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

AI anlatımının devam eden yükselişi ile birlikte, giderek daha fazla dikkat bu alana odaklanıyor. Web3-AI alanındaki teknik mantık, uygulama senaryoları ve temsilci projeler derinlemesine incelenmiş olup, bu alandaki panoramayı ve gelişim trendlerini size kapsamlı bir şekilde sunmaktadır.

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

1.1 Web3 ve AI'nin birleşim mantığı: Web-AI alanını nasıl tanımlarsınız

Geçtiğimiz yıl içinde, AI anlatımı Web3 sektöründe olağanüstü bir popülarite kazandı, AI projeleri birbiri ardına ortaya çıktı. Birçok proje AI teknolojisini içerse de, bazı projeler yalnızca ürünlerinin belirli kısımlarında AI kullanıyor, temel token ekonomisi ile AI ürünleri arasında anlamlı bir bağlantı yok, bu nedenle bu tür projeler bu makalede Web3-AI projeleri tartışmasına dahil değildir.

Bu makalenin odak noktası, blok zincirinin üretim ilişkileri sorunlarını çözme ve AI'nın üretkenlik sorunlarını çözme projeleridir. Bu projeler, aynı zamanda Web3 ekonomik modeline dayalı üretim ilişkileri aracı olarak AI ürünleri sunmaktadır ve her ikisi birbirini tamamlamaktadır. Bu tür projeleri Web3-AI alanında sınıflandırıyoruz. Okuyucuların Web3-AI alanını daha iyi anlaması için, AI'nın geliştirme süreci ve zorlukları ile Web3 ve AI'nın nasıl mükemmel bir şekilde 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 teknolojidir. Bu teknoloji, bilgisayarların dil çevirisi, görüntü sınıflandırması, yüz tanıma ve otonom sürüş gibi çeşitli karmaşık görevleri yerine getirmesini mümkün kılarak, yapay zeka yaşam 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, kediler ve köpekler görüntülerinin sınıflandırılması için bir model geliştirmek istiyorsanız, şunlara ihtiyacınız var:

1. Veri toplama ve veri ön işleme: Kedi ve köpek içeren görüntü veri setlerini toplayın, açık veri setlerini kullanabilir veya gerçek verileri kendiniz toplayabilirsiniz. Sonra her bir görüntüyü ( kedi veya köpek ) olarak 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 daha uygundur. Farklı ihtiyaçlara göre model parametrelerini veya mimarisini ayarlayın, genellikle modelin ağ katmanları, AI görevlerinin karmaşıklığına göre ayarlanabilir. Bu basit sınıflandırma örneğinde, daha yüzeysel bir ağ katmanı yeterli olabilir.

3. Model eğitimi: Modeli eğitmek için GPU, TPU veya yüksek performanslı hesaplama kümeleri kullanılabilir, eğitim süresi modelin karmaşıklığına ve hesaplama gücüne bağlıdır.

4. Model Çıkarımı: Modelin eğitilmiş dosyaları genellikle model ağırlıkları olarak adlandırılır. Çıkarım süreci, eğitilmiş bir modelin yeni veriler üzerinde tahmin veya sınıflandırma yaptığı süreçtir. Bu süreçte, modelin sınıflandırma performansını test etmek için test seti veya yeni veriler kullanılabilir ve genellikle modelin etkinliğini değerlendirmek için doğruluk, geri çağırma, F1-skoru gibi ölçütler kullanılır.

Görüldüğü gibi, veri toplama ve veri ön işleme, model seçimi ve ayarlama ile eğitim sonrası, eğitilmiş modelin test setinde çıkarım yapması, kedi ve köpek için tahmin değerlerini P(probability) elde eder, yani modelin kedi veya köpek olduğu olasılığını çıkarır.

Eğitilmiş AI modelleri, çeşitli uygulamalara entegre edilerek farklı görevleri yerine getirebilir. Bu örnekte, kedi ve köpek sınıflandırma AI modeli bir mobil uygulamaya entegre edilebilir; kullanıcı bir kedi veya köpek resmi yüklediğinde, sınıflandırma sonucunu alabilir.

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

Kullanıcı gizliliği: Merkezileştirilmiş senaryoların içinde, 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 alan verilerini (, örneğin tıbbi verileri ) edinirken, verilerin açık kaynak olmaması kısıtlamasıyla karşılaşabilirler.

Model Seçimi ve İyileştirme: Küçük ekipler için belirli bir alanda model kaynaklarına erişmek ya da model iyileştirmek için yüksek 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.

Yapay Zeka Varlık Geliri: Veri etiketleme çalışanları genellikle harcadıkları emeğe uygun gelir elde edemezken, yapay zeka geliştiricilerinin araştırma sonuçları da talep eden alıcılarla eşleşmede zorluk yaşamaktadır.

Merkezi AI senaryolarında var olan zorluklar, Web3 ile bir araya gelerek aşılabilir. Web3, yeni bir üretim ilişkisi 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'nın işbirliği etkisi: Rol değişimi ve yenilikçi uygulamalar

Web3 ve AI'nın birleşimi, kullanıcıların egemenliğini artırabilir, kullanıcılara açık bir AI işbirliği platformu sunarak, kullanıcıların Web2 dönemindeki AI kullanıcıları olmaktan katılımcılara dönüşmesini sağlar ve herkesin sahip olabileceği AI'lar yaratır. Aynı zamanda, Web3 dünyası ile AI teknolojisinin birleşimi daha fazla yenilikçi uygulama senaryosu ve oyun tarzı ortaya çıkarabilir.

Web3 teknolojisine dayalı olarak, AI'nin geliştirilmesi ve uygulanması yeni bir işbirliği ekonomisi sistemine girecektir. İnsanların veri gizliliği korunabilir, veri toplama modeli AI modelinin ilerlemesini teşvik eder, birçok açık kaynaklı AI kaynağı kullanıcıların kullanımına sunulmuştur, paylaşılan hesaplama gücü daha düşük maliyetle elde edilebilir. Merkeziyetsiz işbirliği toplama mekanizması ve açık AI pazarı sayesinde, adil bir gelir dağıtım sistemi sağlanabilir ve böylece daha fazla insanın AI teknolojisinin ilerlemesini teşvik etmesi için teşvik edilebilir.

Web3 sahnesinde, AI birçok alanda olumlu etkiler yaratabilir. Örneğin, AI modelleri akıllı sözleşmelere entegre edilebilir, farklı uygulama senaryolarında iş verimliliğini artırabilir, piyasa analizi, güvenlik testi, sosyal kümeleme gibi çeşitli işlevler sunabilir. Üretken AI, kullanıcıların "sanatçı" rolünü deneyimlemelerini sağlarken, AI teknolojisini kullanarak kendi NFT'lerini oluşturmalarına olanak tanır ve GameFi'de 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 sunarak bu dünyada uygun bir giriş noktası bulmalarını sağlar.

İki, Web3-AI ekosistem projesi haritası ve mimarisi yorumlama

Web3-AI alanında 41 projeyi inceledik ve bu projeleri farklı seviyelere ayırdık. Her bir seviyenin ayrım mantığı aşağıdaki gibi gösterilmiştir; altyapı katmanı, ara katman ve uygulama katmanı olmak üzere üçe ayrılmaktadır ve her bir katman farklı bölümlere ayrılmaktadır. Bir sonraki bölümde, bazı temsilci projeleri derinlemesine analiz edeceğiz.

Altyapı katmanı, tüm AI yaşam döngüsünün çalışmasını destekleyen hesaplama kaynakları ve teknik mimarileri kapsar; orta katman ise altyapı ile uygulamalar arasındaki veri yönetimi, model geliştirme ve doğrulama çıkarım hizmetlerini içerir. Uygulama katmanı ise doğrudan kullanıcıya yönelik çeşitli uygulamalar ve çözümler üzerinde yoğunlaşır.

Altyapı Katmanı:

Altyapı katmanı, AI yaşam döngüsünün temelini oluşturur. Bu yazıda, hesaplama gücü, AI Zinciri ve geliştirme platformu altyapı katmanına dahil edilmiştir. Bu altyapının 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, verimli ve ekonomik hesaplama kaynaklarının kullanımını garanti eder. Bazı projeler merkeziyetsiz hesaplama gücü pazarları sunmakta, kullanıcılar düşük maliyetle hesaplama gücü kiralayabilir veya hesaplama gücünü paylaşarak kazanç elde edebilir; bu projelere örnek olarak IO.NET ve Hyperbolic verilebilir. Ayrıca, bazı projeler yeni oyunlar geliştirmiştir; örneğin Compute Labs, kullanıcıların GPU varlıklarını temsil eden NFT'leri satın alarak farklı yollarla hesaplama gücü kiralayarak kazanç elde etmelerini sağlayan tokenleştirilmiş protokoller önermiştir.

• AI Zinciri: Blockchain'i AI yaşam döngüsünün temeli olarak kullanarak, zincir üstü ve zincir altı AI kaynaklarının kesintisiz etkileşimini sağlamak ve endüstri ekosisteminin gelişimini teşvik etmek. Zincir üzerindeki merkeziyetsiz AI pazarı, veri, model, ajan gibi AI varlıklarının ticaretini yapabilir ve AI geliştirme çerçevesi ile destekleyici geliştirme araçları sunar; temsilci projelerden biri Sahara AI'dır. AI Zinciri ayrıca farklı alanlardaki AI teknolojilerinin ilerlemesini teşvik edebilir; örneğin Bittensor, farklı AI türlerinin alt ağ rekabetini teşvik etmek için yenilikçi alt ağ teşvik mekanizmaları kullanmaktadır.

• Geliştirme platformu: Bazı projeler AI ajanı geliştirme platformları sunmakta, ayrıca AI ajanlarının ticaretini gerçekleştirebilmektedir, örneğin Fetch.ai ve ChainML gibi. Tek durak araçları, geliştiricilerin AI modellerini daha kolay bir şekilde oluşturmasına, eğitmesine ve dağıtmasına yardımcı olmaktadır, temsilci projeler arasında Nimble bulunmaktadır. Bu altyapılar, AI teknolojisinin Web3 ekosisteminde yaygın olarak kullanılmasını teşvik etmektedir.

Ara katman:

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

• Veri: Verinin kalitesi ve miktarı, model eğitim sonuçlarını etkileyen temel faktörlerdir. Web3 dünyasında, topluluk verileri ve işbirlikçi veri işleme yoluyla kaynak kullanımı optimize edilebilir ve veri maliyetleri düşürülebilir. Kullanıcılar, verileri üzerinde özerkliğe sahip olabilir, gizlilik koruma altında kendi verilerini satabilirler, böylece verilerin kötü niyetli satıcılar tarafından çalınmasını ve yüksek karlar elde edilmesini önleyebilirler. Veri talep edenler için bu platformlar geniş bir seçim ve son derece düşük maliyetler sunmaktadır. Grass gibi temsilci projeler, kullanıcı bant genişliğini kullanarak Web verilerini toplarken, xData kullanıcı dostu eklentileri aracılığıyla medya bilgilerini toplayabilir ve kullanıcıların tweet bilgilerini yüklemelerini destekler.

Ayrıca, bazı platformlar alan uzmanlarının veya sıradan kullanıcıların veri ön işleme görevlerini yerine getirmesine izin vermektedir; örneğin, görüntü etiketleme, veri sınıflandırma gibi görevler, finans ve hukuk gibi uzmanlık bilgisi gerektiren veri işleme görevleri olabilir. Kullanıcılar becerilerini tokenleştirerek veri ön işleme işbirliğini gerçekleştirebilirler. Sahara AI gibi AI pazarları, farklı alanlardaki veri görevlerini temsil eder ve çok çeşitli veri senaryolarını kapsayabilir; AIT Protocol ise insan-makine işbirliği ile verileri etiketler.

• Model: Daha önce bahsedilen AI geliştirme sürecinde, farklı türdeki ihtiyaçların uygun modellerle eşleşmesi gerekmektedir. Görüntü görevleri için yaygın olarak kullanılan modeller arasında CNN, GAN gibi modeller bulunmaktadır; nesne tespiti görevleri için Yolo serisi tercih edilebilir. Metin tabanlı görevlerde ise yaygın olarak RNN, Transformer gibi modeller kullanılmaktadır. Elbette, bazı özel veya genel büyük modeller de mevcuttur. Farklı karmaşıklıkta görevler, farklı derinlikte modellere ihtiyaç duyar ve bazen modellerin ayarlanması gerekebilir.

Bazı projeler, kullanıcıların farklı türde modeller sunmasına veya kalabalık kaynak kullanarak modelleri birlikte eğitmesine olanak tanır. Örneğin, Sentient modüler tasarımı sayesinde kullanıcıların güvenilir model verilerini depolama katmanında ve dağıtım katmanında optimize etmek üzere yerleştirmesine izin verir. Sahara AI tarafından sunulan geliştirme araçları, yerleşik gelişmiş AI algoritmaları ve hesaplama çerçeveleri ile birlikte gelir ve işbirlikçi eğitim 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 davranışlar olup olmadığını doğrulamak için bir doğrulama mekanizması ile birlikte gelir. Web3'ün çıkarımı genellikle akıllı sözleşmelere entegre edilebilir; model çağrılarak çıkarım yapmak mümkündür. 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'yi tanıtmıştır. ORA'nın resmi web sitesinde ZKML ve opp/ai(ZKML'in OPML) ile birleştirilmesi hakkında araştırmalarına da yer verilmiştir.

Uygulama katmanı:

Bu katman esasen doğrudan kullanıcıya yönelik uygulamalardır ve AI ile Web3'ü birleştirerek daha fazla ilginç ve yenilikçi oyun şekilleri yaratmaktadır. Bu makalede, AIGC(, AI tarafından üretilen içerik), AI ajanları ve veri analizi gibi birkaç bölümdeki projeler ele alınmıştır.

• AIGC: AIGC ile Web3'teki NFT, oyun gibi alanlara genişleyebilir, kullanıcılar Prompt( kullanıcı tarafından verilen anahtar kelimelerle) metin, görüntü ve ses oluşturabilir, hatta oyunlarda kendi tercihlerine göre özel oyun modları oluşturabilir. NFPrompt gibi NFT projeleri, kullanıcıların AI ile oluşturulan NFT'leri piyasada ticaret yapmalarına olanak tanır; Sleepless gibi oyunlarda, kullanıcılar sanal partnerlerinin karakterini kendi tercihlerine göre şekillendirebilir.

• AI Ajanı: Kendi başına görevleri yerine getirebilen ve kararlar alabilen yapay zeka sistemlerini ifade eder. AI ajanları genellikle algılama, akıl yürütme, öğrenme ve eylem yapma yeteneklerine sahiptir ve çeşitli ortamlarda karmaşık görevleri yerine getirebilir. Yaygın AI ajanları arasında dil çevirisi, dil öğrenimi bulunmaktadır.