FLock.io에서는 종종 이런 질문을 받습니다.

“왜 이 기술에 블록체인이 필요하죠? 그냥 기존 AI에 크립토 용어만 덧씌운 건 아닌가요?”

그 답은 절대 아닙니다.

블록체인은 우리가 협력적이면서도 안전한 모델을 제공하기 위해 필수적이며, 단순한 크립토 클리셰(유행어)와는 아무 관련이 없습니다.

이 기술이 얼마나 핵심적인지, 우리 이름 자체가 그것을 담고 있습니다 — FLock은 Federated Learning on Blockchain(블록체인 기반 연합학습) 의 약자입니다.

왜냐하면 탈중앙화된 FL(deFL) 은 중앙화된 FL(ceFL)에 비해 훨씬 더 확장 가능하고 안전하기 때문입니다.

페더레이티드 러닝(FL)의 개념은 2016년 구글이 처음 고안했습니다.

이 방식은 민감한 데이터를 한 곳에 모으는 대신, 모델 학습 과정을 데이터가 있는 위치로 직접 이동시키고, 학습이 끝난 후 업데이트만 가져오며 원본 데이터는 절대 옮기지 않는 구조입니다.

중앙화 FL(ceFL)의 문제점: 이기적인 중앙 서버, 보안 위험, 그리고 편향된 모델 결과

전통적인 FL은 중앙화 AI가 비판받는 문제들을 모두 해결할 수 있는 기술처럼 소개되어 왔습니다.

하지만 실제로 오늘날 우리가 보는 ceFL 은 수많은 약점, 병목현상, 윤리적 문제를 안고 있습니다.

• ceFL은 Apple과 Google 같은 빅테크 기업이 통제하고 있으며, 완전한 블랙박스 형태로 운영됩니다.
• 이들은 공익보다 수익을 우선하고, AI 개발 방향을 커뮤니티가 함께 결정할 수 없게 막아 신뢰를 잃고 있습니다.
• 업데이트는 중앙 서버로 보내지고, 그 서버는 모든 것을 수익화하며 기여한 노드에게 아무런 소유권도 부여하지 않습니다.

또한 기술적으로는, 기본 ceFL 노드의 데이터가 노출될 가능성 역시 현실적으로 존재합니다.

이는 전통적인 중앙화 AI처럼 단일 실패 지점을 가지며, 데이터 프라이버시와 보안 측면에서 위험합니다.

게다가 ceFL에서는 모델 결과가 편향될 수 있습니다.

왜냐하면 중앙 서버가 최종 결정을 독점하기 때문입니다.

• 중앙 서버가 전체 학습 과정을 조율하고,
• 어떤 노드가 참여 가능한지 결정하며,
• 무엇이 “정답(검증셋)” 인지도 혼자 정의합니다.

이 구조는 매우 위험합니다.

단일 서버가 “향상된 모델인지 아닌지”를 독단적으로 판단할 수 있어,

결국 그 서버의 이해관계에 맞춘 편향된 모델이 만들어질 수 있습니다.

훈련 노드는 소수만 허용되기 때문에, 참여 자체도 폐쇄적으로 흘러가게 됩니다.

실제로 한 만화에서는, Google AI가 FL을 “개인정보 보호 기술”이라고 홍보하며,

자사의 “브랜드가 프라이버시 악몽으로 망가졌을 때” 다시 사용자 신뢰를 얻기 위한 도구처럼 묘사하기도 합니다.

가장 가치 있는 데이터는 사실 우리가 매일 사용하는 기기(사용자 단말) 안에 그대로 존재합니다.

연합학습(FL)은 이 데이터를 중앙으로 수집하지 않고도 더 똑똑한 중앙 모델을 분산 데이터 위에서 학습할 수 있게 해줍니다. 기기에서 몇 분 정도 학습을 수행한 뒤, 원본 데이터가 아닌 학습 결과(업데이트 값) 만 중앙 서버로 전송하는 방식입니다.

본질적으로, 하나의 중앙 감독 노드(서버)가 여러 클라이언트 기기에서 협력적으로 모델을 학습하도록 오케스트레이션합니다. 서버는 전역(global) 모델을 배포하고, 각 기기는 이를 로컬 환경에서 학습한 뒤 모델 업데이트를 다시 서버로 전송합니다. 이 업데이트들은 서버에서 집계(aggregate)되어 더 개선된 모델을 만들어냅니다.

업데이트는 암호화된 상태로 전송되며, secure aggregation 기술을 통해 서버는 암호화된 결과들을 결합한 뒤, 오직 “집계된 결과”만 복호화할 수 있습니다.

그러나 앞선 만화에서 고백하듯, ceFL의 근본적인 보안 취약점은 여전히 존재합니다. 기술적으로는 중앙 서버가 개별 노드의 원본 데이터에 접근할 수 있는 가능성이 남아 있다는 것입니다. ceFL 구조에서는 각 학습 노드가 서로는 격리되어 있지만, 중앙 권한자(플랫폼/서버)에게는 완전히 노출될 수 있습니다. 이는 악의적인 행위를 잡아내는 측면에서는 유용할 수 있으나, 심각한 프라이버시 리스크를 만들게 됩니다.

이러한 취약점이 존재한다는 사실만으로도, 참여자들은 결국 중앙 서버 운영자를 신뢰할 수밖에 없는 구조에 놓이게 됩니다.

이 때문에 고가치 데이터를 보유한 기관들(예: 서로 경쟁 관계에 있는 은행, 병원 등)은 ceFL 네트워크에 합류할 수 없고, 결과적으로 모델의 품질과 다양성이 크게 제한됩니다. 네트워크가 확장될 수 없는 구조가 되는 것이죠.

ceFL의 대표적인 활용 사례 중 하나가 스마트폰 키보드의 자동 완성 기능입니다.

위험성은 분명합니다. 이 서버를 운영하는 회사는 이론적으로 당신이 타이핑하는 모든 내용을 볼 수 있는 권한을 가지게 됩니다.

FLock의 deFL 블록체인 솔루션: 탈중앙화, 합의 기반 검증, 그리고 인센티브 메커니즘 토크노믹스

바로 여기서 블록체인이 중요한 역할을 합니다.

블록체인은 기존 연합학습이 가진 구조적 취약점을 보완하고, 훨씬 더 안전하고 확장 가능한 형태로 진화시키는 핵심 기술입니다.

ceFL(중앙화 연합학습)과 달리, deFL(탈중앙화 연합학습)에서는 학습을 조율하는 중앙 서버가 존재하지 않습니다.

각 클라이언트는 중앙 서버로 업데이트를 보내는 대신 이웃 노드 간에 직접 모델 업데이트를 교환하며, 감독·검증 기능이 네트워크 전체로 분산됩니다.

FLock.io는 블록체인을 활용해

• 사용자 프라이버시 보호
• 악의적 행위 방지

라는 두 가지 핵심 문제를 동시에 해결합니다.

이를 위해 보상과 페널티를 포함한 토크노믹스 설계가 적용되어 있으며, deAI에서의 “크립토 인센티브”가 전통적인 암호화폐와 어떻게 다른지 설명한 상세한 블로그도 운영하고 있습니다.

블록체인은 악성 트레이너(공격자)가 모델을 오염시키거나 “lookup attack”을 시도하는 것을 강력하게 억제합니다.

합의(Consensus) 기반의 Proof of Quality(품질 증명) 메커니즘이 작동하며, 이 안에는 영리한 경제적 인센티브 구조가 결합되어 있습니다.

FLock이 해결하고자 하는 핵심 문제는 단순합니다:

“의미 있는 데이터를 가진 누구나, 허가 없이 연합학습에 참여할 수 있어야 한다.”

이를 위해, 알고리즘과 블록체인을 통해 누구의 데이터가 학습에 적합하고 누구의 데이터는 제외되어야 하는지를 공개적으로, 투명하게, 민주적으로 결정합니다.

기여자는 인센티브를 받지만, 질 낮은 데이터를 제공한 참여자는 슬래시(패널티) 됩니다.

이 과정에 보상·페널티 같은 경제적 요소가 포함되기 때문에 탈중앙화 합의 구조는 필수적이며, 특정 단일 기관이 최종 결정을 내릴 수 없습니다.

우리 시스템에서는 FL 학습 노드들이 여러 라운드를 거치며 무작위로 제안자(프로포저)와 검증자(투표자) 로 배정됩니다.

검증자들은 자신의 로컬 데이터를 이용해 새로운 모델 제안을 평가하고, 실제로 모델이 개선된 경우에만 다음 라운드의 “기준 모델”로 채택됩니다.

만약 악의적 활동이 밝혀지면, 해당 노드가 스테이킹한 $FLOCK 토큰은 슬래시(몰수)되고,

반대로 모델이 집계(aggregation) 대상 모델로 채택되면 프로포저는 $FLOCK 토큰 등으로 보상을 받습니다.

FLock의 deFL(탈중앙화 연합학습) cycle

Press enter or click to view image in full size

Phase 1: 등록

$FLOCK 토큰을 스테이킹하여 FL 노드로 등록합니다.

Phase 2: 무작위 할당

프로포저(제안자)와 밸리데이터(검증자)를 무작위로 선정합니다.

Phase 3: 로컬 학습 & 모델 집계

각 노드가 로컬 데이터로 모델을 학습하고, 이를 집계하여 새로운 모델 후보를 생성합니다.

Phase 4: 검증 & 투표

각 검증 노드는 자신의 로컬 데이터를 사용해 새로운 모델을 평가한 뒤 투표합니다.

투표 결과는 블록체인에 기록되며, 이 모델이 기존 합의 모델보다 개선된 것인지 여부가 결정됩니다.

Phase 5: 보상 및 합의

개선된 모델로 확인되면 제안자에게 보상이 지급되고, 해당 모델이 다음 라운드의 기준(base) 모델로 교체됩니다.

만약 모델이 승인되지 못할 경우, 스테이킹된 토큰은 슬래시되고 라운드가 처음부터 다시 시작됩니다.

ceFL과 FLock의 블록체인 기반 deFL 간 핵심 차이는 아래 표에서 확인할 수 있습니다.

Press enter or click to view image in full size

요약하면, FLock의 블록체인 기반 deFL이 가져오는 핵심 차별점은 다음과 같습니다

• 중앙 서버 기반 허브-스포크 구조가 아닌 탈중앙화된 P2P 네트워크
• 학습 통제권이 단일 기관이 아니라 참여자 전체에게 분산
• 학습 조율 주체가 중앙 서버 → 블록체인 + 스마트컨트랙트로 전환
• 신뢰 기반이 “기업 신뢰”가 아니라 암호화 기술 기반의 분산 신뢰
• 단일 실패/공격 지점이 없어 공격 대응력이 강하고
• 거버넌스 또한 커뮤니티 주도의 온체인 방식으로 운영

FLock.io의 목표는 “세상을 모두 온체인으로 끌어오는 것”이 아닙니다.

우리는 ceAI(중앙화 AI)의 효율성과 속도는 그대로 활용하면서,

deFL(탈중앙 FL)의 공정성과 참여 기회를 결합하는 방식으로 설계하고 있습니다.

즉, 성능을 포기하지 않고 확장성과 신뢰성을 동시에 구현하는 모델입니다.

FLock deFL의 확장성: 네트워크 효과

FLock의 deFL은 단순히 기술적 문제를 해결하는 수준을 넘어,

네트워크 효과를 통해 대규모 확장성을 실현합니다.

전통적인 FL(ceFL)은 중앙집중형 구조로 인해 기관 간 사전 신뢰가 필요하고,

결과적으로 참여가 소수의 고립된 그룹(silo)에만 제한됩니다.

하지만 블록체인 합의와 인센티브 모델이 결합된 도메인 특화 모델(domain-specific models) 은

FL의 대중적 확산을 가속화할 수 있으며,

참여자가 늘어날수록 모델의 성능과 속도도 더 빨라집니다.

이는 SNS에서 가입자가 늘수록 사용자 경험이 좋아지는 현상과 유사합니다.

민감 데이터 산업에서의 필요성

우리 기술은 특히 다음과 같이 데이터 민감성과 법적 의무(신탁의무)가 강한 산업에서 필수적입니다:

• 헬스케어 및 의료
• 제약 및 바이오
• 금융 (특히 투자은행)
• 정부 및 공공기관
• 하이테크 기업

이러한 기관들은 GDPR, HIPAA 등 규제를 준수해야 하며, 중앙집중형 AI(ChatGPT 등)를 사용하는 것이 법적·보안적으로 너무 위험합니다.

금융(IB) 사례

투자은행은 고객 데이터가 외부로 나가는 것을 엄격히 금지합니다.

예를 들어, 애널리스트가 등록서 초안이나 재무 문서를 단순한 문법 교정 목적으로 ChatGPT에 입력하기만 해도 기밀 정보가 외부 플랫폼(OpenAI 등)으로 노출될 가능성이 있습니다.

이 정보가 관찰되면 프런트러닝 또는 내부자 거래가 가능해지므로 위험은 매우 큽니다.

deFL이 해결하는 방식

• 모델은 각 로컬 디바이스에서 학습
• 중앙으로 공유되는 것은 원본 데이터가 아닌 모델 파라미터 업데이트만
• 민감 데이터는 절대 이동하지 않음

이 방식은 모두가 집단 지성을 통해 더 똑똑한 모델 혜택을 받으면서도

데이터 보안과 프라이버시를 완전히 지킬 수 있도록 합니다.

최종 목표는 모델이 중앙 서버의 의사결정이 아니라,

FL 참여 노드 전체의 합의(컨센서스) 를 반영하도록 만드는 것입니다.

또한 학습 결과물(최종 모델)에 대한 소유 비율(ownership)은 훈련 이후 각 노드가 보유한 $FLOCK 토큰 비율을 기준으로 결정됩니다.

따라서 거대 기업이 모델 성과를 독점하거나 “가져가는” 행위는 구조적으로 불가능합니다.

현재 우리는 다음과 같은 글로벌 파트너들과 협력하고 있습니다:

• United Nations Development Programme (UNDP)
• Hong Kong Generative AI R&D Centre
• Alibaba Cloud의 Qwen
• University College London Hospitals (UCLH)
• Aigen Sciences

참고: https://www.flock.io/blog/blockchain-isnt-a-clich-at-flockio-its-essential-for-scaling-federated-learning

FLock Korea Linktree: https://linktr.ee/FLock.ioKorea