![Search icon](https://hackernoon.imgix.net/search-new.png?w=19&h=19)
2022년 11월 OpenAI는 챗봇 ChatGPT를 출시했습니다. 서비스 출시 두 달 만에 활성 이용자 수가 1억명을 돌파했다. 비교해 보면 TikTok이 이 목표에 도달하는 데 약 9개월이 걸렸고 Instagram은 2년 이상이 걸렸습니다.
그때까지 생성적 AI는 이미 꽤 인기가 있었고 신제품은 이 부문에 대한 관심을 더욱 불러일으켰습니다. 당연히 인공지능(AI)을 둘러싼 과대광고의 물결이 암호화폐 산업을 우회하지 못했습니다.
2022년 말부터 개발자의 보증에 따라 이 기술을 사용한 프로젝트 토큰의 지역 집회를 주기적으로 관찰하는 것이 가능해졌습니다. 그러나 어떤 사람들은 그러한 자산에 대해 회의적이며, 어떤 알고리즘의 통합 정도도 낮은 수준이라고 믿는데 이유가 있습니다.
그러나 기존 제품에 대해서는 서로 다르고 다소 양극화된 견해가 있지만, 블록체인과 인공지능 간의 잠재적인 시너지 효과에 대해서는 어느 정도 공감대가 있습니다.
암호화폐 거래소 및 Web3 액셀러레이터를 포함한 많은 플레이어는 AI와 블록체인을 병합하면 각각의 기존 문제를 해결할 수 있어 두 산업 모두에 도움이 될 것이라고 믿습니다. 일부 벤처캐피탈리스트도 비슷한 견해를 갖고 있다. 예를 들어, 2023년 5월 패러다임은 AI에 대한 관심을 확대할 것이라고 보도되었습니다.
인공지능과 블록체인의 시너지에 대한 이야기는 새로운 것이 아니다. 그러나 관련 연구 데이터 에서 알 수 있듯이 이 분야에 대한 관심은 지난 몇 년 동안 크게 증가했습니다.
분산 네트워크를 AI 서비스와 통합하면 AI 개발자에게 장기적인 이점이 많이 있습니다. 블록체인은 컴퓨팅 능력 부족과 관련된 여러 가지 중요한 장벽을 제거하거나 적어도 완화할 수 있는 잠재력을 가지고 있습니다.
이 시너지 효과는 또한 혁신적인 상호 운용성 옵션에 대한 액세스를 열어줍니다. 예를 들어, DLT 기술을 사용하면 신경 모델을 미세 조정하고 알고리즘 훈련을 위한 보다 대표적인 데이터 세트를 수집할 수 있습니다.
인공지능(특히 온체인 및 스마트 계약)과 시스템을 통합하면 블록체인 산업에도 도움이 될 것입니다. AI는 잠재적으로 분산 네트워크의 성능을 향상시키고 분산 금융(DeFi) 부문의 주요 성장 동력이 될 수 있습니다.
과학 분야로서 인공지능의 역사는 거의 70년이 됩니다. 그러나 업계에서는 널리 채택되는 것을 방해하는 일부 장벽을 제거하지 못했습니다. 게다가 산업이 발전함에 따라 새로운 과제도 등장했습니다.
아래에서는 분산 네트워크가 특정 제한 사항을 상쇄할 수 있는 몇 가지 잠재적인 시나리오를 자세히 설명합니다.
GPU(그래픽 처리 장치)는 알고리즘을 훈련하고 사용자 쿼리를 추론하는 데 중요합니다. 이는 Nvidia의 2024 회계연도 1분기 보고서 에서 특히 두드러집니다.
AI 분야의 성장을 배경으로 GPU에 대한 수요가 급격히 증가하여 미세 회로 가 크게 부족 했습니다. Google, Amazon 등 주요 클라우드 서비스 제공업체가 고객에게 제한을 가하기 시작할 정도로 상황이 너무 심각했습니다.
AI와 관련된 많은 기업이 대체 공급업체(예: Lambda)로 눈을 돌렸지만 용량 제한에도 가까워졌습니다.
분산 컴퓨팅 네트워크가 문제를 해결할 수 있습니다. 이들은 컴퓨팅 성능이 필요한 조직과 필요한 리소스를 보유한 시스템 소유자를 연결하는 사실상의 중개자 입니다.
이러한 솔루션은 중앙 집중식 서비스 제공업체에 비해 가격이 저렴합니다. 이는 주로 시스템에 연결된 공급자에 대한 추가 비용이 없기 때문입니다.
이러한 컴퓨팅 네트워크에는 두 가지 주요 유형이 있습니다.
분산형 네트워크는 컴퓨팅 성능에 대한 액세스를 민주화합니다. 이를 통해 더욱 계산 집약적인 작업 인 훈련, 알고리즘 미세 조정, 사용자 쿼리 처리 비용이 절감됩니다.
그러나 커뮤니티에서는 분산 리소스에서 ML 모델을 훈련하는 속도에 대해 우려하고 있습니다. Volt Capital의 Alliance 회원이자 파트너인 Mohamed Fouda에 따르면 이는 중앙 집중식 방법보다 1~2배 느릴 수 있습니다.
팀은 이미 분산형 학습 프로세스를 최적화하기 위해 노력하고 있습니다. 투게더 개발자들은 이론적으로 병목 현상을 제거하는 솔루션을 만들고 있었고, 젠신은 서로 다른 하드웨어를 네트워크에 연결하는 데서 발생하는 문제를 완화하려고 노력했습니다.
그러나 커뮤니티는 비용을 절약하기 위해 느린 학습을 타협해야 할 가능성이 높습니다.
영지식 머신러닝(ZKML) 에 초점을 맞춘 프로젝트를 별도로 선별하고 싶습니다.
컴퓨팅 네트워크의 올바른 작동을 보장하기 위해 TEE(신뢰할 수 있는 실행 환경) 및 평판 모델 과 같은 다양한 메커니즘이 사용됩니다. 그러나 각 접근 방식에는 고유한 한계와 단점이 있습니다. 예를 들어 TEE에는 잠재적인 하드웨어 공격 벡터가 있을 수 있습니다.
따라서 새로운 프로젝트(Gensyn, Modulus Labs 및 Giza )에서는 ML의 계산 무결성을 확인하기 위해 영지식 증명(ZKP)을 적용하는 실험을 시작했습니다.
ZKP는 추가 정보를 공개하지 않고 한 당사자(증명 당사자)가 다른 당사자(검증 당사자)에게 주장의 진실성을 확인할 수 있도록 하는 암호화 프로토콜 입니다. 이 프로토콜은 개발자가 확장 가능하고 안전한 애플리케이션을 구축할 수 있게 해주기 때문에 블록체인 업계에서 꽤 인기가 있습니다.
기계 학습에 적용할 때 ZKP는 필요한 경우 입력 데이터의 일부 또는 모델 자체를 숨깁니다. 이는 의료 및 금융과 같이 규제가 엄격한 산업에서 알고리즘이 작동하는 경우 특히 중요합니다.
ZKML에는 다른 장점도 있습니다. 예를 들어, 이 방법을 사용하면 특정 알고리즘이 엄격하게 정의된 데이터 세트에 대해 학습되었음을 증명할 수 있습니다. 자체 AI의 경우 모든 사용자가 동일한 모델을 사용할 수 있는지 검증하는 것도 가능하다.
이 접근 방식의 단점은 증거 자체를 생성하는 프로세스입니다. 이는 원래 작업보다 수행하는 데 더 많은 비용이 들 수 있는 리소스 집약적인 작업입니다. 이는 어떤 경우에는 이를 계산하는 것이 비실용적이라는 것을 의미합니다.
그럼에도 불구하고 ZKML은 AI 산업의 분산화 벡터입니다. 이는 소수의 플레이어에게 기술이 집중되는 것이 우려되는 상황에서 중요합니다.
생성적 AI의 개발과 확산으로 인해 현실적인 딥페이크가 등장하게 되었습니다. 그 예로는 발렌시아가 다운 재킷을 입은 프란치스코 교황의 조작된 이미지와 국방부 근처의 폭격 장면을 담은 비디오가 있습니다.
암호화 서명을 사용하면 이러한 딥 페이크에 대처할 수 있습니다. 콘텐츠 작성자의 신원은 개인-공개 키 쌍을 일치시켜 확인됩니다 . 구현의 한 가지 예는 분산형 소셜 네트워크입니다. Lens 프로토콜 기반 프로젝트는 사용자 계정을 퍼블릭 블록체인의 주소에 연결하여 식별을 단순화합니다.
Bundlr 및 Arweave 팀은 또한 업계 전반의 표준을 연구하고 있습니다. Arweave는 불변의 암호화 서명과 타임스탬프를 분산 레지스트리에 기록된 디지털 콘텐츠에 통합해야 하는 사양을 도입할 계획입니다.
장기적으로 블록체인은 신경 모델 훈련의 효율성을 향상시키고 업계의 연구 수행 방식을 변화시킬 수 있습니다.
블록체인에 대한 대부분의 연구는 초창기에는 학계에서 이루어졌으나 이제는 대규모 기술 기업이 주도하고 있습니다. 이러한 상황에서는 협업을 위한 인센티브와 기회가 부족하여 현지 실험실과 개인의 참여가 제한됩니다.
Bittensor 와 같은 분산형 플랫폼은 문제를 해결할 수 있습니다. 이는 참가자가 개발에 대한 기여에 대해 보상을 받고 모델을 교육하기 위해 데이터를 공유할 수 있는 마켓플레이스입니다. 이러한 플랫폼은 오픈 소스 AI를 만들 때 특히 매력적입니다.
블록체인은 또한 RLHF(인간 피드백을 통한 강화 학습) 의 적용을 용이하게 합니다. 이는 인간의 피드백을 프로세스에 통합하여 신경 모델을 미세 조정하는 방법입니다.
RLHF를 사용하면 모델을 "정리"하여 부정확하거나 편향된 결과의 수를 줄일 수 있습니다. 예를 들어 OpenAI는 이를 사용하여 GPT-3을 디버깅하고 ChatGPT를 개발했습니다.
미세 조정을 통해 알고리즘의 성능이 향상되고 도메인별 전문 지식을 얻을 수 있습니다. 이렇게 고도로 전문화된 모델에 대한 수요가 증가함에 따라 전문가가 피드백을 제공할 필요성도 커지고 있습니다.
Multicoin은 토큰 형태의 인센티브 지급을 통해 RLHF를 확장하는 방법을 제안합니다. 그러나 이 접근 방식에는 적어도 두 가지 문제가 있습니다.
전문가는 보상으로 토큰을 수락하는 데 동의해야 하며, 이는 학습 과정에 참여하는 개인의 범위를 제한합니다.
피드백의 정확성을 유지하려면 이러한 시스템을 조작 공격으로부터 보호해야 합니다.
그러나 Hivemapper 와 같은 프로젝트에서는 이미 이 방법을 실행했습니다.
블록체인 플랫폼이 인프라부터 애플리케이션까지 다양한 수준에서 인공지능을 활용할 수 있는 영역은 많습니다.
그러나 암호화폐 산업에서 가장 큰 관심을 끄는 시나리오는 AI가 분산 원장에서 직접 작동하는 시나리오입니다. 일반적으로 알고리즘 활동을 블록체인으로 옮기는 방법에는 두 가지가 있습니다.
흥미롭지 않나요?
AEA(자율 경제 에이전트)는 프로세스에 직접적인 개입 없이 소유자를 대신하여 특정 작업을 수행하는 기계 학습 알고리즘을 기반으로 하는 자율 시스템입니다.
전문가들은 기술이 발전함에 따라 AEA가 더욱 전문화되어 "다중 에이전트 시스템"이 확산될 것으로 예상합니다.
이는 결국 일부 에이전트가 다른 에이전트를 "고용"하고 특정 작업 수행에 대한 보수를 지불할 수 있는 시장의 출현을 수반할 것입니다. 이러한 맥락에서 암호화폐 결제는 다음과 같은 여러 가지 이유로 법정화폐 결제보다 선호될 가능성이 높습니다.
AEA는 결제 및 분산형 물리적 인프라 네트워크(DePIN )와 상호 작용할 수 있습니다. DePIN은 하드웨어 장치를 통합합니다. 위에서 설명한 컴퓨팅 시스템도 이 부문에 속할 수 있습니다.
DePIN은 AI에게 디스크 공간 및 컴퓨팅 성능과 같은 디지털 리소스에 대한 액세스를 제공합니다. 예를 들어, 알고리즘이 3D 모델을 생성해야 하는 경우 중앙 집중식 솔루션에 의존하는 대신 렌더링을 위해 Render Network를 사용하고 데이터 저장을 위해 Arweave를 사용할 수 있습니다.
스마트 계약에 AI 모델을 적용하면 그 기능이 크게 확장됩니다. 신경망은 혁신적인 사용 사례에 대한 액세스를 제공할 뿐만 아니라 기존 도구의 효율성도 높여줍니다.
이러한 통합의 대부분은 블록체인에 알고리즘을 배포하는 데 따른 높은 계산 비용으로 인해 방해를 받습니다. 그러나 오프체인 모델의 정확한 실행을 검증하기 위해 ZKP를 사용하면 관련 증거만 분산 레지스트리에 배치할 수 있으므로 이 문제를 해결할 수 있습니다.
이러한 접근 방식을 통해 스마트 계약은 하드 코딩된 규칙 세트에 국한되지 않고 동적 데이터를 기반으로 결정을 내릴 수 있습니다. 이런 방식으로 그들은 더욱 자율적이고 유연하며 정교해질 것입니다.
ZKML은 DeFi, GameFi, DeSo(Decentralized Social) 및 DePIN을 포함한 여러 산업 분야에서 사용될 수 있습니다.
예를 들어, 분산형 금융 애플리케이션에서 AI는 현재 네트워크 매개변수를 기반으로 프로토콜 매개변수를 조정할 수 있습니다 . 가능한 사용 사례 중 하나는 ML 모델을 사용하여 담보 요소를 실시간으로 조정하는 대출 프로토콜입니다.
다른 시나리오에는 자동화된 재무 관리, 신용 온체인 채점 및 AMM 유동성 관리가 포함됩니다.
현재 기본 논리 수준에서 AI와 Web3 산업 사이에는 모순이 있습니다. 전자는 고도로 중앙 집중화되어 있습니다. 동시에 후자는 광범위한 분산화 원칙을 기반으로 구축되었습니다. 때때로 이러한 상황으로 인해 애플리케이션을 통합하기가 어려워집니다.
그러나 동일한 모순으로 인해 이 두 분야의 제품이 서로 효과적으로 보완하고 상호 발전을 촉진할 수 있습니다.
블록체인이 미래 신경 모델의 기반이 될 것이라는 보장이나 알고리즘이 분산형 플랫폼의 핵심에서 실행될 것이라는 보장은 없습니다.
그러나 두 기술의 결합으로 많은 새로운 내러티브가 생성될 것이며 그 중 일부는 매우 실행 가능한 것으로 입증될 것이라고 말해도 무방합니다.