AI+Web3: Kuleler ve Meydanlar

Kısa ve Öz

1. AI kavramına sahip Web3 projeleri birinci ve ikinci düzey piyasalarda cazibe merkezi haline geliyor.

2. Web3'ün AI sektöründeki fırsatları şunlardır: uzun kuyruktaki potansiyel arzı koordine etmek için dağıtılmış teşviklerin kullanılması, veri, depolama ve hesaplama üzerinde; aynı zamanda, açık kaynaklı bir model ve AI Agent'ın merkeziyetsiz pazarını inşa etmek.

3. AI, Web3 sektöründe esas olarak zincir üstü finans( kripto ödemeleri, ticaret, veri analizi) ve geliştirmeyi desteklemek için kullanılmaktadır.

4. AI+Web3'ün faydası, ikisinin tamamlayıcılığında ortaya çıkmaktadır: Web3, AI merkezileşmesine karşı durmayı umuyor, AI ise Web3'ün sınırlarını aşmasına yardımcı olmayı umuyor.

Giriş

Son iki yılda, AI'nin gelişimi sanki hızlandırma düğmesine basılmış gibi, Chatgpt tarafından tetiklenen bu kelebek etkisi, yalnızca üretken yapay zekanın yeni dünyasını açmakla kalmadı, aynı zamanda Web3 alanında da büyük bir dalga yarattı.

AI kavramının katkısıyla, yavaşlayan kripto pazarında finansman artışı belirgin hale geldi. Medya istatistiklerine göre, yalnızca 2024'ün ilk yarısında, 64 Web3+AI projesi finansman sağladı ve yapay zeka tabanlı işletim sistemi Zyber365, A turunda 100 milyon dolarlık en yüksek finansman miktarına ulaştı.

İkincil piyasa daha da canlı, kripto agregat sitesi Coingecko'nun verilerine göre, sadece bir yıl içinde, AI alanının toplam piyasa değeri 48,5 milyar dolara ulaşmış, 24 saatlik işlem hacmi ise 8,6 milyar dolara yaklaşmıştır; ana akım AI teknolojilerindeki ilerlemelerin getirdiği olumlu etkiler belirgin, OpenAI'nin Sora metin-video modelinin piyasaya sürülmesinin ardından, AI sektöründeki ortalama fiyat %151 oranında artmıştır; AI etkisi aynı zamanda kripto para çekim alanlarından biri olan Meme'ye de yansımıştır: İlk AI Agent konsepti olan MemeCoin GOAT hızla popülerlik kazanmış ve 1,4 milyar dolar değerlemeye ulaşarak AI Meme heyecanını başarıyla başlatmıştır.

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 anlatım döngüsünün hızına yetişemiyor.

AI+Web3, bu sıcak para, fırsatlar ve geleceğin hayalleriyle dolu terim kombinasyonu, kaçınılmaz olarak insanların bunu bir sermaye tarafından düzenlenen bir evlilik olarak görmesine neden oluyor; bu muhteşem giysilerin altında, aslında spekülatörlerin sahası mı yoksa şafak patlamasının eşiği mi olduğunu ayırt etmek zor görünüyor?

Bu soruyu yanıtlamak için her iki taraf için de kritik bir düşünce, diğerinin varlığıyla daha iyi hale gelip gelmeyeceğidir. Diğerinin modelinden faydalanmak mümkün mü? Bu yazıda, daha önceki çalışmaların üzerine çıkarak bu durumu incelemeye çalışıyoruz: Web3, AI teknolojisi yığınındaki her aşamada nasıl bir rol oynayabilir ve AI, Web3'e ne gibi yeni bir canlılık katabilir?

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

Bu konuyu açmadan önce, AI büyük modelinin teknik yığınını anlamamız gerekiyor:

Bütün süreci daha basit bir dille ifade etmek gerekirse: "Büyük model", insan beynine benzer; erken aşamalarda, bu beyin yeni doğmuş bir bebeğe aittir, etrafındaki devasa bilgileri gözlemleyerek ve alarak bu dünyayı anlamaya çalışır, bu da verilerin "toplama" aşamasıdır; bilgisayarlar insanın görme, duyma gibi birçok duyusuna sahip olmadığından, eğitim öncesinde dışarıdaki büyük ölçekli etiketlenmemiş bilgiler, bilgisayarın anlayabileceği ve kullanabileceği bilgi formatına "ön işleme" ile dönüştürülmelidir.

Veri girdikten sonra AI, "eğitim" aracılığıyla anlama ve tahmin yeteneğine sahip bir model oluşturdu, bu da bebeklerin dış dünyayı anlamaya ve öğrenmeye başladığı sürece benzer şekilde düşünülebilir. Modelin parametreleri, bebeklerin öğrenme sürecinde sürekli olarak ayarlanan dil yetenekleri gibidir. Öğrenme içeriği dal ve branşlara ayrılmaya başladığında veya insanlarla etkileşimde bulunarak geri bildirim alıp düzeltmeler yaptığında, büyük modelin "ince ayar" aşamasına geçilmiş olur.

Çocuklar yavaş yavaş büyüdükçe konuşmayı öğrendiklerinde, yeni diyaloglarda anlamı anlayabilir ve hislerini ve düşüncelerini ifade edebilirler. Bu aşama, AI büyük modellerinin "akıl yürütme" aşamasına benzer; model, yeni dil ve metin girdileri üzerinde tahmin ve analiz yapabilir. Bebekler, dil yetenekleriyle hislerini ifade eder, nesneleri tanımlar ve çeşitli sorunları çözer. Bu, AI büyük modellerinin eğitim tamamlandıktan sonra çeşitli özel görevler için akıl yürütme aşamasında kullanılmasıyla da benzerdir; örneğin, görüntü sınıflandırması, ses tanıma gibi.

AI Ajansı, bağımsız görevler yerine getirebilen ve karmaşık hedefler peşinde koşan büyük modelin bir sonraki biçimine daha yakın - sadece düşünme yeteneğine sahip olmakla kalmayıp, aynı zamanda hafızaya, planlamaya sahip 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 aşmasını kapsayan çok katmanlı, birbirine bağlı bir ekosistem oluşturmaktadır.

Birincisi, Temel Katman: Hesaplama Gücü ve Verilerin Airbnb'si

Hash gücü

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

Bir örnek olarak, Meta'nın LLAMA3'ü 16000 adet NVIDIA tarafından üretilen H100GPU( gerektiriyor. Bu, yapay zeka ve yüksek performanslı hesaplama iş yükleri için tasarlanmış birinci sınıf grafik işleme birimidir. ) Eğitimin tamamlanması 30 gün sürüyor. 80GB versiyonunun birim fiyatı 30,000 ila 40,000 dolar arasında değişiyor ve bu, 4-7 milyar dolar değerinde bir hesaplama donanımı yatırımı gerektiriyor( GPU + ağ çipi). Aynı zamanda, aylık eğitim 1.6 milyar kilovat saat enerji tüketiyor ve enerji masrafları her ay yaklaşık 20 milyon dolar.

AI hesaplamasının çözülmesi, Web3'ün AI ile kesiştiği en erken alanlardan biridir - DePin( merkeziyetsiz fiziksel altyapı ağı) şu anda, DePin Ninja veri sitesi 1400'den fazla projeyi sergilemiştir, bunlar arasında GPU hesaplama paylaşımını temsil eden projeler io.net, Aethir, Akash, Render Network gibi projeleri içermektedir.

Ana mantığı şudur: Platform, izinsiz merkeziyetsiz bir şekilde hesaplama gücünü katkıda bulunan, boşta kalan GPU kaynaklarına sahip bireylerin veya kuruluşların, Uber veya Airbnb benzeri alıcı ve satıcıların çevrimiçi pazarında, yeterince kullanılmayan GPU kaynaklarının kullanım oranını artırmalarına olanak tanır. Son kullanıcılar da bu sayede daha düşük maliyetli, verimli hesaplama kaynaklarına ulaşır; aynı zamanda, teminat mekanizması, kalite kontrol mekanizmasını ihlal eden veya ağı kesintiye uğratan durumların ortaya çıkması halinde, kaynak sağlayıcıların uygun şekilde cezalandırılmasını da garanti eder.

Özellikleri şunlardır:

• Boş GPU kaynaklarını topla: Tedarikçiler, üçüncü taraf bağımsız küçük ve orta ölçekli veri merkezleri, kripto madencilik çiftlikleri gibi operatörlerin fazla hesaplama gücü kaynaklarıdır; PoS konsensüs mekanizmasına sahip madencilik donanımları, örneğin FileCoin ve ETH madencilik makineleri. Şu anda, daha düşük giriş engeline sahip cihazlar başlatmaya yönelik projeler de bulunmaktadır; örneğin exolab, MacBook, iPhone, iPad gibi yerel cihazları kullanarak büyük model çıkarımının hesaplama ağına kurulumunu sağlamaktadır.

• AI hesaplama gücünün uzun kuyruk pazarında:

a. "Teknik açıdan bakıldığında" merkeziyetsiz hesaplama pazarı daha çok çıkarım adımlarına uygundur. Eğitim, büyük ölçekli GPU'ların sağladığı veri işleme yeteneğine daha fazla bağımlıdır, oysa çıkarım için GPU hesaplama performansı nispeten daha düşüktür; örneğin Aethir, düşük gecikmeli render çalışmaları ve AI çıkarım uygulamalarına odaklanmaktadır.

b. "Talep tarafında" küçük ve orta ölçekli hesap gücü talep edenler kendi büyük modellerini ayrı olarak eğitmeyecekler, sadece az sayıda önde gelen büyük modeller etrafında optimizasyon ve ince ayar yapmayı seçecekler ve bu sahneler doğal olarak dağıtılmış boş hesap gücü kaynaklarına uygundur.

• Merkeziyetsiz mülkiyet: Blockchain'in teknik anlamı, kaynak sahiplerinin her zaman kaynaklar üzerindeki kontrolünü koruması, talebe göre esnek bir şekilde ayarlama yapabilmesi ve aynı zamanda kazanç elde etmesidir.

Veri

Veri, AI'nın temelidir. Eğer veri yoksa, hesaplama, su üzerindeki bir su bitkisi gibi işe yaramaz; veri ile model arasındaki ilişki, "Çöp girer, çöp çıkar" atasözü gibidir; verinin miktarı ve giriş kalitesi, nihai modelin çıkış kalitesini belirler. Mevcut AI modellerinin eğitimi açısından veri, modelin dil yeteneğini, anlama yeteneğini, hatta değer yargısını ve insana özgü davranışlarını belirler. Şu anda, AI'nın veri ihtiyacı sorunu esasen aşağıdaki dört alana odaklanmaktadır:

• Veri açlığı: AI model eğitimi büyük miktarda veri girişi gerektirir. Kamuya açık kaynaklar, OpenAI'nin GPT-4'ü eğitmek için trilyon seviyesinde parametre kullandığını göstermektedir.

• Veri Kalitesi: AI'nin çeşitli sektörlerle birleşmesiyle birlikte, veri zamanlaması, veri çeşitliliği, dikey veri uzmanlığı ve sosyal medya gibi yeni veri kaynaklarının duygusal içeriğinin alınması, veri kalitesi için yeni gereksinimler ortaya çıkarmıştır.

• Gizlilik ve uyum sorunları: Şu anda çeşitli ülkeler ve şirketler, kaliteli veri setlerinin öneminin farkına varıyor ve veri seti taramalarını sınırlamaya çalışıyor.

• Veri işleme maliyetleri yüksek: Veri miktarı büyük, işleme süreci karmaşık. Açık veriler, AI şirketlerinin %30'dan fazlasının Ar-Ge maliyetinin temel veri toplama ve işleme için kullanıldığını gösteriyor.

Şu anda, web3 çözümleri aşağıdaki dört alanda kendini göstermektedir:

1. Veri Toplama: Ücretsiz olarak toplanan gerçek dünya verileri hızla tükeniyor, AI şirketlerinin veriye yaptığı harcamalar her yıl artıyor. Ancak bu harcama, verilerin gerçek katkıcılarına geri dönmüyor; platformlar, verilerin sağladığı değer yaratımının tüm faydasını elde ediyor. Örneğin, bir platform AI şirketleriyle imzaladığı veri lisans sözleşmeleri sayesinde toplamda 2.03 milyar dolar gelir elde etti.

Gerçekten katkıda bulunan kullanıcıların, verilerin yarattığı değer yaratımına katılmalarını sağlamak ve dağıtık ağ ile teşvik mekanizmaları aracılığıyla, düşük maliyetle kullanıcılara daha özel ve daha değerli verilere erişim sağlamak, Web3'ün vizyonudur.

• Grass, merkeziyetsiz bir veri katmanı ve ağdır; kullanıcılar Grass düğümlerini çalıştırarak, tüm internetteki gerçek zamanlı verileri yakalamak için atıl bant genişliğini ve iletim trafiğini katkıda bulunabilir ve token ödülleri kazanabilir.

• Vana, benzersiz bir veri akış havuzu (DLP) konseptini tanıttı, kullanıcılar özel verilerini ( alışveriş kayıtları, tarama alışkanlıkları, sosyal medya etkinlikleri vb. ) belirli DLP'ye yükleyebilir ve bu verilerin belirli üçüncü taraflar tarafından kullanılmasına izin verip vermeyeceklerini esnek bir şekilde seçebilir;

• PublicAI'de kullanıcılar, sosyal medya platformlarında #AI或#Web3'ü bir etiket olarak kullanabilir ve veri toplamak için @PublicAI'yi etiketleyebilir.

2. Veri Ön İşleme: AI'nın veri işleme sürecinde, toplanan veriler genellikle gürültülü ve hatalar içermekte olduğu için, bu verilerin model eğitimi öncesinde temizlenmesi ve kullanılabilir bir formata dönüştürülmesi gerekmektedir. Bu, standartlaştırma, filtreleme ve eksik değerlerle başa çıkma gibi tekrarlayan görevleri içerir. Bu aşama, AI endüstrisinde birkaç insan faktöründen biridir ve veri etiketleyicisi adı verilen bir mesleğin ortaya çıkmasına yol açmıştır. Modellerin veri kalitesine olan talebi arttıkça, veri etiketleyicisinin gereksinimleri de yükselmektedir ve bu görev, doğal olarak Web3'ün merkeziyetsiz teşvik mekanizmasına uygundur.

• Şu anda, Grass ve OpenLayer bu kritik aşamaya veri etiketleme eklemeyi düşünüyor.

• Synesis, veri kalitesini vurgulayarak "Train2earn" kavramını ortaya koydu; kullanıcılar, etiketlenmiş veri, yorum veya diğer biçimlerdeki girdileri sağlayarak ödüller kazanabilir.

• Veri etiketleme projesi Sapien, etiketleme görevlerini oyunlaştırmakta ve kullanıcıların daha fazla puan kazanmak için puan stake etmelerine olanak tanımaktadır.

3. Veri gizliliği ve güvenliği: Açıklığa kavuşturulması gereken, veri gizliliği ve güvenliğinin iki farklı kavram olduğudur. Veri gizliliği, hassas verilerin işlenmesini kapsarken, veri güvenliği, veri bilgilerinin yetkisiz erişim, tahrip ve hırsızlığa karşı korunmasını sağlar. Bu bağlamda, Web3 gizlilik teknolojisinin avantajları ve potansiyel uygulama alanları iki yönlü olarak kendini göstermektedir: (1) hassas verilerin eğitimi; (2) veri işbirliği: Birden fazla veri sahibi, orijinal verilerini paylaşmadan AI eğitimine ortak olarak katılabilir.

Mevcut Web3'te yaygın olarak kullanılan gizlilik teknolojileri şunlardır:

• Güvenilir Çalıştırma Ortamı ( TEE ), örneğin Super Protocol;

• Tam homomorfik şifreleme (FHE), örneğin BasedAI, Fhenix.io veya Inco Network;

• Sıfır bilgi teknolojisi ( zk ), Reclaim Protocol'ün zkTLS teknolojisini kullanarak HTTPS trafiği için sıfır bilgi kanıtları oluşturmasına olanak tanır, kullanıcıların hassas bilgileri ifşa etmeden dış sitelerden etkinlik, itibar ve kimlik verilerini güvenli bir şekilde içe aktarmasını sağlar.

Ancak, bu alan hala erken aşamada ve çoğu proje keşif aşamasında. Şu anda bir sıkıntı, hesaplama maliyetinin çok yüksek olması; bazı örnekler şunlardır:

• zkML çerçevesi EZKL, 1M-nanoGPT modelinin kanıtını üretmek için yaklaşık 80 dakika gerektirir.

• Modulus Labs'ın verilerine göre, zkML'in maliyeti saf hesaplamalardan 1000 kat daha fazladır.

4. Veri Depolama: Veriler elde edildikten sonra, verileri zincir üzerinde depolamak ve bu verilerden üretilen LLM için bir yere ihtiyaç vardır. Veri kullanılabilirliği (DA) temel sorun olarak ele alındığında, Ethereum'un Danksharding güncellemesi öncesinde, işlem hacmi 0.08MB idi. Bu arada, AI modellerinin eğitimi ve gerçek zamanlı çıkarım genellikle saniyede 50 ila 100GB veri işlem hacmi gerektirir. Bu büyüklükteki fark, mevcut zincirleri zor duruma sokuyor.