**새뮤얼 "샘" B. 데어(Samuel "Sam" B. Dare)**는 인공지능(AI) 연구원이자 기업가이며, 탈중앙화 AI 개발의 저명한 옹호자입니다. 그는 오픈 소스 기반의 탈중앙화 파운데이션 모델과 이를 지원하는 인프라 구축에 집중하는 관련 조직인 커버넌트(Covenant) AI와 템플러(Templar)의 설립자입니다. 데어는 비텐서(Bittensor) 생태계 내에서의 활동, 탈중앙화 학습 프로토콜에 대한 기여, 그리고 대형 기술 기업의 권력 집중을 견제하기 위해 탈중앙화가 필수적이라는 '파운데이션 모델의 정치경제학'에 관한 철학적 논거로 잘 알려져 있습니다. 그의 행보는 2026년 4월, 비텐서 네트워크의 지도부가 탈중앙화를 가장하고 있다고 비난하며 커버넌트(Covenant) AI의 네트워크 탈퇴를 선언했을 때 큰 논란의 중심이 되었습니다 ^[10].

학력

샘 데어(Sam Dare)는 2018년 옥스퍼드 대학교 사이드 경영대학원(Saïd Business School)을 졸업했으며, CFA 프로그램 레벨 2 합격, 재무위험관리사(FRM) 레벨 1 합격, 공인 비트코인 전문가 자격 등을 포함하여 금융, 투자 및 블록체인 기술 분야에서 다수의 전문 자격증을 보유하고 있습니다 ^[2].

경력

데어(Dare)의 경력은 탈중앙화 인공지능의 개발과 홍보에 집중되어 있습니다. 그는 기업용 소프트웨어와 탈중앙화 시스템에 대한 경험을 두루 갖춘 "블록체인 베테랑"으로 묘사됩니다 ^[4]. 분산 시스템을 위한 메커니즘 설계와 AI의 정치경제학에 초점을 맞춘 독립 연구원 기간을 거친 후, 그는 일련의 벤처 사업을 통해 자신의 연구를 공식화하기 시작했습니다 ^[5].

2023년 9월, 데어는 파운데이션 모델을 둘러싼 지정학적 및 경제적 권력 구조 연구에 중점을 둔 AI 연구 개발 연구소인 Templar를 설립했습니다 ^[3]. 이어 2024년 1월에는 Templar 연구의 운영 부문 역할을 하는 Covenant AI를 설립하여 오픈 소스 기반의 탈중앙화 AI 모델의 실질적인 개발을 조율하고 있습니다 ^{[3] [2]}. Templar AI, Templar Covenant, 또는 Covenant.ai로 혼용되어 불리기도 하는 이 단체들은 Bittensor 탈중앙화 AI 네트워크 내에서 저명한 빌더로서 활동하는 데어의 핵심 사업입니다. 일부 기록에 따르면 그는 이전에 미국 국방고등연구계획국(DARPA)에서 AI 연구원으로, 케임브리지 대학교에서 박사후 연구원으로 근무한 것으로 알려져 있습니다 ^[3].

주요 업적 및 프로젝트

데어(Dare)의 작업은 주로 고급 AI 개발을 누구나 접근 가능하고 허가가 필요 없는 방식으로 만들기 위해 설계된 프로토콜, 모델 및 네트워크를 구축하는 것과 관련이 있습니다.

Templar 및 Covenant

​Templar와 Covenant는 Dare가 탈중앙화 AI 비전을 추구하기 위해 설립한 두 개의 주요 실체입니다.

• Templar: 2023년 9월에 설립된 Templar는 운영의 연구 및 철학적 핵심 역할을 수행합니다. 스스로를 "부트스트랩 R&D" 연구소로 정의하며, 파운데이션 모델의 정치 경제학을 조사하고 AI에 대한 통제권이 새로운 형태의 지정학적 권력이라고 주장합니다 ^[3].
• Covenant AI: 2024년 1월에 설립된 Covenant AI는 Templar의 연구를 실제로 구현하는 운영 조직입니다. 전 세계적으로 분산된 컴퓨팅 제공업체 네트워크를 사용하여 대규모 오픈 소스 AI 모델을 구축하고 훈련하는 데 필요한 엔지니어링 노력을 조율합니다 ^[5].

Covenant-72B 모델

Dare의 주도하에 Covenant AI는 720억 개의 파라미터를 가진 대규모 언어 모델(LLM)인 Covenant-72B의 학습을 성공적으로 조율했습니다. 이 프로젝트는 완료 당시 "최대 규모의 탈중앙화 LLM 학습 실행"으로 홍보되었습니다 ^{[6] [11]}. 학습은 Bittensor 네트워크 등의 자원을 활용하여 20명의 익명 피어가 운영하는 약 160개의 GPU 네트워크에 분산되어 진행되었습니다. 이 프로젝트는 대기업이 통제하는 중앙 집중식 하이퍼스케일 데이터 센터에 전적으로 의존하지 않고도 최첨단 AI 모델을 학습시킬 수 있음을 보여주는 중요한 개념 증명 역할을 했습니다 ^{[6] [5]}. 이 모델의 공개는 엔비디아(Nvidia) CEO 젠슨 황(Jensen Huang)과 투자자 차마트 팔리하피티야(Chamath Palihapitiya)와 같은 인물들로부터 찬사를 받았습니다 ^[10].

인센티브 메커니즘 및 프로토콜

Dare의 작업에서 핵심적인 부분은 허가 없는(permissionless) 네트워크 참여자들을 조율하기 위한 경제적 인센티브를 설계하는 것입니다.

템플러 훈련 프로토콜 및 건틀릿 시스템

데어(Dare)는 표준 인터넷 연결을 통해 분산형 모델 훈련의 복잡성을 관리하도록 설계된 템플러(Templar) 훈련 프로토콜의 설계자입니다 ^[5]. 이 작업의 핵심 혁신은 데어가 공동 저자로 참여한 2025년 5월 연구 논문에 상세히 기술된 "건틀릿(Gauntlet)" 인센티브 시스템입니다. 건틀릿은 분산된 LLM 훈련 과정에서 익명 참가자들의 기여를 조정하고 검증하기 위한 시스템입니다.

이 시스템은 네트워크 피어들이 서로의 계산 작업을 평가하는 2단계 평가 프로세스를 사용합니다. 또한 각 노드의 신뢰도를 평가하기 위해 OpenSkill 알고리즘을 활용하며, 비동기 분산 환경에 적합한 최적화 도구(DeMo)를 사용합니다. 건틀릿 시스템의 실행 가능성은 개념 증명 역할을 한 12억 개의 파라미터를 가진 LLM인 Templar-1B의 성공적인 훈련을 통해 입증되었습니다. ^[1]

Bittensor 서브넷

Dare와 Templar AI 팀은 Bittensor 네트워크에서 고유한 인센티브 메커니즘을 가진 전문 네트워크인 기초 서브넷들을 생성하고 운영합니다.

• Templar (서브넷 3): Bittensor 네트워크 최초의 분산형 무허가 LLM 학습 서브넷입니다. 채굴자들이 협력하여 모델을 학습시키고 그 기여도에 따라 보상을 받는 프레임워크를 구축했으며, 이후 프로젝트들의 청사진 역할을 했습니다 ^[4].
• Grail (서브넷 81): 서브넷 3의 직접적인 진화형으로 설명되는 Grail은 탈중앙화 AI 사전 학습 네트워크입니다. 무허가 채굴자 네트워크가 처음부터 모델을 공동으로 학습할 수 있도록 함으로써 파운데이션 모델 생성을 민주화하는 것을 목표로 합니다. 서브넷의 검증자(Validator)는 채굴자가 제안한 가중치 업데이트가 모델의 손실(loss)을 얼마나 줄이는지에 따라 점수를 매기며, 협력적 개발을 위한 인센티브 기반 환경을 조성합니다 ^{[4] [1]}.
• Basilica (서브넷 39): 이 서브넷은 신뢰가 필요 없는(trustless) 탈중앙화 GPU 컴퓨팅 마켓플레이스로 기능하도록 설계되었습니다. 컴퓨팅 파워가 필요한 사용자와 GPU 자원 제공자를 연결하며, Bittensor 네트워크를 활용하여 안전하고 무허가적인 방식으로 거래를 촉진합니다 ^[4].

철학 및 공공 논평

데어(Dare)는 AI에 대한 특정한 철학적 비전의 열렬한 지지자로, 저술, 소셜 미디어 및 대외 활동을 통해 자신의 견해를 명확히 밝히고 있습니다. 그의 주장은 정보 기술에 대한 권력 분립을 중심으로 전개됩니다.

파운데이션 모델의 정치경제학

데어(Dare)의 핵심 논지는 "파운데이션 모델의 정치경제학"과 같은 저술에서 설명되었듯이, 파운데이션 모델을 훈련하는 데 필요한 막대한 자본과 컴퓨팅 자원의 집중으로 인해 "AI 과점"이 형성되고 있다는 것입니다 ^{[5] [4]}. 그는 거대 기술 기업들이 주도적인 역할을 하는 것에 대해 비판적이며, 그들이 기초 AI의 관리자로서 적합한지에 대해 의문을 제기합니다. 그는 한 팟캐스트에 출연하여 "마크 저커버그는 민주주의를 훔쳤습니다. 그 사실을 절대 잊지 맙시다. 구글은 수많은 사생활 침해와 인권 유린을 저질렀습니다. 이런 사람들이 여러분이 프로메테우스의 불을 넘겨주고 싶은 사람들입니까?"라고 언급했습니다 ^[5].

그는 AI에 대한 진정한 통제권은 모델을 사용하거나 미세 조정하는 사람들("소비")이 아니라, 처음부터 모델을 훈련할 수 있는 사람들("창조")에게 있다고 주장합니다. 그는 중앙 집중식 기업이 출시한 오픈 웨이트(open-weight) 모델에 의존하는 것을 전략적 취약점으로 간주하며, "중앙 집중식 개체가 출시하는 '오픈 웨이트'의 문제는 그들의 상업적 이익이 변할 수 있고 언제든지 토양에 소금을 뿌려(망쳐놓아) 하류의 모든 개발자를 위한 공급망을 끊어버릴 수 있다는 점입니다"라고 말했습니다 ^[6].

소버린 AI (Sovereign AI)

데어(Dare)는 커뮤니티, 조직 및 국가가 자원을 통합하여 자신의 문화적 가치와 경제적 이익에 부합하는 AI 모델을 구축할 수 있는 "소버린 AI(주권 AI)" 개념을 장려합니다. 이는 주로 미국에 기반을 둔 소수의 제공업체에 대한 기술적 의존도를 낮출 수 있는 대안을 제공합니다. 그는 Mint 기고문에서 인도를 이러한 접근 방식에 매우 적합한 국가로 지목하며 다음과 같이 언급했습니다. "급성장하는 개발자 생태계와 강력한 정부 지원을 바탕으로, 인도는 소버린 AI 역량을 육성하기에 독보적인 위치에 있습니다" ^{[7] [5]}.

"반복 vs. 테마 (Iterations vs. Themes)" 프레임워크

데어(Dare)는 탈중앙화 기술에 대한 추진력을 그가 "반복 vs. 테마"라고 부르는 역사적 맥락 내에서 정의합니다. 이 관점에서, 핵심적인 "테마"는 정보 기술에 대한 권력을 분산시키려는 지속적인 목표입니다. 초기 인터넷이나 P2P 파일 공유와 같은 구체적인 기술적 움직임들은 이 테마를 실현하기 위한 과정인 "반복"에 해당합니다. 그는 개별적인 반복은 실패할 수 있지만, 탈중앙화라는 근본적인 테마는 인내하며 결국 성공적인 형태를 찾아낸다고 주장합니다. 그는 현재의 노력을 매우 중요한 것으로 묘사하며 다음과 같이 언급했습니다. "탈중앙화된 훈련은 인류의 마지막 보루라고 생각합니다... 하나의 반복이 실패할 수도 있고, 여러 반복이 실패할 수도 있지만, 궁극적으로 테마는 살아남기 때문입니다" ^[5].

출판물

• "Incentivizing Permissionless Distributed Learning of LLMs" (2025년 5월): Dare가 공동 저자로 참여하여 프리프린트 서버인 arXiv에 제출된 연구 논문입니다. 이 논문은 "Gauntlet" 인센티브 시스템과 Bittensor 네트워크에서 Templar-1B 모델을 훈련하는 데 성공적으로 사용된 사례를 상세히 다룹니다 ^[1].
• "The Political Economy of Foundation Models" (2026년 3월): AI 권력의 중앙 집중화에 관한 핵심 철학적 논거와 분산형 학습의 전략적 중요성을 설명하는 게시물입니다 ^[5].

공개 활동 및 미디어

Dare는 프로젝트 진행 상황을 소통하고 AI 산업에 대한 자신의 견해를 공유하기 위해 활발한 공개 활동을 유지하고 있습니다. 그는 X(구 트위터) 핸들 @DistStateAndMe를 사용하여 Templar 및 Grail과 같은 프로젝트에 대한 주간 "TGIF"(Thank God It's Friday) 커뮤니티 요약을 포함한 정기적이고 상세한 업데이트를 제공합니다 ^[4]. 그는 Mint와 같은 미디어 매체를 통해 글로벌 AI 시장에 대한 전문가 논평을 제공해 왔습니다. 2026년 4월 현재, 그는 케냐 나이로비에서 열리는 Sankalp Africa Summit 기간 중 개최될 2027 Bittensor Subnet Ideathon의 주요 게스트이자 연사로 참여할 예정입니다 ^{[4] [7]}.

Bittensor 탈퇴 및 논란

2026년 4월, Dare가 이끄는 Covenant AI는 Bittensor 네트워크 탈퇴를 공식 발표했습니다. 공개 성명에서 Dare는 Bittensor의 리더십이 "탈중앙화 연극"을 하고 있다고 비난하며, 공동 창립자인 Jacob Steeves가 네트워크 거버넌스에 대해 일방적인 통제권을 유지하고 있다고 주장했습니다 ^{[11] [10]}.

Dare의 구체적인 주장에는 Covenant 서브넷에 대한 토큰 발행 중단, 인프라의 일방적인 폐지, 그리고 Bittensor의 TAO 토큰에 대한 대규모 표적 매도를 통한 경제적 압박 행사가 포함되었습니다 ^[12]. 이 발표와 뒤이은 논란으로 인해 TAO 가격은 크게 하락했으며, 일부 보고에 따르면 15% 이상의 하락세를 기록했습니다 ^[11].

인터뷰

커버넌트 서브넷 아키텍처 #01

2025년 11월 17일 유튜브 채널 'Hash Rate Podcast'(에피소드 145)에서 공개된 인터뷰에서 샘 데어(Sam Dare)는 Templar(3), Grail(39), Basilica(81)로 구성된 Covenant 서브넷 시스템의 구조와 의도된 기능에 대해 논의했습니다.

데어는 Covenant를 AI 모델 개발의 각 단계를 별도의 서브넷에 분산시키는 데 중점을 둔 이니셔티브로 설명합니다. 그의 설명에 따르면, Templar는 지리적으로 분산된 컴퓨팅 자원을 활용한 사전 학습(pre-training) 프로세스와 관련이 있고, Grail은 모델 미세 조정과 같은 사후 학습(post-training) 활동과 관련이 있으며, Basilica는 인센티브 기반 시스템을 통해 컴퓨팅 할당을 조정하도록 설계되었습니다.

그는 이 구조가 중앙 집중식 AI 학습 환경의 대안으로 작동하도록 의도되었다고 명시합니다. 그의 설명에 따르면, 분산형 GPU 네트워크를 사용하면 조정 및 지연 시간과 관련된 과제에도 불구하고 유사한 처리 성능을 유지하면서 학습 비용을 절감할 수 있습니다.

데어는 Templar를 통해 학습된 모델이 현재 중앙 집중식 시스템과 비교했을 때 중간 수준의 성능에 해당하며, 선도적인 모델 역량의 약 60% 수준으로 추정된다고 언급했습니다. 그는 추가적인 개선을 위해서는 복잡성과 자원 요구 사항을 높여야 한다고 덧붙였습니다.

또한 그는 Basilica가 단순히 가용성만이 아니라 제공된 컴퓨팅의 효율성과 품질을 바탕으로 참여자를 평가하는 인센티브 메커니즘을 적용한다고 설명합니다. 이 모델은 네트워크 내에서 자원을 할당하는 방법으로 묘사됩니다.

인터뷰에는 기업, 공공 기관, 학술 단체와 같은 조직이 이러한 인프라를 반복적인 모델 학습에 활용할 수 있다는 잠재적 사용 사례에 대한 언급이 포함되어 있습니다. 그는 이를 AI 학습 자원에 대한 접근 방식이 구조화되는 방식의 변화로 제시합니다.

이 논의에는 서로 다른 서브넷 간의 가치 흐름을 통합하려는 계획을 포함하여 BitTensor 생태계 내의 토큰 관련 메커니즘에 대한 참조도 포함되어 있습니다. ^[8]

분산형 AI와 Templar #02

2025년 6월 4일 YouTube 채널 Ventura Labs에 게시된 인터뷰에서 Samuel Dare는 Bittensor 네트워크 내 Templar(서브넷 3)에 대한 자신의 참여를 논의하고 분산형 AI 학습에 대한 견해를 설명했습니다.

Dare는 Templar가 대규모 기계 학습 모델의 분산형 사전 학습에 중점을 둔 허가 없는(permissionless) 플랫폼으로 운영된다고 명시합니다. 그는 분산형 AI 개발을 대형 기술 기업과 관련된 시스템의 대안으로 제시하며, OpenAI와 같은 조직과 차별화하는 동시에 Google을 주요 비교 대상으로 언급했습니다.

그는 초기 블록체인 작업에서 분산형 AI 시스템으로 초점이 이동했음을 설명합니다. 이러한 맥락에서 Templar는 '마이너(miners)'라고 불리는 참여자들이 모델 학습에 컴퓨팅 자원을 기여하고 경쟁 메커니즘을 통해 평가받는 네트워크로 소개됩니다. Dare는 이러한 시스템의 설계가 지속적인 참여를 장려하고 적대적 행위를 제한하는 인센티브 구조에 달려 있다고 언급합니다.

기술적 측면과 관련하여 Dare는 통신 오버헤드 및 노드 간 조정 등 분산 학습 프로세스의 확장과 관련된 과제를 식별합니다. 그는 대역폭 및 효율성 제약을 해결하기 위해 그래디언트 압축 방법과 동기식 학습 방식의 사용을 언급합니다. 또한 대규모 AI 제공업체가 사용하는 독점 시스템과 관련하여 오픈 소스 하드웨어의 잠재적 관련성을 포함한 하드웨어 인프라의 역할에 대해서도 논의합니다.

Dare는 또한 기여자가 토큰 기반 구조를 통해 학습된 모델의 지분을 보유할 수 있는 모델을 개략적으로 설명합니다. 그는 Templar를 소유권을 집중시키기보다 네트워크 전체에 제어와 참여를 분산시키려는 시스템으로 묘사합니다.

이 인터뷰는 분산형 참여와 인센티브 기반 조정을 강조하며, 분산형 AI 학습 시스템이 기계 학습 인프라 개발을 위한 대안적인 조직 모델로 기능할 수 있다는 Dare의 관점을 제시합니다. ^[9]