GENLAYER LABS RESEARCH

이 탐구를 짧게 소개합니다:

어떤 결정은 자동화하기 쉽습니다.

명확한 규칙입금이 확인됐나요?

→

하나의 답예.

전체 논증

여섯 개의 질문, 하나의 시스템.

각 장은 질문 하나를 던지고 답합니다. 여기 모든 답을 한눈에 모았습니다. 페이지의 나머지는 그 근거이고, 각 장의 끝에는 증명을 담은 논문이 있습니다.

00메커니즘우리는 무엇을 만드는가?판단할 수 있는 블록체인.
01재현성작은 AI 판정자 패널을 믿을 수 있을까?신뢰가 숫자가 됩니다.
02합의두 AI 답변은 언제 ‘같은 답’일까?컨트랙트가 선언합니다.
03조정결정 하나가 평가를 얼마나 사야 할까?걸린 만큼, 딱 그만큼.
04토크노믹스왜 컴퓨터로는 표를 살 수 없을까?표는 잠긴 자본입니다.
05유인잘못된 결정에 이의를 제기하는 비용은 누가 낼까요?보상이 수지에 맞게 만들어 주는 사람.
06형식 검증배포된 코드는 수학과 일치할까?바뀔 때마다 다시 검증합니다.

00 · 메커니즘

GenLayer: 스스로 판단하는 블록체인.

GenLayer는 증명할 수 있는 정답이 없는 질문에도 컨트랙트가 행동할 수 있는 블록체인입니다. 약속대로 일이 끝났는가, 배송된 물건이 파손되었는가 같은 질문이죠. 합의 방식은 Optimistic Democracy입니다. 리더가 답을 제안하면, 각자 자신의 AI 모델을 돌리는 검증자들로 이루어진 패널이 투표하고, 그 평결은 확정되기 전까지 이의 제기에 열려 있습니다.

결정 하나가 처음부터 끝까지 가는 길.

01재현성

평가자들의 의견이 갈리거나 일부가 속이려 들 때, 그 결정을 믿을 수 있을까요?

짧은 답

그렇습니다. 신뢰가 숫자가 되기 때문입니다. 무작위로 뽑은 작은 패널이 선언된 판정자 집단과 얼마나 자주 일치하는지, 적대적 참여자가 끼어 있는 경우까지 논문이 정확히 계산합니다.

정직한 평가자 집단 전체에 까다로운 질문을 던지면 80명은 예, 20명은 아니요라고 답할 수 있습니다. 그런데 GenLayer는 언제나 무작위로 뽑은 소수에게만 묻습니다. 그 소수를 어디까지 믿을 수 있을까요?

쉬운 말로 정리하면

컨트랙트가 선언한 판정자 집단 전체를 떠올려 보세요 (평가자 집단). 이 집단이 한쪽으로 기울어 있을 때, 무작위로 뽑은 작은 패널이 같은 쪽에 설 확률은 얼마나 될까요? 그 확률이 바로 재현성입니다. 집단과 일치한다는 뜻이지, 진실이라는 뜻이 아닙니다. 논문은 이 값을 정확히 계산하며, 적대적 참여자가 언제나 정직한 다수의 반대편에 투표하는 최악의 경우까지 포함합니다.

직접 해보기

‘예’ 응답 비율, 적대적 비율, 평가자 수를 바꿔 보세요.

먼저 예상해 보세요

적대적 참여자가 80 대 20이던 집단을 70 대 30으로 바꿔 놓았습니다. 무작위로 뽑힌 판정자 마흔일곱 명이 투표합니다. 이들이 그래도 정직한 다수와 같은 편에 설 확률은 얼마나 될까요?

정직한 평가자 중 ‘예’라고 답하는 비율 80% 전체 중 적대적 참여자가 뒤집는 비율 10%

70% 예10% 뒤집힘20% 아니요

평가자 수

그래도 그룹이 정직한 다수 결정을 재현할 확률—

논문의 비적응형 모델로 정확히 계산한 최악의 경우입니다. 모든 적대적 표가 정직한 다수의 반대쪽으로 움직입니다.

더 깊이

논문이 정확히 증명하는 것

크기가 얼마든 패널이 선언된 집단과 얼마나 자주 일치하는지를, 오염이 있을 때와 없을 때 모두 정확히 계산하는 공식. 그리고 앞으로의 결정 중 몇 건이 재현 가능하게 판가름 날지 보증하는 방법(유한 패널 오류 확률, 민감도 곡면, 운영 인증서).

평가자 수를 늘리는 것이 왜 도움이 되나요?

판정자를 많이 뽑을수록, 패널이 집단 전체가 기운 쪽을 놓칠 확률은 작아집니다.

어떤 결정이 더 쉽게 판가름 나나요?

집단의 의견이 뚜렷하게 일치할수록, 안정적인 결과를 얻는 데 필요한 판정자 수는 줄어듭니다.

재현성이 곧 진실을 뜻하나요?

아닙니다. 무작위로 뽑은 패널이 선언된 집단과 같은 쪽에 서는 경향이 있다는 뜻입니다. 진실이냐 아니냐는 별개의, 경험적인 문제입니다.

일부 평가자가 적대적이라면 어떻게 되나요?

패널을 뽑기 전에 집단 중 알려진 비율이 이미 오염된 경우, 논문은 최악의 오류를 정확히 계산합니다. 얼마나 버티는지는 가정이 아니라 측정된 값입니다.

논문 읽기 · AGGREGATE DISAMBIGUATION SYSTEMS ↗

02합의

AI가 내놓은 두 답이 ‘같은 답’인지는 누가 정할까요?

짧은 답

컨트랙트가 정합니다. 호출할 때마다 무엇이 ‘같은 답’인지 선언하고, 검증자들은 그 선언된 규칙에 따라 리더의 제안을 판단합니다. 이것이 동등성 원칙입니다.

한 표는 어디에서 올까요? 같은 질문을 AI에게 두 번 물으면 돌아오는 문장이 매번 다릅니다. 고전적인 블록체인은 그 차이를 무조건 결함으로 읽고, 정직한 작업까지 거부해 버립니다.

쉬운 말로 정리하면

해법이 동등성 원칙입니다. 컨트랙트는 호출할 때마다 무엇을 ‘같은 답’으로 볼지 선언합니다. 리더가 실제로 작업해 답을 제안하면, 나머지는 같은 작업을 다시 실행한 뒤 그 기준으로 판단합니다. 기준을 잘 세우면 표 하나하나에 판단이 담깁니다. 잘못 세우면 만장일치이면서도 아무것도 말해 주지 않는 표가 되거나, 정직한 답을 모조리 거부하게 됩니다.

직접 해보기

기준을 바꿔 보세요. 표가 달라집니다.

1 컨트랙트가 ‘같은 답’의 기준을 선언합니다

llm_call(
  task = "제출된 보고서가 요구사항을 충족하는가?",
  equivalence = "자신의 재실행과 같은 평결",
)

# 또는 이렇게 선언: · ·

2 리더가 실행하고 답을 제안합니다

“요구사항 충족. 가격과 경쟁사 분석은 탄탄하고, 규제 부분은 얇지만 포함되어 있음.”

3 다섯 검증자가 재실행하고 리더의 답에 투표합니다

더 깊이

백서가 정확히 명시하는 것

컨트랙트는 호출 단위로, 리더의 출력이 받아들일 만한 답인지 검증자가 어떤 기준으로 판단할지 선언합니다. 필요하면 검증자 자신의 재실행 결과와 비교해 판단할 수도 있습니다.

실제 문법인가요?

아니요, 예시입니다. 실제 GenVM 컨트랙트는 샌드박스에서 실행되는 Python 클래스입니다. 다만 메커니즘 자체, 곧 모든 AI 연산마다 호출 단위로 기준을 선언한다는 점은 백서에 명시된 그대로입니다.

왜 두 검증자는 정직한 답을 거부하나요?

자기가 다시 실행한 결과가 정직하게 반대 평결에 이르렀기 때문입니다. 이는 부정행위가 아니라 의견 차이이며, 처벌 대상이 아닙니다. ‘재현성’ 절의 수학이 바로 이런 차이를 흡수하도록 설계되어 있습니다.

기준은 누가 정하나요?

컨트랙트 개발자가 호출 단위로 정합니다. 같은 컨트랙트 안에서도 호출마다 다른 기준을 선언할 수 있습니다.

그냥 모든 검증자에게 정확히 같은 출력을 요구하면 안 되나요?

AI 호출과 웹 조회에는 유일한 정답 출력이 없습니다. 옳게 쓴 요약문 둘도 문구는 서로 다릅니다. 결정적인 코드는 지금도 바이트 단위로 검사합니다.

백서 읽기 · 동등성 원칙 ↗

03조정

스무 명 남짓이면 충분한데 왜 천 명에게 물을까요?

짧은 답

걸린 것이 정당화하는 만큼만 평가를 삽니다. 매 단계에서 — 멈추기, 재평가, 재생성 — 기대 총손실이 가장 작은 수가 최선이고, 논문이 그 수를 계산합니다.

평가는 모두 돈을 내야 하는 작업입니다. 200달러짜리 환불에 판정자 1,537명짜리 패널을 붙일 이유는 없지만, 2만 달러를 옮기는 자금 집행이라면 이야기가 다릅니다.

쉬운 말로 정리하면

각 단계에서 시스템은 그대로 멈추거나, 같은 답을 두고 판정자를 더 사거나(재평가), 돈을 더 들여 새 답을 받을 수 있습니다(재생성). 가장 좋은 수는 기대 총손실을 가장 작게 만드는 수입니다. 판정자에게 주는 비용에, 틀렸을 때 치르는 평균 비용을 더한 값이죠. 논문은 이 이상적인 기준선을 계산합니다. 실제 이의 제기가 그 기준을 따라가는지는 아래 ‘유인’ 절의 질문입니다.

직접 해보기

이 결정에는 평가자 몇 명을 쓰는 것이 적절할까요?

먼저 예상해 보세요

80%가 동의하는 질문 하나에 2,000달러가 걸려 있습니다. 판정자 한 명당 10센트입니다. 어디서 멈추는 것이 가장 쌀까요?

예시 결정 고르기

오판 시 걸려 있는 금액 $2,000 의견이 얼마나 갈리는 질문인가요? 80% 동의 · 한쪽 우세

평가자 한 명당 10센트입니다. 패널 크기는 프로토콜이 정한 라운드 규모를 따르며, 5명부터 1,537명까지입니다.

총비용 = 수수료 + 위험(라운드별). 검은 선이 가장 낮아지는 지점에서 멈추면 됩니다.

중단 규칙—

더 깊이

논문이 정확히 증명하는 것

어떤 수가 기대 손실이 가장 작은지 정하는 정확한 규칙, 답이 바뀌는 동안에도 유효하게 남는 인증서, 그리고 GenLayer의 확장 사다리가 완벽한 정보를 가진 선택보다 여섯 배 미만의 일만 한다는 증명(G-AE-ADS 플래너, 6-경쟁 스케줄).

왜 적은 수의 평가자로 시작할 수 있나요?

대부분의 결정은 싸게 끝납니다. 이득이 비용을 넘어설 때만 판정자를 더하세요.

언제 추가 평가가 가치 있나요?

걸린 것이 충분히 크거나 근거가 충분히 약해서, 한 번 더 볼 값을 치를 만할 때입니다.

왜 현재 답변을 다시 평가하는 것과 새 답변을 만드는 것을 구분하나요?

사는 것이 다릅니다. 다시 확인하는 쪽은 같은 답에 근거를 더하고, 재생성하는 쪽은 답 자체를 바꿉니다. 논문은 돈을 쓰기 전에 두 선택지의 값을 각각 매깁니다.

실제 네트워크는 정말 이 이상적인 규칙을 따르나요?

여기서 보이는 것은 아닙니다. 이 규칙은 플래너의 기준선일 뿐이고, 네트워크가 거기에 맞춰 움직이려면 누군가가 알맞은 이의 제기를 사적으로도 할 만하다고 판단해야 합니다. 그것이 바로 ‘유인’ 절이 다루는 문제입니다.

ADAPTIVE ECONOMIC DISAMBIGUATION · 논문 공개 예정

04토크노믹스

노드를 무수히 띄워 네트워크를 장악하려는 시도를 무엇이 막을까요?

짧은 답

표는 컴퓨터가 아니라 잠긴 자본입니다. 장악하려면 누구도 마음대로 찍어낼 수 없는 토큰 GEN의 막대한 몫을 사서 위험에 내걸어야 합니다.

여기까지는 표를 사기 어렵다고 가정했습니다. 그런데 컴퓨터는 쌉니다. 한 사람이 노드 천 개를 돌릴 수도 있습니다.

쉬운 말로 정리하면

그래서 표는 잠긴 GEN에 붙습니다. 누구도 마음대로 찍어낼 수 없는 토큰이죠. 검증자는 잃을 수도 있는 GEN을 최소 42,000개 잠급니다 (스테이크). 그 밖의 사람은 신뢰하는 검증자에게 자기 GEN을 맡길 수 있습니다 (위임). 네트워크를 장악하려면 전체 GEN 중 막대한 몫을 사들여, 네트워크가 태워버릴 수 있는 자리에 묶어 두어야 합니다 (슬래싱).

지켜보기

같은 공격자가 서로 다른 두 세계에서 장악을 시도하는 모습을 보세요.

세계 1 · 노드 하나에 한 표 가짜 투표자는 공짜라서, 공격자는 얼마든지 찍어냅니다

가짜 투표자를 찍어내는 중, 한 명당 약 0달러…

세계 2 · GENLAYER: 잠긴 토큰 하나에 한 표 표를 던지려면 GEN을 잠가야 합니다. 누구도 마음대로 찍어낼 수 없는 토큰이죠

공격자가 사들여야 했던 전체 GEN의 비율

같은 공격을 여기서 하려면 전체 GEN의 0%를 사서 잠가야 합니다. 부정을 저지르면 그 스테이크는 소각됩니다(슬래싱).

논문에 고정된 표에서: 검증자 최소 42,000 GEN, 위임 최소 42 GEN, 언본딩 7 에포크, 사기 시 최대 5% 슬래싱.

더 깊이

논문이 정확히 명시하는 것

이 법정을 떠받치는 경제 엔진: 제네시스 공급량 42억 GEN 고정, 발행률은 9%에서 4%를 향해 감소(약속이 아니라 상한), 수수료와 발행에서 나오는 보상, 스테이킹 규칙, 그리고 정직한 의견 차이는 결코 슬래싱하지 않고 입증 가능한 위법만 처벌하는 벌칙.

검증자에게 줄 돈은 어디에서 나오나요?

두 갈래입니다. 거래 수수료, 그리고 고정된 곡선을 따라 9%에서 4%로 줄어드는 발행(상한이며, 소각은 이를 낮추기만 합니다). DAO는 수수료만으로 재원을 마련하므로, 그 수입은 실제 사용량을 따라갑니다.

검증자는 실제로 무엇 때문에 처벌받나요?

정직한 실수와 위법은 값이 다릅니다. 투표에서 지더라도 수수료 규모만 소각될 뿐, 원금은 건드리지 않습니다. 태만은 1%, 입증된 사기는 리더에게 5% 슬래싱이며, 실패한 이의 제기는 예치금을 잃습니다. 의견 차이는 흡수하고, 위법은 처벌합니다.

제곱근 가중치만으로 시빌 공격이 막히나요?

아닙니다. 논문도 그렇게 말합니다. 오목 가중치는 집중을 완화할 뿐이고, 쪼개기를 막는 것은 모든 신원이 42,000 GEN 전액을 잠그고, 자기 노드를 돌리고, 자기 몫의 슬래싱을 감수해야 한다는 사실입니다.

검증자를 직접 운영하지 않고도 보상을 받을 수 있나요?

네. 42 GEN 이상 위임하면 보상이 자동으로 복리로 쌓입니다. 비교할 수수료율도 없습니다. 분배 비율은 프로토콜이 고정하고, 검증자 포지션에 들어간 GEN은 모두 같은 이율을 받습니다.

GEN TOKENOMICS · 논문 공개 예정

05유인

잘못된 결정에 이의를 제기하는 비용은 누가 낼까요?

짧은 답

보상이 그것을 합리적으로 만들어 주는 사람입니다. 이의 제기 보상의 안전 구간은 좁습니다. 근거 있는 의심이 움직일 만큼 크되, 무작정 내는 스팸은 여전히 손해를 볼 만큼 작아야 합니다.

3 대 2로 갈린 투표를 기억하시나요? 이렇게 아슬아슬한 결정은 한 번 더 들여다볼 만합니다. 그런데 이의를 제기하려면 돈을 잠가야 하고 (예치금), 그 돈을 잃을 위험까지 감수해야 합니다. 누가 자원해서 나설까요?

쉬운 말로 정리하면

논문은 비슷하게 들리는 두 가지를 갈라놓습니다. 시스템에 패널이 한 번 더 필요한 때와, 어떤 개인이 그것을 띄워서 이득을 보는 때입니다. 둘은 양쪽으로 어긋납니다. 제기됐어야 하는데 아무도 하지 않은 이의(아무도 비용을 치르지 않음)가 있고, 쓸데없는 이의(누군가 헛돈을 씀)가 있습니다. 지렛대는 보상 액수입니다. 너무 적으면 의심은 입을 다물고, 너무 많으면 묻지도 따지지도 않는 이의 제기가 하나의 사업이 됩니다.

직접 해보기

어떤 의심이 행동으로 옮길 가치가 있는지는 보상이 정합니다.

이의 제기 성공 시 돌려받는 금액 예치금의 2.5×

누가 이의를 제기할 것인가—

더 깊이

논문이 정확히 증명하는 것

이상적인 정지 규칙과 실제 이의 제기 행동 사이의 간격에 매기는 정확한 값(구현 리그렛), 어떤 고정된 예치금·보상 조합도 모든 작업 부하에 맞지는 않는다는 증명, 그리고 잘 조정된 보상이 그 간격을 메우는 조건.

무엇이 참여자를 이의 제기에 나서게 하나요?

이길 확률, 보상, 걸어야 하는 예치금, 이의 제기에 드는 비용, 그리고 그 결과에 걸린 개인적인 이해관계입니다.

유용한 이의 제기가 실제로 일어나도록 유인을 설계할 수 있나요?

조건이 맞으면 그렇습니다. 논문은 시스템에 패널이 한 번 더 필요한 때와 개인의 이해가 맞물리도록 보상을 조정하는 방법을 보여 줍니다.

잠재적 이의 제기자가 여러 명인 것이 왜 중요한가요?

이의를 제기할 수 있는 사람이 많아지면 서로의 선택이 얽힙니다. 기다리기, 먼저 차지하려 경쟁하기, 같은 일을 중복해서 하기. 메커니즘은 이 세 가지 모두에 값을 매겨야 합니다.

무작정 낸 이의 제기를 막으려면 예치금을 그냥 올리면 되지 않나요?

예치금을 키우면 패널 비용을 대고 스팸도 막지만, 자본이 묶입니다. 손익 계산은 그대로인데 이의를 제기할 여력이 있는 사람의 범위만 크게 줄어들 수 있습니다.

MULTI-AGENT APPEAL GAMES · 논문 공개 예정

06형식 검증

프로토콜은 정말 설계대로 작동할까요?

짧은 답

바뀔 때마다 다시 검증합니다. 기계가 검증하는 Optimistic Democracy 모델을 진화하는 배포 컨트랙트와 계속 대조하며, 이미 실제 버그를 잡아냈습니다.

여기까지는 설계에 대한 수학입니다. 하지만 네트워크가 실제로 돌리는 코드는 매주 바뀝니다. 그래서 기계가 검증하는 Optimistic Democracy 모델을 (TLA+ 모델 검사) 두고, 컨트랙트가 바뀔 때마다 다시 대조합니다.

253번의 커밋에 걸친 프로토콜 진화를 같은 기계 검증 속성들로 다시 검증했습니다. 1건의 경쟁 조건이 같은 이의 제기 이벤트를 처리하는 두 코드 경로 사이에서 발견됐습니다. 3개의 규칙은 긴급 패치 하나가 소리 없이 깨뜨린 것을 모델 검사로 찾아냈습니다. 모든 발견은 구현에서 확인해 개발팀에 보고했습니다.

더 깊이

이 검증은 실제로 무엇을 다루나요?

계층으로 나눈 모델입니다. 정본 상태 그래프, 그것에 대조해 검사하는 TLA+ 명세, 그리고 모든 전이를 고정된 리비전의 Solidity 코드에 대응시킨 매핑.

이것으로 코드에 버그가 없다는 것이 증명되나요?

아닙니다. 고정된 리비전의 명시된 모델에 대해, 명시된 속성을 증명합니다. 그렇게 범위를 좁혔기 때문에 비로소 주장을 검사할 수 있는 것입니다.

왜 한 번 증명하고 끝내지 않고 다시 검증하나요?

프로토콜은 계속 바뀝니다. 리비전마다 같은 속성으로 다시 검사하므로, 소리 없이 어긋난 부분은 운영 장애가 아니라 실패한 검사로 드러납니다.

이 회귀 테스트 장치가 실제 문제를 잡아낸 적이 있나요?

네. 위에서 말한 경쟁 조건 하나와 깨진 불변식 세 개입니다. 모두 실제 구현에서 확인해 개발팀에 보고했습니다.

LAYERED FORMAL VERIFICATION · 논문 공개 예정

핵심 연구