Pantera 2024 주요 관심 분야: AI 트렌드 지속, Web3가 추론, 데이터 프라이버시 및 인센티브 부문에서 성장 지원
글: 치아 정 양 & 카롤라인 카힐리, Pantera Capital
번역: TechFlow
Pantera Capital은 최근 2024년 암호화 시장의 흐름, 투자 전략, 주목 분야 및 트렌드 전망에 대해 심층적이고 세밀하게 다룬 장문의 보고서를 발표했다.
해당 문서가 상당히 길기 때문에, 우리는 내용 주제에 따라 여러 부분으로 나누어 번역했다.
본 문서는 Pantera의 집행 이사 치아 정 양과 인턴 카롤라인 카힐리가 작성한 전체 내용 중 네 번째 파트이다.
이 글을 통해 그들이 AI와 Web3의 융합에 관심을 갖고 있으며, AI와 암호화 기술의 결합을 구체적으로 분류하고 있음을 알 수 있다. 특히 Web3가 AI 시스템의 추론, 데이터 프라이버시, 인센티브 측면에서 중요한 역할을 할 수 있다고 보고 있으며, 관련 분야에 기회가 존재한다고 판단하고 있다.
TechFlow은 해당 섹션을 번역하였으며, 아래는 본문 내용이다.
블록체인 기술 생태계 내에서는 매 사이클마다 새로운 시장과 수직 영역이 창출된다. 우리가 수행하는 연구는 이러한 변화 속에서 선도적인 위치를 유지하도록 돕고, 거래 탐색 및 투자 과정에서 최대한의 포괄성을 확보하는 데 기여한다. 다음 문단에서는 우리가 적극적으로 주목하고 있는 분야들을 공유하고자 한다.
AI x WEB3
AI: 인간 지능과 컴퓨터 지능의 융합
대규모 언어 모델(LLM)과 같은 인공지능 모델이 생성하는 출력물은 인간과 컴퓨터의 두뇌, 데이터, 인센티브 시스템 간 최적의 상호작용 결과여야 한다.
LLM의 매력은 자연어로 소통할 수 있다는 점에 있다. 인간과 AI가 동일한 언어를 사용하여 복잡한 절차를 자세히 설명할 수 있기 때문이다. 이는 인간을 포함하는 조정 시스템의 미래로 나아가는 중요한 한 걸음이다. 이러한 협업을 더욱 개선하기 위해서는 여전히 강력한 인간-컴퓨터 상호작용 프레임워크, 메커니즘 및 도구 개발이 필요하다. 이를 통해 AI 시스템이 더 효과적으로 사고하고, 유용한 답변을 산출하며, 최상의 결과를 도출할 수 있도록 해야 한다.
Web3이 이러한 상호작용을 어떻게 촉진하는가?
컴퓨터 원생 인센티브 프레임워크는 크라우드소싱, 책임성 등을 통해 인간이 AI와 어떻게 상호작용할지를 결정하게 될 것이다. 우리는 컴퓨터/인공지능 두뇌와 인간 두뇌 간 상호작용을 극대화하거나 최적화할 수 있는 제품을 고려하고자 하며, 특히 대량의 사용자(예: 토큰 홀더, 개발자)를 중심으로 중장기적 사용 사례에 초점을 맞추고 있다.
앞으로 우리는 AI 시대의 인간-기계 상호작용에 있어 다음과 같은 세 가지 측면을 심층적으로 살펴볼 것이다:
다음은 논문 전반에서 다뤄질 AI에 암호화 기술이 제공할 수 있는 핵심 요소들이다:
-
결제: 전통 금융 결제는 명확한 경계를 가진 반면, 암호화폐는 단 몇 줄의 코드만으로 가능하다. 프로그래밍 가능성은 소프트웨어 제품의 통합을 단순화하며, 개발자는 코드베이스에 지갑 주소만 삽입하면 된다. 또한 계산 기반의 유연한 결제도 가능해지는데, 기존 인프라에서는 이를 위해 너무 많은 감사 비용이 소요된다. 오래된 글로벌 금융 인프라를 우회함으로써 국제 사용자를 대상으로 하는 제품의 시장 진입 장벽이 낮아진다. 게다가 암호화 거래는 전통 결제보다 낮은 수수료를 제공할 수 있다. 이러한 단순성과 저비용 통합은 리소스가 제한된 오픈소스 프로젝트에게 특히 유리하며, 단순성은 협업과 채택의 핵심 요소다.
-
크라우드소싱: LLM 모델에 대한 인간의 피드백이 점점 중요해짐에 따라, Web3 인센티브는 데이터 크라우드소싱을 더 빠르고 대규모로 수행할 수 있게 한다. 구조화된 보상(및 처벌) 시스템은 고품질 정보를 장려하고 다양한 배경을 가진 다수의 기여자를 유치해야 한다.
-
데이터 통제: 자신의 데이터를 통제하는 것은(데이터 출처와 프라이버시가 필요함) 점점 더 중요해지고 있다. 왜냐하면:
-
a. 사용자가 쉽게 보상을 받거나 더 나은 경험을 얻을 수 있다면, 자신이 데이터를 통제하려는 의도를 갖게 될 수 있다(현재로서는 가능해 보인다). 자율 에이전트의 부상으로 사용자는 능동적인 개입 없이도 자신의 데이터로 보상을 받을 수 있게 될 것이다. 또한 자신의 데이터를 통제하는 사용자는 현재의 개인화 알고리즘이 제공하는 열악한 경험보다 더 나은 경험을 누려야 한다. 이전의 데이터 지갑 시도들과 달리, LLM은 이제 대규모 플랫폼 간 수동 데이터 수집을 자동화할 수 있을 뿐 아니라, 비구조화된 자연어 데이터를 맥락 안에서 더 잘 이해하고 처리할 수 있다.
-
b. 기업들은 기밀 정보를 보호하기 위해 데이터 통제를 주도할 수 있다. 이후 이러한 신규 표준이 개인들에게도 적용될 것이다.
우리가 특히 기대하는 세 가지 아이디어는 다음과 같다:
-
피드백 기반 추론: (zk) 지식 그래프를 통한 크라우드소싱을 활용한 논리적 추론
-
머신러닝(ML)을 통한 AI 생성 콘텐츠(AIGC) 로열티 추적: ML 추적 기술을 사용해 AIGC의 원천 데이터에 대한 로열티를 산정
-
광고용 디지털 트윈: LLM이 검색엔진을 대체하며 정보 검색의 주요 형태가 되는 가운데, 사용자 선호도는 웹사이트 검색이 아닌 LLM과의 상호작용을 통해 형성될 것이다. AI 세상의 광고는 AdTech이 디지털 트윈에서 개인 선호도를 자동으로 추출할 수 있도록 하는 인프라를 필요로 할 것이다.
추론
시장은 과장으로 넘쳐나지만, LLM은 계획 수립, 추론, 물리 세계 이해 등 인간이 능숙한 작업에서 어려움을 겪는다. 이러한 오류는 대부분의 LLM이 기본 논리/물리 원리를 진정으로 이해하지 못한 채 단지 데이터 패턴을 모방하기 때문이며, 따라서 인간 기준에서 보면 LLM의 성능은 충분히 좋지 않다.
원칙 기반 추론의 가치는 알려지지 않은 문제를 처리할 수 있다는 점에 있다. 특히 트랜스포머(transformers)가 훈련 데이터를 벗어나지 못한다는 강력한 증거가 있는 지금, 우리는 추론 문제를 해결할 수 있는 방안을 찾고 있으며, 이는 기초 모델뿐 아니라 현재의 모든 LLM 통합 시스템에도 도움이 되어야 하며, 보다 나은 추론을 위한 인간 피드백 메커니즘에 집중하고 있다.
논리
지식 그래프(엔티티, 사건, 개념 간 관계를 구조화된 데이터베이스로 포착하는 방법)는 LLM에 논리적 추론을 통합하는 흥미로운 접근법을 제공한다.
다음은 이를 통합할 수 있는 예시들이다:
-
동적 지식 검색: 추론 과정 중 주의 메커니즘에 따라 그래프로부터 관련 정보를 동적으로 검색.
-
피드백 루프: 출력이 그래프의 이해와 명백히 벗어날 경우, 이를 추가 미세 조정을 위한 피드백으로 활용.
크라우드소싱 지식 그래프: 크라우드소싱은 정보 수집 및 인증 방식을 재정의하며 "모든 인류 지식과 문화를 담은 저장소" 개발에 기여할 것이다.
크라우드소싱 지식 그래프는 모델이 기여자의 데이터 및 논리적 연결을 이용할 때 자동 결제를 통해 기여를 유도할 것이다. 정확성을 유지하기 위해 잘못된 기여는 일련의 합의된 기준을 따르는 검증자 그룹에 의해 처벌받게 된다. 이러한 기준(각 그래프별로 정의됨) 설정은 성공의 가장 중요한 요소 중 하나가 될 것이다.
Web3는 필요한 규모에서 지식 그래프 생성을 인센티브로 유도할 수 있는 방법을 제공한다. 또한 LLM 추론의 공백은 계속 변화하는 목표이므로, Web3는 공백이 발생할 때마다 특정 데이터 제공을 유도할 수 있는 수단이 된다.
또한 구조화된 보상(및 처벌) 시스템은 고품질 정보를 장려하고 다양한 배경을 가진 다수의 기여자를 유치할 것이다. 주목할 점은, 사용자가 생산적인 비영합(non-zero-sum) 방식으로 데이터를 공유함으로써 가치를 창출한다는 점이며, 이는 영합(zero-sum) 예측 시장이나 탈중앙화 오라클과 다르다.
마지막으로, 현재 AI의 한계 내에서 이러한 그래프를 크라우드소싱함으로써 기존 LLM의 추론 능력을 단순히 복제하지 않고 관련 정확성을 유지할 수 있다.
신뢰 및 책임 메커니즘
1. 데이터 프라이버시
사용자 데이터 통제를 위한 AI 개발은 곧 애플의 하드웨어 생태계와 맞먹게 될 것이다. 우리는 다음 이유들로 인해 데이터 프라이버시를 반드시 고려해야 한다:
-
스마트 홈 기기에서 의료 애플리케이션에 이르기까지 AI가 우리 삶의 모든 측면에 원활하게 침투함에 따라, AI의 데이터 수집량은 기하급수적으로 증가하고 있다.
-
우리는 AI가 개인화된 콘텐츠 생성 능력(예: LLM 사용)과 사용자의 그러한 능력에 대한 믿음 사이의 전환점에 다다르고 있다. 사용자들이 점점 더 빈번하고 대규모로 AI를 통해 진정한 개인화 경험과 제품을 추구하게 되면, AI와 데이터를 공유하는 속도는 급격히 증가할 것이다.
따라서 데이터 프라이버시는 사용자가 AI 시스템에 신뢰를 갖도록 하고, 개발자가 무단 접근, 신원 도용, 조작 등의 데이터 남용을 피할 수 있도록 하는 데 매우 중요하다.
제로노울리지 증명(zk-SNARK) 및 완전 동형 암호화(FHE) 같은 Web3 기술은 암호화된 상호작용을 가능하게 하며, 민감한 정보를 보호하면서 개인이 자신의 데이터를 진정으로 소유하고 통제할 수 있도록 할 것이다.
최근 미국의 AI 행정명령은 "개인 프라이버시 보호를 위한 암호화 도구와 같은 프라이버시 보호 기술 및 연구 강화"의 중요성을 강조하며 대규모 모델에 대한 보고 요건을 도입했다. 이는 Web3의 프라이버시/출처 방식에 대한 규제 수용도가 높아졌음을 의미하며, 이러한 방법이 규제 기준이 될 가능성도 있다.
Crowdsourced ZK Knowledge Graphs(크라우드소싱 ZK 지식 그래프): 크라우드소싱된 제로노울리지 지식 그래프를 통해 AI는 개인 데이터로부터 이익을 얻을 수 있다. 구체적으로, "공개" 노드(공개 데이터 포함)와 "비공개" 노드(암호화된 데이터 포함)를 모두 가질 수 있다. 모델은 지식 자체를 드러내지 않고 노드 간의 논리적 연결을 통해 답을 도출할 수 있으며, 최종 답변에서 참조되는 노드는 공개되지만 답을 도출하기 위해 사용된 노드는 공개될 필요가 없다.
이러한 그래프는 사용자 데이터 삭제도 용이하게 만들 수 있다. 실시간으로 데이터에 접근(예: 동적 지식 검색)함으로써 훈련된 모델 내에 데이터를 암묵적으로 저장하는 것을 피할 수 있기 때문이다.
2. 출처(Provenance)
출처 추적이 없다면 AI는 딥페이크와 무제한의 개인/사설/독점 데이터 사용 환경을 만들어낼 수 있다. Web3를 통해 NFT, 기타 미디어 자산, 모델이 사용한 데이터의 출처를 확인할 수 있으므로, 많은 유망한 해결책을 제공할 수 있다.
머신러닝을 통한 AI 생성 콘텐츠 로열티 추적: 딥페이크 외에도, 예술 분야에서 AIGC의 부상은 지적 재산권과 로열티에 독특한 도전을 안긴다. 예를 들어, AIGC 시스템이 두 명의 유명 아티스트 곡을 믹스한다면, 아티스트들에게는 어떤 식으로 크레딧과 경제적 보상이 배분되어야 할까? AIGC의 복잡성과 변동성으로 인해, 이러한 배분을 결정하는 기존 모델은 점점 더 부적절해지고 있다.
머신러닝 추적은 AIGC 작품의 원천 구성 요소를 식별하는 방법을 제공하며, AIGC 생성 시점부터 출처를 통제하는 것이 이러한 추적을 가능하게 하는 핵심이다.
AIGC가 강력한 글로벌 결제 인프라를 갖추지 못한 상태라면, 이미 로열티 지불 메커니즘을 갖춘 YouTube 같은 플랫폼이 선점하게 되며, 권력과 영향력을 더욱 집중시킬 기회를 가질 것이다.
AIGC 창작을 민주화하고 아티스트가 공정한 보상을 받도록 하기 위해선 새로운 결제 시스템이 필요하다. AIGC 모델과 지역적으로 통합된 블록체인 결제 네트워크는 처음부터 글로벌 실시간 결제를 가능하게 할 수 있다. 이후 머신러닝 추적과 블록체인은 다양한 플랫폼에 통합되어 YouTube 같은 기존 플랫폼이 현재 가지고 있는 우위를 줄일 수 있다.
이 기술에 대한 투자는 로열티의 공정한 분배를 지원할 뿐 아니라, 더 많은 창작자에게 기회를 제공함으로써 AIGC 혁신을 촉진할 수 있다.
AI 인센티브
AI 모델의 행동이 점점 더 자율적으로 되어감에 따라, 인간의 의도에 따라 행동하도록 유도하는 시스템 개발이 필요하다.
자율 에이전트
자율 에이전트는 환경과 지능적으로 상호작용하는 모델이다(예: 도구 활용 및 실시간 데이터에 접근하기 위한 API 호출 생성). 이들은 추론 및 의사결정을 위해 알고리즘과 상호작용하며, 인간의 직접적인 통제 없이도 행동할 수 있다. 목표 지향적인 행동을 보이며 경험에서 학습할 수 있지만, 아직 매우 좁은 환경에서만 신뢰할 수 있다(예: 자율주행). AI 모델이 정보 검색에서 벗어나 사용자를 대신해 작동하는 방향으로 점점 더 전환됨에 따라, 인간 사용자가 검증 가능한 방식으로 승인한 자율 에이전트가 디지털 네이티브 화폐를 사용하는 상업 활동에서 채택이 증가할 수 있다.
디지털 트윈 기반 광고 타겟팅: ChatGPT와 같은 대화형 AI 모델이 정보 검색의 주요 수단이 되면서, 전통적인 검색 기반 광고는 하락세를 보이고 있다. 이는 검색엔진과 쿠키를 통한 전통적 광고가 수익성 감소에 직면해 있기 때문이다.
시장이 사용자 선호도를 이해하는 기본 단위로서 쿠키가 아닌 개인 모델임을 인식하게 되면, 다른 기존 모델로부터 사용자 선호도를 추출할 수 있는 모델이 주도할 가능성이 있다. 이러한 모델을 통해 광고주는 이전에는 불가능했던 수준의 개인화를 달성할 수 있으며, 동시에 암호화 기법을 통해 사용자 프라이버시를 유지할 수 있다.
이러한 상호작용을 촉진하는 새로운 플랫폼은 구글, 애플과 같은 기존 소프트웨어 및 하드웨어 거대 기업을 우회할 수 있는 잠재력을 지닌다.
구체적으로, 사용자가 디지털 트윈을 생성하기로 결정하면, 검색 기록, 현재 계정(예: 구글, ChatGPT, 아마존), 하드디스크 등에 대한 접근 권한을 부여한다. 이 트윈은 회사, 관심사 등 사용자와의 상호작용 데이터를 기반으로 초기 요약본을 생성하고, 지속적으로 업데이트한다.
그 후 사용자는 디지털 트윈이 자신의 데이터를 누구에게, 어떻게 판매할 수 있는지에 대한 권한을 설정할 수 있다. 예를 들어, "내 광고봇이 GPT-4, Meta AI 등과 소통하게 하기"라는 버튼을 상상해보라. 디지털 트윈은 자율적으로 광고주의 AI 모델과 상호작용할 것이다. 광고주의 모델은 사용자 신원을 알지 못한 채로도 타겟팅할 가치가 있는지 판단할 수 있다. 타겟팅 시, 사용자는 텍스트, LLM과의 대화 등 다양한 형태로 광고를 수신하며, 보상으로 보상을 받는다.
이러한 디지털 트윈 시장에서 암호화 결제 네트워크는 모델 간 상호작용에 대한 보상을 처리하는 가장 간단한 방법이 될 수 있다. 거래는 단 몇 줄의 코드만 필요하기 때문이다. 또한 인센티브 설계는 광고주에게 최대한의 가치를 제공하는 타겟팅된 디지털 트윈을 보장해야 한다. 따라서 광고주는 사용자 선호도를 정확하고 깨끗한 데이터로 반영하는 디지털 트윈만을 타겟팅해야 한다.
결론
AI와 Web3 기술의 융합은 AI 시스템의 추론, 데이터 프라이버시, 인센티브 측면에서 혁명을 일으킬 잠재력을 지닌다. 블록체인 기반 솔루션은 안전하고 효율적인 거래 및 데이터 처리를 촉진하면서, 다양한 출처의 기여를 유도하여 AI 개발 및 응용을 강화해야 한다. AI와 암호화 기술 간의 이러한 공생 관계는 더 강력하고, 효율적이며, 사용자 중심적인 AI 시스템을 창출함으로써 AI 분야의 핵심 과제들을 해결할 수 있다.
TechFlow 공식 커뮤니티에 오신 것을 환영합니다
Telegram 구독 그룹:https://t.me/TechFlowDaily
트위터 공식 계정:https://x.com/TechFlowPost
트위터 영어 계정:https://x.com/BlockFlow_News
Pantera Capital
