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

AI anlatımının devam eden yükselişi ile birlikte, bu alana artan bir ilgi 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.

I. Web3-AI: Teknolojik Mantık ve Yeni Pazar Fırsatlarının Analizi

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

Geçen yıl, AI anlatımı Web3 sektöründe olağanüstü bir popülarite kazandı ve AI projeleri yağmurdan sonra filizlenen mantarlar gibi ortaya çıktı. Birçok proje AI teknolojisini içerse de, bazı projeler yalnızca ürünlerinin belirli bölümlerinde AI kullanıyor, temel token ekonomisi ile AI ürünleri arasında gerçek bir ilişki bulunmamaktadır; bu nedenle bu tür projeler, bu yazıda Web3-AI projelerinin tartışma kapsamına girmemektedir.

Bu makalenin odak noktası, blok zincirinin üretim ilişkileri sorunlarını çözme ve AI'nın üretkenlik sorunlarını çözme projeleridir. Bu projeler kendileri AI ürünleri sunmakta ve Web3 ekonomik modeli çerçevesinde üretim ilişkileri aracı olarak işlev görmektedir; her ikisi de birbirini tamamlamaktadır. Bu tür projeleri Web3-AI alanına sınıflandırıyoruz. Okuyucuların Web3-AI alanını daha iyi anlamalarını sağlamak amacıyla, bu makalede AI'nın geliştirme süreci ve zorlukları ile Web3 ve AI'nın nasıl mükemmel bir şekilde sorunları çözdüğü ve yeni uygulama senaryoları yarattığı açıklanacaktır.

1.2 AI'nin geliştirilmesi 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 ve otonom sürüş gibi çeşitli karmaşık görevleri yerine getirmesini sağlar; yapay zeka, yaşamımızı ve çalışma şeklimizi değiştirmektedir.

Yapay zeka modeli geliştirme 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 görüntülerini 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. Sonra her bir görüntüye kategori (kedi veya köpek) etiketleyin, etiketlerin doğru olduğundan emin olun. Görüntüleri modelin tanıyabileceği bir formata dönüştürün ve veri setini eğitim seti, doğrulama seti ve test setine ayırın.

2. Model Seçimi ve Ayarlama: Uygun bir model seçin, örneğin, konvolüsyonel sinir ağı (CNN), görüntü sınıflandırma görevleri için daha uygundur. Farklı ihtiyaçlara göre model parametrelerini veya mimarisini ayarlayın, genel olarak, modelin ağ katmanları AI görevlerinin karmaşıklığına göre ayarlanabilir. Bu basit sınıflandırma örneğinde, daha sığ 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 kapasitesine bağlıdır.

4. Model Çıkarımı: Eğitilmiş model dosyaları genellikle model ağırlıkları olarak adlandırılır, çıkarım süreci, eğitilmiş bir modelin yeni veriler üzerinde tahmin veya sınıflandırma yapmak için kullanılmasıdır. Bu süreçte, modelin sınıflandırma performansını test etmek için test seti veya yeni veriler kullanılabilir, genellikle modelin etkinliğini değerlendirmek için doğruluk, geri çağırma, F1-skoru gibi göstergeler kullanılır.

Görselde gösterildiği gibi, veri toplama ve veri ön işleme, model seçimi ve ayarlaması ile eğitim sonrası, eğitilmiş modelin test setinde çıkarım yapılması, kedi ve köpek için tahmin değerlerini P (olasılık) elde edecektir; yani modelin kedi veya köpek olduğu olasılığını tahmin etmesi.

Eğitilmiş AI modelleri, çeşitli uygulamalara entegre edilerek farklı görevleri yerine getirebilir. Bu örnekte, kedi ve köpek sınıflandırma AI modeli bir mobil uygulamaya entegre edilebilir; kullanıcılar kedi veya köpek resimlerini yüklediğinde, sınıflandırma sonuçlarını alabilirler.

Ancak, merkezi AI geliştirme süreci aşağıdaki senaryolarda bazı sorunlar ortaya çıkarmaktadır:

Kullanıcı Gizliliği: Merkezi senaryolarda, AI'nin geliştirme süreci genellikle şeffaf değildir. Kullanıcı verileri, kullanıcının bilgisi olmadan çalınabilir ve AI eğitimi için kullanılabilir.

Veri kaynağı edinimi: Küçük ekipler veya bireyler belirli bir alandaki verileri (örneğin tıbbi verileri) elde ederken, verilerin açık kaynak olmaması kısıtlamasıyla karşılaşabilir.

Model seçimi ve ayarı: Küçük ekipler için belirli alanlardaki model kaynaklarını elde etmek veya model ayarlarına büyük maliyetler harcamak zor.

Hesaplama gücü edinimi: Bireysel geliştiriciler ve küçük ekipler için yüksek GPU satın alma maliyeti 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.

Merkezi AI sahnesinde var olan zorluklar, Web3 ile birleşimle aşılabilir. Web3, yeni bir üretim ilişkisi türü olarak, doğal olarak yeni üretkenliği temsil eden AI ile uyum sağlar ve böylece teknolojinin ve üretim kapasitesinin aynı anda ilerlemesini teşvik eder.

1.3 Web3 ve AI'nin İşbirliği 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 sağlayabilir ve herkesin sahip olabileceği AI'lar yaratabilir. Aynı zamanda, Web3 dünyası ile AI teknolojisinin entegrasyonu, daha fazla yenilikçi uygulama senaryoları ve oyun biçimleri ortaya çıkarabilir.

Web3 teknolojisi temelinde, AI'nın geliştirilmesi ve uygulanması yeni bir işbirliği ekonomi sistemiyle karşılaşacak. İnsanların veri gizliliği korunacak, veri toplama modeli AI modellerinin ilerlemesini teşvik edecek, kullanıcılara birçok açık kaynaklı AI kaynağı sunulacak ve paylaşılan hesaplama gücü daha düşük maliyetle elde edilebilecek. Merkeziyetsiz işbirliği toplama mekanizması ve açık AI pazarı sayesinde adil bir gelir dağıtım sistemi sağlanarak daha fazla insanın AI teknolojisinin ilerlemesini teşvik etmesi teşvik edilecektir.

Web3 ortamında, AI birden fazla alanda olumlu etkiler yaratabilir. Örneğin, AI modelleri akıllı sözleşmelere entegre edilerek, piyasa analizi, güvenlik denetimi, sosyal kümelenme gibi farklı uygulama senaryolarında çalışma verimliliğini artırabilir. Üretken AI, kullanıcılara "sanatçı" rolünü deneyimleme imkanı sunarak, AI teknolojisi ile kendi NFT'lerini yaratmalarına olanak tanırken, GameFi'de zengin ve çeşitli oyun sahneleri ile eğlenceli etkileşim deneyimleri yaratabilir. Zengin altyapı, AI uzmanları veya AI alanına girmek isteyen yeni başlayanlar için sorunsuz bir geliştirme deneyimi sunarak bu dünyada uygun bir giriş noktası bulmalarını sağlar.

İki, Web3-AI Ekosistem Proje Haritası ve Mimari Analizi

Web3-AI alanındaki 41 projeyi ana olarak inceledik ve bu projeleri farklı seviyelere ayırdık. Her bir seviyenin ayrım mantığı aşağıdaki gibi olup, altyapı katmanı, ara katman ve uygulama katmanı içerir; her bir katman ayrıca farklı bölümlere ayrılmaktadır. Bir sonraki bölümde, bazı temsil niteliğindeki projeleri derinlikli bir şekilde analiz edeceğiz.

Altyapı katmanı, tüm AI yaşam döngüsünün çalışmasını destekleyen hesaplama kaynakları ve teknik mimarileri kapsar; ara katman ise altyapı ile uygulamalar arasındaki 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 dahil edilmektedir. 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 dağıtık hesaplama gücü sağlayabilir, verimli ve ekonomik hesaplama kaynakları kullanımını garanti eder. Bazı projeler, kullanıcıların düşük maliyetle hesaplama gücü kiralayabileceği veya hesaplama gücü paylaşarak gelir elde edebileceği merkeziyetsiz hesaplama gücü pazarları sunmaktadır; temsilci projeler arasında IO.NET ve Hyperbolic bulunmaktadır. Ayrıca, bazı projeler yeni oyun tarzları geliştirmiştir; Compute Labs, kullanıcıların GPU varlıklarını temsil eden NFT'leri satın alarak hesaplama gücü kiralamaya farklı şekillerde katılabilecekleri tokenizasyon protokolünü önermiştir.

• AI Zinciri: Blockchain'i AI yaşam döngüsünün temeli olarak kullanarak, zincir içi ve zincir dışı AI kaynaklarının sorunsuz etkileşimini sağlayarak endüstri ekosisteminin gelişimini teşvik eder. Zincir üzerindeki merkeziyetsiz AI pazarı, veri, model, temsilci gibi AI varlıklarının ticaretini yapabilir ve AI geliştirme çerçevesi ile ilgili geliştirme araçları sağlar; projeler arasında Sahara AI gibi örnekler bulunmaktadır. AI Zinciri, Bittensor'un yenilikçi alt ağ teşvik mekanizması gibi farklı AI türleri arasında rekabeti teşvik ederek farklı alanlardaki AI teknolojilerinin ilerlemesini de destekleyebilir.

• Geliştirme platformu: Bazı projeler AI ajan geliştirme platformları sunarken, Fetch.ai ve ChainML gibi AI ajan ticareti de gerçekleştirebilmektedir. Geliştiricilerin AI modellerini daha kolay oluşturmasına, eğitmesine ve dağıtmasına yardımcı olan tek duraklı araçlar, Nimble gibi projeleri temsil etmektedir. Bu altyapılar, AI teknolojisinin Web3 ekosistemindeki geniş çapta uygulanmasını teşvik etmektedir.

Ara katman:

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

• Veriler: Verilerin kalitesi ve miktarı, model eğitiminin etkisini etkileyen ana faktörlerdir. Web3 dünyasında, kitlesel veri toplama ve işbirlikçi veri işleme ile kaynak kullanımı optimize edilebilir ve veri maliyetleri azaltılabilir. Kullanıcılar, gizlilik koruma altında kendi verilerini satma hakkına sahip olabilir ve kötü niyetli tüccarların verileri çalmasını ve yüksek kâr elde etmesini engelleyebilir. Veri talep edenler için, bu platformlar geniş bir seçenek 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 görevlerin veri işleme gibi uzmanlık bilgisi gerektirebilir. Kullanıcılar, becerilerini tokenleştirerek veri ön işleme için iş birliği yapabilir. Sahara AI gibi AI pazarları, farklı alanlarda veri görevleri sunarak çok çeşitli veri senaryolarını kapsayabilir; AIT Protocol ise insan-makine iş birliği ile verileri etiketlemektedir.

• Model: Daha önce bahsedilen AI geliştirme sürecinde, farklı türdeki ihtiyaçlar için uygun modeller eşleştirilmelidir. Görüntü görevleri için yaygın olarak kullanılan modeller arasında CNN, GAN gibi modeller bulunurken, nesne tespiti görevleri için Yolo serisi tercih edilebilir. Metin tabanlı görevlerde ise yaygın olarak RNN, Transformer gibi modeller kullanılır; elbette bazı belirli veya genel büyük modeller de mevcuttur. Farklı karmaşıklıkta görevler için gereken model derinliği de farklılık gösterir, bazen modellerin ayarlanması gerekebilir.

Bazı projeler, kullanıcıların farklı türde modeller sağlamasına veya kalabalık kaynak kullanarak modelleri birlikte eğitmelerine olanak tanır. Örneğin, Sentient, kullanıcıların güvenilir model verilerini depolama katmanında ve dağıtım katmanında model optimizasyonu yapmak üzere yerleştirmelerine olanak tanıyan modüler bir tasarım sunar. Sahara AI tarafından sağlanan geliştirme araçları, yerleşik olarak gelişmiş AI algoritmaları ve hesaplama çerçeveleri içerir ve işbirlikçi eğitim yeteneğine sahiptir.

• Çıkarım ve doğrulama: Model eğitimden sonra model ağırlık dosyaları oluşturur, 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 davranışlar olup olmadığını doğrulamak için bir doğrulama mekanizması ile birlikte gelir. Web3'ün çıkarımı genellikle akıllı sözleşmelere entegre edilebilir, modelin çağrılması yoluyla çıkarım yapılır; yaygın doğrulama yöntemleri arasında ZKML, OPML ve TEE gibi teknikler bulunmaktadır. Temsilci projeler arasında ORA zincirindeki AI oracle'ı (OAO) yer almakta olup, OPML'yi AI oracle'ının doğrulanabilir katmanı olarak tanıtmaktadır; ORA'nın resmi web sitesinde ZKML ve opp/ai (ZKML'in OPML ile birleşimi) hakkında yaptıkları araştırmalara da değinilmektedir.

Uygulama Katmanı:

Bu katman esasen kullanıcıya doğrudan yönelik uygulamalardır ve AI ile Web3'ü birleştirerek daha fazla ilginç ve yenilikçi oyun mekanikleri yaratmaktadır. Bu makalede esas olarak AIGC (AI Üretilen İçerik), AI ajanları ve veri analizi gibi birkaç alandaki projeler ele alınmaktadır.

• AIGC: AIGC aracılığıyla genişletilebilir.