Mohamed Allam 프로토콜 RA Aug 1, 2025 ⋅  읽는데 약 10분 소요

핵심 인사이트

• ICN은 AI 규모 워크로드를 위해 설계된 분산형 대안을 제공한다. 모듈형 아키텍처는 웹2와 웹3 환경 전반에 걸쳐 높은 처리량과 지역적으로 분산된 스토리지를 지원한다.

• 스토리지는 AI 인프라에서 간과된 병목 지점이다. 대부분의 솔루션은 컴퓨팅을 우선시하지만, 확장 가능하고 신뢰할 수 있는 스토리지는 재현성, 처리량, 협업에 필수적이다.

• 기존 클라우드 스토리지는 예측 불가능한 비용, 벤더 종속, 불투명한 거버넌스 같은 중요한 한계를 도입한다. 이러한 문제들은 현대 AI 데이터 워크플로에 적합하지 않게 만든다.

• ICN의 인프라는 스케일러노드(ScalerNodes), 하이퍼노드(HyperNodes), 위성 네트워크(Satellite Network)를 결합하여 지역 간 서비스 신뢰성, 성능 검증, 저지연 데이터 접근을 보장한다.

• 1,000개의 생태계 고객과 700만 달러의 생태계 ARR을 보유한 ICN은 이미 순수한 웹3 애플리케이션을 넘어서 기업 인프라 시장에서 의미 있는 채택을 보여주고 있다.

서론

임파서블 클라우드 네트워크(Impossible Cloud Network, ICN)는 컴퓨팅, 스토리지, 네트워킹을 통합 시스템으로 통합하는 분산형 인프라 프로토콜이다. 중앙화된 클라우드 제공업체에 대한 개방형 대안 역할을 하도록 설계된 ICN은 사용자가 단일 제어 지점에 의존하지 않고 모듈형 서비스를 배포할 수 있게 한다. 아키텍처는 두 가지 핵심 노드 유형을 중심으로 구성되어 있다: 프로토콜 활동을 모니터링하고 조정하는 하이퍼노드와 기본 하드웨어 용량을 제공하는 스케일러노드이다. 이 시스템은 무허가 참여를 지원하면서 인프라 사용자가 특정 워크로드 요구사항에 맞춰 배포를 조정할 수 있게 한다. 독립적인 운영자들 간에 서비스 제공을 분산함으로써 ICN은 현대 인터넷 인프라를 위한 더 유연하고 투명한 백엔드를 만든다.

프로토콜은 ICN의 네이티브 토큰인 ICNT로 보안을 유지한다. 네트워크 참가자들은 하이퍼노드와 스케일러노드에 토큰을 스테이킹하여 운영 보안에 기여하고 성과 기반 보상을 얻을 수 있다. 이 토큰 메커니즘은 또한 네트워크 서비스에 대한 접근을 허용하여 인프라 제공업체와 사용자 간의 인센티브를 조정한다. ICN은 현재 기업 채택에 중점을 두고 있으며, 인프라가 이미 기존 클라우드 고객들에게 서비스를 제공하고 있다. 독점적인 클라우드 환경에 대한 구성 가능하고 개방형 대안에 대한 수요가 증가함에 따라 ICN은 현재와 새로운 사용 사례를 모두 지원할 수 있는 위치에 있는 구성 가능한 아키텍처를 제공한다.

웹사이트 / X (트위터) / 디스코드 / 링크드인

ICN 현재 사용 현황

임파서블 클라우드 네트워크의 생태계는 현재 1,000개 이상의 기업 고객에게 서비스를 제공하고 있으며, ICN 팀이 제공한 수치에 따르면 약 700만 달러의 생태계 연간 반복 수익을 창출하고 있다. 대부분의 사용자는 객체 스토리지, 파일 공유, 엣지 전송 같은 스토리지 워크로드를 위해 ICN을 사용하는 기존 기업들이다. ICN의 인프라는 특히 높은 처리량이나 다중 지역 배포에서 AWS 같은 제공업체가 제공하는 서비스보다 최대 80% 더 비용 효율적이라고 설명된다.

2025년 3월부터 6월까지의 운영 사용 데이터는 플랫폼 활동이 증가하고 있음을 나타낸다. 네트워크에 업로드되는 데이터 볼륨으로 정의되는 인그레스(Ingress)는 3월 993테라바이트에서 6월 1,614테라바이트로 증가했다. 같은 기간 동안 업로드, 다운로드, 삭제, 메타데이터 작업을 포함한 고객 요청은 41억 건에서 85억 건으로 증가했다. 이러한 지표들은 ICN의 스토리지 인프라에 대한 채택 증가와 지속적인 활용을 반영한다.

현재 사용은 주로 기존 스토리지 운영에 중점을 두고 있지만, 플랫폼의 아키텍처는 스토리지 수요가 계속 확장되는 AI 인프라와 관련된 것들을 포함하여 새로운 워크로드를 수용하도록 구축되었다.

AI 인프라의 잊혀진 절반: 스토리지

AI 인프라에 대한 논의에서 컴퓨팅이 노사나(Nosana), IO, 아카시(Akash) 같은 새로운 프로젝트들과 함께 내러티브를 지배한다. 중앙화된 환경이든 새로운 분산형 생태계든 주요 초점은 고성능 GPU에 대한 접근, 최적화된 트레이닝 런타임, 비용 효율적인 추론에 집중되는 경향이 있다. 이러한 구성 요소들이 중요하지만, AI 파이프라인의 한 부분만을 나타낸다. 스토리지는 똑같이 기초적이지만 자주 강조되지 않으며, 특히 완전한 클라우드 기능이 여전히 성숙해가고 있는 분산형 인프라 맥락에서 그렇다.

AI 개발 워크플로는 원시 입력 데이터셋부터 최종 모델 출력까지 모든 것을 포함하여 대량의 데이터를 생성, 변환, 의존한다. 확장 가능하고 성능이 뛰어난 스토리지 없이는 가장 강력한 컴퓨팅 클러스터조차 완전한 처리량, 재현성, 운영 효율성을 유지할 수 없다.

일반적인 AI 스토리지 요구사항은 다음과 같다:

• 원시 및 처리된 데이터셋: 트레이닝은 전처리 전후에 저장되어야 하는 대용량 데이터셋으로 시작한다. 이 데이터는 종종 분산 트레이닝을 위해 샤드로 분할되어 시스템 간 빠른 병렬 접근이 필요하다.

• 체크포인팅과 롤백: 중간 모델 체크포인트는 트레이닝 전반에 걸쳐 저장되어 중단 후 재개를 허용하거나 다른 단계에서 모델 성능을 평가할 수 있게 한다.

• 최종 모델 아티팩트: 가중치, 구성, 아키텍처 정의를 포함한 트레이닝된 모델은 배포, 향후 튜닝, 재현성을 위해 저장되어야 한다.

• 로그와 텔레메트리: 실시간 진단, 검증 메트릭, 자원 사용 로그는 디버깅, 튜닝, 감사 기록을 지원하기 위해 저장된다.

실제로 기본 스토리지 인프라가 충분한 대역폭, 일관성, 비용 효율성을 제공하지 못하면 이러한 프로세스가 느려지거나 중단된다. 컴퓨팅 노드가 유휴 상태가 되고, 트레이닝 파이프라인이 분열되며, 팀은 운영 비효율성에 직면한다. 이러한 위험은 재현성과 접근 일관성이 필수적인 협업 또는 다중 테넌트 환경에서 확대된다.

중요성에도 불구하고 대부분의 분산형 인프라 프로젝트는 스토리지보다 컴퓨팅을 우선시한다. 스토리지는 거의 일류 구성 요소로 취급되지 않으며, 데이터셋 관리, 버전 관리, 동기화, 아카이브를 위한 엔드투엔드 도구를 제공하는 프로토콜은 거의 없다. 결과적으로 분산형 AI 프로젝트는 종종 중앙화된 스토리지 제공업체에 의존하여 기술적이고 거버넌스적인 불일치를 만든다.

생태계에는 구조적 격차가 있다: AI 규모 워크로드를 지원하고 웹2와 웹3 워크플로 모두와 깔끔하게 통합되는 스토리지 시스템의 필요성이다. 다음 섹션에서는 기존 중앙화된 솔루션이 이 격차를 메우기에 충분하지 않은 이유를 살펴본다.

기존 클라우드 스토리지가 부족한 이유

아마존 웹 서비스(Amazon Web Services), 구글 클라우드(Google Cloud), 마이크로소프트 애저(Microsoft Azure) 같은 기존 클라우드 제공업체는 성숙하고 고도로 통합된 스토리지 서비스를 제공한다. 특히 아마존 S3(Amazon S3)는 머신러닝 워크로드에 널리 채택되어 있으며 대규모로 운영되는 AI 팀의 기본 스토리지 백엔드인 경우가 많다. 이러한 플랫폼은 글로벌 가용성, API 접근, 스트리밍, 아카이브, 데이터 레이크 형성을 위한 내장 지원을 제공한다.

하지만 이러한 지배력은 비용과 유연성 모두에 영향을 미치는 구조적 단점을 도입한다. 여러 한계가 이러한 제공업체들을 차세대 AI 개발, 특히 개방형, 구성 가능한, 분산형 인프라를 추구하는 팀들에게 적합하지 않게 만든다.

주요 한계는 다음과 같다:

• 높고 예측 불가능한 비용: 초기 가격은 저렴해 보일 수 있지만, 사용량 기반 청구 모델은 변동성을 도입한다. 입출력 증가, 빈번한 API 호출, 지역 간 데이터 접근으로 비용이 급격히 상승한다. 이 문제는 소수의 지배적인 제공업체가 제한된 경쟁으로 가격을 설정할 수 있는 클라우드 시장 자체의 구조로 인해 악화된다. 여러 회사들이 클라우드로 이전함으로써 700만 달러를 절약할 것으로 예상한다고 공개적으로 언급한 베이스캠프(Basecamp)와 장기 클라우드 비용에 대한 a16z의 분석 같은 더 광범위한 업계 비판에서 강조된 다른 회사들을 포함하여 클라우드 의존의 재정적 부담을 공개적으로 언급했다.

• 벤더 종속: 중앙화된 클라우드는 데이터 마이그레이션을 복잡하게 만드는 독점적인 API와 스토리지 형식을 사용한다. 통합은 종종 자체 내부 도구에 최적화되어 외부 시스템과의 이식성과 상호 운용성을 제한한다.

• 단일 실패 지점: 인프라에 대한 중앙화된 통제는 다운타임, 서비스 제한, 계획되지 않은 중단의 위험을 도입한다. 이러한 위험은 시간에 민감한 트레이닝 작업과 협업 연구 워크플로에 영향을 미친다.

• 불투명한 소유권과 제한된 구성 가능성: 데이터 접근, 권한, 보존 정책은 내부 인터페이스를 통해 관리된다. 이러한 추상화는 투명성을 줄이고 감사, 규정 준수, 외부 오케스트레이션에 대한 가시성을 제한한다.

이러한 한계는 분산형 또는 웹3 네이티브 프로젝트뿐만 아니라 문제가 된다. 특히 엣지 AI, 멀티 클라우드 배포, 비용 통제를 추구하는 스타트업과 소규모 웹2 회사들도 기존 클라우드 모델 하에서 제약에 직면한다.

여기서 임파서블 클라우드 네트워크 같은 대안 스토리지 솔루션이 자리매김할 수 있다. ICN은 분산형 인프라 프로토콜일 뿐만 아니라 완전한 대안 클라우드 제품군을 구축하고 있다. 아키텍처는 AI 규모 스토리지 운영을 지원하고 기업과 무허가 환경 모두와 호환되는 배포 경로를 제공한다.

모델 데이터, 체크포인트, 텔레메트리, 아카이브 관리를 위한 백엔드 역할을 함으로써 ICN은 증가하는 시장 격차를 메운다. 좁은 스토리지 플러그인이나 단일 목적 프로젝트로 경쟁하지 않는다. 대신 풀스택 AI 트레이닝과 추론 워크플로를 지원할 수 있는 모듈형이고 확장 가능한 플랫폼을 도입한다.

확장 가능한 AI 데이터 인프라를 위한 ICN의 아키텍처

임파서블 클라우드 네트워크는 컴퓨팅과 스토리지 제공을 모두 포함하는 분산형 인프라 모델을 제공한다. 아키텍처는 중앙화된 통제에 의존하지 않고 대규모 데이터 운영을 지원하도록 설계되었다. 시스템은 각각 전문화된 역할을 수행하는 세 가지 주요 노드 유형으로 구성된다:

• 하이퍼노드는 워크로드를 오케스트레이션하고 네트워크 전반에 걸쳐 조정 레이어를 유지하는 책임을 진다. 서비스 전달을 관리하고 지역 간 가용성을 보장한다.

• 스케일러노드는 대규모로 컴퓨팅과 스토리지 용량을 제공한다. 이러한 노드는 데이터셋 전달, 모델 체크포인팅, 텔레메트리 아카이브 같은 대용량 작업을 수행하는 데 사용된다. 스케일러노드는 네트워크의 성능 레이어의 핵심을 형성한다.

• 위성 네트워크는 분산된 엣지 존재와 릴레이 기능을 제공한다. 네트워크의 범위를 확장하고 지리적으로 다양한 지역에서 저지연 운영을 허용한다.

하드웨어 제공업체는 핵심 서비스 레이어를 형성하는 스케일러 네트워크(Scaler Network)에 참여하는 노드를 운영하여 ICN 네트워크에 자원을 기여한다. 가용성을 조정하고, 서비스 보고서를 제출하며, 위성 네트워크와 상호작용하기 위해 이 네트워크 내에서 스케일러노드와 하이퍼노드가 모두 필요하다. 이러한 구성 요소들은 함께 작동하여 스토리지 무결성을 보장하고 서비스 수준 기대치를 시행한다. 보고서는 정의된 기간 동안 위성 네트워크를 통해 오프체인에 저장된 후 안전하게 삭제된다. 기여자들은 가동 시간, 처리량, 서비스 일관성 같은 검증 가능한 성능 메트릭과 연결된 토큰 기반 시스템을 통해 보상을 받는다.

인프라 사용자는 워크로드 요구사항과 일치하는 매개변수를 선택하여 스토리지 배포를 구성할 수 있다. 이러한 매개변수는 다음을 포함할 수 있다:

• 필요한 스토리지 처리량과 볼륨

• 중복성과 복제 정책

• 지리적 근접성을 위한 선호 지연 영역

• 보존, 아카이브, 삭제를 위한 생명주기 정책

이러한 수준의 구성 가능성은 개발자와 기업 사용자가 벤더별 구현에 의존하지 않고 특정 워크플로에 맞춰 배포를 조정할 수 있게 한다.

ICN의 서비스 설계는 분산형 제어 평면을 유지하면서 기존 하이퍼스케일 제공업체 수준의 성능 일관성을 목표로 한다. 가격, 서비스 발견, 접근 권한을 중앙화하는 대신 ICN은 프로토콜 관리 마켓플레이스를 통해 이러한 기능을 분산한다. 이 구조는 단일 제공업체의 가격 압력을 줄이고 더 효율적인 자원 할당을 가능하게 한다.

결과는 AI 데이터셋, 협업 파이프라인, 동적 워크로드 환경과 관련된 것들을 포함하여 대규모 데이터 워크플로를 지원하는 스토리지 시스템이다. 또한 중앙화된 클라우드 시스템에서 종종 추상화되는 기능인 데이터 운영, 비용 구조, 시스템 행동에 대한 가시성을 제공한다.

AI 데이터 워크플로에서 ICN의 응용

ICN은 데이터 집약적 인프라를 위한 백엔드로 인공지능 파이프라인에 통합될 수 있다. 이러한 워크플로는 모델 개발, 분산 처리, 데이터셋 버전 관리, 장기 데이터 관리를 포함한 광범위한 활동에 걸쳐 있다. 분산형 스토리지 레이어로 작동함으로써 ICN은 대규모 AI 데이터 환경을 관리하는 중앙화된 팀과 분산화된 팀 모두가 직면하는 여러 문제점을 해결한다.

관련 응용 프로그램은 다음과 같다:

• 데이터셋 스토리지: ICN은 언어 모델, 컴퓨터 비전 시스템, 음성 처리 파이프라인, 멀티모달 에이전트를 트레이닝하는 데 사용되는 멀티 테라바이트 데이터셋의 스토리지를 지원한다. 이러한 데이터셋은 샤드, 버전 관리, 노드 간 동시 접근이 가능하다.

• 체크포인트 스토리지: 분산 모델 개발 중에 중간 모델 체크포인트가 반복적으로 저장되고 로드된다. ICN은 노드와 지역 간에 이러한 파일에 대한 일관된 접근을 제공하여 지연을 줄이고 내결함성을 증가시킨다.

• 모델 레지스트리 호스팅: 모델 아티팩트에 대한 공개 또는 버전 제어 접근이 필요한 연구 환경은 ICN을 사용하여 중복성과 가용성에 대한 내장 지원으로 이러한 자산을 호스팅할 수 있다. 이는 재현 가능한 워크플로와 협업 실험을 지원한다.

• 엣지 조정과 지리적 분산: 분산형 추론 에이전트와 연합 학습 설정을 포함하여 엣지에서 작동하는 AI 시스템은 여러 지역에 걸친 데이터 인프라가 필요하다. ICN의 노드 아키텍처는 중앙 제공업체에 의존하지 않고 지역 접근과 조정을 지원한다.

• 에이전트 기반 AI 아키텍처: 분산 환경에서 작동하는 자율 AI 에이전트는 공유 메모리, 캐시된 데이터셋, 업데이트된 체크포인트에 대한 동기화된 접근이 필요하다. ICN은 이러한 에이전트가 중앙화된 데이터 저장소에 의존하지 않고 작업을 조정하는 데 필요한 백엔드를 제공한다.

구성 가능한 인프라 템플릿과 프로토콜 수준 거버넌스를 결합함으로써 ICN은 광범위한 배포 모델을 지원하는 데이터 스토리지 플랫폼을 제공한다. 여기에는 기업 규모 시스템, 연구 기관, 분산 머신러닝과 자율 시스템에 초점을 맞춘 개방형 협업 네트워크가 포함된다.

결론

AI 데이터 인프라는 확장 가능한 컴퓨팅 이상이 필요한 여러 새로운 사용 사례 중 하나다. 모델 복잡성이 증가하고 워크로드가 분산됨에 따라 스토리지가 종종 제한 요소가 된다. 빠르고 신뢰할 수 있으며 접근 가능한 스토리지 없이는 AI 파이프라인이 트레이닝, 협업, 재현성에서 비효율성에 직면한다.

ICN은 웹2와 웹3 환경 모두에서 구성 가능한 스토리지 배포를 지원하는 분산형 아키텍처로 이러한 문제를 해결한다. 인프라에는 검증 가능한 성능 보장, 모듈형 서비스 템플릿, 하드웨어 제공업체를 위한 마켓플레이스 기반 인센티브 모델이 포함된다. 이를 통해 ICN은 중앙화된 통제에 의존하지 않고 고처리량, 내결함성 스토리지를 제공할 수 있다.

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

모든 응답은 개인정보 보호정책과 서비스 약관의 적용을 받습니다.

이 보고서는 임파서블 클라우드 네트워크(Impossible Cloud Network)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