사하라 AI 라이트페이퍼

색인

1. 소개

2. 사하라 AI 플랫폼

3. 디자인

4. 지배구조

5. 미래

참조

용어사전

라이트페이퍼 다운로드 ⬇

사하라 AI: 개방적이고 공평하며 협력적인 AI 경제를 위한 분산형 블록체인 플랫폼

2025년 2월 25일

사하라 AI 연구

research@saharalabs.ai

1. 소개

인공지능(AI)이 발전함에 따라, AI는 능동적이고 보편적으로 존재할 뿐만 아니라 본질적으로 공정하고 공평하며 모두가 접근할 수 있는 것이어야 합니다. AI는 삶을 개선하고 기회의 글로벌 평등을 촉진하는 보편적인 도구로 기능해야 합니다. 그러나 현재 AI 기술에 대한 통제는 주로 몇몇 독점적 조직의 손에 집중되어 있습니다. 이러한 중앙집중식 AI 플랫폼은 개인 정보 보호 문제, 심화되는 경제적 불평등 및 자원 접근 제한과 같은 중요한 한계와 위험을 동반합니다. 이는 광범위한 혁신을 저해하고 다양한 배경을 가진 사람들이 AI 개발에 참여하는 것을 제한하며, 서로 다른 커뮤니티에서 AI 기술에 대한 접근을 막는 중요한 장벽을 발생시킵니다.

Sahara AI는 이러한 도전에 대응하여 AI 소유권을 탈중앙화하고 그 개발에 더 넓은 참여를 가능하게 합니다. 블록체인 기반의 탈중앙화 AI 플랫폼인 Sahara AI는 개방적이고 투명하며 안전하고 포용적인 생태계를 조성합니다. 그 핵심은 AI 자산 개념으로, 개인 데이터 및 독점 모델을 포함한 민간 AI 자원의 명확한 소유권 및 관리 프로토콜을 설정하는 새로운 프레임워크입니다.

플랫폼에서 AI 개발자, 데이터 제공자 및 기타 이해 관계자는 플랫폼의 통합 개발 도구를 사용하여 고품질 AI 자산을 공동으로 창출할 수 있습니다. 이 과정 전반에 걸쳐 플랫폼은 모든 기여가 안전하게 기록되고 투명하게 귀속되며 각 참여자의 입력에 대한 명확한 추적 가능성을 보장합니다. 생성된 후, 이러한 AI 자산은 플랫폼에서 이용 가능하게 되며, 사용자는 이러한 자원을 탐색하고 활용할 수 있습니다. 사용자는 접근 및 추가 개발을 위한 라이센스를 구매할 수 있는 유연성을 가집니다. 그림 1은 사용자 여정의 개요를 제시하며, AI 자산이 생성에서 활용 및 사용자 참여로 이동하는 방식을 설명합니다. 특히, 플랫폼 내 모든 거래는 불변하고 추적 가능하며 소유권이 보호되고 자산의 출처가 기록됩니다. 이는 투명하고 공정한 수익 공유 모델을 지원하여, 수익이 발생할 때마다 개발자와 데이터 제공자가 그들의 소중한 기여에 대해 적절한 보상을 받을 수 있도록 보장합니다.

Sahara AI는 블록체인 기술과 개인 정보 보호 방법을 결합하여 AI 자산을 위한 강력한 출처 인프라를 개발합니다. 이 인프라는 사용자 기여의 귀속을 가능하게 하고, 데이터 개인 정보 보호를 보호하며, 공정한 보상을 보장합니다. 또한 사용자에게 AI 자산에 대한 통제를 강조합니다. 이러한 기능을 통해 Sahara AI는 플랫폼의 모든 AI 자산에 대해 독특하고 허가 없는 “저작권” 시스템을 배포할 것입니다. “저작권”이 전통적으로 제한적인 통제를 의미하지만, 이는 블록체인의 개방적인 성격에 반하는 것으로 보일 수 있지만, 이 개념은 Sahara AI의 접근 방식에 의해 재정의됩니다. 이는 기여자가 AI 자산에 대한 소유권을 유지하고 작업에 대한 공정한 귀속 및 보상을 보장하는 맞춤형 프레임워크를 나타내며, 접근 및 공유를 제한하지 않습니다. 이 플랫폼은 데이터 수집 및 라벨링, 모델 훈련 및 제공, AI 에이전트 생성 및 배포, 다중 에이전트 통신, AI 자산 거래 및 AI 자원의 크라우드소싱 등 AI 생애 주기 전반에 걸쳐 모든 AI 개발 요구를 위한 원스톱 샵 역할을 합니다. AI 개발 프로세스를 민주화하고 기존 시스템에서 발견되는 진입 장벽을 낮추어, Sahara AI는 개인, 기업 및 커뮤니티가 AI의 미래를 공동으로 구축할 수 있는 동등한 접근을 제공합니다.

그림 1: 사하라 AI 플랫폼에서의 사용자 여정 개요. 이 다이어그램은 사하라 AI 생태계 내 AI 자산 생애 주기의 주요 단계를 보여줍니다. 개발자와 지식 제공자가 AI 자산을 생성하기 위해 어떻게 협력하는지를 강조하며, 생성된 AI 자산은 사용자 수익화를 위해 AI 마켓플레이스에 나열되며, 모든 거래는 체인 상에 기록됩니다.

사하라 AI는 분산 거버넌스와 커뮤니티 주도 혁신을 장려합니다. 이 접근 방식은 사하라 AI가 AI 커뮤니티의 변화하는 요구에 적응할 뿐만 아니라 윤리적이고 공정한 AI 관행을 위한 새로운 기준을 설정하는 데 앞장서게 합니다. AI 개발을 위한 협력 환경을 제공함으로써, 사하라 AI는 개인, 중소기업(SMB), 그리고 대기업이 함께 작업하고, 아이디어를 공유하며, 글로벌 커뮤니티의 집단 지성과 창의성의 혜택을 누릴 수 있도록 합니다.

사하라 AI는 AI를 소수의 사람들이 통제하는 도구에서 모든 인류를 권 empower 하는 자원으로 변화시킵니다. 사하라 AI 플랫폼은 장벽을 허물고, 글로벌 혁신을 촉진하며, 전 세계 사회의 발전을 위해 AI의 잠재력을 최대한 활용합니다.

2. 사하라 AI 플랫폼

사하라 AI 플랫폼은 세 가지 기초 기둥 위에 구축되었습니다: 주권 및 출처, AI 유틸리티, 그리고 협력 경제. 이 구성 요소들은 함께 모든 참가자가 기여하고, 협력하며, 혜택을 받을 수 있는 응집력 있는 플랫폼을 생성합니다.

그림 2: 사하라 AI의 세 가지 기본 기둥

기둥 1: 주권 및 출처

AI의 발전하는 환경에서, Sahara AI는 AI 자산과 그 개발 프로세스가 소유되고 관리되며 통치되는 방식을 정의해야 하는 핵심 원칙으로 주권(Sovereignty)과 출처(Provenance)를 강조합니다. 이러한 개념은 데이터 수집 및 레이블링, 모델 배포 및 애플리케이션 구축에 이르기까지 AI 개발 사이클의 모든 단계가 분산되고 투명하며 포용적인 방식으로 진행되도록 보장합니다.

주권은 AI 자산의 소유와 관리는 분산되고 커뮤니티 주도적이어야 한다는 아이디어를 담고 있습니다. 이는 독점을 방지하고 모든 이해관계자가 AI 생애 주기에 목소리를 낼 수 있도록 보장합니다. 반면, 출처는 AI 자산의 사용과 개발의 기원 및 이력을 추적하고 기여를 귀속시키는 데 있어 투명성을 보장합니다. 이는 AI 자산과 관련된 모든 활동 및 거래의 포괄적이고 불변의 기록을 제공함으로써 주권을 보완합니다.

사하라 AI는 주권과 출처의 다음과 같은 중요한 측면을 강조합니다:

• 소유권 및 귀속: AI 개발에 기여하는 사람들이 (데이터 제공자, 모델 훈련자, 애플리케이션 개발자 등) 검증 가능한 온체인 소유권을 가지며 그들의 기여에 대해 공정한 귀속을 받습니다.
• 탈중앙화 및 거버넌스: 사하라 AI는 AI 자산에 대한 공정하고 민주적인 통제를 촉진합니다. AI 자산에 대한 행동과 결정은 사하라 블록체인 프로토콜과 DAO를 통해 투명하게 이루어져 모든 이해관계자가 AI 개발 주기에 발언권을 가집니다. 또한, 플랫폼 내 AI 구성 요소의 진화는 커뮤니티에 의해 관리되고 추진되어 지속적으로 진화하는 프레임워크를 허용합니다.
• 신뢰 및 책임: 상세한 기록 보관은 데이터의 각 조각과 AI 생애주기의 각 단계를 철저하게 기록하고 추적할 수 있도록 블록체인에 기록되며, 이해관계자가 데이터와 모델의 출처 및 변환을 확인할 수 있도록 합니다.
• 상호 운용성 및 접근성: AI 자산과 서비스는 다양한 플랫폼 간의 상호 운용성을 염두에 두고 설계되었으며, 광범위한 사용자에게 접근할 수 있도록 하여 AI 생태계에서 포용성과 폭넓은 참여를 촉진합니다.

• 소유권 및 귀속: AI 개발에 기여하는 사람(예: 데이터 제공자, 모델 훈련자, 애플리케이션 개발자)은 검증 가능한 블록체인 기반의 소유권을 가지고 있으며, 그들의 기여에 대해 공정한 귀속을 받습니다.
• 탈중앙화 및 거버넌스: Sahara AI는 AI 자산에 대한 공정하고 민주화된 통제를 촉진합니다. AI 자산에 대한 행동과 결정은 Sahara 블록체인 프로토콜과 DAO를 통해 투명하게 이루어지며, 모든 이해관계자가 AI 개발 주기에 발언권을 갖도록 보장합니다. 또한, 플랫폼 내 AI 구성 요소의 진화는 커뮤니티에 의해 관리되고 추진되며, 지속적으로 진화하는 프레임워크를 허용합니다.
• 신뢰 및 책임: 상세한 기록 관리는 AI 생애 주기 내의 모든 데이터 조각과 모든 단계를 면밀히 기록하고 블록체인에서 추적 가능하도록 하여, 이해관계자가 데이터와 모델의 출처 및 변형을 검증할 수 있도록 합니다.
• 상호운용성 및 접근성: AI 자산과 서비스는 다양한 플랫폼 간에 상호운용 가능하도록 설계되었으며, 광범위한 사용자에게 접근 가능하여 AI 생태계 내의 포용성과 넓은 참여를 촉진합니다.

기둥 2: AI 유틸리티

사하라 AI는 종합적인 기술 인프라를 활용하여 AI 수명 주기의 다양한 단계에 걸쳐 사용자에게 권한을 부여합니다. 이는 AI 개발 주기에 참여하는 모든 참가자가 신뢰할 수 없고, 개인 정보 보호 및 안전한 환경에서 AI 자산을 효율적으로 개발, 배포 및 관리할 수 있도록 보장합니다.

이 플랫폼은 운영을 간소화하는 동시에 무단 접근 및 위협에 대응하기 위한 강력한 보안 조치를 구축하고, 사용자 정보를 보호하는 데 중점을 둔 종합적인 개인 정보 보호 기능을 내장하고 있습니다. 이러한 기능은 사용자 데이터를 보호할 뿐만 아니라 신뢰를 구축하여 사용자가 AI 기술과 자신 있게 안전하게 상호작용할 수 있도록 합니다.

AI 개발 주기의 모든 단계에서 최대의 효용성을 제공하기 위해, Sahara AI는 다섯 가지 주요 측면에 집중합니다:

• 사용성: Sahara AI는 데이터 큐레이션, 모델 개발 및 에이전트 배포를 포함한 프로세스 전반에 걸쳐 AI 개발 주기를 간소화합니다. 이를 통해 참가자는 AI를 활용하여 생산성을 향상시키고, 높은 유용성의 애플리케이션을 만들며, 긍정적인 실제 결과를 달성할 수 있습니다.
• 사용자 중심 경험: Sahara AI는 AI 개발 주기에 참여하는 모든 참가자를 위한 즉시 사용 가능한 경험을 제공합니다. 기술 전문성에 관계없이 모든 참가자가 AI 기술을 손쉽게 활용할 수 있습니다.
• 보안 및 개인 정보 보호: 사용자는 최첨단 보안 조치와 개인 정보 보호의 혜택을 누릴 수 있습니다. 사용자는 사용성을 저해하지 않고 AI 자산과 계산을 자신 있게 관리할 수 있습니다.
• 고성능 인프라: Sahara AI의 인프라는 최첨단 AI 패러다임을 지원하며, 사용자가 고급 AI 모델 및 애플리케이션 작업을 할 수 있는 포괄적인 도구 키트를 제공합니다.
• AI 네이티브 블록체인: Sahara AI는 Sahara Blockchain 위에 구축되었으며, AI 생애 주기 전반에 걸쳐 AI 거래를 위한 내장 프로토콜 및 프리컴파일이 설계된 레이어 1 블록체인입니다.

• 사용성: Sahara AI는 데이터 선별, 모델 개발 및 에이전트 배포에 이르기까지 프로세스 전반에 걸쳐 AI 개발 주기를 간소화합니다. 이를 통해 참가자는 AI를 활용하여 생산성을 향상시키고, 높은 유용성의 응용 프로그램을 생성하며, 긍정적인 실제 결과를 달성할 수 있습니다.
• 사용자 중심 경험: Sahara AI는 AI 개발 주기의 모든 참가자에게 즉시 사용할 수 있는 경험을 제공합니다. 기술 전문성에 관계없이 모든 참가자는 AI 기술과 쉽게 상호작용할 수 있습니다.
• 보안 및 개인 정보 보호: 사용자는 최첨단 보안 조치와 개인 정보 보호 혜택을 누릴 수 있습니다. 사용자는 사용성을 저해하지 않으면서 AI 자산 및 계산을 자신 있게 관리할 수 있습니다.
• 고성능 인프라: Sahara AI의 인프라는 최첨단 AI 패러다임을 지원하며, 사용자가 고급 AI 모델 및 응용 프로그램 작업을 위해 종합적인 도구 모음을 제공합니다.
• AI 네이티브 블록체인: Sahara AI는 Sahara 블록체인을 기반으로 구축되었으며, 이는 Sahara AI 플랫폼 전체에서 AI 거래를 위한 내장 프로토콜과 사전 컴파일 기능을 갖춘 1계층 블록체인입니다.

기둥 3: 협력 경제

사하라 AI 협력 경제는 수익화 및 귀속을 가능하게 하여 모든 참가자가 자신의 기여에 대해 보상을 받을 수 있도록 설계되었습니다. 즉:

• 공정한 보상 및 인정: 사용자는 AI 개발 프로세스의 출처에 따라 기여도에 비례하여 보상을 받으며, 세계 경제 불균형 문제를 해결합니다.
•포괄적인 참여: 협력 경제는 개인, 소규모 기업(SMB) 및 대기업의 동시 참여를 유도하여 다양하고 활기찬 AI 커뮤니티를 촉진합니다.
• 신뢰 없는 거래: 사하라 AI 플랫폼은 사용자가 투명하고 효율적인 과정을 통해 AI 자산을 수익화할 수 있도록 합니다.

• 공정한 보상 및 인정: 사용자는 AI 개발 과정의 출처에 따라 기여에 비례하여 보상을 받으며, 글로벌 경제 불균형 문제를 해결합니다.
• 포괄적 참여: 협업 경제는 개인, 중소기업(SMB), 대기업의 동시 참여를 유도하여 다양하고 활기찬 AI 커뮤니티를 촉진합니다.
• 신뢰 없는 거래: 사하라 AI 플랫폼은 사용자가 투명하고 효율적인 프로세스를 통해 AI 자산을 수익화할 수 있도록 합니다.

3. 디자인

이 세 가지 기초를 바탕으로 Sahara AI는 모든 참가자가 기여하고 협력하며 혜택을 받을 수 있는 플랫폼을 제공합니다. 이 플랫폼은 AI 전체 생애 주기 동안 사용자와 개발자를 안전하고 포괄적으로 지원하도록 설계된 계층 아키텍처를 기반으로 구축되었습니다. 그림 3에서 설명된 바와 같이 Sahara AI 플랫폼은 네 개의 층으로 구조화되어 있습니다:

• 응용 계층 은 사용자 인터페이스 및 사하라 AI 플랫폼의 주요 상호작용 지점 역할을 합니다. 사용자가 AI 자산을 구축하고 수익화할 수 있도록 기본 내장 애플리케이션을 제공합니다.

• 거래 계층 은 사하라 블록체인을 특징으로 하며, AI 생애 주기 전반에 걸쳐 출처, 접근 제어, 귀속 및 기타 AI 관련 거래를 관리하는 레이어 1 블록체인 인프라입니다.

• 데이터 계층 은 데이터 저장, 접근 및 전송을 위한 추상화 및 프로토콜을 제공합니다. AI 생애 주기 전반에 걸쳐 원활한 데이터 관리를 제공하기 위해 온체인 및 오프체인 구성 요소를 통합합니다.

• 실행 계층 은 AI 유틸리티를 지원하기 위한 필수 오프체인 인프라를 제공하며, AI 기능의 전체 스펙트럼을 포함합니다. 다양한 AI 컴퓨테이션 프로토콜을 제공하고 성능을 극대화하고 확장성을 보장하며 강 robustness를 강화하기 위해 동적으로 컴퓨팅 리소스를 할당합니다.

3.1 애플리케이션 계층

사하라 AI 플랫폼의 애플리케이션 레이어는 플랫폼 참가자들을 위한 주요 인터페이스 역할을 하며, 사용자 경험을 향상시키기 위한 네이티브 내장 도구와 애플리케이션을 제공합니다. 애플리케이션 레이어의 핵심은 기술 전문성에 관계없이 참가자들이 AI 생태계 내에서 최대한의 참여를 이끌어내기 위해 설계된 구성 요소를 포함하고 있습니다.

3.1.1 기능 구성 요소

기능 구성 요소는 애플리케이션 계층의 강력한 운영 및 보안 조치를 지원하는 기본 요소입니다. 이러한 구성 요소는 AI의 안전한 저장, 효율적인 관리 및 효과적인 배포를 보장하도록 설계되었습니다.

그림 3: 이 계층형 다이어그램은 네 개의 상호 연결된 계층으로 구성된 사하라 블록체인 플랫폼의 기술 아키텍처를 설명합니다. 온체인 및 오프체인 프로토콜을 모두 갖춘 이 하이브리드 인프라는 사용자와 개발자가 전체 AI 개발 주기에 효과적으로 기여하고 혜택을 받을 수 있도록 합니다.

• 사하라 ID

사하라 ID는 사하라 AI 플랫폼 내에서 신원 관리의 초석 역할을 합니다. 이는 AI 존재이든 인간 사용자이든 모든 참가자를 위한 고유 식별자로 작용합니다. 이 시스템은 강력한 신원 확인 및 명성 관리 기능을 제공하여 플랫폼 전반에 걸쳐 안전하고 투명한 상호작용을 보장합니다. 참가자는 사하라 ID를 통해 소유하거나 사용 권한이 있는 AI 자산에 안전하게 접근할 수 있으며, 생태계 내에서 자신의 기여도와 명성을 추적하고 관리할 수 있습니다. 사하라 ID는 또한 귀속을 촉진하는 데 중요한 역할을 합니다. 각 참가자의 AI 프로젝트에 대한 기여도를 면밀히 기록하여 귀속이 명확하게 추적되고 AI "저작권"이 유지되도록 합니다.

• 사하라 금고

사하라 볼트는 사용자 노드의 로컬 스토리지와 공용 노드의 클라우드 스토리를 포함하여 AI 자산을 저장하고 관리하는 개인적이고 안전한 저장소입니다. 이러한 볼트는 모든 데이터와 자산이 무단 접근 및 잠재적 위협으로부터 보호되도록 보장하는 고급 보안 기능을 제공합니다. 사하라 볼트는 독점 AI 자산의 개인 정보, 보안 및 무결성을 유지하기 위해 노력합니다.

• 사하라 에이전트

사하라 에이전트는 사하라 AI 플랫폼 내에서 AI 기반의 엔티티로, 각각 세 가지 필수 구성 요소인 브레인, 퍼셉터, 액터로 구성됩니다. 각 구성 요소는 특정 기능을 수행하도록 특별히 설계되었습니다:

• 뇌: 사고, 기억, 계획 및 추론을 담당하는 전략적 핵심. 정보를 처리하고 정보에 기반한 결정을 내립니다. 기능은 다음과 같습니다:

• 페르소나 정렬: 에이전트의 응답과 행동을 특정 사용자 페르소나에 맞추어 사용자 맞춤 상호작용을 보장합니다.

• 평생 교육: 피드백 메커니즘 및 강화 학습을 사용하여 시간이 지남에 따라 지속적으로 능력을 향상시킵니다.

• 퍼셉터: 다양한 소스에서 입력을 처리하고, 데이터를 분석 및 해석하여 뇌의 결정을 알립니다. 기능은 다음과 같습니다:

• 다중 모달 인식: 시각 및 청각을 포함하되 이에 국한되지 않는 여러 유형의 데이터 입력을 처리하고 해석합니다.

• 배우: 뇌에 의해 결정된 행동을 취하며, 지각자가 제공한 통찰력을 기반으로 합니다. 이 기능이 있습니다:

• 도구 활용: 웹 검색과 같은 작업을 실행하기 위해 다양한 도구와 리소스를 활용합니다.

3.1.2 인터랙티브 구성 요소

응용 프로그램 계층의 상호작용 구성 요소는 사용자와 AI 개체 간의 사용자 상호작용을 직접 촉진하여 사용자가 플랫폼에서 AI 자산을 적극적으로 활용하고 이용할 수 있도록 합니다. 이러한 구성 요소는 플랫폼의 기능을 다양한 응용 프로그램에 접근 가능하고 실용적으로 만듭니다.

사하라 도구 키트

사하라 툴킷은 사하라 AI 플랫폼에서 AI 자산을 생성하고 개선하려는 참가자를 위해 설계된 개발 및 배포 도구입니다. 이 툴킷은 기술 전문성과 혁신적인 실행 간의 간극을 연결하여 다양한 청중을 대상으로 합니다. 기술 사용자를 위해, 이것은 프로그래밍, 통합 및 사용자 지정 도구를 포함하는 사하라 SDK 및 API로 구성되어 있으며, 이는 다양한 요구에 맞게 복잡한 AI 기능을 개발할 수 있게 해줍니다. 기술 지식이 부족한 사용자에게는 사하라 노코드/로코드 툴킷이 직관적인 인터페이스와 미리 만들어진 템플릿을 통해 AI 개발을 용이하게 합니다. 이러한 플랫폼은 모든 사용자에게 기술 능력 수준에 관계없이 AI 자산을 생성하고 배포하는 데 적극적으로 참여할 수 있는 능력을 부여합니다.

사하라 AI 마켓플레이스

사하라 AI 마켓플레이스는 AI 자산의 출판, 수익 창출 및 거래를 위한 분산형 허브입니다. 독점 AI 에이전트, 모델 및 데이터 세트를 포함한 고품질 AI 자산의 포괄적인 포트폴리오를 제공합니다. 마켓플레이스는 소유권 보호 및 접근 제어를 용이하게 하기 위해 사하라 ID와 원활하게 통합되며, 블록체인 기술을 활용하여 거래의 투명성과 보안을 보장하고 출처를 확인합니다. 또한 동적 라이선스 및 다양한 수익 창출 옵션을 제공하여 사용자의 다양한 요구를 충족하는 유연하고 혁신적인 솔루션을 제공합니다.

3.2 거래 계층

사하라 AI 플랫폼의 거래 레이어는 사하라 블록체인을 특징으로 합니다. 사하라 블록체인은 플랫폼의 종합적인 요구를 충족시키기 위해 세심하게 설계된 레이어 1 블록체인입니다. 이는 소유권 및 귀속 관리, 그리고 플랫폼에서 AI 관련 거래를 관리하기 위한 프로토콜을 제공합니다. 사하라 블록체인은 AI 자산의 주권과 출처를 유지하는 데 중요한 역할을 합니다.

3.2.1 사하라 블록체인 AI 고유 기능

사하라 블록체인은 전문화된 사하라 AI-네이티브 프리컴파일(SAP)과 AI 생애주기 작업 전반을 지원하는 사하라 블록체인 프로토콜(SBP)의 통합을 통해 AI-네이티브 블록체인으로서의 차별성을 제공합니다.

사하라 AI-네이티브 프리컴파일 사하라 블록체인은 블록체인의 네이티브 수준에서 작동하는 내장 기능인 사하라 AI-네이티브 프리컴파일(SAP)을 통합합니다. 이러한 SAP는 더 빠른 실행, 낮은 계산 오버헤드 및 줄어든 가스 비용을 가능하게 하기 위해 미리 컴파일됩니다.

• 교육 실행 SAPs: 이 SAP 클래스는 오프체인 AI 교육 프로세스의 호출, 기록 및 검증을 촉진합니다. 이들은 블록체인이 오프체인 교육 환경과 원활하게 인터페이스할 수 있도록 하고 교육 활동이 정확하게 기록되도록 보장합니다. 또한, 이러한 SAP는 블록체인 외부에서 수행된 교육 계산의 무결성과 진정성을 검증합니다. 이들의 목표는 사하라 AI 플랫폼 내에서 개발된 AI 모델의 신뢰성과 신빙성을 높이는 것입니다.

• 추론 실행 SAPs: 추론 실행 SAPs는 오프체인에서 생성된 AI 추론 결과의 호출, 기록 및 검증을 지원합니다. 이러한 SAPs는 추론에 필요한 오프체인 AI 계산을 호출하고, 예측, 분류 또는 기타 출력이 포함될 수 있는 AI 추론이 합법적인 계산에서 파생되었음을 검증하는 강력한 메커니즘을 제공합니다. 이러한 기능을 통합함으로써, 사하라 블록체인은 모든 AI 추론 활동이 투명하고 검증 가능하며 책임이 있음을 보장합니다.

사하라 블록체인 프로토콜 사하라 블록체인은 또한 스마트 계약을 통해 AI 전용 프로토콜을 구현하며, 이를 총칭하여 사하라 블록체인 프로토콜(SBP)이라고 합니다. 이러한 SBP는 AI 생애주기의 다양한 측면을 관리하기 위한 구조적이고 안전한 프레임워크를 제공합니다. 이들은 AI 자산과 계산 결과가 투명하고 신뢰할 수 있게 처리되도록 보장합니다.

• AI 자산 등록 SBP: 이 프로토콜은 블록체인에서 AI 자산의 초기 등록 및 추적을 관리합니다. 이들은 AI 모델, 데이터 세트, 에이전트 및 기타 AI 관련 자산을 고유하게 식별하는 포괄적인 원장을 수립하여 그 출처가 검증 가능하도록 합니다. AI 자산 등록 SBP는 자산의 생성, 식별 및 출처와 같은 AI 자산 관리의 정적 측면에 중점을 둡니다.

• AI 라이센스 SBP: AI 라이센스 SBP는 AI 자산에 접근하거나 활용할 수 있는 온체인 권리를 결정합니다. 이는 특정 AI 자산을 사용하거나 접근할 수 있는 권한이 있는 엔티티만 사용할 수 있도록 보장하는 다양한 유형의 온체인 라이센스를 통해 접근 제어를 시행합니다(자세한 내용은 3.5.3 섹션을 참조하십시오). 이 프로토콜은 AI 자산의 보안 및 올바른 사용을 유지하는 데 도움을 주며, AI 능력의 적법하고 통제된 분배를 촉진합니다.

• AI 소유권 SBPs: 이 프로토콜은 AI 자산의 명확하고 양도 불가능하며 대체 불가능한 소유권 기록을 유지합니다. 이는 AI 모델과 데이터 세트의 소유권 세부 정보가 안전하게 블록체인에 저장되어 소유권에 대한 논쟁의 여지가 없는 증거를 제공하도록 보장합니다. 이는 AI의 “저작권”을 촉진하고 자산 소유권을 투명하게 관리하는 데 도움이 됩니다.

• AI 귀속 SBP: AI 귀속 SBP는 AI 생애 주기 전반에 걸쳐 지속적인 기여를 추적하고 이러한 기여를 기반으로 보상을 분배하는 역할을 합니다. 이러한 프로토콜은 AI 자산의 개발 및 진화를 위한 모든 기여가 기록되고 생성된 수익이 기여자에게 공정하게 배분되도록 보장합니다.

3.2.2 사하라 블록체인 디자인

사하라 블록체인은 지분 증명(Proof-of-Stake) 합의 메커니즘을 사용하며, 애플리케이션 계층을 지원하기 위한 AI 네이티브 기능 모음을 제공하고 실행 계층과 원활하게 작동하여 강력한 AI 유틸리티를 달성하는 데 중점을 둡니다. 이 블록체인은 비잔틴 장애 허용 합의를 위해 텐더민트 알고리즘[1]을 활용합니다. 이는 높은 수준의 장애 내성을 보장하며 악의적인 노드가 존재할 때에도 네트워크가 합의에 도달할 수 있도록 합니다. 또한 사하라 블록체인은 관리 도메인에서 유연성을 제공하기 위해 모듈화된 설계를 따르며 확장 가능한 솔루션을 지원합니다. 여기에는 다음과 같은 체인 기능이 포함됩니다:

• 효율성: Tendermint 알고리즘 위에 구축된 Sahara 블록체인은 빠른 블록 확인 시간, 짧은 평균 블록 시간, 거의 즉각적인 확정성과 같은 고성능 특성의 고유한 이점을 누릴 뿐만 아니라, 실시간 데이터 처리 및 고속 거래를 위한 추가 최적화를 도입하여 이를 더욱 향상시킵니다.

• 확장성: 체인의 모듈형 설계는 수평적 확장성과 Layer 2 솔루션과 같은 오프체인 확장 솔루션을 지원합니다. 이 접근 방식은 보안성과 분산화의 높은 수준을 유지하면서 향후 사용량 증가에 대한 강력한 솔루션을 제공하는 것을 목표로 합니다.

• 상호 운용성: 사하라 크로스체인 커뮤니케이션(SCC) 프로토콜은 다른 블록체인과의 원활한 상호작용을 촉진합니다. 이 프로토콜은 서로 다른 블록체인 간에 바이트로 인코딩된 모든 유형의 데이터를 안전하고 허가 없이 전송할 수 있게 해줍니다.

타사의 중개인에 의존하지 않고. SCC를 활용하여 체인은 신뢰할 수 없고 허가 없이 상호작용할 수 있도록 보장할 수 있으며, 누구나 블록체인 간에 정보를 전송하는 릴레이어를 운영할 수 있습니다. 또한, 서로 다른 블록체인 네트워크 간에 자산을 원활하게 전송할 수 있도록 크로스체인 브리지를 지원합니다.

• EVM-호환성: 사하라 블록체인의 내장 가상 머신은 이더리움 가상 머신(EVM)과 완벽하게 호환됩니다. 이 호환성은 개발자들이 솔리디티와 같은 프레임워크를 포함하여 이더리움 도구, 리소스 및 커뮤니티 지원의 방대한 생태계를 활용할 수 있게 합니다. 개발자들은 사하라 블록체인에서 스마트 계약을 손쉽게 작성하고 배포할 수 있으며, 이를 통해 최소한의 코드 수정으로 다른 EVM 호환 블록체인에서도 원활하게 운영할 수 있습니다. 이는 개발자에게 사하라에서 분산 애플리케이션을 효율적으로 구축할 수 있는 친숙하고 강력한 환경을 제공합니다.

• 낮은 가스 요금: 사하라 블록체인은 거래 비용을 최소화하기 위해 매우 효율적인 요금 구조를 구현합니다. 거래 배치 최적화 및 동적 요금 메커니즘 활용을 통해 사하라 블록체인은 네트워크 수요가 증가하더라도 가스 요금을 경제적으로 유지하는 것을 목표로 합니다. 이러한 비용 효율성은 생태계 내에서 더 많은 참여와 참여를 촉진하는 것을 목표로 합니다.

3.3 데이터 계층

사하라 AI 플랫폼의 데이터 레이어는 AI 생애 주기 전반에 걸쳐 데이터 관리를 최적화하도록 설계된 추상화입니다. 이것은 실행 레이어와 다양한 데이터 관리 메커니즘을 연결하는 중요한 인터페이스 역할을 하며, 온체인 및 오프체인 데이터 소스를 원활하게 통합합니다. 이 개념적 레이어는 데이터에 대한 효율적인 접근뿐만 아니라 시스템의 무결성과 성능을 향상시키는 데 기여합니다.

3.3.1 데이터 구성 요소

온체인 데이터 온체인 데이터는 중요한 AI 자산 메타데이터, 저자, 약속 및 증명을 포함하되 이에 국한되지 않습니다. 이는 사하라 AI 플랫폼 내의 모든 기여 및 상호작용이 투명하고 책임이 있음을 보장합니다.

오프 체인 데이터 중요한 데이터 세트, AI 모델 및 보조 정보는 온체인 데이터 관리와 관련된 저장 제한 및 비용 고려로 인해 오프 체인에 저장됩니다. 오프 체인 저장 솔루션을 활용함으로써 플랫폼은 성능을 저해하지 않으면서 방대한 양의 데이터를 처리할 수 있으며, 효율성과 비용 효과성을 유지할 수 있습니다.

3.3.2 데이터 관리

보안 사하라 AI는 플랫폼 및 사용자 데이터를 보호하기 위해 모든 것을 우선시합니다. 이 플랫폼은 모든 상호작용에서 강력한 보호를 보장하기 위해 종합적인 보안 조치를 갖추고 있습니다:

• 고급 암호화: 이 플랫폼은 최신 암호화 관행을 사용하여 모든 데이터를 보호하며, 이는 민감한 정보가 전송 중과 저장 중 모두 보호되도록 보장합니다. 이러한 보안 수준은 Sahara AI 생태계 내에서 기밀성과 무결성을 유지하는 데 중요합니다.

• 고급 암호화: 플랫폼은 최신 암호화 관행을 사용하여 모든 데이터를 보호하며, 이는 민감한 정보가 전송 및 저장 중에도 계속 보호되도록 보장합니다. 이러한 보안 수준은 사하라 AI 생태계 내에서 기밀성과 무결성을 유지하는 데 매우 중요합니다.

• 접근 제어: AI 라이센스 SBP와의 시너지를 통해, 플랫폼은 자율적인 접근 제어 메커니즘으로서 분산형 온체인 라이센스를 구현합니다. 이러한 라이센스는 승인된 참여자만 특정 데이터 자산과 상호작용할 수 있도록 보장하여, 중앙 집중식 게이트키퍼에 의존하지 않고 보안성과 규정 준수를 향상시킵니다. furthermore, 이러한 접근 방식은 투명성과 불변성과 같은 사하라 블록체인의 고유한 특성을 활용하여, 이러한 제어가 효과적일 뿐만 아니라 검증 가능하고 안전하다는 것을 보장합니다.

• 접근 제어: AI 라이센스 SBP와의 시너지를 통해, 플랫폼은 자율적인 접근 제어 메커니즘으로서 분산형 온체인 라이센스를 구현합니다. 이러한 라이센스는 특정 데이터 자산과 상호작용할 수 있는 권한이 부여된 사용자만 접근할 수 있도록 보장하여, 중앙 집중식 게이트키퍼에 의존하지 않고 보안 및 규정을 강화합니다. 더욱이, 이러한 접근 방식은 사하라 블록체인의 고유한 특성인 투명성과 불변성을 활용하여, 이러한 제어가 효과적일 뿐만 아니라 검증 가능하고 안전하다는 것을 보장합니다.

• 개인 도메인 저장소: 이 플랫폼은 사용자가 데이터를 개인 도메인에 저장할 수 있도록 하여 보안 기능을 강화하면서 플랫폼과의 원활한 상호작용을 가능하게 합니다. 이 기능은 사용자가 민감한 데이터에 대한 제어권을 유지하면서도 플랫폼의 강력한 기능과 연결성을 혜택 받을 수 있도록 보장합니다.

• 개인 도메인 저장소: 이 플랫폼은 사용자가 개인 도메인에 데이터를 저장할 수 있도록 하여, 플랫폼과의 원활한 상호작용을 제공하는 향상된 보안 기능을 제공합니다. 이 기능은 사용자가 민감한 데이터에 대한 제어를 유지하면서도 플랫폼의 강력한 기능성과 연결성을 활용할 수 있도록 보장합니다.

데이터 가용성 사하라 AI 플랫폼은 모든 블록 데이터가 모든 네트워크 참가자에게 검증 가능하게 접근할 수 있도록 상용 솔루션을 구현함으로써 데이터 가용성(DA) 문제를 능동적으로 해결합니다. 이 전략은 네트워크의 무결성과 신뢰성을 유지할 뿐만 아니라 블록체인의 확장성을 향상시키는 데도 중요합니다. 특히 전체 블록체인을 저장하지 않는 경량 클라이언트의 경우 효율적이고 신뢰할 수 있는 데이터 검증을 가능하게 하여 플랫폼은 전체 노드에 대한 네트워크의 의존성을 크게 줄입니다. 이 접근 방식은 대역폭 및 저장 요구 사항을 최소화하고 보다 원활하고 확장 가능한 네트워크 운영을 촉진합니다. 이러한 DA 솔루션을 데이터 레이어에 통합하면 전체 시스템 성능이 향상되고 네트워크가 속도나 보안을 손상시키지 않으면서 증가하는 트랜잭션 및 데이터량을 처리할 수 있게 됩니다.

인덱싱 사하라 AI 플랫폼은 사하라 블록체인 아키텍처에 맞춰 고급 인덱싱 기술로 온체인 데이터 관리를 적극적으로 향상시킵니다. 이러한 방법은 데이터 검색 속도 및 쿼리 효율성을 크게 향상시킵니다. 이 플랫폼은 범용 분산 인덱싱 솔루션과 독점 솔루션을 활용하여 확장성과 성능을 증대시킵니다. 데이터 계층 내에서의 통합은 실행 계층과 데이터 소스 간의 원활한 상호작용을 보장합니다. 이 접근 방식은 플랫폼이 증가하는 데이터 볼륨과 복잡한 쿼리를 효율적으로 관리할 수 있도록 합니다.

저장소 이 플랫폼은 오프 체인 데이터 저장의 비용 효율성과 확장성을 최적화하기 위해 분산 시스템과 중앙 집중식 시스템의 장점을 결합하는 하이브리드 모델을 채택하고 있습니다. 플랫폼은 불변성과 분산 호스팅의 이점을 제공하는 중요한 데이터를 위해 IPFS와 같은 분산 저장 솔루션을 사용할 수 있으며, 또한 속도와 가용성이 가장 중요한 대량의 데이터를 위한 보다 전통적인 클라우드 저장 솔루션의 통합을 가능하게 합니다. 이러한 이중 접근 방식은 사용자가 높은 가용성과 빠른 접근을 보장하면서 데이터 저장 비용을 효과적으로 관리할 수 있도록 합니다.

3.4 실행 레이어

실행 레이어는 Sahara AI 플랫폼의 오프체인 AI 인프라로, 트랜잭션 레이어 및 데이터 레이어와 원활하게 상호 작용하여 AI 계산 및 기능과 관련된 프로토콜을 실행하고 관리합니다. 실행 작업에 따라, 안전하게 데이터 레이어에서 데이터를 가져오고 최적의 성능을 위해 동적으로 계산 자원을 할당합니다. 실행 중에 실행 레이어는 효율적이며 개인 정보를 보호하고 무결성을 유지하는 다목적 프로토콜을 활용합니다. 모든 실행 활동 및 증거를 기록하기 위해 Sahara 블록체인과 상호작용하여 출처와 신뢰를 보장합니다. furthermore, 플랫폼의 AI 인프라는 높은 성능을 지원하여 신속하고 유연하며 회복력이 뛰어납니다.

3.4.1 고성능 인프라

사하라 AI의 실행 계층의 기본 인프라는 다음과 같은 속성을 갖춘 고성능 AI 계산을 지원하도록 설계되었습니다:

• 편리성: 실행 계층은 플랫폼 인프라 내에서 다양한 기여자 및 참가자 간의 AI 계산을 효율적으로 조정하여 신속하고 신뢰할 수 있는 성능을 보장하기 위해 구축되고 있습니다.

• 탄력적: 다양한 트래픽 수준을 처리하기 위해 실행 레이어는 강력한 자동 확장 메커니즘을 구축하고 있습니다. 이 기능은 플랫폼의 인프라가 높은 트래픽 조건에서도 높은 가용성을 유지하도록 보장합니다.

• 회복력: 실행 레이어는 시스템 안정성과 신뢰성을 보장하기 위해 결함 내성이 있도록 구축되었습니다. 사하라 블록체인에 의해 추가적으로 보완된 플랫폼의 인프라는 분할 허용을 지니고 있습니다. 실패 발생 시, 시스템은 처리 워크플로의 무결성을 유지하고 가동 중지 시간을 최소화하기 위해 신속하게 복구할 수 있습니다.

3.4.2 추상화

추상화는 사하라 AI 플랫폼에서 다양한 AI 자산을 구현하는 데 기초가 됩니다. 그것들은 데이터셋, AI 모델, 계산 리소스, 금고 및 AI 에이전트를 관리하는 데 필요한 개념적 틀을 제공합니다.

핵심 추상화 핵심 추상화는 Sahara AI 플랫폼에서 AI 작업의 기초를 형성하는 필수 구성 요소입니다.

• 데이터 세트 데이터 세트 추상화는 AI 학습을 촉진하고 추론 프로세스를 보강하는 플랫폼 참여자의 큐레이션된 데이터를 나타냅니다.

• AI 모델 AI 모델 추상화는 다양한 기계 학습 작업을 위한 모델과 아키텍처를 캡슐화합니다. 플랫폼의 주요 관심 모델은 생성 모델 [2, 3, 4, 5], 특히 대형 언어 모델(LLM) [6, 7, 8]에 중점을 둡니다. 사하라 AI는 특히 변환기 기반 모델 [9, 10]에 최적화되어 있습니다.

• 계산 계산 추상화는 AI 작업 실행을 지원하는 리소스를 포함합니다. Sahara AI의 인프라는 최적의 성능과 비용 효율성을 위해 이러한 리소스를 동적으로 할당합니다. 여기에는 클라우드 기반 GPU뿐만 아니라 네트워크 참가자로부터의 분산 기여도 포함됩니다.

고급 추상화 고급 추상화는 핵심 추상화를 기반으로 하며 Sahara AI 플랫폼에서 더 높은 수준의 기능 및 통합을 제공합니다.

• 금고 금고 추상화는 사하라 금고 뒤의 실행 인터페이스입니다. 이들은 AI 자산의 접근성과 효과적인 사용을 관리하도록 구조화되어 있으며, 운영 프로세스에 매우 중요합니다.

• AI 에이전트 AI 에이전트 추상화는 사하라 에이전트 뒤의 실행 인터페이스입니다. 특히, 이 플랫폼은 LLM 기반 에이전트 [11, 12, 13]에 초점을 맞추고 있으며, LLM은 두뇌 역할을 합니다. 이러한 추상화는 에이전트가 복잡한 추론을 수행하고, 자연어 상호작용에 참여하며, 효율적으로 다양한 인지 및 의사결정 작업을 실행할 수 있게 합니다 [14, 15, 16, 17].

3.4.3 실행 레이어를 위한 프로토콜

사하라 AI 플랫폼의 실행 레이어는 다양한 추상체 간의 효율적인 상호작용을 촉진하기 위해 설계된 전문 프로토콜 모음을 통해 복잡한 AI 작업을 조율합니다. 이러한 프로토콜은 AI 접근, 교육 및 실행을 포함한 다양한 활동을 관리합니다. 이들은 사하라 블록체인 프로토콜(SBP)과 원활하게 작동하여 실행 세부사항을 면밀히 기록합니다. 여기에는 특정 작업을 수행한 사람, 접근한 자원 및 다양한 주체들이 기여한 내용 추적 등이 포함됩니다.

추상 실행 프로토콜 추상 실행 프로토콜은 모든 고수준 추상이 효율적이고 안전하게 운영되도록 보장하기 위해 필요한 프레임워크를 제공합니다.

• 볼트 실행 프로토콜 볼트 실행 프로토콜은 Sahara AI 플랫폼의 실행 계층 내에서 볼트와의 상호작용을 표준화하며, 다양한 AI 프로세스를 위해 볼트에 접근하고 활용하는 방법을 자세히 설명합니다.

• 직접 접근 프로토콜: 이 프로토콜은 사용자가 금고에서 특정 정보를 신속하고 안전하게 검색하기 위해 목표 쿼리를 수행할 수 있도록 허용합니다.

• 다운스트림 모델 훈련 프로토콜: 이 프로토콜은 저장된 데이터의 사용을 촉진하여 다운스트림 AI 모델 훈련을 지원합니다. 이는 비구조적 데이터를 사용한 사전 훈련부터 구조적 데이터에 의한 이후의 세부 조정까지 다양한 훈련 패러다임을 지원합니다 [10, 6, 18, 19].

• 검색 증강 생성(RAG) 프로토콜: RAG [20, 21] 프로토콜은 생성 모델의 출력을 향상시키기 위해 금고에서 검색된 관련 데이터를 활용합니다.

• 대리인 실행 프로토콜 대리인 프레임워크 프로토콜은 실행 계층 내의 AI 에이전트 간의 상호 작용 및 조정을 관리합니다. 이러한 프로토콜에는 다음이 포함됩니다:

• 통신 프로토콜: 사하라 AI는 다양한 조정 요구에 맞춘 여러 통신 전략을 지원합니다:

• 계층적 커뮤니케이션: 이 전략에서는 한 에이전트가 리더 역할을 하고, 다른 에이전트는 그 에이전트에게 보고합니다 [22, 23, 24].

• 피어 투 피어 통신: 이 전략에서 모든 에이전트는 동등하게 상호작용하며, 정보를 공유하고 협력적으로 결정을 내립니다 [12, 25, 26].

• 다중 에이전트 조정 프로토콜: 복잡한 목표를 달성하기 위해서는 여러 에이전트의 효과적인 조정 및 오케스트레이션이 필수적입니다. 사하라 AI 플랫폼 내에서 이러한 프로토콜은 정교한 작업 할당, 동기화, 진화 및 협력 전략을 포함합니다.

협업 계산 프로토콜 실행 레이어는 여러 참여자 간의 공동 AI 모델 개발 및 배포를 촉진하기 위해 협업 계산 프로토콜을 도입합니다. 이 협업 프레임워크에는 AI 개발 프로세스 전반에 걸쳐 개인정보 보호와 무결성을 보장하기 위한 개인정보 보호 계산 모듈 및 계산 사기 방지 메커니즘이 포함되며, AI 모델의 효율적인 조정을 위한 매개변수 효율적 미세 조정(PEFT) 모듈도 포함됩니다.

• 협업 모델 훈련 프로토콜협업 모델 훈련은 여러 사용자 또는 시스템이 공동으로 AI 모델을 구축할 수 있게 해주는 핵심 구성 요소입니다. 여기에는 다음이 포함됩니다:

• 탈중앙화 교육: 사하라 AI는 참여자가 계산 자원을 기여하고 [27] 분산 교육 시스템으로 모델을 공동으로 훈련할 수 있도록 지원하는 탈중앙화 교육을 지원합니다 [28].

• 모델 집합: 탈중앙화 훈련을 넘어, Sahara AI는 최첨단 모델 병합 기술을 지원하여 [29, 30, 31] 여러 참여자가 자신의 독점 모델을 단일 집합 모델로 결합할 수 있도록 합니다.

• 협업 모델 서비스 프로토콜 협업 모델 서비스는 여러 사용자 또는 시스템이 AI 모델을 공동으로 제공하여 추론을 수행할 수 있도록 합니다. 여기에는 다음이 포함됩니다:

• 탈중앙화 서비스: 탈중앙화 교육과 유사하게, 참가자들은 확장 가능하고 효율적인 서비스를 위해 [32, 33, 27] 모델의 일부를 호스팅할 수 있습니다. 이는 참가자 간의 원활한 협업을 촉진합니다.

• 추가 모듈

• PEFT 모듈 Sahara AI는 Low-Rank Adaptation (LoRA) [37]와 같은 다양한 PEFT 기술 [34, 35, 36]을 지원하여 AI 모델을 효율적이고 휴대성 있게 사용자 정의할 수 있습니다. 이러한 PEFT 모듈은 최소한의 계산 오버헤드로 모델 성능을 향상시키며, LLM과 같은 대형 모델에 쉽게 플러그 앤 플레이 구성 요소로 통합될 수 있습니다.

• 프라이버시 보호 컴퓨팅 모듈 실행 계층 내의 프라이버시 보호 컴퓨팅 모듈은 독점 데이터와 모델 매개변수가 처리 라이프사이클 전반에 걸쳐 안전하고 비밀로 유지되도록 보장합니다. 다양한 용도와 시나리오에 맞추기 위해 이 플랫폼은 프라이버시 보호 기술의 모음을 제공합니다:

• 차등 프라이버시 (DP): 추론 및 훈련 중에 데이터나 계산에 노이즈를 추가하기 위해 사용됩니다 [38, 39, 40, 41]. 이는 개별 데이터 포인트가 구별될 수 없음을 보장합니다.

• 동형 암호화 (HE): 두 당사자 계산, 경량 계산 작업 및 더 큰 모델을 위한 임의 수 생성과 같은 전처리 계산을 포함하는 시나리오에 사용됩니다 [42].

• 비밀 공유 (SS): 일반적인 변환기 구조 추론 작업에 사용됩니다 [43, 44]. SS는 데이터를 여러 부분으로 나누고 이를 서로 다른 노드에 분산시켜, 어떤 단일 노드도 전체 데이터에 접근할 수 없도록 합니다.

• 계산 사기 증명 모듈 플랫폼은 협업 계산 프로토콜의 계산 결과에 대한 사기 증명 생성을 지원합니다 [45, 46]. 이러한 증명은 악의적이거나 결함이 있는 계산으로부터 보호하기 위해 온체인에서 검증됩니다.

3.4.4 통합

실행 계층은 사하라 AI 플랫폼의 다른 계층과 원활하게 통합되어 응집력 있고 효율적인 AI 인프라를 제공합니다.

• 거래 레이어 실행 레이어는 AI 자산의 주권과 출처를 관리하기 위해 거래 레이어와 협력합니다. 실행 레이어에서 발생하는 AI 자산과 관련된 모든 실행, 기여 및 사용 활동 — 모델 액세스, 데이터 사용 및 계산 결과와 같은 — 는 기록되며 사하라 블록체인에 전송되어 기록됩니다. 이는 SAP와 SBP에 의해 촉진됩니다.

• 데이터 레이어 실행 레이어는 데이터 레이어와 상대적인 프로토콜을 사용하여 데이터 레이어와 상호 작용하며, 교육 및 RAG를 위해 금고에서 데이터를 안전하게 액세스합니다. 이 통합은 데이터 레이어와 실행 레이어의 계산 프로토콜 모두의 메커니즘을 활용하여 프라이버시, 보안 및 무결성을 보장합니다.

3.5 경제 시스템

사하라 AI의 경제 시스템은 개발자부터 소비자에 이르기까지 모든 참여자가 기여하고 혁신하며 혜택을 받을 수 있는 협력적이고 공정하며 평등한 AI 생태계를 만듭니다. 지식과 데이터를 기여하든, 모델을 미세 조정하든, 에이전트를 구축하든, 사하라 AI는 공정한 보상, 투명한 거래 및 포괄적인 참여를 보장합니다.

3.5.1 경제적 역할

경제 시스템에서 사하라 AI 플랫폼은 다음과 같은 중요한 역할을 포함합니다:

• 개발자: 개발자는 사하라 AI 생태계의 설계자로, 최첨단 AI 모델, 도구 및 응용 프로그램을 만듭니다. 그들은 자신이 만든 작품의 사용으로 생성된 로열티 및 라이센스 수수료를 통해 인센티브를 받습니다.

• 개발자: 개발자는 사하라 AI 생태계의 설계자로, 최첨단 AI 모델, 도구 및 응용 프로그램을 만듭니다. 그들은 자신의 창작물 사용에서 발생하는 로열티와 라이선스 수수료를 통해 보상을 받습니다.

• 지식 제공자: 데이터 주석자 및 검토자를 포함한 지식 제공자는 고품질 데이터 세트를 선별하고 AI 교육 프로세스의 무결성을 보장하는 데 중요한 역할을 합니다. 그들은 제공하는 지식과 데이터의 품질 및 유용성에 따라 보상을 받습니다.

• 지식 제공자: 데이터 주석 작업자와 리뷰어를 포함한 지식 제공자는 고품질 데이터 세트를 선별하고 AI 교육 프로세스의 무결성을 보장하는 데 중요한 역할을 합니다. 그들은 제공하는 지식과 데이터의 품질 및 유용성에 따라 보상을 받습니다.

• 소비자: 소비자, 기업과 최종 사용자를 포함하여, AI 솔루션 채택의 원동력입니다. 소비자는 운영을 향상시키고, 혁신을 촉진하며, 측정 가능한 가치를 제공하는 최고의 AI 자산에 대한 접근에 비용을 지불합니다.

• 소비자: 소비자는 기업과 최종 사용자를 포함하여 AI 솔루션 채택의 원동력입니다. 소비자는 운영을 향상시키고 혁신을 촉진하며 측정 가능한 가치를 제공하는 최고의 AI 자산에 대한 접근을 위해 비용을 지불합니다.

• 검증자: 검증자는 사하라 블록체인의 수호자로서 네트워크의 무결성, 보안 및 효율성을 보장합니다. 그들은 거래를 검증하고, 합의를 유지하며, 악의적인 행위자로부터 플랫폼을 보호합니다. 그 대가로 검증자는 생태계의 신뢰성과 안정성을 유지하는 중요한 역할에 대해 보상을 받습니다.

• 검증자: 검증자는 사하라 블록체인의 수호자로, 네트워크의 무결성, 보안 및 효율성을 보장합니다. 그들은 거래를 검증하고, 합의를 유지하며, 악의적인 행위자로부터 플랫폼을 보호합니다. 그 대가로 검증자는 생태계의 신뢰성과 신뢰성을 유지하는 중요한 역할에 대한 보상을 받습니다.

3.5.2 성장 플라이휠

그림 4: 사하라 이중 성장 플라이휠

전반적으로 그림 4에서 설명되듯이, Sahara AI는 Web3 생태계와 AI 생태계의 지속 가능하고 확장 가능한 성장을 촉진하기 위해 이중 성장 플라이휠 모델을 사용합니다. 이 이중 접근 방식은 Web3 생태계와 AI 생태계가 자가 지속 루프 아래에서 원활하게 시너지를 발휘하도록 보장합니다.

AI 생태계 AI 생태계의 성장 플라이휠은 AI 관련 작업을 수행하고 참여하는 개발자들로 시작됩니다. 이러한 AI 관련 작업은 지식 제공자들이 AI 자산을 개발하는 개발자와 협력하도록 끌어옵니다. 생성된 AI 자산은 소비자를 끌어들여 AI 자산으로부터의 수익 증가에 기여합니다. 이러한 수익 증가는 개발자의 순이익 증가를 유발하고, 이는 다시 더 많은 개발자들을 생태계로 끌어들입니다. 개발자들의 이러한 지속적인 유입은 더 많은 혁신으로 이어져, 가치 있는 AI 자산의 창출을 더욱 촉진하고 AI 생태계의 성장 사이클을 지속시킵니다.

웹3 생태계 웹3 생태계 성장 플라이휠은 사하라 블록체인 위에 애플리케이션을 구축함으로써 제품 혁신을 주도하는 개발자들로 시작됩니다. 이 혁신은 사용자 참여를 가속화하여 플랫폼에 더 많은 사용자를 끌어들입니다. 증가한 사용자 참여는 번영하는 생태계를 촉진하는 데 도움이 되며, 이는 거래 수의 증가로 이어집니다. 거래가 증가함에 따라 기본 서비스의 수익이 향상됩니다. 이러한 수익 증가는 생태계에 더 많은 검증자를 끌어들여 인프라 안정성을 더욱 강화합니다. 안정적인 인프라는 차례로 더 많은 개발자를 끌어들여 추가적인 제품 혁신을 촉진하고 성장의 순환을 계속합니다.

시너지 AI와 Web3 생태계는 밀접하게 연결되어 있으며, 두 생태계의 핵심에는 개발자들이 있습니다. AI 생태계에서 개발자들은 혁신을 이끄는 AI 자산을 만들기 위해 AI 관련 작업에 참여합니다. 이러한 AI 발전을 가진 더 많은 개발자들은 Web3 생태계 내에서 활용되어 제품 혁신과 사용자 참여를 향상시킵니다. 증가된 참여는 Web3 생태계의 거래와 수익을 높이며, 이는 다시 더 많은 AI 개발을 위한 안정적인 플랫폼을 제공합니다. 이 시너지는 각 생태계가 성장함에 따라 다른 생태계의 성장을 지원하고 가속화하여 상호 강화의 강력한 순환을 만들어냅니다.

3.5.3 AI 자산의 대문자 표기

사하라 AI 플랫폼 내 AI 자산의 자본화는 두 개의 구별된 도구로 구성되어 있습니다: 영수증과 라이선스.

영수증 영수증은 체인 기반의, 비양도 가능하며, 대체 불가능한 디지털 증거로, AI 자산에 대한 소유권 및 수익 분배 권리를 나타냅니다. 이것은 다음을 위해 설계된 도구입니다:

• 소유권 확인: 영수증은 기여자가 AI 자산을 생성하는 데 있어 투명하고 불변의 기록을 제공하며, AI 수명 주기 전반에 걸쳐 명확한 귀속과 추적 가능성을 보장합니다. 이는 그들의 온체인 평판과 생태계 내 가시성을 향상시켜 신뢰와 책임을 촉진합니다.

• 수익 공유 활성화: 기여자는 AI 자산의 사용에 따라 로열티와 라이센스 수수료를 얻어 공정한 보상을 보장합니다. 수익 공유 메커니즘은 영수증에 내장되어 있어 기여자가 자신의 자산이 생성하는 가치로부터 직접 혜택을 받을 수 있습니다.

• 문서 신뢰성: 영수증은 사하라 AI 생태계 내에서 기여자의 기여 및 성과에 대한 검증 가능한 기록으로 작용합니다. 영수증을 통해 문서화된 높은 온체인 신뢰성은 더 넓은 가시성, 라이센스를 통한 AI 자산 수익화 기회 증가, 그리고 플랫폼 기능에 대한 추가 접근을 이끌 수 있습니다. 이는 개발자와 지식 제공자가 고품질 AI 자산을 만들도록 유도하여 생태계 전반에 걸쳐 혁신과 우수성을 촉진합니다.

• 문서 평판: 영수증은 사하라 AI 생태계 내에서 기여자의 기여 및 성과에 대한 검증 가능한 기록으로 작용합니다. 영수증을 통해 문서화된 더 높은 온체인 평판은 더 넓은 가시성, 라이센스를 통한 AI 자산 수익화 기회 증가, 그리고 플랫폼 기능에 대한 추가 접근으로 이어질 수 있습니다. 이는 개발자와 지식 제공자가 고품질 AI 자산을 생성하도록 장려하여 생태계 전반에 걸쳐 혁신과 우수성을 촉진합니다.

라이센스 라이센스는 AI 자산에 접근하거나 활용할 수 있는 권한을 나타내는 온체인 디지털 증명입니다. 이는 다양한 사용자가 AI 자산에 유연하고 안전하게 접근할 수 있도록 설계되었습니다:

• 파트너십 라이선스: 장기 협력을 위한 맞춤형 계약. 이 유형의 라이선스는 운영에 AI 자산을 통합하려는 비즈니스 또는 조직에 적합합니다.

• 파트너십 라이센스: 장기 협력을 위한 맞춤형 계약. 이 유형의 라이센스는 AI 자산을 운영에 통합하려는 기업이나 조직에 이상적입니다.

• API 라이센스: 호출당 고정 요금을 통해 API를 통해 AI 자산에 대한 안전한 액세스. 이 라이센스는 응용 프로그램에 원활하게 통합할 수 있는 AI 기능에 대한 프로그래매틱 액세스가 필요한 개발자와 비즈니스를 위해 설계되었습니다.

• API 라이센스: API를 통한 AI 자산에 대한 안전한 액세스, 호출당 고정 요금이 부과됩니다. 이 라이센스는 AI 기능에 대한 프로그래밍 액세스가 필요한 개발자와 기업을 위해 설계되어, 애플리케이션에 매끄럽게 통합할 수 있도록 합니다.

• 전체 사용 권한 라이선스: 모든 내부 매개변수를 포함한 AI 자산에 대한 전체 액세스를 위한 일회성 결제. 이 라이선스는 사용자 지정 또는 고급 사용 사례를 위해 AI 자산에 대한 제어가 필요한 사용자에게 적합합니다.

• 전체 접근 라이센스: AI 자산에 대한 전체 액세스를 위한 일회성 결제, 모든 내부 매개변수가 포함됩니다. 이 라이센스는 사용자 지정 또는 고급 사용 사례를 위해 AI 자산에 대한 제어가 필요한 사용자에게 적합합니다.

• 장기 라이선스: 정해진 기간 동안 AI 자산에 대한 무제한 액세스, 일회성 결제로 제공됩니다. 이 라이선스는 반복 요금 없이 시간에 따라 AI 자산에 지속적으로 액세스해야 하는 사용자에게 적합합니다.

• 장기 라이센스: 지정된 기간 동안 AI 자산에 대한 무제한 액세스, 일회성 결제로 제공됩니다. 이 라이센스는 시간이 지남에 따라 반복 요금 없이 AI 자산에 지속적으로 접근해야 하는 사용자에게 적합합니다.

4. 거버넌스

4. 거버넌스

사하라 AI 플랫폼의 거버넌스는 탈중앙화 및 커뮤니티 중심의 혁신과 의사결정을 강조합니다. 행위와 결정은 사하라 DAO를 통해 투명하게 이루어지며, 이 DAO는 중요한 기여를 한 사용자들이 주요 이니셔티브에 대해 제안하고 토론하며 투표할 수 있도록 권한을 부여합니다. 사하라 재단은 사하라 DAO의 초기 설정을 지원하며, 커뮤니티가 완전한 탈중앙화 거버넌스로 나아갈 수 있도록 안내합니다. 플랫폼의 거버넌스 모델은 사하라 AI 플랫폼의 발전에 광범위한 참여를 보장합니다.

4.1 사하라 DAO

사하라 DAO는 완전한 민주화를 목표로 하며, 지배 구조를 필수 기능으로 최소화하고 자율성과 혁신을 촉진합니다. 사하라 생태계에 중요한 기여를 한 사용자들은 플랫폼을 형성하고 다양한 거버넌스 제안에 대해 제안하고 논의하며 투표하는 중요한 역할을 합니다. 그들은 개인적으로 투표하거나 신뢰할 수 있는 대표에게 투표권을 위임할 수 있는 선택권이 있습니다.

사하라 DAO는 또한 플랫폼의 독립성과 투명성을 보장하며, 더 넓은 커뮤니티의 이익을 반영하고, 생태계에 대한 기여에 대한 공정한 보상을 우선시하며, 단기적인 요구와 장기적인 목표의 균형을 맞추기 위해 자원을 전략적으로 관리하도록 설계되었습니다.

4.2 사하라 재단

사하라 재단은 사하라 비전을 진전시키기 위해 플랫폼의 발전을 개방적이고 분산된 커뮤니티 주도의 생태계로 이끄는 데 전념하고 있습니다. 재단의 핵심 역할은 사하라 DAO의 창립을 촉진하고, 사하라 생태계의 성장을 도모하며, 장기적인 지속 가능성과 폭넓은 참여를 보장하기 위해 기본 기술을 개발하는 것입니다.

사하라 DAO의 형성 단계에서 재단은 효과적인 장기 개발 전략을 식별하는 데 도움을 주기 위해 지원과 지침을 제공합니다. 이를 통해 분산되고 투명하며 커뮤니티 주도의 거버넌스의 전망을 크게 향상시킵니다. 초기 단계에서 체계적인 지원을 제공함으로써, 재단은 의사 결정 권한과 생태계 통제가 점차 커뮤니티 참여자에게 이전되도록 보장하여 진정으로 허가 없는 환경의 길을 열어 줍니다.

병행하여, 재단은 사하라 블록체인 프로토콜(SBP)을 개방형 소스 이니셔티브로 지원하며, 기술 인프라를 강화하기 위한 커뮤니티 참여를 장려하고, 확장성, 보안 및 분산화에 대한 연구를 후원합니다. 이러한 노력들을 통해 사하라 재단은 플랫폼이 개방성, 분산화, 커뮤니티 관리라는 핵심 원칙에 따라 지속적으로 발전하도록 하는 데 전념하고 있습니다.

5. 미래

사하라 AI가 가능하게 하는 미래에는 인공지능이 소수의 선택된 사람들에 의해 제어되는 것이 아니라 모든 사람들이 접근할 수 있는 공유 자원이 됩니다. 이 새로운 AI 세계는 투명성, 포용성, 공정성의 원칙에 의해 안내되며, 가장 중요한 것은 사용자 개인 정보 보호와 통제입니다.

이 미래에서 AI 열정가들은 사하라 AI에 로그인하여 다양한 AI 모듈을 탐색하고, 자신만의 데이터셋으로 이러한 모델을 미세 조정하며, 커뮤니티와 개선 사항을 공유할 수 있습니다. 그들은 자신의 AI 자산에 대한 완전한 통제를 가지고 있으며, 기여가 보호받는 동시에 보상을 얻을 수 있습니다.

한때 중앙 집중식 장벽에 의해 제약받던 데이터 과학자들은 이제 사하라 AI의 방대한 데이터와 모델 풀을 활용하여 연구를 발전시킬 수 있습니다. 플랫폼의 강력한 개인정보 보호 기능을 통해 그들은 모델을 개선하고 솔루션을 배포하면서 자신의 데이터와 지적 재산에 대한 통제를 유지할 수 있습니다.

비즈니스 리더에게 사하라 AI는 회사의 특정 요구에 맞춘 맞춤형 AI 솔루션을 제공하여 전략적 이점을 제공합니다. 그들은 자신의 조직 내에서 혁신을 주도할 수 있으며, 데이터가 보호되고 AI 자산이 그들의 통제 아래에 있다는 지식 속에서 안심합니다.

한편, AI 전문가가 아닐지도 모르는 개인들도 사하라 AI 내에서 환영받는 환경을 찾을 수 있습니다. 그들은 최첨단 프로젝트에 참여하고, 자신의 전문성을 기여하며, 거버넌스에 참여하고, 윤리적 AI 이니셔티브를 지원할 수 있으며, 기여에 대해 반영하는 보상을 얻으면서 자신의 기여를 전적으로 제어할 수 있습니다.

사하라 AI 생태계는 모든 사람이 배경이나 전문성에 관계없이 AI의 미래를 형성하는 데 의미 있는 역할을 하는 커뮤니티입니다. 이는 단순히 플랫폼을 구축하는 것이 아니라 AI의 이점을 공평하게 공유하는 분산형 개방 환경을 만드는 일이며, AI 자산에 대한 개인정보 보호와 통제가 가장 중요합니다. 함께, 사하라 AI 생태계는 AI를 개인과 커뮤니티 모두를 권한 부여하는 힘으로 변형시켜, 세상을 더욱 연결되고 안전하며 공정한 미래로 인도할 것입니다.

참조

[1] 이선 부크만, 재이 권, 자르코 밀로세비치. 2019년 BFT 합의에 대한 최신 가십.

[2] 디더릭 P 킹마와 맥스 웰링. 자동 인코딩 변이 바예스. arXiv 사전 인쇄 arXiv:1312.6114, 2013.

[3] 이안 굿펠로우, 장 포제-아바디, 메흐디 미르자, 빙 쉬, 데이비드 워드-팔리, 셔질 오자이르, 아론 커빌, 그리고 요슈아 벤지오. 생성적 적대 신경망. 신경 정보 처리 시스템의 발전, 27, 2014.

[4] 조나단 호, 아제이 제인, 그리고 피터 아벨. 잡음 제거 확산 확률 모델, 2020.

[5] 알렉 라드포드와 카르틱 나라시만. 생성적 사전 훈련을 통한 언어 이해 개선. 2018.

[6] 톰 브라운, 벤자민 만, 닉 라이더, 멜라니 서비아, 자레드 D 카플란, 프라풀라 다리왈, 아르빈드 니일라칸탄, 프라나브 샤얌, 기리시 사스트리, 아만다 아스켈, 등. 언어 모델은 몇 가지 사례 학습자입니다. 신경 정보 처리 시스템의 발전, 33:1877–1901, 2020.

[7] 휴고 투브롱, 티보 라브릴, 고티에 이자카르, 자비에 마르티네, 마리안 라쇼, 티모테 라크루와, 바티스트 로지에르, 나만 고얄, 에릭 함브로, 파이살 아자르, 오렐리안 로드리게스, 아르망 주랭, 에두아르 그라브, 그리고 기욤 랑플. 라마: 개방적이고 효율적인 기본 언어 모델. 아카이브, abs/2302.13971, 2023.

[8] 알버트 치아오추 지앙, 알렉산드르 사블레롤, 아르투르 멍쉬, 크리스 밤포드, 데벤드라 싱 차플롯, 디에고 데 라스 카사스, 플로리안 브레산, 지안나 렝젤, 기욤 랑플, 루실 솔니에, 렐리오 르나르 라보, 마리-안 르쇼, 피에르 스톡, 테벤 리 스카오, 티보 라브릴, 토마스 왕, 티모시 라크루아, 그리고 윌리엄 엘 사이엣. 미스트랄 7b. ArXiv, abs/2310.06825, 2023.

[9] Ashish Vaswani, Noam Shazeer, Niki Parmar, Jakob Uszkoreit, Llion Jones, Aidan N
Gomez, Lukasz Kaiser, and Illia Polosukhin. 주의 가 필요한 모든 것입니다. 신경 정보 처리 시스템의 진보, 30, 2017.

[9] 아시시 바스와니, 노암 샤제르, 니키 파르마르, 야콥 우스코레이트, 리온 존스, 에이단 N
고메즈, 루카스 카이저, 그리고 일리야 폴로수킨. 당신이 필요로 하는 것은 주의 입니다. 신경 정보 처리 시스템의 발전, 30, 2017.

[10] Jacob Devlin, Ming-Wei Chang, Kenton Lee, and Kristina Toutanova. Bert: 언어 이해를 위한 심층 양방향 변환기 프리트레이닝. arXiv 사전 인쇄 arXiv:1810.04805, 2018.

[11] Guanzhi Wang, Yuqi Xie, Yunfan Jiang, Ajay Mandlekar, Chaowei Xiao, Yuke Zhu, Linxi (Jim) Fan, and Anima Anandkumar. Voyager: 대화형 대리인 및 대형 언어 모델. ArXiv, abs/2305.16291, 2023.

[12] Sirui Hong, Xiawu Zheng, Jonathan P. Chen, Yuheng Cheng, Ceyao Zhang, Zili Wang, Steven Ka Shing Yau, Zi Hen Lin, Liyang Zhou, Chenyu Ran, Lingfeng Xiao, 그리고 Chenglin Wu. Metagpt: 다중 에이전트 협업 프레임워크를 위한 메타 프로그래밍. ArXiv, abs/2308.00352, 2023.

[13] 노아 신, 벡 라바시, 아수윈 고핀나트. 반사: 동적 메모리와 자기 반사를 가진 자율 에이전트. 아카이브, abs/2303.11366, 2023.

[14] Zijun Liu, Yanzhe Zhang, Peng Li, Yang Liu, and Diyi Yang. 동적 LLM 에이전트 네트워크: 에이전트 팀 최적화를 통한 LLM 에이전트 협업 프레임워크. ArXiv, abs/2310.02170, 2023.

[15] 머리 샤나한, 카일 맥도넬, 그리고 라리아 레이놀즈. 대규모 언어 모델을 이용한 역할 놀이. 자연, 623:493–498, 2023.

[16] Zhenhailong Wang, Shaoguang Mao, Wenshan Wu, Tao Ge, Furu Wei, and Heng Ji. 대형 언어 모델에서 emergent 인지 시너지를 발휘하기: 다중 페르소나 자기 협업을 통한 작업 해결 에이전트. In North American Chapter of the Association for Computational Linguistics, 2023.

[17] 웬롱 황, P. 아베엘, 딥악 파탁, 그리고 이고르 모르닥치. 언어 모델을 제로샷 플래너로: 구현된 에이전트를 위한 실행 가능한 지식 추출. ArXiv, abs/2201.07207, 2022.

[18] 롱 오양, 제프 우, 쉬 강, 디오고 알메이다, 캐롤 L. 웨인라이트, 패멀라 미쉬킨, 총 장, 산디니 아가르왈, 카타리나 슬라마, 알렉스 레이, 존 슐만, 제이콥 힐턴, 프레이저 켈턴, 루크 밀러, 매디 시멘스, 아만다 아스켈, 피터 웰린더, 폴 크리스티아노, 얀 라이크, 그리고 라이언 로우. 인간 피드백을 통한 지침 준수를 위해 언어 모델 훈련, 2022.

[19] 라파엘 라파일로프, 아키트 샤르마, 에릭 미첼, 스테파노 에르몬, 크리스토퍼 D. 매닝, 그리고 첼시 핀. 직접 선호 최적화: 당신의 언어 모델은 비밀리에 보상 모델입니다, 2023.

[20] 패트릭 루이스, 에단 페레즈, 알렉산다라 픽투스, 파비오 페트로니, 블라디미르 카푸킨, 나만 고얄, 하인리히 쿳틀러, 마이크 루이스, 웬 타우 이흐, 팀 록타셸, 세바스찬 리델, 그리고 다우 케일라. 지식 집약적인 NLP 작업을 위한 검색 증강 생성. 아카이브, abs/2005.11401, 2020.

[21] 윤판 가오, 윈 시옹, 신위 가오, 캉샹 지아, 진리우 판, 유시 비, 이 다이, 자웨이 선, 멍 왕, 하오펀 왕. 대규모 언어 모델을 위한 검색 증강 생성: 설문조사, 2024.

[22] Yongchao Chen, Jacob Arkin, Yang Zhang, Nicholas Roy, and Chuchu Fan. 대규모 언어 모델을 활용한 확장 가능한 다중 로봇 협업: 중앙 집중식 또는 분산 시스템? arXiv 사전 인쇄 arXiv:2309.15943, 2023.

[23] Rui Hao, Linmei Hu, Weijian Qi, Qingliu Wu, Yirui Zhang, and Liqiang Nie. 챗LLM 네트워크: 더 많은 두뇌, 더 많은 지능. ArXiv, abs/2304.12998, 2023.

[24] Xudong Guo, Kaixuan Huang, Jiale Liu, Wenhui Fan, Natalia V´elez, Qingyun Wu, Huazheng Wang, Thomas L Griffiths, and Mengdi Wang. 체화된 llm 에이전트는 조직된 팀에서 협력하는 방법을 배운다. arXiv preprint arXiv:2403.12482, 2024.

[25] 야샤르 탈레비라드와 아미르호세인 나디리. 다중 에이전트 협업: 지능형 LLM 에이전트의 힘을 이용하기. ArXiv, abs/2306.03314, 2023.

[26] Tian Liang, Zhiwei He, Wenxiang Jiao, Xing Wang, Yan Wang, Rui Wang, Yujiu Yang, Zhaopeng Tu, and Shuming Shi. 다중 에이전트 토론을 통한 대형 언어 모델에서의 발산적 사고 격려. ArXiv, abs/2305.19118, 2023.

[27] 알렉산더 보르주노프, 드미트리 바라춘크, 팀 데트머스, 맥스 리아비닌, 유네스 벨카다, 아르템 추마첸코, 파벨 사미긴, 그리고 콜린 라펠. 페탈: 대형 모델의 협업 추론 및 미세 조정, 2023.

[28] 지헹 장, 하이빈 린, 인민 중, 치 황, 양루이 첸, 쯔 장, 양화 펑, 샤오리, 쭝 시에, 시비아오 농, 유리 자, 선 허, 홍민 첸, 쯔하오 바이, 치 호우, 시펑 얀, 딩 저우, 이야오 생, 주오 장, 하오한 쉬, 하오란 웨이, 장 장, 펑페이 니에, 레치 조우, 시다 자오, 리앙 시앙, 저루이 리우, 저 리, 샤오잉 자, 전시 예, 신 진, 그리고 신 리우. 메가스케일: 10,000개 이상의 GPU로 대규모 언어 모델 훈련 확장, 2024.

[29] 시센 진, 샹 렌, 다니엘 프레오티우크-피에트로, 펭샹 청. 데이터 없는 지식 융합을 위한 언어 모델의 가중치 병합, 2023.

[30] 미첼 워트스먼, 가브리엘 일하르코, 사미르 이츠하크 가드레, 레베카 로엘로프스, 라파엘 곤지조-로페스, 아리 S. 모르코스, 홍석 남궁, 알리 파르하디, 야이르 카르몬, 시몬 코른블리트, 그리고 루트비히 슈미트. 모델 수프: 여러 개의 미세 조정된 모델의 가중치를 평균내면 정확도는 향상되지만 추론 시간은 늘어나지 않습니다, 2022.

[31] 마이클 마테나와 콜린 라펠. 피셔 가중 평균으로 모델 통합하기, 2022.

[32] Zhuoran Zhao, Kamyar Mirzazad Barijough, 그리고 Andreas Gerstlauer. Deepthings: 자원 제약 IoT 엣지 클러스터에서의 분산 적응형 딥 러닝 추론. IEEE Transactions on Computer-Aided Design of Integrated Circuits and Systems, 37:2348– 2359, 2018.

[33] Bingyang Wu, Yinmin Zhong, Zili Zhang, Gang Huang, Xuanzhe Liu, and Xin Jin. 대규모 언어 모델을 위한 빠른 분산 추론 서비스. ArXiv, abs/2305.05920, 2023.

[34] 제유 한, 차오 가오, 진양 리우, 제프 장, 사이 치안 장. 대형 모델을 위한 파라미터 효율적인 미세 조정: 포괄적인 조사, 2024.

[35] 멍판시우, 왕자오후이, 장무한. 피사: 대형 언어 모델의 주특이값 및 주특이벡터 적응, 2024.

[36] 이샤오 리, 이판 유, 친 리앙, 펑청 허, 니코스 카람파지아키스, 웨이주 첸, 그리고 투오 자오. Loftq: 대형 언어 모델을 위한 로라 미세 조정 인식 양자화, 2023.

[37] 에드워드 J. 후, 옌롱 셴, 필립 월리스, 제위안 알렌-주, 위안즈 리, 션 왕, 루 왕, 그리고 웨이주 첸. 로라: 대형 언어 모델의 저랭크 적응, 2021.

[38] 마틴 아바디, 앤디 추, 이안 구드펠로우, H. 브렌단 맥마흔, 일리야 미론노프, 쿠날 탈와르, 그리고 리 장. 차등 개인 정보 보호를 이용한 딥 러닝. 2016 ACM SIGSAC 컴퓨터 및 통신 보안 회의 논문집, CCS’16. ACM, 2016년 10월.

[39] Björn Bebensee. 지역적 차별 프라이버시: 튜토리얼, 2019.

[40] Tong Wu, Ashwinee Panda, Jiachen T. Wang, 및 Prateek Mittal. 대형 언어 모델을 위한 개인 정보 보호 인컨텍스트 학습, 2023.

[41] 다 유, 사우라브 나익, 아르투르스 바쿠르스, 시바칸트 고피, 후세인 A. 이난, 가우탐 카마스, 자나르단 쿨카르니, 인 타트 리, 안드레 마누엘, 루카스 우치츠, 세르게이 예카닌, 그리고 후이슈아이 장. 차별적 개인 정보 보호를 위한 언어 모델의 미세 조정, 2022.

[42] Tianyu Chen, Hangbo Bao, Shaohan Huang, Li Dong, Binxing Jiao, Daxin Jiang, Haoyi Zhou, Jianxin Li, 그리고 Furu Wei. The-x: 동형 암호화를 사용한 개인 정보 보호 변환기 추론, 2022.

[43] 카나브 구프타, 네하 자왈카르, 아난타 무케르지, 니샨트 찬드란, 디비야 구프타, 아시시 판와르, 그리고 라훌 샤르마. 시그마: 함수 비밀 공유를 통한 안전한 GPT 추론. 암호학 ePrint 아카이브, 2023.

[44] Th'eo Ryffel , Pierre Tholoniat, David Pointcheval, and Francis R. Bach. Ariann: 낮은 상호작용 프라이버시 보호 딥 러닝 기능 비밀 공유를 통한. 프라이버시 강화 기술의 회의록, 2022:291 – 316, 2020.

[45] KD 콘웨이, 캐시 소, 샤오항 유, 카틴 웡. opml: 블록체인에서의 낙관적인 머신 러닝, 2024.

[46] 하오천 순, 제이슨 리, 홍양 장. zkllm: 대형 언어 모델을 위한 제로 지식 증명, 2024.

용어사전

• AI 모델: AI 모델은 데이터에서 학습하여 인간의 지능을 시뮬레이션하도록 설계된 알고리즘입니다. 이러한 모델은 패턴을 인식하고, 결정을 내리며, 학습한 내용을 기반으로 콘텐츠를 생성할 수 있습니다. AI 모델은 특정 작업에 특화된 협소한 AI에서부터 더 넓은 범위의 기능을 처리하는 보다 일반적인 모델까지 다양합니다. 예시로는 신경망, 결정 나무 및 회귀 모델이 있습니다.

• 생성 모델: 이러한 AI 모델은 텍스트, 이미지, 음악 또는 비디오와 같은 새 콘텐츠를 생성하도록 설계되었습니다. 생성 모델은 대규모 데이터 세트에서 패턴을 학습하고 이러한 지식을 사용하여 원본과 유사한 새로운 데이터를 생성함으로써 작동합니다. 생성 모델의 일반적인 유형으로는 변환기가 있습니다.

• 트랜스포머: 언어와 같은 순차적 데이터를 처리하는 데 뛰어난 딥 러닝 모델 아키텍처의 일종입니다. 트랜스포머는 자기 주의 메커니즘을 사용하여 입력 데이터의 다양한 부분의 중요성을 동시에 평가하여 번역, 텍스트 생성 등과 같은 작업에 효과적입니다. 트랜스포머는 현대 대규모 언어 모델의 기초입니다.

• 대형 언어 모델(LLMs): 이들은 방대한 양의 텍스트 데이터로 훈련된 변환기의 하위 집합입니다. LLMs는 제공된 맥락에 기반하여 시퀀스에서 다음 단어를 예측함으로써 인간과 유사한 텍스트를 생성할 수 있습니다. 이들은 다재다능하며 글쓰기, 번역 및 요약과 같은 다양한 작업을 수행할 수 있습니다.

• AI 에이전트: AI 에이전트는 작업을 수행하고, 결정을 내리며, 특정 목표를 달성하기 위해 환경과 상호작용하는 자율 프로그램입니다. AI 에이전트는 약속을 잡는 가상 비서처럼 간단할 수도 있고, 교통을 탐색하는 자율주행차처럼 복잡할 수도 있습니다.

• 매개변수 효율 미세 조정 (PEFT): PEFT는 더 적은 매개변수로 대규모 사전 훈련된 모델을 미세 조정할 수 있도록 하는 기술을 나타내며, 프로세스를 보다 자원 효율적으로 만듭니다. LoRA 또는 어댑터와 같은 PEFT 방법은 모델의 일부만 업데이트하는 데 중점을 두어 성능을 유지하면서 계산 비용을 줄입니다.

• LoRA (저랭크 적응): LoRA는 큰 언어 모델의 레이어에 작은 훈련 가능한 행렬을 추가하는 PEFT 방법입니다. 미세 조정 중에 전체 모델을 업데이트하는 대신, LoRA는 모델의 매개변수의 더 작은 하위 집합을 나타내는 이러한 저랭크 행렬을 수정합니다. 이 접근 방식은 조정해야 할 매개변수의 수를 크게 줄여 프로세스를 가속화하고 자원 사용을 줄이면서 성능을 유지하거나 향상시킵니다.

• 검색 증강 생성 (RAG): RAG는 검색 기반 방법과 생성 모델을 결합한 혼합 접근법입니다. RAG에서는 모델이 먼저 데이터베이스나 문서 집합에서 관련 정보를 검색한 다음 해당 정보를 사용하여 응답을 생성합니다. 이 방법은 특히 최신 또는 특화된 정보가 필요한 경우 모델이 보다 정확하고 맥락적으로 관련된 답변을 제공할 수 있게 합니다.

• 차등 프라이버시: 차등 프라이버시는 데이터에 임의의 노이즈를 추가하여 데이터셋에서 개별 프라이버시를 보호하는 데 사용되는 기술입니다. 이는 데이터가 개인에 대한 민감한 정보를 공개하지 않으면서 분석에 사용될 수 있도록 보장하여, 개인 기록을 공유하거나 개인 데이터로 AI 모델을 학습하는 것과 같은 맥락에서 유용합니다.

• 모델 병합: 두 개 이상의 AI 모델을 결합하여 각 원래 모델의 강점을 활용하는 새로운 모델을 만드는 과정. 모델 병합은 성능을 개선하거나 다양한 지식을 통합하거나 서로 다른 기능을 하나의 더 강력한 모델로 결합하는 데 사용할 수 있습니다.