ArkStream Capital: AI 에이전트, Web3+AI의 구세주가 될 수 있을까?
저자: James,ArkStream Capital
TL;DR
-
AI 에이전트 프로젝트 중 Web2 창업 분야에서 인기 있고 성숙한 유형은 주로 기업 서비스 중심이며, Web3 분야에서는 모델 훈련 및 플랫폼 통합 프로젝트들이 생태계 구축에서의 핵심 역할 때문에 주류를 이루고 있다.
-
현재 Web3의 AI 에이전트 프로젝트 수는 전체의 8%에 불과하지만, AI 분야 내 시가총액 비중은 무려 23%에 달해 강력한 시장 경쟁력을 보여주고 있으며, 기술의 성숙과 시장 수용도 증가에 따라 앞으로 여러 개의 10억 달러 이상 가치 평가를 받는 프로젝트가 등장할 것으로 예상된다.
-
Web3 프로젝트의 경우 AI 핵심이 아닌 애플리케이션 제품에 AI 기술 도입은 전략적 이점이 될 수 있다. AI 에이전트 프로젝트는 전 생태계 구축과 토큰 경제 모델 설계에 주안점을 두어 탈중앙화와 네트워크 효과를 촉진해야 한다.
AI 물결: 프로젝트 다발과 가치 평가 상승 현황
ChatGPT가 2022년 11월 출시된 이후 단 두 달 만에 1억 명 이상의 사용자를 확보했으며, 2024년 5월 기준으로 월 수입은 놀라운 2030만 달러에 달한다. OpenAI는 ChatGPT 출시 후 곧바로 GPT-4, GPT-4o 등의 업데이트 버전을 연이어 선보였다. 이러한 급속한 추세 속에서 주요 전통 기술 기업들은 LLM 등 최첨단 AI 모델의 중요성을 인식하고 각자의 AI 모델과 애플리케이션을 출시하기 시작했다. 예를 들어, 구글은 대규모 언어 모델인 PaLM2를 발표했고, 메타(Meta)는 Llama3를 출시했으며, 중국 기업들은 문심일언(文心一言), 지보칭옌(智谱清言) 등의 대규모 모델을 출시했다. 이제 AI 분야는 명실상부한 경쟁의 장이 되었다.
주요 기술 기업들의 경쟁은 상업적 응용 발전을 촉진할 뿐 아니라, 오픈소스 AI 연구에 대한 조사 통계에서도 확인할 수 있다. 2024년 AI Index 리포트에 따르면 GitHub의 AI 관련 프로젝트 수는 2011년의 845개에서 2023년 약 180만 개로 급증했으며, 특히 GPT 출시 후인 2023년에는 전년 대비 59.3% 증가하며 전 세계 개발자 커뮤니티의 AI 연구 열기를 반영했다.
AI 기술에 대한 열기는 투자 시장에도 직접적으로 반영되고 있으며, AI 투자 시장은 강력한 성장세를 보이고 있다. 2024년 2분기에는 폭발적인 성장을 기록했다. 전 세계적으로 1.5억 달러 이상 규모의 AI 관련 투자가 16건 발생했으며, 이는 1분기의 두 배에 해당한다. AI 스타트업의 총 펀딩 금액은 240억 달러로 급등했으며, 전년 동기 대비 100% 이상 증가했다. 그 중 머스크가 소유한 xAI는 60억 달러를 조달하며 240억 달러의 가치 평가를 받았고, OpenAI에 이어 두 번째로 높은 가치 평가를 받는 AI 스타트업이 되었다.
2024년 2분기 AI 분야 펀딩 TOP10, 출처: Yiou, https://www.iyiou.com/data/202407171072366
AI 기술의 급속한 발전은 전례 없는 속도로 기술 분야의 지형을 재편하고 있다. 기술 거물들 간의 치열한 경쟁부터 오픈소스 커뮤니티 프로젝트의 활발한 발전, 그리고 자본시장의 AI 개념에 대한 뜨거운 관심까지. 프로젝트는 끊임없이 등장하고, 투자액은 사상 최고치를 경신하며 가치 평가도 함께 상승하고 있다. 전반적으로 AI 시장은 고속 성장의 황금기에 접어들었으며, 대규모 언어 모델(LLM)과 검색 강화 생성(RAG) 기술은 언어 처리 분야에서 중대한 진전을 이루었다. 그러나 여전히 이러한 모델은 기술적 우위를 실제 제품으로 전환하는 과정에서 어려움을 겪고 있는데, 모델 출력의 불확실성, 부정확한 정보 생성 위험(환각 문제), 모델 투명성 부족 등이 그것이다. 이러한 문제들은 신뢰성이 극도로 요구되는 응용 시나리오에서 특히 중요하다.
이러한 맥락에서 우리는 AI 에이전트에 대한 연구를 시작하게 되었는데, 이는 AI 에이전트가 실제 문제 해결과 환경과의 상호작용 전반을 강조하기 때문이다. 이러한 변화는 순수한 언어 모델에서 벗어나 현실 문제를 이해하고 학습하며 해결하는 지능형 시스템으로의 진화를 의미한다. 따라서 우리는 AI 에이전트의 발전에서 희망을 보았으며, 이는 점차 AI 기술과 실제 문제 해결 사이의 격차를 메우고 있다고 본다. AI 기술의 진화는 생산력 구조를 계속해서 재편하고 있으며, Web3 기술은 디지털 경제의 생산관계를 재구성하고 있다. AI의 세 가지 요소인 데이터, 모델, 컴퓨팅 파워가 Web3의 탈중앙화, 토큰 경제, 스마트 계약 등 핵심 개념과 융합될 때 일련의 혁신적 애플리케이션이 탄생할 것으로 예측된다. 이처럼 잠재력이 큰 교차 분야에서 AI 에이전트는 독립적인 작업 수행 능력을 통해 대규모 적용 가능성의 거대한 잠재력을 보여주고 있다.
이에 따라 우리는 Web3 내 AI 에이전트의 다양한 활용 방안에 대해 심층적으로 연구하기 시작하였으며, Web3 인프라, 미들웨어, 애플리케이션 레이어부터 데이터 및 모델 시장에 이르기까지 여러 차원에서 가장 전망 있는 프로젝트 유형과 시나리오를 식별하고 평가함으로써 AI와 Web3의 심층적 융합을 깊이 이해하고자 하였다.
개념 정리: AI 에이전트 소개 및 분류 개요
기본 소개
AI 에이전트를 소개하기에 앞서 독자들이 그 정의와 모델 자체의 차이를 더 잘 이해할 수 있도록 실제 사례를 들어 설명하겠다. 여행 계획을 세우고 있다고 가정하자. 전통적인 대규모 언어 모델은 목적지 정보와 여행 제안을 제공할 것이다. 검색 강화 생성(RAG) 기술은 더 풍부하고 구체적인 목적지 콘텐츠를 제공할 수 있다. 반면 AI 에이전트는 마블 영화 '아이언맨'의 자비스(J.A.R.V.I.S.)와 같아, 사용자의 요구를 이해할 뿐 아니라 한 마디 말만으로 항공편과 호텔을 자동으로 검색하고 예약을 실행하며 일정을 캘린더에 추가할 수 있다.
현재 산업계에서 일반적으로 AI 에이전트란 환경을 인식하고 이에 따라 행동을 취하는 지능형 시스템을 의미한다. 센서를 통해 환경 정보를 수집하고, 이를 처리한 후 액추에이터를 통해 환경에 영향을 미친다(Stuart Russell & Peter Norvig, 2020). 우리로서는 AI 에이전트란 LLM, RAG, 기억, 작업 계획, 도구 사용 능력을 통합한 보조자라고 정의할 수 있다. 단순한 정보 제공에 그치지 않고 작업을 계획하고 분해하며 실제로 실행할 수 있다는 점이 특징이다.
이러한 정의와 특성에 따라 AI 에이전트는 이미 다양한 시나리오에서 우리의 삶에 스며들어 있음을 알 수 있다. 예를 들어 AlphaGo, Siri, 테슬라의 L5 이상 자율주행 시스템 등이 모두 AI 에이전트의 사례로 볼 수 있다. 이러한 시스템들의 공통점은 외부의 사용자 입력을 감지하고 이에 따라 현실 환경에 영향을 미치는 반응을 한다는 점이다.
ChatGPT를 예로 들어 개념을 명확히 하자면, 트랜스포머(Transformer)는 AI 모델의 기술 아키텍처이며, GPT는 이를 기반으로 발전한 모델 시리즈이고, GPT-1, GPT-4, GPT-4o는 각각 모델의 다른 발전 단계를 나타낸다. ChatGPT는 GPT 모델을 기반으로 진화한 AI 에이전트라고 할 수 있다.
분류 개요
현재 AI 에이전트 시장은 아직 통일된 분류 기준이 없지만, 우리는 Web2+Web3 시장 내 204개의 AI 에이전트 프로젝트에 태그를 달아 각 프로젝트의 주요 특징에 따라 1차 및 2차 분류를 나누었다. 1차 분류는 인프라 구축, 콘텐츠 생성, 사용자 상호작용의 세 가지로 나누었으며, 실제 용도에 따라 세부 분류하였다:
-
인프라 구축: 에이전트 분야의 하위 레이어에 집중하는 프로젝트들로, 플랫폼, 모델, 데이터, 개발 도구 및 비교적 성숙하고 기초적인 B2B 서비스를 포함한다.
-
개발 도구: AI 에이전트 개발을 위한 보조 도구 및 프레임워크를 제공한다.
-
데이터 처리: 다양한 형식의 데이터를 처리하고 분석하여 의사결정을 지원하거나 훈련 데이터를 제공한다.
-
모델 훈련: AI 모델 훈련 서비스를 제공하며, 추론, 모델 구축, 설정 등을 포함한다.
-
B2B 서비스: 기업 고객을 대상으로 기업 서비스, 수직적 솔루션, 자동화 솔루션을 제공한다.
-
플랫폼 통합: 다양한 AI 에이전트 서비스와 도구를 통합한 플랫폼이다.
-
상호작용: 콘텐츠 생성과 유사하나, 지속적인 양방향 상호작용이 특징이다. 상호작용형 에이전트는 사용자 요구를 수용하고 이해할 뿐 아니라 자연어 처리(NLP) 기술을 통해 피드백을 제공하며 사용자와의 양방향 소통을 실현한다.
-
감정 동반: 감정적 지지와 동반을 제공하는 AI 에이전트.
-
GPT형: GPT(생성형 사전 훈련 트랜스포머) 모델 기반의 AI 에이전트.
-
검색형: 검색 기능에 특화되어 보다 정확한 정보 검색을 중심으로 하는 에이전트.
-
콘텐츠 생성: 대규모 모델 기술을 활용해 사용자 지시에 따라 다양한 형태의 콘텐츠를 생성하는 프로젝트로, 텍스트 생성, 이미지 생성, 비디오 생성, 오디오 생성의 네 가지로 나뉜다.
Web2 AI 에이전트 발전 현황 분석
통계에 따르면, Web2 전통 인터넷에서 AI 에이전트 개발은 명확한 집중 현상을 보이고 있다. 구체적으로는 전체 프로젝트의 약 2/3가 인프라 구축 분야에 집중되어 있으며, 그 중에서도 주로 B2B 서비스와 개발 도구가 많다. 우리는 이 현상에 대해 일부 분석을 진행하였다.
기술 성숙도의 영향: 인프라 구축 프로젝트가 주도하는 이유는 첫째로 기술 성숙도 덕분이다. 이러한 프로젝트는 시간이 검증한 기술과 프레임워크 위에 구축되기 때문에 개발 난이도와 리스크가 낮다. AI 분야의 '삽'과 같은 존재로, AI 에이전트의 개발과 적용에 탄탄한 기반을 제공한다.
수요 시장의 촉진: 또 다른 핵심 요인은 시장 수요이다. 소비자 시장보다 기업 시장이 AI 기술에 대한 수요가 더욱 절박하며, 특히 운영 효율성 향상과 비용 절감 솔루션을 찾는 데 집중하고 있다. 동시에 개발자 입장에서 기업 고객의 현금 흐름이 상대적으로 안정적이므로 후속 프로젝트 개발에 유리하다.
응용 시나리오의 제약: 반면 콘텐츠 생성형 AI의 B2B 시장 응용 시나리오는 상대적으로 제한적이라는 점도 주목할 필요가 있다. 생성 결과의 불안정성 때문에 기업은 생산성 향상을 안정적으로 보장하는 애플리케이션을 선호한다. 이로 인해 콘텐츠 생성형 AI는 프로젝트 수에서 비중이 작다.
이러한 추세는 기술 성숙도, 시장 수요, 응용 시나리오의 실제 고려사항을 반영한다. AI 기술의 지속적인 발전과 수요의 명확화에 따라 이러한 구조가 일부 조정될 수 있지만, 인프라 구축은 여전히 AI 에이전트 발전의 든든한 기반이 될 것이다.
Web2의 AI 에이전트 선도 프로젝트 분석
Web2의 AI 에이전트 선도 프로젝트 정리, 출처: ArkStream 프로젝트 데이터베이스
우리는 현재 Web2 시장에서 몇몇 AI 에이전트 프로젝트를 심층적으로 살펴보고 분석하였다. 대표적으로 Character AI, Perplexity AI, Midjourney 세 프로젝트를 예로 들겠다.
Character AI:
-
제품 소개: Character.AI는 인공지능 기반의 대화 시스템과 가상 캐릭터 생성 도구를 제공한다. 사용자는 플랫폼을 통해 가상 캐릭터를 생성하고 훈련시키며 상호작용할 수 있으며, 이 캐릭터들은 자연어 대화를 수행하고 특정 작업을 수행할 수 있다.
-
데이터 분석: Character.AI의 5월 방문자 수는 2.77억 명이며, 일일 활성 사용자(DAU)는 350만 명 이상이다. 대부분의 사용자가 18~34세 사이로 젊은 층을 중심으로 하고 있다. 자본시장에서도 두각을 나타내며 1.5억 달러의 펀딩을 유치했고, a16z가 주도하여 10억 달러의 가치 평가를 받았다.
-
기술 분석: Character AI는 구글 모회사 알파벳과 대규모 언어 모델의 비독점적 사용 라이선스 계약을 체결했다. 이는 자체 기술을 개발하고 있음을 시사한다. 참고로 공동 창립자인 노암 샤지어(Noam Shazeer)와 다니엘 데 프라이타스(Daniel De Freitas)는 구글의 대화형 언어 모델 라마(LaMDA) 개발에도 참여한 바 있다.
Perplexity AI:
-
제품 소개: Perplexity는 인터넷에서 정보를 수집해 상세한 답변을 제공한다. 인용 및 참조 링크를 통해 정보의 신뢰성과 정확성을 보장하며, 사용자가 추가 질문이나 검색 키워드를 탐색하도록 안내함으로써 다양한 조회 수요를 충족시킨다.
-
데이터 분석: Perplexity의 월간 활성 사용자(MAU)는 이미 1000만 명에 달하며, 모바일 및 데스크톱 앱의 방문자 수는 2월에 8.6% 증가해 약 5000만 명의 사용자를 유치했다. 자본시장에서는 최근 6270만 달러의 펀딩을 유치했으며, 다니엘 그로스(Daniel Gross)가 주도하고 스탠 드럭켄밀러(Stan Druckenmiller), NVIDIA 등이 참여해 10.4억 달러의 가치 평가를 받았다.
-
기술 분석: Perplexity는 주로 미세 조정된 GPT-3.5 모델과 오픈소스 대규모 모델을 기반으로 미세 조정한 pplx-7b-online, pplx-70b-online 두 가지 대형 모델을 사용한다. 전문 학술 연구 및 수직 분야의 조회에 적합하며, 정보의 진실성과 신뢰성을 보장한다.
Midjourney:
-
제품 소개: 사용자는 Midjourney에서 프롬프트를 통해 사실적에서 추상적인 스타일에 이르기까지 다양한 주제와 스타일의 이미지를 생성할 수 있다. 또한 이미지 믹싱과 편집 기능을 제공하여 이미지 중첩과 스타일 전이가 가능하며, 실시간 생성 기능을 통해 수십 초에서 수 분 내 생성된 이미지를 얻을 수 있다.
-
데이터 분석: 플랫폼은 이미 1500만 명의 등록 사용자를 보유하고 있으며, 150만~250만 명의 활성 사용자가 있다. 공개된 정보에 따르면, Midjourney는 기관 투자금을 유치하지 않고 창립자 데이비드의 다수 창업 경험과 자원을 바탕으로 자급자족형 성장을 이루어냈다.
-
기술 분석: Midjourney는 자체 폐쇄형 모델을 사용한다. 2022년 8월 Midjourney V4 출시 이후, 확산 기반 생성형 AI 모델을 사용하고 있다. 훈련 파라미터는 300억~400억 개로 알려져 있으며, 이 거대한 파라미터 수는 이미지 생성의 다양성과 정확성에 견고한 기반을 제공한다.
상업화의 어려움
여러 Web2의 AI 에이전트를 체험한 후 우리는 제품 반복 업그레이드의 일반적인 경로를 관찰하였다. 초기에는 단일 세부 작업에 집중하다가 후기에는 더 복잡한 다중 작업 시나리오를 처리할 수 있도록 기능을 확장하는 것이다. 이 추세는 AI 에이전트가 업무 효율성과 혁신 능력 향상에서 잠재력을 보여줄 뿐 아니라, 미래에 더욱 중요한 역할을 할 것임을 예고한다. Web2 내 125개의 AI 에이전트 프로젝트를 초기 통계 분석한 결과, 주로 콘텐츠 생성(예: Jasper AI), 개발 도구(예: Replit), 그리고 가장 많은 수를 차지하는 B2B 서비스(예: Cresta)에 집중되어 있었다. 이 발견은 우리의 예상과 반대였다. 처음에는 AI 모델 기술이 점점 성숙해짐에 따라 C2C 시장에서 AI 에이전트의 폭발적인 성장이 올 것이라 예상했으나, 분석을 통해 C2C AI 에이전트의 상업화 길이 예상보다 훨씬 험난하고 복잡함을 깨달았다.
Character.AI를 예로 들자면, 이 프로젝트는 가장 좋은 트래픽 실적을 보유하고 있다. 그러나 9.9달러의 구독료라는 단일한 비즈니스 모델로 인해 소량의 구독 수익과 중도 사용자의 추론 비용 소비 사이에서 결국 트래픽 수익화의 어려움과 자금난으로 인해 구글에 팀 전체가 인수되었다. 이 사례는 아무리 좋은 트래픽과 펀딩을 받더라도 C2C AI 에이전트 애플리케이션이 상업화 과정에서 여전히 큰 어려움을 겪고 있음을 보여준다. 대부분의 제품이 인간의 작업을 대체하거나 효과적으로 보조할 수준에 도달하지 못해 C2C 사용자의 제품에 대한 지불 의사가 강하지 않다는 점을 반영한다. 실제 조사 연구에서 우리는 많은 스타트업 프로젝트들이 Character.ai와 유사한 문제에 직면해 있음을 발견했다. C2C AI 에이전트의 발전은 결코 순탄하지 않으며, 기술 성숙도, 제품 가치, 비즈니스 모델 혁신에서 더 깊은 탐구가 필요하다. 그래야 C2C 시장에서 잠재력과 가치를 실현할 수 있다.
대부분의 AI 에이전트 프로젝트의 가치 평가를 통계 분석하면, OpenAI, xAI 등 정점 프로젝트들과 비교해 약 10~50배의 성장 공간이 있다. 부정할 수 없이 C2C 에이전트 애플리케이션의 천장은 충분히 높아 여전히 좋은 분야임을 입증한다. 그러나 종합적인 분석을 통해 우리는 C2C보다 B2B 시장이 AI 에이전트의 궁극적인 귀착지일 수 있다고 본다. 기업은 AI 에이전트를 수직 분야, CRM, 오피스 OA 등 관리 소프트웨어에 통합하는 플랫폼을 구축함으로써 운영 효율성을 향상시킬 수 있으며, 동시에 AI 에이전트에게 더 광범위한 응용 공간을 제공할 수 있다. 따라서 우리는 B2B 서비스가 Web2 전통 인터넷 내에서 AI 에이전트의 단기적인 발전 방향이 될 것이라고 믿는다.
Web3 AI 에이전트 발전 현황 및 전망 분석
프로젝트 개요
앞서 분석한 바와 같이, 최고 수준의 펀딩을 받고 좋은 사용자 트래픽을 확보한 AI 에이전트 애플리케이션조차도 상업적 수익화에 어려움을 겪고 있다. 다음으로 우리는 현재 Web3 내 AI 에이전트 프로젝트의 발전 상황을 심층적으로 분석할 것이다. 일련의 대표적 프로젝트들을 평가함으로써 — 기술 혁신, 시장 실적, 사용자 피드백, 잠재력 등을 포함하여 — 유의미한 인사이트를 도출하고자 한다. 아래는 현재 시장에서 토큰을 발행했으며 시가총액이 높은 몇 가지 대표적 프로젝트들이다:
Web3의 AI 에이전트 대표 프로젝트 정리, 출처: ArkStream 프로젝트 데이터베이스
우리의 Web3 AI 에이전트 시장 통계에 따르면, 프로젝트 개발 유형 역시 명확한 밀집 현상을 보이고 있다. 대부분의 프로젝트는 인프라 구축 분야로 분류되며, 콘텐츠 생성 분야의 프로젝트는 상대적으로 부족하다. 대부분의 프로젝트는 사용자가 분산된 데이터, 컴퓨팅 파워 등을 제공하게 함으로써 프로젝트 팀의 모델 훈련 수요를 해결하려 한다. 또는 원스톱 플랫폼을 구축하여 다양한 AI 에이전트 서비스와 도구를 통합하려는 시도를 한다. 개발 도구에서 전면 상호작용형 애플리케이션, 생성형 애플리케이션에 이르기까지 말이다. 반면 전통적인 AI 에이전트 산업은 현재 주로 오픈소스 파라미터 조정 또는 기존 모델을 활용한 애플리케이션 구축에 국한되어 있어 기업 및 개인 사용자 수준에서 두드러진 네트워크 효과를 형성하지 못하고 있다.
현황 분석
우리는 현재 이러한 현상이 다음과 같은 몇 가지 요인에 의해 추진되고 있다고 생각한다:
시장과 기술의 불일치: Web3와 AI 에이전트의 접점은 현재 전통 시장에 비해 명확한 장점이 없으며, 진정한 장점은 생산관계를 개선하고 탈중앙화 방식으로 자원과 협업을 최적화하는 데 있다. 이로 인해 일부 상호작용형 및 생성형 애플리케이션이 기술과 자금력이 강한 전통 경쟁자 앞에서 경쟁력이 떨어질 수 있다.
응용 시나리오의 제약: Web3 환경에서는 이미지, 비디오, 텍스트 등의 콘텐츠를 생성할 실제 수요가 많지 않을 수 있다. 오히려 Web3의 탈중앙화 및 분산 특성이 전통적인 AI 분야에서 비용 절감과 효율성 향상을 위해 활용되는 경우가 많으며, 새로운 응용 시나리오를 확장하는 데는 적합하지 않다.
이 현상의 근본 원인은 현재 AI 산업의 발전 상태와 미래 방향성에 뿌리를 두고 있다고 생각한다. 현재의 AI 기술이 여전히 초기 단계에 머물러 있으며, 산업혁명 초기 증기기관이 전기기관에 의해 대체되는 과도기와 유사하고, 보편적 적용의 전기화 시대에 도달하지 못했다는 점 때문이다.
우리는 미래 AI 발전의 추세가 유사한 경로를 따를 것이라고 믿는다. 일반 모델은 점차 고정화되는 반면, 미세 조정 모델은 다양화될 것이다. AI 애플리케이션은 다양한 기업과 개인 사용자에게 널리 퍼질 것이며, 초점은 모델 간 연결과 상호작용으로 이동할 것이다. 이 추세는 Web3의 개념과 매우 부합한다. Web3는 조합성과 무허가 특성으로 유명하며, 이는 분산된 모델 미세 조정 개념과 정확히 맞물린다. 개발자는 더 큰 자유를 가지고 다양한 모델을 자유롭게 조합하고 조정할 수 있다. 동시에 탈중앙화 특성은 데이터 프라이버시 보호, 컴퓨팅 자원 배분 등에서 모델 훈련에 독특한 이점을 제공한다.
기술 발전, 특히 LoRA(Low-Rank Adaptation) 등 신기술의 등장은 모델 미세 조정의 비용과 기술 장벽을 크게 낮췄다. 이는 특정 시나리오의 공개 모델 개발이나 사용자 맞춤형 수요 충족을 훨씬 쉽게 만들어준다. Web3 내 AI 에이전트 프로젝트는 이러한 기술 발전을 충분히 활용하여 모델 훈련 및 미세 조정 분야에서 새로운 훈련 방법, 혁신적인 인센티브 메커니즘, 모델 공유 및 협업의 새로운 모델을 탐색할 수 있으며, 이는 전통적인 중앙집중형 시스템에서는 종종 실현하기 어렵다.
또한 Web3 프로젝트팀이 모델 훈련 분야에 집중하는 것은 AI 생태계 내에서 중요한 위치를 차지하려는 전략적 고려사항을 반영한다. 따라서 Web3 산업 내 AI 에이전트 프로젝트가 모델 훈련 분야에 집중하는 것은 기술 발전 추세, 시장 수요, Web3 산업의 장점이 자연스럽게 만나는 지점이다. 다음으로 Web2&3 산업 내 모델 훈련 프로젝트를 몇 가지 예로 들어 비교 분석하겠다.
모델 훈련 프로젝트
Humans.ai
-
프로젝트 소개: Humans.ai는 이미지, 비디오, 오디오, 텍스트 등 다양한 분야를 아우르는 다목적 AI 알고리즘 모델 라이브러리 및 훈련·배포 환경이다. 개발자가 모델을 추가로 훈련하고 최적화할 수 있을 뿐 아니라, 자신이 개발한 모델을 공유하고 거래할 수도 있다. 눈에 띄는 혁신 포인트는 NFT를 AI 모델과 사용자 생체정보 데이터 저장 매체로 활용하여 AI 창작 과정을 더욱 개인화하고 안전하게 만든다는 점이다.
-
데이터 분석: Humans.ai의 토큰 Heart 시가총액은 약 6800만 달러이다. 트위터 팔로워는 56k명이며, 사용자 데이터는 공개하지 않았다.
-
기술 분석: Humans.ai는 자체 모델을 개발하지 않고 모듈화 접근법을 사용하여 제공되는 모든 모델을 NFT로 캡슐화하여 유연하고 확장 가능한 AI 솔루션을 제공한다.
FLock.io
-
프로젝트 소개: FLock.io는 연합학습 기술(데이터 프라이버시를 강조하는 탈중앙화 머신러닝 방법) 기반의 AI 공동 창조 플랫폼으로, 대중의 참여도가 낮고, 프라이버시 보호가 부족하며, 대기업의 AI 기술 독점과 같은 AI 분야의 문제점을 해결하려 한다. 사용자가 프라이버시를 보호하면서도 데이터를 기여할 수 있도록 하여 AI 기술의 민주화와 탈중앙화를 추진한다.
-
데이터 분석: 2024년 초 Lightspeed Faction과 Tagus Capital이 주도하고 DCG, OKX Ventures 등이 참여한 600만 달러의 시드 펀딩을 완료했다.
-
기술 분석: FLock.io의 기술 아키텍처는 연합학습을 기반으로 하며, 데이터 프라이버시를 보호하면서 탈중앙화를 촉진하는 방법이다. 또한 zkFL, 동형 암호화, 안전한 다자간 계산(SMPC) 기술을 활용하여 데이터 프라이버시에 추가적인 보호를 제공한다.
이는 Web3 산업 내 AI 에이전트의 모델 훈련 프로젝트이며, Web2에서도 Predibase와 같은 유사한 플랫폼이 모델 훈련 서비스를 제공하고 있다.
Predibase
-
프로젝트 소개: Predibase는 AI 및 대규모 언어 모델 최적화에 집중하여 사용자가 Llama, CodeLlama, Phi 등의 오픈소스 대규모 언어 모델을 미세 조정하고 배포할 수 있도록 한다. 플랫폼은 양자화, 저랭크 적응, 메모리 효율적인 분산 훈련 등 다양한 최적화 기술을 지원한다.
-
데이터 분석: Predibase는 Felicis가 주도한 1220만 달러의 A 라운드 펀딩을 완료했다. 우버(Uber), 애플(Apple), 메타(Meta) 등 대기업과 Paradigm, Koble.ai 같은 스타트업이 플랫폼 사용자이다.
-
기술 분석: Predibase 사용자는 이미 250개 이상의 모델을 훈련했으며, 현재 플랫폼은 LoRAX 아키텍처와 Ludwig 프레임워크를 채택하고 있다. LoRAX는 단일 GPU에서 수천 개의 미세 조정된 LLM을 서비스할 수 있게 해 비용을 크게 줄이면서 처리량이나 지연 시간에는 영향을 주지 않는다. Ludwig는 선언형 프레임워크로, Predibase는 이를 이용해 최첨단 딥러닝 및 대규모 언어 모델의 개발, 훈련, 미세 조정, 배포를 수행한다.
-
프로젝트 분석: Predibase 플랫폼은 사용자 친화적인 특성을 갖추고 있으며, 다양한 수준의 사용자에게 맞춤형 AI 애플리케이션 구축 서비스를 제공한다. C2C 및 B2B 사용자뿐 아니라 AI 분야 초보자와 숙련자 모두에게 적합하다.
초보자에게는 Predibase의 원클릭 자동화 기능이 모델 구축 및 훈련 과정을 단순화한다. 복잡한 구축 및 배포 단계를 자동으로 완료한다. 숙련된 사용자에게는 더 깊이 있는 맞춤 옵션을 제공한다. 자동화 서비스뿐만 아니라 전문적인 파라미터 설정에 접근하고 조정할 수 있도록 한다.전통적인 AI 모델 훈련 플랫폼과 Web3 분야의 AI 프로젝트를 비교할 때, 전체 프레임워크와 논리가 유사할 수 있지만, 기술 아키텍처와 비즈니스 모델에서 몇 가지 두드러진 차이가 있음을 발견하였다.
-
기술 깊이와 혁신: 전통적인 AI 모델 훈련 플랫폼은 종종 더 깊은 기술 장벽을 채택한다. 예를 들어 LoRAX 아키텍처와 Ludwig 프레임워크 같은 자체 개발 기술을 사용한다. 이러한 프레임워크는 강력한 기능을 제공하여 플랫폼이 복잡한 AI 모델 훈련 작업을 처리할 수 있게 한다. 그러나 Web3 프로젝트는 탈중앙화와 개방성에 더 집중하며 기술적 깊이가 부족할 수 있다.
-
비즈니스 모델의 유연성: 전통적인 AI 모델 훈련 분야에서는 비즈니스 모델의 유연성 부족이 흔한 병목 현상이다. 플랫폼은 사용자가 모델을 훈련하기 위해 비용을 지불해야 하며, 자금 조달의 제한은 특히 초기 단계에서 광범위한 사용자 참여와 데이터 수집이 필요한 프로젝트의 지속 가능성에 영향을 준다. 반면 Web3 프로젝트는 토큰 이코노미, 커뮤니티 주도 모델 등 더 유연한 비즈니스 모델을 갖춘다.
-
프라이버시 보호의 도전: 프라이버시 보호는 또 다른 핵심 문제이다. 예를 들어 Predibase는 AWS상의 가상 사설 클라우드(VPC) 서비스를 제공하지만, 제3자에 의존하는 이러한 아키텍처는 데이터 유출의 잠재적 위험이 항상 존재한다.
이러한 차별화된 포인트들은 전통적인 AI 산업 내 병목 현상이 되었으며, 인터넷의 특성상 이러한 문제들을 효율적으로 해결하기가 어렵다. 동시에 이는 Web3에게 기회와 도전을 제공하며, 문제를 먼저 해결하는 프로젝트팀은 업계의 선구자가 될 가능성이 크다.
Web3 기타 유형의 에이전트 프로젝트
모델 훈련 중심의 AI 에이전트 프로젝트를 논의한 후, 다음으로 시야를 Web3 산업 내 다른 유형의 AI 에이전트 프로젝트로 확장하겠다. 이 프로젝트들은 모델 훈련에만 집중하지는 않지만, 펀딩 데이터, 상장 실적, 토큰 시가총액 등에서 독특한 면모를 보여준다. 다음은 각 분야에서 대표성과 영향력을 가진 AI 에이전트 프로젝트들이다:
Myshell
-
제품 소개: 사용자가 자신의 AI 에이전트를 생성, 공유, 개인화할 수 있는 포괄적인 AI 에이전트 플랫폼을 제공한다. 이 에이전트들은 동반 역할을 할 수 있을 뿐 아니라 업무 효율성 향상에도 도움을 준다. 플랫폼은 2차원 및 전통 스타일을 포함한 다양한 AI 에이전트 스타일과 오디오, 비디오,
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
Arkstream Capital
