본문으로 건너뛰기

비텐서의 DeepSeek 모먼트: TAO는 글로벌 AI의 제2의 축이 될 수 있을까?

· 약 9 분
Dora Noda
Dora Noda
Software Engineer

전 세계에 흩어진 70명의 낯선 이들이 소비자용 GPU와 가정용 인터넷 연결만을 이용해, 메타(Meta)의 LLaMA-2-70B를 능가하는 720억 매개변수 언어 모델을 공동으로 학습시켰을 때, AI 내러티브에 변화가 일어났습니다. 기업의 화이트리스트도, 1억 달러 규모의 데이터 센터도, 배후에서 조종하는 중앙 집중식 연구소도 없었습니다. 오직 비트텐서(Bittensor)의 서브넷 3, 크립토 경제적 인센티브 시스템, 그리고 이를 가능케 한 스파스로코(SparseLoCo)라는 기술적 기교만이 있었을 뿐입니다.

2026년 초, AI 업계는 최첨단 품질의 모델을 만드는 데 오픈AI(OpenAI) 수준의 예산이 필요하지 않다는 딥시크(DeepSeek)의 증명에 열광했습니다. 비트텐서 커뮤니티는 2026년 3월 10일에 일어난 사건을 자신들만의 "딥시크 모먼트(DeepSeek moment)"라고 부릅니다. 이는 거대 언어 모델이 이제 중앙 집중식 기관 밖에서도 완전히 탄생할 수 있다는 증거입니다. 여기서 던져야 할 질문은 이것입니다. 비트텐서가 진정으로 글로벌 AI 인프라의 두 번째 축을 구축하고 있는 것일까요, 아니면 우아하지만 취약한 실험을 둘러싼 매혹적인 이야기에 불과할까요?

비트텐서의 실체​

토큰 투기를 걷어내고 보면, 비트텐서는 AI 상품을 위한 인센티브 계층으로 이해하는 것이 가장 정확합니다. 네트워크는 '서브넷(subnets)'으로 조직되어 있으며, 128개 이상의 전문화된 경쟁의 장에서 각 서브넷은 언어 모델 추론, 이미지 생성, 데이터 저장, 금융 예측, 코딩 지원 등 특정 유형의 AI 결과물을 생성합니다.

모든 서브넷에는 두 가지 유형의 참여자가 존재합니다.

  • **마이너(Miners)**는 AI 모델을 실행하고 쿼리에 응답합니다. 이들은 출력물의 품질을 두고 경쟁합니다.
  • **검증자(Validators)**는 마이너에게 쿼리를 보내고, 그 응답을 평가하여 체인에 품질을 보고합니다.

비트텐서에서 CPU 역할을 하는 유마 컨센서스(Yuma Consensus) 알고리즘은 검증자의 점수를 취합하여 그에 따라 TAO 에미션(보상)을 분배합니다. 토큰 배분 비율은 마이너 41%, 검증자 41%, 서브넷 창시자 18%입니다. 이는 모든 참여자가 직접적인 이해관계(skin in the game)를 가짐을 의미하며, 부정확한 점수를 보고하는 검증자는 자신의 에미션을 잃게 되므로 시스템을 속이는 행위는 경제적으로 자멸적입니다.

단순한 프리랜서 마켓플레이스와 다른 점은 2024년 말에 도입된 다이내믹 TAO(Dynamic TAO) 메커니즘입니다. 이제 각 서브넷은 TAO와 서브넷 전용 '알파(alpha)' 토큰이라는 두 가지 예비금을 가진 자체 자동화 마켓 메이커(AMM)를 운영합니다. TAO 홀더가 특정 서브넷에 스테이킹하면 그 대가로 알파 토큰을 받게 되며, 이는 사실상 어떤 서브넷이 더 많은 네트워크 자원을 가질 자격이 있는지 자본으로 투표하는 것과 같습니다. 더 많은 TAO 스테이킹을 유치한 서브넷은 더 많은 에미션을 받게 되며, 시장이 어떤 AI 서비스에 자금을 지원할 가치가 있는지 결정하는 자기 조직화된 자본 배분 시스템이 구축됩니다.

커버넌트-72B(Covenant-72B) 이정표​

2026년 3월 10일, 당시 템플러(Templar)라는 이름으로 운영되던 비트텐서의 서브넷 3은 역대 최대 규모의 분산형 LLM 사전 학습(pre-training) 기록인 **커버넌트-72B(Covenant-72B)**를 완료했습니다. 이 모델은 약 1.1조 개의 토큰을 학습했으며, 67.1 MMLU 점수(제로샷)를 기록하여 LLaMA-2-70B의 벤치마크를 넘어섰습니다.

기술적 중추는 분산된 노드 간의 데이터 전송 오버헤드를 146배 줄여준 통신 프로토콜 **스파스로코(SparseLoCo)**였습니다. 전통적인 분산 학습은 지속적인 그래디언트 동기화(gradient synchronization)를 요구합니다. 즉, 각 GPU가 자신의 업데이트 내용을 다른 모든 GPU와 공유해야 하는데, 노드가 전 세계 소비자용 인터넷에 흩어져 있을 때는 이것이 병목 현상이 됩니다. 스파스로코는 희소화(sparsification, 가장 중요한 업데이트만 전송), 2비트 양자화(업데이트 내용을 추가 압축), 오류 피드백(누락된 업데이트를 누적하여 추후 전송함으로써 손실 방지)의 조합을 통해 이를 해결했습니다.

그 결과, 충분한 GPU를 가진 사람이라면 누구나 프로세스를 불안정하게 만들지 않고 자유롭게 참여하거나 떠날 수 있는 학습 환경이 조성되었습니다. 전용 인터커넥트도, 계약적 약정도, 기업의 감독도 없었습니다. 이것은 진정으로 새로운 사건입니다.

엔비디아(Nvidia)의 CEO 젠슨 황(Jensen Huang)은 비트텐서의 분산 학습 모델을 "현대판 folding@home"이라고 표현했습니다. folding@home은 유휴 상태의 소비자 하드웨어를 과학 연구에 활용했던 유명한 자발적 컴퓨팅 프로젝트입니다. 이 비교는 적절합니다. folding@home이 파편화된 컴퓨팅 자원으로도 슈퍼컴퓨터만의 영역이었던 문제를 해결할 수 있음을 증명했듯이, 커버넌트-72B는 AI 분야에서 그와 동등한 성과를 거두었습니다.

뒤이은 거버넌스 위기​

이 이정표 직후 결별이 뒤따랐습니다. 서브넷 3을 구축한 팀인 커버넌트 AI(Covenant AI)의 설립자 샘 데어(Sam Dare)는 2026년 4월 비트텐서 탈퇴를 선언했습니다. 그는 공동 설립자 제이콥 스티브스(Jacob Steeves)가 일방적으로 커버넌트 AI의 서브넷 에미션을 중단시키고, 커뮤니티 관리 권한을 박탈했으며, 토큰 판매를 이용해 팀에 경제적 압박을 가했다고 주장했습니다.

이 비난은 비트텐서의 가장 근본적인 갈등을 찌릅니다. 단 한 명의 설립자가 서브넷의 에미션을 취소할 수 있다면, 크립토 경제적 인센티브 위에 구축된 네트워크가 진정으로 탈중앙화되었다고 볼 수 있는가?

스티브스는 이러한 구체적인 혐의에 대해 공개적으로 긍정하거나 부인하지 않았습니다. 비트텐서 커뮤니티는 분열되었습니다. 일부는 분쟁 중 설립자의 조치가 필요한 거버넌스였다고 옹호하는 반면, 다른 이들은 이 사건이 네트워크의 탈중앙화가 구조적인 것이 아니라 보여주기식에 불과하다는 증거라고 지적합니다.

이는 단순한 해프닝이 아니라 실질적인 문제입니다. 만약 서브넷 운영자가 핵심 개발자에 의해 에미션이 중단될 수 있다면, "탈중앙화"라는 표현에는 주석이 붙어야 합니다. 인프라 배포를 위해 비트텐서를 평가하는 기관 자본은 바로 이 질문을 던질 것입니다. 프로토콜 수준의 거버넌스 변경을 통해서든, 설립자의 권한 유지를 통해서든, 이에 대한 네트워크의 대응이 비트텐서가 기업 채택을 두고 신뢰할 수 있는 경쟁자가 될 수 있을지를 결정할 것입니다.

Bittensor와 경쟁 프로젝트 비교​

탈중앙화 AI 영역은 각각 AI 스택의 서로 다른 계층을 목표로 하는 세 가지 뚜렷한 비전으로 통합되었습니다 :

Fetch.ai / ASI Alliance (FET) : Fetch.ai, SingularityNET, Ocean Protocol의 합병으로 설계상 가장 포괄적인 탈중앙화 AI 생태계가 구축되었습니다. Alliance의 클라우드 IDE인 Agentverse는 200만 명 이상의 등록된 AI 에이전트를 보유하고 있습니다. ASI Alliance는 통합된 토큰 아래 AI 에이전트, 데이터 소스, 컴퓨팅 시장을 연결하는 조정 (coordination) 에 집중합니다. Bittensor가 원시 모델의 품질에 보상을 주는 반면, ASI Alliance는 에이전트의 유용성과 작업 완료에 보상을 줍니다. 장점은 개발자의 진입 장벽이 낮다는 것이고, 단점은 엄격한 품질 관리가 덜하다는 점입니다.

Gensyn : Gensyn은 순수한 컴퓨팅 마켓플레이스 로 운영됩니다. 무엇을 학습시키거나 추론하는지에는 관심이 없으며, 임대할 GPU 용량이 있는지만 중요하게 여깁니다. 기술적 혁신은 전체 작업 부하를 재실행하는 대신 무작위 그래디언트 계산을 지점 점검하여 학습 작업을 검증하는 "학습 증명 (proof-of-learning)" 입니다. Gensyn은 스스로를 인프라 중립적이고 작업에 구애받지 않는 AI의 AWS로 포지셔닝합니다. AI 품질 측면에서 Bittensor와 경쟁하는 것이 아니라, 컴퓨팅 비용 측면에서 경쟁합니다.

Origin Protocol의 Multi-Agent Chain : Origin은 서로 다른 모델이 서로 다른 작업을 처리하는 다단계 AI 워크플로우를 조정하는 에이전트 오케스트레이션 (agent orchestration) 을 목표로 합니다. 세 경쟁사 중 가장 애플리케이션 계층에 가깝고, 모델 학습이나 원시 컴퓨팅보다는 최종 사용자를 위한 자율 AI 파이프라인에 더 집중합니다.

Bittensor는 가장 야심 찬 위치를 차지하고 있습니다. 단일 프로토콜 내에서 모델 품질, 컴퓨팅 분산, 가치 축적을 동시에 해결하려고 시도합니다. 이러한 야망은 동시에 취약점이기도 합니다. 거버넌스, 검증인의 무결성, 서브넷 품질 등 어느 한 계층에서라도 고장이 발생하면 전체 시스템으로 파급됩니다.

2026년의 시장 현실​

TAO는 약 271달러,시가총액약271 달러, 시가총액 약 30.8억 달러 (CoinGecko 순위 33위) 로, 2025년 1월 고점인 $ 565 달러 근처의 일부분에서 거래되고 있습니다. 이러한 변동성은 암호화폐 시장에서 흔히 볼 수 있는 양상을 보여줍니다. 열광의 정점, 투기적 매도, 그리고 실제 유용성이 서사를 따라잡으면서 진행되는 조정입니다.

두 가지 구조적 이벤트가 TAO의 공급 역학을 재편하고 있습니다. Bittensor의 첫 번째 반감기가 2025년 12월 14일에 발생 하여, 일일 TAO 발행량이 7,200개에서 3,600개로 줄어들었습니다. 두 번째 반감기는 2026년 12월로 예정되어 있으며, 발행량은 하루 1,800개로 떨어질 전망입니다. 보유자들에게 이는 비트코인 방식의 공급 압축을 의미하며, 네트워크 참여자들에게는 마이닝이나 검증을 통해 획득한 각 TAO의 희소 가치가 더 높아짐을 의미합니다.

기관들의 포지셔닝도 뒤따랐습니다. 그레이스케일 (Grayscale) 은 디지털 대형주 펀드 (Digital Large Cap Fund) 의 AI 부문에서 TAO의 비중을 43.06% 로 높였으며, 자사의 TAO 신탁을 현물 ETF로 전환하기 위해 신청서를 제출했습니다. 이 신청이 승인되면 미국 기관 투자자들을 위한 최초의 규제된 TAO 투자 수단이 마련될 것입니다. 이는 그레이스케일이 Bittensor를 투기적인 알트코인이 아닌, 탈중앙화 AI 인프라의 지배적인 순수 플레이어로 보고 있다는 신호입니다.

심층적인 질문 : 인프라인가, 서사인가?​

Bittensor의 근거는 정밀한 조사가 필요한 가설에 기반합니다. 즉, 암호경제적 인센티브가 중앙화된 연구소와 경쟁할 수 있는 AI 모델을 만들어낼 수 있다는 가설입니다. Covenant-72B는 탈중앙화 학습이 가능하다 는 증거입니다. 하지만 그것이 프런티어 규모에서 반복 가능하고, 확장 가능하며, 비용 경쟁력이 있다 는 증거는 아직 아닙니다.

OpenAI의 GPT-4는 마이크로초 단위로 상호 연결된 전용 H100 클러스터에서 학습하는 데 1억 달러가 소요된 것으로 알려졌습니다. 반면 Covenant-72B는 가정용 인터넷 연결로 연결된 소비자용 GPU에서 학습되었습니다. SparseLoCo의 획기적인 발전이 이를 기술적으로 가능하게 했지만, 품질 저하라는 대가를 치러야 했습니다. 2비트 양자화와 희소화는 일부 그래디언트 정보의 손실을 의미합니다. 이러한 손실이 더 큰 파라미터 수를 가진 프로덕션 급 모델에서 수용 가능한 수준인지는 여전히 연구 과제로 남아 있습니다.

단기적으로 더 방어 가능한 가설은 Bittensor가 OpenAI를 이길 필요가 없다는 것입니다. 그저 '아무것도 없는 상태' 보다는 나으면 됩니다. 네트워크의 가치는 엣지에서의 AI 추론 상품화 에서 나옵니다. 중앙화된 제공업체를 감당할 수 없거나 신뢰하지 못하는 개발자들에게 저렴하고 검열에 저항하며 특정 도메인에 특화된 AI 서비스를 제공하는 것입니다. 이미 128개 이상의 서브넷이 코딩 지원, 금융 분석, 이미지 생성, 생물학 연구 쿼리를 처리하고 있습니다. 이러한 애플리케이션들은 프런티어 수준의 추론 능력을 필요로 하지 않습니다. 대신 신뢰할 수 있고 비용 효율적이며 특정 작업에 특화된 추론이 필요합니다.

이는 Bittensor가 현실적으로 점유할 수 있는 시장입니다.

Bittensor가 증명해야 할 것들​

TAO가 AI 인프라가 될지, 아니면 AI 주변부의 투기 자산으로 남을지는 다음 세 가지 테스트에 달려 있습니다 :

  1. 거버넌스의 정당성. Covenant AI 분쟁은 서브넷 거버넌스의 성문화, 투명한 이의 제기 절차, 설립자 권한의 제한과 같은 구조적 개혁을 촉진해야 합니다. 그렇지 않으면 중앙집권화에 대한 의혹이 모든 기관과의 논의에서 Bittensor를 따라다닐 것입니다.

  2. 반복 가능한 학습. Covenant-72B는 이정표였습니다. 다음 질문은 서브넷 제한이 128개에서 256개로 확장됨에 따라 Bittensor가 여러 개의 프런티어 규모 학습을 동시에 지원할 수 있는지, 그리고 SparseLoCo (또는 그 후계 기술) 가 점점 더 이질적인 하드웨어 전반에서 효율적인 조정을 가능하게 할 수 있는지 여부입니다.

  3. 토큰을 넘어선 개발자 채택. 현재 서브넷에 참여하는 주요 동기는 TAO 발행을 통한 수익성입니다. 지속 가능한 인프라를 위해서는 두 번째 채택 곡선이 필요합니다. 기여자들이 보상을 받기 때문이 아니라, 서비스 자체가 훌륭하기 때문에 개발자들이 Bittensor API를 사용하는 단계에 진입해야 합니다.

기술은 가격 차트가 시사하는 것보다 더 신뢰할 수 있습니다. 반면 거버넌스는 지지자들이 인정하는 것보다 더 취약합니다. Bittensor의 DeepSeek 모먼트는 실제 상황이었습니다. 프런티어 규모 모델의 탈중앙화 학습은 이제 더 이상 이론에 머물지 않습니다. 네트워크가 전체 전제를 훼손할 수 있는 중앙 집중식 병목 현상 없이 그 능력을 제도화할 수 있느냐가 2026년의 결정적인 과제가 될 것입니다.

BlockEden.xyz는 이러한 프로토콜이 운영되는 체인에 고성능 RPC 및 데이터 API를 제공하여 탈중앙화 AI 인프라 위에서 구축하는 개발자들을 지원합니다. API 마켓플레이스 둘러보기를 통해 자체 노드 인프라를 관리할 필요 없이 필요한 온체인 데이터에 액세스하세요.

Share on Twitter