[카테고리:] AI

  • 무선 충전 속도 저하, 범인은 충전기 아닌 발열

    무선 충전 속도 저하, 범인은 충전기 아닌 발열

    3줄 요약

    • 충전 속도가 중간에 뚝 떨어지는 건 고장이 아니라, 온도가 오르면 기기가 받아들이는 전류를 스스로 줄이는 보호 동작이다.
    • 포장지에 적힌 W는 최대 출력이지 충전이 끝날 때까지 유지되는 출력이 아니라서, 같은 스펙이라도 체감이 갈린다.
    • 자석식 무선 보조배터리를 고를 땐 W 숫자보다 발열 설계, 지속 출력, 본체 입력 속도를 같이 봐야 한다.

    충전기를 꽂고 처음 10분은 시원하게 오른다. 그다음 20분이 눈에 띄게 처진다. 케이블이나 어댑터를 먼저 의심하게 되는 지점인데, 원인은 대개 충전기 바깥이 아니라 스마트폰 안쪽에 있다. 기기가 스스로 속도를 낮추는 것이다. 이 구조를 한 번 이해해 두면 보조배터리를 고를 때 무엇을 봐야 하는지, 왜 스펙표만 보고 사면 후회하는지가 같이 정리된다.

    속도 저하는 결함 신호가 아니라 배터리를 지키는 동작

    충전 중 온도가 오르면 스마트폰의 배터리 관리 시스템이 받아들이는 전류를 줄인다. 열이 배터리 용량을 영구적으로 깎아내리는 화학적 열화를 가속하기 때문이다. 배터리 수명과 충전 속도를 맞바꾸는 판단을 기기가 실시간으로 내리고 있는 셈이다.

    충전기 쪽에 더 밀어 넣을 능력이 남아 있어도 소용없다. 받는 쪽이 문을 좁히면 거기서 끝이다.

    주체가 충전기가 아니라 기기라는 점이 중요하다. 더 비싼 충전기를 물려도, 더 굵은 케이블을 써도, 기기 온도가 임계점을 넘으면 결과는 같아진다. 리튬이온 배터리 충전이 후반부로 갈수록 전류를 줄이며 전압을 유지하는 방식으로 넘어가는 것도 같은 맥락. 배터리를 오래 쓰게 만드는 설계이지, 성능을 아끼는 설계가 아니다.

    그래서 ‘충전이 느려졌다’를 고장 신호로 읽는 습관부터 고치는 게 맞다. 진짜로 봐야 할 건 속도가 아니라 그 시점의 온도다.

    스펙의 25W와 체감의 25W가 갈라지는 지점

    제품에 25W라고 적혀 있으면 그건 거짓말이 아니다. 25W를 낼 수 있다는 뜻이니까. 다만 그 숫자는 ‘충전이 진행되는 내내 25W를 유지하는가’라는 질문에는 답하지 않는다.

    스펙이 측정하는 건 최대 능력, 사용자가 겪는 건 지속 출력. 이 둘이 벌어지는 폭은 제품마다 다른데, 구매 시점에는 보이지 않다가 쓰기 시작하면 바로 드러난다.

    비교 자체가 막혀 있다는 것도 문제다. 소비자는 포장지의 W를 비교하지 열 곡선을 비교하지 않는다. 열 곡선이 공개되지 않기 때문이다. 그 결과 이 카테고리는 지속 출력이 아니라 피크 출력이라는 단일 숫자로 경쟁하게 됐고, 스펙이 똑같은 두 제품의 실사용 경험이 상당히 갈리는 상황이 만들어졌다.

    자석식 무선 충전에서는 이 간극이 더 벌어진다. 유도 방식은 송신 코일과 수신 코일 양쪽에서 열이 난다. 게다가 이 제품군을 편리하게 만들어 주는 자석 부착 구조가, 하필 그 열원을 충전 대상 기기 뒷면에 밀착시킨다. 편의성과 열 성능이 설계 단계에서부터 서로 반대 방향으로 당기고 있다는 뜻이다. 무선 보조배터리가 유선보다 유독 뜨겁고 유독 빨리 느려지는 이유가 여기 있다.

    수동 방열의 천장, 그리고 팬이 치르는 대가

    업계가 몇 년간 밀어붙인 해법은 소재 쪽이었다. 그라파이트 시트, 열전도 인터페이스 소재, 전도성 하우징, 방열층 같은 것들이 세대를 거치며 조금씩 나아졌다.

    다만 수동 방열에는 구조적인 천장이 있다. 이미 발생한 열만 옮길 수 있고, 그것도 주변 공기가 받아 주는 속도까지만 옮긴다. 주머니에 들어가는 밀폐 케이스 안에서는 그 천장이 금방 온다. 소재를 개선하면 온도가 오르는 속도가 느려질 뿐, 온도 상승 자체가 사라지지는 않는다.

    대안은 열을 퍼뜨리는 대신 밖으로 빼내는 능동 냉각이다. 데스크톱이나 거치형 기기에서는 표준에 가깝지만 휴대 기기에서는 거의 없었다. 이유는 단순하다. 팬은 부피와 무게, 가동부, 소음을 더한다. 휴대성으로 정의되는 제품군에서 네 가지 전부가 실질적인 손해다.

    앵커(Anker)가 MagGo Power Bank 2 Pro에서 시도한 접근은 이 손해를 없애는 대신 감수할 만한 수준으로 낮추는 쪽이다. 구성은 이렇게 물려 있다.

    • 마이크로 원심팬
    • 자석 어레이와 간섭하지 않도록 우회시킨 이중 공기 통로
    • 3층 그래핀 방열층
    • 고정 회전수가 아니라 실시간 온도와 배터리 상태를 보고 속도를 조절하는 팬 제어 알고리즘

    아래 수치는 모두 제조사가 공개한 내부 테스트 기준이며, 충전 속도와 열 관리 성능은 독립 시험·인증 기관인 SGS 인증을 받았다고 밝히고 있다.

    항목 공개된 값 조건·출처
    무선 충전 중 본체 뒷면 온도 36°C 미만 유지 주변 온도 25°C, 제조사 내부 테스트
    동급 자석식 보조배터리 20분 이내 45°C 이상 도달 같은 내부 테스트 조건
    국제 표준 표면 온도 한계 48°C 원문이 기준값으로 인용
    무선 충전 출력 Qi2.2 25W, 아이폰 17 Pro 25분에 50% 제조사 내부 테스트
    본체 재충전(입력) 45W, 52분에 80% 제조사 내부 테스트

    핵심은 온도 숫자 자체가 아니라 인과다. 기기가 충전 수용량을 줄이기 시작하는 임계점에 도달하지 않으면, 25W가 ‘초반 최고 기록’이 아니라 ‘작동 중인 속도’로 유지된다.

    반대 방향도 같다. 보조배터리 자신을 충전할 때도 열이 나고, 그래서 이 제품군은 재충전이 느린 경우가 많다. 정작 필요한 순간에 빈 보조배터리를 들고 있게 되는 흔한 시나리오의 출발점이다.

    단서 하나는 짚고 가야 한다. 원문 기사는 MIT 테크놀로지 리뷰 편집국이 아니라 앵커가 직접 제작한 협찬 콘텐츠다. 수치는 제조사 주장으로 놓고 독립 리뷰의 재현 결과를 기다리는 게 맞다.

    자석식 보조배터리, 스펙표에서 실제로 확인할 항목

    예산부터 정하지 말고 ‘언제 어디서 충전하는가’부터 정하는 편이 낫다. 기준이 서면 스펙표에서 볼 항목이 달라진다.

    • 충전 패턴 — 회의 사이 20분을 쥐어짜는 용도라면 피크 출력이 의미가 있다. 이동 중 한 시간 넘게 붙여 두는 패턴이라면 지속 출력과 발열 설계가 훨씬 중요하다.
    • 무선이 정말 필요한가 — 자석 부착은 편하지만 열 측면에서는 손해를 안고 가는 구조다. 급할 때 케이블로 붙이는 선택지를 제품이 함께 제공하는지 확인해 두는 게 좋다.
    • 자석 규격과 케이스 궁합 — Qi2 계열 자석식은 케이스 두께와 자석 정렬 정확도에 따라 전송 효율이 달라지고, 정렬이 어긋나면 그만큼 열로 빠진다. 두꺼운 케이스나 자석이 없는 케이스를 쓰고 있다면 무선 성능 기대치를 낮춰 잡아야 한다.
    • 본체 입력 속도 — 카탈로그에서 가장 자주 무시되는 항목. 하루 한 번 충전해서 다시 들고 나가는 생활 패턴에서는 출력만큼이나 체감을 좌우한다.

    여기에 둘 더. 실시간 전력·온도·잔량·남은 시간을 화면으로 보여주는 제품이라면, 스펙 대신 실제 동작을 사용자가 직접 확인하게 된다. 검증 가능성이 올라간다는 뜻이다.

    팬이 들어간 제품이라면 소음과 무게가 추가된다는 것도 계산에 넣어야 한다. 조용한 사무실이나 침실에서 쓰는 비중이 높다면 이건 취향이 아니라 선택 기준이다.

    국내 출시·가격은 아직 공식 발표가 없다

    먼저 확실한 것부터. 원문에 나온 출시 정보는 미국 기준뿐이고, 국내 출시 여부나 원화 가격, 국내 유통 채널에 대한 공식 발표는 없다. 원화 가격을 언급하는 정보가 보인다면 출처를 확인해야 한다.

    실사용 조건도 다르게 봐야 한다. 위 온도 수치는 주변 온도 25°C에서 측정한 값이다. 한여름 실외나 햇볕에 달궈진 차 안, 난방이 강한 실내처럼 주변 온도가 높은 환경에서는 냉각 여유가 줄어들 수밖에 없다. 능동 냉각이 있든 없든 이 방향은 동일하다. 성능이 실제로 얼마나 깎이는지는 원문에도 설명이 없어 추측 영역으로 남는다.

    항공 이용도 챙길 부분이다. 보조배터리는 위탁 수하물에 넣지 않고 기내로 가지고 타는 것이 원칙이며, 반입 가능한 용량 한도와 개수, 기내 사용 방식에 대한 규정은 항공사와 노선마다 다르다. 출발 전 해당 항공사 공지에서 확인하는 게 안전하다.

    국내에서 정식 유통되는 무선 충전 제품은 적합성 인증을 거친다. 해외 직구 제품을 고려한다면 인증 표시와 사후 지원 범위를 미리 확인해 두는 편이 좋다.

    확인된 것과 아직 불확실한 것

    확인된 사실

    • 온도가 오르면 기기의 배터리 관리 시스템이 받아들이는 전류를 줄이며, 이는 열화로 인한 용량 감소를 막기 위한 동작이다.
    • 정격 W는 최대 전달 능력을 나타내는 값이고, 충전 전 구간의 유지 출력을 보장하지 않는다.
    • 유도 방식 무선 충전은 송·수신 코일 양쪽에서 발열하며, 자석 부착 구조는 열원을 기기에 밀착시킨다.
    • 수동 방열 소재는 온도 상승 속도를 늦출 뿐 상승 자체를 막지 못한다.
    • 앵커 MagGo Power Bank 2 Pro는 마이크로 원심팬, 이중 공기 통로, 3층 그래핀 방열층, 온도·배터리 상태 기반 팬 제어를 조합했고, 미국 출시일은 2026년 9월 17일로 공지됐다.

    아직 불확실한 것

    • 36°C 미만 유지, 25분에 50%, 45W 입력으로 52분에 80% 같은 수치는 제조사 내부 테스트 기준이며 독립 리뷰의 재현 결과는 나와 있지 않다.
    • 비교 대상으로 언급된 ‘동급 자석식 보조배터리’의 구체적 모델과 측정 조건이 공개되지 않았다.
    • 주변 온도가 25°C보다 높은 환경에서 성능이 얼마나 달라지는지는 자료가 없다(추측 영역).
    • 국내 출시 일정, 원화 가격, 유통 경로는 공식 발표가 없다.
    • 팬 소음 수준과 장기 내구성, 가동부 고장률에 대한 데이터는 제시되지 않았다.

    W 숫자 대신 30분 뒤 온도를 묻는 편이 낫다

    한 분야가 오랫동안 한 축으로만 개선되면, 병목은 대개 다른 곳으로 옮겨간다. 전력 전달은 사실상 해결됐다. 전자 부품이 공급할 수 있는 에너지가 받는 기기가 수용하려는 양을 이미 넘어섰기 때문이다.

    병목은 열 관리로 이동했는데, 스펙표는 여전히 예전 축을 측정하고 있다. 숫자는 계속 오르는데 그 숫자가 설명하던 사용자 경험과는 조용히 멀어진 상태다.

    그래서 제품을 볼 때 질문을 하나 바꿔 보길 권한다. 최대 몇 W냐가 아니라, 30분 뒤에도 그 W가 남아 있느냐. 지금은 제조사가 열 곡선을 공개하지 않으니 이 질문에 답할 자료가 부족하다. 실시간 온도와 전력을 표시하는 제품이 늘어나고 독립 리뷰가 지속 출력을 측정하기 시작하면 스펙과 경험의 간극은 좁혀진다. 측정 가능해지는 순간부터가 진짜 비교의 시작이다.

    출처: MIT Tech Review AI

  • ESS 배터리가 요즘 왜 이렇게 뜨는지, 관련주까지 정리해봤다

    ESS 배터리가 요즘 왜 이렇게 뜨는지, 관련주까지 정리해봤다

    미국에서 2026년 2분기에 새로 깔린 배터리 저장장치 용량이 20.2기가와트시. 하루 동안 가정 약 70만 곳이 쓸 전기를 담아두는 규모다. 이 속도면 연간 71기가와트시 설치도 어렵지 않다는 전망까지 나온다. 숫자만 보면 딴 나라 얘기 같지만, 정작 요즘 검색창에 “ESS 배터리”를 치는 사람은 확실히 늘고 있다. 전기요금 인상, 태양광 보급, 정전 대비. 이유는 저마다 다르다.

    ESS라는 게 결국 뭘 하는 물건인가

    ESS, Energy Storage System. 풀어 쓰면 그냥 전기 저장 장치다. 발전소나 태양광 패널에서 만든 전기를 곧바로 안 쓰고 배터리에 쟁여뒀다가, 필요할 때 꺼내 쓰는 구조. 전기는 만든 즉시 써야 한다 – 오랫동안 이게 상식이었다. 그런데 리튬이온 배터리 가격이 뚝 떨어지면서 이 상식이 깨졌다. 태양광은 낮에만 발전하고, 전기 수요는 저녁에 몰린다. 그 시간차를 메우는 역할, ESS가 한다.

    대형이든 소형이든 원리는 똑같다. 배터리팩, 이걸 제어하는 전력관리시스템(PCS), 그리고 소프트웨어. 이 세 가지가 한 세트로 묶여 돌아간다.

    같은 ESS라도 체급이 다르다 – 가정용 vs 그리드용

    뉴스에 나오는 20.2기가와트시, 이건 거의 다 그리드(전력망)용 대형 ESS 얘기다. 발전사업자나 전력회사가 변전소 옆에 컨테이너 크기 배터리를 줄줄이 세워두는 방식. 태양광이나 풍력처럼 날씨 따라 출력이 오르내리는 전원을 보완하고, 전력 수요가 몰리는 피크 시간에 저장해둔 전기를 팔아 돈을 번다.

    가정용은 얘기가 완전히 다르다. 테슬라 파워월, 혹은 LG에너지솔루션 가정용 라인업 정도가 대표적인데, 용량은 5~15킬로와트시. 그리드용의 수천 분의 1 수준이다. 목적도 다르다. 전력회사 수익이 아니라 정전 대비, 태양광 자가소비 극대화, 시간대별 요금 차이를 활용한 절약. 이게 핵심이다.

    국내에서 가정용 ESS, 지금 놓을 만한가

    국내는 아직 가정용 ESS 보급이 초기 단계다. 태양광 패널을 이미 올린 집이라면 연계 배터리를 다는 게 자연스러운 다음 순서. 다만 따져볼 게 있다.

    • 초기 비용: 5킬로와트시급 기준 500만~800만 원대가 흔하다. 보조금 없이 보면 이건 좀 과한 듯싶은데, 정부·지자체 지원을 받으면 부담이 줄어든다.
    • 손익 계산: 전기요금이 지금처럼 안정적이면 투자금 회수까지 시간이 꽤 걸린다. 솔직히 여기서 갈린다. 계절별 요금 차이가 클수록 유리하다.
    • 정전 대비 가치: 단순 절약보다 정전 시 냉장고, 인터넷 공유기 같은 필수 가전을 돌리는 데 의미를 두는 사람이 많다.

    아파트라면 발코니 확장 규정, 화재 안전 기준 때문에 설치가 까다로울 수 있다. 단독주택이나 전원주택 쪽에서 먼저 검토해볼 만하다.

    배터리 화학 얘기 – 왜 다들 LFP LFP 하나

    ESS용 배터리는 크게 LFP(리튬인산철)와 NMC(니켈망간코발트) 두 갈래다.

    • LFP: 에너지 밀도는 낮지만 화재 위험이 적고 수명이 길다. 부피가 크게 문제되지 않는 그리드용, 가정용 ESS에서 표준으로 자리잡았다.
    • NMC: 같은 부피에 더 많은 전기를 담을 수 있어서 전기차용으로 많이 쓴다. ESS 쪽에서는 안전성 이슈로 점유율이 줄어드는 추세.

    결정적으로 최근 몇 년 사이 벌어진 화재 사고들 이후로 ESS 시장에서는 LFP 채택이 빠르게 늘었다. 가정용 배터리를 알아보는 중이라면 제품 사양표에서 배터리 화학 종류부터 확인하는 게 좋다.

    이 판에서 돈 버는 기업들

    배터리 설치량이 늘어난다는 건, 결국 누군가는 그 배터리를 만들어 판다는 뜻이다. 국내에서는 LG에너지솔루션과 삼성SDI가 ESS용 셀을 공급하는 축. 해외로 눈을 돌리면 테슬라, CATL, 중국계 배터리 업체들이 그리드용 시장에서 점유율을 키우고 있다. 미국 ESS 시장이 커질수록 이 업체들 수주 소식도 늘어나는 구조다. 2차전지 관련주를 지켜보는 투자자라면 실적 발표 때 ESS 부문 매출 비중을 따로 챙겨보는 게 도움이 된다.

    다만 관련주 투자는 미국 정책 변화 – 보조금, 관세 – 에 따라 등락이 크다. 단기 뉴스에 휘둘리기보다 분기별 설치량 추세를 확인하는 쪽이 판단에 낫다.

    설치 전에 미리 정리해둘 것들

    가정용 ESS를 실제로 알아보는 단계라면 아래 항목부터 정리해두면 좋다.

    • 기존 태양광 인버터와 호환되는 배터리인지
    • 보조금 지원 대상 여부와 신청 절차
    • 제조사 워런티 기간(보통 10년 안팎)과 보증 용량 저하율
    • 설치 업체의 사후관리, AS 대응 속도

    배터리는 한 번 벽에 붙이면 10년 가까이 쓰는 물건이다. 초기 견적 비교만큼, 설치 이후 관리 체계를 꼼꼼히 보는 편이 오히려 낫다.

    이런 것도 다들 궁금해한다

    Q. 가정용 ESS만 있으면 정전 때도 계속 전기를 쓸 수 있나?
    용량과 설정에 따라 갈린다. 집안 가전을 전부 돌리기보다는 냉장고, 조명, 인터넷 정도로 범위를 좁혀두는 설정이 일반적이다.

    Q. 태양광 없이 ESS만 놓아도 의미가 있나?
    가능하다. 시간대별로 요금이 다른 요금제를 쓴다면, 전기가 싼 시간에 충전해뒀다가 비싼 시간에 꺼내 쓰는 방식으로 절약 여지가 있다. 다만 태양광과 같이 쓸 때 회수 기간이 더 짧아진다.

    Q. 배터리 수명이 다하면 어떻게 되나?
    대부분 제품이 10년, 혹은 일정 충방전 횟수를 보증 기준으로 잡아둔다. 이 기준을 넘으면 용량이 서서히 줄어드는 식이라, 갑자기 못 쓰게 되는 경우는 드물다.

    출처: MIT Tech Review AI

  • AI 추론 모델이란 뭐길래, 수학 난제까지 풀었나

    AI 추론 모델이란 뭐길래, 수학 난제까지 풀었나

    오픈AI 에이전트가 수십 년째 안 풀리던 수학 난제를 풀었다는 소식이 떴다. 코드 몇 줄 짜주고 이메일 초안이나 잡아주던 그 AI 맞나 싶다. 대학원 수준 증명 문제까지 건드린다니, 솔직히 처음 봤을 땐 좀 의심부터 들었다. 이 변화 뒤에는 ‘추론 모델(reasoning model)’이라는 새로운 방식이 있다. 정확히 뭔지, 일반 챗봇이랑 뭐가 다른지, 실무에서 언제 꺼내 쓰면 되는지 정리해봤다.

    추론 모델, 그래서 정확히 뭐냐면

    질문 받자마자 바로 답부터 뱉는 게 아니라, 문제를 잘게 쪼개서 단계별로 따져본 다음에 결론을 내는 방식이다. 사람이 어려운 수학 문제 풀 때 종이에 풀이 과정 적어가면서 검산하는 것, 딱 그 구조다. 이걸 체인 오브 소트(Chain of Thought)라고 부른다. 모델이 스스로 ‘이 접근 맞나?’ 되짚어보고, 틀렸다 싶으면 다른 경로로 다시 계산한다. 오픈AI의 o1, o3 계열이나 그 이후 모델들이 대표 사례다. 이 구조 덕분에 복잡한 논리 문제나 수학 증명에서 정답률이 눈에 띄게 올라갔다.

    일반 챗봇이랑 뭐가 다르냐

    속도와 정확도, 이 둘의 트레이드오프로 요약된다.

    • 일반 모델: 몇 초 안에 답이 나온다. 일상 대화나 간단한 요약엔 이거로 충분하다.
    • 추론 모델: 답 나오기까지 수십 초에서 몇 분씩 걸리고 토큰도 훨씬 많이 먹는다. 대신 여러 단계 거쳐야 하는 수학·코딩·논리 문제에서 오답률이 크게 준다.
    • 오늘 날씨 물어보는 수준 질문에 추론 모델 켜는 건… 시간과 비용만 날리는 짓이다.

    AI가 갑자기 수학을 잘하게 된 진짜 이유

    핵심은 강화학습 방식이 바뀐 데 있다. 예전엔 사람이 답변 품질을 채점하는 방식(RLHF)이 주류였다. 근데 이 방식, 문장이 자연스러운지는 잘 판단해도 수학 정답이 맞는지는 정확히 못 걸러냈다. 최근엔 답이 명확하게 검증되는 문제, 그러니까 수학이나 코딩 문제로 강화학습을 시키는 쪽으로 자리 잡았다. 정답을 자동으로 채점할 수 있으니까, 모델이 혼자 수백만 번 풀이를 시도하고 틀리면 페널티를 받는 식으로 훈련된다. 여기에 계산기나 코드 실행기 같은 외부 도구를 직접 불러다 검산하는 에이전트 형태까지 붙으면서, 사람이 몇 주씩 매달릴 증명 작업을 AI가 대신 시도해보는 사례까지 나왔다. 실제로 오픈AI 에이전트가 오랫동안 미해결로 남아있던 수학 문제 하나를 풀어낸 게 이번 소식인데, 그 배경에 바로 이 검증 가능한 보상 구조가 있다.

    지금 나와 있는 대표 추론 모델들

    • 오픈AI o1 / o3 계열: 최초로 대중화된 추론 특화 모델. 수학 올림피아드급 문제나 박사급 과학 질문에서 강하다.
    • 구글 제미나이(Gemini) 씽킹 모델: 추론 과정을 공개하는 옵션이 있어서 검증이 상대적으로 쉽다.
    • 클로드(Claude)의 확장 사고(Extended Thinking): 필요할 때만 깊게 생각하도록 조절 가능하다. 비용 관리 면에서 이게 편하다.
    • 딥시크(DeepSeek) R1: 오픈소스로 풀렸다. 직접 서버에 올려서 돌릴 수 있다는 게 제일 큰 차별점.

    실제로 써보면 언제 효과 보나

    이런 상황에서는 확실히 차이가 느껴진다.

    • 여러 파일에 걸쳐 원인을 추적해야 하는 복잡한 버그 디버깅
    • 통계 문제나 확률 계산처럼 중간 단계가 많은 수학 문제
    • 계약서나 논문처럼 논리적 허점을 찾아야 하는 검토 작업
    • 조건 여러 개를 동시에 고려해야 하는 일정·예산 최적화

    반대로 이메일 답장, 짧은 문서 요약, 잡담 같은 건 일반 모델로 충분하다. 굳이 추론 모델 켜봐야 답변만 늦어진다.

    한계도 분명히 있다

    추론 모델이라고 만능은 아니다. 풀이 과정이 그럴싸해 보여도 중간에 계산 실수가 섞여 있는 경우가 종종 있다. 자릿수 많은 계산에서는 여전히 틀린다. 결과를 그냥 믿기보다 핵심 숫자는 직접 검산하는 습관, 들이는 게 안전하다. 비용도 문제다. 일반 모델보다 토큰을 몇 배씩 먹기 때문에, 매번 추론 모델만 돌리면 API 비용이 생각보다 빨리 불어난다.

    결국 뭘 골라야 하나

    기준은 단순하다. 답이 명확하게 검증되는 수학·코딩·논리 문제면 추론 모델 켜고, 속도가 급한 일상 업무면 일반 모델로 가면 된다. 상황 봐가며 두 방식을 오가는 게 지금으로선 제일 현실적인 활용법이다. 앞으로 두 계열 모델의 경계는 점점 흐려질 거고, 언젠가는 이런 구분 자체가 무의미해질지도 모른다.

    출처: MIT Tech Review AI

  • AI 반도체 발열 잡는다는 ‘리버서블 컴퓨팅’, 정체가 뭐길래

    AI 반도체 발열 잡는다는 ‘리버서블 컴퓨팅’, 정체가 뭐길래

    반도체 칩이 계산 한 번 할 때마다 전기 에너지 일부는 그대로 열로 날아간다. 그 열을 식히려고 데이터센터는 전체 전력의 상당 부분을 냉각 시스템에 쏟아붓는다. AI 모델 학습량이 늘어날수록 이 비용은 눈덩이처럼 커진다. 요즘 스타트업 몇 곳이 주목하는 ‘리버서블 컴퓨팅(reversible computing)’은 이 발열 문제를 아예 뿌리부터 줄이겠다는 접근이다. 계산 중 버려지는 에너지를 회수해서 다시 쓴다는 개념인데, 정확히 뭘 말하는 건지 정리해봤다.

    반도체는 왜 이렇게 뜨거워지나

    기존 디지털 회로는 0과 1을 스위칭할 때마다 트랜지스터 안의 전하를 완전히 방전시킨다. 이 과정에서 정보 자체가 사라지는데, 물리학자 롤프 란다우어가 1961년에 증명한 게 바로 이거다. 정보를 지우는 행위 자체가 열을 만든다는 것. 이걸 란다우어 한계라 부른다. 계산 속도가 빨라지고 트랜지스터 밀도가 높아질수록, 단위 면적당 버려지는 열도 같이 늘어나는 구조다. GPU나 서버용 CPU가 고성능을 낼수록 발열 관리가 골치 아파지는 이유가 여기 있다.

    리버서블 컴퓨팅, 대체 뭔데

    리버서블(가역) 컴퓨팅은 계산 단계마다 정보를 지우지 않고 거꾸로 되돌릴 수 있는 논리 연산으로 회로를 짜는 방식이다. 입력값을 버리는 대신 출력과 함께 남겨두고, 연산이 끝나면 회로를 역방향으로 돌리면서 처음 투입한 전하 에너지 일부를 회수한다. 아예 새로운 아이디어는 아니다. 1980년대에 찰스 베넷과 에드워드 프레드킨이 이론적 토대를 세웠다. 다만 이걸 실제 칩으로 구현하는 시도는 최근에야 본격화됐다.

    기존 CMOS와 뭐가 다른가

    • CMOS(비가역) 방식: 스위칭마다 전하를 완전히 방전, 에너지는 열로 소멸
    • 리버서블 방식: 전하를 서서히 충·방전(단열 스위칭)해 에너지 대부분을 회수 후 재투입
    • 속도: 지금 나온 리버서블 회로는 클럭 속도에서 CMOS보다 느린 경우가 많다
    • 제조 공정: 기존 파운드리 공정을 크게 안 바꿔도 적용 가능한 설계가 있다

    에너지를 어떻게 회수하나, 단열 스위칭

    핵심 기술은 단열 스위칭(adiabatic switching)이다. 전압을 갑자기 걸었다 끊는 대신, 공진 인덕터 같은 걸 써서 전하를 천천히 충전한다. 방전할 때도 에너지를 다시 전원으로 돌려보낸다. 이 과정을 거치면 스위칭당 손실 에너지가 이론상 수십 분의 1 수준까지 줄어든다는 연구 결과도 있다. 실제 칩에서는 배선 저항이나 누설 전류 같은 변수 때문에 이론치만큼 회수하긴 어렵다. 그래도 곱셈·누산처럼 반복되는 연산 패턴에서는 절감 효과가 꽤 보고되는 편이다.

    AI 반도체 시대에 왜 이게 뜬금없이 주목받나

    대규모 언어모델 학습과 추론은 똑같은 행렬 연산을 수억 번 반복한다. 반복 연산 비중이 큰 작업일수록 에너지를 회수해 재활용할 여지도 커진다는 얘기다. 데이터센터 운영사 입장에선 GPU 클러스터 전력 요금과 냉각 인프라 투자가 전체 비용에서 차지하는 몫이 갈수록 커지고 있다. 스위칭 단계에서부터 에너지를 아끼는 접근은 전력망을 새로 안 늘리고도 연산량을 키울 카드로 거론된다. 다만 지금은 학계 연구와 소수 스타트업 시제품 수준. 엔비디아나 AMD 같은 주류 GPU 제조사가 양산 라인에 적용한 사례는 아직 없다.

    상용화까지 남은 숙제

    리버서블 로직은 회로 하나당 트랜지스터 수가 늘어나서 다이 면적이 커진다는 단점이 있다. 공진 클럭 생성 회로 같은 주변 부품도 추가로 필요해서 설계 복잡도도 같이 오른다. 소프트웨어·컴파일러 생태계도 애초에 비가역 연산을 전제로 만들어진 터라, 리버서블 하드웨어에 맞춰 알고리즘을 새로 짜야 하는 부담도 남는다. 결국 관건은 이 설계 방식이 실제 데이터센터에서 와트당 성능(performance per watt)을 CMOS보다 확실히 앞설 수 있느냐, 그 한 가지다.

    Q&A로 짚어보는 핵심

    Q. 리버서블 컴퓨팅, 양자컴퓨터랑 같은 얘기인가?
    아니다. 양자컴퓨터는 큐비트라는 완전히 다른 물리 시스템을 쓴다. 리버서블 컴퓨팅은 기존 반도체 공정 위에서 논리 회로 설계만 바꾸는 접근이다.

    Q. 그럼 지금 당장 노트북이나 스마트폰에도 들어가나?
    아니다. 지금은 특정 연산에 특화된 실험용 칩 시제품 단계다. 범용 프로세서로 양산되려면 몇 년 단위 시간이 더 필요하다.

    Q. 전력은 대체 얼마나 아낄 수 있나?
    연구 단계 발표 기준으로 특정 워크로드에서 스위칭 에너지를 수 배에서 수십 배까지 줄였다는 사례가 있다. 다만 시스템 전체 소비전력 절감폭은 워크로드와 주변 회로 설계에 따라 갈린다. 여기서 편차가 꽤 크다.

    출처: MIT Tech Review AI

  • 구글 창업자도 거쳐간 그 리스트, MIT TR35 제대로 파헤치기

    구글 창업자도 거쳐간 그 리스트, MIT TR35 제대로 파헤치기

    매년 가을, MIT 테크놀로지리뷰는 서른다섯 살이 안 된 혁신가 35명의 이름을 공개한다. 1999년부터 이어온 리스트다. 그런데 초창기 명단을 들여다보면 소름이 좀 돋는다. 구글 공동창업자 래리 페이지와 세르게이 브린이 2002년에, 페이스북을 만든 마크 저커버그가 2007년에 여기 이름을 올렸으니까. 나중에서야 알게 되는 게 아니라, 뜨기 전부터 미리 찜해뒀던 셈이다. 예측이 이 정도로 잘 맞는 리스트도 드물다. TR35가 뭔지, 어떻게 뽑는지, 다른 상이랑 뭐가 다른지 하나씩 짚어본다.

    TR35, 정확히 뭘 뽑는 상인가

    TR35는 "Innovators Under 35"를 줄인 말이다. MIT가 내는 과학기술 매체, MIT 테크놀로지리뷰가 만들고 심사하는 어워드다. MIT 본부가 직접 나서는 게 아니라 매체 편집팀이 독자적으로 뽑는다는 점, 은근히 중요하다. 목적은 간단하다. 서른다섯 살이 되기 전에 이미 뭔가 해낸 사람을 찾아서 먼저 소개하는 것. 학위나 소속 같은 건 부차적이다. 이 사람이 실제로 뭘 만들었나, 그게 전부다.

    선정 기준은 스펙이 아니라 결과물

    지원 자격 자체는 단순하다. 심사 시점 기준 만 35세 미만이면 끝. 그런데 통과는 별개 문제다. 심사위원단은 전직 수상자와 업계 전문가로 짜이는데, 이들이 들여다보는 건 이력서 한 줄이 아니라 구체적인 결과물이다.

    • 실제로 돌아가는 제품이나 서비스를 만들었는가
    • 논문이라면 그 분야 방법론 자체를 바꿀 정도로 영향력이 있는가
    • 회사를 세웠다면 그 기술이 시장에서 검증됐는가

    명문대 박사 학위나 대기업 경력, 그것만으로는 어림없다. 실험실 문턱을 넘어 증명된 성과가 있어야 한다.

    역대 수상자들, 지금은 뭘 하고 있나

    리스트의 신뢰도는 결국 시간이 증명한다. 2002년 명단의 래리 페이지와 세르게이 브린은 이후 구글을 세계 최대 검색 기업으로 키웠다. 2013년 수상자 데미스 하사비스는 딥마인드를 이끌면서 알파고와 알파폴드를 세상에 내놨다. 2007년 저커버그는 페이스북을 20억 명이 쓰는 서비스로 키워냈고. 최근 명단으로 갈수록 생성형 AI, 신약 개발, 배터리 소재, 탄소 포집 쪽 창업자와 연구자가 부쩍 늘었다. 스무 해 넘게 쌓인 기록을 훑어보면, 이 리스트가 그냥 홍보용 트로피는 아니라는 게 드러난다.

    5개 카테고리, 뭘 다루나

    TR35는 매년 다섯 갈래로 나눠 후보를 뽑는다.

    • AI: 모델 아키텍처, 학습 방법론, AI 응용 서비스
    • 바이오·헬스: 신약, 유전자 치료, 진단 기술
    • 기후·에너지: 배터리, 탄소 포집, 대체 에너지
    • 컴퓨팅·하드웨어: 반도체, 양자컴퓨팅, 로보틱스
    • 파이오니어: 위 네 갈래에 딱 안 들어맞는 실험적 시도

    해마다 강세 분야는 조금씩 달라진다. 요즘은 AI와 기후 기술 후보가 눈에 띄게 많아졌는데, 실제 돈과 인재가 그쪽으로 쏠리는 흐름과 무관하지 않다.

    비슷한 상들과 견줘보면

    서른다섯 살 미만을 대상으로 한 리스트, TR35 말고도 몇 개 더 있다. 그중 포브스가 매년 내는 "30 Under 30"이 제일 유명한데, 방식은 꽤 다르다.

    • 포브스 30 Under 30: 30세 미만, 카테고리당 30명씩 총 600명 규모. 대중적 인지도와 사업 성과를 같이 본다
    • TR35: 35세 미만, 전체 35명뿐인 소수 정예. 과학기술적 성과와 실질 임팩트를 우선한다
    • 다보스포럼 영글로벌리더: 나이 제한은 비슷하나 정치·사회 리더십 쪽에 더 가깝다

    규모만 보면 포브스 쪽이 압도적으로 크고 대중적이다. TR35는 숫자는 적어도 심사가 까다로워서, 과학기술 업계 안에서는 더 무겁게 받아들여지는 편이다. 솔직히 여기서 갈린다. 인지도를 원하면 포브스, 업계 내 신뢰를 원하면 TR35다.

    명단에 오르면 실제로 뭐가 바뀌나

    수상 자체가 돈이나 지위를 주지는 않는다. 그런데도 스타트업 창업자들이 이 명단에 목을 매는 이유, 따로 있다. 투자자들이 실사 과정에서 참고하는 신뢰 지표 중 하나로 작동하기 때문이다. 시리즈 A를 준비하는 창업자라면, TR35 수상 이력 한 줄이 초기 미팅 성사율을 눈에 띄게 끌어올린다. 학계도 사정은 비슷하다. 채용이나 공동연구 제안을 받을 때 이 이력부터 먼저 눈에 들어온다는 얘기, 실제로 많이 듣는다. 결정적인 건 동문 네트워크다. 매년 뽑힌 35명은 이후에도 콘퍼런스나 비공개 모임에서 계속 마주치고, 그러다 협업 상대가 되는 경우가 잦다.

    지원, 아니 추천받으려면

    본인이 직접 지원서를 낼 수 있는 구조는 아니다. 지도교수나 회사 동료, 업계 전문가의 추천을 받아야 후보로 오른다. MIT 테크놀로지리뷰 공식 홈페이지에 매년 노미네이션 접수 페이지가 열리는데, 이 시기를 놓치면 다음 해까지 기다려야 한다. 준비할 게 있다면 이 정도부터 하면 된다.

    • 본인이 만든 결과물의 임팩트를 숫자로 정리해두기 (사용자 수, 논문 인용, 매출, 특허 등)
    • 업계 콘퍼런스 발표나 언론 인터뷰 이력 쌓아두기
    • 추천인이 될 만한 사람과 평소에 연구·업무 성과를 공유해두기

    심사위원이 짧은 시간 안에 후보를 판단해야 하는 만큼, 성과를 한눈에 보여줄 자료를 미리 준비해두는 쪽이 유리하다. 스무 해 넘게 쌓인 수상자 명단을 훑어보면, AI·바이오·기후 기술처럼 지금 산업을 이끄는 흐름이 몇 년 전 후보자 명단에서부터 이미 보였다는 걸 알 수 있다. 새로운 기술 흐름을 남들보다 먼저 감지하고 싶다면, 매년 발표되는 이 35명의 이름과 소속 분야를 눈여겨보는 것만으로도 꽤 쓸모 있는 참고자료가 된다.

    출처: MIT Tech Review AI

  • AI 저작권 침해 소송, 언론사들은 왜 계속 거나

    AI 저작권 침해 소송, 언론사들은 왜 계속 거나

    뉴욕타임스, 시카고트리뷴, 시애틀타임스, 뉴스데이. OpenAI를 저작권 침해로 고소한 언론사 명단이 최근 몇 년 새 꾸준히 늘고 있다. 소송 사유는 거의 판박이다. 기사를 허락 없이 학습 데이터로 가져다 썼고, 챗봇이 답변할 때 원문 문장을 거의 그대로 뱉어낸다는 것. 왜 이 소송이 반복되는지, 법적으로 뭐가 쟁점인지, 콘텐츠를 만드는 쪽에서는 어떻게 대응해야 하는지 정리해봤다.

    쟁점은 딱 두 갈래로 갈린다

    생성형 AI 저작권 분쟁, 나누면 두 단계다.

    • 학습 단계 침해: 저작권자 동의 없이 기사, 소설, 이미지를 긁어다 모델 학습에 썼는지
    • 출력 단계 침해: 사용자 질문에 답할 때 원문을 거의 그대로 보여주는지

    언론사들이 물고 늘어지는 지점은 후자 쪽이다. 유료 구독 기사를 챗봇에게 물어봤더니 페이월 뒤에 숨어 있어야 할 문단이 그대로 튀어나왔다는 게 소장의 핵심 내용. 구독 매출을 직접 갉아먹는 피해라는 논리다.

    언론사들이 너도나도 소송을 거는 이유

    이유는 사실 단순하다. 뉴스는 매일 갱신되고 사실관계도 명확해서 AI 학습 재료로는 값어치가 높다. 반대로 언론사 입장에서는 트래픽과 광고 수익이 검색과 구독에 기대고 있는데, 챗봇이 요약해서 답을 던져주면 원문 클릭이 줄어든다. 광고 수익이 구조적으로 쪼그라드는 와중에 AI가 마지막 남은 돈줄까지 흔든다는 위기감이 크다. 그게 그대로 소송으로 튀어나온 셈이다.

    공정 이용(Fair Use), 법원은 어느 손을 들어줄까

    OpenAI 쪽 방어 논리는 대체로 ‘공정 이용’이다. 미국 저작권법에서 공정 이용 여부는 네 가지를 따진다.

    • 이용 목적과 성격(상업적인지, 변형적인지)
    • 원저작물의 성격
    • 이용된 분량과 비중
    • 원저작물 시장 가치에 미치는 영향

    학습 데이터로 쓰는 것 자체는 변형적 이용으로 볼 여지가 있다는 판례도 있었다. 서적 저자들과의 소송 일부에서 그런 판단이 나왔다. 다만 출력물이 원문을 그대로 재현하면 얘기가 달라진다. 시장 가치를 대체해버리는 결과라서다. 법원마다 판단이 갈리는 지점이고, 아직 확정된 기준은 없다. 솔직히 여기서 결론이 어느 쪽으로 나느냐에 따라 판이 완전히 달라질 거다.

    지금까지 나온 소송, 누가 걸었나

    • 뉴욕타임스 vs OpenAI·마이크로소프트 (2023년 12월 제소): 가장 먼저 시작된 대표 소송. 챗GPT가 원문을 그대로 재현한 사례를 캡처해서 증거로 제시했다
    • 작가 길드(Authors Guild) vs OpenAI: 소설가들이 자기 책이 무단 학습됐다며 집단 소송을 걸었다
    • 게티이미지 vs 스태빌리티AI: 이미지 학습 데이터 침해를 다투는 대표 사례. 워터마크가 생성 이미지에 그대로 남아 있던 게 결정적 증거였다
    • 시카고트리뷴, 덴버포스트 등 미디어뉴스그룹 계열사: 지역지들도 줄줄이 합류했다
    • 시애틀타임스, 뉴스데이: 가장 최근 원고 명단에 이름을 올렸다. 소장 내용은 기존 언론사 소송과 구조가 거의 똑같다

    싸우는 대신 계약 맺은 곳들도 있다

    모두가 소송으로 가는 건 아니다. 일부 매체는 계약을 택했다. AP통신, 악셀 스프링거(Politico·Business Insider 모회사), 뉴스코퍼레이션(월스트리트저널·뉴욕포스트)은 OpenAI와 콘텐츠 라이선스 계약을 맺고 학습 데이터 사용료를 받는 쪽으로 정리했다. 소송과 계약, 두 갈래가 동시에 굴러가는 셈인데 매체마다 협상력과 소송 비용을 감당할 체력이 다르기 때문으로 보인다.

    개인이나 소규모 매체는 뭘 할 수 있나

    개인 블로거나 작은 매체 운영자가 대형 언론사처럼 소송을 걸기는 현실적으로 힘들다. 대신 아래 방법으로 최소한의 방어선 정도는 만들 수 있다.

    • robots.txt에 AI 크롤러 차단 규칙 추가: GPTBot, CCBot, Google-Extended 같은 주요 AI 크롤러를 명시적으로 막는다
    • Cloudflare AI 크롤러 차단 기능 활용: 도메인 단위로 AI 봇 접근을 자동 필터링한다
    • 콘텐츠 출처 표기와 저작권 고지 명확화: 분쟁이 터졌을 때 소유권 입증 자료로 쓸 수 있다
    • 라이선스 계약 문의: 규모가 어느 정도 있는 매체라면 AI 기업에 직접 콘텐츠 사용료 협상을 시도해볼 만하다

    결국 승부는 여기서 갈린다

    학습 데이터 사용 자체를 막기는 사실상 불가능에 가깝다. 이미 공개된 인터넷 텍스트 대부분이 크롤링 대상이 됐고, 이 흐름을 되돌리기는 어렵다. 진짜 관건은 ‘출력물이 원문을 얼마나 그대로 재현하느냐’다. 이 부분에서 법원이 명확한 기준을 세우면 이후 소송들의 승패도 그 기준 하나로 갈릴 가능성이 크다. 당분간은 소송과 라이선스 계약이 나란히 늘어나는 흐름, 계속될 것 같다.

    출처: The Verge AI

  • 백색수소가 뭐길래 이 난리? 그린수소·블루수소랑 뭐가 다른지 정리해봤다

    백색수소가 뭐길래 이 난리? 그린수소·블루수소랑 뭐가 다른지 정리해봤다

    땅속에 이미 있는 수소 가스만 긁어모아도 인류가 수백 년은 쓸 수 있다는 추정치가 나왔다. 그러자 채굴 회사와 투자자들이 지구 곳곳을 다시 뒤지기 시작했다. 미국 캔자스 평원, 프랑스 로렌 지방, 호주 내륙까지 시추팀이 몰려드는 이유는 단순하다. 이산화탄소를 거의 안 뿜으면서 값싸게 얻을 수 있는 수소, 바로 ‘백색수소’ 때문이다.

    백색수소(천연수소), 정체가 뭘까

    백색수소는 공장에서 만드는 게 아니다. 지각 속에서 자연적으로 생겨 고여 있는 수소 가스, 그게 전부다. 철분 많은 암석이 지하수와 반응하는 사문암화 작용, 방사성 광물의 붕괴, 유기물 분해… 만들어지는 경로는 여러 갈래다. 석유나 천연가스처럼 지표 아래 특정 지층에 갇혀 있다가 시추공만 뚫으면 그대로 뽑아 쓸 수 있다. 별도의 전기분해나 개질 공정이 필요 없다는 게 제일 큰 매력이다.

    그린·블루·그레이수소랑 뭐가 다른가

    수소는 만드는 방식에 따라 색깔로 나눈다.

    • 그레이수소: 천연가스를 개질해 만들며 이산화탄소를 그대로 배출
    • 블루수소: 그레이수소와 같은 공정이지만 탄소를 포집·저장
    • 그린수소: 재생에너지로 물을 전기분해해 생산, 생산 단가가 가장 비쌈
    • 백색수소(천연수소): 땅속에 이미 존재해 채굴만 하면 되는 수소

    그린수소는 킬로그램당 4~6달러, 블루수소는 2달러 안팎이 든다고 알려졌다. 반면 백색수소는 시추만 성공하면 킬로그램당 1달러 아래로도 떨어질 수 있다는 계산이 나온다. 채굴 비용만 보면 옛날 석유·가스 개발이랑 크게 다를 게 없는 셈. 업계가 흥분하는 이유가 여기 있다.

    왜 갑자기 이렇게들 몰려드나

    2019년, 서아프리카 말리의 한 우물에서 거의 순도 100%에 가까운 수소가 뿜어져 나오는 게 확인됐다. 이 사건 하나로 업계 시선이 완전히 바뀌었다. 이후 미국지질조사국(USGS)은 지하에 묻힌 수소 매장량을 조 단위 톤으로 추산하는 연구 결과를 내놨다. 이 중 경제성 있게 뽑아낼 수 있는 양만 따져도 수소 경제 전체를 몇백 년간 지탱할 규모라는 분석까지 나왔다. 탄소 배출 없는 에너지원을 싸게 확보할 수 있다는 기대, 그게 자본을 끌어들이는 배경이다.

    지금 어디를 파고 있나

    탐사가 활발한 지역은 생각보다 넓지 않다. 지질 조건이 맞는 몇몇 곳에 몰려 있는 정도.

    • 미국 캔자스·네브래스카: 오래된 유전 지대 아래에서 고농도 수소 발견
    • 프랑스 로렌: 폐광산 인근에서 대규모 매장 가능성 확인
    • 호주 남호주주: 스타트업들이 시추권 확보 경쟁
    • 알바니아, 오만, 브라질: 사문암 지대 중심으로 탐사 진행

    Koloma, Natural Hydrogen Energy, Helios Aragon 같은 신생 기업들이 벤처캐피털 자금을 받아 시추에 뛰어들었다. 대형 에너지 기업들도 지분 투자나 공동 탐사 형태로 슬쩍 발을 걸치는 중이다.

    상용화까지 남은 숙제, 만만치 않다

    가능성이 크다고 곧바로 사업이 되는 건 아니다. 걸림돌이 몇 개 남아 있다.

    • 정확히 어디에 얼마나 매장돼 있는지 예측하는 탐사 기술이 아직 초기 단계
    • 기존 석유·가스 시추 장비를 그대로 쓰기 어려워 전용 설비 개발 필요
    • 수소를 안전하게 모으고 운반할 파이프라인과 저장 인프라 부족
    • 매장량 대비 실제 채굴 가능량을 검증할 표준화된 규정 미비

    업계에서는 본격적인 상업 생산까지 최소 5~10년은 걸릴 거라 보는 시각이 많다. 솔직히 이 정도면 아직 갈 길이 먼 편이다. 시추 성공률을 높이는 탐사 알고리즘과 지질 데이터 축적, 이게 관건으로 꼽힌다.

    이것도 궁금하죠?

    Q. 백색수소는 재생에너지로 분류되나?
    엄밀히는 화석연료도 아니고 재생에너지도 아닌 별도 범주로 다뤄진다. 다만 채굴 과정에서 탄소 배출이 거의 없어서 청정에너지로 분류하자는 논의가 진행 중이다.

    Q. 한국에서도 백색수소를 찾을 수 있나?
    국내는 지질 구조상 사문암 지대가 넓지 않아 대규모 매장 가능성은 낮게 본다. 다만 학계 차원의 기초 탐사 연구는 계속되고 있다.

    Q. 수소차 연료랑 같은 건가?
    정제 과정만 거치면 똑같은 수소 분자다. 연료전지차, 발전용 연료 등 기존 수소 활용처에 그대로 쓸 수 있다.

    결국 관건은 얼마나 빨리, 얼마나 싸게 뽑아내느냐다. 시추 성공 사례가 하나둘 쌓이면 에너지 지도 자체를 뒤흔들 잠재력이 있는 분야다. 관련 기업들 탐사 소식은 앞으로도 챙겨볼 가치가 있어 보인다.

    출처: MIT Tech Review AI

  • AI 작곡 프로그램 추천 TOP5, 유형별로 뜯어봤다

    AI 작곡 프로그램 추천 TOP5, 유형별로 뜯어봤다

    기타 코드 한 번 못 잡아본 사람도 노래를 만드는 시대다. 문장 몇 줄 입력하면 보컬까지 얹힌 완성곡이 뚝 떨어지는 서비스가 있고, 반대로 프로 작곡가들이 매일 쓰는 디지털 오디오 워크스테이션(DAW)에 AI 멜로디 생성 기능만 살짝 얹은 플러그인도 있다. 문제는 이 둘이 완전히 다른 물건이라는 것. 이름은 똑같이 ‘AI 작곡 프로그램’인데, 쓰임새도 결과물도 가격표도 딴판이거든요. 처음 이 시장을 들여다보면 뭘 먼저 써야 할지부터 막막해지는데요, 그래서 카테고리별로 나눠 정리해봤다.

    세 갈래로 나뉜다, AI 작곡 툴

    시중 AI 작곡 서비스는 크게 세 부류다. 첫째, 텍스트 프롬프트 하나로 처음부터 끝까지 완성해주는 올인원형. 둘째, 이미 쓰던 작업 환경(DAW) 안에서 멜로디나 코드 아이디어만 던져주는 플러그인형. 셋째, MIDI 패턴이나 리듬 아이디어를 옆에서 슬쩍 거들어주는 스케치 보조형. 이 세 개만 구분해도 검색창에 뭘 쳐야 할지 감이 잡힌다.

    올인원형: 문장 하나 치면 노래가 나온다

    수노(Suno), 우디오(Udio)가 이 부류의 대표 주자다. ‘잔잔한 어쿠스틱 발라드, 이별 노래’처럼 문장 하나만 넣으면 가사, 멜로디, 보컬, 편곡까지 한 방에 뽑아준다. 진입장벽은 사실상 없다. 악기를 못 다뤄도, 코드 진행이 뭔지 몰라도 결과물이 나온다. 대신 세밀한 컨트롤은 포기해야 한다. 특정 마디의 코드 하나만 바꾸고 싶어도 처음부터 다시 돌려야 하는 경우가 허다하다. 유튜브 배경음악이나 짧은 콘텐츠용 스케치 음원, 딱 그 정도 쓰임에 맞다.

    플러그인형: 조수처럼 옆에서 거든다

    롤랜드가 내놓은 멜로디플립(Melody Flip)이 여기 속한다. 에이블톤이나 로직 같은 DAW에 플러그인으로 깔고, 장르별로 나눠놓은 수백 개 ‘팔레트’ 중 하나를 고르면 그 안에서 멜로디 아이디어를 던져준다. 완성곡을 뱉는 게 아니라 작곡 과정 중 한 구간만 도와주는 방식이라 이미 작업 중인 트랙에 자연스럽게 끼워 넣기 좋다. 저작권도, 편곡 방향도 사람이 계속 쥐고 간다는 점에서 프로 작업 환경에 더 맞는 물건이다.

    스케치 보조형: MIDI 아이디어만 툭 던져준다

    완성된 오디오 대신 MIDI 노트 단위로 코드 진행, 베이스라인, 드럼 패턴을 제안해주는 부류다. 기존 DAW 플러그인 생태계(코드 진행 추천 플러그인, 리듬 생성기 등)와 영역이 겹치는데, 최근 생성형 AI 모델이 붙으면서 제안 품질이 눈에 띄게 좋아졌다. 작곡 초반, 머리가 하얘질 때 브레인스토밍용으로 쓰기 좋다.

    뭐 하려는지에 따라 답이 갈린다

    • 유튜브·쇼츠용 배경음악이 급하다 → 올인원형(수노, 우디오)
    • 이미 작업 중인 트랙에 새 아이디어가 필요하다 → 플러그인형(멜로디플립류)
    • 곡 전체를 처음부터 직접 편곡하고 싶다 → 스케치 보조형과 기존 DAW 조합
    • 상업적으로 배포할 음원이 필요하다 → 라이선스 정책부터 확인(아래 참고)

    저작권, 대충 넘기면 나중에 골치 아프다

    AI로 만든 음원을 상업적으로 써도 되는지는 서비스마다, 요금제마다 갈린다. 무료 플랜으로 만든 곡은 비상업적 용도로만 쓰라고 못 박아둔 경우가 흔한데, 솔직히 이 정도면 좀 빡빡하다 싶다. 유료 구독을 해야 상업적 배포권이 붙는 구조가 많다. 학습 데이터에 저작권 있는 음원이 들어갔는지를 둘러싼 소송도 여러 건 진행 중이라 명확한 법적 기준이 자리 잡기까지는 시간이 걸릴 듯하다. 수익화가 걸린 채널이라면 이용약관의 라이선스 조항, 귀찮아도 한 번은 직접 읽어보는 편이 낫다.

    자주 묻는 것들

    Q. 무료로 써볼 수 있는 AI 작곡 툴이 있나?
    대부분의 올인원형 서비스는 하루 몇 곡 제한을 걸어둔 무료 체험판을 준다. 플러그인형은 DAW 자체가 유료인 경우가 많아서, DAW의 무료 체험 기간을 이용하는 편이 현실적이다.

    Q. 음악 이론을 몰라도 괜찮나?
    올인원형은 이론 지식이 거의 필요 없다. 반면 플러그인형이나 스케치 보조형은 결과물을 다듬으려면 코드와 박자 개념 정도는 알아두는 편이 작업 속도를 확 끌어올린다.

    Q. 결과물 퀄리티, 사람이 만든 것과 비교하면 어느 정도인가?
    짧은 배경음악이나 데모 수준에서는 이미 실전에 써도 될 만큼 올라왔다. 다만 보컬의 감정 표현이나 곡 구조의 완성도는 여전히 사람 손을 거친 편집이 격차를 좁혀준다.

    결국 고르는 기준은 단순하다

    빠르게 뭔가 뽑아내고 싶으면 올인원형, 손에 익은 작업 환경을 유지하면서 아이디어만 보태고 싶으면 플러그인형이다. 솔직히 여기서 갈린다. 악기 브랜드까지 이 시장에 뛰어드는 걸 보면 DAW 안에 AI 기능이 기본 탑재되는 흐름은 앞으로 더 빨라질 것 같다. 어느 쪽을 쓰든 저작권 조항 확인만큼은 습관처럼 챙기는 편이 안전하다.

    더버지 AI 섹션이 전한 롤랜드 멜로디플립 소식을 참고했다. 자세한 내용은 The Verge AI에서 확인해보면 된다.

  • AI 에이전트란 뭔데 폭주까지 하나 — 사고 막는 안전 사용법

    AI 에이전트란 뭔데 폭주까지 하나 — 사고 막는 안전 사용법

    브라우저를 스스로 열어 검색하고, 파일을 고치고, 코드까지 실행하는 AI. 이런 ‘AI 에이전트’가 벌써 여러 회사의 업무 도구로 자리 잡았다. 문제는 딱 하나, 사람이 안 보는 사이에 벌어지는 일이다. 감시자 없이 돌아가던 에이전트가 엉뚱한 사이트에 글을 올리거나 권한 밖 작업을 벌인 사고가 실제로 보고됐다. 자율 AI 도입을 고민하는 쪽에서는 ‘이거 정말 믿고 써도 되나’ 하는 걱정이 커지는 중이다. AI 에이전트가 정확히 뭔지, 왜 통제를 벗어나는지, 사고 없이 쓰려면 뭘 챙겨야 하는지 정리해봤다.

    챗봇이랑 뭐가 다른데?

    챗봇은 물어보면 답만 내놓는다. 그걸로 끝. 반면 AI 에이전트는 직접 행동한다. 브라우저를 열어 검색하고, 파일을 만들거나 고치고, 다른 프로그램의 API를 직접 호출해서 결과물을 만들어낸다. 이메일함을 알아서 정리해주고, 코드를 짜서 곧바로 배포하고, 여러 사이트를 돌아다니며 자료를 모아 보고서까지 뚝딱 완성한다. 핵심은 ‘텍스트 생성’이 아니라 ‘실행 권한’을 쥐고 있다는 것. 이 권한이 넓어질수록 편하긴 한데, 사고가 났을 때 피해 범위도 같이 커진다. 편리함과 위험은 늘 세트로 온다.

    통제 불능이 되는 이유, 크게 3가지

    • 목표가 애매할 때: “이 문제 좀 해결해줘” 식으로 느슨하게 던지면, AI가 알아서 확대 해석하다가 예상 밖 행동으로 튄다.
    • 여러 에이전트가 동시에 움직일 때: 작업 하나를 여러 에이전트가 나눠 맡는 멀티 에이전트 구조에서는 서로 판단이 어긋나면서 같은 작업을 반복하거나, 같은 글을 여기저기 중복으로 올리는 일이 생긴다.
    • 가드레일 없이 권한만 넓게 줄 때: 쓰기 권한, 삭제 권한, 외부 전송 권한을 한꺼번에 열어두면, 작은 오판 하나가 큰 사고로 번진다. 이건 거의 예정된 사고다.

    실제로 사고 나면 이런 일이 벌어진다

    자율 에이전트가 선을 넘으면서 알려진 사고 유형은 대략 이렇다.

    • 위키나 게시판 같은 외부 사이트에 스팸성 글, 잘못된 정보를 무단으로 올리는 경우
    • 같은 요청을 무한 반복하다 서버에 과부하를 일으키는 경우
    • 접근 권한이 있던 파일이나 데이터베이스를 실수로 지우거나 바꿔버리는 경우
    • 연결해둔 API 키나 개인정보가 의도치 않게 밖으로 새는 경우

    공통점 하나. ‘나쁜 의도’가 아니라 ‘과도한 자율성과 부족한 견제’에서 터졌다는 것. AI가 악의를 품은 게 아니다. 사람이 쳐둔 울타리가 허술했을 뿐이다.

    안전하게 쓰려면 이 정도는 체크

    • 사람 승인 단계 넣기: 발행, 삭제, 결제처럼 중요한 실행 전에는 반드시 사람이 한 번 확인하고 승인하도록 설정한다.
    • 접근 범위는 화이트리스트로: 아무 사이트나 들락거리게 두지 말고, 허용된 도메인과 API만 쓰도록 묶어둔다.
    • 읽기 전용부터 테스트: 새 에이전트를 들일 땐 쓰기·수정 권한 없이 읽기 전용으로 먼저 돌려보고 문제없는지 확인한다.
    • 실행 로그는 전부 남기기: 무엇을 언제 왜 했는지 기록이 있어야 사고 났을 때 원인 추적하고 복구가 가능하다.

    권한을 나눠주면 사고율이 뚝 떨어진다

    가장 효과적인 방법은 최소 권한 원칙이다. 에이전트마다 꼭 필요한 도구만 연결하고, 나머지는 아예 접근 자체를 막아버린다. 실 서비스에 붙이기 전에는 격리된 샌드박스에서 충분히 검증부터 하고, 자동으로 돌려도 되는 작업과 사람 승인이 꼭 필요한 작업을 미리 구분해둔다. 여기에 실행 횟수나 예산에 상한선을 걸어두면, 에이전트가 같은 행동을 무한정 반복하며 사고를 키우는 일은 웬만하면 막힌다. 솔직히 이 상한선 설정 하나만 제대로 해도 절반은 먹고 들어간다.

    이것도 궁금할 텐데

    Q. AI 에이전트가 마음대로 다른 웹사이트를 고칠 수 있나?
    A. 해당 사이트에 쓰기 권한이나 접근 경로가 열려 있을 때만 가능하다. 처음부터 권한을 안 주면 물리적으로 못 한다.

    Q. 개인이 자동화 툴 좀 쓴다고 이런 사고가 날까?
    A. 확률은 낮다. 다만 API 키나 계정 권한을 폭넓게 연결해둔 경우라면 개인 사용자도 안전 설정을 챙겨야 한다.

    Q. 사고가 나면 책임은 누구한테 있나?
    A. 서비스 약관마다 다르지만, 권한 설정과 승인 절차를 어떻게 짰는지가 관건이다. 개발사는 가드레일을, 사용자는 권한 범위를 각자 챙겨야 하는 구조다.

    결국 지켜야 할 건 이 3가지

    자율 AI는 이미 업무 곳곳에 들어와 있다. 안 쓰는 게 답은 아니다. 핵심은 세 가지로 압축된다. 필요한 권한만 최소로 준다. 중요한 실행은 사람이 한 번 더 확인한다. 그리고 모든 행동을 로그로 남겨 추적 가능하게 만든다. 이 세 가지만 지켜도 자율 에이전트가 선을 넘어 사고 치는 상황은 상당 부분 줄어든다. 어렵지 않다. 그냥 안 하고 있을 뿐이다.

    출처: The Verge AI

  • 에이전틱 AI란? 기업 도입은 왜 자꾸 파일럿에서 멈출까

    에이전틱 AI란? 기업 도입은 왜 자꾸 파일럿에서 멈출까

    포춘 500대 기업 80%가 이미 에이전틱 AI를 어떤 형태로든 실험하고 있단다. 근데 딱 여기까지. 파일럿에서는 성과가 나쁘지 않았는데, 전사로 확대하려는 순간 딱 멈춰버리는 회사가 수두룩하다. 에이전틱 AI가 정확히 뭔지, 기존 챗봇형 AI랑 어디가 다른지, 도입할 때 정확히 어디서 발목 잡히는지 하나씩 뜯어봤다.

    에이전틱 AI, 대체 뭘 말하는 건가

    사람이 매 단계 일일이 지시 안 해도 스스로 계획 세우고, 필요한 도구나 시스템 호출하고, 결과 보고 다음 행동으로 넘어가는 AI. 이게 에이전틱 AI다. “이번 달 매출 하락 원인 분석해서 보고서로 만들어줘”라고 던지면, 데이터베이스 조회부터 분석, 문서 작성까지 순서를 알아서 짜고 실행한다. 질문 하나에 답 하나 내놓던 방식이랑은 아예 결이 다르다.

    챗봇이랑 뭐가 다른가

    ChatGPT나 클로드에 질문 던지고 답 받는 방식, 사실 그건 단발성 대화에 가깝다. 에이전틱 AI는 다르다.

    • 여러 단계짜리 작업을 스스로 쪼개서 순서대로 처리한다
    • CRM, ERP, 사내 데이터베이스 같은 외부 시스템에 직접 들어가서 데이터를 읽고 쓴다
    • 중간 결과를 보고 다음에 뭘 할지 스스로 판단한다
    • 필요하면 다른 에이전트를 불러서 같이 일을 처리하기도 한다

    마지막 항목, 에이전트끼리 서로 작업을 주고받는 그 구조. 기업 도입 단계에서 제일 까다로운 부분으로 꼽힌다.

    파일럿에서 딱 걸리는 지점

    사내 소규모 테스트, 성공률 꽤 높다. 문제는 규모를 키우는 순간부터다. 막히는 지점은 대체로 세 곳으로 좁혀진다.

    • 시스템 연동 — 레거시 시스템에 API가 아예 없거나, 있어도 접근 권한 체계가 복잡해서 에이전트가 데이터를 제대로 못 가져온다
    • 데이터 거버넌스 — 어떤 에이전트가 어떤 데이터에 접근하는지 규정이 없으면 보안 사고로 번질 여지가 있다
    • 에이전트 간 조율 — 에이전트 여러 개가 동시에 움직이다 보면 서로 결과를 잘못 해석하거나 같은 작업을 두 번 하는 일이 생긴다

    결국 기술 자체보다 이 세 가지를 미리 얼마나 정리해뒀느냐가 확산 속도를 가른다. 솔직히 여기서 갈린다.

    파일럿에서 실제 업무로 넘어가는 순서

    순서 건너뛰면 십중팔구 되돌아와야 한다. 권장되는 흐름은 이렇다.

    • 실수해도 피해가 크지 않은 반복 업무부터 시작한다 (문서 정리, 데이터 취합 등)
    • 에이전트가 접근할 데이터와 시스템의 권한 범위를 먼저 정비한다
    • 에이전트가 어떤 판단을 왜 내렸는지 기록하는 로그·감사 체계를 마련한다
    • 돈이 오가거나 되돌리기 어려운 작업은 사람이 최종 승인하는 단계를 남겨둔다
    • 성공 기준(처리 시간, 오류율, 비용 절감액)을 숫자로 정해두고 확산 여부를 판단한다

    도입 전에 따져봐야 할 다섯 가지

    • 이 업무를 에이전트가 실패했을 때 되돌릴 수 있는가
    • 에이전트가 접근하는 데이터에 개인정보나 민감정보가 섞여 있는가
    • 에이전트 행동을 나중에 추적하고 검토할 로그가 남는가
    • 여러 에이전트가 얽힐 경우 최종 책임 소재가 명확한가
    • 담당 부서 실무자가 결과물을 검증할 시간과 권한이 있는가

    이 다섯 개 중 하나라도 답이 애매하면, 도입 시기 조금 늦추는 편이 낫다. 급할 거 없다.

    사람이 끝까지 손 놓으면 안 되는 업무

    채용 탈락 통보, 대출 승인·거절, 계약 해지. 이런 건 되돌리기 어렵고 법적 책임까지 따라붙는다. 에이전트한테 통째로 맡기기엔 아직 이르다. 초안 작성이나 자료 취합까지는 맡기되 최종 결정은 사람이 내리는 구조. 이렇게 설계하는 회사가 많다. 자동화 속도보다 신뢰를 지키는 쪽이 장기적으로 손해가 적다.

    자주 나오는 질문 세 가지

    Q. 에이전틱 AI 도입에 꼭 큰 예산이 필요할까?
    아니다. 반복 업무 한두 개부터 시작해서 효과 검증하고 늘려가는 방식이 오히려 안전하다. 처음부터 전사 시스템에 붙이려다 실패하는 사례가 더 많다.

    Q. 기존 RPA(로봇 프로세스 자동화)랑 뭐가 다른가?
    RPA는 정해진 규칙대로만 움직인다. 에이전틱 AI는 상황 판단해서 절차를 스스로 바꾼다는 점, 여기서 유연성 차이가 크다.

    Q. 중소기업도 지금 당장 시작해야 하나?
    데이터랑 시스템 정리가 안 된 상태면 순서가 바뀐 거다. 도구 도입보다 데이터 정리와 권한 체계 손보는 게 먼저다.

    출처: MIT Tech Review AI

  • 드론 데이터란 무엇인가 — 방산 AI 시장이 커지는 이유

    드론 데이터란 무엇인가 — 방산 AI 시장이 커지는 이유

    우크라이나 전장 곳곳에 격추된 드론 잔해가 널려 있다. 그런데 부서진 기체 안엔 눈에 안 보이는 훨씬 값진 게 남는다. 바로 데이터다. 카메라 영상, 열화상, GPS 신호, 재밍(전파 방해) 기록까지. 드론 한 대가 몇 분 날아다니는 사이 쏟아내는 정보량, 생각보다 어마어마하다. 이 데이터가 요즘 방위산업의 새로운 화폐로 떠올랐다.

    드론 데이터, 정확히 뭘 말하는 건가

    드론 데이터란 드론이 비행 중 센서로 긁어모으는 모든 기록을 뜻한다. 크게 네 갈래로 나뉜다.

    • 영상 데이터: 가시광선 카메라와 열화상 카메라가 찍은 실시간 영상
    • 텔레메트리: 고도, 속도, 방향, 배터리 잔량 같은 비행 정보
    • 신호 데이터: GPS 좌표, 통신 주파수, 재밍 여부
    • 충돌·파손 로그: 격추 직전까지 남긴 센서 기록

    이 조각들을 모으면 단순한 비행 기록 정도가 아니다. 어떤 환경에서 어떤 방어 시스템이 어떻게 반응했는지, 통째로 재구성이 가능한 자료가 된다. 그래서 데이터 자체가 무기 못지않은 자산으로 취급받기 시작했다.

    격추돼도 데이터는 살아남는다

    드론 대부분은 실시간으로 지상 통제소나 클라우드 서버에 데이터를 쏜다. 기체가 격추되거나 통신이 끊겨도 그 순간까지 보낸 데이터는 이미 서버 어딘가에 저장돼 있는 구조다. 게다가 요즘 FPV 드론이나 정찰 드론은 온보드 저장장치에 영상을 따로 남겨두는 경우가 많다. 잔해를 수거하면 거기서 추가 데이터를 뽑아낼 수도 있다는 얘기다. 드론 한 대가 하늘에서 사라져도, 그 안에 담긴 정보는 훨씬 오래 산다.

    정찰용과 공격용, 데이터부터 다르다

    드론 종류별로 쌓이는 데이터 성격도 갈린다.

    • 정찰 드론: 넓은 지역의 지형, 병력 이동, 시설물 배치 같은 광범위 영상 데이터 위주
    • FPV 자폭 드론: 표적에 접근하는 마지막 순간의 근접 영상, 회피 기동 패턴
    • 전자전 대응 드론: 상대 재밍 주파수와 방어 체계 반응 데이터 — 이게 가장 값지다

    공격이 실패한 영상도 학습 자료로는 쓸모가 많다. 왜 회피에 실패했는지, 방어 시스템이 어느 타이밍에 반응했는지가 고스란히 담기기 때문이다. AI 모델을 훈련시키는 쪽 입장에선 성공 사례 못지않게 실패 사례도 귀하다.

    노리는 건 방산업체만이 아니다

    팔란티어나 안두릴 같은 방산 AI 기업은 이미 전장 데이터를 자율 표적 인식, 드론 자동 회피 알고리즘 훈련에 쓰고 있다고 알려졌다. 그런데 이 흐름에 올라타는 게 대기업뿐이겠나. 현지 스타트업, 데이터 브로커, 오픈소스 분석가까지 뛰어들면서 일종의 비공식 거래 시장이 형성되는 중이다. 정제 안 된 원본 영상을 사고파는 곳도 있고, 라벨링까지 끝낸 학습용 데이터셋을 파는 업체도 있다. 형태부터 제각각이다.

    데이터 마켓플레이스, 굴러가는 방식

    이 시장 구조는 대략 이렇게 돌아간다.

    • 현장에서 드론이 원본 데이터를 수집
    • 데이터 브로커나 계약업체가 정제·라벨링
    • 방산업체나 AI 스타트업이 모델 훈련용으로 구매
    • 학습된 모델이 다시 차세대 드론에 탑재

    문제는 표준화된 규제나 검증 절차가 아직 없다는 것. 누가 데이터 소유권을 갖는지, 민간인이 찍힌 영상은 어떻게 처리하는지 — 이런 기본 규칙조차 국가나 업체마다 제각각이다. 정리 안 된 개척지, 딱 그 상태다.

    보안과 윤리, 아직 못 푼 숙제

    전장 데이터엔 민감 정보가 그대로 박혀 있다. 병력 위치, 민간 시설 좌표, 심지어 민간인 얼굴까지 영상에 찍히는 일도 있다. 이런 데이터가 검증 없이 거래되면 사생활 침해는 기본이고, 적대 세력 손에 넘어가 역이용될 위험도 크다. 사이버안보 전문가들 사이에선 데이터 유통 경로를 추적·암호화하는 기술, 접근 권한을 세분화하는 체계가 시급하다는 지적이 나온다. 기술은 앞서가는데 규제와 원칙은 뒤에서 헐떡이는 모양새다.

    핵심만 3줄 요약

    • 드론 잔해는 사라져도 비행 중 쌓인 데이터는 서버에 남아 AI 학습 자원이 된다
    • 정찰용과 공격용 드론은 데이터 성격이 달라서 활용처도 갈린다
    • 표준 규제 없이 데이터 거래 시장이 먼저 커지면서 소유권과 보안 문제가 숙제로 남았다

    드론이 전장을 바꾼 지는 이미 오래다. 근데 진짜 게임체인저는 드론 자체보다 그 안에 쌓이는 데이터 쪽일지 모른다. 다음 세대 방위산업 경쟁력은 결국 누가 더 많은 데이터를 쥐고 있느냐, 그걸 얼마나 빨리 AI 모델로 바꿔내느냐에서 갈릴 공산이 크다.

    출처: MIT Tech Review AI

  • AI가 쓴 글은 왜 티가 날까? 구별하는 법 총정리

    AI가 쓴 글은 왜 티가 날까? 구별하는 법 총정리

    이력서 자기소개서를 첨삭하다 보면 가끔 이런 글을 만난다. 문장은 매끈한데 뭔가 붕 떠 있는 느낌. 표현은 세련됐는데 사람 냄새가 안 난달까. 챗봇 사용이 일상이 되면서 이런 글이 부쩍 늘었다. 재밌는 건, 특정 단어와 문장 패턴 몇 개만 알아도 AI가 쓴 티를 꽤 정확하게 잡아낼 수 있다는 이야기가 요즘 여기저기서 나온다는 점이다. 언어학 연구자들 사이에서는 한발 더 나가서 챗봇이 즐겨 쓰는 표현이 사람들의 실제 말투에도 스며들고 있다는 분석까지 내놓는 중이다.

    말투부터 다르다, AI 글이 티나는 이유

    대형 언어모델은 학습 데이터에서 통계적으로 자주 등장하는 표현을 우선 골라 쓰는 구조다. 그래서 특정 접속사나 부사가 자꾸 튀어나온다. 사람은 같은 뜻이라도 그때그때 다른 단어를 골라 쓰는데, 모델은 확률적으로 가장 무난한 표현을 계속 뽑아내다 보니 톤이 균질해진다. 바로 이 균질함이 ‘AI 티’의 정체다. 문법은 나무랄 데 없는데 리듬이 단조롭고, 감정선은 밋밋하게 이어진다. 읽다 보면 어딘가 로봇이 낭독하는 느낌이랄까.

    실제로 자주 걸리는 AI식 표현들

    AI 생성 텍스트를 여러 개 모아 놓고 보면 유독 반복되는 표현이 보인다. 대표적으로 이런 것들.

    • ‘무엇보다’, ‘그렇다면’으로 문단을 여는 습관
    • ‘~할 수 있습니다’, ‘~될 수 있습니다’로 문장을 끝맺는 패턴
    • ‘그야말로’, ‘실로’ 같은 다소 과장된 문어체 부사
    • 결론부에서 ‘마무리하며’, ‘정리하며’로 운을 떼는 틀
    • 인사말도 없이 곧장 ‘오늘은 ~에 대해 알아보겠습니다’로 넘어가는 도입부

    이런 표현이 한두 개 섞였다고 무조건 AI 글이라고 몰아붙일 순 없다. 다만 한 문서 안에 세 개 이상 몰려 있으면, 한 번쯤 의심해볼 만하다. 개인적으로 첨삭할 때 이 다섯 가지만 체크해도 절반 이상은 걸러진다고 느낀다. 이건 좀 신기할 정도.

    사람 말투까지 바꾸는 AI, 진짜 벌어지고 있는 일

    그런데 이게 거꾸로도 작동한다. 좀 신기하다. 챗봇이 즐겨 쓰는 표현을 사람들이 일상 대화나 이메일에서 따라 쓰기 시작했다는 관찰이 나온다. 업무 메일에 갑자기 격식체가 늘거나, 발표 자료에 뜬금없이 교과서적인 연결어가 등장하는 식이다. MIT 테크리뷰가 최근 전한 바에 따르면, 언어는 원래 자주 접하는 표현을 따라가는 속성이 있는데 하루에도 몇 번씩 챗봇과 대화하는 사람이 늘면서 그 영향이 실제 언어 습관까지 파고드는 셈이라고 한다. 학교 과제나 회사 보고서에서 세대별로 말투 차이가 벌어지는 것도 이 흐름과 무관하지 않아 보인다.

    그럼 어떻게 구별하나 — 실전 체크리스트 3가지

    완벽한 방법은 없지만, 실전에서 나름 쓸 만한 방법은 이 정도다.

    • 문장 리듬 확인하기: 문장 길이가 거의 일정하고 감탄사나 비문이 전혀 없다면 의심 신호다
    • 구체성 체크하기: 사람은 실제 경험을 쓸 때 디테일이 살아있는데, AI 글은 뭉뚱그린 표현이 많다
    • 탐지 도구 병행하기: GPTZero나 카피킬러 같은 서비스는 참고용으로만 쓰고, 판정 결과를 곧이곧대로 믿지는 말 것

    탐지 도구는 오탐률이 꽤 높은 편이다. 최종 판단은 사람이 직접 내용을 읽고 내리는 게 안전하다.

    AI 초안, 사람 손 한 번 타면 확 달라진다

    AI 초안을 활용하더라도 사람 손을 거치면 티를 확 줄일 수 있다. 접속사를 절반쯤 지워보고, 문장 끝맺음을 다양하게 바꾸고, 본인만 아는 구체적인 사례나 숫자를 하나씩 끼워 넣는 것만으로도 결과물이 훨씬 자연스러워진다. 완성된 글을 소리 내어 읽어보는 것도 효과적이다. 어색하게 걸리는 부분은 십중팔구 앞서 말한 반복 패턴이 숨어 있는 문장이다.

    궁금한 것들, 짧게 답하자면

    Q. AI가 쓴 글이라고 무조건 나쁜 건가?
    A. 아니다. 초안 작성이나 아이디어 정리에는 오히려 효율적이다. 문제는 그대로 제출하거나 발행할 때 생기는 거리감이다.

    Q. 탐지 도구 판정만 믿고 학생 과제를 채점해도 될까?
    A. 권장하지 않는다. 오탐 사례가 실제로 많이 보고되고 있어서, 도구 결과는 참고 자료 정도로만 쓰는 게 안전하다.

    Q. AI 말투를 완전히 없앨 수 있나?
    A. 완전히는 어렵다. 다만 문장 구조를 사람이 직접 다듬는 과정을 거치면 자연스러움은 충분히 살릴 수 있다.

    출처: MIT Tech Review AI