AI ve Web3'ün Entegrasyonu ve Gelişimi: Mevcut Durum, Zorluklar ve Gelecek

I. Giriş: AI+Web3 Gelişimi Hakkında Genel Bakış

Son yıllarda, yapay zeka (AI) ve Web3 teknolojilerindeki hızlı ilerleme, dünya genelinde geniş bir ilgi uyandırdı. Yapay zeka, yüz tanıma, doğal dil işleme, makine öğrenimi gibi alanlarda önemli atılımlar gerçekleştirerek, her sektörde büyük dönüşüm ve yenilikler sağladı. 2023 yılında, yapay zeka endüstrisi pazar büyüklüğü 200 milyar dolara ulaştı ve OpenAI, Character.AI, Midjourney gibi başarılı şirketler ortaya çıktı.

Aynı zamanda, Web3 yeni bir ağ modeli olarak, insanların interneti anlama ve kullanma şeklini değiştiriyor. Web3, merkezi olmayan blockchain teknolojisine dayanarak, akıllı sözleşmeler, dağıtık depolama ve merkezi olmayan kimlik doğrulama gibi işlevler aracılığıyla veri paylaşımını ve kontrolünü, kullanıcı özerkliğini ve güven mekanizmalarının kurulmasını sağlıyor. Web3'ün temel prensibi verileri merkezi kuruluşlardan kurtararak, kullanıcılara veriler üzerinde kontrol hakkı ve değer paylaşım hakkı vermektir. Şu anda Web3 sektörünün piyasa değeri 25 trilyon dolara ulaşmış durumda, Bitcoin, Ethereum, Solana gibi projeler ise hızla artıyor.

AI ve Web3'ün birleşimi, Doğu ve Batı geliştiricilerinin ve yatırımcılarının ortak ilgi alanıdır; bu iki unsuru iyi bir şekilde birleştirmenin yollarını bulmak keşfedilmeye değer bir sorudur. Bu makale, AI+Web3'ün gelişim durumunu analiz etmeye odaklanacak ve bu birleşimin potansiyel değerlerini ve etkilerini tartışacaktır. Öncelikle AI ve Web3'ün temel kavramlarını tanıtacağız, ardından aralarındaki ilişkiyi inceleyeceğiz. Daha sonra mevcut AI+Web3 projelerinin durumunu analiz edecek ve karşılaştıkları sınırlamalar ve zorlukları derinlemesine tartışacağız. Yatırımcılara ve profesyonellere değerli referanslar ve içgörüler sunmayı umuyoruz.

İki, AI ve Web3'ün etkileşim yöntemleri

AI ve Web3'ün gelişimi, bir denge tahtasının iki ucu gibidir; AI üretkenliği artırırken, Web3 üretim ilişkilerini dönüştürüyor. Peki, bu ikisi ne gibi ateşler çıkarabilir? Öncelikle her birinin karşılaştığı zorlukları ve gelişim alanlarını analiz edelim, ardından bu zorlukları çözmek için nasıl birbirlerine yardımcı olabileceklerini tartışalım.

2.1 AI sektörünün karşılaştığı zorluklar

AI sektöründeki zorlukları araştırmak için öncelikle AI'nın üç temel unsurunu anlamak gerekir: hesaplama gücü, algoritmalar ve veriler.

1. Hesaplama gücü: Büyük ölçekli hesaplama ve işleme yeteneğini ifade eder. AI görevleri genellikle büyük miktarda veri ve karmaşık hesaplamalar gerektirir, örneğin derin sinir ağı modellerinin eğitimi. Yüksek yoğunluklu hesaplama gücü, model eğitimi ve çıkarımını hızlandırarak AI sisteminin performansını ve verimliliğini artırabilir. Son yıllarda, GPU'lar ve özel AI çiplerinin gelişimi AI endüstrisinin ilerlemesini büyük ölçüde teşvik etti. GPU tedarikçileri, örneğin Nvidia, büyük pazar payı elde ederek yüksek kârlar sağlıyor.

2. Algoritma: AI sisteminin temel bileşenleri, geleneksel makine öğrenimi algoritmalarını ve derin öğrenme algoritmalarını içerir. Algoritmanın seçimi ve tasarımı, AI sisteminin performansı için kritik öneme sahiptir. Sürekli olarak geliştirilen ve yenilenen algoritmalar, sistemin doğruluğunu, sağlamlığını ve genelleme yeteneğini artırabilir.

3. Veri: AI sisteminin temel görevi, öğrenme ve eğitim yoluyla verilerdeki kalıpları ve düzenleri çıkarmaktır. Zengin veri setleri, modelin daha önce görülmemiş verilere daha iyi genelleşmesini sağlamak ve gerçek dünya sorunlarını daha iyi anlamak ve çözmek için daha kapsamlı ve çeşitli bilgiler sunabilir.

AI'nın temel unsurlarını anladıktan sonra, bu üç alanda karşılaştığı zorluklara bakalım:

Hesaplama gücü açısından, AI görevleri model eğitimi ve çıkarım için büyük miktarda hesaplama kaynağına ihtiyaç duyar. Büyük ölçekli hesaplama gücünü elde etmek ve yönetmek maliyetli ve karmaşık olup, özellikle girişimciler ve bireysel geliştiriciler için zorlu bir süreçtir.

Algoritma açısından, derin öğrenme büyük başarılar elde etmesine rağmen, hala zorluklar bulunmaktadır. Derin sinir ağlarını eğitmek için büyük miktarda veri ve hesaplama kaynağına ihtiyaç vardır, bazı görevlerin model açıklanabilirliği yetersizdir. Algoritmanın dayanıklılığı ve genelleme yeteneği de önemli sorunlardır, modeller, daha önce görülmemiş verilere karşı tutarsız performans sergileyebilir.

Veri açısından, yüksek kaliteli ve çeşitli verileri elde etmek hala zorluklarla karşı karşıya. Sağlık gibi bazı alanlarda hassas verilere ulaşmak zordur. Veri kalitesi, doğruluğu ve etiketleme ile ilgili sorunlar da mevcuttur; eksik veya önyargılı veriler modelin yanlış davranışlarına veya sapmalarına neden olabilir. Aynı zamanda, veri gizliliği ve güvenliği de önemli bir husustur.

Ayrıca, AI modellerinin açıklanabilirliği ve şeffaflığı da kamuoyunun dikkatini çeken bir konudur. Finans, sağlık gibi belirli uygulamalar, açıklanabilir ve izlenebilir karar alma süreçlerine ihtiyaç duymaktadır, oysa mevcut derin öğrenme modelleri genellikle şeffaflık açısından yetersizdir.

Bunun dışında, birçok AI girişim projesinin iş modeli belirsizdir, bu da birçok AI girişimcisinin kafasını karıştırmaktadır.

Web3 sektörünün karşılaştığı zorluklar 2.2

Web3 sektöründe çözülmesi gereken birçok sorun bulunmaktadır; veri analizi, kullanıcı deneyimi veya akıllı sözleşme kodundaki açıklar ve güvenlik sorunları gibi konularda büyük gelişim alanları mevcuttur. AI, verimliliği artırma aracı olarak bu alanlarda birçok potansiyel fırsat sunmaktadır.

Öncelikle veri analizi ve tahmin yeteneklerinin geliştirilmesi: AI teknolojisinin veri analizi ve tahmin alanındaki uygulamaları Web3 endüstrisine büyük etki sağlıyor. AI algoritmalarının akıllı analizi ve madenciliği sayesinde, Web3 platformları büyük veri yığınlarından değerli bilgiler çıkarabilir ve daha doğru tahminler ve kararlar alabilir. Bu, merkeziyetsiz finans ( DeFi ) alanındaki risk değerlendirmesi, piyasa tahmini ve varlık yönetimi gibi konularda önemli bir anlam taşıyor.

İkincisi, AI kullanıcı deneyimini ve kişiselleştirilmiş hizmetleri geliştirebilir: AI teknolojisinin uygulanması, Web3 platformlarının daha iyi kullanıcı deneyimi ve kişiselleştirilmiş hizmetler sunmasını sağlar. Kullanıcı verilerini analiz ederek ve modelleme yaparak, kullanıcılara kişiselleştirilmiş öneriler, özel hizmetler ve akıllı etkileşim deneyimi sunarak, kullanıcı katılımını ve memnuniyetini artırır, Web3 ekosisteminin gelişimini teşvik eder.

Güvenlik ve gizlilik koruma açısından, AI uygulamalarının Web3 sektöründe de derin etkileri bulunmaktadır. AI teknolojisi, siber saldırıları tespit etmek ve savunmak, anormal davranışları tanımlamak için kullanılabilir ve daha güçlü bir güvenlik sağlamak için faydalı olabilir. Aynı zamanda, AI veri gizliliği koruma alanında da kullanılabilir, veri şifreleme ve gizlilik hesaplama gibi tekniklerle kullanıcıların kişisel bilgilerini koruyabilir. Akıllı sözleşme denetimi konusunda, AI teknolojisi otomatik sözleşme denetimi ve açık tespiti için kullanılabilir, bu da sözleşmelerin güvenliğini ve güvenilirliğini artırır.

Web3 sektörünün karşılaştığı zorluklar ve potansiyel iyileştirme alanları açısından, AI birçok alanda yer alabilir ve destek sağlayabilir.

Üç, AI+Web3 Projelerinin Mevcut Durum Analizi

AI ve Web3 projeleri, iki ana alanda ilerlemektedir: Blockchain teknolojisini kullanarak AI projelerinin performansını artırmak ve AI teknolojisini Web3 projelerinin geliştirilmesi için kullanmak.

Bu iki alan etrafında, Io.net, Gensyn, Ritual gibi birçok proje bu yolda keşif yapmaya başladı. Sonraki aşamada, AI destekli Web3 ve Web3 destekli AI'nın farklı alt yarış yollarını analiz ederek mevcut durumu ve gelişim durumunu ele alacağız.

3.1 Web3, AI'yi destekliyor

3.1.1 Merkeziyetsiz Hesap Gücü

OpenAI, 2022 yılının sonunda ChatGPT'yi piyasaya sürdükten sonra AI heyecanını ateşledi, 5 gün içinde kullanıcı sayısı 1 milyona ulaştı, 2 ay içinde aylık aktif kullanıcı sayısı 100 milyona yükseldi, 2023 Kasım'ında ise haftalık aktif kullanıcı sayısı 100 milyona ulaştı. ChatGPT'nin ortaya çıkışı, AI alanının niş bir alandan hızla dikkat çeken bir sektöre dönüşmesini sağladı.

Trendforce raporuna göre, ChatGPT'nin çalışması için 30,000 NVIDIA A100 GPU'ya ihtiyacı var. Gelecekteki GPT-5, daha fazla hesaplama gücüne ihtiyaç duyacak. Bu durum, AI şirketlerinin bir silahlanma yarışına girmesine neden oldu; yeterli hesaplama gücüne sahip olmak, AI savaşında avantaj sağlamak için şarttır. Bu nedenle GPU kıtlığı yaşanıyor.

AI'nin yükselişinden önce, GPU'nun en büyük sağlayıcısı Nvidia'nın müşterileri AWS, Azure ve GCP gibi üç büyük bulut hizmeti sağlayıcısına odaklanmıştı. AI'nin yükselmesiyle birlikte, Meta, Oracle gibi büyük teknoloji şirketleri ve diğer veri platformları ile AI girişimleri gibi çok sayıda yeni alıcı ortaya çıktı ve AI modellerini eğitmek için GPU stoklama savaşına katıldılar.

Geçen yıl Semi Analysis'ın belirttiği gibi "GPU zenginleri ve GPU fakirleri", birkaç şirket 20.000'den fazla A100/H100 GPU'ya sahip, ekip üyeleri projelerde 100 ila 1000 GPU kullanabiliyor. Bu şirketler ya bulut hizmet sağlayıcıları ya da kendi LLM'lerini geliştirenlerdir; OpenAI, Google, Meta, Anthropic, Inflection, Tesla, Oracle, Mistral gibi.

Ancak çoğu şirket GPU fakiri, sadece çok daha az sayıda GPU ile mücadele edebiliyor. Bu durum yalnızca başlangıç aşamasındaki şirketlerle sınırlı değil, bazı tanınmış AI şirketleri olan Hugging Face, Databricks, Together ve hatta Snowflake'in A100/H100 sayısı 20K'dan az. Bu şirketler dünya çapında birinci sınıf teknik yeteneklere sahip, ancak GPU tedarik sayısı ile sınırlı oldukları için AI yarışında dezavantajlı durumda.

Bu tür bir kıtlık yalnızca "GPU fakirleri" ile sınırlı değil, hatta 2023 yılı sonlarında, AI lideri OpenAI yeterli GPU alamadığı için ücretli kayıtları birkaç hafta kapatmak zorunda kaldı ve daha fazla GPU tedarik etmeye çalıştı.

Görünüşe göre, AI'nın hızlı gelişimi nedeniyle GPU talep ve arz tarafında ciddi bir uyumsuzluk ortaya çıkmış ve arzın yetersizliği sorunu acil bir hale gelmiştir.

Bu sorunu çözmek için bazı Web3 projeleri, Web3 teknolojisinin özelliklerini birleştirerek merkeziyetsiz hesaplama gücü hizmetleri sunmaya başlamıştır; bunlar arasında Akash, Render, Gensyn gibi projeler bulunmaktadır. Bu tür projelerin ortak noktası, token teşviki ile geniş kullanıcı kitlesinin boşta kalan GPU hesaplama gücünü sağlaması ve böylece hesaplama gücü arz tarafı haline gelerek AI müşterilerine hesaplama desteği sunmasıdır.

Arz tarafı profili üç ana kategoriye ayrılır: bulut hizmet sağlayıcıları, kripto para madencileri, şirketler.

Bulut hizmet sağlayıcıları, AWS, Azure, GCP gibi büyük bulut hizmet sağlayıcıları ( ve Coreweave, Lambda, Crusoe gibi GPU bulut hizmet sağlayıcılarını ) içermektedir. Kullanıcılar, boşta kalan bulut hizmet sağlayıcılarının hesaplama gücünü yeniden satarak gelir elde edebilirler. Ethereum'un PoW'dan PoS'a geçişiyle birlikte, boşta kalan GPU hesaplama gücü önemli bir potansiyel arz tarafı haline gelmiştir. Ayrıca, stratejik planlama nedeniyle büyük miktarda GPU satın alan Tesla, Meta gibi büyük şirketler de boşta kalan GPU hesaplama gücünü arz tarafı olarak kullanabilirler.

Şu anda sektördeki oyuncular iki ana gruba ayrılıyor; bir grup merkeziyetsiz hesaplama gücünü AI çıkarımında kullanıyor, diğer grup ise AI eğitimi için kullanıyor. Öncelikli grup, Render( gibi, odaklanmış olmasına rağmen, AI hesaplama gücü sağlamak için de kullanılabilir), Akash, Aethir gibi; diğer grup ise io.net( çıkarım ve eğitimi destekliyor), Gensyn. İki grup arasındaki en büyük fark, hesaplama gücü gereksinimlerinin farklı olmasıdır.

Öncelikle AI çıkarım projelerinden bahsedelim, bu tür projeler, kullanıcıları hesap gücü sağlamaya katılmaya teşvik etmek için token teşvikleri kullanır ve ardından hesap gücü ağ hizmetlerini talep tarafına sunarak boşta kalan hesap gücünün arz ve talep dengesini sağlar. Bu tür projelerin temeli, token teşvik mekanizması aracılığıyla sağlayıcıları çekmek, ardından kullanıcıları kullanmaya teşvik etmek, projeyi soğuk başlatmak ve temel işletim mekanizmasını gerçekleştirmek, böylece daha fazla genişleme ve gelişim sağlamaktır. Bu döngüde, arz tarafı daha fazla ve daha değerli token ödülleri alırken, talep tarafı daha ucuz ve maliyet açısından daha yüksek hizmetler alır, proje token değerinin ve arz ve talep tarafındaki katılımcıların büyümesi aynı kalır, token fiyatı yükseldikçe daha fazla katılımcı ve spekülatör çekilir ve değer yakalama oluşur.

Diğer bir tür, merkeziyetsiz hesaplama gücünün AI eğitiminde kullanılmasıdır, örneğin Gensyn, io.net( AI eğitimi ve çıkarımı her ikisini de destekliyor). Bu tür projelerin işletim mantığı, AI çıkarım projeleriyle büyük bir öz farkı göstermiyor, hâlâ token teşvikleri aracılığıyla arz tarafını hesaplama gücü sağlamaya çekiyor, talep tarafının kullanması için.

io.net, merkeziyetsiz bir hesaplama ağı olarak, şu anda 500.000'den fazla GPU sayısına sahip, dikkat çekici bir performans sergiliyor, Render ve Filecoin hesaplama gücünü entegre etti ve ekosistem projelerini sürekli olarak geliştiriyor.

Gensyn, makine öğrenimi görevlerinin dağıtımını ve ödüllerini akıllı sözleşmeler aracılığıyla kolaylaştırarak AI eğitimi gerçekleştirir. Gensyn makine öğrenimi eğitim işinin saatlik maliyeti yaklaşık 0,4 dolardır ve bu, AWS ve GCP'nin 2 dolardan fazla olan maliyetinin çok altındadır.

Gensyn sistemi, dört katılımcıdan oluşmaktadır: gönderici, yürütücü, doğrulayıcı ve ihbarcı.

• Gönderen: Talep kullanıcıları görev tüketicileridir, hesaplanacak görevleri sağlar, AI eğitim görevlerine ödeme yapar.
• Yürütücü: Model eğitimi görevini yürütür, doğrulayıcıların kontrol etmesi için tamamlanmış görev kanıtı üretir.
• Doğrulayıcı: Belirsiz eğitim sürecini belirli lineer hesaplama ile ilişkilendirir, uygulayıcı kanıtını beklenen eşik ile karşılaştırır.
• İhbarcı: Doğrulayıcıların çalışmalarını kontrol eder, sorunlar tespit ettiğinde itirazda bulunarak kazanç elde eder.

Gensyn, dünya çapında derin öğrenme modellerine yönelik büyük ölçekli, ekonomik ve verimli bir hesaplama protokolü olmayı hedefliyor.

Ancak bu alana genel olarak baktığımızda, neden çoğu proje AI çıkarımında merkeziyetsiz hesaplama yapmayı, eğitim yapmaktan ziyade tercih ediyor?

Burada AI eğitimi ve çıkarımı hakkında bilgi sahibi olmayan arkadaşlara ikisi arasındaki farkı tanıtıyoruz:

• AI eğitimi: Yapay zekayı bir öğrenciye benzetirsek, eğitim, AI'ya büyük miktarda bilgi, örnek ( yani veri ) sağlamak gibidir, AI buradan öğrenir. Öğrenmenin doğası gereği büyük miktarda bilgiyi anlamak ve hatırlamak gerektiğinden, bu süreç büyük hesaplama gücü ve zaman gerektirir.

• AI