본문으로 건너뛰기

"zk-SNARKs" 태그로 연결된 1개 게시물개의 게시물이 있습니다.

모든 태그 보기

검증 가능한 AI의 움직임: 라그랑주 랩스의 동적 zk-SNARKs가 연속적인 신뢰를 가능하게 하는 방법

· 약 5분
Dora Noda
Software Engineer

1. 팀과 사명

Lagrange Labs는 모든 AI 추론 또는 온체인 애플리케이션에 대한 암호학적 증명을 생성하는 기본 인프라를 구축하고 있습니다. 그들의 목표는 계산을 검증 가능하게 만들어 디지털 세계에 새로운 신뢰 층을 제공하는 것입니다. 그들의 생태계는 세 가지 핵심 제품 라인으로 구성됩니다:

  • ZK Prover Network: AI와 롤업부터 탈중앙화 애플리케이션(dApp)까지 다양한 증명 작업에 필요한 계산 능력을 제공하는 85개 이상의 증명 노드로 구성된 탈중앙화 네트워크.
  • DeepProve (zkML): 신경망 추론에 대한 ZK 증명을 생성하는 특화 시스템. Lagrange는 경쟁 솔루션보다 최대 158배 빠르다고 주장하며, 검증 가능한 AI를 실용적인 현실로 만든다.
  • ZK Coprocessor 1.0: 최초의 SQL 기반 ZK 코프로세서로, 개발자가 대규모 온체인 데이터셋에 대해 맞춤형 쿼리를 실행하고 검증 가능한 정확한 결과를 받을 수 있게 한다.

2. 검증 가능한 AI 로드맵

Lagrange는 AI 검증 가능성 문제를 단계별로 해결하기 위해 로드맵을 체계적으로 실행하고 있습니다.

  • Q3 2024: ZK Coprocessor 1.0 출시: 이 릴리스는 하이퍼 병렬 재귀 회로를 도입했으며, 평균 속도가 약 2배 향상되었습니다. Azuki와 Gearbox와 같은 프로젝트가 이미 코프로세서를 활용하고 있습니다.
  • Q1 2025: DeepProve 공개: Lagrange는 Zero‑Knowledge Machine Learning(zkML) 솔루션인 DeepProve를 발표했습니다. 이는 다층 퍼셉트론(MLP) 및 합성곱 신경망(CNN)과 같은 인기 있는 신경망 아키텍처를 지원합니다. 시스템은 일회성 설정, 증명 생성, 검증이라는 세 단계 모두에서 획기적인 가속을 달성했으며, 속도 향상은 최대 158배에 이릅니다.
  • Q2 2025: Dynamic zk‑SNARKs 논문 (최신 마일스톤): 이 논문은 혁신적인 “업데이트” 알고리즘을 소개합니다. 기본 데이터나 계산이 변경될 때마다 증명을 처음부터 다시 생성하는 대신, 기존 증명(π)을 새로운 증명(π')으로 패치할 수 있습니다. 이 업데이트는 O(√n log³n) 복잡도로 수행될 수 있어 전체 재계산에 비해 크게 개선되었습니다. 이 혁신은 지속적으로 학습하는 AI 모델, 실시간 게임 로직, 진화하는 스마트 계약과 같은 동적 시스템에 특히 적합합니다.

3. Dynamic zk‑SNARKs가 중요한 이유

업데이트 가능한 증명의 도입은 영지식 기술의 비용 모델에 근본적인 변화를 가져옵니다.

  • 새로운 비용 패러다임: 업계는 “각 증명마다 전체 재계산” 모델에서 “변경 규모에 기반한 증분 증명” 모델로 이동합니다. 이는 빈번하고 작은 업데이트가 발생하는 애플리케이션의 계산 및 비용을 크게 낮춥니다.
  • AI에 대한 시사점:
    • 연속 미세 조정: 모델 파라미터의 1% 미만을 미세 조정할 때, 증명 생성 시간은 전체 모델 크기가 아니라 변경된 파라미터 수(Δ 파라미터)에 거의 선형적으로 증가합니다.
    • 스트리밍 추론: 이는 추론 과정 자체와 동시에 증명을 생성할 수 있게 합니다. 이를 통해 AI가 결정을 내리는 순간과 그 결정이 온체인에 정산·검증되는 사이의 지연이 크게 감소하여 온체인 AI 서비스 및 롤업을 위한 압축 증명과 같은 사용 사례를 열어줍니다.
  • 온체인 애플리케이션에 대한 시사점: Dynamic zk‑SNARKs는 빈번하고 작은 상태 변화를 특징으로 하는 애플리케이션에 대해 가스 비용과 시간 최적화를 크게 제공합니다. 여기에는 탈중앙화 거래소(DEX) 주문서, 진화하는 게임 상태, 빈번한 추가·삭제가 있는 원장 업데이트 등이 포함됩니다.

4. 기술 스택 살펴보기

Lagrange의 강력한 인프라는 정교하고 통합된 기술 스택 위에 구축됩니다.

  • 회로 설계: 시스템은 ONNX(Open Neural Network Exchange) 모델, SQL 파서, 맞춤 연산자를 회로에 직접 삽입하는 것을 지원하도록 유연하게 설계되었습니다.
  • 재귀 및 병렬성: ZK Prover Network는 분산 재귀 증명을 가능하게 하고, ZK Coprocessor는 “마이크로 회로” 샤딩을 활용해 작업을 병렬로 실행하여 효율성을 극대화합니다.
  • 경제적 인센티브: Lagrange는 네이티브 토큰 LA를 출시할 계획이며, 이는 Double‑Auction‑for‑Recursive‑Auction(DARA) 시스템에 통합될 예정입니다. 이를 통해 증명자 계산에 대한 입찰 시장을 구축하고, 인센티브와 페널티를 통해 네트워크 무결성을 보장합니다.

5. 생태계 및 실제 채택

Lagrange는 진공 속에서만 개발하는 것이 아니라, 다양한 분야의 프로젝트에 이미 기술이 통합되고 있습니다.

  • AI 및 ML: 0G Labs와 Story Protocol 등 프로젝트가 DeepProve를 사용해 AI 모델 출력의 출처와 신뢰성을 검증하고 있습니다.
  • 롤업 및 인프라: EigenLayer, Base, Arbitrum 등 주요 플레이어가 검증 노드 또는 통합 파트너로 ZK Prover Network에 참여해 보안과 계산 능력을 강화하고 있습니다.
  • NFT 및 DeFi 애플리케이션: Azuki와 Gearbox와 같은 브랜드가 ZK Coprocessor를 활용해 데이터 쿼리와 보상 분배 메커니즘의 신뢰성을 높이고 있습니다.

6. 도전 과제와 향후 로드맵

눈부신 진전에도 불구하고 Lagrange Labs와 ZK 분야 전체가 직면한 과제가 몇 가지 있습니다.

  • 하드웨어 병목: 분산 네트워크가 있더라도 업데이트 가능한 SNARK는 높은 대역폭을 요구하고, 효율적인 실행을 위해 GPU 친화적인 암호 곡선에 의존합니다.
  • 표준화 부족: ONNX 및 PyTorch와 같은 AI 프레임워크를 ZK 회로에 매핑하는 과정은 아직 보편적인 표준 인터페이스가 없어 개발자에게 마찰을 발생시킵니다.
  • 경쟁 환경: zkVM 및 일반화된 zkCompute 플랫폼을 구축하려는 경쟁이 가열되고 있습니다. Risc‑Zero와 Succinct와 같은 경쟁사도 큰 진전을 보이고 있습니다. 최종 승자는 개발자 친화적이고 커뮤니티 주도형 툴체인을 최초로 상용화하는 팀이 될 가능성이 높습니다.

7. 결론

Lagrange Labs는 검증 가능성이라는 관점에서 AI와 블록체인의 교차점을 체계적으로 재구성하고 있습니다. 그들의 접근 방식은 포괄적인 솔루션을 제공합니다.

  • DeepProve신뢰할 수 있는 추론 문제를 해결합니다.
  • ZK Coprocessor신뢰할 수 있는 데이터 문제를 해결합니다.
  • Dynamic zk‑SNARKs연속적인 업데이트라는 현실적인 요구를 증명 시스템에 직접 통합합니다.

라그랑주가 성능 우위를 유지하고 표준화라는 핵심 과제를 해결하며 견고한 네트워크를 지속적으로 확장한다면, 떠오르는 “AI + ZK 인프라” 분야의 핵심 플레이어로 자리매김할 것입니다.