암호화폐가 AI 개발에 힘을 실어주는 7가지 주요 방향(대표적인 잠재적 프로젝트 포함)

golem

Odaily资深作者

@web3_golem

2024-05-24 09:09

이 기사는 약 2101자로, 전체를 읽는 데 약 4분이 소요됩니다

AI 기술의 지속적인 발전은 암호화폐 산업에도 많은 가능성을 가져다줍니다.

원저자 @cebillhsu

컴파일 | 골렘

GPT-4, Gemini 1.5, Microsoft AI PC 등 AI 기술의 발전은 인상적이지만, 현재 AI의 발전은 여전히 몇 가지 문제에 직면해 있습니다. AppWorks의 Web3 연구원인 Bill은 이러한 문제를 심층적으로 연구하고 Crypto가 어떻게 도움을 줄 수 있는지 논의했습니다. AI 역량 강화의 7가지 방향.

데이터 토큰화

전통적인 AI 훈련은 주로 인터넷에서 공개적으로 사용 가능한 데이터, 더 정확하게는 공개 도메인의 트래픽 데이터에 의존합니다. 개방형 API를 제공하는 일부 회사를 제외하면 대부분의 데이터는 아직 활용되지 않은 상태로 남아 있습니다. 개인 정보를 보호하면서 더 많은 데이터 보유자가 AI 훈련을 위해 자신의 데이터를 제공하거나 승인할 수 있도록 하는 방법이 핵심 방향입니다.

하지만 이 분야가 직면한 가장 큰 과제는 컴퓨팅 성능처럼 데이터를 표준화하기 어렵다는 것입니다. 분산 컴퓨팅 성능은 GPU 유형에 따라 정량화할 수 있지만 개인 데이터의 수량, 품질 및 사용량은 측정하기 어렵습니다. 분산 컴퓨팅 성능이 ERC 20과 같다면 데이터 세트의 토큰화는 ERC 721과 같으며 이는 ERC 20보다 유동성과 시장 형성을 더 어렵게 만듭니다.

Ocean Protocol 의 Compute-to-Data 기능을 사용하면 데이터 소유자는 개인 정보를 보호하면서 개인 데이터를 판매할 수 있습니다. Vana는 Reddit 사용자에게 데이터를 집계하여 대규모 AI 모델을 교육하는 회사에 판매할 수 있는 방법을 제공합니다.

자원 할당

현재 GPU 컴퓨팅 파워의 수요와 공급 사이에는 큰 격차가 있고, GPU 리소스의 대부분을 대기업이 독점하고 있어 소규모 기업이 모델을 학습시키는 데 비용이 매우 많이 듭니다. 많은 팀이 분산형 네트워크를 통해 소규모, 사용량이 많은 GPU 리소스를 집중시켜 비용을 절감하기 위해 노력하고 있지만, 여전히 안정적인 컴퓨팅 성능과 충분한 대역폭을 확보하는 데 큰 어려움을 겪고 있습니다.

인센티브 RLHF

RLHF(인간 피드백 기반 강화 학습)는 대형 모델을 개선하는 데 중요하지만 전문가 교육이 필요합니다. 시장 경쟁이 심화됨에 따라 이러한 전문가를 고용하는 데 드는 비용도 증가합니다. 고품질 주석을 유지하면서 비용을 줄이기 위해 스테이킹 및 슬래싱 시스템을 사용할 수 있습니다. 데이터 주석의 가장 큰 비용 중 하나는 감독자가 품질을 확인해야 한다는 것입니다. 그러나 수년에 걸쳐 블록체인은 작업 품질(PoW, PoS)을 보장하기 위해 경제적 인센티브 메커니즘을 성공적으로 사용해 왔으며, 좋은 토큰 경제 시스템을 구축하면 RLHF의 비용을 효과적으로 줄일 수 있다고 믿어집니다.

예를 들어, Sapien AI는 Tag 2 Earn을 도입하고 여러 게임파이 길드와 협력했습니다. Hivemapper는 토큰 인센티브 메커니즘을 통해 200만 킬로미터의 도로에 대한 교육 데이터를 보유하고 있습니다. QuillAudits는 오픈 소스 스마트 계약 감사 에이전트를 출시하여 모든 감사자가 공동으로 에이전트를 교육하고 보상을 받으세요.

검증 가능성

컴퓨팅 전력 공급자가 특정 요구 사항이나 모델에 따라 추론 작업을 수행하는지 어떻게 확인합니까? 사용자는 AI 모델과 그 출력의 신뢰성과 정확성을 확인할 수 없습니다. 이러한 검증 가능성 부족은 금융, 의료, 법률과 같은 분야에서 불신, 오류, 심지어 피해로 이어질 수 있습니다.

추론 서비스 제공업체는 ZKP, OP, TEE 등의 암호화 검증 시스템을 사용하여 출력이 특정 모델에 의해 수행되었음을 증명할 수 있습니다. 암호화 검증을 사용하면 모델 제공자가 모델 기밀성을 유지할 수 있고, 사용자가 모델 실행이 올바른지 검증할 수 있으며, 증명 암호화를 스마트 계약에 통합하면 블록체인의 컴퓨팅 능력의 한계를 피할 수 있다는 이점이 있습니다. 동시에 성능 문제를 해결하기 위해 기기 측에서 AI를 직접 실행하는 것도 고려할 수 있지만 아직까지 이 분야에서 구축 중인 프로젝트에는 Ritual , ORA 및 Aizel Network가 있습니다.

딥페이크

프로덕션 AI의 등장으로 사람들은 딥 페이크 문제에 점점 더 많은 관심을 기울이고 있습니다. 그러나 딥페이크 기술은 탐지 기술보다 빠르게 발전하고 있어 딥페이크 탐지가 점점 어려워지고 있습니다. C2PA 등의 디지털 워터마킹 기술은 딥페이크 식별에 도움이 되지만 처리된 이미지가 변형되어 일반인이 원본 이미지의 서명을 확인할 수 없기 때문에 한계도 있습니다. .

블록체인 기술은 다양한 방법으로 딥페이크 문제를 해결할 수 있습니다. 하드웨어 인증에서는 변조 방지 칩 카메라를 사용하여 각 원본 사진에 암호화 증거를 삽입하여 이미지의 진위 여부를 확인할 수 있습니다. 블록체인은 변경할 수 없으므로 메타데이터가 포함된 이미지를 타임스탬프가 있는 블록에 추가하여 변조를 방지하고 원본 소스를 확인할 수 있습니다. 또한 게시된 콘텐츠의 작성자를 확인하기 위해 지갑을 사용하여 게시된 게시물에 암호화 서명을 첨부할 수 있으며, zk 기술을 기반으로 하는 KYC 인프라는 사용자 개인 정보를 보호하면서 지갑을 확인된 신원에 연결할 수 있습니다. 경제적 인센티브의 관점에서 보면, 작성자는 허위 정보를 게시한 경우 처벌을 받아야 하며, 사용자는 허위 정보를 식별한 경우 보상을 받을 수 있습니다.

Numbers Protocol은 수년간 이 분야에서 작업해 왔습니다. Fox News의 검증 도구는 Polygon 블록체인을 기반으로 하여 사용자가 블록체인에서 기사를 찾고 관련 데이터를 검색할 수 있도록 해줍니다.

은둔

AI 모델에 금융, 의료, 법률 등의 민감한 정보가 제공되는 경우 이를 사용하는 동안 데이터 개인 정보를 보호하는 것도 매우 중요합니다. 동형암호(FHE)는 데이터를 해독하지 않고 처리할 수 있으므로 LLM 모델을 사용할 때 개인정보를 보호할 수 있습니다.

사용자는 로컬 장치에서 추론 프로세스를 시작하고 초기 레이어를 완료한 후 중지합니다. 이 초기 레이어는 서버와 공유되는 모델에 포함되지 않습니다.
클라이언트는 중간 작업을 암호화하여 서버에 전달합니다.
서버는 이 암호화된 데이터에 대해 부분 주의 메커니즘 처리를 수행하고 결과를 클라이언트에 다시 보냅니다.
클라이언트는 결과를 해독하고 로컬에서 추론을 계속합니다. 이러한 방식으로 FHE는 전체 처리 과정에서 사용자 데이터의 개인 정보가 보호되도록 보장합니다.

Zama는 완전 동형암호(FHE) 솔루션을 구축하고 있으며 최근 개발 지원을 위해 7,300만 달러의 자금을 조달했습니다.

AI 에이전트

AI 에이전트에 대한 아이디어는 매우 미래적입니다. AI 에이전트가 자산을 소유하고 거래를 수행할 수 있다면 미래는 어떻게 될까요? 의사결정을 돕기 위해 범용 대형 모델을 사용하는 것에서 전문 에이전트에게 작업을 할당하는 방향으로 전환될 수 있습니다.

이러한 에이전트는 서로 협력할 것이며 건전한 경제적 관계가 인간의 협업 능력을 향상시키는 것처럼 AI 에이전트에 경제적 관계를 추가하면 효율성을 향상시킬 수 있습니다. 블록체인은 이 개념의 시험장이 될 수 있습니다. 예를 들어 Colony는 게임을 통해 이 아이디어를 실험하고 있으며 AI 에이전트가 특정 목표를 달성하기 위해 다른 에이전트 또는 실제 플레이어와 거래할 수 있는 지갑을 제공하고 있습니다.

결론

실제로 대부분의 질문은 오픈소스 AI와 관련이 있습니다. 이러한 중요한 기술이 향후 10년 동안 소수의 기업에 의해 독점되지 않도록 하기 위해 토큰 경제 시스템은 분산형 컴퓨팅 리소스와 교육 데이터 세트를 신속하게 활용하여 오픈 소스와 폐쇄 소스 AI 간의 리소스 격차를 줄일 수 있습니다. 블록체인은 AI 훈련 및 추론을 추적하여 더 나은 데이터 거버넌스를 달성할 수 있으며, 암호화 기술은 AI 이후 시대에 대한 신뢰를 보장하고 심각한 위조 및 개인 정보 보호 문제를 처리할 수 있습니다.