AI+Web3: Kuleler ve Meydanlar

Kısa ve Öz

1. AI kavramına sahip Web3 projeleri birinci ve ikinci piyasada para çekme hedefi haline geldi.

2. Web3'ün AI sektöründeki fırsatları, uzun kuyrukta potansiyel arzı koordine etmek için dağıtılmış teşviklerin kullanılmasında - veri, depolama ve hesaplama arasında; aynı zamanda açık kaynaklı modeller ve AI Ajanlarının merkeziyetsiz pazarını kurmakta ortaya çıkmaktadır.

3. AI'nin Web3 sektöründeki başlıca kullanım alanı, zincir üzerindeki finans (kripto ödemeleri, ticaret, veri analizi) ve geliştirme yardımıdır.

4. AI+Web3'ün faydası, ikisinin birbirini tamamlamasında yatıyor: Web3, AI merkezileşmesine karşı koyma umudu taşırken, AI da Web3'ün sınırlarını aşmasına yardımcı olma umudu taşıyor.

Giriş

Son iki yılda, AI gelişimi sanki hızlandırma butonuna basılmış gibi, Chatgpt'nin tetiklediği bu kelebek etkisi, yalnızca üretken yapay zekanın yeni bir dünyasını açmakla kalmadı, aynı zamanda karşı kıyıda Web3'te de büyük bir akıntı başlattı.

AI kavramının etkisiyle, yavaşlayan kripto pazarında finansmanın belirgin bir şekilde arttığı görülmektedir. Medya verilerine göre, yalnızca 2024'ün ilk yarısında 64 Web3+AI projesi finanse edilmiştir; yapay zeka tabanlı işletim sistemi Zyber365, A turunda 100 milyon dolar en yüksek finansman miktarına ulaşmıştır.

İkincil pazar daha da canlı hale geldi, kripto agregat web siteleri verilerine göre, yalnızca bir yıl içinde AI alanının toplam piyasa değeri 48,5 milyar dolara ulaştı ve 24 saatlik işlem hacmi 8,6 milyar dolara yaklaştı; ana akım AI teknolojilerindeki ilerlemelerin getirileri belirgin hale geldi, OpenAI'nin Sora metin-videoya dönüştürme modelinin piyasaya sürülmesinin ardından AI sektöründeki ortalama fiyat %151 arttı; AI etkisi aynı zamanda kripto para çekim alanlarından biri olan Meme'ye de yayıldı: İlk AI Ajan kavramına sahip MemeCoin - GOAT hızla popülerlik kazandı ve 1,4 milyar dolarlık bir değerlemeye ulaştı, AI Meme patlamasını başarıyla başlattı.

AI+Web3 ile ilgili araştırmalar ve konular da oldukça popüler; AI+Depin'den AI Memecoin'e, şu anki AI Agent ve AI DAO'ya kadar, FOMO duygusu yeni anlatı döngüsünün hızına yetişemiyor.

AI+Web3, bu sıcak para, fırsatlar ve geleceğin hayalleriyle dolu terim kombinasyonu, kaçınılmaz olarak insanların bunu bir kapitalin eşleştirdiği zorla yapılmış bir evlilik olarak görmesine neden oluyor. Bu şatafatlı elbisenin altında, aslında spekülatörlerin sahnesi mi yoksa şafak patlamasının eşiği mi olduğunu ayırt etmekte zorlanıyoruz?

Bu soruyu yanıtlamak için her iki taraf için de kritik bir düşünce, diğerinin varlığının durumu daha iyi hale getirip getirmeyeceğidir. Diğerinin modelinden fayda sağlanabilir mi? Bu makalede, bu yapıyı incelemek için geçmişteki çalışmaların üzerine çıkmaya çalışıyoruz: Web3, AI teknolojisi yelpazesinin her aşamasında nasıl bir rol oynayabilir ve AI, Web3'e ne gibi yeni hayatlar getirebilir?

Bölüm 1 AI yığınında Web3'ün ne gibi fırsatları var?

Bu konuyu açmadan önce, AI büyük modellerinin teknik yığınını anlamamız gerekiyor:

Daha anlaşılır bir dille süreci şöyle açıklayabiliriz: "Büyük model", insan beynine benzer; erken aşamada, bu beyin yeni dünyaya gelen bir bebeğe aittir ve çevresindeki devasa bilgileri gözlemleyip anlamak için toplaması gerekir, bu da verilerin "toplanma" aşamasıdır; bilgisayarların insanın görme, işitme ve diğer duyuları gibi birçok duyusu olmadığından, eğitimden önce dış dünyadaki geniş ölçekli etiketlenmemiş bilgiler, bilgisayarın anlayabileceği ve kullanabileceği bilgi formatına "ön işleme" ile dönüştürülmelidir.

Veri girdikten sonra AI, "eğitim" aracılığıyla anlama ve tahmin yeteneğine sahip bir model oluşturdu. Bu, bebeğin dış dünyayı anlamaya ve öğrenmeye başladığı süreç olarak düşünülebilir. Modelin parametreleri, bebeğin öğrenme sürecinde sürekli olarak ayarlanan dil yeteneği gibidir. Öğrenilen içerikler disiplinlere ayrılmaya başladığında ya da insanlarla iletişim kurarak geri bildirim alıp düzeltmeler yapıldığında, büyük modelin "ince ayar" aşamasına geçilir.

Çocuklar büyüdükçe konuşmayı öğrendiklerinde, yeni diyaloglarda anlamı kavrayabilir ve kendi hislerini ve düşüncelerini ifade edebilirler. Bu aşama, AI büyük modellerinin "akıl yürütme" aşamasına benzer; model, yeni dil ve metin girdilerine tahmin ve analiz yapabilir. Bebekler, dil yetenekleri aracılığıyla hislerini ifade eder, nesneleri tanımlar ve çeşitli problemleri çözerler. Bu da, AI büyük modellerinin eğitim tamamlandıktan sonra akıl yürütme aşamasında çeşitli özel görevler için uygulandığına benzer; örneğin, görüntü sınıflandırma, ses tanıma gibi.

AI Ajanı, büyük modellerin bir sonraki biçimine daha yakın hale geliyor - bağımsız olarak görevleri yerine getirebilen ve karmaşık hedefler peşinde koşabilen, yalnızca düşünme yeteneğine sahip olmakla kalmayıp, aynı zamanda bellek, planlama yeteneğine sahip olan ve dünyayla etkileşimde bulunmak için araçlar kullanabilen bir varlık.

Şu anda, AI'nın çeşitli yığınlardaki sorunlarına yönelik olarak, Web3 başlangıçta çok katmanlı, birbirine bağlı bir ekosistem oluşturmaktadır ve bu ekosistem AI model sürecinin her aşamasını kapsamaktadır.

Bir, Temel Katman: Hesaplama Gücü ve Verilerin Airbnb'si

▎Hesaplama Gücü

Şu anda, AI'nın en yüksek maliyetlerinden biri, model eğitimi ve model çıkarımı için gereken hesaplama gücü ve enerji.

Bir örnek, Meta'nın LLAMA3'ün 30 gün boyunca eğitim tamamlamak için NVIDIA tarafından üretilen 16.000 H100 GPU'ya ihtiyaç duymasıdır (bu, yapay zeka ve yüksek performanslı hesaplama iş yükleri için tasarlanmış birinci sınıf grafik işleme birimidir). H100'ün 80GB versiyonunun birim fiyatı 30.000 ile 40.000 dolar arasında değişmektedir, bu da 4-7 milyar dolarlık bir hesaplama donanım yatırımı (GPU + ağ çipi) gerektirir. Ayrıca, aylık eğitim için 1,6 milyar kilovatsaat enerji tüketilmektedir ve enerji harcaması her ay yaklaşık 20 milyon dolardır.

AI hesaplamasının rahatlatılması, Web3'ün AI ile en erken kesiştiği alanlardan biridir - DePin (dağıtık fiziksel altyapı ağı). Şu anda DePin Ninja veri sitesi 1400'den fazla projeyi sergilemektedir, bunlar arasında GPU hesaplama paylaşımını temsil eden projeler io.net, Aethir, Akash, Render Network gibi projelerdir.

Ana mantığı şudur: Platform, boşta olan GPU kaynaklarına sahip bireylerin veya varlıkların izin almadan merkeziyetsiz bir şekilde hesaplama güçlerini katkıda bulunmalarına olanak tanır. Uber veya Airbnb gibi alıcı ve satıcıların çevrimiçi pazarı aracılığıyla, yeterince kullanılmayan GPU kaynaklarının kullanım oranını artırır ve son kullanıcılar böylece daha düşük maliyetli verimli hesaplama kaynaklarına erişim sağlar; aynı zamanda, stake mekanizması da kalite kontrol mekanizmasını ihlal eden veya ağı kesintiye uğratan durumlar söz konusu olduğunda, kaynak sağlayıcılarının uygun şekilde cezalandırılmasını garanti eder.

Özellikleri şunlardır:

• Boş GPU kaynaklarını bir araya getirmek: Sağlayıcılar, esas olarak üçüncü taraf bağımsız küçük ve orta ölçekli veri merkezleri, kripto madencilik çiftlikleri gibi operatörlerin fazla hesaplama gücü kaynaklarıdır; PoS konsensüs mekanizması ile madencilik donanımları, örneğin FileCoin ve ETH madencilik makineleri. Şu anda, daha düşük giriş engellerine sahip cihazlar başlatmaya yönelik projeler de bulunmaktadır; örneğin exolab, MacBook, iPhone, iPad gibi yerel cihazları kullanarak büyük model çıkarımı için bir hesaplama ağı kurmaktadır.

• AI hesaplama gücünün uzun kuyruklu pazarına karşı:

a. "Teknoloji açısından bakıldığında" merkeziyetsiz hesaplama pazarı, çıkarım adımları için daha uygundur. Eğitim, büyük ölçekli GPU'ların sağladığı veri işleme kapasitesine daha fazla bağımlıdır, oysa çıkarım için GPU işlem gücü nispeten daha düşüktür, örneğin Aethir düşük gecikmeli render çalışmaları ve AI çıkarım uygulamalarına odaklanmaktadır.

b. "Talep tarafında" küçük ve orta ölçekli hesaplama gücü talep edenler, kendi büyük modellerini ayrı olarak eğitmeyeceklerdir, sadece az sayıda başı çeken büyük modeller etrafında optimizasyon ve ince ayar yapmayı seçeceklerdir ve bu senaryolar doğal olarak dağıtılmış boş hesaplama gücü kaynaklarına uygundur.

• Merkeziyetsiz mülkiyet: Blockchain'in teknik anlamı, kaynak sahiplerinin her zaman kaynaklar üzerindeki kontrolünü koruması, taleplere göre esnek bir şekilde ayarlama yapması ve aynı zamanda kazanç elde etmesidir.

▎Veri

Veri, AI'nın temelidir. Veri olmadan, hesaplama boş bir yaprağın ucunda hiçbir işe yaramaz ve veri ile model arasındaki ilişki, "Çöp girerse, çöp çıkar" atasözündeki gibi; verinin miktarı ve giriş kalitesi, nihai modelin çıktı kalitesini belirler. Mevcut AI modellerinin eğitimi açısından veri, modelin dil yeteneğini, anlama yeteneğini, hatta değerlerini ve insani davranışlarını belirler. Şu anda, AI'nın veri ihtiyacı ile ilgili sorunlar esasen aşağıdaki dört alanda yoğunlaşmaktadır:

• Veri açlığı: AI modellerinin eğitimi, büyük miktarda veri girişi gerektirir. Açık kaynaklar, OpenAI'nin GPT-4'ü eğitmek için trilyon seviyesinde parametre kullandığını göstermektedir.

• Veri kalitesi: AI'nin çeşitli endüstrilerle entegrasyonu ile birlikte, veri zamanlaması, veri çeşitliliği, dikey veri uzmanlığı ve sosyal medya gibi yeni veri kaynaklarından gelen duygu analizinin alınması, veri kalitesi için yeni gereksinimler ortaya çıkardı.

• Gizlilik ve uyum sorunları: Şu anda çeşitli ülkeler ve şirketler, kaliteli veri setlerinin öneminin farkına varıyor ve veri seti taramaları üzerinde kısıtlamalar getiriyor.

• Veri işleme maliyetleri yüksek: Veri miktarı büyük, işleme süreci karmaşık. Kamuya açık bilgiler, AI şirketlerinin %30'dan fazlasının Ar-Ge maliyetlerinin temel veri toplama ve işleme için kullanıldığını göstermektedir.

Şu anda, web3 çözümleri aşağıdaki dört alanda kendini göstermektedir:

1. Veri Toplama: Ücretsiz olarak toplanan gerçek dünya verileri hızla tükeniyor, AI şirketlerinin veriler için yaptığı harcamalar her yıl artıyor. Ancak, bu harcamalar verilerin gerçek katkı sahiplerine geri dönmüyor, platformlar verilerin sağladığı değer yaratımından tamamen faydalanıyor; örneğin Reddit, AI şirketleriyle yaptığı veri lisanslama anlaşmalarıyla toplamda 203 milyon dolar gelir elde etti.

Gerçekten katkıda bulunan kullanıcıların, verinin sağladığı değer yaratımına katılmasını sağlamak ve dağıtılmış ağlar ile teşvik mekanizmaları aracılığıyla, düşük maliyetle kullanıcıların daha özel ve daha değerli verilere erişimini sağlamak, Web3'ün vizyonudur.

• Grass, merkeziyetsiz bir veri katmanı ve ağdır. Kullanıcılar, Grass düğümlerini çalıştırarak, boşta kalan bant genişliğini ve aktarım trafiğini katkıda bulunabilir, böylece internetin tamamında gerçek zamanlı verileri yakalayabilir ve token ödülleri alabilirler;

• Vana, kullanıcıların özel verilerini (alışveriş kayıtları, tarayıcı alışkanlıkları, sosyal medya etkinlikleri vb.) belirli bir veri akış likidite havuzuna (DLP) yükleyebilecekleri ve bu verileri belirli üçüncü tarafların kullanımına yetkilendirme seçeneğini esnek bir şekilde seçebilecekleri benzersiz bir DLP kavramı getirmiştir;

• PublicAI'de, kullanıcılar X üzerinde #AI 或#Web3'ü bir etiket olarak kullanabilir ve veri toplamak için @PublicAI'yi etiketleyebilir.

2. Veri Ön İşleme: AI'nin veri işleme sürecinde, toplanan verilerin genellikle gürültülü ve hatalar içermesi nedeniyle, model eğitimi öncesinde bunların temizlenmesi ve kullanılabilir bir formata dönüştürülmesi gerekmektedir; bu, standartlaştırma, filtreleme ve eksik değerlerin işlenmesi gibi tekrarlayan görevleri içerir. Bu aşama, AI endüstrisinde az sayıda insan müdahalesi gerektiren aşamalardan biridir ve veri etiketleme uzmanı olarak adlandırılan bir meslek dalı ortaya çıkmıştır. Modellerin veri kalitesine olan talepleri arttıkça, veri etiketleme uzmanlarının gereksinimleri de artmaktadır ve bu görev doğal olarak Web3'ün merkeziyetsiz teşvik mekanizmasına uygun bir hale gelmektedir.

• Şu anda, Grass ve OpenLayer bu kritik aşamaya veri etiketleme eklemeyi düşünüyor.

• Synesis, veri kalitesini vurgulayan "Train2earn" kavramını ortaya koydu. Kullanıcılar, etiketlenmiş veri, yorum veya diğer biçimlerde girdi sağlayarak ödüller kazanabilirler.

• Veri etiketleme projesi Sapien, etiketleme görevlerini oyunlaştırıyor ve kullanıcılara daha fazla puan kazanmak için puanlarını teminat olarak yatırma imkanı sunuyor.

3. Veri Gizliliği ve Güvenliği: Açıklığa kavuşturulması gereken nokta, veri gizliliği ve güvenliğinin iki farklı kavram olduğudur. Veri gizliliği, hassas verilerin işlenmesi ile ilgilidir; veri güvenliği ise veri bilgilerini yetkisiz erişim, yok etme ve hırsızlığa karşı korur. Bu nedenle, Web3 gizlilik teknolojisinin avantajları ve potansiyel uygulama alanları iki şekilde ortaya çıkmaktadır: (1) Hassas verilerin eğitimi; (2) Veri işbirliği: Birden fazla veri sahibi, orijinal verilerini paylaşmadan AI eğitimine birlikte katılabilir.

Günümüzde Web3'te yaygın olarak kullanılan gizlilik teknolojileri şunlardır:

• Güvenilir İcra Ortamı ( TEE ), örneğin Super Protocol;

• Tam homomorfik şifreleme (FHE), örneğin BasedAI, Fhenix.io veya Inco Network;

• Sıfır bilgi teknolojileri (zk), Reclaim Protokolü gibi zkTLS teknolojisini kullanarak, HTTPS trafiği için sıfır bilgi kanıtları üretir ve kullanıcıların hassas bilgileri ifşa etmeden dış web sitelerinden etkinlik, itibar ve kimlik verilerini güvenli bir şekilde içe aktarmasına olanak tanır.

Ancak, şu anda bu alan hala erken aşamada, çoğu proje hala keşif aşamasında. Mevcut bir zorluk, hesaplama maliyetlerinin çok yüksek olmasıdır. Bazı örnekler şunlardır:

• zkML çerçevesi E