다크블룸과 유콘: 검증 기반으로 넓히는 AI 컴퓨팅

Key Takeaways

• 다크블룸은 유휴 맥을 검증된 추론 네트워크로 묶어 소유자에게 추가 수익을, 개발자에게 추론 비용을 낮출 수 있는 선택지를 제공한다.
• 유콘은 연구자와 AI 에이전트가 병렬로 실험하고 검증된 개선안을 재사용하도록 하며, 이 과정에서 쌓이는 검증기와 평가 경험은 기술적 해자가 될 수 있다.
• ECDSA.fail은 2026년 7월 26일까지 초기 회로 대비 자원 비용을 86.1% 줄였고, 초기 MLX.fast의 Laguna 과제는 같은 해 8월 발표 당시 2.6배의 속도 개선을 달성했다.
• MLX.fast에서 검증된 최적화를 다크블룸의 유사한 운영 환경에 적용하면, 맥을 추가하지 않고도 처리량을 늘리고 가격 경쟁력을 높일 수 있다.

1. 늘어나는 추론 수요와 유휴 컴퓨팅

AI 에이전트가 맡는 일은 점점 복잡해지고 있다. 사용자는 이제 답변 하나가 아니라, 자료를 찾고 코드를 작성하고 실행 결과를 읽은 뒤 다음 행동을 정하는 작업 전체를 맡긴다. 요청은 하나여도 그 안에서 모델 호출과 프로그램 실행이 여러 차례 이어지고, 그만큼 추론에 쓰이는 컴퓨팅 수요도 늘고 있다.

Source: a16z

이 변화는 토큰 사용량에서 확연히 드러난다. 2026년 2월을 기점으로 모델을 가장 많이 쓰는 주체는 사람에서 에이전트로 바뀌었고, 지금은 에이전트가 사람보다 5배 가까운 토큰을 사용한다. 같은 기간 사람의 사용량이 2.8배 느는 데 그친 반면, 에이전트 사용량은 약 14배 늘었다. 실무에 에이전트를 전면 도입한 조직이 아직 일부에 불과하다는 점을 고려하면, 향후 추론 컴퓨팅 수요는 비선형적으로 가속화될 가능성이 매우 높다.

Source: wsj.com

이러한 추론 수요의 여파는 데이터센터를 넘어, 뜻밖에도 맥미니와 맥스튜디오로까지 번졌다. 두 제품은 AI 모델을 직접 돌리는 로컬 AI 머신으로 선풍적인 인기를 끌었고, 2026년 봄에는 고용량 메모리 구성의 주문이 막히거나 배송이 크게 지연됐다. 월스트리트저널의 4월 보도는 로컬 AI에 대한 관심, 메모리 공급난, 신제품 교체 가능성이 겹친 결과로 이를 설명했고, 공급 부족은 현재까지도 이어지고 있다.

어렵게 구한 기기라도 소유자가 사용하지 않는 시간에는 연산 능력이 고스란히 낭비된다. 누군가는 기기를 구하지 못해 기다리는 동안, 정작 기존 소유자의 책상 위에서는 그 연산 능력이 놀고 있는 셈이다. 하지만 이 남는 처리 능력을 활용하면 보유한 하드웨어로 추가 수익을 올릴 수 있다. 다크블룸(Darkbloom)은 바로 이 유휴 자원을 유료 추론 수요와 연결해 주므로, 소유자는 약간의 전력비만 부담하면 손쉽게 수익을 얻을 수 있다.

물론 단순히 빌려주는 것 이상으로 고려해야 할 점들이 많다. 기기가 켜져 있다고 해서 당장 작업을 맡길 수 있는 것은 아니다. 실행할 모델이 준비되어 있는지, 메모리는 충분한지, 다른 작업으로 바쁘지는 않은지 확인해야 한다. 고객 요청을 처리하는 프로그램도 승인된 것인지 검증해야 한다. 결국 유휴 컴퓨팅 자원을 모으는 서비스를 운영하려면 각 기기의 상태를 파악하고, 조건에 맞는 요청을 배정하며, 완료된 작업을 기록하는 체계가 필요하다.

아이겐 랩스(Eigen Labs)는 아이겐클라우드(EigenCloud)의 두 플랫폼인 다크블룸과 유콘을 통해, 기존 기기를 추론에 활용하고 각 기기의 처리 성능을 높이는 작업을 함께 추진한다. 다크블룸은 소유자가 이미 구매한 맥의 남는 연산 능력을 개발자와 연결하고, 유콘(Yukon)은 MLX.fast와 같은 과제를 통해 외부 연구자와 에이전트가 같은 하드웨어에서 오픈웨이트 모델을 더 빠르게 실행하도록 돕는다. 기존 기기를 추론에 활용하는 동시에 각 기기가 처리할 수 있는 작업량을 늘려, 실제로 쓸 수 있는 추론 자원을 확대한다.

이 접근은 기존 자원을 새로운 수요와 연결한다는 아이겐레이어(EigenLayer)의 설계 원리와도 이어진다. 아이겐레이어는 이미 스테이킹된 ETH가 추가 서비스에 경제적 보안을 제공하고 그 대가로 보상을 받을 수 있게 한다. 다크블룸은 기존 하드웨어를 추론 구매자와 연결하고, 유콘은 참가자가 보유한 모델과 도구, 연구 방법을 공동의 최적화 과제에 모은다.

2. Darkbloom: 책상 위 맥을 추론 서버로

아이겐 랩스(Eigen Labs)가 2026년 4월 공개한 다크블룸(Darkbloom)은 남는 애플 실리콘 맥(Apple Silicon Mac)을 외부 개발자가 호출할 수 있는 추론 네트워크로 묶는 프로젝트다. 맥 소유자는 기기의 유휴 시간을 제공하고, 개발자는 필요한 모델을 호출한다. 중개 서버는 이들 사이에서 기기 상태를 검증하고 최적의 요청을 배정하는 역할을 수행한다.

2.1. 기기 등록부터 요청 처리까지

맥 소유자가 어떤 절차를 거쳐 자신의 유휴 컴퓨팅 자원을 제공할 수 있는지 알아보자.

먼저 맥 소유자는 제공자 프로그램을 설치하고 계정을 연결한 뒤 실행할 모델을 고른다. 프로그램은 GPU와 메모리, 운영체제 보호 기능을 점검한 뒤 모델을 준비한다. 소유자는 요일과 시간대를 지정해 언제 컴퓨터를 내어줄지 정할 수 있고, 추론에 쓰지 않고 남겨둘 메모리 양도 설정할 수 있다. 이후 준비된 맥은 코디네이터(coordinator)라고 부르는 중개 서버에 접속하는데, 이는 연결된 기기의 모델과 실행 상태를 파악하고, 들어온 요청의 이용 권한을 확인한 뒤 작업을 배정한다. 또한 확장성을 위해 다크블룸은 OpenAI와 Anthropic 형식과 호환되는 API를 제공하며 이를 통해 지원하는 모델과 기능 범위 안에서는 기존 앱의 요청 주소만 바꿔 맥 소유자가 등록한 자원에 추론을 맡길 수 있다.

2.2. 낯선 환경에서 데이터를 보호하는 방법

그러나 이용자 입장에서는 자신의 대화나 코드가 신원 미상의 맥에서 처리된다는 불안감이 남는다. 맥 소유자가 데이터를 몰래 엿보지 않는다는 보장이 없이는 유휴 맥 자원을 모으는 플랫폼 구조 자체가 성립하기 어렵다. 다크블룸은 이에 대해 '기기 검증'과 '실행 환경 보호'라는 2단계 솔루션을 제시한다.

첫 번째 단계인 기기 검증에서는 작업을 배정받기 전 세 가지 항목을 다각도로 점검한다:

• 기기 신원(Device identity): 칩 내부 보안 영역에서 외부로 꺼낼 수 없도록 관리하는 키의 서명을 통해 등록된 기기임을 입증
• 앱 무결성(App integrity): 위변조되지 않은 승인 프로그램의 실행 여부를 확인
• 시스템 보안(System security): 애플 기기 관리 체계를 거쳐 맥OS의 핵심 보호 기능과 보안 부팅 활성화 상태를 대조

이 세 조건을 모두 통과한 맥에 대해서만 요청 처리 권한(Serving access)이 부여된다. 또한 기존 기기 검증 경로에서는 5분마다 상태를 재확인하며, 조건을 충족하지 못한 기기는 요청 배정에서 제외된다.

다음으로 검증을 통과한 맥 내부에서는 격리된 실행 환경으로 데이터 보안을 유지한다. 모델은 별도 서버 프로세스 없이 보호된 제공자 프로그램 내에서 MLX로 직접 구동되는데, 운영체제의 보호 기능이 유지된 상태에서 외부 프로세스의 메모리 접근과 디버거 연결을 제한해, 맥 소유자가 실행 중인 데이터를 들여다보는 경로를 막는다.

통신 및 중개 과정 역시 철저히 암호화된다. 요청은 지정된 맥의 보호 프로그램만 복호화할 수 있는 형태로 전송되며 응답도 동일하게 처리된다. 요청을 중계하는 서버는 호스트의 메모리 접근을 제한하는 기밀 가상머신(Confidential VM)에서 작동한다. 중개 서버는 이 보호 환경의 메모리 안에서 요청 내용을 처리하되, 대화 내용은 저장하지 않고 사용량 등의 운영 로그만 기록한다. 또한 맥 소유자에게 이용자의 API 키나 잔액 정보는 일절 전달되지 않는다.

더 자세한 보안 구조는 다크블룸 GitHub 저장소에서 확인할 수 있다.

2.3. 다크블룸의 사용 규모와 가격 경쟁력

그렇다면 현재 다크블룸은 실제로 얼마나 쓰이고 있을까? 다크블룸이 공개한 9월 24일 기준 누적 집계에 따르면 공급 규모와 처리량은 다음과 같다:

• 등록 맥(Macs): 1,231대
• 생성 토큰(Tokens generated): 약 2,870억
• 요청 수(Requests): 약 7,196만 건

오픈라우터 데이터 기준, 10월 중순까지 최근 30일간 다크블룸이 처리한 토큰은 하루 평균 약 153억 개다. 직전 30일 대비 약 50% 증가한 수치로, 오픈라우터 내 크립토 기반 추론 공급자 7곳 가운데 베니스(Venice)와 팔라(Phala)에 이어 3위 규모다. 다크블룸은 이 요청들을 자체 맥 네트워크에서 처리한다. 그렇다면 가격 경쟁력은 어떨까? 먼저 API를 쓰는 구매자 입장에서 살펴보자.

현재 AI 추론 서비스는 칩 제조사에서 대형 클라우드 기업, API 판매사로 이어지며 단계마다 마진이 붙은 채 이용자에게 제공된다. 반면 다크블룸은 이미 비용이 지불된 맥의 유휴 연산 능력을 수요자와 직접 연결한다. 데이터센터를 새로 짓거나 GPU를 추가로 사들일 필요가 없으니 구조적으로 가격을 낮출 수 있다. 실제로 GPT-OSS 20B 모델의 출력 100만 토큰당 직접 이용 가격은 0.07달러로, 다크블룸이 비교 대상으로 제시한 기존 API 가격(0.14달러)의 절반 수준이다.

그렇다면 공급자 입장에서는 어떨까?

다크블룸의 수익 계산기에 따르면 128GB 통합 메모리를 갖춘 M4 Max 맥북 프로의 예상 수익은 맥이 전체 시간의 60% 동안 쉬지 않고 결과를 생성한다는 가정하에 월 약 205달러, 연 약 2,459달러다. 또한 다크블룸은 실제 추론 사용량에 따른 수익과 별개로, 증명을 통과하고 정상 상태로 온라인을 유지하는 기기에 기본 보상을 지급한다.

기본 보상은 고정된 월 예산 안에서 5분 단위로 정산되며, 각 정산 구간의 90% 이상 온라인 상태를 유지해야 받을 수 있다. (128GB 메모리 기준으로는 월 26달러 수준)

마지막으로 노드를 돌리는 맥은 소유자 본인의 추론 요청을 무료로 처리할 수 있어, 남는 시간에는 수익을 내고 필요할 때는 개인 추론 서버로 쓰는 것 또한 가능하다.

이처럼 다크블룸의 경제성은 기존 공급망에서 단계마다 붙던 불필요한 마진을 걷어내고, 그 몫을 구매자와 공급자가 나눠 갖는 데서 나온다. 구매자는 기존 API의 절반 가격에 추론 능력을 이용하고, 공급자는 이미 구입한 맥 기기로 추가 수익을 얻을 수 있다.

한편 다크블룸의 처리 용량을 늘리려면 맥을 더 모으는 것과 함께, 이미 연결된 맥에서 모델이 더 빠르게 실행되도록 해야 한다. 같은 기기로 더 많은 요청을 처리할 수 있다면 하드웨어를 추가하지 않고도 공급을 늘릴 수 있기 때문이다. 이 소프트웨어 개선에 외부 연구자와 에이전트가 참여하도록 하는 것이 다음 장에서 설명할 유콘(Yukon)과의 연결점이다.

3. Yukon: 여러 팀이 이어가는 자동 연구

유콘(Yukon)은 사람과 AI 에이전트가 함께 참여하는 공개 연구 플랫폼이다. 의뢰자가 문제와 평가 환경을 제시하면 참가 팀들이 각자의 개선안을 제출하는 방식으로 운영된다. 검증을 통과한 개선안은 다른 참가자에게 공유되어 즉시 다음 연구의 기반으로 활용된다. 이를 통해 특정 팀의 실험이 완료되기를 기다리지 않고 다양한 접근법을 병렬적으로 시험할 수 있어, 시간 지연 없이 유효한 성과를 ‘집단지성’으로 발전시킬 수 있다.

3.1. 카파시의 오토리서치를 기반으로 하는 유콘의 접근 방식

'바이브 코딩(vibe coding)'의 아버지로 유명한 안드레이 카파시(Andrej Karpathy)는 가설을 세우고 코드를 고친 뒤, 실행 결과를 보고 다음 실험을 정하는 연구 방식을 '오토리서치(autoresearch)'라는 이름으로 구현해 공개했다. 이 방식에서는 에이전트가 학습 코드를 직접 수정한다. 학습 시간과 검증 데이터를 미리 고정해 두고, 점수가 좋아지면 변경을 남기고 나빠지면 되돌린다. 조건이 같으니 어떤 구현이 더 나은지 명확하게 비교할 수 있다.

사람은 에이전트의 실험 지침인 program.md만 작성하면 된다. 이 문서에 목표와 수정 범위가 정해져 있고, 에이전트는 그 범위 안에서 학습 코드의 모델 구조와 설정을 바꾼다. 평가 기준이 미리 정해져 있으니 실험마다 사람에게 물어볼 필요가 없고, 사람이 병목이 되지 않은 채 밤새 실험을 이어갈 수 있다.

유콘은 이 구조를 여러 참가자로 확장했다.

연구자는 시작할 코드와 함께, 비교의 출발점인 기준선(baseline)과 정답 여부를 확인하는 검증기(verifier)를 준비한다. 참가자들은 각자의 모델과 도구로 개선안을 제출하고, 모두 같은 평가 절차를 거친다. 이때 기준선은 참가자들이 제출한 성과를 계산하는 데 쓰이고, 검증을 통과한 최신 코드는 모두에게 공유되며 다른 참가자들은 이를 자신의 연구에 활용할 수 있다.

추론 속도를 높이는 과제를 예로 들어보자. 연구자는 어떤 모델을 어느 장비에서 돌릴지, 출력이 원래와 어느 수준까지 같아야 하는지, 무엇을 속도로 측정할지를 먼저 정한다. 여기에 참가자가 수정해도 되는 파일과 건드릴 수 없는 평가 코드의 범위를 더해 하나의 과제로 공개한다.

과제를 본 참가자들은 저마다 다른 길로 접근한다. 한 팀은 메모리를 덜 쓰는 방법을 찾고, 다른 팀은 연산 순서를 바꾸거나 알고리즘을 새로 짠다. 에이전트는 문헌과 코드를 읽고 변경안을 구현하며 실험을 반복하고, 사람은 결과를 보며 지금 방향을 더 밀어볼지 구조부터 바꿀지를 판단한다.

평가를 통과한 변경 사항은 코드 차이, 평가 점수, 실행 로그와 함께 모두에게 공개된다. 후속 참가자는 처음부터 다시 구현할 필요 없이 검증된 성과를 자신의 접근 방식에 즉시 활용할 수 있다. 이를 통해 여러 팀이 병렬로 실험하면서 탐색할 수 있는 전략의 폭이 넓어지고, 결과를 공유함으로써 중복 연구에 소모되는 시간을 크게 줄인다. 앞서 언급한 다크블룸이 에이전트에 필요한 연산 자원을 모았다면, 유콘은 참가자의 도메인 지식과 도구 선택, 문제 부위를 포착하는 판단력까지 모아 연구 생태계에 함께 투입한다.

3.2. 평가 코드까지 보호해야 하는 이유

서로 모르는 참가자들이 하나의 목표를 두고 함께 연구하려면 결과만이 아니라 실행 환경까지 관리해야 한다. 참여자가 제출한 프로그램을 실행해 검증해야 하는데, 이 프로그램이 정답 자료를 몰래 읽거나 점수 계산식을 바꿀 위험이 있기 때문이다. 따라서 유콘은 코드의 수정 범위를 정하고, 제출물을 제한된 실행 공간인 샌드박스에서 평가한다.

유콘은 참가자의 코드와 채점하는 코드를 분리해 이 문제를 해결한다. 예컨대 추론 속도를 겨루는 과제라면 참가자가 고친 코드는 샌드박스 안에서 돌고, 정확성 확인과 측정, 점수 계산은 참가자 코드가 섞이지 않은 별도의 평가 프로그램이 맡는다. 제출한 변경분 역시 수정이 허용된 파일만 원본에 적용된다. 비공개 정답 자료와 인증 정보는 참가자가 접근할 수 없는 곳에서 다루어지며, 정답 검사에 쓴 자료는 성능을 측정하기 전에 작업 공간에서 제거된다.

측정 단계에서도 환경 통제는 엄격하게 유지된다. MLX.fast의 Laguna 과제에서는 동일한 장비에서 기준 구현과 제출된 코드를 연이어 실행하고 칩 온도 등 제반 조건을 맞춰 기기 상태에 따른 변동을 최소화한다. 또한 단번의 급격한 성능 향상은 우연한 측정 오차일 가능성이 있으므로, 고정된 보정 기준 대비 한 번의 제출에서 인정하는 개선 폭에 상한을 두고 단계적 제출과 반복 검증을 요구한다.

모델이 바뀌면 정답 검증 방식과 허용 오차를 재설계해야 하고, 실행 기법이 바뀌면 측정 환경 역시 달라져야 한다. 이처럼 편법이나 오류를 걸러낸 검사 노하우와 재현 가능한 기록이 축적될수록 외부 코드를 수용하는 부담은 자연히 줄어든다. 결국 플랫폼에 남는 자산은 우승 코드에 대한 독점권이 아니라, 결과를 신뢰하고 재사용할 수 있게 만드는 '평가 시스템의 품질'이다. 유콘은 과제를 운영하며 검증기와 실행 로그, 평가 경험을 축적하고 있으며, 이 축적이 경쟁사가 단기간에 따라가기 어려운 기술적 해자가 될 수 있다.

3.3. 유콘의 공동 연구가 만든 성과

그렇다면 여러 사람과 에이전트가 같은 문제를 나눠 풀었을 때, 실제로 어느 정도의 개선을 얻을 수 있을까? 유콘의 출발점이 된 양자회로 최적화 과제 ECDSA.fail과 맥의 AI 추론 속도를 높이는 MLX.fast를 살펴보자.

3.3.1. ECDSA.fail: 양자회로의 자원 비용 86.1% 절감

첫 번째 사례인 ECDSA.fail은 ECDSA의 보안을 분석하는 양자 계산을 최적화하는 과제다.

ECDSA는 타원곡선 암호학을 활용한 전자서명 방식이다. 사용자는 자신만 보유한 개인키로 메시지에 서명하고, 수신자는 공개키로 서명의 유효성을 확인한다. 이를 통해 개인키를 외부로 노출하지 않고도 정당한 키 소유자가 서명했음을 입증할 수 있다. 이러한 보안 메커니즘은 공개키 정보만으로는 개인키를 역으로 추정하기가 수학적으로 매우 어렵다는 원리에 기반한다.

양자컴퓨터의 쇼어(Shor) 알고리즘은 이 개인키를 구하는 계산을 수행할 수 있으며, 그 과정에서 타원곡선 위의 두 점을 더하는 연산이 반복된다. ECDSA.fail이 개선하는 대상은 바로 이 점 덧셈을 수행하는 양자회로, 즉 양자 연산의 구성이며 이를 통해 같은 계산을 더 적은 작업 공간과 연산 횟수로 수행하도록 회로를 고쳐, 개인키를 구하는 데 필요한 양자 자원의 비용을 낮추는 연구다.

아이겐 랩스는 먼저 내부적으로 에이전트와 함께 회로를 개선했지만, 일정 수준에 도달한 뒤 진전이 느려졌다. 이후 코드와 평가 도구, 순위표를 공개하고, 서로 다른 모델과 연구 방법을 가진 참가자들이 문제에 도전할 수 있도록 공개 챌린지를 열었다. 이 방식은 8월 출시된 유콘으로 이어졌다.

그 결과 7월 26일까지 100명 이상의 참가자와 에이전트가 400건이 넘는 개선안을 축적하며, 기준 회로 대비 자원 비용을 86.1% 절감했다. 특히 유콘 플랫폼의 특성에 따라 참가자들은 다른 팀이 공개한 최신 개선안을 받아와 추가로 개량하고, 검증을 통과한 성과를 다시 공유했다. 한 팀이 더 우수한 방안을 찾아내면 다른 팀들도 그 지점부터 연구를 이어받을 수 있었고, 7월 집계 이후에도 자원 비용 절감세는 지속되었다. 내부 연구만으로는 진전이 없던 과제도 서로 다른 전문성을 가진 참가자와 에이전트가 개선안을 주고받으면서 다시 성과를 냈다.

3.3.2. MLX.fast: 같은 맥에서 더 빠른 AI 추론

두 번째 사례인 MLX.fast는 다크블룸의 운영 고민에서 출발했다. 네트워크의 처리량을 늘리려면 맥을 더 많이 모을 수도 있지만, 이미 연결된 맥에서 모델을 더 빠르게 돌릴 수도 있다. 후자라면 장비를 늘리지 않고도 더 많은 요청을 처리할 수 있다. 다크블룸 팀은 이 최적화를 내부에서만 풀지 않고 풀사이드(Poolside)와 함께 MLX.fast를 열고, Laguna XS 2.1 모델의 추론 최적화를 외부 참가자에게 맡겼다.

참가자들은 모델이 원래의 답을 유지하면서 더 빠르게 실행되도록 코드를 고쳤다. 평가 프로그램은 답이 달라지지 않았는지 확인한 뒤 같은 맥에서 속도를 비교했으며, 마찬가지로 검증을 통과한 개선은 다른 참가자에게 공유돼 다음 실험의 출발점이 되었다. 이러한 방식으로 초기 Laguna 과제는 2026년 8월 발표 당시 2.6배의 속도 개선을 달성했으며, 이후 Qwen 3.8 Flash Next 모델을 더 빠르게 실행하는 후속 과제로 확대되었다.

9월 24일 기준 후속 과제인 Qwen 과제에는 참가자 16명이 낸 개선안 60건이 평가를 통과해 반영됐고, 최고 속도 점수는 기준보다 100.5% 높아졌다. 입력을 읽는 속도와 답을 생성하는 속도를 함께 반영한 점수로, 요청을 하나씩 처리하는 조건에서 기준의 약 두 배에 이르렀으며 결국 초기 Laguna 과제에 이어 후속 Qwen 과제에서도 외부 참가자들의 공동 연구가 실제 성능 개선으로 이어졌다.

특히 눈여겨볼 점은, 다크블룸이 오픈라우터에서 제공하는 Gemma 4 26B A4B는 유콘의 MLX.fast 최적화 과제이기도 하다는 것이다. 다크블룸의 추론 프로그램과 해당 과제는 모두 애플 실리콘에서 모델을 실행하는 데 MLX Swift 라이브러리를 사용한다.

이는 다크블룸이 하드웨어를 추가하지 않고도 소프트웨어 개선만으로 처리 용량을 늘릴 수 있음을 시사한다. 유콘에서 검증된 최적화 기술을 유사한 운영 환경의 기기에 적용하면, 동일한 맥에서 단위 시간당 더 많은 추론 요청을 처리할 수 있어 다크블룸의 서비스 경제성 제고로 직결된다.

4. 검증을 통해 넓어지는 컴퓨팅과 연구의 공급

AI 에이전트가 더 많은 일을 맡을수록 이를 실행할 컴퓨터도, 그 위에서 도는 소프트웨어를 개선할 연구 역량도 더 많이 필요해진다. 장비를 모두 직접 사들이고 최적화를 모두 내부 인력으로 해결하려 하면, 서비스가 커지는 속도는 결국 회사가 가진 자본과 인력에 묶인다. 다크블룸과 유콘은 이 한계를 회사 바깥의 자원으로 넘는다. 다크블룸은 이미 누군가 사 둔 맥을 추론 공급으로 끌어오고, 유콘은 외부 연구자와 에이전트의 역량을 소프트웨어 최적화로 끌어온다.

두 플랫폼이 어떻게 맞물리는지는 앞서 본 MLX.fast 사례에서 드러난다. 다크블룸은 같은 맥에서 더 많은 추론 요청을 처리해야 한다는 운영 과제를 내놓고, 유콘은 이 과제를 외부 연구자와 에이전트에게 연다. 이어 제출된 개선안을 평가해 검증을 통과한 성과를 다시 쓸 수 있게 한다. 이렇게 얻은 개선을 다크블룸에 적용하면 맥을 한 대도 늘리지 않고 네트워크의 처리 용량을 키울 수 있다. 같은 기기로 더 많은 토큰을 만들어 내는 만큼 가격 경쟁력도 높아진다.

두 플랫폼을 잇는 것은 ‘검증’이다. 다크블룸은 낯선 사람의 맥이 추론 요청을 처리할 요건을 갖췄는지 확인하고, 유콘은 외부에서 제출된 코드가 실제로 성능을 개선했는지 확인한다. 이 확인이 있어야 컴퓨팅 공급도, 소프트웨어 최적화도 한 회사의 장비와 인력을 넘어 확장될 수 있다.

아이겐레이어가 이미 스테이킹된 이더리움을 새로운 서비스의 보안으로 빌려 쓰게 했듯, 아이겐 랩스는 같은 원리를 AI 시장으로 옮기고 있다. 개발자는 추론에 비용을 지불하고, 그 대가는 남는 맥을 내놓은 소유자의 수익이 되며, 외부 연구 성과는 그 공급을 더 싸고 빠르게 만든다. 이미 흩어져 있는 자원들 사이에서 아이겐 랩스는 그 자원을 믿고 쓸 수 있게 만드는 검증을 더한다.