디스퍼스드(Dispersed) 이해하기: 종합 개요

에릭 마누키안 (Eric Manoukian)
2026년 7월 7일

핵심 인사이트

- Dispersed는 Render Network 생태계의 컴퓨트 서브넷으로, 전 세계에 분산된 GPU를 AI 및 범용 컴퓨트를 위한 온디맨드 마켓플레이스로 전환한다. Render Network Foundation은 거버넌스 제안 RNP-019와 RNP-021 승인 이후 2025년 12월 12일 Dispersed를 발표했다.

- Dispersed는 AI 경제에서 가속 컴퓨트 수요가 하이퍼스케일러의 공급 속도를 앞지르는 반면, Cast AI에 따르면 GPU의 95%는 제대로 활용되지 않는 수급 불일치를 겨냥한다. Dispersed는 어디에 있든 GPU에 작업을 배정해, 컴퓨트가 필요한 수요자와 유휴 용량을 보유한 운영자를 연결한다.

- 이 마켓플레이스에는 두 참여자가 있다. 노드 운영자는 유휴 GPU를 등록하고, 가동 가능 상태 유지와 완료한 작업에 대해 RENDER를 받는다. 서비스 소비자는 하드웨어 사양과 컨테이너 이미지를 지정해 작업을 제출하고, AI 워크로드를 실행하기 위해 GPU를 임대한다.

- 초기 활용 사례는 아티스트용 크리에이티브 툴 자동화, 자율 에이전트, 과학 연구, 개인 데이터 인프라에 걸쳐 있다. 기반 기술을 개발하는 팀들은 에이전트에 필요한 컴퓨트를 위해 Dispersed를 사용하고 있다.

- 대부분의 서비스 소비자는 컴퓨트 비용을 법정화폐로 결제하며, 이 금액은 계정에 크레딧으로 적립된다. 소비자가 네트워크 GPU에서 작업을 완료하면 해당 크레딧은 당시 환율에 따라 RENDER 토큰으로 전환되고, 이 중 5%는 서비스 제공업체인 OTOY에 지급되며, 나머지 95%는 소각돼 RENDER에 직접적인 가치 축적 메커니즘을 제공한다.

서론

AI 붐은 컴퓨팅 파워 시장에 불균형을 만들었다. GPU는 부족한데, 이미 배치된 GPU 상당수는 놀고 있다. 최신 모델의 학습과 서빙에는 가속기가 대량으로 필요하다. 가속기는 AI 작업에 쓰이는 수학 연산에서 기존 CPU보다 빠르고 효율적인 고성능 칩이다. 이 수요는 대형 클라우드 사업자들조차 설치 속도로 따라잡지 못할 정도로 빠르게 늘고 있으며, 이제는 이 부족 현상이 가격을 결정하고 있다. 2026년 AWS는 H200 인스턴스 예약 가격을 인상하며 거의 20년간 이어진 클라우드 비용 하락 흐름을 뒤집었다. 여기에 고대역폭 메모리와 첨단 패키징 병목으로 공급 부족은 2027년까지 이어질 것으로 예상된다. 컴퓨팅이 가장 절실한 개발자와 기업 입장에서는 비용이 더 오르고, 여전히 확보할 수 없는 하드웨어를 기다려야 한다는 뜻이다.

GPU가 부족한 같은 시장에서 많은 GPU는 또 유휴 상태로 남아 있다. 이미 설치된 용량 상당수는 소유자가 사용하지 않는 반면, 다른 수요자들은 추가 물량 확보를 위해 경쟁하고 있다. 기업의 평균 GPU 활용률은 약 5% 수준으로 추정된다. 실리콘에 1달러를 써도 그 대부분은 실제 작업으로 이어지지 않는다. 이런 유휴 용량은 기업이 과잉 구매한 곳 어디에나 존재한다. 하이퍼스케일러 데이터센터, 렌더링 스튜디오, 개인 워크스테이션 전반에 흩어져 있다. 하지만 이 용량을 기꺼이 비용을 내고 쓰려는 사람들과 효율적으로 연결하는 시장은 거의 없다.

하이퍼스케일러 모델은 이 두 문제를 동시에 해결할 수 없다. 가격을 끌어올리는 바로 그 공급 부족 때문에 어떤 팀도 자신이 통제하는 용량을 내놓지 않기 때문이다. 이 간극을 메우려면 다른 구조가 필요하다. 이미 존재하는 곳 어디에서든 GPU에 접근하고, 작업 실행 시간 기준으로 센트 단위까지 가격을 책정하며, 운영자가 원래는 놀려둘 용량으로 수익을 낼 수 있게 하는 마켓플레이스다. Dispersed는 이렇게 설계됐다. 고품질 3D 모션 그래픽 렌더링에서 수년간 같은 방식을 운영해 온 팀이 GPU 시장의 불균형을 해소하기 위해 만들었다.

배경

Dispersed는 더 넓은 Render Network 생태계 안에서 AI 서브넷으로 운영되는 분산형 GPU 컴퓨트 네트워크다. 기존 Render Network와는 독립적으로 운영되지만, 동일한 온체인 토큰 경제, 거버넌스 프레임워크, RENDER 기반 결제 모델을 공유한다.

Render Network는 2017년 3D 렌더링과 모션 그래픽 워크로드를 위한 분산형 GPU 마켓플레이스로 시작했다. 현재 Render Network라는 용어는 원래의 렌더링 네트워크와, RENDER 토큰 경제를 통해 조율되는 더 넓은 GPU 컴퓨트 네트워크 생태계를 모두 가리킨다. 이 생태계에는 현재 세 개의 주요 컴퓨트 네트워크가 포함된다.

- Render Network: GPU 기반 3D 그래픽과 모션 그래픽 워크로드를 위한 기존 렌더링 서브넷.

- Dispersed: 머신러닝, AI 추론, 범용 GPU 컴퓨트 워크로드를 위한 AI 서브넷.

- Salad: 현재 Render Network의 온체인 결제 및 노드 보상 인프라와 통합 중인 독립 운영 분산형 GPU 마켓플레이스.

각 네트워크는 자체 사용자, 노드 운영자, 서비스 스택을 갖고 운영된다. 이들은 RENDER와 Burn-Mint Equilibrium 모델을 통해 경제적으로 연결된다. 이 모델은 네트워크 수익의 일부를 토큰 소각에 배분하고, 노드 운영자를 위한 토큰 기반 인센티브를 지원한다. Render Network Foundation은 더 넓은 생태계 전반의 프로토콜 거버넌스를 총괄한다. Salad Technologies Ltd는 Salad 서브넷을 운영하고, OTOY는 렌더링 서브넷과 Dispersed 모두의 기술 서비스 제공업체 역할을 맡는다.

이 구조가 중요한 이유는 AI, 머신러닝, 시뮬레이션, 그래픽 워크로드 전반에서 GPU 컴퓨트 수요가 계속 빠르게 늘고 있는 반면, 전통적인 클라우드 인프라는 공급 병목, 지리적 집중, 높은 중앙화 사업자 비용에 제약받고 있기 때문이다. 탈중앙화 컴퓨트 네트워크는 전 세계 독립 운영자들의 저활용 GPU 용량을 끌어내는 보완적 모델을 제시한다. 운영상 과제는 결제 지연, 거래 비용 부담, 신용카드 사기, 환전 마찰, 행정 오버헤드를 유발하는 결제망에 의존하지 않으면서 전 세계에 분산된 참여자들 사이에서 공급, 수요, 보상을 조율하는 일이다.

Render의 RENDER 토큰 경제와 Burn-Mint Equilibrium(BME) 모델은 이들 네트워크를 위한 공통 인센티브 및 결제 레이어를 제공한다. Dispersed는 이 프레임워크를 렌더링을 넘어 AI와 범용 컴퓨트로 확장한다. Salad의 통합 제안은 Render가 독립 운영 GPU 네트워크를 위한 더 넓은 경제 레이어로 기능할 수 있음을 추가로 입증할 수 있다.

Dispersed는 두 집단을 연결한다. GPU가 장착된 머신을 제공하는 노드 운영자와, 컴퓨트 집약적 워크로드를 실행하기 위해 실행 시간 기준으로 해당 하드웨어를 임대하는 서비스 소비자다. 더 넓은 Render Network 생태계의 거버넌스 조직인 Render Network Foundation은 Render Network Proposal(RNP) RNP-019 승인 이후, 이후 RNP-021로 확장된 내용을 바탕으로 2025년 12월 12일 이 플랫폼을 발표했다.

Dispersed는 부족한 수요와 유휴 공급 사이의 간극에 직접 자리한다. 개발자, 연구자, 기업이 기존 클라우드의 벤더 종속, 불투명한 API, 높은 가격 부담 없이 임대할 수 있도록 분산된 GPU를 하나의 플랫폼으로 집계하도록 설계됐다. 운영자는 원래는 놀려둘 하드웨어를 활용해 보상을 받고, 사용자는 모델과 데이터에 대한 통제권을 유지한 채 고성능 GPU에 접근할 수 있다. 이 플랫폼은 모델 학습과 추론부터 이미지 생성, 과학 시뮬레이션, 빅데이터 분석, 스트레스 테스트까지 AI 워크로드와 범용 컴퓨트를 모두 지원한다.

기술

Dispersed 작동 방식

Dispersed는 매칭 및 격리 레이어를 통해 작업 실행을 조율한다. 서비스 소비자는 하드웨어 요구사항, 컨테이너 이미지, 실행 파라미터와 함께 작업을 제출하고, 등록된 노드는 할당을 받아 격리된 Docker 컨테이너에서 워크로드를 실행한다.

GPU가 장착된 머신에 Dispersed 클라이언트를 실행해 노드로 등록한 노드 운영자는 작업을 수행할 수 있다. 작업 수명주기는 모든 작업에서 동일하다. 서비스 소비자는 먼저 작업을 제출한다. 여기에는 필요한 하드웨어 사양(예: GPU, RAM, 스토리지)과 Docker 이미지, 파라미터가 포함된다. 네트워크는 이 작업을 사용 가능한 노드와 매칭하고 실행을 넘긴다.

노드는 애플리케이션과 그 종속성을 패키징한 격리된 Docker 컨테이너 안에서 작업을 실행하며, 이를 통해 네트워크 내 어떤 머신에서도 일관된 동작을 보장한다. 각 실행은 하나의 job run을 생성하며, 재시도되거나 여러 노드에 분산될 경우 하나의 작업에서 여러 run이 나올 수 있다. 노드가 네트워크에서 컴퓨트 작업을 수행하면 운영자는 GPU 활용도, 즉 해당 에포크 동안 실제 작업한 시간과 노드 하드웨어를 반영하는 사양 기반 배수를 기준으로 RENDER 작업 보상을 받는다. 운영자는 노드를 온라인 상태로 유지하고 작업 수락이 가능하도록 함으로써 가용성 보상도 받는다.

노드 운영자

노드 운영자는 네트워크에 GPU 컴퓨트 파워를 제공하고 완료한 작업에 대해 RENDER를 받는다. 이 역할은 단일 게이밍 GPU를 보유한 개인부터 가속기 랙을 운영하는 기업까지, 적절한 하드웨어와 안정적인 인터넷 연결을 갖춘 누구에게나 적합하다.

사전 요구사항

노드를 운영하려면 네트워크 기준선을 충족하는 하드웨어와 소프트웨어가 필요하다. GPU 외에도 NVIDIA GPU가 장착된 머신이 필요하며, RTX 3000 시리즈 이상과 최소 1TB 디스크 공간 또는 이에 준하는 사양이 권장된다. 작성 시점 기준 지원 운영체제는 리눅스의 경우 Ubuntu 22.04 또는 24.04, 윈도우의 경우 64비트 Windows 10 또는 11이다. 머신에는 Docker(엔진 버전 25.0 이상)와 Dispersed 클라이언트인 disNet이 실행돼야 한다. 최소 다운로드 300Mbps, 업로드 100Mbps 이상의 빠르고 안정적인 연결이 있어야 노드가 작업 할당 대상이 될 수 있다. OTOY는 Render Network의 기술 서비스 제공업체로, 5% 수수료를 받는 대가로 노드와 서비스 소비자를 매칭하는 소프트웨어를 유지·관리한다. 이에 따라 모든 노드 운영자는 노드를 소유자와 연결하는 OTOY 계정을 만들어야 한다.

노드 등록

노드 등록은 세 단계로 이뤄진다. 첫째, 운영자는 컴퓨트 노드 권한이 있는 API 키를 생성한다. 둘째, 사전 요구사항을 설치하고 머신을 등록한다. 셋째, 실제 운영에 들어가기 전 보상 산정 방식을 검토하고, RENDER 수령을 위한 솔라나 지갑 설정을 포함한 준비를 마친다.

API 키 생성은 Dispersed Console에서 진행된다. OTOY 계정으로 로그인한 뒤 운영자는 API 키 섹션으로 이동해 “Create API Key”를 선택하고, 필요한 권한으로 키를 설정한 뒤 확인한다. Console은 두 개의 자격 증명을 반환한다. 공개 키(‘pk_’ 접두사)와 비밀 키(‘sk_’ 접두사)다. 비밀 키는 각 요청을 인증하는 HMAC 서명을 생성하므로, 운영자는 생성 시점에 두 자격 증명을 모두 저장해야 한다.

키를 발급받은 뒤 운영자는 Dispersed 클라이언트인 ‘disNet’을 사용해 머신을 등록한다. 이 클라이언트는 등록을 처리하고, 작업 할당을 수신하며, 작업이 실행되는 컨테이너를 관리한다. 운영 중인 노드는 네 가지 특성을 갖는다. ‘disNet’과 API 키를 통해 네트워크에 등록되고, 할당을 받기 위해 온라인 상태를 유지하며, 격리된 Docker 컨테이너에서 작업을 실행하고, 가동 시간과 완료한 작업을 기준으로 보상을 받는다.

보안과 격리

‘disNet’은 제로 트러스트 클라이언트다. 이는 작업이 호스트 머신이 네트워크나 디스크를 통해 접근할 수 있는 모든 것에 접근할 수 있음을 뜻한다. Docker를 통한 컨테이너화는 프로세스 격리를 제공하지만, 호스트의 내부 네트워크를 차단해 주지는 않는다. 문서는 노드를 격리된 네트워크 또는 DMZ 안에서 운영할 것을 강력히 권고한다. 이 서브네트워크는 외부 공개 서비스와 내부 인프라를 분리해 작업이 로컬 LAN에 접근하지 못하게 한다. 운영자는 자신의 인프라 보안에 대한 책임을 지며, 이러한 격리는 로컬 자원에 대한 무단 접근을 막는 실질적 보호 장치다.

노드 모니터링

운영자는 여러 개의 노드를 실행할 수 있으며, Dispersed Console을 통해 모두 추적할 수 있다. Console은 각 노드의 상태를 보여주며, 노드 운영자 키를 가진 운영자는 API를 통해 프로그래밍 방식으로도 이를 모니터링할 수 있다.

노드 운영자 보상 구조

운영자는 컴퓨트를 제공함으로써 네트워크의 기본 토큰인 RENDER를 획득한다. 프로토콜은 컴퓨트 에포크라고 불리는 주간 단위로 보상을 분배하며, 각 에포크는 일요일 00:00 UTC부터 다음 일요일 00:00 UTC까지 진행된다. 주간 보상은 세 가지 요소로 구성된다.

- 가용성: 노드를 온라인 상태로 유지하고 작업 수락 준비를 갖춘 시간에 대한 보상.

- 작업 실행: 계산 작업을 완료한 데 대한 보상.

- 준비: 이미지 다운로드와 설정 등 작업 준비에 소요된 시간에 대한 보상.

지급액은 두 가지 요인에 따라 조정된다. 가용성 보상은 100% 업타임 기준 주당 최대 6 RENDER다. 작업 실행 보상은 작업 실행 시간과 하드웨어의 복합 배수에 따라 달라진다. 이 성능 계수는 RTX 4090의 배수를 1.0으로 두고 벤치마크됐다. 더 강한 하드웨어일수록 작업 실행 시간당 더 높은 보상을 받으며, 이는 더 빠른 GPU를 제공하는 운영자에게 유리하다.

운영자 수익을 높이는 네 가지 요인은 더 높은 업타임에 따른 가용성 보상 증가, 더 높은 성능의 GPU에 따른 배수 상승, 더 빠르고 안정적인 연결에 따른 작업 할당 개선, 더 큰 디스크 공간에 따른 더 다양한 작업 유형 수용이다. 획득한 RENDER는 운영자 자신의 프로젝트를 위한 컴퓨트 구매에 다시 사용할 수 있고, 지갑으로 옮겨 스테이킹하거나 Binance, Coinbase, KuCoin 같은 거래소에서 매도 또는 거래할 수도 있다.

서비스 소비자

서비스 소비자는 이를 생산할 하드웨어를 직접 보유하지 않으면서도 본격적인 컴퓨팅이 필요한 사람을 뜻한다. 개인, 취미 사용자, 연구자, 과학자, 개발자, 기업 등 누구나 실행할 워크로드만 있다면 서비스 소비자가 될 수 있다. 서비스 소비자는 비싼 GPU를 선구매하는 대신 밀리초 단위로 비례 계산된 시간만큼 임대해 작업을 실행한 뒤 하드웨어를 반납하고, 실제 사용 시간에 대해서만 비용을 낸다. 이 모델은 병렬 GPU 성능의 이점을 얻을 수 있는 모든 작업에 적합하다. 원격 머신에 대한 순수 SSH 접근이든, 학습·추론·시뮬레이션·데이터 분석을 위한 관리형 환경이든 마찬가지다.

대부분의 서비스 소비자는 컴퓨트 비용을 법정화폐로 결제하며, 이 금액은 계정에 크레딧으로 적립된다. 소비자가 네트워크 GPU에서 작업을 완료하면 해당 크레딧은 당시 환율에 따라 RENDER 토큰으로 전환되고, 이 중 5%는 서비스 제공업체인 OTOY에 지급되며, 나머지 95%는 소각돼 RENDER에 직접적인 가치 축적 메커니즘을 제공한다.

시작하기

노드 운영자와 마찬가지로 서비스 소비자도 Dispersed에 접근하려면 OTOY 계정이 필요하다. SSH 접근에는 추가로 SSH 키 쌍이 필요하고, 프로그래밍 방식 접근에는 HMAC 서명으로 인증되는 API 키가 필요하다. 가장 빠르게 실행 중인 머신을 띄우는 방법은 Console이고, 가장 유연한 방법은 API다.

작업 실행 방법 두 가지

서비스 소비자가 계정에 자금을 충전하면 job recipe를 이용하거나 API를 통해 직접 작업을 실행할 수 있다. 계정 생성 시점에는 job recipe 라이브러리가 제공된다. 이는 검증된 하드웨어 요구사항과 컨테이너 설정을 묶은 사전 구성 템플릿으로, 사용자는 SSH 키 같은 최소한의 입력만으로 일반적인 워크로드를 실행할 수 있다.

사용자는 자신만의 job recipe 템플릿도 만들 수 있다. recipe는 두 번 이상 실행되는 워크로드에 적합하다. 전체 설정을 다시 제출하지 않고 재실행할 수 있고, 빠른 개선을 지원하며, 다른 하드웨어, 이미지, 사전 입력값을 넣은 맞춤형 버전으로 포크할 수 있다. 제공되는 recipe 유형에는 Ubuntu나 Debian 같은 SSH 접근 가능한 리눅스 환경용 Base, ComfyUI, PyTorch, OpenClaw 같은 생성형 AI 환경용 Inference, Unsloth나 Jupyter 같은 파인튜닝 및 강화학습 환경용 Training이 있다. Dispersed는 Pearl mining을 포함한 새롭게 부상하는 GPU 네이티브 워크로드를 위한 특화 recipe도 지원한다.

직접 API를 사용하는 방식은 일회성 워크로드나 완전한 제어가 필요한 경우에 가장 적합하다. 사용자는 정확한 하드웨어를 지정하고, 맞춤형 Docker 이미지를 설정하며, 컨테이너 파라미터를 직접 구성한다. 같은 페이로드를 반복 제출하고 있다면 이를 recipe로 전환하는 편이 적절하다.

작업 유형: 배치와 지속형

모든 작업은 배치 또는 지속형 중 하나이며, 이 선택이 수명주기와 과금 방식을 모두 결정한다. 배치 작업은 완료되거나 타임아웃될 때까지 실행되며, ‘max_timeout_run_ms’ 값을 반드시 지정해야 하고, 실제 실행 시간 기준으로 과금된다. 렌더링, 데이터 처리, 추론 같은 유한한 작업에 적합하며, 컨테이너가 종료되거나 타임아웃에 도달하면 자동으로 멈춘다. 지속형 작업은 소비자가 중단할 때까지 무기한 실행되며, ‘max_timeout_run_ms’를 null로 설정해야 하고, 작업 실행 시간에 대해 밀리초 단위로 과금된다. SSH 접근, 개발 환경, 장시간 실행 서비스에 적합하다. 지속형 작업은 취소할 때까지 계속 과금되므로, 소비자는 작업이 끝나면 이를 중단한다.

작업 실행과 인스턴스 연결

Console을 통해 서비스 소비자는 몇 가지 단계를 거쳐 recipe에서 실행 중인 머신까지 이동한다. 로그인 후 사이드바에서 “Run”을 열고, job recipe를 선택하거나 이를 수정한 뒤, 예산과 워크로드에 맞는 GPU를 고른다. 설정 모달에서는 필요한 입력값을 받는데, SSH 인스턴스의 경우 SSH 공개 키와 접속을 허용할 IP 범위가 여기에 해당한다. 작업을 제출하면 작업 상세 페이지가 열린다.

이후 작업은 세 단계를 거친다. “Pending”은 네트워크가 사양에 맞는 노드를 찾고 있다는 뜻이다. “Assigned”는 노드가 선택돼 컨테이너를 준비 중이라는 의미다. “Running”은 컨테이너가 실행 중이며 연결할 준비가 됐다는 뜻이다. 노드가 할당되면 네트워크는 자동으로 job run을 생성하며, 이는 가용성에 따라 몇 초에서 몇 분이 걸릴 수 있다.

작업 상태가 “Running”으로 표시되면 소비자는 “job runs” 섹션에서 해당 job run을 열고 Node URLs 아래의 연결 정보를 확인한다. 구체적으로는 호스트명과 포트다. SSH recipe의 경우 연결 형식은 다음과 같다.

ssh -i ~/.ssh/dispersed -p duser@

job run 페이지는 상태 변화에 따라 업데이트된다. Ubuntu-with-SSH recipe는 지속형 작업을 생성하므로, 작업이 끝나면 소비자는 과금을 종료하기 위해 Jobs 화면에서 해당 작업을 중단해야 한다.

작업 모니터링

소비자는 Dispersed Console을 통해 작업 상태를 추적하고, 로그를 확인하며, 실행 중인 작업을 관리한다. 연결 정보를 보여주는 동일한 작업 상세 페이지와 job run 페이지가 진행 중인 작업의 운영 화면 역할도 한다.

리스크

Render Network는 전통적인 고비용 결제 제공업체를 사용하는 경쟁사보다 낮은 비용, 그리고 BME 모델을 통한 RENDER 토큰 가치 축적 등 입증된 장점이 있지만, 리스크가 없는 것은 아니다. 특히 주목할 만한 세 가지 핵심 리스크가 있다.

- 공급 측 취약성: 작업 완료에는 노드 운영자가 충분한 GPU 용량을 제공해야 한다. 서비스 소비자 수요를 충족할 만큼 GPU가 공급되지 않으면, 서비스 소비자들은 더 신뢰할 수 있는 다른 대안으로 이탈하면서 마켓플레이스가 실패할 수 있다. 비록 비용은 더 높더라도 마찬가지다. 이 경우 RENDER의 BME 가치 축적 메커니즘도 무너진다. 완료되는 작업이 거의 없거나 전혀 없어 실제로 소각되는 RENDER도 거의 없거나 없기 때문이다.

- 시장 리스크: Dispersed는 이례적일 정도로 크고, 지속 가능하지 않을 수도 있는 AI 투자와 수요가 형성한 시장 환경에서 운영된다. Dispersed의 장기적 지속 가능성은 GPU 컴퓨트에 대한 개발자 수요가 계속 이어지는지에 크게 달려 있다. 현재의 AI 붐이 예상보다 투기적 거품에 더 가깝다면, 수요의 급격한 위축은 네트워크 활용도를 실질적으로 훼손할 수 있다.

- 실행 리스크: 실행 리스크의 핵심은 Dispersed가 중앙화 클라우드 사업자 및 다른 탈중앙화 GPU 네트워크와 경쟁하는 GPU 마켓플레이스로서 경쟁력을 가질 수 있는지 여부다. Dispersed의 구조는 특정 워크로드, 특히 데이터센터 하드웨어보다 소비자용 GPU에 더 적합한 작업에서 뚜렷한 장점을 제공하지만, 사용자는 기존 관계 등 여러 요인을 이유로 여전히 경쟁 플랫폼을 선호할 수 있다.

사례 연구

출시 시점 기준 Dispersed의 공급 깊이는 아직 입증되지 않았다. 다만 렌더링 서브넷에는 참여를 희망하는 GPU 운영자들의 오랜 대기 수요가 존재한다. 수요 측면에서는 아래 사례 연구들이 초기 신호를 보여준다. 2025년 12월 출시 이후 네 건의 초기 도입 사례는 생성형 아트, 자율 에이전트, 과학 연구, 개인 데이터 인프라 등 다양한 활용처에서 Dispersed가 실제 운영 워크로드를 처리하고 있음을 보여준다.

MHX: 비트코인 데이터를 활용한 자율 생성형 아트

MHX라는 이름으로 알려진 3D 아티스트 Muhammet Altun은 Bitmap을 구축했다. 이 시스템은 24시간마다 비트코인 블록 하나를 선택해 그 거래 데이터를 고유한 애니메이션 3D 조각으로 확장한다. 비트코인 블록은 대략 4MB로 제한되며, 이는 고화질 JPEG 한 장 정도 크기다. 그럼에도 고밀도 시드 역할을 한다. 단일 블록에는 평균 약 3000건의 거래가 담기며, 알고리즘은 이 메타데이터를 수천 개의 개별 직육면체로 이뤄진 조각으로 확장한다. 작은 입력에서 큰 처리 부담이 발생하는 구조다.

이 프로젝트는 뚜렷한 제약에 직면했다. 고사양 로컬 워크스테이션에서 블록 하나를 4K 조각으로 확장하는 데 약 35시간이 걸렸고, 이는 일일 시리즈에 필요한 24시간 창을 초과해 날이 갈수록 일정이 밀리게 만들었다. 이를 로컬에서 실행하면 개인용 컴퓨터가 상시 가동 서버이자 단일 장애 지점이 됐을 것이다. AWS 같은 전통적 클라우드는 DevOps 부담과 비용을 더했을 것이다.

MHX는 작업을 Render 생태계의 두 레이어로 나눴다. Dispersed는 컴퓨팅을 담당해 Houdini 파이프라인(Houdini의 Procedural Dependency Graph로 오케스트레이션됨)을 실행하며 지오메트리를 구성했고, Render Network API는 병렬 프레임 렌더링을 맡았다. 그는 Houdini와 OctaneRender를 Docker 이미지로 패키징했고, 로컬 환경과 Dispersed 노드 간 1:1 동일성을 확인해 테스트와 배포를 수월하게 진행할 수 있었다고 밝혔다. 경량 Cloudflare Worker가 매일 파이프라인을 트리거하며, 16개 CPU, GPU 1개, RAM 32GB, VRAM 16GB를 갖춘 노드를 요청하는 서명된 작업 요청을 Dispersed API에 제출한다.

이 구조는 생성 시간을 35시간에서 15분으로 줄였고, 인프라 관리 필요성도 없앴다. MHX는 Dispersed에서 조각 하나당 컴퓨트 비용이 몇 센트 수준이라고 추산했다. 이는 전통적 클라우드에서 작품당 8달러와 비교해 95% 이상 줄어든 수준이다. Bitmap은 2026년 1월 1일 출시됐고, 이후 수동 개입 없이 하루 한 점의 조각을 생성하며 자율적으로 운영되고 있다.

Manifest Network와 Sarson Funds: AI 에이전트를 위한 GPU 인프라

RenderCon 2026에서 Sarson Funds와 Manifest Network는 워크로드가 발생할 때마다 Dispersed에서 GPU 파워를 프로그래밍 방식으로 조달하는 AI 애플리케이션을 시연했다. 이는 클라우드 컴퓨트를 상시 예약해 두는 방식과 대비된다. Sarson Funds는 탈중앙화 물리 인프라 네트워크(DePIN) 투자자 관점에서 이 영역에 접근하고 있으며, Manifest Network는 애플리케이션을 탈중앙화 컴퓨트와 연결하는 레이어를 제공한다.

두 개의 애플리케이션이 이 모델을 보여줬다. 암호화된 멀티모델 AI 비서인 Agent1은 각 사용자 질의를 세 개의 개별 GPU 작업으로 나눈다. 프롬프트를 벡터, 즉 모델이 의미를 비교하고 관련 맥락을 검색하는 데 사용하는 텍스트의 수치 표현으로 변환하는 임베딩 단계, 맥락과 도구를 라우팅하는 정리 단계, 응답을 생성하는 추론 단계다. Dispersed는 각 단계를 서로 다른 GPU 등급에서 실행할 수 있게 해준다. 이에 따라 가벼운 임베딩 워크로드는 3060 Ti 같은 저비용 GPU에서 실행하고, 고성능 추론은 5090으로 확장할 수 있다. 암호화폐 포트폴리오 분석 도구인 Suma는 애널리스트 모델과 마르코프 체제 분류기를 병렬로 실행하며, 각 워크로드에 비용 효율적인 하드웨어를 선택한다.

이 발표는 변화를 한 문장으로 요약했다. “에이전트는 더 이상 챗봇이 아니다. 컴퓨트를 구매하는 주체가 된다.” 발표에서는 질의당 세 개 GPU 등급, 12개가 넘는 NVIDIA GPU 클래스 접근성, 시간당 약 0.26달러부터 시작하는 가격, 유휴 오버헤드 없는 탄력적 확장을 강조했다. OpenClaw 호환 도구를 통해 에이전트는 실시간으로 Dispersed에 직접 작업을 보낼 수 있으며, 이를 통해 컴퓨트는 유동적이고 프로그래밍 방식으로 접근 가능한 자원이 된다.

Evidence.guide: 대규모 과학 재현 가능성 예측

Paul Litvak과 Robyn Dawes Institute는 과학 논문을 읽고 그 결과가 재현될지를 예측하는 AI 파이프라인인 evidence.guide를 구축했다. 이 문제는 규모가 크고 비용도 많이 든다. Open Science Collaboration이 수행한 2015 Reproducibility Project: Psychology에서는 심리학 연구 100건 중 약 40%만 재현에 성공했다. 재현 실패로 인한 비용은 미국 전임상 연구에서만 연간 280억달러로 추정된다. 예측 시장은 약 73% 정확도에 도달하지만, 희소한 도메인 전문가에 의존해 확장성이 떨어진다. Evidence.guide는 수십만 편, 나아가 수백만 편의 논문에 걸쳐 1만편 기준선을 훨씬 낮은 비용으로 따라잡고 넘어서는 것을 목표로 한다.

이 파이프라인은 논문을 여러 계산 집약적 단계로 처리한다. GROBID는 약 80%의 기본 정확도로 구조화 데이터를 추출한다. Gemini와 Mistral 같은 대형 언어 모델은 이미지 모델로 표를 처리해 표 추출 성능을 높인다. 이는 정확한 전사와 의미 해석이 서로 다른 문제라는 점을 반영한다.

Refine.ink와의 파트너십은 연구 설계에 대한 자동화된 동료 심사 단계를 수행하고, 포렌식 통계 테스트 모음(p-value 계산, GRIM, DEBIT, p-curve 및 z-curve 분석)은 보고된 수치의 불일치와 p-해킹 여부를 점검한다. 약 4000건의 재현 연구로 학습한 XGBoost 모델은 이러한 특성을 재현 가능성 점수와 그 근거로 변환한다.

수만 편의 논문에 걸쳐 여러 AI 레이어를 실행하는 일은 상근 인력이 1명뿐인 비영리 조직에 전통적 클라우드 인프라를 사실상 감당하기 어렵게 만든다. Dispersed는 여러 노드에서 추출 및 점수화 단계를 병렬 실행해 하이퍼스케일러보다 훨씬 낮은 비용을 제공한다. 또한 이 파트너십에는 컴퓨트 크레딧과 보조금으로 지원되는 통합 엔지니어도 포함돼 있는데, 이는 AWS나 구글 클라우드가 소규모 팀에 제공하지 않는 지원이다. Evidence.guide는 현재 약 1만편의 심리학 논문을 다루고 있으며, 개발경제학과 임상의학을 거쳐 궁극적으로는 출판된 모든 무작위 대조시험으로 범위를 넓힐 계획이다.

Omniscient: AI를 위한 주권형 메모리 레이어

CEO Hannah Barris가 이끄는 Omniscient는 사용자가 이미 쓰고 있는 AI 모델과 사용자 사이에 위치하는 지속형 컨텍스트 엔진을 구축하고 있다. 이들의 전제는 오늘날의 비서가 상태를 유지하지 못한다는 점이다. 모든 대화는 새로 시작되고, 사용자 데이터에서 구축된 지능은 다른 누군가가 소유한다. Omniscient는 이메일, 메모, 음성 데이터, 문서 같은 사용자 소유 소스를 집계해, 실제 개인 맥락에 기반해 AI 출력이 이뤄지도록 지속적으로 진화하는 메모리를 만든다. Barris는 RenderCon 2026에서 이 논지를 “맥락을 소유하는 자가 승리한다”라고 표현하며, 모델 품질은 수렴하고 있고 지속 가능한 우위는 맥락이라고 주장했다.

Omniscient는 Manifest Network와 Dispersed를 포함한 조합 가능한 탈중앙화 인프라 위에서 운영되며, 사업자 종속 없이 여러 제공업체를 오갈 수 있는 이식 가능한 컨테이너형 워크로드를 사용한다. Dispersed는 이 플랫폼이 탈중앙화 자원 전반에 워크로드를 동적으로 배치할 수 있게 하면서도 이식성, 거버넌스 유연성, 데이터 통제권을 유지하게 해준다. 회사는 이를 애플리케이션 레이어의 프라이버시 설정이 아니라 사용자 주권의 기반으로 본다. Barris는 목표를 “당신의 데이터. 당신의 맥락. 당신의 AI.”라고 요약했다.

맺음말

Dispersed는 이미 탈중앙화 GPU가 실제 작업을 대규모로 조율할 수 있음을 입증한 네트워크를 확장해, 현재 컴퓨트 시장에서 가장 압박이 큰 영역에 그 역량을 적용한다. 핵심 가정은 AI 수요와 유휴 공급이 하이퍼스케일러 모델 안에서는 해소되지 않을 것이며, RENDER로 결제되는 마켓플레이스가 그 차이를 메울 수 있다는 점이다. 운영자는 원래 한 자릿수 활용률에 머물 하드웨어로 수익을 내고, 소비자는 기존 클라우드의 가격 부담이나 종속 없이 전문급 가속기에 접근할 수 있다.

초기 도입 사례는 이미 이러한 강점이 실제로 작동하고 있음을 보여준다. 크리에이티브 파이프라인, 자율 에이전트, 과학 연구, 개인 데이터 인프라 전반에서 같은 패턴이 나타난다. 전문급 GPU가 너무 느리거나, 너무 비싸거나, 아예 불가능했던 워크플로를 온디맨드로 실행 가능한 워크플로로 바꾸고 있다는 점이다. 규모의 최소 기준이나 기관 요건도 없다. 워크로드만 있으면 접근할 수 있다. 이는 독립 아티스트와 소규모 비영리 조직을 기업과 같은 출발선에 올려놓는다. 모델 학습과 이미지 생성부터 과학 시뮬레이션, 에이전트 오케스트레이션에 이르기까지 마찬가지다. Dispersed가 파일럿 고객과 첫 1000개의 엔터프라이즈 가속기에서 출발해 AI 컴퓨트의 기본 선택지로 얼마나 확장할 수 있을지는, 고성능 GPU 공급이 얼마나 깊어지는지와 네트워크가 그 공급에 수요를 얼마나 안정적으로 연결하는지에 달려 있다.

모든 콘텐츠는 작성자가 독립적으로 작성했으며 Messari, Inc.의 견해를 반드시 반영하는 것은 아니다. 작성자는 이 보고서에 언급된 암호화폐를 보유하고 있을 수 있다. 이 보고서는 정보 제공만을 목적으로 하며 투자 자문을 제공하기 위한 것이 아니다. 투자 결정을 내리기 전에 스스로 조사하고 독립적인 재무, 세무 또는 법률 자문가와 상담해야 한다.