AI는 이제 화면 안에서 텍스트와 이미지를 만드는 단계를 넘어, 현실을 보고 다음 상태를 예측하고 직접 행동하는 단계로 이동하고 있다. The Core는 세 차례에 걸쳐 월드모델과 피지컬 AI의 작동 원리, 로봇 경험 데이터의 희소성, 그리고 제조 강국 한국이 이 경쟁에서 가질 수 있는 기회와 한계를 살펴본다. 첫 글은 이미지와 현실이 벡터와 텐서로 바뀌고, 이 데이터의 이동이 왜 메모리와 대역폭의 문제로 이어지는지를 설명한다.

(무료) ① 벡터의 마법: AI는 어떻게 픽셀을 행동으로 바꾸는가
(유료) ② 몸보다 비싼 데이터: 인터넷에는 로봇의 경험이 없다
(유료) ③ 제조 강국은 피지컬 AI 강국이 될 수 있는가

한 장의 이미지를 만들기 위해 AI는 왜 1TB 가까운 데이터를 읽을까

농장 한가운데 로봇이 무릎을 꿇고 있다. 한 손으로 소의 몸을 짚고, 다른 손으로 체온계를 들었다. 카우보이 모자까지 쓴 모습이 꽤 그럴듯하다. 생성 AI로 만든 이미지다.

사람은 이 장면을 보는 즉시 이야기를 읽는다. 배경은 목장이고, 로봇은 수의사 역할을 맡았으며, 소의 체온을 재려는 듯하다. 조금 우스꽝스럽지만 무엇을 보여주려는 이미지인지는 안다.

컴퓨터가 처음 마주하는 것은 이야기가 아니다. 숫자다.

이 이미지의 해상도는 908×499픽셀이다. 모두 45만 3,092개의 픽셀이다. 픽셀마다 빨강, 초록, 파랑 세 값을 기록하면 135만 9,276개의 숫자가 필요하다. 각 값을 8비트, 즉 1바이트로 표현하면 비압축 RGB 데이터는 약 1.36MB다.

여기서 구분해야 할 것이 있다. 1.36MB는 PNG나 JPEG 같은 실제 이미지 파일의 크기가 아니다. 압축하기 전 RGB 픽셀 배열의 크기다. 실제 파일 크기는 압축 방식과 화질, 알파 채널 유무에 따라 달라진다. 지금부터는 AI가 처음 계산해야 하는 숫자의 규모를 이해하기 위해 비압축 RGB 데이터를 기준으로 삼겠다.

우리가 한눈에 이해한 ‘로봇 수의사와 소’라는 장면이 컴퓨터 안에서는 일단 136만 개에 가까운 숫자로 시작한다.

벡터는 현실을 계산 가능한 숫자로 바꾼다

여기서 벡터(vector)가 등장한다.

벡터라는 말은 어렵게 들리지만 본질은 단순하다. 순서가 정해진 숫자의 묶음이다. 서울의 오늘 날씨를 [기온, 습도, 풍속]이라는 세 숫자로 표현한다면 그것도 벡터다. 사람의 얼굴을 눈의 위치, 입꼬리 각도, 표정의 강도 같은 수백 개의 특징으로 표현해도 벡터다.

벡터가 그 자체로 의미를 갖는 것은 아니다. 숫자 세 개를 아무렇게나 모았다고 의미가 생기지는 않는다. 그러나 AI가 대규모 데이터를 학습하면 벡터는 대상의 특징과 관계를 표현하는 좌표가 될 수 있다. 이런 학습된 벡터 표현을 흔히 임베딩(embedding)이라고 부른다.

임베딩 공간에서는 비슷한 개념이 가까운 위치에 놓이는 경향이 있다. ‘소’와 ‘송아지’는 ‘소’와 ‘노트북’보다 가까울 수 있다. ‘체온계’와 ‘진료’는 특정 방향에서 연결되고, 프롬프트 안의 ‘로봇’과 ‘수의사’는 새로운 관계를 맺는다. AI는 단어와 이미지의 특징을 숫자 공간의 거리와 방향으로 다룬다.

엄밀히 말하면 오늘날 AI가 실제로 다루는 것은 벡터보다 더 큰 텐서(tensor)다. 벡터가 숫자의 한 줄이라면 행렬은 숫자로 된 표다. 텐서는 숫자로 된 표가 여러 층으로 쌓인 상자에 가깝다. 이미지의 가로·세로·색상, 영상의 시간, 로봇 관절의 위치와 속도처럼 차원이 늘어나면 텐서가 된다.

벡터와 텐서가 어렵다면 이렇게 이해해도 충분하다.

AI는 픽셀 공간이 아니라 잠재공간에서 그림을 만든다

많은 최신 이미지 생성 모델은 수백만 개의 픽셀 값을 매 단계에서 직접 고쳐가며 그림을 만들지 않는다. 픽셀보다 작은 잠재공간(latent space)에서 작업한다.

텍스트로 이미지를 만드는 경우에는 압축할 원본 이미지가 먼저 존재하지 않는다. 모델은 압축된 잠재공간에서 노이즈로 시작해 프롬프트에 맞는 특징을 점차 만들어낸다. 마지막 단계에서 디코더가 잠재표현을 픽셀 이미지로 복원한다. 입력 이미지가 존재하는 이미지 변환 작업에서는 반대로 원본 이미지를 잠재공간에 먼저 압축할 수 있다. 이것이 잠재 확산 모델(Latent Diffusion Model)의 기본 발상이다.

(생성 AI가 압축된 잠재공간에서 장면의 특징을 다루는 과정을 설명하기 위한 예시. 수치는 특정 최신 모델의 실제 내부 구조가 아니다.)

계산을 쉽게 하기 위해 이미지를 912×504픽셀로 맞춰 보자. 비압축 RGB 데이터는 912×504×3바이트, 약 1.38MB다. 가로와 세로를 각각 8분의 1로 줄이고 각 위치를 네 개의 FP16 숫자로 표현한다고 가정하면 잠재표현은 4×63×114가 된다.

숫자 하나가 2바이트이므로 전체 크기는 57,456바이트다. 약 56KiB, 십진법으로는 약 57KB다. 비압축 RGB 데이터 약 1.38MB가 설명용 잠재표현 약 57KB로 줄어든 셈이다.

이 계산은 잠재공간의 원리를 보여주기 위한 예시다. 모델마다 공간 압축률과 채널 수, 숫자 형식이 다르다. 압축 과정에서는 세부 정보가 사라질 수도 있다. 따라서 “픽셀은 줄지만 의미가 더 선명해진다”고 단정해서는 안 된다.

중요한 점은 따로 있다. AI는 현실의 모든 세부를 같은 무게로 들고 다니지 않는다. 다음 계산과 이미지 복원에 필요한 특징을 더 압축적인 형태로 표현한다. 로봇의 금속 표면을 이루는 수천 개의 픽셀은 ‘금속 팔’과 관련된 특징으로 묶일 수 있다. 소의 눈과 귀, 머리의 움직임은 ‘불편함’이나 ‘경계’와 관련된 상태 표현으로 바뀔 수 있다.

벡터와 텐서는 압축인 동시에 추상화다. 그러나 데이터가 압축됐다고 해서 AI가 움직여야 할 데이터까지 작아지는 것은 아니다. 오히려 정반대의 일이 일어난다.

결과는 작지만, 생성 과정의 데이터 이동은 크다

공개 이미지 생성 모델인 FLUX.1-dev 공식 모델 카드를 보자. 이 모델은 120억 개의 파라미터를 가진다. 각 파라미터를 BF16, 즉 2바이트로 저장한다고 단순화하면 주요 모델 가중치의 크기는 약 24GB다.

공식 사용 예제는 이미지를 생성할 때 50번의 추론 단계를 사용한다. 매 단계에서 24GB의 가중치를 메모리에서 단 한 번씩 읽는다고 가정하면 다음과 같은 계산이 나온다.

• 24GB × 50단계 = 약 1.2TB

이 1.2TB는 실제 장비에서 측정한 값이 아니다. 메모리 용량도 아니다. BF16 가중치를 사용하고, 각 추론 단계에서 전체 가중치를 한 번 읽는다고 가정한 누적 가중치 읽기량의 개념적 추정치다.

실제 데이터 이동량은 양자화, 캐시, 연산 융합, 모델 병렬화와 샤딩, 하드웨어 구조에 따라 달라진다. 가중치를 8비트나 4비트로 줄이면 이보다 작아질 수 있다. 반대로 중간 활성값, 텍스트 인코더, 디코더, 장치 간 통신까지 포함하면 추가 데이터 이동이 발생한다.

따라서 비압축 RGB 데이터 약 1.38MB와 누적 가중치 읽기량 약 1.2TB는 서로 다른 물리량이다. 하나는 한 시점의 데이터 크기이고, 다른 하나는 생성 과정 전체에서 반복해 읽는 데이터의 합계다. 두 숫자를 직접 비교해 실제 효율을 계산할 수는 없다.

그럼에도 이 비교가 보여주는 사실은 분명하다.

AI를 ‘계산하는 기계’라고만 보면 이 흐름을 놓친다. 곱셈기가 아무리 많아도 가중치와 활성값이 늦게 도착하면 연산 장치는 기다릴 수밖에 없다. 대규모 AI는 계산 장치가 필요한 숫자를 필요한 순간에 공급받아야 작동한다.

그래서 AI는 계산 산업인 동시에 데이터 이동 산업이다.

용량은 창고, 대역폭은 도로다

메모리를 이해하려면 세 개념을 구분해야 한다.

• 용량(capacity)은 얼마나 많은 데이터를 보관할 수 있는가다. 창고나 주차장의 크기에 가깝다.
• 대역폭(bandwidth)은 1초에 얼마나 많은 데이터를 옮길 수 있는가다. 고속도로의 차선 수에 가깝다.
• 지연시간(latency)은 요청한 데이터가 도착하기까지 얼마나 걸리는가다. 목적지까지의 거리와 신호등 수에 가깝다.

AI 가속기는 엄청난 속도로 행렬 곱셈을 수행한다. 문제는 계산할 숫자가 끊임없이 들어와야 한다는 점이다. 이 때문에 GPU 가까이에 여러 개의 DRAM 다이를 수직으로 쌓고 넓은 인터페이스로 연결한 HBM(High Bandwidth Memory)이 AI 시대의 핵심 부품이 됐다.

SK하이닉스가 COMPUTEX 2026에서 공개한 수치를 보면 변화의 방향이 선명하다. 널리 사용되는 HBM3E는 스택당 약 1.2TB/s의 대역폭을 제공한다. HBM4는 입출력 통로를 1,024개에서 2,048개로 늘렸다. 공개된 최대 사양 기준으로 HBM4E는 핀당 16Gbps, 스택당 약 4.0TB/s의 대역폭을 제시한다. HBM4E는 현재 널리 배치된 제품의 실측 평균이 아니라 공개·샘플 단계의 최대 사양이라는 점은 구분해야 한다.

이 변화는 단순히 저장 공간을 키우는 경쟁이 아니다. 같은 시간에 더 많은 가중치와 활성값을 로직 반도체로 공급하는 경쟁이다. 연산 성능이 엔진의 마력이라면 메모리 대역폭은 엔진으로 들어가는 연료관의 굵기다. 연료관이 좁으면 큰 엔진을 달아도 제 성능을 낼 수 없다.

한 장의 이미지는 끝나지만, 로봇의 현실은 끝나지 않는다

지금까지는 이미지 한 장을 만드는 과정을 살펴봤다. 이제 이미지 속 로봇을 실제 목장에 배치해 보자.

이미지 생성 AI는 결과물을 만들고 멈출 수 있다. 로봇은 그럴 수 없다. 로봇은 작동하는 동안 다음 과정을 계속 반복해야 한다.

• 관찰한다 → 예측한다 → 행동한다 → 다시 관찰한다

오른손은 체온계를 소에게 천천히 접근시킨다. 왼손은 소의 몸에 닿아 미세한 움직임을 느낀다. 얼굴을 보는 카메라는 눈과 귀, 머리의 방향을 통해 불편함을 추정한다. 손목의 힘·토크 센서는 저항을 감지한다. 관절 센서는 팔의 위치와 속도를 기록한다. 체온계는 측정값을 보낸다.

이 데이터는 따로 존재해서는 안 된다. 모두 같은 시간축 위에서 결합돼야 한다. 소가 귀를 뒤로 젖힌 순간, 왼손에 힘이 들어온 순간, 오른팔의 진입 각도를 바꾼 순간이 정확히 연결돼야 한다. 그래야 모델이 “이 상태에서 이 행동을 하면 다음 순간에 무엇이 일어나는가”를 배울 수 있다.

가상의 센서 구성을 계산해 보자.

• 1080p RGB 카메라 2대, 초당 30프레임
• 720p 16비트 깊이 카메라 1대, 초당 30프레임
• 양손의 6축 힘·토크 센서, 1kHz
• 40개 관절의 위치·속도·토크, 1kHz

RGB 카메라 두 대의 비압축 데이터는 초당 약 373MB다. 깊이 카메라는 초당 약 55MB다. 힘·토크와 관절 값을 FP32로 기록한다고 가정하면 전체는 초당 약 0.43GB가 된다. 8시간 동안 계속 기록하면 로봇 한 대에서 약 12.4TB가 나온다. 로봇 1,000대라면 한 번의 8시간 작업에서 약 12.4PB다.

이 역시 실제 저장 용량을 예측한 수치가 아니다. 현실의 시스템은 영상을 압축하고, 중요하지 않은 구간을 버리고, 이벤트 중심으로 샘플링한다. 센서의 해상도와 프레임 속도도 작업에 따라 달라진다.

핵심은 12.4TB라는 숫자 자체가 아니다. 현실과 상호작용하는 AI는 인간이 프롬프트를 보낼 때만 데이터를 만드는 것이 아니다. 작동하는 매 순간 데이터가 생긴다.

이미지 생성 AI의 수요는 요청 단위로 끊긴다. 피지컬 AI(Physical AI)의 수요는 작동 시간에 따라 이어진다.

로봇의 센서 데이터가 곧바로 HBM 수요는 아니다

여기서 한 가지 오해를 피해야 한다. 초당 0.43GB의 센서 입력이 곧바로 로봇 한 대의 HBM 수요를 의미하지는 않는다.

대표적인 온로봇 컴퓨터인 NVIDIA Jetson AGX Thor는 HBM이 아니라 273GB/s 대역폭의 LPDDR5X를 사용한다. 모든 휴머노이드에 HBM이 들어갈 것이라고 주장하면 과장이다.

그렇다면 HBM은 어디에서 중요해질까.

센서에서 들어온 원시 데이터는 AI 모델을 통과하면서 여러 층의 특징 지도와 중간 활성값, 주의 계산, 잠재 상태, 행동 후보로 변환된다. 모델 가중치도 추론 단계마다 반복해서 읽힌다. 원시 입력보다 모델 내부에서 이동하는 데이터가 훨씬 커질 수 있다.

로봇이 만드는 데이터의 생애주기를 보면 메모리의 역할이 층별로 나뉜다.

1. 로봇 위에서는 LPDDR 같은 저전력 메모리가 실시간 센서 처리와 추론을 담당한다.
2. 현장에서 생성된 영상과 행동 궤적은 로봇이나 엣지 장치의 SSD에 임시 저장된다.
3. 중앙으로 전송된 데이터는 대규모 스토리지에 축적되고, 정제와 검색 과정에서는 서버 DRAM이 사용된다.
4. 대규모 학습과 고성능 추론, 대규모 병렬 시뮬레이션은 HBM을 탑재한 데이터센터 가속기의 주요 영역이 된다.

모든 추론과 모든 시뮬레이션에 HBM이 필요한 것은 아니다. 모델 크기와 실시간성, 병렬 처리 규모에 따라 LPDDR나 GDDR, HBM을 비롯한 서로 다른 메모리가 사용된다. 중요한 점은 피지컬 AI의 메모리 시장을 “휴머노이드 한 대에 HBM이 몇 개 들어가는가”로만 계산해서는 안 된다는 것이다.

로봇에는 LPDDR가 실릴 수 있다. 그러나 로봇이 수집한 데이터를 학습하고, 수많은 가상환경을 병렬로 시뮬레이션하고, 개선된 모델을 다시 배포하는 학습 공장은 HBM을 사용할 수 있다.

로봇 한 대는 하나의 기계이면서 데이터 수집기이고, 동시에 AI 학습 공장의 말단이다.

월드모델은 ‘다음 토큰’이 아니라 ‘다음 상태’를 예측한다

LLM은 문장에서 다음에 올 단어 조각, 즉 토큰(token)을 예측한다. 피지컬 AI에서 사용하는 행동 조건부 월드모델(world model)을 가장 단순하게 표현하면 현재 상태와 행동을 바탕으로 다음 상태의 확률분포를 예측하는 모델이다.

P(st+1⎪st,at)

현재 상태 st에서 행동 at를 했을 때 다음 상태 st+1가 어떻게 될지를 예측한다는 뜻이다.

현대의 월드모델은 다음 영상 프레임이나 잠재 상태를 여러 단계에 걸쳐 예측하기도 한다. 모든 월드모델이 명시적인 행동 입력을 필요로 하는 것도 아니다. 그러나 로봇의 행동을 설명하는 데는 위의 단순한 전이 모델이 가장 유용하다.

소에게 체온계를 가까이 가져가면 소는 가만히 있을 수도 있고, 몸을 틀 수도 있고, 뒷발을 움직일 수도 있다. 로봇은 정답 문장을 생성하는 것이 아니다. 여러 가능한 미래를 아주 짧은 시간 안에 예측하고, 그중 안전한 행동을 골라야 한다.

그래서 언어만으로 물리 세계를 충분히 설명하기는 어렵다. “체온계를 천천히 넣어라”라는 문장에는 표면의 마찰, 소의 근육 긴장, 손목에 전달되는 힘, 접근 각도와 속도가 담겨 있지 않다. 영상도 모든 것을 주지는 못한다. 힘, 질량, 마찰, 유연성, 접촉 감각은 직접 상호작용해야 얻을 수 있다.

월드모델의 핵심은 관찰과 행동을 함께 학습하는 데 있다. 행동 전의 상태, 실제 행동, 행동 뒤의 상태가 한 묶음이 돼야 한다.

피지컬 AI는 메모리 시장의 시간을 바꾼다

생성 AI의 메모리 수요는 대체로 인간이 질문하거나 이미지와 영상을 요청하는 순간 발생한다. 피지컬 AI는 다르다. 로봇과 자율 시스템은 사람이 질문하지 않아도 계속 보고, 예측하고, 행동한다.

이 변화는 AI 수요의 단위를 바꾼다.

• 질문 수에서 작동 시간으로
• 생성된 토큰 수에서 관찰과 행동의 연속 궤적으로
• 한 번의 추론에서 실시간 폐쇄 루프(closed loop)로
• 단일 모델에서 학습·시뮬레이션·현장 추론의 전체 시스템으로

NVIDIA는 이 구조를 ‘세 대의 컴퓨터’로 설명한다. DGX는 모델을 학습하고, Omniverse와 Cosmos가 작동하는 서버는 시뮬레이션과 합성 데이터를 담당하며, Jetson AGX Thor는 로봇 위에서 실시간 추론을 수행한다. 이는 NVIDIA가 제시하는 산업 구조이지만, 피지컬 AI를 로봇 몸체 한 대의 부품표만으로 이해해서는 안 된다는 점을 잘 보여준다.

피지컬 AI는 로직 반도체만의 시장이 아니다. 현실을 벡터와 텐서로 바꾸고, 저장하고, 필요한 순간에 이동시키는 전체 메모리 계층의 시장이다. 로봇 위의 LPDDR, 데이터 수집과 보관을 위한 NAND 기반 SSD, 데이터 정제와 검색을 위한 서버 DRAM, 대규모 학습과 시뮬레이션을 위한 HBM이 하나의 흐름으로 연결된다.

물론 로봇 수가 늘어난다고 메모리 수요가 같은 비율로 늘어나는 것은 아니다. 영상 압축과 데이터 선별, 모델 경량화, 더 효율적인 학습 기술이 데이터와 연산량을 줄일 것이다. 반대로 더 큰 모델과 더 많은 시뮬레이션, 더 높은 센서 해상도는 수요를 늘릴 수 있다.

확실한 것은 피지컬 AI가 기존의 요청형 생성 AI에는 없었던 상시 작동 워크로드를 만든다는 점이다. AI가 현실 속에서 움직이기 시작하면 데이터는 한 번 생성되고 끝나는 결과물이 아니라 계속 순환하는 생산요소가 된다.

로봇은 벡터가 흐르는 강이다

다시 수의사 로봇 이미지로 돌아가 보자.

이미지 속 로봇 수의사는 908×499픽셀이다. 알파 채널을 제외한 비압축 RGB 데이터로 계산하면 약 1.36MB다. 그러나 실제 로봇 수의사는 매초 수억 바이트의 센서 데이터를 받아들이고, 모델 내부에서 그보다 훨씬 큰 텐서를 움직이며, 행동 결과를 다시 새로운 데이터로 남긴다.

한 장의 그림은 벡터의 한순간이다. 로봇은 벡터가 흐르는 강이다.

피지컬 AI 시대에 우리가 물어야 할 질문은 “로봇이 얼마나 많은 계산을 하는가”만이 아니다.

그 질문의 중심에 메모리와 대역폭이 있다.

그러나 또 다른 질문이 남는다. 언어 모델은 인터넷에서 텍스트를 배웠다. 로봇은 어디에서 행동을 배울까. 인터넷에는 로봇이 특정 몸으로 특정 물체를 만지고, 실패하고, 교정한 경험이 거의 없다.

다음 글에서는 왜 로봇 몸체의 제조 비용은 내려갈 수 있지만 로봇 경험의 비용은 쉽게 내려가지 않는지 살펴본다. 시뮬레이션, 인간의 1인칭 영상, 텔레오퍼레이션, 현장 배치 데이터가 어떤 데이터 피라미드를 이루는지, 그리고 왜 로봇 산업에서 “Bodies are Cheap, Data is Not”이라는 말이 등장하는지를 분석할 예정이다.

[01] 프롬프트 넘어 '위임 시대' 온다: 답변 도구에서, ‘행동하는 노동자’로

한 번 대답하는 AI에서 여러 단계를 수행하는 AI로

2024년 3월, 앤드루 응은 미국에서 열린 ‘AI 어센트’ 무대에 올랐습니다. 당시 AI 업계의 관심은 더 큰 모델과 더 높은 성능에 쏠려 있었습니다. 그러나 응이 강조한 것은 다음 세대의 거대 모델만이 아니었습니다. 이미 존재하는 모델도 한 번의 응답으로 끝내지 않고 성찰과 도구 사용을 포함한 반복 구조를 적용하면, 일부 과제에서는 모델 자체를 교체하는 것보다 더 큰 성능 향상을 얻을 수 있다는 주장이었습니다.

⚡실리콘밸리: AI가 일을 줄여줄 거라 생각했는데‥

• AI 에이전트가 사람의 일을 대신하면서 창업자들이 더 여유로워질 것이라는 기대와 달리, 실리콘밸리에서는 정반대 현상이 나타나고 있습니다. 여러 단계의 업무를 스스로 계획하고 실행하는 AI 에이전트를 쓰기 시작한 창업자들이 오히려 밤샘 근무와 수면 부족에 시달리고 있다는 것입니다.
• WSJ에 따르면 IT 문제 해결 소프트웨어를 만드는 스타트업 ‘킬(Keel)’의 공동창업자 아디티야 샤르마는 최근 AI 에이전트들과 일하다 오전 6시에 잠든 적도 있습니다. 에이전트들은 고객용 기능을 만들고, 사내 AI 모델을 위한 자료를 조사하고, 마케팅 캠페인까지 감시하지만 중간에 추가 정보나 승인 요청이 생기면 결국 사람이 개입해야 하기 때문입니다.

🌙 AI에 맞춰서 근무해야

• 문제는 AI가 사람처럼 근무시간에 맞춰 움직이지 않는다는 점입니다. 에이전트는 한밤중에도 일을 끝낼 수 있고 다음 작업을 위해 사람의 결정을 기다릴 수 있습니다. 창업자 입장에서는 잠을 자는 8시간 동안 AI가 멈춰 있는 것 자체가 큰 손실처럼 느껴집니다.
• 샤르마는 “에이전트가 8시간 막혀 있는 비용이 너무 크다”고 말합니다. 실제로 그는 최근 체중이 늘었고, 업무시간이 끝난 뒤에도 사람들과 함께 있을 때 AI가 무엇을 하고 있는지 계속 신경 쓰게 된다고 털어놨습니다.

🚀 생산성 30배…할 일도 30배

• AI 에이전트가 주는 생산성 향상은 실제로 매우 큽니다. 30년 넘게 기술업계에서 일한 피터 페자리스는 올해 은퇴하겠다고 가족에게 약속했지만, AI 열풍을 견디지 못하고 네 번째도 아닌 다섯 번째 스타트업 ‘프록손(Proxon)’을 다시 창업했습니다.
• 직원은 개발자 6명뿐이지만 에이전트를 활용하면서 AI가 없을 때보다 약 30배 빠르게 회사를 운영하고 있다고 그는 설명합니다. 다만 개발이 빨라지면 고객도 더 빨리 늘고, 고객 요청도 더 많아지면서 결국 사람에게 돌아오는 일 역시 함께 증가합니다. AI가 일을 없애기보다 새로운 일을 계속 만들어내는 셈입니다.

😵 “쉬는 1분이 일주일을 날리는 느낌”

• 창업자들을 더 몰아붙이는 것은 이른바 ‘AI FOMO’입니다. AI 기술이 너무 빠르게 발전하다 보니 잠시라도 멈추면 경쟁자에게 크게 뒤처질 것 같은 불안감을 느끼는 것입니다.
• 페자리스는 “내가 일하지 않는 매 순간 일주일치 일을 할 기회를 놓치는 것처럼 느껴진다”고 말합니다. 보통 오전 7시30분부터 새벽 2시까지 일하며, AI 에이전트를 사용하는 것을 “마약처럼 중독적”이라고 표현할 정도입니다.

👥 직원 대신 AI를 더 붙인다

• AI는 스타트업의 조직 구조 자체도 바꾸고 있습니다. 데이터 수집 플랫폼 ‘리베터(Riveter)’는 공동창업자 두 명만 일하고 있는데, 사람을 뽑으려 할 때마다 “이 업무도 AI 에이전트로 할 수 있겠다”는 결론을 내리면서 채용을 미루고 있습니다.
• 공동창업자 애비 그릴스는 하루 약 10시간을 일하고 일주일에 하루 정도만 쉬지만, 그래도 과거 스타트업 창업자들보다는 번아웃을 경계하려고 노력한다고 말합니다. 그는 YC 동료 창업자가 제대로 식사하지 못해 병원에 입원하는 모습도 직접 봤기 때문에 “잠과 휴식이 없으면 결국 생산성도 떨어진다”고 인정합니다.

⌚ 시도 때도 없이 불려나가기도

• AI 에이전트의 능력이 좋아지면서 사람과 AI의 연결도 더 촘촘해지고 있습니다. 보스턴의 AI 스타트업 창업자 아제이 칼리아는 최근 애플워치로 에이전트를 관리하기 시작했는데, 약 10분마다 새로운 승인 요청이 손목으로 날아옵니다.
• 운동을 하다가도 AI에게 작업 권한을 줘야 하고, 몇 달마다 새 모델이 등장할 때마다 회사의 업무 방식을 다시 설계해야 합니다. 그는 “새 모델이 나오면 훨씬 더 큰 일을 할 수 있지만, 그래서 일이 영원히 끝나지 않는다”고 설명합니다.

🔥 “지속 가능하지 않은데, 왜 멈추겠나”

• 흥미로운 점은 창업자들 대부분이 이런 생활이 건강하지 않다는 사실을 알고 있다는 것입니다. 주변에서도 번아웃 직전처럼 보이는 사람이 많지만, 실제로 휴직하거나 속도를 늦추겠다는 사람은 거의 없다고 합니다.
• 이들이 멈추지 못하는 이유는 지금을 AI 역사에서 다시 오기 어려운 기회라고 보기 때문입니다. AI 에이전트가 인간의 업무를 줄여주는 기술이 아니라, 인간이 할 수 있는 일의 양 자체를 폭발적으로 늘리는 기술이 되면서 실리콘밸리에서는 새로운 역설이 나타나고 있습니다. AI 직원이 많아질수록 사람 직원은 줄어들 수 있지만, 정작 창업자는 더 오래 일해야 하는 시대가 시작된 것입니다.

https://www.wsj.com/tech/ai/ai-agents-startup-work-culture-fa10494d?mod=tech_lead_pos1

[2] 매출 늘었는데 적자는 더 커졌다…오픈AI, ‘고성장 공식’ 흔들리나

💸 벌수록 더 많이 잃다

• 오픈AI가 올해 2분기 매출을 늘렸지만 적자 폭은 오히려 더 커졌습니다. 2분기 매출은 67억달러로 직전 분기보다 18% 증가했지만, 영업손실은 93억달러에서 123억달러로 30억달러 늘었습니다.
• 쉽게 말해 돈은 더 많이 벌었지만 그보다 훨씬 더 많은 돈을 AI 모델 개발과 컴퓨팅 인프라, 사용자 확보에 쏟아부은 셈입니다. 특히 팔란티어·코어위브·마이크론 등 AI 관련 기업들의 성장률과 비교하면 오픈AI의 매출 증가 속도도 상대적으로 둔해졌다는 평가가 나옵니다.

⚔️ 앤트로픽에 처음으로 매출 역전당하다

• 더 뼈아픈 부분은 경쟁사 앤트로픽과의 격차입니다. 앤트로픽은 같은 기간 매출이 두 배 이상 늘었고 창사 이후 처음으로 분기 조정 영업이익 흑자까지 기록하면서, 처음으로 오픈AI의 분기 매출을 넘어선 것으로 전해졌습니다.
• 두 회사의 엇갈린 실적에는 제품 전략 차이가 자리하고 있습니다. 오픈AI의 핵심인 챗GPT는 성장 속도가 둔화된 반면, 앤트로픽은 개발자용 AI 코딩 도구 ‘클로드 코드’가 기업 고객을 빠르게 끌어들이면서 수익성을 크게 높였습니다.

🧩 무료 사용자·가격 인하가 수익성 압박

• 오픈AI는 여전히 공격적으로 시장 점유율을 지키고 있습니다. 수억 명의 챗GPT 무료 이용자에게 사실상 비용을 보조하고 있고, 기업들이 중국산 저가 AI 모델로 이동하는 것을 막기 위해 최신 모델 두 종류의 가격도 인하했습니다.
• 지난달에는 코딩 도구 코덱스를 챗GPT와 웹브라우저에 통합한 ‘슈퍼 앱’도 선보였습니다. 이용자를 더 오래 붙잡고 업무 전반을 챗GPT 안에서 해결하도록 만들겠다는 전략이지만, 당장은 더 많은 컴퓨팅 비용과 마케팅 비용을 감수해야 하는 구조입니다.

👥 경영진 교체도

• 실적 부진과 맞물려 경영진 변화도 이어지고 있습니다. 부임한 지 1년도 되지 않은 데니즈 드레서 최고매출책임자가 교체됐고, 브래드 라이트캡 전 최고운영책임자와 샘 올트먼의 후계자로 거론됐던 피지 시모도 회사를 떠났습니다.
• 오픈AI가 단순히 제품을 고치는 수준을 넘어 사업 구조와 조직을 다시 손보고 있다는 신호로 볼 수 있습니다. IPO를 앞둔 상황에서 성장률과 수익성, 조직 안정성을 동시에 보여줘야 한다는 압박이 커지고 있는 셈입니다.

🚨 해킹 사고 이후 개발도 STOP

• 여기에 최근에는 보안 문제까지 겹쳤습니다. 오픈AI의 AI 모델이 외부 플랫폼 허깅페이스를 스스로 해킹한 사건이 발생한 뒤, 회사는 신규 모델 개발을 2주간 중단하고 보안 체계를 강화하고 있다고 밝혔습니다.
• 앞으로는 AI 모델이 온라인 도구를 어떻게 사용하는지 실시간에 가깝게 추적하고, 이상 행동이 나타나면 30분 안에 안전팀에 알리는 시스템을 구축하겠다는 방침입니다. AI 성능 경쟁이 치열해질수록 안전 관리 비용도 함께 커질 수밖에 없다는 점에서 수익성에는 또 다른 부담입니다.

📈 그래도 IPO는 내년 목표

• 오픈AI는 현재 내년 기업공개(IPO)를 목표로 하고 있습니다. 새러 프라이어 최고재무책임자는 최근 사내 전체회의에서 “내년에 상장회사가 될 것”이라고 직원들에게 밝혔고, 경쟁사 앤트로픽이 9월 먼저 상장할 가능성이 있지만 크게 개의치 않는다는 입장도 전했습니다.
• 오픈AI는 지난 6월 앤트로픽과 나란히 비공개 IPO 신청서를 제출한 상태입니다. 다만 샘 올트먼 CEO는 상장 시 기업가치를 1조달러 이상 인정받기 위해 상장 시기를 늦추는 방안도 검토해온 것으로 알려졌습니다.

💰 “IPO는 결승선이 아니다”

• 오픈AI가 당장 돈이 부족한 상황은 아닙니다. 회사는 지난 3월 투자 유치에서 1220억달러를 확보했고, 당시 기업가치는 8520억달러로 평가받았습니다.
• 프라이어 CFO도 “IPO는 결승선이 아니라 또 하나의 자금조달 수단일 뿐”이라고 강조했습니다. 결국 시장이 앞으로 보게 될 것은 단순한 매출 규모가 아니라, 오픈AI가 언제쯤 막대한 AI 투자비를 감당하면서도 성장과 수익성을 동시에 만들어낼 수 있느냐는 점입니다.

🔍 유명세로는 부족하다

• 오픈AI는 여전히 세계에서 가장 강력한 브랜드와 사용자 기반을 가진 AI 기업 가운데 하나입니다. 하지만 이제 시장의 질문은 “챗GPT가 얼마나 유명한가”에서 “이 사업이 실제로 얼마나 돈을 버는가”로 이동하고 있습니다.
• 앤트로픽이 기업용 코딩 시장을 앞세워 흑자 전환에 성공한 상황에서 오픈AI는 성장률 둔화, 가격 인하, 무료 사용자 비용, 보안 투자라는 여러 부담을 동시에 안고 있습니다. 내년 IPO가 예정대로 진행된다면, 결국 투자자들은 1조달러 이상의 기업가치를 정당화할 수 있는 ‘수익성의 길’을 가장 먼저 확인하려 할 가능성이 큽니다.

[3] 엔비디아, ‘미국판 딥시크’ 직접 만들까

🚀 풀사이드 기술·인재 통째로 끌어온다

• 엔비디아가 AI 스타트업 풀사이드(Poolside)와 60억달러 규모의 기술 라이선스 계약을 맺고, 세계 최고 수준의 오픈웨이트 AI 모델 개발에 나섭니다. 여기에 풀사이드에 10억달러를 직접 투자하고, 엔지니어 100명 이상도 엔비디아로 합류시킬 예정입니다.
• 이들은 엔비디아의 오픈웨이트 모델 프로젝트인 ‘네모트론(Nemotron)’ 개발에 투입돼 딥시크와 키미 K3 같은 중국 모델을 따라잡는 역할을 맡게 됩니다.
• 엔비디아는 지금까지 오픈AI·앤트로픽 같은 폐쇄형 AI 기업에 GPU를 공급하는 핵심 파트너였지만, 이제는 직접 강력한 오픈 모델까지 만들겠다는 전략입니다. 풀사이드 역시 “AGI가 소수 기업이 독점하는 폐쇄형 기술이 아니라 누구나 함께 만드는 공개 기술이 돼야 한다”고 강조했습니다.

🇨🇳 중국 AI의 자극

• 엔비디아가 이렇게 공격적으로 움직이는 배경에는 중국 AI의 급성장이 있습니다. 딥시크를 시작으로 문샷AI의 키미, Z.AI의 GLM 등이 미국 최첨단 모델보다 불과 몇 달 뒤처진 수준까지 올라왔고, 가격은 훨씬 저렴합니다.
• 미국 기업들이 폐쇄형 모델 개발에 집중하는 사이 중국이 오픈웨이트 시장을 빠르게 장악하자, “이대로 가면 세계 기업들이 중국 AI를 기본 모델로 쓰게 될 수 있다”는 위기감이 커진 것입니다.
• 젠슨 황 CEO도 최근 “미국의 AI 경쟁력은 단 하나의 최고 모델이 아니라, 모든 산업으로 퍼질 수 있는 강력한 오픈 생태계를 갖추느냐에 달려 있다”고 공개적으로 주장했습니다. 엔비디아는 이미 미스트랄, 씽킹머신랩, 퍼플렉시티 등이 참여하는 ‘네모트론 연합’을 만들었고, ‘서방의 딥시크’로 불리는 리플렉션AI에도 대규모 투자를 이어가고 있습니다.

⚔️ 고객이자 경쟁자가 된 오픈AI·앤트로픽

• 이번 계약으로 엔비디아는 묘한 위치에 놓였습니다. 오픈AI와 앤트로픽은 엔비디아 GPU를 가장 많이 사는 핵심 고객인데, 엔비디아가 네모트론을 키우면 이들과 AI 모델 시장에서 직접 경쟁하게 되기 때문입니다. 다만 오픈AI와 앤트로픽 역시 자체 AI 칩 개발을 추진하고 있어, 이미 서로 고객이면서 경쟁자인 관계가 만들어지고 있습니다.
• 엔비디아는 풀사이드의 최신 오픈 모델 ‘라구나 S’ 기술을 흡수해 내년 안에 최상위 폐쇄형 AI와 경쟁할 수준의 네모트론을 만드는 것이 목표입니다.
• 풀사이드가 지난해 대규모 투자 유치에 실패해 GPU 4만장 규모의 컴퓨팅 클러스터를 놓칠 정도로 자금과 인프라에 어려움을 겪었던 것과 달리, 엔비디아는 막대한 현금과 GPU를 모두 갖고 있습니다.

https://www.wsj.com/tech/ai/nvidia-is-spending-6-billion-to-build-a-powerful-u-s-alternative-to-chinese-ai-c51c38cc?mod=tech_lead_story

[4] AI가 뒤집은 회사채 공식…“신용등급 높다고 더 안전하진 않다”

🤔 등급이 높을수록 좋지않을 수도?

• AI 투자 열풍이 7조5000억달러 규모의 미국 회사채 시장에서 ‘좋은 채권’을 판단하는 기준까지 바꾸고 있습니다. 골드만삭스는 최근 보고서에서 "기존 신용등급만으로 투자 매력도를 판단하기 어려워졌다"며 "등급이 채권의 ‘품질’을 보여주기에 불완전한 지표가 되고 있다"고 분석했습니다.
• 실제로 올해 미국 회사채 시장에서는 신용등급이 높은 채권보다 상대적으로 등급이 낮은 채권의 투자 성과가 더 좋습니다.
• 투자등급(IG) 회사채 가운데 BBB등급은 AA·A등급을 웃도는 수익률을 기록하고 있는데, 현재 흐름이 이어지면 금융위기 이후 처음으로 AA등급의 초과수익률은 마이너스인데 A와 BBB는 플러스를 기록하는 해가 될 전망입니다.

🤖 역설을 만든 건 빅테크의 ‘AI 빚’

• 배경에는 아마존·구글·마이크로소프트·메타 같은 초대형 기술기업들의 막대한 AI 투자가 있습니다. 이들은 데이터센터와 AI 인프라 구축에 천문학적인 돈을 쏟으면서 회사채 발행을 늘리고 있는데, 워낙 재무구조가 탄탄한 기업들이다 보니 이들이 찍어내는 채권 상당수가 높은 신용등급을 받습니다.
• 문제는 이렇게 우량채 공급이 크게 늘어난 데다 AA·A등급 채권은 만기가 긴 경우가 많아 금리가 오를 때 가격이 더 크게 떨어진다는 점입니다. 반대로 BBB처럼 상대적으로 신용등급이 낮은 채권은 금리 변화에 덜 민감하고 높은 이자수익이 가격 하락을 어느 정도 막아주면서, 역설적으로 올해 더 좋은 투자 성과를 내고 있습니다.
• 즉, 빅테크를 필두로 등급이 높은 우량채 공급이 크게 늘어나는 동시에 금리 인상 시기가 다가오니 AA·A등급 채권의 수익률이 오히려 떨어지고, 반대급부로 등급이 낮은 채권이 높은 이자수익을 내세워 더 나은 투자 성과를 내는 것입니다.

⚠️ 지금은 괜찮지만…

• 현재까지 시장이 이를 심각한 신용위험으로 보지 않는 이유는 빚을 늘리는 주체가 세계에서 가장 돈을 잘 버는 빅테크들이기 때문입니다. 이들이 빌린 돈을 AI에 투자하면 데이터센터와 반도체, 전력·건설 등 다른 기업의 매출과 이익으로 흘러가기 때문에 단기적으로는 오히려 경제와 기업 실적을 떠받치는 효과도 있습니다.
• 하지만 이 구조에는 분명한 전제가 있습니다. AI 투자가 단순 버블로 끝나지 않아야 한단 것입니다. 막대한 AI 투자가 충분한 수익으로 돌아오지 않거나 투자 붐이 물가를 자극해 중앙은행이 금리를 더 올린다면, 지금의 ‘좋은 빚’이 실제 위험으로 바뀔 수 있습니다.
• 결국 AI 시대의 회사채 시장에서는 단순히 “신용등급이 높을수록 좋은 채권”이 아니라 누가 왜 빚을 늘리고 있는지, 그리고 금리에 얼마나 민감한지를 함께 봐야 하는 시대가 오고 있는 셈입니다.

🤖 알리바바 도움받아 ‘중국 전용 애플 모델’ 개발

로이터에 따르면 애플은 알리바바의 지원을 받아 중국 시장 전용 LLM을 학습시켰습니다. 이는 중국에서 생성AI 기능을 제공할 때 알리바바, 바이두 등 제3자 모델에 주로 의존하려던 기존 계획에서 한 단계 더 나아간 전략입니다.

📈 온라인 소비보다 더 빨리 크는 커머스 광고

커머스 미디어의 가장 기본적인 성장 동력은 전자상거래입니다. Madison & Wall에 따르면 2분기 미국 이커머스 매출은 전년 대비 12% 증가해 전체 소매판매 증가율 6.7%를 크게 웃돌았습니다. 소비가 온라인으로 이동할수록 구매 순간과 가장 가까운 광고 인벤토리도 함께 늘어나는 구조입니다.

✂️ 창사 이래 최대 개편

• 카카오가 하나의 회사를 ‘카카오AI’와 ‘카카오X’ 두 곳으로 인적분할하기로 했습니다. 카카오AI는 카카오톡과 AI·광고·커머스 등 본업을 맡고, 카카오X는 카카오뱅크·카카오페이·카카오모빌리티·카카오엔터테인먼트 등 주요 계열사를 거느리는 투자회사 역할을 맡습니다.
• 분할 비율은 순자산 장부가액을 기준으로 카카오AI 0.36, 카카오X 0.64입니다. 인적분할이기 때문에 기존 카카오 주주들은 이 비율대로 두 회사의 주식을 모두 받게 됩니다.

🚧 자회사 문제만 처리?

제로 클릭이 유발한 핵심 문제점은 몇 가지로 간추릴 수 있습니다. 가장 큰 타격은 기존 광고 수익 경로의 파괴로 인한 디지털 광고 수익의 붕괴입니다. 그간 디지털 언론사들은 검색 최적화 등을 통해 유입된 방문자를 매개로 디지털 광고를 판매해왔습니다. 그 비중이 국내에선 적고 곳도 있고 많은 곳도 있지만 어찌됐든 중요한 수익원의 하나로 자리를 잡아왔습니다. 하지만 검색이 AI검색으로 전환되면서 이 경로 자체가 더이상 작동하지 않게 된 것입니다. 작동하더라도 최소한만 효과를 기대할 수 있는 상황이 된 것이죠.

콘텐츠 제공 수익도 줄어들게 됐습니다. AI 빅테크들은 이미 오래전부터 예상해왔다시피 다수의 언론사와 콘텐츠 제휴 계약을 맺지 않습니다. 소수의 대형 미디어그룹과만 제휴를 맺고 보상을 하고 있습니다. 여기에서 소외된 중소형 언론사들은 핵심 수익원이 사라질 위기에 놓인 상황입니다.

AI검색의 답변은 뉴스에 대한 소비 자체를 줄이고 있습니다. 웬만한 답변은 뉴스 소비를 대체할 만큼 강력한 콘텐츠로 부상하고 있습니다. 지금 형태로 뉴스를 생산해서는 독자의 선택을 받을 수조차 없어졌습니다.

2026년 1월 영국 공영방송 BBC는 유튜브와 전략적 파트너십을 맺고, 유튜브에 맞춘 오리지널 콘텐츠를 제작하는 ‘YouTube-first programming’을 공식화했습니다. 기존 프로그램의 예고편이나 짧은 클립을 올리는 수준을 넘어, 유튜브를 오리지널 콘텐츠의 주요 유통 채널로 인정한 것입니다.[1]

당시 미디어 업계의 질문은 명확했습니다.
"이것은 청년층을 되찾기 위한 공영방송의 진화인가, 아니면 빅테크 플랫폼에 대한 항복인가."
더코어에서도 BBC의 '유튜브 퍼스트' 선언: 공영방송의 항복인가, 진화인가?라는 분석 글을 싣기도 했습니다.

그로부터 약 6개월 뒤인 2026년 7월 14일, BBC는 『BBC Group Annual Report and Accounts 2025/26』 즉, 연차보고서를 공개했습니다. 물론 보고 대상 기간이 2026년3월 31일까지여서, 1월에 발표되고 2월 동계올림픽 콘텐츠로 본격화된 유튜브 파트너십의 성과를 제대로 평가하기에는 아직 이릅니다.[2]

AI 에이전트에 대해 우리가 자주 떠올리는 이미지는 ‘자율적으로 일하는 디지털 직원’이다. 사람이 목표만 알려주면 알아서 자료를 조사하고, 코드를 작성하고, 보고서를 만들고, 필요한 도구를 호출한 뒤 결과를 가져오는 직원이다. 인간은 일을 시키고 AI는 일을 한다. 이렇게만 보면 AI 에이전트의 등장은 인간에게 더 많은 여유를 가져다줘야 한다. 그런데 실제로 AI 에이전트를 집중적으로 사용하는 사람들의 경험에서는 정반대 이야기가 나오고 있다.

직접 코드를 작성할 때보다 AI에게 코드를 작성시키는 사람이 더 지친다. AI가 조사와 분석을 대신하는데도 인간의 집중력은 오히려 더 잘게 쪼개진다. 한 사람이 동시에 여러 개의 AI 에이전트를 돌리면 생산량은 엄청나게 증가하지만, 정작 하루가 끝났을 때 머릿속은 이전보다 훨씬 더 피곤하다. 왜 이런 일이 벌어질까. 이유는 의외로 간단하다. 지금의 AI 에이전트는 자율적인 직원이라기보다 ‘계속 질문하는 유아’에 가깝기 때문이다.

[0] 프롤로그 : 미래는 어디서 먼저 시작되는가

AI 혁명은 어떻게 만들어졌는가

- 학습하는 기계를 만든 네 개의 연구 계보와 딥러닝의 지형도

2024년 12월 10일, 제프리 힌턴은 스톡홀름에서 노벨 물리학상을 받았습니다. 스웨덴 왕립과학원은 힌턴과 존 홉필드가 인공신경망을 이용한 머신러닝의 토대를 마련했다고 평가했습니다.[1] 한때 시대에 뒤처진 발상으로 외면받던 신경망 기술이 과학 분야 최고 권위의 상을 받으며 비로소 주류로 인정받는 순간이었습니다.

공동 수상자인 홉필드는 물리학의 에너지 개념을 활용해, 정보를 저장하고 다시 떠올리는 ‘연상기억 신경망’을 제시했습니다. 힌턴은 테런스 세지노스키와 함께 이 모델을 발전시켜, 단순 기억을 넘어 새로운 패턴을 스스로 학습하고 만들어내는 ‘볼츠만 머신’을 완성했습니다.[2]

이 성과는 신경망 연구의 위대한 이정표였지만, 그렇다고 이 장면 하나만을 'AI 혁명의 완성'으로 기록하면 중요한 사실을 놓치게 됩니다. 오늘날의 AI는 한 사람의 천재나 단 하나의 기술로 완성된 것이 아니기 때문입니다.

힌턴이 기계 스스로 '개념과 표현'을 학습하는 길을 열었다면, 얀 르쿤은 이미지의 공간 구조를 읽어내는 신경망을 발전시켰습니다. 요슈아 벤지오는 단어 사이의 관계와 문장의 확률을 학습하는 언어모델의 기초를 다졌고, 위르겐 슈미트후버와 제프 호흐라이터는 신경망이 긴 시간의 정보를 잊지 않고 기억하는 방법을 고안해 냈습니다.

이 글에서 다루는 AI 혁명은 인공지능의 전체 역사가 아닙니다. 오늘날 생성 AI의 기반이 된 '학습 기반 신경망'과 '딥러닝'의 부상을 가리킵니다. 인공지능에는 기호주의와 탐색, 강화학습, 로보틱스 등 수많은 연구 줄기가 존재합니다. 그러나 지금의 AI 산업을 움직이는 진짜 핵심 동력은 하나였습니다. 인간이 규칙을 일일이 입력하던 방식에서, 기계가 데이터로부터 스스로 패턴을 배워나가는 방식으로의 패러다임 전환이었습니다.

이 모든 혁명은 결국 하나의 질문에서 출발했습니다.

“지능은 인간이 규칙을 일일이 가르쳐서 만들어야 하는가, 아니면 기계가 데이터 속에서 스스로 배울 수 있는가?”

질문 1. 아무도 믿지 않던 신경망은 어떻게 살아남았는가?

초기 인공지능 연구자들은 ‘인간의 지식을 규칙으로 만들어 컴퓨터에 입력하는 방식’에 집중했습니다. 예컨대 의사가 질병을 진단하는 과정을 "A 증상이 있고 B 수치가 높으면 C 질병이다"라는 조건문으로 만들어 컴퓨터에 일일이 입력하는 식이었죠. 이 방식에서 AI의 능력은 사람이 얼마나 꼼꼼하게 규칙을 적어주느냐에 전적으로 달려 있었습니다.

제프리 힌턴이 선택한 길은 완전히 달랐습니다. 그는 사람이 규칙을 일일이 정해줄 필요 없이, 컴퓨터가 데이터 속에서 필요한 특징을 스스로 찾아내야 한다고 믿었습니다. 고양이 사진을 알아채게 만들기 위해 ‘뾰족한 귀’나 ‘수염’ 같은 특징을 미리 정의해 주는 대신, 수많은 고양이 사진을 보여주며 "어떤 특징의 조합이 고양이인지" 기계가 직접 학습하게 하자는 발상이었습니다.

1986년, 제프리 힌턴은 동료 연구자들(데이비드 루멜하트, 로널드 윌리엄스)과 함께 AI 역사에 획을 그은 핵심 학습법인 '역전파(Backpropagation)' 알고리즘을 발표합니다.

쉽게 말해, AI가 낸 틀린 답(오류)을 뒤에서부터 앞으로 거슬러 올라가며 정답에 맞춰 스스로 정밀하게 교정하는 방식이었습니다. 이 방식을 통해 AI 내부의 은닉층(중간 단계)은 인간이 가르쳐주지 않아도 문제 해결에 필요한 핵심 개념, 즉 데이터의 '내부 표현(특징)'을 스스로 만들어내는 능력을 갖추게 되었습니다.[3]

하지만 뛰어난 아이디어가 곧바로 성공으로 이어지지는 않았습니다. 당시 컴퓨터 성능은 여러 층으로 이루어진 신경망을 훈련하기에 턱없이 부족했고, 학습시킬 대규모 데이터도 없었습니다. 결국 신경망은 한동안 '현실성 없는 아이디어'로 밀려나며 길고 어두운 비주류의 시기를 보내야 했습니다.

그럼에도 힌턴은 포기하지 않았습니다. 그의 가장 결정적인 기여는 완벽한 기술을 혼자 힘으로 다 만들어냈다는 데 있지 않습니다. 아무런 성과가 보이지 않고 모두가 외면하던 시절에도 “기계는 데이터로부터 세상을 이해하는 법을 스스로 배울 수 있다”는 믿음을 끝까지 지켜냈다는 점에 있습니다.

[그림 1] 규칙 기반 AI와 학습 기반 AI

힌턴이 바꾼 것은 단순한 알고리즘만이 아니었습니다. 지능을 설계하는 주체가 '규칙을 짜는 인간'에서 '데이터와 학습 시스템'으로 이동할 수 있다는 거대한 가능성을 세상에 제시한 것입니다.

질문 2. 네 개의 연구 계보는 기계에 무엇을 가르쳤는가?

신경망이 하나의 ‘뇌’라면, 네 개의 연구 계보는 서로 다른 감각과 지능의 조각을 그 안에 집어넣었습니다. 힌턴의 질문이 “기계는 세상(표현)을 어떻게 배울 수 있는가”였다면, 다른 연구자들은 이를 시각, 언어, 그리고 시간과 기억으로 확장했습니다.

1. 얀 르쿤: 시각 — “위치가 바뀌어도 같은 대상임을 알아보는 눈”

사진 속 물체는 위치가 조금 옮겨지거나 크기가 바뀌어도 똑같은 물체입니다. 하지만 초기 신경망(완전연결 신경망)은 이미지의 모든 점(픽셀)을 하나하나 따로 처리했기에, 위치가 조금만 달라져도 완전히 다른 이미지로 판단했습니다. 계산해야 할 양도 폭발적으로 증가했죠.

얀 르쿤은 이미지 전체를 한 번에 보는 대신 '가까운 영역을 돋보기로 훑어보며 특징을 찾아내는' 합성곱 신경망(CNN, Convolutional Neural Network)을 발전시켰습니다. 1989년, 그는 이 기술을 손글씨 우편번호 인식에 적용했습니다. 복잡한 특징을 사람이 일일이 지정해 주지 않아도, 기계가 스스로 숫자를 구별하는 법을 배울 수 있음을 증명해 낸 것입니다.[4]

2. 요슈아 벤지오: 언어 — “단어 사이의 관계와 맥락을 읽는 입과 귀”

컴퓨터에게 단어는 아무 뜻도 없는 기호에 불과했습니다. 기존 방식은 '앞에 나온 몇 개의 단어 조합이 얼마나 자주 등장했나' 숫자를 세어 다음 단어를 예측했기 때문에, 한 번도 본 적 없는 생소한 문장은 제대로 처리하지 못했습니다.

요슈아 벤지오는 2003년, 단어를 고차원 공간 속의 좌표(분산표현)로 배치하고 문맥에 따라 다음 단어가 나올 확률을 계산하는 신경망 언어모델을 제시했습니다. 이제 비슷한 맥락에서 쓰이는 단어들(예: '사과'와 '바나나')은 컴퓨터 내부의 숫자 공간에서도 서로 가까운 거리에 위치하게 되었습니다.[5] 이 접근은 언어를 고정된 문법 규칙이 아니라 '문맥 속 관계와 확률'로 다루는 길을 열었습니다. 오늘날 거대언어모델(LLM) 역시 사전 정의된 의미표를 찾는 대신, 방대한 텍스트 속 관계를 바탕으로 다음에 올 표현을 자연스럽게 예측합니다.

3. 슈미트후버 & 호흐라이터: 시간과 기억 — “긴 흐름 속에서 무엇을 남길지 판단하는 뇌”

이미지 한 장을 알아채는 것과, 문장이나 음성처럼 '순서가 있는 정보'를 이해하는 것은 차원이 다른 문제입니다. 말의 뜻을 파악하려면 앞서 나온 정보를 잊지 않고 기억해야 하기 때문입니다. 하지만 초기 순환신경망은 정보가 여러 단계를 거치는 동안 신호가 점점 약해져, 문장이 길어지면 앞부분의 내용을 까맣게 잊어버렸습니다.

1997년, 슈미트후버와 호흐라이터는 긴 시간 간격 속에서도 신호를 잃지 않는 장단기기억(LSTM, Long Short-Term Memory) 구조를 발표했습니다.[6] 초기 LSTM은 정해진 대로 기억을 유지했지만, 2000년 펠릭스 게르스, 위르겐 슈미트후버, 프레드 커민스의 후속 연구에서 '망각 게이트'가 도입되면서 유연함이 더해졌습니다. 쌓인 정보 중 무엇을 기억하고 언제 초기화할지 기계가 스스로 판단할 수 있게 된 것입니다.[7]

LSTM이 '긴 기억을 유지하는 법'을 가르쳐준 전환점이었다면, 트랜스포머는 그 기억과 관계를 병렬적으로, 대규모로 한 번에 처리하는 길을 열어준 셈입니다.

[그림 2] 네 개의 연구 계보

네 계보는 각각 독립된 발명이 아니었습니다. "기계가 스스로 배운다"는 표현학습이라는 하나의 공통 뿌리 위에, 시각과 언어, 그리고 시간과 기억이라는 인간의 핵심 지능을 차곡차곡 연결해 낸 위대한 협동의 역사였습니다.

질문 3. 오래된 아이디어는 왜 2012년에 폭발했는가?

딥러닝의 역사는 아무리 뛰어난 아이디어라도 그 자체만으로는 기술 혁명을 일으킬 수 없다는 사실을 잘 보여줍니다. 신경망의 핵심 개념들은 이미 수십 년 전에 세상에 나왔지만, 이를 실제로 거대한 규모로 돌려볼 '데이터'와 '연산 능력'이 턱없이 부족했기 때문입니다.

결정적인 전환점은 2012년 이미지넷(ImageNet) 경연 대회였습니다. 제프리 힌턴과 그의 제자들(알렉스 크리제브스키, 일리야 수츠케버)이 개발한 '알렉스넷(AlexNet)'은 약 120만 장의 대규모 이미지 데이터를 이용해 합성곱 신경망(CNN)을 학습시켰습니다. 특히 이들은 방대한 계산을 처리하기 위해 그래픽처리장치, 즉 GPU를 본격적으로 활용했습니다.

알렉스넷의 성과는 압도적이었습니다. 이미지 분류 상위 5개 오류율에서 15.3%를 기록하며, 기존 방식으로 2위를 한 모델(26.2%)을 압도적인 차이로 제쳐버린 것입니다.[9] 이 사건은 신경망이 더 이상 정밀하게 통제된 실험실용 장난감이 아니라, 현실 세계의 복잡하고 무질서한 데이터도 완벽하게 처리할 수 있음을 세상에 증명해 냈습니다.

하지만 알렉스넷의 승리가 세 사람만의 성취는 아니었습니다. 그 배경에는 페이페이 리 교수가 이끈 대규모 데이터셋 프로젝트, '이미지넷'이 있었습니다. 연구진은 인터넷에서 수백만 장의 이미지를 모은 뒤, 온라인 크라우드소싱 플랫폼(아마존 메커니컬 터크)을 통해 수많은 사람들의 손을 거쳐 일일이 라벨(정답)을 붙였습니다.[10]

이미지넷(데이터) + GPU(연산 장치) + 합성곱 신경망(알고리즘)

이 세 가지 요소가 마침내 하나로 결합하면서, 오랫동안 잠들어 있던 아이디어는 폭발적인 산업적 잠재력을 드러냈습니다.

알렉스넷의 성공은 신경망을 바라보는 세상의 시선을 완전히 바꾸어 놓았습니다. 과거에는 신경망의 성과가 안 나오면 "알고리즘 자체에 한계가 있다"고 의심했습니다. 그러나 2012년 이후부터는 "충분한 데이터와 연산 자원(GPU)을 쏟아붓고 모델의 크기를 키우면 성능은 계속 올라간다"는 새로운 믿음이 확산되기 시작했습니다.

[그림 3] 딥러닝 전환의 세 조건

여기서 AI 권력의 첫 번째 거대한 이동이 발생합니다. 연구자의 머릿속에서 나오는 가설만큼이나, '얼마나 거대한 데이터를 쥐고 있는가'와 '얼마나 강력한 반도체를 동원할 수 있는가'가 핵심 요소로 부상한 것입니다.

AI 연구는 순수한 이론과 알고리즘 경쟁을 넘어 '알고리즘·데이터·컴퓨팅 인프라'라는 3대 요소의 결합 싸움으로 변모했습니다. 이후 AI 시대를 지배하는 힘은 단순히 뛰어난 논문을 쓰는 능력을 넘어, 더 많은 데이터를 쓸어 모으고 더 거대한 슈퍼컴퓨터를 가동할 수 있는 능력으로 옮겨가게 되었습니다.

질문 4. 그렇다면 AI 혁명의 발명자는 누구인가?

2018년 컴퓨터 과학 분야의 노벨상이라 불리는 'ACM 튜링상'은 제프리 힌턴, 얀 르쿤, 요슈아 벤지오 삼인방에게 공동 수여됐습니다. (공식 발표는 2019년 3월). ACM은 세 사람이 심층신경망을 현대 컴퓨팅의 핵심 기술로 올려놓은 개념적·공학적 돌파구를 마련했다고 평가했습니다.[11] 이들은 이후 '딥러닝의 대부들'로 불리며 AI 혁명의 대표적인 얼굴이 되었습니다.

그러나 이 세 명의 이름만으로 역사를 정리해 버리면, 그 뒤에 숨은 수많은 거장들의 계보가 지워지고 맙니다.

장단기기억(LSTM)을 만든 호흐라이터와 슈미트후버, 역전파 핵심 논문을 함께 쓴 루멜하트와 윌리엄스, 볼츠만 머신 연구의 동반자 세지노스키, 그리고 알렉스넷을 실제로 구현해 낸 크리제브스키와 수츠케버를 빼놓고는 딥러닝의 발전을 결코 설명할 수 없습니다.

어디 이들뿐일까요? 대규모 데이터셋을 구축한 연구자들과 라벨링 작업을 수행한 수많은 데이터 노동자, GPU와 전용 소프트웨어를 개발한 엔지니어, 그리고 연구에 자금을 대고 이를 서비스로 확장한 기업들 역시 이 역사의 주인공으로 포함되어야 합니다.

LSTM의 창시자 슈미트후버가 딥러닝의 역사와 '발명의 우선권'을 두고 지속적으로 강력하게 문제를 제기해 온 이유도 바로 여기에 있습니다. 공식적인 AI 역사가 자신과 동료 연구자들의 선행 연구를 충분히 조명하지 않았다는 주장입니다.[12]

물론 그의 모든 주장에 100% 동의할 필요는 없을지 모릅니다. 기술적 아이디어는 서로 다른 시기와 공간에서 독립적으로 우연히 탄생하기도 하며, '최초의 이론적 아이디어'와 이를'실제로 작동하게 만든 공학적 성취' 사이의 경계가 늘 명확한 것은 아니기 때문입니다.

다만 이 격렬한 논쟁은 우리에게 중요한 사실 하나를 일깨워 줍니다. 기술의 역사는 단순히 '연구 성과의 목록'만으로 적히지 않는다는 점입니다. 학회와 기업, 언론과 시상 기관이 수많은 기여 중 어떤 성과를 표준으로 채택하고 누구를 조명하느냐에 따라 '공식적인 발명자'의 이름표가 정해지는 것입니다.

결론: AI의 미래는 어디로 향하는가

따라서 “AI 혁명은 누가 발명했는가?”라는 질문의 답은 결코 한 사람의 이름일 수 없습니다.

• 힌턴은 기계가 세상을 이해하는 내부 표현을 배우는 길을 넓혔습니다.
• 르쿤은 기계가 이미지의 공간 구조를 읽어내도록 만들었습니다.
• 벤지오는 단어의 표현과 언어의 확률을 함께 학습하는 방법을 발전시켰습니다.
• 슈미트후버와 호흐라이터는 신경망이 긴 시간의 흐름을 견디는 기억 구조를 선사했습니다.

그리고 홉필드, 세지노스키, 루멜하트, 윌리엄스, 크리제브스키, 수츠케버를 비롯한 수많은 연구자들이 이 위대한 사슬을 연결했습니다. 여기에 이미지넷과 데이터 노동자들이 기계가 학습할 세상을 만들어 주었고, GPU와 대규모 컴퓨팅 인프라가 머릿속 아이디어를 현실의 파괴적인 힘으로 바꾸어 놓았습니다.

AI 혁명은 어느 외로운 천재 한 명이 만들어 낸 단독 발명품이 아닙니다. 오랫동안 치열하게 치열하게 치열하게 경쟁하고 서로 연결되어 온 연구 계보, 그리고 이를 폭발시킨 '데이터·연산·자본'의 결합이 만들어 낸 집대성입니다. 동시에, 누구의 기술이 표준이 되고 누구의 이름이 역사에 기록되는가를 둘러싼 '지식 권력의 결과물'이기도 합니다.

AI의 역사가 보여주는 메시지는 명확합니다. 기술의 미래는 결코 단순한 알고리즘 하나만으로 결정되지 않는다는 사실입니다.

"무엇을 학습시키는지, 누가 연산 자원을 소유하는지, 어떤 기업이 기술과 시장을 연결하는지에 따라AI의 방향과 권력이 완전히 달라집니다."

이어질 열 편의 ‘AI 미래보고서’는 이 질문을 가지고 데이터와 검색, 미디어와 노동, 저작권과 교육, 반도체와 에너지의 치열한 현장으로 들어갑니다.

[기획시리즈 목차] 40인이 보내온 미래 보고서

[0] 프롤로그 | 미래는 어디서 먼저 시작되는가

<Part 1> 컴퓨팅의 문법이 바뀐다

[보고서 01] AI는 답변하는 도구에서 '행동하는 노동자'로 바뀐다
- 프롬프트에서 위임으로

[보고서 02] 소프트웨어가 일회용품이 되는 시대
- 코드가 싸질 때 비싸지는 것


<Part 2> 지능은 무엇으로 생산되는가

[보고서 03] 추론 경제학: 가장 똑똑한 모델보다 ‘가장 싼 정답’이 이긴다
- 지능의 총비용 계산법

[보고서 04] 데이터의 재정의: 보유량에서 ‘가르치고 평가하는 능력’으로
- 데이터에서 피드백으로

<Part 3> 디지털 경계를 어디까지 넘어서는가

[보고서 05] 과학의 가속: 검증의 고리가 닫힌 분야부터 빨라진다
- AI가 발견의 병목을 실험과 검증으로 이동시킨다

[보고서 06] 피지컬 AI: 자동화 기계에서 ‘상황을 배우는 몸’으로
- 현실은 시뮬레이션이 아니다


<Part 4> 조직과 정보시장은 어떻게 재편되는가

[보고서 07] 조직의 재설계: 일자리 소멸보다 ‘팀과 의사결정의 재조립’
- 사람 수가 아니라 권한·조정·책임의 단위가 바뀐다

[보고서 08] 정보시장의 붕괴와 재건: 검색 이후의 ‘인용권 경제’
- 링크와 트래픽의 시장에서 답변·출처·보상의 시장으로

<Part 5> 누가 지능을 통제하는가

[보고서 09] 통제의 역설: 더 유능한 AI를 누가, 어디서 멈출 것인가
- 무엇을 위험이라 부를 것인가

[보고서 10] 지능의 국경: AI 공급망이 세계를 블록화한다
- 가장 범용적인 기술이 가장 지정학적인 경계를 만든다

미주

[1] The Royal Swedish Academy of Sciences, “The Nobel Prize in Physics 2024: Press Release,” NobelPrize.org, October 8, 2024.
2024년 노벨 물리학상이 인공신경망을 이용한 머신러닝의 기반을 마련한 존 홉필드와 제프리 힌턴에게 수여됐음을 밝힌 공식 발표문. (nobelprize.org)

[2] The Royal Swedish Academy of Sciences, “The Nobel Prize in Physics 2024: Popular Science Background,” NobelPrize.org, October 8, 2024.
홉필드의 연상기억 신경망과 힌턴·테런스 세지노스키의 볼츠만 머신이 오늘날 머신러닝의 기반을 형성한 과정을 설명한 노벨위원회의 해설 자료. (nobelprize.org)

[3] David E. Rumelhart, Geoffrey E. Hinton, and Ronald J. Williams, “Learning Representations by Back-Propagating Errors,” Nature, Vol. 323, 1986, pp. 533–536.
출력 오류를 신경망의 앞쪽 층으로 전달해 연결 가중치를 조정하고, 은닉층이 문제 해결에 필요한 내부 표현을 학습하도록 한 역전파 연구의 대표 논문. (nature.com)

[4] Yann LeCun et al., “Handwritten Digit Recognition with a Back-Propagation Network,” Advances in Neural Information Processing Systems 2, 1989.
공간적 구조를 반영한 신경망을 손글씨 우편번호 인식에 적용해, 복잡한 수작업 전처리 없이 이미지의 특징을 학습할 수 있음을 보여준 연구. (proceedings.neurips.cc)

[5] Yoshua Bengio, Réjean Ducharme, Pascal Vincent, and Christian Jauvin, “A Neural Probabilistic Language Model,” Journal of Machine Learning Research, Vol. 3, 2003, pp. 1137–1155.
단어의 분산표현과 단어 시퀀스의 확률을 하나의 신경망 안에서 동시에 학습하는 방법을 제시한 초기 신경망 언어모델 연구. (jmlr.org)

[6] Sepp Hochreiter and Jürgen Schmidhuber, “Long Short-Term Memory,” Neural Computation, Vol. 9, No. 8, 1997, pp. 1735–1780.
기존 순환신경망에서 장기 의존성을 학습하기 어려웠던 문제를 해결하기 위해 LSTM 구조를 제시한 논문. (direct.mit.edu)

[7] Felix A. Gers, Jürgen Schmidhuber, and Fred Cummins, “Learning to Forget: Continual Prediction with LSTM,” Neural Computation, Vol. 12, No. 10, 2000, pp. 2451–2471.
초기 LSTM에 망각 게이트를 추가해 내부 상태를 적절한 시점에 초기화하고 불필요한 정보를 지울 수 있도록 한 후속 연구. (direct.mit.edu)

[8] Ashish Vaswani et al., “Attention Is All You Need,” Advances in Neural Information Processing Systems 30, 2017.
순환 구조를 사용하지 않고 어텐션을 중심으로 문맥의 관계를 계산하는 트랜스포머를 제안한, 오늘날 거대언어모델의 핵심 구조적 기반이 된 논문. (arxiv.org)

[9] Alex Krizhevsky, Ilya Sutskever, and Geoffrey E. Hinton, “ImageNet Classification with Deep Convolutional Neural Networks,” Advances in Neural Information Processing Systems 25, 2012.
대규모 이미지 데이터와 GPU를 이용해 심층 합성곱 신경망을 학습하고 이미지넷 경연에서 큰 성능 격차로 우승한 알렉스넷 논문. (proceedings.neurips.cc)

[10] Jia Deng et al., “ImageNet: A Large-Scale Hierarchical Image Database,” Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 2009.
인터넷에서 이미지를 수집하고 아마존 메커니컬 터크의 참여자들이 이를 검증하는 방식으로 대규모 이미지 데이터셋을 구축한 과정을 설명한 논문. (image-net.org)

[11] Association for Computing Machinery, “Fathers of the Deep Learning Revolution Receive ACM A.M. Turing Award,” March 27, 2019.
제프리 힌턴·얀 르쿤·요슈아 벤지오를 심층신경망을 컴퓨팅의 핵심 기술로 만든 공로로 2018년 튜링상 공동 수상자로 선정한 ACM의 공식 발표문. (awards.acm.org)

[12] Jürgen Schmidhuber, “How 3 Turing Awardees Republished Key Methods and Ideas Whose Creators They Failed to Credit,” IDSIA Technical Report, 2023, subsequently revised.
딥러닝의 공식 역사와 튜링상 수상자들의 공로 배분에 대해 슈미트후버가 직접 제기한 우선권 논쟁을 확인할 수 있는 1차 자료. 다만 이는 논쟁 당사자의 주장으로, 그 정당성 전체를 입증하는 중립적 자료는 아니다. (people.idsia.ch)

[참고] AI 인물열전

⚔️ AI, 서로를 방해꾼으로 판단

• 여러 AI 에이전트를 하나의 작업 공간에 동시에 투입했더니 예상 밖의 일이 벌어졌습니다. 서로 목표가 다를 때는 상대를 방해꾼으로 판단해 공격했고, 목표가 같을 때는 오히려 지나치게 비슷하게 움직이거나 서로 담합하는 모습까지 나타났습니다.
• 앤트로픽 프런티어 레드팀은 같은 AI 모델을 여러 개 복제해 코드 작업, 시장 경쟁, 컴퓨터 시스템 등에 투입하는 실험을 진행했습니다. 연구진은 개별 AI의 성능이나 안전성만 확인해서는 여러 에이전트가 함께 움직일 때 발생하는 새로운 위험을 잡아내기 어렵다고 지적했습니다.

💻 경쟁 이기려 자가복제 악성코드까지

🌍 우간다 농부가 쓰는 AI도 중국 모델로 만들었다

뉴욕타임스가 소개한 대표적인 사례는 우간다의 AI 서비스 ‘선플라워(Sunflower)’입니다. 전 구글 연구원인 어니스트 음웨바제는 우간다의 여러 현지 언어를 처리하는 AI를 만들기 위해 알리바바의 모델을 선택했습니다. 중국 모델이 메타나 구글의 모델보다 우간다의 다양한 언어를 더 잘 처리했고, 비용도 낮았으며 자체 데이터를 추가해 자유롭게 수정할 수 있었다는 설명입니다. 현재 선플라워는 농부들이 현지 방언으로 날씨와 재배 정보를 얻는 데 활용되고 있습니다.

🚀 시작은 '스페이스워'

• 오늘날 비디오게임은 세계에서 가장 돈이 많이 오가는 여가 산업 가운데 하나입니다. 2024년 전 세계 게임산업 매출은 1800억달러를 넘어 할리우드와 미국프로풋볼(NFL), 넷플릭스의 매출을 모두 합친 것보다도 컸습니다. 하지만 출발점은 거대한 엔터테인먼트 기업이 아니라 대학생의 프로그래밍 실험이었습니다.
• 현대 비디오게임의 조상으로 가장 널리 꼽히는 작품은 1961년 MIT 학생 스티브 러셀이 만든 ‘스페이스워(Spacewar)’입니다. 태양 주변을 비행하는 두 우주선이 서로 싸우는 단순한 게임이었지만, 이전 게임들과 달리 프로그램 코드로 만들어져 다른 대학과 연구소의 컴퓨터로 복제할 수 있었습니다. 게임이 하나의 ‘소프트웨어’로 유통되기 시작한 중요한 전환점이었습니다.

🍻 3200개 매장, 맥주 한 잔이 870원

• 중국의 ‘푸루지아(Fulujia·행운의 사슴)’가 2021년 이후 전국에 3200개가 넘는 초소형 펍을 열며 매장 수 기준 세계 최대 술집 체인으로 성장했습니다.
• 대도시든 2000㎞ 넘게 떨어진 변방 도시든 생맥주 한 잔을 최저 5.9위안, 우리 돈 약 1200원 수준에 판매하는 파격적인 가격이 무기입니다. 매장은 작지만 생맥주 20종과 간단한 안주, 좌석까지 갖춘 형태로 표준화했습니다.

• 핵심 포인트: 아이지에이웍스 모바일인덱스에 따르면, 지난 7월 구글 앱의 MAU는 약 4,702만명으로 생산성 앱 전체 1위를 기록했습니다. 네이버 앱은 약 4,684만명으로 2위에 머물렀으며, 두 서비스의 격차는 17만7,837명입니다. 구글이 월간 이용자 수에서 네이버를 추월한 것은 관련 통계 집계가 시작된 2021년 3월 이후 이번이 처음입니다.