심층 분석: AI와 Web3가 어떤 시너지를 낼 수 있을까?
글: Fred
일. 서론: AI+Web3의 발전
지난 몇 년간 인공지능(AI)과 Web3 기술의 급속한 발전은 전 세계적으로 큰 주목을 받고 있다. AI는 인간 지능을 시뮬레이션하고 모방하는 기술로서 얼굴 인식, 자연어 처리, 머신러닝 등 다양한 분야에서 중대한 돌파구를 마련했다. AI 기술의 빠른 발전은 각 산업 분야에 거대한 변화와 혁신을 가져왔다.
AI 산업의 시장 규모는 2023년 기준 2,000억 달러에 달했으며, OpenAI, Character.AI, Midjourney 등의 업계 선도 기업들과 유망한 플레이어들이 우후죽순처럼 등장하며 AI 열풍을 주도하고 있다.
한편, Web3는 새로운 형태의 인터넷 모델로서 우리가 인터넷을 인식하고 사용하는 방식을 점차 바꾸고 있다. Web3는 탈중앙화된 블록체인 기술을 기반으로 스마트 계약, 분산 저장 및 탈중앙화 신원 인증 기능을 통해 데이터 공유와 통제 가능성, 사용자 자치 및 신뢰 메커니즘 구축을 실현한다. Web3의 핵심 이념은 데이터를 중앙집중적인 권위 기관으로부터 해방시켜 사용자에게 데이터 통제권과 가치 공유권을 부여하는 것이다.
현재 Web3 산업의 시가총액은 25조 달러에 이르며, 비트코인(Bitcoin), 이더리움(Ethereum), 솔라나(Solana)뿐 아니라 유니스왑(Uniswap), 스텝엔(Stepn)과 같은 애플리케이션 레이어의 플레이어들까지 새로운 스토리와 시나리오들이 계속해서 등장하며 점점 더 많은 사람들이 Web3 산업에 참여하도록 유도하고 있다.
쉽게 알 수 있듯이, AI와 Web3의 융합은 동서양의 개발자(builer)와 벤처 캐피털(VC) 모두가 매우 관심을 두는 분야이며, 두 기술을 어떻게 잘 융합할 것인지에 대한 탐구는 매우 중요한 과제이다.
본 글은 AI+Web3의 현황을 중심적으로 조명하며 이러한 융합이 가져올 잠재적 가치와 영향력을 탐구한다. 먼저 AI와 Web3의 기본 개념과 특징을 소개하고, 그 상호관계를 살펴본다. 이후 현재의 AI+Web3 프로젝트 현황을 분석하고 직면한 한계와 도전 과제들을 심층적으로 논의할 것이다. 이를 통해 투자자들과 관련 산업 종사자들에게 유용한 참고 자료와 통찰을 제공하고자 한다.
이. AI와 Web3의 상호작용 방식
AI와 Web3의 발전은 마치 저울의 양쪽 팔처럼, AI는 생산성 향상을, Web3는 생산관계의 변혁을 가져온다. 그렇다면 AI와 Web3는 어떤 불꽃을 일으킬 수 있을까? 먼저 AI와 Web3 산업이 각각 직면한 어려움과 개선 가능성을 분석한 후, 서로가 어떻게 이러한 문제들을 해결할 수 있는지 살펴보겠다.
-
AI 산업이 직면한 어려움과 잠재적 개선 가능성
-
Web3 산업이 직면한 어려움과 잠재적 개선 가능성
2.1 AI 산업의 어려움
AI 산업이 직면한 어려움을 파악하기 위해 우선 AI 산업의 본질을 살펴보자. AI 산업의 핵심은 세 가지 요소에서 벗어날 수 없다: 컴퓨팅 파워(연산 능력), 알고리즘, 그리고 데이터.
-
첫째, 컴퓨팅 파워(연산 능력): 컴퓨팅 파워란 대규모 계산과 처리를 수행할 수 있는 능력을 의미한다. AI 작업은 일반적으로 대량의 데이터를 처리하고 복잡한 계산을 수행해야 하며, 예를 들어 딥 뉴럴 네트워크 모델을 학습시키는 경우를 들 수 있다. 강력한 연산 능력은 모델 학습과 추론 과정을 가속화하여 AI 시스템의 성능과 효율을 향상시킨다. 최근 하드웨어 기술의 발전, 즉 그래픽 프로세서(GPU)와 전용 AI 칩(TPU 등) 덕분에 컴퓨팅 파워의 향상은 AI 산업 발전에 중요한 역할을 해왔다. 주식시장에서 폭등한 엔비디아(Nvidia)는 GPU 공급업체로서 큰 시장 점유율을 차지하며 막대한 수익을 올리고 있다.
-
알고리즘이란 무엇인가: 알고리즘은 AI 시스템의 핵심 구성 요소로, 문제 해결과 작업 수행을 위한 수학적·통계적 방법이다. AI 알고리즘은 전통적인 머신러닝 알고리즘과 딥러닝 알고리즘으로 나뉘며, 특히 딥러닝 알고리즘은 최근 중대한 성과를 거두었다. 알고리즘의 선택과 설계는 AI 시스템의 성능과 결과에 매우 중요하다. 지속적으로 개선되고 혁신되는 알고리즘은 AI 시스템의 정확도, 강인성, 일반화 능력을 향상시킨다. 다른 알고리즘은 서로 다른 효과를 내기 때문에 알고리즘의 개선은 작업 수행 결과에 있어 매우 중요하다.
-
데이터의 중요성: AI 시스템의 핵심 과제는 데이터에서 패턴과 법칙을 학습하고 추출하는 것이다.
-
데이터는 모델 학습과 최적화의 기반이 되며, 대규모 데이터 샘플을 통해 AI 시스템은 더욱 정확하고 지능적인 모델을 학습할 수 있다. 풍부한 데이터셋은 보다 포괄적이고 다양한 정보를 제공하여 모델이 미지의 데이터에도 잘 적용될 수 있도록 하고, AI 시스템이 현실 세계의 문제를 더 잘 이해하고 해결할 수 있도록 돕는다.
현재 AI의 핵심 3요소를 이해한 후, AI가 이 세 가지 측면에서 겪는 어려움과 도전 과제를 살펴보자. 먼저 컴퓨팅 파워 측면에서, AI 작업은 일반적으로 모델 학습과 추론을 위해 대량의 컴퓨팅 리소스를 필요로 하며, 특히 딥러닝 모델의 경우 더욱 그러하다. 그러나 대규모 컴퓨팅 파워를 확보하고 관리하는 것은 비용이 많이 들고 복잡한 도전 과제이다. 고성능 컴퓨팅 장비의 비용, 에너지 소비, 유지보수 문제가 있으며, 특히 스타트업과 개인 개발자에게 충분한 컴퓨팅 파워를 확보하는 것은 어려운 일이 될 수 있다.
알고리즘 측면에서는 딥러닝 알고리즘이 여러 분야에서 큰 성공을 거두었지만 여전히 일부 어려움과 도전 과제가 존재한다. 예를 들어 딥 뉴럴 네트워크를 학습시키기 위해서는 대량의 데이터와 컴퓨팅 자원이 필요하며, 특정 작업의 경우 모델의 설명 가능성과 해석 가능성 부족 문제가 있다. 또한 알고리즘의 강인성과 일반화 능력도 중요한 문제로, 모델이 미지의 데이터에서 안정적인 성능을 낼 수 없을 수 있다. 다양한 알고리즘들 사이에서 가장 효과적인 서비스를 제공하는 최적의 알고리즘을 찾는 것은 지속적인 탐구 과정이다.
데이터 측면에서는 데이터가 AI의 원동력이지만, 고품질이며 다양성이 높은 데이터를 확보하는 것은 여전히 도전 과제이다. 의료 분야의 민감한 건강 데이터처럼 일부 분야의 데이터는 확보하기 어렵다. 또한 데이터의 품질, 정확성, 라벨링도 문제이며, 불완전하거나 편향된 데이터는 모델의 오작동이나 편향을 초래할 수 있다. 동시에 데이터의 개인정보 보호와 보안도 중요한 고려 사항이다.
또한 설명 가능성과 투명성 문제도 있다. AI 모델의 '블랙박스' 특성은 대중의 관심을 받는 문제이다. 금융, 의료, 사법 등 특정 응용 분야에서는 모델의 의사결정 과정이 설명 가능하고 추적 가능해야 하지만, 기존 딥러닝 모델은 투명성이 부족한 경우가 많다. 모델의 의사결정 과정을 설명하고 신뢰할 수 있는 해석을 제공하는 것은 여전히 도전 과제이다.
그 외에도 많은 AI 스타트업들의 비즈니스 모델이 명확하지 않아 많은 AI 창업자들이 혼란을 느끼고 있다.
2.2 Web3 산업의 어려움
한편 Web3 산업 역시 데이터 분석, 사용자 경험(UX)의 저조함, 스마트 계약 코드의 취약점 및 해킹 공격 문제 등 다양한 측면에서 해결해야 할 어려움이 많으며, 개선의 여지가 크다. AI는 생산성 향상 도구로서 이러한 분야에서 잠재적인 활용 가능성이 크다.
먼저 데이터 분석과 예측 능력 향상 측면에서, AI 기술의 데이터 분석 및 예측 응용은 Web3 산업에 큰 영향을 미친다. AI 알고리즘의 지능형 분석과 데이터 마이닝을 통해 Web3 플랫폼은 방대한 데이터에서 가치 있는 정보를 추출하고 보다 정확한 예측과 의사결정을 할 수 있다. 이는 탈중앙화 금융(DeFi) 분야의 위험 평가, 시장 예측, 자산 관리 등에 매우 중요하다.
또한 사용자 경험과 맞춤형 서비스 개선도 가능하다. AI 기술을 활용하면 Web3 플랫폼은 더 나은 사용자 경험과 맞춤형 서비스를 제공할 수 있다. 사용자 데이터를 분석하고 모델링함으로써 Web3 플랫폼은 사용자에게 맞춤형 추천, 맞춤형 서비스, 지능형 상호작용 경험을 제공할 수 있다. 이는 사용자 참여도와 만족도를 높이고 Web3 생태계 발전을 촉진한다. 예를 들어 많은 Web3 프로토콜이 ChatGPT 등의 AI 도구를 접목해 사용자 서비스를 향상시키고 있다.
보안과 개인정보 보호 측면에서도 AI의 응용은 Web3 산업에 깊은 영향을 준다. AI 기술은 네트워크 공격 탐지 및 방어, 이상 행동 식별 등을 통해 보다 강력한 보안을 제공할 수 있다. 동시에 AI는 데이터 개인정보 보호에도 활용되며, 데이터 암호화와 개인정보 계산 기술 등을 통해 Web3 플랫폼 사용자의 개인정보를 보호할 수 있다. 스마트 계약 감사 측면에서는 스마트 계약 작성 및 감사 과정에 취약점과 보안 위험이 존재할 수 있는데, AI 기술을 이용해 자동화된 계약 감사와 취약점 탐지를 수행함으로써 계약의 보안성과 신뢰성을 높일 수 있다.
이처럼 Web3 산업이 직면한 어려움과 잠재적 개선 가능성에서 AI는 다양한 측면에서 참여하고 지원할 수 있다.
삼. AI+Web3 프로젝트 현황 분석
AI와 Web3를 결합한 프로젝트는 크게 두 가지 방향에서 접근한다. 하나는 블록체인 기술을 활용해 AI 프로젝트의 성능을 향상시키는 것이고, 다른 하나는 AI 기술을 활용해 Web3 프로젝트의 발전을 지원하는 것이다.
이 두 가지 방향을 중심으로 Io.net, Gensyn, Ritual 등 다양한 프로젝트들이 등장하고 있다. 본 글에서는 AI가 Web3를 지원하는 경우와 Web3가 AI를 지원하는 경우로 나누어 각각의 세부 분야에서 현황과 발전 상황을 분석하겠다.
3.1 Web3가 AI를 지원
3.1.1 탈중앙화 컴퓨팅 파워
OpenAI가 2022년 말 ChatGPT를 출시한 이후 AI 열풍이 불었다. 출시 5일 만에 사용자 수가 100만 명에 달했는데, 인스타그램(Instagram)은 약 두 달 반 만에 100만 다운로드를 달성한 것과 비교된다. 이후 ChatGPT는 더욱 빠르게 성장하여 2개월 만에 월간 활성 사용자(MAU)가 1억 명에 달했고, 2023년 11월에는 주간 활성 사용자(WAU)가 1억 명에 이르렀다. ChatGPT의 등장으로 AI 분야는 소수만 아는 분야에서 전 세계적으로 주목받는 산업으로 빠르게 성장했다.
Trendforce 보고서에 따르면 ChatGPT 운영에는 3만 개의 NVIDIA A100 GPU가 필요하며, 미래의 GPT-5는 더 많은 계산량이 필요할 것으로 예상된다. 이로 인해 각 AI 기업들은 군비 경쟁을 벌이고 있으며, 충분한 컴퓨팅 파워를 확보해야만 AI 경쟁에서 충분한 동력과 우위를 점할 수 있기 때문에 GPU 부족 현상이 발생하고 있다.
AI가 부상하기 전, GPU의 최대 공급업체인 엔비디아의 고객은 AWS, Azure, GCP라는 세 가지 클라우드 서비스에 집중되어 있었다. 인공지능의 부상과 함께 메타(Meta), 오라클(Oracle), 기타 데이터 플랫폼 및 AI 스타트업 등 새로운 구매자들이 AI 모델 학습을 위한 GPU 매입 경쟁에 뛰어들었다. 메타와 테슬라(Tesla) 같은 대형 기술 기업들은 맞춤형 AI 모델과 내부 연구를 위해 GPU 구매량을 대폭 늘렸다. Anthropic 같은 기초 모델 회사뿐만 아니라 Snowflake와 Databricks 같은 데이터 플랫폼들도 고객에게 AI 서비스를 제공하기 위해 더 많은 GPU를 구매했다.
지난해 Semi Analysis가 언급한 "GPU 부자와 GPU 가난한 사람들"처럼 소수의 기업만이 2만 개 이상의 A100/H100 GPU를 보유하고 있으며, 팀원들은 100~1,000개의 GPU를 사용할 수 있다. 이들 기업은 클라우드 제공업체이거나 자체 LLM을 구축한 곳으로, OpenAI, Google, Meta, Anthropic, Inflection, Tesla, Oracle, Mistral 등이 포함된다.
그러나 대부분의 기업은 GPU 가난한 사람들에 속하며, 적은 수의 GPU에서 벗어나기 위해 많은 시간과 노력을 들이고 있으며, 생태계 발전을 추진하기 어려운 상황이다. 이 현상은 스타트업에만 국한되지 않는다. Hugging Face, Databricks (MosaicML), Together, 심지어 Snowflake와 같은 가장 유명한 AI 기업들조차 A100/H100 보유량이 2만 개 미만이다. 이들 기업은 세계적 수준의 기술 인재를 보유하고 있지만 GPU 공급 제약으로 인해 AI 경쟁에서 열세를 면치 못하고 있다.
AI의 급속한 발전으로 인한 GPU 수요와 공급의 심각한 불균형, 즉 수요가 공급을 초과하는 문제가 시급하게 해결되어야 한다는 것을 알 수 있다.
이 문제를 해결하기 위해 일부 Web3 프로젝트들이 Web3 기술 특성을 활용해 탈중앙화 컴퓨팅 파워 서비스를 제공하려 시도하고 있다. Akash, Render, Gensyn 등이 대표적이다. 이들 프로젝트의 공통점은 토큰을 통해 대규모 사용자들이 유휴 GPU 컴퓨팅 파워를 제공하도록 유도하여 공급측이 되고, 이를 통해 AI 고객에게 컴퓨팅 파워를 지원한다는 것이다.
공급측의 주체는 크게 세 가지로 나눌 수 있다: 클라우드 서비스 제공업체, 암호화폐 채굴자, 기업.
클라우드 서비스 제공업체는 대형 클라우드 제공업체(AWS, Azure, GCP)와 GPU 클라우드 제공업체(Coreweave, Lambda, Crusoe 등)를 포함하며, 사용자는 유휴 클라우드 자원을 재판매하여 수익을 얻을 수 있다. 이더리움이 작업증명(PoW)에서 지분증명(PoS)으로 전환하면서 암호화폐 채굴자들의 유휴 GPU 컴퓨팅 파워도 중요한 잠재적 공급원이 되었다. 또한 테슬라, 메타 등 전략적 이유로 대량의 GPU를 구매한 대기업들도 유휴 GPU 컴퓨팅 파워를 공급할 수 있다.
현재 이 분야의 주요 플레이어들은 대체로 두 가지로 나뉜다. 하나는 탈중앙화 컴퓨팅 파워를 AI 추론에 활용하는 것이고, 다른 하나는 AI 학습에 활용하는 것이다. 전자에는 Render(렌더링에 집중하지만 AI 컴퓨팅 파워 제공도 가능), Akash, Aethir 등이 있고, 후자에는 io.net(추론과 학습 모두 지원), Gensyn 등이 있다. 두 가지의 가장 큰 차이는 컴퓨팅 파워 요구 수준의 차이이다.
먼저 AI 추론 프로젝트부터 살펴보자. 이들 프로젝트는 토큰 보상 메커니즘을 통해 사용자가 컴퓨팅 파워 제공에 참여하도록 유도하고, 이를 수요측에 컴퓨팅 네트워크 서비스로 제공함으로써 유휴 컴퓨팅 파워의 수요와 공급을 매칭시킨다. 이들 프로젝트에 대한 소개와 분석은 Ryze Labs의 이전 DePIN 보고서에서 다룬 바 있으며, 참조하시기 바란다.
핵심은 토큰 보상 메커니즘을 통해 먼저 공급자를 유치하고, 다음으로 사용자 참여를 유도함으로써 프로젝트의 초기 구동과 핵심 운용 메커니즘을 구축하고, 이를 통해 확장과 발전을 이루는 것이다. 이러한 순환 구조 하에서 공급측은 더 가치 있는 토큰 보상을 받고, 수요측은 더 저렴하고 비용 효율적인 서비스를 이용할 수 있으며, 프로젝트의 토큰 가치와 수요-공급 양측 참여자 수가 일치한다. 토큰 가격 상승은 더 많은 참여자와 투기자들을 유치하며, 가치 포착(value capture)을 형성한다.
다른 유형은 탈중앙화 컴퓨팅 파워를 AI 학습에 활용하는 것으로, Gensyn, io.net(AI 학습과 AI 추론 모두 지원) 등이 있다. 사실 이들 프로젝트의 운용 로직은 AI 추론 프로젝트와 근본적인 차이가 없으며, 여전히 토큰 보상을 통해 공급측 참여를 유도하고 컴퓨팅 파워를 수요측에 제공하는 방식이다.
특히 io.net은 탈중앙화 컴퓨팅 네트워크로서 현재 50만 개 이상의 GPU를 보유하고 있으며, 탈중앙화 컴퓨팅 파워 프로젝트 중 매우 두드러진 성과를 보이고 있다. 또한 이미 Render와 Filecoin의 컴퓨팅 파워를 통합하여 생태계 프로젝트를 지속적으로 발전시키고 있다.
또한 Gensyn은 스마트 계약 방식을 통해 머신러닝 작업 배분과 보상 체계를 구축하여 AI 학습을 실현한다. 아래 그림에서 보듯이 Gensyn의 머신러닝 학습 작업 시간당 비용은 약 0.4달러로, AWS와 GCP의 2달러 이상보다 훨씬 저렴하다.
Gensyn의 체계에는 네 가지 참여 주체가 있다: 제출자(submitter), 실행자(executor), 검증자(verifier), 제보자(challenger).
-
제출자: 수요 사용자는 작업의 소비자로서 계산할 작업을 제공하고 AI 학습 작업에 대해 비용을 지불한다.
-
실행자: 실행자는 모델 학습 작업을 수행하고 검증자가 확인할 수 있는 작업 완료 증명을 생성한다.
-
검증자: 불확실한 학습 과정을 결정론적 선형 계산과 연결하여 실행자의 증명을 예상 임계값과 비교한다.
-
제보자: 검증자의 작업을 검토하고 문제 발견 시 이의를 제기함으로써 수익을 얻는다.
Gensyn은 전 세계 딥러닝 모델을 위한 초대규모, 경제적 효율성 높은 컴퓨팅 프로토콜이 되기를 원한다. 그러나 이 분야 전체를 보면 대부분의 프로젝트가 AI 추론을 위한 탈중앙화 컴퓨팅 파워를 선택하고 AI 학습은 선택하지 않는 이유는 무엇일까?
AI 학습과 추론에 익숙하지 않은 분들을 위해 두 개념의 차이점을 간단히 설명하겠다:
-
AI 학습: 인공지능을 한 명의 학생이라고 비유하자면, 학습은 인공지능에게 방대한 지식과 예시(즉 우리가 말하는 데이터)를 제공하는 것과 같다. 인공지능은 이 지식과 예시에서 학습한다. 학습의 본질이 많은 정보를 이해하고 기억하는 것이므로 이 과정에는 많은 컴퓨팅 능력과 시간이 필요하다.
-
AI 추론: 그렇다면 추론은 무엇인가? 학습한 지식을 활용해 문제를 해결하거나 시험을 보는 것으로 이해할 수 있다. 추론 단계에서 인공지능은 학습한 지식을 활용해 답변을 제시하며, 새로운 지식을 습득하는 것이 아니다. 따라서 추론 과정에서 필요한 컴퓨팅량은 비교적 작다.
두 작업의 컴퓨팅 파워 요구 수준이 크게 다르다는 것을 알 수 있다. 탈중앙화 컴퓨팅 파워가 AI 추론과 AI 학습에 얼마나 활용 가능한지는 뒤의 도전 과제 장에서 더 깊이 있게 분석하겠다.
또한 Ritual은 분산 네트워크와 모델 생성자를 결합하여 탈중앙화와 보안성을 유지하려 한다. 그 첫 번째 제품인 Infernet은 블록체인 상의 스마트 계약이 오프체인에서 AI 모델에 접근할 수 있도록 하며, 검증, 탈중앙화, 개인정보 보호를 유지하는 방식으로 AI에 접근할 수 있도록 한다.
Infernet의 조정자(coordinator)는 노드가 네트워크에서의 행동과 소비자가 보내는 계산 요청에 대한 응답을 관리한다. 사용자가 infernet을 사용할 때 추론, 증명 등의 작업은 오프체인에서 이루어지고, 결과는 조정자에게 반환되어 계약을 통해 최종적으로 체인 상의 소비자에게 전달된다.
탈중앙화 컴퓨팅 네트워크 외에도 Grass와 같은 탈중앙화 대역폭 네트워크를 통해 데이터 전송 속도와 효율을 높이고 있다. 전반적으로 탈중앙화 컴퓨팅 네트워크의 등장은 AI의 컴퓨팅 파워 공급 측면에 새로운 가능성을 제공하며 AI가 더 먼 미래로 나아가도록 추진하고 있다.
3.1.2 탈중앙화 알고리즘 모델
2장에서 언급했듯이 AI의 세 가지 핵심 요소는 컴퓨팅 파워, 알고리즘, 데이터이다. 컴퓨팅 파워를 통해 탈중앙화된 공급 네트워크를 구축할 수 있다면, 알고리즘도 비슷한 아이디어로 알고리즘 모델 공급 네트워크를 만들 수 있지 않을까?
프로젝트를 분석하기 전에 먼저 탈중앙화 알고리즘 모델의 의미를 이해해보자. 많은 사람들이 OpenAI가 있는데도 불구하고 왜 탈중앙화 알고리즘 네트워크가 필요한지 궁금해한다.
본질적으로 탈중앙화 알고리즘 네트워크는 탈중앙화된 AI 알고리즘 서비스 시장으로, 다양한 AI 모델들을 연결한다. 각 AI 모델은 자신만의 전문 지식과 기술을 가지고 있으며, 사용자가 질문을 할 때 시장은 가장 적절한 답변을 제공할 AI 모델을 선택한다. 반면 Chat-GPT는 OpenAI가 개발한 하나의 AI 모델로 인간과 유사한 텍스트를 이해하고 생성할 수 있다.
간단히 말해, ChatGPT는 다양한 문제를 해결하는 데 도움을 주는 매우 능력 있는 학생과 같다면, 탈중앙화 알고리즘 네트워크는 여러 학생을 가진 학교와 같다. 지금은 이 학생의 능력이 매우 뛰어나지만, 장기적으로 보면 전 세계의 학생들을 모집할 수 있는 학교는 매우 큰 잠재력을 가지고 있다.
현재 탈중앙화 알고리즘 모델 분야에서도 일부 프로젝트들이 시도와 탐색을 진행하고 있으며, 다음은 대표적인 프로젝트 Bittensor를 사례로 들어 이 세부 분야의 발전 상황을 이해해보겠다.
Bittensor에서 알고리즘 모델의 공급측(혹은 마이너)은 자신의 머신러닝 모델을 네트워크에 기여한다. 이 모델들은 데이터를 분석하고 통찰력을 제공할 수 있다. 모델 공급자는 기여에 따라 암호화폐 토큰 TAO를 보상으로 받는다.
질문 답변의 품질을 보장하기 위해 Bittensor는 독특한 합의 메커니즘을 사용하여 네트워크가 최적의 답변에 대해 합의하도록 한다. 질문이 제기되면 여러 모델 마이너들이 답변을 제공한다. 이후 네트워크의 검증기가 작동하여 최적의 답변을 결정하고 사용자에게 다시 전송한다.
Bittensor의 토큰 TAO는 전체 과정에서 두 가지 역할을 한다. 하나는 마이너들이 네트워크에 알고리즘 모델을 기여하도록 유도하는 보상 수단이며, 다른 하나는 사용자가 질문을 하거나 네트워크에 작업을 요청할 때 토큰을 지불해야 한다는 것이다.
Bittensor는 탈중앙화된 구조이기 때문에 인터넷에 접속할 수 있는 누구든지 네트워크에 참여할 수 있으며, 질문을 하는 사용자이자 동시에 답변을 제공하는 마이너가 될 수 있다. 이는 더 많은 사람이 강력한 인공지능을 사용할 수 있게 한다.
요약하면, Bittensor와 같은 네트워크를 예로 들면, 탈중앙화 알고리즘 모델 분야는 더욱 개방적이고 투명한 구조를 창출할 가능성이 있다. 이 생태계에서는 인공지능 모델이 안전하고 분산된 방식으로 학습, 공유, 활용될 수 있다. BasedAI와 같은 탈중앙화 알고리즘 모델 네트워크도 비슷한 시도를 하고 있으며, 특히 ZK를 통해 사용자와 모델 상호작용 중 데이터 개인정보를 보호하는 부분이 더 흥미롭다. 이 부분은 뒤에서 추가로 논의하겠다.
탈중앙화 알고리즘 모델 플랫폼의 발전과 함께 소규모 기업도 대형 조직과 동등하게 최고 수준의 AI 도구를 사용할 수 있게 되어 각 산업 분야에 잠재적으로 큰 영향을 줄 수 있다.
3.1.3 탈중앙화 데이터 수집
AI 모델 학습을 위해서는 대량의 데이터 공급이 필수적이다. 그러나 현재 대부분의 Web2 기업들은 여전히 사용자 데이터를 독점하고 있다. X, Reddit, TikTok, Snapchat, Instagram, YouTube 등의 플랫폼은 인공지능 학습을 위한 데이터 수집을 금지하고 있다. 이는 AI 산업 발전에 큰 장애물이 되고 있다.
반면 일부 Web2 플랫폼은 AI 기업에 사용자 데이터를 판매하면서도 사용자에게는 어떠한 수익도 분배하지 않고 있다. 예를 들어 Reddit은 Google과 6,000만 달러 규모의 계약을 맺고 게시물에서 인공지능 모델 학습을 위한 데이터를 제공하고 있다. 이로 인해 데이터 수집권이 대자본과 대데이터 기업들에 의해 독점되며, 산업이 초자본집약형 방향으로 발전하고 있다.
이러한
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
@RyzeLabs
