AI가 암호화폐 세계에서 살아남을 수 있을까요?

저자: 차오 왕 출처: 푸처 모한자 번역: 샨 오바, 골든 파이낸스

과학과 기술의 역사에서 주요 혁신은 종종 독립적으로 발생하여 혁명을 촉발시켰습니다. 하지만 두 가지 강력한 기술이 융합하면 그 시너지가 놀라운 발전을 촉진할 수 있습니다. 오늘날 우리는 그러한 기로에 서 있습니다. 그 자체로 혁신적인 인공지능과 암호화폐가 힘을 합치고 있습니다.

우리는 수많은 AI 과제를 해결할 암호화폐 솔루션, 자율 경제 네트워크를 구축하여 암호화폐 채택을 가속화할 AI 에이전트, 기존 암호화폐 기술의 진화를 주도할 AI를 구상하고 있습니다. 많은 사람들이 이 교차점에 주목하고 있으며, 이러한 유행어에 대한 열기에 힘입어 막대한 자금이 유입되고 있습니다.

그러나 이 모든 흥분 속에서도 우리는 기본에 대해 아는 것이 훨씬 적습니다. AI는 실제로 암호화를 얼마나 잘 이해하고 있을까요? LLM 기반 에이전트는 실제로 암호화 도구를 사용할 수 있을까요? 다양한 모델이 암호화 작업에서 어떻게 작동할까요? 이러한 질문에 대한 답은 이 떠오르는 분야의 제품과 기술의 방향을 안내하는 데 매우 중요합니다.

그러나 우리는 아직 모릅니다.

실험

이러한 근본적인 질문에 대한 답변으로 주요 상용 및 오픈 소스 모델을 포함한 18개의 대규모 언어 모델을 평가하는 실험적 평가를 실시했습니다.

폐쇄 소스 모델: GPT-4o, GPT-4o Mini, Claude 3.5 Sonnet, Gemini 1.5 Pro, Grok2 베타(현재 비공개 소스)

오픈 소스 모델: Llama 3.1 8B/70B/405B, Mistral Nemo 12B, DeepSeek-coder-v2, Nous-hermes2, Phi3 3.8B /14B, Gemma2 9B/27B, Command-R, Qwen2-math-72, MathΣtral

이 연구의 목적은 AI 암호화 애플리케이션의 최신 기술을 평가하고 AI와 암호화를 통합할 때의 잠재력과 과제를 평가하기 위한 것입니다. 이 연구는 아직 초기 단계이므로 구체적인 결과 데이터보다는 주요 인사이트에 초점을 맞추고 있습니다.

실험 결과, AI 모델은 암호화폐의 기초를 포괄적으로 이해하고 있으며 암호화폐 생태계에 대한 폭넓은 친숙함을 보여주었습니다. 또한 모델은 다양한 기본 지갑 작업을 수행하는 데 필요한 지식에 능숙함을 보여주었습니다. 적절한 안내를 받으면 크게 향상되었을 뿐만 아니라 지시에 따라 복잡한 분석과 작업을 수행할 수 있는 능력도 보여주었습니다. 이러한 연구 결과를 종합해 볼 때, 암호화폐와 관련된 다양한 분야에서 인공지능 앱 개발이 실현 가능성이 있음을 시사합니다.

그러나 이 연구에서는 몇 가지 주요 한계도 확인했습니다. 특히 암호화폐 관련 계산에서 이러한 모델에 대한 이론적 지식과 이를 적용하는 실제 기술 사이에는 큰 격차가 존재합니다. 간단한 스마트 컨트랙트를 생성할 수는 있지만, 더 복잡한 프로토콜의 복잡한 취약점을 식별하는 데는 어려움이 있습니다. 또한, 이러한 모델은 클라우드 기반 AI 시스템에서 개인 키를 안전하게 관리해야 하는 근본적인 문제를 해결하지 못합니다.

심층 분석

1. 수학적 격차: 가장 주목할 만한 결과 가장 주목할 만한 결과 중 하나는 AI 모델이 일반적으로 암호화와 관련된 연산을 처리하는 데 어려움을 겪고 있다는 것입니다. 복잡한 암호화뿐만 아니라 AMM 슬리피지 계산이나 채굴 수익성 계산과 같은 기본적인 연산도 어렵습니다. 그러나 대규모 언어 모델은 수학적 계산을 위해 설계되지 않았다는 점에 유의해야 합니다. 이러한 한계는 미리 정의된 코드를 로드하여 LLM의 직접 계산을 우회함으로써 효율성과 정확성을 향상시킴으로써 해결할 수 있습니다. 이 접근 방식은 인간이 일반적으로 복잡한 계산을 처리할 때 특수한 도구나 미리 정의된 공식에 의존하는 방식과 유사합니다.

2. 보안 딜레마: AI 모델은 암호화 보안 원칙을 잘 이해하고 있지만, AI를 사용하여 보안 시스템을 구현하는 현실은 여전히 문제가 되고 있습니다. 많은 AI 시스템에서 클라우드 기반 처리의 필요성은 탈중앙화되고 신뢰가 필요 없는 암호화폐의 본질적인 특성과 충돌을 일으킵니다. 이 문제를 해결하려면 TEE, HSM과 같은 타사 서비스와 더욱 혁신적인 신기술이 필요합니다.

3. 스마트 계약: 기능보다 형식: AI 모델은 스마트 계약을 이해하고 그 기능을 설명하는 데 놀라운 능력을 보여줬습니다. 일반적인 취약점과 최적화 지점을 해결하기 위해 계약을 효과적으로 수정할 수 있으며, 간단한 시나리오에 대한 계약을 자율적으로 생성할 수도 있습니다. 그러나 복잡한 비즈니스 로직에 깊이 내재된 취약점의 경우 모든 모델이 이를 인식하지 못합니다. 이는 스마트 계약에 대한 모델의 이해가 피상적인 수준에 머물러 있으며, 기본 비즈니스 로직의 복잡성을 파악하기보다는 형식에 초점을 맞추고 있음을 시사합니다. AI는 계약 상호 작용과 기본 생성에 탁월하지만, 복잡한 스마트 계약 시스템의 보안과 효율성을 보장하는 데는 여전히 인간의 전문성이 중요하다는 것은 분명합니다.

4. 오픈소스의 과제: 최고의 폐쇄형 모델과 대부분의 오픈소스 대안 간의 큰 성능 격차는 암호화폐에서 AI의 미래에 대한 중요한 의문을 제기합니다. 개방성과 탈중앙화에 대한 암호화폐 커뮤니티의 강조를 고려할 때, 이러한 격차를 해소하는 것은 광범위한 채택을 위해 매우 중요합니다.

5. 견고한 기반과 잠재력: 어려움에도 불구하고 이 모델들은 암호화폐의 기본에 대한 깊은 이해와 암호화폐 생태계에 대한 친숙함을 보여줍니다. 올바른 단서를 제공하면 훨씬 더 뛰어난 능력을 발휘할 수 있습니다. 이는 블록체인 아키텍처, 합의 메커니즘, 토큰 경제학 등의 개념에 대한 인상적인 이해를 보여주는 모델들을 통해 암호화폐에서 AI의 탄탄한 토대가 마련되었음을 시사합니다. 부트스트랩 힌트의 상당한 개선은 현재의 AI 모델이 완벽하지는 않지만, 시장 분석에서 프로토콜 설계 평가에 이르기까지 많은 암호화폐 관련 작업에서 이미 가치 있는 통찰력과 지원을 제공할 수 있음을 시사합니다.

앞으로: 암호화폐 AI 벤치마크의 필요성

실험이 진행되면서, 시급한 필요성이 분명해졌습니다: 암호화폐 분야에는 표준화된 AI 벤치마크가 필요하다는 것입니다. 이미지넷이 컴퓨터 비전 AI에 혁명을 일으켰던 것처럼, 암호화폐에 특화된 벤치마크는 이 기술의 융합을 빠르게 발전시킬 수 있습니다.

AI와 암호화폐의 교차점이 큰 잠재력을 가지고 있고 AI가 암호화폐의 광범위한 채택을 촉진할 것으로 예상한다면, 암호화폐에 특화된 벤치마크를 구축하는 것이 필수적입니다. 이러한 벤치마크는 AI와 암호화폐 영역 사이의 중요한 가교 역할을 하여 혁신을 촉진하고 향후 애플리케이션에 대한 명확한 지침을 제공할 수 있습니다. 이러한 노력은 단순한 기술 연습이 아니라 이 새로운 디지털 영역을 이해하고 형성하는 방법에 대한 심오한 성찰입니다.

그러나 이러한 벤치마크를 만드는 것은 쉬운 일이 아닙니다. 암호화의 빠른 진화, 여전히 진화 중인 지식 기반, 여러 핵심 방향에 대한 합의 부족, 암호화, 분산 시스템, 경제학 등을 아우르는 이 분야의 학제 간 특성으로 인해 단일 분야보다 훨씬 복잡하다는 점, 이론적 지식뿐만 아니라 암호화를 활용하는 AI의 실제 능력도 평가해야 하므로 새로운 평가 프레임워크 설계가 필요하다는 점 등 몇 가지 중요한 과제에 직면해 있습니다. 프레임워크; 벤치마킹 작업이 DeFi, NFT, DAO 및 기타 신흥 암호화폐 영역의 실제 애플리케이션과 관련성을 유지해야 한다는 점, 그리고 관련 데이터 세트의 부족으로 인해 더욱 어려워진 문제입니다.

이러한 과제의 규모와 복잡성을 고려할 때, 이는 혼자서 해결할 수 있는 문제가 아니라는 것이 분명합니다. 문제의 다면적인 특성으로 인해 다양한 전문 지식과 관점이 필요합니다. 암호화폐와 인공지능 커뮤니티의 공동 노력이 필요합니다. 이러한 집단 지성을 통해서만 이 새로운 기술 영역에서 무엇이 정말 중요한지 파악하고 암호화폐 영역에서 AI의 복잡성과 잠재력을 정확하게 반영하는 벤치마크를 만들 수 있을 것입니다.

현재 상태 및 다음 단계

현재 연구 프레임워크는 몇 가지 주요 구성 요소로 이루어져 있습니다."

1. 약 700개의 객관식 질문으로 구성된 MVP 데이터 세트는 AI와 인간이 공동으로 생성하고 이후 인간 전문가가 검증 및 개선했습니다. 품질 제한에도 불구하고 이 데이터 세트는 모델의 신속한 자동 테스트를 가능하게 하고, 개념적 이해를 입증하며, 기본적인 채점 메커니즘을 제공합니다.

2. 시뮬레이션, 계산, 코드 감사, 도구 사용 등의 시나리오를 다루는 약 100개의 복잡한 작업 모음으로 계속 늘어나고 있습니다. 이러한 과제는 암호화 분야의 여러 전문가가 참여하여 평가에 깊이와 현실감을 더합니다.

효과적인 벤치마크를 수립하려면 데이터 세트를 대폭 확장하고 더 많은 분야 전문가를 참여시켜야 합니다. 이러한 복잡한 작업을 위한 적절한 자동화된 평가 프레임워크를 개발하는 것도 해결해야 할 핵심 과제입니다.

또한 LLM이 미래의 실제 업무 과제를 해결하기 위해서는 기본 에이전트 프레임워크를 구현하는 것이 중요합니다. 이 프레임워크는 보다 현실적인 테스트 환경을 제공하여 이론적 지식과 실제 적용 사이의 간극을 메워줄 것입니다.

테스트 사례의 복잡성을 높이고 전체 데이터 세트를 확장하는 데 중점을 두고 방법론이 지속적으로 개선되고 있습니다. 개방형 협업의 정신에 따라 모든 관련 리소스는 곧 GitHub에서 제공될 예정이며, 이를 통해 진전을 가속화하고 더 많은 커뮤니티의 참여를 유도할 계획입니다.

이 연구는 아직 초기 단계에 있다는 점에 주목할 필요가 있습니다. 이번 연구 결과는 빠르게 진화하는 AI와 암호화폐 분야에서 확정적인 결론이라기보다는 예비적인 관찰 결과이자 추가 연구를 위한 출발점으로 보아야 합니다. 이 프로젝트는 보다 포괄적이고 견고한 평가 프레임워크를 구축하기 위해 더 많은 암호화폐 커뮤니티의 기여를 환영합니다.