머리말

2월 16일, OpenAI는 광범위한 시각적 데이터 유형을 다루는 여러 고품질 생성 비디오를 통해 생성 AI의 또 다른 이정표 순간을 보여주는 최신 텍스트 제어 비디오 생성 확산 모델 "Sora"를 발표했습니다. 여러 이미지에서 여전히 몇 초 분량의 동영상을 생성하는 Pika와 같은 AI 동영상 생성 도구와 달리 Sora는 동영상과 이미지의 압축된 잠재 공간을 훈련하고 이를 시공간 위치 패치로 분해하여 확장 가능한 동영상 생성을 달성합니다. 또한 이 모델에는 물리적 세계와 디지털 세계를 시뮬레이션하는 능력도 반영되어 있으며, 최종적으로 선보인 60초 분량의 데모는 '물리적 세계의 보편적인 시뮬레이터'라고 해도 과언이 아니다.

구축 방법 측면에서 Sora는 이전 GPT 모델의 "소스 데이터-변환기-확산-출현"이라는 기술 경로를 이어갑니다. 이는 성숙한 개발에도 엔진으로서의 컴퓨팅 성능이 필요하다는 것을 의미합니다. 비디오 교육은 텍스트 교육보다 훨씬 큽니다. 교육 데이터의 양은 컴퓨팅 성능에 대한 수요를 더욱 증가시킵니다. 그러나 우리는 이전 기사 "잠재적 경로 미리보기: 분산형 컴퓨팅 파워 시장"에서 AI 시대의 컴퓨팅 파워의 중요성에 대해 이미 논의한 바 있으며, 최근 AI의 인기가 높아짐에 따라 이미 많은 수의 컴퓨팅 파워가 존재하고 있습니다. 시장에 출시된 컴퓨팅 파워 프로젝트의 비율이 나타나기 시작했으며 수동적으로 이익을 얻은 다른 Depin 프로젝트(스토리지, 컴퓨팅 파워 등)도 급증했습니다. 그렇다면 Depin 외에 Web3와 AI의 교차점은 어떤 다른 불꽃을 일으킬 수 있을까요? 이 트랙에는 어떤 다른 기회가 포함되어 있나요? 이 글의 주요 목적은 이전 글을 업데이트하고 완성하며, AI 시대 Web3의 가능성에 대해 생각해 보는 것입니다.

AI 발전 역사의 세 가지 주요 방향

인공 지능(Artificial Intelligence)은 인간 지능을 시뮬레이션, 확장 및 향상시키기 위해 고안된 신흥 과학 및 기술입니다. 인공지능은 1950~60년대 탄생 이후 반세기가 넘는 발전을 거듭해 이제는 사회생활은 물론 각계각층의 변화를 촉진하는 중요한 기술로 자리 잡았다. 이 과정에서 상징주의, 연결주의, 행동주의라는 세 가지 주요 연구 방향이 얽혀 발전한 것이 오늘날 급속한 AI 발전의 초석이 됐다.

상징주의

논리주의 또는 규칙주의라고도 알려져 있으며 기호를 처리하여 인간 지능을 시뮬레이션하는 것이 가능하다는 믿음입니다. 이 방법은 문제 영역에서 기호를 사용하여 객체, 개념 및 그 상호 관계를 표현하고 작동하며, 특히 전문가 시스템 및 지식 표현에서 논리적 추론을 사용하여 문제를 해결하는 등 놀라운 성과를 거두었습니다. 상징주의의 핵심 아이디어는 상징의 작동과 논리적 추론을 통해 지능적인 행동이 달성될 수 있다는 것입니다. 여기서 상징은 현실 세계로부터 높은 수준의 추상화를 나타냅니다.

연결주의

또는 신경망 방식이라고도 하며, 인간 두뇌의 구조와 기능을 모방하여 지능을 달성하는 것을 목표로 합니다. 이 방법은 많은 간단한 처리 단위(뉴런과 유사)의 네트워크를 구축하고 이러한 단위(시냅스와 유사) 간의 연결 강도를 조정하여 학습을 달성합니다. 연결주의는 특히 데이터로부터 학습하고 일반화하는 능력을 강조하며 특히 패턴 인식, 분류 및 지속적인 입출력 매핑 문제에 적합합니다. 연결주의의 발전으로 딥러닝은 이미지 인식, 음성 인식, 자연어 처리 등의 분야에서 획기적인 발전을 이루었습니다.

행동주의

행동주의는 생체공학 로봇공학 및 자율 지능형 시스템 연구와 밀접하게 관련되어 있으며 지능형 에이전트가 환경과의 상호작용을 통해 학습할 수 있다는 점을 강조합니다. 처음 두 가지와 달리 행동주의는 내부 표현이나 사고 과정을 시뮬레이션하는 데 초점을 두지 않고 오히려 인식과 행동의 순환을 통해 적응적인 행동을 달성하는 데 중점을 둡니다. 행동주의는 지능이 환경과의 역동적인 상호작용과 학습을 통해 입증된다고 믿으며, 이 방법은 복잡하고 예측할 수 없는 환경에서 행동해야 하는 모바일 로봇과 적응형 제어 시스템에 적용될 때 특히 효과적입니다.

행동주의는 생체공학 로봇공학 및 자율 지능형 시스템 연구와 밀접하게 관련되어 있으며 지능형 에이전트가 환경과의 상호작용을 통해 학습할 수 있다는 점을 강조합니다. 처음 두 가지와 달리 행동주의는 내부 표현이나 사고 과정을 시뮬레이션하는 데 초점을 두지 않고 오히려 인식과 행동의 순환을 통해 적응적인 행동을 달성하는 데 중점을 둡니다. 행동주의는 지능이 환경과의 역동적인 상호작용과 학습을 통해 입증된다고 믿으며, 이 방법은 복잡하고 예측할 수 없는 환경에서 행동해야 하는 모바일 로봇과 적응형 제어 시스템에 적용될 때 특히 효과적입니다.

이 세 가지 연구 방향에는 본질적인 차이가 있지만 실제 AI 연구와 응용에서는 상호 작용하고 통합하여 AI 분야의 발전을 공동으로 추진할 수도 있습니다.

AIGC 원칙 개요

현재 폭발적인 발전을 보이고 있는 AIGC(Artificial Intelligence Generation Content)는 연결주의의 진화이자 응용으로, AIGC는 인간의 창의성을 모방하여 새로운 콘텐츠를 생성할 수 있다. 이러한 모델은 대규모 데이터 세트와 딥 러닝 알고리즘을 사용하여 훈련되어 데이터에 존재하는 기본 구조, 관계 및 패턴을 학습합니다. 이미지, 비디오, 코드, 음악, 디자인, 번역, 질문 답변 및 텍스트를 포함한 사용자 입력 프롬프트를 기반으로 새롭고 독특한 출력을 생성합니다. 현재 AIGC는 기본적으로 딥러닝(DL), 빅데이터, 대규모 컴퓨팅 파워의 3가지 요소로 구성된다.

딥러닝

딥러닝은 머신러닝(ML)의 하위 분야이며, 딥러닝 알고리즘은 인간의 두뇌를 모델로 한 신경망입니다. 예를 들어, 인간의 뇌에는 정보를 학습하고 처리하기 위해 함께 작동하는 수백만 개의 상호 연결된 뉴런이 포함되어 있습니다. 마찬가지로, 딥러닝 신경망(또는 인공 신경망)은 컴퓨터 내부에서 함께 작동하는 여러 층의 인공 뉴런으로 구성됩니다. 인공 뉴런은 수학적 계산을 사용하여 데이터를 처리하는 노드라는 소프트웨어 모듈입니다. 인공 신경망은 이러한 노드를 사용하여 복잡한 문제를 해결하는 딥 러닝 알고리즘입니다.

신경망은 계층적 수준에서 입력 레이어, 은닉 레이어, 출력 레이어로 나눌 수 있으며 매개변수는 서로 다른 레이어 간에 연결됩니다.

● 입력 계층: 입력 계층은 신경망의 첫 번째 계층으로 외부 입력 데이터를 수신하는 역할을 합니다. 입력 레이어의 각 뉴런은 입력 데이터의 특징에 해당합니다. 예를 들어, 이미지 데이터를 처리할 때 각 뉴런은 이미지의 픽셀 값에 해당할 수 있습니다.

● 히든 레이어: 입력 레이어는 데이터를 처리하고 이를 신경망의 추가 레이어로 전달합니다. 이러한 숨겨진 계층은 다양한 수준에서 정보를 처리하고 새로운 정보를 받을 때 동작을 조정합니다. 딥 러닝 네트워크에는 수백 개의 숨겨진 레이어가 있으며 다양한 관점에서 문제를 분석하는 데 사용할 수 있습니다. 예를 들어, 분류해야 하는 알려지지 않은 동물의 이미지가 제공되면 이를 이미 알고 있는 동물과 비교할 수 있습니다. 예를 들어, 귀 모양, 다리 수, 동공 크기로 어떤 동물인지 알 수 있습니다. 심층 신경망의 숨겨진 레이어도 같은 방식으로 작동합니다. 딥러닝 알고리즘이 동물의 이미지를 분류하려고 시도하는 경우 각 숨겨진 레이어는 동물의 서로 다른 특징을 처리하고 이를 정확하게 분류하려고 시도합니다.

● 출력 레이어: 출력 레이어는 신경망의 마지막 레이어로 네트워크의 출력을 생성하는 역할을 합니다. 출력 레이어의 각 뉴런은 가능한 출력 범주 또는 값을 나타냅니다. 예를 들어 분류 문제에서는 각 출력 계층 뉴런이 범주에 해당할 수 있지만, 회귀 문제에서는 출력 계층에 값이 예측 결과를 나타내는 뉴런이 하나만 있을 수 있습니다.

● 매개변수: 신경망에서 서로 다른 계층 간의 연결은 가중치(Weights)와 편향(Biases) 매개변수로 표현되며, 이러한 매개변수는 훈련 과정에서 최적화되어 네트워크가 데이터의 패턴을 정확하게 식별하고 예측할 수 있도록 합니다. 매개변수의 증가는 신경망의 모델 용량, 즉 데이터의 복잡한 패턴을 학습하고 표현하는 모델의 능력을 향상시킬 수 있습니다. 그러나 이에 따라 매개변수가 증가하면 컴퓨팅 성능에 대한 수요도 증가하게 됩니다.

빅 데이터

효과적으로 훈련되기 위해 신경망은 일반적으로 여러 소스에서 얻은 다양하고 고품질의 대량 데이터가 필요합니다. 이는 기계 학습 모델 교육 및 검증의 기초입니다. 머신러닝 모델은 빅데이터를 분석함으로써 데이터의 패턴과 관계를 학습하여 예측 또는 분류를 수행할 수 있습니다.

대규모 컴퓨팅 성능

빅 데이터

효과적으로 훈련되기 위해 신경망은 일반적으로 여러 소스에서 얻은 다양하고 고품질의 대량 데이터가 필요합니다. 이는 기계 학습 모델 교육 및 검증의 기초입니다. 머신러닝 모델은 빅데이터를 분석함으로써 데이터의 패턴과 관계를 학습하여 예측 또는 분류를 수행할 수 있습니다.

대규모 컴퓨팅 성능

신경망의 다층 복잡한 구조, 많은 수의 매개변수, 빅데이터 처리 요구 사항 및 반복적인 훈련 방법(훈련 단계에서는 모델을 반복적으로 반복해야 하며, 훈련 과정에서는 전방 전파 및 역전파) 활성화 함수 계산, 손실 함수 계산, 기울기 계산 및 가중치 업데이트를 포함하여 각 계층 계산에 전파가 필요함), 고정밀 계산 요구 사항, 병렬 컴퓨팅 기능, 최적화 및 정규화 기술, 모델 평가 및 검증 프로세스가 함께 이루어집니다. 높은 컴퓨팅 성능에 대한 요구.

소라

OpenAI가 출시한 최신 비디오 세대 AI 모델인 Sora는 다양한 시각적 데이터를 처리하고 이해하는 인공 지능의 능력이 크게 발전했음을 나타냅니다. Sora는 비디오 압축 네트워크와 시공간 패칭 기술을 사용하여 전 세계의 다양한 장치에서 캡처한 대용량 시각적 데이터를 통일된 표현으로 변환하여 복잡한 시각적 콘텐츠를 효율적으로 처리하고 이해할 수 있습니다. Sora는 텍스트 기반 확산 모델을 사용하여 텍스트 프롬프트를 기반으로 매우 일치하는 비디오나 그림을 생성할 수 있어 매우 높은 창의성과 적응성을 보여줍니다.

그러나 비디오 생성 및 실제 상호 작용 시뮬레이션 분야에서 Sora의 획기적인 발전에도 불구하고 물리적 세계 시뮬레이션의 정확성, 긴 비디오 생성의 일관성, 복잡한 텍스트 지침에 대한 이해, 훈련 및 생성 효율성을 비롯한 여러 가지 한계에 여전히 직면해 있습니다. 그리고 Sora는 본질적으로 OpenAI의 독점 수준의 컴퓨팅 파워와 선점자 우위를 통해 폭력적인 미학을 달성하여 "빅 데이터-변환-확산-출현"이라는 오래된 기술 경로를 이어가는 반면 다른 AI 회사는 여전히 기술적 우회를 통해 추월할 가능성이 있습니다.

소라가 블록체인과 큰 관련은 없지만 개인적으로는 앞으로 1~2년 안에 더 대중화될 것이라고 생각합니다. Sora의 영향으로 인해 다른 고품질 AI 생성 도구가 빠르게 등장하고 발전할 것이며 GameFi, 소셜 네트워킹, 창작 플랫폼, Web3의 Depin 등 많은 트랙으로 방사될 것이므로 총체적인 이해가 필요합니다. 소라에 대한 이해 앞으로 AI가 Web3와 어떻게 효과적으로 결합될 것인지가 우리가 고민해야 할 핵심 포인트가 될 것이다.

AI x Web3의 4가지 주요 경로

위에서 언급했듯이 제너레이티브 AI에 필요한 기본 기반은 실제로 알고리즘, 데이터, 컴퓨팅 파워 세 가지뿐이라는 것을 알 수 있습니다. 효과. 블록체인의 가장 큰 역할은 생산 관계의 재구성과 분산화라는 두 가지입니다. 따라서 나는 개인적으로 이 둘의 충돌로 인해 생성될 수 있는 경로가 네 가지라고 생각합니다.

분산형 컴퓨팅 성능

과거에 관련 글이 작성되었기 때문에 이 문단의 주요 목적은 컴퓨팅 파워 트랙의 현재 상태를 업데이트하는 것입니다. AI에 있어 컴퓨팅 성능은 항상 피할 수 없는 요소입니다. AI의 컴퓨팅 파워에 대한 수요는 소라 탄생 이후 상상조차 할 수 없을 정도로 크다. 최근 스위스 다보스에서 열린 2024년 세계경제포럼에서 오픈AI(OpenAI) CEO 샘 알트만(Sam Altman)은 컴퓨팅 파워와 에너지가 현 단계에서 가장 큰 족쇄이며, 앞으로 그 중요성은 화폐와 맞먹을 것이라고 직설적으로 말했다. 2월 10일, 샘 알트만(Sam Altman)은 트위터를 통해 현재의 글로벌 반도체 산업 패턴을 다시 쓰기 위해 7조 달러(2023년 중국 GDP의 40%에 해당)를 조달하겠다는 매우 놀라운 계획을 발표했습니다. 칩 제국을 건설하세요. 컴퓨팅 파워에 관한 기사를 쓸 때 제 상상은 여전히 ​​국가 봉쇄와 거대 독점에 국한되어 있었는데, 요즘에는 한 기업이 글로벌 반도체 산업을 장악하려는 것은 정말 미친 짓입니다.

따라서 분산형 컴퓨팅 파워의 중요성은 자명하며, 블록체인의 특성은 컴퓨팅 파워의 극단적인 독점과 비싼 전용 GPU 구입이라는 현재의 문제를 실제로 해결할 수 있습니다. AI 요구사항 관점에서 컴퓨팅 파워의 활용은 추론과 훈련이라는 두 가지 방향으로 나눌 수 있으며, 현재 분산형 네트워크의 필요성부터 신경망 설계와 결합한 것까지 훈련에 초점을 맞춘 프로젝트는 소수에 불과합니다. 울트라 하드웨어에 대한 필요성 높은 수요는 임계치가 매우 높고 구현하기가 매우 어려운 방향이 될 것입니다. 추론은 상대적으로 간단합니다. 한편으로는 분산형 네트워크 설계가 복잡하지 않고 다른 한편으로는 하드웨어 및 대역폭 요구 사항이 낮아 현재 상대적으로 주류 방향으로 간주됩니다.

중앙집중형 컴퓨팅 파워 시장의 상상의 공간은 거대하며, 흔히 '조급'이라는 키워드와 연결되는 경우가 많으며, AI 시대에 가장 자주 과장된 주제이기도 하다. 그러나 최근 등장한 많은 프로젝트를 보면 대부분 여전히 인기를 얻기 위해 서두르고 있습니다. 항상 탈중앙화라는 올바른 깃발을 높이 들고 있지만, 탈중앙화 네트워크의 비효율성에 대해서는 침묵하고 있습니다. 그리고 설계의 동질성이 높으며, 다수의 프로젝트가 매우 유사하므로(원클릭 L2 + 마이닝 설계) 결국 기존 AI 트랙을 공유하기 어려운 상황으로 이어질 수 있습니다.

알고리즘 및 모델 협업 시스템

머신러닝 알고리즘은 데이터로부터 규칙과 패턴을 학습하고 이를 기반으로 예측이나 결정을 내릴 수 있는 알고리즘을 말합니다. 알고리즘은 설계 및 최적화에 깊은 전문 지식과 기술 혁신이 필요하기 때문에 기술 집약적입니다. 알고리즘은 AI 모델 훈련의 핵심이며 데이터가 유용한 통찰력이나 결정으로 변환되는 방식을 정의합니다. GAN(Generative Adversarial Network), VAE(Variational Autoencoder), Transformer 등 보다 일반적인 생성 AI 알고리즘은 각각 특정 분야(예: 회화, 언어 인식, 번역, 비디오 생성)를 위해 설계되었거나 목적을 위해 탄생했습니다. , 그리고 알고리즘을 통해 전용 AI 모델을 훈련시킵니다.

그렇다면 각각의 장점을 지닌 수많은 알고리즘과 모델이 있는데, 이를 민수용과 군용이 모두 가능한 모델로 통합할 수 있을까요? 최근 큰 인기를 얻고 있는 Bittensor는 이러한 방향의 선두주자로, 채굴 인센티브를 사용하여 다양한 AI 모델과 알고리즘이 서로 협력하고 학습할 수 있도록 하여 보다 효율적이고 다재다능한 AI 모델을 만듭니다. 또 이 방향으로 주목하고 있는 것이 코뮨 AI(코드 협업) 등이다. 그러나 현재 AI 기업들에게 알고리즘과 모델은 그들만의 마법 무기이며 마음대로 빌려오지 않는다.

따라서 AI 협업 생태계의 서사는 매우 참신하고 흥미롭습니다. 협업 생태계는 블록체인을 활용하여 AI 알고리즘 섬의 단점을 통합하지만 이에 상응하는 가치를 창출할 수 있는지는 아직 알 수 없습니다. 결국, 선도적인 AI 회사의 비공개 소스 알고리즘과 모델은 업데이트, 반복 및 통합하는 매우 강력한 능력을 갖추고 있습니다. 예를 들어 OpenAI는 2년 미만의 개발 기간 동안 초기 텍스트 생성 모델부터 여러 분야에서 생성된 모델까지 반복했습니다. Bittensor와 같은 프로젝트는 모델과 알고리즘에서 큰 진전을 이루었습니다. 대상 영역에는 새로운 접근 방식이 필요할 수 있습니다.

분산형 빅데이터

단순한 관점에서 프라이빗 데이터를 활용해 AI를 공급하고 데이터를 라벨링하는 것은 블록체인과 매우 일치하는 방향이다.정크 데이터와 악행을 방지하는 방법에만 주의하면 되며 데이터 저장도 FIL과 AR을 사용할 수 있다. Depin 프로젝트가 이익을 얻을 수 있도록. 복잡한 관점에서 보면 블록체인 데이터를 머신러닝(ML)용으로 활용해 블록체인 데이터의 접근성을 해결하는 것도 흥미로운 방향이다(기자의 탐색 방향 중 하나).

이론적으로 블록체인 데이터는 언제든지 액세스할 수 있으며 전체 블록체인의 상태를 반영합니다. 그러나 블록체인 생태계 외부의 사람들에게는 이러한 막대한 양의 데이터에 접근하는 것이 쉽지 않습니다. 블록체인을 전체적으로 저장하려면 광범위한 전문 지식과 대량의 전용 하드웨어 리소스가 필요합니다. 블록체인 데이터 액세스 문제를 극복하기 위해 업계에서는 여러 가지 솔루션이 등장했습니다. 예를 들어 RPC 공급자는 API를 통해 노드에 대한 액세스를 제공하는 반면, 인덱싱 서비스는 문제 해결에 핵심적인 역할을 하는 SQL 및 GraphQL을 통해 데이터 추출을 가능하게 합니다. 그러나 이러한 방법에는 한계가 있습니다. RPC 서비스는 대량의 데이터 쿼리가 필요하고 종종 수요를 충족하지 못하는 고밀도 사용 시나리오에는 적합하지 않습니다. 동시에 인덱싱 서비스는 데이터를 검색하는 보다 구조화된 방법을 제공하지만 Web3 프로토콜의 복잡성으로 인해 효율적인 쿼리를 작성하기가 매우 어렵고 때로는 수백 또는 수천 줄의 복잡한 코드를 작성해야 합니다. 이러한 복잡성은 일반 데이터 실무자와 Web3의 세부 사항을 이해하지 못하는 사람들에게 큰 장애물입니다. 이러한 제한의 누적 효과는 현장에서 더 폭넓은 채택과 혁신을 촉진할 수 있는 블록체인 데이터를 획득하고 활용하는 더 쉬운 방법의 필요성을 강조합니다.

그런 다음 ZKML(영지식 증명 기계 학습, 체인의 기계 학습 부담 감소)과 고품질 블록체인 데이터를 결합하면 블록체인 접근성 문제를 해결하는 데이터 세트를 만드는 것이 가능할 수 있으며, AI는 블록체인 비용 절감 데이터 접근성을 통해 시간이 지남에 따라 개발자, 연구원 및 ML 애호가는 효과적이고 혁신적인 솔루션을 구축하기 위해 보다 고품질의 관련 데이터 세트에 액세스할 수 있습니다.

AI 기반 Dapp

2023년 ChatGPT3가 인기를 얻은 이후 AI 기반 Dapp은 매우 일반적인 방향이 되었습니다. 매우 다재다능한 생성 AI는 API를 통해 액세스하여 데이터 플랫폼, 거래 로봇, 블록체인 백과사전 및 기타 애플리케이션을 단순화하고 지능적으로 분석할 수 있습니다. 한편, 챗봇(예: Myshell)이나 AI 동반자(Sleepless AI) 역할을 할 수도 있고, 생성 AI를 통해 체인 게임에서 NPC를 생성할 수도 있습니다. 하지만 기술적인 장벽이 매우 낮기 때문에 대부분 API에 접속한 후 미세 조정하는 경우가 많고, 프로젝트와의 통합 자체가 완벽하지 않아 언급되는 경우가 거의 없습니다.

하지만 소라가 등장한 이후에는 GameFi(Metaverse 포함)와 크리에이티브 플랫폼을 강화하는 AI의 방향이 다음 초점이 될 것이라고 개인적으로 생각합니다. Web3 분야의 상향식 특성으로 인해 전통적인 게임이나 크리에이티브 기업과 경쟁하는 제품을 생산하는 것은 확실히 어려울 것이며, Sora의 등장은 이러한 딜레마를 깨뜨릴 가능성이 높습니다(아마도 2~3년 안에). 소라의 데모를 보면 이미 마이크로단편 드라마 회사들과 경쟁할 수 있는 잠재력을 갖고 있고 Web3의 활발한 커뮤니티 문화도 많은 흥미로운 아이디어를 낳을 수 있다. 전통 산업 간의 장벽이 허물어질 것입니다.

결론

생성 AI 도구가 계속해서 발전함에 따라 우리는 앞으로 더욱 획기적인 "iPhone 순간"을 경험하게 될 것입니다. 많은 분들이 AI와 Web3의 결합을 비웃으시지만 사실 현재 방향에는 대부분 문제가 없다고 생각합니다. 실제로 해결해야 할 페인포인트는 필요성, 효율성, 적합성 세 가지뿐입니다. 둘의 통합은 탐색 단계에 있지만 이 경로가 다음 강세장의 주류가 되는 것을 막지는 못합니다.

항상 새로운 것에 대한 충분한 호기심과 수용을 유지하는 것은 우리에게 꼭 필요한 사고방식입니다. 역사적으로 마차를 대체하는 자동차의 변신은 한 순간에 기정사실이 되었습니다. 과거의 비문이나 NFT와 마찬가지로 편견이 많으면 기회를 놓치게 될 뿐입니다.