분산형 AI의 예상

집중형 정보 흐름에서 개인화 정보 정렬로의 패러다임 전환

The Vision of Distributed AI:
A Paradigm Shift from Centralized Information Flow to Personalized Information Alignment

---

§1 서론: 정보 흐름의 관련성 문제

대규모 언어 모델(LLM)은 집중형 서비스에서 분산형 인프라로의 패러다임 전환을 겪고 있다. 본 논문은 정보 흐름의 관점에서 출발하여, 사전훈련부터 분산형 개인 AI까지의 완전한 이론적 프레임워크를 구축하며, 이 전환이 단순한 기술 배포 방식의 변화가 아니라 정보 통제권, 책임 주체, 그리고 인간-AI 관계의 근본적 재편임을 논증한다.

사전훈련 이후의 LLM은 그 내부 정보 흐름이 단절적이고, 이산적이며, 혼돈스러운 관계를 보인다. 모델은 방대한 텍스트에 대한 next-token prediction을 통해 수십억 매개변수의 지식 분포를 축적하지만, 이러한 지식 단편들 사이에는 통합된 조직 구조가 없다. 서로 다른 분야에 관한 지식이 attention head와 MLP 층의 가중치에 산재해 있으며, 이들 사이에 명시적인 계층 구조나 색인 시스템이 없다. 미세한 입력 변화가 출력의 대폭적 편이를 초래할 수 있으며, 같은 질문을 다른 방식으로 표현하면 활성화되는 정보 흐름 경로가 완전히 달라질 수 있다.

이러한 혼돈 상태가 바로 후훈련 단계—SFT와 RL—가 존재하는 근본적 이유이다. 후훈련의 본질은 새로운 지식을 추가하는 것이 아니라, 혼돈스러운 정보 흐름에 대한 구조적 조직과 방향적 선별이다. 이 과정을 이해하는 것이 AI 패러다임 전환 전체를 이해하는 출발점이다.

§2 정보 흐름의 구조화: 혼돈에서 하천으로, 하천에서 수문으로

2.1 SFT: 첫 번째 합류—하천의 개착

지도 미세조정(SFT)은 혼돈스러운 사전훈련 정보의 바다에 대한 첫 번째 구조화이다. 지시-응답 쌍의 훈련을 통해, SFT는 산재된 지식에 수로를 개착했다—정보가 흐름의 방향을 갖기 시작한다: 질문에서 답변으로, 입력에서 출력으로. 이것은 조립도(粗粒度)의 합류로, 대화 패턴의 기본 구조를 확립한다. SFT가 없으면 사전훈련 모델은 무한히 텍스트를 이어 쓰는 확률 기계에 불과하다; SFT가 있어야 정보 흐름이 인간이 이해할 수 있는 방향성을 획득한다.

2.2 RL 후훈련: 본질적으로 다른 두 종류의 수문

강화학습은 새로운 수로를 개착하는 것이 아니라, SFT가 이미 만들어 놓은 수로 위에 제방과 수문을 건설하는 것이다. 그러나 본질적으로 다른 두 종류의 수문 메커니즘을 구별해야 한다—이것이 2025-2026년 후훈련 분야에서 가장 중요한 분기이다.

선호 정렬형 RL(RLHF): 감성의 수문. 전통적 RLHF는 인간 선호도로 훈련된 보상 모델(reward model)을 사용하여 보상 신호를 생성한다.^[4] 이것이 정렬하는 대상은 “진리”가 아니라 인간 감성의 부화층(附和層)이다—보상 모델이 인코딩하는 것은 인간 주석자의 선호 분포, 즉 어떤 답변이 사람에게 “기분 좋게” 느껴지는가이다. 이것은 감성 차원의 정렬이지, 논리 차원의 정렬이 아니다. 이로써 정렬 후 모델의 여러 특성이 설명된다: 잘못된 답변을 자신 있게 말하고(자신감 있는 어조가 높은 보상을 받으므로), 무해한 요청을 과도하게 거부하며(거부가 위험한 답변보다 더 “안전”하므로), 통일된 인격 어조를 보인다(망설이는 답변은 낮은 보상을 받으므로).

검증 가능 보상형 RL(RLVR): 논리의 수문. DeepSeek-R1로 대표되는 추론 모델은 완전히 다른 경로를 취한다—인간 선호에 의존하지 않고 결정론적 검증기를 보상 신호로 사용한다.^[11] 수학 답은 맞으면 맞는 것이고, 코드가 컴파일되면 되는 것이며, 논리적 추론은 형식적으로 검증할 수 있다. RLVR은 인간 주석의 병목을 제거하여 하루 수백만 건의 검증 신호로 훈련할 수 있게 하며, 보상 해킹(reward hacking)의 위험도 제거한다. 이것은 감성 정렬이 아니라 객관적 정확성 정렬이다.

현재 업계가 형성한 합의는 모듈식 3단계 파이프라인이다: SFT로 지시 따르기(행동 정렬) → 선호 최적화(DPO/RLHF)로 인간 선호 매칭(감성 정렬) → GRPO/DAPO와 검증 가능 보상으로 추론 능력(논리 정렬).^[12] 각 층은 서로 다른 유형의 “정렬”을 해결하며, 정보 흐름 내의 서로 다른 성격의 수문에 대응한다.

연구에 따르면, 어떤 유형의 RL 후훈련이든 신뢰도 첨예화와 출력 다양성 감소라는 특징적 동역학을 보인다—RL 알고리즘은 일관되게 주도적 출력 분포로 수렴하며, 사전훈련 데이터에 이미 존재하는 패턴을 증폭시킨다.^[1][8] 그러나 두 수문의 집중 방향은 근본적으로 다르다: RLHF는 “인간이 좋다고 느끼는 것”으로 집중하고, RLVR은 “객관적으로 정확한 것”으로 집중한다. 집중형 AI의 인격은 주로 전자에 의해 형성되며, 분산형 AI 시대의 추론 능력 향상은 후자에 의존한다.

2.3 시스템 프롬프트: 정보 흐름의 실시간 제어층

RLHF는 “칩에 구워 넣은” 제어이다—모델 매개변수를 변경하며, 영구적이고, 비가역적이며, 모든 사용자에게 동일하다. 반면 시스템 프롬프트는 “런타임” 제어이다—모델 자체를 변경하지 않고, 매번 추론 시 임시로 방향을 부여한다. RLHF가 하천의 지형이라면, 시스템 프롬프트는 수문의 개폐이다—같은 하천이 서로 다른 출구로 유도될 수 있다. 집중형 AI 시대에는 이 두 층의 제어권이 모두 AI 기업의 손에 있었다.

§3 첫 번째 폭발: 집중형 AI의 소셜 인터페이스 혁명

GPT-3.5/ChatGPT(2022년 11월)의 돌파구는 모델 능력의 질적 변화에 있지 않았고, 다중 요인의 공명에 있었다: SFT→RLHF 전체 과정을 완주하고 대중에게 공개한 최초의 모델이었으며; OpenAI는 무료 개방 전략을 채택하여 사용 문턱을 크게 낮추었고; 대화형 UI 디자인이 상호작용을 직관적으로 만들었으며; 연말의 전파 타이밍이 바이럴 효과를 더욱 증폭시켰다. 그러나 모든 요인 중 RLHF가 창조한 통일된 언어 인격층이 가장 근본적이었다—AI가 처음으로 인간의 소셜 프로토콜을 사용하여 정보를 출력하는 법을 배웠다. 사용자가 무엇을 물든, 정보는 동일한 수문 시스템을 통해 흘러나왔다: 예의 바르고, 체계적이며, 위험한 요청을 거부하고, 자기 정체성을 가진 AI 인격. 이전에 InstructGPT(2022년 3월)가 이미 동일한 기술 과정을 완주했으나 시장을 점화하지 못했는데, 이는 RLHF가 필요조건이되 충분조건은 아님을 증명한다—진정한 점화에는 기술 성숙도와 제품 전략, 시장 타이밍의 공명이 필요하다.

이 폭발의 본질은 사용자 인터페이스 혁명이었다. RLHF 이전에 AI는 전문가의 전유 도구로서, 프로그래밍 언어나 명령줄 터미널과 같은 범주에 속했다. RLHF 이후, 모델은 인간의 소셜 프로토콜을 사용하여 정보를 출력하는 법을 배웠다. AI는 기술 스택의 말단에서 인간 소셜 프로토콜의 영역으로 끌어올려졌고, 인간 소셜 행위의 연장선이 되었다.

§4 두 번째 폭발: 분산형 AI의 행동 인터페이스 혁명

2026년 1월, OpenClaw의 폭발은 AI 발전의 두 번째 점화점을 표시했다. ChatGPT의 집중형 모델과 근본적으로 다른, OpenClaw는 분산형 AI의 패러다임을 대표한다—AI는 더 이상 브라우저 창에 갇혀 있지 않고, 자율적 에이전트로서 사용자의 전체 디지털 생활에 침투한다.^[6] NVIDIA CEO 젠슨 황은 이를 “아마도 가장 중요한 소프트웨어 출시”라 불렀고^[2], Path 창립자 데이브 모린은 “ChatGPT 출시 이래 처음으로 미래에 살고 있다는 느낌을 받았다”고 평가했다.^[3]

4.1 정보 흐름 토폴로지의 근본적 전환

차원	집중형 AI (ChatGPT)	분산형 AI (OpenClaw)
정보 흐름 토폴로지	성형—모든 사용자 → 중앙 서버 → 표준화된 응답	망형—각 사용자가 자체 인스턴스와 설정을 운영
AI 실행 위치	클라우드, AI 기업 서버	로컬 기기, 사용자 자신의 하드웨어
상호작용 방식	단일 브라우저 창	WhatsApp, Telegram, Slack 등 전 플랫폼
기억 능력	세션 수준, 종료 시 소멸	영구 기억, 세션·플랫폼 간 유지
행동 모드	수동 응답 (물으면 답함)	능동 실행 (지속적 모니터링과 행동)
AI 인격	표준화, 천편일률	맞춤 가능, 각자 고유
데이터 흐름 방향	대화 데이터가 AI 기업으로 회수	데이터가 사용자 로컬에 잔류

4.2 시스템 프롬프트 소유권의 이전

분산형 AI의 가장 심층적 패러다임 변화는 시스템 프롬프트 제어권의 이전에 있다. 집중형 AI 시대에는 시스템 프롬프트를 AI 기업이 작성하고 사용자에게는 불투명했다—사용자가 첫마디를 하기 전에, 모델의 정체성 설정, 거부 경계, 어조, 안전 정책이 이미 사전 설정되어 있었다. 사용자는 허용된 범위 내에서만 AI를 사용할 수 있었다.

분산형 AI는 이 구조를 완전히 뒤집는다. 사용자는 user message만 작성하는 것이 아니라, 시스템 프롬프트 자체를 직접 작성하고 제어한다. 사용자가 AI가 누구인지를 정의하고, AI의 경계를 정의하며, AI의 기억 전략을 정의하고, 정보 흐름의 라우팅 규칙을 정의한다. 이것은 근본적인 권력 이전이다—정보 흐름 “라스트 마일”의 제어권이 플랫폼에서 개인으로 이전된다.

§5 삼권 분석: 제어권의 재분배

분산형 AI 시대에, 세 가지 핵심 제어권—모델 제어권, RL 교정권, 시스템 프롬프트 수정권—이 세 유형의 행위자 사이에서 근본적으로 재분배된다.

제어권	집중형 시대	분산형 시대 · AI 기업	분산형 시대 · 기술 파워유저	분산형 시대 · 일반 대중
모델 제어권	AI 기업 독점	비공개 모델에 유지	오픈소스 모델 + 로컬 배포로 자주 실현	포기, API에 의존
RL 교정권	AI 기업 독점	부분 유지	자주적 미세조정 및 정렬 해제 가능	포기
시스템 프롬프트 권한	AI 기업 독점	제어 상실	완전 자주	획득, 자유롭게 맞춤 가능

오픈소스 대규모 모델(Llama, DeepSeek, Mistral, Qwen 등)은 집권을 깨뜨리는 핵심 변수이다. 오픈소스 모델이 없으면 분산형 AI는 “분산 배포된 집중형 AI”에 불과하다—기저 모델의 능력 경계와 RLHF 필터링 논리를 여전히 AI 기업이 결정한다. 오픈소스 모델이 있어야 기술 파워유저는 진정한 삼권 자주를 실현할 수 있다—수원(水源)에서 수문까지의 전체 체인 제어이다.

이로써 근본적으로 다른 두 가지 분산형 모드가 형성된다: 대중 분산형(시스템 프롬프트 자유 + 모델 의존, “인테리어 자유”는 얻지만 집 자체는 자기 것이 아닌)과 파워유저 분산형(완전 자주, 수원에서 수문까지 전체 체인 제어를 소유).

§6 토큰 정치경제학: 정보 흐름 폐쇄 루프의 파열

토큰은 단순한 기술 개념이 아니라, AI 세계의 화폐이다. 집중형 AI 시대에 토큰의 전체 생명주기—생산, 교정, 배포, 소비, 회수, 재생산—는 AI 기업을 중심으로 한 완벽한 폐쇄 루프 독점을 구성했다. 사용자가 생성한 대화 데이터가 AI 기업으로 역류하여 차세대 모델 훈련의 원료가 되었다. 사용자는 소비자인 동시에 무보수 데이터 노동자였다.

분산형 AI는 이 폐쇄 루프의 여러 고리에서 틈을 열었다: 토큰 생산권이 분산되기 시작하고(오픈소스 모델), 토큰 흐름 제어권이 사용자에게 이전되며(사용자 정의 시스템 프롬프트), 토큰 소비 시나리오가 브라우저에서 전체 생활로 확장된다(전 플랫폼 침투). 핵심적 변화는 토큰 회수 체인의 이완에 있다—로컬에서 실행되는 AI의 대화 기록이 사용자 기기에 남으며, AI 기업이 사용자 행동 데이터에 대한 직접 제어를 상실한다.

그러나 “토큰 회수 체인이 절단되었다”는 것은 이상화된 서술임을 인정해야 한다. 현실은 더 복잡하다: 비공개 API를 사용하는 분산형 AI 사용자의 모든 프롬프트와 응답은 여전히 AI 기업 서버를 경유한다. Anthropic은 2026년 2월에 OpenClaw의 OAuth 접근을 차단했고, 4월에는 구독 크레딧의 제3자 공유를 차단했다—AI 기업은 API 계층을 통해 제어력을 재구축하고 있다. 오픈소스 모델로 로컬 추론을 수행하는 파워유저만이 토큰 회수 체인의 완전한 절단을 진정으로 실현한다. 일반 대중에게 분산형 배포가 변화시키는 것은 데이터 제어의 정도이지 본질이 아니다—”전면 역류”에서 “부분 역류”로, 폐쇄 루프가 이완되었으나 아직 완전히 파열되지 않았다.

§7 수요 본체론: 자기순환 수요와 소셜형 수요

인간의 AI에 대한 수요는 근본적으로 다른 두 가지 정보 흐름 방향으로 귀결된다:

자기순환 수요(내향 정보 흐름): 인간이 생물체로서 자기 자신의 작동을 유지하기 위한 수요—알람 설정, 일정 관리, 건강 추적, 습관 관리, 재무 기록, 감정 일지. 정보 흐름의 방향은 AI→개인 자신이며, 폐쇄된 내부 순환 수계(水系)를 형성한다. 특징은 사적이고, 반복적이며, 고도로 개인화되어 있다—물이 자기 집 마당 안에서 순환하며 외부로 흐르지 않는다.

소셜형 수요(외향 정보 흐름): 인간이 사회적 동물로서 외부 세계와 상호작용하기 위한 수요—글쓰기, 계산, 검색, 학습, 콘텐츠 창작, 노동 외주, 소셜 대화. 정보 흐름의 방향은 개인→AI→사회이며, 개방된 외부 배수계이다—물이 개인에서 공공 하도로 흘러 사회 대네트워크에 합류한다. 특징은 타인 지향적이고 산출 중심적이다.

집중형 AI는 주로 소셜형 수요를 해결한다—공역(公域) 지식과 표준화된 인격이면 충족할 수 있다. 분산형 AI는 자기순환 수요에 접근하기 시작한다—이 유형의 수요는 지속적 현장성, 심층적 개인화, 프라이버시 불유출을 요구하기 때문이다. 그리고 분산형 AI의 궁극적 형태—사적 영역(私域) AI—는 사용자의 사적 데이터로 훈련된 전속 AI를 통해 두 층의 수요를 동시에 융합하여, 생체 리듬을 관리하는 동시에 사회적 행위를 대리한다.^[7]

§8 책임 주체: 생활 도구 시장을 여는 제도적 열쇠

집중형 AI가 진정한 생활 도구가 될 수 없는 근본적 이유는 기술적 한계가 아니라 책임 주체의 구조적 공백이다. AI 기업이 모든 것을 제어하되 책임은 지지 않고(사용자 약관의 면책), 사용자가 결과를 감수하되 핵심 고리를 제어하지 못한다—댐을 쌓은 사람은 하류에 살지 않고, 하류에 사는 사람은 댐을 쌓은 적이 없다. 이 불일치가 집중형 AI를 “조언자” 역할에 제한하도록 강제한다—영원히 “고려해 보실 수 있습니다…”만 말할 수 있고 “이미 대신 처리했습니다”라고는 말할 수 없다. RLHF 훈련의 신중한 인격은 본질적으로 법적 방어 메커니즘이다.

분산형 AI의 돌파구는 제어권과 책임권을 동시에 사용자에게 돌려주는 데 있다—누가 댐을 쌓았으면 누가 붕괴에 책임진다. 사용자 스스로 모델을 선택하고, 시스템 프롬프트를 작성하며, 행동 규칙을 설정하고, 권한 경계를 결정한다. 이로써 정보 흐름의 삼권합일이 사용자에게 실현된다: 생산권(모델 선택과 미세조정), 소비권(토큰 사용 방식 결정), 책임권(제어권이 완전하므로 책임이 자연스럽게 귀속).

§9 정보 정렬: 분산형 AI의 킬러 애플리케이션

분산형 AI의 핵심 응용은 생성이 아니라 개인화된 정보 검색과 정렬이다. 생성은 저빈도의 창작 행위이고, 검색은 고빈도의 생존 행위이다. 인간이 살아 있는 매 순간 정보를 검색하고 자신의 수요에 정렬하고 있다.

전통적 검색 엔진이 반환하는 것은 “전 세계가 가장 관련성 높다고 판단하는 결과”(공역 순위 논리)이지, “당신에게 가장 관련성 높은 결과”가 아니다. 집중형 AI 검색은 한 단계 개선되었으나 여전히 천편일률적이다—사용자의 사적 영역 데이터를 보유하지 않기 때문이다. 분산형 AI는 “검색”에서 “정보 정렬”로의 질적 변화를 실현할 것이다.

여기서 “정보 정렬”과 기존 추천 시스템의 본질적 차이를 반드시 구분해야 한다. Netflix, TikTok, Spotify 등 플랫폼은 이미 개인화 추천을 하고 있다—AI 기반 추천은 현재 전 세계 전자상거래 주문의 약 5분의 1에 영향을 미친다.^[13] 그러나 이러한 시스템에는 근본적인 권력 구조 문제가 있다: 추천 시스템의 정렬 목표는 플랫폼이 정의하며, 최적화 함수는 플랫폼 이익을 위해 봉사한다—사용자 체류 시간, 광고 수익, GMV. 전통적 추천 시스템은 참여도 신호(좋아요, 공유, 시청 시간)에 의존하여 사용자 관심을 추론하지만, 이러한 신호에는 잡음이 포함되어 있어 사용자가 진정으로 관심 갖는 내용을 완전히 포착하지 못한다.^[14] 사용자에게 추천되는 것은 “자신에게 가장 좋은 것”이 아니라 “플랫폼에 가장 수익이 되는 것”이다. Google은 2026년 초 Gemini에 “개인 지능” 기능을 도입했으나^[15], 데이터는 여전히 Google 수중에 있고, 정렬 목표의 정의권은 여전히 플랫폼에 속한다.

분산형 AI의 정보 정렬은 근본적으로 다르다: 정렬 목표를 사용자가 자체 정의하고, 최적화 함수를 사용자가 시스템 프롬프트와 선호 설정을 통해 제어한다. 이것은 기술적 차이가 아니라 권력 구조적 차이이다—누가 정렬 목표의 정의권을 소유하느냐이다. 사용자 스스로 “어떤 정보가 나에게 중요한가”를 결정할 때, 정보 흐름은 더 이상 어떤 플랫폼의 상업적 이익에도 봉사하지 않고, 순수하게 사용자 자신의 수요에 봉사한다. 이것은 추천 시스템이 아무리 정밀해지더라도 결코 실현할 수 없는 것이다—그 최적화 목표가 태어나는 순간부터 플랫폼 이익에 구속되어 있기 때문이다.

구체적으로, 분산형 정보 정렬은 다음과 같이 구현된다: 뉴스 정렬—오늘의 헤드라인이 아니라, 당신의 업종, 관심 기업, 투자 포트폴리오, 자녀 학교 소재 도시와 관련된 뉴스. 소비 정보 정렬—”최고 추천”이 아니라, 당신의 예산 범위 내에서 선호 패턴에 부합하고 현재 프로모션 중이며 가장 가까운 옵션. 오락 정보 정렬—감정 상태, 여가 시간, 최근 관심 변화에 기반한 정밀 추천. 학습 정보 정렬—지식 그래프 결손, 커리어 경로, 학습 습관에 기반하여 가장 적합한 콘텐츠를 지속 푸시.

이는 iPhone의 역사와 고도로 동형(同型)이다. iPhone 이전에 핸드폰은 통신 도구였다. iPhone 이후에 핸드폰은 생활 인프라가 되었다. iPhone의 핵심 가치는 어떤 특정 기능이 아니라, 인간과 세계 사이의 정보 중개층이 된 것이다. 분산형 AI는 동일한 경로를 걷고 있다: “생산성 도구”에서 “생활 인프라”로, 핵심 가치는 개인화된 인간과 정보 간의 정렬 엔진이 되는 것이다.

§10 분산형 보안 딜레마: 중앙 수리 관리를 잃은 운하 네트워크

분산형 AI의 제어권 이전에는 대가가 따른다. 정보 흐름의 수문 권한이 플랫폼에서 수백만 개인 사용자에게 이관될 때, RLHF가 공들여 구축한 안전 필터링 시스템은 체계적 실패의 위험에 직면한다. OpenClaw 생태계는 폭발 후 불과 몇 주 만에 이 구조적 모순을 노출했다: 보안 연구 보고서에 따르면 ClawHub 스킬 마켓의 13% 이상의 스킬에 심각한 보안 취약점이 포함되어 있었고, 그중 수십 개에서 악성 페이로드가 확인되었다;^[16] 치명적인 원격 코드 실행 취약점으로 공격자가 단일 악성 링크를 통해 실행 중인 OpenClaw 인스턴스를 하이재킹할 수 있었으며; 전 세계 13만 5천 개 이상의 인스턴스가 공용 인터넷에 노출되어 있었고, 대부분 기본 설정에 인증 없이 운영되고 있었다.

이것은 우발적 사건이 아니라 분산형 패러다임의 구조적 결과이다. 집중형 AI의 보안 모델은 “중앙 제방”이다—AI 기업이 보안 정책을 일괄 관리하며, 사용자는 보안 엔지니어링에 신경 쓸 필요가 없다. 분산형 AI는 보안 책임을 제어권과 함께 사용자에게 이양했지만, 절대다수의 사용자는 보안 엔지니어링 능력을 갖추고 있지 않다. 모든 사람이 자기 운하의 엔지니어가 될 때, 대부분의 운하에는 방홍 제방이 없다. 이것이 “자주권”의 어두운 면이다—자유와 위험은 같은 동전의 양면이다.

더 심층적인 문제는, 분산형 AI의 보안 위협이 전통적 사이버 보안과 본질적으로 다르다는 점이다. 전통적 공격의 목표는 데이터이다—정보 탈취, 암호화 랜섬웨어. 그러나 AI 에이전트는 자율적 행동 권한을 가지며, 공격면이 데이터 유출에서 행동 하이재킹으로 확장된다—공격자가 당신의 파일을 읽을 수 있을 뿐만 아니라, 당신의 이름으로 이메일을 보내고, 거래를 실행하며, 일정을 수정할 수 있다. 하이재킹되는 것은 데이터 한 조각이 아니라, 행동 능력을 가진 “디지털 분신”이다. 이것은 보안 영역에서 전례 없는 공격면의 확장이다.

그러나 긍정적 신호도 주목해야 한다. OpenClaw 개발팀은 ClawJacked 취약점 공개 후 24시간 이내에 수정을 완료했고, 단일 릴리스에서 40건 이상의 보안 취약점을 패치했으며, VirusTotal과 협력하여 스킬 마켓의 공급망 스캐닝 메커니즘을 구축했다. 오픈소스 커뮤니티의 자기 수복 속도는 대부분의 예상을 훨씬 넘는다. 이 보안 딜레마는 제3기의 도래를 저지하는 구조적 장애물이 될 수도 있지만, 또한—인터넷이 초기의 무질서 상태에서 HTTPS, 인증서 체계, 앱스토어 심사 메커니즘을 진화시킨 것처럼—중앙집중형 관리에 의존하지 않으면서도 위협을 효과적으로 방어할 수 있는 분산형 보안 인프라를 탄생시킬 수도 있다.

§11 병목과 교정: iPhone 모멘트로 가는 경로

11.1 현재 병목: 도화선이지 iPhone 모멘트가 아니다

OpenClaw는 분산형 AI의 도화선이지만, 아직 진정한 패러다임 변화를 촉발하지 못했다. 그 이유는 대중에게 AI의 개인화 맞춤 방법이 보급되지 않았기 때문이다. OpenClaw는 여전히 JSON 설정, 명령줄 조작, 지속적 디버깅과 보안 강화를 필요로 한다.^[5] 기술 파워유저만이 로컬 배포의 절대적 개인화를 실현할 수 있고, 대중은 기술 문턱에 의해 차단되어 있다.

11.2 가장 심층적 병목: 자기 인식의 형식화

기술 문턱이 제거되더라도, 더 심층적인 장애물이 남아 있다—개인화된 시스템 프롬프트는 사용자가 “나는 누구인가”라는 질문에 답할 것을 요구한다. 정보 흐름의 개인화에는 교정 과정이 필요하다: 자신이 누구인지, 어떻게 생각하는지, 무엇이 필요한지, 무엇에 관심이 있는지, 무엇을 좋아하고 무엇을 싫어하는지를 정밀화한 후, 이를 시스템 프롬프트로 형성하는 것이다.

이것은 극히 어렵다—기술적으로 어려운 것이 아니라 인지적으로 어렵다. 대부분의 사람은 체계적으로 자기 자신을 정의해 본 적이 없다. 인간은 일상에서 직관과 습관으로 작동하며, 명시적 자기 모델로 작동하지 않는다. 특정 식당이 싫다는 것을 알지만 구체적 이유를 말할 수 없다. 인류 역사상 이런 수요는 한 번도 출현한 적이 없다: 비인간 실체에게 정밀한 언어로 자신이 누구인지를 기술해야 하는 것.

11.3 3층 교정 경로

제1층: 수동적 교정—AI가 행동에서 학습한다. 사용자가 스스로 명시적으로 기술할 필요 없이, AI가 행동 관찰을 통해 선호를 추론한다. 가장 낮은 문턱이지만 정밀도에 한계가 있다.

제2층: 상호작용적 교정—AI가 사용자의 자기 발견을 안내한다. AI가 능동적으로 질문하여 사용자의 선호를 명확히 하도록 돕는다—”모임 초대를 세 번 거절하신 것을 알았습니다. 혼자만의 시간이 더 필요하신 건가요, 아니면 시간이 맞지 않았나요?” 이것이 가장 핵심적인 층이다: AI가 사용자의 자기 인식 코치가 된다. 인류 역사상 처음으로 비인간 실체가 지속적으로, 인내심 있게, 판단 없이 한 사람이 스스로를 이해하도록 돕는다.

제3층: 능동적 교정—사용자가 의식적으로 AI 인격을 조각한다. 소수의 사람은 “나는 누구인가”를 명확히 사고하여 시스템 프롬프트를 직접 작성할 수 있다. 이들은 분산형 AI 시대의 슈퍼유저이며, 이들의 AI가 가장 정밀할 것이다.

§12 3기 프레임워크: AI 정보 흐름 정치경제학의 완전한 그림

차원	제1기 · 집중형 AI	제2기 · 분산형 AI (현재)	제3기 · 사적 영역 AI (예상)
정보원	공역 인터넷 데이터	공역 모델 + 사용자 설정	공역 + 사적 영역 데이터 융합
토큰 생산	AI 기업 독점	분산 시작	개인이 자주적으로 생산 가능
토큰 흐름 제어	AI 기업 (시스템 프롬프트)	사용자 (사용자 정의 프롬프트)	사용자 (완전 자주)
토큰 소비 시나리오	브라우저 창	전 플랫폼 침투	전 생활 임베딩
토큰 회수	AI 기업 회수	체인 이완 (API 층에서 부분 역류 잔존)	사용자 보유
수요 충족	소셜형 수요 중심	자기순환 수요 접근 시작	양층 수요 융합
개인화 정도	천편일률	차별화 시작	심층 개인화
책임 주체	공백	사용자에게 이전 중	사용자 삼권합일
핵심 응용	대화와 생성	자동화와 에이전트	개인화 정보 정렬
시장 성격	생산성 도구	생활 도구	생활 인프라
AI 역할	조언자	실행자	개인 정보 정렬 엔진
역사적 유비	AOL 포털	개방형 인터넷	iPhone + App Store
보안 모델	중앙 관리 (AI 기업 통합 방어)	사용자 자기 부담 (보안이 제어권과 함께 이양)	분산형 보안 인프라 (진화 예정)

§13 결어

사전훈련의 혼돈스러운 정보의 바다에서 출발하여, SFT의 하천화, RL의 수문화—감성 수문이 선호를 정렬하고, 논리 수문이 정확성을 정렬—를 거쳐, 집중형의 단일 항구, 분산형의 운하 네트워크, 사적 영역화의 개인 정보 호수에 이르기까지. AI 발전의 주된 맥락은 시종 정보 흐름의 관련성 문제이다: 올바른 정보를 올바른 시간에 올바른 방식으로 올바른 사람에게 전달하는 것.

집중형 AI는 제1층 정렬을 실현했다—정보 흐름을 인류의 일반적 선호에 정렬하는 것. 분산형 AI는 제2층 정렬을 열고 있다—정보 흐름을 각각의 구체적인 개인에 정렬하는 것. 이것은 단순한 기술 아키텍처의 변화가 아니라, 제어권 구조, 책임 체계, 시장 형태, 인간-AI 관계의 전면적 재편이다.

진정한 iPhone 모멘트는 아직 도래하지 않았다. 이는 세 가지 장벽을 넘어야 한다: 기술 문턱의 제거(보통 사람이 자신의 AI를 맞춤할 수 있게 하는 것), 보안 인프라의 구축(분산형 운하 네트워크에 중앙에 의존하지 않는 방홍 체계를 갖추게 하는 것), 그리고 가장 심층적인 장벽—자기 인식 형식화의 문화적 보급(모든 사람이 “나는 누구인가”에 답하고 그 답을 AI에게 건넬 수 있게 하는 것). 이 세 장벽 중 앞의 둘은 엔지니어링 문제로 명확한 해결 경로가 있고; 세 번째는 인류학적 문제로 연(年) 단위의 사회적 학습 과정이 필요하다.

그리고 이 과정의 궁극적 드러남은 다음과 같다: 정보 흐름의 궁극적 정렬은 기술적 정렬도, 선호 정렬도 아니라, 존재론적 정렬이다—각각의 인간이 자신의 AI를 정의함으로써 자기 자신을 정의하고, AI의 거울을 통해 자기 자신을 인식한다. 인간과 AI의 공동 진화, 이것이 분산형 AI 예상의 진정한 종착점이다.

§ 참고문헌 및 주석