원저자: IOSG Ventures

1

언뜻 보면 AI x Web3는 각각 근본적으로 다른 원리를 기반으로 하고 서로 다른 기능을 제공하는 독립적인 기술인 것처럼 보입니다. 그러나 더 깊이 파고들면 두 기술이 서로의 균형을 맞출 수 있는 기회가 있고 고유한 강점이 서로를 보완하고 향상시킬 수 있다는 것을 알게 될 것입니다. Balaji Srinivasan은 SuperAI 컨퍼런스에서 이러한 보완 기능 개념을 훌륭하게 설명하여 이러한 기술이 어떻게 상호 작용하는지 자세히 비교했습니다.

상향식 접근 방식을 취하는 토큰은 익명의 사이버펑크의 분산화 노력에서 탄생했으며 전 세계 수많은 독립 단체의 공동 노력을 통해 10년에 걸쳐 발전해 왔습니다. 대신 AI는 소수의 거대 기술 기업이 주도하는 하향식 접근 방식을 통해 개발됩니다. 이들 기업은 기술의 복잡성보다 자원 강도에 따라 진입 장벽을 결정하면서 업계의 속도와 역동성을 결정합니다.

두 기술은 성격도 완전히 다릅니다. 본질적으로 토큰은 해시 함수의 예측 가능성이나 영지식 증명과 같은 불변의 결과를 생성하는 결정론적 시스템입니다. 이는 인공 지능의 확률적이고 종종 예측할 수 없는 특성과 대조됩니다.

마찬가지로 암호화는 검증 에 탁월하여 거래의 신뢰성과 보안을 보장하고 무신뢰 프로세스와 시스템을 구축하는 반면 AI는 생성 에 중점을 두고 풍부한 디지털 콘텐츠를 생성합니다. 그러나 디지털 풍요를 창출하는 과정에서 콘텐츠 출처를 보장하고 신원 도용을 방지하는 것이 어려운 과제가 됩니다.

다행스럽게도 토큰은 디지털 풍부함의 반대 개념인 디지털 희소성을 제공합니다. 콘텐츠 소스의 신뢰성을 보장하고 신원 도용 문제를 방지하기 위해 인공 지능 기술로 확장할 수 있는 비교적 성숙한 도구를 제공합니다.

토큰의 중요한 장점은 특정 목표를 달성하기 위해 대규모의 하드웨어와 자본을 조정된 네트워크로 끌어들이는 능력입니다. 이 기능은 대량의 컴퓨팅 성능을 소비하는 인공 지능에 특히 유용합니다. 활용도가 낮은 리소스를 동원하여 더 저렴한 컴퓨팅 성능을 제공하면 인공 지능의 효율성을 크게 향상시킬 수 있습니다.

이 두 기술을 비교함으로써 우리는 그들의 개별 기여를 평가할 수 있을 뿐만 아니라 기술과 경제에 대한 새로운 길을 함께 만들 수 있는 방법도 알 수 있습니다. 각 기술은 서로의 단점을 보완하여 더욱 통합되고 혁신적인 미래를 창조할 수 있습니다. 이 블로그 게시물에서 우리는 신흥 AI x Web3 산업 환경을 탐색하고 이러한 기술의 교차점에서 떠오르는 일부 업종을 강조하는 것을 목표로 합니다.

출처: IOSG 벤처스

2

2.1 컴퓨팅 네트워크

업계 지도에서는 먼저 제한된 GPU 공급 문제를 해결하고 다양한 방법으로 컴퓨팅 비용을 절감하려는 컴퓨팅 네트워크를 소개합니다. 다음 항목에 집중할 가치가 있습니다.

• 비통합 GPU 상호 운용성 : 이는 기술적 위험과 불확실성이 높은 매우 야심찬 노력이지만, 성공할 경우 모든 컴퓨팅 리소스를 상호 운용 가능하게 만들어 엄청난 규모와 영향력을 지닌 결과를 창출할 수 있는 잠재력을 갖게 됩니다. 기본적으로 아이디어는 공급 측에서는 모든 하드웨어 리소스를 연결할 수 있도록 컴파일러와 기타 전제 조건을 구축하는 반면, 수요 측에서는 모든 하드웨어의 비균일성을 완전히 추상화하여 컴퓨팅 요청을 라우팅할 수 있도록 하는 것입니다. 의 모든 리소스를 네트워크에 연결합니다. 이 비전이 성공하면 AI 개발자가 완전히 지배하는 CUDA 소프트웨어에 대한 현재 의존도가 줄어들 것입니다. 높은 기술적 위험에도 불구하고 많은 전문가들은 이 접근 방식의 타당성에 대해 매우 회의적입니다.

• 고성능 GPU 집합 : 균일하지 않은 GPU 리소스 간의 상호 운용성 문제에 대한 걱정 없이 세계에서 가장 널리 사용되는 GPU를 분산형 무허가 네트워크로 통합합니다.

• 상용 소비자급 GPU 집합 : 소비자 장치에서 사용할 수 있는 일부 저성능 GPU를 집합시키는 것을 의미합니다. 이러한 GPU는 공급 측면에서 가장 활용도가 낮은 리소스입니다. 더 저렴하고 긴 훈련 세션을 위해 성능과 속도를 기꺼이 희생하려는 사람들에게 적합합니다.

2.2 훈련과 추론

컴퓨팅 네트워크는 주로 훈련과 추론이라는 두 가지 주요 기능에 사용됩니다. 이러한 네트워크의 필요성은 Web 2.0 및 Web 3.0 프로젝트에서 비롯됩니다. Web 3.0 세계에서 Bittensor와 같은 프로젝트는 모델 미세 조정을 위해 컴퓨팅 리소스를 활용합니다. 추론 측면에서 Web 3.0 프로젝트는 프로세스의 검증 가능성을 강조합니다. 이러한 초점으로 인해 수직 시장으로서 검증 가능한 추론이 생겨났고, 프로젝트에서는 분산화 원칙을 유지하면서 AI 추론을 스마트 계약에 통합하는 방법을 모색하고 있습니다.

2.3 지능형 에이전트 플랫폼

다음은 지능형 에이전트 플랫폼 이며, 그래프는 이 카테고리의 스타트업이 해결해야 하는 핵심 문제를 간략하게 설명합니다.

• 에이전트 상호 운용성 및 검색 및 통신 기능 : 에이전트는 서로를 검색하고 통신할 수 있습니다.

• 에이전트 클러스터 구축 및 관리 기능 : 에이전트는 클러스터를 구성하고 다른 에이전트를 관리할 수 있습니다.

• AI 에이전트의 소유권과 시장 : AI 에이전트에 대한 소유권과 시장을 제공합니다.

이러한 특성은 다양한 블록체인 및 인공 지능 애플리케이션에 원활하게 통합될 수 있는 유연한 모듈식 시스템의 중요성을 강조합니다. AI 에이전트는 우리가 인터넷과 상호 작용하는 방식을 혁신할 수 있는 잠재력을 가지고 있으며 에이전트가 인프라를 활용하여 작업을 지원할 것이라고 믿습니다. 우리는 다음과 같은 방식으로 인프라에 의존하는 AI 에이전트를 구상합니다.

• 분산 스크래핑 네트워크를 사용하여 실시간 웹 데이터에 액세스

• 에이전트 간 결제를 위해 DeFi 채널 사용

• 금전적 보증금을 요구하는 것은 잘못된 행동이 발생했을 때 이를 처벌할 뿐만 아니라 에이전트의 발견 가능성을 높이기 위한 것입니다(예: 발견 과정에서 보증금을 금전적 신호로 활용).

• 합의를 통해 어떤 이벤트가 삭감되어야 하는지 결정

• 구성 가능한 집단 구축을 지원하는 개방형 상호 운용성 표준 및 기관 프레임워크

• 불변의 데이터 기록을 기반으로 과거 성능을 평가하고 실시간으로 적절한 에이전트 집합을 선택합니다.

출처: IOSG 벤처스

2.4 데이터 계층

AI x Web3 융합에서는 데이터가 핵심이다. 데이터는 AI 경쟁에서 전략적 자산으로 컴퓨팅 자원과 함께 핵심 자원을 구성한다. 그러나 대부분의 업계 관심이 컴퓨팅 수준에 집중되어 있기 때문에 이 범주는 간과되는 경우가 많습니다. 실제로 기본 요소는 주로 다음 두 가지 상위 수준 방향을 포함하여 데이터 수집 프로세스에서 많은 흥미로운 값 방향을 제공합니다.

• 공용 인터넷 데이터에 액세스

• 보호된 데이터에 액세스

공용 인터넷 데이터에 액세스: 이 방향은 며칠 만에 전체 인터넷을 크롤링하고, 대규모 데이터 세트를 획득하거나, 매우 구체적인 인터넷 데이터에 실시간으로 액세스할 수 있는 분산 크롤러 네트워크를 구축하는 것을 목표로 합니다. 그러나 인터넷에서 대규모 데이터 세트를 크롤링하려면 네트워크 요구 사항이 매우 높으며 의미 있는 작업을 시작하려면 최소한 수백 개의 노드가 필요합니다. 다행스럽게도 분산형 크롤러 노드 네트워크인 Grass에는 이미 전체 인터넷을 크롤링하려는 목표로 네트워크와 인터넷 대역폭을 적극적으로 공유하는 200만 개 이상의 노드가 있습니다. 이는 귀중한 자원을 유치하기 위한 재정적 인센티브의 엄청난 잠재력을 보여줍니다.

Grass가 공개 데이터와 관련하여 경쟁의 장을 평준화하는 동안 기본 데이터를 활용하는 데는 여전히 어려움이 있습니다. 즉, 독점 데이터 세트에 대한 액세스입니다. 특히, 민감한 특성으로 인해 개인정보를 보호하는 방식으로 보관되는 데이터의 양이 여전히 많습니다. 많은 스타트업에서는 AI 개발자가 민감한 정보를 비공개로 유지하면서 독점 데이터 세트의 기본 데이터 구조를 사용하여 대규모 언어 모델을 구축하고 미세 조정할 수 있도록 하는 암호화 도구를 활용하고 있습니다.

연합 학습, 차등 개인 정보 보호, 신뢰할 수 있는 실행 환경, 완전 동형 및 다자간 계산 과 같은 기술은 다양한 수준의 개인 정보 보호 및 절충을 제공합니다. Bagel의 연구 기사(https://blog.bagel.net/p/with-great-data-comes-great-responsibility-d67)에는 이러한 기술에 대한 훌륭한 개요가 요약되어 있습니다. 이러한 기술은 기계 학습 과정에서 데이터 개인 정보를 보호할 뿐만 아니라 컴퓨팅 수준에서 포괄적인 개인 정보 보호 AI 솔루션을 가능하게 합니다.

2.5 데이터 및 모델 소스

데이터 및 모델 출처 기술은 사용자가 의도한 모델 및 데이터와 상호 작용하고 있음을 보장할 수 있는 프로세스를 확립하는 것을 목표로 합니다. 또한 이러한 기술은 진품성과 출처를 보장합니다. 워터마킹 기술을 예로 들면, 워터마킹은 모델 소스 기술 중 하나로 시그니처를 머신러닝 알고리즘, 구체적으로는 모델 가중치에 직접 삽입하여 검색 시 추론이 예상 모델에서 나온 것인지 검증할 수 있습니다. .

2.6 적용

응용 측면에서 디자인 가능성은 무한합니다. 위의 산업 지도에는 Web 3.0 분야에 AI 기술을 적용한 특히 흥미로운 개발 사례가 나열되어 있습니다. 이러한 사용 사례는 대부분 자체 설명적이므로 여기서는 추가 설명을 하지 않습니다. 그러나 AI와 웹 3.0의 교차점은 해당 분야의 많은 업종을 재편할 가능성이 있다는 점은 주목할 가치가 있습니다. 이러한 새로운 기본 요소는 개발자에게 혁신적인 사용 사례를 만들고 기존 사용 사례를 최적화할 수 있는 더 많은 자유를 제공하기 때문입니다.

요약하다

AI x Web3 융합은 혁신과 잠재력으로 가득 찬 약속을 제공합니다. 각 기술의 고유한 강점을 활용하여 다양한 과제를 해결하고 새로운 기술 경로를 창출할 수 있습니다. 이 신흥 산업을 탐색하면서 AI x Web3 간의 시너지 효과는 미래의 디지털 경험과 웹에서 상호 작용하는 방식을 재구성하는 발전을 촉진할 수 있습니다.

디지털 희소성과 디지털 풍부함의 융합, 컴퓨팅 효율성을 달성하기 위해 활용도가 낮은 리소스의 동원, 안전하고 개인정보를 보호하는 데이터 관행의 확립이 기술 진화의 다음 시대를 정의할 것입니다.

그러나 우리는 이 산업이 아직 초기 단계에 있으며 현재의 산업 환경이 단기간에 구식이 될 수 있다는 점을 인식해야 합니다. 혁신의 빠른 속도는 오늘날의 최첨단 솔루션이 곧 새로운 혁신으로 대체될 수 있음을 의미합니다. 그럼에도 불구하고 컴퓨팅 네트워크, 에이전트 플랫폼, 데이터 프로토콜 등 탐구된 기본 개념은 인공 지능을 웹 3.0과 통합할 수 있는 광대한 가능성을 강조합니다.