AI+Web3: Kuleler ve Meydanlar

Kısa Özet

1. AI konseptli Web3 projeleri birinci ve ikinci piyasalarda çekim merkezi haline geldi.

2. Web3'ün AI sektöründeki fırsatları, uzun kuyruktaki potansiyel arzı koordine etmek için dağıtılmış teşvikler kullanmakta yatmaktadır------veri, depolama ve hesaplama arasında; aynı zamanda, açık kaynak bir model ve AI Agent'ın merkeziyetsiz bir pazarını oluşturmak.

3. Web3 sektöründe AI'nın başlıca kullanıldığı alanlar zincir üzerindeki finansal işlemler (kripto ödemeler, ticaret, veri analizi) ve geliştirmeye yardımcı olmaktır.

4. AI+Web3'ün faydası, ikisinin tamamlayıcılığında ortaya çıkmaktadır: Web3, AI merkezileşmesine karşı koyma umudu taşırken, AI'nın Web3'ün sınırlarını aşmasına yardımcı olacağı umulmaktadır.

Giriş

Son iki yılda, AI'nin gelişimi sanki hızlandırma düğmesine basılmış gibi, Chatgpt tarafından tetiklenen bu kelebek kanatları, sadece üretken yapay zekanın yeni dünyasını açmakla kalmadı, aynı zamanda diğer taraftaki Web3'te de bir akıntı yarattı.

AI konseptinin desteğiyle, yavaşlayan kripto pazarındaki finansman artışının belirgin olduğu görülüyor. Medya istatistiklerine göre, yalnızca 2024 yılının ilk yarısında 64 Web3+AI projesi finansman tamamladı; yapay zeka tabanlı işletim sistemi Zyber365, A turunda 100 milyon dolar en yüksek finansman miktarına ulaştı.

İkincil pazar daha da canlı hale geldi, kripto para toplama sitesi Coingecko'nun verilerine göre, sadece bir yıl içinde AI alanının toplam piyasa değeri 48,5 milyar dolara ulaşırken, 24 saatlik işlem hacmi 8,6 milyar dolara yaklaştı; ana akım AI teknolojilerindeki gelişmelerin olumlu etkisi belirgin, bir şirketin Sora metin video modelinin lansmanından sonra, AI alanındaki ortalama fiyat %151 arttı; AI etkisi aynı zamanda kripto para çekim alanlarından biri olan Meme'ye de yansıdı: ilk AI Agent konsepti olan MemeCoin------GOAT hızlı bir şekilde popülerlik kazandı ve 1,4 milyar dolarlık bir değerlemeye ulaştı, başarılı bir şekilde AI Meme çılgınlığını başlattı.

AI+Web3 ile ilgili araştırmalar ve konular da oldukça popüler. AI+Depin'den AI Memecoin'e, şu anda ise AI Agent ve AI DAO'ya kadar, FOMO duygusu artık yeni anlatı döngüsünün hızına ayak uyduramıyor.

AI+Web3, sıcak para, fırsatlar ve gelecek hayalleriyle dolu bu terim kombinasyonu, kaçınılmaz olarak bir sermaye tarafından düzenlenen bir evlilik olarak algılanıyor. Bu gösterişli elbisenin altında, gerçekten spekülatörlerin sahnesi mi yoksa şafak patlamasının eşiği mi olduğunu ayırt etmekte zorlanıyoruz?

Bu soruyu yanıtlamak için, her iki taraf için de kritik bir düşünce, karşı tarafın varlığıyla daha iyi olup olmayacağıdır. Karşı tarafın modelinden fayda sağlanabilir mi? Bu makalede, öncekilerin tecrübelerinden yararlanarak bu durumu incelemeye çalışıyoruz: Web3, AI teknolojisi yığınındaki her aşamada nasıl bir rol oynayabilir ve AI, Web3'e ne gibi yeni canlılıklar getirebilir?

Bölüm.1 AI yığınında Web3'te ne fırsatlar var?

Bu konuyu açmadan önce, AI büyük modelinin teknoloji yığını hakkında bilgi sahibi olmamız gerekiyor:

Daha anlaşılır bir dille süreci şöyle ifade edebiliriz: "Büyük model", insan beynine benzer; erken aşamalarda, bu beyin yeni dünyaya gelmiş bir bebeğe aittir. Bu bebek, çevresindeki büyük miktardaki bilgiyi gözlemleyip alarak bu dünyayı anlamaya çalışır. Bu, verilerin "toplanma" aşamasıdır; bilgisayarların insanın görme, işitme gibi birçok duyusuna sahip olmaması nedeniyle, eğitim öncesinde dışarıdaki büyük ölçekli etiketlenmemiş bilgiler, bilgisayarın anlayabileceği ve kullanabileceği bilgi formatına "ön işleme" ile dönüştürülmelidir.

Veri girdikten sonra, AI "eğitim" yoluyla anlayış ve tahmin yeteneğine sahip bir model oluşturur. Bu, bir bebeğin dış dünyayı anlamaya ve öğrenmeye başlaması süreci olarak düşünülebilir. Modelin parametreleri, bebeğin öğrenme sürecinde sürekli olarak ayarlanan dil yeteneği gibidir. Öğrenilen içerikler branşlara ayrılmaya başladığında veya insanlarla iletişim kurarak geri bildirim alıp düzeltmeler yapıldığında, büyük modelin "ince ayar" aşamasına geçilir.

Çocuklar büyüdükçe ve konuşmayı öğrendikçe, yeni diyaloglarda anlamı anlayabilir ve kendi hislerini ve düşüncelerini ifade edebilirler. Bu aşama, AI büyük modellerinin "akıl yürütme" sürecine benzer; model, yeni dil ve metin girdilerine tahminler ve analizler yapabilir. Bebekler dil yetenekleri aracılığıyla hislerini ifade eder, nesneleri tanımlar ve çeşitli sorunları çözerler; bu da AI büyük modellerinin eğitim tamamlandıktan sonra akıl yürütme aşamasında belirli görevlerde, örneğin görüntü sınıflandırması, ses tanıma gibi uygulamalarına benzer.

AI Ajanı, görevleri bağımsız olarak yerine getirebilen ve karmaşık hedefler peşinde koşabilen, düşünme yeteneğine sahip olmanın yanı sıra hafızaya, planlamaya sahip olan ve araçları kullanarak dünyayla etkileşimde bulunabilen büyük modelin bir sonraki biçimine daha yakın hale geliyor.

Şu anda, AI'nın her katmandaki zorlukları için Web3, AI model süreçlerinin her aşamasını kapsayan çok katmanlı, birbirine bağlı bir ekosistem oluşturmaya başlamıştır.

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

▎Hash gücü

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

Bir örnek, belirli bir şirketin LLAMA3'ün eğitimi için 30 gün boyunca belirli bir şirket tarafından üretilen 16.000 H100GPU'ya ihtiyaç duymasıdır (bu, yapay zeka ve yüksek performanslı hesaplama yükleri için tasarlanmış birinci sınıf grafik işleme birimidir). 80GB sürümünün birim fiyatı 30.000 ile 40.000 dolar arasında değişiyor, bu da 4-7 milyar dolarlık bir hesaplama donanımı yatırımı (GPU+ ağ çipi) gerektiriyor. Aynı zamanda, aylık eğitim için 1.6 milyar kilovatsaat enerji tüketiliyor ve enerji giderleri her ay yaklaşık 20 milyon dolar.

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

Ana mantığı şudur: Platform, elinde atıl GPU kaynakları bulunan bireylerin veya kuruluşların, izin gerektirmeyen merkeziyetsiz bir şekilde hesaplama güçlerini katkıda bulunmalarına olanak tanır. Bu, bir taksi çağırma platformu veya bir konaklama platformundaki alıcı ve satıcıların çevrimiçi pazarına benzer şekilde, tam olarak kullanılmayan GPU kaynaklarının verimliliğini artırır. Nihai kullanıcılar da bu sayede daha düşük maliyetli ve verimli hesaplama kaynakları elde eder. Aynı zamanda, stake mekanizması, kalite kontrol mekanizmasını ihlal eden veya ağı kesintiye uğratan durumların ortaya çıkması halinde kaynak sağlayıcıların uygun şekilde cezalandırılmasını garanti eder.

Özellikleri şunlardır:

• Boşta kalan GPU kaynaklarını bir araya getirmek: Sağlayıcılar, üçüncü taraf bağımsız küçük ve orta ölçekli veri merkezleri, kripto madencilik alanları gibi işletmelerin fazla hesap gücü kaynaklarıdır. Konsensüs mekanizması PoS olan madencilik donanımları, örneğin FileCoin ve ETH madencilik makineleridir. Şu anda, daha düşük bir giriş bariyeri olan cihazları başlatmaya yönelik projeler de bulunmaktadır; örneğin, exolab yerel cihazlar olarak MacBook, iPhone, iPad gibi cihazları kullanarak büyük model çıkarımı için hesap gücü ağı kurmaktadır.

• AI hesaplama gücünün uzun kuyruk pazarına karşı:

a. "Teknik açıdan, merkeziyetsiz hesaplama pazarı çıkarım adımları için daha uygundur. Eğitim, devasa küme ölçeği GPU'ların sağladığı veri işleme kapasitesine daha fazla bağımlıdır, oysa çıkarım için GPU hesaplama performansı görece daha düşüktür; Aethir, düşük gecikmeli render çalışmaları ve AI çıkarım uygulamalarına odaklanmaktadır.

b. "Talep tarafında" küçük ve orta ölçekli hesaplama gücü talep edenler kendi büyük modellerini ayrı bir şekilde eğitmeyecek, sadece az sayıda önde gelen büyük model etrafında optimizasyon ve ince ayar yapmayı seçeceklerdir ve bu senaryolar doğal olarak dağıtılmış atıl hesaplama kaynakları için uygundur.

• Merkeziyetsiz mülkiyet: Blok zincirinin teknik anlamı, kaynak sahiplerinin her zaman kaynak üzerindeki kontrolünü koruması, talebe göre esnek bir şekilde ayarlama yapabilmesi ve aynı zamanda gelir elde etmesidir.

▎Veri

Veri, AI'nin temelidir. Veri olmadan, hesaplama, su bitkileri gibi tamamen işe yaramaz hale gelir ve veri ile model arasındaki ilişki, "Çöp girerse, çöp çıkar" atasözündeki gibi, verinin miktarı ve giriş kalitesi, nihai modelin çıktı kalitesini belirler. Mevcut AI modellerinin eğitimi açısından, veri, modelin dil yeteneğini, anlama yeteneğini, hatta değer yargılarını ve insani davranışlarını belirler. Şu anda, AI'nın veri ihtiyacı krizi esasen aşağıdaki dört alanda yoğunlaşmaktadır:

• Veri açlığı: AI modellerinin eğitimi büyük miktarda veri girişi gerektirir. Kamuya açık verilere göre, bir şirketin GPT-4'ü eğitmek için kullandığı parametre sayısı trilyon seviyesine ulaşmıştır.

• Veri Kalitesi: AI'nin çeşitli sektörlerle birleşmesiyle birlikte, verinin zamanlılığı, veri çeşitliliği, dikey veri uzmanlığı ve sosyal medya gibi yeni veri kaynaklarının duygu analizinin dahil edilmesi, veri kalitesi için yeni gereksinimler ortaya çıkarmıştır.

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

• Veri işleme maliyetleri yüksek: Veri miktarı büyük, işleme süreci karmaşık. Kamuya açık veriler, AI şirketlerinin %30'dan fazlasının Ar-Ge maliyetlerinin temel veri toplama ve işleme için harcandığını göstermektedir.

Şu anda, web3 çözümleri aşağıdaki dört alanda kendini göstermektedir:

1. Veri Toplama: Ücretsiz olarak elde edilen gerçek dünya verileri hızla tükeniyor, AI şirketlerinin veriler için yaptığı ödeme yıllar içinde artıyor. Ancak bu harcamalar, verilerin gerçek katkıcılarına geri dönmüyor; platformlar verilerin sağladığı değer yaratımından tamamen faydalanıyor. Örneğin, bir sosyal medya platformu, AI şirketleriyle imzaladığı veri lisans anlaşmaları sayesinde toplam 203 milyon dolar gelir elde etti.

Gerçekten katkıda bulunan kullanıcıların, verinin getirdiği değer yaratımına katılmasını sağlamak ve dağıtık ağ ve teşvik mekanizmaları aracılığıyla, düşük maliyetle kullanıcıların daha özel ve daha değerli verilere erişimini sağlamak, Web3'ün vizyonudur.

• Grass, merkeziyetsiz bir veri katmanı ve ağdır; kullanıcılar Grass düğümlerini çalıştırarak, boşta kalan bant genişliğini ve iletim trafiğini katkıda bulunarak, internetteki gerçek zamanlı verileri yakalayabilir ve token ödülleri kazanabilirler;

• Vana, kullanıcıların özel verilerini (alışveriş kayıtları, gezinme alışkanlıkları, sosyal medya etkinlikleri vb.) belirli bir veri akış likidite havuzuna (DLP) yükleyebileceği ve bu verileri belirli üçüncü tarafların kullanımına yetki verme esnekliğini seçebileceği benzersiz bir DLP konsepti tanıtmaktadır;

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

2. Veri Ön İşleme: AI veri işleme sürecinde, toplanan veriler genellikle gürültülü ve hatalar içerdiğinden, model eğitimi öncesinde temizlenip kullanılabilir bir formata dönüştürülmesi gerekir. Bu, standartlaştırma, filtreleme ve eksik değerlerin işlenmesi gibi tekrar eden görevleri içerir. Bu aşama, AI endüstrisindeki nadir insan müdahale noktalarından biridir ve veri etiketleme uzmanları adı verilen bir meslek dalını doğurmuştur. Modellerin veri kalitesi talepleri arttıkça, veri etiketleme uzmanlarının gereksinimleri de artmaktadır ve bu görev, Web3'ün merkeziyetsiz teşvik mekanizması için doğal olarak uygundur.

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

• Synesis, veri kalitesini vurgulayarak "Train2earn" kavramını ortaya koydu. Kullanıcılar, etiketlenmiş veriler, yorumlar veya diğer biçimlerdeki girdileri sağlayarak ödül alabilirler.

• Veri etiketleme projesi Sapien, etiketleme görevlerini oyunlaştırarak kullanıcıların daha fazla puan kazanmak için puanlarını kilitlemelerine olanak tanır.

3. Veri gizliliği ve güvenliği: Netleştirilmesi gereken bir şey, veri gizliliği ve güvenliğinin iki farklı kavram olduğudur. Veri gizliliği, hassas verilerin işlenmesini içerirken, veri güvenliği, verilerin yetkisiz erişim, tahribat ve hırsızlığa karşı korunmasını sağlar. Bu nedenle, Web3 gizlilik teknolojisinin avantajları ve potansiyel uygulama alanları iki yönde ortaya çıkmaktadır: (1) Hassas verilerin eğitimi; (2) Veri işbirliği: Birden fazla veri sahibi, orijinal verilerini paylaşmadan AI eğitimine ortak olarak katılabilir.

Günümüzde Web3'te yaygın olarak kullanılan gizlilik teknolojileri şunlardır:

• Güvenilir yürütme ortamı ( TEE ), örneğin Super Protocol;

• Tam Homomorfik Şifreleme (FHE), örneğin BasedAI, Fhenix.io veya Inco Network;

• Sıfır bilgi teknolojileri (zk), Reclaim Protocol gibi zkTLS teknolojisini kullanarak HTTPS trafiği için sıfır bilgi kanıtları oluşturur. Bu, kullanıcıların hassas bilgileri ifşa etmeden dış sitelerden etkinlik, itibar ve kimlik verilerini güvenli bir şekilde içe aktarmalarına olanak tanır.

Ancak, bu alan hala erken aşamalarda ve çoğu proje hala keşif aşamasında; mevcut bir zorluk ise hesaplama maliyetidir.