Templar(흔히 τemplar로 표기)는 Bittensor 네트워크에서 서브넷 3(SN3)으로 운영되는 탈중앙화 인공지능(AI) 프로토콜입니다. 이 프로젝트는 주로 대규모 AI 모델의 분산 학습을 위해 컴퓨팅 자원을 거래하는 인센티브 기반의 전 인터넷적 마켓플레이스를 구축하도록 설계되었습니다. 이는 중앙 집중식 클라우드 제공업체와 비교하여 AI 개발을 위한 더 민주적이고 비용 효율적이며 확장 가능한 대안을 제공하는 것을 목표로 합니다. [1]
개요
Templar의 핵심 미션은 고급 AI, 특히 대규모 언어 모델(LLM) 학습에 필요한 막대한 컴퓨팅 성능에 대한 접근을 민주화하는 것입니다. 이 프로토콜은 탈중앙화 물리적 인프라 네트워크(DePIN)로 작동하며, 하드웨어를 제공하는 참여자(채굴자)와 네트워크의 처리 능력 수요를 연결합니다. 협업 학습 작업에 GPU 및 CPU 리소스를 기여하는 대가로 채굴자는 프로젝트의 고유 암호화폐를 보상으로 받습니다. [1]
이 프로젝트는 Bittensor (τ) 블록체인의 기본 아키텍처와 합의 메커니즘을 활용합니다. Templar는 서브넷 3(Subnet 3)으로서 Bittensor 네트워크의 토큰 발행량 중 일부를 차지하기 위해 경쟁하며, 이는 서브넷이 입증한 가치와 지능에 따라 할당됩니다. 프로토콜의 인센티브 시스템은 컴퓨팅 작업의 품질을 평가하고 보상하도록 설계되어, 기여가 학습 중인 집단 AI 모델을 실질적으로 개선하도록 보장합니다. [2]
Templar의 기술은 높은 통신 비용과 조정 부족 등 분산 컴퓨팅과 관련된 주요 장벽을 극복하는 데 중점을 둡니다. 통신 효율적인 알고리즘과 블록체인 기반 인센티브 시스템을 채택하여 전 세계의 허가 없는 기여자 네트워크를 조직합니다. [3] 또한 이 프로젝트의 비전에는 사용자가 네트워크에서 개발된 자율형 AI 에이전트를 고용하여 다양한 디지털 작업을 수행할 수 있는 탈중앙화 마켓플레이스의 향후 개발도 포함되어 있습니다. [4]
역사
Templar의 기초 연구와 백서는 2024년 2분기와 3분기에 발표되었으며, 탈중앙화 자율 에이전트 네트워크에 대한 프로젝트의 비전과 분산형 LLM 학습을 위한 프레임워크를 제시했습니다. [1][4] 이후 2024년 8월, 초기 탈중앙화 거래소 공개(IDO)를 통해 프로젝트의 네이티브 토큰인 TPLR이 도입되었습니다. [1]
2024년 9월, Templar는 Bittensor 네트워크의 슬롯을 성공적으로 확보하고 서브넷 3(SN3)으로서 메인넷을 공식 출시하며 생태계 내 초기 10개 서브넷 중 하나가 되었습니다. [1][4] 2025년 1분기에는 프로젝트 팀이 페어 런칭(fair launch) 메커니즘을 통해 SN3 서브넷 토큰을 생성 및 배포하였으며, 초기 네트워크 참여자와 유동성 공급자에게 에어드랍을 진행했습니다. [4]
2025년 1분기에는 첫 번째 "Crusade" 캠페인이 시작되면서 중요한 이정표를 세웠습니다. 이 대규모 협업 학습 이벤트는 코드 생성을 위한 특화된 거대 언어 모델(LLM) 개발에 집중했으며, 네트워크 역량에 대한 주요 개념 증명(PoC) 역할을 했습니다. [1] 2025년 하반기에는 에이전트의 창의성과 문제 해결 능력에 대해 더 나은 보상을 제공하도록 설계된 서브넷 인센티브 메커니즘 업데이트 버전인 "Templar v2"를 출시했습니다. [4]
2025년 4분기까지 네트워크 참여자는 1,000명 이상의 활성 동시 채굴자를 돌파할 정도로 성장했습니다. [1] 2026년 초, Templar 연구팀은 특정 AI 워크로드에 대해 기존 클라우드 제공업체 대비 최대 30%의 비용 효율성 향상을 보여주는 비교 분석 논문을 발표했습니다. 같은 기간 동안 Bittensor 생태계의 전반적인 성장 속에서 SN3 토큰에 대한 관심이 급증하며 사상 최고가를 기록했습니다. [1][4]
기술 및 아키텍처
Templar의 아키텍처는 Bittensor 네트워크를 기반으로 구축되었으며, 채굴자(Miners)와 검증자(Validators)라는 두 가지 주요 역할을 조정하는 피어 투 피어(P2P) 시스템으로 설계되었습니다. 이 시스템은 분산형 머신러닝을 촉진하기 위해 특화된 알고리즘과 강력한 인센티브 메커니즘을 사용합니다. [2]
핵심 구성 요소
마이너 (연산 제공자): 마이너는 하드웨어(GPU 및 CPU)를 연결하여 핵심 모델 학습 작업을 수행하는 네트워크 참여자입니다. 이들은 개별 AI 학습 작업인 "학습 실행(Training Runs)"을 수신하고 실행합니다. 마이너의 작업 흐름에는 데이터셋의 일부를 로드하고, 모델에서 순전파(forward) 및 역전파(backward) 패스를 실행하여 그래디언트(gradient)를 계산하고, 이를 압축하여 분산 저장소에 업로드하는 과정이 포함됩니다. 이들은 기여도와 품질 및 효과에 비례하여 보상을 받습니다. [1][2]
검증자 (Validators): 검증자는 토큰을 스테이킹하여 네트워크를 보호하고, 학습 프로세스를 조율하며, 품질 관리를 보장하는 네트워크 참여자입니다. 이들의 주요 기능은 마이너가 제출한 작업을 평가하는 것입니다. 검증자는 모든 활성 마이너로부터 그래디언트를 수집하고, 각 그래디언트가 제공하는 성능 향상(손실 감소)을 측정하며, 각 마이너에 대한 성능 점수를 계산합니다. 이 점수는 비텐서(Bittensor) 블록체인에서 가중치를 할당하는 데 사용되며, 이는 결과적으로 보상 분배를 결정합니다. [1][2]
채굴자들을 서로 비교하여 점수를 매기고 순위를 정하기 위해, 이 시스템은 다인용 등급 산정 환경을 위해 설계된 OpenSkill (PlackettLuce) 등급 알고리즘을 사용합니다. 결과로 도출된 등급은 온체인 가중치로 변환되며, 채굴자들은 할당된 가중치에 정비례하여 Bittensor 네트워크로부터 보상을 받습니다. 이를 통해 고품질의 기여가 더 큰 보상을 받을 수 있도록 보장합니다. [2]
분산 학습 및 통신
분산 학습의 핵심적인 기술적 과제는 노드 간에 대량의 데이터를 교환할 때 발생하는 높은 통신 비용입니다. Templar는 SparseLoCo 알고리즘과 다단계 그래디언트 압축 기술을 통해 이 문제를 해결합니다. [3][2]
SparseLoCo 알고리즘
SparseLoCo는 공용 인터넷과 같은 저대역폭 환경에서 LLM(대규모 언어 모델)을 학습시키기 위해 설계된 통신 효율적인 학습 알고리즘입니다. 이 알고리즘은 두 가지 핵심 기술을 결합합니다:
TOP-k 희소화(Sparsification): 통신을 위해 가장 중요한 그래디언트(gradient)만을 선택하여 1-3%의 희소성을 달성합니다(즉, 그래디언트 데이터의 97-99%가 전송되지 않음).
양자화(Quantization): 전송되는 데이터의 수치적 정밀도를 낮추며, 최저 2비트 양자화까지 사용합니다.
이러한 결합을 통해 극단적인 압축이 가능해지며, 통신 비용을 줄이는 동시에 다른 대안적 방법들과 비교하여 모델 성능을 향상시키는 것으로 보고되었습니다. [3]
Top-K 선택: 가장 중요한 계수들만 유지되며, topk_compression 비율은 32로 설정됩니다.
모멘텀 추적: 훈련 중 학습 궤적을 보존하기 위해 업데이트 전반에 걸쳐 기울기 모멘텀이 유지됩니다.
데이터 교환: 압축된 기울기는 기울기, 데이터셋 및 모델 체크포인트를 위한 분산 저장 계층 역할을 하는 Cloudflare R2에 업로드 및 다운로드됩니다.
이 전체 프로세스는 동시 작업을 처리하기 위해 Python의 asyncio로 구축된 통신 시스템에 의해 관리됩니다. [2]
핵심 네트워크 개념
학습 실행 (Training Runs): 데이터 배치를 처리하고 모델 가중치를 업데이트하는 과정으로 구성된 네트워크상의 기본적이고 개별적인 작업 단위입니다. [1]
크루세이드 (Crusades): 야심 찬 AI 모델을 위해 네트워크의 모든 전력을 활용하도록 설계된 대규모 커뮤니티 중심 학습 이벤트로, 종종 강화된 보상이 제공됩니다. [1]
템플러 에이전트 (Templar Agents): 복잡한 디지털 작업을 수행할 수 있는 자율형 AI 에이전트에 대한 개념입니다. 장기적인 비전에는 사용자가 이러한 에이전트를 고용하고 네트워크 토큰으로 결제할 수 있는 마켓플레이스가 포함됩니다. [4]
주요 프로젝트 및 모델
Templar는 대규모 분산 AI 학습을 위한 기술을 입증하고 검증하기 위해 몇 가지 중요한 프로젝트를 수행해 왔습니다. [3]
1.2B 파라미터 LLM 학습
이 프로젝트는 초기 개념 증명(PoC) 역할을 수행하며, 12억 개의 파라미터를 가진 대규모 언어 모델(LLM) 학습을 포함했습니다. 이는 전 세계 참여자 네트워크로부터 완전히 허가 없는(permissionless) 기여를 받아 학습 노력을 조율하기 위해 Bittensor블록체인에 Gauntlet 인센티브 시스템이 배포된 최초의 주요 사례였습니다. 이 프로젝트는 분산형 AI 학습을 조직화하기 위한 토큰 기반 인센티브의 활용 가능성을 성공적으로 검증했습니다. [3]
Covenant-72B 모델 사전 학습
720억 개의 매개변수를 가진 대규모 언어 모델(LLM)인 Covenant-72B의 사전 학습은 해당 프로젝트에 의해 세계 최대 규모의 협업 및 글로벌 분산형 사전 학습 실행으로 설명되었습니다. 이 프로젝트는 SparseLoCo 알고리즘을 대규모로 적용하여 전 세계 기여자들의 개방적이고 허가 없는 참여를 가능하게 했습니다. 학습은 실시간 블록체인 프로토콜에 의해 관리되었으며, 약 1.1조 개의 토큰으로 구성된 데이터셋을 바탕으로 수행되었습니다. [3]
토큰 경제학 (Tokenomics)
Templar 생태계는 여러 출처의 정보에 따르면 두 개의 서로 다른 토큰, 즉 메인 프로젝트 토큰인 TPLR과 서브넷 전용 토큰인 SN3로 구성된 것으로 보입니다. [1][4]
TPLR 토큰
TPLR 토큰은 Templar 프로토콜의 기본 토큰으로 제시됩니다.
티커: TPLR
최대 공급량: 1,000,000,000 $TPLR
유틸리티:
스테이킹: 검증인이 합의에 참여하고 위임자가 보상을 나누어 받기 위해 사용됩니다.
인센티브: 연산 기여에 대해 채굴자에게 보상하는 주요 메커니즘입니다.
거버넌스: 프로젝트 로드맵에는 TPLR 보유자가 프로토콜 업그레이드에 투표할 수 있는 온체인 거버넌스 계획이 포함되어 있습니다.
Templar의 개발 팀은 가명으로 운영됩니다. 이 프로젝트는 프로토콜의 아키텍처를 담당하는 'Helios'라는 수석 개발자가 이끌고 있습니다. 연구 부문은 프로젝트 웹사이트에서 'Aethel', 다른 생태계 데이터 소스에서는 'Aethelred'로 식별되는 인물이 이끌고 있으며, 이 인물은 AI 학습 및 검증 방법론에 집중하고 있습니다. [1][4]
인용구
AI 훈련의 중앙집중화는 혁신에 체계적인 위험을 초래합니다. τemplar는 투명하고 허가가 필요 없으며 인센티브가 제공되는 연산 시장을 구축함으로써 하이퍼스케일 AI에 대한 접근을 민주화하는 것을 목표로 합니다.
— Templar 백서에서 발췌 [1]
τemplar에 합류하는 모든 GPU는 개방적이고 분산된 AI 미래를 위한 투표와 같습니다. 우리는 단순히 네트워크를 구축하는 것이 아니라, 집단 지성을 형성하고 있습니다.
— 'Helios', 리드 개발자 [1]
