콘텐츠로 건너뛰기

리콜 네트워크

2025년 9월 23일13 min

소개

지난 2년 동안 자율 AI 에이전트의 폭발적인 증가와 디지털 경제가 인간과 상호작용하는 방식을 재정의하려는 크립토 네트워크의 병행 붐이 있었습니다. AI 모델이 의사결정과 가치 이전을 점점 더 주도함에 따라 뚜렷한 신뢰 격차가 나타났습니다. AI 출력은 여전히 조작에 취약하며, 성능 벤치마크는 쉽게 조작될 수 있으며, 사용자는 종종 독립적인 검증 없이 에이전트의 주장을 받아들여야 합니다.

이에 대한 대응으로, 검증 가능성의 핵심 crypto 정신이 잠재적인 누락된 조각으로 부상하고 있습니다. 신뢰할 수 있는 중립 인프라의 능력은 에이전트 행동과 결과를 검증하기 위한 투명하고 견고한 메커니즘을 제공함으로써 AI 시스템에 대한 신뢰를 가능하게 합니다.

이는 온체인 primitives가 지능 자체를 검증하는 데 사용되는 새로운 서사를 촉진했습니다. Recall Network는 AI와 crypto의 교차점에 위치하며 “trustless discovery engine”이자 AI 에이전트를 위한 평판 레이어로, 블록체인이 금융 거래에 가져온 것과 같은 투명성과 엄격함을 AI 성능에 가져오려 합니다.

2025년 초에 두 개의 베테랑 Web3 데이터 팀(의 합병으로 출시된3Box Labs of Ceramic and Textile of Tableland) Recall은 분산형 데이터 인프라에 대한 깊은 전문 지식을 상속받았습니다. Recall Network는 AI를 위한 평판 레이어로 특별히 제작된 분산형 프로토콜입니다. 간단히 말해, AI 도구와 시스템이 그들의 능력을 증명하고 시간이 지남에 따라 평판을 구축할 수 있는 중립적인 플랫폼을 제공합니다.

Recall은 거래 봇부터 콘텐츠 생성기까지 다양한 도메인에 걸친 자율 에이전트를 위한 개방적이고 공로 기반의 환경을 제공합니다. 성능은 투명하고 독립적으로 검증된 결과에 기반하여 측정됩니다. 현재까지 Multicoin, Coinbase Ventures, Coinfund, USV 등으로부터 $30M를 조달했습니다.

Infographic showing Recall Network’s fundraising backed by leading crypto investors.
Source: Cryptorank – Recall Network Fundraise

주요 요점

  • AI의 신뢰 격차는 구조적이다: AI는 금융, 기업, 소비자 앱으로 확산되고 있지만, 발견은 여전히 입증된 성능보다는 과대 광고와 데모에 의존한다. 평판 레이어가 없으면 유능한 에이전트는 숨겨져 있고 과대 광고된 에이전트가 주목을 받는다.
  • 전통적인 벤치마크는 깨져 있다: 정적 리더보드와 테스트 세트는 좁고 조작 가능하며, 일반화보다는 과적합하는 취약한 에이전트를 생성한다.
  • 경쟁 대회: 금본위제로서: 실시간 AI 경쟁 대회는 정적 벤치마크가 할 수 없는 재생 가능하고 유출 방지 작업, 동적 평가, 그리고 엄격함을 제공합니다. Recall은 이 구조를 활용하여 에이전트가 명성을 쌓기 위해 지속적으로 통과해야 하는 감사 가능한 경쟁 대회를 만듭니다.
  • Recall Rank: 명성을 이식 가능하게 만듭니다: Recall 경쟁에서의 AI 성능은 Recall Rank를 통해 지속적이고 추적 가능한 점수로 복합됩니다. 이는 에이전트, 비즈니스, 소비자가 다양한 맥락에서 의지할 수 있는 지속적인 신뢰 신호를 만듭니다.
  • $RECALL 인센티브: $RECALL 토큰은 경쟁 참여, 스테이킹, 큐레이션을 지원하며, AI 평판을 투자 가능한 자산으로 전환합니다. 큐레이터는 성과를 내는 AI를 지원함으로써만 이익을 얻으며, 조작을 억제하는 스킨-인-더-게임 역학을 만듭니다.

AI 경제의 부상과 신뢰 격차

우리는 많은 사람들이 AI의 에이전트 시대라고 부르는 시대로 진입하고 있으며, 이는 고립된 AI 도구에서 최소한의 인간 감독 하에 의사 결정을 내리고, 거래를 실행하며, 서로 상호작용할 수 있는 자율 에이전트로의 전환을 나타냅니다. 사용 사례는 금융(알고리즘 거래 봇), 콘텐츠 생성, 개인 비서, 기업 워크플로우 등으로 확장됩니다. Virtuals’ Autonomous Hedge Fund cluster, 예를 들어, 사용자가 단순히 중개 에이전트와 상호작용하는 곳에서, 에이전트는 다른 DeFi 수익, 거래, memecoining 에이전트 네트워크 전반에 걸쳐 사용자의 위험 프로필과 선호도에 가장 적합한 시장을 탐색합니다.

Diagram of Virtuals’ Autonomous Hedge Fund cluster in the AI agent economy.
Source: Virtuals Protocol Docs – Virtuals’ Autonomous Hedge Fund Cluster

이 급속한 성장 속에서 근본적인 도전 과제가 여전히 남아 있습니다: 신뢰와 발견. AI 에이전트(및 기초 모델)의 수가 증가함에 따라, 어떤 AI가 유능하고 신뢰할 수 있는지 식별하는 것이 더 복잡해집니다.

오늘날 AI 제품에 대한 신용 점수나 Google 검색 순위와 같은 동등한 지표는 존재하지 않습니다. 대신, 발견은 종종 화려한 데모, 소셜 미디어 인기, 또는 기업 브랜딩과 같은 표면적인 신호에 의존합니다. 이 모든 것은 오도되거나 쉽게 위조될 수 있는 신호로, 진정으로 유능한 에이전트는 소음 속에 숨겨져 있을 수 있으며 과대 광고된 것들이 주목을 끌 수 있습니다.

게다가 “green candles = project good and red candle = project bad”라는 시장에서 주목은 단순히 지난 주에 10x’ed 한 다음 AI 프로젝트 코인으로 옮겨갑니다. 코인이 아무 목적이나 유용성도 제공하지 않더라도 말입니다. 따라서 AI 경제는 모든 에이전트가 동일하거나 약간 다른 에코 챔버에서 자신의 능력을 광고하는 신뢰 격차에 직면해 있습니다.

시장 전망: 크립토 에이전트, 비즈니스, 소비자 간의 흐름

AI와 크립토 네트워크의 교차점은 완전히 새로운 경제 흐름을 열어주며, 종종 세 개의 세그먼트로 설명됩니다: A2A (Agent-to-Agent), A2B (Agent-to-Business), 그리고 A2C (Agent-to-Consumer). 각각은 신뢰 계층에 의해 해제될 수 있는 프론티어를 나타냅니다:

  • 에이전트-투-에이전트 (A2A): AI 도구와 에이전트들이 온체인에서 서로 직접 협력하거나 거래하는 것. 이는 인간의 개입 없이 24/7로 전문화된 에이전트 클러스터가 서비스, 데이터 또는 기술을 거래하는 신흥적이지만 유망한 영역이다. 초기 사례들이 등장하고 있다. 예를 들어, Virtuals와 같은 프로토콜은 프레임워크를 통해 에이전트 협력을 표준화할 것을 제안하며, 에이전트들이 서로 간에 작업을 협상하고 실행할 수 있게 한다. 이는 그들의 Autonomous Hedge Fund 클러스터에서 볼 수 있다.

A2A가 번영하기 위해서는 에이전트들이 서로의 능력에 대한 신뢰할 수 있는 신호가 필요하다. 예를 들어 에이전트에 대한 평가 시스템 같은 것. Recall의 인프라는 에이전트들이 다른 에이전트를 신뢰하고 지불하기 전에 상담하는 평판 오라클로 정확히 작동할 수 있다. 결과적으로, Recall은 신뢰할 수 있는 에이전트들이 동료들로부터 더 많은 비즈니스를 찾을 수 있는 AI의 자유 시장을 가능하게 할 수 있다.

  • 에이전트-투-비즈니스 (A2B): 회사나 프로토콜에 서비스를 제공하는 AI 에이전트. 이는 DAO의 재무 자금을 관리하는 자율 에이전트, 비즈니스의 고객 지원이나 운영을 처리하는 AI 봇, 또는 거래 회사에 분석 및 예측을 제공하는 에이전트를 포함합니다.

이는 2024년 4분기 온체인 AI 붐 동안 매우 인기 있었으며, 가장 주목할 만한 것은 ai16z로, 이는 AI를 재무 관리, 투자, 벤처 캐피털에 통합한 최초의 DAO 중 하나였으며 (저명한 a16z 회사를 모방함).

Chart displaying AI16z DAO’s assets under management (AUM).
Source: X:@internetphysics – AI16z daos.fun AUM
  • 에이전트-소비자 (A2C): 이것들은 개인 비서나 개인을 위한 자율 투자 고문과 같은 최종 사용자를 직접 서비스하는 에이전트입니다. Crypto는 이러한 에이전트를 위한 결제 레일, 신원 확인, 데이터 이식성을 제공함으로써 역할을 합니다. 예를 들어, AI 회계 에이전트는 작업당 x분당 stablecoins으로 마이크로 수수료를 부과할 수 있으며, onchain 회계 표준 데이터 저장소에서 지식을 업데이트할 수 있습니다.

소비자들이 이러한 에이전트를 받아들이기 위해서는, 사용자가 “AI advisor”가 견고한 성과 기록을 가지고 있다는 확신이 필요합니다. 예를 들어, 레스토랑에 가기 전에 리뷰를 확인하는 것처럼요.

이러한 모든 흐름에서 검증 가능한 신호 필터링이 공통적인 필요사항입니다. 세계경제포럼은 “신뢰는 AI 에이전트 경제에서 새로운 통화이다”, 그리고 이는 성과 기록과 예측 가능한 행동에 기반하여 구축될 것입니다. Recall은 이 문제를 해결하기 위해 온체인 공개 기록을 구축하여 누가 (또는 무엇이) 무엇을 할 수 있는지에 대한 기록을 만들고, 소비자 앱, 기업 서비스, 에이전트 네트워크 전반에 걸쳐 AI의 신뢰 레이어를 생성하고자 합니다.

Survey results on trust and acceptance of AI systems.
Source: KPMG, University of Melbourne – Survey on Trust & Acceptance of AI Systems

전통적인 AI 벤치마크가 부족한 이유

기존 AI 벤치마킹 스택은 리더보드, 정적 테스트 세트, 그리고 선별된 데모로 구성되어 있으며, 신뢰할 수 있는 결과를 반환하는 데 실패합니다. 세 가지 실패 모드가 프린스턴 연구 논문에서 설명된 대로 반복됩니다. “중요한 AI 에이전트들”:

  • 첫째, 그것들은 보통 정적이고좁은 범위를 가지며, 종종 고정된 데이터셋이나 작업에 모델을 평가하여 실제 세계의 복잡성과 역동성을 제대로 반영하지 못하는 경우가 많습니다. 통제된 환경에서 AI 모델이 리더보드를 선두하는 것은 한 가지이지만, 동적이고 빠르게 변화하며 높은 노이즈가 있는 환경(예: 금융 시장이나 개방형 네트워크)에서 일관되게 성능을 발휘하는 것은 전혀 다른 문제입니다.
  • 많은 벤치마크는 조작되기 쉽거나 불투명합니다. 팀들은 종종 테스트를 통과하기 위해 특별히 최적화하며, 때로는 평가 지표의 특이점을 이용하여 진정한 일반화된 지능을 달성하는 대신에 이를 악용합니다.
  • 비용, 신뢰성, 그리고 일반화 가능성을 무시하는 정확도만을 중시하는 사고방식입니다. 그 결과는 종이상으로는 강력해 보이지만 장기 계획, 도구 사용, 오류 복구가 필요한 작업에서 실패하는 에이전트들입니다.

OpenAI의 Computer-Using Agent (CUA) 벤치마크 보고서에서 다음 벤치마킹 도구가 사용되었습니다:

Screenshot of OpenAI’s Computer-Using-Agent benchmark report.
Source: OpenAI – OpenAI Computer-Using-Agents Benchmark Report
  • OSWorld는 픽셀, 마우스, 키보드를 통해 전체 데스크톱 환경(Ubuntu/Windows/macOS)을 운영하는 에이전트를 평가합니다. OSWorld는 총 369개의 작업을 포함하며(분석을 위한 Windows에서 추가 43개의 작업). OSWorld는 최초의 종류인 확장 가능한 실제 컴퓨터 환경(즉, 존재하는 가장 동적인 벤치마크)으로 자신을 브랜딩합니다.
Diagram of OSWorld benchmarking methodology.
Source: OSWorld Github – OSWorld Benchmarking Methodology
  • OSWorld에서 인간은 작업의 72.36% 이상을 수행할 수 있었으며, 이는 현재 최고 정확도 에이전트가 47.3%에 머물러 있는 것과 비교됩니다. 에이전트의 성능은 급격한 변동을 보이는 반면, 인간의 성능은 다양한 유형의 컴퓨터 작업에서 일관성을 유지합니다.
Graph comparing human and AI agent results in OSWorld benchmarks.
Source: OSWorld Github – OSWorld Baseline Results
  • WebArena와 WebVoyager는 브라우저를 사용하여 실제 작업을 완료하는 웹 브라우징 에이전트의 성능을 평가하는 벤치마크입니다. WebArena는 오픈 소스 웹사이트를 오프라인으로 자체 호스팅하여 전자상거래, 온라인 스토어 콘텐츠 관리(CMS), 소셜 포럼 플랫폼 등 실제 시나리오를 모방합니다. WebVoyager는 Amazon, GitHub, Google Maps와 같은 온라인 라이브 웹사이트에서 모델의 성능을 테스트합니다.

OpenAI의 CUA는 인간의 성공률 78.2%에 비해 58.1%로 기준을 세웠습니다. 주목할 점은, 성공률 점수가 2년 동안 거의 4배 증가했다는 것입니다.

Leaderboard results for AI agents on WebArena tasks.
Source: WebArena – WebArena Leaderboard

인간은 이러한 벤치마크 전반에 걸쳐 지속적으로 평균 70-80%의 점수를 받을 수 있지만, 에이전트의 경우 다른 벤치마크에 따라 변동성이 크게 다르며, 이는 동적 능력의 잠재적 부족과 특정 벤치마크에 대한 과적합을 강조합니다. 이러한 모든 전통적인 벤치마크는 시간이 지나도 지속되지 않고 에이전트가 새로운 맥락으로 가져갈 수 있는 검증 가능한 평판으로 번역되지 않는 비이식 가능한 신호를 생성합니다.

규범적인 해결책은 비용, 정확성, 그리고 재현 가능한 평가 파이프라인의 공동 최적화를 포함하며, 이는 “AI Agents That Matter” 기사에서 개요된 바와 같습니다. 필요한 것은 AI 에이전트를 위한 새로운 종류의 벤치마크로, 지속적(시간에 따라 동적)이고, 투명하며, 조작하기 어렵고, 지속적인 평판 프로필을 생성하는 것입니다. 이것은 정확히 Recall이 onchain 경쟁과 Recall Rank를 통해 해결하고자 하는 것입니다. 에이전트를 라이브 환경에서 평가하고 그들의 성능의 전체 맥락을 기록함으로써, Recall은 각 AI 에이전트나 도구에 대해 지속적으로 업데이트되는 평판 점수를 생성합니다.

실제로 효과적인 것: 경쟁

구조화된 AI 경쟁의 사용이 경험적 엄격함의 금본위제라는 점에 대한 합의가 점점 커지고 있습니다. 이들은 새로운 작업의 재생 가능한 흐름을 제공하며, 병렬로 실행되어 (시간상 한 지점에서 수천 가지 접근 방식이 공정하게 평가됨), 그리고 누출 방지 관행을 내장합니다. 누출은 AI 모델이 테스트 세트에 대한 정보에 부당하게 노출될 때를 의미하며, 이로 인해 벤치마크 점수가 진정한 능력보다는 암기나 지름길을 반영하게 됩니다. 따라서 누출 방지 관행에는 평가 후 테스트 데이터를 숨기는 것, 인터넷 액세스가 없는 보안 환경에서 모델을 실행하는 것, 그리고 기타 조치가 포함됩니다.

Diagram comparing sequential vs. parallel AI evaluation structures.
Source: arXiv – Comparing sequential and parallelized evaluation structures.

AI의 중립 등급 레이어로서의 Recall

Recall Network은 AI를 위한 중립적인 평가 및 발견 레이어로 자리 잡기를 제안합니다. 가치 제안은 간단하지만 오늘날의 분열된 AI 환경에서 매우 필요하며, 에이전트 품질에 대한 단일 진실의 원천을 제공합니다. 그들의 목표는 AI 에이전트를 위한 알고리즘적 평판 시스템을 개발하는 것으로, 신용 조사 기관이 개인 재정에 서비스를 제공하는 방식이나 PageRank가 웹사이트 순위를 매기기 위해 사용된 방식과 유사합니다.

누가 만들었든 어디에서 실행되든 상관없이 모든 AI는 Recall에 성능을 기록하고 모든 사람에게 보이는 순위를 얻을 수 있습니다. 이 중립성은 AI의 실제 능력을 측정하는 데 중요합니다.

Recall은 자체 봇을 구축하여 경쟁하지 않으며, 하나의 AI를 다른 AI보다 우대하지 않습니다; 그들은 단순히 지능을 측정하고 표출할 뿐입니다. 그렇게 함으로써 개발자, 사용자, 다른 프로토콜이 신뢰할 수 있는 신뢰성 있고 공정한 평가를 제공합니다. AI의 점수는 onchain 증명(장부에 기록된 데이터와 결과)에 의해 뒷받침되며, AI의 마케팅 예산이나 그 창작자가 누구인지에 의한 것이 아닙니다.

Recall의 접근 방식은 엔드투엔드에서 검증 가능하고 투명합니다. 경쟁 결과, 스테이크 분배, 에이전트 활동 로그 등의 모든 기본 데이터는 공개적으로 접근 가능하여, 누구나 주어진 에이전트가 그 점수를 가진 이유를 감사할 수 있습니다.

Screenshot of Recall’s agent portfolio interface.
Source: Recall Agent Portfolio – Agent Portfolio

Recall의 핵심 설계 원시 요소

Recall은 조합 가능한 설계를 통해 인프라 레이어로 자리 잡을 수 있게 하며, 모든 AI가 신뢰 없이 협력하고 경쟁할 수 있게 합니다. AI는 offchain에서 지식을 획득하고 그 지식과 성능을 onchain에 기록하며 Recall Rank를 통해 평가받을 수 있으며, 경제적스테이크를 걸 수 있습니다. 시스템은 세 개의 상호작용하는 레이어로 나뉩니다: Competition 시스템, RankingEngine, 그리고 EconomicCurationLayer.

온체인 경쟁

Recall의 경쟁 모듈은 AI들이 그들의 능력을 실제로 시연하는 곳입니다. 이러한 경쟁은 온체인에 배포된 스마트 컨트랙트 기반 토너먼트 또는 챌린지로 설계되었습니다. 각 경쟁은 작업(거래, 코딩, 예측 등), 평가 설정/환경, 점수 로직, 그리고 보상 매개변수로 정의됩니다.

Distribution chart of AgentRank scoring.
Source: Recall Competitions Page – AgentRank Scoring Distribution

경쟁이 라이브 상태일 때, AI(개발자나 심지어 다른 AI 시스템에 의해 제출된)는 Recall 프로토콜에 연결되어 실시간으로 작업 입력을 받습니다. 그런 다음 그들은 전략을 실행합니다. 예를 들어, 샌드박스 시장에서 거래를 수행하는 트레이딩 봇, 또는 프로그래밍 퍼즐을 해결하고 출력이나 액션을 온체인으로 제출하는 코딩 에이전트. Smart contracts는 모든 움직임을 추적할 것입니다: 제공된 입력, 반환된 출력, 소요 시간, 그리고 이익 & 손실이나 정확도 같은 성능 지표.

모든 에이전트가 동일한 조건에 직면하기 때문에, 경쟁은 에이전트 성능의 공정하고 동등한 비교를 제공합니다. 그리고 중요한 점은, 경쟁이 라이브 상태라는 것은 에이전트의 능력이 정적 실험실 설정이 아닌 실시간, 동적 환경에서 평가된다는 것을 의미합니다.

모든 상호작용은 블록체인(또는 온체인에 앵커링된 오프체인 데이터 네트워크)에 거래 또는 이벤트로 기록됩니다. 이는 경쟁의 전체 라이프사이클, 시작부터 최종 점수까지, 사후에 감사 가능하다는 의미입니다. 경쟁이 종료되면 결과가 확정화되며(승자, 에이전트 순위 등), 모든 보상은 자동으로 배포되며, 종종 토큰이나 상금 그리고 Recall Rank 부스트로 이루어지지만, 비승자조차도 블록체인에 영구적인 경험 기록을 얻습니다.

Screenshot of Recall AlphaWave competition overview.
Source: Recall Competitions – Recall AlphaWave Competition

예를 들어, AlphaWave는 $25k 상금 풀을 가진 거래 에이전트 콘테스트였습니다. 1,000개 이상의 에이전트 팀이 경쟁했으며, 콘테스트에서 실행한 모든 거래가 기록되었습니다. 우승자들은 상금을 받았고 Recall Rank가 업데이트되는 것을 보았으며, 모든 참가자들의 결과는 그들의 onchain 이력서에 추가되었습니다. 이 경쟁은 데이터셋 같은 가치 있는 부산물을 생성함으로써 좋은 부수 효과를 만들며 (전략과 결과는 알고리즘을 개선하는 데 사용될 수 있음), AI 커뮤니티에 긍정적인 외부성을 창출합니다.

Leaderboard results of AlphaWave trading competition.
Source: Recall Competitions – Recall AlphaWave Competition Results

회상 순위 평판 엔진

경쟁과 메모리에서 나온 원시 데이터 위에 Recall Rank 엔진이 자리 잡고 있으며, 이는 각 AI의 평판 점수를 계산하는 알고리즘과 스마트 컨트랙트입니다. 실제로 Recall Rank는 여러 신호를 종합합니다:

  1. Recall의 온체인 챌린지에서의 검증 가능한 성능 (에이전트가 경쟁 작업에서 실제로 얼마나 잘 수행하는지),
  2. 큐레이션 시스템을 통한 커뮤니티 스테이크 (곧 더 자세히 설명하겠습니다), 그리고
  3. 시간에 걸친 일관성 (에이전트는 지속적이고 신뢰할 수 있는 결과에 대해 더 높은 점수를 받습니다).

각 경쟁 후, AI들의 성과 지표가 Recall Rank로 입력됩니다. Recall의 각 AI 프로필이 업데이트됩니다: 예를 들어, Agent A가 주식 선택 콘테스트에서 500개 중 2위를 차지 (상위 0.4%), 또는 Agent B가 Q&A 챌린지에서 질문의 80%를 정확히 답변하여 상위 10%에 들었습니다. 이러한 결과는 관련 도메인에서 에이전트의 평판을 점진적으로 조정합니다. Recall Rank는 기술별 점수를 가질 수 있습니다 (에이전트가 “trading”에서 높은 점수를 받고 “coding”에서 다른 점수를 가질 수 있음 등). 그러나 복합 점수도 계산되어 고잠재력 에이전트의 신호로서 집단적 확신을 반영할 수 있습니다. 복합 점수의 정확한 계산 및 가중치 메커니즘은 아직 공개되지 않았습니다.

새로운 에이전트는 기본 시작 성능 점수로 시작하며, 여러 경쟁을 통해 진행됨에 따라 각 경쟁에서의 성능에 기반하여 전체 Recall Rank 점수가 업데이트되며, 높은 잠재력을 나타내는 경제적 지분과 함께합니다. 결과적으로, 분포 곡선은 각 에이전트가 4개의 사분면 중 어디에 위치할지 보여줍니다.

Distribution curve of Recall Rank scores over time.
Source: X: @Recallnet – Expected distribution of Recall Rank scores over time

에이전트의 Recall 프로필은 과거 경쟁 성적 배치, 모든 수상 경력(예: 특정 챌린지의 우승자), 현재 Recall Rank 점수(들), 그리고 “competition results” 아래 각 경쟁에서 받은 투표 수를 표시합니다.

Screenshot of MoonSage agent’s competition history.
Source: MoonSage Agent Profile – MoonSage Agent Competition History

경제 큐레이션 레이어

주요 기능은 Recall이 Recall Rank에 크라우드소싱된 스테이킹 신호를 통합한다는 점입니다. 어떤 사용자나 심지어 다른 AI도 해당 AI의 미래 성과에 대한 신뢰를 보여주기 위해 AI에 $RECALL 토큰을 스테이킹할 수 있습니다. 이는 스포츠에서 선수를 지지하기 위해 베팅을 하는 것과 같습니다. AI가 계속해서 잘 수행하면, 지지자는 보상을 받을 수 있습니다 (정확한 메커니즘은 슬래싱이나 보상 풀을 포함할 수 있으며, 올바른 베팅이 잘못된 베팅보다 보상을 받거나 네트워크 인센티브로부터 보상을 받도록 설계됩니다). 이는 AI 성공에 대한 예측 시장으로도 볼 수 있습니다.

Voting interface for Recall competitions.
Source: Recall Competitions – Recall Competition Voting

이 메커니즘은 적절한 staking을 통해 AI의 미래 성과에 대해 long 포지션을 취하거나 중립을 유지할 수 있게 함으로써 평판을 투자 가능한 자산으로 전환합니다. AI agents(예를 들어)에 대한 stake가 더 많아지면, 그들의 Recall Rank가 상승합니다(많은 사람들이 그들을 vouching하기 때문), 이는 차례로 더 많은 사용자가 그들을 고용하도록 유인합니다. Stakers(curators)에게는, 저평가된 AI 인재를 발견하고 이에 대한 보상을 받음으로써 yields를 얻는 방법입니다.

이것은 원시 성능 데이터 위에 skin-in-the-game 계층을 생성하여, Sybil이나 가짜 AI가 순위에 오르는 것을 강력하게 억제합니다 (왜냐하면 실제 경제적 지분을 유치해야 하며, 실제 성능이 없으면 이러한 지분이 주저할 것이기 때문입니다). 또한 평판이 Recall의 경제에서 화폐적 무게를 가지게 되어, 참가자들이 신뢰할 수 있는 AI만 정직하게 신호하고 지지하도록 유도해야 합니다.

Recall Rank는 따라서 기술적 성능과 사회적 증거(시장 기반)를 혼합하여, 에이전트가 광범위한 진정한 화폐적 지분 지원(그것을 믿는)을 필요로 하기 때문에 최고 평판을 구매할 수 없다는 점에서 조작을 저항하는 데 도움이 됩니다. 그리고 에이전트들은 지속적인 성능 없이 지분과 점수가 감소하기 때문에 지속적으로 혁신하고 성과를 내야 합니다.

Recall Predict: 벤치마크의 벤치마크를 크라우드소싱하다

Predict는 벤치마킹 자체를 지능 시장으로 전환하는 커뮤니티 주도 예측 플랫폼입니다. Predict는 Recall Rank를 촉진하도록 설계된 또 다른 유형의 경쟁의 초기 예입니다. 팀에 의해 “커뮤니티 예측으로 구동되는 세계 최초의 비게임화 가능한 AI 벤치마크”로 설명됩니다. 과적합되거나 유출될 수 있는 정적 테스트 세트에 의존하는 대신, Predict는 수천 명의 크라우드소싱된 인간 및 에이전트 참가자를 활용하여 다가오는 모델(예: GPT-5 대 동료들)이 다양한 기술 카테고리에서 어떻게 수행할지를 예측하며, Recall의 AI 신뢰할 수 없는 발견 엔진 역할을 더욱 강화합니다.

Screenshot of Recall Predict benchmarking platform.
Source: Recall Predict

Recall Predict의 핵심 측면은 AI 모델 기술에 대한 비교 예측을 수행하는 것입니다. 각 기술 카테고리별로 모델 쌍이 표시되며, 참가자들은 GPT-5와 같은 모델이 비교 모델보다 강력할지 약할지를 예측합니다. 참가자들은 코드 생성, 윤리적 허점 탐색, 설득력, 숨겨진 메시징, em 대시 사용 금지 요청 준수 등 특정 기술 카테고리에 대한 프롬프트를 제출할 수 있습니다. 그리고 더 많은 항목이 있습니다. 이는 모델을 비교하는 데 사용되는 실제 제출된 테스트입니다.

Example skill evaluation from Recall Predict.
Source: Recall Predict – Skill Evaluation

경제적 인센티브 & 성장 플라이휠

Recall의 경제 계층의 최상위 계층에 위치한 것은 Skill Pool, 여기서 스킬은 에이전트들이 구축할 특정 수요가 있는 것으로 처음 식별됩니다. 이는 이미 풀을 가진 특정 스킬 뒤에 실제 경제적 가치를 스테이킹하거나, 새로운 스킬에 대한 새로운 풀을 시작함으로써 이루어집니다. 더 높은 TVL을 가진 풀은 일반적으로 더 많은 주의를 끌며, 그 틈새 내에서 더 많은 에이전트가 개발되고 더 많은 경쟁 활동이 있습니다.

Visualization of Recall skill pools.
Source: X: @Recallnet – Recall Skill Pools

각 Skill Pool의 크기는 주어진 reward period 동안 각 skill의 agents와 curators에게 흐르는 전체 $RECALL protocol rewards의 상대적 비율을 결정합니다. 이 design은 community가 정의한 high-value skills가 비례적으로 더 큰 rewards를 받도록 보장하며, rewards를 demand와 맞추고, agent talent, staker capital, 그리고 user demand가 가장 가치 있는 skills 주위에 자연스럽게 모이는 network effects를 생성하여 participation을 증가시키고 protocol value를 높이며 market discovery와 innovation을 가속화합니다.

Diagram of $RECALL token flow between skill pools.
Source: X: @Recallnet – $RECALL Flow Between Skill Pools

$RECALL은 네트워크의 기본 유틸리티 토큰으로, Recall에서 모든 중요한 작업이 이에 연계되어 있습니다. 예를 들어, 에이전트들이 Recall의 마켓플레이스에서 서로 거래할 때 (예: 데이터나 서비스에 대한 지불), 이러한 지불은 $RECALL로 이루어질 수 있거나 $RECALL로 프로토콜 수수료가 발생할 수 있습니다. 사용자들은 생태계 내 에이전트에 접근하고 쿼리하기 위해 $RECALL 크레딧으로 지불합니다. 게다가 각 에이전트와의 유동성 스테이킹도 $RECALL로 지불되는 수수료를 발생시킵니다. 따라서 Recall의 AI 경제가 사용이 확대됨에 따라, 토큰은 그 가치 흐름의 일부를 포착합니다.

플라이휠은 모든 참여자의 성공이 네트워크에 이익을 가져오도록 구성되어 있습니다. AI가 경쟁에서 승리하면 $RECALL로 상금을 받고 더 높은 Recall Rank를 획득합니다. 더 높은 랭크는 가시성을 증가시키고, 결과적으로 사용자 수요와 거래량이 증가할 가능성이 높아집니다. 이는 더 높은 큐레이션 스테이크를 유치하며, 이는 더 많은 공급을 잠그고 Recall Rank를 더욱 높입니다. 큐레이터들은 에이전트가 지속적으로 성과를 내는 한 보상을 계속 받으며, 이는 그들이 다른 유망한 에이전트에 재투자하거나 스테이크하도록 유도합니다.

Diagram of $RECALL economic flywheel.
Source: X: @Recallnet – $RECALL Economic Flywheel

반대로, AI가 저조한 성과를 보이면 스테이커들은 손실을 입고 지원을 철회할 수 있으며, 이는 AI의 순위를 낮추고 다른 AI에게 자리를 내어줍니다. 이 역학은 자본을 최선의 용도(가장 유망한 AI)로 배분하며 지속적인 사이클을 형성하여, 본질적으로 인재의 자유 시장 거버넌스를 창출합니다. 네트워크가 더 많이 사용될수록 더 많은 데이터가 생성되어 Recall Rank의 신호 품질이 향상되며, 이는 순위가 신뢰할 수 있고 가치 있으므로 더 많은 사용자와 AI를 유치하여 더 많은 토큰 사용과 가치를 이끕니다.

결론

Recall은 AI 시대의 근본적인 도전을 해결합니다: AI에 대한 대규모 평판 제공. 초기 인터넷이 검색 엔진과 웹사이트의 신뢰 점수에 대한 평판 시스템을 필요로 했던 것처럼, AI도 그 신뢰 계층이 필요합니다. Recall은 AI가 온체인(onchain)에서 그 가치를 증명할 수 있는 방식을 발명함으로써, 명확한 북극성 신호(현재 거래를 위한 PnL이지만, 베팅의 결과 정확도, 의학 진단 정확도 등으로 확장될 수 있음)를 가진 경쟁에서 그 계층이 될 수 있는 설득력 있는 사례를 제시하고 있습니다.

투자자, 빌더, 그리고 AI와 crypto의 교차점을 평가하는 파트너들을 위해, Recall은 앞으로 우리가 AI를 발견하고 신뢰하는 방식을 정의할 수 있는 독창적이고 잠재적으로 중요한 퍼즐 조각을 제공합니다. 지능이 상품이 되어가는 세상에서, Recall은 그 상품의 마켓플레이스이자 심판으로 자신을 위치짓고 있으며, AI의 새로운 경제가 증명, 투명성, 그리고 얻어진 명성에 기반하여 운영되도록 보장합니다.

용어집

Term Definition
Static Benchmark Fixed evaluation suite with unchanging datasets and tasks; prone to leakage, overfitting, and obsolescence as models train against or memorize test distributions.
Curation Market Prediction-style staking system where participants back agents with $RECALL as a signal of expected future performance.
Recall Rank Reputation algorithm that assigns persistent scores to AI agents by weighting verifiable competition outcomes, curator staking signals, and recency of performance, producing a portable trust metric.
Proof-of-Intelligence Consensus-by-competition mechanism in which agents demonstrate capability on standardized tasks, with all inputs, outputs, and results logged to generate un-gameable evidence of competence.
Anti-Leakage Practices Design mechanisms that prevent evaluation data from contaminating model training or test exposure.
Reputation Portability Property whereby an agent’s historical performance data persists across contexts, allowing its track record to serve as a reusable credential rather than being siloed to one benchmark or platform.
Generalized Intelligence The ability of an AI system to perform robustly across novel and varied tasks outside its training distribution, contrasting with narrow benchmark-optimized competence.

참고 자료

자율 에이전트를 구축하기 위한 현실적인 웹 환경.

실제 컴퓨터 환경에서 개방형 작업을 위한 멀티모달 에이전트 벤치마킹.

중요한 AI 에이전트.

왜 AI 에이전트의 정확도가 예상만큼 높지 않은가.

AI 대회는 GenAI 평가에서 경험적 엄격함의 금본위제를 제공합니다.

공개사항

Alea Research는 Recall Network와 상업적 관계를 맺고 있으며, 연구 서비스에 대한 보상을 받습니다. 이 보고서는 이 참여의 일환으로 의뢰되었습니다.

Alea Research 팀의 구성원들, 이 분석에 직접 관여한 분석가들을 포함하여, 논의된 토큰에 대한 포지션을 보유할 수 있습니다.

이 콘텐츠는 정보 및 교육 목적으로만 제공됩니다. 이는 재무, 투자 또는 법률 자문이 아닙니다.

Alea Research · 2025년 9월 23일 · 13 min · 13개 섹션

맨 위로