별다른 관심을 기울이지 않고.
0G는 몇 달 전에 중요한 스레스홀드(Threshold) 넘겼다고 밝혔습니다. 이제 0G는 분산형 AI가 실제로 무엇을 제공할 수 있는지, 그리고 이전 결과가 왜 더 주목받을 만했는지를 보여주기 위해 동일한 모델을 공개적으로 재학습시키고 있습니다.
2025년 7월, 0G는 차이나 모바일과 협력하여 1070억 개의 파라미터를 가진 DiLoCoX-107B 모델을 학습시켰습니다. 이 연구는 동료 평가를 거쳐 arXiv 에 게재되었습니다. 논문에 따르면, 이 시스템은 기존 AllReduce 방식보다 357배 더 높은 통신 효율을 달성했습니다. 하지만 이러한 성과는 시장에 거의 반영되지 못했습니다.
팀 측은 시기가 불리하게 작용했다고 말합니다. 2025년 중반 암호화폐 시장의 관심은 메인넷 출시와 토큰 관련 소식에 집중되었고, 기술적 성과에는 상대적으로 관심이 적었습니다. 연구 자체는 진지했지만, 해당 분야를 면밀히 관찰하는 서클(Circle) 외에는 큰 주목을 받지 못했습니다.
탈중앙화 AI가 다시 주목받으면서, 0G는 그 결과를 다시 한번 공개하고자 합니다.
공공 재교육 노력
이번에는 회사가 재교육 과정을 공개적으로 진행하고 있습니다.
0G는 체크포인트, 수렴 지표, 데이터 소싱을 포함한 각 단계를 문서화할 계획입니다. 또한 zerogAuth를 사용하는 신뢰할 수 있는 실행 환경(Trusted Execution Environments)을 통해 실행 과정을 검증할 것이라고 밝혔습니다. 작업이 완료되면 모델 가중치는 오픈 소스로 공개될 예정입니다.
궁극적으로 0G는 탈중앙화 AI가 대부분의 폐쇄형 시스템과는 달리 감사, 재현 및 검증이 가능하다는 것을 보여주고자 합니다.
단순한 파라미터 경쟁 그 이상
AI 관련 기사들은 여전히 매개변수 개수에만 초점을 맞추는 경향이 있습니다. 숫자가 클수록 주목을 받지만, 0G는 모델의 가치는 모델을 둘러싼 전체 시스템에서 나온다고 주장합니다.
팀에게 있어 진정한 시험은 교육에서 시작하여 검증, 저장, 서비스 제공, 그리고 실제 제품으로의 통합에 이르기까지 계속됩니다.
주요 기술적 특징 중 하나는 통신 효율성입니다. DiLoCoX는 파이프라인 병렬 처리, 지역 및 전역 업데이트를 위한 이중 최적화 정책, 1단계 지연 중첩 메커니즘, 그리고 적응형 기울기 압축을 사용합니다. 쉽게 말해, 이러한 설계는 분산 학습 중에 필요한 통신량을 줄여주는데, 이는 이러한 시스템의 속도 저하를 유발하는 주요 원인입니다.
0G는 또한 온체인 검증, 분산형 저장소, 데이터 가용성, 추론 및 정산을 포함하는 풀 스택 내에 모델을 통합합니다. 그 결과, 일회성 연구 데모가 아닌 실제 작동하는 환경이 구현됩니다.
검증 또한 중요한 요소입니다. 신뢰할 수 있는 실행 환경(Trusted Execution Environments)을 통해 사용자는 모델의 존재 여부뿐만 아니라 학습 과정과 사용된 데이터까지 확인할 수 있습니다. 이는 분산형 AI 의 신뢰 모델을 의미 있는 방식으로 변화시킵니다.
진짜 핵심은 대역폭입니다.
0G에 따르면 DiLoCoX-107B 결과에서 가장 중요한 부분은 모델 학습 방식이었다.
연구팀은 107B 모델이 특수 데이터 센터 환경이 아닌 일반적인 1기가비트/초 인터넷 연결에서 작동했다고 밝혔습니다. 이는 인공지능 분야의 가장 큰 전제 중 하나인 '최첨단 모델 학습에는 희귀하고 값비싼 네트워크 환경이 필요하다'는 주장에 정면으로 도전하는 것입니다.
이러한 추세가 장기적으로 지속된다면 그 영향은 상당할 수 있습니다. 기술적 요구 사항이 낮아지면 연구 그룹부터 기업, 공공 기관에 이르기까지 훨씬 더 많은 참여자가 생겨납니다. 이러한 환경에서는 조정이 주요 과제가 되는데, 분산형 시스템은 바로 이러한 문제를 해결하기 위해 설계되었습니다.
다른 비용 모델
0G는 또한 자사 시스템이 중앙 집중식 대안에 비해 비용을 약 95% 절감한다고 밝혔습니다.
이 회사는 이러한 비용 절감이 저렴한 하드웨어 때문이 아니라 값비싼 중앙 집중식 운영 비용을 제거한 데 따른 것이라고 설명합니다. 만약 이러한 수치가 실제 사용 환경에서도 유지된다면, 초고속 AI 도입에 필요한 예산이 부족한 대학, 기업, 정부 기관을 포함한 훨씬 더 많은 조직에서 고급 모델 학습을 이용할 수 있게 될 것입니다.
이는 애초에 누가 진지한 모델을 만들 수 있는지에 대한 판도를 바꿀 수도 있습니다.
분산형 AI가 경쟁력을 가질 수 있을까요?
회의론자들은 오랫동안 분산형 AI가 성능을 따라잡을 수 없다고 주장해 왔습니다. 0G는 이러한 기존의 상충 관계가 약화되기 시작했다고 믿습니다.
결과가 개선되고 비용이 절감됨에 따라 논의는 이념보다는 결과물에 집중됩니다. 시스템이 강력한 모델을 학습시키고 검증하며, 더 많은 팀이 감당할 수 있는 가격으로 이를 수행할 수 있을까요?
개방형 참여 방식에도 여전히 실질적인 위험이 따릅니다. 분산 학습은 시스템을 데이터 오염, 그래디언트 조작, 그리고 참여자 품질의 불균형에 노출시킬 수 있습니다. 0G는 아키텍처적 안전장치, 이상 탐지, 그리고 암호화 검증을 통해 이러한 문제들을 해결한다고 밝혔습니다.
핵심은 완벽한 안전이 아닙니다. 핵심은 실패를 가시화하고 추적 가능하게 만드는 것입니다.
검증 가능한 AI란 실제로 무엇을 의미하는가?
0G의 경우, 검증 가능한 AI는 평판에 의한 신뢰를 검증에 의한 신뢰로 대체하는 것을 의미합니다.
사용자는 제공업체의 말을 그대로 믿는 대신, 모델이 어떻게 학습되었고 어떻게 작동하는지 독립적으로 확인할 수 있는 방법을 갖게 됩니다. 이러한 아이디어는 금융, 의료, 정부 등 책임성이 매우 중요한 분야에서 분명한 가치를 지닙니다.
바로 이 지점에서 분산형 AI가 차별화되기 시작합니다. 사람들은 단순히 신뢰하는 것이 아니라 시스템을 직접 검토할 수 있기 때문입니다.
연구용 데모에서 실제 작동하는 시스템으로
탈중앙화 AI 분야는 숏 에 비약적인 발전을 이루었습니다. 초기 개념 증명 단계에서 벗어나 이제는 학습, 검증, 저장, 추론 및 경제적 결제를 하나의 환경 내에서 처리할 수 있도록 설계된 시스템들이 등장하고 있습니다.
0G는 DiLoCoX-107B가 이러한 발전의 증거가 되기를 바랍니다. 공개 재학습 프로젝트는 성능뿐 아니라 프로세스에도 중점을 두고 있습니다. 회사는 분산형 AI가 검증에 개방적인 상태를 유지하면서도 진지한 모델을 만들어낼 수 있음을 보여주고자 합니다.
앞으로 나아갈 길
더 큰 규모의 모델은 아직 개발 단계에 있습니다. 0G는 수천억, 나아가 수조 규모의 모델이 실현 가능하다고 믿습니다.
다음 단계는 단일 과학적 도약보다는 더 나은 협력과 강력한 네트워크 참여에 달려 있습니다. 분산형 AI에서는 조직화가 컴퓨팅 능력만큼이나 중요할 수 있습니다.
DiLoCoX-107B의 재학습은 0G가 시장이 이전에 놓쳤다고 생각하는 대화를 다시 시작하려는 시도입니다. 또한, 개방적이고 검증 가능한 AI가 과장된 홍보가 아닌 실질적인 결과로 주목을 받을 수 있는지 여부를 시험하는 것이기도 합니다.
현재로서는, 이 회사는 공개적인 재학습, 투명한 문서화, 그리고 개방형 접근성이 분산형 AI가 다음 경쟁에서 더 강력한 기반을 마련하는 데 도움이 될 것이라고 기대하고 있습니다.
