By @charlotte0211z, @BlazingKevin_, Metrics Ventures
비탈릭은 지난 1월 30일, 블록체인과 AI의 결합 방식과 그 과정에서 발생할 수 있는 잠재적 도전 과제에 대해 논의한 ' 암호화폐와 AI 애플리케이션의 약속과 과제 '를 발표했습니다. 이 기사가 게시된 후 한 달 동안 기사에서 언급한 NMR, 니어, WLD는 모두 좋은 상승세를 보이며 가치 발견의 한 라운드를 마무리했습니다. 이 글에서는 비탈릭이 제안한 네 가지 암호화폐와 AI의 결합 방식을 바탕으로 기존 AI 트랙의 세분화 방향을 살펴보고 각 방향의 대표 프로젝트를 간략히 소개합니다.
1 소개: 암호화폐와 AI를 결합하는 네 가지 방법
탈중앙화는 블록체인이 유지하는 합의이며, 보안을 보장하는 것이 핵심 아이디어이며, 오픈소스는 암호학적 관점에서 온체인 행동에 위의 특성을 부여하기 위한 핵심 기반입니다. 이러한 접근 방식은 지난 몇 년 동안 여러 차례의 블록체인 변화에 적용되어 왔지만, AI가 개입하면 상황이 조금 달라집니다.
AI를 통해 블록체인이나 애플리케이션의 아키텍처를 설계한다고 상상해보면, 모델을 오픈소스화할 필요가 있지만 그렇게 하면 적대적 머신러닝에 취약해지며, 반대로 탈중앙화된 특성을 잃게 됩니다. 따라서 현재 블록체인이나 애플리케이션에 AI를 추가할 때 어떤 방식과 깊이로 결합할지 고민할 필요가 있습니다.
출처: 이더리움 대학교
이더리움 대학교 의 '거인들이 충돌할 때: 암호화폐와 인공지능의 융합 탐구 '에서는 인공지능과 블록체인의 핵심 특성에 대한 차이점을 설명합니다. 위에서 살펴본 바와 같이 AI는 다음과 같은 특징이 있습니다:
중앙 집중식
낮은 투명성
에너지 소비
독점적
약한 수익화 특성
블록체인은 이 5가지 점에서 AI와 비교할 때 정반대입니다. AI와 블록체인을 결합할 경우 데이터 소유권, 투명성, 수익화, 에너지 비용 등의 상충 관계는 무엇이며, 이 둘을 효과적으로 결합하기 위해 어떤 인프라를 구축해야 하는지가 비탈릭의 글의 진정한 논점입니다.
비탈릭은 위의 가이드라인과 자신의 생각에 따라 AI와 블록체인을 결합한 애플리케이션을 4가지 범주로 분류했습니다:
게임 내 플레이어로서의 AI
게임의 인터페이스로서의 AI
게임의 규칙으로서의 AI
게임의 목적으로서의 AI
이 중 처음 세 가지는 주로 AI가 Crypto의 세계에 도입되는 세 가지 방법으로 얕은 수준에서 깊은 수준까지 세 가지 수준을 나타내며 저자의 이해에 따르면이 구분은 AI가 인간의 의사 결정에 미치는 영향의 정도를 나타내며 결과적으로 Crypto 전체에 다양한 수준의 시스템 위험을 도입합니다:
애플리케이션의 참여자로서의 AI: AI 자체는 인간의 의사 결정과 행동에 영향을 미치지 않으므로 실제 인간 세계에 위험을 초래하지 않으며, 따라서 현재 가장 높은 착륙도를 가지고 있습니다.
애플리케이션의 인터페이스로서의 인공지능: 인공지능은 인간의 의사 결정과 행동에 보조적인 정보나 도움을 제공하여 사용자와 개발자의 경험을 개선하고 문턱을 낮추지만 잘못된 정보나 조작은 현실 세계에 위험을 초래할 수 있습니다.
적용 규칙으로서의 인공지능: 인공지능은 인간을 완전히 대체하여 의사 결정과 운영을 완료할 수 있게 될 것이므로 인공지능의 악과 오작동은 현실 세계의 혼란으로 직접 이어질 것이며, 웹2이든 웹3이든 현재로서는 인공지능이 인간을 대체하여 의사 결정을 내리는 것을 신뢰할 수 없습니다.
마지막으로 네 번째 범주의 프로젝트는 암호화폐의 속성을 이용해 더 나은 AI를 만드는 것으로, 앞서 언급했듯이 중앙 집중화, 낮은 투명성, 에너지 소비, 독점, 약한 화폐 속성 등은 모두 암호화폐의 속성을 통해 자연스럽게 무력화될 수 있습니다. 많은 사람들이 AI 개발에 영향을 미칠 수 있는 암호화폐의 능력에 대해 회의적이지만, 탈중앙화의 힘을 통해 현실 세계에 영향을 미치는 것은 언제나 암호화폐의 가장 매력적인 이야기였으며, 이 트랙은 그 장대한 비전으로 인해 AI 트랙의 과대광고 중 가장 열띤 부분이 되었습니다.
2 참여자로서의 AI
AI 참여 메커니즘에서 인센티브의 궁극적인 원천은 프로토콜에 대한 인간의 입력에서 비롯됩니다. AI가 인터페이스나 규칙이 되기 전에, 우리는 종종 다양한 AI의 성능을 평가하여 AI가 메커니즘에 참여하고 궁극적으로 온체인 메커니즘을 통해 보상 또는 불이익을 받도록 해야 합니다.
사용자 및 전체 시스템에 대한 참여자로서의 AI의 위험성은 기본적으로 인터페이스와 규칙의 위험성에 비해 무시할 수 있으며, AI가 사용자의 결정과 행동에 깊은 영향을 미치기 시작하기 전에 필요한 단계라고 할 수 있으므로 이 수준에서 AI와 블록체인의 통합에 필요한 비용과 트레이드오프가 상대적으로 적고, 현재 V Shen이 높은 수준의 착륙 가능성을 가지고 있다고 생각하는 제품군이기도 합니다.
구현의 폭과 정도 면에서 현재 대부분의 AI 애플리케이션은 이 범주에 속하며, AI를 이용한 트레이딩 봇, 챗봇 등이 이에 속합니다. 현재의 착륙성은 아직 인터페이스나 규칙으로서 AI의 역할을 달성하기 매우 어렵고, 사용자는 여러 봇을 비교하고 점차적으로 최적화하고 있으며, 암호화폐 사용자는 아직 AI 애플리케이션 사용의 행동 습관을 개발하지 못했습니다. V God의 글에서 자율 에이전트도 이 범주에 속합니다.
그러나 좁고 장기적인 관점에서는 AI 애플리케이션 또는 AI 에이전트를 더 미묘하게 구분하는 경향이 있으므로 이 범주에서 대표적이라고 생각되는 세그먼트는 다음과 같습니다:
2.1 AI 게임
플레이어가 AI와 상호 작용하고 AI 캐릭터를 훈련시켜 개인의 취향에 더 잘 맞거나 게임 메커니즘에서 더 전투적이고 경쟁적인 등 개인의 필요에 더 부합하도록 만드는 모든 AI 게임을 이 카테고리로 분류할 수 있습니다. 게임은 AI가 현실 세계로 진출하기 전의 과도기적 단계로, AI 아레나, 에셜론 프라임, 알터드 스테이트 머신과 같은 대표적인 프로젝트가 있는 등 일반 사용자가 가장 쉽게 이해할 수 있고 연착륙 위험이 낮은 분야이기도 합니다.
AI 아레나: AI 아레나는 플레이어가 AI를 통해 학습하고 훈련하여 게임 캐릭터를 진화시킬 수 있는 PVP 격투 게임으로, 이러한 게임 형태를 통해 더 많은 일반 사용자가 AI에 접근하고 이해하고 경험할 수 있는 동시에 AI 엔지니어가 AI 아레나를 기반으로 다양한 AI 알고리즘을 제공하여 수익을 높일 수 있기를 희망하고 있습니다. 각 게임 캐릭터는 AI 지원 NFT로, 코어는 아키텍처와 파라미터의 두 부분을 포함한 AI 모델을 포함하는 핵심으로 IPFS에 저장되며, 새로운 NFT의 파라미터는 무작위로 생성되어 무작위 동작을 수행하며, 사용자는 모방 학습 (IL) 과정을 통해 캐릭터의 전략 능력을 향상시켜야하며, 사용자가 캐릭터를 훈련하고 진행 상황을 저장할 때마다 파라미터가 IPFS에서 업데이트됩니다.
변경된 상태 머신: ASM은 AI 게임이 아니라 AI 에이전트를 확증하고 거래하는 프로토콜로, 현재 FIFA를 포함한 여러 게임과 통합되어 게임과 메타 유니버스에 AI 에이전트를 도입하는 메타 유니버스 AI 프로토콜로 자리매김하고 있습니다.ASM은 NFT를 활용하여 AI 에이전트를 확증하고 거래하며, 각 에이전트는 다음과 같이 구성됩니다. 에이전트는 뇌(에이전트 자체의 특성), 기억(에이전트의 학습된 행동 전략을 저장하는 부분, 뇌와 연결된 모델 훈련), 형태(캐릭터의 외형 등)의 세 부분으로 구성됩니다. ASM에는 에이전트에 산술 지원을 제공할 수 있는 탈중앙화된 GPU 클라우드 제공자가 포함된 체육관 모듈이 있습니다. 현재 ASM을 기본 레이어로 사용하는 프로젝트에는 AIFA(AI 축구 게임), 무하메드 알리(AI 복싱 게임), AI 리그(FIFA를 이용한 길거리 축구 게임), Raicers(AI 기반 레이싱 게임), FLUF World's Thingies(Generative NFT).
패러렐 콜로니(PRIME): 에셜론 프라임은 플레이어가 기억과 삶의 경로를 기반으로 자율적인 행동을 생성하는 AI 아바타와 상호 작용하고 영향을 줄 수 있는 AI LLM 기반 게임인 패러렐 콜로니를 개발 중입니다. 가장 기대되는 AI 게임 중 하나이며, 최근 공식 백서가 공개되고 솔라나로의 이전이 발표되면서 PRIME은 또 한 번 상승세를 타고 있습니다.
2.2 예측 시장/경쟁 분야
예측 능력은 인공지능이 미래의 의사 결정과 행동을 하기 위한 기반이며, 실제 예측에 사용되기 전에 더 높은 수준에서 인공지능 모델의 성능을 비교하고 토큰을 통해 데이터 과학자 / 인공지능 모델에 인센티브를 제공하는 예측 대회는 다음과 같은 인센티브를 제공함으로써 전체적으로 Crypto x AI의 발전에 긍정적입니다. 더 효율적이고 성능이 뛰어나며 암호화폐 세계에 더 적합한 모델과 애플리케이션을 지속적으로 개발하여 AI가 의사 결정과 행동에 더 깊은 영향력을 행사하기 전에 더 나은 품질과 더 안전한 제품을 만들 수 있습니다. V-God의 말처럼 예측 시장은 다른 유형의 문제로 확장할 수 있는 강력한 원시 시장입니다. 이 트랙의 대표적인 프로젝트로는 Numerai와 Ocean Protocol이 있습니다.
누메라이: 누메라이는 데이터 과학자들이 과거 시장 데이터(누메라이에서 제공)를 기반으로 주식 시장을 예측하는 머신러닝 모델을 훈련하고, 그 모델과 NMR 토큰을 담보로 토너먼트에 참여하여 우수한 성적을 거둔 모델에 NMR 토큰을 인센티브로 지급하고, 부진한 모델의 담보 토큰은 폐기하는 데이터 과학 대회로, 오랫동안 운영되고 있는 프로젝트입니다. 2024년 3월 7일 현재 총 6,433개의 모델이 서약되었으며, 이 계약은 데이터 과학자들에게 총 $75,760,979의 인센티브를 제공합니다.Numerai는 전 세계 데이터 과학자들이 새로운 유형의 헤지 펀드를 구축하는 데 협력하도록 장려하고 있으며, 이미 Numerai One과 Numerai Supreme을 포함한 펀드가 출시되었습니다.Numerai의 패스웨이 시장 예측 콘테스트 → 크라우드소싱 예측 모델 → 크라우드소싱 모델에 기반한 새로운 헤지펀드.
오션 프로토콜: 오션 프레딕투어는 암호화폐 움직임에 대한 크라우드소싱 예측을 시작으로 예측에 집중하고 있습니다. 플레이어는 프레딕터 봇 또는 트레이더 봇을 실행하도록 선택할 수 있으며, 프레딕터 봇은 AI 모델을 사용하여 다음 시점(예: 지금부터 5분 후)의 암호화폐(예: BTC/USDT) 가격을 예측하고 일정 금액의 $OCEAN을 약정하면 프로토콜은 약정 금액에 따라 가중치가 부여된 글로벌 예측을 계산하고 트레이더는 예측을 구매합니다. 트레이더는 예측을 구매하고 이를 기반으로 거래할 수 있으며, 예측 결과가 더 정확할 때 트레이더는 이익을 얻을 수 있으며, 예측이 잘못된 프레딕투어는 몰수되고 정확한 예측을 한 사람은 이 부분의 토큰과 트레이더의 구매 수수료로 보상을 받게 된다.3월 2일 오션 프레딕투어는 언론에 최신 방향을 발표했다. --날씨, 에너지 등에 대한 실제 예측을 탐구하기 시작하는 월드 와이드 모델(WWM)을 발표했습니다.
3 인터페이스로서의 AI
AI는 간단하고 이해하기 쉬운 언어로 사용자가 무슨 일이 일어나고 있는지 이해할 수 있도록 돕고, 암호화폐 세계에서 사용자의 멘토 역할을 하며, 가능한 위험에 대한 힌트를 제공하여 암호화폐 사용과 사용자 위험의 문턱을 낮추고 사용자 경험을 개선할 수 있습니다. 구체적으로 달성 가능한 제품은 지갑 상호 작용 중 위험 팁, AI 기반 의도적 거래, 일반 사용자의 암호화폐 질문에 답변할 수 있는 AI 챗봇 등 다양한 기능을 갖추고 있습니다. 대상을 확장하면 일반 사용자뿐만 아니라 개발자, 애널리스트 등 거의 모든 그룹이 AI의 서비스를 받게 될 것입니다.
이러한 프로젝트의 공통점을 다시 한 번 말씀드리자면, 아직 특정 의사 결정과 행동을 수행하는 데 있어 인간을 대체하는 것이 아니라 AI 모델을 사용하여 인간에게 의사 결정과 행동을 지원하는 정보와 도구를 제공한다는 것입니다. 이 단계부터 잘못된 정보를 제공하여 인간의 최종 판단을 방해할 수 있는 AI의 위험성이 시스템에 노출되기 시작했으며, 이는 V-God의 기사에서도 자세히 분석된 바 있습니다.
이 카테고리로 분류할 수 있는 프로젝트는 인공지능 챗봇, 인공지능 스마트 컨트랙트 감사, 인공지능 코드 작성, 인공지능 트레이딩 봇 등 더 많고 다양하며, 현재 대부분의 인공지능 애플리케이션이 이 카테고리의 기본 단계에 있다고 할 수 있으며 대표적인 프로젝트로는 다음과 같은 것들이 있습니다:
PaaL: PaaL은 암호화폐 관련 지식으로 훈련된 ChatGPT라고 할 수 있는 AI 챗봇의 대표 프로젝트로, TG와 디스코드의 통합을 통해 사용자에게 토큰 데이터 분석, 토큰 기초 및 토큰 경제 분석, 텍스트 생성 및 기타 기능을 제공할 수 있으며, 그룹 채팅에 PaaL Bot을 통합하여 일부 메시지에 자동으로 답장할 수 있습니다. PaaL은 맞춤형 개인 봇을 지원하며, 사용자는 데이터 세트를 공급하여 자신만의 AI 지식 기반과 맞춤형 봇을 구축할 수 있습니다.2월 29일에 AI 트레이딩 봇으로 나아가고 있는 PaaL은 AI 스마트 계약 감사가 가능한 AI 지원 암호화폐 리서치 및 거래 엔드포인트 PaalX를 발표했습니다, 트위터 기반 뉴스 통합 및 거래, 암호화폐 리서치 및 거래 지원, AI 어시스턴트가 사용자의 문턱을 낮출 수 있다고 합니다.
ChainGPT: 챗봇, NFT 생성기, 뉴스 수집, 스마트 컨트랙트 생성 및 감사, 거래 도우미, 프롬프트 마켓플레이스, AI 크로스체인 거래소 등 일련의 암호화폐 도구를 개발하기 위해 AI를 활용하고 있습니다. 그러나 현재 ChainGPT는 프로젝트 인큐베이션과 런치패드에 중점을 두고 있으며, 지금까지 24개의 프로젝트 IDO와 4개의 무료 경품이 완료되었습니다.
아캄: 울트라는 아캄의 전용 AI 엔진으로, 암호화폐 산업의 투명성을 개선하기 위해 주소를 실제 실체와 알고리즘적으로 일치시키는 사용 사례를 가지고 있으며, 울트라는 사용자가 제공한 데이터와 자체적으로 수집한 온체인 및 오프체인 데이터를 기반으로 하며, 이는 궁극적으로 그래프로 표시되는 확장 가능한 데이터베이스에 병합 및 내보낼 수 있습니다. 그러나 울트라 시스템은 아캄의 문서에서 자세히 설명되어 있지 않습니다. 이번 아캄 라운드는 지난 30일 동안 5배가 증가한 OpenAI 설립자 샘 알트먼의 개인 투자로 인해 주목을 받았습니다.
그래프링크( GraphLinq ): 그래프링크는 사용자가 프로그래밍 없이도 코인게코의 비트코인 가격을 5분마다 TG 봇에 푸시하는 등 다양한 유형의 자동화 기능을 배포하고 관리할 수 있도록 설계된 자동화 프로세스 관리 솔루션으로, 그래프링크의 솔루션은 자동화된 프로세스를 그래프에서 시각화하여 사용자가 다음을 수행할 수 있도록 합니다. 노드를 드래그 앤 드롭하여 자동화 작업을 생성하고 GraphLinq 엔진을 사용하여 실행합니다. 코드가 필요하지 않지만 그래프를 만드는 과정에는 올바른 템플릿을 선택하고, 수백 개의 로직 블록 중에서 적합한 것을 골라 연결해야 하는 등 일반 사용자에게는 여전히 일정한 문턱이 존재합니다. 따라서 GraphLinq는 대화형 AI와 자연어를 사용해 사용자가 자동화된 작업을 구축하고 관리할 수 있도록 AI를 도입하고 있습니다.
0x0.ai: 0x0은 AI 스마트 컨트랙트 감사, AI 안티 러그 감지, AI 개발자 센터 등 세 가지 주요 AI 관련 사업을 진행하고 있습니다. 이 중 AI 안티 러그 감지는 과세나 유동성 빼돌리기 등 의심스러운 행동을 감지하여 사용자가 사기를 당하는 것을 방지하고, AI 개발자 센터는 머신러닝 기술을 사용하여 스마트 컨트랙트를 생성하고 노코드 배포를 가능하게 합니다. 그러나 현재 초기 AI 스마트 컨트랙트 감사 기능만 실행 중이며, 나머지 두 기능은 아직 개발되지 않았습니다.
지그날리: 2018년 탄생한 지그날리는 카피 트레이딩의 논리와 유사하게 개인 투자자가 직접 펀드 매니저를 선택해 암호화폐 자산을 관리할 수 있도록 하는 것을 목표로 하고 있으며, 머신러닝과 AI 기술을 활용해 펀드 매니저에 대한 체계적인 평가 시스템을 구축, 현재 첫 번째 상품으로 Z-. Score를 출시했지만, 아직 AI 상품으로는 비교적 후발주자입니다.
4 게임 체인저로서의 AI
가장 흥미로운 부분은 AI가 의사 결정과 행동에서 인간을 대체할 수 있게 되면, AI가 지갑을 직접 관리하고 사용자를 대신해 거래 결정과 행동을 하게 된다는 것입니다. 이 분류에 따르면 AI 애플리케이션(특히 AI 자동 트레이딩 봇, AI DeFi 이득 봇과 같은 자율적 의사결정의 비전을 가진 애플리케이션), 자율 에이전트 프로토콜, zkml/opml의 세 가지 주요 계층이 있다고 생각합니다.
AI 애플리케이션은 한 영역의 문제에 대해 특정 결정을 내리기 위한 도구로, 다양한 세그먼트에서 지식과 데이터를 축적하고, 세분화된 문제에 맞는 AI 모델을 사용하여 결정을 수행합니다. 이 백서에서 AI 애플리케이션은 인터페이스와 규칙이라는 두 가지 범주로 동시에 분류되며, 개발 비전 측면에서 AI 애플리케이션은 독립적 인 의사 결정을위한 에이전트가되어야하지만 현재 AI 모델의 유효성이나 통합 AI의 보안 모두이 요구 사항을 충족 할 수 없으며 인터페이스가 약간 꺼려지는 경우에도 AI 애플리케이션은 매우 초기 단계에 있으며 구체적인 프로젝트는 이전 섹션에서 소개되었으며 다음과 같습니다. 구체적인 프로젝트는 이전 글에서 소개한 바 있으므로 여기서는 반복하지 않겠습니다.
자율 에이전트는 V God이 첫 번째 범주(참여자로서의 AI)에서 언급하고 있으며, 장기적인 비전 측면에서 본 논문에서는 세 번째 범주에 속하며, 자율 에이전트는 대량의 데이터와 알고리즘을 사용하여 인간의 사고와 의사 결정 과정을 시뮬레이션하고 다양한 작업과 상호 작용을 수행합니다. 이 백서에서는 에이전트의 통신 계층, 네트워크 계층 등의 인프라에 중점을 둡니다. 이러한 프로토콜은 에이전트의 속성을 정의하고 에이전트의 정체성, 통신 표준 및 통신 방법을 설정하며 여러 에이전트 애플리케이션을 연결하고 의사 결정 및 행동에서 협업할 수 있도록 합니다.
zkML/opML: 올바른 모델 추론 과정을 거쳤음을 보장하는 암호화 또는 경제성을 통해 신뢰성 있는 결과물을 제공합니다. 보안 문제는 출력을 생성하고 다양한 기능을 자동화하기 위해 입력에 의존하는 스마트 컨트랙트에 AI를 도입하는 데 치명적이며, AI가 오작동하여 잘못된 입력을 제공하면 전체 암호화 시스템에 심각한 시스템 위험을 초래하므로 zkML/opML과 다양한 잠재적 솔루션은 AI가 독립적으로 행동하고 결정을 내릴 수 있는 기반이 됩니다.
마지막으로, 이 세 가지가 운영 규칙으로서 AI의 세 가지 기본 수준을 형성합니다. zkML/opml은 프로토콜의 보안을 보장하는 가장 낮은 수준의 인프라 역할을 하고, 에이전트 프로토콜은 의사 결정과 행동에서 협업할 수 있는 에이전트 생태계를 구축하며, AI 애플리케이션과 특정 AI 에이전트는 주어진 도메인에서 지속적으로 기능을 개선하고 실제로 의사 결정과 행동을 취하게 됩니다.
4.1 자율 에이전트
스마트 컨트랙트에서 TG 봇, AI 에이전트에 이르기까지 암호화폐 세계는 더 많은 자동화와 더 낮은 사용자 문턱을 향해 나아가고 있습니다. 스마트 컨트랙트는 변조 방지 코드를 통해 기능을 자동화하지만 여전히 외부 트리거에 의존해야 깨어나고 자율적으로 또는 지속적으로 작동할 수 없으며, TG 봇은 사용자 문턱을 낮추고 사용자가 암호화폐 프론트 엔드와 직접 상호작용할 필요 없이 자연어를 통해 온체인 상호작용을 완료하지만 매우 간단하고 구체적인 작업만 수행할 수 있으며 여전히 사용자 의도 중심 거래를 실현할 수 없습니다. 반면, AI 에이전트는 어느 정도 독립적인 의사결정 능력을 가지고 있으며, 사용자의 자연어를 이해하고, 자율적으로 다른 에이전트와 온체인 도구를 찾아 결합하여 사용자가 지정한 목표를 완수합니다.
AI 에이전트는 암호화폐 제품 사용 경험을 획기적으로 개선하기 위해 노력하고 있으며, 블록체인은 특히 AI 에이전트가 보다 탈중앙화되고 투명하며 안전한 방식으로 운영되도록 도울 수 있습니다:
토큰을 통해 더 많은 개발자가 에이전트를 제공하도록 장려합니다.
에이전트 기반 과금 및 거래를 촉진하기 위한 NFT 검증
온체인 에이전트 신원 및 등록 메커니즘 제공
에이전트의 행동을 적시에 추적하고 책임질 수 있도록 변조 방지 에이전트 활동 로그 제공
이 트랙의 주요 프로젝트는 다음과 같습니다:
오토놀라스: 오토놀라스는 온체인 프로토콜을 통해 에이전트 및 관련 구성 요소의 자산 인증과 구성 가능성을 지원하여 코드 구성 요소, 에이전트, 서비스를 온체인에서 검색 및 재사용할 수 있도록 하고 개발자에게 금전적 보상을 제공합니다. 개발자가 완전한 에이전트 또는 구성 요소를 개발하면 코드를 체인에 등록하고 코드의 소유권을 나타내는 NFT를 획득하게 되며, 서비스 소유자는 여러 에이전트를 통합하여 서비스를 만들고 체인에 등록한 후 실제로 서비스를 수행할 에이전트 운영자를 유치하고 사용자는 비용을 지불하여 서비스를 이용하게 됩니다.
Fetch.ai: Fetch.ai는 AI 분야에서 강력한 팀 배경과 개발 경험을 보유하고 있으며 현재 AI 에이전트 트랙에 집중하고 있습니다. 프로토콜은 AI 에이전트, 에이전트버스, AI 엔진, 페치 네트워크의 네 가지 주요 계층으로 구성되며, AI 에이전트는 시스템의 핵심이고 나머지는 에이전트 서비스 구축을 지원하는 프레임워크 및 도구이며, 에이전트버스는 주로 AI 에이전트를 생성하고 등록하는 데 사용되는 서비스로서의 소프트웨어 플랫폼이며, AI 엔진의 목표는 이름을 읽어 AI 에이전트를 생성하고 등록하는 것입니다. 엔진은 사용자의 자연어 입력을 읽고 실행 가능한 문자로 변환하여 에이전트버스에 등록된 가장 적합한 AI 에이전트를 선택하여 작업을 수행하는 것을 목표로 합니다.Fetch Network는 프로토콜의 블록체인 계층이며, AI 에이전트는 다른 에이전트와 작업을 시작하기 전에 체인의 Almanac 계약에 등록되어 있어야 합니다. 협업 서비스. 오토놀라스는 현재 오프체인 에이전트 운영을 체인으로 가져와 암호화폐 세계에서의 에이전트 구축에 집중하고 있으며, Fetch.ai는 여행 예약, 일기 예보 등과 같은 웹2.0 세계에 초점을 맞추고 있다는 점에 주목할 필요가 있습니다.
델리시움: 델리시움은 게임에서 AI 에이전트 프로토콜로 전환하며, 통신 계층과 블록체인 계층의 두 가지 주요 계층으로 구성됩니다. 통신 계층은 델리시움의 백본으로, AI 에이전트 간의 빠르고 효율적인 통신을 가능하게 하는 안전하고 확장 가능한 인프라를 제공하며, 블록체인 계층은 에이전트를 인증하고 다음과 같은 변조 방지를 가능하게 합니다. 에이전트 행동에 대한 변조 방지 기록이 가능합니다. 구체적으로 통신 계층은 에이전트 간의 통합 통신 프로토콜을 설정하여 에이전트가 장벽 없이 공통 언어를 통해 서로 통신할 수 있는 표준화된 메시징 시스템을 채택하고, 사용자 및 다른 에이전트가 사용 가능한 에이전트를 빠르게 검색하고 연결할 수 있는 서비스 검색 프로토콜 및 API를 구축합니다.블록체인 계층은 크게 두 부분으로 구성됩니다. 크로니클 스마트 컨트랙트인 에이전트 ID는 합법적인 에이전트만 네트워크에 액세스할 수 있도록 하며, 크로니클은 에이전트가 내린 모든 중요한 결정과 행동에 대한 로그 저장소로 체인에 업로드된 후에는 변조할 수 없으며 에이전트 행동의 신뢰할 수 있는 추적을 보장합니다.
변경된 상태 머신: NFT를 통해 에이전트의 자산 인증 및 거래에 대한 표준을 설정했으며, 구체적인 분석은 파트 1에서 확인할 수 있습니다. ASM은 현재 주로 게임에 적용되고 있지만 기본 사양으로 다른 에이전트 영역으로 확장할 가능성도 있습니다.
모피어스: AI 에이전트 에코 네트워크를 구축하고 있는 모피어스 프로토콜은 코더, 컴퓨터 제공자, 커뮤니티 빌더, 자본의 네 가지 역할을 연결하는 것을 목표로 하며, 각각 네트워크에 AI 에이전트, 에이전트의 운영을 지원하는 연산, 프론트 엔드 및 개발 도구, 자금을 제공합니다. 산술을 제공하는 채굴자, stETH 서약자, 에이전트 또는 스마트 컨트랙트 개발 기여자, 커뮤니티 개발 기여자에게 인센티브를 제공하기 위해 공정 출시의 형태를 취합니다.
4.2 zkML/opML
영지식 증명은 현재 두 가지 주요 적용 방향이 있습니다:
훨씬 낮은 비용으로 계산이 올바르게 실행되었음을 온체인에서 증명하는 것(ZK-Rollup과 ZKP 크로스체인 브리지는 ZK의 이 기능을 활용하고 있습니다);
프라이버시 보존: 계산의 세부 사항을 알 필요 없이 계산이 올바르게 실행되었음을 증명할 수 있습니다.
마찬가지로 머신 러닝의 ZKP 애플리케이션도 두 가지 범주로 분류할 수 있습니다:
추론 검증: 즉, ZK 증명을 사용하면 AI 모델에 대한 계산 집약적인 추론 프로세스가 오프체인에서 올바르게 실행되었음을 저렴한 비용으로 온체인에서 증명할 수 있습니다.
프라이버시 보호: 데이터 프라이버시 보호는 크게 두 가지로 나눌 수 있는데, 하나는 공개적으로 사용 가능한 모델에서 비공개 데이터로 추론하는 경우로 ZKML을 사용하여 보호할 수 있고, 다른 하나는 모델 가중치와 같은 특정 정보를 숨기고 공개적으로 사용 가능한 입력으로 작동하고 출력을 도출하고자 하는 모델 프라이버시 보호입니다.
필자는 현재 크립토에서 더 중요한 것은 추론 검증이라고 생각하며, 여기서 추론 검증 시나리오에 대해 자세히 설명합니다. 참여자로서의 인공지능에서 세상의 규칙으로서의 인공지능으로, 우리는 인공지능을 체인 상의 프로세스의 일부로 만들고 싶지만, 인공지능 모델 추론의 계산 비용이 너무 높아 체인에서 직접 실행하기에는 무리가 있으며, 이 프로세스를 오프체인에 두는 것은 이 블랙박스에서 오는 신뢰 문제, 즉 인공지능 모델 러너가 다음과 같은 문제를 안고 살아야 함을 의미합니다. 내 입력을 조작했나요? 내가 추론을 위해 지정한 모델을 사용했는가? ML 모델을 ZK 회로로 변환함으로써 (1) 더 작은 모델을 온체인에 저장하고, 작은 zkML 모델을 스마트 컨트랙트에 저장하고, 직접 온체인으로 이동하여 불투명성 문제를 해결할 수 있습니다; (2) 추론을 오프체인에서 완료하고 동시에 ZK 증명을 생성하고 ZK 증명을 온체인에서 실행하여 추론 과정의 정확성을 증명하면 인프라는 두 가지 계약으로 구성될 것입니다. -마스터 컨트랙트(ML 모델을 사용하여 결과를 출력하는 컨트랙트)와 ZK 증명 검증 컨트랙트로 구성됩니다.
zkML은 매우 초기 단계에 있으며, ML 모델을 ZK 회로로 변환하는 기술적 문제와 매우 높은 계산 및 암호화 오버헤드 비용에 직면해 있습니다. 롤업의 개발 경로와 마찬가지로 opML은 경제적 관점에서 볼 때 대안적인 솔루션입니다. opML은 Arbitrum의 AnyTrust 가정을 사용하며, 이는 클레임당 적어도 하나의 정직한 노드가 있어 제출자 또는 검증자 중 적어도 하나가 정직하다는 것을 보장하는 것을 의미합니다. 그러나 opML은 추론 검증의 대안으로만 사용할 수 있으며 개인 정보 보호를 지원하지 않습니다.
현재 프로젝트들은 zkML의 인프라를 구축하고 그 응용을 모색하기 위해 노력하고 있으며, 암호화폐 사용자들에게 zkML의 중요한 역할을 명확히 보여주고 최종 가치가 막대한 비용을 상쇄한다는 것을 증명해야 하기 때문에 응용의 확립도 마찬가지로 중요합니다. 이러한 프로젝트 중 일부는 머신러닝 관련 ZK 기술 개발에 초점을 맞추고 있으며(예: 모듈러스 랩스), 다른 프로젝트는 보다 일반화된 ZK 인프라 구축으로, 관련 프로젝트에는 다음과 같은 것들이 있습니다:
모듈러스는 온체인 추론 프로세스에 AI를 적용하기 위해 zkML을 사용하고 있습니다. 모듈러스는 2월 27일에 zkML 증명자인 Remainder를 출시하여 동급 하드웨어에서 기존 AI 추론에 비해 180배의 효율성 향상을 달성했습니다. 또한, 모듈러스는 복잡한 시장 데이터를 수집하고, NFT 가격을 평가하고, ZK 증명을 통해 가격을 체인에 전송하는 업샷(Upshot), 싸우는 아바타가 플레이어가 훈련받은 아바타와 동일하다는 것을 증명하는 AI 아레나와 같은 여러 프로젝트와 파트너십을 맺고 zkML의 실제 사용 사례를 모색하고 있습니다.
리스크 제로는 모델을 체인에 올려놓고, 리스크 제로의 ZKVM에서 머신러닝 모델을 실행함으로써 모델과 관련된 정확한 계산이 올바르게 수행되었음을 증명할 수 있습니다.
잉고야마는 ZK 기술 분야에 대한 진입 장벽을 낮출 수 있는 ZK 기술 전용 하드웨어를 개발하고 있으며, zkML은 모델 훈련 과정에서도 잠재적으로 사용될 수 있습니다.
5 목표로서의 AI
앞의 세 가지 범주가 AI가 어떻게 크립토를 강화할 수 있는지에 더 중점을 두었다면, "목표로서의 AI"는 크립토가 어떻게 AI를 도울 수 있는지, 즉 더 효율적이고, 더 정확하며, 더 탈중앙화된 등 여러 기준을 포함해 더 나은 AI 모델과 제품을 만드는 데 크립토가 어떻게 사용될 수 있는지를 강조합니다.
AI는 데이터, 연산, 알고리즘의 세 가지 핵심으로 구성되며, 이러한 각 차원에서 암호화폐는 AI를 보다 효과적으로 향상시키기 위해 노력하고 있습니다:
데이터: 데이터는 모델 학습의 기초이며, 탈중앙화된 데이터 프로토콜은 개인이나 기업이 더 많은 개인 데이터를 제공하도록 장려하는 동시에 암호화를 사용하여 데이터 프라이버시를 보호하고 민감한 개인 데이터의 유출을 방지합니다.
산술: 탈중앙화된 산술 트랙은 현재 가장 인기 있는 AI 트랙으로, 이 프로토콜은 수요와 공급에 맞는 시장을 제공함으로써 모델 훈련 및 추론을 위한 롱테일 산술과 AI 기업의 매칭을 용이하게 합니다.
알고리즘: 암호 화폐의 알고리즘 강화는 탈중앙화 AI의 가장 핵심적인 측면이며, V God 기사의 "목표로서의 AI" 서술의 주요 내용이기도 합니다. 탈중앙화되고 신뢰할 수 있는 블랙박스 AI를 만들면 앞서 언급한 적대적 머신러닝 문제는 해결될 것이지만, 매우 높은 암호화 오버헤드와 같은 일련의 장애물에 직면하게 될 것입니다. 오버헤드 및 기타 여러 장애물에 직면하게 될 것입니다. 또한, "암호화 인센티브를 사용하여 더 나은 AI의 생산을 장려하는 것"은 완전한 암호화라는 토끼굴로 완전히 빠져들지 않고도 달성할 수 있습니다.
대기업의 데이터와 연산 능력의 독점으로 인해 모델 훈련 프로세스가 독점화되었고, 비공개 소스 모델은 대기업의 수익성의 핵심이 되었습니다. 인프라 관점에서 볼 때, 암호화폐는 경제적 수단을 통해 데이터와 연산의 탈중앙화 공급을 장려하는 동시에 암호화 방식을 통해 데이터 프라이버시를 보장함으로써 보다 투명하고 탈중앙화된 AI를 위한 탈중앙화 모델 학습에 동력을 불어넣고 있습니다.
5.1 탈중앙화 데이터 프로토콜
탈중앙화 데이터 프로토콜은 주로 데이터 크라우드 소싱의 형태로 진행되며, 기업이 모델 학습을 위해 데이터 세트나 데이터 서비스(예: 데이터 주석)를 제공하도록 사용자에게 인센티브를 제공하고 수요와 공급의 매칭을 촉진하기 위해 데이터 마켓플레이스를 개설하며, 일부 프로토콜은 사용자의 브라우징 데이터를 얻거나 사용자의 기기/대역폭을 활용하여 네트워크 데이터 크롤링을 완료하기 위해 DePIN 인센티브 프로토콜의 사용을 모색하고 있습니다. 크롤링.
오션 프로토콜: 데이터 인증 및 토큰화, 사용자는 코드 없이도 오션 프로토콜에서 데이터/알고리즘을 위한 NFT를 생성하고 해당 데이터 토큰을 생성하여 데이터 NFT에 대한 접근을 제어할 수 있습니다. 데이터 프라이버시를 위해 사용자는 데이터/알고리즘에 기반한 결과물만 얻을 수 있으며 전체 데이터는 다운로드할 수 없습니다.2017년에 데이터 마켓플레이스로 설립된 오션 프로토콜은 현재 붐을 타고 있는 인공지능의 흐름에 자연스럽게 편승하고 있습니다.
시네시스 원: 이 프로젝트는 솔라나의 Train2Earn 플랫폼으로, 사용자가 자연어와 데이터 라벨링으로 데이터를 제공함으로써 $SNS 보상을 받고, 사용자는 데이터를 제공하여 채굴을 지원하며, 이 데이터는 검증 후 저장 및 업로드되어 AI 기업이 학습 및 추론에 사용합니다. 구체적으로 마이너는 아키텍트/빌더/검증자 세 가지로 나뉘며, 아키텍트는 새로운 데이터 태스크를 생성하고, 빌더는 해당 데이터 태스크에 코퍼스를 제공하며, 검증자는 빌더가 제공한 데이터셋을 검증하는 역할을 담당합니다. 완성된 데이터 세트는 IPFS에 저장되며, 데이터 소스와 IPFS 주소는 체인에 저장되고, 동료들은 체인 아래의 데이터베이스에 저장되어 AI 회사(현재 Mind AI)에서 사용합니다.
Grass: AI를 위한 탈중앙화 데이터 레이어로 알려져 있으며, 본질적으로 AI 모델 학습을 위해 데이터를 얻는 탈중앙화 웹 크롤링 마켓플레이스입니다. 인터넷 사이트는 AI 학습 데이터의 중요한 소스이며 Twitter, Google, Reddit을 비롯한 많은 사이트의 데이터는 상당한 가치가 있지만 이러한 사이트는 지속적으로 데이터 크롤링에 제한을 두고 있으며, Grass는 개인 네트워크에서 사용하지 않는 대역폭을 활용하여 다른 IP 주소를 사용하여 공개 사이트의 데이터를 크롤링함으로써 데이터 차단 영향을 줄이고 AI 모델 학습에 사용할 수 있는 데이터의 초기 정리를 완료합니다. 초기 정리를 완료하고 AI 모델 훈련 회사 및 프로젝트의 데이터 소스가 됩니다. Grass는 현재 베타 테스트 중이며, 사용자는 잠재적인 에어드랍을 받을 수 있는 포인트를 대역폭으로 제공할 수 있습니다.
AIT 프로토콜: AIT 프로토콜은 개발자에게 모델 훈련을 위한 고품질 데이터 세트를 제공하기 위해 설계된 탈중앙화 데이터 주석 프로토콜로, Web3를 통해 전 세계 인력이 네트워크에 빠르게 액세스하고 데이터 주석에 대한 인센티브를 얻을 수 있으며, AIT의 데이터 과학자가 데이터에 사전 라벨을 지정한 다음 사용자가 추가 처리하고 데이터 과학자의 확인을 거친 후 품질 검사를 통과한 데이터는 개발자에게 제공됩니다.
위의 데이터 프로비저닝 및 데이터 라벨링 프로토콜 외에도 Filecoin, Arweave 등과 같은 탈중앙화된 스토리지와 같은 인프라가 구축되면 더욱 탈중앙화된 데이터 프로비저닝을 촉진하게 될 것입니다.
5.2 탈중앙화 연산
AI 시대, 산술의 중요성은 자명합니다, 엔비디아의 주가가 연일 최고치로 올랐을 뿐만 아니라, 암호화폐 세계에서 탈중앙화 산술은 AI 트랙 투기의 가장 열광적인 분야라고 할 수 있습니다 - 상위 200개 AI 프로젝트 중 탈중앙화 산술 프로젝트를 수행하는 11개의 시장 가치에서 5개 (Render/. 아카시/에이오즈 네트워크/골렘/노사나)가 있으며, 지난 몇 달 동안 높은 배수를 기록했습니다. 이제 막 시작한 소규모 프로젝트에서도 많은 탈중앙화 연산 플랫폼이 등장하고 있지만, 엔비디아 컨퍼런스의 물결과 함께 GPU와 연관될 때마다 빠르게 급등하고 있습니다.
트랙의 특성 관점에서 볼 때, 이 방향의 프로젝트의 기본 논리는 토큰 인센티브를 통해 유휴 산술 자원을 가진 사람이나 기업이 자원을 제공하고 결과적으로 사용 비용을 대폭 절감하고 산술의 수요와 공급 시장을 구축하는 등 매우 동질적이며, 현재 산술의 주요 공급은 데이터 센터, 채굴자 (특히 이더리움 전환 후 지분 증명), 소비자 등급 연산, 다른 프로젝트와의 파트너십을 통해 이루어집니다. 이 트랙은 동질적이지만, 선두 프로젝트가 높은 해자를 가지고 있으며, 프로젝트의 주요 경쟁 우위는 산술 자원, 산술 임대 가격, 산술 사용률 및 기타 기술적 우위에서 비롯됩니다. 이 트랙의 주요 프로젝트에는 아카시, 렌더, io.net, 젠신 등이 있습니다.
구체적인 사업 방향에 따라 프로젝트는 크게 AI 모델 추론과 AI 모델 트레이닝의 두 가지 범주로 나눌 수 있습니다. AI 모델 트레이닝은 추론보다 컴퓨팅 파워와 대역폭 요구량이 훨씬 높고, 분산 추론의 연착륙보다 더 어렵고, 모델 추론 시장이 빠르게 확대되고 있어 향후 예측 가능한 수익은 모델 트레이닝보다 훨씬 높을 것으로 예상되므로 추론 방향에 초점을 맞춘 프로젝트가 대다수(아카시, 렌더, 아이오넷 )이며, 선두주자는 젠슨(Gensyn)이라고 할 수 있습니다. 아카시와 렌더는 AI 컴퓨팅을 위한 것이 아니라 더 일찍 탄생했으며, 아카시는 처음에는 범용 컴퓨팅에 사용되었고 렌더는 주로 비디오 및 이미지 렌더링에 사용되었으며 io.net은 AI 컴퓨팅을 위해 특별히 설계되었지만 AI가 컴퓨팅 파워 수요를 한 단계 높인 이후 이들 프로젝트는 AI 쪽으로 기울어져 개발되고 있습니다.
가장 중요한 두 가지 경쟁 지표는 공급 측면(연산 자원)과 수요 측면(연산 활용도)에서 계속 나오고 있습니다. 282개의 GPU와 20,000개 이상의 CPU를 보유한 아카시는 160,000건의 대여를 완료했으며, GPU 네트워크의 50-70% 활용도를 보이고 있으며, 40,272개의 GPU와 5,958개의 CPU를 보유한 io.net은 이 트랙에서 좋은 수치를 보이고 있습니다. 또한 약 200개의 H100과 수천 개의 A100을 포함하여 Render의 4,318개의 GPU와 159개의 CPU, Filecoin의 1,024개의 GPU 라이선스를 보유하고 있으며 지금까지 151,879개의 유도를 완료했습니다. io.net은 매우 높은 에어드랍 기대치로 산술 자원을 유치하고 있으며 GPU 수가 빠르게 증가하고 있으며 토큰이 될 때까지 기다려야 할 것입니다. 렌더와 젠슨은 구체적인 데이터를 공개하지 않았습니다. 또한 많은 프로젝트들이 생태적 협력을 통해 수요와 공급 측면에서 경쟁력을 향상시키고 있습니다. 예를 들어 io.net은 리소스 보유량을 개선하기 위해 렌더와 파일코인의 산술을 채택했으며, 렌더는 컴퓨트 클라이언트 프로그램(RNP-004)을 구축하여 사용자가 컴퓨트 클라이언트를 통해 사용할 수 있는 리소스 수를 늘릴 수 있도록 했습니다 - io.net, io.net, io.net, io.net. -io.net, Nosana, FedMl, Beam을 통해 렌더의 연산 리소스에 간접적으로 액세스하여 렌더링 도메인에서 AI 컴퓨팅으로 빠르게 전환할 수 있습니다.
또한 산술 리소스를 가진 작업자가 계산 작업을 올바르게 수행했음을 증명하는 방법, 즉 탈중앙화 계산의 검증은 여전히 과제로 남아 있습니다. 젠슨은 확률론적 학습 증명, 그래프 기반 핀포인트 프로토콜, 인센티브 등을 통해 계산의 정확성을 보장하는 검증 계층을 구축하려고 시도하고 있습니다. 내부 고발자가 함께 계산을 확인하므로, 젠슨이 구축한 검증 메커니즘은 탈중앙화 훈련에 제공하는 산술적 지원 외에도 고유한 가치를 지니고 있습니다. 솔라나의 컴퓨팅 프로토콜인 플루언스는 연산 작업의 검증을 추가하여 개발자가 체인상의 공급자가 발행한 증명을 확인함으로써 애플리케이션이 예상대로 작동하고 있는지, 연산이 올바르게 수행되고 있는지 확인할 수 있도록 합니다. 그러나 현실은 여전히 '실행 가능성'이 '신뢰성'보다 더 중요하며, 컴퓨팅 플랫폼은 애초에 경쟁할 수 있는 충분한 성능을 갖춰야 합니다. 물론 좋은 검증 프로토콜의 경우 다른 플랫폼의 성능에 액세스하여 검증 및 프로토콜 레이어가 될 수 있는 옵션이 있습니다. 고유한 역할을 할 수 있습니다.
5.3 탈중앙화 모델
비탈릭이 설명한 궁극적인 시나리오(아래 그림 참조)와는 거리가 멀지만, 적대적 머신러닝 문제를 해결하기 위해 블록체인과 암호화를 통해 신뢰할 수 있는 블랙박스 AI를 구현하는 것은 아직 불가능하며 데이터 훈련부터 쿼리 출력까지 전체 AI 런타임을 암호화하는 것은 매우 큰 오버헤드입니다. 하지만 인센티브를 통해 더 나은 AI 모델을 만들려는 프로젝트가 진행 중인데, 우선 서로 다른 모델 간의 폐쇄적인 상태를 개방하여 모델 간의 상호 학습, 협업, 건전한 경쟁의 패턴을 만들고자 하는 프로젝트가 가장 대표적인 프로젝트 중 하나인 비텐서(Bittensor)가 있습니다.
비텐서: 비텐서는 서로 다른 인공지능 모델 간의 결합을 촉진하고 있지만, 비텐서 자체가 모델을 학습시키는 것이 아니라 주로 인공지능 추론을 위한 서비스를 제공한다는 점에 주목할 필요가 있으며, 비텐서의 32개 서브넷은 데이터 크롤링, 텍스트 생성, 텍스트2이미지 등과 같은 다양한 서비스 방향에 초점을 맞추고 있습니다. 서로 다른 방향에 속하는 인공지능 모델들이 서로 협업할 수 있습니다. 인센티브 메커니즘은 서브넷 내뿐만 아니라 서브넷 간의 경쟁을 촉진합니다. 현재 보상은 블록당 1 TAO, 하루 총 7200 TAO 토큰의 비율로 분배되며, SN0(루트 네트워크)의 64명의 검증자는 서브넷의 성과에 따라 서브넷 간 보상 할당 비율을 결정하고 서브 네트워크 검증자는 마이너의 작업을 평가하여 더 나은 성과를 내는 마이너 간의 할당 비율을 결정하게 됩니다. 할당 비율을 결정하여 더 나은 성능의 서비스와 더 나은 성능의 모델이 더 많은 인센티브를 받음으로써 시스템의 전반적인 추론 품질이 향상되도록 촉진합니다.
6 결론: MEME 과대광고인가, 기술 혁명인가?
ARKM과 WLD의 가격을 미치게 만드는 샘 알트만 운동부터 일련의 참여 프로젝트를 날리기 위한 엔비디아 컨퍼런스까지, 많은 사람들이 AI 트랙의 투자 철학을 조정하고 있으며, AI 트랙은 MEME 과대 광고 또는 기술 혁명일까요?
몇 가지 유명인 주제 (예 : ARKM 및 WLD)를 제외하고 AI 트랙은 전체적으로 "기술 내러티브가 지배하는 MEME"와 비슷합니다.
한편으로, Crypto AI 트랙의 전반적인 과대 광고는 Web2 AI의 발전과 밀접하게 연결되어 있어야 하며, OpenAI가 이끄는 외부 과대 광고는 Crypto AI 트랙의 트리거가 될 것입니다. 한편, AI 트랙의 이야기는 여전히 기술적 내러티브에 의해 지배되고 있으며, 물론 여기서는 '기술'보다는 '기술적 내러티브'를 강조하기 때문에 AI 트랙 세그먼트의 선택과 프로젝트 펀더멘털에 초점을 맞추는 것이 여전히 중요합니다. 과대 포장된 가치가 있는 내러티브 방향을 찾아야 하며, 중장기적인 경쟁력과 해자를 갖춘 프로젝트도 찾아야 합니다.
브이갓이 제안한 네 가지 유형의 조합 가능성에서 볼 수 있는 것은 내러티브의 매력과 착륙 가능성 사이의 상호 절충입니다. 인공지능 애플리케이션으로 대표되는 첫 번째와 두 번째 범주에서는 제품 연착륙이 빠르지만 비즈니스 동질화도 높은 GPT 래퍼가 많은 반면, 선점자 이점, 생태계, 사용자 수, 제품 매출은 동질적인 경쟁에서 이야기할 수 있는 스토리가 됩니다. 세 번째와 네 번째 카테고리는 에이전트 온 체인 협업 네트워크, zkML, 탈중앙화 재창조 AI와 같이 암호화폐와 결합된 AI의 원대한 이야기를 나타내며, 초기 단계에 있는 기술 혁신이 있는 프로젝트는 비록 초기 시연에 불과하더라도 빠르게 자금을 유치할 수 있습니다.
