원저자: PSE 트레이딩 분석가@Minta
Key Insights
AI Agent는 개발자와 사용자가 독립적으로 상호 작용할 수 있는 애플리케이션을 직접 구축할 수 있도록 하는 LLM 일반 대규모 모델을 기반으로 하는 도구입니다.
향후 AI 트랙의 주요 패턴은 일반 대형 모델 + 수직적 애플리케이션일 수 있으며, AI Agent의 생태학적 틈새는 일반 대형 모델과 Dapp을 연결하는 미들웨어이므로 AI Agent의 해자는 낮고 네트워크 효과 창출과 개선에 의존해야 합니다. 사용자 접착성은 장기적인 경쟁력을 향상시킵니다.
이 기사에서는 Web3 게임 트랙에서 일반 대형 모델, 수직 응용 프로그램 에이전트 및 생성 AI 응용 프로그램의 개발을 정리합니다. 이 중 제너레이티브 AI 기술과 결합하면 단기적으로 히트 게임을 만들어낼 수 있는 잠재력이 크다.
01 기술개요
올해 폭발적으로 폭발한 AGI(Artificial General Intelligence) 기술 중 절대적인 주인공은 LLM(Large Language Model)이다. OpenAI 핵심 기술 인력Andrej Karpathy그리고Lilian Weng또한 LLM 기반 AI Agent가 AGI 분야의 차세대 중요한 개발 방향으로 표명되었으며, 많은 팀에서도 LLM 기반 인공지능 에이전트(AI-Agents) 시스템을 개발하고 있습니다. 간단히 말하면, AI 에이전트는 자율주행, 음성인식, 게임전략 등 다양한 작업과 상호작용을 수행하기 위해 대용량 데이터와 복잡한 알고리즘을 사용해 인간의 사고와 의사결정 과정을 시뮬레이션하는 컴퓨터 프로그램이다.Abacus.ai그림은 AI Agent의 기본 원리를 명확하게 소개하고 있으며, 단계는 다음과 같습니다.
인지 및 데이터 수집 : 데이터 입력 또는 AI Agent가 인지 시스템(센서, 카메라, 마이크 등)을 통해 게임 상태, 이미지, 사운드 등의 정보 및 데이터를 획득합니다.
상태 표현: 데이터를 벡터나 텐서로 변환하는 등 Agent가 이해할 수 있는 형태로 처리하고 표현하여 신경망에 입력할 수 있어야 합니다.
신경망 모델: 심층 신경망 모델은 일반적으로 이미지 처리를 위한 CNN(컨벌루션 신경망), 시퀀스 데이터 처리를 위한 RNN(순환 신경망) 또는 self-attention과 같은 고급 모델과 같이 의사 결정 및 학습에 사용됩니다. 포스 메커니즘(트랜스포머) 등
강화 학습: 에이전트는 환경과의 상호 작용을 통해 최적의 행동 전략을 학습합니다. 또한 Agent의 운영 원칙에는 전략 네트워크, 가치 네트워크, 교육 및 최적화, 탐색 및 활용도 포함됩니다. 예를 들어, 게임 시나리오에서 전략 네트워크는 게임 상태를 입력한 후 행동 확률 분포를 출력할 수 있고, 가치 네트워크는 상태의 값을 추정할 수 있으며, 에이전트는 환경과 상호 작용하여 학습 알고리즘을 지속적으로 강화하여 최적화할 수 있습니다. 전략과 가치 네트워크를 구축하여 더욱 완벽한 결과를 만들어냅니다.
Source：blog.abacus.ai
요약하면, AI-에이전트는 이해, 의사결정, 행동이 가능한 지능적인 개체로, 게임을 비롯한 다양한 분야에서 중요한 역할을 할 수 있습니다. OpenAI 핵심 기술 인력Lilian Weng작성자:LLM Powered Autonomous Agents》AI-에이전트의 원리에 대한 매우 포괄적인 소개, 그중에서도 매우 흥미로운 실험인 생성 에이전트(Generative Agents)에 대해 언급합니다.
Generative Agents(GA)는 LLM 기술을 사용하여 25개의 가상 캐릭터를 생성하는 Sims 게임에서 영감을 받았습니다. 각 캐릭터는 LLM이 지원하는 에이전트에 의해 제어되며 샌드박스 환경에서 생활하고 상호 작용합니다. GA의 디자인은 매우 스마트하며 LLM과 메모리, 계획 및 반영 기능을 결합하여 에이전트 프로그램이 이전 경험을 기반으로 결정을 내리고 다른 에이전트와 상호 작용할 수 있도록 합니다.
이 기사에서는 에이전트가 정책 네트워크, 가치 네트워크 및 환경과의 상호 작용을 기반으로 의사 결정 경로를 지속적으로 훈련하고 최적화하는 방법을 자세히 설명합니다.
원리는 다음과 같습니다. Memory Stram은 Agent의 모든 상호작용 경험을 기록하는 장기 메모리 모듈입니다. 검색 모델(Retrieve)은 에이전트가 결정(계획)을 내리는 데 도움이 되도록 관련성, 신선도 및 중요성을 기반으로 경험(Retrived Memories)을 제공합니다. 반사 메커니즘(Reflect)은 과거 이벤트를 요약하고 에이전트의 향후 작업을 안내합니다. Plan과 Reflect는 함께 작동하여 Agent가 반사 및 환경 정보를 실제 행동으로 변환하도록 돕습니다.
Source：LLM Powered Autonomous Agents
이 흥미로운 실험은 새로운 사회적 행동 생성, 정보 전파, 관계 기억(예: 두 가상 캐릭터가 주제를 계속 논의하는 등) 및 소셜 활동 조정(예: 파티 주최 및 다른 가상 캐릭터 초대)과 같은 AI 에이전트의 기능을 보여줍니다. 등. 전체적으로 AI-Agent는 매우 흥미로운 도구이며, 이를 게임에 적용하는 것은 심층적으로 살펴볼 가치가 있습니다.
02 기술동향
2.1 AI 트랙 트렌드
ABCDE의 투자 리서치 파트너LaoBai나는 AI의 다음 개발에 대한 실리콘밸리 벤처캐피탈계의 판단을 요약한 적이 있다.
수직 모델은 없고 대형 모델 + 수직 적용만 있습니다.
휴대폰 등 엣지 디바이스의 데이터가 장벽이 될 수도 있고, 엣지 디바이스 기반 AI도 기회가 될 수도 있습니다.
Context의 길이는 향후 질적 변화를 일으킬 수 있습니다. (현재 벡터 데이터베이스를 AI 메모리로 사용하고 있으나 여전히 컨텍스트 길이가 부족합니다.)
즉, 업계의 일반적인 발전 규칙의 관점에서 볼 때 대형 일반 모델은 너무 무겁고 보편성이 강하기 때문에 대형 일반 모델 분야에서 끊임없이 바퀴를 재발명할 필요가 없습니다. 대신 수직장에 대규모 일반모델을 적용하는 데 더 집중해야 한다.
동시에 엣지 디바이스는 일반적으로 클라우드 컴퓨팅 센터나 원격 서버에 의존하지 않고 로컬에서 데이터 처리 및 의사 결정을 수행하는 단말 장치를 의미합니다. 에지 장치의 다양성으로 인해 AI 에이전트를 배포하여 장치에서 실행하고 장치 데이터를 합리적으로 얻는 방법은 어려운 일이지만 새로운 기회이기도 합니다.
마지막으로 Context에 대한 이슈도 많은 관심을 끌었습니다. 간단히 말해서, LLM 맥락에서 Context는 정보의 양으로 이해될 수 있고, Context 길이는 데이터의 차원 수로 이해될 수 있습니다. 사용자가 특정 제품을 구매할 가능성을 예측하는 데 사용되는 전자상거래 웹사이트용 빅데이터 모델이 있다고 가정해 보겠습니다. 이 경우 Context에는 사용자의 검색 기록, 구매 기록, 검색 기록, 사용자 속성 등과 같은 정보가 포함될 수 있습니다. 컨텍스트 길이는 상하이에 거주하는 30세 남성 사용자의 경쟁 상품 구매 이력, 최근 구매 빈도, 최근 검색 이력 등 특징 정보가 중첩되는 차원을 의미합니다. 컨텍스트 길이의 증가는 모델이 사용자 구매 결정에 영향을 미치는 요인을 보다 포괄적으로 이해하는 데 도움이 될 수 있습니다.
현재 AI 메모리로 벡터 데이터베이스를 사용하면 컨텍스트 길이가 충분하지 않지만 앞으로 컨텍스트 길이가 질적으로 변경될 것이며 LLM 모델은 더 길고 복잡한 컨텍스트를 처리하고 이해하기 위해 더 발전된 방법을 모색할 수 있다는 것이 현재의 합의입니다. .정보. 상상을 초월하는 더 많은 응용 시나리오가 등장하고 있습니다.
2.2 AI 에이전트 동향
Folius Ventures게임 트랙에서 AI 에이전트의 애플리케이션 모델은 다음과 같이 요약되었습니다.
출처: Folius Ventures - 게임 특징: Web3 게임의 북극성을 찾는 여정
그림 1은 LLM 모델로, 주로 전통적인 키보드/클릭 입력에서 사용자 의도를 자연어 입력으로 변환하여 사용자의 진입 임계값을 줄이는 역할을 담당합니다.
그림 2는 AI Agent와 통합된 프런트엔드 Dapp으로, 사용자에게 기능적인 서비스를 제공하는 동시에 단말에서 사용자의 습관과 데이터를 수집할 수도 있습니다.
그림의 3은 다양한 형태의 AI Agent로, 애플리케이션 내 기능, Bot 등의 형태로 직접 존재할 수 있다.
일반적으로 AI Agent는 코드 기반 도구로서 Dapp의 응용 기능 확장을 위한 기반 프로그램 역할과 플랫폼의 성장 촉매제, 즉 대형 모델과 수직 응용 프로그램을 연결하는 미들웨어 역할을 할 수 있다.
사용자 시나리오 관점에서 AI 에이전트를 통합할 가능성이 가장 높은 Dapp은 충분히 개방된 소셜 앱, 챗봇, 게임이거나 기존 Web2 트래픽 입구를 더 간단하고 사용자 친화적인 AI+로 전환할 수 있습니다. AI Agent를 통한 web3 진입, 즉 업계에서는 Web3의 사용자 문턱을 낮추는 것에 대해 논의해 왔습니다.
산업 발전 법칙에 따르면 AI Agent가 위치한 미들웨어 계층은 해자가 거의 없는 경쟁이 치열한 트랙이 되는 경우가 많습니다. 따라서 AI Agent는 B2C 요구 사항에 맞게 경험을 지속적으로 개선하는 것 외에도 네트워크 효과를 생성하거나 사용자 끈적거림을 생성하여 해자를 개선할 수도 있습니다.
03 트랙맵
Web3 게임 분야에서 AI를 적용하려는 다양한 시도가 있었으며, 이러한 시도는 다음과 같은 범주로 나눌 수 있습니다.
일반 모델: 일부 프로젝트는 일반 AI 모델을 구축하고 Web3 프로젝트의 요구 사항에 적합한 신경망 아키텍처 및 일반 모델을 찾는 데 중점을 둡니다.
수직적 애플리케이션: 수직적 애플리케이션은 게임의 특정 문제를 해결하거나 특정 서비스를 제공하도록 설계되었으며 일반적으로 에이전트, 봇, BotKits의 형태로 나타납니다.
Generative AI 애플리케이션: 대형 모델에 해당하는 가장 직접적인 애플리케이션은 콘텐츠 생성이고, 게임 트랙 자체가 콘텐츠 산업이므로 게임 분야의 Generative AI 애플리케이션은 매우 주목할 만합니다. 가상 세계에서 요소, 캐릭터, 작업 또는 스토리라인을 자동으로 생성하고 게임 전략, 결정, 심지어 게임 내 생태계의 자동 진화까지 자동으로 생성하는 것이 가능해지면서 게임이 더욱 다양하고 심층적으로 만들어졌습니다.
AI 게임: 현재 AI 기술을 통합하고 다양한 적용 시나리오를 적용한 게임이 많이 있습니다. 예는 아래에 나와 있습니다.
3.1 일반 대형 모델
현재 Web3에는 QTM 정량 토큰 모델과 같은 경제 모델 설계 및 경제 생태 개발을 위한 시뮬레이션 모델이 이미 있습니다. 아웃라이어 벤처스Dr. Achim StruveETHCC 연설에서는 경제 모델 설계에 대한 몇 가지 아이디어가 언급되었습니다. 예를 들어, 경제 시스템의 견고성을 고려하여 프로젝트 팀은 LLM 모델을 통해 디지털 트윈을 생성하여 전체 생태계를 1:1로 시뮬레이션할 수 있습니다.
아래 그림QTM(Quantitative Token Model)은 AI 기반 추론 모델입니다. QTM은 10년의 고정 시뮬레이션 시간을 사용하며 각 시간 단계는 1개월입니다. 각 시간 단계가 시작될 때 토큰은 생태계로 방출되므로 모델에는 인센티브 모듈, 토큰 귀속 모듈, 에어드롭 모듈 등이 있습니다. 그 후, 이러한 토큰은 여러 메타 버킷에 저장될 것이며, 여기에서 보다 상세한 일반 유틸리티 재분배가 다시 수행될 것입니다. 그런 다음 이러한 유틸리티 수단에서 보상 지급 등을 정의합니다. 오프체인 비즈니스와 같은 측면도 있는데, 이는 파괴되거나 재구매될 수 있는 등 비즈니스의 일반적인 자금 상태를 고려하고 사용자 채택률을 측정하거나 사용자 채택을 정의할 수도 있습니다.
물론 모델의 출력 품질은 입력 품질에 따라 달라지므로 QTM을 사용하기 전에 보다 정확한 입력 정보를 얻기 위해 충분한 시장 조사가 수행되어야 합니다. 그러나 QTM 모델은 이미 Web3 경제 모델에서 AI 기반 모델을 매우 실용적으로 적용하고 있으며, 운영 난이도가 낮은 2C/2B 애플리케이션을 만들기 위해 QTM 모델을 사용하는 프로젝트 당사자도 많아 프로젝트 당사자의 문턱을 낮추고 있습니다. 그것을 사용하기 위해.
3.2 수직적용제
수직적 애플리케이션은 주로 에이전트 형태로 존재하며, 에이전트는 봇, 봇킷, 가상 비서, 지능형 의사결정 지원 시스템, 다양한 자동 데이터 처리 도구 등 다양한 형태로 존재할 수 있습니다. 일반적으로 AI Agent는 OpenAI의 일반 모델을 최하위 계층으로 사용하고 이를 다른 오픈 소스 또는 TTS(텍스트 음성 변환)와 같은 자체 개발 기술과 결합하고 FineTune(언어 교육의 일종)에 대한 특정 데이터를 추가합니다. 머신러닝, 딥러닝 분야) 기술의 주요 목적은 대규모 데이터에 대해 사전 학습된 모델을 더욱 최적화하여 특정 분야에서 ChatGPT보다 더 나은 성능을 발휘하는 AI 에이전트를 만드는 것입니다.
현재 Web3 게임 트랙에서 가장 성숙한 애플리케이션은 NFT 에이전트입니다. 게임 회로에 대한 합의는 NFT가 Web3 게임의 중요한 부분이어야 한다는 것입니다.
이더리움 생태계의 메타데이터 관리 기술이 발전하면서 프로그래밍 가능한 동적 NFT가 등장했습니다. NFT 제작자의 경우 알고리즘을 통해 NFT 기능을 보다 유연하게 만들 수 있습니다. 사용자 입장에서는 사용자와 NFT 사이에 더 많은 상호작용이 있을 수 있고, 생성된 상호작용 데이터는 정보의 원천이 됩니다. AI Agent는 상호 작용 프로세스를 최적화하고 대화형 데이터의 적용 시나리오를 확장하여 NFT 생태계에 더 많은 혁신과 가치를 주입할 수 있습니다.
사례 1: 예를 들어 Gelato의 개발 프레임워크를 통해 개발자는 오프체인 이벤트 또는 특정 시간 간격을 기반으로 NFT 메타데이터를 업데이트하는 논리를 사용자 정의할 수 있습니다. Gelato 노드는 특정 조건이 충족되면 메타데이터 변경을 트리거하여 체인의 NFT 자동 업데이트를 활성화합니다. 예를 들어, 이 기술을 사용하면 스포츠 API에서 실시간 게임 데이터를 얻고, 운동선수가 게임에서 승리할 때와 같은 특정 조건에서 NFT의 기술 특성을 자동으로 업그레이드할 수 있습니다.
Source：Gelato - The Ultimate Guide to Dynamic NFTs
사례 2:PaimaDynamic NFT를 위한 Application Agent도 제공됩니다. Paima의 NFT 압축 프로토콜은 L1에서 최소한의 NFT 세트를 생성한 다음 L2의 게임 상태에 따라 이를 발전시켜 플레이어에게 더욱 심층적이고 대화형 게임 경험을 제공합니다. 예를 들어 NFT는 캐릭터의 경험치, 작업 완료, 장비 및 기타 요인에 따라 변경될 수 있습니다.
사례 3:Mudulas Labs매우 잘 알려진 ZKML 프로젝트이며 NFT 트랙에도 레이아웃이 있습니다. Mudulas는 AI를 통해 NFT를 생성하고 체인에 출시할 수 있는 NFT 시리즈 zkMon을 출시함과 동시에 zkp가 생성됩니다. 사용자는 zkp를 사용하여 해당 AI 모델에서 NFT가 생성되었는지 확인할 수 있습니다. 보다 포괄적인 정보를 보려면 다음을 참조하십시오.Chapter 7.2: The World’s 1 st zkGAN NFTs。
3.3 생성 AI 애플리케이션
앞서 언급한 바와 같이 게임 자체가 콘텐츠 산업이기 때문에 AI-Agent는 불확실한 콘텐츠 생성을 포함하여 짧은 시간과 저렴한 비용으로 많은 양의 콘텐츠를 생성할 수 있습니다.다이나믹한 게임 캐릭터등. 따라서 Generative AI는 게임 애플리케이션에 매우 적합합니다. 현재 게임 분야에서 Generative AI의 적용은 다음과 같은 주요 유형으로 요약할 수 있습니다.
AI 생성 게임 캐릭터: 예를 들어 AI와의 싸움, AI가 게임 내 NPC를 시뮬레이션하고 제어하는 일을 담당하거나 AI를 직접 사용하여 캐릭터를 생성하는 등의 작업을 수행합니다.
AI 생성 게임 콘텐츠: 과제, 스토리라인, 소품, 지도 등 다양한 콘텐츠를 AI가 직접 생성합니다.
AI 생성 게임 장면 클래스: AI를 사용하여 게임 세계의 지형, 풍경 및 분위기를 자동으로 생성, 최적화 또는 확장하도록 지원합니다.
3.3.1 AI 생성 캐릭터
사례 1: MyShell
MyShell채팅, 말하기 연습, 게임, 심리상담 등 사용자의 필요에 따라 전용 Bot을 생성할 수 있는 Bot 생성 플랫폼입니다. 동시에 Myshell은 TTS(텍스트 음성 변환) 기술을 사용하여 단 몇 초의 음성 샘플로 모든 사람의 음성을 모방하여 자동으로 봇을 생성할 수 있습니다. 또한 MyShell은 사용자가 자신의 생각을 설명하는 것만으로 LLM 모델에 지침을 발행할 수 있는 AutoPrompt를 사용하여 개인용 LLM(대형 언어 모델)의 기반을 마련합니다.
Myshell 사용자표현하다, 음성 채팅 기능이 매우 부드럽고 응답 속도가 GPT 음성 채팅보다 빠르며 Live 2D도 있습니다.
사례 2: AI 아레나
AI ArenaAI 전투 게임으로, 사용자는 LLM 모델을 사용해 지속적으로 자신의 배틀 엘프(NFT)를 훈련하고, 훈련된 배틀 엘프를 PvP/PvE 전장으로 보낼 수 있습니다. 전투 모드는 슈퍼 스매시브라더스와 유사하지만, AI 훈련을 통해 더욱 경쟁적인 재미를 더해줍니다.
패러다임이 AI 아레나 투자를 주도해 퍼블릭 베타 단계가 시작됐으며, 플레이어는 무료로 게임에 입장하거나 NFT를 구매해 훈련 강도를 높일 수 있다.
사례 3: 온체인 체스 게임 Leela vs the World
Leela vs the WorldMudulas Labs에서 개발한 체스 게임입니다. 게임에서 두 당사자는 AI와 인간이며 체스 게임 상황은 계약에 배치됩니다. 플레이어는 지갑을 통해 운영(계약과 상호작용)합니다. AI는 새로운 체스 게임 상황을 읽고 판단하고 전체 계산 과정에 대해 zkp를 생성합니다. 두 단계 모두 AWS 클라우드에서 완료되며 zkp는 체인의 계약에 의해 검증됩니다. 검증에 성공한 후 , 체스 게임 계약을 다운 체스라고 합니다.
3.3.2 AI가 게임 콘텐츠를 생성한다
사례 1: AI 타운
AI Town은 스탠포드 대학의 Generative Agent 논문에서 영감을 받아 a16z와 포트폴리오 회사인 Convex Dev 간의 협업입니다. AI 타운은 마을에 사는 각 AI가 상호작용과 경험을 바탕으로 자신만의 스토리를 구축할 수 있는 가상 마을입니다.
이 중에는 Convex 백엔드 서버리스 프레임워크, Pinecone 벡터 스토리지, Clerk 인증, OpenAI 자연어 텍스트 생성, Fly 배포 등의 기술 스택이 사용됩니다. 또한 AI Town은 모두 오픈 소스이며 게임 내 개발자가 기능 데이터, 스프라이트 시트, 타일맵 시각적 환경, 텍스트 생성 프롬프트, 게임 규칙 및 논리 등을 포함한 다양한 구성 요소를 사용자 정의할 수 있도록 지원합니다. 일반 플레이어가 AI 타운을 경험할 수 있는 것 외에도 개발자는 소스 코드를 사용하여 게임 내외에서도 다양한 기능을 개발할 수 있으며 이러한 유연성으로 인해 AI 타운은 다양한 유형의 애플리케이션에 적합합니다.
따라서 AI 타운 자체는 AI가 제작한 콘텐츠 게임이기도 하지만, 개발 생태계이자 개발 도구이기도 합니다.
사례 2: 폴
Paul은 풀체인 게임이 AI 스토리를 생성하고 체인에 직접 업로드할 수 있는 솔루션 경로를 구체적으로 제공하는 AI 스토리 생성기입니다. 구현 로직은 LLM에 많은 사전 규칙을 입력하는 것이며, 그러면 플레이어는 규칙에 따라 보조 콘텐츠를 자동으로 생성할 수 있습니다.
현재 Paul Seidler를 사용하여 Straylight 프로토콜을 사용하여 출시된 게임이 있습니다.Straylight멀티플레이어 NFT 게임입니다. 핵심 게임플레이는 마인크래프트의 풀체인 게임 버전입니다. 플레이어는 자동으로 NFT를 발행한 후 모델이 입력한 기본 규칙에 따라 자신만의 세계를 구축할 수 있습니다.
3.3.3 AI가 생성한 게임 장면
사례 1: Pahdo 연구소
Pahdo Labs는 현재 Godot 엔진을 기반으로 구축된 애니메이션 판타지 롤플레잉 게임이자 온라인 게임 제작 플랫폼인 Halcyon Zero를 개발하고 있는 게임 개발 스튜디오입니다. 이 게임은 소셜 허브 역할을 하는 번화한 마을을 중심으로 한 천상의 판타지 세계에서 진행됩니다.
이 게임의 매우 특별한 점은 플레이어가 게임에서 제공하는 AI 생성 도구를 사용하여 더 많은 3D 효과 배경을 빠르게 만들고 좋아하는 캐릭터를 게임에 가져올 수 있다는 점입니다. 이는 진정한 대량 게임 UGC를 위한 도구와 게임 장면을 제공하는 것입니다.
사례 2: 캐딤
KaedimGenerative AI를 기반으로 한 3D 모델 생성 도구는 게임 스튜디오를 위해 개발되었으며, 이를 통해 게임 스튜디오는 필요에 맞는 게임 내 3D 장면/자산을 일괄 생성할 수 있습니다. 캐딤의 일반 제품은 현재 아직 개발 중이며 2024년에는 게임 스튜디오에 공개될 예정이다.
캐딤 제품의 핵심 로직은 AI-Agent와 완전히 동일하며 일반적인 대형 모델을 기반으로 팀 내 아티스트들이 지속적으로 좋은 데이터를 입력하고 Agent의 출력에 대해 피드백을 주며, 머신러닝을 통해 지속적으로 모델을 학습시키고, 최종적으로 AI-Agent는 요구사항에 맞는 3D 장면을 출력할 수 있습니다.
04 요약
본 글에서는 게임 분야의 AI 적용에 대한 상세한 분석과 요약을 진행한다. 일반적으로 일반 모델과 제너레이티브 AI를 게임에 적용하면 향후 스타 유니콘 프로젝트로 이어질 것이 분명합니다. 수직형 애플리케이션은 해자가 낮지만 강력한 선점자 우위를 갖고 있으며, 선점자 우위를 활용하여 네트워크 효과를 창출하고 사용자 접착성을 높일 수 있다면 상상의 여지는 엄청날 것입니다. 또한, 생성 AI는 당연히 게임 콘텐츠 산업에 적합하며, 현재 많은 팀들이 GA를 게임에 적용하려고 하고 있으며, 이 사이클에서 GA를 활용한 히트 게임이 나올 가능성이 매우 높습니다.
기사에서 언급된 일부 방향 외에도 향후에는 다른 탐색 각도가 있습니다. 예를 들어:
(1) 데이터 트랙 + 애플리케이션 레이어: AI 데이터 트랙은 수십억 달러 가치의 일부 유니콘 프로젝트를 탄생시켰으며, 데이터 + 애플리케이션 레이어의 연결도 상상력으로 가득 차 있습니다.
(2) Socialfi와의 통합: 혁신적인 소셜 상호작용 방법 제공, AI 에이전트를 사용하여 커뮤니티 신원 인증 및 커뮤니티 거버넌스 최적화, 보다 지능적인 개인화된 추천 등.
(3) 에이전트의 자동화와 성숙화로 인해 미래 자율 세계의 주요 참여자는 인간이 될까요, 아니면 봇이 될까요? 체인의 자율 세계가 DAU의 80% 이상이 봇인 Uniswap과 같을 수 있습니까? 그렇다면 Web3 거버넌스 개념을 결합한 거버넌스 에이전트도 살펴볼 가치가 있습니다.
05 참고자료
Exploring the Design Space for Dynamic NFTs
Generative Manufacturing: Transmuting Code intoPhysical Goods
검증 가능한 AI에서 컴포저블 AI까지: zkML 애플리케이션 시나리오에 대한 고찰
LD 캐피탈: 최근 각광받는 다양한 형태의 크립토봇은 돈을 벌기 위한 수단인가요, 아니면 새로운 투자 경로인가요?
a16z가 공개한 오픈소스 프로젝트 AI Town 간략히 살펴보기: AI 캐릭터가 어울리고 생활할 수 있는 가상 마을 소개
AI 에이전트가 DAO의 자동화된 거버넌스를 실현하는 방법
