기술 요약: 가치의 인터넷 (IoV) 을 위한 에이전트형, 상황 인식 위험 지능

1. 문제 제기

**가치의 인터넷 (IoV)**은 이질적이고 부분적으로 신뢰받는 네트워크로 특징지어지며, 지배적인 한계 위험이 더 이상 단일 블록체인에 국한되지 않고 복합적이라는 점이 특징입니다. 이 위험은 경로 건강, 시장 심리, 유동성 분열, 실행 시스템의 정책 제약이라는 네 가지 상호 의존적 벡터로 구성됩니다.

현재 위험 평가 도구는 "단일 체인" 패러다임에서 작동하여 최근 몇 년간 중대한 결과를 초래한 네 가지 주요 실패 모드를 포착하지 못합니다:

1. 브릿지 분열: 크로스체인 브릿지는 주요 자본 경로이자 지배적인 악용 표면으로 작용합니다.
2. 유동성 분열: 논리적 자산은 체인 간에 상이한 가격으로 거래됩니다. 경로가 전체적으로 유동성이 있는 것처럼 보일 수 있지만, 특정 실행 구간에서는 유동성이 부족할 수 있습니다.
3. 서사 전염: 감정 충격은 온체인 상태 변화보다 빠르게 전파되어, 오프체인 텍스트 드리프트로 인한 사건에 대해 위험 엔진을 맹목적으로 만듭니다.
4. 에이전트 실행 위험: 대형 언어 모델 (LLM) 을 매개로 한 에이전트는 순수 온체인 완화 조치로는 대응할 수 없는 새로운 공격 표면을 도입합니다.

본 논문은 브릿지 보안에 대한 기존 문헌이 근본적인 질문을 다루지 못한다고 주장합니다: 상황 인식 위험 원시 (primitive) 는 실제로 무엇을 해야 하며, 어떻게 정직하게 유지되는가?

2. 방법론: 5 개 엔진 아키텍처

제안된 솔루션은 공유 지능 직물 (fabric) 위에서 작동하는 5 개 엔진의 복합 아키텍처입니다. 이 설계는 탈중앙화된 검증과 에이전트 행동에 대한 헌법적 제약을 강조합니다.

A. 5 개 엔진

1. 예측 엔진: 가격, 유동성 깊이, 변동성, 거래량 분포, 경로 건강에 대한 점 및 분포 예측을 발행합니다. 이는 모든 다른 엔진의 입력으로 작용합니다.
2. Bittensor 검증 서브넷: 예측 계층을 탈중앙화합니다. 이질적인 채굴자 집단이 예측을 생성하는 동안, 검증자들은 Yuma 합의 (Yuma Consensus) 에 따른 보상 할당 규칙을 사용하여 실현된 결과에 대해 예측을 점수화합니다. 이는 경제적 인센티브를 부여하고 검증 가능한 연구 표면을 창출합니다.
3. 감정 융합 엔진: 뉴스, 소셜 미디어, 회색 문헌과 같은 오프체인 텍스트 스트림과 온체인 흐름 신호를 결합합니다. 시스템은 12 개의 뉴스 어댑터와 3 개의 소셜 스트림 어댑터를 포함한 멀티모달 특징 집합에 대해 검증된 스태킹을 통한 후기 융합 (late-fusion with stacking) 전략을 사용합니다.
4. 에이전트 엔진: 제한된 메뉴에서 행동을 선택하는 LLM 매개 의사결정 계층입니다. 핵심적으로, 이는 Anthropic 의 사양에 따른 헌법적 AI (Constitutional AI) 프레임워크 하에서 작동하며, 자유 형식의 목표가 아닌 "구매 전용", "배포자 지갑 절대 사용 금지"와 같은 원칙의 명시적 목록에 대해 행동을 점검합니다. 엔진은 기본적으로 "일시 중지됨 (paused-by-default)" 상태로 설정되어 있으며, 라이브 전환을 위해서는 이사회 명시적 승인이 필요합니다.
5. API-위험 및 시나리오 엔진: 예측 분포를 사전 약속된 실행 프로그램으로 변환합니다. 이러한 프로그램은 "중단 규칙 (stopping rule)" 논리를 따릅니다: 시나리오 $\Sigma$가 확률 $>p$로 실현되면, 자원 한도 $B$ 내에서 프로그램 $P$를 실행한다.

B. 형식적 검증 메커니즘

본 논문은 채굴자 점수 매기를 위한 **검증자 손실 분해 (Validator-Loss Decomposition)**를 정의합니다. 채굴자 $i$에 대한 손실 $L_i$는 세 가지 구성 요소의 볼록 결합 (convex combination) 입니다:
$$L_i = \alpha \cdot \text{Brier}(p_i, y) + \beta \cdot \text{Inconsistency}(m_i) + \gamma \cdot \text{Calibration}(c_i)$$

• Brier 구성 요소: 잘못된 예측과 과도한 확신을 패널티로 부과합니다.
• 불일치 구성 요소: 동일한 체인 상태 컨텍스트를 공유하는 쿼리에 대한 예측 드리프트를 패널티로 부과합니다.
• 보정 구성 요소: 이동 평균 창 (rolling window) 에서 명시된 확신과 실현된 정확도 간의 격차를 측정합니다.

C. 오케스트레이션

시스템은 에이전트 - 작업 관리(역할, 권한, 감사 추적 범위 설정) 를 런타임 오케스트레이션(상태 기계 실행) 과 분리합니다. 런타임은 LangGraph를 사용하며, 정책 경계를 우회할 수 없다는 하드 규칙을 시행합니다. 모든 모델 호출은 감사 가능성 확보와 직접적인 LLM HTTP 경로 방지를 위해 인-프로세스 AiRouter를 경유합니다.

3. 경험적 산물 및 결과

아키텍처는 두 가지 구체적인 경험적 평가를 기반으로 하며, 논문은 측정된 결과와 아키텍처 제안 사이를 명시적으로 구분합니다.

산물 1: 정책 제약 유동성 스트레스 대응 (5 절)

• 설정: "트레이더 역할" 헌법을 사용하여 Solana 마이크로 캡 풀 (RYA 토큰) 에서 27 시간 실험.
• 실행: 시스템은 두 건의 스트레스 사건과 한 건의 손절가 사건을 포함하여 총 5.2 SOL 에 달하는 52 건의 시간 가중 슬라이스 매수를 실행했습니다.
• 주요 관찰:
  • **안전 회로 (손절가)**는 46% 가격 하락 시 자동으로 발동되어 설계된 대로 엔진을 일시 중지시켰습니다.
  • 인간 개입 (Human-in-the-loop) 승급은 초기 승인 및 동일한 감사 추적에 기록되어 의사결정 체인의 완전한 재구성을 가능하게 했습니다.
  • 역할 계약은 모든 사건 동안 엄격한 규칙 (예: 매도 주문 없음, 배포자 지갑 사용 없음) 을 위반하지 않고 유지되었습니다.
• 결과: 정책 제약 시나리오 엔진의 배포 가능성을 입증했으나, 에이전트는 완전한 LLM 매개 엔진이 아닌 결정론적 정책이었습니다.

산물 2: 프로덕션 보정 아크 (6 절)

• 설정: Blue us-east-1 배포 환경에서 예측 엔진에 대한 168 시간 평가.
• 결과:
  • 주요 정확도: 시가총액 기준 상위 1,000 개 자산으로 제한된 특정 168 시간 코호트에서 99.34%.
  • 기준선 정확도: 더 넓은 프로덕션 코호트에서 약 53% (기회 수준을 "간신히 상회"하는 것으로 설명됨).
  • 보정: Brier 점수는 0.1335 였습니다.
• 주의 사항: 논문은 맥락 없이 99% 수치가 오해의 소지가 있다고 명시적으로 밝힙니다. 이는 클래스 불균형 (상위 시가총액 자산의 붕괴 기저율 낮음) 과 코호트 제한에 의해 주도됩니다. 아키텍처적 기여는 99% 정확도가 아니라, 검증 서브넷이 채굴자를 점수화할 수 있는 프로덕션 텔레메트리 표면의 존재입니다.

4. 주요 기여

1. 5 개 엔진 아키텍처: 예측, 탈중앙화 검증, 감정 융합, 헌법적 에이전트 행동, 시나리오 기반 실행을 통합한 에이전트형 상황 인식 위험 예측을 위한 일관된 데이터 흐름.
2. 반증 가능한 검증자 손실 사양: 예측 출력의 경제적 검증을 가능하게 하는 점수 매기 메커니즘 (Brier + 불일치 + 보정) 의 형식적 정의.
3. 제약 조건에 대한 경험적 검증: 헌법적 에이전트가 유동성 스트레스, 손절가 트리거, 거버넌스 승급 하에서 정책 경계를 위반하지 않고 작동할 수 있음을 보여주는 27 시간 스트레스 테스트.
4. 보정에 대한 정직한 보고: 높은 주요 정확도 (99%) 를 필수 주의 사항 (53% 기준선, 클래스 불균형) 과 짝지어 프로덕션 보정 아크를 제시하며, 원시 예측 성능이 아닌 검증 원시 (verification primitive) 를 주요 가치 제안으로 프레임함.

5. 중요성 및 주장

본 논문은 완전히 해결되고 규모가 검증된 시스템이 아닌, IoV 를 위한 반증 가능한 아키텍처를 제공한다고 겸손하게 주장합니다.

• 배포 가능성: 시스템이 배포 가능하며 실제 세계의 유동성 스트레스와 거버넌스 승급을 처리할 수 있음이 입증되었습니다.
• 반증 가능성: 저자들은 주장이 실패할 구체적인 조건을 정의합니다 (예: 동일한 정책 하에서 두 번째 풀이 재수렴하지 않거나, 광범위한 코호트 Brier 오차가 0.20 을 초과하는 경우).
• 검증 원시: 핵심 기여는 현재 모델의 예측 성능이 아니라 위험 예측을 검증하는 메커니즘(Bittensor 서브넷 및 손실 함수) 입니다.
• 한계: 논문은 검증자 손실 구성 요소가 라이브 멀티-채굴자 메타그래프에 대해 아직 규모 측정되지 않았음(테스트넷 섀도우 런만 존재) 을 인정합니다. 또한, 사례 연구는 전체 LLM 매개 에이전트 엔진이 아닌 결정론적 정책을 사용했으며, 이는 후속 구축 과제로 남아 있습니다.

요약하자면, 본 논문은 단일 체인 위험 평가에서 탈중앙화 검증, 오프체인 감정 융합, 헌법적으로 제약된 에이전트 실행의 조합을 통해 위험이 관리되는 복합적 상황 인식 프레임워크로의 전환을 제안합니다.