AI-meda Research

🔤AO computer

· 데이터 스토리지 레이어 Arweave에 구축된 새로운 유형의 컴퓨팅 플랫폼 · AO가 Arweave를 데이터 스토리지 레이어로 사용하는 구조로, 지속적인 수요발생

✔️ 특징 · 병렬 실행 : 트랜잭션을 병렬로 실행하고, 각 어플리케이션들이 로컬에서 상태를 유지할 수 있는 것이 특징. · 확장성 : 어플리케이션이 사용할 수 있는 보안 가치를 유연하게 확장할 수 있음. 예를 들어 소액결제에 대한 보안을 낮추고, 대규모 자금 전송의 보안을 높일 수 있음(기존 블록체인에선 불가능함). · 모듈러리티 : 개발자들은 원하는 실행환경과(VM 에 구애받지 않음) 유연한 보안을 선택할 수 있음. ✅ 병렬 처리와 메시지 전달을 통한 스케일링으로 대규모 연산과 데이터 저장이 필요한 AI 프로덕트에 특화되어, 많은 팀들이 AI 관련 프로덕트를 런칭하려 하고 있음. ✔️ AO Network · Processes : 유저가 사용하는 어플리케이션을 AO 용어로 Process라고 함. · Messages : 트랜잭션과 유사한 개념으로, 유저나 Processes에서 생성됨. 어플리케이션들끼리 사용할 수 있는 메시지 프로토콜을 표준화 해 서로 데이터를 읽고 쓸 수 있음. ANS-104 표준을 따름. · Scheduler Units(SU) : 메시지의 순서를 정렬하고 데이터를 Arweave에 업로드하는 역할 · Compute Units(CU) : 네트워크에 연산을 제공하고 Process의 상태를 업데이트 하는 역할 · Messenger Units(MU) : 생성된 메시지를 SU, CU에 전달해 상호작용하는 역할 ✔️ 토크노믹스 · 100% 페어런치(Fair Launch) · 총 발행량 2100만개, 4년 반감기(비트코인과 동일) · AO로 브릿지, $AR 보유 또는 빌딩으로 토큰 발행 ✔️ 펀드레이징 · AO를 출시한 Arweave는 현재 총 $15M 이상 투자유치(Link) · a16z, Multicoin Capital, Coinbase Ventures 등 리서치 저자: @tony12450

🔤 Wayfinder - Web3를 위한 AI 에이전트 - tweet · Shell이라는 에이전트를 제공하여 챗봇의 형태로 사용자의 의도를 수행 · 사용자는 $PROMPT를 지불하여 Shell을 사용 가능 · Shell이 작동하는 경로는 Wayfinder Network에 그래프 형태로 저장되어 있음 ✔️ Web3 AI Agent · Web3 환경에서 사용자의 의도를 수행하기 위한 에이전트 (e.g. Solana 체인의 내 SOL의 80%를 Base 체인의 ETH로 가장 효율적인 방법으로 스왑해줘) · 크로스체인 상호운용성에 많은 기여가 가능할 것으로 기대됨 · 사용자는 자신의 Shell을 학습시켜 전문화시킬 수 있고, 학습된 Shell의 메모리를 판매할 수도 있음 ✔️ Wayfinder Network · Web3 에코시스템을 그래프화 하여, Shell들이 경로를 탐색할 수 있게 함 · Uniswap과 같은 프로토콜들, 토큰 표준 등은 노드화 되고, 이를 작동하기 위한 함수는 간선이 됨 · 이미 생성된 경로를 Shell이 이용하면, 사용료를 지불하고, 그렇지 않다면 새로운 경로를 생성 가능 · 얼마전 6월 1일 Aave를 이용하는 첫 번째 랜딩 루트들이 게시되었음: 관련 트윗 링크 ✔️ 토크노믹스 (거버넌스에 의해 변경 가능) · 총 발행량: 1b · 3년 뒤에 모두 발행됨 · Shell 작동, Path 생성자 보상, Wayfinder Network 수수료, 거버넌스 등으로 이용 ✔️ 펀드레이징 · AI Wayfinder를 만든 Parallel은 2021년 $50M, 올해 3/28에 $35M을 투자받음 · Solana Ventures, Base, VanEck 등이 포함 · 전체 투자 정보 해당 링크에서 AI-meda Research의 Wayfinder에 대한 자세한 아티클을 확인하실 수 있습니다: https://t.me/aimedaresearch/36

Gensyn : 모델 트레이닝을 위한 탈중앙 컴퓨팅 네트워크 1. 소개 : 모델 트레이닝에 필요한 컴퓨팅 리소스 점점 비싸지고 있으며(GPT4의 경우 1조 7천억개 파라미터 적용), 급증하는 수요와 대비해 물리적인 칩 공급 부족과 성능의 제한적인 발전으로 컴퓨팅 공급에 제약을 받고 있다. Gensyn은 비용 효율적인 오프체인 컴퓨팅 네트워크를 구축해 대규모 연산을 오프체인에서 수행하고 온체인에 증명하는 방식으로 모델 트레이닝을 위한 컴퓨팅 인프라를 개발하고 있다. 이때 네트워크가 해결해야할 가장 중요한 과제는 "작업 검증(Work verification)"이다. 오프체인에서 작업을 수행하기 때문에, 올바른 모델을 통해 작업이 수행되었는지 검증할 수 있는 방법이 있어야 한다(롤업 체인의 트랜잭션 검증과제와 비슷함). 여러 dAI 프로젝트들은 다양한 검증 방식(zkML, opML, 토큰 인센티브 등)을 사용해 작업 검증을 수행하고자 하며, 탈중앙 AI 프로젝트들이 해결해야할 핵심 과제이다. Gensyn은 3가지 개념을 사용해 효율적인 검증을 시도하고 있다. 네트워크 참여자는 작업을 수행하는 솔버(Solvers), 작업을 검증하는 검증자(Verifiers), 검증자를 모니터링하는 내부 고발자(Whistleblowers), 네트워크에 작업을 요청하는 제출자(Submitters)로 구성된다. 1) 확률론적 학습 증명(Probabilistic proof of learning) : 가장 확실한 작업 검증 방법은 검증자가 솔버의 작업을 처음부터 다시 수행해 정직성을 확인하는 방법인데(단일 복제), 작업량이 두 배 이상 소요되어 비효율적이다. 따라서 솔버는 검증자가 최대한 핵심을 포함하게 복제할 수 있도록 예정된 간격으로 메타데이터를 포함한 체크포인트를 저장해 학습 증명을 생성한다. 검증자는 중요한 단계만 복제해 신속하게 검증할 수 있으며 악의적인 노드가 검증에 어떤 부분이 선택될지 예측할 수 없어 부정 행위의 위험이 줄어드는 장점이 있다. 2) 그래프 기반 핀포인트 프로토콜(Graph-based pinpoint protocol, Gpp) : 검증자를 두더라도 검증자를 신뢰할 수 있는가에 대한 문제가 발생하는데, 내부 고발자를 통해 검증자의 검증이 정확한지 확인하며, 올바르지 않을 경우 이의 제기(Contract arbitration)과정에서 Gpp를 사용해 궁극적으로 체인 자체에서 확인할 수 있도록 한다. 3) 트루비트 스타일의 인센티브 게임(Truebit style incentive game) : 스테이킹과 슬래싱을 활용한 인센티브 구조를 활용한다. 2. 작동 방식 - 작업 제출(Task Submission) : 작업을 설명하는 메타데이터를 포함해 체인에 제출되며, 검증자는 작업 검증에 필요한 기준선(총 예상 거리 임계값으로, 어느 정도의 거리가 유효한 결과인지 판단하는 기준)을 설정하는 프로파일링(Profiling)을 수행한다. - 트레이닝과 증명 생성(Training and Proof generation) : 프로파일링 이후 작업은 공통 작업 풀(Common task pool, 멤풀과 유사)에 들어가며, 작업 처리를 위해 솔버가 선택된다. 솔버들은 작업을 처리하는 동안 검증을 위해 여러 개의 체크 포인트를 저장한 학습 증명을 생성한다. 이때 증명은 쌓을(Stack) 수 있는데, 체크포인트를 시작점으로 증명을 이어 생성할 수 있다. 즉, 사전 훈련된 기초 모델(Foundation models)를 구축할 수 있는 것이다. - 증명 검증(Verification of proof) : 작업이 완료되면 솔버는 증명을 네트워크에 게시하며, 검증자는 증명의 체크포인트를 중심으로 작업을 복제해 거리 계산(기준선을 기준으로, 유효한 작업이었는지)을 수행한다. 솔버와 검증자간 의견이 일치하지 않는 경우, 머클 트리를 기반으로 한 데이터 구조를 사용해 연산 결과에서 불일치하는 정확한 위치를 찾아낸다. - 그래프 기반 핀포인트 챌린지(Graph based pinpoint challenge) : 증명을 검증한 후, 내부 고발자는 검증자의 검증 작업이 올바른지 확인하기 위해 검증자의 작업을 복제할 수 있으며, 검증이 올바르지 않은 경우 계약 중재(Contract arbitration)을 요청하고 보상을 받는다. 내부 고발자의 적극적인 참여를 유도하기 위해 요청이 오답인 경우에도 내부 고발자에게 인센티브를 지급한다. 또한 내부 고발자의 정직성을 유지하고 검증자의 딜레마를 극복하기 위해 검증자는 주기적으로 강제 오류를 생성해야한다. *검증자의 딜레마 : 검증자가 검증과정에서 완전한 검증과, 비용 최소화 사이에서 갈등을 겪는 문제. 철저하게 검증하는 대신 보상을 극대화 하기 위해 다음 작업으로 넘어가는 문제. - 완결(Settlement) : 작업이 올바르게 수행되고 모든 검증이 통과되면 솔버와 검증자 모두 수행한 작업에 따라 보상을 받는다. *현재 Gensyn은 작업 확인을 위한 audit 전략, 트레이닝 모니터링을 위한 암호화 증명 시스템 도입, 증명 보장을 위한 새로운 가용성 증명 시스템 도입, 재현가능한 ML 런타임(Reproducible ML runtime) 등 여러가지 사항이 변경되었습니다. 3. 투자 - Pre-seed, $1.1m - Seed, $6.5m, Eden Block lead - Series A, $43m, a16z lead, $240m val 4. Official Links - Website - Twitter - Litepaper - Linkedin 리서치 저자: @tony12450

🔤 io net - The Internet of GPUs - tweet

· GPU를 클러스트링하여 제공하는 DePIN 프로젝트 · AWS, Azure 같은 중앙화된 플렛폼에 비해 저렴함 · GPU를 제공하여 토큰을 보상으로 받거나, 토큰을 대가로 빌릴 수 있음

✔️ GPU 클러스트링 · io.net은 GPU를 지역별로 클러스트링하거나 mesh VPN을 이용하는 등의 방법으로 레이턴시를 최소화 · IO Tunnels (Reverse Tunnels)을 이용하여 데이터 프라이버시를 보호하고, 관리가 용이하게 함 · Web 3 토큰 보상 시스템을 바탕으로 저렴한 가격에 이용 가능 ✔️ IO Worker 노드 · 시즌 2가 곧 종료될 예정 (5월 31일 까지) · 엔비디아 지포스 시리즈, 애플 M1~M3 칩 등 다양한 CPU / GPU를 제공 가능 ✔️ 토크노믹스 · 총 발행량: 800m / 초기 발행량: 500m · 자동화된 소각 구조 (수수료 소각 구조) · 1시간마다 분배되며, 20년 뒤에 모두 발행됨 ✔️ 펀드레이징 · 시리즈 A에서 Hack VC의 리드로 $30M을 모금 · 멀티코인 캐피탈, 델파이 디지털, OKX 벤쳐스, 아나톨리 (Solana 파운더), Mohammad (앱토스 파운더) 등이 포함 · 전체 투자 정보

🔤 Grass - AI를 위한 데이터 레이어 - tweet

· 모델 학습에 사용될 데이터 수집, 저장, 전처리 모두에 관여 · 현재는 데이터 수집을 위한 DePIN 구축에 집중 · Polychain Capital, Tribe Capital의 리드로 시드 투자를 받음

✔️ AI에서 데이터의 중요성 · 모델의 추론 결과는 모델 학습에 사용된 데이터들의 상관관계에 의존 · 모델 학습을 위한 데이터 수집은 갈수록 어려워지고 있음 (Reddit의 API 가격 인상 등) · Grass는 이를 해결하기 위해, 데이터 수집을 위한 DePIN을 구축 ✔️ 작동 방식 1. 클라이언트는 목표 웹 서버에 대한 데이터 크롤링 요청을 보냄 2. Validator는 데이터 수집을 위해, 목표 웹 서버에 보낼 요청을 암호화하여 Grass Node들에게 전달 3. Grass Node는 전달받은 요청을 목표 웹 서버에 보내고, 암호화된 서버의 응답을 Validator에게 반환 4. Validator는 세션 키를 이용하여 반환된 응답을 복호화하고, 이를 Client에게 전달 5. 데이터는 Grass Data Ledger에 저장되고, Solana에 zkp가 올라가며 settle됨 ✔️ 노드 운영 · 노드를 운영하여 Grass 포인트를 얻을 수 있음 / 에포크 5 진행중 · 데이터 크롤링만 가능하지만, 후에 데이터 라벨링 기능도 추가 예정 · 설치 링크 (크롬 익스텐션) ✔️ 펀드레이징 · Pre-Seed 라운드에서 No Limit Holdings의 리드로 $1M을 모금 · Seed 라운드에서 Polychain Capital, Tribe Capital의 리드로 $3.5M을 모금

🔤 Privasea - FHEML을 이용한 AI 네트워크 - tweet

· FHE를 ML에 적용하여 ML 연산 과정에서 입력 데이터가 암호화됨 · Binance Labs, OKX Ventures에서 투자를 받음 · 최근 비탈릭 부테린도 FHE에 대한 트윗을 남긴 바 있음

FHE / FHEML 이란? · 데이터를 암호화하여 연산해도, 결과를 보존하는 암호학적 방법 · 결과를 복호화하면 원본 데이터를 계산한 결과를 얻을 수 있음 · ex) a + b = c <-> enc(a) + enc(b) = enc(c) 작동 방식 1. 사용자가 입력 데이터를 암호화하여 ML 과정을 요청 2. Privanetix 노드들이 이 작업을 수행 ↳ GPU 리소스를 제공하는 노드들로 구성된 DePIN 네트워크 ↳ 각 노드는 연산을 수행하고 토큰을 보상으로 수령 ↳ 추후 zkML 방식으로 연산 결과를 검증할 수 있게 할 예정 3. 암호화된 연산 결과는 복호화되어 사용자에게 전달 토크노믹스 · 노드 보상, 스테이킹 물량: 45% · 팀: 10% · VC: 20% · 마케팅, 커뮤니티: 15% · Reserve: 4% · LP 4% 펀드레이징 · 시드 라운드에서 Binance Labs를 포함한 투자자로부터 $5m을 모금 · OKX Ventures를 포함한 투자자로부터 최근 전략적 투자를 받음 추가 의견 deAI에서 가장 취약한 부분 중 하나는 제 3자(모델 제공자, GPU 리소스 제공자 등)와 온체인에 게시되는 개인정보라고 생각합니다. FHE를 ML 과정에 도입한 FHEML은 이런 문제를 해결하기 위한 좋은 솔루션 중 하나이며, Privasea는 FHEML을 이용한 AI 네트워크를 구축하는, deAI와 privacy 섹터에서 주목할만한 프로젝트입니다. Binance Labs, OKX Ventures 등으로 부터 투자를 받은 점이 인상적이며, 최근 비탈릭의 FHE 언급(tweet)과 deAI, dePIN 등 하잎이 붙을 수 있는 네러티브 요소를 많이 포함하고 있는 것 같습니다. 해당 링크에서 AI-meda Research의 Privasea에 대한 더욱 자세한 아티클을 확인하실 수 있습니다: https://universal-prune-200.notion.site/Privasea-d38b23439e734d2bb4fb0ab06a477a5b

🇰🇷 지켜봐야할 AI 내러티브, Virtual Protocol 프로젝트

· AI 관련 프로젝트 중, 유명한 프로젝트인 Virtual Protocol · 최근 비텐서에서 A2A(Audio to Animation) 서브넷 런칭

☑️ Virtual Protocol 이란? ↳ Base 체인 위에 빌드업 중 ↳ AI 쪽에서는 유명한 프로젝트 - Co-owned, Human-curated, plug-and-play AI 에이전트 ↳ Virtual Protocol의 기술을 사용하여 지속적으로 dAPP 출시 - 현재 AI Waifu라는 dAPP를 성공적으로 런칭완료 ☑️ Virtual Protocol, 비텐서 서브넷 출시 ↳ Virtual Protcol은 비텐서에서 A2A 서브넷 런칭을 발표 ↳ A2A(Audio to Animation) - 쉽게 생각하면 탈중앙화된 Sora(Open AI의 text-to-video) 오디오에 따라 다양한 캐릭터에 움직임을 넣을 수 있다는 것은 다양한 애니메이션 캐릭터의 제작 뿐만 아니라 사용자들이 접근성과 작업시간을 획기적으로 단축 시켜줄 수 있음을 의미합니다. ✍🏻 일단 BASE 체인으로 넘어간 상태이며, 오픈소스 A2A 모델을 통해 다양한 결과물을 만들어 낼 수 있다고 생가합니다. AI 내러티브는 이제 메타를 뛰어넘어 우리 삶 속에 일부가 되었습니다. 꾸준히 성과를 내고 있는 Virtual Protocol를 팔로우업해보면 좋을 듯 합니다.

De/AI project Spotlight #1 ORA - 이더리움의 Trustless AI를 위한 오라클 About ORA: 이더리움에서 무신뢰가 보장된 AI를 연산을 가능하게 해주는 오라클 - ORA는 추론을 위해 사용한 모델에 대한 zk 증명이나, 챌린지 프로세스를 도입하여 '검증 가능한 ML'을 가능하게 합니다. - ORA는 오픈소스 AI 모델을 온체인 상에 토큰화하여, 토큰 소유자들에게 모델의 가치를 분배합니다. Verifiable ML zkML / opML / opp/ai 등을 사용하여 ORA는 사용자가 요청한 추론을 위해 사용한 모델을 보장할 수 있습니다. (옵티미스틱 롤업과 지케이 롤업의 검증 방식과 유사합니다) IMO (Initial Model Offering) IMO는 AI 모델을 온체인으로 토큰화하고, 토큰 홀더들은 다음 수익원으로부터 수익을 얻습니다: Model Ownership (ERC-7641) + Inference Asset (ERC-7707) Fundrasing ORA는 Pre-Seed 라운드에서 dao5와 Hongshan(Sequoia China)의 리드 하에 $3m을 모금했습니다. 다음 링크에서 ORA에 대한 AI-meda research의 아티클을 확인하실 수 있습니다: https://t.me/aimedaresearch/6

D/AI 프로젝트 Industry Map

D/AI 프로젝트 Industry map