암호화폐와 인공지능의 교차점 이해하기

루카스 체얀의 기사  블록 유니콘에서 편집한 기사

소개

퍼블릭 블록체인의 등장은 컴퓨터 과학의 역사에서 가장 심오한 발전 중 하나입니다. 그리고 인공지능의 발전은 이미 우리 세상에 큰 영향을 미치고 있습니다. 블록체인 기술이 거래 결제, 데이터 저장 및 시스템 설계를 위한 새로운 템플릿을 제공한다면, AI는 컴퓨팅, 분석 및 콘텐츠 전송의 혁명입니다. 두 산업의 혁신은 향후 몇 년 동안 두 산업 모두에서 채택을 가속화할 수 있는 새로운 사용 사례를 열어가고 있습니다. 이 보고서에서는 암호화폐와 AI의 지속적인 통합을 살펴보고, 이 둘 사이의 간극을 좁히고 양쪽의 장점을 모두 활용하려는 새로운 사용 사례에 초점을 맞춥니다. 특히 이 보고서에서는 탈중앙화 컴퓨팅 프로토콜, 영지식 머신러닝(zkML) 인프라, AI 에이전트를 개발하는 프로젝트를 살펴봅니다.

암호화폐는 라이선스나 신뢰가 필요 없고 구성 가능한 결제 계층을 AI에 제공합니다. 이를 통해 탈중앙화된 컴퓨팅 시스템을 통해 하드웨어 접근성을 높이고, 가치 교환이 필요한 복잡한 작업을 수행할 수 있는 AI 에이전트를 구축하며, 시빌 공격과 심층 위조에 대응하기 위한 신원 및 출처 증명 솔루션을 개발하는 등의 사용 사례를 실현할 수 있습니다. 인공 지능은 웹 2.0에서 보았던 것과 동일한 많은 이점을 암호화폐에도 제공합니다. 여기에는 대규모 언어 모델(예: 특별히 훈련된 ChatGPT 및 Copilot)을 통해 사용자와 개발자를 위한 사용자 경험(UX)을 향상시킬 뿐만 아니라 스마트 계약의 기능과 자동화를 크게 개선할 수 있는 잠재력도 포함됩니다. 블록체인은 AI에 필요한 투명한 데이터가 풍부한 환경입니다. 그러나 블록체인은 연산 능력이 제한되어 있어 AI 모델을 직접 통합하는 데 큰 장애물이 되기도 합니다.

암호화폐와 AI의 교차점에서 진행 중인 실험과 궁극적인 채택의 원동력은 암호화폐의 가장 유망한 사용 사례인 비허가형 및 탈신뢰형 오케스트레이션 계층에 대한 액세스를 통해 더 효과적으로 가치 이전을 촉진합니다. 엄청난 잠재력을 고려할 때, 이 분야의 플레이어는 이 두 기술이 교차하는 근본적인 방식을 이해해야 합니다.

주요 내용:

• 가까운 미래(6개월~1년)에는 암호화폐와 AI의 통합은 개발자 효율성, 스마트 컨트랙트의 감사 가능성 및 보안, 사용자 접근성을 개선하는 AI 앱에 의해 주도될 것입니다. 이러한 통합은 암호화폐에만 국한된 것이 아니라 온체인 개발자와 사용자 경험을 향상시킵니다.

• 고성능 GPU의 심각한 부족과 마찬가지로, 탈중앙화 컴퓨팅 제품들은 채택을 촉진하기 위해 AI 맞춤형 GPU 제품을 구현하고 있습니다.

• 사용자 경험과 규제는 여전히 분산 컴퓨팅 고객을 유치하는 데 있어 장벽으로 남아 있습니다. 그러나 최근 OpenAI의 발전과 미국에서 진행 중인 규제 조사는 비허가성, 검열 저항성, 탈중앙화 AI 네트워크의 가치 제안을 강조하고 있습니다.

• 온체인 AI 통합, 특히 AI 모델을 사용할 수 있는 스마트 컨트랙트를 위해서는 오프체인 컴퓨팅을 검증하는 zkML 기술 및 기타 계산 접근법의 개선이 필요합니다. 종합적인 도구와 개발자 인재의 부족, 높은 비용이 도입을 가로막는 장벽입니다.

• 인공지능 에이전트는 사용자(또는 에이전트 자체)가 다른 서비스, 에이전트 또는 사람과 거래하기 위해 지갑을 생성할 수 있는 암호화폐에 매우 적합합니다. 현재 기존 금융 트랙에서는 이러한 기능이 불가능합니다. 더 폭넓게 채택하려면 비암호화 제품과의 추가 통합이 필요합니다.

용어

인공지능은 계산과 기계를 사용하여 인간의 추론과 문제 해결 능력을 모방하는 것입니다. 문제 해결 능력을 모방하는 것입니다.

신경망은 AI 모델을 훈련하는 방법입니다. 신경망은 여러 계층의 알고리즘을 통해 입력을 실행하여 원하는 출력을 생성할 때까지 개선합니다. 신경망은 출력을 변경하기 위해 수정할 수 있는 가중치가 있는 방정식으로 구성됩니다. 정확한 출력을 내도록 훈련하려면 많은 데이터와 계산이 필요할 수 있습니다. 이는 AI 모델을 개발하는 가장 일반적인 방법 중 하나입니다(ChatGPT는 Transformer에 의존하는 신경망 프로세스를 사용합니다).

트레이닝은 신경망 및 기타 AI 모델을 개발하는 과정입니다. 모델이 입력을 올바르게 해석하고 정확한 출력을 생성하도록 훈련하려면 많은 양의 데이터가 필요합니다. 학습하는 동안 모델 방정식의 가중치는 만족스러운 출력이 생성될 때까지 계속 수정됩니다. 훈련에는 많은 비용이 소요될 수 있습니다. 예를 들어 ChatGPT는 수만 개의 자체 GPU를 사용하여 데이터를 처리합니다. 리소스가 적은 팀은 Amazon Web Services, Azure, Google Cloud 제공업체와 같은 전용 컴퓨팅 제공업체에 의존하는 경우가 많습니다.

추론은 출력이나 결과를 얻기 위해 AI 모델을 실제로 사용하는 것입니다(예: 암호화폐와 AI의 교차점에 대한 논문의 개요를 작성하기 위해 ChatGPT를 사용하는 것). 추론은 학습 과정과 최종 결과물 전반에 걸쳐 사용됩니다. 추론은 계산 비용으로 인해 훈련이 완료된 후에도 실행하는 데 비용이 많이 들 수 있지만, 훈련보다 계산 집약적이지 않습니다.

영지식 증명(ZKP)은 기본 정보를 공개하지 않고도 진술을 검증할 수 있습니다. 이는 크게 두 가지 이유로 암호화폐에서 유용합니다: 1) 개인정보 보호와 2) 확장성. 프라이버시의 경우, 사용자는 민감한 정보(예: 지갑에 있는 이더리움의 양)를 공개하지 않고도 거래를 할 수 있습니다. 확장의 경우, 오프체인 계산을 다시 실행하는 것보다 더 빠르게 온체인에서 증명할 수 있습니다. 이를 통해 블록체인과 애플리케이션은 오프체인에서 계산을 저렴하게 실행한 다음 온체인에서 검증할 수 있습니다. 영지식 및 이더 가상머신에서의 영지식 역할에 대한 자세한 내용은 크리스틴 김의 보고서 zkEVM: 이더 확장성의 미래를 참조하시기 바랍니다.

인공지능/암호화폐 시장 지도

AI와 암호화폐 통합을 위한 프로젝트는 여전히 대규모 온체인 AI 상호작용을 지원하는 데 필요한 기본 인프라를 구축하고 있습니다.

탈중앙화된 컴퓨팅 시장은 AI 모델을 훈련하고 추론하는 데 필요한 방대한 양의 물리적 하드웨어(주로 그래픽 처리 장치(GPU) 형태)를 제공하기 위해 부상하고 있습니다. 이러한 양방향 시장은 컴퓨팅을 임대하는 사람과 임대하려는 사람을 연결하여 컴퓨팅의 가치 이전과 검증을 용이하게 합니다. 분산형 컴퓨팅 내에서는 추가 기능을 제공하는 여러 하위 범주가 등장하고 있습니다. 이 보고서에서는 양자 간 시장 외에도 검증 가능한 트레이닝과 결과물 미세 조정을 전문으로 하는 머신러닝 트레이닝 공급업체와 스마트 인센티브 네트워크라고도 하는 AI용 컴퓨팅과 모델 생성을 연결하는 프로젝트에 대해 살펴봅니다.

zkML은 비용 효율적이고 시기적절한 방식으로 검증 가능한 모델 결과물을 체인에 제공하고자 하는 프로젝트에서 새롭게 주목하고 있는 분야입니다. 이러한 프로젝트는 기본적으로 애플리케이션이 무거운 오프체인 연산 요청을 처리한 다음 검증 가능한 결과를 온체인에 게시하여 오프체인 워크로드가 완전하고 정확하다는 것을 증명할 수 있도록 합니다. zkML은 현재로서는 비용과 시간이 많이 소요되지만, 점점 더 많은 솔루션으로 사용되고 있습니다. 이는 AI 모델을 활용하고자 하는 zkML 공급업체와 DeFi/게임 앱 간의 통합이 증가하고 있는 것만 봐도 알 수 있습니다.

복잡한 연산 가용성과 온체인 연산 검증 기능은 온체인 AI 에이전트의 문을 열어줍니다. 에이전트는 사용자를 대신하여 요청을 실행할 수 있는 훈련된 모델입니다. 에이전트는 사용자가 챗봇과 대화하는 것만으로 복잡한 트랜잭션을 실행할 수 있게 함으로써 온체인 경험을 크게 향상시킬 수 있는 기회를 제공합니다. 하지만 현재 에이전트 프로젝트는 쉽고 빠르게 배포할 수 있는 인프라와 도구를 개발하는 데 집중하고 있습니다.

탈중앙화 컴퓨팅

개요

인공지능은 모델을 훈련하고 추론을 실행하는 데 많은 연산이 필요합니다. 지난 10년 동안 모델이 더욱 복잡해짐에 따라 계산 요구사항은 기하급수적으로 증가했습니다. 예를 들어 OpenAI는 2012년부터 2018년까지 모델의 계산 요구 사항이 2년마다 두 배씩 증가하던 것에서 3개월 반마다 두 배로 증가했다는 사실을 발견했습니다. 이로 인해 GPU에 대한 수요가 급증했으며, 일부 암호화폐 채굴자들은 클라우드 컴퓨팅 서비스를 위해 GPU의 용도를 변경하기도 했습니다. 액세스 컴퓨팅에 대한 경쟁이 심화되고 비용이 상승함에 따라 일부 프로젝트에서는 암호화폐를 활용하여 탈중앙화 컴퓨팅 솔루션을 제공하고 있습니다. 이러한 프로젝트는 경쟁력 있는 가격으로 온디맨드 컴퓨팅을 제공하여 팀이 경제적으로 모델을 훈련하고 실행할 수 있도록 지원합니다. 경우에 따라서는 성능과 보안이 상충될 수 있습니다.

Nvidia에서 만든 것과 같은 최첨단 GPU에 대한 수요가 높습니다. 9월에 Tether는 독일 비트코인 채굴 업체인 Northern Data의 지분을 인수했는데, 이 회사는 4억 2천만 달러를 들여 10,000개의 H100 GPU(이 중 첫 번째는 AI 훈련에 사용됨)를 구입한 것으로 알려졌습니다. AI 트레이닝을 위한 가장 진보된 GPU 중 하나). 최고급 하드웨어를 기다리는 시간은 최소 6개월 이상이며, 많은 경우 그보다 더 길어질 수 있습니다. 설상가상으로, 기업들은 사용하지도 않을지도 모르는 컴퓨팅에 대해 장기 계약을 체결해야 하는 경우가 많습니다. 이로 인해 사용 가능한 컴퓨팅이 존재하지만 시장에서 구할 수 없는 상황이 발생할 수 있습니다. 탈중앙화된 컴퓨팅 시스템은 컴퓨팅 소유자가 초과 용량을 즉시 재임대하여 새로운 공급을 확보할 수 있는 2차 시장을 창출함으로써 이러한 시장의 비효율성을 해결할 수 있습니다.

경쟁적인 가격과 접근성 외에도 탈중앙화 컴퓨팅의 핵심 가치 제안은 검열 저항성입니다. 최첨단 AI 개발은 독보적인 컴퓨팅 및 데이터 액세스 권한을 가진 대형 기술 기업이 점점 더 주도하고 있으며, AI 지수 2023 연례 보고서에서 강조한 첫 번째 핵심 주제는 산업계가 점점 더 AI 모델 개발에서 학계를 추월하여 소수의 기술 리더에게 통제권이 집중되고 있다는 것입니다. 특히 이러한 기술 기업들이 통제할 수 없는 AI 개발을 제한하는 규제를 추진한 이후, AI 모델을 뒷받침하는 규범과 가치를 설정하는 데 막대한 영향력을 행사할 수 있다는 우려가 제기되고 있습니다.

탈중앙화 컴퓨팅 분야

최근 몇 년 동안 여러 탈중앙화 컴퓨팅 모델이 등장했으며, 각 모델은 저마다의 중점 사항과 장단점을 가지고 있습니다.

일반화된 컴퓨팅

아카시, io.net, 아이젝, 쿠도스 등의 프로젝트는 데이터와 범용 컴퓨팅 솔루션 외에도 인공지능 훈련과 추론을 위한 전용 컴퓨팅에 대한 액세스를 제공하거나 곧 제공할 예정인 탈중앙화 컴퓨팅 앱입니다.

아카시는 유일한 완전 오픈소스 "하이퍼클라우드" 플랫폼입니다. 코스모스 SDK를 사용하는 지분 증명 네트워크입니다. akt는 아카시의 기본 토큰으로, 네트워크를 보호하고 참여를 장려하기 위한 결제 수단으로 사용됩니다. 아카시는 2020년에 라이선스 없이 클라우드 마켓플레이스에 대한 액세스를 제공하는 데 초점을 맞춘 첫 번째 메인넷을 출시했으며, 처음에는 스토리지 및 CPU 임대 서비스를 제공했습니다. 2023년 6월, GPU에 중점을 둔 새로운 테스트넷이 아카시에서 출시되었습니다. GPU에 초점을 맞춘 새로운 테스트 네트워크를 출시했으며, 9월에는 GPU 메인넷을 출시하여 사용자가 AI 훈련 및 추론을 위해 GPU를 대여할 수 있도록 했습니다.

아카시 생태계에는 테넌트와 벤더라는 두 가지 주요 플레이어가 있습니다. 테넌트는 컴퓨팅 리소스를 구매하고자 하는 아카시 네트워크 사용자입니다. 벤더는 컴퓨팅 공급자입니다. 테넌트와 공급자를 매칭하기 위해 아카시는 역경매 프로세스를 사용합니다. 테넌트는 컴퓨팅 요청을 제출하며, 여기에는 서버의 위치나 컴퓨팅이 수행될 하드웨어의 유형, 지불하고자 하는 금액과 같은 특정 조건을 명시할 수 있습니다. 그런 다음 제공업체가 희망 가격을 제출하면 최저 입찰자가 작업을 수주합니다.

아카시 검증자는 네트워크의 무결성을 유지합니다. 검증자는 현재 100명으로 제한되어 있으며, 시간이 지남에 따라 점차 늘려나갈 계획입니다. 누구나 현재 가장 적은 AKT를 보유한 검증자보다 더 많은 AKT를 서약하여 검증자가 될 수 있으며, AKT 보유자는 자신의 AKT를 검증자에게 위임할 수도 있습니다. 네트워크의 트랜잭션 수수료와 블록 보상은 AKT의 형태로 분배됩니다. 또한, 각 임대마다 아카시 네트워크는 커뮤니티에서 결정한 비율에 따라 "수금 수수료"를 획득하며, 이는 AKT 보유자에게 분배됩니다.

세컨더리 시장

탈중앙화된 컴퓨팅 시장은 기존 컴퓨팅 시장의 비효율성을 보완하기 위해 설계되었습니다. 공급 제약으로 인해 기업들은 필요 이상으로 많은 컴퓨팅 리소스를 비축하고 있으며, 지속적인 액세스가 필요하지 않은 경우에도 고객을 장기 계약에 묶어두는 클라우드 제공업체와의 계약 구조로 인해 공급이 더욱 제한되고 있습니다. 분산형 컴퓨팅 플랫폼은 컴퓨팅이 필요한 전 세계 누구나 공급자가 될 수 있도록 새로운 공급의 문을 열어줍니다.

AI 학습용 GPU에 대한 수요의 급증은 아카시의 장기적인 네트워크 사용으로 이어질지는 아직 미지수입니다. 예를 들어, 아카시는 오랫동안 CPU를 위한 마켓플레이스를 제공하여 중앙화된 대안과 유사한 서비스를 70~80% 할인된 가격에 제공해왔습니다. 하지만, 낮은 가격 때문에 아카시가 크게 채택되지는 않았습니다. 네트워크의 활성 임대는 정체되어 2023년 2분기까지 평균적으로 컴퓨팅 33%, 메모리 16%, 스토리지 13%에 불과했습니다. 이는 체인에서의 도입에 대한 인상적인 지표이기는 하지만(참고로, 선도적인 스토리지 제공업체인 Filecoin은 이미 2023년 3분기 스토리지 사용률이 12.6%를 기록했습니다), 여전히 이러한 제품의 공급이 수요를 앞지르고 있음을 시사합니다.

아카시가 GPU 네트워크를 출시한 지 반년 이상이 지났기 때문에 장기적인 채택률을 정확하게 평가하기에는 너무 이르다고 할 수 있습니다. 현재까지 GPU 사용률은 평균 44%로 CPU, 메모리, 스토리지보다 높으며, 이는 수요의 신호입니다. 이는 90% 이상이 임대되는 A100과 같은 최고 품질의 GPU에 대한 수요에 힘입은 바가 큽니다.

아카시 또한 일일 지출이 증가했습니다. 이는 GPU가 등장하기 전의 거의 두 배에 달하는 수치입니다. 이는 부분적으로는 다른 서비스, 특히 CPU의 사용량 증가에 기인하지만, 대부분은 새로운 GPU 사용의 결과입니다.

가격은 Lambda Cloud 및 Vast.ai와 같은 중앙 집중식 서비스와 비슷합니다. Vast.ai 및 기타 중앙 집중식 경쟁사(또는 경우에 따라 더 비싼 경우도 있음)와 비슷합니다. H100 및 A100과 같은 최고급 GPU에 대한 수요가 많기 때문에 대부분의 장치 소유자는 가격 경쟁이 치열한 시장에 출시하는 데 거의 관심이 없습니다.

초기 마진은 긍정적이지만, 여전히 장벽이 존재합니다(아래에서 자세히 설명합니다). 탈중앙화 컴퓨팅 네트워크는 수요와 공급을 창출하기 위해 추가적인 조치를 취해야 하며, 각 팀은 새로운 사용자를 유치하기 위한 최선의 방법을 실험하고 있습니다. 예를 들어, 2024년 초 아카시는 발의안 240을 통과시켰으며, 이는 GPU 벤더들의 AKT 배출량을 늘리고 특히 하이엔드 GPU의 공급을 늘리는 인센티브가 될 것입니다. 또한, 잠재적인 사용자들에게 네트워크의 실시간 기능을 시연하기 위해 개념 증명 모델을 출시하는 작업도 진행 중입니다. 아카시는 자체적인 기본 모델을 훈련하고 있으며, 아카시 GPU를 사용하여 결과물을 생성할 수 있는 챗봇과 이미지 생성 제품을 이미 출시했습니다. 마찬가지로, io.net은 안정적인 확산 모델을 개발했으며, 네트워크의 성능과 규모를 더 잘 모방할 수 있는 새로운 네트워크 기능을 출시하고 있습니다.

탈중앙화된 머신러닝 트레이닝

AI의 요구를 충족시킬 수 있는 범용 컴퓨팅 플랫폼 외에도, 전문 AI GPU 제공업체도 등장하고 있습니다. 예를 들어 Gensyn은 "누군가가 무언가를 훈련하고 싶고 누군가가 기꺼이 훈련할 의사가 있다면, 그 훈련을 허용해야 한다"는 생각으로 "집단 지성을 구축하기 위해 전력과 하드웨어를 조율"하고 있습니다.

이 프로토콜에는 제출자, 해결자, 검증자, 내부 고발자라는 네 가지 주요 참여자가 있습니다. 제출자는 교육 요청과 함께 작업을 네트워크에 제출합니다. 이러한 작업에는 트레이닝 목표, 트레이닝할 모델, 트레이닝 데이터가 포함됩니다. 제출 과정의 일부로 제출자는 솔버에 필요한 예상 계산량에 대한 비용을 선불로 지불해야 합니다.

제출 후에는 실제로 모델을 훈련하는 솔버에게 작업이 할당됩니다. 그런 다음 솔버는 완료된 작업을 검증자에게 제출하고 검증자는 훈련이 올바르게 완료되었는지 확인하는 역할을 담당합니다. 검증자가 정직하게 행동하는지 확인하는 것은 내부 고발자의 책임입니다. 내부 고발자가 네트워크에 참여하도록 장려하기 위해 Gensyn은 고의적인 오류에 대한 증거를 주기적으로 제공하고 이를 적발한 내부 고발자에게 포상할 계획입니다.

AI 관련 워크로드를 위한 컴퓨팅을 제공하는 것 외에도 Gensyn의 핵심 가치 제안은 아직 개발 중인 검증 시스템입니다. 검증은 GPU 공급자의 외부 계산이 올바르게 수행되는지(즉, 사용자의 모델이 원하는 방식으로 훈련되었는지) 확인하기 위해 필요하며, Gensyn은 확률론적 학습 증명, 그래프 기반 정밀 프로토콜, 트루비트 스타일 동기 부여 게임이라는 새로운 검증 방법론을 활용하여 이 문제를 고유한 방식으로 해결합니다. 젠슨은 "확률론적 학습 증명, 그래프 기반 정확한 프로토콜, 트루비트식 동기부여 게임"이라는 새로운 검증 방법을 활용하여 이 문제를 독특한 방식으로 해결합니다. 이는 검증자가 비용이 많이 들고 비효율적인 과정인 모델 자체를 완전히 다시 실행할 필요 없이 솔버가 모델을 올바르게 실행했는지 확인할 수 있는 낙관적인 솔루션 모델입니다.

혁신적인 검증 방법론 외에도 Gensyn은 중앙화된 대안 및 암호화폐 경쟁업체에 비해 비용 효율적이라고 주장하며, AWS보다 최대 80% 저렴한 가격으로 ML 교육을 제공하고 테스트 측면에서 Truebit과 같은 유사한 프로젝트보다 뛰어난 성능을 자랑합니다.

이런 초기 결과가 탈중앙화 네트워크에서 대규모로 복제될 수 있을지는 아직 지켜봐야 합니다.Gensyn은 소규모 데이터 센터, 소매 사용자 및 향후 핸드셋 등과 같은 소형 모바일 장치의 초과 컴퓨팅 성능을 활용하기를 희망합니다. 젠슨은 소규모 데이터 센터, 소매 사용자, 미래의 휴대폰과 같은 소형 모바일 기기의 초과 컴퓨팅 파워를 활용하고자 합니다. 그러나 Gensyn 팀도 인정하듯이 이기종 컴퓨팅 제공업체에 의존하는 것은 몇 가지 새로운 과제를 안고 있습니다.

구글 클라우드나 코어위브와 같은 중앙 집중식 제공업체의 경우 컴퓨팅 비용은 비싼 반면 컴퓨팅 간의 통신(대역폭 및 지연 시간)은 저렴합니다. 이러한 시스템은 하드웨어 간의 통신을 가능한 한 빨리 가능하게 하는 것을 목표로 합니다. Gensyn은 이러한 프레임워크를 파괴하여 전 세계 누구나 GPU를 사용할 수 있게 함으로써 컴퓨팅 비용을 절감하지만, 네트워크가 멀리 떨어져 있는 이기종 하드웨어의 컴퓨팅 작업을 조정해야 하기 때문에 통신 비용이 증가합니다. Gensyn은 아직 사용 가능하지는 않지만 분산화된 머신 러닝 훈련 프로토콜 구축 시 구현할 수 있는 기술입니다. 개념 증명.

탈중앙화된 일반 지능

탈중앙화된 컴퓨팅 플랫폼은 또한 AI를 생성하는 방법을 설계할 수 있는 가능성을 열어줍니다. 비트센서는 다음을 기반으로 하는 탈중앙화된 컴퓨팅 플랫폼입니다. 비트센서는 "어떻게 AI를 협업 방식으로 전환할 수 있을까?"라는 질문에 답하고자 하는 서브스트레이트 기반의 탈중앙화 컴퓨팅 프로토콜입니다. 비텐서는 AI 생성을 탈중앙화하고 상품화하는 것을 목표로 합니다. 2021년에 출시될 이 프로토콜은 협업 머신러닝 모델의 힘을 활용하여 더 나은 AI를 반복하고 생산할 수 있기를 희망합니다.

비트센서는 2100만 개의 공급량과 4년의 반감기(2025년 첫 반감기)를 가진 기본 통화 TAO의 비트코인에서 힌트를 얻었습니다. 작업 증명을 사용해 올바른 난수를 생성하고 블록으로 보상을 받는 대신, 비트센서는 '스마트 증명'에 의존해 올바른 난수를 생성하고 블록으로 보상을 받습니다. 작업 증명을 사용하여 올바른 난수를 생성하고 블록 보상을 받는 대신, 비텐서는 채굴자가 모델을 실행하여 추론 요청에 대한 응답으로 출력을 생성하도록 하는 "스마트 증명"에 의존합니다.

지능 동기 부여

비트센서는 처음에 혼합 전문성 모드(MoE) 모델에 의존해 출력을 생성했습니다. 추론 요청을 제출할 때 일반화된 모델에 의존하는 대신 MoE 모델은 주어진 입력 유형에 대해 가장 정확한 모델에 추론 요청을 전달합니다. 건축 과정의 여러 측면을 위해 다양한 전문가(예: 건축가, 엔지니어, 페인트공, 건축업자 등)를 고용하여 집을 짓는다고 상상해 보세요(......). MoE는 이를 머신러닝 모델에 적용하여 입력에 따라 다양한 모델의 출력을 활용하려고 합니다. 비텐서의 설립자 알라 샤바나(Ala Shaabana)는 이를 "한 사람과 대화하는 것이 아니라 똑똑한 사람들로 가득 찬 방에서 대화하며 최선의 답을 얻는 것과 같다"고 설명합니다. 올바른 라우팅, 올바른 모델에 대한 메시지 동기화, 인센티브 등의 문제로 인해 이 접근 방식은 프로젝트가 더 발전할 때까지 보류되었습니다.

비트센서 네트워크에는 검증자와 채굴자라는 두 가지 주요 플레이어가 있습니다. 검증자는 채굴자에게 추론 요청을 보내고, 채굴자의 결과를 검토하며, 응답의 품질에 따라 순위를 매기는 역할을 합니다. 검증자는 자신의 순위를 신뢰할 수 있도록 자신의 순위가 다른 검증자의 순위와 얼마나 일치하는지에 따라 "신뢰" 점수를 부여받습니다. 검증자의 vtrust 점수가 높을수록 더 많은 TAO 배출량을 받게 됩니다. 이는 검증인이 시간이 지남에 따라 모델 순위에 동의하도록 장려하기 위한 것으로, 순위에 동의하는 검증인이 많을수록 개인의 vtrust 점수가 높아집니다.

서버라고도 하는 마이너는 실제 머신 러닝 모델을 실행하는 네트워크 참여자입니다. 채굴자는 주어진 쿼리에 대해 가장 정확한 결과를 검증자에게 제공하기 위해 서로 경쟁하며, 더 정확한 결과를 제공할수록 더 많은 TAO를 획득할 수 있습니다. 채굴자는 원하는 대로 이러한 결과를 생성할 수 있습니다. 예를 들어, 미래 시나리오에서는 비텐서 채굴자가 이전에 Gensyn에서 모델을 학습시켜 TAO 배출량을 얻는 데 사용할 수 있습니다.

오늘날 대부분의 상호작용은 검증자와 채굴자 사이에서 직접 이루어집니다. 검증자는 채굴자에게 입력을 제출하고 출력을 요청합니다(즉, 모델을 훈련시킵니다). 검증자가 네트워크의 채굴자에게 쿼리하고 응답을 받으면 채굴자의 순위를 매기고 순위를 네트워크에 제출합니다.

검증자(작업 증명에 의존)와 채굴자(작업 증명의 한 형태인 모델 증명에 의존) 간의 이러한 상호작용을 유마 컨센서스라고 합니다. 이는 채굴자가 최고의 산출물을 생산하여 TAO 배출량을 얻도록 인센티브를 제공하고, 검증자가 채굴자의 산출물을 정확하게 평가하여 더 높은 신뢰 점수를 얻고 TAO 보상을 증가시켜 네트워크의 합의 메커니즘을 만들도록 설계되었습니다.

서브넷과 앱

비트센서에서의 상호작용은 주로 검증자가 채굴자에게 요청을 제출하고 그들의 산출물을 평가하는 것으로 구성됩니다. 그러나 기여하는 채굴자의 품질이 향상되고 네트워크의 전반적인 인텔리전스가 증가함에 따라, 비트센서는 기존 스택 위에 애플리케이션 계층을 생성하여 개발자가 비트센서 네트워크를 쿼리하는 애플리케이션을 구축할 수 있도록 할 것입니다.

2023년 10월, 비텐서는 레볼루션 업그레이드를 통해 서브넷을 도입함으로써 이 목표를 달성하기 위한 중요한 단계를 밟았습니다. 서브넷은 특정 행동을 장려하는 비트센서의 별도 네트워크로, 레볼루션은 서브넷 생성에 관심이 있는 모든 이들에게 네트워크를 개방합니다. 출시 이후 몇 달 동안 텍스트 프롬프트, 데이터 캡처, 이미지 생성 및 저장을 위한 서브넷을 포함하여 32개 이상의 서브넷이 출시되었습니다. 서브넷이 성숙해지고 제품에 사용할 수 있게 되면, 서브넷 생성자는 특정 서브넷을 쿼리하는 애플리케이션을 구축할 수 있는 애플리케이션 통합 기능도 만들게 될 것입니다. 현재 일부 앱(예: 챗봇, 이미지 생성기, 트위터 답글 봇, 예측 시장)이 존재하지만, 검증자가 이러한 쿼리를 수락하고 전달하기 위한 공식적인 인센티브는 비텐서 재단에서 자금을 지원하는 것 외에 없습니다.

더 명확한 이해를 돕기 위해 앱이 네트워크에 통합되면 Bittensor가 어떻게 작동하는지에 대한 예를 들어보겠습니다.

서브넷은 루트 네트워크에서 평가한 성능에 따라 TAO를 획득합니다. 루트 네트워크는 모든 서브넷 위에 위치하여 본질적으로 특수한 종류의 서브넷 역할을 하며, 지분 기준으로 가장 큰 64개의 서브넷 검증자가 관리합니다. 루트 네트워크 검증자는 성능에 따라 서브넷의 순위를 매기고 주기적으로 TAO 배출량을 서브넷에 할당합니다. 이러한 방식으로 개별 서브넷은 루트 네트워크의 채굴자 역할을 합니다.

비트센서의 전망

비트센서는 프로토콜의 기능을 확장하여 여러 네트워크에 걸친 인센티브를 제공하기 위해 프로토콜의 기능을 확장하면서 여전히 성장통을 겪고 있습니다. 채굴자들은 모델 실행에서 높은 평가를 받은 추론의 결과를 약간 수정한 다음 여러 가지 변형을 제출하는 등 더 많은 TAO 보상을 위해 네트워크를 공격하는 새로운 방법을 끊임없이 고안하고 있습니다. 네트워크 전체에 영향을 미치는 거버넌스 제안은 전적으로 오픈소사이어티 재단 이해관계자로 구성된 Triumvirate에서만 제출하고 실행할 수 있습니다(제안을 실행하기 전에 비텐서 검증자로 구성된 비텐서 상원의 승인을 받아야 한다는 점에 유의할 필요가 있습니다). 프로젝트의 토큰 이코노미는 서브넷 전반에서 TAO 사용에 대한 인센티브를 개선하기 위해 수정되고 있습니다. 이 프로젝트는 또한 가장 인기 있는 인공지능 사이트 중 하나인 허깅페이스의 CEO가 비트센서의 리소스를 사이트에 추가해야 한다고 언급하는 등 독특한 접근 방식으로 빠르게 명성을 얻고 있습니다.

핵심 개발자들이 최근 작성한 "Bittensor 패러다임"이라는 제목의 글에서 팀은 궁극적으로 다음과 같이 진화하고자 하는 Bittensor의 비전을 제시했습니다. "측정 대상에 대해 불가지론적". 이론상으로는 비텐서가 TAO가 지원하는 모든 유형의 행동에 동기를 부여하는 서브넷을 개발할 수 있을 것입니다. 이러한 네트워크가 다양한 프로세스를 처리할 수 있도록 확장할 수 있는지, 잠재적인 인센티브가 중앙화된 제품 이상의 발전을 이끌 수 있는지를 증명하는 등 상당한 현실적인 한계가 남아 있습니다.

AI 모델을 위한 탈중앙화 컴퓨팅 스택 구축

위 섹션에서는 개발 중인 다양한 유형의 탈중앙화 AI 컴퓨팅 프로토콜에 대한 심층적인 개요를 제공합니다. . 개발 및 채택의 초기 단계에서 이러한 프로토콜은 궁극적으로 DeFi의 "머니 레고" 개념과 같은 "AI 빌딩 블록"의 생성을 촉진할 수 있는 생태계의 토대를 제공합니다. 비허가형 블록체인의 구성 가능성은 각 프로토콜이 다른 프로토콜 위에 구축되어 보다 포괄적인 탈중앙화 AI 생태계를 제공할 수 있는 가능성을 열어줍니다.

예를 들어 아카시, 젠슨, 비텐서 모두 추론 요청에 응답하기 위해 상호 작용할 수 있는 한 가지 방법입니다.

이것은 앞으로 일어날 수 있는 일의 한 예시일 뿐입니다. 현재 생태계, 기존 파트너십 또는 가능한 결과를 나타내는 것이 아니라 미래에 일어날 수 있는 일의 예일 뿐입니다. 상호 운용성의 한계와 아래에 설명된 기타 고려 사항으로 인해 현재 통합 가능성은 크게 제한됩니다. 또한, 아카시와 비트센서의 창립자들이 지적했듯이 유동성 파편화와 여러 토큰을 사용해야 한다는 점은 사용자 경험에 해로울 수 있습니다.

기타 탈중앙화 서비스

컴퓨팅 외에도, 암호화폐의 새로운 AI를 지원하기 위해 여러 탈중앙화 인프라 서비스가 출시되었습니다. 생태계. 이 모든 것을 나열하는 것은 이 보고서의 범위를 벗어나지만, 몇 가지 흥미로운 예시는 다음과 같습니다.

• Ocean: 탈중앙화 데이터 마켓플레이스입니다. 사용자는 자신의 데이터를 나타내는 데이터 NFT를 생성하고 데이터 토큰을 사용하여 구매할 수 있습니다. 사용자는 자신의 데이터로 수익을 창출하고 데이터에 대한 더 큰 주권을 가질 수 있으며, AI 팀이 모델을 개발하고 훈련하는 데 필요한 데이터에 액세스할 수 있습니다.

• 그림: 대역폭을 위한 탈중앙화된 마켓플레이스입니다. 사용자는 인터넷에서 데이터를 가져오는 데 사용하는 AI 회사에 초과 대역폭을 판매할 수 있습니다. 와이드 네트워크 위에 구축된 이 시장은 개인이 자신의 대역폭으로 수익을 창출할 수 있을 뿐만 아니라 대역폭 구매자에게 개별 사용자가 온라인에서 무엇을 보고 있는지에 대한 보다 다양한 시각을 제공합니다(개인의 인터넷 접속은 종종 IP 주소에 맞춰져 있기 때문에).

• HiveMapper:는 일상적인 운전자로부터 수집한 정보로 탈중앙화된 매핑 제품을 구축합니다. 하이브맵퍼는 AI를 사용하여 사용자의 대시보드 카메라에서 수집한 이미지를 해석하고, 강화된 인간 학습 피드백(RHLF)을 통해 AI 모델을 미세 조정하는 데 도움을 준 사용자에게 토큰으로 보상을 제공합니다.

전반적으로, 이러한 사례는 AI 모델이나 이를 개발하는 데 필요한 주변 인프라를 지원하는 탈중앙화된 시장 모델을 탐색할 수 있는 거의 무한한 기회를 보여줍니다. 현재 이러한 프로젝트의 대부분은 개념 증명 단계에 있으며, 본격적인 AI 서비스를 제공하는 데 필요한 규모로 운영될 수 있음을 증명하기 위해서는 더 많은 연구와 개발이 필요합니다.

전망

탈중앙화 컴퓨팅 제품은 아직 개발 초기 단계에 있습니다. 이제 막 가장 강력한 AI 모델을 훈련시킬 수 있는 최첨단 컴퓨팅 성능을 출시하기 시작했습니다. 의미 있는 시장 점유율을 확보하기 위해서는 중앙 집중식 대안에 비해 실질적인 이점을 입증해야 합니다. 더 많은 채택을 위한 잠재적 트리거는 다음과 같습니다.

• GPU 공급/수요.  빠르게 증가하는 컴퓨팅 수요와 함께 GPU의 희소성은 GPU 군비 경쟁으로 이어지고 있습니다. OpenAI는 이미 GPU 제한으로 인해 한동안 플랫폼에 대한 액세스를 제한했으며, 아카시나 젠슨과 같은 플랫폼은 고성능 컴퓨팅이 필요한 팀에게 비용 경쟁력 있는 대안을 제공할 수 있습니다. 향후 6~12개월은 탈중앙화 컴퓨팅 공급자들이 더 넓은 시장 접근성의 부족으로 인해 탈중앙화 서비스를 고려해야 하는 새로운 사용자를 유치할 수 있는 특별한 기회입니다. Meta의 LLaMA2와 같이 점점 더 성능이 향상되는 오픈 소스 모델과 함께, 사용자들은 더 이상 컴퓨팅 리소스를 주요 병목현상으로 만드는 효율적으로 미세 조정된 모델을 배포하는 데 있어 동일한 장애물에 직면하지 않게 되었습니다. 그러나 플랫폼 자체의 존재가 충분한 컴퓨팅 공급과 그에 상응하는 소비자 수요를 보장하지는 않습니다. 하이엔드 GPU를 조달하는 것은 여전히 어렵고 비용이 수요 측면에서 항상 주요 동기가 되는 것은 아닙니다. 이러한 플랫폼은 비용, 검열 저항, 가동 시간 및 복원력, 접근성 등의 이유로 탈중앙화 컴퓨팅 옵션을 사용할 때 얻을 수 있는 실질적인 이점을 입증하여 고정 사용자를 확보해야 하는 과제를 안게 될 것입니다. GPU 인프라 투자와 구축은 놀라운 속도로 진행되고 있습니다.

• 규제. 규제는 여전히 탈중앙화 컴퓨팅 운동의 걸림돌로 남아 있습니다. 단기적으로는 명확한 규제가 없다는 것은 공급자와 사용자 모두 이러한 서비스를 사용할 때 잠재적인 위험에 노출되어 있다는 것을 의미합니다. 공급자가 컴퓨팅을 제공하거나 구매자가 무의식적으로 제재를 받은 업체로부터 컴퓨팅을 구매하면 어떻게 될까요? 사용자는 중앙화된 주체의 통제와 감독이 없는 탈중앙화된 플랫폼의 사용을 주저할 수 있습니다. 프로토콜은 플랫폼에 제어 기능을 통합하거나 알려진 컴퓨팅 공급업체에만 액세스하도록 필터를 추가하여 이러한 우려를 완화하려고 시도하지만(예: 고객알기제도(KYC) 정보 제공), 규정 준수를 보장하면서 개인정보를 보호하려면 보다 강력한 접근 방식이 필요합니다. 단기적으로는 이러한 우려를 해결하기 위해 프로토콜에 대한 액세스를 제한하는 KYC 및 규정 준수 플랫폼이 등장할 것으로 보입니다. 또한, 미국에서 새로운 규제 프레임워크에 대한 논의(안전하고 안전하며 신뢰할 수 있는 인공 지능의 개발과 사용에 관한 행정명령의 발표가 가장 대표적인 예)는 GPU 액세스를 더욱 제한하는 규제 조치의 가능성을 강조합니다.

• 검열. 규제는 양방향으로 작동하며, 탈중앙화 컴퓨팅 제품은 AI 액세스를 제한하는 조치로부터 혜택을 받을 수 있습니다. 행정명령 외에도 OpenAI의 설립자인 샘 알트먼은 의회에서 규제 당국이 AI 개발을 허가해야 할 필요성에 대해 증언했습니다. AI 규제에 대한 논의는 이제 막 시작되었지만, 접근을 제한하거나 AI 기능을 검열하려는 시도는 그러한 장벽이 없는 탈중앙화 플랫폼의 채택을 가속화할 수 있습니다.11월의 OpenAI 리더십 교체(또는 부재)는 가장 강력한 기존 AI 모델에 대한 의사결정 권한을 일부 소수에게 부여하는 것의 위험을 더욱 잘 보여주었습니다. 또한 모든 AI 모델에는 의도적이든 의도하지 않았든 간에 모델을 만든 사람들의 편견이 반영될 수밖에 없습니다. 이러한 편견을 없애는 한 가지 방법은 모델을 최대한 개방하여 미세 조정과 학습이 가능하도록 하여 누구나, 어디서나 모든 유형과 편견을 가진 모델에 접근할 수 있도록 하는 것입니다.

• 데이터 프라이버시. 분산형 컴퓨팅은 사용자에게 데이터 자율성을 제공하는 외부 데이터 및 개인정보 보호 솔루션과 통합될 때 중앙 집중식 대안보다 더 매력적일 수 있습니다. 삼성은 엔지니어들이 칩 설계를 돕기 위해 ChatGPT를 사용하고 민감한 정보를 ChatGPT에 유출한 사실을 깨닫고 피해자가 되었습니다. Phala Network와 아이젝은 사용자 데이터를 보호하기 위해 SGX 보안 인클레이브를 제공한다고 주장하며, 완전 동형 암호화에 대한 지속적인 연구는 프라이버시를 보장하는 탈중앙화된 컴퓨팅을 더욱 활성화할 수 있다고 주장합니다. AI가 우리 삶에 더욱 통합됨에 따라 사용자는 개인정보가 보호되는 애플리케이션에서 모델을 실행할 수 있는 기능을 더욱 중요하게 여기게 될 것입니다. 또한 사용자는 한 모델에서 다른 모델로 데이터를 원활하게 이식할 수 있도록 데이터 구성성을 지원하는 서비스를 필요로 할 것입니다.

• 사용자 경험(UX). UX는 모든 유형의 암호화 애플리케이션과 인프라의 광범위한 채택을 가로막는 중요한 장벽으로 남아 있습니다. 이는 탈중앙화 컴퓨팅 서비스에서도 다르지 않으며, 경우에 따라 개발자가 암호화폐와 AI를 이해해야 하기 때문에 더욱 악화될 수 있습니다. 현재 시장을 선도하는 업체들과 동일한 고품질의 결과물을 제공하려면 블록체인과의 상호 작용을 통합하고 추출하는 등 기본부터 개선해야 합니다. 이는 더 저렴한 제품을 제공하는 상호 운용 가능한 탈중앙화 컴퓨팅 프로토콜 중 상당수가 일상적으로 사용되기 어렵다는 점을 고려할 때 당연한 일입니다.

스마트 컨트랙트와 zkML

스마트 컨트랙트는 모든 블록체인 생태계의 핵심 구성 요소입니다. 특정 조건이 주어지면 실행을 자동화하고 신뢰할 수 있는 제3자의 필요성을 줄이거나 제거하여 탈중앙 금융과 같은 복잡한 탈중앙화 애플리케이션을 만들 수 있게 해줍니다. 그러나 스마트 컨트랙트는 업데이트해야 하는 사전 정의된 매개변수를 기반으로 실행되기 때문에 여전히 기능이 제한적입니다.

예를 들어 대출/차입 프로토콜을 배포하는 스마트 컨트랙트에는 특정 대출 대 가치 비율에 따라 포지션을 청산할 시점에 대한 사양이 포함되어 있습니다. 정적인 환경에서는 유용하지만, 위험이 지속적으로 변화하는 동적인 상황에서는 이러한 스마트 컨트랙트를 지속적으로 업데이트하여 위험 허용 범위의 변화에 적응해야 하므로 중앙화된 프로세스를 통해 관리되지 않는 컨트랙트에는 문제가 발생합니다. 예를 들어 탈중앙화된 거버넌스 프로세스에 의존하는 DAO는 시스템적 위험에 충분히 빠르게 대응하지 못할 수 있습니다.

인공지능(즉, 머신러닝 모델)을 통합한 스마트 콘트랙트는 전반적인 사용자 경험을 개선하면서 기능, 보안, 효율성을 향상시킬 수 있는 방법 중 하나입니다. 그러나 이러한 통합은 스마트 계약의 기반이 되는 모델이 악용되지 않도록 보장하거나 데이터 입력이 부족하여 모델을 학습시키기 어려운 롱테일 상황을 설명할 수 없기 때문에 추가적인 위험도 존재합니다.

영지식 머신러닝(zkML)

머신러닝은 복잡한 모델을 실행하기 위해 많은 양의 연산이 필요하므로 높은 비용으로 인해 AI 모델을 실행할 수 없습니다. 스마트 컨트랙트에서 직접 실행할 수 있습니다. 예를 들어, 사용자에게 수익 최적화 모델을 제공하는 탈중앙 금융 프로토콜은 막대한 가스 수수료를 지불하지 않고는 온체인에서 모델을 실행하기 어렵습니다. 한 가지 해결책은 기반 블록체인의 연산 능력을 높이는 것입니다. 그러나 이는 체인 검증자 집합에 대한 요구 사항을 증가시키고 탈중앙화 특성을 약화시킬 수 있습니다. 대신, 일부 프로젝트에서는 집중적인 온체인 연산 없이도 탈신뢰 방식으로 출력을 검증하기 위해 zkML을 사용하는 방법을 모색하고 있습니다.

zkML의 유용성을 보여주는 일반적인 예는 사용자가 모델을 통해 데이터를 실행하고 상대방이 실제로 올바른 모델을 실행했는지 검증하기 위해 다른 사람이 필요할 때입니다. 개발자가 탈중앙화된 연산 공급자를 사용하여 모델을 훈련시키고 있는데, 공급자가 출력 차이가 거의 없고 저렴한 모델을 사용하여 비용을 절감하려 한다고 우려할 수 있습니다. zkML을 사용하면 연산 공급자가 모델을 통해 데이터를 실행한 다음 온체인에서 검증할 수 있는 증명을 생성하여 입력이 주어지면 모델 출력이 정확하다는 것을 보여줄 수 있습니다. 이 경우, 모델 제공자는 출력을 생성한 기본 가중치를 공개하지 않고도 모델을 제공할 수 있다는 추가적인 이점을 누릴 수 있습니다.

반대의 경우도 가능합니다. 사용자가 자신의 데이터를 사용하여 모델을 실행하고 싶지만 개인 정보 보호 문제로 인해 모델을 제공하는 프로젝트가 자신의 데이터에 액세스하는 것을 원하지 않는 경우(예: 의료 검사 또는 독점 비즈니스 정보의 경우), 사용자는 데이터를 공유하지 않고 자신의 데이터로 모델을 실행한 다음 증명을 통해 올바른 모델을 실행했는지 검증할 수 있습니다. 이러한 가능성은 엄청난 계산 제약을 해결함으로써 AI와 스마트 컨트랙트 기능의 통합을 위한 설계 공간을 크게 확장합니다.

인프라 및 도구

zkML 공간의 초기 상태를 고려할 때, 개발은 주로 팀이 모델과 결과물을 검증 가능한 증명으로 변환하기 위해 필요한 인프라 및 도구를 구축하는 데 집중되어 왔습니다. 체인에서 검증할 수 있는 증명으로 변환하는 데 필요한 인프라와 도구를 구축하는 데 중점을 두었습니다. 이러한 제품은 개발의 제로 지식 측면을 최대한 많이 추출합니다.

EZKL과 Giza는 머신러닝 모델 실행에 대한 검증 가능한 증명을 제공함으로써 이 도구를 구축하는 두 가지 프로젝트입니다. 두 프로젝트 모두 팀이 머신러닝 모델을 구축하여 체인에서 신뢰할 수 있는 방식으로 결과를 검증할 수 있는 형태로 실행될 수 있도록 지원합니다. 두 프로젝트 모두 오픈 신경망 교환(ONNX)을 사용해 텐서플로우와 파이토치 같은 범용 언어로 작성된 머신러닝 모델을 표준 형식으로 변환합니다. 그런 다음 실행 시 zk 증명을 생성하는 이러한 모델의 버전을 내보냅니다. ezkl은 오픈 소스이며 zk-SNARKS를 생성하고, Giza는 폐쇄 소스이며 zk-STARKS를 생성합니다. 두 프로젝트 모두 현재 EVM과만 호환됩니다.

지난 몇 달 동안 ezkl은 자사의 지난 몇 달 동안 비용 절감, 보안 개선, 증명 생성 속도 향상에 중점을 두고 zkML 솔루션을 개선하는 데 상당한 진전을 이루었습니다. 예를 들어, 2023년 11월에는 총 증명 시간을 35% 단축하는 새로운 오픈 소스 GPU 라이브러리를 통합했으며, 1월에는 EZKL 증명 사용 시 HPC 클러스터를 통합하고 동시 작업 시스템을 오케스트레이션하는 소프트웨어 솔루션인 릴리스를 출시했습니다.Giza는 검증 가능한 머신러닝 생성 도구를 제공하는 것 외에도 다음과 같은 점에서 독특합니다. 기자는 검증 가능한 머신러닝 모델을 생성하기 위한 도구를 제공하는 것 외에도 웹3에 해당하는 허깅 페이스를 구현하고, zkML 협업 및 모델 공유를 위한 사용자 마켓플레이스를 열고, 궁극적으로 분산 컴퓨팅 제품을 통합할 계획이라는 점에서 차별화됩니다. 1월에 EZKL은 EZKL, Giza, RiscZero의 성능을 비교한 벤치마크 평가를 발표했습니다(아래 설명 참조). EZKL은 더 빠른 증명 시간과 메모리 사용량을 보여주었습니다.

모듈러스 랩스는 AI 모델에 특화된 새로운 zk 증명 기술도 연구하고 있습니다. 모듈러스는 "지능의 비용"(AI 모델을 온체인에서 실행하는 것이 매우 비싸다는 것을 시사)이라는 논문을 발표하여 당시의 zk 증명 시스템을 벤치마킹하여 AI 모델의 zk 증명을 개선할 수 있는 능력과 병목현상을 파악했습니다. 2023년 1월에 발표된 이 논문은 기존 제품이 너무 비싸고 비효율적이어서 대규모로 AI 애플리케이션을 구현하기 어렵다는 것을 보여주었습니다. 모듈러스는 초기 연구를 바탕으로 11월에 AI 모델의 비용과 증명 시간을 줄이기 위해 특별히 설계된 영지식 증명기인 리머너를 출시했으며, 모델을 스마트 컨트랙트에 대규모로 통합하는 프로젝트를 경제적으로 실행 가능하게 만드는 것을 목표로 삼았습니다. 이 프로젝트는 비공개 소스이므로 위에서 언급한 솔루션과 벤치마킹할 수는 없지만, 최근 비탈릭의 암호화폐와 AI에 관한 블로그 게시물에 인용된 바 있습니다.

도구 및 인프라 개발은 검증 가능한 오프체인 연산을 실행하는 라인을 배포하는 데 필요한 zk 팀과의 마찰을 크게 줄여주므로 향후 zkML 공간의 성장에 매우 중요합니다. 머신러닝을 연구하는 비암호화 네이티브 빌더가 자신의 모델을 체인으로 가져올 수 있는 안전한 인터페이스를 만들면 애플리케이션을 위한 진정으로 새로운 사용 사례를 더 많이 실험할 수 있게 될 것입니다. 또한 이 도구는 zkML의 광범위한 채택을 가로막는 주요 장벽 중 하나인 영지식, 머신 러닝, 암호화의 교차점에서 작업하는 데 관심이 있는 지식이 풍부한 개발자가 부족하다는 문제를 해결합니다.

코프로세서

개발 중인 기타 솔루션("코프로세서"라고 함)은 다음과 같습니다. 리스제로, 액시엄, 리추얼 코프로세서라는 용어는 주로 의미론적인 의미로, 이러한 네트워크는 체인에서 오프체인 계산을 검증하는 등 다양한 역할을 수행합니다. 이지클, 기자, 모듈러스와 마찬가지로 이들의 목표는 영지식 증명 생성 과정을 완전히 추출하여 기본적으로 오프체인 절차를 실행하고 온체인 검증 증명을 생성할 수 있는 영지식 가상 머신을 생성하는 것입니다.RiscZero와 Axiom은 보다 범용적인 코프로세서이므로 간단한 AI 모델에 사용할 수 있는 반면, Ritual은 특별히 AI 모델을 위해 특별히 제작되었습니다.

Infernet은 Ritual의 첫 번째 인스턴스로, 개발자가 네트워크에 추론 요청을 제출하고 그 대가로 출력과 증명을 받을 수 있는 Infernet SDK가 포함되어 있습니다(선택 사항). <인퍼넷>의 노드는 이러한 요청을 수신하고 다운더체인 계산을 처리한 후 출력을 반환합니다. 예를 들어, DAO는 모든 새로운 거버넌스 제안이 제출되기 전에 특정 전제조건을 충족하는지 확인하는 프로세스를 만들 수 있습니다. 새로운 제안이 제출될 때마다 거버넌스 콘트랙트는 DAO의 특정 거버넌스에 의해 훈련된 AI 모델을 호출하는 <인퍼넷>을 통해 추론 요청을 트리거합니다. 이 모델은 제안서를 검토하여 필요한 모든 기준을 충족하는지 확인하고 제안서 제출을 승인하거나 거부하기 위한 결과와 증거를 반환합니다.

내년에 리추얼 팀은 리추얼 슈퍼체인이라는 인프라 계층을 구성하는 추가 기능을 출시할 계획입니다. 앞서 설명한 많은 항목들이 서비스 제공자로서 리추얼에 연결될 수 있습니다. 리추얼 팀은 EZKL과 통합하여 증명을 생성했으며 곧 다른 주요 공급업체의 기능을 추가할 예정입니다. 리추얼의 인퍼넷 노드는 비텐서 서브넷에서 훈련된 쿼리 모델뿐만 아니라 아카시 또는 io.net GPU도 사용할 수 있습니다. 비트센서 서브넷에서 훈련된 모델을 사용할 수 있습니다. 궁극적인 목표는 모든 네트워크에서 모든 워크로드에 대해 머신러닝 및 기타 AI 관련 작업을 제공할 수 있는 개방형 AI 인프라를 위한 선택받는 공급자가 되는 것입니다.

앱

zkML은 본질적으로 자원 제약이 있는 블록체인과 엄청난 양의 연산과 데이터가 필요한 AI 사이의 긴장을 조정하는 데 도움이 됩니다. 데이터. Giza의 창립자 중 한 명이 말했듯이 "사용 사례는 매우 풍부합니다. ...... 마치 이더리움 초기에 스마트 계약의 사용 사례가 무엇이냐고 물었을 때와 비슷합니다. ...... 우리가 하는 것은 스마트 계약의 사용 사례를 확장하는 것뿐입니다. " 그러나 위에서 언급했듯이 오늘날의 개발은 대부분 도구와 인프라 수준에서 이루어지고 있습니다. 앱은 아직 탐색 단계에 있으며, 팀들은 zkML을 사용하여 모델을 구현함으로써 생성되는 가치가 복잡성과 비용보다 크다는 것을 증명해야 하는 과제를 안고 있습니다.

현재 적용 중인 애플리케이션은 다음과 같습니다:

• 탈중앙화된 금융. zkML은 스마트 컨트랙트의 기능을 향상시켜 DeFi의 설계 공간을 업그레이드합니다. DeFi 프로토콜은 머신러닝 모델에 수익률이나 거래 전략, 위험 분석, 사용자 경험 등을 생성하는 데 사용할 수 있는 검증 가능하고 변경 불가능한 대량의 데이터를 제공합니다. 예를 들어, 기자는 얀 파이낸스와 제휴하여 얀의 새로운 v3 볼트를 위한 개념 증명 자동 위험 평가 엔진을 구축했고, 모듈러스 랩스는 라이라 파이낸스와 제휴하여 머신러닝을 AMM에 통합했으며, 이온 프로토콜과 제휴하여 검증자 위험 분석 모델을 구현했고, 업샷의 AI 검증을 도왔습니다. 지원 NFT 가격 정보, NOYA (EZKL 활용) 및 Mozaic과 같은 프로토콜은 사용자가 온 체인 데이터 입력 및 증명을 검증 할 수있는 동시에 자동화 된 유동성 채굴에 액세스 할 수있는 독점적 인 오프 체인 모델에 대한 액세스를 제공합니다.Spectral Finance는 Compound 또는 대출자의 대출 채무 불이행 가능성을 예측합니다. zkML 덕분에 이러한 소위 "디아이파이" 상품은 향후 몇 년 안에 더욱 인기를 끌 것으로 보입니다.

• 게임. 게임은 오랫동안 퍼블릭 블록체인에 의해 파괴되고 증강될 수 있는 것으로 인식되어 왔습니다. zkML은 AI를 위한 온체인 게임을 가능하게 합니다. 모듈러스 랩스는 간단한 온체인 게임을 위한 개념 증명을 구현했습니다. leela vs the world는 사용자가 AI 체스 모델과 대결하는 게임 이론적 체스 게임입니다. zkML은 릴라의 모든 움직임이 게임에서 실행되는 모델에 기반하고 있는지 확인합니다. 이와 유사하게, 카트리지 팀은 간단한 노래 경연과 온체인 틱택토를 구축하기 위해 EZKL 프레임워크를 사용하고 있으며, 최근에는 장애물을 피하려는 자동차의 더 나은 모델을 만들기 위해 사용자가 경쟁하는 간단한 AI 운전 게임을 선보였습니다. 이러한 개념 증명은 단순하지만, 플레이어가 자신의 전사를 훈련시켜 AI 모델로 전투에 배치할 수 있는 슈퍼 스매시 브라더스 게임인 AI 아레나에서 볼 수 있듯이 게임 내 경제와 상호작용할 수 있는 복잡한 NPC 액터와 같이 더 복잡한 온체인 증명을 가능하게 하는 향후 구현을 시사합니다.

• 신원, 출처 및 개인정보 보호. 암호화폐는 이미 진위 여부를 확인하고 증가하는 AI 생성/조작 콘텐츠와 심각한 위조에 대응하는 수단으로 사용되고 있습니다. zkML은 이러한 노력을 발전시킬 수 있습니다. 세계코인은 사용자가 홍채를 스캔하여 고유 ID를 생성하는 신원 증명 솔루션으로, 향후에는 생체인식 ID가 암호화된 저장소를 사용하여 개인 장치에서 자체 호스팅되고 인증을 사용하여 로컬에서 실행될 수 있습니다. 향후에는 암호화된 저장소를 사용하여 개인 디바이스에서 생체 인식 ID를 자체 호스팅하고 로컬에서 실행되는 생체 인식 인증에 필요한 모델을 사용할 수 있습니다. 그러면 사용자는 자신의 신원을 밝히지 않고도 생체 인식 증거를 제공할 수 있어 프라이버시를 보호하는 동시에 마녀 공격을 방어할 수 있습니다. 이 모델은 의료 데이터/이미지를 분석하여 질병을 감지하거나, 데이트 앱에서 성격을 확인하고 매칭 알고리즘을 개발하거나, 금융 정보를 확인해야 하는 보험 및 대출 기관에서 모델을 사용하는 등 개인정보 보호가 필요한 다른 추론에도 적용될 수 있습니다.

전망

zkML은 아직 실험 단계에 있으며 대부분의 프로젝트는 인프라 기본 요소와 개념 증명 구축에 초점을 맞추고 있습니다. 오늘날의 과제에는 계산 비용, 메모리 제약, 모델 복잡성, 제한된 도구와 인프라, 개발자 인재 등이 있습니다. 요컨대, 소비자 제품에 필요한 규모로 zkML을 구현하려면 아직 해결해야 할 과제가 상당히 많습니다.

그러나 이 분야가 성숙하고 이러한 한계가 해결되면 zkML은 AI와 암호 화폐 통합의 핵심 구성 요소가 될 것입니다. 기본적으로 zkML은 온체인 작업과 동일하거나 거의 동일한 보안을 유지하면서 모든 규모의 오프체인 연산을 체인으로 가져올 수 있을 것으로 약속합니다. 그러나 이 비전이 실현될 때까지 이 기술의 초기 사용자들은 계속해서 zkML의 프라이버시와 보안을 다른 대안의 효율성과 비교해야 할 것입니다.

인공지능 에이전트

AI와 암호화폐의 가장 흥미로운 통합 중 하나는 AI 에이전트에 대한 실험이 진행 중이라는 점입니다. 에이전트는 AI 모델을 사용하여 작업을 수신, 해석 및 수행할 수 있는 자율 로봇입니다. 이는 사용자의 선호도에 맞게 미세 조정된 개인 비서부터 사용자의 위험 성향에 따라 포트폴리오를 관리하고 조정하는 금융 에이전트를 고용하는 것까지 모든 것이 될 수 있습니다.

암호화폐는 허가가 필요 없고 신뢰할 수 없는 결제 인프라를 제공하므로 에이전트와 암호화폐는 잘 어울릴 수 있습니다. 교육 후 상담원에게는 스마트 컨트랙트를 사용하여 스스로 거래를 할 수 있도록 지갑이 제공됩니다. 예를 들어, 오늘날 에이전트는 인터넷에서 정보를 수집한 다음 모델을 기반으로 예측 시장에서 거래할 수 있습니다.

에이전트 제공자

모피어스는 2024년 이더와 아비트럼에서 가동될 최신 오픈소스 에이전트 프로젝트 중 하나입니다. 2023년 9월 익명으로 공개된 백서는 커뮤니티가 형성되고 구축되는 토대를 제공합니다(Erik Vorhees와 같은 저명한 인물 포함). 백서에는 로컬에서 실행되고 사용자의 지갑으로 관리되며 스마트 컨트랙트와 상호 작용하는 오픈 소스 LLM인 다운로드 가능한 스마트 에이전트 프로토콜이 포함되어 있습니다. 이 프로토콜은 스마트 컨트랙트 순위를 사용하여 에이전트가 처리된 트랜잭션 수 등의 기준에 따라 어떤 스마트 컨트랙트와 상호작용하기에 안전한지 판단할 수 있도록 도와줍니다.

이 백서는 스마트 에이전트 프로토콜을 작동시키는 데 필요한 인센티브 구조와 인프라 등 모피어스 네트워크를 구축하기 위한 프레임워크도 제공합니다. 여기에는 에이전트와 상호 작용하기 위한 프런트엔드 구축에 대한 기여자에 대한 인센티브, 에이전트와 상호 작용할 수 있도록 에이전트에 연결되는 애플리케이션을 구축하는 개발자를 위한 API, 사용자가 에이전트를 실행하는 데 필요한 컴퓨팅과 엣지 디바이스의 스토리지에 액세스할 수 있는 클라우드 솔루션이 포함됩니다. 이 프로젝트의 초기 자금 조달은 2월 초에 시작되었으며, 전체 계약은 2024년 2분기에 시작될 예정입니다.

분산형 자율 인프라 네트워크(DAIN)는 Solana에서 에이전트 간 경제를 구축하는 새로운 에이전트 인프라 프로토콜입니다. DAIN의 목표는 여러 기업의 에이전트가 공통 API를 통해 서로 원활하게 상호작용할 수 있도록 함으로써 AI 에이전트를 위한 설계 공간을 획기적으로 개방하는 것입니다. DAIN의 목표는 서로 다른 기업의 에이전트가 공통 API를 통해 서로 원활하게 상호 작용할 수 있게 함으로써 AI 에이전트의 디자인 공간을 크게 개방하는 것이며, 웹2.0 및 웹3.0 제품과 상호 작용할 수 있는 에이전트를 구현하는 데 중점을 두고 있습니다. 1월에는 사용자가 거래를 해석하고 사용자가 설정한 규칙에 따라 거래를 승인/거부할 수 있는 '프록시 서명자'를 다중 서명에 추가할 수 있는 업계 최초의 협업을 Asset Shield와 함께 발표했습니다.

Fetch.AI는 최초로 배포된 AI 프록시 프로토콜 중 하나로, FET 토큰과 Fetch.AI 지갑을 사용하여 온체인 프록시를 구축, 배포 및 사용하기 위한 생태계를 개발했습니다. 이 프로토콜은 프록시와의 상호작용 및 주문을 위한 지갑 내 기능을 포함해 프록시 사용을 위한 포괄적인 도구와 애플리케이션 세트를 제공합니다.

Fetch 팀의 전 멤버가 설립자로 참여한 Autonolas는 탈중앙화 AI 에이전트의 생성 및 사용을 위한 오픈 마켓플레이스로, 개발자에게 여러 블록체인에 연결할 수 있는 오프체인 호스팅 AI 에이전트를 구축하는 도구 세트도 제공합니다. 폴리곤, 이더리움, 노시스 체인, 솔라나 등 여러 블록체인에 연결할 수 있으며, 현재 예측 시장 및 DAO 거버넌스를 포함하여 에이전트를 위한 여러 가지 개념 증명 제품을 보유하고 있습니다.

싱귤래리티넷은 사람들이 복잡한 작업을 수행하기 위해 다른 사람이나 에이전트에 의해 고용될 수 있는 집중적인 AI 에이전트를 배치할 수 있는 탈중앙화된 AI 에이전트 마켓플레이스를 구축하고 있습니다.AlteredStateMachine 외. 다른 회사들도 NFT와 통합하기 위해 AI 에이전트를 구축하고 있습니다. 사용자는 다양한 작업에 강점과 약점을 부여하는 임의의 속성을 가진 NFT를 캐스팅합니다. 그런 다음 이러한 에이전트는 게임, 탈중앙 금융 또는 가상 비서로 사용하기 위해 특정 속성을 향상시키고 다른 사용자와 거래하도록 훈련할 수 있습니다.

전반적으로 이 프로젝트는 작업을 수행할 뿐만 아니라 범용 AI를 구축하기 위해 함께 작동할 수 있는 미래의 인텔리전스 생태계를 구상하고 있습니다. 진정으로 정교한 에이전트는 모든 사용자 작업을 자율적으로 수행할 수 있는 능력을 갖추게 될 것입니다. 예를 들어 완전 자율 에이전트는 다른 에이전트를 고용하여 API를 통합하는 방법을 알아낸 다음 에이전트가 사용하기 전에 외부 API(예: 여행 예약 사이트)와 통합되었는지 확인할 필요 없이 작업을 수행할 수 있을 것입니다. 사용자 입장에서는 상담원이 작업을 완료할 수 있는지 여부를 상담원이 스스로 판단할 수 있으므로 확인할 필요가 없습니다.

비트코인과 인공 지능 에이전트

2023년 7월, 라이트닝 랩스는 라이트닝 네트워크에서 에이전트를 사용하기 위한 개념 증명 구현을 공개했습니다. 랭체인의 비트코인 스위트. 이 제품은 웹 2.0 세계에서 증가하는 문제인 웹 앱용 게이트형 고가의 API 키를 해결하는 것을 목표로 한다는 점에서 특히 흥미롭습니다.

LangChain은 에이전트가 비트코인을 구매, 판매, 보유할 수 있을 뿐만 아니라 API 키를 쿼리하고 소액 결제를 보낼 수 있는 도구 세트를 개발자에게 제공함으로써 이 문제를 해결합니다. 기존 결제 트랙에서는 수수료로 인해 소액 결제에 많은 비용이 들지만, 라이트닝 네트워크에서는 에이전트가 최소한의 수수료로 하루에 무제한으로 소액 결제를 전송할 수 있습니다. LangChain의 L402 결제 미터링 API 프레임워크와 함께 사용하면, 기업은 비용이 많이 드는 단일 표준을 설정하지 않고 사용량 증가 및 감소에 따라 API 액세스 비용을 조정할 수 있습니다.

온체인 활동이 스마트와 스마트의 상호작용에 의해 지배되는 미래에는 스마트가 비용이 많이 들지 않는 방식으로 서로 상호작용할 수 있도록 보장하기 위해 이와 같은 방식이 필요할 것입니다. 이는 허가 없이 비용 효율적인 결제 트랙에서 프록시를 사용하는 것이 새로운 시장과 경제적 상호작용의 가능성을 열어주는 초기 사례입니다.

전망

대리인 분야는 아직 초기 단계입니다. 프로젝트에서는 인프라를 사용하여 일반적으로 숙련된 개발자와 사용자만 접근할 수 있는 간단한 작업을 처리할 수 있는 기능적 에이전트를 이제 막 출시하기 시작했습니다. 하지만 시간이 지나면서 AI 에이전트가 암호화폐에 미칠 가장 큰 영향 중 하나는 모든 업종에 걸쳐 사용자 경험을 개선하는 것이 될 것입니다. 거래는 클릭 기반에서 텍스트 기반으로 이동하기 시작할 것이며, 사용자는 LLM을 통해 온체인 에이전트와 상호작용할 수 있게 될 것입니다. Dawn Wallet과 같은 팀은 이미 사용자가 온체인과 상호작용할 수 있는 챗봇 지갑을 출시했습니다.

또한 금융 트랙은 24시간 연중무휴로 운영되거나 원활한 국경 간 거래를 수행할 수 없는 규제된 은행 기관에 의존하기 때문에 웹 2.0에서 에이전트가 어떻게 작동할지는 불분명합니다. 린 알든이 강조한 것처럼, 암호화폐 트랙은 환불이 없고 소액 거래를 처리할 수 있다는 점에서 신용카드에 비해 특히 매력적입니다. 그러나 프록시가 더 일반적인 거래 형태가 되면 기존 결제 서비스 제공업체와 앱은 기존 금융 레일에서 작동하는 데 필요한 인프라를 구현하기 위해 빠르게 움직일 것이며, 암호화폐 사용의 일부 이점이 약화될 수 있습니다.

현재 프록시는 주어진 입력이 주어진 출력을 보장하는 결정론적 암호화폐 거래로 제한될 수 있습니다. 두 모델 모두 복잡한 작업을 수행하는 방법을 알아내는 에이전트의 능력을 지정하는 반면, 도구는 에이전트가 수행할 수 있는 작업의 범위를 확장하며, 두 모델 모두 추가 개발이 필요합니다. 암호화 에이전트가 새로운 온체인 암호화폐 사용 사례를 넘어 유용하게 사용되기 위해서는 결제 수단으로서 암호화폐의 폭넓은 통합과 수용, 그리고 규제의 명확성이 필요합니다. 그러나 이러한 구성 요소가 발전함에 따라 프록시는 자율적이고 비결정적인 방식으로 모든 작업을 수신하고 해결하면서 위에서 설명한 탈중앙화 컴퓨팅과 zkML 솔루션의 가장 큰 소비자 중 하나가 될 것입니다.

결론

AI는 인프라 개발부터 사용자 경험, 접근성까지 모든 것을 개선하여 웹 2.0에서 보았던 것과 동일한 혁신을 암호화폐에 도입합니다. 측면을 개선합니다. 그러나 이 프로젝트는 아직 개발 초기 단계에 있으며, 가까운 미래에 암호화폐와 AI의 통합은 오프체인 통합이 주를 이룰 것입니다.

코파일럿과 같은 제품은 개발자의 효율성을 "10배 더 높여줄 것"이며, 레이어 1 및 DeFi 앱은 마이크로소프트와 같은 유명 기업과 제휴하여 AI 지원 개발 플랫폼을 출시했습니다. Cub3.ai와 테스트 머신과 같은 회사는 온체인 보안을 강화하기 위해 스마트 콘트랙트 감사와 실시간 위협 모니터링을 위한 AI 통합을 개발하고 있으며, LLM 챗봇은 향상된 접근성과 사용자 경험을 제공하기 위해 온체인 데이터, 프로토콜 문서, 교육용 앱을 사용하고 있습니다.

암호화폐의 기반 기술을 진정으로 활용하는 보다 진보된 통합을 위해서는 온체인에서 AI 솔루션을 구현하는 것이 기술적으로 실현 가능하고 경제적으로 실행 가능하다는 것을 증명해야 하는 과제가 남아 있습니다. 탈중앙화 컴퓨팅, zkML, AI 에이전트의 발전은 암호화폐와 AI가 깊게 상호 연결된 미래를 위한 토대를 마련하는 유망한 분야를 가리키고 있습니다.