인터넷의 다음 단계: 웹 4.0 인공 지능 에이전트 네트워크

저자: Azi.eth.sol | zo.me 출처: X, @MagicofAzi 번역: 굿오바, 골든파이낸스

인공지능(AI)과 블록체인 기술은 우리 세상을 재편하는 두 가지 혁신적인 힘입니다.AI는 머신러닝과 신경망을 통해 인간의 인지를 향상시키고, 블록체인 기술은 검증 가능한 디지털 희소성을 도입해 신뢰 없는 조정을 가능하게 합니다. 이러한 기술이 융합되면 분산된 시스템과 상호 작용하는 자율 에이전트 네트워크인 차세대 인터넷의 토대가 마련됩니다. 이 '에이전트화된 네트워크'는 독립적으로 탐색하고 협상하고 거래할 수 있는 AI 에이전트라는 새로운 범주의 디지털 시민을 등장시킵니다. 이러한 변화는 디지털 영역에서 권력을 재분배하여 개인이 자신의 데이터에 대한 주권을 되찾는 동시에 인간과 AI가 전례 없는 방식으로 협업하는 생태계를 조성할 수 있게 해줍니다.

< /p>

웹의 진화

우리가 어디로 향하고 있는지 이해하기 위해 각 단계마다 다른 기능과 아키텍처 패러다임을 가진 웹의 진화 과정을 살펴보는 것부터 시작하겠습니다.

웹의 첫 두 세대는 정보의 보급에 중점을 두었다면 마지막 두 세대는 정보의 고도화를 가능하게 했습니다.Web 3.0은 토큰을 통해 데이터 소유권을 도입했습니다. 을 통해 데이터 소유권을 도입했고, 이제 웹 4.0은 대규모 언어 모델(LLM)을 통해 인텔리전스를 주입합니다.

대규모 언어 모델에서 에이전트로: 자연스러운 진화

LLLM은 확률적 계산을 통해 방대한 양의 지식을 문맥 이해로 변환하는 동적 패턴 매칭 시스템으로서 기계 지능의 비약적인 도약을 의미합니다. 그러나 LLM의 진정한 잠재력은 순수한 정보 프로세서에서 지각, 추론, 행동이 가능한 목표 지향적 개체로 진화하는 에이전트로 구축될 때 드러납니다. 이러한 변화는 언어와 행동을 통해 지속적이고 의미 있는 협업을 할 수 있는 새로운 지능을 만들어냅니다.

'에이전트'라는 용어는 기존 챗봇과 관련된 한계와 부정적인 연관성을 넘어 인간이 AI와 상호작용하는 방식을 변화시키는 새로운 패러다임을 도입합니다. 이러한 변화는 단순한 의미의 변화가 아니라 AI 시스템이 인간과 의미 있는 협업을 유지하면서 자율적으로 작동하는 방법에 대한 근본적인 재정의입니다. 에이전트화된 워크플로는 궁극적으로 특정 사용자 의도를 중심으로 시장을 형성할 수 있게 해줍니다.

결국 에이전트화된 웹은 새로운 차원의 지능을 넘어 우리가 디지털 시스템과 상호 작용하는 방식을 근본적으로 변화시킵니다. 과거 버전의 웹이 정적 인터페이스와 사전 정의된 사용자 경로에 의존했다면 에이전트화된 웹은 사용자의 컨텍스트와 의도에 따라 계산과 인터페이스가 실시간으로 적응하는 동적 런타임 인프라를 도입합니다.

전통적 웹 사이트와 에이전트화된 웹

전통적 웹 사이트는 오늘날 인터넷의 기본 단위로, 사용자가 정보를 읽고 쓰고 상호 작용할 수 있도록 미리 정의된 경로를 갖춘 고정된 인터페이스를 제공합니다. 이 모델은 완전한 기능을 제공하지만 사용자의 개별적인 요구보다는 일반적인 용도로 설계된 인터페이스로 사용자를 제한합니다. 에이전트화된 웹은 RAG 및 기타 실시간 정보 검색 혁신을 통해 구현된 상황 인식 계산, 적응형 인터페이스 생성, 예측 작업 프로세스를 사용하여 이러한 한계를 극복합니다.

사용자 선호도에 실시간으로 적응하는 고도로 개인화된 푸시 콘텐츠를 생성하여 콘텐츠 소비 방식을 혁신한 TikTok의 사례를 살펴보세요. 에이전트화된 웹은 이 개념을 전체 인터페이스 생성 수준까지 확장합니다. 사용자는 고정된 페이지 레이아웃을 탐색하는 대신 동적으로 생성된 인터페이스와 상호 작용하여 다음 행동을 예측하고 이를 용이하게 합니다. 정적 웹 사이트에서 동적 에이전트 중심 인터페이스로의 전환은 탐색 기반에서 인텐트 기반 상호 작용 모델로 디지털 시스템과 상호 작용하는 방식의 근본적인 진화를 의미합니다.

에이전트의 구조

에이전트 기반 아키텍처는 연구자와 개발자들에게 거대한 탐구 영역이었습니다. 추론과 문제 해결 능력을 향상시키기 위한 새로운 접근 방식이 끊임없이 개발되고 있습니다. 생각의 사슬(CoT), 생각의 나무(ToT), 생각의 그래프(GoT)와 같은 기술은 보다 세밀하고 인간과 유사한 인지 과정을 모델링하여 대규모 언어 모델(LLM)이 복잡한 작업을 처리하는 능력을 향상시키는 혁신적인 예입니다. .

연쇄적 사고(CoT)는 대규모 언어 모델이 복잡한 작업을 더 작고 관리하기 쉬운 단계로 세분화하도록 유도합니다. 이 접근 방식은 짧은 Python 스크립트를 작성하거나 수학 방정식을 푸는 등 논리적 추론이 필요한 문제에 특히 효과적입니다.

< /p>

트리 사고(ToT) CoT의 또 다른 발전은 여러 독립적인 사고 경로를 탐색할 수 있는 트리 구조를 사용하는 것입니다. 이러한 개선으로 LLM은 더 복잡한 작업을 처리할 수 있습니다. ToT에서는 각 '생각'(LLM의 텍스트 출력)이 그 앞과 뒤에 있는 '생각'과만 연결되어 국소화된 체인(가지)을 형성합니다. 이 구조는 CoT보다 유연성이 뛰어나지만, 생각 간 소통의 잠재력은 여전히 제한적입니다.

그래픽적 사고(GoT)는 이 개념을 더욱 확장하여 고전적인 데이터 구조와 LLM을 결합한 것으로, 하나의 '생각'이 그래프의 다른 생각에 연결될 수 있도록 함으로써 ToT의 범위를 넓혀줍니다. 이러한 생각의 상호 연결은 인간의 인지 과정에 더 가깝습니다.

GoT의 그래픽 구조는 일반적으로 CoT나 ToT보다 인간의 사고 패턴을 더 정확하게 반영합니다. 인간의 사고 패턴이 연쇄적이거나 나무처럼 보이는 상황(예: 비상 계획이나 표준 운영 절차를 개발할 때)도 있지만, 이는 규칙이 아니라 예외이며, GoT 모델은 엄격한 순서를 따르기보다는 종종 여러 생각에 걸쳐 있는 인간의 사고에 더 잘 부합하는 모델입니다. 비상 계획이나 표준 절차 개발과 같은 일부 상황은 여전히 연쇄적이거나 나무처럼 연결될 수 있지만, 우리의 사고는 종종 복잡하고 상호 연결된 생각의 네트워크를 형성하며, 이는 GoT의 그래픽 구조와 더 잘 어울립니다.

이미지 src="https://img.jinse.cn/7315879_watermarknone.png" title="7315879" alt="yTTGmKyu3HHleepJHvSlIJ65kCRQpnkdrRWgAlrx.png"><

GoT의 그래픽 접근 방식은 아이디어를 보다 역동적이고 유연하게 탐색할 수 있게 하여 잠재적으로 보다 창의적이고 총체적인 문제 해결 능력을 키울 수 있습니다.

이러한 재귀적 그래프 기반 작업은 에이전트 기반 워크플로의 진화의 한 단계에 불과합니다. 다음 단계의 진화는 서로 다른 전문성을 가진 여러 상담원이 서로 협력하여 특정 목표를 향해 함께 작업하는 것입니다. 에이전트의 장점은 바로 이들의 조합에 있습니다.

에이전트를 사용하면 여러 에이전트의 조정을 통해 LLM을 모듈화하고 병렬화할 수 있습니다.

멀티 에이전트 시스템

멀티 에이전트 시스템이라는 개념은 새로운 아이디어가 아닙니다. 그 뿌리는 마빈 민스키의 저서 <마음의 사회>에서 여러 개의 모듈형 마음이 함께 작동하면 하나의 큰 마음을 능가할 수 있다고 제안한 것에서 찾을 수 있으며, ChatGPT와 클로드는 단일 에이전트이고, 미스트랄은 전문가들의 혼합을 대중화했습니다. 이 아이디어를 더 확장하면 에이전트 네트워크 아키텍처가 이러한 지능형 토폴로지의 궁극적인 형태가 될 것이라고 믿습니다.

바이오닉 관점에서 볼 때, 수십억 개의 동일한 뉴런이 균일하고 예측 가능한 방식으로 연결되는 AI 모델과 달리 인간의 뇌(본질적으로 의식적인 기계)는 기관과 세포 수준에서 극도로 이질적입니다. 뉴런은 신경전달물질의 기울기, 세포 내 계단식 반응, 다양한 조절 시스템과 관련된 복잡한 신호를 통해 통신하기 때문에 단순한 이진 상태보다 훨씬 더 복잡한 기능을 수행합니다.

이것은 생물학에서 지능이 단순히 구성 요소의 수나 훈련 데이터 세트의 크기 이상의 것에서 비롯된다는 것을 시사합니다. 지능은 본질적으로 프로세스를 모델링하는 방식인 서로 다른 전문화된 단위 간의 복잡한 상호 작용에서 비롯됩니다.

따라서 소수의 대형 모델보다는 수백만 개의 소형 모델을 개발하고 이들 간의 조율된 기능을 가능하게 하는 것이 멀티 에이전트 시스템 구축과 유사하게 인지 아키텍처의 혁신을 주도할 가능성이 더 높습니다.

멀티 에이전트 시스템 설계는 단일 에이전트 시스템에 비해 유지 관리, 이해 및 확장이 더 쉽다는 몇 가지 이점을 제공합니다. 단일 에이전트 인터페이스만 필요한 경우에도 멀티 에이전트 프레임워크로 구현하면 시스템을 보다 모듈화할 수 있으므로 개발자가 필요에 따라 구성 요소를 추가하거나 제거하는 프로세스를 간소화할 수 있습니다. 단일 에이전트 시스템을 사용하더라도 멀티 에이전트 아키텍처는 여전히 매우 효과적인 구축 방법이 될 수 있다는 점을 인식하는 것이 중요합니다.

멀티 에이전트 시스템의 장점

대규모 언어 모델(LLM)은 사람과 유사한 텍스트를 생성하고 복잡한 문제를 해결하며 다양한 작업을 처리하는 등 놀라운 기능을 입증해 왔지만... -하지만 실제 애플리케이션에서 개별 LLM 에이전트가 직면한 한계로 인해 그 효율성이 저하될 수 있습니다. 다음은 에이전트 시스템과 관련된 5가지 주요 과제와 다중 에이전트 협업을 통해 이를 극복하고 LLM의 잠재력을 최대한 발휘할 수 있는 방법입니다.

1. 교차 검증을 통한 착각 극복
   단일 LLM 에이전트는 종종 부정확하거나 터무니없는 정보를 착각하고 생성하는 경우가 있습니다. 이는 모델에 대한 광범위한 훈련에도 불구하고 결과물이 합리적으로 보이지만 사실 정확도가 부족한 상황입니다. 다중 에이전트 시스템은 에이전트 간에 정보를 교차 검증하여 오류의 위험을 줄입니다. 상담원이 각 분야에 전문성을 갖춤으로써 더욱 신뢰할 수 있고 정확한 응답을 제공할 수 있습니다.

2. 분산 처리를 통한 컨텍스트 창 확장
   LLLM은 컨텍스트 창이 제한되어 있어 긴 문서나 대화를 처리하기 어렵습니다. 다중 에이전트 프레임워크에서는 각 에이전트가 컨텍스트의 일부를 처리하여 처리 부담을 분담할 수 있습니다. 에이전트 간의 커뮤니케이션을 통해 텍스트 전체에 일관성을 유지하여 컨텍스트 창을 효과적으로 확장할 수 있습니다.

3. 병렬 처리를 통한 효율성 향상
   단일 LLM은 일반적으로 한 번에 하나의 작업을 처리하므로 응답 시간이 느려질 수 있습니다. 다중 에이전트 시스템은 병렬 처리를 지원하므로 여러 에이전트가 동시에 서로 다른 작업을 처리할 수 있습니다. 이를 통해 효율성이 향상되고 응답 시간이 단축되며 조직은 여러 쿼리를 지연 없이 처리할 수 있습니다.

4. 복잡한 문제 해결을 위한 협업 촉진
   다양한 전문 지식이 필요한 복잡한 문제를 해결하는 데는 단일 LLM이 한계에 부딪히는 경우가 많습니다. 다중 에이전트 시스템은 각 에이전트가 고유한 기술과 관점을 제공함으로써 에이전트 간의 협업을 촉진합니다. 에이전트들은 서로 협력함으로써 복잡한 문제를 보다 효과적으로 해결하고 보다 포괄적이고 혁신적인 솔루션을 제공할 수 있습니다.

5. 리소스 최적화를 통한 접근성 향상
   고급 LLM은 많은 양의 컴퓨팅 리소스를 필요로 하기 때문에 비용이 많이 들고 대중화하기 어렵습니다. 멀티 에이전트 프레임워크는 여러 에이전트에 작업을 할당하여 리소스 사용을 최적화함으로써 전반적인 컴퓨팅 비용을 절감합니다. 이를 통해 더 많은 조직에서 AI 기술을 더 널리 채택할 수 있습니다.

멀티 에이전트 시스템은 분산 문제 해결과 리소스 최적화에서 강력한 이점을 보여주지만, 네트워크 엣지에서의 구현을 고려할 때 그 진정한 잠재력이 드러납니다. AI가 계속 발전함에 따라 멀티 에이전트 아키텍처와 엣지 컴퓨팅의 융합은 강력한 시너지를 창출하여 협업 지능을 구현할 뿐만 아니라 수많은 디바이스에서 효율적인 로컬 처리도 가능하게 합니다. AI 배포에 대한 이러한 분산 접근 방식은 멀티 에이전트 시스템의 이점을 자연스럽게 확장하여 가장 필요한 곳, 즉 최종 사용자에게 특화된 협업 인텔리전스를 제공합니다.

엣지 컴퓨팅의 인텔리전스

디지털 공간에서 AI가 널리 보급되면서 컴퓨팅 아키텍처의 근본적인 재구성이 이루어지고 있습니다. 인텔리전스가 일상적인 디지털 상호 작용의 일부가 되면서 전문 데이터 센터는 복잡한 추론과 도메인별 작업을 처리하고, 엣지 디바이스는 상황에 맞는 개인화된 쿼리를 로컬에서 처리하는 컴퓨팅의 자연스러운 분기를 목격하고 있습니다. 이러한 엣지 추론으로의 전환은 단순한 아키텍처 선호도를 넘어 몇 가지 주요 요인에 의해 주도되는 필수 요소입니다.

첫째, AI 기반 상호 작용의 엄청난 양은 중앙 집중식 추론 제공업체를 압도하여 지속 불가능한 대역폭 요구 사항과 대기 시간 문제를 일으킬 수 있습니다.

둘째, 엣지 처리는 자율 주행 자동차, 증강 현실, IoT 디바이스와 같은 애플리케이션에 중요한 실시간 응답을 가능하게 합니다.

셋째, 엣지 추론은 민감한 데이터를 개인 디바이스에 보관하여 사용자 개인 정보를 보호합니다.

넷째, 엣지 컴퓨팅은 네트워크를 통한 데이터의 흐름을 최소화하여 에너지 소비와 탄소 발자국을 크게 줄입니다.

마지막으로 엣지 추론은 오프라인 기능과 복원력을 지원하여 네트워크 연결이 제한된 경우에도 AI 기능을 유지할 수 있도록 합니다.

이 분산 인텔리전스 패러다임은 단순히 현재 시스템을 최적화하는 데 그치지 않고, 점점 더 연결성이 높아지는 세상에서 AI를 배포하고 상호 작용하는 방식을 근본적으로 재구상합니다.

또한, 우리는 LLM의 컴퓨팅 요구사항에 근본적인 변화가 일어나고 있음을 목격하고 있습니다. 지난 10년 동안 대규모 언어 모델을 학습하는 데 필요한 막대한 연산 요구 사항이 AI를 지배했다면, 이제는 추론에 있어 연산이 중심이 되는 시대로 접어들고 있습니다. 이러한 변화는 특히 상당한 실시간 컴퓨팅 리소스를 필요로 하는 동적 추론의 필요성을 입증한 OpenAI의 Q*와 같은 에이전트 기반 AI 시스템의 등장에서 잘 드러납니다.

모델 개발에 한 번만 투자하는 훈련 시간 계산과 달리 추론 시간 계산은 자율 에이전트의 추론, 계획, 새로운 상황에 대한 적응을 지원하기 위한 지속적인 계산 대화를 나타냅니다. 정적 모델 트레이닝에서 동적 에이전트 추론으로 전환하려면 컴퓨팅 인프라에 대한 근본적인 재고가 필요하며, 엣지 컴퓨팅이 유용할 뿐만 아니라 필수적인 새로운 아키텍처가 필요합니다.

스마트폰에서 스마트 홈 시스템에 이르기까지 수천 개의 연결된 디바이스가 동적 컴퓨팅 그리드를 형성하는 엣지 추론 시장의 부상을 목격하고 있습니다. 이러한 디바이스들은 추론 능력을 원활하게 교환하여 컴퓨팅 리소스가 가장 필요한 곳으로 흘러가는 유기적인 시장을 형성할 수 있습니다. 유휴 기기의 여유 컴퓨팅 성능은 실시간으로 거래할 수 있는 귀중한 자원이 되어 기존의 중앙 집중식 시스템보다 더 효율적이고 탄력적인 인프라를 구축할 수 있습니다.

이러한 추론 컴퓨팅의 탈중앙화는 리소스 사용을 최적화할 뿐만 아니라 디지털 생태계에서 새로운 경제적 기회를 창출하여 연결된 모든 디바이스가 잠재적인 AI 기능의 마이크로 공급자가 될 수 있습니다. 결과적으로 AI의 미래는 개별 모델의 역량뿐만 아니라 연결된 에지 디바이스의 집단 지성에 의해 정의될 것이며, 수요와 공급을 기반으로 검증 가능한 추론을 위한 현물 시장과 유사한 글로벌 분산형 추론 시장이 형성될 것입니다.

에이전트 중심 상호작용

오늘날 LLM은 기존의 브라우징이 아닌 대화를 통해 방대한 양의 정보에 액세스할 수 있게 해줍니다. 인터넷이 인간 사용자만을 위한 공간이 아닌 AI 에이전트를 위한 플랫폼으로 변모함에 따라 이러한 대화 방식은 곧 더욱 개인화되고 현지화될 것입니다.

사용자 입장에서는 '최고의 모델'을 선택하는 것에서 가장 개인화된 답변을 얻는 것으로 초점이 옮겨갈 것입니다. 더 나은 답변의 핵심은 사용자 자신의 데이터와 일반화된 인터넷 지식을 결합하는 것입니다. 초기에는 더 큰 컨텍스트 창과 검색 증강 생성(RAG)이 개인 데이터를 통합하는 데 도움이 되겠지만 결국에는 개인 데이터가 일반 인터넷 데이터를 추월하게 될 것입니다.

개인별 AI 모델이 광범위한 인터넷 전문가 모델과 상호 작용하는 미래로 이어질 것입니다. 처음에는 개인화가 원격 모델과 함께 이루어지겠지만, 개인정보 보호 및 응답성 문제로 인해 더 많은 상호 작용이 로컬 디바이스로 옮겨갈 것입니다. 이렇게 되면 사람과 기계가 아닌 개인 모델과 인터넷 전문가 모델 사이에 새로운 경계가 생길 것입니다.

기존의 인터넷 모델은 더 이상 원시 데이터에 액세스하지 못하며 쓸모없게 될 것입니다. 대신 로컬 모델이 원격 전문가 모델과 통신하여 정보를 수집하고 가능한 한 가장 개인화된 고대역폭 방식으로 사용자에게 제시할 것입니다. 이러한 개인 모델은 사용자의 선호도와 습관에 대해 더 많이 알게 되면서 점점 더 필수 불가결한 존재가 될 것입니다.

인터넷은 고도로 맥락을 파악하는 로컬 개인 모델과 고도로 지식을 갖춘 원격 전문가 모델 등 상호 연결된 모델의 생태계로 변모할 것입니다. 여기에는 연합 학습과 같은 새로운 기술을 사용하여 이러한 모델 간의 정보를 업데이트할 것입니다. 기계 경제가 발전함에 따라 우리는 특히 계산, 확장성 및 결제 측면에서 이 프로세스를 뒷받침하는 계산 기반을 다시 상상해야 할 것입니다. 이는 에이전트 중심의 주권적이고, 고도로 구성 가능하며, 스스로 학습하고 진화하는 정보 공간의 재구성으로 이어질 것입니다.

에이전트 프로토콜의 아키텍처

에이전트 웹에서 인간과 에이전트의 상호작용은 에이전트 간의 복잡한 커뮤니케이션 네트워크로 진화합니다. 이 아키텍처는 인터넷 구조를 근본적으로 재개념화하여 주권 에이전트가 디지털 상호작용의 주요 인터페이스가 됩니다. 다음은 에이전트 프로토콜을 구현하는 데 필요한 핵심 기본 요소입니다.

• 소버린 아이덴티티

• 디지털 신원이 기존 IP 주소에서 에이전트 기반 주체가 소유한 암호화된 공개 키 쌍으로 전환됩니다.

• 블록체인 기반 네임스페이스 시스템이 기존 DNS를 대체하여 중앙 제어 지점을 제거합니다.

• 평판 시스템은 에이전트의 신뢰성 및 용량 메트릭을 추적합니다.

• 영지식 증명은 개인 정보를 보호하는 인증을 가능하게 합니다.

• 아이덴티티의 구성 가능성으로 상담원이 여러 컨텍스트와 역할을 관리할 수 있습니다.

• 자율 에이전트

• 자연어 이해 및 인텐트 파싱

• 다단계 계획 및 작업 분해

• 자원 관리 및 최적화

• 상호 작용 및 피드백을 통한 학습

• 정의된 매개 변수 내에서 자율적 의사 결정

• 상담원 전문화 및 역량별 시장

• 상담원 전문화 및 특정 역량을 위한 시장

• 내장된 보안 메커니즘 및 정렬 프로토콜

• 자체 가이드가 가능한 엔티티 :

• 데이터 인프라

• 실시간 데이터 수집 및 처리 기능

• 분산 데이터 검증 및 검증 메커니즘

• 하이브리드 시스템 조합: zkTLS, 기존 학습 데이터 세트, 실시간 웹 크롤링 및 데이터 합성

• 협업 학습 네트워크

• RLHF(인간 피드백 기반 강화 학습) 네트워크

• 분산 피드백 수집

• 품질 가중치 합의 메커니즘

• p >동적 모델 조정 프로토콜

• 컴퓨팅 레이어

• 피어투피어 컴퓨팅 마켓플레이스

• 계산 증명 시스템

• 동적 리소스 할당

• 엣지 컴퓨팅 통합

• 컴퓨팅 무결성

• 결과 재현성

• 리소스 효율성

• 검증 가능한 추론 프로토콜을 통해 다음을 보장

• 분산화된 컴퓨팅 인프라

• 모델 에코시스템

• 작업별 소규모 언어 모델(SLM)

• 일반 대규모 언어 모델(LLM)

• 특화된 멀티모달 모델

• 대규모 액션 모델(LAM)

• 계층적 모델 아키텍처:

• 모델 조합 및 조정

• 지속적인 학습 및 적응 기능

• 표준화된 모델 인터페이스 및 프로토콜

• 조정 프레임워크

• 동시 작업 처리

< li>

리소스 격리

• 상태 관리

• 갈등 해결

• 암호화된 프로토콜로 안전한 에이전트 상호 작용 보장

• 디지털 자산 관리 시스템

• 경제적 인센티브 구조

  <>

• 거버넌스 메커니즘: 분쟁 해결, 리소스 할당, 프로토콜 업데이트

• 병렬 실행 환경 지원:

• 에이전트 마켓플레이스

• 거버넌스 및 배당

• 에이전트는 생성 시 토큰의 일부를 소유

• 집합 추론 시장은 유동성을 통해 지급됩니다

< li>

오프체인 계정을 제어하는 온체인 키

• 신원 확인에 사용되는 온체인 기본 요소(예: 노시스, 스쿼드 멀티시그)

• 요원 간 경제 및 거래

• 요원이 유동성을 소유

• 요원이 유동성을 소유합니다. p>에이전트는 수익을 창출하는 자산이 됩니다

• 에이전트 DAO

지능을 위한 하이퍼구조 만들기

현대 분산 시스템 설계는 에이전트 프로토콜, 특히 이벤트 중심적인 아키텍처와 보다 간단한 계산 "액터 모델"을 구현하기 위한 독특한 영감을 제공합니다.

액터 모델은 에이전트 시스템 구현을 위한 우아한 이론적 토대를 제공합니다. 계산 모델은 "액터"를 계산을 위한 일반적인 기본 요소로 취급하며, 각 요소는 다음을 수행할 수 있습니다.

• 메시지 처리

• 로컬 의사 결정

• 더 많은 액터 생성

• 다른 액터에게 메시지 보내기

• 다음 수신 메시지에 대한 응답 방법 결정

액터 모델이 에이전트 시스템에 제공하는 주요 장점은 다음과 같습니다.

• 독립성: 각 액터는 자체 상태와 제어 흐름을 유지하면서 독립적으로 작동합니다.

• 비동기 통신: 액터 간 메시징이 차단되지 않아 효율적인 병렬 처리가 가능합니다.

• 위치 투명성: 액터들은 물리적 위치에 관계없이 서로 통신할 수 있습니다.

• 내결함성: 액터 격리 및 감독 계층 구조를 통해 시스템 복원력을 확보할 수 있습니다.

• 확장성: 분산 시스템과 병렬 컴퓨팅을 자연스럽게 지원합니다.

다계층 분산 아키텍처를 통해 이러한 이론적 에이전트 프로토콜을 구현하는 실용적인 솔루션인 Neuron을 소개합니다. 이 아키텍처는 블록체인 네임스페이스, 연합 네트워크, CRDT(충돌 방지 무료 데이터 유형), DHT(분산 해시 테이블)를 결합하여 각 계층이 프로토콜 스택에서 서로 다른 기능을 수행하도록 합니다. 저희는 P2P 운영체제 설계의 초기 선구자인 어비트와 홀로체인에서 영감을 얻었습니다.

뉴런에서 블록체인 계층은 검증 가능한 네임스페이스와 인증을 제공하여 용량과 평판에 대한 암호화 증명을 유지하면서 결정론적 주소 지정과 에이전트 검색을 가능하게 합니다. 또한 DHT 계층은 효율적인 에이전트 및 노드 검색과 콘텐츠 라우팅을 지원하며, O(log n) 조회 시간으로 온체인 작업 횟수를 줄이고 로컬 인식 피어 투 피어 노드 검색을 가능하게 합니다. CRDT를 사용하면 연합 노드 간의 상태 동기화가 처리되므로 에이전트와 노드가 각 상호 작용에 대해 글로벌 합의를 할 필요 없이 일관된 공유 상태를 유지할 수 있습니다.

이미지 src="https://img.jinse.cn/7315880_watermarknone.png" title="7315880" alt="les82S0DWAAxv09XbRoZMFkWxschDe9qvwpf6ts1.png">< /p>

이 아키텍처는 자율 에이전트가 로컬 에지 추론 기능을 갖춘 디바이스에서 소버린 노드로 실행되어 액터 모델의 패턴을 구현하는 페더레이션 네트워크에 자연스럽게 매핑됩니다. 연합 도메인은 에이전트의 기능에 따라 구성할 수 있으며 DHT는 도메인 내 및 도메인 간에 효율적인 라우팅과 검색을 제공합니다. 각 에이전트는 자체 상태를 가진 독립적인 액터로 작동하며, CRDT 계층은 페더레이션 전체에서 궁극적인 일관성을 보장합니다. 이 다계층 아키텍처는 다음과 같은 몇 가지 주요 기능을 지원합니다.

• 분산된 조정

• 검증 가능한 신원 및 글로벌 소버린 네임스페이스에 블록체인 사용

• 효율적인 피어투피어 노드 및 콘텐츠 라우팅, O(log n) 조회를 위한 DHT

• 동시 상태 동기화 및 멀티에이전트 조정을 위한 CRDT

• 확장 가능한 작업

• 지역 기반 페더레이션 토폴로지

• 계층화된 스토리지 정책(hot/warm/cold)

• 로컬 인식 요청 라우팅

• 용량 기반 부하 분산

• 시스템 강인성

  < /li>

  • 단일 장애 지점 없음

  • 파티셔닝 중 연속 작동

  • 자동 상태 재조정

  • 감독 계층 구조를 통한 내결함성

이 구현은 에이전트 간의 효과적인 상호작용을 보장하는 주권, 확장성, 복원력의 핵심 속성을 유지하면서 복잡한 에이전트 시스템을 구축할 수 있는 견고한 기반을 제공합니다.

결론

에이전트 기반 네트워크는 이전 시대의 선형적인 발전을 뛰어넘어 새로운 디지털 패러다임을 구축하는 인간과 컴퓨터 간 상호작용의 핵심적인 진화를 의미합니다. 에이전트 기반 웹은 단순히 정보를 소비하거나 소유하는 방식을 변화시켰던 과거의 반복과 달리 인터넷을 인간 중심의 플랫폼에서 자율적인 에이전트가 주요 행위자가 되는 지능형 인프라 계층으로 변화시킵니다. 이러한 변화는 엣지 컴퓨팅, 대규모 언어 모델, 분산형 프로토콜의 융합에 의해 주도되며, 개인 AI 모델이 전문 전문가 시스템과 원활하게 작동하는 생태계를 조성합니다.

에이전트 중심의 미래로 나아가면서 인간과 기계 지능 사이의 경계가 모호해지고, 개인화된 AI 에이전트가 우리의 디지털 확장자 역할을 하며 맥락을 이해하고, 우리의 요구를 예측하고, 방대한 분산 지능 환경을 자율적으로 탐색하는 공생 관계로 대체되기 시작합니다. 따라서 에이전트 기반 네트워크는 단순한 기술 발전이 아니라 디지털 시대에 인간의 잠재력을 근본적으로 재해석한 아키텍처로, 모든 상호작용이 지능을 향상시킬 수 있는 기회가 되고 모든 디바이스가 글로벌 협업 AI 시스템 네트워크의 노드가 되는 아키텍처입니다.

인간이 공간과 시간의 물리적 차원을 탐색하는 것처럼, 자율 에이전트는 존재를 위한 블록 공간과 사고를 위한 추론 시간이라는 고유한 기본 차원에 존재합니다. 이 디지털 온톨로지는 우리의 물리적 현실을 반영합니다. 인간은 거리를 넘나들며 시간의 흐름을 경험하고, 에이전트는 암호 증명과 계산 주기를 통해 '이동'하며 알고리즘적 존재의 평행 우주를 만들어냅니다.

탈중앙화된 블록 공간에서 작동하는 잠재적 공간의 엔티티는 필연적으로 존재할 수밖에 없습니다.