REI 네트워크는 혁신적인 아키텍처와 협업 생태계를 통해 인공 일반 지능(AGI) 발전에 주력하는 분산형 AI 연구 개발 플랫폼입니다. 인간의 가치 및 윤리적 고려 사항과 일치하도록 보장하면서 AI 연구를 위한 지속 가능한 환경을 조성하는 것을 목표로 합니다. ^[1]

개요

REI 네트워크는 전통적인 컴퓨터 과학 방법이 아닌 과학적 및 인지적 원리를 통해 인공 지능을 탐구하는 연구 중심 조직입니다. 그들의 연구는 표준 통계적 접근 방식을 넘어 생물학적 및 인지적 모델에서 도출된 새로운 신경 아키텍처를 강조합니다.

그들의 주요 혁신 중 하나는 AI 에이전트가 고정된 운영 제약에 제한되지 않고 다양한 시스템에서 상호 작용할 수 있도록 하는 범용 연결 계층입니다. 이 범용 어댑터 설계를 통해 에이전트는 다양한 외부 아키텍처와 통합하면서 핵심 기능을 유지할 수 있습니다.

이 아키텍처에는 통찰력을 표준화된 형식으로 변환하여 더 광범위한 적용 및 적응성을 지원하는 번역 메커니즘이 포함되어 있습니다. 이 시스템은 개발자가 대화형 시스템, 분석 도구 또는 완전히 새로운 형태의 애플리케이션을 구축하기 위한 기본 프레임워크로 사용됩니다. ^[2]

코어

코어는 Bowtie 아키텍처, 추론 클러스터 및 모델 오케스트레이션의 세 가지 주요 구성 요소를 중심으로 구축된 AI 아키텍처입니다. AI 시스템이 정보를 처리, 해석 및 발전시키는 방법에 대한 새로운 프레임워크를 소개합니다.

기본 플랫폼으로 설계된 코어는 특정 사용 사례를 규정하지 않고 대화형 시스템에서 분석 도구에 이르기까지 다양한 애플리케이션 개발을 지원합니다. 개방형 아키텍처는 더 넓은 개발 커뮤니티의 채택, 적응 및 지속적인 혁신을 촉진하기 위한 것입니다.

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

Bowtie 아키텍처

Bowtie 아키텍처는 왼쪽의 의미 처리, 중앙의 핵심 개념 증류, 오른쪽의 추상 벡터 매칭의 세 가지 통합 구성 요소로 구성된 메모리 및 개념 형성 시스템입니다. 이 구조는 정보를 의미 벡터와 추상 개념 노드에 모두 저장하여 관리하므로 기본 패턴 인식을 넘어 미묘한 이해가 가능합니다.

이 시스템은 주요 벡터 기능을 유지하면서 중복 텍스트를 제거하여 메모리에 대한 이중 표현 접근 방식을 지원합니다. 오른쪽 구성 요소는 의미 정렬이 아닌 수학적 유사성을 통해 숨겨진 관계를 밝혀내면서 유사한 메모리와 결합할 수 있는 추상적이고 고정되지 않은 벡터 기능을 처리합니다.

이러한 요소가 중앙 구성 요소를 통해 상호 작용함에 따라 새로운 연결이 자연스럽게 형성되어 시스템이 시간이 지남에 따라 이해력을 발전시킬 수 있습니다. 이 설계를 통해 인지 프로세스를 반영하는 방식으로 지속적인 학습과 적응이 가능하여 새로운 지식과 통찰력을 육성할 수 있습니다. ^[3]

추론 클러스터

추론 클러스터는 코어 아키텍처 내에서 중앙 처리 장치 역할을 하며 인지 작업을 관리하고 모델 선택을 안내합니다. Bowtie 아키텍처를 사용하여 의사 결정 트리를 사용하여 각 쿼리에 가장 적합한 모델을 결정하고 생성된 메모리 간에 연결을 형성합니다.

이 시스템은 새로운 정보가 도입됨에 따라 진화하는 개념 그래프를 유지 관리합니다. 효율성과 효과의 균형을 맞추는 모델 선택을 우선시하기 위해 정교화 편향을 적용합니다. 처리는 여러 모델에서 병렬로 발생하므로 시스템은 일관된 성능을 유지하면서 적응성을 유지할 수 있습니다. ^[3]

모델 오케스트레이션

코어의 모델 오케스트레이션은 여러 전문 모델에 걸쳐 작업 배포를 관리합니다. 동적 쿼리 분해를 사용하여 복잡한 문제를 분해하고 구성 요소를 적절한 모델에 할당하여 효율적인 처리를 가능하게 하는 동시에 새로운 기능의 모듈식 통합을 지원합니다.

이 시스템은 예측, 분류 및 시계열 분석과 같은 작업을 위한 통계 모델, 시각, 오디오 및 센서 데이터 처리를 위한 인식 모델, 산업 또는 애플리케이션별 요구 사항에 맞춘 도메인별 모델의 세 가지 범주 모델을 조정합니다. 각 모델은 유연한 프레임워크 내에서 작동하여 시스템의 전반적인 기능에 기여합니다.

오케스트레이션 계층은 쿼리를 분석하여 필요한 기능을 식별하고, 그에 따라 작업을 할당하고, 각 모델에 대한 성능 프로필을 유지 관리하여 성능을 최적화합니다. 이 접근 방식은 효율적인 리소스 사용을 지원하고 지속적인 개선을 위한 기반을 제공합니다. ^[3]

진화

진화는 유닛 아키텍처의 기본 원칙으로, 지속적인 상호 작용을 통해 개발할 수 있습니다. 각 상호 작용은 메모리로 저장되고 시간이 지남에 따라 유닛의 적응 행동에 기여합니다.

메모리는 최근 교환을 포함하는 단기 메모리와 오래된 정보로 구성된 장기 메모리로 분류됩니다. 시간이 지남에 따라 관련된 장기 메모리는 패턴을 형성하여 진화적 학습의 첫 번째 단계를 나타냅니다. 이러한 패턴은 유사성을 기반으로 클러스터링되며, 빈번하고 유사한 메모리는 서로 강화하고 새로운 연결을 형성할 가능성을 높입니다.

메모리가 축적됨에 따라 기본 기능의 안정적인 표현인 개념으로 추상화됩니다. 장기 메모리와 달리 개념은 사라지지 않지만 수정할 수 있습니다. 더 복잡한 유사성 평가를 통해 유사한 클러스터링 및 패턴 형성을 통해 구성됩니다.

시스템의 메모리 프레임워크는 각 사용자 상호 작용으로 업데이트되어 유닛의 행동과 내부 논리를 형성합니다. 이 진화는 결국 원래 행동 설정에서 강화되거나 벗어날 수 있으며, 이는 지속적인 인지 발달을 반영합니다. ^[4]

특징

카탈로그

카탈로그는 특정 작업을 위해 설계된 변환기 기반 모델의 모음입니다. 이러한 모델의 대부분은 오픈 소스화되어 개발자가 자유롭게 액세스하고 사용할 수 있도록 설계되었습니다. 이러한 모델을 기존 시스템에 원활하게 통합할 수 있도록 API를 사용할 수 있습니다. 카탈로그를 코어에 연결하여 워크플로 성능과 효율성을 향상시킬 수도 있습니다. ^[5]

Hanabi-1

Hanabi-1은 재무 예측에 중점을 둔 최초의 카탈로그 시리즈 모델입니다. 대규모 범용 모델과 달리 Hanabi-1은 재무 시계열 분석 요구 사항에 맞춘 컴팩트한 도메인별 설계를 사용하여 속도, 효율성 및 작업별 정확도를 우선시합니다.

이 모델은 다중 헤드 주의를 사용하는 8개의 변환기 계층에 걸쳐 1,640만 개의 매개변수로 구성되어 있으며 384차원 숨겨진 상태를 유지합니다. 방향, 변동성, 가격 변동 및 스프레드를 예측하기 위한 특수 경로가 포함되어 있습니다. 배치 정규화는 계층 정규화를 대체하여 훈련 역학을 개선하고, 초점 손실은 클래스 불균형을 관리하는 데 사용됩니다.

Hanabi-1은 여러 시간적 집계 방법을 통합하여 기능 표현을 풍부하게 하여 최근 상태, 평균 추세 및 주의 가중 신호를 캡처합니다. 방향 예측 경로는 LeakyReLU 활성화 및 Xavier 초기화를 사용하는 배치 정규화된 완전 연결 계층을 사용합니다. 대조적으로 변동성, 가격 및 스프레드에 대한 회귀 경로는 불필요한 복잡성 없이 특정 작업을 대상으로 하기 위해 독립적으로 최적화됩니다.

이 모델의 다중 작업 프레임워크는 변환기 인코더가 일반화되고 강력한 표현을 개발하도록 장려합니다. 컴팩트한 아키텍처는 실시간 추론을 가능하게 하여 고주파 재무 환경에 적합합니다. Hanabi-1은 재무 예측에서 집중적이고 효율적인 모델의 효과를 강조하고 이 도메인에 대한 보다 고급 시스템을 구축하기 위한 초기 단계를 나타냅니다. ^[6]

REI API

REI는 AI 에이전트의 운영 및 상호 작용을 지원하는 기본 인프라 플랫폼 역할을 합니다. 자체 모델과 아키텍처를 실행하여 기존 AI API에 대한 대안을 제공하여 기존 인프라 솔루션 아래의 기본 계층 시스템으로 자리매김합니다.

인지 아키텍처 API는 REI 제품의 핵심입니다. 이러한 API는 시스템이 정보를 해석하고 처리하는 방식을 정의합니다. 이러한 API는 에이전트 추론을 제어하는 기본 논리를 나타내므로 외부 도구를 추가하여 쉽게 복제할 수 없는 핵심 요소입니다. 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 지불 모델(둘 다에 대한 가격 인센티브 포함)이 포함됩니다. 이 플랫폼은 소프트웨어 개발 키트(SDK) 및 웹 인터페이스를 포함한 여러 진입점을 통해 액세스할 수 있어 다양한 통합 요구 사항을 수용합니다. 또한 개발자가 플랫폼 기능에 기여하고 확장하도록 장려하는 개방형 빌더 생태계를 지원합니다. ^[7]

성장 피드백 루프

REI의 개발자 루프는 자체 강화 시스템입니다. 빌더가 플랫폼에서 도구와 애플리케이션을 개발함에 따라 플랫폼의 기능을 확장하고 기본 인프라를 개선합니다. 이러한 개선 사항은 더 많은 개발자를 유치하여 추가 도구와 개선 사항을 제공합니다. 이 지속적인 주기는 플랫폼을 꾸준히 강화하고 지속적인 성장과 혁신을 장려합니다.

빌더 루프는 빌더 활동이 플랫폼 토큰의 유틸리티와 가치를 높여 추가 개발을 지원하는 리소스를 생성하는 주기입니다. 이러한 리소스는 추가 빌더를 유치하고 플랫폼의 사용 사례를 확장하는 개선 사항에 자금을 지원하여 지속 가능한 경제 성장을 촉진합니다.

네트워크 효과 루프는 REI에서 더 많은 애플리케이션을 출시하여 사용자 채택이 증가함에 따라 발생합니다. 사용자 기반이 확장됨에 따라 네트워크의 가치가 증가하여 더 많은 빌더가 플랫폼에서 개발하도록 유도합니다. 새로운 애플리케이션을 도입하면 더 많은 사용자를 유치하여 네트워크를 더욱 강화합니다. ^[7]

REI

$REI는 REI 네트워크 및 유닛 00의 생태계 토큰 역할을 합니다. 플랫폼의 SDK 및 API에 대한 액세스를 제공하고 사용자 생성 에이전트 배포와 같은 향후 기능을 지원합니다. 총 공급량은 10억 개의 토큰이며 다음과 같은 분포를 갖습니다. ^[8]

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