작성자: Chia Jeng Yang 및 Caroline Cahilly, Pantera Capital
편집자: 테크 플로우 (Techflowpost) TechFlow
Pantera Capital은 최근 2024년 암호화폐 시장에 대한 추세, 투자 전략, 중점 영역 및 추세 예측을 깊이 있고 자세히 설명하는 긴 기사를 발표했습니다.
글이 길기 때문에 내용 주제에 따라 여러 부분으로 나누었습니다.
이 글은 전문의 네 번째 글로, Pantera의 전무이사인 Chia Jeng Yang과 인턴인 Caroline이 작성했습니다.
AI와 Web3의 결합에 관심을 갖고 AI와 암호화의 결합을 세부적으로 구분한 것을 볼 수 있으며, Web3가 AI 시스템의 추론, 데이터 프라이버시 및 인센티브에 역할을 할 수 있다고 믿습니다. 관련 트랙 기회도 포함되어 있습니다.
테크 플로우 (techflowpost) 이 부분을 편집했으며, 다음은 본문이다.
블록체인 기술 생태계에서 혁신이 일어나는 속도는 매 주기마다 새로운 시장과 업종을 창출합니다. 우리가 수행하는 연구는 우리의 논제를 확장하고 앞서 나갈 수 있도록 돕는 동시에 거래를 찾고 투자할 때 적용 범위를 극대화하는 데 도움이 됩니다. 다음 기사에서는 우리가 적극적으로 집중하고 있는 영역을 공유하겠습니다.
AI x WEB3
AI: 인간과 컴퓨터 지능의 결합
대규모 언어 모델과 같은 인공 지능 모델에 의해 생성된 출력은 인간과 컴퓨터 두뇌, 데이터 및 동기 부여 시스템 간의 최적의 상호 작용의 결과여야 합니다.
자연어로 의사소통할 수 있다는 점은 LLM의 흥미로운 점입니다. 인간과 AI가 동일한 언어를 사용하여 복잡한 프로세스를 자세히 설명할 수 있기 때문입니다. 이는 인간을 포함하는 조정 시스템의 미래를 향한 중요한 단계입니다. 이러한 협력을 더욱 효과적으로 만들기 위해서는 AI 시스템이 보다 효율적으로 생각하고 보다 유용한 답변을 생성하며 최적의 결과를 달성하도록 장려하는 강력한 인간-기계 프레임, 메커니즘 및 도구를 개발해야 합니다.
Web3가 이러한 상호작용을 주도하는 방법
컴퓨터 기반 인센티브 프레임 크라우드소싱, 책임성 등을 장려함으로써 인간이 AI와 상호 작용하는 방식을 결정합니다. 우리는 중장기적 사용 사례에 특별히 초점을 맞춰 컴퓨터/AI 두뇌와 인간 두뇌(예: 토큰 보유자, 개발자) 사이에서 발생하는 상호 작용을 최대화/최적화하는 제품을 고려하고 싶습니다.
앞으로 인공지능 시대 인간-컴퓨터 상호작용의 세 가지 측면을 살펴보겠습니다.
암호화폐가 AI를 제공할 수 있는 몇 가지 주요 내용은 다음과 같습니다. 이 내용은 백서 전체에서 다루게 됩니다.
지불: 전통적인 금융 지불은 명확하게 정의됩니다. 암호화폐에는 몇 줄의 코드만 필요합니다. 프로그래밍 기능은 소프트웨어 제품의 단순화된 통합을 제공하므로 개발자는 지갑 주소를 코드 베이스에 삽입하기만 하면 됩니다. 프로그래밍 기능은 또한 기존 인프라에서 너무 많은 감사 비용이 필요한 유연한 계산 기반 결제를 제공합니다. . 오래된 글로벌 금융 인프라를 피함으로써 국제적인 사용자 기반을 갖춘 제품의 시장 진입 장벽을 낮춥니다. 또한 암호화폐 거래는 기존 결제보다 낮은 수수료를 제공할 수 있습니다. 간단하고 저렴한 통합은 리소스가 제한되어 있고 단순성이 협업 및 채택의 핵심인 오픈 소스 프로젝트에 특히 유용합니다.
크라우드소싱: LLM 모델에 대한 인간의 피드백이 점점 더 중요해짐에 따라 Web3 인센티브를 통해 데이터 크라우드소싱이 더 빠른 속도와 규모로 발생할 수 있습니다. 구조화된 보상(및 처벌) 시스템은 다양한 배경을 가진 대량 기여자를 끌어들이는 고품질 정보를 촉진해야 합니다.
데이터 제어: 이러한 맥락에서는 다음과 같은 이유로 자신의 데이터를 제어(데이터 출처 및 개인 정보 보호 필요)하는 것이 점점 더 중요해지고 있습니다.
a. 사용자가 쉽게 돈을 받거나 더 나은 경험을 얻을 수 있다면 사용자는 자신의 데이터를 적극적으로 제어할 수 있습니다(현재는 가능해 보입니다). 자율 에이전트의 등장으로 사용자는 적극적인 개입 없이도 데이터에 대한 비용을 지불받을 수 있습니다. 그리고 자신의 데이터를 통제하는 사용자는 현재 개인화 알고리즘이 제공하는 조잡한 데이터보다 더 나은 경험을 누릴 자격이 있습니다. 이전의 데이터 지갑 시도와 달리 LLM은 이제 대규모 플랫폼 전반에 걸쳐 수동 데이터 수집을 자동화할 수 있을 뿐만 아니라 구조화되지 않은 자연어 데이터를 더 효과적으로 맥락화할 수 있습니다.
나. 회사는 비밀정보 보호를 위해 데이터 관리에 앞장설 수 있습니다. 그러면 새로운 기준이 개인에게 적용될 것입니다.
우리가 특히 기대하는 세 가지 아이디어는 다음과 같습니다.
인간 피드백 추론: 크라우드소싱(zk) 지식 그래프를 통한 논리적 추론
머신러닝(ML)(ML) 인공 지능 생성 콘텐츠(AIGC) 로열티 추적: ML 추적을 사용하여 AIGC 뒤의 원시 데이터 콘텐츠에 대한 로열티 계산
광고 디지털 트윈: LLM이 정보 검색을 위한 폼 팩터로서 검색 엔진을 대체함에 따라 사용자 선호도는 웹사이트를 통한 검색보다는 LLM과의 상호 작용을 통해 결정됩니다. AI 세계에서 광고하려면 광고 기술이 디지털 트윈에서 개인 선호도를 자동으로 클레임 수 있는 인프라가 필요합니다.
추리
시장의 과대 광고에도 불구하고 LLM은 물리적 세계와 인간이 뛰어난 유사한 작업을 계획, 추론, 이해하는 데 어려움을 겪었습니다. 이러한 오류는 대량 LLM이 기본 논리적/물리적 원리를 제대로 이해하지 못한 채 데이터 패턴을 기반으로 추론을 모방하므로 LLM 성능이 인간의 기준으로는 충분하지 않기 때문에 발생할 수 있습니다.
원칙적 추론의 가치는 알려지지 않은 문제를 처리하는 능력에 있습니다. 특히 변환기가 훈련 데이터보다 성능이 뛰어나지 않다는 강력한 증거를 고려할 때 더욱 그렇습니다. 우리는 더 나은 추론을 위한 인간 피드백 메커니즘에 중점을 두고 오늘날 기본 모델과 LLM 앙상블 시스템 모두에 도움이 될 수 있는 추론 문제에 대한 솔루션을 찾고 있습니다.
논리
지식 그래프(구조화된 데이터베이스를 사용하여 엔터티, 이벤트 및 개념 간의 관계를 캡처하는 방법)는 논리적 추론을 LLM에 통합하는 흥미로운 방법을 제공합니다.
통합 방법의 예는 다음과 같습니다.
동적 지식 검색: 추론 프로세스 중에 특정 주의 메커니즘에 따라 관련 정보가 그래프에서 동적으로 검색됩니다.
피드백 루프: 출력이 차트 이해에서 크게 벗어나는 경우 이 피드백을 사용하여 추가 미세 조정을 수행합니다.
크라우드소싱 지식 그래프 : 크라우드소싱은 정보 수집 및 인증을 재정의하여 "인간의 모든 지식과 문화를 담고 있는 창고"를 개발하는 데 도움을 줄 것입니다.
크라우드소싱 지식 그래프는 모델이 기여에 액세스할 때 자동 결제를 통해 사용자가 데이터 및 논리적 연결을 기여하도록 장려합니다. 정확성을 유지하기 위해 잘못된 기여에 대해서는 처벌이 적용되며, 이는 합의된 표준 세트를 시행하는 검증자 그룹에 의해 결정됩니다. 각 다이어그램에 대해 이러한 기준을 정의하는 것은 성공을 위한 가장 중요한 고려 사항 중 하나입니다.
Web3는 필요한 규모로 지식 그래프 생성을 장려하는 방법을 제공합니다. 또한 LLM 추론의 격차는 움직이는 목표가 될 것이며 Web3는 격차가 발생할 때 특정 데이터 제공을 장려하는 방법을 제공합니다.
또한 구조화된 보상(및 처벌) 시스템은 고품질 정보를 촉진하고 다양한 배경을 가진 대량 기여자를 끌어들일 것입니다. 특히 사용자는 제로섬 예측 시장 및 탈중앙화 형 오라클 과 달리 생산적인 논제로섬 방식으로 데이터를 공유하여 가치를 창출합니다.
마지막으로, 현재 인공 지능의 한계에서 이러한 그래프를 크라우드소싱하면 관련 정확성을 유지하는 데 도움이 됩니다(즉, 기존 LLM의 추론 기능을 복제하지 않음).
신뢰와 책임 메커니즘
1. 데이터 개인정보 보호
사용자 데이터를 제어하기 위해 개발 중인 AI는 곧 애플의 하드웨어 생태계와 경쟁할 수 있다. 우리는 다음과 같은 이유로 데이터 개인정보 보호를 고려해야 합니다.
AI가 스마트 홈 기기부터 헬스케어 애플리케이션까지 우리 삶의 모든 측면에 원활하게 스며들면서 AI 데이터 수집량이 기하급수적으로 늘어나고 있습니다.
우리는 개인화된 콘텐츠를 생성하는 AI의 능력(예: LLM 사용)과 이 능력에 대한 사용자의 믿음이 변곡점에 접근하고 있습니다. 사용자들이 진정으로 개인화된 경험과 제품을 더 자주 그리고 대규모로 제공하기 위해 점점 더 AI로 전환함에 따라 데이터가 AI와 공유되는 속도가 급격히 증가할 것입니다.
따라서 데이터 개인 정보 보호는 AI 시스템에 대한 사용자 신뢰를 구축하고 개발자가 무단 액세스, 신원 도용 및 조작과 같은 데이터 오용을 방지할 수 있도록 하는 데 중요합니다.
영지식 증명(zk-SNARK) 및 완전 동형 암호화(FHE)와 같은 Web3 기술을 통해 개인은 암호화된 상호 작용을 활성화하고 민감한 정보가 사용자의 손에 유지되도록 보장함으로써 자신의 데이터를 실제로 소유/제어할 수 있습니다.
최근 인공 지능에 대한 미국 행정 명령에서는 "개인 정보 보호를 위한 암호화 도구 등 개인 정보 보호 연구 및 기술 강화"의 중요성을 강조하고 대형 모델에 대한 보고 요구 사항을 도입했습니다. 이는 Web3 개인 정보 보호/원본 방법에 대한 규제 개방성이 증가하고 이러한 방법이 규정 준수 표준이 될 가능성도 있음을 의미합니다.
크라우드소싱된 ZK 지식 그래프 : 크라우드소싱된 영 지식 그래프를 통해 AI는 개인 데이터의 이점을 누릴 수 있습니다. 특히, 공개 데이터를 포함하는 "공개" 노드와 암호화된 데이터를 포함하는 "개인" 노드를 갖게 됩니다. 모델은 노드 간의 논리적 연결을 사용하여 지식 자체를 공개하지 않고 답변에 도달할 수 있습니다. 즉, 최종 답변에서 참조된 노드는 공개되지만 답변에 도달하는 데 사용된 노드는 공개일 필요는 없습니다.
이러한 그래프를 사용하면 실시간으로(예: 동적 지식 검색을 통해) 액세스하면 훈련된 모델에 데이터가 암시적으로 저장되는 것을 방지하므로 사용자 데이터를 더 쉽게 삭제할 수 있습니다.
2. 출처
출처가 없으면 AI는 딥페이크 환경을 조성하고 개인/개인/독점 데이터를 자유롭게 사용할 수 있습니다. Web3를 사용하면 NFT, 기타 미디어 자산 및 모델에서 사용되는 데이터의 출처를 확인할 수 있어 많은 유망한 솔루션을 제공할 수 있습니다.
머신러닝(ML) AI 생성 콘텐츠 로열티를 추적합니다. 딥페이크 외에도 예술 분야에서 AIGC의 부상은 지적 재산권 및 로열티에 대한 고유한 문제를 제기합니다. 예를 들어, AIGC 시스템이 두 유명 아티스트의 노래 매시업을 생성하는 경우 아티스트에게 크레딧과 금전적 보상을 어떻게 분배해야 할까요? 이러한 할당을 결정하는 데 사용되는 기존 모델은 복잡성과 가변성을 고려할 때 AIGC에 점점 더 부적절해지고 있습니다.
머신러닝(ML) 추적성은 AIGC 작업의 원본 구성 요소를 식별하는 방법을 제공하며, AIGC가 생성되는 시점의 출처를 제어하는 것은 이러한 추적성을 활성화하는 데 중요합니다.
AIGC의 강력한 글로벌 결제 인프라가 없는 상황에서 이미 로열티 결제 메커니즘을 갖춘 YouTube와 같은 플랫폼은 이점을 가지며 자신의 힘/영향력을 더욱 중앙 집중화할 수 있는 기회를 갖게 됩니다.
AIGC의 창작을 민주화하고 아티스트에게 공정한 보상을 보장하려면 새로운 결제 시스템이 필요합니다. AIGC 모델과 기본적으로 통합된 블록체인 결제 네트워크를 통해 첫날부터 즉각적인 글로벌 결제가 가능합니다. 그런 다음 머신러닝(ML) 추적성과 블록체인을 다양한 플랫폼에 통합하여 YouTube와 같은 기존 플랫폼이 현재 가지고 있는 이점을 줄일 수 있습니다.
이 기술에 대한 투자는 로열티의 공정한 분배를 지원할 수 있으며 더 많은 창작자에게 기회를 열어 AIGC 혁신을 촉진할 수도 있습니다.
AI 인센티브
AI 모델이 점점 더 자율적으로 행동함에 따라 우리는 AI 모델이 인간의 욕구에 따라 행동하도록 장려할 수 있는 시스템을 개발하기를 희망합니다.
자율 에이전트
자율 에이전트는 환경과 지능적으로 상호 작용(예: 실시간 데이터에 액세스하기 위한 도구 활용 및 API 호출 생성)하고 추론 및 의사 결정을 위해 알고리즘과 상호 작용하며 직접적인 인간 제어 없이 조치를 취할 수 있는 모델입니다. 목표 지향적인 행동을 보이고 경험을 통해 배울 수 있지만 매우 좁은 환경(예: 자율 주행)에서만 신뢰할 수 있습니다. AI 모델이 점점 정보 검색에서 사용자를 대신하여 작업을 수행하도록 인간 사용자가 검증할 수 있는 권한을 부여받은 자율 에이전트로 이동함에 따라 디지털 기본 통화를 사용하는 상거래의 채택이 증가할 가능성이 높습니다.
디지털 트윈 타겟팅 : ChatGPT와 같은 대화형 AI 모델이 정보 검색의 주요 소스가 될 것으로 예상되면서 전통적인 검색 기반 광고는 감소하고 있습니다. 이는 검색 엔진과 쿠키를 통한 기존 광고가 수익 감소에 직면해 있기 때문에 AdTech 업계에 도전 과제를 제기합니다.
쿠키가 아닌 이러한 개인 모델이 사용자 선호도를 이해하는 기본 단위라는 점을 시장이 깨닫기 시작하면서 광고주가 기존의 다른 모델에서 사용자 선호도를 클레임 수 있는 모델이 지배하기 시작할 수 있습니다. 이러한 모델을 사용하면 광고주는 암호화 방법을 통해 사용자 개인 정보를 유지하면서 이전에는 달성할 수 없었던 수준의 개인화를 달성할 수 있습니다.
이러한 상호 작용을 촉진하는 새로운 플랫폼은 Google 및 Apple과 같은 기존 소프트웨어 및 하드웨어 거대 기업을 우회할 가능성이 있습니다.
특히 사용자가 디지털 트윈을 생성하기로 결정하면 검색 기록, 현재 계정(예: Google, ChatGPT, Amazon), 하드 드라이브 등에 대한 액세스 권한을 부여합니다. 쌍둥이는 상호 작용하는 회사, 관심사 등을 포함하여 데이터에 대한 초기 요약을 개발하고 지속적으로 업데이트합니다.
그런 다음 사용자는 디지털 트윈이 데이터를 판매할 수 있는 방법과 대상에 대한 권한을 설정할 수 있습니다. 예를 들어, "내 광고 봇이 GPT-4, Meta AI 등과 대화하도록 합니다."라는 버튼을 상상해 보세요. 디지털 트윈은 광고주의 AI 모델과 자율적으로 상호 작용합니다. 광고주의 모델은 사용자의 신원을 알지 못해도 타겟팅할 가치가 있는지 여부를 결정합니다. 타겟팅되면 사용자는 다양한 형태(예: 텍스트, LLM과의 토론 등)로 광고를 받고 인센티브로 지급됩니다.
디지털 트윈 시장에서 거래에는 몇 줄의 코드만 필요하므로 암호화폐 결제 네트워크는 모델이 다른 모델과의 상호 작용을 보상할 수 있도록 하는 가장 쉬운 방법일 수 있습니다. 또한, 타겟 디지털 트윈이 광고주에게 최대의 가치를 제공할 수 있도록 인센티브를 설계해야 합니다. 따라서 광고주는 사용자 선호도를 나타내는 깨끗하고 정확한 데이터를 갖춘 디지털 트윈만을 타겟팅해야 합니다.
요약하다
AI와 Web3 기술의 결합은 AI 시스템에 대한 추론, 데이터 개인 정보 보호 및 인센티브를 혁신할 수 있는 잠재력을 가지고 있습니다. 블록체인 기반 솔루션은 안전하고 효율적인 거래와 데이터 처리를 촉진하는 동시에 인공 지능의 개발 및 적용을 향상시키기 위해 다양한 소스의 기여를 장려해야 합니다. 인공 지능과 암호화 간의 이러한 공생은 인공 지능 분야의 주요 과제를 해결하는 보다 강력하고 효율적이며 사용자 중심의 인공 지능 시스템을 만들 수 있는 잠재력을 가지고 있습니다.
