원제: 암호화폐와 AI의 교차점 이해

원작자: Lucas Tcheyan

원곡: Rhythm Workers, BlockBeats

목차

소개하다

핵심 개념 용어 설명

인공지능 + 암호화폐 파노라마

분산 컴퓨팅

개요

분산 컴퓨팅

수직 필드

일반 컴퓨팅

2차 시장

분산형 기계 학습 교육

분산형 일반 인공지능

AI 모델을 위한 분산 컴퓨팅 스택 구축

기타 분산형 제품

시야

스마트 계약 및 영지식 기계 학습(zkML)

영지식 머신러닝(zkML)

인프라 및 도구

보조 프로세서

애플리케이션

시야

인공지능 에이전트

대행사 제공자

비트코인과 AI 에이전트

시야

결론적으로

소개하다

블록체인의 출현은 틀림없이 컴퓨터 과학 역사상 가장 중요한 발전 중 하나입니다. 동시에, 인공 지능의 발전은 우리 세계에 엄청난 영향을 미치게 될 것이며 이미 영향을 미치고 있습니다.블록체인 기술이 거래 정산, 데이터 저장, 시스템 설계에 새로운 패러다임을 제시한다면 인공지능은 컴퓨팅, 분석, 콘텐츠 제작 분야의 혁명이다.두 산업 모두의 혁신으로 인해 향후 몇 년 동안 두 산업 모두의 채택을 가속화할 수 있는 새로운 사용 사례가 열리고 있습니다. 이 보고서는 암호화폐와 인공 지능의 통합을 탐구하고 둘 사이의 격차를 해소하고 둘의 힘을 활용하려는 새로운 사용 사례에 중점을 둡니다. 특히 이 보고서는 분산 컴퓨팅 프로토콜, 영지식 기계 학습(zkML) 인프라 및 인공 지능 에이전트에 대한 프로젝트를 조사합니다.

암호화폐는 인공 지능을 위한 무허가성, 무신뢰성, 구성 가능한 결제 계층을 제공합니다.이는 분산형 컴퓨팅 시스템을 통해 하드웨어에 대한 접근성을 높이고, 가치 교환이 필요한 복잡한 작업을 수행할 수 있는 인공 지능 에이전트를 구축하고, Sybil 공격 및 딥페이크 기술에 맞서기 위한 신원 및 출처 솔루션 개발과 같은 더 많은 사용 사례를 열어줍니다(Deepfake). Web 2에서 이미 확인된 것처럼 인공 지능은 암호화폐에 많은 이점을 제공합니다. 여기에는 ChatGPT와 특별히 훈련된 Copilot 버전과 같은 대규모 언어 모델을 통해 사용자와 개발자를 위한 향상된 사용자 경험(UX)뿐만 아니라 스마트 계약 기능 및 자동화를 크게 향상시킬 수 있는 잠재력도 포함됩니다. 블록체인은 인공 지능에 필요한 투명하고 데이터가 풍부한 환경입니다. 하지만 블록체인의 컴퓨팅 성능도 제한되어 있어 인공지능 모델을 직접 통합하는 데 큰 장애물이 됩니다.

암호화폐와 인공 지능의 교차점에서 진행 중인 실험과 최종 채택의 원동력은 바로 암호화폐의 가장 유망한 사용 사례, 즉 가치 이전을 더 쉽게 촉진하는 무허가, 무신뢰 오케스트레이션 레이어를 주도하는 것입니다. 엄청난 잠재력을 감안할 때 현장의 플레이어는 이 두 기술이 교차하는 근본적인 방식을 이해해야 합니다.

핵심 아이디어:

가까운 미래(6개월~1년)에는 개발자 효율성, 스마트 계약 감사 가능성 및 보안, 사용자 책임 유용성을 높이는 AI 애플리케이션이 암호화폐와 AI의 통합을 주도하게 될 것입니다. 이러한 통합은 암호화폐에만 국한되지 않지만 온체인 개발자와 사용자의 경험을 향상시킵니다.

고성능 GPU가 심각한 부족을 겪고 있는 것처럼, 분산 컴퓨팅 제품에서도 AI 맞춤형 GPU 제품이 개발되고 있어 도입을 강력히 뒷받침하고 있습니다.

사용자 경험과 규제는 분산형 컴퓨팅 고객에게 여전히 장벽으로 남아 있습니다. 그러나 최근 OpenAI의 발전과 미국에서 진행 중인 규제 조사는 무허가성, 검열 저항성, 분산형 인공 지능 네트워크의 가치 제안을 강조합니다.

온체인 AI 통합, 특히 AI 모델을 사용할 수 있는 스마트 계약을 위해서는 zkML 기술 및 오프체인 계산을 검증하는 기타 계산 방법의 개선이 필요합니다. 포괄적인 도구와 개발 인력이 부족하고 높은 비용이 도입의 장애물입니다.

AI 에이전트는 사용자(또는 에이전트 자체)가 다른 서비스, 에이전트 또는 개인과 거래하기 위해 지갑을 만들 수 있는 암호화폐에 이상적입니다. 이는 현재 전통적인 금융 채널에서는 달성하는 것이 불가능합니다. 더 폭넓게 채택하려면 비암호화폐 제품과의 추가 통합이 필요합니다.

용어 설명:

인공지능(Artificial Intelligence)은 컴퓨팅과 기계를 이용해 인간의 추론과 문제 해결 능력을 모방하는 것입니다.

신경망은 AI 모델을 위한 훈련 방법입니다. 일련의 알고리즘 계층을 통해 입력 데이터를 처리하고 원하는 출력을 생성할 때까지 지속적으로 최적화합니다. 신경망은 출력을 변경하기 위해 수정할 수 있는 수정 가능한 가중치가 있는 방정식으로 구성됩니다. 출력이 정확한지 확인하기 위해 훈련하려면 많은 양의 데이터와 계산이 필요할 수 있습니다. 이는 AI 모델을 개발하는 가장 일반적인 방법 중 하나입니다(예: ChatGPT는 Transformer 기반 신경망 프로세스를 사용합니다).

훈련은 신경망과 기타 AI 모델을 개발하는 과정입니다. 입력을 올바르게 해석하고 정확한 출력을 생성하기 위해 모델을 훈련하려면 많은 양의 데이터가 필요합니다. 훈련 과정에서 모델 방정식의 가중치는 만족스러운 출력이 생성될 때까지 지속적으로 수정됩니다. 훈련 비용은 매우 비쌀 수 있습니다. 예를 들어 ChatGPT는 수만 개의 GPU를 사용하여 데이터를 처리합니다. 리소스가 적은 팀은 Amazon Web Services, Azure, Google 클라우드 공급자와 같은 전용 컴퓨팅 공급자에 의존하는 경우가 많습니다.

추론은 실제로 AI 모델을 사용하여 출력이나 결과를 얻는 프로세스입니다(예: ChatGPT를 사용하여 이 보고서 개요를 작성). 추론은 훈련 도중과 최종 제품 모두에서 사용됩니다. 계산 비용으로 인해 훈련이 완료된 후에도 실행하는 데 비용이 많이 들 수 있지만 훈련보다 계산 집약도가 낮습니다.

영지식 증명(ZKP)을 사용하면 기본 정보를 공개하지 않고도 주장을 확인할 수 있습니다. 이는 암호화폐의 두 가지 주요 목적, 즉 1. 개인 정보 보호와 2. 확장성을 제공합니다. 개인정보 보호를 위해 이를 통해 사용자는 지갑에 있는 ETH의 양과 같은 민감한 정보를 공개하지 않고 거래를 수행할 수 있습니다. 확장성을 위해 계산을 다시 수행할 필요 없이 오프체인 계산이 온체인에서 더 빠른 것으로 입증될 수 있습니다. 이를 통해 블록체인과 애플리케이션은 오프체인에서 계산을 실행한 다음 온체인에서 이를 확인할 수 있습니다.

인공지능 + 암호화폐 파노라마

AI와 암호화폐의 교차점에 있는 프로젝트는 여전히 온체인 AI 상호작용을 대규모로 지원하는 데 필요한 인프라를 개발하고 있습니다.

분산 컴퓨팅 시장은 인공 지능 모델의 훈련 및 추론을 위해 주로 GPU와 같은 대량의 물리적 하드웨어를 제공하기 위해 떠오르고 있습니다. 이러한 양면 시장은 컴퓨팅 리소스를 임대하고 임대하려는 사람들을 연결하여 가치 이전과 계산 검증을 촉진합니다. 분산형 컴퓨팅 내에서 추가 기능을 제공하는 여러 하위 범주가 등장하고 있습니다. 양면 시장 외에도, 이 보고서에서는 검증 가능한 훈련 및 출력 미세 조정을 전문으로 하는 기계 학습 훈련 제공업체는 물론, 종종 인공지능(AI)을 달성하기 위해 계산과 모델 생성을 연결하는 데 전념하는 프로젝트도 조사할 것입니다. 지능형 인센티브 네트워크..

zkML은 비용 효율적이고 시기적절한 방식으로 온체인에서 검증 가능한 모델 출력을 제공하려는 초점 영역입니다. 이러한 프로젝트를 통해 애플리케이션은 주로 오프체인에서 과도한 계산 요청을 처리한 다음 검증 가능한 출력을 온체인에 게시하여 오프체인 작업이 완전하고 정확하다는 것을 증명할 수 있습니다. zkML은 현재 상황에서는 비용과 시간이 많이 소요되지만 솔루션으로 점점 더 많이 사용되고 있습니다. 이는 AI 모델을 활용하려는 zkML 제공업체와 DeFi/게임 간의 통합 수가 증가하고 있다는 사실에서 분명하게 드러납니다.

컴퓨팅 리소스의 충분한 공급과 온체인 계산 검증 기능은 온체인 AI 에이전트의 문을 열어줍니다. 에이전트는 사용자를 대신하여 요청을 수행하도록 훈련된 모델입니다. 에이전트는 사용자가 챗봇과 대화하여 복잡한 거래를 수행할 수 있도록 함으로써 온체인 경험을 크게 향상시킬 수 있는 좋은 기회를 제공합니다. 그러나 현재 에이전트 프로젝트는 쉽고 빠른 배포를 가능하게 하는 인프라와 도구를 개발하는 데 중점을 두고 있습니다.

분산 컴퓨팅

개요

인공 지능에는 모델 훈련과 추론 수행을 위해 막대한 컴퓨팅 리소스가 필요합니다. 지난 10년 동안 모델이 더욱 복잡해지면서 컴퓨팅 요구가 기하급수적으로 증가했습니다. 예를 들어, OpenAI는 2012년부터 2018년까지 모델의 컴퓨팅 요구 사항이 2년마다 두 배에서 3개월 반마다 두 배로 증가했다는 사실을 발견했습니다. 이로 인해 GPU에 대한 수요가 급증했으며 일부 암호화폐 채굴자는 GPU를 활용하여 클라우드 컴퓨팅 서비스를 제공하기도 했습니다. 컴퓨팅 리소스에 대한 액세스 경쟁이 증가하고 비용이 증가함에 따라 여러 프로젝트에서 암호화폐를 활용하여 분산 컴퓨팅 솔루션을 제공하고 있습니다. 경쟁력 있는 가격으로 주문형 컴퓨팅을 제공하므로 팀은 모델을 훈련하고 실행할 여유가 있습니다. 어떤 경우에는 성능과 보안이 절충될 수 있습니다.

Nvidia가 생산하는 최첨단 GPU와 같은 고급 하드웨어에 대한 수요가 높습니다. 지난 9월 테더는 독일 비트코인 ​​채굴업체인 노던 데이터(Northern Data)의 지분을 인수했으며, AI 훈련에 사용되는 가장 진보된 GPU 중 하나인 H 100 GPU 10,000개를 구입하기 위해 4억 2천만 달러를 지불한 것으로 알려졌습니다. 최고의 하드웨어를 얻기까지의 대기 시간은 최소 6개월이며, 대부분의 경우 그보다 더 오래 걸립니다. 설상가상으로 기업은 사용하지도 않을 컴퓨팅 리소스를 구매하기 위해 장기 계약을 체결해야 하는 경우가 많습니다. 이는 컴퓨팅 리소스가 존재하지만 시장에서 사용할 수 없는 상황으로 이어질 수 있습니다. 분산형 컴퓨팅 시스템은 컴퓨팅 리소스 소유자가 언제든지 경쟁력 있는 가격으로 초과 리소스를 임대하여 새로운 공급을 확보할 수 있는 2차 시장을 생성함으로써 이러한 시장 비효율성을 해결하는 데 도움이 됩니다.

경쟁력 있는 가격과 접근성 외에도 분산형 컴퓨팅의 핵심 가치는 검열 저항입니다. 최첨단 인공 지능 개발은 비교할 수 없는 컴퓨팅 능력과 데이터에 대한 액세스를 갖춘 대규모 기술 회사에 의해 점점 더 주도되고 있습니다. 2023년 연례 AI 지수 보고서에서 처음으로 강조된 주요 주제 중 하나는 업계가 학계를 넘어 AI 모델 개발에 있어 소수의 기술 리더의 손에 통제권을 집중하고 있다는 것입니다. 이로 인해 AI 모델을 뒷받침하는 규범과 가치를 형성하는 데 엄청난 영향력을 가질 수 있는지에 대한 우려가 제기되었습니다. 특히 이러한 기술 회사가 통제할 수 없는 AI의 개발을 제한하기 위해 규제 조치를 추진한 이후에는 더욱 그렇습니다.

분산 컴퓨팅 수직 필드

최근 몇 년 동안 여러 가지 분산형 컴퓨팅 모델이 등장했으며, 각각 고유한 강조점과 장단점이 있습니다.

일반 컴퓨팅

Akash, io.net, iExec 및 Cudos와 같은 프로젝트는 데이터 및 일반 컴퓨팅 솔루션 외에도 AI 교육 및 추론 전용 특정 컴퓨팅 리소스를 제공하거나 곧 제공할 분산형 컴퓨팅 애플리케이션입니다.

Akash는 현재 유일한 완전 오픈 소스 슈퍼 클라우드 플랫폼입니다. 코스모스 SDK를 이용한 PoS 네트워크입니다. Akash의 기본 토큰인 AKT는 네트워크를 보호하고 결제 수단으로 사용되며 참여를 장려하는 데 사용됩니다. Akash는 무허가 클라우드 컴퓨팅 시장 제공에 중점을 두고 2020년에 첫 번째 메인넷을 출시했으며, 처음에는 스토리지 및 CPU 임대 서비스를 제공했습니다. 2023년 6월 Akash는 GPU에 초점을 맞춘 새로운 테스트넷을 출시했으며, 9월에는 GPU 메인넷을 출시하여 사용자가 AI 훈련 및 추론을 위해 GPU를 임대할 수 있도록 했습니다.

Akash 생태계에는 세입자와 공급자라는 두 가지 주요 행위자가 있습니다. 테넌트는 컴퓨팅 리소스를 구매하려는 Akash 네트워크 사용자입니다. 공급자는 컴퓨팅 리소스를 제공하는 사람입니다. 임차인과 공급자를 연결하기 위해 Akash는 역경매 프로세스를 사용합니다. 임차인은 컴퓨팅 요구 사항을 제출하며 서버 위치, 컴퓨팅을 수행할 하드웨어 유형, 지불할 금액 등 특정 조건을 지정할 수 있습니다. 그런 다음 공급자는 요구 가격을 제출하고 가장 낮은 입찰자가 작업을 맡게 됩니다.

Akash 검증인은 네트워크의 무결성을 유지합니다. 현재 검증인 세트는 100개로 제한되어 있으며 시간이 지남에 따라 점차적으로 늘릴 계획입니다. 현재 최소 금액을 스테이킹하는 검증인보다 더 많은 AKT를 스테이킹하면 누구나 검증인이 될 수 있습니다. AKT 보유자는 자신의 AKT를 검증자에게 위임할 수도 있습니다. 네트워크의 거래 수수료와 블록 보상은 AKT로 분배됩니다. 또한 각 임대에 대해 Akash 네트워크는 커뮤니티가 결정한 요율에 따라 처리 수수료를 부과하고 이를 AKT 보유자에게 배포합니다.

2차 시장

분산 컴퓨팅 시장은 기존 컴퓨팅 시장의 비효율성을 채우는 것을 목표로 합니다. 공급 제약으로 인해 기업은 필요한 것보다 더 많은 컴퓨팅 리소스를 비축하게 되며, 클라우드 서비스 제공업체와의 계약 형태로 인해 공급이 더욱 제약됩니다. 이러한 고객은 지속적인 사용이 필요하지 않더라도 장기 계약에 묶여 있습니다. 분산형 컴퓨팅 플랫폼은 새로운 공급을 제공하여 컴퓨팅 리소스가 필요한 전 세계 누구나 ​​공급자가 될 수 있도록 합니다.

AI 훈련을 위한 GPU 수요 급증이 Akash 네트워크의 장기적인 사용으로 이어질지는 불분명합니다. Akash는 예를 들어 중앙 집중식 대안과 유사한 서비스를 70-80% 할인된 가격으로 제공하는 등 오랫동안 CPU 시장을 제공해 왔습니다. 그러나 낮은 가격은 큰 채택으로 이어지지 않았습니다. 2023년 2분기 평균 컴퓨팅 리소스 활용률은 33%, 메모리 활용률은 16%, 스토리지 활용률은 13%로 네트워크의 임대 활동이 안정되었습니다. 이는 온체인 채택에 대한 인상적인 지표이지만(참고로 선도적인 스토리지 제공업체인 Filecoin의 스토리지 활용률은 2023년 3분기에 12.6%였습니다), 이는 공급이 이러한 제품에 대한 수요를 계속해서 앞지르는 것을 보여줍니다.

Akash가 GPU 네트워크를 출시한 지 반년이 조금 넘었고, 장기적인 채택을 정확하게 측정하기에는 너무 이르습니다. 수요의 징후로 GPU 활용률은 현재까지 평균 44%로 CPU, 메모리, 스토리지보다 높습니다. 이는 주로 A 100s와 같은 최고 품질의 GPU에 대한 수요에 의해 주도되며, 고품질 GPU의 90% 이상이 이미 임대되었습니다.

Akash의 일일 지불금도 증가하여 GPU가 출현하기 전보다 거의 두 배로 늘어났습니다. 이는 부분적으로는 다른 서비스, 특히 CPU의 사용량이 증가했기 때문이지만 대부분은 새로운 GPU 때문입니다.

가격은 Lambda Cloud 및 Vast.ai와 같은 중앙 집중식 경쟁업체와 비슷하거나 경우에 따라 더 비쌉니다. H 100 및 A 100과 같은 최고급 GPU에 대한 엄청난 수요는 대부분의 장치 소유자가 경쟁적인 가격에 직면한 시장에서 출시하는 데 거의 관심이 없다는 것을 의미합니다.

초기의 기대에도 불구하고 채택에는 여전히 장벽이 있습니다(아래에서 자세히 설명). 분산형 컴퓨팅 네트워크는 수요와 공급을 창출하기 위해 더 많은 작업을 수행해야 하며 팀은 새로운 사용자를 더 효과적으로 유치하는 방법을 실험하고 있습니다. 예를 들어, 2024년 초 Akash는 GPU 공급업체로부터 AKT 출시를 늘리고 특히 고급 GPU를 대상으로 더 많은 공급을 장려하기 위한 제안 240을 통과시켰습니다. 또한 팀은 잠재 사용자에게 네트워크의 실시간 기능을 보여주기 위해 개념 증명 모델을 출시하기 위해 노력하고 있습니다. Akash는 자체 기본 모델을 교육하고 있으며 Akash GPU를 사용하여 출력을 생성하는 챗봇 및 이미지 생성 제품을 출시했습니다. 마찬가지로 io.net은 안정적인 확산 모델을 개발했으며 기존 GPU 데이터 센터의 성능과 규모를 더 잘 시뮬레이션하기 위해 새로운 네트워크 기능을 출시하고 있습니다.

분산형 기계 학습 교육

인공 지능의 요구 사항을 충족할 수 있는 범용 컴퓨팅 플랫폼 외에도 기계 학습 모델 교육에 중점을 둔 전용 AI GPU 제공 업체가 시리즈로 등장했습니다. 예를 들어, Gensyn은 집단 지성을 구축하기 위해 전력과 하드웨어를 조정하고 있으며 누군가가 무언가를 훈련하고 싶어하고 누군가가 그것을 훈련할 의향이 있다면 훈련이 허용되어야 한다고 주장합니다.

프로토콜에는 제출자, 해결자, 검증자 및 내부 고발자의 네 가지 주요 역할이 있습니다. 제출자는 교육 요청이 포함된 작업을 네트워크에 제출합니다. 이러한 작업에는 훈련 목표, 훈련할 모델, 훈련 데이터가 포함됩니다. 제출 프로세스의 일부로 제출자는 솔버의 예상 계산 비용을 충당하기 위해 선불 요금을 지불합니다.

제출되면 모델의 실제 교육을 수행할 솔버에게 작업이 할당됩니다. 그런 다음 솔버는 완료된 작업을 검증자에게 제출하고 검증자는 훈련이 올바르게 완료되었는지 확인해야 합니다. 내부고발자는 검증인이 정직하게 행동하도록 할 책임이 있습니다. 내부 고발자가 네트워크에 참여하도록 장려하기 위해 Gensyn은 의도적인 버그에 대한 증거를 정기적으로 제공하여 내부 고발자에게 이를 포착한 보상을 제공할 계획입니다.

AI 관련 업무를 위한 컴퓨팅을 제공하는 것 외에도 젠신의 핵심 가치는 아직 개발 중인 검증 시스템이다. GPU 공급자가 수행한 외부 계산이 올바른지 확인하려면(즉, 사용자 모델이 원하는 방식으로 학습되었는지 확인하려면) 검증이 필요합니다. Gensyn은 확률적 학습 증명, 그래프 기반 포지셔닝 프로토콜 및 Truebit 스타일 인센티브 게임이라는 새로운 검증 방법을 활용하여 이 문제를 해결하기 위한 독특한 접근 방식을 취합니다. 이는 비용이 많이 들고 비효율적인 프로세스인 모델을 완전히 다시 실행하지 않고도 솔버가 모델을 올바르게 실행했는지 검증자가 확인할 수 있는 낙관적 해석 모드입니다.

혁신적인 검증 접근 방식 외에도 Gensyn은 중앙 집중식 대안 및 암호화 경쟁사에 비해 비용 효율적이라고 주장합니다. 즉, AWS보다 최대 80% 저렴하게 ML 교육을 제공하는 동시에 테스트에서 유사한 프로젝트 Truebit보다 성능이 뛰어납니다.

이러한 예비 결과가 분산형 네트워크에서 대규모로 복제될 수 있는지 여부는 아직 밝혀지지 않았습니다. Gensyn은 소규모 데이터 센터, 일반 사용자, 심지어 미래에는 휴대폰과 같은 소형 모바일 장치와 같은 제공업체의 잉여 컴퓨팅 리소스를 활용하기를 희망합니다. 그러나 Gensyn 팀 자체가 인정한 것처럼 이기종 컴퓨팅 제공업체에 의존하면 몇 가지 새로운 과제가 발생합니다.

Google Cloud 및 Coreweave와 같은 중앙 집중식 공급자의 경우 계산 비용이 많이 드는 반면 계산 간 통신(대역폭 및 대기 시간)은 저렴합니다. 이러한 시스템은 가능한 한 빨리 하드웨어 간 통신이 가능하도록 설계되었습니다. Gensyn은 이 프레임워크를 뒤집어 전 세계 누구나 ​​GPU를 프로비저닝할 수 있도록 하여 계산 비용을 낮추지만, 이제 네트워크가 먼 위치에 있는 분산된 이기종 하드웨어에서 컴퓨팅 작업을 조정해야 하므로 통신을 증가시킵니다. Gensyn은 아직 출시되지 않았지만 분산형 기계 학습 훈련 프로토콜을 구축할 때 무엇이 ​​가능한지 보여줍니다.

분산형 일반 인공지능

분산형 컴퓨팅 플랫폼은 또한 인공 지능이 생성되는 방식에 대한 설계 가능성을 열어줍니다. Bittensor는 Substrate를 기반으로 구축된 분산형 컴퓨팅 프로토콜로, 인공 지능을 협업적 접근 방식으로 어떻게 전환할 수 있습니까?라는 질문에 대답하려고 시도합니다. Bittensor는 인공지능 생성을 분산화하고 상품화하는 것을 목표로 합니다. 2021년에 출시된 이 프로토콜은 협업 기계 학습 모델의 힘을 활용하여 지속적으로 반복하고 더 나은 인공 지능을 생성하는 것을 목표로 합니다.

Bittensor는 비트코인에서 영감을 얻었습니다. 자체 통화인 TAO의 공급량은 2,100만 개이며 4년의 반감기 주기를 갖습니다(첫 번째 반감기는 2025년입니다). 올바른 난수를 생성하고 블록 보상을 얻기 위해 작업 증명을 사용하는 대신 Bittensor는 지능 증명을 사용하여 채굴자가 추론 요청에 대한 출력을 생성할 수 있는 모델을 실행하도록 요구합니다.

지능형 인센티브 네트워크

Bittensor는 처음에 MoE(Mix of Experts) 모델을 사용하여 출력을 생성했습니다. 추론 요청이 제출되면 MoE 모델은 일반 모델에 의존하는 대신 특정 입력 유형에 가장 정확한 모델에 추론 요청을 전달합니다. 이는 집을 지을 때 건설 과정의 다양한 측면(예: 건축가, 엔지니어, 화가, 건설 노동자 등)을 처리하기 위해 다양한 전문가를 고용하는 것과 비교할 수 있습니다. MoE는 이를 기계 학습 모델에 적용하여 입력에 따라 다양한 모델의 출력을 활용하려고 합니다. Bittensor 창립자 Ala Shaabana는 최고의 답변을 얻기 위해 한 사람이 아닌 똑똑한 사람들 그룹과 대화하는 것과 같다고 설명합니다. 올바른 라우팅을 보장하고, 메시지를 올바른 모델에 동기화하고, 동기를 부여하는 문제로 인해 이 접근 방식은 프로젝트가 더욱 성숙해질 때까지 보류되었습니다.

Bittensor 네트워크에는 검증인과 채굴자라는 두 가지 주요 역할이 있습니다. 검증인은 채굴자에게 추론 요청을 보내고, 출력을 검토하고, 응답 품질에 따라 순위를 매기는 일을 담당합니다. 순위를 신뢰할 수 있도록 하기 위해 검증인에게는 자신의 순위가 다른 검증인의 순위와 얼마나 일치하는지에 따라 vtrust 점수가 할당됩니다. 검증인의 vtrust 점수가 높을수록 더 많은 TAO를 얻을 수 있습니다. 이는 검증인이 시간이 지남에 따라 모델 순위에 대한 합의에 도달하도록 장려하기 위한 것입니다. 모델 순위에 대한 합의에 도달하는 검증인이 많을수록 개별 vtrust 점수가 높아지기 때문입니다.

서버라고도 알려진 채굴자는 실제 기계 학습 모델을 실행하는 네트워크 참여자입니다. 채굴자들은 주어진 쿼리에 대해 가장 정확한 출력을 제공하기 위해 서로 경쟁하며, 출력이 정확할수록 더 많은 TAO 발행을 받게 됩니다. 채굴자는 원하는 방식으로 이러한 출력을 생성할 수 있습니다. 예를 들어, 미래 시나리오에서는 Bittensor 채굴자가 Gensyn에서 모델을 미리 훈련한 다음 이를 사용하여 TAO를 얻는 것이 전적으로 가능합니다.

오늘날 대부분의 상호 작용은 검증자와 채굴자 사이에서 직접 발생합니다. 유효성 검사기는 광부에게 입력을 제출하고 출력을 요청합니다(예: 모델 학습). 검증인이 네트워크의 채굴자에게 쿼리하고 응답을 받으면 검증인의 순위를 매기고 순위를 네트워크에 제출합니다.

검증자(PoS에 의존)와 채굴자(PoW의 한 형태인 모델 증명에 의존) 간의 이러한 상호 작용을 Yuma 합의라고 합니다. 이는 채굴자가 TAO를 얻기 위해 최고의 출력을 생성하도록 장려하고 검증자가 채굴자 출력의 순위를 정확하게 지정하여 더 높은 vtrust 점수를 얻고 TAO 보상을 늘려 네트워크의 합의 메커니즘을 형성하도록 장려하도록 설계되었습니다.

서브넷 및 애플리케이션

위에서 언급했듯이 Bittensor의 상호 작용에는 주로 채굴자에게 요청을 제출하고 그 결과를 평가하는 검증자가 포함됩니다. 그러나 기여하는 채굴자의 품질이 향상되고 네트워크의 전반적인 인공 지능이 성장함에 따라 Bittensor는 기존 스택 위에 애플리케이션 계층을 생성하여 개발자가 Bittensor 네트워크에 쿼리하는 애플리케이션을 구축할 수 있도록 합니다.

2023년 10월 Revolution 업그레이드를 통해 Bittensor는 서브넷을 도입하여 이 목표를 달성하기 위한 중요한 단계를 완료했습니다. 서브넷은 특정 동작을 장려하는 Bittensor의 독립적인 네트워크입니다. Revolution은 서브넷 생성에 관심이 있는 모든 사람에게 네트워크를 개방합니다. 출시 후 몇 달 동안 텍스트 프롬프트, 데이터 스크래핑, 이미지 생성 및 저장 등을 위한 서브넷을 포함하여 32개 이상의 서브넷이 출시되었습니다. 서브넷이 성숙해지고 제품 준비가 완료되면 서브넷 작성자는 팀이 특정 서브넷을 쿼리하는 애플리케이션을 구축할 수 있도록 애플리케이션 통합도 생성합니다. 일부 애플리케이션(챗봇, 이미지 생성기, 트윗 응답 봇, 예측 시장)은 이미 존재하지만 Bittensor 재단의 보조금을 제외하고는 검증자가 이러한 쿼리를 수락하고 전달할 공식적인 인센티브가 없습니다.

보다 명확한 설명을 제공하기 위해 아래 이미지는 Bittensor 통합 애플리케이션이 실행할 수 있는 작업의 예입니다.

서브넷은 루트 네트워크에서 평가한 성능을 기반으로 TAO를 받습니다. 루트 네트워크는 모든 서브넷 위에 위치하며 본질적으로 특별한 유형의 서브넷 역할을 하며 공유 기준으로 64개의 가장 큰 서브넷 유효성 검사기에 의해 관리됩니다. 루트 네트워크 유효성 검사기는 성능을 기준으로 서브넷 순위를 지정하고 정기적으로 TAO를 서브넷에 할당합니다. 이러한 방식으로 각 서브넷은 루트 네트워크의 채굴자 역할을 합니다.

Bittensor 전망

Bittensor는 여러 서브넷에 걸쳐 인텔리전스 생성을 장려하기 위해 프로토콜 기능을 확장하면서 여전히 성장통을 겪고 있습니다. 채굴자들은 더 많은 TAO를 얻기 위해 네트워크를 공격하는 새로운 방법을 계속해서 고안하고 있습니다. 예를 들어 모델에서 실행되는 높은 등급의 추론 결과를 약간 수정한 다음 여러 변형을 제출하는 등이 있습니다. 전체 네트워크에 영향을 미치는 거버넌스 제안은 전적으로 Opentensor Foundation 이해관계자로 구성된 Triumvirate에 의해서만 제출되고 구현될 수 있습니다(제안은 구현 전에 Bittensor 검증자의 승인이 필요하다는 점은 주목할 가치가 있습니다). 서브넷 내에서 TAO 사용에 대한 인센티브를 개선하기 위해 프로젝트의 토큰 경제가 개선되고 있습니다. 이 프로젝트는 또한 독특한 접근 방식으로 빠르게 인기를 얻었으며, 가장 인기 있는 인공 지능 웹사이트인 HuggingFace의 CEO는 Bittensor가 웹사이트에 리소스를 추가해야 한다고 말했습니다.

핵심 개발자가 게시한 Bittensor Paradigm이라는 제목의 최근 기사에서 팀은 Bittensor가 궁극적으로 측정 대상에 불가지론되도록 진화하려는 비전을 자세히 설명했습니다. 이론적으로 이를 통해 Bittensor는 TAO를 통해 모든 유형의 행동을 장려하는 서브넷을 개발할 수 있습니다. 그러나 상당한 실질적인 제약이 남아 있습니다. 주요 제약은 이러한 네트워크가 다양한 프로세스를 처리할 수 있도록 확장할 수 있다는 것과 기본 인센티브가 중앙 집중화가 제공할 수 있는 것 이상의 발전을 촉진한다는 것을 증명하는 것입니다.

AI 모델을 위한 분산 컴퓨팅 스택 구축

위 섹션에서는 개발 중인 다양한 유형의 분산형 인공 지능 컴퓨팅 프로토콜에 대한 프레임워크를 설명합니다. 아직 개발 및 채택의 초기 단계에 있지만 궁극적으로 DeFi Lego 개념과 마찬가지로 AI 빌딩 블록 생성을 촉진할 수 있는 생태계의 기반을 제공합니다. 무허가형 블록체인의 구성 가능성은 각 프로토콜이 다른 프로토콜 위에 구축될 수 있는 가능성을 열어 보다 포괄적인 분산형 AI 생태계를 제공합니다.

예를 들어 Akash, Gensyn 및 Bittensor가 추론 요청에 응답하기 위해 서로 상호 작용할 수 있는 한 가지 방법은 다음과 같습니다.

분명히 말하면 이는 미래에 일어날 수 있는 일의 예일 뿐이며 현재 생태계, 기존 파트너 또는 가능한 결과에 대한 반영이 아닙니다. 오늘날 아래에 설명된 상호 운용성 제한 및 기타 고려 사항으로 인해 통합 가능성이 크게 제한됩니다. 이 외에도 유동성의 단편화와 여러 토큰을 사용해야 하는 필요성은 Akash와 Bittensor 창립자가 지적한 사용자 경험에 부정적인 영향을 미칠 수 있습니다.

기타 분산형 제품

컴퓨팅 외에도 암호화폐의 새로운 인공 지능 생태계를 지원하는 여러 가지 분산형 인프라 서비스가 있습니다. 이를 모두 나열하는 것은 이 보고서의 범위를 벗어나지만 몇 가지 흥미롭고 대표적인 예는 다음과 같습니다.

Ocean: 분산형 데이터 시장. 사용자는 자신의 데이터를 나타내는 데이터 NFT를 생성하고 데이터 토큰을 사용하여 구매할 수 있습니다. 사용자는 자신의 데이터로 수익을 창출하고 더 큰 소유권을 가질 수 있으며, 동시에 AI 개발 및 교육 모델을 작업하는 팀에 필요한 데이터에 대한 액세스 권한을 제공할 수 있습니다.

Grass: 분산형 대역폭 시장입니다. 사용자는 초과 대역폭을 인터넷에서 데이터를 스크랩하는 데 사용하는 인공 지능 회사에 판매할 수 있습니다. 마켓플레이스는 Wynd Network를 기반으로 구축되어 개인이 자신의 대역폭으로 수익을 창출할 수 있을 뿐만 아니라 대역폭 구매자에게 개별 사용자가 온라인에서 보는 내용에 대한 보다 다양한 관점을 제공합니다(개인은 일반적으로 특정 IP 주소에 대해 인터넷을 사용하기 때문에 액세스) ).

HiveMapper: 자동차 운전자로부터 수집한 정보를 포함하는 분산형 매핑 제품을 구축합니다. HiveMapper는 인공 지능을 사용하여 사용자의 자동차 대시보드 카메라에서 수집한 이미지를 해석하고 RHLF(Reinforced Human Learning Feedback)를 통해 AI 모델 개선에 도움을 준 사용자에게 보상합니다.

종합적으로, 이는 AI 모델을 지원하는 분산형 시장 모델을 탐색하거나 이러한 모델을 개발하는 데 필요한 주변 인프라를 지원할 수 있는 거의 끝없는 기회를 가리킵니다. 현재 이러한 프로젝트의 대부분은 개념 증명 단계에 있으며 필요한 규모로 포괄적인 AI 서비스를 제공할 수 있음을 입증하기 위해 더 많은 연구 개발이 필요합니다.

시야

분산형 컴퓨팅 제품은 아직 개발 초기 단계에 있습니다. 그들은 프로덕션에서 가장 강력한 AI 모델을 교육하기 위해 최첨단 컴퓨팅 성능을 이제 막 사용하기 시작했습니다. 의미 있는 시장 점유율을 얻으려면 중앙 집중식 대안에 비해 실질적인 이점을 입증해야 합니다. 더 폭넓은 채택을 위한 잠재적인 유발 요인은 다음과 같습니다.

GPU 공급과 수요. 빠르게 증가하는 컴퓨팅 수요와 GPU 공급 부족으로 인해 GPU 경쟁이 발생했습니다. OpenAI는 제한된 GPU로 인해 플랫폼 사용이 제한되었습니다. Akash 및 Gensyn과 같은 플랫폼은 고성능 컴퓨팅이 필요한 팀에 비용 경쟁력 있는 대안을 제공할 수 있습니다. 향후 6~12개월은 사용자가 분산형 솔루션을 고려해야 하기 때문에 분산형 컴퓨팅 제공업체가 새로운 사용자를 유치할 수 있는 독특한 기회입니다. 점점 더 효율적인 오픈 소스 모델(예: Meta의 LLaMA 2)과 결합하여 사용자는 더 이상 효과적인 미세 조정 모델을 배포하는 데 동일한 장애물에 직면하지 않으며, 이는 컴퓨팅 리소스를 주요 병목 현상으로 만듭니다. 그러나 플랫폼의 존재 자체만으로는 컴퓨팅 자원의 충분한 공급과 이에 따른 소비자의 수요를 보장할 수 없습니다. 고급 GPU를 구입하는 것은 여전히 ​​어렵고 비용이 수요 측면에서 항상 주요 동기가 되는 것은 아닙니다. 이러한 플랫폼은 고정 사용자를 축적하기 위해 비용, 검열 저항, 기간 및 탄력성 또는 유용성 등으로 인해 분산형 컴퓨팅을 사용함으로써 얻을 수 있는 실질적인 이점을 입증해야 합니다. 그런 다음 이러한 합의는 빠르게 진행되어야 합니다. GPU 인프라가 투자되고 구축되는 속도는 엄청납니다.

감독. 규제는 계속해서 분산형 컴퓨팅 운동에 큰 장애물이 되고 있습니다. 단기적으로 명확한 규제가 없다는 것은 공급자와 사용자가 이러한 서비스를 사용할 때 잠재적인 위험에 직면하게 된다는 것을 의미합니다. 공급자가 실수로 계산값을 제공하거나 구매자가 제재 대상 법인으로부터 계산값을 구매하는 경우 어떻게 됩니까? 사용자는 중앙화된 주체의 통제와 감독이 부족한 분산형 플랫폼을 사용하는 것을 꺼릴 수 있습니다. 프로토콜은 플랫폼에 제어 기능을 통합하거나 알려진 컴퓨팅 제공자에게만 필터를 제공(즉, KYC 정보 제공)함으로써 이러한 우려를 완화하려고 노력해 왔지만, 채택을 촉진하려면 규정 준수를 보장하면서 개인 정보를 보호하기 위한 보다 강력한 접근 방식이 필요합니다. 단기적으로는 이러한 문제를 해결하기 위해 프로토콜 사용을 제한하는 KYC 및 규정 준수 플랫폼의 출현을 볼 수 있습니다.

검토. 규제는 양방향으로 작용하며, 분산형 컴퓨팅 제공업체는 인공 지능 사용을 제한하는 조치를 통해 이익을 얻을 수 있습니다. 행정 명령 외에도 OpenAI 창립자인 샘 알트만(Sam Altman)은 의회에서 인공지능 개발 라이선스를 발급하는 규제 기관의 필요성을 강조하면서 증언했습니다. AI 규제에 대한 논의는 이제 막 시작되었지만 AI 사용을 제한하거나 검열하려는 시도는 이러한 장벽 없이 분산형 플랫폼의 채택을 가속화할 수 있습니다. 지난 11월 OpenAI의 리더십 변화는 가장 강력한 기존 AI 모델에 대한 의사 결정 권한을 소수의 사람에게만 부여하는 것이 위험하다는 추가적인 증거를 제공했습니다. 더욱이 모든 AI 모델은 의도적이든 아니든 반드시 제작자의 편견을 반영합니다. 이러한 편향을 제거하는 한 가지 방법은 모델을 가능한 한 미세 조정하고 훈련할 수 있도록 개방하여 누구나 어디서나 다양한 편향이 있는 모델을 사용할 수 있도록 하는 것입니다.

데이터 개인정보 보호. 사용자에게 데이터 자율성을 제공하는 외부 데이터 및 개인 정보 보호 솔루션과 통합되면 분산형 컴퓨팅이 다른 대안보다 더 매력적일 수 있습니다. 삼성은 엔지니어들이 칩 설계를 돕기 위해 ChatGPT를 사용하고 민감한 정보를 ChatGPT에 유출했다는 사실을 깨닫고 이 문제에 시달렸습니다. Phala Network와 iExec은 사용자 데이터를 보호하기 위해 사용자에게 SGX 보안 격리 영역을 제공한다고 주장하며, 개인 정보 보호를 보장하는 분산 컴퓨팅을 더욱 잠금 해제하기 위해 완전 동형 암호화에 대한 연구를 수행하고 있습니다. AI가 우리 삶에 더욱 통합됨에 따라 사용자는 개인 정보 보호 기능을 갖춘 애플리케이션에서 모델을 실행할 수 있는 능력에 더 큰 가치를 부여하게 될 것입니다. 또한 사용자는 데이터를 한 모델에서 다른 모델로 원활하게 이동할 수 있도록 데이터 구성성을 구현하는 기능도 요구할 것입니다.

사용자 경험(UX). 사용자 경험은 암호화폐 애플리케이션과 모든 유형의 인프라를 폭넓게 채택하는 데 여전히 중요한 장벽으로 남아 있습니다. 분산형 컴퓨팅 솔루션도 예외는 아니며, 경우에 따라 개발자가 암호화 및 인공 지능을 이해해야 할 필요성으로 인해 이는 더욱 악화됩니다. 개선이 필요한 영역은 온보딩 추상화 및 블록체인과의 상호 작용부터 현재 시장 리더와 동일한 고품질 출력 제공에 이르기까지 다양합니다. 실행 중인 많은 분산형 컴퓨팅 프로토콜이 더 저렴한 솔루션을 제공하지만 정기적으로 사용하기 어렵기 때문에 이는 분명합니다.

스마트 계약 및 영지식 기계 학습(zkML)

스마트 계약은 모든 블록체인 생태계의 핵심 중 하나입니다. 특정 조건에서는 신뢰할 수 있는 제3자의 필요성을 자동화하고 줄이거나 제거하여 DeFi에서 볼 수 있는 것과 같은 복잡한 분산형 애플리케이션을 생성할 수 있습니다. 그러나 현재 스마트 계약은 업데이트해야 하는 미리 설정된 매개변수를 기반으로 실행되므로 기능이 여전히 제한되어 있습니다.

예를 들어, 대출 프로토콜 스마트 계약은 특정 대출 대 가치 비율에 따라 포지션이 청산되는 시기를 규제합니다. 위험이 끊임없이 변화하는 역동적인 환경에서 이러한 스마트 계약은 위험 허용 범위의 변화를 고려하여 지속적으로 업데이트되어야 하며, 이는 분산된 프로세스를 통해 관리되는 계약에 문제를 야기합니다. 예를 들어, 분산형 거버넌스 프로세스에 의존하는 DAO는 시스템적 위험에 적시에 대응하지 못할 수도 있습니다.

인공 지능(예: 기계 학습 모델)을 통합하는 스마트 계약은 기능, 보안 및 효율성을 향상시키는 동시에 전반적인 사용자 경험을 향상시킬 수 있는 방법 중 하나입니다. 그러나 이러한 통합은 이러한 스마트 계약을 지원하는 모델이 공격을 받거나 롱테일 시나리오를 설명할 수 없도록 보장할 수 있는 방법이 없기 때문에 추가적인 위험도 초래합니다(모델은 데이터 입력 부족으로 인해 훈련하기가 매우 어렵습니다).

영지식 머신러닝(zkML)

머신러닝은 복잡한 모델을 실행하기 위해 많은 컴퓨팅 리소스가 필요하며, 이로 인해 높은 비용으로 인해 AI 모델을 스마트 계약 내에서 직접 실행할 수 없습니다. 예를 들어, DeFi 프로토콜은 사용자에게 수익 최적화 모델의 기능을 제공하지만, 체인에서 모델을 실행하려면 높은 가스 요금을 지불해야 합니다. 한 가지 해결책은 기본 블록체인의 컴퓨팅 성능을 높이는 것입니다. 그러나 이는 또한 체인의 검증 노드에 대한 부담을 증가시켜 잠재적으로 분산된 속성을 약화시킬 수 있습니다. 결과적으로 여러 프로젝트에서는 zkML을 사용하여 집중적인 온체인 계산 없이 무허가 무신뢰 방식으로 출력을 검증하는 방법을 모색하고 있습니다.

zkML의 유용성을 보여주는 일반적인 예는 사용자가 모델을 통해 데이터를 실행하고 상대방이 실제로 올바른 모델을 실행하고 있는지 확인하기 위해 다른 사람이 필요한 경우입니다. 아마도 개발자는 분산형 컴퓨팅 공급자를 사용하여 모델을 훈련하고 공급자가 더 저렴한 모델을 사용하여 비용을 절감하려고 시도하지만 결과가 거의 눈에 띄지 않는 것을 우려하고 있을 수 있습니다. zkML을 사용하면 컴퓨팅 공급자가 모델을 통해 데이터를 실행한 다음 모델의 출력이 주어진 입력에 대해 정확하다는 것을 온체인에서 확인할 수 있는 증거를 생성할 수 있습니다. 이 경우 모델 제공자는 출력을 생성하는 기본 가중치를 공개하지 않고도 모델을 제공할 수 있다는 추가적인 이점을 갖게 됩니다.

그 반대의 경우도 발생할 수 있습니다. 사용자가 자신의 데이터를 사용하는 모델을 실행하고 싶지만 개인 정보 보호 문제(예: 건강 검진 또는 독점 비즈니스 정보)로 인해 모델을 제공하는 프로젝트가 자신의 데이터에 액세스하는 것을 원하지 않는 경우 사용자는 해당 모델을 실행할 수 있습니다. 데이터 모델을 공유하지 않고 증거를 제공하면서 올바른 모델을 실행했는지 확인합니다. 이러한 가능성은 제한적인 계산 제약을 해결함으로써 인공 지능과 스마트 계약 기능을 통합하기 위한 설계 공간을 크게 확장합니다.

인프라 및 도구

zkML 분야의 초기 상태를 고려할 때 개발은 주로 팀이 모델과 출력을 온체인에서 확인할 수 있는 증거로 변환하는 데 필요한 인프라와 도구를 구축하는 데 중점을 둡니다. 이러한 제품은 개발의 무지식 측면을 최대한 추상화합니다.

EZKL과 Giza라는 두 프로젝트는 기계 학습 모델 실행에 대한 검증 가능한 증거를 제공하여 이러한 도구를 기반으로 구축되었습니다. 두 팀 모두 기계 학습 모델을 구축하여 해당 모델이 신뢰 없이 온체인에서 결과를 확인할 수 있는 방식으로 작동할 수 있도록 지원합니다. 두 프로젝트 모두 ONNX(Open Neural Network Exchange)를 사용하여 TensorFlow 및 Pytorch와 같은 공용 언어로 작성된 기계 학습 모델을 표준 형식으로 변환합니다. 그런 다음 실행 시 이러한 모델의 버전을 출력하고 zk 증명도 생성합니다. EZKL은 오픈 소스이며 zk-SNARKS를 생성하는 반면 Giza는 폐쇄 소스이며 zk-STARKS를 생성합니다. 이 두 프로젝트는 현재 EVM과만 호환됩니다.

지난 몇 달 동안 EZKL은 주로 비용 절감, 보안 개선, 증명 생성 가속화에 중점을 두고 zkML 솔루션을 개선하는 데 상당한 진전을 이루었습니다. 예를 들어, 2023년 11월 EZKL은 전체 증명 시간을 35% 단축한 새로운 오픈 소스 GPU 라이브러리를 통합했으며, 1월에는 EZKL이 EZKL을 사용하는 증명용 소프트웨어 솔루션인 Lilith를 발표했습니다. 시스템은 고성능 컴퓨팅 클러스터를 통합하고 동시 조정을 수행합니다. 직업. Giza는 검증 가능한 기계 학습 모델을 생성하기 위한 도구를 제공하는 것 외에도 Hugging Face와 동등한 web3를 구현하고, zkML 협업 및 모델 공유를 위한 사용자 시장을 열고, 결국 분산형 컴퓨팅 제품을 통합할 계획이라는 점에서 독특합니다. 1월에 EZKL은 EZKL, Giza 및 RiscZero의 성능을 비교하는 벤치마크 평가를 발표했습니다(아래에서 설명). EZKL은 더 빠른 교정 시간과 메모리 사용량을 보여줍니다.

모듈러스랩스는 인공지능 모델에 맞춘 새로운 zk 증명 기술도 개발하고 있다. Modulus는 향상된 AI 모델 zk 증명 기능과 병목 현상을 식별하기 위해 당시 기존 zk 증명 시스템을 벤치마킹하는 지능의 비용(체인에서 AI 모델을 실행하는 데 드는 비용이 극도로 높음을 암시)이라는 논문을 발표했습니다. 2023년 1월에 발표된 이 논문은 기존 솔루션이 대규모 AI 애플리케이션을 구현하기에는 너무 비용이 많이 들고 효율적이라는 점을 보여줍니다. 초기 연구를 바탕으로 Modulus는 지난 11월 AI 모델 비용과 증명 시간을 줄이기 위해 특별히 제작된 전문 영지식 증명자인 Remainder를 출시했으며, 이는 프로젝트가 대규모로 모델을 시스템에 통합하는 것을 경제적으로 실현할 수 있도록 하는 것을 목표로 합니다. . 그들의 작업은 비공개 소스이므로 위의 솔루션에 대해 벤치마킹할 수 없습니다. 그러나 최근 Vitalik의 암호화 및 인공 지능에 대한 블로그 게시물에서 언급되었습니다.

도구와 인프라의 개발은 zkML 분야의 미래 성장에 매우 중요합니다. 팀이 검증 가능한 오프체인 계산을 위해 zk 회로를 배포하는 데 필요한 마찰을 크게 줄여주기 때문입니다. 기계 학습 분야에서 작업하는 비암호화 네이티브 개발자가 자신의 모델을 체인에 가져올 수 있도록 하는 보안 인터페이스를 만들면 진정으로 새로운 사용 사례를 갖춘 애플리케이션에 대한 실험이 늘어날 수 있습니다. 또한 이 도구는 영지식, 기계 학습 및 암호화의 교차점에 대한 지식과 관심을 가진 개발자가 부족하다는 점에서 광범위한 zkML 채택을 가로막는 주요 장벽을 해결합니다.

보조 프로세서

코프로세서라고 불리는 개발 중인 다른 솔루션으로는 RiscZero, Axiom 및 Ritual이 있습니다. 코프로세서라는 용어는 대부분 의미론적입니다. 이러한 네트워크는 오프체인 계산의 온체인 검증을 포함하여 다양한 역할을 수행합니다. EZKL, Giza 및 Modulus와 마찬가지로 그들의 목표는 영지식 증명 생성 프로세스를 완전히 추상화하여 본질적으로 오프체인에서 프로그램을 실행하고 온체인 검증을 위한 증명을 생성할 수 있는 영지식 가상 머신을 만드는 것입니다. RiscZero와 Axiom은 보다 일반적인 보조 프로세서이기 때문에 간단한 AI 모델을 처리할 수 있는 반면 Ritual은 AI 모델과 함께 사용하도록 특별히 제작되었습니다.

Infernet은 Ritual의 첫 번째 인스턴스이며 개발자가 추론 요청을 네트워크에 제출하고 선택적으로 반환 시 출력 및 증명을 받을 수 있도록 하는 Infernet SDK를 포함합니다. Infernet 노드는 이러한 요청을 수신하고, 오프체인에서 계산을 처리하고, 출력을 반환합니다. 예를 들어, DAO는 모든 새로운 거버넌스 제안이 제출되기 전에 특정 전제 조건을 충족하는지 확인하는 프로세스를 만들 수 있습니다. 새로운 제안이 제출될 때마다 거버넌스 계약은 Infernet을 통해 추론 요청을 트리거하여 DAO별 거버넌스 훈련 AI 모델을 호출합니다. 모델은 제안을 검토하여 필요한 모든 조건이 제출되었는지 확인하고 제안 제출을 승인하거나 거부하는 출력과 인증서를 반환합니다.

내년에 Ritual 팀은 Ritual Superchain이라는 인프라 계층을 구성하는 추가 기능을 출시할 계획입니다. 이전에 논의된 많은 항목은 서비스 제공자로서 Ritual에 연결될 수 있습니다. 현재 Ritual 팀은 증명 생성을 위해 EZKL과 통합했으며 곧 다른 주요 제공업체의 기능을 추가할 수도 있습니다. Ritual의 Infernet 노드는 Akash 또는 io.net GPU와 Bittensor 서브넷에서 훈련된 쿼리 모델을 사용할 수도 있습니다. 그들의 궁극적인 목표는 모든 네트워크의 모든 작업에 대해 기계 학습 및 기타 AI 관련 작업을 제공할 수 있는 개방형 AI 인프라 제공업체가 되는 것입니다.

애플리케이션

zkML은 블록체인과 인공 지능 사이의 모순을 조정하는 데 도움이 됩니다. 전자는 본질적으로 리소스가 제한되어 있고 후자는 많은 양의 컴퓨팅과 데이터가 필요합니다. Giza의 창립자 중 한 사람은 다음과 같이 말했습니다. 사용 사례가 너무 풍부합니다. 이더리움 초기에 스마트 계약에 대한 사용 사례가 무엇인지 묻는 것과 약간 비슷합니다... 우리는 스마트 계약에 대한 사용 사례를 확장하고 있습니다. . 그러나 위에서 언급했듯이 오늘날의 개발은 주로 도구 및 인프라 수준에 중점을 두고 있다는 점을 강조합니다. 애플리케이션은 아직 탐색 단계에 있으며, 팀의 과제는 zkML을 사용하여 모델을 구현하는 것의 가치가 그렇게 하는 데 따른 복잡성과 비용보다 크다는 것을 입증하는 것입니다.

오늘날 일부 응용 분야는 다음과 같습니다.

디파이. zkML은 스마트 계약의 기능을 강화하여 DeFi를 확장합니다. DeFi 프로토콜은 수익률 또는 거래 전략, 위험 분석, UX 등을 생성하는 데 사용할 수 있는 기계 학습 모델을 위한 검증 가능하고 변경 불가능한 대량의 데이터를 제공합니다. 예를 들어, Giza는 Yearn Finance와 제휴하여 Yearn의 새로운 v3 저장소에 대한 개념 증명 자동 위험 평가 엔진을 구축했습니다. Modulus Labs는 Lyra Finance와 제휴하여 기계 학습을 AMM에 통합하고 검증자 위험 모델을 위해 Ion Protocol과 제휴했으며 Upshot이 AI 기반 NFT 가격 데이터 피드를 검증하도록 도왔습니다. NOYA(EZKL 활용) 및 Mozaic과 같은 프로토콜은 독점적인 오프체인 모델에 대한 액세스를 제공하므로 사용자는 자동화된 APY 총 풀을 활용하는 동시에 온체인에서 데이터 입력 및 증명을 확인할 수 있습니다. Spectral Finance는 컴파운드 또는 Aave 차용인의 채무 불이행 가능성을 예측하기 위해 온체인 신용 평가 엔진을 구축하고 있습니다. 이러한 소위 De-Ai-Fi 제품은 zkML 덕분에 앞으로 더욱 보편화될 것으로 예상됩니다.

게임. 블록체인은 오랫동안 게임을 방해하고 향상시키는 데 적합한 것으로 간주되어 왔습니다. zkML을 사용하면 온체인 게임에 인공 지능을 사용할 수 있습니다. Modulus Labs는 간단한 온체인 게임에 대한 개념 증명을 구현했습니다. Leela vs the World는 사용자가 AI 체스 모델과 경쟁하는 게임 이론 체스 게임입니다. zkML은 Leela의 모든 단계가 게임에 사용된 모델을 기반으로 실행되는지 확인합니다. 마찬가지로 팀은 EZKL 프레임워크를 사용하여 간단한 노래 대회와 온체인 tic-tac-toe를 구축했습니다. Cartridge는 Giza를 활용하여 팀이 게임을 완전히 온체인에 배포할 수 있도록 지원하고 있으며, 최근에는 자동차가 장애물을 피할 수 있는 더 나은 모델을 만들기 위해 사용자가 경쟁하는 간단한 AI 운전 게임을 출시했습니다. 간단하지만 이러한 개념 증명은 슈퍼 마리오와 유사한 게임인 AI 아레나에서 고급 NPC 캐릭터와의 게임 경제적 상호 작용과 같이 보다 복잡한 온체인 검증의 향후 구현을 가리킵니다. 플레이어는 자신의 전사를 훈련한 다음 AI로 배치합니다. 싸울 모델.

신원, 추적성 및 개인 정보 보호. 암호화는 진위 여부를 확인하고 점점 늘어나는 AI 생성/조작 콘텐츠 및 딥페이크에 맞서기 위한 수단으로 이미 사용되고 있습니다. zkML은 이러한 노력을 발전시킬 수 있습니다. WorldCoin은 사용자가 홍채를 스캔하여 고유 ID를 생성해야 하는 성격 증명 솔루션입니다. 미래에는 이러한 생체 인식 정보를 로컬에서 확인하는 데 사용되는 필수 모델과 함께 암호화를 사용하여 생체 인식 ID를 개인 장치에 자체 저장할 수 있습니다. 사용자는 자신의 신원을 공개하지 않고 생체 정보 증명을 제공할 수 있으므로 개인 정보 보호를 보장하면서 Sybil 공격에 저항할 수 있습니다. 이는 모델을 사용하여 질병을 감지하고, 개인의 신원을 확인하고, 데이트 앱에서 일치 알고리즘을 개발하기 위해 의료 데이터/이미지를 분석하는 모델을 사용하거나 금융 정보 확인이 필요한 보험 및 대출 기관과 같이 개인 정보 보호가 필요한 다른 추론에도 적용될 수 있습니다.

시야

zkML은 아직 실험 단계에 있으며, 대부분의 프로젝트는 인프라 프로토타입 구축 및 개념 증명에 중점을 두고 있습니다. 현재의 과제에는 계산 비용, 메모리 제한, 모델 복잡성, 제한된 도구 및 인프라, 개발 인력이 포함됩니다. 즉, zkML이 소비자 제품에 필요한 규모를 달성하기 전에 수행해야 할 작업이 여전히 많습니다.

그러나 해당 분야가 성숙해지고 이러한 제한 사항이 해결됨에 따라 zkML은 AI 및 암호화 통합의 핵심 구성 요소가 될 것입니다. 기본적으로 zkML은 온체인 계산을 실행하는 것과 동일하거나 거의 동일한 보안 보장을 유지하면서 어떤 규모로든 오프체인 계산을 온체인으로 가져오는 기능을 약속합니다. 그러나 이 비전이 실현될 때까지 이 기술을 얼리 어답터들은 대안의 효율성과 zkML의 개인 정보 보호 및 보안을 계속 비교해야 할 것입니다.

인공지능 에이전트

인공지능과 암호화폐의 가장 흥미로운 통합 중 하나는 인공지능 에이전트에 대한 지속적인 실험입니다. 에이전트는 AI 모델을 사용하여 작업을 수신, 해석 및 실행할 수 있는 자율 로봇입니다. 에이전트는 귀하의 선호도에 따라 항상 사용 가능하고 최적화된 개인 비서를 갖는 것부터 금융 에이전트를 고용하여 사용자의 위험 성향에 따라 투자 포트폴리오를 관리하고 조정하는 것까지 무엇이든 될 수 있습니다.

암호화폐는 무허가 및 무신뢰 결제 인프라를 제공하므로 프록시와 암호화폐는 잘 어울립니다. 훈련이 완료되면 에이전트는 스스로 스마트 계약으로 거래할 수 있도록 지갑을 가질 수 있습니다. 예를 들어, 오늘날 단순 에이전트는 인터넷에서 정보를 검색한 다음 모델을 기반으로 예측 시장에서 거래할 수 있습니다.

대행사 제공자

Morpheus는 Ethereum 및 Arbitrum에서 2024년에 출시된 최신 오픈 소스 프록시 프로젝트 중 하나입니다. 백서는 2023년 9월 익명으로 출판되어 커뮤니티가 형성되고 구축될 수 있는 기반을 제공했습니다(Erik Vorhees와 같은 유명 인사 포함). 백서에는 로컬로 실행되고 사용자 지갑으로 관리되며 스마트 계약과 상호 작용할 수 있는 오픈 소스 LLM인 다운로드 가능한 스마트 에이전트 프로토콜이 포함되어 있습니다. 이는 스마트 계약 순위를 사용하여 에이전트가 처리된 거래 수와 같은 기준에 따라 상호 작용하기에 안전한 스마트 계약을 결정할 수 있도록 돕습니다.

백서는 스마트 에이전트 프로토콜을 구현하는 데 필요한 인센티브 구조, 인프라 등 모피어스 네트워크 구축을 위한 프레임워크도 제공합니다. 여기에는 에이전트와 상호 작용하는 프런트 엔드용 인터페이스를 구축하도록 기여자에게 인센티브를 제공하고, 개발자가 에이전트에 연결하여 서로 상호 작용할 수 있는 애플리케이션을 구축할 수 있는 API를 제공하고, 사용자가 에이전트의 기능을 사용할 수 있도록 클라우드 솔루션을 제공하는 것이 포함됩니다. 에지 장치에서 에이전트를 실행하려면 계산 및 저장이 필요합니다. 프로젝트에 대한 초기 자금 조달은 2024년 2분기 초에 시작되었으며, 이때 전체 프로토콜이 출시될 것으로 예상됩니다.

DAIN(분산형 자율 인프라 네트워크)은 솔라나에서 에이전트 간 경제를 구축하는 새로운 에이전트 인프라 프로토콜입니다. DAIN의 목표는 서로 다른 기업의 에이전트가 공통 API를 통해 서로 원활하게 상호 작용할 수 있도록 함으로써 웹2 및 웹3 제품과 상호 작용할 수 있는 에이전트 구현에 중점을 두고 AI 에이전트를 위한 설계 공간을 크게 개방하는 것입니다. 1월에 DAIN은 사용자가 다중 서명에 프록시 서명자를 추가할 수 있도록 하기 위해 Asset Shield와의 첫 번째 파트너십을 발표했습니다. 프록시 서명자는 사용자가 설정한 규칙에 따라 거래를 해석하고 승인/거부할 수 있습니다.

Fetch.AI는 최초로 배포된 인공 지능 에이전트 프로토콜 중 하나이며 FET 토큰과 Fetch.AI 지갑을 사용하여 온체인 에이전트를 구축, 배포 및 사용하기 위한 생태계를 개발했습니다. 이 프로토콜은 프록시와 상호 작용하고 명령을 발행하는 지갑 내 기능을 포함하여 프록시 작업을 위한 포괄적인 도구 및 애플리케이션 세트를 제공합니다.

Fetch 팀의 전 멤버들이 설립한 Autonolas는 분산형 인공 지능 에이전트를 생성하고 사용할 수 있는 공개 시장입니다. Autonolas는 또한 개발자에게 Polygon, Ethereum, Gnosis Chain 및 Solana를 포함한 여러 체인에 연결할 수 있는 기능을 갖춘 오프체인 호스팅 AI 에이전트를 구축하기 위한 도구 세트를 제공합니다. 그들은 현재 예측 시장 및 DAO 거버넌스용 제품을 포함하여 다양한 활성 프록시 개념 증명 제품을 보유하고 있습니다.

SingularityNet은 사람들이 특정 영역에 초점을 맞춘 AI 에이전트를 배포할 수 있고 이러한 에이전트를 다른 사람이나 에이전트가 고용하여 복잡한 작업을 수행할 수 있는 AI 에이전트를 위한 분산형 시장을 구축하고 있습니다. AlteredStateMachine과 같은 다른 프로젝트에서는 NFT와 AI 에이전트 통합을 구축하고 있습니다. 사용자는 다양한 작업에 대한 장점과 단점을 제공하는 임의의 속성을 가진 NFT를 발행합니다. 그런 다음 이러한 에이전트는 게임, DeFi 또는 가상 비서로 사용되는 특정 속성을 향상하고 다른 사용자와 거래를 수행하도록 교육받을 수 있습니다.

종합적으로, 이러한 프로젝트는 작업을 수행할 뿐만 아니라 인공지능을 구축하는 데 도움이 되는 에이전트의 미래 생태계를 구상합니다. 진정으로 정교한 에이전트는 모든 사용자 작업을 자율적으로 수행할 수 있습니다. 예를 들어, 에이전트가 이를 사용하기 위해 외부 API(예: 여행 예약 웹사이트)를 통합했는지 확인하는 대신, 완전 자율 에이전트는 API를 통합하기 위해 다른 에이전트를 고용하는 방법을 파악한 다음 API를 통합할 수 있습니다. 작업을 수행합니다. 사용자 입장에서는 에이전트가 스스로 작업을 수행할 수 있는지 여부를 확인할 수 있으므로 에이전트가 작업을 수행할 수 있는지 여부를 확인할 필요가 없습니다.

비트코인과 AI 에이전트

2023년 7월, 라이트닝 랩스는 라이트닝 네트워크에서 프록시를 사용하기 위한 개념 증명 솔루션인 LangChain Bitcoin Suite를 출시했습니다. 이 제품은 웹 애플리케이션과 값비싼 API 서비스의 게이팅(액세스 제한)과 같은 Web 2 세계에서 점점 커지는 문제를 해결하는 것을 목표로 하기 때문에 특히 흥미롭습니다.

LangChain은 에이전트가 비트코인을 구매, 판매 및 보유할 수 있을 뿐만 아니라 API 키를 쿼리하고 소액 결제를 보낼 수 있는 도구 세트를 개발자에게 제공함으로써 이 문제를 해결합니다. 기존 결제 채널에서는 수수료 문제로 소액 소액 결제가 기본적으로 불가능하지만 라이트닝 네트워크에서는 에이전트가 매일 무제한 소액 결제를 보낼 수 있으며 최소한의 수수료만 지불할 수 있습니다. LangChain의 L 402 결제 계량 API 프레임워크와 결합하면 기업은 단일 비용 기준을 설정하는 대신 사용량 증가 및 감소에 따라 API 사용 요금을 조정할 수 있습니다.

온체인 활동이 에이전트 간 상호 작용에 의해 지배되는 미래에는 에이전트가 엄청나게 비용이 많이 들지 않는 방식으로 에이전트가 서로 상호 작용할 수 있도록 보장하기 위해 위에서 언급한 사항이 필요할 것입니다. 이는 허가가 필요 없고 비용 효율적인 결제 레일에서 에이전트를 사용하여 새로운 시장과 경제적 상호 작용의 가능성을 열어주는 초기 사례입니다.

시야

에이전시 공간은 아직 초기 단계입니다.

프로젝트는 인프라를 사용하여 간단한 작업을 처리할 수 있는 기능 에이전트를 이제 막 출시하기 시작했습니다. 이는 일반적으로 숙련된 개발자와 사용자에게만 제공됩니다.

그러나 시간이 지남에 따라 AI 에이전트가 암호화폐 공간에 미칠 가장 큰 영향 중 하나는 모든 업종에 걸쳐 사용자 경험을 향상시키는 것입니다. 거래는 클릭 기반에서 텍스트 기반으로 전환되기 시작하고 사용자는 LLM(대형 언어 모델)을 통해 온체인 에이전트와 상호 작용할 수 있습니다. 사용자가 체인에서 상호 작용할 수 있도록 챗봇 지갑을 출시한 Dawn Wallet과 같은 팀이 이미 있습니다.

더욱이, 금융 철도는 연중무휴 24시간 운영할 수 없고 원활한 국경 간 거래를 가능하게 하는 규제된 은행 기관에 의존하기 때문에 Web 2.0에서 프록시가 어떻게 작동할지 불분명합니다. Lyn Alden이 강조한 것처럼, 암호화폐 채널은 환불이 부족하고 소액 거래를 처리할 수 있는 능력 때문에 신용카드에 비해 특히 매력적입니다. 그러나 에이전트가 더욱 보편화되면 기존 결제 제공업체와 애플리케이션이 기존 금융 채널에서 작동하는 데 필요한 인프라를 구현하기 위해 빠르게 이동하여 암호화폐 사용의 이점 중 일부가 완화될 수 있습니다.

현재 에이전트는 주어진 입력이 주어진 출력을 보장하는 결정론적 암호화폐 거래로 제한될 수 있습니다. 이러한 에이전트의 기능을 활용하여 복잡한 작업을 수행하는 방법과 에이전트가 수행할 수 있는 작업 범위를 확장하는 도구에 대한 모델은 추가 개발이 필요합니다. 암호화폐 프록시가 새로운 온체인 암호화폐 사용 사례를 넘어서 유용해지려면 암호화폐를 결제 수단으로 더 폭넓게 통합하고 수용하는 것은 물론 규제의 명확성이 필요합니다. 그러나 이러한 구성 요소가 발전함에 따라 에이전트는 위에서 설명한 분산 컴퓨팅 및 zkML 솔루션의 가장 큰 소비자 중 하나가 되어 자율적이고 비결정적인 방식으로 모든 작업을 수신하고 해결하게 됩니다.

결론적으로

인공 지능은 Web2에서 이미 본 것과 동일한 혁신을 암호화폐에 적용하여 인프라 개발부터 사용자 경험 및 유용성에 이르기까지 모든 것을 향상시킵니다. 그러나 이 프로젝트는 아직 초기 단계에 불과하며 단기적으로는 암호화폐와 AI의 통합이 오프체인 통합에 의해 주도될 것입니다.

Copilot과 같은 제품은 개발 효율성을 10배 향상할 것이며 Microsoft와 같은 주요 기업과의 파트너십을 통해 Layer 1 및 DeFi 애플리케이션은 이미 AI 지원 개발 플랫폼을 출시하고 있습니다. Cub 3.ai 및 Test Machine과 같은 회사는 온체인 보안을 강화하기 위해 스마트 계약 감사 및 실시간 위협 모니터링을 위한 인공 지능을 개발하고 있습니다. LLM 챗봇은 사용자에게 향상된 유용성과 사용자 경험을 제공하기 위해 온체인 데이터, 프로토콜 파일 및 애플리케이션을 사용하여 훈련되고 있습니다.

보다 발전된 통합을 위해 암호화폐의 기본 기술을 실제로 활용하기 위한 과제는 AI 솔루션을 온체인으로 구현하는 것이 기술적으로 가능하고 규모에 따라 경제적으로 가능하다는 것을 증명하는 것입니다. 분산형 컴퓨팅, zkML 및 AI 에이전트의 개발은 모두 유망한 업종을 가리키며 암호화폐와 AI가 깊게 얽혀 있는 미래를 위한 무대를 마련합니다.

원본 링크