Sam Ruskin 프로토콜 RA Jul 28, 2025 ⋅  읽는데 약 12분 소요

핵심 인사이트

• 크로미아(Chromia)는 데이터 집약적인 탈중앙화 애플리케이션을 위해 설계된 레이어 1 네트워크다. 각 애플리케이션은 자체 데이터베이스와 실행 엔진을 갖춘 독립적인 환경에서 자체 체인에서 실행되어 완전한 제어와 성능 격리를 보장한다.

• 크로미아의 아키텍처는 시스템 노드와 애플리케이션 노드를 분리한다. 시스템 노드는 핵심 네트워크 서비스(디렉토리 해결, 토큰 경제학, 상태 앵커링, 합의)를 관리하고, 애플리케이션 노드는 스마트 컨트랙트를 실행하고 거래를 검증하며 클라이언트 요청을 처리한다.

• 크로미아의 네이티브 벡터 데이터베이스 확장(Vector Database Extension)은 SCU 기반 PostgreSQL 데이터베이스 내에서 임베딩을 저장하고 쿼리한다.

• 벡터 확장은 임베딩 생성, 인덱싱, Rell 기반 쿼리를 단일 원자적 작업으로 처리하여 온체인 추론 지연 시간을 단축한다.

• 향후 로드맵에는 벡터 DB 확장을 랭체인(LangChain)과 통합하고, 물리적 AI 파일럿, 확장 SDK 및 마켓플레이스 등의 이니셔티브가 포함되어 있다.

서론

크로미아는 데이터 집약적인 탈중앙화 애플리케이션을 위해 설계된 레이어 1 블록체인이다. 아키텍처는 클러스터라고 불리는 서로 다른 노드 그룹이 네트워크의 특정 부분을 실행하는 클러스터 기반 설계를 중심으로 구축되었다. 단일 글로벌 체인에 의존하는 대신, 크로미아는 실행과 상태 관리를 독립적인 클러스터에 위임하며, 각 클러스터는 합의 그룹, 스토리지 백엔드, 실행 환경을 갖추고 있다. 이 모듈러 접근 방식은 워크로드를 격리하고, 애플리케이션별 세밀한 조정을 가능하게 하며, 더 많은 애플리케이션이 온라인에 오더라도 네트워크 혼잡을 일으키지 않고 네트워크가 수평적으로 확장할 수 있게 한다.

클러스터는 시스템 클러스터와 애플리케이션 클러스터라는 두 가지 주요 유형으로 나뉜다. 시스템 클러스터는 크로스 네트워크 행동과 앵커링을 조정하는 5개의 전문 체인을 포함해 프로토콜의 핵심 인프라를 실행한다:

• 디렉토리 체인(Directory Chain): 애플리케이션 이름에서 해당 검증자 세트와 메타데이터로의 권위 있는 매핑을 저장하여 클라이언트가 주어진 애플리케이션과 상호작용하는 방법을 발견할 수 있게 한다.

• 경제 체인(Economy Chain): 네트워크 전반에 걸쳐 스테이킹, 토큰 발행, 인플레이션, 수수료 분배를 관리한다.

• 토큰 체인(Token Chain): CHR(크로미아의 네이티브 토큰)과 커스텀 자산을 포함한 크로미아 네이티브 토큰을 추적하며, 애플리케이션 간 발행, 소각, 전송을 지원한다.

• 클러스터 앵커링 체인(Cluster Anchoring Chain): 클러스터 내 모든 애플리케이션의 머클 루트 커밋을 집계하여 상태 일관성 증명을 제공한다.

• 시스템 앵커링 체인(System Anchoring Chain): 이러한 집계된 커밋을 비트코인과 이더리움 같은 외부 체인에 게시하여 변조 저항성과 외부 감사 가능성을 활성화한다.

반면 애플리케이션 클러스터는 애플리케이션별 블록체인을 실행하는 데 전념한다. 각 애플리케이션은 자체 PostgreSQL 데이터베이스 서버(애플리케이션 데이터를 저장하고 사용자가 쿼리를 실행할 수 있게 하는 소프트웨어)와 스마트 컨트랙트를 위한 실행 엔진을 갖춘 독립적인 환경인 표준 컨테이너 유닛(SCU, Standard Container Unit)에서 작동한다. 이 구조는 개발자에게 애플리케이션의 실행 매개변수, 검증자 세트, 데이터 모델에 대한 완전한 제어권을 제공한다. 또한 성능 격리를 보장하여 한 애플리케이션의 무거운 워크로드가 다른 애플리케이션에 영향을 주지 않는다. 이 설계는 온체인 게임, AI 추론 엔진, 오라클과 같은 컴퓨팅이나 대용량 데이터셋을 가진 애플리케이션에 유용하다.

시스템과 애플리케이션 클러스터 모두 eBFT 합의(≥ 2/3 노드 서명)를 사용하며, 보안과 감사 가능성을 위해 클러스터와 시스템 체인을 통해 주기적으로 상태를 이더리움에 앵커한다.

클러스터의 각 노드는 크로미아의 실행 환경을 구동하는 핵심 소프트웨어 프레임워크인 포스트체인(Postchain)을 실행한다. 포스트체인은 합의, 거래 처리, 데이터 저장을 관리하고 크로미아에서 애플리케이션을 개발하는 데 사용되는 도메인별 언어인 Rell로 작성된 애플리케이션 로직을 실행한다. 개발자는 스키마를 정의하고, SQL 쿼리를 작성하며, Rell에서 컨트랙트 로직을 구현한다. 내부적으로 포스트체인 프레임워크는 Rell을 SQL 문으로 컴파일하여 SCU의 PostgreSQL 인스턴스 내에서 직접 실행할 수 있게 한다. 스마트 컨트랙트와 데이터 저장 레이어 간의 이러한 긴밀한 통합은 애플리케이션이 기존 블록체인이 자주 하는 것처럼 외부 인프라에 의존하지 않고 온체인에서 구조화된 데이터를 효율적으로 저장, 검색, 조작할 수 있음을 의미한다.

2025년 3월, 크로미아는 애플리케이션의 실행 환경에 새로운 기능을 추가하는 선택적 모듈인 확장(extensions)을 출시했다. 이러한 확장은 벡터 검색과 모델 추론 같은 기능을 지원하기 위해 SCU의 런타임 기능을 확장한다. 가장 두드러진 예는 벡터 데이터 타입에 대한 지원을 추가하는 오픈소스 PostgreSQL 확장인 pgvector를 SCU의 관계형 데이터베이스에 통합하는 크로미아의 온체인 벡터 데이터베이스 확장이다. 크로미아는 또한 애플리케이션이 SCU 내에서 직접 사전 배포된 머신러닝 모델을 실행할 수 있게 하는 AI 추론 확장(AI Inference Extension)을 도입했다. 개발자는 온체인에서 신뢰할 수 없는 AI 기반 의사결정을 생성하기 위해 Rell 기반 스마트 컨트랙트에서 이러한 모델을 호출할 수 있다. 벡터와 추론 확장은 외부 종속성 없이 AI 모델 출력의 검색, 실행, 저장을 허용한다.

크로미아에 대한 전체 입문서는 포괄적인 개요를 참조하기 바란다.

웹사이트 / X / 텔레그램 / 디스코드

벡터 데이터베이스 배경

벡터 데이터베이스는 정확한 키워드 매칭이 아닌 의미를 기반으로 결과를 검색할 수 있게 하는 현대 AI 인프라의 핵심 구성요소로 부상했다. 2020년 메타 AI(Meta AI)가 도입한 검색 증강 생성(RAG, Retrieval-Augmented Generation) 워크플로우에 필수적이며, 대용량 데이터셋에서 정보를 검색하는 AI 애플리케이션의 정확성과 메모리 효율성을 향상시켰다.

정확한 문자열 매칭을 기반으로 결과를 반환하는 기존 데이터베이스와 달리, 벡터 데이터베이스는 텍스트, 이미지, 오디오와 같은 데이터를 고차원 벡터(일명 임베딩)로 저장한다. 이는 각 차원이 소수점인 데이터의 수치적 표현이다. 사용자가 쿼리를 제출하면 AI 모델이 이를 임베딩으로 변환하고, 저장된 임베딩과 비교한다. 가장 관련성 높은 결과가 의미적 연관성을 사용해 순위가 매겨지고 검색된다.

이러한 고차원 벡터는 의미와 맥락을 포착하여 대형 언어 모델(LLM), 추천 엔진, 대화형 에이전트와 같은 AI 시스템에 필수적이다. 벡터 공간에서 의미를 표현함으로써, 이러한 시스템은 사용자 의도를 반영하는 언어 이해를 지원한다. 다음은 다양한 유형의 검색 방법에서 이 프로세스가 어떻게 보이는지 설명하는 몇 가지 예시다:

• "빠른 차"를 검색하는 사용자는 벡터 데이터베이스가 의미적으로 유사한 구문을 그룹화하므로 "신속한 차량", "빠른 자동차", "레이싱 세단"을 언급하는 문서를 검색할 수 있다.

• 쿼리에 "좋은 아침"이 포함되면 시스템은 언어 간 의미적 정렬을 반영하여 "buenos días"나 "bonjour"와 같은 다국어 동등어를 반환할 수 있다.
잔디 위에 누워있는 개의 이미지를 제출하면 벡터가 정확한 픽셀 매치가 아닌 "동물"과 "자연"과 같은 테마를 포착할 수 있기 때문에 야외 환경의 다른 개들과 같이 시각적으로는 다르지만 개념적으로 관련된 이미지를 반환할 수 있다.

• "전기 요금을 어떻게 줄일 수 있을까?"라고 묻는 것은 키워드 중복에 의존하기보다는 사용자 의도를 해석하는 시스템의 능력을 보여주며 "에너지 절약",

• "공과금 비용 절감", "에너지 효율적인 가전제품"에 대한 문서를 표시할 수 있다.

• 디파이 콘텐츠를 탐색하는 사용자는 유동성 풀, 일드 파밍, 데크스 거버넌스와 같은 관련 주제를 보여줄 수 있으며, 이는 쿼리를 가장 개념적으로 유사한 임베딩에 매핑하는 시스템의 능력을 보여준다.

크로미아에서 이 프로세스는 벡터 타입과 SQL을 통한 유사성 검색을 직접 지원하는 pgvector 확장을 사용하여 PostgreSQL 데이터베이스 내부에서 실행된다. pgvector 확장은 커스텀 벡터 컬럼 타입과 거리 측정을 위한 내장 함수(코사인 유사성과 유클리드 거리 같은)를 추가하여 사용자가 임베딩을 저장하고 최근접 이웃 검색을 실행할 수 있게 한다.

벡터 DB가 온체인에 있어야 하는 이유는?

모든 임베딩을 블록체인의 합의에 커밋함으로써, 온체인 벡터 데이터베이스는 검증 가능한 데이터 무결성을 제공한다. 누구나 어떤 벡터가 저장되었는지, 언제 추가되었는지, 검색 결과가 어떻게 도출되었는지 감사할 수 있어 임베딩 검색과 생성 프로세스에서 제3자 신뢰를 제거한다.

온체인 벡터 데이터베이스는 또한 검색과 추론을 온체인에서 실행하면서 완전히 탈중앙화된 AI 워크플로우를 구동할 수 있다. 이는 완전히 신뢰할 수 없는 추천 엔진, 온체인 사기 탐지, AI 기반 의사결정의 모든 암호학적 증명이 필요한 모든 애플리케이션을 구축하는 데 중요하다. 또는 온체인 벡터 데이터베이스가 추가 컴퓨팅을 위해 클라우드 제공업체에 연결될 수 있다.

벡터 저장소가 스마트 컨트랙트와 같은 실행 환경에 있을 때 네이티브 조합성이 달성된다: Rell 로직은 유사한 문서를 검색하고 단일 원자적 거래에서 즉시 토큰 전송, 거버넌스 투표, 상태 변경을 트리거할 수 있다.

벡터 데이터와 쿼리 로직을 단일 제공업체의 API 뒤가 아닌 합의 하에 불변으로 저장함으로써 검열 저항성이 보장된다. 약간의 지연 시간과 높은 합의 비용이 발생하지만, 온체인 벡터 데이터베이스는 오프체인 API와 달리 온체인 저장과 검증 가능한 실행을 통해 강제되는 종단 간 투명성, 스마트 컨트랙트와의 원활한 조합성, 신뢰할 수 없음을 제공한다.

크로미아의 벡터 데이터베이스는 어떻게 다른가?

효과적이긴 하지만, 이 클러스터링은 인프라 수준에서만 이루어진다. 즉, 격리된 애플리케이션 환경을 만들거나 모든 노드가 동일한 데이터를 보유하도록 보장하는 것이 아니라 데이터가 서버 전반에 어떻게 분산되고 복제되는지를 관리한다. 반면 크로미아는 벡터 기능을 블록체인 환경에 직접 임베드하므로 클러스터가 데이터 격리와 온체인 앵커링을 제공하여 단일 환경에서 실행과 감사 가능성을 결합한다.

벡터 저장과 검색을 온체인에서 실행함으로써 크로미아는 신뢰할 수 없음(제3자 종속성 없음), 완전한 투명성(모든 임베딩과 쿼리가 원장에 저장), 원자적 조합성(단일 거래에서 유사성 검색 결과를 기반으로 상태 전환이나 로직 실행이 트리거됨)을 제공한다. 이에 대한 트레이드오프는 합의로 인한 추가 지연 시간, 더 간소하고 사용한 만큼 지불하는 포드 대신 SCU 프로비저닝으로 인한 높은 인프라 비용, ANN 검색을 위해 특별히 구축된 엔진과 비교한 처리량 제한이다. 탈중앙화된 추천, 사기 탐지, 거버넌스와 같이 감사 가능성과 온체인 통합이 필요한 애플리케이션에는 크로미아의 모델이 이상적이다. 초저지연이나 하이퍼스케일 워크로드의 경우 전용 오프체인 벡터 데이터베이스가 여전히 선호될 수 있다.

AI와 로보틱스에 대한 함의

크로미아의 온체인 벡터 데이터베이스는 의미적 검색 파이프라인의 모든 단계(임베딩 생성, 저장, 유사성 검색)를 임베드하기 때문에 AI 추론과 로보틱스에 중요할 수 있다. 이는 추론 프로세스의 모든 단계가 동일한 신뢰할 수 있는 소스인 합의로 보안된 벡터 데이터베이스에서 파생되기 때문에 종단 간 무결성을 보장한다.

AI 추론 확장을 통해 생성된 임베딩은 각 SCU의 PostgreSQL 인스턴스(pgvector 포함)에 직접 저장되어 로봇이나 AI 에이전트가 외부 서비스에 의존하지 않고 과거 센서나 모델 출력과 실시간 매칭을 수행할 수 있게 한다. 이는 네비게이션 조정이나 유지보수 트리거와 같은 결정이 완전히 감사 가능하고 변조 방지됨을 보장한다.

추론과 검색을 모두 동일한 런타임 내에서 실행함으로써 원시 센서 데이터나 텔레메트리가 임베딩으로 변환되고, 즉시 인덱싱되며, 하나의 원자적 작업에서 Rell 기반 컨트랙트 로직에 의해 쿼리된다. AI 추론 확장은 SCU 내부에서 사전 배포된 모델을 실행하고, 벡터 데이터베이스는 모든 것이 eBFT 합의 하에서 최근접 이웃 조회를 처리한다. 이러한 긴밀한 통합은 온체인에서 원활하고 신뢰할 수 없는 AI와 로보틱스 파이프라인을 제공한다.

사용 사례

크로미아의 온체인 벡터 데이터베이스와 AI 추론 확장은 로보틱스 조정, 예측 유지보수, 데이터 마켓플레이스, 추천 엔진, 이상 탐지, 의미적 문서 검색 전반의 사용 사례를 구동할 수 있다.

• 탈중앙화된 로봇 군집 조정: 크로미아의 온체인 벡터 데이터베이스는 각 차량의 센서 임베딩(AI 추론 확장을 통해 파생)이 SCU 내에서 저장되고 인덱싱되는 집합적 로보틱스 제어 시스템을 가능하게 할 수 있다. 이 공유 임베딩 저장소의 쿼리는 다른 유닛들의 의미적으로 유사한 센서 판독값을 검색할 수 있어 각 로봇이 합의 하에서 검증된 피어 데이터를 기반으로 행동을 조정할 수 있게 한다.

• 로보틱스에서의 실시간 이상 탐지: 로봇 센서 스트림(온도, 진동, 시각적 임베딩)을 온체인에서 수집하고 인덱싱할 수 있다. 자동화된 유사성 검색은 새로운 판독값을 과거 임베딩과 비교하여 편차를 식별하고, 임계 임계값을 초과할 때 온체인 경고나 교정 조치를 트리거한다.

• 예측 유지보수 워크플로우: 산업 제어 시스템은 기계 텔레메트리(진동 패턴, 온도 프로파일, 운영 로그)를 온체인에서 임베딩으로 변환하고 크로미아의 벡터 데이터베이스 확장을 통해 저장할 수 있다. 과거 임베딩에 대한 자동화된 유사성 검색은 새로운 판독값이 과거 고장 시그니처와 밀접하게 매치될 때 유지보수 조치를 트리거하여 수리 주문과 부품 조달이 동일한 원자적 거래 내에서 발생하고 불변으로 기록되도록 보장한다.

• 자율주행차 인식 인덱싱: 자율주행차의 인식 데이터(라이다 스캔이나 이미지 임베딩 등)를 임베드하고 온체인에 저장할 수 있다. 차량 관리 컨트랙트는 이 온체인 벡터 저장소를 쿼리하여 현재 조건과 유사한 환경이나 장애물 패턴을 찾아 합의 하에서 경로 조정이나 안전 프로토콜을 알린다.

• 온체인 AI 추천 엔진: 크로미아의 벡터 데이터베이스는 사용자 행동과 콘텐츠 임베딩을 온체인에 저장하여 추천 시스템을 구동할 수 있다. 스마트 컨트랙트는 pgvector 인덱스를 쿼리하여 의미적으로 가장 유사한 아이템, 기사, 제품, 서비스를 검색하고 단일 거래 내에서 즉시 개인화된 제안을 생성할 수 있다.

로드맵

분기별로 나뉜 크로미아의 2025년 로드맵은 온체인 AI, 상호 운용성, 개발자 확장성 향상에 초점을 맞춘다:

• 2025년 2분기:

￮ AI 추론 개선: 벡터 데이터베이스 확장과 AI 에이전트와 상호작용하도록 미세 조정된 전용 온체인 추론 서비스가 출시되어 SCU 내에서 직접 저지연 모델 실행을 보장한다.

￮ ZKP 확장: 영지식 증명 지원이 도입되어 애플리케이션이 프라이버시 보호 워크플로우와 컴플라이언스 사용 사례를 위해 온체인에서 증명을 생성하고 검증할 수 있게 한다.

￮ EVM 실시간 수집: 크로미아는 전체 이더리움 상태를 실시간으로 인덱싱하여 외부 오라클에 의존하지 않고 EVM 데이터에 대한 가스 없는 쿼리, 분석, 온체인 반응을 가능하게 한다.

• 2025년 3분기:

￮ 데이터 가용성 확장: 새로운 런타임 모듈이 롤업과 기타 L2가 중요한 데이터를 크로미아에 게시할 수 있게 하여 동일한 합의 모델 하에서 검증 가능한 저장과 검색 보장을 제공한다.

￮ 확장 확장: 생태계 피드백을 바탕으로 크로미아는 추가 확장을 개발하고, 제3자 컨테이너 생성을 위한 개발자 도구를 구축하며, 더 광범위한 채택을 위해 영향력 높은 모듈을 개선할 것이다.

• 2025년 4분기:

￮ 확장 마켓플레이스: 표준화된 품질 관리와 유연한 컨테이너 가격 책정을 통해 1차 및 3차 확장을 제공하는 큐레이팅된 마켓플레이스가 출시되어 발견과 배포를 간소화한다.

마무리 요약

크로미아는 벡터 저장, 모델 추론, 관계형 데이터를 단일 합의 보안 환경에서 결합하여 완전히 온체인 AI 애플리케이션을 지원하는 프로토콜 확장 세트를 도입했다. pgvector와 머신러닝 런타임 모듈을 SCU 기반 아키텍처에 직접 임베드함으로써 크로미아는 탈중앙화된 애플리케이션이 외부 API나 인프라에 의존하지 않고 의미적 검색과 AI 기반 의사결정을 수행할 수 있게 한다. 이는 온체인 추천, 이상 탐지, 로보틱스 조정과 같은 워크플로우가 스마트 컨트랙트와 동일한 신뢰 모델 하에서 작동할 수 있게 한다.

플랫폼의 클러스터 기반 설계는 워크로드를 격리하고 높은 데이터 가용성을 유지하는 한편, Rell 프로그래밍 언어는 애플리케이션 로직을 PostgreSQL 지원 저장소와 통합한다. 크로미아의 로드맵은 전용 추론 런타임, 영지식 증명 지원, 확장 마켓플레이스를 통해 이러한 기능을 확장한다. AI와 구조화된 데이터가 점점 더 온체인으로 이동함에 따라, 크로미아는 에이전트, 애플리케이션, 분석이 공유된 규칙과 암호학적 보장 하에서 상호작용할 수 있는 통합된 실행 환경을 제공한다.

보고서에서 마음에 드셨던 점, 빠진 내용, 또는 기타 피드백이 있으시면 설문을 작성 부탁드립니다.

모든 응답은 개인정보 보호정책과 서비스 약관의 적용을 받습니다.

이 보고서는 크로미아(Chromia)의 의뢰로 작성됐습니다. 모든 콘텐츠는 저자(들)에 의해 독립적으로 작성되었으며, Messari Inc. 또는 보고서를 의뢰한 기관의 의견을 반드시 반영하는 것은 아닙니다. 의뢰 기관이 보고서 내용에 일부 의견을 제시할 수 있으나, Messari는 데이터의 정확성과 객관성을 유지하기 위해 최종 편집권을 보유합니다. 또한, 저자(들)는 이 보고서에서 언급된 암호화폐를 보유하고 있을 수 있습니다.

이 보고서는 정보 제공을 목적으로 하며, 투자 자문을 위한 문서가 아닙니다. 투자 결정을 내리기 전에는 반드시 자체적인 조사 및 독립적인 재무, 세무, 법률 전문가와의 상담을 진행하시기 바랍니다. 과거 수익률은 미래 수익을 보장하지 않습니다. 자세한 내용은 당사의 서비스 이용약관을 참고 부탁드립니다.

이 보고서의 일부 또는 전체는 다음과 같은 행위가 금지됩니다:
(a) 복사, 인쇄, 어떠한 방식으로든 형태를 변형하여 복제하는 행위
(b) Messari®의 사전 서면 동의 없이 재배포하는 행위