IOSG Ventures: LLM은 블록체인을 강화하고 온체인 경험의 새로운 시대를 엽니다.
작성자: Yiping, IOSG Ventures
앞에 써있는
대규모 언어 모델(LLM)의 인기가 높아지면서 인공지능(AI)과 블록체인을 통합하는 프로젝트가 많이 보였습니다. LLM과 블록체인의 결합이 늘어나고 있으며, 인공지능이 블록체인과 재통합될 기회도 보입니다. 언급할 가치가 있는 것 중 하나는 영지식 기계 학습(ZKML)입니다.
인공지능과 블록체인은 근본적으로 다른 특성을 지닌 두 가지 혁신적인 기술입니다. 인공 지능에는 일반적으로 중앙 집중식 데이터 센터에서 제공되는 강력한 컴퓨팅 성능이 필요합니다. 블록체인은 분산형 컴퓨팅 및 개인 정보 보호 기능을 제공하지만 대규모 컴퓨팅 및 저장 작업에서는 제대로 작동하지 않습니다. 우리는 여전히 인공지능과 블록체인 통합의 우수사례를 탐구하고 연구하고 있으며, 향후 AI + 블록체인을 결합한 현재 프로젝트 사례를 소개할 예정입니다.
Source: IOSG Ventures
본 연구 보고서는 두 부분으로 나누어져 있으며, 본 글의 상단은 암호화 분야에서 LLM의 적용에 초점을 두고 적용 랜딩 전략에 대해 논의할 것입니다.
LLM이란 무엇입니까?
LLM(Large Language Model)은 많은 수(보통 수십억)의 매개변수를 갖는 인공 신경망으로 구성된 컴퓨터화된 언어 모델입니다. 이 모델은 라벨이 지정되지 않은 대량의 텍스트에 대해 학습됩니다.
2018년경 LLM의 탄생은 자연어 처리 연구에 혁명을 일으켰습니다. 특정 작업을 위해 특정 지도 모델을 훈련해야 하는 이전 방법과 달리 LLM은 일반 모델로서 다양한 작업에서 우수한 성능을 발휘합니다. 그 기능과 응용 프로그램은 다음과 같습니다:
텍스트 이해 및 요약: LLM은 대량의 인간 언어 및 텍스트 데이터를 이해하고 요약할 수 있습니다. 핵심 정보를 추출하고 간결한 요약을 생성할 수 있습니다.
새로운 콘텐츠 생성: LLM에는 텍스트 기반 콘텐츠를 생성하는 기능이 있습니다. 모델에 프롬프트를 제공함으로써 질문, 새로 생성된 텍스트, 요약 또는 감정 분석에 답할 수 있습니다.
번역: LLM은 다양한 언어 간 번역에 사용될 수 있습니다. 딥러닝 알고리즘과 신경망을 활용하여 단어 간의 맥락과 관계를 이해합니다.
텍스트 예측 및 생성: LLM은 노래, 시, 이야기, 마케팅 자료 등 인간이 생성한 콘텐츠와 유사한 맥락을 기반으로 텍스트를 예측하고 생성할 수 있습니다.
다양한 분야의 응용: 대규모 언어 모델은 자연어 처리 작업에 폭넓게 적용할 수 있습니다. 대화형 인공 지능, 챗봇, 의료, 소프트웨어 개발, 검색 엔진, 개인 교습, 작성 도구 등 다양한 분야에서 사용됩니다.
LLM의 강점에는 대량의 데이터를 이해하는 능력, 여러 언어 관련 작업을 수행하는 능력, 사용자 요구에 맞게 결과를 맞춤화할 수 있는 잠재력이 포함됩니다.
일반적인 대규모 언어 모델 애플리케이션
뛰어난 자연어 이해 능력으로 인해 LLM은 상당한 잠재력을 가지고 있으며 개발자는 주로 다음 두 가지 측면에 중점을 둡니다.
광범위한 상황별 데이터와 콘텐츠를 기반으로 사용자에게 정확하고 최신의 답변을 제공합니다.
다양한 에이전트와 도구를 사용하여 사용자가 할당한 특정 작업을 완료하세요.
XX와의 채팅 LLM 애플리케이션이 비가 내린 후 버섯처럼 폭발하는 것은 바로 이 두 가지 측면입니다. 예를 들어 PDF로 채팅하고, 문서로 채팅하고, 학술 논문으로 채팅할 수 있습니다.
이후 LLM을 다양한 데이터 소스와 융합하려는 시도가 이루어졌습니다. 개발자는 Github, Notion 및 일부 메모 작성 소프트웨어와 같은 플랫폼을 LLM과 성공적으로 통합했습니다.
LLM의 본질적인 한계를 극복하기 위해 다양한 도구가 시스템에 통합되었습니다. 첫 번째 도구는 LLM에게 최신 지식에 대한 액세스를 제공하는 검색 엔진이었습니다. 추가 진전을 통해 WolframAlpha, Google Suites, Etherscan과 같은 도구를 대규모 언어 모델과 통합할 것입니다.
LLM 앱 아키텍처
아래 다이어그램은 사용자 쿼리에 응답할 때 LLM 응용 프로그램의 흐름을 간략하게 설명합니다. 먼저 관련 데이터 소스가 임베딩 벡터로 변환되어 벡터 데이터베이스에 저장됩니다. LLM 어댑터는 사용자 쿼리와 유사성 검색을 사용하여 벡터 데이터베이스에서 관련 컨텍스트를 찾습니다. 관련 컨텍스트가 프롬프트에 입력되어 LLM으로 전송됩니다. LLM은 이러한 프롬프트를 실행하고 도구를 사용하여 답변을 생성합니다. 때때로 LLM은 정확성을 높이고 비용을 줄이기 위해 특정 데이터 세트에 맞게 조정됩니다.
LLM 지원서의 작업 흐름은 대략 세 가지 주요 단계로 나눌 수 있습니다.
데이터 준비 및 포함: 이 단계에는 향후 액세스를 위해 프로젝트 메모와 같은 기밀 정보를 유지하는 작업이 포함됩니다. 일반적으로 파일은 임베딩 모델을 통해 분할되고 처리되며 벡터 데이터베이스라는 특수한 유형의 데이터베이스에 보관됩니다.
프롬프트의 공식화 및 추출: 사용자가 검색 요청(이 경우 항목 정보 검색)을 제출하면 소프트웨어는 언어 모델에 제공되는 일련의 프롬프트를 생성합니다. 최종 프롬프트에는 일반적으로 소프트웨어 개발자가 하드 코딩한 프롬프트 템플릿, 몇 번의 예시로 유효한 출력의 예, 외부 API에서 얻은 필수 숫자 및 벡터 데이터베이스에서 가져온 관련 파일이 포함됩니다.
프롬프트 실행 및 추론: 프롬프트가 완료되면 추론을 위해 기존 언어 모델에 제공됩니다. 여기에는 독점 모델 API, 오픈 소스 또는 개별적으로 미세 조정된 모델이 포함될 수 있습니다. 이 단계에서 일부 개발자는 로깅, 캐싱, 유효성 검사와 같은 운영 체제를 시스템에 통합할 수도 있습니다.
LLM을 암호화폐로 가져오다
암호화 분야(Web3)와 Web2에는 유사한 응용 프로그램이 있지만 암호화 분야에서 좋은 LLM 응용 프로그램을 개발하려면 특별한 주의가 필요합니다.
암호화폐 생태계는 고유한 문화, 데이터 및 융합을 통해 독특합니다. 암호화로 제한된 이러한 데이터 세트에 대해 미세 조정된 LLM은 상대적으로 저렴한 비용으로 우수한 결과를 제공할 수 있습니다. 데이터는 풍부하게 제공되지만 HuggingFace와 같은 플랫폼에는 공개 데이터 세트가 뚜렷하게 부족합니다. 현재 스마트 계약과 관련된 데이터 세트는 113,000개에 달하는 스마트 계약이 포함된 단 하나뿐입니다.
개발자는 또한 다양한 도구를 LLM에 통합해야 하는 과제에 직면합니다. 이러한 도구는 LLM에 트랜잭션 관련 데이터에 액세스하고, 분산 애플리케이션(Dapp)과 상호 작용하고, 트랜잭션을 실행할 수 있는 기능을 제공한다는 점에서 Web2에서 사용되는 도구와 다릅니다. 지금까지 우리는 Langchain에서 Dapp 통합을 찾지 못했습니다.
고품질 암호화 LLM 애플리케이션을 개발하려면 추가 투자가 필요할 수 있지만 LLM은 암호화 공간에 자연스럽게 적합합니다. 이 도메인은 풍부하고 깨끗하며 구조화된 데이터를 제공합니다. 이는 Solidity 코드가 종종 간결하다는 사실과 결합되어 LLM이 기능 코드를 생성하는 것을 더 쉽게 만듭니다.
2부에서는 LLM이 블록체인 공간을 도울 수 있는 다음과 같은 8가지 잠재적 방향에 대해 논의할 것입니다.
내장된 AI/LLM 기능을 블록체인에 통합
LLM을 사용한 거래 분석
LLM을 사용하여 잠재적인 봇 식별
LLM을 사용하여 코드 작성
LLM으로 코드 읽기
LLM을 사용하여 커뮤니티를 돕습니다.
LLM으로 시장 추적
LLM을 사용하여 프로젝트 분석
계속 지켜봐 주시기 바랍니다!
