IOBC: 인공지능을 위한 Web3 + AI 커뮤니티 주권

아마도 Web3+AI로 구축되어야 할 것입니다.

"암호화폐 + AI 애플리케이션의 약속과 도전"에서 비탈릭은 AI와 암호화폐의 시너지 효과에 대해 이야기합니다: 암호화폐의 탈중앙화는 AI의 중앙화와 균형을 맞춘다; AI는 불투명하다; 암호화폐는 투명성을 가져온다; AI는 투명하지 않다. AI는 불투명하고, 암호화폐는 투명성을 제공하며, AI에는 데이터가 필요하고, 블록체인은 데이터 저장과 추적을 용이하게 합니다. 이러한 시너지 효과는 Web3+AI의 전체 산업적 그림을 관통합니다.

대부분의 Web3 + AI 프로젝트는 블록체인 기술을 사용하여 AI 산업에서 인프라 프로젝트를 구축하는 문제를 해결하고 있으며, 몇몇 프로젝트는 AI를 사용하여 Web3 애플리케이션의 특정 문제를 해결하고 있습니다.

Web3 + AI 산업의 그림은 대략 다음과 같습니다:

AI의 생산 및 워크플로는 대략 다음과 같습니다:

이 부문에서 Web3와 AI의 결합은 주로 네 가지 측면에서 반영됩니다:

지난 2년 동안 AI 모델 학습에 사용되는 연산 능력은 기하급수적으로 증가하여 기본적으로 매 분기마다 두 배씩 증가하며 무어의 법칙을 훨씬 뛰어넘는 속도로 성장하고 있습니다. 이러한 상황으로 인해 AI 컴퓨팅 파워의 수요와 공급이 장기적으로 불균형을 이루게 되었고, GPU와 같은 하드웨어의 가격이 급격히 상승하면서 컴퓨팅 파워의 비용도 상승했습니다.

그러나 동시에 시장에는 저가형 하드웨어도 많이 출시되어 저가형 하드웨어의 단일 컴퓨팅 파워에 대한 고성능 수요를 충족시키지 못할 수도 있습니다. 그러나 Web3 접근 방식을 통해 분산 연산 네트워크를 구축하고 연산 임대 및 공유 방식을 통해 분산 컴퓨팅 리소스 네트워크를 생성하면 여전히 많은 AI 애플리케이션의 요구를 충족할 수 있습니다. 분산 유휴 연산이 사용되기 때문에 AI 연산 비용을 크게 줄일 수 있습니다.

산술 계층 분석에는 다음이 포함됩니다:

범용 탈중앙화 연산(예: 아카시, Io.net 등);

AI 트레이닝을 위한 탈중앙화 연산(예: Gensyn, Flock.io 등);

AI 추론을 위한 탈중앙화 연산(예: Fetch.ai, Hyperbolic 등);

3D 렌더링을 위한 탈중앙화 연산(예: 렌더 네트워크 등).

Web3+AI의 산술 자산화의 핵심 장점은 탈중앙화 산술 프로젝트가 토큰 인센티브와 결합하여 네트워크 규모를 쉽게 확장할 수 있으며, 컴퓨팅 리소스 비용이 저렴하여 비용 효율적이며 일부 저사양 산술 요구를 충족한다는 것입니다.

데이터는 AI의 생명과도 같습니다. Web3에 의존하지 않으면 대개 대량의 사용자 데이터는 거대 기업에만 있고, 일반 스타트업은 광범위한 데이터에 접근하기 어렵고, AI 산업에서 사용자 데이터의 가치가 사용자에게 피드백되지 않습니다. Web3+AI를 사용하면 데이터 수집, 데이터 주석, 분산 데이터 저장 프로세스를 보다 비용 효율적이고 투명하며 사용자 친화적으로 만들 수 있습니다.

고품질 데이터 수집은 AI 모델 학습의 전제 조건이며, Web3를 통해 분산 네트워크와 적절한 토큰 인센티브 메커니즘, 크라우드소싱 수집 방법을 결합하여 고품질의 방대한 데이터를 저렴한 비용으로 확보할 수 있습니다.

프로젝트의 목적에 따라 데이터 기반 프로젝트는 주로 다음과 같은 범주로 나뉩니다:

데이터 수집 프로젝트(예: Grass 등);

데이터 거래 프로젝트(예: Ocean Protocol 등);

데이터 라벨링 프로젝트(예: 타이다, 알라야 등);

블록체인 데이터 피드 프로젝트(예: Spice AI, 스페이스 앤 타임 등);

탈중앙화 스토리지 프로젝트(예: Filecoin, Arweave 등).

데이터 기반 Web3+AI 프로젝트는 산술보다 데이터를 표준화하기가 더 어렵기 때문에 토큰 경제 모델을 설계하기가 더 어렵습니다.

대부분의 플랫폼 프로젝트는 AI 산업의 모든 종류의 자원을 통합하는 것을 핵심으로 허깅 페이스를 목표로 합니다. 플랫폼을 중심으로 데이터, 컴퓨팅 파워, 모델, AI 개발자, 블록체인 등 자원을 한데 모으고 역할을 연결하는 플랫폼을 구축하여 다양한 요구를 보다 편리하게 해결할 수 있도록 합니다. 예를 들어, 기자는 데이터 및 모델 블랙박스가 현재 AI의 공통적인 문제인 만큼 머신러닝 추론의 신뢰성과 투명성을 높이는 것을 목표로 zkML 종합 운영 플랫폼 구축에 주력하고 있으며, 모델의 추론이 제대로 실행되는지 검증하기 위해 Web3를 통해 ZK, FHE 등의 암호화 기술을 채택하는 것이 업계에서 조만간 요구될 것으로 예상하고 있습니다.

또한 뉴로블록, 잰션 등과 같이 포커스 AI를 수행하는 레이어1/레이어2도 있습니다. 핵심은 모든 종류의 컴퓨팅 파워, 데이터, 모델, AI 개발자, 노드 및 기타 리소스를 연결하고 공통 구성 요소와 공통 SDK를 패키징하여 Web3+AI 애플리케이션의 신속한 구축과 개발을 돕는 것입니다.

또한 Olas, ChainML 등과 같은 다양한 애플리케이션 시나리오에 맞게 AI 에이전트를 구축할 수 있는 에이전트 네트워크 플랫폼도 있습니다.

Web3+AI 플랫폼 프로젝트는 주로 토큰을 사용하여 플랫폼의 가치를 포착하고, 참여자들이 함께 플랫폼을 구축하도록 동기를 부여합니다. 0~1단계의 스타트업 프로젝트에 유용하며, 프로젝트 측에서 산술, 데이터, AI 개발자 커뮤니티, 노드 등 파트너를 찾는 데 있어 어려움을 줄일 수 있습니다.

이전의 인프라 프로젝트는 대부분 블록체인 기술을 사용하여 AI 산업의 인프라 구축 문제를 해결했습니다. 애플리케이션 레이어 프로젝트는 AI를 사용하여 웹3.0 애플리케이션의 문제를 해결하는 것입니다.

예를 들어, 비탈릭은 그의 글에서 두 가지 방향을 언급했는데, 이는 매우 의미 있는 일이라고 생각합니다.

하나는 Web3 참여자로서의 AI입니다. 예를 들어, Web3 게임에서 AI는 게임의 규칙을 빠르게 이해하고 게임 작업을 가장 효율적으로 완료할 수 있는 게임 플레이어 역할을 할 수 있고, DEX에서 AI는 수년 동안 차익거래에서 역할을 해왔으며, 예측 시장에서는 AI 에이전트가 대량의 데이터, 지식 기반 및 정보를 광범위하게 수용하여 모델 분석 및 예측 기능을 훈련하고 제품을 생산할 수 있습니다. 예측 시장에서는 AI 에이전트가 대량의 데이터, 지식 기반 및 정보를 받아 모델을 분석 및 예측하도록 훈련하고 사용자에게 상품으로 제공하여 모델 추론을 통해 스포츠 이벤트 및 대통령 선거와 같은 특정 이벤트에 대한 예측을 할 수 있도록 도와줍니다.

두 번째는 확장 가능한 탈중앙화 프라이빗 AI를 만드는 것입니다. 많은 사용자가 AI의 블랙박스 특성, 시스템의 편향성, AI 기술을 통해 사용자를 속여 이익을 얻는 특정 디앱의 존재에 대해 우려하고 있기 때문입니다. 이는 기본적으로 사용자가 AI의 모델 학습 및 추론 프로세스에 대한 검열 및 거버넌스를 갖지 못하기 때문입니다. 그러나 Web3 프로젝트와 같이 Web3 AI가 만들어지면 커뮤니티가 이 AI에 대한 분산 거버넌스를 갖는 것이 더 수용 가능할 수 있습니다.

현재로서는 Web3+AI 애플리케이션 계층에서 높은 천장을 가진 백마 프로젝트는 없습니다.

Web3 + AI는 아직 초기 단계이며, 업계에서는 이 트랙의 발전 전망에 대해 의견이 분분하지만, 저희는 계속해서 이 트랙에 주목할 것입니다. Web3와 AI의 결합이 중앙집중식 AI보다 더 가치 있는 제품을 만들어 AI가 '거대 통제'와 '독점'이라는 꼬리표를 떼고 커뮤니티 기반 방식으로 '공동 통치'할 수 있기를 바랍니다. "AI는 커뮤니티가 아니라 커뮤니티입니다. 아마도 더 긴밀한 참여와 거버넌스의 과정에서 인간은 AI에 대한 '경외감'을 더 많이 느끼고 '두려움'은 덜 느끼게 될 것입니다.