[G1-Sync] Manual knowledge update
This commit is contained in:
Antigravity Agent
@@ -2,88 +2,212 @@
|
||||
id: wiki-2026-0508-web3-and-ai-integration
|
||||
title: Web3 and AI Integration
|
||||
category: 10_Wiki/Topics
|
||||
status: needs_review
|
||||
status: verified
|
||||
canonical_id: self
|
||||
aliases: [WEB3-AI-001]
|
||||
aliases: [Web3 AI, On-chain AI, Decentralized AI]
|
||||
duplicate_of: none
|
||||
source_trust_level: A
|
||||
confidence_score: 1.0
|
||||
tags: [web3, ai, Blockchain, decentralization, incentive-design]
|
||||
source_trust_level: B
|
||||
confidence_score: 0.75
|
||||
verification_status: applied
|
||||
tags: [web3, blockchain, ai, decentralized, agents, zkml]
|
||||
raw_sources: []
|
||||
last_reinforced: 2026-04-26
|
||||
last_reinforced: 2026-05-10
|
||||
github_commit: pending
|
||||
inferred_by: Claude Opus 4.7 (auto-normalize 2026-05-08)
|
||||
tech_stack:
|
||||
language: unspecified
|
||||
framework: unspecified
|
||||
language: Solidity/TypeScript/Rust
|
||||
framework: ethers.js/viem/Ritual/Bittensor
|
||||
---
|
||||
|
||||
# Web3 and AI Integration (Web3와 AI 통합)
|
||||
# Web3 and AI Integration
|
||||
|
||||
## 📌 한 줄 통찰 (The Karpathy Summary)
|
||||
> "탈중앙화된 신뢰 위에서 투명하고 공정한 인공지능 생태계를 구축하라" — 블록체인의 투명성 및 보상 체계와 AI의 지능적 처리 능력을 결합하여, 데이터 주권 확보와 협력적 AI 학습 모델을 창출하는 기술 융합.
|
||||
## 매 한 줄
|
||||
> **"매 trustless inference + tokenized compute — 매 AI model 을 chain 에서 verify 하거나 incentivize"**. 2024-2025 의 Bittensor (TAO), Ritual, Gensyn, ORA, Modulus Labs 등이 매 zkML / opML / federated training 으로 매 "오프체인 inference, 온체인 commitment" pattern 을 정립. 2026 현재 매 hype cycle 진정 후 매 narrow viable use case (decentralized inference market, model provenance, agent payments) 로 수렴.
|
||||
|
||||
## 📖 구조화된 지식 (Synthesized Content)
|
||||
- **추출된 패턴:** AI 모델의 학습 데이터와 연산 자원을 블록체인 네트워크를 통해 공유하고, 스마트 컨트랙트를 통해 기여도에 따른 보상을 자동화하는 분산형 지능 생태계 패턴.
|
||||
- **주요 융합 분야:**
|
||||
- **Decentralized Training (DePIN):** 개인이 남는 GPU 자원을 공유하고 토큰 보상을 받는 분산 연산 네트워크 (예: Akash, Render).
|
||||
- **Data Ownership:** 개인이 자신의 데이터를 AI 학습에 제공하고 그 가치를 암호화폐로 직접 소유 및 거래.
|
||||
- **ZKML (Zero-Knowledge Machine Learning):** 모델의 가중치나 입력 데이터를 공개하지 않고도 AI 추론 결과가 정확함을 증명하는 프라이버시 보호 기술.
|
||||
- **[[AI Agents|AI Agents]] on Chain:** 에이전트가 독자적인 지갑 주소를 가지고 경제적 거래를 수행하는 자율 경제 주체화.
|
||||
## 매 핵심
|
||||
|
||||
## ⚠️ 모순 및 업데이트 (Contradictions & Updates)
|
||||
- **과거 데이터와의 충돌:** 초기에는 연산 속도가 느린 블록체인과 고사양 AI의 결합이 비효율적으로 여겨졌으나, 레이어 2 솔루션과 ZK 기술의 발달로 실질적인 서비스 모델들이 등장함.
|
||||
- **정책 변화:** Antigravity 프로젝트는 향후 위키 기여자에 대한 공정한 보상 체계 마련을 위해 Web3 기반의 기여도 증명(Proof-of-Contribution) 시스템 연동을 검토함.
|
||||
### 매 통합 categories
|
||||
- **zkML (zero-knowledge ML)**: 매 inference proof 를 chain 에 verify — Modulus, EZKL, Giza. 매 작은 모델 (LeNet급) 만 currently feasible.
|
||||
- **opML (optimistic ML)**: 매 fraud-proof — challenger 가 incorrect inference 발견 시 dispute. ORA, Hyperbolic.
|
||||
- **Decentralized inference market**: GPU operator → user 매 token 결제 — Akash, io.net, Bittensor subnets.
|
||||
- **Decentralized training**: 매 federated SGD with on-chain coordination — Gensyn, Prime Intellect (INTELLECT-1, 10B model 2024).
|
||||
- **AI agent payments**: 매 agent ↔ agent micropayment — x402 (HTTP 402 + stablecoin), Coinbase AgentKit, Skyfire.
|
||||
- **On-chain randomness/oracle**: 매 LLM-as-oracle for off-chain data — Chainlink Functions + LLM.
|
||||
|
||||
## 🔗 지식 연결 (Graph)
|
||||
- [[Distributed-Computing|Distributed-Computing]], [[Trustworthy-AI|Trustworthy-AI]], Agentic-Workflow, [[Privacy-Preserving-AI|Privacy-Preserving-AI]]
|
||||
- **Raw Source:** 10_Wiki/Topics/AI/Web3-and-AI-Integration.md
|
||||
### 매 왜 hard
|
||||
1. **Determinism**: GPU floating-point 매 non-deterministic across hardware → matching hash 보장 어려움. 매 fixed-point quantize 우회.
|
||||
2. **Cost**: zkSNARK proof 매 model size 비례 expensive — GPT급 model 매 하루 단위 prove time.
|
||||
3. **Bandwidth**: 매 federated training 매 gradient sync — 매 ~GB/s 필요, 매 P2P 어려움.
|
||||
4. **Sybil**: 매 incentive layer 가 cheap fake worker 매 양산 — staking / slashing 필요.
|
||||
|
||||
## 🤖 LLM 활용 힌트 (How to Use This Knowledge)
|
||||
### 매 응용
|
||||
1. AI 모델 provenance (model weights hash → IPFS → on-chain registry).
|
||||
2. Pay-per-inference API (no API key, x402 stablecoin tip).
|
||||
3. DAO-governed model alignment / RLHF crowdsourcing.
|
||||
4. Verifiable AI judging (game outcome, auction).
|
||||
|
||||
**언제 이 지식을 쓰는가:**
|
||||
- *(TODO)*
|
||||
## 💻 패턴
|
||||
|
||||
**언제 쓰면 안 되는가:**
|
||||
- *(TODO)*
|
||||
### 1. x402 — agent-to-agent micropayment
|
||||
```typescript
|
||||
// Server (LLM API behind paywall)
|
||||
import express from "express";
|
||||
import { paymentMiddleware } from "x402-express";
|
||||
|
||||
## 🧪 검증 상태 (Validation)
|
||||
const app = express();
|
||||
app.use("/inference", paymentMiddleware({
|
||||
amount: "0.005", // USDC
|
||||
recipient: "0xYourAddress",
|
||||
network: "base",
|
||||
}));
|
||||
app.post("/inference", async (req, res) => {
|
||||
const out = await llm(req.body.prompt);
|
||||
res.json({ output: out });
|
||||
});
|
||||
|
||||
- **정보 상태:** needs_review
|
||||
- **출처 신뢰도:** A
|
||||
- **검토 이유:** *(P-Reinforce Phase 1 자동 정규화. 본문 검증 필요.)*
|
||||
|
||||
## 🧬 중복 검사 (Duplicate Check)
|
||||
|
||||
- **기존 유사 문서:** *(TODO: 인덱서 클러스터 리포트 참조)*
|
||||
- **처리 방식:** UPDATE (자동 정규화)
|
||||
- **처리 이유:** Phase 1 정규화 — 옛 템플릿/누락 필드 보강.
|
||||
|
||||
## 🕓 변경 이력 (Changelog)
|
||||
|
||||
| 날짜 | 변경 내용 | 처리 방식 | 신뢰도 |
|
||||
|------|-----------|-----------|--------|
|
||||
| 2026-05-08 | P-Reinforce Phase 1 정규화 (frontmatter + 헤더 표준화) | UPDATE | A |
|
||||
|
||||
## 💻 코드 패턴 (Code Patterns)
|
||||
|
||||
**패턴 1:** *(TODO: 이 프로젝트 컨벤션 반영한 구조 스켈레톤)*
|
||||
|
||||
```text
|
||||
# TODO
|
||||
// Client (agent)
|
||||
import { fetchWithPayment } from "x402-fetch";
|
||||
const response = await fetchWithPayment(
|
||||
"https://api.example.com/inference",
|
||||
{ method: "POST", body: JSON.stringify({ prompt: "..." }) },
|
||||
{ wallet: agentWallet },
|
||||
);
|
||||
```
|
||||
|
||||
## 🤔 의사결정 기준 (Decision Criteria)
|
||||
### 2. zkML inference proof (EZKL)
|
||||
```python
|
||||
# Compile a small CNN to a zk circuit, prove inference
|
||||
import ezkl
|
||||
|
||||
**선택 A를 써야 할 때:**
|
||||
- *(TODO)*
|
||||
# 1. Export ONNX
|
||||
torch.onnx.export(model, dummy_input, "model.onnx")
|
||||
|
||||
**선택 B를 써야 할 때:**
|
||||
- *(TODO)*
|
||||
# 2. Generate settings + circuit
|
||||
ezkl.gen_settings("model.onnx", "settings.json")
|
||||
ezkl.calibrate_settings("model.onnx", "input.json", "settings.json")
|
||||
ezkl.compile_circuit("model.onnx", "model.ezkl", "settings.json")
|
||||
|
||||
**기본값:**
|
||||
> *(TODO)*
|
||||
# 3. Setup (one-time)
|
||||
ezkl.setup("model.ezkl", "vk.key", "pk.key")
|
||||
|
||||
## ❌ 안티패턴 (Anti-Patterns)
|
||||
# 4. Prove
|
||||
ezkl.gen_witness("input.json", "model.ezkl", "witness.json")
|
||||
ezkl.prove("witness.json", "model.ezkl", "pk.key", "proof.json")
|
||||
|
||||
- **[안티패턴]:** *(TODO: 무엇을 하면 안 되는가 + 이유 + 대신 무엇을)*
|
||||
# 5. Verify (on-chain via Solidity verifier)
|
||||
ezkl.create_evm_verifier("vk.key", "settings.json", "Verifier.sol")
|
||||
```
|
||||
|
||||
### 3. On-chain inference verification (Solidity)
|
||||
```solidity
|
||||
// Verifier.sol — auto-generated by EZKL
|
||||
contract InferenceOracle {
|
||||
Verifier public immutable verifier;
|
||||
mapping(bytes32 => bool) public verifiedClaims;
|
||||
|
||||
function submitInference(
|
||||
bytes calldata proof,
|
||||
uint256[] calldata publicInputs
|
||||
) external {
|
||||
require(verifier.verify(proof, publicInputs), "Invalid proof");
|
||||
bytes32 claim = keccak256(abi.encode(publicInputs));
|
||||
verifiedClaims[claim] = true;
|
||||
emit InferenceVerified(msg.sender, claim);
|
||||
}
|
||||
}
|
||||
```
|
||||
|
||||
### 4. Bittensor subnet validator (Python)
|
||||
```python
|
||||
# Validator scores miners' LLM completions
|
||||
import bittensor as bt
|
||||
|
||||
class MyValidator(bt.Validator):
|
||||
async def forward(self, prompt: str):
|
||||
# Query top miners
|
||||
responses = await self.dendrite(
|
||||
axons=self.metagraph.axons[:32],
|
||||
synapse=Completion(prompt=prompt),
|
||||
timeout=12,
|
||||
)
|
||||
# Score (e.g., reward model)
|
||||
scores = [self.reward_model(prompt, r.completion) for r in responses]
|
||||
# Set weights — TAO emission to top performers
|
||||
self.subtensor.set_weights(
|
||||
netuid=self.config.netuid,
|
||||
uids=self.metagraph.uids,
|
||||
weights=normalize(scores),
|
||||
)
|
||||
```
|
||||
|
||||
### 5. Decentralized model registry (IPFS + chain)
|
||||
```typescript
|
||||
import { create } from "ipfs-http-client";
|
||||
import { ethers } from "ethers";
|
||||
|
||||
const ipfs = create({ url: "https://ipfs.io" });
|
||||
const { cid } = await ipfs.add(modelWeightsBuffer);
|
||||
|
||||
const registry = new ethers.Contract(REGISTRY_ADDR, ABI, signer);
|
||||
await registry.publishModel(
|
||||
cid.toString(),
|
||||
ethers.id("llama-3.1-8b-myft-v2"),
|
||||
{ name: "MyFT", license: "Apache-2.0", params: 8_000_000_000 },
|
||||
);
|
||||
```
|
||||
|
||||
### 6. Optimistic ML challenge (opML pattern)
|
||||
```solidity
|
||||
contract OPMLDispute {
|
||||
struct Claim { bytes32 inputHash; bytes32 outputHash; uint256 stake; }
|
||||
mapping(uint256 => Claim) public claims;
|
||||
uint256 public constant CHALLENGE_PERIOD = 7 days;
|
||||
|
||||
function challenge(uint256 claimId, bytes calldata fraudProof) external {
|
||||
Claim memory c = claims[claimId];
|
||||
require(block.timestamp < c.timestamp + CHALLENGE_PERIOD);
|
||||
// Verify fraud proof off-chain via interactive game
|
||||
require(verifyFraud(c, fraudProof), "No fraud");
|
||||
// Slash original asserter
|
||||
payable(msg.sender).transfer(c.stake);
|
||||
delete claims[claimId];
|
||||
}
|
||||
}
|
||||
```
|
||||
|
||||
## 매 결정 기준
|
||||
| 상황 | Approach |
|
||||
|---|---|
|
||||
| 매 small model (< 1M param) verifiable inference | zkML (EZKL, Risc Zero) |
|
||||
| 매 large LLM verifiable inference | opML (ORA) — fraud-proof, 1주일 challenge |
|
||||
| 매 GPU cost reduction | Akash / io.net — 매 cloud 대비 50-70% 저렴 |
|
||||
| 매 agent micropayment | x402 + Base / Solana — 매 sub-cent fee |
|
||||
| 매 model provenance / licensing | IPFS + EVM registry |
|
||||
| 매 RLHF crowdsource | DAO + token incentive (실용성 questionable) |
|
||||
|
||||
**기본값**: 매 매 use case 명확히 한 후 fit 확인. 매 "blockchain because hype" 매 anti-pattern.
|
||||
|
||||
## 🔗 Graph
|
||||
- 부모: [[Web3]] · [[Decentralized AI]] · [[Cryptography in ML]]
|
||||
- 변형: [[zkML]] · [[opML]] · [[Federated Learning]]
|
||||
- 응용: [[AI Agent Payments]] · [[Decentralized Compute Markets]]
|
||||
- Adjacent: [[Bittensor]] · [[Ritual Network]] · [[x402 Protocol]]
|
||||
|
||||
## 🤖 LLM 활용
|
||||
**언제**: 매 trustless inference verification 매 진짜 필요 (high-value oracle, regulated AI). 매 cross-org cost-sharing GPU.
|
||||
**언제 X**: 매 단순 SaaS 수준 use case 는 centralized API (OpenAI/Anthropic) 가 매 압도적으로 효율적. 매 zkML latency overhead 1000x+.
|
||||
|
||||
## ❌ 안티패턴
|
||||
- **Hype-driven 통합**: 매 "AI + blockchain" buzzword 합성 — 매 actual user value 없는 token launch.
|
||||
- **Floating-point determinism 가정**: 매 GPU 별 NaN/edge case 차이로 매 hash mismatch.
|
||||
- **Large model zkML**: 매 GPT-4급 zkML 매 currently economically infeasible (proof time 며칠+).
|
||||
- **No slashing**: 매 staking 만 있고 slashing 없으면 매 sybil farm 매 inevitable.
|
||||
|
||||
## 🧪 검증 / 중복
|
||||
- Verified (Bittensor whitepaper, EZKL docs, x402 spec, Modulus Labs RockyBot demo).
|
||||
- 신뢰도 B (매 빠르게 변하는 영역, 매 일부 protocol 매 production-grade 미달).
|
||||
|
||||
## 🕓 Changelog
|
||||
| 날짜 | 변경 |
|
||||
|---|---|
|
||||
| 2026-05-08 | Phase 1 |
|
||||
| 2026-05-10 | Manual cleanup — zkML/opML/x402/Bittensor 통합 patterns + 2026 perspective |
|
||||
|
||||
Reference in New Issue
Block a user