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

AI anlatımının devam eden yükselişiyle birlikte, bu alana yönelik ilgi giderek artıyor. Bu makalede Web3-AI alanının teknik mantığı, uygulama senaryoları ve temsilci projeleri derinlemesine analiz edilerek, bu alandaki panorama ve gelişim trendlerini kapsamlı bir şekilde sunulmaktadır.

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

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

Geçtiğimiz yıl, AI anlatımı Web3 endüstrisinde olağanüstü popüler hale geldi ve AI projeleri hızla ortaya çıktı. Birçok proje AI teknolojisini içeriyor olsa da, bazı projeler yalnızca ürünlerinin belirli kısımlarında AI kullanıyor; temel token ekonomisi ile AI ürünleri arasında anlamlı bir bağlantı olmadığından, bu tür projeler bu makalede Web3-AI projeleri tartışmasına dahil edilmemektedir.

Bu makalenin odak noktası, üretim ilişkileri sorunlarını çözmek için blok zinciri ve üretkenlik sorunlarını çözmek için AI projeleridir. Bu projeler kendileri AI ürünleri sunmakta olup, üretim ilişkileri aracı olarak Web3 ekonomik modeline dayanmaktadır ve her ikisi birbirini tamamlamaktadır. Bu tür projeleri Web3-AI alanına sınıflandırıyoruz. Okuyucuların Web3-AI alanını daha iyi anlamaları için, aşağıda AI geliştirme süreci ve zorlukları ile Web3 ve AI'nin nasıl mükemmel bir şekilde sorunları çözdüğünü ve yeni uygulama senaryoları yarattığını anlatacağız.

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 teknolojidir. Dil çevirisi, görüntü sınıflandırması, yüz tanıma ve otonom sürüş gibi çeşitli karmaşık görevleri yerine getirebilen bilgisayarlar, yapay zeka sayesinde 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 görüntülerinin sınıflandırılmasını sağlamak için bir model geliştirmek istiyorsanız şunlara ihtiyacınız var:

1. Veri toplama ve veri ön işleme: Kedi ve köpek içeren görüntü veri setleri toplayın, kamuya açık veri setlerini kullanabilir veya gerçek verileri kendiniz toplayabilirsiniz. Ardından her bir görüntüyü sınıfına (kedi veya köpek) etiketleyin ve etiketlerin doğru olduğundan emin olun. Görüntüleri modelin tanıyabileceği bir formata dönüştürün ve 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 parametrelerini veya mimarisini ayarlayın, genellikle modelin ağ katmanları, AI görevlerinin karmaşıklığına göre ayarlanabilir. Bu basit sınıflandırma örneğinde, daha yüzeysel bir ağ katmanı yeterli olabilir.

3. Model eğitimi: GPU, TPU veya yüksek performanslı hesaplama kümeleri kullanarak model eğitimi yapılabilir, eğitim süresi modelin karmaşıklığına ve hesaplama gücüne bağlıdır.

4. Model Çıkarımı: Eğitimli model dosyaları genellikle model ağırlıkları olarak adlandırılır, çıkarım süreci, eğitimli bir modeli yeni veriler üzerinde tahmin veya sınıflandırma yapmak için kullanma sürecidir. Bu süreçte modelin sınıflandırma performansını test etmek için test kümesi veya yeni veriler kullanılabilir, genellikle modelin etkinliğini değerlendirmek için doğruluk, hatırlama, F1-skoru gibi göstergeler kullanılır.

Aşağıdaki şekilde gösterildiği gibi, veri toplama ve veri ön işleme, model seçimi ve ayarlama ile eğitim gerçekleştirilerek, eğitilmiş model test kümesinde çıkarım yapıldığında kedi ve köpek için tahmin değerleri P (olasılık) elde edilir; yani modelin kedi veya köpek olduğunu tahmin etme olasılığı.

Eğitilmiş AI modeli, farklı görevleri yerine getirmek için çeşitli uygulamalara entegre edilebilir. Bu örnekte, kedi ve köpek sınıflandırma AI modeli, kullanıcıların kedi veya köpek resimlerini yükleyebileceği bir mobil uygulamaya entegre edilebilir ve sınıflandırma sonuçları elde edilebilir.

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

Kullanıcı gizliliği: Merkezileşmiş senaryolarda, AI'nin geliştirme süreci genellikle şeffaf değildir. Kullanıcı verileri, kullanıcıların haberi olmadan çalınıp AI eğitimi için kullanılabilir.

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

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

AI Varlık Geliri: Veri etiketleme çalışanları genellikle harcadıklarıyla orantılı gelir elde edemezken, AI geliştiricilerinin araştırma sonuçları da talep eden alıcılarla eşleşmekte zorluk çekmektedir.

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

1.3 Web3 ve AI'nin iş birliği etkisi: Rol değişimi ve yenilikçi uygulamalar

Web3 ve AI'nin birleşimi, kullanıcı egemenliğini artırabilir, kullanıcılara açık bir AI işbirliği platformu sunarak, kullanıcıların Web2 döneminin AI kullanıcıları olmaktan katılımcılara dönüşmesini sağlar, herkesin sahip olabileceği AI'lar yaratır. Aynı zamanda, Web3 dünyası ile AI teknolojisinin entegrasyonu, daha fazla yenilikçi uygulama senaryoları ve oyun tarzlarının ortaya çıkmasına da olanak tanır.

Web3 teknolojisi temelinde, AI'nın geliştirilmesi ve uygulanması yeni bir işbirliği ekonomi sistemine girecektir. İnsanların veri gizliliği güvence altına alınabilir, veri kalabalıklaştırma modeli AI modellerinin ilerlemesini teşvik eder, birçok açık kaynaklı AI kaynağı kullanıcıların kullanımına sunulmaktadır ve paylaşılan hesaplama gücü daha düşük maliyetle temin edilebilir. Merkeziyetsiz işbirliği kalabalıklaştırma mekanizması ve açık AI pazarı sayesinde adil bir gelir dağıtım sistemi gerçekleştirilebilir, böylece daha fazla insanın AI teknolojisinin ilerlemesini teşvik etmesi sağlanabilir.

Web3 ortamında, AI birden fazla alanda olumlu etkiler yaratabilir. Örneğin, AI modelleri akıllı sözleşmelere entegre edilerek pazar analizi, güvenlik denetimi, sosyal kümeleme gibi çeşitli uygulama senaryolarında iş verimliliğini artırabilir. Üretken AI, kullanıcıların AI teknolojisini kullanarak kendi NFT'lerini yaratmak gibi "sanatçı" rolünü deneyimlemelerini sağlamakla kalmaz, aynı zamanda GameFi'de zengin ve çeşitli oyun senaryoları ile eğlenceli etkileşim deneyimleri yaratabilir. Zengin altyapı, AI uzmanları veya AI alanına girmek isteyen yeni başlayanlar için sorunsuz bir geliştirme deneyimi sunarak bu dünyada uygun bir giriş noktası bulmalarını sağlar.

İkincisi, Web3-AI Ekosistem Proje Haritası ve Mimari Analizi

Web3-AI alanında 41 projeyi inceledik ve bu projeleri farklı seviyelere ayırdık. Her bir katmanın ayrım mantığı aşağıdaki gibi, altyapı katmanı, orta katman ve uygulama katmanı olarak üçe ayrılmıştır ve her katman farklı bölümlere bölünmüştür. Bir sonraki bölümde, bazı temsil niteliğindeki projeleri derinlikli bir şekilde analiz edeceğiz.

Altyapı katmanı, tüm AI yaşam döngüsü operasyonlarını destekleyen hesaplama kaynakları ve teknoloji mimarisini kapsar, orta katman ise altyapıyı uygulamalarla 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 yazıda, hesaplama gücü, AI Zinciri ve geliştirme platformu altyapı katmanı olarak sınıflandırılmıştır. 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 sağlayabilir, verimli ve ekonomik hesaplama kaynaklarının kullanılmasını garanti eder. Bazı projeler, düşük maliyetle hesaplama gücü kiralayabilen veya hesaplama gücünü paylaşarak gelir elde edebilen kullanıcılar için merkeziyetsiz bir hesaplama gücü pazarı sunmaktadır; bu projelere örnek olarak IO.NET ve Hyperbolic gösterilebilir. Ayrıca, bazı projeler yeni oyun yöntemleri geliştirmiştir; Compute Labs, kullanıcıların GPU varlıklarını temsil eden NFT'ler satın alarak farklı şekillerde hesaplama gücü kiralamak için gelir elde edebilecekleri tokenizasyon protokollerini önermiştir.

• AI Zinciri: Blockchain'i AI yaşam döngüsünün temeli olarak kullanarak, zincir üzerindeki ve dışındaki AI kaynaklarının sorunsuz etkileşimini sağlamak ve endüstri ekosisteminin gelişimini teşvik etmek. Zincir üzerindeki merkeziyetsiz AI pazarı, veri, model, ajan gibi AI varlıklarının ticaretine olanak tanır ve AI geliştirme çerçevesi ile ilgili geliştirme araçları sunar; projeler arasında Sahara AI gibi örnekler bulunmaktadır. AI Zinciri ayrıca Bittensor'un yenilikçi alt ağ teşvik mekanizması aracılığıyla farklı AI türlerinin alt ağ rekabetini teşvik ettiği gibi, farklı alanlarda AI teknolojisinin ilerlemesini de kolaylaştırabilir.

• Geliştirme platformu: Bazı projeler AI ajan geliştirme platformları sunmaktadır ve Fetch.ai ve ChainML gibi AI ajanlarının ticaretini gerçekleştirebilir. Tek duraklı araçlar, geliştiricilerin AI modellerini daha kolay bir şekilde oluşturmasını, eğitmesini ve dağıtmasını sağlar; örnek projeler arasında Nimble bulunmaktadır. Bu altyapılar, AI teknolojisinin Web3 ekosisteminde geniş çapta uygulanmasını teşvik etmektedir.

Orta katman:

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

• Veri: Verinin kalitesi ve miktarı, model eğitiminin etkinliğini etkileyen ana faktörlerdir. Web3 dünyasında, kitlesel veri toplama ve işbirlikçi veri işleme yoluyla kaynak kullanımı optimize edilebilir ve veri maliyetleri düşürülebilir. Kullanıcılar, gizlilik koruma altında kendi verilerini satma hakkına sahip olabilirler, böylece verilerin kötü niyetli tüccarlar tarafından çalınması ve yüksek kar elde edilmesi önlenir. Veri talep edenler için bu platformlar geniş bir seçenek sunmakta ve son derece düşük maliyetler sağlamaktadır. Grass gibi projeler, kullanıcıların bant genişliğini kullanarak Web verilerini toplarken, xData kullanıcı dostu eklentileri ile medya bilgilerini toplamakta ve kullanıcıların tweet bilgilerini yüklemelerine olanak tanımaktadır.

Ayrıca, bazı platformlar alan uzmanlarının veya sıradan kullanıcıların veri ön işleme görevlerini yerine getirmesine olanak tanır; örneğin, görüntü etiketleme, veri sınıflandırma gibi görevler, finansal ve hukuki görevlerin veri işlenmesi için uzmanlık bilgisi gerektirebilir. Kullanıcılar, becerilerini tokenleştirerek veri ön işlemenin işbirlikçi kalabalık kaynak kullanımını gerçekleştirebilirler. Örneğin, farklı alanlarda veri görevleri sunan Sahara AI gibi AI pazarları, çok çeşitli veri senaryolarını kapsayabilir; AIT Protocolt ise insan-makine iş birliği ile verileri etiketler.

• Model: Daha önce bahsedilen AI geliştirme sürecinde, farklı türdeki ihtiyaçlar için uygun modeller eşleştirilmelidir. Görüntü görevleri için yaygın olarak kullanılan modeller arasında CNN ve GAN bulunur, nesne tespiti görevleri için Yolo serisi seçilebilir, metin tabanlı görevlerde ise yaygın RNN ve Transformer gibi modeller vardır; elbette bazı özel veya genel büyük modeller de bulunmaktadır. Farklı karmaşıklık seviyelerine sahip görevler için gereken model derinliği de farklıdır ve bazen modelin ayarlanması gerekebilir.

Bazı projeler, kullanıcıların farklı türde modeller sunmasına veya model eğitimi için kalabalık kaynak kullanarak iş birliği yapmasına olanak tanır. Örneğin, Sentient modüler tasarımı sayesinde kullanıcıların güvenilir model verilerini depolama katmanında saklamasına ve dağıtım katmanında model optimizasyonu yapmasına izin verir. Sahara AI tarafından sunulan geliştirme araçları, yerleşik gelişmiş AI algoritmaları ve hesaplama çerçeveleri ile birlikte gelir ve iş birliği içinde 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 davranış olup olmadığını doğrulamak için bir doğrulama mekanizması ile birlikte gelir. Web3'teki çıkarım genellikle akıllı sözleşmelere entegre edilebilir, modelin çıkarımını yapmak için çağrılar yaparak gerçekleşir, 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 tanıtmıştır, ORA'nın resmi web sitesinde ZKML ve opp/ai (ZKML'in OPML ile birleşimi) üzerine araştırmalarına da değinilmiştir.

Uygulama Katmanı:

Bu katman esasen kullanıcıya yönelik uygulamalardır ve AI ile Web3'ü birleştirir.