AI+Web3: Kuleler ve Meydanlar

Önemli Noktalar

1. AI konsepti olan Web3 projeleri birincil ve ikincil piyasalarda yatırım çekme hedefi haline geliyor.

2. Web3'ün AI sektöründeki fırsatları, uzun kuyruktaki potansiyel arzı koordine etmek için dağıtık teşvikler kullanmakta; veri, depolama ve hesaplama arasında (; aynı zamanda açık kaynaklı modeller ve AI Agent'ların merkeziyetsiz pazarını kurmaktadir.

3. AI, Web3 sektöründe esas olarak zincir üzeri finans ) kripto ödemeleri, ticaret, veri analizi ( ve geliştirme yardımı için kullanılmaktadır.

4. AI+Web3'ün faydası, ikisinin tamamlayıcılığında kendini gösterir: Web3, AI merkezileşmesine karşı koyma umudunu taşırken, AI Web3'ün sınırlarını aşmasına yardımcı olma umudunu taşır.

Giriş

Son iki yılda, yapay zekanın gelişimi hızlandırılmış gibi, Chatgpt'in tetiklediği kelebek etkisi, yalnızca üretken yapay zekanın yeni bir dünyasını açmakla kalmadı, aynı zamanda Web3 alanında da büyük bir dalga yarattı.

AI kavramının desteğiyle, yavaşlayan kripto pazarındaki finansman artışı belirgin bir şekilde yükseldi. Medya verilerine göre, 2024'ün ilk yarısında toplam 64 Web3+AI projesi finansman sağladı, yapay zeka tabanlı işletim sistemi Zyber365 A turunda 100 milyon dolarlık en yüksek finansman miktarına ulaştı.

İkincil pazar daha da canlı hale geldi, kripto agregat sitesi verilerine göre, sadece bir yıl içinde AI alanının toplam piyasa değeri 48.5 milyar dolara ulaştı, 24 saatlik işlem hacmi ise yaklaşık 8.6 milyar dolara yaklaştı; ana akım AI teknolojisindeki ilerlemelerin getirdiği avantajlar belirgin hale geldi, OpenAI'nin Sora metin-video modelinin yayınlanmasının ardından, AI sektöründeki ortalama fiyat %151 arttı; AI etkisi aynı zamanda kripto para çekim sektörlerinden biri olan Meme'yi de etkiledi: ilk AI Agent konseptine sahip MemeCoin - GOAT hızla popülerlik kazandı ve 1.4 milyar dolarlık bir değerlemeye ulaştı, AI Meme çılgınlığını başarıyla başlattı.

AI+Web3 ile ilgili araştırmalar ve konular da oldukça popüler. AI+DePIN'den AI Memecoin'e, şu anki AI Agent ve AI DAO'ya kadar FOMO duygusu yeni anlatımların dönüş hızını yakalayamaz hale geldi.

AI+Web3, bu sıcak para, fırsatlar ve geleceğe dair hayallerle dolu terim kombinasyonu, kaçınılmaz olarak insanların bunu bir sermaye tarafından düzenlenen bir düğün olarak görmesine neden oluyor. Bu gösterişli elbisenin altında, gerçekten spekülatörlerin sahnesi mi yoksa şafak patlamasının eşiği mi olduğunu ayırt etmekte zorlanıyoruz?

Bu soruya yanıt vermek için, her iki taraf için de kritik bir düşünce, diğer tarafın varlığının durumu daha iyi hale getirip getirmeyeceğidir. Diğer tarafın modelinden faydalanma imkanı var mı? Bu yazıda, geçmişteki deneyimlerin ışığında bu yapıyı incelemeye de çalışıyoruz: Web3, AI teknoloji yığınında hangi aşamalarda rol oynayabilir ve AI, Web3'e ne tür yeni bir canlılık getirebilir?

![AI+Web3: Kuleler ve Meydanlar])https://img-cdn.gateio.im/webp-social/moments-25bce79fdc74e866d6663cf31b15ee55.webp(

Bölüm.1 AI yığınında Web3'ün ne gibi fırsatları var?

Bu konuya girmeden önce, AI büyük modellerinin teknik yığınını anlamamız gerekiyor:

Tüm süreci daha basit bir dille ifade etmek gerekirse: "Büyük model", insan beynine benzer; erken aşamada, bu beyin henüz dünyaya yeni gelmiş bir bebeğe aittir ve çevresindeki devasa bilgileri gözlemleyip alarak bu dünyayı anlamaya çalışır; bu, verilerin "toplanma" aşamasıdır. Bilgisayarlar, insanın görme, işitme gibi birçok duyusuna sahip olmadığından, eğitim öncesinde dışarıdaki büyük ölçekli etiketlenmemiş bilgiler, bilgisayarın anlayabileceği ve kullanılabilir bilgi formatına "ön işleme" ile dönüştürülmelidir.

Veri girdikten sonra AI, "eğitim" yoluyla anlayış ve tahmin yeteneğine sahip bir model inşa eder. Bu, bir bebeğin dış dünyayı yavaş yavaş anlaması ve öğrenmesi süreci olarak düşünülebilir. Modelin parametreleri, bebeğin öğrenme süreci boyunca sürekli olarak ayarlanan dil yeteneği gibidir. Öğrenilen içerik alanlara ayrılmaya başladığında veya insanlarla iletişim kurarak geri bildirim alıp düzeltme yaptığında, büyük modelin "ince ayar" aşamasına girmiş olur.

Çocuklar yavaş yavaş büyüyüp konuşmayı öğrendiklerinde, yeni diyaloglarda anlamı kavrayabilir ve kendi hislerini iletebilirler. Bu aşama, AI büyük modellerinin "akıl yürütme" aşamasına benzer; model yeni dil ve metin girdilerini tahmin edip analiz edebilir. Bebekler dil yetenekleriyle hislerini ifade eder, nesneleri tanımlar ve çeşitli problemleri çözerler; bu da AI büyük modellerinin eğitim tamamlandıktan sonra akıl yürütme aşamasında çeşitli özel görevlerde uygulanmasına benzer, örneğin görüntü sınıflandırma, ses tanıma gibi.

AI Ajanı, büyük modelin bir sonraki biçimine daha da yaklaşmaktadır - bağımsız olarak görevleri yerine getirebilen ve karmaşık hedefler peşinde koşabilen, sadece düşünme yeteneğine sahip olmakla kalmayıp, aynı zamanda hafıza, planlama yeteneğine de sahip olan ve dünyayla etkileşimde bulunmak için araçlar kullanabilen bir varlıktır.

Şu anda, AI'nın çeşitli yığınlardaki sorunlarına yönelik olarak, Web3 şu anda AI model süreçlerinin her aşamasını kapsayan çok katmanlı, birbirine bağlı bir ekosistem oluşturmuş durumdadır.

![AI+Web3: Kuleler ve Meydanlar])https://img-cdn.gateio.im/webp-social/moments-cc3bf45e321f9b1d1280bf3bb827d9f4.webp(

) Birinci, Temel Katman: Hesaplama Gücü ve Verinin Airbnb'si

Hashrate

Günümüzde, AI'nın en yüksek maliyetlerinden biri, model eğitimi ve çıkarım modeli için gereken hesaplama gücü ve enerji.

Bir örnek, bir teknoloji devinin büyük dil modelinin eğitimini tamamlamak için 30 gün boyunca 16.000 adet belirli bir GPU üreticisi tarafından üretilen yüksek kaliteli GPU'ya ihtiyaç duymasıdır. Bunun 80GB versiyonunun birim fiyatı 30.000 ile 40.000 dolar arasında değişiyor, bu da 4-7 milyar dolar arasında bir hesaplama donanımı yatırımı gerektiriyor ###GPU+ ağ çipi (. Ayrıca, aylık eğitim süreci 1.6 milyar kilovat saat enerji tüketiyor ve enerji harcaması aylık yaklaşık 20 milyon dolar.

AI hesaplama gücünün serbest bırakılması, Web3'ün AI ile kesiştiği ilk alanlardan biridir - DePIN) merkeziyetsiz fiziksel altyapı ağı( şu anda, ilgili veri siteleri 1400'den fazla projeyi listelemiştir, bunlar arasında GPU hesaplama gücü paylaşımını temsil eden projeler de dahil olmak üzere birçok tanınmış platform bulunmaktadır.

Ana mantık şudur: Platform, izin gerektirmeden merkeziyetsiz bir şekilde boşta kalan GPU kaynaklarına sahip bireylerin veya varlıkların hesaplama kapasitelerini katkıda bulunmalarına olanak tanır. Bu, Uber veya Airbnb benzeri bir alıcı-satıcı çevrimiçi pazarı aracılığıyla, yeterince kullanılmayan GPU kaynaklarının kullanım oranını artırır; nihai kullanıcılar da böylece daha düşük maliyetli etkili hesaplama kaynaklarına ulaşır. Aynı zamanda, stake mekanizması, kalite kontrol mekanizması ihlalleri veya ağ kesintileri durumunda kaynak sağlayıcılarının uygun cezalar almasını da garanti eder.

Özellikleri şunlardır:

• Boşta kalan GPU kaynaklarını toplamak: Sağlayıcılar, esas olarak üçüncü taraf bağımsız küçük ve orta ölçekli veri merkezleri, kripto madencilik çiftlikleri gibi işletmelerin fazla hesap gücü kaynakları ve PoS konsensüs mekanizmasına sahip madencilik donanımları, örneğin FileCoin ve ETH madencileri. Şu anda, MacBook, iPhone, iPad gibi yerel cihazlarla büyük model çıkarımını çalıştırmak için daha düşük giriş engellerine sahip ekipmanlar başlatmaya yönelik projeler de bulunmaktadır.

• AI hesaplama gücünün uzun kuyruk piyasasıyla karşı karşıya:

a. "Teknik açıdan", merkezi olmayan bilgi işlem gücü piyasası, çıkarım adımı için daha uygundur. Eğitim, ultra büyük küme ölçeğinde GPU'ların getirdiği veri işleme gücüne daha fazla bağımlıyken, çıkarım, düşük gecikmeli işleme çalışmalarına ve yapay zeka çıkarım uygulamalarına odaklanan bazı platformlar gibi GPU'lar için nispeten düşük bilgi işlem performansına sahiptir.

b. "Talep tarafı açısından" küçük ve orta ölçekli hesap gücü talep edenler kendi büyük modellerini ayrı olarak eğitmeyecek, sadece az sayıda öncü büyük modeller etrafında optimizasyon ve ince ayar yapmayı seçeceklerdir ve bu senaryolar doğal olarak dağıtılmış atıl hesap gücü kaynaklarına uygundur.

• Merkeziyetsiz mülkiyet: Blok zincirinin teknik anlamı, kaynak sahiplerinin her zaman kaynak üzerindeki kontrolünü elinde tutması, talebe göre esnek bir şekilde ayarlama yapabilmesi ve aynı zamanda kazanç elde edebilmesidir.

)# Veri

Veri, AI'nin temelini oluşturur. Veri olmadan, hesaplama, su üzerindeki bir su bitkisi gibi tamamen faydasızdır ve veri ile model arasındaki ilişki, "Çöp girerse, çöp çıkar" atasözü gibi bir durumdadır; verinin miktarı ve girdi kalitesi, nihai modelin çıktı kalitesini belirler. Mevcut AI modellerinin eğitimi açısından, veri modelin dil yeteneğini, anlama yeteneğini, hatta değer yargılarını ve insana özgü davranışlarını belirler. Şu anda, AI'nın veri ihtiyaçları sorunları esasen aşağıdaki dört alana odaklanmaktadır:

• Veri açlığı: AI model eğitimi büyük miktarda veri girişi gerektirir. Kamuya açık veriler, tanınmış bir AI şirketinin eğittiği büyük dil modelinin parametre sayısının trilyon seviyesine ulaştığını göstermektedir.

• Veri Kalitesi: AI'nin çeşitli sektörlerle entegrasyonu ile birlikte, veri güncelliği, veri çeşitliliği, dikey veri uzmanlığı ve sosyal medya gibi yeni veri kaynaklarının duygu analizi gibi unsurlar, veri kalitesi için yeni gereksinimler ortaya koymaktadır.

• Gizlilik ve uyum sorunları: Şu anda çeşitli ülkeler ve şirketler, yüksek kaliteli veri setlerinin önemini giderek daha fazla fark ediyor ve veri seti taramalarını sınırlamaya çalışıyor.

• Veri işleme maliyetleri yüksek: Veri miktarı büyük, işleme süreci karmaşık. Kamuya açık verilere göre, AI şirketlerinin %30'dan fazlası Ar-Ge maliyetlerinin temel veri toplama ve işleme için harcanmaktadır.

Şu anda, web3 çözümleri aşağıdaki dört alanda kendini göstermektedir:

1. Veri Toplama: Ücretsiz olarak toplanmış gerçek dünya verileri hızla tükeniyor, AI şirketlerinin veriye yaptığı ödemeler her yıl artıyor. Ancak, bu harcama, verinin gerçek katkı sahiplerine geri dönmüyor; platformlar, verinin sağladığı değer yaratımından tamamen faydalanıyor. Örneğin, bir sosyal medya platformu AI şirketleriyle yaptığı veri lisans sözleşmeleri aracılığıyla toplamda 2.03 milyon dolar gelir elde etti.

Gerçekten katkıda bulunan kullanıcıların, verilerin yarattığı değer yaratımına katılmalarını sağlamak ve dağıtılmış ağlar ile teşvik mekanizmaları aracılığıyla, düşük maliyetle kullanıcıların daha özel ve değerli verilere erişimini sağlamak, Web3'ün vizyonudur.

• Bazı platformlar, kullanıcıların düğümler çalıştırarak, boşta kalan bant genişliğini katkıda bulunarak ve akış trafiğini ileterek tüm internetteki gerçek zamanlı verileri yakalamak için bir merkeziyetsiz veri katmanı ve ağıdır ve token ödülleri alırlar;

• Bazı platformlar, kullanıcıların özel verilerini ### gibi alışveriş kayıtları, tarama alışkanlıkları, sosyal medya etkinlikleri vb. ( belirli DLP'lere yükleyebilecekleri ve bu verileri belirli üçüncü tarafların kullanımına yetkilendirip yetkilendirmeyeceklerine esnek bir şekilde karar verebilecekleri benzersiz veri likidite havuzları )DLP( kavramını tanıttı;

• Bazı platformlarda, kullanıcılar sosyal medya platformlarında belirli etiketleri kullanarak ve @platform yazarak veri toplayabilirler.

2. Veri Ön İşleme: AI'nin veri işleme sürecinde, toplanan verilerin genellikle gürültülü ve hatalar içermesi nedeniyle, modelin eğitilmesinden önce temizlenip kullanılabilir formata dönüştürülmesi gerekir. Bu, standartlaştırma, filtreleme ve eksik değerlerin işlenmesi gibi tekrarlayan görevleri içerir. Bu aşama, AI sektöründeki az sayıda manuel aşamadan biridir ve veri etiketleme uzmanları gibi bir meslek dalı ortaya çıkmıştır. Modelin veri kalitesine olan talebinin artmasıyla birlikte, veri etiketleme uzmanlarının gereksinimleri de yükselmişken, bu görev doğal olarak Web3'ün merkeziyetsiz teşvik mekanizmasına uygundur.

• Şu anda, birçok platform veri etiketleme bu kritik aşamaya katılmayı düşünmektedir.

• Bazı projeler, veri kalitesini vurgulayan "Train2earn" kavramını öne sürdü; kullanıcılar etiketlenmiş veriler, açıklamalar veya diğer giriş biçimlerini sağlayarak ödüller kazanabilirler.

• Veri etiketleme projesi, etiketleme görevlerini oyunlaştıracak ve kullanıcılara daha fazla puan kazanmak için puanlarını stake etme imkanı verecek.

3. Veri Gizliliği ve Güvenliği: Açıklığa kavuşturulması gereken şey, veri gizliliği ve güvenliğinin iki farklı kavram olduğudur. Veri gizliliği, hassas verilerin işlenmesini içerirken, veri güvenliği, veri bilgilerinin yetkisiz erişim, tahrip ve hırsızlıktan korunmasını sağlar. Bu nedenle, Web3 gizlilik teknolojisinin avantajları ve potansiyel uygulama senaryoları iki açıdan ortaya çıkmaktadır: )1( hassas verilerin eğitimi; )2( veri işbirliği: Birden fazla veri sahibi, orijinal verilerini paylaşmadan AI eğitimine ortak katılabilir.

Mevcut Web3'te yaygın olarak kullanılan gizlilik teknolojileri şunlardır:

• Güvenilir Çalıştırma Ortamı)TEE(

• Tam Homomorfik Şifreleme ) FHE (

• Sıfır bilgi teknolojisi ) zk (, bazı protokollerin zkTLS teknolojisini kullanarak HTTPS trafiği için sıfır bilgi kanıtları oluşturmasına olanak tanır. Bu sayede kullanıcılar dış web sitelerinden aktivitelerini, itibarlarını ve kimlik verilerini güvenli bir şekilde içe aktarabilir, hassas bilgileri ifşa etmeden.

Ancak, bu alan hala erken aşamalarda ve projelerin çoğu keşif aşamasında. Şu anda karşılaşılan bir zorluk, hesaplama maliyetlerinin çok yüksek olmasıdır. Bazı örnekler şunlardır:

• Belirli bir zkML çerçevesinin 1M-nanoGPT modelinin kanıtını oluşturması yaklaşık 80 dakika sürmektedir.

• Bir laboratuvarın verilerine göre, zkML'in maliyeti saf hesaplamadan 1000 kat daha fazladır.

4. Veri Depolama: Veriler elde edildikten sonra, verilerin zincir üzerinde depolanması ve bu verilerle üretilen LLM için bir yere ihtiyaç vardır. Veri kullanılabilirliği )DA( temel sorun olarak, Ethereum'un Danksharding yükseltmesinden önceki işlem hacmi 0.08MB'dır. Bu arada, AI modellerinin eğitimi ve gerçek zamanlı çıkarım genellikle saniyede 50 ila 100GB veri işlem hacmi gerektirir. Bu büyüklükteki fark, mevcut zincir üzerindeki çözümlerin "kaynak yoğun AI uygulamalarıyla" karşılaştığında yetersiz kalmasına neden olmaktadır.

• Bazı platformlar bu kategori için temsilci projelerdir. Yüksek performanslı AI ihtiyaçları için tasarlanmış merkezi depolama çözümüdür ve temel özellikleri şunlardır: yüksek