AI + Web3: 타워와 광장
글: Coinspire
TL;DR:
-
AI 개념의 Web3 프로젝트가 1차 및 2차 시장에서 자금 유치의 핵심으로 부상했다.
-
Web3가 AI 산업에서 기회를 잡을 수 있는 분야는 분산형 인센티브를 통해 데이터, 저장소, 컴퓨팅 등 장미효과(long-tail) 내 숨겨진 공급을 조율하는 것이며, 동시에 오픈소스 모델과 AI Agent의 탈중앙화 시장을 구축하는 것이다.
-
AI가 Web3 산업에서 주로 활용되는 분야는 체인 상 금융(암호화폐 결제, 거래, 데이터 분석)과 개발 보조이다.
-
AI+Web3의 실질적 가치는 두 기술이 서로를 보완한다는 점에 있다. Web3는 AI의 집중화에 대응할 가능성이 있으며, AI는 Web3의 대중화 돌파구가 될 수 있다.
서론
최근 2년간 AI 발전은 마치 가속 페달을 밟은 듯하다. ChatGPT라는 나비 효과는 생성형 인공지능의 새로운 세계를 열었을 뿐 아니라, 그 반대편에 위치한 Web3에도 커다란 파도를 일으켰다.
AI 개념의 영향 아래, 암호화 시장의 성장세가 둔화된 가운데서도 자금 조달이 눈에 띄게 회복되고 있다. 언론 보도에 따르면, 2024년 상반기 동안 Web3+AI 프로젝트 64건이 투자 유치에 성공했으며, 인공지능 기반 운영체제 Zyber365는 A라운드에서 최고 1억 달러의 투자를 받았다.
2차 시장은 더욱 번성하고 있다. 암호화폐 종합 사이트 Coingecko의 데이터에 따르면, 불과 1년여 만에 AI 관련 총 시가총액은 485억 달러에 달했으며, 24시간 거래량은 약 86억 달러에 이른다. 주요 AI 기술 진전의 긍정적인 영향도 명확하게 나타났다. OpenAI의 Sora 텍스트-영상 생성 모델 출시 후, AI 섹터 평균 가격은 151% 상승했다. AI 효과는 Meme코인이라는 암호화폐 자금 유치 분야 중 하나까지 확산되었다. 첫 번째 AI Agent 개념의 MemeCoin인 GOAT는 순식간에 인기를 얻어 14억 달러의 평가액을 기록하며 AI Meme 열풍을 일으켰다.
AI+Web3에 관한 연구와 논의 또한 활발하다. AI+DePIN에서부터 AI Memecoin, 그리고 현재의 AI Agent와 AI DAO에 이르기까지, FOMO(놓칠까봐 두려움) 심리는 새로운 스토리 전환 속도를 따라잡지 못하고 있다.
많은 자본과 유행, 미래 지향적 환상이 뒤섞인 이 용어 조합 AI+Web3는 마치 자본이 주선한 혼인처럼 비쳐지기도 한다. 우리는 이 화려한 옷 안에서 투기꾼들의 무대인지, 아니면 새로운 시대의 시작인지 쉽게 판단하기 어렵다.
이 질문에 답하려면, 각각의 기술이 상대방과 함께할 때 더 나아질 수 있는지를 고민해야 한다. 서로의 구조에서 이득을 얻을 수 있을까? 본 글에서는 선배들의 연구를 바탕으로 다음 두 가지를 살펴보고자 한다. Web3는 AI 기술 스택의 각 단계에서 어떤 역할을 할 수 있는가? 그리고 AI는 Web3에 어떤 새로운 활력을 불어넣을 수 있는가?
AI 스택 하에서 Web3의 기회는 무엇인가?
이 주제를 다루기에 앞서, 먼저 AI 대규모 모델의 기술 스택을 이해할 필요가 있다.
이미지 출처: Delphi Digital
보다 일반적인 표현으로 이 과정을 설명하면 다음과 같다. ‘대규모 모델’은 인간의 뇌와 같다. 초기 단계에서 이 ‘뇌’는 세상에 막 태어난 아기와 같으며, 주변 외부의 방대한 정보를 관찰하고 섭취하여 세상을 이해하는 것이 데이터 ‘수집’ 단계다. 컴퓨터는 인간의 시각, 청각 등 여러 감각기관을 갖추지 못했기 때문에, 학습 전에 외부의 방대한 비표준 정보를 ‘전처리’ 과정을 통해 컴퓨터가 이해하고 사용 가능한 형식으로 변환해야 한다.
데이터 입력 후 AI는 ‘학습’을 통해 이해력과 예측 능력을 갖춘 모델을 구축한다. 이는 아기가 서서히 외부를 이해하고 배우는 과정과 같다. 모델의 매개변수는 아기의 언어 능력이 계속 조정되듯 변화한다. 학습 내용이 특정 분야로 나뉘거나, 인간과의 소통을 통해 피드백을 받고 수정하는 과정은 대규모 모델의 ‘미세 조정(fine-tuning)’ 단계라고 할 수 있다.
아이가 점점 자라 말을 배우면, 새로운 대화에서 의미를 이해하고 자신의 감정과 생각을 표현할 수 있게 된다. 이 단계는 AI 대규모 모델의 ‘추론(inference)’과 유사하다. 모델은 새로운 언어 및 텍스트 입력에 대해 예측과 분석을 수행할 수 있다. 아기는 언어 능력을 통해 감정을 표현하고 물체를 묘사하며 다양한 문제를 해결하는 것처럼, AI 대규모 모델도 훈련을 마친 후 추론 단계에서 이미지 분류, 음성 인식 등의 특정 작업에 적용된다.
한편, AI Agent는 대규모 모델의 다음 형태에 가깝다. 복잡한 목표를 추구하며 독립적으로 작업을 수행할 수 있고, 사고 능력뿐 아니라 기억, 계획 수립, 도구 활용 등을 통해 세계와 상호작용할 수 있다.
현재 AI의 각 스택 단계에서 발생하는 문제점을 해결하기 위해 Web3는 초기 단계의 다층적이고 상호 연결된 생태계를 형성하고 있으며, AI 모델 프로세스의 모든 단계를 포괄하고 있다.
1. 기초 계층: 컴퓨팅 및 데이터의 에어비앤비
컴퓨팅 능력
현재 AI의 가장 큰 비용 중 하나는 모델 학습 및 추론에 필요한 컴퓨팅 능력과 에너지다.
예를 들어, 메타(Meta)의 LLAMA3는 NVIDIA가 제조한 H100 GPU 16,000개(인공지능 및 고성능 컴퓨팅 워크로드를 위한 최상위 그래픽 처리 장치)를 30일간 사용해야 훈련을 완료할 수 있다. 이 GPU의 80GB 버전은 개당 3만~4만 달러이며, 이를 기반으로 한 컴퓨팅 하드웨어 투자(GPU + 네트워크 칩 포함)는 4~7억 달러에 달한다. 게다가 매월 훈련에 소요되는 전력은 16억 kWh이며, 에너지 비용만 매월 약 2,000만 달러에 이른다.
AI 컴퓨팅 자원의 부담을 줄이는 것은 Web3가 처음으로 AI와 교차한 분야이기도 하다. 즉 DePIN(탈중앙화 물리 인프라 네트워크) 분야다. 현재 DePin Ninja 데이터 웹사이트에는 1,400개 이상의 프로젝트가 등록되어 있으며, GPU 컴퓨팅 공유 대표 프로젝트로는 io.net, Aethir, Akash, Render Network 등이 있다.
그 주요 로직은 다음과 같다. 플랫폼은 유휴 GPU 자원을 보유한 개인이나 기관이 허가 없이 탈중앙화 방식으로 컴퓨팅 능력을 제공할 수 있도록 하며, Uber나 Airbnb와 유사한 온라인 거래시장을 통해 활용률이 낮은 GPU 자원의 활용도를 높이고, 최종 사용자는 저렴한 비용으로 고효율 컴퓨팅 자원을 이용할 수 있게 된다. 동시에 스테이킹 메커니즘을 통해 품질 관리 기준 위반 또는 네트워크 중단 시 자원 제공자에게 상응하는 처벌이 이루어진다.
특징은 다음과 같다.
-
유휴 GPU 자원 집약: 공급자는 주로 제3자 소규모 데이터센터, 암호화 광산 운영업체 등의 여유 컴퓨팅 자원이나 PoS 합의 알고리즘 기반 채굴 장비(Filecoin 및 ETH 채굴기 등)를 제공한다. 일부 프로젝트는 MacBook, iPhone, iPad 등 개인 장비를 활용해 대규모 모델 추론을 위한 컴퓨팅 네트워크를 구축하는 등 참여 장벽을 낮추고 있다(exolab).
-
AI 컴퓨팅의 장미시장 대응: a. 기술적 측면에서 탈중앙화 컴퓨팅 시장은 추론 단계에 더 적합하다. 훈련은 초대규모 GPU 클러스터의 데이터 처리 능력에 의존하지만, 추론은 비교적 낮은 GPU 성능으로도 가능하다. 예를 들어 Aethir는 낮은 지연 시간의 렌더링 및 AI 추론 애플리케이션에 집중하고 있다. b. 수요 측면에서 중소규모 컴퓨팅 수요자는 자체 대규모 모델을 훈련시키기보다 소수의 주요 대규모 모델을 기반으로 최적화 및 미세 조정을 선택하며, 이러한 시나리오는 분산형 유휴 컴퓨팅 자원에 자연스럽게 적합하다.
-
탈중앙화 소유권: 블록체인 기술의 의미는 자원 소유자가 언제든지 자원에 대한 통제권을 유지하면서 필요에 따라 유연하게 조정하고 수익을 창출할 수 있다는 점이다.
데이터
데이터는 AI의 기반이다. 데이터가 없다면 컴퓨팅은 뿌리 없는 부레처럼 쓸모없다. 데이터와 모델 간의 관계는 "쓰레기 데이터를 넣으면 쓰레기 결과가 나온다(Garbage in, Garbage out)"는 속담처럼, 데이터의 양과 입력 품질이 결국 모델 출력 품질을 결정한다. 현재 AI 모델 훈련에서는 데이터가 모델의 언어 능력, 이해력, 가치관, 인간화된 표현까지 결정한다. AI의 데이터 수요는 현재 다음과 같은 네 가지 과제에 직면해 있다.
-
데이터 갈증: AI 모델 훈련은 방대한 데이터 입력에 의존한다. 공개 자료에 따르면, OpenAI의 GPT-4 훈련 매개변수는 트릴리온 단위에 달한다.
-
데이터 품질: AI와 각 산업의 융합이 진행됨에 따라 데이터의 시의성, 다양성, 특정 분야 데이터의 전문성, 소셜미디어 감정 분석 등 신생 데이터 원천에 대한 품질 요구가 높아지고 있다.
-
프라이버시 및 규정 준수 문제: 각국 정부와 기업들이 고품질 데이터셋의 중요성을 인식하며 데이터 크롤링을 제한하고 있다.
-
데이터 처리 비용 증가: 데이터량이 많고 처리 과정이 복잡하다. 공개 자료에 따르면, AI 기업의 R&D 비용 중 30% 이상이 기본 데이터 수집 및 처리에 사용된다.
현재 Web3의 해결책은 다음과 같은 네 가지 방향으로 나타나고 있다.
1. 데이터 수집: 무료로 제공되는 실제 세계 데이터 수집은 빠르게 고갈되고 있으며, AI 기업의 데이터 비용은 해마다 증가하고 있다. 그러나 이 비용은 데이터의 진정한 기여자에게 돌아가지 않고, 플랫폼이 데이터 가치 창출의 전부를 독점하고 있다. 예를 들어 Reddit은 AI 기업과 체결한 데이터 라이선스 계약을 통해 총 2.03억 달러의 수익을 올렸다.
데이터 기여자에게도 가치 창출에 참여할 기회를 제공하고, 분산형 네트워크와 인센티브 메커니즘을 통해 저비용으로 사용자의 개인적이며 더 가치 있는 데이터를 확보하는 것이 Web3의 비전이다.
-
Grass는 탈중앙화된 데이터 계층 및 네트워크로서, 사용자는 Grass 노드를 실행함으로써 유휴 대역폭과 리레이 트래픽을 제공하고 인터넷 전체의 실시간 데이터를 수집하며 토큰 보상을 받을 수 있다.
-
Vana는 독특한 데이터 유동성 풀(DLP) 개념을 도입하여, 사용자가 자신의 개인정보(쇼핑 기록, 서핑 습관, 소셜미디어 활동 등)를 특정 DLP에 업로드하고, 이를 특정 제3자에게 라이선스 제공할지 여부를 유연하게 선택할 수 있다.
-
PublicAI에서는 X(트위터)에서 #AI 또는 #Web3 태그를 사용하고 @PublicAI를 멘션하면 데이터 수집이 가능하다.
2. 데이터 전처리: AI의 데이터 처리 과정에서 수집된 데이터는 보통 노이즈가 많고 오류를 포함하므로, 모델 훈련 전에 정제되어 사용 가능한 형식으로 변환되어야 한다. 표준화, 필터링, 누락값 처리 등 반복 작업이 필요하다. 이 단계는 AI 산업에서 드물게 남아 있는 인적 요소를 포함하며, 데이터 어노테이터(data annotator)라는 직업군이 등장했다. 모델의 데이터 품질 요구가 높아짐에 따라 어노테이터의 전문성도 높아졌으며, 이 작업은 Web3의 탈중앙화 인센티브 메커니즘과 자연스럽게 맞물린다.
-
현재 Grass와 OpenLayer는 데이터 어노테이션 핵심 단계에 참여할 계획이다.
-
Synesis는 ‘Train2earn’ 개념을 제안하며 데이터 품질을 강조하고, 사용자는 어노테이션 데이터, 주석 또는 기타 형태의 입력을 제공함으로써 보상을 받을 수 있다.
-
데이터 어노테이션 프로젝트 Sapien은 어노테이션 작업을 게임화하고, 사용자가 포인트를 스테이킹하여 더 많은 포인트를 벌 수 있도록 한다.
3. 데이터 프라이버시 및 보안: 프라이버시와 보안은 다른 개념임을 명확히 해야 한다. 데이터 프라이버시는 민감한 데이터 처리를 다루며, 데이터 보안은 무단 접근, 파괴, 도난으로부터 정보를 보호하는 것을 의미한다. 따라서 Web3의 프라이버시 기술 우위와 잠재적 적용 분야는 두 가지로 요약된다. (1) 민감한 데이터 기반 학습; (2) 데이터 협업: 여러 데이터 소유자가 원본 데이터를 공유하지 않고도 공동으로 AI 훈련에 참여할 수 있음.
현재 Web3에서 일반적으로 사용되는 프라이버시 기술은 다음과 같다.
-
신뢰 실행 환경(TEE): 예: Super Protocol;
-
완전 동형 암호화(FHE): 예: BasedAI, Fhenix.io 또는 Inco Network;
-
제로지식 기술(zk): 예: Reclaim Protocol은 zkTLS 기술을 사용해 HTTPS 트래픽의 제로지식 증명을 생성함으로써, 외부 웹사이트로부터 활동, 평판, 신원 데이터를 안전하게 가져오되 민감 정보를 노출하지 않도록 한다.
다만 이 분야는 여전히 초기 단계이며 대부분의 프로젝트가 탐색 중이다. 현재 가장 큰 난관은 계산 비용이 너무 높다는 점이다. 예를 들면:
-
zkML 프레임워크 EZKL은 1M-nanoGPT 모델의 증명을 생성하는 데 약 80분이 소요된다.
-
Modulus Labs의 데이터에 따르면, zkML의 오버헤드는 순수 계산보다 1,000배 이상 높다.
4. 데이터 저장: 데이터 확보 후에는 체인 상에 데이터를 저장할 공간이 필요하며, 생성된 LLM도 저장되어야 한다. 이더리움의 Danksharding 업그레이드 이전에는 데이터 가용성(DA)이 주요 문제였으며, 처리량은 0.08MB에 불과했다. 반면 AI 모델의 훈련과 실시간 추론은 초당 50~100GB의 데이터 처리량을 필요로 한다. 이처럼 차이가 크기 때문에 기존의 체인 상 솔루션은 '자원 집약적 AI 애플리케이션'에 대응하기 어려운 실정이다.
-
0g.AI는 이 분야의 대표적 프로젝트로, AI의 고성능 요구에 특화된 탈중앙화 저장 솔루션이다. 주요 특징으로는 고성능과 확장성이 있으며, 고급 샤딩(Sharding) 및 소거 부호(Erasure Coding) 기술을 통해 대규모 데이터셋의 빠른 업로드 및 다운로드를 지원하며, 데이터 전송 속도는 초당 약 5GB에 달한다.
2. 미들웨어: 모델의 훈련과 추론
오픈소스 모델의 탈중앙화 시장
AI 모델의 폐쇄형(open-source)과 개방형(closed-source)에 대한 논쟁은 끊이지 않는다. 오픈소스는 폐쇄형 모델이 따라올 수 없는 집단적 혁신을 가능하게 하지만, 수익 모델이 전혀 존재하지 않는다면 오픈소스 모델이 어떻게 개발자의 동기를 높일 수 있을지 고민할 필요가 있다. 바이두 창립자 리옌홍은 올해 4월 “오픈소스 모델은 점점 더 뒤처질 것”이라고 주장하기도 했다.
이에 대해 Web3는 탈중앙화된 오픈소스 모델 시장이라는 가능성을 제시한다. 즉 모델 자체를 토큰화하고, 개발팀이 일정 비율의 토큰을 보유하며, 해당 모델의 일부 미래 수익을 토큰 홀더에게 분배하는 방식이다.
-
Bittensor는 오픈소스 모델의 P2P 시장을 구축하며, 수십 개의 ‘서브넷’으로 구성된다. 여기서 자원 제공자(컴퓨팅, 데이터 수집/저장, 머신러닝 인재)는 특정 서브넷 소유자의 목표를 달성하기 위해 경쟁하며, 각 서브넷은 상호작용하고 학습함으로써 더 강력한 지능을 실현한다. 보상은 커뮤니티 투표로 배분되며, 경쟁 성과에 따라 각 서브넷 내에서 추가적으로 분배된다.
-
ORA는 초기 모델 공개(IMO) 개념을 도입하여 AI 모델을 토큰화하고, 탈중앙화 네트워크를 통해 AI 모델을 구매, 판매, 개발할 수 있도록 한다.
-
Sentient은 탈중앙화된 AGI 플랫폼으로, 사람들이 협력하여 AI 모델을 구축, 복제, 확장하도록 유도하고 기여자에게 보상을 제공한다.
-
Spectral Nova는 AI 및 ML 모델의 생성과 응용에 집중한다.
검증 가능한 추론(Verifiable Inference)
AI 추론 과정의 '블랙박스' 문제에 대응하는 표준 Web3 솔루션은 여러 검증자가 동일한 작업을 반복하고 결과를 비교하는 것이다. 그러나 현재 고급 'NVIDIA 칩'의 부족으로 인해 AI 추론 비용이 매우 높아지는 문제가 있다.
더 유망한 해결책은 체인 외부 AI 추론 계산에 대해 ZK 증명(제로지식 증명, 한 당사자가 다른 당사자에게 특정 진술이 참임을 증명하되, 진술 자체 외의 정보는 전혀 노출하지 않는 암호 프로토콜)을 수행하여, 체인 상에서 AI 모델 계산을 허가 없이 검증하는 것이다. 이는 체인 외부 계산이 올바르게 완료되었음을 암호적으로 체인 상에서 증명(예: 데이터셋이 조작되지 않았음을 확인)하면서도 모든 데이터를 비밀로 유지해야 한다.
주요 장점은 다음과 같다.
-
확장성: 제로지식 증명은 대량의 체인 외부 계산을 빠르게 확인할 수 있다. 거래량이 증가하더라도 단일 ZK 증명으로 모든 거래를 검증할 수 있다.
-
프라이버시 보호: 데이터와 AI 모델의 세부 정보는 비공개 상태를 유지하면서도, 각 당사자는 데이터와 모델이 손상되지 않았음을 검증할 수 있다.
-
신뢰 불필요: 중심화된 당사자에 의존하지 않고도 계산의 정확성을 확인할 수 있다.
-
Web2 통합: Web2는 본질적으로 체인 외부에 있으므로, 검증 가능한 추론은 Web2의 데이터셋과 AI 계산을 체인 상으로 가져오는 데 도움이 되며, Web3의 채택률을 높이는 데 기여한다.
현재 Web3의 검증 가능한 추론을 위한 기술은 다음과 같다.
-
zkML: 제로지식 증명과 머신러닝을 결합하여 데이터 및 모델의 프라이버시와 기밀성을 보장하며, 일부 기저 속성을 공개하지 않으면서도 검증 가능한 계산을 가능하게 한다. Modulus Labs는 ZKML 기반으로 AI 제공업체가 체인 상에서 알고리즘을 올바르게 실행했는지 확인하는 ZK 프루버(prover)를 출시했지만, 현재 고객은 주로 체인 상 DApp이다.
-
opML: 낙관적 롤업(optimistic rollup) 원리를 활용하여, 분쟁 발생 시 검증 시간을 통해 ML 계산의 확장성과 효율성을 높인다. 이 모델에서는 검증자가 생성한 결과의 일부만 검증하면 되지만, 검증자의 사기 비용을 충분히 높게 설정함으로써 불필요한 계산을 줄인다.
-
TeeML: 신뢰 실행 환경(TEE)을 사용하여 ML 계산을 안전하게 수행하고, 데이터 및 모델이 조작되거나 무단 접근되는 것을 방지한다.
3. 애플리케이션 계층: AI Agent
현재 AI 발전은 모델 능력 중심에서 AI Agent 중심으로 개발 방향이 전환되고 있다. OpenAI, AI 대모델 유니콘 Anthropic, 마이크로소프트 등 주요 기술 기업들은 모두 AI Agent 개발로 방향을 전환하며 현재 LLM의 기술 정체기를 극복하려 하고 있다.
OpenAI가 정의한 AI Agent란, LLM을 두뇌로 하여 자율적인 이해·인지, 계획 수립, 기억, 도구 사용 능력을 갖추고 복잡한 작업을 자동으로 수행하는 시스템을 말한다. AI가 사용되는 도구에서 도구를 사용하는 주체로 전환될 때, 그것이 바로 AI Agent가 된다. 이것이 바로 AI Agent가 인간의 이상적인 지능형 어시스턴트가 될 수 있는 이유이다.
그렇다면 Web3는 Agent에게 무엇을 제공할 수 있을까?
1. 탈중앙화
Web3의 탈중앙화 특성은 Agent 시스템을 더욱 분산되고 자율적인 구조로 만들 수 있다. PoS, DPoS 등의 메커니즘을 통해 스테이킹 참여자와 위임자에게 인센티브 및 제재를 부여함으로써 Agent 시스템의 민주화를 촉진할 수 있다. GaiaNet, Theoriq, HajimeAI 등이 이를 시도하고 있다.
2. 콜드 스타트(Cold Start)
AI Agent의 개발 및 반복은 종종 막대한 자금 지원이 필요하지만, Web3는 유망한 AI Agent 프로젝트가 초기 투자 유치 및 콜드 스타트를 달성하는 데 도움을 줄 수 있다.
-
Virtual Protocol은 AI Agent 생성 및 토큰 발행 플랫폼 fun.virtuals를 출시하였으며, 모든 사용자가 AI Agent를 한 번의 클릭으로 배포하고, AI Agent 토큰을 100% 공평하게 발행할 수 있다.
-
Spectral은 체인 상 AI Agent 자산 발행을 지원하는 제품 아이디어를 제안: IAO(Initial Agent Offering)를 통해 토큰을 발행함으로써, AI Agent는 직접 투자자로부터 자금을 조달할 수 있으며, DAO 거버넌스의 일원이 되어 투자자들에게 프로젝트 발전 참여 및 미래 수익 공유의 기회를 제공한다.
AI가 Web3에 미치는 영향은?
AI가 Web3 프로젝트에 미치는 영향은 명백하다. 스마트계약 실행, 유동성 최적화, AI 기반 거버넌스 의사결정 등 체인 상 작업을 최적화함으로써 블록체인 기술에 이롭고, 더 나은 데이터 기반 인사이트를 제공하며 체인 상 보안을 강화하고, 새로운 Web3 기반 애플리케이션의 기반을 마련한다.
1. AI와 체인 상 금융
AI와 암호화경제
8월 31일, Coinbase CEO 브라이언 암스트롱은 Base 네트워크에서 최초의 AI 대 AI 암호화 거래를 성사시켰다고 발표하며, AI Agent가 이제 Base에서 USD를 사용해 인간, 상인, 혹은 다른 AI와 즉시, 글로벌하게, 무료로 거래할 수 있다고 밝혔다.
결제 외에도, Virtuals Protocol의 Luna는 AI Agent가 체인 상 거래를 자율적으로 수행하는 방법을 최초로 시연하여 주목을 받았다. 환경을 인지하고, 의사결정을 내리며, 행동을 수행하는 지능형 개체로서 AI Agent는 체인 상 금융의 미래로 여겨진다. 현재 AI Agent의 잠재적 시나리오는 다음과 같다.
1. 정보 수집 및 예측: 투자자가 거래소 공지, 프로젝트 공개 정보, 공포 감정, 여론 리스크 등을 수집하고, 자산의 기본적 분석, 시장 상황을 실시간으로 분석 및 평가하며, 추세와 리스크를 예측할 수 있도록 돕는다.
2. 자산 관리: 사용자에게 적합한 투자 대상을 제공하고, 자산 포트폴리오를 최적화하며, 자동으로 거래를 실행한다.
3. 금융 경험: 투자자가 가장 빠른 체인 상 거래 방식을 선택할 수 있도록 도와주며, 자동 크로스체인, 가스비 조정 등의 수동 작업을 줄여 체인 상 금융 활동의 진입 장벽과 비용을 낮춘다.
다음과 같은 시나리오를 상상해보자. 당신이 AI Agent에게 이렇게 지시한다. "나는 1,000USDT를 갖고 있는데, 일주일 이내에 가장 높은 수익을 낼 수 있는 조합을 찾아줘." 그러면 AI Agent는 다음과 같이 제안한다. "초기 자금 배분을 A에 50%, B에 20%, X에 20%, Y에 10%로 하는 것을 권장합니다. 저는 금리와 리스크 수준 변화를 모니터링하며 필요 시 리밸런싱을 수행하겠습니다." 또한 잠재적 에어드랍 프로젝트나 핫한 커뮤니티 징후를 보이는 메모코인 프로젝트를 찾는 것도 AI Agent가 향후 수행할 수 있는 일이다.
이미지 출처: Biconomy
현재 AI Agent 지갑 Bitte, AI 인터페이스 프로토콜 Wayfinder 등이 이러한 시도를 하고 있으며, 모두 OpenAI의 모델 API를 연결하여 사용자가 ChatGPT와 유사한 채팅창 인터페이스에서 Agent에게 각종 체인 상 작업(swap, send, bridge, stake 등)을 명령할 수 있도록 한다. 예를 들어 WayFinder는 올해 4월 Base, Polygon, Ethereum 세 공용 블록체인 메인넷에서 swap, send, bridge, stake 네 가지 기본 작업을 보여주는 최초의 프로토타입을 공개했다.
현재 탈중앙화 Agent 플랫폼 Morpheus 역시 이러한 Agent 개발을 지원하고 있으며, Biconomy는 지갑 권한 전체를 승인하지 않아도 AI Agent가 ETH를 USDC로 스왑할 수 있는 작동 영상을 시연한 바 있다.
AI와 체인 상 거래 보안
Web3 세계에서 체인 상 거래 보안은 매우 중요하다. AI 기술은 체인 상 거래의 보안성과 프라이버시 보호를 강화하는 데 활용될 수 있으며, 잠재적 시나리오는 다음과 같다.
거래 모니터링: 실시간 데이터 기술로 비정상 거래 활동을 감시하고, 사용자 및 플랫폼을 위한 실시간 경보 인프라를 제공한다.
리스크 분석: 플랫폼이 고객의 거래 행동 데이터를 분석하여 리스크 수준을 평가할 수 있도록 돕는다.
예를 들어 Web3 보안 플랫폼 SeQure는 AI를 활용해 악성 공격, 사기 행위, 데이터 유출을 탐지하고 방지하며, 실시간 모니터링 및 경보 메커니즘을 제공하여 체인 상 거래의 안정성과 보안을 보장한다. 유사한 보안 도구로는 AI 기반 Sentinel이 있다.
2. AI와 체인 상 인프라
AI와 체인 상 데이터
AI 기술은 체인 상 데이터 수집 및 분석에서 중요한 역할을 한다.
-
Web3 Analytics: 머신러닝 및 데이터 마이닝 알고리즘을 활용하여 체인 상 데이터를 수집, 처리, 분석하는 AI 기반 분석 플랫폼.
-
MinMax AI: AI 기반 체인 상 데이터 분석 도구를 제공하여 사용자가 잠재적 시장 기회와 트렌드를 발견할 수 있도록 돕는다.
-
Kaito: LLM 기반 검색엔진을 활용한 Web3 검색 플랫폼.
-
Followin: ChatGPT를 통합하여 다양한 웹사이트 및 커뮤니티 플랫폼의 관련 정보를 수집하고 통합해 제공한다.
-
또 다른 응용 분야는 오라클인데, AI는 여러 출처에서 가격 정보를 취합하여 정확한 가격 데이터를 제공할 수 있다. 예를 들어 Upshot는 NFT의 변동성이 큰 가격에 대해 매시간 1억 회 이상의 평가를 수행하여 오차율 3~10%의 NFT 가격을 제공한다.
AI와 개발&감사
최근 Web2의 AI 코드 에디터 Cursor가 개발자 커뮤니티에서 많은 관심을 받았다. 이 플랫폼에서는 사용자가 자연어로 설명만 하면, Cursor가 자동으로 HTML, CSS, JavaScript 코드를 생성하여 소프트웨어 개발 프로세스를 크게 단순화한다. 이 논리는 Web3의 개발 효율성 향상에도 동일하게 적용될 수 있다.
현재 공용 블록체인에 스마트계약 및 DApp을 배포하려면 일반적으로 Solidity, Rust, Move 등의 전용 개발 언어를 따르야 한다. 새로운 개발 언어의 비전은 탈중앙화 블록체인 설계 공간을 확장하여 DApp 개발에 더 적합하게 만드는 것이지만, Web3 개발자 부족 상황에서 개발자 교육은 여전히 큰 과제이다.
현재 AI는 Web3 개발 보조에서 다음과 같은 시나리오를 상상할 수 있다. 자동 코드 생성, 스마트계약 검증 및 테스트, DApp 배포 및 유지관리, 스마트 코드 자동 완성, AI 대화를 통한 개발 문제 해결 등. AI의 보조를 통해 개발 효율성과 정확성을 높일 뿐 아니라, 프로그래밍 장벽을 낮춰 비전문가도 자신의 아이디어를 실제 애플리케이션으로 전환할 수 있게 하여 탈중앙화 기술 발전에 새로운 활력을 불어넣을 수 있다.
현재 가장 주목받는 것은 한 번의 클릭으로 토큰을 시작할 수 있는 플랫폼, 예를 들어 Clanker와 같은 AI 기반 'Token Bot'이다. 이는 빠른 DIY 토큰 배포를 위해 설계되었다. SocialFi 프로토콜 Farcaster의 Warpcast 또는 Supercast 클라이언트에서 Clanker를 멘션하고 토큰 아이디어를 알려주면, Base 공용 블록체인에 토큰을 자동으로 배포해 준다.
또한 Spectral과 같은 스마트계약 개발 플랫폼은 스마트계약을 한 번에 생성하고 배포하는 기능을 제공하여 Web3 개발 장벽을 낮추고, 비전문 사용자도 스마트계약 컴파일 및 배포를 수행할 수 있도록 한다.
감사(Audit) 분야에서는 Web3 감사 플랫폼 Fuzzland이 AI를 사용하여 코드 취약점을 검사하고, 자연어 설명을 통해 감사 전문 지식을 보조한다. Fuzzland는 또 AI를 활용해 공식 사양과 계약 코드에 대한 자연어 설명 및 예시 코드를 제공하여, 개발자가 코드 내 잠재적 문제를 이해하는 데 도움을 준다.
3. AI와 Web3의 새로운 스토리텔링
생성형 AI의 부상은 Web3의 새로운 스토리텔링에 완전히 새로운 가능성을 제시하고 있다.
NFT: AI는 생성형 NFT에 창의성을 불어넣는다. AI 기술을 통해 독특하고 다양한 예술품과 캐릭터를 생성할 수 있으며, 이러한 생성형 NFT는 게임, 가상 세계, 메타버스에서 캐릭터, 아이템, 배경 요소로 활용될 수 있다. 바이낸스 산하의 Bicasso는 사용자가 이미지를 업로드하고 키워드를 입력하면 AI 연산을 통해 NFT를 생성한다. 유사한 프로젝트로는 Solvo, Nicho, IgmnAI, CharacterGPT 등이 있다.
GameFi:
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
