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

Yapay zeka anlatımının sürekli yükselmesiyle birlikte, bu alana artan bir ilgi gösterilmektedir. Web3-AI alanındaki teknik mantık, uygulama senaryoları ve temsilci projeler derinlemesine analiz edilmiştir, bu sayede bu alanın panoramasını ve gelişim trendlerini kapsamlı bir şekilde sunuyoruz.

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

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

Geçen yıl, Web3 endüstrisinde AI anlatımı olağanüstü popülerlik kazandı, AI projeleri birbiri ardına ortaya çıktı. Birçok proje AI teknolojisini içerse de, bazı projeler yalnızca ürünlerinin belirli kısımlarında AI kullanmakta, temel token ekonomisi AI ürünleri ile gerçek bir bağlantıya sahip değildir; bu nedenle bu tür projeler bu yazıda Web3-AI projeleri tartışmasına dahil edilmemektedir.

Bu makalenin odak noktası, blok zincirini üretim ilişkileri sorunlarını çözmek için kullanmak ve yapay zekanın (AI) üretkenlik sorunlarını çözmekteki projelerdir. Bu projeler, kendileri AI ürünleri sağlar ve aynı zamanda üretim ilişkileri aracı olarak Web3 ekonomik modeline dayanmaktadır; ikisi birbirini tamamlar. Bu tür projeleri Web3-AI alanına sınıflandırıyoruz. Okuyucuların Web3-AI alanını daha iyi anlaması için, AI'nın geliştirme sürecini ve karşılaştığı zorlukları tanıtacağız ve Web3 ile AI'nın birleşiminin sorunları nasıl mükemmel bir şekilde çözdüğünü ve yeni uygulama senaryoları yarattığını ele alacağız.

1.2 AI'nin geliştirilmesi süreci ve zorlukları: veri toplayımından model çıkarımına

AI teknolojisi, bilgisayarların insan zekasını simüle etmesini, genişletmesini ve güçlendirmesini sağlayan bir tekniktir. Bu teknoloji, bilgisayarların dil çevirisi, görüntü sınıflandırması, yüz tanıma ve otonom sürüş gibi çeşitli karmaşık görevleri yerine getirmesini mümkün kılarak, AI'nın yaşam ve çalışma biçimlerimizi değiştirdiği bir alan haline gelmektedir.

Yapay zeka modeli geliştirme süreci genellikle aşağıdaki birkaç ana adımdan oluşur: veri toplama ve veri ön işleme, model seçimi ve ayarlama, model eğitimi ve çıkarım. Basit bir örnek vermek gerekirse, kediler ve köpekler görüntülerinin sınıflandırılmasını sağlamak 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 gerçek verileri kendiniz toplayabilirsiniz. Daha 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 seti olarak ayırın.

2. Model Seçimi ve Ayarı: Uygun bir model seçin, örneğin, görüntü sınıflandırma görevleri için daha uygun olan konvolüsyonel sinir ağı (CNN). 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.

3. Model eğitimi: Modeli eğitmek için GPU, TPU veya yüksek performanslı hesaplama kümeleri kullanılabilir, eğitim süresi modelin karmaşıklığı ve hesaplama gücünden etkilenir.

4. Model çıkarımı: Eğitimli model dosyalarına genellikle model ağırlıkları denir, çıkarım süreci, eğitimli 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, 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, eğitilmiş modelin test kümesinde çıkarım yapılması, kedilerin ve köpeklerin tahmin değerlerini P (olasılık) olarak verecektir; yani modelin kediyi veya köpeği tahmin etme olasılığı.

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 yüklediklerinde, sınıflandırma sonuçlarını alabilirler.

Ancak, merkezileşmiş AI geliştirme süreci aşağıdaki senaryolarda bazı sorunlar içermektedir:

Kullanıcı Gizliliği: Merkezileştirilmiş senaryolarda, AI'nin geliştirme süreci genellikle şeffaf değildir. Kullanıcı verileri, kullanıcıların haberi olmadan çalınabilir ve AI eğitimi için kullanılabilir.

Veri Kaynağı Elde Etme: Küçük ekipler veya bireyler, belirli bir alan verisi (örneğin tıbbi veriler) elde ederken, verilerin açık kaynak olmaması kısıtlamasıyla karşılaşabilir.

Model seçimi ve ayarı: Küçük ekipler için belirli bir alanda model kaynaklarına erişmek veya model ayarı için büyük maliyetler harcamak zordur.

Hesaplama gücü edinimi: Bireysel geliştiriciler ve küçük ekipler için yüksek GPU satın alma maliyetleri ve bulut hesaplama gücü kiralama ücretleri önemli bir ekonomik yük oluşturabilir.

AI Varlık Geliri: Veri etiketleme çalışanları genellikle harcadıklarıyla orantılı bir gelir elde edemezken, AI geliştiricilerinin araştırma sonuçları da talep eden alıcılarla eşleşmekte zorluk çekmektedir.

Merkezi AI sahnesinde var olan zorluklar, Web3 ile birleştirilerek aşılabilir. Web3, yeni bir üretim ilişkisi olarak, doğal olarak yeni üretkenliği temsil eden AI ile uyumlu bir şekilde çalışarak, teknolojinin ve üretim kapasitesinin aynı anda ilerlemesini teşvik eder.

1.3 Web3 ve AI'nin iş birliği etkisi: Rol değişimi ve yenilikçi uygulamalar

Web3 ve AI'nin birleşimi, kullanıcı egemenliğini artırabilir ve kullanıcılara açık bir AI işbirliği platformu sunarak, kullanıcıların Web2 döneminin AI kullanıcılarından katılımcılara dönüşmesini sağlar. Böylece herkesin sahip olabileceği AI'lar yaratılır. Aynı zamanda, Web3 dünyası ile AI teknolojisinin entegrasyonu, daha fazla yenilikçi uygulama senaryoları ve oyun biçimleri oluşturabilir.

Web3 teknolojisi temelinde, AI'nın geliştirilmesi ve uygulanması yeni bir işbirliği ekonomisi sistemine girecek. İnsanların veri gizliliği korunabilir, veri kalabalıklaştırma modeli AI modellerinin ilerlemesini teşvik eder, birçok açık kaynaklı AI kaynağı kullanıcıların kullanımına sunulmuştur, paylaşılan hesaplama gücü daha düşük maliyetle elde edilebilir. Merkeziyetsiz işbirliği kalabalıklaştırma mekanizması ve açık AI pazarı sayesinde adil bir gelir dağıtım sistemi sağlanabilir ve böylece 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 edilebilir ve piyasa analizi, güvenlik testi, sosyal kümelenme gibi çeşitli uygulama senaryolarında iş verimliliğini artırabilir. Üretken AI, kullanıcıların AI teknolojisini kullanarak kendi NFT'lerini yaratma gibi "sanatçı" rolünü deneyimlemelerini sağlamanın yanı sıra, GameFi'de zengin ve çeşitli oyun sahneleri ve ilginç etkileşim deneyimleri yaratabilir. Zengin altyapılar, hem AI uzmanları hem de AI alanına girmek isteyen acemiler için sorunsuz bir geliştirme deneyimi sunarak bu dünyada uygun bir giriş noktası bulmalarını sağlar.

İki, Web3-AI Ekosistem Proje Haritası ve Yapı Analizi

Web3-AI alanında 41 projeyi inceledik ve bu projeleri farklı seviyelere ayırdık. Her bir katmanın ayırma mantığı aşağıdaki gibi gösterilmektedir; bu, altyapı katmanı, ara katman ve uygulama katmanını içermekte ve her bir katman 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 mimarileri kapsar, ara katman ise altyapıyı uygulamalarla bağlayan veri yönetimi, model geliştirme ve doğrulama çıkarım hizmetlerini içerir. Uygulama katmanı ise doğrudan kullanıcılara yönelik çeşitli uygulama ve çözümlere odaklanmaktadır.

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 eğitilmesi ve çıkarım yapılması mümkün olmakta ve güçlü, pratik AI uygulamaları kullanıcılara sunulmaktadır.

• Merkeziyetsiz hesaplama ağı: AI model eğitimi için dağıtık hesaplama gücü sağlayabilir, verimli ve ekonomik hesaplama kaynaklarının kullanımını garanti eder. Bazı projeler merkeziyetsiz bir hesaplama pazarı sunmaktadır; kullanıcılar düşük maliyetle hesaplama gücü kiralayabilir veya hesaplama gücünü paylaşarak kazanç elde edebilirler. Örnek projeler arasında IO.NET ve Hyperbolic bulunmaktadır. Ayrıca, bazı projeler yeni oyun tarzları türetmiştir; Compute Labs, kullanıcıların GPU varlıklarını temsil eden NFT'ler satın alarak farklı şekillerde hesaplama gücü kiralamaya katılmalarını sağlayan tokenleştirilmiş bir protokol önermektedir.

• AI Chain: Blockchain'ı AI yaşam döngüsünün temeli olarak kullanarak, çevrimiçi ve çevrimdışı AI kaynaklarının sorunsuz etkileşimini sağlamakta ve endüstri ekosisteminin gelişimini teşvik etmektedir. Zincir üzerindeki merkeziyetsiz AI pazarı, veri, model, aracı gibi AI varlıklarının ticaretini yapabilir ve AI geliştirme çerçevesi ile ilgili geliştirme araçlarını sunar. Temsilci projeler arasında Sahara AI bulunmaktadır. AI Chain ayrıca, Bittensor'un yenilikçi alt ağ teşvik mekanizması gibi farklı alanlarda AI teknolojisinin ilerlemesini teşvik edebilir.

• Geliştirme platformu: Bazı projeler AI ajanı geliştirme platformları sunar ve ayrıca AI ajanlarının ticaretini gerçekleştirebilir, örneğin Fetch.ai ve ChainML gibi. 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.

Orta Katman:

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

• Veri: Verinin kalitesi ve miktarı, modelin eğitim sonuçlarını etkileyen anahtar faktörlerdir. Web3 dünyasında, kalabalık kaynaklı veriler ve işbirlikçi veri işleme yoluyla kaynak kullanımı optimize edilebilir ve veri maliyetleri düşürülebilir. Kullanıcılar, verilerinin mülkiyetine sahip olabilir ve gizlilik koruması altında kendi verilerini satabilirler, böylece verilerin kötü niyetli tüccarlar tarafından çalınmasını ve yüksek kâr elde edilmesini önleyebilirler. Veri talep edenler için bu platformlar geniş bir seçenek yelpazesi ve son derece düşük maliyetler sunmaktadır. Grass gibi projeler, kullanıcı bant genişliğini kullanarak Web verilerini toplarken, xData kullanıcı dostu eklentisi ile medya bilgilerini toplamakta ve kullanıcıların tweet bilgilerini yüklemesine olanak tanımaktadır.

Ayrıca, bazı platformlar alan uzmanlarının veya sıradan kullanıcıların veri ön işleme görevlerini gerçekleştirmesine izin vermektedir; bu görevler, finans ve hukuk gibi uzmanlık bilgisi gerektiren veri işleme görevlerini içerebilir. Kullanıcılar, becerilerini tokenleştirerek veri ön işleme için işbirlikçi bir kalabalık oluşturabilirler. Sahara AI gibi temsilciler, farklı alanlardaki veri görevlerini kapsayan, çok alanlı veri senaryolarını içeren AI pazarları sunmaktadır; AIT Protocol ise veri etiketleme işlemini insan-makine iş birliği ile gerçekleştirmektedir.

• Model: Daha önce bahsedilen AI geliştirme sürecinde, farklı türdeki ihtiyaçların uygun modellere eşleştirilmesi gerekmektedir. Görüntü görevleri için sıkça kullanılan modeller arasında CNN, GAN gibi modeller yer alır; nesne tespiti görevlerinde Yolo serisi tercih edilebilir; metin tabanlı görevlerde ise RNN, Transformer gibi modeller yaygındır. Elbette, bazı belirli veya genel büyük modeller de bulunmaktadır. Farklı karmaşıklıkta görevler için gereken model derinliği de farklılık göstermektedir ve bazen modellerin ince ayarının yapılması gerekmektedir.

Bazı projeler, kullanıcıların farklı türde modeller sağlamasına veya model eğitimini kalabalıklaştırma yoluyla işbirliği yapmasına olanak tanır; örneğin, Sentient, kullanıcıların güvenilir model verilerini depolama katmanında ve dağıtım katmanında model optimizasyonu için yerleştirmelerine olanak tanıyan modüler bir tasarım sunar. Sahara AI tarafından sağlanan 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 dosyalarını oluşturur ve bunlar 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 davranışların 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 teknolojiler bulunmaktadır. Temsilci projeler arasında ORA zincir üzerindeki AI oracle (OAO), AI oracle için doğrulanabilir bir katman olarak OPML'i tanıtmaktadır, ORA'nın resmi web sitesinde ZKML ve opp/ai (ZKML ve OPML'in birleşimi) konusundaki araştırmalarına da değinilmiştir.

Uygulama katmanı:

Bu katman esasen doğrudan kullanıcılara yönelik uygulamalardır ve AI ile Web3'ü birleştirerek daha fazla ilginç ve yenilikçi oyun biçimleri yaratmaktadır. Bu makalede esas olarak AIGC (AI Üretilen İçerik), AI ajanları ve veri analizi gibi bölümlerin projeleri ele alınmıştır.

• AIGC: AIGC ile Web3 içindeki NFT, oyun gibi alanlara genişleyebilir, kullanıcılar doğrudan Prompt (kullanıcının verdiği anahtar kelimeler) aracılığıyla metin, görüntü ve ses üretebilir, hatta oyun içinde kendi tercihine göre özel oyun karakterleri oluşturabilir.