AI+Web3: Kuleler ve Meydanlar

TL;DR

1. AI kavramına sahip Web3 projeleri birinci ve ikinci piyasalarda para çekme hedefi haline geldi.

2. Web3'ün AI sektöründeki fırsatları, dağıtılmış teşviklerin uzun kuyruktaki potansiyel tedarikleri koordine etmede kullanılmasıyla ortaya çıkmaktadır------veri, depolama ve hesaplama arasında; bu arada, bir açık kaynak modeli ve AI Agent'in merkeziyetsiz bir pazarının oluşturulması.

3. AI'nin Web3 sektöründeki başlıca kullanım alanı zincir üzerindeki finans (kripto ödemeler, ticaret, veri analizi) ve geliştirmeye yardımcı olmaktır.

4. AI+Web3'ün faydası, ikisinin tamamlayıcılığında ortaya çıkıyor: Web3, AI merkezileşmesine karşı koymayı umarken, AI da Web3'ün sınırlarını aşmasına yardımcı olmayı umuyor.

Giriş

Son iki yılda, AI'nin gelişimi sanki bir hızlandırma düğmesine basılmış gibi; Chatgpt'in kışkırttığı bu kelebek kanadı, yalnızca yaratıcı yapay zekanın yeni bir dünyasını açmakla kalmadı, aynı zamanda öteki taraftaki Web3'te de büyük bir dalga hareketi başlattı.

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

İkincil piyasa daha da canlı hale geldi, bir kripto agregat web sitesinin verilerine göre, sadece bir yıl içinde, AI alanının toplam piyasa değeri 48.5 milyar dolara ulaştı, 24 saatlik işlem hacmi ise 8.6 milyar dolara yaklaştı; ana akım AI teknolojilerindeki ilerlemelerin sağladığı faydalar belirgin hale geldi, OpenAI'nın Sora metin-videoya dönüştürme modeli yayımlandıktan sonra, AI sektöründeki ortalama fiyat %151 arttı; AI etkisi ayrıca kripto para çekim alanlarından biri olan Meme'ye de yayıldı: İlk AI Agent konsepti olan MemeCoin------GOAT hızla popülerlik kazandı ve 1.4 milyar dolarlık bir değerlendirme elde ederek 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 anlatı döngüsünün hızına yetişemiyor.

AI+Web3, sıcak paralar, fırsatlar ve gelecekteki hayallerle dolu bu terim kombinasyonu, kaçınılmaz olarak insanların bunu bir sermaye tarafından ayarlanan zoraki bir evlilik olarak görmesine neden oluyor. 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 varlığının her şeyi daha iyi hale getirip getirmeyeceğidir. Karşı tarafın modelinden faydalanmak mümkün mü? Bu yazıda, bu durumu daha önceki çalışmaların üzerine çıkarak incelemeye çalışıyoruz: Web3, AI teknolojileri yelpazesinin her aşamasında nasıl rol alabilir ve AI, Web3'e ne gibi yeni canlılıklar katabilir?

Bölüm.1 AI yığınında Web3 için ne fırsatlar var?

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

Tüm süreci daha anlaşılır bir dille ifade etmek gerekirse: "Büyük model", insanların beyinleri gibi, erken aşamalarda bu beyin yeni doğmuş bir bebeğe aittir; bu bebek, çevresinde bulunan devasa bilgileri gözlemleyip alarak bu dünyayı anlamaya çalışır, işte bu veri "toplama" aşamasıdır; bilgisayarların insanın görsel, işitsel gibi birçok duyusuna sahip olmaması nedeniyle, eğitimden önce dışarıdaki büyük ölçekli etiketlenmemiş bilgiler, bilgisayarın anlayabileceği ve kullanabileceği bilgi formatına "ön işleme" ile dönüştürülmelidir.

Veri girişi yapıldığında, AI "eğitim" aracılığıyla anlayış ve tahmin yeteneğine sahip bir model oluşturur. Bu, bebeklerin dış dünyayı anlamaya ve öğrenmeye başladığı sürece benzer bir süreç olarak düşünülebilir. Modelin parametreleri, bebeklerin öğrenme sürecinde sürekli olarak ayarlanan dil becerileri gibidir. Öğrenilen içerik dallara ayrıldığında veya insanlarla etkileşimde bulunarak geri bildirim alındığında ve düzeltme yapıldığında, büyük modelin "ince ayar" aşamasına geçilir.

Çocuklar yavaş yavaş büyüdükçe ve konuşmayı öğrendikçe, yeni diyaloglarda anlamı anlayabilir ve duygularını ve düşüncelerini ifade edebilirler. Bu aşama, AI büyük modellerinin "çıkarsama" yeteneğine benzer; model, yeni dil ve metin girdileri üzerinde tahmin ve analiz yapabilir. Bebekler dil becerileriyle duygularını ifade eder, nesneleri tanımlar ve çeşitli problemleri çözer; bu da AI büyük modellerinin eğitim tamamlandıktan sonra belirli görevlerde, örneğin görüntü sınıflandırması, ses tanıma gibi, çıkarım aşamasında nasıl uygulandığına benzer.

AI Ajanı, bağımsız görevleri yerine getirme ve karmaşık hedefleri takip etme yeteneğine sahip olan büyük modellerin bir sonraki biçimine daha yakın hale geliyor; sadece düşünme yeteneğine sahip olmakla kalmayıp, aynı zamanda hafızaya, planlamaya ve araçları kullanarak dünya ile etkileşimde bulunma yeteneğine de sahip.

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

Birinci Bölüm: Temel Katman: Güç ve Verilerin Airbnb'si

Hash gücü

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

Bir örnek, Meta'nın LLAMA3'ün 16000 adet NVIDIA tarafından üretilen H100GPU'ya (bu, yapay zeka ve yüksek performanslı hesaplama iş yükleri için tasarlanmış üst düzey grafik işleme birimi) ihtiyaç duymasıdır. Eğitim sürecini tamamlamak 30 gün sürüyor. Bunun 80GB versiyonunun birim fiyatı 30,000 ila 40,000 dolar arasındadır, bu da 4-7 milyar dolar değerinde bir hesaplama donanımı yatırımı (GPU + ağ çipi) gerektirir; ayrıca, aylık eğitim için 1.6 milyar kilowatt-saat enerji harcanmakta ve enerji masrafları her ay yaklaşık 20 milyon dolara ulaşmaktadır.

AI hesaplama gücünün rahatlatılması, Web3'ün AI ile kesiştiği ilk alanlardan biridir ------ DePin (merkeziyetsiz fiziksel altyapı ağı). Şu anda belirli bir DePin veri sitesi 1400'den fazla projeyi sergilemektedir, bunlar arasında GPU hesaplama gücü paylaşımını temsil eden projeler io.net, Aethir, Akash, Render Network gibi projeleri içerir.

Ana mantığı şudur: Platform, izin gerektirmeyen merkeziyetsiz bir şekilde boşta duran GPU kaynaklarına sahip bireylerin veya varlıkların hesaplama güçlerini katkıda bulunmalarına olanak tanır. Bu, Uber veya Airbnb benzeri bir alıcı-satıcı çevrimiçi pazarı oluşturarak, yeterince kullanılmayan GPU kaynaklarının kullanım oranını artırır. Nihai kullanıcılar da böylece daha düşük maliyetli ve verimli hesaplama kaynakları elde eder. Aynı zamanda, staking mekanizması da kalite kontrol mekanizmasının ihlali veya ağın kesintiye uğraması durumunda kaynak sağlayıcılarının uygun şekilde cezalandırılmasını garanti eder.

Özellikleri şunlardır:

• Kullanılmayan GPU kaynaklarını toplayın: 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, exolab'ın MacBook, iPhone, iPad gibi yerel cihazları kullanarak büyük model çıkarımına dayalı hesaplama ağı kurmaya yönelik daha düşük bir giriş eşiği olan cihazları başlatmaya yönelik projeler de bulunmaktadır.

• AI hesaplamasının uzun kuyruk pazarına karşı:

a. "Teknoloji açısından" merkeziyetsiz hesap gücü pazarı, çıkarım adımları için daha uygundur. Eğitim, büyük ölçekli GPU'ların sağladığı veri işleme yeteneklerine daha fazla bağımlıdır, oysa çıkarım için GPU işlem gücü göreceli olarak daha düşüktür; örneğin, Aethir, düşük gecikmeli render işleri ve AI çıkarım uygulamalarına odaklanmaktadır.

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

• Merkeziyetsiz mülkiyet: Blok zincirinin teknik anlamı, kaynak sahiplerinin her zaman kaynakları üzerindeki kontrolü koruması, talebe göre esnek bir şekilde ayarlamalar yapması ve aynı zamanda kazanç elde etmesidir.

Veri

Veri, AI'nın temelidir. Veri olmadan, hesaplama, kullanılmaz bir şekilde yüzeyde sürüklenmek gibidir ve veri ile model arasındaki ilişki, "Çöp girerse, çöp çıkar" ifadesindeki gibi bir durumdur; verinin miktarı ve giriş kalitesi, nihai modelin çıkış kalitesini belirler. Mevcut AI modellerinin eğitimi açısından, veri, modelin dil yeteneğini, anlama kapasitesini, hatta değer yargılarını ve insancıl performansını belirler. Şu anda, AI'nın veri ihtiyaçlarıyla ilgili zorlukları 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 endüstrilerle birleşmesiyle birlikte, veri zamanlılığı, veri çeşitliliği, dikey veri uzmanlığı ve sosyal medya gibi yeni veri kaynaklarının duygu analizi gibi unsurların kalitesi üzerinde yeni gereksinimler ortaya çıkmıştır.

• Gizlilik ve uyum sorunları: Şu anda her bir ülke ve işletme, kaliteli veri setlerinin öneminin farkına varmakta ve veri seti taramasını kısıtlama yoluna gitmektedir.

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

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 harcamalar gerçek veri sağlayıcılarına geri dönmüyor, platformlar verinin sağladığı değer yaratımından tamamen yararlanıyor, örneğin Reddit, AI şirketleriyle imzaladığı veri lisans anlaşmalarıyla toplamda 203 milyon dolar gelir elde etti.

Gerçekten katkıda bulunan kullanıcıların aynı zamanda verilerin yarattığı değer yaratımına katılmaları ve dağıtık ağlar ile teşvik mekanizmaları sayesinde, düşük maliyetli bir şekilde kullanıcıların daha özel ve daha değerli verilere ulaşmalarını sağlamak, Web3'ün vizyonudur.

• Grass, merkeziyetsiz bir veri katmanı ve ağdır. Kullanıcılar Grass düğümlerini çalıştırarak, boşta kalan bant genişliğini ve aktarım trafiğini katkıda bulunarak tüm internetteki gerçek zamanlı verileri yakalayabilir ve token ödülleri alabilirler;

• Vana, kullanıcıların özel verilerini (alışveriş geçmişi, tarayıcı alışkanlıkları, sosyal medya etkinlikleri vb.) belirli bir veri akış likidite havuzuna (DLP) yükleyebileceği, bu verilerin belirli üçüncü şahıslara kullanım izni verme seçeneğini esnek bir şekilde seçebileceği benzersiz bir DLP kavramını tanıttı;

• PublicAI'de kullanıcılar, X üzerinde #AI 或#Web3'ü bir kategori etiketi olarak kullanabilir ve veri toplamak için @PublicAI'yi etiketleyebilir.

2. Veri ön işleme: AI'nın veri işleme sürecinde, toplanan verilerin genellikle gürültülü ve hatalar içermesi nedeniyle, modelin eğitilmesinden önce temizlenip kullanılabilir bir formata dönüştürülmesi gerekir; bu, standartlaştırma, filtreleme ve eksik değerlerin işlenmesi gibi tekrarlayan görevleri içerir. Bu aşama, AI endüstrisindeki az sayıda insan müdahalesinden biridir ve veri etiketleyicileri olarak bilinen bir meslek dalı ortaya çıkmıştır. Modelin veri kalitesi talepleri arttıkça, veri etiketleyicilerinin gereksinimleri de yükselmiştir ve bu görev, doğal olarak Web3'ün merkeziyetsiz teşvik mekanizması için uygundur.

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

• Synesis, veri kalitesine vurgu yaparak "Train2earn" kavramını ortaya koymuştur; kullanıcılar etiketlenmiş veri, açıklama veya diğer giriş biçimlerini sağlayarak ödül kazanabilirler.

• Veri etiketleme projesi Sapien, etiketleme görevlerini oyunlaştırmakta ve kullanıcılara daha fazla puan kazanmak için puanlarını kilitleme imkanı sunmaktadır.

3. Veri gizliliği ve güvenliği: Açıklığa kavuşturulması gereken bir nokta, veri gizliliği ve güvenliğinin iki farklı kavram olduğudur. Veri gizliliği, hassas verilerin işlenmesini içerirken, veri güvenliği, veri bilgilerini yetkisiz erişim, tahribat ve hırsızlığa karşı korur. Bu nedenle, Web3 gizlilik teknolojisinin avantajları ve potansiyel uygulama alanları iki yönde kendini göstermektedir: (1) Hassas verilerin eğitimi; (2) Veri iş birliği: Birden fazla veri sahibi, orijinal verilerini paylaşmadan AI eğitimine ortak katılabilir.

Şu anda Web3'te yaygın olarak kullanılan gizlilik teknolojileri şunlardır:

• Güvenilir İcra 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 ve kullanıcıların hassas bilgileri ifşa etmeden dış web sitelerinden etkinlik, itibar ve kimlik verilerini güvenli bir şekilde içe aktarmasına olanak tanır.

Ancak, şu anda bu alan hala erken aşamalarda, çoğu proje hala keşif aşamasında, mevcut bir çıkmaz ise hesaplama maliyetlerinin çok yüksek olmasıdır, bazı örnekler şunlardır:

• zkML çerçevesi