roni

블록체인에서 AI의 판단을 신뢰할 수 있을까? 기존 블록체인은 같은 입력에 대해 모든 검증자가 동일한 결과를 얻는 구조를 기반으로 합니다. 송금이나 토큰 교환에는 적합하지만 특정 사건이 실제로 발생했는지 웹에서 확인하거나 자연어로 작성된 계약 조건을 해석하는 것처럼 현실의 정보에서는 한계가 있습니다. AI를 활용하면 이러한 작업을 수행할 수 있지만 또 다른 문제가 발생합니다. 같은 질문을 하더라도 AI 모델에 따라 서로 다른 답변이 나올 수 있기 때문입니다. @GenLayer 는 이 문제를 Optimistic Democracy라는 합의 방식으로 해결하려고 합니다. Intelligent Contracts가 웹 정보와 자연어를 해석하면 여러 AI 검증자가 결과를 확인합니다. 이때 모든 검증자가 완전히 동일한 답변을 내놓을 필요는 없습니다. 개발자가 설정한 동등성 기준에 따라 서로 다른 결과도 같은 의미로 인정될 수 있습니다. 판정에 이견이 있다면 이의를 제기하고 추가 검증을 진행하는 절차도 마련돼 있습니다. 물론 이러한 방식이 AI의 오류를 완전히 없애지는 못합니다. 다만 하나의 AI 모델이 내린 결과를 그대로 받아들이는 것이 아니라 여러 검증자가 판단에 참여한다는 점에서 차이가 있습니다. 이러한 방식은 예측시장의 결과를 확정하거나 보험금 지급 조건을 확인하는 등 외부 정보에 대한 판단이 필요한 분야에서도 활용될 수 있습니다. 중요한 것은 AI가 내린 답변 자체보다 그 결과를 어떤 기준으로 검증하고 합의할 수 있는가에 있습니다. GenLayer가 이러한 구조를 안정적으로 구현한다면 기존 스마트 컨트랙트가 처리하기 어려웠던 영역에서도 블록체인을 활용할 수 있을 것입니다. @Im93k portal.genlayer.foundation/?…

Becoming part of the @GenLayer community of builders, validators, and creators. portal.genlayer.foundation/?…

로봇이 학습하는 방식이 달라지고 있다 오늘 Axis Robotics(@axisrobotics)와 AMA를 진행했습니다. 이번 AMA에서는 Axis가 로보틱스 산업에서 수행하는 역할부터 데이터 경쟁력, 실제 기업과의 협력, $AXIS 토큰의 유틸리티와 향후 로드맵까지 다양한 주제를 다뤘습니다. 개인적으로 가장 관심을 가졌던 부분은 Axis가 단순히 로봇 학습 데이터를 수집하는 프로젝트를 넘어 실제 산업에서 어떤 가치를 만들어낼 수 있는지였습니다. 1. Axis Robotics가 해결하려는 문제 로봇 산업에서 가장 큰 과제 중 하나는 학습에 필요한 행동 데이터가 부족하다는 점입니다. LLM은 인터넷에 축적된 방대한 텍스트를 학습할 수 있었지만 로봇은 실제 환경에서 물체를 인식하고 움직이는 과정까지 학습해야 합니다. 이러한 데이터는 일반적인 인터넷 자료만으로 확보하기 어렵습니다. Axis는 이 문제를 해결하기 위해 누구나 브라우저에서 시뮬레이션 로봇을 조작하고 학습 데이터를 생산할 수 있는 환경을 구축했습니다. Web3는 이렇게 생산된 데이터를 검증하고 기여자를 기록하는 데 활용됩니다. 전 세계 사용자가 데이터 생산에 참여하도록 유도하면서도 각자의 기여 내역을 추적할 수 있는 구조입니다. 2. 데이터의 양보다 중요한 것은 학습에 미치는 영향 Axis의 차별점은 데이터를 지속적으로 개선하는 구조에 있습니다. 기존의 데이터 수집이 사람의 시범을 모아 모델을 학습시키는 방식이었다면 Axis V2는 로봇이 스스로 작업하다 실패하는 순간에 사람이 개입해 행동을 교정하도록 설계됐습니다. 이 과정에서 수집된 데이터는 다시 모델 학습에 활용됩니다. 실제로 Axis가 공개한 연구에서는 π0.5 모델의 LIBERO-Plus 성공률이 83.9%에서 88.8%로 개선됐습니다. 다양한 작업 환경과 교정 데이터를 활용해 단순한 데이터 축적을 넘어 모델의 성능을 개선하려는 방향입니다. 3. 실제 로보틱스 기업과의 협력 Booster Robotics와의 협력은 Axis가 구축한 데이터 인프라가 실제 로봇에 어떻게 적용되는지 보여주는 사례입니다. Booster 로봇에 맞춘 시뮬레이션 데이터와 실제 데이터를 결합해 모델을 학습시켰고 일부 작업에서 실제 데이터만 사용했을 때보다 높은 성능을 확인했습니다. 이외에도 Geely Auto, Lotus Cars 등과 산업 자동화 분야에서 협력하고 있습니다. 다만 기업별 매출이나 계약 규모는 공개되지 않았습니다. 앞으로 중요한 것은 이러한 협력이 반복적인 데이터 공급과 상업적 매출로 이어질 수 있는지라고 생각합니다. 4. Web3와 $AXIS의 역할 Axis는 데이터 기여자에게 보상을 제공하고 생태계 참여를 확대하기 위해 $AXIS를 도입할 계획입니다. 전체 공급량의 10%가 커뮤니티 기여자 보상에 배정됐으며 스테이킹과 거버넌스도 향후 유틸리티로 제안됐습니다. 최근 Sonar 커뮤니티 세일에는 2,472명이 참여했고 약 239만 USDC가 커밋됐습니다. 이후 초기 언락 비율을 10%에서 25%로 높이고 추가 보너스 토큰을 제공하는 방향으로 조건이 개선됐습니다. 다만 현재 공개된 구조만으로 사업 매출이 $AXIS의 직접적인 매수 수요로 이어진다고 보기는 어렵습니다. 5. 앞으로의 방향 Axis는 연말까지 대규모 DAgger 데이터셋 공개와 추가 유료 파일럿 확보를 추진하고 있습니다. 연간 반복매출 환산 기준 100만 달러 이상도 목표로 제시했습니다. 개인적으로 Physical AI 시장에서 중요한 경쟁력은 결국 얼마나 많은 데이터를 확보했느냐보다 그 데이터를 통해 실제 로봇의 성능을 얼마나 개선할 수 있느냐에 있다고 생각합니다. Axis는 전 세계 사용자가 생산한 데이터를 실제 로봇 학습과 산업 현장에 연결하는 인프라를 구축하려고 합니다.

Signed up early for @streamoors: a launchpad for AI streamers with their own tokens. Going live soon.

October's biggest shot Big things are coming. Tether is bringing USDT to RGB. Done in 10 seconds. 1,000 Horseshoes in, Knight NFT too. @RGBHorse can become the Pump on Bitcoin. More invites, more Horseshoes. Tap below to join 👇 genesis.dhorse.fun/?r=C4YPGR