Bittensor의 720억 파라미터 DeepSeek 순간: 탈중앙화 AI가 마침내 회의론자들이 틀렸음을 증명하다
2026년 1월 20일, DeepSeek는 전체 AI 산업을 뒤흔든 모델을 조용히 출시했습니다. 훈련 비용의 약 1/50로 OpenAI의 최고 성능과 맞먹는 오픈소스 추론 시스템이었습니다. 엔비디아는 하루 만에 시가총액 6000억 달러를 잃었습니다. 핵심 교훈은 단순히 중국의 AI 발전에 관한 것이 아니었습니다. "거대한 중앙화 실험실만이 프런티어 AI를 구축할 수 있다"는 가정이 균열되었다는 것이었습니다.
6주 후인 2026년 3월 10일, 70명의 독립 기여자 네트워크가 일반 GPU와 가정용 인터넷 연결을 사용하여 단 하나의 데이터 센터 없이 720억 파라미터 언어 모델 학습을 완료했습니다. Bittensor의 Templar 서브넷은 자체적인 DeepSeek 순간을 맞이했으며, 탈중앙화 AI에 대한 함의는 못지않게 심오합니다.
Bittensor 생태계에서 방금 일어난 일
Covenant-72B는 단순한 기술적 이정표가 아닙니다. 프런티어 규모에서 탈중앙화 AI 학습이 이제 경제적으로나 기술적으로 실현 가능하다는 개념 증명입니다.
이 모델은 SparseLoCo라는 혁신적인 알고리즘을 사용하여 Templar로 알려진 Bittensor의 Subnet 3에 의해 학습되었습니다. Covenant AI와 Mila Lab과의 협업으로 개발된 SparseLoCo는 희소화, 2비트 양자화, 오류 피드백을 결합하여 노드 간 그래디언트 통신을 146배 이상 압축합니다. 이 단일 혁신은 탈중앙화 학습의 근본적인 병목 현상이었던 수천 개의 독립 노드에서 모델 업데이트를 동기화하는 데 필요한 엄청난 대역폭 문제를 해결했습니다.
결과는 스스로 말해줍니다. Covenant-72B는 MMLU 벤치마크에서 67.1점을 기록했습니다. 이는 지구상 가장 풍부한 자금을 보유한 AI 실험실 중 하나가 수억 달러의 중앙화 인프라로 구축한 Meta의 Llama 2 70B와 동일한 성능 범위에 있습니다. Bittensor 버전은 가정용 인터넷을 사용하는 70명 이상의 기여자들이 학습시켰습니다.
엔비디아 CEO 젠슨 황은 All-In 팟캐스트에서 이를 "현대판 folding@home"이라고 불렀습니다.
이것이 탈중앙화 AI의 "DeepSeek 순간"인 이유
DeepSeek와의 유사성은 단순한 "저렴한 AI"보다 더 깊습니다. 두 경우 모두, 이야기는 효율성 경제학이 이전에 가정된 비용 하한선을 깨뜨리는 것에 관한 것입니다.
DeepSeek의 통찰은 알고리즘적이었습니다. 전문가 혼합 아키텍처와 공격적인 추론 최적화를 결합함으로써, 프런티어 성능에 맞추기 위해 10만 개의 H100이 필요하지 않다는 것을 보여주었습니다. Bittensor의 통찰은 인프라적입니다. 그래디언트 통신을 정확도 손실 없이 97% 압축함으로써, 협력 학습이 단일 데이터센터의 대역폭을 필요로 하지 않는다는 것을 보여주었습니다.
두 돌파구 모두 같은 가정을 공격합니다. 프런티어 AI는 대규모, 중앙화된 자본 집중을 필요로 한다는 것입니다.
차이는 다음에 무슨 일이 일어나느냐에 있습니다. DeepSeek의 효율성 이점은 모델을 실행하는 사람 누구에게나 흘러갑니다. Bittensor의 효율성 이점은 네트워크로 흘러갑니다. Covenant-72B를 집합적으로 학습시킨 70개 이상의 노드 운영자와 그들이 실행하는 프로토콜을 소유한 TAO 보유자에게 흘러갑니다.
이것이 Bittensor 서브넷 모델의 핵심 경제적 혁신입니다. AI 모델 품질을 단순한 제품 지표가 아닌 분산 금융 인센티브로 전환하는 것입니다.
경제학: 반감기와 돌파구의 만남
타이밍이 중요합니다. Bittensor의 첫 번째 TAO 반감기는 2025년 12월 14일에 발생하여 일일 토큰 발행량을 7200에서 3600 TAO로 줄였습니다. 이것은 단순한 공급 이벤트가 아니었습니다. 서브넷 운영의 경제학을 근본적으로 바꿨습니다.
반감기 이전에는 서브넷이 평범한 출력에도 관대한 발행을 제공함으로써 채굴자를 유치할 수 있었습니다. 반감기는 다윈식 선택을 강제했습니다. 배포할 토큰이 줄어들면서 검증자들은 훨씬 더 까다로워졌고, 실제 성능 지표를 보여줄 수 없는 서브넷은 채굴자의 관심(및 해시레이트)이 더 나은 기회로 이동하는 것을 목격했습니다.
Templar/SN3는 채굴자가 제출하는 모든 그래디언트 업데이트의 품질을 보장하는 엄격한 부정 방지 메커니즘("제출-공개" 그래디언트 제출 프로토콜 및 R2 버킷 스토리지를 통한 정밀 타임스탬프)을 구축했기 때문에 이 환경에서 번성했습니다. 반감기가 발행량을 압축했을 때, 고품질 서브넷은 상대적으로 더 많이 얻었고 저품질 서브넷은 압박을 받았습니다.
2026년 3월의 Covenant-72B 출시는 이 모델을 검증했습니다. 역사상 가장 큰 탈중앙화 LLM 사전 학습 실행이 진정으로 경쟁력 있는 모델을 생산했다는 소식이 퍼지면서 TAO는 약 90% 상승했고, 180달러에서 332달러 이상으로 올랐습니다. Templar의 서브넷 가치는 5억 5천만 달러를 돌파했습니다. Grayscale은 AI 펀드에서 TAO의 비중을 43.06%로 늘리고 Bittensor Trust를 현물 ETF로 전환하는 작업을 가속화했습니다.
기관 신호들이 일치했습니다. Polychain Capital은 생태계에 2억 달러를 투자하기로 약속했고, 주요 기관들은 총 TAO 공급량의 거의 19%(6억 9100만 달러)를 스테이킹하여 진정한 희소성 역학을 만들어냈습니다.
이정표 뒤의 네트워크 아키텍처
Covenant-72B가 왜 중요한지 이해하려면 Bittensor의 서브넷 아키텍처를 이해해야 합니다.
Bittensor는 지능이 생산되고 가격이 매겨지는 상품인 Layer-1 블록체인(Polkadot Substrate 위에 구축)으로 운영됩니다. 네트워크는 128개의 활성 서브넷을 실행합니다. 서로 다른 AI 작업에 집중하는 전문화된 시장들입니다. Subnet 64(Chutes)는 탈중앙화 모델 추론을 처리합니다. Subnet 3(Templar)은 협력 모델 학습에 집중합니다. 다른 서브넷들은 텍스트-이미지, 단백질 접힘 시뮬레이션, 저장소, 금융 예측을 다룹니다.
각 서브넷은 자체 인센티브 메커니즘을 실행합니다. 채굴자가 작업을 수행합니다(모델 실행, 출력 생성, 그래디언트 제출). 검증자는 객관적인 지표에 대해 해당 작업을 채점합니다. Yuma Consensus - Bittensor의 핵심 알고리즘 - 은 이러한 점수를 TAO 발행량으로 변환합니다. 작업이 좋을수록 더 많은 TAO를 얻습니다.
72B 학습 실행이 중요한 이유는 공개 인터넷을 통해 연결된 각각 일반 하드웨어에서 실행되는 70개 이상의 독립 노드에서 그래디언트 업데이트를 동기화해야 했기 때문입니다. 이전의 분산 학습 시스템은 사설 데이터센터 인터커넥트를 통해 페타바이트의 그래디언트 데이터를 라우팅할 수 있다고 가정했습니다. SparseLoCo는 146배 적은 데이터로 동일한 결과를 달성할 수 있음을 보여주었습니다.
네트워크는 이제 2026년 말까지 서브넷 용량을 128개에서 256개로 두 배로 늘릴 계획이며, 검증자에게 GraVal과 같은 지표를 사용하여 채굴자 작업을 검증하는 더 나은 도구를 제공 하는 새로운 합의 개선(때때로 버전 1.4로 언급됨)을 통합하여 품질 평가를 더 객관적이고 조작하기 어렵게 만들 예정입니다.
무시할 수 없는 도전들
Bittensor의 순간에 대한 어떤 정직한 평가도 어려운 질문들을 건너뛸 수 없습니다.
보조금-수익 격차는 실재합니다. 연구 회사 Pine Analytics는 Bittensor의 가장 큰 서브넷인 Chutes(SN64)가 연간 약 5200만 달러의 TAO 발행을 받지만 실제 외부 수익은 130만240만 달러에 불과하다는 것을 발견했습니다. 보조금-수익 비율이 22:1에서 40:1 사이입니다. TAO 발행이 가격을 지지하지 않는다면, Chutes의 추론은 DeepSeek와 Together AI 같은 중앙화 대안보다 1.63.5배 더 비쌀 것입니다. 네트워크는 현재 제품-시장 적합성이 아닌 토큰 인플레이션으로 운영되고 있습니다.
거버넌스 갈등이 고조되고 있습니다. TAO가 340달러를 돌파한 같은 주인 2026년 4월 10일에 충격적인 사건이 발생했습니다. Covenant AI가 공개적으로 Bittensor 네트워크를 탈퇴했습니다. 회사는 공동 창립자 Jacob Steeves가 서브넷 운영에 대해 중앙화된 통제를 행사하고 "탈중앙화 극장"이라고 부른 것에 관여했다고 비난했습니다. 이 발표는 20% 이상의 가격 하락과 1000만 달러 이상의 롱 청산을 유발했으며, 거버넌스 위험이 탈중앙화 인프라 프로젝트의 가장 큰 미해결 질문으로 남아 있음을 상기시켜 주었습니다.
Llama 4가 아닌 Llama 2와의 비교. Covenant-72B가 Meta의 2023년 모델과 일치하는 것은 탈중앙화 시스템으로서 인상적입니다. 탈중앙화 학습이 현재 10만 개의 H100 클러스터에서 학습되는 최첨단 모델과 보조를 맞출 수 있는지는 다른 질문입니다. SparseLoCo의 효율성 이점은 관련성을 유지하기 위해 빠르게 복리 효과를 내야 합니다.
이것이 2026년 탈중앙화 AI에 의미하는 것
"탈중앙화 AI는 항상 중앙화보다 더 비쌀 것"이라는 반론은 Bittensor 같은 네트워크의 기관 채택에 있어 가장 큰 장벽 중 하나였습니다. Covenant-72B는 학습 레이어에서 이 반론을 직접 공격합니다.
Bittensor가 규모에서 작동한다면 나타날 경제 모델은 진정으로 새로운 것입니다. 수천 명의 독립 운영자가 학습하고 제공하며, 토큰 인센티브로 조정되고, 단일 개체가 스택을 통제하지 않는 AI 모델입니다. Talisman AI 서브넷은 이미 2026년 1분기에 10만 명 이상의 유료 고객에게 서비스를 제공하고 4300만 달러의 AI 고객 수익을 창출했습니다. 적어도 일부 서브넷이 토큰 보조금에서 외부 자금으로 전환하고 있다는 증거입니다.
더 넓은 Web3 생태계에 대해, Bittensor의 순간은 중요한 것을 나타냅니다. 블록체인이 금융 거래만이 아니라 복잡한 계산 작업을 조정할 수 있다는 논제가 백서에서 프로덕션으로 이동하고 있다는 것입니다.
향후 12개월 동안 주시해야 할 핵심 변수들:
- Grayscale의 현물 ETF 신청이 승인 제품으로 전환되는지 여부
- 외부 수요가 증가함에 따라 서브넷 수익 대 발행 비율이 실질적으로 개선되는지 여부
- Covenant AI와의 거버넌스 분쟁이 해결되는지 또는 네트워크 포크를 가속화하는지 여부
- 중앙화 실험실도 더 효율적인 학습 알고리즘을 채택함에 따라 SparseLoCo 압축 이점이 유지될 수 있는지 여부
DeepSeek와의 유사성은 한 가지 중요한 방식으로 유효합니다. 효율성 돌파구는 되돌릴 수 없는 압력을 만들어냅니다. 일단 데이터 센터 없이 프런티어 규모 모델을 학습시킬 수 있다는 것을 증명하면, 질문은 "탈중앙화 AI가 작동할 수 있는가?"에서 "한계는 어디인가?"로 바뀝니다.
BlockEden.xyz는 Sui, Aptos, Ethereum 및 20개 이상의 다른 블록체인을 위한 엔터프라이즈급 RPC 및 API 인프라를 제공합니다. AI 기반 DApp을 구축하거나 AI 에이전트 워크플로우를 위한 신뢰할 수 있는 온체인 데이터가 필요하다면, API 마켓플레이스를 탐색하여 모델을 프로덕션 블록체인 인프라에 연결하세요.