Web3 + AI: 커뮤니티 주권을 위한 인공 지능

Jen-Hsun Huang은 두바이에서 열린 WGS에서 연설하면서 "소버린 AI"라는 용어를 만들었습니다. 그렇다면 어떤 소버린 AI가 암호화폐 커뮤니티의 이해와 요구를 충족시킬 수 있을까요?

아마 Web3+AI로 구축되어야 할 것입니다.

비탈릭이 "암호화폐 + AI 애플리케이션의 약속과 도전"에서 AI와 암호화폐에 대해 이야기합니다. 시너지: 암호화폐의 탈중앙화는 AI의 중앙화와 균형을 맞추고, AI는 불투명하지만 암호화폐는 투명성을 제공하며, AI는 데이터가 필요하고 블록체인은 데이터 저장과 추적을 용이하게 합니다. 이러한 시너지 효과는 Web3+AI의 전체 산업을 관통합니다.

대부분의 Web3 + AI 프로젝트는 블록체인 기술을 사용하여 AI 산업을 위한 인프라 프로젝트 구축 문제를 해결하고 있으며, 몇몇 프로젝트는 AI를 사용하여 Web3 애플리케이션의 특정 문제를 해결하고 있습니다.

웹3 + AI 산업의 그림은 크게 다음과 같습니다.

<

AI의 제작 및 워크플로우는 대략 다음과 같습니다 :

이 링크에서 Web3와 AI의 결합은 크게 네 가지 측면에서 반영됩니다.

1. 산술 레이어: 산술 자산화

지난 2년 동안 대규모 AI 모델을 훈련하는 데 사용되는 연산 능력은 기하급수적으로 증가하여 기본적으로 분기마다 두 배씩 증가했으며 무어의 법칙을 훨씬 뛰어넘는 속도로 급격히 성장하고 있습니다. 이러한 상황으로 인해 GPU와 같은 하드웨어 가격이 급격히 상승하면서 AI 연산에 대한 수요와 공급 간의 장기적인 불균형이 발생했고, 이는 결국 연산 비용의 상승으로 이어졌습니다.

그러나 동시에 시장에 유휴 상태의 저가 및 중급 연산 하드웨어도 대량으로 존재하며, 저가 및 중급 하드웨어의 이 부분의 단일 연산 능력으로는 고성능 수요를 충족할 수 없을 가능성이 있습니다. 그러나 Web3 접근 방식을 통해 분산 연산 네트워크에 구축하면 연산 임대 및 공유를 통해 분산 컴퓨팅 리소스 네트워크를 생성하여 많은 AI 애플리케이션의 요구를 충족할 수 있습니다. 분산 유휴 연산을 사용하기 때문에 AI 연산 비용을 크게 절감할 수 있습니다.

산술 계층 분류는 다음과 같습니다:

• 일반 목적 탈중앙화 산술(예: 아카시, Io.net 등), 탈중앙화 연산(예: 아카시, Io.net 등). );

• AI 훈련을 위한 탈중앙화 산술(예: Gensyn, Flock.io 등);

• AI 추론을 위한 탈중앙화 산술( 예: Fetch.ai, Hyperbolic 등);

• 3D 렌더링을 위한 분산형 연산(예: The Render Network 등).

Web3+AI의 산술 자산화, 핵심 장점은 탈중앙화 산술 클래스 프로젝트와 토큰 인센티브가 결합되어 네트워크 규모를 쉽게 확장하고 컴퓨팅 자원의 저렴한 비용으로 비용 효율적이며 중저가 산술 요구를 일부 충족할 수 있다는 점입니다.

2, 데이터 계층: 데이터 자산화

데이터는 AI의 석유와 피입니다. Web3에 의존하지 않으면 대개 대량의 사용자 데이터는 거대 기업에만 있고, 일반 스타트업은 다양한 데이터에 접근하기 어렵고, AI 산업에서 사용자 데이터의 가치가 사용자에게 피드백되지 않습니다. Web3+AI를 사용하면 데이터 수집, 데이터 주석, 분산 데이터 저장 프로세스를 보다 비용 효율적이고 투명하며 사용자 친화적으로 만들 수 있습니다.

고품질 데이터 수집은 AI 모델 학습의 전제 조건이며, Web3를 사용하면 분산 네트워크와 적절한 토큰 인센티브 메커니즘, 크라우드소싱 수집 방법을 결합하여 더 낮은 비용으로 고품질의 방대한 데이터를 확보할 수 있습니다.

프로젝트 목적에 따라 데이터 기반 프로젝트에는 주로 다음과 같은 범주가 포함됩니다:

• 데이터 수집 프로젝트(예. Grass 등);

• 데이터 트랜잭션 프로젝트(예: Ocean Protocol 등);

• 데이터 어노테이션 프로젝트(예: Taida, Alaya 등);

• 블록체인 데이터 피드(예: Spice AI, Space and time 등);

• 탈중앙화된 스토리지 프로젝트(예: 파일코인, Arweave 등).

데이터 기반 Web3+AI 프로젝트, 데이터는 산술보다 표준화하기 어렵기 때문에 토큰 경제 모델을 설계하는 데 더 어렵습니다.

3, 플랫폼 레이어: 플랫폼 가치 자산화

대부분의 플랫폼 프로젝트는 AI 산업의 모든 종류의 자원을 통합하는 것을 핵심으로 허깅 페이스를 벤치마킹하게 됩니다. 플랫폼을 중심으로 데이터, 연산, 모델, AI 개발자, 블록체인 등 다양한 자원을 모으고 역할을 연결하는 플랫폼을 구축하여 다양한 요구를 보다 편리하게 해결할 수 있습니다. 예를 들어, 기자는 머신러닝 추론의 신뢰성과 투명성을 높이기 위해 포괄적인 zkML 운영 플랫폼 구축에 주력하고 있으며, 데이터 및 모델 블랙박스는 오늘날 AI에서 흔히 발생하는 문제로, 웹3를 통해 모델의 추론이 실제로 제대로 실행되었는지 검증하기 위해 ZK, FHE 등의 암호화 기술을 채택하는 것은 조만간 업계에서 요구될 사항입니다.

Nuroblocks, Janction 등과 같이 Focus AI를 수행하는 레이어1/레이어2도 있습니다. 핵심은 연산, 데이터, 모델, AI 개발자, 노드 등 모든 종류의 리소스를 연결하고 공통 컴포넌트와 공통 SDK를 패키징하여 Web3+ AI형 앱을 빠르게 구축하고 개발할 수 있도록 돕는다는 것입니다.

올라스, 체인ML 등 다양한 애플리케이션 시나리오에 맞게 AI 에이전트를 구축할 수 있는 에이전트 네트워크형 플랫폼도 있습니다.

플랫폼 Web3+AI 프로젝트는 주로 플랫폼의 가치를 토큰화하여 다양한 참여자들의 플랫폼 구축에 인센티브를 부여하는 방식으로 진행됩니다. 이는 0~1단계의 스타트업 프로젝트 과정에 더 도움이 되며, 프로젝트 측에서 산술, 데이터, AI 개발자 커뮤니티, 노드 및 기타 파트너를 찾는 데 어려움을 줄일 수 있습니다.

4, 응용 계층: AI 가치 자산화

인프라 유형의 프로젝트 앞에서, 대부분의 블록체인 기술을 사용하여 AI 산업에서 인프라 프로젝트의 건설을 해결하는 것은 문제를 해결합니다. 애플리케이션 레이어 프로젝트는 AI를 사용하여 웹3.0 애플리케이션의 문제를 해결하는 것에 더 가깝습니다.

예를 들어, 비탈릭은 그의 글에서 매우 흥미로운 두 가지 방향을 언급했습니다.

첫 번째는 Web3 참여자로서의 AI입니다. 예를 들어, Web3 게임에서 AI는 게임 규칙을 빠르게 이해하고 게임 작업을 가장 효율적으로 완료할 수 있는 게임 플레이어 역할을 할 수 있고, DEX에서 AI는 수년 동안 차익 거래에서 역할을 수행해 왔으며, 예측 시장(예측 시장)에서 AI 에이전트는 광범위한 대량의 데이터, 지식 기반 및 정보를 수용하여 시장의 미래를 분석하고 예측하도록 모델을 훈련시킬 수 있습니다. 정보를 받아들이고, 모델의 분석 예측 기능을 훈련시키고, 스포츠 경기, 대통령 선거 등과 같은 특정 이벤트에 대한 예측을 모델링하는 데 도움이 되는 추론을 사용자에게 제공하기 위해 제품화할 수 있습니다.

두 번째는 확장 가능한 탈중앙화 프라이빗 AI를 만드는 것입니다. 많은 사용자가 AI의 블랙박스 문제, 시스템의 편향성, 또는 AI 기술을 통해 사용자를 속여 이익을 얻는 특정 디앱의 존재를 우려하고 있기 때문입니다. 기본적으로 사용자는 AI의 모델 학습 및 추론 과정에 대한 검열 및 거버넌스 접근 권한이 없기 때문입니다. 하지만 Web3 프로젝트와 같이 커뮤니티가 해당 AI에 대한 거버넌스 권한을 분산한 Web3 AI가 만들어진다면 더 수용할 수 있을 것입니다.

현재 Web3+AI 애플리케이션 계층에서 높은 천장을 가진 백마 프로젝트는 없습니다.

요약

웹3+AI는 아직 초기 단계로, 이 트랙의 발전 전망에 대해 업계에서도 의견이 분분하며 앞으로도 계속 주목할 것입니다. 웹3와 AI의 결합이 중앙집중식 AI보다 더 가치 있는 제품을 만들어내어 AI가 '거대 통제'와 '독점'이라는 꼬리표를 떼고 보다 커뮤니티 기반의 방식으로 '공동 통치'할 수 있기를 바랍니다. "AI는 커뮤니티에서 사용할 수 있는 제품이 아닙니다. 아마도 더 긴밀한 참여와 거버넌스의 과정에서 인간은 AI에 대한 '경외감'을 느끼고 '두려움'을 덜 느끼게 될 것입니다.