지난 7월 중국 문샷 AI가 ‘키미 K3’를 발표하면서 업계를 충격에 빠뜨렸습니다. 2.8조개의 파라미터를 지닌 프런티어급 대형 모델을 무료로 공개했을 뿐 아니라, 성능 면에서도 서구 프런티어 모델을 거의 따라잡았기 때문입니다. 하지만 더 논란이 된 부분은 미국 프런티어 모델을 ‘증류’(distillation)를 통해 성능을 높였다는 점이었습니다. 증류 자체는 인공지능(AI) 거대언어모델(LLM) 개발에서 흔히 사용되는 방법입니다. 거대한 파라미터를 지닌 대형 모델을 선생 모델로 삼아 더 작고 효율적인 모델을 만드는 기법으로, 일반 사용자에게 배포되는 소형 모델 상당수가 이런 방식으로 만들어집니다. 그러나 오픈 AI와 앤트로픽이 문제 삼은 것은 문샷 AI가 무단으로 프런티어 모델의 답변 내용을 가져와 학습에 활용했다는 점이었습니다. 미국 모델의 능력을 무단으로 학습해 더 저렴한 가격으로 서비스하는 행위로 비판받은 것입니다. 이에 대응하기 위해 앤트로픽은 최근 방어 체계를 강화해 증류로 추출되는 추론 토큰을 이전 대비 10~100배, 데이터 수확량을 90~99% 줄였다고 발표했습니다. 하지만 지난 23일 공개된 키미 K3.1 프로의 성능을 보면, 이 같은 차단 시도만으로는 중국 모델의 성장을 막기 어렵다는 점이 드러납니다. 키미 K3.1 프로의 벤치마크 결과를 보면, 자원이 제한된 실제적인 터미널 작업을 과제별 엄격한 테스트로 평가하는 ‘Terminal-Bench 4.0’에서 65.7%를 기록해 클로드 오푸스 5.5(66.4%)에 근접했고, GPT-6 아스트라(58.2%)보다 높은 점수를 냈습니다. 실제 금융 문서를 대상으로 검색·문서 간 교차 검증·다단계 수치 추론을 수행하는 ‘OfficeQA Pro v2’에서는 64.4점으로 최고 성적을 기록했습니다. 종합 지능 평가 지수인 ‘Artificial Analysis Intelligence Index’에서도 55점을 기록하며 GPT-6 아스트라와 클로드 페이블 5.1(각각 53점)을 앞서 4위를 차지했습니다. 11월 4일 가중치가 공개되면 현재 가장 강력한 오픈 웨이트 모델이 될 전망입니다. 사실 이는 어느 정도 예측된 결과이기도 했습니다. 처음부터 2.8조개의 파라미터를 지닌 모델을 증류만으로 만들 수는 없습니다. 모델의 크기가 커지고 성능이 높아질수록 프런티어급 모델 개발에서는 증류보다 사후 학습과 강화 학습(RL)이 더 중요해지기 때문입니다. 키미 K3.1 프로가 성능을 더 높인 비결은 한정된 연산 자원을 훨씬 효율적으로 사용해 사후 학습을 강화한 데 있습니다. 중국 AI 기업들은 미국에 비해 매우 제한된 AI 연산 자원을 보유하고 있어, 같은 방식으로 미국 프런티어 모델의 학습 수준을 따라가기 어렵습니다. 문샷 AI는 Kimi Delta Attention(KDA), NoPE, MXFP4/8 양자화, MoE 구조 등 여러 가지 기법을 활용해 제한된 하드웨어에서도 성능을 극대화했습니다. 그런데 이렇게 상대적으로 낮은 하드웨어에서도 서방 프런티어 모델에 근접한 성능을 내도록 개발된 덕분에 비용을 낮출 수 있는 것은 물론, 모델을 다운로드해 내부 서버에서 운영할 때 기업들의 부담도 훨씬 적습니다. 이것이 역설적으로 중국 모델의 큰 장점이 되고 있습니다. 키미 K3.1 프로의 서비스 가격은 입력·출력·캐시 적중 토큰 100만 건당 각각 2달러·10달러·0.20달러로, 키미 K3보다 세 가지 요금 모두 33% 저렴합니다. 저렴한 가격과 높은 성능, 그리고 모델 공개라는 무기로 서방 프런티어 AI 모델을 위협하는 중국 AI 모델에 대응하기 위해서는 증류를 막는 것만으로는 부족합니다. 서방 오픈 모델을 강화하고 효율성을 대폭 끌어올리는 것이 실질적인 대안이 될 수 있습니다.

진원도·원통도부터 표면 거칠기까지 단일 시스템에서 분석…측정 효율성 강화측정 속도·정확성 향상에 자동화 기능까지…스마트 제조 환경 지원 글로벌 정밀 계측 전문기업 테일러홉슨(Taylor Hobson)은 진원도와 원통도 등 형상 측정부터 표면 거칠기 분석까지 하나의 시스템에서 수행할 수 있는 차세대 통합 측정 플랫폼 ‘탤리론드 600 시리즈(Talyrond 600 Series)’를 출시한다고 26일 밝혔다. 이번 신제품은 기존 ‘탤리론드 500 시리즈’를 기반으로 측정 속도와 정확성, 자동화 성능을 한층 강화한 것이 특징이다. 특히 기존 진원도 및 형상 측정 기능에 표면 거칠기와 파상도 분석 기능을 통합해 고정밀 부품의 다양한 품질 특성을 단일 플랫폼에서 종합적으로 평가할 수 있도록 설계됐다. 반도체, 전기차, 베어링, 항공우주, 의료기기 등 고정밀 제조 분야에서는 부품의 형상 정밀도뿐만 아니라 표면 상태까지 정밀하게 관리하는 것이 중요하다. 그러나 형상과 표면 특성을 분석하기 위해 서로 다른 측정 장비를 사용할 경우 부품을 반복해서 설치해야 하고 측정 데이터도 별도로 관리해야 하는 번거로움이 따랐다. 탤리론드 600 시리즈는 이러한 측정 과정의 비효율을 줄이기 위해 ▲진원도(Roundness) ▲원통도(Cylindricity) ▲진직도(Straightness) ▲동심도(Concentricity) ▲런아웃(Runout) 등 다양한 형상 파라미터와 ▲표면 거칠기(Roughness) ▲파상도(Waviness)를 단일 시스템에서 측정할 수 있도록 구현했다. 이를 통해 사용자는 별도의 측정 장비를 추가로 운영하지 않고도 단 한 번의 셋업(Setup)만으로 형상과 표면 품질을 종합 평가할 수 있다. 특히 동일한 기준면과 좌표계에서 형상 및 표면 데이터를 동시에 취득할 수 있어 측정 데이터 간 상관관계를 보다 정확하게 분석하고 반복적인 셋업 과정에서 발생할 수 있는 위치 오차도 최소화한다. 장비 간 부품 이동과 측정 준비에 소요되는 시간도 줄어들어 검사 공정의 전반적인 효율성을 높일 수 있다. 측정 준비 과정뿐 아니라 실제 검사에 소요되는 시간도 대폭 줄였다. 새롭게 설계된 측정 암(Arm)은 최대 30mm/s의 이동 속도를 지원하며, 개선된 센터링(Centering) 및 레벨링(Leveling) 알고리즘을 통해 측정 전 부품의 위치와 기울기를 조정하는 시간을 단축했다. 조정 범위 역시 확대해 작업자의 반복 작업을 최소화하고 부품 교체 시간을 절감할 수 있도록 했다. 여기에 부품 표면의 비틀림(Twist)을 분석하는 측정 기능에는 고도화된 소프트웨어 알고리즘을 적용해 측정 사이클 타임(Cycle Time)을 최대 50% 단축했다. 측정 준비부터 실제 검사까지 걸리는 시간을 줄임으로써 제조 현장의 검사 효율과 장비 운영 생산성을 동시에 끌어올렸다. 측정 속도를 높이면서도 정밀한 결과를 확보할 수 있도록 신뢰성 관련 기술도 강화했다. 20비트 고분해능 게이지(Gauge)와 개선된 스케일 교정(Scale Calibration) 기능을 통해 모든 게이지 범위를 자동 교정하고, 측정 과정에서 발생할 수 있는 오차를 자동으로 보상한다. 또한 ▲충돌 방지 ▲온도 보정 ▲하모닉 검증 ▲피드백 제어(Feedback Control) 기반 자동 위치 결정 기능 등을 적용해 반복 측정 시에도 높은 재현성과 안정적인 측정 결과를 제공한다. 정밀 분석 기능은 복잡한 형상의 부품까지 대응할 수 있도록 확대됐다. ▲부분원호(Partial Arc) 하모닉 분석 ▲고급 하모닉(Advanced Harmonics) 분석 ▲비틀림 분석 ▲나선원통도(Spiral Cylindricity) ▲단속표면(Interrupted Surface) 측정 등을 지원하며, 최대 1,500UPR(Undulations Per Revolution, 회전당 파형 수)까지 검증된 정확도를 제공한다. 부분 진원도 측정에서도 고정밀 하모닉 분석이 가능해 정밀 회전체의 미세한 형상 변화를 더욱 세밀하게 평가할 수 있다. 특히 나선 측정 데이터를 활용한 원통도 분석 기능은 고객사의 요구사항을 반영해 개발됐다. 해당 기술은 향후 비접촉 측정 기술 구현을 위한 기반으로 활용될 예정이다. 이처럼 확대된 분석 기능은 정밀 베어링, 모터 샤프트, 볼스크류, 기어 등 다양한 고정밀 회전체의 품질 평가에 폭넓게 적용할 수 있다. 이러한 측정 성능을 제조 현장에서 효율적으로 활용할 수 있도록 자동화와 데이터 연계 기능도 고도화했다. 탤리론드 600 시리즈는 테일러홉슨의 차세대 ‘메트롤로지 4.0(Metrology 4.0)’ 플랫폼을 기반으로 ▲OPC-UA 기반 설비 연동 ▲Q-DAS 데이터 출력 ▲데이터 융합(Data Fusion) ▲사용자 정의 단축 버튼 등의 기능을 제공한다. 이를 통해 측정 결과를 생산 및 품질관리 시스템과 연동하고 반복적인 측정 작업의 편의성을 높일 수 있다. 측정 프로그램 작성 과정에서도 자동화 기능을 활용할 수 있다. ‘캐드 프로(CAD PRO)’ 기능을 통해 캐드(CAD) 모델 기반 오프라인 프로그래밍을 비롯해 ▲자동 정렬 ▲측정 시뮬레이션 ▲형상 자동 인식 등을 지원한다. 이로써 측정 프로그램 작성에 필요한 시간을 줄이는 동시에 작업자의 개입을 최소화해 검사 공정의 자동화 수준을 한 단계 높일 수 있다. 테일러홉슨 관계자는 “Talyrond 600 Series는 기존 진원도 측정 장비의 기능을 확장해 형상과 표면 거칠기를 하나의 플랫폼에서 종합적으로 분석할 수 있도록 개발한 제품”이라며 “측정 장비의 통합과 검사 시간 단축, 데이터 신뢰성 향상을 통해 반도체, 전기차, 항공우주, 의료기기 등 고정밀 제조 분야의 품질관리 효율성을 높이는 데 기여할 것으로 기대한다”고 말했다.

최근 언론 보도는 다소 잠잠해졌지만, 지난해 큰 충격을 몰고 온 딥시크는 사실 인공지능(AI) 업계에서 영향력이 날로 커지고 있습니다. 특히 올해는 가성비 모델을 통해 토큰 사용량 기준 1·2위를 다투는 규모로 서비스가 확대되면서 서방 프런티어 모델을 압박하고 있습니다. 여기에 더해 딥시크는 상대적으로 작은 모델에서 성능을 대폭 높여 가성비 모델에서 초가성비 모델로 진화하고 있습니다. 지난 9월 공개한 ‘딥시크 V4.1 플래시’ 모델은 고성능 모델인 V4-Pro를 이기면서 프로 모델을 플래시 모델로 대체한 사례로 업계의 주목을 끌었습니다. V4.1 플래시 모델은 기본 5520억개의 파라미터에 Engram(조건부 메모리) 파라미터 1960억개로, V4-Pro의 1.6조개보다 파라미터가 적은데도 더 나은 성능을 보여줬습니다. 특히 V4.1 플래시의 토큰 생성 시 활성 파라미터는 프리필 80억개, 디코드 160억개로 V4-Pro의 약 490억 개보다 훨씬 적은 편입니다. 여기에 많은 고성능 메모리를 요구하는 KV 캐시의 양을 토큰 당 890바이트 수준으로 획기적으로 절감해 비싼 HBM 메모리 사용량을 줄인 점 등도 비용을 대폭 절감하고 속도는 높인 비결로 꼽힙니다. 그런데 딥시크는 불과 한 달 만에 사후 훈련으로 V4.1 플래시를 개선한 ‘V4.1 플래시 1017’을 공개했습니다. 이 모델은 ‘자기 피드백을 통한 강화 학습’(RLSF) 기술을 사용해 모델 스스로가 작업 결과물을 평가하고 답변 품질을 높이는 방식으로 성능을 빠르게 개선했습니다. 특히 딥시크가 공개한 오픈소스 AI 코딩 에이전트 프레임워크이자 작업 환경(에이전트 런타임)인 하네스(Harness) 최적화를 통해 에이전틱 코딩 환경에서 자기 코드 테스트→실패→수정→재시도 루프에서 이전 버전보다 현저히 향상된 모습을 보이고 있습니다. 그리고 모델이 불필요한 설명을 줄이고 원하는 결과만 출력하는 결과 압축 기술로 토큰 수를 줄여 속도는 높이고 비용은 줄였습니다. 딥시크 측은 딥시크 V4.1 플래시 1017이 작은 크기에도 불구하고 몇몇 벤치마크에서 서방의 프런티어 모델을 앞섰다고 주장했습니다. 예를 들어 V4.1 플래시 1017은 AI 코딩 에이전트의 장기적 소프트웨어 엔지니어링 역량을 평가하는 벤치마크인 DeepSWE에서 77%의 점수를 기록했는데, 이는 클로드 오푸스 5의 74%를 앞선 수치입니다. 딥시크 V4.1 플래시 1017은 현재 딥시크 V4.1의 인기를 그대로 이어갈 것으로 보입니다. 현재 서비스 가격은 백만 토큰 기준으로 피크 시간대 입력 0.3달러, 출력 1.20달러(오프피크는 절반 수준)로 비슷한 성능의 서방 모델보다 저렴합니다. 딥시크 V4.1 플래시는 공식 출시 이후 사용량이 크게 폭증하며 가성비를 바탕으로 개발자 및 에이전트 작업 시장에서 빠르게 확산되고 있습니다. 딥시크 V4.1 플래시는 오픈소스 AI 코딩 에이전트인 오픈코드(OpenCode)에서 토큰 순위 1위를 차지하며 인기를 이어가고 있는데, 성능을 더 높인 후속 모델을 한 달 만에 선보이며 현재도 높은 토큰 점유율을 더욱 늘려갈 것으로 예상됩니다. 여기에 누구나 다운로드 받아서 사용할 수 있는 오픈 모델이라는 점 때문에 자체 서버에서 활용하는 기업도 계속 늘어나고 있습니다. 미국의 최신 프런티어 모델이 성능에서는 조금씩 앞서 나가고 있지만, 딥시크를 필두로 한 중국 모델들은 가성비를 내세우면서 실제 사용량을 무섭게 늘린 상태입니다. 막대한 AI 인프라 투자 비용을 감당할 수 있을지 의구심이 제기되는 가운데, 가성비 모델을 앞세운 중국의 전략은 자체 모델을 개발 중인 우리에게도 타산지석이 될 것으로 보입니다.

현재 인공지능(AI) 시장을 양분하는 것은 오픈 AI의 GPT 같은 폐쇄형 모델과 중국의 딥시크, Qwen 같은 공개 모델입니다. 성능 면에서는 여전히 미국의 프런티어 AI 모델이 좀 더 앞서가고 있지만, 중국 모델의 추격이 매우 거센 상태입니다. 특히 모델 가중치를 공개하는 중국 모델들은 전 세계 개인 사용자와 기업, 연구소가 다운로드해 널리 사용하고 있습니다. 이에 반해 미국산 오픈 모델들은 이에 견줄 만큼 파생 모델이 많지도 않고 허깅 페이스 같은 오픈 사이트에서 다운로드 횟수도 상대적으로 적은 편입니다. 그럼에도 구글의 젬마 4, 메타의 뮤즈 글리머, 엔비디아의 네모트론 등은 어느 정도 사용자를 확보하고 있습니다. 최근 엔비디아는 엔비디아 그래픽처리장치(GPU)에 최적화된 공개 모델인 ‘네모트론 3.5 슈퍼 VL’을 공개했습니다. 1200억개의 파라미터를 지닌 MoE(Mixture of Expert) 모델로 토큰 생성 시에는 10%인 120억개의 파라미터에 해당하는 전문가만 사용해 속도를 높인 모델입니다. 과거 공개한 네모트론 3 울트라(약 5500억 파라미터 중 550억개 활성화)와 비슷한 추론 능력을 더 작은 모델로 구현한 것으로 속도에 중점을 둔 것이 특징입니다. 다만 엔비디아가 공개한 벤치마크 자료를 보면 추론 성능 자체는 썩 좋은 편은 아닙니다. 비슷한 체급인 Qwen 3.8 플래시 넥스트와 비교해서 성능이 낮은 것은 물론 모델 크기가 4분의1도 되지 않는 Qwen 3.8 27B보다도 떨어집니다. 예를 들어 미국의 인공지능 평가·벤치마킹 기관인 Artificial Analysis(AA)에서 발표하는 AI 언어 모델(LLM)의 종합 성능 평가 지표인 AAII(Artificial Analysis Intelligence Index)에서 Qwen 3.8 플래시 넥스트는 40점, Qwen 3.8 27B는 34점을 기록한 데 비해 네모트론 3.5 슈퍼 VL은 28점 정도에 그쳤습니다. 하지만 속도를 기준으로 보면 이야기가 달라집니다. 엔비디아는 네모트론 3.5 슈퍼 VL이 동급 모델보다 5배는 빠르다고 주장하고 있습니다. 활성 파라미터가 120억개로 작아서 메모리·연산 효율이 우수하고 다중 토큰 예측(MTP) 기술과 블랙웰 이상 엔비디아 GPU에서 사용할 수 있는 NVFP4 양자화를 통해 속도를 최대한 끌어올린 덕분입니다. 또 모델의 기본 지능은 낮을지 몰라도 사후 훈련을 통해 성능을 끌어올릴 수 있는 여지가 커서 기업이나 공공기관, 연구소 등에서 내부 데이터를 밖으로 유출시키지 않고 목적에 맞는 모델을 만들 수 있습니다. 여기에 상대적으로 작은 크기와 빠른 속도를 지닌 만큼 시스템 구축 및 유지 비용을 절감할 수 있습니다. 엔비디아 네모트론의 또 다른 강점은 미국 모델이라는 것입니다. 현재 미국 내에서는 무료로 공개하는 중국산 모델에 대한 규제를 강화하려는 움직임이 진행되고 있습니다. 주요 기업이나 공공기관이 중국산 모델에 종속될 경우 보안상의 위험이 있고 현재는 무료로 공개하는 모델이 앞으로는 라이선스 조건을 바꿀 수도 있기 때문입니다. 엔비디아 네모트론은 미국산 모델이고 엔비디아가 꾸준히 업데이트를 하고 있어 이런 위험에서 자유로운 편입니다. 엔비디아의 사업 모델은 AI 하드웨어를 파는 것이기 때문에 CUDA처럼 소프트웨어는 계속 무료로 배포할 가능성이 큽니다. 다만 최신 프런티어 AI 모델과 이를 추격하는 중국산 고성능 오픈 모델 덕분에 눈높이가 높아진 사용자들을 만족시키기에는 성능이 다소 아쉬운 것이 사실입니다. 앞으로 후속 모델을 통해 속도뿐 아니라 성능까지 끌어올려야 네모트론이 경쟁이 치열한 오픈 모델 시장에서 존재감을 높여 나갈 수 있을 것입니다.

현재 인공지능(AI) 시장은 중국과 미국이 양분하고 있다고 해도 과언이 아닙니다. 특히 가중치를 공개하는 오픈 웨이트 AI 모델에서는 중국이 가장 앞서가는 가운데, 유럽 소버린 AI의 대명사로 불리는 프랑스 미스트랄 AI에서 최신 대형 모델인 ‘미스트랄 라지(Mistral Large) 4’를 공개했습니다. ‘르 촌크’(Le Chonk)라는 별칭을 지닌 미스트랄 라지 4는 1조 개의 파라미터를 지닌 대규모 언어 모델(LLM)로, 텍스트와 이미지를 함께 처리할 수 있는 네이티브 멀티 모달 모델입니다. 효율적인 희소 혼합 전문가(MoE) 아키텍처를 사용해 모델 자체는 크지만, 연산 시에는 모든 파라미터가 아니라 일부 전문가만 활성화해 약 490억개의 파라미터만 사용합니다. 이런 MoE 구조는 중국 오픈 웨이트 모델에서는 이미 널리 쓰이고 있으며, 구글의 ‘젬마 4’(Gemma 4) 서방 공개 모델에서도 쉽게 볼 수 있는 방식입니다. 정식 모델 공개를 앞두고 공개한 벤치마크 결과를 보면 한 가지 흥미로운 사실을 알 수 있습니다. 미스트랄 라지 4는 사이버 보안과 법률, 금융 지식 면에서는 높은 점수를 받았으나, 코딩이나 에이전틱 능력에서는 미국 최상위 모델이나 중국의 최신 오픈 웨이트 모델을 넘어서지는 못했습니다. 이를 두고 일부에서는 “규제에 강한 유럽산 모델다운 특징”이라는 다소 냉소적인 반응이 나오기도 했지만, 반대로 실용적인 선택과 집중이라는 해석도 가능합니다. 사실 미스트랄은 대중적인 인지도는 높지 않지만, 초창기부터 모델을 공개해 허깅 페이스 같은 오픈 모델 공개 사이트에서 수많은 파생 모델이 나왔고 누적 다운로드도 상당 규모를 기록했습니다. 유럽 공공기관과 기업에서 실제로 이 모델을 업무에 활용하고 있기 때문에, 수요가 있는 사이버 보안이나 법률, 금융 부분을 중심으로 개발한 건 당연한 결과라고 할 수 있습니다. 미스트랄 AI는 미스트랄 라지 4 모델을 자체 데이터센터에서 운용하지 않는 사용자들을 위해 100만 토큰 기준 입력 1.36달러, 출력 4.18달러, 캐시 입력 0.14달러에 서비스할 계획이라고 발표했습니다. 미국이나 중국 모델 대비 저렴하지 않은 가격인데도 이렇게 책정한 것은 그만큼 돈 내고 쓰는 수요가 존재할 것이라는 자신감 덕분으로 보입니다. 미스트랄 AI의 전략은 우리도 참고할 필요가 있습니다. 현재 국내 독자 AI 개발 전략은 ‘세계 3위’라는 숫자에 다소 매몰된 듯한 모습입니다. 물론 일부 국내 모델은 국제 벤치마크에서 의미 있는 성과를 거두기도 했고, 현재 진행 중이기 때문에 앞으로 더 큰 성과를 거둘 가능성도 있습니다. 하지만 벤치마크에서 상위권인 것보다 더 중요한 것은 실제로 사용하는 기업이나 개인이 얼마나 되는가입니다. 1·2위인 미국과 중국이 사실상 시장을 거의 양분하는 상황에서 3위라는 목표는 달성할 수 있더라도 큰 의미가 없을 가능성이 높습니다. 그보다는 특정 영역에서 분명한 수요가 있고, 일부는 비용을 지불하고서라도 기꺼이 사용할 수 있는 모델을 개발하는 것이 중요합니다. 그러면서 피드백을 쌓아 나간다면, 어느덧 자신만의 영역을 확고하게 개척한 모델이 될지도 모릅니다.

최근 마이크론 테크놀로지의 산자이 메로트라 최고경영자(CEO)는 실적 발표에서 흥미로운 전망을 내놓았습니다. 자율주행차처럼 휴머노이드 로봇 1대당 200GB 이상의 D램과 수 테라바이트의 낸드 플래시가 필요하기 때문에, 피지컬 AI가 결국 미래 메모리·스토리지 수요의 주요 동력이 될 수 있다는 것입니다. 이는 현재의 AI 붐이 끝난 뒤 실적이 꺾일 수 있다는 시장의 우려를 불식시키려는 메시지로 읽힙니다. 그런데 그 직후 일론 머스크는 엑스(X)에 묘하게 다른 시각을 보여주는 글을 올렸습니다. 테슬라가 개발 중인 AI5 칩의 메모리 용량을 기존 계획의 절반인 72GB로, AI6 칩은 약 3분의 1을 줄인 144GB로 조정했다는 내용이었습니다. 메모리 공급 부족을 극복하고 비용을 크게 낮추기 위한 결정이며, 이 변경이 옵티머스 성능에는 거의 영향을 주지 않을 것이라고 강조했습니다. 옵티머스와 테슬라 자율주행 시스템에 탑재될 AI5는 약 2000~2500 TOPS의 연산 능력을 목표로 하고 있습니다. 기존 AI4 대비 유용한 성능이 5배 이상 향상된 수준입니다. 칩은 하프 렉티클 크기(430mm² 정도)의 단일 대형 다이에 12개의 D램 모듈을 주변에 배치한 형태로 설계됐으며, 대용량 온 칩 (On-chip) SRAM을 함께 탑재하고 있습니다. 여기서 머스크가 강조한 포인트는 명확합니다. 메모리 ‘용량’보다 ‘대역폭(속도)’이 더 중요한 병목이라는 것입니다. 용량을 줄이면서도 대역폭 자체는 그대로 유지했고, 추가로 온 칩 SRAM을 적극 활용해 실효 속도를 높인 것으로 보입니다. 프로세서 내부에 있는 SRAM은 용량은 작지만 외부 D램보다 훨씬 빠르게 데이터를 주고받을 수 있기 때문입니다. 로봇과 자율주행에 필요한 피지컬 AI는 사실 크고 똑똑한 모델보다 빠른 모델이 더 중요합니다. 계속해서 변하는 상황에 맞춰 즉각적으로 반응해야 하기 때문입니다. 파라미터가 많은 모델은 더 정교한 판단을 내릴 가능성이 높지만, 너무 커지면 연산에 시간과 전력이 많이 소모돼 반응 속도가 느려지고 로봇에 탑재하기 부담스러워집니다. 머스크의 주장에 따르면 AI5는 엔비디아 H100에 준하는 성능을 내면서도 전력 소모는 200W 수준으로 비교적 낮게 설계됐습니다. 온 칩 SRAM으로 필요한 빠른 반응을 확보하고, 용량을 줄인 LPDDR5 메모리로 전력 효율을 높인 덕분으로 풀이됩니다. TSMC와 삼성의 2㎚ 공정을 통해 전성비를 개선했을 가능성도 큽니다. 물론 이 모든 내용은 테슬라와 머스크의 주장에 기반한 것입니다. AI5 칩이 실제로 공개되거나 양산된 것은 아니기 때문에, 전력 소모와 메모리 사용량을 줄이면서도 피지컬 AI에 적합한 반응 속도를 확보했는지 현재로서는 검증하기 어렵습니다. AI5의 본격 양산은 2027년으로 예정돼 있으며, 그때 실제 제품이 나오면 자연스럽게 확인될 전망입니다. 그래도 이 내용이 흥미로운 이유는 테슬라의 AI 전략을 엿볼 수 있기 때문입니다. 앞서 중국 AI 모델들은 메모리와 연산 자원을 구하기 어려운 상황에서 극단적인 효율화 기술을 적극 도입했습니다. 반면 테슬라는 메모리 수급의 현실적 제약을 인정하면서도, 피지컬 AI에 필수적인 빠른 반응 속도와 높은 전력 효율을 우선시한 설계를 선택한 것으로 보입니다. 이 전략이 실제로 효과적인지 가까운 미래에 확인할 수 있을 것입니다.

최근 미국 프런티어 모델을 거의 따라잡은 성능과 증류 논란으로 유명해진 문샷 AI의 키미 K3나 지난해 AI 시장에 큰 충격을 몰고 온 딥시크와 비교해서 알리바바의 Qwen은 상대적으로 대중적 인지도는 낮은 편입니다. 하지만 누구나 다운로드 해 사용할 수 있는 개방형 LLM 모델 가운데서 Qwen 3.8 시리즈는 모델 크기 대비 높은 성능으로 많은 사용자를 확보한 상태로 만만치 않은 기술력을 자랑하는 회사이기도 합니다. 여기에 중국 AI 회사 가운데서는 일찍부터 AI 하드웨어에 많은 투자를 해 자체 플랫폼을 구축하고 있는 회사이기도 합니다. 이런 점에서 알리바바는 자체 모델인 제미나이와 AI 가속기인 TPU를 지닌 구글과 상당히 유사한 전략을 지닌 회사이기도 합니다. 최근 알리바바는 5조에서 10조개 파라미터 규모의 차세대 Qwen 모델을 개발하겠다고 밝혔습니다. 더 중요한 것은 이런 대형 모델을 훈련하고 서비스할 수 있는 자체 AI 가속기 ‘젠우 V900’을 공개했다는 점입니다. 지난 22일 항저우에서 열린 압사라 콘퍼런스에서 공개한 알리바바의 젠우 V900은 216GB의 메모리를 탑재하고 있으며 전 세대인 M890의 3배의 성능을 지니고 있습니다. 구체적인 성능은 아직 공개하지 않았는데, FP16 기준으로 3배라면 1.8 PFLOPs의 성능을 지닌 것으로 추정됩니다. 여기에 FP8/FP4 연산도 지원한다고 밝혔습니다. 아무튼 대략적인 수치를 감안하면 알리바바의 젠우 V900은 엔비디아의 베라 루빈(FP4 기준 50 PFLOPs)과 비교해 성능은 낮은 편입니다. 하지만 엔비디아 칩을 수입하기 힘든 알리바바 입장에서는 자체 개발이 필수적인 상황입니다. 그리고 사실 중국 내에서 경쟁 상대인 화웨이 어센드 칩과 비교해서 크게 낮은 성능이라고 할 수 없는 수준이기도 합니다. 일단 젠우 V900 칩을 계획대로 양산해서 목표처럼 20GW 급 데이터 센터를 2032년까지 구축할 수 있다면 알리바바는 나름 승산이 있다고 보고 있습니다. 중국 AI 모델의 특징은 상대적으로 적은 연산 자원을 이용해서 높은 성능을 낼 수 있게 한 데 있습니다. 미국이 제재로 칩 수급이 어려운 상황에서 내놓은 여러 고육지책이 지금은 오히려 큰 무기가 되고 있는 셈입니다. 최신 Qwen 모델은 활성 파라미터 크기를 줄여 연산 부담을 더는 MoE(Mixture of Experts) 기법은 물론이고 ‘N-gram 임베딩’처럼 AI 가속기의 메모리 부담까지 덜어주는 최신 기법을 사용해 연산 자원 대비 높은 성능을 보여주고 있습니다. 따라서 50만 개의 V900 칩을 실제로 양산해 대규모 AI 데이터 센터를 구축할 수만 있다면 앞으로 AI 경쟁에서 연산 자원 확보에 어려움을 겪는 딥시크나 키미 K3보다 유리한 고지를 차지할 수 있습니다. 물론 하이퍼스케일러가 되기 위해서는 AI 가속기 만으로는 불가능합니다. 한 개의 기속기에서 10조 개의 파라미터를 돌릴 순 없기 때문입니다. 젠우 V900 가속기는 알리바바의 ICN 스위치 패브릭을 통해 약 1.2TB/s의 칩 간 인터커넥트 속도를 제공합니다. 그리고 지우(Panjiu) 슈퍼노드 서버(V900 + ICN 스위치 기반), 이톈(Yitian) CPU를 포함한 자체 맞춤형 랙 스케일 솔루션을 개발하고 있습니다. 다만 중국 내 반도체 수급 상황도 쉽지 않다는 점을 생각하면 순조롭게 캐파 확장에 성공할 수 있을진 미지수입니다. 최대 50만 개의 V900 가속기는 108페타바이트의 HBM 메모리를 의미합니다. 다만 중국 내 고성능 반도체와 고대역폭 메모리 공급이 빠듯한 상황이어서, 계획대로 50만 개 규모로 양산해 대규모 데이터센터를 구축할 수 있을지는 아직 미지수입니다. 물론 이런 어려움을 극복하고 알리바바가 대규모 데이터센터, 자체 AI 가속기, 자체 LLM까지 완성한다면 AI 수직 계열화에 한 발 더 다가가며 입지를 크게 강화할 수 있을 것입니다. 알리바바는 젠우 V900의 출시 시점을 내년 1분기로 밝혔습니다. 알리바바가 어떤 결과를 겨두게 될지 주목됩니다.

작년 딥시크 쇼크를 몰고 왔던 중국 AI 기업 딥시크가 기업공개(IPO)를 앞두고 새로운 모델인 ‘딥시크 V4.1 플래시’를 공개했습니다. 지난 10일 허깅페이스 등에 공개된 새 모델은 총 7180억개의 파라미터(5520억개의 기본 파라미터+1960억개의 N-gram)를 사용하지만, 2.8조개로 훨씬 파라미터가 큰 ‘Kimi K3’는 물론 서구의 주요 AI 모델과 견줄 만한 성능을 지니고 있습니다. 출시와 같이 공개된 벤치마크를 보면 딥시크 V4.1 플래시는 Terminal-Bench 2.1에서 90.6점을 기록해 GPT 5.6 Sol의 88.8점이나 클로드 오푸스 5의 89.1점을 넘어서고 자사의 기존 플래그십 모델인 딥시크 V4.0 프로의 87.9점도 넘어서고 있습니다. 물론 모든 벤치마크 결과에서 앞서는 건 아니고 주로 코딩 및 에이전트, 사이버 보안 등에 강한 모습을 보이지만, 모델 크기와 사양을 생각하면 V4.0 플래시 버전과 비교해도 괄목할 만한 성장을 이뤄냈습니다. 하지만 진짜 놀라운 부분은 가격입니다. 딥시크는 올해 저렴한 가격과 쓸 만한 성능을 무기로 시장에 파란을 몰고 왔습니다. 하지만 사용자가 몰리면서 지난 8월 가격을 대폭 인상했는데, 불과 한 달 만에 모델 성능을 대폭 끌어올리면서 가격을 낮췄습니다. 딥시크 V4.1 플래시의 가격은 백만 토큰당 기준 피크 시간대 입력 0.3달러, 출력 1.2달러, 캐시 히트 입력 0.006달러, 일반 시간대 입력 0.15달러, 출력 0.6달러, 캐시 히트 입력 0.003달러로 일부 프런티어 모델 대비 86배나 저렴하다는 것이 딥시크의 주장입니다. 당초 가격을 올린 이유로 지목된 것은 연산 자원 대비 사용자가 너무 몰리면서 감당이 어려워졌기 때문으로 풀이됐습니다. 특히 새로운 모델이 개발될수록 보통 파라미터 크기가 커지면서 메모리와 연산 자원이 더 필요하기 때문에 가격을 올릴 수밖에 없을 것으로 여겨졌습니다. 하지만 딥시크는 V4.1 플래시에서 아키텍처를 대폭 혁신하고 메모리와 연산 자원 사용량을 극단적으로 줄이면서도 모델 성능을 높이는 데 성공해 경제성을 확보했습니다. 모델 파라미터 크기는 V4.0 플래시가 2840억 개로 사실 V4.1 플래시가 기본 모델만 두 배에 가깝고 N-gram 추가 메모리까지 합치면 2.6배는 큰 편입니다. 하지만 V4.1 플래시는 CED(Causal Encoder-Decoder)라는 아키텍처를 사용해 긴 프롬프트/컨텍스트 읽기 과정에서는 인코더 20층에 80억개의 파라미터만 사용하고 응답을 생성하는 디코더는 40층 160억 개를 다 사용해 에이전트·코딩처럼 입력이 출력보다 훨씬 긴 작업에서는 오히려 연산량이 적을 수 있습니다. 또 SWA Bounded Replay, CSA2, FP4 KV 캐싱(caching) 같은 여러 기술을 사용해 KV 캐시의 양을 극적으로 줄여 V4.0 플래시 대비 약 4분의1로 줄였습니다. 이는 HBM 같은 고가 메모리의 의존도를 크게 낮춰 비용을 절감할 수 있습니다. N-gram 임베딩 기술은 알리바바의 Qwen 3.8 플래시 넥스트 같은 다른 중국산 AI 모델에서도 도입한 기술로 자주 쓰는 관용구를 사전처럼 저장했다가 불러 쓰기 때문에 일반 D램에 저장해도 되고 모델의 응답 속도를 매우 빠르게 만들 수 있습니다. 이와 같은 아키텍처 혁신을 통해 연산 자원과 메모리를 최대한 아끼면서 토큰 생성량과 성능을 극대화한 것이 V4.1 플래시에서 오히려 가격을 낮춘 비결로 풀이됩니다. 하지만 이 가격에 서비스하면서도 손익분기점을 넘었는지는 여전히 의문입니다. 딥시크는 비상장 기업으로 정확한 재무 상태를 알기 어렵지만, 현재까지는 적자인 것으로 알려져 있습니다. 아무리 효율성 좋은 모델을 사용해도 경쟁자와 비교해서 매우 저렴한 가격에 제공하고 있기 때문에 수익을 내긴 쉽지 않은 구조입니다. 매번 서구 모델 대비 저렴한 가격을 무기로 내세웠지만, 역설적으로 저렴하지 않으면 안 되는 사업 모델이 약점이 될 수 있습니다. 딥시크 V4.1 플래시는 연산 자원 효율화라는 관점에서는 놀라운 기술적 진보를 보여줬지만, 결국 장기적으로 보면 기술 혁신보다 수익화에 성공할 수 있을지가 실제 몸값을 결정할 것입니다. 앞서 가격 인상도 상장을 앞두고 실적을 좋게 하기 위한 것이라는 평가가 있었는데, 이번에 다시 가격을 낮추고도 실적을 확보할 수 있을지 궁금해지는 대목입니다.

최근 몇 달간 중국의 AI 모델은 전 세계에 큰 충격을 줬습니다. 7월에 발표된 문샷 AI의 키미 K3는 가중치가 공개된 오픈 모델 가운데서 가장 큰 2.8조개의 파라미터를 지닌 프런티어급 모델로 API 데뷔 후 불과 36시간 만에 글로벌 AI 성능 평가 플랫폼인 Arena.ai의 웹 개발(WebDev) 및 코딩(Code) 리더보드에서 1679점을 기록하며, 미국 빅테크의 최신 모델(앤스로픽의 페이블 5, 오픈AI의 GPT-5.6 Sol 등)을 제치고 1위에 올랐습니다. 하지만 모델이 공개된 후 성능보다 다른 이유로 더 유명해졌는데, 미국 앤스로픽의 최신 모델을 증류한 흔적이 발견됐기 때문입니다. 물론 모델 증류만으로 2.8조개 파라미터를 지닌 초대형 모델을 만드는 건 불가능하지만, 미국 정부와 앤스로픽이 반발한 것은 당연한 수순이었습니다. 하지만 중국 AI의 약진은 여기서 그치지 않았습니다. 지난해 증시에 충격을 준 딥시크는 올해 다시 공격적인 가격 인하를 통해 토큰 소비량 기준으로 앤스로픽의 뒤를 이어 2위까지 치고 올라갔습니다. 몰리는 수요를 감당하지 못해 결국 가격을 인상하긴 했지만, 중국 AI 모델의 거센 약진을 보여준 사례로 평가됩니다. 상대적으로 뉴스에는 덜 나오지만, 다른 중국 AI 모델들도 올해 상당한 결과물을 보여주고 있습니다. 알리바바의 큐원(Qwen)은 최신 3.8 버전을 내놓으면서 개인 PC에서도 돌아갈 수 있는 Qwen 3.8 27B를 선보였습니다. 파라미터가 수조개가 넘는 대형 프런티어 모델과 비교하면 270억(27B)개의 파라미터를 지닌 Qwen 3.8 27B의 성능은 대단치 않아 보일 수 있습니다. 하지만 벤치마크는 의외의 결과를 보여줬습니다. Qwen 3.8 27B는 실제 소프트웨어 엔지니어링 에이전트 능력을 측정하는 가장 중요한 에이전틱 코딩 벤치마크인 SWE-bench Pro에서 앤스로픽의 클로드 오푸스 4.6 맥스(Claude Opus 4.6 Max)의 53.4%를 상회하는 61.7%를 기록하며 놀라움을 안겼습니다. 실제 수많은 다운로드가 이뤄지면서 사용자들 사이에서는 가정용 오푸스(Opus at home)라는 반응이 나오는 중입니다. 여러 벤치마크를 가중 평균해 모델의 전반적인 지능을 하나의 숫자로 요약하는 벤치마크인 AAII(Artificial Analysis Intelligence Index)에서도 52점을 기록해 오픈웨이트 모델 중 상위권이며, 일부 프런티어 모델에 근접하는 수준입니다. (xhigh reasoning 설정 기준) Qwen 3.8 27B도 압축하지 않은 BF16 모델은 56GB 정도 용량이라 개인 PC의 그래픽카드 및 메모리에 모두 올리기 어렵습니다. 하지만 최신 4비트 양자화 모델은 크기를 16.5GB까지 줄여 어느 정도 사양이 되는 개인 PC에서 쉽게 사용할 수 있습니다. 실제 개인적으로 사용한 결과 16GB 이상 메모리를 지닌 그래픽카드에서 충분히 구동할 수 있었고 코딩 및 에이전틱 임무에서 생각보다 뛰어난 성능을 보였습니다. 다만 원활하게 돌리기 위해서는 24GB 메모리를 지닌 그래픽카드나 그에 준하는 통합 메모리가 권장됩니다. 흥미롭게도 Qwen 3.8 27B나 같이 공개한 Qwen 3.8 플래시 넥스트와 프런티어급 모델인 Qwen 3.8 맥스는 모두 한 가지 공통된 특징을 지니고 있습니다. 바로 엔비디아 GPU처럼 고성능 AI 가속기를 구하기 힘든 중국 내 특수 상황을 반영해 제한적인 컴퓨터, 서버 사양에서도 높은 성능을 낼 수 있게 개발됐다는 점입니다. 이렇게 제한된 하드웨어에서 가장 높은 성능을 내게 개발한 것이 이제는 27B 정도의 소형 모델에서도 높은 성능을 낸 비결로 보입니다. 중국 AI 모델에 대해서는 여전히 미국 프런티어 모델에 대한 증류 의혹이 있긴 하지만, 가성비 모델을 만드는 기술에 있어서는 누구도 따라올 수 없는 가장 독보적인 기술을 지닌 것은 사실입니다. 결국 같은 성능이라면 비용을 절감하는 쪽이 유리할 수밖에 없습니다. 더구나 모델을 계속 무료로 푸는 정책 역시 장기적으로 보면 경쟁자에게 큰 부담입니다. 중국의 AI 굴기는 이미 무시하기 힘든 수준으로 성장한 만큼 미국의 프런티어 모델들도 이에 대한 대응이 필요할 것으로 생각됩니다. 비용을 고민하지 않고 성능을 높이는 것보다 같은 성능이면 더 효율적이고 저렴한 모델을 개발해 원가를 절감하려는 노력이 필요합니다. 소버린 AI를 강조하고 있는 우리에게도 중요한 시사점입니다.

STEG가 E-GENE™ BUSINESS PLATFORM을 기반으로 다양한 업무 애플리케이션을 선보이며 비즈니스 플랫폼 생태계 확대에 나선다. 에스티이지(대표 임현길, 이하 STEG)는 노코드 플랫폼 ‘E-GENE™’을 활용해 개발한 신규 솔루션 5종을 선보인다고 25일 밝혔다. STEG는 20년 가까이 IT서비스관리(ITSM)를 시작으로 IT자산관리(ITAM), IT비즈니스관리(ITBM), 프로젝트관리(PMS), 성과관리까지 IT 거버넌스의 전 라이프사이클 관리를 위한 기업의 IT를 책임지는 토털 솔루션을 제공해 왔다. 최근에는 비즈니스 플랫폼인 ‘E-GENE™ BUSINESS PLATFORM(EBP)’을 통해 E-GENE™으로 개발한 애플리케이션을 제공하며 생태계를 확대하고 있다. 이번에 공개된 솔루션은 ▲AI 거버넌스 플랫폼 ‘AI GC’ ▲데이터·AI 기반의 HR 시스템 ‘HR’ ▲스마트 모바일 오피스 플랫폼 ‘MOMO’ ▲CRM 플랫폼 ‘세일즈보드’ ▲올인원 여행 운영 플랫폼 ‘TT’ 등 총 5종이다. 특정 영역에 구애받지 않고 EBP의 적용 범위를 확장한 사례다. ■ AIGC: AI 자산과 규제, 리스크, 비용까지 통합 관리 ‘AIGC(AI Governance＆Compliance)’는 AI 운영 관련 자산, 규제, 리스크, 비용을 통합 관리하는 AI 거버넌스 플랫폼이다. AI 자산 속성을 중심으로 관련 규제를 자동 연결하고 준수 여부를 분석하며 위험도를 산정한다. 프롬프트·파라미터·툴의 변경 이력 등 증적 자료를 체계적으로 기록하고 관리해 감사 대응을 지원한다. AI 비용의 분석·관리를 위한 경영진·실무진용 대시보드도 제공된다. ■ HR: 업무 데이터를 근거로 하는 AI 기반 인사관리 ‘HR’은 실제 업무 데이터를 평가 근거로 활용해 객관성을 높인다. SQL을 통해 데이터를 자동으로 수집하여 평가 점수와 등급에 즉각 반영하며, AI 에이전트를 도입해 장문의 피드백을 핵심 역량과 발전 과제 중심으로 요약한다. 또한 전사, 부서별, 개인별 역량까지 한눈에 파악하는 대시보드를 지원하고, 반복적인 평가 업무를 자동화해 운영 효율성을 높였다. ■ MOMO: 자율좌석제에 AI를 더한 모바일 오피스 플랫폼 ‘MOMO’는 자율좌석제 도입에 따른 오피스 운영 관리 업무를 효율화하는 스마트 모바일 플랫폼이다. 좌석 및 회의실 예약은 물론, AI 기반의 회의록 작성과 후속 업무 관리로 전반적인 업무 생산성을 극대화한다. 나아가 사내 자산 등록 및 현장 실사 기능을 갖추고 있으며, 오피스 현황과 장애 신고 등을 통합 모니터링하는 관리자 콘솔을 제공한다. 특히 CAD 프로그램 없이도 손쉽게 사무실 인테리어를 배치할 수 있는 맵 에디터 기능을 통해 운영 편의성을 한층 높였다. ■ CRM: 영업 기회부터 청구까지, IT 영업 프로세스를 하나로 연결 ‘CRM’은 영업 기회부터 프리세일즈, 계약, 인력, 사업, 청구·정산까지 IT 영업의 전체 프로세스를 하나의 워크플로우로 연결한 영업 관리 플랫폼이다. 불필요한 정보 입력이나 데이터 불일치를 최소화하며, 계약 품목과 금액을 연계해 청구 금액을 산출한다. 사업별 필요 인력, 투입 현황, 가동률까지 관리 가능하다. 외근이 잦은 영업 직군의 특성을 반영해 모바일 가독성을 극대화했다. ■ TT: 여행 등록부터 현장 운영까지, 여행 운영 업무를 하나의 플랫폼으로 ‘TT(Travel Together)’는 여행 운영의 전 과정을 관리하고 가이드와 여행객을 연결하는 올인원 여행 운영 플랫폼이다. 가이드는 여행 상품 등록, 타임라인·동선 생성, 여행객 모집, 일정 관리, 소통, 만족도 조사 등을 모바일로 편리하게 진행 가능하다. 여행객에게는 여행 상품 탐색과 참여, 실시간 일정·공지사항 확인 등의 기능이 제공된다. ■ 10월 연례 콘퍼런스 ‘EBP NEW＆NOW!’서 신규 솔루션 선보여 이번에 선보인 5종의 솔루션은 오는 10월 28일 서울 엘타워에서 열리는 연례 콘퍼런스 ‘EBP NEW＆NOW!’에서 자세히 소개될 예정이다. STEG는 이 행사에서 EBP의 비전을 제시하고 제품별 세션을 통해 신규 솔루션 소개와 데모 시연을 진행한다. 임현길 STEG 대표는 “E-GENE™은 기업의 다양한 업무와 요구사항에 맞는 애플리케이션을 빠르게 개발할 수 있는 노코드 플랫폼”이라며 “앞으로도 E-GENE™을 활용한 애플리케이션을 지속적으로 선보이고 EBP 생태계를 확대해 나갈 것”이라고 말했다.

애피어(Appier)가 에이전틱 AI 시스템의 신뢰성을 개선하기 위한 ‘리스크 인지 의사결정 프레임워크’ 연구 성과를 공개했다고 21일 밝혔다. 애피어 AI 리서치팀은 거대언어모델(LLM)과 에이전틱 AI의 신뢰성 검증을 중심으로 연구개발 역량을 집중하고 있다. 애피어는 “답할 것인가, 거절할 것인가, 추측할 것인가? 언어모델의 리스크 인지 의사결정”이라는 제목의 논문을 통해 복합적인 위험 조건에서 LLM이 내리는 판단을 정량적으로 측정하는 평가 체계를 제안했다. 이번 연구는 고위험 비즈니스 시나리오에서 모델의 의사결정 안정성을 높일 수 있는 구조화된 방법론을 담고 있다. 해당 연구는 기업 환경에서 에이전틱 AI를 도입할 때 핵심 과제로 꼽히는 ‘자율적 AI 의사결정의 신뢰성 확보’를 다룬다. 애피어는 이를 통해 AI 기술 리더십을 더욱 공고히 하는 동시에, 에이전틱 AI 생태계 전반에도 실질적인 기술적 인사이트를 제공한다. 기업들의 AI 활용이 자율형 AI 에이전트로 진화해 가면서, 신뢰성은 도입을 결정하는 핵심 장벽으로 떠오르고 있다. 2025년 맥킨지(McKinsey) 조사에 따르면 기업의 62%가 이미 AI 에이전트 도입을 시작했지만 ‘부정확성’은 여전히 엔터프라이즈 AI 도입 시 가장 많이 언급되는 리스크다. 애피어는 AI 네이티브 AaaS(Agentic AI as a Service) 기업으로서 최첨단 연구 결과를 실제 기업 환경에서 활용할 수 있는 방법론과 제품 기능으로 구현하고 있다. 본 연구는 기업들이 AI 도입 과정에서 가장 크게 우려하는 ‘AI 환각’과 ‘의사결정 신뢰성’을 집중적으로 다룬다. 연구진은 이를 해결하기 위해 다양한 리스크 조건에서 LLM의 판단을 정량적으로 평가하는 ‘리스크 인지 의사결정(Risk-Aware Decision-Making)’ 프레임워크를 제안했으며, 이를 통해 엔터프라이즈 AI 도입에 필요한 거버넌스 기반을 더욱 강화할 수 있을 것으로 보고 있다. 기존의 LLM 평가 방식은 주로 답변의 정답 여부를 기준으로 성능을 판단해 왔다. 그러나 실제 기업 환경에서는 오답에 따른 비용과 답변 거부에 따른 가치가 확연히 다르다. 본 연구에서 애피어는 이런 판단을 정량적으로 평가할 수 있도록 정답에 대한 보상, 오답에 대한 페널티, 답변 거부 비용 등 구조화된 리스크 파라미터(매개변수)를 도입해 다양한 시나리오를 시뮬레이션했다. 이 프레임워크에서 모델은 답변을 생성하기 전 자신의 수행 능력과 확신 수준, 리스크 조건을 종합적으로 고려해 답변, 거부, 추측 중 하나를 선택하도록 설계된다. 이후 모델이 기대 보상을 얼마나 극대화했는지를 기준으로 의사결정의 질을 평가해, 실제 기업 환경에 보다 가까운 조건에서 전략적 판단 능력을 측정할 수 있다. 리스크 인지 의사결정 프레임워크를 적용한 결과, 다수의 선도적 LLM은 리스크 시나리오 전반에서 일관된 판단을 내리지 못하는 것으로 나타났다. 예를 들어 고위험 환경에서 모델들은 잠재적 손실이 있음에도 불구하고 과도하게 추측하는 경향을 보였으며, 저위험 환경에서는 지나치게 보수적으로 작동해 답변을 과하게 거부하는 경향을 보였다. 이러한 비일관성은 기업 환경에서 AI 시스템의 자율성과 안전성을 동시에 저해할 수 있다. 연구진은 이를 단순한 지식 부족이 아니라, 모델이 여러 역량을 하나의 안정적인 의사결정 전략으로 통합하는 데 어려움을 겪기 때문이라고 분석했다. 애피어는 이 문제를 해결하기 위해 의사결정 과정을 세 단계로 나누는 ‘스킬 분해’ 접근법을 제안했다. 먼저 ▲과업 실행 단계에서 문제를 해결해 초기 답변을 생성한다. 이어 ▲확신도 추정 단계에서는 해당 답변에 대한 확신 수준을 평가한다. 마지막으로 ▲기대 가치 추론 단계에서는 리스크 조건에서의 결과를 기반으로 기대값을 추론한다. 이러한 구조화된 추론 과정을 거치면 모델은 답변을 제시하는 것과 거부하는 것 중 어느 선택이 더 적절한지 판단할 수 있다. 이 접근 방식은 모델이 다양한 역량을 효과적으로 통합하도록 하며, 특히 고위험 환경에서도 보다 합리적이고 안정적인 의사결정을 가능하게 한다. 이는 신뢰할 수 있는 엔터프라이즈 AI 시스템을 구축하기 위한 실질적인 접근법으로 활용될 수 있다. 치한 위(Chih-Han Yu) 애피어 CEO 겸 공동창업자는 “에이전틱 AI가 기업의 핵심 업무에 도입되기 위해서는 AI를 더 똑똑하게 만드는 것뿐만 아니라, 자율적 의사결정의 신뢰도를 높이는 것이 중요하다”라며, “애피어는 AI를 중심으로 제품을 구축해 왔으며, 세계적 수준의 연구에도 지속적으로 투자해 왔다. LLM의 리스크 인지 능력을 수치화된 방법론으로 구현한 이번 연구는 신뢰할 수 있는 엔터프라이즈 AI의 기반을 강화하고, 에이전틱 AI가 실제 비즈니스 가치와 ROI로 연결되도록 지원할 것”이라고 말했다. 본 연구 결과는 애드(Ad) 클라우드, 개인화 클라우드, 데이터 클라우드 등 애피어의 에이전틱 AI 기반 플랫폼에 통합되어 기업들이 보다 신뢰 가능하고 안정적인 방식으로 자율형 워크플로를 고도화할 수 있도록 지원하고 있다. 애피어는 앞으로도 강력한 AI 연구 역량과 독자적인 데이터 자산, 깊이 있는 산업 전문성을 바탕으로 에이전틱 AI 기술 혁신을 지속적으로 추진하고, 기업들이 보다 효율적이고 신뢰할 수 있는 AI 기반 운영 체계를 구축할 수 있도록 지원할 계획이다.

한때 AI 및 반도체 관련 주식들을 크게 출렁거리게 만든 중국 딥시크(Deepseek)가 새로운 인공지능(AI) 모델인 ‘DeepSeek-V4-Pro-0813’을 출시하면서 가격을 인상했습니다. 새 프로 모델의 가격은 100만 토큰당 일반 입력 3위안, 출력 6위안이며 이전 처리 내용을 재활용하는 캐시 입력은 0.025위안입니다. 그리고 사용자가 몰리면서 응답 시간이 길어지는 피크 시간대(오전 9시~오후 12시, 오후 2~6시) 요금은 일반 입력 9위안, 출력 27위안으로 크게 높아졌습니다. 여기에 저렴한 V4 플래시 모델 역시 피크 시간대 가격을 4배 올리기로 했습니다. 이와 같은 가격 인상은 최근 사용자가 몰리면서 불가피한 결과였다는 분석도 나오고 있습니다. 딥시크는 최신 엔비디아 그래픽처리장치(GPU) 수입이 어려워지면서 H100 기준 2만 개 정도의 연산 자원에 의존해 서비스를 제공해 왔습니다. 그러면서도 서방 모델과 견줄 수 있는 높은 성능과 매우 저렴한 가격을 책정해 사용자가 몰렸습니다. 딥시크는 토큰 소비량 기준으로 구글이나 오픈AI를 넘어섰고 최근엔 월 사용량 기준으로 앤스로픽에 이어 2위를 차지하기도 했습니다. 그 비결은 연산 효율이 뛰어난 모델에 있습니다. 최근 공개한 ‘V4-Flash-0731’의 경우 단 2840억 개의 파라미터만을 가지고 있음에도 불구하고, 수조 개의 파라미터를 가진 것으로 추정되는 앤스로픽 오푸스에 근접한 성능을 제공합니다. 이렇게 제한된 연산 자원으로도 높은 성능의 서비스가 가능했던 비결은 MoE(Mixture of Experts) 구조에 있습니다. MoE는 일부 파라미터만 활성화시켜 연산 자원을 최대한 적게 소모하는 구조로 같은 하드웨어로 더 많은 토큰을 생성할 수 있습니다. V4-Flash-0731의 경우 실제 활성화되는 파라미터는 130억 개 정도에 불과합니다. 여기에 하드웨어 최적화를 위해 어텐션/메모리 최적화로 KV 캐시를 줄였습니다. 또 유료 서비스에서 중요한 에이전트·코딩·도구 사용 성능을 높이기 위해 이에 특화된 사후 훈련(Post-training)으로 성능을 끌어올렸습니다. 그리고 DSpark(speculative decoding) 같은 몇 가지 방식을 더해 제한된 하드웨어에서 성능을 최대로 높일 수 있습니다. 하지만 이것도 사용자가 몰리면서 한계에 부딪힌 상태입니다. 더구나 DeepSeek-V4-Pro-0813은 모델 파라미터가 1.6조 개에 달하고 MoE 구조를 지녔어도 활성 파라미터가 490억 개에 달합니다. 아무리 하드웨어 최적화를 해도 제한된 연산 자원으로 전 세계에서 쏟아지는 수요를 감당하기에는 역부족입니다. 결국 딥시크는 가격을 전체적으로 올리면서 수요를 분산하고, 이렇게 벌어들인 자금으로 추가 연산 자원 확보에 나선 것으로 풀이됩니다. 현재 엔비디아 칩 수입 금지로 인해 딥시크가 선택할 수 있는 대안은 화웨이 GPU입니다. 대표적인 제품은 어센드 950으로 딥시크에 따르면 어센드 950의 4대가 엔비디아 GB 300 한 대의 성능과 비슷하다고 합니다. 참고로 이 GPU에는 CXMT 메모리가 사용됩니다. 앞서 지난 5월 투자자 콜 유출 자료에서 딥시크 창업자 량원펑이 “화웨이가 약 1만 6000개의 Ascend 950 카드를 할당했다”고 말한 것으로 보도된 바 있습니다. 따라서 대략 GB 300 기준 4000장 정도의 연산 자원을 추가로 확보한 것으로 보이는데, 이는 서방의 대규모 하이퍼스케일러와 비교하면 터무니없이 적은 연산 자원입니다. 물론 이렇게 한정된 연산 자원을 지니고도 최적화를 통해 토큰 소비량 2위로 껑충 뛰어오른 점을 생각하면 딥시크가 무시할 수 없는 AI 업계의 다크호스임을 이해할 수 있습니다. 가격 인상 후 딥시크는 실적을 개선한 후 증시에 상장할 것으로 예상됩니다. 현재 내년 상장을 목표로 IPO를 준비 중인 것으로 알려져 있으며 이를 통해 증시에서 막대한 자금을 끌어올 것으로 예상됩니다. 그러면 약점으로 지적되어 온 연산 자원 확보를 위한 실탄도 넉넉히 마련할 수 있습니다. 화웨이 GPU가 같은 성능의 엔비디아 GPU 대비 더 비싼 것으로 알려져 있긴 하나 뛰어난 모델 효율성을 감안하면 충분히 서방 모델과 경쟁할 수 있다는 계산이 깔려 있을 것입니다. 다만 그전에 가격을 인상해도 충분히 사용자를 잡아 둘 수 있는 성능을 보여줘야 합니다. 최근 오픈AI는 GPT 5.6 일부 모델의 가격을 대폭 인하하면서 중국발 저가 AI와 경쟁에 나선 상태이며 키미 K3, 알리바바의 Qwen 같은 중국 내 다른 경쟁자들도 만만치 않은 상대입니다. 딥시크가 다른 경쟁자를 제치고 토큰 사용량 점유율을 높여 나갈 수 있을지 주목됩니다.

엔비디아가 최소 1조개의 매개변수(파라미터)를 갖춘 차세대 오픈 인공지능(AI) 모델 ‘네모트론4’를 개발하고 있다. AI 칩에 이어 자체 오픈웨이트 모델까지 직접 공급하며, 소수 대형 고객에 집중된 그래픽처리장치(GPU)의 수요를 넓히려는 포석으로 보인다. 정보·통신(IT) 전문 매체인 디인포메이션은 엔비디아가 차세대 오픈웨이트 AI 모델 ‘네모트론 4’를 개발 중이며 이르면 오는 늦가을에는 개발이 마무리될 수 있다고 12일 전했다. 오픈웨이트는 AI 모델의 학습된 가중치인 파라미터를 공개하는 모델이다. 누구나 이를 내려받아 목적에 맞게 사용할 수 있도록 하는 것이다. 네모트론4는 지난 6월 공개한 ‘네모트론3 울트라’의 약 두 배 규모로 세계 최고 수준의 오픈소스 AI 모델을 목표로 하고 있다. 다만 네모트론3 울트라는 현재 관련 성능 평가에서 미국 오픈소스 모델 중 2위에 그치며 중국 최상위 모델과 격차가 큰 상황이다. 전체 순위로는 상위 40위권 밖이다. 엔비디아는 이날 대형 모델의 능력을 옮겨오는 ‘증류’ 기법으로 만든 매개변수 300억개 규모의 경량 모델 ‘네모트론3.5 라이트닝’도 별도로 공개했다. 엔비디아가 오픈웨이트 AI 모델에 공을 들이는 것은 오픈 모델이 자사 GPU 수요를 키울 것으로 기대하기 때문이다. 무료로 풀린 모델도 구동하려면 GPU가 필요한 만큼 오픈 모델이 퍼질수록 하드웨어와 데이터센터 수요가 늘어난다는 논리다. 엔비디아는 최근 하드웨어와 소프트웨어를 아우르는 생태계 확장에 적극 나서고 있다. 전날에는 월가의 대형 금융회사들과 손잡고 5000억 달러(약 710조원) 이상 규모의 자금을 AI 인프라에 동원하기로 하는 등 GPU 수요를 뒷받침할 데이터센터 구축 지원에도 속도를 내고 있다.

중국산 오픈 웨이트 모델인 키미 K3는 미국의 프런티어 인공지능(AI) 모델과 맞먹는 성능으로 시장에 큰 충격을 안겼습니다. 앤스로픽 AI 모델의 지식 증류를 통해 사실상 기술을 탈취했다는 비판이 나오기도 했지만, 2.8조개의 파라미터를 지닌 초거대 모델을 증류만으로 만들 순 없기 때문에 이제 중국의 AI 기술을 더 이상 무시할 수 없다는 의견도 우세합니다. 더구나 모든 가중치를 공개하는 중국의 개방형 AI 모델이 장기적으로 보면 시장을 잠식할 수 있다는 우려도 만만치 않습니다. 누구나 모델을 받아서 내부적으로 돌릴 수 있기 때문에 내부 정보 유출을 꺼리는 기업이나 기관에서 상당히 매력적인 대안일 뿐 아니라 자사 서비스에 맞춤형으로 개조도 자유롭습니다. 하드웨어를 이미 가지고 있거나 저렴하게 대여할 수 있다면 서비스 비용도 낮출 수 있습니다. 다만 이렇게 되면 비싼 돈을 주고 미국의 프런티어 AI 모델을 누가 쓰겠냐는 우려가 나오는 것도 당연합니다. 결국 중국 개방형 AI 모델이 노리는 것도 이것이라는 비판도 적지 않습니다. 지금까지 IT 생태계는 개방형과 오픈 소스를 찬양해 왔지만, 개방형 AI 앞에서는 목소리가 달라지고 있습니다. 여기에 개방형 AI 모델을 악용하는 사람이나 집단이 나올 수 있다는 걱정도 있습니다. 하지만 저커버그 메타 최고경영자(CEO)는 ‘미래는 모두의 것’이라는 제목의 글에서 “초인공지능을 중앙 집중화하기보다 널리 배포해 모든 사람이 이를 통제할 수 있도록 해야 한다”며 개방형 AI를 지지하는 주장을 펼쳤습니다. 물론 악용 가능성도 인정하면서 모델의 개발 중간 단계부터 감시와 관리가 필요하다는 점은 인정했지만, 개방형 모델의 필요성을 역설한 것입니다. 아마도 저커버그가 갑자기 개방형 모델을 지지한 이유 중 하나는 미국이 폐쇄형 모델로 가는 반면 중국은 개방형 모델로 갈 경우 장기적으로 대부분의 국가들이 누구나 쓸 수 있는 중국 모델에 종속될 것이라는 우려일 것입니다. 사람들이 모두 중국산 개방형 AI만 사용한다면 생태계 역시 여기에 종속될 것입니다. 그리고 결국은 하드웨어 역시 종속될 수 있습니다. 현재 AI 가속기는 엔비디아 칩이 중심이지만, 중국산 AI GPU에서 훈련된 중국 AI 모델은 중국산 하드웨어에서 잘 돌아가게 될 것이기 때문입니다. 따라서 메타가 개방형 AI를 지지하면서 모델을 공개하기로 한 것은 상당한 의미가 있습니다. 물론 앤스로픽이나 오픈 AI처럼 실제 유료 사용자가 많지 않은 것도 이런 결정을 내린 배경 중 하나일 것입니다. 하지만 주요 빅테크 기업이 개방형 모델을 지지하면서 미국산 개방형 모델이 중국산 개방형 모델의 강력한 경쟁자가 될 가능성이 높아졌습니다. 다만 첫술부터 배부를 순 없다는 속담처럼 먼저 공개한 ‘뮤즈 글리머’(Muse Glimmer)의 성능은 사실 아주 인상적이진 않습니다. 뮤즈 글리머는 뮤즈 스파크처럼 대형 모델을 지식 증류해 만든 작은 로컬 모델로 30B(300억개)의 파라미터를 지니고 있습니다. 작다고는 해도 4비트 양자화 모델도 18GB 정도 크기이기 때문에 완전히 그래픽처리장치(GPU)에 올리려면 24GB 메모리가 필요하고 맥 같은 통합 메모리를 사용하는 경우 32GB 이상 모델이 추천됩니다. 현재 비슷한 위치에 있는 개방형 모델은 구글의 젬마 4(Gemma 4) 31B dense 모델과 알리바바의 Qwen 3.6 27B dense 모델인데 뮤즈 글리머는 코딩이나 일반 작업에서 더 우수하진 않지만, 여러 단계의 임무를 수행하는 에이전트 기능면에서 우수하다는 평가가 나오고 있습니다. 그러나 당장 경쟁 모델을 위협할 수 있을 정도의 인상적인 성능을 보여주진 않고 있습니다. 여기에 아직 모델이 하나뿐인 점도 약점입니다. 알리바바 Qwen의 경우 대형부터 중소형 모델까지 여러 모델이 있고 코딩 전용 모델인 코더 등 다양한 모델이 있어 사용자가 상황에 맞춰 고를 수 있는 선택지가 넓습니다. 대항마로 나온 젬마 4 역시 스마트폰에서 돌릴 수 있는 작은 모델에서 비교적 큰 31B 모델까지 선택의 폭이 좀 더 넓습니다. 특히 Qwen과 젬마 모두 MoE(Mixture of Expert) 기능을 지원해 개인 컴퓨터에서도 빠른 토큰 속도를 확보할 수 있습니다. 특히 Gemma 4 26B A4B QAT(Quantization-Aware Training) 모델은 학습 단계부터 양자화를 시뮬레이션해서 압축 시 발생하는 품질 손실을 효과적으로 줄였습니다. 덕분에 QAT 4비트 버전은 용량을 약 14.4GB 수준으로 줄여 16GB 메모리의 GPU나 개인용 노트북에서도 원활하게 굴러가면서도 성능은 57.7GB의 용량을 지닌 16비트 모델에 근접해 큰 인기를 끌고 있습니다. 뮤즈 글리머는 MoE 모델이 없는 단일 모델로 속도가 MoE 모델보다 느릴 수밖에 없지만, 대신 DFlash 드래프터 모델이라는 소형 보조 모델을 사용해 속도를 높일 수 있습니다. 메타가 발표한 데이터에 따르면 RTX 5090 카드에서는 3.1배, M5 Max에서는 1.8배, M4 Max에서는 1.5배 빠른 응답 속도를 제공합니다. Dense 모델의 단점인 높은 사양과 느린 응답 속도를 개선한 것으로 주목받고 있습니다. 메타의 뮤즈 글리머는 현시점에서는 그렇게 인상적인 성능을 지닌 개방형 AI라고 보긴 어렵습니다. 하지만 구글 젬마가 그랬던 것처럼 이후 버전에서 성능을 높여 나가면서 다양한 기능과 모델을 선보인다면 개방형 AI 부분에서 새로운 강자가 될 수 있습니다. 메타의 개방형 AI 승부수가 통할 수 있을지 주목됩니다.

LG AI연구원이 국내 최대 규모인 7500억개 파라미터를 갖춘 초거대 인공지능(AI) 모델 ‘K-엑사원 2.0’을 공개했다. 모델 규모를 기존보다 3배 이상 키운 데 이어 장문 이해와 코딩, AI 에이전트의 도구 활용 능력을 높여 글로벌 프런티어 모델과의 경쟁에 나선다. LG AI연구원은 31일 과학기술정보통신부의 ‘독자 AI 파운데이션 모델 프로젝트’ 2차 모델인 K-엑사원 2.0을 오픈소스 플랫폼 허깅페이스에 공개했다고 밝혔다. 파라미터 수는 1차 모델의 2360억개에서 7500억개로 확대됐다. 모델 라이선스에는 누구나 상업적으로 활용할 수 있는 ‘아파치 2.0’을 적용했다. LG AI연구원이 9개 영역의 24개 벤치마크에서 자체 평가한 결과 K-엑사원 2.0은 평균 70.1점을 기록했다. 1차 모델의 63.3점보다 10% 이상 향상된 수준이다. 특히 코딩과 스스로 계획을 세우고 작업을 수행하는 에이전틱 코딩 관련 3개 지표의 평균 성능은 30% 높아졌다. 긴 문서의 맥락을 파악하는 능력도 강화됐다. 글로벌 장문 이해 평가인 ‘오픈AI-MRCR’에서 94.4점, 한국어 장문 평가인 ‘Ko-LongBench’에서 89.6점을 기록했다. 중국 지푸AI의 GLM-5.1이 각각 받은 71.5점과 83.6점을 웃돌았다. 장문 이해 관련 주요 지표 3개의 평균 점수도 GLM-5.1보다 10% 이상 높았다고 연구원은 설명했다. AI가 외부 도구를 적절히 선택해 사용하는 능력을 평가하는 ‘Tau3-Bench Banking’에서는 14.2점을 얻어 GLM-5.1의 11.5점과 알리바바 큐원3.5의 13.4점을 앞섰다. 사용자의 지시를 얼마나 정확하게 이행하는지를 측정하는 평가에서도 GLM-5.1과 딥시크 V4 프로 맥스, 큐원3.5 등과 대등한 성능을 나타냈다. 지원 언어는 기존 한국어·영어·스페인어·독일어·일본어·베트남어에 프랑스어·이탈리아어·포르투갈어·폴란드어를 더한 10개로 확대됐다. 국내 AI 파운데이션 모델 가운데 가장 많은 언어를 지원해 한국형 소버린 AI의 해외 확장 기반도 넓혔다는 설명이다. 한국의 사회·문화적 특수성과 글로벌 윤리 기준 준수 여부를 평가하는 안전성 시험에서도 평균 94.6점을 기록했다. GLM-5.1의 71.3점과 딥시크 V4 프로 맥스의 65.2점, 큐원3.5의 89점을 웃도는 수치다. 임우형 LG AI연구원 공동 연구원장은 “국내 연구진이 7500억개 파라미터급 모델의 설계부터 데이터·분산 학습, 추론 환경 구축까지 전 과정을 독자적으로 완수했다”며 “글로벌 프런티어 모델과 같은 체급에서 경쟁할 수 있는 역량을 확보했다”고 말했다. LG AI연구원은 다음 주 산업 특화 AI 파운데이션 모델을 추가로 공개해 ‘전문가 AI’ 포트폴리오를 확대한다. 일반 이용자가 K-엑사원 2.0의 실제 사용성을 평가할 수 있는 대국민 평가 사이트와 체험 서비스도 준비하고 있다.

SK텔레콤이 29일 수학·과학 추론 능력 등을 강화한 독자 인공지능(AI) 파운데이션 모델 ‘에이닷엑스 케이투(A.X K2)’를 공개했다. A.X K2는 정부의 독자 AI 파운데이션 모델 사업을 통해 공개하는 두 번째 초거대 모델이다. 직전 모델(A.X K1)에 비해 매개변수(파라미터)가 5190억개(519B) 규모에서 6880억개(688B)로 확대했다. A.X K2는 자체 개발한 ‘SGA’ 구조를 적용해 긴 문맥에서도 필요한 정보만 선별해 처리하도록 설계됐다. 국내외 14개 벤치마크 평균 성능은 K1보다 32.2%포인트 향상됐고, 장문 이해와 에이전트 관련 평가는 83.9%포인트 개선됐다. SK텔레콤은 최근 출시된 큐원, 딥시크, 키미 등 해외 오픈소스 모델과 동급 수준의 성능을 확보했다고 설명했다. SKT는 A.X K2의 활용 범위를 제조·국방·바이오 등 산업 현장으로 넓힌다는 구상이다. 제조 영역에서는 철강 제조 기업 KG스틸, 자동차 부품 제조 기업 코넥과 제조 특화 AI 에이전트에 A.X K2를 적용한다. 또 국방부와 협업해 A.X K1 기반의 양자화 모델 3가지를 개발했다. 바이오 분야로 진출도 검토 중이다. SK바이오팜과 난치성 암 표적 치료제 개발에 AI를 활용하고 있다. 일상생활 영역에서는 A.X K2 경량 모델을 SKT의 에이닷 서비스에 적용하고 있다. SKT는 A.X K2의 후속 모델을 조(兆) 단위 매개변수 규모로 확장한다는 구상이다. 김태윤 SK텔레콤 파운데이션 모델 담당은 “다양한 산업 분야에 A.X K2를 적용·발전시켜 국가 경쟁력 강화에 기여하겠다”고 밝혔다.

정부의 독자 인공지능(AI) 파운데이션 모델(독파모) 사업에 참여 중인 국내 AI 스타트업이 개발한 대규모언어모델(LLM)이 글로벌 오픈소스 AI 성능 평가에서 중국의 최신 모델들과 어깨를 나란히 했다. 미중 양강이 주도하는 경쟁에서 국내 독자 모델의 경쟁력을 보여줬다는 평가가 나온다. 모티프테크놀로지스는 자사가 개발 중인 ‘모티프3’ 프리뷰 버전이 글로벌 AI 평가기관 아티피셜 애널리시스의 종합 성능 지표(AAII)에서 44점을 기록했다고 21일 밝혔다. 이는 중국 딥시크의 최신 모델 ‘V4 프로’와 같은 점수다. 오픈소스 모델 기준으로는 최근 공개돼 주목받고 있는 문샷AI의 ‘키미 K3’, 즈푸AI의 ‘GLM-5.2’에 이어 딥시크 V4 프로, 미니맥스 M3와 함께 3위권에 이름을 올렸다. 앤트로픽과 오픈AI 등 상용 모델을 포함한 전체 순위에서도 11위를 기록했다. 모티프3는 3140억 개(314B) 파라미터 규모의 전문가혼합(MoE) 구조를 적용한 모델이다. 전체 모델 규모는 유지하면서 실제 추론 과정에서는 약 130억 개(13B) 파라미터만 선택적으로 활성화해 연산 효율을 높였다. 해외 오픈소스 모델을 기반으로 개량한 것이 아니라 처음부터 독자 아키텍처로 설계했다는 점도 특징이다. 이번 평가는 최종 모델이 아닌 프리뷰 버전을 대상으로 이뤄졌다. 회사는 다음 달 초 성능을 더욱 끌어올린 최종 버전을 공개할 예정이다. 모티프테크놀로지스 관계자는 “글로벌 선도 모델과의 기술 격차를 3~5개월 수준까지 좁혔다. 독파모 사업이 국내 AI 기업들이 글로벌 경쟁에 도전할 수 있는 발판이 되고 있다”고 말했다.

엔비디아가 AI 미니 슈퍼컴퓨터 ‘DGX 스파크’의 모바일 버전인 ‘RTX 스파크(RTX Spark)’를 공개했습니다. RTX 스파크는 DGX 스파크에 탑재된 GB10의 모바일 변형 버전인 N1X를 탑재하고 있으며, 최대 20코어의 Arm 기반 CPU와 6,144개의 CUDA 코어를 갖춘 블랙웰 아키텍처 GPU로 구성되어 있습니다. 엔비디아는 모든 RTX 스파크가 동일한 칩을 사용하는지 아니면 일부 기능을 줄이고 가격을 낮춘 컷 칩(cut-chip)이 존재하는지에 대해서는 이날 공개 행사에서 구체적으로 밝히지 않았습니다. 다만 RTX 스파크가 최대 128GB의 LPDDR5x와 1페타플롭스의 연산 능력으로 노트북에서도 고사양 게임을 원활하게 작동시킬 수 있을 뿐 아니라 120B 파라미터를 지닌 거대 LLM도 구동할 수 있다는 점을 강조했습니다. 젠슨 황 엔비디아 CEO는 RTX 스파크가 장착된 노트북에서 ‘007 퍼스트 라이트’와 ‘포르자 호라이즌 6’를 배터리 전원만으로 구동하는 모습을 선보였는데, 이는 기존의 스냅드래곤 기반의 윈도우 ARM(Windows on ARM) 노트북에서는 생각하기 어려웠던 게임 성능으로 마이크로소프트가 밀고 있는 윈도우 ARM의 약점을 상당 부분 극복한 모습입니다. 마이크로소프트는 RTX 스파크 개발을 위해 엔비디아와 긴밀히 협업했고 에이서(Acer), ASUS, 레노버(Lenovo), 델(Dell), HP, MSI 등 주요 PC 제조사와 함께 마이크로소프트의 서피스 라인업에도 RTX 스파크 모델을 넣어 고성능 윈도우 ARM PC 개발 의지를 보여줬습니다. 그런데 이날 공개된 RTX 스파크 노트북을 보면 그렇게 두꺼운 제품이 아니라는 점을 쉽게 알 수 있습니다. DGX 스파크의 GB10 칩이 약 140W의 열 설계 전력(TDP)을 가진다는 점을 고려할 때, RTX 스파크는 엔비디아의 노트북 전력 효율 기술인 MAX-Q를 적극적으로 활용해 TDP를 낮추고 최소 두께 14mm의 슬림한 디자인을 구현한 것으로 보입니다. MAX-Q는 단순히 클럭을 강제로 낮추는 방식을 넘어, 최적화 기술을 집약한 기술입니다. 게임 실행 시 AI 텔레메트리(AI Telemetry)가 GPU와 CPU 워크로드를 실시간으로 분석하면, CPU 옵티마이저는 불필요한 전력 소모를 줄이기 위해 CPU를 ‘최고 효율 주파수’로 동적으로 조정합니다. 이때 절약된 전력은 다이나믹 부스트(Dynamic Boost)를 통해 GPU로 재배분됩니다. GPU 차원에서도 파워 게이팅(Power Gating)을 통해 사용되지 않는 내부 블록을 비활성화하고, 워크로드에 맞춰 클럭을 미세 조정합니다. 여기에 DLSS 4.5를 통해 실제 렌더링 부하를 줄여서 전력 소모와 발열을 최소화하면서도 성능을 유지할 수 있습니다. 물론 이론적으로 MAX-Q가 적용된 N1x의 성능이 TDP 140W이 기본인 GB10와 대등하지는 않을 것으로 보입니다. 일부 성능 저하는 감수해야 하지만, 충분한 휴대성을 보장하면서도 AAA급 고사양 게임과 대규모 언어 모델(LLM) 구동이 가능하다는 것은 개발자와 고성능 기기를 쓰는 사용자들에게 상당한 장점입니다. 다만 이날 보여준 128GB 모델만 있을 경우 가격은 매우 비쌀 가능성이 높습니다. DGX 스파크의 공식 가격이 4699달러(원래 3999달러였으나 메모리 가격 상승으로 인상)이며, 국내에서는 부가세를 포함해 더 비싼 가격에 판매되는 점을 고려하면, 노트북 버전인 RTX 스파크 제품은 훨씬 비싸질 가능성이 높습니다. 이런 점을 감안하면 64GB, 32GB 모델도 있을 가능성이 있으나 당장에 공개된 내용은 없습니다. 아무튼 높은 가격을 생각하면 RTX 스파크의 주요 경쟁자는 애플의 맥북 프로(특히 M5 맥스 시리즈)가 될 것으로 보입니다. 다만 현재 DGX 스파크 가격을 생각할 때 RTX 스파크 노트북은 128GB 모델 기준 맥북 프로 M5 맥스 모델보다 비쌀 가능성이 높아 보입니다. 이렇게 비싼 제품을 게임만 하려고 사는 경우는 거의 없을 것입니다. 따라서 비싸도 업무에 사용해야만 하는 특별한 용도, 예를 들어 LLM(대규모 언어 모델)이나 그래픽 작업 성능이 중요한 요소가 될 것으로 보입니다. 이 시장에서 유력한 경쟁 상태인 맥북 프로 M5 맥스도 128GB 모델은 120B 파라미터 급 LLM 구동이 가능하지만, RTX 스파크는 6144개의 CUDA 코어와 텐서 코어를 활용한 FP4(4비트 양자화) 연산 능력과 최대 1페타플롭스(Petaflop)의 연산 성능으로 토큰 속도에서 우위를 점할 가능성이 있습니다. 엔비디아는 RTX 스파크를 개인용 에이전트를 위한 플랫폼으로 소개하고 있으며 로컬 컴퓨터에서 120B LLM을 100만 토큰의 컨텍스트로 구동하거나, 90GB 이상의 거대한 3D 장면을 렌더링하고, 12K 영상 편집 및 4K AI 비디오 생성을 할 수 있습니다. 물론 실제 성능과 가성비는 제품이 실제 출시되고 가격이 공개되어야 제대로 평가할 수 있을 것입니다. 황 CEO는 “PC는 다시 태어나고 있다. 40년 동안 우리는 앱을 실행하고 클릭하고 타이핑했지만, 이제 RTX 스파크와 윈도우를 통해 우리는 요청하고 PC가 작업을 수행한다”며, RTX 스파크가 로컬 에이전트, 최전방 모델, 크리에이티브 워크플로우, RTX 게임을 하나의 노트북에 통합한 ‘새로운 PC’라고 강조했습니다. 그의 포부처럼 실제로 RTX 스파크가 PC의 재창조가 될지 아니면 특수 용도로 사용하는 비싼 장비로 남게 될지 결과가 주목됩니다.

블록체인 특화 LLM 평가 체계 제시...“범용 AI 고성능에도 Web3 전문 추론은 과제로 남아”싱가포르 오픈소스 AI 연구기관 DMind AI가 아시아 연구진과 공동으로 개발한 ‘디마인드 벤치마크(DMind Benchmark)’ 논문이 국제 학술대회 ‘KDD 2026(ACM SIGKDD)’의 데이터셋 및 벤치마크(Datasets ＆ Benchmarks) 트랙에 채택됐다고 26일 밝혔다. 본 학술대회는 오는 8월 9일부터 13일까지 제주에서 개최된다. 이번 연구는 웹3(Web3) 및 블록체인 분야에서 대형언어모델(LLM)의 성능을 정량적으로 측정하기 위한 평가 체계를 제안한 것이 핵심이다. 연구팀은 기존의 범용 AI 평가 방식에서 벗어나 블록체인 산업 특화 과제를 중심으로 모델의 실무 활용성과 전문 추론 능력을 검증하는 데 중점을 두었다고 설명했다. 최근 글로벌 AI 업계에서는 특정 산업 분야에 최적화된 도메인 특화 AI 개발 경쟁이 확대되는 흐름이다. 특히 금융·보안 분야에서는 단순 언어 생성 능력보다 정확한 추론과 안정성이 중요해지면서 전문 벤치마크 구축 필요성도 커지고 있다. 디마인드 벤치마크는 블록체인 기초 개념, 인프라, 스마트 컨트랙트, 탈중앙화 금융(DeFi), 탈중앙화 자율조직(DAO), 대체불가토큰(NFT), 토큰 이코노믹스, 밈코인, 보안 취약점 등 총 9개 도메인을 평가 범주로 설정했다. 단순 객관식 형태를 넘어 스마트 컨트랙트 디버깅, 온체인 수치 추론 등 실제 환경 기반 문제도 포함한 점이 특징이다. 연구팀은 GPT-5 시리즈, Claude, Gemini, DeepSeek, Grok, Qwen 등 총 31개 주요 AI 모델을 대상으로 성능을 비교 평가했다. 평가 결과 GPT-5 Medium이 전체 평균 77.63점으로 가장 높은 점수를 기록했지만, 토큰 이코노믹스와 보안 취약점 분야에서는 다수 모델이 낮은 성능을 보였다고 밝혔다. 연구진은 현재 상용화된 주요 AI 모델들도 Web3 전문 추론 영역에서는 여전히 한계를 드러내고 있다고 분석했다. 특히 복잡한 토큰 구조 해석이나 스마트 컨트랙트 보안 관련 문제에서는 모델 간 성능 편차가 크게 나타났다고 설명했다. 비용 대비 성능 측면에서는 일부 오픈소스 모델의 경쟁력도 확인됐다는 평가다. 연구에 따르면 DMind의 32B 파라미터 오픈소스 모델은 Web3 특화 과제에서 제한된 비용으로도 높은 성능을 기록했다. 특히 토큰 이코노믹스와 보안 영역에서는 대규모 범용 모델 대비 10~30% 수준의 비용으로 유사하거나 더 높은 성능을 보였다고 연구팀은 밝혔다. 업계에서는 생성형 AI가 금융·디지털 자산 분야로 확대 적용되면서 스마트 컨트랙트 검증이나 온체인 데이터 분석 자동화 수요도 증가하는 추세다. 이에 따라 산업 특화 AI 모델의 신뢰성과 검증 체계 중요성도 함께 커지고 있다는 분석이 나온다. 싱가포르 경영대학교 정보시스템학과 주페이다(ZHU Feida) 교수는 “이번 연구는 Web3 AI 분야에서 측정 가능한 평가 기준을 제시했다는 점에서 의미가 있다”며 “향후 해당 분야 AI 기술의 성능과 안정성 검증 체계 구축에도 활용될 수 있을 것”이라고 말했다. 한편 DMind 모델은 현재 AI 금융 플랫폼 ‘Minara(미나라)’에 적용돼 운영 중이다. 연구팀은 개인 투자자와 디지털 자산 보유자를 위한 재무 비서 기능 등에 해당 기술이 활용되고 있다고 설명했다.

현재 미니 PC 시장에서 가장 인기 있는 제품은 아마도 ‘맥 미니’일 것입니다. 특히 ‘로컬 인공지능(AI)’ 돌리기에 적합한 M4 프로 맥 미니가 큰 인기를 끌고 있습니다. 맥 미니는 LLM을 로컬로 장시간 돌릴 때 몇 가지 큰 장점이 있습니다. 우선 통합 메모리 구조로 메모리의 3분의2를 GPU에 할당해 큰 모델을 돌릴 수 있으며 데이터가 CPU와 GPU를 오가면서 시간과 연산 자원을 낭비할 필요가 없습니다. 여기에 매우 전력 소모량이 적어서 장시간 돌려도 전기료가 적게 나옵니다. 차지하는 면적이 매우 적은 것도 장점입니다. 이런 이유로 맥 미니는 24시간 돌릴 수 있는 인공 지능 비서인 ‘오픈 클로’(Open Claw)용으로 품귀 현상을 보일 정도로 인기가 좋습니다. 600만원이 넘는 그래픽 카드인 RTX 5090는 속도는 더 빠를지 몰라도 메모리는 32GB로 한정돼 돌릴 수 있는 모델 크기에 제한이 있고 엔비디아의 AI 미니 PC인 ‘DGX 스파크’는 128GB라는 대용량 메모리를 갖췄지만 최근 가격이 꽤 올라 맥 미니가 AI용으로 훨씬 더 가성비 있는 제품이 된 상태입니다. AI 미니 PC의 인기가 좋아지면서 또 다른 CPU 및 GPU 제조사인 AMD 역시 대항마를 출시해 이 시장에서 경쟁을 예고하고 있습니다. 최근 AMD는 자체 AI PC인 ‘라이젠 AI 헤일로 개발자 플랫폼’(Ryzen AI Halo Dev Platform, 이하 라이젠 AI 헤일로)을 선보였습니다. 최대 16코어 CPU와 라데온 8060S (40코어 RDNA 3.5) GPU, 50 TOPS XDNA 2 NPU를 지닌 라 데온 AI MAX+ 395를 대표 제품으로 내세운 라이젠 AI 헤일로는 최대 128 GB LPDDR5X-8000와 2TB SSD를 지원하면서도 맥 미니와 견줄 수 있는 작은 크기를 자랑합니다. 최대 TDP는 120W로 다소 높지만, 고성능 그래픽 카드와 비교하면 감당할 만한 수준입니다. AMD는 이 모델의 시작 가격이 3999달러이고 최대 128GB 메모리를 탑재해 200B의 큰 파라미터를 지닌 모델도 로컬로 구동할 수 있다고 설명하고 있습니다. 여기에 라이젠 AI 맥스 400 시리즈를 탑재한 2세대 모델의 경우 192GB 버전이 존재하고 최대 160GB나 되는 메모리를 GPU로 할당할 수 있어 최대 300B에 달하는 거대한 모델도 돌릴 수 있습니다. 또 AMD는 라이젠 AI 헤일로가 맥 미니보다 일부 생성형 AI에서 최대 4배 정도 빠르다고 주장하고 있는데, 훨씬 저렴한 제품과 비교하는 것이 과연 맞는 비교인지 궁금해지는 대목이기도 합니다. 오히려 비슷한 가격대인 맥 스튜디오와의 비교는 끝까지 보여주지 않는 점이 더 흥미롭습니다. 참고로 맥 스튜디오 M4 맥스 64GB 제품은 1TB SSD 기준 464만원이고 M3 울트라 96GB 1TB SSD 기준 659만원입니다. 시작 가격인 3,999달러를 현재 환율로 환산하면 600만원이 좀 넘는데 10% 부가세 가산 시 660만원 이상으로 M3 울트라 96GB와 비교가 맞지 않나 생각입니다. 여기에는 나름의 속사정이 있습니다. M3 울트라는 메모리 대역폭이 819 GB/s에 달해 토큰 생성 속도가 꽤 빠릅니다. 반면 AMD 라이젠 AI Max+ 395의 메모리 대역폭은 약 256 GB/s (쿼드 채널 LPDDR5x 8000 기준)으로 훨씬 느리기 때문에 직접 비교를 피한 것으로 보입니다. 오히려 M4 프로의 메모리 대역폭이 273 GB/s로 비슷합니다. 한편 비슷한 AI 미니 컴퓨터인 엔비디아 DGX 스파크와 비교해서는 일부 LLM 모델에서 토큰 속도가 더 빠르다고 주장하고 있습니다. 구체적으로 GPT OSS (120B)는 7% 이상, Qwen 3.5 (122B)는 12% 이상, Qwen 3.6 (35B)는 4% 이상, GLM 4.7 (30B)은 14% 이상입니다. 따라서 라이젠 AI 헤일로는 직접 경쟁 상태인 DGX 스파크보다 일부 모델에서 약간 더 나은 성능을 지니고 있으며 x86 CPU라 윈도우 OS도 구동이 가능하다는 것이 핵심이라고 하겠습니다. DGX 스파크는 개인용 컴퓨터보다는 미니 서버에 가까운 물건으로 일반 소비자용 PC처럼 사용이 어렵지만, 라이젠 AI 헤일로는 윈도우 OS를 설치해서 그런 식으로도 사용 가능합니다. 차라리 맥 미니와의 무리한 비교보다 이점에 초점을 맞춰 발표하는 게 더 낫지 않았나 하는 생각입니다. 가격 포지션으로 큰 차이가 나는데도 맥 미니를 주요 라이벌로 설정한 이유는 역설적으로 그만큼 맥 미니의 인기가 높다는 반증일 것입니다. DGX 스파크처럼 비싼 가격을 받아야 하지만, 맥 미니처럼 인기를 끌 수 있는 제품이 될 수 있을지 궁금해지는 발표입니다.