생성형 AI의 병목과 Web3의 기회: ChatGPT 1주년을 맞아
TL;DR:
-
생성형 AI의 상업적 활용은 2022년 전 세계적으로 유행했으나, 신선도가 사라진 후 현재 직면한 여러 문제들이 드러나고 있다. 반면 점점 성숙해지는 Web3 분야는 블록체인의 완전한 투명성, 검증 가능성, 탈중앙화 특성을 통해 생성형 AI의 문제를 해결할 수 있는 새로운 접근법을 제공한다.
-
생성형 AI는 최근 등장한 기술로, 딥러닝 기반의 신경망 프레임워크를 활용하며 이미지 생성에 쓰이는 확산 모델과 ChatGPT에 사용되는 대규모 언어 모델은 모두 큰 상용화 가능성을 보여주고 있다.
-
Web3에서 생성형 AI를 구현하는 아키텍처는 인프라, 모델, 애플리케이션 및 데이터로 구성되며, 특히 데이터 부분은 Web3와 결합할 때 매우 중요하며 막대한 발전 가능성을 지닌다. 체인 상 데이터 모델, AI 에이전트 프로젝트, 수직 영역 애플리케이션은 미래 핵심 성장 방향으로 부상할 잠재력을 갖추고 있다.
-
현재 시장에서 주목받는 Web3 내 AI 분야의 주요 프로젝트들은 여전히 기본적인 요소가 부족하고 토큰 가치 포착 능력이 약하다는 특징을 보이고 있으며, 앞으로는 새로운 관심 또는 토큰 경제 구조 개편에 기대를 걸고 있다.
-
생성형 AI는 Web3 분야에서 거대한 잠재력을 지니며, 향후 다양한 소프트웨어 및 하드웨어 기술과의 융합을 통해 새로운 스토리텔링 기회가 기대된다.
1. 왜 생성형 AI와 Web3는 서로 필요할까?
2022년은 생성형 AI(Artificial Intelligence)가 전 세계적으로 폭발적으로 확산된 해라고 할 수 있다. 그 이전까지 생성형 AI는 전문가들의 보조 도구에 머물렀지만, DALL-E 2, Stable Diffusion, Imagen, Midjourney 등의 연이은 출시 이후 인공지능 생성 콘텐츠(AIGC, AI-Generated Content)는 최신 기술로서 소셜미디어에서 큰 열풍을 일으켰다. 그리고 바로 다음해 등장한 ChatGPT는 마치 핵폭탄과도 같았으며, 이 흐름을 정점으로 몰아올렸다. 단순한 텍스트 명령(즉 prompt)만으로 거의 모든 질문에 답변할 수 있는 최초의 AI 도구인 ChatGPT는 이미 많은 사람들의 일상 업무 조력자로 자리잡았다. 문서 작성, 과제 지도, 이메일 보조, 논문 수정, 심지어 감정 코칭까지 다양한 일상 작업을 수행할 수 있으며, 온라인 커뮤니티에서는 ChatGPT의 출력 결과를 최적화하기 위한 다양한 '비밀 prompt' 연구가 한창이다. 사람들은 처음으로 인공지능의 '지능'을 실감하게 되었다. 골드만삭스의 매크로 팀 보고서에 따르면 생성형 AI는 미국 노동 생산성 증가의 추진력이 될 수 있으며, 향후 10년간 글로벌 GDP를 약 7% (또는 약 7조 달러) 증가시키고 생산성 성장률을 1.5%p 향상시킬 수 있다고 한다.
Web3 분야도 AIGC의 바람을 느꼈으며, 2023년 1월 AI 관련 섹터 전체가 급등했다; 출처: https://www.coingecko.com/
하지만 초기의 신선함이 서서히 사라진 이후, ChatGPT의 글로벌 트래픽은 출시 이후 처음으로 2023년 6월 감소세를 보였다(SimilarWeb 자료). 이제 생성형 AI가 가져온 의미와 그 한계를 다시 한번 생각해볼 시점이다. 현재까지의 상황을 보면 생성형 AI가 직면한 어려움은 다음과 같다. 첫째, 소셜미디어에는 무단으로 생성되고 출처를 알 수 없는 AIGC 콘텐츠가 넘쳐난다. 둘째, ChatGPT의 높은 유지비용은 OpenAI조차도 생성 품질을 낮춰 비용 절감을 추구해야 하는 상황으로 몰아갔다. 마지막으로, 세계적인 규모의 대규모 모델조차 특정 분야에서 편향된 결과를 생성한다는 문제가 여전히 존재한다.
ChatGPT 글로벌 데스크톱 및 모바일 트래픽; 출처: Similarweb
그러나 점점 성숙기에 접어드는 Web3는 탈중앙화, 완전한 투명성, 검증 가능성이라는 특성을 통해 생성형 AI의 현재 난관을 해결할 수 있는 새로운 접근법을 제공한다.
1. Web3의 완전한 투명성과 추적 가능성은 생성형 AI가 초래하는 데이터 저작권 및 개인정보 문제를 해결할 수 있다. 이러한 특성 덕분에 콘텐츠의 출처와 진위 여부를 효과적으로 검증할 수 있으며, AI가 가짜 정보나 권리 침해 콘텐츠를 생성하는 비용을 크게 높일 수 있다. 예를 들어 저작권이 혼란스러운 믹싱 동영상이나 타인의 개인정보를 침해하는 DeepFake 영상 등이 이에 해당한다. 또한 스마트 계약은 콘텐츠 관리에 적용되어 저작권 문제를 해결하고 창작자가 자신의 작품을 통해 더 공정한 보상을 받을 수 있도록 할 수 있다.
DeepFake 영상: 이것은 모건 프리먼이 아니다; 출처: Youtube
2. Web3의 탈중앙화 특성은 AI 컴퓨팅 파워의 중앙집중화 위험을 줄일 수 있다. 생성형 AI 개발에는 막대한 컴퓨팅 리소스가 필요하다. GPT-3 기반의 ChatGPT를 한 번 훈련시키는 데 드는 비용은 최소 200만 달러 이상이며, 매일 전기 요금만 약 4.7만 달러가 소요된다. 이 수치는 기술과 규모가 발전함에 따라 지수적으로 증가할 것이다. 현재 컴퓨팅 리소스는 여전히 대기업들 중심으로 집중되어 있어 개발, 유지, 운영 비용이 엄청나며, 중앙집중화 위험도 존재하여 소규모 회사들이 경쟁하기 어렵게 만든다. 단기적으로는 대규모 모델 훈련이 여전히 중앙화된 환경에서 이루어져야 할 수도 있지만, Web3에서는 블록체인 기술을 통해 분산형 모델 추론, 커뮤니티 투표 거버넌스, 모델의 토큰화 등을 가능하게 할 수 있다. 기존의 탈중앙화 거래소를 성공 사례로 삼아, 커뮤니티가 주도하는 탈중앙화된 AI 대규모 모델 추론 시스템을 설계할 수 있다. 여기서 대규모 모델의 소유권은 커뮤니티가 가지며, 거버넌스 역시 커뮤니티가 담당한다.
최신 H100으로 GPT-3을 훈련하더라도 FLOPs당 비용은 여전히 높다; 출처: substake.com
3. Web3의 특성을 활용하면 AI 데이터셋의 다양성과 AI 모델의 설명 가능성을 개선할 수 있다. 전통적인 데이터 수집 방식은 공개 데이터셋이나 모델 제작자가 자체적으로 수집하는 데 의존하며, 종종 지역과 문화적 제약을 받는다. 이는 AIGC 프로그램이 생성하는 콘텐츠나 ChatGPT가 생성하는 답변에 특정 집단의 주관적 편견을 포함하게 만들 수 있다. 예를 들어 특정 작업에서 인물의 피부색을 변경하는 경우가 있다. 그러나 Web3의 토큰 인센티브 모델을 통해 데이터 수집 방식을 개선하고, 전 세계 각지에서 데이터를 수집하여 가중치를 부여할 수 있다. 동시에 Web3의 투명성과 추적 가능성은 모델의 설명 가능성을 더욱 높여 다양한 배경을 가진 출력을 장려함으로써 모델을 풍부하게 할 수 있다.
해상도를 높이려는 AI가 오바마를 백인으로 바꿔버림; 출처: Twitter
4. Web3의 방대한 체인 상 데이터를 활용해 고유한 AI 모델을 훈련시킬 수 있다. 현재 AI 모델의 설계 및 훈련 방법은 일반적으로 목표 데이터 구조(텍스트, 음성, 이미지 또는 비디오)에 맞춰 구성된다. Web3와 AI의 결합에서 독특한 미래 방향은 자연어 대규모 모델의 구축 및 훈련 방법을 참고하여 Web3 체인 상 데이터의 고유한 데이터 구조를 이용해 체인 상 데이터 대규모 모델을 구축하는 것이다. 이를 통해 사용자에게 다른 데이터 분석으로는 접근할 수 없는 독특한 시각(스마트머니 추적, 프로젝트 자금 흐름 등)을 제공할 수 있으며, 수동의 체인 상 분석보다 AI는 대량 데이터를 병렬 처리할 수 있는 장점이 있다.
자동화된 체인 상 분석으로 체인 상 정보를 모니터링하여 실시간 정보 획득 가능; 출처: nansen.ai
5. 생성형 AI는 사람들이 Web3 세계에 참여하는 데 있어 장벽을 낮추는 강력한 도구가 될 수 있다. 현재 Web3 프로젝트의 주류 참여 방식은 참가자가 다양한 복잡한 체인 상 개념과 지갑 조작 로직에 대해 상당한 이해를 요구하며, 이는 사용자의 학습 비용과 실수 위험을 크게 증가시킨다. 반면 Web2의 유사한 애플리케이션은 오랫동안 제품 설계 원칙인 "게으른 사용자 원칙(lazy principle)"을 실행해 왔으며, 사용자가 쉽고 안전하게 시작할 수 있게 했다. 생성형 AI는 intent-centric 프로젝트를 지원하여 Web3 내에서 사용자와 프로토콜 사이의 "스마트 어시스턴트" 역할을 함으로써 Web3 제품의 사용자 경험을 크게 향상시킬 수 있다.
6. Web3는 또 막대한 콘텐츠 수요를 창출하며, 생성형 AI는 이 수요를 충족시키는 핵심 수단이 된다. 생성형 AI는 Web3를 위해 방대한 양의 기사, 이미지, 오디오, 비디오 콘텐츠를 생성할 수 있으며, NFT 마켓플레이스부터 스마트 계약 문서에 이르기까지 다양한 분산형 애플리케이션의 발전을 촉진할 수 있다.
생성형 AI와 Web3는 각각 도전 과제를 안고 있지만, 서로를 필요로 하고 시너지를 낼 수 있는 잠재력이 있어 디지털 세계의 미래를 형성할 것으로 기대된다. 이러한 협력은 콘텐츠 제작의 질과 신뢰성을 높이고 디지털 생태계의 추가적인 발전을 촉진하며, 사용자에게 더 가치 있는 디지털 경험을 제공할 것이다. 생성형 AI와 Web3의 공동 진화는 디지털 시대에 흥미진진한 새 장을 열어줄 것이다.
2. 생성형 AI 기술 요약
2.1 생성형 AI의 기술 배경
AI라는 개념이 20세기 50년대에 처음 제안된 이래 여러 차례의 상승과 침체기를 겪었으며, 매번 핵심 기술의 혁신이 새로운 물결을 불러왔다. 이번 생성형 AI도 예외가 아니다. 생성형 AI는 지난 10년간 등장한 새로운 개념으로, 최근의 기술과 제품 성과로 인해 AI의 다양한 연구 분야 중에서도 두각을 나타내며 단숨에 전 세계의 주목을 받게 되었다. 생성형 AI의 기술 구조에 더 깊이 들어가기 전에, 본문에서 논의하는 생성형 AI의 구체적인 의미를 먼저 설명하고, 최근 돌풍을 일으킨 생성형 AI의 핵심 기술 구성 요소를 간략히 살펴보자.
생성형 인공지능은 대화, 이야기, 이미지, 동영상, 음악 등 새로운 콘텐츠와 아이디어를 만들어낼 수 있는 인공지능으로, 대량의 데이터로 훈련된, 수많은 파라미터를 가진 딥러닝 기반의 신경망 프레임워크를 기반으로 한다. 최근 사람들에게 알려진 생성형 AI 제품은 크게 두 가지로 나눌 수 있다. 하나는 텍스트나 스타일 입력을 받아 이미지(동영상)를 생성하는 제품, 다른 하나는 텍스트 입력을 받아 작동하는 ChatGPT 형태의 제품이다. 이 두 가지 제품은 사실상 동일한 핵심 기술을 사용하는데, 바로 Transformer 아키텍처 기반의 사전 훈련 대규모 언어 모델(Large Language Model, LLM)이다. 전자에는 텍스트 입력을 기반으로 고품질의 이미지나 동영상을 생성하는 확산 모델(Diffusion Model)이 추가되었고, 후자에는 인간의 피드백을 통한 강화학습(Reinforcement Learning from Human Feedback, RLHF)이 추가되어 출력 결과가 인간의 논리 수준에 근접하도록 했다.
2.2 현재 생성형 AI의 기술 아키텍처:
많은 우수한 기사들이 다양한 각도에서 생성형 AI가 기존 기술 아키텍처에 미치는 의미를 논의한 바 있다. 예를 들어 A16z의 기사《누가 생성형 AI 플랫폼을 소유하는가?》는 생성형 AI의 현재 기술 아키텍처를 포괄적으로 요약하고 있다.
생성형 AI의 주요 기술 아키텍처; 출처: 누가 생성형 AI 플랫폼을 소유하는가?
이 연구 보고서는 현재 Web2 기반의 생성형 AI 아키텍처를 세 가지 레이어로 나눈다: 인프라(컴퓨팅 파워), 모델, 애플리케이션. 또한 이 세 가지 레이어의 현재 발전 상태에 대한 견해를 제시한다.
인프라 측면에서는 현재 여전히 Web2의 인프라 논리가 중심이지만, Web3와 AI를 결합한 진정한 인프라 프로젝트는 극소수에 불과하다. 동시에 인프라는 현재 가장 많은 가치를 포착하고 있는 분야이기도 하다. Web2의 기술 독점 기업들은 수십 년간 저장 및 컴퓨팅 분야에서 쌓아온 기술력을 바탕으로 현재의 AI 탐색 단계에서 '삽을 파는 사람(sell shovels)' 역할을 하며 상당한 수익을 얻고 있다.
모델의 경우, 본래 AI의 진정한 창조자이자 소유자여야 하지만, 현재 단계에서는 모델 제작자들이 상응하는 상업적 가치를 얻을 수 있는 비즈니스 모델이 거의 없다.
애플리케이션 측면에서는 일부 수직 분야에서 이미 수억 달러 이상의 수입을 올리는 앱들이 있지만, 높은 유지비용과 낮은 사용자 유지율로 인해 장기적인 비즈니스 모델을 뒷받침하기 어렵다.
2.3 생성형 AI와 Web3의 적용 사례
2.3.1 AI를 활용한 Web3의 방대한 데이터 분석
데이터는 향후 AI 발전 분야에서 기술 장벽을 구축하는 핵심이다. 그 중요성을 이해하기 위해 우선 대규모 모델의 성능 원천에 관한 연구를 살펴보자. 이 연구는 AI 대규모 모델이 독특한 '예기치 않은 능력(emergent ability)'을 보여준다고 주장한다. 즉 모델 규모를 계속 늘리다가 일정 임계값을 넘으면 모델 정확도가 갑자기 급증한다는 것이다. 아래 그림에서 각 그래프는 하나의 훈련 과제를 나타내며, 각 선은 하나의 대규모 모델의 성능(정확도)을 나타낸다. 다양한 대규모 모델에서 수행한 실험들은 일관된 결론을 도출한다. 즉 모델 규모가 일정 임계점을 넘은 후에는 다양한 과제에서 성능이 돌파적으로 향상된다는 것이다.
모델 규모와 모델 성능 간의 관계; 출처: Emergent Analogical Reasoning in Large Language Models
간단히 말해, 모델의 양적 변화가 질적 변화를 이끌어낸다. 여기서 모델 규모는 모델 파라미터 수, 훈련 시간, 훈련 데이터 품질과 관련이 있다. 현재 모델 파라미터 수(각 기업마다 정상급 R&D 팀이 설계를 담당), 훈련 시간(컴퓨팅 하드웨어는 대부분 NVIDIA 제품)에서 큰 차이가 나지 않는 상황에서, 경쟁자를 앞서는 제품을 만들기 위한 방법은 두 가지다. 하나는 뛰어난 인사이트와 깊은 이해를 바탕으로 특정 세분시장의 니즈와 고통점을 찾아 킬러 앱을 개발하는 것이지만, 이는 매우 높은 전문성과 통찰력을 요구한다. 다른 하나는 더 현실적이며 실행 가능한 방법으로, 경쟁자보다 더 많고 포괄적인 데이터를 수집하는 것이다.
이러한 배경은 생성형 AI 대규모 모델이 Web3 분야에 진입하는 좋은 출발점이 된다. 기존의 AI 대규모 모델 또는 기반 모델은 각기 다른 분야의 방대한 데이터를 기반으로 훈련되었으며, Web3의 체인 상 데이터의 독특함은 체인 상 데이터 대규모 모델이 기대되는 실행 가능한 경로가 될 수 있음을 의미한다. 현재 Web3의 데이터 계층에는 두 가지 제품 로직이 있다. 첫째는 데이터 제공자에게 인센티브를 제공하여 데이터 소유자의 프라이버시와 소유권을 보호하면서도 사용자 간 데이터 사용권 공유를 장려하는 것이다. Ocean Protocol은 좋은 데이터 공유 모델을 제공한다. 둘째는 프로젝트팀이 데이터와 애플리케이션을 통합하여 특정 과제를 수행하는 서비스를 제공하는 것이다. 예를 들어 Trusta Lab은 사용자의 체인 상 데이터를 수집하고 분석하여 독자적인 MEDIA score 평가 시스템을 통해 시바 계정 분석, 체인 상 자산 리스크 분석 등의 서비스를 제공한다.
2.3.2 Web3의 AI 에이전트 애플리케이션
앞서 언급한 체인 상 AI 에이전트 애플리케이션도 인기다. 대규모 언어 모델의 도움을 받아 사용자 프라이버시를 보장하면서도 정량화 가능한 체인 상 서비스를 제공한다. OpenAI의 인공지능 연구 책임자인 Lilian Weng의 블로그 포스트에 따르면 AI 에이전트는 네 가지 구성 요소로 나뉜다: Agent = LLM + Planning + Memory + Tool use. LLM은 AI 에이전트의 핵심으로, 외부와의 상호작용을 담당하며 방대한 데이터를 학습하고 자연어로 논리적인 표현을 한다. Planning + Memory 부분은 AlphaGo의 강화학습 기술에서 action, policy, reward 개념과 유사하다. 과제 목표를 여러 소목표로 분해하고, 여러 번의 반복 훈련 결과와 피드백을 통해 특정 과제의 최적 해법을 학습하며, 얻은 정보를 다양한 용도에 따라 다른 유형의 메모리에 저장한다. Tool use는 모듈화된 도구 호출, 인터넷 정보 검색, 전용 정보 소스 또는 API 연결 등의 도구 사용을 의미하며, 이 정보들은 대부분 사전 훈련 후에는 변경하기 어렵다는 점에 주목해야 한다.
AI 에이전트 전체 개요도; 출처: LLM Powered Autonomous Agents
AI 에이전트의 구체적인 구현 로직을 바탕으로 Web3 + AI 에이전트 조합이 무한한 상상 공간을 제공할 수 있을 것이라고 기대할 수 있다. 예를 들어:
-
현재의 거래 애플리케이션에 AI 에이전트 모델을 도입하여 고객에게 자연어 수준의 인터페이스를 제공하고, 가격 예측, 체결 전략, 손절 전략, 레버리지 동적 조정, KOL 스마트 팔로우 트레이딩, 대출 등 다양한 거래 기능을 제공할 수 있다.
-
양적 전략을 실행할 때 전략을 더 작은 하위 과제로 분해하여 서로 다른 AI 에이전트들에게 분배하고, 여러 AI 에이전트들이 협력하게 할 수 있다. 이렇게 하면 프라이버시 보호의 보안성을 높일 수 있을 뿐 아니라, 실시간으로 모니터링하여 상대방이 취약점을 이용해 로봇을 공격하는 것을 방지할 수 있다.
-
체인 게임 내 다수의 NPC는 AI 에이전트와 천연적으로 잘 맞는 적용 분야다. 현재 이미 GPT를 동적으로 생성하는 게임 캐릭터 대화 콘텐츠에 적용한 프로젝트가 있으며, 미래에는 사전 설정된 텍스트에 국한되지 않고 더욱 실제적인 실시간 게임 NPC(심지어 디지털 휴먼)와의 상호작용으로 진화할 수 있다. 사용자 개입 없이 스스로 상호작용할 수 있게 된다. 스탠포드 대학에서 발표한 '가상 마을'이 탁월한 적용 사례다.
현재 Web3 + AI 에이전트 프로젝트는 여전히 1차 시장 또는 AI 인프라 측에 집중되어 있으며, To C 킬러 앱은 아직 등장하지 않았다. 그러나 블록체인의 분산형 체인 상 거버넌스, 제로노우ledge 증명 추론, 모델 배포, 설명 가능성 향상 등 다양한 특성을 결합한다면, 게임 룰을 바꾸는 Web3 + AI 프로젝트가 등장할 것으로 기대된다.
2.3.3 Web3 + AI의 잠재적 수직 분야 적용
A. 교육 분야 적용
Web3와 AI의 결합에서 교육 분야는 변혁을 맞이하고 있으며, 생성형 가상현실 수업은 주목할 만한 혁신 중 하나다. AI 기술을 온라인 학습 플랫폼에 통합함으로써 학생들은 개인화된 학습 경험을 얻을 수 있고, 시스템은 학생의 학습 이력과 관심사에 따라 맞춤형 교육 콘텐츠를 생성한다. 이러한 개인화 접근법은 학생들의 학습 동기와 효과를 높이고, 교육을 개인의 요구에 더욱 가깝게 만들 수 있다.
학생들이 몰입형 VR 기기를 통해 가상현실 수업에 참여; 출처: V-SENSE Team
또한 토큰 모델 학점 인센티브는 교육 분야의 또 다른 혁신적 실천이다. 블록체인 기술을 통해 학생의 학점과 성취를 토큰으로 인코딩하여 디지털 학점 체계를 형성할 수 있다. 이러한 인센티브 메커니즘은 학생들이 학습 활동에 적극적으로 참여하도록 유도하며, 보다 참여도 높고 동기부여가 되는 학습 환경을 조성한다.
최근 인기 있는 SocialFi 프로젝트 FriendTech에서 영감을 받아, 유사한 ID 바인딩 키 가격 책정 로직을 이용해 동료 간 평가 시스템을 구축할 수 있으며, 이는 교육에 더 많은 소셜 요소를 도입한다. 블록체인의 위변조 불가능성을 활용하면 동료 간 평가가 더욱 공정하고 투명해진다. 이러한 상호 평가 메커니즘은 학생들의 팀워크 능력과 사회성을 키우는 데 도움이 될 뿐 아니라, 학생들의 행동을 더 포괄적이고 다각도로 평가할 수 있도록 하여 교육 체계에 더 많은 다양성과 종합적인 평가 방식을 도입할 수 있다.
B. 의료 분야 적용
의료 분야에서 Web3와 AI의 결합은 연합 학습(Federated Learning)과 분산 추론의 발전을 촉진한다. 분산 컴퓨팅과 머신러닝을 결합함으로써 의료 전문가들은 광범위한
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
@gryphsisacademy
