지능형 몸의 시대: AI와 암호화폐의 만남과 공생

Zeke, YBB Capital 연구원

주의의 새로움에서 시작됩니다

지난 1년간 암호화폐 업계는 애플리케이션 레이어 내러티브가 인프라 폭발의 속도를 따라가지 못하면서 점차 주목 자원 경쟁의 장으로 변모했습니다. 실리 드래곤에서 고트, 펌프닷펀에서 클랭커에 이르기까지, 관심도 쟁탈전은 그 과정에서 폭발적인 성장을 거듭해 왔습니다. 실리 드래곤에서 고트, 펌프닷펀에서 클랭커에 이르기까지, 주목도를 둘러싼 전쟁은 현금을 노리는 가장 평범한 시선으로부터 시작하여 주목도의 수요자와 공급자를 통합하는 플랫폼 모델로 빠르게 변화했고, 새로운 콘텐츠 공급자가 된 실리콘 기반의 유기체들로 빠르게 변화했습니다.
"

주의는 궁극적으로 제로섬 게임이지만, 투기는 확실히 사물의 거친 성장에 기여할 수 있습니다. 유니에 대한 기사에서 우리는 블록체인의 마지막 황금기의 시작을 회상하며 디파이가 급성장한 원인은 컴파운드 파이낸스가 시작한 LP 채굴 시대에서 비롯되었으며, 수천, 수만 개의 에이피를 가지고 다양한 채굴풀을 드나드는 것이 그 당시 체인에서 가장 원시적인 게임 방식이었지만 결국에는 온갖 종류의 채굴풀이 무너지고 여기저기 닭과 깃털이 난무하는 상황이었다고 회고했습니다. 그러나 금 채굴자들의 엄청난 유입은 블록체인에 전례 없는 유동성을 남겼고, 디파이는 결국 순수한 투기 목적에서 벗어나 결제, 거래, 차익거래, 담보 등 사용자의 금융 수요를 충족시키며 성숙한 궤도에 올라섰습니다. AI 에이전트도 현재 이 야만적인 단계를 거치고 있으며, 저희는 어떻게 하면 암호화폐가 AI와 더 잘 통합되어 궁극적으로 애플리케이션 계층을 새로운 단계로 끌어올릴 수 있을지 연구하고 있습니다.

두 번째: 지능형 신체가 자율적으로 되는 방법

이전 글에서 AI 밈, 진실 터미널의 기원과 AI 에이전트의 미래에 대한 전망을 간략하게 소개해드렸습니다. 이 글에서는 무엇보다도 AI 에이전트 자체에 초점을 맞춥니다.

먼저 AI 에이전트의 정의부터 살펴볼까요? AI 에이전트는 자율성, 즉 환경을 감지하고 반영할 수 있는 모든 AI를 강조하는 AI 분야에서 오래되고 잘 정의되지 않은 용어입니다. 오늘날의 정의에서 AI 에이전트는 지능형 신체, 즉 인간의 의사 결정을 모방하기 위해 대규모 모델을 설정하는 시스템에 더 가깝고, 학계에서는 AGI(일반 인공 지능)로 나아가기 위한 가장 유망한 방법으로 간주됩니다.

초기 버전의 GPT에서는 빅 모델이 인간과 매우 유사하다는 것은 분명했지만, 복잡한 질문에 대해 그럴듯한 답변만 내놓을 수 있었습니다. 근본적인 이유는 당시의 빅 모델이 인과관계가 아닌 확률에 기반했기 때문이고, 두 번째는 인간이 가진 도구 사용 능력, 기억력, 계획 등이 부족했기 때문이며, AI 에이전트는 이러한 결함을 보완할 수 있습니다. 공식으로 요약하자면, AI 에이전트 = LLM + 기획 + 메모리 + 도구라고 할 수 있습니다.

프롬프트(Prompt) 기반의 대형 모델이 입력하면 살아 움직이는 정적인 사람이라면, 지능형 바디는 보다 현실적인 사람을 지향합니다. 이제 지능형 바디의 원은 주로 메타 오픈 소스 Llama 70b 또는 405b 버전 (두 매개 변수가 다름)의 미세 조정 모델을 기반으로하며 메모리와 API 액세스 도구를 사용할 수있는 기능을 갖추고 있으며 다른 측면에서는 사람의 도움이나 입력 (다른 지능형 바디 협업과의 상호 작용 포함)이 필요할 수 있으므로 지능형 바디의 원은 여전히 주로 KOL 존재의 형태임을 알 수 있습니다! 소셜 네트워크에서. 지능이 보다 인간답게 되려면 계획과 실행 능력에 대한 접근이 필요하며, 계획의 하위 사고 사슬이 특히 중요합니다.

셋째: 생각의 사슬(CoT)

생각의 사슬(CoT)이라는 개념은 2022년 Google이 Chain of Thought라는 논문을 발표하면서 처음 등장했습니다. Google은 대규모 언어 모델에서 추론을 유도하는 생각의 사슬이라는 논문을 발표하여 복잡한 문제를 더 잘 이해하고 해결하는 데 도움이 되는 일련의 중간 추론 단계를 생성함으로써 모델을 증강할 수 있다고 제안했습니다.

일반적인 CoT 프롬프트는 세 부분으로 구성됩니다: 지침 작업에 대한 명시적 설명 논리적 근거 작업을 뒷받침하는 이론적 근거 또는 원칙 구체적인 솔루션 데모의 예 이 구조화된 접근 방식은 모델이 다음을 수행하는 데 도움이 됩니다. 작업 요구 사항을 이해하고 논리적 추론을 통해 단계별로 답변에 접근하여 문제 해결의 효율성과 정확성을 향상시킵니다.CoT는 특히 수학적 문제 해결, 프로젝트 보고서 작성 및 기타 간단한 작업과 같이 심층 분석 및 다단계 추론이 필요한 작업에 적합하며 CoT는 큰 이점을 가져 오지 않을 수 있지만 복잡한 작업의 경우 모델의 성능을 크게 향상시키고 단계별 솔루션 전략을 통해 오류율을 줄이며 다음을 향상시킬 수 있습니다. 작업 완료 품질을 향상시킬 수 있습니다.

CoT는 수신한 정보를 이해하고 이를 바탕으로 합리적인 결정을 내려야 하는 AI 에이전트를 구축하는 데 중요한 역할을 합니다. CoT는 파싱 결과를 구체적인 작업 지침으로 변환하는 방법에 대한 구조화된 사고 방식을 제공함으로써 에이전트가 입력을 효율적으로 처리하고 분석할 수 있도록 도와줍니다. 이러한 접근 방식은 상담원의 의사 결정의 신뢰성과 효율성을 향상시킬 뿐만 아니라 의사 결정 과정의 투명성을 개선하여 상담원의 행동을 더욱 예측 가능하고 추적 가능하게 만듭니다. CoT는 작업을 여러 개의 작은 단계로 세분화함으로써 상담원이 각 결정 지점을 신중하게 고려하도록 돕고 정보 과부하로 인한 잘못된 결정의 수를 줄입니다. CoT는 상담원의 의사 결정 과정을 더욱 투명하게 만들고 사용자가 상담원의 의사 결정 근거를 더 쉽게 이해할 수 있도록 합니다. CoT를 통해 에이전트는 지속적으로 새로운 정보를 학습하고 환경과 상호 작용하면서 행동 전략을 조정할 수 있습니다.

CoT는 대규모 언어 모델의 추론 능력을 향상시킬 뿐만 아니라 더 스마트하고 신뢰할 수 있는 AI 에이전트를 구축하는 데 중요한 역할을 하는 효과적인 전략입니다. 연구자와 개발자는 CoT를 활용하여 복잡한 환경에 더 잘 적응하고 높은 수준의 자율성을 갖춘 지능형 시스템을 만들 수 있으며, 특히 복잡한 작업을 처리할 때 작업을 일련의 작은 단계로 세분화하여 작업 솔루션의 정확성을 향상시킬 뿐만 아니라 모델의 해석 가능성과 제어 가능성을 향상시키는 등 실제 적용에서 고유한 장점을 입증해 왔습니다. 이러한 단계별 문제 해결 접근 방식은 복잡한 작업에 직면했을 때 너무 많은 정보나 지나친 복잡성으로 인한 잘못된 의사 결정을 크게 줄일 수 있습니다. 동시에 이 접근 방식은 전체 솔루션의 추적성과 검증 가능성을 향상시킵니다.

CoT의 핵심 기능은 계획, 실행, 관찰을 서로 결합하여 추론과 실행 사이의 간극을 메우는 것입니다. 이러한 사고 방식은 AI 에이전트가 외부 환경과 상호 작용하면서 새로운 정보를 축적하고, 미리 결정된 예측을 검증하고, 추론의 새로운 기반을 제공할 뿐만 아니라 이상 징후를 예측할 때 효과적인 대응책을 수립할 수 있도록 합니다.
CoT는 AI 에이전트가 복잡한 환경에서도 생산성을 유지할 수 있도록 정확성과 안정성의 강력한 엔진 역할을 수행합니다.

4: 올바른 의사 요구사항

크립토가 실제로 통합해야 하는 AI 기술 스택의 측면은 무엇일까요? 작년 글에서 저는 산술과 데이터의 탈중앙화가 중소기업과 개인 개발자들이 비용을 절감할 수 있도록 돕는 핵심 단계라고 주장했으며, 올해 코인베이스가 정리한 Crypto x AI 트랙 분석에서는 좀 더 세부적인 구분을 볼 수 있습니다.

(1) 컴퓨팅 계층 (그래픽 처리 장치 (GPU)를 의미하는) AI에 AI 그래픽 처리 장치(GPU) 리소스를 가진 개발자를 의미함);

(2) 데이터 레이어(AI 데이터 파이프라인의 분산 액세스, 오케스트레이션 및 검증을 지원하는 네트워크를 의미함);

(3) 미들웨어 레이어(AI 데이터 파이프라인의 개발, 배포 및 AI 모델 또는 인텔리전스의 호스팅을 지원하는 네트워크를 의미)

(4) 애플리케이션 계층(온체인 AI 메커니즘을 활용하는 B2B 또는 B2C의 사용자 대상 제품 참조).

이 네 계층은 각각 야심찬 비전을 가지고 있으며, 요약하자면 실리콘밸리의 거대 기업들이 인터넷을 지배하는 다음 시대에 대응하는 것입니다. 작년에 말씀드렸듯이 실리콘 밸리의 거대 기업들이 산술, 데이터를 독점적으로 통제하는 것을 정말 받아들여야 할까요? 그들의 독점하에있는 폐쇄 소스 빅 모델은 내부의 또 다른 블랙 박스, 오늘날 인류가 가장 믿는 종교로서의 과학, 미래의 빅 모델이 대답하는 모든 단어는 많은 사람들이 진실로 간주 할 것이지만이 진실은 어떻게 검증해야합니까? 실리콘 밸리 거인의 비전에 따르면 지능형 기관은 결국 지갑을 지불 할 권리, 단말기를 사용할 권리, 사람들이 악한 생각을하지 않도록하는 방법과 같이 상상을 초월하는 접근 권한을 갖게 될 것입니까?

탈중앙화가 유일한 답이지만, 이러한 원대한 비전을 위해 얼마나 많은 구매자가 있는지에 대해 총체적으로 생각해야 할 때가 있을까요? 과거에는 비즈니스 폐쇄를 고려하지 않고 토큰을 통해 이상화의 오류를 보완할 수 있었습니다. 지금은 상황이 매우 심각하며, 예를 들어 산술 계층의 성능 저하와 불안정성이 발생할 경우 양쪽 공급의 균형을 어떻게 맞출 것인지 등 실제 상황에 비추어 Crypto x AI를 설계해야 합니다. 중앙 집중식 클라우드에 필적하는 경쟁력을 갖추기 위해. 데이터 레이어 프로젝트에 실제 사용자는 얼마나 될 것이며, 제공된 데이터의 유효성을 어떻게 테스트할 것이며, 어떤 종류의 고객이 데이터를 필요로 할까요? 나머지 두 계층에도 동일하게 적용되며, 오늘날과 같은 시대에는 정확해 보이는 가짜 니즈가 그렇게 많이 필요하지 않습니다.

V. 밈은 소셜파이가 부족하다

첫 번째 단락에서 말했듯이 밈은 웹3에 맞는 소셜파이 형태가 매우 빠르게 소진되었습니다. Friend.tech는 소셜 앱의 첫 포문을 연 첫 번째 디앱이지만 서둘러 토큰을 설계하는 데 실패했고, Pump.fun은 토큰 없이, 규칙 없이 순수 플랫폼의 가능성을 증명했습니다. 관심의 수요자와 공급자가 통합되어 스토킹 사진을 보내고, 라이브 방송을하고, 코인을 보내고, 메시지를 남기고, 플랫폼에서 거래 할 수 있으며, 모든 것이 무료이며, Pump.fun은 서비스 수수료 만 징수합니다. 이것은 기본적으로 오늘날의 YouTube, Ins 및 기타 소셜 미디어 관심 경제 모델과 동일하지만 요금이 다르며 Pupm.fun의 게임 플레이는 더 Web3입니다.

Base의 클랭커, 반면에. 베이스의 클랭커는 에코가 직접 작업한 통합 생태계 덕분에 걸작이며, 베이스는 완벽한 내부 폐쇄 루프를 형성하는 데 도움이 되는 자체 소셜 디앱을 보유하고 있습니다. 스마트 바디 밈은 밈 코인의 2.0 형태입니다. 사람들은 항상 새로운 것을 찾고 있으며, 펌프닷펀은 새로운 것의 정점에 있기 때문에 실리콘 기반 생물이 탄소 기반 생물의 저속함을 변덕으로 대체하는 것은 시간 문제일 뿐입니다.

베이스에 대해 열 번째 언급했지만 매번 다르게 언급했고, 타임라인 측면에서 보면 베이스가 퍼스트 무버가 된 적은 없지만 항상 승자였습니다.

식스: 지능적 신체란 또 무엇인가요?

실용적인 관점에서 볼 때 앞으로 오랫동안 지능을 분산시키는 것은 불가능합니다. 전통적인 AI 분야에서 지능을 구축하는 것은 추론 과정을 분산시키고 오픈 소싱하는 단순한 문제가 아니며 웹2의 콘텐츠에 액세스하려면 다양한 API에 액세스해야 하고 실행 비용이 비싸고 사고 사슬의 설계가 비싸고 사고 사슬의 설계가 비싸고 사고 사슬의 설계가 비싸다. 비용이 많이 들고, 사고 사슬의 설계와 여러 지능의 협업은 일반적으로 여전히 인간을 매개로 합니다. 아마도 UNI와 같은 적절한 형태의 융합이 등장할 때까지 우리는 긴 전환기를 맞이할 것입니다. 하지만 이전 포스팅과 마찬가지로 저는 여전히 우리 업계에서 Cex의 존재가 정확하지는 않지만 중요한 것처럼 인텔리전스가 우리 업계에 큰 영향을 미칠 것이라고 생각합니다.

지난달에 나온 스탠포드 & 마이크로소프트의 "AI 에이전트 라운드업" 기사에서는 의료 산업, 스마트 머신, 가상 세계에서의 인텔리전스 사용에 대해 많이 설명하고 있으며, 해당 기사의 부록에는 이미 상위 3A 게임 개발에서 인텔리전스로서 GPT-4V의 테스트 사례가 많이 나와 있습니다.

분산화를 통해 속도를 너무 강조하지 않으면서 인텔리전스가 채우기를 바라는 퍼즐의 첫 번째 조각은 상향식 기능과 속도입니다. 우리에게는 채워야 할 내러티브 폐허와 빈 메타 유니버스가 너무 많으므로 적절한 단계에서 이를 다음 UNI로 만드는 방법에 대해 고민할 것입니다.