Rei Network를 이해하기 쉽게 그림으로 설명하는 글: AI 에이전트와 블록체인의 원활한 연동을 알아보기

2025.01.14

Rei Network를 이해하기 쉽게 그림으로 설명하는 글: AI 에이전트와 블록체인의 원활한 연동을 알아보기

Rei 프레임워크는 AI와 블록체인 간의 소통 격차를 해소하기 위해 탄생했다.

2025.01.14 - 02:43:00

ReiNetworkAIAgent

Web3 심층 보도에 집중하고 흐름을 통찰

Rei 프레임워크는 AI와 블록체인 간의 소통 격차를 해소하기 위해 탄생했다.

작성자: francesco

번역: TechFlow

AI 에이전트를 구축할 때 핵심적인 도전 과제는, 이들이 유연하게 학습하고 반복 개선되며 성장할 수 있도록 하면서도 출력 결과의 일관성을 보장하는 방법을 마련하는 것이다.

Rei는 AI와 블록체인 간에 구조화된 데이터를 공유할 수 있는 프레임워크를 제공하여, AI 에이전트가 학습하고 최적화하며 경험과 지식 기반을 유지할 수 있도록 한다.

이러한 프레임워크의 등장으로 다음과 같은 능력을 갖춘 AI 시스템 개발이 가능해졌다.

맥락과 패턴을 이해하고 가치 있는 인사이트를 생성함
인사이트를 실행 가능한 조치로 전환하면서 동시에 블록체인의 투명성과 신뢰성을 활용함

직면한 도전 과제

AI와 블록체인은 핵심 속성에서 상당한 차이를 보이며, 두 기술의 통합은 여러 가지 어려움에 직면한다.

블록체인의 결정론적 연산: 블록체인의 모든 단계는 모든 노드에서 완전히 동일한 결과를 만들어야 하며, 이는 다음을 보장하기 위함이다.
1. 합의(Consensus): 각 노드가 새로운 블록 내용에 대해 동의하고 검증을 공동으로 수행함
2. 상태 검증(State Verification): 블록체인 상태는 항상 추적 가능하고 검증 가능해야 하며, 새로 참여한 노드도 다른 노드와 동일한 상태로 빠르게 동기화되어야 함
3. 스마트 계약 실행(Smart Contract Execution): 동일한 입력 조건에서 모든 노드는 반드시 동일한 출력을 생성해야 함
AI의 확률론적 연산: AI 시스템의 출력은 일반적으로 확률 기반으로 이루어지며, 매번 실행 시 다른 결과가 나올 수 있다. 이러한 특성은 다음 요소들에서 비롯된다.
1. 맥락 의존성(Context Dependency): AI의 동작은 훈련 데이터, 모델 파라미터, 시간 및 환경 조건과 같은 입력 맥락에 따라 달라짐
2. 자원 집약성(Resource Intensiveness): AI 연산은 고성능 하드웨어를 필요로 하며, 복잡한 행렬 연산과 대량의 메모리가 요구됨

이러한 차이점들은 다음과 같은 호환성 문제를 야기한다.

확률성 데이터와 결정론적 데이터의 충돌
- AI의 확률적 출력을 어떻게 블록체인에서 요구되는 결정론적 결과로 변환할 것인가?
- 이러한 변환은 언제 어디서 이루어져야 하는가?
- 결정론성을 유지하면서도 확률적 분석의 가치를 어떻게 보존할 것인가?
가스 비용(Gas Cost): AI 모델의 높은 연산 수요는 감당할 수 없는 가스 비용을 초래할 수 있으며, 이는 블록체인 상에서의 활용을 제한한다.
메모리 제한(Memory Limitation): 블록체인 환경의 메모리 용량은 제한적이어서 AI 모델의 저장 요구를 충족하기 어렵다.
실행 시간(Execution Time): 블록체인의 블록 생성 주기가 AI 모델의 실행 속도를 제약하여 성능 저하를 초래할 수 있음
데이터 구조 통합(Data Structure Integration): AI 모델은 복잡한 데이터 구조를 사용하지만, 이를 블록체인의 저장 방식에 직접 통합하기는 어렵다.
오라클 문제(Oracle Problem, 검증 요구): 블록체인은 외부 데이터를 얻기 위해 오라클에 의존하지만, AI 연산의 정확성을 검증하는 것은 여전히 난제이다. 특히 AI 시스템은 풍부한 맥락과 낮은 지연 시간을 필요로 하며, 이는 블록체인의 특성과 충돌한다.

원본 이미지 출처: francesco, TechFlow 번역

AI 에이전트가 블록체인과 어떻게 원활하게 연동되는가?

원본 이미지 출처: francesco, TechFlow 번역

Rei는 AI와 블록체인의 장점을 결합하는 완전히 새로운 해결책을 제시한다.

원본 이미지 출처: francesco, TechFlow 번역

완전히 다른 두 시스템을 강제로 통합하는 대신, Rei는 "범용 번역기(Universal Translator)" 역할을 하며, 번역 계층을 통해 두 기술이 원활하게 소통하고 협력할 수 있도록 한다.

원본 이미지 출처: francesco, TechFlow 번역

Rei의 핵심 목표는 다음과 같다.

AI 에이전트가 독립적으로 사고하고 학습할 수 있도록 함
에이전트의 인사이트를 정확하고 검증 가능한 블록체인 작업으로 전환함

원본 이미지 출처: francesco, TechFlow 번역

이 프레임워크의 첫 번째 적용 사례는 Unit00x0 (Rei_00 - $REI)이며, 현재 양적 분석가(Quant Analyst)로서 훈련되고 있다.

Rei의 인지 아키텍처는 다음 네 가지 계층으로 구성된다.

사고 계층 (Thinking Layer): 차트 데이터, 거래 기록, 사용자 행동 등의 원시 데이터를 처리하고 수집하여 잠재적 패턴을 탐색함
추론 계층 (Reasoning Layer): 발견된 패턴에 날짜, 시간, 역사적 트렌드, 시장 상황 등의 맥락 정보를 추가하여 데이터를 더욱 입체화함
결정 계층 (Decision Layer): 추론 계층에서 제공된 맥락화된 정보를 바탕으로 구체적인 행동 계획을 수립함
행동 계층 (Action Layer): 결정된 내용을 블록체인에서 실행 가능한 결정론적 작업으로 전환함

Rei의 프레임워크는 다음 세 가지 핵심 기둥 위에 구축된다.

원본 이미지 출처: francesco, TechFlow 번역

오라클 (Oracle, 신경 경로와 유사): AI의 다양한 출력을 통일된 결과로 변환하고 블록체인에 기록함
ERC 데이터 표준 (ERC Data Standard): 블록체인 저장 능력을 확장하여 복잡한 패턴의 데이터 저장을 지원하며, 사고 계층과 추론 계층에서 생성된 맥락 정보를 보존함으로써 확률 데이터에서 결정론적 실행으로의 전환을 실현함
기억 시스템 (Memory System): Rei가 시간이 지남에 따라 경험을 축적하고 이전 출력 결과 및 학습 성과를 언제든지 호출할 수 있도록 함

이러한 상호 작용의 구체적인 형태는 다음과 같다.

원본 이미지 출처: francesco, TechFlow 번역

오라클 브리지는 데이터 패턴을 식별함
ERCData는 이러한 패턴을 저장함
기억 시스템은 맥락 정보를 보존하여 패턴을 더 잘 이해할 수 있도록 함
스마트 계약은 누적된 지식에 접근하여 이에 기반해 행동할 수 있음

이 아키텍처 덕분에 Rei 에이전트는 온체인 데이터, 가격 변동, 사회적 감정 등 다차원 정보를 종합하여 토큰에 대한 심층 분석을 수행할 수 있다.

더욱 중요한 점은, Rei는 데이터 분석을 넘어 더 깊은 이해를 형성할 수 있다는 것이다. 그녀는 자신의 경험과 인사이트를 블록체인에 직접 저장함으로써 이를 지식 체계의 일부로 만들고, 언제든지 재사용할 수 있어 의사 결정 능력과 전반적인 경험을 지속적으로 최적화할 수 있다.

Rei의 데이터 출처는 Plotly 및 Matplotlib 라이브러리(차트 작성용), Coingecko, Defillama, 온체인 데이터, Twitter의 사회적 감정 데이터 등을 포함한다. 이러한 다양한 데이터 소스를 통해 Rei는 포괄적인 온체인 분석과 시장 인사이트를 제공할 수 있다.

Quant V2 기능 업데이트와 함께, Rei는 이제 다음과 같은 분석 형태를 지원한다.

프로젝트 분석: 기존 기능에 정량 지표와 감성 데이터를 추가로 지원함. 분석 항목에는 K-차트(Candlestick Chart), 참여도 차트(Engagement Chart), 보유자 분포(Holder Distribution), 손익(PnL) 분석이 포함됨. (참고 예시)
유입/유출 분석: 주요 토큰의 온체인 가격과 거래량을 모니터링하고, 이를 자금 유입 및 유출과 비교하여 잠재적 시장 트렌드를 파악함. (참고 예시)
참여도 분석: 프로젝트의 전반적인 참여도를 평가하며, 즉각적인 데이터와 24시간 전 데이터를 비교하고 상대 가격 변화를 분석함. 이 기능은 최신 정보와 사용자 참여 사이의 상관관계를 드러냄. (참고 예시)
주요 카테고리 분석: 단일 카테고리 내에서 가장 낮은 거래량과 가장 높은 거래 수를 분석하여 해당 카테고리 내 프로젝트의 성과를 부각시킴.
첫 번째 차트는 하단에 거래량과 상단에 거래 수를 표시하며, 이후 특정 카테고리에 깊이 들어가 동일 카테고리 내 다른 프로젝트들과 비교해 개별 프로젝트의 지표 변화를 분석함. (참고 예시)