Web3-AI Kapsamlı Raporu: Teknolojik Uyum, Uygulama Senaryoları ve Üst Düzey Projelerin Derinlik Analizi

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

AI anlatımının sürekli ısınmasıyla birlikte, bu alana olan ilgi giderek artıyor. Bu makalede Web3-AI alanının teknik mantığı, uygulama senaryoları ve temsilci projeleri derinlemesine analiz edilerek, bu alanın panoramasını ve gelişim trendlerini kapsamlı bir şekilde sunulmaktadır.

Bir. Web3-AI: Teknolojik Mantık ve Yeni Pazar Fırsatlarının Analizi

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

Geçtiğimiz yıl, AI anlatımı Web3 sektöründe olağanüstü popüler oldu, AI projeleri yağmurdan sonraki mantarlar gibi ortaya çıktı. Birçok proje AI teknolojisini içerse de, bazı projeler yalnızca ürünlerinin belirli kısımlarında AI kullanıyor, temel token ekonomisi ile AI ürünleri arasında gerçek bir ilişki bulunmuyor, bu nedenle bu tür projeler bu makalede Web3-AI projeleri tartışmasına dahil değildir.

Bu makalenin odak noktası, üretim ilişkileri sorunlarını blockchain ile çözmek ve üretkenlik sorunlarını AI ile çözmekte olan projelerdir. Bu projeler, 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, bu makalede AI'nın geliştirilme süreci ve zorlukları ile Web3 ve AI'nın nasıl mükemmel bir şekilde sorunları çözdüğü ve yeni uygulama senaryoları yarattığı üzerinde durulacaktır.

1.2 AI'nin geliştirme 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, otonom sürüş gibi çeşitli karmaşık görevleri yerine getirmesini mümkün kılarak, yapay zekanın yaşamımızı ve çalışma şeklimizi değiştirmesine yardımcı olmaktadır.

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 şunları yapmalısınız:

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 görüntüye kategori (kedi veya köpek) etiketleyin, 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 bir model seçin, örneğin, görüntü sınıflandırma görevleri için en uygun olan konvolüsyonel sinir ağı (CNN)dır. Farklı gereksinimlere 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: Modelleri eğitmek için GPU, TPU veya yüksek performanslı hesaplama kümeleri kullanılabilir, eğitim süresi modelin karmaşıklığı ve hesaplama yeteneğinden etkilenir.

4. Model Çıkarımı: Eğitilmiş model dosyalarına genellikle model ağırlıkları denir, çıkarım süreci, eğitilmiş bir 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 doğruluk, geri çağırma oranı, F1-skoru gibi ölçütler kullanılarak modelin etkinliği değerlendirilir.

Görüldüğü gibi, veri toplama ve veri ön işleme, model seçimi ve ayarlama ile eğitildikten sonra, eğitilen modelin test seti üzerinde çıkarım yapılması, kedi ve köpek için tahmin değerleri P (olasılık) elde edilecektir, yani modelin kedi veya köpek olduğunu çıkarma 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, merkeziyetçi AI geliştirme süreci aşağıdaki senaryolarda bazı sorunlar barındırmaktadır:

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

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

Model seçimi ve ayarlama: Küçük ekipler için, belirli bir alanda model kaynaklarına erişmek veya model ayarlaması için büyük masraflar yapmak zor.

Hesaplama gücü elde etme: Bireysel geliştiriciler ve küçük ekipler için yüksek GPU satın alma maliyeti ve bulut hesaplama gücü kiralama ücretleri önemli bir ekonomik yük oluşturabilir.

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

Merkeziyetsiz AI senaryolarında var olan zorluklar, Web3 ile birleştirilerek aşılabilir. Web3, yeni bir üretim ilişkisi olarak, yeni üretkenliği temsil eden AI ile doğal bir uyum içinde olduğundan, teknolojinin ve üretim kapasitesinin aynı anda ilerlemesini teşvik eder.

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

Web3 ile AI birleşimi, kullanıcı egemenliğini artırabilir ve kullanıcılara açık bir AI işbirliği platformu sunarak, kullanıcıların Web2 döneminin AI kullanıcıları olmaktan katılımcılara dönüşmesini sağlar ve herkesin sahip olabileceği AI yaratır. Aynı zamanda, Web3 dünyası ile AI teknolojisinin birleşimi daha fazla yenilikçi uygulama senaryosu ve oyun tarzı oluşturabilir.

Web3 teknolojisi temelinde, AI'nın geliştirilmesi ve uygulanması yeni bir iş birliği ekonomi sistemine merhaba diyecek. İnsanların veri gizliliği korunabilir, veri kalabalık kaynak modeli AI modellerinin ilerlemesini teşvik eder, kullanıcıların erişebileceği birçok açık kaynaklı AI kaynağı mevcuttur ve paylaşılan hesaplama gücü daha düşük maliyetle elde edilebilir. Merkeziyetsiz iş birliği kalabalık kaynak mekanizması ve açık AI pazarı sayesinde adil bir gelir dağıtım sistemi gerçekleştirilebilir, bu da daha fazla insanın AI teknolojisinin ilerlemesini teşvik etmesini teşvik eder.

Web3 sahnesinde, AI birçok alanda olumlu etkiler yaratabilir. Örneğin, AI modelleri akıllı sözleşmelere entegre edilebilir ve farklı uygulama senaryolarında iş verimliliğini artırabilir; pazar analizi, güvenlik testi, sosyal kümeleme gibi birçok işlevi vardır. Üretken AI, kullanıcıların "sanatçı" rolünü deneyimlemelerini sağlarken, AI teknolojisini kullanarak kendi NFT'lerini oluşturmalarına da olanak tanır. Ayrıca GameFi'de zengin ve çeşitli oyun sahneleri ile ilginç etkileşim deneyimleri yaratabilir. Zengin altyapı, hem AI uzmanları hem de AI alanına girmek isteyen yeni başlayanlar için sorunsuz bir geliştirme deneyimi sunar ve bu dünyada uygun bir giriş noktası bulmalarını sağlar.

İki, Web3-AI ekosistem projesi haritası ve mimari analizi

Web3-AI alanındaki 41 projeyi detaylı bir şekilde inceledik ve bu projeleri farklı katmanlara ayırdık. Her bir katmanın ayrım mantığı aşağıdaki gibi gösterilmiştir, bu katmanlar altyapı katmanı, ara katman ve uygulama katmanı olarak üçe ayrılmaktadır ve her bir katman farklı alanlara bölünmüştür. Bir sonraki bölümde, bazı temsilci projeleri derinlemesine analiz edeceğiz.

Altyapı katmanı, tüm AI yaşam döngüsünü destekleyen hesaplama kaynakları ve teknoloji mimarisini kapsar, orta katman ise altyapı ile uygulamalar arasında veri yönetimi, model geliştirme ve doğrulama çıkarım hizmetlerini içerir. Uygulama katmanı ise doğrudan kullanıcılara yönelik çeşitli uygulama ve çözümlere odaklanır.

Altyapı katmanı:

Altyapı katmanı, AI yaşam döngüsünün temelini oluşturur. Bu yazıda, hesaplama gücünü, AI Chain'i ve geliştirme platformunu altyapı katmanına dahil ediyoruz. İşte bu altyapıların desteği sayesinde AI modellerinin eğitimi ve çıkarımı gerçekleştirilebilmekte ve güçlü, pratik AI uygulamaları kullanıcılara sunulabilmektedir.

• Merkeziyetsiz hesaplama ağı: AI model eğitimi için dağıtılmış hesaplama gücü sağlayabilir, verimli ve ekonomik hesaplama kaynaklarının kullanımını garanti eder. Bazı projeler merkeziyetsiz hesaplama gücü piyasaları sunar, kullanıcılar düşük maliyetle hesaplama gücü kiralayabilir veya hesaplama gücünü paylaşarak gelir elde edebilir, örnek projeler IO.NET ve Hyperbolic gibi projelerdir. Ayrıca, bazı projeler yeni oyun biçimleri geliştirmiştir, Compute Labs gibi, kullanıcıların GPU varlıklarını temsil eden NFT'leri satın alarak hesaplama gücü kiralamaya farklı şekillerde katılmalarını sağlayan tokenleştirilmiş protokoller önermiştir.

• AI Zinciri: Blockchain'i AI yaşam döngüsünün temeli olarak kullanarak, çevrimiçi ve çevrimdışı AI kaynaklarının kesintisiz etkileşimini sağlamakta ve endüstri ekosisteminin gelişimini teşvik etmektedir. Zincirdeki merkeziyetsiz AI pazarı, veri, model, ajan gibi AI varlıklarının ticaretini yapabilir ve AI geliştirme çerçevesi ile ilgili geliştirme araçlarını sunar; öne çıkan projeler arasında Sahara AI bulunmaktadır. AI Zinciri ayrıca farklı alanlardaki AI teknolojilerinin ilerlemesini teşvik edebilir; örneğin Bittensor, farklı AI türlerinin alt ağ rekabetini teşvik etmek için yenilikçi alt ağ teşvik mekanizmasını kullanmaktadır.

• Geliştirme platformu: Bazı projeler AI ajanı geliştirme platformları sunar ve Fetch.ai ve ChainML gibi AI ajanı ticaretini de gerçekleştirebilir. Tek durak araçları, geliştiricilerin AI modelleri oluşturmasını, eğitmesini ve dağıtmasını daha kolay hale getirir; temsil eden projeler arasında Nimble bulunmaktadır. Bu altyapılar, AI teknolojisinin Web3 ekosistemindeki yaygın kullanımını teşvik etmektedir.

Ara katman:

Bu katman, AI verileri, modelleri ve akıl yürütme ile doğrulama ile ilgilidir; Web3 teknolojisi kullanılarak daha yüksek iş verimliliği sağlanabilir.

• Veriler: Verilerin kalitesi ve miktarı, model eğitiminin etkisini belirleyen ana faktörlerdir. Web3 dünyasında, topluluk verileri ve işbirlikçi veri işleme yoluyla kaynak kullanımı optimize edilebilir ve veri maliyetleri düşürülebilir. Kullanıcılar, gizlilik koruması altında kendi verilerini satma hakkına sahip olabilirler, böylece verilerin kötü niyetli satıcılar tarafından çalınması ve yüksek kâr elde edilmesi önlenir. Veri talep edenler için bu platformlar geniş bir seçenek yelpazesi ve son derece düşük maliyetler sunmaktadır. Grass gibi projeler, kullanıcı bant genişliğini kullanarak Web verilerini toplarken, xData kullanıcı dostu eklentileri aracılığıyla medya bilgilerini toplamaktadır ve kullanıcılara tweet bilgilerini yüklemeyi desteklemektedir.

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 görevlerde uzmanlık bilgisi gerektirebilir. Kullanıcılar, becerilerini tokenleştirerek veri ön işlemede iş birliği yapabilirler. Sahara AI gibi AI pazarları, farklı alanlardaki veri görevlerini temsil eder ve çok çeşitli veri senaryolarını kapsayabilir; AIT Protocol ise insan-makine iş birliği yolu 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 gibi modeller bulunmaktadır; nesne tespiti görevleri için Yolo serisi tercih edilebilir; metin tabanlı görevlerde ise yaygın olarak RNN, Transformer gibi modeller kullanılır. Elbette bazı özel veya genel büyük modeller de mevcuttur. Farklı karmaşıklık seviyesine sahip görevlerin ihtiyaç duyduğu model derinliği de farklıdır ve bazen model ayarlamaları yapılması gerekebilir.

Bazı projeler, kullanıcıların farklı türde modeller sunmasına veya kitle kaynaklı bir şekilde modelleri eğitmek için işbirliği yapmasına olanak tanır. Örneğin, Sentient modüler tasarımı sayesinde, kullanıcıların güvenilir model verilerini depolama katmanında ve dağıtım katmanında model optimizasyonu yapmak üzere 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, 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 davranışların olup olmadığını doğrulamak için bir doğrulama mekanizması ile birlikte gelir. Web3'teki çıkarım genellikle akıllı sözleşmelere entegre edilebilir; model çağrılarak çıkarım yapılır. Yaygın doğrulama yöntemleri arasında ZKML, OPML ve TEE gibi teknolojiler bulunur. Temsilci projeler arasında ORA zincirindeki AI oracle (OAO), AI oracle'ın doğrulanabilir katmanı olarak OPML'i tanıtmıştır; ORA'nın resmi web sitesinde ZKML ve opp/ai (ZKML ile OPML'in birleşimi) konusundaki araştırmalarına da değinilmiştir.

Uygulama Katmanı:

Bu katman esasen kullanıcıya yönelik uygulamalardır ve AI ile Web3'ü bir araya getirerek daha ilginç ve yenilikçi oyunlar yaratmaktadır. Bu makalede esas olarak AIGC (AI tarafından üretilen içerik), AI ajanları ve veri analizi ile ilgili projeleri ele alacağız.

• AIGC: AIGC ile Web3'teki NFT, oyun gibi alanlara genişleyebilirsiniz. Kullanıcılar, metin, görüntü ve ses oluşturmak için doğrudan Prompt (kullanıcının verdiği ipucu) aracılığıyla işlem yapabilirler. Hatta oyunlarda kişisel tercihlerine göre özelleştirilmiş oyun stilleri oluşturabilirler. NFT projeleri arasında NFPrompt bulunuyor, kullanıcılar AI ile oluşturulan NFT'leri piyasa da işlem yaparak ticaret yapabiliyorlar; Sleepless gibi oyunlarda ise kullanıcılar, sanal partnerlerinin kişiliğini diyaloglarla şekillendirerek kendi tercihlerine uygun hale getirebiliyorlar;

• AI ajanı: Görevleri bağımsız olarak yerine getirebilen ve kararlar alabilen yapay zeka sistemini ifade eder. AI ajanları genellikle algılama, akıl yürütme, öğrenme ve hareket etme yeteneklerine sahiptir ve çeşitli ortamlarda karmaşık görevleri yerine getirebilir. Yaygın AI ajanları gibi