원저자: David Han, Coinbase 기관 연구 분석가
원곡: DAOSquare
분산형 암호화 인공 지능(Crypto-AI) 애플리케이션은 단기 및 중기적으로 채택을 방해할 수 있는 여러 가지 역풍에 직면해 있습니다. 그러나 암호화폐와 인공지능을 둘러싼 건설적인 내러티브는 한동안 거래 내러티브를 유지할 가능성이 높습니다.
주요 시사점
인공지능(AI)과 암호화폐의 교차점은 매우 광범위하지만 이를 깊이 이해하는 사람은 거의 없습니다. 우리는 교차점에 있는 다양한 하위 분야에는 뚜렷한 기회와 개발 주기가 있다고 믿습니다.
우리는 일반적으로 인공 지능 제품의 경우 분산화 자체의 경쟁 우위만으로는 충분하지 않으며 다른 핵심 영역에서 중앙 집중식 상대와 기능적 동등성을 유지해야 한다고 믿습니다.
우리의 반대 견해는 AI 산업에 대한 시장의 광범위한 집중으로 인해 많은 AI 토큰의 가치 잠재력이 과장될 수 있으며, 많은 AI 토큰에는 단기 및 중기적으로 지속 가능한 수요 동인이 부족할 수 있다는 것입니다.
최근 몇 년 동안 인공 지능(특히 생성 인공 지능)의 지속적인 혁신으로 인해 인공 지능 산업에 대한 관심이 집중되었고 그 사이에 암호화폐 프로젝트에 대한 기회가 제공되었습니다. 우리는 이전에 2023년 6월 보고서에서 업계의 몇 가지 가능성을 다루었으며, Crypto의 전체 자본 배분으로 볼 때 인공 지능 분야가 저평가된 것으로 보인다는 점을 지적했습니다. 이후 암호화폐 인공지능 분야는 급속도로 발전하기 시작했다. 현 시점에서 우리는 광범위한 채택을 방해할 수 있는 몇 가지 실질적인 과제를 강조하는 것이 중요하다고 생각합니다.
AI의 급속한 변화로 인해 고유한 포지셔닝이 전체 산업을 혼란에 빠뜨릴 것이라는 일부 암호화폐 플랫폼의 대담한 주장에 대해 우리는 조심스러워지며, 특히 대부분의 AI 토큰의 장기적이고 지속 가능한 가치 축적이 불확실해집니다. 이는 특히 고정 토큰을 사용하는 프로젝트에 해당됩니다. 모델. 대신, 우리는 AI의 일부 새로운 추세가 더 광범위한 시장 경쟁과 규제 요인을 고려할 때 암호화 기반 혁신을 채택하는 것을 실제로 더 어렵게 만들 수 있다고 믿습니다.
즉, 우리는 AI와 암호화폐의 교차점이 광범위하고 다양한 기회를 갖고 있다고 믿습니다. 특정 하위 부문에서는 채택이 더 빠를 수 있지만 이러한 영역 중 상당수는 거래 가능한 토큰이 부족합니다. 그러나 이것이 투자자의 식욕을 약화시키는 것으로 보이지는 않습니다. 우리는 AI 관련 암호화폐 토큰의 성과가 AI 시장 열풍에 의해 주도된다는 사실을 발견했습니다. 이는 비트코인이 하락하는 날에도 긍정적인 가격 조치를 뒷받침할 수 있습니다. 따라서 우리는 AI 발전을 대표하는 많은 AI 관련 토큰이 계속해서 거래될 것이라고 믿습니다.
인공 지능의 주요 동향
우리의 의견으로는 AI 공간(암호화 AI 제품 관련)에서 가장 중요한 트렌드 중 하나는 오픈 소스 모델을 중심으로 한 문화의 지속입니다. AI 커뮤니티를 위한 협업 플랫폼인 Hugging Face에는 530,000개가 넘는 모델이 공개적으로 제공되어 연구원과 사용자가 실행하고 미세 조정할 수 있습니다. AI 협업에서 Hugging Face의 역할은 코드 호스팅을 위해 Github를 사용하거나 커뮤니티 관리를 위해 Discord를 사용하는 것과 다르지 않습니다(둘 다 암호화폐에서 널리 사용됨). 심각한 관리 부실이 발생하지 않는 한 이러한 상황은 가까운 시일 내에 바뀔 가능성이 낮다고 생각합니다.
Hugging Face에서 사용할 수 있는 모델은 LLM(대형 언어 모델)부터 생성 이미지 및 비디오 모델까지 다양하며 OpenAI, Meta, Google과 같은 업계 주요 기업과 독립 개발자가 제공합니다. 일부 오픈 소스 언어 모델은 처리량 측면에서 최첨단 폐쇄 소스 모델보다 성능 이점이 더 뛰어나며(비슷한 출력 품질을 유지하면서) 오픈 소스와 상용 모델 간의 어느 정도 경쟁을 보장합니다(그림 1 참조). ) . 중요한 것은 경쟁이 치열한 상업 부문과 결합된 이 활기찬 오픈 소스 생태계가 성과가 저조한 모델이 경쟁에서 밀려나는 산업을 촉진했다고 믿습니다.
두 번째 추세는 소형 모델의 품질과 비용 효율성이 향상되는 것입니다(이는 2020년 LLM 연구에서 강조되었으며 최근에는 MIcrosoft의 논문에서 강조되었습니다). 이는 오픈 소스 문화와도 일치합니다. 로컬에서 실행되는 고성능 AI 모델의 미래. 특정 벤치마크에서는 일부 미세 조정된 오픈 소스 모델이 주요 폐쇄 소스 모델보다 성능이 뛰어날 수도 있습니다. 이러한 세계에서는 일부 AI 모델을 로컬에서 실행하여 분산화를 극대화할 수 있습니다. 물론 기존 기술 회사는 계속해서 클라우드에서 더 큰 모델을 훈련하고 실행할 것이지만 둘 사이의 설계 공간에는 장단점이 있을 것입니다.
또한 AI 모델 벤치마킹 작업(데이터 오염 및 다양한 테스트 범위 포함)이 점점 복잡해짐에 따라 생성된 모델 출력은 궁극적으로 자유 시장에서 최종 사용자가 가장 잘 평가할 수 있다고 믿습니다. 실제로 최종 사용자가 모델 출력을 나란히 비교할 수 있는 도구가 이미 있으며 유사한 서비스를 제공하는 벤치마킹 회사도 있습니다. 인공 지능 벤치마크 생성의 어려움은 MMLU, HellaSwag, TriviaQA, BoolQ 등을 포함하여 상식 추론, 학술 주제 및 다양한 질문과 같은 다양한 사용 사례를 테스트하는 다양한 개방형 LLM 벤치마크에서 볼 수 있습니다. 형식 등
AI 공간에서 우리가 관찰한 세 번째 추세는 강력한 사용자 잠금 또는 특정 비즈니스 문제가 있는 기존 플랫폼이 AI 통합으로 인해 불균형적인 이점을 얻을 수 있다는 것입니다. 예를 들어 Github Copilot과 코드 편집기의 통합은 이미 강력한 개발자 환경을 향상시킵니다. AI 인터페이스를 이메일 클라이언트, 스프레드시트, 고객 관계 관리 소프트웨어 등과 같은 다른 도구에 내장하는 것도 AI의 자연스러운 사용 사례입니다(예를 들어 Klarna의 AI 도우미는 700명의 정규 상담원의 작업을 수행할 수 있습니다).
그러나 이러한 많은 시나리오에서 AI 모델은 새로운 플랫폼을 생성하는 것이 아니라 단순히 기존 플랫폼을 향상한다는 점에 유의하는 것이 중요합니다. 전통적인 비즈니스 프로세스를 개선하는 다른 AI 모델(예: Apple이 앱 추적 투명성을 도입한 후 광고 성능을 복원한 Metas Lattice)도 독점 데이터와 폐쇄형 시스템에 의존하는 경우가 많습니다. 이러한 유형의 AI 모델은 핵심 제품에 수직적으로 통합되고 독점 데이터를 사용하기 때문에 비공개 소스로 유지될 가능성이 높습니다.
AI 하드웨어와 컴퓨팅의 세계에서는 두 가지 관련 추세가 더 있습니다. 첫 번째는 컴퓨팅 사용이 훈련에서 추론으로 전환되는 것입니다. 즉, 인공 지능 모델이 처음 개발될 때 대규모 데이터 세트를 제공하여 모델을 훈련하는 데 방대한 양의 컴퓨팅 리소스가 사용됩니다. 이제 모델 배포 및 모델 쿼리로 넘어갔습니다.
Nvidia는 2024년 2월 수익 결산에서 비즈니스의 약 40%가 추론이라고 밝혔으며 Sataya Nadella는 Microsoft의 1월 수익 결산에서 비슷한 발언을 했으며 Azure AI 사용의 대부분이 추론을 위한 것이라고 언급했습니다. 이러한 추세가 계속됨에 따라 모델을 수익화하려는 기업은 안전하고 생산 준비가 된 방식으로 모델을 안정적으로 실행할 수 있는 플랫폼을 우선시할 것이라고 믿습니다.
우리가 보는 두 번째 주요 추세는 하드웨어 아키텍처를 둘러싼 경쟁 환경입니다. 엔비디아의 H 200 프로세서는 2024년 2분기에 출시될 예정이며, 차세대 B 100의 성능은 더욱 두 배로 향상될 것으로 예상된다. 또한 Google이 자체 TPU(텐서 처리 장치)와 Groq의 새로운 언어 처리 장치(LPU)에 대한 지속적인 지원을 통해 향후 이 분야의 시장 점유율을 강화할 수도 있습니다(그림 2 참조). 이러한 개발은 AI 산업의 비용 역학을 변화시킬 가능성이 높으며 신속하게 적응하고 대규모 하드웨어를 조달하며 관련 물리적 네트워크 및 개발 도구를 설정할 수 있는 클라우드 서비스 제공업체에 도움이 될 수 있습니다.
전반적으로 인공지능 분야는 새롭게 떠오르고 빠르게 발전하는 분야입니다. ChatGPT가 2022년 11월에 처음 시장에 출시된 지 1년 반도 채 되지 않았으며(기본 GPT-3 모델은 2020년 6월부터 존재했지만) 그 이후로 해당 분야의 급속한 발전은 놀라웠습니다. 생성적 AI 모델 뒤에는 약간의 편견이 있지만, 우리는 이미 시장의 적자생존 효과(더 나은 대안을 선호하여 성능이 떨어지는 모델을 무시함)를 확인하기 시작했습니다. 업계의 급속한 성장과 다가오는 규제는 새로운 솔루션이 계속해서 시장에 출시됨에 따라 업계의 문제 공간도 변화할 것임을 의미합니다.
분권화가 [문제 삽입]을 해결한다는 자주 언급되는 조치 패키지는 합의가 된 것처럼 보이지만, 우리의 견해로는 이렇게 빠르게 혁신하는 분야에는 시기상조입니다. 그리고 반드시 존재하지 않을 수도 있는 중앙화 문제를 선제적으로 해결합니다. 현실은 AI 산업이 이미 다양한 기업과 오픈소스 프로젝트 간의 경쟁을 통해 기술 및 비즈니스 분야에서 많은 탈중앙화를 이루고 있다는 것입니다. 또한 기술적, 사회적 수준 모두에서 진정한 분산형 프로토콜은 중앙형 프로토콜보다 의사 결정 및 합의 프로세스가 훨씬 느립니다. 이는 AI 개발의 현 단계에서 분권화와 경쟁력의 균형을 갖춘 제품을 찾는 데 장애가 될 수 있습니다. 그렇긴 하지만, 우리는 암호화폐와 인공 지능 사이에 의미 있는 시너지 효과가 있다고 생각하지만, 이는 더 장기적인 관점에서 볼 수 있습니다.
기회 범위 지정
광범위하게 말하면, 우리는 AI와 암호화폐의 교차점을 크게 두 가지 범주로 나눕니다. 첫 번째는 암호화폐 산업을 개선하기 위한 AI 제품의 사용 사례입니다. 여기에는 사람이 읽을 수 있는 트랜잭션 생성, 블록체인 데이터 분석 개선, 무허가 프로토콜에서 모델 출력 사용을 위한 시나리오가 포함됩니다. 두 번째 범주는 Crypto의 분산화된 계산, 검증, 신원 확인 방법을 통해 전통적인 AI 프로세스를 깨는 것을 목표로 하는 사용 사례입니다.
우리의 견해로는 전자 범주에서 비즈니스와 일치하는 시나리오의 사용 사례가 분명하며, 상당한 기술적 과제가 남아 있지만 장기적으로는 더 복잡한 온체인 추론 모델의 이점을 누릴 것이라고 믿습니다. .현장에는 아직 유망주가 있을 겁니다. 중앙 집중식 AI 모델은 개발자 도구, 코드 감사, 인간 언어를 온체인 작업으로 변환하는 등 다른 기술 중심 산업과 마찬가지로 암호화폐를 개선할 수 있습니다. 그러나 이 분야에 대한 현재 투자는 일반적으로 벤처 캐피탈을 통해 민간 기업이 소유하므로 공공 시장에서 종종 무시됩니다.
그러나 우리에게 덜 확실한 것은 두 번째 범주의 가치 제안입니다(즉, 암호화폐가 기존 AI 환경을 혼란에 빠뜨릴 것입니다). 후자의 문제 범주는 기술적 성격(일반적으로 장기적으로 해결 가능하다고 생각함)의 문제를 대체하며 더 넓은 시장 및 규제 세력에 맞서는 힘겨운 싸움입니다. 그러나 그럼에도 불구하고 AI + Crypto에 대한 최근 관심의 상당 부분이 이 범주에 집중되어 있는 것이 현실입니다. 이러한 사용 사례는 유동 토큰 생성에 더 적합하기 때문입니다. 이것이 다음 섹션에서 우리가 초점을 맞추는 부분입니다. 암호화폐에는 중앙 집중식 AI 도구와 관련된 유동성 토큰이 상대적으로 적습니다(현재로서는).
AI에서 암호화폐의 역할
단순화하기 위해 (1) 데이터 수집, 저장 및 처리, (2) 모델 훈련 및 추론, (3) 모델 검증 등 AI 프로세스의 4가지 주요 단계를 통해 암호화폐가 AI에 미치는 잠재적 영향을 분석합니다. 출력, (4) AI 모델 출력 추적. 이 분야에서 수많은 새로운 암호화폐 AI 프로젝트가 등장했지만, 단기 및 중기적으로 많은 사람들이 수요 측면에서 심각한 어려움에 직면할 뿐만 아니라 중앙 집중식 회사 및 오픈 소스 솔루션과의 치열한 경쟁에 직면할 것이라고 믿습니다.
독점 데이터
데이터는 모든 AI 모델의 기초이며 아마도 전문 AI 모델 성능의 주요 차별화 요소일 것입니다. 과거의 블록체인 데이터 자체는 모델을 위한 새롭고 풍부한 데이터 소스이며 일부 프로젝트(예: Grass)는 암호화폐 인센티브를 활용하여 개방형 인터넷에서 새로운 데이터 세트를 얻는 것을 목표로 합니다. 이와 관련하여 Crypto는 산업별 데이터 세트를 제공하고 새로운 가치 있는 데이터 세트 생성을 장려할 수 있는 기회를 가지고 있습니다. (Reddit이 최근 Google과 체결한 연간 6천만 달러 규모의 데이터 라이선스 계약은 데이터 세트 수익화의 향후 성장을 예고합니다.)
많은 초기 모델(예: GPT-3)은 CommonCrawl, WebText 2, Books 및 Wikipedia와 같은 공개 데이터세트를 혼합하여 사용했으며 유사한 데이터세트를 Hugging Face(현재 110,000개 이상의 옵션 호스팅)에서 무료로 사용할 수 있습니다. 그러나 아마도 상업적 이익을 보호하기 위해 최근 출시된 많은 비공개 소스 모델은 최종 훈련 데이터 세트 조합을 공개하지 않습니다. 우리는 특히 비즈니스 모델 내에서 독점 데이터 세트를 향한 추세가 계속되고 데이터 라이선싱의 중요성이 높아질 것이라고 믿습니다.
기존 중앙 집중식 데이터 마켓플레이스는 이미 데이터 제공자와 소비자 간의 격차를 해소하는 데 도움을 주고 있으며, 이것이 오픈 소스 데이터 카탈로그와 기업 경쟁업체 사이에서 새로운 분산형 데이터 마켓플레이스 솔루션을 위한 기회 공간을 창출할 것이라고 믿습니다. 법적 구조의 지원이 없으면 순수하게 분산된 데이터 시장은 표준화된 데이터 인터페이스와 채널을 구축하고, 데이터 무결성과 구성을 확인하고, 제품의 콜드 스타트 문제를 해결해야 합니다. 또한 시장 참여자들 사이에 토큰 인센티브의 균형을 맞출 필요가 있습니다.
또한, 분산형 스토리지 솔루션은 결국 AI 산업에서 틈새 시장을 찾을 수 있지만, 이와 관련하여 여전히 상당한 과제가 있다고 생각합니다. 한편으로는 오픈 소스 데이터 세트를 배포하기 위한 채널이 이미 존재하며 널리 사용되고 있습니다. 반면, 독점 데이터 세트를 소유한 많은 소유자는 엄격한 보안 및 규정 준수 요구 사항을 가지고 있습니다. 현재 Filecoin 및 Arweave와 같은 분산형 스토리지 플랫폼에서 민감한 데이터를 호스팅하기 위한 규제 경로는 없습니다. 실제로 많은 기업이 여전히 온프레미스 서버에서 중앙 집중식 클라우드 스토리지 제공업체로 전환하고 있습니다. 기술 수준에서 이러한 네트워크의 분산형 특성은 현재 특정 지역 문제 및 민감한 데이터 저장에 대한 물리적 데이터 사일로 요구 사항과 호환되지 않습니다.
분산형 스토리지 솔루션과 기존 클라우드 제공업체 간의 가격 비교에서도 분산형 옵션이 단일 스토리지 단위 측면에서 더 저렴할 수 있다는 사실이 밝혀졌지만, 우리는 이것이 더 큰 문제를 놓치고 있다고 생각합니다. 첫째, 지속적인 운영 비용 외에도 고려해야 할 공급업체 간의 시스템 마이그레이션에 대한 초기 비용이 있습니다. 둘째, 암호화 기반 분산형 스토리지 플랫폼은 지난 20년 동안 개발된 성숙한 클라우드 시스템이 제공하는 더 나은 도구 및 통합과 일치해야 합니다. 비즈니스 운영 관점에서 클라우드 솔루션은 비용 측면에서 더 예측 가능하며 계약 의무, 전담 지원 팀, 대규모 개발자 인재 풀이 함께 제공됩니다.
또한 3대 클라우드 제공업체(AWS, Google Cloud Platform 및 Microsoft Azure)와의 피상적인 비교가 불완전하다는 점도 주목할 가치가 있습니다. 또한 수십 개의 저가 클라우드 회사가 더 저렴한 기본 서버 및 기타 서비스를 제공하여 시장 점유율을 놓고 경쟁하고 있습니다. 우리가 보기에 이들은 단기적으로 비용에 민감한 소비자를 위한 진정한 주요 경쟁자입니다. 즉, Filecoin의 데이터 컴퓨팅 및 Arweave의 ao 컴퓨팅 환경과 같은 최근 혁신은 종종 덜 민감한 데이터 세트를 사용하거나 가장 비용에 민감한 다가오는 혁신적인 프로젝트 중 일부에서 역할을 할 수 있습니다. 공급업체를 다운시킵니다.
따라서 데이터 공간에 새로운 암호화폐 제품을 위한 여지가 확실히 있는 반면, 우리는 독특한 가치 제안을 생성할 수 있는 곳에서 단기적인 혁신이 일어날 것이라고 믿습니다. 우리의 견해로는 분산형 제품이 기존 및 오픈 소스 경쟁자와 정면으로 경쟁하는 영역에서는 상당한 진전을 이루기까지 더 오랜 시간이 걸릴 것입니다.
훈련 및 추론 모델
암호화폐의 분산 컴퓨팅(DeComp) 분야도 기존 GPU 공급 부족으로 인해 중앙 집중식 클라우드 컴퓨팅의 대안이 되는 것을 목표로 하고 있습니다. Akash 및 Render와 같은 프로토콜에 사용되는 이러한 부족 현상에 대해 제안된 솔루션 중 하나는 유휴 컴퓨팅 리소스를 중앙 집중식 네트워크에 다시 통합하여 중앙 집중식 클라우드 제공업체의 비용을 줄이는 것입니다. 예비 지표에 따르면 이러한 프로젝트는 사용자와 공급업체 채택 모두에서 증가세를 보이고 있는 것으로 보입니다. 예를 들어, Akash는 주로 스토리지 및 컴퓨팅 리소스 사용량 증가로 인해 현재까지 활성 테넌시(즉, 사용자 수)를 3배로 늘렸습니다(그림 3 참조).
그러나 2023년 12월 정점을 찍은 이후 사용 가능한 GPU의 공급이 이러한 리소스에 대한 수요 증가를 앞지르면서 네트워크에 지불되는 수수료는 실제로 감소했습니다. 하지만 더 많은 공급자가 네트워크에 참여함에 따라 임대된 GPU의 수가(비례적으로 가장 큰 수익 동인으로 보임) 감소했습니다(그림 4 참조). 공급과 수요의 변화에 따라 계산 가격이 변경될 수 있는 네트워크의 경우 공급 측면 성장이 수요 측면 성장을 초과하는 경우 네이티브 토큰에 대한 지속적이고 사용 중심 수요가 궁극적으로 어디에서 나올지는 불분명합니다. 이러한 변화의 장기적인 영향은 현재 불분명하지만, 우리는 시장 변화를 최적화하기 위해 향후 이 토큰 모델을 재검토해야 할 수도 있다고 믿습니다.
기술 수준에서 분산형 컴퓨팅 솔루션은 네트워크 대역폭 제한 문제에 직면해 있습니다. 다중 노드 교육이 필요한 대규모 모델의 경우 물리적 네트워크 인프라 계층이 중요한 역할을 합니다. 데이터 전송 속도, 동기화 오버헤드 및 특정 분산 훈련 알고리즘 지원은 효율적인 실행을 촉진하기 위해 특정 네트워크 구성 및 맞춤형 네트워크 통신(예: InfiniBand)이 필요함을 의미합니다. 이로 인해 클러스터 크기가 특정 범위를 초과하면 분산 방식으로 구현하기가 어렵습니다.
전반적으로 우리는 분산형 컴퓨팅(및 스토리지)의 장기적인 성공이 중앙형 클라우드 제공업체와의 치열한 경쟁에 직면해 있다고 믿습니다. 우리의 견해로는 모든 채택은 적어도 클라우드 서비스 채택 주기와 관련하여 장기적인 프로세스가 될 것입니다. 분산형 웹 개발의 기술적 복잡성 증가와 비슷하게 확장 가능한 개발 및 판매 팀의 부족을 고려할 때 분산형 컴퓨팅 비전을 완전히 실행하는 것은 어려운 여정이 될 것이라고 믿습니다.
인증 및 신뢰 모델
AI 모델이 우리 삶에서 더욱 중요해짐에 따라 결과물의 품질과 편향에 대한 우려가 커지고 있습니다. 일부 암호화폐 프로젝트는 일련의 알고리즘을 활용하여 다양한 출력 범주를 평가함으로써 이 문제에 대한 분산형 시장 기반 솔루션을 찾는 것을 목표로 합니다. 그러나 위에서 언급한 모델 벤치마킹과 관련된 문제와 명백한 비용, 처리량 및 품질 균형은 정면 경쟁을 어렵게 만듭니다. 해당 카테고리에서 가장 큰 AI 중심 암호화폐 중 하나인 BitTensor는 이 문제를 해결하는 것을 목표로 하고 있지만 여전히 광범위한 채택을 방해할 수 있는 몇 가지 기술적 과제가 있습니다(부록 1 참조).
또한, 무신뢰 모델 추론(즉, 모델 출력이 실제로 청구된 모델에 의해 생성되었음을 증명하는 것)은 Crypto x AI에서 활발히 연구되는 또 다른 영역입니다. 그러나 오픈 소스 모델의 규모가 축소됨에 따라 이러한 솔루션은 수요 측면에서 어려움에 직면할 수 있다고 생각합니다. 모델을 로컬로 다운로드하고 실행할 수 있고 확립된 파일 해시/체크섬 방법을 통해 콘텐츠 무결성이 확인되는 세계에서는 무신뢰 추론의 역할이 덜 명확합니다. 많은 LLM이 아직 휴대폰과 같은 경량 장치에서 훈련 및 실행될 수 없다는 것은 사실이지만, 강력한 데스크톱 컴퓨터(예: 고급 게임에 사용되는 컴퓨터)를 사용하여 이미 많은 고성능 모델을 실행할 수 있습니다.
데이터 소스 및 ID
생성적 AI의 결과물이 인간의 결과물과 점점 더 구별하기 어려워짐에 따라 AI가 생성하는 결과물을 추적하는 것의 중요성이 주목받고 있습니다. GPT-4는 GPT-3.5보다 3배 더 빠르게 Turing 테스트를 통과하며, 머지않은 어느 날 우리는 온라인 개인과 기계 또는 실제 인간을 구별할 수 없게 될 것이라고 거의 확신합니다. 이러한 세상에서는 온라인 사용자의 인간성을 판단하고 AI 생성 콘텐츠에 워터마킹을 적용하는 것이 중요한 역량이 될 것입니다.
Worldcoin과 같은 분산형 식별자 및 개인 증명 메커니즘은 이전 문제를 해결하여 체인에서 인간을 식별하는 것을 목표로 합니다. 마찬가지로 데이터 해시를 블록체인에 게시하면 콘텐츠의 연령과 출처를 확인하여 데이터 출처를 확인할 수 있습니다. 그러나 이전 섹션과 마찬가지로 암호화폐 기반 솔루션의 타당성은 중앙 집중식 대안과 비교하여 평가되어야 한다고 믿습니다.
중국과 같은 일부 국가에서는 온라인 인물을 정부가 관리하는 데이터베이스에 연결합니다. 세계의 대부분은 덜 중앙집권화되어 있지만 KYC 제공업체 컨소시엄은 블록체인 기술과 독립적인 개인 증명 솔루션을 제공할 수도 있습니다(아마도 오늘날 인터넷 보안의 초석을 형성하는 신뢰할 수 있는 인증 기관과 유사한 방식으로). 또한 콘텐츠가 AI에 의해 생성되었는지 여부를 알고리즘이 감지할 수 있도록 텍스트 및 이미지 출력에 숨겨진 신호를 삽입하는 AI 워터마킹에 대한 연구가 진행 중입니다. Microsoft, Anthropic, Amazon을 포함한 많은 주요 AI 회사는 자신이 생성하는 콘텐츠에 이러한 워터마크를 추가하기로 공개적으로 약속했습니다.
또한 많은 기존 콘텐츠 제공업체는 이미 규정 준수를 위해 콘텐츠 메타데이터를 엄격하게 기록하는 것으로 신뢰를 받고 있습니다. 결과적으로 사용자는 중앙에 저장되어 있음에도 불구하고 소셜 미디어 게시물과 관련된 메타데이터(스크린샷은 아님)를 신뢰하는 경우가 많습니다. 여기에서 모든 암호화 기반 데이터 출처 및 ID 솔루션이 광범위하게 효과적이려면 사용자 플랫폼과 통합되어야 한다는 점에 유의하는 것이 중요합니다. 따라서 암호화폐 기반 솔루션은 신원 및 데이터 출처 증명 측면에서 기술적으로 실현 가능하지만, 우리는 이러한 솔루션의 채택이 주어진 것이 아니며 궁극적으로 비즈니스, 규정 준수 및 규제 요구 사항에 따라 달라질 것이라고 믿습니다.
트레이딩 AI 내러티브
위의 문제에도 불구하고 많은 AI 토큰은 2023년 4분기부터 비트코인과 이더리움은 물론 Nvidia, Microsoft와 같은 주요 AI 주식을 능가했습니다. 우리는 AI 토큰이 일반적으로 더 넓은 암호화폐 시장의 상대적 성과와 관련 AI 열풍으로부터 이익을 얻기 때문이라고 믿습니다(부록 2 참조). 따라서 비트코인 가격이 하락하더라도 AI 중심 토큰은 가격 상승 변동을 경험하여 비트코인 하락 기간 동안 상승 변동성을 발생시킵니다. 그림 5는 비트코인이 하락한 날의 AI 토큰 성능을 보여줍니다.
전반적으로 우리는 AI 내러티브 거래에서 단기적으로 지속 가능한 수요 동인이 많이 빠져 있다고 계속 믿고 있습니다. 명확한 채택 예측 및 지표가 부족하여 장기적으로 지속 가능하지 않을 수 있는 밈 스타일의 추측이 발생했습니다. 결국 가격과 효용은 수렴하게 될 것이며, 공개된 질문은 시간이 얼마나 걸릴지, 효용이 가격과 일치하도록 상승할지 아니면 그 반대가 될지 여부입니다. 즉, 우리는 지속 가능하고 건설적인 암호화폐 시장과 AI 산업을 능가하는 성과가 한동안 강력한 암호화폐 AI 내러티브를 유지할 가능성이 높다고 생각합니다.
결론적으로
AI에서 암호화폐의 역할은 공백 상태로 존재하지 않습니다. 모든 분산형 플랫폼은 기존 중앙 집중식 대안과 경쟁하며 더 넓은 비즈니스 및 규제 요구 사항의 맥락에서 분석되어야 합니다. 따라서 우리는 단순히 분권화를 위해 중앙화된 공급자를 교체하는 것만으로는 의미 있는 시장 채택을 촉진하는 데 충분하지 않다고 믿습니다. 생성적 AI 모델은 몇 년 동안 존재해 왔으며 시장 경쟁과 오픈 소스 소프트웨어로 인해 어느 정도 분산화를 유지해 왔습니다.
이 보고서에서 반복되는 주제는 암호화폐 기반 솔루션이 종종 기술적으로 실현 가능하지만 보다 중앙 집중화된 플랫폼과 기능적 동등성을 달성하기 위해 여전히 상당한 작업이 필요하다는 것입니다. 이는 해당 플랫폼이 이 기간 동안 정체되지 않을 것이라고 가정합니다. 실제로 중앙 집중식 개발은 합의 메커니즘으로 인해 분산형 개발보다 빠른 경우가 많으며, 이는 인공 지능과 같이 빠르게 발전하는 분야에서 문제를 일으킬 수 있습니다.
이를 염두에 두고, 우리는 AI와 암호화폐 간의 중복이 아직 초기 단계에 있으며, 인공 지능이라는 더 넓은 분야가 발전함에 따라 향후 몇 년 동안 빠르게 변화할 가능성이 있다고 믿습니다. 많은 암호화폐 내부자들이 꿈꾸는 분산형 AI 미래는 현재 실현이 보장되지 않으며, 실제로 AI 산업 자체의 미래도 대체로 불확실한 상태로 남아 있습니다. 따라서 우리는 그러한 시장을 주의 깊게 탐색하고 암호화폐 기반 솔루션이 실제로 어떻게 의미 있게 더 나은 대안을 제공할 수 있는지 더 깊이 탐구하거나 최소한 기본 거래 내러티브를 이해하는 것이 현명하다고 믿습니다. 따라서 우리는 이와 같은 시장에서는 주의를 기울이는 실수를 저지르고 암호화폐 기반 솔루션이 진정으로 의미 있게 우수한 대안을 제공할 수 있는 방법을 더 깊이 탐구하거나 적어도 기본 거래 내러티브를 이해하는 것이 현명하다고 생각합니다.
부록 1: BitTensor
BitTensor는 32개 서브넷에 걸쳐 다양한 인텔리전스 시장에 인센티브를 제공합니다. 이는 서브넷 소유자가 게임과 같은 제약 조건을 만들어 정보 제공자로부터 인텔리전스를 추출할 수 있도록 하여 벤치마킹과 관련된 일부 문제를 해결하기 위한 것입니다. 예를 들어, 주력 서브넷 1은 텍스트 프롬프트를 중심으로 하며 해당 서브넷의 서브넷 유효성 검사기가 보낸 프롬프트를 기반으로 최상의 응답을 생성하는 채굴자에게 인센티브를 제공합니다. 즉, 해당 서브넷의 다른 검증인이 판단한 대로 주어진 프롬프트에 대해 최상의 텍스트 응답을 생성할 수 있는 채굴자에게 보상을 제공합니다. 이를 통해 네트워크 참가자가 다양한 시장에서 모델을 만들려고 노력하는 스마트 경제가 가능해집니다.
그러나 이 검증 및 보상 메커니즘은 아직 초기 단계이며 적대적인 공격에 취약합니다. 특히 편견이 포함된 다른 모델을 사용하여 모델을 평가하는 경우(특정 서브넷 평가를 위해 새로운 합성 데이터를 사용하여 이 영역에서 진전이 이루어졌지만) . 이는 평가 지표가 주관적일 수 있어 모델 성능에 대한 여러 벤치마크로 이어지는 언어 및 예술과 같은 모호한 출력의 경우 특히 그렇습니다.
예를 들어, 서브넷 1에 대한 BitTensor의 확인 메커니즘에는 실제로 다음이 필요합니다.
유효성 검사기는 하나 이상의 참조 답변을 생성하고 모든 채굴자의 응답을 비교합니다. 추천서와 가장 유사한 답변을 가진 사람들은 가장 높은 보상을 받게 되며, 궁극적으로 가장 큰 인센티브를 받게 됩니다.
현재 유사성 알고리즘은 문자열 리터럴과 의미론적 일치의 조합을 보상의 기초로 사용하지만 제한된 참조 답변 세트로는 다양한 스타일 선호도를 포착하기가 어렵습니다.
BitTensor 인센티브 구조로 인한 모델이 궁극적으로 중앙 집중식 모델을 능가할지(또는 가장 성능이 좋은 모델이 BitTensor로 이동할지 여부), 모델 크기 및 기본 계산 비용과 같은 다른 절충안을 어떻게 수용할 수 있는지는 확실하지 않습니다. 사용자가 자신의 선호도에 맞는 모델을 자유롭게 선택할 수 있는 시장에서는 보이지 않는 손을 통해 유사한 자원 할당을 달성할 수 있습니다. 즉, BitTensor는 끊임없이 확장되는 문제 공간에서 매우 어려운 문제를 해결하려고 시도합니다.
부록 2: 월드코인
아마도 인공지능 시장 열풍에 이어 AI 토큰의 가장 확실한 사례는 월드코인(Worldcoin)일 것이다. 2023년 12월 13일 World ID 2.0 업그레이드를 출시하여 별 관심을 끌지 못했지만 Sam Altman이 12월 15일 Worldcoin을 홍보한 후 50% 상승했습니다. (Worldcoin의 미래에 대한 추측은 여전히 악마적입니다. 부분적으로는 Sam Altman이 Worldcoin의 개발자인 Tools for Humanity의 공동 창립자이기 때문입니다. 마찬가지로 OpenAI가 2024년 2월 15일 Sora를 출시하면서 가격이 거의 3배나 올랐습니다. Worldcoin의 트위터나 블로그에는 관련 발표가 없습니다.(그림 6 참조) 보도 시간 현재 Worldcoin의 가치는 800억 달러로 2월 16일 OpenAI의 860억 달러 가치 평가와 매우 유사합니다. 20억 달러).
