1. 들어가며
ChatGPT로 대표되는 생성형 AI의 등장 이후, AI 산업에 대한 기업들의 참여와 투자가 증가하며 AI 기술은 급속도로 발전하고 있습니다. 근래의 AI는 특정 결과물을 생성하는 것뿐만 아니라 대규모 데이터 처리, 패턴 인식, 통계 분석, 예측 모델링 등의 영역에서 뛰어난 성능을 보이고 있으며, 이에 따라 다양한 산업 분야에서 AI 도입이 확대되고 있습니다.
- JP모건 체이스(JPMorgan Chase): 약 600명 이상의 ML 엔지니어 채용 및 알고리즘 트레이딩, 사기 예측, 현금 흐름 예측 등 400개 이상의 AI 기술 관련 업무 활용사례를 개발 및 도입 중
- 월마트(Walmart): 계절별, 지역별 판매 이력을 분석하여 제품 수요 예측 및 재고 최적화 실행
- 포드(Ford): 자동차 센서 데이터를 분석하여 부품 고장을 예측 및 고객에게 알려줌으로써 부품 고장으로 인한 사고를 사전에 예방
근래에는 블록체인 생태계와 AI의 결합이 증가하는 추세이며, 그중에서도 특히 디파이(DeFi) 프로토콜과 AI가 결합되는 DeFAI 섹터가 새롭게 주목받고 있습니다. 더 나아가 AI를 프로토콜의 작동 메커니즘에 직접 포함시키는 사례 또한 증가하고 있는데, 이를 통해 디파이 프로토콜의 리스크 예측 및 관리가 효율화되고, 기존에는 살펴볼 수 없었던 형태의 금융 상품 서비스가 등장하고 있습니다.
그러나 특정 기능에 특화된 AI 모델 구축에는 방대한 학습 데이터와 전문적인 AI 기술을 포함한 높은 진입장벽이 존재하여 현재로서는 대기업이나 AI 전문 업체가 시장을 독점하고 있습니다.
이로 인해 여타 산업 분야와 소규모 스타트업들은 AI 도입에 큰 어려움을 겪고 있으며, 블록체인 생태계의 디앱들 역시 이러한 제약에서 자유롭지 않습니다. 더불어 디앱은 제3자에 대한 신뢰가 필요하지 않다는 '무신뢰성'이라는 핵심 가치 또한 지녀야 하므로, 더 많은 프로토콜이 AI를 안정적으로 도입하고 유저들이 신뢰할 수 있는 서비스를 제공하기 위해서는 탈중앙화된 AI 인프라의 발전이 필요한 상황입니다.
이러한 한계를 극복하고자, 알로라(Allora)는 자가발전하는 탈중앙화된 AI 인프라를 구현하고, AI 도입을 희망하는 디앱 및 스타트업들이 자신의 서비스에 AI를 안정적으로 통합할 수 있도록 지원하고자 합니다.
2. 알로라, 탈중앙 추론 합성 네트워크
알로라는 여러 주체들이 요청하는 특정 토픽(Topic)에 대한 미래값을 예측 및 제공하는 탈중앙 추론(Inference, AI가 정보를 처리하고 결론을 도출하는 방식) 네트워크입니다. 탈중앙화된 AI 추론을 구현하는 방식은 다음과 같이 크게 두 가지가 존재합니다.
- 단일 모델/분산 처리: AI 모델의 학습 및 추론 과정을 분산화된 방식으로 진행하여 탈중앙화된 단일 AI 모델을 구축하는 방식
- 다중 모델/추론 종합: 이미 학습된 여러 AI 모델들의 추론 결과를 수집하고, 합성을 진행하여 하나의 단일 추론 결과를 도출하는 방식
두가지 방식 중 알로라는 AI 모델 구동 주체가 자유롭게 알로라 네트워크에 참여하여 특정 토픽에 요청된 예측에 대한 추론을 실행하고, 프로토콜은 해당 주체들이 도출한 추론값을 종합하여 도출한 단일 예측 결과를 요청자에게 제공하는 다중 모델/추론 종합 방식을 채택하고 있습니다.
알로라는 AI 모델들이 도출한 추론값을 종합할 때, 단순히 각 모델들이 도출한 추론값을 평균 내는 것이 아닌, 각 모델에 가중치를 부여하여 추론값을 도출합니다. 그 이후 알로라는 해당 토픽의 실제 결괏값과 각 모델이 도출한 값을 비교하여 실제 결괏값과 유사한 추론값을 도출하는 모델에게 더 높은 가중치 및 인센티브를 지급하여 추론 정확도를 높이기 위한 자가 개선을 실행합니다.
상기한 방식을 통해 알로라는 다중 모델/추론 종합 방식으로 구축된 탈중앙화 AI 보다 특정 토픽에 특화된 추론을 실행할 수 있으며, 더 많은 AI 모델의 프로토콜 참여를 유도하기 위해 누구나 AI 모델을 구축하여 손쉽게 배포 및 활용할 수 있도록 돕는 오픈소스 프레임워크 Allora MDK(Model Development Kit)를 제공하고 있습니다.
또한 알로라의 추론 데이터를 활용하고자 하는 유저들에게는 Allora Network Python과 TypeScript SDK, 이 두 가지 SDK를 제공하여 손쉽게 알로라가 제공하는 데이터를 자신의 서비스에 쉽게 통합하고 활용할 수 있는 환경을 제공하고 있습니다.
이렇듯 알로라는 AI 모델과 추론 데이터를 필요로 하는 서비스/프로토콜 사이를 연결하는 미들 레이어로 기능하여 AI 모델을 구동하는 주체에는 AI 모델을 통한 수익 실현기회를 제공하고, 서비스/프로토콜에는 해당 서비스에 필요한 데이터를 편향 없이 제공하는 인프라로 자리매김하고자 합니다.
이어서 알로라의 프로토콜의 세부 아키텍처를 살펴보며, 알로라의 작동 방식과 특장점에 대해 알아보도록 하겠습니다.
2.1. 프로토콜 아키텍처
알로라에서는 누구나 특정 토픽을 설정하고 배포할 수 있으며, 배포된 토픽에 대한 추론을 실행하고 최종 추론값을 도출하는 과정에서 아래의 네 가지 참여 주체가 관여합니다.
- 컨슈머(Consumers): 특정 토픽에 대해 비용을 지불하여 추론을 요청하는 주체
- 워커(Workers): 개인의 데이터베이스를 활용한 AI 모델을 구동하며, 컨슈머가 특정 토픽에 요청한 추론을 실행하는 주체
- 레퓨터(Reputer): 워커가 도출한 데이터와 실제 값을 비교 대조하여 평가하는 주체
- 밸리데이터(Validator): 알로라 네트워크 노드를 구동하며, 각 참여 주체가 발생시키는 트랜잭션을 처리하고 기록하는 주체
알로라 네트워크는 추론 실행과 평가, 검증 주체를 분리시킨 구조를 가지고 있으며, 그 중심에는 네트워크 토큰 $ALLO가 존재합니다. $ALLO는 추론 요청 비용 및 추론 실행에 대한 인센티브로 활용되어 네트워크 참여 주체를 원활히 연결함과 동시에, 네트워크에 스테이킹되어 보안성을 보장하는 역할을 수행합니다.
알로라 프로토콜을 기능적인 측면에서 추론 거래 레이어, 추론 합성 레이어, 합의 레이어로 나누어, 각 레이어의 역할과 참여 주체들 간의 상호작용에 대해 자세히 살펴보도록 하겠습니다.
2.1.1. 추론 거래 레이어(Inference Consumption Layer)
추론 거래 레이어는 토픽 생성, 토픽 참여자 관리, 추론 요청 등 프로토콜 참여 주체들이 알로라 프로토콜과 일으키는 상호작용을 처리하는 계층입니다.
토픽을 생성하고자 하는 유저는, 일정량의 $ALLO를 지불하는 것으로 알로라의 토픽 및 추론 관리 시스템 토픽 코디네이터(Topic Coordinator)와 상호작용하여, 추론을 원하는 대상에 대한 정의와 함께 실제 결과를 어떻게 확인하고 워커들이 도출한 추론값을 어떻게 평가할지에 대한 내용이 담긴 규칙 셋을 설정하고 토픽을 생성할 수 있습니다.
토픽이 생성되면, 워커와 레퓨터들은 일정량의 $ALLO 토큰을 수수료로 지불하여 해당 토픽의 추론 참여자로 자신을 등록할 수 있으며, 이때 레퓨터의 경우 등록 수수료와 더불어 일정량의 $ALLO를 해당 주제에 스테이킹해야 하며, 이를 통해 악의적인 결괏값 판별에 대한 자산 슬래싱에 노출되어야 합니다.
상기한 방식으로 토픽이 생성되고 워커와 레퓨터가 해당 토픽에 등록되면, 컨슈머들은 토픽에 $ALLO를 지불하여 해당 토픽의 추론을 요청하고, 워커와 레퓨터는 추론값을 도출하는 대가로 컨슈머가 지불한 토픽 요청 수수료를 수취합니다.
2.1.2. 예측 & 합성 레이어(Forcast & Synthesis Layer)
예측 및 합성 레이어는 탈중앙화된 추론을 생성하는 알로라의 핵심 계층으로, 워커들의 추론 실행과 레퓨터들의 성과 평가, 그리고 이를 통한 가중치 설정 및 추론 합성이 이루어지는 계층입니다.
알로라 네트워크의 워커들은 컨슈머가 요청한 토픽에 대한 결괏값을 추론하여 제출할 뿐만 아니라, 다른 워커들이 수행할 추론의 정확도를 평가하고, 해당 평가를 기반으로 예측 손실(Forecasted Losses)을 도출합니다. 이렇게 도출된 예측 손실은 추론 합성에 필요한 가중치 계산에 반영되며, 워커들은 본인들이 실행한 추론이 정확할 때와 더불어 다른 워커의 추론 정확도를 정확하게 예측했을 경우 더 높은 인센티브를 받습니다. 이러한 구조를 통해 알로라는 단순히 워커의 과거 성적만이 아닌, 다양한 상황의 맥락을 인식한 추론 합성 가중치를 도출할 수 있다는 특징이 있습니다.
예를 들어, 1시간 뒤 비트코인의 가격을 예측하는 토픽에서 워커 A와 B의 과거 성과가 다음과 같다고 가정해 보겠습니다.
- 워커 A: 평균적으로 90% 상당의 높은 추론 정확도를 보유하고 있지만, 변동성이 큰 장세에서 정확도가 떨어지는 특성을 보유
- 워커 B: 평균적으로 80% 상당의 추론 정확도를 보유하고 있지만, 변동성이 큰 장세에서 비교적 높은 정확도를 보이는 특성을 보유
만약 현재 시장이 매우 변동성이 높은 상황이고, 다수의 워커들이 "B 워커는 변동성 높은 상황에서 강점을 보이므로 이번 예측은 5% 정도의 오차만 있을 것"이라고 평가한 반면, "A 워커는 변동성 높은 상황에서 15% 정도의 오차가 예상된다"라고 예측했다면, 알로라는 이번 추론에 대해서는 과거 평균 성과가 더 낮은 B 워커의 추론에 더 높은 가중치를 부여하게 되는 것입니다.
해당 과정을 통해 도출된 최종 가중치를 통해 토픽 코디네이터는 추론을 합성하고 최종 추론값을 도출하여 컨슈머에게 제공합니다. 또한, 이 과정에서 워커들이 제출한 추론값 분포를 기반으로 추론값의 신뢰구간도 함께 계산되어 제공됩니다. 이후 레퓨터들은 실제 결괏값과 최종 추론값을 비교하여 각 워커들의 추론 성과와 타 워커의 추론 정확도 예측 성과를 평가하고, 스테이킹 지분에 근거한 레퓨터간의 합의를 통해 워커들의 가중치를 조정합니다.
알로라는 상기한 방식으로 추론 합성 및 평가를 진행하며, 특히 각 워커가 다른 워커의 추론 정확도를 평가하는 ‘맥락 인식’ 구조는 알로라가 각 상황에 최적화된 추론값을 도출할 수 있도록 하여 추론의 정확도를 높이는데 기여합니다. 뿐만 아니라 워커들의 추론 성과 데이터가 축적될수록 상황의 맥락을 인식하는 기능 또한 더욱 효율적으로 작동하므로, 알로라의 추론 기능이 더 효율적으로 자가 발전할 수 있게 되는 것입니다.
2.1.3. 합의 레이어(Consensus Layer)
알로라의 합의 레이어는 토픽 가중치 계산, 네트워크 보상 분배, 참여자들의 활동 기록 등이 이루어지는 계층으로, 코스모스 SDK 기반으로 구축되어 CometBFT와 DPoS(위임 지분 증명) 기반 합의 메커니즘을 가지고 있습니다.
유저들은 $ALLO 토큰을 스테이킹하고 노드를 구동하여 밸리데이터로서 알로라 네트워크에 참여할 수 있으며, 네트워크를 운용하고 보안을 보증하는 대가로 알로라 참여자들이 제출하는 트랜젝션 수수료를 수취할 수 있습니다. 또한 노드를 구동하지 않더라도 보유하고 있는 $ALLO를 밸리데이터에게 위임하여 간접적으로 해당 인센티브를 수취할 수 있습니다.
이 외에도 알로라에는 네트워크 참여자들에게 지급되는 $ALLO 인플레이션 인센티브가 존재하는데, 새롭게 언락되어 분배되는 $ALLO의 75%는 토픽 추론에 참여하는 워커와 레퓨터에게, 나머지 25%는 밸리데이터들에게 지급됩니다. 인플레이션 인센티브는 모든 $ALLO가 발행되면 더이상 발생하지 않으며, 언락되는 수량이 점진적으로 반감되는 구조를 가지고 있습니다.
75%의 인플레이션 인센티브가 워커와 레퓨터에게 분배될 때, 분배 비율은 워커의 성과와 레퓨터의 스테이킹 지분뿐만 아니라 토픽 가중치에 의해서도 결정됩니다. 토픽 가중치는 해당 토픽에 참여한 레퓨터들의 스테이킹 금액과 수수료 수입을 기반으로 계산되며, 이를 통해 수요가 많고 안정성이 높은 토픽에 더 많은 인센티브를 지급하는 것으로 해당 토픽에 대한 워커와 레퓨터의 지속적인 참여를 유도하는 구조를 가지고 있습니다.
3. 온체인에서 시작하여 각 산업으로
3.1. 메인넷 론칭을 앞둔 알로라
알로라는 2025년 1월 10일 알로라 파운데이션을 설립하고, 30만 개 이상의 워커가 참여한 공개 테스트넷을 마감하는 등 메인넷 론칭에 박차를 가하고 있습니다. 작성일인 2월 6일을 기준으로는 메인넷 출시 이후 알로라 네트워크의 AI 모델 제작자 역할을 선출하기 위한 AI 모델 추론 대회인 Allora Model Forge Competition을 진행하고 있습니다.
또한 알로라는 메인넷 론칭을 앞두고 다양한 프로젝트들과 파트너십을 체결하고 있습니다. 주요 파트너 프로젝트들과 알로라가 해당 프로젝트들에게 제공하는 기능은 다음과 같습니다.
- 플럼(Plume): 플럼 네트워크 상의 RWA 가격 피드 제공, 실시간 APY 및 리스크 예측
- 스토리 프로토콜(Story Protocol): IP 가치 평가 및 잠재력에 대한 인사이트 제공, 온체인 상에 유동성이 부족한 자산 가격 피드 제공, 스토리 프로토콜 기반 디파이에 알로라 추론 제공
- 모나드(Monad): 온체인 상에 유동성이 부족한 자산 가격 피드 제공, 모나드 기반 디파이에 알로라 추론 제공
- 0xScope: 알로라의 맥락 인식 기능을 활용하여 온체인 데이터 분석 플랫폼 0xScope에서 개발하고 있는 온체인 활동 보조 AI Jarvis 개발 지원
- 버츄얼 프로토콜(Virtuals Protocol): 알로라의 추론을 버츄얼 프로토콜의 G.A.M.E 프레임워크에 통합하여 해당 프레임워크 기반 에이전트의 성능 강화
- Eliza OS(구 ai16z): 알로라의 추론을 Eliza OS의 Eliza 프레임워크에 통합하여 해당 프레임워크 기반 에이전트의 성능 강화
이렇듯 현재까지 알로라의 파트너십은 주로 AI/크립토 프로젝트들을 중심으로 이루어져 있는 것을 살펴볼 수 있는데, 이는 1)크립토 기반 프로젝트들이 탈중앙화된 추론에 대한 높은 수요를 가지고 있다는 점과, 2)AI 모델이 각 프로젝트들이 요구하는 추론을 실행하는 데 필요한 온체인 데이터에 쉽게 접근할 수 있다는 두 가지 요인에 기인한 것으로 보입니다.
3.2. 해결 과제와 비전
위에서 살펴보았듯, 현재 알로라의 추론 기능을 활용하기로 예정된 주체들은 AI/크립토 프로젝트들에 국한되어 있습니다. 하지만 메인넷 론칭 이후 알로라가 이들 파트너들에게 안정적이고 효과적인 추론 합성 기능을 제공할 수 있음을 입증한다면, 전통 금융, 헬스케어, 공급망/물류 등 전통 산업 분야로도 수요가 확장될 것으로 기대됩니다.
더 나아가 알로라는 토픽 분야 확장과 더불어 토픽 간 데이터 공유 기능을 도입할 계획을 가지고 있으며, 이를 통해 기존에 독립적으로 진행되던 토픽들 간의 시너지를 창출하고, 각 토픽의 추론 정확도를 한층 더 높일 수 있을 것으로 기대됩니다.
또한 작금의 알로라는 객관적으로 결과를 명확하게 규명할 수 있는 추론만 실행 가능하고, 주관적 판단이 필요한 결과에 대한 추론은 실행할 수 없다는 구조적 한계를 가지고 있지만, 향후 토픽 생성 시 정의하는 규칙 셋에서 지원하는 함수 종류를 다각화하여 분류, 군집화, 생성 등 다양한 AI 추론이 가능하도록 개선할 계획을 가지고 있습니다. 다만 이러한 기능 개선에도 불구하고, 네트워크의 블록 생성 시간보다 짧은 시간을 요구하는 실시간 추론은 제공하기 어렵다는 구조적 한계는 여전히 존재합니다.
한편, 알로라는 메인넷 론칭 초기에 참여자 모집을 위해 상당량의 인플레이션 보상을 할당할 것으로 예상되며, 이러한 인플레이션 보상을 얻고자 알로라 네트워크에 참여한 주체들의 지속적인 활동을 유도하기 위해서는 $ALLO의 가치를 적절히 유지시킬 필요가 있습니다. 하지만 인플레이션 보상 또한 점진적으로 감소하는 구조를 가지고 있으므로, 장기적으로 프로토콜 참여자들의 지속적인 활동을 유도하기 위해서는 더 많은 추론 수요 확보를 통해 충분한 네트워크 트랜잭션 수수료를 발생시켜야 한다는 해결 과제가 존재합니다.
따라서 알로라의 흥망성쇠를 판단하기 위해서는 단기적으로는 알로라의 $ALLO의 가치 부양 전략과, 중장기적으로는 안정적인 수수료 수입을 창출할 수 있는 추론 수요 확보 여부에 대해 면밀히 관찰할 필요가 있겠습니다.
4. 마치며
AI 기술의 발전으로 그 효용성이 입증되면서, 현재 대부분의 산업 분야에서 AI 추론의 도입과 적용이 활발히 이루어지고 있습니다. 하지만 AI를 도입하는 데 필요한 막대한 리소스로 인해 대기업과 소규모 기업 간의 산업 경쟁력 격차는 더욱 심화되고 있으며, 이러한 환경에서 각 토픽에 최적화된 추론을 제공하고, 데이터의 정확도를 탈중앙적으로 자가 개선할 수 있는 알로라의 기능에 대한 수요는 점차 증가할 것으로 예상됩니다.
알로라는 향후 점진적으로 확장하여 모든 산업 분야에서 널리 채택되는 탈중앙 추론 인프라가 되고자 하는 비전을 가지고 있지만, 해당 비전을 실행하기 위해서는 알로라의 기능 실효성과 지속가능성을 증명해야 한다는 과제가 남아있는 상황입니다. 알로라는 이를 증명하기 위하여 메인넷 론칭 초기부터 충분한 수의 워커와 레퓨터를 확보하고, 이들에게 지급하는 인센티브의 지속가능성을 보장할 수 있어야 합니다.
알로라가 상기한 해결 과제를 성공적으로 해결하여 여러 산업 분야에서 채택된다면, 이는 블록체인이 AI의 핵심 인프라로 활용될 수 있다는 잠재력을 입증하는 동시에, 현 IT 산업을 선두 하는 AI와 블록체인 두 기술의 결합이 실제로 인류에게 실질적인 가치를 제공한다는 것을 보여주는 주요 사례가 될 것으로 기대됩니다.