Kripto dünyasında yapay zeka en güçlü sektörlerden biri haline gelerek sadece bir yılda toplam piyasa değerini 4 milyar dolardan 30 milyar dolar seviyesine çıkardı. Bu değerlemenin artmasında GPU hizmeti sunan projeler (Render, Akash, Nosana gibi), makine öğrenmesiyle modellerin geliştirilmesini teşvik eden projeler (Bittensor, Netmind gibi), yapay zeka asistanlarının (agents) devreye girmesi için çalışan projeler (Fetch, Paal, Autonolas gibi) etkili oldu.
Web 3 dünyasındaki projeleri gözümüzde daha kolay canlandırabilmek için alttaki görseli kullanabiliriz. Projeler, servis sağlayıcıları ve yazılımcılar altyapı hizmetleri için Compute, Model, Congitive katmanlarını kullanırken son kullanıcılar ise uygulama katmanındaki yüzlerce yapay zekâ uygulamasını kullanabilir halde olacak.
OpenAI & Google gibi devlerin yaptığı çalışmalar bize yapay zekâ devriminin daha yeni başladığını gösteriyor. OpenAI şirketinin son ürünü olan GPT-4o tanıtımıyla modellerin geliştirilmesinde verinin ne kadar değerli olduğunu, ne kadar fazla veri kullanılırsa ürünün o kadar doğru sonuçlar verdiğini, geliştirmeleri yaparken compute/hesaplama gücünün ne kadar önemli olduğunu görmüş olduk.
Yatırımcılar nereye bakmalı?
Kullanıcı olarak yapay zekâ ürünlerini (asistanlar, botlar, yazı ve görsel üreten araçlar) çokça kullanırsak hangi ürünün iyi olduğunu daha kolay bir şekilde tespit edebilir hale getirebiliriz. Aynı zamanda hayatımızı kolaylaştıracak ürünleri de günlük alışkanlıklarımızın bir parçası haline getirebiliriz.
Yatırımcı olarak ihtiyacın hangi yöne doğru evrildiğini görürsek buna göre erkenden pozisyonumuzu alabiliriz. Şimdi bu doğrultuda yapay zekayı alt kategorilerine göre değerlendirelim.
1- Yapay zeka modellerinin geliştirilmesi, geliştirme için gerekli işlemci gücü, geliştirme sürecinde gerekli verilerin toplanması, kullanılabilir hale getirilmesi, kayıt altında tutulması ve tüm bunların bir ödül mekanizmasıyla sağlanması için çalışan Bittensor projesini katman 1 çözümü olarak bir sınıfa koyabiliriz. Bittensor için kısaca orkestra şefi benzetmesini yapabiliriz. Bu alanda Ritual, Allora, Zero1 Labs gibi proje ve ekipleri de dikkate alabiliriz.
2- Makine öğrenmesi ve yapay zekâ modellerinin eğitilmesi kısmına baktığımızda Gensyn, Modulus, Giza gibi projeleri sayabiliriz.
3- Modellerin eğitilmesi, yazı ve benzeri taleplerin (inference) karşılanması, sabit veya hareketli görsellerin işlenmesi (rendering) kısmında Render, Akash, Nosana, ionet, Aethir gibi projeler mevcut.
4- Verilerin toplanması, kullanılabilir hale getirilmesi, saklanması, modellerin geliştirilmesi için alınıp satılmasında çalışan projelere baktığımızda Arweave, Filecoin, Storj, Sia, Ocean, Sahara, Grass gibi projeleri görüyoruz.
5- Yapay zekâ asistanlarının (bot veya agent) geliştirilmesi, bu botların tek başına veya birbirleriyle haberleşerek son kullanıcıya yardımcı olması için çalışan projelere örnek olarak Fetch.ai, Autonolas, Morpheus, Wayfinder projelerini sayabiliriz.
6- Sıfır bilgi (Zero Knowledge: ZK) kanıtlarının üretilmesi için çalışan projelere örnek olarak Aligned Layer, Nebra, Gevulot gibi projeler incelemeye değer.
Hangi alt kategoriler revaçta?
Buna cevap verebilmek için Ethereum kurucusu Vitalik ve Near kurucusu Illia’nın yorumlarına bakabiliriz. Bu isimlerin son birkaç aydaki yorumlarını “tüm veriler büyük şirketlerin elinde, dolayısıyla model geliştirmek onlar için daha kolay, kullanıcıların kendi güvenliklerini koruyabilmeleri için blokzincir temelli projeler önemli, veri sağlayan projeler önemli, günlük hayatta asistan görevi yapacak uygulamalar geliştiren projeler önemli, tüm blokzincir ekosistemi ZK tarafına doğru ilerlediği için ZK üzerine çalışan projeler önemli” şeklinde özetleyebiliriz.
Yapay zeka projelerini avlamanın yöntemleri
1- Compute/GPU sınıfında çok fazla proje var (Render, Akash, Nosana, Golem, Flux gibi) ve bu projelerin değerlemeleri de çok yükseldi. Bir de yeni çıkacak ionet, Aethir gibi projeleri sayarsak artık bu alanın nispeten doygunluğa ulaştığını söyleyebiliriz.
Ancak makine öğrenmesi ile modellerin geliştirilmesi için talep her geçen gün artacak, bunu da göz önünde bulundurmalıyız. Dolayısıyla bu alanda bir yatırım yapmak istiyorsak projelerin ekiplerini, yol haritalarını, aldıkları yatırımları, tokenomilerini detaylı incelemeliyiz.
2- Illia özellikle veri (toplama, saklama, alım satım) tarafında ısrarla vurgu yapıyor. Bu nedenle yeni Arweave, Filecoin hangi projeler olabilir bunu incelemek bize güzel fırsatlar getirebilir. Örneğin Sahara AI, Masa, Nuklai gibi projeleri detaylı bir şekilde inceleyip hangisi ön plana çıkabilir şeklinde bir değerlendirme yapabiliriz. Bu alanda Fetch.ai, SingularityNET, Ocean Protokol projeleri de birleşecek ve hem veri tarafında hem de yapay zeka asistanları (agents) tarafında hizmetler sunacak. Bu birleşmeyi de yakından takip etmek faydalı olur.
3- Agents tarafında Fetch.ai rüştünü ispatlayan projelerden biri oldu. Yeni Fetch.ai hangi projeler olabilir dersek Morpheus, Wayfinder, Phala, Autonolas, Paal AI, MyShell gibi projeleri inceleyebiliriz. Bu projeleri incelerken FDV (toplam market değeri) bizim için kıstas olabilir.
Örneğin Morpheus piyasaya yeni çıktı ancak market değeri 5 milyar dolar civarında. Bu değer neredeyse Fetch.ai ile eşdeğer. Öte yandan bu projenin token’ını ücretsiz bir şekilde kazanmak için platformda staked ETH (stETH) kilitleyebilirsiniz. Tabii ki platformda akıllı kontrat riski olduğunu ve cüzdanınıza her zaman sahip çıkmanız gerektiğini de unutmamalısınız.
Başka bir örnek olarak Wayfinder projesinin token’ı PROMPT kazanmak için bu projenin iş birliği yürüttüğü PRIME projesinin token’ını stake edebilirsiniz. Ancak üstte yaptığım uyarıları tekrar hatırlatmak isterim. Yanlış bir linke tıklamak varlıklarınızın çalınmasına sebep olabilir bu nedenle çok dikkatli olmalısınız. Ayrıca PRIME tokenomisi de çok iyi görünmüyor bu nedenle satış baskısı ile PROMPT kazanacağım derken PRIME tarafından zarar etme riski de mevcut.
4- Vitalik’in üzerinde ısrarla durduğu ZK teknolojisine dair birkaç proje mevcut. Bu projelerin bir kısmı da EigenLayer ekosisteminde yer alıyor. Örneğin Lagrange, Aligned Layer gibi projeleri incelemek çok faydalı olabilir. Bununla birlikte Succinct, Risc Zero, Nebra gibi projelere de göz atabiliriz.
Bir süredir bu araştırmaları yapıyorum ve bu konular hakkında okuyup düşündükçe detayları anlamak kolaylaşıyor diyebilirim. İlk başta Bittensor’un çalışma yapısını anlamak (Yuma consensus, madenciler, onaylayıcılar, subnetler gibi) zor gelmişti ancak çerçeveyi anladıktan sonra proje incelemek de kolaylaşıyor.
Bu hatırlatmayı iki sebeple yaptım: Birincisi, bu yazıda çok fazla proje isminden bahsettim ve bu nedenle gözünüz korkmuş olabilir. Buna gerek yok çünkü bir süre sonra anlaması kolaylaşıyor. İkincisiyse bu sektör giderek büyüyecek ve bize onlarca hatta yüzlerce fırsat verecek.
Makine öğrenmesi sektörünün büyüklüğüne baktığımızda şu anda 40 milyar dolar civarında olduğunu görüyoruz. Bu değer 2030 yılında sekiz katına çıkmış olacak. Bu kadar hızlı büyüyecek bu sektörün içerisinde yer almak, araştırmalar yapmak hem hayatımızı kolaylaştıracak yetenekleri bize kazandırabilir hem de doğru yatırımcıları yapmak adına bize yardımcı olabilir.
Portföyümde Near, Render, Akash, Arweave, Fetch.ai gibi projelerin tokenlarını tutuyorum. Veri (toplama, saklama, alım satım), yapay zeka asistanı (agent) ve ZK projelerini tarayarak iki-üç projeyi daha portföyüme eklemeyi düşünüyorum. Araştırma ve filtreleme sürecimi sizinle paylaşmak istedim. Ancak bunlar yatırım tavsiyesi değildir. Kendi araştırmalarınıza göre karar vermenizi rica ederim.
