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

AI anlatımının sürekli yükselmesiyle birlikte, bu alana olan ilgi giderek artmaktadır. Web3-AI alanının teknik mantığı, uygulama senaryoları ve temsilci projeleri kapsamlı bir şekilde analiz edilmiştir; bu sayede bu alanın panoramasını ve gelişim trendlerini sizlere sunuyoruz.

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

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

Son bir yıl içinde, AI anlatımı Web3 sektöründe olağanüstü popüler hale geldi, AI projeleri birbiri ardına ortaya çıkmaya başladı. Birçok proje AI teknolojisini içeriyor olsa da, bazı projeler yalnızca ürünlerinin belirli kısımlarında AI kullanıyor, temel token ekonomisi ile AI ürünleri arasında gerçek bir bağlantı bulunmuyor; bu nedenle bu tür projeler bu makalede Web3-AI projeleri tartışmasına dahil edilmemektedir.

Bu makalenin odak noktası, blockchain'in üretim ilişkileri sorunlarını çözmesi ve AI'nın üretkenlik sorunlarını çözmesi üzerine projelerdir. Bu projeler kendileri AI ürünleri sunmakta olup, aynı zamanda Web3 ekonomik modeli temelinde üretim ilişkileri aracı olarak işlev görmektedir; bu ikisi birbirini tamamlamaktadır. Bu tür projeleri Web3-AI alanına sınıflandırıyoruz. Okuyucuların Web3-AI alanını daha iyi anlaması için, AI'nın geliştirme sürecini ve zorluklarını tanıtacak ve Web3 ile AI'nın nasıl mükemmel bir şekilde sorunları çözdüğünü ve yeni uygulama senaryoları yarattığını açıklayacağız.

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

Yapay zeka teknolojisi, bilgisayarların insan zekasını simüle etmesine, genişletmesine ve artırmasına olanak tanıyan bir tekniktir. Bu teknoloji, bilgisayarların dil çevirisi, görüntü sınıflandırması, yüz tanıma ve otonom sürüş gibi çeşitli karmaşık görevleri yerine getirmesini sağlar. Yapay zeka, yaşam 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, kediler ve köpekler resimlerini sınıflandırmak için bir model geliştirmek istiyorsanız, şunlara ihtiyacınız var:

1. Veri toplama ve veri ön işleme: kedi ve köpekleri içeren bir görüntü veri seti toplayın, kamuya açık veri setlerini kullanabilir veya gerçek verileri kendiniz toplayabilirsiniz. Ardından, her bir görüntüye kategori (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 Convolutional Neural Network (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 karmaşıklığına ve hesaplama gücüne bağlıdır.

4. Model Çıkarımı: Modelin eğitimli dosyaları genellikle model ağırlığı olarak adlandırılır, çıkarım süreci, eğitimli 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, F1-skoru gibi göstergeler kullanılır.

Veri toplama ve veri ön işleme, model seçimi ve ayarlama ile eğitimin ardından, eğitilmiş modelin test seti üzerinde çıkarım yapması, kedi ve köpek için tahmin değerleri P (olasılık) elde edecektir; yani modelin kedi veya köpek olduğunu tahmin etme olasılığı.

Eğitilmiş AI modelleri, 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 senaryolarda bazı sorunlar bulunmaktadır:

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

Veri kaynağı elde etme: Küçük ekipler veya bireyler belirli bir alanda veri (örneğin, tıbbi veri) elde ederken, verilerin açık kaynak olmaması kısıtlamasıyla karşılaşabilir.

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

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

Merkezi AI sahnesindeki zorluklar, Web3 ile birleşerek aşılabilir. Web3, yeni bir üretim ilişkisi olarak, yeni nesil üretkenliği temsil eden AI ile doğal bir uyum içindedir ve böylece teknoloji ve üretim kapasitesinin eşzamanlı ilerlemesini sağlar.

1.3 Web3 ve AI'nın İşbirliği Etkisi: Rol Değişimi ve Yenilikçi Uygulamalar

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

Web3 teknolojisine dayalı olarak, AI'nın geliştirilmesi ve uygulanması yeni bir işbirliği ekonomi sistemine girecektir. İnsanların veri gizliliği korunabilir, veri kalabalıklaştırma modeli AI modellerinin ilerlemesini teşvik eder, çok sayıda açık kaynaklı AI kaynağı kullanıcıların kullanımına sunulabilir ve 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 için teşvik edilebilir.

Web3 sahnesinde, AI birden fazla alanda olumlu etkiler yaratabilir. Örneğin, AI modelleri akıllı sözleşmelere entegre edilebilir ve farklı uygulama senaryolarında iş verimliliğini artırabilir; piyasa analizi, güvenlik testleri, sosyal gruplama gibi çeşitli işlevler sunabilir. Üretken AI, kullanıcıların AI teknolojisini kullanarak kendi NFT'lerini yaratmaları gibi "sanatçı" rolünü deneyimlemelerine olanak tanırken, GameFi'de de zengin ve çeşitli oyun senaryoları ve ilginç etkileşim deneyimleri oluşturabilir. Zengin altyapı, AI uzmanları veya AI alanına girmek isteyen acemiler için sorunsuz bir geliştirme deneyimi sunarak bu dünyada uygun bir giriş noktası bulmalarını sağlar.

İkincisi, Web3-AI Ekosistem Projeleri Haritası ve Mimarisi İncelemesi

Web3-AI alanındaki 41 projeyi ana olarak inceledik ve bu projeleri farklı seviyelere ayırdık. Her bir seviyenin ayrım mantığı aşağıdaki gibi olup, altyapı katmanı, ara katman ve uygulama katmanı içerir; her bir katman da farklı bölümlere ayrılmıştır. Bir sonraki bölümde, bazı temsil niteliğindeki projeleri derinlikli bir şekilde analiz edeceğiz.

Altyapı katmanı, tüm AI yaşam döngüsünü destekleyen hesaplama kaynakları ve teknolojik mimariyi kapsar; orta katman ise altyapıyı uygulamalara 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 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 dağıtık hesaplama gücü sağlayarak verimli 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 pazarı sunar; bu projeler arasında IO.NET ve Hyperbolic gibi temsilciler bulunmaktadır. Ayrıca, Compute Labs gibi bazı projeler yeni oyun tarzları ortaya çıkarmıştır; kullanıcılar, GPU varlıklarını temsil eden NFT'leri satın alarak farklı yollarla hesaplama gücü kiralamak suretiyle gelir elde edebilirler.

• AI Zinciri: Blockchain'i AI yaşam döngüsünün temeli olarak kullanarak, zincir üzeri ve zincir dışı AI kaynaklarının kesintisiz etkileşimini sağlamakta ve endüstri ekosisteminin gelişimini teşvik etmektedir. Zincir üzerindeki merkeziyetsiz AI pazarı, veri, model, ajan gibi AI varlıklarının ticaretine olanak tanımakta ve AI geliştirme çerçevesi ile destekleyici geliştirme araçları sunmaktadır. Temsilci projeler arasında Sahara AI yer almaktadır. AI Zinciri, Bittensor'un yenilikçi alt ağ teşvik mekanizması gibi farklı alanlardaki AI teknolojilerinin ilerlemesini de teşvik edebilir.

• Geliştirme platformu: Bazı projeler AI ajan geliştirme platformları sunmakta, ayrıca Fetch.ai ve ChainML gibi AI ajanlarının ticaretini gerçekleştirebilmektedir. Tek durak araçları, geliştiricilerin AI modellerini daha kolay bir şekilde oluşturmasına, eğitmesine ve dağıtmasına yardımcı olmaktadır, temsilci projeler arasında Nimble bulunmaktadır. Bu altyapılar, AI teknolojisinin Web3 ekosistemindeki geniş kapsamlı uygulamalarını teşvik etmektedir.

Ara Katman:

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

• Veriler: Verilerin kalitesi ve miktarı, model eğitiminin etkisini belirleyen ana faktörlerdir. Web3 dünyasında, kitle kaynaklı veriler ve işbirlikçi veri işleme ile kaynakların kullanımı optimize edilebilir ve veri maliyetleri düşürülebilir. Kullanıcılar, gizlilik koruma koşullarında kendi verilerini satma hakkına sahip olabilirler, böylece verilerinin kötü niyetli satıcılar tarafından çalınmasını ve yüksek karlar 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 eklentiler aracılığıyla medya bilgilerini toplar ve kullanıcılara tweet bilgilerini yükleme desteği sunar.

Ayrıca, bazı platformlar alan uzmanlarının veya sıradan kullanıcıların veri ön işleme görevlerini yerine getirmesine olanak tanır; bu görevler, finansal ve hukuki alanlarda uzmanlık gerektiren veri işlemlerini içerebilir. Kullanıcılar, becerilerini tokenleştirerek veri ön işleme için iş birliği yapabilir. Sahara AI gibi AI pazarları, farklı alanlarda veri görevleri sunarak çok çeşitli veri senaryolarını kapsayabilir; AIT Protocol ise insan-makine iş birliği ile verileri etiketler.

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

Bazı projeler, kullanıcıların farklı türde modeller sunmasına veya model eğitimi için kitle kaynaklı işbirliği yapmasına olanak tanır. Örneğin, Sentient modüler tasarımı sayesinde, kullanıcıların güvenilir model verilerini depolama katmanına ve dağıtım katmanına yerleştirmesine ve model optimizasyonu yapmasına izin verir. Sahara AI tarafından sunulan geliştirme araçları, yerleşik gelişmiş AI algoritmaları ve hesaplama çerçeveleri ile birlikte gelir ve işbirliği ile eğitim yapma yeteneğine sahiptir.

• Çıkarım ve doğrulama: Model eğitildikten sonra model ağırlık dosyaları oluşturur, bu dosyalar doğrudan sınıflandırma, tahmin veya diğer belirli görevler için kullanılabilir, bu süreç çıkarım olarak adlandırılır. Çıkarım süreci genellikle çıkarım modelinin kaynağının doğru olup olmadığını, kötü niyetli davranışlar olup olmadığını doğrulamak için bir doğrulama mekanizması ile birlikte gelir. Web3'ün çıkarımı genellikle akıllı sözleşmelere entegre edilebilir, modelin çağrılması yoluyla çıkarım yapılır, yaygın doğrulama yöntemleri arasında ZKML, OPML ve TEE gibi teknikler bulunur. Temsilci projeler arasında ORA zinciri üzerindeki AI oracle (OAO) yer alır, OPML'yi AI oracle'ın doğrulanabilir katmanı olarak tanıtmaktadır, ORA'nın resmi web sitesinde ZKML ve opp/ai (ZKML ile OPML'in birleşimi) üzerine yaptıkları araştırmalara da yer verilmiştir.

Uygulama Katmanı:

Bu katman esas olarak doğrudan kullanıcılara yönelik uygulamalardır ve AI ile Web3'ü birleştirerek daha fazla ilginç ve yenilikçi oyun tarzları yaratmaktadır. Bu yazıda esas olarak AIGC (AI Üretilen İçerik), AI Temsilcisi ve veri analizi gibi birkaç bölümdeki projeler ele alınmıştır.

• AIGC: AIGC ile Web3'te NFT, oyun gibi alanlara genişleyebilirsiniz; kullanıcılar doğrudan Prompt (kullanıcının verdiği ipucu) aracılığıyla metin, görüntü ve ses üretebilir ve hatta oyun içinde kendi tercihlerine göre özelleştirilmiş içerikler oluşturabilir.