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

AI anlatımının sürekli ısınmasıyla birlikte, giderek daha fazla dikkat bu alana odaklanıyor. Bu makale, Web3-AI alanının teknik mantığını, uygulama senaryolarını ve temsilci projelerini derinlemesine analiz ederek, bu alanın panoramasını ve gelişim trendlerini sizlere kapsamlı bir şekilde sunmaktadır.

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

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

Geçtiğimiz yıl içinde, AI anlatımı Web3 sektöründe olağanüstü bir şekilde popülerlik kazandı ve AI projeleri birbiri ardına ortaya çıktı. Birçok proje AI teknolojisini içerse de, bazı projeler sadece ürünlerinin belirli kısımlarında AI kullanıyor, temel token ekonomisi ile AI ürünleri arasında gerçek bir ilişki bulunmuyor. Bu nedenle, bu tür projeler bu yazıda Web3-AI projeleri tartışmasına dahil değildir.

Bu makalenin odak noktası, üretim ilişkileri sorunlarını çözmek için blok zinciri kullanmak ve üretkenlik sorunlarını çözmek için AI projeleridir. Bu projeler, kendi AI ürünlerini sağlarken, aynı zamanda üretim ilişkileri aracı olarak Web3 ekonomik modeline dayanmaktadır; ikisi birbirini tamamlamaktadır. Bu tür projeleri Web3-AI alanına sınıflandırıyoruz. Okuyucuların Web3-AI alanını daha iyi anlamaları için, bu makalede AI'nın geliştirme süreci ve zorlukları, ayrıca Web3 ile AI'nın nasıl mükemmel bir şekilde sorunları çözdüğü ve yeni uygulama senaryoları yarattığı tanıtılacaktır.

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

Yapay zeka teknolojisi, bilgisayarların insan zekasını simüle etmesini, genişletmesini ve güçlendirmesini sağlayan bir tekniktir. Bu teknoloji, bilgisayarların dil çevirisi, görüntü sınıflandırması, yüz tanıma, otonom sürüş gibi çeşitli karmaşık görevleri yerine getirmesini sağlar; 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, kedilerin ve köpeklerin görüntülerinin sınıflandırılmasını sağlamak için bir model geliştirmeniz gerekiyorsa:

1. Veri toplama ve veri ön işleme: Kedi ve köpek içeren bir görsel veri seti toplayın, kamuya açık veri setleri kullanabilir veya gerçek verileri kendiniz toplayabilirsiniz. Daha sonra, her bir görsel için kategori (kedi veya köpek) etiketleyin ve etiketlerin doğru olduğundan emin olun. Görselleri modelin tanıyabileceği bir formata dönüştürün ve veri setini eğitim seti, doğrulama seti ve test seti olarak ayırın.

2. Model Seçimi ve Ayarlama: Uygun bir model seçin, örneğin, konvolüsyonel sinir ağı (CNN), görüntü sınıflandırma görevleri için oldukça uygundur. Farklı ihtiyaçlara göre model parametrelerini veya mimarisini ayarlayın, genellikle modelin ağ derinliği AI görevlerinin karmaşıklığına göre ayarlanabilir. Bu basit sınıflandırma örneğinde, daha yüzeysel bir ağ derinliği yeterli olabilir.

3. Model eğitimi: Modelleri eğitmek için GPU, TPU veya yüksek performanslı hesaplama kümeleri kullanılabilir; eğitim süresi modelin karmaşıklığı ve hesaplama kapasitesine bağlıdır.

4. Model Çıkarımı: Eğitimli model dosyalarına genellikle model ağırlıkları denir, çıkarım süreci, eğitilmiş modelin yeni veriler üzerinde tahmin veya sınıflandırma yapmak için kullanılması anlamına gelir. Bu süreçte modelin sınıflandırma etkisini test etmek için test seti veya yeni veriler kullanılabilir, 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 işlemleri tamamlandıktan sonra, eğitilmiş modelin test setinde çıkarım yapması, kedi ve köpek için tahmin değerlerini P (olasılık) elde edecektir. Yani modelin kedi veya köpek olduğu olasılığını çıkarır.

Eğitimli AI modelleri, farklı görevleri yerine getirmek için çeşitli uygulamalara entegre edilebilir. Bu örnekte, kedi ve köpek sınıflandırma AI modeli, kullanıcıların kedi veya köpek resimlerini yükleyerek sınıflandırma sonuçlarını alabileceği bir mobil uygulamaya entegre edilebilir.

Ancak, merkeziyetçi AI geliştirme sürecinin aşağıdaki senaryolarda bazı sorunları bulunmaktadır:

Kullanıcı gizliliği: Merkezileştirilmiş senaryolarında, AI geliştirme süreci genellikle şeffaf değildir. Kullanıcı verileri, kullanıcıların bilgisi olmadan çalınabilir ve AI eğitimi için kullanılabilir.

Veri kaynağı elde etme: Küçük ekipler veya bireyler, belirli bir alanda veri (örneğin tıbbi veriler) elde ederken, verilerin açık kaynak olmaması kısıtlamasıyla karşılaşabilir.

Model seçimi ve ince ayar: Küçük ekipler için belirli bir alandaki model kaynaklarına erişmek veya model ince ayarı için büyük maliyetler harcamak zor.

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 gelir elde edemezken, AI geliştiricilerinin araştırma sonuçları da talep eden alıcılarla eşleşmekte zorlanır.

Merkeziyetsiz AI alanındaki zorluklar, Web3 ile birleşerek aşılabilir. Web3, yeni bir üretim ilişkisi olarak, doğal olarak yeni bir üretkenliği temsil eden AI ile uyumlu hale gelir ve böylece teknolojinin ve üretim kapasitesinin eş zamanlı ilerlemesini sağlar.

1.3 Web3 ve AI'nin İşbirliği Etkisi: Rol Değişimi ve Yenilikçi Uygulamalar

Web3 ve AI'nin birleşimi, kullanıcı egemenliğini artırabilir ve kullanıcılara açık bir AI işbirliği platformu sunabilir. Bu, kullanıcıların Web2 çağının AI kullanıcıları olmaktan, katılımcılara dönüşmesini sağlar ve herkesin sahip olabileceği AI'lar yaratır. Aynı zamanda, Web3 dünyası ile AI teknolojisinin entegrasyonu, daha fazla yenilikçi uygulama senaryosu ve oyun tarzları yaratabilir.

Web3 teknolojisine dayalı olarak, AI'nın geliştirilmesi ve uygulanması yeni bir işbirliği ekonomisi sistemine girecek. İnsanların veri gizliliği güvence altına alınabilir, veri kalabalıklaştırma modeli AI modellerinin ilerlemesini teşvik eder, birçok açık kaynaklı AI kaynağı kullanıcılar tarafından kullanılabilir ve paylaşılan hesaplama gücü daha düşük maliyetle elde edilebilir. Merkeziyetsiz işbirliği kalabalıklaştırma mekanizması ve açık AI pazarı sayesinde, adil bir gelir dağıtım sistemi sağlanarak daha fazla insanın AI teknolojisinin ilerlemesini teşvik etmesi teşvik edilebilir.

Web3 sahnesinde, AI birden fazla alanda olumlu etki yaratabilir. Örneğin, AI modelleri akıllı sözleşmelere entegre edilebilir ve pazar analizi, güvenlik denetimi, sosyal kümeleme gibi farklı uygulama senaryolarında iş verimliliğini artırabilir. Üretken AI, kullanıcıların "sanatçı" rolünü deneyimlemelerini sağlarken, AI teknolojisi kullanarak kendi NFT'lerini yaratmalarına olanak tanır ve 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 alanında 41 projeyi inceledik ve bu projeleri farklı katmanlara ayırdık. Her bir katmanın ayrım mantığı aşağıdaki şekilde gösterilmiştir; altyapı katmanı, ara katman ve uygulama katmanı olmak üzere her bir katman ayrıca farklı bölümlere ayrılmıştır. Bir sonraki bölümde, bazı temsilci projeleri derinlikli bir şekilde inceleyeceğiz.

Altyapı katmanı, tüm AI yaşam döngüsünün çalışmasını destekleyen hesaplama kaynakları ve teknik mimarileri kapsar, ara katman ise altyapı ile uygulamalar arasında veri yönetimi, model geliştirme ve doğrulama çıkarım hizmetlerini içerir, uygulama katmanı ise doğrudan kullanıcılara yönelik çeşitli uygulama ve çözümlere odaklanır.

Altyapı katmanı:

Altyapı katmanı, AI yaşam döngüsünün temelidir. Bu yazıda, hesaplama gücünü, AI Chain'i ve geliştirme platformunu altyapı katmanı olarak sınıflandırıyoruz. 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, verimli ve ekonomik hesaplama kaynaklarının kullanımını güvence altına alır. Bazı projeler, kullanıcıların düşük maliyetle hesaplama gücü kiralayabileceği veya hesaplama gücü paylaşarak gelir elde edebileceği merkeziyetsiz bir hesaplama gücü pazarı sunmaktadır, temsilci projeler arasında IO.NET ve Hyperbolic bulunmaktadır. Ayrıca, bazı projeler yeni oyun biçimleri türetmiştir, örneğin Compute Labs, kullanıcıların GPU varlıklarını temsil eden NFT'ler satın alarak hesaplama gücü kiralamaya farklı şekillerde katılmalarını sağlayan tokenizasyon protokollerini önermiştir.

• AI Zinciri: Blockchain'i AI yaşam döngüsünün temeli olarak kullanarak, zincir üstü ve zincir altı AI kaynaklarının kesintisiz etkileşimini sağlamayı ve sektörel ekosistemin gelişimini teşvik etmeyi amaçlamaktadır. Zincir üzerindeki merkeziyetsiz AI pazarı, veri, model, ajan gibi AI varlıklarının ticaretine olanak tanır ve AI geliştirme çerçevesi ile destekleyici geliştirme araçları sunar; projeler arasında Sahara AI gibi örnekler bulunmaktadır. AI Zinciri, farklı alanlardaki AI teknolojilerinin ilerlemesini de teşvik edebilir; örneğin Bittensor, farklı AI türlerinin alt ağ rekabetini teşvik etmek için yenilikçi bir alt ağ teşvik mekanizması kullanmaktadır.

• Geliştirme platformu: Bazı projeler AI ajanı geliştirme platformları sunar, ayrıca Fetch.ai ve ChainML gibi AI ajanlarının ticaretini gerçekleştirebilir. 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 ekosisteminde geniş çapta uygulanmasını teşvik etmektedir.

Ara Katman:

Bu katman, AI verileri, modelleri ve akıl yürütme ile doğrulamayı içermektedir ve Web3 teknolojisi daha yüksek bir çalışma verimliliği sağlayabilir.

• Veri: Verinin kalitesi ve miktarı, model eğitiminin etkisini etkileyen temel faktörlerdir. Web3 dünyasında, kitlesel veri toplama ve işbirlikçi veri işleme ile kaynak kullanımı optimize edilebilir ve veri maliyetleri düşürülebilir. Kullanıcılar, verilerin gizliliğini koruyarak kendi verilerini satma hakkına sahip olabilir, böylece kötü niyetli işletmelerin verileri çalıp yüksek kâr elde etmesini önleyebilirler. Veri talep edenler için, bu platformlar geniş bir seçim ve son derece düşük maliyet sunmaktadır. Grass gibi projeler, kullanıcıların 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 gerçekleştirmelerine izin vermektedir. Örneğin, görüntü etiketleme, veri sınıflandırma gibi görevler, finans ve hukuk alanında uzmanlık gerektiren veri işleme görevlerini içerebilir. Kullanıcılar, becerilerini tokenleştirerek veri ön işleme işbirliği ile kalabalıklaştırabilirler. Sahara AI gibi AI pazarları, çeşitli alanlardaki veri görevlerini temsil eder ve çoklu alan veri senaryolarını kapsayabilir; AIT Protocol ise insan-makine işbirliği ile verileri etiketler.

• Model: Daha önce bahsedilen AI geliştirme sürecinde, farklı türdeki gereksinimlerin uygun modellere eşleştirilmesi gerekmektedir. Görüntü görevlerinde yaygın olarak kullanılan modeller arasında CNN ve GAN bulunurken, nesne tespiti görevleri için Yolo serisi tercih edilebilir. Metin tabanlı görevlerde ise yaygın olarak RNN, Transformer gibi modeller kullanılmaktadır. Tabii ki, bazı belirli veya genel büyük modeller de mevcuttur. Farklı karmaşıklık düzeylerine sahip görevler için gereken model derinliği de farklılık göstermektedir; bazen modelin ayarlanması gerekebilir.

Bazı projeler, kullanıcıların farklı türde modeller sunmasına veya model eğitimi için kitle kaynaklı işbirliği yapmasına destek verir; örneğin, Sentient modüler tasarımı sayesinde kullanıcılara güvenilir model verilerini depolama katmanında ve dağıtım katmanında model optimizasyonu yapmak için yerleştirme imkanı sunar. Sahara AI tarafından sağlanan geliştirme araçları, yerleşik ileri düzey 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'te çıkarım genellikle akıllı sözleşmelere entegre edilebilir ve modelin çağrılmasıyla çıkarım yapılır, yaygın doğrulama yöntemleri arasında ZKML, OPML ve TEE gibi teknolojiler bulunur. Temsilci projelerden biri ORA zincirindeki AI oracle (OAO) olup, OPML'i AI oracle'ın doğrulanabilir katmanı olarak tanıtmaktadır, ORA'nın resmi web sitesinde ZKML ve opp/ai (ZKML ile OPML'in birleşimi) ile ilgili araştırmalarına da yer verilmiştir.

Uygulama Katmanı:

Bu katman esas olarak kullanıcıya doğrudan hitap eden uygulamalardır, AI ile Web3'ü birleştirerek daha ilginç ve yenilikçi oyun tarzları yaratmaktadır. Bu yazıda temel olarak AIGC (AI ile üretilen içerik), AI temsilcileri ve veri analizi gibi birkaç alanın projeleri ele alınmıştır.

• AIGC: AIGC aracılığıyla