서론

블록체인 기술의 등장은 컴퓨터 과학 역사상 중대한 발전 중 하나입니다. 하지만 인공지능(AI)의 발전은 이미 우리 세계에 큰 영향을 미치고 있습니다. 블록체인 기술이 거래 정산, 데이터 저장, 시스템 설계에 새로운 틀을 제공한다면, 인공지능은 계산, 분석, 콘텐츠 전달 방식을 혁신하고 있습니다. 이 두 산업의 혁신은 앞으로 몇 년 안에 두 기술의 채택을 가속화할 수 있는 새로운 사용 사례를 열어가고 있습니다. 이 보고서는 암호화폐와 AI의 통합을 탐구하며, 두 기술 간의 격차를 메우려는 새로운 사용 사례에 초점을 맞춥니다. 특히 분산 컴퓨팅 프로토콜, 제로 지식 머신러닝(zkML) 인프라, AI 에이전트를 개발하는 프로젝트를 검토합니다.

암호화폐는 AI에게 허가 없이 사용할 수 있는, 신뢰할 수 없는, 조합 가능한 결제 계층을 제공합니다. 이를 통해 하드웨어를 더 접근하기 쉽게 만들어주는 분산 컴퓨팅 시스템을 만들고, 가치를 교환해야 하는 복잡한 작업을 수행할 수 있는 AI 에이전트를 구축하며, 실체 공격과 딥페이크를 대응하기 위한 신원 및 출처 솔루션을 개발하는 등의 사용 사례를 가능하게 합니다. 반면에 AI는 웹 2.0에서 볼 수 있는 것과 같은 이점을 암호화폐에 가져다줍니다. 이는 개발자와 사용자 모두에게 개선된 사용자 경험(UX)을 제공하는 대규모 언어 모델(예: ChatGPT 및 Copilot의 특별히 훈련된 버전)을 포함하여 스마트 계약 기능과 자동화를 크게 향상시킬 수 있는 잠재력을 포함합니다. 블록체인은 AI가 필요로 하는 투명하고 데이터가 풍부한 환경을 제공합니다. 하지만 블록체인은 AI 모델을 직접 통합하기에는 계산 능력이 제한되어 있는 큰 장애물을 가지고 있습니다.

암호화폐와 AI의 교차점에서의 지속적인 실험과 최종적인 채택을 이끄는 동력은 암호화폐의 가장 유망한 사용 사례를 주도하는 것과 동일한 것입니다. 즉, 가치 이전을 더 잘 용이하게 하는 허가 없고 신뢰할 수 없는 조정 계층에 대한 접근입니다. 엄청난 잠재력을 고려할 때, 이 공간의 참여자들은 두 기술이 교차하는 기본적인 방식을 이해해야 합니다.

주요 결론

• 암호화폐와 AI의 통합은 단기적으로(6개월에서 1년 사이) 개발자 효율성, 스마트 계약의 감사 가능성 및 보안, 사용자 접근성을 향상시키는 AI 애플리케이션에 의해 지배될 것입니다. 이러한 통합은 암호화폐에만 국한되지 않지만, 온체인 개발자와 사용자 경험을 향상시킵니다.
• 고성능 GPU가 상당히 부족한 상황에서 AI에 특화된 GPU 제공을 구현하는 분산 컴퓨팅 제공업체들은 도입에 있어 호재를 맞이하고 있습니다.
• 사용자 경험과 규제는 분산 컴퓨팅 고객을 온보딩하는 데 있어 장애물을 지속적으로 제공하고 있습니다. 하지만 최근 OpenAI에서의 발전과 미국에서 진행 중인 규제 검토는 허가 없고 검열에 저항하는 분산 AI 네트워크의 가치 제안을 강조합니다.
• 특히 스마트 계약에서 AI 모델을 사용할 수 있는 온체인 AI 통합은 zkML 기술과 오프체인 컴퓨트를 온체인에서 검증할 수 있는 기타 계산 방법에서의 개선이 필요합니다. 포괄적인 도구와 개발자 인재의 부족, 높은 비용은 채택에 장벽이 됩니다.
• AI 에이전트는 사용자(또는 에이전트 자체)가 다른 서비스, 에이전트 또는 사람들과 거래하기 위해 지갑을 생성할 수 있는 암호화폐에 적합합니다. 이는 현재 전통적인 금융 레일을 사용하여 불가능합니다. 더 넓은 채택을 위해서는 비암호화폐 제품과의 추가 통합이 필요합니다.

용어 정리

• 인공지능: 계산과 기계를 사용하여 인간의 추론 및 문제 해결 능력을 모방하는 것입니다.
• 신경망: AI 모델을 훈련시키는 한 가지 방법입니다. 원하는 출력을 생성할 때까지 입력을 알고리즘의 별도 층을 통해 실행합니다. 신경망은 출력을 변경할 수 있는 가중치를 가진 방정식으로 구성됩니다. 출력이 정확하도록 훈련하기 위해 엄청난 양의 데이터와 계산이 필요합니다. 이것은 AI 모델이 개발되는 가장 일반적인 방법 중 하나입니다(예: ChatGPT는 변환기에 의존하는 신경망 프로세스를 사용합니다).
• 훈련: 신경망과 다른 AI 모델이 개발되는 과정입니다. 모델이 입력을 올바르게 해석하고 정확한 출력을 생성하도록 대량의 데이터로 모델을 훈련시킵니다. 훈련 과정 동안 모델의 방정식 가중치가 만족스러운 출력이 생성될 때까지 지속적으로 수정됩니다. 훈련은 매우 비쌀 수 있습니다. 예를 들어, ChatGPT는 데이터를 처리하기 위해 수만 개의 자체 GPU를 사용합니다. 리소스가 적은 팀은 Amazon Web Services, Azure 및 Google Cloud Providers와 같은 전용 컴퓨팅 제공업체에 의존하는 경우가 많습니다.
• 추론: AI 모델을 사용하여 출력이나 결과를 얻는 실제 사용입니다(예: 암호화폐와 AI의 교차점에 대한 개요를 만들기 위해 ChatGPT 사용). 추론은 훈련 과정과 최종 제품에서 모두 사용됩니다. 훈련이 완료된 후에도 실행하는 데 비용이 많이 들 수 있지만, 계산 비용은 훈련보다 덜 집약적입니다.
• 제로 지식 증명(ZKP): 기본 정보를 공개하지 않고도 주장을 검증할 수 있게 합니다. 이는 주로 두 가지 주요 이유로 암호화폐에서 유용합니다: 1) 개인 정보 보호: 사용자가 지갑에 있는 ETH 양과 같은 민감한 정보를 공개하지 않고도 거래할 수 있게 합니다. 2) 확장성: 오프체인에서 계산을 수행한 다음 온체인에서 다시 실행하는 것보다 더 빠르게 오프체인 계산을 검증할 수 있게 합니다. 이를 통해 블록체인과 애플리케이션이 오프체인에서 저렴하게 계산을 실행한 다음 온체인에서 검증할 수 있습니다. 이더리움 가상 머신에서 제로 지식의 역할에 대한 자세한 내용은 Christine Kim의 보고서 zkEVMs: 이더리움 확장성의 미래를 참조하십시오.

AI/암호화폐 시장 지도

• AI:Crypto Market Map — 다이어그램
• 암호화폐와 AI의 교차점에서 프로젝트는 여전히 대규모로 온체인 AI 상호 작용을 지원할 기반 인프라를 구축하고 있습니다.

분산 컴퓨팅

개요

AI는 모델을 훈련하고 추론을 실행하기 위해 대량의 컴퓨팅을 필요로 합니다. 지난 10년 동안 모델이 더 정교해짐에 따라 컴퓨팅 요구 사항이 기하급수적으로 증가했습니다. 예를 들어, OpenAI는 2012년부터 2018년까지 모델에 대한 컴퓨팅 요구 사항이 2년마다 두 배가 되었다가 매 3.5개월마다 두 배가 되었다고 밝혔습니다. 이로 인해 GPU에 대한 수요가 급증하고 일부 암호화폐 채굴자는 클라우드 컴퓨팅 서비스를 제공하기 위해 GPU를 재사용하기까지 했습니다(이에 대한 자세한 내용은 연례 비트코인 채굴 보고서에서 읽을 수 있습니다). 컴퓨팅에 대한 접근 경쟁이 치열해지고 비용이 상승함에 따라, 여러 프로젝트가 암호화폐를 사용하여 분산 컴퓨팅 솔루션을 제공하고 있습니다. 이들은 경쟁력 있는 가격으로 수요에 맞는 컴퓨팅을 제공하여 팀이 모델을 훈련하고 실행할 수 있도록 합니다. 일부 경우에서는 성능과 보안 측면에서 타협이 필요할 수 있습니다.

Nvidia와 같은 최첨단 GPU는 매우 높은 수요를 보이고 있습니다. 예를 들어, Tether는 독일 비트코인 채굴업체 Northern Data의 지분을 인수하는 데 4억 2천만 달러를 지불했다고 보도되었으며, AI 훈련을 위한 가장 진보된 GPU 중 하나인 1만 개의 H100 GPU를 획득했습니다. 최고급 하드웨어의 대기 시간은 최소 6개월이며 대부분의 경우 더 길 수 있습니다. 상황을 더 악화시키는 것은, 회사들이 자신들이 심지어 사용하지 않을 수도 있는 컴퓨팅 양에 대해 장기 계약을 체결해야 한다는 것입니다. 이로 인해 사용 가능한 컴퓨팅이 있지만 시장에서 사용할 수 없는 상황이 발생할 수 있습니다. 분산 컴퓨팅 시스템은 이러한 시장 비효율성을 해결하는 데 도움이 되며, 소유자가 필요한 순간에 초과 용량을 하위 임대할 수 있는 이차 시장을 만듭니다. 이로써 새로운 공급이 열립니다.

경쟁력 있는 가격과 접근성 외에도 분산 컴퓨팅의 핵심 가치 제안은 검열 저항입니다. 최첨단 AI 개발은 계산과 데이터에 대한 독보적인 접근을 가진 대형 기술 회사에 의해 점점 더 지배되고 있습니다. AI Index Report 2023 연례 보고서에서 강조된 첫 번째 주요 주제는 산업이 AI 모델 개발에서 점점 더 학계를 앞서고 있으며, 기술 리더 몇몇이 AI 모델에 내재된 규범과 가치를 지시하는 데 있어 과도한 영향력을 가질 수 있다는 우려를 불러일으키고 있다는 것입니다. 이는 이러한 동일한 기술 회사들이 자신들의 통제 밖에서 AI 개발을 억제하려는 규제 압력을 가한 후 특히 우려됩니다.

분산 컴퓨팅 수직

최근 몇 년 동안 분산 컴퓨팅에 대한 여러 모델이 등장했으며, 각각은 자체적인 초점과 타협을 가지고 있습니다.

• 일반화된 컴퓨팅: Akash, io.net, iExec, Cudos 등과 같은 프로젝트는 AI 훈련 및 추론 외에도 데이터 및 일반화된 컴퓨팅 솔루션에 대한 접근을 제공하거나 곧 제공할 예정인 분산 컴퓨팅 애플리케이션입니다.

Akash는 현재 유일한 완전한 오픈 소스 “슈퍼클라우드” 플랫폼입니다. 이는 Cosmos SDK를 사용하는 지분 증명 네트워크입니다. Akash의 네이티브 토큰인 AKT는 네트워크를 보호하고, 결제 수단으로 사용되며, 참여를 장려하기 위해 사용됩니다. Akash는 2020년에 처음으로 메인넷을 출시했으며, 초기에는 스토리지 및 CPU 임대 서비스를 제공하는 허가 없는 클라우드 컴퓨팅 마켓플레이스에 중점을 두었습니다. 2023년 6월, Akash는 새로운 테스트넷에 초점을 맞춘 GPU를 출시했으며, 9월에는 사용자가 AI 훈련 및 추론을 위해 GPU를 임대할 수 있는 GPU 메인넷을 출시했습니다.

Akash 생태계에는 두 가지 주요 행위자가 있습니다. 임차인(Tenants)과 제공자(Providers)입니다. 임차인은 Akash 네트워크의 계산 리소스를 구매하고자 하는 사용자입니다. 제공자는 컴퓨팅 공급자입니다. 임차인과 제공자를 매칭하기 위해, Akash는 역경매 과정에 의존합니다. 임차인은 컴퓨팅 요구 사항을 제출하며, 이 안에서 서버의 위치나 컴퓨팅을 수행하는 하드웨어 유형과 같은 특정 조건을 지정할 수 있으며, 지불할 의향이 있는 금액을 명시합니다. 그런 다음 제공자는 자신의 요청 가격을 제출하며, 가장 낮은 입찰가를 제시한 제공자가 작업을 수행하게 됩니다.

Akash 검증자는 네트워크의 무결성을 유지합니다. 현재 검증자 세트는 100개로 제한되어 있으며, 시간이 지남에 따라 점진적으로 증가할 계획입니다. 누구나 현재 가장 적은 AKT를 스테이킹한 검증자보다 더 많은 AKT를 스테이킹함으로써 검증자가 될 수 있습니다. AKT 소유자는 또한 검증자에게 자신의 AKT를 위임할 수 있습니다. 네트워크의 거래 수수료와 블록 보상은 AKT로 분배됩니다. 또한, 모든 임대 건에 대해 Akash 네트워크는 커뮤니티가 결정한 비율로 “수수료”를 벌게 되며, 이는 AKT 소유자에게 분배됩니다.

이차 시장

분산 컴퓨팅 마켓플레이스는 기존 컴퓨팅 시장의 비효율성을 해결하고자 합니다. 공급 제약으로 인해 회사들이 필요한 것보다 더 많은 컴퓨팅을 비축하고, 클라우드 제공업체와의 계약 구조로 인해 고객이 필요하지 않을 수도 있는 지속적인 접근을 위해 장기 계약에 묶이게 됩니다. 분산 컴퓨팅 플랫폼은 새로운 공급을 열어 요구되는 컴퓨팅을 가진 전 세계의 누구나 공급자가 될 수 있게 합니다.

Akash GPU 공급 및 임대 차트 GPU에 대한 급증하는 수요가 Akash에서 장기적인 네트워크 사용으로 이어질지 여부는 아직 미지수입니다. 예를 들어, Akash는 오랫동안 CPU 마켓플레이스를 제공해 왔으며, 중앙 집중식 대안과 유사한 서비스를 70–80% 할인된 가격으로 제공합니다. 그러나 낮은 가격에도 불구하고 상당한 사용량 증가가 없었습니다. 네트워크에서 활성 임대는 평균적으로 컴퓨팅의 33%, 메모리의 16%, 저장소의 13%만 사용하고 있으며, 이는 2023년 2분기 기준입니다. 이러한 메트릭은 온체인 채택에 있어 인상적입니다(참고로, 선도적인 저장소 제공업체인 Filecoin은 2023년 3분기에 12.6%의 저장소 활용도를 기록했습니다). 그러나 이는 공급이 이러한 제품에 대한 수요를 계속 초과함을 보여줍니다.

Akash가 GPU 네트워크를 출시한 지 반년이 조금 넘었으며, 장기적인 채택을 정확하게 평가하기에는 아직 이르다고 할 수 있습니다. 수요를 나타내는 징후 중 하나로, 현재까지의 평균 GPU 활용도는 44%로 CPU, 메모리 및 저장소보다 높습니다. 이는 주로 A100과 같은 최고급 GPU에 대한 수요에 의해 주도되며, 90% 이상이 임대되었습니다.

Akash GPU 공급 및 임대 2 차트 Akash에서의 일일 지출도 상승했으며, GPU 출시 전에 비해 거의 두 배 증가했습니다. 이는 부분적으로 다른 서비스 사용량, 특히 CPU 사용량의 증가 때문일 수 있지만, 주로 새로운 GPU 사용 때문입니다.

일일 USD 지출 Akash 차트 가격은 Lambda Cloud 및 Vast.ai와 같은 중앙 집중식 경쟁자와 일치하며(일부 경우에는 약간 더 비쌉니다). 최고급 GPU(H100 및 A100과 같은)에 대한 엄청난 수요는 대부분의 소유자가 경쟁적인 가격에 직면할 가능성이 거의 없는 마켓플레이스에 자신의 장비를 나열하는 데 관심이 거의 없다는 것을 의미합니다.

초기 관심은 약속적이지만, 채택에 대한 장벽은 여전히 존재합니다(아래에서 더 자세히 논의됩니다). 분산 컴퓨팅 네트워크는 수요와 공급을 모두 생성하기 위해 더 많은 노력을 기울여야 할 것입니다. 팀들은 새로운 사용자를 유치하는 방법을 실험하고 있습니다. 예를 들어, 2024년 초, Akash는 GPU 공급업체에 대한 AKT 배출을 증가시키고 특히 고급 GPU에 대한 더 많은 공급을 유도하기 위해 제안 240을 통과시켰습니다. 팀들은 또한 잠재적인 사용자에게 자신들의 네트워크의 실시간 기능을 보여주기 위해 실증 모델을 출시하고 있습니다. Akash는 자체 기초 모델을 훈련하고 Akash GPU를 사용하여 출력을 생성하는 챗봇 및 이미지 생성 제공을 이미 출시했습니다. 마찬가지로, io.net은 안정적인 확산 모델을 개발하고 전통적인 GPU 데이터센터의 성능과 규모를 더 잘 모방하는 새로운 네트워크 기능을 출시하고 있습니다.

분산 머신러닝 훈련

일반화된 컴퓨팅 플랫폼 외에도 AI 요구 사항을 충족할 수 있는 특수화된 AI GPU 제공업체가 등장하고 있습니다. 예를 들어, Gensyn은 “전기와 하드웨어를 조정하여 집단 지성을 구축”하고 있으며, “누군가가 무언가를 훈련시키고 싶고, 누군가가 그것을 훈련시킬 의사가 있다면, 그 훈련은 허용되어야 한다”는 관점을 가지고 있습니다.

프로토콜에는 네 가지 주요 행위자가 있습니다: 제출자, 해결자, 검증자 및 고발자. 제출자는 네트워크에 훈련 요청과 함께 작업을 제출합니다. 이 작업에는 훈련 목표, 훈련될 모델, 훈련 데이터가 포함됩니다. 제출 과정의 일환으로, 제출자는 해결자로부터 요구되는 계산에 대해 미리 수수료를 지불합니다.

해결자가 할당된 작업을 받으면 실제 모델 훈련을 수행합니다. 그런 다음 해결자는 완료된 작업을 검증자에게 제출하며, 검증자는 훈련이 올바르게 수행되었는지 확인하는 책임이 있습니다. 고발자는 검증자가 정직하게 행동하도록 합니다. 네트워크에 고의적으로 잘못된 증거를 제공하여 고발자가 그것을 적발할 경우 보상을 제공함으로써 고발자의 참여를 장려할 계획입니다.

AI 관련 작업 부하를 처리하기 위해 추가 기능을 제공하는 것 외에도 Gensyn의 핵심 가치 제안은 여전히 개발 중인 검증 시스템입니다. 외부 계산이 GPU 제공업체에 의해 올바르게 수행되었는지 확인하는 것이 필요합니다(즉, 사용자의 모델이 원하는 대로 훈련되었는지 확인). Gensyn은 이 문제를 고유한 접근 방식으로 해결하며, “확률적 학습 증명, 그래프 기반 핀포인트 프로토콜, Truebit 스타일 인센티브 게임”이라는 새로운 검증 방법을 활용합니다. 이는 검증자가 자신이 완전히 다시 실행하지 않고도 해결자가 모델을 올바르게 실행했는지 확인할 수 있는 낙관적 해결 모드입니다. 이는 비용이 많이 들고 비효율적인 과정입니다.

중앙 집중식 제공업체인 Google Cloud Providers 및 Coreweave와 비교하여 Gensyn은 비용 효율적이라고 주장합니다. ML 훈련을 AWS보다 최대 80% 저렴하게 제공하며, Truebit와 같은 유사 프로젝트보다 테스트에서 경쟁력이 있습니다.

훈련 가격 비교 표 훈련 성능 비교 차트 이러한 초기 결과가 분산 네트워크 전체에서 복제될 수 있는지 여부는 아직 미지수입니다. Gensyn은 작은 데이터 센터, 소매 사용자 및 미래에는 휴대폰과 같은 더 작은 모바일 기기에서도 과잉 컴퓨팅을 활용하고자 합니다. 그러나 Gensyn 팀 자체가 인정했듯이, 이질적인 컴퓨팅 공급자에 의존함으로써 여러 새로운 도전 과제가 발생합니다.

중앙 집중식 제공업체인 Google Cloud Providers 및 Coreweave의 경우 컴퓨팅은 비싸지만 컴퓨팅 간의 통신(대역폭 및 대기 시간)은 저렴합니다. 이 시스템은 하드웨어 간의 통신이 가능한 한 빠르게 이루어지도록 설계되었습니다. Gensyn은 이 프레임워크를 뒤집어, 전 세계 누구나 GPU를 공급할 수 있도록 함으로써 컴퓨팅 비용을 낮추고 통신 비용을 증가시킵니다. Gensyn은 아직 출시되지 않았지만, 분산 머신러닝 훈련 프로토콜을 구축할 수 있는 가능성을 입증하는 개념 증명입니다.

분산 일반화된 지능

분산 컴퓨팅 플랫폼은 또한 인공 지능 생성 방법의 설계 가능성을 열어줍니다. Bittensor는 Substrate에서 구축된 분산 컴퓨팅 프로토콜로, “우리는 AI를 협업 접근 방식으로 전환할 수 있는 방법은 무엇인가?”라는 질문에 답하려고 합니다. Bittensor는 협업적 기계 학습 모델의 힘을 활용하여 지속적으로 반복하고 더 나은 인공 지능을 생산하고자 합니다.

Bittensor는 비트코인에서 영감을 받았으며, 네이티브 통화 TAO의 2천 1백만 공급량과 4년마다 반감기(첫 번째 반감기는 2025년)를 가지고 있습니다. 작업 증명을 사용하여 올바른 nonce를 생성하고 블록 보상을 받는 대신 Bittensor는 “지능의 증명”을 요구하며, 광부들은 추론 요청에 대한 출력을 생성하여 TAO 보상을 받습니다.

지능 인센티브 Bittensor는 원래 전문가 혼합(MoE) 모델에 의존하여 출력을 생성했습니다. 추론 요청이 제출되면, 하나의 일반화된 모델에 의존하는 대신 MoE 모델은 주어진 입력 유형에 가장 정확한 모델에 추론 요청을 전달합니다. 집을 짓는 것을 생각해보세요. 건축 과정의 다양한 측면에 대한 전문가(예: 건축가, 엔지니어, 페인터, 건축업자 등)를 고용합니다. MoE는 기계 학습 모델에 이를 적용하여 입력에 따라 다른 모델의 출력을 활용하려고 합니다. Bittensor 창립자 Ala Shaabana가 설명한 바와 같이, 이것은 “한 사람에게 말하는 대신 방 안의 똑똑한 사람들에게 말하고 가장 좋은 답변을 얻는 것”과 같습니다. 적절한 라우팅, 메시지 동기화, 인센티브를 보장하는 데 어려움이 있어 이 접근 방식이 프로젝트가 더 발전할 때까지 보류되었습니다.

네트워크의 두 가지 주요 행위자는 검증자와 광부(또는 서버)입니다. 검증자는 광부에게 추론 요청을 보내고, 그들의 출력을 검토하며, 그들의 응답 품질에 따라 순위를 매깁니다. 그들의 순위가 다른 검증자의 순위와 얼마나 잘 일치하는지에 따라 검증자는 “vtrust” 점수를 받게 됩니다. 검증자의 vtrust 점수가 높을수록 더 많은 TAO 배출을 받게 됩니다. 이는 시간이 지남에 따라 검증자가 모델 순위에 대한 합의에 도달하도록 장려하기 위한 것입니다. 즉, 검증자가 순위에 대해 더 많은 합의에 도달할수록 개별 vtrust 점수가 높아집니다.

광부(또는 서버라고도 함)는 네트워크 참여자로, 실제 기계 학습 모델을 실행합니다. 광부들은 주어진 쿼리에 대해 가장 정확한 출력을 제공함으로써 서로 경쟁하며, 출력이 더 정확할수록 더 많은 TAO 배출을 받게 됩니다. 광부들은 원하는 대로 그 출력을 생성할 수 있습니다. 예를 들어, Bittensor 광부가 Gensyn에서 이전에 훈련시킨 모델을 사용하여 TAO 배출을 벌 수 있는 미래 시나리오가 완전히 가능합니다.

오늘날 대부분의 상호 작용은 검증자와 광부 사이에서 직접 발생합니다. 검증자는 광부에게 입력을 제출하고 출력(즉, 모델 훈련)을 요청합니다. 검증자가 네트워크의 광부에게 쿼리를 제출하고 그들의 응답을 받으면, 그들은 광부를 순위를 매기고 그 순위를 네트워크에 제출합니다.

검증자(PoS에 의존)와 광부(모델 증명, PoW 형태에 의존) 사이의 이러한 상호 작용은 Yuma 합의로 알려져 있습니다. 이는 광부가 TAO 배출을 얻기 위해 최고의 출력을 생성하도록 장려하고, 검증자가 더 높은 vtrust 점수를 얻고 TAO 보상을 늘리기 위해 광부 출력을 정확하게 순위를 매기도록 장려하여 네트워크의 합의 메커니즘을 형성합니다.

서브넷 및 애플리케이션 Bittensor의 상호 작용은 주로 검증자가 광부에게 요청을 제출하고 그들의 출력을 평가하는 것으로 구성됩니다. 그러나 기여하는 광부의 품질이 향상되고 전체 네트워크의 지능이 성장함에 따라 Bittensor는 기존 스택 위에 애플리케이션 계층을 만들어 개발자가 Bittensor 네트워크를 쿼리하는 애플리케이션을 구축할 수 있도록 할 계획입니다.

2023년 10월, Bittensor는 서브넷 도입을 통해 이를 향한 중요한 단계를 완료했습니다. 서브넷은 Bittensor에서 특정 행동을 장려하는 개별 네트워크입니다. Revolution 업그레이드를 통해 네트워크는 서브넷을 만들고자 하는 누구에게나 개방되었습니다. 출시 이후 몇 달 동안 32개 이상의 서브넷이 출시되었으며, 이에는 텍스트 프롬프팅, 데이터 스크래핑, 이미지 생성, 저장소를 위한 서브넷이 포함됩니다. 서브넷이 성숙하고 제품 준비가 되면 서브넷 제작자는 개발자가 특정 서브넷을 쿼리하는 애플리케이션을 구축할 수 있는 애플리케이션 통합을 만들 것입니다. 이미 일부 애플리케이션(챗봇, 이미지 생성기, 트위터 답글 봇, 예측 시장)이 존재하지만, Bittensor 재단으로부터 보조금을 받는 것 외에는 그 쿼리를 수락하고 중계할 검증자에 대한 공식적인 인센티브는 없습니다.

Bittensor가 애플리케이션을 네트워크에 통합하는 방법을 더 명확하게 설명하기 위해 여기에 한 가지 예를 들어 보겠습니다.

Bittensor 추론 프로세스 다이어그램 서브넷은 루트 네트워크에 의해 평가된 성능에 따라 TAO를 벌게 됩니다. 루트 네트워크는 모든 서브넷 위에 앉아 있으며, essentially 일종의 특별한 서브넷으로, 스테이크별로 가장 큰 64개의 서브넷 검증자에 의해 관리됩니다. 루트 네트워크 검증자는 서브넷의 성능을 순위를 매기고 주기적으로 서브넷에 TAO 배출을 분배합니다. 이 방식으로 개별 서브넷은 루트 네트워크의 광부 역할을 합니다.

Bittensor 전망 Bittensor는 프로토콜 기능을 확장하여 다중 서브넷에서 지능 생성을 장려함에 따라 성장통을 겪고 있습니다. 예를 들어, 광부들은 자신의 모델에서 생성한 고등급 추론의 출력을 약간 수정한 다음 여러 변형을 제출함으로써 네트워크를 공격하여 더 많은 TAO 보상을 벌 수 있는 새로운 방법을 지속적으로 고안하고 있습니다. 전체 네트워크에 영향을 미치는 거버넌스 제안은 Opentensor 재단 이해 관계자로만 구성된 삼두정치에 의해서만 제출되고 실행될 수 있습니다(중요한 점은 제안이 구현되기 전에 Bittensor 검증자로 구성된 Bittensor 상원의 승인이 필요하다는 것입니다). 프로젝트의 토큰 경제는 TAO의 사용을 서브넷 전반에 걸쳐 개선하기 위해 개편되고 있습니다. 프로젝트는 또한 독특한 접근 방식으로 인해 빠르게 주목을 받고 있으며, 가장 인기 있는 AI 웹사이트 중 하나인 HuggingFace의 CEO가 Bittensor가 웹사이트에 자원을 추가해야 한다고 언급했습니다.

코어 개발자가 작성한 “Bittensor Paradigm”이라는 최근 게시물에서 팀은 Bittensor가 궁극적으로 “측정되는 것에 대해 무관심하게” 발전하여 TAO로 모든 유형의 행동을 장려하는 서브넷을 개발할 수 있도록 하는 비전을 제시합니다. 이론적으로 이는 Bittensor가 중앙 집중식 제공업체보다 빠르게 진보하는 기본 인센티브를 가진 다양한 프로세스를 처리할 수 있는 규모로 확장할 수 있음을 의미합니다.

AI 모델을 위한 분산 컴퓨팅 스택 구축

위 섹션에서는 개발 및 채택 초기 단계에 있는 다양한 유형의 분산 인공지능 컴퓨팅 프로토콜에 대한 개요를 제공합니다. 이들은 결국 “AI 빌딩 블록”과 같은 생태계를 가능하게 하는 기반을 제공하며, DeFi의 “머니 레고” 개념과 같습니다. 허가 없는 블록체인의 조합 가능성은 각 프로토콜이 서로 위에 구축될 수 있는 가능성을 열어줍니다.

예를 들어, 여기에 Akash, Gensyn 및 Bittensor가 추론 요청에 응답하는 방법에 대한 한 가지 방법이 있습니다.

분산 AI 스택 다이어그램 명확히 하자면, 이것은 단지 미래에 가능한 것이 무엇인지에 대한 예시일 뿐이며, 현재 생태계, 기존 파트너십 또는 가능한 결과를 대표하는 것이 아닙니다. 상호 운용성에 대한 제약과 그 밖의 고려 사항은 오늘날 통합 가능성을 상당히 제한합니다. 그 외에도 유동성의 분열과 여러 토큰을 사용해야 하는 필요성은 사용자 경험에 해로울 수 있으며, 이는 Akash와 Bittensor 창립자 모두가 지적한 바 있습니다.

기타 분산 제공

AI 모델을 개발하거나 주변 인프라를 지원하는 데 필요한 몇 가지 기타 분산 인프라 서비스가 출시되고 있습니다. 이 모든 것을 나열하는 것은 이 보고서의 범위를 벗어나지만, 몇 가지 흥미롭고 설명적인 예를 들어 보겠습니다.

• Ocean: 분산 데이터 마켓플레이스. 사용자는 자신의 데이터를 대표하는 데이터 NFT를 생성하고 데이터 토큰을 사용하여 구매할 수 있습니다. 사용자는 자신의 데이터를 화폐화하고 주권을 가질 수 있으며, AI를 개발하고 훈련시키는 데 필요한 데이터에 대한 접근을 제공합니다.
• Grass: 분산 대역폭 마켓플레이스. 사용자는 AI 회사에게 인터넷에서 데이터를 긁어오는 데 사용되는 초과 대역폭을 판매할 수 있습니다. Wynd 네트워크에 구축된 이 네트워크는 개인이 대역폭을 화폐화할 수 있을 뿐만 아니라 대역폭 구매자에게 온라인에서 개별 사용자가 보는 것과 같은 다양한 관점을 제공합니다(개인의 인터넷 접근은 일반적으로 특정 IP 주소에 맞춰 조정됩니다).
• HiveMapper: 일상적인 자동차 운전자로부터 수집된 정보로 구성된 분산 지도 제공을 구축하고 있습니다. HiveMapper는 사용자의 대시보드 카메라에서 수집된 이미지를 해석하기 위해 AI를 사용하며, 강화된 인간 학습 피드백(RHLF)을 통해 AI 모델을 미세 조정하는 데 도움을 준 사용자에게 토큰으로 보상합니다.

이러한 프로젝트는 AI 모델을 지원하거나 개발하는 데 필요한 주변 인프라를 탐색하는 분산 마켓플레이스 모델을 탐구할 수 있는 무한한 기회를 제시합니다. 현재 이러한 프로젝트는 대부분 개념 증명 단계에 있으며, 포괄적인 AI 서비스를 제공하는 데 필요한 규모로 운영될 수 있음을 입증하기 위해서는 훨씬 더 많은 연구와 개발이 필요합니다.

전망

분산 컴퓨팅 제공업체는 여전히 개발 초기 단계에 있으며, 최신 컴퓨팅에 대한 접근을 막 시작하고 있습니다. 이들이 의미 있는 시장 점유율을 확보하려면 중앙 집중식 대안에 비해 실질적인 이점을 입증해야 합니다. 더 넓은 채택을 위한 잠재적인 트리거는 다음과 같습니다.

• GPU 공급/수요. GPU 부족과 함께 컴퓨팅 수요가 급증하면서 GPU 경쟁이 치열해지고 있습니다. OpenAI는 이미 한 번 플랫폼에 대한 접근을 제한했습니다. Akash와 Gensyn과 같은 플랫폼은 고성능 컴퓨팅이 필요한 팀에게 비용 경쟁력 있는 대안을 제공할 수 있습니다. 특히 향후 6–12개월은 시장에서 접근할 수 없기 때문에 분산 컴퓨팅 제공업체를 고려해야 하는 새로운 사용자를 온보딩할 수 있는 독특한 기회입니다. 더욱이 점점 더 성능이 향상되는 오픈 소스 모델(예: Meta의 LLaMA 2)과 함께 사용자는 더 이상 효과적인 미세 조정 모델을 배포하는 데 같은 장벽에 직면하지 않으며, 이는 컴퓨팅 자원이 주요 병목 현상입니다. 그러나 이러한 플랫폼들이 자체적으로 존재한다고 해서 적절한 컴퓨팅 공급과 소비자로부터의 해당 수요가 보장되는 것은 아닙니다. 고급 GPU를 확보하는 것은 어렵고, 비용은 항상 수요 측면에서 주요 동기가 아닙니다. 이러한 플랫폼들은 분산 컴퓨팅 옵션을 사용하는 것이 비용, 검열 저항, 가동 시간 및 복원력 또는 접근성과 같은 실질적인 이점을 제공함을 입증함으로써 끈적한 사용자를 축적해야 합니다. 그들은 빠르게 움직여야 합니다. GPU 인프라 투자와 구축은 놀라운 속도로 진행되고 있습니다.
• 규제. 규제는 분산 컴퓨팅 운동에 대한 역풍을 계속 제공합니다. 단기적으로, 명확한 규제가 없는 상태에서 제공업체와 사용자 모두 이러한 서비스를 사용함으로써 잠재적인 위험에 직면할 수 있습니다. 예를 들어, 공급자가 컴퓨팅을 제공하거나 구매자가 제재된 엔터티로부터 컴퓨팅을 구매하는 경우 어떻게 됩니까? 사용자는 중앙 집중식 엔터티의 통제와 감독이 부족한 분산 플랫폼을 사용하는 데 주저할 수 있습니다. 프로토콜은 플랫폼에 대한 통제를 통합하거나 알려진 컴퓨팅 공급자만 접근할 수 있는 필터를 추가하여 이러한 우려를 완화하려고 시도했지만, 개인 정보 보호를 보장하면서 규정 준수를 보장하는 더 강력한 방법이 필요할 것입니다. 단기적으로, 우리는 규제 준수 플랫폼이 등장하여 규정을 준수하기 위해 프로토콜에 접근을 제한하는 것을 볼 수 있습니다. 또한 안전하고 안전하며 신뢰할 수 있는 인공지능 개발 및 사용에 관한 행정 명령의 출시와 같은 미국의 새로운 규제 프레임워크에 대한 논의는 규제 조치가 GPU에 대한 접근을 더욱 제한할 가능성이 있음을 시사합니다.
• 검열. 규제는 양면성을 가지고 있으며, 분산 컴퓨팅 제공업체는 AI에 대한 접근을 제한하려는 조치로부터 이익을 얻을 수 있습니다. 안전하고 안전하며 신뢰할 수 있는 인공지능 개발 및 사용에 관한 행정 명령 외에도, OpenAI 창립자 Sam Altman은 AI 개발을 위한 라이선스를 발급하는 규제 기관에 대한 필요성에 대해 의회에 증언했습니다. AI 규제에 대한 논의는 이제 막 시작되었지만, 이러한 시도가 AI에 대한 접근을 제한하거나 검열하는 데 사용될 경우 분산 플랫폼이 이러한 장벽이 없는 대안으로 채택을 가속화할 수 있습니다. OpenAI 리더십의 11월 변경 사항(또는 부재)은 기존 가장 강력한 AI 모델에 대한 의사 결정을 소수에게만 부여하는 위험을 더욱 강조합니다. 또한, 모든 AI 모델은 필연적으로 그것을 만든 사람들의 편견을 반영하며, 이는 의도적이든 그렇지 않든 간에 마찬가지입니다. 이러한 편견을 제거하는 한 가지 방법은 모델을 가능한 한 개방적으로 만들어 미세 조정 및 훈련이 언제 어디서나 모든 사람에게 항상 가능하도록 하는 것입니다. 이렇게 하면 모든 종류와 편견의 모델이 항상 접근할 수 있습니다.
• 데이터 개인 정보 보호. 외부 데이터 및 개인 정보 보호 솔루션과 통합되어 사용자에게 데이터에 대한 자율성을 제공하는 분산 컴퓨팅은 중앙 집중식 대안보다 더 매력적일 수 있습니다. Samsung은 엔지니어가 ChatGPT를 사용하여 칩 설계를 돕다가 ChatGPT에 민감한 정보를 유출한 것으로 밝혀졌을 때 이를 피해자로 만났습니다. Phala Network와 iExec는 사용자 데이터를 보호하기 위해 SGX 보안 암호화 영역을 제공한다고 주장하며, 완전 동형 암호화에 대한 지속적인 연구는 개인 정보를 보장하는 분산 컴퓨팅을 더욱 가능하게 할 수 있습니다. AI가 우리 삶에 더 깊이 통합됨에 따라, 사용자는 모델을 실행할 수 있는 애플리케이션에 개인 정보 보호가 내장된 서비스에 대해 더 큰 프리미엄을 지불할 것입니다. 사용자는 또한 한 모델에서 다른 모델로 데이터를 원활하게 이전할 수 있는 서비스를 요구할 것입니다.
• 사용자 경험(UX). 모든 유형의 암호화폐 애플리케이션 및 인프라에 대한 더 넓은 채택에 대한 중요한 장벽은 사용자 경험입니다. 이는 분산 컴퓨팅 제공업체에게도 마찬가지이며, 일부 경우에는 개발자가 암호화폐와 AI 모두를 이해해야 하는 필요성으로 인해 더욱 악화됩니다. 온보딩부터 블록체인과의 상호 작용을 추상화하는 것에 이르기까지 개선이 필요합니다. 이는 현재 시장 리더와 동일한 고품질 출력을 제공하는 것과 같은 기본 사항을 제공하는 것입니다. 이는 이미 운영 중인 분산 컴퓨팅 프로토콜이 더 저렴한 제공을 제공함에도 불구하고 정기적인 사용을 얻지 못하는 것으로 분명히 드러나고 있습니다.

스마트 계약 및 zkML

스마트 계약은 모든 블록체인 생태계의 핵심 구성 요소입니다. 특정 조건 세트가 충족되면 자동으로 실행되어 신뢰할 수 있는 제3자의 필요성을 줄이거나 제거하고, DeFi와 같은 복잡한 분산 애플리케이션의 생성을 가능하게 합니다. 그러나 대부분의 경우 스마트 계약은 사전에 설정된 매개변수를 기반으로 실행되며, 리스크가 지속적으로 변하는 동적 상황에서는 계약이 지속적으로 업데이트되어야 합니다.

예를 들어, 특정 대출 대 가치 비율에 따라 포지션을 청산할 때를 지정하는 대출/대여 프로토콜 스마트 계약이 배포됩니다. 정적 환경에서는 유용하지만, 리스크가 지속적으로 변화하는 상황에서는 이러한 스마트 계약을 중앙 집중식 프로세스를 통하지 않고 지속적으로 업데이트해야 하는 도전이 있습니다. 예를 들어, 분산 거버넌스 프로세스에 의존하는 DAO는 시스템 위험에 빠르게 반응할 수 없을 수 있습니다.

스마트 계약에 AI(즉, 머신러닝 모델)를 통합하는 것은 기능, 보안 및 효율성을 향상시키고 전반적인 사용자 경험을 개선할 수 있는 한 가지 방법입니다. 그러나 이러한 통합은 스마트 계약이 이러한 모델을 악용하거나 장기적 상황(데이터 입력이 부족한 경우 학습하기 어려운)에 대해 계정을 설정할 수 없다는 추가 위험을 도입합니다.

제로 지식 머신러닝(zkML)

머신러닝은 복잡한 모델을 실행하기 위해 대량의 컴퓨팅을 필요로 하므로, 높은 비용으로 인해 스마트 계약 내에서 직접 AI 모델을 실행할 수 없습니다. 예를 들어, 사용자가 수익을 극대화하는 모델에 접근할 수 있는 DeFi 프로토콜은 온체인에서 해당 모델을 실행하는 데 엄청난 가스 비용을 지불해야 할 것입니다. 한 가지 해결책은 기본 블록체인의 계산 능력을 늘리는 것입니다. 그러나 이는 체인의 검증자 세트에 대한 요구 사항도 증가시켜 분산화 속성을 저해할 수 있습니다. 대신, 일부 프로젝트는 zkML을 사용하여 신뢰할 수 있는 방식으로 출력을 검증할 필요 없이 비용이 많이 드는 온체인 계산을 수행하지 않고도 오프체인 계산을 검증하는 방법을 탐색하고 있습니다.

일반적으로 공유되는 예 중 하나는 사용자가 다른 사람에게 데이터를 모델을 통해 실행하고 상대방이 실제로 올바른 모델을 실행했는지 확인해야 하는 경우입니다. 개발자가 분산 컴퓨팅 제공업체를 사용하여 모델을 훈련시키고 있으며, 제공업체가 비용을 절감하기 위해 출력에서 거의 구별할 수 없는 차이가 있는 더 저렴한 모델을 사용하려고 한다고 우려하는 경우를 생각해 보십시오. zkML을 사용하면 컴퓨팅 제공업체가 모델을 통해 데이터를 실행한 다음 온체인에서 모델의 출력이 주어진 입력에 대해 올바른지 확인할 수 있는 증명을 생성할 수 있습니다. 이 경우, 모델 제공자는 출력을 생성하는 데 사용된 기본 가중치를 공개하지 않고도 모델을 제공할 수 있는 추가 이점을 가질 수 있습니다.

반대의 경우도 가능합니다. 사용자가 자신의 데이터를 사용하여 모델을 실행하려고 하지만 개인 정보 보호 문제로 인해 모델을 제공하는 프로젝트에 데이터에 접근하길 원하지 않는 경우를 생각해 보십시오(예: 의료 검사 또는 독점적인 비즈니스 정보의 경우). 그런 다음 사용자는 데이터를 공유하지 않고도 모델을 실행하고 증명을 생성하여 올바른 모델을 실행했음을 확인할 수 있습니다. 이러한 가능성은 AI와 스마트 계약 기능을 통합하는 설계 공간을 상당히 확장합니다.

인프라 및 도구

zkML 분야는 여전히 초기 단계에 있으며, 팀이 모델과 출력을 증명으로 변환할 수 있는 인프라와 도구를 구축하는 데 중점을 두고 있습니다. 이러한 제품은 개발자가 zk 회로를 배포하는 데 필요한 제로 지식 측면을 최대한 추상화합니다.

EZKL과 Giza는 머신러닝 모델 실행의 검증 가능한 증명을 제공하는 두 프로젝트입니다. 둘 다 팀이 머신러닝 모델을 구축하고 그 모델이 결과를 신뢰할 수 있게 검증할 수 있는 방식으로 실행될 수 있도록 도와줍니다. 두 프로젝트 모두 TensorFlow 및 Pytorch와 같은 일반적인 언어로 작성된 머신러닝 모델을 표준 형식으로 변환하는 Open Neural Network Exchange(ONNX)를 사용합니다. 그런 다음 실행될 때 zk-증명을 생성하는 모델 버전을 출력합니다. EZKL은 오픈 소스이며 zk-SNARKS를 생성하며, Giza는 폐쇄 소스이며 zk-STARKS를 생성합니다. 두 프로젝트 모두 현재 EVM과 호환됩니다.

EZKL은 지난 몇 달 동안 zkML 솔루션을 개선하기 위해 상당한 진전을 이루었습니다. 예를 들어, 2023년 11월, EZKL은 증명 시간을 35% 줄이는 새로운 오픈 소스 GPU 라이브러리를 통합했으며, 1월에는 EZKL 증명 시스템을 사용할 때 고성능 컴퓨팅 클러스터를 통합하고 동시 작업을 조정하기 위한 소프트웨어 솔루션인 Lilith를 발표했습니다. Giza는 zkML 모델 생성을 위한 도구를 제공할 뿐만 아니라 zkML 협업 및 모델 공유를 위한 웹3 버전의 Hugging Face를 구현할 계획이며, 결국 분산 컴퓨팅 제공업체를 통합할 계획입니다. 1월에 EZKL은 EZKL, Giza 및 RiscZero(아래에서 논의됨)의 성능을 비교하는 벤치마크 평가를 발표했습니다. EZKL은 증명 시간과 메모리 사용량 측면에서 더 나은 성능을 보였습니다.

zkML 증명 시간 차트 zkML 메모리 사용 차트 Modulus Labs는 AI 모델에 맞춤화된 새로운 zk-증명 기술을 개발하고 있습니다. Modulus는 기존 zk-증명 시스템을 벤치마킹하여 AI 모델 zk-증명의 기능과 병목 현상을 식별하기 위해 “지능의 비용”이라는 논문을 발표했습니다. 2023년 1월에 발표된 이 논문은 기존 제공업체가 대규모 AI 애플리케이션을 가능하게 하는 데 너무 비싸고 비효율적임을 보여줍니다. 이 초기 연구를 바탕으로, Modulus는 AI 모델 zk-증명의 비용과 증명 시간을 줄이기 위해 특별히 개발된 Remainder라는 새로운 전문화된 제로 지식 증명자를 소개했습니다. 그들의 작업은 폐쇄 소스이므로 위의 솔루션과 벤치마크되지 않았지만, 최근 Vitalik의 블로그 게시물에서 언급되었습니다.

도구 및 인프라 개발은 zkML 분야의 향후 성장에 중요합니다. 이는 머신러닝에서 작업하는 비암호화 네이티브 빌더가 자신의 모델을 온체인으로 가져올 수 있도록 필요한 제로 지식 회로를 추상화하는 데 필요한 마찰을 크게 줄입니다. 도구는 또한 제로 지식, 머신러닝, 암호학의 교차점에서 작업하는 데 관심이 있고 지식이 있는 개발자가 부족하다는 광범위한 zkML 채택의 주요 장애물을 해결합니다.

협동자

추가 개발 중인 솔루션으로, “협동자”로 알려진 것이 있으며, 여기에는 RiscZero, Axiom, Ritual이 포함됩니다. “협동자”라는 용어는 대부분 의미론적인 것입니다. 이 네트워크는 많은 다른 역할을 수행하며, 오프체인 컴퓨팅을 온체인에서 검증하는 것을 포함합니다. EZKL, Giza 및 Modulus와 마찬가지로, 그들의 목표는 제로 지식 증명 생성 과정을 완전히 추상화하는 것으로, 본질적으로 오프체인에서 프로그램을 실행하고 온체인에서 검증할 수 있는 증명을 생성할 수 있는 제로 지식 가상 머신을 생성합니다. RiscZero와 Axiom은 간단한 AI 모델을 처리할 수 있도록 설계된 더 일반적인 목적의 협동자이며, Ritual은 AI 모델과 함께 사용하기 위해 특별히 설계되었습니다.

Infernet은 Ritual의 첫 번째 구현으로, 개발자가 네트워크에 추론 요청을 제출하고 출력과 증명(선택 사항)을 반환받을 수 있는 Infernet SDK를 포함합니다. Infernet 노드는 이러한 요청을 받고 오프체인에서 계산을 처리한 다음 출력을 반환합니다. 예를 들어, DAO는 모든 새로운 거버넌스 제안이 제출되기 전에 특정 선행 조건을 충족해야 한다는 프로세스를 만들 수 있습니다. 새로운 제안이 제출될 때마다 거버넌스 계약은 Infernet을 통해 DAO별 거버넌스 AI 모델을 호출하는 추론 요청을 트리거합니다. 모델은 제안이 모든 필요한 기준을 충족했는지 검토하고 출력과 증명을 반환하여 제안의 제출을 승인하거나 거부합니다.

향후 1년 동안 Ritual 팀은 TAO 배출, EZKL과 같은 주요 제공업체의 증명 생성을 위한 추가 기능을 포함한 기본 인프라 계층인 Ritual Superchain을 출시할 계획입니다. 이미 언급된 많은 프로젝트가 서비스 제공업체로 플러그인할 수 있습니다. 이미 Ritual 팀은 EZKL과 통합되었으며 곧 다른 선도적인 제공업체로부터 기능을 추가할 것으로 예상됩니다. Infernet 노드는 Akash 또는 io.net GPU를 사용하고 Bittensor 서브넷에서 훈련된 모델을 쿼리할 수 있습니다. 그들의 최종 목표는 모든 네트워크에서 모든 작업 부하를 처리할 수 있는 오픈 AI 인프라 제공업체가 되는 것입니다.

응용 프로그램

zkML은 블록체인과 AI 사이의 모순을 해결하는 데 도움이 됩니다. 전자는 본질적으로 리소스 제약이 있고 후자는 대량의 컴퓨팅과 데이터를 필요로 합니다. Giza의 창립자 중 한 명이 말했듯이, “사용 사례는 너무나 풍부합니다… 이것은 이더리움 초기에 스마트 계약의 사용 사례가 무엇인지 묻는 것과 같습니다… 우리가 하는 것은 단지 스마트 계약의 사용 사례를 확장하는 것입니다.” 그러나 위에서 강조한 바와 같이, 개발은 오늘날 주로 도구 및 인프라 수준에서 이루어지고 있으며, 팀은 zkML을 사용하여 구현된 모델이 그것을 하지 않는 대안보다 더 많은 가치를 생성한다는 것을 입증하는 데 도전하고 있습니다.

오늘날의 일부 애플리케이션에는 다음이 포함됩니다.

• 분산 금융(DeFi). zkML은 스마트 계약 기능을 향상시킴으로써 DeFi의 설계 공간을 업그레이드합니다. DeFi 프로토콜은 머신러닝 모델에 대한 대규모의 검증 가능하고 변경 불가능한 데이터를 제공하며, 이는 수익 창출 전략 또는 거래 전략, 위험 분석, UX 등을 생성하는 데 사용될 수 있습니다. 예를 들어, Giza는 Yearn Finance와 파트너십을 맺어 Yearn의 새로운 v3 볼트를 위한 개념 증명 자동 위험 평가 엔진을 구축하고 있습니다. Modulus Labs는 Lyra Finance와 함께 AMM에 머신러닝을 통합하는 개념 증명을 구현했으며, Ion Protocol과 협력하여 검증자 위험을 분석하는 모델을 구현하고 있으며, Upshot의 AI 기반 NFT 가격 피드를 검증하는 데 도움을 주고 있습니다. NOYA( EZKL을 활용)와 Mozaic와 같은 프로토콜은 사용자에게 자동화된 수익 창출 액세스를 제공하는 독점 오프체인 모델에 액세스할 수 있으며, 사용자는 온체인에서 데이터 입력과 증명을 검증할 수 있습니다. Spectral Finance는 Compound 또는 Aave 차용자가 대출에 대해 채무 불이행할 가능성을 예측하기 위해 온체인 신용 평가 엔진을 구축하고 있습니다. 이러한 이른바 “De-Ai-Fi” 제품은 향후 몇 년 동안 훨씬 더 일반적이 될 것으로 예상됩니다.
• 게이밍. 게임은 오랫동안 공개 블록체인으로 혁신하고 향상시킬 준비가 되어 있는 것으로 간주되었습니다(암호화폐와 게임에 대한 자세한 내용은 이 Galaxy Digital 보고서를 참조하십시오. — 게임의 역사와 그것의 Web3 미래). zkML은 온체인 게임을 가능하게 합니다. Modulus Labs는 이미 간단한 온체인 게임에 대한 개념 증명을 구현했습니다. Leela vs the World는 사용자가 AI 체스 모델과 대결하는 게임 이론 체스 게임으로, zkML은 Leela가 게임이 실행 중인 모델을 기반으로 모든 움직임을 만든다는 것을 검증합니다. 마찬가지로, 팀은 EZKL 프레임워크를 사용하여 간단한 노래 대결 및 온체인 틱택토를 구축했습니다. Cartridge는 Giza를 사용하여 완전히 온체인 게임을 배포하는 팀을 가능하게 하며, 최근에는 자동차가 장애물을 피하려고 시도하는 간단한 AI 운전 게임을 강조했습니다. 간단하지만 이러한 개념 증명은 보다 복잡한 온체인 검증을 가능하게 하는 미래 구현을 향한 길을 열어줍니다. 예를 들어, AI Arena에서 볼 수 있는 것과 같이 복잡한 NPC 액터가 게임 경제와 상호 작용할 수 있습니다.
• 신원, 출처 및 개인 정보 보호. 암호화폐는 이미 AI 생성/조작 콘텐츠와 딥페이크의 증가와 싸우기 위한 진위 여부 검증 수단으로 사용되고 있습니다. zkML은 이러한 노력을 발전시킬 수 있습니다. WorldCoin은 사용자가 자신의 홍채를 스캔하여 고유 ID를 생성해야 하는 인격 증명 솔루션입니다. 향후에는 생체 인식 ID를 개인 장치에서 암호화된 저장소를 사용하여 자체 보관할 수 있으며, 필요한 모델을 로컬에서 실행할 수 있습니다. 그런 다음 사용자는 누구인지 공개하지 않고도 자신의 생체 인식을 증명할 수 있습니다. 이는 실체 공격을 방지하면서 개인 정보 보호를 유지합니다. zkML의 사용 사례는 이와 같은 개념을 확장할 수 있으며, 실제로 zkML은 이미 소셜 미디어 및 콘텐츠 제작에 사용되고 있습니다. 예를 들어, zkML은 이미지의 소스를 검증하고, 유해한 콘텐츠를 필터링하고, 사용자의 프라이버시를 보호하는 데 사용되고 있습니다. 또한, zkML을 사용하면 사용자가 데이터를 공유하지 않고도 모델을 훈련하고 실행할 수 있으며, 이는 의료 및 금융 분야에서 데이터의 민감성을 고려할 때 특히 유용할 수 있습니다.
• AI 에이전트. 개념적으로 가장 흥미로운 zkML 사용 사례 중 하나는 스마트 계약이 자체적으로 머신러닝 모델을 실행하고 그 출력을 사용하여 결정을 내리는 것입니다. 이는 자율 에이전트가 스스로 데이터를 수집하고, 모델을 훈련하고, 결정을 내릴 수 있도록 합니다. 예를 들어, 이더리움의 가스 요금 최적화를 위한 zkML 기반 에이전트는 사용자의 트랜잭션 비용을 최소화하기 위해 네트워크 활동을 분석할 수 있습니다. 이러한 에이전트는 스마트 계약과 인터페이스할 수 있으며, 심지어 스마트 계약 자체가 될 수도 있습니다. 이는 분산 금융, 자율 조직 및 게임과 같은 분야에서 광범위한 응용 프로그램을 가질 수 있습니다.

이러한 초기 애플리케이션은 zkML의 가능성을 보여주지만, 이 분야는 여전히 초기 단계에 있으며, 많은 연구와 개발이 필요합니다. zkML을 사용하여 구현된 모델이 그것을 하지 않는 대안보다 더 많은 가치를 생성한다는 것을 입증하는 것이 중요합니다. 또한, 개발자와 사용자 모두에게 이러한 기술을 사용하기 쉽고 접근하기 쉬운 방법을 제공하는 것이 필요합니다.

전망

zkML은 블록체인과 AI의 통합을 위한 중요한 기술입니다. 이는 스마트 계약의 기능을 확장하고, 사용자 경험을 개선하며, 새로운 사용 사례를 가능하게 합니다. 그러나 이 기술은 여전히 초기 단계에 있으며, 많은 연구와 개발이 필요합니다. zkML을 사용하여 구현된 모델이 그것을 하지 않는 대안보다 더 많은 가치를 생성한다는 것을 입증하는 것이 중요합니다. 또한, 개발자와 사용자 모두에게 이러한 기술을 사용하기 쉽고 접근하기 쉬운 방법을 제공하는 것이 필요합니다. 향후 몇 년 동안 zkML의 발전을 지켜보는 것이 흥미로울 것입니다.

AI 에이전트

암호화폐와 AI의 교차점에서 가장 흥미로운 개발 중 하나는 AI 에이전트의 등장입니다. AI 에이전트는 자동화된 결정을 내리고 액션을 수행할 수 있는 소프트웨어 프로그램입니다. 이들은 다양한 작업을 수행할 수 있으며, 스마트 계약과 같은 기존 블록체인 기술과 통합될 수 있습니다.

AI 에이전트는 스마트 계약의 기능을 확장하고, 사용자 경험을 개선하며, 새로운 사용 사례를 가능하게 합니다. 예를 들어, AI 에이전트는 분산 금융에서 최적의 투자 전략을 식별하고, 게임에서 복잡한 전략을 실행하며, 자율 조직에서 효율적인 의사 결정을 지원할 수 있습니다.

AI 에이전트의 가능성은 무한하지만, 이 기술은 여전히 초기 단계에 있으며, 많은 연구와 개발이 필요합니다. AI 에이전트가 신뢰할 수 있고, 효율적이며, 사용자에게 가치를 제공한다는 것을 입증하는 것이 중요합니다. 또한, 개발자와 사용자 모두에게 이러한 기술을 사용하기 쉽고 접근하기 쉬운 방법을 제공하는 것이 필요합니다.

AI 에이전트와 스마트 계약의 통합

AI 에이전트와 스마트 계약의 통합은 블록체인 기술의 새로운 지평을 열 수 있습니다. 이러한 통합은 스마트 계약의 자동화된 결정을 내리는 능력을 향상시키고, 복잡한 작업을 수행할 수 있는 능력을 제공합니다. 예를 들어, AI 에이전트는 스마트 계약을 사용하여 분산 금융에서 최적의 투자 전략을 식별하고, 게임에서 복잡한 전략을 실행하며, 자율 조직에서 효율적인 의사 결정을 지원할 수 있습니다.

AI 에이전트와 스마트 계약의 통합은 사용자 경험을 개선하고, 새로운 사용 사례를 가능하게 하며, 블록체인 기술의 적용 범위를 확장할 수 있습니다. 그러나 이러한 통합은 기술적, 윤리적, 법적 문제를 제기할 수 있으며, 이러한 문제를 해결하기 위한 지속적인 연구와 개발이 필요합니다.

AI 에이전트의 잠재적 사용 사례

AI 에이전트는 다양한 분야에서 사용될 수 있으며, 다음은 몇 가지 잠재적 사용 사례입니다:

• 분산 금융(DeFi): AI 에이전트는 분산 금융에서 최적의 투자 전략을 식별하고, 위험을 관리하며, 사용자에게 맞춤화된 금융 솔루션을 제공할 수 있습니다.
• 게이밍: AI 에이전트는 게임에서 복잡한 전략을 실행하고, 게임 경험을 개인화하며, 게임 내 경제를 관리할 수 있습니다.
• 자율 조직: AI 에이전트는 자율 조직에서 효율적인 의사 결정을 지원하고, 자원을 최적화하며, 조직의 목표를 달성하는 데 도움을 줄 수 있습니다.
• 공급망 관리: AI 에이전트는 공급망에서 재고를 최적화하고, 배송을 조정하며, 공급망의 효율성을 개선할 수 있습니다.

AI 에이전트의 잠재적 사용 사례는 무한하며, 이 기술은 다양한 분야에서 혁신을 촉진할 수 있습니다. 그러나 AI 에이전트의 개발과 채택은 기술적, 윤리적, 법적 문제를 제기할 수 있으며, 이러한 문제를 해결하기 위한 지속적인 연구와 개발이 필요합니다.

결론

암호화폐와 AI의 교차점에서 발생하는 혁신은 놀라운 잠재력을 가지고 있습니다. AI 에이전트, 스마트 계약과의 통합, 그리고 zkML과 같은 기술은 블록체인 기술의 적용 범위를 확장하고, 사용자 경험을 개선하며, 새로운 사용 사례를 가능하게 합니다. 그러나 이러한 혁신은 기술적, 윤리적, 법적 문제를 제기할 수 있으며, 이러한 문제를 해결하기 위한 지속적인 연구와 개발이 필요합니다.

암호화폐와 AI의 통합은 다양한 분야에서 혁신을 촉진할 수 있으며, 이는 블록체인 기술의 미래에 대한 흥미로운 전망을 제시합니다. 이 분야의 발전을 지켜보는 것이 흥미로울 것입니다.

레퍼런스: Understanding the Intersection of Crypto and AI | Galaxy

📍더 알아보기 : https://t.me/coiniseasy

📍코인이지 앱 : 

IOS- https://apps.apple.com/us/app/coineasy/id6463145391

Andoid - https://play.google.com/store/apps/details?id=com.coineasy.coineasy