작가 : 미야무라 에이토
편집자: 테크 플로우 (Techflowpost) TechFlow
GatlingX는 머신러닝(ML) 및 강화 학습에 초점을 맞춘 옥스퍼드 대학 졸업생이 이끄는 프로젝트입니다. 그들은 최근 "GPU-EVM"을 출시했습니다. 내부 벤치마크 결과에 따르면 이는 시장에서 가장 강력한 이더 가상 머신(EVM)일 수 있습니다.
GPU-EVM은 최첨단 강화학습(RL) 기반 인공지능 에이전트를 훈련시킬 수 있을 정도로 강력한 EVM 스케일링 솔루션이다. 여러 이더 애플리케이션의 병렬 실행을 활용하여 AI 에이전트가 보안 취약점을 찾을 수 있도록 교육합니다.
GPU-EVM은 GPU(그래픽 처리 장치)를 사용하여 작업을 병렬로 수행함으로써 트랜잭션 처리량을 높입니다. 팀은 GPU-EVM이 evmone 및 revm을 포함한 현재 고성능 EVM보다 거의 100배 빠르게 작업을 처리할 수 있다고 주장합니다. 이는 주로 병렬 처리에 적합한 아키텍처를 활용하여 동시에 여러 작업을 처리할 수 있는 GPU의 능력 때문입니다.
GPU-EVM은 GPU(그래픽 처리 장치)의 성능을 활용하여 EVM(이더 Virtual Machine) 작업을 병렬로 실행합니다. 즉, GPU-EVM은 작업을 순차적으로 실행하는 대신 많은 작업을 동시에 처리하여 계산 속도를 크게 높일 수 있습니다. 옥스퍼드 컴퓨터 과학/인공 지능 졸업생 팀의 이러한 혁신은 이더 가상 머신의 초당 계산 단위 경제성을 극적으로 향상시킵니다.
EVM( 이더 Virtual Machine)은 스마트 계약을 실행하는 업계 표준 가상 머신이며 현대 블록체인 기술의 기초입니다. EVM은 CPU 기반 클라이언트 소프트웨어를 통해 많은 분산 컴퓨터에서 제3자를 신뢰하지 않고 거래를 가능하게 하는 블록체인과 유사한 운영 체제입니다.
GPU-EVM과 이것이 제공하는 성능 향상을 통해 야심 찬 엔지니어링 팀 다운스트림에 엄청난 기능 개선을 제공합니다. 즉, EVM과 상호 작용하는 AI/RL 모델을 위한 인프라 제공, L2, MEV, 백테스팅 등을 가속화합니다. (자세한 내용은 아래 참조)
GPU-EVM: EVM 컴퓨팅을 위한 새로운 패러다임
Nvidia는 게임에 중점을 둔 틈새 회사로 시작했지만 이제는 컴퓨팅 분야의 핵심 기업이자 인공 지능 혁명의 최전선에 있습니다. 이러한 진화는 2년마다 컴퓨팅 성능이 두 배로 증가한다고 예측하는 무어의 법칙에서 Nvidia CEO Jensen Huang의 이름을 딴 황의 법칙으로의 전환을 반영합니다. 황의 법칙은 하드웨어, 소프트웨어 및 인공 지능의 통합으로 인해 GPU 성능이 2년 내에 CPU 성능을 능가하여 두 배 이상 증가하여 GPU가 복잡한 작업을 가속화하는 핵심이 될 것이라고 믿습니다.
무어의 법칙의 한계에 도달함에 따라 GPU 병렬성에 대한 의존은 컴퓨팅의 새로운 시대, 즉 CPU 중심에서 GPU 중심 발전으로의 전환을 예고합니다( Dennard 스케일링 , Amdahl의 법칙 참조). 단일 차선 도로에서 다차선 고속도로로의 전환과 같은 이러한 변화는 프로세스 속도를 높일 뿐만 아니라 더 많은 동시 활동을 가능하게 하여 기술적 가능성을 확장합니다.
Jevons의 Paradox는 이러한 효과를 잘 보여줍니다. LED 전구의 효율성이 사용 범위를 넓히는 것과 마찬가지로 GPU-EVM의 향상된 효율성과 비용 절감은 대량 새로운 가능성을 열어줍니다. 이는 자원 절약을 넘어 블록체인 기술의 혁신과 채택을 촉진하고 GPU 컴퓨팅의 효율성이 컴퓨팅 애플리케이션의 기하급수적인 성장을 주도하는 미래를 약속합니다.
GPU-EVM 성능
최신 GPU의 범용 컴퓨팅 성능의 획기적인 발전을 활용하여 GPU-EVM의 성능을 기존 성능으로 향상시켰습니다. EVM 의 놀라운 수준이 100배 이상입니다 . 최신 GPU는 여러 작업을 동시에 처리할 수 있는 수천 개의 코어로 설계되어 병렬 처리 작업에 이상적입니다. 이러한 고유한 아키텍처 이점을 통해 GPU-EVM은 대량 의 EVM 명령을 병렬로 실행할 수 있어 컴퓨팅 속도와 효율성을 크게 높일 수 있습니다.
GPU-EVM이 가져온 성능 향상을 객관적으로 측정하기 위해 EVM Bench 에서 제공하는 오픈 소스 도구를 사용하여 종합적인 벤치마크 테스트를 수행했습니다. 이 도구를 사용하면 다양한 EVM 작업을 시뮬레이션하고 기존 CPU 기반 EVM과 GPU-EVM 간의 실행 시간을 비교할 수 있습니다.
기존 컴퓨팅 패러다임과 비교하여 GPU-EVM은 GPU의 탁월한 처리 능력을 활용하여 완전히 앞서 나가며 EVM 성능 및 효율성에 대한 새로운 벤치마크를 설정합니다.
이러한 기술적 기반을 바탕으로 GPU-EVM이 어떻게 AI 훈련, DeFi 시뮬레이션과 같은 분야에 혁신을 일으키고 블록체인 애플리케이션의 새로운 지평을 열 수 있는지 살펴보겠습니다.
EVM을 사용하여 AI 에이전트 교육
인공 지능은 인간 피드백을 통한 강화 학습을 통해 훈련된 강화 학습(RL) 지식을 적용하는 ChatGPT 및 기타 LLM 챗봇을 중심으로 세상을 변화시키고 있습니다. 핵심적으로 RL은 올바른 행동을 보상하는 환경과 상호 작용하여 결정을 내리도록 AI 에이전트를 훈련하는 프로세스를 구현합니다. 이 학습 방법은 인간과 동물이 주변 환경으로부터 학습하는 근본적인 방식을 반영하고 행동을 적응하고 최적화할 수 있는 지능형 시스템 개발의 초석이 되기 때문에 매우 중요합니다.
바둑 세계 챔피언에 대한 AlphaGo의 획기적인 승리는 RL의 혁신적인 힘을 보여줍니다. 이는 단순한 게임 그 이상입니다. 인공지능이 RL을 통해 바둑판의 복잡한 환경과 시뮬레이션 및 상호 작용을 통해 인간의 통찰력을 뛰어넘는 전략과 솔루션을 발견할 수 있는 방법을 보여줍니다. 이 혁신은 RL의 본질을 강조합니다. 즉, AI 에이전트가 보상 시스템에 따라 특정 목표를 달성하기 위해 자율적으로 탐색하고 환경에서 학습할 수 있도록 하는 것입니다.
그러나 RL을 통해 이러한 AI 혁신을 달성하기 위한 여정에는 계산상의 어려움이 따릅니다. AI 환경을 시뮬레이션하려면 대량 컴퓨팅 리소스가 필요합니다. NVIDIA의 Isaac Gym, Google의 Brax, JAX-LOB 등 GPU 병렬화 시뮬레이션 환경의 등장은 이러한 장애물을 극복하는 데 핵심적인 역할을 했습니다. GPU를 활용하여 시뮬레이션 환경을 병렬화함으로써 이러한 플랫폼은 100배에서 250,000배까지 성능 향상을 달성하여 RL의 계산 측면을 보다 실현 가능하고 효율적으로 만듭니다. AI 훈련의 병목 현상은 CPU와 GPU 간에 데이터를 전송하는 통신 대역폭인 경우가 많기 때문에 GPU 병렬화는 이러한 속도 향상을 가능하게 하며 RL 연구 커뮤니티에서 업계 표준이 되었습니다.
빠르게 발전하는 인공 지능 세계에서 GPU 병렬 시뮬레이션 환경인 GPU-EVM은 블록체인 생태계 내에서 AI 에이전트의 훈련을 직접적으로 촉진합니다. 강력한 애플리케이션 중 하나는 GPU-EVM이 실시간 사기 탐지 시스템에 혁명을 일으킬 수 있는 금융 산업입니다. 역사는 이러한 시스템의 중요성을 보여줍니다. Max Levchin은 회사가 파산하는 것을 방지하기 위해 PayPal의 최초 사기 방지 메커니즘을 개발했습니다. 금융 AI가 단 몇 초 만에 수백만 건의 거래를 시뮬레이션하고 분석할 수 있게 함으로써 전례 없는 속도와 정확성으로 비정상적인 사기 활동 패턴을 식별할 수 있습니다. 이전에는 구현하는 데 며칠이 걸렸던 이 기능은 금융 기관이 사기로부터 보호하는 방법에 있어 중요한 변화를 나타냅니다. AI 에이전트와 EVM을 GPU-EVM에 통합함으로써 블록체인 분야에 강화 학습(RL) 원리를 적용할 수 있는 새로운 길이 열렸습니다. 여기서 AI 에이전트는 미리 정의된 보상 함수를 기반으로 부정 거래를 정확하게 식별하여 학습하고 개선합니다.
L2 가속/에뮬레이션
두 번째 계층 솔루션의 출현은 이더 의 처리량을 증가시켜 주류 애플리케이션, 특히 결제 분야에서의 채택을 촉진하는 데 중요합니다. L2는 기본 이더 블록체인(레이어 1) 외부에서 트랜잭션을 처리함으로써 보안 및 분산화의 기본 원칙을 유지하면서 네트워크 용량을 크게 향상시킵니다. 기존 CPU 기반 시스템과 달리 GPU-EVM은 독립적으로 작동하며 기존 L2 솔루션을 원활하게 통합하고 가속화할 수 있습니다. 이러한 속도 향상은 뷰 기능을 최적화하고 몬테카를로 트리 검색과 같은 알고리즘을 적용하여 보다 효율적인 블록 구성 및 트랜잭션 순서 달성하는 등 다양한 방법을 통해 달성할 수 있습니다.
그러나 L2 가속의 맥락에서 병렬 EVM의 역할을 활용하는 것은 복잡하며 진지하게 받아들여야 합니다. 병렬 EVM을 통해 L2를 직접 가속하는 것은 보기만큼 간단하지 않습니다. 병렬 EVM의 강력한 기능을 제대로 활용하려면 L2 솔루션과 해당 데이터베이스의 설계를 혁신하기 위한 공동의 노력이 이루어져야 합니다. 이는 다음과 같은 작업으로 강조됩니다.
GPU-EVM을 L2 솔루션과 통합하는 것의 미묘한 차이는 유망하지만 해결해야 할 다른 과제가 있다는 점에 유의하는 것이 중요합니다. 이러한 노력의 주요 병목 현상에는 스토리지 관련 제한 사항 해결, 상호 의존적인 트랜잭션의 긴 체인 관리, 상태 팽창 비용 절감 등이 포함됩니다. GPU-EVM만으로는 이러한 모든 문제를 해결할 수 없습니다. 따라서 L2 가속의 맥락에서 L2 솔루션과 이를 뒷받침하는 데이터베이스의 혁신적인 설계를 통한 공동 노력은 이러한 장애물을 극복하고 GPU-EVM의 이점을 완전히 실현하는 데 핵심입니다.
DeFi 시뮬레이션/퍼즈 테스트
GPU-EVM의 기본 성능 향상은 DeFi 시뮬레이션 및 퍼즈 테스트에 혁신적인 변화를 가져왔습니다. 이러한 데이터 처리 능력의 대폭적인 증가를 통해 이전에는 고려되지 않았던 DeFi 전략 및 프로토콜 설계의 엣지 케이스를 발견할 수 있으며, 숨겨져 있을 수 있는 새로운 취약점을 드러낼 수 있습니다. 이러한 발전의 중요성을 설명하기 위해 전통적인 CPU 기반 방법을 물총에 비유할 수 있는 반면, GPU-EVM은 해충을 박멸하는 보다 효과적인 수단을 제공하는 강력한 수도꼭지에 가깝습니다.
GPU-EVM의 기본 성능 향상 덕분에 이 플랫폼에서 실행되는 퍼저는 깊이 탐색하고 놀라운 속도로 실행하여 몇 초 만에 엣지 케이스를 식별할 수 있습니다. 이는 동일한 문제를 찾는 데 몇 주 또는 몇 달이 걸릴 수 있는 CPU 기반 퍼저와는 대조적입니다. GPU-EVM 위에서 이러한 고급 퍼저를 실행할 수 있는 기능을 통해 스마트 계약, 특히 실제 생산 중인 계약을 지속적으로 모니터링할 수 있습니다. 이러한 자동화 시스템은 최고 수준의 보안을 보장한다는 궁극적인 목표를 가지고 체스 전략 게임처럼 잠재적인 취약점을 여러 단계 미리 예측하여 스마트 계약에 끊임없이 도전하도록 설계되었습니다.
곧 출시될 제품에는 DeFi 시뮬레이션 및 퍼즈 테스트에 대한 최첨단 접근 방식이 구현되어 있습니다. 이것이 스마트 계약 보안 및 탄력성에 대한 표준을 재정의하므로 계속 지켜봐 주시기 바랍니다.
개틀링X 소개
GatlingX는 중공업 인프라 개발에 중점을 둔 응용 인프라 및 인공 지능 연구실입니다. 우리의 임무는 심층적인 인프라 수준에서 작동하는 다양한 블록체인 애플리케이션 제품을 만드는 것입니다.
우리는 블록체인 업계가 너무 어려워서 해결하려고 하지 않는 매우 어려운 기술적 문제가 있다고 믿습니다. 빠르고 저렴한 보안, 컴퓨팅 성능, 속도는 블록체인 생태계가 번창하기 위한 필수 전제조건이지만, 많은 고통을 안겨주는 매우 어려운 문제이기도 합니다. 우리는 문제를 해결하기 위해 세계 최고의 문제 해결사를 모으지 않으면 누구도 이러한 문제를 해결할 수 없다고 믿습니다.
우리는 글로벌 기술 발전을 추진하는 데 중요한 인공 지능, GPU, 블록체인 및 분산 컴퓨팅과 같은 분야의 최신 기술 개발을 촉진하기 위해 최선을 다하고 있습니다.
우리는 열성적인 사람들입니다. 기성품을 구입할 수 있다면 그렇게 할 것입니다. 그렇지 않다면 우리가 직접 구축합니다.
GPU-EVM 사용
GPU-EVM은 GPU 용량을 확장함에 따라 현재 프라이빗 얼리 액세스 단계에 있습니다. 엔지니어링 작업에 GPU-EVM을 사용하는 데 관심이 있다면 이 양식을 작성하여 대기자 명단에 등록하세요.
우리 팀은 작지만 매우 재능이 있습니다. 우리의 창립팀은 인프라 분야에서 획기적인 성과를 거두고, 인공 지능을 적용하고, Crowdstrike, Wayve, Citadel Securities와 같은 회사에서 근무하고, ZKMicrophone 및 Graphite와 같은 광범위한 프로젝트를 만든 옥스퍼드 대학 동문들로 구성되어 있습니다.
