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

AI anlatımının sürekli yükselişi ile birlikte, bu alana artan bir ilgi odaklanmaktadır. Bu makale, Web3-AI alanının teknik mantığını, uygulama senaryolarını ve temsilci projelerini derinlemesine analiz ederek, bu alanın panoramasını ve gelişim trendlerini kapsamlı bir şekilde sunmaktadır.

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

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

Geçtiğimiz yıl içinde, AI anlatımı Web3 sektöründe olağanüstü popüler hale geldi, AI projeleri birer birer ortaya çıkmaya başladı. Birçok proje AI teknolojisini içeriyor olsa da, bazı projeler yalnızca ürünlerinin belirli kısımlarında AI kullanıyor, temel token ekonomisi ile AI ürünü 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 blockchain ile çözmek, üretkenlik sorunlarını ise AI ile çözmek olan projelerdir. Bu projeler, kendileri AI ürünleri sunarken, aynı zamanda üretim ilişkileri aracı olarak Web3 ekonomik modeline dayanmaktadır; ikisi de birbirini tamamlamaktadır. Bu tür projeleri Web3-AI alanına sınıflandırıyoruz. Okuyucunun Web3-AI alanını daha iyi anlaması için, bu makalede AI'nın geliştirme süreci ve zorlukları ile Web3 ve AI'nın birleşiminin nasıl mükemmel bir şekilde sorunları çözdüğü ve yeni uygulama senaryoları yarattığı detaylı olarak tanıtılacaktır.

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

Yapay zeka teknolojisi, bilgisayarların insan zekasını simüle etmesini, genişletmesini ve güçlendirmesini sağlayan bir teknolojidir. Bu teknoloji, bilgisayarların dil çevirisi, görüntü sınıflandırması, yüz tanıma ve otonom sürüş gibi çeşitli karmaşık görevleri yerine getirmesini mümkün kılmaktadır. Yapay zeka, yaşam ve çalışma şeklimizi değiştirmektedir.

Yapay zeka modeli geliştirme 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, kedilerin ve köpeklerin görüntülerini sınıflandırmak için bir model geliştiriyorsanız, şunlara ihtiyacınız var:

1. Veri toplama ve veri ön işleme: Kediler ve köpekler içeren bir görüntü veri seti toplayın, kamuya açık veri setlerini kullanabilir veya gerçek verileri kendiniz toplayabilirsiniz. Ardından, her bir görüntü için ( kedi veya köpek ) sınıfını etiketleyin, etiketlerin doğru olduğundan emin olun. Görüntüleri modelin tanıyabileceği bir formata dönüştürün, veri setini eğitim seti, doğrulama seti ve test seti olarak bölün.

2. Model Seçimi ve İyileştirme: Uygun modeli seçin, örneğin, konvolüsyonel sinir ağı (CNN), görüntü sınıflandırma görevleri için daha uygundur. Farklı ihtiyaçlara göre model parametrelerini veya mimarisini iyileştirin, genel olarak, modelin ağ katmanları, AI görevlerinin karmaşıklığına göre ayarlanabilir. Bu basit sınıflandırma örneğinde, daha yüzeysel bir ağ katmanı yeterli olabilir.

3. Model Eğitimi: Modelleri eğitmek için GPU, TPU veya yüksek performanslı hesaplama kümeleri kullanılabilir, eğitim süresi modelin karmaşıklığı ve hesaplama gücünden etkilenir.

4. Model Çıkarımı: Eğitimli model dosyalarına genellikle model ağırlıkları denir, çıkarım süreci, eğitimli bir modelin yeni veriler üzerinde tahmin veya sınıflandırma yaptığı süreçtir. Bu süreçte, modelin sınıflandırma performansını test etmek için test seti veya yeni veriler kullanılabilir, genellikle modelin etkinliğini değerlendirmek için doğruluk, hatırlama oranı, F1-skoru gibi göstergeler kullanılır.

Ancak, merkeziyete dayalı AI geliştirme sürecinin aşağıdaki senaryolarında bazı sorunlar vardır:

Kullanıcı Gizliliği: Merkezileştirilmiş senaryolarda, AI'nin geliştirme süreci genellikle şeffaf değildir. Kullanıcı verileri, kullanıcıların haberi olmadan çalınıp AI eğitiminde kullanılabilir.

Veri kaynağı edinimi: Küçük ekipler veya bireyler, belirli bir alan verilerini ( (örneğin tıbbi veriler) edinirken, verilerin açık kaynak olmaması kısıtlamasıyla karşılaşabilirler.

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

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.

AI varlık geliri: Veri etiketleme çalışanları genellikle harcadıkları emekle orantılı gelir elde edemezken, AI geliştiricilerinin araştırma sonuçları da talep eden alıcılarla eşleşmekte zorluk çekiyor.

Merkezi AI senaryolarında var olan zorluklar, Web3 ile bir araya gelerek aşılabilir. Web3, yeni bir üretim ilişkisi olarak, doğal olarak yeni üretkenliği temsil eden AI ile uyumludur ve böylece teknolojinin ve üretim kapasitesinin eş zamanlı ilerlemesini teşvik eder.

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

Web3 ve AI birleşimi, kullanıcı egemenliğini artırabilir, kullanıcılara açık bir AI işbirliği platformu sunarak, kullanıcıların Web2 döneminin AI kullanıcılarından katılımcılara dönüşmesini sağlar, herkesin sahip olabileceği AI yaratır. Aynı zamanda, Web3 dünyası ile AI teknolojisinin entegrasyonu daha fazla yenilikçi uygulama senaryosu ve oyun tarzının ortaya çıkmasını da sağlayabilir.

Web3 teknolojisi temelinde, AI'nin geliştirilmesi ve uygulanması yepyeni bir işbirliği ekonomisi sistemine merhaba diyecek. İnsanların veri gizliliği güvence altına alınabilir, veri kitlesel paylaşım modeli AI modellerinin ilerlemesini teşvik eder, birçok açık kaynaklı AI kaynağı kullanıcıların kullanımına sunulur, paylaşılan hesaplama gücü daha düşük maliyetle elde edilebilir. Merkeziyetsiz işbirliği kitlesel paylaşım 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, yapay zeka birçok alanda olumlu etkiler yaratabilir. Örneğin, yapay zeka modelleri akıllı sözleşmelere entegre edilebilir, pazar analizi, güvenlik testleri, sosyal kümeleme gibi farklı uygulama senaryolarında çalışma verimliliğini artırabilir. Üretken yapay zeka, kullanıcıların "sanatçı" rolünü deneyimlemesine olanak tanırken, AI teknolojisini kullanarak kendi NFT'lerini oluşturabilir ve GameFi'de çeşitli oyun senaryoları ile ilginç etkileşim deneyimleri yaratabilir. Zengin altyapı, hem yapay zeka uzmanlarına hem de yapay zeka alanına girmek isteyen yeni başlayanlara akıcı bir geliştirme deneyimi sunarak bu dünyada uygun bir giriş noktası bulmalarını sağlar.

İki, Web3-AI ekosistem proje haritası ve mimari yorumları

Web3-AI alanındaki 41 projeyi inceledik ve bu projeleri farklı katmanlara ayırdık. Her katmanın ayrım mantığı aşağıdaki gibi olup, altyapı katmanı, orta katman ve uygulama katmanı olmak üzere üçe ayrılmakta, her bir katman da farklı bölümlere ayrılmaktadır. Bir sonraki bölümde, bazı temsili projeleri derinlikli bir şekilde analiz edeceğiz.

Altyapı katmanı, tüm AI yaşam döngüsünün çalışmasını destekleyen hesaplama kaynakları ve teknik mimariyi kapsar. Orta katman, altyapıyı uygulamalara bağlayan veri yönetimi, model geliştirme ve doğrulama çıkarım hizmetlerini içerir. Uygulama katmanı ise doğrudan kullanıcıya yönelik çeşitli uygulama ve çözümlere odaklanır.

![Web3-AI Yarışma Panorama Raporu: Teknik Mantık, Senaryo Uygulamaları ve Üst Düzey Projelerin Derinlik Analizi]###https://img-cdn.gateio.im/webp-social/moments-ad1811191c5ea0fa48c4b3287f37eaf6.webp(

Altyapı katmanı:

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

• Merkeziyetsiz hesaplama ağı: AI model eğitimi için dağıtık hesaplama gücü sağlayabilir, verimli ve ekonomik hesaplama kaynaklarının kullanımını garanti eder. Bazı projeler merkeziyetsiz hesaplama gücü pazarları sunmakta, kullanıcılar düşük maliyetle hesaplama gücü kiralayabilir veya hesaplama gücünü paylaşarak gelir elde edebilirler; temsilci projeler arasında IO.NET ve Hyperbolic bulunmaktadır. Ayrıca, bazı projeler yeni oyun stilleri geliştirmiştir; örneğin Compute Labs, kullanıcıların GPU varlıklarını temsil eden NFT'ler satın alarak farklı şekillerde hesaplama gücü kiralama yoluyla gelir elde edebileceği tokenleştirilmiş protokoller önermektedir.

• AI Chain: Blockchain'ı AI yaşam döngüsünün temeli olarak kullanarak, çevrim içi ve çevrim dışı AI kaynaklarının kesintisiz etkileşimini sağlamakta ve endüstri ekosisteminin gelişimini teşvik etmektedir. Zincir üzerindeki merkeziyetsiz AI pazarı, veri, model, ajan gibi AI varlıklarının ticaretini yapabilir ve AI geliştirme çerçevesi ve destekleyici geliştirme araçları sunar; temsilci projeler arasında Sahara AI bulunmaktadır. AI Chain ayrıca farklı alanlardaki AI teknolojilerinin ilerlemesini teşvik edebilir; örneğin Bittensor, farklı AI türlerinin alt ağ rekabetini teşvik etmek için yenilikçi bir alt ağ teşvik mekanizması kullanmaktadır.

• Geliştirme platformu: Bazı projeler AI ajan geliştirme platformları sunmakta ve Fetch.ai ve ChainML gibi AI ajan ticaretini gerçekleştirebilmektedir. Tek duraklı araçlar, geliştiricilerin AI modellerini daha kolay bir şekilde oluşturmasına, eğitmesine ve dağıtmasına yardımcı olur, örneğin Nimble gibi projeler. Bu altyapılar, AI teknolojisinin Web3 ekosisteminde geniş kapsamlı uygulanmasını teşvik etmektedir.

Ara katman:

Bu katman, AI verileri, modelleri ve çıkarım ile doğrulama ile ilgilidir. Web3 teknolojisi kullanılarak daha yüksek bir iş verimliliği sağlanabilir.

• Veriler: Verilerin kalitesi ve miktarı, model eğitim sonuçlarını etkileyen ana faktörlerdir. Web3 dünyasında, kalabalık kaynak verileri ve işbirlikçi veri işleme ile kaynak kullanımı optimize edilebilir ve veri maliyetleri azaltılabilir. Kullanıcılar, veri gizliliğini koruyarak kendi verilerini satma hakkına sahip olabilir, böylece kötü niyetli tüccarların verileri çalmasını ve yüksek kar elde etmesini önleyebilirler. Veri talep edenler için, bu platformlar geniş bir seçenek yelpazesi ve son derece düşük maliyetler sunar. Grass gibi projeler, kullanıcıların bant genişliğini kullanarak Web verilerini çekmeyi sağlarken, xData kullanıcı dostu eklentileri aracılığıyla medya bilgilerini toplar ve kullanıcıların tweet bilgilerini yüklemelerini destekler.

Ayrıca, bazı platformlar alan uzmanlarının veya sıradan kullanıcıların veri ön işleme görevlerini, örneğin görüntü etiketleme, veri sınıflandırma gibi görevleri yerine getirmesine izin vermektedir. Bu görevler, finansal ve hukuki alanlarda uzmanlık bilgisi gerektirebilecek veri işleme gerektirir. Kullanıcılar becerilerini tokenleştirerek veri ön işleme için iş birliği yapabilirler. Farklı alanlarda veri görevleri sunan Sahara AI gibi AI pazarları, çok çeşitli veri sahnelerini kapsayabilir; AIT Protocolt ise veri etiketleme için insan-makine iş birliği yöntemini kullanmaktadır.

• Model: Daha önce bahsedilen AI geliştirme sürecinde, farklı türdeki gereksinimler için uygun modeller eşleştirilmelidir. Görüntü görevleri için yaygın olarak kullanılan modeller arasında CNN, GAN; nesne tespiti görevleri için Yolo serisi seçilebilir; metin tabanlı görevlerde ise yaygın olarak RNN, Transformer gibi modeller bulunmaktadır. Elbette bazı belirli veya genel büyük modeller de vardır. Farklı karmaşıklıkta görevlerin ihtiyaç duyduğu model derinliği de farklıdır, bazen modellerin ayarlanması gerekebilir.

Bazı projeler, kullanıcıların farklı türde modeller sağlamasına veya kitle kaynaklı olarak model eğitimi için iş birliği yapmasına olanak tanır. Örneğin, Sentient modüler tasarımı sayesinde kullanıcıların güvenilir model verilerini depolama ve dağıtım katmanında yerleştirerek model optimizasyonu yapmalarına olanak tanır. Sahara AI tarafından sunulan geliştirme araçları, yerleşik gelişmiş AI algoritmaları ve hesaplama çerçeveleri içerirken, iş birliği ile eğitim yeteneğine de sahiptir.

• Çıkarma ve doğrulama: Model eğitildikten sonra model ağırlık dosyaları oluşturur, bunlar doğrudan sınıflandırma, tahmin veya diğer belirli görevler için kullanılabilir, bu sürece çıkarım denir. Çıkarma süreci genellikle çıkarım modelinin kaynağının doğru olup olmadığını, kötü niyetli davranışlar olup olmadığını doğrulamak için bir doğrulama mekanizması ile birlikte gelir. Web3'ün çıkarımı genellikle akıllı sözleşmelere entegre edilebilir, modeli çağırarak çıkarım yapmak mümkündür, yaygın doğrulama yöntemleri arasında ZKML, OPML ve TEE gibi teknolojiler bulunmaktadır. Temsilci projeler arasında ORA zincirindeki 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 hakkında araştırmalarına da değinilmiştir.

Uygulama katmanı:

Bu katman esasen kullanıcıya yönelik uygulamalardır, AI ile Web3'ü birleştirerek daha fazla ilginç ve yenilikçi oyun biçimleri yaratmaktadır. Bu yazıda, AIGC), AI tarafından üretilen içerik (, AI aracılığı ve veri analizi gibi birkaç alanın projeleri ele alınmıştır.

• AIGC: AIGC ile Web3'te NFT, oyun gibi alanlara genişleyebilir, kullanıcılar Prompt) ile verilen ipuçlarını kullanarak metin, görüntü ve ses üretebilir, hatta oyun içinde kendi tercihlerine göre özelleştirilmiş oyun deneyimleri oluşturabilirler. NFPrompt gibi NFT projelerinde kullanıcılar, AI ile üretilen NFT'leri piyasada ticaret yapabilir; Sleepless gibi oyunlarda kullanıcılar, sanal partnerlerinin karakterini kendi tercihleri ile eşleştirmek için diyaloglar aracılığıyla şekillendirebilirler;

• AI Ajanı: Görevleri otonom olarak yerine getirebilen ve kararlar alabilen yapay zeka sistemini ifade eder. AI ajanları genellikle algılama, akıl yürütme, öğrenme ve eylem yeteneklerine sahiptir ve çeşitli ortamlarda karmaşık görevleri yerine getirebilir. Yaygın AI ajanları arasında dil çevirisi, dil öğrenimi, görüntüden metne gibi uygulamalar bulunur ve Web3 senaryolarında ticaret robotları, meme oluşturma, zincir üzeri güvenlik denetimi gibi işlevler üretebilir. MyShell gibi AI ajanı platformları, eğitim, sanal arkadaşlık, ticaret ajanı gibi çeşitli ajan türleri sunar ve kullanıcı dostu ajan geliştirme araçları sağlar, böylece kod yazmadan kendi ajanınızı oluşturabilirsiniz.

• Veri analizi: AI teknolojisi ve ilgili alanların veritabanlarını entegre ederek verilerin analizini, yargılanmasını, tahmin edilmesini vb. sağlamak. Web3'te, pazar verilerini, akıllı para dinamiklerini analiz ederek kullanıcılara yatırım kararlarında yardımcı olabilir. Token tahminleri de Web3'te benzersiz bir uygulama senaryosudur, Ocean gibi projeler resmi olarak token tahmini süresini belirlemiştir.