Continuous Learning_Startup & Investment

Applied Intuition과 함께 EpiSci의 새로운 장이 시작되고, 동시에 내 여정도 함께 시작된다고 생각하니 겸손하면서도 흥미로운 기분이다. 수많은 수직 통합 자율주행 회사들이 있는 시대에, 이번 결합은 아래와 같은 점에서 돋보인다: 상업용 자율주행과 군사용 AI 조종 및 군집 제어의 결합 자동차 시장의 규모와 목적에 맞춰 설계된 국방 분야 협업 및 신뢰할 수 있는 자율성의 만남 지상 자율 영역에서 해양, 항공, 우주로 확장해 모든 영역(all-domain)을 아우르는 자율성 구현 개인적으로 가장 기대되는 부분은, 이번 인수를 통해 모든 영역과 특정 업체에 종속되지 않은 플랫폼에서 자율주행을 가로지르게 되었고, 이는 특정 플랫폼과 독점적 최적화에 기반한 기존의 폐쇄적인 수직 통합 자율주행 체계를 상당한 비용 없이도 대체할 가능성을 열어준다는 점이다. 이 꿈을 현실로 만들기 위해 Qasar Younis, Peter Ludwig, Kevin H. Chu, Jason Brown, 그리고 Applied Intuition의 여러 리더와 구성원들과 함께 일하게 되어 기쁘다. 지금까지 우리의 목표를 믿어 준 과거와 현재의 모든 EpiScientist에게 감사한다. 우리가 “EpiSci 3.0”이라 부르던 새로운 EpiSci는 Jason Brown, Dan “Animal” Javorsek, PhD 및 Applied Intuition Defense 팀이 이끌 것이다. 지금까지 만난 훌륭한 고객, 협력자, 동료들이 계속해서 Applied Intuition에 인수된 EpiSci와 함께하며, #tacticalai를 통해 더욱 발전되고 성숙한 신뢰 가능한 자율주행을 만들어 가길 바란다. https://www.linkedin.com/posts/applied-intuition-inc_applied-intuition-acquires-episci-the-future-activity-7293312911467233281-P94-?utm_source=share&utm_medium=member_ios&rcm=ACoAABqmkk8B31-f1cgLX5fNW16TpECDoRf4kWg

#방산 #로봇 #드론 러시아-우크라이나 전쟁 통해 향후 방산 트렌드는 '무인'이라는 확실한 방향성이 제시되었다고 보여진다. 사람이 아닌 무인기/드론/로보틱스와 AI의 조합은, 우리가 만화에서만 보던 무기체계의 모습을 직접 두 눈으로 볼 수 있는 현실이 코앞이다란 소리다. 현재 글로벌 파편화 및 러우전쟁을 통한 재래식 무기의 수요가 늘어나 있지만, 향후 3~4년 안에 주목해야할 부분은 아직 개발 중인 이러한 차세대 무기체계에 있다. 이미 미국은 이러한 무기체계의 선도에 위치하며 글로벌 패권을 유지하고 있으며, 차세대 무기체계 특성 상 플랫폼적인 성격이 강해 이러한 패권을 흔들긴 더욱 어렵게 되지 않을까 싶다. 더불어 현재 국내 기업들의 재래식 무기 수출 증대는 이러한 과도기적 타이밍을 잘 탔다고 볼 수 있으나, 향후 얼마남지 않은 차세대 무기체계의 도입 시기가 도래할수록 이 수요가 유지될 수 있을지는 미지수. 연계된 통신/플랫폼과 더불어 각 지역별 움직임을 면밀하게 살펴볼 필요가 있겠다. https://blog.naver.com/invesqueeze/223687238341

코어위브, 엔비디아 B200 110,000개 규모 GB200 NVL72 인스턴스 온라인 (자료: Nvidia) - CoreWeave 클러스터로 GB200 NVL72 기준 최대 110,000개 GPU까지 확장 가능한 인스턴스(GB200 NVL72 기준 약 1,500개의 랙) 생각보다 GB200 NVL72 클러스터 온라인 시점과 규모가 나쁘지 않음 - 블로그에 적혀있듯이. 이제 Reasoning & AI Agent의 시대가 열렸다. *CoreWeave launches the first NVIDIA GB200 NVL72-cloud based instances to power the next era of AI reasoning.* - 추론에서 All-to-All의 해자가 강화되고 학습에서는 마이크로소프트 연구팀이 1월 28일에 arxiv에 올린 것처럼 Blackwell에 탑재된 2세대 Transformer Engine을 통해서 FP4 학습 최적화 성공한 점도 긍정적 - ✅ Quick Take : 딥시크로 이제 엔비디아 하이엔드 GPU는 쓸모없어진 건가?

Deep Research 강추합니다!!

테슬라 Optimus 공급망 세부 사항: 1. 공동 액추에이터 (Tier-1): - Tesla: 가장 큰 비중, 자체 생산. - Sanhua Holding, Tuopu Group: 소규모, 동등한 비중. - 신규 공급업체: Zhenyu Technology (스크류 자동화 라인과 모터 매칭에 강점, 2025년 1분기 샘플 제출). - 잠재적 공급업체: Schaeffler, Bosch (공동 연구개발 진행 중, 대량 생산 계획 없음). 2. 감속기: - Harmonic Drive Systems (HDS): Tesla와 연구개발 및 대량 생산 협력; 2024년 9월 280억 엔 규모의 증설 계획 발표, 생산 능력 2배 확대. - FORE Intelligent: Sanhua 및 Bosch에 공급. 3. 행성 롤러 스크류: - Seenpin Precision Products: Tesla에 직접 공급, 가장 큰 비중; Wuzhou New Spring과 전략적 협력. - Schaeffler Group: Tesla에 직접 공급, 일부 비중; Wuzhou New Spring과 전략적 협력. - Sanhua Holding: 자체 사용 목적으로 소량 생산. - 신규 공급업체: Zhenyu Technology (Tesla에 직접 공급). 4. 정교한 손: - Tesla: 자체 개발. - Shenzhen ZHAOWEI Machinery & Electronics Co., Ltd: 마이크로 기어박스 및 모터, Tesla에 직접 공급, 지속적인 샘플링 진행 중. - Seenpin Precision Products: 현재 마이크로 리드 스크류의 유일한 공급업체로 Tesla에 직접 공급. - 신규 공급업체: Zhenyu Technology (마이크로 리드 스크류, 웜 기어, Tesla에 직접 공급, 2025년 1분기 샘플 제출). 5. 프레임리스 토크 모터: - JL MAG Rare-Earth: 자석 강판, Tesla에 직접 공급. - 잠재적 공급업체: Kinco Automation. 6. 경량화: - Zhejiang Rongtai: Tesla에 직접 공급.

Tesla가 Optimus의 생산 가이던스를 2025년 말까지 주당 600대 생산으로 설정했다는 루머에 대한 업데이트 업계 체인에 따르면 Tesla는 이미 주문을 배치했으며, 생산량이 월별로 증가하고 있습니다. 연말까지 연간 생산 능력이 3만 대에 이를 것으로 예상되며, 2026년에는 더욱 큰 확장이 이루어질 것으로 보입니다. Tesla는 곧 Optimus의 진행 상황을 업데이트할 예정이며, 대량 생산은 2분기에 공식적으로 시작될 예정입니다. 현재 휴머노이드 로봇의 개발을 제한하는 주요 요인은 높은 비용입니다. Tesla가 2025년에 실행 가능한 비용 절감 솔루션을 모색할 수 있다면, 올해가 휴머노이드 로봇의 대량 생산이 시작되는 첫 해가 될 것으로 기대됩니다.

These AI agents will - Talk and perform actions on Enterprise systems - Automate workflows - Have an understanding of Enterprise data - Autonomously perform tasks on schedule or triggers - Create documents, respond to emails, and chat with you on Slack A lot of knowledge work will be automated!

사람들은 동영상을 만들 듯이 앱을 만들 것입니다! https://x.com/amasad/status/1886859253648122181

https://agile.human2humanoid.com/ 1. 주요 내용 목적: ASAP(Aligning Simulation and Real-World Physics)은 시뮬레이션과 실제 로봇 동역학 간의 차이를 줄여, 인간처럼 민첩하고 전신을 활용한 복합 동작(예: 점프, 균형, 스포츠 동작 등)을 수행할 수 있는 휴머노이드 로봇 제어 정책을 학습하는 데 초점을 맞춥니다. 전체 구조: 2단계 프레임워크 사전 학습 (Pre-training): 인간 동작 비디오에서 SMPL 파라미터를 복원하고, 이를 휴머노이드 로봇 동작으로 리타게팅(retargeting)하여, 시뮬레이션 환경에서 모션 추적 정책을 강화학습(PPO 등)으로 학습합니다. 후처리 및 미세 조정 (Post-training): 사전 학습된 정책을 실제 로봇(예: Unitree G1)에 배포하여 실제 데이터(프로프리오셉션, 관절 상태 등)를 수집한 후, 시뮬레이션과 실제 동작 간의 차이를 보정하는 delta(잔차) 액션 모델을 RL을 통해 학습합니다. 학습된 delta 액션 모델을 고정(freeze)한 채, 이를 시뮬레이터에 통합하여 정책을 미세 조정한 후, 최종적으로 delta 모델 없이 실제 환경에서 배포합니다. 2. 학습 방식 사전 학습 단계 데이터 생성 및 전처리: 인간 비디오를 기반으로 TRAM 등의 방법으로 3D 동작(SMPL 형식)을 복원한 후, 노이즈와 비물리적 오류를 제거하는 ‘sim-to-data’ 클리닝 절차를 진행합니다. 클린된 SMPL 데이터를 로봇 동작으로 리타게팅하여, DCleaned Robot이라는 데이터셋을 구성합니다. 모션 추적 정책 학습: 시간 단계(phase) 정보를 포함한 상태(프로프리오셉션 및 시간 변수)를 입력으로 하여, 목표 동작(리타게팅된 궤적)을 따라가는 정책을 강화학습(PPO)으로 학습합니다. 학습 안정성을 위해 종료 커리큘럼(Tracking Tolerance), 참조 상태 초기화(Reference State Initialization), 그리고 도메인 랜덤화 등의 기법을 도입합니다. 후처리 단계 (Delta Action 모델 학습 및 미세 조정) 데이터 수집: 사전 학습된 정책을 실제 로봇에서 실행하여, 실제 동작 궤적(프로프리오셉션, 관절 상태 등)을 기록합니다. Delta 액션 모델 학습: 기록된 실제 궤적과 시뮬레이션 상의 재생 결과 간의 상태 차이를 최소화하는 형태로, 잔차 액션(Δa)을 출력하는 모델을 RL 기반으로 학습합니다. 이 모델은 시뮬레이터 내에서 실제 동역학과의 차이를 보정하는 역할을 합니다. 미세 조정 (Policy Fine-tuning): 고정된 delta 모델을 시뮬레이터에 통합한 후, 사전 학습된 모션 추적 정책을 미세 조정하여, 최종적으로 실제 환경에서의 동작 추적 성능을 향상시킵니다. 3. 연구 결과 정량적 성능 향상: ASAP은 SysID(시스템 식별), 단순 도메인 랜덤화, 그리고 기존의 delta dynamics 학습 방식에 비해, 시뮬레이션 간 및 시뮬레이션→실제 전환 과정에서 모션 추적 오차(MPJPE 등)를 상당히 줄이는 성과를 보였습니다. 다양한 동작(점프, 균형, 스포츠 동작 등)에 대해, 특히 긴 시간 구간의 추적에서 성공률과 정밀도가 향상됨을 수치와 그래프로 입증하였습니다. 실제 로봇에서의 성공적인 전이: Unitree G1 휴머노이드 로봇을 대상으로 한 실험에서, ASAP을 통해 학습된 정책이 실제 환경에서 안정적이고 민첩한 전신 동작(예: 킥, 점프, 균형 동작 등)을 성공적으로 구현함을 확인하였습니다. 비교 실험: Baseline 방법(오픈 루프, SysID, Delta Dynamics)과 비교하여, ASAP은 전체 모션 추적 성능에서 월등한 결과를 보여주었으며, 특히 어려운 동작(난이도 높은 동작)의 경우에도 높은 성공률과 낮은 오차를 달성했습니다. 4. 한계 하드웨어 제약: 민첩한 전신 동작은 로봇 액추에이터에 큰 부하를 주어, 실험 중 일부 로봇에서 모터 과열 및 손상이 발생함. 이로 인해 실제 데이터 수집의 규모와 다양성이 제한됩니다. 모션 캡처 시스템 의존성: 실제 동작 궤적 수집을 위해 정밀한 모션 캡처(MoCap) 시스템이 필요하므로, 비구조적 환경이나 실시간 배포 상황에서는 제약이 따를 수 있음. 데이터 요구량: 전체 23-DoF에 해당하는 delta 액션 모델을 학습하기 위해서는 매우 많은 실제 동작 데이터(예: 400회 이상의 에피소드)가 필요하므로, 현재는 4-DoF(주로 발목 등 주요 관절) 모델로 축소하여 학습 효율성을 높임. 일부 환경 일반화 한계: 매우 다양한 동역학 조건이나, 예상치 못한 외부 간섭에 대해선 여전히 추가적인 보정이나 적응 메커니즘이 필요할 수 있음.

1. 개인/조직이 하던 업무의 일부 혹은 워크 프로세스를 줄여 시간을 절약한다. 2. 사람을 고용하기에 비싼 문제를 AI Agent를 고용해서 더 저렴하게 해결한다. 3. 사람들이 기존에 풀지 못했던 문제를 AI 덕분에 해결한다. 더 많은 케이스를 탐험해서, 더 빨라서, 새로운 것을 시도해서.

요즘 미국에서 핫한 AI 미팅 노트 서비스 granola에 투자한 Spark Capital의 Nabeel Hyatt Q. 그럼 이제 AI 회사로 얘기를 좀 옮겨보고 싶어요. AI 스타트업을 크게 세 분류로 나누신다고 했잖아요? 모바일 시절에 쓰던 프레임워크를 그대로 가져왔다고요. 그게 뭔가요? A. 네, ‘적응(Adaptation), 진화(Evolution), 혁명(Revolution)’ 이렇게 세 가지예요. -모바일 시절로 예를 들면, 적응이란 “뉴욕타임스가 모바일 앱을 만든다” 같은 거예요. 기존 걸 단순히 모바일 화면으로 옮겨놓는 수준이죠. -진화는 ‘새로운 워크플로’를 창조하는 거예요. 예컨대 모바일 시대에 인스타그램이 그랬죠. 기존 플리커(Flickr) 같은 사진 공유가 아니라, 스마트폰 사진이라는 전혀 다른 UX를 만든 거예요. AI로 치면, 그래머리(Grammarly)나 디스크립트(Descript) 등이 ‘진화’에 해당하겠죠. 기존 제품의 UI/UX를 완전히 갈아엎고 AI에 맞춰 재설계하니까요. -그리고 혁명은 “이 기술이 없었다면 상상도 못 했을” 완전히 새로운 플랫폼. 모바일 시절의 우버(Uber)처럼, “스마트폰 GPS와 결제 시스템 없이는 불가능했던 서비스”가 대표적이죠. 솔직히 지금은 ‘진화’ 형태도 아니고 그냥 ‘적응’ 수준도 안 되는, 그저 “AI 한 겹을 덧씌운” 회사들이 우후죽순이에요. 큰 혁신 없이 GPT API만 붙여서 금방 MVP 내놓는 식의 단타 전략이 많다는 거죠. 우리는 혁명이나 진화 쪽을 선호해요. 위험은 커도 임팩트가 훨씬 크니까요. https://www.youtube.com/watch?v=_Qq4p-Ce5bs https://lilys.ai/digest/2511446/610472?s=1&nid=610472 (한글 요약)

"계속 프로그래밍을 해도 될까? 그래도 괜찮을까? 평생 프로그래밍을 할 수 있을까?" "The Aging Programmer(나이 들어가는 프로그래머)"의 발표자 Kate Gregory는 1979년부터 개발을 시작한 40+년 경력의 개발자로 올해 63세. Microsoft의 C++ 컴파일러가 나오기전 부터 C++을 사용했고, Visual C++ MVP 이며 유명 C++ 컨퍼런스에서 자주 연사로 등장함. 국내에는 "아름다운 C++" 책이 제이펍에서 번역 출간된 바 있음. 1시간짜리 꽤 긴 발표라서 전체 스크립트를 번역 요약해봤습니다. 댓글 긱뉴스 링크에서 전체를 보세요. 발표내내 강조하는 것은 "20대·30대·40대·50대에 할 수 있는 여러 가지 실천들"이 쌓여야, 나중에 60대·70대·80대에 ‘아무것도 안 하고 편히 쉬겠다’든지 혹은 ‘계속 프로그래밍을 하겠다’든지 원하는 삶을 살 수 있게 된다는 것. "자신이 즐기는 일을 하면서 행복하게 지내는 것"이 목표라면, 이런 일은 저절로 이루어지지 않으니 미리 "대비하고 그것을 위해 노력해야 함" 이를 위한 신체 노화, 근력·지구력·유연성·균형을 위한 운동, 건강 챙기기, 기억력과 멀티 태스킹 등을 이야기. # 인상적인 문장들 계속해서 등장하는 "새로운 것(New Stuff)"을 따라잡기 위해서는, 자신의 정체성(Identity)을 "사용하는 도구"가 아니라, "달성한 성과와 해결한 문제"로 정의해야 함 많은 사람들이 자신이 늙으면 짜증을 잘 내고, 조급해지고, 냉소적이고, 집중력이 약해질까 봐 걱정하고, 보통은 ‘나는 저 사람처럼 되고 싶지 않아’ 같은 구체적인 모델이 있기도 함. 20대에 다정하고 관대한 사람이라면, 대체로 80대에도 여전히 그렇게 지낼 가능성이 높음. 생계에 대한 걱정이 없고, 필요한 게 충족될 때 우리는 쉽게 따뜻하고 너그럽고 친절할 수 있음. 결국, 젊을 때부터 "안정적인 노년을 위한 계획"을 세우고 편안한 노후를 준비해둬야, 그 시기에 여유롭게 다른 이들에게 따뜻함과 관용을 베풀 수 있음. 지금 친절하지 않다면, 나이가 든다고 해서 마법처럼 "친절한 사람"이 되는 것은 아님. "친절해지고 싶다면 지금부터 실천"하면 됨 수면은 최고의 "디버거"이며, 신체가 상처를 치유하고 회복하는 시간 "상실은 삶의 일부"이며, 누구도 피할 수 없음. 일상에서도 작은 상실을 경험함(좋아하던 아이스크림 단종, 신체적 한계로 등산/스키등 좋아하는 활동 불가) 작은 상실도 축적되며 감정적으로 영향을 줄 수 있음. "상실을 치유하는 유일한 방법은 새로운 것을 얻는 것"임 (The only cure for loss is gain) 하지만 중요한 것은 "상실은 저절로 우리에게 찾아오지만, 무언가를 얻는 건 결국 우리가 직접 해내야 함" "무언가를 ‘얻는’ 건 결국 여러분 몫" 그러니 나가서 새 친구를 사귀어 볼 것. 그게 가장 좋음. 많은 사람이 직장에서 친구를 사귀지만, 직장 생활이 점점 끝나가거나 오랫동안 같은 사람들과만 일하다 보면, 거기서 새 친구를 만들기는 쉽지 않음. 본인보다 한참 어린 친구도 필요함. 여러분이 20대라면 자신보다 30~40세 많은 친구를 사귀는 것을 추천. 지금 내 나이보다 3040년 아래인—그러니까 최소한 20살 이상인—젊은이들이 다가오면, 그들과도 친구가 되는 걸 두려워하지 말 것 새로운 것을 시도해보는 것도 우정과 경험을 확장하는 좋은 방법. 새로운 경험과 관계는 개인적인 "획득과 성장"의 원천이 됨 # 길고 행복한 노년을 위해 ✓ 운동은 몸과 뇌를 위해 필수적: 몸을 돌보는 것은 필수이며, 이를 적으로 여기지 말아야 함 ✓ 돈을 저축하되, 현재의 삶을 즐기는 것도 잊지 말 것: 자원을 쌓아두는 것이 중요하지만, 현재를 소홀히 해서는 안 됨 ✓ 건강한 식습관을 유지하며 몸을 잘 관리할 것 ✓ 친구를 사귀고 관계를 유지할 것: 새로운 친구를 계속 만들고, 기존의 친구 관계를 유지하며, 사회적 연결을 확대 ✓ 삶에서 목적과 이유를 찾는 것이 중요 “여러분이 아무리 젊어도 너무 이른 시기는 없고, 또 제가 장담하건대 아무리 늦었다고 해도 행복하고 건강한 ‘나이 들어가는 프로그래머’가 되는 데는 결코 늦지 않습니다.”

### 1.2. 실제로 돈을 버는 기업은 어디인가? - 하드웨어 기업(Nvidia 등) - GPU 같은 하드웨어를 공급하는 엔비디아(Nvidia)가 비교적 확실한 수익을 얻고 있다고 언급된다. - 수요 증가(데이터센터 건립, GPU 구매)가 이어질수록 엔비디아의 매출과 이익은 증대될 것으로 보인다. - 하이퍼스케일러(클라우드 기업) - 아마존(AWS), 마이크로소프트(Azure), 구글 클라우드 등은 AI 모델을 호스팅 및 판매(클라우드 렌탈)하며 수익 창출. - 그러나 대형 GPU 클러스터 건립에 따른 초기 캡엑스(설비 투자) 부담이 매우 크다. - AI 연구·서비스 기업(오픈AI·앤트로픽 등) - 현재 연구와 개발에 막대한 비용 투입 중이며, 수익은 “챗봇 API” 판매와 기업 도입 사례에서 일부 발생하나 투자 대비 이익을 내지 못하는 상황이 많다. - 다만, 향후 AGI 달성 시점에서 폭발적인 수익을 올릴 수 있다는 기대감(“투자 논리”)으로 막대한 자금이 유입되고 있다고 평가된다. ## AGI vs. 기존 빅테크: ‘승자 독식’인가? ### 2.1. AGI 시대에 여럿이 공존할 가능성 - 완전한 의미의 ‘AGI’가 가까운 미래(2~5년 내)에 등장하더라도, 실제로 이 기술을 시장에 대규모 배포하기 위해서는 막대한 비용과 인프라가 필요하다. - 빅테크(구글, 마이크로소프트, 메타)는 이미 거대한 플랫폼/서비스/데이터를 갖추고 있으므로, AI를 자사 서비스에 녹여 더욱 강력한 수익 모델을 구축할 것이다. - 반면, 오픈AI·앤트로픽 같은 AI 특화 연구소/기업은 모델의 ‘정점(capability)’을 만들어내는 데 강점이 있으나, 그 자체가 시장을 완전히 독점할 것인지는 미지수다. ### 2.2. 특정 모델/기업이 전부를 차지하지 않을 가능성 - “AI 모델”의 핵심 기능(추론, 생성 등)이 급속히 ‘상품화(commodity)’될 수 있다는 분석. - 이미 GPT-3 수준은 저비용 혹은 오픈소스 대체모델에 의해 대체 가능해졌고, GPT-4 수준도 점차 경쟁자가 생기면 비용이 하락할 수 있다. - 현 시점에서도 많은 스타트업이 ‘API 래퍼(Wrapper)’ 수준으로 오픈AI 등 대형 모델을 활용해 부가가치를 만들어낸다. 향후 모델 비용이 더 내려가면, AI 모델 제공업체가 여러 곳으로 분산될 수 있음. - 결론적으로, 대형 AI 기업이 여러 곳에서 공존하며, 각자 특화된 방식으로 수익과 가치를 창출하게 될 것으로 전망. ## 3. 에이전트(Agent)와 자기 플레이(Self-Play) 전망 ### 3.1. 에이전트 개념과 현실적 어려움 - 최근 화두인 “AI 에이전트(agent)”는 자율적으로 여러 단계를 거쳐 문제를 해결하거나 작업을 수행하는 AI를 의미한다. - 그러나 실제 웹 등 오픈 환경에서 시나리오가 복잡해지고, 단계별로 실패 확률이 누적되면 전체 성공 확률이 매우 낮아지는 문제가 있음(“nines를 곱하는 문제”). - 자율주행(특정 도로규칙이 존재)과 달리, 일반 소프트웨어 환경은 훨씬 더 불규칙하므로 완벽한 에이전트화는 시간이 걸릴 것으로 본다. ### 3.2. 부분적 성공 사례: 제한된 도메인 - 제한된 도메인(예: 특정 사이트 예약, 특정 앱과의 통합 등)에서는 이미 에이전트형 AI 도입이 시도되고 있다(“Operator”, “OpenTable 연동” 등). - 이러한 “Sandbox” 혹은 “전용 API” 환경을 구축하여 에이전트가 잘 동작하도록 설계할 수 있다. - 대규모 공개 웹을 대상일 때는 문제가 훨씬 복잡해지고, 실패 가능성이 누적되어 신뢰도가 떨어진다. ## 4. 소프트웨어 엔지니어링 분야에서의 AI 영향 ### 4.1. 코딩 보조 AI 확산 - 이미 많은 프로그래머가 ChatGPT, CoPilot, Cursor 등을 이용해 코드 작성 생산성을 높이고 있음. - “SBench”라는 벤치마크 예시에서, 1년 사이 모델 성능이 4%에서 60%대로 상승하는 등 괄목할 진전을 보였다. - 향후 1~2년 내에 더 높은 정확도와 범용성을 갖춘 코딩 에이전트가 등장할 가능성이 크다. ### 4.2. 인간 프로그래머의 역할 변화 - AI가 대규모 코드를 빠르게 작성할 수 있지만, “디버깅, 맥락 파악, 설계 의도” 등은 여전히 인간의 고유 역량이 될 가능성이 높다. - 결국 프로그래머는 코드를 ‘직접’ 쓰기보다는, “AI 시스템을 감독·검수”하고 “도메인 전문성”을 살려 코드를 구조화하는 형태로 진화할 것이라는 전망. - 이로 인해 프로그래밍 비용이 하락하면, 오히려 다양한 기업이 자체 맞춤형 솔루션을 빠르게 구축하는 시대가 올 수 있음. https://youtu.be/_1f-o0nqpEI

OpenAI의 기술은 “드론 위협을 보다 빠르고 정확하게 평가하여 운영자가 위험을 피하면서 더 나은 결정을 내리는 데 필요한 정보를 제공하는 데 사용될 것”입니다. 전 세계의 국방 및 정보 기관은 대규모 언어 모델을 사용하여 방대한 양의 정보를 선별하거나 심문 오디오 데이터를 빠르게 전사하고 분석하는 데 큰 관심을 표명해 왔습니다. https://theintercept.com/2024/10/25/africom-microsoft-openai-military/

2007년, 팔란티어 데모를 본 후 "엑셀의 CONCAT 함수 작업을 대폭 줄여줄 혁신적인 제품"이라는 확신을 얻음🤣 정부에서 “우리가 필요한 것은 제품을 직접 구매하는 것이 아니라, 이미 만들어진 것을 활용하는 것”이라는 의견을 내세웠으나, 내부 규정 때문에 받아들여지지 않음 이로 인해 정부 내에서의 변화 불가능성과 비효율성에 실망하여 결국 민간 부문(팔란티어)으로 이직 Founders Fund에서의 역할 및 투자 철학 정부와 협력하는 스타트업에 집중하되, 단순히 국방 분야뿐 아니라, 교통, 법 집행, 아동 복지 등 광범위한 정부 부문에 걸친 기회를 모색 미국 정부는 세계 최대의 IT 구매자임에도 불구하고, 기술 채택에 있어 보수적이고 관료적인 한계를 보임 정부 영업(세일즈) 전략이 매우 어렵고, 반복 가능한 판매 모션을 구축하지 못해 많은 기업이 실패하는 원인이 됨 스타트업 창업자들의 자질과 정부 진출 시 고려 사항 정부와의 거래는 “빠른 0→100 성장”이 아니라, 긴 시간 동안 낮은 계약 규모로 진행됨 창업자가 정부와 일하고자 한다면, 정부의 느린 실행 속도와 비현실적인 기대에 대해 ‘냉소적(cynical)’인 자세가 필요함 “내 계획은 단기간에 100백만 달러를 벌 것이다”라는 비현실적인 낙관론은 즉시 배제됨 하드웨어 vs. 소프트웨어 투자 및 경제적 인센티브 경제 지표 및 배수 차이 소프트웨어 회사는 높은 마진(예: 80% 이상)과 높은 성장률을 보이며, 투자 배수가 높음(10~20배 매출 기준) 반면, 하드웨어 회사는 마진이 낮고 (평균 2060% 수준), 방위산업과 같이 큰 프라임 계약을 받는 기업들은 710%의 낮은 마진과 낮은 배수(2~4배)를 기록함 이로 인해 투자자들은 높은 마진의 소프트웨어보다는, 독점적인 위치를 가진 ‘니치’ 하드웨어 회사를 선호할 가능성이 있음 Founders Fund의 투자 전략 높은 배수가 아니더라도, 시장 내 독점적 지위를 확보한 회사에 투자하여 장기적으로 높은 성장률과 시장 점유율 확대를 기대함 경쟁이 치열한 산업보다 독점적 위치를 가진 기업에 투자하는 것이 더 안정적인 성과를 낼 수 있다는 전략적 판단 https://youtu.be/_f2xkvcr7vE?si=sSOAdnGQGS-a5Aey

AI를 단순 도구가 아니라 마케팅 팀의 한 구성원처럼 활용하는 방법을 모색. 프롬프트 입력과 피드백 과정을 통해 원하는 결과를 도출하는 워크플로우를 강조함. “프롬프트 엔지니어링”을 통해 브랜드 네이밍, 카피라이팅, 디자인 등 다양한 마케팅 요소를 AI로 생성하고 지속적으로 개선하는 방법을 소개. 브랜드 네이밍 및 카피라이팅: 구체적인 템플릿과 예시를 통해 가방 브랜드, 뷰티 브랜드 등 다양한 사례를 다룸. AI에게 구체적인 디렉션(예: “브랜드에 어울리는 이름 10개 생성”)을 주고, 생성된 결과에 대해 피드백하는 과정을 통해 최종 산출물을 도출. 비주얼 콘텐츠 생성: 미드저니와 같은 도구를 사용해 로고, 무드보드, 애니메이션 등 시각적 자료를 빠르게 제작하는 사례 소개. 디자인 팀 없이도 AI를 활용해 고품질의 디자인 초안을 생성하고 이를 수정, 보완하는 과정을 설명. https://youtu.be/MhqsJioNK8M

(링크인 창업자와 퓰리쳐 상 수상 암생물학자가 창업한 AI 신약 개발사) ============== AI 신약 개발사, Manas AI가 $24.6M의 시드 펀딩을 받으며 등장하였다. 이 회사는 페이팔과 링크인 공동창업자인 Reid Hoffman과 저명한 암생물학자, Siddhartha Mukherjee 콜롬비아 의대 교수가 창업한 회사이다. CEO 직을 맡고 있기도 한 Mukherjee 교수는 “The Emperor of all Maladies: A Biography of Cancer (암: 만병의 황제의 역사)” 라는 저서로 퓰리쳐 상을 수상한 작가이기도 하다. 이번 시드 펀딩은 General Ctalyst와 Greylock, Hoffman이 참여하였고, 이 회사는 우선 항암제 개발에 집중할 계획이다. Manas AI의 과학자문단이 화려한데, 노벨상 수상자인 매사추세츠 대 Craig Mello 교수, PI3K과 PTEN를 발견한 하버드대 Lew Cantley 교수 등을 유명 과학자들을 다수 포함하고 있다. ============= (written by 심수민, 파트너스인베스트먼트) 텔레그램 채널: https://t.me/global_biohealthcare_news https://techcrunch.com/2025/01/27/reid-hoffmans-manas-ai-raises-24-6m-a-fraction-of-other-ai-drug-discovery-startups/

추론 컴퓨팅 수요 증가: AI 앱이 복잡한 추론 모델을 호출하는 빈도가 폭발적으로 증가하면서, 인프라 비용이 급증하고 있음. 비용 효율성: 효율적인 추론 인프라는 AI 서비스의 전체 운영 비용을 크게 낮추고, 이를 통해 더 많은 스타트업과 기업이 AI 서비스를 제공할 수 있도록 지원함. 스케일 문제 해결: 대규모 API 호출 및 실시간 응답을 요구하는 서비스 환경에서, GPU 및 클라우드 비용 최적화가 필수적임. 미래 가능성: 인프라 혁신: AI 추론에 최적화된 소프트웨어 스택과 하드웨어 솔루션이 등장하면, AI 서비스 비용 경쟁력이 극대화됨. 신규 시장 창출: 비용 효율적인 추론 인프라를 통해, 소규모 스타트업도 대형 기업과 경쟁할 수 있는 환경 조성. 전체 생태계의 성장: AI 서비스의 확산과 함께, 추론 비용 최적화 기술은 클라우드 컴퓨팅 및 데이터 센터 산업 전반에 긍정적 영향을 미칠 것. 실현을 위해 필요한 요소: 추론 최적화 소프트웨어: GPU 워크로드를 효과적으로 분산하고, 최적화된 알고리즘 및 스케줄링 기술 개발. 새로운 하드웨어 솔루션: 비용 효율적이면서도 성능이 뛰어난 GPU/TPU 및 맞춤형 하드웨어 개발. 인프라 관리 플랫폼: AI 추론 서비스의 성능과 비용을 실시간으로 모니터링하고 최적화할 수 있는 관리 툴 구축. 대규모 투자 및 파트너십: 클라우드 제공 업체, 데이터 센터 운영사 등과의 협력을 통해, 새로운 인프라 솔루션을 신속히 상용화할 수 있는 지원 체계 마련.

포괄적인 지원 인프라: 오픈소스 AI 도구에 대한 설치, 유지보수, 최적화 서비스를 제공할 수 있는 기술력과 인력. 커뮤니티 및 파트너십: 오픈소스 프로젝트와 협력하여, 상용 솔루션 개발 및 기술 지원 체계를 구축할 수 있는 네트워크. 고객 맞춤형 솔루션: 다양한 산업의 요구에 맞게 오픈소스 기술을 커스터마이즈하고 통합할 수 있는 솔루션 개발 능력. 10. AI Coding Agents for Hardware-Optimized Code (하드웨어 최적화 코드 생성을 위한 AI 코딩 에이전트) 아이디어 개요: Nvidia의 CUDA 코드처럼, 하드웨어 성능을 극대화하기 위한 시스템 레벨 코드(커널, 드라이버 등)를 AI가 생성하도록 하는 도구 개발. DeepSeek R1, OpenAI o1/o3와 같은 모델을 활용해, 인간 개발자보다 효율적이고 최적화된 코드를 자동으로 생성하는 것을 목표로 함. 왜 필요한가? 하드웨어 경쟁력 강화: 경쟁 하드웨어(AMD, 맞춤형 실리콘 등)가 Nvidia와 경쟁하려면, 소프트웨어 최적화가 필수. 개발 인력 부족 문제: 시스템 레벨 코드는 작성이 복잡하고 전문성이 요구되는데, AI 에이전트가 이를 대신할 수 있다면 개발 효율성과 성능 모두 향상될 수 있음. 독립성 확보: 특정 하드웨어 제조사에 대한 종속도를 낮추고, 다양한 하드웨어에서 최적화된 코드를 생성할 수 있는 기술이 필요함. 미래 가능성: 하드웨어 생태계 재편: AI가 생성한 최적화 코드를 통해, 다양한 하드웨어가 Nvidia와 경쟁할 수 있는 기반 마련. 소프트웨어 개발 패러다임 변화: 개발자들이 직접 복잡한 시스템 코드를 작성하지 않고, AI 도구를 활용해 빠르고 효율적인 개발이 가능해짐. 실현을 위해 필요한 요소: 고성능 LLM 및 튜닝: 시스템 레벨 프로그래밍 언어와 알고리즘에 특화된 모델 개발 및 지속적인 개선. 도메인 전문 지식 통합: 하드웨어 아키텍처, 운영체제, 병렬 컴퓨팅 등 관련 도메인 전문가와의 협업을 통한 모델 교육. 검증 및 평가 체계: AI가 생성한 코드의 안정성, 성능, 보안성을 검증할 수 있는 테스트 프레임워크 구축. 11. B2A: Software Where the Customers Will All Be Agents (고객이 에이전트인 소프트웨어) 아이디어 개요: 인터넷 트래픽의 상당 부분이 AI 에이전트(스크래퍼 등)에 의해 발생하는 점을 활용하여, 고객이 실제로 에이전트인 환경에 특화된 소프트웨어와 서비스를 개발하는 것. 예를 들어, 에이전트들이 호스팅 크레딧을 결제하거나, 여행 예약, 계약 체결 등을 에이전트끼리 원활하게 수행할 수 있도록 하는 API 및 플랫폼 제공. 왜 필요한가? 에이전트 간 상호작용의 증가: 앞으로 웹 및 앱에서 AI 에이전트가 주요 사용자로 등장할 가능성이 높아짐. 전용 서비스 수요: 기존 소프트웨어는 인간 사용자를 대상으로 설계되었으나, 에이전트들이 원활하게 작동할 수 있도록 지원하는 서비스가 필요함. 새로운 비즈니스 모델: 에이전트 전용 경제 및 생태계가 형성되면, 이를 위한 결제, 계약, 관리 등의 새로운 시장이 열릴 수 있음. 미래 가능성: 에이전트 경제의 성장: 에이전트가 주 고객이 되는 서비스 생태계가 형성되면서, AI 에이전트 전용 금융, 계약, 운영 플랫폼 등이 등장할 것. 자동화된 상호작용: 인간과 에이전트, 에이전트와 에이전트 간의 상호작용이 더욱 정교해져, 비즈니스 프로세스 전체가 자동화될 수 있음. 실현을 위해 필요한 요소: 에이전트 전용 API 및 플랫폼: 에이전트 간 상호작용을 위한 표준 API와 개발 도구 마련. 보안 및 신원 확인: 에이전트가 실제 고객인지를 검증하고, 부정 행위를 방지할 수 있는 인증 및 보안 기술. 시장 분석 및 고객 정의: 에이전트를 대상으로 한 소프트웨어의 사용자 요구와 비즈니스 모델을 명확히 정의하는 전략 수립. 12. Vertical AI Agents (수직 산업 특화 AI 에이전트) 아이디어 개요: 특정 산업(세무, 의료, 법률, 고객 지원 등)에 특화된 AI 에이전트를 개발하여, 해당 분야의 업무를 완전히 자동화하거나 혁신하는 솔루션. 기존 “ChatGPT 래퍼” 수준을 넘어, 실제 산업 환경에서 유의미하게 작동할 수 있는 에이전트 시스템 구축. 왜 필요한가? 업무 자동화 및 혁신: 수직 산업별 특화 AI 에이전트는 기존 B2B SaaS가 단순 효율성을 높이는 수준을 넘어, 전면 자동화로 전환할 잠재력이 큼. 깊은 도메인 이해: 각 산업의 복잡한 프로세스와 규정을 이해하고 통합하는 에이전트는, 인간 수준의 업무를 대신 수행할 수 있음. 시장 기회 확대: 이미 다양한 산업에서 AI 도입의 초기 성공 사례가 있으며, 이를 바탕으로 더욱 발전된 솔루션이 등장할 여지가 큼. 미래 가능성: 대규모 산업 자동화: 특정 산업 전반에서 인간 업무를 대체하거나 보완하는 AI 에이전트가 보편화되면, 업무 효율성 및 생산성이 극대화될 것. 새로운 프라임 기업 탄생: 수직 AI 에이전트를 통해 새로운 산업 리더(예: AI 기반 세무, 의료, 법률 솔루션 제공 업체)가 등장할 가능성. 시장 독점 효과: 성공적인 vertical AI 에이전트는 해당 산업 내 독점적 지위를 확보하여, 빠른 성장과 높은 시장 가치를 창출할 수 있음. 실현을 위해 필요한 요소: 산업별 도메인 전문성: 해당 산업의 전문가와 협력하여, 필요한 업무 프로세스와 규제, 고객 요구사항을 정확히 이해하는 것이 필수. 맞춤형 AI 모델: 일반적인 LLM을 도메인 특화 데이터로 미세 조정하여, 산업별 고유의 요구를 충족시키는 모델 개발. 시스템 통합 및 레거시 시스템 연동: 기존 산업 시스템과 원활하게 통합할 수 있는 API와 인터페이스 개발. 파일럿 및 검증 프로젝트: 실제 산업 현장에서 테스트하고 피드백을 받아 지속적으로 개선할 수 있는 파일럿 프로그램 운영. 13. Startup Founders with Systems Programming Expertise (시스템 프로그래밍 전문 창업자 육성) 아이디어 개요: AI 및 시스템 최적화 기술의 발전에 기여한 저수준 시스템 프로그래밍 전문가들이 창업 아이디어를 실행할 수 있도록 지원하는 스타트업 및 인큐베이터 모델. Google, John Carmack, id Software 등 역사적으로 시스템 최적화를 통해 혁신을 이끌어온 사례를 벤치마킹. 왜 필요한가? 리소스 최적화: 제한된 하드웨어 자원을 극대화하여 성능을 끌어올리는 기술은 AI 발전에 결정적인 요소임. 차별화된 경쟁력: 시스템 전반을 이해하고 최적화할 수 있는 인재는 다른 창업자들과의 경쟁에서 큰 우위를 제공함. 전체 스택 혁신: 하드웨어부터 소프트웨어까지 전체 시스템을 최적화할 수 있는 창업자들이 등장하면, 산업 전반에 혁신을 가져올 수 있음. 미래 가능성: 산업 생태계 재편: 시스템 프로그래밍 전문 창업자들이 주도하는 스타트업은 기존의 대기업과 달리 비용 효율적이고 혁신적인 인프라를 구축할 가능성이 큼. 신기술 표준 제시: 이런 창업자들이 개발한 기술은 산업 표준으로 자리잡아, 전반적인 기술 발전 속도를 높이고 경쟁력을 강화할 것. 글로벌 경쟁력: 한국과 같이 우수한 인재 풀을 보유한 국가에서는, 이 분야에 집중하여 글로벌 시장에서 독자적인 기술력과 경쟁력을 확보할 수 있음. 실현을 위해 필요한 요소: 전문 인재 육성 프로그램: 시스템 프로그래밍, 하드웨어 최적화, AI 모델 최적화 등 심도 있는 기술 교육과 인턴십 프로그램 구축. 연구 및 개발 인프라: 고성능 컴퓨팅 자원, 오픈소스 프로젝트 지원, 연구 자금 등 혁신적인 R&D 환경 마련. 멘토링 및 네트워킹: 해당 분야의 선배 창업자, 연구자, 산업 전문가들과의 네트워킹 및 멘토링 체계 구축. 14. Inference AI Infrastructure in the World of Test-Time Compute (추론 시 컴퓨팅을 위한 AI 인프라) 아이디어 개요: AI 앱이 실제 모델 추론 단계에서 발생하는 컴퓨팅 비용을 절감하고, 최적화할 수 있는 인프라와 소프트웨어 툴 개발. 기존에는 주로 학습(Pre-training)에 집중되었던 컴퓨팅 투자가, 이제는 실제 서비스에서 추론(Inference) 비용이 핵심 이슈로 대두됨. 왜 필요한가?