작가:@chenyangjamie, @GryphsisAcademy
TL;DR:
생성적 AI의 상업적 적용은 2022년에 전 세계적으로 인기를 끌 것이지만, 그 참신함이 사라지면서 생성적 AI의 현재 문제 중 일부가 점차 등장하고 있습니다. 블록체인의 완전히 투명하고 검증 가능하며 분산된 특성을 기반으로 점점 성숙해지는 Web3 분야는 생성 AI 문제를 해결하기 위한 새로운 아이디어를 제공합니다.
Generative AI는 최근 떠오르는 기술로 딥러닝의 신경망 프레임워크를 기반으로 개발되었으며, 이미지 생성에 사용되는 확산 모델과 ChatGPT에 사용되는 대규모 언어 모델은 큰 상업적 잠재력을 보여주었습니다.
Web3의 생성적 AI 구현 아키텍처에는 인프라, 모델, 애플리케이션 및 데이터가 포함됩니다. 데이터 부분은 Web3와 결합할 때 특히 중요하며 개발 공간이 매우 넓습니다.온체인 데이터 모델, AI 에이전트 프로젝트 및 수직 현장 애플리케이션이는 향후 핵심 개발 방향이 될 가능성이 있습니다.
현재 시중에 나와 있는 Web3 AI트랙의 인기 프로젝트들은 모두 기초가 부족하고 토큰 가치 포착 능력이 취약한 모습을 보여주고 있으며, 앞으로는 토큰 이코노미의 새로운 인기나 업데이트를 주로 기대하고 있습니다.
제너레이티브 AI(Generative AI)는 Web3 분야에서 엄청난 잠재력을 갖고 있으며, 앞으로 다른 소프트웨어, 하드웨어 기술과 결합해 기대할 만한 새로운 서사가 많이 등장하고 있다.
1. 생성 AI와 Web3가 서로 필요한 이유는 무엇입니까?
2022년은 제너레이티브 AI(인공지능)가 전 세계를 석권하는 해라고 할 수 있다. 이전에는 제너레이티브 AI가 전문직 종사자의 보조 도구에 불과했지만, Dalle-2에서는 탄생 후 Stable Diffusion, Imagen, Midjourney가 차례로 등장했다. ,인공지능 생성 콘텐츠(AI 생성 콘텐츠, AIGC라고도 함)은 최신 기술 응용 프로그램으로 소셜 미디어에서 트렌디한 콘텐츠의 큰 물결을 만들어냈습니다. 직후 출시된 ChatGPT는 블록버스터였으며 이러한 추세를 최고조에 달했습니다. 간단한 텍스트 명령(프롬프트)만 입력하면 거의 모든 질문에 답할 수 있는 최초의 AI 도구인 ChatGPT는 이미 많은 사람들의 일상 업무 보조자가 되었습니다. 문서 작성, 숙제 과외, 이메일 도우미, 논문 수정, 감정 과외 등 다양한 일상 업무를 수행할 수 있으며 인터넷에서는 ChatGPT에서 생성된 결과를 최적화하는 데 사용되는 다양한 신비한 프롬프트를 연구하는 데 더욱 많은 열정이 있습니다. 시간, 사람 인공지능의 지능을 느낄 수 있습니다. Goldman Sachs 매크로 팀의 보고서에 따르면 생성적 AI는 미국 노동 생산성 향상의 촉진제가 될 수 있습니다. 생성적 AI 개발 후 10년 이내에 전 세계 GDP 성장을 7%(또는 거의 7조 달러) 늘릴 수 있습니다. 년 생산성 증가율을 1.5%포인트 증가시킵니다.
Web3 분야에도 AIGC의 봄바람이 느껴지며, 2023년 1월 AI 분야가 전반적으로 상승세를 보였습니다.
Source: https://www.coingecko.com/
하지만 초기의 참신함이 점차 시들해진 후, 2023년 6월 ChatGPT 출시 이후 처음으로 글로벌 트래픽이 감소했습니다.(데이터 출처:SimilarWeb) 이제 생성 AI의 의미와 한계를 다시 생각해 볼 시점이 되었습니다. 현재 상황으로 판단해보면,생성 AI가 직면한 딜레마다음을 포함하지만 이에 국한되지는 않습니다. 첫째, 소셜 미디어에는 라이선스가 없고 추적이 불가능한 AIGC 콘텐츠가 넘쳐납니다. 둘째, ChatGPT의 높은 유지 관리 비용으로 인해 OpenAI는 비용을 절감하고 효율성을 높이기 위해 생성 품질을 낮추도록 선택합니다. 마지막으로, 전 세계의 대규모 모델조차도 생성된 결과의 일부 측면에서 여전히 편향을 갖고 있습니다.
ChatGPT 글로벌 데스크톱 및 모바일 트래픽
Source: Similarweb
동시에 점차 성숙해지고 있는 Web3는 분산되고 완전히 투명하며 검증 가능한 특성을 통해 생성 AI의 현재 딜레마에 대한 새로운 솔루션을 제공합니다.
Web3의 완전한 투명성과 추적성은 생성 AI로 인해 발생하는 데이터 저작권 및 개인 정보 보호 문제를 해결할 수 있습니다.Web3의 이 두 가지 기능은 콘텐츠의 출처와 진위 여부를 효과적으로 검증할 수 있도록 하여 AI가 생성한 허위 또는 침해 콘텐츠의 비용을 크게 증가시킵니다.혼란스러운 저작권이 포함된 짧은 리믹스 동영상 또는 타인의 사생활을 침해하는 DeepFake 얼굴 변경 동영상. 또한, 콘텐츠 관리에 스마트 계약을 적용하면 저작권 문제를 해결하고, 콘텐츠 창작자가 창작 콘텐츠에 대해 보다 공정한 보상을 받을 수 있을 것으로 기대됩니다.
DeepFake Video: This is not Morgan Freeman
Source: Youtube
Web3의 분산 특성은 AI 컴퓨팅 성능의 중앙 집중화 위험을 줄일 수 있습니다.. 생성적 AI를 개발하려면 엄청난 양의 컴퓨팅 리소스가 필요하며, GPT-3 기반 ChatGPT를 훈련하는 데 드는 비용은 최소 200만 달러로 추산되며, 동시에 일일 전기 요금은 약 47,000달러에 이릅니다. 기술과 규모의 발전에 따라 기하급수적으로 증가할 것입니다. 현재컴퓨팅 리소스는 여전히 집중되어 있습니다.대기업의 손에는 막대한 RD, 유지 관리 및 운영 비용이 발생하고 중앙 집중화의 위험이 있어 소규모 기업이 경쟁하기 어렵게 됩니다. 대형 모델의 훈련에는 많은 컴퓨팅 리소스가 필요하기 때문에 단기적으로는 중앙 집중식 환경에서 대형 모델의 훈련을 수행해야 할 수도 있지만 Web3에서는 블록체인 기술을 통해분산 모델 추론, 커뮤니티 투표 거버넌스 및 모델 토큰화대기가 가능해집니다. 기존 탈중앙화 거래소를 성숙한 사례로 삼아, 대형 모델의 소유권이 커뮤니티에 속하고 커뮤니티에 의해 관리되는 커뮤니티 중심의 탈중앙화 AI 대형 모델 추론 시스템을 설계할 수 있습니다.
최신 H 100 교육 GPT-3을 사용하더라도 FLOP당 비용은 여전히 높습니다.
Source: substake.com
Web3의 기능을 활용하면 AI 데이터 세트의 다양성과 AI 모델의 해석 가능성을 최적화할 수 있습니다.전통적인 데이터 수집 방법은 기본적으로 공개 데이터 세트 또는 모델 제작자의 자체 수집을 기반으로 하며, 수집되는 데이터는 지리 및 문화에 따라 제한되는 경우가 많습니다. 이로 인해 AIGC 프로그램에서 생성된 콘텐츠와 ChatGPT에서 생성된 답변이 대상 작업의 피부색을 변경하는 등 특정 인종 그룹의 주관적인 편견을 가질 수 있습니다. Web3의 토큰 인센티브 모델을 통해 데이터 수집 방법을 최적화하고 세계 곳곳에서 데이터를 수집하고 가중치를 할당할 수 있습니다. 동시에 Web3의 완전한 투명성과 추적성은 모델의 해석 가능성을 더욱 높이고 다양한 배경의 출력을 장려하여 모델을 풍부하게 할 수 있습니다.
해상도를 향상시키도록 설계된 AI는 오바마를 백인으로 만들 것이다
Source: Twitter
Web3의 대규모 온체인 데이터를 사용하여 고유한 AI 모델을 훈련할 수 있습니다.현재 AI 모델의 설계 및 훈련 방법은 대상 데이터 구조(텍스트, 음성, 이미지 또는 비디오)를 기반으로 구성되는 경우가 많습니다. Web3와 AI 결합의 독특한 미래 발전 방향은 자연어 대형 모델의 구축 및 훈련 방법을 참조하고 Web3 체인에 있는 데이터의 고유한 데이터 구조를 사용하여 구축하는 것입니다.체인의 대규모 데이터 모델. 이는 다른 데이터 분석이 도달할 수 없는 독특한 관점(스마트 머니 추적, 프로젝트 자금 조달 방향 등)을 사용자에게 제공할 수 있으며, 동시에 수동 온체인 분석에 비해 AI는 막대한 양의 데이터를 처리할 수 있다는 장점이 있습니다. 동시에 데이터의 양.
온체인 분석을 자동화하고 온체인 정보를 모니터링하여 직접적인 정보를 얻습니다.
Source: nansen.ai
제너레이티브 AI는 사람들이 Web3 세계에 참여하는 문턱을 낮추는 데 강력한 도움이 될 것으로 기대됩니다.. Web3 프로젝트의 현재 주류 참여 모델에서는 참가자가 다양하고 복잡한 온체인 개념과 지갑 운영 논리에 대한 상당한 이해를 요구하므로 사용자의 학습 비용과 오작동 위험이 크게 증가합니다. 이와 대조적으로 Web2의 유사한 애플리케이션은 이미 제품 디자인의 게으른 원리는 수년 동안 구현되어 사용자가 위험 없이 쉽게 시작할 수 있도록 해줍니다. 생성적 AI는 Web3에서 사용자와 프로토콜 간의 지능형 보조자 역할을 하여 의도 중심 프로젝트를 도울 것으로 예상됩니다. Web3 제품의 사용자 경험을 크게 향상시킵니다.
Web3는 또한 콘텐츠에 대한 엄청난 수요를 창출했으며, 생성 AI는 이러한 수요를 충족시키는 핵심 수단이 되었습니다.Generative AI는 Web3를 위한 대량의 기사, 이미지, 오디오 및 비디오 콘텐츠를 생성하여 분산형 애플리케이션 개발을 주도할 수 있으며, NFT 시장부터 스마트 계약 문서에 이르기까지 모두가 AI가 생성한 다양한 콘텐츠의 혜택을 누릴 수 있습니다.
생성 AI와 Web3에는 각자의 과제가 있지만, 상호 요구 사항과 협업 솔루션이 디지털 세계의 미래를 형성할 것으로 예상됩니다. 이번 협력을 통해 콘텐츠 제작의 품질과 신뢰성이 향상되고, 디지털 생태계의 발전이 더욱 촉진되며, 사용자에게 더욱 가치 있는 디지털 경험을 제공할 것입니다. 생성 AI와 Web3의 공동 진화는 디지털 시대의 흥미롭고 새로운 장을 열 것입니다.
2. 생성 AI 기술 요약
2.1 생성 AI의 기술적 배경
1950년대 AI라는 개념이 제시된 이후 여러 우여곡절을 겪었고, 핵심 기술이 혁신될 때마다 새로운 물결을 가져올 것이며 이번에 생성되는 AI도 예외는 아니다. 생성적 AI(Generative AI)는 불과 10년 전에야 제안된 새로운 개념으로, 최근 기술과 제품의 눈부신 성능으로 AI의 여러 연구 하위 분야에서 단연 두각을 나타내며 하루아침에 전 세계의 주목을 끌었습니다. 제너레이티브 AI의 기술 아키텍처에 대해 더 자세히 알아보기 전에 먼저 이 기사에서 논의된 제너레이티브 AI의 구체적인 의미를 설명하고 최근 대중화되고 있는 제너레이티브 AI의 핵심 기술 구성 요소를 간략하게 검토해야 합니다.
생성적 인공지능(Generative Artificial Intelligence)은 새로운 콘텐츠와 아이디어(대화, 스토리, 이미지, 영상, 음악 등)를 만들어낼 수 있는 인공지능의 일종으로, 딥러닝의 신경망 프레임워크를 기반으로 구축되고, 다량의 학습을 통해 학습된다. 데이터 여기에는 수많은 매개변수가 포함된 모델이 포함되어 있습니다. 최근 주목받고 있는 생성 AI 제품은 간단히 두 가지로 분류할 수 있다. 하나는 텍스트나 스타일 입력을 위한 이미지(영상) 생성 제품이고, 다른 하나는 텍스트 입력을 위한 ChatGPT 제품이다. 이 두 가지 유형의 제품은 실제로 동일한 핵심 기술, 즉 Transformer 아키텍처를 기반으로 사전 학습된 대형 언어 모델(Large Language Model)을 사용합니다.LLM). 이를 기반으로 전자 유형의 제품은 텍스트 입력을 결합하여 고품질의 이미지나 영상을 생성하는 확산 모델을 추가하는 반면, 후자 유형의 제품은 인간의 피드백을 기반으로 강화 학습 훈련을 추가합니다(Reinforcement Learning from Human Feedback,RLHF) 인간의 논리 수준에 가까운 출력 결과를 달성합니다.
2.2 생성 AI의 현재 기술 아키텍처:
과거의 많은 우수한 기사에서는 A16z의 누가 생성 AI 플랫폼을 소유하고 있습니까?의 기사와 같이 다양한 각도에서 기존 기술 아키텍처에 대한 생성 AI의 중요성을 논의했습니다. 》는 생성 AI의 현재 기술 아키텍처를 포괄적으로 요약합니다.
생성 AI의 주요 기술 아키텍처
Source: 생성 AI 플랫폼의 소유자는 누구입니까?
이 연구 기사에서는 현재 Web2 생성 AI 아키텍처를 다음과 같이 나눕니다.세 가지 수준: 인프라(컴퓨팅 성능), 모델 및 애플리케이션, 또한 이 세 가지 수준의 현재 개발에 대한 견해를 제공합니다.
인프라용, 현재 Web2의 인프라 논리가 여전히 지배적이지만 Web3와 AI를 진정으로 결합한 인프라 프로젝트는 아직 거의 없습니다. 동시에 인프라는 이 단계에서 가장 큰 가치를 포착하는 부분이기도 하다.Web2의 기술 과두들은 수십 년간의 스토리지 분야의 깊은 재배 덕분에 현재 AI 탐색 단계에서 삽을 팔아 상당한 이익을 얻었습니다. 그리고 컴퓨팅 분야.
모델용, AI의 진정한 창시자이자 소유자가 되어야 하지만 현 단계에서는 모델 작성자가 상응하는 상업적 가치를 얻을 수 있도록 지원할 수 있는 비즈니스 모델이 거의 없습니다.
신청을 위해여러 수직 분야에서 수익이 수억 달러를 초과하는 애플리케이션을 축적했지만 높은 유지 관리 비용과 낮은 사용자 유지율만으로는 장기적인 비즈니스 모델을 지원하기에 충분하지 않습니다.
2.3 생성 AI와 Web3의 적용 사례
2.3.1 AI를 적용해 Web3의 대용량 데이터 분석
데이터는 미래 AI 개발 분야에서 기술적 장벽을 세우는 핵심이다.그 중요성을 이해하기 위해 먼저 대형 모델의 성능 소스에 대한 연구를 살펴보겠습니다. 이 연구는 대형 AI 모델이 독특한 특성을 보인다는 것을 보여줍니다.창발능력: 즉, 모델 크기를 지속적으로 증가시켜 특정 임계값을 초과하면 모델 정확도가 갑자기 급격히 증가합니다. 아래 그림과 같이 각 그림은 학습 작업을 나타내며, 각 폴리라인은 대형 모델의 성능(정확도)을 충족합니다. 다양한 대형 모델에 대한 실험은 일관된 결론에 도달했습니다. 모델 크기가 특정 임계값을 초과하면 다양한 작업의 성능이 획기적인 성장을 보입니다.
모델 크기와 모델 성능 간의 관계
Source: Emergent Analogical Reasoning in Large Language Models
간단히 말해서, 모델 규모의 양적 변화는 모델 성능의 질적 변화로 이어집니다.모델 크기는 모델 매개변수 수, 훈련 시간 및 훈련 데이터 품질과 관련이 있습니다. 이 단계에서는 모델 매개변수 수(모든 주요 회사에는 설계를 담당하는 최고 RD 팀이 있음)와 교육 시간(컴퓨팅 하드웨어는 NVIDIA에서 구매함)의 격차를 넓힐 수 없을 때 앞서가는 제품을 구축하는 한 가지 방법이 있습니다. 우수한 틈새 영역을 찾는 것은 킬러 애플리케이션을 만들기 위한 페인 포인트가 필요하지만 이를 위해서는 대상 영역에 대한 깊은 이해와 뛰어난 통찰력이 필요하며, 다른 방법은 경쟁사보다 더 나은 데이터를 수집하는 것보다 더 실용적이고 실현 가능한 방법입니다.점점 더 포괄적인 데이터.
이는 또한 대규모 생성 AI 모델이 Web3 분야에 진입할 수 있는 좋은 진입점을 제공합니다. 기존 AI 대형 모델이나 기본 모델은 다양한 분야의 막대한 양의 데이터를 기반으로 학습되며, Web3의 온체인 데이터의 고유성은체인의 대규모 데이터 모델기대할 만한 가치가 있는 실현 가능한 길이 되어 보세요. 현재 Web3의 데이터 계층에는 두 가지 제품 논리가 있습니다.첫 번째는 데이터 제공자에게 인센티브를 제공하는 것입니다., 데이터 소유자의 개인 정보와 소유권을 보호하는 동시에 사용자가 서로 데이터 사용 권한을 공유하도록 장려합니다. Ocean Protocol은 좋은 데이터 공유 모델을 제공합니다.두 번째는 프로젝트 당사자가 데이터와 애플리케이션을 통합하여 사용자에게 특정 작업에 특정한 서비스를 제공하는 것입니다.예를 들어 Trusta Lab은 사용자의 온체인 데이터를 수집하고 분석하며, 고유한 MEDIA 점수 채점 시스템을 통해 마녀 계정 분석, 온체인 자산 위험 분석 등의 서비스를 제공할 수 있습니다.
2.3.2 Web3 AI 에이전트 적용
위에서 언급한 온체인 AI 에이전트 애플리케이션도 탄력을 받고 있습니다. 대규모 언어 모델의 도움으로 사용자 개인정보 보호를 전제로 정량화 가능한 온체인 서비스를 사용자에게 제공합니다.OpenAI의 인공지능 연구 책임자인 Lilian Weng의 블로그 게시물에 따르면 AI 에이전트는 에이전트 = LLM + 계획 + 메모리 + 도구 사용이라는 네 가지 구성 요소로 나눌 수 있습니다. LLM은 AI Agent의 핵심으로 외부 세계와 상호 작용하고, 방대한 데이터를 학습하고, 이를 자연어로 논리적으로 표현하는 역할을 담당합니다. Planning + Memory 부분은 AlphaGo 훈련을 위한 강화학습 기술의 Action, Policy, Reward 개념과 유사합니다. 작업 목표를 작은 목표로 세분화하고, 여러 번의 반복 훈련의 결과와 피드백을 통해 특정 작업 목표에 최적화된 솔루션을 단계별로 학습하며, 동시에 획득된 정보는 여러 유형의 메모리에 저장됩니다. 다른 기능. 도구 사용의 경우 모듈식 도구 호출, 인터넷 정보 검색, 독점 정보 소스 또는 API 액세스 등과 같은 에이전트의 도구 사용을 의미합니다. 이 정보의 대부분은 사전 훈련 후에 변경하기 어렵다는 점에 주목할 필요가 있습니다. ...
AI 에이전트의 글로벌 다이어그램
Source: LLM Powered Autonomous Agents
AI Agent의 구체적인 구현 로직과 결합하여 Web3 + AI Agent의 결합이 다음과 같은 무한한 상상력을 가져올 것이라고 과감하게 상상할 수 있습니다.
AI 에이전트 모델을 현재 거래 애플리케이션에 추가할 수 있습니다.가격 예측, 거래 전략, 손절매 전략, 동적 레버리지 조정, KOL 지능형 후속 조치, 대출 등을 포함하되 이에 국한되지 않는 거래 기능을 위한 자연어 수준의 대화형 인터페이스를 고객에게 제공할 수 있습니다.
정량적 전략을 실행할 때 전략은 다음과 같이 더 분해될 수 있습니다.각 하위 작업은 서로 다른 AI 에이전트에 의해 구현됩니다., 각 AI 에이전트는 서로 협력하여 개인 정보 보호의 보안을 향상시킬 수 있을 뿐만 아니라 상대방이 취약점을 이용하여 로봇을 반격하는 것을 방지하기 위해 실시간 모니터링을 제공합니다.
체인 게임의 NPC가 다수AI Agent와 자연스럽게 호환되는 적용 방향이기도 합니다.GPT를 활용해 게임 캐릭터의 대화 콘텐츠를 동적으로 생성하는 프로젝트도 이미 있고, 앞으로는 미리 설정된 텍스트에 국한되지 않고, 플레이어 개입 없이 자체적으로 상호 작용할 수 있는 보다 현실적인 실시간 게임 NPC(또는 디지털 휴먼) 상호 작용으로 업그레이드됩니다. 스탠포드 대학교 발행가상 마을”는 훌륭한 적용 사례입니다.
현재 Web3 + AI Agent 프로젝트 센터는 여전히 1차 시장이나 AI 인프라 측면에 집중되어 있고 아직 To C 킬러 애플리케이션은 없지만 블록체인의 다양한 특성을 결합하여분산된 온체인 거버넌스, 영지식 증명 추론, 모델 배포, 해석성 개선 등잠깐, 미래의 판도를 바꾸는 Web3 + AI 프로젝트는 기대할만한 가치가 있습니다.
2.3.3 Web3 + AI의 잠재적 수직 현장 적용
가. 교육분야에서의 적용
Web3와 AI의 결합으로 교육 분야에 혁명이 일어났습니다.그중에서도 생성적 가상현실 교실은 눈에 띄는 혁신이다.. 온라인 학습 플랫폼에 AI 기술을 접목해 학생들은 개인화된 학습 경험을 얻을 수 있고, 시스템은 학생들의 학습 이력과 관심도를 바탕으로 맞춤형 교육 콘텐츠를 생성한다. 이러한 개인화된 접근 방식은 학생들의 학습 동기와 효율성을 향상시켜 교육이 개인의 요구에 더욱 적합하도록 만들 것으로 기대됩니다.
학생들은 몰입형 VR 장비를 통해 가상 현실 수업에 참여합니다.
Source: V-SENSE Team
또한,토큰 모델 신용 인센티브이는 교육 분야에서도 획기적인 사례입니다. 블록체인 기술을 통해 학생의 학점과 성취도를 토큰으로 인코딩하여 디지털 학점 시스템을 구성할 수 있습니다. 이러한 인센티브 메커니즘은 학생들이 학습 활동에 적극적으로 참여하도록 장려하고 보다 참여적이고 동기를 부여하는 학습 환경을 조성합니다.
동시에 최근 인기 있는 SocialFi 프로젝트인 FriendTech에서 영감을 받아 ID에 바인딩된 유사한 주요 가격 책정 논리를 사용하여 급우 간의 상호 평가 시스템을 구축할 수 있으며, 이는 또한 교육에 더 많은 사회적 요소를 제공합니다.블록체인의 변조 불가능성을 활용하여 급우 간의 평가가 더욱 공정하고 투명해집니다. 이러한 상호 평가 메커니즘은 학생들의 팀워크와 사회적 기술을 함양하는 데 도움이 될 뿐만 아니라 학생 성과에 대한 보다 포괄적이고 다각적인 평가를 제공하여 교육 시스템에 보다 다양하고 포괄적인 평가 방법을 도입합니다.
B. 의료분야 적용
의료분야에서는 Web3와 AI의 결합으로 구동연합 학습그리고분산 추론개발. 분산 컴퓨팅과 기계 학습을 통합함으로써 의료 전문가는 더 깊고 포괄적인 그룹 학습을 위해 매우 큰 규모로 데이터를 공유할 수 있습니다. 이러한 집단 지성 접근 방식은 질병 진단 및 치료 옵션의 개발을 가속화하고 의료 분야의 발전을 촉진할 수 있습니다.
개인 정보 보호이는 의료 분야에 적용할 때 무시할 수 없는 핵심 문제입니다. Web3의 분산화와 블록체인의 불변성을 통해 환자의 의료 데이터를 보다 안전하게 저장하고 전송할 수 있습니다. 스마트 계약을 통해 의료 데이터에 대한 정밀한 제어 및 권한 관리를 달성할 수 있으며, 승인된 직원만 환자의 민감한 정보에 접근할 수 있도록 하여 의료 데이터의 개인 정보를 보호할 수 있습니다.
다. 보험분야 적용
보험 분야에서는 Web3와 AI의 통합으로 기존 비즈니스에 더욱 효율적이고 지능적인 솔루션이 제공될 것으로 기대됩니다. 예를 들어 자동차보험이나 주택보험에서는컴퓨터 비전 기술을 활용하면 보험사는 이미지를 통해 가격을 분석하고 추정할 수 있습니다., 부동산 가치와 위험 수준을 보다 효율적으로 평가합니다. 이를 통해 보험사에는 보다 정교하고 개인화된 가격 책정 전략이 제공되며, 보험업계의 리스크 관리 수준이 향상됩니다.
청구 평가에 AI 기술 사용
Source: Tractable Inc
동시에,체인상의 자동 청구 정산이는 보험업계의 혁신이기도 하다. 스마트 계약과 블록체인 기술을 기반으로 청구 프로세스가 더욱 투명하고 효율적이 되어 번거로운 절차와 사람의 개입 가능성이 줄어듭니다. 이를 통해 보험금 처리 속도가 빨라질 뿐만 아니라 운영 비용도 절감되어 보험사와 고객에게 더 나은 경험을 선사합니다.
동적 보험료 조정이는 혁신적 실천의 또 다른 측면입니다.실시간 데이터 분석과 머신러닝 알고리즘을 통해, 보험 회사는 보험료를 보다 정확하고 시기적절하게 조정할 수 있으며, 피보험자의 실제 위험 프로필을 기반으로 개인화된 가격 책정을 수행할 수 있습니다. 이는 보험료를 더 공평하게 만들 뿐만 아니라 피보험자가 더 건강하고 안전한 행동을 채택하도록 장려하여 사회 전반에 걸쳐 위험 관리 및 예방 조치를 촉진합니다.
D. 저작권 분야의 출원
저작권 분야에서는 Web3와 AI의 결합으로 디지털 콘텐츠 제작, 기획 제안, 코드 개발에 새로운 패러다임을 제시합니다. 스마트 계약과 분산형 스토리지를 통해디지털 콘텐츠에 대한 저작권 정보더 나은 보호를 얻을 수 있으며, 저작물 창작자는 자신의 지적 재산을 더 쉽게 추적하고 관리할 수 있습니다. 동시에, 블록체인 기술을 통해 투명하고 변조 불가능한 창의적 기록이 확립될 수 있어 저작물의 추적성과 인증을 위한 보다 신뢰할 수 있는 수단을 제공합니다.
작업 모델의 혁신은 저작권 분야에서도 중요한 변화입니다.토큰 기반 업무 협업작업 기여와 토큰 인센티브를 결합하여 창작자, 기획자, 개발자가 함께 프로젝트에 참여할 수 있도록 유도합니다. 이는 크리에이티브 팀 간의 협업을 촉진할 뿐만 아니라 참가자들에게 프로젝트 성공의 직접적인 혜택을 누릴 수 있는 기회를 제공하여 더욱 뛰어난 작품의 출현으로 이어집니다.
반면에,저작권 증명으로서의 토큰이 애플리케이션은 혜택 분배 모델을 재구성했습니다. 스마트 계약에 의해 자동으로 실행되는 배당 메커니즘을 통해 작업의 각 참가자는 작업이 사용, 판매 또는 양도될 때 실시간으로 해당 수익 지분을 얻을 수 있습니다. 이 분산형 배당 모델은 전통적인 저작권 모델의 불투명성과 지연 문제를 효과적으로 해결하고 창작자에게 보다 공정하고 효율적인 이익 분배 메커니즘을 제공합니다.
마. 메타버스 분야에서의 활용
메타버스 분야에서는 Web3와 AI의 통합이체인 게임 콘텐츠를 채우기 위한 저비용 AIGC 생성새로운 가능성을 제공합니다. AI 알고리즘으로 생성된 가상 환경과 캐릭터는 체인 게임의 콘텐츠를 풍부하게 하고, 사용자에게 더욱 생생하고 다양한 게임 경험을 제공하는 동시에 제작 과정에서 인건비와 시간 비용을 절감할 수 있습니다.
디지털 맨Crafting은 Metaverse 애플리케이션의 혁신입니다. 결합하다대형 언어 모델을 기반으로 머리카락의 상세한 외형 생성 및 사고 구성생성된 디지털 피플은 메타버스에서 다양한 역할을 수행하고, 사용자와 상호작용할 수 있으며, 실제 장면의 디지털 트윈에도 참여할 수 있습니다. 이는 가상 현실 개발을 위한 보다 현실적이고 심오한 경험을 제공하고 엔터테인먼트, 교육 및 기타 분야에서 디지털 가상 인간 기술의 광범위한 적용을 촉진합니다.
체인의 사용자 초상화를 기반으로 광고 콘텐츠를 자동으로 생성합니다.메타버스 분야의 지능형 광고 크리에이티브 어플리케이션입니다. AI 알고리즘은 메타버스에서 사용자의 행동과 선호도를 분석함으로써 보다 개인화되고 매력적인 광고 콘텐츠를 생성하여 광고 클릭률과 사용자 참여를 향상시킬 수 있습니다. 이러한 광고 생성 방법은 사용자의 관심 사항에 더 부합할 뿐만 아니라 광고주에게 보다 효율적인 프로모션 접근 방식을 제공합니다.
생성적 대화형 NFT메타버스 분야에서는 눈에 띄는 기술이다. NFT와 생성적 디자인을 결합함으로써 사용자는 메타버스에서 자신만의 NFT 아트워크 제작에 참여할 수 있으며 상호작용성과 독창성을 부여할 수 있습니다. 이는 디지털 자산의 생성 및 거래에 대한 새로운 가능성을 제공하고 메타버스에서 디지털 아트 및 가상 경제의 발전을 촉진합니다.
3. Web3 관련 대상
여기에서 저자는 5개의 프로젝트를 선택했습니다.Render Network그리고Akash종합 AI 인프라 및 AI 트랙 분야의 베테랑 리더로서,Bittensor 모델 카테고리의 핫아이템으로,Alethea.ai생성적 AI와 밀접한 관련이 있는 응용 프로젝트로서,Fetch.aiAI 에이전트 분야의 랜드마크 프로젝트로서 Web3 분야의 생성 AI 프로젝트 현황을 살펴보겠습니다.
3.1 Render Network（$RNDR）
Render Network는 모회사인 OTOY의 창립자인 Jules Urbach가 2017년에 설립했습니다. OTOY의 핵심 사업은 클라우드 그래픽 렌더링으로, 오스카상을 수상한 영화 및 TV 프로젝트 제작에 참여했으며 Google 및 Mozilla의 공동 창업자를 컨설턴트로 두고 있으며 Apple과의 많은 협력 프로젝트에 참여했습니다. OTOY에서 Web3 분야까지 확장된 렌더 네트워크는 블록체인 기술의 분산 특성을 활용하여 소규모 렌더링 및 AI 요구 사항과 리소스를 분산형 플랫폼에 연결함으로써 소규모 작업장의 임대료를 절약하기 위해 만들어졌습니다. 고가의 중앙 집중식 컴퓨팅 리소스(예: AWS, MS Azure 및 Alibaba Cloud)는 유휴 컴퓨팅 리소스를 사용하는 당사자에게 소득 창출을 제공합니다.
렌더는 고성능 렌더러 옥테인 렌더(Octane Render)를 독자적으로 개발한 OTOY 회사이고 일정한 비즈니스 로직을 가지고 있기 때문에 처음 출시되었을 때 자체 요구 사항과 기본 사항을 갖춘 Web3 프로젝트로 간주되었습니다. 생성 AI가 대세인 시대에 수요가 크게 증가한 분산 검증 및 분산 추론 작업은 Render 자체 기술 아키텍처에 완벽하게 적합하며 기대할만한 향후 개발 방향 중 하나로 간주됩니다. 동시에 렌더는 최근 몇 년간 Web3 분야 AI 트랙에서 선두 자리를 점유하며 어느 정도 밈적 성격을 파생해 왔다. 분산 컴퓨팅 등을 통해 항상 높은 배당금을 거두며, 더욱 다재다능하다고 할 수 있습니다.
Render Network는 2023년 2월에 새로운 기능을 업데이트할 것이라고 발표했습니다.가격 등급 시스템커뮤니티가 투표한 $RNDR가격 안정화 메커니즘(단, 언제 온라인화될지는 아직 결정되지 않았습니다.) 또한 프로젝트가 Polygon에서 Solana로 이전될 것이라고 발표했습니다. (동시에 $RNDR 토큰은 $RENDER 토큰으로 업그레이드될 예정입니다. Solana SPL 표준으로, 프로젝트는 2023년 11월에 이전을 완료했습니다.
렌더 네트워크에서 게시새로운 가격 책정 계층 시스템체인의 서비스는 렌더링 수요자가 선택할 수 있는 다양한 가격과 품질의 렌더링 서비스에 따라 높은 수준에서 낮은 수준까지 세 가지 수준으로 나뉩니다.
Render Network의 새로운 가격 책정 계층 시스템의 3개 계층
그리고 $RNDR은 커뮤니티에서 투표를 받았습니다.가격 안정화 메커니즘, 이전의 불규칙 환매에서 소각 및 조폐 균형(BME) 모델을 사용하도록 변경됨에 따라 $RNDR은 장기 보유 자산이 아닌 가격 안정적인 결제 토큰으로 더욱 분명해졌습니다. BME Epoch의 구체적인 비즈니스 프로세스는 아래 그림과 같습니다.
제품 생성 제품 생성. Render의 제품 제작자는 렌더링 리소스 제공자로서 유휴 렌더링 리소스를 제품(노드)으로 패키징하고 네트워크에서 온라인으로 사용되기를 기다립니다.
구매상품 상품을 구매합니다. 렌더링이 필요한 고객이 $RNDR 토큰을 가지고 있는 경우 서비스 결제로 토큰을 직접 소각할 수 있으며, 그렇지 않은 경우 먼저 DEX에서 법정 통화로 $RNDR을 구매한 후 토큰을 소각할 수 있습니다. 서비스에 대해 지불된 가격은 공개적으로 체인에 기록됩니다.
민트 토큰 민트 토큰. 미리 설정된 규칙에 따라 새 토큰을 할당합니다.
참고: Render Network는 프로젝트 운영을 위해 각 거래에서 제품 구매자 수수료의 5%를 징수합니다.
Burn-and-Mint Equilibrium Epoch
Credit to Petar Atanasovski
Source: Medium
미리 설정된 규칙에 따라 BME가 실행하는 각 에포크마다 미리 설정된 수의 새 토큰이 발행됩니다(미리 설정된 수는 시간이 지남에 따라 점차 감소합니다). 새로 발행된 토큰은 세 당사자에게 배포됩니다:
제품 제작자. 제품 제작자는 두 가지 혜택을 받습니다.
작업 완료에 대한 보상. 보상은 각 제품 노드가 완료한 렌더링 작업 수를 기반으로 하며 이는 이해하기 쉽습니다.
온라인 보상. 각 제품 노드는 온라인 대기 중인 시장에 따라 보상을 받으며, 온라인에서 더 많은 작업을 수행할 수 있도록 리소스를 제한하도록 권장됩니다.
제품 구매자. 쇼핑몰 제품 리베이트와 유사하게 구매자는 $RNDR 토큰 리베이트를 최대 100%까지 받을 수 있어 향후에도 Render Network의 지속적인 사용을 장려할 수 있습니다.
DEX(분산형 거래소) 유동성 공급자. 협동 DEX의 유동성 공급자는 $RNDR을 소각해야 할 때 합리적인 가격으로 충분한 양의 $RNDR을 구매할 수 있도록 보장하기 때문에 약속된 $RNDR 금액을 기준으로 보상을 받을 수 있습니다.
Source: coingecko.com
$RNDR은 지난 해 $RNDR의 가격 추세를 통해 수년 동안 Web3 AI 트랙의 선두 프로젝트로서 ChatGPT가 주도한 AI 붐의 물결에서 이익을 얻었음을 알 수 있습니다. 2022년 말과 2023년 초. 동시에 새로운 세대의 통화 메커니즘이 출시되면서 $RNDR의 가격은 2023년 상반기에 최고점에 도달했습니다. 하반기에는 새로운 OpenAI 컨퍼런스를 통해 AI가 회복되고, Render Network가 솔라나로 마이그레이션되고 새로운 토큰 메커니즘이 곧 구현될 것이라는 긍정적인 기대로 인해 $RNDR의 가격은 횡보했습니다. 더 높은 수준에 도달했으며 최근 몇 년간 최고점에 도달했습니다. $RNDR의 기본은 거의 변하지 않았기 때문에 투자자의 경우 $RNDR에 대한 향후 투자에는 보다 신중한 포지션 관리와 위험 제어가 필요합니다.
렌더 네트워크 월별 노드 수
렌더 네트워크 월별 렌더링된 장면 수
Source: Dune.com
동시에 Dune 데이터 대시보드에서 2023년 초부터 총 렌더링 작업 수가 증가했지만 렌더링 노드는 증가하지 않았음을 확인할 수 있습니다. 이는 추가된 사용자가 (렌더링 리소스가 있는 사용자가 아닌) 렌더링이 필요한 모든 사용자임을 의미하며, 2022년 말 제너레이티브 AI 열풍과 합쳐지면 추가된 렌더링 작업은 모두 생성 AI 관련 작업이라고 추론하는 것이 타당하다. . 현재로서는 이 부분의 수요가 장기수요라고 단정하기는 어려우며, 추가적인 관찰이 필요하다.
3.2 Akash Network ($AKT)
Akash Network는 개발자와 기업에 보다 유연하고 효율적이며 경제적인 클라우드 컴퓨팅 솔루션을 제공하도록 설계된 분산형 클라우드 컴퓨팅 플랫폼입니다. 본 프로젝트가 구축한 슈퍼클라우드 플랫폼은 분산형 블록체인 기술을 기반으로 구축되며, 블록체인의 분산형 특성을 활용해 사용자에게 전 세계적으로 애플리케이션을 배포하고 실행할 수 있는 분산형 클라우드를 제공한다. 저장.
Akash Network의 창립자인 Greg Osuri와 Adam Bozanich는 수년 동안 함께 일해 온 연쇄 기업가로, 각각 다년간의 프로젝트 경험을 갖고 있으며, 그들은 함께 Overclock Labs 프로젝트를 설립했으며, 이 프로젝트는 여전히 Akash Network의 핵심 참여자입니다. 풍부한 경험을 통해 창립팀은 클라우드 컴퓨팅 비용을 줄이고, 가용성을 향상시키며, 컴퓨팅 리소스에 대한 사용자의 통제력을 높이는 Akash Network의 주요 임무를 명확하게 설정할 수 있었습니다. 공개 입찰을 통해 리소스 공급자는 네트워크에서 유휴 컴퓨팅 리소스를 개방하도록 권장되며, Akash Network는 리소스를 보다 효율적으로 활용하여 리소스 수요자에게 보다 경쟁력 있는 가격을 제공합니다.
Akash Network는 다음을 포함하여 현재 토큰 경제의 많은 단점을 해결하는 것을 목표로 2023년 1월 Akash Network Economics 2.0 업데이트 계획을 시작했습니다.
$AKT 토큰의 시장 가격 변동으로 인해 장기 계약 가격이 해당 가치와 일치하지 않게 되었습니다.
리소스 공급자에 대한 인센티브는 자신의 손에 있는 대량의 컴퓨팅 성능을 공개하기에 충분하지 않습니다.
부족한 커뮤니티 인센티브는 Akash 프로젝트의 장기적인 발전에 도움이 되지 않습니다.
$AKT 토큰의 가치 확보가 부족하여 프로젝트 안정성에 영향을 미칠 위험
공식 웹사이트에 제공된 정보에 따르면 Akash Network Economics 2.0 계획에서 제안한 솔루션에는 안정적인 통화 지불 도입, 프로토콜 수입 증가를 위해 계란 먹기 주문 수수료 추가, 자원 공급자에 대한 인센티브 증가 및 커뮤니티 인센티브 금액 등안정적인 화폐 결제 기능그리고주문 및 주문 접수에 대한 처리 수수료 기능이미 온라인으로 설치되어 있습니다.
Akash Network의 기본 토큰인 $AKT는 서약 확인(보안), 인센티브, 네트워크 거버넌스 및 거래 수수료 지불을 포함하여 프로토콜에서 다양한 용도로 사용됩니다. 공식 웹사이트에 제공된 데이터에 따르면 $AKT의 총 공급량은 3억 8,800만 개입니다. 2023년 11월 현재 2억 2,900만 개가 잠금 해제되어 약 59%를 차지합니다. 프로젝트가 시작될 때 배포된 창립 토큰은 2023년 3월에 완전히 잠금 해제되어 2차 시장 유통에 진입했습니다. 제네시스 토큰의 분배 비율은 다음과 같습니다.
가치 포착 측면에서 $AKT가 구현하려고 하는 기능 중 아직 적용되지는 않았지만 백서에 언급된 기능 중 하나는 Akash가 각 성공적인 임대에 대해 수집 수수료를 부과할 계획이라는 점에 주목할 가치가 있습니다. 그런 다음 이 수수료를 보유자에게 분배하기 위해 Take Income Pool로 보냅니다. 이 프로그램은 $AKT 거래에 대해 10%의 수수료를 제공하고 기타 암호화폐를 사용하는 거래에 대해 20%의 수수료를 제공합니다. 또한 Akash는 $AKT 보유량을 장기간 동결한 보유자에게 보상을 제공할 계획입니다. 따라서 더 오래 보유하는 투자자는 더 많은 보상을 받을 수 있습니다. 향후 이 계획이 성공적으로 추진된다면 이는 분명 환율 상승의 주요 원동력이 될 것이며, 프로젝트의 가치를 더 잘 평가하는 데에도 도움이 될 것입니다.
Source: coingecko.com
coincko.com에 표시된 가격 추세를 보면 $AKT 가격도 2023년 8월 중순과 11월 말에 상승했지만 여전히 2023년 같은 기간의 다른 프로젝트 상승만큼 좋지는 않았습니다. AI 트랙은 현재와 동일할 수도 있으며 금융심리 경향과 관련이 있습니다. 전반적으로 Akash의 프로젝트는 AI 트랙의 여러 고품질 프로젝트 중 하나이며 AI 트랙의 대부분의 경쟁사보다 기본이 더 좋습니다. 잠재적인 사업 수입은 프로토콜의 미래 이익 기회를 가져올 수 있습니다.AI 산업의 발전과 클라우드 컴퓨팅 리소스에 대한 수요 증가로 인해 앞으로는 다음 AI에서 Akash Network가 급등할 것으로 예상됩니다. 파도.
3.3 Bittensor （$TAO）
독자들이 $BTC의 기술 아키텍처에 익숙하다면 Bittensor의 디자인을 이해하는 것은 매우 쉬울 것입니다. 실제로 Bittensor를 설계할 때 저자는 암호화폐의 베테랑인 $BTC의 많은 특징을 활용했습니다. 여기에는 총 토큰 수가 2,100만 개이고 생산량이 약 4년마다 절반으로 줄어들며 PoW 합의 메커니즘이 포함됩니다. 등. 구체적으로 초기 비트코인 출력 프로세스를 상상해본 후 실제 가치를 창출할 수 없는 난수를 계산하는 마이닝 프로세스를 AI 모델의 훈련과 검증으로 대체하고 AI 모델의 성능과 신뢰성을 기반으로 해보자. Bittensor($TAO)의 프로젝트 구조를 간단하게 요약한 것입니다.
Bittensor 프로젝트는 두 명의 AI 연구원인 Jacob Steeves와 Ala Shaabana가 2019년에 처음 설립했으며, 주요 프레임워크는 신비한 작가 Yuma Rao가 작성한 백서의 내용을 기반으로 합니다. 간단히 요약하자면, 라이선스가 필요 없는 오픈소스 프로토콜을 설계하고 다양한 서브넷으로 연결된 네트워크 아키텍처를 구축했으며, 서로 다른 작업(기계 번역, 이미지 인식 및 생성, 대규모 언어 모델 등)을 담당하는 다양한 서브넷으로 구성되어 뛰어난 작업 완성도를 자랑합니다. 서브넷이 서로 상호 작용하고 배울 수 있도록 하면서 보상을 받게 됩니다.
현재 시장에 나와 있는 대형 AI 모델을 돌이켜보면 예외 없이 모두 거대 기술 기업이 투자한 엄청난 양의 컴퓨팅 리소스와 데이터에서 파생된 것입니다. 이렇게 훈련된 AI 제품이 놀라운 성능을 발휘하는 것은 사실이지만, 이 형태는 중앙집권적인 악이 발생할 위험도 매우 높습니다. Bittensor 인프라 설계를 통해 의사소통 전문가 네트워크가 서로 소통하고 학습할 수 있습니다.대규모 모델의 분산형 교육기초가 마련되었습니다. Bittensor의 장기 비전은 일치하는 추론 성능을 달성하기 위해 모델의 분산 특성을 유지하면서 OpenAI, Meta, Google과 같은 거대 기업의 비공개 소스 모델과 경쟁하는 것입니다.
Bittensor 네트워크의 기술 핵심은 PoW와 PoS를 혼합한 합의 메커니즘인 Yuma 합의라고도 알려진 Yuma Rao가 고유하게 설계한 합의 메커니즘에서 비롯됩니다. 공급측의 주요 참가자는 서버(즉, 채굴자)와 검증자(즉, 검증자)로 나뉘며, 수요측의 참가자는 네트워크에서 모델을 사용하는 클라이언트(즉, 고객)입니다. 채굴자는 현재 서브넷 작업에 대해 사전 훈련된 모델을 제공할 책임이 있으며, 그들이 받는 인센티브는 제공된 모델의 품질에 따라 달라지며, 검증자는 모델 성능을 검증하고 채굴자와 고객 사이의 중개자 역할을 담당합니다. 구체적인 프로세스는 다음과 같습니다.
클라이언트는 특정 서브넷에서 모델을 사용하기 위한 요구 사항과 계산할 데이터를 검증자에게 보냅니다.
검증자는 서브넷 아래의 다양한 채굴자에게 데이터를 배포합니다.
채굴자는 자체 모델과 수신된 데이터를 사용하여 모델 추론을 수행하고 결과를 반환합니다.
검증자는 수신된 추론 결과를 품질에 따라 정렬하고, 정렬된 결과는 체인에 저장됩니다.
최적의 추론 결과는 사용자에게 반환되고, 채굴자는 순서에 따라 정렬되며, 검증자는 작업량에 따라 보상을 받습니다.
대다수의 서브넷에서는Bittensor 자체는 어떤 모델도 훈련하지 않습니다., 그 역할은 모델 제공자와 모델 수요자를 연결하는 것과 비슷하며, 이를 기반으로 소규모 모델 간의 상호 작용을 추가로 사용하여 다양한 작업의 성능을 향상시킵니다. 현재 다양한 작업 모델에 해당하는 온라인 상태인(또는 온라인 상태였던) 30개의 서브넷이 있습니다.
Bittensor의 기본 토큰인 $TAO의 기능에는 서브넷 생성, 서브넷 등록, 결제 서비스, 검증인에 대한 스테이킹 등이 포함되어 생태계에서 중추적인 역할을 합니다. 동시에 BTC 정신에 경의를 표하는 Bittensor 프로젝트 팀의 접근 방식으로 인해 $TAO는공정한 시작즉, 모든 토큰은 네트워크에 기여함으로써 생성됩니다. 현재 $TAO의 일일 생산량은 약 7,200이며 채굴자와 검증자에게 균등하게 분배됩니다. 프로젝트 출시 이후 총 생산된 수량은 2,100만개의 약 26.3%이며, 이 중 87.21%의 토큰이 서약 및 검증에 사용되었습니다. 동시에 이 프로젝트는 4년에 한 번씩(BTC와 동일) 생산량을 절반으로 줄이는 설계를 했으며, 가장 최근의 생산일은 2025년 9월 20일로 예정되어 있으며, 이는 가격 상승의 주요 원동력이기도 합니다.
Credit: taostats.io
가격 추이를 보면 2023년 10월 말부터 $TAO 가격이 급등한 것을 알 수 있습니다. OpenAI 출시로 인한 새로운 AI 열풍이 주된 원동력인 것으로 추측됩니다. 자본 부문이 AI 부문으로 순환하게 만들었다. . 동시에 Web3 + AI 트랙의 신흥 프로젝트인 $TAO의 우수한 프로젝트 품질과 장기적인 프로젝트 비전도 자금 유치의 주요 이유입니다. 그러나 다른 AI 트랙 프로젝트와 마찬가지로 Web3 + AI의 결합은 큰 잠재력을 갖고 있지만 실제 비즈니스에 적용하는 것만으로는 장기적으로 수익성 있는 프로젝트를 지원하기에는 충분하지 않다는 점을 인정해야 합니다.
3.4 Alethea.ai（$ALI）
2020년에 설립된 Alethea.ai는 블록체인 기술을 사용하여 생성 콘텐츠에 분산 소유권과 분산 거버넌스를 도입하는 데 전념하는 프로젝트입니다. Alethea.ai의 창립자는 생성적 AI가 생성적 콘텐츠가 정보 중복으로 이어지는 시대를 가져올 것이라고 믿습니다. 많은 양의 전자 콘텐츠는 단순히 복사하여 붙여넣거나 한 번의 클릭으로 생성하면 되지만, 원래 생성한 사람들은 가치는 소득이 될 수 없습니다. 온체인 프리미티브(예: NFT)를 생성적 AI와 연결함으로써 생성적 AI 및 해당 콘텐츠의 소유권을 보장할 수 있으며, 이를 기반으로 커뮤니티 거버넌스를 수행할 수 있습니다.
이 개념에 힘입어 초기 Alethea.ai는 Intelligence Pod를 사용하여 임베디드 AI 애니메이션, 음성 합성, 생성 AI까지 이미지로 생성할 수 있는 iNFT라는 새로운 NFT 표준을 출시했습니다. 또한, Alethea.ai는 예술가들과 협력하여 그들의 작품을 iNFT로 전환했으며, 이 작품은 소더비 경매에서 미화 478,000달러라는 높은 가격에 낙찰되었습니다.
NFT에 영혼을 주입하세요
Source: Alethea.ai
나중에 Alethea.ai는 모든 생성 AI 개발자와 제작자가 허가 없이 iNFT 표준을 사용하여 창작할 수 있도록 하는 AI 프로토콜을 출시했습니다. 동시에, Alethea.ai는 다른 프로젝트가 자체 AI 프로토콜을 사용하는 모범을 보이기 위해 GPT 대형 모델 이론을 활용하여 대화형 NFT를 만들기 위한 도구인 CharacterGPT를 출시했습니다. 또한 Alethea.ai는 최근 시장에 있는 모든 ERC-721 NFT를 인텔리전스와 결합하여 AI 프로토콜에 출시할 수 있는 Open Fusion을 출시했습니다.
Alethea.ai의 기본 토큰은 $ALI이며 4가지 주요 용도로 사용됩니다.
iNFT를 생성하려면 일정량의 $ALI를 잠그세요.
자물쇠가 많을수록 정보 포드의 레벨이 높아집니다.
$ALI 보유자는 커뮤니티 거버넌스에 참여합니다.
$ALI는 iNFT 간의 상호 작용에 참여하기 위한 자격 증명으로 사용될 수 있습니다(아직 실제 사용 사례는 없음).
Source: coingecko.com
$ALI의 사용 사례에서 볼 수 있듯이 이 토큰의 현재 가치 포착은 여전히 서술적 수준에 남아 있습니다. 이 추론은 1년 이내에 통화 가격 변화에서도 확인할 수 있습니다. $ALI는 추세를 활용했습니다. 2022년 12월부터 ChatGPT 제공. 생성적 AI 붐 보너스. 동시에 올해 6월 Alethea.ai가 최신 Open Fusion 기능 출시를 발표하면서 많은 이익을 가져왔습니다. 게다가 $ALI 가격은 하락세를 보이고 있으며, 2023년 말 AI 붐에도 불구하고 같은 트랙의 프로젝트 평균 상승 수준까지 가격을 끌어올리지 못했습니다.
네이티브 토큰 외에도 NFT 프로젝트의 성과와 NFT 시장에서 Alethea.ai의 iNFT(공식 출시 컬렉션 포함)의 성과를 살펴보겠습니다.
Opensea의 Intelligence Pod 일일 판매
Opensea에서 Revenants Collection 일일 판매
Source: Dune.com
Dune 대시보드 통계에서 우리는 제3자에게 판매된 Intelligence Pod와 Alethea.ai의 첫 번째 당사자가 발행한 Revenants 컬렉션이 초기 출시 기간 이후 점차 사라지는 것을 볼 수 있습니다. 그 주된 이유는 초기의 참신함이 사라진 후에는 사용자를 유지할 실질적인 가치나 커뮤니티 인기가 없기 때문이라고 생각합니다.
3.5 Fetch.ai（$FET）
Fetch.ai는 인공지능과 블록체인 기술의 통합을 촉진하는 데 전념하는 프로젝트입니다. 회사의 목표는 머신러닝, 블록체인, 분산 원장 기술을 결합해 스마트 에이전트 간의 경제 활동을 지원하는 분산형 스마트 경제를 구축하는 것입니다.
Fetch.ai는 영국의 과학자인 Humayun Sheikh, Toby Simpson 및 Thomas Hain이 2019년에 설립했습니다. 세 명의 창업자는 딥마인드의 초기 투자자인 후마윤 셰이크(Humayun Sheikh), 여러 회사에서 임원을 역임한 토비 심슨(Toby Simpson), 셰필드 대학교 인공지능 교수인 토마스 헤인(Thomas Hain) 등 매우 풍부한 배경을 가지고 있습니다. Fetch.ai 창립 팀의 깊은 배경은 전통적인 IT 회사, 블록체인 스타 프로젝트, 의료 및 슈퍼컴퓨팅 프로젝트 및 기타 분야를 포괄하는 풍부한 산업 자원을 회사에 제공합니다.
Fetch.ai의 임무는 자율 경제 에이전트와 AI 애플리케이션으로 구성된 분산형 네트워크 플랫폼을 구축하여 개발자가 자율 에이전트를 생성하여 미리 설정된 목표 작업을 완료할 수 있도록 하는 것입니다. 플랫폼의 핵심 기술은 고유한 3계층 아키텍처입니다.
하단 레이어: PoS-uD(무허가 지분 증명 합의 메커니즘)를 기반으로 하는 기본 스마트 계약 네트워크는 채굴자 간의 협업과 기본적인 기계 학습 교육 및 추론을 지원합니다.
중간 계층: OEF(Open Economic Framework, Open Economic Framework)는 AEA가 서로 상호 작용할 수 있는 공유 공간을 제공하고 AEA가 기본 프로토콜과 상호 작용할 수 있도록 하며 AEA 간의 상호 검색, 발견 및 거래도 지원합니다.
상위 레이어: Fetch.ai의 핵심 구성 요소인 AEA(Autonomous Economic Agent). 각 AEA는 다양한 기술 모듈을 통해 다양한 기능을 구현하고 사용자를 대신하여 사전 설정된 작업을 완료할 수 있는 지능형 에이전트 소프트웨어입니다. 에이전트 소프트웨어는 블록체인에서 직접 실행되지 않지만 중간 계층 OEF를 통해 블록체인 및 스마트 계약과 상호 작용합니다. 이러한 종류의 지능형 에이전트 소프트웨어는 순수 소프트웨어일 수도 있고 휴대폰, 컴퓨터, 자동차 등과 같은 실제 하드웨어에 바인딩될 수도 있습니다. 공식은 구성 가능한 AEA 프레임워크인 Python 기반 개발 키트를 제공하므로 개발자는 이를 사용하여 자체 지능형 에이전트 소프트웨어를 구축할 수 있습니다.
이 아키텍처를 기반으로 Fetch.ai는 플랫폼에서 사용자를 지원하기 위해 Co-Learn(에이전트 간 공유 기계 학습 모델) 및 Metaverse(지능형 에이전트 클라우드 호스팅 서비스)와 같은 다양한 후속 제품 및 서비스를 출시했습니다. 나만의 지능형 에이전트.
토큰 측면에서 Fetch.ai의 기본 토큰인 $FET는 네트워크 내에서 가스 지불, 스테이킹 확인 및 서비스 구매 등의 일반적인 기능을 다룹니다. $FET는 현재 90% 이상의 토큰을 잠금 해제했으며 구체적인 분배는 다음과 같습니다.
프로젝트 출시 이후 Fetch.ai는 희석성 토큰 보유 형태로 여러 차례 자금 조달을 받았습니다. 가장 최근 자금 조달은 2023년 3월 29일에 Fetch.ai가 DWF Lab으로부터 3천만 달러의 자금 조달을 받았습니다. $FET 토큰은 프로젝트 수입 측면에서 가치를 포착하지 않기 때문에 가격 인상의 원동력은 주로 프로젝트 업데이트와 AI 트랙에 대한 시장 정서에서 비롯됩니다. AI 분야의 두 가지 인기를 살려 Fetch.ai의 가격이 2023년 초와 2023년 말에 100% 이상 급등한 것을 볼 수 있습니다.
Source: coingecko.com
다른 블록체인 프로젝트가 개발되고 주목받는 방식과 비교할 때 Fetch.ai의 개발 경로는 기술 수준을 연마하고 지속적인 자금 조달과 광범위한 협력을 통해 명성을 구축하고 이익 포인트를 찾는 데 초점을 맞춘 Web2.0 AI 스타트업 프로젝트에 가깝습니다. . 이러한 접근 방식은 향후 Fetch.ai를 기반으로 개발된 애플리케이션을 개발할 수 있는 넓은 공간을 남겨 주지만, 개발 모델 또한 다른 블록체인 프로젝트에 대한 매력을 떨어뜨려 생태적 활력을 활성화하지 못합니다(Fetch.ai의 창립자 중 한 명이 직접 구축한 Fetch.ai를 기반으로 한 DEX 프로젝트 Mettalex DEX가 있었지만 결국 아무것도 아니었습니다.) Fetch.ai 프로젝트는 인프라 중심의 프로젝트로서 생태계의 쇠퇴로 인해 본질적인 가치를 높이기가 어렵습니다.
4. 생성 AI의 미래는 유망하다
엔비디아 CEO 젠슨 황(Jensen Huang)은 생성적 대형 모델의 출시를 AI의 아이폰 순간이라고 부르며, 이 단계에서 AI를 생산하기 위한 부족한 자원은 고성능 컴퓨팅 칩을 중심으로 한 인프라입니다. Web3에서 가장 많은 자금이 락업된 AI 하위 트랙인 AI 인프라 프로젝트는 항상 투자자들의 장기 연구의 초점이었습니다. 거대 칩 업체들이 점차 컴퓨팅 성능 장비를 업그레이드하고 AI 컴퓨팅 성능이 점차 증가하며 더 많은 AI 기능이 잠금 해제됨에 따라 앞으로 Web3 하위 분야에서 더 많은 AI 인프라 프로젝트가 탄생할 것으로 예상됩니다.미래에는 Web3의 AI 훈련을 위해 특별히 설계되고 생산된 칩의 출현도 기대할 수 있습니다.
현재 To C 생성 AI 제품의 개발은 아직 실험 단계에 있지만 ToB 산업용 등급 제품 중 일부는 큰 잠재력을 보여주었습니다. 그 중 하나는 실제 장면을 디지털 영역으로 마이그레이션하는 것입니다.디지털 트윈기술은 NVIDIA가 메타버스 비전을 위해 출시한 디지털 트윈 과학 컴퓨팅 플랫폼과 결합되어 업계가 아직 공개되지 않은 막대한 데이터 가치를 가지고 있다는 점을 고려할 때 생성 AI는 산업 시나리오에서 디지털 트윈에 중요한 도움이 될 것입니다. 메타버스(Metaverse), 디지털 콘텐츠 제작, 실제 세계 자산 및 기타 측면을 포함한 Web3 분야로 나아가면 AI로 구동되는 디지털 트윈 기술의 영향을 받을 것입니다.
새로운 대화형 하드웨어개발 역시 무시할 수 없는 부분이다. 역사를 되돌아보면 컴퓨터 분야의 모든 하드웨어 혁신은 오늘날 보편화된 컴퓨터 마우스나 멀티 터치 정전식 화면을 탑재한 iPhone 4와 같이 엄청난 변화와 새로운 개발 기회를 가져올 것입니다. 이미 2024년 1분기 출시 예정Apple Vision Pro, 놀라운 데모로 전 세계에서 많은 관심을 받았고, 실제로 출시되면 다양한 산업계에 예상치 못한 변화와 기회를 가져올 것입니다. 신속한 콘텐츠 제작과 폭넓은 보급이라는 장점으로 인해 대규모 엔터테인먼트 분야는 모든 하드웨어 기술 업데이트의 첫 번째 혜택을 받는 경우가 많습니다. 물론 여기에는 향후 독자들의 장기적인 관심과 연구 가치가 있는 Metaverse, 체인 게임, Web3의 NFT 등 다양한 시각적 엔터테인먼트 트랙도 포함됩니다.
장기적으로 제너레이티브 AI의 발전은양적 변화는 질적 변화를 가져온다의 과정. ChatGPT의 본질은 질의응답 추론 문제에 대한 솔루션이며, 질의응답 추론은 오랫동안 학계에서 광범위한 관심과 연구를 불러일으킨 문제이다. 데이터와 모델을 장기간 반복한 끝에 마침내 놀라운 GPT-4 수준에 도달했습니다. Web3의 AI 애플리케이션도 마찬가지인데, 아직은 Web2의 모델을 Web3에 도입하는 단계이고, 전적으로 Web3 데이터를 기반으로 개발된 모델은 아직 등장하지 않았습니다. 앞으로는 Web3의 실질적인 문제를 연구하는 데 선견지명이 있는 프로젝트 당사자와 많은 자원을 투자해야 Web3 자체의 ChatGPT 수준 킬러 앱이 점차 가까워질 수 있습니다.
현 단계에서 제너레이티브 AI의 기반 기술 역시 탐구할 가치가 있는 방향이 여러 가지 있는데, 그 중 하나가 논리 구현 방식이다.생각의 사슬(생각의 사슬) 기술. 간단히 말해서, 사고 체인 기술을 통해 대규모 언어 모델은 다단계 추론에서 질적인 도약을 달성할 수 있습니다. 그러나 사고 사슬의 사용은 복잡한 논리에서 대형 모델의 추론 능력이 부족하다는 문제를 해결하지 못하거나 어느 정도 야기했습니다. 이 측면에 관심이 있는 독자는 Thought Chain을 읽어야 합니다.원저자의 논문。
ChatGPT의 성공으로 인해 Web3에서는 다양한 인기 GPT 체인이 등장하게 되었지만, GPT와 스마트 계약의 단순하고 투박한 조합으로는 실제로 사용자의 요구를 해결할 수 없습니다. ChatGPT가 출시된 지 약 1년이 지났습니다. 장기적으로 보면 그것은 단지 스냅일 뿐입니다. 미래의 제품도 Web3 사용자 자신의 실제 요구에서 시작되어야 합니다. 점점 성숙해지는 Web3 기술과 함께 제너레이티브 AI가 Web3에서 중요한 역할을 합니다. 적용 가능성은 무궁무진하며 기대할 가치가 있습니다.
참고자료
Google Cloud Tech - Introduction to Generative AI
The Economics of Large Language Models
확산 모델이 시작되면 GAN은 쓸모 없게 될까요? ? ?
Illustrating Reinforcement Learning from Human Feedback (RLHF)
Who Owns the Generative AI Platform?
Apple Vision Pro, Full Moon Rethink 출시: XR, RNDR 및 공간 컴퓨팅의 미래
Emergent Analogical Reasoning in Large Language Models
Akash Network Token (AKT) Genesis Unlock Schedule and Supply Estimates
성명
이 보고서는 다음에 의해 작성되었습니다.@GryphsisAcademy재학생@chenyangjamie,존재하다@CryptoScott_ETH，@Zou_Block의 지도하에 완성된 원작. 모든 내용에 대한 책임은 전적으로 작성자에게 있으며, 이는 그리프시스 아카데미의 견해나 보고서를 의뢰한 기관의 견해가 반드시 반영되지는 않습니다. 편집 내용과 결정은 독자의 영향을 받지 않습니다. 저자가 이 보고서에 언급된 암호화폐를 소유하고 있을 수 있다는 점에 유의하시기 바랍니다. 이 문서는 정보 제공 목적으로만 작성되었으며 투자 결정에 의존해서는 안 됩니다. 투자 결정을 내리기 전에 스스로 조사를 수행하고 편견 없는 재정, 세금 또는 법률 자문가와 상담하는 것이 좋습니다. 자산의 과거 실적이 미래 수익을 보장하지 않는다는 점을 기억하세요.
IOS
Android