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. Web3-AI alanının teknik mantığı, uygulama senaryoları ve temsilci projeleri üzerinde derinlemesine bir analiz gerçekleştirdik ve size bu alanın panoramasını ve gelişim trendlerini kapsamlı bir şekilde sunuyoruz.

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

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

Geçtiğimiz yıl içinde, AI anlatımı Web3 sektöründe olağanüstü popülerlik kazandı ve 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 ürünü arasında gerçek bir bağlantı bulunmuyor. Bu nedenle, bu tür projeler bu yazıda Web3-AI projeleri tartışmasının kapsamına girmemektedir.

Bu makalenin odak noktası, üretim ilişkileri sorunlarını çözmek için blok zinciri kullanmak ve üretkenlik sorunlarını çözmek için AI projeleri. Bu projeler kendileri AI ürünleri sunarken, aynı zamanda üretim ilişkileri aracı olarak Web3 ekonomik modeline dayanmaktadır; ikisi birbirini tamamlamaktadır. Bu tür projeleri Web3-AI alanına sınıflandırıyoruz. Okuyucuların Web3-AI alanını daha iyi anlamaları için AI'nın geliştirme sürecini ve zorluklarını ve Web3 ile 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 etmesine, genişletmesine ve artırmasına olanak tanıyan bir teknolojidir. Bu teknoloji, bilgisayarların dil çevirisi, görüntü sınıflandırma, yüz tanıma ve otonom sürüş gibi çeşitli karmaşık görevleri yerine getirmesini sağlıyor; yapay zeka, yaşam ve çalışma şeklimizi değiştiriyor.

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, kediler ve köpekler görsellerini sınıflandırmak için bir model geliştirmek istiyorsanız, 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 görüntüyü kategoriye (kedi veya köpek) 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 Ayarlama: Uygun bir model seçin, örneğin, konvolüsyonel sinir ağı (CNN), görüntü sınıflandırma görevleri için oldukça uygundur. Farklı ihtiyaçlara göre model parametreleri veya mimarisi ayarlanır, genellikle modelin ağ katmanları, AI görevlerinin karmaşıklığına göre ayarlanabilir. Bu basit sınıflandırma örneğinde, daha sığ bir ağ katmanı yeterli olabilir.

3. Model Eğitimi: Modeli eğitmek için GPU, TPU veya yüksek performanslı hesaplama kümesi kullanılabilir; eğitim süresi modelin karmaşıklığı ve hesaplama kapasitesine bağlıdır.

4. Model Çıkarımı: Eğitimden geçmiş model dosyalarına genellikle model ağırlıkları denir, çıkarım süreci, eğitilmiş modelin yeni verilerle tahmin veya sınıflandırma yaptığı süreçtir. Bu süreçte modelin sınıflandırma performansını test etmek için test seti veya yeni veriler kullanılabilir ve genellikle modelin etkinliğini değerlendirmek için doğruluk, geri çağırma, F1-skoru gibi metrikler kullanılır.

Aşağıdaki gibi, veri toplama ve veri ön işleme, model seçimi ve ayarlama ile eğitimden sonra, eğitilen modeli test kümesinde çalıştırarak kedi ve köpek için tahmin değerleri P (olasılık) elde edilecektir; yani modelin kedi veya köpek olduğu olasılığını çıkartmasıdır.

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, merkezi AI geliştirme süreci aşağıdaki senaryolarda bazı sorunlar taşımaktadır:

Kullanıcı Gizliliği: Merkezi bir senaryoda, AI geliştirme süreci genellikle şeffaf değildir. Kullanıcı verileri, kullanıcıların haberi olmadan çalınabilir ve AI eğitimi için kullanılabilir.

Veri kaynağı edinimi: Küçük ekipler veya bireyler, belirli bir alan verilerini (örneğin tıbbi veriler) edinirken, verilerin açık kaynak olmaması gibi kısıtlamalarla karşılaşabilir.

Model seçimi ve ayarı: Küçük ekipler için belirli alanlarda model kaynaklarına erişmek veya model ayarı için büyük maliyetler harcamak zor.

Güç elde etme: Bireysel geliştiriciler ve küçük ekipler için, yüksek GPU satın alma maliyeti ve bulut güç kiralama ücretleri önemli bir ekonomik yük oluşturabilir.

AI Varlık Geliri: Veri etiketleme çalışanları genellikle harcadıkları emekle orantılı gelir elde edemezken, AI geliştiricilerinin araştırma sonuçları da talep eden alıcılarla eşleşmekte zorlanıyor.

Merkeziyetsiz AI sahnesinde 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 teknolojinin ve üretim kapasitesinin eş zamanlı ilerlemesini teşvik eder.

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

Web3 ve AI birleşimi, kullanıcı egemenliğini artırabilir, kullanıcılara açık bir AI işbirliği platformu sunarak onları Web2 döneminin AI kullanıcılarından katılımcılara dönüştürebilir, herkesin sahip olabileceği AI'lar oluşturabilir. Aynı zamanda, Web3 dünyası ile AI teknolojisinin birleşimi daha fazla yenilikçi uygulama senaryoları ve oyun stilleri ortaya çıkarabilir.

Web3 teknolojisi temelinde, AI'nin geliştirilmesi ve uygulanması yeni bir işbirliği ekonomisi sistemine girecek. İnsanların veri gizliliği korunabilir, veri toplama modeli AI modellerinin ilerlemesini teşvik eder, birçok açık kaynaklı AI kaynağı kullanıcıların kullanımına sunulur, paylaşılan hesaplama gücü daha düşük maliyetle elde edilebilir. Merkeziyetsiz işbirliği toplama mekanizması ve açık AI pazarı sayesinde, adil bir gelir dağıtım sistemi gerçekleştirilebilir ve böylece daha fazla insanın AI teknolojisinin ilerlemesini teşvik etmesi teşvik edilebilir.

Web3 sahnesinde, AI birden fazla alanda olumlu etki yaratabilir. Örneğin, AI modelleri akıllı sözleşmelere entegre edilerek, pazar analizi, güvenlik testleri, sosyal kümeleme gibi farklı 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 sahneleri ile eğlenceli etkileşim deneyimleri yaratabilir. Zengin altyapı, hem AI uzmanları hem de AI alanına girmek isteyen acemilerin bu dünyada uygun bir giriş bulmalarını sağlayarak akıcı bir geliştirme deneyimi sunar.

İki, Web3-AI Ekosistem Proje Haritası ve Mimari Analizi

Web3-AI alanındaki 41 projeyi ana hatlarıyla inceledik ve bu projeleri farklı seviyelere ayırdık. Her bir seviyenin ayrım mantığı aşağıdaki gibi gösterilmektedir; altyapı katmanı, ara katman ve uygulama katmanı olarak ayrılmakta olup, her bir katman 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 altyapı ile uygulamalar arasındaki veri yönetimi, model geliştirme ve doğrulama çıkarım hizmetlerini içerir. Uygulama katmanı ise doğrudan kullanıcılara yönelik çeşitli uygulama ve çözümlere odaklanmaktadır.

Altyapı katmanı:

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

• Merkeziyetsiz hesaplama ağı: AI model eğitimi için dağıtılmış hesaplama gücü sağlayarak verimli ve ekonomik hesaplama kaynak kullanımını güvence altına alır. Bazı projeler, kullanıcıların düşük maliyetle hesaplama gücü kiralayabileceği veya hesaplama gücü paylaşarak gelir elde edebileceği merkeziyetsiz bir hesaplama gücü pazarı sunmaktadır. Bu projelere örnek olarak IO.NET ve Hyperbolic verilebilir. Ayrıca, bazı projeler yeni oyun biçimleri türetti; Compute Labs gibi, kullanıcıların GPU varlıklarını temsil eden NFT satın alarak hesaplama gücü kiralamaya farklı şekillerde katılmasına olanak tanıyan tokenleştirilmiş protokoller önerdi.

• AI Zinciri: Blockchain'i AI yaşam döngüsünün temeli olarak kullanarak, çevrimiçi ve çevrimdışı 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; projelerin örnekleri arasında Sahara AI bulunmaktadır. AI Zinciri ayrıca farklı alanlardaki AI teknolojilerinin ilerlemesini teşvik edebilir; örneğin Bittensor, yenilikçi alt ağ teşvik mekanizmasıyla farklı AI türlerinin alt ağ rekabetini teşvik etmektedir.

• Geliştirme platformu: Bazı projeler, Fetch.ai ve ChainML gibi AI ajanı geliştirme platformları sunmakta ve AI ajanlarının ticaretini gerçekleştirebilmektedir. Geliştiricilerin AI modellerini daha kolay bir şekilde oluşturmasını, eğitmesini ve dağıtmasını sağlayan tek duraklı araçlar, Nimble gibi projeleri temsil etmektedir. Bu altyapılar, AI teknolojisinin Web3 ekosistemindeki geniş uygulamasını teşvik etmektedir.

Ara katman:

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

• Veriler: Verilerin kalitesi ve miktarı, model eğitimi üzerindeki etkileri açısından kritik faktörlerdir. Web3 dünyasında, kitlesel veri toplama ve işbirlikçi veri işleme ile kaynak kullanımı optimize edilebilir ve veri maliyetleri düşürülebilir. Kullanıcılar, gizlilik koruma altında kendi verilerini satma hakkına sahip olup, bu sayede verilerin kötü niyetli satıcılar tarafından çalınmasını ve yüksek kâr elde edilmesini önleyebilirler. Veri talep edenler için, bu platformlar geniş bir seçenek ve son derece düşük maliyetler sunmaktadır. Grass gibi projeler, kullanıcıların bant genişliğini kullanarak Web verilerini toplarken, xData, kullanıcı dostu eklentileri ile 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, finansal ve hukuki konularda uzmanlık gerektiren veri işleme gibi olabilir. Kullanıcılar, becerilerini tokenleştirerek veri ön işleme iş birliği ve kitle kaynak kullanımı gerçekleştirebilirler. Sahara AI gibi temsilciler, farklı alanlardaki veri görevlerini içeren AI pazarları sunar ve çok çeşitli veri senaryolarını kapsayabilir; AIT Protocolt ise insan-makine iş birliği ile verileri etiketler.

• Model: Daha önce bahsedilen AI geliştirme sürecinde, farklı türdeki ihtiyaçların uygun modellerle eşleştirilmesi gerekmektedir. Görüntü görevleri için yaygın olarak kullanılan modeller arasında CNN, GAN bulunurken, nesne tespiti görevleri için Yolo serisi seçilebilir. Metin tabanlı görevlerde ise yaygın olarak RNN, Transformer gibi modeller kullanılır; elbette bazı özel veya genel büyük modeller de mevcuttur. Farklı karmaşıklıkta görevlerin ihtiyaç duyduğu model derinliği de farklıdır; bazen modelin ayarlanması gerekebilir.

Bazı projeler, kullanıcıların farklı model türleri sağlamasına veya kalabalık kaynak kullanarak model eğitimi için işbirliği yapmasına destek verir. Örneğin, Sentient, modüler tasarımı sayesinde kullanıcıların güvenilir model verilerini depolama katmanında ve dağıtım katmanında model optimizasyonu için yerleştirmelerine olanak tanır. Sahara AI tarafından sunulan geliştirme araçları, yerleşik ileri düzey AI algoritmaları ve hesaplama çerçeveleri içerir ve işbirlikçi eğitim yeteneğine sahiptir.

• Çıkarım ve doğrulama: Model eğitildikten sonra model ağırlık dosyası oluşturur, bu dosya 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'te çıkarım genellikle akıllı sözleşmelere entegre edilebilir, modeli çağırarak çıkarım yapmak için kullanılır, 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 tanıttı, ORA'nın resmi web sitesinde ayrıca ZKML ve opp/ai (ZKML ve OPML'in birleşimi) üzerine yaptıkları araştırmalara da değinilmektedir.

Uygulama Katmanı:

Bu katman esasen kullanıcıya yönelik uygulamalardır ve AI ile Web3'ü birleştirerek daha fazla yaratır.