GTC 컨퍼런스 이후에 말하는 이야기, Web3가 AI 컴퓨팅 파워를 구할 수 있을까?
작자: 조야
패션은 순환하는 법, Web3도 마찬가지다.
Near는 다시 한 번 AI 퍼블릭 블록체인으로 부상했으며, 창립자가 트랜스포머(Transformer) 공동 저자라는 정체성 덕분에 NVIDIA의 GTC 컨퍼런스에 참석해 '피혁 재킷의 노파이'(황러쿤)와 생성형 AI의 미래를 논할 수 있었다. 솔라나(Solana)는 io.net, Bittensor, Render Network 등이 모여들며 성공적으로 AI 관련 콘셉트 체인으로 전환했고, 이 밖에도 Akash, GAIMIN, Gensyn 등 GPU 컴퓨팅 분야에서 두각을 나타내는 새로운 강자들이 등장했다.
시선을 좀 더 높여보면, 암호화폐 가격 상승 외에도 몇 가지 흥미로운 사실들을 발견할 수 있다:
-
GPU 컴퓨팅 능력 경쟁이 탈중앙화 플랫폼으로 확산되고 있으며, 컴퓨팅 자원이 많을수록 계산 효과가 강해지고, CPU, 스토리지, GPU가 서로 결합 판매되고 있다;
-
컴퓨팅 패러다임이 클라우드 기반에서 탈중앙화로 전환되는 과정에서, 배경에는 AI 학습 중심에서 추론(inference) 중심으로 수요가 변화하고 있으며, 체인 상 모델은 더 이상 공허한 개념이 아니다;
-
인터넷 아키텍처의 하드웨어 및 소프트웨어 구성과 동작 로직은 근본적인 변화 없이 유지되며, 탈중앙화 컴퓨팅 계층은 주로 인센티브 기반 네트워크 구성 역할을 수행한다.
먼저 개념을 구분하자면, Web3 세계의 클라우드 컴퓨팅은 클라우드 채굴 시대에서 비롯된 것으로, 광산 장비의 해시파워를 묶어서 판매함으로써 사용자가 고가의 채굴 장비를 직접 구입하지 않아도 되게 한다. 그러나 해시파워 업체들은 종종 "초과 판매"를 하곤 한다. 예를 들어 100대의 채굴 장비 해시파워를 혼합하여 105명에게 판매함으로써 초과 수익을 얻는 식이다. 결국 이 용어는 사기와 동의어가 되었다.
본문에서 언급하는 클라우드 컴퓨팅은 GPU 기반 클라우드 서비스 제공업체의 컴퓨팅 자원을 특별히 지칭하며, 여기서 문제는 탈중앙화 컴퓨팅 플랫폼이 클라우드 서비스 제공업체의 앞잡이인지, 아니면 다음 세대 버전 업데이트인지 여부다.
전통적인 클라우드 서비스 제공업체와 블록체인의 결합은 우리가 생각하는 것보다 훨씬 깊다. 공개 블록체인 노드, 개발, 일상적인 저장 공간 등 거의 모두 AWS, 알리바바 클라우드, 화웨이 클라우드를 중심으로 이루어져 실물 하드웨어 구매에 따른 막대한 투자를 피할 수 있지만, 동시에 무시할 수 없는 문제도 발생한다. 극단적인 경우 인터넷 연결을 끊는 것만으로도 공개 블록체인이 다운될 수 있으며, 이는 탈중앙화 정신에 심각하게 위배된다.
반면 탈중앙화 컴퓨팅 플랫폼은 안정적인 네트워크를 유지하기 위해 직접 데이터센터("기계실")를 구축하거나, IO.NET의 에어드랍을 통한 GPU 수량 증대 전략처럼 인센티브 기반 네트워크를 구축한다. 이는 Filecoin이 저장소 제공에 FIL 토큰을 지급하는 방식과 유사하다. 출발점은 실제 사용 수요 충족이 아니라 토큰 파워 강화이며, 대기업, 개인 또는 학술 기관들이 실제로 ML 학습, 추론, 그래픽 렌더링 작업에 이를 활용하는 사례가 극히 드문 점이 바로 그 증거로, 이는 심각한 자원 낭비를 초래한다.
그러나 암호화폐 가격이 급등하고 FOMO 감정이 팽배한 상황에서는 탈중앙화 컴퓨팅이 클라우드 컴퓨팅 사기라는 모든 비난이 사라진다.
두 가지 ☁️ 컴퓨팅, 이름도 운명도 같을까?
추론(Inference)과 FLOPS, GPU 컴퓨팅 능력의 정량화
AI 모델의 컴퓨팅 요구는 학습에서 추론(inference)으로 진화하고 있다.
예를 들어 OpenAI의 Sora를 살펴보자. 이 역시 트랜스포머 기술 기반으로 만들어졌지만, GPT-4의 조 단위 파라미터와 비교하면 학계는 천억 단위 이하라고 추정한다. 얀 레쿤(Yann LeCun)은 오히려 단지 30억이라고 말할 정도로 훨씬 작으며, 즉 학습 비용이 낮다. 이는 당연한 일이며, 파라미터 규모가 작을수록 필요한 컴퓨팅 리소스도 비례적으로 감소하기 때문이다.
반대로 Sora는 더 강력한 "추론(inference)" 능력이 필요할 수 있다. 추론은 특정 명령에 따라 영상을 생성하는 능력으로 이해할 수 있으며, 영상은 오랫동안 창의적 콘텐츠로 간주되어 왔기 때문에 AI의 이해 능력이 더욱 강화되어야 한다. 반면 학습은 비교적 단순하며, 기존 콘텐츠에서 규칙을 요약하는 것으로 볼 수 있고, 컴퓨팅 자원을 무작정 투입하는 '무식한 힘'으로 해결 가능하다.
지난 시기에는 AI 컴퓨팅 자원이 주로 학습에 사용되었으며, 일부만 추론에 사용되었고 대부분 NVIDIA 제품들에 의해 독점되었다. 그러나 Groq LPU(Language Processing Unit) 출시 이후 상황이 변화하기 시작했다. 더 나은 추론 능력과 함께 대규모 모델의 경량화 및 정밀도 향상이 이루어지면서, 이제는 머리를 쓰고 논리를 중시하는 방향이 서서히 주류가 되고 있다.
또한 GPU 분류에 대해 보충하자면, 게임용 GPU가 AI를 살렸다는 말이 자주 들리는데, 이는 게임 시장의 고성능 GPU에 대한 강한 수요가 개발 비용을 감당해냈다는 점에서 타당하다. 예를 들어 4090 그래픽카드는 게이머뿐 아니라 AI 연구자들도 사용할 수 있다. 하지만 주목할 점은 점차 게임용 카드와 컴퓨팅 전용 카드가 분리되고 있다는 것이다. 이 과정은 비트코인 채굴기가 개인용 컴퓨터에서 전용 채굴기로 발전한 것과 유사하며, 사용되는 칩 또한 CPU → GPU → FPGA → ASIC 순서를 따른다.
LLM 전용 카드 개발 중 ···
AI 기술, 특히 LLM 경로가 성숙하고 발전함에 따라 TPU, DPU, LPU와 같은 유사한 시도가 점점 더 많아질 것이다. 물론 현재 주요 제품은 여전히 NVIDIA의 GPU이며, 아래 내용은 모두 GPU를 기반으로 설명한다. LPU 등은 GPU의 보완 역할일 뿐, 완전히 대체하기까지는 아직 시간이 필요하다.
탈중앙화 컴퓨팅 경쟁은 GPU 조달 경로를 다투는 것이 아니라, 새로운 수익 모델을 구축하려는 시도다.
여기까지 설명하면서 NVIDIA가 주인공처럼 등장했는데, 근본적으로는 NVIDIA가 그래픽카드 시장의 80% 점유율을 차지하고 있기 때문이다. N카드와 A카드의 경쟁은 이론상으로만 존재할 뿐, 현실에서는 모두 입으로는 비판하지만 실제로는 사용하는 이중성을 보인다.
절대적인 독점 지위로 인해 각 기업들이 GPU 확보에 열을 올리고 있으며, 소비자용 RTX 4090부터 기업용 A100/H100까지 모두 마찬가지다. 클라우드 서비스 제공업체들도 주요 매점매석 세력이다. 그러나 Google, Meta, 테슬라, OpenAI 등 AI 관련 기업들은 자체 칩 개발을 진행하거나 계획 중이며, 국내 기업들도 이미 화웨이 등 국산 제조사로 전환하고 있다. GPU 시장은 여전히 극심한 경쟁 상태다.
전통적인 클라우드 서비스 제공업체에게는 실제로 자기들 칩을 사용하는 것이 AI 기업만큼 절박하지 않다. 반면 탈중앙화 컴퓨팅 프로젝트는 현재 초기 단계로, 전통적인 클라우드 서비스 제공업체와 컴퓨팅 사업을 겨루며 저렴하고 접근하기 쉬운 것을 강조한다. 그러나 미래에 비트코인 채굴처럼 Web3 전용 AI 칩이 등장할 가능성은 크지 않다.
추가로 짚고 넘어가자면, 이더리움이 PoS로 전환한 이후 암호화폐 생태계의 전용 하드웨어는 점점 줄어들고 있다. Saga 스마트폰, ZK 하드웨어 가속기, DePIN 등의 시장 규모는 여전히 너무 작다. 탈중앙화 컴퓨팅이 전용 AI 컴퓨팅 카드를 위한 Web3 특색 있는 길을 개척해주기를 바란다.
탈중앙화 컴퓨팅은 클라우드의 다음 단계인가, 보완인가.
GPU의 연산 능력은 산업계에서 일반적으로 FLOPS(Floating Point Operations Per Second, 초당 부동소수점 연산 횟수)로 비교한다. 이는 가장 일반적인 연산 속도 지표이며, GPU 사양이나 응용 병렬 최적화 조치 여부를 막론하고 궁극적으로 FLOPS로 평가된다.
로컬 컴퓨팅에서 클라우드로 전환하는 데 약 반세기가 걸렸으며, 분산 처리 개념은 컴퓨터 탄생 초기부터 존재했다. LLM의 추진으로 탈중앙화와 컴퓨팅이 결합되며 더 이상 허황되지 않다. 필자는 기존 탈중앙화 컴퓨팅 프로젝트들을 가능한 많이 정리하고자 하며, 평가 기준은 두 가지뿐이다:
-
GPU 등의 하드웨어 수량, 즉 컴퓨팅 속도 평가. 무어의 법칙에 따르면, 새로운 GPU일수록 컴퓨팅 능력이 강하며, 동일 사양에서 수량이 많을수록 컴퓨팅 능력이 강하다;
-
인센티브 계층 조직 방식. 이는 Web3 업계의 특징으로, 더블 토큰, 거버넌스 기능, 에어드랍 인센티브 등이 포함되며, 각 프로젝트의 장기 가치를 더 쉽게 이해할 수 있게 하고, 단기적인 토큰 가격에 과도하게 집착하지 않도록 한다. 장기적으로는 얼마나 많은 GPU를 소유하거나 스케줄링할 수 있는지에 주목해야 한다.
이 관점에서 보면, 탈중앙화 컴퓨팅은 여전히 "기존 하드웨어 + 인센티브 네트워크" 기반의 DePIN 경로를 따르고 있으며, 또는 인터넷 아키텍처가 여전히 기본 계층이고, 탈중앙화 컴퓨팅 계층은 "하드웨어 가상화" 후의 화폐화라고 할 수 있다. 중요한 것은 무제한 접근이 가능하다는 점이며, 실제로 네트워크를 구성하기 위해서는 여전히 하드웨어의 협조가 필요하다.
컴퓨팅은 탈중앙화되어야 하고, GPU는 중앙집중화되어야 한다
블록체인의 삼중난제 프레임워크를 빌리자면, 탈중앙화 컴퓨팅의 보안성은 특별히 고려할 필요 없으며, 주로 탈중앙화와 확장성 사이의 균형 문제인데, 후자는 GPU 네트워크 구성 후의 용도를 의미하며, 현재는 AI 분야가 압도적인 우위를 보이고 있다.
역설적인 관점에서 출발하자면, 탈중앙화 컴퓨팅 프로젝트가 성공하려면 오히려 네트워크 상의 GPU 수량이 가능한 한 많아야 한다. 이유는 간단하다. GPT 등의 대규모 모델은 파라미터 폭증 현상을 겪고 있으며, 일정 규모 이상의 GPU 없이는 학습이나 추론 효과를 낼 수 없다.
물론 클라우드 서비스 제공업체의 절대적 통제와 비교하면, 현재 단계에서 탈중앙화 컴퓨팅 프로젝트는 적어도 무제한 접근과 자유로운 GPU 자원 이동 메커니즘을 설정할 수 있다. 그러나 자본 효율성 향상이라는 관점에서 보면, 미래에 마이닝 풀과 유사한 형태가 등장할 가능성도 배제할 수 없다.
확장성 측면에서 GPU는 AI뿐만 아니라 클라우드 PC 및 렌더링에도 적용 가능하다. 예를 들어 Render Network는 렌더링 작업에 특화되어 있으며, Bittensor는 모델 학습 제공에 집중하고 있다. 더 직설적으로 말하면, 확장성은 사용 사례와 목적과 동일시할 수 있다.
따라서 GPU와 인센티브 네트워크 외에 탈중앙화 정도와 확장성 두 가지 추가 변수를 도입하여 네 가지 기준의 비교 지표를 구성할 수 있다. 참고로 이 방법은 기술 비교와 다르며, 어디까지나 재미로 보는 것이 좋다.
위 프로젝트들 중 Render Network는 본질적으로 분산 렌더링 네트워크로서 AI와의 직접적 연관성은 낮다. AI 학습 및 추론 과정에서 각 단계는 SGD(Stochastic Gradient Descent), 역전파 알고리즘 등에 의해 일관성이 요구되지만, 렌더링 작업은 반드시 그러할 필요가 없으며, 영상 및 이미지를 자주 분할하여 작업 배분이 용이하다.
그들의 AI 학습 능력은 주로 io.net과의 네트워크 연결을 통해 이루어지며, io.net의 일종의 플러그인으로 존재한다. 어차피 GPU가 일을 하는데 어떤 식으로든 상관없는 노릇이다. 더욱 선견지명 있는 것은 Solana가 평가 절하 상태일 때 합류한 결정인데, 후에 Solana가 렌더링 네트워크의 고성능 요구에 더 적합하다는 것이 입증되었다.
다음으로는 io.net의 폭력적인 GPU 규모 확장 전략이 있다. 현재 공식 웹사이트에 공개된 GPU 수는 무려 18만 개로, 탈중앙화 컴퓨팅 프로젝트 중에서는 최정상급이며, 다른 경쟁자들과는 수량 차원에서 큰 격차를 보인다. 확장성 면에서도 io.net은 AI 추론에 집중하며, AI 학습은 부수적인 작업 방식이다.
엄밀히 말하면, AI 학습은 분산 배치에 적합하지 않다. 경량화된 LLM이라 할지라도 절대적인 파라미터 수는 결코 적지 않으며, 중앙집중식 연산 방식이 경제적 비용 측면에서 더 효율적이다. Web3와 AI의 학습 분야 결합 포인트는 데이터 프라이버시 및 암호화 연산(ZK, FHE 등 기술)에 더 가깝다. 반면 AI 추론 분야에서는 Web3가 충분한 가능성을 지닌다. 첫째, GPU 성능 요구가 비교적 낮아 어느 정도의 성능 손실을 감수할 수 있으며, 둘째, AI 추론은 응용 측에 더 가까워 사용자 관점에서의 인센티브 설계가 더 매력적이다.
또 다른 채굴로 토큰을 얻는 Filecoin도 io.net과 GPU 활용 협약을 체결했다. Filecoin은 자체 1000개의 GPU를 io.net과 네트워크 연결하여 사용하게 되며, 전후배 간의 손잡고 나아가는 모습이다. 두 프로젝트의 행운을 빈다.
또한 아직 출시되지 않은 Gensyn도 살펴보자. 아직 네트워크 구축 초기 단계이므로 GPU 수량은 공개하지 않았지만, 주요 사용 사례는 AI 학습이며, 개인적으로 고성능 GPU 수량 요구가 적지 않을 것으로 보이며, 적어도 Render Network 수준 이상은 넘어야 할 것이다. AI 추론과 비교해 AI 학습은 클라우드 서비스 제공업체와 직접적인 경쟁 관계이므로, 메커니즘 설계도 더욱 복잡할 수밖에 없다.
구체적으로 Gensyn은 모델 학습의 유효성을 보장해야 하며, 학습 효율을 높이기 위해 대규모로 오프체인 컴퓨팅 패러다임을 사용한다. 따라서 모델 검증과 부정행위 방지 시스템은 다자간 역할 균형이 필요하다:
-
Submitters(제출자): 작업을 시작하며, 최종적으로 학습 비용을 부담한다.
-
Solvers(해결자): 모델을 학습시키고 유효성 증명을 제공한다.
-
Verifiers(검증자): 모델 유효성을 검증한다.
-
Whistleblowers(제보자): 검증자의 작업을 감시한다.
전반적으로 운영 방식은 PoW 채굴 + 낙관적 증명 메커니즘과 유사하며, 아키텍처가 매우 복잡하다. 계산을 체인 외부로 이전함으로써 비용을 절감할 수 있겠지만, 아키텍처의 복잡성은 추가적인 운영 비용을 초래한다. 현재 대부분의 탈중앙화 컴퓨팅 프로젝트가 AI 추론에 집중하고 있는 상황에서, Gensyn에게도 행운이 있기를 빈다.
마지막으로 늙은 말이지만 여전히 힘을 발휘하는 Akash는 기본적으로 Render Network와 함께 출발했으며, Akash는 CPU의 탈중앙화에 집중했고, Render Network는 초기에 GPU 탈중앙화에 집중했다. AI 붐 이후 양측 모두 GPU + AI 컴퓨팅 분야로 진입했지만, Akash는 추론에 더 집중하고 있다는 점이 차이점이다.
Akash가 부활한 핵심은 이더리움 업그레이드 후 발생한 광산 문제를 눈여겨본 데 있다. 유휴 GPU는 이제 여대생의 중고 물품처럼 '쉬안위'(중국 중고거래 앱)에 올릴 뿐 아니라, AI 분야에도 참여할 수 있게 된 것이다. 어차피 모두 인류 문명 발전에 기여하는 일이니 말이다.
다만 Akash의 장점은 토큰이 거의 전부 유통된다는 점이며, 오래된 프로젝트답게 PoS에서 흔히 쓰는 스테이킹(staking) 시스템도 적극 도입하고 있다. 그러나 팀이 다소 느긋한 느낌을 주며, io.net처럼 공격적인 젊음의 기운은 느껴지지 않는다.
이 외에도 엣지 클라우드 컴퓨팅의 THETA, AI 컴퓨팅의 세부 분야 솔루션을 제공하는 Phoenix, 그리고 Bittensor와 Ritual 같은 컴퓨팅 분야의 옛날 강자와 새로운 강자들이 존재하지만, 지면 제약상 일일이 나열할 수 없다. 일부 프로젝트는 GPU 수량 등의 파라미터를 찾기조차 어렵기 때문이다.
맺음말
컴퓨터 발전사를 종합적으로 살펴보면, 다양한 컴퓨팅 패러다임 모두 탈중앙화 버전을 구축할 수 있다. 유감스러운 점은 이들이 주류 애플리케이션에 전혀 영향을 미치지 못했다는 것이다. 현재의 Web3 컴퓨팅 프로젝트들은 주로 업계 내부에서의 자기 만족에 그치고 있다. Near 창립자가 GTC 컨퍼런스에 참석한 것도 Near 창립자 신분 때문이 아니라 트랜스포머 공동 저자라는 신분 때문이었다.
더 비관적인 것은 현재 클라우드 컴퓨팅 시장의 규모와 주자들이 너무나 강력하다는 점이다. io.net이 AWS를 대체할 수 있을까? GPU 수량이 충분히 많다면 실제로 가능할지도 모른다. 어쨌든 AWS도 오랫동안 오픈소스 Redis를 백본 구성 요소로 사용해왔다.
어떤 의미에서 보면, 오픈소스와 탈중앙화의 힘은 여전히 동등하게 평가받지 못하고 있다. 탈중앙화 프로젝트는 과도하게 DeFi 등 금융 분야에 집중되어 왔으며, AI는 주류 시장에 진입하는 핵심 경로가 될 수 있을지도 모른다.
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
@zuoyeweb3
