AI x Web3: 신산업 지도와 미래 잠재력 탐구
TechFlow 선정TechFlow 추천
AI x Web3: 신산업 지도와 미래 잠재력 탐구
AI와 Web3는 서로 독립된 기술로 보이며, 각각 근본적으로 다른 원리에 기반하고 있으며 서로 다른 기능을 수행한다. 그러나 심층적으로 살펴보면 두 기술이 서로의 장단점을 보완할 수 있는 가능성을 가지고 있으며, 각자의 고유한 강점이 시너지를 내어 상호 간에 발전을 촉진할 수 있다는 것을 알 수 있다.
Web3 심층 보도에 집중하고 흐름을 통찰글: IOSG Ventures
Part One
처음 보면 AI x Web3는 근본적으로 서로 다른 원리에 기반하고 각기 다른 목적을 수행하는 독립적인 기술처럼 보인다. 그러나 깊이 있게 살펴보면 두 기술은 서로의 한계를 보완할 수 있으며, 고유한 장점을 통해 상호 시너지를 낼 수 있다. Balaji Srinivasan은 SuperAI 컨퍼런스에서 이러한 보완 관계 개념을 정교하게 설명하며, 두 기술 간의 상호작용 방식에 대한 자세한 비교 분석을 촉발했다.
토큰은 익명의 네트워크 펑크들이 시작한 하향식 비중심화 노력에서 출발해, 지난 10여 년간 전 세계 다수의 독립된 주체들이 협력하며 진화해왔다. 반면 인공지능(AI)은 소수의 거대 테크 기업들이 주도하는 상향식 방식으로 개발된다. 이들 기업이 산업의 속도와 동향을 결정하며, 시장 진입 장벽은 기술적 복잡성보다는 리소스 집약성에 의해 더 크게 좌우된다.
두 기술은 본질 또한 극명하게 다르다. 본질적으로 토큰은 해시 함수나 제로 지식 증명의 예측 가능성처럼 불변의 결과를 도출하는 결정론적 시스템이다. 이는 AI가 지닌 확률적이며 종종 예측 불가능한 특성과 뚜렷한 대조를 이룬다.
마찬가지로 암호화 기술은 검증에 뛰어나며, 거래의 진위성과 보안성을 보장하고 신뢰 불필요한(trustless) 프로세스 및 시스템을 구축한다. 반면 AI는 다양한 디지털 콘텐츠 생성에 집중한다. 하지만 디지털 콘텐츠를 풍부하게 만드는 과정에서 콘텐츠의 출처를 확인하고 신원 도용을 방지하는 것은 여전히 큰 과제이다.
다행히 토큰은 디지털 풍부함의 반대 개념인 디지털 희소성(digital scarcity)을 제공한다. 이는 AI 기술에 적용할 수 있는 상대적으로 성숙한 도구들을 제공하여 콘텐츠 출처의 신뢰성을 확보하고 신원 도용 문제를 해결할 수 있다.
토큰의 또 다른 두드러진 강점은 특정 목표를 위해 많은 하드웨어와 자본을 조정 네트워크에 유치할 수 있는 능력이다. 이 능력은 계산 능력을 엄청나게 소비하는 AI에게 특히 유리하다. 활용되지 않는 자원을 동원해 더 저렴한 컴퓨팅 파워를 제공함으로써 AI의 효율성을 크게 향상시킬 수 있다.
이렇게 두 기술을 비교함으로써 우리는 각각의 기여를 인정할 뿐만 아니라, 함께 새로운 기술 및 경제적 길을 개척할 가능성을 엿볼 수 있다. 각 기술은 서로의 단점을 보완하며 더욱 통합되고 혁신적인 미래를 창출할 수 있다. 본 블로그에서는新兴하는 AI x Web3 산업 생태계를 탐색하고, 이러한 교차점에서 나타나는 새로운 세로(vertical) 영역들을 소개하고자 한다.
Source: IOSG Ventures
Part Two
2.1 컴퓨팅 네트워크
산업 생태도는 먼저 컴퓨팅 네트워크부터 소개하는데, 이들은 제한된 GPU 공급 문제를 해결하고 다양한 방식으로 컴퓨팅 비용을 낮추려는 시도들이다. 다음 항목들이 특히 주목할 만하다:
- 비균질 GPU 상호운용성: 매우 야심 찬 시도로, 기술적 위험과 불확실성이 크지만, 성공할 경우 모든 컴퓨팅 자원을 상호 교환 가능한 상태로 만들어 규모와 영향력이 막대한 결과를 낳을 수 있다. 핵심 아이디어는 컴파일러 등 기반 기술을 구축해 공급 측면에서 어떤 하드웨어 자원이라도 네트워크에 연결할 수 있도록 하고, 수요 측면에서는 모든 하드웨어의 비균질성을 완전히 추상화하여 사용자의 컴퓨팅 요청이 네트워크 내 어느 자원으로든 라우팅되도록 하는 것이다. 이 비전이 실현된다면 현재 AI 개발자가 절대적으로 의존하는 CUDA 소프트웨어에 대한 의존도를 줄일 수 있다. 다만 기술적 리스크가 매우 크고, 많은 전문가들이 이 방법의 실현 가능성을 높게 의심하고 있다.
- 고성능 GPU 집약: 인기 있는 고성능 GPU들을 중앙 통제 없이 분산된 네트워크로 통합하되, 비균질 GPU 자원 간의 상호운용성 문제는 고려하지 않는다.
- 소비자용 일반형 GPU 집약: 성능은 낮지만 소비자 기기에서 이용 가능한 GPU들을 모아서 집약하는 방식으로, 공급 측면에서 가장 낭비되고 있는 자원을 활용한다. 성능과 속도를 희생하고 더 저렴하면서도 긴 학습 과정을 원하는 사용자층을 겨냥한다.
2.2 학습과 추론
컴퓨팅 네트워크는 주로 두 가지 기능에 사용된다: 학습(training)과 추론(inference). 이러한 네트워크에 대한 수요는 Web 2.0과 Web 3.0 프로젝트 모두에서 발생한다. Web 3.0 분야에서는 Bittensor 같은 프로젝트가 모델 미세 조정을 위해 컴퓨팅 자원을 활용한다. 추론 측면에서는 Web 3.0 프로젝트들이 프로세스의 검증 가능성을 강조한다. 이러한 초점은 '검증 가능한 추론(verified inference)'이라는 시장 세그먼트를 탄생시키며, 여러 프로젝트들이 AI 추론을 스마트 계약에 통합하면서도 탈중앙화 원칙을 유지하는 방법을 모색하고 있다.
2.3 스마트 에이전트 플랫폼
다음은 스마트 에이전트 플랫폼으로, 생태도는 이 범주에 속하는 스타트업들이 해결해야 할 핵심 문제들을 다음과 같이 요약한다:
- 에이전트 간 상호운용성, 발견 및 통신 능력: 에이전트들이 서로를 발견하고 소통할 수 있어야 한다.
- 에이전트 클러스터 구성 및 관리 능력: 에이전트들이 클러스터를 형성하고 다른 에이전트들을 관리할 수 있어야 한다.
- AI 에이전트의 소유권 및 시장: AI 에이전트에 대한 소유권과 거래 시장을 제공해야 한다.
이러한 특성들은 다양한 블록체인 및 AI 애플리케이션에 무리 없이 통합될 수 있는 유연하고 모듈화된 시스템의 중요성을 강조한다. AI 에이전트는 우리가 인터넷과 상호작용하는 방식을 근본적으로 변화시킬 잠재력을 지니고 있으며, 우리는 에이전트들이 인프라를 활용해 운영을 지원할 것이라고 믿는다. 우리는 AI 에이전트가 다음과 같은 면에서 인프라에 의존할 것으로 전망한다:
- 분산형 크롤링 네트워크를 활용해 실시간 웹 데이터에 접근
- DeFi 채널을 통해 에이전트 간 결제 수행
- 부적절한 행동에 대한 처벌뿐 아니라, 에이전트의 발견 가능성 향상을 위해 경제적 예치금 필요 (예: 발견 과정에서 예치금을 경제적 신호로 활용)
- 어떤 사건이 슬래싱(slashing)을 유도해야 하는지 결정하기 위해 합의(consensus) 활용
- 오픈된 상호운용성(interoperability) 표준과 에이전트 프레임워크를 통해 조합 가능한 집단(composable collectives) 구축 지원
- 불변의 데이터 기록(immutable data history)을 기반으로 과거 성과 평가 및 적합한 에이전트 집단 실시간 선택
Source: IOSG Ventures
2.4 데이터 계층
AI x Web3 융합에서 데이터는 핵심 구성 요소이다. 데이터는 컴퓨팅 자원과 함께 AI 경쟁에서 전략적 자산으로 자리 잡고 있다. 그러나 업계 대부분의 관심이 컴퓨팅 계층에 집중되어 있기 때문에 이 분야는 종종 간과된다. 실제로 데이터 획득 과정에서 프리미티브들은 여러 흥미로운 가치 창출 방향을 제공하며, 주로 다음 두 가지 고차원적 방향으로 나뉜다:
- 공개 인터넷 데이터 접근
- 보호된 데이터 접근
공개 인터넷 데이터 접근: 이 방향은 수일 내에 전체 인터넷을 크롤링해 방대한 데이터셋을 수집하거나, 매우 구체적인 실시간 인터넷 데이터에 접근하는 분산형 크롤러 네트워크를 구축하는 것을 목표로 한다. 그러나 인터넷의 방대한 데이터를 크롤링하려면 네트워크 요구사항이 매우 높으며, 의미 있는 작업을 시작하려면 최소 수백 개 이상의 노드가 필요하다. 다행히 Grass라는 분산형 크롤러 노드 네트워크는 이미 200만 개 이상의 노드가 인터넷 대역폭을 네트워크에 공유하며, 전체 인터넷 크롤링을 목표로 하고 있다. 이는 경제적 인센티브가 소중한 자원을 유치하는 데 얼마나 큰 잠재력을 지녔는지를 보여준다.
Grass가 공개 데이터 분야에서 공정한 경쟁 환경을 제공하더라도, 여전히 해결해야 할 과제가 존재한다—즉, 사적 데이터셋에 대한 접근 문제이다. 구체적으로 말하면, 민감한 성격으로 인해 개인정보 보호 방식으로 보관되는 데이터가 여전히 많다. 많은 스타트업들이 암호학적 도구를 활용해 AI 개발자가 민감 정보를 비밀로 유지하면서도 전용 데이터셋의 기본 구조를 활용해 대규모 언어 모델을 구축하고 미세 조정할 수 있도록 하고 있다.
연합 학습(federated learning), 차등 프라이버시(differential privacy), 신뢰할 수 있는 실행 환경(TEE), 완전 동형 암호(full homomorphic encryption), 다자간 계산(MPC) 등의 기술은 다양한 수준의 프라이버시 보호와 트레이드오프를 제공한다. Bagel의 연구 글은 이러한 기술들의 우수한 개요를 정리하고 있다. 이러한 기술들은 머신러닝 과정에서 데이터 프라이버시를 보호할 뿐 아니라, 컴퓨팅 수준에서 포괄적인 프라이버시 보호 AI 솔루션을 실현할 수 있다.
2.5 데이터 및 모델 출처
데이터 및 모델 출처 기술은 사용자가 의도한 모델과 데이터와 상호작용하고 있음을 보장하는 프로세스를 구축하는 것을 목표로 한다. 또한 이러한 기술은 진위성과 출처에 대한 보증을 제공한다. 워터마킹 기술을 예로 들면, 워터마킹은 모델 출처 기술 중 하나로, 서명을 머신러닝 알고리즘 자체에 직접, 더 구체적으로는 모델 가중치에 직접 삽입함으로써 추론 결과가 의도한 모델에서 나왔는지를 검증할 수 있게 한다.
2.6 애플리케이션
애플리케이션 분야에서는 설계 가능성의 한계가 없다. 위의 산업 생태도에서 우리는 AI 기술이 Web 3.0 분야에 적용되며 특히 주목받는 발전 사례들을 일부 나열하였다. 이러한 사례들은 대부분 자명한 성격이므로 추가 설명은 생략한다. 다만 주목할 점은, AI와 Web 3.0의 융합이 많은 수직 분야를 재편할 가능성이 있다는 것이다. 왜냐하면 이러한 새로운 프리미티브들은 개발자들이 혁신적인 사용 사례를 만들고 기존 사례를 최적화할 수 있는 자유도를 더욱 높여주기 때문이다.
Part Three
결론
AI x Web3의 융합은 혁신과 잠재력을 가진 밝은 미래를 제시한다. 각 기술의 고유한 강점을 활용함으로써 다양한 과제를 해결하고 새로운 기술적 경로를 열 수 있다. 이 신흥 산업을 탐색하면서, AI와 Web3 사이의 시너지는 진보를 이끌고 우리의 디지털 경험과 온라인 상호작용 방식을 재정의할 수 있다.
디지털 희소성과 디지털 풍부함의 융합, 컴퓨팅 효율성을 위한 미활용 자원의 동원, 그리고 안전하고 프라이버시를 보호하는 데이터 활용 체계의 수립은 차세대 기술 진화의 시대를 정의할 것이다.
그러나 우리는 이 산업이 아직 초기 단계이며, 현재의 산업 생태도가 단기간 내에 곧바로 구식이 될 수 있음을 인식해야 한다. 빠른 혁신 속도는 오늘날의 선도적 솔루션이 곧 새로운 돌파구에 의해 대체될 수 있음을 의미한다. 그럼에도 불구하고, 컴퓨팅 네트워크, 에이전트 플랫폼, 데이터 프로토콜 등에서 논의된 기초 개념들은 AI와 Web3의 융합이 지닌 거대한 가능성을 부각시킨다.
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
IOSG Ventures
