이 기사의 출처: https://www.caseycaruso.com/thoughts/decentralized-ai
컴파일: https://twitter.com/BTCdayu
암호화폐와 인공지능의 교차점에서 제가 흥미롭게 발견한 카테고리는 다음과 같습니다.
저는 개방성이 혁신을 가져온다고 믿습니다. 최근 몇 년 동안 인공 지능은 틈을 넘어 글로벌 유용성과 영향력을 발휘했습니다. 자원이 통합될수록 컴퓨팅 파워가 높아지기 때문에 인공지능은 자연스럽게 중앙집중화를 촉진하게 되고, 컴퓨팅 파워가 높은 쪽이 점차 우세하게 될 것입니다. 이는 우리의 혁신 속도에 리스크 초래합니다. 저는 탈중앙화 와 Web3가 AI를 개방적으로 유지하는 강력한 경쟁자라고 믿습니다.
이 목록과 샘플 회사는 매일 변경됩니다. 이것을 사실의 출처가 아니라 시간에 따른 스냅샷으로 간주하십시오. 내가 몇몇 회사를 놓쳤거나 내가 틀렸다고 생각한다면 트위터로 메시지를 보내주세요. 토론하고 싶습니다.
사전 훈련 + 미세 조정을 위한 탈중앙화 컴퓨팅
크라우드소싱 컴퓨팅(CPU + GPU)
주장: airbnb/uber 크라우드소싱 리소스 모델은 컴퓨팅으로 확장하고 대체 컴퓨팅을 시장에 통합할 수 있는 잠재력을 가지고 있습니다. 이를 통해 해결할 수 있는 문제: 1) 일부 다운타임/지연을 처리할 수 있는 특정 사용 사례에 대한 저렴한 컴퓨팅, 2) 향후 규제/검열될 수 있는 훈련 모델을 위한 검열 저항 컴퓨팅.
이의: 크라우드소싱 컴퓨팅은 규모의 경제를 달성할 수 없습니다. 대부분의 고성능 GPU는 소비자가 소유하지 않습니다. 탈중앙화 컴퓨팅은 완전한 역설입니다. 실제로는 고성능 컴퓨팅과 정반대입니다. 인프라/ 머신러닝(ML) 엔지니어에게 문의하세요!
예시 프로젝트: Akash, Render, io.net, Ritual, Hyperbolic, Gensyn
탈중앙화 추론
분산된 방식으로 오픈 소스 모델에 대한 추론 실행
주장: 오픈 소스(OS) 모델은 어떤 면에서는 폐쇄 소스에 접근하고 있으며( 1 ) 채택되고 있습니다. 운영 체제 모델에 대한 추론을 실행하기 위해 대부분의 사람들은 개인 정보 보호 및 검열 문제를 야기하는 HuggingFace 또는 Replicate와 같은 중앙 집중식 서비스를 사용합니다. 한 가지 해결책은 탈중앙화 또는 분산형 공급자를 통해 추론을 실행하는 것입니다.
이의: 지역적 추론이 승리할 것이기 때문에 추론을 분산시킬 필요가 없습니다. 이제 7b+ 매개변수 모델 추론을 처리할 수 있는 전용 칩을 사용할 수 있습니다. 엣지 컴퓨팅은 개인 정보 보호 및 검열에 대한 솔루션입니다.
예시 프로젝트: Ritual, gpt4all(호스팅), Ollama(web2), Edgellama(Web3, P2P Ollama), Petals
온체인 인공지능 에이전트
머신러닝(ML) 활용한 온체인 애플리케이션
주장: AI 에이전트(AI를 사용하는 애플리케이션)는 트랜잭션을 수행하기 위해 조정 계층이 필요합니다. AI 에이전트가 결제에 암호화폐를 사용하는 것은 본질적으로 디지털이며 에이전트가 은행 계좌를 개설하기 위해 KYC를 거칠 수 없기 때문에 합리적일 수 있습니다. 탈중앙화 AI 에이전트에는 플랫폼 리스크 없습니다. 예를 들어, OpenAI는 무작위로 ChatGPT 플러그인 아키텍처를 변경하기로 결정했고 이로 인해 내 Talk2Books 플러그인이 예고 없이 중단되었습니다. 실화. 온체인 구축된 에이전트에는 동일한 플랫폼 리스크 없습니다.
단점: 에이전트가 프로덕션 준비가 전혀 되어 있지 않습니다. BabyAGI, AutoGPT 등은 모두 장난감이에요! 또한 결제의 경우 AI 에이전트를 생성하는 주체는 암호화된 결제 없이 Stripe API만 사용하면 됩니다. 플랫폼 리스크 주장에 관해서는, 이것은 아직 우리가 본 적이 없는 낡은 암호화폐 사용 사례입니다. 이번에는 왜 다른가요?
예시 프로젝트: AI Arena , MyShell, Operator.io, Fetch.ai
데이터 및 모델 소스
데이터와 머신러닝(ML) 모델을 자체 관리하여 생성된 가치를 수집하세요.
주장: 데이터는 데이터를 수집한 회사가 아니라 데이터를 생성한 사용자가 소유해야 합니다. 데이터는 디지털 시대의 가장 귀중한 자원이지만, 거대 기술 기업이 독점하고 있으며 금융이 취약합니다. 초개인화된 웹이 다가오고 있으며 이식 가능한 데이터와 모델이 필요합니다. 암호화폐 지갑을 dapp에서 dapp으로 옮기는 것처럼 우리는 인터넷을 통해 한 애플리케이션에서 다른 애플리케이션으로 데이터와 모델을 이동할 것입니다. 데이터의 출처, 특히 사기의 깊이가 큰 문제인데, 바이든도 이를 인정한다. 블록체인 아키텍처는 데이터 출처 문제에 대한 최선의 솔루션일 수 있습니다.
단점: 아무도 자신의 데이터나 개인 정보 보호에 관심이 없습니다. 우리는 사용자 기본 설정을 통해 이러한 현상을 몇 번이고 확인합니다. 페이스북/인스타그램에서 등록 현황을 확인해보세요! 결국 사람들은 OpenAI의 ML 데이터를 신뢰하게 될 것입니다. 현실주의자가 되자.
토큰 인센티브 애플리케이션(예: 컴패니언 애플리케이션)
암호화 토큰 보상을 사용하는 Character.ai를 고려해보세요.
주장: 암호화폐 토큰 인센티브는 네트워크와 행동을 안내하는 데 매우 효과적입니다. 우리는 이 메커니즘을 활용하는 AI 중심 애플리케이션을 보게 될 것입니다. 매력적인 시장 중 하나는 AI 동반자일 수 있으며, 우리는 이 시장이 수조 달러 규모의 AI 기반 시장이 될 것이라고 믿습니다. 2022년에 미국은 애완동물에 1,300억 달러 이상을 지출할 것이며 AI 동반자는 애완동물 2.0입니다. 우리는 AI 동반 애플리케이션이 PMF에 도달하고 Character.ai의 평균 세션 시간이 1시간을 초과하는 것을 보았습니다. 암호화폐 인센티브 플랫폼이 여기와 다른 AI 애플리케이션 분야에서 시장 점유율 차지하는 것은 놀라운 일이 아닙니다.
반론: 이는 암호화폐 투기 열풍의 연장일 뿐이며 지속적인 사용을 창출하지 못할 것입니다. 토큰은 웹 3.0의 CAC입니다. 우리는 Axie Infinity로부터 교훈을 얻지 못했나요?
예시 프로젝트: MyShell , Deva
토큰 인센티브 MLOps(예: 교육, RLHF, 추론)
암호화폐 토큰 보상이 포함된 ScaleAI를 고려해보세요
주장: 암호화 인센티브는 머신러닝(ML) 학습 워크플로 전반에 걸쳐 가중치 최적화, 미세 조정, RLHF(사람이 추가 미세 조정을 위해 모델의 출력을 판단함)와 같은 작업에 인센티브를 제공하는 데 사용될 수 있습니다.
단점: MLOps는 품질이 너무 중요하기 때문에 암호화폐 보상에 대한 나쁜 사용 사례입니다. 암호화 토큰은 엔트로피가 허용될 때 소비자 행동을 장려하는 데 능숙하지만 품질과 정확성이 중요한 경우 행동을 조정하는 데는 좋지 않습니다.
예시 프로젝트: BitTensor, Ritual
온체인 검증 가능성(ZKML)
어떤 모델이 온체인 효율적으로 실행되고 암호화폐 세계에 연결되는지 입증
주장: 온체인 모델 검증 가능성은 결합 가능성을 열어줍니다. 즉, DeFi와 암호화폐 전반에 걸쳐 결과를 활용할 수 있다는 의미입니다. 지금으로부터 5년 후, 의사에게 가는 대신 의사 모델을 실행하는 에이전트가 있을 때, 우리는 그들의 지식과 진단에 사용된 모델을 정확하게 검증할 수 있는 방법이 필요할 것입니다. 모델 검증 가능성은 지적 평판과 유사합니다.
이의 제기: 누구도 어떤 모델이 실행되고 있는지 확인할 필요가 없습니다. 이것은 우리의 관심사 중 가장 작은 것입니다. 우리는 말 앞에 수레를 놓고 있습니다. 누구도 llama2를 실행하지 않으며 백그라운드에서 다른 모델을 실행하는 것에 대해 걱정하지 않습니다. 이것이 암호화폐(Zero Knowledge(ZK))가 해결하려고 하는 문제이며 ZK가 너무 많은 과대광고와 리스크 캐피탈을 얻은 결과입니다.
예시 프로젝트: Modulus Labs, UpShot, EZKL
