IOSG ｜ 웹3 전용 AI 매핑

언뜻 보기에 인공지능과 웹3은 근본적으로 다른 원리에 기반하고 서로 다른 기능을 제공하는 별개의 기술인 것처럼 보입니다. 하지만 자세히 살펴보면 이 두 기술이 서로의 장단점을 보완하고 균형을 맞출 수 있는 기회가 있으며, 서로의 고유한 강점이 서로를 보완하고 향상시킬 수 있다는 것을 알 수 있습니다. Balaji Srinivasan은 SuperAI에서 이러한 상호 보완 기능에 대한 개념을 설득력 있게 설명하면서 이러한 기술이 어떻게 상호 작용할 수 있는지 자세히 비교했습니다.

Token은 상향식 접근 방식을 취합니다. 익명 사이버펑크의 탈중앙화 노력은 전 세계 여러 독립 단체의 협업을 통해 10년 넘게 발전해 왔습니다. 이와는 대조적으로 AI는 소수의 거대 기술 기업이 주도하는 하향식 접근 방식을 통해 개발되었습니다. 이러한 기업들은 업계의 속도와 역동성을 좌우하며, 진입 장벽은 기술적 복잡성보다는 리소스 집약도에 의해 결정됩니다.

두 기술은 성격도 매우 다릅니다. 기본적으로 토큰은 해시 함수나 영지식 예측 증명과 같이 불변의 결과를 생성하는 결정론적 시스템입니다. 이는 확률적이고 종종 예측할 수 없는 AI의 특성과는 대조적입니다.

비슷하게, 암호화폐는 거래의 진위 여부와 보안을 보장하고 신뢰할 수 없는 프로세스와 시스템을 만드는 검증에 탁월한 반면, AI는 생성에 집중하여 풍부한 디지털 콘텐츠를 생성합니다. 풍부한 디지털 콘텐츠를 생성하는 데 중점을 둡니다. 그러나 디지털 콘텐츠를 풍부하게 만드는 과정에서 콘텐츠 출처를 보장하고 신원 도용을 방지하는 것은 어려운 과제입니다.

다행히도 토큰은 디지털 풍요의 개념과 반대되는 개념인 디지털 희소성을 제공합니다. 콘텐츠 소스의 신뢰성을 보장하고 신원 도용 문제를 방지하기 위해 AI 기술로 확장할 수 있는 비교적 정교한 도구를 제공합니다.

토큰의 중요한 장점 중 하나는 특정 목표를 달성하기 위해 많은 양의 하드웨어와 자본을 조정된 네트워크로 끌어들이는 능력입니다. 이러한 능력은 많은 컴퓨팅 파워를 소비하는 AI에 특히 유용합니다. 활용도가 낮은 자원을 동원하여 더 저렴한 컴퓨팅 파워를 제공하면 AI의 효율성을 크게 향상시킬 수 있습니다.

이 두 기술을 비교하고 대조함으로써 각각의 기여도를 파악할 수 있을 뿐만 아니라 두 기술이 어떻게 함께 기술과 경제의 새로운 길을 개척하고 있는지도 알 수 있습니다. 각 기술은 서로의 단점을 보완하여 보다 통합적이고 혁신적인 미래를 만들어낼 수 있습니다. 이 블로그 게시물에서는 이러한 기술의 교차점에서 새롭게 부상하고 있는 몇 가지 업종을 중심으로 떠오르는 AI x 웹3.0 산업 지도를 살펴보고자 합니다.

출처: IOSG 벤처

2.1 컴퓨팅 네트워크

산업 매핑은 GPU 가용성의 제약 문제를 해결하고 다양한 방식으로 계산 비용을 절감하려는 컴퓨팅 네트워크에 대한 소개로 시작됩니다. 다음 사항에 집중할 가치가 있습니다.

• 비통합 GPU 상호운용성: 이는 매우 야심찬 시도이며 기술적 위험과 불확실성이 매우 높습니다. 높지만, 성공한다면 모든 컴퓨팅 리소스를 상호 교환할 수 있도록 하여 엄청난 규모와 영향력을 가진 결과를 창출할 수 있는 잠재력을 갖게 될 것입니다. 기본적으로 이 아이디어는 공급 측면에서는 모든 하드웨어 리소스를 연결할 수 있는 컴파일러와 기타 전제 조건을 구축하고, 수요 측면에서는 모든 하드웨어의 비균일성을 완전히 추상화하여 컴퓨팅 요청이 네트워크의 모든 리소스로 라우팅될 수 있도록 하는 것입니다. 이 비전이 성공한다면 현재 AI 개발자들이 완전히 장악하고 있는 CUDA 소프트웨어에 대한 의존도를 줄일 수 있을 것입니다. 하지만 기술적 위험이 높고 많은 전문가들이 이 접근법의 실현 가능성에 대해 매우 회의적인 시각을 가지고 있습니다.

• 고성능 GPU 통합: 세계에서 가장 인기 있는 GPU를 분산된 비허가형 네트워크로 통합하여 비균일 GPU 리소스 간의 상호운용성을 걱정할 필요 없이 통합합니다.

• 상품 소비자 GPU 집계: 공급 측면에서 가장 활용도가 낮은 리소스 중 하나인 소비자 기기에서 성능은 낮지만 잠재적으로 사용 가능한 다수의 GPU를 집계하는 것을 가리킵니다. 더 저렴하고 더 긴 훈련 과정을 위해 성능과 속도를 기꺼이 희생할 의향이 있는 사람들을 위한 것입니다.

2.2 훈련 및 추론

컴퓨팅 네트워크는 훈련과 추론이라는 두 가지 주요 기능에 사용됩니다. 이러한 네트워크의 필요성은 웹 2.0과 웹 3.0 프로젝트 모두에서 비롯됩니다. 웹 3.0 영역에서 Bittensor와 같은 프로젝트는 모델 미세 조정을 위해 계산 리소스를 사용합니다. 추론 측면에서 웹 3.0 프로젝트는 프로세스 검증 가능성을 강조합니다. 이러한 초점은 탈중앙화를 유지하면서 AI 추론을 스마트 컨트랙트에 통합하는 방법을 모색하는 프로젝트에서 검증 가능한 추론을 시장 분야로 발전시켰습니다.

2.3 지능형 에이전트 플랫폼

다음은 지능형 에이전트 플랫폼>이며, 매핑은 이를 간략하게 설명합니다. 이 카테고리의 스타트업이 해결해야 하는 핵심 문제:

• 에이전트 상호 운용성 및 검색 및 커뮤니케이션 기능: 에이전트가 서로를 검색하고 커뮤니케이션할 수 있어야 합니다.

• 상담원 클러스터 구축 및 관리 기능: 상담원이 클러스터를 구성하고 다른 상담원을 관리할 수 있습니다.

• AI 에이전트를 위한 소유권 및 마켓플레이스: AI 에이전트를 위한 소유권 및 마켓플레이스를 제공합니다.

이러한 기능은 다양한 블록체인 및 AI 애플리케이션에 원활하게 통합될 수 있는 유연하고 모듈화된 시스템의 중요성을 강조합니다.AI 에이전트는 우리가 인터넷과 상호작용하는 방식을 혁신할 잠재력을 가지고 있으며, 저희는 에이전트가 인프라를 활용하여 운영을 지원하게 될 것이라고 믿습니다. 다음과 같은 방식으로 인프라에 의존하는 AI 에이전트를 구상하고 있습니다.

• 분산 크롤링 네트워크를 사용하여 실시간 웹 데이터에 액세스

• 에이전트 간 결제에 DeFi 채널 사용

• 금융 예치의 필요성은 잘못된 행동 발생 시 불이익을 줄 뿐만 아니라 에이전트 검색 가능성 향상(즉, 검색 과정에서 예치를 금융 신호로 사용)

• 감축으로 이어져야 하는 이벤트를 결정하기 위해 합의 활용

• 개방 상호운용성 표준 및 에이전트 프레임워크를 개방하여 결합 가능한 집합

• 변수 데이터 이력을 기반으로 과거 성능을 평가하고 실시간으로 적절한 에이전트 집합을 선택

• 변수 데이터 이력에 따라 과거 성능을 평가하고 실시간으로 적절한 에이전트 집합을 선택

• . li>

출처: IOSG 벤처

2.4 데이터 레이어

데이터는 AI x 웹3 융합의 핵심 구성 요소입니다. 데이터는 AI 경쟁에서 전략적 자산이며 컴퓨팅 리소스와 함께 핵심 자원을 구성합니다. 그러나 업계의 관심이 대부분 연산 수준에 집중되어 있기 때문에 이 범주가 간과되는 경우가 많습니다. 실제로 프리미티브는 데이터 수집 과정에서 다음과 같은 두 가지 주요한 상위 수준의 방향을 포함하여 많은 흥미로운 가치 방향을 제공합니다.

• 공개 인터넷 데이터에 대한 액세스

. strong>

• 보호된 데이터에 액세스

공개 인터넷 데이터에 액세스: 이 방향은 다음을 목표로 합니다. 며칠 만에 인터넷 전체를 크롤링하여 방대한 데이터 세트를 얻거나 매우 특정한 인터넷 데이터에 실시간으로 액세스할 수 있는 분산 크롤러 네트워크를 구축하는 것입니다. 그러나 인터넷에서 대규모 데이터 세트를 크롤링하기 위한 네트워크 요구 사항은 매우 높아서 의미 있는 작업을 시작하려면 최소 수백 개의 노드가 필요합니다. 다행히도 크롤러 노드의 분산 네트워크인 Grass에는 이미 2백만 개 이상의 노드가 전체 인터넷 크롤링을 목표로 인터넷 대역폭을 네트워크에 적극적으로 공유하고 있습니다. 이는 경제적 인센티브가 가치 있는 자원을 끌어들일 수 있는 큰 잠재력을 보여줍니다.

공개 데이터에 관해서는 Grass가 공평한 경쟁의 장을 마련했지만, 기반 데이터, 즉 독점 데이터 세트에 대한 액세스를 활용해야 하는 과제가 여전히 남아 있습니다. 특히, 민감한 데이터의 특성상 개인정보가 보호되는 방식으로 보관되는 데이터는 여전히 상당량 존재합니다. 많은 스타트업은 AI 개발자가 민감한 정보를 비공개로 유지하면서 독점 데이터 세트의 기본 데이터 구조를 사용하여 대규모 언어 모델을 구축하고 미세 조정할 수 있는 여러 가지 암호화 도구를 활용하고 있습니다.

연합 학습, 차등 개인정보 보호, 신뢰할 수 있는 실행 환경, 완전 동형화 및 다자간 컴퓨팅 기술은 다양한 수준의 개인정보 보호와 절충점을 제공합니다.베이글의 연구 기사(https://blog.bagel.net/p/ with-great-data-comes-great-responsibility-d67)에 이러한 기술에 대한 훌륭한 개요가 요약되어 있습니다. 이러한 기술은 머신 러닝 중에 데이터 프라이버시를 보호할 뿐만 아니라 계산 수준에서 포괄적인 프라이버시 보호 AI 솔루션을 구현할 수 있습니다.

2.5 데이터 및 모델 소싱

데이터 및 모델 소싱 기술은 사용자가 의도한 모델 및 데이터와 상호 작용하고 있음을 보장할 수 있는 프로세스를 구축하는 것을 목표로 합니다. 프로세스. 또한 이러한 기술은 진위 여부와 출처에 대한 보증을 제공합니다. 예를 들어 워터마킹은 모델 출처 증명 기술 중 하나로, 머신러닝 알고리즘, 특히 모델 가중치에 직접 서명을 삽입하여 검색 시 추론이 의도한 모델에서 나온 것인지 확인할 수 있도록 합니다.

2.6 애플리케이션

애플리케이션의 경우, 설계 가능성은 무궁무진합니다. 위의 산업별 레이아웃에는 웹 3.0 영역에서 AI 기술이 적용되면서 특히 유망한 개발 사례를 몇 가지 나열했습니다. 이러한 사용 사례는 대부분 자체적으로 설명되어 있으므로 여기서는 추가적인 설명을 제공하지 않습니다. 그러나 이러한 새로운 원시 언어학은 개발자에게 혁신적인 사용 사례를 만들고 기존 사용 사례를 최적화할 수 있는 더 많은 자유를 제공하므로, AI와 웹 3.0의 교차점은 이 분야의 많은 업종을 재편할 잠재력을 가지고 있다는 점에 주목할 필요가 있습니다.

요약

AI와 Web3의 융합은 혁신과 잠재력을 약속합니다. 각 기술의 고유한 강점을 활용하면 난제를 해결하고 새로운 기술 경로를 개척할 수 있습니다. 이 새로운 산업을 탐구하는 과정에서 AI와 Web3의 시너지는 발전을 촉진하고 디지털 경험의 미래와 웹에서 상호 작용하는 방식을 재구성할 수 있습니다.

디지털 희소성과 디지털 풍요의 융합, 활용도가 낮은 자원을 동원하여 컴퓨팅 효율성을 달성하는 것, 안전하고 개인정보를 보호하는 데이터 관행의 확립이 다음 기술 발전의 시대를 정의할 것입니다.

그러나 업계는 아직 초기 단계에 있으며 현재의 업계 환경은 단기간에 구식이 될 수 있다는 점을 인식하는 것이 중요합니다. 혁신의 속도가 빠르다는 것은 오늘날의 최첨단 솔루션이 곧 새로운 혁신으로 대체될 수 있음을 의미합니다. 그럼에도 불구하고 컴퓨팅 네트워크, 에이전트 플랫폼, 데이터 프로토콜과 같은 기본 개념은 웹 3.0과 결합된 AI의 무한한 가능성을 강조합니다.