분산형 AI: 적용 시나리오 및 주요 프로젝트 목록

저자: 케이시, 파트너, 패러다임 인베스트먼트, 번역: 골든 파이낸스 샤오조우

나는 개방성이 혁신을 가져온다고 믿습니다. 최근 몇 년 동안 AI는 비약적인 성장을 거듭하며 전 세계적으로 유용성과 영향력을 발휘하고 있습니다. 자원의 통합으로 컴퓨팅 파워가 커지면서 AI는 자연스럽게 더 많은 컴퓨팅 파워를 가진 쪽이 점차 우위를 점하는 중앙집중화 문제를 낳게 됩니다. 이는 우리의 혁신 속도를 저해할 것입니다. 저는 탈중앙화와 웹3.0이 AI의 개방성을 유지할 수 있는 강력한 경쟁자라고 생각합니다.

1, 사전 학습과 미세 조정을 위한 탈중앙화 컴퓨팅

크라우드소싱 컴퓨팅(CPU + GPU)

지원: 에어비앤비/우버의 크라우드소싱 리소스 모델은 유휴 컴퓨팅 리소스가 마켓플레이스에 모이는 컴퓨팅으로 확장될 수 있는 잠재력을 가지고 있습니다. 이를 통해 특정 사용 사례(특정 다운타임/지연 장애 처리)를 위한 저렴한 컴퓨팅 리소스 제공, 검열에 강한 컴퓨팅 리소스를 사용하여 향후 규제되거나 불법화될 수 있는 모델을 훈련하는 등의 문제를 해결할 수 있습니다.

반대 의견: 크라우드소싱 컴퓨팅은 규모의 경제를 실현하지 못하며, 대부분의 고성능 GPU는 소비자가 소유하지 않습니다. 분산형 컴퓨팅은 완전한 역설이며, 실제로 HPC와 반대되는 개념입니다 ...... 못 믿겠다면 인프라/머신러닝 엔지니어에게 물어보세요!

예시 프로젝트: 아카시, 렌더, io.net, 리추얼, 하이퍼볼릭, 젠신

2 탈중앙화된 추론

탈중앙화된 방식으로 오픈 소스 모델 추론 실행

지지 의견: 오픈 소스(OS) 모델은 어떤 면에서 클로즈드 소스 모델에 점점 더 가까워지고 있으며 점점 더 많은 채택을 얻고 있습니다. 대부분의 사람들이 OS 모델 추론을 실행하기 위해 HuggingFace나 Replicate와 같은 중앙 집중식 서비스를 사용하므로 개인정보 보호 및 검열 문제가 발생할 수 있습니다. 한 가지 해결책은 탈중앙화 또는 분산형 제공업체를 통해 추론을 실행하는 것입니다.

반대: 추론을 탈중앙화할 필요가 없으며, 로컬 추론이 궁극적인 승자가 될 것입니다. 현재 7b 이상의 파라메트릭 모델 추론을 처리할 수 있는 전용 칩이 출시되고 있습니다. 엣지 컴퓨팅은 프라이버시 및 검열 저항성 측면에서 우리의 솔루션입니다.

예시 프로젝트: Ritual, gpt4all(호스팅), Ollama(웹2), Edgellama(웹3, P2P Ollama), Petals

3, 온체인 AI 인텔리전스

머신러닝을 사용하는 온체인 앱

지원: AI 인텔리전스(AI를 사용하는 앱)에는 트랜잭션을 위한 오케스트레이션 계층이 필요합니다. 암호화폐는 그 자체로 디지털 기술이기 때문에 결제에 암호화폐를 사용하는 것이 합리적이며, 인공지능은 KYC 인증을 통해 은행 계좌를 개설할 수 없는 것이 분명합니다. 탈중앙화된 인간 AI는 플랫폼 위험으로부터도 자유롭습니다. 예를 들어, OpenAI는 사전 통지 없이 갑자기 ChatGPT 플러그인의 아키텍처를 변경하기로 결정할 수 있으며, 이로 인해 제 Talk2Books 플러그인이 중단될 수 있습니다. 이것이 실제로 일어나는 일입니다. 온체인에서 생성된 인텔리전스는 이러한 플랫폼 리스크가 없습니다.

이의 제기: 에이전트가 생산 준비가 되지 않았습니다 ...... 전혀 아닙니다. BabyAGI, AutoGPT 등은 장난감입니다! 또한 결제의 경우, AI 에이전트를 만드는 기업은 Stripe API를 사용할 수 있으며 암호화된 결제가 필요하지 않습니다. 플랫폼 위험에 대한 논쟁의 경우, 이는 아직까지 우리가 보지 못한 암호화폐의 잘 알려진 사용 사례입니다 ...... 이번에는 왜 다른가요?

예시 프로젝트: AI Arena, MyShell, Operator.io, Fetch.ai

4, 데이터 및 모델 소스

데이터 및 머신러닝 모델의 자율적인 관리 및 가치 수집

데이터의 소유권은 데이터를 수집하는 회사가 아니라 데이터를 생성하는 사용자에게 있어야 한다는 생각을 지지합니다. 데이터는 디지털 시대에 가장 가치 있는 자원이지만 대형 기술 기업이 독점하고 있으며 금융화 측면에서는 저조한 성과를 보이고 있습니다. 고도로 개인화된 웹이 다가오고 있으며, 이를 위해서는 이동 가능한 데이터와 모델이 필요합니다. 우리는 암호화폐 지갑을 여러 디앱 간에 이동시키는 것처럼 인터넷을 통해 데이터와 모델을 한 애플리케이션에서 다른 애플리케이션으로 가져갈 것입니다. 데이터 소싱은 특히 바이든도 인정했듯이 위조가 점점 더 심해지고 있기 때문에 큰 문제입니다. 블록체인 아키텍처는 데이터 출처 증명 퍼즐을 푸는 최고의 솔루션이 될 수 있습니다.

반대: 아무도 자신의 데이터나 개인정보 보호에 관심이 없다. 우리는 사용자 환경 설정에서 이러한 사실을 여러 번 확인했습니다. 페이스북/인스타그램 가입을 보세요! 결국 사람들은 자신의 머신러닝 데이터를 OpenAI에 맡기게 될 것입니다. 현실을 직시합시다.

예시 프로젝트: Vana, Rainfall

5, 토큰 인센티브형 앱(예: 컴패니언 클래스) 앱)

암호화폐 토큰 인센티브가 있는 Character.ai를 상상해보세요

지지하는 의견입니다: 암호화 토큰 인센티브는 부트스트랩 네트워크와 동작을 시작하는 데 매우 효과적입니다. 우리는 이 메커니즘을 채택하는 수많은 AI 중심 앱을 보게 될 것입니다.AI 컴패니언은 매력적인 시장이며, 이 분야는 1조 달러 규모의 AI 네이티브 시장이 될 것이라고 믿습니다.2022년 미국인들은 반려동물에 1,300억 달러 이상을 지출합니다.AI 컴패니언 앱은 반려동물 2.0입니다.우리는 이미 제품을 달성한 AI 컴패니언 앱을 보았습니다. 시장에 적합하며, Character.ai의 평균 세션 길이는 1시간 이상입니다. 암호화폐 인센티브 플랫폼이 이 분야와 다른 AI 앱 분야에서 시장 점유율을 차지한다고 해도 놀랍지 않을 것입니다.

반대 의견: 이는 암호화폐 투기 열풍의 연장선상에 있는 현상일 뿐 지속되지는 않을 것입니다. 토큰은 웹 3.0의 고객 확보 비용이며, Axie Infinity에서 교훈을 얻지 않았나요?

예시 프로젝트: MyShell, Deva

6, 토큰에서 영감을 받은 머신 러닝 작업(예: 학습, RLHF, 추론)

암호 토큰 인센티브가 있는 ScaleAI를 상상해보십시오

지지 의견: 암호화폐 인센티브는 머신러닝 워크플로 전반에 걸쳐 사용될 수 있습니다. 가중치 최적화, 미세 조정, RLHF 등과 같은 행동에 인센티브를 제공하고, 추가 미세 조정을 위해 사람이 모델의 결과를 판단할 수 있습니다.

반대: 머신러닝 연산은 품질이 매우 중요하기 때문에 암호화폐 인센티브에 적합하지 않은 사용 사례입니다. 암호화폐 토큰은 엔트로피가 양호할 때 소비자 행동을 장려하는 데는 효과적이지만, 품질과 정확성이 중요한 상황에서 행동을 조정하는 데는 적합하지 않습니다.

예시 프로젝트: 비트텐서, 리추얼

7, 온체인 검증 가능성(ZKML)

온체인에서 어떤 모델을 효율적으로 실행하고 암호화폐 세계에 연결할 수 있는지 입증

지지 의견: 온체인 모델 검증 가능성은 구성 가능성을 열어주며, 이는 디파이와 암호화폐 영역 모두에서 조합적 결과물을 활용할 수 있다는 것을 의미합니다. 결과: 5년 후, 병원에 가서 의사를 만나지 않고도 의사 모델을 실행하는 인공지능이 우리 몸을 검사하게 된다면, 우리는 그들의 지식과 진단에 구체적으로 어떤 모델이 사용되었는지 검증할 수 있는 방법이 필요하게 될 것입니다. 모델의 검증 가능성은 인공지능의 평판과 비슷합니다.

반대: 어떤 모델이 실행되고 있는지 아무도 검증할 필요가 없습니다. 이는 우리가 우려하는 것 중 가장 적은 부분입니다. 우리는 말보다 수레를 먼저 생각해야 합니다. 아무도 라마2를 실행하지만 다른 모델이 백그라운드에서 실행되는 것을 두려워하지 않습니다. 이는 암호화폐(영지식증명)가 의도적으로 해결할 문제를 찾고 있고, 영지식증명(ZK)이 과대광고로 많은 벤처캐피털의 투자를 받은 결과입니다.

예시 프로젝트: 모듈러스 랩스, 업샷, 이지케이엘