alan uzmanlarının veya sıradan kullanıcıların veri ön işleme görevlerini gerçekleştirmesine izin veriyor; bu görevler, finans ve hukuk gibi uzmanlık bilgisi gerektiren veri işleme görevlerini içerebilir. Kullanıcılar, becerilerini tokenleştirerek veri ön işleme için işbirliği yapabilirler. Sahara AI gibi AI pazarları, farklı alanlardaki veri görevlerini temsil ederek çok çeşitli veri senaryolarını kapsayabilir; AIT Protocolt ise veri etiketlemesi için insan-makine işbirliği yöntemini kullanıyor.

• Model: Daha önce bahsedilen AI geliştirme sürecinde, farklı türdeki ihtiyaçların uygun bir modele eşleştirilmesi gerekmektedir. Görüntü görevleri için yaygın olarak kullanılan modeller arasında CNN ve GAN bulunmaktadır; nesne tespiti görevleri için Yolo serisi tercih edilebilir; metin tabanlı görevler için ise RNN, Transformer gibi modeller yaygındır. Tabii ki, bazı belirli veya genel büyük modeller de mevcuttur. Farklı karmaşıklıkta görevlerin gerektirdiği model derinliği de farklıdır ve bazen model üzerinde ayarlama yapılması gerekebilir.

Bazı projeler, kullanıcıların farklı türde modeller sunmasına veya toplu olarak model eğitimi yapmasına destek verir. Örneğin, Sentient, kullanıcıların güvenilir model verilerini depolama katmanında ve dağıtım katmanında yerleştirerek model optimizasyonu yapmalarına olanak tanıyan modüler bir tasarım sunar. Sahara AI tarafından sağlanan geliştirme araçları, yerleşik ileri düzey AI algoritmaları ve hesaplama çerçeveleri ile birlikte gelir ve işbirliği ile eğitim yapma yeteneğine sahiptir.

• Çıkarım ve doğrulama: Model eğitildikten sonra model ağırlık dosyaları oluşturur, bu dosyalar doğrudan sınıflandırma, tahmin veya diğer belirli görevler için kullanılabilir; bu işleme çıkarım denir. Çıkarım süreci genellikle çıkarım modelinin kaynağının doğru olup olmadığını, kötü niyetli davranışlar olup olmadığını doğrulamak için bir doğrulama mekanizması ile birlikte gelir. Web3'teki çıkarım genellikle akıllı sözleşmelere entegre edilebilir, modelin çıkarım yapılması için çağrılması yoluyla, yaygın doğrulama yöntemleri arasında ZKML, OPML ve TEE gibi teknolojiler yer alır. Temsilci projelerden biri olan ORA zincirindeki AI oracle'ı (OAO), AI oracle'ının doğrulanabilir katmanı olarak OPML'yi tanıtmaktadır; ORA'nın resmi web sitesinde ayrıca ZKML ve opp/ai (ZKML'nin OPML ile birleşimi) konusundaki araştırmalarından da bahsedilmiştir.

Uygulama katmanı:

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

• AIGC: AIGC ile Web3'te NFT, oyun gibi alanlara genişleyebilirsiniz, kullanıcılar doğrudan Prompt (kullanıcı tarafından verilen ipucu) ile metin, görüntü ve ses üretebilir, hatta oyun içinde kendi tercihlerine göre içerik oluşturabilir.