AI+Web3는 미래 산업 통합 혁신의 돌파구가 될 수 있습니다.
작성자: Wanxiang Blockchain
AI+Web3는 미래 산업 통합 혁신의 돌파구가 될 수 있습니다. Future3 Campus는 또한 Footprint Analytics를 통한 "AI와 Web3 데이터 산업 통합의 현재 상황, 경쟁 구도 및 미래 기회 분석" 연구 보고서에서 여러 유명 투자 기관의 대표자들과 인터뷰를 진행했습니다. 본 글은 인터뷰 내용을 바탕으로 작성되었으며, 인터뷰에 응한 게스트 관점 대변할 뿐 Wanxiang Blockchain의 입장을 대변하지 않습니다.
1 AI+Web3 데이터의 결합을 어떻게 보시나요? 주의를 기울일 가치가 있는 방향은 무엇입니까?
Hashkey Capital-Harper : AI와 web3 데이터를 수집하는 데에는 몇 가지 포인트가 있다고 생각합니다. 첫째, Dune과 같은 LLM 모델을 통해 언어를 SQL로 변환하고, 검색 엔진에 특화하는 프로젝트도 있습니다. 데이터베이스에 올바르게 접근할 수 있도록 강화되었으며, 그 안에 있는 데이터는 자연어를 이용해 자동으로 SQL을 생성해 개발자가 이를 복사해 사용할 수 있다. 두 번째는 채팅 대화 방법입니다. chatgpt를 기반으로 수정된 채팅 에이전트는 주로 채팅 창 제공을 목표로 합니다. SQL 및 검색 최적화에 큰 중점을 두지 않고 좀 더 캐주얼합니다. 예를 들어 어떤 KOL이 전화했는지 알려주세요. 이번 보안 사고는 토큰에 부정적인 영향을 끼쳤는데, 그 영향은 무엇인가(현재로서는 전체 네트워크 검색 결과일 수 있으므로 여기서는 데이터베이스의 SQL 최적화를 강조하지 않겠다). 세 번째는 AI를 사용하여 오프체인 및 온체인 데이터를 구성하여 더 나은 통찰력을 클레임 적절한 모델을 만드는 것입니다.
이에 비해 Web3 데이터는 처리하기가 매우 번거롭지만 여전히 정확성과 속도를 달성하기 어렵기 때문에 첫째로 프로젝트 당사자는 보다 강력한 데이터베이스 구축 능력이 필요합니다. 둘째, 상대적으로 간단한 조합 방법이며 임계값은 너무 높지도 않고 너무 높지도 않아요.
SevenX Ventures-Yuxing : 사실 데이터는 AI의 자양분입니다. Web3의 데이터는 개방적이고 검증 가능한 반면, AI의 문제점은 블랙박스 특성으로 인해 검증이 어렵다는 점입니다. 이 둘의 조합은 몇 가지 흥미로운 화학 반응을 일으킬 수 있습니다. 현재는 AI와 Web3의 결합을 단순히 AI에 Web3 데이터를 더한 것이 아니라, AI가 어떻게 Web3를 더 좋게 만들 수 있는지, Web3가 어떻게 AI를 더 좋게 만들 수 있는지를 두 가지 범주로 나누는 것을 선호합니다.
우선, AI는 Web3 데이터의 공개적이고 검증 가능한 특성을 Web3 데이터에 효과적으로 활용할 수 있습니다. 모든 AI는 Web3 데이터를 사용하여 가치를 개선하고 생성할 수 있으며, 투자 조언이든 조기 경고 분석이든 AI는 Web3 데이터 처리 및 분석의 효율성을 높이는 데 도움이 될 수 있습니다. 반면 Web3는 Web3 자체가 새로운 신뢰 메커니즘이기 때문에 AI의 신뢰성을 높일 수 있습니다. Web3의 데이터 공개 및 검증 가능한 특성을 통해 AI의 투명성을 높일 수 있으며, 뉴스 보도나 다큐멘터리 등 중요한 분야에서도 핵심 정보를 Web3에 저장할 수 있어 AI의 일부 문제를 피할 수 있습니다.
이러한 문제 중 더 흔한 것은 AI 사기 문제와 AI 블랙박스 문제입니다. 일부 AI 알고리즘은 이해하기 쉬울 수도 있지만 신경망, GPT와 같은 복잡한 알고리즘과 같은 일부 알고리즘은 설명하기 어렵습니다. 사람들은 답변이 어떻게 생성되는지 의문을 제기할 수 있고 데이터와 알고리즘이 충분히 투명하지 않다는 느낌이 듭니다. 마술처럼. 예를 들어 이전 얼굴 인식 알고리즘은 데이터 샘플에 흑인 이미지가 너무 적기 때문에 흑인을 고릴라로 잘못 식별했습니다.
AI 모델이 사용하는 데이터가 검증 가능하다면, 데이터에 표본 편향이 있는지 여부를 더 쉽게 식별할 수 있습니다. Web3 데이터를 사용하면 전체 AI 모델의 훈련 소스와 결과가 투명성으로 인해 더욱 명확해집니다. 이러한 방식으로 우리는 AI를 보다 공정하게 보고, 결정의 출처를 이해하고, 편견과 오류를 줄일 수 있습니다.
블랙박스 문제는 크게 두 부분으로 나눌 수 있습니다. 그 중 일부는 모델 훈련 방법과 콘텐츠 생성 방법을 포함하는 모델 알고리즘 자체의 블랙박스입니다. 훈련 프로세스와 알고리즘 메커니즘은 모두 불투명하거나 설명할 수 없습니다. 또 다른 부분은 데이터의 블랙박스로, 데이터를 공개하지 않으며, 훈련 세트에 문제가 있으면 최종 결과에도 편차가 발생합니다.
이러한 일탈이 내용의 정확성 문제라면 지속적으로 개선할 수 있지만, 이념적 문제, 특히 정치적, 인종 차별 문제라면 바로잡기가 쉽지 않을 수 있습니다. 현재로서는 데이터 출력만 제어할 수 있습니다. 예를 들어 많은 국가 시스템이나 국유 기업 시스템의 AI 모델에서 가장 중요한 것은 출력을 제어하는 것입니다. 말할 수 없는 것이 가장 어려운 것입니다. 그 정도는 방금 언급한 이념적 일탈과 비슷합니다.
Qiming Venture Partners- Tang Yi : AI와 Web3 데이터의 결합에 관해서는 개인적으로 AI가 이 분야에서 다소 과대평가될 수 있고 실제 효과보다 기믹이 더 크다고 생각합니다. 내 관점에서 볼 때 Crypto의 데이터 제품은 아직 상대적으로 초기 단계에 있고 데이터에 대한 기본 작업이 충분히 견고하지 않기 때문입니다. 이 경우 AI를 너무 이르게 도입하거나 데이터 분석을 너무 많이 하는 것은 시기상조일 수 있다.
또한, 사용자 관점에서 볼 때 암호화 프로젝트가 AI와 결합되는 시나리오는 대부분 실현 가능성이 낮거나 AI가 많이 사용되지 않습니다. 인기 있는 AI 모델, 특히 생성 모델의 이러한 물결은 언어 처리 및 이미지 생성 기능과 같은 대규모 인터넷 데이터를 기반으로 하기 때문입니다. 일부 사람들은 생성 AI를 사용하여 사용자 경험을 개선하고 더 나은 상호 작용 및 대화 감각을 제공하지만 이는 대부분의 시나리오에서 가치가 제한될 수 있습니다. 더 넓은 AI(데이터 분석 기능 또는 더 단순한 AI 모델)에 대해 이야기한다면 데이터를 기반으로 NFT의 가격 추정이나 전문 거래 팀이 데이터를 사용하여 일부 거래 작업을 수행할 수 있는 등 몇 가지 시나리오가 있을 수 있다고 생각합니다. 전반적으로 현재 AI의 물결 속에서 암호화폐 산업에 특별한 단기 이익을 가져올 수 있는 기회를 본 적이 없습니다.
물론 AI를 통해 데이터 처리나 분석 능력을 향상시키려는 초기 프로젝트도 보았습니다. 예를 들어 AI 기능을 사용하여 스마트 계약의 논리를 해석하거나 분류 및 인식 작업을 수행하는 초기 프로젝트를 봅니다. 이러한 작업은 거래와 같은 중요한 작업을 포함하므로 스마트 계약 및 암호화폐 분야에서 높은 정확성을 요구합니다. 따라서 데이터 전처리를 위해 일부 AI 기능을 사용하는 것이 합리적일 수 있지만 궁극적으로 정확성을 보장하려면 인간의 개입이 여전히 필요할 수 있다고 상상할 수 있습니다. AI 기능을 통해 직접 거래를 촉발시키려면 전문 거래자 외에 상품 측면에서도 많은 발전이 있어야 한다고 생각합니다.
Matrix Partners- Zixi : Web3와 관련된 많은 데이터 프로젝트를 관찰했는데, 예를 들어 Footprint에 투자했는데 처음에는 Dune뿐만 아니라 Footprint의 충성 사용자였습니다. Footprint와 Dune은 주로 VC, 개발자, 일부 중소기업을 위한 서비스라고 생각하는데, 이들 서비스와의 실질적인 공통 연관성은 크지 않습니다.
또한 Nanson, defilama, tokenterminal, dappradar는 물론 Dune 및 Footprint와 같이 암호화폐 거래 또는 수익과 직접적으로 관련된 일부 데이터 분석 회사도 살펴보았습니다. 이들 회사는 VC와 개발자에게는 적합하지만 수익성은 제한적인 것으로 보입니다. 그 이유는 현재 VC와 개발자의 이 데이터에 대한 전반적인 수요가 충분하지 않고 지불 의지가 강하지 않기 때문입니다. 일부 서비스가 무료가 아니더라도 유사한 무료 서비스를 제공하는 다른 회사가 항상 있기 때문입니다.
데이터 클라우드 웨어하우스와 유사한 일부 기업도 살펴봤습니다. 우리는 Tencent와 함께 Chainbase에 대한 투자도 주도했습니다. 이는 실제로 데이터 플랫폼과 유사하며 보안, 거래, NFT, DeFi, 게임, 소셜 데이터 및 일부 포괄적인 데이터를 제공합니다. 개발자는 이러한 플랫폼에서 이 데이터를 결합하여 필요한 API를 생성할 수 있습니다.
베어장 (Bear Market) 에서 우리는 Chainbase, Blocksec 및 Footprint와 같은 회사의 경우 고객 중 상당수가 실제로 중소 규모의 스타트업이라는 사실을 발견했습니다. 예를 들어 Chainbase의 일부 대규모 고객의 수익은 감소하지 않았지만 중소 규모 고객의 수익은 2~3개월 후에 0으로 떨어졌습니다. 이는 자금 부족으로 인해 이러한 프로젝트를 계속할 수 없음을 의미합니다.
따라서 베어장 (Bear Market) 에 새로운 개발자가 합류하지 않으면 데이터 제공업체가 돈을 벌기 어려울 것입니다. 이는 현재 Web3 분야에서 데이터 제공업체가 주로 데이터가 유용하다고 생각하는 개발자와 중소기업에 의존하고 있으며, 데이터를 내부적으로 통합한 다음 이를 통해 수익을 창출하여 수입과 산출의 균형을 맞추고 있음을 반영합니다.
핵심적으로 우리는 여전히 ToC와 ToB 모두에서 Web3 데이터 회사의 현재 수익 모델이 명확하지 않다고 생각합니다. 이로 인해 데이터 공급자는 강력하고 안정적인 현금 흐름을 갖지 못합니다. 특히 중소기업의 경우 이것이 현재 Web3 데이터 산업의 가장 큰 단점이라고 생각합니다.
그런 다음 AI와 웹 데이터를 결합하는 주제로 돌아갑니다. 최근에는 일부 AI 관련 데이터 기업도 살펴보고 투자도 했는데요. AI 데이터 기업도 실제로 데이터 판매와 같은 문제에 직면해 있다고 생각합니다. 클라이언트에 대한 비용과 결과의 효율성 사이의 균형을 고려해야 합니다. 현재 AI 데이터 기업의 수익 전망에 대해 상대적으로 낙관적이지만 이는 주로 해외 시장에 국한된다.
국내 시장만 타깃으로 한다면 최종 결과는 Web2 SaaS 업체에 투자하는 것과 같을 수 있다는 우려가 있습니다.. 수익은 있을 수 있으나 업무 규모가 그리 크지 않을 것이며 고객의 지불 의향도 그다지 크지 않을 것입니다. 강한. 맞춤형 서비스를 제공해야 할 수도 있으므로 총 이익 마진이 그리 높지 않을 수 있습니다. 그래서 국내에서 하는 것에 대해서는 상대적으로 비관적이고, 해외에서 하는 것에 대해서는 상대적으로 낙관적입니다.
2 AI가 Web3 데이터 인프라와 Web3 데이터 기업에 어떤 가치를 가져올 수 있다고 생각하시나요? Web3 데이터를 돕기 위해 AI를 사용하는 현재 프로젝트의 효과는 무엇입니까? 비즈니스 모델에 혁신이 있나요?
SevenX Ventures : AI가 Web3 데이터에 가져올 수 있는 가장 큰 도움은 효율성 측면이라고 생각합니다. 예를 들어 Dune은 코드 이상 탐지 및 정보 인덱싱을 위한 대규모 AI 모델 도구를 출시했는데, 사용자는 자연어를 사용하여 해당 데이터를 쿼리하고 그에 따라 코드가 생성되며, 코드를 최적화할 수도 있습니다. 효율성 향상.
AI를 안전 경고에 활용하는 프로젝트도 있는데, 이는 AI가 그에 따라 훈련을 받은 후 신속하게 안전 문제를 식별할 수 있는 AI 로봇이다. 예를 들어 AI 알고리즘에는 이상 탐지라는 알고리즘이 있는데, 데이터의 분포를 직접 보고 순수 수학적 통계를 통해 이상치를 탐지하는 것보다 그 효과가 더 좋기 때문에 이런 AI가 보안 모니터링을 더 효과적으로 할 수 있다. ...
또한 대규모 언어 모델과 같은 AI 알고리즘을 사용하여 (온체인 데이터뿐만 아니라) 전체 Web3 뉴스 데이터를 검색하고, 정보 집계 및 여론 분석을 수행하고, AI 에이전트를 구성하는 일부 프로젝트를 보았습니다. 예를 들어, 사용자는 대화 상자에서 특정 토큰에 대한 지난 30일 또는 90일 동안의 인터넷 여론을 직접 확인할 수 있으며, 사용자가 강세 또는 약세 경향을 보이는지 여부에 따라 해당 점수가 부여되어 인기도를 반영합니다. ; 또한 곡선이 있는데, 이 곡선을 통해 우리는 모든 사람이 논의하는 토큰이 최고점에 도달하는 순간에 있는지, 최고점이 떨어지는 순간에 있는지, 아니면 최고점에 도달하는 순간에 있는지 판단할 수 있습니다. 상승? 이는 사용자의 투자에 도움이 될 수 있으며, 이 또한 매우 흥미로운 적용 방법이라고 생각합니다.
하지만 자신의 데이터가 AI의 데이터 소스라고 주장하고 AI의 개념을 사용하는 다른 프로젝트도 있는데, 온체인 모든 데이터가 AI의 데이터 소스가 될 수 있기 때문에 이것은 다소 무리라고 생각합니다. 공개된거라 이슈 이용한게 좀 의심스럽네요..
Matrix Partners- Zi Xi : 현재 데이터 분야에서는 비즈니스 모델이 큰 문제이고, 해결책을 찾기가 어렵습니다. 아마도 ToC 측면에서는 토큰이나 분산 개념과 같은 Web3의 일부 개념을 사용하여 AI 데이터가 다양한 비즈니스 모델을 채택할 수 있습니다. 하지만 데이터에 힘을 실어주는 것이 AI 기술이라면 현재로서는 밝은 점이 많지 않습니다.
AI는 데이터 처리 및 정리에 보조적인 역할을 할 수도 있지만, 이는 제품 개발 중 기능이나 사용자 경험을 개선하는 등 내부적인 도움에 가깝습니다. 그러나 비즈니스 관점에서 보면 별로 달라진 것이 없습니다.
AI 봇은 실제로 경쟁력을 높이고 사용자를 지원할 수 있지만 현재는 이것이 큰 장점이 아니며 핵심 경쟁력은 여전히 데이터 소스의 품질에 달려 있습니다. 데이터 소스가 충분하면 필요한 정보를 얻을 수 있습니다. 문제는 이 데이터가 상용화되려면 데이터에 대한 비용을 지불하기 전에 내가 모은 것이 수익화 가능해야 한다는 것입니다. 지금 문제는 시장이 좋지 않고, 스타트업이 데이터로 수익을 창출하는 방법을 모르고, 시장에 진입하는 신규 스타트업이 충분하지 않다는 점입니다.
지금 흥미로운 것은 Web3 기술을 사용하는 일부 Web2 회사입니다. 예를 들어, 합성 데이터 회사에서는 대형 모델을 통해 사용할 합성 데이터를 생성하며, 해당 데이터는 주로 소프트웨어 테스트, 데이터 분석, AI 대형 모델 훈련에 사용될 수 있습니다. 데이터를 처리할 때 많은 개인 정보 보호 배포 문제가 발생하는데, Oasis 블록체인을 사용하면 데이터 개인 정보 보호 문제를 효과적으로 피할 수 있습니다. 나중에 그들은 권리 확인 및 개인 정보 보호 문제를 해결하기 위해 구매 및 판매를 위해 합성 데이터를 NFT로 패키징하는 데이터 거래소 구축하려고 합니다. 나는 이것이 좋은 생각이라고 생각합니다.Web3 기술을 사용하여 Web2의 문제 해결을 지원하며 반드시 Web3 회사에만 국한되는 것은 아닙니다. 그러나 합성 데이터 시장은 아직 충분히 크지 않으며 초기 단계에서 이러한 기업에 투자하는 것은 리스크. 다운스트림 시장이 성장하지 못하거나 경쟁자가 너무 많으면 상황도 당황스러울 것입니다.
3. AI+Web3 데이터 분야에서 더 나은 프로젝트에 투자한 적이 있나요?각각의 방향은 무엇이며, 투자를 결정하는 주요 요인은 무엇입니까? 이러한 유형의 프로젝트의 핵심 경쟁력은 무엇이라고 생각하시나요? AI가 이러한 경쟁력을 강화할 것인가?
Hashkey Capital-Harper : 데이터 프로젝트에 비교적 일찍 투자했습니다. 공간과 시간, 0xscope, 마인드 네트워크, zettablock 등 기본적으로 AI가 특별히 강조되지 않을 때 투자했습니다. 투자의 핵심은 포지셔닝을 살펴보는 것입니다. 그리고 데이터 품질.. 이제 이러한 프로젝트에는 모두 AI 계획이 있으며 기본적으로 채팅 에이전트로 시작됩니다. space and time과 chainML은 AI 에이전트 생성을 위한 인프라를 출시하기 위해 협력했으며, 생성된 defi 에이전트는 space and time에서 사용되며, 이는 AI를 결합하는 방법이기도 합니다.
SevenX Ventures-Yuxing : AI와 잘 결합된 프로젝트라면 더 관심을 가질 것 같아요. 투자 여부를 결정하는 주요 요소 중 하나는 프로젝트에 대한 시장 장벽이 있는지 여부입니다. 빠른 데이터 쿼리 기능 등 AI와의 결합이 효율성을 향상시킬 수 있다고 주장하는 많은 프로젝트를 관찰했습니다. 일부 프로젝트는 최근 가장 활발한 거래가 발생한 상위 10개 NFT를 쿼리하는 등 자연어 쿼리를 통해 온체인 NFT 데이터를 빠르게 얻을 수 있습니다. 이러한 프로젝트는 선점자 이점을 가질 수 있지만 시장 장벽은 강력하지 않을 수 있습니다.
실제 장벽은 AI 자체의 적용과 엔지니어가 AI를 특정 시나리오에 적용하는 방법입니다. 모델을 미세 조정하는 데 능숙한 엔지니어는 종종 좋은 결과를 얻을 수 있습니다. 효율성을 향상시키는 프로젝트의 경우 시장 장벽은 주로 데이터 소스에 있습니다. 온체인 데이터뿐만 아니라 프로젝트 당사자가 이 데이터를 처리하고 구문 분석하는 방법도 마찬가지입니다. 예를 들어 앞서 언급한 프로젝트들은 AI 알고리즘을 통해 중요한 데이터를 빠르게 검색할 수 있다. 그러나 엔지니어가 모델을 미세 조정하는 효과는 제한적이며 실제로 지속되는 이점은 데이터 소스의 품질과 지속적인 최적화 능력에 있습니다. 이는 일부 데이터 분석 회사가 시장에서 두각을 나타내는 이유이기도 합니다. 그들은 데이터 소스를 제공할 뿐만 아니라 데이터 처리 및 분석 기능도 포함합니다. 그 차이는 종종 팀의 기술적 역량과 재능에 있습니다. 이러한 요소는 AI 결합 적용의 최종 효과와 직접적인 관련이 있습니다.
또한 AI 시장이 매우 크기 때문에 AI를 더 좋게 만들 수 있는 Web3 기술 프로젝트에도 주목하고 있습니다. Web3 기술이 AI의 기능을 향상시킬 수 있다면 적용 시나리오는 매우 넓어질 것입니다. 이것이 바로 ZKML 프로젝트가 인기를 끄는 이유입니다. 그러나 나는 Web3 프로젝트의 가치가 과대평가되거나 과소평가되는 경향이 있다는 것을 발견했습니다. ZKML과 같은 프로젝트가 많은 주목을 받았음에도 불구하고 투자 수익은 사람들이 기대하는 것만큼 빠르지 않으며, 토큰 발행이 더 어려워서 출구 메커니즘이 명확하지 않습니다. 따라서 이러한 프로젝트는 혁신적이고 잠재적으로 가치가 있지만, 투자자는 현재 투자할 가치가 있는지, 궁극적으로 얼마나 많은 수익을 가져올 것인지 신중하게 고려해야 합니다.
Matrix Partners- Zixi : AI와 Web3를 결합한 회사에 투자했는데, Questlab이라는 데이터 주석 회사입니다. 이들은 블록체인 기술을 사용하여 데이터 주석을 위한 크라우드소싱 서비스를 제공합니다. 데이터 주석은 원래 직접 운영 또는 하도급 산업이어서 지식 분야를 완전히 다루기가 어려웠습니다.
전통적인 데이터 주석에 관한 한, 일반적으로 직접 운영, 하도급 및 크라우드소싱의 세 가지 유형으로 나뉩니다. 하지만 실제로 크라우드소싱을 하는 사람은 상대적으로 적습니다. 이 세 가지 모델의 기업이 데이터 주석 서비스를 선택할 때 고려해야 할 요소는 가격이 저렴한지, 주석 품질이 높은지, 효율성이 어느 정도인지입니다. 또 하나는 그들이 속한 산업을 다룰 수 있는지 여부입니다. 그냥 일반적인 모델 언어나 이미지 주석만 하면 영어 단어나 이미지만 인식하는 것만으로도 사실 매우 간단합니다. 예를 들어 고양이, 개, 달, 유모차 등을 구별해야 한다면 아무리 어려워도 어렵지 않습니다. 하지만 음성 로봇 커뮤니티에서 요구하는 주석과 같이 보다 전문적인 주석을 해야하는 경우에는 훨씬 더 복잡해집니다. 중국어 방언, 영어 방언, 다양한 틈새 분야의 언어를 포함한 다양한 방언과 여러 언어에 라벨을 지정해야 할 수도 있지만 이러한 작업을 기꺼이 수행하는 전통적인 스튜디오는 거의 없습니다.
더 복잡한 예는 법률 플러스 AI 회사로, 다양한 모델을 훈련하기 위해 대량 의 법률 지식을 라벨링해야 하는데, 법률과 전문 라벨링을 모두 이해하는 사람을 찾기가 매우 어렵습니다. 다양한 국가의 법률을 이해해야 합니다. 계약법, 임대차법, 민법, 형법 등 법률분야의 다양한 직업을 이해함과 동시에 이러한 전문적인 서비스를 제공할 수 있는 데이터 주석 회사는 시중에 거의 없습니다. 법률은 금융, 생물학, 의료, 교육 등과 마찬가지로 전문적입니다. 따라서 이러한 분야의 주석 작업은 일반적으로 전문적인 지식 범위 문제를 해결하기 위해 크라우드소싱 방법을 사용하는 내부 팀에 의해서만 완료될 수 있습니다.
우리는 YGG가 Gamefi 분야에서 하고 있는 것처럼 크라우드소싱에 블록체인을 사용하는 것이 좋은 방향이라고 믿습니다. 이것이 우리가 유망한 방향이라고 생각하는 것입니다.
또한 오픈 소스 모델 커뮤니티에도 좋은 기회가 있을 것이라고 생각합니다. 예를 들어 폴리체인이 투자한 프로젝트는 모델 콘텐츠 창작자의 경제적 문제를 해결하기 위해 사용되는 web3와 유사한 포옹 얼굴이다.
다른 AI와 Web3의 결합에 관해서는 ToC 방향을 일부 토큰 게임 플레이와 결합하여 전체 커뮤니티 의 끈적임, 일상 활동 및 감성을 향상시킬 수 있다면 이것이 가능하다고 생각합니다. 이를 통해 투자자의 현금화도 쉬워지지만 시장 규모는 아직 확실하지 않습니다. 이것은 AI와 Web3에 대한 나의 견해 중 일부입니다. 순수 ToB 업무 이라면 굳이 Web3을 사용할 필요는 없고 Web2를 사용하면 좋다고 생각합니다.
Qiming Venture Partners- Tang Yi : 현재 우리가 투자한 일부 데이터 프로젝트는 온체인 데이터를 통한 보안 시나리오에서 작업하고 있습니다. 기본적인 AI 패턴 인식이나 특징 발견 작업이 일부 포함되어 있고, 결과가 꽤 좋은 것 같아요. 그러나 대량 활동 데이터를 모델에 입력하고 다양한 유형의 정보를 식별하는 등의 고급 작업은 아직 시험 단계에 있으며 효과를 검증해야 합니다. 보안 분야 외에도 다른 많은 분야에서도 비슷한 상황이 존재합니다.
최근 사례로는 빅데이터 분석을 기반으로 NFT 가격을 책정하는 NFTGo에 대한 투자가 있는데, 이는 어느 정도 정확성을 갖고 있으며 오라클 가격 책정 및 기타 목적으로 사용할 계획입니다. 이 시스템은 흥미로워 보이지만 제품 및 사용자 수용 측면에서 여전히 검증이 필요합니다. 현재는 90점, 85점의 정확도 달성이 가능하더라도 사용자가 98점, 95점 등 더 높은 수준을 요구할 수 있어 추가적인 검증이 필요하기 때문이다. 따라서 일부 프로젝트에서는 데이터 분석, 패턴 인식 등 단순 AI 기능을 제품에 적용하고 있지만, 이것이 핵심 요소가 될지는 아직 검증되지 않았습니다.
투자 의지에 관해서는 개인적으로 프로젝트에 AI 기믹이 있다는 이유만으로 투자하고 싶지는 않습니다. 실제 효과와 프로젝트가 목표를 달성하고 이익을 가져올 수 있는지가 더 중요하다고 생각하기 때문입니다. 프로젝트에 더 많은 관심이나 노출을 끌기 위한 마케팅 전략으로 이름이나 마케팅이 튀어나온 것인지 이해할 수 있습니다. 하지만 투자 결정에 있어서는 실제 결과가 더 중요하다고 생각합니다.
예를 들어 일부 프로젝트에서는 ZKML을 작업하고 있는데, 이 트랙은 많은 관심을 받은 것 같지만 동시에 어떤 시나리오에 사용되는지에 대한 큰 의문도 있습니다. 지금은 불확실성이 특히 강하고, 장대한 서사에 가깝다고 생각합니다.
4 전반적인 산업 발전의 관점에서 향후 AI + Web3 데이터 트랙의 잠재적 기회 또는 개발 방향은 무엇입니까? 미래에는 AI가 데이터 제품을 완전히 업그레이드하고 새로운 개념을 도입하는 것이 가능할까요? 사용자의 지불 의지가 높아질까요?
Hashkey Capital-Harper : 분명히 잠재적인 기회가 있습니다. 실제로 미래의 개발 방향은 창의성이 확실히 강한 web2 AI에 비해 뒤떨어져 있습니다.web3의 AI도 아마도 web2 AI의 매핑 구현일 것입니다.
Matrix Partners- Zixi : 최근 Miaoya Camera를 통해 사람들이 실제로 AI 제품에 기꺼이 돈을 지불할 의사가 있다는 사실을 깨닫게 되었다고 생각합니다. 이는 사람들이 무료로 사용하기를 기대하는 전통적인 SaaS 제품이나 게임과는 다릅니다. AI에 대한 사용자의 지불 의지는 실제로 상당히 강합니다.
앞으로 몇 가지 아이디어를 제공할 수 있습니다. 데이터 라벨링 프로세스에는 사전 라벨링이라는 핵심 단계가 있습니다. 즉, 모델을 훈련하고 모델이 기본 라벨링을 수행하도록 하는 것입니다. 이 단계는 매우 가치 있고 많은 인건비를 절약할 수 있습니다. 사전 주석을 위해 원시 데이터를 사전 훈련된 모델에 넣은 다음 반자동 데이터 처리를 수행하고 최종적으로 정확한 주석을 수동으로 수행합니다. 사전 주석을 사용하면 효율성이 크게 향상될 수 있으며, 원래 100명이 필요했던 작업이 이제는 50~70명만 필요해졌습니다.
또한 사전 라벨링에는 AI와 인간 간의 협업도 포함되며, 귀하의 피드백을 통해 모델의 사전 라벨링 기능을 지속적으로 향상시켜 데이터 라벨링 팀에 필요한 인력을 줄일 수 있습니다. AI와 사람이 점점 더 잘 협력하게 되면 100명으로 구성된 팀에는 30명만 필요할 수도 있습니다. 하지만 이 프로세스에는 하한선이 있으며, AI 협업이 매우 잘 이루어지더라도 최종 주석 및 검토에는 여전히 일정량의 수작업이 필요합니다.
다른 분야에서는 제가 데이터 사이언티스트가 아니기 때문에 개인적으로 데이터를 정리하거나 SQL 쿼리를 수행하기 위해 데이터를 사용한 적이 없기 때문에 이런 분야에서는 AI가 얼마나 도움을 줄 수 있는지 잘 모르겠습니다.
Qiming Venture Partners- Tang Yi : Web3와 AI는 장기적으로 어느 정도 교차점이 있어야 한다고 생각합니다. 예를 들어 이념적 관점에서 볼 때 Web3의 가치 체계는 AI와 결합할 수 있으며 봇의 계정 시스템이나 가치 변환 시스템으로 매우 적합합니다. 자체 계정이 있고 스마트 부품으로 돈을 벌 수 있을 뿐만 아니라 기본 컴퓨팅 성능을 유지하기 위해 비용을 지불할 수 있는 로봇을 상상해 보세요. 이러한 개념은 약간 공상과학 소설에 불과하며 실제 적용에는 아직 갈 길이 멀습니다.
두 번째로 가능한 방향은 AI 모델의 출력이 특정 카테고리나 특정 모델, 특정 데이터를 기반으로 한 것인지, 신뢰할 수 있는 것인지 검증하는 것이다. 이러한 영역은 신뢰할 수 있는 AI 모델에 어느 정도 사용될 수 있습니다. 이는 기술적 관점에서 매우 흥미롭지만 충분한 시장 수요가 있는지 여부는 불확실합니다.
반면, AI의 출현으로 인해 데이터 콘텐츠 생성이 광범위해지고 저렴해졌습니다. 디지털 저작물 등 콘텐츠의 경우 품질과 창작자 결정이 어렵습니다. 이러한 점에서 데이터 내용의 검증에는 생성자와 대리인의 역할을 포함하여 완전히 새로운 시스템이 필요할 수 있습니다. 그러나 전반적으로 이러한 문제는 여전히 해결해야 할 수 있으며 내러티브 콘텐츠를 개발하는 데 더 오랜 시간이 걸릴 수 있습니다. 단기적으로는 기본 데이터의 품질에 계속 초점을 맞추고 모델이 더욱 강력해질 것으로 기대해야 합니다.
또한, 상용화 측면에서도 데이터 상품을 상용화하는 것은 사실 매우 어려운 일이다. 하지만 비즈니스 관점에서 AI는 단기적으로 데이터 제품을 상용화하는 문제에 대한 해결책이 아닐 수도 있다고 생각합니다. 상용화에는 데이터 역량뿐만 아니라 더 많은 제품화 노력이 필요합니다. 따라서 이러한 프로젝트에는 상용화를 위한 추가 제품 개발이 필요할 수 있습니다.
