AI와 Web3의 포지셔닝 기회: 투자자의 관점에서 본 전망과 기회(하)
글: 라오바이, ABCDE 리서치 파트너
지난 기사에서 필자는 Web3+AI의 6가지 모델 중 '봇/에이전트/어시스턴트 자산화'에 대해 설명했다. 본 기사에서는 나머지 다섯 가지 모델을 소개한다. 이들은 각각 컴퓨팅 파워 플랫폼, 데이터 플랫폼, 생성형 AI, DeFi 거래/감사/수익/리스크 관리, ZKML이다.
컴퓨팅 파워 플랫폼
모델 자산화 분야만큼 많은 프로젝트가 있거나 경쟁이 치열하지는 않지만, 개념적으로 이해하기는 상대적으로 더 쉽다. 모두가 알고 있듯이 AI는 막대한 컴퓨팅 파워를 필요로 하며, BTC와 ETH는 지난 10여 년간 세계에 다음과 같은 방법이 존재함을 증명해 왔다. 즉, 경제적 인센티브와 게임 이론 하에서 자발적이고 탈중앙화된 방식으로 대규모 컴퓨팅 파워를 조직해 협력과 경쟁을 통해 하나의 목표를 달성하는 것이다. 이제 이러한 방법을 AI 분야에 적용할 수 있다.
업계에서 가장 유명한 두 개의 프로젝트는 단연 Together와 Gensyn이다. Together는 시드 라운드에서 천만 달러 규모의 투자를 유치했으며, Gensyn은 A 라운드에서 4300만 달러를 조달했다. 이들이 이렇게 많은 자금을 조달하는 이유는, 우선 자체 모델을 학습시키기 위한 자금과 컴퓨팅 파워가 필요하고, 이후 이를 다른 AI 프로젝트들이 학습에 사용할 수 있도록 컴퓨팅 파워 플랫폼으로 제공하려는 목적 때문이다.
반면 추론(inference)용 컴퓨팅 파워 플랫폼의 경우, 자금 조달 규모가 비교적 작다. 기본적으로 유휴 GPU 등의 컴퓨팅 자원을 모아 필요한 AI 프로젝트에 추론 용도로 제공하는 것이기 때문이다. RNDR는 렌더링 컴퓨팅 파워를 집약하는 플랫폼이며, 유사한 방식으로 추론용 컴퓨팅 파워를 집약하는 플랫폼들도 존재한다. 그러나 현재로서는 기술적 진입 장벽이 명확하지 않아, 언젠가 RNDR이나 Web3 클라우드 컴퓨팅 플랫폼이 추론용 파워 플랫폼 영역으로 자연스럽게 진출할 가능성도 있다고 생각된다.
모델 자산화에 비해 컴퓨팅 파워 플랫폼은 보다 구체적이고 예측 가능하다. 이 분야에는 확실히 수요가 존재하며, 최소한 한두 개의 선도적인 프로젝트가 등장할 것으로 보인다. 누가 그 자리에 오를지가 관건인데, 현재까지 불확실한 점은 학습용과 추론용 각각 별도의 리더가 나타날지, 아니면 하나의 선두 기업이 양쪽 모두를 아우를지 여부다.
데이터 플랫폼
이 역시 크게 어렵지 않은 개념이다. AI의 근본 요소는 크게 세 가지로 요약되는데, 바로 알고리즘(모델), 컴퓨팅 파워, 그리고 데이터다.
알고리즘과 컴퓨팅 파워에 '탈중앙화 버전'이 있다면, 데이터 또한 마찬가지일 것이다. 이 분야는 실리콘밸리 액셀러레이터 Y Combinator의 창립자이자 전 CEO인 록키 루 박사(Dr. Lu Qi)가 AI와 Web3 결합 가능성에 대해 논할 때 가장 주목하는 방향이기도 하다.
Web3는 항상 데이터 프라이버시와 소유권을 강조해왔으며, ZK(제로 나이지식) 기술 등을 통해 데이터의 신뢰성과 무결성을 보장한다. 따라서 Web3 기반 체인상 데이터로 훈련된 AI 모델은 Web2의 오프체인 데이터로 훈련된 모델과는 본질적으로 다를 수밖에 없다. 이 맥락은 전체적으로 설득력이 있으며, 현재 업계에서는 Ocean이 이 분야의 대표적인 프로젝트로 꼽히고 있고, 일차 시장에서도 Ocean 기반의 전문 AI 데이터 마켓플레이스를 구축하려는 프로젝트들이 나타나고 있다.
생성형 AI
간단히 말해, AI를 이용해 그림을 그리거나 창작물을 제작하여 NFT 제작, 게임 내 맵 생성, NPC 배경 설정 등 다양한 시나리오에 활용하는 것이다. NFT 제작 쪽은 어려울 수 있는데, AI 생성물은 희소성이 부족하기 때문이다. 반면 GameFi는 가능성이 있어 보이며, 일차 시장에서도 이를 시도하는 팀들이 확인되고 있다.
그런데 최근 Unity(언리얼 엔진과 함께 오랫동안 게임 엔진 시장을 독점해온 기업)가 자체 AI 생성 도구 Sentis와 Muse를 출시했다는 소식을 들었다. 아직 폐쇄 테스트 단계이지만, 내년 정식 출시가 예정되어 있다. 어떻게 보면, Web3 생태계의 게임 AIGC 프로젝트들은 Unity의 등장으로 인해 차원이 다른 타격을 입을 가능성이 있다…….
DeFi 거래/감사/Yield/리스크 관리
이들 분야에도 프로젝트들이 시도되고 있으며, 동질화 현상은 비교적 덜하다.
-
거래 —— 다소 까다로운 부분이다. 만약 어떤 거래 전략이 효과적이라면, 사용자가 늘어날수록 그 전략은 점점 효력을 잃게 된다. 따라서 지속적으로 새로운 전략으로 전환해야 한다. 궁금한 점은 AI 트레이딩 로봇의 미래 승률이 어느 정도일지, 일반 트레이더들과 비교해 어느 수준에 위치할지다.
-
감사 —— 기존에 알려진 일반적인 취약점을 신속하게 검사하는 데는 도움이 될 수 있지만, 처음 보는 새로운 취약점이나 논리적 결함은 여전히 발견하기 어려울 것이다. 이 문제는 AGI(범용 인공지능) 시대가 되어야 해결될 여지가 있다.
-
Yield —— 쉽게 말해 AI 기반의 스마트한 YFI라고 생각하면 된다. 자금을 맡기면 AI가 사용자의 리스크 선호도에 따라 스테이킹, LP 구성, 마이닝 등을 자동으로 수행한다.
-
리스크 관리 —— 독립된 프로젝트로 운영하기보다는, 각 대출 플랫폼이나 기타 DeFi 플랫폼에 플러그인 형태로 서비스를 제공하는 것이 더 현실적이고 설득력 있어 보인다.
ZKML
현재 커뮤니티 내에서 점점 더 주목받는 분야로, 내부의 ZK(제로 나이지식) 기술과 외부의 ML(머신러닝, AI의 한 좁은 범주)이라는 두 가지 최첨단 기술을 접목한 분야다.
이론적으로 ZK와 ML의 결합은 머신러닝에 프라이버시, 무결성, 정확성을 제공할 수 있다. 하지만 구체적인 실제 사례를 꼽으라면, 많은 프로젝트들이 아직 명확히 제시하지 못하고 있다. 일단 인프라부터 구축하고 보자는 심정이다…….
현재 진정한 필수 수요가 있는 분야는 일부 의료 분야의 머신러닝으로, 환자 데이터의 프라이버시 보호가 반드시 필요하다. 반면 체인상 게임의 무결성 확보나 치트 방지 등은 다소牵强(견강부회)처럼 느껴진다.
현재 이 분야에는 Modulus Labs, EZKL, Giza 등 몇몇 주목받는 스타트업들이 있으며, 일차 시장에서 높은 관심을 받고 있다.
어쩔 수 없는 상황이다. 전 세계적으로 ZK를 이해하는 사람이 이미 극소수인데, ZK와 동시에 ML까지 이해하는 인재는 더욱 드물기 때문이다. 따라서 이 분야의 기술적 진입 장벽은 다른 분야에 비해 훨씬 높으며, 동질화도 상대적으로 적다.
마지막으로, ZKML은 대부분 모델 학습(training)보다는 추론(inference)에 초점을 맞추고 있다.
AI + Web3 결합 가능성에 대한 현재까지의 관찰은 여기까지다. 위에서 언급한 6개 분야 외에도 좋은 결합형 프로젝트나 새로운 아이디어가 있다면 언제든지 메시지를 보내주기 바란다.
TechFlow 공식 커뮤니티에 오신 것을 환영합니다
Telegram 구독 그룹:https://t.me/TechFlowDaily
트위터 공식 계정:https://x.com/TechFlowPost
트위터 영어 계정:https://x.com/BlockFlow_News
Lao Bai
