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

Yapay zeka anlatımının sürekli ısınmasıyla birlikte, bu alana giderek daha fazla dikkat çekilmektedir. Web3-AI alanındaki teknik mantık, uygulama senaryoları ve temsilci projeler derinlemesine analiz edilerek, bu alanın panoraması ve gelişim trendleri sizlere kapsamlı bir şekilde sunulmaktadır.

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

1.1 Web3 ve AI'nın birleşim mantığı: Web-AI alanını nasıl tanımlarsınız

Geçtiğimiz yıl içinde, AI anlatımı Web3 sektöründe olağanüstü popülerlik kazandı ve AI projeleri birbiri ardına ortaya çıktı. 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 metnin odak noktası, üretim ilişkileri sorunlarını çözmek için blok zinciri ve üretkenlik sorunlarını çözmek için AI kullanan projelerdir. Bu projeler kendileri AI ürünleri sunarken, üretim ilişkileri aracı olarak Web3 ekonomik modeline dayanmaktadır ve ikisi birbirini tamamlamaktadır. Bu tür projeleri Web3-AI alanına sınıflandırıyoruz. Okuyucuların Web3-AI alanını daha iyi anlaması için, AI geliştirme süreci ve zorlukları hakkında bilgi verilecek ve Web3 ile AI'nın bir araya gelerek nasıl mükemmel bir şekilde sorunları çözdüğü ve yeni uygulama senaryoları yarattığına dair açıklamalar yapılacaktır.

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

AI teknolojisi, bilgisayarların insan zekasını simüle etmesine, genişletmesine ve artırmasına olanak tanıyan bir tekniktir. Bu teknoloji, bilgisayarların dil çevirisi, görüntü sınıflandırması, yüz tanıma, otonom sürüş gibi çeşitli karmaşık görevleri yerine getirmesini sağlar ve AI, yaşamımızı ve çalışma şeklimizi değiştirmektedir.

Yapay zeka modeli geliştirme süreci genellikle aşağıdaki birkaç ana adımı içerir: veri toplama ve veri ön işleme, model seçimi ve ayarı, model eğitimi ve çıkarım. Basit bir örnek vermek gerekirse, kedi ve köpek görüntülerini sınıflandırmak için bir model geliştirmek istiyorsanız, şunlara ihtiyacınız var:

1. Veri toplama ve veri ön işleme: Kedi ve köpek içeren görüntü veri setlerini toplayın, kamuya açık veri setlerini kullanabilir veya gerçek verileri kendiniz toplayabilirsiniz. Ardından, her bir görüntü için kategoriyi (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 ağları (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: Modeli eğitmek için GPU, TPU veya yüksek performanslı hesaplama kümeleri kullanılabilir, eğitim süresi modelin karmaşıklığına ve hesaplama gücüne bağlıdır.

4. Model Çıkarımı: Eğitimli model dosyaları genellikle model ağırlıkları olarak adlandırılır, çıkarım süreci ise eğitimli 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, genellikle modelin etkinliğini değerlendirmek için doğruluk, geri çağırma, F1-skoru gibi göstergeler kullanılır.

Aşağıda gösterildiği gibi, veri toplama ve veri ön işleme, model seçimi ve ayarlama ile birlikte eğitim yapıldıktan sonra, eğitilmiş modelin test setinde çıkarım yapması sonucunda kedi ve köpek için tahmin edilen değer P (olasılık), yani modelin kedi veya köpek olduğu olasılığı elde edilecektir.

Eğitilmiş AI modelleri, farklı görevleri yerine getirmek için çeşitli uygulamalara entegre edilebilir. 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 sürecinin aşağıdaki senaryolarda bazı sorunları vardır:

Kullanıcı Gizliliği: Merkezileşmiş senaryolarda, AI'nın geliştirme 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 veriler) elde ederken, verinin açık kaynak olmaması kısıtlamasıyla karşılaşabilir.

Model seçimi ve ayarlama: Küçük ekipler için belirli bir alanda model kaynaklarına erişmek veya model ayarlamak için büyük maliyetler harcamak zor olabilir.

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.

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

Merkezi AI senaryolarında var olan zorluklar, Web3 ile birleşim yoluyla aşılabilir. Web3, yeni bir üretim ilişkisi olarak, doğal olarak yeni üretkenliği temsil eden AI ile uyumlu bir şekilde çalışarak, teknolojinin ve üretim kapasitesinin eş zamanlı olarak ilerlemesini sağlamaktadır.

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

Web3 ve AI'nin birleşimi, kullanıcı egemenliğini artırabilir, kullanıcılara açık bir AI işbirliği platformu sunarak, kullanıcıların Web2 döneminin AI kullanıcılarından katılımcılara dönüşmesini sağlamakta, herkesin sahip olabileceği AI'lar yaratmaktadır. Aynı zamanda, Web3 dünyası ile AI teknolojisinin entegrasyonu daha fazla yenilikçi uygulama senaryoları ve oyun tarzları ortaya çıkarabilir.

Web3 teknolojisine dayalı olarak, AI'nın geliştirilmesi ve uygulanması yeni bir iş birliği ekonomik sistemi ile karşılaşacak. İnsanların veri gizliliği güvence altına alınabilir, veri kalabalıklaştırma modeli AI modellerinin ilerlemesini teşvik eder, birçok açık kaynaklı AI kaynağı kullanıcıların kullanımına sunulur ve paylaşılan hesaplama gücü daha düşük maliyetle elde edilebilir. Merkeziyetsiz iş birliği kalabalıklaştırma mekanizması ve açık AI pazarı sayesinde adil bir gelir dağıtım sistemi sağlanarak daha fazla insanı AI teknolojisinin ilerlemesini teşvik etmeye motive edebilir.

Web3 sahnesinde, AI birden fazla alanda olumlu etki yaratabilir. Örneğin, AI modelleri akıllı sözleşmelere entegre edilerek, piyasa analizi, güvenlik testi, sosyal kümeleme gibi çeşitli uygulama senaryolarında iş verimliliğini artırabilir. Üretken AI, kullanıcıların AI teknolojisini kullanarak kendi NFT'lerini yaratma gibi "sanatçı" rolünü deneyimlemelerine olanak tanımanın yanı sıra, oyunlarda zengin ve çeşitli oyun sahneleri ile ilginç etkileşim deneyimleri yaratabilir. Zengin altyapı, AI uzmanları veya AI alanına girmek isteyen yeni başlayanlar için sorunsuz bir geliştirme deneyimi sunar ve bu dünyada uygun bir giriş bulabilirler.

İki, Web3-AI Ekosistem Proje Haritası ve Mimari Analizi

Web3-AI alanındaki 41 projeyi ana olarak inceledik ve bu projeleri farklı katmanlara ayırdık. Her bir katmanın ayrım mantığı aşağıdaki gibi gösterilmiştir; altyapı katmanı, orta katman ve uygulama katmanı olmak üzere her bir katman farklı bölümlere ayrılmaktadır. Bir sonraki bölümde, bazı temsil niteliğindeki projeleri derinlikli bir şekilde analiz edeceğiz.

Altyapı katmanı, tüm AI yaşam döngüsünün çalışmasını destekleyen hesaplama kaynakları ve teknik mimarileri kapsar, ara 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 temelidir. Bu yazıda hesaplama gücü, AI Zinciri ve geliştirme platformu altyapı katmanına dahil edilmiştir. İşte bu altyapıların desteği sayesinde AI modellerinin eğitimi ve çıkarımı gerçekleştirilebilir ve güçlü, kullanışlı AI uygulamaları kullanıcılara sunulabilir.

• Merkeziyetsiz hesaplama ağı: AI model eğitimi için dağıtık hesaplama gücü sağlayabilir, verimli ve ekonomik bir hesaplama kaynağı kullanımını garanti eder. Bazı projeler, kullanıcıların düşük maliyetle hesaplama gücü kiralayabileceği veya hesaplama gücünü paylaşarak kazanç elde edebileceği merkeziyetsiz bir hesaplama gücü pazarı sunmaktadır; bu projelere örnek olarak IO.NET ve Hyperbolic verilebilir. Ayrıca, bazı projeler yeni oyunlar geliştirmiştir; Compute Labs gibi, kullanıcıların GPU varlıklarını temsil eden NFT'leri satın alarak çeşitli şekillerde hesaplama gücü kiralayarak kazanç elde edebileceği tokenize edilmiş protokoller önermiştir.

• AI Zinciri: Blok zincirini AI yaşam döngüsünün temeli olarak kullanarak, zincir üzerindeki ve dışındaki AI kaynaklarının kesintisiz etkileşimini sağlar ve endüstri ekosisteminin gelişimini teşvik eder. Zincir üzerindeki merkeziyetsiz AI pazarı, veri, model, ajan gibi AI varlıklarının ticaretini yapabilir ve AI geliştirme çerçevesi ile ilgili geliştirme araçları sunar; örnek projeler arasında Sahara AI bulunmaktadır. AI Zinciri ayrıca farklı alanlardaki AI teknolojilerinin ilerlemesini teşvik edebilir; örneğin Bittensor, yenilikçi alt ağ teşvik mekanizması ile farklı AI türlerinin alt ağ rekabetini teşvik etmektedir.

• Geliştirme platformu: Bazı projeler AI ajan geliştirme platformları sunar 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; temsilci projeler arasında Nimble bulunmaktadır. Bu altyapılar, AI teknolojisinin Web3 ekosistemindeki geniş uygulamasını teşvik etmektedir.

Ara katman:

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

• Veriler: Verilerin kalitesi ve miktarı, modelin eğitim etkisini etkileyen anahtar faktörlerdir. Web3 dünyasında, kitlesel veri toplama ve işbirlikçi veri işleme yoluyla kaynak kullanımı optimize edilebilir ve veri maliyetleri düşürülebilir. Kullanıcılar, gizlilik koruması altında kendi verilerini satma yetkisine sahip olabilirler ve bu sayede verilerinin kötü niyetli tüccarlar tarafından çalınmasını ve yüksek karlar elde edilmesini önleyebilirler. 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 toplar, xData ise kullanıcı dostu eklentileri aracılığıyla medya bilgilerini toplar ve kullanıcıların tweet bilgilerini yüklemesini destekler.

Ayrıca, bazı platformlar alan uzmanlarının veya sıradan kullanıcıların veri ön işleme görevlerini yerine getirmesine izin vermektedir; bu görevler, finansal ve hukuki konularda uzmanlık bilgisi gerektiren veri işleme görevlerini içerebilir. Kullanıcılar, becerilerini tokenleştirerek veri ön işleme için işbirlikçi bir kalabalık oluşturabilirler. Örneğin, farklı alanlarda veri görevleri sunan Sahara AI gibi AI pazarları, çok çeşitli veri senaryolarını kapsayabilir; AIT Protocol ise insan-makine iş birliği ile verileri etiketler.

• Model: Daha önce bahsedilen AI geliştirme sürecinde, farklı türdeki ihtiyaçların uygun modellere eşleştirilmesi gerekmektedir. Görüntü görevlerinde yaygın olarak kullanılan modeller arasında CNN ve GAN yer alırken, nesne tespiti görevleri için Yolo serisi seçilebilir. Metin tabanlı görevlerde ise yaygın olarak RNN, Transformer gibi modeller bulunmaktadır. Elbette bazı özel veya genel büyük modeller de mevcuttur. Farklı karmaşıklıkta görevlerin ihtiyaç duyduğu model derinliği de farklıdır; bazen model ayarlaması yapılması gerekebilir.

Bazı projeler, kullanıcıların farklı türde modeller sunmasına veya model eğitimi için kitle kaynaklı iş birliği yapmasına olanak tanır. Örneğin, Sentient, kullanıcıların güvenilir model verilerini depolama ve dağıtım katmanlarında tutarak model optimizasyonu yapmalarına olanak tanıyan modüler bir tasarıma sahiptir. Sahara AI tarafından sunulan geliştirme araçları, yerleşik gelişmiş AI algoritmaları ve hesaplama çerçeveleri ile birlikte gelir ve iş birliği ile eğitim yeteneğine sahiptir.

• Çıkarım ve doğrulama: Model eğitildikten sonra, sınıflandırma, tahmin veya diğer belirli görevler için doğrudan kullanılabilecek model ağırlık dosyaları oluşturur. Bu süreç çıkarım olarak adlandırılır. Çıkarım süreci genellikle çıkarım modelinin kaynağının doğru olup olmadığını, kötü niyetli eylemler 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'ının 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 fazla ilginç ve yenilikçi şeyler yaratmaktadır.