ChatGPT 1주년 반성: AIGC의 병목 현상과 Web3의 기회

저자: 그리프시스 아카데미 출처: 매체 번역: 굿오바, 골든파이낸스

요약:

1. 제너레이티브 AI의 상업적 도입은 2022년 말까지 전 세계를 휩쓸었지만, 그 참신함이 사라지면서 현재 제너레이티브 AI의 몇 가지 문제점이 드러나고 있습니다. 점점 더 성숙해지는 웹3.0 공간은 블록체인의 투명성, 검증 가능성, 탈중앙화 특성을 활용하여 이러한 생성 AI 문제 해결에 새로운 관점을 제공합니다.

2. 제너레이티브 AI는 딥러닝 신경망 프레임워크에 기반한 최근 몇 년 동안 떠오르고 있는 기술입니다. 이미지 생성 모델과 ChatGPT 언어 모델에 적용되어 큰 상업적 잠재력을 보여주었습니다.

3. 웹3에서 제너레이티브 AI를 구현하기 위한 아키텍처에는 인프라, 모델, 애플리케이션, 데이터가 포함됩니다. 특히 데이터 구성 요소는 Web3와 통합될 때 매우 중요하며 엄청난 성장 잠재력을 가지고 있습니다. 특히 블록체인 기반 데이터 모델, AI 에이전트 프로젝트, 전문 분야의 애플리케이션이 향후 성장의 핵심 분야가 될 것으로 보입니다.

4. 현재 시장에 나와 있는 Web3 AI 프로토콜은 근본적인 결함이 있으며 토큰 가치를 포착하는 데 한계가 있습니다. 향후 토큰 이코노미에 새로운 트렌드나 업데이트가 있을 수 있습니다.

5. 제너레이티브 AI는 웹3.0 분야에서 큰 잠재력을 가지고 있으며 다른 소프트웨어 및 하드웨어 기술과의 통합은 향후 흥미로운 발전으로 이어질 것으로 예상됩니다.

I. 제너레이티브 AI와 Web3가 서로 필요한 이유는 무엇인가요?

2022년은 제너레이티브 AI의 분수령이 되는 해로, 그전까지는 주로 전문가를 위한 보조 수단으로만 활용되어 왔습니다. 하지만 DALL-E 2, Stable Diffusion, Imagen, Midjourney의 등장으로 상황이 크게 바뀌었습니다. 이러한 기술들은 인공 지능 생성 콘텐츠(AIGC)를 기술 트렌드의 최전선으로 밀어 올렸고 소셜 미디어에서 인기 있는 콘텐츠 열풍을 일으켰습니다. 얼마 지나지 않아 ChatGPT가 출시되면서 이러한 트렌드를 한 단계 더 끌어올린 게임 체인저가 되었습니다.

간단한 텍스트 입력만으로 거의 모든 질문에 답할 수 있는 최초의 AI 도구인 ChatGPT는 빠르게 많은 사람들의 일상적인 업무가 되었습니다. 문서 작성, 숙제 지원, 이메일 지원, 에세이 편집, 심지어 감정 상담까지 다양한 작업을 처리하는 능력은 '마법의 프롬프트'를 통한 결과 최적화에 대한 활발한 온라인 논쟁을 불러일으켰고, 사람들에게 AI의 '지능'에 대한 진정한 감각을 선사했습니다.

골드만삭스 매크로 팀의 보고서에 따르면 제너레이티브 AI가 미국의 노동 생산성을 높여 10년간 전 세계 GDP(또는 약 7조 달러)를 7% 높이고 생산성 성장률을 1.5%포인트 높일 수 있는 것으로 나타났습니다.

웹3 분야도 AIGC(인공지능 생성 콘텐츠)의 긍정적인 효과를 체감하고 있습니다. 2023년 1월 웹3의 AI 부문은 전반적으로 상승세를 보였습니다.

그러나 초기의 행복감이 사라지기 시작하면서 2023년 6월 ChatGPT의 글로벌 트래픽은 출시 이후 처음으로 감소했습니다(SametimeWeb의 데이터). 이러한 경기 침체는 제너레이티브 AI의 중요성과 한계에 대해 다시 생각해 볼 수 있는 시기적절한 기회입니다.

현재 제너레이티브 AI가 직면한 과제는 다음과 같습니다. 소셜 미디어 플랫폼에 넘쳐나는 비인가 및 추적 불가능한 AIGC의 만연, 비용 절감과 효율성 향상을 위해 OpenAI가 출력 품질을 낮추도록 강요하는 ChatGPT의 높은 유지보수 비용, 그리고 다음을 포함하되 이에 국한되지 않습니다. ChatGPT와 같은 글로벌 대규모 모델은 고르지 않은 데이터 분포로 인해 일부 측면에서 여전히 편향되어 있습니다.

ChatGPT와 같은 생성적 AI에 대한 초기 열기가 사라지면서, 성숙하고 성장하는 Web3 공간은 탈중앙화, 투명성 및 검증 가능성으로 생성적 AI의 주요 플레이어가 되었습니다. 검증 가능성, 제너레이티브 AI가 직면한 과제에 대한 새로운 솔루션 제공:

1. Web3의 투명성과 추적성은 AI 생성 콘텐츠와 관련된 저작권 및 개인정보 보호 문제를 해결할 수 있습니다

웹3의 투명성과 추적성은 저작권을 침해하는 틱톡 리믹스나 개인정보 침해 딥페이크 동영상 등 콘텐츠의 출처와 진위 여부를 효과적으로 검증함으로써 사기성 또는 저작권을 침해하는 AI 생성 콘텐츠의 제작 비용을 크게 줄일 수 있습니다. 콘텐츠 관리의 스마트 계약은 저작권 문제를 해결하고 크리에이터가 공정한 보상을 받을 수 있도록 보장합니다.

2. Web3의 탈중앙화는 중앙 집중식 AI 컴퓨팅의 위험을 줄입니다

제너레이티브 AI를 개발하려면 상당한 컴퓨팅 리소스가 필요합니다. 예를 들어, GPT-3 기반 ChatGPT를 훈련하는 데는 2백만 달러 이상의 비용과 하루에 약 4만 7천 달러의 전기료가 소요되며, 이러한 비용은 기술과 규모가 발전함에 따라 기하급수적으로 증가할 것으로 예상됩니다.

현재 컴퓨팅 리소스는 대기업에 집중되어 있어 개발, 유지보수, 운영 비용이 높고 중앙 집중화 위험이 있어 소규모 기업이 경쟁하기 어렵습니다. 대규모 모델의 훈련은 광범위한 계산 요구 사항으로 인해 여전히 중앙 집중화가 필요할 수 있지만, Web3의 블록체인 기술은 분산형 모델 추론, 커뮤니티 투표 거버넌스 및 모델 토큰화를 가능하게 합니다.

탈중앙화 거래소를 예로 들면, 커뮤니티가 대규모 모델을 소유하고 관리하는 커뮤니티 중심의 탈중앙화 AI 모델 추론 시스템을 상상할 수 있습니다.

3. Web3로 다양한 AI 데이터세트 및 해석 가능한 AI 모델 구현

기존의 데이터 수집 방식은 지리적, 문화적으로 제한적인 경우가 많아 AI가 생성한 콘텐츠와 대상 작업의 피부색 변경과 같은 주관적인 편견이 ChatGPT 응답으로 이어질 수 있습니다.Web3의 토큰 인센티브 모델은 데이터 수집을 최적화하여 전 세계에서 데이터를 수집하고 가중치를 부여합니다. 또한 Web3의 투명성과 추적성은 모델 해석 가능성을 향상시키고 다양한 결과물을 장려하여 모델을 풍부하게 합니다.

4. 대규모 Web3 온체인 데이터를 위한 고유한 AI 모델

AI 모델 설계 및 학습은 일반적으로 대상 데이터 형식(텍스트, 음성, 이미지 또는 비디오)을 중심으로 구축됩니다. AI와 Web3의 융합을 위한 독특한 미래 방향은 자연어 모델과 유사한 온체인 데이터를 위한 대규모 모델을 개발하는 것입니다.

이 접근 방식은 기존 데이터 분석(예: 스마트 머니 추적, 프로젝트 자금 흐름)으로는 얻을 수 없는 고유한 인사이트를 제공할 수 있으며, AI는 대량의 데이터를 동시에 처리할 수 있는 능력을 가지고 있습니다.

5. 웹3.0의 진입 장벽을 낮추는 촉매제로서의 생성형 인공지능

6. 왼쪽;">현재 웹3.0 프로젝트에 참여하려면 복잡한 온체인 개념과 지갑 운영에 대한 심층적인 이해가 필요하며, 이는 학습 비용과 오류 위험을 증가시킵니다. 반면, 웹2.0 앱은 '관성 원리'를 기반으로 설계되어 사용자가 쉽고 안전하게 시작할 수 있습니다.

제너레이티브 AI는 웹3에서 사용자와 프로토콜 사이에서 '지능형 비서' 역할을 수행하여 의도 중심 프로젝트를 지원함으로써 사용자 경험을 크게 향상시킬 수 있습니다.

II.

제너레이티브 인공지능 기술 요약

2.1 제너레이티브 인공지능의 기술적 배경

인공지능(AI) 개념은 1950년대에 제안된 이후 여러 번의 정점과 계곡을 거쳤으며 각각의 주요 기술 혁신이 새로운 물결을 일으켰습니다.

지난 10년간 새롭게 등장한 개념인 제너레이티브 AI는 인상적인 기술과 제품 성능으로 다양한 AI 연구 방향에서 두각을 나타내며 전 세계의 주목을 하루아침에 받고 있습니다. 본 백서에서는 제너레이티브 AI의 기술 아키텍처를 살펴보기 전에 제너레이티브 AI의 의미를 정의하고 최근 주목받고 있는 제너레이티브 AI의 핵심 기술을 간략히 살펴볼 필요가 있습니다.

제너레이티브 AI는 대화, 스토리, 이미지, 동영상, 음악 등 새로운 콘텐츠와 아이디어를 만드는 데 사용되는 AI의 한 유형입니다. 딥러닝 신경망 프레임워크를 기반으로 구축되며 많은 수의 매개변수가 포함된 대규모 데이터 세트를 사용하여 학습됩니다.

최근 주목받고 있는 생성형 AI 제품은 크게 텍스트 또는 스타일 입력에 기반한 이미지(동영상) 생성 제품과 텍스트 입력에 기반한 ChatGPT와 같은 제품 두 가지로 나눌 수 있습니다. 두 범주 모두 동일한 핵심 기술인 Transformer 아키텍처에 기반한 사전 학습된 대규모 언어 모델(LLM)에 의존합니다.

전자는 텍스트 입력과 확산 모델을 결합하여 고품질 이미지 또는 동영상을 생성하는 반면, 후자는 강화 학습과 인간 피드백(RLHF)을 사용하여 인간의 논리와 매우 유사한 결과물을 생성합니다.

2.2 제너레이티브 AI를 위한 최신 기술 아키텍처:

제너레이티브 AI가 기존 기술 아키텍처에 미치는 영향을 다양한 관점에서 논의하는 훌륭한 논문이 다수 있습니다. 예를 들어, A16z의 "누가 제너레이티브 AI 플랫폼을 소유하는가"라는 제목의 종합 기사는 제너레이티브 AI의 현재 기술 아키텍처에 대한 포괄적인 요약을 제공합니다.

이 연구에 따르면 현재 웹2 시대의 생성형 AI 아키텍처는 인프라(산술), 모델, 애플리케이션의 세 단계로 나뉜다. 이 기사에서는 이 세 가지 수준에서 현재 진행 중인 개발 현황에 대한 인사이트도 제공합니다.

인프라: 아직은 주로 Web2 인프라 로직에 초점을 맞추고 있으며, 실제로 Web3와 AI를 통합하는 프로젝트는 거의 없습니다. 이 단계에서는 인프라가 가장 큰 가치를 발휘합니다. 수십 년 동안 스토리지 및 컴퓨팅 분야에 종사해 온 거대 웹2.0 기업들은 AI의 탐색 단계에서 '삽질'을 통해 많은 돈을 벌고 있습니다.

모델: 이상적으로는 모델이 AI의 진정한 창조자이자 소유자가 되어야 합니다. 그러나 이러한 모델의 작성자가 적절한 비즈니스 가치를 포착할 수 있는 비즈니스 모델은 거의 없습니다.

앱: 여러 업종에서 개발된 앱은 수억 달러 이상의 수익을 창출했습니다. 그러나 높은 유지 관리 비용과 낮은 사용자 유지율로 인해 이러한 앱을 실행 가능한 장기 비즈니스 모델로 유지하는 데 어려움이 있습니다.

2.3 Web3의 생성형 AI

2.3.1 AI로 Web3의 방대한 데이터 분석

데이터는 미래 AI 개발을 위한 기술 장벽을 구축하는 초석입니다. 데이터의 중요성을 이해하기 위해 먼저 대규모 AI 모델의 성능 원천에 대한 연구를 살펴보겠습니다.

이 연구는 모델 크기가 특정 임계값을 초과할 때 모델 정확도가 갑자기 급증하는 대규모 AI 모델의 고유한 능력을 보여줍니다. 그림과 같이 각 그래프는 학습 작업을 나타내며, 각 선은 대규모 모델의 성능(정확도)을 나타냅니다.

다양한 대형 모델에 대한 실험 결과, 특정 임계값을 넘어서면 작업 전반에 걸쳐 모델 성능이 획기적으로 향상된다는 결론이 일관되게 도출되었습니다.

모델 크기의 양적 변화는 본질적으로 모델 성능의 질적 변화로 이어집니다. 이 크기는 모델 파라미터의 수, 학습 기간, 학습 데이터의 품질과 관련이 있습니다. 현재 모델 파라미터(각 회사의 최고 연구팀이 설계)와 훈련 기간(대부분의 컴퓨팅 하드웨어가 NVIDIA에서 제공됨)에 큰 차이가 없는 선도적인 제품을 개발하는 데는 크게 두 가지 경로가 있습니다.

첫 번째는 틈새 영역의 특정 문제점을 파악하고 해결하는 것으로, 대상 영역에 대한 깊은 이해와 인사이트가 필요합니다. 두 번째는 보다 실질적으로 경쟁사보다 더 포괄적인 데이터를 수집하는 것입니다.

이를 통해 웹3.0 영역에서 생성형 AI 대규모 모델을 위한 훌륭한 진입 지점이 열립니다. 기존의 AI 대규모 또는 기본 모델은 다양한 도메인의 방대한 양의 데이터로 학습되며, Web3에서 온체인 데이터의 고유성은 온체인 데이터 모델링을 흥미롭고 실행 가능한 길로 만들어줍니다.

웹3에는 현재 데이터 수준에서 두 가지 제품 로직이 있는데, 첫 번째는 데이터 제공자에게 인센티브를 제공하고 사용자가 개인정보와 소유권을 보호하면서 데이터에 대한 액세스를 공유하도록 장려하는 것입니다. 오션 프로토콜은 이와 관련하여 효과적인 데이터 공유 모델을 제공합니다. 두 번째 접근 방식은 데이터와 애플리케이션을 통합하여 사용자에게 작업별 서비스를 제공하는 프로젝트입니다. 예를 들어, 트러스타 랩은 사용자의 온체인 데이터를 수집 및 분석하고, 고유한 MEDIA 스코어링 시스템을 통해 마녀 계정 분석, 온체인 자산 위험 분석과 같은 서비스를 제공합니다.

2.3.2 Web3의 AI 에이전트

앞서 언급했듯이 온체인 AI 에이전트의 도입이 급성장하고 있습니다. 대규모 언어 모델을 활용하고 사용자 프라이버시를 우선시하는 이 에이전트는 정량화 가능한 온체인 서비스를 제공합니다. OpenAI의 수석 AI 연구원 릴리안 웡의 블로그 게시물에 따르면, AI 에이전트는 에이전트 = LLM(대규모 언어 모델) + 계획 + 메모리 + 도구 사용의 네 가지 부분으로 나눌 수 있습니다.

AI 에이전트의 핵심인 LLM은 외부 상호작용을 처리하고 대량의 데이터에서 학습하며 논리를 자연어로 표현합니다. 계획 + 기억 측면은 알파고를 학습시키는 데 사용된 강화 학습 기법의 행동, 전략, 보상 개념과 유사합니다.

과제를 작은 목표들로 세분화하고 반복적인 훈련과 피드백을 통해 최적의 해결책을 학습하여 기능에 따라 다양한 형태의 기억에 정보를 저장하는 것입니다. 도구 사용은 모듈형 도구, 인터넷 정보 검색, 독점 정보 소스 또는 API에 대한 액세스 등의 도구를 활용할 수 있는 능력을 말합니다. 특히 이러한 정보의 대부분은 사전 교육 후에는 수정하기 어렵습니다.

이런 AI 에이전트의 로직을 고려하면 Web3와 AI 에이전트의 조합에 대한 무한한 가능성을 상상할 수 있습니다. 예를 들어:

1. 현재 트레이딩 애플리케이션에서 AI 에이전트 모델을 통합하면 가격 예측, 트레이딩 전략, 손절 전략, 동적 레버리지 조정 등을 제공하는 자연어 인터페이스가 고객에게 제공될 수 있습니다, 지능형 오피니언 리더 팔로우, 대여 및 차입, 기타 다양한 트레이딩 기능을 제공합니다.

2. 퀀트 전략을 실행할 때 전략을 하위 작업으로 세분화하여 여러 AI 에이전트에게 할당하여 실행할 수 있습니다. 협업 AI 에이전트는 개인 정보 보호를 강화하고 실시간 모니터링을 통해 공격자의 악용을 방지할 수 있습니다.

3. 블록체인 기반 게임에서 많은 NPC는 자연스럽게 AI 에이전트와 연계됩니다. 이미 게임 캐릭터의 대화를 동적으로 생성하는 데 GPT를 적용한 프로젝트가 있습니다. 향후에는 사전 정의된 텍스트를 넘어 플레이어의 개입과 독립적으로 작동하는 더욱 사실적인 실시간 NPC(또는 디지털 인간)와의 상호작용을 구현할 수 있습니다. 스탠포드 대학교의 버추얼 타운이 이러한 애플리케이션의 좋은 예입니다.

4. 현재의 웹3+AI 에이전트 프로젝트는 아직 킬러 소비자 앱이 없는 1차 시장이나 AI 인프라에 집중되어 있지만, 판도를 바꿀 수 있는 웹3+AI 프로젝트의 잠재력은 매우 큽니다. 분산형 온체인 거버넌스, 영지식 증명 추론, 모델 배포, 해석 가능성 향상 등 다양한 블록체인 기능을 통합함으로써 이러한 프로젝트는 미래에 큰 가능성을 가지고 있습니다.

2.3.3 웹3+AI의 잠재적 수직적 응용

A. 교육 분야에서의 응용

교육 분야에서의 응용

웹3와 AI의 융합은 교육의 혁명을 예고하며, 제너레이티브 가상현실 교실이 주목할 만한 혁신입니다. 온라인 학습 플랫폼에 AI 기술을 도입하면 학생들은 개인화된 학습 경험을 할 수 있습니다. 이 시스템은 각 학생의 학습 이력과 관심사를 기반으로 맞춤형 교육 콘텐츠를 생성합니다. 이러한 개인화된 접근 방식은 학생의 동기 부여와 효율성을 개선하여 교육을 더욱 개인화할 수 있을 것으로 기대됩니다.

또한 토큰 기반 학점 인센티브는 교육 분야에서 혁신적인 사례로 꼽힙니다. 블록체인 기술을 사용하여 학생의 학점과 성적을 토큰으로 인코딩하여 디지털 학점 시스템을 구축할 수 있습니다. 이러한 인센티브 메커니즘은 학습 활동에 대한 적극적인 참여를 장려하고 보다 매력적이고 동기를 부여하는 학습 환경을 조성합니다.

최근 인기를 끌고 있는 소셜파이 프로젝트인 FriendTech에서 영감을 얻은 유사한 주요 가격 책정 로직을 적용하여 학생들 간의 동료 평가 시스템을 만들어 교육에 사회적 요소를 더할 수 있습니다. 블록체인의 위변조 방지 특성을 활용하면 동료 평가가 더욱 공정하고 투명해집니다. 이러한 동료 평가 메커니즘은 학생들의 팀워크 능력을 배양하는 데 도움이 될 뿐만 아니라 학생들의 성과를 보다 포괄적이고 다차원적으로 평가할 수 있어 교육 시스템에 다양하고 총체적인 평가 접근 방식을 도입할 수 있습니다.

B. 의료 분야에서의 활용

의료 분야에서는 Web3와 AI의 융합으로 연합 학습과 분산 추론이 발전하고 있습니다. 분산 컴퓨팅과 머신러닝을 결합함으로써 의료 전문가들은 대규모로 데이터를 공유하여 보다 심층적이고 포괄적인 그룹 학습을 수행할 수 있습니다. 이러한 집단 지성 접근 방식은 질병 진단과 치료 계획을 가속화하여 의학 분야를 발전시킬 수 있습니다.

개인정보 보호 또한 의료 애플리케이션의 중요한 측면입니다. Web3의 탈중앙화와 블록체인의 불변성을 통해 환자의 의료 데이터를 보다 안전하게 저장하고 전송할 수 있습니다. 스마트 컨트랙트는 의료 데이터의 정확한 제어와 권한 관리를 가능하게 하여 권한이 있는 사람만 민감한 환자 정보에 액세스할 수 있도록 보장함으로써 의료 데이터의 프라이버시를 유지합니다.

C. 보험 분야에서의 활용

보험 업계에서는 Web3와 AI의 통합을 통해 기존 업무에 보다 효율적이고 지능적인 솔루션을 제공할 수 있을 것으로 기대합니다. 예를 들어, 자동차 및 주택 보험에서 컴퓨터 비전 기술을 적용하면 보험사는 이미지 분석 및 평가를 통해 자산 가치와 위험 수준을 보다 효과적으로 평가할 수 있습니다. 이를 통해 보험사는 보다 정교하고 개인화된 가격 책정 전략을 수립하여 보험 업계의 리스크 관리를 개선할 수 있습니다.

한편 체인에서 자동화된 청구 처리는 보험 업계에서 혁신적인 발전을 이루고 있습니다. 스마트 컨트랙트와 블록체인 기술을 사용하면 보험금 청구 절차가 더욱 투명하고 효율적이 되어 관료주의와 사람의 개입 가능성을 줄일 수 있습니다. 이는 보험금 청구 프로세스의 속도를 높일 뿐만 아니라 운영 비용을 절감하고 보험사와 고객에게 더 나은 경험을 제공합니다.

동적 보험료 조정은 또 다른 혁신의 영역입니다. 보험사는 실시간 데이터 분석과 머신러닝 알고리즘을 통해 보험 가입자의 실제 위험 프로필에 따라 보험료를 보다 정확하고 적시에 조정하여 개인 맞춤형 보험료를 책정할 수 있습니다. 이러한 접근 방식은 보험료를 더 공정하게 책정할 뿐만 아니라 피보험자의 더 건강하고 안전한 행동을 장려하고 사회 전반의 위험 관리 및 예방 조치를 촉진합니다.

D. 저작권 영역에서의 적용

저작권 영역에서 Web3와 인공지능의 결합은 디지털 콘텐츠 제작, 관리 및 코드 개발을 위한 새로운 패러다임을 도입하고 있습니다. 스마트 컨트랙트와 탈중앙화된 저장소를 통해 디지털 콘텐츠의 저작권 정보를 더 잘 보호할 수 있으며, 제작자는 자신의 지적 재산을 더 쉽게 추적하고 관리할 수 있습니다. 또한 블록체인 기술은 창작물에 대한 투명하고 불변하는 기록을 생성하여 저작물을 추적하고 검증할 수 있는 보다 신뢰할 수 있는 수단을 제공할 수 있습니다.

작업 모델의 혁신은 저작권에도 큰 변화를 가져왔습니다. 토큰 인센티브 공동 작업은 작업 기여와 토큰 보상을 결합하여 크리에이터, 큐레이터, 개발자가 프로젝트에서 함께 작업하도록 장려합니다. 이는 크리에이티브 팀 간의 협업을 촉진할 뿐만 아니라 참여자들이 프로젝트의 성공으로부터 직접 혜택을 받을 수 있는 기회를 제공하여 더 훌륭한 작품으로 이어질 수 있도록 합니다.

다른 한편으로, 토큰을 저작권 증명으로 사용하면 수익 분배 모델이 재편됩니다. 스마트 컨트랙트에 의해 자동으로 실행되는 배당 메커니즘을 통해 저작물이 사용, 판매 또는 양도될 때 저작물의 모든 참여자는 실시간으로 자신의 몫을 받을 수 있습니다. 이러한 탈중앙화된 수익 분배 모델은 기존 저작권 모델의 불투명성과 지연 문제를 효과적으로 해결하고, 창작자에게 보다 공정하고 효율적인 수익 분배 메커니즘을 제공합니다.

E. 가상 우주에서의 응용

메타 유니버스에서 Web3와 AI의 융합은 블록체인 기반 게임의 콘텐츠를 풍부하게 하는 저비용 AIGC를 만들 수 있는 새로운 가능성을 열어줍니다. AI로 생성된 가상 환경과 캐릭터는 게임 콘텐츠를 풍부하게 하고 사용자에게 더욱 생생하고 다양한 경험을 제공하는 동시에 제작에 드는 노동력과 시간 비용을 절감할 수 있습니다.

생생한 디지털 휴먼을 제작하는 것은 메타버스 애플리케이션의 혁신입니다. 머리카락까지 세밀한 물리적 외형과 대규모 언어 모델을 기반으로 구축된 정신적 로직을 갖춘 디지털 휴먼은 메타버스에서 다양한 역할을 수행할 수 있습니다. 사용자와 상호 작용하고 실제 시나리오의 디지털 트윈에 참여할 수도 있습니다. 이는 가상 현실에 더욱 사실적이고 심오한 경험을 제공하고 엔터테인먼트, 교육 및 기타 분야에서 디지털 휴먼 기술의 광범위한 사용을 촉진합니다.

블록체인 사용자 프로필을 기반으로 한 광고 콘텐츠 자동 생성은 메타버스의 스마트 광고 애플리케이션입니다. AI 알고리즘은 메타 유니버스에서 사용자 행동과 선호도를 분석하여 클릭률과 사용자 참여를 높이는 보다 개인화되고 매력적인 광고를 생성할 수 있습니다. 이러한 유형의 광고는 사용자의 관심사에 더 부합할 뿐만 아니라 광고주에게 보다 효율적인 프로모션 채널을 제공합니다.

제너레이티브 인터랙티브 NFT는 메타버스에서 매력적인 기술입니다. NFT와 제너레이티브 디자인을 결합하면 사용자가 메타버스에서 자신만의 NFT 아티팩트를 만드는 데 참여하여 상호 작용과 독창성을 부여할 수 있습니다. 이는 디지털 자산의 생성 및 거래에 새로운 가능성을 열어주고 가상 세계에서 디지털 아트와 가상 경제의 발전을 촉진합니다.

III. 대표적인 웹3 프로토콜

이 섹션에서는 웹3 영역의 생성형 AI 현황에 대한 통찰력을 제공하기 위해 5개의 대표적인 프로토콜을 선정했습니다: 렌더 네트워크와 아카시 네트워크는 일반적인 AI 인프라 프로토콜이자 웹3의 AI 리더로 주목받고 있습니다. 카테고리 리더, 모델 트레이닝 분야에서 현재 가장 인기 있는 비텐서, 제너레이티브 AI 애플리케이션과 밀접한 관련성을 가진 알레테아.ai, 탈중앙화된 웹3.0 세계에서 AI 에이전트의 잠재력을 보여주는 페치.ai가 선정되었습니다.

3.1 렌더 네트워크($RNDR)

렌더 네트워크는 모회사인 OTOY.OTOY의 설립자 Jules Urbach가 2017년에 설립했습니다. 사업은 클라우드 기반 그래픽 렌더링으로, 구글과 모질라의 공동 창업자가 자문하고 오스카상 수상 영화 프로젝트에 기여했으며, Apple과의 프로젝트 협업으로 유명합니다.

렌더 네트워크는 블록체인의 분산 특성을 활용하여 소규모 렌더링 및 AI 요구를 분산된 리소스와 연결하도록 설계된 OTOY의 웹3.0 분야 진출입니다. 이 이니셔티브는 값비싼 중앙 집중식 컴퓨팅 리소스(예: AWS, MS Azure, AliCloud)를 임대해야 하는 소규모 스튜디오에 비용 절감 효과를 제공하고, 사용하지 않는 컴퓨팅 리소스를 보유한 사람들에게 수익 창출 기회를 제공하기 위해 고안되었습니다.

독점 렌더러인 Octane Render를 퍼블리싱하는 OTOY의 지원을 받아 시작된 Render Network는 내재된 수요와 탄탄한 비즈니스 모델을 바탕으로 탄탄한 기반과 잠재력을 갖춘 웹3 프로젝트로 빠르게 인정받았습니다.

제너레이티브 AI의 부상과 함께 분산 검증 및 추론 작업에 대한 수요 증가는 Render의 기술 아키텍처와 완벽하게 맞아떨어져 향후 발전 방향이 유망하며, Render는 웹3 공간에서 AI 레이스 트랙을 주도하며 다소 밈과 같은 모습으로 진화하고 있습니다. AI, 메타 유니버스, 분산 컴퓨팅에 대한 이야기가 뜨거워질 때마다 상승 추세의 혜택을 누렸으며, 다재다능함을 입증했습니다.

2023년 2월, 렌더 네트워크는 가격 계층 구조를 업데이트하고 커뮤니티 투표로 결정되는 가격 안정화 메커니즘을 도입하는 로드맵을 발표했습니다(출시일은 아직 발표되지 않음). 이 프로젝트는 또한 폴리곤에서 솔라나로의 마이그레이션(2023년 11월에 완료된 $RNDR 토큰을 솔라나 SPL 기반 $RENDER 토큰으로 업그레이드)을 발표했습니다.

렌더 네트워크의 새로운 가격 시스템은 온체인 서비스를 고가부터 저가까지 세 가지 티어로 분류하며, 각각 다른 가격대와 렌더링 서비스 품질에 해당합니다. 이러한 계층은 고객의 특정 렌더링 요구사항에 따라 선택권을 제공합니다.

커뮤니티에서 투표한 $RNDR의 가격 안정화 메커니즘이 가끔씩 바이백하는 방식에서 '파괴 후 발행(BME)' 방식으로 전환되었습니다. " 모델로 변경되었습니다. 이러한 변화는 장기 보유 자산이 아닌 거래되는 스테이블코인으로서 $RNDR을 강조합니다. BME 에포크의 구체적인 비즈니스 프로세스는 다음과 같습니다:

1. 제품 생성: 렌더의 제품 생성자, 즉 렌더링 리소스 제공자가 사용하지 않는 렌더링 리소스를 제품(노드 )로 패키징하여 온라인에 올려놓고 사용을 기다립니다.

2. 제품 구매: 렌더링이 필요한 고객은 서비스 요금으로 $RNDR 토큰을 직접 소멸할 수 있습니다. RNDR 토큰이 없는 경우, 먼저 법정화폐로 DEX에서 구매한 다음 토큰을 소각합니다. 서비스에 지불한 가격은 블록체인에 공개적으로 기록됩니다.

3. 토큰 발행: 새로운 토큰은 미리 설정된 규칙에 따라 발행됩니다.

주: 렌더 네트워크는 프로젝트 운영을 위해 상품 구매자가 지불한 거래 수수료의 5%를 받습니다.

각 BME 에포크마다 미리 설정된 수의 새 토큰이 발행됩니다(시간이 지날수록 그 수가 감소합니다). 이러한 새 토큰은 세 당사자에게 분배됩니다.

1. 제품 생성자: 다음과 같은 보상을 받습니다.

A. 작업 완료: 각 제품 노드에 대해 완료한 렌더링 작업 수에 따라 보상이 지급됩니다.

b. 온라인 보상: 리소스 제공자는 온라인으로 작업을 완료하도록 권장되며, 마켓 대기 시간에 따라 보상을 받습니다.

2. 상품 구매자: 쇼핑 센터의 상품 쿠폰 리베이트와 유사하게, 구매자는 최대 100%의 $RNDR 토큰을 돌려받을 수 있어 향후 렌더 네트워크 사용을 장려합니다.

3. 3. DEX 유동성 공급자: 필요한 파기에 필요한 합리적인 가격으로 $RNDR 토큰을 사용할 수 있도록 보장하는 협동 DEX의 공급자는 약정된 $RNDR 금액에 따라 보상을 받게 됩니다.

지난 1년 동안 $RNDR의 가격 움직임을 살펴보면, Web3의 주요 AI 트랙 아이템인 $RNDR은 ChatGPT의 혜택을 받았습니다. 2022년 말부터 2023년 초까지 AI 붐의 영향을 받았습니다. 새로운 토큰 메커니즘의 도입으로 $RNDR의 가격은 2023년 상반기에 정점을 찍을 것으로 예상됩니다.

안정화 기간을 거친 후, OpenAI의 새 버전과 렌더 네트워크의 솔라나로의 이전, 새로운 토큰 메커니즘의 예상 구현으로 촉발된 AI의 부활로 $RNDR의 가격은 최근 최고치를 기록했습니다. RNDR의 펀더멘털 변화가 미미하다는 점을 감안할 때, 향후 RNDR에 대한 투자는 신중한 포지션 관리와 리스크 관리가 필요합니다.

Dune Analytics 대시보드의 데이터에 따르면 2023년 초부터 다음과 같이 나타났습니다. 2023년 초부터 렌더링 작업의 총 수는 증가했지만 렌더링 노드의 수는 증가하지 않았습니다. 이는 워크로드를 증가시키는 새로운 사용자가 렌더링 리소스를 제공하는 사용자가 아니라 렌더링 요구가 있는 사용자임을 시사합니다.

제너레이티브 AI가 2022년 말까지 확산될 것이라는 점을 고려할 때, 추가적인 렌더링 작업은 제너레이티브 AI 애플리케이션과 관련이 있다고 가정하는 것이 합리적입니다. 이러한 수요 증가가 장기적인 추세인지 아니면 일시적인 급증인지는 아직 알 수 없으며, 더 지켜볼 필요가 있습니다.

3.2 아카시 네트워크 ($AKT)

아카시 네트워크는 개발자와 기업에게 보다 유연하고 효율적인 클라우드 컴퓨팅을 제공하기 위해 설계된 탈중앙화 클라우드 컴퓨팅 플랫폼입니다, 개발자와 기업을 위한 비용 효율적인 클라우드 컴퓨팅 솔루션입니다.

프로젝트의 "슈퍼클라우드" 플랫폼은 분산 블록체인 기술을 기반으로 하며, 블록체인의 탈중앙화 특성을 활용하여 사용자에게 CPU, GPU, 스토리지 등 다양한 컴퓨팅 리소스를 포함하는 글로벌 탈중앙화 클라우드 인프라를 제공합니다. 컴퓨팅 리소스.

아카시 네트워크는 광범위한 프로젝트 배경을 가진 경험 많은 기업가인 그렉 오수리와 아담 보자니치가 클라우드 컴퓨팅 비용을 절감하고 가용성을 높이며 사용자가 컴퓨팅 자원을 더 잘 제어할 수 있도록 한다는 명확한 사명을 가지고 설립했습니다. 아카시 네트워크는 경쟁 입찰 프로세스를 통해 미사용 컴퓨팅 리소스를 개방하도록 공급자들에게 인센티브를 제공함으로써, 리소스를 보다 효율적으로 사용할 수 있게 하고 필요한 이들에게 경쟁력 있는 가격을 제공합니다.

2023년 1월, 아카시 네트워크는 다음과 같은 현재 토큰 이코노미의 다양한 단점을 해결하기 위해 아카시 네트워크 경제학 2.0 업데이트를 시작했습니다.

1. $AKT 시장 가격 변동성은 장기 계약 가격과 가치 간의 불일치로 이어집니다.

2. 자원 공급자가 대량의 산술을 펼칠 인센티브가 충분하지 않습니다.

3. 장기적인 프로젝트 개발을 방해하는 커뮤니티 인센티브가 충분하지 않습니다.

4. $AKT의 부적절한 가치 포착은 프로젝트 안정성에 위험을 초래합니다.

공식 웹사이트에 따르면, 아카시 네트워크 경제 2.0 계획에서 제안된 솔루션에는 스테이블코인 결제 도입, 프로토콜 수익 증대를 위한 주문 수수료 인상, 자원 제공자에 대한 인센티브 강화, 커뮤니티 인센티브 증가 등이 포함되어 있습니다. 특히 스테이블코인 결제 기능과 주문 수수료 기능은 이미 구현되었습니다.

아카시 네트워크의 기본 토큰인 $AKT는 인증(보안), 인센티브, 네트워크 거버넌스, 거래 수수료 지불 등 프로토콜에서 다양한 용도로 사용됩니다. 공식 웹사이트에 따르면 $AKT의 총 공급량은 3억 8,800만 개로 제한되어 있으며, 2023년 11월 현재 약 2억 2,900만 개(59%)가 잠금 해제되었습니다. 프로젝트 시작 시 할당된 제네시스 토큰은 2023년 3월에 완전히 잠금 해제되어 2차 시장에 진입했습니다. 제네시스 토큰은 다음과 같이 할당되었습니다:

가치 포착과 관련하여, 백서에서 아직 구현되지 않은 주목할 만한 기능 중 하나는 성공적인 대여마다 아카시의 계획에 따라 "수수료"를 부과할 계획입니다. 이 수수료는 수익 풀로 전송되어 보유자에게 분배될 것입니다.

이 계획은 AKT 거래에 대해 10%의 수수료를, 다른 암호화폐를 사용하는 거래에 대해 20%의 수수료를 부과할 예정입니다. 또한, 아카시는 AKT를 장기적으로 보유하는 보유자에게 보상을 제공함으로써 장기 투자를 장려하고자 합니다.

코인게코의 가격 추이에 따르면 2023년 8월 중순과 11월 말에 $AKT는 다른 AI 프로젝트만큼은 아니지만 상승을 경험했습니다. 분야의 다른 프로젝트에 비해서는 아니지만, 이는 현재 시장 분위기 때문인 것으로 보입니다.

전반적으로 아카시 네트워크는 대부분의 경쟁자들보다 더 나은 펀더멘털을 갖춘 몇 안 되는 고품질 프로젝트 중 하나입니다. 잠재적인 사업 수익은 향후 아카시 네트워크의 수익성으로 이어질 수 있으며, 아카시 네트워크는 AI 산업이 성장하고 클라우드 컴퓨팅 리소스에 대한 수요가 계속 증가함에 따라 차세대 AI 물결에 크게 진출할 것으로 예상됩니다.

3.3 비텐서($TAO)

비트코인의 기술 아키텍처에 익숙한 분이라면 비텐서의 설계를 이해하는 것은 매우 간단합니다. 실제로 비트센서를 설계할 때 개발자들은 암호화폐의 선구자인 $BTC의 여러 기능에서 영감을 얻었습니다.

총 2,100만 개의 토큰 공급량, 약 4년마다 절반으로 줄어드는 토큰 생산량, 작업 증명(PoW) 합의 메커니즘이 여기에 포함됩니다.

이를 개념화하기 위해 원래의 비트코인 생산 과정을 상상한 다음, 계산 집약적인 '채굴' 과정을 실제 가치를 창출하지 않는 AI 모델을 훈련하고 검증하는 것으로 대체한다고 가정해 보세요. 채굴자는 AI 모델의 성능과 신뢰성에 따라 인센티브를 받게 됩니다. 이것이 비텐서($TAO) 프로젝트 아키텍처의 간단한 요약입니다.

비텐서는 미스터리 작가인 유마 라오가 쓴 백서를 바탕으로 2019년 AI 연구원 제이콥 스티브스와 알라 샤바나가 설립했습니다. 간단히 말해, 라이선스가 필요 없는 오픈 소스 프로토콜로, 각각 다른 작업(기계 번역, 이미지 인식 및 생성, 대규모 언어 모델 등)을 담당하는 여러 개의 하위 네트워크로 연결된 네트워크 아키텍처를 만듭니다. 작업을 잘 완료하면 보상이 주어지고 하위 네트워크는 서로 상호 작용하고 학습할 수 있습니다.

주요 AI 모델들은 거대 기술 기업들이 컴퓨팅 리소스와 데이터에 막대한 투자를 한 결과물입니다. 이러한 AI 제품들은 좋은 성과를 거두었지만, 이러한 접근 방식은 중앙 집중화의 위험도 높습니다.

비텐서의 인프라는 소통하는 전문가 네트워크가 서로 상호 작용하고 학습할 수 있도록 하여 대규모 모델의 분산형 학습을 위한 토대를 마련하며, 비텐서의 장기 비전은 탈중앙화된 특성을 유지하면서 OpenAI, Meta, Google과 같은 거대 기업의 폐쇄 소스 모델과 경쟁하는 것입니다. 중앙화된 기능을 유지하면서 추론 성능에 필적하는 것을 목표로 하고 있습니다.

비텐서 기술의 핵심은 유마 라오가 독자적으로 설계한 합의 메커니즘인 유마 컨센서스로, 작업 증명과 지분 증명(PoS)의 요소를 혼합한 것입니다. 공급 측면은 주로 '서버'(채굴자)와 '검증자'(검증자)가 참여하고, 수요 측면은 네트워크의 모델을 사용하는 '클라이언트'(고객)로 구성됩니다. 프로세스는 다음과 같습니다:

1. 클라이언트는 요청과 데이터를 처리할 검증자에게 보냅니다. .

2. 검증자는 특정 서브넷에 있는 채굴자에게 데이터를 배포합니다.

3. 채굴자는 자신의 모델과 수신된 데이터를 사용하여 추론하고 결과를 반환합니다.

4. 검증자는 추론 결과의 품질에 따라 순위를 매기고 블록체인에 기록합니다.

5. 최고의 추론 결과는 클라이언트에게 반환되며, 채굴자와 검증자는 순위와 작업량에 따라 보상을 받습니다.

비트센서 자체는 대부분의 하위 네트워크에서 모델을 훈련시키지 않으며, 모델 제공자와 사용자 사이의 연결고리 역할을 하며, 다양한 작업에서 성능을 더욱 향상시키기 위해 소규모 모델 간의 상호 작용을 수행한다는 점에 주목할 필요가 있습니다. 현재 온라인에는 각각 다른 작업 모델에 해당하는 30개의 하위 네트워크가 존재하거나 존재해 왔습니다.

$TAO는 비텐서의 기본 토큰으로서 하위 네트워크 생성, 하위 네트워크 가입, 서비스 결제, 생태계 내 검증자에게 서약하는 데 중요한 역할을 합니다. TAO는 하위 네트워크를 생성하고, 하위 네트워크에서 서비스 비용을 지불하고, 생태계 내 검증인에게 서약하는 데 중요한 역할을 합니다. BTC의 정신에 따라 $TAO는 모든 토큰이 네트워크에 대한 기여를 통해 생성되는 공정한 발행 방식을 선택했습니다.

현재 $TAO의 일일 생산량은 약 7,200개이며, 채굴자와 검증자에게 균등하게 분배됩니다. 프로젝트가 시작된 이래로 2,100만 개의 토큰 중 약 26.3%가 생산되었으며, 이 중 87.21%가 서약과 검증에 사용되었습니다. 또한 이 프로젝트는 약 4년마다 BTC 생산량을 절반으로 줄이는 패턴을 따르고 있으며, 다음 반감기는 2025년 9월 20일로 예정되어 있어 가격 변동에 큰 영향을 미칠 것으로 예상됩니다.

2023년 10월 말부터 $TAO의 가격 추이는 크게 상승했습니다.

2023년 10월 말부터 $TAO의 가격 추세는 OpenAI 컨퍼런스 이후 새로운 AI 열기의 물결과 자본의 AI로의 이동에 힘입어 급격하게 상승했습니다.

웹3+AI 트랙의 새로운 프로젝트로서 $TAO의 등장과 품질, 장기적인 비전이 투자를 끌어모으고 있습니다. 하지만 다른 AI 프로젝트와 마찬가지로 Web3+AI의 결합은 잠재력은 크지만 아직 실제 비즈니스에서 장기적으로 수익성 있는 프로젝트를 지원하는 애플리케이션을 찾지 못했다는 점을 인정해야 합니다.

3.4 Alethea.ai ($OR)

2020년에 설립된 Alethea.ai는 블록체인 기술을 활용해 탈중앙화된 소유권과 블록체인 기술을 활용한 거버넌스입니다.

Alethea.ai의 창립자들은 생성형 AI가 대량의 디지털 콘텐츠를 간단한 복사 및 붙여넣기나 클릭만으로 쉽게 복사하거나 생성할 수 있지만, 원본자가 혜택을 누리기 어려운 생성형 콘텐츠로 인한 정보 중복 시대로 우리를 이끌 것이라고 믿습니다. NFT와 같은 블록체인의 기본 요소를 생성 AI에 연결하여 생성 AI와 그 콘텐츠에 대한 소유권을 보장하고 그 위에 커뮤니티 거버넌스를 구축하는 것을 목표로 합니다.

이 아이디어에 힘입어 Alethea.ai는 처음에 인텔리전스 포드를 활용하여 AI 애니메이션, 음성 합성, 심지어 제너레이티브 AI를 이미지에 삽입하는 새로운 NFT 표준인 iNFT를 출시했으며, 아티스트와도 파트너십을 맺어 다음과 같은 작업을 진행했습니다. Alethea.ai는 또한 예술가들과 협력하여 그들의 작품을 사용하여 iNFT를 만들었으며, 그 중 하나는 소더비 경매에서 47만 8천 달러에 판매되었습니다.

Alethea.ai는 이후 모든 생성형 AI 개발자 또는 크리에이터가 라이선스 없이 iNFT 표준을 사용할 수 있는 AI 프로토콜을 출시하여 다음을 수행할 수 있도록 했습니다. AI 프로토콜. AI 프로토콜을 시연하기 위해 Alethea.ai는 GPT와 같은 대규모 모델 이론을 기반으로 대화형 NFT를 생성하는 도구인 CharacterGPT를 개발했으며, 최근에는 모든 ERC-721 NFT를 인텔리전스와 결합하여 AI 프로토콜에 게시할 수 있는 Open Fusion을 출시했습니다.

Alethea.ai의 기본 토큰은 $ALI이며, 네 가지 주요 용도로 사용됩니다.

1. 특정 자산 잠금

2. 잠그는 $ALI가 많을수록 파드의 레벨이 높아진다.

3. $ALI 보유자는 커뮤니티 거버넌스에 참여합니다.

4. $ALI는 iNFT 간의 상호작용을 위한 자격증명 역할을 합니다(아직 실제 사용 사례는 없음).

$ALI의 사용 사례를 보면 토큰 가치 포착은 여전히 주로 내러티브에 기반하고 있다는 것을 알 수 있습니다. 지난 1년간의 토큰 가격 추세를 보면 이를 확인할 수 있습니다. $ALI는 2022년 12월부터 ChatGPT가 주도하고 있는 생성형 AI 붐의 수혜를 받고 있습니다. 또한, 6월에 알레테아.ai가 새로운 오픈 퓨전 기능을 발표했을 때 가격 급등을 촉발했습니다. 그러나 이러한 사례를 제외하면, $ALI의 가격은 하락 추세를 보이고 있으며 2023년 말에는 유사한 프로젝트들처럼 AI 과대광고에 반응하지도 않았습니다.

네이티브 토큰 외에도 NFT 시장에서 Alethea.ai의 NFT 프로젝트(공식 컬렉션 포함)의 성과도 주목할 가치가 있습니다.

Dune 대시보드에 따르면, 타사 판매 인텔리전스 팟과 Alethea.ai의 퍼스트 파티 리벤언트 라인은 출시 이후 점점 사라졌습니다. 저자들은 그 주된 이유를 사용자를 유지할 만한 실질적인 가치나 커뮤니티 참여가 없는 초기의 참신함이 사라졌기 때문이라고 지적합니다.

3.5 Fetch.ai ($FET)

Fetch.ai는 인공 지능(AI)과 블록체인 기술의 융합을 촉진하는 프로젝트입니다. 머신러닝, 블록체인, 분산 원장 기술을 결합하여 지능형 에이전트 간의 경제 활동을 지원함으로써 탈중앙화된 스마트 경제를 구축하는 것이 목표입니다.

Fetch.ai는 2019년 영국 과학자 후마윤 셰이크, 토비 심슨, 토마스 하인이 설립했으며, 창립팀은 인상적인 경력을 보유하고 있습니다.

후마윤 셰이크는 딥마인드의 초기 투자자였고, 토비 심슨은 여러 회사에서 임원직을 역임했으며, 토마스 하인은 셰필드 대학교의 AI 교수입니다. 설립자들은 전통적인 IT 기업, 블록체인 스타 프로젝트, 헬스케어, 슈퍼컴퓨팅 등 다양한 경험을 바탕으로 Fetch.ai에 풍부한 업계 자원을 제공하고 있습니다.

Fetch.ai의 사명은 개발자가 자율 에이전트를 생성하여 미리 정의된 목표 지향적 작업을 완료할 수 있는 자율 경제 에이전트(AEA)와 AI 앱의 탈중앙화 웹 플랫폼을 구축하는 것입니다. 플랫폼의 핵심 기술은 고유한 3계층 아키텍처입니다.

1. 하위 계층: PoS-uD(지분 증명) 합의 메커니즘에 기반한 이 기본 계층은 스마트 계약 네트워크를 지원하고, 마이너들의 협업을 촉진할 뿐만 아니라 다음과 같은 기능을 제공합니다. 기본적인 머신러닝 훈련과 추론을 지원합니다.

2. 중간 계층: 오픈 이코노미 프레임워크(OEF)는 AEA와 기본 프로토콜 간의 상호작용을 위한 공유 공간을 제공하여 AEA 간의 검색, 발견, 트랜잭션을 지원합니다.

3. 최상위 계층: AEA는 Fetch.ai의 핵심 구성 요소입니다. 각 AEA는 사용자가 미리 정의한 작업을 수행하는 스킬 모듈을 통해 다양한 기능을 수행할 수 있는 지능형 에이전트 소프트웨어입니다. 이러한 에이전트는 블록체인에서 직접 실행되지는 않지만, OEF를 통해 블록체인 및 스마트 컨트랙트와 상호 작용합니다. 스마트 에이전트 소프트웨어는 순수하게 소프트웨어를 기반으로 하거나 스마트폰, 컴퓨터, 자동차 등 물리적 하드웨어에 연결할 수 있으며, Fetch.ai는 개발자가 스마트 에이전트를 구축할 수 있는 모듈식 파이썬 기반 개발 키트인 AEA 프레임워크를 제공합니다.

이 아키텍처를 기반으로 Fetch.ai는 Co-Learn(지능형 에이전트 간의 머신러닝 모델 공유) 및 Metaverse(지능형 에이전트를 위한 클라우드 호스팅 서비스) 등의 후속 제품과 서비스를 출시하여 사용자가 자사 플랫폼에서 지능형 에이전트를 개발할 수 있도록 지원하고 있습니다.

토큰의 경우, Fetch.ai의 기본 토큰인 $FET는 가스 결제, 서약 확인, 네트워크 내 서비스 구매와 같은 표준 기능을 다룹니다. FET 토큰의 90% 이상이 잠금 해제되었으며, 다음과 같이 할당되었습니다:

Fetch.ai는 창립 이래 여러 차례의 토큰 희석 펀딩을 거쳤으며 가장 최근에는 2023년 3월 29일 DWF Lab의 투자를 유치했습니다. Fetch.ai는 창립 이래 여러 차례의 토큰 희석 펀딩을 경험했으며, 가장 최근에는 2023년 3월 29일 DWF Lab으로부터 3천만 달러의 투자를 받았습니다. FET 토큰은 프로젝트 수익에서 가치를 창출하지 않기 때문에 가격 모멘텀은 주로 프로젝트 업데이트와 AI 분야에 대한 시장 정서에 따라 달라집니다. 실제로 Fetch.ai의 가격은 2023년 초와 말에 두 차례의 AI 시장 호황기에 100% 이상 급등했습니다.

Fetch.ai의 궤적은 기술 개선에 중점을 둔 웹 2.0 인공지능 스타트업의 그것과 비슷했습니다. 지속적인 기금 모금과 광범위한 파트너십을 통해 인정과 수익성을 추구하고 있습니다.

이러한 접근 방식은 향후 Fetch.ai에서 개발되는 앱에 많은 여지를 남기지만, 다른 블록체인 프로젝트에 매력적이지 않아 생태계의 실행 가능성을 제한할 수도 있습니다. Fetch.ai의 설립자 중 한 명이 Fetch.ai를 기반으로 DEX 프로젝트인 MX를 출시하려고 시도하기도 했습니다. ai를 기반으로 DEX 프로젝트인 Mettalex DEX를 출시하려 했지만 결국 실패로 끝났습니다. 인프라 중심의 프로젝트로서 생태계가 약화되면 Fetch.ai의 본질적 가치가 성장하는 데에도 걸림돌이 됩니다.

IV. 제너레이티브 AI의 밝은 미래

NVIDIA의 CEO 젠슨 황은 제너레이티브 대규모 모델의 출시를 AI의 '아이폰의 순간'에 비유하며 고성능 컴퓨팅 칩이 희소 자원이 되면서 AI의 역할에 중대한 변화가 일어나고 있음을 시사했습니다. 칩은 AI의 희소 자원의 핵심입니다.

웹3 AI 하위 트랙에 대부분의 자금이 묶여 있는 AI 인프라 프로젝트는 여전히 투자자들의 장기적인 관심의 초점입니다. 거대 칩 업체들이 컴퓨팅 성능을 점차 업그레이드함에 따라 AI 역량이 확장되어 Web3에서 더 많은 AI 인프라 프로젝트가 생겨날 것이며, Web3에서 AI 학습을 위해 특별히 설계된 칩도 나올 수 있습니다.

소비자 중심의 제너레이티브 AI 제품은 아직 실험 단계에 있지만, 일부 산업용 애플리케이션은 이미 큰 잠재력을 보여주고 있습니다. 이러한 애플리케이션 중 하나는 현실 세계의 시나리오를 디지털 영역으로 옮기는 '디지털 트윈'입니다.

산업 데이터의 미개발 가치를 고려한 NVIDIA의 메타버스 디지털 트윈 플랫폼은 제너레이티브 AI를 산업용 디지털 트윈의 핵심 구성 요소로 자리매김하고 있습니다. 가상 세계, 디지털 콘텐츠 제작, 현실 세계 자산을 포함하는 웹 3.0에서는 AI의 영향을 받은 디지털 트윈이 중요한 역할을 하게 될 것입니다.

새로운 인터랙티브 하드웨어의 개발도 중요합니다. 역사적으로 컴퓨팅의 모든 하드웨어 혁신은 지금은 보편화된 컴퓨터 마우스나 iPhone 4의 멀티터치 정전식 스크린과 같이 혁신적인 변화와 기회를 가져왔습니다.

2024년 1분기 출시를 앞둔 Apple의 비전 프로는 업계에 예상치 못한 변화와 기회를 가져다줄 인상적인 시연으로 전 세계의 주목을 받고 있습니다. 빠른 콘텐츠 제작과 광범위한 배포로 유명한 엔터테인먼트 업계는 하드웨어 업데이트의 혜택을 가장 먼저 받는 경우가 많습니다. 여기에는 Web3의 메타 유니버스, 블록체인 게임, NFT 등이 포함되며, 모두 장기적으로 주시하고 연구할 가치가 있는 분야입니다.

장기적으로 제너레이티브 AI의 발전은 질적 변화로 이어지는 양적 변화를 의미하며, ChatGPT의 핵심은 오랫동안 연구되어 온 추론 퀴즈라는 학문적 문제에 대한 해결책입니다. 데이터를 확장하고 모델을 반복해야만 GPT-4라는 인상적인 수준에 도달할 수 있습니다. Web3의 AI 애플리케이션은 비슷하며 현재 Web2 모델을 Web3에 적용하는 단계에 있습니다. 전적으로 Web3 데이터에 기반한 모델은 아직 사용할 수 없습니다. 향후 비전 있는 프로젝트와 Web3 관련 문제 해결을 위한 방대한 리소스를 통해 Web3에 ChatGPT 수준의 킬러 앱이 등장할 것입니다.

사고 연쇄와 같은 제너레이티브 AI의 기술적 토대를 위한 유망한 탐색의 길도 많이 있습니다. 이 기술을 통해 대규모 언어 모델은 다단계 추론에서 상당한 도약을 이룰 수 있습니다. 그러나 복잡한 논리적 추론을 위한 대규모 모델의 한계를 강조하고 심지어 악화시키기도 합니다. 관심 있는 독자는 연쇄 사고에 대한 원저자의 논문을 살펴볼 수 있습니다.

ChatGPT 이후 Web3에서는 다양한 GPT 테마 프로젝트가 등장했지만 단순히 GPT와 스마트 컨트랙트를 결합하는 것만으로는 사용자의 요구를 만족시키지 못했습니다. ChatGPT가 출시된 지 약 1년이 지난 지금도 여전히 많은 잠재력을 가지고 있습니다. 향후 제품은 웹3.0 사용자의 실제 요구사항에서 출발해야 합니다. Web3 기술의 성숙도가 높아짐에 따라 Web3에서 제너레이티브 AI의 적용은 방대하고 흥미로울 것입니다.