본문으로 건너뛰기

Bittensor의 확신 테스트: Covenant 쇼크 이후 잠긴 TAO가 탈중앙화 AI를 구할 수 있을까?

· 약 9 분
Dora Noda
Dora Noda
Software Engineer

2026년 3월 10일, 개방형 인터넷에 흩어져 있는 약 70 명의 낯선 이들로 구성된 네트워크가 MMLU 에서 LLaMA-2-70B 를 능가하는 720억 개의 파라미터를 가진 언어 모델의 학습을 마쳤습니다. 6주 후, 이 동일한 네트워크는 스스로 붕괴하는 것을 막기 위해 사투를 벌이고 있었습니다.

역사적인 기술적 이정표에서 본격적인 거버넌스 위기로 이어진 이러한 급격한 변화는 2026년 Bittensor 의 이야기입니다. 그리고 현재 테이블 위에 놓인 해결책인 확신 메커니즘 ( Conviction Mechanism ) 이라는 기이하고 새로운 프리미티브 ( primitive ) 는 올해 크립토 - AI 분야에서 가장 중요한 거버넌스 실험이 될 수 있습니다.

Covenant-72B 에서 Covenant AI 의 이탈까지​

정점은 가장 먼저 찾아왔습니다. Bittensor 의 서브넷 3 ( SN3 ) 인 Templar 는 지금까지 시도된 것 중 가장 큰 규모의 탈중앙화 LLM 사전 학습 ( pre-training ) 실행인 Covenant-72B 의 완료를 발표했습니다. 70 명 이상의 독립적인 기여자들이 일반적인 가정용 인터넷 연결을 통해 범용 GPU 를 모았고, 약 1조 1,000억 개의 토큰 을 처리하여 제로샷 MMLU 에서 67.1 점 을 기록하며 LLaMA-2-70B 와 LLM360 K2 를 근소하게 제친 72B 파라미터 모델을 생산했습니다.

비결은 SparseLoCo 라고 불리는 알고리즘이었습니다. SparseLoCo 는 Top-k 희소화 ( sparsification ), 2비트 양자화 ( quantization ) 및 오류 피드백을 결합하여 노드 간 통신을 약 146배 줄였습니다. 실질적인 관점에서, 동기화당 280 GB 가 필요했던 데이터가 2.2 GB 로 줄어들었으며, 노드들의 동기화 빈도는 500배나 낮아졌습니다. 그래디언트 ( Gradients ) 는 원래 크기의 약 0.78% 로 압축되었으며, 노드들은 다른 노드와 통신하기 전에 15 ~ 250 회의 로컬 스텝을 수행할 수 있었습니다.

이것이 바로 탈중앙화 AI 가 수년 동안 추구해 온 핵심입니다. 프론티어 모델을 학습시키기 위해 NVLink 로 연결된 데이터 센터는 필요하지 않습니다. 옵티마이저가 충분히 똑똑하다면 개방형 인터넷만으로도 충분합니다.

시장은 주목했습니다. 서브넷의 알파 토큰인 τemplar 는 7일 만에 194% 급등했고, TAO 자체도 2주 동안 54.8% 상승했습니다. 온체인 분석가들은 이를 TAO 의 " DeepSeek 모멘트 " 라고 불렀습니다.

그러다 천장이 무너졌습니다.

4월 중순, Covenant AI 설립자 Sam Dare 가 약 37,000 TAO ( 약 1,020만 달러 ) 를 매도하고 생태계를 떠나며, 자신이 서서히 진행되는 중앙화라고 규정한 상황을 공개적으로 비판했습니다. 이 매각은 이미 불안해하던 시장을 강타했습니다. TAO 는 약 25% 하락하며 약 6억 5,000만 달러 의 시가총액이 증발했습니다. 더 나쁜 것은, 조용히 쌓여왔던 구조적 결함인 Bittensor 서브넷 소유자가 잔류해야 할 이유가 거의 없다 는 사실이 노출된 것이었습니다.

아무도 고치고 싶어 하지 않았던 거버넌스 버그​

Bittensor 의 원래 설계는 서브넷 소유자에게 상당한 권한과 토큰을 부여했지만, 출시 이후 의미 있는 스킨 인 더 게임 ( skin-in-the-game ) 요건을 부과하지 않았습니다. 활동이 없거나 환멸을 느낀 소유자는 서브넷을 무기한 점유하거나 경고 없이 포지션을 정리할 수 있었는데, 이것이 바로 Covenant AI 가 한 일이었습니다.

탈중앙화 AI 를 위한 조율 레이어라고 자처하는 프로토콜에게 " 창립자가 화요일에 떠나서 수요일에 토큰을 폭락시킬 수 있다 " 는 이야기는 기관에 팔릴 만한 이야기가 아닙니다. 그리고 기관들은 지켜보고 있었습니다. Grayscale 은 4월 2일 NYSE Arca 에 현물 TAO ETF 를 위한 S-1 수정안을 제출 했고, Bitwise 도 같은 날 병행 전략 ETF 를 신청 했습니다. ETF 발행사들은 한 개인의 기분에 좌우되는 거버넌스를 선호하지 않습니다.

문제는 구체화되었습니다. 토큰은 유동적이고 서브넷 소유권은 이전 가능한 시스템에서 어떻게 장기적인 얼라이먼트 ( alignment ) 를 강제할 수 있을까요?

공동 창립자 Const 의 답변은 4월 16일 발표된 BIT-0011 — 확신 메커니즘 ( Conviction Mechanism ) 입니다.

확신 메커니즘이 실제로 하는 일​

이 설계는 신중하게 설명할 가치가 있을 만큼 독특합니다.

BIT-0011 에 따라, 서브넷 소유권이나 그에 수반되는 투표권을 원하는 사람은 누구나 수개월에서 수년 단위로 선택한 기간 동안 알파 토큰을 타임락 ( time-lock ) 해야 합니다. 그 대가로 락업을 수행한 주체는 100% 에서 시작하여 30일 간격으로 감쇠하는 확신 점수 ( conviction score ) 를 받게 됩니다. 거버넌스 가중치와 서브넷 제어권에 연결되는 것은 단순한 토큰 잔액이 아니라 바로 이 확신 점수입니다.

이로 인해 다음과 같은 결과가 나타납니다 :

  • 가만히 앉아 있는 것만으로는 충분하지 않습니다. 확신은 감쇠하기 때문에 서브넷 소유자는 한 번 락업하고 방치할 수 없습니다. 계속해서 약속을 갱신하거나, 자신의 투표권이 더 적극적으로 참여하는 누군가에게 넘어가는 것을 지켜봐야 합니다.
  • 소유권은 경쟁할 수 있습니다. BIT-0011 하에서는 누구나 알파를 락업하고 확신을 쌓음으로써 서브넷 제어권에 도전할 수 있습니다. 도전자의 확신 점수가 현직자의 점수를 초과하면 제어권을 가져갑니다. 이는 시장 중심의 지속적인 소환 메커니즘으로, " 창립자가 영원히 열쇠를 보관하는 " 기본 설정의 반대입니다.
  • 이탈 비용이 높습니다. 락업 해제는 확신 상실을 의미합니다. 락업을 해제하지 않고 토큰을 덤핑하는 것은 불가능합니다. 이 인센티브 구조는 4월 위기를 촉발한 행동에 직접적으로 페널티를 줍니다.

이 메커니즘은 성숙한 서브넷인 SN3 ( Templar ), SN39, SN81 에 우선적으로 배포되고 있습니다. 이러한 선택은 의도적입니다. 이 서브넷들은 실제 경제 활동과 실질적인 작업이 이루어지고 있는 곳이며, 이는 시장이 해당 서브넷의 소유자가 누구인지에 실제로 관심을 가진다는 것을 의미합니다.

왜 Templar에서 시작하는가?​

확신 메커니즘 (Conviction Mechanism)을 SN3에 가장 먼저 도입한 것은 시사하는 바가 큽니다. Templar는 최근 프런티어급 분산형 학습을 입증한 서브넷입니다. 이는 Bittensor가 단순한 토큰 발행 게임 그 이상임을 보여주는 가장 확실한 증거입니다. 만약 확신 메커니즘이 가장 중요한 이 서브넷에서 진지한 운영자들을 붙잡아둘 수 있다면, 이 모델은 일반화될 수 있습니다. 그렇지 않다면, 다른 곳에서 시작하는 것은 그저 겉치레에 불과할 것입니다.

서술적 대칭성도 존재합니다. Templar의 SparseLoCo는 지속적인 통신 없이도 협업이 가능하다는 공학적 베팅입니다. 확신 메커니즘은 지속적인 신뢰 없이도 정렬 (alignment)이 가능하다는 거버넌스적 베팅입니다. 탈퇴 비용을 충분히 높게 책정한다면, 모든 구성원이 신념을 가질 필요는 없습니다. 두 시도 모두 중앙 집중식 통제 (데이터 센터나 자비로운 설립자)를 경제적으로 강제된 협업으로 대체하려는 노력입니다.

불편한 질문들​

확신 메커니즘은 우아하지만 마찰이 없는 것은 아닙니다. 고민해 볼 만한 몇 가지 질문들이 있습니다.

1. 실제로 영향력을 미칠 만큼 충분한 양을 락업할 수 있는 사람은 누구인가? 만약 거버넌스에서 유의미한 비중을 차지하기 위해 수백만 달러 가치의 알파 (alpha)를 수년간 묶어두어야 한다면, 실질적인 서브넷 소유자의 범위는 펀드나 자본력이 탄탄한 팀으로 좁혀집니다. 이는 진지한 운영자를 원한다는 점에서는 타당할 수 있지만, 이전보다 더 "분산화"되었다고 보기는 어렵습니다. 이는 단지 초기 진입자보다는 시간 선호도에 보상을 주는 또 다른 형태의 집중일 뿐입니다.

2. 감쇠 (decay) 주기가 올바르게 설정되었는가? 30일의 감쇠 간격은 설계상의 선택일 뿐 물리적 상수가 아닙니다. 감쇠가 너무 빠르면 서브넷에 혼란이 생기고, 너무 느리면 이 메커니즘은 더 긴 시간선상에서 원래의 결함을 반복하게 됩니다. 첫해에는 파라미터 조정과 고통스러운 예외 사례들이 발생할 것으로 예상됩니다.

3. 도전 (challenge) 상황에서 어떤 일이 벌어지는가? 지속적으로 소유권에 도전할 수 있다는 개념은 이론적으로는 훌륭하지만, 자금력이 풍부한 적대 세력이 누군가의 비즈니스에 핵심적인 서브넷에 확신 점수를 쌓기로 결정한다면 문제가 됩니다. 이 메커니즘에는 강력한 중재 방안과 냉각 기간 (cool-down)이 필요하며, 그렇지 않으면 서브넷 거버넌스가 적대적 인수합병의 놀이터로 변질될 위험이 있습니다.

4. 실제로 ETF 실사를 통과할 수 있는가? 더 본질적인 질문은 "확신 점수가 소유자를 결정한다"는 방식이 미국 규제 기관에 건전한 거버넌스로 비치느냐는 점입니다. 일정 기간 락업된 스테이크는 실질적인 약속의 신호이지만, 여전히 생소한 방식이기에 자산 배분가들은 이를 평가하기 위한 프레임워크를 개발해야 할 것입니다. Bittensor는 사실상 이러한 평가를 공개적으로 수행하고 있는 셈입니다.

분산형 AI의 현주소​

멀리서 바라보면, 2026년의 Bittensor 스토리는 분산형 AI 이론 전체에 대한 스트레스 테스트와 같습니다.

기술적 측면 — 데이터 센터 없이 프런티어 모델을 학습시킬 수 있는가? — 은 Covenant-72B를 통해 "제약 조건은 있지만 가능하다"라는 강력한 답변을 얻었습니다. SparseLoCo는 대역폭 문제가 해결 가능하다는 것을 보여주었습니다. 67.1점의 MMLU 점수는 품질 문제 또한 해결 가능하다는 것을 입증했습니다. 가정용 인터넷을 사용하는 70명의 마이너는 이제 피치덱의 구호가 아니라 실제 결과물입니다.

경제적 측면 — 중앙 권위 없이 운영자들을 정렬시킬 수 있는가? — 이 바로 BIT-0011이 답하고자 하는 질문입니다. Covenant AI의 이탈은 그 답이 "아니오"일 때 어떤 일이 벌어지는지 보여주었습니다. 확신 메커니즘은 규범이나 설립자의 선의에 의존하기보다 토큰 설계 자체에 정렬 (alignment)을 구축하려는 첫 번째 진지한 시도입니다.

두 답변 모두 "예"로 수렴한다면, 그 영향은 Bittensor를 훨씬 넘어설 것입니다. 학습이든 추론이든, AI든 아니든, 모든 분산형 컴퓨팅 네트워크는 이 두 가지 문제에 직면합니다. 대부분은 거버넌스 문제가 나중에나 중요해질 것이라고 막연히 희망해 왔습니다. Bittensor는 그 "나중"이 생각보다 빨리 다가온다는 것을 보여주었습니다.

결론​

빌더들에게 2026년 2분기의 흥미로운 행보는 BIT-0011이 올바른 설계인지에 대해 편을 가르는 것이 아닙니다. 향후 두 분기 동안 SN3를 면밀히 관찰하는 것입니다. 만약 Templar의 운영자들이 실제로 유의미한 수준의 알파를 락업하고, 확신 가중치 투표가 서브넷이 수용할 수 있는 결정을 내리며, 적대적 도전자가 첫 90일 동안 메커니즘을 파괴하지 못한다면 — 확신 메커니즘은 단순한 Bittensor의 패치가 아닌, 재사용 가능한 거버넌스 프리미티브 (primitive)가 될 것입니다.

그리고 만약 실패한다면, 그 실패 자체도 분산형 AI 설계 분야에서 가장 유익한 데이터 포인트 중 하나가 될 것입니다. 어떤 결과든 주목할 가치가 있습니다.

Bittensor는 3월에 인터넷이 72B 모델을 학습시킬 수 있음을 증명했습니다. 4월에는 인터넷이 이를 거버넌스할 수 있는지를 증명하고 있습니다. 결국 두 번째 문제가 항상 더 어려운 문제였음이 드러나고 있습니다.

BlockEden.xyz는 30개 이상의 체인에서 엔터프라이즈급 RPC 및 인덱싱 인프라를 제공하며, AI 및 컴퓨팅 중심 네트워크를 위한 전용 지원을 포함합니다. 강세장뿐만 아니라 거버넌스 충격 속에서도 지속될 수 있도록 설계된 기반 위에서 빌드하려면 저희 서비스를 살펴보세요.

출처​

Share on Twitter