집단 지능: AI의 다음 경계
107,175개의 AI 모델이 하나의 집단 지능 모델 안에서 조율합니다.
개별 AI에서 집단 지능으로
AI는 지난 시기 동안 개별 모델을 더 뛰어나게 만드는 데 몰두해 왔습니다. 다음 경계는 집단입니다.
서로 다른 모델은 각기 다른 관점을 기여합니다. 이는 그저 슬로건이 아닙니다. 콩도르세 배심원 정리와 홍과 페이지의 다양성 예측 정리는 구조화된 다양성이 단독 전문성을 능가할 수 있음을 보여줍니다. 구조화된 집단 전략은 이 연구를 실제로 작동시킵니다. 모델은 독립적으로 추론하고, 서로를 교차 검증하며, 감사 가능한 하나의 답으로 수렴합니다.
목표는 더 많은 모델이 아닙니다. 서로 다른 지능이 함께 더 잘 일하는 것입니다.
그것이 집단 지능입니다. Ailin¹은 이미 그것을 운영하고 있습니다.
Ailin¹ Collective: 그 주장 뒤의 메커니즘
Ailin¹은 집단 지능을 위해 만들어졌습니다. 라우팅, 디스커버리, 오케스트레이션, 검증은 모두 그것을 뒷받침하는 메커니즘입니다. 107,175의 발견 가능한 모델 식별자를 바탕으로, 각 요청은 등록된 32가지 오케스트레이션 전략 중 하나로 라우팅됩니다. 속도가 중요할 때는 단일 모델이, 정확성이 중요할 때는 여러 모델이 조율되어 추론하고 토론하며 서로를 교차 검증합니다.
집단의 응답에는 의사결정 내역이 포함됩니다. 조정 경로는 늘 검사 가능합니다.
- 어떤 모델이 실행되었는지
- 어떤 전략이 조정했는지
- 집단 비용이 얼마였는지
최첨단 모델과의 공개 비교
우리는 집단을 GPT-5.5-pro, Claude Opus 4.8, Gemini 3.1 Pro, Grok 4.3과 비교했습니다. 취향이 아닌, 객관적이고 기계가 검사하는 정답으로 평가했습니다. 감사 가능하고 재현 가능한 실험에서, 집단은 네 모델 모두를 앞질렀습니다. 저장소를 확인하세요.
Ailin¹은 2026년 9월 15일 출시됩니다.
정식 출시 전에 먼저 합류해 첫 번째 릴리스를 함께 만들어 가세요.
Ailin¹ 콜렉티브
모든 요청은 단일 모델이 호출되기 전에 동일한 라우팅 캐스케이드를 통과합니다. 이 캐스케이드는 집단 의사결정에 관한 동료 심사를 거친 연구, 그중에서도 콩도르세 배심원 정리와 홍과 페이지의 다양성 예측 정리에 근거한 집단 전략을 불러올 수 있습니다. 원하는 것을 정확히 말하면 즉시 존중되고, 아무 말도 하지 않으면 캐스케이드가 결정합니다.
최첨단은 블랙박스가 아닙니다. 당신이 조작하는 두 개의 레버입니다.
5개의 별칭이 즉각적인 단일 모델부터 5개 모델의 합의까지 전 범위를 아우릅니다. 두 개의 독립된 필드가 경계를 정합니다. max_cost는 상한선이고, quality_target은 하한선입니다. 하나만 설정하거나, 다른 하나만 설정하거나, 둘 다 설정할 수 있습니다. Ailin¹ Collective는 여러분이 정한 경계를 절대 넘지 않습니다.
대부분의 플랫폼은 모델 목록을 건네주고 그것을 선택권이라 부릅니다. Ailin¹은 슬라이더 하나가 아니라 서로 독립된 두 개의 레버를 건넵니다. 답변이 얼마나 좋아야 하는지, 그리고 그 답을 얻기 위해 얼마를 지불할 의향이 있는지입니다.
-
지출을 제한하고 품질은 스스로 수준을 찾도록 둡니다.
-
하한선을 보장하고 비용은 수요를 따르도록 둡니다.
-
두 값 사이의 정확한 범위를 고정합니다.
| 별칭 | 최적화 대상 | 일반 비용 | 사용 시점 |
|---|---|---|---|
| ailin-auto | 요청마다 결정되는 균형 잡힌 선택 | 보통 | 기본값. 비용과 품질의 균형 외에 별도의 제약이 없을 때. |
| ailin-best | 품질 우선, 비용 제한 없음 | 가장 높음 | 정확성이 결정적이고 비용이 제약 조건이 아닌 작업. |
| ailin-fast | 지연 시간, 단일 모델 | 낮음 | 엄격한 지연 시간 예산이 적용되는 대화형 경로. |
| ailin-economy | 비용, 엄격한 상한선 적용 | 가장 낮음 | 대량으로 처리하는 백그라운드 작업 |
| ailin-consensus | 독립적 교차 검증을 통한 정확성 | 의도적으로 높음 | 조용한 오답이 비용을 들여 제거해야 할 실패 유형인 경우. |
모든 응답은 ailin_metadata에 의사결정 내역을 반환합니다. strategy_used, models_used, cost_usd가 포함되므로, 라우팅 결정은 신뢰의 대상이 아니라 검증의 대상이 됩니다.
요청: 기존 OpenAI 클라이언트에서 한 줄만 변경
from openai import OpenAI
client = OpenAI(
base_url="https://api.ailin.one/v1",
api_key="YOUR_KEY",
)
response = client.chat.completions.create(
model="ailin-consensus",
messages=[{"role": "user", "content": "..."}],
extra_body={"max_cost": 0.15}
)응답
{
"ailin_metadata": {
"strategy_used": "ailin-consensus",
"models_used": [
"gpt-5.5-pro",
"claude-opus-4.8",
"gemini-3.1-pro"
],
"final_decider_model_id": "claude-opus-4.8",
"final_decider_role": "synthesizer",
"cost_usd": 0.0842,
"subcalls": [
{ "model_id": "gpt-5.5-pro", "role": "voter", "cost_usd": 0.0301, "latency_ms": 1840, "success": true },
{ "model_id": "claude-opus-4.8", "role": "synthesizer", "cost_usd": 0.0288, "latency_ms": 2010, "success": true },
{ "model_id": "gemini-3.1-pro", "role": "voter", "cost_usd": 0.0253, "latency_ms": 1650, "success": true }
]
}
}Ailin¹ Collective가 결정하는 방식: 라우팅 캐스케이드
가장 빠른 계층부터 평가하는 계층형 캐스케이드입니다. 각 요청은 안전하게 처리할 수 있는 가장 이른 시점에 결정되므로, 간단한 요청은 빠르게 마무리되고 어려운 요청은 더 깊은 계층을 활용합니다.
캐스케이드 이전: 시맨틱 캐시 최근 요청과 거의 동일한 요청은 캐시된 응답을 즉시 반환합니다. 트리아지와 아래 6개 계층 전체가 단순히 지름길을 타는 것이 아니라, 완전히 건너뛰어집니다.
-
명시적 라우팅
별칭이든 모델이든 전략이든 여러분이 직접 지정했다면, 이 계층이 요청을 즉시 결정합니다. 이 계층은 언제나 아래의 모든 계층보다 우선하며, 지정한 것을 실제로 충족할 수 없다면 요청은 다른 것으로 조용히 넘어가는 대신 곧바로 실패합니다.
-
트리아지
전용 모델이 작업의 의도와 복잡도를 읽어, 집단의 어떤 모델이 실행되기도 전에 전략을 추천합니다. 이는 조회 테이블이 아니라 실제 분석이므로, 그 자체로 작지만 실질적인 호출 비용이 발생합니다.
-
구성 아카이브
결과 5건이 기록되면 활성화특정 작업 영역에 대해 결과가 최소 5건 기록되면, Ailin¹ Collective는 이미 검증된 것을 다시 도출하는 대신 재사용합니다.
-
비용 / 품질 / 지연 시간 프론티어
결과 3건이 기록되면 활성화정확히 일치하는 검증된 사례가 아직 없어도, 충분한 이력이 쌓이면 품질·비용·속도·성공률이라는 다중 목표 사이의 절충점을 직접 최적화합니다.
-
학습된 전략 선호도
결과 5건이 기록되면 활성화톰슨 샘플링 밴딧이 시간이 지나며 실제로 측정된 결과에 따라 전략에 가중치를 부여하고, 캐스케이드 자체의 기본값을 다듬습니다. 이 밴딧은 스스로를 감사하기도 합니다. 전체 측정 보상률이 지금까지 기록된 최고 스냅샷의 95% 아래로 떨어지면, 밴딧은 학습된 상태 전체를 그 최고 스냅샷으로 자동으로 되돌립니다.
-
폴백 휴리스틱
위 계층 중 어느 것도 요청을 해결하지 못하면, 점수 기반의 결정론적 휴리스틱이 작업 유형, 복잡도, 사용 가능한 모델 풀을 근거로 전략을 선택합니다. 전략 결정 과정은 언제나 하나의 결정으로 종료되며, 선택된 전략은
strategy_used에 기록됩니다.
캐스케이드 이후: 비용 거버넌스 게이트 1계층부터 6계층까지 무엇을 선택했든, 명시적으로 라우팅하지 않은 이상 마지막 점검이 하나 더 남아 있습니다. 예상되는 이득이 기준을 넘지 못하면, 비용이 큰 집단 선택을 단일 모델로 다시 낮출 수 있습니다. 이 점검 역시 명시적 요청만이 건너뜁니다.
3계층부터 5계층까지는 특정 작업 영역에 대한 사용 이력이 쌓이는 대로 각각 독립적으로 활성화됩니다. 비용/품질/지연 시간 프론티어는 결과 3건부터, 구성 아카이브와 학습된 전략 선호도 밴딧은 결과 5건부터입니다. 그전까지는 1계층과 2계층이 먼저 해결하지 못할 때마다 6계층의 결정론적이고 감사 가능한 휴리스틱이 판단을 내립니다.
연구에 근거한 32가지 전략
모델이 함께 생각하는 방법은 수십 가지이며, 하나하나 모두 감사 가능합니다. 문제에 따라 집단적 추론의 적합한 형태는 다릅니다.
이 가운데 임의로 만들어진 것은 하나도 없습니다. 카탈로그의 모든 전략은 조율 또는 집단 의사결정 연구의 구체적이고 명명된 결과에 대응하며, 과학처럼 포장한 내부 추측이 아닙니다.
-
consensus
콩도르세 배심원 정리(1785): 3~5개 모델의 다수결 투표에 다양성 하한선을 적용해, 복제된 추론에서 합의가 나오지 않도록 합니다.
-
diversity-ensemble
홍과 페이지의 다양성 예측 정리(PNAS, 2004): 설계 단계에서부터 여러 축에 걸친 다양성을 극대화하는 팀을 구성합니다.
-
debate
모더레이터가 진행하는 구조화된 라운드에서 모델들이 서로 논쟁합니다.
-
swarm-explore
병렬 탐색. 개방형 설계 및 아키텍처 작업에 대해 분류 단계에서 자동으로 선택됩니다.
-
stigmergic-refinement
투표가 아니라 공유 산출물을 통해 수렴합니다. 복잡도가 높은 글쓰기 작업에 대해 분류 단계에서 자동으로 선택됩니다.
-
expert-panel
답변이 나가기 전에 여러 역할이 독립적으로 검토합니다. 검증 비중이 큰 요청에서는 직접 지정할 수 있습니다.
-
tri-role-collective
Planner, Solver, Auditor. 이는 학습된 조정자가 아니라 결정론적 상태 기계로, Auditor가 방금 Solver로서 답을 만들어낸 것과 동일한 모델이나 추론 패스가 되지 못하도록 구조적으로 차단합니다.
- +25가지 전략 더
모델을 고르는 건 당신이 아닙니다. Ailin¹ 콜렉티브입니다.
단순한 과제에는 단순함을, 그렇지 않을 때는 깊이를. 당신이 경계를 정하고, Ailin¹ 콜렉티브가 그 안에서 결정하며, 하나의 필드가 항상 그것을 덮어씁니다.
어떤 요청에 모델 하나가 필요한지 다섯 개가 필요한지 여러분이 판단할 필요는 없습니다. 모든 요청은 단 하나의 모델이 호출되기 전에 ailin-auto 뒤에서 작동하는 것과 동일한 라우팅 캐스케이드, 즉 Ailin¹ Collective를 거칩니다. 원하는 바를 정확히 아시나요? 그렇다면 지정하세요. ailin-fast 같은 별칭이든, 특정 모델이든, strategy: "single"이든, 지정하는 즉시 Ailin¹ Collective가 협상도 추가 지연도 없이 그대로 따릅니다. 아무것도 지정하지 않으면 캐스케이드가 작업 자체를 읽고 그에 맞는 형태를 고릅니다. Ailin¹에서 단일 모델을 실행하는 것은 대체 수단이나 하향 조정이 아닙니다. Ailin¹ Collective가 의도적으로, 그리고 끊임없이 선택하는 일급 경로입니다.
단일 모델
처음부터 끝까지 일관된 하나의 목소리. 더 낮은 비용, 더 낮은 지연으로, 대안만큼이나 쉽게 쓸 수 있습니다.
ailin-fast
다중 모델 집단
병렬로 동작하는 독립적인 제안자들이 당신이 보기 전에 교차 검증되고 조정됩니다. 불일치는 당신에게 닿기 전에 잡히고, 그 후에 밝혀지지 않습니다.
ailin-consensus
창작과 리팩터링은 어떨까요?
객관적으로 검증 가능한 과제, 즉 취향이 아니라 기계로 검증되는 과제에서는 집단이 이깁니다. 개방형 창작 작업에서는 잘 선택된 단일 모델이 그만큼 확실하게 이깁니다. 바로 이것이 트리아지가 존재하는 이유입니다. 캐스케이드는 작업 유형 전체를 뭉뚱그려 평균 내지 않고, 유형별로 구분해서 판단합니다. 창작 작업은 기본적으로 단일 모델로, 검증 가능한 작업은 집단으로 처리됩니다.
언제 무엇을 써야 하는지 외워가며 단순함과 철저함 사이에서 고를 필요는 없습니다. 아는 것만 말하면 Ailin¹ Collective가 나머지를 채우고, 재정의는 언제나 필드 하나 거리에 있습니다.
수천 개의 모델. 적합한 것만 활성화됩니다.
우위는 집단에 있다
더 많은 모델에 접근하는 것 자체가 돌파구는 아닙니다. 중요한 건 서로 다른 지능이 함께 일할 때 무슨 일이 일어나는가입니다. Ailin¹은 지속적으로 발견되는 107,175의 모델 식별자 생태계를 집단으로 묶고, 각 전략이 필요로 하는 부분집합만을 활성화합니다.
-
항상 최신
새로 공개된 모델은 해당 모델이 등장한 디스커버리 주기에 바로 인덱싱되며, 별도의 릴리스 일정을 기다리지 않습니다.
-
전 스펙트럼
텍스트, 비전, 오디오, 임베딩이 같은 카탈로그, 같은 엔드포인트 뒤에 있습니다.
지능은 집단이 될 때 더 강력해진다
AI는 개별 모델을 중심으로 만들어져 왔습니다. 다음 경계는 집단입니다. 개별 모델은 비범할 만큼 뛰어날 수 있지만, 저마다 자신의 아키텍처와 학습 이력, 사각지대, 실패 양식을 반영합니다. 집단 지능은 독립적인 모델이 각기 다른 관점을 기여하고, 전제를 비판하며, 전문화하고, 대안을 비교하고, 과제가 허용하는 곳에서 결과를 검증하게 합니다. 이어지는 내용은 희망 목록이 아닙니다. 이미 프로덕션에서 작동 중인 다섯 가지 메커니즘이며, 로드맵이 아닙니다.
중요할 때는 단일 모델에 가까운 비용
기계가 확인할 수 있는 과제에서는 결정론적 검증기가 정답을 즉시 수락하고 나머지 집단 절차를 생략시킵니다. 그래서 이런 과제의 비용은 집단 전체보다 단일 모델의 비용에 훨씬 가까워지며, 바로 이 지점이 집단의 정확도 우위가 가장 강한 곳입니다.
탄력성
한 프로바이더의 장애가 곧 당신의 장애가 될 필요는 없습니다. 집단은 성능이 저하된 모델과 장애를 스스로 우회해 라우팅하며, 모든 응답에는 여전히 의사결정 내역, 즉 어떤 전략이 실행되었는지, 어떤 모델이 참여했는지, 비용이 얼마였는지가 담깁니다.
구조적으로 보장된 다양성
프로바이더, 아키텍처, 학습 목표는 라운드로빈 선택 방식으로 강제로 분산됩니다. 그래서 한 실행 안에서 연속으로 호출되는 모델은 결코 같은 프로바이더를 공유하지 않습니다. 이는 서로 다른 학습 데이터가 우연히 유용하게 엇갈리기를 바라는 것이 아니라, 홍과 페이지의 다양성 예측 정리를 라우팅 계층에 직접 구현한 것입니다. 이는 사각지대를 드러낼 뿐, 그것을 완전히 없앤다고 약속하지는 않습니다.
단일 프로바이더 의존도 감소
집단은 여러 프로바이더에 걸쳐 있으므로, 어느 하나의 로드맵·가격·정책이 당신의 제품을 홀로 정하지 않습니다.
동적 전문화
과제에 맞는 전문가를 매 요청마다 실시간으로 선출합니다. 추론, 코드, 비전, 긴 문맥, 혹은 저지연 어느 쪽이든.
자주 묻는 질문
각 질문에 분야, 파일, 또는 숫자를 근거로 단답합니다.
연동과 기본
chat/completions, responses, embeddings, models)는 그대로 대체할 수 있으며, 의사결정 이력을 담은 ailin_metadata 블록이 추가로 제공됩니다. 기존 클라이언트를 Ailin¹ 엔드포인트로 향하게 하고 인증 헤더만 바꾸면, 동일한 요청 형식이 그대로 작동합니다.Ailin¹ 콜렉티브와 전략
ailin-auto(균형 잡힌 기본값, 캐스케이드에 결정을 맡김), ailin-best(품질 우선, 비용 제한 없음), ailin-fast(지연 시간 우선, 단일 모델), ailin-economy(비용 우선, 엄격한 상한선 적용), ailin-consensus(독립적 교차 검증을 통한 정확성)입니다. ailin-auto로 시작하세요. 라우터가 모르는 무언가를 여러분이 알고 있을 때만 다른 별칭을 고르면 됩니다.<strategy>:<tier> 형식으로, 예를 들어 consensus:large처럼 직접 지정해 정확한 메커니즘과 가격 티어를 고정할 수도 있습니다.ailin-fast, strategy: "single")를 얻을 수 있고, 정말로 그것을 원한다면 똑같이 필드 하나로 독립적인 다중 모델 검증(expert-panel, tri-role-collective)도 얻을 수 있습니다.비용과 책임
max_cost는 어떤 모델이 호출되기도 전에 지출을 엄격하게 제한합니다. 실행될 전략의 예상 비용이 이를 초과하면, 요청은 조용히 초과 지출하는 대신 400 strategy_budget_exceeded로 실패합니다. quality_target은 이와 짝을 이루는 하한선입니다. 모든 응답은 실제 숫자를 ailin_metadata.cost_usd로, 항목별 내역과 함께 돌려줍니다. 다중 모델 전략은 단일 모델보다 상당히 비용이 더 듭니다. 기계가 확인할 수 있는 과제(구조화된 추출, 수학, 테스트가 딸린 코드, 사실 기반 QA)에서는 이 추가 비용이 대부분 사라집니다. 검증된 전략의 결정론적 생략 처리가 작동하면, 최신 프론티어 벤치마크에서 측정된 집단 비용은 약 $2.98/Mtok로, 미검증 집단 경로보다 100x 저렴하며 단일 모델 가격과 같은 자릿수 범위 안에 있습니다.ailin_metadata.final_decider_model_id와 함께, final_decider_role(primary, synthesizer, fallback 또는 cache), 그리고 참여한 모든 모델을 각자의 비용, 지연 시간, 결과와 함께 나열한 subcalls[] 배열이 담깁니다. 프로바이더에 품질 문제를 제기할 때 중요한 것은 "Ailin¹ API"가 아니라 바로 그 식별자입니다. 다중 모델 결정이 왜 그런 결과로 나왔는지 재구성해야 한다면, 저장된 조정 추적을 활성화하세요. GET /v1/collective/runs/:id/trace는 모든 단계의 밀리초 단위 타임라인을 반환합니다. 이는 한 테넌트가 다른 테넌트의 실행이 존재한다는 사실조차 확인할 수 없도록 설계되어 있어서, 다른 사람의 실행 ID를 조회해도 애초에 생성된 적 없는 실행과 동일한 404가 반환됩니다.증거와 신뢰
/source, /license), SLSA/Sigstore 릴리스 출처 증명, SPDX 형식의 SBOM이 모든 릴리스와 함께 제공됩니다. 아직 되어 있지 않은 것은 공식 인증입니다. SOC 2와 ISO 27001은 진행 중이며 아직 인증을 받지는 않았으므로, 조달 과정에서 특정 증명이 필요하다면 우리 것을 포함한 마케팅 문구로 짐작하지 마시고 담당 팀에 문의하세요. 이 모든 것 역시 우리 말만 믿을 필요는 없습니다. 위 수치의 근거가 된 조율 엔진은 github.com/ailinone/collective-intelligence(AGPL-3.0-or-later)에 공개되어 있으며, 벤치마크 스크립트와 원본 데이터가 함께 들어 있습니다.AI 집단의 시대를 함께 만들어요
AI의 다음 경계는 집단이며, 열린 곳에서 만들어져야 합니다. 우리 자체 벤치마크에서, 검증된 합의는 객관적으로 검증 가능한 38개 과제 중 37개를 정답으로 맞혔고, 개별 프론티어 모델들은 68~82%에 머물렀으며, 단 한 번도 틀린 답을 선택하지 않았습니다. 문서는 전체 API 표면을 다룹니다. 저장소에는 조정 엔진 그 자체, 벤치마크 스크립트, 그리고 이 결과 뒤에 있는 원시 데이터가 있습니다.