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

Yapay zeka anlatımının devam eden yükselişiyle birlikte, bu alana artan bir ilgi gösterilmektedir. Web3-AI alanının teknik mantığı, uygulama senaryoları ve temsilci projeleri derinlemesine analiz edilerek, bu alandaki panoramayı ve gelişim trendlerini kapsamlı bir şekilde sunmaktadır.

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

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

Geçtiğimiz yıl içinde, AI anlatımı Web3 sektöründe son derece popüler hale geldi ve AI projeleri birer birer ortaya çıktı. Birçok projenin AI teknolojisini içerdiği doğru olsa da, bazı projeler yalnızca ürünlerinin belirli kısımlarında AI kullanıyor; bu projelerin temel token ekonomisi ile AI ürünleri arasında gerçek bir ilişki bulunmuyor. Bu nedenle, bu tür projeler bu makalede Web3-AI projeleri tartışmasına dahil edilmemektedir.

Bu metnin odak noktası, blok zincirinin üretim ilişkileri sorunlarını çözme, AI'nin ise üretkenlik sorunlarını çözme projeleridir. Bu projeler, AI ürünleri sunmakta ve aynı zamanda üretim ilişkileri aracı olarak Web3 ekonomik modeline dayanmaktadır; her ikisi de birbirini tamamlamaktadır. Bu tür projeleri Web3-AI alanına sınıflandırıyoruz. Okuyucuların Web3-AI alanını daha iyi anlaması için, AI'nin geliştirme süreci ve zorlukları ile Web3 ve AI'nin birleşiminin sorunları nasıl mükemmel bir şekilde çözdüğünü ve yeni uygulama senaryoları yarattığını tanıtacağız.

1.2 AI'nin geliştirme süreci ve zorlukları: Veri toplamadan model çıkarımına

Yapay zeka teknolojisi, bilgisayarların insan zekasını simüle etmesine, genişletmesine ve artırmasına olanak tanıyan bir teknolojidir. Bu teknoloji, bilgisayarların dil çevirisi, görüntü sınıflandırması, yüz tanıma ve otonom sürüş gibi çeşitli karmaşık görevleri yerine getirmesini sağlar; yapay zeka, yaşam ve çalışma şeklimizi değiştirmektedir.

Yapay zeka modelinin geliştirilme 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, bir modeli kedilerin ve köpeklerin görüntülerini sınıflandırmak için geliştirmek istiyorsanız, şunlara ihtiyacınız var:

1. Veri toplama ve veri ön işleme: Kedi ve köpek içeren bir görüntü veri seti toplayın, halka açık veri setlerini kullanabilir veya gerçek verileri kendiniz toplayabilirsiniz. Ardından, her bir görüntüye kategori (kedi veya köpek) etiketini verin, etiketlerin doğru olduğundan emin olun. Görüntüleri modelin tanıyabileceği bir formata dönüştürün, veri setini eğitim seti, doğrulama seti ve test setine ayırın.

2. Model Seçimi ve Ayarlama: Uygun bir model seçin, örneğin, görüntü sınıflandırma görevleri için daha uygun olan Konvolüsyonel Sinir Ağı (CNN). 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 bilgisayar kümeleri kullanılabilir, eğitim süresi modelin karmaşıklığı ve hesaplama gücünden etkilenir.

4. Model Çıkarımı: Model eğitimi tamamlanmış dosyalar genellikle model ağırlıkları olarak adlandırılır, çıkarım süreci, eğitilmiş bir modeli yeni veriler üzerinde tahmin veya sınıflandırma yapmak için kullanma sürecidir. Bu süreçte, modelin sınıflandırma performansını test etmek için genellikle test seti veya yeni veriler kullanılır ve modelin etkinliğini değerlendirmek için genellikle doğruluk, hatırlama oranı, F1-skora gibi ölçütler kullanılır.

Aşağıdaki şekilde gösterildiği gibi, veri toplama ve veri ön işleme, model seçimi ve ayarlama ile eğitim gerçekleştirilerek, eğitilen modelin test setinde çıkarım yapılmasıyla kedi ve köpek için tahmin değerleri P (olasılık) elde edilir; yani modelin kedi veya köpek olduğu olasılığını çıkarır.

Eğitilmiş AI modelleri, çeşitli uygulamalara entegre edilerek farklı görevleri yerine getirebilir. Bu örnekte, kedi ve köpek sınıflandırma AI modeli bir mobil uygulamaya entegre edilebilir, kullanıcı kedi veya köpek resimlerini yüklediğinde sınıflandırma sonucunu alabilir.

Ancak, merkezi AI geliştirme süreci aşağıdaki senaryolarda bazı sorunlar yaşanmaktadır:

Kullanıcı Gizliliği: Merkezi bir senaryoda, AI'nin geliştirilme süreci genellikle şeffaf değildir. Kullanıcı verileri, kullanıcıların bilgisi olmadan çalınabilir ve AI eğitimi için kullanılabilir.

Veri kaynağı edinimi: Küçük ekipler veya bireyler, belirli bir alanda veri (örneğin, tıbbi veriler) edinirken, verilerin açık kaynak olmaması gibi kısıtlamalarla karşılaşabilir.

Model seçimi ve ayarı: Küçük ekipler için belirli bir alanın model kaynaklarını elde etmek veya model ayarı yapmak 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 çabaya uygun gelir elde edemezken, yapay zeka geliştiricilerinin araştırma sonuçları da talep eden alıcılarla eşleşmekte zorluk çekmektedir.

Merkezi AI sahnesinde var olan zorluklar, Web3 ile birleşim yoluyla aşılabilir. Web3, yeni bir üretim ilişkisi olarak, doğal olarak yeni üretkenliği temsil eden AI ile uyum sağlar ve böylece teknoloji ve üretim kapasitesinin eş zamanlı ilerlemesini teşvik eder.

1.3 Web3 ve AI'nin Sinerjisi: Rol Değişimi ve Yenilikçi Uygulamalar

Web3 ve AI birleşimi, kullanıcı egemenliğini artırabilir ve kullanıcılara açık bir AI işbirliği platformu sunarak, kullanıcıları Web2 döneminin AI kullanıcılarından katılımcılara dönüştürür ve herkesin sahip olabileceği AI oluşturur. Aynı zamanda, Web3 dünyası ile AI teknolojisinin entegrasyonu, daha fazla yenilikçi uygulama senaryosu ve oyun tarzı yaratabilir.

Web3 teknolojisi temelinde, AI'nın geliştirilmesi ve uygulanması yeni bir işbirliği ekonomisi 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, paylaşılan hesaplama gücü daha düşük maliyetle elde edilebilir. Merkeziyetsiz işbirliği kalabalıklaştırma mekanizması ve açık AI pazarı sayesinde adil bir gelir dağıtım sistemi gerçekleştirilebilir, böylece daha fazla insanın AI teknolojisinin ilerlemesini teşvik etmesi teşvik edilir.

Web3 ortamında, AI birden fazla alanda olumlu etkiler yaratabilir. Örneğin, AI modelleri akıllı sözleşmelere entegre edilerek pazar analizi, güvenlik denetimi, sosyal kümeleme gibi çeşitli uygulama senaryolarında çalışma verimliliğini artırabilir. Üretken AI, kullanıcıların AI teknolojisini kullanarak kendi NFT'lerini yaratmak gibi "sanatçı" rolünü deneyimlemelerini sağlarken, GameFi'de de zengin ve çeşitli oyun senaryoları ve 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 noktası bulmalarını sağlar.

İki, Web3-AI Ekosistem Proje Haritası ve Mimari Analizi

Web3-AI alanında 41 projeyi ana hatlarıyla inceledik ve bu projeleri farklı katmanlara ayırdık. Her bir katmanın ayrım mantığı aşağıdaki şekilde gösterilmektedir; altyapı katmanı, ara katman ve uygulama katmanı olmak üzere, her bir katman farklı bölümlere ayrılmaktadır. Bir sonraki bölümde, bazı temsilci projeleri derinlikli bir şekilde analiz edeceğiz.

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

Altyapı katmanı:

Altyapı katmanı, AI yaşam döngüsünün temelidir. Bu makalede hesaplama gücü, AI Zinciri ve geliştirme platformu altyapı katmanına dahil edilmiştir. İşte bu altyapı desteği sayesinde AI modellerinin eğitimi ve çıkarımı gerçekleştirilebilir ve güçlü, kullanışlı AI uygulamaları kullanıcılara sunulabilir.

• Merkeziyetsiz hesaplama ağı: AI model eğitimi için dağıtılmış hesaplama gücü sağlayabilir, verimli ve ekonomik hesaplama kaynaklarının kullanılmasını güvence altına alır. Bazı projeler merkeziyetsiz hesaplama gücü pazarları sunar, kullanıcılar düşük maliyetle hesaplama gücü kiralayabilir veya hesaplama gücünü paylaşarak gelir elde edebilir; bu projelere örnek olarak IO.NET ve Hyperbolic gösterilebilir. Ayrıca, bazı projeler yeni oyun mekanikleri geliştirmiştir; örneğin Compute Labs, kullanıcıların GPU varlıklarını temsil eden NFT'leri satın alarak hesaplama gücü kiralama sürecine farklı şekillerde katılmasını sağlayan tokenleştirilmiş bir protokol önerdi.

• AI Zinciri: Blockchain'i AI yaşam döngüsünün temeli olarak kullanarak, çevrim içi ve çevrim dışı AI kaynaklarının kesintisiz etkileşimini sağlamakta ve sektör ekosisteminin gelişimini teşvik etmektedir. Zincir üzerindeki merkeziyetsiz AI pazarı, veri, model, ajan gibi AI varlıklarının ticaretini yapabilir ve AI geliştirme çerçevesi ile destekleyici geliştirme araçları sunar; temsilci 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 mekanizmaları kullanmaktadır.

• Geliştirme platformu: Bazı projeler AI ajan geliştirme platformları sunar ve Fetch.ai ve ChainML gibi AI ajan ticaretine de olanak tanır. Geliştiricilerin AI modellerini daha kolay bir şekilde oluşturmasını, eğitmesini ve dağıtmasını sağlamak için tek duraklı araçlar, Nimble gibi projeleri temsil eder. Bu altyapılar, AI teknolojisinin Web3 ekosisteminde yaygın kullanımını teşvik etmektedir.

Ara Katman:

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

• Veriler: Verilerin kalitesi ve miktarı, model eğitim sonuçlarını etkileyen anahtar faktörlerdir. Web3 dünyasında, kitlesel veri toplama ve işbirlikçi veri işleme ile kaynak kullanımını optimize etmek ve veri maliyetlerini düşürmek mümkündür. Kullanıcılar, gizliliği koruma koşulları altında kendi verilerini satma hakkına sahip olabilirler, böylece verilerin kötü niyetli satıcılar tarafından çalınmasını ve yüksek kar elde edilmesini önleyebilirler. Veri talep edenler için bu platformlar geniş bir seçim ve son derece düşük maliyetler sunmaktadır. Grass gibi projeler, kullanıcı bant genişliğini kullanarak Web verilerini toplarken, xData kullanıcı dostu eklentileri ile medya bilgilerini toplamakta ve kullanıcıların tweet bilgi yüklemelerini desteklemektedir.

Ayrıca, bazı platformlar alan uzmanlarının veya sıradan kullanıcıların veri ön işleme görevlerini yerine getirmelerine izin vermektedir; bunlar arasında görüntü etiketleme, veri sınıflandırma gibi görevler bulunmaktadır. Bu görevler, finans ve hukuk alanında uzmanlık gerektiren veri işlemleri gerektirebilir. Kullanıcılar, becerilerini tokenleştirerek veri ön işleme işbirliği topluluğunu gerçekleştirebilirler. Sahara AI gibi AI pazarları, farklı alanlardaki veri görevlerini kapsayarak çok çeşitli veri senaryolarını karşılayabilir; AIT Protocolt ise veri etiketleme işlemlerini insan-makine işbirliği ile gerçekleştirmektedir.

• Model: Daha önce bahsedilen AI geliştirme sürecinde, farklı türdeki gereksinimlerin uygun modellere eşleştirilmesi gerekiyor. Görüntü görevleri için yaygın olarak kullanılan modeller arasında CNN, GAN bulunur; nesne tespiti görevleri için Yolo serisi tercih edilebilir; metin tabanlı görevler için ise yaygın olarak RNN, Transformer gibi modeller kullanılır; elbette bazı özel veya genel büyük modeller de vardır. Farklı karmaşıklıkta görevler için gereken model derinliği de farklıdır ve bazen modelin ince ayar yapılması gerekir.

Bazı projeler, kullanıcıların farklı türde modeller sunmasına veya kitle kaynaklı yöntemlerle model eğitimi yapmasına destek verir. Örneğin, Sentient modüler tasarımı sayesinde kullanıcıların güvenilir model verilerini depolama katmanında ve dağıtım katmanında model optimizasyonu yapmak için yerleştirmesine olanak tanır. Sahara AI tarafından sunulan geliştirme araçları, yerleşik olarak gelişmiş AI algoritmaları ve hesaplama çerçeveleri içerir ve işbirlikçi eğitim yeteneğine sahiptir.

• Çıkarım ve doğrulama: Model eğitildikten sonra model ağırlık dosyaları üretir, 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 aracılığıyla çıkarım yapmak için çağrılar yapılır, yaygın doğrulama yöntemleri arasında ZKML, OPML ve TEE gibi teknolojiler bulunur. Temsilci projelerden biri olan ORA üzerindeki AI oracle (OAO), AI oracle'ının doğrulanabilir katmanı olarak OPML'yi tanıtmıştır, ORA'nın resmi web sitesinde ZKML ve opp/ai (ZKML ile OPML'in birleşimi) üzerine yaptıkları araştırmalar da belirtilmiştir.

Uygulama katmanı:

Bu katman, kullanıcıya doğrudan hitap eden uygulamalardır ve AI ile Web3'ü birleştirerek yaratır.