REI Network

REI Network는 새로운 아키텍처와 협력적 생태계를 통해 범용 인공지능(AGI)의 발전에 집중하는 탈중앙화 AI 연구 및 개발 플랫폼입니다. 이 플랫폼은 인간의 가치 및 윤리적 고려 사항과의 정렬을 보장하면서 AI 연구를 위한 지속 가능한 환경을 조성하는 것을 목표로 합니다. ^[1]

개요

REI Network는 전통적인 컴퓨터 과학 방법보다는 과학적 및 인지적 원리를 통해 인공지능을 탐구하는 연구 중심 조직입니다. 이들의 작업은 생물학적 및 인지적 모델에서 도출된 새로운 신경 아키텍처를 강조하며, 표준적인 통계적 접근 방식을 넘어서는 것을 목표로 합니다.

이들의 핵심 혁신 중 하나는 AI 에이전트가 고정된 운영 제약에 얽매이지 않고 다양한 시스템에서 상호 작용할 수 있도록 하는 범용 연결 계층입니다. 이 범용 어댑터 설계를 통해 에이전트는 서로 다른 외부 아키텍처와 통합되면서도 핵심 기능을 유지할 수 있습니다.

아키텍처에는 통찰력을 표준화된 형식으로 변환하는 번역 메커니즘이 포함되어 있어 더 넓은 응용 프로그램과 적응성을 지원합니다. 이 시스템은 대화형 시스템, 분석 도구 또는 완전히 새로운 형태의 애플리케이션을 구축하는 개발자를 위한 기초 프레임워크로 의도되었습니다. ^[2]

Core

Core는 보타이 아키텍처(Bowtie Architecture), 추론 클러스터(Reasoning Cluster), 모델 오케스트레이션(Model Orchestration)의 세 가지 주요 구성 요소로 구축된 AI 아키텍처입니다. 이는 AI 시스템이 정보를 처리, 해석 및 진화시키는 방법에 대한 새로운 프레임워크를 도입합니다.

기초 플랫폼으로 설계된 Core는 특정 사용 사례를 규정하지 않고 대화형 시스템에서 분석 도구에 이르기까지 다양한 애플리케이션의 개발을 지원합니다. 개방형 아키텍처는 광범위한 개발자 커뮤니티의 채택, 적응 및 지속적인 혁신을 촉진하기 위한 것입니다.

Core의 구조는 모듈식 추론과 유연한 통합을 강조하며, 다양한 환경에서 적응성을 유지하면서 지능형 에이전트의 기능을 확장하는 것을 목표로 합니다. ^[3]

보타이 아키텍처 (Bowtie Architecture)

보타이 아키텍처는 왼쪽의 시맨틱 처리, 중앙의 핵심 개념 추출, 오른쪽의 추상 벡터 매칭의 세 가지 통합 구성 요소로 이루어진 메모리 및 개념 형성 시스템입니다. 이 구조는 정보를 시맨틱 벡터와 추상 개념 노드 모두에 저장하여 관리함으로써 기본적인 패턴 인식을 넘어선 미묘한 이해를 가능하게 합니다.

이 시스템은 핵심 벡터 특징을 보존하면서 중복된 텍스트를 제거하여 메모리에 대한 이중 표현 접근 방식을 지원합니다. 오른쪽 구성 요소는 유사한 메모리와 결합할 수 있는 추상적이고 고정되지 않은 벡터 특징을 처리하며, 시맨틱 정렬보다는 수학적 유사성을 통해 숨겨진 관계를 발견합니다.

이러한 요소들이 중앙 구성 요소를 통해 상호 작용함에 따라 새로운 연결이 자연스럽게 형성되어 시스템이 시간이 지남에 따라 이해를 진화시킬 수 있게 합니다. 이 설계는 인지 과정을 모방한 방식으로 지속적인 학습과 적응을 가능하게 하여 창발적인 지식과 통찰력을 촉진합니다. ^[3]

추론 클러스터 (Reasoning Cluster)

추론 클러스터는 Core 아키텍처 내에서 중앙 처리 장치 역할을 하며, 인지 작업을 관리하고 모델 선택을 안내합니다. 보타이 아키텍처를 사용하여 의사 결정 트리를 통해 각 쿼리에 가장 적합한 모델을 결정하고 생성된 메모리 간의 연결을 형성합니다.

이 시스템은 새로운 정보가 도입됨에 따라 진화하는 개념 그래프를 유지합니다. 효율성과 효과의 균형을 맞추는 모델 선택의 우선순위를 정하기 위해 정교함 편향(sophistication bias)을 적용합니다. 처리는 여러 모델에 걸쳐 병렬로 발생하여 시스템이 일관된 성능을 유지하면서 적응력을 유지할 수 있도록 합니다. ^[3]

모델 오케스트레이션 (Model Orchestration)

Core의 모델 오케스트레이션은 여러 전문 모델에 걸친 작업 분배를 관리합니다. 동적 쿼리 분해를 사용하여 복잡한 문제를 분해하고 구성 요소를 적절한 모델에 할당함으로써 새로운 기능의 모듈식 통합을 지원하는 동시에 효율적인 처리를 가능하게 합니다.

이 시스템은 세 가지 범주의 모델을 조정합니다: 예측, 분류 및 시계열 분석과 같은 작업을 위한 통계 모델; 시각, 오디오 및 센서 데이터 처리를 위한 지각 모델; 산업 또는 애플리케이션별 요구 사항에 맞춘 도메인 특정 모델입니다. 각 모델은 유연한 프레임워크 내에서 작동하며 시스템의 전반적인 기능에 기여합니다.

오케스트레이션 계층은 쿼리를 분석하여 필요한 기능을 식별하고, 그에 따라 작업을 할당하며, 각 모델의 성능 프로필을 유지함으로써 성능을 최적화합니다. 이 접근 방식은 효율적인 자원 사용을 지원하고 지속적인 개선을 위한 토대를 제공합니다. ^[3]

진화 (Evolution)

진화는 Unit 아키텍처의 기본 원칙으로, 지속적인 상호 작용을 통해 발전할 수 있도록 합니다. 각 상호 작용은 메모리로 저장되며 시간이 지남에 따라 Unit의 적응적 행동에 기여합니다.

메모리는 최근의 교환을 포함하는 단기 메모리와 오래된 정보로 구성된 장기 메모리로 분류됩니다. 시간이 지남에 따라 관련 장기 메모리는 패턴을 형성하며, 이는 진화적 학습의 첫 단계를 나타냅니다. 이러한 패턴은 유사성을 기반으로 클러스터를 형성하며, 빈번하고 유사한 메모리는 서로를 강화하고 새로운 연결을 형성할 가능성을 높입니다.

메모리가 축적됨에 따라 기본 특징의 안정적인 표현인 개념으로 추상화됩니다. 장기 메모리와 달리 개념은 사라지지 않지만 수정될 여지는 남아 있습니다. 개념은 더 복잡한 유사성 평가를 거치지만 유사한 클러스터링 및 패턴 형성을 통해 구성됩니다.

시스템의 메모리 프레임워크는 각 사용자 상호 작용에 따라 업데이트되어 Unit의 행동과 내부 논리를 형성합니다. 이러한 진화는 결국 원래의 행동 설정과 강화되거나 분리될 수 있으며, 이는 진행 중인 인지 발달을 반영합니다. ^[4]

기능

Catalog

Catalog는 특정 작업을 위해 설계된 트랜스포머 기반 모델의 모음입니다. 이러한 모델의 대부분은 오픈 소스로 제공될 예정이어서 개발자가 자유롭게 액세스하고 사용할 수 있습니다. 이러한 모델을 기존 시스템에 원활하게 통합할 수 있도록 API가 제공됩니다. Catalog는 Core에 연결되어 워크플로우 성능과 효율성을 향상시킬 수도 있습니다. ^[5]

Hanabi-1

Hanabi-1은 금융 예측에 초점을 맞춘 첫 번째 Catalog 시리즈 모델입니다. 대규모 범용 모델과 달리 Hanabi-1은 금융 시계열 분석 요구 사항에 맞춘 소형 도메인 특정 설계를 사용하여 속도, 효율성 및 작업 특정 정확도를 우선시합니다.

이 모델은 멀티 헤드 어텐션을 갖춘 8개의 트랜스포머 계층에 걸쳐 1,640만 개의 파라미터로 구성되며, 384차원 은닉 상태를 유지합니다. 방향, 변동성, 가격 변동 및 스프레드 예측을 위한 전문 경로가 포함되어 있습니다. 훈련 역학을 개선하기 위해 레이어 정규화 대신 배치 정규화가 사용되며, 클래스 불균형을 관리하기 위해 포컬 로스(focal loss)가 사용됩니다.

Hanabi-1은 특징 표현을 풍부하게 하기 위해 여러 시간적 집계 방법을 통합하여 최근 상태, 평균 추세 및 어텐션 가중 신호를 캡처합니다. 방향 예측 경로는 LeakyReLU 활성화 및 Xavier 초기화와 함께 배치 정규화된 완전 연결 계층을 사용합니다. 반면 변동성, 가격 및 스프레드에 대한 회귀 경로는 불필요한 복잡성 없이 특정 작업을 목표로 독립적으로 최적화됩니다.

모델의 멀티태스크 프레임워크는 트랜스포머 인코더가 일반화되고 강력한 표현을 개발하도록 장려합니다. 소형 아키텍처는 실시간 추론을 가능하게 하여 고빈도 금융 환경에 적합합니다. Hanabi-1은 금융 예측에서 집중적이고 효율적인 모델의 효과를 강조하며 이 분야를 위한 더 발전된 시스템을 구축하기 위한 첫 번째 단계를 나타냅니다. ^[6]

REI API

REI는 AI 에이전트의 운영 및 상호 작용을 지원하는 기초 인프라 플랫폼 역할을 합니다. 자체 모델과 아키텍처를 실행함으로써 기존 인프라 솔루션 아래의 베이스 레이어 시스템으로 자리매김하여 기존 AI API에 대한 대안을 제공합니다.

인지 아키텍처 API는 REI 제공 서비스의 핵심입니다. 이 API는 시스템이 정보를 해석하고 처리하는 방식을 정의합니다. 이 API는 에이전트 추론을 지배하는 기본 논리를 나타내며, 외부 도구를 추가하는 것만으로는 쉽게 복제할 수 없는 중심 요소가 됩니다. 이 핵심 계층은 그 위에 구축된 모든 애플리케이션의 기능을 형성합니다.

REI의 시스템에는 인프라 수준의 인지 엔진, 주류 AI API에 대한 대안, REI 및 ETH 토큰을 지원하는 유연한 결제 모델(두 토큰 모두에 대한 가격 인센티브 포함) 등 몇 가지 주요 구성 요소가 포함되어 있습니다. 플랫폼은 소프트웨어 개발 키트(SDK) 및 웹 인터페이스를 포함한 여러 진입점을 통해 액세스할 수 있어 다양한 통합 요구 사항을 수용합니다. 또한 오픈 빌더 생태계를 지원하여 개발자가 플랫폼의 기능을 확장하고 기여하도록 장려합니다. ^[7]

성장 피드백 루프

REI의 **개발자 루프(developer loop)**는 자기 강화 시스템입니다. 빌더가 플랫폼에서 도구와 애플리케이션을 개발함에 따라 기능을 확장하고 기본 인프라를 개선합니다. 이러한 향상은 더 많은 개발자를 끌어들이고, 이들은 추가적인 도구와 개선 사항을 기여합니다. 이 지속적인 사이클은 플랫폼을 꾸준히 강화하고 지속적인 성장과 혁신을 장려합니다.

**빌더 루프(builder loop)**는 빌더 활동이 플랫폼 토큰의 유용성과 가치를 높여 추가 개발을 지원하는 자원을 생성하는 사이클입니다. 이러한 자원은 추가 빌더를 유치하고 플랫폼의 사용 사례를 넓히는 개선 사항에 자금을 지원하여 지속 가능한 경제 성장을 촉진합니다.

**네트워크 효과 루프(network effect loop)**는 REI에서 더 많은 애플리케이션이 출시됨에 따라 사용자 채택이 증가하면서 발생합니다. 사용자 기반이 확장됨에 따라 네트워크의 가치가 커지고, 더 많은 빌더가 플랫폼에서 개발하도록 유도합니다. 새로운 애플리케이션의 도입은 더 많은 사용자를 끌어들여 네트워크를 더욱 강화합니다. ^[7]

REI

$REI는 REI Network 및 Unit 00의 생태계 토큰 역할을 합니다. 플랫폼의 SDK 및 API에 대한 액세스를 제공하며 사용자가 생성한 에이전트 배포와 같은 미래 기능을 지원할 예정입니다. 총 공급량은 10억 개이며 다음과 같은 배분 구조를 가집니다: ^[8]

• 공개 기부 이벤트: 54%
• 기본 유동성: 30%
• 추가 유동성: 6%
• 보조금/실험: 5%
• 팀: 5%