Web3-AI Yarış Alanı Panorama Raporu: Teknolojik Mantık, Senaryo Uygulamaları ve Üst Düzey Projelerin Derinlik Analizi
AI anlatımının devam eden yükselişi ile birlikte, bu alana giderek artan bir dikkat yoğunlaşmaktadır. Bu makalede, Web3-AI alanının teknik mantığı, uygulama senaryoları ve temsilci projeleri derinlemesine analiz edilerek, bu alanın panoramasını ve gelişim trendlerini kapsamlı bir şekilde sunulmaktadır.
1. Web3-AI: Teknik Mantık ve Yeni Pazar Fırsatlarının Analizi
1.1 Web3 ve AI'nın birleşim mantığı: Web-AI alanı nasıl tanımlanır
Son bir yıl içinde, AI anlatımı Web3 sektöründe olağanüstü popülerlik kazandı, AI projeleri birer birer ortaya çıktı. Birçok proje AI teknolojisini kapsasa da, bazı projeler yalnızca ürünlerinin belirli kısımlarında AI kullanıyor, temel token ekonomisi ile AI ürünleri arasında anlamlı bir ilişki yok, bu nedenle bu tür projeler bu makalede Web3-AI projeleri tartışmasına dahil edilmemektedir.
Bu makalenin odak noktası, blockchain kullanarak üretim ilişkileri problemlerini çözmek ve AI ile üretkenlik sorunlarını ele alan projelerdir. Bu projeler kendileri AI ürünleri sunar ve aynı zamanda üretim ilişkileri aracı olarak Web3 ekonomik modeline dayanır; ikisi birbirini tamamlar. Bu tür projeleri Web3-AI alanına sınıflandırıyoruz. Okuyucuların Web3-AI alanını daha iyi anlaması için, AI'nın geliştirme sürecini ve zorluklarını, ayrıca Web3 ve AI'nın nasıl mükemmel bir şekilde bir araya gelerek 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 artırmasını sağlayan bir tekniktir. Bu teknoloji, bilgisayarların dil çevirisi, görüntü sınıflandırması, yüz tanıma, otonom sürüş gibi çeşitli karmaşık görevleri yerine getirmesine olanak tanır; yapay zeka yaşam ve çalışma şeklimizi değiştirmektedir.
Yapay zeka modeli geliştirmenin 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 resimlerini sınıflandırmak için bir model geliştirmek istiyorsanız şunları yapmanız gerekir:
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 görüntüyü kategoriye (kedi veya köpek) etiketleyin, 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 bir model seçin, örneğin, konvolüsyonel sinir ağları (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 sığ bir ağ derinliği 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: Eğitimli model dosyaları genellikle model ağırlıkları olarak adlandırılır, çıkarım süreci, eğitilmiş 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, hatırlama oranı, F1-skora gibi metrikler kullanılır.
Görüldüğü gibi, veri toplama ve veri ön işleme, model seçimi ve ayarlama ile eğitim sonrasında, eğitimli modelin test kümesi üzerinde çıkarım yapılması, kedi ve köpek için tahmin değerleri P (olasılık) elde edecektir; bu, modelin kedi veya köpek olma olasılığını çıkardığı anlamına gelir.
Eğitilmiş AI modelleri, farklı görevleri yerine getirmek için çeşitli uygulamalara 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 yapıda AI geliştirme süreci aşağıdaki senaryolarda bazı sorunlar bulunmaktadır:
Kullanıcı gizliliği: Merkeziyetsiz senaryolarda, AI'nın 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 verilere (örneğin tıbbi veriler) erişim sağlarken, verilerin açık kaynak olmaması gibi sınırlamalarla karşılaşabilir.
Model seçimi ve ayarlaması: Küçük ekipler için belirli bir alanda model kaynaklarına erişmek veya model ayarlaması için büyük maliyetler harcamak zor.
Hesaplama gücü elde etme: Bireysel geliştiriciler ve küçük ekipler için yüksek GPU satın alma maliyetleri ve bulut hesaplama gücü kiralama ücretleri önemli bir ekonomik yük oluşturabilir.
AI varlık gelirleri: Veri etiketleme çalışanları genellikle harcadıkları emekle orantılı bir gelir elde edemezken, AI geliştiricilerinin araştırma sonuçları da talep eden alıcılarla eşleşmekte zorlanmaktadır.
Merkezi AI senaryolarında var olan zorluklar, Web3 ile birleşerek aşılabilir. Web3, yeni bir üretim ilişkisi olarak, doğal olarak yeni üretkenliği temsil eden AI ile uyumlu olup, böylece teknoloji ve üretim kapasitesinin aynı anda ilerlemesini teşvik eder.
1.3 Web3 ve AI'nın işbirliği etkisi: Rol değişimi ve yenilikçi uygulamalar
Web3 ve AI'nin birleşimi, kullanıcı egemenliğini artırabilir, kullanıcılara açık bir AI işbirliği platformu sunarak, kullanıcıların Web2 döneminin AI kullanıcılarından katılımcılara dönüşmesini sağlar ve herkesin sahip olabileceği AI yaratır. Aynı zamanda, Web3 dünyası ile AI teknolojisinin entegrasyonu, daha fazla yenilikçi uygulama senaryosu ve oyun tarzı ortaya çıkarabilir.
Web3 teknolojisine dayalı olarak, AI'nın geliştirilmesi ve uygulanması yeni bir işbirliği ekonomisi sistemine girecektir. İnsanların veri gizliliği güvence altına alınabilir, veri kalabalık kaynak kullanımı modeli AI modellerinin ilerlemesini teşvik eder, birçok açık kaynaklı AI kaynağı kullanıcıların kullanımına sunulmaktadır ve paylaşılan hesaplama gücü daha düşük maliyetle elde edilebilir. Merkeziyetsiz işbirliği kalabalık kaynak mekanizması ve açık AI pazarı sayesinde adil bir gelir dağıtım sistemi gerçekleştirilebilir, bu da daha fazla insanı AI teknolojisinin ilerlemesini teşvik etmeye teşvik eder.
Web3 ortamında, AI birden fazla alanda olumlu etkiler yaratabilir. Örneğin, AI modelleri akıllı sözleşmelere entegre edilebilir ve piyasa analizi, güvenlik testi, sosyal kümeleme gibi çeşitli uygulama senaryolarında verimliliği artırabilir. Üretken AI, kullanıcıların AI teknolojisi kullanarak kendi NFT'lerini oluşturması gibi "sanatçı" rolünü deneyimlemelerini sağlarken, GameFi'de zengin ve çeşitli oyun senaryoları ile eğlenceli 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 seviyelere ayırdık. Her bir seviyenin ayrım mantığı aşağıdaki görselde gösterilmiştir; altyapı seviyesi, orta seviye ve uygulama seviyesi olmak üzere, her bir seviye de farklı bölümlere ayrılmıştır. 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, altyapıyla uygulama arasında veri yönetimi, model geliştirme ve doğrulama çıkarım hizmetlerini içerir. Uygulama katmanı ise doğrudan kullanıcıya yönelik çeşitli uygulama ve çözümlere odaklanmaktadır.
Altyapı katmanı:
Altyapı katmanı, AI yaşam döngüsünün temelidir. Bu yazıda hesaplama gücü, AI Zinciri ve geliştirme platformu altyapı katmanına dahil edilmiştir. İşte bu altyapıların desteği sayesinde AI modellerinin eğitimi ve çıkarımı gerçekleştirilebilir ve güçlü, pratik AI uygulamaları kullanıcılara sunulabilir.
Merkeziyetsiz hesaplama ağı: AI model eğitimi için dağıtılmış hesaplama gücü sağlayabilir ve verimli ve ekonomik hesaplama kaynakları kullanımını güvence altına alır. Bazı projeler, kullanıcıların düşük maliyetle hesaplama gücü kiralayabileceği veya hesaplama gücü paylaşarak kazanç elde edebileceği merkeziyetsiz hesaplama gücü pazarları sunmuştur; bu projeler arasında IO.NET ve Hyperbolic gibi temsilciler bulunmaktadır. Ayrıca, Compute Labs gibi bazı projeler yeni oyun biçimlerini ortaya çıkarmıştır; kullanıcılar, GPU varlıklarını temsil eden NFT'leri satın alarak hesaplama gücü kiralama sürecine farklı şekillerde katılabilir ve kazanç elde edebilirler.
AI Zinciri: Blockchain'i AI yaşam döngüsünün temeli olarak kullanarak, çevrimiçi ve çevrimdışı AI kaynaklarının sorunsuz etkileşimini sağlamak ve endüstri ekosisteminin gelişimini teşvik etmek. Zincir üzerindeki merkeziyetsiz AI pazarı, veri, model, ajan gibi AI varlıklarının ticaretine imkan tanır ve AI geliştirme çerçevesi ile ilgili geliştirme araçları sunar, temsilci projeler arasında Sahara AI bulunmaktadır. AI Zinciri ayrıca farklı alanlarda AI teknolojilerinin ilerlemesini teşvik edebilir, örneğin Bittensor, farklı AI türlerinin alt ağ rekabetini teşvik etmek için yenilikçi alt ağ teşvik mekanizmalarını kullanır.
Geliştirme Platformu: Bazı projeler AI ajan geliştirme platformları sunmakta ve Fetch.ai ve ChainML gibi AI ajanlarının ticaretini gerçekleştirmektedir. 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 kullanımını teşvik etmektedir.
Ara Katman:
Bu katman, AI verileri, modelleri, çıkarım ve doğrulama ile ilgilidir ve Web3 teknolojisi kullanılarak daha yüksek çalışma verimliliği sağlanabilir.
Veri: Verinin kalitesi ve miktarı, modelin eğitim performansını etkileyen kritik faktörlerdir. Web3 dünyasında, topluluk tabanlı veri ve işbirlikçi veri işleme aracılığıyla kaynak kullanımı optimize edilebilir ve veri maliyetleri düşürülebilir. Kullanıcılar, veri gizliliğini koruyarak kendi verilerini satma hakkına sahip olabilirler ve kötü niyetli işletmelerin verileri çalmasını ve yüksek kar elde etmesini önleyebilirler. Veri talep edenler için bu platformlar geniş bir seçenek sunmakta ve son derece düşük maliyet sağlamaktadır. Grass gibi projeler, kullanıcıların bant genişliğini kullanarak Web verilerini toplarken, xData kullanıcı dostu eklentiler aracılığıyla medya bilgilerini toplamakta ve kullanıcıların tweet bilgilerini yüklemelerine olanak tanımaktadır.
Ayrıca, bazı platformlar alan uzmanlarının veya sıradan kullanıcıların veri ön işleme görevlerini yerine getirmesine olanak tanır, örneğin görüntü etiketleme, veri sınıflandırması gibi, bu görevler finansal ve hukuki konuların veri işlemesi gibi uzmanlık bilgisi gerektirebilir. Kullanıcılar becerilerini tokenleştirerek veri ön işleme için iş birliği yapabilirler. Örneğin, farklı alanlarda veri görevlerine sahip olan Sahara AI gibi AI pazarları, çok alanlı veri senaryolarını kapsayabilir; AIT Protokolü ise veri etiketlemesini insan-makine iş birliği ile gerçekleştirmektedir.
Model: Daha önce bahsedilen AI geliştirme sürecinde, farklı türdeki ihtiyaçların uygun modellere eşleştirilmesi gerekmektedir. Görüntü görevlerinde yaygın olarak kullanılan modeller arasında CNN, GAN gibi modeller yer alırken, nesne tespiti görevleri için Yolo serisi tercih edilebilir. Metin tabanlı görevlerde ise yaygın olarak RNN, Transformer gibi modeller bulunmaktadır; elbette bazı özel veya genel büyük modeller de mevcuttur. Farklı karmaşıklık düzeyindeki görevlerin ihtiyaç duyduğu model derinliği de farklıdır ve bazen modellerin ayarlanması gerekebilir.
Bazı projeler, kullanıcıların farklı türde modeller sağlamasına veya kalabalık kaynak kullanarak modelleri eğitmesine olanak tanır. Örneğin, Sentient, kullanıcıların güvenilir model verilerini depolama katmanında ve dağıtım katmanında model optimizasyonu için yerleştirmesine izin veren modüler bir tasarıma sahiptir. Sahara AI tarafından sunulan geliştirme araçları, gelişmiş AI algoritmaları ve hesaplama çerçeveleri ile donatılmıştır ve işbirlikçi eğitim yeteneğine sahiptir.
Çıkarım ve doğrulama: Model eğitimden sonra model ağırlık dosyaları üretecek şekilde eğitildiğinde, 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 davranışlar olup olmadığını doğrulamak için bir doğrulama mekanizması ile birlikte gelir. Web3'te çıkarım genellikle akıllı sözleşmelere entegre edilebilir, model çağrılarak çıkarım yapılır, yaygın doğrulama yöntemleri arasında ZKML, OPML ve TEE gibi teknikler bulunmaktadır. Temsilci projeler arasında ORA zincirindeki AI oracle (OAO) yer almaktadır, burada OPML'yi AI oracle'ın doğrulanabilir katmanı olarak tanıtmıştır, ORA'nın resmi web sitesinde ZKML ve opp/ai (ZKML ile OPML'in birleşimi) üzerine araştırmalarına da değinilmiştir.
Uygulama Katmanı:
Bu katman esasen kullanıcıya yönelik uygulamalardır ve AI ile Web3'ü birleştirerek daha fazla ilginç ve yenilikçi oyun biçimleri yaratır. Bu yazıda esasen AIGC (AI tarafından üretilen içerik), AI ajanları ve veri analizi gibi birkaç bölümdeki projeler ele alınmıştır.
AIGC: AIGC, Web3'te NFT, oyun gibi alanlara genişleyebilir, kullanıcılar Prompt (kullanıcının verdiği ipuçları) aracılığıyla metin, görüntü ve ses oluşturabilir, hatta oyun içinde kendi tercihleri doğrultusunda özelleştirilmiş oyun tarzları oluşturabilirler. NFPrompt gibi NFT projelerinde, kullanıcılar AI ile NFT oluşturarak piyasada ticaret yapabilirler; Sleepless gibi oyunlarda ise kullanıcılar, sanal partnerlerinin karakterini diyaloglar aracılığıyla şekillendirerek kendi tercihleriyle eşleştirebilirler;
AI Ajanı: Görevleri bağımsız bir şekilde yerine getirebilen ve kararlar alabilen yapay zeka sistemini ifade eder. AI ajanları genellikle algılama, akıl yürütme, öğrenme ve harekete geçme yeteneklerine sahip olup, çeşitli ortamlarda karmaşık görevleri yerine getirebilir. Yaygın AI ajanları arasında dil çevirisi gibi uygulamalar bulunmaktadır.
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.
6 Likes
Reward
6
4
Share
Comment
0/400
AirDropMissed
· 07-26 04:01
Yine beni yeni bir projeye yatırım yapmam için kandırmak istiyor, her seferinde biri sarı.
View OriginalReply0
CascadingDipBuyer
· 07-26 03:56
Aynı tas, aynı hamam, yine de Emiciler Tarafından Oyuna Getirilmek
View OriginalReply0
ImpermanentPhilosopher
· 07-26 03:54
ai'nin gerçek hayata geçişi gerçekten zor. Birçok proje sadece etiket yapıyor.
View OriginalReply0
AlwaysMissingTops
· 07-26 03:52
Yine enayileri oyuna getirdiler, çoğu AI projesi sadece tuzak ve kavram oynuyor.
Web3-AI alanı genel analizi: teknik mantık ve üst düzey projelerin derinlik analizi
Web3-AI Yarış Alanı Panorama Raporu: Teknolojik Mantık, Senaryo Uygulamaları ve Üst Düzey Projelerin Derinlik Analizi
AI anlatımının devam eden yükselişi ile birlikte, bu alana giderek artan bir dikkat yoğunlaşmaktadır. Bu makalede, Web3-AI alanının teknik mantığı, uygulama senaryoları ve temsilci projeleri derinlemesine analiz edilerek, bu alanın panoramasını ve gelişim trendlerini kapsamlı bir şekilde sunulmaktadır.
1. Web3-AI: Teknik Mantık ve Yeni Pazar Fırsatlarının Analizi
1.1 Web3 ve AI'nın birleşim mantığı: Web-AI alanı nasıl tanımlanır
Son bir yıl içinde, AI anlatımı Web3 sektöründe olağanüstü popülerlik kazandı, AI projeleri birer birer ortaya çıktı. Birçok proje AI teknolojisini kapsasa da, bazı projeler yalnızca ürünlerinin belirli kısımlarında AI kullanıyor, temel token ekonomisi ile AI ürünleri arasında anlamlı bir ilişki yok, bu nedenle bu tür projeler bu makalede Web3-AI projeleri tartışmasına dahil edilmemektedir.
Bu makalenin odak noktası, blockchain kullanarak üretim ilişkileri problemlerini çözmek ve AI ile üretkenlik sorunlarını ele alan projelerdir. Bu projeler kendileri AI ürünleri sunar ve aynı zamanda üretim ilişkileri aracı olarak Web3 ekonomik modeline dayanır; ikisi birbirini tamamlar. Bu tür projeleri Web3-AI alanına sınıflandırıyoruz. Okuyucuların Web3-AI alanını daha iyi anlaması için, AI'nın geliştirme sürecini ve zorluklarını, ayrıca Web3 ve AI'nın nasıl mükemmel bir şekilde bir araya gelerek 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 artırmasını sağlayan bir tekniktir. Bu teknoloji, bilgisayarların dil çevirisi, görüntü sınıflandırması, yüz tanıma, otonom sürüş gibi çeşitli karmaşık görevleri yerine getirmesine olanak tanır; yapay zeka yaşam ve çalışma şeklimizi değiştirmektedir.
Yapay zeka modeli geliştirmenin 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 resimlerini sınıflandırmak için bir model geliştirmek istiyorsanız şunları yapmanız gerekir:
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 görüntüyü kategoriye (kedi veya köpek) etiketleyin, 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 bir model seçin, örneğin, konvolüsyonel sinir ağları (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 sığ bir ağ derinliği 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: Eğitimli model dosyaları genellikle model ağırlıkları olarak adlandırılır, çıkarım süreci, eğitilmiş 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, hatırlama oranı, F1-skora gibi metrikler kullanılır.
Görüldüğü gibi, veri toplama ve veri ön işleme, model seçimi ve ayarlama ile eğitim sonrasında, eğitimli modelin test kümesi üzerinde çıkarım yapılması, kedi ve köpek için tahmin değerleri P (olasılık) elde edecektir; bu, modelin kedi veya köpek olma olasılığını çıkardığı anlamına gelir.
Eğitilmiş AI modelleri, farklı görevleri yerine getirmek için çeşitli uygulamalara 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 yapıda AI geliştirme süreci aşağıdaki senaryolarda bazı sorunlar bulunmaktadır:
Kullanıcı gizliliği: Merkeziyetsiz senaryolarda, AI'nın 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 verilere (örneğin tıbbi veriler) erişim sağlarken, verilerin açık kaynak olmaması gibi sınırlamalarla karşılaşabilir.
Model seçimi ve ayarlaması: Küçük ekipler için belirli bir alanda model kaynaklarına erişmek veya model ayarlaması için büyük maliyetler harcamak zor.
Hesaplama gücü elde etme: Bireysel geliştiriciler ve küçük ekipler için yüksek GPU satın alma maliyetleri ve bulut hesaplama gücü kiralama ücretleri önemli bir ekonomik yük oluşturabilir.
AI varlık gelirleri: Veri etiketleme çalışanları genellikle harcadıkları emekle orantılı bir gelir elde edemezken, AI geliştiricilerinin araştırma sonuçları da talep eden alıcılarla eşleşmekte zorlanmaktadır.
Merkezi AI senaryolarında var olan zorluklar, Web3 ile birleşerek aşılabilir. Web3, yeni bir üretim ilişkisi olarak, doğal olarak yeni üretkenliği temsil eden AI ile uyumlu olup, böylece teknoloji ve üretim kapasitesinin aynı anda ilerlemesini teşvik eder.
1.3 Web3 ve AI'nın işbirliği etkisi: Rol değişimi ve yenilikçi uygulamalar
Web3 ve AI'nin birleşimi, kullanıcı egemenliğini artırabilir, kullanıcılara açık bir AI işbirliği platformu sunarak, kullanıcıların Web2 döneminin AI kullanıcılarından katılımcılara dönüşmesini sağlar ve herkesin sahip olabileceği AI yaratır. Aynı zamanda, Web3 dünyası ile AI teknolojisinin entegrasyonu, daha fazla yenilikçi uygulama senaryosu ve oyun tarzı ortaya çıkarabilir.
Web3 teknolojisine dayalı olarak, AI'nın geliştirilmesi ve uygulanması yeni bir işbirliği ekonomisi sistemine girecektir. İnsanların veri gizliliği güvence altına alınabilir, veri kalabalık kaynak kullanımı modeli AI modellerinin ilerlemesini teşvik eder, birçok açık kaynaklı AI kaynağı kullanıcıların kullanımına sunulmaktadır ve paylaşılan hesaplama gücü daha düşük maliyetle elde edilebilir. Merkeziyetsiz işbirliği kalabalık kaynak mekanizması ve açık AI pazarı sayesinde adil bir gelir dağıtım sistemi gerçekleştirilebilir, bu da daha fazla insanı AI teknolojisinin ilerlemesini teşvik etmeye teşvik eder.
Web3 ortamında, AI birden fazla alanda olumlu etkiler yaratabilir. Örneğin, AI modelleri akıllı sözleşmelere entegre edilebilir ve piyasa analizi, güvenlik testi, sosyal kümeleme gibi çeşitli uygulama senaryolarında verimliliği artırabilir. Üretken AI, kullanıcıların AI teknolojisi kullanarak kendi NFT'lerini oluşturması gibi "sanatçı" rolünü deneyimlemelerini sağlarken, GameFi'de zengin ve çeşitli oyun senaryoları ile eğlenceli 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 seviyelere ayırdık. Her bir seviyenin ayrım mantığı aşağıdaki görselde gösterilmiştir; altyapı seviyesi, orta seviye ve uygulama seviyesi olmak üzere, her bir seviye de farklı bölümlere ayrılmıştır. 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, altyapıyla uygulama arasında veri yönetimi, model geliştirme ve doğrulama çıkarım hizmetlerini içerir. Uygulama katmanı ise doğrudan kullanıcıya yönelik çeşitli uygulama ve çözümlere odaklanmaktadır.
Altyapı katmanı:
Altyapı katmanı, AI yaşam döngüsünün temelidir. Bu yazıda hesaplama gücü, AI Zinciri ve geliştirme platformu altyapı katmanına dahil edilmiştir. İşte bu altyapıların desteği sayesinde AI modellerinin eğitimi ve çıkarımı gerçekleştirilebilir ve güçlü, pratik AI uygulamaları kullanıcılara sunulabilir.
Merkeziyetsiz hesaplama ağı: AI model eğitimi için dağıtılmış hesaplama gücü sağlayabilir ve verimli ve ekonomik hesaplama kaynakları kullanımını güvence altına alır. Bazı projeler, kullanıcıların düşük maliyetle hesaplama gücü kiralayabileceği veya hesaplama gücü paylaşarak kazanç elde edebileceği merkeziyetsiz hesaplama gücü pazarları sunmuştur; bu projeler arasında IO.NET ve Hyperbolic gibi temsilciler bulunmaktadır. Ayrıca, Compute Labs gibi bazı projeler yeni oyun biçimlerini ortaya çıkarmıştır; kullanıcılar, GPU varlıklarını temsil eden NFT'leri satın alarak hesaplama gücü kiralama sürecine farklı şekillerde katılabilir ve kazanç elde edebilirler.
AI Zinciri: Blockchain'i AI yaşam döngüsünün temeli olarak kullanarak, çevrimiçi ve çevrimdışı AI kaynaklarının sorunsuz etkileşimini sağlamak ve endüstri ekosisteminin gelişimini teşvik etmek. Zincir üzerindeki merkeziyetsiz AI pazarı, veri, model, ajan gibi AI varlıklarının ticaretine imkan tanır ve AI geliştirme çerçevesi ile ilgili geliştirme araçları sunar, temsilci projeler arasında Sahara AI bulunmaktadır. AI Zinciri ayrıca farklı alanlarda AI teknolojilerinin ilerlemesini teşvik edebilir, örneğin Bittensor, farklı AI türlerinin alt ağ rekabetini teşvik etmek için yenilikçi alt ağ teşvik mekanizmalarını kullanır.
Geliştirme Platformu: Bazı projeler AI ajan geliştirme platformları sunmakta ve Fetch.ai ve ChainML gibi AI ajanlarının ticaretini gerçekleştirmektedir. 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 kullanımını teşvik etmektedir.
Ara Katman:
Bu katman, AI verileri, modelleri, çıkarım ve doğrulama ile ilgilidir ve Web3 teknolojisi kullanılarak daha yüksek çalışma verimliliği sağlanabilir.
Ayrıca, bazı platformlar alan uzmanlarının veya sıradan kullanıcıların veri ön işleme görevlerini yerine getirmesine olanak tanır, örneğin görüntü etiketleme, veri sınıflandırması gibi, bu görevler finansal ve hukuki konuların veri işlemesi gibi uzmanlık bilgisi gerektirebilir. Kullanıcılar becerilerini tokenleştirerek veri ön işleme için iş birliği yapabilirler. Örneğin, farklı alanlarda veri görevlerine sahip olan Sahara AI gibi AI pazarları, çok alanlı veri senaryolarını kapsayabilir; AIT Protokolü ise veri etiketlemesini insan-makine iş birliği ile gerçekleştirmektedir.
Bazı projeler, kullanıcıların farklı türde modeller sağlamasına veya kalabalık kaynak kullanarak modelleri eğitmesine olanak tanır. Örneğin, Sentient, kullanıcıların güvenilir model verilerini depolama katmanında ve dağıtım katmanında model optimizasyonu için yerleştirmesine izin veren modüler bir tasarıma sahiptir. Sahara AI tarafından sunulan geliştirme araçları, gelişmiş AI algoritmaları ve hesaplama çerçeveleri ile donatılmıştır ve işbirlikçi eğitim yeteneğine sahiptir.
Uygulama Katmanı:
Bu katman esasen kullanıcıya yönelik uygulamalardır ve AI ile Web3'ü birleştirerek daha fazla ilginç ve yenilikçi oyun biçimleri yaratır. Bu yazıda esasen AIGC (AI tarafından üretilen içerik), AI ajanları ve veri analizi gibi birkaç bölümdeki projeler ele alınmıştır.
AIGC: AIGC, Web3'te NFT, oyun gibi alanlara genişleyebilir, kullanıcılar Prompt (kullanıcının verdiği ipuçları) aracılığıyla metin, görüntü ve ses oluşturabilir, hatta oyun içinde kendi tercihleri doğrultusunda özelleştirilmiş oyun tarzları oluşturabilirler. NFPrompt gibi NFT projelerinde, kullanıcılar AI ile NFT oluşturarak piyasada ticaret yapabilirler; Sleepless gibi oyunlarda ise kullanıcılar, sanal partnerlerinin karakterini diyaloglar aracılığıyla şekillendirerek kendi tercihleriyle eşleştirebilirler;
AI Ajanı: Görevleri bağımsız bir şekilde yerine getirebilen ve kararlar alabilen yapay zeka sistemini ifade eder. AI ajanları genellikle algılama, akıl yürütme, öğrenme ve harekete geçme yeteneklerine sahip olup, çeşitli ortamlarda karmaşık görevleri yerine getirebilir. Yaygın AI ajanları arasında dil çevirisi gibi uygulamalar bulunmaktadır.