Orijinal Başlık: "Veri Bir Varlıktır: DataFi Yeni Bir Okyanus Açıyor"

Orijinal Yazar: anci_hu49074, Biteye Ana Katkıda Bulunan

“Şu anda küresel olarak en iyi temel modeli oluşturma yarışında olduğumuz bir dönemdeyiz. Hesaplama gücü ve model mimarisi önemli olabilir, ancak gerçek koruma duvarı eğitim verileridir.”

——Sandeep Chinchali, Story Baş AI Sorumlusu

Scale AI'dan Başlayarak, AI Veri Yarışı Potansiyelini Tartışma

Bu ayın en büyük AI çalkantısından bahsetmek gerekirse, Meta'nın yeteneklerini sergilediği, Zuckerberg'in yetenek avcılığı yaptığı ve çoğunlukla Çinli araştırmacılardan oluşan lüks Meta AI ekibini oluşturduğu başka bir şey yok. Takım lideri, yalnızca 28 yaşında olan ve Scale AI'ı kuran Alexander Wang'dır. Scale AI'ı tek başına kurdu, şu anda 290 milyar dolarlık bir değere sahip ve hizmetleri hem ABD ordusunu hem de OpenAI, Anthropic, Meta vb. gibi rekabet halindeki birçok büyük AI devini kapsıyor. Tüm bu devler, Scale AI'ın sağladığı veri hizmetlerine güvenmek zorunda ve Scale AI'ın temel işi büyük miktarda doğru etiketli veri sağlamaktır.

Neden Scale AI Diğer Tüm Unicornlardan Öne Çıkabiliyor?

Bunun nedeni, verinin AI endüstrisindeki önemini erken fark etmiş olmasıdır.

İş gücü, model, veri AI modelinin üç temel direğidir. Büyük bir modeli bir insana benzetirsek, model vücut, iş gücü besindir, veri ise bilgi/istemdir.

LLM'nin yükselişi ve gelişimiyle, endüstrinin odak noktası da modelden iş gücüne kaydı, şu anda çoğu modelin bir model çerçevesi olarak dönüştürücüyü benimsemiştir, nadiren MoE veya MoRe gibi yenilikler yapar; devasa şirketler ya Super Clusters'ı kendi yapılandırır iş gücü surlarını tamamlar ya da AWS vb. gibi güçlü bulut hizmetleri sağlayıcılarıyla uzun vadeli anlaşmalar yapar; iş gücünü hallederek, verinin önemi giderek belirgin hale gelmiştir.

Palantir gibi ikincil piyasa sektöründe ünlü geleneksel To B büyük veri şirketlerinden farklı olarak, Scale AI şirketi adını verdiği gibi, AI modelleri için sağlam bir veri temeli oluşturmayı amaçlamaktadır, işi yalnızca mevcut veriyi keşfetmekle sınırlı kalmaz, aynı zamanda daha uzun vadeli veri üretim işine odaklanmış ve farklı alanlardan uzman insanlar tarafından oluşturulan AI eğiticisi ekibi aracılığıyla AI modelinin eğitimine daha kaliteli eğitim verileri sağlamayı denemektedir.

Eğer bu işe kuşkuyla bakıyorsanız, o zaman ilk önce modelin nasıl eğitildiğine bir göz atalım.

Modelin eğitimi iki bölüme ayrılır — Ön Eğitim ve İnce Ayar.

Ön Eğitim kısmı, neredeyse insan bebeğinin konuşmayı öğrenme sürecine benzer. Genellikle ihtiyaç duyduğumuz şey, AI modeline web taraması ile elde edilen metin, kod vb. bilgileri beslemektir. Model, bu içerikleri kendi kendine öğrenerek insan dilini (bilimsel olarak doğal dil denir) konuşmayı öğrenir ve temel iletişim becerilerine sahip olur.

İnce Ayar kısmı ise okula gitmeye benzer, genellikle net doğruları, cevapları ve yönleri vardır. Okul, öğrencileri farklı yeteneklerde yetiştirecek şekilde konumlanır. Ve bizler de önceden işlenmiş, hedeflenmiş veri setleri aracılığıyla modeli istediğimiz yeteneklere sahip olacak şekilde eğitiriz.

Bu noktada, zeki birisinin muhtemelen anladığı gibi, ihtiyacımız olan veri de iki kısma ayrılır.

· Verinin bir kısmı çok fazla işlemden geçmeyi gerektirmez, yeterince büyük olması yeterlidir, genellikle Reddit, Twitter, Github vb. gibi büyük UGC platformlarından elde edilen tarayıcı verileri, açık kaynaklı belge veritabanları, kurumsal özel veritabanlarından gelir.

· Diğer kısım, sanki profesyonel bir ders kitabı gibi, dikkatlice tasarlanmış ve seçilmiş olmalı, modelin belirli üstün niteliklerini geliştirebileceğinden emin olmak için bazı gerekli veri temizleme, seçme, etiketleme, insan geri bildirimi vb. çalışmaları yapmamız gerekir.

Bu iki veri seti, AI Veri Yarışı'nın ana gövdesini oluşturur. Bu tür teknik olarak pek gözükmeyen veri setlerini küçümsemeyin, mevcut ana akım görüş şudur ki, Ölçekleme yasalarındaki güçlü hesaplama avantajının giderek zayıflamasıyla, veri, farklı büyük model şirketlerinin rekabet avantajını korumak için en önemli dayanak haline gelecektir.

Modelin yeteneklerinin daha da gelişmesi ile, çeşitli daha hassas, uzmanlaşmış eğitim verileri, modelin yetenekleri için kilit etki değişkeni haline gelecektir. Modelin eğitimini dövüş sanatı ustasını yetiştirmek gibi düşünürsek, yüksek kaliteli veri setleri en iyi dövüş sanatı kitabı gibidir (bu benzetmeyi tamamlamak için, hesaplama gücü sihirli ilaç, model ise doğal yetenek olabilir).

Dikey olarak bakıldığında, AI Veri aynı zamanda uzun vadeli bir yatırım yapan, artırmalı yetenekleri olan bir yarış pistidir, erken dönem çalışmasının birikmesiyle, veri varlıkları bileşik faiz yeteneğine sahip olacaktır, daha yaşlandıkça daha değerli hale gelecektir.

Web3 DataFi: Seçkin AI Veri Toprağı

Scale AI'nın Filipinler, Venezuela ve benzeri yerlerde oluşturduğu on binlerce uzaktan insan etiketleme ekibine kıyasla, Web3'ün AI veri alanında doğal bir avantajı vardır ve bu durum DataFi terimiyle sonuçlanmıştır.

İdeal durumda, Web3 DataFi'nin avantajları şunlardır:

1. Akıllı Kontratlarla Güvence Altına Alınmış Veri Egemenliği, Güvenlik ve Gizlilik

Mevcut açık verilerin neredeyse tükenmek üzere olduğu bir aşamada, açık olmayan verilerin hatta gizli verilerin nasıl daha fazla keşfedileceği, veri kaynağını genişletmenin önemli bir yönüdür. Bu durum, önemli bir güven seçimi sorunuyla karşı karşıya bırakır — merkezi büyük bir şirketin sunduğu bir sözleşmeyle verilerinizi satın alıp elden çıkaracak mısınız; yoksa veri IP'nizin elimde kalmasına devam ettiği, aynı zamanda verinizin kime, ne zaman ve ne amaçla kullanıldığını akıllıca ve net bir şekilde anlayabildiğiniz blokzincir tabanlı bir şekli mi seçeceksiniz?

Aynı anda, hassas bilgiler için zk, TEE vb. yöntemlerle, gizlilik verilerinizin sır gibi saklanmasını sağlayarak, verilerinizin sızdırılmayacağından emin olabilirsiniz.

2. Doğal Coğrafi Fırsat Eşitsizliği Avantajı: Özgür Dağıtılmış Mimarisi, En Uygun İşgücünü Çekmek

Belki geleneksel işgücü üretim ilişkilerine meydan okuma zamanı gelmiştir. Scale AI gibi dünya çapında ucuz işgücü aramak yerine, blokzincirin dağıtılmış özelliklerinden yararlanarak, akıllı kontratlarla güvence altına alınan açık, şeffaf teşvik önlemleri aracılığıyla dünya çapında dağınık işgücünün veri katkısında bulunmasına izin vermek daha iyidir.

Veri etiketleme, model değerlendirme gibi işgücü yoğun işler için, merkezi bir veri fabrikası kurma yaklaşımına kıyasla, Web3 DataFi'nin kullanımı, katılımcı çeşitliliği için daha elverişli olup, bu durum veriye yönelik önyargıyı önlemede uzun vadeli anlam taşır.

3. Blokzincirin Açık Teşvik ve Hesaplama Avantajı

'江南皮革厂' tarzı trajediyi nasıl engelleyebiliriz? Tabii ki, insan doğasının yerine akıllı kontratlarla açıkça belirtilen bir teşvik sistemi kullanarak gelir.

Kaçınılmaz bir şekilde küreselleşme karşısında, düşük maliyetli coğrafi fırsat eşitsizliğini nasıl sürdürebiliriz? Anlaşılan o ki dünya genelinde şirket açmak artık daha zor, bu nedenle eski dünyanın sınırlarını aşarak, zincir üstü hesaplaşma yolunu benimsemek en iyisi.

4. Daha Verimli, Açık Bir 'Tek Durak' Veri Pazarı İnşası

'Ara tacir marjı kazanmak' arz ve talep tarafları için her zaman acı verici olmuştur, bu nedenle merkezi bir veri şirketinin ara tacir olarak görev yapmasına izin vermek yerine, bir çevrimiçi pazar oluşturarak verinin arz ve talep taraflarının daha şeffaf, verimli bir şekilde eşleşmesini sağlamak daha iyidir.

Şu anda Zincir Üstü AI ekosistemi geliştikçe, zincir üstü veri talebi daha da artacak, daha fazla özelleşecek ve çeşitlenecek, yalnızca merkezi olmayan bir pazar bu talebi verimli bir şekilde karşılayabilir ve ekosistemi refaha dönüştürebilir.

Retailerler için, DataFi aynı zamanda sıradan perakendecilerin katılımı için en uygun merkezi olmayan AI projesidir.

AI araçlarının ortaya çıkması belirli ölçüde öğrenme eşiğini düşürdüğü gibi, merkezi olmayan AI'nın amacı aynı zamanda mevcut devlerin AI işlerindeki hakimiyetini kırmaktı; ancak şu anda pek çok projenin, teknik bir geçmişi olmayan sıradan perakendeciler için katılım düzeyi pek yüksek değil — merkezi olmayan hash ağlarına katılım genellikle yüksek başlangıç maliyetli donanım yatırımı ile gelirken, model pazarının teknik eşiği genellikle sıradan katılımcıları caydırmaktadır.

Bunun yerine, sıradan kullanıcıların AI devriminde yakalayabileceği nadir fırsatlardan biridir — Web3, kan damarı bir veri fabrikası anlaşması imzalamak zorunda kalmadan, yalnızca bir cüzdan üzerinden tıklayarak çeşitli basit görevleri tamamlayarak katılabileceğiniz bir ortam sunar, bunlar arasında: veri sağlama, modeli insan beyninin sezgilerine ve içgüdülerine göre etiketleme, basit değerlendirme vb. basit işler yapma veya daha ileri giderek AI araçlarını kullanarak basit yaratıcı faaliyetlerde bulunma, veri ticaretine katılma vb. yer alır. Dalga Geçenler için, zorluk seviyesi neredeyse sıfırdır.

Web3 DataFi'nin Potansiyel Projeleri

Para nereye gidiyorsa, yol da oraya gider. Scale AI'nın Meta'dan 143 milyar dolarlık yatırım alması ve Palantir'in bir yıl içinde hisselerinin 5 kat artması gibi Web2 dünyasının yanı sıra, Web3 finansmanında, DataFi alanında performansı da oldukça mükemmeldir. Burada bu projelere kısaca bir göz atacağız.

Sahara AI, @SaharaLabsAI, 49 milyon dolarlık finansman

Sahara AI'nin nihai hedefi merkezi olmayan AI'nin süper altyapısını ve ticaret pazarını oluşturmaktır, denenmiş ilk alanı AI Verileridir; DSP (Data Hizmetleri Platformu) açık beta sürümü 22 Temmuz'da yayına girecek, kullanıcılar veri katkısında bulunarak, veri etiketleme gibi görevler yaparak jeton ödülü kazanabilirler.

Link: app.saharaai.com

Yupp, @yupp_ai, 33 milyon dolarlık finansman

Yupp bir AI model geribildirim platformudur ve kullanıcıların model çıktılarına geri bildirim toplar. Şu anda ana görevlerden biri, kullanıcıların farklı modellerin aynı prompt'a verdiği çıktıları karşılaştırması ve daha iyi olduğunu düşündüğü birini seçmesidir. Görev tamamlandığında Yupp puanları elde edilir, bu puanlar daha sonra USDC gibi fiat stablecoin'e dönüştürülebilir.

Link: https://yupp.ai/

Vana, @vana, 23 milyon dolarlık finansman

Vana, kullanıcıların kişisel verilerini (sosyal medya etkinlikleri, gezinme geçmişi vb.) dijital varlığa dönüştürmeyi amaçlar. Kullanıcılar, kişisel verilerini ilgili Veri Akışı Likidite Havuzlarına (DLP) yüklemeyi yetkilendirebilir; bu veriler toplanacak, AI model eğitimine katkıda bulunmak için kullanılacak ve kullanıcılar karşılık olarak jeton ödülleri alacak.

Link: https://www.vana.org/collectives

Chainbase, @ChainbaseHQ, 16.5 milyon dolarlık finansman

Chainbase, on-chain verilere odaklanır ve şu anda 200'den fazla blockchain'i kapsamaktadır; bu verileri yapılandırılmış, doğrulanabilir ve dijitalleştirilebilir veri varlıklarına dönüştürür ve dApp geliştiricilerin kullanımına sunar. Chainbase işi genellikle çoklu zincir dizini gibi yöntemler aracılığıyla elde eder ve Manuscript sistemi ve Theia AI modeli aracılığıyla verileri işler; şu anda genel kullanıcı katılımı düşüktür.

Sapien, @JoinSapien, 15.5 milyon dolarlık finansman

Sapien, insan bilgisini yüksek kaliteli AI eğitim verilerine büyük ölçekte dönüştürmeyi amaçlar; herkes platformda veri etiketleme çalışmaları yapabilir ve verilerin kalitesini akran doğrulama yoluyla garanti altına alır. Aynı zamanda kullanıcıları uzun vadeli itibar oluşturmaya teşvik eder veya teminat yoluyla taahhütte bulunmalarını sağlar, daha fazla ödül kazanmalarını sağlar.

Link: https://earn.sapien.io/#hiw

Prisma X, @PrismaXai, 11 milyon dolarlık finansman

Prisma X, bir robotun açık işbirliği katmanını oluşturmayı hedefler; fiziksel veri toplama bu projenin anahtarlarından biridir. Bu proje şu anda erken aşamada olup, yakın zamanda yayımlanan beyaz kağıda göre, katılım yöntemlerinin, robot verisi toplamaya yatırım yapmak, uzaktan operasyon robot verisi gibi yöntemleri içerebileceği tahmin edilmektedir. Şu anda beyaz kağıda dayalı quiz etkinliklerine katılma imkanı sunulmaktadır, puan kazanmak için katılabilirsiniz.

Link: https://app.prismax.ai/whitepaper

Masa, @getmasafi, 8.9 milyon dolarlık finansman

Masa, Bittensor ekosisteminin önde gelen alt ağı projesidir; şu anda 42 numaralı veri alt ağı ve 59 numaralı Ajan alt ağı işletmektedir. Veri alt ağı, gerçek zamanlı veri erişimi sağlamayı amaçlar; şu anda madencilerin TEE donanımını kullanarak X/Twitter'daki gerçek zamanlı verileri kazıdığı odaklanmıştır, genel kullanıcılar için katılım zorluğu ve maliyet oldukça yüksektir.

Irys, @irys_xyz, 7.8 Milyon Dolarlık Finansman

Irys, programlanabilir veri depolama ve hesaplama üzerine odaklanmış olup, yapay zeka, merkezi olmayan uygulamalar (dApps) ve diğer veri yoğun uygulamalar için verimli ve düşük maliyetli çözümler sunmayı amaçlamaktadır. Veri katılımı açısından şu anda genel kullanıcının katılabileceği pek çok aktivite bulunmamakla birlikte, mevcut test ağı aşamasında katılabilecek birçok etkinlik bulunmaktadır.

Link: https://bitomokx.irys.xyz/

ORO, @getoro_xyz, 6 Milyon Dolarlık Finansman

ORO'nun amacı, sıradan insanların yapay zekaya katkıda bulunmasını sağlamaktır. Desteklenen yöntemler şunlardır: 1. Kişisel hesaplarınızı bağlayarak kişisel verilerinizi katkıda bulunma, sosyal medya hesapları, sağlık verileri, e-ticaret finans gibi hesaplar; 2. Veri görevlerini tamamlama. Şu anda test ağı yayında, katılabileceğiniz bir platformdur.

Link: app.getoro.xyz

Gata, @Gata_xyz, 4 Milyon Dolarlık Finansman

Merkezi olmayan veri katmanı olarak konumlandırılan Gata, şu anda üç ürün çıkardı: 1. Veri Ajanı: Kullanıcıların web sayfasını açtıklarında otomatik olarak verileri işleyen yapay zeka ajanı; 2. AII-in-one Sohbet: Yupp'a benzeyen model değerlendirmesi ve ödül kazanma mekanizması; 3. Kazanmak İçin GPT: ChatGPT'deki sohbet verilerini toplayan bir tarayıcı eklentisi.

Link: https://app.gata.xyz/dataAgent

https://chromewebstore.google.com/detail/hhibbomloleicghkgmldapmghagagfao?utm_source=item-share-cb

Şu Anda Bu Projeleri Nasıl Görüyorsunuz?

Şu anda bu projelerin genel olarak yüksek engelleri olmadığını görmekteyiz, ancak kabul etmek gerekir ki, bir kez kullanıcılar ve ekosistem sadakati oluşturulduğunda, platformun avantajı hızla artacaktır, bu nedenle erken aşamada teşvik önlemleri, kullanıcı deneyimi üzerinde yoğunlaşmak önemli bir hale gelmektedir, çünkü yalnızca yeterli sayıda kullanıcıyı çekmek, veri bu büyük iş yapılabilir.

Ancak, işgücü yoğun projeler olarak, bu veri platformları insanları çekme konusunda aynı zamanda insan kaynaklarını nasıl yöneteceklerini, üretkenliği ve veri çıktısının kalitesini nasıl sağlayacaklarını da düşünmelidir. Sonuçta, Web3'ün birçok projesinin ortak sorunu — platformdaki çoğu kullanıcı sadece acımasızca 'farmville' oynayan kullanıcılardır — çoğu zaman kısa vadeli kazanç için kaliteyi feda ederler, eğer ana kullanıcılarını bu şekilde serbest bırakırlarsa, kötü para kaliteli parayı kovar, sonunda veri kalitesini sağlayamazlar ve alıcıları çekemezler. Şu anda Sahara, Sapien gibi projelerin veri kalitesine önem verdiklerini görmekteyiz, platfordaki insanlarla uzun vadeli sağlıklı işbirliği ilişkileri kurma konusunda çaba göstermektedirler.

Ayrıca, şeffaflık yetersizliği, mevcut blok zinciri projelerinin karşılaştığı bir başka sorundur. Gerçekten de, blok zincirinin üçgeni imkansızlığı, birçok projenin başlangıç aşamasında sadece "merkeziyetçi merkezileşmeyi teşvik eden" bir yol izlemelerine neden olmuştur. Ancak bugün birçok blok zinciri projesinin algısı, daha çok "Web3 cildi giymiş Web2 eski projeye" benziyor—genel olarak izlenebilir ve blok zincirinde takip edilebilir veriler çok azdır, hatta yol haritasında açık ve şeffaf uzun vadeli kararlılık pek görünmemektedir. Bu durum, Web3 VeriFi'nin uzun vadeli sağlıklı gelişimi için kesinlikle zararlıdır, ve daha fazla projenin orijinal niyetini korumasını ve açık, şeffaf adımları hızlandırmasını umuyoruz.

Son olarak, DataFi'nin kitle kabulü yolunu iki kısma ayırmak da önemlidir: bir kısmı yeterli sayıda TüK katılımcısını ağa çekmek, veri toplama/üretme mühendisliğinin kuvvetli bir gücü, yapay zeka ekonomisinin tüketicileri haline getirerek ekosistem döngüsünü oluşturmaktır; diğer bir kısım ise şu anda hakim olan B2B şirketlerinin kabulünü almak, çünkü kısa vadede finansal olarak güçlüler ve onlar verinin ana kaynağıdır. Bu konuda Sahara AI, Vana gibi projelerin iyi ilerleme kaydettiğini de görmekteyiz.

Ending

Kaderci bir bakış açısıyla, DataFi insan zekasını uzun vadeli olarak makine zekasıyla besler ve aynı zamanda akıllı kontratları bir sözleşme olarak kullanarak insan zekasının emeğinin karşılığını almasını sağlar ve nihayetinde makine zekasının geri beslemesinden faydalanır.

Eğer yapay zeka çağının belirsizliğinden endişe duyuyorsanız, eğer kripto dünyasındaki dalgalanmalar arasında hala blok zinciri ideallerini taşıyorsanız, o zaman sermaye devlerinin izinden giderek, DataFi'ye katılmak, fırsattan yararlanmak için doğru bir seçim olabilir.

Bu makale bir katkı yazısıdır, BlockBeats'in görüşlerini yansıtmaz.

BlockBeats Resmi Topluluğuna Katılın:

Telegram Abonelik Grubu: https://t.me/theblockbeats

Telegram Sohbet Grubu: https://t.me/BlockBeats_App

Twitter Resmi Hesabı: https://twitter.com/BlockBeatsAsia