Web3-AI 트랙 파노라마 보고서: 기술적 논리, 시나리오 응용 프로그램 및 주요 프로젝트에 대한 심층 분석

Geekcartel 작성

AI 내러티브가 계속 뜨거워지면서 이 트랙에 대한 관심이 점점 더 커지고 있습니다. Geekcartel은 Web3-AI 트랙의 기술적 논리, 애플리케이션 시나리오 및 대표 프로젝트에 대한 심층 분석을 수행하여 이 분야의 포괄적인 개요와 개발 동향을 제시했습니다.

1. Web3-AI: 기술적 논리와 새로운 시장 기회 분석

1.1 Web3와 AI의 통합 논리: 방법 디파이웹 AI 트랙

작년 한 해 동안, Web 3 산업에서 AI에 대한 이야기가 엄청난 인기를 끌었고, 비가 온 뒤 버섯처럼 AI 프로젝트가 급증했습니다. AI 기술을 포함하는 프로젝트는 많지만, 일부 프로젝트는 제품의 특정 부분에서만 AI를 사용하고, 기반 토큰 경제는 AI 제품과 실질적으로 관련이 없습니다. 따라서 이러한 프로젝트는 이 글에서 Web3-AI 프로젝트에 대한 논의에 포함되지 않습니다.

이 글은 블록체인을 사용하여 생산 관계 문제를 해결하고 AI를 사용하여 생산성 문제를 해결하는 프로젝트에 초점을 맞춥니다. 이러한 프로젝트는 AI 제품을 직접 제공하고 Web3 경제 모델을 생산 관계 도구로 사용합니다. 두 가지는 서로를 보완합니다. 우리는 이러한 프로젝트를 Web3-AI 트랙으로 분류합니다. 독자들이 Web3-AI 트랙을 더 잘 이해할 수 있도록 Geekcartel은 AI의 개발 프로세스와 과제를 소개하고, Web3와 AI를 결합하면 어떻게 문제를 완벽하게 해결하고 새로운 애플리케이션 시나리오를 만들 수 있는지 설명합니다.

1.2 AI 개발 프로세스 및 과제: 데이터 수집부터 모델 추론까지

AI 기술은 컴퓨터가 인간의 지능을 시뮬레이션하고, 확장하고, 향상시킬 수 있는 기술입니다. 컴퓨터가 언어 번역, 이미지 분류, 얼굴 인식, 자율 주행 및 기타 응용 프로그램 시나리오에 이르기까지 다양한 복잡한 작업을 수행할 수 있게 해줍니다. AI는 우리의 생활과 업무 방식을 바꾸고 있습니다.

AI 모델을 개발하는 과정에는 일반적으로 데이터 수집 및 데이터 전처리, 모델 선택 및 튜닝, 모델 학습 및 추론이라는 핵심 단계가 포함됩니다. 예를 들어, 고양이와 개 이미지를 분류하는 모델을 개발하려면 다음이 필요합니다.

• 데이터 수집 및 데이터 전처리: 고양이와 개 이미지가 포함된 데이터 세트를 수집합니다. 공개 데이터 세트를 사용하거나 실제 데이터를 직접 수집할 수 있습니다. 그런 다음 각 이미지에 범주(고양이 또는 개)를 레이블하여 레이블이 정확한지 확인합니다. 이미지를 모델이 인식할 수 있는 형식으로 변환하고 데이터 세트를 훈련, 검증 및 테스트 세트로 나눕니다.

• 모델 선택 및 튜닝: 이미지 분류 작업에 더 적합한 합성 신경망(CNN)과 같은 적합한 모델을 선택합니다. 다양한 요구 사항에 따라 모델 매개변수 또는 아키텍처를 조정합니다. 일반적으로 모델의 네트워크 계층은 AI 작업의 복잡성에 따라 조정할 수 있습니다. 이 간단한 분류 예에서는 더 얕은 네트워크 계층으로 충분할 수 있습니다.

• 모델 훈련: GPU, TPU 또는 고성능 컴퓨팅 클러스터를 사용하여 모델을 학습할 수 있습니다. 학습 시간은 모델의 복잡성과 컴퓨팅 파워에 따라 영향을 받습니다.

• 모델 추론: 모델 학습 파일은 일반적으로 모델 가중치라고 합니다. 추론 프로세스는 학습된 모델을 사용하여 새 데이터를 예측하거나 분류하는 프로세스를 말합니다. 이 프로세스에서 테스트 세트 또는 새 데이터를 사용하여 모델의 분류 효과를 테스트할 수 있습니다. 일반적으로 정확도, 재현율, F1-점수와 같은 지표를 사용하여 모델의 효과를 평가합니다.

그림에서 보듯이, 데이터 수집 및 데이터 전처리, 모델 선택 및 튜닝, 학습을 거친 후, 학습된 모델을 테스트 세트에 대해 추론하여 고양이와 개의 예측 값 P(확률), 즉 모델이 고양이인지 개인지 추론할 확률을 구합니다.

훈련된 AI 모델은 다양한 애플리케이션에 추가로 통합되어 다양한 작업을 수행할 수 있습니다. 이 예에서 고양이와 개 분류를 위한 AI 모델은 모바일 앱에 통합될 수 있으며, 사용자는 고양이 또는 개 사진을 업로드하여 분류 결과를 얻을 수 있습니다.

그러나 중앙 집중화된 AI 개발 프로세스는 다음과 같은 시나리오에서 몇 가지 문제점을 가지고 있습니다.

• 사용자 개인 정보 보호: 중앙화된 시나리오에서 AI 개발 프로세스는 일반적으로 불투명합니다. 사용자 데이터가 도난당하여 알지 못하는 사이에 AI 훈련에 사용될 수 있습니다.

• 데이터 소스 수집: 소규모 팀이나 개인이 특정 분야(예: 의료 데이터)의 데이터를 수집하는 경우 해당 데이터가 오픈 소스가 아니라는 한계에 직면할 수 있습니다.

• 모델 선택 및 튜닝: 소규모 팀의 경우 도메인별 모델 리소스를 확보하기 어렵고, 모델을 튜닝하는 데 많은 비용이 듭니다.

• 컴퓨팅 파워 얻기: 개인 개발자와 소규모 팀의 경우, GPU를 구매하고 클라우드 컴퓨팅 성능을 임대하는 데 드는 높은 비용은 상당한 재정적 부담이 될 수 있습니다.

• AI 자산 수입: 데이터 라벨러는 종종 자신의 노력에 상응하는 수입을 얻을 수 없으며, AI 개발자의 연구 결과는 필요한 구매자와 매칭되기 어렵습니다.

중앙 집중형 AI 시나리오에서 존재하는 과제는 Web3와 결합하여 해결할 수 있습니다. 새로운 유형의 생산 관계인 Web3는 자연스럽게 AI에 적응하여 새로운 유형의 생산성을 나타내므로 기술과 생산 역량의 동시적 발전을 촉진합니다.

1.3 Web3와 AI의 시너지: 역할 변환 및 혁신적 응용 프로그램

Web3와 AI의 결합은 사용자 주권을 강화하고, 사용자에게 개방형 AI 협업 플랫폼을 제공하며, Web2 시대의 AI 사용자에서 참여자로 사용자를 전환하여 모든 사람이 소유할 수 있는 AI를 만들 수 있습니다. 동시에 Web3 세계와 AI 기술의 통합은 더욱 혁신적인 응용 시나리오와 게임 플레이와 충돌할 수도 있습니다.

Web3 기술을 기반으로 AI가 개발되고 응용되면 완전히 새로운 협력적 경제 시스템이 탄생할 것입니다. 사람들의 데이터 프라이버시를 보장할 수 있고, 데이터 크라우드소싱 모델은 AI 모델의 진보를 촉진하고, 많은 오픈소스 AI 리소스를 사용자가 사용할 수 있으며, 공유 컴퓨팅 파워를 더 낮은 비용으로 얻을 수 있습니다. 분산형 협업 크라우드소싱 메커니즘과 오픈 AI 시장의 도움으로 공정한 소득 분배 시스템을 달성하여 더 많은 사람들이 AI 기술의 발전을 촉진하도록 동기를 부여할 수 있습니다.

Web3 시나리오에서는 AI가 여러 트랙에 긍정적인 영향을 미칠 수 있습니다. 예를 들어, AI 모델을 스마트 계약에 통합하여 시장 분석, 보안 감지, 소셜 클러스터링 및 기타 기능과 같은 다양한 애플리케이션 시나리오에서 작업 효율성을 개선할 수 있습니다. 생성 AI는 사용자가 AI 기술을 사용하여 자체 NFT를 만드는 것과 같은 아티스트 역할을 경험할 수 있을 뿐만 아니라 GameFi에서 풍부하고 다양한 게임 시나리오와 흥미로운 대화형 경험을 만들 수 있습니다. 풍부한 인프라는 원활한 개발 경험을 제공하며 AI 전문가와 AI 분야에 진출하려는 초보자 모두 이 세계에서 적합한 진입점을 찾을 수 있습니다.

2. Web3-AI 생태계 프로젝트 맵 및 아키텍처 해석

우리는 주로 Web3-AI 트랙에서 41개 프로젝트를 연구했고, 이 프로젝트들을 여러 레벨로 나누었습니다. 각 계층의 구분 로직은 아래 그림과 같으며, 인프라 계층, 중간 계층, 애플리케이션 계층을 포함하고 있으며, 각 계층은 서로 다른 섹션으로 나뉩니다. 다음 장에서는 몇몇 대표적인 프로젝트에 대한 심층 분석을 수행하겠습니다.

인프라 계층은 전체 AI 라이프 사이클을 지원하는 컴퓨팅 리소스와 기술 아키텍처를 포함합니다. 중간 계층에는 인프라와 애플리케이션을 연결하는 데이터 관리, 모델 개발 및 검증 추론 서비스가 포함됩니다. 애플리케이션 계층은 사용자에게 직접 대면하는 다양한 애플리케이션과 솔루션에 초점을 맞춥니다.

인프라 계층:

인프라 계층은 AI 라이프 사이클의 기초입니다. 이 글에서는 컴퓨팅 파워, AI 체인, 개발 플랫폼을 인프라 계층으로 분류합니다. 이러한 인프라를 지원하면 AI 모델의 훈련과 추론이 가능해지고, 사용자에게 강력하고 실용적인 AI 애플리케이션을 제공합니다.

• 분산 컴퓨팅 네트워크: AI 모델 학습을 위한 분산 컴퓨팅 파워를 제공하여 컴퓨팅 리소스의 효율적이고 경제적인 사용을 보장할 수 있습니다. 일부 프로젝트는 분산 컴퓨팅 파워 시장을 제공하여 사용자가 컴퓨팅 파워를 임대하거나 저렴한 비용으로 컴퓨팅 파워를 공유하여 이익을 얻을 수 있습니다. 대표적인 프로젝트로는 IO.NET과 Hyperbolic이 있습니다. 또한 일부 프로젝트는 토큰화 프로토콜을 제안한 Compute Labs와 같이 새로운 플레이 방식을 도출했습니다. 사용자는 GPU 엔티티를 나타내는 NFT를 구매하여 다양한 방식으로 컴퓨팅 파워 임대에 참여하여 이익을 얻을 수 있습니다.

• AI 체인: 블록체인을 AI 라이프 사이클의 기반으로 사용하여 온체인과 오프체인 AI 리소스 간의 원활한 상호 작용을 실현하고 산업 생태계의 발전을 촉진합니다. 체인의 분산형 AI 시장은 데이터, 모델, 에이전트 등과 같은 AI 자산을 거래하고 Sahara AI와 같은 대표적인 프로젝트와 함께 AI 개발 프레임워크와 지원 개발 도구를 제공할 수 있습니다. AI Chain은 또한 혁신적인 서브넷 인센티브 메커니즘을 통해 다양한 AI 유형의 서브넷 경쟁을 촉진하는 Bittensor와 같이 다양한 분야에서 AI 기술의 발전을 촉진할 수 있습니다.

• 개발 플랫폼: 일부 프로젝트는 AI 에이전트 개발 플랫폼을 제공하고 Fetch.ai 및 ChainML과 같은 AI 에이전트 트랜잭션을 구현할 수도 있습니다. Nimble과 같은 원스톱 도구는 개발자가 AI 모델을 보다 편리하게 만들고, 훈련하고, 배포하는 데 도움이 됩니다. 이러한 인프라는 Web3 생태계에서 AI 기술의 광범위한 적용을 촉진합니다.

중간층:

이 계층에는 AI 데이터, 모델, 추론 및 검증이 포함되며, Web3 기술을 사용하면 더 높은 작업 효율성을 달성할 수 있습니다.

• 데이터: 데이터의 질과 양은 모델 학습의 효과성에 영향을 미치는 핵심 요소입니다. Web3 세계에서 크라우드소싱 데이터와 협업적 데이터 처리를 통해 리소스 활용을 최적화하고 데이터 비용을 줄일 수 있습니다. 사용자는 데이터 자율권을 갖고 개인 정보 보호 하에 자신의 데이터를 판매하여 나쁜 사업체에 데이터가 도난당하고 높은 수익을 올리는 것을 방지할 수 있습니다. 데이터 수요자에게 이러한 플랫폼은 광범위한 선택권과 매우 낮은 비용을 제공합니다. Grass와 같은 대표적인 프로젝트는 사용자 대역폭을 사용하여 웹 데이터를 크롤링하고 xData는 사용자 친화적인 플러그인을 통해 미디어 정보를 수집하고 사용자가 트윗 정보를 업로드하도록 지원합니다.

또한 일부 플랫폼은 도메인 전문가 또는 일반 사용자가 이미지 주석 및 데이터 분류와 같은 데이터 전처리 작업을 수행할 수 있도록 합니다. 이러한 작업에는 금융 및 법률 작업에 대한 전문 지식이 필요할 수 있습니다. 사용자는 자신의 기술을 토큰화하여 데이터 전처리의 협업적 크라우드소싱을 달성할 수 있습니다. Sahara AI와 같은 대표적인 AI 시장은 다양한 분야에서 데이터 작업을 수행하며 여러 분야의 데이터 시나리오를 다룰 수 있습니다. AIT Protocolt는 인간-기계 협업을 통해 데이터에 주석을 달 수 있습니다.

• 모델: 위에서 언급한 AI 개발 프로세스에서 다양한 유형의 요구 사항이 적절한 모델과 일치해야 합니다. 이미지 작업에 대한 일반적인 모델에는 CNN과 GAN이 있습니다. Yolo 시리즈는 객체 감지 작업에 선택할 수 있습니다. RNN, Transformer 및 기타 모델은 텍스트 작업에 일반적입니다. 물론 특정 또는 일반적인 대형 모델도 있습니다. 복잡성이 다른 작업에는 다른 모델 깊이가 필요하며 때로는 모델을 조정해야 합니다.

일부 프로젝트는 사용자가 다양한 유형의 모델을 제공하거나 크라우드소싱을 통해 모델을 공동으로 훈련하도록 지원합니다. 예를 들어, Sentient는 사용자가 모듈식 설계를 통해 신뢰할 수 있는 모델 데이터를 스토리지 계층과 배포 계층에 배치하여 모델을 최적화할 수 있도록 합니다. Sahara AI가 제공하는 개발 도구에는 고급 AI 알고리즘과 컴퓨팅 프레임워크가 내장되어 있으며 공동 훈련 기능이 있습니다.

• 추론 및 검증: 모델이 학습되면 분류, 예측 또는 기타 특정 작업에 직접 사용할 수 있는 모델 가중치 파일이 생성됩니다. 이 프로세스를 추론이라고 합니다. 추론 프로세스에는 일반적으로 추론 모델의 소스가 올바른지, 악의적인 동작이 있는지 등을 확인하는 검증 메커니즘이 수반됩니다. Web3 추론은 일반적으로 스마트 계약에 통합될 수 있으며 추론은 모델을 호출하여 수행됩니다. 일반적인 검증 방법에는 ZKML, OPML 및 TEE 기술이 있습니다. ORA 온체인 AI 오라클(OAO)과 같은 대표적인 프로젝트는 OPML을 AI 오라클의 검증 가능한 계층으로 도입했습니다. ORA 공식 웹사이트는 또한 ZKML 및 opp/ai(ZKML과 OPML 결합)에 대한 연구를 언급했습니다.

응용 프로그램 계층:

이 계층은 주로 AI와 Web3를 결합하여 더 흥미롭고 혁신적인 플레이 방식을 만드는 사용자 중심 애플리케이션으로 구성됩니다. 이 문서는 주로 AIGC(AI 생성 콘텐츠), AI 에이전트 및 데이터 분석 분야의 프로젝트를 정리합니다.

• AIGC: AIGC는 Web3의 NFT, 게임 및 기타 트랙으로 확장할 수 있습니다. 사용자는 프롬프트(사용자가 제공한 프롬프트)를 통해 텍스트, 이미지 및 오디오를 직접 생성할 수 있으며, 게임에서 선호도에 따라 사용자 지정 게임 플레이를 생성할 수도 있습니다. NFPrompt와 같은 NFT 프로젝트는 사용자가 AI를 통해 NFT를 생성하고 시장에서 거래할 수 있도록 합니다. Sleepless와 같은 게임은 사용자가 대화를 통해 가상 파트너의 성격을 선호도에 맞게 형성할 수 있도록 합니다.

• AI 에이전트: 자율적으로 작업을 수행하고 결정을 내릴 수 있는 인공 지능 시스템을 말합니다. AI 에이전트는 일반적으로 지각, 추론, 학습 및 행동하는 능력을 가지고 있으며 다양한 환경에서 복잡한 작업을 수행할 수 있습니다. 일반적인 AI 에이전트에는 언어 번역, 언어 학습, 이미지-텍스트 등이 있습니다. Web3 시나리오에서는 거래 로봇을 생성하고, 밈 그림을 생성하고, 온체인 보안 감지를 수행할 수 있습니다. 예를 들어, AI 에이전트 플랫폼인 MyShell은 교육 학습, 가상 동반자, 거래 에이전트 등 다양한 유형의 에이전트를 제공하고 사용자 친화적인 에이전트 개발 도구를 제공하므로 코드 없이도 자신의 에이전트를 빌드할 수 있습니다.

• 데이터 분석: 관련 분야의 AI 기술과 데이터베이스를 통합함으로써 데이터 분석, 판단 및 예측이 가능합니다. Web3에서 사용자는 시장 데이터와 스마트 머니 트렌드를 분석하여 투자 결정을 도울 수 있습니다. 토큰 예측은 Web3에서도 고유한 애플리케이션 시나리오입니다. Ocean과 같은 대표적인 프로젝트는 토큰 예측을 위한 장기 과제를 공식적으로 설정했으며, 사용자 참여를 장려하기 위해 다양한 주제에 대한 데이터 분석 과제도 발표할 예정입니다.

3. Web3-AI 트랙의 최첨단 프로젝트에 대한 파노라마 분석

일부 프로젝트는 Web3와 AI를 결합할 가능성을 모색하고 있습니다. GeekCartel은 이 트랙의 대표적인 프로젝트를 정리하여 모든 사람이 WEB3-AI의 매력을 경험하고 프로젝트가 Web3와 AI를 통합하고 새로운 비즈니스 모델과 경제적 가치를 창출하는 방법을 이해하도록 이끌 것입니다.

Sahara AI: 협력 경제에 전념하는 AI 블록체인 플랫폼

Sahara AI는 전체 트랙에서 매우 경쟁력이 있습니다. AI 데이터, 모델, 에이전트, 컴퓨팅 파워와 같은 AI 리소스의 전체 범위를 포괄하는 포괄적인 AI 블록체인 플랫폼을 구축하는 데 전념하고 있습니다. 기본 아키텍처는 플랫폼의 협업 경제를 보호합니다. 블록체인 기술과 고유한 개인 정보 보호 기술을 통해 AI 개발 주기 전반에 걸쳐 AI 자산의 분산된 소유권과 거버넌스를 보장하여 공정한 인센티브 분배를 달성합니다. 이 팀은 AI와 Web3에 대한 깊은 배경을 가지고 있어 이 두 주요 분야를 완벽하게 통합할 수 있습니다. 또한 최고 투자자들의 호평을 받았으며 이 트랙에서 큰 잠재력을 보여주었습니다.

Sahara AI는 Web3에 국한되지 않습니다. 전통적인 AI 분야에서 자원과 기회의 불평등한 분배를 깨기 때문입니다. 분산화를 통해 컴퓨팅 파워, 모델 및 데이터를 포함한 주요 AI 요소는 더 이상 중앙 집중형 거인에 의해 독점되지 않습니다. 모든 사람이 이 생태계에서 자신에게 맞는 위치를 찾아 혜택을 받고, 창의적이고 함께 일하도록 영감을 받을 수 있는 기회가 있습니다.

그림에서 보듯이, 사용자는 Sahara AI가 제공하는 툴킷을 사용하여 자신의 데이터 세트, 모델, AI 에이전트 및 기타 자산을 기여하거나 생성하고 이러한 자산을 AI 시장에 배치하여 플랫폼 인센티브를 받는 동시에 수익을 낼 수 있습니다. 소비자는 필요에 따라 AI 자산을 거래할 수 있습니다. 동시에 이러한 모든 거래 정보는 Sahara Chain에 기록됩니다. 블록체인 기술과 개인 정보 보호 조치는 기여 추적, 데이터 보안 및 보상의 공정성을 보장합니다.

Sahara AI의 경제 시스템에서는 위에서 언급한 개발자, 지식 제공자, 소비자의 역할 외에도 사용자는 투자자 역할을 하여 자금과 리소스(GPU, 클라우드 서버, RPC 노드 등)를 제공하여 AI 자산의 개발 및 배포를 지원하고, 네트워크의 안정성을 유지하는 운영자, 블록체인의 보안 및 무결성을 유지하는 검증자 역할을 할 수 있습니다. 사용자가 Sahara AI 플랫폼에 어떻게 참여하든 기여도에 따라 보상과 수입을 받게 됩니다.

Sahara AI 블록체인 플랫폼은 계층화된 아키텍처를 기반으로 구축되었으며, 온체인 및 오프체인 인프라를 통해 사용자와 개발자가 전체 AI 개발 주기에 효과적으로 기여하고 혜택을 누릴 수 있습니다. Sahara AI 플랫폼의 아키텍처는 4개의 계층으로 나뉩니다.

애플리케이션 계층

애플리케이션 계층은 사용자 인터페이스와 주요 상호 작용 지점 역할을 하며, 사용자 경험을 향상시키기 위해 기본적으로 내장된 툴킷과 애플리케이션을 제공합니다.

기능적 구성 요소:

• 사하라 ID — AI 자산에 대한 안전한 액세스를 보장하고 사용자 기여를 추적합니다.

• 사하라 볼트 — AI 자산의 개인 정보 보호 및 보안을 무단 액세스와 잠재적 위협으로부터 보호합니다.

• 사하라 에이전트 — 역할 정렬(사용자 행동과 일치하는 상호 작용), 평생 학습, 다중 모드 인식(다양한 유형의 데이터를 처리할 수 있음), 다중 도구 실행 기능을 갖추고 있습니다.

대화형 구성 요소:

• 사하라 도구전부 — 기술 및 비기술 사용자가 AI 자산을 생성하고 배포할 수 있도록 합니다.

• 사하라 AI 시장장소 — 유연한 라이선싱과 다양한 수익화 옵션을 통해 AI 자산을 게시, 수익화 및 거래할 수 있습니다.

거래 계층

사하라 AI의 거래 계층은 플랫폼 상에서 소유권, 귀속, AI 관련 거래를 관리하기 위한 프로토콜을 갖춘 사하라 블록체인을 사용하며, AI 자산의 주권과 출처를 유지하는 데 핵심적인 역할을 합니다. Sahara 블록체인은 혁신적인 Sahara AI 네이티브 사전 컴파일(SAP)과 Sahara 블록체인 프로토콜(SBP)을 통합하여 AI 수명 주기 전반에 걸친 기본적인 작업을 지원합니다.

• SAP는 블록체인의 기본 운영 수준에서 내장된 기능으로, 각각 AI 훈련/추론 프로세스에 초점을 맞춥니다. SAP는 오프체인 AI 훈련/추론 프로세스를 호출, 기록 및 검증하고, Sahara AI 플랫폼 내에서 개발된 AI 모델의 신뢰성과 안정성을 보장하며, 모든 AI 추론의 투명성, 검증 가능성 및 추적 가능성을 동시에 보장하는 데 도움이 됩니다. 동시에 SAP를 통해 더 빠른 실행 속도, 더 낮은 컴퓨팅 오버헤드 및 가스 비용을 달성할 수 있습니다.

• SBP는 스마트 계약을 통해 AI 전용 프로토콜을 구현하여 AI 자산과 계산 결과가 투명하고 안정적으로 처리되도록 보장합니다. AI 자산 등록, 라이선싱(접근 제어), 소유권, 귀속(기여 추적) 등의 기능을 포함합니다.

데이터 레이어

Sahara AI의 데이터 레이어는 AI 라이프사이클 전반에 걸쳐 데이터 관리를 최적화하도록 설계되었습니다. 이는 실행 레이어를 다양한 데이터 관리 메커니즘에 연결하고 온체인 및 오프체인 데이터 소스를 원활하게 통합하는 중요한 인터페이스 역할을 합니다.

• 데이터 구성 요소: 온체인 및 오프체인 데이터를 포함합니다. 온체인 데이터에는 AI 자산의 메타데이터, 소유권, 커밋먼트 및 인증이 포함되고, 데이터 세트, AI 모델 및 보충 정보는 오프체인에 저장됩니다.

• 데이터 관리: Sahara AI의 데이터 관리 솔루션은 고유한 암호화 솔루션을 통해 데이터가 전송 중과 저장 중에 모두 보호되도록 하는 일련의 보안 조치를 제공합니다. AI 라이선스 SBP와 협력하여 엄격한 액세스 제어 및 검증 가능성을 달성하는 동시에 개인 도메인 스토리지를 제공함으로써 사용자의 민감한 데이터는 향상된 보안 기능을 달성할 수 있습니다.

실행 계층

실행 계층은 Sahara AI 플랫폼의 오프체인 AI 인프라로, 거래 계층 및 데이터 계층과 원활하게 상호 작용하여 AI 계산 및 기능과 관련된 프로토콜을 실행하고 관리합니다. 실행 작업에 따라 데이터 계층에서 데이터를 안전하게 추출하고 최적의 성능을 위해 컴퓨팅 리소스를 동적으로 할당합니다. 복잡한 AI 작업은 다양한 추상화 간의 효율적인 상호 작용을 용이하게 하도록 설계된 일련의 특별히 설계된 프로토콜을 통해 조정되며, 기반 인프라는 고성능 AI 컴퓨팅을 지원하도록 설계되었습니다.

• 하부 구조: Sahara AI 실행 계층 인프라는 빠르고 효율적이며, 탄력적이고 고가용성과 같은 특징을 갖춘 고성능 AI 컴퓨팅을 지원하도록 설계되었습니다. AI 컴퓨팅의 효율적인 조정, 자동 확장 메커니즘 및 내결함성 설계를 통해 시스템이 높은 트래픽 및 장애 조건에서도 안정적이고 신뢰할 수 있도록 보장합니다.

• 추상화: 핵심 추상화는 Sahara AI 플랫폼에서 AI 운영의 기반을 형성하는 기본 구성 요소로, 데이터 세트, 모델, 컴퓨팅 리소스와 같은 리소스의 추상화를 포함합니다. 고수준 추상화는 핵심 추상화, 즉 Vault와 에이전트 뒤에 있는 실행 인터페이스를 기반으로 구축되어 더 높은 수준의 기능을 실현할 수 있습니다.

• 규약: 추상 실행 프로토콜은 Vault와의 상호작용, 에이전트의 상호작용 및 조정, 협업 컴퓨팅을 실행하는 데 사용됩니다. 협업 컴퓨팅 프로토콜은 여러 참여자 간의 공동 AI 모델 개발 및 배포를 실현하고 컴퓨팅 리소스 기여 및 모델 집계를 지원할 수 있습니다. 실행 계층에는 저비용 컴퓨팅 기술 모듈(PEFT), 개인 정보 보호 컴퓨팅 모듈, 컴퓨팅 사기 방지 모듈도 포함됩니다.

사하라 AI가 구축하고 있는 AI 블록체인 플랫폼은 포괄적인 AI 생태계를 실현하는 데 전념하고 있습니다. 그러나 이 웅장한 비전은 실현 과정에서 필연적으로 많은 어려움에 부딪힐 것이며, 강력한 기술 및 리소스 지원과 지속적인 최적화 및 반복이 필요합니다. 이것이 성공적으로 실현된다면, Web3-AI 분야를 뒷받침하는 주요 기반이 될 것이며, Web2-AI 실무자들의 마음속에 이상적인 정원이 될 것으로 기대됩니다.

팀 정보:

사하라 AI 팀은 뛰어나고 창의적인 멤버들로 구성되어 있습니다. 공동 창립자 숀 렌은 University of Southern California의 교수이며 삼성의 연간 AI 연구자, MIT TR 35 under 35 혁신가, Forbes 30 under 30 등의 영예를 얻었습니다. 공동 창립자 타일러 저우는 University of California, Berkeley를 졸업했으며 Web3에 대한 깊은 이해를 가지고 있으며 AI와 Web3에 대한 경험이 있는 인재로 구성된 글로벌 팀을 이끌고 있습니다.

Sahara AI가 설립된 이래로, 이 팀은 Microsoft, Amazon, MIT, Snapchat, Character AI를 포함한 최고 기업으로부터 수백만 달러의 수익을 올렸습니다. 현재 Sahara AI는 30개 이상의 기업 고객에게 서비스를 제공하고 있으며 전 세계적으로 200,000명 이상의 AI 트레이너를 보유하고 있습니다. Sahara AI의 급속한 성장으로 점점 더 많은 참여자가 공유 경제 모델에 기여하고 혜택을 누릴 수 있게 되었습니다.

자금 조달 정보:

올해 8월 현재, Sahara Labs는 $43 million을 성공적으로 모금했습니다. 최근 라운드의 자금 조달은 Pantera Capital, Binance Labs, Polychain Capital이 공동으로 주도했습니다. 또한 Motherson Group, Anthropic, Nous Research, Midjourney와 같은 AI 분야의 선구자들로부터 지원을 받았습니다.

Bittensor: 서브넷 경쟁의 인센티브에 따른 새로운 게임 플레이

Bittensor 자체는 AI 상품이 아니며, AI 제품이나 서비스를 생산하거나 제공하지도 않습니다. Bittensor는 AI 상품 생산자에게 매우 경쟁력 있는 인센티브 구조를 제공하는 경제 시스템으로, 생산자는 AI의 품질을 지속적으로 최적화할 수 있습니다. Web3-AI의 초기 프로젝트인 Bittensor는 출시 이후 시장에서 광범위한 주목을 받았습니다. CoinMarketCap 데이터에 따르면, 10월 17일 현재 시장 가치는 US$42억을 초과했고 FDV(완전 희석 가치)는 US$120억을 초과했습니다.

Bittensor는 많은 서브넷 네트워크로 구성된 네트워크 아키텍처를 구축했습니다. AI 상품 생산자는 맞춤형 인센티브와 다양한 사용 사례로 서브넷을 만들 수 있습니다. 다양한 서브넷은 기계 번역, 이미지 인식 및 생성, 언어 대규모 모델 등과 같은 다양한 작업을 담당합니다. 예를 들어, Subnet 5는 Midjourney와 같은 AI 이미지를 만들 수 있습니다. 우수한 작업이 완료되면 TAO(Bittensors 토큰)가 보상됩니다.

인센티브 메커니즘은 Bittensor의 기본 요소입니다. 그들은 서브넷 마이너의 행동을 주도하고 서브넷 검증자 간의 합의를 제어합니다. 각 서브넷에는 자체 인센티브 메커니즘이 있으며, 마이너는 작업을 수행하고 검증자는 서브넷 마이너의 결과를 평가합니다.

그림에서 보듯이 서브넷 마이너와 서브넷 검증자 간의 워크플로는 예를 들어 설명됩니다.

그림에 있는 3개의 서브넷 마이너는 각각 UID 37, 42 및 27에 해당합니다. 4개의 서브넷 검증기는 각각 UID 10, 32, 93 및 74에 해당합니다.

• 각 서브넷 검증자는 가중치 벡터를 유지합니다. 벡터의 각 요소는 서브넷 마이너에 할당된 가중치를 나타내며, 이는 마이너 작업 완료에 대한 서브넷 검증자의 평가에 따라 결정됩니다. 각 서브넷 검증자는 가중치 벡터에 따라 모든 서브넷 마이너를 순위를 매기고 독립적으로 작동하여 마이너 순위 가중치 벡터를 블록체인에 전송합니다. 일반적으로 각 서브넷 검증자는 100-200블록마다 업데이트된 순위 가중치 벡터를 블록체인에 전송합니다.

• 블록체인(서브텐서)은 주어진 서브넷의 모든 서브넷 검증자로부터 최신 순위 가중치 벡터가 블록체인에 도착할 때까지 기다립니다. 그런 다음 이러한 순위 가중치 벡터로 형성된 순위 가중치 행렬이 온체인 Yuma 컨센서스 모듈에 입력으로 제공됩니다.

• 온체인 Yuma 컨센서스는 이 가중치 행렬과 해당 서브넷의 UID와 관련된 지분 금액을 함께 사용하여 보상을 계산합니다.

• Yuma 컨센서스는 TAO의 컨센서스 분배를 계산하고 새로 발행된 보상 TAO를 UID와 연결된 계정에 분배합니다.

서브넷 검증자는 언제든지 랭킹 가중치 벡터를 블록체인으로 전송할 수 있습니다. 그러나 서브넷 Yuma 합의 주기는 360블록마다(즉, 4320초 또는 72분, 블록당 12초) 최신 가중치 행렬을 사용합니다. 서브넷 검증자의 랭킹 가중치 벡터가 360블록 주기 이후에 도착하면 해당 가중치 벡터가 다음 Yuma 합의 주기의 시작 부분에 사용됩니다. TAO 보상은 각 주기의 끝에서 발행됩니다.

Yuma 합의는 공정한 노드 할당을 달성하기 위한 Bittensor의 핵심 알고리즘입니다. PoW와 PoS의 요소를 결합한 하이브리드 합의 메커니즘입니다. 비잔틴 장애 허용 합의 메커니즘과 유사하게, 네트워크 내의 정직한 검증자가 다수를 차지하면 결국 올바른 결정에 대한 합의에 도달하게 됩니다.

루트 네트워크는 서브넷 0인 특수 서브넷입니다. 기본적으로 모든 서브넷에서 가장 많은 지분을 보유한 64개 서브넷 검증자는 루트 네트워크의 검증자입니다. 루트 네트워크 검증자는 각 서브넷 출력의 품질에 따라 평가하고 순위를 매깁니다. 64개 검증자의 평가 결과가 집계되고 Yuma Consensus 알고리즘을 통해 최종 방출 결과가 얻어집니다. 최종 결과는 각 서브넷에 새로 발행된 TAO를 할당하는 데 사용됩니다.

Bittensors 서브넷 경쟁 모델은 AI 제품의 품질을 향상시켰지만, 몇 가지 과제도 직면하고 있습니다. 첫째, 서브넷 소유자가 정한 인센티브 메커니즘은 채굴자의 수입을 결정하며 채굴자의 작업 열정에 직접적인 영향을 미칠 수 있습니다. 또 다른 문제는 검증자가 각 서브넷의 토큰 할당량을 결정하지만 Bittensor의 장기적 생산성에 도움이 되는 서브넷을 선택할 수 있는 명확한 인센티브가 부족하다는 것입니다. 이 설계로 인해 검증자는 관계가 있는 서브넷이나 추가 혜택을 제공하는 서브넷을 선호할 수 있습니다. 이 문제를 해결하기 위해 Opentensor Foundation의 기여자들은 BIT 001: Dynamic TAO Solution을 제안했는데, 이는 모든 TAO 스테이커가 경쟁할 서브넷 토큰 할당량을 시장 메커니즘을 통해 결정해야 한다고 제안합니다.

팀 정보:

공동 창립자 Ala Shaabana는 컴퓨터 과학 분야에서 학문적 배경을 가진 University of Waterloo의 박사후 연구원입니다. 또 다른 공동 창립자 Jacob Robert Steeves는 캐나다의 Simon Fraser University를 졸업했으며, 기계 학습 연구에서 약 10년의 경험을 가지고 있으며, Google에서 소프트웨어 엔지니어로 일했습니다.

자금 조달 정보:

Bittensor를 지원하는 비영리 단체인 OpenTensor Foundation으로부터 자금을 지원받는 것 외에도 Bittensor는 커뮤니티 발표에서 잘 알려진 암호화폐 VC Pantera와 Collab Currency는 TAO 토큰의 보유자가 되었으며 프로젝트의 생태적 개발에 더 많은 지원을 제공할 것입니다. 다른 주요 투자자로는 Digital Currency Group, Polychain Capital, FirstMark Capital, GSR 등을 포함한 잘 알려진 투자 기관과 마켓 메이커가 있습니다.

Talus: Move 기반 온체인 AI 에이전트 생태계

Talus Network는 MoveVM에 구축된 L1 블록체인으로, AI 에이전트를 위해 설계되었습니다. 이러한 AI 에이전트는 미리 정의된 목표에 따라 결정을 내리고 조치를 취할 수 있으며, 원활한 체인 간 상호 작용을 달성하고 검증 가능합니다. 사용자는 Talus가 제공하는 개발 도구를 사용하여 AI 에이전트를 빠르게 빌드하고 스마트 계약에 통합할 수 있습니다. Talus는 또한 AI 모델, 데이터, 컴퓨팅 파워와 같은 리소스에 대한 개방형 AI 시장을 제공하며, 사용자는 다양한 형태로 참여하고 기여와 자산을 토큰화할 수 있습니다.

Talus의 주요 특징 중 하나는 병렬 실행 및 안전한 실행 기능입니다. Move 생태계에 자본이 유입되고 고품질 프로젝트가 확대됨에 따라, Move 기반 보안 실행과 AI 에이전트 통합 스마트 계약이라는 Taluss의 두 가지 하이라이트가 시장에서 광범위한 주목을 받을 것으로 예상됩니다. 동시에 Talus가 지원하는 멀티체인 상호작용은 AI 에이전트의 효율성을 개선하고 다른 체인에서 AI의 번영을 촉진할 수도 있습니다.

공식 트위터 정보에 따르면, Talus는 최근 Nexus를 출시했습니다. 이는 최초의 완전 온체인 자율 AI 에이전트 프레임워크로, Talus는 이를 통해 분산형 AI 기술 분야에서 선두주자로서의 이점을 얻고, 빠르게 발전하는 블록체인 AI 시장에서 중요한 경쟁력을 확보할 수 있습니다. Nexus는 개발자가 Talus 네트워크에서 AI 기반 디지털 어시스턴트를 만들어 검열 방지, 투명성 및 구성 가능성을 보장할 수 있도록 합니다. 중앙 집중형 AI 솔루션과 달리 Nexus를 통해 소비자는 개인화된 지능형 서비스를 즐기고, 디지털 자산을 안전하게 관리하고, 상호 작용을 자동화하고, 일상적인 디지털 경험을 향상시킬 수 있습니다.

온체인 에이전트를 위한 최초의 개발자 툴킷인 Nexus는 차세대 소비자 암호화 AI 애플리케이션을 구축하기 위한 기반을 제공합니다. Nexus 개발자가 사용자 의도를 실행하고 Talus 체인에서 서로 통신할 수 있는 에이전트를 만드는 데 도움이 되는 다양한 도구, 리소스 및 표준을 제공합니다. 그 중 Nexus Python SDK는 AI와 블록체인 개발 간의 격차를 메워 AI 개발자가 스마트 계약 프로그래밍을 배우지 않고도 쉽게 시작할 수 있도록 합니다. Talus는 사용자 친화적인 개발 도구와 다양한 인프라를 제공하며 개발자 혁신을 위한 이상적인 플랫폼이 될 것으로 기대됩니다.

그림 5에서 보듯이 Talus의 기본 아키텍처는 오프체인 리소스와 멀티체인 상호 작용의 유연성을 갖춘 모듈형 설계를 기반으로 합니다. Talus의 고유한 설계를 기반으로 번영하는 온체인 스마트 에이전트 생태계가 형성됩니다.

이 프로토콜은 Talus의 핵심이며 합의, 실행 및 상호 운용성을 위한 기반을 제공합니다. 이를 기반으로 온체인 스마트 에이전트를 구축하여 오프체인 리소스와 크로스 체인 기능을 활용할 수 있습니다.

• 프로토체인 노드: Cosmos SDK와 CometBFT를 기반으로 하는 PoS 블록체인 노드. Cosmos SDK는 모듈식 설계와 높은 확장성을 갖추고 있습니다. CometBFT는 고성능과 낮은 지연 시간을 갖춘 Byzantine Fault Tolerant 합의 알고리즘을 기반으로 합니다. 강력한 보안과 내결함성을 제공하며 일부 노드 장애 또는 악의적 동작이 발생하더라도 정상적으로 작동을 계속할 수 있습니다.

• Sui Move 및 MoveVM: Sui Move를 스마트 계약 언어로 사용하여 Move 언어의 설계는 재진입 공격, 객체 소유권에 대한 액세스 제어 검사 누락, 예상치 못한 산술 오버플로/언더플로와 같은 중요한 취약성을 제거하여 본질적으로 보안을 강화합니다. Move VM의 아키텍처는 효율적인 병렬 처리를 지원하여 Talus가 보안이나 무결성을 잃지 않고 여러 트랜잭션을 동시에 처리하여 확장할 수 있도록 합니다.

IBC(블록체인 간 통신 프로토콜):

• 상호 운용성: IBC는 서로 다른 블록체인 간의 원활한 상호 운용성을 촉진하여 스마트 에이전트가 여러 체인의 데이터나 자산과 상호 작용하고 활용할 수 있도록 합니다.

• 교차 체인 원자성: IBC는 크로스 체인 원자 거래를 지원하는데, 이는 특히 금융 애플리케이션이나 복잡한 워크플로에서 스마트 에이전트가 수행하는 작업의 일관성과 안정성을 유지하는 데 중요합니다.

• 샤딩을 통한 확장성: IBC는 스마트 에이전트가 여러 블록체인에서 작동할 수 있도록 샤딩을 통해 간접적으로 확장성을 지원합니다. 각 블록체인은 거래의 일부를 처리하는 샤드로 볼 수 있으므로 단일 체인의 부하를 줄일 수 있습니다. 이를 통해 스마트 에이전트는 보다 분산되고 확장 가능한 방식으로 작업을 관리하고 실행할 수 있습니다.

• 사용자 정의 및 전문화: IBC를 사용하면 다양한 블록체인이 특정 기능이나 최적화에 집중할 수 있습니다. 예를 들어, 스마트 에이전트는 결제 처리를 위한 빠른 거래를 허용하는 체인 하나와 기록 보관을 위한 안전한 데이터 저장에 특화된 다른 체인을 사용할 수 있습니다.

• 보안 및 격리: IBC는 체인 간의 보안과 격리를 유지하는데, 이는 민감한 작업이나 데이터를 처리하는 스마트 에이전트에게 유익합니다. IBC는 체인 간 통신과 거래의 안전한 검증을 보장하므로 스마트 에이전트는 보안을 손상시키지 않고도 서로 다른 체인 간에 자신 있게 작동할 수 있습니다.

거울 객체:

온체인 아키텍처에서 오프체인 세계를 표현하기 위해 미러 객체는 주로 AI 리소스를 검증하고 연결하는 데 사용됩니다. 여기에는 리소스 고유성 표현 및 증명, 오프체인 리소스 거래 가능성, 소유권 증명 표현 또는 소유권 검증 가능성이 포함됩니다.

이미지 객체에는 모델 객체, 데이터 객체, 계산 객체라는 세 가지 유형의 이미지 객체가 포함됩니다.

• 모델 객체: 모델 소유자는 전용 모델 레지스트리를 통해 AI 모델을 생태계로 가져와 오프체인 모델을 체인으로 가져올 수 있습니다. 모델 객체는 모델의 본질과 역량을 캡슐화하고 그 위에 소유권, 관리 및 수익화 프레임워크를 직접 구축합니다. 모델 객체는 추가적인 미세 조정 프로세스를 통해 향상되거나 필요한 경우 광범위한 교육을 통해 특정 요구 사항을 충족하도록 완전히 재구성할 수 있는 유연한 자산입니다.

• 데이터 객체: 데이터(또는 데이터세트) 객체는 누군가가 소유한 고유한 데이터세트의 디지털 표현으로 존재합니다. 이 객체는 생성, 이전, 라이선스 또는 오픈 데이터 소스로 변환될 수 있습니다.

• 계산 객체: 구매자는 객체 소유자에게 계산 작업을 제안하고, 소유자는 계산 결과와 해당 증명을 제공합니다. 구매자는 커밋먼트를 해독하고 결과를 검증하는 데 사용할 수 있는 키를 보유합니다.

AI 스택:

Talus는 지능형 에이전트의 개발과 오프체인 리소스와의 상호작용을 지원하는 SDK와 통합 구성 요소를 제공합니다. AI 스택에는 Oracle과의 통합도 포함되어 지능형 에이전트가 오프체인 데이터를 사용하여 결정을 내리고 대응할 수 있도록 합니다.

온체인 스마트 에이전트:

• Talus는 자율적으로 작동하고, 결정을 내리고, 거래를 실행하고, 온체인 및 오프체인 리소스와 상호 작용할 수 있는 스마트 에이전트 경제를 제공합니다.

• 지능형 에이전트는 자율성, 사회적 역량, 반응성, 주도성을 가지고 있습니다. 자율성은 인간의 개입 없이 작동할 수 있게 하고, 사회적 역량은 다른 에이전트 및 인간과 상호 작용할 수 있게 하고, 반응성은 환경 변화를 인식하고 시기적절하게 대응할 수 있게 하고(Talus는 에이전트가 리스너를 통해 온체인 및 오프체인 이벤트에 대응할 수 있도록 지원함), 주도성은 목표, 예측 또는 예상되는 미래 상태에 따라 조치를 취할 수 있게 합니다.

Talus가 제공하는 일련의 지능형 에이전트의 개발 아키텍처와 인프라 외에도 Talus를 기반으로 구축된 AI 에이전트는 여러 유형의 검증 가능한 AI 추론(opML, zkML 등)을 지원하여 AI 추론의 투명성과 신뢰성을 보장합니다. Talus가 AI 에이전트를 위해 특별히 설계한 일련의 기능은 온체인과 오프체인 리소스 간의 다중 체인 상호작용과 매핑 기능을 실현할 수 있습니다.

Talus가 출시한 온체인 AI 에이전트 생태계는 AI와 블록체인의 통합 기술 발전에 큰 의미를 갖지만, 아직 구현하기 어렵습니다. Talus 인프라는 유연성과 상호 운용성을 갖춘 AI 에이전트 개발을 가능하게 하지만, 점점 더 많은 AI 에이전트가 Talus 체인에서 실행됨에 따라 이러한 에이전트 간의 상호 운용성과 효율성이 사용자 요구를 충족할 수 있는지 여부는 아직 검증되지 않았습니다. 현재 Talus는 여전히 비공개 테스트넷 단계에 있으며 지속적으로 개발 및 업데이트되고 있습니다. Talus가 앞으로 온체인 AI 에이전트 생태계의 추가 개발을 촉진할 수 있을 것으로 기대됩니다.

팀 정보:

Mike Hanono는 Talus Network의 창립자이자 CEO입니다. 그는 University of Southern California에서 산업 및 시스템 공학 학사 학위와 응용 데이터 과학 석사 학위를 취득했습니다. 그는 University of Pennsylvania의 Wharton School에 참여했으며 데이터 분석, 소프트웨어 개발 및 프로젝트 관리 분야에서 광범위한 경험을 보유하고 있습니다.

자금 조달 정보:

Talus는 올해 2월 Polychain Capital이 주도하고 Dao 5, Hash 3, TRGC, WAGMI Ventures, Inception Capital 등이 참여한 1차 자금 조달을 완료했습니다. 엔젤 투자자는 주로 Nvidia, IBM, Blue 7, Symbolic Capital, Render Network 등에서 왔습니다.

ORA: 온체인 검증 가능 AI의 초석

ORA 제품인 OAO(On-chain AI Oracle)는 opML을 사용하는 세계 최초의 AI 오라클로, 오프체인 AI 추론 결과를 체인으로 가져올 수 있습니다. 즉, 스마트 계약은 OAO와 상호 작용하여 체인에서 AI 기능을 구현할 수 있습니다. 또한 ORA의 AI 오라클은 Initial Model Issuance(IMO)와 원활하게 결합되어 전체 프로세스 온체인 AI 서비스를 제공할 수 있습니다.

ORA는 기술과 시장 모두에서 선두 주자 이점을 가지고 있습니다. Ethereum의 신뢰할 수 없는 AI 오라클로서 광범위한 사용자 기반에 큰 영향을 미칠 것이며, 앞으로 더 혁신적인 AI 애플리케이션 시나리오가 등장할 것으로 예상됩니다. 개발자는 이제 ORA가 제공하는 모델을 스마트 계약에 사용하여 분산 추론을 달성할 수 있으며, Ethereum, Arbitrum, Optimism, Base, Polygon, Linea, Manta에서 검증 가능한 AI dApp을 구축할 수 있습니다. ORA는 AI 추론을 위한 검증 서비스를 제공하는 것 외에도 오픈 소스 모델의 기여를 촉진하기 위해 모델 발급 서비스(IMO)도 제공합니다.

ORA의 두 가지 주요 제품은 초기 모델 발행(IMO)과 온체인 AI 오라클(OAO)입니다. 이 두 제품은 완벽하게 함께 작동하여 온체인 AI 모델의 획득과 AI 추론의 검증을 가능하게 합니다.

• IMO는 오픈소스 AI 모델의 소유권을 토큰화하여 장기적인 오픈소스 기여에 인센티브를 제공하며, 토큰 보유자는 체인에서 모델을 사용하여 발생한 수익의 일부를 받게 됩니다. ORA는 또한 AI 개발자에게 자금을 제공하여 커뮤니티와 오픈소스 기여자에게 인센티브를 제공합니다.

• OAO는 체인에 검증 가능한 AI 추론을 제공합니다. ORA는 AI 오라클의 검증 계층으로 opML을 도입합니다. OP Rollup의 워크플로와 유사하게 검증자 또는 모든 네트워크 참여자는 챌린지 기간 동안 결과를 확인할 수 있습니다. 챌린지가 성공하면 잘못된 결과가 체인에 업데이트됩니다. 챌린지 기간 이후에는 결과가 확정되고 변경할 수 없습니다.

검증 가능하고 분산된 오라클 네트워크를 구축하려면 블록체인에서 결과의 계산적 타당성을 보장하는 것이 중요합니다. 이 프로세스에는 계산이 신뢰할 수 있고 진짜임을 보장하는 증명 시스템이 포함됩니다.

이를 위해 ORA는 세 가지 증명 시스템 프레임워크를 제공합니다.

• AI Oracles opML(현재 ORAs AI Oracle은 이미 opML을 지원함)

• keras 2c ircoms zkML(성숙하고 고성능 zkML 프레임워크)

• zk+opML은 zkML의 프라이버시와 opML의 확장성을 결합하여 opp/ai를 통해 미래의 온체인 AI 솔루션을 실현합니다.

옵ML:

opML(Optimistic Machine Learning)은 ORA가 발명하고 개발한 것으로, 머신 러닝과 블록체인 기술을 결합한 것입니다. Optimistic Rollups와 유사한 원리를 활용하여 opML은 분산된 방식으로 계산의 유효성을 보장합니다. 이 프레임워크는 AI 계산의 온체인 검증을 허용하여 투명성을 높이고 머신 러닝 추론에 대한 신뢰를 증진합니다.

보안과 정확성을 보장하기 위해 opML은 다음과 같은 사기 방지 메커니즘을 사용합니다.

• 결과 제출: 서비스 제공자(제출자)는 체인 외부에서 머신 러닝 계산을 수행하고 그 결과를 블록체인에 제출합니다.

• 검증 기간: 검증자(또는 이의 제기자)는 제출된 결과의 정확성을 검증하기 위해 미리 정의된 기간(이의 제기 기간)을 갖습니다.

• 분쟁 해결: 검증자가 결과가 틀렸다고 판단하면 대화형 분쟁 게임을 시작합니다. 이 분쟁 게임은 오류가 발생한 정확한 계산 단계를 효과적으로 결정합니다.

• 온체인 검증: 사기 방지 가상 머신(FPVM)을 통해 분쟁이 있는 연산 단계만 온체인에서 검증하여 리소스 사용량을 최소화합니다.

• 마무리: 이의 제기 기간 동안 분쟁이 제기되지 않거나, 분쟁이 해결되면 그 결과는 블록체인에서 마무리됩니다.

ORA opML은 최적화된 환경에서 오프체인으로 계산을 수행하여 분쟁 발생 시 온체인에서 최소한의 데이터만 처리할 수 있습니다. 이를 통해 제로 지식 머신 러닝(zkML)에 필요한 값비싼 증명 생성을 피하고 계산 비용을 줄일 수 있습니다. 이 접근 방식은 기존의 온체인 방법으로는 달성하기 어려운 대규모 계산을 처리할 수 있습니다.

케라스 2c ircom (zkML):

zkML은 제로 지식 증명을 사용하여 온체인에서 머신 러닝 추론 결과를 검증하는 증명 프레임워크입니다. 개인 정보 보호 덕분에 훈련 및 추론 중에 개인 데이터와 모델 매개변수를 보호하여 개인 정보 보호 문제를 해결할 수 있습니다. zkML의 실제 계산은 오프체인에서 완료되므로 체인은 결과의 유효성만 검증하면 되므로 체인의 계산 부하가 줄어듭니다.

ORA가 구축한 Keras 2C ircom은 최초의 고수준, 실전 테스트를 거친 zkML 프레임워크입니다. Ethereum Foundation ESP 자금 제안서[FY 23 – 1290]의 주요 zkML 프레임워크 벤치마크에 따르면 Keras 2C ircom과 그 기반인 circomlib-ml이 다른 프레임워크보다 성능이 더 뛰어난 것으로 나타났습니다.

opp/ai(opML + zkML):

ORA는 또한 OPP/AI(Optimistic Privacy-Preserving AI on Blockchain)를 제안했는데, 이는 프라이버시를 위한 제로 지식 머신 러닝(zkML)과 효율성을 위한 낙관적 머신 러닝(opML)을 통합하여 온체인 AI에 맞게 조정된 하이브리드 모델을 만듭니다. 머신 러닝(ML) 모델을 전략적으로 분할함으로써 opp/ai는 계산 효율성과 데이터 프라이버시를 균형 있게 조절하여 안전하고 효율적인 온체인 AI 서비스를 실현합니다.

opp/ai는 개인정보 보호 요구 사항에 따라 ML 모델을 여러 개의 하위 모델로 구분합니다. zkML 하위 모델은 민감한 데이터나 독점 알고리즘이 있는 구성 요소를 처리하는 데 사용되며, 데이터와 모델의 기밀성을 보장하기 위해 제로 지식 증명을 사용하여 실행됩니다. opML 하위 모델은 개인정보 보호보다 효율성을 우선시하는 구성 요소를 처리하는 데 사용되며, opML의 낙관적 접근 방식을 사용하여 최대 효율성을 달성합니다.

요약하자면, ORA는 혁신적으로 세 가지 증명 프레임워크를 제안했습니다. opML, zkML, opp/ai(opML과 zkML의 조합)입니다. 다양한 증명 프레임워크는 데이터 프라이버시와 컴퓨팅 효율성을 강화하여 블록체인 애플리케이션에 더 높은 유연성과 보안을 제공합니다.

최초의 AI 오라클인 ORA는 엄청난 잠재력과 광범위한 상상력을 가지고 있습니다. ORA는 많은 연구와 결과를 발표하여 기술적 이점을 입증했습니다. 하지만 AI 모델의 추론 과정은 어느 정도 복잡성과 검증 비용이 있습니다. 온체인 AI의 추론 속도가 사용자 요구를 충족할 수 있는지는 검증이 필요한 문제가 되었습니다. 시간 검증과 사용자 경험의 지속적인 최적화를 거쳐, 이러한 AI 제품은 온체인 Dapps의 효율성을 개선하는 훌륭한 도구가 될 수 있습니다.

팀 정보:

공동 창립자인 카르틴은 애리조나 대학교에서 컴퓨터 과학 학위를 취득했으며 TikTok의 기술 리더와 Google의 소프트웨어 엔지니어로 근무했습니다.

수석 과학자 캐시는 University of Southern California에서 컴퓨터 과학 석사 학위를, University of Hong Kong에서 심리학 및 신경 과학 박사 학위를 취득했습니다. 그녀는 Ethereum Foundation에서 zkML 연구원이었습니다.

자금 조달 정보:

올해 6월 26일, ORA는 Polychain Capital, HF 0, Hashkey Capital, SevenX Ventures, Geekcartel 등의 투자자들과 함께 2,000만 달러 규모의 자금 조달 라운드를 완료했다고 발표했습니다.

Grass: AI 모델을 위한 데이터 계층

Grass는 공개 네트워크 데이터를 AI 데이터 세트로 전환하는 데 중점을 둡니다. Grass 네트워크는 사용자의 개인 정보 보호 정보를 얻지 않고도 인터넷에서 데이터를 스크래핑하기 위해 사용자의 과도한 대역폭을 사용합니다. 이러한 유형의 네트워크 데이터는 인공 지능 모델 개발 및 기타 여러 산업의 운영에 없어서는 안 될 것입니다. 사용자는 노드를 실행하고 Grass 포인트를 획득할 수 있습니다. Grass에서 노드를 실행하는 것은 Chrome 확장 프로그램을 등록하고 설치하는 것만큼 쉽습니다.

Grass는 AI 수요자와 데이터 제공자를 연결하여 윈윈 상황을 만듭니다. 장점은 다음과 같습니다. 간단한 설치 작업과 향후 에어드롭 기대는 사용자 참여를 크게 촉진하여 수요자에게 더 많은 데이터 소스를 제공합니다. 데이터 제공자로서 사용자는 복잡한 설정과 작업을 수행할 필요가 없으며, 데이터 캡처, 정리 및 기타 작업은 사용자가 인지하지 않고도 수행할 수 있습니다. 또한 장비에 대한 특별한 요구 사항이 없어 사용자 참여에 대한 임계값이 낮아지고 초대 메커니즘도 효과적으로 더 많은 사용자가 빠르게 참여하도록 촉진합니다.

Grass는 분당 수천만 건의 웹 요청에 도달하기 위해 데이터 크롤링 작업을 수행해야 합니다. 이러한 모든 작업은 검증되어야 하며, 이를 위해서는 L1이 제공할 수 있는 것보다 더 많은 처리량이 필요합니다. Grass 팀은 3월에 사용자와 빌더가 데이터 출처를 검증할 수 있도록 지원하는 Rollup 계획을 구축할 것이라고 발표했습니다. 이 계획은 검증을 위해 ZK 프로세서를 통해 메타데이터를 일괄 처리하고, 각 데이터 세트 메타데이터의 증명은 Solanas 정산 계층에 저장되고 데이터 원장을 생성합니다.

그림에서 보듯이 클라이언트는 웹 요청을 하고, 이는 검증자를 거쳐 궁극적으로 Grass 노드로 라우팅되고, 웹사이트 서버는 웹 페이지 요청에 응답하여 데이터를 페치하여 반환할 수 있도록 합니다. ZK 프로세서의 목적은 Grass 네트워크에서 페치된 데이터 세트의 소스를 기록하는 데 도움이 되는 것입니다. 즉, 노드가 네트워크를 페치할 때마다 신원에 대한 정보를 공개하지 않고도 보상을 받을 수 있습니다. 수집된 데이터는 데이터 원장에 기록된 후 AI 학습을 위해 그래프 임베딩 모델(Edge Embedding)을 통해 정리되고 구조화됩니다.

요약하자면, Grass는 사용자가 네트워크 데이터를 캡처하여 수동 소득을 얻고 개인 정보를 보호하는 데 초과 대역폭을 기여할 수 있도록 합니다. 이 디자인은 사용자에게 경제적 이익을 가져다줄 뿐만 아니라 AI 회사에 대량의 실제 데이터를 얻을 수 있는 분산형 방식을 제공합니다.

Grass는 사용자 참여에 대한 임계값을 크게 낮추고 사용자 참여를 늘리는 데 도움이 되지만, 프로젝트 측에서는 실제 사용자의 참여와 울 파티의 유입으로 인해 대량의 스팸이 발생할 수 있으며, 이는 데이터 처리의 부담을 증가시킬 수 있다는 점을 고려해야 합니다. 따라서 프로젝트 측은 합리적인 인센티브 메커니즘을 설정하고 데이터에 가격을 책정하여 진정으로 가치 있는 데이터를 얻어야 합니다. 이는 프로젝트 측과 사용자 모두에게 중요한 영향 요인입니다. 사용자가 에어드랍 할당에 대해 혼란스러워하거나 불공평하다고 느낀다면 프로젝트 측을 불신할 수 있으며, 이는 프로젝트의 합의와 개발에 영향을 미칠 것입니다.

팀 정보:

창립자 Andrej 박사는 캐나다의 York University에서 Computational and Applied Mathematics 학위를 취득했습니다. 최고 기술 책임자인 Chris Nguyen은 데이터 처리 분야에서 수년간의 경험을 가지고 있으며, 그가 설립한 데이터 회사는 IBM Cloud Embedded Excellence Award, Enterprise Technology Top 30, Forbes Cloud 100 Rising Stars를 포함한 많은 상을 수상했습니다.

자금 조달 정보:

Grass는 Wynd Network 팀이 출시한 첫 번째 제품으로, 2023년 12월 Polychain Capital과 Tribe Capital이 주도하고 Bitscale, Big Brain, Advisors Anonymous, Typhon V, Mozaik 등이 참여한 시드 라운드 자금 조달을 완료했습니다. 이전에는 No Limit Holdings가 사전 자금 조달 라운드를 주도하여 총 자금 조달 금액이 $450만이었습니다.

Grass는 올해 9월 Hack VC가 주도하고 Polychain, Delphi Digital, Brevan Howard Digital, Lattice fund 등이 참여한 Series A 자금 조달을 완료했습니다. 자금 조달 규모는 공개되지 않았습니다.

IO.NET: 분산 컴퓨팅 리소스 플랫폼

IO.NET은 Solana에 분산형 GPU 네트워크를 구축하여 전 세계의 유휴 네트워크 컴퓨팅 리소스를 집계합니다. 이를 통해 AI 엔지니어는 필요한 GPU 컴퓨팅 리소스를 더 낮은 비용으로, 더 쉽게, 더 유연하게 확보할 수 있습니다. ML 팀은 분산 GPU 네트워크에서 모델 학습 및 추론 서비스 워크플로를 구축할 수 있습니다.

IO.NET은 유휴 컴퓨팅 파워를 가진 사용자에게 수입을 제공할 뿐만 아니라 소규모 팀이나 개인의 컴퓨팅 파워 부담을 크게 줄여줍니다. Solana의 높은 처리량과 효율적인 실행 효율성으로 GPU 네트워크 스케줄링에서 고유한 이점이 있습니다.

IO.NET은 출시 이후 최고 기관으로부터 많은 관심과 호의를 받았습니다. CoinMarketCap에 따르면 10월 17일 현재 토큰의 시장 가치는 US$2억 2천만을 넘었고 FDV는 US$14억 7천만을 넘었습니다.

IO.NET의 핵심 기술 중 하나는 Ray의 전용 포크를 기반으로 하는 IO-SDK입니다. (Ray는 OpenAI에서 사용하는 오픈 소스 프레임워크로, 머신 러닝과 같은 AI 및 Python 애플리케이션을 클러스터로 확장하여 대량의 계산을 처리할 수 있습니다.) Ray의 기본 병렬 처리를 사용하여 IO-SDK는 Python 함수를 병렬화할 수 있으며 PyTorch 및 TensorFlow와 같은 주류 ML 프레임워크와의 통합도 지원합니다. 메모리 스토리지를 통해 작업 간에 데이터를 빠르게 공유하여 직렬화 지연을 없앨 수 있습니다.

제품 구성 요소:

• IO Cloud: 분산 GPU 클러스터의 온디맨드 배포 및 관리를 위해 설계되었으며, IO-SDK와 완벽하게 통합되어 AI 및 Python 애플리케이션을 확장하기 위한 포괄적인 솔루션을 제공합니다. GPU/CPU 리소스의 배포 및 관리를 간소화하는 동시에 컴퓨팅 파워를 제공합니다. 방화벽, 액세스 제어 및 모듈식 설계를 통해 잠재적 위험을 줄이고 다양한 기능을 격리하여 보안을 강화합니다.

• IO Worker: 사용자는 이 웹 애플리케이션 인터페이스를 통해 컴퓨팅 활동 모니터링, 온도 및 전력 소비 추적, 설치 지원, 보안 조치 및 수익 상태를 포함하여 GPU 노드 작업을 관리할 수 있습니다.

• IO Explorer: 주로 사용자에게 GPU 클라우드의 다양한 측면에 대한 포괄적인 통계와 시각화를 제공하여 사용자가 네트워크 활동, 주요 통계, 데이터 포인트, 보상 거래를 실시간으로 볼 수 있도록 합니다.

• IO ID: 사용자는 지갑 주소 활동, 지갑 잔액, 청구 수입을 포함한 개인 계정 상태를 볼 수 있습니다.

• IO 코인: 사용자가 IO.NET의 토큰 상태를 볼 수 있도록 지원합니다.

• BC 8.AI: 이는 IO.NET으로 구동되는 AI 이미지 생성 웹사이트로, 사용자는 텍스트를 이미지로 생성하는 AI 생성 프로세스를 구현할 수 있습니다.

IO.NET은 암호화폐 채굴자, Filecoin 및 Render와 같은 프로젝트, 그리고 다른 프로젝트의 유휴 컴퓨팅 파워를 사용하여 100만 개가 넘는 GPU 리소스를 집계하여 AI 엔지니어 또는 팀이 필요에 따라 GPU 컴퓨팅 서비스를 사용자 지정하고 구매할 수 있도록 합니다. 전 세계의 유휴 컴퓨팅 리소스를 활용하여 컴퓨팅 파워를 제공하는 사용자는 수익을 토큰화할 수 있습니다. IO.NET은 리소스 활용을 최적화할 뿐만 아니라 높은 컴퓨팅 비용을 줄여 더 광범위한 AI 및 컴퓨팅 애플리케이션을 촉진합니다.

분산 컴퓨팅 파워 플랫폼으로서 IO.NET은 사용자 경험, 컴퓨팅 파워 리소스 풍부함, 리소스 스케줄링 및 모니터링에 집중해야 하며, 이는 분산 컴퓨팅 파워 트랙에서 승리하는 데 중요한 칩입니다. 그러나 이전에도 리소스 스케줄링에 대한 논쟁이 있었고, 일부 사람들은 리소스 스케줄링과 사용자 주문 간의 불일치에 의문을 제기했습니다. 이 문제의 진위 여부를 확인할 수는 없지만, 관련 프로젝트가 이러한 측면의 최적화와 사용자 경험 개선에 주의를 기울여야 한다는 점을 상기시켜줍니다. 사용자의 지원 없이는 절묘한 제품은 단지 꽃병일 뿐입니다.

팀 정보:

창립자 아마드 샤디드는 이전에 WhalesTrader의 양적 시스템 엔지니어였으며 Ethereum Foundation의 기여자이자 멘토였습니다. CTO 가우라브 샤르마는 이전에 Amazon의 수석 개발 엔지니어, eBay의 아키텍트로 일했으며 Binance의 엔지니어링 부서에서 일했습니다.

자금 조달 정보:

2023년 5월 1일, 회사는 $1000만 달러 규모의 시드 라운드 자금 조달 완료를 공식 발표했습니다.

2024년 3월 5일, Hack VC가 주도하고 Multicoin Capital, 6th Man Ventures, M 13, Delphi Digital, Solana Labs, Aptos Labs, Foresight Ventures, Longhash, SevenX, ArkStream, Animoca Brands, Continue Capital, MH Ventures, Sandbox Games 등이 참여한 US$3000만 달러 규모의 시리즈 A 자금 조달 라운드를 완료했다고 발표했습니다.

MyShell: 소비자와 창작자를 연결하는 AI 에이전트 플랫폼

MyShell은 소비자, 제작자, 오픈소스 연구자를 연결하는 분산형 AI 소비자 계층입니다. 사용자는 플랫폼에서 제공하는 AI 에이전트를 사용하거나 MyShells 개발 플랫폼에서 자체 AI 에이전트나 애플리케이션을 빌드할 수 있습니다. MyShell은 사용자가 AI 에이전트를 자유롭게 거래할 수 있는 오픈 마켓을 제공합니다. MyShells AIpp 스토어에서 가상 동반자, 거래 도우미, AIGC 유형 에이전트를 포함한 다양한 AI 에이전트를 볼 수 있습니다.

MyShell은 ChatGPT 등 다양한 유형의 AI 챗봇에 대한 낮은 임계값의 대안으로, 광범위한 AI 기능 플랫폼을 제공하여 사용자가 AI 모델과 에이전트를 사용하는 임계값을 낮추고, 사용자가 포괄적인 AI 경험을 얻을 수 있도록 합니다. 예를 들어, 사용자는 문서 구성 및 쓰기 최적화에 Claude를 사용하고, 고품질 이미지를 생성하기 위해 Midjourney를 사용하고 싶을 수 있습니다. 일반적으로 사용자는 여러 플랫폼에서 여러 계정을 등록하고 일부 서비스에 대해 비용을 지불해야 합니다. MyShell은 원스톱 서비스를 제공하며 매일 무료 AI 할당량을 제공하며 사용자는 반복적으로 등록하고 비용을 지불할 필요가 없습니다.

또한 일부 AI 제품은 특정 지역에서는 사용이 제한되는 경우도 있으나, MyShell 플랫폼에서는 사용자가 다양한 AI 서비스를 전반적으로 원활하게 이용할 수 있어 사용자 경험이 크게 향상됩니다. MyShell의 이러한 장점은 사용자에게 편리하고 효율적이며 원활한 AI 서비스 경험을 제공하여 사용자 경험 측면에서 이상적인 선택이 됩니다.

MyShell 생태계는 세 가지 핵심 구성 요소로 구성됩니다.

자체 개발 AI 모델: MyShell은 사용자가 직접 사용할 수 있는 AIGC와 대규모 언어 모델을 포함하여 여러 개의 오픈 소스 AI 모델을 개발했습니다. 공식 Github에서 더 많은 오픈 소스 모델을 찾을 수도 있습니다.

오픈 AI 개발 플랫폼: 사용자는 AI 애플리케이션을 쉽게 구축할 수 있습니다. MyShell 플랫폼을 사용하면 제작자가 다양한 모델을 활용하고 외부 API를 통합할 수 있습니다. 네이티브 개발 워크플로와 모듈식 툴킷을 통해 제작자는 아이디어를 기능적 AI 애플리케이션으로 빠르게 변환하여 혁신을 가속화할 수 있습니다.

공정한 인센티브 생태계: MyShells 인센티브 방식은 사용자가 개인적 선호도에 맞는 콘텐츠를 만들도록 장려합니다. 제작자는 자체 구축 애플리케이션을 사용할 때 네이티브 플랫폼 보상을 받을 수 있으며 소비자로부터 자금을 받을 수도 있습니다.

MyShells Workshop에서 세 가지 모드로 사용자가 AI 로봇을 빌드할 수 있도록 지원하는 것을 볼 수 있습니다. 전문 개발자와 일반 사용자 모두 적절한 모드를 매치할 수 있습니다. 클래식 모드를 사용하여 모델 매개변수와 지침을 설정하고, 이를 소셜 미디어 소프트웨어에 통합할 수 있습니다. 개발 모드에서는 사용자가 자신의 모델 파일을 업로드해야 합니다. ShellAgent 모드를 사용하면 코드 없이 AI 로봇을 빌드할 수 있습니다.

MyShell은 분산화 개념과 AI 기술을 결합하여 소비자, 창작자 및 연구자에게 개방적이고 유연하며 공정한 인센티브 생태계를 제공하는 데 전념합니다. 자체 개발 AI 모델, 개방형 개발 플랫폼 및 다양한 인센티브 방법을 통해 사용자에게 창의성과 필요를 실현할 수 있는 풍부한 도구와 리소스를 제공합니다.

MyShell은 다양한 고품질 모델을 통합했으며, 팀은 또한 사용자 경험을 개선하기 위해 많은 AI 모델을 지속적으로 개발하고 있습니다. 그러나 MyShell은 여전히 사용에 있어 몇 가지 어려움에 직면해 있습니다. 예를 들어, 일부 사용자는 일부 모델이 중국어를 지원해야 한다고 보고했습니다. 하지만 MyShell 코드 리포지토리를 살펴보면 팀이 지속적으로 업데이트하고 최적화하고 있으며 커뮤니티의 피드백을 적극적으로 경청하고 있음을 알 수 있습니다. 지속적인 개선을 통해 앞으로 사용자 경험이 더 좋아질 것이라고 믿습니다.

팀 정보:

공동 창립자 젠지 친은 음성 알고리즘 연구에 집중하고 있으며 MIT에서 박사 학위를 취득했습니다. 칭화대에서 학사 학위를 취득하는 동안 그는 여러 개의 최고 컨퍼런스 논문을 발표했습니다. 그는 또한 로봇공학, 컴퓨터 비전 및 강화 학습 분야에서 전문적인 경험을 가지고 있습니다. 또 다른 공동 창립자 이선 선은 옥스포드대에서 컴퓨터 과학 학위를 취득했으며 AR+AI 분야에서 수년간의 업무 경험을 가지고 있습니다.

자금 조달 정보:

2023년 10월, 시드 라운드 자금 조달에서 $5.6백만을 모금했습니다. INCE Capital, Hashkey Capital, Folius Ventures, SevenX Ventures, OP Crypto 등이 투자에 참여했습니다.

2024년 3월, 최신 Pre-A 라운드 자금 조달에서 $11 million의 자금을 조달했습니다. 자금 조달은 Dragonfly가 주도했으며 Delphi Digital, Bankless Ventures, Maven 11 Capital, Nascent, Nomad, Foresight Ventures, Animoca Ventures, OKX Ventures, GSR과 같은 투자 기관이 참여했습니다. 또한, 이번 라운드 자금 조달은 Balaji Srinivasan, Illia Polosukhin, Casey K. Caruso, Santiago Santos와 같은 엔젤 투자자의 지원을 받았습니다.

올해 8월, 바이낸스 랩스는 여섯 번째 시즌 인큐베이션 프로그램을 통해 MyShell에 투자한다고 발표했지만, 구체적인 금액은 공개되지 않았습니다.

IV. 해결해야 할 과제 및 고려 사항

트랙이 아직 초기 단계이기는 하지만 실무자는 프로젝트의 성공에 영향을 미치는 몇 가지 중요한 요소에 대해 생각해야 합니다. 고려해야 할 몇 가지 측면은 다음과 같습니다.

AI 리소스의 공급과 수요의 균형: Web3-AI 생태 프로젝트의 경우 AI 리소스의 공급과 수요 간의 균형을 이루고 실제적인 요구가 있고 기여할 의향이 있는 더 많은 사람들을 유치하는 것이 매우 중요합니다. 예를 들어, 모델, 데이터 및 컴퓨팅 파워 요구 사항이 있는 사용자는 Web2 플랫폼에서 AI 리소스를 얻는 데 익숙해졌을 수 있습니다. 동시에 AI 리소스 공급자를 유치하여 Web3-AI 생태계에 기여하고 더 많은 수요자를 유치하여 리소스를 확보하고 AI 리소스의 합리적인 매칭을 달성하는 방법도 업계가 직면한 과제 중 하나입니다.

데이터 과제: 데이터 품질은 모델 학습 효과에 직접적인 영향을 미칩니다. 데이터 수집 및 데이터 전처리 중에 데이터 품질을 보장하고, 울 사용자가 가져온 대량의 정크 데이터를 걸러내는 것은 데이터 프로젝트가 직면한 중요한 과제가 될 것입니다. 프로젝트 소유자는 과학적 데이터 품질 관리 방법을 통해 데이터의 신뢰성을 높이고 데이터 처리 효과를 보다 투명하게 표시할 수 있으며, 이는 데이터 수요자에게도 더 매력적일 것입니다.

보안 문제: Web3 산업에서는 악의적인 행위자가 AI 자산의 품질에 영향을 미치지 못하도록 하고 데이터 및 모델과 같은 AI 리소스의 보안을 보장하기 위해 블록체인 및 프라이버시 기술을 사용하여 AI 자산의 온체인 및 오프체인 상호 작용을 달성해야 합니다. 일부 프로젝트 당사자는 솔루션을 제안했지만 이 분야는 아직 진행 중입니다. 기술이 계속 개선됨에 따라 더 높고 입증된 보안 표준이 달성될 것으로 예상됩니다.

사용자 경험:

• Web2 사용자는 일반적으로 전통적인 운영 경험에 익숙한 반면, Web3 프로젝트는 일반적으로 복잡한 스마트 계약, 분산형 지갑 및 기타 기술을 수반하며, 이는 일반 사용자에게 높은 문턱을 가질 수 있습니다. 업계는 더 많은 Web2 사용자가 Web3-AI 생태계에 진입하도록 유치하기 위해 사용자 경험과 교육 시설을 더욱 최적화하는 방법을 고려해야 합니다.

• Web3 사용자에게 효과적인 인센티브 메커니즘과 지속적으로 운영되는 경제 시스템을 구축하는 것은 장기적인 사용자 유지와 생태계의 건강한 발전을 촉진하는 열쇠입니다. 동시에 AI 기술을 최대한 활용하여 Web3 분야의 효율성을 높이고 AI와 결합된 더 많은 응용 시나리오와 게임 플레이를 혁신하는 방법에 대해 생각해야 합니다. 이는 모두 생태계의 건강한 발전에 영향을 미치는 핵심 요소입니다.

인터넷+의 발전 추세가 계속 진화함에 따라 우리는 수많은 혁신과 변화를 목격했습니다. 현재 많은 분야가 AI와 결합되었습니다. 미래를 바라보면 AI+ 시대가 도처에서 꽃을 피우고 우리의 삶의 방식을 완전히 바꿀 수 있습니다. Web3와 AI의 통합은 데이터의 소유권과 통제권이 사용자에게 돌아가는 것을 의미하며, 이를 통해 AI는 더 투명하고 신뢰할 수 있게 됩니다. 이러한 통합 추세는 보다 공정하고 개방적인 시장 환경을 구축하고 모든 계층에서 효율성 개선과 혁신적인 개발을 촉진할 것으로 기대됩니다. 우리는 산업 빌더들이 더 나은 AI 솔루션을 만들기 위해 협력하기를 기대합니다.

참고자료

https://ieeexplore.ieee.org/abstract/document/9451544

https://docs.ora.io/doc/oao-onchain-ai-oracle/introduction

https://saharalabs.ai/

https://saharalabs.ai/blog/sahara-ai-raise-43m

https://bittensor.com/

https://docs.bittensor.com/yuma-consensus

https://docs.bittensor.com/emissions#emission

https://twitter.com/myshell_ai

https://twitter.com/SubVortexTao

https://foresightnews.pro/article/detail/49752

https://www.ora.io/

https://docs.ora.io/doc/imo/introduction

https://github.com/ora-io/keras2c ircom

https://arxiv.org/abs/2401.17555

https://arxiv.org/abs/2402.15006

https://x.com/OraProtocol/status/1805981228329513260

https://x.com/getgrass_io

https://www.getgrass.io/blog/grass-the-first-ever-layer-2-data-rollup

https://wynd-network.gitbook.io/grass-docs/architecture/overview#edge-embedding-models

http://IO.NET

https://www.ray.io/

https://www.techflowpost.com/article/detail_17611.html

https://myshell.ai/

https://www.chaincatcher.com/article/2118663

감사의 말

이 새로운 인프라 패러다임에는 아직 많은 연구와 작업이 필요하며, 이 기사에서 다루지 않은 분야가 많이 있습니다. 관련 연구 주제에 관심이 있으시면 Chloe에게 문의하세요.

이 기사에 대한 통찰력 있는 의견과 피드백을 준 Severus와 JiaYi에게 진심으로 감사드립니다. 마지막으로, JiaYi의 고양이 사랑 모습에 감사드립니다.

이 기사는 인터넷에서 발췌한 것입니다: Web3-AI 트랙 파노라마 보고서: 기술 논리, 시나리오 응용 프로그램 및 최고 프로젝트에 대한 심층 분석

관련글: 다음주 꼭 봐야 할 뉴스｜양당 부통령 후보 토론, 아이젠 이적 제한 해제(9.30~1

다음 주 주요 내용 9월 30일 CME 그룹, 9월 30일 새로운 비트코인 선물 상품인 비트코인 프라이데이 선물 출시 계획 ; Ethena: 시즌 2 에어드롭 청구가 9월 30일에 시작됩니다 ; 10월 1일(1:00) Powell이 National Association for Business Economics에서 연설합니다 ; (8:00) Grass Foundation: 사용자는 에어드롭을 받으려면 10월 1일 전에 Solana 지갑을 연결해야 합니다 ; (13:00) EIGEN 전송 제한이 9월 30일에 해제되고 약속한 사용자는 7일 동안 출금 기간이 주어집니다 ; 10월 2일(9:00) 민주당과 공화당 부통령 후보가 10월 2일에 부통령 토론을 합니다 ; 10월 4일(20:30) 미국이 9월 실업률과 계절적으로 조정된 비농업 고용 데이터를 발표합니다 ; 9월 30일부터 10월 6일까지…