왜 다중 모달 모듈화가 Web3AI의 환상인가? Web3AI는 왜 농촌으로 도시를 포위하는 것을 전술 강령으로 삼는가?

作者： @BlazingKevin_ ，Movemaker의 연구원

엔비디아는 Deepseek이 가져온 모든 하락폭을 조용히 회복했으며, 심지어 다시 새로운 고점에 도달했습니다. 다중 모달 모델의 진화는 혼란을 가져오지 않았고, 오히려 Web2 AI의 기술 장벽을 더욱 심화시켰습니다. ------ 의미 정렬에서 시각적 이해, 고차원 임베딩에서 특성 융합에 이르기까지, 복잡한 모델은 전례 없는 속도로 다양한 모달 표현 방식을 통합하여 점점 더 폐쇄적인 AI 고지를 구축하고 있습니다. 미국 주식 시장도 발로 투표하고 있으며, 암호화폐 주식이든 AI 주식이든 모두 소규모 황소 시장을 형성하고 있습니다. 그러나 이 열풍은 Crypto와는 전혀 관련이 없습니다. 우리가 보는 Web3 AI 시도, 특히 최근 몇 달간의 에이전트 방향의 진화는 방향성이 거의 완전히 잘못되었습니다. 탈중앙화 구조를 사용하여 Web2 스타일의 다중 모달 모듈화 시스템을 조립하려는 일방적인 시도는 사실 기술과 사고의 이중적 불일치입니다. 모듈 결합성이 극도로 강하고, 특성 분포가 매우 불안정하며, 계산 능력 요구가 점점 집중되는 오늘날, Web3에서 다중 모달 모듈화는 전혀 설 자리가 없습니다. 우리가 지적해야 할 것은 Web3 AI의 미래는 모방이 아니라 전략적 우회에 있다는 것입니다. 고차원 공간의 의미 정렬에서 주의 메커니즘의 정보 병목, 이질적 계산 능력 하의 특성 정렬에 이르기까지, 하나하나 설명하겠습니다. 왜 Web3 AI가 농촌이 도시를 포위하는 전술을 채택해야 하는지 설명하겠습니다.

Web3 AI는 평면화된 다중 모달 모델에 기반하여, 의미 정렬 실패로 인해 성능 저하를 초래합니다.

현대 Web2 AI의 다중 모달 시스템에서 "의미 정렬"은 서로 다른 모달(예: 이미지, 텍스트, 오디오, 비디오 등)에서 오는 정보를 동일하거나 상호 변환 가능한 의미 공간에 매핑하여 모델이 본래 형태가 다른 신호 뒤에 있는 내재적 의미를 이해하고 비교할 수 있도록 하는 것을 의미합니다. 예를 들어, 고양이 사진과 "a cute cat"이라는 문장이 있을 때, 모델은 고차원 임베딩 공간에서 이들을 서로 가까운 위치에 투영해야만 검색, 생성 또는 추론 시 "사진을 보고 말할 수 있고", "소리를 듣고 이미지를 연상할 수 있게" 됩니다.

고차원 임베딩 공간을 실현하는 전제 하에 작업 흐름을 서로 다른 모듈로 나누는 것이 비용 절감과 효율 증대의 의미가 있습니다. 하지만 Web3 에이전트 프로토콜에서는 고차원 임베딩을 실현할 수 없습니다. 왜냐하면 모듈화는 Web3 AI의 착각이기 때문입니다.

고차원 임베딩 공간을 어떻게 이해할까요? 가장 직관적인 차원에서 "고차원 임베딩 공간"을 좌표계로 상상해 보세요. ------ 평면의 x-y 좌표처럼, 숫자 쌍을 사용하여 한 점을 위치시킬 수 있습니다. 우리가 흔히 보는 2차원 평면에서는 한 점이 두 개의 숫자(x, y)로 완전히 결정됩니다. 그러나 "고차원" 공간에서는 각 점을 더 많은 숫자로 설명해야 하며, 128개, 512개, 심지어 수천 개의 숫자가 필요할 수 있습니다.

이해를 돕기 위해 세 단계로 나누어 설명하겠습니다:

1. 2차원 예시:

• 지도에서 몇 개의 도시의 좌표를 표시했다고 가정해 보세요. 예를 들어, 베이징(116.4, 39.9), 상하이(121.5, 31.2), 광저우(113.3, 23.1)입니다. 여기서 각 도시는 "2차원 임베딩 벡터"에 해당합니다: 두 차원 좌표가 지리적 위치 정보를 숫자로 인코딩합니다.
• 도시 간의 "유사도"를 측정하고 싶다면------지도에서 가까운 도시는 종종 같은 경제 지역이나 기후 지역에 있습니다------이들의 좌표의 유클리드 거리를 직접 비교할 수 있습니다.

1. 다차원으로 확장:

• 이제 "지리적 공간"의 위치를 설명할 뿐만 아니라 "기후 특성"(평균 기온, 강수량), "인구 특성"(인구 밀도, GDP) 등을 추가하고 싶다고 가정해 보세요. 각 도시에 5, 10, 또는 그 이상의 차원을 포함하는 벡터를 할당할 수 있습니다.
• 예를 들어, 광저우의 5차원 벡터는 [113.3, 23.1, 24.5, 1700, 14.5]일 수 있으며, 각각 경도, 위도, 평균 기온, 연간 강수량(밀리미터), 경제 지수를 나타냅니다. 이 "다차원 공간"은 지리적, 기후적, 경제적 등 여러 차원에서 도시를 비교할 수 있게 해줍니다: 두 도시의 벡터가 매우 가까우면 이들 속성에서 매우 유사하다는 것을 의미합니다.

1. 의미로 전환------왜 "임베딩"이 필요한가:

• 자연어 처리(NLP)나 컴퓨터 비전에서 우리는 "단어", "문장" 또는 "이미지"를 이러한 다차원 벡터로 매핑하여 "유사한 의미의" 단어 또는 이미지가 공간에서 더 가까이 위치하도록 하기를 원합니다. 이 매핑 과정을 "임베딩"이라고 합니다.
• 예를 들어, 우리는 모델을 훈련시켜 "cat"(고양이)을 300차원 벡터 v₁에 매핑하고, "dog"(개)를 다른 벡터 v₂에 매핑하며, "economy"(경제)와 같은 "무관한" 단어를 v₃에 매핑합니다. 그러면 이 300차원 공간에서 v₁과 v₂의 거리는 매우 가까울 것입니다(왜냐하면 이들은 모두 동물이며, 유사한 언어 환경에서 자주 등장하기 때문입니다), 반면 v₁과 v₃의 거리는 멀 것입니다.
• 모델이 방대한 텍스트 또는 이미지-텍스트 쌍에서 훈련됨에 따라, 학습된 각 차원은 "경도", "위도"와 같은 설명 가능한 속성과 직접적으로 대응하지 않으며, 어떤 "암묵적 의미 특성"을 나타냅니다. 어떤 차원은 "동물 vs. 비동물"이라는 거친 구분을 포착할 수 있고, 어떤 차원은 "가축 vs. 야생"을 구분할 수 있으며, 또 어떤 차원은 "귀여움 vs. 위엄"의 느낌에 해당할 수 있습니다…… 요컨대, 수백, 수천 개의 차원이 함께 작용하여 다양한 복잡하고 얽힌 의미적 측면을 인코딩할 수 있습니다.

고차원과 저차원의 차이는 무엇일까요? 충분히 많은 차원이 있어야 다양한 서로 얽힌 의미적 특성을 수용할 수 있으며, 고차원만이 이들이 각자의 의미 차원에서 더 명확한 위치를 가질 수 있게 합니다. 의미가 구분되지 않거나 의미가 정렬되지 않을 때, 저차원 공간에서 서로 다른 신호가 "압축"되어 모델이 검색이나 분류 시 혼란을 자주 일으키고 정확도가 크게 하락합니다. 또한, 전략 생성 단계에서 미세한 차이를 포착하기 어려워 핵심 거래 신호를 놓치거나 위험 임계값을 잘못 판단하여 수익 성과에 직접적인 영향을 미칩니다. 게다가, 모듈 간 협력이 불가능해지고, 각 에이전트가 각자 독립적으로 운영되며, 정보 고립 현상이 심각해져 전체 응답 지연이 증가하고 강건성이 저하됩니다. 마지막으로, 복잡한 시장 상황에 직면했을 때, 저차원 구조는 다원 데이터 수용 능력이 거의 없어 시스템의 안정성과 확장성을 보장하기 어려워 장기적으로 성능 병목과 유지 관리의 어려움에 빠지게 되어 제품 출시 후 성과가 초기 예상과 크게 차이가 나게 됩니다.

그렇다면 Web3 AI 또는 에이전트 프로토콜이 고차원 임베딩 공간을 실현할 수 있을까요? 먼저 고차원 공간이 어떻게 실현되는지를 답변하겠습니다. 전통적인 의미의 "고차원"은 각 하위 시스템------예: 시장 정보, 전략 생성, 실행, 위험 관리------이 데이터 표현 및 의사 결정 과정에서 서로 정렬되고 상호 보완적인 이익을 가져야 한다고 요구합니다. 그러나 대부분의 Web3 에이전트는 기존 API(예: CoinGecko, DEX 인터페이스 등)를 각각 독립적인 "에이전트"로 포장할 뿐이며, 통합된 중심 임베딩 공간과 모듈 간 주의 메커니즘이 부족하여 정보가 모듈 간에 다각도, 다층적으로 상호작용할 수 없고, 선형 파이프라인을 통해서만 작동하여 단일 기능을 나타내며 전체 폐쇄 루프 최적화를 형성할 수 없습니다.

많은 에이전트가 외부 인터페이스를 직접 호출하고, 심지어 인터페이스 반환 데이터에 대해 충분한 미세 조정이나 특성 공학을 수행하지 않습니다. 예를 들어, 시장 분석 에이전트는 단순히 가격과 거래량을 가져오고, 거래 실행 에이전트는 인터페이스 매개변수에 따라 주문을 내며, 위험 관리 에이전트는 몇 가지 임계값에 따라 경고를 보냅니다. 이들은 각자의 역할을 수행하지만, 동일한 위험 사건이나 시장 신호에 대한 다중 모달 융합 및 깊이 있는 의미 이해가 부족하여 시스템이 극단적인 시장 상황이나 자산 간 기회를 마주했을 때 신속하게 종합적이고 다각적인 전략을 생성할 수 없습니다.

따라서 Web3 AI가 고차원 공간을 실현하도록 요구하는 것은 에이전트 프로토콜이 모든 관련 API 인터페이스를 자체 개발하도록 요구하는 것과 같습니다. 이는 모듈화의 초기 의도와 정반대입니다. Web3 AI에서 중소기업이 그리는 모듈화 다중 모달 시스템은 신뢰할 수 없습니다. 고차원 구조는 엔드 투 엔드의 통합 훈련 또는 협동 최적화를 요구합니다: 신호 포착에서 전략 연산, 실행 및 위험 관리에 이르기까지 모든 단계가 동일한 표현과 손실 함수를 공유해야 합니다. Web3 에이전트의 "모듈은 플러그인"이라는 사고는 오히려 단편화를 심화시킵니다. ------ 각 에이전트의 업그레이드, 배포, 조정은 각자의 사일로 내에서 완료되며, 동기화된 반복이 어렵고 효과적인 중앙 모니터링 및 피드백 메커니즘이 없어 유지 관리 비용이 급증하고 전체 성능이 제한됩니다.

산업 장벽이 있는 전방위 지능형 에이전트를 실현하려면 엔드 투 엔드의 공동 모델링, 모듈 간의 통합 임베딩, 그리고 협동 훈련 및 배포의 시스템화된 공정이 필요합니다. 그러나 현재 시장에는 그러한 고통점이 존재하지 않으며, 자연스럽게 시장 수요도 없습니다.

저차원 공간에서 주의 메커니즘은 정밀하게 설계될 수 없습니다.

고수준의 다중 모달 모델은 정밀한 주의 메커니즘을 설계해야 합니다. "주의 메커니즘"은 본질적으로 계산 자원을 동적으로 할당하는 방식으로, 모델이 특정 모달 입력을 처리할 때 가장 관련성이 높은 부분에 선택적으로 "집중"할 수 있게 해줍니다. 가장 일반적인 것은 Transformer의 자기 주의(self-attention)와 교차 주의(cross-attention) 메커니즘입니다: 자기 주의는 모델 내부에서 시퀀스의 각 요소 간의 의존 관계를 측정할 수 있게 해줍니다. 예를 들어, 텍스트에서 각 단어와 다른 단어의 중요성을 평가합니다. 교차 주의는 한 모달의 정보(예: 텍스트)가 다른 모달(예: 이미지의 특성 시퀀스)을 디코딩하거나 생성할 때 어떤 이미지 특성을 "볼"지를 결정하게 해줍니다. 다중 헤드 주의(multi-head attention)를 통해 모델은 서로 다른 하위 공간에서 동시에 다양한 정렬 방식을 학습하여 더 복잡하고 세밀한 연관성을 포착할 수 있습니다.

주의 메커니즘이 작동하기 위한 전제는 다중 모달이 고차원이어야 하며, 고차원 공간에서 정밀한 주의 메커니즘은 방대한 고차원 공간에서 가장 핵심적인 부분을 가장 짧은 시간 안에 찾을 수 있게 해줍니다. 주의 메커니즘이 고차원 공간에서 작용해야 하는 이유를 설명하기 전에, Transformer 디코더를 대표로 하는 Web2 AI가 주의 메커니즘을 설계할 때의 프로세스를 이해해 보겠습니다. 핵심 아이디어는 시퀀스(텍스트, 이미지 패치, 오디오 프레임)를 처리할 때 모델이 각 요소에 동적으로 "주의 가중치"를 할당하여 가장 관련성이 높은 정보에 집중하게 하는 것입니다. 이는 맹목적으로 평등하게 대하는 것이 아닙니다.

간단히 말해, 주의 메커니즘을 자동차에 비유하면, Query-Key-Value를 설계하는 것은 엔진을 설계하는 것입니다. Q-K-V는 우리가 핵심 정보를 결정하는 메커니즘으로, Query는 쿼리("무엇을 찾고 있는가"), Key는 인덱스("무슨 태그가 있는가"), Value는 내용("여기에 어떤 내용이 있는가")을 나타냅니다. 다중 모달 모델의 경우, 모델에 입력하는 내용은 문장일 수도 있고, 이미지일 수도 있으며, 오디오일 수도 있습니다. 우리가 필요한 내용을 차원 공간에서 검색하기 위해 이러한 입력은 최소 단위로 분할됩니다. 예를 들어, 하나의 문자, 일정 픽셀 크기의 작은 조각 또는 오디오 프레임과 같은 최소 단위로 나누어집니다. 다중 모달 모델은 이러한 최소 단위에 대해 Query, Key, Value를 생성하여 주의 계산을 수행합니다. 모델이 특정 위치를 처리할 때, 해당 위치의 Query를 사용하여 모든 위치의 Key와 비교하여 어떤 태그가 현재 요구와 가장 잘 일치하는지를 판단한 후, 일치 정도에 따라 해당 위치에서 Value를 추출하고 중요도에 따라 가중합하여 최종적으로 자신 정보와 전역 관련 내용을 포함한 새로운 표현을 얻습니다. 이렇게 하면 각 출력은 문맥에 따라 동적으로 "질문---검색---통합"을 수행하여 효율적이고 정확한 정보 집중을 이룰 수 있습니다.

이 엔진의 기초 위에 다양한 부품을 추가하여 "전역 상호작용"과 "제어 가능한 복잡성"을巧妙하게 결합합니다: 스케일 포인트 곱은 수치 안정성을 보장하고, 다중 헤드 병렬 처리는 표현을 풍부하게 하며, 위치 인코딩은 시퀀스 순서를 보존하고, 희소 변형은 효율성을 고려하며, 잔차 및 정규화는 안정적인 훈련을 지원하고, 교차 주의는 다중 모달을 연결합니다. 이러한 모듈화되고 단계적으로 발전하는 설계는 Web2 AI가 다양한 시퀀스 및 다중 모달 작업을 처리할 때 강력한 학습 능력을 가지면서도 감당할 수 있는 계산 능력 범위 내에서 효율적으로 작동할 수 있게 합니다.

왜 모듈화된 Web3 AI는 통합된 주의 스케줄링을 실현할 수 없을까요? 첫째, 주의 메커니즘은 통합된 Query-Key-Value 공간에 의존합니다. 모든 입력 특성은 동일한 고차원 벡터 공간에 매핑되어야 점곱 계산을 통해 동적 가중치를 계산할 수 있습니다. 그러나 독립 API는 각기 다른 형식과 분포의 데이터를 반환합니다. ------ 가격, 주문 상태, 임계값 경고 등------ 통합된 임베딩 레이어가 없으면 상호작용 가능한 Q/K/V 세트를 형성할 수 없습니다. 둘째, 다중 헤드 주의는 동일한 레이어에서 동시에 다양한 정보 소스에 주의를 기울이고 결과를 집계할 수 있게 해줍니다. 그러나 독립 API는 종종 "A를 호출한 다음 B를 호출하고, 그 다음 C를 호출"하는 방식으로 작동하며, 각 단계의 출력은 다음 모듈의 입력일 뿐입니다. 병렬 처리 및 다중 경로 동적 가중치의 능력이 부족하여 주의 메커니즘에서 모든 위치 또는 모든 모달에 점수를 매기고 종합하는 정밀한 스케줄링을 시뮬레이션할 수 없습니다. 마지막으로, 진정한 주의 메커니즘은 전체 문맥에 기반하여 각 요소에 동적으로 가중치를 할당합니다. API 모드에서는 모듈이 호출될 때 "독립적인" 문맥만 볼 수 있으며, 서로 간에 실시간으로 공유되는 중앙 문맥이 없으므로 모듈 간의 전역 연관성과 집중을 실현할 수 없습니다.

따라서 다양한 기능을 분리된 API로 포장하는 것만으로는------공통 벡터 표현이 없고, 병렬 가중치 및 집계가 없으면, Transformer와 같은 "통합 주의 스케줄링" 능력을 구축할 수 없습니다. 이는 성능이 낮은 엔진을 가진 자동차가 아무리 개조해도 한계를 높일 수 없는 것과 같습니다.

분리형 모듈화 조합은 특성 융합을 피상적인 정적 조합에 머물게 합니다.

"특성 융합"은 정렬과 주의의 기초 위에서 서로 다른 모달 처리 후 얻은 특성 벡터를 추가로 조합하여 하류 작업(분류, 검색, 생성 등)에서 직접 사용할 수 있도록 하는 것입니다. 융합 수단은 단순히 연결하거나 가중합하는 것에서부터 복잡한 이중 선형 풀링, 텐서 분해, 심지어 동적 라우팅 기술에 이르기까지 다양합니다. 더 높은 차원의 방법은 다층 네트워크에서 정렬, 주의 및 융합을 교대로 수행하거나 그래프 신경망(GNN)을 통해 교차 모달 특성 간에 더 유연한 메시지 전송 경로를 구축하여 정보의 깊은 상호작용을 실현하는 것입니다.

말할 필요도 없이, Web3 AI는 물론 가장 간단한 연결 단계에 머물러 있습니다. 동적 특성 융합의 전제는 고차원 공간과 정밀한 주의 메커니즘이기 때문에, 이러한 전제 조건이 충족되지 않으면 마지막 단계의 특성 융합도 뛰어난 성능을 발휘할 수 없습니다.

Web2 AI는 엔드 투 엔드 공동 훈련을 선호합니다: 동일한 고차원 공간에서 이미지, 텍스트, 오디오 등 모든 모달 특성을 동시에 처리하고, 주의 레이어와 융합 레이어가 하류 작업 레이어와 함께 협동 최적화를 수행하여 모델이 전방 및 후방 전파에서 최적의 융합 가중치와 상호작용 방식을 자동으로 학습합니다. 반면 Web3 AI는 종종 분리된 모듈 조합 방식을 채택하여 이미지 인식, 시장 데이터 수집, 위험 평가 등 다양한 API를 독립적인 에이전트로 포장하고, 이들이 각각 출력하는 레이블, 수치 또는 임계값 경고를 단순히 조합하여 주선 논리나 인위적으로 종합 결정을 내립니다. 이러한 방식은 통합된 훈련 목표가 부족하고, 모듈 간의 그래디언트 흐름이 없습니다.

Web2 AI에서는 시스템이 주의 메커니즘에 의존하여 문맥에 따라 다양한 특성의 중요성 점수를 실시간으로 계산하고 융합 전략을 동적으로 조정할 수 있습니다. 다중 헤드 주의는 동일한 레이어에서 다양한 특성 상호작용 패턴을 병렬로 포착하여 지역 세부 사항과 전역 의미를 모두 고려할 수 있게 해줍니다. 그러나 Web3 AI는 종종 "이미지×0.5 + 텍스트×0.3 + 가격×0.2"와 같은 가중치를 사전에 고정하거나 간단한 if/else 규칙을 사용하여 융합 여부를 판단합니다. 아니면 아예 융합을 하지 않고 각 모듈의 출력을 단순히 제시하여 유연성이 부족합니다.

Web2 AI는 모든 모달 특성을 수천 차원의 고차원 공간에 매핑하여 융합 과정이 단순한 벡터 연결이 아니라 덧셈, 이중 선형 풀링 등 다양한 고차원 상호작용 작업을 포함합니다. ------ 각 차원은 잠재적인 의미와 대응할 수 있으며, 모델이 깊은 수준의 복잡한 교차 모달 연관성을 포착할 수 있게 합니다. 반면 Web3 AI의 각 에이전트 출력은 종종 몇 개의 핵심 필드나 지표만 포함되어 특성 차원이 극히 낮아 "이미지 내용과 텍스트 의미가 왜 일치하는가" 또는 "가격 변동과 감정 흐름의 미세한 연관성"과 같은 섬세한 정보를 거의 표현할 수 없습니다.

Web2 AI에서는 하류 작업의 손실이 주의 레이어와 융합 레이어를 통해 모델의 각 부분으로 지속적으로 전달되어 어떤 특성이 강화되거나 억제되어야 하는지를 자동으로 조정하여 폐쇄 루프 최적화를 형성합니다. 반면 Web3 AI는 API 호출 결과가 보고된 후 주로 인위적이거나 외부 프로세스에 의존하여 평가 및 조정되며, 자동화된 엔드 투 엔드 피드백이 부족하여 융합 전략이 온라인에서 반복 및 최적화되기 어렵습니다.

AI 산업의 장벽이 심화되고 있지만, 고통점은 아직 나타나지 않았습니다.

엔드 투 엔드 훈련에서 다중 모달 정렬, 정밀한 주의 계산 및 고차원 특성 융합을 동시에 고려해야 하기 때문에 Web2 AI의 다중 모달 시스템은 종종 매우 거대한 엔지니어링 프로젝트입니다. 이는 방대한, 다양하며 정밀하게 주석이 달린 교차 모달 데이터 세트가 필요할 뿐만 아니라 수천 개의 GPU와 수 주 또는 수 개월의 훈련 시간이 필요합니다. 모델 아키텍처는 다양한 최신 네트워크 설계 개념과 최적화 기술을 통합해야 하며, 엔지니어링 구현에서는 확장 가능한 분산 훈련 플랫폼, 모니터링 시스템, 모델 버전 관리 및 배포 파이프라인을 구축해야 합니다. 알고리즘 연구에서는 더 효율적인 주의 변형, 더 강력한 정렬 손실 및 더 경량의 융합 전략을 지속적으로 연구해야 합니다. 이렇게 전방위적이고 전 스택적인 시스템 작업은 자금, 데이터, 계산 능력, 인재 및 조직 협력에 대한 요구가 매우 높아 강력한 산업 장벽을 형성하고, 현재까지 소수의 선도 팀이 보유한 핵심 경쟁력을 만들어냈습니다.

나는 4월에 중국 AI 응용 프로그램을 돌아보고 Web3 AI와 비교하면서 하나의 관점을 언급했습니다. 장벽이 강한 산업에서 Crypto는 돌파구를 이룰 가능성이 있으며, 이는 특정 산업이 전통 시장에서 이미 매우 성숙했지만 여전히 큰 고통점이 발생하고 있다는 것을 의미합니다. 성숙도가 높다는 것은 사용자가 유사한 비즈니스 모델에 익숙하다는 것을 의미하며, 고통점이 크다는 것은 사용자가 새로운 솔루션을 시도할 의향이 있다는 것을 의미합니다. 즉, Crypto에 대한 수용 의지가 강하다는 것입니다. 두 가지 모두 필요하며, 반대로 말하자면 전통 시장에서 이미 매우 성숙했지만 큰 고통점이 발생하지 않는 산업에서는 Crypto가 뿌리를 내릴 수 없고 생존 공간이 없으며, 사용자가 이를 충분히 이해할 의향이 낮고 잠재적인 한계를 이해하지 못합니다.

Web3 AI 또는 PMF 깃발을 내건 Crypto 제품은 농촌이 도시를 포위하는 전술로 발전해야 하며, 가장자리에 소규모로 시험해 보고, 기반이 확고해진 후 핵심 장면, 즉 목표 도시의 출현을 기다려야 합니다. **** **Web3 AI의 핵심은 탈중앙화이며, 그 진화 경로는 고병렬성, 저결합성 및 이질적 계산 능력의 호환성으로 나타납니다.** 이는 Web3 AI가 엣지 컴퓨팅과 같은 장면에서 더 큰 이점을 가지며, 경량 구조, 쉽게 병렬화되고 유인할 수 있는 작업에 적합합니다. 예를 들어 LoRA 미세 조정, 행동 정렬 후 훈련 작업, 크라우드소싱 데이터 훈련 및 주석, 소형 기본 모델 훈련, 엣지 장치 협동 훈련 등이 있습니다. 이러한 장면의 제품 구조는 가볍고, 로드맵은 유연하게 반복할 수 있습니다. 그러나 이것이 현재 기회가 있다는 것을 의미하지는 않습니다. 왜냐하면 Web2 AI의 장벽이 이제 막 형성되기 시작했기 때문입니다. Deepseek의 출현은 오히려 다중 모달 복잡 작업 AI의 발전을 촉진했습니다. 이는 선두 기업 간의 경쟁이며, Web2 AI의 혜택이 나타나는 초기 단계입니다. 나는 Web2 AI의 혜택이 거의 사라질 때, 그것이 남긴 고통점이 Web3 AI가 진입할 기회가 될 것이라고 생각합니다. 이는 초기 DeFi가 탄생했을 때와 같습니다. 그리고 그 시점이 도래하기 전에 Web3 AI의 자생적 고통점은 계속해서 시장에 등장할 것입니다. 우리는 "농촌이 도시를 포위하는" 프로토콜이 가장자리를 통해 진입할 수 있는지, 힘이 약하고 시장 뿌리가 적은 농촌(또는 소규모 시장, 소규모 장면)에서 발을 내딛고 자원을 축적할 수 있는지를 신중하게 판단해야 합니다. 또한 점과 면을 결합하고 원형으로 추진할 수 있는지를 살펴봐야 합니다. 충분히 작은 응용 장면에서 지속적으로 반복하고 제품을 업데이트할 수 있어야 합니다. 만약 이것이 불가능하다면, PMF를 기반으로 10억 달러의 시가 총액을 달성하는 것은 하늘의 별 따기와 같으며, 이러한 프로젝트는 관심 목록에 오르지 않을 것입니다. 지속적인 전투와 유연한 기동이 가능한지도 확인해야 합니다. Web2 AI의 잠재적 장벽은 동적으로 변화하고 있으며, 이에 상응하는 잠재적 고통점도 진화하고 있습니다. 우리는 Web3 AI 프로토콜이 충분한 유연성을 가져야 하는지, 다양한 장면에 유연하게 대응할 수 있는지를 주의 깊게 살펴봐야 합니다. 농촌 간에 신속하게 이동할 수 있고, 목표 도시로 가장 빠르게 접근할 수 있어야 합니다. 만약 프로토콜 자체가 인프라를 과도하게 소모하고 네트워크 구조가 방대하다면, 탈락할 가능성이 매우 높습니다.

Movemaker에 대하여

Movemaker는 Aptos 재단의 허가를 받아 Ankaa와 BlockBooster가 공동으로 발족한 첫 번째 공식 커뮤니티 조직으로, Aptos의 중국어 지역 생태계 구축 및 발전을 촉진하는 데 중점을 두고 있습니다. Aptos의 중국어 지역 공식 대표로서 Movemaker는 개발자, 사용자, 자본 및 다양한 생태계 파트너를 연결하여 다원적이고 개방적이며 번영하는 Aptos 생태계를 구축하기 위해 노력하고 있습니다.

면책 조항:

이 문서/블로그는 참고용으로만 제공되며, 저자의 개인적인 견해를 나타내며 Movemaker의 입장을 대변하지 않습니다. 이 문서는 (i) 투자 조언 또는 투자 추천을 제공할 의도가 없으며; (ii) 디지털 자산의 구매, 판매 또는 보유에 대한 제안이나 유인; 또는 (iii) 재무, 회계, 법률 또는 세무 조언을 제공할 의도가 없습니다. 디지털 자산, 안정화폐 및 NFT를 보유하는 것은 매우 높은 위험을 동반하며, 가격 변동이 크고 심지어 무가치해질 수도 있습니다. 귀하는 자신의 재정 상태에 따라 거래 또는 디지털 자산 보유가 적합한지 신중하게 고려해야 합니다. 구체적인 상황에 대한 질문이 있는 경우, 법률, 세무 또는 투자 고문에게 상담하시기 바랍니다. 본 문서에서 제공하는 정보(시장 데이터 및 통계 정보 포함, 있을 경우)는 일반적인 참고용입니다. 이러한 데이터와 차트를 작성할 때 합리적인 주의를 기울였으나, 그 안에 표현된 사실적 오류나 누락에 대해서는 책임을 지지 않습니다.