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

AI anlatımının sürekli ısınmasıyla birlikte, bu alana artan bir ilgi odaklanmaktadır. Bu makalede Web3-AI alanının teknik mantığı, uygulama senaryoları ve temsilci projeleri derinlemesine analiz edilerek, bu alanın panoramasını ve gelişim eğilimlerini kapsamlı bir şekilde sunulmaktadır.

1. Web3-AI: Teknik Mantık ve Yeni Pazar Fırsatlarının Analizi

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

Son bir yıl içinde, AI anlatımı Web3 sektöründe olağanüstü bir şekilde popüler hale geldi, AI projeleri birbiri ardına ortaya çıkmaya başladı. Birçok proje AI teknolojisini içeriyor olsa da, bazı projeler yalnızca ürünlerinin belirli kısımlarında AI kullanıyor, temel token ekonomisi AI ürünleriyle gerçek bir bağlantıya sahip değil, bu nedenle bu tür projeler bu yazıda Web3-AI projeleri tartışmasına dahil edilmemektedir.

Bu makalenin odak noktası, blockchain kullanarak üretim ilişkileri sorunlarını çözmek ve AI ile üretkenlik sorunlarını çözmek olan projelerdir. Bu projeler kendileri AI ürünleri sunarken, aynı zamanda üretim ilişkileri aracı olarak Web3 ekonomik modeline dayanmaktadır. İkisi birbirini tamamlamaktadır. Bu tür projeleri Web3-AI alanına sınıflandırıyoruz. Okuyucuların Web3-AI alanını daha iyi anlaması için, bu makalede AI'nın geliştirme süreci ve zorlukları ile Web3 ve AI'nın nasıl mükemmel bir şekilde birlikte çalışarak sorunları çözdüğü ve yeni uygulama senaryoları yarattığı hakkında bilgi verilecektir.

1.2 AI'nin geliştirme süreci ve zorlukları: veri toplama aşamasından model çıkarımına

AI 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 kılmaktadır. AI, 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, kediler ve köpekler resimlerini sınıflandırmak için bir model geliştirmek istiyorsanız, şunlara ihtiyacınız var:

1. Veri toplama ve veri ön işleme: Kediler ve köpekler içeren bir görüntü veri seti toplayın, kamuya açık veri setlerini kullanabilir 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 setine ayırın.

2. Model Seçimi ve Ayarlama: 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 katmanları, AI görevlerinin karmaşıklığına göre ayarlanabilir. Bu basit sınıflandırma örneğinde, daha yüzeysel ağ katmanları yeterli olabilir.

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

4. Model Çıkarsaması: Eğitimli model dosyalarına genellikle model ağırlıkları denir. Çıkarma süreci, önceden eğitilmiş bir modeli yeni verilerle tahmin veya sınıflandırma yapmak için kullanma sürecini ifade eder. Bu süreçte, modelin sınıflandırma etkinliğini test etmek için test kümesi veya yeni veriler kullanılabilir ve 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 sürecinden sonra, eğitilen modelin test setinde çıkarım yapılması, kedi ve köpek için tahmin değerleri P (olasılık) elde edilecektir; yani modelin kedi veya köpek olma olasılığını çıkarması.

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 sonucunu alabilir.

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

Kullanıcı Gizliliği: Merkezi bir senaryoda, AI'ın geliştirme süreci genellikle şeffaf değildir. Kullanıcı verileri, kullanıcıların haberi olmadan çalınabilir ve AI eğitimi için kullanılabilir.

Veri kaynağı edinme: Küçük ekipler veya bireyler belirli bir alanda verileri (örneğin, tıbbi veriler) edinirken açılmamış veri kısıtlamalarıyla karşılaşabilir.

Model Seçimi ve Ayarı: Küçük ekipler için belirli bir alanda model kaynaklarına erişmek veya model ayarı 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.

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

Merkezi AI sahnesindeki zorluklar, Web3 ile birleştirilerek aşılabilir. Web3, yeni bir üretim ilişkisi olarak, doğal olarak yeni üretkenlik temsilcisi olan AI ile uyumlu olup, böylece teknolojik ve üretim kapasitesinin aynı anda ilerlemesini teşvik eder.

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

Web3 ve AI'nin birleşimi, kullanıcı egemenliğini artırabilir, kullanıcılara açık bir AI işbirliği platformu sunarak Web2 döneminin AI kullanıcılarından katılımcılara dönüşmelerini sağlar ve herkesin sahip olabileceği AI'lar yaratır. Aynı zamanda, Web3 dünyası ile AI teknolojisinin entegrasyonu daha fazla yenilikçi uygulama senaryosu ve oyun tarzı ortaya çıkarabilir.

Web3 teknolojisi temelinde, AI'nın geliştirilmesi ve uygulanması yeni bir işbirliği ekonomisi sistemine adım atacak. İnsanların veri gizliliği korunabilecek, veri kalabalığı modeli AI modellerinin ilerlemesini teşvik edecek, birçok açık kaynaklı AI kaynağı kullanıcıların kullanımına sunulacak ve paylaşılan hesaplama gücü daha düşük maliyetlerle elde edilebilecek. Merkeziyetsiz işbirliği kalabalık mekanizması ve açık AI pazarı sayesinde adil bir gelir dağılımı sistemi sağlanarak, daha fazla insanın AI teknolojisinin ilerlemesini teşvik etmesi teşvik edilecektir.

Web3 senaryolarında, AI birden fazla alanda olumlu etkiler yaratabiliyor. Örneğin, AI modelleri akıllı sözleşmelere entegre edilerek pazar analizi, güvenlik denetimi, sosyal kümelenme gibi çeşitli uygulama senaryolarında iş verimliliğini artırabilir. Üretken AI, kullanıcıların AI teknolojisi ile kendi NFT'lerini yaratmak gibi "sanatçı" rollerini deneyimlemelerini sağlamakla kalmaz, aynı zamanda GameFi'de zengin ve çeşitli oyun senaryoları ve eğlenceli etkileşim deneyimleri yaratabilir. Zengin altyapı, hem AI uzmanları hem de 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 alanında 41 projeyi inceledik ve bu projeleri farklı katmanlara ayırdık. Her bir katmanın ayrım mantığı aşağıdaki gibi olup, altyapı katmanı, ara katman ve uygulama katmanı içerir; her bir katman ayrıca farklı bölümlere ayrılmıştır. Bir sonraki bölümde, bazı temsil niteliği taşıyan projeleri derinlikli olarak analiz edeceğiz.

Altyapı katmanı, tüm AI yaşam döngüsü boyunca çalışan hesaplama kaynakları ve teknik mimarileri desteklerken, orta katman altyapıyı ve uygulamayı 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 edilmiştir. İşte bu altyapıların desteği sayesinde AI modellerinin eğitimi ve çıkarımı gerçekleştirilebilir ve güçlü, kullanışlı AI uygulamaları kullanıcılara sunulabilir.

• Dağıtık hesaplama ağı: AI model eğitimi için dağıtık hesaplama gücü sağlayabilir ve verimli ve ekonomik hesaplama kaynaklarının kullanımını güvence altına alır. Bazı projeler, kullanıcıların düşük maliyetle hesaplama gücü kiralayabileceği veya hesaplama gücünü paylaşarak gelir elde edebileceği merkeziyetsiz bir hesaplama gücü pazarı sunmaktadır; bu projelere örnek olarak IO.NET ve Hyperbolic gösterilebilir. Ayrıca, bazı projeler yeni oyun stilleri geliştirmiştir; örneğin Compute Labs, kullanıcıların GPU varlıklarını temsil eden NFT'ler satın alarak farklı şekillerde hesaplama gücü kiralamak için katılabilecekleri tokenleştirilmiş bir protokol önermiştir.

• AI Zinciri: Blockchain'i AI yaşam döngüsünün temeli olarak kullanarak, zincir üzeri ve dışı 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 ilgili geliştirme araçlarını sunar; temsilci projeler arasında Sahara AI bulunmaktadır. AI Zinciri, Bittensor'un farklı AI türlerinin alt ağ rekabetini teşvik etmek için yenilikçi alt ağ teşvik mekanizması gibi farklı alanlardaki AI teknolojilerinin ilerlemesini de teşvik edebilir.

• Geliştirme platformu: Bazı projeler AI ajanı geliştirme platformu sunmaktadır ve Fetch.ai ve ChainML gibi AI ajanı ticaretini gerçekleştirebilir. Tek duraklı araçlar, geliştiricilerin AI modellerini daha kolay bir şekilde oluşturmasına, eğitmesine ve dağıtmasına yardımcı olur; bu projelere örnek olarak Nimble gösterilebilir. Bu altyapılar, AI teknolojisinin Web3 ekosistemindeki geniş uygulamalarını teşvik etmektedir.

Ara katman:

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

• Veriler: Verilerin kalitesi ve miktarı, model eğitiminin etkinliğini etkileyen ana faktörlerdir. Web3 dünyasında, kalabalık kaynaklı veriler ve işbirlikçi veri işleme yoluyla kaynak kullanımı optimize edilebilir ve veri maliyetleri düşürülebilir. Kullanıcılar, gizlilik koruması altında kendi verilerini satma hakkına sahip olabilir, böylece verilerin kötü niyetli tüccarlar tarafından çalınmasını ve yüksek karlar elde edilmesini önleyebilirler. Veri talep edenler için, bu platformlar geniş bir seçenek yelpazesi ve son derece düşük maliyetler sunmaktadır. Grass gibi projeler, kullanıcıların bant genişliğini kullanarak Web verilerini toplarken, xData kullanıcı dostu eklentileri aracılığıyla medya bilgilerini toplamakta ve kullanıcıların tweet bilgilerini yüklemelerini desteklemektedir.

Ayrıca, bazı platformlar alan uzmanlarının veya sıradan kullanıcıların veri ön işleme görevlerini yerine getirmesine olanak tanır; 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, farklı alanlarda veri görevleri sunan AI pazarları, çok çeşitli veri senaryolarını kapsayabilir; AIT Protocol ise veri etiketleme işlemini insan-makine işbirliği ile gerçekleştirir.

• Model: Daha önce bahsedilen AI geliştirme sürecinde, farklı türdeki ihtiyaçlar uygun modellerle eşleştirilmelidir. Görüntü görevleri için 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 kullanılmaktadır. Elbette bazı belirli veya genel büyük modeller de mevcuttur. Farklı karmaşıklıkta görevlerin ihtiyaç duyduğu model derinlikleri de farklılık gösterir ve bazen modelin ayarlanması gerekebilir.

Bazı projeler, kullanıcıların farklı türde modeller sağlamasına veya kalabalık kaynak kullanarak modelleri birlikte eğitmesine olanak tanır. Örneğin, Sentient, kullanıcıların güvenilir model verilerini depolama katmanında ve dağıtım katmanında model optimizasyonu yapmak için yerleştirmesine izin veren modüler bir tasarım sunar. Sahara AI tarafından sağlanan geliştirme araçları, yerleşik gelişmiş AI algoritmaları ve hesaplama çerçeveleri ile birlikte gelir ve işbirliği ile 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 davranışların olup olmadığını doğrulamak için bir doğrulama mekanizması ile birlikte gelir. Web3'teki çıkarım 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'ı (OAO) yer almakta olup, OPML'yi AI oracle'ının doğrulanabilir katmanı olarak tanıtmaktadır, ORA'nın resmi web sitesinde ZKML ve opp/ai (ZKML ile OPML'in birleşimi) üzerine yaptıkları araştırmalara da değinilmektedir.

Uygulama katmanı:

Bu katman esasen kullanıcıya doğrudan hitap eden uygulamalardır ve AI ile Web3'ü birleştirerek daha ilginç ve yenilikçi oyunlar 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 ipucu) aracılığıyla metin, görüntü ve ses oluşturabilir, hatta oyunda kendi tercihlerine göre içerik üretebilir.