AI 분야는 빠르게 재편되고 있다. 5대 선도 연구소(OpenAI, Anthropic, Google DeepMind, Meta, xAI)가 세계에서 가장 성능이 뛰어난 모델 대부분과, 이 모델들을 훈련시키는 데 사용된 독점 데이터, 그리고 추가 훈련에 필요한 컴퓨팅 클러스터를 장악하고 있다. 탈중앙화 AI는 암호화폐 생태계에서 나온 대응책이다.
분산형 AI(DeAI)란, 현대 AI를 작동시키는 구성 요소들이 단일 기업이 아닌 블록체인과 토큰 인센티브를 통해 조정될 수 있다는 개념입니다. 이는 100억 달러 규모의 GPU 클러스터를 동원해 OpenAI를 능가하려는 것이 아니라, 분산화가 실제로 효과를 발휘하는 계층에서 개방형 대안을 구축하려는 시도입니다.
분산형 AI란 무엇인가?
‘DeAI’로 흔히 약칭되는 탈중앙화 AI는 블록체인 인프라를 기반으로 구축되고 토큰 인센티브를 통해 조정되는 인공지능 시스템을 의미하며, 단일 기업이 아닌 다수의 참여자 간에 연산 능력, 데이터, 모델 및 의사결정 권한을 분산시키는 특징을 지닙니다.
“DeAI”(대문자 D, 대문자 AI)라는 약어는 이제 이 분야에서 표준으로 자리 잡았으며, 본문에서는 이를 “분산형 AI”와 같은 의미로 사용합니다. 이 용어는 특정 단일 프로젝트보다 더 포괄적인 개념입니다. 이는 블록체인 조정 계층으로 연결된 스택(하단의 컴퓨팅 마켓플레이스, 중간층의 데이터 및 모델 네트워크, 최상층의 에이전트 프레임워크)을 아우릅니다.
DeAI는 세 가지 흐름에 맞서기 위해 존재합니다. 첫째, 최첨단 AI 기술이 단 5개 연구소에 집중되어 있으며, 이 연구소들의 내부적 방향성, 안전성, 가격 결정이 모든 사람에게 영향을 미친다는 점입니다. 둘째, 대중이 볼 수도 없고 동의하지도 않은 데이터로 훈련된 폐쇄형 모델의 불투명성입니다. 셋째, AI 연구소와 그들이 훈련에 활용한 데이터를 제공한 사용자 간의 가치 불균형입니다. 가치는 일방적으로 흐르며, 기여자들에게는 토큰, 지분, 수익이 전혀 돌아가지 않습니다.
블록체인을 도입한다고 해서 이러한 문제들이 완전히 해결되는 것은 아닙니다. 하지만 소유권, 결제, 증명이 허가 없이 누구나 참여할 수 있는 시스템 내에서 조율될 수 있게 되면, 각 문제를 해결하는 데 한 걸음 더 다가설 수 있습니다.
분산형 AI 대 연합 학습
“분산형 AI(DeAI)”와 “연방 학습”은 비슷해 보이지만, 해결하는 문제는 매우 다릅니다. 연방 학습은 주요 기술 기업들이 사용하는 개인정보 보호형 머신러닝 기법인 반면, DeAI는 블록체인과 토큰을 기반으로 한 암호화폐 중심의 운동입니다.
연방 학습에서는 원시 데이터가 각 기기를 벗어나지 않은 채로 여러 기기(사용자의 휴대폰, 병원 서버, 은행 데이터베이스 등)에 걸쳐 모델이 훈련됩니다. 오직 모델 업데이트 정보만 전송됩니다. 구글 Gboard는 다음 단어 예측에 이 기술을 활용하고, 애플은 기기 내 학습에, 의료 컨소시엄은 환자 기록을 노출하지 않고 진단 모델을 훈련하는 데 사용합니다. 일반적으로 모델을 소유한 기업이 중앙 관리자 역할을 맡아 모든 과정을 조정합니다.
DeAI는 중앙 집중식 조정의 정반대 개념입니다. 컴퓨팅 자원, 데이터, 그리고 때로는 모델 자체까지 수많은 독립적인 주체들이 소유하고 운영합니다. 블록체인이 이들을 조율하며, 유용한 기여에 대해서는 토큰으로 보상을 제공합니다.
두 가지는 결합될 수 있는데, 이는 연합 학습 기법을 DeAI 시스템 내에서 실행하여 개인정보를 보호할 수 있기 때문이다. 하지만 연합 학습만으로는 DeAI가 아니다. 연방 학습은 수학적 계산 방식에 관한 것이며, DeAI는 시스템의 소유권에 관한 것입니다.
분산형 AI의 작동 원리
DeAI는 단일 기술이 아니라 기술 스택입니다. 네 가지 계층이 중요하며, 각 계층마다 고유한 프로젝트가 있습니다.
컴퓨팅 계층
AI 모델을 훈련하고 실행하는 데 필요한 GPU 및 기타 하드웨어. 바로 이 부분이 DeAI와 DePIN이 직접적으로 겹치는 지점입니다. Render, Akash, io.net과 같은 네트워크는 추론 작업을 수행하는 개인 취미 사용자부터 대규모 미세 조정을 진행하는 스타트업에 이르기까지, 다양한 AI 워크로드에 분산형 GPU 성능을 임대해 줍니다. 2024~2026년 GPU 부족 사태로 인해 이 계층은 DeAI 생태계에서 가장 활발한 부분이 되었습니다.
데이터 계층
모델 훈련에 필요한 데이터 세트. 분산형 데이터 마켓플레이스를 통해 데이터 소유자는 통제권을 포기하지 않고도 데이터 세트로 수익을 창출할 수 있습니다. Filecoin이나 Arweave와 같은 스토리지 네트워크는 모델 가중치, 훈련 데이터 세트, 그리고 출력 결과를 호스팅합니다. 중앙 집중형 데이터 브로커에 비하면 거래량은 아직 미미한 수준이지만, 인프라 자체는 잘 작동하고 있습니다.
모델 레이어
누구나 실행, 미세 조정 또는 수정할 수 있는 오픈-웨이트 모델. 토큰 인센티브 기반 훈련 네트워크(그중에서도 Bittensor가 가장 대표적)는 특정 과제에 유용한 모델 개선안을 기여한 참여자에게 보상을 제공합니다. 단, "오픈 웨이트" 자체(Meta의 Llama, Mistral의 모델 등)는 DeAI가 아닙니다. 이는 오픈 소스일 뿐입니다. DeAI는 이러한 개방성에 블록체인 기반 조정 메커니즘과 토큰 경제학을 더한 것입니다.
추론 및 에이전트 계층
모델이 완성되면 누군가는 이를 실행해야 합니다. 분산형 추론 네트워크는 이러한 작업을 수많은 노드 운영자에게 분산합니다. 그 위에는 AI 에이전트 계층이 자리 잡고 있는데, 이는 사용자를 대신해 행동하는 자율 프로그램으로, 결제 수단으로 암호화폐를 사용하는 비중이 점차 늘어나고 있습니다. 이 분야에서 가장 많이 언급되는 프로젝트는 Olas와 Virtuals Protocol이며, 두 프로젝트 모두 아직 발전 단계에 있습니다.
2026년에 주목해야 할 주요 DeAI 프로젝트
DeAI는 하나의 카테고리일 뿐, OpenAI의 단일 경쟁사가 아닙니다. 프로젝트는 실제 수행하는 업무에 따라 분류해야 합니다.
AI 네이티브 블록체인 및 훈련 네트워크
Bittensor(TAO)가 가장 자주 인용되는 사례입니다. 이 플랫폼은 128개의 활성 "서브넷"을 운영하며, 각 서브넷은 언어 모델 사전 학습, 이미지 임베딩, 금융 예측, 음성, 검색 등 하나의 AI 작업에 특화된 시장입니다.
채굴자들은 각 서브넷에서 채굴 결과물의 품질에 따라 토큰 보상을 놓고 경쟁합니다. 2026년 1분기, 엔비디아(NVIDIA)는 4억 2천만 달러를 스테이킹했으며 폴리체인 캐피털(Polychain Capital)은 2억 달러를 추가 투자하여, 기관 투자자의 총 유입액이 6억 2천만 달러를 넘어섰습니다. 지난 분기 네트워크 수익은 4,300만 달러를 기록했습니다.
ASI 연합
Fetch.ai, SingularityNET, Ocean Protocol, 그리고 (이후) CUDOS는 2024년에 합병하여 ‘인공 초지능 연합(Artificial Superintelligence Alliance)’을 결성했으며, 토큰을 FET로 통합하고 이를 ASI로 명칭 변경할 계획을 세웠습니다. 그러나 거래소 전반에 걸친 완전한 브랜드 변경은 이루어지지 않았기 때문에, 대부분의 거래소에서는 여전히 FET를 상장하고 있습니다.
2025년 10월, 오션 프로토콜(Ocean Protocol)은 거버넌스 분쟁으로 인해 이 연합에서 공식적으로 탈퇴했다. 남은 회원사들(Fetch.ai, SingularityNET, CUDOS)은 70억 파라미터를 가진 웹3 네이티브 대규모 언어 모델(LLM)인 ASI-1 mini와 ASI Chain이라는 이름의 계획 중인 레이어 1을 포함한 제품들을 계속해서 출시하고 있습니다.
에이전트
Olas는 자율 에이전트 경제, 즉 서로 대가를 주고받으며 협력하고 작업을 수행하는 독립적인 프로그램들에 중점을 둡니다. Virtuals Protocol은 소비자용 AI 에이전트, 특히 게임 및 소셜 분야에 중점을 둡니다. 이 계층은 가장 최신이며 아직 발전 단계에 있습니다.
무엇이 진정한 탈중앙화이고, 무엇이 아닌가
DeAI는 확실한 성장 동력과 분명한 한계점을 모두 가지고 있습니다. 각 계층별로 솔직하게 평가해 보겠습니다:
프론티어 모델 훈련: 여전히 중앙 집중식
GPT-5급 모델을 훈련하려면 수억 달러 규모의 통합 컴퓨팅 인프라, 독점 데이터, 그리고 중앙 집중식 엔지니어링 팀이 필요합니다. 현재 어떤 DeAI 프로젝트도 이러한 최첨단 규모로 이를 수행하고 있지 않으며, 당분간 그럴 가능성도 없습니다.
비텐서(Bittensor)의 가장 큰 기술적 성과(2026년 3월 코버넌트 AI(Covenant AI)가 수행한 720억 파라미터 규모의 협업 사전 훈련)조차도 최첨단 연구실의 성과에 비하면 훨씬 미치지 못했다. 코버넌트는 이후 거버넌스 분쟁을 이유로 탈중앙화를 "쇼"라고 일축하며 네트워크를 떠났는데, 이는 "탈중앙화"라는 용어가 수학적 구조는 설명할 수 있어도 실제 권력을 설명하지는 못한다는 점을 상기시켜 주는 사례다.
컴퓨팅: 진정한 탈중앙화
GPU는 대체 가능성이 높고, 작업 시간은 짧으며, 결과물 검증도 간단하기 때문에 이 분야에서 실제로 공급이 이루어지고 있습니다. Render는 매달 약 150만 프레임을 처리하며, Akash는 2026년 1분기에 컴퓨팅 비용 500만 달러를 돌파했고, io.net은 130개 이상의 국가에 분산된 GPU를 통합 관리합니다. 밤에는 비디오 게임을 구동하던 바로 그 그래픽 카드가 다음 날 아침에는 추론 작업을 수행할 수 있으며, 고객은 그 카드의 소유자가 누구인지 알 필요가 없습니다.
추론: 실현 가능하며 성장 중
추론은 상태 비의존적이며, 작업 단위는 작고, 결과물은 검증 가능합니다. 이는 순수 컴퓨팅에 이어 분산화할 수 있는 자연스러운 다음 단계입니다. 네트워크는 그렇지 않으면 유휴 상태로 방치될 소비자용 및 게임용 GPU를 활용하므로, Llama-3-8B와 같은 소규모 오픈 웨이트 모델은 종종 AWS나 Azure보다 절반의 비용으로 서비스를 제공할 수 있습니다. 모델 규모가 커질수록 격차는 좁혀지지만, 4,000억 파라미터 규모의 모델을 분산 방식으로 제공하는 것은 여전히 하이퍼스케일러를 이용하는 것보다 어렵습니다.
데이터 마켓플레이스: 초기 단계이지만 현실적인
개인 데이터용 ‘Vana’나 웹 스크래핑 데이터용 ‘Grass’와 같은 네트워크는 탈중앙화된 데이터 교환이 기술적으로 가능하다는 점을 입증합니다. 더 어려운 문제는 수요입니다. AI 연구소들은 이미 필요한 것을 갖추고 있습니다. 바로 웹에서 수집한 공개 데이터와 프리미엄 직접 계약(레딧-구글, 뉴욕타임스-오픈AI, 셔터스톡)이죠. 분산형 마켓플레이스는 수요 측에서는 아직 발생하지 않은 공급 측의 문제를 해결해 주지만, 훈련 데이터에 대한 경쟁이 심화된다면 상황은 달라질 것입니다.
토큰 인센티브 기반 연구개발: 좁은 틈새 시장에서 활동하기
토큰 보상은 측정 가능한 과제(음성-텍스트 변환 정확도, 임베딩 품질, 이미지 분류 벤치마크 등)의 점진적인 개선에 효과적이며, Bittensor 서브넷은 바로 이러한 분야에서 경쟁력 있는 모델을 만들어냅니다. 토큰으로 쉽게 자금을 조달할 수 없는 분야는 획기적인 연구입니다. 획기적인 연구에는 수년에 걸친 인내심 있는 자본, 고비용의 실험, 그리고 실패에 대한 관용이 필요합니다. 또한 Bittensor의 거버넌스 분쟁은 구조적인 의문을 제기합니다. 즉, 토큰과 연계된 R&D는 이를 둘러싼 프로토콜이 제대로 작동할 때만 효과를 발휘한다는 점입니다.
결론
2026년 DeAI와 관련해 흥미로운 점은, 면밀한 검증이 이루어질 때 스택의 어느 계층이 견뎌낼 수 있을지입니다. 컴퓨팅과 추론은 유료 고객을 위해 실질적이고 측정 가능한 성과를 내고 있습니다.
데이터 및 모델 마켓플레이스는 성장하고 있지만 아직 검증되지 않은 상태다. 거버넌스 계층(‘분산화’가 수학적 개념을 의미하는지, 아니면 권력을 의미하는지를 결정하는 부분)은 오션(Ocean)의 ASI 얼라이언스 탈퇴나 코버넌트(Covenant)의 비텐서(Bittensor) 탈퇴와 같은 논란을 끊임없이 낳고 있다.
DeAI가 2026년에 OpenAI를 대체하지는 않을 것이며, 어쩌면 영원히 그럴 수도 없을 것입니다. 하지만 DeAI는 스택의 중간 계층과 에지(edge) 영역에서 실질적인 대안을 구축하고 있으며, 어차피 대부분의 사람들이 결국 AI와 상호작용하게 될 곳도 바로 그곳입니다.
