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 yoğunlaşmaktadır. Bu makalede Web3-AI alanının teknik mantığı, uygulama senaryoları ve temsilci projeleri derinlemesine analiz edilerek, bu alanın panorama ve gelişim eğilimleri kapsamlı bir şekilde sunulmaktadır.

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

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

Geçtiğimiz yıl içinde, AI anlatımı Web3 sektöründe son derece popüler hale geldi, AI projeleri birbiri ardına ortaya çıkmaya başladı. Birçok proje AI teknolojisini kapsasa da, bazı projeler yalnızca ürünlerinin belirli kısımlarında AI kullanıyor, temel token ekonomisi ile AI ürünleri arasında gerçek bir ilişki yok, bu nedenle bu tür projeler bu yazıda Web3-AI projeleri tartışmasına dahil edilmemektedir.

Bu makalenin odak noktası, blok zinciri kullanarak üretim ilişkileri sorunlarını çözme ve AI ile üretkenlik sorunlarını çözme projeleridir. Bu projeler, kendi AI ürünlerini sunarken, aynı zamanda üretim ilişkileri aracı olarak Web3 ekonomik modeline dayanmaktadır ve ikisi birbirini tamamlamaktadır. Bu tür projeleri Web3-AI alanına dahil ediyoruz. Okuyucuların Web3-AI alanını daha iyi anlaması için, şimdi AI'nin geliştirme sürecini ve zorluklarını, ayrıca Web3 ve AI'nin birleşiminin sorunları nasıl mükemmel bir şekilde çözdüğünü ve yeni uygulama senaryoları yaratma sürecini tanıtacağız.

1.2 AI'nin geliştirilme süreci ve zorlukları: Veri toplama aşamasından model çıkarımına kadar

Yapay zeka teknolojisi, bilgisayarların insan zekasını simüle etmesine, genişletmesine ve güçlendirmesine olanak tanıyan bir teknolojidir. Bu teknoloji, bilgisayarların dil çevirisi, görüntü sınıflandırma, yüz tanıma, otonom sürüş gibi çeşitli karmaşık görevleri yerine getirmesini sağlamakta ve yapay zeka hayatımızı 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, bir modeli kedi ve köpek görüntülerinin sınıflandırılmasını sağlamak için geliştirmeniz gerektiğinde, şunları yapmalısınız:

1. Veri toplama ve veri ön işleme: Kedi ve köpek içeren bir görüntü veri seti toplayın, kamuya açık veri setlerini kullanabilir veya gerçek verileri kendiniz toplayabilirsiniz. Ardından her bir görüntü için ( kedi veya köpek ) kategorisini 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 İyileştirme: Uygun bir model seçin, örneğin, konvolüsyonel sinir ağı (CNN), görüntü sınıflandırma görevleri için daha uygundur. Farklı ihtiyaçlara göre model parametreleri veya mimarisi iyileştirilir, genellikle modelin ağ derinliği, AI görevlerinin karmaşıklığına göre ayarlanabilir. Bu basit sınıflandırma örneğinde, daha yüzeysel 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 kapasitesinden etkilenir.

4. Model Çıkarımı: Eğitimli model dosyalarına genellikle model ağırlıkları denir, çıkarım süreci, eğitimli bir 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.

Şekilde gösterildiği 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 değeri P(probability) elde edilecektir, yani modelin kedi veya köpek olma olasılığı.

Eğitilmiş AI modelleri, farklı görevleri yerine getirmek için çeşitli uygulamalara daha da entegre edilebilir. Bu örnekte, kedi ve köpek sınıflandırma AI modeli bir mobil uygulamaya entegre edilebilir; kullanıcılar kedi veya köpek fotoğraflarını yüklediklerinde, sınıflandırma sonuçlarını alabilirler.

Ancak, merkeziyetsiz AI geliştirme süreci aşağıdaki senaryolarda bazı sorunlar yaşar:

Kullanıcı Gizliliği: Merkezi bir ortamda, AI'nin geliştirme süreci genellikle şeffaf değildir. Kullanıcı verileri, kullanıcıların haberi olmadan çalınıp AI eğitimi için kullanılabilir.

Veri Kaynağı Elde Etme: Küçük ekipler veya bireyler, belirli bir alandaki verileri (, örneğin tıbbi verileri ) elde ederken, verilerin açık kaynak olmaması kısıtlamasıyla karşılaşabilirler.

Model seçimi ve ayarlama: Küçük ekipler için belirli alanlardaki model kaynaklarına erişmek veya model ayarlamak için büyük maliyetler harcamak zor olabilir.

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 bir gelir elde edemezken, yapay zeka geliştiricilerinin araştırma sonuçları da talep eden alıcılarla eşleşmekte zorlanmaktadır.

Merkeziyetsiz 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 teknoloji ile 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, kullanıcılara açık bir AI işbirliği platformu sunarak, kullanıcıların Web2 döneminin 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 tarzı ortaya çıkarabilir.

Web3 teknolojisi temelinde, AI'nın geliştirilmesi ve uygulanması yeni bir işbirliği ekonomisi sistemine girecektir. İnsanların veri gizliliği korunabilir, veri kalabalıklaştırma modeli AI modellerinin gelişimini teşvik eder, birçok açık kaynak AI kaynağı kullanıcıların kullanımına sunulur, paylaşılan hesaplama gücü daha düşük maliyetle elde edilebilir. Merkeziyetsiz işbirliği kalabalıklaştırma mekanizması ve açık AI pazarı sayesinde adil bir gelir dağıtım sistemi sağlanabilir, 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 ve farklı uygulama senaryolarında iş verimliliğini artırabilir; piyasa analizi, güvenlik testleri, sosyal kümeleme gibi çeşitli işlevler için. Üretken AI, kullanıcıların "sanatçı" rolünü deneyimlemelerini sağlar; örneğin AI teknolojisi kullanarak kendi NFT'lerini yaratabilirler. Ayrıca GameFi'de zengin ve çeşitli oyun sahneleri ile ilginç etkileşim deneyimleri oluşturabilir. Zengin altyapı, sorunsuz bir geliştirme deneyimi sunar; ister AI uzmanı olsun ister AI alanına yeni girmek isteyen bir acemi, bu dünyada uygun bir giriş bulabilir.

İki, Web3-AI ekosistem projesi haritası ve mimari yorumlama

Web3-AI alanındaki 41 projeyi temel olarak inceledik ve bu projeleri farklı seviyelere ayırdık. Her bir seviyenin ayrım mantığı aşağıdaki gibi gösterilmektedir; altyapı seviyesi, ara seviye ve uygulama seviyesi, her bir seviye de farklı bölümlere ayrılmaktadır. Bir sonraki bölümde, bazı temsili projeleri derinlikli olarak analiz edeceğiz.

Altyapı katmanı, tüm AI yaşam döngüsünün çalışmasını destekleyen hesaplama kaynakları ve teknoloji mimarisini kapsar; orta katman ise altyapıyı uygulamalarla bağlayan 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 temelini oluşturmaktadır. Bu yazıda, hesaplama gücü, AI Zinciri ve geliştirme platformu altyapı katmanına sınıflandırılmıştır. İşte bu altyapıların desteği sayesinde, AI modellerinin eğitimi ve çıkarımı gerçekleştirilebilmekte ve kullanıcıya güçlü, pratik AI uygulamaları sunulabilmektedir.

• Merkeziyetsiz hesaplama ağı: AI model eğitimi için dağıtık hesaplama gücü sağlayarak, etkili ve ekonomik hesaplama kaynaklarının kullanımını güvence altına alır. Bazı projeler merkeziyetsiz bir hesaplama gücü pazarı sunar, kullanıcılar düşük maliyetle hesaplama gücünü kiralayabilir veya hesaplama gücünü paylaşarak kazanç elde edebilir, temsilci projeler arasında IO.NET ve Hyperbolic bulunmaktadır. Ayrıca, bazı projeler yeni oyun tarzları geliştirmiştir; Compute Labs, GPU varlıklarını temsil eden NFT'leri satın alarak kullanıcıların farklı şekillerde hesaplama gücü kiralama yoluyla kazanç elde etmelerini sağlayan tokenizasyon protokolünü önermiştir.

• AI Zinciri: Blockchain'i AI yaşam döngüsünün temeli olarak kullanarak, zincir üstü ve zincir altı AI kaynaklarının sorunsuz 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 projeler arasında Sahara AI bulunmaktadır. AI Zinciri ayrıca, Bittensor'un yenilikçi alt ağ teşvik mekanizması aracılığıyla farklı AI türlerinin alt ağ rekabetini teşvik ederek farklı alanlarda AI teknolojilerinin ilerlemesine de katkıda bulunabilir.

• Geliştirme Platformu: Bazı projeler AI ajan geliştirme platformları sunmakta, ayrıca Fetch.ai ve ChainML gibi AI ajanlarının ticaretini de gerçekleştirebilmektedir. Tek durak aracı, 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 kullanımını teşvik etmektedir.

Ara katman:

Bu katman, AI verileri, modelleri ile akıl yürütme ve doğrulama ile ilgilidir; Web3 teknolojisi kullanılarak daha yüksek çalışma verimliliği sağlanabilir.

• Veriler: Verilerin kalitesi ve miktarı, model eğitiminin etkisini etkileyen anahtar faktörlerdir. Web3 dünyasında, kitle kaynaklı veriler ve işbirlikçi veri işleme yoluyla, kaynak kullanımı optimize edilebilir ve veri maliyetleri azaltılabilir. Kullanıcılar, gizlilik koruma altında kendi verilerini satma hakkına sahip olabilirler, böylece verilerin kötü niyetli ticaretçiler tarafından çalınması ve yüksek kâr elde edilmesi önlenebilir. Veri talep edenler için, bu platformlar geniş bir seçim ve çok düşük maliyetler sunmaktadır. Temsilci projeler arasında Grass, kullanıcı bant genişliğini kullanarak Web verilerini toplarken, 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 getirmelerine olanak tanır; bu görevler, profesyonel bilgi gerektiren finansal ve hukuki görevlerin veri işlenmesini içerebilir. Kullanıcılar becerilerini tokenleştirerek veri ön işleme iş birliği ve topluluğa katkıda bulunabilirler. Sahara AI gibi AI pazarları, farklı alanlardaki veri görevlerini temsil eder ve çok çeşitli veri senaryolarını kapsayabilir; AIT Protocol ise veri etiketleme işlemini insan-makine iş birliği ile gerçekleştirir.

• Model: Daha önce bahsedilen AI geliştirme sürecinde, farklı türdeki ihtiyaçların uygun modellere eşleştirilmesi gerekmektedir. Görüntü görevlerinde yaygın olarak kullanılan modeller arasında CNN, GAN, nesne tespiti görevleri için Yolo serisi, metin tabanlı görevler için ise yaygın olarak RNN, Transformer gibi modeller bulunmaktadır. Elbette bazı özel veya genel büyük modeller de mevcuttur. Farklı karmaşıklıkta görevlerin ihtiyaç duyduğu model derinliği de farklıdır, bazen modellerin ayarlanması gerekebilir.

Bazı projeler, kullanıcıların farklı türde modeller sunmasına veya kalabalık kaynak kullanarak model eğitimi yapmasına destek verir; örneğin, Sentient modüler tasarımı sayesinde kullanıcıların güvenilir model verilerini depolama katmanında ve dağıtım katmanında model optimizasyonu yapmak üzere yerleştirmesine izin verir. Sahara AI tarafından sunulan geliştirme araçları, yerleşik ileri düzey AI algoritmaları ve hesaplama çerçeveleri ile birlikte gelir ve işbirliği eğitimi yeteneğine sahiptir.

• Çıkarım ve doğrulama: Model eğitildikten sonra model ağırlık dosyalarını üretir, bunlar doğrudan sınıflandırma, tahmin veya diğer belirli görevler için kullanılabilir, bu işleme çıkarım denir. 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, modelin çağrılmasıyla çıkarım yapılır, yaygın doğrulama yöntemleri arasında ZKML, OPML ve TEE gibi teknolojiler bulunmaktadır. Temsilci projeler arasında ORA zincirindeki AI oracle (OAO) yer almakta, OPML'yi AI oracle için doğrulanabilir katman olarak tanıtmaktadır, ORA'nın resmi web sitesinde ZKML ve opp/ai(ZKML'nin OPML) ile birleşimine dair araştırmalarına da değinilmiştir.

Uygulama Katmanı:

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

• AIGC: AIGC, Web3 içindeki NFT, oyun gibi alanlara genişleyebilir, kullanıcılar doğrudan Prompt( ile verdikleri ipuçlarıyla ) metin, görüntü ve ses oluşturabilir, hatta oyun içinde kendi tercihlerine göre özelleştirilmiş oyun stilleri oluşturabilirler. NFPrompt gibi NFT projelerinde kullanıcılar AI ile oluşturulan NFT'leri piyasada ticaret yapabilir; Sleepless gibi oyunlarda kullanıcılar sanal partnerlerinin karakterini kendi tercihleriyle eşleştirmek için diyalog kurarlar;

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