IO.NET, 바라보는 AI 발전사 속 'AI + DePin' 개념
저자: Biteye 핵심 기여자 Fishery
편집: Biteye 핵심 기여자 Crush
커뮤니티: @BiteyeCN
*전체 글자 수 약 6000자, 예상 독서 시간 12분
io.net는 Solana 기반의 탈중앙화 AI 컴퓨팅 플랫폼으로, IO Research에서 개발했으며 최근 펀딩 라운드에서 10억 달러의 FDV(완전 희석 기준 시가총액)를 달성했다.
io.net는 올해 3월 Hack VC가 주도하는 A시리즈 펀딩에서 3000만 달러를 조달했다고 발표했으며, Multicoin Capital, 6th Man Ventures, Solana Ventures, OKX Ventures, Aptos Labs, Delphi Digital, The Sandbox 및 The Sandbox의 세바스찬 보르제 등이 참여했다.
io.net는 AI 및 머신러닝 기업들을 위한 GPU 리소스를 통합하는 데 집중하며, 더 낮은 비용과 빠른 제공 시간을 목표로 하고 있다. 지난해 11월 출시 이후 io.net는 25,000개 이상의 GPU를 확보했으며, 인공지능 및 머신러닝 기업들을 위해 40,000시간 이상의 컴퓨팅 작업을 처리했다.
io.net의 비전은 전 세계적으로 분산된 탈중앙화된 AI 컴퓨팅 네트워크를 구축하여, AI 및 머신러닝 팀/기업과 전 세계의 강력한 GPU 자원 간 생태계를 연결하는 것이다.
이 생태계 안에서 AI 컴퓨팅 자원은 상품화되어, 공급과 수요 측 모두가 자원 부족 문제에 시달리지 않게 된다. 앞으로 io.net는 IO 모델 스토어 접근 권한뿐 아니라 서버리스 추론, 클라우드 게임, 픽셀 스트리밍 등의 고급 추론 기능도 제공할 계획이다.
01 비즈니스 배경
io.net의 비즈니스 로직을 설명하기 전에, 먼저 탈중앙화 컴퓨팅이라는 분야를 두 가지 관점에서 이해해야 한다. 하나는 AI 컴퓨팅의 발전 과정이며, 다른 하나는 과거 탈중앙화 컴퓨팅을 활용했던 사례들이다.
AI 컴퓨팅의 발전 과정
다음 몇 가지 주요 시점을 통해 AI 컴퓨팅의 발전 궤적을 살펴볼 수 있다:
1. 머신러닝 초기 (1980년대 ~ 2000년대 초)
이 시기에는 의사결정 트리, 서포트 벡터 머신(SVM)과 같은 비교적 단순한 모델에 집중했다. 이러한 모델들의 연산 요구량은 낮아 당시 개인용 컴퓨터나 소규모 서버에서도 실행 가능했다. 데이터셋도 상대적으로 작았으며, 특징 공학(feature engineering)과 모델 선택이 핵심 과제였다.
시기: 1980년대 ~ 2000년대 초
연산 요구량: 낮은 편, 개인용 컴퓨터나 소형 서버로도 충분.
컴퓨팅 하드웨어: CPU가 주된 컴퓨팅 자원.
2. 딥러닝의 부상 (2006년 ~ 최근)
2006년 딥러닝 개념이 재등장하였으며, 힌튼(Hinton) 등의 연구가 이 시대를 상징한다. 이후 컨볼루션 신경망(CNN), 순환 신경망(RNN) 등의 심층 신경망이 성공적으로 적용되며 이 분야의 돌파구가 열렸다. 특히 이미지와 음성 등 대규모 데이터셋 처리 시 연산 자원에 대한 수요가 크게 증가하였다.
주요 시점:
ImageNet 대회(2012년): AlexNet이 이 대회에서 우승한 것은 딥러닝 역사상 중요한 사건으로, 딥러닝이 이미지 인식 분야에서 거대한 가능성을 지녔음을 처음으로 입증했다.
알파고(AlphaGo, 2016년): 구글 딥마인드의 알파고가 세계 바둑 챔피언 이세돌을 꺾은 사건은 AI가 지금까지 거둔 가장 찬란한 성과 중 하나이며, 복잡한 전략 게임에서 딥러닝이 어떻게 활용될 수 있는지를 보여줬을 뿐 아니라, 극도로 복잡한 문제 해결 능력을 전 세계에 입증했다.
연산 요구량: 크게 증가, 복잡한 딥러닝 신경망 학습을 위해 더욱 강력한 컴퓨팅 자원 필요.
컴퓨팅 하드웨어: CPU보다 병렬 처리 능력이 월등한 GPU가 딥러닝 학습의 핵심 장비로 자리매김.
3. 대규모 언어 모델 시대 (2018년 ~ 현재)
BERT(2018년) 및 GPT 기술(2018년 이후)의 등장으로 대규모 모델이 AI 분야를 주도하게 되었다. 이러한 모델들은 일반적으로 수십억에서 수조 개의 파라미터를 가지며, 컴퓨팅 자원 수요는 전례 없는 수준에 도달했다. 이러한 모델 학습에는 다수의 GPU 또는 더욱 전문화된 TPU뿐 아니라 막대한 전력과 냉각 시설이 필요하다.
시점: 2018년부터 현재까지.
연산 요구량: 매우 높음, 다수의 GPU 또는 TPU로 구성된 규모 있는 인프라 및 추가적인 지원 시설 필요.
컴퓨팅 하드웨어: GPU와 TPU 외에도 대규모 머신러닝 모델 최적화를 위한 전용 하드웨어가 등장하고 있으며, 구글의 TPU, 엔비디아의 A·H 시리즈 등이 그 예이다.
지난 30년간 AI의 연산 수요는 지수함수적으로 증가했다. 초기 머신러닝은 낮은 연산 수요를 가졌고, 딥러닝 시대에 그 수요가 증가했으며, 대규모 AI 모델은 이를 극한까지 밀어붙였다. 우리는 컴퓨팅 하드웨어의 수량과 성능 모두에서 눈부신 발전을 목격했다.
이러한 성장은 전통적인 데이터센터의 규모 확장과 GPU 등 하드웨어 성능 향상에 반영될 뿐 아니라, 높은 진입 장벽과 기대되는 막대한 수익 때문에 인터넷 거대 기업들 사이의 경쟁이 공개적으로 나타나게 만들었다.
기존의 중앙집중식 GPU 컴퓨팅 센터는 초기에 고가의 하드웨어(예: GPU 자체) 구매, 데이터센터 건설 또는 임대 비용, 냉각 시스템, 유지보수 인력 비용 등 막대한 초기 투자가 필요하다.
반면, io.net가 구축한 탈중앙화 컴퓨팅 플랫폼 프로젝트는 구축 비용 측면에서 명백한 이점을 지니며, 초기 투자와 운영 비용을 크게 절감할 수 있어 소규모 팀이 자체 AI 모델을 개발할 가능성을 만들어낸다.
탈중앙화 GPU 프로젝트는 이미 존재하는 분산 자원을 활용하므로, 하드웨어 및 인프라에 대한 집중 투자가 필요 없다. 개인과 기업은 유휴 GPU 자원을 네트워크에 기여할 수 있어 고성능 컴퓨팅 자원의 집중 구매 및 배치 필요성이 줄어든다.
또한 운영 비용 측면에서 전통적인 GPU 클러스터는 지속적인 유지보수, 전력, 냉각 비용이 든다. 탈중앙화 GPU 프로젝트는 분산된 자원을 활용함으로써 이러한 비용을 각 노드에 분산시켜 단일 조직의 운영 부담을 낮출 수 있다.
io.net의 문서에 따르면, io.net는 독립된 데이터센터, 암호화폐 마이너, Filecoin, Render 등 다른 하드웨어 네트워크에서 제대로 활용되지 않는 GPU 자원을 통합함으로써 운영 비용을 크게 절감한다. 여기에 Web3의 경제 인센티브 전략이 더해져, io.net는 가격 경쟁력에서 큰 이점을 갖는다.
탈중앙화 컴퓨팅
역사를 돌아보면, 과거 실제로 탈중앙화 컴퓨팅 프로젝트 중 상당수 성공 사례가 있었으며, 경제적 인센티브 없이도 많은 참가자를 유치하고 중요한 성과를 달성했다. 예를 들면 다음과 같다:
Folding@home: 스탠퍼드 대학교가 시작한 프로젝트로, 분산 컴퓨팅을 통해 단백질 접힘 과정을 시뮬레이션하여 알츠하이머병, 헌팅턴병 등 단백질 접힘 이상과 관련된 질병의 메커니즘을 이해하는 데 도움을 준다. 코로나19 팬데믹 기간에는 Folding@home 프로젝트가 방대한 컴퓨팅 자원을 결집해 신종 코로나바이러스 연구를 지원했다.
BOINC(Berkeley Open Infrastructure for Network Computing): 다양한 자원봉사 및 그리드 컴퓨팅 프로젝트를 지원하는 오픈소스 소프트웨어 플랫폼으로, 천문학, 의학, 기후 과학 등 여러 분야에 적용된다. 사용자는 유휴 컴퓨팅 자원을 기부해 다양한 과학 연구 프로젝트에 참여할 수 있다.
이러한 프로젝트들은 탈중앙화 컴퓨팅의 실현 가능성을 입증했을 뿐 아니라, 그 거대한 잠재력을 보여주었다.
사회 각계가 활용되지 않는 컴퓨팅 자원을 기여함으로써 컴퓨팅 능력을 현저히 향상시킬 수 있으며, 여기에 Web3의 경제 모델을 혁신적으로 도입하면 경제적으로 더욱 큰 비용 효율을 달성할 수 있다. Web3 경험은 합리적인 인센티브 메커니즘이 사용자 참여 유치와 유지에 중요함을 보여준다.
인센티브 모델 도입을 통해 상호 협력하고 공동 이익을 추구하는 커뮤니티 환경을 조성할 수 있으며, 이는 사업 규모 확대와 기술 발전의 긍정적 선순환을 촉진한다.
따라서 io.net는 인센티브 메커니즘 도입을 통해 광범위한 참여자를 유치하고, 컴퓨팅 능력을 공동 기여함으로써 강력한 탈중앙화 컴퓨팅 네트워크를 형성할 수 있다.
Web3의 경제 모델과 탈중앙화 컴퓨팅의 잠재력은 io.net에게 강력한 성장 동력을 제공하며, 효율적인 자원 활용과 비용 최적화를 실현한다. 이는 기술 혁신을 촉진할 뿐 아니라 참여자들에게 가치를 제공하여, io.net가 AI 분야 경쟁에서 두각을 나타내고 거대한 성장 가능성과 시장 공간을 가질 수 있도록 한다.
02 io.net 기술
클러스터
GPU 클러스터란 여러 개의 GPU를 네트워크로 연결해 복잡한 연산을 수행하는 협업 컴퓨팅 클러스터를 형성하는 것으로, 이 방법은 복잡한 AI 작업 처리의 효율성과 능력을 크게 향상시킨다.
클러스터링 컴퓨팅은 AI 모델 학습 속도를 빠르게 할 뿐 아니라 대규모 데이터셋 처리 능력을 강화하여 AI 애플리케이션을 더욱 유연하고 확장 가능하게 만든다.
기존 인터넷 환경에서 AI 모델을 학습할 때는 대규모 GPU 클러스터가 항상 필요하다. 그러나 이러한 클러스터링 컴퓨팅 모델을 탈중앙화로 전환할 경우 일련의 기술적 도전이 나타난다.
기존 인터넷 기업의 AI 컴퓨팅 클러스터와 비교할 때, 탈중앙화된 GPU 클러스터는 더 많은 문제에 직면한다. 예를 들어, 노드들이 서로 다른 지리적 위치에 분포되어 있어 네트워크 지연과 대역폭 제약 문제가 발생할 수 있으며, 이는 노드 간 데이터 동기화 속도에 영향을 미쳐 전체 컴퓨팅 효율을 저하시킬 수 있다.
또한, 각 노드 간 데이터의 일관성과 실시간 동기화를 어떻게 유지할 것인지 여부는 연산 결과의 정확성을 보장하는 데 매우 중요하다. 따라서 탈중앙화 컴퓨팅 플랫폼은 효율적인 데이터 관리 및 동기화 메커니즘을 개발해야 한다.
어떻게 분산된 컴퓨팅 자원을 관리하고 스케줄링하여 컴퓨팅 작업이 효과적으로 완료될 수 있도록 할 것인지 역시 탈중앙화 클러스터링 컴퓨팅이 해결해야 할 문제이다.
io.net는 Ray와 Kubernetes를 통합하여 탈중앙화 클러스터링 컴퓨팅 플랫폼을 구축했다.
Ray는 분산 컴퓨팅 프레임워크로서 여러 노드에서 컴퓨팅 작업을 직접 실행하며, 데이터 처리 및 머신러닝 모델 학습 과정을 최적화하여 각 노드에서 작업이 효율적으로 실행되도록 한다.
Kubernetes는 이 과정에서 핵심적인 관리 역할을 맡는데, 컨테이너 애플리케이션의 배포와 관리를 자동화하여 컴퓨팅 자원이 수요에 따라 동적으로 할당되고 조정되도록 보장한다.
이 시스템 내에서 Ray와 Kubernetes의 결합은 동적이며 탄력적인 컴퓨팅 환경을 실현한다. Ray는 컴퓨팅 작업이 적절한 노드에서 효율적으로 수행되도록 하고, Kubernetes는 전체 시스템의 안정성과 확장성을 보장하며, 노드의 추가 또는 제거를 자동으로 처리한다.
이러한 협업 덕분에 io.net는 탈중앙화된 환경에서도 일관되고 신뢰할 수 있는 컴퓨팅 서비스를 제공할 수 있으며, 데이터 처리나 모델 학습 등 다양한 사용자 요구를 충족시킬 수 있다.
이런 방식으로 io.net는 자원 사용을 최적화하고 운영 비용을 낮출 뿐 아니라 시스템의 유연성과 사용자 통제력을 높인다. 사용자는 하위 레벨 자원의 구체적인 구성이나 관리 세부사항을 걱정하지 않고도 다양한 규모의 컴퓨팅 작업을 쉽게 배포하고 관리할 수 있다.
이러한 탈중앙화 컴퓨팅 모델은 Ray와 Kubernetes의 강력한 기능을 바탕으로, io.net 플랫폼이 복잡하고 대규모 컴퓨팅 작업을 처리할 때의 효율성과 신뢰성을 보장한다.
프라이버시
탈중앙화 클러스터의 작업 배분 로직은 데이터센터 내 클러스터 로직보다 훨씬 복잡한 사용 사례를 가지고 있으며, 데이터와 컴퓨팅 작업이 네트워크를 통해 전송됨에 따라 잠재적인 보안 위험이 증가한다. 따라서 탈중앙화 클러스터는 보안성과 개인정보 보호도 고려해야 한다.
io.net는 메쉬(mesh) 형태의 사설 네트워크 채널을 활용해 탈중앙화 특성을 통해 네트워크의 보안성과 프라이버시를 향상시킨다. 이러한 네트워크에서는 중심 집중점이나 게이트웨이가 없어 단일 장애점(SPOF) 위험이 크게 줄어들며, 일부 노드에 문제가 생겨도 전체 네트워크는 계속 운영된다.
데이터는 메쉬 네트워크 내에서 다중 경로를 통해 전송되며, 이 설계는 데이터 출처나 목적지를 추적하기 어렵게 만들어 사용자의 익명성을 강화한다.
또한 데이터 패킷 패딩(packet padding) 및 시간 혼선(time confusion)과 같은 트래픽 난독화(Traffic Obfuscation) 기술을 사용함으로써 메쉬 VPN 네트워크는 데이터 흐름 패턴을 더욱 흐릿하게 만들어, 도청자가 트래픽 패턴을 분석하거나 특정 사용자 혹은 데이터 흐름을 식별하기 어렵게 한다.
io.net의 프라이버시 메커니즘이 프라이버시 문제를 효과적으로 해결할 수 있는 이유는, 이 모든 요소가 복잡하고 변화무쌍한 데이터 전송 환경을 공동으로 구축하여 외부 관찰자가 유용한 정보를 포착하기 어렵게 만들기 때문이다.
동시에 탈중앙화 구조는 모든 데이터가 단일 지점을 통과하는 위험을 피하며, 이 설계는 시스템의 견고성을 높이고 공격 가능성도 낮춘다. 또한 데이터의 다중 경로 전송과 트래픽 혼선 전략이 함께 사용자 데이터 전송에 추가적인 보호막을 제공하여 io.net 네트워크의 전체적인 프라이버시를 강화한다.
03 경제 모델
IO는 io.net 네트워크의 고유 암호화폐 및 프로토콜 토큰으로, 생태계 내 두 주체의 요구를 충족시킨다: AI 스타트업과 개발자, 그리고 컴퓨팅 능력 제공자.
AI 스타트업과 개발자 입장에서는 IO가 클러스터 배포 시 지불 절차를 간소화하여 편의성을 높인다. 또한 달러에 연동된 IOSD 크레딧을 사용해 네트워크 상의 컴퓨팅 작업에 대한 거래 수수료를 지불할 수 있다. io.net에 배포된 모든 모델은 추론을 위해 소량의 IO 코인 거래가 필요하다.
공급자, 특히 GPU 자원 제공자 입장에서는 IO 코인이 그들의 자원에 대해 공정한 보상을 보장한다. GPU가 임대되었을 때의 직접 수익뿐 아니라 유휴 상태에서 네트워크 모델 추론에 참여하는 수동 수익까지, IO 코인은 GPU의 모든 기여에 보상을 제공한다.
io.net 생태계에서 IO 코인은 지불 수단과 인센티브 매개체일 뿐 아니라 거버넌스의 핵심 역할도 한다. 이는 모델 개발, 학습, 배포, 애플리케이션 개발의 모든 단계를 더욱 투명하고 효율적으로 만들며, 참여자 간 상호 이익을 보장한다.
이러한 방식으로 IO 코인은 생태계 내 참여와 기여를 장려할 뿐 아니라, AI 스타트업과 엔지니어에게 포괄적인 지원 플랫폼을 제공하여 AI 기술 발전과 응용을 추진한다.
io.net는 인센티브 모델에 많은 노력을 기울여 전체 생태계가 긍정적 선순환을 이루도록 보장한다. io.net의 목표는 네트워크 내 모든 GPU 카드에 대해 달러 기준의 직접 시간 요금을 설정하는 것이다. 이를 위해서는 명확하고 공정하며 탈중앙화된 GPU/CPU 자원 가격 책정 메커니즘이 필요하다.
양방향 시장으로서 인센티브 모델의 핵심은 두 가지 주요 과제를 해결하는 데 있다. 첫째, GPU/CPU 컴퓨팅 능력 임대 비용을 낮춰 AI 및 ML 컴퓨팅 수요 지표를 확대하는 것이며, 둘째는 GPU 클라우드 서비스 제공업체에서 GPU 노드 임대 부족 문제를 해결하는 것이다.
따라서 설계 원칙상 수요 측면에서는 경쟁사의 가격과 가용성을 고려하여 시장에서 경쟁력 있고 매력적인 선택지를 제공하고, 피크 시간대 및 자원 부족 시 가격 조정이 가능해야 한다.
공급 측면에서 io.net는 두 가지 핵심 시장을 주목한다: 게이머와 암호화폐 GPU 마이너. 게이머는 고성능 하드웨어와 빠른 인터넷 연결을 보유하고 있지만 일반적으로 GPU 카드를 한 장만 소유한다. 반면 암호화폐 GPU 마이너는 다수의 GPU 자원을 보유하고 있으나, 인터넷 연결 속도나 저장 공간 제약을 받을 수 있다.
따라서 컴퓨팅 능력 가격 모델은 하드웨어 성능, 인터넷 대역폭, 경쟁사 가격, 공급 가용성, 피크 시간대 조정, 약정 가격, 지역 차이 등 다차원적 요소를 포함한다. 또한 하드웨어가 다른 작업 증명(PoW) 마이닝을 수행할 때의 최적 수익도 고려해야 한다.
앞으로 io.net는 완전한 탈중앙화 가격 책정 방안과 마이너 하드웨어를 위한 speedtest.net과 유사한 벤치마킹 도구를 제공하여 완전히 탈중앙화되고 공정하며 투명한 시장을 조성할 계획이다.
04 참여 방법
io.net는 Ignition 활동을 시작했다. 이는 io.net 커뮤니티 인센티브 프로그램의 첫 번째 단계로, IO 네트워크 성장을 가속화하기 위한 것이다.
이 프로그램은 총 세 개의 보상 풀을 운영하며, 각 보상 풀은 완전히 독립적이다.
-
Worker 보상(GPU)
-
은하 과제 보상(Galaxy Task Rewards)
-
Discord 역할 보상(Airdrop Tier Role)
이 세 개의 보상 풀은 완전히 독립적이며, 참여자는 각 보상 풀에서 개별적으로 보상을 받을 수 있으며, 동일한 지갑을 각 보상 풀에 연결할 필요가 없다.
GPU 노드 보상
이미 연결된 노드의 경우, 에어드랍 포인트는 2023년 11월 4일부터 2024년 4월 25일 활동 종료 시점까지 산정된다. Ignition 활동 종료 시, 사용자가 획득한 에어드랍 포인트는 에어드랍 보상으로 전환된다.
에어드랍 포인트는 다음 네 가지 요소를 고려한다:
A. 고용된 시간(Job Hours Done 비율 - RJD): 2023년 11월 4일부터 활동 종료 시점까지 총 고용 시간.
B. 대역폭(Bandwidth - BW): 노드의 대역폭 속도 범위에 따라 등급 분류
저속: 다운로드 속도 100MB/초, 업로드 속도 75MB/초.
중속: 다운로드 속도 400MB/초, 업로드 속도 300MB/초.
고속: 다운로드 속도 800MB/초.
C. GPU 모델(GPU Model - GM): GPU 모델에 따라 결정되며, 성능이 높을수록 포인트가 많아진다.
D. 성공 운용 시간(Uptime - UT): 2023년 11월 4일 Worker 연결 후부터 활동 종료 시점까지의 총 성공 운용 시간.
참고로 에어드랍 포인트는 2024년 4월 1일경 사용자가 확인할 수 있을 예정이다.
은하 과제 보상(Galxe)
은하 과제 연결 주소 https://galxe.com/io.net/campaign/GCD5ot4oXPAt
Discord 역할 보상
이 보상은 io.net 커뮤니티 운영팀이 감독하며, 사용자가 Discord에서 올바른 Solana 지갑 주소를 제출해야 한다.
사용자의 기여도, 활성도, 콘텐츠 제작 등 다른 활동 참여를 기반으로 해당 Airdrop Tier Role 등급을 부여받게 된다.
05 요약
종합적으로, io.net와 유사한 탈중앙화 AI 컴퓨팅 플랫폼은 AI 컴퓨팅의 새로운 장을 열고 있다. 물론 기술 구현의 복잡성, 네트워크 안정성, 데이터 보안 등의 도전에 직면해 있지만, io.net는 AI 비즈니스 모델을 근본적으로 변화시킬 잠재력을 지닌다. 이러한 기술의 성숙과 컴퓨팅 커뮤니티 확대에 따라 탈중앙화 AI 컴퓨팅 능력은 AI 혁신과 보급을 이끄는 핵심 동력이 될 수 있을 것이다.
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
@BiteyeCN
