Nullorm

chatGPT, Grok, Gemini와 같은 거대 인공지능들은 우리 일상의 모든 영역을 혁신적으로 변화시키고 있다. 하지만 우리 일상 속 대부분의 AI는 "중앙집중형(Centralized)"이라는 한계 속에서 powerful entity들에 의해 선별되고 컨트롤되는 정보에 의존하고 있다.

하지만 이러한 AI들이 정말 "전적으로" 우리가 의존해도 되는 존재일까.

Microsoft, Google, NVIDIA와 같은 거대 기술 기업들이 막대한 데이터, 컴퓨팅 인프라를 독점하다시피 하고 있는 현재 상황에서, 작은 스타트업들은 이들과 제대로 된 경쟁조차 하기 힘들다. 이는 단순 경제적 문제를 넘어 혁신의 다양성이 저해되고, 소비자들의 선택권 또한 제한되며 이로 인해 AI의 발전 속도 자체를 늦추는 결과를 낳고 있다.(출처)

하지만, 더욱 심한 문제는 편향성의 고착화이다. 중앙집권적으로 학습된 AI 모델들은 개발자들의 세계관, 그리고 편향된 데이터가 사용되었을 경우, 이를 그대로 반영하게 된다. 유네스코의 2024년 연구에 따르면, 주요 LLM들이 정치, 인종, 성별 등에 대해 편향된 결과를 연관시키는 것으로 나타났다. (출처)

많은 사람들이 업무, 과제, 일상 대부분에서 AI와 함께하는 사회 분위기 속에서, 이렇게 중앙화되어 선별되고, 통제되는 AI는 우리의 생각과 삶의 방향에도 지대한 영향을 미칠 수 있을 것이다. 이러한 중앙집권형 AI의 한계를 뛰어넘기 위해 필요한 것이 바로 탈중앙화된 AI(DeAI)이다.

지금 소개할 Allora 역시 이러한 문제의식에서 출발한 DeAI중 하나이면서, 아주 매력적이라는 생각이 들어 소개해본다.

1. 창립 배경

처음에 Upshot이라는 이름으로 창립되었던 이 회사는, AI를 활용한 자산 가격 발견에 중점을 둔 회사였지만, AI와 크립토 인프라 구축 분야에서 꽤 긴 시간동안 경험을 쌓으면서 더 큰 비전을 품게 되었다.

2024년 2월, 회사 이름을 Allora Labs로 리브랜딩하면서 탈중앙화 AI 네트워크 구축이라는 더욱 큰 목표를 잡아 AI의 패러다임을 바꾸겠다는 의지를 표현하였다.

창립자는 Nick Emmons(CEO)와 Kenny Peluso(CTO)가 있다.

CEO인 Nick은 John Hancock의 Lab of Forward Thinking에서 수석 블록체인 엔지니어로 근무하였으며, CTO인 Kenny또한 John Hancock에서 full-stack개발자로 일한 경험이 있다.

이들은 이와같이 전통 금융업계에서 경험을 통해 중앙집권적 시스템이 가진 효율성, 그리고 그 한계를 직접 경험하였으며, 탈중앙화된 해결책의 필요성을 느낀 배경이 되었다.

2. 성장 과정

이들은 2020년 초 100만 달러 시드 라운드를 시작으로, 2021년 750만, 2022년 2,200만 달러의 series-A 라운드를 성공적으로 완료했으며, 2024년에는 추가로 300만 달러의 투자를 유치해 총 3,500만 달러의 펀딩을 달성했다.

투자자 라인업 또한 인상적인데, Allora 웹사이트에서 확인할 수 있듯, Polychain Capital, Framework Ventures, Blockchain Capital 등 블록체인, AI 분야 최고 투자사들이 참여한 것을 볼 수 있다.

3. Allora Labs의 DeAI

이들은 단순한 AI플랫폼을 만들고자 하는 것이 아니라, World Machine Intelligence Abstraction Layer를 만들어 AI를 널리 접근 가능하게 만들고, 데이터, 알고리즘을 가진 누구나 AI에 기여할 수 있는 생태계를 만들고자 한다.

아래는 이들이 진행하고 있는 여러 프로젝트들의 일부이다.

- 1. Mind Network의 FHE기술을 응용해 민감/학습 데이터가 암호화되어 프라이버시를 유지할 수 있도록 한다.

- 2. 일본 gumi와 협력을 통해, 게임 내 AI 기반 추론, 에이전트 등을 지원하고 있다.

- 3. Story Protocol과 IP 생태계 통합을 통해 지능형 IP를 관리 및 창작물의 가치평가를 제공하고 있다.

- 4. AgentiPy라는 Python framework를 통해 AI agent들이 블록체인과 원활히 상호작용할 수 있도록 하여 DeFAI분야에서

     4-1. Allora의 가격 예측을 활용해 Meteora에서 유동성 조정을 통해 수수료 earning & impermanent loss 최소화
     4-2. Orca에서 Allora의 실시간 가격 Intelligence를 이용해 스마트 거래 실행

   이러한 연구를 하고 있다.

- 5. 학습 데이터와 알고리즘을 제공하는 사용자들에게 블록체인 네트워크를 통한 차별화된 인센티브를 제공하고 있으며,

이외에도금융분야, 헬스케어, 게이밍 등 여러 분야에서 범용성 있게 적용되고 있는 상황이다.

Allora Network는 단순히 예측을 집계하는 것이 아닌, 현재 상황에서 각 모델이 얼마나 정확할지를 예측하는 예측(Forecasting the Forecasting)을 통해 더 강력한 clustered-result를 생성한다. 이는 기존 AI 시스템들과 완전히 다른 접근법으로, 개별 모델의 한계를 뛰어넘는 탈중앙화된 방식을 활용한 진정한 집단지성을 구현한다고 볼 수 있다.

이러한 접근법을 통해 Allora Labs는 AI의 미래가 소수 기업의 독점이 아닌, 전 세계 개발자들과 연구자들이 협력하여 만들어가는 집단지성의 시대를 만들고자 하는 것 같다.

참고 문헌들:

https://www.allora.network/blog

최근 Base 맥시가 된 것 같다. Base, 솔라나쪽에서 AI관련 섹터가 상당히 핫한 것 같은데, Base에서 떠오르는 AI-agent들이 어떠한 것이 있는지, 그리고 어떻게 사용하는지 알아보고자 Virtuals Protocol에 대한 공부를 해보려 한다. 이를 위해 Virtuals Protocol Whitepaper를 읽어보며 AI라는 토픽의 현위치와 기술적 이해를 해보고자 한다.

글을 쓰기 시작하는 시점에서, Virtuals에 대해 아는 것은 AI-agent 관련 token에서의 펌프펀이라는 것만 알고 있다.

이제, 시작해보자.

virtuals protocol whitepaper

Virtuals Protocol

Virtuals Protocol은 Game, Entertainment 분야의 AI agent를 블록체인을 통해 ‘공동소유’할 수 있도록 하는 플랫폼이며, AI-agent를 통해 자율적으로 운영하고 다양한 application에서 수익창출이 가능한 자산으로 변환한다.

대부분의 프로젝트는 어떠한 Pain Point에서 시작한다. Virtuals는 어떠한 것을 해결하기 위해 출시되었을까.

Virtuals Protocol이 해결하고자 하는 세 가지 Pain Point

• Complexity in implementing AI agents into consumer applications
  • > Plug&Play 방식으로 소비자 application이 AI-agent를 간편하게 사용할 수 있도록 함
• Lack of revenue for AI finetuners and dataset contributors
  • > contributor에 대한 수익 분배를 제공하도록 함
• Limited access for non-AI experts to capitalize on AI agent opportunities
  • > 비 전문가도 AI-agent에 대한 소유, 참여를 가능하게 함

그래서 Virtuals는 무엇을 하고자 하는가?

AI를 “수익을 창출하는 자산”으로 간주하여, 사용자들이 이에 투자하여 지분을 갖고, 공동소유할 수 있도록 한다.

• 그렇다면, 어떻게 수익을 창출한다는 것일까?예를 들어 Virtuals에서 가장 잘나가는 agent 중 하나인 $AIXBT의 경우, 분석서비스를 제공하면서 이를 통해 데이터 판매 수익, 서비스 이용료 등을 거두며, 또한 소셜 활동을 통해 yaps 포인트를 쌓아 수익을 창출하는 활동을 한다.
• Whitepaper의 설명을 조금 더 읽어보면, 도파민을 뿜어내는 컨텐츠의 무제한 생산을 통해 사용자들을 모으고, 맞춤화된 컨텐츠 생산을 통해 끊임없는 도파민 분비를 촉진하겠다는 의지를 보이고 있다. 즉, 더 많은 컨텐츠, 초개인화를 통해 사용자당 평균 수익, 그리고 유지율의 기하급수적 증가를 하고자 한다. (도파민이라는 표현이 있긴 하지만, 자극적인 컨텐츠 뿐 아니라, $AIXBT의 경우와 같이 지식, 데이터를 통한 도파민까지 포괄하는 내용으로 해석할 수 있다.)
• AI-agent를 Game, Entertainment 분야에서 수익창출을 하도록 한다는 설명이 있었다. 즉, 로블록스, 틱톡 등 플랫폼에서 가상의 인플루언서 활동을 통해 수익을 창출할 수 있도록 한다는 이야기이다.

사용자들은 이를 통해 누구나 AI-agent를 소유하고, 개발에 참여할 수 있으며, 이를 통한 인센티브를 공정하게 분배할 수 있다.

그래서 Virtual Agents가 뭔데?

스스로 학습하고, 계획하고, 결정을 내리는 “자율적인” agent.

• 3D 공간에서 활동
• 물리적, 디지털 방식으로 상호작용
• 자체 지갑을 통한 트랜잭션 생성

이러한 활동을 할 수 있다고 하는데, 잘 와닿지는 않는다. 계속 자세히 알아보자.

Agent

G.A.M.E 프레임워크를 이용해 자율 AI-agent를 만들 수 있다. player(사람, agent 모두를 포함)는 각종 상호작용을 할 수 있으며, 이러한 상호작용 안에서 새로운 연쇄반응이 유발된다. 이를 통해 결과적으로 각 플레이어가 고유한 스토리라인을 경험할 수 있게 된다.

모든 player들과의 상호작용에 대한 진행 과정은 Virtuals에 의해 기록이 되며, 이를 통해 더 깊고 지속적인 UX를 제공한다.

Agent의 두 가지 종류인 IP Agent와 Functional Agent에 대해 알아보자.

IP Agents

원래 IP는 Intellectual Property를 뜻하며, 지식재산, 혹은 지식재산권을 이야기한다.

Virtuals에서는, 특정 캐릭터를 나타내는 가상의 agent로, 사람들이 친숙하게 느낄 수 있는 대상을 기반으로 한다.

• Frog, Meme, Trump, Vitalik, Anime 등

이들은 사용자들과의 정서적 연결을 위해 설계되며, 게임, 소셜, 엔터 등에서 흥미를 유도한다.

• 사용 예시: 가상 인플루언서, 게임NPC, 교육, 이벤트, 마케팅 등

Functional Agents

IP Agent를 서포트하는 agent로, 기능 중심의 작업을 수행하여 UX 최적화를 목표로 한다.

• 데이터분석, 데이터 처리, 환경분석, 자동화 등

IP Agent가 프론트엔드라면, Functional Agent는 백엔드라고 생각하는 것이 좋다.

• 사용 예시: AI-agent간 통신, 작업, 알고리즘 실행, player와 상호작용 지원

즉, IP agent는 스토리와 엔터테인먼트 / Functional Agent는 기술적 지원과 UX에 초점을 두고있다고 볼 수 있음.

대표적인 IP Agent인 LUNA와, Functional Agent인 G.A.M.E을 통해 살펴보자.

Agents 예시

Luna - IP Agent

AI 걸그룹의 리드보컬인 Luna.

사진은 Luna가 스쿼트를 하는 틱톡 영상이다.

틱톡 50만+ 팔로워를 보유한 디지털 인플루언서이다.

Luna와 상호작용하는 사용자는 아래의 경험을 할 수 있다.

• 틱톡을 통해 Luna를 접함.
• Telegram을 통해 Luna와 대화.
• Roblox에서 함께 게임을 하며 관계를 발전.

단순 인플루언서를 넘어, 사용자 맞춤화된 디지털 인플루언서를 경험할 수 있는 것이다.

G.A.M.E - Functional Agent

G.A.M.E은 Luna의 백엔드라고 할 수 있다. 전체적인 디자인은 아래와 같다.

개발자들이 AI-agent를 API, sdk를 통해 동작시킬 수 있도록 설계된 프로덕트. 이를 통해 AI-agent를 손쉽게 Plug&Play할 수 있는 경량 프레임워크를 제공한다.

아래는 위의 그림에 설명되어있는 G.A.M.E의 각 모듈이 어떻게 동작하고 통신하는지에 대한 내용이다.

• Agent Prompting Interface
  • AI-agent의 Agentic Behavior에 접근하는 게이트웨이 → 이를 통해 G.A.M.E을 통합할 수 있음

• Perception Subsystem
  • Agent Prompting Interface와 상호작용.
    • Agent Prompting Interface로부터 메시지를 수신해 Agent의 Behavior생성을 위해 Strategic Planning Engine에 전달하는 역할을 수행(request를 전달).
    • 그 반대의 역할도 수행한다(response를 전달).
  • Module과 상호작용
    • action, game state, 또는 sensory information과 같은 여러 feedback 정보들을 Learning Module에 전달.
• Strategic Planning Engine
  • AI-agent의 고급 의사결정, 계획 수립을 담당
  • High Level Planner
    • Dialogue Processing Module을 통해 반응/대답 등의 반응을 생성함.
  • Low Level Policy
    • High-level의 명령을 해석하고, 실행가능한 action으로 만들어내고, On-chain wallet과 연결하여 이를 실행할 수 있음.
• Learning Module
  • general knowledge를 생성하기 위해(학습데이터 가공 및 학습을 의미함), feedback 등 information을 분석 및 가공을 함.
  • 이는 Long Term Memory로 전달 및 저장된다.
• Long Term Memory Processor
  
  • LTM Processor는 world agent, working memory에서 필요한 정보들을 추출하고, 저장하는 역할을 한다.
  • 기억 유형: Experience, Reflections, Personality, World context, Working memory
  • 프로세스: Importance score, Recency, Relevancy

이처럼, 여러 모듈 간 통신을 통해 학습데이터에 대한 피드백, 상호작용에 대한 결과 생산 등 많은 작업을 수행할 수 있다.

이처럼 1편에서는 Virtuals의 AI-agent가 어떠한 방식으로 작동하는지, 무엇을 하고자 하는 프로토콜인지에 대해 알아보았다. 2편에서는 Virtuals의 AI token을 사면 user들에게 어떠한 이점이 있는지 등, 경제적인 내용을 다뤄보도록 하겠다.