체인피드 소개:
인공지능은 최근 암호화폐 시장에서 가장 이슈 유망한 이야기 중 하나입니다. Hack.VC의 관리 파트너인 Ed Roman은 암호화폐와 인공 지능 결합의 실제 사용 사례를 분석하고 그 과제와 기회를 분석하는 기사를 작성했습니다.
기사 출처:
https://x.com/ed_roman/status/1803922033820193226
기사 작성자:
에드 로만
관점:
Ed Roman: 암호화폐와 인공 지능의 결합이 상당한 가치를 가져올 수 있는 사용 사례: 1) McKinsey는 생성 AI가 다양한 산업에 매년 2조 6천억~4조 4천억 달러의 가치를 가져올 수 있다고 추정합니다. 이는 2021년 영국 GDP의 1.5배에 해당합니다. ;2) GPU DePIN을 통해 GPU 사용 비용을 절감합니다. GPU DePIN은 AI 추론을 위해 활용도가 낮은 GPU 컴퓨팅 성능을 집계합니다. 이는 저렴한 GPU 컴퓨팅 리소스를 제공하여 AI 추론 비용을 줄이는 "GPU의 에어비앤비"와 유사합니다. 3) 오픈 소스 모델은 OpenAI와 같은 회사의 AI 콘텐츠 자체 검열을 피할 수 있으므로 더 많은 유형을 지원할 수 있습니다. 신청의. 4) 대기업은 내부 데이터를 중앙화된 제3자에게 넘겨주는 것에 대해 우려하고 있습니다. Web3는 TEE(Trusted Execution Environment) 및 FHE(Fully Homomorphic Encryption)와 같은 개인 정보 보호 강화 기술을 통해 기업 데이터를 보호합니다. 5) 오픈소스 소프트웨어(OSS) 모델은 끊임없이 혁신하고 있으며 독점 소프트웨어를 대체할 수 있습니다. Web3 AI를 통해 이러한 오픈 소스 모델을 활용하면 더 많은 혁신과 경제적 이점을 얻을 수 있습니다. 6) Web3 AI 추론은 검증자의 부정 행위를 방지하기 위해 검증이 필요합니다. 높은 페널티 비용 방법과 결합된 ZK 증명 및 무작위 샘플링은 부정 행위를 효과적으로 방지하고 합의의 신뢰성을 향상시킬 수 있습니다. 7) 구성 가능한 OSS 스택을 통해 비용을 절감합니다. Web3는 또한 독점 소프트웨어와 동일한 마진을 요구하지 않는 오픈 소스 모델을 사용하여 비용을 절감할 수 있습니다. 8) 탈중앙화 네트워크를 통해 데이터를 획득하면 AI 모델 훈련의 데이터 품질과 적시성을 향상시킬 수 있습니다. Grass와 같은 스타트업은 탈중앙화 데이터 수집 네트워크를 통해 데이터 수집의 효율성과 적용 범위를 개선하기 위해 이 접근 방식을 모색하고 있습니다. Web3와 AI 결합의 과제: 1) 탈중앙화 AI 훈련: 온체인 AI 훈련의 주요 문제점은 GPU 간의 고속 통신이 필요하다는 것이며 탈중앙화 네트워크는 대기 시간과 대역폭 비용을 증가시킵니다. 2) 탈중앙화 AI 데이터 반복: AI 교육에는 일반적으로 중앙 집중식 보안 시스템에 저장되는 대량 의 데이터 처리가 필요합니다. 탈중앙화 환경에서 데이터를 처리하고 반복하는 것은 어렵습니다. 특히 최고의 도구와 프레임 가 없으면 더욱 그렇습니다. 3) AI 추론을 위한 중복 계산 합의: AI 추론 결과의 정확성을 보장하기 위해 반복 계산이라는 아이디어가 제안되었습니다. 그러나 고급 AI 칩이 부족하여 이 방법은 비용이 많이 들고 홍보가 어렵습니다. 4) Web3 특정 AI 사용 사례: 현재 Web3 특정 AI 사용 사례 시장은 수요가 낮고 고객이 불안정하여 아직 초기 단계에 있어 업무 확장이 더 어렵습니다. 5) 소비자급 GPU DePIN: 탈중앙화 AI 컴퓨팅 네트워크에 의존하는 소비자급 GPU는 저사양 AI 추론 작업에 적합하지만, 높은 신뢰성과 고급 GPU가 필요한 기업 사용 사례에는 데이터센터가 더 적합합니다. [영어 원문]
콘텐츠 소스 
