스마트 계약의 도입으로 페더레이티드 러닝이 진화하다: 플록(Flock)이 인공지능 생산 관계를 어떻게 재정의하는가?
글: LINDABELL
이전의 탈중앙화 AI 열풍에서 Bittensor, io.net, Olas 등과 같은 주요 프로젝트들은 혁신적인 기술과 선견지명 있는 전략으로 빠르게 업계를 선도하는 존재가 되었습니다. 그러나 이러한 기존 프로젝트들의 가치가 지속적으로 상승함에 따라 일반 투자자들이 참여하기 위한 진입 장벽 역시 점점 더 높아지고 있습니다. 그렇다면 현재 진행 중인 새로운 섹터 순환 속에서 여전히 새로운 참여 기회가 존재할까요?
Flock: 탈중앙화된 AI 모델 학습 및 검증 네트워크
Flock은 연합학습(Federated Learning)과 블록체인 기술을 결합한 탈중앙화된 AI 모델 학습 및 애플리케이션 플랫폼으로, 사용자에게 안전한 모델 학습 및 관리 환경을 제공하면서 데이터 프라이버시를 보호하고 커뮤니티 구성원 모두가 공정하게 참여할 수 있도록 합니다. 'Flock'이라는 이름은 2022년 처음 대중에게 소개되었으며, 창립팀은 당시 「FLock: Defending malicious behaviors in federated learning with blockchain」라는 제목의 학술 논문을 공동 발표하며 블록체인을 연합학습에 도입해 악성 행위를 방어하자는 개념을 제안했습니다. 이 논문은 분산 컴퓨팅 환경에서 모델 학습 과정의 데이터 보안과 프라이버시 보호를 강화하는 방법을 설명했으며, 동시에 이러한 새로운 아키텍처가 가지는 잠재력을 제시했습니다.
초기 개념 실증을 마친 후, Flock은 2023년 다중 에이전트(Multi-Agent) AI 네트워크인 Flock Research를 출시했습니다. Flock Research 내 각 에이전트는 특정 분야에 최적화된 대규모 언어 모델(LLM)로, 협업을 통해 다양한 분야의 통찰을 제공합니다. 이후 2024년 5월 중순, Flock은 탈중앙화된 AI 학습 플랫폼의 테스트넷을 정식으로 오픈했으며, 사용자는 테스트 토큰 FML을 활용해 모델 학습 및 파인튜닝(fine-tuning)에 참여하고 보상을 받을 수 있게 되었습니다. 2024년 9월 30일 기준, Flock 플랫폼의 일일 활성 AI 엔지니어 수는 300명을 돌파했고, 누적 제출 모델 수는 15,000개를 넘겼습니다.
프로젝트의 지속적인 발전에 따라 Flock은 자본시장의 주목도 받았습니다. 올해 3월, Flock은 Lightspeed Faction과 Tagus Capital이 리드하는 600만 달러 규모의 펀딩을 완료했으며, DCG, OKX Ventures, Inception Capital, Volt Capital 등이 참여했습니다. 특히 Flock은 2024년 이더리움 재단의 학술 지원 프로그램에서 유일하게 보조금을 받은 AI 인프라 프로젝트이기도 합니다.
AI 생산 구조의 재편: 연합학습에 스마트 계약 도입
연합학습(Federated Learning)은 여러 개체(일반적으로 클라이언트라고 함)가 데이터를 로컬에 유지한 상태에서 공동으로 모델을 학습할 수 있도록 하는 머신러닝 기법입니다. 전통적인 머신러닝과 달리, 연합학습은 모든 데이터를 중앙 서버로 업로드하지 않고 로컬에서 계산을 수행함으로써 사용자의 프라이버시를 보호합니다. 실제로 구글은 2017년부터 Gboard 입력기에 연합학습을 적용해 입력 제안 및 문장 예측 기능을 최적화하면서도 사용자의 입력 데이터가 업로드되지 않도록 했습니다. 테슬라도 자율주행 시스템에 비슷한 기술을 활용해 차량의 환경 인식 능력을 로컬에서 향상시키며, 대량의 영상 데이터 전송 필요성을 줄였습니다.
그러나 이러한 응용은 여전히 문제점을 안고 있습니다. 특히 프라이버시와 보안 측면에서, 사용자는 중앙화된 제3자에 대한 신뢰를 요구받으며, 모델 파라미터의 전송 및 집계 과정에서 악성 노드가 가짜 데이터나 악성 파라미터를 업로드해 전체 모델의 성능을 저하시키거나 잘못된 예측을 유발할 위험이 있습니다. IEEE 저널에 게재된 FLock 팀의 연구에 따르면, 기존 연합학습 모델은 악성 노드가 10% 존재할 경우 정확도가 96.3%로 하락하며, 악성 노드 비율이 30%, 40%로 증가하면 정확도는 각각 80.1%, 70.9%까지 떨어집니다.
이러한 문제를 해결하기 위해 Flock은 연합학습 아키텍처에 블록체인 기반 스마트 계약을 '신뢰 엔진(trust engine)'으로 도입했습니다. 스마트 계약은 탈중앙화 환경에서 자동화된 파라미터 수집과 검증을 수행하며, 결과를 편향 없이 공개함으로써 악성 노드의 데이터 조작을 효과적으로 방지합니다. 기존 연합학습 방식과 비교하면, 악성 노드 비율이 40%에 달해도 FLock의 모델 정확도는 여전히 95.5% 이상을 유지합니다.
AI 실행 계층으로서의 포지셔닝: FLock의 3단계 아키텍처 분석
현재 AI 분야의 주요 과제 중 하나는 AI 모델 학습 및 데이터 사용 자원이 여전히 소수의 대형 기업에 집중되어 있다는 점입니다. 일반 개발자와 사용자는 이러한 자원을 효율적으로 활용하기 어렵고, 사전에 구축된 표준화된 모델 외에는 선택지가 없습니다. 이는 수요와 공급의 불일치를 초래하며, 시장에 풍부한 컴퓨팅 파워와 데이터가 있음에도 불구하고 이를 실제 사용 가능한 모델이나 애플리케이션으로 전환하지 못하게 합니다.
이 문제에 대응하기 위해 Flock은 수요, 자원, 컴퓨팅 파워, 데이터를 효율적으로 조율하는 스케줄링 시스템이 되고자 합니다. Flock은 Web3 기술 스택을 참고해 스스로를 '실행 계층(execution layer)'로 정의하며, 사용자의 맞춤형 AI 요청을 탈중앙화된 노드들에 분배하고, 스마트 계약을 통해 글로벌 노드에서 작업을 스케줄링하는 것이 핵심 기능입니다.
또한 생태계 전반의 공정성과 효율성을 보장하기 위해 FLock 시스템은 '정산(settlement)'과 '합의(consensus)' 기능도 수행합니다. 정산은 참여자의 기여에 따른 보상 및 처벌 메커니즘을 의미하며, 합의는 학습 결과의 품질을 평가하고 최적화해 최종 모델이 전역 최적해(global optimum)를 반영하도록 합니다.
FLock의 전체 제품 아키텍처는 세 가지 모듈로 구성됩니다: AI Arena, FL Alliance, AI Marketplace. AI Arena는 탈중앙화된 모델 기본 학습을 담당하며, FL Alliance는 스마트 계약 기반의 모델 파인튜닝을 수행하고, AI Marketplace는 최종 모델의 응용 시장 역할을 합니다.
AI Arena: 로컬 기반 모델 학습 및 검증 인센티브
AI Arena는 Flock의 탈중앙화된 AI 학습 플랫폼으로, 사용자는 Flock 테스트넷 토큰 FML을 스테이킹해 참여할 수 있으며, 이에 따른 보상을 받습니다. 사용자가 원하는 모델을 정의하고 작업을 제출하면, AI Arena 내 학습 노드는 주어진 초기 모델 구조를 기반으로 로컬에서 모델 학습을 수행하며, 데이터를 중앙 서버로 직접 업로드할 필요가 없습니다. 각 노드의 학습이 완료되면 검증자가 해당 노드의 작업을 평가하고, 모델 품질을 검토해 점수를 부여합니다. 검증 과정에 직접 참여하지 않으려면, 대신 자신의 토큰을 검증자에게 위임함으로써 보상을 얻을 수도 있습니다.
AI Arena에서 모든 역할의 보상 체계는 스테이킹 수량과 작업 품질이라는 두 가지 핵심 요소에 기반합니다. 스테이킹 수량은 참여자의 '헌신도(commitment)'를 나타내며, 작업 품질은 그들의 기여도를 측정합니다. 예를 들어, 학습 노드의 보상은 스테이킹 수량과 제출한 모델의 품질 순위에 따라 결정되며, 검증자의 보상은 투표 결과와 합의의 일치 정도, 스테이킹한 토큰 수량, 검증 참여 횟수 및 성공률에 따라 산정됩니다. 위임자의 수익은 선택한 검증자와 스테이킹 수량에 따라 달라집니다.
AI Arena는 기존 머신러닝 모델 학습 방식을 지원하며, 사용자는 자신의 장비에서 로컬 데이터 또는 공개 데이터를 활용해 학습함으로써 최종 모델의 성능을 극대화할 수 있습니다. 현재 AI Arena 공개 테스트넷에는 활성 학습 노드 496개, 검증 노드 871개, 위임 사용자 72명이 존재합니다. 현재 플랫폼의 스테이킹 비율은 97.74%이며, 학습 노드의 평균 월 수익률은 40.57%, 검증 노드는 24.70%입니다.
FL Alliance: 스마트 계약 기반 자동화된 파인튜닝 플랫폼
AI Arena에서 가장 높은 점수를 받은 모델은 '합의 모델(consensus model)'로 선정되어 FL Alliance로 이관되어 추가 파인튜닝을 거칩니다. 파인튜닝은 여러 라운드에 걸쳐 진행되며, 각 라운드 시작 시 시스템은 해당 작업과 관련된 FL 스마트 계약을 자동 생성합니다. 이 스마트 계약은 작업 실행과 보상 분배를 자동으로 관리합니다. 동일하게 모든 참여자는 일정량의 FML 토큰을 스테이킹해야 합니다. 참여자는 무작위로 제안자(proposer) 또는 투표자(voter)로 배정되며, 제안자는 자신의 로컬 데이터셋을 사용해 모델을 학습하고, 학습된 모델 파라미터 또는 가중치를 다른 참여자에게 업로드합니다. 투표자들은 제안자의 모델 업데이트 결과를 종합해 투표 및 평가를 수행합니다. 이후 모든 결과는 스마트 계약에 제출되며, 계약은 이번 라운드 점수와 이전 라운드 점수를 비교해 모델 성능의 향상 또는 저하를 평가합니다. 성능 점수가 향상되면 다음 단계의 학습으로 넘어가며, 점수가 저하되면 이전 라운드에서 검증된 모델을 기반으로 새로운 라운드의 학습, 집계, 평가를 시작합니다.
FL Alliance는 연합학습과 스마트 계약 메커니즘을 결합해, 데이터 주권을 보장하면서 다수의 참여자가 공동으로 전역 모델을 학습하는 목표를 실현합니다. 또한 서로 다른 데이터를 통합하고 가중치를 집계함으로써 더 우수한 성능과 강력한 능력을 갖춘 전역 모델을 구축할 수 있습니다. 나아가 참여자는 토큰 스테이킹을 통해 참여 의지를 표명하며, 모델 품질과 합의 결과에 따라 보상을 받음으로써 공정하고 투명한 생태계 메커니즘을 형성합니다.
AI Marketplace: 맞춤형 AI 서비스는 어떻게 제공되는가?
AI Arena에서 학습되고 FL Alliance에서 파인튜닝된 모델은 최종적으로 AI Marketplace에 배포되어, 다른 애플리케이션에서 호출하여 사용할 수 있게 됩니다. 기존의 '모델 시장'과 달리 AI Marketplace는 기성 모델뿐 아니라, 사용자가 모델을 추가로 수정하고 새로운 데이터 소스를 통합해 다양한 시나리오에 대응할 수 있도록 지원합니다. 또한 AI Marketplace는 RAG(Retrieval-Augmented Generation, 검색 확장 생성) 기술을 통합해 특정 분야의 모델 정확도를 향상시킵니다. RAG는 대규모 언어 모델을 보강하는 방법으로, 답변 생성 시 외부 지식 베이스에서 관련 정보를 검색함으로써 모델의 응답을 더욱 정확하고 개인화되게 만듭니다.
현재 AI Marketplace에는 다양한 응용 시나리오를 기반으로 한 맞춤형 GPT 모델들이 이미 출시되었습니다. BTC GPT, Farcaster GPT, Scroll GPT, Ethereum GPT 등이 대표적입니다. 여기서 BTC GPT를 예로 들어 일반 모델과 맞춤형 모델의 차이를 살펴보겠습니다.
2023년 12월, BTC GPT와 ChatGPT에 동시에 "ARC20이란 무엇인가?"라고 질문했을 때:
-
BTC GPT의 답변: "ARC20 프로토콜은 비트코인 네트워크를 기반으로 구축된 프로토콜로, 사용자가 NFT 및 교환 가능한 토큰과 같은 디지털 자산을 생성, 이전 및 업그레이드할 수 있도록 합니다. ARC20 프로토콜을 통해 비트코인 네트워크 상에서 비교환 가능한 NFT와 교환 가능한 토큰을 생성할 수 있습니다. ARC20 프로토콜의 주요 토큰은 ATOM이며, 프로토콜 내 다양한 용도로 사용됩니다."
-
ChatGPT의 답변: "제 마지막 지식 업데이트인 2022년 1월 기준으로, 기술, 금융 또는 기타 일반적인 분야에서 ARC20이라는 명칭의 널리 인정된 표준이나 기술은 존재하지 않습니다. 이후에 ARC20이라는 새로운 기술이나 표준이 등장했을 가능성은 있지만, 저는 관련 정보를 가지고 있지 않습니다."
두 답변을 비교하면 맞춤형 GPT 모델의 중요성과 장점을 알 수 있습니다. 일반 언어 모델과 달리, 맞춤형 GPT 모델은 특정 분야의 데이터로 학습되어 더욱 정밀한 답변을 제공할 수 있습니다.
DCG가 지원하는 두 프로젝트, Flock과 Bittensor의 차이점은 무엇인가?
AI 섹터의 회복세에 따라 탈중앙화 AI 프로젝트의 대표격인 Bittensor의 토큰은 지난 30일 동안 93.7% 이상 상승하며 역사적 고점에 근접했고, 시가총액은 다시 한번 40억 달러를 돌파했습니다. 주목할 점은 Flock의 투자사 중 하나인 DCG가 Bittensor 생태계에서 가장 큰 검증자 및 마이너 중 하나라는 사실입니다. 관련자에 따르면 DCG는 약 1억 달러 상당의 TAO를 보유하고 있으며, 2021년 '비즈니스 인사이더(Business Insider)'의 기사에서 DCG 투자자 매튜 벡(Matthew Beck)은 Bittensor를 전망 있는 암호화폐 스타트업 53곳 중 하나로 추천한 바 있습니다.
둘 다 DCG의 지원을 받고 있지만, FLock과 Bittensor는 포지셔닝에서 차이를 보입니다. 구체적으로 Bittensor는 탈중앙화된 AI 인터넷 구축을 목표로 하며, '서브넷(Subnet)'을 기본 단위로 사용합니다. 각 서브넷은 탈중앙화된 시장과 같으며, 사용자는 '마이너(miner)' 또는 '검증자(validator)' 등의 역할로 참여할 수 있습니다. 현재 Bittensor 생태계에는 텍스트-음성 변환, 콘텐츠 생성, 대규모 언어 모델 파인튜닝 등 다양한 분야를 아우르는 49개의 서브넷이 존재합니다.
지난해부터 Bittensor는 시장의 주목을 받아왔습니다. 첫째로 토큰 가격이 급등했기 때문인데, 2023년 10월 80달러에서 올해 최고 730달러까지 치솟았습니다. 둘째로는 다양한 비판도 제기되고 있는데, 개발자를 유치하기 위해 토큰 인센티브에 의존하는 모델이 지속 가능할지에 대한 의문이 그것입니다. 또한 Bittensor 생태계에서 상위 3개 검증자(Opentensor Foundation, Taostats & Corcel, Foundry)가 스테이킹한 TAO 비중이 약 40%에 달해 탈중앙화 수준에 대한 우려도 제기되고 있습니다.
반면 FLock은 블록체인을 연합학습에 도입해 맞춤형 AI 서비스를 제공하는 데 초점을 맞추고 있습니다. Flock은 스스로를 'AI 분야의 우버(Uber)'로 정의하며, AI 수요와 개발자를 연결하는 '탈중앙화된 스케줄링 시스템' 역할을 수행합니다. 체인 상의 스마트 계약을 통해 작업 배분, 결과 검증, 보상 정산을 자동화함으로써 모든 참여자가 기여도에 따라 공정하게 보상을 받을 수 있도록 합니다. 다만 Bittensor와 마찬가지로, Flock도 학습 노드 및 검증자 외에 '위임 참여(delegation)' 옵션을 제공합니다.
구체적으로 다음과 같습니다:
-
학습 노드: 토큰을 스테이킹해 AI 작업 학습 경쟁에 참여하며, 컴퓨팅 파워와 AI 개발 경험을 갖춘 사용자에게 적합합니다.
-
검증자: 역시 토큰을 스테이킹해 네트워크에 참여하며, 마이너의 모델 품질을 검증하고 검증 점수를 제출해 보상 분배에 영향을 미칩니다.
-
위임자: 토큰을 마이너 및 검증자 노드에 위임해 해당 노드의 작업 배분 가중치를 높이고, 위임된 노드의 보상 수익을 공유합니다. 이를 통해 기술적 능력이 없어도 학습이나 검증 작업에 참여하지 않고도 네트워크에 기여하며 수익을 얻을 수 있습니다.
FLock.io는 이제 공식적으로 위임자 참여 기능을 오픈했으며, 누구나 FML 토큰을 스테이킹해 수익을 얻을 수 있습니다. 또한 기대 연간 수익률에 따라 최적의 노드를 선택함으로써 스테이킹 수익을 극대화할 수 있습니다. Flock은 테스트넷 단계의 스테이킹 및 관련 작업이 메인넷 출시 후 잠재적 에어드랍 보상에 영향을 미칠 것이라고 밝혔습니다.
앞으로 FLock은 AI 전문 지식이 없는 개인 사용자들도 쉽게 AI 모델 생성 및 학습에 참여할 수 있도록 더욱 사용자 친화적인 작업 생성 메커니즘을 도입할 계획입니다. 이는 '누구나 AI에 참여할 수 있다'는 비전을 실현하기 위한 것입니다. 또한 Flock은 다양한 분야에서 협업을 확대하고 있습니다. Request Finance와 협력해 체인 상 신용 평가 모델을 개발하고 있으며, Morpheus 및 Ritual과 함께 트레이딩 봇 모델을 구축하고 있습니다. Akash 상에서 모델 학습을 쉽게 시작하고 운영할 수 있도록 일클릭 배포 가능한 학습 노드 템플릿도 제공합니다. 또한 Aptos를 위해 개발자용 Move 언어 프로그래밍 어시스턴트도 학습했습니다.
종합적으로 보면, Bittensor와 Flock은 시장 포지셔닝에서 차이를 보이지만, 모두 탈중앙화된 기술 아키텍처를 통해 AI 생태계의 생산 구조를 재정의하려는 노력을 하고 있습니다. 두 프로젝트의 공통된 목표는 중앙화된 거대 기업들의 AI 자원 독점을 해체하고, 더 개방적이고 공정한 AI 생태계를 구축하는 것이며, 바로 이것이 현재 시장이 절실하게 요구하는 바이기도 합니다.
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
@ChainFeedsxyz
