프런티어 AI 거버넌스는 누적 학습 연산량을 고영향 모델 지정 기준으로 쓰지만, 학습을 검증할 기술 수단이 없어 자기 보고에 의존한다. 이 논문은 영지식 증명이 프런티어 규모에서 비현실적이라는 통념이 본질적 한계가 아니라 패러다임에 묶인 문제라고 보고, 프런티어 밀집 사전학습용 검증 아키텍처를 제안한다. 사전 약정된 학습 명세, 노드 간 네트워크 관측, 중간 계산의 실시간 머클 커밋을 결합하고 BF16/FP32 네이티브 프리컴파일을 갖춘 영지식 가상머신(zkVM)으로 검증한다. 고정소수점 근사가 아니라 GPU가 실제 수행한 부동소수점 계산을 검증하며, 비공개 학습 명세로 모델 구조 기밀성을 보존한다. 초기화 시 제네시스 증명, 학습 중 단계 증명, 정책 관련 주장을 불변식으로 강제하는 사전 증명 세 종류를 생성해 학습 기록을 거버넌스로 강제 가능한 산출물로 만든다. 약 36개월 내 단자릿수 % 오버헤드로 PoC 배포가 가능하다고 추정하며, 13개의 미해결 연구 과제를 제시한다.

• •누적 연산량 기반 AI 규제가 기술적 검증 수단 부재로 자기 보고에만 의존하는 문제 제기
• •사전 약정 학습 명세 + 노드 간 네트워크 관측 + 실시간 머클 커밋을 zkVM으로 검증하는 아키텍처
• •BF16/FP32 네이티브 프리컴파일로 GPU의 실제 부동소수점 연산을 검증, 만소수점 근사 아님
• •제네시·단계·사전 증명 3종으로 학습 기록을 거버넌스 강제 가능한 산출물로 전환
• •약 36개월 내 단자릿수 % 오버헤드로 PoC 가능, 13개 미해결 연구 과제 제시