외부소식
AI가 발견하고 인간이 증명하는 시대
AI가 스스로 판단하고 행동하는 시대가 열리면서 단순한 성능보다 판단의 신뢰성이 중요한 경쟁력으로 떠오르고 있다. 이수인 워싱턴대 석좌교수는 AI의 다음 경쟁력은 ‘왜 그런 판단을 내렸는지’를 설명하고, 인간이 그 근거를 검증할 수 있는 능력이라고 강조한다. 박수연 수석기자 코로나19가 한창이던 시기, 폐 엑스레이 사진 한 장만으로 감염 여부를 판별하는 AI 모델들이 잇따라 등장했다. 일부 모델은 높은 정확도를 기록하며 큰 주목을 받았다. 그러나 이수인 미국 워싱턴대 석좌교수 연구팀이 AI의 판단 과정을 분석한 결과는 예상과 매우 달랐다. AI는 폐 병변보다 사진 가장자리의 표식이나 병원마다 다른 촬영 장비의 특성, 영상 화질처럼 ‘어느 병원에서 촬영됐는지’를 짐작할 수 있는 단서들을 학습했고, 실제 판단에서도 이러한 정보를 중요한 근거로 활용하고 있었다. AI는 감염 여부를 맞게 판별했지만, 의학적으로 의미 있는 폐 병변의 특징이 아닌 촬영 환경에 포함된 비의료적 단서를 바탕으로 판단한 것이다. 이 사례는 AI의 정확도가 높다고 해도 그 판단을 그대로 신뢰할 수는 없다는 점을 보여준다. 촬영 환경 같은 부수적 단서에 기댄 판단은 장비와 환경이 다른 병원에서는 그대로 통하지 않기 때문이다. 이수인 교수는 이러한 문제의식에서 출발해 AI가 어떤 근거로 결론을 내렸는지 설명하는 ‘설명가능 AI(XAI)’ 분야를 대표하는 연구자로 자리 잡았다. 또 이 교수는 여러 입력 정보 가운데 어떤 요소가 AI의 판단에 얼마나 영향을 미쳤는지를 수치로 보여주는 ‘SHAP’ 기법을 개발했다. 이 기법은 의료와 금융을 비롯한 다양한 분야에서 대표적인 AI 설명 기법으로 활용되고 있다. 판단의 근거를 알 수 없다는 문제는 AI가 단순한 분석 도구를 넘어 스스로 판단하고 행동하는 에이전트로 진화하면서 더욱 중요해지고 있다. 기술이 발전할수록 인간이 AI의 작동 원리와 판단 과정을 완전히 이해하기 어려운 영역도 커지고 있다. AI는 산업과 학문 전반에서 질문에 답하는 도구에 머물지 않고, 데이터를 분석하고 의사결정을 내리며 실제 업무를 수행하는 ‘에이전트’로 이동하고 있다. 이제 중요한 질문은 AI를 사용할 것인가가 아니라, AI에게 어떤 판단을 맡길 수 있으며 그 결과를 어떻게 검증할 것인가로 바뀌고 있다. ‘AI 에이전트, 그 다음(After the Agent)’ 시대의 핵심 과제는 AI의 자율성을 얼마나 높일 것인가가 아니다. AI가 내린 판단의 근거를 인간이 이해하고 검증할 수 있도록 만드는 것, 그리고 AI의 판단을 신뢰할 수 있는 기준과 절차를 마련하는 것이 더 중요한 과제로 떠오르고 있다. 설명가능 AI 연구를 선도해 온 이수인 워싱턴대 석좌교수에게 AI 판단을 신뢰하기 위한 조건과 에이전트 시대 이후 인간이 맡게 될 역할에 대해 물었다. AI 가능성에서 엿본 미래 Q. ‘딥러닝’이라는 말도 없던 2000년에 신경망으로 손글씨 숫자를 알아맞혀 논문상을 받으셨다고 들었습니다. 제가 학부생이던 2000년 무렵에는 인공지능이 지금처럼 사회 전반의 화두가 아니었습니다. 신경망 연구는 매우 제한된 계산 자원과 데이터 속에서 이뤄졌고, 그것이 실제로 큰 영향을 미칠지 확신하는 사람도 많지 않았습니다. 하지만 저는 그때도 기계가 데이터로부터 스스로 규칙을 학습한다는 아이디어에 강하게 끌렸습니다. 손글씨 숫자를 인식하는 연구를 하면서, 사람이 일일이 규칙을 정해 주지 않아도 컴퓨터가 경험을 통해 패턴을 배운다는 사실이 무척 인상적이었거든요. 딥러닝 혁명이 오기 한참 전에 인공지능의 가능성을 처음 엿본 경험이었습니다. 어린 시절 아버지와 수학 문제를 풀며 자연의 원리를 이해하는 즐거움을 배운 영향도 컸습니다. 그래서 저에게 인공지능은 똑똑한 기계를 만드는 기술이라기보다, 복잡한 세상을 이해하기 위한 새로운 도구처럼 다가왔습니다. 그 생각은 지금도 크게 달라지지 않았습니다. Q. 박사 과정에서는 기계를 ‘보게’ 만드는 연구를 접고 계산생물학으로 옮기셨죠. 박사 과정에 진학하면서 ‘이 기술을 어디에 쓰고 싶은가’를 스스로에게 물었습니다. 인공지능이나 뇌과학 연구 자체도 흥미로웠지만, 인간의 건강과 질병처럼 더 근본적인 문제를 풀고 싶다는 마음이 점점 커졌습니다. 특히 알츠하이머병은 수많은 유전자와 분자, 환경 요인이 복잡하게 얽혀 있어 인간의 직관만으로는 이해하기 어려운 부분이 많습니다. 저는 오히려 인공지능이 가장 큰 가치를 발휘하는 곳이 바로 이런 복잡한 생명 현상이라고 봤습니다. 그래서 기계가 이미지를 인식하게 만드는 연구에서 한 걸음 더 나아가, 생명체가 어떻게 작동하고 왜 병이 생기는지를 데이터로 이해하는 문제에 뛰어들었죠. 주제가 바뀐 것처럼 보이지만 저에게는 같은 질문의 연속이었습니다. 학부 때는 데이터에서 패턴을 발견하는 방법을 연구했고, 이후에는 그 방법으로 인간의 건강과 질병을 이해하려 한 것이니까요. AI가 똑똑해질수록, ‘왜’가 더 중요해진다 Q. 코로나 진단 AI는 정확도는 높았지만 근거는 엉터리였죠. ‘정확도’가 신뢰의 근거가 될 수 없다면 무엇을 봐야 할까요? 오랫동안 인공지능 분야에서는 정확도가 가장 중요한 평가 기준이었습니다. 하지만 의료 현장에서 연구하며 저는 정확도만으로는 충분하지 않다는 걸 여러 번 목격했습니다. 코로나 진단 AI가 그 단적인 예죠. 시험 문제의 답은 맞혔지만, 풀이 과정은 틀렸던 셈입니다. 이 경험을 통해 저는 신뢰란 ‘얼마나 자주 맞히는가’가 아니라 ‘왜 그렇게 판단했는가’의 문제라고 생각하게 됐습니다. 그래서 앞으로는 AI가 어떤 정보를 활용했는지, 새로운 환경에서도 같은 방식으로 작동하는지, 언제 틀릴 수 있는지, 그 과정을 독립적으로 검증할 수 있는지를 함께 평가해야 합니다. 제가 ‘AI 감사(AI auditing)’가 필요하다고 말하는 이유입니다. 결국 신뢰는 성능이 아니라 투명성과 검증 가능성에서 나옵니다. Q. 교수님은 늘 ‘맞다’보다 ‘왜 맞는가’가 중요하다고 하셨습니다. AI가 인간이 이해할 수 없는 방식으로 정답을 찾을 때도 그런가요? AI가 인간의 이해를 넘어서는 것처럼 보일수록, 우리는 ‘왜’를 더 중요하게 물어야 합니다. 과학의 역사를 보면 인간은 늘 자신보다 복잡한 현상을 마주해 왔어요. 유전자 네트워크도, 뇌의 작동 원리도, 기후 시스템도 직관만으로 완전히 이해할 수 있는 대상은 아니었지만, 그렇다고 이해를 포기하지는 않았습니다. 새로운 이론과 도구를 만들어 이해의 범위를 넓혀 왔죠. AI도 마찬가지입니다. 때로는 AI가 인간 연구자가 미처 생각하지 못한 가설이나 패턴을 발견할 수 있습니다. 그러나 과학은 단순히 정답을 얻는 과정이 아니라, 왜 그것이 정답인지 설명하고 검증하는 과정입니다. 설명할 수 없는 답만 쌓인다면 우리는 지식을 쌓는 게 아니라 예측 기계를 쓰는 데 그칠 수도 있습니다. 그럴수록 AI와 인간 사이에 새로운 설명 체계가 필요합니다. 설명가능한 AI와 AI 감사 연구가 궁극적으로 추구하는 목표도 거기에 있습니다. 인간의 이해를 포기하는 것이 아니라, 인간의 이해를 확장하는 것입니다. Q. AI는 이제 사람 눈에 안 보이던 패턴을 찾고 가설까지 세웁니다. 과학자들에게는 위협일까요? 생명과학에서는 연구자가 직접 발견하기 어려운 유전자 네트워크나 질병의 분자적 경로를 AI가 찾아내고, 최근에는 새로운 가설을 제안하는 단계로까지 나아가고 있습니다. 하지만 저는 이것이 과학자를 대체하는 과정이라고 보지 않습니다. 오히려 과학자의 역할은 더 중요해질 수 있. AI는 상관관계와 가능성을 제시할 수 있지만, 어떤 질문이 의미 있는지 판단하고 그것이 생물학적으로 무엇을 뜻하는지 이해하며, 궁극적으로 새로운 지식을 만들어 내는 것은 여전히 인간의 몫이기 때문입니다. 그래서 앞으로의 과학은 인간의 시대도 AI의 시대도 아니라, 인간과 AI가 함께 발견하는 시대가 될 가능성이 높습니다. 저는 AI를 과학자를 대체하는 존재가 아니라, 인간의 지적 범위를 넓히는 새로운 과학적 기구(scientific instrument)로 봅니다. 에이전트의 다음은 ‘행동’이 아닌 ‘발견’ Q. 지금까지 AI는 인간에게 ‘확인하는’ 도구였습니다. 그러나 이제는 일을 ‘맡기는’ 상대로 전환되고 있습니다. 지금까지 대부분의 AI는 인간이 질문을 던지고 결과를 검토하는 구조였습니다. 설령 AI가 틀려도 마지막 판단은 사람이 했기 때문에, 인간이 자연스럽게 안전장치 역할을 할 수 있었죠. 하지만 AI 에이전트는 본질적으로 다릅니다. 이제 AI는 답을 제시하는 데 그치지 않고 정보를 찾고, 계획을 세우고, 여러 단계를 거쳐 행동까지 수행합니다. 자동차에 비유하면, 지금까지의 AI는 길을 추천하되 운전은 사람이 하는 내비게이션에 가까웠습니다. 반면 AI 에이전트는 시스템이 실제로 행동을 수행하는 자율주행차에 더 가깝습니다. 가장 큰 변화는 인간이 더 이상 모든 판단을 직접 검증할 수 없다는 점입니다. 작업이 복잡해질수록 ‘사람이 마지막에 확인하면 된다’는 기존의 신뢰 모델이 작동하기 어려워집니다. 그래서 앞으로는 AI가 무엇을 했는지 사후에 추적할 수 있어야 하고, 어떤 근거로 결정했는지 설명할 수 있어야 하며, 독립적인 감사가 가능해야 합니다. 금융기관이 거래 기록을 남기고 항공기가 비행 기록 장치를 갖추는 것과 같은 원리죠. 결국 에이전트 시대의 핵심 과제는 더 똑똑한 AI를 만드는 것이 아니라, 인간이 모든 과정을 일일이 확인하지 않아도 믿을 수 있는 사회적·기술적 장치를 만드는 것입니다.Q. AI 에이전트의 ‘다음’은 무엇입니까. 그리고 그 단계에서 가장 중요해지는 건 무엇입니까. 많은 사람이 AI 에이전트의 다음 단계를 더 높은 성능이나 더 큰 자율성에서 찾습니다. 물론 AI는 더 많은 작업을 하고 더 복잡한 의사결정을 스스로 내리는 방향으로 발전할 것입니다. 그러나 진짜 변화는 ‘더 많은 일을 하는 AI’가 아니라, AI가 인간의 문제 해결 방식 자체를 바꾸는 데 있다고 생각합니다. 지금까지의 AI가 주로 생산성을 높이는 도구였다면, 앞으로의 에이전트는 과학적 발견과 문제 해결의 동반자로 확장될 가능성이 큽니다. 질문에 답하거나 작업을 자동화하는 수준을 넘어, 새로운 가설을 제안하고 실험 공간을 탐색하며 인간이 미처 보지 못한 구조와 패턴을 찾아내는 역할을 하게 될 것입니다.그런 의미에서 AI 에이전트의 다음은 행동(Action)의 고도화가 아니라 발견(Discovery)의 시대로 넘어가는 전환입니다. 중요한 것은 AI가 얼마나 많은 일을 대신하느냐가 아니라, 인간이 더 본질적인 질문을 던지고 새로운 지식을 만들 수 있도록 얼마나 잘 확장해 주느냐입니다. 그러기 위해 에이전트는 단순한 실행자가 아니라 자신의 추론 과정과 한계를 함께 드러내는 방향으로 발전해야 합니다. 신뢰를 위한 감사 가능성(auditability)이 핵심 설계 원칙이 되어야 하고, 그 위에서만 AI는 인간의 지적 능력을 확장하는 진정한 동반자가 될 수 있습니다. ‘After the Agent’의 핵심은 더 강한 자율성이 아니라, 과학적 발견·인간의 이해·사회적 신뢰를 어떻게 연결할 것인가이다. Q. 에이전트가 스스로 일하게 되면서 발생하는 문제에 대한 우려도 커지고 있습니다. AI 에이전트가 확산될수록 기술적 문제만큼 사회적 문제가 중요해진다고 봅니다. 첫째는 책임입니다. 에이전트가 아무리 자율적으로 행동해도 책임 자체를 AI에게 넘길 수는 없습니다. 의료나 금융, 과학 연구처럼 중요한 영역에서는 결국 어떤 사람이, 어떤 조직이, 어떤 절차로 그 시스템을 운영했는지 추적할 수 있어야 합니다. AI 시스템에도 감사 가능성과 책임 추적성이 필수인 이유입니다. 둘째는 학습입니다. 에이전트가 너무 많은 판단을 대신하면 사람들은 결과만 소비하고 사고 과정은 경험하지 못할 위험이 있습니다. 특히 교육과 연구에서는 답에 도달하는 과정에서 배우는 것이 많기 때문에, 인간의 성장 기회를 지키는 설계가 중요해집니다. 셋째는 불평등입니다. 강력한 AI 에이전트는 생산성을 크게 높이지만, 그 접근성이 일부 국가와 기업, 기관에 집중되면 기존의 격차가 더 벌어질 수 있습니다. 기술적 격차가 곧 과학적·경제적 격차로 이어지는 것이죠. 우리가 지금 만들어야 할 것은 더 강한 AI가 아니라, 책임과 신뢰, 기회의 공정성을 함께 담는 사회적 제도와 기술적 기반입니다. AI가 커질수록, 인간의 자리는 ‘의미’ 있다 Q. AI가 점점 더 많은 일을 대신하는 시대에, 끝내 사람의 몫으로 남는 건 무엇일까요. AI가 더 많은 일을 수행하더라도 인간의 역할이 사라진다고 보지는 않습니다. 오히려 더 근본적인 방향으로 옮겨갈 것입니다. AI는 점점 더 많은 답을 만들어낼 수 있지만, 어떤 질문이 중요한지 정하고 그 결과가 어떤 의미인지 해석하며 사회가 그것을 어떻게 받아들일지 판단하는 일은 여전히 인간의 몫입니다. 저는 인간의 가장 중요한 역할이 의사결정을 수행하는 존재가 아니라, 세상을 이해하려는 존재로 남는 것이라고 생각합니다. 그래서 앞으로도 AI를 더 강력하게 만드는 연구와 함께 AI가 만들어낸 결과를 인간이 이해하고 검증할 수 있게 하는 연구를 계속하고 싶습니다. 어쩌면 AI 시대의 가장 중요한 질문은 ‘기계가 무엇을 할 수 있는가’가 아니라 ‘인간은 무엇을 이해해야 하는가’일지도 모릅니다. Q. 거대 모델 경쟁은 오픈AI·구글·앤트로픽이 이미 멀찍이 앞서 있습니다. 한국은 어떤 분야에서 승부해야 할까요? 많은 사람이 AI 경쟁을 누가 더 큰 모델을 만드느냐의 문제로 봅니다. 하지만 앞으로의 경쟁이 반드시 그렇게 흘러가지는 않을 겁니다. 기초 모델 자체에서는 글로벌 빅테크가 상당한 우위를 유지하겠지만, 실제 가치는 그 모델을 어떤 문제에 연결하느냐에서 만들어집니다. 의료, 바이오, 제조, 반도체, 과학 연구 같은 분야에서는 도메인 전문성과 현장 데이터, 문제에 대한 깊은 이해가 매우 중요합니다. 저는 한국이 범용 AI 경쟁을 그대로 따라가기보다는 세계적으로 강점을 가진 산업과 과학에 AI를 깊이 통합하는 전략이 필요하다고 봅니다. 특히 바이오와 의료는 인간의 삶에 직접 영향을 미치면서도 매우 복잡한 지식이 요구되는 영역이기 때문에 AI가 가장 큰 가치를 만들어낼 분야 중 하나입니다. 동시에 우리는 AI를 사용하는 데 그치지 않고 신뢰와 검증, 인간 중심 설계에 관한 글로벌 기준을 만들어가야 합니다. 앞으로의 AI 경쟁은 단순한 성능 경쟁이 아니라, 사회가 실제로 신뢰할 수 있는 시스템을 누가 구축하느냐의 경쟁이 될 가능성이 크기 때문입니다. 결국 한국이 기여할 수 있는 가장 중요한 영역은 AI를 더 크게 만드는 것이 아니라, AI를 더 의미 있게 활용하는 방법을 보여주는 것이라고 생각합니다. 이수인 교수는 KAIST 학부를 거쳐 스탠퍼드대에서 머신러닝의 대가 대프니 콜러 교수의 지도로 박사 학위를 받았다. 현재 워싱턴대 폴 G. 앨런 컴퓨터과학·공학부 교수로 AI for bioMedical Sciences Lab을 이끌며 생명과학과 정밀의료에 머신러닝을 적용하는 연구를 개척해오고 있다. 2024년 삼성호암상 공학상과 ISCB 혁신가상을 수상했다.
2026.07.23 0 198
미국 뺨 때린 중국 AI "싼 맛에 쓰는 게 아닙니다"
오늘의 세줄 요약1.중국 문샷 AI의 '키미 K3'가 3조급 오픈웨이트 모델로 등장해 프런트엔드 코딩 1위를 달성하며 중국 AI가 '저가 추격자'를 넘어 미국 최상위 모델의 턱밑까지 추격했습니다.2.중국은 오픈웨이트 방식을 통해 글로벌 표준과 점유율을 선점하고 있으며, 이는 '막대한 자본 투입이 독점을 만든다'는 미국 빅테크의 기존 공식을 흔들고 있습니다.3.미국의 엄격한 규제, 폐쇄적 정책, 경직된 비자 제도가 오히려 자국에서 배출한 초일류 인재를 중국으로 몰아내고 혁신의 발목을 잡는 부메랑으로 돌아오고 있는 것은 아닐까요. K3 출시와 함께 많은 밈들이 인터넷을 달구고 있습니다. [사진=인터넷 커뮤니티] 저가 추격자에서최전선 경쟁자로 먼저 규모입니다. K3는 파라미터 2.8조, 컨텍스트 100만 토큰의 오픈웨이트 모델입니다. 문샷은 이를 ‘세계 최초의 3조급 오픈 모델’이라 불렀는데요. 지금까지 공개된 가장 큰 오픈웨이트 모델입니다. 종전 최대였던 딥시크(1.6조)를 능가합니다. 한 가지는 짚어야 합니다. 여러 매체가 K3를 ‘오픈소스’라 부르지만 정확히는 ‘오픈웨이트’입니다. 전체 가중치는 27일 공개한다고 하는데요. 여기까지 읽으신 뒤 “뭐라는 거야” 하시는 분들이 계실 것 같아 빠르게 정리부터 하고 갈게요. 일단 ‘파라미터’란 AI 두뇌에 있는 ‘뇌세포의 연결 고리’라고 볼 수 있어요. 인간의 뇌로 비유하면 뇌는 뇌세포와 뇌세포 사이의 연결을 통해 정보를 기억하고 판단합니다. AI에게 파라미터란 바로 이 연결 고리의 개수를 의미해요. 파라미터의 숫자가 크다는 것은 AI의 뇌가 그만큼 크고 똑똑하다는 뜻이라고 볼 수 있어요. 챗GPT나 클로드 등 미국 AI 기업은 이 파라미터 수를 공개하지 않습니다. 그다음, ‘컨텍스트 100만 토큰’은 AI가 한 번에 읽고 이해할수 있는 기억력의 용량을 말합니다. 100만 토큰은 두꺼운 장편소설 3~4권 분량 정도 되는데요. 즉 소설 3권을 통째로 넣은 뒤 “두 소설 비교해봐”라는 명령을 내릴 수 있음을 뜻해요. 오픈웨이트는 파라미터를 전 세계에 무료로 공개하는 방식을 말합니다. 요리로 비유를 많이 드는데요. 제가 알고 있는 김치찌개 레시피를 절대 공개하지 않고 팔면 ‘폐쇄형’, 간장 4스푼, 설탕 2스푼, 고추장 1스푼... 이처럼 맛을 내는 핵심 수치(가중치)를 공개하는 게 오픈 웨이트에요. 이를 공개하면 매운맛을 좋아하는 사람은 이 레시피에 고추를 더 넣는 방식으로 자신의 입맛에 맞게 고칠 수 있습니다. 오픈소스와 오픈웨이트의 차이도 간단히 설명하고 갈게요. 앞서 레시피를 공개하는 게 오픈웨이트라고 말씀드렸는데요. 간장 4스푼이라고 했지만 그게 어떤 간장인지는 모릅니다. 오픈소스는 달라요. 제주도 서귀포시에 있는 돌하르방 옆 가게에서 파는 양조간장, 설탕은 코스트코 광명점 설탕 판매대 두 번째 칸에 있는 ‘미라클 설탕’ 이런 식으로 재료의 출처는 물론 “80도에서 고춧가루를 넣고 10분 동안 저으세요”와 같은 제조 방법까지 모두 공개한 것을 의미합니다. 다시 K3로 넘어갈게요. K3가 주목받은 가장 큰 이유는 ‘성능’입니다. 코딩 순위인 아레나의 프런트엔드 부문 18위에서 단숨에 1위로 뛰어올랐습니다. 페이블5와 GPT-5.6 솔을 제친 건데요. 오픈 모델이 특정 실전 과제에서 미국 최상위 폐쇄 모델을 앞선 건 처음이라는 평가가 나옵니다. 전체 지능 순위는 어떨까요. 독립 평가기관 발스AI는 K3를 페이블5 바로 아래, GPT-5.6 솔보다는 위로 봤습니다. 아티피셜애널리시스는 페이블5와 GPT-5.6 솔에 모두 밀리는 3~4위권으로 매겼고요. 문샷 스스로도 블로그에서 “전반적으로 경쟁력 있지만 사용자 경험은 페이블5·GPT-5.6 솔에 눈에 띄게 못 미친다”고 인정했습니다. 평가 마다 위치는 다릅니다. 다만 ‘최상위권 언저리’라는 것이 공통된 의견입니다. 얼마 전까지 전문가들은 중국 AI 모델이 미국과 비교했을 때 6~9개월 뒤진다고 봤습니다. 아레나를 함께 만든 이온 스토이카 UC버클리 교수는 지금은 그 격차가 “2~3개월일지 모른”다고 말합니다. 영국 AI안전연구소도 사이버보안 능력에 한정하면 격차가 1년 전 6~10개월에서 4~7개월로 좁혀졌다고 분석했습니다. 1년, 2~3년도 아니고 2~7개월이라는 소리인데, 이게 격차가 있다는 것인지 없다는 것인지 잘 모르겠네요. 물론 중국 모델은 앤트로픽과 오픈AI 등 첨단 모델의 답변을 대량으로 긁어서 훈련에 사용하는 ‘증류’ 의혹을 피할 수 없습니다. 하지만 웹스터 교수는 “중국 모델이 뛰어난 게 증류만으로 설명되진 않는다, 진짜 혁신이 일어나고 있다”고 말합니다. 수출 통제로 고성능 칩을 못 구한 중국 기업들이 소프트웨어 효율로 승부를 본 결과라는 거죠. 실리콘밸리에 있는 사람들의 시선도 달라진 듯합니다. 박스 CEO 에런 레비는 “밸리에선 지금 이 얘기밖에 안 한다”고 했고, 아레나 CEO는 K3를 “올해 최대의 공개”라 부를 정도니까요. 1년 반 전 딥시크가 안겼던 충격이 되풀이되는 모습입니다. 다른 점은 딥시크가 ‘이렇게 싸게 만들 수 있다’라는 충격이었다면 K3는 ‘이만큼 잘 만들 수 있다’라는 충격이거든요. K3 출시 뒤 회자된 K3의 답변입니다. 본인을 '클로드'라고 소개하고 있어요. 모델 학습시 클로드의 대화 데이터를 대량 사용했기 때문이라는 합리적 의심(?)이 나오는 이유입니다. [사진=인터넷 커뮤니티] 오픈웨이트로생태계 선점 K3는 상하이에서 개최된 세계인공지능대회(WAIC)에서 공개됐습니다. 이날 시진핑 주석이 기조연설에 나섰는데요. 그는 “AI 발전은 한 나라의 독주가 아니라 국제 협력의 교향곡이어야 한다”라며 “AI 분야에서 국가안보 개념을 지나치게 확대하는 데 반대한다”고도 했습니다. 미국의 수출 통제를 겨냥한 말로 읽힙니다. 중국은 스스로를 ‘개방 진영의 챔피언’으로 세우고 있는 겁니다. 이건 중국의 전략입니다. 중국의 주요 AI 모델은 거의 오픈입니다. 딥시크, 알리바바 큐원, Z.ai의 GLM, 문샷 키미… 현재 세계 10대 인기 모델 가운데 6개가 중국산인데요. 물론 인구가 많은 중국 개발자의 다운로드 수도 영향을 미쳤겠지만 실리콘밸리의 많은 스타트업들 또한 중국 모델을 사용하고 있습니다. 가격 때문인데요. 이를 두고 미국이 ‘가장 센 모델’을 움켜쥐는 사이, 중국은 ‘가장 널리 깔리는 모델’을 노리고 있다는 이야기가 나옵니다. 승부처를 성능에서 점유율로 옮긴 셈이죠. 세계가 이를 받아들이는 이유는 단순합니다. 충분히 좋고, 열려 있고, 쌉니다. 오픈웨이트라 기업이 자체 서버에 올려 돌릴 수 있으니 데이터가 밖으로 안 나가고 내부 자료에 맞춰 손보기도 쉽습니다. 값은 폐쇄형의 10~60분의 1이라는 분석도 있고요. 지난달 나온 Z.ai의 GLM-5.2는 일부 작업에서 클로드 오푸스 4.8의 8분의 1 비용이면서 출시 직후 세계에서 가장 많이 쓰이는 모델 상위권에 올랐습니다. “개 산책하는 데 올림픽 선수를 쓸 필요가 없다”라는 것처럼 간단한 작업에는 저렴한 중국 모델을 쓰는 게 경제적이라는 인식이 퍼지고 있습니다. 여기에 미국 정부의 최근 행보도 도마 위에 오릅니다. 지난달 미국 정부가 앤스로픽 최상위 모델 미토스와 페이블의 해외 공급을 제한했는데요. 유럽 기업들은 그 사이 “미국에만 의존하면 언제든 끊길 수 있다”는 걸 체감했습니다. 2년 전 유럽의 최대 걱정이 중국 기술이었다면 이제는 미국 정책의 변덕이 더 큰 리스크로 인식되기 시작한 겁니다. 중국 오픈 모델이 역설적으로 ‘안정적인 기본값’이 되는 순간을 경험한 겁니다. 미국은 첨단 AI를 ‘핵무기’와 같은 전략 물자로 다루기 시작했습니다. 파괴력이 크니 움켜쥐고 감시한다는 거죠. 반면 중국은 자국 모델을 ‘원자력’처럼 취급합니다. 공유하고 상업화해서 세계로 수출한다는 느낌이랄까요. 그래서 ‘어떤 AI가 세계의 표준이 되느냐’라는 질문이 뒤따릅니다. 미국이 아무리 좋은 AI를 내놔도 오픈 모델 사용자가 확대되면 중국 모델이 마치 세계의 표준 역할을 할 수 있습니다. 물론 오픈이 ‘중립’을 의미하지는 않습니다. 중국 모델은 정치적으로 민감한 주제를 피하는 검열이 학습 단계에서 박혀 있거든요. 사용자가 손을 대면 표면적 검열은 상당 부분 풀리지만, 훈련 데이터에 스며들어 있는 편향까지 지우긴 어렵다는 게 전문가들의 지적이에요. 세계의 기본값이 중국 모델이 된다는 건 베여 있는 관점도 함께 퍼진다는 뜻이기도 합니다. 문샷AI의 34살 CEO 양쯔린입니다. 그는 미 카네기멜런대에서 컴퓨터과학 박사학위를 받고 페이스북과 구글 브레인 등에서 근무하며 이름을 알렸는데요. 보도에 따르면 애플에서 양쯔린을 데려가려고 했지만 고국으로 돌아가 스타트업을 세우길 원했다고 합니다. [사진=문샷AI 유튜브 캡처] 미 AI 시장독점의 균열? K3이 던진 폭탄은 성능과 점유율뿐만이 아닙니다. 미국, 특히 실리콘밸리가 굳게 믿어온 ‘돈을 더 부으면 이긴다’는 자본 공식, 그리고 안보를 이유로 빗장을 걸던 미국의 규제와 이민 정책, 그 두 벽에 깊은 금을 냈다는 데 의미(?)가 있다는 생각이 들어요. 그동안 미국 빅테크는 눈덩이처럼 불어나는 훈련 비용 자체를 절대적인 진입 장벽으로 삼았습니다. 엔비디아 칩 수만 개, 수십억 달러짜리 데이터센터를 감당할 자본이 있어야 프런티어의 주인이 된다는 논리였습니다. 오픈AI와 앤트로픽은 그 막대한 인프라 비용을 회수하려 높은 구독료와 API 요금을 매기는 폐쇄형 고수익 모델을 고수했고요. 하지만 중국은 그 게임을 하지 않았습니다. 수출 통제로 최고급 칩이 막혔으니 애초에 할 수도 없었고요. 대신 그들은 소프트웨어 효율화로 우회했습니다. 성능이 적은 칩, 경량화 설계 등으로 프런티어 모델의 턱밑까지 쫓아왔습니다. 앤트로픽이 지난 5월 무려 650억 달러의 천문학적인 자금을 조달하며 자본력을 과시할 때, 문샷 AI가 유치한 자금은 불과 20억 달러였습니다. 무려 30배가 넘는 자본 격차입니다. 가볍고 영리한 소프트웨어 혁신만으로 이 정도 체급을 만들어낼 수 있다면 미국의 그 막대한 투자는 과연 효율적이었나 하는 시장의 의구심이 고개를 들 수밖에 없습니다. 조 단위 몸값을 받는 기업들이 그만한 수요를 실제로 만들어낼 수 있느냐는 의문도 다시 생깁니다. 성능 차이는 지극히 좁혀졌는데 가격은 수십 분의 일이라면 고마진 폐쇄 모델의 사업 논리 자체가 흔들리거든요. ‘증류’의 방향도 뒤집혔습니다. 그동안 미국은 중국 AI 모델들이 자국 최고 모델의 답변을 긁어모아 덩치를 키운다며 폄훼해 왔습니다. 틀린 말은 아닙니다. 그런데 이제 반대의 장면이 펼쳐지고 있어요. 오픈AI 전 CTO 미라 무라티가 설립한 ‘싱킹 머신즈’는 이달 15일 첫 모델인 ‘잉클링’을 내놓으면서 후반 학습 단계를 문샷 키미 K2.5가 만든 합성 데이터로 다졌다고 스스로 밝혔습니다. 구조 역시 중국 딥시크 V3의 영감을 강하게 받았고요. 미국의 최정예 기술 팀조차 초기 훈련 비용을 아끼고 독점 장벽을 깨기 위해 중국의 오픈 모델 생태계 위에 자사 시스템을 얹기 시작한 겁니다. 미국이 큰돈 들여 쌓아 올린 독점적 데이터 자산의 우위가, 중국이 전 세계에 풀어놓은 오픈웨이트의 거대한 바닷속에서 침식당하고 있다는 진단은 결코 과한 비유가 아닐 거라는 생각이 듭니다. 마지막으로 가장 뼈아픈 대목은 ‘인재’에요. K3의 두뇌를 설계한 양즈린은 다름 아닌 미국 시스템이 길러낸 초일류 인재입니다. 칭화대를 졸업하고 2015년 카네기멜론대(CMU)로 건너가 머신러닝의 석학 러스 살라쿠트디노프와 윌리엄 코언 교수의 지도 아래 박사 과정을 단 4년 만에 끝냈습니다. 재학 시절 구글 브레인과 메타를 거치며 굵직한 연구 성과를 남겼고 졸업 무렵엔 빅테크들이 서로 데려가려 줄을 섰던 천재로 알려져 있어요. 그는 미국에 남는 대신 중국 귀국을 택해 문샷을 세웠고 불과 몇 년 만에 미국의 패권을 위협하는 거대한 칼날을 벼려냈습니다. 그를 가르친 살라쿠트디노프 교수가 소셜 미디어를 통해 제자의 K3 출시를 두고 “오픈소스 진영의 큰 승리”라 반기며 제자를 향해 “눈부시게 뛰어나다”라고 회고한 장면 앞에서 실리콘밸리는 탄식을 삼켜야 했습니다. 미국이 최고로 키워낸 천재가 정작 베이징에서 실리콘밸리의 뺨을 때리는 모델을 만들었기 때문입니다. 빌리어네어 투자자 비노드 코슬라도 “큰 문제는 우리가 경직된 비자 제도로 뛰어난 인재들을 밖으로 쫓아내고 있는 것”이라고 일갈했고 전 백악관 AI 차르였던 데이비드 색스는 데이터센터를 가로막고 규제를 쌓고 모델을 사전 승인하려는 미국 정부를 향해 “이렇게 하다간 AI 경쟁에서 진다”라고 경고했습니다. 결국 K3가 미국의 벽을 강제로 뚫었다기보다는 자본 만능주의, 폐쇄형 고수익, 고립주의적 규제와 경직된 이민 정책 등 미국이 남을 막으려 세운 참호들이 고스란히 부메랑이 되어 자국을 겨눈 꼴입니다. 이제 글로벌 AI 지형은 두 갈래로 쪼개집니다. 미국의 일방주의적 안보와 폐쇄적 규제 진영, 그리고 중국의 오픈웨이트를 축으로 뭉치는 중소 개발사들의 자체 조율 생태계. 미국이 아무리 첨단 AI를 움켜쥐어도 오픈소스의 전파력과 설계 효율이라는 우회로 앞에서는 독점을 오래 유지할 수 없음을 K3는 증명하고 있어요. 그런 의미에서 K3는 중국이 쏘아 올린 단순한 돌파구라기보다 오만에 빠져 있던 미국이 스스로를 냉정하게 돌아봐야 할 거울이 아닐까요. ※ 제목을 누르면 상세 내용으로 연결됩니다. AMD, AI 서버 통째로 판다…엔비디아 정조준AMD가 GPU·CPU·네트워크를 통합한 첫 랙 단위 AI 시스템 ‘헬리오스’를 공개하며 AI 인프라 경쟁에 뛰어들었습니다. MS와 메타, 오픈AI, 오라클을 초기 고객으로 확보했고, 메타는 장기적으로 6GW 규모 AMD GPU를 도입할 계획입니다. AMD는 토큰당 비용과 총소유비용(TCO) 절감을 강점으로 내세웠습니다. AI 데이터센터 GPU 시장에서 점유율 4.5%에 머무는 AMD가 헬리오스로 엔비디아의 독주를 흔들 수 있을까요? 中, 엔비디아 없이 AI 키운다중국 AI 기업 Z.AI가 중국산 AI 반도체만으로 구축한 1GW 규모 데이터센터를 가동하며 엔비디아 의존 탈피에 속도를 내고 있습니다. 차세대 GLM AI 모델 개발을 위한 시설로, 1만 개 이상 AI칩을 탑재한 클러스터를 여러 개 운영 중입니다. 미국의 수출 규제 이후 화웨이·캠브리콘 등이 국산 AI칩 개발을 확대하는 가운데, Z.AI는 이를 활용해 AI 인프라를 구축한 대표 사례로 꼽힙니다. AI 검색에 갇힌 이용자구글이 제미나이 기반 ‘AI 모드’를 확대하면서 이용자들이 검색 후 외부 웹사이트 대신 구글 안에 머무는 시간이 크게 늘고 있습니다. AI 모드 이용의 약 75%는 다른 사이트 방문 없이 끝나고, 출판사와 기업들은 검색 유입 감소로 광고·구독 수익이 줄었다고 호소합니다. 클라우드플레어는 금융·출판·유통 사이트의 인간 방문이 약 40% 감소했다고 분석했고, 영국 경쟁당국도 출처 표시와 AI 학습 거부권 도입을 요구했습니다.
2026.07.23 0 157
[인터뷰] 공중제비 도는 로봇은 왜 물건을 집지 못하나
로봇이 공중제비를 돌고 춤을 추는 모습은 이제 낯설지 않다. 몇 년 전만 해도 두 발로 걷는 것조차 뉴스가 되던 로봇이 사람보다 화려하게 움직이는 시대가 됐다. 그다음 질문은 자연스럽게 이어진다. 저렇게 잘 움직이는 로봇에게 실제로 일을 맡길 수 있을까. 이 질문에서 출발한 화두가 ‘피지컬 AI’다. 화면 안에서 글을 쓰고 그림을 그리던 AI에게 몸을 주어, 스스로 상황을 파악하고 계획을 세워 현실의 일을 끝까지 해내게 하려는 기술이다. 그러나 화려한 시연과 실제 현장 사이에는 간극이 있다. 현실에서는 조명과 날씨, 바닥 상태, 사람의 움직임 같은 변수가 끊임없이 바뀐다. 화면 안의 오류는 다시 고치면 그만이지만, 로봇의 오류는 멈춤과 충돌, 비용과 안전 문제로 이어진다. 그래서 이 분야의 승부처는 더 큰 모델을 만드는 쪽이 아니라, 매일 멈추지 않고 작동하는 시스템을 만드는 쪽에 있다. 국내에서 이 전환을 가장 앞서 실험하는 곳은 어디일까. 현대자동차그룹의 로보틱스랩은 소형 모빌리티 로봇 ‘모베드’, 작업자의 근력을 보조하는 웨어러블 로봇 ‘엑스블 숄더’, 전기차 충전 로봇 ‘ACR’, 여러 로봇을 한꺼번에 운영하는 관제 솔루션 ‘나콘’까지, 로봇을 제품이 아니라 서비스로 넓혀가고 있다. 이곳에서 로봇의 지능을 만들어 온 주시현 로보틱스지능개발실장은 피지컬 AI 에이전트를 “상황과 정보를 이해하고 목표를 안전하게 완수하는 지능”으로 정의한다. AI가 몸을 가지면 무엇이 가능해지고, 무엇이 한계로 남을까. 그 답을 듣기 위해 주시현 상무를 만났다. 로봇이 아니라 로보틱스를 연구한다 Q. 올해 현대차 로보틱스랩은 휴머노이드 없이 가장 주목받은 로봇 조직이었습니다. 저희는 로봇 제작이 아닌 로보틱스를 연구하는 조직입니다. 로봇 한 대에는 기구와 구동, 배터리, 센서, 제어, AI, 소프트웨어, 안전, 운영이 함께 맞물려야 하는데, 그 총합이 로보틱스입니다. 모베드 같은 제품은 그 기술 체계 위에서 나온 결과물이죠. 지금 공장과 물류센터, 병원에는 고령화와 노동력 부족, 산업 안전, 돌봄 공백 같은 문제가 있고, 로보틱스로 이를 풀고 제품으로 만들어 국내 로보틱스 생태계를 키우는 것이 저희가 하려는 일입니다. 그래서 차별화된 하드웨어를 만들되, 이를 구동하는 AI·제어 같은 핵심 소프트웨어는 반드시 내재화하고, 완제품을 실제 공간에 내보내 피드백으로 다시 고도화하는 ‘러닝 프롬 리얼리티(Learning from Reality)’를 원칙으로 삼고 있습니다. Q. 로보틱스는 자동차보다 다뤄야 할 도메인이 더 많고 넓은 것으로 알고 있습니다. 맞습니다. 워낙 넓다 보니 모든 걸 다 할 수는 없어서, 핵심 기술 7가지를 골라 내재화했습니다. 이 7개 기술은 AI 발전과 궤를 같이합니다. 로봇은 먼저 사람의 근력을 돕는 웨어러블에서 출발해, 무언가를 잡고 다루는 덱스터러스 매니퓰레이터 (Dexterous manipulator), 공간을 스스로 옮겨 다니는 모바일 플랫폼과 자율주행(SLAM·내비게이션)으로 나아갑니다. 그 위에 주변을 보고 사람과 대화하는 비전·랭귀지 AI가 얹히고, 이 모든 연산을 클라우드가 아니라 로봇 안에서 돌리는 온디바이스 AI가 처리합니다. 챗GPT는 클라우드에서 돌아도 되지만, 제한된 배터리로 이동하며 실시간 반응해야 하는 로봇은 연산을 몸 안에 넣어야 하거든요. 그리고 일곱 번째가 가장 멀리 내다본 기술입니다. 로봇 한 대를 잘 만드는 것을 넘어, 여러 대를 하나의 서비스로 묶어 운영하는 플릿·태스크 매니지먼트인데요. 저희가 자체 개발한 다종 로봇 통합 관제 솔루션 ‘나콘’이 그 결과물입니다. 순찰·배송·관수 로봇을 한꺼번에 오케스트레이션하고, RAG와 MCP 같은 기술을 붙여 운영 데이터에서 이상 사례를 스스로 골라 운영자에게 자동으로 리포트를 줍니다. 결국 이 일곱 번째가 로봇을 ‘제품’에서 ‘서비스’로 넘기는 다리인데, 저희가 궁극적으로 가려는 방향이 바로 거기에 있습니다. 이 7개 위에서 작업자의 근력을 보조하는 웨어러블 로봇 ‘엑스블 숄더’, 자유롭게 방향을 바꾸는 소형 모빌리티 플랫폼 ‘모베드’, 전기차를 자동으로 충전하는 ‘ACR’이 차례로 나왔습니다. 디지털은 정확도, 피지컬은 복원력 Q. ‘말하고 인식하는 AI’에서 ‘움직이고 행동하는 AI’로 옮겨오며 가장 크게 느낀 차이는 무엇인가요. 디지털 세계의 AI는 틀리면 다시 질문하면 그만이지만, 움직이는 AI는 틀리면 부딪히거나 멈추거나 위험해진다는 큰 차이가 있습니다. 정리하면, 디지털 환경의 AI가 정보의 생성과 답변을 도왔다면 아날로그 환경의 피지컬 AI는 현실의 일을 직접 돕는 단계입니다. 그래서 두 가지를 절감했습니다. 첫째, 현실 세계는 디지털보다 훨씬 불완전하고 예측이 안 됩니다. 조명과 날씨, 바닥 상태, 사람의 동선 같은 변수가 실시간으로 바뀌거든요. 둘째, 그래서 정확도만으로는 부족합니다. 한 번 잘하는 것보다 매일 반복해서 안정적으로 잘하는 것, 실패했을 때 다시 복원해내는 능력이 더 중요합니다. 결국 움직이는 AI는 모델 성능의 문제가 아니라 인지·판단·제어·구동·안전이 하나로 연결된 시스템의 문제입니다. Q. 불과 몇 년 전만 해도 로봇이 두 발로 걷는 것조차 큰 뉴스였는데, 지금은 공중제비를 돌고 춤을 춥니다. 기술의 한계를 넘어선 도약처럼 보입니다. 한계를 넘어선 것부터 말씀드리면, 화려한 모션 자체입니다. 예전에 로봇의 걸음과 균형은 옵티멀 컨트롤, MPC 같은 제어 이론으로 잡았는데, 이건 몇 년씩 전공한 기계공학자만 다룰 수 있는 높은 벽이었습니다. 그런데 강화학습과 모방학습이 들어오면서 그 벽이 무너졌어요. 기계공학을 전공하지 않은 사람도 참여할 수 있게 됐고, 기존 방식으로는 안정성을 잡기 어려웠던 공중제비나 격렬한 2족 보행을 AI가 해냅니다. 다만 아이러니하게도, 사람이 하기 힘든 건 로봇이 잘하고 사람이 하기 쉬운 건 로봇이 못합니다. 비보잉은 사람보다 잘하는데, 서너 살 아기도 하는 ‘집어서 옮기기’ 같은 컨택트 리치(contact-rich) 작업은 아직 한계가 많습니다. 쿵푸나 공중제비는 사람이 모션 슈트로 보여준 동작을 따라하는 모방 학습이고, 물구나무서 중심을 잡는 건 미션만 주고 수없이 넘어지며 익히는 강화 학습입니다. 실물은 넘어지면 부서지니 시뮬레이션에서 배우는데, 그 결과를 현실로 옮기는 심투리얼(sim-to-real) 갭이 여전히 큽니다. 피지컬 AI 에이전트 Q. 현재 피지컬 AI 에이전트는 어떤 단계입니까. LLM (Large Language Model) 수준의 완성형은 없습니다. VLM (Vision-Language Model)은 트랜스포머라는 정답론 위에서 고도화하지만, 피지컬 AI는 지금 방식이 정답이냐부터 논쟁 중입니다. 다만 에이전트를 어떻게 정의하느냐가 우선돼야 하는데, 제가 보는 피지컬 AI 에이전트는 단순히 동작을 잘하는 AI가 아니라, 상황과 정보를 이해하고 목표를 안전하게 완수하는 실행형 지능입니다. 목표를 주면 스스로 판단하고 계획을 세워 행동한다는 기준에서의 부분적인 피지컬 AI 에이전트는 이미 현대차 곳곳에서 일하고 있습니다. 양재 본사 순찰 로봇은 정해진 경로를 돌면서 카메라로 이상을 감지해 스스로 운영자에게 알립니다. 관수 로봇은 화단의 3차원 공간을 인식해 식물을 상하지 않게 물 줄 위치와 개수를 그날그날 다르게 판단하고, 배송 로봇은 엘리베이터에서 장애인에게 양보하고 혼잡도에 따라 배송 순서를 동적으로 바꿉니다. 정해진 규칙을 따르는 게 아니라, 상황을 인지해 스스로 계획을 다시 짜고 있습니다. Q. AI 에이전트가 화면을 벗어나 일상으로 들어올 때 필요한 요건은 무엇인가요. 에이전트는 로봇을 ‘시키는 대로 움직이는 기계’에서 ‘목표를 이해하는 시스템’으로 바꾸는 전환의 계기일 뿐, 그 필요성은 적용처와 목적에 따라 갈립니다. 공장에서 제일 중요한 건 복원력이 아니라 99.999%의 정확도로 24시간 멈추지 않고 최적의 속도로 일하는 것입니다. 공장에서는 융통성 있는 에이전트보다 20초 작업을 15초로 줄여주는 신뢰성 있는 로봇을 요구합니다. 에이전트의 다음 목표는 서비스 영역입니다. 고객은 365일 최적의 속도보다, 한 번 맡기면 신경 쓰지 않아도 임무를 해결해주는 완결성을 원하거든요. 물건을 놓쳐도 다시 잡고, 30분이 걸려도 믿고 맡길 수 있는 완성도, 속도가 아니라 안정성과 복원력입니다. Q. 자율성을 사회가 받아들이는 데는 시간이 필요할 텐데요. 가장 유사한 선례가 자율주행입니다. 통계적으로 사고율이 인간보다 낮은데도 신뢰를 얻기까지 10여년이 걸렸습니다. AI 에이전트는 2~3년이 채 안 걸렸어요. 예전에는 엔지니어들이 AI 검색 결과를 별도 검색해 교차 확인했는데, 지금은 많은 엔지니어들이 별도 검증 없이 AI를 먼저 믿을 만큼 신뢰가 쌓였고, 로보틱스랩에서도 개발자가 직접 작성한 코드보다 AI 에이전트를 활용해 개발한 코드가 더 많습니다. 로봇도 같은 절차를 밟을 겁니다. 엔지니어가 복원력과 안정성을 수치로 제시하고, 검증으로 신뢰성을 만들고, 고객의 신뢰가 쌓이는 것이죠. 몸을 가진 로봇은 사람과 닮아 있어 자율주행보다는 빠를 거라고 봅니다. 로보틱스 산업의 미래, 그리고 인간의 역할 Q. 로보틱스랩의 연구가 궁극적으로 추구하는 것이 있습니까. 네. 결국 서비스입니다. 궁극적으로는 라스(RaaS, Robot as a Service)고요. 애플이 앱스토어를 만든 것처럼 서비스를 만들 기술과 컴포넌트를 제공해 누구나 조합하게 하는 거죠. AI 업계가 더 이상 할루시네이션 수치가 아니라 클로드 코드 같은 ‘어떤 기능을 제공하느냐’로 경쟁이 넘어간 것처럼, 로보틱스도 같은 전환이 옵니다. 나콘을 저희 로봇만이 아니라 보스턴 다이내믹스의 스팟까지 붙는 개방형으로 설계한 것도 그 포석입니다. Q. 휴머노이드의 두뇌가 될 대형모델 경쟁은 사실상 미국과 중국의 싸움처럼 보입니다. 그 틈에서 현대차와 한국 로보틱스가 발견한 승부처는 어디입니까. 한국이 이길 수 있는 자리는 온디바이스 AI에 집중하는 것입니다. 온디바이스의 본질은 최적화인데, 이 부분은 한국이 굉장히 강합니다. 모베드 안에도 딥러닝이 들어가는데, 이를 더 낮은 비용과 전력으로 구동되도록 최적화하고 있습니다. 제한된 배터리로 이동하며 실시간 반응해야 하는 로봇의 특성과, 한국이 잘하는 것이 정확히 맞물리는 지점이죠. 회사 차원의 강점도 여기에 보탬이 됩니다. 하드웨어부터 소프트웨어, 디자인, 부품, 통합, 사업까지 한 조직에 다 갖춘 회사는 국내에 몇 없습니다. 여기에 자동차 도메인이 더해져 품질본부가 로봇에 맞는 테스트 프로토콜을 새로 짜 평가해주고 부품 밸류체인과 OEM 체계 덕에 신뢰성 높은 부품을 합리적 가격에 씁니다. 자사 공장이라는 내부 캡티브 마켓(Captive Market)이 있어 검증을 속도감 있게 할 테스트베드도 넘치고요. Q. AI가 인간의 이해 범위를 넘어서는 시대입니다. 이런 시대에 인간의 역할은 무엇이고, 로보틱스에 뛰어들려는 젊은 개발자들이 유념해야할 것은 무언입니까. AI가 사람을 일에서 자유롭게 해주지는 않을 겁니다. 인간의 야망은 커서 그 속도에 맞춰 더 많은 것을 만들어냅니다. AI를 쓰지 않는 사람이 쓰는 사람으로 대체될 뿐이죠. 제가 생각하기에 마지막까지 남을 것은 세 가지입니다. AI가 하는 일의 목적을 설정하고, 책임의 범위를 확정하고, 결과의 옳고 그름을 판단하고 결정하는 것. 자율주행 사고율이 인간보다 낮아도 판단권이 사람에게 있는 것처럼요. 로보틱스에서는 기계·제어·소프트웨어가 따로 놀던 경계가 AI가 들어오며 사라지고 있습니다. 하드웨어를 안 만져본 사람이 그 특성을 이해해 시뮬레이션에서 강화학습을 돌리고, 기구만 만들던 분이 AI를 익히죠. 젠슨 황이 60년 된 폰 노이만 아키텍처(메모리와 연산장치 사이를 오가며 데이터를 처리하는 기존 컴퓨터 구조)를 넘는 새 컴퓨팅을 말하듯, 로보틱스는 물리 하드웨어가 결합된 새로운 컴퓨팅을 만드는 영역입니다. 화려한 데모보다 안정성과 복원력과 신뢰성이 작동하는 시스템을 만드는 일이 더 어렵고 더 가치 있습니다. 젊은 개발자들에게는 이 말을 하고 싶습니다. 디지털 세상이 아니라 현장에서, 매일 검증하는 사람들과 같이 부딪혀야 합니다. 돌아보니 오래 가는 개발자는 현실의 복잡함을 끝까지 견디며 소통하는 사람들이었습니다. 천재가 아닌 대다수 엔지니어에게 필요한 건 꾸준함입니다. 젠슨 황도 지금의 위치에 오르기까지 33년이 걸렸으니까요. 주시현 상무는 오디오·디지털 신호처리 기반 머신러닝을 전공하고 현대자동차 중앙연구소에 입사해 차량 내 제스처·필기 인식 기술을 연구했다. 제네시스의 필기 인식 조작계가 그 결과물이다. 2018년 로보틱스 팀 출범과 함께 로봇 도메인으로 옮겨 2019년 로보틱스랩 설립에 참여했으며, 현재 로보틱스지능개발실을 이끌며 모베드·엑스블·ACR 등의 AI·소프트웨어 개발을 주도하고 있다.
2026.07.13 0 77
AI 전쟁, 승자는 미국? 중국? (토큰 이코노미)
오늘의 요약 유튜브 알고리즘에서 인기를 얻고있는 리센느는 멤버들의 서사를 발견해낸 훌륭한 기획자의 역할이컸습니다. 뉴욕 닉스의 우승을 이끈 제일런 브런슨은 언더독이면서 사람들의 낭만을 자극하는 스타 농구선수입니다. 무의미해보였던 노력과 실패가 훗날 성공으로 이어진다면, 우리는 그것도 낭만이었다고 부를 수 있습니다. 스포츠와 엔터테인먼트의 세계에서 낭만은 팬을 만들고 성공을 가져오는 비결이 될 수도 있습니다. 오픈라우터에서 가장 많이 사용되는 LLM 인공지능 모델도 결국Made in China 쓰나 7월 8일 수요일 아침, 로이터통신을 통해 흥미로운 뉴스가 하나 나왔습니다. 중국 상무부가 최근 알리바바, 바이트댄스, 즈푸AI(z.ai)처럼 프런티어 AI 모델을 개발하는 회사들을 소집해 해외 사용자의 접근을 제한하는 방안을 검토했다는 내용입니다. 이 소식은 한 달 전인 6월 12일 미국 상무부가 앤트로픽의 최신 모델인 클로드 페이블의 외국 사용을 막은 것과 정확히 대비됩니다. 마침 중국 즈푸AI가 개발한 AI 모델 GLM 5.2가 높은 성능과 낮은 가격으로 미국에서도 큰 인기를 얻고 있다는 뉴스가 나왔고, 미국 LLM들의 이용료가 너무 비싸 토큰 비용을 줄이는 것이 업계의 주요 화두가 됐다는 소식도 이어졌습니다. 그래서 이 뉴스는 미중 AI 개발 경쟁에서 미국이 뒤지고 있는건 아닌가하는 생각을 하게 만들었습니다. 우리가 저렴한 중국산 공산품에 의존해 살아가고 있는 것처럼, 앞으로는 LLM에서도 저렴한 중국산 지능에 의존하게 되는 것은 아닌가 하는 생각이 들 수밖에 없습니다. LLM 토큰사용량을 측정하는 오픈라우터의 데이터를 보면 클로드나 챗GPT보다 중국 모델의 사용량이 훨씬 많은 것을 알 수 있습니다. 중국의 AI 모델은 미국 모델보다 많게는 가격이 5분의 1 밖에 되지 않는다고 합니다. 그렇다면 어떤 기준으로 저렴하다, 비싸다를 말하는 걸까요. 바로 입출력 토큰 가격입니다. 개인용 챗GPT가 월 2만9000원의 요금을 낸다면, 기업용 LLM은 기본적으로 API 형태로 비용을 청구합니다. 사용자가 AI 모델에 무언가를 입력할 때 내는 돈이 있고, 그 결과로 답변이 생성될 때 내는 돈이 있습니다. 종량제 요금처럼 토큰 사용량에 비례해 비용이 부과되는 구조입니다. 예를 들어 이미지 하나를 입력할 때 드는 비용과 동영상 하나를 입력할 때 드는 비용을 비교하면 당연히 동영상이 훨씬 비쌉니다. 동영상을 집어넣고 이걸 요약해줘라고 하면 토큰 사용량이 훨씬 많습니다. 답을 받을때도 마찬가지인데요. 단답형 답변을 받을 때보다, 복잡한 코딩 작업을 AI에게 맡길 때 토큰 사용량도 훨씬 많아집니다. 바이브 코딩과 같은 에이전틱AI가 수익성이 높은 이유는 토큰 사용량이 많기때문입니다. 학습과 추론의 비용 구조가 다릅니다.<챗GPT로 생성> 토큰값=학습비용+추론비용 이 토큰 비용은 어떻게 책정될까요. 첫 번째는 LLM을 학습시키는 데 들어가는 비용이 반영됩니다. LLM을 학습(Training)시키려면 값비싼 엔비디아 GPU가 대량으로 필요합니다. 학습 데이터를 확보하는 비용도 들고, 막대한 전기료도 들어갑니다. 무엇보다 LLM을 잘 학습시키는 방법을 아는 초고연봉 AI 인재들이 필요합니다.다만 LLM의 학습이 한 번 끝나면, 다음 버전의 모델을 개발하기 전까지는 같은 수준의 학습비용이 계속 들어가지는 않습니다. 게임 ‘리니지’를 한 번 개발하면 후속작을 개발하기 전까지는 개발비가 크게 늘지 않는 것과 비슷합니다. 하지만 학습이 끝난 LLM을 사람들에게 서비스하는 데에도 또 다른 비용이 들어갑니다. 이를 추론(Inference)이라고 합니다. 배포비용 또는 유통비용이라고 말할 수 있는데요. 리니지를 많은 이용자들에게 서비스하려면 운영인력도 필요하고, 서버 이용료도 내야죠. 이용자가 늘어날수록 추론비용도 늘어납니다. 추론은 학습과 비용 구조가 다릅니다. 추론 과정에서도 GPU가 필요합니다. 다만 반드시 엔비디아의 최고 성능 GPU가 필요한 것은 아닙니다. 데이터 확보 비용은 학습 단계보다 덜 들 수 있지만, 전기료는 오히려 더 많이 들어갈 수도 있습니다. 추론은 사용자 수가 훨씬 많고, 가동 시간도 길기 때문입니다. 고비용 AI 인재도 학습 단계만큼 많이 필요하지는 않을 가능성이 큽니다. 결국 중국 AI 모델의 ‘가성비’는 두 가지로 나눠 생각해볼 수 있습니다. 첫째, 중국은 AI 학습 비용이 상대적으로 적게 든다. 둘째, AI 추론을 위한 인프라를 사용하는 비용도 상대적으로 낮다. 이 두 가지가 합쳐져 중국 모델의 낮은 토큰 가격이 가능해진다고 볼 수 있습니다. 버스 토큰이 뭔지 알고 계신 분? <수집매니아> 토큰은 와트(W)가 아니다 여기서 잠깐 토큰 비용에 대한 한가지 오해를 바로 잡아야할 것 같습니다. 앞서 입력/출력 당 종량제로 부과되는 요금으로 토큰의 비용을 계산한다고 말씀드렸는데요. LLM을 만드는 모델 회사들이 토큰당 비용을 책정해서 부과합니다. 그런데 이 토큰이 모든 LLM들이 동일한 기준으로 만드는 것이 아니라는 점이 함정입니다. 토큰이라는 것은 AI모델이 텍스트, 이미지, 음성등을 처리하는 단위인데요. 이 토큰의 단위와 기준은 AI 모델을 만드는 회사마다 다 다르다고 합니다. 챗GPT에서의 1토큰과 클로드의 1토큰을 1:1 비교하기는 어렵다는 것입니다. 중국 같은 경우는 그래서 토큰 표준화에 나서기도 하고 있습니다. 특히 언어에서 이런 토큰의 특성이 드러나는데요. 한국어로 정보를 입력하면 똑같은 정보를 영어로 입력할때보다 처리해야하는 토큰의 양이 많다고 합니다. 영미권에서 만들어진 AI모델이 기본적으로 영어로 학습을 하기 때문이라고 하는데요. 한국어로 입력을 해도 AI가 영어로 생각한후에 다시 한국어로 답을 해주는 것 같은 느낌을 받을때가 있는데, 그것이 한 이유가 아닐까 생각해봅니다. 또한, 토큰은 단순히 입력값/출력값이 아니라 AI가 스스로 생각(Reasoning)하고 답을 찾는 과정에서도 소비된다고 합니다. 그래서 AI가 스스로 생각해서 답을 찾고, 행동을 하는 에이전틱AI나 코딩에 쓰이는 AI가 많은 토큰을 사용하고, 때로는 토큰 폭탄을 맞기도 하는 이유입니다. 그런 점에서 토큰은 어떻게 쓰느냐에 따라 크게 아낄수있기도 하고, 생각없이 사용하다가 폭탄을 맞을 수 있습니다. 싼게 비지떡이라고, 가격표의 토큰당 가격이 저렴하다고 해도, 이 모델이 비효율적으로 토큰을 사용한다면, 실제 부과되는 요금은 훨씬 커질 수 있다는 것입니다. 미국 기업들은 중국이 증류를 통해서 자신들의 AI 기술을 빼간다고 주장하고 있습니다. <챗GPT로 생성> 중국이 결국 승리하는 이유 지난달 25일에도 흥미로운 뉴스가 나왔습니다. 앤트로픽이 미국 의회에 중국 알리바바가 앤트로픽의 기술을 훔쳤다는 취지의 서한을 보냈다는 내용입니다. 이 서한에 따르면 알리바바는 2만5000개의 허위 계정을 동원해 클로드와 2880만 건 이상의 대화를 생성했습니다. 이른바 ‘증류(Distillation)’라는 방법을 통해 알리바바의 LLM인 Qwen이 클로드의 능력을 가져갔다는 주장입니다.증류란 매개변수가 큰 모델을 이용해 매개변수가 작은 모델을 학습시키는 방법입니다. 많은 AI 개발사들이 소형 모델을 만들 때 이 방식을 사용하고 있습니다. 하지만 반대로 경쟁사의 모델을 활용해 자사 모델을 학습시키는 데에도 사용할 수 있습니다. 이런 비판 때문이었을까요. 알리바바는 최근 내부적으로 앤트로픽의 클로드 사용을 금지시켰습니다. 중국 LLM 개발사들이 미국 모델을 증류해 사용했다는 주장은 지난해 딥시크가 부상했을 때 샘 올트먼 오픈AI CEO에게서도 나온 바 있습니다. 물론 증류를 중국 기업들만 사용하는 것은 아닙니다. 일론 머스크가 만든 xAI도 오픈AI 모델을 증류해 자사 모델인 그록을 학습시켰다는 설명이 있습니다. 즉, 증류는 LLM 개발 후발주자에게 매우 유용한 방법입니다. 이를 활용하면 LLM 학습비용도 상당히 줄일 수 있다고 볼 수 있습니다. 뤄 푸리 샤오미 거대모델 개발 헤드. <본인 X> AI 연구자의 절반이 중국인(계) 지난해 본격적으로 LLM 개발에 뛰어든 샤오미도 여러 가성비 중국 LLM으로 주목받고 있습니다. 샤오미는 미모(Mimo)라는 모델을 오픈소스로 공개하며 시장을 놀라게 했는데요. 단기간에 샤오미가 앞선 성능의 모델을 내놓을 수 있었던 데에는 뤄 푸리라는 개발 리더의 역할이 컸습니다. 그는 딥시크에서 천재 여성 AI 개발자로 화제가 됐던 인물입니다. 1995년생 서른둘에 불과한 나이죠. 역시 가성비로 알려진 알리바바의 Qwen는 최근 큰 변화를 겪었는데요. 내부에서 대규모 인력 변동이 있었고, 유명 AI 개발자인 린 준양이라는 인물이 퇴사했습니다. 1993년생인 그는 퇴사후 직접 AI 연구소를 설립했는데요. 20억 달러의 기업가치로 투자를 받고 있다고 합니다. 실리콘밸리에서나 벌어지는 것 같은 현상이 중국 AI 업계에서 나타나고 있는 것입니다. 요즘 가장 뜨거운 중국 LLM 개발사인 즈푸AI는 회사는 칭화대 컴퓨터공학과 교수 두 사람이 설립했습니다. 올해 1월 홍콩에 상장한 즈푸 AI는 이후 주가가 1000% 폭등하면서 창업자들은 벼락부자가 됐습니다. 앞서 말씀드린 GLM-5.2의 돌풍때문입니다. 흥미로운 점은 이런 중국의 LLM을 개발한 인물들 가운데 해외 유학 경험이 없거나, 해외 빅테크에서 근무한 적이 없는 ‘토종파’가 많다는 것입니다. 다시 말해 중국은 미국의 AI 개발자 생태계에 의존하지 않고도 자체 생태계만으로 독자적인 AI 개발이 가능하다는 점을 보여주고 있습니다. 지금의 AI 연구 생태계가 ‘중국인’ 또는 ‘중국계 미국인’에 의해 사실상 움직인다는 젠슨 황 엔비디아 CEO의 말이 결코 허황된 이야기가 아닌 셈입니다. 실리콘밸리에서는 천문학적인 몸값의 AI 연구자들에게 막대한 보상을 주고 있습니다. 반면 중국은 AI 인력에게 상대적으로 낮은 몸값을 지불하고 있는 것으로 추정됩니다. 하지만 이들은 스타트업을 창업하고, 회사를 상장시키며, 향후 큰 보상을 받을 기회를 얻습니다. 딥시크가 그랬던 것처럼 국가적 영웅으로 떠받들어질 수도 있습니다. 전세계에 위치한 화웨이의 클라우드 인프라 <화웨이> AI 반도체와 인프라도국산화 나서는 중국 지난 6월 딥시크는 처음으로 외부 투자를 받으면서 중국에서 가장 높은 기업가치의 비상장 기업이 됐습니다. 딥시크는 원래 헤지펀드 하이플라이어의 창업자 량원펑의 개인 프로젝트에 가까운 회사였습니다. 중국 AI의 발전을 위해 개인 재산을 투입한 회사인데요. 엔비디아 GPU 수출 규제라는 장벽을 열정적인 엔지니어들의 노력으로 뚫어내고 세상을 놀라게 했죠. 그래서 다른 AI 스타트업과 달리 외부 투자를 받지 않았습니다. 그런 기존 방침을 바꿔 딥시크가 투자를 받은 첫 번째 이유는 인재 유출을 막기 위해서라고 합니다. 딥시크 쇼크 이후 샤오미로 떠난 뤄푸리 외에도 핵심 연구자들이 바이트댄스와 텐센트로 이동했다고 합니다. 새로운 인재들에게 보상을 주기 위해서라도 투자를 받을 수밖에 없었고, 앞으로는 상장까지 준비할 가능성도 있어 보입니다. 그런데 딥시크의 투자자를 보면 흥미로운 부분이 나오는데요. 먼저 창업자 본인이 가장 많은 4조원의 돈을 투자했습니다. 다음으로 중국 최대 빅테크 기업인 텐센트가 2조원, 중국 1위 배터리 기업인 CATL이 1조원, 정부 AI 펀드가 2000억원을 투자했습니다. 이렇게 외부 투자를 많이 받았는데 의결권은 량원펑이 100% 유지한다고 합니다. 즉, 텐센트나 CATL의 투자는 수익을 거두기 위한 목적보다는 딥시크라는 중국의 간판 AI 기업을 두 기업이 지원한다는 성격이 강해 보입니다. 이는 지난 1년간 딥시크가 해온 일을 보면 더 잘 이해됩니다. 딥시크는 기존에는 엔비디아 CUDA 생태계에서 엔비디아 GPU를 활용해 모델을 학습해왔습니다. 그런데 지난 4월 공개한 V4에서는 화웨이의 어센드 가속기로 학습을 했습니다. 중국은 미국이 엔비디아 GPU 수출을 금지시킨 후 화웨이를 중심으로 자체 AI 반도체 개발에 박차를 가해왔습니다. 중국의 소버린 AI를 상징하는 딥시크와 중국 AI 인프라의 상징인 화웨이가 협력을 통해 미국에 전혀 의존하지 않고 프론티어 AI 모델 학습에 성공한 것입니다. 향후 더 많은 중국 AI 기업들이 엔비디아 GPU를 버리고 화웨이나 캠브리콘 같은 토종 AI 가속기를 사용하는 것이 더 많아질 것입니다. AI 강호에는 육대문파가 있다고 합니다. <챗GPT로 생성> 치열한 내부 경쟁이 낮추는 비용 중국 테크 기업들에게 최대 경쟁자는 누구일까요. 알리바바의 최대 경쟁자는 구글일까요, 아마존일까요. 화웨이의 최대 경쟁자는 애플일까요. 우리의 생각과 달리 중국 기업들의 최대 경쟁자는 같은 중국 기업인 경우가 많다고 합니다. 중국은 거대한 내수시장을 갖고 있습니다. 중국 내에서 1등을 하는 것이 해외시장에서 1등하는 것보다 더 큰 시장을 확보하는 경우가 있습니다.중국은 정부에 의한 인위적인 구조조정이 빈번합니다. 여기서 살아남으려면 다른 기업들을 꺾고 1등이나 2등을 해야지 인위적인 구조조정의 대상이 안됩니다. 워낙 국내시장의 경쟁이 치열하다보니 국내시장에서 1위를 하면 자연스럽게 글로벌 경쟁력까지 갖추게 됩니다. 텐센트, 알리바바, 샤오미는 모두 중국 테크 업계의 대표적인 경쟁자입니다. 특히, 텐센트와 알리바바는 구글과 마이크로소프트처럼 퍼블릭 클라우드 시장을 두고 치열하게 경쟁하고 있습니다. 이 회사들은 자사 클라우드 사업을 키우기 위해서라도 뛰어난 성능의 AI모델을 직접 개발해야합니다. 토큰 비용도 공격적으로 책정해서 더 많은 사용자를 자신들에게 끌어들일 유인이 큽니다. 반면 스타트업인 즈푸AI나 딥시크도 빅테크와 경쟁하기 위해 토큰 비용을 낮춰야 합니다. 구글 제미나이와 경쟁하는 챗GPT의 입장이기 때문입니다. 토큰 가격을 낮추면서 발생하는 손실보다, 시장을 선점하면서 얻는 주가 상승이나, 정부 지원의 효과가 더 크다고 판단할 수 있습니다. 반면 미국의 오픈AI와 앤트로픽은 입장이 다릅니다. 이미 기업가치가 너무 높아진 두 회사는 조만간 상장을 준비하고 있고, 높아지는 AI 회의론을 넘기 위해서라도 수익성을 신경 쓸 수 밖에 없습니다. AI 모델을 개발하는 것이 돈이 된다는 것을 보여줘야합니다. 이 두 회사를 고객으로 두고 있는 아마존이나 마이크로소프트같은 회사는 어떨까요? AI 추론에 대한 수요는 높고, AI 데이터센터가 부족한 지금과 같은 상황에서 하이퍼스케일러들은 막대한 투자에 더 집중하고 있습니다. AI인프라가 대규모로 구축되면 자신들의 원가구조가 좋아질 것이기 때문입니다. AI데이터센터는 전세계에서 전력의 수요를 폭발적으로 증가시킬 에정입니다. <가트너> 결국 미중 AI 경쟁은건설비용과 전기료 싸움 앞서 얘기로 돌아가 보겠습니다. AI를 고객들에게 저렴하게 제공하려면 학습 비용을 아끼거나, 추론을 위한 인프라 구축 비용을 낮춰야 합니다. 중국은 학습 과정에서 증류를 활용해 비용을 줄일 수 있고, 뛰어난 인재들도 보유하고 있습니다. 반면 인프라 비용을 줄이는데는 한가지 병목지점이 있습니다. 바로 반도체입니다. 중국은 가장 고성능의 엔비디아 GPU를 사용할 수 없고, HBM도 자유롭게 사용할 수 없습니다. 자체 GPU를 만들려고 해도 TSMC의 최선단 공정을 사용할 수 없기 때문에 이를 사용해서 만드는 다른 AI 가속기에 비해 성능이 떨어질 수 밖에 없습니다. 물론 중국 밖의 AI 데이터센터를 활용해 서비스를 제공할 수도 있습니다. 하지만 중국 정부는 이 기회에 자국 AI 반도체와 데이터센터를 키우겠다고 마음먹은 것으로 보입니다. 그렇다면 미국은 AI 인프라 구축에 유리할까요. 어떻게 보면 반도체를 제외한 모든 부분에서 미국이 불리합니다. 미국에서는 인건비를 포함해 AI데이터센터 건설비용이 비쌉니다. 전반적인 전기료도 중국에 비해 높습니다. 심지어 데이터센터 건설에 대한 사회적 반발도 큽니다. 단순히 건설비용이 많이 드는 것이 문제가 아니라, 데이터센터를 짓는 데 중국보다 훨씬 많은 시간이 걸릴 수도 있습니다. AI 모델 개발 경쟁은 이제 점차 끝이 보이고 있습니다. 일반인이 체감하는 LLM 성능은 모델 간 큰 차이를 보이지 않고 있고, 이미지나 동영상 생성 능력, 코딩 성능도 일정 수준 이상에 도달했습니다. 소수의 강력한 모델들이 이미 강력한 해자를 구축한 것 같습니다. 그래서 AI 개발 경쟁은 이제 휴머노이드 로봇이나 스마트공장 같은 피지컬 AI, 또는 AI를 활용해 과학과 R&D 개발 속도를 끌어올리는 것과 같은 어플리케이션의 영역으로 넘어가고 있습니다. 이 경쟁에서 이기려면 결국 ‘토큰’을 얼마나 싸게 제공할 수 있느냐가 중요해집니다. 지능이 저렴해져야 혁신이 나올 가능성도 높아지기 때문입니다. 학습에서 차별화가 어려워지고 있다면, 추론 비용을 낮추기 위한 AI 인프라 투자가 중요해지는 것입니다. 애플이 메모리 부족으로 CXMT의 제품을 쓰는 것을 검토하고 있다고 합니다. <챗GPT로 생성> GPU와 메모리 비용을 아끼자 AI 인프라 비용 구조는 단순하지 않습니다. 내가 모델을 개발하는 회사인가, 아니면 하이퍼스케일러인가, 아니면 단순한 AI데이터센터 운영회사인가에 따라 입장이 다를 수 있습니다. 오픈AI와 앤트로픽처럼 모델을 개발하는 회사라면 모델 학습에 투입한 비용을 절감하고, AI 데이터센터를 싸게 빌리는 것이 중요할 것입니다. 이를 위해서 엔비디아 GPU가 아닌 다른 AI가속기를 써보기도 하고, 자체 AI칩을 개발하기도 합니다. 화웨이를 사용하고 있음에도 딥시크가 자체 AI칩을 개발한다는 뉴스가 나오는 이유입니다. 반면 전세계에서 데이터센터를 운영하는 하이퍼스케일러의 계산은 좀더 복잡합니다. 하이퍼스케일러는 전 세계에 위치한 데이터센터마다 비용 구조가 다릅니다. 직접 지은 데이터센터도 있고, 임대한 데이터센터도 있습니다. 어떤 데이터센터에서는 챗GPT를 많이 사용하기도하고, 어떤 곳은 클로드가 인기일 수도 있습니다. 심지어 딥시크나 즈푸AI의 모델이 작동할 수도 있습니다. 하이퍼스케일러 입장에서는 고객들이 많이 찾고 돈을 많이 내는 모델이 가장 좋은 모델이 됩니다. 하이퍼스케일러가 아닌 독립 AI 데이터센터 사업자라면 어떨까요. 이 경우에는 좋은 하이퍼스케일러와 손을 잡아야 합니다. AI 서비스 자체는 대개 하이퍼스케일러의 클라우드 위에서 돌아가기 때문입니다. 아니면 스스로가 '네오클라우드'라고 하는 AI 특화 클라우드 사업자가 되는 것도 방법입니다. 이 세 부류의 회사에 공통적으로 중요한 변수는 인프라 투자비용과 전기료입니다. 인프라 투자비용을 아낀다는 것은 가장 비싼 GPU 비용을 줄인다는 뜻이고, 두 번째로 비싼 메모리 반도체 비용을 줄인다는 뜻이기도 합니다. 이 회사들이 자체 AI 반도체를 개발하고, 메모리 사용을 줄이는 소프트웨어적 해법을 찾는 이유가 바로 여기에 있습니다. 한국의 곳곳에 세워지는 데이터센터가 의미있는 투자였으면 좋겠습니다. <챗GPT 생성> 한국이 토큰 수출국이 된다고? 최근 국내에서는 한국이 이른바 ‘토큰 수출국’이 되어야 한다는 말이 나오는 배경입니다. 우리의 인터넷이 전 세계와 연결되어 있는 것처럼, 한국의 AI 데이터센터에서 생산되는 지능도 다른 나라에서 사용할 수 있습니다. 해저 광케이블을 통해 한국은 이미 다른 나라와 연결되어 있기 때문입니다. 다른 나라로 수출하기 어려운 ‘전기’와 달리, ‘지능’은 수출될 수 있다는 의미입니다. 만약 한국이 AI 데이터센터를 국내에 싸고 빠르게 건설할 수 있다면, 전 세계적으로 넘쳐나는 AI 수요를 한국으로 가져올 수도 있습니다. 한국에는 AI 데이터센터의 핵심 중 하나인 메모리 반도체도 직접 만들고 전력설비나 냉각장치도 직접 만들 수 있기 때문입니다. 데이터센터에 전력을 공급하기 위한 LNG발전소나 원자력 발전소를 지을 수 있는 기반도 갖추고 있습니다. 만약 한국이 데이터센터를 많이 짓는다면 그 과정에서 관련 산업 전반을 키울수도 있습니다. 미국이나 중국에 비해서 취약한 토종 AI 반도체 회사나 AI 서버제조사를 이 과정에서 육성할 수도 있습니다. 제가 아는 몇분들께 과연 한국이 토큰을 수출하는 국가가 될 수 있을지 물어본적이있습니다. 공통적으로 말씀하시는 것은 한국의 '차별화'가 없다면 그건 어렵다고 합니다. 한국만이 제공할 수 있는 자체 AI 반도체, 한국만이 제공할 수 있는 차별화된 AI모델이 있어야한다고 합니다. 지금의 호황이 우리 산업이 성장할 수 있는 기회가 되면 좋을 것 같습니다. ※ 제목을 누르면 원문으로 연결됩니다. 오픈AI 라이브 모델 공개오픈AI가 GPT-라이브라고 하는 라이브 대화에 특화된 AI 모델을 공개. GPT-Live-1과 GPT-Live-1 Mini의 두가지 버전으로 나왔어요. 지금까지의 어느 음성 대화 AI 모델보다 뛰어나다고 자부. 한국어도 된다고 하니 써보고 싶네요! 스페이스XAI 코딩 강화 그록 4.5 공개우주 인공지능 회사(?) 스페이스XAI가 자체 개발 LLM인 그록 4.5를 공개했어요. 그록 4.5는 스페이스XAI가 인수한 코딩회사 커서와 협력해서 만들어진 것이 특징. 클로드 오퍼스 급 성능에 토큰 사용 비용은 훨씬 낮다고 회사측은 설명했어요. 메타 뮤즈 스파크 1.1 공개경쟁사들을 따라잡기 위해 절치부심하고 있는 메타. 뮤즈 스파크의 최신모델인 뮤즈 스파크 1.1을 공개했어요. 메타에 따르면 뮤즈 스파크 1.1은 코딩과 에이전틱 AI에 강한 모델. 그리고 공격적으로 토큰 가격을 책정할 것이라고 하네요.
2026.07.13 0 69
작은 성공이 모이면, 더 큰 실패를 만든다 (AX)
AI가 상상한 잘못된 AX: 부서별로 서로 다른 AI를 제각각 도입하다 보면, 전략이 누더기가 될 수 있습니다. 회사가 나아갈 방향과 어긋나는 셈입니다. 인공지능 전환(AX)이란회사를 다시 설계하는 것 ‘뉴 비즈니스 패러다임’은 경영의 시선에서 기술을 바라보는 책입니다. 두껍지만 오랜만에 꼭 읽어야 하는 책이 나온 것 같아요. 수많은 챕터 가운데 윤석빈 서강대 특임교수님이 쓴 ‘AX 인공지능전환: 생존과 성장을 위한 새로운 코드’에서 핵심만 추려 볼게요. ‘남들이 하니까’라는 위험함 윤 교수님은 많은 기업들이 AX(인공지능으로의 전환)에 대해 크게 오해하고 있다고 꼬집었어요. 오늘날 정말 많은 기업들이 AI를 도입하고 AX를 외치고 있지만, 개념 정립부터 잘못됐다는 지적입니다. 상당수 기업들은 '남들이 하니까'라는 초조함에 AI를 도입하면서도, '막대한 투자가 정말 성과로 이어질까'라는 불안감을 갖고 있다고 해요. 대다수는 값비싼 AI 솔루션 몇 개를 도입하고 만족하지만 그것으로는 턱없이 부족하다는 진단입니다. 이는 마치 증기기관이 발명되었을 때 기존 마차 위에 증기기관을 얹어놓고 '증기 마차'라고 부르는 것과 유사하다는 지적입니다. 진정한 혁신은 마차가 아니라 자동차라는 완전히 새로운 개념을 만들어내는 데서 시작된다는 것인데요. 즉 바퀴 개수와 마부의 역할, 심지어 도로 개념까지 원점에서 다시 생각해야 하는 것이 AX입니다. AX는 처음부터 설계하는 것 윤 교수님은 이런 이유로 AX를 경영의 근본적인 재설계라고 정의했습니다. 디지털전환(DX)이 자동차의 엔진 성능과 연비를 개선한 것이라면, AI+(AI 플러스)는 새 부품 하나를 더 얹은 것이고, AX는 자율주행 전기차를 아예 새로 설계하는 차원입니다. 하지만 대다수 기업은 고객센터에는 챗봇을, 마케팅팀에는 텍스트 AI를, 공장에는 불량품 검수 AI를 각각 붙이는 방식입니다. 각 부서 효율은 분명 오릅니다만, 문제는 그다음부터입니다. 실제로 현장에서는 이런 일이 종종 벌어집니다. 마케팅팀 AI가 잠재 고객을 발굴해 수요를 폭발시켰는데, 생산팀 AI는 안정적 생산량 유지에 최적화되어 있어 품절 사태가 벌어지는 것입니다. 개별 부서들은 분명히 AI를 도입해 목표를 달성했지만, 회사 전체 입장에서는 고객을 잃고 기회비용을 놓치는 셈입니다. 이처럼 작은 성공들이 모여 더 큰 실패를 만드는 역설을 가리켜 AI+의 역설이라고 합니다. 진짜 중요한 질문 때문에 AI 도입을 할 때는 새 운영체제(OS)를 도입하는 것과 비슷한 감을 갖고 있어야 해요. 컴퓨터 OS가 하드웨어와 소프트웨어를 연결하고 모든 자원을 관리하듯, AI가 기업의 모든 데이터, 프로세스, 의사결정의 중심에 자리를 잡게 해야 한다는 것입니다. 즉 AX는 기술의 문제가 아니라 전략의 문제인 것이죠. AI를 도입할 때는 질문도 달라져야 합니다. "우리가 가진 AI로 뭘 할 수 있을까"라고 묻지 말고, "우리의 가장 큰 문제는 무엇이고, 이를 AI로 어떻게 풀까"로 말입니다. 경쟁 우위의 새로운 공식 (출처: 뉴 비즈니스 패러다임) 윤 교수님은 성공적인 AX를 위해 네 가지 가이드라인을 줍니다. 다음과 같아요. 1️⃣KPI로 목표를 세운다: 많은 AI 프로젝트가 '모델 정확도 95% 달성'이나 '이미지 인식률 99%'처럼 기술적 숫자를 목표로 잡습니다. 하지만 AI 추천 엔진을 도입해 고객 구매 전환율 15%를 올리겠다거나 수요 예측 AI 도입으로 재고 비용 20%를 절감하겠다는 것처럼, 명확한 비즈니스 KPI가 필요합니다. 왜 AI를 도입하는 것인지가 중요합니다. 2️⃣업의 본질을 재정의한다: 대표적 기업은 롤스로이스입니다. 롤스로이스는 고객인 항공사가 원하는 것을 엔진 그 자체가 아니라 안전하고 효율적인 비행 시간이라는 것을 깨달은 회사입니다. ‘비행 시간을 파는 회사’로 업의 본질을 재정의 했습니다. 1960년대 ‘파워 바이더 아워(Power by the Hour)’라는 프로그램을 일찍 시작했어요. 마찬가지로 AI라는 새로운 기술이 도입되면, 모든 기업은 ‘우리는 도대체 무슨 일을 하는 기업인가’라는 질문에 부딪히게 됩니다. 당신의 회사는 고객을 위해 어떤 일을 하는 회사인가요? 3️⃣데이터 플라이휠을 돌려라: 플라이휠은 경영학에서 선순환을 가리킵니다. 더 나은 제품을 만들면 더 많은 사용자가 유입되고, 늘어난 사용자는 더 많은 데이터를 남기고, 그 데이터가 AI를 더 똑똑하게 만들고, 이를 기반으로 더 나은 제품을 만들 수 있어요. 한번 가속이 붙으면 경쟁사가 결코 따라올 수 없기 때문에, 선순환을 어떻게 달성할 수 있을지 고민이 필요해요. 4️⃣전사적 올인 팀을 만들어라: 부서별로 흩어진 조직 구조를 과감히 깨라고 강조합니다. 비즈니스 문제를 정의하는 기획자, 모델을 만드는 개발자, 현장을 잘 아는 현업 전문가가 처음부터 끝까지 하나의 팀으로 움직여야 한다는 메시지인데요. 하나의 KPI를 공유하며 빠르게 실행하고 학습하는 조직을 가리켜 '목적 조직(Purpose-driven Team)'이라고 합니다. 목적 조직을 만드는 법 목적 조직이란 2010년대부터 전 세계적으로 린 스타트업 방법론이나 애자일 조직문화가 확산하면서 경영학에 널리 퍼진 조직론입니다. 대표적으로는 음악 스타트업 스포티파이가 있어요. 스포티파이는 기획자, 개발자, 디자이너, 데이터 분석가 등 6~10명을 묶어 스쿼드라는 최소 조직을 만들어 두고 이를 유기적으로 연계하는 트라이브라는 상위 네트워크를 둡니다. 예를 들어 결제 관련 스쿼드들을 묶은 트라이브도 있고요. 검색 관련 트라이브도 있습니다. 40~100명 규모입니다. 하지만 이런 스쿼드나 트라이브 중심의 조직 구조는 서로 다른 업무를 하는 사람들의 집합체이기 때문에 직무 역량이 떨어질 수 있죠. 그래서 직무 기술을 공유하는 챕터라는 매트릭스 조직을 두고 있어요. 채서일 고려대 명예교수 (사진 한주형 기자) 우리가 집중해야 하는 것테크네가 아닌 텔로스! 한국 경영학계의 거두로 불리는 채서일 고려대 명예교수님이 얼마 전 신간『불 바퀴 문자 화폐: 문명을 만든 4가지 힘, 기업의 운명을 가르다』를 발간했는데요. 이 가운데 AI에 대한 통찰만 골라 보려고 합니다. 채 교수님은 AI를 낯선 기술이 아닌, 인류가 오래도록 반복해온 어떤 패턴의 최신 장면으로 묘사했습니다. 몸 밖으로 떼어내는 역사 채 교수님에 따르면, 인간이 구축한 문명이란 무언가를 '몸 밖으로 떼어내는' 역사라고 합니다. 물론 원숭이나 까마귀 그리고 해달과 같은 동물은 사물을 이용할 줄 압니다. 하지만 근육에서 에너지를, 다리에서 이동을, 뇌에서 기억을, 관계에서 신뢰를 몸 밖으로 떼어낸 것은 인간뿐이라고 합니다. 이들을 상징하는 것은 각각 불, 바퀴, 문자, 화폐입니다. 채 교수님은 AI를 가리켜 마지막 남은 '인지'를 몸 밖으로 떼어내는 과정이라고 주장합니다. 이를 '다섯 번째 분리'라고 정의했습니다. 인간은 무엇인가 몸에서 분리될 때마다 큰 격변을 겪었습니다. 그럴 때마다 중요도가 달라졌습니다. 채 교수님은 AI를 가리켜 '21세기의 카라벨선'이라고 했는데요. 카라벨선은 대항해시대 당시 원양을 오가는 배입니다. 카라벨선은 단순히 안정적이고 속도가 빠른 배가 아니었습니다. 21세기 카라벨선은 AI 누가 세계의 항로를 정의하는지를 규정하고, 교역과 무역의 축을 바꾸는 선박이었습니다. AI는 데이터의 바다를 항해하는 배입니다. 질문은 여기서부터입니다. 채 교수님은 “오늘날 AI 모델 자체는 이미 누구나 살 수 있는 범용재가 되어가고 있다”고 진단합니다. AI라는 모델 그 자체보다는 그 모델을 활용해 어떻게 항로를 개척하는지가 더 중요하다는 메시지입니다. 카라벨선으로 세계를 제패한 포르투갈은, 정작 기존 항로에 안주하다 네덜란드에 추월당했습니다. 포르투갈은 아프리카 희망봉을 도는 ‘인도 항로’에 만족한 데 반해, 네덜란드는 기존 연안 항로를 피해 대서양과 인도양을 가로지르는 대양항로를 개척한 것이죠. 모든 것이 복제될 수 있다 채 교수님은 “AI 시대는 속도가 무척 빠르다”면서 “측정할 수 있는 모든 것이 곧 복제될 수 있다”고 했어요. 때문에 측정 가능한 HOW(방법)는 범용재가 되고, 잴 수도 베낄 수도 없는 WHY(이유)가 마지막 차별화의 근간으로 남는다고 합니다. 그러면서 '테크네(Techne)'와 '텔로스(Telos)'를 구별해서 사물을 봐야 한다고 했어요. 테크네는 고대 그리스어로 기술, 기법, 수단 또는 무언가를 만들어내는 방법(HOW)을 뜻합니다. 반면 텔로스는 고대 그리스어로 목적, 본질, 궁극적인 이유(WHY)를 가리킵니다. 왜 이 일을 하는가?!? 기업도 마찬가지라고 합니다. AI라는 도구가 범용재가 되고 있으니, 기업의 궁극적인 목적과 본질을 다시 물어야 한다는 것인데요. 대표적 사례가 파타고니아입니다. 창업자 이본 쉬나드는 2022년 회사 지분을 환경 단체에 넘기며 "지구가 우리의 유일한 주주다"라고 선언했는데요. 매출 극대화라는 목적 함수로는 결코 도달할 수 없고, AI 알고리즘이 흉내 낼 수 없는 결정이었다는 설명입니다. AI가 거의 모든 일을 대신할 때 무엇을 더 잘할 수 있는가라는 질문보다는 무엇을 위해 이 일을 하는가라는 질문이 더 중요하다는 것입니다. WHY!?! 10일(현지시간) 미국 뉴욕 나스닥거래소에서 열린 SK하이닉스의 ADR 상장식에서 최태원 SK그룹 회장 등 경영진들이 오프닝 벨을 울리고 있다. SK하이닉스 미국 상장 SK하이닉스가 미국 나스닥에 상장하며 단숨에 미국 기술주 상위권에 이름을 올렸습니다. 무려 260억 달러 규모의 미국 예탁증권(ADR)을 상장했는데, 시가총액 1조 달러가 넘는 기업이 미국 증시에 추가된 것은 물론, ADR 상장 사상 최대 규모라고 합니다. 미국 경제지 배런스는 이 상장으로 SK하이닉스가 오랜 경쟁사인 마이크론과의 기업 가치 격차를 크게 좁혔다고 분석했습니다. 공모가 보다 13% 올랐다 SK하이닉스는 ADR 공모가를 주당 149달러로 책정했는데, 금요일 거래 첫날 170달러에 시작하며 13% 가량 급등했습니다. 지난 12개월간 한국 증시에서 이미 600% 넘게 오른 주식이라, 일견 고평가처럼 보일 수도 있습니다만, 상장 첫날 상승분을 반영하고도 SK하이닉스의 선행 주가수익비율(PER)은 5.9배로, 마이크론의 6.7배보다 오히려 낮다는 분석이 나왔습니다. HBM 지배력은 강점 주목할 부분은 고대역폭 메모리, 이른바 HBM 분야에서 돋보이는 지배력 유지입니다. HBM은 고급 AI 서버에 반드시 들어가는 핵심 부품인데, 카운터포인트리서치에 따르면 올해 1분기 SK하이닉스의 시장 점유율은 무려 58%에 달했습니다. 골드만삭스의 지우니 리 애널리스트는 SK하이닉스의 적정 PER을 향후 12개월 예상 순이익 기준 9배로 제시했습니다. 이를 근거로 한국 상장 주식에 347만원(약 2314달러)의 목표 주가를 내놓았는데, 이는 현재 대비 59% 높은 수준입니다. 시클리컬 산업은 약점 물론 그렇게 될지는 좀 더 봐야 합니다. 메모리 칩 산업은 역사적으로 공급 부족과 공급 과잉을 오가는 시클리컬 특성이 강해요. 또 ADR이 미국 달러로 표시되긴 하지만 변동성 큰 한국 시장과 연동되어 환율 위험을 안고 있다는 점도 유의할 대목입니다. 그러나 국내 기업이 모처럼 미국에서 주목을 받았다는 점에서 가장 큰 뉴스였습니다. GPT-5.6 Sol을 활용해 제작한 게임 (웹 앱 개발 가능) 나왔다 GPT 5.6...솔 테라 루나 지난 주말을 전후해 오픈AI와 메타가 굵직한 발표를 했습니다. 특히 오픈AI가 내놓은 GPT-5.6이라는 새 모델은 단순히 더 똑똑해졌다는 수준을 넘었다는 평가를 받았어요. 오픈AI는 이번에 솔(Sol), 테라(Terra), 루나(Luna)라는 세 가지 모델을 함께 공개했는데요. 이 가운데 상위 모델인 솔은 코딩, 사이버보안, 과학 분야에서 앞선 지능과 효율성을 보여줍니다. 솔은 경쟁 모델인 클로드 페이블 5를 여러 지표에서 앞섰다고 오픈AI는 주장하는데요. 주목할 만한 대목은 따로 있습니다. 바로 솔이 ARC-AGI-3라는 공개 게임을 처음으로 이겨낸 모델이라는 점입니다. ARC-AGI는 AI가 진짜 지능을 갖췄는지 가늠하는 까다로운 시험입니다. 사전 지식 부여를 금지한 상태에서, 경험이 없는 낯선 퍼즐을 주고 인간처럼 추론하는 능력을 평가하는 시험입니다. 물론 이번 발표는 오픈AI가 한 것이어서 일정 부분 감안해야 합니다. 그렇지만 AI 추론 능력이 일취월장하고 있음은 눈여겨볼 만 합니다. AI가 생각하는 내용을 드러내주는 J-렌즈라는 기술 AI는 무슨 생각을 할까? AI가 답변을 할 때 우리는 최종 결과물만 볼 뿐 그 속에서 무슨 일이 벌어지는지 알기 어려웠습니다. 그런데 앤트로픽이 'J-렌즈'라는 새로운 도구를 만들어, 모델 내부의 숨겨진 공간을 들여다보는 데 성공했습니다. 여기에는 모델이 곧 말할 가능성이 높은 단어들, 말하자면 입 밖으로 내기 전 머릿속에 스쳐 지나가는 생각에 해당하는 것들이 담겨 있습니다. 모델이 프롬프트를 한 단어씩 답으로 바꾸는 그 중간 과정을 처음으로 선명하게 관찰할 수 있게 된 셈인데요. 살펴보면... 계산 문제를 풀 때는 중간 계산값이 미리 떠올랐습니다. 예를 들어 특정 단백질 서열을 보여주자 'green(초록)', 'fluorescent(형광)' 같은 관련 단어가 나타났고요. ASCII로 그린 얼굴에서는 'eye(눈)', 'nose(코)', 'smile(미소)'이 튀어나왔습니다. 가장 인상적이었던 건 코드에서 버그를 못 찾은 클로드가 "가짜 버그를 심어 속이자"고 마음을 먹었는데요. 그 공간에 'panic(당황)'과 'fake(가짜)'라는 단어가 반복해서 떠올랐습니다. 모델이 겉으로 말하는 것과 속으로 하는 일이 다를 수 있음을 보여주는 대목입니다. 근데 이건 어디에 쓸 수 있냐고요? 앤트로픽은 해당 기법이 모델을 더 잘 이해하고 통제할 수 있는 새로운 방법이라고 평가합니다. 다만 전문가들은 아직 갈 길이 멀다고 봅니다. 굿파이어의 톰 맥그래스는 이를 두고 "모든 걸 비추는 조명이 아니라 손전등에 가깝다"며, 흥미로운 진전이지만 완전한 신뢰를 주기엔 부족하다고 지적했습니다. 하지만 AI의 속마음을 본다는 것이 흥미로운 연구이긴 합니다.
2026.07.13 0 24
생성형 AI 시대의 AWS 활용 전략은? 7/23 PS Webinar에서 확인하세요!
본 메일 수신에 감사드립니다. 더이상 메일수신을 원하지 않으시면 여기를 클릭해 구독을 해지해 주시기 바랍니다. 메가존클라우드 마케팅 유닛 | mzc_grp_mkt@megazone.com 경기도 과천시 과천대로7길 74 메가존산학연센터 Copyright 2026 © MegazoneCloud Corp. All Right Reserved.
2026.07.09 0 31
무협 X IBK창공 싱가폴 SWITCH 2026 참여기업 모집
⏰ 7월 1주 주요 모집 공고 🎯(7/15) <한국-독일 커넥트 AI 스타트업 피칭 챌린지 2026>🎯(7/16) <2026 WTCS 테스트베드 참가기업>🎯(7/16) <한국무역협회 X IBK창공 싱가포르 SWITCH 2026 프로그램 참여기업>🎯(7/16) <AISE 2026 AI Summit Seoul & Expo 참여기업>🎯(7/16) <AME 2026 자율주행모빌리티산업전 IR 피칭데이 참가기업>🎯(상시모집) <제주창조경제혁신센터 2026 상시매칭 오픈이노베이션 플랫폼> 한국무역협회 X IBK창공싱가포르 SWITCH 2026 참여기업 모집 👉모집 기간 : ~ 07.16(목) 까지👉현지 일정 : 26.10.26(월)~10.30(금) *실행사 기간: 26.10.27(화)~10.29(목)👉모집 대상 : IBK창공 및 한국무역협회 육성(졸업) 기업 10개사 👉제출 서류 : 필수- 참가신청서, 사업계획서, IR 자료 국문/영문, 사업자등록증 *해당시 추가 제출 : 해외 인증 및 특허, 제품소개서/카달로그 등👉신청 방법 : 하단 신청접수 링크 접속 후 구글폼 작성 및 제출 한국무역협회와 IBK창공은 다가오는 10월 싱가포르에서 진행되는 SWITCH(Singapore Week of Innovation&Technology) 2026에 참가할 해외 시장 진출 희망 기업을 모집합니다. 행사 주요 프로그램 내용으로는 전시부스 운영, 비즈니스 Meet-Up(바이어)·현지 IR(투자자) 개최 및 참여, 對 기관 미팅 주선 및 협력 연계로 구성되어 있으며, 참가 선정된 기업에게는 기업진단 및 글로벌 전문가 컨설팅, IR 자료 및 기업 소개 자료 제작, 1개사 최대 1인 왕복 항공료 지원, 현지 차량 및 여행자 보험 지원이 예정되어 있습니다. 혁신 기술을 보유한 우수 창업기업의 글로벌 진출을 희망하는 대표님들의 많은 관심과 신청 바랍니다. *관련 문의 : IBK창공 광주센터 운영사 제피러스랩(062-714-3288, ibkgwangju.zephyrus@gmail.com) 신청접수 바로가기 한국-독일 커넥트 AI스타트업 피칭 챌린지 2026참관객 모집👉진행 일자 : 2026.07.15 (수) 10:00~13:00👉행사 장소 : 서울 강남구 영동대로 513 코엑스 2층 스타트업브랜치👉신청 방법 : 하단 접수창 통해 구글 폼 신청 참관객 접수 바로가기 2026 WTCS 테스트베드참가기업 모집 👉모집 일자 : 2026.07.16(목)까지👉실증 장소 : 서울 강남구 삼성동 코엑스👉신청 방법 : 하단 접수창 접속 후 신청 * WTCS는 코엑스 전시장, 코엑스몰, 오피스 등 자산 및 시설관리 전문회사입니다. 접수창 바로가기 AISE 2026 전시부스/체험존 참가기업 모집 👉접수 마감 : 2026.07.16(목)까지👉행사 장소 : 서울 강남구 삼성동 코엑스 B홀👉행사 일자 : 2026.08.19(수) ~ 08.21(금)👉모집 분야 : 라이프스타일, 헬스케어, 뷰티테크, 모빌리티(로봇 제외),기타 체험 가능 딥테크 AI 👉신청 방법 : 하단 접수창 접속 후 신청 접수창 바로가기 AME 2026 IR 피칭데이& VC 멘토링 참가기업 모집 👉접수 마감 : 2026.07.16(목)까지👉행사 장소 : 서울 강남구 삼성동 코엑스 B홀👉행사 일자 : 2026.08.26(수) 👉모집 대상 : 창업 7년 이내 자율주행 관련 기술 보유 스타트업👉신청 방법 : 하단 접수창 접속 후 신청 * 본 행사는 코엑스 주최 2026 자율주행모빌리티산업전의 부대행사로 개최됩니다. IR피칭 신청 접수(이노브랜치) 제주창조경제혁신센터 2026상시매칭 오픈이노베이션 플랫폼👉모집 일자 : 2026년 연중 상시 모집👉선정 혜택 : 공고페이지 참고 必👉신청 방법 : 하단 접수창 통해 구글 폼 신청 접수창 바로가기 KITA Startup Branch 카카오상담채널 저희 Branch 카카오채널 연결을 안하셨다면 클릭해보시기 바랍니다. 그리고 "안녕하세요" 라고 말을 걸어주시면, 담당자가 직접 응답하고 맞춤형 관리를 해드립니다. (👉클릭)
2026.07.07 0 58
- 대학 홈페이지 add
- 대학원 홈페이지 add
- 부속/부설기관 홈페이지 add
본 웹사이트에 게시된 이메일 주소가 전자우편 수집 프로그램이나 그밖의 기술적 장치를 이용하여 무단으로 수집되는 것을 거부하며, 이를 위반시 정보통신망법에 의해 형사처벌됨을 유념하시기 바랍니다.