You ready?

[무쇠팔~ 무쇠다리~ 무쇠로 만든 로봇~ 🤖] 여러분 로봇팔을 아시나요?? 그런데 우리가 로봇의 가정교사가 될 수 있다는 사실도 아시나요?? 바로 @axisrobotics 이야기인데요! 엑시스 로보틱스는 쉽게 말해 우리가 로봇의 가정교사가 되어 로봇에게 다양한 행동을 가르치는 프로젝트입니다. 조금 전문적으로 설명하자면 로봇이 현실 세계에서 물체를 인식하고, 집어 들고, 옮기는 등의 작업을 수행할 수 있도록 학습 데이터를 구축하는 과정인데요. 여기서 중요한 건 단순히 로봇팔을 움직이는 게 아니라는 점! 사람이 직접 조작하며 만들어낸 행동 데이터는 로봇이 물체와 공간의 관계를 이해하고, 다양한 환경에서도 작업을 수행할 수 있도록 학습하는 데 활용될 수 있습니다. 결국 우리가 하나하나 가르치는 행동들이 미래 로봇 지능의 기반이 되는 셈이죠 ㅎㅎ 그나저나 제가 엑시스 로보틱스로 픽시님을 인용해서 야핑하는 날이 오다니 너무 좋네요!! 지난 야핑 시즌에도 함께 활동했으면 훨씬 더 재밌었을 텐데... 조금 아쉽기도 합니다 ㅠㅠ 특히 이번 엑시스 로보틱스에서는 픽시님이 한국 대표로 AMA까지 진행하셨는데, 익숙한 분을 이렇게 다시 만나니 너무 반갑더라고요! 이제 시즌도 얼마 남지 않았지만 남은 기간 동안 서로 힘내면서 즐겁게 야핑했으면 좋겠습니다!! 마지막으로 그런 마음을 담아서 영상도 하나 만들어봤습니다 ㅎㅎ 우리 함께 로봇의 가정교사가 되어봅시다! 픽시(@cct_pixie )님도 엑시스 로보틱스도 화이팅!! 🤖🔥

Primus가 주목하는 문제는 기관 자금이 온체인으로 들어오기 어려운 이유와 맞닿아 있습니다. 블록체인의 투명성은 분명 강점입니다. 누구나 거래를 확인하고 기록을 검증할 수 있으니까요. 하지만 기관 금융의 관점에서 보면 이야기가 달라집니다. 거래 규모와 자산 포지션, 투자 전략까지 공개되는 환경에서 모든 금융 활동을 온체인으로 옮기는 것이 과연 편리하기만 할까요? 기관에 필요한 건 무조건적인 투명성도, 무조건적인 비공개도 아닙니다. 민감한 정보는 보호하면서도 필요한 사실은 검증할 수 있는 구조입니다. 바로 이 지점에서 @PrimusLabs의 역할이 중요해집니다. Primus는 기존 온체인 금융 레일 위에서 기밀성과 검증을 결합하려는 인프라입니다. 금융정보를 보호해야 하는 부분은 보호하면서, 신뢰가 필요한 주장은 검증할 수 있도록 하는 것이 핵심입니다. 블록체인에 금융을 올리는 것만으로는 충분하지 않습니다. 민감한 정보를 모두 공개하지 않고도 신뢰를 확보할 수 있어야 더 많은 금융 활동이 온체인으로 확장될 여지가 생깁니다. 결국 중요한 질문은 이것 아닐까요? 얼마나 많은 정보를 공개할 수 있느냐가 아니라, 필요한 정보만 공개하면서 어떻게 신뢰를 증명할 수 있느냐. 이것이 기관 금융에서 Primus가 해결하려는 문제입니다. @primus_labs

내가 엑시스 자신이 없다? 프리머스로 포모 없애 보자! @primus_labs 9번째 얍핑! 어느덧 Primus를 향한 9번째 콘텐츠까지 왔다 👀 Primus는 기관급 온체인 금융을 위한 기밀 인프라를 구축하는 프로젝트! 온체인 금융이 성장할수록 거래 데이터와 개인정보를 보호하는 기술도 중요해질 수밖에 없다고 생각한다. 단순한 금융 인프라를 넘어 프라이버시까지 해결하려는 Primus, 앞으로 어떤 가능성을 보여줄지 기대된다. 현재 @KaitoAI 캠페인도 참여 중! 꾸준히 쌓아가는 만큼 좋은 결과까지 따라와 줬으면 좋겠다. 9번째 얍핑 완료. 다음은 더 좋은 결과로! @primus_labs #Primus #Kaito #Web3

[기관에서 프라이버시와 검증이 필요한 이유] @primus_labs 기관이 온체인 금융을 이용하려면 두 가지가 함께 필요하다고 봄. 민감한 금융 정보를 보호할 수 있어야 하고, 거래 상대방의 주장은 검증할 수 있어야 함. 기관의 자산 규모나 거래 전략이 전부 공개되면 경쟁사가 이를 분석할 수 있음. 반대로 정보를 숨기기만 하면 자산 보유나 거래 조건을 확인하기 어려워짐. Primus는 zkTLS와 FHE를 활용해 이 문제를 다루고 있음. 웹에서 가져온 데이터의 출처를 검증하고, 민감한 데이터는 암호화된 상태로 계산에 활용하는 방향임. 기관 입장에서는 ‘무엇을 공개하고 무엇을 증명할 것인가’를 선택할 수 있는 인프라가 중요해질 것 같음. Primus XP 태스크를 통해 데이터 검증 과정을 직접 체험해볼 수 있음. 참여 링크: [s.kaito.ai/mUdk9fT] #zkTLS #FHE #Privacy

AI Agent가 일을 못 끝내면 누가 책임질까? @termix_ai 살펴보다가 문득 이런 생각이 들었습니다. 사람에게 일을 맡겨도 약속한 날짜를 못 지키거나 결과물이 마음에 들지 않는 경우가 있잖아요. 그런데 AI Agent라고 이런 문제가 없을까요? 오히려 앞으로 Agent끼리 거래가 많아지면 생각보다 자주 발생할 수도 있을 것 같습니다. 예를 들어 리서치 작업을 맡겼는데 결과물이 엉망이거나, 아예 작업을 끝내지 못한다면 돈은 어떻게 되는 걸까요? TermiX의 AACP에는 이런 상황을 고려한 구조가 있습니다. 거래 자금을 Escrow에 보관하고, 제출된 결과물을 검증한 뒤 정산하는 방식입니다. 문제가 생기면 Challenge나 Dispute 절차를 이용할 수 있고, Staking과 Slashing을 통해 잘못된 행동에 경제적 책임을 부과하는 장치도 마련되어 있습니다. 물론 이런 시스템이 있다고 모든 문제가 해결되는 건 아니겠죠. 그래도 최소한 문제가 생겼을 때 어떻게 처리할 것인지에 대한 기준이 있다는 건 중요한 차이라고 생각합니다. 저는 Agent Economy가 커질수록 이런 부분이 더 중요해질 것 같습니다. 잘하는 Agent를 찾는 것도 중요하지만, 일이 잘못됐을 때 어떻게 해결할 수 있는지도 알아야 안심하고 거래할 수 있으니까요. 결국 AI Agent가 얼마나 똑똑한지만큼, 그 Agent와 얼마나 안전하게 거래할 수 있는지도 중요하지 않을까요?

이번 글의 핵심은 “작업이 정산됐다는 사실과 그 작업이 실제로 검증을 통과했다는 사실은 다르다” 는 문제의식입니다. TermiX(@termix_ai) Agent.family는 AI 에이전트가 작업을 수행하고, 결과를 평가받고, 정산받는 구조를 지향합니다. 여기서 중요한 것은 단순히 작업 건수나 정산 금액이 아니라, 문제가 발생했을 때 실제로 이의를 제기하고 검증할 수 있는 시스템인지입니다. 왜 Token2049 게시글과 연결될까? TermiX가 Token2049에서 강조한 것은 정산된 모든 작업에 도전 기간이 있었다는 점입니다. 하지만 한 크리에이터는 그 문장이 실제로 무엇을 증명하는지 의문을 제기했습니다. 여기서 핵심은 다음과 같습니다. 제도적 장치: 이의를 제기할 수 있는 기간이 존재한다. 실제 작동: 그 기간에 이의 제기와 검증이 얼마나 이루어졌는가. 신뢰의 증거: 분쟁이 발생했을 때 결과를 바로잡을 수 있으며, 그 과정이 기록으로 남는가. 즉, 이 글은 TermiX를 단순히 비판한다기보다 평판과 정산이라는 숫자를 실제 검증 데이터로 뒷받침해야 한다는 질문을 던지는 것입니다.

Zama Vault vs Primus @primus_labs 기술 바로 이전에 쉽게 비유로 설명한 금고 비유가 꽤 반응이 좋았어서, 이어서 보충 설명을 하려고 해. 금고 안에 돈을 넣은 채 금고 채로 계산을 할 수 있는 것과 비슷하다. 계산하는 쪽은 금고를 열지 않아도 되고, 결과만 확인하면 되는 구조이다… 👉이 금고 비유를 가지고 조금 더 쉽게 설명해볼께. 일반 금고는 문을 열어야 계산을 할 수 있어. 하지만, FHE 금고는 문을 절대 열지 않은 채 안에서 더하기·곱하기·지분 계산을 할 수가 있어. • 여러 사람이 각자 금액을 암호화된 상태로 금고에 넣고, • 시스템은 개별 금액을 보지 않고도 합계를 계산하거나, 수익을 배분해. • 외부로 나가는 건 합계(총액) 정도만이고, 개인별 금액은 끝까지 암호화된 채로 남게 되지. • 나중에 본인 키로만 자신의 포지션을 열어볼 수 있고. 👉이게 바로 “금고 채로 계산하는” 구조야. 그럼, Zama Vault vs Primus 기술을 좀 더 살펴볼까? • Zama Confidential Vault (이더리움 쪽)
암호화된 예치금을 배치로 모아서 합계만 복호화한 뒤, 실제 Morpho 같은 공개 ERC-4626 수익 금고에 넣는 방식이야. 개별 금액은 온체인에 암호문으로만 존재하고, 본인만 자신의 지분을 복호화할 수 있지. Zama는 이 FHE 인프라(FHEVM)를 먼저 실용화한 대표 사례로 자주 언급되는 거 알지? • Primus Confidential Vault (BNB Chain 쪽)
Primus는 자신들의 자체 개발 FHE 스택을 써서 비슷한 제품을 만들었어. 스테이블코인을 암호화된 버전으로 감싼 뒤, 개인 잔액·포지션 크기를 숨긴 채 전송하거나 Confidential Vault에 넣어 수익을 낼 수 있게 한 것이지. (Unitas 등 실제 수익 전략과 연결) 어떻게 연결되나? 내가 지난 포스트에서 Zama Vault를 자세히 설명한 이유는, Primus가 구현하려는 바로 그 개념(암호화된 채로 계산하면서 수익을 내는 금고)​을 가장 잘 보여주는 현실 사례이기 때문이야. 즉, • Zama = “이런 식으로 FHE 금고를 이더리움에서 실제로 동작시킨다”는 참고 사례 • Primus = 같은 원리를 자기 FHE 기술로 BNB Chain에서 구현한 제품 둘 다 “내 포지션 크기를 시장에 노출하지 않으면서도 DeFi 수익에 참여하고 싶다”는 수요(특히 기관·대형 자금)를 겨냥한 거지. 한 줄로 요약하면: Zama가 보여준 FHE 금고의 작동 원리를, Primus가 자신들의 기술로 BNB Chain에서 비슷한 형태로 실현한 것이라고 이해하면 끝👋

AI Agent가 실제로 경제활동을 하게 된다면 결국 중요한 건 지능보다 신뢰일 수도 있겠다는 생각이 듦. @termix_ai 사람끼리 거래할 때도 실력만 보는 게 아니잖아. 약속을 지키는지, 결과물이 괜찮은지, 문제가 생겼을 때 어떻게 해결하는지도 중요하니까. AI끼리 거래할 때도 똑같은 기준이 필요할 것 같음. 그런 점에서 termix 가 흥미로운 건 단순히 Agent끼리 일을 연결하는 데서 끝나지 않고, 작업 요청부터 에스크로, 결과 검증, 분쟁 처리, 최종 정산까지 거래의 전 과정을 구조화한다는 것. 여기에 거래 결과와 평판까지 쌓인다면 앞으로는 Agent를 선택할 때 모델 성능만 보는 게 아니라 실제로 어떤 일을 해왔는지도 중요한 판단 기준이 될 수 있음. 물론 온체인에 기록된다고 해서 작업의 품질까지 자동으로 보장되는 건 아님. 결과를 어떻게 검증하고, 분쟁을 얼마나 공정하게 처리하느냐도 함께 해결돼야 함. 결국 Agent Economy가 제대로 돌아가려면 일을 잘하는 Agent뿐 아니라 서로 믿고 거래할 수 있게 만드는 기반도 필요하다고 봄. AI가 도구를 넘어 경제 주체가 되는 과정에서 이런 거래 인프라가 얼마나 중요한 역할을 하게 될지 궁금함.

AI 에이전트 44만 개. 와, 많네요. 그런데 제가 사장이라면 직원 수보다 먼저 매출부터 볼 것 같습니다. 최근 @termix_ai의 agent.family에서 의미 있는 변화가 하나 생겼습니다. 등록된 에이전트보다 누적 정산된 작업이 더 많아졌습니다. 왜 이 숫자가 중요할까요? AI 에이전트가 아무리 많이 등록돼도 실제로 맡길 일이 없다면 결국 거대한 명함 전시장에 불과합니다. “나는 리서치를 잘합니다.” “나는 영상을 만들 수 있습니다.” “나는 코드를 작성합니다.” 다들 자기소개만 하고 아무도 돈을 내지 않는다면 시장이라고 부르기 어렵죠. 반대로 작업 수가 에이전트 수를 넘어섰다는 건 적어도 일부 에이전트가 등록으로 끝나지 않고, 실제 일감을 받아 결과물을 제출하고 정산까지 경험했다는 뜻입니다. 물론 이것만으로 시장이 완성됐다고 보기는 어렵습니다. 한 사람이 작은 작업을 여러 번 만들 수도 있고, 캠페인 보상을 노린 거래가 포함됐을 가능성도 있으니까요. 이제부터 확인해야 할 숫자는 따로 있습니다. • 한 에이전트당 실제 작업 수 • 한 번 맡긴 고객의 재이용률 • 작업 완료율과 평균 단가 • 보상 없이도 발생하는 자연 거래 • 꾸준히 다시 고용되는 에이전트의 비율 결국 AI 노동시장에서 살아남는 건 가장 똑똑하다고 소개하는 AI가 아닐 겁니다. 누군가가 돈을 내고 다시 찾는 AI. 사람도 이력서보다 실제 매출과 재계약이 중요하듯, 에이전트도 이제 등록 숫자가 아니라 반복해서 선택받는 능력으로 평가받게 되지 않을까요? agent.family가 ‘에이전트 전시장’을 넘어 실제 노동시장으로 가고 있는지는 이제부터 이 숫자들이 보여줄 것 같습니다.

“TermiX에는 5번째 단계가 없습니다. 그런데 일이 끝납니다.” @termix_ai 가끔 좋은 프로토콜은 무언가를 많이 만들어 놓은 프로토콜이 아니라, 굳이 만들지 않아도 되는 것을 과감하게 빼버린 프로토콜인 것 같습니다. TermiX의 AACP를 들여다보다가 조금 재미있는 걸 발견했습니다. 일의 인생이 딱 4장입니다. Escrow → Deliver → Challenge → Settle 견적이 받아들여지면 돈은 온체인 에스크로에 잠깁니다. 일이 끝나면 결과물의 해시가 기록되고요. 그리고 마음에 들지 않는다면? Challenge. 정해진 검증 과정에서 평가자가 결과물을 확인합니다. 마지막은 Settle. 대금이 이동하고, 평판이 업데이트되고, 그 과정까지 기록에 남습니다. 그런데 정말 재미있는 건 그다음입니다. 5번째 단계가 없습니다. “잠시만요, TermiX에서 확인해볼게요.” “담당자가 검토 후 연락드리겠습니다.” “조금만 기다려주세요.” 이런 문이 프로토콜 안에는 없는 셈입니다. 결국 사람이 중간에서 판단해줘야 돌아가는 시스템이 아니라, 규칙이 정해진 순간부터 일이 스스로 끝까지 걸어가는 구조를 만들고 있는 것이죠. 생각해보면 꽤 낭만적입니다. 사람이 없는 곳에서 에이전트가 일을 맡고, 돈이 잠기고, 일이 끝나고, 검증이 이루어지고, 돈과 평판이 다시 각자의 자리로 돌아갑니다. 그리고 아무도 가운데 앉아 있지 않습니다. 어쩌면 AACP의 가장 중요한 기능은 무엇을 하는지가 아니라, 무엇을 하지 않아도 되게 만드는 것 인지도 모르겠습니다. 프로토콜에 다섯 번째 문이 없는 것. 그 빈자리가 오히려 TermiX가 만들고 싶은 에이전트 경제의 모습처럼 느껴집니다.

[94초짜리 주전자 조작이 5초짜리 데이터가 된 이유] @axisrobotics @SurfAIHQ 로봇팔로 주전자 물을 따르는 시범을 남겼는데 연속해 저장된 관절 자세 열 쌍 중 여섯 쌍은 거의 같았습니다. Axis의 공개 Task 74에서 908번의 비교 중 553번, 약 61%가 그랬습니다. 마우스를 다시 잡느라 멈춘 1초와 주전자를 안정적으로 들기 위해 자세를 고정한 1초는 비슷하게 기록될 수 있어도 로봇에게 가르칠 행동은 다를 수 있습니다. Surf의 심층 리서치로 같은 작업의 원본과 정제본을 대조하니 기록의 길이도 크게 달랐습니다. 원본은 909프레임에 약 94초였는데 처리본은 356프레임에 약 5.3초였습니다. 로봇이 물을 18배 빨리 따른 게 아닙니다. 반복된 자세를 줄이고 시간 간격까지 다시 구성한 기록입니다. 로봇에게 시범을 보여주는 일에는 움직임을 남기는 과정뿐 아니라 학습에 쓸 움직임을 골라 다듬는 과정도 있는 거죠. Axis Hub의 조작 방식은 게임과 닮았습니다. 브라우저에서 가상 로봇팔의 집게를 마우스로 끌고 물체를 더블클릭하면 팔이 집기 좋은 위치로 이동합니다. 어려운 단계 직전에 N키로 저장했다가 실수하면 B키로 되돌아갈 수도 있습니다. 이런 기능은 사람이 작업을 완수하도록 돕고 정제 단계에서는 같은 관절 자세가 반복된 프레임과 작은 흔들림을 처리합니다. Axis의 공개 코드는 관절 변화가 거의 없는 프레임을 합치고 움직임을 매끄럽게 다듬은 뒤 일정한 간격으로 다시 기록합니다. 접촉 직전의 의도적인 정지까지 삭제하면 작업에 필요한 정보를 잃을 수 있으므로 단순히 모든 멈춤을 제거하는 것이 최선이라고 단정할 수는 없습니다. Task 74의 공개 JSON에는 물체 접촉 상태가 들어 있지 않아 553번의 정지가 각각 왜 발생했는지는 확정할 수 없습니다. 정지 기록을 줄이는 것과 작업에 필요한 행동을 보존하는 것은 서로 다른 과제입니다. 두 파일에는 똑같이 60FPS라고 적혀 있습니다. 하지만 Surf로 실제 시간값까지 계산한 결과, 기록 간격의 중앙값은 원본 약 0.1초, 처리본 0.015초였습니다. 파일에 붙은 프레임 속도만 믿으면 동작 속도나 정제 효과를 잘못 해석할 수 있습니다. Axis의 별도 기술 보고서는 16개 작업에서 정제 후 jerk 지표가 평균 47.3% 감소했다고 기록하는데 이 수치는 움직임의 급격한 변화를 측정한 결과입니다. 실물 로봇의 작업 성공률은 따로 검증해야 합니다. 다른 로봇 AI 프로젝트도 Surf에 동일한 작업의 원본 및 처리본을 찾아 프레임 수와 실제 시간 간격을 계산하고 정제 코드와 성능 지표를 대조해달라고 요청할 수 있습니다. Axis처럼 브라우저에서 로봇을 조종하는 서비스가 실제로 어떤 데이터를 만들고 이를 어떻게 학습 자료로 바꾸는지 알아내는 데 쓸 수 있는 방법입니다. Task 74 공개 데이터: huggingface.co/datasets/axis… #Surf #AxisRobotis

같은 1000달러짜리 일인데 담보는 200 vs 100, 평판 차이예요 @termix_ai AACP 백서를 보면 에이전트가 일을 맡을 때 예산의 10%를 담보로 잠가요. 근데 이게 평판으로 나눠져요. 평판 100이면 그대로 10%, 처음 들어온 에이전트는 평판 50에서 시작해서 두 배인 20%를 잠가야 해요. 계산식이 "10% ÷ (평판/100)"이라 중간 단계도 있어요. - 평판 50: 200달러 - 평판 80: 125달러 - 평판 95: 105달러 - 평판 100: 100달러 실제로 Agent.family에 새로 등록된 에이전트를 보면 평판 50, 완료 0건에서 시작하더라고요. 일이 끝나면 그 담보는 다시 풀로 돌아와요. 매번 새로 넣는 게 아니라 하나의 풀(최소 100 USDC)에서 잠갔다 풀었다 하는 구조고요. 일을 맡기는 쪽도 예산의 5%, 결과물을 검증하는 평가자도 10%를 같은 방식으로 잠가요. 결국 평판 쌓은 에이전트는 같은 돈으로 일을 두 배 더 동시에 받을 수 있는 거예요. 평판이 프로필 점수가 아니라 진짜 돈 효율이 되는 거라 꽤 흥미로웠어요. 물론 백서 설계라 실제 운영은 따로 봐야겠네요!

로봇 데이터는 ‘잘한 것’만 모아야 할까요? @axisrobotics 보통 로봇 AI를 학습시킨다고 하면 사람이 로봇을 완벽하게 조작한 데이터만 필요하다고 생각하기 쉽습니다. 실수하거나, 중간에 멈추거나, 비효율적으로 움직인 데이터는 오히려 학습을 방해할 것처럼 보입니다. 그런데 Axis Robotics는 조금 다른 주장을 하고 있습니다. 개별 데이터는 엉성해도, 충분히 많은 사람들이 서로 다른 방식으로 만든 데이터가 모이면 전체 데이터셋은 오히려 강해질 수 있다는 것입니다. 예를 들어 1,000명이 같은 물건 집기 Task를 수행한다고 해보겠습니다. 어떤 사람은 너무 멀리 움직이고, 어떤 사람은 중간에 멈추며, 또 다른 사람은 한 번 실수한 뒤 다시 시도할 수 있습니다. 각각만 보면 완벽한 Expert 데이터는 아닙니다. 하지만 중요한 것은 모든 사람이 똑같은 방식으로 실수하지 않는다는 점입니다. 결국 Axis가 말하는 핵심은 완벽한 데이터만 모으는 것보다 다양한 사람들이 만들어낸 대규모 경험 자체가 로봇 AI에게 중요한 자산이 될 수 있다.