FLock.io CEO와의 대화: 구글은 왜 진정한 페더레이티드 러닝을 할 수 없고 블록체인은 가능한가?
글: Sunny, TechFlow
인터뷰이: Jiahao Sun, FLock
"탈중앙화된 머신러닝은 점점 단순한 말 이상으로 실현 가능한 엔지니어링 솔루션이 되고 있다."
– Jiahao Sun, FLock.io CEO
탈중앙화 인공지능(AI)은 새로운 개념은 아니지만, 암호화폐의 부상과 함께 다시 주목받고 있으며, AI 민주화의 가능성을 제시하고 있다. 그러나 이 분야에 익숙하지 않은 사람들에게는 'AI 민주화'라는 개념이 모호하게 느껴질 수 있다.
블록체인은 현대 네트워크의 백엔드로서, 노동력과 자원의 조정 및 공동 작업(crowdsourcing)을 촉진한다.
AI는 예측을 위한 학습(Training)과 추론(Inference)을 포괄하며, 컴퓨팅 파워, 모델, 데이터에 의존한다. 현재 이러한 요소들은 소수의 주요 기술 기업들에 의해 통제되고 있다. 비록 일반적으로 '악용되지 않을 것'이라고 여겨지지만, 이를 검증할 수 있는 보장은 없으며, 더 많은 사람들이 AI 개발에 참여할 수 있도록 하는 새로운 접근 방식이 필요하다.
구글은 과거 연합학습(Federated Learning)을 시도했다. 사용자 장치가 로컬에서 데이터와 컴퓨팅 능력을 제공하고, 이를 글로벌 모델로 통합하는 방식이다. 그러나 이러한 모델 역시 중앙 집중적 통제를 유지한다.
블록체인은 토큰 이코노미와 암호화폐를 통해 데이터, 컴퓨팅 능력, 모델 제공에 누구나 참여할 수 있는 사적인 경제 시스템을 가능하게 하며, 해결책을 제시한다.
FLock (블록체인 기반 연합학습)은 스마트 계약과 토큰 이코노미를 통해 진정한 연합학습을 도입하여 더 광범위한 참여를 보장한다. 오늘 우리는 FLock의 CEO를 초청하여 민주적 AI의 개념과 글로벌 헬스케어 등 다양한 분야에서의 적용 가능성에 대해 논의한다. 탈중앙화 이슈 외에도 연합학습 자체가 갖는 의미는 여전히 중요하다.
전통 금융 AI 책임자에서 스마트 계약 기반 연합학습까지
TechFlow: 먼저 간단한 자기소개와 함께 FLock, 즉 탈중앙화 연합학습이 무엇인지 설명해 주세요.
Jiahao:
저는 전통적인 Web2 핀테크 업계에서 10년 동안 일했습니다. 졸업 직후 Entrerpreneur First의 인큐베이터에 들어갔고, 그때 처음으로 AI 기반 신용평가(Credit Scoring) 스타트업을 시작했습니다. 이후 빠르게 헤드헌터를 통해 상위권 금융기관의 Innovation Lead로 영입되었고, 8년간 근무하며 최종적으로는 글로벌 AI 책임자까지 올랐습니다. 그래서 저는 줄곧 AI 연구 및 응용 분야에서 깊이 있게 일해왔습니다.
Web3 산업에 관심을 갖게 된 계기는 2017년의 ICO 붐이었습니다. 당시 많은 팀들이 단순한 아이디어만으로도 성공하는 것을 보고 매우 신기하게 느꼈습니다. 하지만 당시 시장은 명백히 성숙하지 못했고, 지금 말하는 '토독(too dog)' 프로젝트가 많아서 다소 저질스럽다는 느낌이 들었기 때문에 실제로 진입하려는 생각은 하지 않았고, 그냥 재미있는 산업 정도로 지켜보고 있었습니다.
팬데믹 기간 동안 시간이 느리게 흘렀고, 유럽과 미국 전역에서 재택근무가 일상화되면서 모두 갑자기 여유 시간이 생겼습니다. 이런 시간을 게임에만 쓸 수도 있지만, 의미 있는 일을 할 수도 있습니다. 저는 일 년 동안 게임만 하다가 인생을 너무 낭비한다는 생각이 들어, 이제는 의미 있는 일을 하기로 결심했습니다. 2021년 말을 돌아보면 암호화 시장이 깊은 침체기에 있었음에도 불구하고 주목할 만한 프로젝트들이 많이 눈에 띄었습니다. Web2 경험을 풍부하게 갖춘 팀들이 Web3 분야에서 훌륭한 성과를 내는 모습을 보며 큰 영감을 받았고, Web3의 발전과 진정으로 의미 있는 기술 및 서사에 매료되기 시작했습니다.
최종적으로 Web3에 진입하기로 결정한 것은 우리 팀의 정상급 학회에서 수상한 연구 논문 때문이었습니다. 창립 멤버들과 연구팀이 탈중앙화 머신러닝의 본질에 대해 깊이 고민하고 논의한 결과물이며, FLock이라는 용어(Federated Learning on the Blockchain)가 처음으로 시장에 공개되어 학계 최고 수준의 동료 평가(Peer Review)를 받았습니다. 이는 우리가 FLock 프로젝트를 본격적으로 추진하는 데 큰 자신감과 지지를 주었습니다.
논문 링크: https://scholar.google.com/citations?user=s0eOtD8AAAAJ&hl=en
왜냐하면 연합학습이나 탈중앙화 머신러닝은 오랫동안 업계 내에서 존재해온 개념이기 때문입니다.
예를 들어, NVIDIA나 AWS도 분산 컴퓨팅, 분산 머신러닝에 많은 투자를 하고 있습니다. 하지만여기엔 항상 문제가 하나 있습니다. 만약 AWS가 "우리의 모든 클라우드 플랫폼과 리소스는 분산되어 있고, 당신은 당신만의 컴퓨팅 플랫폼을 소유하고 있다"고 주장해도, 사실상 당신은 AWS를 통해 특정 클라우드 컴퓨팅 자원을 구매하는 것이며, AWS가 중간 통제권을 가지므로 결국 최종적인 통제자는 AWS입니다. 따라서 당신은 AWS 자원을 소유하는 것이 아니라 임대하는 것입니다. 마찬가지로 사용자는 자신의 데이터에 대한 소유권을 가지지 못합니다.
프라이버시 문제 해결 차원에서, 구글은 2017년 연합학습(Federated Learning) 개념을 제안했습니다.
연합학습이란 머신러닝 프레임워크인데, 모든 계산을 각 노드로 분산시켜 데이터를 외부로 내보내지 않고, 각 사용자가 자신의 노드에서 지역(Local) 계산을 수행하는 방식입니다. 간단히 말해, 각자의 계산 결과만 종합하여 최종적인 통합 대규모 모델을 만들어냅니다. 이 대모델은 모든 데이터로 학습된 효과를 반영하면서도, 데이터를 제3자 서버에 올릴 필요가 없습니다.
이러한 전체 로직을 연합학습이라 부르며, 구글이 처음 제안한 후 이를 입력어 예측에 적용했습니다. 당시 많은 Pixel폰 사용자들은 이미 연합학습을 체험하고 있었습니다. 구글 휴대폰으로 글자를 입력할 때 다음 단어를 예측해주는데, 이것이 연합학습의 현실 세계 첫 적용 사례였습니다.
하지만 제가 앞서 든 예처럼, 동일하게 구글이 전체 학습(Training) 과정을 통제하고 있으므로 악용할 가능성이 있습니다. 소스코드와 원본 메타데이터를 모두 볼 수 있으며,'내가 안 봤다'는 것을 증명할 방법이 없습니다. 실제로 한 중국어 입력기 소프트웨어가 연합학습으로 사용자 프라이버시를 보호한다고 주장했으나, 나중에 모든 사용자의 입력 데이터가 중심화된 서버로 직접 전송되고 있다는 사실이 드러난 사건이 있었습니다. 이 회사는 연합학습을 전혀 시행하지 않은 것이죠.
이러한 사건들이 최근 기술 커뮤니티에서 화제가 되었고, 사람들은 "모든 자원을 한 사람이 통제한다면, 그가 스스로 악용하지 않겠다는 것을 어떻게 보장할 수 있느냐?"라는 질문을 던지기 시작했습니다. 설령 그가 보장한다고 해도, 정말로 그를 믿을 수 있을까? 분명히 다른 기업들은 믿지 않습니다. 그렇지 않았다면 애플과 구글이早已 함께 협력하여 하나의 입력어 예측 모델을 만들었겠죠.
그래서 저희는 블록체인의 스마트 계약 메커니즘을 기존 연합학습 프레임워크에 도입했습니다. 이렇게 하면 구글 같은 중개자가 필요 없고, 각자가 독립적인 개체로서 자신의 노드를 가지고 부분만 계산하면 됩니다. 누가 업로드한 그래디언트(Gradient)가 유용한지, 어떤 것을 종합해야 하는지는 스마트 계약을 통해 결정되며, 모든 것은 체인 상의 컨센서스(Consensus)로 해결됩니다. 이것이 FLock이 최초의 연구 아이디어로 출발한 지점입니다.
FLock은 스마트 계약을 통해 계산, 모델, 데이터의 공동 구축을 조정
먼저 이해하기: 학습된 데이터는 여전히 '당신의 데이터'인가?
TechFlow: 그럼 개별 노드에서 개인 데이터는 어떻게 암호화되어 통합 대모델 학습에 참여하며, 학습 결과를 얻는 동시에 초기 데이터의 프라이버시를 보장하는지 설명해주세요.
Jiahao:
예를 들어 WorldCoin은虹膜 사진을 찍은 후 신경망을 거쳐 Embedding으로 변환합니다. 이 Embedding은 더 이상 원본虹膜 사진이 아닙니다. 사람들이 이 논리를 믿느냐가 관건이죠.
– "이건 내虹膜이 아니라 새로운 Embedding이야."
물론 일부는 이 논리를 받아들이지 않으며, 자신의 데이터 파생물이라고 주장합니다.
단계적으로 설명하겠습니다. 우선 이 논리를 인정하는 사람들의 입장에서 보면, 연합학습에서는 개인 데이터가 절대 개별 노드를 벗어나지 않습니다.외부로 나오는 것은 데이터로 로컬 모델을 학습한 후의 모델 변화값, 즉 그래디언트(Gradient)입니다.
다음 노드로 전달되는 것은 이 그래디언트뿐이며, 데이터와 관련된 어떤 정보도 전달되지 않으므로 완전히 비밀이 보장됩니다. 따라서 이론적으로 암호화가 필요 없습니다. 왜냐하면 전달되는 것이 본래의 데이터가 아니기 때문입니다.
그러나 당신의 데이터 파생물도 당신의 데이터라고 생각한다면, 예를 들어 신경망 처리 후 Embedding이 원본 데이터와 연결될 수 있다고 판단한다면, 우리는 이 전송 경로에 추가 암호화 계층을 적용합니다.
노드에서 다음 노드로의 전송 자체에도 암호화를 적용합니다. 여러 방법이 있으며, 특히 Deep Gradient Compression과 같은 흥미로운 방법을 사용하면 노드 데이터 전송량을 5% 이하로 압축할 수 있습니다.전송 속도를 높이고, 자연스럽게 프라이버시 암호화 문제를 해결하며, 모델 정확성에는 영향을 주지 않아 일석삼조의 효과를 얻습니다.
왜냐하면, 머신러닝에서는 데이터나 모델의 과적합(Overfitting)을 방지하기 위해 매번 계산 시 일부 데이터를 일부러 생략(Dropout)합니다. 예를 들어 100% 정확도를 달성하더라도 70~80% 수준으로 줄인 후 전송합니다. 왜냐하면 100% 값을 그대로 사용하면 과적합 지점까지 계속 진행할 위험이 있기 때문입니다.이는 국소 최적해이지 전역 최적해가 아니기 때문입니다. 이 방법은 전체 계산 정확도를 오히려 높여줍니다.
둘째, 딥러닝 분야에서 그래디언트를 5% 이하로 압축했을 때, 그 정보는 원본 데이터를 복원할 수 없을 정도로 압축된다는 것을 발견했습니다. 마치 이미지에 두꺼운 모자이크를 씌운 것과 같아서, 가장 강력한 AI라도 원본 세부정보를 복원할 수 없습니다. 추측하거나 상상은 할 수 있지만, 활용 가능한 정보가 너무 적기 때문에 복원 가능한 내용은 극히 제한적입니다.정보 이론에 따르면, 누구도 그것을 다시 원본 데이터로 복원할 수 없습니다. 따라서 이는 충분히 안심할 수 있는 암호화 수준입니다.
셋째, 데이터 페이로드가 작아지면 자연스럽게 전송 효율이 향상됩니다. 수십 비트의 대규모 모델이라도 우리의 최적화를 통해 일반 가정용 컴퓨터 여러 대가 참여하는 탈중앙화 튜닝을 몇 시간 내에 완료할 수 있습니다.
탈중앙화 머신러닝은 점점 단순한 말 이상으로 실현 가능한 엔지니어링 솔루션이 되고 있다.
이것은 블록체인이나 연합학습 자체의 메커니즘 문제라기보다는 노드 간 암호화 전송 문제이며, 그것이 안전하다는 것이 보장되면 됩니다. 제가 설명한 것은 하나의 해결 방안일 뿐이며, ZK, FHE, TEE 등도 암호화 솔루션으로 사용할 수 있습니다. FLock은 이러한 모든 기술과 잘 호환되며, 심지어 저희는 zkFL이라는 논문도 발표했습니다.
연합학습 + 스마트 계약 = FLock
TechFlow: 연합학습에서 각 노드는 자신의 데이터를 처리한 후 결과를 제출하는데, 그 후 어떤 일이 발생합니까? AI에 익숙하지 않은 사람에게 이 컨센서스를 어떻게 설명할 수 있을까요?
Jiahao:
이 많은 노드들은 일종의 커뮤니티와 같습니다. Ring-all Reduce 방식을 사용하여 한 노드에서 다음 노드로, 또 다음 노드로 전달하며 중간 관리자가 필요 없습니다. 어느 노드가 두 번째로 데이터를 수신할 때까지 한 바퀴를 완성하고, 이를 그래디언트 축적(Gradient Accumulation)이라 부릅니다. 이렇게 축적된 후 모든 사용자가 자신의 로컬 모델을 새 모델로 업데이트합니다.
컨센서스는 관리자가 없는 시스템에서 발생합니다. 왜 구글은 중앙 집중형 연합학습 시스템을 운영해야 합니까?
그는 일부 노드가 악의적인 행동을 할까봐 걱정하기 때문입니다. 예를 들어, 내가 계산한 데이터가 실제 데이터가 아닐 수 있거나, 무작위 노이즈 데이터를 제출할 수 있기 때문입니다. 이것이 중간 관리자가 필요한 이유이며, 전통적인 Web2 세계에서 연합학습을 하려면 반드시 계약을 체결해야 하는 이유이기도 합니다. 신뢰할 수 있는 사람들과만 연합학습을 할 수 있기 때문입니다.
FLock은 탈중앙화 방식을 통해 이러한 악의적 노드를 방지합니다. 우리는스마트 계약을 중간 관리자로 대체하며, 일종의 검증자(Validator) 역할을 수행합니다.
머신러닝은 결과 중심입니다. 데이터를 처리한 후 생성된 모델의 결과가 정확도 향상 방향으로 나아가는지 검증하면 됩니다.
다른 모든 노드가 정확도 향상 방향으로 나아가는데, 당신만 낮아지는 방향으로 간다면 Slash(벌점)를 받게 됩니다. 한 번에 완전히 제거되는 것은 아니고, 점차적으로 감점되며, 계속해서 다른 사람들과 다르게 행동하면 결국 완전히 제외(Slash out)됩니다.
이것은 스마트 계약으로 관리되는 게임 이론적 메커니즘입니다.
극단적인 경우는 없을까요? 이것이 바로 전체 토큰 이코노미(Tokenomics)의 의미입니다.
저희 논문에서는 여러 극단적 상황을 분석했는데, 간단한 예를 들어보겠습니다.
제 데이터가 모두 오른손잡이 사용자라면, 한 노드가 왼손잡이 사용자일 경우 그 데이터는 확실히 다릅니다. 그러나 그는 진실된 데이터를 제공합니다. 이때 계산을 수행하면, 다른 모든 오른손잡이 사용자의 모델은 오른쪽으로 편향되고, 왼손잡이 사용자의 모델은 왼쪽으로 편향됩니다. 첫 번째 라운드에서 FLock의 컨센서스에 따라 왼손잡이 사용자의 노드는 다른 사람과 다르기 때문에 Slash를 당합니다. 두 번째 라운드에서도 조금 더 Slash를 당합니다. 그러나 몇 라운드를 거치면, 이 사용자의 데이터가 진실하고 모델에 진정한 기여를 하기 때문에, 모델 학습 변화가 어느 에포크(Epoch)에서부터 왼손잡이 사용자 쪽으로 서서히 편향되기 시작합니다. 결국 다른 모든 사용자들도 왼손잡이 모델 결과 방향으로 편향됩니다.
저희 토큰 이코노미에 따르면, FLock 시스템 내에서 최종 모델이 누구의 방향으로 편향되는지(속된 말로), 보상(Rewards) 배분도 그 쪽으로 기울어집니다. 따라서 왼손잡이 노드는 초기에 데이터의 독특성으로 인해 잠시 Slash를 당할 수 있지만, 궁극적으로는 최종 모델에 기여함으로써 더 많은 보상을 받게 되어 오히려 더 큰 수익을 얻습니다.
이것이 저희가 FLock 메커니즘을 설계한 이유이며, 논문으로 시작해 최고 학회에 발표한 후 FLock을 추진한 이유이기도 합니다. 여기에는 깊이 있는 고민이 필요했기 때문에, 초기 팀은 수익화(Monetization)를 전혀 하지 않고 오로지 논문 작성, 코드 개발, 실험, 시뮬레이션에만 집중했습니다. 또한 NeurIPS, TAI, Science 등의 동료 평가를 통해 기반이 견고하고 실험적 검증을 견딜 수 있음을 확인한 후에야 SDK와 테스트넷 구축을 시작했습니다.
TechFlow: 토큰 이코노미 또는 네트워크 내의 참여자(Player)들이 누구인지 간단히 설명해 주세요.
Jiahao:
참여자들은 Planner, Trainer, Validator 세 그룹입니다. 이를 전통적인 AI 커뮤니티의 HuggingFace와 같은 임무 플랫폼으로 추상화할 수 있습니다. Planner는 임무를 발행하고, 참여자들에게 인센티브를 제공하는 발주자입니다. Trainer는 AI 개발자이자 데이터 소유자로서, 모델이나 데이터를 제공하며 기여를 통해 수익을 기대합니다. Validator는 컴퓨팅 파워를 제공하고 AI 모델의 정확도를 검증함으로써 시스템이 공정하고 효율적으로 운영되도록 보장합니다.
시장 진입 전략(Go-to-Market)
TechFlow: FLock 스마트 계약은 프론트엔드에서 어떻게 나타납니까? 예를 들어 이미지 인식의 경우 절차는 어떻게 되나요?
Jiahao:
각 사용자는 웹사이트나 클라이언트를 열어 로컬 데이터 위치를 지정한 후 '학습(Training)' 버튼을 클릭하면 전체 학습 과정에 참여할 수 있습니다. 일반 사용자(Retail User)에게는 원활한(Smooth) 사용자 경험을 제공합니다.
TechFlow: 서로 다른 작업의 매칭(Matching)은 어떻게 이루어지나요?
Jiahao:
저는 학습자로서 제 데이터를 다양한 작업과 매칭시킬 수 있습니다. 예를 들어 병원에서 수면 데이터를 수집하고, 매일의 수면 데이터셋이 있다면, 저는 그 작업에 참여하도록 선택할 수 있습니다. 일종의 마켓플레이스와 같으며, 데이터 소유자로서 저는 어떤 작업에 참여할지 선택할 권리가 있습니다. 이 마켓플레이스의 인센티브는 기업(Business) 측에서 제공합니다. 예를 들어 병원, 은행, DeFi 기관이 보상금(Bounty)을 설정하여, FLock 상에 구축된 서브넷(Subnet)에 참여할 멤버를 유인합니다. 예를 들어 200K를 걸 수 있죠.
TechFlow: 그렇다면 시장 진입 시 먼저 기업 고객부터 확보하는 건가요?
Jiahao:
네, 현재까지의 유료 고객은 모두 기업 계약입니다. 이미 여러 차례 납품을 완료했고, 이제 마켓플레이스를 오픈하여 더 많은 기업들이 직접 작업을 게시할 수 있도록 하며, B2B 모델이 아닌 더 2C 지향적인 방향으로 전환하려고 합니다.
TechFlow: 전통적인 데이터 제공 기업들이 Web3를 얼마나 수용하고 있나요?
Jiahao:
이것은 그들의 비용을 낮춰줍니다. 오프체인(Off-Chain) 방식으로 진행하면 몇 개월이 걸리고, 많은 심사를 통과해야 합니다. 또한跨国 임상시험(Clinical Trial)을 진행하려면 문제가 더 심각합니다.거의 모든 국가가 의료 데이터의 해외 반출을 허용하지 않기 때문입니다. 따라서 대부분의 경우 이러한 프로젝트는 실행 불가능합니다.
따라서 FLock의 등장은 그들에게 돌파구를 제공합니다.
첫째, 본인의 데이터는 모두 로컬에 남아 있어, 많은 규제를 통과할 필요가 없습니다.
둘째, 이전에 생각하지 못했던 일을 할 수 있습니다. 예를 들어 한국, 일본, 중국이 협력하여 동아시아인 체질에 맞는 혈당 예측 및 모니터링을 위한 연합학습을 수행할 수 있습니다.
또한 더 큰 가능성이 있습니다. 협력 병원들이 언급한 내용으로는 원격의료가 있습니다. 이전에는 데이터가 국경을 넘을 수 없기 때문에 거의 불가능했지만, 연합학습 방식을 사용하면 한쪽에서 모니터링하고 다른 쪽에서 진단 결과를 도출할 수 있습니다. 양측은 서로의 데이터를 보지 않지만, 환자 입장에서는 훨씬 편리해집니다—검진 등을 위해 제3국으로 비행할 필요가 없어지기 때문입니다. 제가 알고 있는 바로는,의료 분야가 연합학습을 가장 잘 이해하는 산업이며, 두 번째로 잘 이해하는 산업은 금융 분야입니다. 이미 수많은 기술 기업들이 수차례 Pitch를 해왔기 때문입니다.
하지만 저희는 전통적인 금융 산업과는 협력하지 않고, DeFi와 직접 협력합니다. 왜냐하면 DeFi는 Web3를 완전히 이해하고 있어, 상호 이해의 장벽이 가장 낮기 때문입니다.
마켓플레이스 오픈 시,개인 사용자 니즈에 더 가까운 AI 스타트업에 집중할 계획입니다. 예를 들어 목소리 시뮬레이션을 하는 회사들입니다. 과거에 인공지능 기반 사진 생성 소프트웨어가 갑자기 인기를 잃은 이유는 프라이버시 조항에 "귀하의 모든 사진의 저작권은 ****에 귀속된다"는 무서운 문구가 포함되어 있었기 때문입니다. 사용자들은 10장의 얼굴 사진을 업로드해야 하므로, 사용을 꺼려했습니다. 그러나 목소리 시뮬레이션 스타트업들은 FLock을 제품에 '프라이버시 보호의 안심제'처럼 붙여 사용자들이 안심할 수 있도록 하고 싶어 합니다. 즉, 내 목소리는 여전히 내 로컬에 있으며, 블록체인에서 확인할 수 있듯이 제3자에게 전송된 적이 없다는 것을 보장하면서도, 내 목소리로赵本山처럼 말하는 등의 재미있는 시뮬레이션을 즐길 수 있습니다.
궁극적으로 저는 FLock이 프라이버시 산업의 CertiK와 같은 존재가 되기를 바랍니다. 프라이버시 보호 및 탈중앙화 모델 학습의 표준을 제정하는 선도적 기관이 되는 것이 목표입니다.
TechFlow: P2P 네트워크를 얼마나 오래 연구한 후 실현 가능하다고 판단하셨나요?
Jiahao:
일 년도 채 안 걸렸습니다. 논문을 몇 편 발표하자마자 빠르게 게재되어, 이 주제가 의미 있다는 것을 느꼈습니다.
저는 동료 평가자들이 일종의 지표라고 생각합니다. 발표한 내용이 지루하고 새로움이 없다고 느끼면, 상업화도 어렵겠죠. 하지만 당시 발표하자마자 다양한 긍정적인 피드백을 받았고, 이러한 긍정적 피드백은 매우 큰 도움이 되었습니다.
하지만 이것은 학계의 피드백일 뿐, 수익화 단계까지는 여전히 많은 노력이 필요합니다. 즉, 어떻게 하면 자본이 이 사업이 의미 있다고 느끼게 할 수 있을까? 어떻게 하면 자본이 이 사업에 전망이 있다고 생각하게 할 수 있을까? 이것이 또 다른 도전입니다.
첫 번째 단계는 R&D였고, 두 번째 단계는 테스트 버전과 오픈소스 코드 라이브러리를 출시한 후였습니다. 2023년 시장이 최악일 때 600만 달러 규모의 시드 라운드를 성공적으로 마쳤으며, Lightspeed Faction(광속 미국)이 주도 투자했습니다. 이는 최악의 시장 상황에서 최정상급이며 AI에 특화된 펀드가 투자했다는 점에서 큰 자신감을 주었고, 장기적인 발전에 대한 기대감을 높였습니다.
현재는 세 번째 단계, 즉 시장의 긍정적 평가를 받는 단계입니다. 우리는 FLock의 탈중앙화 학습 플랫폼 전체를 출시할 예정이며, 이는 마켓플레이스로서 모든 사용자가 자신만의 커뮤니티 AI 모델을 구축할 수 있게 합니다. 이미 우리 네트워크는 전 세계 시장에서 가장 큰 검증자(Validator)들로부터 지원 예약을 받았습니다.
TechFlow: 현재 사람들은 Web3의 가능성을 인식하고 있으며, 많은 프로젝트가 블록체인 기술을 현실 생활에 적용하고 있습니다. 여러분도 마찬가지죠. 어떻게 시장 노출을 늘릴 계획인가요?
Jiahao:
저희는 일종의 '대박 앱', 즉 필수적인 앱의 등장을 통해 시장을 공략하고자 합니다. 예를 들어 DeFi 커뮤니티와 가까이 지내는 이유는 이 분야에 필수적이지만 충족되지 않는 수요가 많기 때문입니다.
예를 들어 개인 신용대출을 할 때, 신용 데이터와 오프라인 은행카드는 연결될 수 없습니다. FLock은 사용자의 노드 내부에서 계산을 수행하여 신용 점수를 생성하고, 이를 신용 증명으로 사용할 수 있습니다. 아직 초저담보(Low Collateral) 대출은 어렵겠지만, 과다담보(Overcollateral) 대출에서는 다른 사람은 150% 담보를 요구할 때, 당신은 105%만으로도 가능하게 되어 시장의 대출 효율을 높일 수 있습니다. 많은 사용자에게 이것은 필수적인 수요입니다.
두 번째는 '대박' 포인트입니다. 앞서 언급한 목소리 시뮬레이션 앱처럼 다시 유행하고, 사람들이 서로 공유하며, 인플루언서들도 공유하면, 나도 이 앱을 다운로드하고 싶어질 것입니다.
이 두 가지 전략이 저희가 고객을 유치하고자 하는 주요 경로입니다.
TechFlow: FLock도 DePIN 분야에 속한다고 볼 수 있는데, 현재의 Decentralized Compute 및 Decentralized Storage와의 관계는 어떻게 되나요?
Jiahao:
저는 상하류 간의 협력이 좋다고 생각합니다. 우리는 Training Layer로서 일종의 중간 계층이며, 전통 산업에서 TensorFlow, PyTorch와 같은 위치를 차지합니다. 따라서 여전히 AWS에 모델을 배치하고, AWS S3에 데이터를 저장해야 하며, 우리는 조정 역할만 수행합니다. 컴퓨팅 파워는 어디서 오는가? 그리고 저장 솔루션 제공자들도 많습니다.
데이터 탈중앙화 저장 기술은 더 이상 큰 혁신 기회가 없다고 생각합니다. 이미 충분히 발전했기 때문입니다. 저희 테스트넷 1판은 IPFS와 상하위 협력이 잘 이루어졌으며, 탈중앙화 컴퓨팅을 통해 일반 사용자가 FLock 메커니즘을 무리 없이 쉽게 체험할 수 있도록 했습니다.
오리지널 이념에 따르면, 비트코인은 어떻게 사용해야 할까요? 집에서 컴퓨터를 켜고 전 세계 원장(Ledger)을 다운로드한 후, 다른 컴퓨터로 송금하는 방식이어야 합니다. 마찬가지로 FLock의 오리지널 사용법도 집 컴퓨터를 켜고 모든 데이터를 로컬에 두고, 제3자에게 절대 두지 않아야 하며(이것이 가장 안전한 방법), FLock 네트워크에 연결하는 것이어야 합니다. 하지만 모두가 좋은 컴퓨터를 가지고 항상 인터넷에 연결되어 있도록 요구할 수는 없습니다. 따라서 저희가 탈중앙화 컴퓨팅 및 데이터 기업과 협력하는 가장 중요한 목적은사용자가 FLock에 로그인하여 데이터를 탈중앙화 저장소에 올리고, 탈중앙화 컴퓨팅 파워를 사용하며, FLock이 데이터와 타인의 컴퓨팅 파워를 조정하여 결과를 산출하고, 공정하고 투명한 보상을 분배받을 수 있도록 하는 것입니다. 이렇게 하면 사용자는 메타마스크(Metamask)처럼 로그인 후 클릭 몇 번으로 끝내고 떠날 수 있습니다. 굳이 자신의 데이터를 호스팅할 컴퓨터를 직접 운영할 필요가 없습니다.
저희 입장에서는 상하류 협력이란 사용자 경험을 더 좋게 만들기 위한 것입니다.
AI에 관한 여담: GPT, GNN 및 기타 대규모 모델
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
深潮TechFlow
