목차

1. 자비스를 향해 발전 중인 AI, 그 중심엔 특화 모델과 데이터

2. 오픈렛저가 SLM과 데이터를 위한 ‘AI 블록체인’을 개발하는 이유
2-1. SLM은 AI 범용 모델 성능의 제약을 해결하는 열쇠
2-2. 일반적인 블록체인과 AI 블록체인의 차이
2-3. 오픈렛저는 허깅페이스에 웹3를 결합해 오픈소스의 강점을 극대화하고자 한다

3. Payable AI를 실현하는 오픈렛저 AI 스튜디오의 기술 프레임워크
3-1. ‘골든 데이터셋’ 확보를 위한 도메인별 전문 데이터 저장소 - DataNets
3-2. 데이터의 기여도를 추적하는 귀속성 증명 알고리즘 - PoA
3-3. 노코드 방식의 SLM 튜닝 인프라 - Model Factory
3-4. 모델 배포 비용을 대폭 절감하는 서빙 프레임워크 - OpenLoRA

4. 오픈렛저의 토크노믹스와 지속가능성의 조건
4-1. $OPEN 토큰 중심의 토크노믹스
4-2. 오픈렛저의 지속가능성을 위한 선순환 조건

5. 맺으며: 오픈렛저가 그리는 AI의 미래

1. 자비스를 향해 발전 중인 AI, 그 중심엔 특화 모델과 데이터

이 글을 읽고 있는 여러분은 일상생활에서 얼마나 AI를 많이 활용하고 있는가? 학교 과제를 AI로 작성하여 평가에 골머리를 앓고 있다는 뉴스부터, 직장 동료가 연애편지를 AI로 작성한 뒤 자필로 베껴 적어 효율과 감동 모두 챙겼다는 재밌는 비하인드 스토리까지, 처음 챗지피티가 출시되었을 때와 비교하면 주변에 AI를 활용하고 있는 사용자의 수는 부쩍 많이 늘어났다는 것을 체감할 수 있다. 실제로 한국 과학기술정보통신부가 대한민국 국민 6만 229명을 대상으로 실시한 설문조사에 따르면 2024년 생성형 AI 서비스를 경험해봤다고 응답한 국민은 60%에 다다랐다. 즉, 대한민국 국민 10명 중 6명은 AI를 실생활에서 접하고 있다는 의미이다. 여기서 더 나아가 AI 사용자의 사용 앱을 세부적으로 살펴보면, 전 연령대에 걸쳐 챗지피티가 압도적인 1등을 차지하고 있음을 확인할 수 있다. 앞선 설문에 따르면 사용자는 챗지피티와 같은 생성형 LLM을 정보검색(81.9%)과 문서작업 보조(44.4%), 외국어 번역(40%)에 주로 사용하는 것으로 나타났다. AI가 다재다능한 조수 내지 비서의 역할을 하고 있는 셈이다.

AI를 경험한 많은 사람들은 AI를 개인 비서처럼 활용하기를 꿈꾸고 있으며, 필자 또한 영화 아이언맨에 등장하는 AI 개인비서 '자비스'가 가장 이상적인 형태의 AI라고 생각한다. 물론 영화 속 '자비스'와 현재 기술 간에는 상당한 간극이 존재하지만, AI 기술 발전은 이러한 방향으로 꾸준히 나아가고 있다. 그렇다면 '자비스'와 같은 AI 개인비서를 개발하기 위해서는 무엇이 필요할까? '자비스'는 아이언맨 슈트, 디지털 안경, 손목시계 등 다양한 웨어러블 기기를 오가며 동작하기에 저전력의 효율적이고 개인화된 AI 모델을 두뇌처럼 활용할 것으로 짐작된다. (아크 리액터로 구동하는 아이언맨 슈트가 있기에 의문을 제기할 수도 있지만, 영화에서 볼 수 있듯 아이언맨의 슈트는 격렬한 전쟁으로 종종 방전되곤 한다.) 또한 다양한 업무를 처리하기 위해 넓은 호환성을 가진 모듈화된 에이전트 도구를 활용하는 형태일 것이다.

출처: 아이언맨 '인공지능비서' 현실이 되다 - 노벨사이언스

자비스에 활용될 것으로 예상되는 AI 모델을 만들기 위해선 특화된 언어 모델(Specialized Language Model, SLM)과 고품질의 전문 데이터가 필요하다. SLM은 특정 도메인에 최적화된 효율적이고 경량화된 모델로, 챗지피티-4o와 같은 범용 LLM모델보다 특정 분야에서 더 뛰어난 성능과 정확성을 제공하면서도 자원 소비는 현저히 적은 모델을 말한다. 그리고 이러한 SLM을 학습하기 위해선 고품질의 전문 데이터를 필요로 하며, 이는 단순히 웹에서 수집한 일반 정보가 아닌, 해당 분야의 실제 전문가들이 생성하고 검증한 특화된 정보를 의미한다. 이러한 조건과 기술이 갖춰진 AI 모델의 발전이 바로 자비스의 탄생을 앞당길 수 있으며, 이번 리서치에서 소개할 오픈렛저는 “데이터와 AI 모델이 돈이 되는 AI 블록체인”라는 내러티브를 토대로, 특정 영역의 데이터로 전문화된 AI 모델(SLM) 개발 플랫폼을 구축하고자 하는 명확한 비전을 제시하고 있다. 그렇다면 오픈렛저가 왜 이러한 SLM 플랫폼을 구축하려 하는지, 그리고 어떻게 블록체인과 웹3를 AI 기술과 접목하여 사용하려는 지에 대해 살펴보도록 하자.

2. 오픈렛저가 SLM과 데이터를 위한 ‘AI 블록체인’을 개발하는 이유

2-1. SLM은 AI 범용 모델 성능의 제약을 해결하는 열쇠

오픈렛저가 특화된 모델(SLM)을 중점으로 두고 플랫폼를 구축하려는 이유를 알아보기에 앞서, 왜 SLM이 AI 기술 발전 흐름에 있어 중요한지에 대해 짚고 넘어갈 필요가 있다. 흔히 우리가 챗지피티에서 사용하고 있는 GPT-4와 같은 AI 모델은 범용 모델(파운데이션 모델)로 분류되며, GPT-4와 같은 대형 범용 모델은 기하급수적인 데이터와 엄청난 컴퓨팅 파워를 투입하여 학습시킨 자본 집약적인 모델이다. 하지만 범용 모델은 말 그대로 범용적으로 사용할 수 있는 기초 모델이라는 의미이며, 모든 분야에서 평균 이상의 성능을 보이지만 특정 전문 영역에서는 깊이 있는 전문성을 발휘하기 어렵다는 한계가 있다. 오픈렛저는 이를 “일반의사가 심장 전문의의 수술을 집도할 수는 없지 않은가”라고 비유하며, GPT-4는 일반적인 질문, 코드 작성, 간단한 요약 등에서 뛰어난 능력을 보여주지만, 특정 의학 분야의 최신 연구 동향, 복잡한 법률 해석, 또는 전문적인 금융 모델링과 같은 고도로 특화된 영역에서는 깊이 있는 통찰을 제공하기 어렵다는 점을 강조한다. 범용 모델의 이러한 한계는 모델 규모를 키우는 것만으로는 해결되지 않는다. 실제 오픈AI의 연구( Scaling laws for Neural Language Models. Kaplan, OpenAI, 01/2020)에 따르면 모델 규모(파라미터 수) 증가에 따른 성능 증가는 일정 수준을 넘어가면서부터 그 효율이 크게 감소하는 것으로 나타났다. 이러한 배경에서 SLM(Specialized Language Models)의 중요성이 부각된다. SLM은 특정 도메인에 최적화된 모델로, 해당 분야의 깊이 있는 지식과 맥락을 이해할 수 있다. 예를 들어 의료 분야에 특화된 SLM은 특정 질병의 진단, 치료법, 최신 연구 동향에 대해 일반 LLM보다 훨씬 정확하고 깊이 있는 정보를 제공할 수 있다. 비유하자면 범용 모델은 교양 수업으로 무장한 대학교 1학년 우등생이며, SLM은 ‘전공을 선택해’ 전공 지식을 더하게 된 고학년 선배라고 볼 수 있다.

이러한 맥락에서 오픈렛저는 "하나의 모델이 모두를 지배하는 것이 아닌, 수천 개의 전문화된 AI 모델이 각자의 영역에서 깊이 있는 전문성을 발휘하는 미래"를 비전으로 삼고 있다. 다양한 도메인에 특화된 SLM들이 서로 협력하고 보완하는 플랫폼를 구축함으로써, 각기 전문성을 갖춘 AI가 인간의 다양한 전문 분야에서 실질적인 가치를 창출할 수 있도록 하는 것이다. 그런데 이러한 SLM 중심의 플랫폼를 지속가능하게 구축하기 위해서는 일반 블록체인 위에 세워진 단순한 AI 플랫폼이 아닌, 보다 근본적인 인프라가 필요하다. 이것이 바로 오픈렛저가 'AI 블록체인'이라는 새로운 접근 방식을 선택한 이유다.

2-2. 일반적인 블록체인과 AI 블록체인의 차이

현재 AI 업계에서는 데이터 기여에 대한 보상 체계가 사실상 존재하지 않는 상황이다. 실제로 ChatGPT에게 데이터 보상 문제를 직접 질의한 결과, "아직까지 OpenAI는 GPT 모델을 훈련하는 과정에서 인터넷상에 공개된 대규모 텍스트나 이미지 데이터에 대해 개별 창작자에게 직접 보상을 지급한 적이 없다"며 현재의 한계를 솔직하게 인정했다. 특히 "웹 크롤링·스크래핑 데이터는 '공정 이용(fair use)' 또는 '퍼블릭 도메인(public domain)' 자료로 간주되어, 별도 라이선스 비용이나 로열티를 책정하지 않고 있다"고 답변한 것은 현재 AI 산업의 데이터 사용 관행을 보여준다.

이는 창작자와 데이터 제공자들이 AI 모델의 성능 향상에 핵심적으로 기여했음에도 불구하고 그에 상응하는 경제적 보상을 받지 못하고 있음을 의미한다. 오픈렛저는 SLM의 강점을 최대화하기 위해선 도메인 특화된 전문 데이터의 유입을 촉진하여야 하고, 전문 데이터에 합당한 보상이 없는 현재의 구조적 문제를 해결해야 한다는 사명감을 가지고 있다. 이러한 맥락에서 오픈렛저는 기존 블록체인과는 근본적으로 다른 AI 특화 블록체인을 개발하고 있다.

오픈렛저가 제시하는 AI 블록체인의 개념은 기존 블록체인의 장점을 활용하면서도, 그 도입과 활용 목적이 근본적으로 AI 개발과 활용에 초점이 맞춰져 있는 것을 의미한다. 일반적인 블록체인은 주로 금융 거래나 자산 소유권을 분산화된 방식으로 기록하고 관리하는 데 최적화되어 있다. 이더리움과 같은 범용 블록체인은 DeFi, NFT, 게임 등 다양한 탈중앙화 애플리케이션을 지원하는 인프라로 설계되었지만, AI 개발과 운영에 필요한 특화된 기능은 갖추고 있지 않다. 반면, AI 블록체인은 데이터 기여, 모델 학습, AI 도구 실행까지 AI 개발의 전체 생애주기를 단일 플랫폼에서 지원하도록 설계되었다. 

오픈렛저와 같은 AI 블록체인의 가장 큰 차별점은 다음과 같은 핵심 특성에 있다:
첫째, 데이터 귀속성(Data Attribution)에서 큰 차이를 보인다. 일반 블록체인은 데이터나 모델 기여를 추적하고 크레딧을 부여하는 네이티브 메커니즘이 없는 반면, AI 블록체인인 오픈렛저는 누가 어떤 데이터를 기여했는지에 대한 명확하고 변경 불가능한 기록을 유지한다. 이는 데이터 기여자의 권리를 보호하고 정당한 보상을 가능하게 하는 기반이 된다.
둘째, 인센티브 설계(Incentive Design)도 근본적으로 다르다. 일반 블록체인은 주로 채굴자/검증자와 최종 사용자에게 보상이 집중되며, 일반 블록체인에서 사용되는 데이터나 모델 개발자는 기여에 대한 보상에서 종종 제외된다. 그러나 AI 블록체인에서는 데이터 귀속성을 토대로 데이터가 사용되거나 모델이 활용될 때마다 기여자에게 자동으로 보상이 지급되는 구조를 갖추고 있다.
셋째, 데이터 출처 추적(Data Provenance)에서도 큰 차이가 있다. 일반 블록체인은 스마트 컨트랙트나 계산에 사용된 데이터의 출처를 자체적으로 추적하지 않는 반면, AI 블록체인은 마치 "버전 이력"처럼 모든 데이터셋과 모델 변경 사항의 전체 이력을 온체인에 기록한다. 이는 AI 모델의 투명성과 신뢰성을 크게 향상시킨다.
넷째, 경제 모델(Economic Model)에서도 차이가 있다. 일반 블록체인은 거래 수수료, 토큰 유틸리티, 스테이킹 등의 투기적 경제에 의존하는 반면, AI 블록체인은 일반적인 특성에 더해, 유용한 AI 개발 기여에 대한 실질적인 가치 창출과 보상 체계를 구축한다. 
이러한 차이점들을 통해 오픈렛저는 데이터 기여에 대한 적절한 보상, 모델 개발의 투명성, 고품질 데이터 확보 등의 문제를 해결할 수 있는 새로운 AI 블록체인 인프라를 제공하고자 한다. 일반 블록체인이 금융 시스템을 재정의했듯이, AI 블록체인은 인공지능 개발과 활용 방식을 재정의할 수 있는 잠재력을 갖고 있다.

출처: X (@OpenledgerHQ)

2-3. 오픈렛저는 허깅페이스 모델에 웹3를 결합해 오픈소스의 강점을 극대화하고자 한다

SLM부터 AI 블록체인까지 많은 개념들을 설명하였지만, AI에 친숙하지 못한 투자자들에게 이러한 개념과 설명이 추상적으로 다가올 수 있다. 이를 위해 현재 AI 플랫폼 중 가장 성공적인 비즈니스를 이어가고 있는 허깅페이스(Hugging Face)에 오픈렛저를 대입해보고자 한다. 웹2 기반의 허깅페이스는 오픈소스 AI모델과 데이터 공유 플랫폼으로 많은 연구자와 스타트업에 큰 기여를 하고 있다. 오픈렛저는 허깅페이스와 같은 기존 오픈소스 AI 플랫폼의 장점에 웹3 기술을 결합하여 경제적인 유인이 더 큰 시너지를 가져오는 접근법을 채택했다.

출처: 허깅페이스 캡처. 다양한 모델과 데이터셋을 공유하는 'AI 깃허브'

오픈소스 AI 플랫폼의 선두주자인 허깅페이스가 급속도로 성장할 수 있었던 배경에는 현대 AI 개발 환경의 근본적인 진입장벽과 이를 타파하고자 하는 커뮤니티 기반의 협력 문화가 있다. 쉽게 말해, GPT-4처럼 성능이 뛰어난 대형 AI 모델을 만들려면 엄청난 컴퓨팅 자원과 투자금이 필요하다. 이런 모델들은 비공개로 개발되기 때문에 일반 연구자들은 내부 구조를 들여다볼 수도 없고, 개인 컴퓨터로는 실행하는 것조차 불가능하다. 실제로 이런 대형 모델을 개발하려면 수천 대의 고성능 GPU와 수억 달러의 투자가 필요해서, 마이크로소프트나 구글 같은 거대 기업이나 OpenAI, Anthropic처럼 막대한 자본을 확보한 스타트업만이 이 시장에 참여할 수 있었다.

이렇게 소수 기업에게만 AI 개발 능력이 집중되는 현상은 AI 연구의 대중화를 크게 방해했고, 자연스럽게 '어떻게 하면 적은 자원으로도 실용적인 AI를 개발할 수 있을까?'라는 질문이 학계와 스타트업 플랫폼에서 중요해졌다. 이런 상황에서 페이스북 Meta가 공개한 LLaMA나 Mistral AI의 Mixtral과 같은 오픈소스 모델들이 등장했고, 이를 효율적으로 특화시키는 기술에 대한 수요가 폭발적으로 증가했다. 허깅페이스는 이러한 시장 수요를 정확히 포착하여, 연구자들이 제한된 컴퓨팅 자원으로도 고품질 AI를 개발할 수 있는 인프라를 제공했다. 특히 중요한 것은 단순한 코드 공유 플랫폼을 넘어, 모델의 버전을 관리하고 데이터 세트까지 공유할 수 있는 종합적인 플랫폼를 구축했다는 점이다. 이를 통해 연구자와 소규모 스타트업들은 LoRA와 같은 효율적인 미세조정 기법을 활용해 적은 컴퓨팅 자원으로도 특정 분야에 특화된 모델을 개발할 수 있게 되었다.

• LoRA(Low-Rank Adaptation) 튜닝 기법이란 범용 모델의 성능은 유지한 채, 튜닝을 위한 일부 계층(어댑터)을 추가하여 입맛에 맞게 튜닝하는 기술이다. 이는 범용 모델의 성능+도메인 맞춤형 어댑터의 성능이 합해져 적은 비용과 자원으로 튜닝에 따른 성능을 극대화하는 효율적인 기법이다.

허깅페이스 플랫폼의 핵심 성공 요인은 '파생 모델-성능 개선-공유'의 선순환 구조였다. 연구자들은 Llama-2와 같은 기본 오픈소스 모델을 파생시켜 특정 태스크나 도메인에 맞게 발전시킨 후, 다시 커뮤니티에 공유했다. 예를 들어, Vicuna는 사용자와의 자연스러운 대화에 특화된 모델로, LLaMA에 사람-AI 간 대화 데이터로 미세조정하여 ChatGPT와 유사한 기능을 구현했다. 또 다른 모델인 Alpaca는 Stanford에서 개발한 모델로 지시사항을 따르는 능력(instruction following)에 특화되었으며, WizardLM은 복잡한 지시사항 이해와 전문적인 지식 제공에 강점을 보이도록 최적화되었다. 이처럼 각 연구팀은 특정 용도에 맞게 모델을 조정하고 개선한 후 커뮤니티에 공개했다.

이 과정에서 연구자들은 논문에 발표한 성능을 검증받고 인용을 통한 학문적 인정을 얻을 수 있었기에, 지속적인 기여 동기가 유지되었다. 허깅페이스에 공개된 모델은 누구나 다운로드하여 성능을 검증할 수 있었고, 이런 투명성이 신뢰와 협력을 강화했다. 이러한 집단 지성의 힘을 통해 오픈소스 모델과 프라이빗 상용 모델 간의 성능 격차가 빠르게 좁혀졌으며, 허깅페이스는 확보한 이용자들을 토대로 엔터프라이즈급 솔루션, 호스팅 서비스, 전문 지원 등으로 비즈니스 모델을 확장할 수 있었다.

출처: EPOCH AI (빠르게 줄어든 AI 모델의 성능 격차)

그러나 이러한 오픈소스 플랫폼의 성공에도 불구하고, 허깅페이스에는 몇 가지 근본적인 한계점이 존재한다. 첫째, 대부분의 기여는 학술적 인정이나 간접적 이익을 위한 것으로, 특히 전문 도메인 지식을 가진 전문가들(의사, 변호사, 금융 전문가 등)이 자신의 지식을 AI 개발에 기여할 직접적인 경제적 동기가 부족했다. 설령 상업적인 이용에 성공한다 하여도, 개인의 사업화에 성공한 모델이라면 이를 온전히 공유하기에는 부담이 따르게 된다. 둘째, 오픈소스 모델은 주로 일반적으로 접근 가능한 데이터에 의존하기 때문에, 전문 분야의 깊이 있는 지식을 습득하는 데 한계가 있었다. 셋째, 모델의 출력이 어떤 데이터 소스에 기반하는지 추적하는 메커니즘이 부재하여, 데이터 기여자의 기여도를 정확히 측정하고 보상하기 어려웠다.

오픈렛저는 이러한 허깅페이스의 한계점을 웹3 기술을 활용해 극복하고자 한다. 오픈렛저의 가장 큰 차별화 포인트는 "Payable AI"다. 이는 데이터 기여자들이 자신의 전문 지식을 제공하고 그 지식이 AI 모델에 사용될 때마다 지속적인 경제적 보상을 받을 수 있는 체계를 뜻한다. 또한 오픈렛저는 "DataNets"라는 도메인별 데이터 네트워크를 통해 특정 전문 분야의 고품질 데이터를 체계적으로 수집하고 검증한다. 이를 통해 의학, 법률, 금융, 사이버보안 등 전문 영역에 특화된 SLM 개발에 필수적인 '골든 데이터셋'을 구축하고자 한다. 특히 주목할 점은 "Proof of Attribution(PoA)" 메커니즘으로, AI 모델의 출력에 어떤 데이터가 얼마나 기여하고 영향을 주었는지 투명하게 추적하고 검증함으로써, 데이터 기여자에게 공정한 보상을 제공하는 기술적 기반을 마련한다. 이렇게 확보한 데이터는 오픈렛저에서 제공하는 모델 튜닝 기능을 통해 바로 적용이 가능하며 자신만의 SLM을 만들어 플랫폼에 공유할 수 있도록 지원한다.

오픈렛저는 웹3 기반 인센티브 구조를 통해, 기존 오픈소스 플랫폼의 집단 지성과 협력 문화를 더욱 강화하면서도, 고품질 전문 데이터의 지속적인 공급과 특화 모델의 발전을 촉진하고자 한다. 이와 같은 방식으로 오픈렛저는 SLM 중심의 새로운 AI 플랫폼를 구축하고자 한다. 그렇다면 어떻게 SLM 중심의 플랫폼을 웹3와 결합하고자 하는지 그 구체적인 개념과 원리를 다음 파트에서 살펴보자.

3. Payable AI를 실현하는 오픈렛저 AI 스튜디오의 기술 프레임워크

오픈렛저는 Payable AI 플랫폼을 구축하기 위해 블록체인 인프라 선정에 있어 EVM 호환 레이어2를 선택하였다. 이에 대해 오픈렛저 팀은 체인 인프라 개발에 리소스를 과도하게 소모하지 않고 AI 플랫폼 구축에 집중하기 위해 레이어1을 직접 구축하는 대신 레이어2 솔루션을 채택했다고 밝혔다. 오픈렛저는 입증된 OP롤업(Optimistic Rollup) 기술을 활용함으로써 확장성과 보안성을 동시에 확보할 수 있으며, 이더리움 플랫폼의 거대 자본을 활용하고 솔리디티에 익숙한 수백만 명의 개발자들을 손쉽게 온보딩할 수 있어 플랫폼 확장에 유리한 이점을 확보하였다. 특히 AI와 블록체인 모두에 능숙한 개발자는 희소하기 때문에, 현존하는 가장 대중적인 블록체인 개발 언어인 솔리디티를 활용함으로써 개발자 확보와 플랫폼 성장에 실용적인 전략을 취한 것으로 볼 수 있다. 이러한 접근은 시장성이 입증된 블록체인 인프라를 활용하면서 본질적인 서비스 개발에 더 많은 리소스를 투입할 수 있게 해준다.

웹3 기술을 통해 오픈렛저는 "AI 데이터의 유튜브 모먼트"를 만들고자 한다. 이는 유튜브가 콘텐츠 크리에이터에게 광고 수익을 분배하는 것처럼, AI 데이터 기여자가 자신의 지식과 전문성이 AI 모델에 활용될 때마다 지속적인 경제적 보상을 받을 수 있는 플랫폼를 의미한다. 하지만 View 수와 같이 명확하게 성과가 측정되는 유튜브와 다르게 AI 모델 학습에 사용되는 데이터의 기여도는 판단하기가 쉽지 않다는 문제가 있다. 그렇다면 오픈렛저는 어떻게 데이터 기여도를 추적하고 측정하는 것일까?

3-1. ‘골든 데이터셋’ 확보를 위한 도메인별 전문 데이터 저장소 - DataNets

데이터 기여도를 추적하고 측정하기 이전에 역시 가장 중요한 것은 이에 활용되는 도메인별 전문 데이터일 것이다. 이러한 데이터를 확보하고 관리하기 위한 오픈렛저 시스템의 핵심에는 DataNets라는 탈중앙화된 데이터 풀이 있다. DataNets는 전문화된 AI 모델 훈련에 필요한 고품질의 도메인 특정 데이터셋을 집계, 검증, 배포하는 인프라다. 이는 오픈렛저 테스트넷의 첫 단계인 'Data Intelligence Layer'의 핵심 구성 요소로, SLM 플랫폼인 오픈렛저의 기반이 된다.

DataNet은 데이터 기여자가 특정 도메인의 전문 데이터를 제출하는 탈중앙화된 저장소 역할을 한다. 각 DataNet은 허용 가능한 데이터 형식과 검증 방법에 대한 규칙을 정의하며, 검증된 데이터는 안전하고 분산된 방식으로 저장된다. 이 플랫폼에는 세 가지 핵심 참여자가 존재한다:

• 데이터넷 소유자: 데이터넷의 구조와 목적을 설계하고, 어떤 유형의 데이터가 수집되어야 하는지 정의하며, 전반적인 데이터 수집 방향성과 품질 기준을 설정한다.
• 데이터 기여자: 과학자, 의사, 변호사, 개발자 등 실제 전문가들로, 자신의 도메인 지식과 전문성을 데이터 형태로 제공하며, 이 데이터가 AI 모델에 활용될 때마다 지속적인 마이크로 보상을 받는다.
• 데이터 검증자: 제출된 데이터의 품질, 정확성, 관련성을 확인하며, 이 과정에서 토큰을 스테이킹하여 책임성을 부여받고, 데이터 무결성 유지를 통해 플랫폼 신뢰도 향상에 기여한다.

DataNets는 "데이터 DAO(Decentralized Autonomous Organization)"로서의 기능도 포함한다. 유효성 검사기는 데이터 신뢰성을 보장하기 위해 토큰을 스테이킹하여 인센티브를 조정하며, 데이터 기여 및 사용 기록은 온체인으로 투명하게 추적된다. 오픈렛저 토큰(OPEN) 보유자는 모델 개발 펀딩, AI 에이전트 규제, 네트워크 업그레이드, 재무 관리와 같은 주요 플랫폼 결정에 거버넌스 참여가 가능하다. 토큰 스테이킹은 참여자의 책임성을 높이고, 보상 및 새로운 기능에 대한 우선 접근 권한을 제공한다.

테스트넷 단계임에도 불구하고 현재 오픈렛저에서는 다양한 전문 분야별 DataNets가 구축되고 있다. 대표적인 예로 Solidity DataNet(이더리움 개발 전문 데이터), Data Intelligence DataNet(실시간 업데이트 데이터), DePIN DataNet(IoT 및 물리적 인프라 데이터), Web3 Trading DataNet(온체인 금융 데이터), Healthcare DataNet(의료 정보) 등이 있다. 이 외에도 IP, 콘텐츠 창작, 개발, 투자 관련 DataNet들이 개발되고 있다.

이러한 전문화된 DataNets는 "양보다 질"이라는 철학을 바탕으로, AI 모델이 단순히 더 많은 데이터가 아닌 더 나은 데이터를 기반으로 구축되도록 유도한다. 범용 모델은 웹에서 스크래핑한 방대한 양의, 때로는 낮은 품질의 데이터에 의존하는 반면, 오픈렛저의 DataNets는 전문가들이 제공하고 검증한 고품질 데이터를 중심으로 구성된다. 이는 특화된 도메인에서 더 정확하고 유용한 AI 모델을 만들기 위한 핵심 전략이다.

3-2. 데이터의 기여도를 추적하는 귀속성 증명 알고리즘 - PoA

Payable AI를 구현하기 위한 가장 중요한 기술적 과제는 데이터 귀속 문제를 해결하는 것이다. 즉, 특정 데이터가 AI 응답 형성에 실제로 어떤 영향을 미쳤는지를 정확히 파악하고 이를 기반으로 공정한 보상을 제공하는 메커니즘이 필요하다. 유튜브에서는 시청 시간과 광고 노출을 추적하여 크리에이터에게 수익을 분배하는 명확한 모델이 있지만, AI 모델에서는 데이터의 사용과정을 추적하기가 매우 어렵다.

이러한 어려움은 AI 모델의 작동 방식에서 비롯된다. 대규모 언어 모델은 수십억 개의 파라미터와 방대한 양의 데이터를 복잡한 신경망 구조에서 처리하며, 특정 출력에 어떤 입력 데이터가 얼마나 기여했는지가 불투명한 '블랙박스' 특성을 가진다. 특히 모델이 사전 학습 과정에서 데이터를 단순히 암기하는 것이 아니라 추상적인 패턴을 학습하기 때문에, 특정 출력이 어떤 훈련 데이터에서 직접적으로 영향을 받았는지 추적하는 것은 기술적으로 매우 복잡한 과제다. 오픈렛저는 이 핵심 과제를 해결하기 위해 Proof of Attribution (PoA) 기술을 개발했다.

PoA는 데이터 기여가 AI 모델 결과물에 투명하게 연결되도록 보장하는 암호화 메커니즘이다. 이해를 돕기 위해 구체적인 예시를 들어보자. 피부과 전문의인 김교수가 희귀 피부질환에 관한 전문 데이터를 오픈렛저의 의료 데이터시스템(뒤에서 살펴볼 DataNets)에 기여했다고 가정해보자. 몇 달 후, 한 의사가 오픈렛저에서 개발된 의료 특화 AI 모델(SLM)에게 "이 증상은 어떤 희귀 피부질환의 징후인가요?"라고 질문한다. AI모델(SLM)은 오픈렛저 DataNets에 저장된 여러 관련 데이터 중에서 김교수가 제공한 데이터를 활용해 정확한 진단을 제시한다. 

이때 PoA 시스템은 마치 학술 논문의 인용 시스템처럼 작동한다. AI의 답변이 생성될 때, 시스템은 김교수의 데이터가 이 응답 형성에 핵심적으로 활용되었다는 것을 자동으로 감지하고 기록한다. 이 기여 정보는 블록체인에 암호학적으로 기록되어 변조가 불가능하며, 김교수는 자신의 전문 지식이 활용될 때마다 자동으로 OPEN 토큰 보상을 받게 된다.(오픈렛저는 이를 마이크로 보상, 세세하고 정확한 보상이라 강조한다.) 만약 김교수의 데이터가 수천 명의 의사들에게 계속해서 유용한 정보를 제공한다면, 그는 지속적으로 보상을 받게 되는 것이다. 이는 마치 유튜브 크리에이터가 한 번 업로드한 영상이 계속해서 조회수를 올리며 지속적인 광고 수익을 가져오는 것과 유사하다. 하지만 PoA의 경우, 단순히 조회수가 아닌 데이터의 실질적인 기여도와 유용성에 따라 보상이 결정된다는 점에서 더욱 정교한 측정 기준이 적용되는 시스템이라 할 수 있다.

하지만 현재 기술 수준에서는 GPT-4와 같은 거대 언어 모델에 PoA를 온전히 적용하는 것은 아직 기술적으로 이른 것이 사실이다. 수십억 개에서 수조개에 달하는 파라미터와 방대한 학습 데이터를 사용하는 거대 모델에서 개별 데이터의 기여도를 정확히 측정하기는 거의 불가능하기 때문이다. 이러한 이유로 오픈렛저는 PoA가 효과적으로 작동할 수 있는 경량 모델인 SLM 중심의 플랫폼을 타깃으로 잡은 것으로 사료된다. SLM의 튜닝에 많이 사용되는 RAG(Retrieval-Augmented Generation)와 LoRA 튜닝 방식은 데이터 귀속 추적에 이상적인 환경을 제공하기 때문이다.

RAG 시스템에서는 사용자가 질문을 입력하면 AI가 관련 문서를 검색하고 이를 기반으로 응답을 생성하는데, 이 과정에서 어떤 문서가 검색되고 활용되었는지 명확하게 추적할 수 있다. 이때 검색된 문서와 활용 정도가 암호학적으로 기록되어, 데이터 제공자는 자신의 정보가 검색될 때마다 마이크로 보상을 받을 수 있게 된다.

LoRA 튜닝 모델에서도 귀속 추적이 효과적으로 이루어질 수 있다. LoRA는 대규모 기본 모델에 소량의 파라미터만 추가하여 특정 도메인에 맞게 조정하는 기법으로, 이 구조적 특성을 활용하면 어떤 데이터가 모델 조정에 얼마나 기여했는지 더 정확히 측정할 수 있다. 오픈렛저는 LoRA 튜닝 모델에 최적화된 귀속 추정 방법을 개발했으며, 이는 일반적인 모델 학습에 비해 훨씬 세밀한 데이터 기여도 측정을 가능하게 한다.

이러한 오픈렛저의 PoA 시스템은 기여 데이터의 영향력을 두 가지 핵심 요소를 기반으로 측정한다. 첫째는 '특성의 영향력 수준(Feature-level Influence)'으로, 데이터가 모델 훈련이나 검색 결과에 미치는 실질적 영향을 평가한다. 둘째는 '기여자 평판(Contributor Reputation)'으로, 데이터 제공자의 신뢰성과 과거 기여 품질을 고려한다. 이러한 요소들을 종합하여 각 데이터에 대한 영향력 점수가 계산되며, 이 점수는 보상 분배의 기준이 된다. 이에 대한 모든 데이터 기여 및 활용 내역은 블록체인에 투명하게 기록되어 누구나 검증할 수 있으며, 이는 오픈렛저 플랫폼의 신뢰성을 높이는 핵심 요소다. 또한 저품질 데이터나 악의적인 기여는 스테이크된 자산의 슬래싱을 통해 페널티를 부과함으로써, 고품질 데이터 제공을 장려하는 인센티브 구조를 형성한다.

지금까지 살펴본 전문 데이터 네트워크(DataNets)와 이를 추적하고 측정할 수 있는 데이터 귀속 기술(PoA)이 준비되었다면, 이제 이를 활용하여 실제 AI 모델을 개발하고 배포할 수 있는 기술적 기반이 필요하다. 오픈렛저는 이를 위해 전문 AI 모델을 누구나 쉽게 개발하고 효율적으로 활용할 수 있는 두 가지 핵심 기술 인프라를 제공한다. 이 기술들은 ModelFactory, OpenLoRA로, 각각 SLM의 개발, 서빙, 외부 연결이라는 중요한 역할을 담당한다.

3-3. 노코드 방식의 SLM 튜닝 인프라 - Model Factory

ModelFactory는 대규모 언어 모델(LLMs)을 쉽고 간편하게 튜닝하기 위한 사용자 친화적인 노코드 방식의 도구이다. 이 도구의 주된 목적은 '코딩 지식 없이도 전문 AI 모델을 만들 수 있게 하자'는 것으로, 기존 AI 개발의 가장 큰 진입장벽을 해소하고자 한다.

기존의 AI 모델 튜닝은 복잡한 코드 작성과 명령줄 도구 조작이 필요해 도메인 전문가들이 직접 모델을 개발하는 것이 거의 불가능했다. 그러나 ModelFactory는 완전한 그래픽 기반 인터페이스를 제공하여 이러한 진입장벽을 크게 낮췄다. 덕분에 의사, 변호사, 금융 전문가와 같은 도메인 전문가들도 자신의 전문 지식을 AI 모델에 쉽게 학습시킬 수 있게 되었다.

출처: 오픈렛저

ModelFactory의 작동 방식은 다음과 같다:

• 1. 사용자는 오픈렛저의 검증된 DataNets에서 자신의 도메인에 관련된 고품질 데이터셋을 선택한다.
• 2. LLaMA, Mistral, DeepSeek 등 다양한 기본 모델 중 하나를 선택한다.
• 3. GUI를 통해 학습률, 배치 크기 등의 하이퍼파라미터를 직관적으로 설정한다.
• 4. LoRA와 같은 경량화된 파인튜닝 기법을 선택하여, 제한된 컴퓨팅 리소스로도 효율적인 모델 튜닝을 진행한다.
• 5. 모델 훈련이 완료되면 즉시 테스트하고 배포할 수 있다.

ModelFactory는 사용자들이 선택한 데이터셋을 활용해 LoRA와 같은 효율적인 미세 조정 기법으로 모델을 튜닝하는 도구이다. 이 과정에서 특히 주목할 점은 ModelFactory가 RAG 기반 기여도 추적 기능을 제공한다는 것이다. RAG는 모델이 응답을 생성할 때 외부 데이터베이스에서 관련 정보를 검색하여 활용하는 기술로, ModelFactory는 이 RAG 과정에서 어떤 데이터셋이 사용되었는지 정확히 추적하고 출처를 인용 형태로 제공한다. 이 기능은 오픈렛저의 PoA 알고리즘과 결합되어 모델의 투명성과 데이터 기여자에 대한 보상 기반을 마련한다.

출처: 오픈렛저 (Model-Factory: ChatGLM2 대비 3.7배 빠른 훈련, 메모리 효율성 11% 개선)

 또한 오픈렛저가 공개한 벤치마크 수치에 따르면 ModelFactory는 LoRA 튜닝을 통해 전통적인 P-Tuning 방식보다 최대 3.7배 빠른 훈련 속도를 제공한다. P-Tuning은 모델의 프롬프트 매개변수를 조정하는 방법으로, 모델 전체를 재학습시키지 않고도 성능을 개선할 수 있지만 상당한 컴퓨팅 자원이 필요하다. 반면 ModelFactory에서 활용하는 LoRA는 기본 모델의 가중치는 고정한 채 소수의 적응형 매개변수만 학습시키는 방식으로, 훨씬 적은 자원으로도 효과적인 모델 튜닝이 가능하다. 더불어 QLoRA의 4비트 양자화 기술을 통해 GPU 메모리 효율성을 크게 높여, 제한된 하드웨어로도 고성능 모델을 개발할 수 있게 되었다.

이와 같이 ModelFactory는 AI 개발을 '전문 개발자의 영역'에서 '모든 도메인 전문가의 도구'로 변화시키는 중요한 역할을 한다. 이는 단순히 개발 장벽을 낮추는 것을 넘어, 각 분야의 실제 전문가들이 자신의 지식을 AI에 직접 주입할 수 있게 함으로써, 더욱 정확하고 신뢰할 수 있는 특화 모델의 등장을 가속화하고 있다. 오픈렛저 생태계에서 이렇게 생성된 모델들은 다음 섹션에서 살펴볼 OpenLoRA 프레임워크를 통해 효율적으로 배포되고 실행된다.

3-4. 모델 배포 비용을 대폭 절감하는 서빙 프레임워크 - OpenLoRA

전문 모델을 개발한 후에는 이를 효율적으로 서비스할 수 있는 인프라가 필요하다. 여기서 OpenLoRA가 핵심적인 역할을 한다. OpenLoRA는 단일 GPU에서 수천 개의 미세 조정된 LoRA 모델을 효율적으로 실행하고 사용자에게 제공하기 위한 프레임워크로, SLM 플랫폼의 경제성을 크게 향상시킨다.

기존에는 여러 특화 모델을 동시에 서비스하려면 모델별로 별도의 GPU 인프라가 필요했고, 이는 막대한 운영 비용을 발생시켰다. 예를 들어, 의학, 법률, 금융 분야의 세 가지 특화 모델을 운영하려면 세 개의 별도 서버가 필요했던 것이다. 그러나 OpenLoRA는 이 문제를 매우 효율적인 방식으로 해결했다.

OpenLoRA는 다음과 같은 메커니즘을 가지고 있다:

• 1. 모든 미세 조정된 모델을 각각 메모리에 로드하는 대신, 하나의 기본 모델만 메모리에 상주시킨다.
• 2. 사용자 요청이 들어오면 해당 도메인에 맞는 작은 크기의 특화 모듈(LoRA 어댑터)만 동적으로 불러온다.
• 3. 기본 모델과 특화 어댑터를 실시간으로 결합하여 맞춤형 응답을 생성한다.

이는 마치 하나의 기본 의상에 다양한 액세서리를 바꿔 입는 것과 같은 원리로, 메모리 사용량을 획기적으로 줄이면서도 다양한 특화 서비스를 제공할 수 있게 한다. 일반적인 방식으로는 10GB 크기의 모델 100개를 서비스하려면 약 1,000GB의 메모리가 필요하지만, OpenLoRA 방식에서는 기본 모델 10GB와 각 특화 모듈 100MB x 100개로 총 20GB 정도만 필요하다. 이는 약 98%의 메모리 절감 효과를 가져온다.

이러한 기술 덕분에 AI 에이전트가 사용자의 질문 맥락에 따라 실시간으로 다양한 전문 모델 간에 동적으로 전환할 수 있게 되었다. 예를 들어, "피부에 이런 발진이 생겼는데 무엇인가요?"라는 의료 질문에는 의료 특화 모델로, "이 계약서의 법적 문제점은 무엇인가요?"라는 법률 질문에는 법률 특화 모델로 자동 전환하여 최적의 답변을 제공하는 것이 가능해졌다.

더불어 서빙 인프라 비용이 대폭 감소하여, 대규모 미세 조정 AI를 경제적으로 실용화할 수 있게 되었다. 이전에는 모델 100개를 서비스하려면 100대의 서버가 필요했다면, 이제는 1~2대의 서버로도 동일한 서비스가 가능해진 것이다. 이는 "수천 개의 전문화된 AI 모델이 각자의 영역에서 전문성을 발휘하는" 오픈렛저의 비전을 기술적으로 뒷받침하는 핵심 요소라 할 수 있다.

출처: 오픈렛저 (많은 모델을 배포할 수록 비용 측면에서 유리한 OpenLoRA)

4. 오픈렛저의 토크노믹스와 지속가능성의 조건

오픈렛저의 기술적 요소들이 제대로 작동하기 위해서는 이를 뒷받침할 경제적 모델과 체계적인 보상 계획이 필수적이다. 메인토큰인 OPEN의 토크노믹스를 토대로 토큰의 유틸리티와 오픈렛저의 지속가능성 여부를 확인해보도록 하자.

4-1. $OPEN 토큰 중심의 토크노믹스

오픈렛저가 설계한 $OPEN 토큰의 유틸리티는 단순한 거래 수단을 넘어, AI 플랫폼의 모든 참여자를 연결하는 경제적 기반을 제공한다. 토큰 경제의 성패는 그것이 얼마나 실용적인 유틸리티를 제공하느냐에 달려 있으며, $OPEN은 다음과 같은 핵심 기능을 통해 이를 실현한다.

네트워크 운영과 인센티브 체계

$OPEN은 오픈렛저의 Layer 2 네트워크에서 네이티브 가스 토큰으로 작동하여 이더리움에 대한 의존도를 줄이고 AI 애플리케이션에 최적화된 트랜잭션 환경을 제공한다. 또한 Proof of Attribution 메커니즘을 통해 데이터 기여자, AI 개발자, 검증자에게 그들의 기여도에 비례한 보상을 제공하는 역할을 한다..

이 인센티브 체계의 가장 주목할 만한 점은 데이터 기여에 대한 지속적인 보상 모델이다. 기존 AI 학습 데이터 확보는 대부분 일회성 구매나 스크래핑에 의존했지만, 오픈렛저는 데이터가 모델에서 활용될 때마다 원 제공자에게 보상이 제공되는 시스템을 구축했다. 이는 '데이터 노동'에 대한 공정한 가치 평가라는 측면에서 의미 있는 패러다임 전환이며, 데이터 품질 향상의 강력한 동인이 될 수 있다.

유동성 관리와 AI 모델 스테이킹

$OPEN 토큰은 AI 모델 토큰의 유동성 풀을 형성하여 모델과 Web3 경제 간 원활한 거래를 지원한다. 사용자는 AI 모델 본딩 커브에 $OPEN을 스테이킹하여 모델 채택과 지속가능성에 기여할 수 있다. 또한 AI 모델 운영을 위해서는 $OPEN 토큰 스테이킹이 필수적이며, 중요한 AI 서비스일수록 더 많은 스테이킹이 요구된다.

이 스테이킹 메커니즘은 금융적 책임을 부여함으로써 AI 서비스의 품질을 보장하는 장치로 작동한다. 특히 AI의 신뢰성과 안전성이 점점 더 중요해지는 현 시점에서, 잘못된 정보나 유해한 출력을 생성하는 AI 시스템에 경제적 페널티를 부과하는 것은 자기 규제적 품질 관리 시스템으로 작동할 수 있다. 이는 중앙화된 규제 기관 없이도 AI 서비스의 품질을 시장 원리에 따라 관리할 수 있는 가능성을 제시한다.

오픈렛저의 $OPEN 토큰은 이처럼 다양한 유틸리티를 통해 플랫폼 참여자 간의 가치 교환을 원활히 하고, 고품질 데이터와 AI 서비스 제공에 대한 경제적 인센티브를 형성한다. 이러한 설계는 Web2 시대의 주요 플랫폼들이 사용자 데이터를 무상으로 활용하여 가치를 독점했던 것과 달리, Web3 패러다임에서 가치가 보다 공정하게 분배되는 새로운 디지털 경제 모델을 제시한다. 하지만 이와 같은 토크노믹스가 잘 작동하기 위해서는 몇 가지 조건이 필요해보인다.

4-2. 오픈렛저의 지속가능성을 위한 선순환 조건

오픈렛저가 "AI 데이터의 유튜브 모먼트"를 실현하기 위해서는 토큰 경제가 실제로 작동하는 선순환 구조가 필수적이다. $OPEN 토큰 기반 경제의 플라이휠이 성공적으로 작동하기 위한 핵심 조건으로 다음과 같은 사항을 고려할 수 있다.

우선 네트워크 효과의 임계점 달성이 가장 중요하다. 모든 플랫폼 비즈니스와 마찬가지로, 충분한 수의 데이터 기여자와 모델 개발자, 그리고 사용자가 참여하여 가치를 교환하는 플랫폼가 형성되어야 한다. 특히 초기에는 Web3, DeFi와 같이 기존 커뮤니티의 강력하고 데이터 공유 의지가 높은 '핵심 도메인'에 집중함으로써 최소한의 임계점을 빠르게 달성하는 전략이 효과적일 것이다.

다음으로 양질의 데이터 확보와 검증 시스템의 구축이 플랫폼 성공의 결정적 요소다. 현실적으로 초기 단계에서는 고품질 데이터 확보가 가장 큰 허들로 작용할 가능성이 높다. 모델 개발자들이 기꺼이 비용을 지불하고 데이터를 구매하도록 만들려면, 해당 데이터가 실제 모델 성능 향상에 유의미한 기여를 한다는 확신을 주어야 한다. 또한 데이터 검증 시스템이 효과적으로 작동하기 위해서는 각 도메인의 전문성을 갖춘 검증인들을 확보해야 하는데, 이러한 검증인 풀을 구축하고 운영하는 데는 상당한 시간과 자원이 소요될 수 있다. 검증인들이 정확하고 공정하게 데이터를 평가할 수 있는 명확한 기준과 인센티브 구조를 설계하는 것 역시 초기 플랫폼 구축의 중요한 과제다.

데이터 기여에 대한 보상의 적정성과 예측 가능성도 선순환의 핵심 조건이다. 데이터 기여자들이 자신의 전문 지식 공유에 대해 공정하고 지속적인 보상을 받을 수 있다는 확신이 있어야 고품질 데이터가 지속적으로 공급된다. 테스트넷 단계의 포인트 보상에서 메인넷의 토큰 보상으로 전환되는 과정에서 명확한 가치 평가와 보상 메커니즘이 제시되어야 할 것이다.

마지막으로 AI 서비스의 경제성 확보가 중요하다. SLM 개발과 운영에 따른 컴퓨팅 비용이 합리적인 수준으로 유지되어야 한다. 오픈렛저의 OpenLoRA와 같은 효율적 모델 서빙 기술은 이러한 경제성 확보에 기여하며, 이를 통해 더 다양한 전문 분야의 SLM 개발이 가능해진다. 이러한 핵심 조건들이 충족될 때, $OPEN 토큰을 중심으로 한 선순환 구조가 형성되고, 오픈렛저는 SLM 중심의 지속가능한 AI 플랫폼로 성장할 수 있을 것이다. 하지만 이러한 플랫폼가 실제로 작동하기까지는 데이터 품질 확보와 검증 시스템 구축이라는 초기 단계의 도전 과제를 성공적으로 해결해야 함을 명심해야 한다.

5. 맺으며: 오픈렛저가 그리는 AI의 미래

지금까지 살펴본 오픈렛저의 비전과 기술적 접근, 그리고 토크노믹스는 현재 AI 산업이 직면한 여러 도전과제에 대한 하나의 해답을 제시한다. 특화된 언어 모델(SLM)을 중심으로 한 분산형 AI 플랫폼는 데이터의 품질 향상, AI의 전문성 강화, 그리고 가치의 공정한 분배라는 세 가지 측면에서 주목할 만한 변화를 가져올 것으로 기대된다.

최근 AI 프로젝트들이 점차 구체적이고 디테일한 전략을 가지고 비즈니스를 시도하는 사례가 늘어나고 있다. 오픈렛저 역시 DataNets, PoA, ModelFactory, OpenLoRA 등 명확한 기술적 차별화 요소를 바탕으로 실현 가능한 로드맵을 제시하며 이와 같은 흐름에 동참하고 있다. 하지만 명심해야 할 것은 토큰을 도입한 Web3 방식에는 토큰 가격과 시장 영향이라는 매우 통제하기 힘든 거시적인 변수가 큰 영향력을 갖는다는 것이다.

아무리 뛰어난 기술적 혁신과 토크노믹스 설계를 갖추었다 하더라도, 암호화폐 시장의 변동성, 규제 환경의 변화, 그리고 Web3 생태계 전반의 채택률은 프로젝트 성공에 결정적인 영향을 미칠 수 있다. 따라서 오픈렛저와 같은 Web3 AI 프로젝트가 비전을 향한 항해를 위해서는 DeFi 연동, 크로스체인 호환성, 토큰 유동성 확보 등 Web3에서 중요한 요소들에 대한 철저한 준비와 대응이 필수적일 것이다.

"하나의 모델이 모두를 지배하는 것이 아닌, 수천 개의 전문화된 AI 모델이 각자의 영역에서 깊이 있는 전문성을 발휘하는 미래"라는 오픈렛저의 AI에 대한 비전은 분명 매력적이다. 우리가 꿈꾸는 인공지능 비서 자비스로 향하는 기술의 흐름 속에서, 오픈렛저가 기술적 혁신과 Web3의 현실적 과제 사이에서 어떤 균형점을 찾아나갈지 주목해보자.