원저자: 쿠키
원래 번역: TechFlow
Web3 기술의 지속적인 발전으로, DeSPIN(Decentralized Spatial Intelligence Network)이 많은 주목을 받는 분야가 되고 있습니다. DeSPIN은 실제 시각 데이터를 분석하고 활용하여 지도 구축, 도시 계획 및 로봇 공학에 대한 혁신적인 솔루션을 제공할 뿐만 아니라 새로운 기여를 통한 수익 창출 경제 모델을 개척합니다. 이 글에서는 DeSPIN의 핵심 개념, 주요 프로토콜, 향후 개발 방향에 대해 자세히 설명합니다.
DeSPIN이란 무엇인가요?
공간 지능은 실제 시각적 데이터를 분석하여 통찰력을 추출하는 기술입니다. 그 핵심은 지리적 정보를 환경적 맥락과 결합하여 인간의 의사 결정을 지원하는 데 있습니다. 분산형 공간 지능 네트워크(DeSPIN)는 이 기술을 블록체인의 분산형 개념과 Web3와 결합하여 개방적이고 공유되는 생태계를 형성합니다. 일상생활 속에서 찍은 도로 사진이나, 쇼핑몰이나 거리에서 기록한 환경 데이터를 공유해서 돈을 벌 수 있다고 상상해보세요. 이 모델은 데이터 수집의 한계를 낮출 뿐만 아니라, 일반 사용자들이 공간 지능 개발에 기여하도록 장려합니다.
DeSPIN의 구체적인 응용 분야를 이해하기 전에 먼저 공간 지능의 기본 프레임워크를 이해해야 합니다. 공간 지능은 4가지 핵심 요소로 구성됩니다.
데이터 수집: 센서 네트워크(예: 카메라, GPS) 및 IoT 기기(예: 휴대폰, 노트북)의 도움을 받아 데이터를 수집합니다.
데이터 처리 및 분석: 머신 러닝 기술을 사용하여 지리적 메타데이터를 처리하고, 데이터의 패턴을 식별하고, 공간 쿼리 데이터베이스를 구축합니다.
지식 표현: 의미 매핑을 통해 환경적 맥락과 데이터를 연관시켜 사용자에게 시각화된 지리적 정보를 제공합니다.
의사결정 지원 시스템: 경로 최적화, 장애물 회피 등의 응용 서비스를 사용자에게 제공하기 위해 공간 예측 모델을 구축합니다.
DeSPIN 분야의 주요 프로토콜
현재 DeSPIN 분야에서는 다양한 응용 시나리오에 초점을 맞춘 여러 가지 혁신적인 프로토콜이 등장했습니다. 주목할 만한 여덟 가지 프로젝트는 다음과 같습니다.
1. 하이브매퍼
Hivemapper는 Drive-2-Earn 모델을 사용하는 분산형 맵 구축 프로토콜입니다. 사용자는 모바일 애플리케이션을 통해 실시간으로 도로 문제를 보고하고, 운전자는 차량에 설치된 대시캠을 통해 데이터를 수집합니다. 이러한 데이터는 AI 알고리즘에 의해 처리되어 지도를 생성하고, 그 정확성은 인간 피드백 강화 학습(RLHF)을 통해 검증됩니다. Hivemapper는 적용 범위 지도를 제공하며, 사용자는 어떤 지역이 매핑되었는지 확인하고 API를 통해 데이터에 액세스할 수 있습니다. 데이터 제공자는 $HONEY 토큰을 보상으로 받는데, 이 토큰은 지도 데이터나 기타 서비스를 구매하는 데 사용할 수 있습니다.
2. NATIX 네트워크
NATIX 네트워크는 모바일 기기와 대시캠을 통해 도로 데이터를 수집하는 데 중점을 두고 주행하고 수익을 올리는 모델을 채택한 분산형 지도 경제 프로토콜입니다. 핵심 기술인 VX 360은 360도 파노라마 데이터 수집을 지원하며, 수집된 데이터는 자율 주행 최적화와 같은 운전자 지원 기능을 개발하는 데 사용할 수 있습니다. 현재 NATIX 네트워크는 171개국을 커버하고 있으며, 등록된 운전자는 223,000명이 넘고 총 매핑된 주행거리는 1억 3,100만km에 달합니다. 데이터 제공자와 네트워크 노드 모두 $NATIX 토큰 보상을 받아 생태계 발전을 더욱 장려할 수 있습니다.
Hivemapper와 NATIX는 모두 크라우드소싱 도로 데이터를 통해 더 나은 지도를 구축하기 위해 노력하고 있습니다. 이러한 데이터의 잠재적인 적용 시나리오는 매우 광범위하며, 주로 다음과 같은 측면을 포함합니다.
도시 교통 최적화: 실시간으로 수집된 도로 데이터를 분석하면 교통 흐름 관리를 개선하고, 교통 체증을 줄이고, 여행 효율성을 높일 수 있습니다.
도로 상황 모니터링: 도로 손상, 장애물 또는 기타 잠재적인 문제를 즉시 감지하여 보고하여 인프라의 안전과 안정성을 유지합니다.
범죄와 폭력 감지: AI 알고리즘과 결합된 지도 데이터를 사용하면 비정상적인 행동을 식별하고 찾아내고 공공 안전을 지원하는 데 도움이 될 수 있습니다.
이러한 응용 프로그램은 지도의 기능을 향상시킬 뿐만 아니라, 도시 관리와 사회 보장에 실질적 가치를 제공합니다.
3. 프로도봇
FrodoBots는 로봇을 통한 게임화된 데이터 수집을 위한 프로토콜입니다. 사용자는 원격으로 지상 로봇을 제어하여 지리적 데이터를 수집하고 여러 가지 작동 방법(예: 컨트롤러, 키보드 또는 게임 스티어링 휠)을 지원할 수 있습니다. 또한, 연구자들은 테스트를 위해 플랫폼에 AI 탐색 모델을 배포할 수도 있습니다. 사용자는 운전 작업을 완료하여 FrodoBot 포인트(FBP)를 획득합니다. 포인트는 작업의 거리와 난이도와 관련이 있습니다. 거리가 길고 난이도가 높을수록 더 많은 포인트를 획득합니다. 프로도봇은 여러 도시에서 테스트를 거쳤으며, AI와 인간 간의 탐색 능력 경쟁 도 치러졌습니다. 또한, 프로도봇은 새로운 사용자가 지구 로버를 임대하여 데이터 수집에 참여할 수 있는 길드 형태의 시스템인 지구 로버 학교도 구축했습니다.
4. 조조월드
JoJoWorld는 사용자가 3차원 모델을 훈련하는 데 도움이 되는 데이터를 제공하는 3D 공간 데이터 수집에 초점을 맞춘 프로토콜입니다. 이 플랫폼은 다양한 디지털 장면을 생성하는 데 필요한 고품질 3D 데이터를 제공하며 가상 현실 및 도시 계획과 같은 분야에 적합합니다. 사용자는 이러한 3D 데이터를 직접 구매하여 개인화된 디지털 모델 개발을 수행할 수도 있습니다.
다음 네 가지 프로토콜도 실제 공간 데이터 수집에 초점을 맞추지만, 적용 분야는 더욱 세분화되어 로봇 모델 훈련과 같은 특정 시나리오를 포괄합니다. 이러한 프로토콜은 롱테일 데이터와 특정 요구 사항에 초점을 맞춤으로써 DeSPIN(Decentralized Spatial Intelligence Network) 생태계에 더 많은 가능성을 주입합니다.
5. 프리즈마XAI
PrismaXAI는 손-사물 상호작용, 동적 동작, 사회적 모임과 같은 복잡한 시나리오에 적합한 1인칭 관점에서 장면별 데이터를 수집하기 위한 프로토콜입니다. 핵심 기술인 Proof-of-View는 분산형 검증 메커니즘을 통해 데이터 주석의 정확성을 향상시키는 동시에 데이터의 진위성을 보장합니다. 이 프로토콜은 롱테일 데이터를 수집하는 데 큰 잠재력을 가지고 있어 모델 훈련에 독특한 이점을 제공합니다.
6. 오픈마인드 AGI
OpenMind AGI는 VLAM(Vision-Language-Action Model)을 통해 실제 세계를 이해하는 데 중점을 둡니다. 핵심 시스템인 OM 1은 동적인 실제 환경과 상호작용할 수 있는 다중 플랫폼 운영 체제로, 특히 로봇 기술의 맞춤형 개발에 적합합니다. 이 플랫폼은 모바일 폰과 로봇을 통해 데이터를 수집하고, 로봇 개발자와 데이터를 공유하여 로봇 적용 시나리오를 개선하고 혁신합니다.
7. 메카AI
MeckaAI는 사용자가 비디오 데이터를 업로드하여 로봇 행동 모델을 훈련하는 분산형 로봇 AI 모델 훈련 프로토콜입니다. 이 플랫폼은 사용자가 작업을 완료함으로써 OG Mecka 포인트를 획득할 수 있는 모바일 애플리케이션을 제공하며, 이를 통해 데이터 기여에 대한 인센티브가 더욱 강화됩니다. MeckaAI는 크라우드소싱을 통해 로봇 기술 개발을 촉진하고 훈련 데이터 획득에 대한 임계값을 낮추는 데 전념하고 있습니다.
8. 엑스마퀴나 DAO
Xmaquina DAO는 오픈 소스 로봇 프로젝트를 지원하는 분산형 자율 조직(DAO)입니다. 모델 학습에 직접적으로 참여하는 다른 프로토콜과 달리 Xmaquina DAO의 핵심 목표는 리소스 할당을 통해 로봇 분야의 연구와 혁신을 지원하는 것입니다. 내부 혁신 센터인 Deus Lab은 로봇 기술의 연구 개발에 중점을 두고 있으며, MachineDAO는 토큰 $DEUS를 스테이킹하여 리소스를 할당할 프로젝트를 투표로 결정합니다. 이 모델은 자원 배분의 투명성과 공정성을 보장하는 동시에 로봇 기술의 오픈 소스 개발에 대한 재정적 지원을 제공합니다.
MachineDAO의 조직 구조
공간 제약으로 인해 여기서 자세히 설명하지 않은 비슷한 분야의 몇 가지 응용 프로토콜이 있습니다. 이러한 프로토콜로는 Alaya_AI , Gata_xyz , KrangHQ 등이 있으며, 이들 역시 주목할 가치가 있습니다.
DeSPIN의 미래: 기여에서 가치로
DeSPIN은 아직 초기 단계이기는 하지만, 그 잠재력을 무시할 수는 없습니다. 물리적 AI와 구체화된 AI가 개발되고, 인간 데이터 플릿과 같은 새로운 개념이 등장함에 따라 DeSPIN은 새로운 기술 혁명을 주도할 것으로 기대됩니다.
가능한 추세 중 하나는 일상 생활에서 얻은 공간 데이터를 통해 사용자가 가치를 기여하고 데이터 품질에 따라 보상을 받는 Train-to-Earn(T2E) 모델의 대중화입니다. 예를 들어, 분산형 안경 장치의 등장으로 데이터 수집의 정확도와 다양성이 크게 향상될 수 있습니다. 스마트 안경이 수집한 데이터는 인간이 세상을 인식하는 방식을 가장 사실적으로 반영할 수 있을 뿐만 아니라, 환경 소음, 얼굴 특징과 같은 많은 롱테일 데이터도 수집하여 공간 지능 분야에 더 광범위한 가능성을 제공합니다.
그러나 DeSPIN의 개발은 다음과 같은 몇 가지 과제에도 직면합니다.
데이터 검증: 크라우드소싱 데이터의 신뢰성과 정확성을 어떻게 보장할 수 있을까?
윤리적 문제: 개인 정보 유출과 남용을 방지하기 위해 데이터 사용을 규제하는 방법은 무엇인가?
수요 측 수용: 기존 기관들이 분산된 데이터 세트를 채택할 의향이 있을까요?
이러한 문제에 대한 해결책은 DeSPIN의 미래 방향을 결정할 것이며, 앞으로 더 많은 연구와 해결이 필요합니다.
