DePIN: 분산형 물리적 인프라 네트워크
DePIN 프로젝트는 이론적으로 암호화폐에 실질적인 유용성을 제공하려 하지만, 실제 문제를 진정으로 해결하고 기존 기업을 혁신할 수 있는 합리적인 비즈니스 모델을 갖추고 있으며 쉽게 스푸핑될 수 없는 프로젝트는 거의 없습니다. 대부분은 단순히 문제를 찾는 해결책일 뿐입니다. 주목할 만한 예외 중 하나는 Wingbits라는 항공편 추적 네트워크입니다. 왜 그럴까요? 이 네트워크는 Web2 문제를 Web3 인센티브를 통해 해결하기 때문입니다. 런던에서 뉴욕으로 가는 BA117편과 같은 항공편을 추적해 본 사람이라면 FlightAware나 Flightradar와 같은 웹사이트를 사용해 본 적이 있을 것입니다.
그림 1: Wingbits 비행 추적 지도
출처: Wingbits - 항공편 추적의 혁신.
항공 추적 회사들은 항공 회사와 인수합병을 위해 개인 항공기 운항을 모니터링하는 재무 분석가와 같은 구매자에게 항공 데이터를 판매하여 수백만 달러의 수익을 창출합니다. 이러한 회사들은 플랫폼 광고와 구독을 통해서도 수익을 얻습니다. 그러나 이러한 자본 지출에는 상당한 인프라 및 하드웨어 비용이 포함되지 않습니다. ADS-B 수신기라고 불리는 항공 감시 기술은 항공 애호가들이 직접 구매하고 구성하는 안테나와 라즈베리 파이가 필요한 하드웨어이기 때문입니다. 이러한 애호가들은 대가를 거의 기대하지 않으며, 종종 자신이 선호하는 항공 추적 플랫폼의 무료 구독만 받습니다.
가장 큰 문제는 이러한 네트워크의 데이터 품질을 극대화하려는 마니아들의 인센티브가 부족하다는 것입니다. 미미한 인센티브가 없다면 ADS-B 수신기는 거실 구석이나 인구 밀집 도시 지역에 과도하게 배치되는 등 부적절한 위치에 놓이는 경우가 많아, 결국 시골 지역의 커버리지가 약화됩니다.
그림 2 : (좌측) 기존 ADS-B 수신기, (우측) Wingbits 마이너
출처: Wingbits - 항공편 추적의 혁신.
Wingbits는 Uber의 육각형 계층적 공간 색인과 유사한 시스템을 활용하면서 고도를 기반으로 전략적으로 스테이션을 설치하도록 유도하여 항공 추적에 혁신을 일으키고 있습니다. 이러한 접근 방식은 최적화된 커버리지, 더 높은 품질의 데이터, 그리고 무엇보다도 네트워크 기여자에게 공정한 보상을 보장합니다. Wingbits는 Wingbits 스테이션 수의 11분의 1에 불과한 규모로 대형 네트워크의 75%에 달하는 커버리지를 달성했습니다. 이러한 높은 효율성과 4,000개 이상의 스테이션 구축이 예상됨에 따라 기존 항공 추적 네트워크를 크게 능가하여 최종 고객에게 더 나은 품질의 데이터를 제공할 것으로 예상됩니다.
이 개념을 설명하는 다음 가족 저녁 식사 대화는 쉽게 나올 것입니다. 이제 우리는 일반 사람들이 이해할 수 있는 암호화 인센티브에 의해 주도되는 실제 사용 사례를 제시할 수 있기 때문입니다.
암호화폐 x AI
시장 사이클과 마찬가지로 컴퓨팅 수요는 정점과 저점을 경험합니다. GPU는 가격이 비쌀 수 있으며, 공급 제약으로 인해 더욱 그렇습니다. 소비자 기기에서 유휴 컴퓨팅을 활용하는 것은 새로운 개념이 아니지만, 여러 기기 간의 동기화 문제를 해결하는 것은 새로운 개념입니다. Exo Labs는 엣지 컴퓨팅 분야에서 획기적인 발전을 이룬 선구적인 프로젝트로, 사용자가 가정용 맥북과 같은 일상적인 소비자용 기기에서 모델을 실행할 수 있도록 지원합니다. 이를 통해 민감한 데이터를 사용자가 직접 관리할 수 있어 클라우드 기반 저장 또는 처리와 관련된 위험을 줄일 수 있습니다.
그림 3 : 9개 계층 모델은 각각 별도의 장치에서 실행되는 3개의 샤드로 나뉩니다.
출처: Transparent Benchmarks - 12 Days of EXO, EXO Labs.
Exo Labs는 파이프라인 병렬 추론이라는 새로운 소프트웨어 인프라를 개발했습니다. 이 인프라는 대규모 언어 모델(LLM)을 "샤드(shard)"로 분할하여 여러 기기가 동일한 네트워크에 연결된 상태에서 모델의 각 부분을 개별적으로 실행할 수 있도록 지원합니다. 이 접근 방식은 지연 시간 단축, 보안 강화, 비용 효율성, 그리고 무엇보다도 개인정보 보호 등 다양한 이점을 제공합니다.
개인정보보호를 더욱 탐구하는 베이글 AI(Bagel AI)는 개인정보보호를 유지하면서 LLM을 미세 조정하는 방식인 ZKLoRA(영지식 Low-Rank Adaptation)를 개발한 프로젝트입니다. 이 혁신은 법률 서비스, 의료, 금융 등의 산업에 특화된 모델을 구축하여 기밀 정보 유출 위험 없이 민감한 데이터를 강화 학습에 활용할 수 있도록 합니다.
개인정보 보호가 화두이지만, 대부분의 LLM에게 더 큰 과제는 환각 문제입니다. 환각 문제는 AI가 생성하는, 사실처럼 거짓되거나 오해의 소지가 있는 정보를 포함하는 반응입니다. 한 포트폴리오 매니저는 제게 이렇게 말했습니다. "지혜는 두 극단 사이의 미묘한 진실을 발견하기 위해 경쟁하는 관점들을 종합하는 데 있습니다." Blocksense는 zkSchellingCoin 합의 라는 독점적인 접근 방식을 개발한 프로젝트입니다. 이 방법은 여러 출처(예: 서로 다른 LLM)의 주관적인 진실을 중첩하여 하나의 공통된 진실에 도달하는 것을 목표로 합니다. 예를 들어, ChatGPT, Claude, Grok, Llama에서 동일한 쿼리를 실행한다고 가정해 보겠습니다. 한 모델이 잘못된 출력을 제공하더라도, 네 모델이 서로 비교했을 때 모두 동일한 거짓 결과를 생성할 가능성은 통계적으로 낮습니다.
그림 4 : zkSchellingCoin 합의 개요
출처: Blocksense Network - 프로그래밍 가능 오라클을 위한 zk 롤업.
zkSchellingCoin 합의 AI 추론에 검증 가능성을 추가하는 데에도 적용될 수 있습니다. 예를 들어, AI 에이전트가 실행 시점에 USDC를 가장 수익성이 높은 금고에 올바르게 연결했는지 어떻게 확인할 수 있을까요? 추가적인 검증 계층을 통해 AI에 대한 신뢰도가 크게 강화될 것입니다. 비용이나 지연 시간 문제 없이 이 문제를 해결할 수 있다면, 실제 사용 사례에서 큰 진전을 이룰 수 있을 것입니다.
DePIN과 AI가 과장된 광고에서 현실로 이어지는 과정은 진정한 혁신은 실용적이고 효율적인 솔루션으로 현실 세계의 문제를 해결하는 데 있음을 보여줍니다. Wingbits와 Exo Labs와 같은 프로젝트는 블록체인과 AI가 어떻게 의미 있는 영향을 창출할 수 있는지 보여줍니다. 전략적 인센티브를 통해 항공편 추적을 혁신하거나, 안전하고 비용 효율적인 컴퓨팅을 위해 소비자 기기의 잠재력을 최대한 활용하는 등 다양한 방식으로 말입니다. 개인정보 보호 AI를 위한 ZKLoRA와 검증 가능한 진실을 위한 zkSchellingCoin과 같은 발전과 함께, 이러한 신기술은 중요한 과제를 해결하고 더욱 탈중앙화되고 효율적이며 신뢰가 검증된 미래를 향한 길을 열어갈 것입니다.
