FMG 리서치 노트: AI의 세 가지 문제점과 DePIN의 솔루션

요약

AI 시대의 제품 경쟁은 자원 측면(연산, 데이터 등), 특히 지원을 위한 안정적인 자원 측면과 분리할 수 없습니다.

모델 학습/반복도 동시에 정보를 공급할 수 있는 방대한 사용자 타겟(IP)이 있어야 모델 효율의 질적 변화를 가져올 수 있습니다.

Web3와의 결합은 중소 규모의 AI 스타트업이 기존의 거대 AI 기업보다 우위를 점하는 데 도움이 될 수 있습니다.

디핀 생태계에서는 산술과 대역폭의 리소스 한계가 하한선을 결정하고(순수한 산술 통합을 위한 해자는 없음), AI 모델의 적용, 심층 최적화(비트텐서와 유사), 전문화(렌더, 하이브마퍼), 데이터의 효과적인 사용과 같은 차원이 하한선을 결정합니다. 프로젝트 한도.

AI+DePIN 컨텍스트, 모델 추론 및 미세 조정, 모바일 AI 모델 시장이 중요하게 평가될 것입니다.

AI 시장 분석 및 세 가지 이슈

2022년의 일부 통계 자료 ChatGPT가 탄생하기 전날인 9월부터 2023년 8월까지 세계 50대 AI 제품에서만 240억 건 이상의 방문이 발생했으며, 월평균 2억 3,630만 건의 방문이 증가했습니다.

AI 제품 붐의 이면에는 산술에 대한 의존도가 높아진 것이 있습니다.

출처: "언어 모델은 소수 학습자"

매사추세츠 애머스트 대학의 논문에서는 다음과 같이 말합니다. AI 모델이 평생 동안 탄소를 배출하도록 학습시키는 것은 자동차 5대의 탄소 배출량과 맞먹는다"고 말합니다. 하지만 이 분석에는 단 한 번의 훈련 세션만 포함됩니다. 반복적인 훈련을 통해 모델이 개선되면 에너지 사용량은 급격히 증가할 것입니다.

최신 언어 모델에는 수십억 또는 수조 개의 가중치가 포함되어 있습니다. 널리 사용되는 모델 중 하나인 GPT-3에는 1,750억 개의 머신러닝 파라미터가 있습니다. A100을 사용하여 이 모델을 훈련하려면 1,024개의 GPU, 34일, 460만 달러가 소요됩니다.

포스트 AI 시대의 제품 경쟁은 점차 컴퓨팅 파워를 기반으로 한 자원 전쟁으로 확대되고 있습니다.

출처:AI가 지구에 해를 끼치고 있다: AI의 엄청난 에너지 비용 문제 해결

이것은 는 세 가지 질문으로 확장됩니다.첫째, AI 제품이 충분한 리소스(연산, 대역폭 등), 특히 안정적인 리소스에 의해 지원되는지 여부입니다. 이러한 안정성을 확보하려면 연산이 충분히 분산되어 있어야 합니다. 전통적인 분야에서는 칩의 수요 측면의 격차와 정책과 이념에 따라 구축된 세계의 벽이 결합되어 칩 제조업체가 자연스럽게 유리한 위치에 놓이게 되고 가격을 크게 부풀릴 수 있게 됩니다. 예를 들어, 엔비디아 H100 모델 칩은 2023년 4월 36,000달러에서 50,000달러로 상승하여 AI 모델 트레이닝 팀의 비용을 더욱 악화시켰습니다.

두 번째 문제인 리소스 측면은 AI 프로젝트가 하드웨어에 대한 당장의 필요성을 해결하기 위해 충족해야 할 조건 중 하나이지만, 동시에 모델 학습/반복에 필요한 자료를 공급하기 위해 방대한 사용자 사양(IP)도 필요하다는 것입니다. 모델 크기가 특정 임계값을 초과하면 다양한 작업에서 성능이 획기적으로 향상됩니다.

세 번째 문제는 중소 규모의 AI 스타트업 팀이 규칙을 어기기가 어렵다는 점입니다. 전통 금융 시장의 연산력 독점은 AI 모델 솔루션의 독점으로도 이어졌고, 오픈AI, 구글 딥마인드 등으로 대표되는 대형 AI 모델 벤더들은 자신들만의 해자를 더욱 견고히 구축하고 있습니다. 중소 AI 팀들은 보다 차별화된 경쟁 방안을 모색해야 합니다.

이 세 가지 질문은 모두 Web3에서 답을 찾을 수 있습니다. 사실 AI와 Web3의 결합은 오래전부터 존재해 왔으며, 그 생태계는 더욱 번성하고 있습니다.

다음 그림은 퓨처 머니 그룹이 제작한 AI+Web3 생태계의 일부 트랙 및 프로젝트를 보여줍니다.

AI+DePIN

1. 디핀 솔루션

디핀은 탈중앙화된 물리적 인프라 네트워크의 약자로, 사람과 기기 간의 생산적인 관계의 집합체입니다. 토큰 이코노미와 하드웨어 장치(예: 컴퓨터, 차량용 카메라 등)의 결합을 통해 사용자와 장치를 유기적으로 통합하는 동시에 경제 모델의 질서 있는 작동을 가능하게 하는 생산적 관계의 집합체입니다.

더 광범위하게 정의된 웹3.0과 비교했을 때, 디핀은 하드웨어 기기 및 기존 비즈니스와 자연스럽게 더 깊이 연결되어 있기 때문에 외부의 AI 팀과 관련 자금을 유치하는 데 유리한 점이 있습니다.

디핀 생태계가 추구하는 분산 연산과 기여자 인센티브는 AI 제품에 대한 연산과 IP의 필요성을 정확하게 해결합니다.

• DePIN은 토큰 경제를 통해 세계 산술(산술 센터 및 유휴 개인 산술)의 도입을 촉진하여 산술 중앙화의 위험을 줄이는 동시에 다음과 같은 위험을 줄입니다. 위험을 줄일 수 있습니다.

• 디핀 생태계의 다양한 IP 구성은 AI 모델이 데이터 접근 채널의 다양성과 객관성을 확보하는 데 도움이 되며, 충분히 많은 수의 데이터 제공자가 AI 모델 성능 향상을 보장할 수 있습니다.

• 디핀 생태계 사용자와 웹3 사용자 간의 캐릭터 초상화 중첩은 입주 AI 프로젝트가 웹3 기능을 갖춘 더 많은 AI 모델을 개발하는 데 도움이 될 수 있으며, 기존 AI 시장에서는 볼 수 없는 차별화된 경쟁을 형성할 수 있습니다.

웹2 영역에서 AI 모델 데이터 수집은 일반적으로 공개 데이터 세트에서 가져오거나 모델 제작자가 직접 수집하는데, 이는 문화적 배경과 지리적 한계에 따라 AI 모델 출력 내용에 주관적인 '왜곡'이 발생할 수 있습니다. ". 또한 기존의 데이터 수집 방식은 수집 효율과 비용의 한계로 인해 모델 크기(파라미터 수, 학습 시간, 데이터 품질)를 크게 확보하기 어렵습니다. AI 모델의 경우, 모델 크기가 클수록 모델 성능의 질적 변화를 일으키기 쉽습니다.

출처: Large 언어 모델의 새로운 능력: 학습되지 않은 문제를 어떻게 해결하나요?

DePIN 은 이 분야에서 자연스러운 이점을 가지고 있습니다. 예를 들어, 하이브매퍼는 전 세계 1,920개 지역에서 약 40,000명의 기여자가 지도 AI(지도 AI 모델)를 위한 데이터를 제공하고 있습니다.

AI와 디핀의 결합은 또한 AI와 웹3와의 통합이 새로운 차원으로 올라갑니다. 현재 웹3의 AI 프로젝트는 애플리케이션 측면에서 폭발적으로 증가하고 있으며, 웹2 인프라에 대한 직접적인 의존성, 즉 기존 컴퓨팅 플랫폼에 의존하는 기존 AI 모델을 웹3 프로젝트에 이식하고 AI 모델 생성에 거의 손을 대지 않는 것에서 거의 자유롭지 못합니다.

웹3 요소는 항상 먹이사슬의 하위에 위치하여 실질적인 초과 수익이 없었습니다. 분산형 산술 플랫폼도 마찬가지인데, 단순한 AI+산술로는 두 요소의 잠재력을 제대로 활용하지 못하며, 산술 제공자가 더 많은 초과 수익을 얻을 수 없고 생태 구조가 너무 획일적이어서 토큰 이코노미를 통해 플라이휠을 작동시킬 동기를 부여할 수 없습니다.

그러나 AI+DePIN 개념은 이러한 관계를 허물고 Web3의 관심을 더 광범위한 AI 모델로 돌리고 있습니다.

2. AI+DePIN 프로젝트 요약

Natural Within DePIN AI가 절실히 필요로 하는 장비(연산, 대역폭, 알고리즘, 데이터), 사용자(모델 학습 데이터 제공자), 인센티브(토큰 이코노미)를 생태계 내에 보유하고 있습니다.

우리는 AI를 위한 완벽한 객관적 조건(연산/대역폭/데이터/IP)을 제공하고, AI 모델의 시나리오(학습/추론/파인튜닝)를 제공하며, 토큰 이코노미를 부여하는 프로젝트를 AI+DePIN으로 정의할 수 있습니다.

퓨처 머니 그룹은 다음과 같이 AI+DePIN의 대표적인 패러다임을 정리해 보겠습니다.

다음과 같은 리소스 프로비저닝 카테고리로 분류했습니다. 산술, 대역폭, 데이터 및 기타 네 가지 세그먼트로 나누고 각 세그먼트 프로젝트를 분류해 보았습니다.

2.1 산술

산술 쪽은 AI+DePIN 세그먼트의 주요 구성 요소이며 현재 가장 많은 프로젝트 구성 요소가 있는 부분이기도 합니다. 프로젝트의 산술 부분에서 산술의 주요 구성 요소는 GPU(그래픽 프로세서), CPU(중앙 처리 장치), TPU(전문 머신러닝 칩)입니다. 이 중 TPU는 제조 난이도가 높아 주로 구글에서 제작하고 있으며, 클라우드 컴퓨팅 파워 렌탈 서비스용으로만 일반에 공개되어 시장 규모가 작습니다. 반면 GPU는 CPU와 비슷하지만 좀 더 전문화된 하드웨어 구성 요소입니다. 일반 CPU보다 병렬로 실행되는 복잡한 수학적 연산을 더 효율적으로 처리할 수 있습니다. 처음에 GPU는 게임과 애니메이션의 그래픽 렌더링 작업을 처리하는 데 사용되었지만 지금은 그 이상의 용도로 사용되고 있습니다. 그 결과, GPU는 이제 연산 시장의 주요 원천이 되었습니다.

그 결과, 연산 분야에서 볼 수 있는 많은 AI+DePIN 프로젝트는 GPU의 특성으로 인해 그래픽 및 비디오 렌더링 또는 관련 게임 분야에 특화되어 있습니다.

큰 그림에서 보면, 연산 능력을 제공하는 주요 공급자인 AI+DePIN 제품의 연산 클래스는 전통적인 클라우드 연산 서비스 제공자, 유휴 개인 연산, 자체 연산 능력의 세 부분으로 구성됩니다. 이 중 클라우드 컴퓨팅 연산 서비스 제공업체가 더 큰 비중을 차지하고 있으며, 유휴 개인 컴퓨팅 연산이 두 번째입니다. 이는 이러한 제품이 더 자주 산술 중개자 역할을 수행한다는 것을 의미합니다. 수요 측면은 다양한 AI 모델 개발 팀입니다.

현재 이 카테고리에서는 거의 100%의 연산이 실제로 사용되지 않으며, 유휴 상태인 경우가 많습니다. 예를 들어, 아카시 네트워크의 경우 약 35%의 연산 능력만 사용되고 나머지는 유휴 상태입니다. io.net도 비슷한 상황입니다.

이것은 현재 AI 모델 트레이닝에 대한 수요가 낮기 때문일 수 있으며, AI+DePIN이 저렴한 산술 비용을 제공할 수 있는 이유이기도 합니다. 이는 추후 AI 시장이 확대됨에 따라 개선될 것입니다.

아카시 네트워크: P2P 클라우드 서비스를 위한 탈중앙화된 마켓플레이스

아카시 네트워크는 P2P 클라우드 서비스를 위한 탈중앙화된 마켓플레이스입니다. 아카시 네트워크는 모든 규모의 사용자와 기업들이 서비스를 빠르고, 일관성 있게, 그리고 저렴하게 사용할 수 있도록 지원합니다.

렌더와 유사하게 아카시는 사용자에게 GPU 배포, 렌탈 및 AI 모델 트레이닝을 제공합니다.

2023년 8월, 아카시는 개발자가 AI 모델 배포에 지불할 가격을 설정하고, 추가 컴퓨팅 파워를 가진 공급자가 사용자의 모델을 호스팅하는 슈퍼클라우드를 출시했습니다. 이 기능은 에어비앤비와 매우 유사하며, 공급자들이 사용하지 않는 용량을 임대할 수 있도록 합니다.

아카시 네트워크는 자원 제공자들이 공개 입찰을 통해 네트워크에서 무료 컴퓨팅 자원을 개방하도록 장려함으로써, 자원을 보다 효율적으로 사용할 수 있게 하여 자원을 필요로 하는 사람들에게 보다 경쟁력 있는 가격을 제시합니다.

현재 아카시 생태계에 있는 총 GPU 수는 다음과 같습니다. 176개이지만, 활성화된 GPU의 수는 62개이며, 활성도는 35%로 2023년 9월의 50% 수준보다 낮습니다. 아카시 토큰에는 서약 기능이 있으며, 사용자는 사이버 보안 유지에 참여하기 위해 토큰을 서약함으로써 연간 약 13.15%의 수익을 얻을 수 있습니다.

아카시의 현재 AI+DePIN 세그먼트 데이터의 성능은 비교적 높은 수준이며, 7억 달러의 FDV를 통해 렌더와 비트텐서에 비해 많은 상승 여력을 가지고 있습니다.

아카시는 또한 자체 개발 공간을 확장하기 위해 비트텐서의 서브넷에 액세스했습니다. 전반적으로 아카시의 프로젝트는 인공지능+디핀 트랙의 여러 우수한 프로젝트 중 하나로서 훌륭한 기본기를 갖추고 있습니다.

io.net: 가장 많은 수의 GPU가 접속된 AI+DePIN

io.net은 분산화된 컴퓨팅 네트워크로서, 솔라나 블록체인에서 AI+DePIN 개발을 지원합니다. 머신러닝 애플리케이션을 개발, 실행 및 확장하기 위한 솔라나 블록체인의 분산형 컴퓨팅 네트워크로, 세계 최대 규모의 GPU 클러스터를 활용하여 머신러닝 엔지니어가 중앙 집중식 서비스 비용의 일부로 분산형 클라우드 서비스 연산을 대여하고 액세스할 수 있도록 지원합니다.

공식 데이터에 따르면 io.net은 대기 중인 GPU가 100만 개가 넘습니다. io.net과 Render의 파트너십을 통해 배포에 사용할 수 있는 GPU 리소스도 확장되었습니다.

io.net 생태계에는 더 많은 GPU가 있지만, 거의 대부분이 다양한 클라우드 공급업체와의 파트너십과 개별 노드에 대한 액세스를 통해 제공되며 유휴율이 높습니다. 예를 들어, 가장 많은 GPU를 보유한 RTX A6000의 경우 8,426개의 GPU 중 11%(927개)만 사용 중이며, 더 많은 모델에서 의 GPU가 거의 사용되지 않고 있습니다. 그러나 현재 io.net 서비스의 가장 큰 장점 중 하나는 저렴한 가격인데, 아카시의 1시간치 GPU 호출 비용이 1.50달러인 것에 비해 io.net은 0.10~1.00달러로 저렴합니다.

이번에 이어 io.net은 IO Eco 의 GPU 제공자들이 네이티브 자산을 담보로 사용 가능성을 높일 수 있도록 하는 방안도 고려하고 있습니다. 더 많은 자산을 투자할수록 선택될 확률이 높아집니다. 동시에 네이티브 자산을 담보로 제공하는 AI 엔지니어는 고성능 GPU에 액세스할 수 있습니다.

GPU 액세스 규모 면에서 io.net은 이 기사에 소개된 10개 프로젝트 중 가장 큰 규모입니다. 또한 유휴율을 제외한 사용 중인 GPU 수에서도 1위를 차지했습니다. 토큰 경제성 측면에서 io.net의 기본 토큰이자 프로토콜 토큰인 IO는 2024년 1분기에 최대 22,300,000개가 발행될 예정입니다. 사용자에게는 네트워크 사용 시 5%의 수수료가 부과되며, 이 수수료는 IO 토큰을 소각하거나 공급과 수요 측면에서 신규 사용자에게 인센티브를 제공하는 데 사용됩니다. 이 토큰 모델은 상당한 풀업 속성을 가지고 있기 때문에 io.net은 코인을 발행하지 않았음에도 불구하고 뜨거운 시장입니다.

골렘: CPU 기반 산술 마켓플레이스

골렘은 탈중앙화된 산술 마켓플레이스로, 누구나 공유하고 집계할 수 있는 공유 자원 네트워크의 생성을 지원합니다. 골렘은 컴퓨팅 리소스를 공유하고 집계할 수 있는 공유 리소스 네트워크로, 사용자에게 산술 임대 시나리오를 제공합니다.

골렘 마켓플레이스는 연산 공급자와 연산 수요자, 소프트웨어 개발자의 세 당사자로 구성됩니다. 수요 측이 연산 작업을 제출하면 골렘 네트워크가 해당 연산 작업을 적절한 연산 공급 측에 할당(RAM, 하드 드라이브 공간, CPU 코어 제공 등)하고, 연산 작업이 완료되면 양측이 토큰을 통해 결제 및 정산하는 구조로 되어 있습니다.

골렘은 주로 스태킹에 CPU를 사용합니다. 스태킹은 비용 면에서 GPU보다 저렴하지만(인터 i9 14900k는 약 700달러, A100 GPU는 12,000~25,000달러). 그러나 CPU는 고도의 동시 컴퓨팅을 수행할 수 없으며 더 많은 에너지를 소비합니다. 따라서 CPU를 사용한 산술 임대는 GPU 프로젝트에 비해 내러티브 측면에서 다소 약할 수 있습니다.

마그넷 AI: AI 모델 자산화

마그넷 AI는 GPU 연산 공급자를 통합하여 다양한 AI 모델 개발자에게 다음과 같은 서비스를 제공합니다. 모델 트레이닝 서비스를 제공합니다. 다른 AI+DePIN 제품과 달리 마그넷 AI는 다양한 AI 팀이 자체 모델을 기반으로 ERC-20 토큰을 출시할 수 있으며, 사용자는 다양한 모델 상호 작용에 참여하여 다양한 모델 토큰에 대한 에어드랍과 추가 보상을 받을 수 있습니다.

2024년 2분기에 마젠트 AI는 폴리곤 zkEVM 및 Arbrium과 함께 출시될 예정입니다.

io.net과 유사하게, GPU 연산의 경우 통합에 관한 것이 전부입니다. 기반이며 AI 팀을 위한 모델 트레이닝 서비스를 제공합니다.

차이점은 io.net은 GPU 리소스 통합에 더 중점을 두고 다양한 GPU 클러스터, 기업, 개인이 GPU를 기여하고 이에 대한 보상을 받을 수 있도록 장려한다는 점입니다.

Magent AI는 AI 모델에 더 집중하는 것으로 보이며, AI 모델 토큰의 존재로 인해 토큰, 에어드랍을 중심으로 사용자 유치 및 유지를 완료하고 AI 모델의 자산화를 통해 AI 개발자의 온보딩을 유도할 수 있을 것으로 보입니다.

간단한 요약: 마그넷은 모든 AI 개발자, 모델 배포자가 ERC-20 토큰을 발행할 수 있고, 사용자가 다양한 토큰을 획득하거나 적극적으로 다른 토큰을 보유할 수 있는 GPU로 바자를 구축하는 것과 같습니다.

렌더: 그래픽 렌더링 AI 모델 프로 플레이어

렌더 네트워크는 탈중앙화된 GPU 기반 렌더링 솔루션 제공업체로, 블록체인 기술을 통해 크리에이터와 유휴 GPU 리소스를 연결하여 하드웨어의 한계를 없애고 시간과 비용을 절감하는 동시에 디지털 저작권 관리를 제공하여 메타버스를 더욱 발전시키는 것을 목표로 합니다.

렌더 백서에 따르면 아티스트, 엔지니어, 개발자는 렌더를 기반으로 AI 지원 3D 콘텐츠 생성, AI 가속 풀 시스템 렌더링, 렌더의 3D 씬 그래프 데이터를 사용한 관련 AI 모델 학습 등 다양한 AI 애플리케이션을 만들 수 있습니다.

Render는 AI 개발자를 위한 Render 네트워크 SDK를 제공하며, 개발자는 Render의 분산형 GPU를 활용하여 NeRF(신경 반사 필드) 및 라이트필드 렌더링 프로세스부터 생성형 AI 작업까지 다양한 AI 연산 작업을 수행할 수 있습니다.

글로벌 마켓 인사이트에 따르면 전 세계 3D 렌더링 시장은 60억 달러로 예상됩니다. 이는 FDV의 렌더링 시장 규모인 22억 달러와 비교하면 여전히 성장 여지가 있는 수치입니다.

현재 Render에 대한 구체적인 GPU 기반 데이터는 찾을 수 없지만, Render의 개발사인 OTOY가 여러 차례 Apple과의 관계를 밝힌 바 있고, OTOY의 대표 렌더러인 OctaneRender는 광범위한 사업 분야로 인해 VFX, 게임, 애니메이션, 디자인, 건축 시각화 및 시뮬레이션 분야를 지원하고 있기 때문에 Render의 성장 가능성은 충분합니다. 디자인, 건축 시각화 및 시뮬레이션 분야를 지원하며, Unity3D 및 Unreal 엔진에 대한 기본 지원을 포함합니다.

구글과 마이크로소프트가 RNDR 네트워크에 합류한 이후 Render는 2021년에 약 25만 건의 렌더링 요청을 처리했으며, 에코시스템의 아티스트들은 NFT를 통해 약 50억 달러의 매출을 올렸습니다.

따라서 Render의 기준 밸류에이션은 범 렌더링 시장의 잠재력(약 300억 달러)과 비교해야 합니다. BME(소각 및 채굴 균형) 경제 모델과 함께 렌더는 순수 토큰 가격과 FDV 측면에서 여전히 상승 여력이 있습니다.

Clore.ai: 비디오 렌더링

Clore.ai는 작업 증명에 기반한 GPU 연산 렌탈 서비스를 제공하는 플랫폼입니다. 사용자는 AI 트레이닝, 비디오 렌더링, 암호화폐 채굴과 같은 작업을 위해 GPU를 대여할 수 있으며, 다른 사용자들도 저렴한 비용으로 이 연산 능력을 이용할 수 있습니다.

비즈니스 분야에는 AI 트레이닝, 영화 렌더링, VPN, 암호화폐 채굴 등이 포함됩니다. 연산 서비스에 대한 특정 수요가 있을 때는 네트워크에서 할당된 작업을 완료하고, 연산 서비스에 대한 수요가 없을 때는 당시 채굴 수익률이 가장 높은 암호화폐를 찾아서 채굴에 참여합니다.

지난 6개월 동안의 클레어.ai, GPU GPU 수는 2,000개에서 약 9,000개로 증가했지만, GPU 통합 수에서는 클레어닷에이아이가 아카시를 능가합니다. 하지만 2차 시장인 FDV는 아카시의 약 20%에 불과합니다.

토큰 모델에서, 클레어는 사전 채굴이나 ICO가 없는 작업 증명 채굴 모델을 사용하며, 각 블록의 50%는 채굴자에게, 40%는 임대인에게, 10%는 팀에게 할당됩니다.

총 토큰 수는 13억 개이며, 2022년 6월에 채굴이 시작되었으므로 기본적으로 2042년에 완전히 유통될 것이며, 현재 유통량은 약 2억 2천만 개입니다. 2023년 말 유통량은 약 2억 5천만 개로 전체 토큰 수의 20%가 될 것입니다. 따라서 현재 실제 FDV는 3,100만 달러입니다. 이론적으로 Clore.ai는 심각한 저평가 상태이지만 토큰의 경제성으로 인해 채굴자에게 50%가 할당되고 채굴 및 판매 비율이 너무 높아 코인 가격 상승에 대한 저항이 더 큽니다.

Livepeer: 비디오 렌더링, 추론

Livepeer는 이더리움 기반의 탈중앙화 비디오 프로토콜로, 비디오 콘텐츠를 안전하게 처리하는 당사자에게 보상을 제공합니다. 합리적인 가격으로 비디오 콘텐츠를 안전하게 처리하는 당사자에게 보상을 제공합니다.

관계자에 따르면, Livepeer는 매주 수백만 분 분량의 비디오를 트랜스코딩할 수 있는 수천 개의 GPU 리소스를 보유하고 있습니다.

라이브피어는 "마스터" + "서브넷" 접근 방식을 사용할 수 있는데, 이 방식은 여러 노드 운영자가 서브넷을 생성하여 메인 라이브피어 네트워크에서 결제를 현금화하여 이러한 작업을 수행하는 방식입니다. 서브넷을 생성하여 Livepeer 메인 네트워크에서 결제를 현금화하여 이러한 작업을 수행할 수 있습니다. 예를 들어, 비디오 렌더링 영역에서 AI 모델 트레이닝을 전문적으로 수행하기 위해 AI 비디오 서브넷이 도입되었습니다.

Livepeer는 앞으로 AI 관련 구성 요소를 단순한 모델 트레이닝에서 추론 및 미세 조정으로 확장할 것입니다.

Aethir: 클라우드 게임과 AI에 집중

Aethir는 게임 및 AI 기업을 위해 구축된 클라우드 게임 플랫폼으로, 탈중앙화된 분산형 클라우드 인프라(DCI)를 갖춘 클라우드 게임 플랫폼입니다. 게이머 대신 과중한 GPU 컴퓨팅 부하를 처리하여 게이머가 어디서나 모든 기기에서 초저지연 경험을 할 수 있도록 지원합니다.

동시에 Aethir는 GPU, CPU, 디스크 및 기타 요소를 포함하는 배포 서비스를 제공합니다. 2023년 9월 27일, Aethir는 글로벌 고객에게 상용 클라우드 게임 및 AI 연산 서비스를 공식적으로 제공하면서 분산형 연산을 통합하여 게임용 자체 플랫폼에 대한 연산 지원은 물론, AI 모델에 대한 연산 지원을 제공합니다.

클라우드 게임은 컴퓨팅 렌더링 연산 요구 사항을 클라우드로 전환하여 최종 기기의 하드웨어 및 운영 체제 제약을 제거함으로써 잠재적인 플레이어 기반을 크게 확장합니다.

2.2 대역폭

대역폭은 DePIN이 AI에 제공하는 리소스 중 하나로, 2021년 글로벌 대역폭 시장은 500억 달러를 넘어설 것으로 예상됩니다. 2027년에는 1,000억 달러를 넘어설 것으로 예상됩니다.

AI 모델의 수와 복잡성이 증가함에 따라 모델 학습에는 데이터 병렬 처리, 파이프라인 병렬 처리, 텐서 병렬 처리와 같은 여러 병렬 컴퓨팅 전략이 사용되는 경우가 많습니다. 이러한 병렬 컴퓨팅 모델에서는 여러 컴퓨팅 장치 간의 집단 통신 작업의 중요성이 커지고 있습니다. 따라서 대규모 AI 모델을 위한 대규모 학습 클러스터를 구축할 때 네트워크 대역폭의 역할이 중요해졌습니다.

더 중요한 것은 안정적이고 충분히 신뢰할 수 있는 대역폭 리소스가 서로 다른 노드가 동시에 서로 대응하도록 보장하여 기술적으로 단일 제어 지점의 출현을 피하고(예: Falcon은 지연 시간과 대역폭 수요 간의 균형을 추구하기 위해 저지연+고대역폭 릴레이 네트워크 모델을 채택), 궁극적으로 전체 네트워크가 신뢰할 수 있고 검열에 강합니다.

그래스: 모바일 호환 대역폭 마이닝

그래스는 오픈 그리드 데이터에 주력하는 Wynd Network의 주력 제품입니다. Grass는 2023년 100만 달러의 투자를 유치한 개방형 그리드 데이터에 중점을 둔 Wynd Network의 주력 제품입니다. Grass는 사용자가 사용하지 않는 그리드 자원을 판매하여 인터넷 연결을 통해 소극적인 수익을 창출할 수 있도록 지원합니다.

사용자는 Grass에서 인터넷 대역폭을 판매하여 토큰을 받고 AI 모델 트레이닝이 필요한 AI 개발팀에 대역폭 서비스를 제공할 수 있습니다.

현재 Grass는 모바일 버전 출시를 앞두고 있으며, 모바일은 PC와 IP 주소가 다르기 때문에 Grass 사용자가 동시에 더 많은 IP 주소를 플랫폼에 제공하고, Grass는 더 많은 IP 주소를 수집하여 AI 모델 학습에 더 나은 데이터를 제공할 수 있습니다.

현재 Grass는 PC에서 다운로드할 수 있는 확장 프로그램과 모바일 앱 다운로드의 두 가지 방법으로 IP 주소를 제공합니다. (PC와 모바일은 서로 다른 네트워크에 있어야 합니다.)

2023년 11월 29일 현재, Grass 플랫폼은 103,000건의 다운로드와 1,450,000개의 고유 IP 주소를 기록했습니다.

모바일과 PC는 AI가 필요한 정도가 다르기 때문에 적용 가능한 AI 모델 학습 범주도 다릅니다.

예를 들어 모바일에는 이미지 최적화, 얼굴 인식, 실시간 번역, 음성 비서, 디바이스 성능 최적화 등을 위한 데이터가 많습니다. 이러한 데이터는 PC에서는 제공하기 어렵습니다.

현재 Grass는 모바일 AI 모델 트레이닝 분야에서 비교적 초기 단계에 있습니다. 전 세계 모바일 시장의 거대한 잠재력을 고려할 때 Grass의 미래는 주목할 가치가 있습니다.

그러나 Grass는 아직 AI 모델에 대한 보다 효과적인 정보를 제공하지 못하고 있으며, 초기 단계에서는 순수하게 코인으로만 운영될 것으로 추측됩니다.

메손 네트워크: 레이어 2 모바일 호환

메손 네트워크는 블록체인을 기반으로 한 차세대 스토리지 가속기입니다. 메손 네트워크는 유휴 서버를 모아 대역폭 자원을 스케줄링하고 마이닝을 통해 파일 및 스트리밍 미디어 가속 시장에 서비스를 제공하는 블록체인 2 기반의 차세대 스토리지 가속 네트워크로, 기존 웹사이트, 비디오, 라이브 스트리밍, 블록체인 스토리지 솔루션 등 다양한 서비스를 제공합니다.

메손 네트워크는 대역폭 리소스 풀로 생각할 수 있으며, 풀의 양쪽은 공급과 수요로 볼 수 있습니다. 전자는 대역폭을 제공하고 후자는 대역폭을 사용합니다.

메손의 구체적인 상품 구조는 전 세계 여러 노드가 기여한 대역폭을 받는 역할을 하는 두 가지 상품(GatewayX, GaGaNode)과 이렇게 모인 대역폭 자원을 실현하는 역할을 하는 한 가지 상품(IPCola)이 있습니다.

GatewayX: 상업용 유휴 대역폭을 통합하는 데 중점을 두며, 주로 IDC 센터를 대상으로 합니다.

메손의 데이터 대시보드에 따르면 현재 접속한 IDC는 전 세계 20,000개 이상의 노드를 보유하고 있으며 12.5Tib/s의 데이터 전송 용량을 형성하고 있음을 알 수 있습니다.

가가노드: 주로 가정용 및 개인용 디바이스의 유휴 대역폭을 통합하여 엣지 컴퓨팅을 지원합니다.

IPCola: IP 및 대역폭 할당과 같은 작업을 수행하는 메손 실현 채널입니다.

현재 Meson은 반기 매출이 100만 미국 달러 이상. 공식 웹사이트에 따르면, Meson은 27,116개의 IDC 노드와 17.7TB/s의 IDC 용량을 보유하고 있습니다.

현재 메손은 2024년 3~4월에 토큰을 출시할 예정이지만, 토큰 이코노미를 발표했습니다.

토큰 이름: MSN, 초기 공급량은 1억 개, 채굴 인플레이션은 첫해에 5%, 매년 0.5%씩 감소합니다.

네트워크 3: 세이 네트워크와의 통합

네트워크 3는 세이와 통합되는 전용 AI 레이어 2를 구축한 AI 회사입니다. 를 구축한 AI 회사입니다. AI 모델 알고리즘 최적화 및 압축, 엣지 컴퓨팅, 프라이버시 컴퓨팅을 통해 전 세계 AI 개발자에게 서비스를 제공하여 훈련 및 검증 모델을 빠르고, 쉽고, 효율적으로 확장할 수 있도록 지원합니다.

공식 웹사이트에 따르면, Network3는 현재 58,000개 이상의 활성 노드를 보유하고 있으며, 2PB의 대역폭 서비스를 제공합니다. 알케미 페이, 이더사인, IoTeX 등 10개의 블록체인 생태계와 협력 관계를 맺고 있습니다.

2.3 데이터

산술 및 대역폭과 달리 데이터 공급은 현재 틈새 시장입니다. 그리고 그것은 분명히 전문화되어 있습니다. 수요 그룹은 일반적으로 프로젝트 자체 또는 관련 범주의 AI 모델 개발 팀입니다. 예를 들어, 하이브맵퍼(Hivemapper)는 자체 데이터를 공급받아 자체 지도 모델을 학습시키는 패러다임이기 때문에 하이브맵퍼와 유사한 디핀 프로젝트인 디모(DIMO), 나틱스(Natix), 프로도봇(FrodoBots) 등으로 시야를 넓혀볼 수 있습니다.

Hivemapper: 자체 지도 AI 제품 활성화에 집중

HiveMapper는 하이브맵퍼는 탈중앙화된 '구글 지도'를 만드는 데 전념하는 솔라나의 디핀 컨셉 탑 중 하나입니다. 사용자는 하이브맵퍼에서 차량용 레코더를 구매하고 하이브맵퍼에서 라이브 이미지를 사용하고 공유함으로써 허니 토큰을 획득할 수 있습니다.

하이브매퍼에 대해서는 퓨처머니그룹이 "FMG 리서치 리포트: 30일 만에 19배 상승, 하이브매퍼로 대표되는 자동차 디핀 산업을 읽다"에서 자세히 설명한 바 있으므로 여기서는 더 이상 설명하지 않겠습니다. 하이브맵퍼를 AI+DePIN 부문에 포함시킨 이유는 차량용 블랙박스가 수집한 데이터를 기반으로 고품질의 지도 데이터를 생성할 수 있는 인공지능 지도 제작 엔진인 MAP AI를 출시했기 때문입니다.

지도 AI는 AI 트레이너라는 새로운 역할을 설정합니다. 이 역할은 이전의 카로그 데이터 제공자뿐만 아니라 지도 AI 모델 트레이너를 포함합니다.

하이브매퍼의 AI 모델 트레이너에 대한 요구 사항은 의도적이지 않습니다. 트레이너에 대한 요구 사항은 의도적으로 전문화된 것이 아니라 원격 작업, 지리적 위치 추측 및 기타 게임과 유사한 낮은 참여 임계값을 채택하여 더 많은 IP 주소가 참여할 수 있도록 하며, DePIN 프로젝트의 IP 자원이 풍부할수록 AI가 데이터를 더 효율적으로 획득할 수 있습니다. 디핀 프로젝트의 IP 자원이 풍부할수록 인공지능이 데이터를 더 효율적으로 획득할 수 있으며, 인공지능 학습에 참여하는 사용자에게는 허니 토큰이 보상으로 지급됩니다.

하이브매퍼의 AI 적용은 상대적으로 틈새시장이며, 하이브매퍼는 타사 모델 학습도 지원하지 않으며, 맵 AI는 자체 지도 제품을 최적화하는 것을 목표로 합니다. 따라서 하이브매퍼에 대한 투자 논리는 변하지 않을 것입니다.

잠재력

DIMO: 차량 내부에서 데이터 수집

DIMO: 자동차 내부에서 데이터 수집

< p style="text-align: left;">DIMO는 운전자가 차량 데이터를 수집하고 공유할 수 있는 Polygon 기반의 차량용 IoT 플랫폼으로, 차량 주행 거리, 주행 속도, 위치 추적, 타이어 공기압, 배터리/엔진 상태 등의 데이터를 기록할 수 있습니다.

DIMO 플랫폼은 차량 데이터를 분석하여 유지보수가 필요한 시기를 예측하고 사용자에게 적시에 알림을 보낼 수 있습니다. 운전자는 차량에 대한 인사이트를 얻을 수 있을 뿐만 아니라 DIMO 생태계에 데이터를 제공하여 DIMO 토큰으로 보상을 받을 수 있습니다. 또한 데이터 소비자로서 프로토콜에서 데이터를 추출하여 배터리, 오토파일럿 시스템 및 제어 장치와 같은 구성 요소의 성능을 이해할 수 있습니다.

Natix: 프라이버시 지원 지도 데이터 수집

Natix는 AI 프라이버시 특허를 사용하여 구축된 탈중앙화 네트워크입니다. AI 프라이버시 특허를 기반으로 전 세계를 카메라 장치(스마트폰, 드론, 자동차)와 결합하여 중간 규모의 보안 카메라 네트워크를 만들고, 데이터를 수집하여 프라이버시를 준수하는 방식으로 분산형 동적 지도(DD맵)를 콘텐츠로 채우는 것을 목표로 합니다.

데이터 제공에 참여하는 사용자는 토큰과 대체 불가능한 토큰으로 인센티브를 받습니다.

프로도봇: 로봇 지원 탈중앙화 웹 앱

프로도봇은 모바일 로봇 지원 앱입니다. 카메라를 사용하여 충격 데이터를 수집하는 모바일 로봇 지원 앱이며, 일부 소셜 속성을 갖춘 DePIN과 유사한 게임입니다.

사용자는 봇을 구매하여 게임 과정에 참여하고 전 세계 플레이어와 상호 작용할 수 있습니다. 로봇의 자체 카메라는 도로 및 지도 데이터를 수집하고 집계하기도 합니다.

위 세 프로젝트는 모두 데이터 수집과 IP 프로비저닝 요소를 모두 갖추고 있으며, 아직 관련 AI 모델을 학습시키지 않았음에도 불구하고 AI 모델 도입에 필요한 조건을 갖추고 있습니다. 하이브매퍼를 포함한 이 프로젝트들은 모두 데이터를 캡처하고 완전한 그래프를 형성하기 위해 카메라가 필요합니다. 따라서 적용된 AI 모델도 모두 주로 지도 제작 분야에 국한되어 있습니다. AI 모델의 역량 강화는 프로젝트가 더 높은 해자를 구축하는 데 도움이 될 수 있습니다.

주의해야 할 점은 카메라를 통한 수집은 종종 양방향 프라이버시 침해 및 기타 규제 문제에 직면한다는 점입니다. 예를 들어, 외부 카메라가 행인의 초상권 정의를 위해 외부 이미지를 수집하는 경우와 사용자의 프라이버시를 중시하는 경우입니다. 예를 들어 Natix는 개인 정보 보호를 위해 AI를 운영합니다.

2.4 알고리즘

계산 능력, 대역폭, 데이터는 리소스 측면에 초점을 맞춘다면 알고리즘은 AI 모델의 측면에 초점을 맞춥니다. 이 글에서는 비트텐서를 예로 들어, 비트텐서는 데이터나 연산 능력을 직접 제공하지 않고 블록체인 네트워크와 인센티브 메커니즘을 통해 다양한 알고리즘을 스케줄링하고 선별하여 AI 분야가 자유로운 경쟁과 지식 공유를 통해 모델 시장을 형성할 수 있도록 합니다.

오픈AI와 유사하게 비트텐서는 모델의 탈중앙화 특성을 유지하면서 기존 거대 모델과 견줄 수 있는 추론 성능을 달성하는 것을 목표로 합니다.

알고리즘 트랙은 시대를 다소 앞서가고 있으며, 유사한 프로젝트도 드물지 않습니다. 특히 Web3에서 탄생한 AI 모델이 등장하면 모델 간의 경쟁이 일반화될 것입니다.

동시에 모델 간의 경쟁은 AI 모델 산업의 다운스트림인 추론과 미세 조정의 중요성도 높일 것입니다. AI 모델 학습은 AI 산업의 업스트림에 불과하며, 모델을 먼저 학습시켜 초기 지능을 확보하고 이를 바탕으로 보다 세심한 모델 추론과 조정(최적화로 이해할 수 있음)을 거쳐야 최종적으로 AI 모델로 사용할 수 있게 됩니다. 최적화로 이해할 수 있음)을 거쳐 최종적으로 엣지에 완제품으로 배포할 수 있습니다. 이러한 프로세스에는 더 복잡한 생태학적 아키텍처와 산술적 지원이 필요합니다. 이는 곧 성장 잠재력이 크다는 뜻이기도 합니다.

비트텐서: AI 모델 예측 머신

비트텐서는 폴카닷의 메인 네트워크 + 서브넷과 유사한 아키텍처를 가진 분산형 머신러닝 에코시스템입니다. 중앙화된 머신러닝 생태계입니다.

작동 로직: 서브넷은 활동 정보를 (예후 예측기와 유사한 역할을 하는) 비트텐서 API에 전달하고, 이 API는 유용한 정보를 메인넷에 전달한 다음 보상을 분배합니다.

< img src="https://img.jinse.cn/7171691_image3.png">

비트텐서 32 서브넷

비트텐서 생태계 내 역할:

채굴자: 전 세계의 다양한 AI 알고리즘과 모델을 제공하는 제공자로, AI 모델을 호스팅하고 이를 비트텐서 네트워크에서 사용할 수 있도록 하며, 다양한 유형의 모델이 서로 다른 서브넷을 구성합니다.

검증자: 평가자 내의 비텐서 네트워크. 평가자. AI 모델의 품질과 효과를 평가하고, 특정 작업에 대한 성능을 기반으로 AI 모델의 순위를 매기고, 소비자가 최상의 솔루션을 찾을 수 있도록 도와줍니다.

사용자: Bittensor에서 제공하는 AI 모델의 최종 사용자입니다. 애플리케이션을 만들기 위해 AI 모델을 찾는 개인 또는 개발자가 될 수 있습니다.

노미네이터: 특정 검증자에게 토큰을 위임하여 지지를 표시하거나 다른 검증자로 전환하여 위임할 수 있습니다.

개방형 AI 공급/수요 체인: 누군가는 서로 다른 모델을 제공하고, 누군가는 다른 모델을 평가하고, 누군가는 가장 우수한 모델이 제공한 결과를 사용합니다.

'파워 브로커' 역할을 하는 아카시나 렌더와 달리, 비트텐서는 기존 모델을 사용해 더 많은 데이터를 흡수하는 '노동 시장'에 가깝습니다. 비트텐서는 기존 모델을 사용하여 더 많은 데이터를 흡수하여 모델을 더 합리적으로 만드는 "노동 시장"에 가깝습니다. 채굴자와 검증자는 "건축업자"와 "감독자"에 가깝습니다. 사용자가 질문을 하면 채굴자가 답을 출력하고, 검증자가 답변의 품질을 평가하여 사용자에게 반환합니다.

비트 텐서 토큰은 TAO로 현재 시가 총액 측면에서 RNDR에 이어 두 번째이지만 4 년 반감기의 장기 릴리스 메커니즘이 존재하기 때문에 완전히 희석 된 가치에 대한 시가 총액의 비율이 여러 프로젝트 중 가장 낮으며 이는 현재 TAO의 전체 유통량은 상대적으로 낮지 만 단가는 상대적으로 높다는 것을 의미합니다. 높은. 이는 TAO가 실질적으로 저평가되어 있다는 것을 의미합니다.

현재 적절한 밸류에이션을 찾기는 어렵지만, 구조의 유사성만 놓고 보면 폴카닷(약 120억 달러)이 기준이 되고, TAO는 8배에 가까운 상승 여력을 가지고 있습니다.

'예언 기계' 속성의 레퍼런스로 체인링크(140억 달러)를 꼽는다면, TAO는 9배에 가까운 상승 여력이 있습니다.

비즈니스 유사성을 기준으로 OpenAI(약 300억 달러, 마이크로소프트)를 참고한다면 TAO는 약 20배의 하드톱을 가질 수 있습니다.

결론

전반적으로 AI+DePIN은 웹3.0 맥락에서 AI 트랙의 패러다임 전환을 주도하며 다음과 같이 시장을 움직였습니다. "웹3.0에서 AI가 무엇을 할 수 있을까?" 라는 질문에서 "AI와 웹3.0이 세상을 위해 무엇을 할 수 있을까?"라는 더 큰 질문에 대해 생각하도록 유도했습니다. 더 큰 질문.

NVIDIA의 CEO인 젠슨 황이 제너레이티브 매크로 모델의 출시를 AI의 "아이폰" 순간이라고 불렀다면, AI와 DePIN의 결합은 웹3가 실제로 "아이폰" 순간을 맞이하고 있다는 것을 의미합니다. Web3의 "아이폰" 순간.

DePIN은 현실 세계에서 가장 접근성이 높고 성숙한 웹3의 사용 사례로서 웹3의 접근성을 높이고 있습니다.

AI+DePIN 프로젝트에서 IP 노드와 Web3 플레이어가 부분적으로 겹치기 때문에, 이 둘의 결합은 업계가 Web3의 자체 모델과 AI 제품을 생성하는 데도 도움이 되고 있습니다. 이는 웹3.0 산업의 전반적인 발전에 도움이 될 것이며, AI 모델 추론 및 미세 조정, 모바일 AI 모델 개발 등 업계에 새로운 길을 열어줄 것입니다.

한 가지 흥미로운 점은 기사에 소개된 AI+DePIN 제품들이 퍼블릭 체인의 발전 경로를 탈중첩화할 수 있을 것으로 보인다는 점입니다. 이전 사이클에서 다양한 새로운 퍼블릭 체인이 생겨났고, 자체적인 TPS와 거버넌스를 통해 다양한 개발자들을 끌어들였습니다.

현재 AI+DePIN 상품도 마찬가지로 자체적인 연산, 대역폭, 데이터, IP 등의 장점을 바탕으로 다양한 AI 모델 개발자들을 끌어들이고 있습니다. 따라서 현재 AI+DePIN 상품은 동종 경쟁을 선호하는 추세를 보이고 있습니다.

핵심은 연산 능력의 양이 아니라(물론 중요한 전제 조건이긴 하지만) 연산 능력을 어떻게 사용할 것인가에 있습니다. AI+DePIN 트랙은 아직 '거친 성장'의 초기 단계에 있기 때문에 AI+DePIN과 그 제품들의 미래에 대해 많은 기대를 걸 수 있습니다.

참고자료

1. https://www.techopedia.com/decentralized- 물리적-인프라-네트워크-DePIN-brings-ai-and-crypto-together

2. https://medium.com/meson- 네트워크/증가하는 AI 및 DePIN 트렌드와 함께-왜-메신저 네트워크에 대한 감시를 고려해야 하는가-59094665c9bd

3. https://medium.com/cudos/the-rise-of-DePIN-unveiling-the-future-of-ai-and-metaverse-compute-requirements- 213f7b5b1171

4.https://www.numenta.com/blog/2022/05/24/ai-is-harming-our-planet/

5.https://www.techflowpost.com/article/detail_15398.html

6.https://www.numenta.com/blog /2022/05/24/ai-is-harming-our-planet/

7.https://mirror.xyz/livepeer.eth/ 7yjb5osZ28AJ9xvA54bZ4T2hUpNM5O9rrpv-zmGWDZ4