암호화폐 X AI, 이제 끝났나? 놓치기 쉬운 고성장 잠재력의 서사 방향 살펴보기
번역: TechFlow
암호화폐와 AI: 끝장인가?
2023년, Web3-AI는 한때 핫한 이슈였다.
하지만 지금은 모방자들과 실질적 용도 없는 거대한 프로젝트들로 넘쳐나고 있다.
피해야 할 함정과 주목해야 할 사항들을 살펴보자.
개요
IntoTheBlock의 CEO @jrdothoughts는 최근 한 글에서 자신의 통찰을 공유했다.
그는 다음을 논의했다:
a. Web3-AI의 핵심 도전 과제
b. 과도하게 부풀려진 트렌드
c. 높은 잠재력을 지닌 트렌드
각 항목을 요약해 정리해봤다! 함께 알아보자:
시장 현황
현재 Web3-AI 시장은 과잉 홍보와 자금 지원으로 가득 차 있다.
많은 프로젝트들이 AI 산업의 실제 수요와 괴리되어 있다.
이러한 괴리는 혼란을 야기하지만, 통찰력 있는 사람들에게는 기회를 제공하기도 한다.
(감사 인사 @coinbase)
핵심 도전 과제
Web2와 Web3 AI 사이의 격차는 점점 벌어지고 있으며, 그 이유는 다음과 같다:
-
제한된 AI 연구 인력
-
제한된 인프라
-
부족한 모델, 데이터 및 컴퓨팅 리소스
생성형 AI 기초
생성형 AI는 모델, 데이터, 컴퓨팅 리소스라는 세 가지 요소에 의존한다.
현재까지 주요 모델 중 어느 것도 Web3 인프라에 맞게 최적화된 것은 없다.
초기 자금은 일부 AI 현실과 동떨어진 Web3 프로젝트들을 후원했다.
과대평가된 트렌드
홍보는 많지만, 모든 Web3-AI 트렌드가 주목할 만한 것은 아니다.
다음은 @jrdothoughts가 가장 과대평가됐다고 보는 몇 가지 트렌드다:
a. 탈중앙화된 GPU 네트워크
b. ZK-AI 모델
c. 추론 증명 (감사 인사 @ModulusLabs)
탈중앙화된 GPU 네트워크
이 네트워크들은 AI 훈련의 민주화를 약속한다.
하지만 현실은 대규모 모델을 탈중앙화된 인프라 위에서 훈련하는 것이 느리고 비현실적이라는 점이다.
이 트렌드는 여전히 높은 기대치를 충족시키지 못하고 있다.
제로지식(ZK) AI 모델
제로지식 AI 모델은 개인정보 보호 측면에서 매력적으로 보인다.
그러나 실제로는 계산 비용이 매우 높으며 해석하기 어렵다.
이는 대규모 적용을 어렵게 만들며 실용성이 낮다.
(감사 인사 @oraprotocol)
이미지 정보:
b) 현재 오버헤드는 최대 1000배에 달한다.
그러나 이러한 접근법은 특히 Vitalik이 언급한 사용 사례들에는 실용화까지 아직 멀었다. 아래는 예시들이다:
-
zkML 프레임워크 EZKL은 1M-nanoGPT 모델의 증명을 생성하는 데 약 80분이 소요된다.
-
Modulus Labs의 데이터에 따르면, zkML의 오버헤드는 순수 연산보다 1000배 이상이며, 최신 보고서에서는 1000배로 나타났다.
-
EZKL의 벤치마크에 따르면, RISC Zero는 랜덤 포레스트 분류 작업에서 평균 증명 시간이 173초이다.
추론 증명
추론 증명 프레임워크는 AI 출력에 대해 암호학적 증명을 제공한다.
그러나 @jrdothoughts는 이러한 솔루션이 존재하지 않는 문제를 해결하려 한다고 본다.
따라서 현실 세계에서의 적용 가능성은 제한적이다.
높은 잠재력을 지닌 트렌드
일부 트렌드는 과장되었지만, 다른 일부는 상당한 잠재력을 지니고 있다.
다음은 과소평가되고 있으나 진정한 기회를 제공할 수 있는 트렌드들이다:
a. 지갑을 갖춘 AI 에이전트
b. 암호화폐가 AI에 자금 지원
c. 소형 기반 모델
d. 합성 데이터 생성
지갑을 갖춘 AI 에이전트
AI 에이전트가 암호화폐를 통해 금융 능력을 갖는 것을 상상해보라.
이러한 에이전트들은 다른 에이전트를 고용하거나 자금을 스테이킹하여 품질을 보장할 수 있다.
또 다른 흥미로운 응용은 @vitalikbuterin이 언급한 "예측 에이전트(predicition agents)"다.
암호화폐가 AI에 자금 지원
생성형 AI 프로젝트는 종종 자금 부족에 직면한다.
에어드랍 및 인센티브 같은 암호화폐의 효율적인 자본 조달 방식은 오픈소스 AI 프로젝트에 중요한 자금을 제공한다.
이러한 방법들은 혁신을 추진하는 데 기여한다. (감사 인사 @oraprotocol)
소형 기반 모델
마이크로소프트의 Phi 모델과 같은 소형 기반 모델은 '적은 것이 더 많다'는 철학을 보여준다.
10억~50억 파라미터를 지닌 모델은 강력한 디바이스 내 AI 솔루션을 제공할 수 있어 탈중앙화된 AI에 중요하다.
(출처: @microsoft)
합성 데이터 생성
데이터 부족은 AI 발전의 주요 장애물 중 하나다.
기반 모델을 통해 생성된 합성 데이터는 현실 세계 데이터셋을 효과적으로 보완할 수 있다.
과장된 홍보 극복하기
초기 Web3-AI 열풍은 현실과 동떨어진 가치 제안에 집중되었다.
@jrdothoughts는 이제 실질적으로 작동 가능한 솔루션 구축에 초점을 맞춰야 한다고 말한다.
관심이 이동함에 따라 AI 분야는 여전히 기회로 가득 차 있으며, 예리한 눈을 가진 이들이 발견하기를 기다리고 있다.
본문은 교육 목적으로만 제공되며 재정적 조언이 아니다. 유익한 통찰을 공유해 준 @jrdothoughts께 감사의 말씀을 전한다.
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
@DistilledCrypto
