IOSG 리서치｜AI를 활용한 거래: DeFAI 생태계의 첫걸음

2025.01.14

IOSG 리서치｜AI를 활용한 거래: DeFAI 생태계의 첫걸음

이 분야는 12월 25일 이후로 빠르게 성장하기 시작했으며, Virtual 및 ai16z 등의 프레임워크와 플랫폼과 함께 크리스마스 연휴 후 강세를 보이며 급성장했다.

2025.01.14 - 07:37:24

DeFAI

Web3 심층 보도에 집중하고 흐름을 통찰

저자: Henry @IOSG

서론

단 3개월 만에 AI x 메모코인 시장의 시가총액은 134억 달러에 달하며, 이는 AVAX 또는 SUI와 같은 성숙한 L1 프로젝트들과 맞먹는 규모이다.

사실상 인공지능(AI)과 블록체인의 관계는 오래전부터 존재해 왔다. 초기 Bittensor 서브넷을 통한 분산형 모델 학습, Akash 및 io.net과 같은 분산형 GPU/컴퓨팅 리소스 마켓플레이스에서 시작하여, 현재 솔라나(Solana) 상의 AI x 메모코인 및 프레임워크의 물결까지 진화해왔다. 각 단계는 암호화폐가 자원을 집약함으로써 AI를 보완하고 주권적 인공지능 및 소비자 중심의 사용 사례를 실현할 수 있음을 입증한다.

솔라나 기반 AI 코인의 첫 번째 물결에서는 순수한 투기 이상의 의미 있는 실용성을 제공하는 사례들이 나타났다. 예를 들어 ai16z의 ELIZA와 같은 프레임워크, aixbt처럼 시장 분석 및 콘텐츠 제작을 수행하는 AI 에이전트, 혹은 AI와 블록체인 기능을 통합하는 도구 세트 등이 그러하다.

AI의 두 번째 물결에서는 더 많은 도구들이 성숙함에 따라 응용 프로그램이 핵심 가치 창출 요소로 부상했으며, DeFi는 이러한 혁신의 완벽한 실험장이 되었다. 본 리포트에서는 명칭의 간소화를 위해 AI와 DeFi의 융합을 "DeFai(디파이)"라고 칭하기로 한다.

CoinGecko 데이터에 따르면, DeFai의 시가총액은 약 10억 달러이며, Griffian이 45%의 점유율로 시장을 선도하고 있고, $ANON은 22%를 차지하고 있다. 이 분야는 12월 25일 이후 급격한 성장세를 보였으며, 이는 Virtual, ai16z 등 동기의 프레임워크 및 플랫폼들이 크리스마스 연휴 후 강력한 성장세를 보인 것과 일치한다.

▲ 출처: Coingecko.com

이는 단지 시작에 불과하며, DeFai의 잠재력은 훨씬 더 크다. 여전히 개념 검증(PoC) 단계에 머물고 있지만, AI가 제공하는 지능과 효율성을 활용하여 DeFi 산업을 더욱 사용자 친화적이며 지능적이고 효율적인 금융 생태계로 전환시킬 수 있다는 가능성을 과소평가해서는 안 된다.

DeFai 세계를 심층적으로 탐구하기에 앞서, 에이전트(agent)가 DeFi/블록체인 환경에서 실제로 어떻게 작동하는지를 이해해야 한다.

DeFi 시스템에서의 에이전트 작동 방식

인공지능 에이전트(AI Agent)란 워크플로우에 따라 사용자를 대신해 작업을 수행하는 프로그램을 말한다. AI 에이전트의 핵심은 대규모 언어 모델(LLM)이며, 이는 훈련 또는 학습된 지식에 기반하여 반응을 생성하지만, 이러한 반응에는 한계가 존재한다.

에이전트는 로봇과 본질적으로 다르다. 로봇은 일반적으로 특정 작업에 특화되어 있으며, 인간의 감독을 필요로 하고 미리 정의된 규칙과 조건 내에서 작동해야 한다. 반면에 에이전트는 보다 역동적이고 적응적이며, 특정 목표를 달성하기 위해 자율적으로 학습할 수 있다.

보다 개인화된 경험과 포괄적인 응답을 창출하기 위해, 에이전트는 과거의 상호작용을 메모리에 저장하여 사용자의 행동 패턴을 학습하고 그에 따라 응답을 조정할 수 있으며, 역사적 맥락에 기반한 맞춤형 제안 및 전략을 생성할 수 있다.

블록체인 환경에서 에이전트는 스마트 계약 및 계정과 상호작용하여 복잡한 작업을 처리할 수 있으며, 지속적인 인간의 개입 없이도 가능하다. 예를 들어 DeFi 사용자 경험을 단순화하는 데에는 다단계 브릿징 및 파밍을 한 번에 실행하거나, 더 높은 수익률을 위한 파밍 전략 최적화, 거래(매수/매도) 실행 및 시장 분석 등을 자율적으로 수행할 수 있다.

@3sigma의 연구를 참조하면, 대부분의 모델은 다음의 6단계 워크플로우를 따른다:

데이터 수집
모델 추론
결정 수행
호스팅 및 실행
상호운용성
지갑

1 데이터 수집

먼저 모델은 자신의 작업 환경을 이해해야 하므로, 시장 상황과 동기화되도록 여러 데이터 스트림이 필요하다. 여기에는 1) 인덱서 및 오라클을 통한 체인 상 데이터, 2) CMC / Coingecko / 기타 데이터 제공업체 API와 같은 가격 플랫폼에서 오는 체인 외 데이터가 포함된다.

2 모델 추론

모델이 환경을 학습한 후에는 새로운, 식별되지 않은 입력 데이터에 기반해 예측 또는 작업을 수행하기 위해 해당 지식을 적용해야 한다. 에이전트가 사용하는 모델은 다음과 같다:

지도학습 및 비지도학습: 결과를 예측하기 위해 라벨링되거나 라벨링되지 않은 데이터 위에서 훈련된 모델. 블록체인 맥락에서는 거버넌스 포럼 데이터를 분석하여 투표 결과를 예측하거나 거래 패턴을 식별하는 데 활용될 수 있다.
강화학습: 시도와 실수를 통해 행동의 보상 및 처벌 결과를 평가함으로써 학습하는 모델. 응용 예로는 최적의 토큰 매수 시점 결정 또는 파밍 매개변수 조정과 같은 토큰 거래 전략 최적화가 있다.
자연어 처리(NLP): 인간 언어 입력을 이해하고 처리하는 기술로, 거버넌스 포럼 및 제안서를 스캔하여 의견을 수집하는 데 매우 유용하다.

▲ 출처: https://www.researchgate.net/figure/The-main-types-of-machine-learning-Main-approaches-include-classification-and-regression_fig1_354960266

3 결정 수행

훈련된 모델과 데이터를 바탕으로, 에이전트는 의사결정 능력을 활용하여 행동을 취할 수 있다. 이는 현재 상황을 해석하고 적절하게 반응하는 것을 포함한다.

이 단계에서 최적화 엔진은 최상의 결과를 찾는 데 중요한 역할을 한다. 예를 들어 수익 전략을 실행하기 전에 에이전트는 슬리피지, 스프레드, 거래 비용, 잠재적 이익 등의 다양한 요소를 균형 있게 고려해야 한다.

단일 에이전트가 다양한 영역의 결정을 최적화하기 어려울 수 있으므로, 다중 에이전트 시스템을 배치하여 협력을 도모할 수 있다.

4 호스팅 및 실행

작업의 계산 집약적 성격 때문에 AI 에이전트는 일반적으로 모델을 오프체인에서 호스팅한다. 일부 에이전트는 AWS와 같은 중앙집중형 클라우드 서비스에 의존하지만, 분산화를 선호하는 에이전트는 Akash 또는 ionet과 같은 분산 컴퓨팅 네트워크 및 Arweave를 통해 데이터 저장을 수행한다.

AI 에이전트 모델은 오프체인에서 실행되지만, 체인 상 프로토콜과 상호작용하여 스마트 계약 기능을 수행하고 자산을 관리해야 한다. 이러한 상호작용은 MPC 지갑이나 스마트 계약 지갑과 같은 안전한 키 관리 솔루션이 필요하며, 이를 통해 거래를 안전하게 처리할 수 있다. 또한 에이전트는 API를 통해 Twitter 및 Telegram과 같은 소셜 플랫폼에서 커뮤니티와 소통하고 상호작용할 수 있다.

5 상호운용성

에이전트는 다양한 프로토콜과 상호작용하면서 서로 다른 시스템 간에 정보를 유지해야 한다. 일반적으로 가격 피드(price feed)와 같은 외부 데이터를 가져오기 위해 API 브리지 기능을 사용한다.

현재 프로토콜 상태를 즉각적으로 파악하고 적절히 반응하기 위해, webhooks 또는 IPFS와 같은 분산 메시징 프로토콜을 통해 실시간 동기화가 필요하다.

6 지갑

에이전트는 블록체인 거래를 시작하기 위해 지갑 또는 개인키 접근 권한이 필요하다. 현재 시장에는 MPC 기반 및 TEE 기반의 두 가지 일반적인 지갑/키 관리 방식이 있다.

포트폴리오 관리 애플리케이션의 경우, MPC 또는 TSS는 에이전트, 사용자, 신뢰 가능한 제3자 사이에서 키를 분할할 수 있으며, 사용자는 여전히 AI에 대해 어느 정도의 통제력을 유지할 수 있다. Coinbase AI Replit 지갑은 이러한 방법을 효과적으로 구현하여, AI 에이전트가 MPC 지갑을 활용하는 방식을 보여준다.

완전히 자율적인 AI 시스템의 경우, TEE는 대안적인 해결책을 제공하며, 개인키를 보안 격리영역(security enclave)에 저장하여 AI 에이전트 전체가 제3자의 간섭 없이 은폐되고 보호된 환경에서 실행될 수 있도록 한다. 그러나 TEE 솔루션은 현재 하드웨어의 중앙집중화와 성능 오버헤드라는 두 가지 주요 도전 과제에 직면해 있다.

이러한 문제들을 극복한다면, 블록체인 상에 자율 에이전트를 구축할 수 있으며, 다양한 에이전트가 DeFi 생태계 내에서 각자의 역할을 수행함으로써 효율성을 높이고 체인 상 거래 경험을 개선할 수 있을 것이다.

종합적으로, 나는 DeFi x AI를 다음과 같은 4가지 범주로 나누고자 한다:

추상화/사용자 친화형 AI
수익 최적화 또는 포트폴리오 관리
시장 분석 또는 예측 로봇
DeFai 인프라/플랫폼

DeFai: DeFi x AI 세계를 여는 열쇠

▲ 출처: IOSG Venture

1 추상화/사용자 친화형 AI

인공지능의 목적은 사용자의 효율성을 높이고, 복잡한 문제를 해결하며, 복잡한 작업을 단순화하는 것이다. 추상화 기반의 인공지능은 초보자와 기존 트레이더 모두가 DeFi의 복잡성을 쉽게 접근할 수 있도록 단순화할 수 있다.

블록체인 분야에서 효과적인 AI 솔루션은 다음을 수행할 수 있어야 한다:

사용자가 업계 지식 없이도 다단계 거래 및 스테이킹 작업을 자동으로 실행할 수 있도록 할 것;
실시간 리서치를 수행하여 사용자가 현명한 거래 결정을 내리는 데 필요한 모든 필수 정보와 데이터를 제공할 것;
다양한 플랫폼에서 데이터를 수집하여 시장 기회를 식별하고 사용자에게 종합적인 분석을 제공할 것.

이러한 추상화 도구들은 대부분 ChatGPT를 핵심으로 한다. 이러한 모델들은 블록체인과 원활하게 통합되어야 하지만, 현재로서는 블록체인 데이터에 특화되어 훈련되거나 조정된 모델이 존재하지 않는 것으로 보인다.

Solana 해커톤에서 griffain의 창립자 Tony는 이 개념을 처음 제안하였다. 이후 그는 이 아이디어를 기능적인 제품으로 전환하였으며, Solana 창립자 Anatoly로부터 지원과 인정을 받았다.

간단히 말해, griffain은 현재 Solana에서 최초이자 가장 강력한 추상화 AI로, swap, 지갑 관리, NFT 민팅, 토큰 스나이핑 등의 기능을 수행할 수 있다.

griffain이 제공하는 구체적인 기능은 다음과 같다:

자연어로 거래를 실행
pumpfun을 이용해 토큰 발행, NFT 민팅, 특정 주소에 에어드롭 선택 가능
다중 에이전트 협업
에이전트가 사용자를 대신해 트윗 게시 가능
pumpfun에서 특정 키워드 또는 조건에 따라 새로 상장된 메모코인 스나이핑
스테이킹, 자동화 및 DeFi 전략 실행
사용자가 input을 입력하여 작업 예약, 맞춤형 에이전트 생성 가능
플랫폼에서 데이터를 수집하여 시장 분석 수행, 예: 토큰 보유자 분포 식별

griffain은 다양한 기능을 제공하지만, 여전히 사용자가 수동으로 토큰 주소를 입력하거나 에이전트에게 구체적인 실행 지침을 제공해야 한다. 따라서 이러한 기술적 지침에 익숙하지 않은 초보자들에게는 현재 제품이 개선의 여지가 있다.

현재까지 griffain은 두 가지 유형의 AI 에이전트를 제공한다: 개인용 인공지능 에이전트 및 특수 목적 에이전트.

개인용 인공지능 에이전트(Personal AI Agent)는 사용자가 제어한다. 사용자는 지침을 커스터마이징하고 메모리 설정을 입력하여 개인의 상황에 맞게 에이전트를 맞춤화할 수 있다.

특수 목적 에이전트(Special agents)는 특정 작업을 위해 설계된 에이전트이다. 예를 들어, '에어드롭 에이전트'(Airdrop Agent)는 주소를 찾아 지정된 보유자에게 토큰을 분배하도록 훈련되었으며, '스테이킹 에이전트'(Staking Agent)는 SOL 또는 기타 자산을 자산 풀에 스테이킹하여 마이닝 전략을 수행하도록 프로그래밍되었다.

griffain의 다중 에이전트 협업 시스템은 두드러진 특징으로, 여러 에이전트가 하나의 채팅방 안에서 협력할 수 있다. 이러한 에이전트들은 복잡한 작업을 독립적으로 해결하면서도 협력을 유지할 수 있다.

▲ 출처: https://griffain.com

계정 생성 후, 시스템은 지갑을 생성하며, 사용자는 에이전트에게 계정을 위임하여 거래 및 포트폴리오 관리를 자율적으로 수행하게 할 수 있다.

이 과정에서 키는 Shamir Secret Sharing(SSS) 방식으로 분할되며, griffain과 privy 모두 지갑을 호스팅할 수 없다. Slate의 설명에 따르면, SSS는 키를 세 부분으로 분할하는데, 다음과 같다:

장치 공유: 브라우저에 저장되며, 탭을 열 때 검색됨
승인 공유: Privy 서버에 저장되며, 애플리케이션 인증 및 로그인 시 검색됨
복구 공유: Privy 서버에 암호화되어 저장되며, 사용자가 비밀번호로 탭에 로그인할 때만 복호화 및 획득 가능

또한 사용자는 griffain 프론트엔드에서 내보내기 또는 내보내기를 선택할 수 있다.

Anon은 Wonderland 및 MIM(Magic Internet Money) 디파이 프로토콜을 만든 것으로 유명한 Daniele Sesta가 설립했다. griffain과 마찬가지로, Anon 역시 사용자와 DeFi 간의 상호작용을 단순화하기 위해 만들어졌다.

팀은 미래 기능에 대해 소개했지만, 제품이 아직 공개되지 않아 실제 기능은 검증되지 않았다. 일부 예상 기능은 다음과 같다:

자연어(중국어 포함 다국어)로 거래 실행
LayerZero를 통한 크로스체인 브릿징
Aave, Sparks, Sky, Wagmi 등 파트너 프로토콜과의 대출 및 공급
Pyth를 통한 실시간 가격 및 데이터 정보 제공
시간 및 가스 가격에 기반한 자동 실행 및 트리거 제공
감정 분석, 소셜 프로필 분석 등의 실시간 시장 분석 제공

핵심 기능 외에도, Anon은 Gemma, Llama 3.1, Llama 3.3, Vision, Pixtral, Claude 등 다양한 AI 모델을 지원한다. 이러한 모델들은 유용한 시장 분석을 제공하여 사용자가 리서치 시간을 절약하고 현명한 결정을 내릴 수 있도록 도울 수 있으며, 하루에도 수십억 달러 시가총액의 새로운 토큰이 등장하는 오늘날의 시장에서 특히 귀중하다.

지갑은 내보내기 및 권한 철회가 가능하지만, 지갑 관리 및 보안 프로토콜의 구체적인 세부 사항은 아직 공개되지 않았다.

핵심 기능 외에도, Anon은 Gemma, Llama 3.1, Llama 3.3, Vision, Pixtral, Claude 등의 다양한 AI 모델을 지원한다.

이 외에도, daniele는 최근 Anon에 관한 두 가지 업데이트를 발표했다:

Automate 프레임워크:

TypeScript 기반 프레임워크로, 더 많은 프로젝트가 Anon과 빠르게 통합할 수 있도록 돕는다. 이 프레임워크는 모든 데이터 및 상호작용이 사전 정의된 구조를 따르도록 요구함으로써, Anon이 AI 환각의 위험을 줄이고 더욱 신뢰할 수 있도록 한다.

Gemma:

리서치/연구 에이전트로, 체인 상 DeFi 지표(TVL, 거래량, prepdex 펀딩 비율) 및 체인 외 데이터(Twitter, Telegram)에서 실시간 데이터를 수집하여 소셜 감정 분석을 수행한다. 이 데이터는 기회 경보 및 사용자 맞춤 인사이트로 변환된다.

문서에 따르면, 이로 인해 Anon은 현재 분야에서 가장 기대되는 강력한 추상화 도구 중 하나가 되었다. 이는 하루에도 수십억 달러 시가총액의 새로운 토큰이 등장하는 오늘날의 시장에서 특히 귀중하다.

BigBrain Holdings의 지원을 받는 Slate는 'Alpha AI'를 표방하며, 체인 상 신호에 기반해 자율 거래를 수행한다. 현재 Slate는 Hyperliquid에서 자동 거래를 실행할 수 있는 유일한 추상화 AI이다.

Slate는 가격 라우팅, 빠른 실행을 우선시하며, 거래 전 시뮬레이션을 수행할 수 있다. 주요 기능은 다음과 같다:

EVM 체인과 솔라나 간의 크로스체인 스왑
가격, 시가총액, 가스비, 손익 지표에 기반한 자동 거래
자연어 기반 작업 예약
체인 상 거래 집계
Telegram 알림 시스템
롱/숏 포지션 개설, 특정 조건에서 청산, LP 관리 + 마이닝, Hyperliquid에서 실행 가능

전반적으로 수수료 구조는 두 가지로 나뉜다:

일반 작업: Slate는 일반 송금/출금에 대해 수수료를 부과하지 않지만, 스왑, 브릿징, 클레임, 대출, 상환, 스테이킹, 언스테이킹, 롱/숏, 잠금/해제 등의 작업에 대해 0.35%의 수수료를 부과한다.
조건부 작업: 조건부 주문(예: 지정가 주문)을 설정한 경우. 가스비 조건 기반일 경우, Slate는 0.25%의 수수료를 부과하며, 기타 모든 조건은 1.00%의 수수료를 부과한다.

지갑 측면에서 Slate는 Privy의 임베디드 지갑 아키텍처를 통합하여, Slate와 Privy 모두 사용자 지갑을 호스팅하지 않도록 한다. 사용자는 기존 지갑을 연결하거나, 에이전트에게 거래 실행 권한을 위임할 수 있다.

▲ 출처: https://docs.slate.ceo

주요 추상화 AI 비교:

▲ 출처: IOSG Venture

현재 대부분의 AI 추상화 도구는 솔라나와 EVM 체인 간 크로스체인 거래 및 자산 브릿징을 지원한다. Slate는 Hyperliquid 통합을 제공하며, Neur과 Griffin은 현재 솔라나만 지원하지만, 곧 크로스체인 지원 기능이 추가될 예정이다.

대부분의 플랫폼은 Privy 임베디드 지갑과 EOA 지갑을 통합하여 사용자가 자금을 자율적으로 관리할 수 있도록 하지만, 일부 거래를 실행하기 위해 에이전트에게 접근 권한을 부여해야 한다. 이는 TEE(Trusted Execution Environment)가 AI 시스템의 변조 방지를 보장할 수 있는 기회를 제공한다.

대부분의 AI 추상화 도구가 토큰 발행, 거래 실행, 자연어 기반 조건 주문 등의 기능을 공유하고 있지만, 성능 차이는 상당하다.

제품 수준에서 우리는 여전히 추상화 AI의 초기 단계에 있다. 위에서 언급한 다섯 개의 프로젝트를 비교하면, Griffin은 풍부한 기능 세트, 광범위한 협력 네트워크, 다중 에이전트 협업 워크플로우 처리 덕분에 두드러지게 나타난다(Orbit 역시 다중 에이전트를 지원하는 또 다른 프로젝트이다). Anon은 빠른 반응 속도, 다국어 지원, Telegram 통합에서 우수한 성능을 보이며, Slate는 복잡한 자동화 플랫폼과 Hyperliquid를 지원하는 유일한 에이전트라는 점에서 강점을 갖는다.

그러나 모든 추상화 AI 중에서도 일부 플랫폼은 USDC 스왑과 같은 기초 거래를 처리할 때 올바른 토큰 주소나 가격을 정확히 획득하지 못하거나 최신 시장 동향을 분석하지 못하는 등의 문제에 직면하고 있다. 응답 시간, 정확성, 결과 관련성은 모델의 기본 성능을 측정하는 중요한 차별화 요소이다. 앞으로는 팀과 협력하여 모든 추상화 AI의 성능을 실시간으로 추적할 수 있는 투명한 대시보드를 개발하고자 한다.

2 자율 수익 최적화 및 포트폴리오 관리

기존 수익 전략과 달리, 이 분야의 프로토콜은 AI를 사용하여 체인 상 데이터를 분석하고 트렌드 분석을 수행하며, 더 나은 수익 최적화 및 포트폴리오 배분 전략 개발을 위한 정보를 제공한다.

비용을 절감하기 위해 모델은 일반적으로 Bittensor 서브넷 또는 오프체인에서 훈련된다. AI가 자율적으로 거래를 수행할 수 있도록 하기 위해 ZKP(제로 나이 증명)와 같은 검증 방법이 도입되어 모델의 정직성과 검증 가능성을 보장한다. 다음은 수익 최적화 DeFai 프로토콜의 몇 가지 예이다:

T3AI는 AI를 중개자 및 리스크 엔진으로 활용하는 담보 없는 대출 프로토콜이다. 그들의 AI 에이전트는 대출 건전성을 실시간으로 모니터링하며, T3AI의 리스크 지표 프레임워크를 통해 대출 상환이 가능하도록 보장한다. 동시에 AI는 다양한 자산 간의 관계와 가격 변화 추세를 분석하여 정확한 리스크 예측을 제공한다. T3AI의 AI는 구체적으로 다음과 같이 표현된다:

주요 CEX 및 DEX의 가격 데이터 분석;
다양한 자산의 변동성 측정;
자산 가격의 상관관계 및 연동성 연구;
자산 상호작용 내 숨겨진 패턴 발견.

AI는 사용자의 포트폴리오에 기반해 최적의 구성 전략을 제안하며, 모델 조정 후 잠재적으로 자율적인 AI 포트폴리오 관리가 가능해진다. 또한 T3AI는 ZK 증명과 검증자 네트워크를 통해 모든 작업의 검증 가능성과 신뢰성을 보장한다.

▲ 출처: https://www.trustinweb3.xyz/

Kudai는 GMX Blueberry Club이 EmpyrealSDK 툴킷을 사용해 개발한 실험적인 GMX 생태계 에이전트로, 현재 토큰은 Base 네트워크에서 거래되고 있다.

Kudai의 개념은 $KUDAI가 생성하는 모든 거래 수수료를 자율 거래 운영을 위한 에이전트에 재투자하고, 그 수익을 토큰 홀더들에게 분배하는 것이다.

다가올 2/4 단계에서 Kudai는 트위터의 자연어를 해석할 수 있게 된다:

새로운 수익 흐름을 창출하기 위해 $GMX를 구매하고 스테이킹;
수익을 더욱 높이기 위해 GMX GM 풀에 투자;
포트폴리오를 확장하기 위해 최저가에 GBC NFT 구매.

이 단계 이후 Kudai는 완전히 자율화되어 레버리지 거래, 차익거래, 자산 수익(이자) 획득 등을 독립적으로 수행할 수 있게 된다. 그 외에 팀은 더 이상 정보를 공개하지 않았다.

Sturdy Finance는 Bittensor SN10 서브넷 채굴자들이 훈련한 AI 모델을 활용하는 대출 및 수익 집계 프로토콜로, 다양한 화이트리스트 silo 풀 사이에서 자금을 이동시켜 수익을 최적화한다.

Sturdy는 독립 자산 풀(silo pools)과 집계 계층(aggregator layer)으로 구성된 2단계 아키텍처를 채택한다:

독립 자산 풀(Silo Pools)

단일 자산 격리 풀로, 사용자는 해당 풀 내에서 단일 자산만을 빌리거나 단일 담보만으로 대출을 받을 수 있다.

집계 계층(Aggregator Layer)

Yearn V3를 기반으로 구축된 집계 계층은 사용률과 수익률에 따라 사용자 자산을 화이트리스트 승인된 독립 자산 풀에 분배한다. Bittensor 서브넷은 집계기에 최적의 분배 전략을 제공한다. 사용자가 자산을 집계기에 예치할 때, 선택한 담보 유형에만 노출되며, 다른 대출 풀이나 담보 자산의 리스크로부터 완전히 격리된다.

▲ 출처: https://sturdy.finance

본 문서 작성 시점 기준, Sturdy V2의 TVL은 2024년 5월 이후 계속 하락하고 있으며, 현재 집계기의 TVL은 약 390만 달러로, 프로토콜 전체 TVL의 29%를 차지한다.

2024년 9월 이후로 Sturdy의 일일 활성 사용자는 항상 두 자릿수(>100)를 유지하고 있으며, pxETH와 crvUSD가 집계기 내 주요 대출 자산이다. 그러나 프로토콜의 성과는 지난 몇 달간 명백히 정체되었다. AI 통합 도입은 프로토콜의 성장 모멘텀을 다시 불러오기를 기대하는 것으로 보인다.

▲ 출처: https://dune.com/tk-research/sturdy-v2

3 시장 분석 에이전트

Aixbt

Aixbt는 시장 감정 추적 에이전트로, 400명 이상의 트위터 KOL 데이터를 집계하고 분석한다. 자체 개발 엔진을 통해 실시간 트렌드를 식별하고 24시간 내내 시장 관측 정보를 게시한다.

기존 AI 에이전트 중 AixBT는 14.76%의 시장 관심 점유율을 가지고 있어, 생태계 내에서 가장 영향력 있는 에이전트 중 하나이다.

▲ 출처: Kaito.com

Aixbt는 소셜미디어 상호작용을 위해 설계되었으며, 그가 제공하는 통찰은 시장의 관심 포커스를 직접 반영한다.

기능은 시장 통찰(alpha) 제공에 국한되지 않고 상호작용성도 포함된다. AixBT는 사용자 질문에 답변할 수 있으며, 전문 툴킷을 통해 트위터에서 토큰 발행까지 수행할 수 있다. 예를 들어, $CHAOS 토큰은 AixBT와 다른 인터랙티브 로봇 Simi가 @EmpyrealSDK 툴킷을 공동 사용하여 만든 것이다.

현재까지, 60만 개의 $AIXBT 토큰(약 24만 달러 상당)을 보유한 사용자는 그들의 분석 플랫폼 및 터미널에 접근할 수 있다.

4 분산형 AI 인프라 및 플랫폼

Web3 AI 에이전트는 분산형 인프라의 지원 없이는 존재할 수 없다. 이러한 프로젝트들은 모델 학습 및 추론을 지원할 뿐 아니라, 데이터, 검증 방법, 조정 계층을 제공하여 AI 에이전트 개발을 추진한다.

웹2나 웹3의 AI 모두에서 모델, 컴퓨팅 파워, 데이터는 대규모 언어 모델(LLM)과 AI 에이전트의 뛰어난 발전을 이끄는 세 가지 핵심 기둥이다. 분산 방식으로 훈련된 오픈소스 모델은 중앙집중화로 인한 단일 장애 지점을 완전히 제거하며, 사용자가 소유하는 AI의 가능성을 열어주기 때문에 에이전트 개발자들에게 선호된다. 개발자는 더 이상 Google, Meta, OpenAI와 같은 웹2 AI 거대 기업의 LLM API에 의존할 필요가 없다.

다음은 Pinkbrains가 제작한 AI 인프라 다이어그램이다:

▲ 출처: Pink Brains

Nous Research, Prime Intellect, Exo Labs 등 선구적 기관들은 분산형 학습의 경계를 밀어붙이고 있다.

Nous Research의 Distro 훈련 알고리즘과 Prime Intellect의 DiLoco 알고리즘은 저대역폭 환경에서도 100억 개 이상의 파라미터를 가진 모델을 성공적으로 훈련시켰으며, 이는 전통적인 중앙집중형 시스템 외부에서도 대규모 학습이 가능함을 보여준다. Exo Labs는 더 나아가 GPU 간 통신량을 1000배 이상 줄이는 SPARTA 분산형 AI 훈련 알고리즘을 출시했다.

Bagel은 분산형 HuggingFace가 되기 위해 노력하며, AI 개발자에게 모델과 데이터를 제공하고, 암호화 기술을 통해 오픈소스 데이터의 소유권과 수익화 문제를 해결하려 한다. Bittensor는 참여자들이 컴퓨팅 파워, 데이터, 지능을 기여함으로써 AI 모델 및 에이전트 개발을 가속화할 수 있는 경쟁 시장을 구축했다.

많은 사람들은 AixBT가 실용적 에이전트 범주에서 두각을 나타낼 수 있었던 주요 이유로 고품질 데이터셋 접근 능력을 꼽는다.

Grass, Vana, Sahara, Space and Time, Cookie DAOs 등의 공급업체는 고품질, 특정 분야의 데이터를 제공하거나 AI 개발자가 데이터 '담장 안의 정원(walled garden)'에 접근할 수 있도록 함으로써 그들의 역량을 강화한다. 250만 개 이상의 노드를 활용함으로써 Grass는 매일 최대 300TB의 데이터를 크롤링할 수 있다.

현재 Nvidia는 2천만 시간의 비디오 데이터에서만 비디오 모델을 훈련시킬 수 있지만, Grass의 비디오 데이터셋 규모는 그보다 15배 더 크며(3억 시간), 매일 400만 시간씩 증가하고 있다—즉, Nvidia의 전체 데이터셋의 20%에 해당하는 양이 매일 Grass에 의해 수집되고 있는 셈이다. 다른 말로 하면, Grass는 단 5일 만에 Nvidia 전체 비디오 데이터셋과 동등한 양의 데이터를 확보할 수 있다.

컴퓨팅 자원 없이는 에이전트가 실행될 수 없다. Aethir와 io.net과 같은 컴퓨팅 마켓플레이스는 다양한 GPU를 집약함으로써, 에이전트 개발자들에게 경제적이고 효율적인 선택지를 제공한다. Hyperbolic의 분산형 GPU 마켓플레이스는 최대 75%까지 컴퓨팅 비용을 절감하며, 오픈소스 AI 모델을 호스팅하고 웹2 클라우드 제공업체와 맞먹는 낮은 지연 추론 능력을 제공한다.

Hyperbolic은 AgentKit 출시를 통해 GPU 마켓플레이스 및 클라우드 서비스를 더욱 강화한다. AgentKit은 강력한 인터페이스로, AI 에이전트가 Hyperbolic의 분산형 GPU 네트워크에 완전히 접근할 수 있도록 한다. 이는 AI가 읽을 수 있는 컴퓨팅 자원 지도를 제공하며, 자원 가용성, 사양, 현재 부하 및 성능 상세 정보를 실시간으로 스캔하고 제공한다.

AgentKit은 에이전트가 독립적으로 필요한 컴퓨팅 파워를 확보하고 관련 비용을 지불할 수 있는 혁명적인 미래를 열어준다.

혁신적인 샘플 증명(Proof of Sample) 검증 메커니즘을 통해 Hyperbolic은 생태계 내 모든 추론 상호작용이 검증되도록 하며, 미래의 에이전트 세상에 신뢰 기반을 마련한다.

그러나 검증은 자율 에이전트의 신뢰 문제 중 일부만 해결한다. 또 다른 신뢰 차원은 개인정보 보호이며, 바로 Phala, Automata, Marlin과 같은 TEE(Trusted Execution Environment) 기반 인프라 프로젝트의 강점이다. 예를 들어, 이러한 AI 에이전트가 사용하는 독점 데이터나 모델은 안전하게 보호될 수 있다.

사실상 TEE 없이는 진정한 자율 에이전트가 완전히 작동하기 어렵다. TEE는 지갑 개인키 보호, 무단 접근 방지, 트위터 계정 로그인 보안 등 민감한 정보 보호에 중요하기 때문이다.

TEE(Trusted Execution Environment)는 처리 과정에서 민감한 데이터를 보호된 CPU/GPU enclave(보안 지역) 내부에 격리한다. 오직 승인된 프로그램 코드만이 enclave 내용에 접근할 수 있으며, 클라우드 서비스 제공업체, 개발자, 관리자, 기타 하드웨어 구성 요소는 모두 이 영역에 접근할 수 없다.

TEE의 주요 용도는 보다 민감한 금융 데이터를 다루는 DeFi 프로토콜에서 스마트 계약을 실행하는 것이다. 따라서 TEE와 DeFai의 통합은 다음과 같은 전통적인 DeFi 사용 사례를 포함한다:

거래 익명성: TEE는 송신자 및 수신자 주소, 거래 금액 등의 거래 세부 정보를 숨길 수 있다. Secret Network 및 Oasis와 같은 플랫폼은 TEE를 사용하여 DeFai 애플리케이션 내 거래 익명성을 보호하며, 익명 결제를 실현한다.
MEV 저항: TEE 내에서 스마트 계약을 실행함으로써, 블록 생성자는 거래 정보에 접근할 수 없게 되며, MEV를 유발하는 프론트런 공격을 방지할 수 있다. Flashbots는 TEE를 활용하여 BuilderNet을 개발하였으며, 이는 중심화된 블록 생성과 관련된 검열 위험을 줄이는 분산형 블록 생성 네트워크이다. Unichain 및 Taiko와 같은 체인들도 TEE를 사용하여 사용자에게 더 나은 거래 경험을 제공한다.

이러한 기능은 ZKP 또는 MPC와 같은 대체 솔루션에도 적용 가능하다. 그러나 TEE는 이 세 가지 솔루션 중 스마트 계약 실행 효율성이 가장 높은데, 그 이유는 모델이 하드웨어 기반으로 작동하기 때문이다.

에이전트 측면에서 TEE는 다음과 같은 다양한 능력을 제공한다:

자동화: TEE는 인간의 간섭 없이 전략이 실행되도록 보장하는 독립적인 운영 환경을 에이전트에게 제공할 수 있다. 이는 투자 결정이 완전히 에이전트의 독립적 논리에 기반하도록 보장한다.
TEE는 또한 에이전트가 소셜미디어 계정을 제어할 수 있도록 하여, 그들의 공개 발언이 외부 영향 없이 독립적으로 이루어지도록 하며, 광고 등의 홍보 의혹을 피할 수 있다. Phala는 현재 AI16Z 팀과 협력하여 Eliza가 TEE 환경에서 효율적으로 작동할 수 있도록 하고 있다.
검증 가능성: 에이전트가 약속된 모델을 사용하여 계산을 수행하고 유효한 결과를 생성하고 있는지 검증할 수 있다. Automata와 Brevis는 이러한 기능 개발을 위해 협력하고 있다.