OpenAI 4o, AI + 블록체인에 대한 채팅 출시

저자: B 출처: X, @bonnazhu 

최근 출시된 OpenAI 4o 버전을 활용하여 AI + 블록체인을 조금 살펴봤습니다.

OpenAI가 주도하는 생성형 AI 물결은 데이터, 스토리지, 컴퓨팅의 세 가지 부문의 발전을 스스로 견인하고 있습니다. 이후 향후 10년 또는 수십 년 동안 AI가 가장 중요한 고객이 되어 AI를 서비스하고, 다양한 다운스트림 산업 고객과 애플리케이션에 서비스를 제공하는 AI 체인이 점차 형성되면서 AI는 가장 중요한 중간 계층이자 엔진이 되었습니다.

첫째, AI가 업스트림 인프라 수요를 주도한다:

이 부문은 물리학에 편향되어 있으며, AI의 훈련 및 결과 출력은 많은 산술 능력, 전력 및 전력 소비를 필요로 한다. 칩의 성능은 효율성과 에너지 소비의 핵심이므로 NVIDIA 및 AMD와 같은 칩 설계 회사, TSMC 및 삼성과 같은 파운드리, 클라우드 및 데이터 센터 사업을 하는 Google, Microsoft 및 Amazon과 같은 거대 기술 기업이 이번 라운드에서 가장 큰 가치를 창출할 것으로 예상됩니다.

그러나 블록체인의 용도가 없는 것은 아닙니다. 현재 연산 능력의 독점은 매우 명백하고 고성능 GPU를 찾기가 어렵거나 클라우드 컴퓨팅 공급업체에서 관련 서비스를 받으려면 높은 프리미엄을 지불해야 하며 지정학, 칩 금지 및 기타 이유로 인해 지리적 분포에서 연산 능력의 분포도 집중을 보일 수 있습니다. 이러한 불균형으로 인한 수요 파급 효과로 인해 탈중앙화 컴퓨팅은 AI의 물결에서 실질적인 혜택을 누릴 수 있는 블록체인 분야 중 하나가 되었습니다. 이 분야에는 수많은 프로젝트가 있으며, 새로운 프로젝트가 끊임없이 등장하고 있으며, @akashnet_ @rendernetwork @gensynai @NodeAIETH @exa_bits @ionet @fluence_와 같은 경쟁이 치열할 것으로 예상됩니다. project @gpunet @nosana_ai  등이 있습니다.

그러나 블록체인 네트워크 자체의 성능 한계와 머신러닝의 엄청난 연산량 사이의 모순으로 인해 복잡한 딥러닝을 오프체인에서 수행한 후 그 결과를 체인으로 전송하는 것이 불가피합니다. 연산 제공자가 필요에 따라 학습 작업을 수행했는지 확인하는 방법은 어려운 작업이며, 계산을 위해서는 데이터와 모델에 대한 호출이 필요하며, 잠재적인 개인정보 노출 문제가 발생할 수 있습니다. 이 지점에서 영지식 증명(ZK)의 위력이 드러납니다. 현재 개발자가 AI 모델을 배포하고 머신 러닝의 검증을 위한 AI 학습 및 추론 프로세스에 ZK를 사용할 수 있도록 하는 것을 목표로 하는 @bagel_network, @gizatechxyz, @ModulusLabs 등 여러 프로젝트에서 AI용 ZK를 탐색하고 있습니다. 플랫폼인 ZK 머신러닝을 개발하는 데 주력하고 있으며, @ezklxyz는 서비스 AI ZKP 생성기 및 검증기, @Ingo_zk는 ZKP 생성 하드웨어 가속화에 주력하고 있습니다.

또한, 생성 AI와 관련된 에너지 소비(연산과 열 발산 모두)는 상당히 인상적입니다. OpenAI가 GPT-6를 학습시켰을 때 Microsoft의 전력망에 장애를 일으켰다고 합니다. 이후에도 거대 기업들이 AI 데이터 센터를 계속 늘리면서(OpenAI는 마이크로소프트와 함께 스타게이트 스타게이트라는 슈퍼컴퓨터를 구축하기 위해 1000억 달러를 투자할 계획입니다) 에너지 소비는 기하급수적으로 증가할 것입니다. 그러나 네트워크/전력 등의 인프라 구축 주기는 느리고, 예를 들어 토지가 대부분 개인 소유인 미국 같은 국가에서는 그리드 및 관련 인프라를 확장하려면 개인의 동의가 필요합니다. 어떻게 하면 민간 부문이 인프라 확충에 참여할 동기를 부여하고, 민간 부문이 그리드에 대한 의존도와 부담을 줄일 수 있도록 할 것인지가 향후 #디핀의 중요한 이슈가 될 수 있습니다. 물론 전기 외에도 안정적인 대역폭도 AI 요구에 중요한 인프라 중 하나이며, 대부분의 데이터 센터는 전기가 풍부하고 네트워크 대역폭 자원이 반드시 풍부하지 않은 장소에 더 가까운 ISP (인터넷 서비스 제공 업체)에 구축되는 경향이 있습니다. 이러한 미스매치 문제를 해결하기 위해 <#DePin>을 활용하는 방법도 앞으로 나아가야 할 방향입니다.

2) 데이터: 데이터 수집, 데이터 라벨링/처리, 데이터 거래/인증 포함.

데이터는 AI의 '식량'이지만, 대부분의 머신러닝 모델은 가공된 정형 데이터만 사용할 수 있습니다. 현재 머신러닝에 사용되는 데이터는 다양한 출처에서 제공되며, 대부분 비정형이고 퍼블릭 도메인에 분산되어 있어 수집하고 처리하는 데 많은 시간과 노력이 필요합니다. 이것은 실제로 노동 집약적 인 고된 일이지만 블록 체인과 토큰 이코노미는 현재이 데이터 수집, 처리 하청 사업을 주로 @getgrass_io & nbsp;@PublicAI & nbsp;@AITProtocol & nbsp;이 몇 가지로 매우 잘 잘라낼 수 있습니다.

또한 공개적으로 크롤링할 수 있는 데이터는 전 세계 데이터의 빙산의 일각에 불과하며, 실제로 많은 양의 데이터가 민간 조직이나 개인 사용자의 손에 있으며 호출이 가능한 공개 API를 보유한 일부 기업을 제외한 대부분의 데이터는 비활성 상태로 남아 있습니다. 어떻게 하면 더 많은 데이터 소유자가 개인정보 보호와 함께 자신의 데이터에 기여하고 권한을 부여할 수 있을지가 핵심 방향입니다. 한때 탈중앙화된 데이터 거래를 하는 플랫폼이 많았지만, 데이터 수요를 가진 당사자를 찾는 데 어려움을 겪으면서 몇 차례의 큰 파도가 지나고 나면 기본적으로 사라지고, <오션 프로토콜>과 같은 소수만이 살아남아 AI의 봄과 함께 데이터 사용자가 직접 데이터에 접근할 수 있도록 하는 독특한 컴퓨트-투-데이터 모델을 선보였습니다. 데이터 사용자가 데이터를 노출하지 않고 데이터 공유자의 데이터 세트에서 직접 계산할 수 있는 컴퓨트 투 데이터 모델은 이러한 개인정보 보호 문제를 적절히 해결합니다.

3) 스토리지: 데이터베이스, 데이터 백업/저장 포함

딥러닝 모델은 주로 데이터베이스나 데이터 스토리지 백업 시스템에서 검색된 데이터로 학습 및 추론됩니다. 데이터 스토리지 백업 시스템. 데이터베이스와 백업/저장 시스템을 '냉장고'라고 생각할 수 있지만, 두 시스템은 동일하지 않습니다. 전자는 관리에 중점을 두고 잦은 읽기 및 쓰기, 복잡한 쿼리(예: SQL) 및 검색을 지원해야 하는 반면, 후자는 대규모의 장기 백업 및 보관에 중점을 두고 개인정보 보호, 보안 및 변조 가능성을 보장해야 합니다. 후자는 비공개적이고 안전하며 변조할 수 없는 대규모의 장기 백업 및 아카이브에 중점을 둡니다.

데이터베이스와 스토리지는 서로 보완하며 함께 작동하여 AI 딥러닝을 지원합니다. 일반적인 시나리오는 데이터베이스에서 데이터를 추출하여 사전 처리 및 정리한 후 모델 학습에 적합한 형식으로 변환하고, 처리된 데이터는 분산형 스토리지에 저장하는 것입니다. 스토리지에 저장하여 데이터 보안을 보장합니다. 모델 학습 단계에서는 모델 학습을 위해 탈중앙화 스토리지에서 학습 데이터를 읽어오고, 학습 과정에서 생성된 중간 데이터와 모델 파라미터는 데이터베이스에 저장하여 빠르게 액세스하고 미세 조정 및 업데이트할 수 있습니다.

이 플레이트는 블록체인의 강점인 @ArweaveEco, @Filecoin, @storj, @Sia__Foundation이 모두 이 트랙에 있으며 심지어 @ dfinity>로 분류할 수도 있지만, 점점 더 많은 사람들이 <@ArweaveEco>가 해당 프로그램의 AI 서비스에 가장 적합하다고 느끼고 있습니다 : 영구 스토리지 모델의 일회성 지불, 많은 데이터베이스 프로젝트의 생태계와 보완으로 결합 된 것, 그리고 AO 계산 네트워크의 병렬 아키텍처의 새로운 릴리스, 딥 러닝에 완벽하게 맞는 멀티 스레드 작업을 지원하여 머신 러닝 배포를 지원하는 데 매우 적합합니다.

둘째, AI 성능이 다운스트림 애플리케이션의 상한선을 결정합니다:

산업 및 농업(2B)에 AI가 어느 정도 적용되었지만, 이번 라운드에서 우리가 목격한 혁신은 주로 2C에서 이루어졌으며, 이는 2C 애플리케이션용 대규모 언어 모델링을 기반으로 한 것입니다. (LLM)을 기반으로 하는 2C 애플리케이션에서 주로 이루어졌습니다. 이러한 애플리케이션은 크게 두 가지 범주로 나눌 수 있습니다.

첫 번째 범주는 사용자의 명령에 따라 결과를 생성하는 AIGC 플랫폼과 같이 LLM을 시각화한 것에 불과하지만, 이러한 애플리케이션의 성능은 주로 사용되는 AI 모델에 따라 달라지며, 이는 대부분 대기업이 독점하고 있습니다. 그 결과 애플리케이션 간의 차이가 작고 해자가 상대적으로 좁은 경향이 있으며, 또 다른 범주는 검색 엔진, 게임 등의 AI 기능을 강화하는 등 기존 제품의 기능과 사용자 경험을 향상시키기 위해 AI 모델을 사용하는 것입니다."

또한, 생성형 AI 물결은 새로운 애플리케이션 생태계, 즉 사용자 의도에 따라 독립적으로 작업을 수행하고 의사 결정을 내릴 수 있는 지능형 로봇인 AI 에이전트를 탄생시켰습니다.AI 에이전트의 본질은 LLM 모델을 기반으로 보다 정교한 실행 및 처리 로직을 추가하여 을 추가하여 다양한 애플리케이션 시나리오를 지원할 수 있도록 하는 것입니다. 사실 이런 종류의 에이전트의 프로토타입은 탈중앙화 금융 대출 프로토콜의 청산 봇이나 탈중앙화 거래 플랫폼의 차익거래 봇과 같이 암호화폐 분야에서 이미 존재해 왔습니다. 이러한 디파이 봇은 스마트 봇의 일부 특성을 가지고 있지만, 순전히 온체인에 있고 오프체인 동작을 지원하지 않으며 스마트 콘트랙트를 기반으로 하기 때문에 활성화하려면 외부 트리거가 필요합니다.

AI가 없는 경우, 외부 키퍼 네트워크를 통해 체인과 체인을 개방하는 것이 현재이며, 예를 들어 가격 예언 머신이 대표적인 예이며 <@thekeep3r>도 그 예입니다. 그리고 AI 에이전트의 출현은 새로운 사고 방식, 즉 지능형 로봇 자체와 자동화에 의해 수행 될 수있는 새로운 사고 방식을 제공합니다. AI 에이전트 주제를 주로 다루는 체인: @autonolas @MorpheusAIs  및 기타 보다 일반적인 AI 에이전트 주제는 @chainml_ @Fetch_ai  및 동반자, 인간-컴퓨터 상호 작용에 초점을 맞춘 AI 에이전트는 @mysyself @myself; 및 기타 보다 일반적인 AI 에이전트 주제는 @chainml_ @fetch_ai  및 동반자, 인간-컴퓨터 상호작용에 중점을 둔 AI 에이전트가 있습니다. myshell_ai @virtuals_io @The_Delysium을 가지며, 이 에이전트 클래스는 의인화가 특징이고 감정적 가치를 제공하며 다양한 게임과 메타 유니버스에 사용될 수 있는 상상력의 공간을 가지고 있습니다.

세번째, 마지막에 쓴 글:

AI는 사실 내러티브의 융합, 그 출현, 원래의 고립, 여러 암호판의 초기에도 함께 적합한 시장을 찾지 못했습니다. AI는 여전히 대규모 인프라 투자, 데이터, 스토리지, 컴퓨팅, 업스트림 부문의 범주가 가장 직접적인 지속적인 수혜자이며 AI 개발에 더 민감하며 확실성도 더 높습니다.

그러나 이 업계의 투자자들에게 위험은 대부분의 배당금이 암호화폐 시장에 있지 않을 수 있으며, 현재 암호화폐 시장의 AI 효과는 여전히 파급 효과로 인한 전통적인 시장 수급 불균형에서 비롯된 것이거나 순수한 투기라는 것입니다. 성능 천장으로 인한 다운 스트림 응용 프로그램은 AI 모델에 따라 다르며 AI 모델은 여전히 지속적인 반복 과정에 있으며 AI와 제품의 조합은 여전히 탐색 중이며 시장 적합성은 여전히 검증되어야하므로 변수의 미래의 다운 스트림 응용 프로그램은 여전히 상대적으로 크며 확실성은 업스트림 부문만큼 높지 않습니다.

물론 @bittensor_, @ritualnet과 같은 프로젝트가 있는데, 저는 이를 AI 생태 플랫폼이라고 불러야 한다고 생각합니다. 이들은 단순히 업스트림 또는 다운스트림의 특정 비즈니스에 초점을 맞추는 것이 아니라, 업스트림 및 다운스트림 비즈니스의 다양한 공급자가 플랫폼 또는 체인에 액세스하고 배포하여 소위 AI 협업을 달성할 수 있도록 설계된 아키텍처와 경제 메커니즘을 통해 이루어집니다. 이러한 프로젝트는 야심찬 비전을 가지고 있지만, 현재 업스트림과 다운스트림 블록체인 AI가 직면하고 있는 동일한 수요 포착 문제를 더 높은 가치로 반영할 것입니다. 그러나 이러한 플랫폼에 베팅하는 것은 특정 프로젝트에 베팅하는 것보다 상대적으로 덜 위험할 것입니다.

단기적으로 블록체인이 AI 배당으로 인한 혜택을 계속 누릴 수 있을지는 업스트림 부문의 수급 불균형, 특히 공급 부족 상황이 지속되는지에 따라 달라질 수 있습니다. 그러나 중장기적으로 블록체인의 검증 가능성, 불변성 및 토큰 인센티브는 실제로 영지식 증명이 주요 자산인 AI에 새로운 가능성을 가져올 수 있으며, 이는 개인 정보를 보호하고 신뢰할 수 있는 검증을 가능하게 하며 성능 한계에 직면한 AI 딥러닝 서비스를 위한 블록체인의 높은 연산 수요 문제를 완벽하게 해결해줄 수 있습니다.