Nesa: 탈중앙화 AI 추론을 위한 블록체인

탈중앙화AI와 강력한 보안.

Author: MoneyMonkey

본 발행물은 소정의 원고료를 받고작성되었으며, 이 보고서에 포함된 어떠한 내용도 투자 조언이 아니며 투자 조언으로 해석되어서도 안됩니다.

목차

1. 들어가며
2. 중앙화된 AI 인프라의 한계
3. Nesa의 아키텍처
4. 핵심 기술
5. 프라이버시와 보안
6. 사용 사례
7. 결론

TL;DR

• Nesa는 AI를 위해 설계된 Layer-1 블록체인으로, 프라이버시를 보장하고 검증 가능한 탈중앙화 AI 추론을 제공한다.
• Equivariant Encryption(EE)과 HSS-EE를 통해 암호화된 상태에서 AI 추론을 수행하며, 노드조차 원본 데이터를 볼 수 없다.
• BSNS(Blockchain-based Sequential Neural Sharding)를 통해 대형 AI 모델을 여러 노드에 분산하여 실행하며, 2GB RAM 장치도 네트워크에 참여할 수 있다.
• MetaInf는 메타 학습 기반 스케줄러로, 작업과 하드웨어에 따라 최적의 추론 가속 전략을 자동 선택한다.
• DAIs(Decentralized AI Applications)를 통해 개발자는 자체 인프라 없이 탈중앙화된 AI 애플리케이션을 배포할 수 있다.

1. 들어가며

현재 AI 서비스는 대부분 중앙화된 클라우드 플랫폼에서 제공된다. 사용자는 데이터를 API로 전송하고, 처리 결과를 받는다. 이 과정에서 데이터가 어떻게 처리되는지, 결과가 정확한지 검증할 방법이 없다. 금융, 의료, 법률 분야처럼 민감한 데이터를 다루는 경우, 이러한 구조는 심각한 제약이 된다.

Nesa는 이러한 문제를 해결하기 위해 설계된 프로젝트다. Nesa는 프라이버시를 보장하고, 검증 가능하며, 탈중앙화된 AI 실행 레이어를 제공하는 Layer-1 블록체인이다. 전 세계에 분산된 컴퓨팅 노드 네트워크에서 AI 모델을 실행하며, 어떤 단일 주체도 전체 데이터나 모델을 볼 수 없도록 설계되었다.

본 글에서는 Nesa의 아키텍처와 핵심 기술을 살펴보고, 어떻게 탈중앙화된 AI 추론이 가능한지 알아본다.

2. 중앙화된 AI 인프라의 한계

중앙화된 AI 플랫폼이 가진 구조적 문제는 세 가지로 정리할 수 있다.

데이터 중앙화

중앙화된 시스템은 중앙 서버에서 데이터를 수집하고 처리한다. 이는 무단 접근이나 데이터 유출에 노출될 수 있는 취약점을 만든다. 사용자는 플랫폼이 데이터를 안전하게 처리할 것이라고 신뢰해야 하지만, 인프라나 데이터 흐름을 직접 검사할 수 없다.

검증 불가능성

AI가 내놓은 결과가 정확한지, 중간에 조작되지 않았는지 확인할 방법이 없다. 결과물에 대한 암호학적 증명이 존재하지 않기 때문에, 사용자는 플랫폼을 신뢰하는 것 외에 선택지가 없다.

프라이버시의 확장성

사용자 기반이 성장할수록 엄격한 데이터 프라이버시를 대규모로 유지하는 것은 복잡해진다. 대량의 데이터와 추론 요청에 걸쳐 일관된 프라이버시 관행을 보장하는 것은 상당한 도전이다.

3. Nesa의 아키텍처

Nesa 시스템은 세 가지 주요 참여자와 표준화된 실행 단위로 구성된다.

3.1 시스템의 세 주체

모델 개발자는 AI 모델을 Nesa 시스템에 제공한다. 이 모델들은 온체인 저장소에 등록되어 접근 가능하다.

사용자는 프라이빗한 추론이 필요한 주체다. 암호화된 쿼리를 제출하고, 검증된 결과를 받는다.

노드 러너는 탈중앙화된 작업을 실행한다. 검증, 추론 등 네트워크의 모든 계산을 담당한다.

시스템의 기반에서 Nesa는 모든 참여 당사자가 따라야 하는 일관된 규칙과 실행 프로토콜을 제공하여 AI 계산 프로세스를 간소화한다. 이를 통해 동일한 모델 파라미터와 입력 데이터가 주어지면 모든 노드가 동일한 결과를 생성한다.

3.2 AI Kernel

AI Kernel은 노드가 AI 모델을 다운로드하고 올바르게 실행하는 데 필요한 모든 빌딩 블록을 캡슐화한다. 블록체인에 저장되어 모델 실행 환경과 로직의 불변적이고 검증 가능한 기록을 제공한다.

AI Kernel은 네 가지 구성 요소로 이루어진다:

1. Model Parameters

AI 모델을 정의하는 가중치와 편향.훈련의 산물이며 모델의 동작과 능력을 결정한다.

2. Configuration File

Docker 파일과 유사하게, 모델이 실행될 가상 환경의 사양을 포함한다. 종속성, 라이브러리, 런타임을 명시하여 모든 노드가 동일한 환경을 구성하도록 보장한다.

3. Inference Code

입력을 처리하고 예측을 생성하는 로직. 원활한 실행을 위한 컴파일 정보도 함께 제공된다.

4. Aggregation Code

여러 노드에서 반환된 결과를 어떻게 모아 합의에 도달할지 결정하는 스크립트.

3.3 쿼리 처리 과정

사용자가 AI 쿼리를 제출하면 다음 과정을 거친다:

1단계: 쿼리 제출 사용자 또는 dApp이 Nesa의 네트워크 인터페이스를 통해 암호화된 AI 쿼리를 제출한다.

2단계: 모델 분할 및 배포 Nesa는 AI 모델을 작은 부분들로 나누고, 네트워크 전체의 노드 그룹에 할당한다. 각 노드는 전체 중 작은 조각만 볼 수 있다.

3단계: 프라이빗 추론 수행 네트워크가 암호화된 데이터로 쿼리를 처리한다. 어떤 노드도 전체 입력이나 전체 모델을 볼 수 없다.

4단계: 결과 검증 및 반환 네트워크가 결과의 정확성을 증명하는 암호학적 증거를 생성한 후, 사용자에게 답변을 반환한다.

4. 핵심 기술

Nesa는 탈중앙화된 AI 추론을 위해 여러 독자적인 기술을 개발했다. 기존의 프라이버시 보존 방식들(완전 동형 암호화 등)이 대형 모델에서 실시간 응답이 불가능했던 문제를 해결한다.

4.1 Equivariant Encryption (EE)

Equivariant Encryption은 Nesa의 핵심 기술로, 무거운 암호화나 신뢰할 수 있는 하드웨어 없이 빠른 프라이버시 보존 추론을 가능하게 한다.

핵심 속성:

• 복구 가능성(Recoverability): 암호화된 입력은 손실 없이 디코딩된다.
• 등변성(Equivariance): 암호화된 추론의 결과는 평문 추론의 결과와 동일하다.

작동 과정:

1. 오프라인 변환: 보안 설정 단계에서 모델을 EE 형태로 변환한다. 레이어 연산을 수정한다.
2. 암호화된 추론: EE 모델이 원격 노드에 배포된다. 사용자가 암호화된 쿼리를 제출하면, 서버는 복호화 없이 암호문에서 직접 추론을 실행한다.
3. 복호화: 사용자만이 자신의 개인 키로 결과를 복호화한다.

모든 활성화와 중간 상태는 전체 과정에서 암호화된 상태로 유지된다. EE는 linear layers, ReLU, GeLU, LayerNorm 등의 연산을 지원한다.

지원 모델:

• LLM 및 RAG 파이프라인
• 비전 트랜스포머
• 멀티모달 모델

4.2 HSS-EE (Homomorphic Secret Sharing over Encrypted Embeddings)

HSS-EE는 Equivariant Encryption과 Homomorphic Secret Sharing을 결합하여, 신뢰를 여러 서버에 분산시킨다. 단일 머신이 암호화된 임베딩조차 혼자 보지 못하게 한다.

작동 방식:

• 각 사용자 쿼리를 가법적 공유(additive shares)로 분할
• 양쪽 서버에서 동시에 계산
• 비공모(non-collusion) 조건 하에서 정보 이론적 보안 달성

4.3 BSNS (Blockchain-based Sequential Neural Sharding)

현대의 기반 모델들은 단일 장치의 메모리와 컴퓨팅 한계를 초과한다. BSNS는 일반 노드에서 분산 추론을 가능하게 하는 확장 가능하고 네트워크 인식적인 방법이다.

기존 방식과의 차이: 정적으로 레이어를 분할하거나 전체 모델을 복제하는 대신, BSNS는 모델 그래프를 샤드된 블록으로 분할하고 동적 노드 스웜에 라우팅한다.

작동 과정:

1. 노드 선택: 사용 가능한 노드들이 조율된 스웜(swarm)을 형성
2. 오케스트레이터 선출: 오케스트레이터 노드가 선출되고, 샤드를 실행할 참가자 위원회 구성
3. 계산 그래프 분할: 오케스트레이터가 선택된 노드들에 걸쳐 계산 그래프를 분할, 각 노드에 모델 블록이나 연산자 그룹 할당
4. 추론 실행: 각 노드가 자신의 샤드를 실행하고 중간 활성화를 전달, 오케스트레이터는 데이터 흐름과 일관성 유지

주요 특징:

• 추론 중 노드가 탈락, 지연, 성능 저하되더라도 안정적인 성능 유지
• 트랜스포머 스택뿐만 아니라 멀티모달, 컨볼루션, 하이브리드 모델 등 임의의 계산 그래프 지원
• 2GB RAM 장치도 네트워크 참여 가능

4.4 MetaInf

분산 환경에서 어떤 가속 전략이 최적인지는 상황마다 다르다. MetaInf는 작업, 모델, 하드웨어에 따라 최적의 전략을 자동으로 선택하는 메타 학습 스케줄러다.

작동 방식:

• 과거 성능 데이터로 메타 학습자를 훈련
• 다양한 운영 시나리오에서 가장 효과적인 가속 전략을 예측
• 프리픽스 캐싱, 청크드 프리필 등의 기법 중 현재 상황에 맞는 것을 동적 선택

5. 프라이버시와 보안

Nesa의 하이브리드 보안 시스템은 프라이버시 문제가 다양한 형태로 나타난다는 인식에 기반한다. 사용자는 입력 데이터나 추론 결과를 숨기고 싶어할 수 있고, 노드 소유자는 모델 파라미터의 기밀성을 보호하고 싶어할 수 있다. Nesa는 이러한 다양한 요구사항에 대응하기 위해 여러 프라이버시 기술을 지원한다.

5.1 지원되는 프라이버시 기술

Trusted Execution Environments(TEEs)는 메인 프로세서 내에 보안 영역을 제공하여, 민감한 데이터와 연산을 시스템의 나머지 부분으로부터 격리한다. Nesa는 Intel TDX, AMD SEV-SNP, ARM CCA 등 주요 TEE 기술을 지원한다. TEE 내에서 데이터는 복호화되고, 변환되고, 다시 암호화되어 처리된다.

Zero-Knowledge Proof(ZKP)는 민감한 정보를 공개하지 않고 계산의 정확성을 검증할 수 있게 한다. Nesa에서 ZKP는 스마트 컨트랙트와의 인터페이싱, 프라이버시 보존 계산 등 여러 핵심 영역에서 활용된다. 이를 통해 투명성과 기밀성을 동시에 확보할 수 있다.

Secure Multi-Party Computation(MPC)은 여러 당사자가 각자의 입력을 비공개로 유지하면서 함수를 공동으로 계산할 수 있게 한다. 어떤 단일 당사자도 다른 당사자의 입력을 알 수 없으면서도 정확한 계산 결과를 얻을 수 있다.

Verifiable Random Function(VRF)은 노드 선택 같은 네트워크 프로세스에 공정하고 검증 가능한 무작위성을 제공한다. 시스템 내 모든 무작위 요소가 공정하고 투명하도록 보장하여, 탈중앙화된 AI 플랫폼의 보안과 무결성을 강화한다.

5.2 Split-Flow Protocol

Split-Flow Protocol은 이러한 프라이버시 기술들을 조화시키는 역할을 한다. 작업을 기밀성과 검증 가능성 스트림으로 동적으로 분할하여, 요구 사항에 따라 적절한 기술을 자동으로 선택한다. 무거운 연산에는 TEE를, 가벼운 작업에는 SMPC를, 또는 상황에 따라 하이브리드 방식을 적용한다. 이를 통해 탈중앙화된 추론 프로세스의 사용성과 효율성을 유지하면서 최고 수준의 보안과 프라이버시를 달성한다.

5.3 검증 메커니즘

Commit-Reveal 메커니즘

Commit-Reveal 메커니즘은 노드들의 정직하고 독립적인 기여를 보장하기 위한 2단계 프로세스다. Commit 단계에서 노드들은 결과의 암호학적 커밋먼트를 제출한다. 이때 콘텐츠는 숨기면서 계산의 존재를 증명한다. Reveal 단계에서는 실제 결과와 커밋먼트에 사용된 논스가 검증을 위해 공개된다. 이 메커니즘은 노드들이 다른 노드의 작업을 먼저 확인한 후 자신의 결과를 조정하는 무임승차 행위를 방지한다. 모든 노드가 독립적으로 계산해야 하며, 결과를 미리 엿볼 수 없다.

Neural Arbiter Networks (NANs)

NANs는 Nesa 인프라 내의 AI 기반 심사 시스템이다. 다양한 운영 조건을 시뮬레이션하고 실행의 불일치를 발견하기 위해 설계된 일련의 테스트를 관리하여 커널의 신뢰성과 성능을 평가한다. NANs가 집중하는 지표에는 계산 효율성, 데이터 정밀도, 잘못된 출력 생성 가능성, 수립된 모델 프로토콜 준수 등이 포함된다. 적대적 평가 프레임워크를 사용하여 예측 불가능한 방식으로 커널에 도전하며, 블록체인에 등록되기 전에 일관되고 정확한 동작을 보장한다.

BIL (Blocking Inference Layer)

BIL은 탈중앙화된 AI 계산의 확장성과 효율성을 향상시키는 2단계 트랜잭션 구조다. 추론 요청의 제출과 실제 AI 모델 추론 실행을 분리함으로써, 네트워크의 프로세스를 간소화하고 계산 부하가 블록체인 성능에 영향을 미치는 것을 방지한다. BIL은 비차단 트랜잭션을 보장하고, 높은 처리량을 유지하며, 유연한 리소스 할당을 가능하게 하여 탈중앙화된 추론 프레임워크의 핵심 구성 요소로 기능한다.

6. 사용 사례

6.1 Model Playground

Nesa는 Model Playground를 통해 온체인 모델 생태계에 접근할 수 있게 한다. 모든 모델은 Nesa의 탈중앙화된 추론 인프라에서 실행되며, 일관된 실행과 관찰 가능한 성능을 제공한다.

지원되는 모델 유형은 다양하다. 텍스트 및 추론 모델로는 Llama, Qwen, DeepSeek 등 대화, 코딩, 검색, 다단계 추론에 최적화된 LLM이 있다. 이미지 생성 모델로는 디퓨전 및 DiT 기반 모델이 제공되어 예술적, 사실적, 디자인 지향 생성이 가능하다. 비전-언어 모델로는 LLaMA 2, LLaMA 3 등 시각과 언어를 통합하는 모델이 포함된다.

커스텀 모델 업로드 기능도 제공된다. 개발자는 호스팅, 확장, 실행 환경을 직접 관리하지 않고도 자신의 모델을 배포할 수 있다. Pro 계정당 최대 5개의 활성 커스텀 모델을 등록할 수 있으며, 업로드된 모델은 네트워크에서 일급 자산이 되어 표준화된 실행 환경과 DAI 및 다운스트림 애플리케이션과의 호환성을 갖춘다.

6.2 DAIs (Decentralized AI Applications)

DAIs(Decentralized AI Applications)는 Nesa 네트워크에서 네이티브하게 실행되는 AI 제품이다. DAI는 일반 AI 애플리케이션처럼 보이고 느껴지지만, 그 뒤에서는 탈중앙화된 추론, 스테이킹 기반 신뢰성, 온체인 조정이 작동한다.

개발자 입장에서 DAI의 장점은 자체 인프라를 운영하지 않고도 AI 애플리케이션을 배포할 수 있다는 것이다. 호스팅, 확장, 실행 환경에 대한 부담 없이 모델의 기능과 차별화에 집중할 수 있다. 사용자 입장에서는 기본적으로 투명성과 검증 가능성을 확보할 수 있으며, 정렬된 인센티브 구조의 혜택을 받는다.

DAI는 탈중앙화된 AI를 단순한 인프라 개념에서 실제로 배포 가능한 사용자 대면 제품으로 전환한다는 점에서 의미가 있다.

6.3 프라이빗 추론이 필요한 산업

프라이빗 추론은 민감한 데이터를 다루는 여러 산업에서 핵심적인 요구사항이다.

금융 산업에서는 개인 금융 기록, 투자 내역, 독점 거래 알고리즘 등 기밀 데이터를 관리한다. 프라이빗 추론을 통해 기밀 금융 데이터를 외부에 노출하지 않으면서 사기 탐지, 리스크 평가, 개인화된 뱅킹 서비스를 위한 AI 분석이 가능해진다.

의료 산업에서는 환자 데이터가 민감하고 규제가 엄격하다. 의료 제공자와 연구자는 프라이빗 추론을 활용하여 환자 기밀을 유지하면서 의료 기록, 진단 이미지, 유전 정보를 분석하고 맞춤형 치료 계획을 수립하거나 의료 연구를 수행할 수 있다.

법률 산업에서는 민감한 사건 문서, 고객 기록, 법적 선례를 처리한다. AI는 사건 결과 예측, 문서 검토 수행, 법률 연구 자동화에 도움이 되는데, 프라이빗 추론을 통해 데이터가 유출되거나 승인된 채널 외부에서 접근 가능해지는 것을 방지할 수 있다.

7. 결론

Nesa는 AI를 위해 설계된 Layer-1 블록체인으로, 기존 중앙화된 AI 인프라의 한계를 해결한다.

핵심 기여:

1. 프라이버시 보존 추론: EE와 HSS-EE를 통해 암호화된 상태에서 AI 추론을 수행한다. 노드조차 원본 데이터를 볼 수 없다.
2. 검증 가능성: Commit-Reveal 메커니즘, NANs, ZKP를 통해 모든 결과에 대한 암호학적 증명을 제공한다.
3. 확장성: BSNS를 통해 대형 모델을 여러 노드에 분산하여 실행한다. 2GB RAM 장치부터 데이터 센터까지 참여 가능하다.
4. 적응형 최적화: MetaInf를 통해 네트워크 조건과 워크로드에 따라 최적의 추론 전략을 자동 선택한다.

Nesa의 아키텍처는 데이터 센터를 넘어 AI 인프라의 민주화를 가능하게 한다. 제한된 컴퓨팅 자원을 가진 노드도 네트워크에 참여할 수 있으며, 모델 샤딩과 암호학적 조정은 최상위 GPU에 대한 의존성을 줄인다. 이를 통해 개발자, 사용자, 소규모 기업이 중앙화된 게이트키퍼 없이 AI 서비스에 접근하거나 제공할 수 있는 환경을 구축한다.

참조

• Nesa 공식 문서: https://docs.nesa.ai/nesa
• Nesa 웹사이트: https://nesa.ai
• Nesa Playground: https://beta.nesa.ai/
• Nesa Chain Explorer: https://explorer.nesa.ai/
• MetaInf 논문: Conference on Language Modeling (COLM) 2025
• BSNS 논문: KDD 2024 — SDBD’24 Workshop