NEAR은 어떻게 AI의 순풍을 타고 성장할 수 있을까?
글: Haotian
최근 NEAR 창시자인 Illia Polosukhin이 엔비디아 AI 컨퍼런스에 참석한다는 소식이 알려지면서 NEAR 블록체인이 큰 주목을 받았고, 시장 가격 흐름도 긍정적인 모습을 보였다. 많은 사람들이 궁금해하는 점은, NEAR 체인이 '체인 추상화(chain abstraction)'에 집중하고 있는 것으로 알려졌는데, 왜 갑자기 AI 분야의 선두 블록체인으로 부상했는가 하는 것이다.
다음은 필자의 관찰과 함께 AI 모델 학습에 대한 기초 지식을 간단히 소개한다.
1) NEAR 창립자 Illia Polosukhin은 오랜 기간 AI 분야에서 활동한 이력이 있으며, 트랜스포머(Transformer) 아키텍처 공동 설계자 중 한 명이다. 트랜스포머 아키텍처는 현재 ChatGPT와 같은 대규모 언어 모델(LLMs)의 기반이 되는 구조로, NEAR 설립 이전부터 그가 실제로 AI 대규모 모델 시스템의 개발 및 리더십 경험을 보유했다는 것을 입증한다.
2) NEAR는 NEARCON 2023에서 NEAR Tasks를 발표했는데, 이는 인공지능 모델의 학습과 개선을 목적으로 한다. 간단히 말하면, 모델 학습 수요자가(Vendor) 플랫폼에 작업 요청을 게시하고 기본 데이터를 업로드하면, 사용자(Tasker)가 해당 작업에 참여해 텍스트 라벨링이나 이미지 인식 등의 수작업을 수행할 수 있다. 작업 완료 후 플랫폼은 사용자에게 NEAR 토큰을 보상으로 제공하며, 이렇게 수작업으로 라벨링된 데이터는 이후 AI 모델 학습에 활용된다.
예를 들어, AI 모델이 이미지 내 물체 인식 능력을 향상시키려 할 때, Vendor는 다양한 물체가 포함된 원본 이미지를 Tasks 플랫폼에 대량 업로드할 수 있다. 사용자는 이미지 내 물체 위치를 수동으로 표시함으로써 다수의 "이미지 - 물체 위치" 데이터를 생성하게 되며, AI는 이를 통해 스스로 학습하여 이미지 인식 능력을 높일 수 있다.
겉보기에 NEAR Tasks는 단순히 AI 모델에 기반 서비스를 제공하기 위해 사람들의 노동을 사회화하려는 것처럼 들릴 수 있다. 정말 그렇게 중요한가? 여기서 AI 모델에 대한 추가 설명을 덧붙이고자 한다.
일반적으로 AI 모델의 전체 학습 과정은 데이터 수집, 데이터 전처리 및 라벨링, 모델 설계 및 학습, 모델 최적화, 파인튜닝(fine-tuning), 검증 및 테스트, 배포, 모니터링 및 업데이트 등으로 구성된다. 이 중 데이터 라벨링과 전처리는 인간이 수행하는 부분이며, 모델 학습과 최적화는 기계가 담당한다.
대부분의 사람은 기계가 수행하는 부분이 더 중요하고 고도의 기술을 요구한다고 생각하지만, 실제로는 인간의 라벨링 작업이 전체 모델 학습 과정에서 매우 핵심적인 역할을 한다.
인간의 라벨링은 이미지 속 객체(사람, 장소, 사물 등)에 태그를 붙여 컴퓨터의 시각 모델 학습을 향상시키는 데 기여한다. 음성 내용을 텍스트로 변환하고 특정 음절, 단어, 문구 등을 라벨링하여 음성 인식 모델 학습에도 도움을 준다. 또한 텍스트에 행복, 슬픔, 분노 등의 감정 태그를 추가함으로써 AI의 감정 분석 능력을 강화할 수도 있다.
이처럼 인간의 라벨링은 기계가 딥러닝 모델을 수행하는 기반이 된다. 고품질의 라벨링 데이터 없이는 모델이 효율적으로 학습할 수 없으며, 라벨링 데이터의 양이 충분하지 않으면 모델 성능이 제한될 수밖에 없다.
현재 AI 스타트업 분야에서는 ChatGPT와 같은 대규모 모델을 기반으로 파인튜닝하거나 특화된 분야에서 추가 학습을 진행하는 방향이 많다. 본질적으로 OpenAI의 데이터를 기반으로 하되, 새로운 데이터 소스, 특히 인간이 라벨링한 데이터를 추가해 모델 학습을 수행하는 것이다.
예를 들어, 의료 회사가 의료 영상 AI를 기반으로 모델을 학습해 병원에 온라인 AI 진료 서비스를 제공하고자 한다면, 대량의 원본 의료 영상 데이터를 Task 플랫폼에 업로드한 후 사용자들에게 라벨링 작업을 완료하게 하면 된다. 이렇게 확보한 인간 라벨링 데이터를 ChatGPT 대규모 모델에 적용해 파인튜닝 및 최적화하면, 일반적인 AI 도구를 특정 전문 분야의 전문가로 전환할 수 있다.
그러나 NEAR가 단순히 Tasks 플랫폼만으로 AI 블록체인의 선두주자가 되기는 어렵다. NEAR는 실제로 생태계 내에서 AI 에이전트(AI Agent) 서비스도 제공하고 있는데, 이는 사용자의 모든 체인 상 거래 및 작업을 자동으로 실행할 수 있게 해준다. 사용자는 권한을 부여하기만 하면 시장에서 자산을 자유롭게 매매할 수 있다. 이는 일종의 인텐트 중심(Intent-centric) 접근 방식으로, AI 자동화를 통해 사용자의 체인 상 상호작용 경험을 향상시키는 것이다. 또한 NEAR의 강력한 DA(데이터 가용성) 능력은 AI 모델 학습 데이터의 추적 가능성에서 중요한 역할을 할 수 있으며, AI 모델 학습 데이터의 유효성과 진위 여부를 확인할 수 있다.
결론적으로, 뛰어난 성능의 블록체인 기능을 기반으로 NEAR가 AI 분야로 기술 확장 및 서사 구축을 진행하고 있다는 점은, 순수한 체인 추상화보다 훨씬 더 강력한 잠재력을 보여준다.
약 2주 전, 내가 NEAR의 체인 추상화를 분석할 당시 이미 NEAR 체인의 성능과 팀의 웹2 리소스 통합 능력이라는 강점을 눈여겨봤다. 그런데 체인 추상화가 본격적으로 확산되기 전에, 이번 AI 연계가 또 한 번 상상력을 크게 확장시켰다.
Note: 장기적으로 지켜봐야 할 것은 여전히 NEAR의 '체인 추상화' 관련 전략과 제품 추진 상황이지만, AI는 분명히 좋은 부가 요소이자 불장 촉매제가 될 수 있다!
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
Haotian | CryptoInsight
