Alliance DAO: AI와 Web3의 융합, 어떤 기회와 도전이 있는가?

2023.05.04

Alliance DAO: AI와 Web3의 융합, 어떤 기회와 도전이 있는가?

웹3는 인공지능의 발전 궤도에 뚜렷한 영향을 미칠 수 있는 소수의 기술들 중 하나이다.

2023.05.04 - 03:19:11

AIWeb3

Web3 심층 보도에 집중하고 흐름을 통찰

웹3는 인공지능의 발전 궤도에 뚜렷한 영향을 미칠 수 있는 소수의 기술들 중 하나이다.

저자: Mohamed Fouda, Qiao Wang

* 본문은 Alliance DAO의 독점적 승인 하에 TechFlow에서 번역·게시되었습니다.

ChatGPT와 GPT-4 출시 이후 인공지능(AI)이 Web3를 포함한 모든 분야를 어떻게 변화시킬 것인지에 대한 논의가 활발히 이루어지고 있다. 많은 산업의 개발자들은 샘플 코드 생성, 유닛 테스트 수행, 문서 작성, 디버깅 및 취약점 탐지 등 작업 자동화를 위해 ChatGPT를 활용하고 있다. 본 글에서는 AI 기반의 새로운 Web3 사례들을 다루겠지만, 특히 Web3와 AI 간의 상호보완적 관계에 초점을 맞출 것이다. 기술 중에서도 AI 발전 궤도에 실질적인 영향을 미칠 수 있는 것은 드물며, Web3는 그 극소수에 속한다.

Web3가 인공지능에 어떻게 이익을 줄 수 있는가?

거대한 잠재력을 지녔음에도 현재 AI 모델들은 데이터 프라이버시, 독점 모델 실행의 공정성, 신뢰할 수 있는 가짜 콘텐츠 생성 및 유포 가능성 등의 여러 문제에 직면해 있다. 기존의 일부 Web3.0 기술은 이러한 문제들을 해결하는 데 독특한 강점을 가지고 있다.

기계학습 학습용 독점 데이터셋

Web3가 AI에 기여할 수 있는 한 분야는 기계학습(ML)을 위한 독점 데이터셋 공동 창출, 즉 PoPW 네트워크 기반의 데이터셋 구축이다. 정확한 ML 모델에는 방대한 양의 데이터셋이 필수적이지만, 이를 구축하는 과정은 병목 현상으로 작용할 수 있으며, 특히 의료 진단과 같은 민감한 개인 정보를 필요로 하는 ML 응용 분야에서는 더욱 그러하다. 환자의 건강 기록 접근은 모델 학습에 필수적이지만, 동시에 개인정보 보호 문제는 주요 장벽이 된다. 환자들은 프라이버시 우려로 인해 자신의 의료 기록을 공유하기 꺼릴 수 있다. 이러한 문제를 해결하기 위해 환자는 개인정보를 보호하면서도 ML 학습에 사용될 수 있도록 검증 가능한 방식으로 의료 기록을 익명화할 수 있다.

그러나 익명화된 의료 기록의 진위 여부는 중요한 문제다. 위조된 데이터는 모델 성능을 저하시킬 수 있기 때문이다. 이 딜레마를 해결하기 위해 제로노우ledge 증명(ZKP)을 사용해 익명화된 기록의 진실성을 검증할 수 있다. 환자는 PII(개인 식별 정보)를 삭제하더라도 원본 기록의 복사본임을 입증하는 ZKP를 생성할 수 있다. 이렇게 하면 환자는 익명화된 기록과 함께 ZKP를 제출하고 보상을 받으면서도 프라이버시를 유지할 수 있다.

프라이빗 데이터에 대한 추론 실행

현재 LLM의 주요 약점 중 하나는 프라이빗 데이터 처리 능력이다. 예를 들어, 사용자가 ChatGPT와 상호작용하면 OpenAI는 사용자 데이터를 수집하여 모델 학습에 활용하지만, 이로 인해 민감한 정보가 유출될 위험이 있다. 실제로 삼성에서도 이러한 사례가 발생한 바 있다. 제로노우ledge(zk) 기술은 프라이빗 데이터에 대해 추론을 수행할 때 발생하는 문제들을 완화하는 데 도움을 줄 수 있다. 여기서 우리는 오픈소스 모델과 독점 모델 두 가지 경우를 고려한다.

오픈소스 모델의 경우, 사용자는 모델을 다운로드하여 로컬에서 자신의 프라이빗 데이터를 처리할 수 있다. Worldcoin이 World ID를 업그레이드하려는 계획이 좋은 예다. Worldcoin은 각 사용자를 고유하게 식별하기 위한 IrisCode라는 식별자를 생성하기 위해 사용자의 생체정보(홍채 스캔)를 처리해야 한다. 이 경우, 사용자는 생체정보를 기기 내에 안전하게 보관한 채 ML 모델을 다운로드하고 로컬에서 추론을 수행하며, IrisCode 생성 성공을 증명하는 ZKP를 생성할 수 있다. 이렇게 생성된 증거는 추론의 진실성을 보장하면서도 데이터 프라이버시를 보호한다. Modulus Labs가 개발한 기술과 같은 효율적인 zk 증명 메커니즘은 이러한 사례에서 매우 중요하다.
다른 형태는 독점 모델이다. ZKP는 이 문제 해결에 두 가지 방식으로 기여할 수 있다. 첫 번째 방법은 데이터셋 생성 사례에서 언급한 것처럼, ML 모델에 익명화된 데이터를 전송하기 전에 ZKP를 사용해 사용자 데이터를 익명화하는 것이다. 두 번째 방법은 사전처리 단계에서 사용자의 프라이빗 데이터를 로컬에서 처리한 후, 전처리된 출력값만 모델에 전달하는 것이다. 이 경우 사전처리 과정을 통해 사용자의 프라이빗 데이터는 재구성 불가능하게 숨겨진다. 사용자는 사전처리 절차가 정확히 수행되었음을 증명하는 ZKP를 생성하고, 이후 모델 소유자의 서버에서 나머지 독점 모델을 원격으로 실행할 수 있다. 이 방식은 환자의 의료 기록을 분석해 잠재적 진단을 내리는 AI 의사, 고객의 개인 금융 정보를 평가하는 금융 리스크 평가 알고리즘 등에 적용 가능하다.

콘텐츠 진위성 및 딥페이크 대응

ChatGPT가 이미지, 오디오, 비디오 생성에 특화된 생성형 AI 모델들의 관심을 뺏어간 감이 있지만, 이들 모델은 현재 매우 현실감 있는 딥페이크 콘텐츠를 생성할 수 있다. 최근 AI로 생성된 Drake의 노래가 좋은 예다. 딥페이크 기술은 심각한 위협이며, 이를 해결하려는 스타트업들이 Web 2 기술을 활용하고 있지만, 디지털 서명과 같은 Web3 기술이 이 문제에 더 적합하다.

Web3에서는 사용자 간 상호작용(즉 트랜잭션)이 개인키로 서명되어 유효성이 입증된다. 마찬가지로 텍스트, 이미지, 오디오, 비디오 등 모든 콘텐츠도 제작자의 개인키로 서명함으로써 진위성을 입증할 수 있다. 누구나 제작자의 공개 주소를 기반으로 서명을 검증할 수 있으며, 해당 주소는 제작자의 웹사이트나 소셜미디어 계정에 게시된다. Web3 네트워크는 이미 이러한 용도를 위한 인프라를 모두 갖추고 있다. Fred Wilson은 콘텐츠를 공개키와 연결하는 것이 잘못된 정보 확산에 효과적으로 대응할 수 있다고 논의한 바 있다. 많은 유명 VC들도 기존 소셜미디어 프로필(Twitter 등)이나 탈중앙화 소셜미디어 플랫폼(Lens Protocol, Mirror 등)을 암호화폐 공개 주소와 연결함으로써 디지털 서명의 신뢰성을 뒷받침하고 있다.

비록 개념은 간단하지만, 인증 프로세스의 사용자 경험을 개선하기 위해 해야 할 일이 많다. 예를 들어 콘텐츠 생성 시 디지털 서명 과정을 자동화하여 제작자에게 매끄러운 프로세스를 제공해야 한다. 또 다른 과제는 전체 콘텐츠를 다시 서명하지 않고도 오디오 또는 비디오 클립과 같은 하위 집합을 생성하는 방법이다. 많은 기존 Web3 기술들이 이러한 문제들을 독특하게 해결하고 있다.

독점 모델의 신뢰 최소화

Web3가 AI에 기여할 수 있는 또 다른 분야는 독점 ML 모델을 서비스 형태로 제공할 때 서비스 제공자에 대한 신뢰를 최소화하는 것이다. 사용자는 자신이 지불한 서비스를 실제로 받았는지 확인하거나, ML 모델이 공정하게 실행되었음을 보장받아야 할 필요가 있다. 즉 모든 사용자가 동일한 모델을 사용하고 있다는 보장을 받아야 한다. 이러한 보장을 제공하기 위해 ZKP를 사용할 수 있다. 이 아키텍처에서 ML 모델 개발자는 ML 모델을 표현하는 zk 회로를 생성한다. 이후 사용자 추론 요청 시 회로를 이용해 ZKP를 생성한다. 생성된 ZKP는 사용자에게 직접 전달되어 검증되거나, 사용자 검증 작업을 처리하는 공개 블록체인에 게시될 수 있다. ML 모델이 비공개일 경우 독립된 제3자가 해당 zk 회로가 실제로 그 모델을 나타내는지 검증할 수 있다. 특히 결과가 높은 위험을 수반하는 경우, ML 모델 실행의 신뢰 최소화는 매우 유용하다. 예시는 다음과 같다:

1. ML 기반 의료 진단

이 사례에서 환자는 잠재적 진단을 위해 자신의 의료 데이터를 ML 모델에 제출한다. 환자는 목표 ML 모델이 자신의 데이터에 정확히 적용되었음을 보장받아야 한다. 추론 과정에서 생성된 ZKP는 ML 모델의 올바른 실행을 입증한다.

2. 대출 신용 평가

ZKP는 은행 및 금융기관이 신용 가치 평가 시 신청자가 제출한 모든 재무 정보를 고려했음을 보장할 수 있다. 또한 모든 사용자가 동일한 모델을 사용했다는 것을 입증함으로써 공정성을 입증할 수 있다.

3. 보험 청구 처리

현행 보험 청구 처리는 수작업이며 주관적이다. ML 모델은 보험 계약 및 청구 세부사항을 더 공정하게 평가할 수 있다. ZKP와 결합하면 이러한 청구 처리 ML 모델이 모든 보험 조건과 청구 세부사항을 고려했음을 입증할 수 있으며, 동일한 보험 계약 하의 모든 청구에 대해 동일한 모델이 사용되었음을 보장할 수 있다.

모델 생성의 중심화 문제 해결

LLM(대규모 언어 모델)의 생성 및 학습은 특정 분야의 전문 지식과 전용 컴퓨팅 인프라, 수백만 달러의 컴퓨팅 비용이 소요되는 긴 과정이기에, OpenAI와 같은 거대 중심화 실체가 모델 접근을 제한함으로써 막대한 권력을 획득할 가능성이 있다.

이러한 중심화 리스크를 고려할 때, Web3가 LLM 생성 과정의 탈중앙화를 어떻게 촉진할 수 있는지는 연구의 핵심 주제가 되었다. 일부 Web3 지지자들은 중심화된 참여자들과 경쟁하기 위한 분산 컴퓨팅 접근법을 제안했다. 핵심 아이디어는 분산 컴퓨팅이 더 저렴한 대안이 될 수 있다는 것이다. 그러나 우리 관점에서는 이것이 중심화된 실체와 경쟁하는 최선의 방법은 아닐 수 있다. 분산 컴퓨팅의 단점은 다양한 이종 컴퓨팅 장치 간 통신 오버헤드로 인해 ML 학습 속도가 10~100배 느려질 수 있다는 점이다.

대신 Web3 프로젝트는 PoPW 방식으로 고유하고 경쟁력 있는 ML 모델을 만드는 데 집중할 수 있다. 이러한 PoPW 네트워크는 모델 학습을 위한 고유한 데이터셋을 수집할 수도 있다. Together 및 Bittensor와 같은 일부 프로젝트들이 이 방향으로 나아가고 있다.

AI 에이전트를 위한 결제 및 실행 프레임워크

최근 몇 주간 LLM을 활용해 특정 목표 달성을 위한 작업을 추론하고 실행하는 AI 에이전트의 부상이 두드러졌다. AI 에이전트 열풍은 BabyAGI에서 시작되어 AutoGPT 등 고급 버전으로 빠르게 확산되었다. 여기서 중요한 전망은 AI 에이전트들이 특정 작업에서 뛰어난 성능을 발휘하도록 더욱 전문화될 것이라는 점이다. 전문화된 AI 에이전트 시장이 존재한다면, AI 에이전트는 특정 작업을 수행할 다른 AI 에이전트를 검색하고 고용하며 지불함으로써 주 목적을 달성할 수 있다. 이 과정에서 Web3 네트워크는 AI 에이전트에게 이상적인 환경을 제공한다. 결제를 위해 AI 에이전트는 암호화폐 지갑을 갖춰 수입을 받고 다른 AI 에이전트에게 지불할 수 있다. 또한 AI 에이전트는 무허가 방식으로 자원을 위임하기 위해 암호화 네트워크에 연결될 수 있다. 예를 들어 데이터 저장이 필요하면, AI 에이전트는 Filecoin 지갑을 생성하고 IPFS 기반의 탈중앙화 스토리지 비용을 지불할 수 있다. Akash와 같은 탈중앙화 컴퓨팅 네트워크로부터 컴퓨팅 자원을 위임받아 특정 작업을 수행하거나 자체 실행 능력을 확장할 수도 있다.

AI의 프라이버시 침해 방지

효율적인 ML 모델 학습에는 방대한 데이터가 필요하므로, 공개 데이터라면 어떤 것이든 모델에 포함되어 개인 행동 예측에 사용될 가능성이 있다. 또한 은행 및 금융기관은 고객의 재무 정보를 기반으로 학습된 ML 모델을 구축해 고객의 미래 재무 행동을 예측할 수 있다. 이는 프라이버시에 대한 중대한 침해일 수 있다. 이러한 위협을 완화하는 유일한 방법은 금융 거래의 프라이버시가 기본적으로 보호되는 것이다. Web3에서는 zCash 또는 Aztec과 같은 프라이버시 보호 결제 블록체인과 Penumbra, Aleo와 같은 프라이빗 DeFi 프로토콜을 통해 이를 실현할 수 있다.

AI가 지원하는 Web3 사례

체인상 게임

1. 비프로그래머 게이머를 위한 로봇 생성

Dark Forest와 같은 체인상 게임은 플레이어가 필요한 게임 작업을 수행하는 로봇을 개발하고 배포함으로써 이점을 얻는 독특한 패러다임을 창출했다. 그러나 이 패러다임은 코딩 능력이 없는 게이머를 배제할 수 있다. 하지만 LLM은 이를 바꿀 수 있다. LLM은 체인상 게임의 로직을 이해하도록 파인튜닝되어, 플레이어가 코드 작성 없이 자신의 전략을 반영하는 로봇을 만들 수 있게 한다. Primodium과 AI Arena 같은 프로젝트는 게임에 인간과 AI 플레이어를 모두 유치하기 위해 노력하고 있다.

2. 로봇 전투, 베팅 및 도박

체인상 게임의 또 다른 가능성은 완전히 자율적인 AI 플레이어다. 이 경우 플레이어는 LLM을 백엔드로 사용하고 인터넷 접속과 초기 암호화폐 자금 등을 포함한 외부 자원에 접근할 수 있는 AutoGPT와 같은 AI 에이전트다. 이러한 AI 플레이어는 로봇 대전 형식으로 베팅할 수 있으며, 이는 결과에 대한 투기 및 베팅 시장을 열 수 있다.

3. 체인상 게임을 위한 사실적인 NPC 생성

현재 게임들은 비플레이어 캐릭터(NPC)에 거의 주목하지 않는다. NPC의 행동은 제한적이며 게임 진행에 거의 영향을 주지 않는다. AI와 Web3의 시너지를 고려하면 예측 불가능성을 깨뜨리고 게임을 더욱 흥미롭게 만드는 몰입감 있는 AI 제어 NPC를 만들 수 있다. 여기서 발생할 수 있는 도전 과제는 NPC 활동 관련 TPS를 최소화하면서 의미 있는 NPC를 도입하는 방법이다. NPC 활동의 TPS 요구량이 너무 높으면 네트워크 혼잡과 실제 플레이어의 사용자 경험 저하를 초래할 수 있다.

탈중앙화 소셜미디어

현재 탈중앙화 소셜 플랫폼의 주요 도전 과제 중 하나는 기존 중심화 플랫폼에 비해 독특한 사용자 경험을 제공하지 못한다는 점이다. AI와의 원활한 통합은 Web 2 대안에서는 찾을 수 없는 독특한 경험을 제공할 수 있다. 예를 들어 AI 관리 계정은 관련 콘텐츠 공유, 게시물 댓글 달기, 토론 참여 등을 통해 새 사용자의 네트워크 가입을 유도할 수 있다. AI 계정은 뉴스 집계에도 활용되어 사용자 관심사와 일치하는 최신 트렌드를 요약할 수 있다.

탈중앙화 프로토콜의 보안 및 경제 설계 테스트

LLM 기반 AI 에이전트는 목표를 커스터마이징하고 코드를 생성하며 이를 실행함으로써 탈중앙화 네트워크의 보안성과 경제적 타당성을 실제적으로 테스트할 수 있는 기회를 제공한다. 이 경우 AI 에이전트는 프로토콜의 보안 또는 경제 균형을 점검하도록 지시받는다. AI 에이전트는 프로토콜 문서 및 스마트계약을 검토하고 취약점을 식별할 수 있다. 이후 AI 에이전트는 수익을 극대화하기 위해 프로토콜 공격 메커니즘을 독립적으로 실행할 수 있다. 이 방법은 프로토콜이 출시 후 직면할 수 있는 실제 환경을 시뮬레이션한다. 이러한 테스트 결과를 바탕으로 프로토콜 설계자는 설계를 검토하고 취약점을 수정할 수 있다. 지금까지는 Gauntlet과 같은 전문 기업만이 이러한 탈중앙화 프로토콜 서비스에 필요한 기술 역량을 제공했으나, Solidity, DeFi 메커니즘 및 과거 개발 메커니즘 교육을 받은 LLM은 유사한 기능을 제공할 수 있을 것으로 기대된다.

데이터 인덱싱 및 지표 추출을 위한 LLM

블록체인 데이터는 공개적이지만, 이를 인덱싱하고 유용한 통찰을 추출하는 것은 여전히 지속적인 도전 과제다. 이 분야의 일부 참가자(CoinMetrics 등)는 데이터 인덱싱과 복잡한 지표 구축에 집중해 판매하고 있으며, Dune와 같은 다른 참가자들은 원시 트랜잭션의 주요 구성 요소를 인덱싱하고 커뮤니티 기여를 통해 지표 생성을 공동 작업화하고 있다. 최근 LLM의 발전을 고려할 때 데이터 인덱싱 및 지표 추출 분야가 근본적으로 변화할 가능성이 명확해졌다. Dune은 이러한 위협을 인지하고 SQL 쿼리 설명, NLP 기반 쿼리 가능성 등을 포함한 LLM 로드맵을 공개했다. 그러나 우리는 LLM의 영향이 더 깊이 있을 것으로 예측한다. 가능성 중 하나는 LLM 기반으로 특정 지표를 위해 데이터를 인덱싱하고 블록체인 노드와 직접 상호작용하는 것이다. Dune Ninja와 같은 스타트업은 이미 데이터 인덱싱을 위한 혁신적인 LLM 애플리케이션을 탐색하고 있다.

새로운 생태계로의 개발자 유도

다양한 블록체인이 경쟁하며 개발자들에게 자사 생태계에서 애플리케이션 구축을 유도하고 있다. Web3 개발자의 활동 수준은 특정 생태계 성공의 중요한 지표 중 하나다. 개발자들에게 있어 주요 고통점은 새로운 생태계를 학습하고 구축할 때 제때 지원과 지침을 받지 못하는 것이다. 일부 생태계는 탐색 중인 개발자를 지원하기 위해 수백만 달러를 투자해 전담 Dev Rel 팀을 설립했다. 이 분야에서新兴 LLM은 복잡한 코드 설명, 오류 포착, 문서 작성 등의 놀라운 성과를 보여주고 있다. 파인튜닝된 LLM은 인간 경험과 보완적으로 작용해 Dev Rel 팀의 효율성을 크게 향상시킬 수 있다. 예를 들어 LLM은 문서, 튜토리얼 작성, 일반 질문 답변뿐 아니라 샘플 코드 제공이나 유닛 테스트 생성을 통해 해커톤 참가 개발자들을 지원할 수 있다.

DeFi 프로토콜 개선

AI를 DeFi 프로토콜 로직에 통합하면 많은 DeFi 프로토콜의 성능을 크게 향상시킬 수 있다. 지금까지 DeFi에 AI를 통합하는 주요 병목은 체인상에서 AI를 구현하는 비용이 너무 높다는 것이었다. AI 모델은 오프체인에서 구현할 수 있지만, 이전에는 모델 실행을 검증할 방법이 없었다. 그러나 Modulus 및 ChainML과 같은 프로젝트를 통해 오프체인 실행 검증이 가능해지고 있다. 이러한 프로젝트는 오프체인에서 ML 모델을 실행하면서도 체인상 비용 확장을 제한한다. Modulus의 경우 체인상 비용은 모델 ZKP 검증에 국한되며, ChainML의 경우는 탈중앙화 AI 실행 네트워크에 지불하는 오라클 비용이다.

AI 통합으로 혜택을 볼 수 있는 DeFi 사례들:

AMM 유동성 제공, 즉 Uniswap V3 유동성 범위 업데이트.
체인상 및 체인외 데이터를 활용한 부채 포지션의 청산 보호.
복잡한 DeFi 구조화 상품, 여기서 자금 운용 메커니즘은 고정 전략이 아닌 금융 AI 모델에 의해 정의된다. 이러한 전략에는 AI가 관리하는 거래, 대출, 옵션 등이 포함될 수 있다.
다양한 체인 및 지갑을 고려하는 체인상 신용 평가 메커니즘.