> 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-kr/architecture/why-cournot-is-different.md).
# Cournot이 다른 이유
### 1. 시맨틱 확장성
**기존 오라클 아키텍처:**
*새 요구사항 → 새 피드 → 새 연동*
**Cournot 오라클 아키텍처:**
***신뢰할 수 있는 데이터 → 시맨틱 쿼리 → 결정론적 연산***
동일한 기반 인프라로 훨씬 더 많은 사용 사례를 지원할 수 있습니다. Cournot은 피드를 추가하는 방식이 아니라 복원력 있는 데이터 레이어 위에 쿼리와 스킬을 추가하는 방식으로 확장합니다.
### 2. 설계 단계부터 갖춘 복원력
Cournot은 하나의 오라클이나 하나의 데이터 제공자에 의존하지 않습니다. 최종 출력을 생성하기 전에 여러 독립 소스를 결합하고, 비교하고, 점수화할 수 있습니다. 이를 통해 단일 소스 장애 리스크를 줄이는 동시에 애플리케이션별 쿼리를 위한 더 견고한 기반을 마련합니다.
### 3. 결정성을 대체하지 않는 AI
Cournot은 대형 AI 모델을 불필요하게 사용하지 않습니다. 암호화폐, 주식, 날씨, 스포츠 같은 정형 사용 사례에서는 다음과 같이 처리합니다.
**자연어 → AI 해석 → SQL / 결정론적 코드 → 검증된 결과**
AI는 요구사항을 해석하고, 결정론적 연산은 답을 산출합니다. 더 어려운 현실 세계 이벤트에 대해서는 Cournot이 증거 수집, 추론, 검증, 사람 검토로 에스컬레이션(human escalation)을 단계적으로 추가하며, 각 레이어는 이전 레이어로 충분하지 않을 때만 적용됩니다.
### 4. 검증 가능한 AI: zkTLS + opML 기반
Cournot의 목표는 애플리케이션에 AI 모델을 신뢰해 달라고 요청하는 것이 아닙니다. AI 추론을 증명 가능하게 만들어, 어떤 참여자든 연산을 직접 재실행하지 않고도 결과를 검증할 수 있게 하는 것입니다.
이는 상호 보완적인 두 가지 기술로 달성됩니다.
1. **zkTLS: 입력 증명**\
영지식 전송 계층 보안(Zero Knowledge Transport Layer Security)은 원시 데이터를 공개하지 않고도 증거가 검증된 TLS 세션을 통해 특정 소스에서 비롯되었음을 증명합니다. 이것으로 증거 신뢰 문제가 해결됩니다. 증명이 암호학적으로 자체 검증되므로 Collector를 신뢰할 필요가 없습니다.
2. **opML: 추론(reasoning) 증명**\
옵티미스틱 머신러닝(Optimistic Machine Learning)은 AI 추론(inference)이 검증된 입력을 바탕으로 올바르게 계산되었음을 증명합니다. 여러 노드가 동일한 고비용 추론을 재실행하도록 요구하는 대신, opML은 결과가 틀렸을 경우 정직한 노드 하나라도 이분법을 통해 간결한 사기 증명을 제출할 수 있게 합니다.
두 기술이 함께 정직한 노드 하나 검증 모델을 만듭니다.
그 결과 신뢰 스택은 다음과 같습니다.
이는 합의에 도달하기 위해 N개의 노드가 동일한 모델을 각자 실행해야 하는 아키텍처와 근본적으로 다릅니다. 그런 시스템에서는 추론 비용이 O(model\_cost × N)으로 증가합니다. Cournot에서는 추론이 한 번만 실행되며, 검증 비용은 챌린지당 O(1)입니다. 보안 보장은 중복 연산이 아니라, 정직한 Sentinel 하나가 어떤 사기든 적발해 처벌한다는 경제적 확실성에서 나옵니다.
***
