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

AI anlatımının sürekli artmasıyla birlikte, giderek daha fazla ilgi bu alana yoğunlaşıyor. Web3-AI alanının teknik mantığı, uygulama senaryoları ve temsilci projeleri derinlemesine analiz edildi ve bu alandaki panorama ve gelişim trendlerini size kapsamlı bir şekilde sunuyor.

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

1.1 Web3 ve AI'nin entegrasyon mantığı: Web-AI alanını nasıl tanımlayabiliriz

Son bir yıl içinde, AI anlatımı Web3 endüstrisinde olağanüstü popüler hale geldi ve AI projeleri birbiri ardına ortaya çıktı. Birçok proje AI teknolojisini içerse de, bazı projeler yalnızca ürünlerinin belirli bölümlerinde AI kullanmaktadır; temel token ekonomisi ile AI ürünleri arasında gerçek bir ilişki yoktur, bu nedenle bu tür projeler bu yazıda Web3-AI projeleri tartışmasının dışında kalmaktadır.

Bu metnin odak noktası, üretim ilişkileri sorunlarını çözmek için blok zinciri kullanımı ve üretkenlik sorunlarını çözmek için AI projeleridir. Bu projeler kendileri AI ürünleri sunmakta ve aynı zamanda üretim ilişkileri aracı olarak Web3 ekonomi modeline dayanmaktadır; ikisi birbirini tamamlamaktadır. Bu tür projeleri Web3-AI alanına sınıflandırıyoruz. Okuyucuların Web3-AI alanını daha iyi anlaması için, AI'nın geliştirme süreci ve zorlukları ile Web3 ve AI'nın birleşiminin sorunları nasıl mükemmel bir şekilde çözdüğü ve yeni uygulama senaryoları yarattığı üzerine bir tanıtım yapılacaktır.

1.2 AI'nin geliştirilme 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 sağlamaktadır. Yapay zeka, yaşam ve çalışma şeklimizi değiştirmektedir.

Yapay zeka modelinin geliştirilmesi 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, kediler ve köpekler görüntülerinin sınıflandırılması için bir model geliştirmek istiyorsanız, şunlara ihtiyacınız var:

1. Veri toplama ve veri ön işleme: Kedi ve köpek görüntü veri setlerini toplamak, kamuya açık veri setlerini kullanabilir veya gerçek verileri kendiniz toplayabilirsiniz. Ardından, her bir görüntüye kategori (kedi veya köpek) etiketlemek, etiketlerin doğru olduğundan emin olun. Görüntüleri modelin tanıyabileceği bir formata dönüştürün ve veri setini eğitim seti, doğrulama seti ve test setine ayırın.

2. Model Seçimi ve Ayarı: Uygun modeli 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 sığ 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 gücünden etkilenir.

4. Model Çıkarımı: Eğitim tamamlanmış dosyalara genellikle model ağırlıkları denir, çıkarım süreci, eğitimli modelin yeni veriler üzerinde tahmin veya sınıflandırma yaptığı süreçtir. Bu süreçte modelin sınıflandırma başarısını test etmek için test seti veya yeni veriler kullanılabilir, genellikle doğruluk, hatırlama oranı, F1-skora gibi göstergelerle modelin etkinliği değerlendirilir.

Resimde gösterildiği gibi, veri toplama ve veri ön işleme, model seçimi ve ayarlama ile eğitim sonrası, eğitimli modeli test kümesi üzerinde çıkarım yaparak kedi ve köpek için tahmin değerleri P (olasılık) elde edilecektir; yani modelin bir şeyin kedi veya köpek olduğunu tahmin etme olasılığı.

Eğitilmiş AI modeli, çeşitli uygulamalara entegre edilerek farklı görevleri yerine getirebilir. Bu örnekte, kedi ve köpek sınıflandırma AI modeli, bir mobil uygulamaya entegre edilebilir; kullanıcılar kedi veya köpek resimlerini yüklediklerinde, sınıflandırma sonuçlarını alabilirler.

Ancak, merkezi AI geliştirme süreci aşağıdaki durumlarda bazı sorunlar barındırmaktadır:

Kullanıcı Gizliliği: Merkezileşmiş senaryolarda, AI geliştirme süreci genellikle şeffaf değildir. Kullanıcı verileri, farkında olmadan çalınabilir ve AI eğitimi için kullanılabilir.

Veri kaynağı edinimi: Küçük ekipler veya bireyler, belirli alanlardaki verileri (örneğin tıbbi veriler) elde ederken, verilerin açık kaynak olmaması kısıtlamasıyla karşılaşabilir.

Model seçimi ve ayarı: Küçük ekipler için belirli bir alanda model kaynaklarına erişmek veya model 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.

Yapay Zeka Varlık Geliri: Veri etiketleme çalışanları genellikle harcadıkları emeğe uygun bir gelir elde edemezken, yapay zeka geliştiricilerinin araştırma sonuçları da talep eden alıcılarla eşleştirilmesi zor olmaktadır.

Merkezi AI sahnesinde var olan zorluklar, Web3 ile birleşim yoluyla aşılabilir. Web3, yeni bir üretim ilişkisi olarak, doğal olarak yeni üretkenliği temsil eden AI ile uyumlu olup, teknolojinin ve üretim kapasitesinin eş zamanlı ilerlemesini teşvik eder.

1.3 Web3 ve AI'nın Sinerjisi: Rol Değişimi ve Yenilikçi Uygulamalar

Web3 ve AI'nin birleşimi, kullanıcı egemenliğini artırabilir, kullanıcılara açık bir AI işbirliği platformu sunarak, kullanıcıların Web2 döneminin AI kullanıcılarından katılımcılarına dönüşmesini sağlar ve herkesin sahip olabileceği bir AI oluşturur. Aynı zamanda, Web3 dünyası ile AI teknolojisinin entegrasyonu, daha fazla yenilikçi uygulama senaryosu ve oyun tarzının ortaya çıkmasına da zemin hazırlar.

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, kullanıcılar için birçok açık kaynaklı AI kaynağı mevcuttur ve paylaşılan hesaplama gücüne daha düşük maliyetle erişim sağlanabilir. Dağıtık işbirliği toplama mekanizması ve açık AI pazarı sayesinde adil bir gelir dağıtım sistemi oluşturulabilir, böylece daha fazla insanın AI teknolojisinin ilerlemesini teşvik etmesi sağlanır.

Web3 sahnesinde, AI birden fazla alanda olumlu etki yaratabilir. Örneğin, AI modelleri akıllı sözleşmelere entegre edilerek pazar analizi, güvenlik testleri, sosyal kümeleme gibi çeşitli uygulama senaryolarında iş verimliliğini artırabilir. Üretken AI, kullanıcıların AI teknolojisini kullanarak kendi NFT'lerini yaratma gibi "sanatçı" rolünü deneyimlemelerini sağlarken, GameFi'de de zengin ve çeşitli oyun sahneleri ile ilginç etkileşim deneyimleri yaratabilir. Zengin altyapılar, AI uzmanları ya da AI alanına girmek isteyen yeni başlayanlar için sorunsuz bir geliştirme deneyimi sunarak bu dünyada uygun bir giriş noktası bulmalarına yardımcı olur.

İkincisi, Web3-AI Ekosistem Proje Haritası ve Mimari Yorumu

Web3-AI alanında toplam 41 projeyi inceledik ve bu projeleri farklı seviyelere ayırdık. Her bir seviyenin ayırma mantığı aşağıdaki şekilde gösterilmektedir; altyapı katmanı, orta katman ve uygulama katmanı, her bir katman ise farklı bölümlere ayrılmaktadır. Bir sonraki bölümde, bazı temsil niteliğindeki projeleri derinlikli bir şekilde analiz edeceğiz.

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

Altyapı katmanı:

Altyapı katmanı, AI yaşam döngüsünün temelidir. Bu makalede, hesaplama gücü, AI Zinciri ve geliştirme platformu altyapı katmanı olarak sınıflandırılmaktadır. İşte bu altyapıların desteği sayesinde AI modellerinin eğitimi ve çıkarımı gerçekleştirilebilir ve güçlü, kullanışlı AI uygulamaları kullanıcılara sunulabilir.

• Merkeziyetsiz hesaplama ağı: AI model eğitimi için dağıtılmış hesaplama gücü sağlayarak verimli ve ekonomik hesaplama kaynaklarının kullanımını güvence altına alır. Bazı projeler, kullanıcıların düşük maliyetle hesaplama gücü kiralayıp veya hesaplama gücünü paylaşarak gelir elde edebilecekleri merkeziyetsiz bir hesaplama gücü pazarını sunmuştur, bu projelere örnek olarak IO.NET ve Hyperbolic gösterilebilir. Ayrıca, bazı projeler yeni oyun biçimleri geliştirmiştir, örneğin Compute Labs, kullanıcıların GPU varlıklarını temsil eden NFT'leri satın alarak farklı yollarla hesaplama gücü kiralamaya katılmalarını sağlayan tokenleştirilmiş protokoller önermektedir.

• AI Zinciri: Blockchain'i AI yaşam döngüsünün temeli olarak kullanarak, zincir içi ve zincir dışı AI kaynaklarının sorunsuz etkileşimini sağlamakta ve endüstri ekosisteminin gelişimini teşvik etmektedir. Zincir üzerindeki merkeziyetsiz AI pazarı, veri, model, ajan gibi AI varlıklarının ticaretini yapabilir ve AI geliştirme çerçevesi ile ilgili geliştirme araçları sunar; proje örnekleri arasında Sahara AI bulunmaktadır. AI Zinciri, ayrıca farklı alanlardaki AI teknolojisinin ilerlemesini de teşvik edebilir; örneğin Bittensor, farklı AI türleri arasında rekabeti teşvik etmek için yenilikçi alt ağ teşvik mekanizmasını kullanmaktadır.

• Geliştirme platformu: Bazı projeler AI ajanı geliştirme platformu sunmaktadır ve Fetch.ai ve ChainML gibi AI ajanlarının ticaretini gerçekleştirebilmektedir. 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 yaygın kullanımını teşvik etmektedir.

Ara Katman:

Bu katman, AI verileri, modelleri ve çıkarım ile doğrulamayı içerir ve Web3 teknolojisi kullanılarak daha yüksek bir çalışma verimliliği sağlanabilir.

• Veri: Verinin kalitesi ve miktarı, model eğitiminin etkisini belirleyen ana faktörlerdir. Web3 dünyasında, kitlesel veri toplama ve işbirlikçi veri işleme yoluyla kaynak kullanımını optimize etmek ve veri maliyetlerini düşürmek mümkündür. Kullanıcılar, gizlilik koruma koşullarında kendi verilerini satma hakkına sahip olabilir ve kötü niyetli satıcıların verileri çalmasını ve yüksek kâr elde etmesini önleyebilirler. Veri talep edenler için bu platformlar geniş bir seçim ve son derece düşük maliyetler 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 yerine getirmesine izin vermektedir; bu görevler, finans ve hukuk gibi uzmanlık bilgisi gerektiren veri işleme görevlerini içerebilir. Kullanıcılar, becerilerini tokenleştirerek veri ön işlemede işbirlikçi bir kalabalık oluşturabilirler. Sahara AI gibi AI pazarları, farklı alanlardaki veri görevlerini temsil etmektedir ve çok çeşitli veri senaryolarını kapsayabilir; AIT Protocol ise insan-makine işbirliği ile verileri etiketlemektedir.

• Model: Daha önce bahsedilen AI geliştirme sürecinde, farklı türdeki talepler için uygun modellerin eşleştirilmesi gerekmektedir. Görüntü görevlerinde yaygın olarak kullanılan modeller arasında CNN, GAN gibi modeller bulunmaktadır; nesne tespiti görevleri için Yolo serisi seçilebilir; metin tabanlı görevlerde yaygın olarak RNN, Transformer gibi modeller bulunmaktadır, elbette bazı özel veya genel büyük modeller de mevcuttur. Farklı karmaşıklıkta görevlerin gerektirdiği model derinliği de farklılık göstermektedir; bazen modelin ayarlanması gerekebilir.

Bazı projeler, kullanıcıların farklı türde modeller sunmasına veya topluluk destekli bir şekilde model eğitmesine olanak tanır. Örneğin, Sentient, kullanıcıların güvenilir model verilerini depolama katmanına yerleştirmesine ve dağıtım katmanında model optimizasyonu yapmasına olanak tanıyan modüler bir tasarım sunar. Sahara AI tarafından sağlanan geliştirme araçları, yerleşik ileri düzey AI algoritmaları ve hesaplama çerçeveleri ile birlikte gelir ve işbirliği ile 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 sürece çıkarım denir. Çıkarım süreci genellikle çıkarım modelinin kaynağının doğru olup olmadığını, kötü niyetli bir davranışın olup olmadığını doğrulamak için bir doğrulama mekanizması ile birlikte gelir. Web3'ün çıkarımı genellikle akıllı sözleşmelere entegre edilebilir, modelin çağrılması yoluyla çıkarım yapmak mümkündür, yaygın doğrulama yöntemleri arasında ZKML, OPML ve TEE gibi teknolojiler yer alır. Temsilci projeler arasında ORA zinciri üzerinde AI oracle (OAO) bulunmaktadır, OPML'yi AI oracle'ın doğrulanabilir katmanı olarak tanıtmaktadır, ORA'nın resmi web sitesinde ZKML ve opp/ai (ZKML ile OPML'in birleşimi) üzerine araştırmalarına da yer verilmiştir.

Uygulama Katmanı:

Bu katman esasen kullanıcıya yönelik uygulamalardır ve AI ile Web3'ü birleştirerek daha ilginç ve yenilikçi oyunlar yaratmaktadır. Bu yazıda esasen AIGC (AI Üretilen İçerik), AI ajanları ve veri analizi gibi birkaç alanın projeleri ele alınmaktadır.

• AIGC: AIGC aracılığıyla