Allora 백서 해석: 자기 개선이 가능한 탈중앙화 AI 네트워크

2024.06.06

Allora 백서 해석: 자기 개선이 가능한 탈중앙화 AI 네트워크

Allora의 목표는 더 나은 인센티브 구조를 통해 분산형 AI 네트워크 내 노드들이 더욱 효과적으로 협력할 수 있도록 하는 것이다.

2024.06.06 - 08:16:34

AlloraAI

Web3 심층 보도에 집중하고 흐름을 통찰

Allora의 목표는 더 나은 인센티브 구조를 통해 분산형 AI 네트워크 내 노드들이 더욱 효과적으로 협력할 수 있도록 하는 것이다.

글 작성: TechFlow

현재 시장은 메이크(Meme) 열풍이 한창이며, AI 분야는 잠시 숨고르기에 들어갔다.

하지만 NVIDIA의 실적 급증과 하반기 예정된 다양한 AI 산업 이벤트를 고려하면, 암호화 기반 AI 프로젝트는 여전히 주목할 만한 투자 대상이다.

현재 하나의 새로운 트렌드가 부상하고 있다. 바로 zkML(제로 난스 지능)과 AI 에이전트의 융합이다. 전자는 개인정보 보호와 보안을 유지하면서 AI 계산 결과의 정확성을 검증하는 데 초점을 맞추며, 후자는 스마트 계약과 탈중앙화 네트워크를 통해 자동화된 작업 수행 및 의사결정을 가능하게 한다.

일부 오래된 암호화 프로젝트들은 이러한 신규 트렌드를 활용해 사업 방향을 조정하며, 새로운 사이클에서 더 큰 가치를 창출하려 하고 있다.

Allora Network도 그 중 하나다.

어제 Allora는 최신 기술 백서를 공개하며, 자신을 "자체 개선형 탈중앙화 AI 네트워크"로 포지셔닝했다. 이는 곧바로 핫한 트렌드에 발맞추기 위한 전략임을 의미한다.

또한 프로젝트는 5월에 포인트 보상 프로그램을 발표했는데, 이더리움 파밍 참여자나 알파 헌터들에게도 충분한 관심 가치를 제공한다.

AI 분야가 이미 포화 상태인 상황에서, Allora는 어떤 차별화된 장점을 가졌을까? 기술 백서가 다소 복잡하기 때문에, 우리는 이를 해석하고 분석하여 핵심 가치와 프로젝트 개요를 보다 쉽게 이해할 수 있도록 정리했다.

AI 자원 독점이라는 오래된 문제

Allora의 백서에 따르면, 이 프로젝트는 현재 AI 분야의 오래된 문제를 해결하는 데 목적이 있다. 즉, 컴퓨팅 파워, 알고리즘, 데이터가 소수 거대 기업들 손에 집중되어 있어 자원 독점이 머신러닝(ML) 최적화를 저해한다는 점이다.

Allora는 최적의 머신 인공지능 구축의 핵심이 네트워크 내 연결 수를 극대화하고, 다양한 데이터셋과 알고리즘이 자유롭게 결합되도록 하는 것이라고 주장한다. 이를 통해 가장 관련성 있는 통찰을 얻을 수 있다는 것이다.

즉, 수많은 데이터셋과 추론 알고리즘을 연결할 수 있는 집단 지능 형태가 필요하다는 것이다.

간단히 말해, 기존 암호화 AI 프로젝트들에서는 서로 다른 모델 간 협업이 원활하지 못했으며, 인센티브 설계에도 문제가 있었다. 모델들이 서로 고립되어 있거나, 긴밀하고 효과적인 연계가 부족해 결국 추론 결과도 기대 이하였다.

비탈릭(Vitalik) 역시 이전에 "다양한 AI의 성과를 평가할 수 있는 고차원적 메커니즘이 필요하며, AI가 플레이어로서 참여할 수 있어야 한다"고 언급한 바 있다.

Allora의 목표는 더 나은 인센티브 구조를 통해 탈중앙화 AI 네트워크 노드들이 효과적으로 협력하도록 유도하는 동시에, 문맥 정보를 더 잘 인식하는 지능형 방식을 도입함으로써 머신러닝 모델의 성능을 높이고, 보다 효율적인 지능형 추론 판단을 실현하는 것이다.

Allora: 문맥 인식과 차등 인센티브 도입으로 모델 성능 향상

구체적으로, Allora는 어떻게 "성능이 더 뛰어난 탈중앙화 AI 네트워크"를 구현할까?

핵심적인 차별점은 문맥 인식과 차등화된 인센티브 구조에 있다. 이러한 혁신 덕분에 네트워크는 어떠한 환경에서도 최상의 추론 결과를 제공할 수 있으며, 각 참여자의 독특한 기여에 대해 공정한 보상을 제공할 수 있다.

하지만 두 용어는 다소 추상적으로 들릴 수 있으므로, 먼저 Allora 네트워크의 참여자들을 살펴보자.

Allora 네트워크의 참여자는 다음과 같은 세 가지 역할로 구성된다:

워커(Workers): AI 추론 결과를 제공하고, 다른 워커들의 추론 결과에 대한 손실값(loss value)을 예측한다.
리퓨터(Reputers): 워커들이 제공한 추론 결과와 손실값 예측의 품질을 평가한다.
컨슈머(Consumers): 네트워크에 추론 결과를 요청하고 비용을 지불한다.

위 그림에서 보듯이, 세 가지 주요 참여자는 '코디네이터(Topic Coordinator)'를 통해 상호작용한다:

컨슈머는 네트워크에 추론 결과를 요청하고, 그 결과를 받기 위해 비용을 지불한다.
워커는 추론 결과와 다른 워커들의 추론 결과에 대한 손실값 예측을 제공한다. 코디네이터는 이 정보를 종합해 더 정확한 추론 결과를 생성한다.
리퓨터는 실제 데이터를 사용해 워커들의 추론 결과와 손실값 예측을 평가함으로써 평가의 공정성을 보장하며, 다른 리퓨터들과의 합의 정도에 따라 보상을 받는다.

이러한 세 가지 역할의 설계를 통해, 효율적인 탈중앙화 머신 지능 네트워크가 구현되며, 자원 활용 최적화와 추론 정확도 향상이라는 목표를 달성한다. 본질적으로 역할 분담과 인센티브 메커니즘을 통해 자체 개선과 공정한 보상을 실현하는 설계라고 할 수 있다.

이제 세 가지 역할을 이해했으므로, Allora의 문맥 인식 및 차등 인센티브 설계를 이해하기가 훨씬 쉬워진다.

추론 합성 메커니즘

Allora의 추론 합성 메커니즘은 탈중앙화 머신 지능 구현의 핵심이다. 다음 단계를 통해 작동한다:

추론 작업(Inference Task): 각 워커는 자신의 데이터셋과 모델을 사용해 추론 결과를 생성한다.
예측 작업(Forecasting Task): 각 워커는 다른 워커들의 추론 결과에 대한 손실값을 예측하며, 이 예측 손실값은 해당 워커의 현재 조건 하에서의 기대 성능을 나타낸다.
문맥 인식 추론(Context-Aware Inference): 네트워크는 워커들이 제공한 예측 손실값을 사용해 가중 평균을 계산함으로써 문맥을 반영한 예측 추론 결과를 생성한다. 이 가중치는 과거 성과와 문맥 의존성을 고려한다.
네트워크 추론(Network Inference): 최종 네트워크 추론은 워커들의 추론 결과와 문맥 인식 예측 결과를 결합해 생성된다.

이 메커니즘의 핵심은 단순히 모델의 과거 정확도만 평가하는 다른 암호화 프로젝트들과 달리, 현재의 문맥까지 고려함으로써 최적의 추론 조합을 실현하고 전체 네트워크의 지능 수준을 향상시킨다는 점이다.

차등화된 보상 메커니즘

동시에 Allora는 모든 참여자의 기여가 공정하게 인정받도록 차등화된 보상 메커니즘을 도입한다:

워커 보상: 추론 및 예측 작업에 대한 기여도에 따라 배분되며, 고품질의 데이터와 예측 제공을 유도한다.
리퓨터 보상: 합의와의 일치 정도 및 지분 보유량에 기반해 보상을 지급함으로써 평가의 정확성과 공정성을 확보한다.
전체 보상 분배: 보상 메커니즘은 적극적인 기여를 장려할 뿐 아니라 탈중앙화 설계를 통해 특정 참여자의 과도한 집중을 방지한다.

현재 Allora에서 활용되고 있는 일부 솔루션은 다음과 같다:

AI 기반 가격 예측: 고급 금융 프라이미티브에 필수적인 정확하고 실시간 자산 가격 정보 제공.
AI 기반 보안 자금 운용: 개발자가 고급 DeFi 전략을 실행하고 수익 잠재력을 높일 수 있도록 지원.
AI 리스크 모델링: 프로토콜이 외부 위험에 대응할 수 있는 보다 안전한 시스템을 구축할 수 있도록 허용.
AnyML: 누구나(머신러닝 엔지니어가 아니더라도) 탈중앙화 AI를 활용해 더 강력한 제품을 개발할 수 있도록 모든 머신러닝 모델의 간편한 통합 제공.

토큰 이코노미

Allora 네트워크는 자체 토큰 ALLO를 사용해 참여자 간의 가치 교환을 촉진한다. ALLO 토큰의 주요 용도는 다음과 같다:

추론 결과 구매: 사용자는 ALLO 토큰으로 네트워크가 생성한 추론 결과를 구매할 수 있다. Allora는 "지불하고 싶은 만큼 지불(PWYW)" 모델을 채택해 사용자가 추론 결과에 얼마를 지불할지 스스로 결정할 수 있도록 한다.
참여 비용 지불: ALLO 토큰은 주제 생성 또는 네트워크 참여(워커, 리퓨터, 네트워크 검증자 등) 비용을 지불하는 데 사용된다. 참여 비용은 변동 가능하다.
스테이킹: 리퓨터와 네트워크 검증자는 ALLO 토큰을 스테이킹할 수 있으며, 다른 토큰 보유자들도 이를 리퓨터나 검증자에게 위임할 수 있다. 스테이킹한 리퓨터, 검증자 및 위임자는 ALLO 보상을 받는다.
보상 지급: 네트워크는 ALLO 토큰을 사용해 참여자들에게 보상을 지급한다. 워커의 경우, 보상은 네트워크 정확도에 대한 고유 기여도에 비례한다. 리퓨터와 네트워크 검증자의 경우, 보상은 스테이킹 규모와 합의 일치도에 비례한다.

토큰 가치

Allora 네트워크의 토큰 이코노미 설계는 토큰의 내재 가치와 안정성을 보장하는 데 목적이 있다:

수수료 수익: 네트워크가 수취한 모든 수수료는 보상 지급을 위한 네트워크 재무에 추가된다. 실제로는 재무의 감소 속도가 단순한 지수 감속보다 느려져 높은 APY를 유지할 수 있다.
토큰 회수: 네트워크는 수취한 수수료를 우선 보상 지급에 사용한 후, 필요한 경우에만 새 토큰을 발행한다. 이에 따라 시장 동향에 따라 ALLO 유통량이 증가(인플레이션)하거나 감소(디플레이션)할 수 있다.
평탄화 발행 메커니즘: 지수 이동 평균(EMA)을 적용해 토큰 발행을 평탄화함으로써 주요 토큰 언락 시 APY 급감을 방지하고, 토큰 보유자가 계속해서 스테이킹하도록 유도한다.

다만 백서에는 토큰 판매 일정이나 세부 사항이 언급되지 않았으며, 추가 정보는 소셜 미디어 채널을 통해 확인해야 한다.

Allora의 배경 자원

앞서 설명한 내용에는 글 서두에서 언급한 zkML 기술이 아직 등장하지 않았으며, Allora가 이 기술과 무관해 보인다.

하지만 Allora의 개발 핵심 기여자는 오랜 기술력을 가진 프로젝트 Upshot이다.

Upshot는 네트워크에 자사의 주력 가격 예측 모델을 배포함으로써 Allora의 기능을 강화한다. 이 모델은 4억 개 이상의 자산에 대해 AI 기반 가격 정보를 제공하며, 역사적으로 가장 정확한 예측은 95~99%의 신뢰도를 보였다.

또한 이 모델의 출력은 지금까지 가장 큰 체인 상 zkML 애플리케이션인 zkPredictor를 통해 제공될 수 있어, 애플리케이션이 암호학적으로 검증 가능한 방식으로 출력값을 사용할 수 있다.

또한 Upshot는 2022년 Polychain, Framework, CoinFund, Blockchain Capital이 주도한 2200만 달러의 펀딩을 유치한 바 있으며, 당시에는 NFT 자산의 실시간 평가 기술 개발을 목표로 했다. 이후 AI 붐과 함께 분야를 전환했지만, 그간 축적된 기술은 새로운 Allora 프로젝트에 그대로 활용되고 있다.