AI+Web3: Kuleler ve Meydanlar

TL;DR

1. AI kavramına sahip Web3 projeleri birinci ve ikinci piyasalarda yatırım çekme hedefi haline geldi.

2. Web3'ün AI sektöründeki fırsatları esasen şunlarda kendini göstermektedir: Dağıtık teşviklerle uzun kuyruk potansiyel arzı ( veri, depolama ve hesaplama ) arasında koordine etmek; aynı zamanda açık kaynaklı modeller ve AI Agent'ların merkeziyetsiz pazarını kurmak.

3. AI, Web3 sektöründe esas olarak zincir üzerindeki finans( kripto ödemeleri, ticaret, veri analizi) ve geliştirmeye yardımcı olmak için kullanılmaktadır.

4. AI+Web3'ün faydası, iki tarafın tamamlayıcılığında ortaya çıkmaktadır: Web3, AI merkezileşmesine karşı koyma umudunu taşırken, AI da Web3'ün sınırlarını aşmasına yardımcı olma umudunu taşımaktadır.

Giriş

Son iki yılda, AI hızlı bir şekilde gelişti, ChatGPT'nin ortaya çıkışı jeneratif yapay zekanın yeni bir çağını başlattı ve Web3 alanında bir heyecan yarattı.

AI kavramının etkisiyle, Web3 projelerinin finansmanı belirgin bir şekilde artış gösterdi. Sadece 2024'ün ilk yarısında 64 adet Web3+AI projesi finansman sağladı, bunlar arasında AI tabanlı işletim sistemi Zyber365, A turunda 100 milyon dolarlık en yüksek finansmanı elde etti.

İkincil pazar daha da canlı, Coingecko verilerine göre, AI alanının toplam piyasa değeri 48,5 milyar dolara ulaştı, 24 saatlik işlem hacmi ise neredeyse 8,6 milyar dolar. Ana akım AI teknolojisindeki ilerlemeler belirgin faydalar sağlıyor; örneğin, OpenAI'nin Sora'sının piyasaya sürülmesinin ardından, AI sektöründeki ortalama fiyat %151 arttı. AI etkisi, kripto para çekim alanı Meme'ye de yayıldı: ilk AI Agent konseptine sahip MemeCoin GOAT hızla popülerlik kazandı ve değerlemesi 1,4 milyar dolara ulaştı, AI Meme çılgınlığını başlattı.

AI+Web3 ile ilgili araştırmalar ve konular oldukça popüler, AI+Depin'den AI Memecoin'e, ardından AI Agent ve AI DAO'ya kadar, FOMO duygusu yeni anlatı döngüsünün hızına yetişmekte zorlanıyor.

AI+Web3 bu sıcak para, fırsatlar ve gelecek hayalleriyle dolu kavram kombinasyonu, kaçınılmaz olarak bir sermaye eşleştirmenin düzenlenmiş bir evliliği olarak görülüyor. Bunun spekülatörlerin sahası mı yoksa şafak patlamasının eşiği mi olduğunu değerlendirmek zor.

Bu soruyu yanıtlamak için temel nokta şudur: Karşı taraf olduğunda daha iyi mi olacak? Karşı tarafın modelinden fayda sağlanabilir mi? Bu makale bu düzeni incelemeyi amaçlıyor: Web3, AI teknolojisi yığınındaki her aşamada nasıl rol oynar ve AI, Web3'e ne gibi yeni canlılıklar getirebilir?

Bölüm.1 AI yığınında Web3'te ne fırsatlar var?

Bu konuyu açmadan önce, AI büyük modellerinin teknik yığınını anlamamız gerekiyor:

AI büyük modeller insan beynine benzetilebilir, erken aşamalarda bebekler gibi dış dünyadan büyük miktarda bilgi gözlemleyerek dünyayı anlamaya çalışırlar, bu "veri toplama" aşamasıdır. Bilgisayarlar insanın çoklu duyularına sahip olmadığından, eğitim öncesinde etiketlenmemiş bilgilerin bilgisayarın anlayabileceği bir formata dönüştürülmesi için "ön işleme" gereklidir.

Veri girdikten sonra AI, "eğitim" yoluyla anlayış ve tahmin yeteneğine sahip bir model oluşturur, bu bebeklerin dış dünyayı yavaş yavaş anlamasına benzer. Model parametreleri, bebeğin sürekli olarak ayarladığı dil becerisidir. Öğrenme içeriği, alanlara ayrılır veya insanlarla etkileşim kurarak geri bildirim alarak düzeltilir ve "ince ayar" aşamasına geçer.

Çocuklar büyüdükçe konuşmayı öğrendiklerinde, yeni diyaloglarda anlayış ve ifade yeteneğine sahip olurlar; bu, AI büyük modellerinin "çıkarım" aşamasına benzer ve yeni girdilere tahmin ve analiz yapabilirler. Bebekler, duygularını ifade etmek, nesneleri tanımlamak ve sorunları çözmek için dil kullanırlar; bu, AI büyük modellerinin eğitim tamamlandıktan sonra görüntü sınıflandırma, ses tanıma gibi belirli görevlerde uygulanmasına benzer.

AI Agent, büyük modelin bir sonraki biçimine daha yakın: karmaşık hedefler peşinde bağımsız görevler yerine getirebilen, düşünme, hafıza ve planlama yeteneklerine sahip ve dünyayla etkileşimde bulunmak için araçlar kullanabilen.

AI'nin her katmanındaki sorunlara yönelik, Web3 şu anda AI model süreçlerinin her aşamasını kapsayan çok katmanlı, birbiriyle bağlantılı bir ekosistem oluşturmaktadır.

Birinci, Temel Katman: Güç ve Verilerin Airbnb'si

Hesaplama Gücü

Şu anda, AI'nın en yüksek maliyetlerinden biri, model eğitimi ve çıkarımı için gereken hesaplama gücü ve enerjidir.

Meta'nın LLAMA3'ü eğitmek için 30 gün boyunca 16,000 NVIDIA H100 GPU'ya ihtiyaç var. 80GB versiyonunun birim fiyatı 30,000-40,000 ABD doları, 400-700 milyon ABD doları donanım yatırımı gerektiriyor, aylık eğitim enerji tüketimi 1.6 milyar kilowatt-saat, enerji harcaması ise yaklaşık 20 milyon ABD doları.

AI hesaplama gücünün baskısını azaltmak, Web3'ün AI ile kesiştiği en erken alanlardan biridir------DePin( merkeziyetsiz fiziksel altyapı ağı). DePin Ninja, 1400'den fazla projeyi listelemiştir, GPU hesaplama gücü paylaşımı temsilcileri olarak io.net, Aethir, Akash, Render Network gibi projeler bulunmaktadır.

Ana mantık: platform, boşta olan GPU kaynak sahiplerinin izin almadan merkeziyetsiz bir şekilde hesaplama gücü katkısında bulunmalarına olanak tanır, bu da Uber veya Airbnb gibi alıcı-satıcı çevrimiçi pazarına benzer, kullanılmayan GPU kaynaklarının verimliliğini artırır, son kullanıcılar düşük maliyetli ve etkili hesaplama kaynakları elde eder; aynı zamanda, teminat mekanizması, kalite kontrolünü ihlal eden veya ağı kesintiye uğratan kaynak sağlayıcıların cezalandırılmasını sağlar.

Özellikler:

• Boşta kalan GPU kaynaklarını toplamak: Öncelikle üçüncü taraf küçük ve orta veri merkezleri, kripto madencilik tesisleri ve benzeri fazla hesaplama gücü için, PoS madencilik donanımı olarak FileCoin ve ETH madencileri. Ayrıca, exolab'ın MacBook, iPhone, iPad gibi yerel cihazları kullanarak büyük model çıkarım hesaplama gücü ağı kurmaya yönelik daha düşük giriş engeline sahip cihazları başlatmayı amaçlayan projeler de var.

• AI hesaplama gücü uzun kuyruk pazarına yönelik: a. Teknik taraf: Çıkarım adımları için daha uygundur. Eğitim, devasa GPU kümesine bağımlıdır, çıkarım için GPU işlem gücü gereksinimi daha düşüktür, örneğin Aethir, düşük gecikmeli render ve AI çıkarımına odaklanır. b. Talep tarafı: Küçük ve orta ölçekli hesaplama gücü talep edenler büyük modelleri ayrı olarak eğitmeyecekler, sadece önde gelen büyük modeller etrafında optimizasyon ve ince ayar yapacaklar, bu da doğal olarak dağıtılmış atıl hesaplama gücü kaynaklarına uygundur.

• Merkeziyetsiz mülkiyet: Blok zinciri teknolojisinin anlamı, kaynak sahiplerinin her zaman kaynak üzerindeki kontrolü koruması, esnek ayarlamalar yaparken aynı zamanda kazanç elde etmesidir.

Veriler

Veri, AI'nin temelidir. Veri olmadan, hesaplamalar işe yaramaz; veri ile model arasındaki ilişki "Çöp girerse, çöp çıkar" şeklindedir; veri miktarı ve kalitesi, nihai model çıktısının kalitesini belirler. AI model eğitimi için veri, dil yeteneğini, anlama yeteneğini, değerleri ve insani davranışları belirler. Şu anda AI veri talep zorluğunun başlıca sebepleri şunlardır:

• Veri açlığı: AI modeli eğitimi, büyük veri girişi gerektirir. OpenAI, GPT-4'ü trilyonlarca parametre ile eğitmiştir.

• Veri kalitesi: AI'nin çeşitli endüstrilere entegrasyonu ile, veri güncelliği, çeşitliliği, uzmanlığı ve sosyal medya gibi yeni veri kaynaklarının duygu analizine yönelik yeni gereksinimler ortaya konulmuştur.

• Gizlilik ve uyum: Ülkelerdeki şirketler, kaliteli veri setlerinin önemine giderek daha fazla dikkat etmeye başlıyor ve veri seti taramalarını sınırlıyor.

• Veri işleme maliyetleri yüksek: Veri miktarı büyük, işleme karmaşık. AI şirketleri Ar-Ge maliyetlerinin %30'unu temel veri toplama ve işleme için kullanıyor.

Web3 çözümleri dört alanda kendini gösterir:

1. Veri toplama: Ücretsiz gerçek dünya verilerini hızlı bir şekilde toplamak tükeniyor, AI şirketlerinin veri için yaptığı harcamalar her yıl artıyor ancak gerçek katkıda bulunanlara geri dönüş sağlamıyor, platform tüm değer yaratımından yararlanıyor. Örneğin, Reddit AI şirketleriyle yaptığı veri lisans anlaşmaları sayesinde 203 milyon dolar gelir elde etti.

Gerçekten katkıda bulunan kullanıcıların veri değer yaratımına katılmasını sağlamak, dağıtık ağlar ve teşvik mekanizmaları aracılığıyla daha özel değerli verilere düşük maliyetle erişmek, Web3 vizyonudur.

• Grass: Merkeziyetsiz veri katmanı ve ağ, kullanıcıların düğümler çalıştırarak boşa harcanan bant genişliğini kullanarak akış verilerini yakalamasına ve token ödülleri kazanmasına olanak tanır.

• Vana: Veri akış havuzunu (DLP) kavramını tanıtarak, kullanıcıların özel verilerini belirli DLP'ye yüklemelerini ve üçüncü tarafların kullanımına izin verip vermemekte esnek seçim yapmalarını sağlar.

• PublicAI: Kullanıcılar X üzerinde #AI或# Web3 etiketini kullanarak ve @PublicAI yazarak veri toplayabilirler.

2. Veri Ön İşleme: AI veri işleme sürecinde, verilerin toplanması genellikle gürültülü ve hatalıdır, bu yüzden eğitim öncesinde kullanılabilir bir formata temizlenmesi gerekir; bu, standartlaştırma, filtreleme, eksik değerlerin işlenmesi gibi tekrarlayan görevleri içerir. Bu aşama, AI sektöründeki az sayıda insan etkileşimli aşamalardan biridir ve veri etiketleme uzmanları endüstrisini doğurmuştur. Modellerin veri kalitesi talepleri arttıkça, giriş koşulları da yükselir; bu durum, Web3 merkeziyetsiz teşvik mekanizması için doğal bir uyum sağlar.

• Grass ve OpenLayer veri etiketleme aşamasını eklemeyi düşünüyor.

• Synesis, verilerin kalitesini vurgulayarak "Train2earn" kavramını önerdi; kullanıcılar etiketlenmiş veriler, açıklamalar vb. sağlayarak ödül kazanıyor.

• Veri etiketleme projesi Sapien, etiketleme görevlerini oyunlaştırıyor, kullanıcılar stake ettikleri puanlarla daha fazla puan kazanıyor.

3. Veri gizliliği ve güvenliği: Veri gizliliği ve güvenliğinin iki farklı kavram olduğu netleştirilmelidir. Veri gizliliği, hassas verilerin işlenmesini içerirken, veri güvenliği verilerin yetkisiz erişim, tahribat ve hırsızlığa karşı korunmasını sağlar. Web3 gizlilik teknolojisinin avantajları ve potansiyel uygulama senaryoları: (1) hassas veri eğitimi; (2) veri işbirliği: Birden fazla veri sahibinin AI eğitimine katılması, ham verileri paylaşmadan gerçekleşir.

Mevcut Web3 genel gizlilik teknolojileri:

• Güvenilir Çalıştırma Ortamı(TEE), örneğin Super Protocol

• Tam homomorfik şifreleme ( FHE ), örneğin BasedAI, Fhenix.io, Inco Network

• Sıfır bilgi teknolojisi ( zk ), Reclaim Protocol'ün HTTPS trafiği için sıfır bilgi kanıtı oluşturmak üzere zkTLS teknolojisini kullanması gibi, kullanıcıların hassas bilgileri açığa çıkarmadan dış web etkinliklerini, itibarlarını ve kimlik verilerini güvenli bir şekilde içe aktarmasına olanak tanır.

Bu alan hala erken aşamalarda, çoğu proje keşif aşamasında, mevcut sıkıntı yüksek hesaplama maliyeti, örneğin:

• zkML çerçevesi EZKL, 1M-nanoGPT model kanıtını oluşturmak için yaklaşık 80 dakika gerektirir.

• Modulus Labs verileri, zkML maliyetinin saf hesaplamalardan 1000 kat daha fazla olduğunu gösteriyor.

4. Veri Depolama: Zincir üzerinde veri depolamak ve LLM oluşturmak için gereken yer. Veri kullanılabilirliği (DA) temel sorun olarak alındığında, Ethereum'un Danksharding yükseltmesi öncesinde işlem hacmi 0.08MB'dır. AI model eğitimi ve gerçek zamanlı çıkarım genellikle her saniye 50-100GB veri işlem hacmi gerektirir. Bu ölçek farkı, mevcut zincir üzerindeki çözümlerin kaynak yoğun AI uygulamalarına yanıt vermesini zorlaştırmaktadır.

• 0g.AI, temsilci bir projedir. AI'nın yüksek performans gereksinimleri için tasarlanmış merkezi depolama çözümüdür. Anahtar özellikler: yüksek performans ve ölçeklenebilirlik, ileri düzey parçalama ve hata düzeltme kodu teknolojileri sayesinde büyük ölçekli veri setlerinin hızlı yüklenmesini ve indirilmesini destekler, veri transfer hızı saniyede 5GB'a yakındır.

İkincisi, Ara Yazılım: Modelin Eğitimi ve Çıkarımı

Açık Kaynak Modeli Merkeziyetsiz Pazar

AI modellerinin kapalı kaynaklı ve açık kaynaklı olması üzerine tartışmalar devam ediyor. Açık kaynak, kolektif yeniliği beraberinde getiriyor, bu kapalı kaynaklı ile kıyaslanamayacak bir avantaj. Ancak, kâr modeli olmadan geliştiricilerin motivasyonunu nasıl artırabiliriz? Baidu'nun kurucusu Li Yanhong, Nisan ayında "açık kaynaklı modeller giderek geride kalacak" diye kesin bir şekilde belirtti.

Web3, merkeziyetsiz açık kaynaklı model pazarının olasılığını sunmaktadır: modelin kendisini tokenleştirmek, ekibe belirli bir oran token ayırmak ve gelecekteki gelir akışının bir kısmını token sahiplerine yönlendirmek.

• Bittensor protokolü, açık kaynaklı model P2P pazarını oluşturur, onlarca "alt ağ" dan oluşur. Kaynak sağlayıcıları ( hesaplama, veri toplama/depolama, makine öğrenimi yetenekleri ) belirli alt ağ sahiplerinin hedeflerini karşılamak için birbirleriyle rekabet eder, her bir alt ağ etkileşimde bulunarak daha güçlü bir zeka elde etmek için birbirlerinden öğrenebilir. Ödüller, topluluk oylamasıyla dağıtılır ve rekabet performansına göre her bir alt ağ için daha fazla dağıtım yapılır.

• ORA, başlangıç modeli yayımlama (IMO) konseptini getirerek, AI modellerini tokenleştirir ve bu modelleri merkeziyetsiz ağ üzerinden satın alıp satma ve geliştirme imkanı sunar.

• Sentient, merkeziyetsiz AGI platformu, insanların iş birliği yapmalarını, AI modelleri inşa etmelerini, kopyalamalarını ve genişletmelerini teşvik eder ve katkıda bulunanları ödüllendirir.

• Spectral Nova, AI ve ML modellerinin oluşturulmasına ve uygulanmasına odaklanıyor.

Doğrulanabilir Akıl Yürütme

AI çıkarımının "kara kutu" sorununa yönelik standart Web3 çözümü, çoklu doğrulayıcıların tekrar eden işlemlerle sonuçları karşılaştırmasıdır, ancak yüksek kaliteli "Nvidia çipleri" eksikliği AI çıkarım maliyetlerini artırmakta ve bu uygulama zorluklarla karşılaşmaktadır.

Daha umut verici olan, zincir dışı AI çıkarım hesaplamalarının ZK kanıtı ile gerçekleştirilmesidir; zincir üzerinde AI model hesaplamasını doğrulamak için izin gerektirmez. Zincir üzerinde, zincir dışı hesaplamanın doğru bir şekilde tamamlandığını kanıtlamak için şifrelenmiş bir kanıt eklenmelidir ( veri kümesi değiştirilmemişse ) ve tüm verilerin gizli kalmasını sağlamalıdır.

Ana avantajlar:

• Ölçeklenebilirlik: Sıfır bilgi kanıtları, büyük miktarda zincir dışı hesaplamayı hızlı bir şekilde doğrulayabilir. İşlem sayısı artsa bile, tek bir kanıt tüm işlemleri doğrulayabilir.

• Gizlilik koruması: Veri ve AI modelinin ayrıntıları gizli tutulur, taraflar verilerin ve modellerin bozulmadığını doğrulayabilir.

• Güven gerektirmez: Hesaplamayı doğrulamak için merkezi taraflara bağımlı olmadan.

• Web2 entegrasyonu: Tanım olarak Web2, zincir dışı entegrasyondur, doğrulanabilir çıkarım verilerinizi ve AI hesaplamalarınızı zincire taşımaya yardımcı olabilir, bu da Web3 benimseme oranını artırmaya yardımcı olur.

Şu anda Web3 için doğrulanabilir akıl yürütme teknolojisi:

• zkML: Sıfır bilgi kanıtlarını makine öğrenimi ile birleştirerek, veri ve model gizliliğini sağlamakta, temel özellikleri açıklamadan doğrulanabilir hesaplamalara izin vermektedir. Örneğin, Modulus Labs'ın ZKML tabanlı AI yapımı ZK kanıtlayıcısı, AI sağlayıcılarının zincir üzerinde algoritmaları doğru bir şekilde yürütüp yürütmediğini etkili bir şekilde kontrol etmektedir. Şu anda müşteriler çoğunlukla zincir üzerindeki DApp’lerdir.

• opML: İyimser toplama ilkesini kullanarak, anlaşmazlık oluşum zamanını doğrulayarak ML hesaplamalarını artırmak.