포세이돈, 스토리의 킬러 유스케이스가 될 수 있을까

Key Takeaways

• AI 발전의 병목은 이제 데이터이며, 특히 법적 권리가 확보된 고품질 데이터셋의 수요가 급증하고 있다.

• 포세이돈은 모듈형 파이프라인과 서브네트워크를 통해 데이터의 수집·검증·주석·라이선싱 과정을 표준화하고 확장 가능한 구조를 제시한다.

• 트라이던트 합의와 IP Vault 연계는 데이터 품질 관리와 권리 정리를 프로토콜 레벨에서 자동 집행한다는 점에서 차별성을 지닌다.

• 포세이돈 시즌 1은 단기간에 대규모 참여(500만 건 제출, 40만 명 기여, 3만4천 시간 오디오)를 이끌어냈으나, 실제 학습에 적합한 데이터로 이어질 수 있는지는 추가 검증이 필요하다.

• 스토리는 지금까지 뚜렷한 유스케이스와 수요를 보여주지 못했으며, 포세이돈은 이를 입증할 수 있는 시험대로 기능할 것이다.

AI가 본격적으로 발전하기 시작한 초기에는 고가의 하드웨어와 새로운 모델 구조가 주요 병목이었다. 하지만 최근들어 이러한 병목은 상당 부분 해소되었다. GPU는 임대가 가능하고, 최신 기법은 빠르게 오픈소스로 공개된다. 이제 AI 발전을 가로막는 요소는 데이터이며, 특히 실제 프로덕션에 활용할 수 있는 법적 권리가 확보된 고품질 데이터셋이 절실하다. 이러한 데이터는 희소하며 저작권이나 개인정보 문제로 접근이 제한되는 경우가 대부분이다.

스토리(Story)는 IP를 위한 목적 중심의 블록체인으로 구축됐지만, 아직까지는 유의미한 블록스페이스 수요를 확보하지는 못했다. IP 온체인 등록 건수는 제한적이고, 체인 활용도는 현재 시장 가치 대비 저조한 편이다. 이러한 공백을 메우기 위해 스토리 재단이 내놓은 해답이 바로 포세이돈(Poseidon)이다.

포세이돈은 데이터의 수집·검증·주석·라이선싱 전 과정을 모듈형 파이프라인으로 표준화하고, 이를 각 AI 도메인 특성에 최적화된 서브네트워크(Subnetwork) 위에서 운영한다. 오늘날 병목은 컴퓨트나 모델 설계가 아니라 희소 데이터의 조정(coordination)이며, 이를 해결하기 위해서는 출처 관리, 인센티브, 규정 준수를 동시에 담보할 수 있는 인프라가 필요하다는 것이 포세이돈의 입장이다.

1. 데이터 > 컴퓨트

AI의 초기 성장은 고성능 하드웨어와 새로운 모델 아키텍처에 의해 주도되었다. GPU와 TPU, 트랜스포머와 같은 알고리즘이 성능 도약을 가능하게 했다. 그러나 오늘날 이러한 이점은 빠르게 상품화되고 있다. 클라우드 사업자는 충분한 자본만 있다면 누구에게나 GPU를 임대하며, 최첨단 모델 아키텍처는 몇 달 만에 오픈소스로 공개된다. 컴퓨팅과 코드가 여전히 비용은 수반하지만, 더 이상 결정적인 병목은 아니다.

이제 컴퓨트가 아닌 데이터가 희소한 자원으로 부상하고 있다. 최신 AI 시스템은 일반적인 웹 데이터로는 충족되지 않는 특수한 고품질 데이터셋을 필요로 한다. 예컨대 비 오는 날 공사 현장의 주행 영상, 희귀 질환의 의료 영상, 소수 언어의 콜센터 녹취와 같은 데이터다. 이러한 데이터는 자본을 투입한다고 쉽게 확보할 수 없고, 산발적으로 흩어져 있으며, 상당수는 존재조차 하지 않는다.

공개된 웹 데이터는 진작에 학습하는데 모두 사용되었다. CommonCrawl, Wikipedia 등 범용 데이터 소스는 모두 활용됐고, 추가 수집은 점차 한계 수익이 줄어들며 법적 리스크만 키운다. 최근 뉴욕타임스가 OpenAI를 상대로 제기한 저작권 소송이나 레딧이 Anthropic을 상대로 한 데이터 스크래핑 소송은 무단 데이터 활용의 시대가 끝나가고 있음을 보여준다. 기업 고객은 이제 출처와 권리가 보장된 데이터(IP-safe data)를 요구한다.

이러한 변화는 두 가지 함의를 가진다. 첫째, 데이터의 출처와 라이선싱은 더 이상 부수적인 고려사항이 아니라 AI 인프라의 핵심 요소로 부상했다. 둘째, 데이터 수집·검증·라이선싱을 체계적으로 조율할 수 있는 새로운 시스템이 필요하다. 포세이돈이 겨냥하는 지점이 바로 이 부분이다.

출처: Reuters

정리하면, 포세이돈이 해결하고자 하는, 그리고 현재 AI시장에서 아직 해결하지 못한 주요 문제들은 세 가지로 요약된다: 1) 수요와 공급의 연결, 2) 권리와 출처 검증, 그리고 3) 데이터 가치 평가다.

2. 포세이돈 101

포세이돈은 스토리 블록체인을 기반으로 흩어져 있고 권리 관계가 불명확한 데이터를 신뢰할 수 있는 프로그래머블한 데이터셋으로 만들기 위해 설계된 인프라 레이어로, 모듈화된 데이터 파이프라인을 각 도메인에 특화된 서브네트워크에 배치하는 구조를 취한다.

각 파이프라인은 데이터 수집, 검증, 주석(라벨링), 라이선싱에 이르는 전 과정을 포괄한다. 서브네트워크는 이러한 파이프라인을 각 AI 분야별 요구에 맞춰 최적화해 운영한다.

포세이돈의 핵심 전제는 두 가지다:

1. AI의 데이터 병목은 단순한 공급 부족이 아니라, 품질·출처·라이선스 문제를 어떻게 조율할 것인가에 있다.

2. 그리고 이는 기업마다 개별적으로 해결하기보다는 인프라 차원에서 해결돼야 한다.

2.1 서브네트워크: 특화된 샤드 구조

포세이돈은 인프라를 서브네트워크 단위로 분할해 운영한다. 이는 특정 AI 데이터 도메인에 최적화된 일종의 샤드 구조다. 예컨대 의료 데이터 서브넷은 암호화, TEE(Trusted Execution Environment), 접근 통제 등 강력한 프라이버시 기능이 필수지만, 로보틱스 서브넷은 대규모 영상 데이터를 처리하기 위한 고대역폭 성능이 요구된다. 두 환경을 동일 파이프라인에서 처리하면 비용과 위험이 과도하게 발생한다.

서브네트워크는 이러한 문제를 해결하기 위해 각 도메인은 자체 최적화된 인프라를 갖추되, 최종적으로는 스토리 블록체인 위에서 출처 검증과 라이선싱을 처리한다. 운영 과정에서 데이터 작업은 오프체인에서 배치로 처리되며, 최종 결과는 머클 루트(Merkle root) 등의 암호학적 커밋 형태로 롤업 컨트랙트에 정기적으로 제출한다. 이러한 작업을 위해 검증자는 IP 토큰을 스테이킹해야 하며, 스토리 블록체인은 각기 다른 도메인 특화 서브넷을 운영 및 관리하는 역할을 담당한다.

2.2 모듈형 워크플로우

포세이돈 라이트페이퍼는 데이터 처리 과정을 모듈 단위로 정의한다. 여기에는 보안 데이터 저장, 트라이던트(Trident) 합의 기반 검증, TEE/영지식증명(zk-proof)을 활용한 자동 처리, 데이터 유출 방지를 위한 지문 삽입, IP Vault를 통한 등록 및 관리가 포함된다.

모듈형 구조의 강점은 재사용성이다. 새로운 도메인이 등장할 때마다 검증·품질 관리 시스템을 처음부터 다시 짤 필요가 없다. 이미 표준화된 모듈을 조합해 새로운 워크플로우를 설계할 수 있다. 이는 포세이돈을 데이터 경제를 위한 운영체제(OS)로 기능하게 한다.

2.3 확장 가능한 검증

데이터 마켓의 최대 취약점은 검증이다. 품질이 낮거나 부정확한 데이터는 신뢰를 무너뜨린다. 포세이돈은 이를 트라이던트 합의(Trident Consensus)라는 이중 검증 구조로 해결한다.

데이터는 먼저 소수의 검증자 집단에게 무작위로 배정된다. 이 단계에서는 만장일치 승인이 필요하다. 만약 이견이 발생할 경우 검증 과정은 더 큰 집단으로 이관되며, 이 경우 다수결 원칙이 적용된다. 이 설계는 ‘적어도 한 명의 정직한 참여자’라는 가정하에, 검증자 담합의 성공 확률을 기하급수적으로 낮추는 구조다.

검증자 배정에는 체인 수준의 난수(randomness)가 사용되어 사전 조율(collusion)을 차단한다. 부정확한 검증을 승인하면 스테이킹한 토큰이 슬래싱(slash)되며, 정직한 검증자는 보상을 받는다. 결과적으로 데이터 품질을 체계적으로 관리할 수 있는 확장 가능한 합의 메커니즘을 마련하는 셈이다.

2.4 권리 정리와 IP Vault 연계

검증과 전처리를 마친 데이터는 스토리 블록체인에 프로그래머블 IP 자산으로 등록된다. 이 과정에서 Programmable IP License(PIL)이 적용되어 데이터 사용 조건이 명확히 규정된다.

여기에 새롭게 도입된 기능이 IP Vault 연계다. 데이터셋(혹은 접근 키)은 Vault에 안전하게 보관되며, 라이선스를 취득한 구매자만 자동으로 접근할 수 있다. 이는 데이터 소유자에게는 유출 위험을 최소화하고, 구매자에게는 계약 이행을 보장하는 역할을 한다. 결국 권리 관리와 출처 보증이 프로토콜 레벨에서 자동으로 집행되는 셈이다.

2.5 검색, 구매 및 인센티브

포세이돈은 데이터셋 나열을 넘어 표준화된 메타데이터와 워크플로우 기반 검색을 지원한다. 구매자는 특정 속성(예: 특정 방언의 음성, 비 오는 밤의 주행 영상, 로보틱스의 특수 POV 영상)을 기준으로 서브네트워크를 탐색할 수 있고, 해당 데이터가 이미 출처·검증·라벨링 과정을 거쳤음을 보장받는다.

보상 및 인센티브 체계는 아직 명확히 제시되지 않았다. 라이트페이퍼에 따르면 서브넷 검증자는 스토리의 IP 토큰을 스테이킹해야 하며, 이를 통해 서브넷 운영과 체인 경제간 접점을 형성한다. 다만 데이터 제공자, 검증자, 어노테이터(annotator), 서브넷 운영자 간의 보상 배분 구조는 공개되지 않았다. 이는 토크노믹스 설계의 복잡성과 취약성을 감안해 기술적 신뢰성을 먼저 확보하려는 의도로 해석된다. 현재 단계에서 중요한 점은 출처와 권리 보장이 프로토콜 차원에서 집행된다는 것이며, 가격 및 인센티브 메커니즘은 향후 설계 여지로 남아 있다는 점이다.

2.6 경쟁 및 부정행위 방지

개방형 데이터 시장에서 가장 큰 리스크는 노이즈(noise)과 사기(fraud)다. 포세이돈은 이를 아키텍처 차원에서 관리한다.

• 노이즈 관리: 트라이던트 합의와 자동 전처리 모듈을 통해 중복, 잘못된 라벨링, 저품질 데이터를 걸러낸다.

• 사기 방지: 무작위 검증자 배정, 슬래싱, 검증 단계 확대를 통해 담합을 어렵게 만들고, 암호학적 지문 삽입으로 데이터 유출과 재판매를 억제한다.

주목할 점은 포세이돈이 데이터 품질 관리 문제를 수작업 검수가 아닌 합의(consensus) 문제로 재정의했다는 것이다. 이는 데이터 공급량이 늘어나더라도 품질 관리가 함께 확장될 수 있음을 의미한다. 만약 이 접근법이 실제로 작동한다면, 기존 데이터 어노테이션 네트워크에 비해 구조적 우위를 확보할 수 있다.

2.7 사례: 오디오 전사 서브네트워크

라이트페이퍼는 구체 사례로 오디오 전사(Transcription) 서브네트워크를 제시한다. 이 구조에서 데이터 제공자는 음성 파일을 업로드하고, 검증자는 중복 여부와 품질을 확인한다. 이후 자동 전사 모델이 라벨을 생성하며, 결과는 트라이던트 합의를 통해 검증된다. 최종 데이터셋은 스토리 블록체인에 IP 자산으로 등록돼, AI 기업들이 라이선스를 취득할 수 있는 마켓플레이스에 게시된다.

포세이돈은 프라이버시 리스크가 낮고 수요가 활발한 음성 데이터를 첫 번째 도메인으로 제시했다. 이는 로보틱스나 의료처럼 복잡도가 높은 분야로 확장하기 전, 공급자 풀과 수요자 풀을 빠르게 형성할 수 있는 합리적 출발점이다.

3. 시사점

스토리는 복잡한 지식재산(IP)을 온체인에 등록·관리할 수 있다는 점은 입증했지만 유의미한 수요(demand)를 확보하는데 실패했다. IP자산 등록 건수는 적고, 체인의 밸류에이션은 실제 사용성과 괴리를 보인다. 결국 스토리가 그동안 부족했던 것은 인프라를 실제 경제 활동과 직결시키는 킬러 애플리케이션 및 IP자산이었다.

출처: Storyscan

포세이돈은 이에 대한 대안을 될 수 있다. 데이터의 출처, 라이선싱, 검증 과정을 스토리 블록체인에 직접 연결함으로써, 추상적인 IP 인프라를 실질적인 데이터 워크플로우로 전환시킨다. 검증된 데이터셋이 IP 자산으로 등록될 때마다 블록스페이스 수요가 발생하고, 라이선스 발급은 온체인 활동을 동반하며, 검증자는 스토리 토큰을 스테이킹함으로써 보안과 거버넌스에 기여한다. 즉, 포세이돈과 스토리의 경제적 구조는 피상적인 연계를 넘어 구조적으로 연계된다.

무엇보다 스토리는 데이터 경제를 위한 IP 네이티브 인프라로 자리매김하려 한다는 점이다. 만약 데이터가 정말 AI 발전의 병목이라면, 그 출처와 권리를 증명하고 정리할 수 있는 인프라는 미래에 매우 중요한 역할을 하게 될 것이다. 결국 포세이돈은 스토리가 이론적 비전에서 벗어나 실제 AI 경제와 접점을 만들 수 있는지를 시험하는 사례라 할 수 있다.

물론 리스크도 존재한다. 토크노믹스는 아직 공개되지 않아, 프로젝트가 창출하는 경제적 이익이 공급자와 스토리 사이에서 어떻게 분배될지는 여전히 불투명하다. 트라이던트 합의와 워크플로우 모듈이 적대적 환경에서도 안정적으로 작동할 수 있는지 역시 검증이 필요하다. 그러나 무엇보다 중요한 것은 이러한 데이터에 대한 실제 수요의 입증이다. AI 개발자들은 충분한 예산을 갖고 있지만, 데이터 조달 과정에서의 마찰을 최소화하길 기대한다. 따라서 기존 데이터 브로커보다 더 높은 품질과 더 낮은 거래 비용을 제공할 수 있는지가 성패를 가를 핵심 요인이다.

한편, 최근 진행된 포세이돈 앱 시즌 1(9월 3일~18일, 약 2주간)은 단기간 대규모 참여를 이끌어낸 점에서 의미가 있다. 2주간 500만 건 이상의 제출, 40만 명 이상의 기여자, 3만4천 시간 이상의 오디오 데이터가 집계되었으나, 현재로서는 이 자료가 실제 학습에 적합한 권리 정리·품질 수준을 충족하는지에 대한 독립적 확인이 필요하다. 향후 검증 지표(예: 중복률, 유효 제출 비중, 합성/자동생성 탐지 결과 등)를 통해 질적 검증이 수반되어야 한다.

Source: X (@psdnai)

4. 전망

포세이돈의 과제는 이제 제시했던 것을 실제로 잘 보여주는 것이다. 핵심은 세 가지다. 첫째, 플랫폼이 특수 데이터셋을 실제로 규모 있게 확보할 수 있는가. 둘째, 트라이던트 합의와 워크플로우 모듈이 다수 참여자가 동시에 활동하는 환경에서도 안정적으로 품질을 유지할 수 있는가. 셋째, 충분한 예산을 보유한 AI 기업들이 기존 데이터 브로커 대신 포세이돈을 선택할 만큼 편리하고 효율적인 대안으로 인식할 수 있는가다.

향후 12~18개월 동안 투자자와 관찰자들이 주목해야 할 지표는 다음과 같다.

• 가동 중인 서브네트워크와 워크플로우 수

• 스토리에 IP 자산으로 등록된 라이선스 데이터셋의 규모와 다양성

• 중앙화 채널이 아닌 포세이돈을 통해 데이터를 구매하는 기관 고객의 사례

• 포세이돈을 통해 발생한 블록스페이스 사용량과 스토리 스테이킹 비중

이러한 지표들은 포세이돈이 단순히 PoC 수준에 머물지 않고, 실질적인 데이터 경제로 발전할 수 있을지를 판단하는 기준이 될 것이다. 스토리는 지금까지 다양한 비전과 방향성을 제시해 왔지만, 아직 시장에서 뚜렷한 유스케이스와 수요를 보여주지는 못했다. 포세이돈이라는 새로운 프로젝트를 통해 이제는 실제 활용 사례와 수요를 입증하며 존재 가치를 증명할 수 있기를 기대한다.