AI+Web3: Kuleler ve Meydanlar

TL;DR

1. AI kavramına sahip Web3 projeleri birincil ve ikincil piyasalarda çekim merkezi haline geliyor.

2. Web3'ün AI sektöründeki fırsatları, uzun kuyruktaki potansiyel arzı koordine etmek için dağıtılmış teşviklerin kullanılmasında ortaya çıkmaktadır------veri, depolama ve hesaplama arasında; aynı zamanda, açık kaynaklı bir modelin yanı sıra AI Agent'ın merkeziyetsiz pazarının oluşturulması.

3. AI'nin Web3 sektöründeki ana kullanım alanı zincir üstü finans (kripto ödemeler, ticaret, veri analizi) ve geliştirmeyi desteklemektir.

4. AI+Web3'ün faydaları, her ikisinin tamamlayıcılığında görülmektedir: Web3, AI merkezileşmesine karşı koymayı umuyor, AI ise Web3'ün sınırlarını aşmasına yardımcı olmayı umuyor.

Giriş

Son iki yılda, AI'nin gelişimi hızlandırılmış gibi, Chatgpt'nin tetiklediği kelebek kanatları sadece üretken yapay zekanın yeni dünyasını açmakla kalmadı, aynı zamanda öteki taraftaki Web3'te de büyük bir dalga yarattı.

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

İkincil pazar daha da canlı hale geldi, bir kripto agregasyon 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 teknolojisindeki ilerlemelerin sağladığı avantajlar belirgin, OpenAI'nin Sora metin-videoya dönüştürme modeli yayınlandıktan sonra, AI sektöründeki ortalama fiyat %151 arttı; AI etkisi aynı zamanda kripto para çekim alanlarından biri olan Meme'ye de yayıldı: ilk AI Agent konsepti olan MemeCoin------GOAT hızla popülerlik kazandı ve 1,4 milyar dolar değerlemeye ulaştı, başarılı bir şekilde AI Meme dalgasını başlattı.

AI+Web3 ile ilgili araştırma ve konular da bir o kadar popüler, AI+Depin'den AI Memecoin'e, şu anda AI Agent ve AI DAO'ya kadar, FOMO duygusu yeni anlatı değişim hızına ayak uyduramıyor.

AI+Web3, bu sıcak para, fırsat ve gelecek hayalleriyle dolu terim kombinasyonu, kaçınılmaz olarak insanların bunu bir sermaye aracılığıyla düzenlenmiş bir evlilik olarak görmesine neden oluyor. Bu göz alıcı elbisenin altında, gerçekten spekülatörlerin sahası mı, yoksa bir uyanışın eşiği mi olduğunu ayırt etmekte zorlanıyoruz?

Bu soruyu yanıtlamak için, her iki taraf için kritik bir düşünce, diğer tarafın daha iyi olup olmayacağıdır. Diğer tarafın modelinden faydalanmak mümkün mü? Bu yazıda, önceki nesillerin deneyimlerinden yararlanarak bu yapıyı incelemeye çalışıyoruz: Web3, AI teknolojisi yelpazesinin her aşamasında nasıl rol oynayabilir ve AI, Web3'e ne gibi yeni canlılıklar getirebilir?

Bölüm.1 AI yığını altında Web3'te ne gibi fırsatlar var?

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

Daha sade bir dille süreci şöyle ifade edebiliriz: "Büyük model", insan beynine benzer; erken aşamada, bu beyin henüz dünyaya yeni gelmiş bir bebeğe aittir. Bu beyin, etrafındaki devasa bilgileri gözlemleyip alarak dünyayı anlamaya çalışır; bu, verilerin "toplanma" aşamasıdır. Bilgisayarlar, insanın görme, duyma gibi birçok duyusuna sahip olmadığından, eğitim öncesinde dışarıdaki büyük ölçekli etiketlenmemiş bilgiler, bilgisayarın anlayabileceği ve kullanabileceği bilgi formatına "ön işleme" ile dönüştürülmelidir.

Veri girdikten sonra AI, "eğitim" yoluyla anlama ve tahmin yeteneğine sahip bir model oluşturur, bu da bir bebeğin dış dünyayı anlamaya ve öğrenmeye başlayış süreci olarak düşünülebilir. Modelin parametreleri, bebeğin öğrenme sürecinde sürekli olarak ayarlanan dil becerileri gibidir. Öğrenilen içerikler branşlara ayrılmaya başladığında veya insanlarla etkileşimde bulunarak geri bildirim alıp düzeltme yaptığında, büyük modelin "ince ayar" aşamasına geçilir.

Çocuklar büyümeye başladıkça ve konuşmayı öğrendikçe, yeni diyaloglarda anlamı anlayabilir ve kendi duygularını ve düşüncelerini ifade edebilirler. Bu aşama, AI büyük modellerinin "akıl yürütme" aşamasına benzer; model, yeni dil ve metin girdileri üzerinde tahmin ve analiz yapabilir. Bebekler, dil yetenekleri aracılığıyla duygularını ifade eder, nesneleri tanımlar ve çeşitli problemleri çözer. Bu da, AI büyük modellerinin eğitimi tamamlandıktan sonra belirli görevlerde, örneğin görüntü sınıflandırması, ses tanıma gibi, akıl yürütme aşamasında uygulanmasına benzer.

AI Ajansı, büyük modellerin bir sonraki biçimine daha da yaklaşmaktadır ------ bağımsız olarak görevleri yerine getirebilen ve karmaşık hedeflere ulaşabilen, sadece düşünme yeteneğine sahip olmakla kalmayıp, aynı zamanda hafızası, planlama yeteneği ve dünya ile etkileşimde bulunmak için araçları kullanabilme yeteneğine sahiptir.

Şu anda, AI'nin çeşitli yığınlardaki sorunlarına yönelik olarak, Web3 şu anda AI model süreçlerinin her aşamasını kapsayan çok katmanlı, birbirine bağlı bir ekosistem oluşturma aşamasındadır.

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

Hashrate

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, NVIDIA tarafından üretilen 16000 H100 GPU'ya (bu, yapay zeka ve yüksek performanslı hesaplama iş yükleri için tasarlanmış üst düzey bir grafik işlemci birimidir) ihtiyacı olduğu ve eğitimin tamamlanmasının 30 gün sürdüğüdür. İkincil 80GB versiyonunun birim fiyatı 30,000 ile 40,000 dolar arasında değişmektedir, bu da 4-7 milyar dolar arasında bir hesaplama donanımı yatırımı (GPU + ağ çipi) gerektirmektedir; ayrıca, aylık eğitim için 1.6 milyar kilowatt-saat enerji tüketilmekte ve aylık enerji giderleri yaklaşık 20 milyon dolara ulaşmaktadır.

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

Ana mantığı şudur: Platform, izin almadan merkeziyetsiz bir şekilde hesaplama gücünü katkıda bulunmalarına olanak tanıyan, boşta kalan GPU kaynaklarına sahip bireyler veya varlıklar için, Uber veya Airbnb benzeri alıcı ve satıcıların çevrimiçi pazarını kullanarak, yeterince kullanılmayan GPU kaynaklarının kullanım oranını artırır. Nihai kullanıcılar da böylece daha düşük maliyetli ve verimli hesaplama kaynakları elde eder; aynı zamanda, staking mekanizması, kalite kontrol mekanizmasının ihlali veya ağ kesintisi durumunda kaynak sağlayıcılarının uygun şekilde cezalandırılmasını da garanti eder.

Özellikleri şunlardır:

• Boş GPU kaynaklarını bir araya getirmek: Tedarikçiler, üçüncü taraf bağımsız küçük ve orta ölçekli veri merkezleri, kripto madencilik işletmeleri gibi operatörlerin fazla hesaplama gücü kaynaklarıdır; konsensüs mekanizması PoS olan madencilik donanımları, örneğin FileCoin ve ETH madencileri. Şu anda, exolab gibi projeler, MacBook, iPhone, iPad gibi yerel cihazlar kullanarak büyük model çıkarımı için hesaplama ağı oluşturmaya yönelik daha düşük giriş engeline sahip cihazlar başlatmaya da odaklanmaktadır.

• AI hesaplama gücünün uzun kuyruk pazarına karşı:

a. "Teknoloji açısından" merkeziyetsiz hesaplama pazarı daha uygun bir çıkarım adımıdır. Eğitim, büyük ölçekli 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 hesap gücü talep edenler kendi büyük modellerini ayrı olarak eğitmeyecek, sadece az sayıda başlıca büyük model etrafında optimizasyon ve ince ayar yapmayı seçeceklerdir ve bu durumlar doğal olarak dağıtılmış boş hesap gücü kaynaklarına uygundur.

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

Veri

Veri, AI'nin temelidir. Veri olmadan, hesaplama, su yüzeyindeki bir bitki gibi tamamen faydasızdır ve veri ile model arasındaki ilişki, "Çöp girerse, çöp çıkar" atasözündeki gibi, verinin miktarı ve giriş kalitesi nihai modelin çıktı kalitesini belirler. Şu anki AI modellerinin eğitimi açısından, veri modelin dil yeteneğini, anlama yeteneğini, hatta değerlerini ve insani performansını belirler. Şu anda, AI'nin veri talep zorluğu esasen dört alanda odaklanmaktadır:

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

• Veri kalitesi: AI ile çeşitli endüstrilerin birleşimiyle birlikte, verinin zamanında olması, veri çeşitliliği, dikey veri uzmanlığı, sosyal medya gibi yeni veri kaynaklarının duygu analizi gibi unsurlar verinin kalitesi için yeni gereklilikler ortaya koymaktadır.

• Gizlilik ve uyum sorunları: Şu anda her ülkede ve şirkette kaliteli veri setlerinin önemi giderek daha fazla fark ediliyor ve veri seti toplama üzerinde kısıtlamalar getiriliyor.

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

Şu anda, web3 çözümleri aşağıdaki dört alanda kendini göstermektedir:

1. Veri Toplama: Ücretsiz olarak toplanan gerçek dünya verileri hızla tükeniyor, AI şirketlerinin veriler için yaptığı harcamalar her yıl artıyor. Ancak bu harcamalar, verilerin gerçek katkıcılarına geri dönmüyor; platformlar, verilerin sağladığı değer yaratımından tamamen faydalanıyor. Örneğin, belirli bir sosyal medya platformu, AI şirketleriyle yaptığı veri lisans anlaşmaları aracılığıyla toplamda 203 milyon dolar gelir elde etti.

Gerçekten katkıda bulunan kullanıcıların, veri yaratımından elde edilen değerlere katılmalarını sağlamak ve dağıtılmış ağlar ile teşvik mekanizmaları aracılığıyla, düşük maliyetle kullanıcılara daha özel ve daha değerli verilere erişim sağlamak, Web3'ün vizyonudur.

• Grass, merkeziyetsiz bir veri katmanı ve ağdır. Kullanıcılar, Grass düğümleri çalıştırarak, boşta kalan bant genişliğini ve aktarım trafiğini katkıda bulunarak, internetin tamamındaki gerçek zamanlı verileri yakalayabilir ve token ödülleri kazanabilirler;

• Vana, kullanıcıların özel verilerini (alışveriş kayıtları, tarayıcı alışkanlıkları, sosyal medya etkinlikleri vb.) belirli bir Veri Akış Likidite Havuzuna (DLP) yükleyebileceği ve bu verileri belirli üçüncü tarafların kullanmasına yetki verip vermeyeceklerini esnek bir şekilde seçebilecekleri benzersiz bir DLP konsepti tanıtmaktadır;

• PublicAI'de, kullanıcılar X üzerinde #AI 或#Web3'ü bir etiket 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, model eğitimi öncesinde temizlenmesi ve kullanılabilir bir formata dönüştürülmesi gerekir. Bu, standartlaştırma, filtreleme ve eksik değerlerin işlenmesi gibi tekrarlayan görevleri içerir. Bu aşama, AI endüstrisinde az sayıda insan müdahalesi gerektiren aşamalardan biridir ve veri etiketleyicileri adında bir sektör doğmuştur. Modelin veri kalitesi talepleri arttıkça, veri etiketleyicilerinin gereksinimleri de yükselmektedir ve bu görev, doğal olarak Web3'ün merkeziyetsiz teşvik mekanizmasına uygundur.

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

• Synesis, veri kalitesine vurgu yaparak "Train2earn" kavramını ortaya koydu. Kullanıcılar, etiketli veriler, yorumlar veya diğer giriş biçimleri sağlayarak ödüller kazanabilir.

• Veri etiketleme projesi Sapien, etiketleme görevlerini oyunlaştırır ve kullanıcıların daha fazla puan kazanmak için puanlarını stake etmelerine olanak tanır.

3. Veri gizliliği ve güvenliği: Açıklığa kavuşturulması gereken şey, veri gizliliği ve güvenliğinin iki farklı kavram olduğudur. Veri gizliliği, hassas verilerin işlenmesini içerirken, veri güvenliği, veri bilgilerini yetkisiz erişim, imha ve hırsızlıktan korur. Bu nedenle, Web3 gizlilik teknolojisinin avantajları ve potansiyel uygulama alanları iki yönüyle ortaya çıkmaktadır: (1) Hassas verilerin eğitimi; (2) Veri işbirliği: Birden fazla veri sahibi, orijinal verilerini paylaşmadan AI eğitimine ortak olarak katılabilir.

Mevcut 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 teknolojisi (zk), Reclaim Protocol gibi zkTLS teknolojisini kullanarak HTTPS trafiği için sıfır bilgi kanıtları oluşturur. Bu, 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 sıkıntı, hesaplama maliyetlerinin çok yüksek olmasıdır; bazı örnekler şunlardır:

• zkML çerçevesi