저자: Azi.eth.sol | zo.me 출처: X, @MagicofAzi 번역: Shan Ouba, 진써차이징(Jinse)
인공 지능(AI)과 블록체인 기술은 우리 세상을 재편하는 두 가지 변혁적인 힘입니다. AI는 머신러닝(ML) 과 신경망을 통해 인간의 인지 능력을 향상시키는 반면, 블록체인 기술은 검증 가능한 디지털 희소성을 도입하고 무신뢰 조정을 가능하게 합니다. 이러한 기술이 융합되면 탈중앙화 시스템과 상호 작용하는 자율 에이전트 네트워크인 차세대 인터넷의 기반이 마련됩니다. 이 "에이전트화된 네트워크"는 새로운 범주의 디지털 시민, 즉 독립적으로 탐색, 협상 및 거래할 수 있는 AI 에이전트를 도입합니다. 이러한 변화는 디지털 영역에서 권력을 재분배하여 개인이 자신의 데이터에 대한 주권을 되찾는 동시에 인간과 AI가 이전과는 전혀 다른 방식으로 협력하는 생태계를 촉진할 수 있도록 해줍니다.
웹의 진화
우리가 어디로 향하고 있는지 이해하기 위해 먼저 각 단계마다 서로 다른 기능과 아키텍처 패러다임이 있는 네트워킹의 진화를 검토해 보겠습니다.
처음 두 세대의 네트워크는 정보 전파에 중점을 두었지만 마지막 두 세대는 정보 향상을 가능하게 했습니다. Web 3.0에서는 토큰을 통해 데이터 소유권을 도입했으며 이제 Web 4.0에서는 LLM(대형 언어 모델)을 통해 인텔리전스를 주입합니다.
대규모 언어 모델에서 에이전트까지: 자연스러운 진화
LLM은 확률 계산을 통해 방대한 양의 지식을 상황에 맞는 이해로 변환하는 동적 패턴 일치 시스템으로서 기계 지능의 비약적인 발전을 나타냅니다. 그러나 LLM이 단순한 정보 프로세서에서 감지, 추론 및 행동이 가능한 목표 지향적 개체로 진화하는 에이전트로 구축될 때 진정한 잠재력이 드러납니다. 이러한 변화는 언어와 행동을 통해 지속적이고 의미 있는 협업이 가능한 새로운 지능을 창출합니다.
"에이전트"라는 용어는 기존 챗봇과 관련된 한계와 부정적인 연관성을 뛰어넘어 인간이 AI와 상호 작용하는 방식을 바꾸는 새로운 패러다임을 도입합니다. 이러한 변화는 단순한 의미적 변화가 아니라 AI 시스템이 인간과 의미 있는 협업을 유지하면서 자율적으로 작동할 수 있는 방법에 대한 근본적인 재정의입니다. 에이전트화된 워크플로는 궁극적으로 특정 사용자 의도를 중심으로 마켓플레이스를 형성할 수 있도록 해줍니다.
궁극적으로 에이전트화된 네트워킹은 새로운 수준의 인텔리전스 그 이상입니다. 이는 디지털 시스템과 상호 작용하는 방식을 근본적으로 변화시킵니다. 이전 버전의 웹은 정적 인터페이스와 미리 설정된 사용자 경로에 의존했지만, 프록시 웹은 사용자의 컨텍스트와 의도에 따라 계산과 인터페이스가 실시간으로 조정되는 동적 런타임 인프라를 도입합니다.
기존 웹사이트 및 프록시 네트워크
기존 웹사이트는 오늘날 인터넷의 기본 단위로, 사용자가 미리 설정된 경로를 통해 정보를 읽고, 쓰고, 상호 작용할 수 있는 고정된 인터페이스를 제공합니다. 이 모델은 완전한 기능을 갖추고 있지만 사용자는 개인적인 필요보다는 일반적인 용도로 설계된 인터페이스로 제한됩니다. 에이전트화된 네트워크는 상황 인식 컴퓨팅, 적응형 인터페이스 생성, RAG 및 기타 실시간 정보 검색 혁신을 통해 잠금 해제된 예측 작업 프로세스를 사용하여 이러한 제한을 초월합니다.
TikTok이 고도로 개인화된 푸시 콘텐츠를 생성하고 사용자 선호도에 실시간으로 적응함으로써 어떻게 콘텐츠 소비 방식에 혁명을 일으켰는지 확인할 수 있습니다. 에이전트화된 네트워크는 이 개념을 전체 인터페이스 생성 수준으로 확장합니다. 사용자는 고정된 웹 페이지 레이아웃을 탐색하는 대신 다음 작업을 예측하고 촉진하는 동적으로 생성된 인터페이스와 상호 작용합니다. 정적 웹 사이트에서 동적 에이전트 중심 인터페이스로의 이러한 전환은 탐색 기반 상호 작용 모델에서 의도 기반 상호 작용 모델로 디지털 시스템과 상호 작용하는 방식의 근본적인 진화를 나타냅니다.
에이전시 구조
에이전트화된 아키텍처는 연구원과 개발자에게 있어 거대한 탐구 영역이었습니다. 추론과 문제 해결 능력을 향상시키기 위해 새로운 방법이 지속적으로 개발되고 있습니다. CoT(사고의 사슬), ToT(사고의 나무) 및 GoT(사고 그래프)와 같은 기술은 복잡한 대형 언어 모델(LLM)의 처리를 개선하는 데 사용됩니다. 보다 상세하고 인간과 유사한 인지 과정을 시뮬레이션함으로써
CoT(사고의 사슬)를 사용하면 대규모 언어 모델을 통해 복잡한 작업을 더 작고 관리하기 쉬운 단계로 나눌 수 있습니다. 이 방법은 짧은 Python 스크립트 작성이나 수학 방정식 풀기 등 논리적 추론이 필요한 문제에 특히 효과적입니다.
트리형 사고(ToT)는 CoT를 기반으로 더욱 발전하고 트리형 구조를 채택하여 여러 독립적인 사고 경로를 탐색할 수 있습니다. 이러한 개선을 통해 LLM은 보다 복잡한 작업을 처리할 수 있습니다. ToT에서 각 "생각"(LLM의 텍스트 출력)은 그 전후의 "생각"에만 연결되어 로컬 체인(분기)을 형성합니다. 이 구조는 CoT보다 더 많은 유연성을 제공하지만 여전히 아이디어 간 통신 가능성을 제한합니다.
그래프 유사 사고(GoT)는 고전적인 데이터 구조와 LLM을 결합하여 이 개념을 더욱 확장합니다. 이 접근 방식은 다이어그램에서 하나의 "마음"이 다른 마음에 연결되도록 허용하여 ToT의 범위를 확장합니다. 생각 사이의 이러한 상호 연결은 인간의인지 과정에 더 가깝습니다.
GoT의 그래프와 같은 구조는 일반적으로 CoT나 ToT보다 인간의 사고 패턴을 더 정확하게 반영합니다. 우리의 사고 패턴이 체인이나 트리 구조를 취할 수 있는 상황이 있지만(예: 비상 계획 또는 표준 운영 절차를 개발할 때) 이는 규칙이 아니라 예외입니다. GoT 모델은 엄격하게 순서를 따르기보다는 여러 생각을 포괄하는 인간 사고의 특성에 더 가깝습니다. 일부 상황(예: 비상 계획 또는 표준 절차 개발)은 여전히 연결되어 있거나 나무 모양일 수 있지만, 우리의 사고는 일반적으로 GoT의 그래프 구조와 더 일치하는 복잡하고 상호 연결된 사고 네트워크를 형성합니다.
GoT의 그래픽 접근 방식은 아이디어 탐색을 더욱 역동적이고 유연하게 만들어 잠재적으로 보다 창의적이고 포괄적인 문제 해결 기능을 제공합니다.
이러한 재귀 그래프 기반 작업은 에이전트화된 워크플로의 한 단계일 뿐입니다. 분명한 다음 진화는 특정 목표를 향해 함께 일하는 다양한 전문 분야의 여러 에이전트를 조정하는 것입니다. 에이전시의 아름다움은 그 구성에 있습니다.
에이전트를 사용하면 여러 에이전트를 통해 LLM을 조정, 모듈 및 병렬화할 수 있습니다.
다중 에이전트 시스템
다중 에이전트 시스템의 개념은 새로운 아이디어가 아닙니다. 그 뿌리는 Marvin Minsky의 저서 The Society of Mind로 거슬러 올라갑니다. 그곳에서 그는 여러 모듈 정신이 함께 작동하면 하나의 단일체 정신을 초월할 수 있다고 제안했습니다. ChatGPT와 Claude는 단일 에이전트인 반면 Mistral은 전문가 혼합을 대중화합니다. 우리는 이 아이디어를 더욱 확장하면 에이전트 네트워크 아키텍처가 이 스마트 토폴로지의 궁극적인 형태가 될 것이라고 믿습니다.
생체 공학적 관점에서 보면 수십억 개의 동일한 뉴런이 균일하고 예측 가능한 방식으로 연결되어 있는 AI 모델과 달리 인간의 뇌(본질적으로 의식이 있는 기계)는 장기 및 세포 수준에서 매우 이질적입니다. 뉴런은 신경전달물질 구배, 세포내 연쇄 및 다양한 조절 시스템과 관련된 복잡한 신호를 통해 통신하므로 단순한 이진 상태보다 기능이 훨씬 더 복잡해집니다.
이는 생물학에서 지능이 단지 구성 요소의 수나 훈련 데이터 세트의 크기에서만 나오는 것이 아니라는 것을 보여줍니다. 지능은 서로 다른 전문 부서 간의 복잡한 상호 작용, 즉 본질적으로 아날로그 프로세스인 접근 방식에서 비롯됩니다.
따라서 몇 개의 큰 모델이 아닌 수백만 개의 작은 모델을 개발하고 이러한 모델이 조화롭게 작동할 수 있도록 하는 것은 다중 에이전트 시스템 구축과 유사하게 인지 아키텍처의 혁신을 주도할 가능성이 더 높습니다.
다중 에이전트 시스템 설계에는 단일 에이전트 시스템에 비해 여러 가지 장점이 있습니다. 유지 관리, 이해 및 확장이 더 쉽습니다. 단일 에이전트 인터페이스만 필요한 경우에도 이를 다중 에이전트 프레임 로 구현하면 시스템이 더욱 모듈 되어 개발자가 필요에 따라 구성 요소를 추가하거나 제거하는 프로세스가 단순화됩니다. 단일 에이전트 시스템을 사용하더라도 다중 에이전트 아키텍처가 이를 구축하는 데 매우 효율적인 방법이 될 수 있다는 점을 인식하는 것이 중요합니다.
다중 에이전트 시스템의 장점
LLM(대형 언어 모델)은 인간과 유사한 텍스트 생성, 복잡한 문제 해결, 다양한 작업 처리 등 놀라운 기능을 입증했지만 실제 애플리케이션에서 개별 LLM 에이전트가 직면하는 제한 사항은 효율성에 영향을 미칠 수 있습니다. 에이전트 시스템과 관련된 5가지 주요 과제와 다중 에이전트 협업이 이를 극복하고 LLM의 잠재력을 최대한 활용하는 방법은 다음과 같습니다.
교차 검증을 통한 환각 극복 <br>단일 LLM 에이전트는 종종 환각을 일으켜 부정확하거나 무의미한 정보를 생성할 수 있습니다. 이 경우, 모델을 대량 훈련했음에도 불구하고 결과는 여전히 합리적으로 보이지만 사실적 정확성은 부족할 수 있습니다. 다중 에이전트 시스템을 사용하면 에이전트 간 정보의 교차 검증이 가능하므로 오류 리스크 줄어듭니다. 상담원은 각자의 전문화를 통해 보다 안정적이고 정확한 응답을 보장할 수 있습니다.
분산 처리로 컨텍스트 창 확장
LLM은 상황에 맞는 창이 제한되어 있어 긴 문서나 대화 작업이 어렵습니다. 다중 에이전트 프레임 에서 에이전트는 각 에이전트가 컨텍스트의 일부를 처리하면서 처리 부담을 공유할 수 있습니다. 에이전트 간 통신을 통해 텍스트 전체에서 일관성을 유지하고 컨텍스트 창을 효과적으로 확장할 수 있습니다.병렬 처리를 통해 효율성 향상 <br>일반적으로 단일 LLM은 한 번에 하나의 작업을 처리하므로 응답 시간이 느려집니다. 다중 에이전트 시스템은 병렬 처리를 지원하므로 여러 에이전트가 동시에 서로 다른 작업을 처리할 수 있습니다. 이를 통해 효율성과 응답 시간이 향상되어 기업이 지연 없이 여러 쿼리를 처리할 수 있습니다.
복잡한 문제 해결을 위한 협업 촉진 <br>다양한 전문 지식이 필요한 복잡한 문제를 해결하는 경우 단일 LLM으로는 부족한 경우가 많습니다. 다중 에이전트 시스템은 각 에이전트가 고유한 기술과 관점 제공하여 에이전트 간의 협업을 촉진합니다. 상담원은 함께 협력함으로써 복잡한 문제를 보다 효과적으로 해결하고 보다 포괄적이고 혁신적인 솔루션을 제공할 수 있습니다.
리소스 최적화를 통한 접근성 향상 <br>고급 LLM에는 대량 컴퓨팅 리소스가 필요하므로 비용이 많이 들고 대중화가 어렵습니다. 다중 에이전트 프레임 작업을 여러 에이전트에 할당하여 리소스 사용을 최적화함으로써 전체 컴퓨팅 비용을 줄입니다. 이를 통해 AI 기술이 더 많은 조직에서 더 널리 채택될 수 있습니다.
다중 에이전트 시스템은 분산 문제 해결 및 리소스 최적화 측면에서 강력한 이점을 보여주지만 네트워크 가장자리에서의 구현을 고려할 때 진정한 잠재력이 드러납니다. AI가 계속해서 발전함에 따라 멀티 에이전트 아키텍처와 엣지 컴퓨팅의 통합은 협업 인텔리전스를 활성화할 뿐만 아니라 수많은 장치에서 효율적인 로컬 처리를 가능하게 하는 강력한 시너지 효과를 창출합니다. AI 배포에 대한 이러한 분산 접근 방식은 다중 에이전트 시스템의 장점을 자연스럽게 확장하여 가장 필요한 곳, 즉 최종 사용자에게 특화된 협업 인텔리전스를 제공합니다.
엣지 컴퓨팅의 인텔리전스
디지털 영역에서 AI의 인기는 컴퓨팅 아키텍처의 근본적인 재구성을 주도하고 있습니다. 지능이 일상적인 디지털 상호 작용의 일부가 되면서 우리는 컴퓨팅의 자연스러운 포크 목격하고 있습니다. 전문 데이터 센터는 복잡한 추론 및 도메인별 작업을 처리하는 반면, 엣지 장치는 개인화되고 상황에 맞는 쿼리를 로컬에서 처리합니다. 엣지 추론으로의 이러한 전환은 단순한 아키텍처 선호 이상입니다. 이는 몇 가지 주요 요소에 의해 추진되는 필수 요소입니다.
첫째, AI 기반 상호 작용의 엄청난 양이 중앙 집중식 추론 공급자를 압도하여 지속 불가능한 대역폭 수요와 대기 시간 문제를 야기할 것입니다.
둘째, 엣지 프로세싱은 자율주행차, 증강현실, IoT 기기 등 애플리케이션에 중요한 기능인 실시간 응답을 가능하게 한다.
셋째, 엣지 추론은 개인 장치에 민감한 데이터를 보관하여 사용자 개인정보를 보호합니다.
넷째, 엣지 컴퓨팅은 네트워크 전반의 데이터 흐름을 최소화하여 에너지 소비와 탄소 배출량을 크게 줄입니다.
마지막으로 에지 추론은 오프라인 기능과 탄력성을 지원하여 네트워크 연결이 제한되는 경우에도 AI 기능이 유지되도록 보장합니다.
이 분산 인텔리전스 패러다임은 단순히 현재 시스템을 최적화하는 것 이상으로 점점 더 연결되는 세상에서 AI를 배포하고 AI와 상호 작용하는 방법을 근본적으로 재구성합니다.
또한 우리는 LLM의 계산 요구 사항에 근본적인 변화가 있음을 목격하고 있습니다. 지난 10년 동안 대규모 언어 모델을 훈련하는 데 필요한 막대한 컴퓨팅 요구가 AI 개발을 지배해 왔으며 이제 추론 시간 컴퓨팅이 중심이 되는 시대에 들어섰습니다. 이러한 변화는 동적 추론에 대량 실시간 컴퓨팅 리소스가 필요함을 입증한 OpenAI의 Q* 혁신과 같은 에이전트 기반 AI 시스템의 출현에서 특히 두드러집니다.
모델 개발에 대한 단일 투자인 열차 시간 컴퓨팅과 달리 추론 시간 컴퓨팅은 자율 에이전트에 대한 지속적인 계산 대화를 나타내며 새로운 상황에 대한 추론, 계획 및 적응을 지원합니다. 정적 모델 훈련에서 동적 에이전트 추론으로의 전환에는 컴퓨팅 인프라에 대한 근본적인 재검토가 필요하며, 이 새로운 아키텍처에서 엣지 컴퓨팅은 유익할 뿐만 아니라 중요합니다.
이러한 변화가 전개되면서 우리는 스마트폰에서 스마트 홈 시스템에 이르기까지 수천 개의 연결된 장치가 동적 컴퓨팅 그리드를 형성하는 엣지 추론 시장의 부상을 목격하고 있습니다. 이러한 장치는 추론 기능을 원활하게 교환하여 컴퓨팅 리소스가 가장 필요한 곳으로 흘러가는 유기적인 시장을 형성할 수 있습니다. 유휴 장치의 남은 컴퓨팅 성능은 실시간으로 거래할 수 있는 귀중한 리소스가 되어 기존 중앙 집중식 시스템보다 더 효율적이고 탄력적인 인프라를 가능하게 합니다.
추론 컴퓨팅의 이러한 탈중앙화 리소스 사용을 최적화할 뿐만 아니라 연결된 모든 장치가 AI 기능의 잠재적인 마이크로 공급자가 될 수 있는 디지털 생태계에서 새로운 경제적 기회를 창출합니다. 따라서 AI의 미래는 개별 모델의 기능뿐만 아니라 연결된 엣지 장치의 집단 지능에 의해 정의되어 공급과 수요를 기반으로 검증 가능한 추론을 위한 현물 시장과 유사한 글로벌 탈중앙화 추론 시장을 형성하게 됩니다.
상담원 중심 상호작용
오늘날 LLM을 사용하면 전통적인 검색이 아닌 대화를 통해 대량 의 정보에 액세스할 수 있습니다. 인터넷이 인간 사용자만을 위한 공간이 아닌 AI 에이전트 플랫폼으로 변모함에 따라 이러한 대화 방식은 머지않아 더욱 개인화되고 현지화될 것입니다.
사용자 관점에서는 "최고의 모델"을 선택하는 것에서 가장 개인화된 답변을 얻는 것으로 초점이 이동합니다. 더 나은 답변의 열쇠는 사용자 자신의 데이터와 일반적인 인터넷 지식을 결합하는 데 있습니다. 처음에는 더 큰 컨텍스트 창과 RAG(검색 증강 생성)가 개인 데이터를 통합하는 데 도움이 되지만 결국에는 개인 데이터의 중요성이 일반 인터넷 데이터를 능가하게 됩니다.
이는 우리 각자가 더 넓은 인터넷 전문가 모델과 상호 작용하는 개인 AI 모델을 갖게 되는 미래로 이어질 것입니다. 처음에는 개인화가 원격 모델과 함께 이루어지지만 개인 정보 보호 및 응답성 문제로 인해 더 많은 상호 작용이 로컬 장치로 전환될 것입니다. 이는 인간과 기계 사이가 아니라 개인 모델과 인터넷의 전문가 모델 사이에 새로운 경계를 만들 것입니다.
전통적인 인터넷 모델은 더 이상 쓸모없게 되며 더 이상 원시 데이터에 대한 액세스를 제공하지 않습니다. 대신, 로컬 모델은 원격 전문가 모델과 통신하여 정보를 수집하고 가능한 가장 개인화된 고대역폭 방식으로 이를 제시합니다. 이러한 개인 모델은 귀하의 선호도와 습관에 대해 더 많이 알게 되면서 점점 더 없어서는 안 될 것입니다.
인터넷은 로컬의 고맥락 개인 모델과 원격의 고지식 전문가 모델 등 상호 연결된 모델의 생태계로 변모할 것입니다. 여기에는 이러한 모델 간의 정보를 업데이트하기 위한 연합 학습과 같은 새로운 기술이 필요합니다. 기계 경제가 발전함에 따라 우리는 특히 컴퓨팅, 확장성 및 결제와 관련하여 이 프로세스를 뒷받침하는 컴퓨팅 기반을 재구상해야 합니다. 이는 에이전트 중심적이고, 주권적이며, 구성 가능성이 높고, 자체 학습되며 끊임없이 진화하는 정보 공간의 재구성으로 이어질 것입니다.
대리점 계약 구조
Agentic Web에서는 인간과 에이전트 간의 상호 작용이 에이전트 간의 복잡한 통신 네트워크로 발전합니다. 이 아키텍처는 주권 대리인이 디지털 상호 작용의 기본 인터페이스가 되는 인터넷 구조의 근본적인 재구상을 제공합니다. 다음은 프록시 프로토콜을 구현하는 데 필요한 핵심 기본 요소입니다.
주권적 정체성
디지털 신원은 기존 IP 주소에서 프록시 행위자가 소유한 암호화된 공개 키 쌍으로 전환됩니다.
블록체인 기반 네임스페이스 시스템은 기존 DNS를 대체하여 중앙 제어 지점을 제거합니다.
평판 시스템은 상담원의 신뢰성과 역량 지표를 추적합니다.
영지식 증명은 개인 정보 보호 인증을 구현합니다.
ID의 구성 가능성을 통해 에이전트는 여러 컨텍스트와 역할을 관리할 수 있습니다.
자율 에이전트
자연어 이해 및 의도 분석
다단계 계획 및 작업 분해
자원 관리 및 최적화
상호 작용 및 피드백을 통해 학습
정의된 매개변수 내에서 자율적인 결정을 내립니다.
대행사 전문화 및 특정 역량 시장
내장된 보안 메커니즘 및 정렬 프로토콜
자기 지시가 가능한 개체는 다음과 같습니다.
데이터 인프라
실시간 데이터 수집 및 처리 기능
분산 데이터 검증 및 검증 메커니즘
하이브리드 시스템 조합: zkTLS, 기존 교육 데이터 세트, 실시간 웹 스크래핑 및 데이터 합성
협력 학습 네트워크
RLHF(인간 피드백을 통한 강화 학습) 네트워크
분산 피드백 수집
품질 가중 합의 메커니즘
동적 모델 조정 프로토콜
컴퓨팅 계층
P2P 컴퓨팅 시장
전산 증명 시스템
동적 리소스 할당
엣지 컴퓨팅 통합
계산 무결성
결과 재현성
자원 효율성
다음을 보장하는 검증 가능한 추론 프로토콜:
다음을 갖춘 탈중앙화 컴퓨팅 인프라:
모델 생태계
작업별 소규모 언어 모델(SLM)
범용 대형 언어 모델(LLM)
전문화된 다중 모드 모델
대형 액션 모델(LAM)
계층적 모델 아키텍처:
모델 조합 및 조정
지속적인 학습과 적응력
표준화된 모델 인터페이스 및 프로토콜
조정 프레임
동시 작업 처리
리소스 격리
현황관리
갈등 해결
암호화 프로토콜은 안전한 에이전트 상호 작용을 보장합니다.
디지털 재산권 관리 시스템
경제적 인센티브 구조
거버넌스 메커니즘: 분쟁 해결, 자원 할당, 계약 업데이트
병렬 실행 환경은 다음을 지원합니다.
대리점 시장
거버넌스 및 배당
에이전트는 생성 시 일정 비율의 토큰을 소유합니다.
통합 추론 시장은 유동성을 통해 비용을 지불합니다.
오프체인 계정을 제어하는 온체인 키
신원 확인을 위한 온체인 기본 요소(예: Gnosis, Squad 다중 서명)
에이전트 간의 경제 및 거래
에이전트는 유동성을 가지고 있습니다.
에이전트는 소득 창출 자산이 됩니다.
에이전트 DAO
지능을 위한 상부구조 만들기
최신 분산 시스템 설계는 에이전트 프로토콜, 특히 이벤트 중심 아키텍처 및 보다 간단한 계산 "액터 모델"을 구현하기 위한 고유한 영감과 기본 요소를 제공합니다.
행위자 모델은 에이전트 시스템 구현을 위한 우아한 이론적 기반을 제공합니다. 이 계산 모델은 "행위자"를 계산의 보편적인 기본 요소로 취급하며, 각 행위자는 다음을 수행할 수 있습니다.
메시지 처리
현지 결정을 내리세요
더 많은 배우 만들기
다른 배우에게 메시지 보내기
수신된 다음 메시지에 응답하는 방법 결정
행위자 모델이 에이전트 시스템에 제공하는 주요 이점은 다음과 같습니다.
격리(Isolation) : 각 액터는 독립적으로 작동하며 자신의 상태와 제어 흐름을 유지합니다.
비동기식 통신 : 행위자 간 메시지 전달은 비차단 방식이므로 효율적인 병렬 처리가 가능합니다.
위치 투명성 : 배우들은 물리적 위치에 관계없이 서로 소통할 수 있습니다.
내결함성 : 행위자 격리 및 감독 계층을 통해 시스템 복원력을 달성합니다.
확장성 : 분산 시스템과 병렬 컴퓨팅을 자연스럽게 지원합니다.
우리는 다층 분산 아키텍처를 통해 이러한 이론적 프록시 프로토콜을 구현하는 실용적인 솔루션인 Neuron을 제안합니다. 이 아키텍처는 블록체인 네임스페이스, 연합 네트워크, CRDT(무충돌 데이터 유형) 및 DHT(분산 해시 테이블)를 결합하며 각 계층은 프로토콜 스택에서 서로 다른 기능을 수행합니다. 우리는 P2P 운영 체제 설계의 초기 개척자인 Urbit 및 Holochain으로부터 영감을 얻습니다.
Neuron의 블록체인 레이어는 검증 가능한 네임스페이스와 인증을 제공하여 역량과 평판에 대한 암호화 증명을 유지하면서 에이전트를 결정적으로 처리하고 검색할 수 있도록 합니다. 또한 DHT 계층은 O(log n) 조회 시간으로 효율적인 프록시 및 노드 검색은 물론 콘텐츠 라우팅을 촉진하여 로컬 인식 피어 검색을 활성화하는 동시에 온체인 작업 수를 줄입니다. CRDT를 통해 페더레이션된 노드 간의 상태 동기화가 처리되므로 에이전트와 노드가 각 상호 작용에 대한 전역 합의가 필요 없이 일관된 공유 상태를 유지할 수 있습니다.
이 아키텍처는 자동 에이전트가 로컬 에지 추론 기능이 있는 장치에서 실행되는 주권 노드 역할을 하여 행위자 모델의 패턴을 구현하는 연합 네트워크에 자연스럽게 매핑됩니다. 페더레이션된 도메인은 프록시 기능을 기반으로 구성할 수 있으며 DHT는 도메인 내 및 도메인 간 효율적인 라우팅 및 검색을 제공합니다. 각 에이전트는 자체 상태를 가진 독립적인 행위자로 작동하는 반면 CRDT 계층은 페더레이션 전체에서 최종 일관성을 보장합니다. 이 다중 계층 아키텍처는 다음과 같은 몇 가지 주요 기능을 지원합니다.
탈중앙화 조정
블록체인을 사용하여 검증 가능한 신원 및 글로벌 주권 네임스페이스 활성화
효율적인 피어 및 콘텐츠 라우팅을 위한 DHT, O(log n) 조회
동시 상태 동기화 및 다중 에이전트 조정을 위한 CRDT
확장 가능한 작업
지역 기반 연합 토폴로지
계층형 스토리지 전략(핫 스토리지/웜 스토리지/콜드 스토리지)
로컬 인식 요청 라우팅
용량 기반 부하 분산
시스템 탄력성
단일 장애 지점 없음
파티션 중에 계속 실행
자동 상태 조정
감독 계층을 통한 내결함성
이 구현 접근 방식은 에이전트 간의 효과적인 상호 작용을 보장하기 위해 주권, 확장성 및 탄력성과 같은 주요 속성을 유지하면서 복잡한 에이전트 시스템을 구축하기 위한 견고한 기반을 제공합니다.
요약 생각
에이전트 기반 네트워킹은 이전 시대의 선형적 진행을 초월하고 디지털 존재의 새로운 패러다임을 확립함으로써 인간-컴퓨터 상호 작용의 주요 진화를 의미합니다. 단순히 정보를 소비하거나 소유하는 방식을 변경한 과거의 반복과 달리 에이전트 기반 네트워킹은 인터넷을 인간 중심 플랫폼에서 자율 에이전트가 주요 행위자가 되는 지능형 기본 계층으로 전환합니다. 이러한 변화는 엣지 컴퓨팅, 대규모 언어 모델 및 탈중앙화 프로토콜의 융합에 의해 주도되어 개인 AI 모델이 전문 전문가 시스템과 원활하게 인터페이스되는 생태계를 만듭니다.
에이전트 중심의 미래로 나아가면서 인간과 기계 지능 사이의 경계가 흐려지기 시작하고 개인화된 AI 에이전트가 우리의 디지털 확장 역할을 하고 상황을 이해하고 요구 사항을 예측하며 자율적으로 탐색하는 공생 관계로 대체됩니다. 분산 지능의 광대한 환경. 따라서 에이전트 기반 네트워킹은 단순한 기술적 진보가 아니라 디지털 시대의 인간 잠재력을 근본적으로 재구상하는 것입니다. 이 아키텍처에서는 모든 상호 작용이 향상된 지능을 위한 기회가 되고 모든 장치는 협업을 위한 글로벌 네트워크의 필수적인 부분이 됩니다. 노드의 AI 시스템.
인간이 공간과 시간의 물리적 차원을 탐색하는 것처럼 자율적 에이전트는 자신의 기본 차원, 즉 존재를 위한 블록 공간 과 사고를 위한 추론 시간 에 존재합니다. 이 디지털 온톨로지는 우리의 물리적 현실을 반영합니다. 인간은 거리를 두고 시간의 흐름을 경험하는 반면 에이전트는 암호화 증명 및 계산 주기를 통해 "이동"하여 알고리즘 존재의 평행 우주를 만듭니다.
탈중앙화 블록 공간에서 작동하는 기본 공간의 엔터티는 불가피합니다.
