ChatGPT 및 GPT-4가 도입된 이후로 AI가 Web 3를 포함하여 모든 것을 혁신할 수 있는 방법에 대해 많은 글이 작성되었습니다. 여러 업계의 개발자들은 ChatGPT를 공동 드라이버로 활용하여 상용구 코드 생성, 단위 테스트 수행, 문서 작성, 디버깅 및 버그 감지와 같은 작업을 자동화함으로써 50%에서 500%에 이르는 상당한 생산성 향상을 보고합니다. 이 기사는 AI가 새롭고 흥미로운 Web 3 사용 사례를 가능하게 하는 방법을 탐구하지만 주요 초점은 Web 3와 AI 간의 상호 이익 관계에 있습니다. 인공지능의 방향성에 상당한 영향을 미칠 수 있는 기술은 거의 없으며, Web 3가 그 중 하나입니다.

Web3는 인공 지능을 어떻게 촉진합니까?

엄청난 잠재력에도 불구하고 현재 AI 모델은 데이터 프라이버시, 독점 모델 실행의 공정성, 신뢰할 수 있는 가짜 콘텐츠를 만들고 유포하는 능력과 같은 몇 가지 문제에 직면해 있습니다. 일부 기존 Web 3 기술은 이러한 문제를 해결하는 데 고유한 위치에 있습니다.

01 기계 학습(ML) 교육을 위한 독점 데이터 세트 생성

Web 3가 AI를 도울 수 있는 한 가지 영역은 기계 학습(ML) 교육을 위한 독점 데이터 세트의 공동 생성, 즉 데이터 세트 생성에 PoPW 네트워크를 사용하는 것입니다. 대규모 데이터 세트는 정확한 ML 모델에 매우 중요하지만 ML을 사용한 의료 진단과 같이 비공개 데이터를 사용해야 하는 사용 사례에서는 생성이 병목 현상이 될 수 있습니다. 환자 데이터 개인 정보 보호 문제로 인해 이러한 모델을 교육하려면 의료 기록에 대한 액세스가 필요하지만 환자는 개인 정보 보호 문제로 인해 의료 기록 공유를 꺼릴 수 있습니다. 이 문제를 해결하기 위해 환자는 자신의 의료 기록을 검증 가능한 방식으로 익명화하여 개인 정보를 보호하는 동시에 ML 교육을 받을 수 있습니다.

그러나 가짜 데이터가 모델의 성능에 심각한 영향을 미칠 수 있으므로 익명화된 의료 기록의 진위 여부가 문제입니다. 이 문제를 해결하기 위해 ZKP(영지식 증명)를 사용하여 익명화된 의료 기록의 진위 여부를 확인할 수 있습니다. 환자는 ZKP를 생성하여 개인 식별 정보(PII)를 제거한 후에도 익명 기록이 실제로 원본 기록의 사본임을 증명할 수 있습니다. 이러한 방식으로 환자는 관심 있는 당사자에게 ZKP로 익명 기록을 제공할 수 있으며 개인 정보를 희생하지 않고도 기여에 대한 보상을 받을 수도 있습니다.

02 프라이빗 데이터 추론 실행

현재 LLM의 주요 약점은 개인 데이터 처리입니다. 예를 들어 사용자가 chatGPT와 상호 작용할 때 OpenAI는 사용자의 개인 데이터를 수집하고 이를 모델 교육에 사용하므로 민감한 정보가 공개됩니다. 삼성의 경우입니다. 영지식(zk) 기술은 ML 모델이 비공개 데이터에 대한 추론을 수행할 때 발생하는 일부 문제를 해결하는 데 도움이 될 수 있습니다. 여기서는 오픈 소스 모델과 독점 모델의 두 가지 경우를 고려합니다.

오픈 소스 모델의 경우 사용자는 개인 데이터에서 모델을 로컬로 다운로드하여 실행할 수 있습니다. 예를 들어 Worldcoin은 World ID를 업그레이드할 계획입니다. 이 사용 사례에서 Worldcoin은 IrisCode라는 각 사용자의 고유 식별자를 생성하기 위해 사용자의 개인 생체 인식 데이터, 즉 사용자의 홍채 스캔을 처리해야 합니다. 이 경우 사용자는 장치에서 생체 데이터를 비공개로 유지하고, IrisCode 생성에 사용된 ML 모델을 다운로드하고, 로컬에서 추론을 실행하고, IrisCode가 성공적으로 생성되었다는 증거를 만들 수 있습니다. 생성된 증명은 데이터의 프라이버시를 유지하면서 추론의 진정성을 보장합니다. Modulus Labs에서 개발한 것과 같은 ML 모델을 위한 효율적인 zk 증명 메커니즘은 이 사용 사례에 매우 중요합니다.

또 다른 경우는 추론에 사용되는 ML 모델이 독점적인 경우입니다. 로컬 추론이 옵션이 아니기 때문에 이 작업은 다소 어렵습니다. 그러나 ZKP가 도울 수 있는 두 가지 가능한 방법이 있습니다. 첫 번째 접근 방식은 이전 데이터 세트 생성 예제에서 설명한 것처럼 ZKP를 사용하여 사용자 데이터를 익명화한 다음 익명화된 데이터를 ML 모델로 보내는 것입니다. 또 다른 접근 방식은 사전 처리된 출력을 ML 모델로 보내기 전에 프라이빗 데이터에 대한 로컬 사전 처리 단계를 사용하는 것입니다. 이 경우, 전처리 단계는 사용자의 개인 데이터를 재구성할 수 없도록 숨깁니다. 사용자는 전처리 단계의 올바른 실행을 나타내는 ZKP를 생성한 다음 독점 모델의 나머지 부분을 모델 소유자의 서버에서 원격으로 실행할 수 있습니다. 여기서 사용 사례의 예로는 잠재적인 진단을 위해 환자의 의료 기록을 분석할 수 있는 AI 의사와 클라이언트의 개인 금융 정보를 평가하는 금융 위험 평가 알고리즘이 포함될 수 있습니다.

03 콘텐츠의 진정성 및 딥페이크 기술 퇴치

chatGPT는 이미지, 오디오 및 비디오 생성에 중점을 둔 생성 AI 모델에서 각광을 받았을 수 있습니다. 그러나 이러한 모델은 현재 사실적인 딥페이크를 생성할 수 있습니다. Drake의 최근 AI 생성 노래는 이러한 모델이 달성할 수 있는 것의 예입니다. 인간은 자신이 보고 듣는 것을 믿도록 프로그램되어 있기 때문에 이러한 딥페이크는 중대한 위협이 됩니다. Web 2 기술을 사용하여 이 문제를 해결하려는 스타트업이 많이 있습니다. 그러나 디지털 서명과 같은 Web 3 기술이 이 문제를 해결하는 데 더 적합합니다.

Web 3에서 사용자 상호 작용, 즉 트랜잭션은 유효성을 증명하기 위해 사용자의 개인 키로 서명됩니다. 마찬가지로 텍스트, 사진, 오디오 또는 비디오 등 컨텐츠는 작성자의 개인 키로 서명되어 진위를 증명할 수 있습니다. 창작자의 웹사이트 또는 소셜 미디어 계정에 제공되는 창작자의 공개 주소에 대해 누구나 서명을 확인할 수 있습니다. Web 3 네트워크는 이 사용 사례를 가능하게 하는 데 필요한 모든 인프라를 구축했습니다. Fred Wilson은 콘텐츠를 공개 암호화 키에 연결하여 잘못된 정보에 효과적으로 대처할 수 있는 방법에 대해 설명합니다. 평판이 좋은 많은 벤처 캐피탈 회사는 Twitter와 같은 기존 소셜 미디어 프로필 또는 Lens Protocol 및 Mirror와 같은 분산형 소셜 미디어 플랫폼을 디지털 서명을 콘텐츠로 제공하는 암호화 공개 주소에 연결했습니다. 인증 방법의 신뢰성은 지원을 제공합니다. .

개념의 단순성에도 불구하고 이 인증 프로세스의 사용자 경험을 개선하려면 여전히 많은 작업이 필요합니다. 예를 들어 콘텐츠 생성을 위한 디지털 서명은 생성자가 사용할 수 있는 원활한 프로세스를 제공하기 위해 자동화되어야 합니다. 또 다른 문제는 다시 서명하지 않고 오디오 또는 비디오 클립과 같은 서명된 데이터의 하위 집합을 생성하는 방법입니다. 기존의 많은 Web 3 기술은 이러한 문제를 해결하는 데 고유한 위치에 있습니다.

04 독점 모델에 대한 신뢰 최소화

Web 3가 AI를 도울 수 있는 또 다른 영역은 독점 기계 학습 모델이 서비스로 제공될 때 서비스 공급자에 대한 신뢰를 최소화하는 것입니다. 사용자는 지불한 서비스가 실제로 제공되었는지 확인하거나 기계 학습 모델이 공정하게 수행되고 모든 사용자가 동일한 모델을 사용하는지 확인해야 할 수 있습니다. 영지식 증명을 사용하여 이러한 보증을 제공할 수 있습니다. 이 아키텍처에서 기계 학습 모델 작성자는 모델을 나타내는 영지식 회로를 생성합니다. 필요한 경우 이 회로는 사용자 추론을 위한 영지식 증명을 생성하는 데 사용됩니다. 영지식 증명은 확인을 위해 사용자에게 보내거나 사용자 확인 작업을 처리하는 퍼블릭 체인에 게시할 수 있습니다. 기계 학습 모델이 비공개인 경우 독립적인 제3자가 사용된 zk 회로가 모델을 대표하는지 확인할 수 있습니다. 기계 학습 모델의 신뢰 최소화 측면은 모델의 성능 결과가 높은 위험에 처할 때 특히 유용합니다. 예를 들어:

• 의학적 진단을 위한 기계 학습 모델

이 사용 사례에서 환자는 기계 학습 모델에 대한 의료 데이터를 제출하여 잠재적인 진단을 내립니다. 환자는 대상 기계 학습 모델이 데이터에 올바르게 적용되었는지 확인해야 합니다. 추론 프로세스는 기계 학습 모델이 올바르게 수행되었음을 증명하는 영지식 증명을 생성합니다.

• 대출 신용가치 평가

영지식 증명은 은행과 금융 기관이 신용도를 평가할 때 신청자가 제출한 모든 재무 정보를 고려하도록 할 수 있습니다. 또한 영지식 증명은 공정성을 증명할 수 있습니다. 즉, 모든 사용자가 동일한 모델을 사용한다는 것을 증명할 수 있습니다.

• 보험 청구 처리

현재 보험 청구 처리는 수동적이고 주관적입니다. 기계 학습 모델은 보험 정책 및 청구 세부 사항에 대한 청구를 보다 공정하게 평가할 수 있습니다. 영지식 증명과 결합된 이러한 청구 처리 기계 학습 모델은 모든 정책 및 청구 세부 사항을 고려한 것으로 입증될 수 있으며 동일한 보험 정책에 따른 모든 청구는 동일한 모델을 사용하여 처리되었습니다.

05 모델 생성의 중앙화 문제 해결

LLM을 만들고 교육하는 것은 특정 도메인 전문 지식, 전용 컴퓨팅 인프라 및 수백만 달러의 계산 비용이 필요한 시간 소모적이고 비용이 많이 드는 프로세스입니다. 이러한 특성은 모델에 대한 액세스를 제한하여 사용자에게 상당한 영향력을 행사할 수 있는 강력한 중앙 엔터티(예: OpenAI)로 이어질 수 있습니다.

이러한 중앙 집중화 위험을 감안할 때 Web 3가 LLM의 다양한 측면의 분산화를 촉진할 수 있는 방법에 대한 중요한 논의가 진행되고 있습니다. 일부 Web 3 지지자들은 중앙 집중식 플레이어와 경쟁하는 방법으로 분산 컴퓨팅을 제안했습니다. 기본 아이디어는 분산형 컴퓨팅이 더 저렴한 대안이 될 수 있다는 것입니다. 그러나 우리는 이것이 중앙 집중식 플레이어와 경쟁하기에 가장 좋은 각도가 아닐 수도 있다고 생각합니다. 분산형 컴퓨팅의 단점은 서로 다른 이기종 컴퓨팅 장치 간의 통신 오버헤드로 인해 ML 교육에서 10-100배 느려질 수 있다는 것입니다.

대안으로 Web 3 프로젝트는 PoPW 방식으로 독특하고 경쟁력 있는 ML 모델을 만드는 데 집중할 수 있습니다. 이러한 PoPW 네트워크는 데이터를 수집하여 고유한 데이터 세트를 구축하여 이러한 모델을 교육할 수도 있습니다. 이러한 방향으로 나아가고 있는 일부 프로젝트에는 Together와 Bittensor가 있습니다.

06 AI 에이전트를 위한 결제 및 실행 채널

지난 몇 주 동안 LLM을 사용하여 목표를 달성하는 데 필요한 작업을 추론하고 목표를 달성하기 위해 해당 작업을 실행하는 AI 에이전트가 증가했습니다. AI 에이전트의 물결은 BabyAGI 아이디어로 시작하여 AutoGPT를 포함한 고급 버전으로 빠르게 확산되었습니다. 여기서 중요한 예측은 AI 에이전트가 특정 작업에서 탁월하도록 더욱 전문화될 것이라는 점입니다. 전용 AI 에이전트 시장이 있는 경우 AI 에이전트는 특정 작업을 수행할 다른 AI 에이전트를 검색, 고용 및 지불하여 주요 프로젝트를 완료할 수 있습니다. 그 과정에서 Web 3 네트워크는 AI 에이전트를 위한 이상적인 환경을 제공합니다. 지불을 위해 AI 에이전트는 지불을 받고 다른 AI 에이전트에게 지불하기 위한 암호화폐 지갑을 장착할 수 있습니다. 또한 AI 에이전트는 암호화된 네트워크에 연결하여 권한 없이 리소스를 위임할 수 있습니다. 예를 들어 AI 에이전트가 데이터를 저장해야 하는 경우 AI 에이전트는 Filecoin 지갑을 만들고 IPFS의 분산 스토리지 비용을 지불할 수 있습니다. AI 에이전트는 Akash와 같은 분산형 컴퓨팅 네트워크에서 컴퓨팅 리소스를 위임하여 특정 작업을 수행하거나 자체 실행을 확장할 수도 있습니다.

07 AI 개인정보 침해로부터 보호

잘 수행되는 ML 모델을 교육하는 데 필요한 많은 양의 데이터를 고려할 때 개인 행동을 예측하기 위해 모든 공개 데이터가 ML 모델에서 사용될 것이라고 가정하는 것이 안전합니다. 또한 은행과 금융 기관은 사용자의 금융 정보에 대해 교육을 받고 사용자의 미래 금융 행동을 예측할 수 있는 자체 ML 모델을 구축할 수 있습니다. 이는 중대한 사생활 침해가 될 수 있습니다. 이 위협에 대한 유일한 완화책은 기본적으로 금융 거래의 프라이버시입니다. 이 프라이버시는 zCash 또는 Aztec 지불과 같은 개인 지불 블록체인과 Penumbra 및 Aleo와 같은 개인 DeFi 프로토콜을 사용하여 달성할 수 있습니다.

AI 기반 Web3 애플리케이션 사례

01 온체인 게임

• 프로그래머가 아닌 플레이어를 위한 봇 생성

Dark Forest와 같은 온체인 게임은 원하는 게임 작업을 수행하는 봇을 개발하고 배포함으로써 플레이어가 이점을 얻는 고유한 패러다임을 만듭니다. 이 패러다임 변화는 코딩할 수 없는 플레이어를 제외할 수 있습니다. 그러나 LLM은 이를 변경할 수 있습니다. LLM은 온체인 게임 로직을 이해하고 플레이어가 코드를 작성하지 않고도 플레이어 전략을 반영하는 봇을 만들 수 있도록 미세 조정할 수 있습니다. Primodium 및 AI Arena와 같은 프로젝트는 게임에 AI 및 인간 플레이어를 참여시키기 위해 노력하고 있습니다.

• 로봇 싸움, 도박 및 베팅

온체인 게임의 또 다른 가능성은 완전히 자율적인 AI 플레이어입니다. 이 경우 플레이어는 LLM을 백엔드로 사용하고 인터넷 액세스 및 잠재적으로 초기 암호화폐 자금 조달과 같은 외부 리소스에 액세스할 수 있는 AutoGPT와 같은 AI 에이전트입니다. 이 AI 플레이어는 로봇 전쟁처럼 도박을 할 수 있습니다. 이것은 이러한 베팅의 결과에 대한 추측과 베팅을 위한 시장을 열 수 있습니다.

• 온체인 게임을 위한 사실적인 NPC 환경 생성

현재 게임은 NPC(Non-Player Character)에 거의 관심을 기울이지 않습니다. NPC는 행동이 제한적이며 게임 진행에 거의 영향을 미치지 않습니다. AI와 Web3의 시너지 효과를 감안할 때 예측 가능성을 깨고 게임을 더 흥미롭게 만들 수 있는 보다 매력적인 AI 제어 NPC를 만드는 것이 가능합니다. 여기서 근본적인 과제는 이러한 활동과 관련된 처리량(TPS)을 최소화하면서 의미 있는 NPC 역학을 도입하는 방법입니다. 과도한 NPC 활동에 필요한 TPS 요구 사항은 네트워크 정체로 이어져 실제 플레이어에게 좋지 않은 사용자 경험을 제공할 수 있습니다.

02 분산형 소셜 미디어

현재 탈중앙화 소셜(DeSo) 플랫폼이 직면한 과제 중 하나는 기존 중앙화 플랫폼에 비해 고유한 사용자 경험을 제공하지 못한다는 것입니다. AI와의 원활한 통합을 수용하면 Web2 대안에는 없는 고유한 경험을 제공할 수 있습니다. 예를 들어 AI 관리 계정은 관련 콘텐츠를 공유하고 게시물에 댓글을 달고 토론에 참여함으로써 새로운 사용자를 네트워크로 끌어들이는 데 도움이 될 수 있습니다. AI 계정은 사용자의 관심사와 일치하는 최신 트렌드를 요약하는 뉴스 집계에도 사용할 수 있습니다. [ 18 ]

03 분산 프로토콜의 보안 및 경제 설계 테스트

목표를 정의하고, 코드를 생성하고, 코드를 실행할 수 있는 LLM 기반 AI 에이전트에 대한 추세는 분산형 네트워크의 보안 및 경제적 건전성을 테스트할 수 있는 기회를 제공합니다. 이 경우 AI 에이전트는 프로토콜의 보안 또는 경제적 균형을 활용하도록 지시받습니다. AI 에이전트는 먼저 프로토콜 문서와 스마트 계약을 검토하여 약점을 식별할 수 있습니다. 그런 다음 AI 에이전트는 프로토콜을 공격하여 자신의 이익을 극대화하는 집행 메커니즘을 위해 독립적으로 경쟁할 수 있습니다. 이 접근 방식은 시작 후 프로토콜이 경험하는 실제 환경을 시뮬레이션합니다. 이러한 테스트 결과를 기반으로 프로토콜 설계자는 프로토콜 설계 및 패치 취약점을 검토할 수 있습니다. 현재까지 Gauntlet과 같은 전문 회사만이 탈중앙화 프로토콜에 이러한 서비스를 제공하는 데 필요한 기술을 보유하고 있습니다. 그러나 우리는 Solidity, DeFi 메커니즘 및 이전에 개발된 메커니즘에 대해 교육받은 LLM이 유사한 기능을 제공할 수 있을 것으로 예상합니다.

04 데이터 인덱싱 및 지표 추출을 위한 LLM

블록체인 데이터는 공개되어 있지만 해당 데이터를 인덱싱하고 유용한 통찰력을 추출하는 것은 지속적인 과제였습니다. 이 공간의 일부 플레이어(예: CoinMetrics)는 데이터 인덱싱 및 판매를 위한 복잡한 메트릭 구축을 전문으로 하는 반면 다른 플레이어(예: Dune)는 커뮤니티 기여를 통해 원시 트랜잭션 및 크라우드소싱 메트릭 추출 부분의 주요 구성 요소를 인덱싱하는 데 중점을 둡니다. 최근 LLM의 발전으로 인해 데이터 인덱싱 및 메트릭 추출이 손상될 수 있음이 나타났습니다. Dune은 이 위협을 인식하고 SQL 쿼리 해석과 NLP 기반 쿼리의 가능성을 포함하는 LLM 로드맵을 발표했습니다. 그러나 우리는 LLM의 영향이 이보다 더 깊을 것이라고 예측합니다. 여기서 한 가지 가능성은 LLM 기반 인덱싱으로 LLM 모델이 블록체인 노드와 직접 상호 작용하여 특정 메트릭에 대한 데이터를 인덱싱합니다. Dune Ninja와 같은 신생 기업은 이미 데이터 인덱싱을 위한 혁신적인 LLM 애플리케이션을 탐색하고 있습니다.

05 새로운 생태계 개발자 소개

다양한 블록체인이 이 생태계에서 애플리케이션을 구축할 개발자를 유치하기 위해 경쟁합니다. Web 3 개발자 활동은 생태계의 성공을 나타내는 중요한 지표입니다. 개발자가 직면하는 주요 어려움은 새로운 생태계를 배우고 구축하기 시작할 때 지원을 받는 것입니다. 생태계는 전담 개발자 관계 팀의 형태로 생태계를 탐색하는 개발자를 지원하기 위해 수백만 달러를 투자했습니다. 이와 관련하여 신흥 LLM은 복잡한 코드를 설명하고 오류를 포착하고 문서를 작성하는 등 인상적인 결과를 보여주었습니다. 적응형 LLM은 인간의 경험을 보완하여 개발자 관계 팀의 생산성을 크게 확장할 수 있습니다. 예를 들어 LLM을 사용하여 문서, 자습서를 만들고 자주 묻는 질문에 답하고 템플릿 코드로 해커톤 개발자를 지원하거나 단위 테스트를 만들 수도 있습니다.

06 DeFi 프로토콜 개선

인공 지능을 DeFi 프로토콜의 논리에 통합함으로써 많은 DeFi 프로토콜의 성능을 크게 향상시킬 수 있습니다. 지금까지 AI를 DeFi에 통합하는 데 있어 주요 병목 현상은 온체인 AI를 구현하는 막대한 비용이었습니다. AI 모델은 오프체인에서 구현할 수 있지만 이전에는 모델 실행을 확인할 방법이 없었습니다. 그러나 Modulus 및 ChainML과 같은 프로젝트를 통해 오프체인에서 수행되는 검증이 가능해지고 있습니다. 이러한 프로젝트를 통해 온체인 비용을 제한하면서 오프체인에서 ML 모델을 실행할 수 있습니다. Modulus의 경우 온체인 수수료는 모델의 ZKP를 검증하는 것으로 제한됩니다. ChainML의 경우 온체인 비용은 분산형 AI 실행 네트워크에 지불하는 오라클 수수료입니다.

AI 통합의 이점을 얻을 수 있는 일부 DeFi 사용 사례.

• AMM 유동성 공급, 즉 Uniswap V3 유동성 범위를 업데이트합니다.

• 온체인 및 오프체인 데이터 보호를 사용하여 부채 포지션에 대한 청산 보호.

• 금고 메커니즘이 고정된 전략이 아닌 금융 AI 모델에 의해 정의되는 복잡한 DeFi 구조 제품. 이러한 전략에는 AI 관리 거래, 대출 또는 옵션이 포함될 수 있습니다.

• 결론적으로

결론적으로

우리는 Web3와 AI가 문화적으로나 기술적으로 양립할 수 있다고 믿습니다. 봇을 격퇴하는 경향이 있는 Web2와 달리 Web3는 무허가 프로그래밍 기능으로 인해 AI가 번창할 수 있습니다. 보다 광범위하게 블록체인을 네트워크로 생각한다면 AI가 네트워크의 가장자리를 지배할 것으로 기대합니다. 이는 소셜 미디어에서 게임에 이르기까지 다양한 소비자 애플리케이션에 적용됩니다. 지금까지 Web 3 네트워크의 에지는 대부분 인간이었습니다. 인간은 거래를 시작하고 서명하거나 고정된 전략으로 봇을 구현합니다. 시간이 지남에 따라 네트워크 가장자리에서 점점 더 많은 AI 에이전트를 보게 될 것입니다. AI 에이전트는 스마트 계약을 통해 인간 및 서로 상호 작용합니다. 이러한 상호작용은 새로운 소비자 경험을 가능하게 할 것입니다.