퍼셉트론, 80만 노드 AI 데이터망에 Sui Walrus 도입

분산 지능 인프라 기업인 퍼셉트론 네트워크(Perceptron Network)는 80만 개 이상의 참여 노드로 구성된 네트워크에서 생성되는 데이터의 주요 저장 계층으로 Walrus를 채택했습니다. Walrus는

@SuiNetwork를 기반으로 구축된 탈중앙화 스토리지 프로토콜 이며, 이번 조치를 통해 퍼셉트론의 차세대 데이터 퀘스팅 플랫폼(Data Questing Platform)과도 연동됩니다.

퍼셉트론과 월러스가 발표한 내용

이 발표는 2026년 10월 22일에 나왔습니다 . CCN이 발표한 보도 자료 에 따르면 , 퍼셉트론은 Walrus를 주요 스토리지 계층으로 채택함으로써 기존 클라우드 제공업체와 관련된 송출 수수료 및 불투명한 가격 책정 문제를 해결할 수 있다고 밝혔습니다. 또한, 실시간 시장 신호부터 주석이 달린 학습 데이터에 이르기까지 네트워크에서 생성되는 모든 데이터 세트에는 검증 가능한 식별자가 포함될 것이라고 덧붙였습니다.퍼셉트론의 공동 창립자이자 CEO인 피터 앤서니는 보도자료에서 분산형 데이터 수집과 중앙 집중식 저장 간의 구조적 불일치가 오랫동안 업계의 병목 현상이었다고 밝혔습니다.

크립토노미스트(Cryptonomist) 에 인용된 별도의 성명에서 그는 이제 데이터에 서명이 되어 고객이 직접 데이터 보관 이력을 확인할 수 있다고 말했습니다.

또한, 해당 아키텍처는 분산형 스토리지 노드 네트워크에 데이터를 인코딩하여 데이터 가용성을 유지하므로 네트워크의 일부가 오프라인 상태가 되더라도 데이터에 계속 접근할 수 있다고 밝혔습니다. 퍼셉트론은 이러한 구성을 통해 네트워크의 분산성을 유지하면서 고가치 실시간 데이터 제품에 대한 접근 권한을 확장할 수 있다고 설명했습니다.

데이터 탐색 플랫폼에서 Walrus의 역할

저장 기능을 넘어, 이번 통합은 기여자가 데이터에 주석을 달고 구조화할 수 있도록 설계된 Perceptron의 차세대 데이터 탐색 플랫폼의 기반이 됩니다.

KuCoin News의 발표 요약 에 따르면, Perceptron 사용자는 곧 이미지에 주석을 달고, 복잡한 데이터 세트에 레이블을 지정하고, 구조화된 입력을 네트워크에 직접 제출할 수 있으며, 각 기여는 Walrus에 기록됩니다 .일부 보도에서는 이번 소식을 전체 노드 마이그레이션으로 해석했습니다. 하지만

토큰포스트(TokenPost) 는 해당 계획이 네트워크 노드 마이그레이션이 아닌 데이터셋 저장소와 관련된 것이며, 네트워크에는 총 80만 7천 개 이상의 노드가 있다고 보도했습니다. 또한 월러스(Walrus)는 저장된 데이터에 내용에서 파생된 식별자를 부여하고 이를 Sui에 기록하여 저장 후 데이터 변경 여부를 확인할 수 있다고 지적했습니다. 토큰포스트는 이러한 검사를 통해 데이터셋이 기록된 버전과 일치하는지 확인할 수는 있지만, 업로드 전 정보의 정확성이나 수집 방법의 적절성을 보장하는 것은 아니라고 강조했습니다.Walrus는 Mysten Labs에서 개발했습니다.

Sui 문서에 따르면 Walrus는 대용량 바이너리 파일을 위한 분산형 저장 및 데이터 가용성 프로토콜이며, Sui를 조정, 결제 및 거버넌스에 사용합니다.

이번 발표는 Sui 생태계 내 AI 관련 데이터 인프라에서 Walrus의 활용도를 더욱 확대하는 계기가 될 것입니다. 검토된 자료에서는 이번 계약의 재정적 조건은 공개되지 않았습니다.

AI 데이터 네트워크가 저장 인프라를 바꾸는 이유

퍼셉트론 네트워크의 Walrus 도입 계획에서 주목할 부분은 단순한 저장 공간 확대가 아니다. AI 데이터 네트워크가 수집한 정보를 어떤 방식으로 보관하고, 필요한 시점에 다시 불러오며, 데이터의 무결성을 어떻게 검증할 것인지가 핵심이다.

분산형 AI 인프라는 여러 참여자가 데이터 생성과 처리에 관여한다. 이 과정에서 저장 시스템이 특정 운영 주체에 지나치게 의존하면 네트워크가 확장되더라도 데이터 접근과 관리 권한은 중앙에 집중될 수 있다.

반대로 분산형 저장 기술을 활용하면 데이터 보관과 접근 구조를 여러 참여자에게 분산할 수 있다. 다만 저장소를 분산한다고 해서 데이터 수집부터 학습, 검증까지 모든 과정이 자동으로 탈중앙화되는 것은 아니다.

퍼셉트론의 이번 계획 역시 실제로 어떤 데이터를 Walrus에 저장하고, 기존 시스템과 어떻게 연결하는지에 따라 기술적 의미가 달라진다.

80만 개 노드보다 중요한 것은 실제 데이터 활용률

이번 발표에서 제시된 80만 개 이상의 노드 규모는 네트워크의 확장성을 보여주는 지표로 활용될 수 있다. 그러나 노드 수만으로 AI 데이터 인프라의 성능이나 사업성을 판단하기는 어렵다.

우선 등록된 노드와 실제로 가동 중인 노드는 구분해야 한다. 네트워크에 참여한 장치가 많더라도 데이터 제공 빈도가 낮거나 특정 지역과 환경에 집중돼 있다면 수집 정보의 다양성은 제한될 수 있다.

또한 AI 개발에 활용되는 데이터는 단순히 양이 많다고 가치가 높아지는 것이 아니다. 데이터의 최신성, 중복 여부, 품질, 활용 권한이 함께 확보돼야 한다.

예를 들어 동일한 정보가 여러 노드에서 반복적으로 수집된다면 저장해야 할 데이터 규모는 증가하지만 실제 학습에 기여하는 정보량은 그만큼 늘어나지 않을 수 있다.

따라서 향후 확인해야 할 지표는 전체 노드 수보다 실제 활성 노드 비율, 유효 데이터 생산량, 저장 비용, 데이터 검색 속도 등이다. 이러한 운영 지표가 공개돼야 네트워크 규모가 실질적인 경쟁력으로 이어지는지 판단할 수 있다.

Walrus 도입이 해결할 수 있는 문제와 남는 한계

Walrus는 대규모 데이터를 분산 환경에서 저장하고 이용할 수 있도록 설계된 기술이다. 블록체인 네트워크가 모든 원본 데이터를 직접 저장하는 방식과 달리, 데이터 저장과 소유권·접근 관련 기록을 분리하는 구조를 활용할 수 있다는 점이 특징이다.

이러한 접근은 AI 데이터처럼 용량이 크고 지속적으로 생성되는 정보를 처리할 때 의미가 있다. 모든 데이터를 블록체인에 직접 기록하면 비용과 처리 효율 측면에서 부담이 커질 수 있기 때문이다.

그러나 분산 저장 기술을 적용하더라도 해결해야 할 문제는 남는다.

첫째는 데이터의 신뢰성이다. 저장된 정보가 변경되지 않았다는 사실을 검증하는 것과 해당 정보가 처음부터 정확하게 생성됐다는 사실을 입증하는 것은 서로 다른 문제다.

둘째는 데이터 접근 권한이다. AI 학습용 데이터에는 저작권이나 개인정보, 기업의 비공개 정보가 포함될 가능성이 있다. 분산형 저장소에 기록됐다는 이유만으로 누구나 해당 데이터를 사용할 수 있는 것은 아니다.

셋째는 운영 비용과 복구 성능이다. 데이터가 여러 저장 참여자에게 분산될 경우 장애 상황에서 필요한 정보를 얼마나 빠르게 복원할 수 있는지, 장기 보관 비용은 얼마나 발생하는지 확인해야 한다.

결국 Walrus 도입의 성과는 저장 기술의 채택 자체보다 실제 서비스 환경에서 이러한 문제를 얼마나 안정적으로 해결하느냐에 달려 있다.

Sui 생태계 확장과 WLRS 토큰 가치의 관계

이번 협력은 Sui 생태계가 금융 거래를 넘어 AI 데이터 인프라 영역으로 활용 범위를 넓힐 수 있다는 점에서도 관심을 끈다.

다만 기술 채택과 토큰 가격 상승을 직접 연결하는 해석은 경계할 필요가 있다. 기업이나 프로젝트가 특정 네트워크의 저장 기술을 활용하더라도 해당 서비스의 사용량이 어느 정도 발생할지, 그 활동이 관련 토큰 수요로 어떻게 이어질지는 별도로 분석해야 한다.

특히 저장 용량 계약, 사용료 지불 방식, 데이터 보관 기간, 네트워크 참여자 보상 구조에 따라 경제적 효과는 달라질 수 있다.

또한 저장 서비스가 실제 운영에 적용되더라도 초기에는 시험 운영이나 제한된 데이터 이전부터 진행될 가능성이 있다. 따라서 발표 직후 예상되는 수요와 상용화 이후 발생하는 수요를 동일하게 취급해서는 안 된다.

투자 관점에서 확인할 것은 발표 규모보다 실제 저장량, 지속적인 사용료 발생 여부, 장기 고객 확보와 같은 지표다.

상용화 단계에서 확인해야 할 핵심 과제

퍼셉트론과 Walrus의 협력이 실질적인 성과로 이어지려면 몇 가지 기술적 검증이 필요하다.

가장 먼저 확인할 부분은 데이터 이전 범위다. 기존에 보관하던 데이터를 모두 이전하는 것인지, 신규로 생성되는 데이터부터 저장하는 것인지에 따라 도입 규모와 비용이 달라진다.

다음은 서비스 안정성이다. AI 데이터 네트워크에서는 데이터가 필요한 시점에 정상적으로 제공되는 것이 중요하다. 저장된 정보를 복구하는 데 오랜 시간이 걸리거나 접근 장애가 반복된다면 분산형 구조의 장점이 약화될 수 있다.

마지막으로 데이터의 상업적 활용 가능성도 검증해야 한다. 데이터 수집과 저장 기술이 완성되더라도 실제 AI 개발사나 기업 고객이 해당 데이터를 구매하거나 활용하지 않는다면 지속 가능한 수익 모델을 구축하기 어렵다.

이번 계획은 AI 데이터 네트워크와 분산형 저장 인프라가 연결되는 사례라는 점에서 의미가 있다. 그러나 장기적인 경쟁력은 발표된 노드 규모가 아니라 실제 데이터 활용과 운영 성과를 통해 입증돼야 한다.