AI 토큰의 이면: 대부분의 프로젝트는 현실적 영향보다 금융 이익에 몰두
글: Gagra
번역: TechFlow
요약
-
이 글은 또 하나의 "AI + Web3" 분야에 대한 낙관적인 벤처 캐피탈 기사가 아니다. 우리는 두 기술의 융합에 대해 낙관적이지만, 이 글은 일종의 경고다. 그렇지 않으면 이러한 낙관론은 결국 근거를 잃게 될 것이다.
-
왜 그럴까? 최고의 AI 모델을 개발하고 운영하려면 최첨단이며 보통 접근하기 어려운 하드웨어에 막대한 자본 지출과 특정 분야의 연구개발(R&D)이 필요하기 때문이다. 대부분의 Web3 인공지능 프로젝트가 하는 것처럼 암호화 인센티브를 통해 대규모 참여(crowdsourcing)를 실현하는 것은 인공지능 개발을 장악한 대기업들이 투입하는 수백억 달러에 비해 부족하다. 하드웨어적 제약을 고려하면, 이번이 기존 조직 외부의 똑똑하고 창의적인 엔지니어들이 리소스 없이도 이를 뒤엎을 수 없는 첫 번째 주요 소프트웨어 패러다임일 가능성이 있다.
-
소프트웨어가 "세계를 잠식하는" 속도는 점점 더 빨라지고 있으며, 곧 인공지능의 가속으로 기하급수적으로 증가할 것이다. 현재 상황에서 이 모든 '케이크'는 기술 거물들에게로 향하고 있으며, 최종 사용자들인 정부와 대기업, 그리고 소비자들은 그들의 힘에 더욱 의존하게 되고 있다.
동기 부여의 불일치
이 모든 것이 더 부적절한 시기에 전개되고 있다—90%의 탈중앙화 네트워크 참여자들이 서사를 중심으로 한 성장에서 쉽게 얻을 수 있는 큰 수익을 쫓고 있는 때 말이다. 맞다. 투자자들이 우리 산업으로 몰려오고 있고, 개발자들이 따라오는 것이 아니라 반대로 이루어지고 있다. 이는 공개된 선언부터 더 미묘한 무의식적 동기에 이르기까지 다양하지만, 이를 둘러싼 서사와 시장은 Web3 의사결정의 상당 부분을 주도하고 있다. 참여자들은 반사성 버블(reflexive bubble)에 너무 몰두하여, 이 사이클을 더 앞으로 밀어붙이는 서사 외에는 외부 세계를 알아차리지 못한다. 그런데 AI야말로 가장 큰 서사이며, 그것 자체도 번영기를 겪고 있기 때문이다.
우리는 AI x Crypto 교차 분야의 수십 개 팀들과 대화를 나누었으며, 그들 중 다수가 매우 유능하며 사명감에 충만하고 열정적으로 프로젝트를 구축하고 있음을 확인할 수 있었다. 하지만 인간 본성상 유혹에 직면했을 때 우리는 종종 굴복하고, 이후 그 선택들을 합리화하곤 한다.
쉽게 유동성을 확보할 수 있다는 것은 암호화 산업의 오랜 저주였으며, 이는 산업 발전을 늦추고 유용한 채택을 수년간 지연시켰다. 심지어 가장 충실한 암호화 신봉자들조차 "허황된 토큰(hype token)"으로 방향을 틀게 만든다. 합리적인 설명은, 더 많은 자본이 토큰을 보유함으로써 건설자들이 더 나은 기회를 가질 수 있다는 것이다.
기관 자본과 리테일 자본의 상대적으로 낮은 성숙도는 건설자들에게 현실을 벗어난 주장을 하면서도 마치 주장이 이미 실현된 것처럼 평가에서 이득을 볼 수 있는 기회를 제공한다. 이러한 과정의 결과로 도덕적 해이(moral hazard)와 자본 파괴가 실제로 발생하며, 이러한 전략 중 거의 어떤 것도 장기적으로 효과적이지 않다. 수요는 모든 발명의 어머니이며, 수요가 사라지면 발명 또한 사라진다.
이러한 상황이 발생한 시기는 더 이상 나쁠 수 없다. 모든 가장 영리한 기술 기업가, 국가 지도자, 대소기업들이 인공지능 혁명에서 이익을 얻기 위해 경쟁하고 있을 때, 암호화 창업자와 투자자들은 "빠른 성장(fast growth)"을 선택했다. 우리看来, 이것이 진정한 기회비용이다.
Web3 AI 시장 개요
위에서 언급한 동기 부여를 고려할 때, Web3 AI 프로젝트의 분류는 사실상 다음으로 요약된다:
-
정당한 (현실주의자와 이상주의자로 세분화됨)
-
반정당한
-
위조자들
기본적으로 건설자들은 자신의 Web2 경쟁자들과 동등한 위치를 유지하기 위해 무엇이 필요한지, 어느 수직 분야에서 경쟁이 가능한지, 어느 분야에서는 꿈같은 이야기인지 명확히 알고 있다고 생각한다. 그러나 후자는 벤처 투자자들과 미성숙한 일반 대중에게 홍보하기 좋은 이야기가 될 수 있다.
목표는 지금 이 순간 경쟁에 참여할 수 있는 상태가 되는 것이다. 그렇지 않으면 AI 발전 속도가 Web3를 추월할 것이며, 세계는 서방 기업형 AI와 중국 국가형 AI의 디스토피아적 Web4로 나아갈 것이다. 빠르게 경쟁력을 갖추지 못하고 분산 기술에 의존하여 장기적으로 따라잡으려는 사람들은 지나치게 낙관적이어서 진지하게 받아들여지기 어렵다.
물론 이것은 매우 대략적인 일반화이며, 위조자 그룹 안에도 적어도 몇몇 진지한 팀(더 많을 수도 있지만 망상가일 수도 있음)이 포함되어 있다. 그러나 이 글은 일종의 경고이므로, 우리는 객관성을 유지하려는 의도가 없으며 독자들이 긴박감을 느끼기를 바란다.
정당한
"AI를 블록체인에 연결하는" 미들웨어. 이러한 솔루션의 창립자들은 많지는 않지만, 지금까지 탈중앙화된 훈련 또는 추론을 통해 사용자가 실제로 원하는 모델을 구현하는 것은 실행 불가능하거나 불가능하다는 것을 알고 있다. 따라서 최고의 중앙집중형 모델을 체인 내 환경에 연결하여 복잡한 자동화의 이점을 누릴 수 있도록 하는 것이 그들에게는 충분히 좋은 첫 단계이다. 현재로서는 API 접근 포인트를 제공하는 하드웨어 격리 구역(Total Economic Environment, TEE, 즉 '빈 격리' 프로세서), 양방향 오라클(체인 내 및 체인 외 데이터를 양방향으로 색인링하기 위한 것), 에이전트에게 검증 가능한 체인 외 계산 환경을 제공하는 것이 최선의 해결책으로 보인다. 일부는 전체 계산을 검증하는 것이 아니라 스냅샷 상태 변화에 ZKP(제로 kiến지 증명)를 사용하는 코프로세서 아키텍처도 있으며, 우리는 중기적으로 이것도 실현 가능하다고 본다.
같은 문제에 대한 더 이상적인 접근법은 체인 외 추론을 검증하여 체인 내 계산과 신뢰 가정 측면에서 일치시키려는 것이다. 우리看来, 목표는 AI가 단일 통합 런타임 환경에서 체인 내 및 체인 외 작업을 수행할 수 있도록 하는 것이다. 그러나 대부분의 추론 검증 지지자들은 "모델 가중치 신뢰" 등의 모호한 목표를 이야기하는데, 이런 목표들은 앞으로 몇 년간 중요해지지도 않을 것이다. 최근 들어 이 진영의 창립자들은 초기에는 모두 ZKP 기반인 추론 검증을 위한 대안적 방법을 탐색하기 시작했지만, 많은 똑똑한 팀들이 소위 ZKML(Zero-Knowledge Machine Learning)을 연구하고 있으나, 암호화 최적화가 AI 모델의 복잡성과 계산 요구를 초월할 것으로 기대하면서 너무 큰 위험을 감수하고 있다. 따라서 현재로서는 경쟁력이 없다고 본다. 그러나 최근의 일부 진전은 흥미롭고 무시해서는 안 된다.
반정당한
폐쇄형 및 오픈소스 모델 래퍼(wrapper)를 사용하는 소비자 애플리케이션들(예: 이미지 생성을 위한 Stable Diffusion 또는 Midjourney). 이들 중 일부 팀은 시장의 선구자이며 실제 사용자를 확보하고 있다. 따라서 일괄적으로 허위라고 칭하는 것은 공평하지 않지만, 기초 모델을 탈중앙화 방식으로 발전시키고 인센티브 설계에서 혁신을 이루기 위해 깊이 고민하는 사람은 소수에 불과하다. 이 분야에서는 흥미로운 거버넌스/소유권 변형이 일부 존재한다. 그러나 이 범주에 속한 대부분의 프로젝트는 OpenAI API 등 중앙집중형 래퍼 위에 평가 프리미엄을 얻거나 팀에게 더 빠른 유동성을 제공하기 위해 토큰을 추가하는 데 그친다.
위 두 집단 모두가 해결하지 못한 문제는 탈중앙화 환경에서 대규모 모델의 훈련과 추론을 수행하는 것이다. 현재로서는 밀접하게 연결된 하드웨어 클러스터에 의존하지 않고는 합리적인 시간 내에 기초 모델을 훈련할 수 있는 방법이 없다. 경쟁 수준을 고려하면 "합리적인 시간"이 핵심 요소이다.
최근에는 차등 데이터 스트림(differential data streams) 같은 방법들이 이론적으로 분산 컴퓨팅 네트워크로 확장되어 미래 용량을 증가시킬 수 있다는 희망적인 연구 결과가 나타났다(네트워크 능력과 데이터 스트림 요구가 지속적으로 일치하면서). 그러나 경쟁력 있는 모델 훈련은 여전히 로컬 클러스터(단일 분산 장치가 아닌) 간의 통신과 최첨단 컴퓨팅 능력(리테일 GPU는 점점 경쟁력을 잃고 있음)을 필요로 한다.
최근에는 모델 크기를 줄여 로컬화(탈중앙화의 두 가지 방법 중 하나)하여 추론을 수행하는 연구도 진전이 있었지만, Web3에서는 이를 활용하는 기존 프로토콜이 없다.
탈중앙화된 훈련과 추론의 문제는 논리적으로 세 번째이자 가장 중요한 마지막 진영으로 우리를 이끈다. 따라서 우리에게 정서적으로 가장 강하게 작용하는 부분이다.
위조자들
탈중앙화 서버 분야에 주로 집중하는 인프라 애플리케이션들로, 베어 메탈 하드웨어 또는 탈중앙화된 모델 훈련/호스팅 환경을 제공한다. 일부 소프트웨어 인프라 프로젝트들은 연합 학습(federated learning, 탈중앙화된 모델 훈련) 프로토콜을 추진하거나, 소프트웨어와 하드웨어 구성 요소를 단일 플랫폼에 통합하여 기본적으로 누구나 엔드투엔드로 탈중앙화된 모델을 훈련하고 배포할 수 있게 하고 있다.그들 대부분은 언급된 문제를 실제로 해결하기 위해 필요한 복잡성을 결여하고 있으며, 여기서는 "토큰 인센티브 + 시장 트렌드"라는 순진한 아이디어가 우세하다. 우리가 공개 시장과 사모 시장에서 본 솔루션들은 현재 시점에서 의미 있는 경쟁력을 갖추지 못했다. 일부 솔루션은 실현 가능한(비록 틈새 시장인) 제품이 될 수 있지만, 지금 우리가 필요한 것은 새로운 경쟁력 있는 솔루션이다. 이는 분산 컴퓨팅 병목 현상을 해결하는 혁신적인 설계를 통해서만 가능하다. 훈련 과정에서는 속도뿐만 아니라 작업 완료의 검증 가능성과 훈련 워크로드 조정도 문제가 되며, 이는 대역폭 병목 현상을 가중시킨다.
우리는 경쟁력 있고 진정한 탈중앙화 기반 모델 세트가 필요하다. 이 모델들은 탈중앙화된 훈련과 추론 없이는 제대로 작동하지 않는다. 컴퓨터가 지능화되지만 AI가 중앙집중화되어 있다면, 어떤 디스토피아적 버전 외에는 "월드 컴퓨터(world computer)"를 논할 수 없다.
훈련과 추론은 AI 혁신의 핵심이다. AI 세계의 다른 모든 부분이 더욱 밀접한 아키텍처로 나아가고 있을 때, Web3는 정면 승부의 실현 가능성 자체가 점점 낮아지고 있기 때문에 이들과 경쟁할 수 있는 직교적인(orthogonal) 솔루션이 필요하다.
문제의 규모
모든 것은 컴퓨팅 파워에 관한 문제다. 훈련이든 추론이든, 더 많이 투입할수록 결과가 더 좋아진다. 물론 여기에는 조정과 최적화가 일부 있지만, 컴퓨팅 자체가 동질적인 것도 아니며, 전통적인 폰 노이만 아키텍처 처리 장치의 병목을 극복하기 위한 다양한 새로운 방법이 등장하고 있다. 그러나 결국 모든 것은 얼마나 큰 메모리 블록에서 행렬 곱셈을 얼마나 빠르게 수행할 수 있는지로 귀결된다.
그래서 우리는所谓的 "초대규모 사업자(hyperscalers)"들이 데이터센터 구축에 이렇게 막대한 투자를 하고 있는 것이다. 그들은 모두 AI 모델 강력한 프로세서를 정점으로 하고 이를 지원하는 하드웨어를 기반으로 한 풀스택을 만들려고 노력하고 있다: OpenAI(모델)+Microsoft(컴퓨팅), Anthropic(모델)+AWS(컴퓨팅), Google(둘 다 보유), Meta(데이터센터를 두 배로 확장하며 점점 더 두 분야 모두에 깊이 관여). 더 많은 미묘한 차이, 상호작용 역학, 참여자들이 있지만 여기서는 생략하겠다. 전체적인 상황은 초대규모 사업자들이 데이터센터 확장에 사상 유례없는 수백억 달러를 투자하고 있으며, 컴퓨팅과 AI 제품 사이에 시너지를 창출하고, AI가 글로벌 경제에 보편화됨에 따라 막대한 수익을 예상하고 있다는 것이다.
올해 이 4개 회사의 예상 확장 수준만 살펴보자:
-
메타는 2024년 자본 지출이 300~370억 달러 사이가 될 것으로 예상하며, 이는 데이터센터에 크게 치우쳐질 가능성이 높다.
-
마이크로소프트는 2023년에 약 115억 달러의 자본 지출을 했으며, 24-25년에는 400~500억 달러를 추가 투자할 것이라고 전해진다! 일부 국가는 거액의 데이터센터 투자를 발표했는데, 이를 통해 부분적으로 추정할 수 있다: 영국 32억 달러, 호주 35억 달러, 스페인 21억 달러, 독일 32억 유로, 미국 조지아주 10억 달러, 위스콘신주 100억 달러. 이는 전 세계 60여 지역에 걸쳐 있는 300개 데이터센터 네트워크의 일부 지역 투자에 불과하다. 마이크로소프트가 OpenAI를 위해 슈퍼컴퓨터를 만들기 위해 추가로 1000억 달러를 지출할 것이라는 소문도 있다!
-
아마존의 경영진은 2024년 자본 지출이 크게 증가할 것으로 예상하고 있으며, 2023년 지출은 480억 달러로, 주로 AWS 인프라가 AI를 위해 확장되었기 때문이다.
-
구글은 2023년 4분기에 서버 및 데이터센터 확장을 위해 110억 달러를 지출했다. 이 투자는 예상되는 AI 수요를 충족시키기 위한 것이라며, 2024년에는 AI로 인해 인프라 지출의 속도와 총액이 크게 증가할 것으로 예상하고 있다.
다음은 NVIDIA가 2023년 AI 하드웨어에 이미 지출한 금액이다:
엔비디아 CEO 젠슨 황은 향후 몇 년간 인공지능 가속에 1조 달러를 투자할 것이라고 계속 홍보해왔다. 최근에는 주권 참가자의 관심을 보았다는 이유로 이 예측을 2조 달러로 두 배로 늘렸다. Altimeter의 애널리스트들은 2024년과 2025년 전 세계 AI 관련 데이터센터 지출이 각각 1600억 달러와 2000억 달러를 초과할 것으로 예상한다.
이제 이러한 숫자를 Web3가 최신 AI 하드웨어에서 자본 지출을 확대하도록 유도하기 위해 독립된 데이터센터 사업자들에게 제공하는 숫자와 비교해보자:
-
탈중앙화 물리 인프라(DePIn) 프로젝트들의 시가총액은 현재 약 400억 달러 정도이며, 이 시가총액은 상대적으로 유동성이 낮고 주로 투기적인 토큰이다. 본질적으로 이러한 네트워크의 시가총액은 기여자들의 총 자본 지출 상한선 추정치와 같다. 왜냐하면 그들은 토큰으로 이러한 건설을 인센티브로 제공하기 때문이다. 그러나 현재의 시가총액은 거의 쓸모없는데, 이미 발행되었기 때문이다.
-
그렇다면 미래 3~5년 동안 기존 가치의 2배인 추가 800억 달러의 사모 및 공개 DePIn 토큰 시가총액이 인센티브로 시장에 진입한다고 가정하고, 이를 AI 용도에 완전히 사용한다고 가정하자.
이 매우 대략적인 추정치를 3년으로 나누고, 이를 2024년에 초대규모 사업자들이 지출하는 현금과 비교해봐도 명백하다. 일련의 "탈중앙화된 GPU 네트워크" 프로젝트에 토큰 인센티브를 적용하는 것은 충분하지 않다.
또한 투자자들은 이러한 토큰을 흡수할 수십억 달러의 수요가 필요하다. 왜냐하면 이러한 네트워크의 운영자들은 자본 지출과 같은 비용을 충당하기 위해 대량의 채굴된 코인을 판매하기 때문이다. 초대규모 사업자들을 능가하는 건설 성장을 유도하고 토큰 가치를 높이기 위해서는 더 많은 수십억 달러가 필요하다.
그러나 대부분의 Web3 서버가 현재 운영되는 방식에 대해 잘 아는 사람들은 "탈중앙화 물리 인프라"의 상당 부분이 실제로 이러한 초대규모 사업자들의 클라우드 서비스 위에서 운영되고 있음을 기대할 수 있다. 물론 GPU 및 기타 AI 전문 하드웨어에 대한 수요 급증은 더 많은 공급을 촉진하고, 궁극적으로 클라우드에서 임대하거나 구매하는 비용을 낮춰야 한다. 적어도 이것이 기대되는 바다.
그러나 동시에 염두에 둬야 할 점은, 현재 엔비디아가 고객에게 최신 세대 GPU를 우선 공급해야 한다는 것이다. 게다가 엔비디아는 초대규모 서버에 묶여 있는 기업 고객에게 AI 플랫폼 서비스를 제공함으로써 가장 큰 클라우드 제공업체들과 직접 경쟁하기 시작하고 있다. 이는 궁극적으로 자체 데이터센터를 구축하게 하거나(현재 누리고 있는 풍부한 이윤을 침식하게 되므로 가능성은 낮음), 인공지능 하드웨어 판매를 협력 네트워크 클라우드 제공업체의 범위 내에서 크게 제한하게 할 것이다.
또한 엔비디아의 경쟁자들은 추가적인 AI 전용 하드웨어를 출시하고 있으며, 대부분 TSMC에서 생산된 엔비디아 칩과 동일한 칩을 사용한다. 따라서 기본적으로 모든 AI 하드웨어 회사는 현재 TSMC의 생산 능력을 두고 경쟁 중이다. TSMC도 특정 고객을 우선시해야 한다. 삼성과 잠재적 인텔(최첨단 칩 제조에 빠르게 돌아가려는 회사)이 추가 수요를 흡수할 수 있지만, TSMC는 현재 대부분의 AI 관련 칩을 생산하고 있으며, 첨단 칩 제조(3나노 및 2나노)를 확장하고 조정하는 데는 수년이 걸린다.
무엇보다도 현재 모든 첨단 칩 제조는 대만의 TSMC와 한국의 삼성이 대만해협 근처에서 수행되고 있으며, 미국에서 이러한 상황을 상쇄하기 위한 시설이 건설되고 있지만(향후 몇 년 내에 차세대 칩을 생산하지 못할 것으로 예상됨), 군사 충돌의 위험이 현실화될 수 있다.
마지막으로 미국의 엔비디아와 TSMC에 대한 제한으로 인해 중국은 사실상 최신 세대 AI 하드웨어와 격리되어 있으며, 남은 컴퓨팅 능력을 확보하기 위해 경쟁하고 있으며, Web3 DePIn 네트워크와 마찬가지다. Web3와 다른 점은 중국 기업들이 실제로 자체 경쟁 모델, 특히 바이두와 알리바바 등에서 나오는 대규모 언어 모델(LLM)을 보유하고 있다는 점이며, 이 모델들은 작동하기 위해 많은 구형 장비가 필요하다는 것이다.
따라서 위의 이유 중 하나 혹은 여러 요인이 복합적으로 작용하여, 초대규모 클라우드 서비스 제공업체들이 인공지능 주도 전쟁이 격화되고 클라우드 사업에 우선순위를 두게 됨에 따라 외부 당사자에 대한 인공지능 하드웨어 접근을 제한할 가능성이 실질적이지 않다. 기본적으로 그들이 모든 AI 관련 클라우드 컴퓨팅 용량을 자기 자신을 위해 사용하고 다른 누구에게도 제공하지 않으며, 모든 최신 하드웨어를 독점하는 시나리오이다. 이 상황이 발생하면, 남은 컴퓨팅 공급은 다른 대형 참여자들(주권 국가 포함)의 수요가 더 높아질 것이다. 반면 소비자용 GPU는 점점 경쟁력이 떨어진다.
분명히 이것은 극단적인 경우이지만, 대형 플레이어들에게는 보상이 너무 크기 때문에 하드웨어 병목 현상이 여전히 존재하더라도 물러서지 않을 것이다. 이렇게 되면 2차 데이터센터와 소매용 하드웨어 소유자와 같은 탈중앙화 사업자들(Web3 DePIn 제공자의 대부분을 차지함)은 경쟁에서 배제된다.
동전의 반대쪽 면
암호화 창업자들이 아직 깨닫지 못했을 때, 인공지능 거물들은 암호화를 주시하고 있다. 정부의 압력과 경쟁은 그들이 폐쇄되거나 엄격한 규제를 받는 것을 피하기 위해 암호화를 채택하도록 강요할 수 있다.
Stability AI의 창립자가 최근 사임하여 자신의 회사를 "탈중앙화"하기 시작한 것은 이러한 조짐 중 가장 먼저 공개된 신호 중 하나다. 그는 이전에 공개 행사에서 회사가 IPO를 성공적으로 마친 후 토큰을 출시할 계획이라고 숨김없이 밝힌 바 있어, 어느 정도 동기의 진실성을 드러냈다.
마찬가지로, 샘 알트먼(Sam Altman)은 공동 창업한 암호화 프로젝트 Worldcoin의 운영에 참여하지 않았지만, 해당 토큰은 OpenAI의 대리인처럼 거래되고 있다. 자유 인터넷 화폐 프로젝트와 인공지능 R&D 프로젝트를 연결할 수 있는 경로가 있는지 여부는 시간이 지나봐야 알겠지만, Worldcoin 팀은 시장이 이 가설을 시험하고 있음을 인식하고 있는 것으로 보인다.
우리看来, 인공지능 거물들이 다양한 탈중앙화 경로를 탐색할 가능성이 있다. 여기서 우리가 보는 문제는 Web3가 의미 있는 해결책을 제시하지 못했다는 점이다. "거버넌스 토큰"은 대부분 농담이며, $BTC와 $ETH처럼 자산 보유자와 네트워크 개발 및 운영 사이의 직접적인 연결을 명확히 피하는 토큰만이 현재 진정한 탈중앙화라고 할 수 있다.
기술 발전을 늦추는 (불)인센티브는 암호화 네트워크를 관리하는 다양한 설계의 발전에도 동일하게 영향을 미친다. 스타트업 팀들은 제품에 단순히 "거버넌스 토큰"이라는 라벨을 붙이고 해결책을 찾기를 바라며, 결국 "거버넌스 극장(governance theater)" 주변의 자원 배분에 갇히게 된다.
결론
인공지능 경쟁이 진행 중이며, 모두가 이를 매우 심각하게 받아들이고 있다. 우리는 대형 기술 기업 사고방식에서 허점을 찾을 수 없었다. 더 많은 컴퓨팅은 더 나은 인공지능을 의미하며, 더 나은 인공지능은 비용 절감, 새로운 수익 창출, 시장 점유율 확대를 의미한다. 우리看来, 버블은 정당화되지만, 모든 사기꾼은 불가피한 충격 속에서 결국 제거될 것이다.
중앙집중형 대기업 인공지능이 이
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
@GagraVentures
