비탈릭 신규 글: 단순한 예측 시장을 넘어서, 폴리마켓이 정보 금융을 재정의할 수 있다
저자: 비탈릭 부테린
번역: 0xjs, 금색재경
제가 가장 기대하는 이더리움 애플리케이션 중 하나는 예측 시장입니다. 2014년 저는 로빈 행슨(Robin Hanson)이 고안한 예측 기반 거버넌스 모델인 퓨타크라시(futarchy)에 관한 글을 썼습니다. 이미 2015년부터 저는 Augur의 적극적인 사용자이자 지지자였습니다(보세요, 제 이름이 위키백과 문서에 나와 있어요). 저는 2020년 미국 대선 베팅에서 58,000달러를 벌었습니다. 올해 들어서는 Polymarket을 가까이서 지지하고 주목해 왔습니다.
많은 사람들에게 예측 시장은 선거에 내기를 거는 것이며, 선거에 내기를 건다는 것은 도박일 뿐입니다—사람들이 즐거움을 느낄 수 있게 해준다면 좋겠지만, 근본적으로는 pump.fun에서 무작위 토큰을 사는 것보다 더 재미있는 활동은 아닙니다. 이런 관점에서 보면, 제가 예측 시장에 관심을 갖는 것은 이상하게 보일 수 있습니다. 따라서 이번 글에서는 왜 제가 이 개념에 열광하는지 설명하고자 합니다. 요약하자면, (i) 기존의 예측 시장만으로도 세계에 매우 유용한 도구이지만, 더 나아가 (ii) 예측 시장은 훨씬 더 크고 강력한 범주 안의 한 사례에 불과하며, 이 범주는 더 나은 소셜 미디어, 과학, 언론, 거버넌스 및 기타 분야를 구현할 잠재력을 지니고 있습니다. 저는 이 범주를 '정보금융(info finance)'이라고 부르겠습니다.
Polymarket의 양면성: 참여자들에게는 베팅 사이트이며, 다른 모든 이들에게는 뉴스 사이트
지난 일주일간 Polymarket은 미국 대선 관련 정보를 제공하는 데 매우 효과적이었습니다. Polymarket은 단순히 트럼프의 승리 가능성을 60대 40으로 예측했을 뿐 아니라(다른 출처들은 50대 50으로 예측했으며, 이것 자체는 크게 인상적이지 않음), 더 중요한 장점을 보여주었습니다. 개표 초반 많은 전문가들과 언론 매체들이 관객들에게 해리스에게 유리한 결과를 기대하게끔 유도했지만, Polymarket은 진실을 명확히 드러냈습니다. 즉, 트럼프의 승리 확률이 95%를 넘었고, 모든 정부 기관을 장악할 가능성도 90%를 넘었다는 것입니다.
두 스크린샷 모두 미국 동부시간 11월 6일 오전 3시 40분 촬영
하지만 저에게는 이것이 Polymarket의 가장 흥미로운 예조차 아닙니다. 다른 예를 살펴봅시다. 7월 베네수엘라의 선거 상황입니다. 선거가 끝난 다음 날, 누군가가 조작된 베네수엘라 선거 결과에 항의하는 모습을 스쳐가는 것으로 기억합니다. 처음에는 별로 신경 쓰지 않았습니다. 마두로(Maduro)는 이미 '사실상 독재자' 중 한 명이라는 것을 알고 있었기 때문에, 당연히 권력을 유지하기 위해 매번 선거 결과를 조작할 것이고, 당연히 사람들이 항의하겠지만, 그 항의는 실패할 것이라 생각했습니다—불행히도 다른 많은 경우도 그렇게 실패했습니다. 하지만 이후 Polymarket을 스크롤하다가 다음과 같은 것을 보았습니다:
사람들이 10만 달러 이상을 걸고, 마두로가 이번 선거에서 몰락할 확률이 23%라고 내기를 하고 있었습니다. 이제 저는 관심을 갖게 되었습니다.
물론 우리는 결국 불행한 결과를 알고 있습니다. 결국 마두로는 계속 집권했습니다. 그러나 시장은 저에게 이번에는 마두로를 끌어내리려는 시도가 진지했다는 사실을 깨닫게 해주었습니다. 항의 시위는 규모가 거대했고, 반대파는 의외로 잘 실행된 전략을 통해 세상에 선거가 얼마나 사기였는지를 입증했습니다. 만약 Polymarket이 처음 보내준 "이번엔 주목할 만한 일이 있다"는 신호를 받지 못했다면, 저는 아예 관심조차 가지지 않았을 것입니다.
절대로 Polymarket의 베팅 차트를 완전히 믿어서는 안 됩니다. 만약 모두가 베팅 차트를 믿는다면, 돈이 많은 사람은 누구나 차트를 조작할 수 있고, 아무도 그들과 맞서 베팅하려 하지 않을 것입니다. 반면, 뉴스를 무조건 믿는 것도 바람직하지 않습니다. 뉴스는 감정을 자극하는 동기가 있으며, 클릭 수를 늘리기 위해 어떤 사건의 결과를 과장하려는 경향이 있습니다. 때때로 그러한 과장은 정당화되기도 하지만, 그렇지 않은 경우도 많습니다. 자극적인 기사를 보고 나서 시장에서 관련 사건의 확률이 전혀 변하지 않았음을 확인한다면, 회의를 갖는 것이 타당합니다. 또는 시장에서 예상 밖의 높거나 낮은 확률, 혹은 예상치 못한 급격한 변화를 본다면, 그 원인이 무엇인지 알아보기 위해 뉴스를 꼼꼼히 읽어보라는 신호로 받아들여야 합니다. 결론은 이렇습니다. 뉴스와 베팅 차트 중 어느 하나만 보는 것보다 둘 다 함께 읽으면 훨씬 더 많은 정보를 얻을 수 있다는 점입니다.
여기서 일어나는 일을 다시 정리해봅시다. 당신이 도박 참가자라면 Polymarket에 베팅함으로써 그것은 도박 사이트입니다. 도박에 참여하지 않는다면 베팅 차트를 읽음으로써 그것은 뉴스 사이트입니다. 베팅 차트를 절대적으로 믿어서는 안 되지만, 저는 개인적으로 정보 수집 워크플로우에 베팅 차트 읽기를 전통 미디어와 소셜 미디어와 함께 하나의 단계로 포함시키고 있으며, 이를 통해 더 효율적이고 풍부한 정보를 얻는 데 도움이 되고 있습니다.
정보금융의 더 넓은 의미
이제 핵심 부분에 들어갑니다. 선거 결과를 예측하는 것은 단지 첫 번째 응용일 뿐입니다. 더 넓은 개념은, 가치 있는 정보를 청중에게 제공하기 위해 금융을 조정 인센티브 메커니즘으로 활용할 수 있다는 점입니다. 자연스럽게 떠올릴 수 있는 반응은, 어쩌면 모든 금융 자체가 근본적으로 정보와 관련된 것이 아닐까 하는 것입니다. 서로 다른 참여자들은 미래에 무슨 일이 일어날지에 대한 서로 다른 견해(개인적 선호, 리스크 성향, 헤징 욕구 등)를 가지고 있기 때문에 매매 결정이 달라지고, 시장 가격을 읽음으로써 세상에 대해 많은 지식을 추론할 수 있습니다.
제게 있어 정보금융은 바로 그런 것이지만, 구조적으로 올바르게 설계되어야 합니다. 소프트웨어 공학에서 '구조적으로 올바름(structurally correct)'이라는 개념과 유사하게, 정보금융은 (i) 알고 싶은 사실에서 출발하여 (ii) 시장 참여자로부터 그 정보를 최적의 방식으로 얻도록 시장을 의도적으로 설계해야 하는 학문입니다.
정보금융은 삼각 시장이다: 베팅자들은 예측을 하고, 독자들은 예측을 읽는다. 시장은 미래에 대한 예측을 공공재로서 출력한다(그것이 설계된 목적 때문).
예측 시장이 바로 그 예입니다. 미래에 발생할 특정 사실을 알고 싶으므로, 사람들을 모아 그 사실에 대해 베팅하도록 시장을 만드는 것이죠. 또 다른 예는 의사결정 시장(decision market)입니다. 어떤 지표 M에 따라 결정 A와 결정 B 중 어느 쪽이 더 좋은 결과를 가져올지 알고 싶다고 합시다. 이를 위해 조건부 시장을 설정합니다. 즉, 누군가 (i) 어떤 결정이 선택될지, (ii) 결정 A가 선택되면 M의 값을 얻고 그렇지 않으면 0, (iii) 결정 B가 선택되면 M의 값을 얻고 그렇지 않으면 0에 대해 베팅하도록 요구하는 것입니다. 이 세 변수를 통해 시장이 결정 A와 B 중 어느 쪽이 M의 값을 더 높게 가져올지 더 유리하다고 보는지 판단할 수 있습니다.
앞으로 10년간 정보금융의 발전을 이끌 기술은 AI(대규모 모델이든 미래의 기술이든)가 될 것으로 기대합니다.
이는 정보금융의 가장 흥미로운 응용 대부분이 '미세한' 문제들과 관련되어 있기 때문입니다. 즉, 개별적으로는 영향이 비교적 작은 수백만 개의 소규모 시장들 말입니다. 실제로 거래량이 낮은 시장은 일반적으로 효과적으로 작동하지 못합니다. 숙련된 참여자들이 수백 달러의 이익을 얻기 위해 시간을 들여 상세한 분석을 하는 것은 의미가 없기 때문입니다. 많은 이들이 보조금 없이는 이러한 시장이 존재조차 할 수 없다고 생각하며, 가장 큰 이슈가 아닌 이상 순진한 거래자가 충분히 존재하지 않아 숙련된 거래자들이 수익을 낼 수 없다고 봅니다. 그런데 AI는 이 공식을 완전히 바꿔놓습니다. 즉, 거래량이 10달러 수준인 시장에서도 상당히 높은 수준의 정보를 얻을 가능성이 생기는 것입니다. 보조금이 필요하다 하더라도, 각 문제당 필요한 보조금의 규모는 매우 저렴해집니다.
정보금융은 인간의 증류(distilled)를 필요로 한다
판단
신뢰할 수 있는 인적 판단 메커니즘이 있다고 가정합시다. 커뮤니티 전체가 그 메커니즘의 정당성을 인정하지만, 판단을 내리는 데는 시간과 비용이 많이 듭니다. 하지만 이 '비싼 메커니즘'의 적어도 근사 버전을 실시간으로 저렴한 비용으로 접근하고 싶습니다. 로빈 행슨이 제안한 방법은 다음과 같습니다. 결정을 내릴 때마다, 그 비싼 메커니즘이 그 결정에 대해 어떤 결과를 낼지를 예측하는 예측 시장을 만듭니다. 예측 시장을 운영하면서 마켓메이커에게 소액의 자금을 보조합니다.
99.99%의 경우에는 실제로 비싼 메커니즘을 호출하지 않습니다. 아마도 '거래 취소' 후 모든 사람에게 투자금을 돌려주거나, 모든 사람에게 0을 지급하거나, 평균 가격이 0에 가까운지 1에 가까운지를 보고 그것을 기본 사실로 간주합니다. 0.01%의 경우—무작위일 수도 있고, 거래량이 가장 큰 시장에만 해당될 수도 있고, 두 가지의 조합일 수도 있습니다—실제로 비싼 메커니즘을 실행하고 그에 따라 참여자들에게 보상을 지급합니다.
이를 통해 원래의 매우 신뢰할 수 있지만 비용이 극도로 높은 메커니즘의 신뢰할 수 있고 중립적이며 빠르고 저렴한 '증류된 버전(distilled version)'을 얻을 수 있습니다('증류(distilled)'라는 용어는 LLM에서의 '지식 증류(knowledge distillation)'와 유사한 비유입니다). 시간이 지남에 따라 이 증류된 메커니즘은 원본 메커니즘의 행동을 대체로 반영하게 됩니다—왜냐하면 그 결과를 실현하는 데 도움이 된 참여자들만이 돈을 벌고, 그렇지 않은 사람들은 돈을 잃기 때문입니다.
예측 시장 + 커뮤니티 노트 조합의 가능한 모델.
이것은 소셜 미디어뿐만 아니라 DAO에도 적용됩니다. DAO의 주요 문제 중 하나는 너무 많은 의사결정이 이루어져 대부분의 사람들이 참여하기를 꺼린다는 점입니다. 이로 인해 광범위한 위임이 발생하거나, 대의 민주주의에서 흔히 보는 중심화 및 대리인 문제의 위험이 생기거나, 공격에 쉽게 노출됩니다. 만약 DAO 내 실제 투표가 거의 일어나지 않고, 대부분의 결정이 인간과 AI가 결합해 투표 결과를 예측하는 예측 시장에 의해 결정된다면, 이러한 DAO는 잘 운영될 수 있습니다.
의사결정 시장의 예에서 보았듯이, 정보금융은 분산 거버넌스의 중요한 문제들을 해결할 잠재적 경로를 많이 내포하고 있으며, 핵심은 시장과 비시장의 균형에 있습니다. 시장은 '엔진'이고, 다른 비금융적 신뢰 메커니즘은 '방향키'입니다.
정보금융의 다른 활용 사례
개인 토큰—Bitclout(현재 Deso), friend.tech 등 각 개인에게 토큰을 만들어 쉽게 투기를 가능하게 하는 많은 프로젝트—는 제가 '원시 정보금융(primitive info finance)'이라고 부르는 범주에 속합니다. 이들은 특정 변수(즉, 개인의 미래 명성에 대한 기대치)에 대한 시장 가격을 의도적으로 생성하지만, 가격이 드러내는 정확한 정보는 너무 모호하며, 반사성(reflexivity)과 거품 역학에 취약합니다. 이러한 프로토콜의 개선된 버전을 만들 수 있으며, 특히 토큰의 궁극적 가치가 어디서 오는지에 대해 더욱 신중하게 고려함으로써 인재 발굴과 같은 중요한 문제를 해결할 수 있습니다. 여기서 로빈 행슨의 '명성 선물(reputation futures)' 아이디어는 가능한 궁극 상태 중 하나입니다.
광고—궁극적으로 '비용은 들지만 신뢰할 수 있는 신호'는 제품을 실제로 구매하는 것입니다. 이러한 신호를 기반으로 한 정보금융은 사람들이 무엇을 구매할지 결정하는 데 도움을 줄 수 있습니다.
과학 동료 검토—과학계는 오랫동안 '재현 위기(replication crisis)'를 겪어왔습니다. 어떤 유명한 연구 결과가 일정 기간 동안 민속 지식처럼 여겨지다가, 새로운 연구에서 재현되지 못하는 경우가 많습니다. 예측 시장을 활용해 재검토가 필요한 결과를 파악할 수 있습니다. 재검토 전에도 이러한 시장은 독자들이 특정 결과를 어느 정도 신뢰해야 하는지 빠르게 추정할 수 있게 해줍니다. 이러한 아이디어의 실험은 이미 수행되었으며 지금까지 성공적으로 보입니다.
공공재 지원—이더리움이 사용하는 공공재 지원 메커니즘의 주요 문제 중 하나는 '인기 경쟁' 성향입니다. 각 기여자는 인정을 받기 위해 소셜 미디어에서 자신만의 마케팅 활동을 벌여야 하며, 그러한 능력이 없거나 본질적으로 더 '배후' 역할을 하는 기여자들은 많은 자금을 받기 어렵습니다. 매력적인 해결책은 전체 종속성 그래프를 추적하는 것입니다. 즉, 각 긍정적 결과에 대해 어떤 프로젝트가 얼마나 기여했는지, 그리고 각 프로젝트에 대해 어떤 프로젝트가 얼마나 기여했는지 등을 따져보는 것입니다. 이 설계의 주요 과제는 조작에 저항할 수 있도록 가장자리(edge)의 가중치를 찾는 것입니다. 결국 이러한 조작은 계속 일어나고 있으니까요. 증류된 인간 판단 메커니즘이 여기서 도움이 될 수 있습니다.
결론
이러한 아이디어들은 이미 오랫동안 이론화되어 왔습니다. 예측 시장이나 의사결정 시장에 관한 최초의 논문들조차 수십 년이 되었고, 금융 이론의 유사한 서술은 훨씬 더 오래되었습니다. 그러나 저는 현재의 10년이 독특한 기회를 제공한다고 생각합니다. 그 이유는 다음과 같습니다:
정보금융은 사람들이 실제로 겪는 신뢰 문제를 해결합니다. 오늘날의 공통된 우려는 정치, 과학, 비즈니스 환경에서 누구를 신뢰해야 할지 모른다는 '지식의 부족'(더 나쁜 것은 '합의의 부족')입니다. 정보금융 애플리케이션은 이 문제의 해결책 일부가 될 수 있습니다.
이제 우리는 확장 가능한 블록체인을 기반으로 삼고 있습니다. 최근까지는 비용이 너무 높아 이러한 아이디어를 실제로 구현하기 어려웠습니다. 지금은 더 이상 그럴 필요가 없습니다.
AI가 참여자로 등장했습니다. 정보금융이 각 문제마다 인간의 참여에 의존해야 했을 때는 상대적으로 작동하기 어려웠습니다. AI는 이 상황을 크게 개선하여 소규모 문제에서도 효과적인 시장을 가능하게 합니다. 많은 시장은 특정 문제가 갑자기 소수에서 다수로 바뀔 때 AI와 인간 참여자의 조합을 갖게 될 것입니다.
이 기회를 최대한 활용하기 위해 우리는 단순히 선거를 예측하는 것을 넘어서, 정보금융이 우리에게 무엇을 더 가져다줄 수 있는지 탐색해야 합니다.
로빈 행슨과 알렉스 타바록의 피드백 및 의견에 특별히 감사드립니다.
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
@VitalikButerin
