하이퍼볼릭 팀은 개방형 GPU 시장을 개발했습니다. 여기서 사용자는 AI 모델 학습을 위해 GPU를 임대할 수 있으며, 최대 75%의 비용을 절감할 수 있습니다. GPU 제공자는 유휴 자원을 화폐화하여 수익을 얻을 수 있습니다.
다음은 작동 방식에 대한 개요입니다:
하이퍼볼릭은 연결된 GPU를 클러스터와 노드로 구성하여 컴퓨팅 능력을 수요에 따라 확장할 수 있습니다.
이 아키텍처 모델의 핵심은 "샘플링 증명(Proof of Sampling)" 모델로, 거래를 무작위로 선택하고 검증하여 작업량과 계산 요구사항을 줄입니다.
주요 문제는 AI 추론 프로세스에서 발생하며, 네트워크에서 실행되는 각 추론은 검증되어야 하며, 다른 메커니즘으로 인한 상당한 계산 비용을 피해야 합니다.
검증 가능한 것은 규칙을 위반하면 처벌(슬래싱)을 받아야 합니다.
하이퍼볼릭이 AVS(Adaptive Verification System, 적응형 검증 시스템) 모델을 사용할 때, 시스템에 더 많은 검증 가능성을 추가합니다. 이 모델에서 검증자는 무작위로 선택되어 출력 결과를 검증하므로, 시스템은 인센티브 정렬을 달성할 수 있습니다 - 이 메커니즘에서 부정직한 행동은 수익성이 없습니다.
AI 모델을 훈련하고 개선하려면 주로 두 가지 자원이 필요합니다: 컴퓨팅 능력과 데이터. 컴퓨팅 능력을 임대하는 것은 해결책이지만, 데이터를 어딘가에서 얻어야 하며, 편향을 피하기 위해 다양한 데이터가 필요합니다.
AI 검증을 위해 다양한 출처의 데이터 활용
데이터가 많을수록 모델이 좋아지지만, 문제는 데이터의 다양성이 필요하다는 것입니다. 이는 AI 모델이 직면한 주요 과제 중 하나입니다.
데이터 프로토콜은 수십 년 동안 존재해 왔습니다. 데이터가 공개되었든 비공개되었든, 데이터 중개인은 어떤 식으로든 이 데이터를 수집하고 비용을 지불하거나 지불하지 않고 이를 판매하여 이익을 얻습니다.
AI 모델에 적합한 데이터를 확보할 때 직면하는 문제에는 단일 장애점, 검열 체제, 신뢰할 수 없는 방식으로 AI 모델에 "먹이"를 제공하는 것 등이 포함됩니다.
누가 이러한 데이터를 필요로 할까요?
첫째, AI 연구원과 개발자들은 실제적이고 적절한 입력을 통해 모델을 훈련하고 추론하기를 원합니다.
예를 들어, OpenLayer를 통해 누구나 허가 없이 시스템 또는 AI 모델에 데이터 스트림을 추가할 수 있으며, 시스템은 사용 가능한 각 데이터를 검증 가능한 방식으로 기록할 수 있습니다.
OpenLayer는 또한 이전 글에서 자세히 설명한 zkTLS(영지식 전송 계층 보안 프로토콜)를 사용합니다. 이 프로토콜은 운영자가 보고한 데이터가 실제로 출처에서 얻은 것임을 보장합니다(검증 가능성).
OpenLayer의 작동 방식은 다음과 같습니다:
데이터 소비자는 OpenLayer 스마트 계약에 데이터 요청을 게시하고, 계약(온체인 또는 오프체인)을 통해 주요 데이터 예언기 API와 유사한 방식으로 결과를 검색합니다.
운영자는 EigenLayer에 등록하여 OpenLayer AVS의 스테이킹 자산을 보장하고 AVS 소프트웨어를 실행합니다.
운영자는 작업을 구독하고, 데이터를 처리하여 OpenLayer에 제출하며, 원시 응답과 증명을 분산 저장소에 저장합니다.
가변 결과의 경우, 집계기(특수 운영자)가 출력을 표준화합니다.
개발자는 어떤 웹사이트에서든 최신 데이터를 요청하고 네트워크에 통합할 수 있습니다. AI 관련 프로젝트를 개발하는 경우 신뢰할 수 있는 실시간 데이터를 확보할 수 있습니다.
AI 계산은 정확성 보장을 위해 검증되어야 합니다
이상적으로는 노드가 자신의 계산 기여를 증명하여 시스템의 무결성을 보장해야 합니다.
최악의 경우, 노드는 실제로는 어떤 작업도 수행하지 않고 계산 능력을 제공했다고 거짓으로 주장할 수 있습니다.
노드가 자신의 기여를 증명하도록 요구하면 악의적인 행동을 방지하고 합법적인 참여자만 인정받을 수 있습니다. 이 메커니즘은 전통적인 작업 증명(Proof of Work)과 매우 유사하지만, 노드가 수행하는 작업 유형이 다릅니다.
적절한 인센티브 정렬 메커니즘을 시스템에 도입했더라도, 노드가 허가 없이 특정 작업을 완료했음을 증명할 수 없다면 실제 기여와 맞지 않는 보상을 받을 수 있으며, 이는 불공정한 보상 배분으로 이어질 수 있습니다.
네트워크가 계산 기여를 평가할 수 없다면 일부 노드에게 능력을 초과하는 작업이 할당되고 다른 노드는 유휴 상태가 되어 효율성 저하 또는 시스템 장애를 초래할 수 있습니다.
계산 기여를 증명함으로써 네트워크는 FLOPS(초당 부동 소수점 연산 수)와 같은 표준화된 지표를 사용하여 각 노드의 노력을 정량화할 수 있습니다. 이를 통해 단순히 노드가 네트워크에 존재하는지 여부가 아닌 실제 완료된 작업에 따라 보상을 배분할 수 있습니다.
@HyperspaceAI 팀은 "FLOPS 증명(Proof-of-FLOPS)" 시스템을 개발하여 노드가 미사용 컴퓨팅 능력을 임대할 수 있게 했습니다. 대가로 그들은 "flops" 크레딧을 받게 되며, 이는 네트워크의 일반 통화로 사용됩니다.
이 아키텍처의 작동 방식은 다음과 같습니다:
프로세스는 사용자에게 도전 과제를 발송하면서 시작되며, 사용자는 도전 과제에 대한 약속을 제출하여 응답합니다.
Hyperspace Rollup은 프로세스를 관리하고, 제출된 보안을 보장하며 예언기에서 난수를 가져옵니다.
사용자가 인덱스를 공개하면 도전 과제 프로세스가 완료됩니다.
운영자는 응답을 확인하고 유효한 결과를 Hyperspace AVS 계약에 알리며, 이후 EigenLayer 계약을 통해 이러한 결과를 확인합니다.
활성도 승수(Liveness Multipliers)를 계산하고 사용자에게 flops 크레딧을 부여합니다.
계산 기여 증명은 각 노드의 능력에 대한 명확한 그림을 제공하므로, 시스템은 작업을 지능적으로 할당할 수 있습니다 - 복잡한 AI 계산 작업은 고성능 노드에 할당하고, 더 가벼운 작업은 능력이 낮은 노드에 할당할 수 있습니다.
가장 흥미로운 부분은 이 시스템을 검증 가능하게 만드는 방법입니다. Hyperspace의 AVS 시스템은 지속적으로 도전 과제를 보내고 난수 요청을 실행하며, 위에 설명된 아키텍처 다이어그램과 같이 다층 검증 프로세스를 수행합니다.
운영자는 결과가 검증되고 보상이 공정하게 배분되므로 안심하고 시스템에 참여할 수 있습니다. 결과가 잘못된 경우 악의적인 행위자는 의심의 여지없이 처벌(슬래싱)을 받게 됩니다.
AI 계산 결과를 검증하는 것은 다음과 같은 중요한 이유가 있습니다:
노드의 참여와 자원 기여를 장려합니다.
노력 수준에 따라 공정하게 보상을 배분합니다.
특정 AI 모델을 직접 지원하는 기여를 보장합니다.
노드의 검증 능력에 따라 작업을 효과적으로 할당합니다.
AI의 탈중앙화와 검증 가능성
@yb_effect가 지적했듯이, "탈중앙화"와 "분산"은 완전히 다른 개념입니다. 분산은 단순히 하드웨어가 다른 위치에 분산되어 있는 것을 의미하지만, 여전히 중앙 연결점이 존재합니다.
반면 탈중앙화는 단일 마스터 노드가 없으며, 학습 프로세스가 장애를 처리할 수 있다는 것을 의미하며, 이는 오늘날 대부분의 블록체인이 작동하는 방식과 유사합니다.
AI 네트워크가 진정한 탈중앙화를 달성하려면 다양한 솔루션이 필요하지만, 거의 모든 것을 검증해야 한다는 점은 확실합니다.
AI 모델 또는 에이전트를 구축하려면 각 구성 요소와 종속성이 검증되었는지 확인해야 합니다.
추론, 학습, 데이터, 예언기 - 이 모든 것은 검증될 수 있으며, 이를 통해 AI 시스템에 암호화 보상과 인센티브 호환성을 도입할 뿐만 아니라 시
