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

AI anlatımının sürekli ısınmasıyla, bu alana yönelik ilgi giderek artıyor. Web3-AI alanındaki teknik mantık, uygulama senaryoları ve temsilci projeler derinlemesine analiz edilerek, bu alanın panoramasını ve gelişim trendlerini size kapsamlı bir şekilde sunuyor.

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

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

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

Bu makalenin odak noktası, blockchain teknolojisinin üretim ilişkileri sorunlarını çözmesi ve yapay zekanın üretkenlik sorunlarını çözmesiyle ilgili projelerdir. Bu projeler, kendileri AI ürünleri sağlarken, Web3 ekonomi modeline dayalı üretim ilişkileri aracı olarak da işlev görmektedir ve her ikisi de birbirini tamamlamaktadır. Bu tür projeleri Web3-AI alanına sınıflandırıyoruz. Okuyucuların Web3-AI alanını daha iyi anlamalarını sağlamak için, AI'nın geliştirme sürecini ve zorluklarını, ayrıca Web3 ve AI'nın nasıl mükemmel bir şekilde birleşerek 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 etmesine, genişletmesine ve artırmasına olanak tanıyan bir teknolojidir. Bu teknoloji, bilgisayarların dil çevirisi, görüntü sınıflandırması, yüz tanıma, otonom sürüş gibi çeşitli karmaşık görevleri yerine getirmesini sağlar ve yapay zeka, 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, bir modeli kedi ve köpek görüntülerini sınıflandırmak için geliştiriyorsanız, şunlara ihtiyacınız var:

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 kategori etiketleyin (kedi veya köpek), 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 Ayarlama: Uygun bir model seçmek, örneğin, görüntü sınıflandırma görevleri için oldukça uygun olan konvolüsyonel sinir ağları (CNN) gibi. Farklı ihtiyaçlara göre model parametrelerini veya mimarisini ayarlamak, genellikle modelin ağ derinliği, AI görevlerinin karmaşıklığına göre ayarlanabilir. Bu basit sınıflandırma örneğinde, daha sığ bir ağ derinliği yeterli olabilir.

3. Model Eğitimi: Modelleri eğitmek için GPU, TPU veya yüksek performanslı hesaplama kümeleri kullanılabilir, eğitim süresi modelin karmaşıklığına ve hesaplama gücüne bağlıdır.

4. Model Çıkarımı: Eğitilmiş model dosyalarına genellikle model ağırlıkları denir, çıkarım süreci, eğitimli modelin yeni veriler üzerinde tahmin veya sınıflandırma yapmak için kullanılmasıdır. Bu süreçte modelin sınıflandırma performansını test etmek için test seti veya yeni veriler kullanılabilir ve genellikle modelin etkinliğini değerlendirmek için doğruluk, hatırlama oranı, F1-skoru gibi göstergeler kullanılır.

Görüldüğü gibi, veri toplama ve veri ön işleme, model seçimi ve ayarlama ile eğitildikten sonra, eğitilen modelin test kümesinde çıkarım yapılması, kedi ve köpek için tahmin değerleri P (olasılık) elde edecektir; yani modelin kedi veya köpek olduğunu tahmin etme olasılığı.

Eğitilmiş 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, merkezileştirilmiş AI geliştirme sürecinin aşağıdaki senaryolarda bazı sorunları vardır:

Kullanıcı Gizliliği: Merkezi bir ortamda, 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 veri) elde ederken, verinin açık kaynak olmaması kısıtlamasıyla karşılaşabilirler.

Model seçimi ve ayarlama: Küçük ekipler için belirli bir alana yönelik model kaynaklarına erişmek veya model ayarlaması için büyük maliyetler harcamak zordur.

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.

AI varlık gelirleri: Veri etiketleme çalışanları genellikle harcadıkları çabaya uygun gelir elde edemezken, AI geliştiricilerinin araştırma sonuçları da talep eden alıcılarla eşleşmekte zorluk çekmektedir.

Merkezi 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 uyumludur ve böylece teknolojinin ve üretim kapasitesinin eş zamanlı ilerlemesini sağlar.

1.3 Web3 ve AI'nın işbirliği etkisi: Rol değişiklikleri ve yenilikçi uygulamalar

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

Web3 teknolojisi temelinde, AI'nın geliştirilmesi ve uygulanması yeni bir işbirliği ekonomisi sistemine girecektir. İnsanların veri gizliliği korunabilir, veri toplama modeli AI modellerinin ilerlemesini teşvik eder, birçok açık kaynaklı AI kaynağı kullanıcıların kullanımına sunulmakta ve paylaşılan hesaplama gücü daha düşük maliyetle edinilebilir. Merkezsiz işbirliği toplama mekanizması ve açık AI pazarı sayesinde adil bir gelir dağıtım sistemi sağlanarak daha fazla insanın AI teknolojisinin ilerlemesini teşvik etmesi teşvik edilebilir.

Web3 senaryosunda, AI birden fazla alanda olumlu etkiler yaratabilir. Örneğin, AI modelleri akıllı sözleşmelere entegre edilebilir ve pazar analizi, güvenlik testi, sosyal kümeleme gibi çeşitli uygulama senaryolarında iş verimliliğini artırabilir. Üretken AI, kullanıcıların AI teknolojisini kullanarak kendi NFT'lerini yaratmak gibi "sanatçı" rolünü deneyimlemelerine olanak tanırken, GameFi'de zengin ve çeşitli oyun senaryoları ve ilginç etkileşim deneyimleri yaratabilir. Zengin altyapı, AI uzmanı veya AI alanına girmek isteyen yeni başlayanlar için sorunsuz bir geliştirme deneyimi sunar ve bu dünyada uygun bir giriş noktası bulabilirler.

İkincisi, Web3-AI ekosistem projesi haritası ve mimari analizi

Web3-AI alanındaki 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 farklı bölümlere ayrılmıştır. Bir sonraki bölümde, bazı temsili projeleri derinlikli bir şekilde analiz edeceğiz.

Altyapı katmanı, tüm AI yaşam döngüsünün çalışmasını destekleyen hesaplama kaynakları ve teknik mimarileri kapsamaktadır. Orta katman, altyapı ile uygulamaları bağlayan veri yönetimi, model geliştirme ve doğrulama akıl yürütme hizmetlerini içermektedir. Uygulama katmanı ise doğrudan kullanıcıya yönelik çeşitli uygulama ve çözümlere odaklanmaktadır.

Altyapı katmanı:

Altyapı katmanı, AI yaşam döngüsünün temelini oluşturur. Bu makalede, 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 eğitimine dağıtık hesaplama gücü sağlayarak etkili ve ekonomik hesaplama kaynaklarının kullanımını garanti eder. Bazı projeler, kullanıcıların düşük maliyetle hesaplama gücü kiralayabileceği veya hesaplama gücünü paylaşarak gelir elde edebileceği merkeziyetsiz bir hesaplama gücü pazarını sunmaktadır; bu projelere örnek olarak IO.NET ve Hyperbolic verilebilir. Ayrıca, bazı projeler yeni oyun mekanikleri geliştirmiştir; Compute Labs gibi, kullanıcıların GPU varlıklarını temsil eden NFT'leri satın alarak hesaplama gücü kiralamaya farklı şekillerde katılmalarını sağlayan tokenizasyon protokollerini önermektedir.

• AI Zinciri: Blockchain'i AI yaşam döngüsünün temeli olarak kullanarak, zincir üstü ve zincir dışı AI kaynaklarının sorunsuz etkileşimini sağlamakta ve endüstri ekosisteminin gelişimini desteklemektedir. Zincir üzerindeki merkeziyetsiz AI pazarı, veri, model, ajan gibi AI varlıklarının ticaretini yapabilir ve AI geliştirme çerçevesi ile uyumlu geliştirme araçları sunabilir; örnek projeler arasında Sahara AI bulunmaktadır. AI Zinciri ayrıca farklı alanlardaki AI teknolojilerinin ilerlemesini teşvik edebilir; örneğin Bittensor, farklı AI türleri arasında rekabeti teşvik etmek için yenilikçi 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 durak araçları, geliştiricilerin AI modellerini daha kolay bir şekilde oluşturmasına, eğitmesine ve dağıtmasına yardımcı olur, temsil eden projeler arasında Nimble bulunmaktadır. Bu altyapılar, AI teknolojisinin Web3 ekosistemindeki geniş kapsamlı uygulamalarını teşvik etmektedir.

Ara katman:

Bu katman, AI verileri, modelleri ve çıkarım ve doğrulamayı içerir; Web3 teknolojisi kullanılarak daha yüksek iş verimliliği sağlanabilir.

• Veri: Verinin kalitesi ve miktarı, model eğitiminin etkisini etkileyen ana faktörlerdir. Web3 dünyasında, kalabalık kaynaklı veriler ve işbirlikçi veri işleme ile kaynak kullanımı optimize edilebilir ve veri maliyetleri düşürülebilir. Kullanıcılar, gizlilik koruması altında kendi verilerini satma hakkına sahip olabilirler, böylece veriler kötü niyetli tüccarlar tarafından çalınmaktan ve yüksek kârlar elde etmekten korunabilir. Veri talep edenler için bu platformlar geniş bir seçenek ve son derece düşük maliyet sunmaktadır. Grass gibi projeler, kullanıcıların bant genişliğini kullanarak Web verilerini toplarken, xData kullanıcı dostu eklentileriyle medya bilgilerini toplar ve kullanıcıların tweet bilgilerini yüklemesine olanak tanır.

Ayrıca, bazı platformlar alan uzmanlarının veya sıradan kullanıcıların veri ön işleme görevlerini yerine getirmesine izin verir; bu görevler, finans ve hukuk gibi uzmanlık bilgisi gerektiren veri işleme görevlerini içerebilir. Kullanıcılar, becerilerini tokenleştirerek veri ön işleme işbirliğini kalabalıklaştırabilirler. Sahara AI gibi temsilciler, farklı alanlardaki veri görevlerini kapsayan, çok çeşitli veri senaryolarını kapsayabilen bir AI pazarına sahiptir; AIT Protocolt ise insan-makine işbirliği ile verileri etiketler.

• Model: Daha önce bahsedilen AI geliştirme sürecinde, farklı türdeki gereksinimlerin uygun modellerle eşleştirilmesi gerekmektedir. Görüntü görevlerinde yaygın olarak kullanılan modeller arasında CNN, GAN bulunmaktadır; nesne tespiti görevleri için Yolo serisi tercih edilebilir; metin tabanlı görevlerde 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 ve bazen modelin ayarlanması gerekebilir.

Bazı projeler, kullanıcıların farklı türde modeller sağlamasına veya kalabalık kaynak kullanarak modelleri eğitmelerine olanak tanır; örneğin, Sentient modüler tasarımı aracılığıyla kullanıcıların güvenilir model verilerini depolama katmanında ve dağıtım katmanında model optimizasyonu için yerleştirmesine izin verir. Sahara AI tarafından sağlanan geliştirme araçları, yerleşik gelişmiş AI algoritmaları ve hesaplama çerçeveleri ile birlikte gelir 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 sürece 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'teki çıkarım genellikle akıllı sözleşmelerde entegre edilebilir, çıkarım yapmak için modeli çağırarak, yaygın doğrulama yöntemleri arasında ZKML, OPML ve TEE gibi teknolojiler yer alır. Temsilci projeler arasında ORA zincirindeki AI oracle (OAO) bulunmaktadır, OPML'yi AI oracle'ın doğrulanabilir katmanı olarak tanıtmıştır, ORA'nın resmi web sitesinde ZKML ve opp/ai (ZKML'yi OPML ile birleştiren) üzerine yaptıkları araştırmalara da değinilmiştir.

Uygulama katmanı:

Bu katman esasen kullanıcıya yönelik uygulamalardır ve AI ile Web3'ü birleştirerek daha ilginç ve yenilikçi oyunlar yaratır. Bu yazıda, AIGC (AI tarafından üretilen içerik), AI temsilcileri ve veri analizi gibi birkaç bölümdeki projeler özetlenmiştir.

• AIGC: AIGC, Web3 içindeki NFT, oyun gibi alanlara genişletilebilir. Kullanıcılar, metin, görüntü ve ses oluşturmak için doğrudan Prompt (kullanıcının verdiği anahtar kelimeler) aracılığıyla işlem yapabilir ve hatta oyunlarda kendi tercihlerine göre özel oynanışlar oluşturabilirler. NFPrompt gibi NFT projeleri, kullanıcıların AI ile oluşturduğu NFT'leri piyasada ticaret yapmasına olanak tanır; Sleepless gibi oyunlarda, kullanıcılar sanal partnerin karakterini diyalog yoluyla şekillendirerek kendi tercihlerine uyum sağlamaktadır.

• AI ajanları: Görevleri bağımsız bir şekilde yerine getirebilen ve kararlar alabilen yapay zeka sistemlerini 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 çeviri.