> For the complete documentation index, see [llms.txt](https://docs.cournot.ai/llms.txt). Markdown versions of documentation pages are available by appending `.md` to page URLs; this page is available as [Markdown](https://docs.cournot.ai/docs-ko/architecture/cournot.md).
# Cournot가 다른 이유
### 1. 의미적 확장성
**기존 오라클 아키텍처:**
*새 요구사항 → 새 피드 → 새 통합*
**Cournot 오라클 아키텍처:**
***신뢰된 데이터 → 의미적 쿼리 → 결정론적 계산***
동일한 기반 인프라로 훨씬 더 많은 사용 사례를 지원할 수 있습니다. 피드를 추가하며 확장하는 대신, Cournot는 복원력 있는 데이터 계층 위에 쿼리와 스킬을 추가하는 방식으로 확장합니다.
### 2. 설계로 구현한 복원력
Cournot는 하나의 오라클이나 하나의 데이터 제공자에 의존하지 않습니다. 최종 결과를 생성하기 전에 여러 독립적인 소스를 결합, 비교, 평가할 수 있습니다. 이를 통해 단일 소스 장애 위험을 줄이는 동시에 애플리케이션별 쿼리를 위한 더 강력한 기반을 만듭니다.
### 3. 결정론을 대체하지 않는 AI
Cournot는 불필요하게 대규모 AI 모델을 사용하지 않습니다. 암호화폐, 주식, 날씨, 스포츠와 같은 구조화된 사용 사례의 경우:
**자연어 → AI 해석 → SQL / 결정론적 코드 → 검증된 결과**
AI가 요구사항을 해석하고, 결정론적 계산이 답을 생성합니다. 더 어려운 현실 세계의 이벤트의 경우, Cournot는 증거 검색, 추론, 검증, 그리고 사람에게의 에스컬레이션을 점진적으로 추가합니다. 각 계층은 이전 계층이 충분하지 않을 때만 적용됩니다.
### 4. 검증 가능한 AI: zkTLS + opML 기반
Cournot의 목표는 애플리케이션이 AI 모델을 신뢰하도록 요구하는 것이 아닙니다. AI 추론을 증명 가능하게 만들어, 어떤 참여자든 스스로 계산을 다시 실행하지 않고도 결과를 검증할 수 있게 하는 것입니다.
이는 서로 보완하는 두 가지 기술로 구현됩니다:
1. **zkTLS: 입력 증명**\
영지식 전송 계층 보안은 검증된 TLS 세션을 통해 증거가 특정 출처에서 비롯되었음을 원본 데이터를 공개하지 않고 증명합니다. 이는 증거 신뢰 문제를 해결합니다. 증명은 암호학적으로 자체 검증 가능하므로 Collector를 신뢰할 필요가 없습니다.
2. **opML: 추론 증명**\
낙관적 머신러닝은 AI 추론이 검증된 입력 위에서 올바르게 계산되었음을 증명합니다. 여러 노드가 동일하고 비용이 큰 추론을 다시 실행하도록 요구하는 대신, opML은 결과가 잘못되었을 경우 하나의 정직한 노드가 이분법을 통해 간결한 사기 증명을 제출할 수 있게 합니다.
함께, 이들은 하나의 정직한 노드 검증 모델을 만듭니다:
신뢰 스택은 다음과 같습니다:
이는 N개의 노드가 합의에 도달하기 위해 동일한 모델을 각각 독립적으로 실행해야 하는 아키텍처와는 근본적으로 다릅니다. 그런 시스템에서는 추론 비용이 O(model\_cost × N)으로 증가합니다. Cournot에서는 추론이 한 번만 실행되고, 검증 비용은 도전당 O(1)입니다. 보안 보장은 중복 계산에서 오는 것이 아니라, 하나의 정직한 Sentinel이 모든 부정을 포착하고 처벌할 것이라는 경제적 확실성에서 나옵니다.
***
