첫 번째 수준 제목
AI와 웹 3의 현황: 폭주하는 떼와 엔트로피 성장
통제 불능: 기계, 사회 및 경제의 새로운 생물학에서 케빈 켈리(Kevin Kelly)는 현상을 제안한 적이 있습니다. 꿀벌 군집은 분산 관리에 따라 그룹 댄스로 선거 결정을 수행하고 전체 꿀벌 군집은 이를 따릅니다. 군무 세계 최대 규모의 벌떼가 행사의 주인이 됩니다. 이것은 또한 Maurice Maeterlinck가 언급한 소위 벌통의 영혼입니다. 각 벌은 스스로 결정을 내릴 수 있고 다른 벌이 확인하도록 안내할 수 있으며 최종 결정은 진정한 그룹 선택입니다.
엔트로피 증가와 무질서의 법칙 자체는 열역학의 법칙을 따르며, 물리학에서의 이론적 시각화는 일정한 수의 분자를 빈 상자에 넣고 최종 분포 프로파일을 계산하는 것입니다. 사람에 따라 알고리즘에 의해 생성된 몹은 개인마다 생각의 차이가 있음에도 불구하고 집단의 법칙을 보여줄 수 있으며, 시대 등의 요인으로 인해 빈 상자에 제한되어 최종적으로 합의된 결정을 내리는 경우가 많다.
물론 집단의 규칙이 옳지 않을 수도 있지만, 스스로 합의를 대변하고 합의를 끌어낼 수 있는 오피니언 리더는 절대적인 초개인입니다. 그러나 대부분의 경우 합의는 모든 사람의 완전하고 무조건적인 동의를 추구하는 것이 아니라 단지 그룹이 일반적인 정체성을 가지도록 요구합니다.
여기서는 AI가 인간을 잘못된 길로 이끌 것인지에 대해 논의하지 않는다. 실제로 인공지능 애플리케이션이 생성하는 대량의 쓰레기가 네트워크 데이터의 진정성을 오염시킨 것인지, 아니면 집단의 의사결정 때문인지 등의 논의는 이미 많이 있다. 실수를 해서 어떤 일이 벌어질지 사건은 더욱 위험한 상황으로 흘러갔다.
현재 AI의 상황은 자연독점적이다.예를 들어 대형 모델의 훈련과 배포에는 많은 컴퓨팅 리소스와 데이터가 필요하지만 이러한 조건을 갖춘 기업과 기관은 소수에 불과하다. 이 수억 개의 데이터는 각 독점 소유자에게 보물처럼 여겨지며, 소스 공유는 물론 상호 접근조차 불가능합니다.
많은 사람들이 AI와 Web 3는 서로 다른 두 가지이며 연관성이 없다고 말합니다. 문장의 전반부는 정확하고 두 개의 서로 다른 트랙이지만 문장의 후반부는 문제가 있습니다. 분산 기술을 사용하여 독점을 제한하는 것입니다. 인공지능의 발전과 인공지능 기술을 사용하여 분산화된 합의 메커니즘의 형성을 촉진하는 것은 그야말로 자연스러운 일입니다.
첫 번째 수준 제목
하위 추론: AI가 실제 분산 그룹 합의 메커니즘을 형성하게 하세요.
인공지능의 핵심은 사람 그 자체에 있으며, 기계와 모델은 인간의 사고를 추측하고 모방한 것에 지나지 않습니다. 소위 집단은 실제로 집단을 추상화하기가 어렵습니다. 왜냐하면 우리가 매일 보는 것은 여전히 실제 개인이기 때문입니다. 하지만 모델은 방대한 데이터를 사용하여 학습하고 조정하고 최종적으로 그룹 형태를 시뮬레이션하는 것입니다. 이 모델이 어떤 결과를 가져올지 평가하지 마세요. 집단이 악을 저지르는 사건은 한두 번 일어나지 않기 때문입니다. 그러나 모델은 이러한 합의 메커니즘의 생성을 나타냅니다.
예를 들어, 특정 DAO에 대해 거버넌스 메커니즘이 구현되면 필연적으로 효율성에 영향을 미치게 되는데, 그 이유는 투표, 통계 등 일련의 작업은 물론, 그룹 합의 형성도 번거로운 일이기 때문입니다. DAO의 거버넌스가 AI 모델의 형태로 구현되고 모든 데이터 수집이 DAO에 있는 모든 사람의 음성 데이터에서 나온다면 출력 결정은 실제로 그룹 합의에 더 가깝습니다.
단일 모델의 그룹 합의는 위의 계획에 따라 훈련될 수 있지만, 여전히 개인에게는 섬입니다. 그룹 AI를 형성하는 집단지성 시스템이 있다면 이 시스템의 각 AI 모델은 함께 작동하여 복잡한 문제를 해결하게 되며 이는 실제로 합의 수준의 권한 부여에 큰 영향을 미칠 것입니다.
글로벌 지능형 두뇌는 원래 독립적이고 단일 기능을 가진 AI 알고리즘 모델이 서로 협력하고 내부적으로 복잡한 지능형 알고리즘 프로세스를 실행하며 지속적으로 성장할 수 있는 분산형 그룹 합의 네트워크를 형성할 수 있습니다. 이는 AI가 웹 3에 힘을 실어주는 가장 큰 의미이기도 합니다.
첫 번째 수준 제목
개인정보 보호와 데이터 독점? ZK와 머신러닝의 결합
인간은 AI가 악을 행하는 것이든, 개인 정보 보호와 데이터 독점에 대한 두려움을 기반으로 하든 목표에 맞는 예방 조치를 취해야 합니다. 핵심 문제는 어떻게 결론이 도출되었는지 알 수 없다는 점이며, 마찬가지로 모델 운영자도 이 질문에 답할 의도가 없습니다. 그리고 위에서 언급한 글로벌 지능형 두뇌의 결합을 위해서는 이 문제를 해결하는 것이 더욱 필요합니다. 그렇지 않으면 어떤 데이터 당사자도 핵심을 다른 사람과 공유할 의향이 없습니다.
ZKML(Zero Knowledge Machine Learning)은 영지식 증명을 기계학습에 활용하는 기술입니다. 영지식증명(ZKP), 즉 증명자(증명자)가 특정 데이터를 공개하지 않고도 데이터의 진위 여부를 검증자(검증자)에게 설득할 수 있는 것입니다.
이론적인 사례로 인용. 표준적인 9×9 스도쿠가 있는데, 완성 조건은 9개의 격자에 1부터 9까지의 숫자를 채워 각 행, 열, 격자에 각 숫자가 한 번만 나타날 수 있도록 하는 것입니다. 그러면 이 퍼즐을 준비한 사람이 답을 공개하지 않고 스도쿠에 답이 있다는 것을 도전자에게 어떻게 증명할 수 있습니까?
채우기를 답으로 덮은 다음 도전자에게 몇 개의 행이나 열을 무작위로 선택하고 모든 숫자를 섞은 다음 모두 1에서 9인지 확인하도록 요청하면 됩니다. 이것은 간단한 영지식 증명 구현입니다.
영지식 증명 기술은 완전성, 정확성, 영지식의 세 가지 특성을 가지고 있습니다. 즉, 세부 사항을 공개하지 않고 결론을 증명합니다. 기술의 원천은 단순성을 반영할 수 있으며, 동형암호의 맥락에서 검증의 난이도는 증명 생성의 난이도보다 훨씬 낮습니다.
머신러닝은 컴퓨터 시스템이 데이터를 학습하고 개선할 수 있도록 알고리즘과 모델을 사용하는 것입니다. 자동화를 통해 경험을 통해 학습하면 시스템은 데이터와 모델을 기반으로 예측, 분류, 클러스터링, 최적화 등의 작업을 자동으로 수행할 수 있습니다.
머신러닝의 핵심은 데이터로부터 학습하고 자동으로 예측과 결정을 내리는 모델을 구축하는 것입니다. 이러한 모델을 구성하려면 일반적으로 데이터 세트, 알고리즘 및 모델 평가라는 세 가지 핵심 요소가 필요합니다. 데이터 세트는 기계 학습의 기초이며 기계 학습 모델을 훈련하고 테스트하는 데 사용되는 데이터 샘플을 포함합니다. 알고리즘은 기계 학습 모델의 핵심이며, 모델이 데이터에서 학습하고 예측하는 방법을 정의합니다. 모델 평가는 모델의 성능과 정확성을 평가하고 모델을 최적화하고 개선해야 하는지 여부를 결정하는 데 사용되는 기계 학습의 중요한 부분입니다.
전통적인 기계 학습에서는 일반적으로 데이터 세트를 교육을 위해 중앙 집중식 장소에 수집해야 합니다. 즉, 데이터 소유자는 데이터를 제3자와 공유해야 하며, 이로 인해 데이터 유출이나 개인정보 유출 위험이 발생할 수 있습니다. ZKML을 사용하면 데이터 소유자는 영지식 증명을 사용하여 데이터를 공개하지 않고도 다른 사람과 데이터세트를 공유할 수 있습니다.
이러한 상황으로 인해 소규모 데이터베이스에서 대규모 데이터베이스까지 무료 매춘이 발생하게 될까요? 거버넌스에 대해 생각할 때 이는 Web 3 사고로 돌아가며 암호화폐의 본질은 거버넌스입니다. 다수의 신청을 통해서든 공유를 통해서든 그에 합당한 인센티브를 받아야 합니다. 원래의 Pow, PoS 메커니즘 또는 최신 PoR(평판 증명 메커니즘)을 통해 모두 인센티브 효과를 보장합니다.
첫 번째 수준 제목
분산 컴퓨팅 파워: 거짓과 현실이 얽힌 혁신적인 서사
분산형 컴퓨팅 파워 네트워크는 암호화계에서 항상 뜨겁게 언급되는 시나리오였습니다. 결국 AI 대형 모델에는 놀라운 컴퓨팅 파워가 필요하며, 중앙 집중식 컴퓨팅 파워 네트워크는 자원 낭비를 초래할 뿐만 아니라 상당한 독점을 형성하게 됩니다. 결국, GPU 수는 마지막으로 싸워야 할 문제인데 너무 지루합니다.
분산형 컴퓨팅 파워 네트워크의 본질은 다양한 위치와 다양한 장치에 분산된 컴퓨팅 리소스를 통합하는 것입니다. 자주 언급되는 주요 장점으로는 분산 컴퓨팅 기능 제공, 개인 정보 보호 문제 해결, 인공 지능 모델의 신뢰성 및 신뢰성 향상, 다양한 애플리케이션 시나리오에서 신속한 배포 및 운영 지원, 분산형 데이터 저장 및 관리 체계 제공 등이 있습니다. 그렇습니다. 분산된 컴퓨팅 성능을 통해 누구나 AI 모델을 실행하고 전 세계 사용자의 실제 온체인 데이터 세트에서 테스트할 수 있으므로 보다 유연하고 효율적이며 저렴한 컴퓨팅 서비스를 누릴 수 있습니다.
동시에 분산형 컴퓨팅 능력은 사용자 데이터의 보안과 개인정보 보호를 위한 강력한 프레임워크를 만들어 개인정보 보호 문제를 해결할 수 있습니다. 또한 투명하고 검증 가능한 컴퓨팅 프로세스를 제공하고, 인공 지능 모델의 신뢰성과 신뢰성을 향상시키며, 다양한 애플리케이션 시나리오에서 신속한 배포 및 운영을 위해 유연하고 확장 가능한 컴퓨팅 리소스를 제공합니다.
따라서 분산 컴퓨팅 파워 네트워크는 많은 장점과 잠재력을 갖고 있지만 현재의 통신 비용과 실제 운영 어려움으로 인해 개발 경로는 여전히 험난합니다. 실제로 분산 컴퓨팅 파워 네트워크를 실현하려면 노드의 신뢰성과 보안을 보장하는 방법, 분산 컴퓨팅 리소스를 효과적으로 관리하고 예약하는 방법, 효율적인 데이터 전송 및 통신을 달성하는 방법 등 많은 실질적인 기술 문제를 극복해야 합니다. ., 실제로는 큰 문제가 아닐까 걱정됩니다.
첫 번째 수준 제목
꼬리: 이상주의자에 대한 기대
현재의 상업적 현실로 돌아가서, AI와 Web 3의 심층 통합에 대한 내러티브는 매우 아름다워 보이지만, 자본과 사용자는 프로젝트가 성공하지 못하는 한 이것이 극도로 어려운 혁신의 여정이 될 것이라고 실용적인 행동을 통해 우리에게 더 많이 말합니다. 마찬가지로 OpenAI처럼 우리는 강한 동시에 강력한 재정적 후원자를 받아들여야 합니다. 그렇지 않으면 끝없는 RD 비용과 불분명한 비즈니스 모델이 우리를 완전히 무너뜨릴 것입니다.
AI든 웹 3든 지난 세기 말의 인터넷 버블처럼 지금은 매우 초기 개발 단계에 있으며, 공식적으로 진정한 황금시대가 도래한 것은 거의 10년이 지나서였습니다. McCarthy는 단 한 번의 휴가로 인간 지능을 갖춘 인공 지능을 설계하는 것에 대한 환상을 품었지만 거의 70년이 지나서야 우리는 인공 지능을 향한 중요한 단계를 밟게 되었습니다.
Web 3+AI도 마찬가지입니다. 우리는 올바른 방향을 결정했으며 나머지는 시간에 맡길 것입니다.
