100만 토큰에서 1억 토큰으로: Manta가 AI의 블록체인 데이터 시야를 100배 넓힐 수 있는 이유

AI의 다음 중대한 돌파구는 더 큰 챗봇이나 더 빠른 이미지 생성기에서 나오지 않을 수도 있다. 오히려 한 번에 훨씬 더 많은 정보를 기억하고 분석할 수 있는 능력에서 나올 가능성이 있다.

독일의 AI 연구소 엠페로(Empero)는 최대 1억 토큰의 입력 창을 지원하는 것으로 알려진 모델 Manta를 공개했다. 이 내용이 사실로 확인된다면, 오늘날 일부 첨단 AI 시스템이 제공하는 약 100만 토큰 수준의 컨텍스트 창에 비해 획기적인 도약이 된다.

블록체인 업계에서 이러한 발전은 특히 중요할 수 있다. 암호화폐 시장에서는 스마트 컨트랙트 코드, 거버넌스 제안, 감사 보고서, 거래 내역, 법률 문서, 토큰 언락 일정, 커뮤니티 논의, 실시간 시장 데이터 등 서로 분산된 정보가 막대한 규모로 생성된다. 이 모든 자료를 하나의 컨텍스트 안에서 처리할 수 있는 모델이 등장한다면 연구자, 개발자, 투자자, 보안팀의 업무 방식이 크게 달라질 수 있다.

다만 Manta는 아직 초기 단계의 시스템이다. 아키텍처, 처리 속도, 비용, 전반적인 신뢰성은 아직 독립적으로 검증되지 않았다.

Manta의 1억 토큰 컨텍스트가 의미하는 것

모델의 컨텍스트 창은 한 번의 상호작용에서 AI가 읽고 활용할 수 있는 정보의 양을 결정한다. 컨텍스트가 너무 작으면 AI 시스템은 앞서 나온 내용을 요약하거나 잘라내거나 아예 버려야 한다.

이러한 한계는 장기간 이어지는 작업에서 특히 뚜렷하게 나타난다. AI 코딩 에이전트는 소프트웨어 프로젝트 초반의 내용을 이해하더라도 수천 건의 메시지가 쌓이면 중요한 의사결정을 놓칠 수 있다. 연구 보조 AI 역시 여러 보고서를 정확하게 분석할 수 있지만, 관련 근거가 수백 개의 문서에 흩어져 있으면 제대로 대응하지 못할 수 있다.

Manta는 약 1억 토큰의 입력을 지원함으로써 이러한 병목을 해결하는 것을 목표로 한다. 실질적으로는 다음과 같은 자료를 분석할 수 있다는 의미다.

• 대규모 기업 공시 자료 모음
• 방대한 스마트 컨트랙트 저장소
• 장기간 이어진 개발자 및 거버넌스 논의
• 블록체인의 과거 거래 내역과 이벤트 로그
• 여러 보안 감사 보고서와 취약점 공개 자료
• 토크노믹스 및 리스크 분석에 사용되는 대규모 데이터셋

핵심은 단순히 “기억력이 더 좋아진다”는 데 있지 않다. 대규모 컨텍스트 창이 진정한 가치를 가지려면 모델이 필요한 정보를 정확히 찾아내고, 서로 멀리 떨어진 세부 사항 간의 관계를 유지하며, 전체 데이터셋을 대상으로 추론하면서도 정확도가 크게 떨어지지 않아야 한다.

엠페로의 장문 컨텍스트 테스트

엠페로는 Manta를 테스트하기 위해 S&P 500 기업의 연간 및 분기 보고서 1,269건을 하나의 입력에 담은 것으로 알려졌다. 자료의 규모는 약 8,800만 토큰에 달했다.

그런 다음 연구팀은 문서 곳곳에 20개의 숨겨진 신호를 삽입하고 모델에 이를 찾아내도록 요청했다. 첫 번째 테스트에서 Manta는 20개 중 18개의 신호를 찾아냈다.

두 번째 실험에서는 약 1,000만 토큰 규모의 데이터셋 안에 서로 매우 유사한 신호 50개를 배치했다. Manta는 이 가운데 43개를 찾아낸 것으로 전해졌다.

이 결과는 Manta가 매우 방대한 문서 모음에서 정보를 검색할 수 있음을 시사한다. 그러나 이것만으로 모델이 1억 토큰 전체에 걸쳐 복잡한 추론을 일관되게 수행할 수 있다고 입증된 것은 아니다. 의도적으로 심어둔 신호를 찾아내는 것과 수년에 걸친 프로토콜의 역사를 이해하는 것, 미묘한 스마트 컨트랙트 취약점을 식별하는 것, 온체인 거래가 정상적인 활동을 반영하는지 판단하는 것은 서로 다른 문제다.

블록체인 분야에서는 이러한 차이가 특히 중요하다. 암호화폐 데이터는 대체로 노이즈가 많고, 반복적이며, 적대적인 입력에 노출되어 있다. 모델이 거버넌스 제안서의 특정 문구를 찾아냈더라도 그 경제적 의미를 잘못 이해할 수 있다. 특정 거래 패턴을 발견하고도 해당 주소가 마켓 메이커인지, 브리지 컨트랙트인지, 제재 대상 기관과 연관된 주소인지 구분하지 못할 수 있다.

장문 컨텍스트 AI가 암호화폐 연구에 중요한 이유

블록체인 정보는 유난히 여러 곳에 분산되어 있다. 하나의 프로토콜만 해도 문서는 한 곳에, 코드는 공개 저장소에, 거버넌스 활동은 여러 포럼에, 감사 보고서는 여러 보안 업체에, 거래 데이터는 서로 다른 네트워크에 흩어져 있을 수 있다.

연구자들은 이러한 자료를 수작업으로 연결해야 하는 경우가 많다. 장문 컨텍스트 모델은 보다 종합적인 분석 그림을 만드는 데 도움을 줄 수 있다.

1. 더 정교한 프로토콜 실사

탈중앙화 금융 프로토콜과 상호작용하기 전에 사용자는 다음과 같은 자료를 검토해야 할 수 있다.

• 핵심 컨트랙트
• 업그레이드 권한
• 오라클 의존성
• 보안 감사 결과
• 과거 사고 이력
• 토큰 분배 구조
• 거버넌스 집중도
• 유동성 및 브리지 익스포저

매우 큰 컨텍스트를 가진 모델이라면 각각의 문서를 별개의 작업으로 처리하는 대신, 이러한 자료를 하나의 워크플로 안에서 함께 비교할 수 있다.

이를 통해 불일치를 더 쉽게 찾아낼 수 있다. 예를 들어 프로젝트 문서에는 무허가형 시스템이라고 설명되어 있지만, 실제 컨트랙트 코드에는 관리자가 통제하는 업그레이드 기능이 남아 있을 수 있다. 장문 컨텍스트 분석은 이러한 불일치를 표시하고, 관련 코드나 거버넌스 기록을 직접 확인하도록 안내할 수 있다.

AI가 독립적인 검증을 대체해서는 안 된다. 다만 복잡한 프로토콜 리스크를 정리하는 첫 번째 단계로는 유용한 도구가 될 수 있다.

2. 더 완전한 스마트 컨트랙트 감사

스마트 컨트랙트 보안은 단일 함수가 아니라 여러 파일 간의 상호작용에 좌우되는 경우가 많다. 한 컨트랙트의 외부 호출, 다른 컨트랙트의 접근 제어 가정, 거래 행태를 함께 살펴봐야만 드러나는 경제적 공격 경로가 하나의 취약점을 구성할 수 있다.

더 큰 컨텍스트 창은 AI 시스템이 다음과 같은 자료를 검토하는 데 도움을 줄 수 있다.

• 전체 컨트랙트 저장소
• 배포 설정
• 과거 패치 내역
• 보안 감사 보고서
• 버그바운티 제보
• 알려진 익스플로잇 데이터베이스
• 관련 거버넌스 제안

가장 큰 이점은 연속성이다. 저장소 전체를 짧은 요약으로 계속 압축하는 대신, 에이전트가 원래의 구현 내용과 개발 이력에 지속적으로 접근할 수 있기 때문이다.

그렇다고 컨텍스트 용량이 곧 보안 전문성을 의미하는 것은 아니다. 관련 코드가 모두 제공되더라도 모델은 취약점을 놓칠 수 있다. 실제 서비스에 적용되는 감사에는 앞으로도 결정론적 테스트, 필요에 따른 형식 검증, 숙련된 인간 검토자가 함께 참여해야 한다.

3. DAO 거버넌스 분석 개선

탈중앙화 자율조직(DAO)은 포럼 논의, 온도 체크, 공식 투표, 대의원 의견, 온체인 실행이 혼합된 방식으로 의사결정을 내리는 경우가 많다.

중요한 맥락은 수개월에 걸친 논의 곳곳에 흩어져 있을 수 있다. 겉보기에는 단순한 제안이라도 과거의 약속이나 의존성, 수정안 때문에 프로토콜의 리스크 구조를 바꿀 수 있다.

장문 컨텍스트 AI 시스템은 사용자들이 다음과 같은 질문에 답하는 데 도움을 줄 수 있다.

• 현재 제안은 어떤 가정에서 출발했는가?
• 어떤 대의원이 찬성하거나 반대했는가?
• 최종 투표안은 최초 초안과 달라졌는가?
• 실행 이후 어떤 운영상의 변화가 일어나는가?
• 유사한 제안이 과거에 실패했거나 예상치 못한 결과를 초래한 적이 있는가?

이를 통해 모든 논의 스레드와 거래 기록을 현실적으로 확인하기 어려운 토큰 보유자들의 투명성이 높아질 수 있다.

다만 거버넌스 분석에는 단순한 검색 이상의 능력이 필요하다. 모델은 기술적 주장, 정치적 조율, 재정적 인센티브, 투기적 주장을 구분해야 한다. 또한 다수의 승인이 곧 제안의 안전성을 의미하는 것은 아니라는 점도 놓치지 않아야 한다.

AI 에이전트와 장기 코딩 컨텍스트

엠페로는 약 3만 1,450개의 메시지와 약 740만 토큰으로 구성된 실제 AI 프로그래밍 세션을 활용해 Manta를 테스트한 것으로도 알려졌다.

기존 코딩 에이전트는 대화가 사용 가능한 용량을 초과하자 과거 컨텍스트를 13차례 압축했다. 반면 Manta는 전체 기록을 한 번에 처리하고, 세션 내 서로 다른 다섯 지점에서 다음 행동을 예측하려고 시도할 수 있었다.

이는 장기간 디버깅과 방대한 아키텍처 논의가 자주 발생하는 블록체인 개발에 중요한 의미를 갖는다. 개발자는 AI 에이전트에게 다음과 같은 작업을 맡길 수 있다.

• Solidity 또는 Rust 컨트랙트
• 테스트 스위트
• 배포 스크립트
• 프런트엔드 연동
• 보안 감사 피드백
• 사고 대응 기록
• 과거에 실패한 수정 작업

반복적인 요약은 나중에 중요한 세부 정보를 제거할 수 있다. 압축된 기록은 최종 결론은 남기더라도 특정 설계를 왜 배제했는지는 생략할 수 있다. 보안에 민감한 코드에서는 이러한 추론 과정의 누락으로 인해 에이전트가 과거에 제거했던 취약점을 다시 도입할 수도 있다.

매우 큰 컨텍스트 창은 장기 프로젝트에서 AI 코딩 에이전트의 일관성을 높일 수 있다. 또한 컨트랙트 동작, 배포 가정, 해결되지 않은 리스크를 별도의 요약으로 관리해야 할 필요도 줄여줄 수 있다.

하지만 이러한 능력에는 자체적인 과제도 따른다. 컨텍스트가 커질수록 어떤 정보에 우선순위를 부여해야 하는지 판단하기가 더 어려워질 수 있다. 데이터가 많다고 해서 의사결정이 자동으로 더 나아지는 것은 아니다.

Manta가 아직 일반적인 돌파구를 입증한 것은 아니다

1억 토큰 모델이라는 발상은 완전히 새로운 것은 아니다. 2024년 매직(Magic)은 LTM-2-mini를 공개하며, 다른 아키텍처를 통해 메모리와 연산 부담을 줄이면서 비슷한 규모의 컨텍스트를 지원할 수 있다고 밝혔다. 이후 매직은 학습 과정에서 모델을 확장하는 데 어려움이 있었다고 인정했으며, 해당 시스템은 아직 독립적인 공개 테스트를 위해 널리 제공되지 않고 있다.

Manta에도 비슷한 의문이 남아 있다.

현재 공개된 정보만으로는 다음과 같은 사항이 충분히 설명되지 않았다.

• 모델의 기반 아키텍처
• 실제 환경에서의 처리 속도
• 추론에 필요한 하드웨어
• 장문 컨텍스트 요청당 비용
• 컨텍스트가 최대치에 가까워졌을 때도 정확도가 안정적으로 유지되는지 여부
• 코드, 구조화된 데이터, 적대적 입력을 얼마나 잘 처리하는지
• 더 크고 성능이 높은 모델로 확장할 수 있는지 여부

현재 Manta는 제한된 수의 초기 테스터에게만 제공되는 것으로 알려졌다. 참가자들은 허가 없이 프롬프트, 출력 결과, 테스트 데이터를 공개적으로 공유하는 것도 제한받는다. 따라서 독립적인 평가는 여전히 제한적이다.

암호화폐 사용자 입장에서는 이러한 불투명성이 기대치를 신중하게 설정해야 할 이유가 된다. 어떤 모델이 검색 벤치마크에서 인상적인 성능을 보여주더라도 자율 거래, 컨트랙트 배포, 수탁 관련 의사결정에는 적합하지 않을 수 있다.

디지털 자산 보안에 미치는 영향

장문 컨텍스트 AI는 암호화폐 보안을 개선할 수 있지만, 동시에 새로운 위험을 만들어낼 수도 있다.

대량의 지갑 활동 내역, 비공개 사업 문서, 개발자 대화, 운영 로그에 접근할 수 있는 모델은 가치 높은 공격 표적이 될 수 있다. 민감한 정보를 외부 AI 서비스에 전송할 경우, 사용자는 해당 데이터가 어떻게 저장되고 처리되며 보호되는지 반드시 이해해야 한다.

특히 다음과 같은 정보가 중요하다.

• 시드 문구와 프라이빗 키
• 지갑 복구 정보
• 공개되지 않은 컨트랙트 코드
• 재무 운영 전략
• 토큰 할당 기록
• 거래소 API 인증 정보
• 기밀 사고 보고서

어떤 AI 모델에도 지갑의 시드 문구나 프라이빗 키를 제공해서는 안 된다. 하드웨어 지갑이 중요한 이유는 거래 서명을 AI 도구가 작동하는 범용 소프트웨어 환경과 분리할 수 있기 때문이다.

디지털 자산을 관리하는 사용자는 OneKey와 같은 기기를 통해 격리된 서명 환경을 구축하고, AI 도구는 연구, 문서 분석, 개발 지원에 활용할 수 있다. 모델이 거래 내용을 설명하거나 프로토콜 정보를 비교하는 데 도움을 줄 수는 있지만, 최종 승인 권한은 사용자가 보유해야 하며 신뢰할 수 있는 기기에서 직접 확인해야 한다.

앞으로 주목할 점

Manta의 발표는 더 큰 흐름을 보여준다. AI 업계의 경쟁은 이제 파라미터 수를 늘리는 것뿐 아니라 컨텍스트의 범위를 확장하는 방향으로도 본격화되고 있다.

블록체인 분야에서 가장 가치 있는 활용 사례는 정보의 규모가 크면서도 서로 긴밀하게 연결된 영역에서 등장할 가능성이 높다.

• 온체인 인텔리전스
• 스마트 컨트랙트 보안
• DAO 거버넌스 분석
• 크로스체인 리스크 모니터링
• 암호화폐 컴플라이언스 연구
• 장기간 작동하는 AI 개발자 에이전트
• 프로토콜 및 토큰 실사

다음 단계는 독립적인 테스트에 달려 있다. 연구자들은 모델이 얼마나 많은 데이터를 입력할 수 있는지만 평가해서는 안 된다. 해당 데이터를 바탕으로 정확하게 추론할 수 있는지, 오해를 유도하는 입력에 견딜 수 있는지, 민감한 정보를 보호할 수 있는지, 실제 사용자가 감당할 수 있는 비용으로 운영되는지도 검증해야 한다.

1억 토큰의 컨텍스트 창은 인상적인 기술적 주장이다. 이러한 기능은 궁극적으로 AI 시스템이 블록체인 생태계를 훨씬 더 높은 연속성과 깊이로 이해하는 데 도움을 줄 수 있다. 하지만 Manta의 아키텍처와 성능, 경제성이 더 투명하게 공개되기 전까지는 이를 검증된 자율 금융 의사결정의 기반이 아니라 흥미로운 연구 성과로 보는 것이 타당하다.

암호화폐 사용자에게 실질적인 교훈은 간단하다. AI를 활용해 연구 역량을 확장하되, 프라이빗 키와 거래 승인, 최종적인 책임은 모델의 바깥에 두어야 한다.