참고: 이 기사는 @bonnazhu Twitter에서 가져온 것이며 Mars Finance에서 다음과 같이 편집했습니다.
최근 OpenAI 4o 버전이 출시 되면서 AI+블록체인에 대한 우리의 견해에 대해 이야기해 보겠습니다.
OpenAI가 이끄는 생성적 AI 물결은 데이터, 스토리지 및 컴퓨팅의 개발을 단독으로 주도했습니다. 그때부터 AI는 향후 10년 또는 심지어 수십 년 동안 가장 중요한 고객이 될 것입니다. AI를 잘 서비스하고, AI를 사용하여 다양한 다운스트림 산업의 고객과 애플리케이션에 서비스를 제공하는 체인이 점차 형성되고 있습니다. 중간층과 엔진.
첫째, AI는 업스트림 인프라에 대한 수요를 촉진합니다.
1) 컴퓨팅: 칩 설계 및 생산, 클라우드 컴퓨팅 서비스, 데이터 센터, 네트워크/전력 인프라 등 포함
이 링크는 물리학에 중점을 두고 있습니다. AI 훈련 및 결과 출력은 대량 해시레이트, 전력 및 네트워크 리소스를 소비하며, 칩의 성능은 NVIDIA 및 AMD와 같은 칩의 설계를 결정하는 핵심 요소입니다. TSMC, 삼성 등 웨이퍼 파운드리 업체와 클라우드 컴퓨팅 및 데이터센터 업무 하는 거대 기술 기업인 구글, 마이크로소프트, 아마존 등이 이번 라운드에서 가장 큰 가치를 확보할 운명이다.
그러나 블록체인은 그 용도가 없는 것은 아닙니다. 현재 해시레이트 의 독점은 매우 명백합니다. 고성능 GPU 카드를 찾기가 어렵거나, 지정학적, 칩 판매로 인해 클라우드 컴퓨팅 공급업체로부터 관련 서비스를 얻으려면 높은 프리미엄을 지불해야 합니다. 금지 및 기타 이유로 인해 해시레이트 지리적으로 제한되어 있습니다. 이러한 불균형으로 인한 수요 유출로 인해 탈중앙화 컴퓨팅은 AI의 물결에서 실질적인 이점을 얻은 블록체인 부문 중 하나가 되었습니다 . 이 분야에는 많은 프로젝트가 있고 새로운 프로젝트가 지속적으로 등장하며 @akashnet_ 과 같이 경쟁이 치열할 것입니다. @rendernetwork @gensynai @NodeAIETH @exa_bits @ionet @fluence_project @gpunet @nosana_ai 등.
그러나 블록체인 네트워크 자체의 성능 한계와 머신러닝(ML) 의 높은 계산 부하 사이의 모순으로 인해 복잡한 딥러닝은 오프체인에서 수행되고 그 결과가 온체인 으로 전송되어야 합니다. 해시레이트 제공자가 요구하는 훈련 작업을 수행했는지 여부를 어떻게 검증하는가가 어려운 점이며, 계산을 위해서는 데이터와 모델을 사용해야 하므로 개인 정보 노출 문제가 발생할 수 있습니다. 이때 ZK(영지식증명)의 위력이 드러난다. @bagel_network 와 같이 AI를 제공하기 위해 ZK를 탐색하는 프로젝트가 이미 많이 있습니다. @gizatechxyz @ModulusLabs는 개발자가 AI 모델을 배포하고 ZK를 사용하여 AI 훈련 및 추론 프로세스, 즉 ZK 기계 학습을 검증할 수 있는 머신러닝(ML) 플랫폼을 만드는 것을 목표로 하고 있으며, @ezklxyz 는 AI 및 추론 서비스에 중점을 둔 ZKP 생성기입니다. 검증자 여러분, @Ingo_zk 는 ZKP 생성 하드웨어 가속을 탐구하고 있습니다.
게다가 생성 AI로 인한 에너지 소비(계산으로 인한 에너지 소비, 열 방출로 인한 에너지 소비 포함)도 엄청나다. OpenAI가 GPT-6을 훈련시켰을 때 마이크로소프트의 전력망이 무너졌다고 합니다. 주요 거대 기업들이 AI 데이터 센터에 대한 투자를 계속 늘리면(이 중 OpenAI는 Microsoft와 협력하여 Stargate라는 1000억 달러 규모의 슈퍼컴퓨터를 구축할 계획임), 에너지 소비는 기하급수적으로 증가할 것입니다. 그러나 네트워크/전력 인프라의 건설 및 개량 주기는 매우 느리며, 미국과 같은 국가에서는 대부분의 토지가 개인 소유이며, 전력망 및 관련 인프라의 확장에는 민간 동의가 필요합니다. 민간 개인에게 인프라 확장에 참여하도록 인센티브를 제공하거나 전력망에 대한 의존도와 부담을 줄이는 방법은 향후 #DePin 에서 중요한 문제가 될 수 있습니다. 물론 전력 외에도 안정적인 대역폭도 AI의 중요한 인프라 요구 사항 중 하나입니다. 대부분의 데이터 센터는 ISP(인터넷 업무 제공업체) 근처에 구축되는 경향이 있지만, 전력이 풍부한 곳에서는 네트워크 대역폭 리소스가 반드시 풍부하지는 않습니다. . 이러한 불일치 문제를 해결하기 위해 #DePin을 활용하는 방법 도 기대해볼 만한 방향이다.
2) 데이터: 데이터 수집, 데이터 주석/처리, 데이터 거래/승인을 포함합니다.
데이터는 AI의 '음식'이지만 대부분의 머신러닝(ML) 모델은 처리된 구조화된 데이터만 사용할 수 있습니다. 현재 머신러닝(ML) 에 사용되는 데이터 소스는 매우 광범위하고, 대부분이 비정형적이고 분산된 공개 데이터이므로 이러한 데이터를 수집하고 처리하는 데 대량 시간과 에너지가 소요됩니다. 이는 사실 노동집약적인 일이지만, 블록체인과 토큰 이코노미 쉽게 진입할 수 있는 연결고리이기도 합니다. 현재 이러한 데이터 수집 및 처리 하도급 업무 주로 하는 분들은 @getgrass_io 입니다. @PublicAI_ @AITProtocol 이 몇 가지.
그러나 새로운 머신러닝(ML) 모델 아키텍처가 등장하면서 구조화된 데이터에 대한 의존도가 바뀔 것이라는 점에 유의해야 합니다. 자기 지도 학습, GAN, VAE 및 사전 학습 모델과 같은 새로운 기술 아키텍처는 데이터 처리 및 링크 정리를 우회하여 딥 러닝에 구조화되지 않은 데이터를 직접 사용할 수 있으며 이는 노동 집약적인 플랫폼에 대한 수요에 일정한 영향을 미칠 것입니다.
또한, 공개적으로 수집할 수 있는 데이터는 전 세계 데이터의 빙산의 일각에 불과합니다. 실제로 이를 허용하는 공개 API를 보유한 일부 회사를 제외하면 대량 의 데이터가 민간 조직이나 개인 사용자의 손에 있습니다. 전화를 걸면 대부분의 데이터가 활성화되지 않았습니다. 개인 정보를 잘 보호하면서 더 많은 데이터 보유자가 자신의 데이터에 기여/승인할 수 있도록 하는 방법이 핵심 방향입니다. 예전에는 탈중앙화 많은 플랫폼이 있었지만 데이터가 필요한 당사자를 찾는 데 어려움을 겪었기 때문에 몇 차례의 파도 끝에 기본적으로 @oceanprotocol 과 같은 소수만이 AI의 봄에서 살아 남았습니다. - 데이터 모델을 사용하면 데이터 사용자가 데이터를 노출하지 않고 데이터 공유자의 데이터 세트에 대해 직접 계산을 수행할 수 있으므로 이러한 개인 정보 보호 문제가 정확하게 해결됩니다.
3) 스토리지 : 데이터베이스(database), 데이터 백업/스토리지 시스템(storage) 포함
딥러닝 모델의 훈련 및 추론에 사용되는 대부분의 데이터는 데이터베이스 또는 데이터 스토리지 백업 시스템에서 검색됩니다. 데이터베이스와 백업/스토리지 시스템은 "냉장고"로 이해될 수 있지만, 데이터베이스와 백업/스토리지 시스템은 실제로는 다릅니다. 전자는 관리에 중점을 두고 빈번한 읽기 및 쓰기는 물론 복잡한 쿼리(예: SQL) 및 쿼리를 지원해야 합니다. 후자 투자자는 대규모의 장기 백업 및 보관에 중점을 두고 개인 정보 보호, 보안 및 불변성을 보장해야 합니다.
데이터베이스와 스토리지는 서로를 보완하고 AI 딥 러닝을 공동으로 제공합니다. 일반적인 시나리오는 데이터베이스에서 데이터를 클레임 하고 전처리하고 정리한 후 모델 교육에 적합한 형식으로 변환하는 탈중앙화 입니다. 데이터 보안. 모델 훈련 단계에서는 탈중앙화 저장소에서 훈련 데이터를 읽고 훈련 과정에서 생성된 중간 데이터와 모델 매개변수를 데이터베이스에 저장하여 빠른 액세스, 미세 조정 및 업데이트를 수행할 수 있습니다.
이 분야는 블록체인의 장점입니다, @ArweaveEco @파일코인 @storj @Sia__Foundation이 이 트랙에 속하며 @dfinity 도 여기에 분류될 수 있습니다. 그러나 일회성 결제 영구 저장 모델과 생태계를 더해 @ArweaveEco가 AI 서비스에 가장 적합한 솔루션 이라는 느낌이 점점 더 커지고 있습니다. 딥 러닝의 멀티스레드 작업 요구 사항에 완벽하게 적응하여 머신러닝(ML) 배포를 지원할 수 있는 새로 출시된 병렬 아키텍처 AO 컴퓨팅 네트워크와 보충 자료 역할을 합니다.
둘째, AI 성능은 다운스트림 애플리케이션의 상한을 결정합니다.
AI가 산업 및 농업 분야(2B)에 어느 정도 적용되었지만 이번 라운드에서 우리가 본 획기적인 발전은 주로 LLM(대형 언어 모델)을 기반으로 한 2C 애플리케이션입니다. 이러한 애플리케이션을 두 가지 주요 범주로 나눌 수 있습니다.
첫 번째 유형은 실제로 사용자 지시에 따라 사용자가 원하는 결과를 생성하는 일부 AIGC 플랫폼과 같은 대규모 언어 모델의 구현일 뿐입니다. 그러나 이러한 유형의 애플리케이션의 성능은 주로 사용되는 AI 모델에 따라 달라집니다. 주요 LLM 모델은 독점을 가지고 있기 때문에 애플리케이션 간의 차이가 상대적으로 좁고 다른 유형은 AI 모델을 사용하여 검색과 같은 기존 제품의 사용자 경험을 향상시킵니다. @_kaitoai를 포함한 AI 기능이 추가된 엔진 및 게임 @ScopeProtocol @EchelonFND
또한 생성적 AI의 물결은 AI 에이전트, 즉 사용자 의도에 따라 독립적으로 작업을 수행하고 의사결정을 내릴 수 있는 지능형 로봇이라는 새로운 응용 생태계도 촉진했습니다. AI 에이전트의 핵심은 LLM 모델을 기반으로 보다 복잡한 실행 및 처리 로직을 추가하여 다양한 애플리케이션 시나리오를 제공할 수 있도록 하는 것입니다. 실제로 이러한 유형의 에이전트 프로토타입은 DeFi 대출 프로토콜의 청산 봇, 탈중앙화 거래 플랫폼의 차익거래 봇 등 암호화폐 분야에 이미 존재합니다. 이러한 DeFi 봇은 스마트 로봇의 일부 특성을 가지고 있지만 순전히 온체인 이며 오프체인 동작을 지원하지 않습니다. 스마트 계약을 기반으로 하기 때문에 시작하려면 외부 트리거가 필요합니다.
AI가 없을 경우, 현재 오프체인과 온체인 연결하기 위해 일련의 외부 키퍼 네트워크가 사용됩니다. 예를 들어 가격 오라클 대표적인 예이고 @thekeep3r 도 그 예입니다. AI Agent의 등장은 지능형 로봇이 스스로 완성하고 자동화를 실현할 수 있다는 새로운 아이디어를 제시했습니다. 온체인 AI 에이전트의 주요 대상은 다음과 같습니다: @autonolas @MorpheusAIs 및 기타 보다 일반적인 AI 에이전트 대상에는 @chainml_이 포함됩니다. @Fetch_ai ; 동료애와 인간-컴퓨터 상호작용에 초점을 맞춘 AI 에이전트는 @myshell_ai 입니다. @virtuals_io @The_Delysium , 그리고 이러한 유형의 Agent의 특징은 의인화, 정서 가치 제공, 다양한 게임 및 메타버스에서 사용할 수 있는 상상력 공간을 갖는 것입니다.
셋째, 마지막에 다음과 같이 작성합니다.
AI는 실제로 융합 서사입니다. AI의 출현은 원래 고립되어 있거나 심지어 시장 수렴을 찾을 수 없었던 여러 암호화폐 부문을 연결했습니다. 현재 AI는 여전히 대규모 인프라 투자 시대에 있으며, 데이터, 스토리지, 컴퓨팅과 같은 업스트림 부문은 AI 개발에 더 민감하고 확실성이 높습니다.
그러나 이 업계의 투자자들에게는 대부분의 배당금이 암호화폐 시장에 없을 수도 있다는 리스크 있습니다. 현재 통화 시장의 AI 효과는 전통 시장의 수요와 공급 불균형으로 인한 파급 효과에서 더 많이 발생합니다 . 아니면 순수한 추측에서 나온 것입니다. 다운스트림 애플리케이션의 경우 성능 상한선은 AI 모델에 따라 달라지며 AI 모델은 여전히 지속적인 반복 과정에 있으며 AI와 제품 간의 통합 지점은 아직 탐색 중이며 시장 적합성은 아직입니다. 이는 다운스트림 애플리케이션의 미래 변수를 상대적으로 불확실하게 만들고, 확실성은 업스트림 부문만큼 높지 않습니다.
물론 @bittensor_ , @ritualnet 같은 프로젝트도 있습니다 . AI 생태 플랫폼 프로젝트라고 불러야 할 것 같습니다. 이들은 단순히 업스트림 또는 다운스트림 업무 의 특정 부분에 초점을 맞추는 것이 아니라 아키텍처 및 경제 메커니즘의 설계를 통해 다양한 업스트림 및 다운스트림 업무 제공업체가 플랫폼이나 온체인 에 액세스하고 배포하여 소위 인공 지능 협업을 달성할 수 있습니다. 이들 프로젝트는 전망이 좋지만 현재 업스트림 및 다운스트림 블록체인 AI가 직면하고 있는 수요 포착 문제도 여기에 반영될 것이며 그 가치는 상대적으로 높습니다. 그러나 이러한 플랫폼에 베팅하는 리스크 특정 프로젝트에 베팅하는 것에 비해 상대적으로 작습니다.
단기적으로 블록체인이 AI 배당금의 혜택을 계속 누릴 수 있을지 여부는 여전히 업스트림 부문의 수요와 공급 불균형, 특히 공급 부족의 지속에 달려 있을 수 있습니다. 그러나 중장기적으로 블록체인의 검증 가능성, 변조 불가능성 및 토큰 인센티브는 실제로 AI에 새로운 가능성을 가져올 수 있습니다 . 성능 제한 하에서 AI 딥 러닝의 높은 계산 요구 사항을 충족하는 블록체인의 문제를 완벽하게 해결하는 신뢰할 수 있는 검증 입니다.
