작성자: Ian @Foresight Ventures
TL;DR
AI와 암호화폐를 결합하는 분야를 수개월간 탐구한 후, 이 방향에 대한 이해는 더욱 깊어졌습니다. 이 글은 초기 관점 와 현재 트랙 방향을 비교 분석한 것으로, 트랙에 익숙한 친구들은 두 번째 섹션부터 읽기 시작할 수 있습니다 .
탈중앙화 해시레이트 네트워크: 시장 수요의 도전에 직면하여 비용 절감이라는 궁극적인 탈중앙화 목표에 특히 중점을 두고 있습니다. Web3의 커뮤니티 속성과 토큰은 무시할 수 없는 가치를 가져오지만 여전히 파괴적인 변화라기보다는 해시레이트 트랙 자체에 대한 부가 가치입니다. 맹목적으로 탈중앙화 해시레이트 네트워크는 중앙화된 해시레이트 의 부족을 보완하는 역할을 합니다.
AI 시장: 풀링크 금융화된 AI 시장 개념이 논의되었으며, 커뮤니티와 토큰이 가져오는 가치가 중요했습니다. 이러한 시장은 기본 해시레이트 과 데이터에만 초점을 맞추는 것이 아니라 모델 자체와 관련 애플리케이션도 포함합니다. 모델 금융화는 AI 시장의 핵심 요소로, 한편으로는 AI 모델의 가치 창출 과정에 사용자가 직접 참여하도록 유도하는 동시에, 다른 한편으로는 기반이 되는 해시레이트 와 데이터에 대한 수요를 창출합니다.
Onchain AI와 ZKML은 수요와 공급이라는 이중 과제에 직면해 있는 반면, OPML은 비용과 효율성 측면에서 보다 균형 잡힌 솔루션을 제공합니다. OPML은 기술 혁신이지만 온체인 AI가 직면한 근본적인 과제, 즉 수요가 없다는 문제를 해결하지 못할 수도 있습니다.
애플리케이션 계층에서 대부분의 web3 AI 애플리케이션 프로젝트는 너무 순진하며, AI 애플리케이션의 보다 합리적인 지점은 사용자 경험을 향상하고 개발 효율성을 높이거나 AI 시장의 중요한 부분으로 역할을 한다는 것입니다.
1. AI 트랙 검토
지난 몇 달간 AI + 암호화폐를 주제로 심층적인 연구를 진행해 왔으며, 몇 달 간의 축적 끝에 일부 트랙의 방향에 대한 초기 단계에 대한 통찰력을 얻게 되어 매우 기쁩니다. 또한 현재 추세가 일부 있음을 확인하세요. 이는 정확한 관점 가 아닙니다.
이 글은 관점 만 이야기할 뿐 서론을 제공하지 않으며 web3에서 AI의 몇 가지 일반적인 방향을 다루고 트랙에 대한 나의 이전 및 현재 관점 과 분석을 보여줄 것입니다. 서로 다른 관점은 서로 다른 영감을 가질 수 있으며, 이는 비교적이고 변증법적으로 볼 수 있습니다.
먼저 올해 상반기에 설정된 AI + 암호화폐의 주요 방향을 검토해 보겠습니다.
1.1 분산 해시레이트
" 탈 탈중앙화 해시레이트 네트워크에 대한 합리적 관점 "에서는 해시레이트 미래에 가장 가치 있는 자원이 될 것이라는 일반적인 논리를 바탕으로 암호화폐가 해시레이트 네트워크에 줄 수 있는 가치를 분석합니다.
탈중앙화 분산 해시레이트 네트워크는 대규모 AI 모델 훈련에 대한 수요가 가장 크지만, 가장 큰 과제와 기술적 병목 현상도 직면하고 있습니다. 복잡한 데이터 동기화 및 네트워크 최적화 문제를 포함합니다. 또한 데이터 개인 정보 보호 및 보안도 중요한 제약 사항입니다. 대규모 분산 교육 작업에서는 예비 솔루션을 제공할 수 있는 몇 가지 기존 기술이 있지만 이러한 기술은 막대한 계산 및 통신 오버헤드로 인해 여전히 비실용적입니다. 분명히 탈중앙화 분산 해시레이트 네트워크는 모델 추론에서 구현될 가능성이 더 높으며 향후 증분을 예측할 여지가 충분합니다. 그러나 통신 지연, 데이터 개인 정보 보호, 모델 보안과 같은 문제도 직면하고 있습니다. 모델 훈련과 비교하여 추론 중 계산 복잡성과 데이터 상호 작용성이 낮으며 분산 환경에서 수행하는 것이 더 적합합니다.
1.2 탈중앙화 AI 시장
" AI 마켓플레이스를 탈중앙화 최선의 시도 "에서는 성공적인 탈중앙화 AI 마켓플레이스가 분배, 자산 확인, 소득 분배 및 탈중앙화 해시레이트 사용하여 AI와 Web3의 장점을 긴밀하게 결합해야 한다고 언급합니다. AI 애플리케이션에 대한 임계값을 설정하고 개발자가 모델을 업로드하고 공유하도록 장려하는 동시에 사용자의 데이터 개인 정보 보호 권리를 보호하고 개발자 친화적이고 사용자 요구를 충족하는 AI 자원 거래 및 공유 플랫폼을 구축합니다.
당시의 아이디어(지금은 완전히 정확하지 않을 수도 있음)는 데이터 기반 AI 시장이 더 큰 잠재력을 가지고 있다는 것이었습니다. 모델에만 의존하는 마켓플레이스는 고품질 모델의 대량 지원이 필요하지만, 초기 플랫폼은 사용자 기반과 고품질 리소스가 부족하여 우수한 모델 제공업체가 고품질 모델을 유치하기 어렵습니다. 데이터는 탈중앙화 분산되며 수집, 인센티브 계층 설계 및 데이터 소유권 보장을 통해 귀중한 데이터와 리소스, 특히 개인 도메인 데이터를 대량 축적할 수 있습니다.
탈중앙화 AI 마켓플레이스의 성공은 사용자 자원의 축적과 강력한 네트워크 효과에 달려 있으며, 사용자와 개발자가 시장에서 얻을 수 있는 가치는 시장 외부에서 얻을 수 있는 가치를 초과합니다. 시장 초기에는 고품질 모델을 축적해 사용자를 유인하고 유지하는 데 중점을 두고, 고품질 모델 라이브러리와 데이터 장벽을 구축한 후 더 많은 최종 사용자를 유치하고 유지하는 데 중점을 둡니다.
1.3 ZKML
온체인 AI의 가치는 ZKML이라는 주제가 “ AI + Web3 =? ”에서 널리 논의되기 전에 논의되었습니다.
탈중앙화 와 무신뢰성을 희생하지 않고 온체인 AI는 웹3 세계를 "다음 단계"로 이끌 수 있는 기회를 갖습니다. 현재의 web3는 web2의 초기 단계에 불과하며, 아직은 더 넓은 범위의 애플리케이션을 수행하거나 더 큰 가치를 창출할 수 있는 능력이 없습니다. Onchain AI는 투명하고 신뢰할 수 없는 솔루션을 제공하도록 설계되었습니다.
1.4 AI 응용
" AI + Crypto는 Web3 여성 지향 게임 - HIM에 대해 이야기하기 시작합니다 "에서는 포트폴리오 프로젝트 "HIM"과 결합하여 web3 애플리케이션의 대형 모델이 가져오는 가치를 분석하고 어떤 종류의 AI + Crypto가 여성에게 더 높은 수익을 가져올 수 있는지 분석합니다. 제품? 인프라부터 알고리즘까지 온체인 무신뢰 LLM의 하드 코어 개발 외에도 제품의 추론 프로세스에 대한 블랙박스의 영향을 무시하고 대형 모델의 강력한 추론 기능을 구현하는 데 적합한 시나리오를 찾는 것도 또 다른 방향입니다. .
2. 현재 AI 트랙 분석
2.1 해시레이트 네트워크: 상상의 여지는 많지만 문턱은 높다
해시레이트 네트워크의 일반적인 논리는 변함이 없지만 여전히 시장 수요의 도전에 직면해 있습니다. 효율성과 안정성이 낮은 솔루션이 필요한 사람은 누구입니까? 그러므로 우리는 다음과 같은 점들을 생각해 볼 필요가 있다고 생각합니다.
탈중앙화 무엇을 위한 것인가요?
지금 탈중앙화 해시레이트 네트워크의 창립자에게 물어보면 그는 아마도 우리의 해시레이트 네트워크가 보안 및 공격 저항을 강화하고, 투명성과 신뢰를 향상하고, 자원 활용도를 최적화하고, 데이터 개인 정보 보호 및 사용자 제어를 향상하고, 검열 및 간섭으로부터 보호할 수 있다고 말할 것입니다.
이것들은 모두 상식입니다.모든 web3 프로젝트에는 검열 저항, 신뢰성 없음, 개인 정보 보호 등이 포함될 수 있지만 제 관점 이것이 중요하지 않다는 것입니다. 잘 생각해 보세요. 중앙 집중식 서버가 보안 측면에서 더 나을 수는 없을까요? 탈중앙화 해시레이트 네트워크는 본질적으로 개인 정보 보호 문제를 해결하지 못하며 여전히 그러한 모순이 많이 있습니다. 따라서 해시레이트 네트워크를 탈중앙화 궁극적인 목표는 비용을 낮추는 것이어야 합니다. 탈중앙화 정도가 높을수록 해시레이트 사용 비용은 낮아집니다.
따라서 근본적으로 "유휴 해시레이트 활용하는 것"은 장기적인 이야기에 가깝습니다. 탈중앙화 해시레이트 네트워크를 구축할 수 있는지 여부는 그가 다음 사항을 파악했는지 여부에 크게 달려 있다고 생각합니다. :
Web3가 제공하는 가치
영리한 토큰 설계 세트와 그에 수반되는 인센티브/처벌 메커니즘은 분명히 탈중앙화 제공하는 강력한 부가 가치입니다. 기존 인터넷과 비교하여 토큰은 거래 매체 역할을 할 뿐만 아니라 프로토콜이 보다 복잡한 인센티브 및 거버넌스 메커니즘을 구현할 수 있도록 스마트 계약을 보완합니다. 동시에 거래의 개방성과 투명성, 비용 절감 및 효율성 향상은 모두 암호화폐가 가져오는 가치의 이점입니다. 이 고유한 가치는 기여자에게 인센티브를 제공하기 위해 더 많은 유연성과 혁신의 여지를 제공합니다.
그러나 동시에 겉으로는 타당해 보이는 이 "적합"이 합리적으로 볼 수 있기를 바랍니다. 탈중앙화 해시레이트 네트워크에 있어서 Web3와 블록체인 기술이 가져온 가치는 또 다른 관점에서 보면 단지 "부가가치"일 뿐입니다. 근본적인 전복은 전체 네트워크의 기본 작업 방식을 변경할 수 없으며 현재의 기술적 병목 현상을 돌파할 수 없습니다.
간단히 말해서, 이러한 web3의 가치는 탈중앙화 네트워크의 매력을 높이는 것이지만 핵심 구조나 운영 모델을 완전히 바꾸지는 않을 것입니다. 탈중앙화 네트워크가 AI 물결에서 진정으로 한 자리를 차지하기를 원한다면 web3에 의존하십시오. 가치만으로는 충분하지 않습니다. 따라서 나중에 언급하겠지만 올바른 기술은 올바른 문제를 해결합니다. 탈중앙화 해시레이트 네트워크의 게임플레이는 단순히 AI 해시레이트 부족 문제를 해결하기 위한 것이 아니라 오랫동안 휴면 상태였던 이 트랙에 기회를 주기 위한 것입니다. 게임 플레이와 아이디어.
POW 채굴 이나 스토리지 채굴 과 같은 자산으로 해시레이트 화폐화하는 것일 수도 있습니다. 이 모델에서 해시레이트 제공자는 자신의 컴퓨팅 리소스를 제공함으로써 보상으로 토큰을 얻을 수 있습니다. 컴퓨팅 리소스를 경제적 이익으로 직접 변환하여 더 많은 참가자가 네트워크에 참여하도록 유도하는 방법을 제공한다는 것이 매력입니다. 또한 web3를 기반으로 해시레이트 소비하는 시장을 창출할 수도 있고, 해시레이트(모델 등)의 업스트림을 금융화함으로써 불안정하고 느린 해시레이트 수용할 수 있는 수요 지점을 열 수도 있습니다.
이를 사용자의 실제 요구와 결합하는 방법을 이해하고 싶습니다. 결국 사용자와 참가자의 요구는 반드시 효율적인 해시레이트 만은 아닙니다. "돈 버는 것"은 항상 가장 설득력 있는 동기 중 하나입니다.
탈중앙화 해시레이트 네트워크의 핵심 경쟁력은 가격입니다.
실제 가치로부터 탈중앙화 해시레이트 논해야 한다면, web3가 가져온 가장 큰 상상은 더욱 압축될 수 있는 기회가 있는 해시레이트 파워 비용입니다.
해시레이트 노드의 탈중앙화 정도가 높을수록 해시레이트 단위당 가격은 낮아집니다. 이는 다음 방향에서 추론할 수 있습니다.
토큰 도입으로 노드 해시레이트 제공자에 대한 지불이 현금에서 프로토콜의 기본 토큰으로 변경되어 근본적으로 운영 비용이 절감됩니다.
web3의 무허가 액세스와 강력한 커뮤니티 효과는 시장 중심의 비용 최적화에 직접적으로 기여합니다. 더 많은 개인 사용자와 소규모 기업이 기존 하드웨어 리소스를 사용하여 네트워크에 참여할 수 있고 해시레이트 공급이 증가하며 해시레이트. 공급 가격은 하락 합니다. 자율 및 커뮤니티 관리 모드에서.
프로토콜에 의해 창출된 개방형 해시레이트 시장은 해시레이트 공급자 간의 가격 경쟁을 촉진하여 비용을 더욱 절감할 것입니다.
사례: ChainML
간단히 말해서 ChainML은 추론 및 미세 조정을 위한 해시레이트 제공하는 탈중앙화 플랫폼입니다. 단기적으로 chainml은 오픈 소스 AI 에이전트 프레임 기반으로 Council을 구현할 예정이며 Council의 시도(다양한 애플리케이션에 통합할 수 있는 챗봇)를 통해 탈중앙화 컴퓨팅 네트워크에 대한 수요가 증가할 것입니다. 장기적으로 chainml은 모델 시장과 해시레이트 시장을 포함하여 완전한 AI + web3 플랫폼(나중에 자세히 분석됨)이 될 것입니다.
ChainML의 기술적 경로 계획은 매우 합리적이라고 생각합니다. 그들은 또한 앞서 언급한 문제에 대해 명확하게 생각합니다. 탈중앙화 해시레이트 의 목적은 확실히 중앙형 해시레이트 과 동등하지 않고 AI 산업에 충분한 해시레이트 공급을 제공하는 것입니다. 적절한 수요 당사자가 이러한 낮은 품질의 해시레이트 소스를 수용할 수 있도록 비용을 점진적으로 줄이는 것입니다. 그런 다음 프로젝트 초기 단계에서 프로토콜이 대량 탈중앙화 해시레이트 노드를 얻을 수 없을 때 안정적이고 효율적인 해시레이트 소스를 찾는 데 중점을 둡니다. 따라서 제품 경로의 관점에서 볼 때 중앙 집중식 접근 방식으로 시작하여 초기 단계에서 제품 링크를 실행하고 강력한 bd 기능을 통해 고객을 축적하기 시작하고 시장을 확장한 다음 점차적으로 중앙 집중식 해시레이트 제공자를 더 저렴한 비용으로 소규모 회사로 분산시키고 마지막으로 해시레이트 노드를 넓은 지역에 분산하여 전송합니다. 이것이 바로 chainml 분할 정복의 아이디어입니다.
수요 측 레이아웃의 관점에서 ChainML은 중앙 집중식 인프라 프로토콜의 MVP를 구축했으며 설계 개념은 이식 가능합니다. 그리고 저희는 올해 2월부터 이 시스템을 고객과 함께 운영해 왔으며, 올해 4월부터 프로덕션 환경에서 사용하기 시작했습니다. 현재 Google Cloud에서 실행 중이지만 Kubernetes 및 기타 오픈소스 기술을 기반으로 하여 다른 환경(AWS, Azure, Coreweave 등)으로 쉽게 이식 가능합니다. 미래에 이 프로토콜은 탈중앙화 틈새 클라우드로 분산되고 최종적으로 해시레이트 제공하는 채굴자에게 분산될 것입니다.
2.2 AI 시장: 상상의 여지가 더 많다
이 부문을 AI 마커플레이스라고 부르는데, 이는 상상력을 다소 제한합니다. 엄밀히 말하면, 진정으로 상상력이 풍부한 "AI 시장"은 기본 해시레이트 및 데이터부터 모델 자체 및 관련 애플리케이션에 이르기까지 전체 모델 체인을 금융화하는 중간 플랫폼이어야 합니다. 앞서 언급했듯이 탈중앙화 해시레이트 초기의 주요 모순은 수요를 창출하는 방법이었고, 전체 AI 체인을 금융화하는 폐쇄 루프 시장은 그러한 수요를 창출할 수 있는 기회를 갖습니다.
다음과 같이 진행됩니다.
web3가 지원하는 AI 시장은 해시레이트 와 데이터를 기반으로 개발자가 보다 가치 있는 데이터를 통해 모델을 구축하거나 미세 조정한 후 해당 모델 기반 애플리케이션을 개발하도록 유도하며, 이러한 애플리케이션과 모델이 동시에 개발되고 사용됩니다. 해시레이트 에 대한 수요를 창출합니다. 토큰 및 커뮤니티에 의해 인센티브를 받는 현상금 기반 실시간 데이터 수집 작업 또는 데이터 기여에 대한 정기적인 인센티브는 이 시장에서 데이터 계층의 고유한 이점을 확장하고 확장할 수 있는 기회를 갖습니다. 동시에 애플리케이션의 인기는 데이터 계층에 더 많은 가치 있는 데이터를 반환합니다.
지역 사회
앞서 언급한 토큰이 가져오는 가치 외에도 커뮤니티는 의심할 여지 없이 web3가 가져오는 가장 큰 이익 중 하나이며 플랫폼 개발의 핵심 원동력입니다. 커뮤니티와 토큰의 지원은 기여자와 기여한 콘텐츠의 품질이 중앙 집중식 기관을 능가할 수 있는 기회를 제공합니다.예를 들어, 데이터 다양성의 달성은 정확하고 편견 없는 AI를 구축하는 데 중요한 이러한 유형의 플랫폼의 장점입니다. 모델 동시에 현재 데이터 방향의 병목 현상이기도 합니다.
전체 플랫폼의 핵심은 모델에 있다고 생각하는데, AI 마켓플레이스의 성공은 고품질 모델이 있는지, 그리고 개발자가 탈중앙화 모델을 제공하려면 어떤 인센티브가 있어야 하는지에 달려 있다는 사실을 아주 일찍 깨달았습니다. 그러나 우리는 또한 문제에 대해 생각하는 것을 잊은 것 같습니다. 인프라가 기존 플랫폼만큼 강력하지 않고, 개발자 커뮤니티가 기존 플랫폼만큼 성숙하지 않으며, 평판이 기존 플랫폼에 비해 선점자 이점을 갖지 못합니다. 전통적인 AI 플랫폼, 거대한 사용자 기반, 성숙한 인프라 및 web3 프로젝트는 구석구석에서만 추월할 수 있습니다.
그 답은 AI 모델의 금융화 에 있을 수 있다
모델은 상품으로 취급될 수 있으며, AI 모델을 투자 가능한 자산으로 취급하는 것은 Web3 및 탈중앙화 시장에 흥미로운 혁신이 될 수 있습니다. 이러한 시장에서는 사용자가 AI 모델의 가치 창출 과정에 직접 참여하고 혜택을 누릴 수 있습니다. 또한 이 메커니즘은 더 높은 품질의 모델 추구와 커뮤니티 기여를 장려합니다. 사용자 이점은 모델의 성능 및 적용 효과와 직접적인 관련이 있기 때문입니다.
사용자는 자신의 모델을 스테이킹 투자할 수 있으며, 한편으로 수익 공유 메커니즘을 도입하면 사용자가 잠재적인 모델을 선택하고 지원하도록 장려하고 모델 개발자가 더 나은 모델을 만들 수 있도록 경제적 인센티브를 제공합니다. 반면, 스테이킹 의 경우 모델(특히 이미지 생성 모델)을 판단하는 가장 직관적인 기준은 여러 실제 측정을 수행하는 것이며, 이는 플랫폼의 탈중앙화 해시레이트 에 대한 수요를 제공하며 이는 앞서 언급한 솔루션 중 하나일 수도 있습니다. "누가 덜 효율적이고 더 불안정한 해시레이트 사용하고 싶겠습니까?"
2.3 온체인 AI: OPML이 코너에서 추월하나요?
ZKML: 수요와 공급 모두 문제
확실한 것은 온체인 AI가 상상력이 풍부하고 깊이 연구할 가치가 있는 방향이어야 한다는 점이다. 온체인 획기적인 발전은 web3에 전례 없는 가치를 가져올 수 있습니다. 그러나 동시에 ZKML의 매우 높은 학문적 기준과 기본 인프라에 대한 요구 사항은 실제로 대부분의 신생 기업에 적합하지 않습니다. 대부분의 프로젝트는 자체 가치의 혁신을 달성하기 위해 무신뢰 LLM의 지원이 반드시 필요한 것은 아닙니다.
그러나 모든 AI 모델을 온체인 이동하고 ZK를 사용하여 무신뢰할 수 있는 것은 아닙니다.대부분의 사람들이 챗봇이 쿼리를 추론하고 결과를 제공하는 방식에 관심이 없고 사용된 안정적인 확산이 특정 버전의 챗봇인지 여부에도 관심이 없는 것과 같습니다. 모델 아키텍처 또는 특정 매개변수 설정. 대부분의 시나리오에서 대부분의 사용자는 추론 프로세스가 신뢰할 수 없거나 투명한지 여부보다는 모델이 만족스러운 결과를 제공할 수 있는지 여부에 중점을 둡니다.
증명 시스템이 100배의 오버헤드 또는 더 높은 추론 비용을 가져오지 않는다면 ZKML은 여전히 싸울 수 있지만 높은 온체인 추론 비용과 더 높은 비용에 직면하여 수요 측면에서는 Onchain AI의 필요성에 의문을 제기할 이유가 있습니다.
수요측면에서
사용자가 관심을 갖는 것은 모델이 제공한 결과가 타당한지 여부입니다. 결과가 합리적인 한 ZKML이 가져온 무신뢰는 가치가 없다고 말할 수 있습니다. 시나리오 중 하나를 상상해 보십시오.
신경망 기반 거래 로봇이 매 주기마다 사용자에게 100배의 이익을 가져다 준다면, 알고리즘이 중앙 집중화되어 있는지 검증 가능한지 누가 의문을 제기하겠습니까?
마찬가지로, 이 거래 봇이 사용자에게 돈을 잃기 시작하면 프로젝트 팀은 모델을 검증 가능하게 만드는 데 에너지와 자본을 소비하는 대신 모델의 기능을 향상시키는 방법에 대해 더 많이 생각해야 합니다. 이것이 ZKML 요구 사항의 모순입니다. 즉, 모델의 검증 가능성은 많은 시나리오에서 AI에 대한 사람들의 의심을 근본적으로 해결하지 못하며 약간 모순적입니다.
공급측면에서
대규모 예측 모델을 지원할 수 있는 증명 시스템을 개발하려면 아직 갈 길이 멀고, 현재 선도 프로젝트의 시도로 볼 때 대형 모델이 체인에 탑재될 날을 보는 것은 거의 불가능합니다.
ZKML에 대한 이전 기사를 참조하면 기술적으로 ZKML의 목표는 신경망을 ZK 회로로 변환하는 것입니다. 어려움은 다음과 같습니다.
ZK 회로는 부동 소수점 숫자를 지원하지 않습니다.
대규모 신경망은 변환이 어렵습니다.
현재 진행 상황으로 판단하면 다음과 같습니다.
최신 ZKML 라이브러리는 몇 가지 간단한 신경망 ZKization을 지원하며 기본 선형 회귀 모델을 연결할 수 있다고 합니다. 그러나 기존 데모는 거의 없습니다.
이론적으로는 최대 100M 매개변수까지 지원할 수 있지만 이론상으로만 존재합니다.
ZKML의 개발 진행 상황은 기대에 미치지 못했습니다 . 현재 선도적인 프로젝트 모듈러스 랩의 진행 상황과 EZKL에서 출시한 증명 시스템으로 판단하면 일부 간단한 모델은 모델 업로드 또는 추론 증명을 위해 ZK 회로로 변환될 수 있습니다. 하지만 이는 ZKML의 가치에 도달하기에는 거리가 멀고 기술적인 병목 현상을 돌파할 핵심 동기가 없는 것으로 보입니다.수요가 심각하게 부족한 트랙은 근본적으로 학계의 관심을 끌 수 없습니다. 남은 수요를 유치/만족시키기 위한 우수한 POC를 만드는 것이 어렵고 이는 ZKML을 죽이는 죽음의 나선일 수도 있습니다.
OPML: 전환인가 아니면 최종 게임인가?
OPML과 ZKML의 차이점은 ZKML은 완전한 추론 프로세스를 증명하는 반면 OPML은 추론에 문제가 있을 때 추론 프로세스의 일부를 다시 실행한다는 것입니다. 분명히 OPML이 해결하는 가장 큰 문제는 비용/오버헤드가 너무 높다는 것입니다. 이는 매우 실용적인 최적화입니다.
OPML의 창립자인 HyperOracle 팀은 "opML is All You Need: Run a 13B ML Model in Ethereum"에서 1단계에서 다단계 opML까지의 아키텍처와 고급 프로세스를 제공했습니다.
오프라인 VM과 온체인 스마트 계약에 구현된 VM 간의 동등성을 보장하기 위해 오프체인 실행 및 온체인 검증을 위한 가상 머신을 구축합니다.
VM에서 AI 모델의 추론 효율성을 보장하기 위해 특별히 설계된 경량 DNN 라이브러리가 구현됩니다(Tensorflow 또는 PyTorch와 같은 널리 사용되는 머신러닝(ML) 프레임 에 의존하지 않음). Tensorflow 및 PyTorch 모델을 변환할 수 있는 도구 이 경량 라이브러리용 스크립트입니다.
크로스 컴파일을 통해 AI 모델 추론 코드를 VM 프로그램 명령어로 컴파일합니다.
VM 이미지는 머클 트리를 통해 관리됩니다. VM 상태를 나타내는 Merkle 루트만 온체인 스마트 계약에 업로드됩니다.
그러나 분명히 이 디자인에는 중요한 결함이 있습니다. 즉, 모든 계산이 가상 머신 내에서 수행되어야 하며, 이는 GPU/TPU 가속 및 병렬 처리 사용을 방해하여 효율성을 제한합니다. 따라서 다단계 opML이 도입되었습니다.
마지막 단계에서만 VM에서 계산이 수행됩니다.
다른 단계에서는 상태 전환 계산이 기본 환경에서 발생하므로 CPU, GPU 및 TPU의 기능을 활용하고 병렬 처리를 지원합니다. 이 접근 방식은 VM에 대한 의존도를 줄이고 실행 성능을 크게 향상시키며 기본 환경과 비슷한 수준에 도달합니다.
참조: https://mirror.xyz/hyperoracleblog.eth/Z__Ui5I9gFOy7-da_jI1lgEqtnzSIKcwuBIrk-6YM0Y
현실이 되자
어떤 관점 OPML이 포괄적인 ZKML을 구현하기 전의 전환이라고 생각하지만, 비용 구조와 구현 기대치를 바탕으로 온체인 AI 간의 트레이드오프로 생각하는 것이 더 현실적입니다. 적어도 나는 이것에 대해 비관적인 태도를 가지고 있습니다. 그렇다면 Onchain AI의 과대 광고는 결국 가장 현실적인 구현과 비용 대면 해야 할 것입니다. 그렇다면 OPML은 Onchain AI의 모범 사례가 될 수 있습니다. OP와 ZK의 생태계가 결코 대체가 되지 못했던 것처럼 관계. .
그러나 이전 요구 사항의 단점이 여전히 존재한다는 점을 잊지 마십시오. 비용과 효율성을 기반으로 한 OPML의 최적화는 "사용자가 결과의 합리성을 더 중요하게 생각하므로 AI를 온체인 이동해야 하는 이유"라는 문제를 근본적으로 해결하지 못합니다. 무신뢰로 만들려고?" 투명성, 소유권, 무신뢰가 완전히 상반되는 문제. 이 버프들을 합치면 정말 화려하지만 유저들이 과연 신경 쓸까? 반대로 그 가치는 모델의 추론 능력에 반영되어야 한다.
저는 이러한 비용 최적화가 기술적으로는 혁신적이고 견고한 시도라고 생각하지만, 가치 측면에서는 형편없는 우회로에 가깝습니다.
어쩌면 Onchain AI 트랙 자체가 망치로 못을 찾는 것일지도 모르지만, 그렇습니다. 초기 산업의 발전에는 크로스 필드 기술의 혁신적인 조합에 대한 지속적인 탐색과 지속적인 런인을 통해 최적의 적합성을 찾는 것이 필요합니다. 결코 기술의 충돌과 시험이 아니라 독립적인 사고가 결여된 트렌드를 맹목적으로 따르는 것입니다.
2.4 적용 레이어 : 스티치 몬스터 99%
web3 애플리케이션 레이어에서 AI의 시도는 실제로 계속되고 있다고 말하고 싶습니다. 모두가 FOMO인 것 같지만 통합의 99%는 여전히 통합일 뿐입니다. gpt의 추론 능력을 사용하여 매핑할 필요가 없습니다. 프로젝트 자체의 가치.
애플리케이션 계층 관점에서 보면 대략 두 가지 방법이 있습니다.
AI의 힘을 사용하여 사용자 경험 개선 및 개발 효율성 향상: 이 경우 AI는 핵심 하이라이트가 아니며, 종종 뒤에서 조용히 작동하며 사용자에게 무관심합니다. web3 게임 HIM 팀은 게임 콘텐츠와 AI, 암호화폐의 결합에 매우 영리하며, 호환성이 높고 가장 큰 가치를 창출할 수 있는 포인트를 파악했으며, 한편으로는 AI를 생산 가치 도구로 사용합니다. 개발 효율성과 품질을 향상시키기 위해 AI를 사용합니다. 반면 추론 능력은 사용자의 게임 경험을 향상시킵니다. AI와 암호화폐는 매우 중요한 가치를 가져오지만 기본적으로는 여전히 도구 기술 수단을 사용합니다. 진정한 장점과 핵심 프로젝트의 가장 중요한 부분은 여전히 팀의 게임 개발 능력입니다.
AI 마켓플레이스와 결합하여 사용자에게 전체 생태계의 중요한 부분이 되었습니다.
3. 드디어…
정말로 강조하거나 요약할 필요가 있는 것이 있다면: AI는 여전히 가장 주목받을 가치가 있고 web3에서 가장 큰 기회를 갖고 있는 트랙 중 하나이며, 이 일반적인 논리는 절대 변하지 않을 것입니다.
하지만 가장 주목할만한 것은 AI 마켓플레이스의 게임플레이라고 생각합니다. 근본적으로 이 플랫폼이나 인프라의 디자인은 가치 창출의 요구에 부합하고 모든 당사자의 이익을 충족시킵니다. 거시적인 관점에서 볼 때, 모델이나 해시레이트 그 자체를 뛰어넘는 제품을 만들어내는 웹3만의 독특한 가치 포착 방식이 있다는 점과 동시에 사용자가 독특한 방식으로 AI 물결에 직접 참여할 수 있다는 점 역시 매력적이다.
아마도 3개월 안에 나는 현재의 생각을 뒤집을 것입니다.
위의 내용은 이 트랙에 대한 나의 실제 관점 일 뿐이며 실제로 어떠한 투자 조언도 구성하지 않습니다!
