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

AI anlatımının sürekli ısınmasıyla birlikte, bu alana artan bir ilgi var. Web3-AI alanındaki teknik mantık, uygulama senaryoları ve temsilci projeler derinlemesine incelendi, bu alanın panoramasını ve gelişim trendlerini sizlere kapsamlı bir şekilde sunuyor.

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

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

Geçtiğimiz yıl, AI anlatımı Web3 sektöründe olağanüstü popüler hale geldi, AI projeleri birbiri ardına ortaya çıktı. Birçok proje AI teknolojisini kapsasa da, 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 yazıda Web3-AI projeleri tartışmasına dahil değildir.

Bu makalenin odak noktası, blok zincirinin üretim ilişkileri sorunlarını çözmesi, AI'nın ise üretkenlik sorunlarını çözmesi projeleridir. Bu projeler kendileri AI ürünleri sunmakta ve aynı zamanda Web3 ekonomik modeli üzerine inşa edilmiş üretim ilişkileri aracı olarak işlev görmektedir; ikisi birbirini tamamlamaktadır. Bu tür projeleri Web3-AI alanına sınıflandırıyoruz. Okuyucuların Web3-AI alanını daha iyi anlamaları için, AI'nin geliştirme süreci ve karşılaştığı zorluklar 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 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, kedi ve köpek görüntülerini sınıflandırmak için bir model geliştirirken şunları yapmalısınız:

1. Veri toplama ve veri ön işleme: Kedi ve köpek içeren bir görüntü veri seti toplamak, açık veri setleri kullanabilir veya gerçek verileri kendiniz toplayabilirsiniz. Ardından, her bir görüntü için kategori ( kedi veya köpek ) olarak etiketleme yapın, 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 Ayarlama: Uygun bir model 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 karmaşıklığı ve hesaplama kapasitesine bağlıdır.

4. Model çıkarımı: Eğitim tamamlanmış model dosyaları genellikle model ağırlıkları olarak adlandırılır, çıkarım süreci, eğitilmiş bir modelin yeni veriler üzerinde tahmin veya sınıflandırma yapmak için kullanılmasıdır. Bu süreçte, modelin sınıflandırma başarısını test etmek için test seti veya yeni veriler kullanılabilir, genellikle modelin etkinliğini değerlendirmek için doğruluk, geri çağırma, F1-skoru gibi göstergeler kullanılır.

Görüldüğü gibi, veri toplama ve veri ön işleme, model seçimi ve ayarlama ile eğitimden sonra, eğitilmiş modeli test kümesinde kullanarak, kedi ve köpek için tahmin değerleri P(probability) elde edilecektir; yani modelin kedi veya köpek olma olasılığını çıkardığı.

Eğitilmiş AI modelleri, farklı görevleri yerine getirmek için çeşitli uygulamalara entegre edilebilir. Bu örnekte, kedi ve köpek sınıflandırma AI modeli bir mobil uygulamaya entegre edilebilir; kullanıcılar kedi veya köpek resimlerini yüklediğinde, sınıflandırma sonuçlarını alabilir.

Ancak, merkeziyetçi AI geliştirme süreci aşağıdaki senaryolarda bazı sorunlar barındırmaktadır:

Kullanıcı Gizliliği: Merkezileşmiş senaryolarında, AI'nin geliştirme süreci genellikle şeffaf değildir. Kullanıcı verileri, kullanıcıların bilgisi 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 karşılaşabilir.

Model seçimi ve ayarı: Küçük ekipler için belirli bir alanda model kaynaklarına erişmek veya model ayarlamak 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 emekle eşleşen bir gelir elde edemezken, yapay zeka geliştiricilerinin araştırma sonuçları da talep eden alıcılarla eşleşmekte zorluk çekmektedir.

Merkeziyetsiz AI senaryolarında var olan zorluklar, Web3 ile birleşerek aşılabilir. Web3, yeni bir üretim ilişkisi olarak, doğal olarak yeni üretkenliği temsil eden AI ile uyum sağlar ve böylece teknoloji ile üretim yeteneklerinin aynı anda ilerlemesini teşvik eder.

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

Web3 ve AI birleşimi, kullanıcı egemenliğini artırabilir, kullanıcılara açık bir AI işbirliği platformu sunarak, kullanıcıların Web2 döneminin AI kullanıcılarından katılımcılara dönüşmesini sağlayabilir, herkesin sahip olabileceği AI yaratabilir. 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 sistemi ile karşılaşacaktır. İnsanların veri gizliliği güvence altına alınabilir, veri toplama modeli AI modellerinin ilerlemesini teşvik eder, birçok açık kaynaklı AI kaynağı kullanıcılar için kullanılabilir, paylaşılan hesaplama gücü daha düşük maliyetle elde edilebilir. Merkeziyetsiz işbirliği toplama mekanizması ve açık AI pazarı sayesinde, adil bir gelir dağıtım sistemi gerçekleştirilebilir, böylece daha fazla insanın AI teknolojisinin ilerlemesini teşvik etmesi teşvik edilir.

Web3 sahnesinde, AI birden fazla alanda olumlu etki yaratabilir. Örneğin, AI modelleri akıllı sözleşmelere entegre edilebilir, farklı uygulama senaryolarında iş verimliliğini artırabilir, piyasa analizi, güvenlik denetimi, sosyal kümelenme gibi çeşitli işlevlerle. Üretken AI, kullanıcıların "sanatçı" rolünü deneyimlemesine olanak tanırken, örneğin AI teknolojisi kullanarak kendi NFT'lerini oluşturmak, aynı zamanda GameFi'de zengin ve çeşitli oyun sahneleri ve ilginç etkileşim deneyimleri yaratabilir. Zengin altyapı, akıcı bir geliştirme deneyimi sunar, hem AI uzmanları hem de AI alanına girmek isteyen acemiler bu dünyada uygun bir giriş bulabilir.

İki, Web3-AI ekosistem proje haritası ve mimarisi analizi

Web3-AI alanındaki 41 projeyi inceledik ve bu projeleri farklı seviyelere ayırdık. Her bir seviyenin ayırma mantığı aşağıdaki gibi olup, altyapı katmanı, ara katman ve uygulama katmanı içerir; her bir katman ayrıca farklı bölümlere ayrılmıştır. Bir sonraki bölümde, bazı temsilci projeleri derinlikli bir şekilde analiz edeceğiz.

Altyapı katmanı, tüm AI yaşam döngüsünün çalışmasını destekleyen hesaplama kaynakları ve teknik mimarileri kapsar; ara katman, altyapıyı uygulamalara bağlayan veri yönetimi, model geliştirme ve doğrulama çıkarım hizmetlerini içerir; uygulama katmanı ise doğrudan kullanıcıya yönelik çeşitli uygulamaları ve çözümleri odaklanır.

Altyapı katmanı:

Altyapı katmanı, AI yaşam döngüsünün temelidir. Bu yazıda, hesaplama gücü, AI Zinciri ve geliştirme platformu altyapı katmanına dahil edilmiştir. Bu altyapıların desteği sayesinde, AI modellerinin eğitimi ve çıkarımı gerçekleştirilebilir ve güçlü, kullanışlı AI uygulamaları kullanıcılara sunulabilir.

• Merkeziyetsiz hesaplama ağı: AI model eğitimi için dağıtık hesaplama gücü sağlayabilir, verimli ve ekonomik hesaplama kaynaklarının kullanılmasını garanti eder. Bazı projeler merkeziyetsiz hesaplama gücü pazarları sunar, kullanıcılar düşük maliyetle hesaplama gücü kiralayabilir veya hesaplama gücü paylaşarak gelir elde edebilir, bu projelere örnek olarak IO.NET ve Hyperbolic gösterilebilir. Ayrıca, bazı projeler yeni oyun şekilleri geliştirmiştir, örneğin Compute Labs, kullanıcıların GPU varlıklarını temsil eden NFT'leri satın alarak hesaplama gücü kiralamaya farklı şekillerde katılmalarını sağlayan tokenleştirilmiş protokoller önermiştir.

• AI Zinciri: Blok zincirini AI yaşam döngüsünün temeli olarak kullanarak, zincir üzerindeki ve dışındaki AI kaynaklarının kesintisiz etkileşimini sağlamayı ve endüstri ekosisteminin gelişimini teşvik etmeyi amaçlamaktadır. Zincir üzerindeki merkeziyetsiz AI pazarı, veri, model, ajan gibi AI varlıklarının ticaretini yapabilir ve AI geliştirme çerçevesi ile ilgili geliştirme araçları sunabilir, temsilci projeler arasında Sahara AI bulunmaktadır. AI Zinciri ayrıca farklı alanlardaki AI teknolojilerinin ilerlemesini 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 ve 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 geniş uygulamalarını teşvik etmektedir.

Ara katman:

Bu katman, AI verileri, modelleri ve akıl yürütme ile doğrulamayı içerir, Web3 teknolojisinin kullanımı daha yüksek iş verimliliği sağlayabilir.

• Veriler: Verilerin kalitesi ve miktarı, model eğitim etkisini etkileyen kritik faktörlerdir. Web3 dünyasında, topluluk temelli veriler ve işbirlikçi veri işleme ile kaynak kullanımı optimize edilebilir ve veri maliyetleri düşürülebilir. Kullanıcılar, gizlilik koruma altında kendi verilerini satma hakkına sahip olabilir, böylece verilerin kötü niyetli satıcılar tarafından çalınmasını ve yüksek kar elde edilmesini önleyebilirler. Veri talep edenler için, bu platformlar geniş bir seçenek ve son derece düşük maliyet sunmaktadır. Temsilci projeler arasında Grass, kullanıcı bant genişliğini kullanarak Web verilerini toplar; xData, kullanıcı dostu eklentiler aracılığıyla medya bilgilerini toplar ve kullanıcıların tweet bilgilerini yüklemelerine destek verir.

Ayrıca, bazı platformlar alan uzmanlarının veya sıradan kullanıcıların veri ön işleme görevlerini yerine getirmesine izin vermektedir; örneğin, görsel etiketleme, veri sınıflandırma gibi görevler, finansal ve hukuki görevlerin veri işlenmesi gibi uzmanlık bilgisi gerektirebilir. Kullanıcılar becerilerini tokenleştirerek veri ön işleme işbirliği kitle kaynak kullanımını gerçekleştirebilirler. Sahara AI gibi AI pazarları, farklı alanlardaki veri görevlerini temsil eder ve çoklu alan veri senaryolarını kapsayabilir; AIT Protokolü ise insan-makine işbirliği ile verileri etiketler.

• Model: Daha önce bahsedilen AI geliştirme sürecinde, farklı türdeki gereksinimler için uygun modellerin eşleştirilmesi gerekmektedir. Görüntü görevleri için yaygın olarak kullanılan modeller arasında CNN, GAN gibi modeller bulunmaktadır; nesne tespiti görevleri için Yolo serisi seçilebilir. Metin tabanlı görevler için ise yaygın olarak RNN, Transformer gibi modeller kullanılmaktadır. Elbette bazı özel veya genel büyük modeller de mevcuttur. Farklı karmaşıklıklardaki görevlerin ihtiyaç duyduğu model derinliği de farklılık göstermektedir; bazen modellerin optimize edilmesi gerekebilir.

Bazı projeler, kullanıcıların farklı türde modeller sağlamasına veya kalabalık kaynak kullanarak model eğitimi için işbirliği yapmasına olanak tanır. Örneğin, Sentient, modüler tasarımı sayesinde kullanıcıların güvenilir model verilerini depolama katmanında ve dağıtım katmanında model optimizasyonu için yerleştirmelerine izin verir. Sahara AI tarafından sunulan geliştirme araçları, gelişmiş AI algoritmaları ve hesaplama çerçeveleri ile donatılmıştır ve işbirlikçi eğitim yeteneğine sahiptir.

• Çıkarım ve doğrulama: Model eğitildikten sonra model ağırlık dosyaları oluşturur, 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'teki çıkarım genellikle akıllı sözleşmelere entegre edilebilir, modelin çıkarımını yapmak için çağrılarla gerçekleştirilir, yaygın doğrulama yöntemleri arasında ZKML, OPML ve TEE gibi teknolojiler bulunur. Temsilci projeler arasında ORA zincirindeki AI oracle (OAO), AI oracle'ının doğrulanabilir katmanı olarak OPML'i tanıtmıştır, ORA'nın resmi web sitesinde ayrıca ZKML ve opp/ai(ZKML'in OPML) ile birleşimi üzerine yaptıkları araştırmalara da değinilmiştir.

Uygulama katmanı:

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

• AIGC: AIGC, Web3'te NFT, oyun gibi alanlara genişletilebilir. Kullanıcılar, Prompt( üzerinden verdikleri ipuçlarıyla) metin, görüntü ve ses oluşturabilirler; hatta oyun içinde kendi zevklerine göre özel oyun tarzları oluşturabilirler. NFPrompt gibi NFT projelerinde kullanıcılar, AI ile oluşturulan NFT'leri piyasada ticaret yapabilir; Sleepless gibi oyunlarda ise kullanıcılar, sanal partnerlerinin karakterini kendi tercihlerine göre şekillendirebilir.

• AI ajanı: Görevleri bağımsız bir şekilde yerine getirebilen ve karar verebilen yapay zeka sistemini ifade eder. AI ajanları genellikle algılama, akıl yürütme, öğrenme ve hareket etme yeteneklerine sahiptir ve çeşitli ortamlarda karmaşık görevleri yerine getirebilir. Yaygın AI ajanları arasında dil çevirisi, dil öğrenimi yer alır,