분산형 AI의 위험, 과제 및 향후 방향성

소개

탈중앙화 AI는 많은 장점에도 불구하고 여러 가지 위험과 도전에 직면해 있습니다. 이 시리즈의 세 번째 글에서는 이러한 도전과제를 분석하고 탈중앙화 AI의 미래 방향을 살펴봅니다.

이 방향에 관심이 있는 기업가 및 프로젝트 소유자의 문의도 환영합니다.

AI 에이전트를 위한 기회

AI 에이전트는 빅 모델의 자연스러운 진화이며, 메모리 메커니즘, 작업 분해 및 계획 기능을 도입하여 환경을 인식하고 자율적으로 의사 결정을 내리고 복잡한 작업을 수행할 수 있습니다.

기존의 매크로 모델은 텍스트를 생성하고 문제를 해결할 수는 있지만, 아직 완전한 작업 계획 및 실행 기능을 갖추지 못했습니다.AI 에이전트는 이러한 격차를 메우고 복잡한 작업에서 AI의 성능을 향상시킵니다.

인공지능이 핵에너지라면. 그렇다면 소수의 손에 달려 있어서는 안 됩니다. 탈중앙화된 AI 에이전트는 블록체인과 암호화를 통해 AI 기술의 공정성과 투명성을 보장할 것입니다.

미래의 에이전트 사회에서는 기존 중앙집중형 AI 시스템이 직면한 문제를 해결하기 위해 분산형 AI가 피할 수 없는 흐름이 될 것입니다.

데이터 라벨링의 개발 기회:

데이터 준비에는 데이터 수집, 정제, 라벨링 및 향상이 포함되며, AI의 필요성은 다음과 같습니다. 데이터의 다양한 요구로 인해 고정밀 및 고도로 맞춤화된 데이터 주석에 대한 의존도가 높아졌고, 데이터 주석 작업의 긴 작업 주기와 높은 인건비는 AI 산업의 발전을 제한해 왔습니다.

Web3는 데이터 기여에 따른 혜택을 누릴 수 있는 경제적 인센티브를 통해 전 세계 모든 지역의 수많은 AI 데이터 수집 및 주석 작업자에게 다가갈 수 있습니다.

사례: 데이터 마켓플레이스 해양 프로토콜

운영 메커니즘

- 제공업체: 데이터 제공업체는 자체 데이터 패스를 발급하고 판매하여 수익을 창출할 수 있습니다.

- 소비자: 데이터 공급자는 액세스 권한을 얻는 데 필요한 데이터 패스를 구매하거나 획득할 수 있습니다.

- 마켓플레이스: 오션 프로토콜 또는 제3자가 제공하는 데이터 거래를 위한 개방적이고 투명하며 공정한 마켓플레이스로, 전 세계 공급자와 소비자를 연결하고 다양한 서비스를 제공합니다. 공급자와 소비자를 전 세계적으로 연결하고 다양한 유형과 도메인의 데이터 패스를 제공합니다.

- 네트워크: 오션 프로토콜에서 제공하는 탈중앙화된 네트워크 계층을 의미합니다.

- 큐레이터: 생태계에서 소스, 콘텐츠, 형식, 라이선스에 대한 데이터 세트를 필터링, 관리, 감사하여 데이터 세트가 표준을 충족하고 데이터 세트가 표준을 충족하고 다른 사용자들이 신뢰하고 사용할 수 있도록 보장하는 역할을 말합니다.

- Verifier: 데이터 트랜잭션과 데이터 서비스를 검증하고 감사하는 에코시스템의 역할입니다.

요약: AI 에이전트와 분산형 데이터 라벨링은 Decentralized Data Labelling으로 현재 DeAI의 가장 인기 있는 두 가지 방향이며, 많은 스타트업 팀들이 이 분야에서 개발 중입니다.

탈중앙화 AI의 위험과 도전

• Web3가 < span lang="EN-US">AI 권한 부여 제한: Web3 암호화폐 사용자의 수가 제한되어 있기 때문에 경제적 인센티브의 반경이 더 작습니다. 이는 더 많은 사용자 참여와 수용을 필요로 하는 탈중앙화된 AI의 빠른 발전을 제한합니다.

• 영지식 증명 기술의 도전 과제: 양자화 정확도, 하드웨어 요구 사항 및 적대적 공격 문제. 영지식 증명 기술(ZKP)은 모델 검증 가능성을 달성하는 데 장기적으로 중요하지만 여전히 기술적 어려움과 구현 과제에 직면해 있습니다.

• 비용 우위의 매력: 시장에서 연산 자원의 공급이 완화되면 탈중앙화된 연산 네트워크의 가치와 비용 우위는 약화될 것입니다. 이를 위해서는 탈중앙화된 AI가 지속적으로 효율성을 개선하고 비용을 절감하여 경쟁력을 유지해야 합니다.

• 암호화와 결합된 AI의 효율성 및 비용 문제: 영지식 증명 기법 또는 완전 동형 암호화의 사용 (FHE) 기술을 사용하여 개인정보 연산 작업을 수행하는 것은 일반 텍스트 실행보다 훨씬 효율성이 떨어집니다. AI 연산에 대한 수요가 높기 때문에 암호화를 추가하면 비용이 더욱 증가하고 실제로 구현하기 어려울 수 있습니다.

• AI의 심층 페이크 문제: AI 모델 학습 심각한 커뮤니케이션 병목 현상. 모델 파라미터와 기울기 정보를 자주 교환하면 네트워크 대역폭이 많이 소모되고 통신 오버헤드가 높아집니다. 또한 각 노드의 동기화 문제도 학습 결과에 영향을 미쳐 잦은 데이터 확인과 동기화 작업이 필요합니다.

• AI의 인기로 인해 심층적인 페이크의 위험성이 높아졌습니다. Web3와 AI가 교차 구동되는 시나리오에서는 AI 위조 위험으로부터 보호해야 할 필요가 있습니다.

분산형 AI 향후 방향

모델 계층: With AI 에이전트가 더 널리 보급되고, 향후 사용자들은AI Agent에 의존하여 작업을 지원하고 모델 계층과 애플리케이션 계층을 연결하는 핵심이 될 것입니다. 다양한 모델 플랫폼이 점차 형성되고, 대형 모델의 비용이 감소하고 있으며, '다크호스' 애플리케이션이 나오기까지는 여전히 시간이 걸립니다.

트레이닝 계층: 분산형 트레이닝AI 모델을 구현할 가능성은 존재하지만, 훈련 계층은 추론 요구가 훈련 요구보다 훨씬 크기 때문에 중앙 집중식 산술에 더 많이 의존하게 됩니다.

산술 계층: 분산형 산술은 GPU 사용 비용을 효과적으로 줄여주며, 엔터프라이즈급 GPU는현재 요구 사항을 충족합니다. >는 현재 연산 요구 사항을 충족합니다. 향후 엔드사이드 모델이 실현되면 소비자용 GPU를 위한 자리가 마련될 것입니다.

데이터 계층: 공공 데이터는 점점 더 접근하기 어려워지고 있으며, 분산형 데이터 수집 및 데이터 주석은 향후 AI 모델을 위한 데이터 소싱 및 처리의 중요한 방법이 될 것입니다. 소싱 및 처리.

결론

새로운 기술 트렌드인 분산형 AI는 발전 가능성이 매우 높지만, 그 길에는 여러 가지 도전 과제가 있습니다. 도전과제로 가득하지만 발전 가능성은 매우 큽니다. 기술이 계속 발전하고 시장이 성숙함에 따라 탈중앙화된 AI는 앞으로 더욱 큰 역할을 할 것으로 예상됩니다. 우리는 이러한 과제에 계속 집중하고 탈중앙화된 AI의 발전을 촉진할 수 있는 혁신적인 솔루션을 찾아야 합니다. 이 과정에서 모델, 학습, 데이터, 연산 등 네 가지 수준 모두에서 분산형 AI가 자리 잡을 수 있으며, 특히 DeAI가 가장 가시적이고 가치를 창출하는 방향 중 하나라고 믿습니다.