Daily News Korea

[카테고리:] AI

  • AI 쇼핑 추천 알고리즘, 이렇게 작동한다 — 검색창 뒤에서 벌어지는 일들

    AI 쇼핑 추천 알고리즘, 이렇게 작동한다 — 검색창 뒤에서 벌어지는 일들

    쿠팡에서 검색창을 두드리자마자 원하던 제품이 딱 첫 줄에 있었던 경험. 우연이 아니다. 클릭 한 번, 스크롤 한 번 — 그 모든 흔적이 AI 데이터로 쌓인다. 그 AI는 지금도 검색 결과를 실시간 재배열하고, 창고 재고를 조정하고, 가격을 바꾸고 있다. 쉬지 않고.

    소비자 눈에는 그냥 쇼핑몰이다. 근데 뒤에서 돌아가는 구조는 5년 전과 완전히 달라졌다. 쿠팡, 네이버쇼핑, 무신사, 아마존 — 규모를 막론하고 AI 없이 경쟁하는 리테일러는 이제 거의 없다.

    검색창 뒤에서 무슨 일이 벌어지나

    상품 검색 결과는 더 이상 단순 키워드 매칭이 아니다. AI는 검색어를 입력한 사람의 구매 의도(intent)를 읽는다. 그 판단에 쓰이는 지표가 이 네 가지다.

    • 클릭률(CTR): 같은 검색어에서 어떤 상품이 더 많이 클릭되는지
    • 구매 전환율: 클릭 후 실제 구매로 이어지는 비율
    • 이탈률: 상세 페이지에 들어갔다가 바로 나간 비율
    • 재구매율: 같은 상품을 다시 사는 고객 비율

    이 네 가지를 실시간으로 학습해 상위 노출 순위를 조정한다. “운동화”를 쳐도 20대 남성과 50대 여성에게 뜨는 첫 화면이 다른 이유가 여기 있다. 같은 검색어, 완전히 다른 결과다.

    AI 추천이 돌아가는 3가지 방식

    추천 알고리즘은 크게 세 가지 방식이 섞여서 굴러간다.

    ① 협업 필터링 (Collaborative Filtering)
    나와 구매 패턴이 비슷한 다른 고객들이 산 것을 추천한다. “이 상품을 본 사람들은 이것도 봤어요”가 대표적인 예다. 데이터가 쌓일수록 정확도가 올라간다. 데이터가 많은 플랫폼이 유리한 이유이기도 하다.

    ② 콘텐츠 기반 필터링 (Content-Based Filtering)
    상품 자체의 속성 — 카테고리, 소재, 색상, 브랜드, 가격대 — 을 분석해 내가 과거에 관심 보인 것과 유사한 제품을 연결해준다. 신규 사용자에게도 바로 적용된다는 게 협업 필터링과 다른 점이다.

    ③ 딥러닝 하이브리드
    앞의 두 방식을 합치면서 자연어 처리(NLP)와 이미지 인식까지 더한다. 상품 이미지를 분석해 시각적으로 유사한 제품을 추천하는 기능이 여기에 해당한다. 솔직히 요즘은 이 세 번째 방식이 메인이다.

    재고와 물류까지 바꾸는 AI

    소비자 눈에는 잘 안 보이지만, AI가 가장 크게 바꿔놓은 영역은 공급망(Supply Chain)이다.

    • 수요 예측: 계절, 날씨, SNS 트렌드, 검색량 급증 데이터를 종합해 특정 상품의 수요를 미리 계산한다. 여름 장마 전에 제습기 재고를 늘리는 결정, 이제는 사람이 아니라 AI가 한다.
    • 다이나믹 프라이싱: 실시간 경쟁사 가격, 재고 수준, 수요 변화에 따라 가격을 자동으로 조정한다. 아마존은 하루에도 수백만 번 가격을 바꾼다. 수백만 번이다.
    • 물류 경로 최적화: 어느 창고에서 어떤 경로로 배송하면 비용이 최소화되는지를 AI가 실시간으로 계산한다.

    MIT 테크 리뷰가 전한 바에 따르면, 리테일 AI의 핵심 가치는 소비자 접점의 화려한 기능보다 이런 백엔드 최적화에서 더 크게 나타나고 있다. 이게 좀 과한 주장처럼 들릴 수 있는데, 실제 물류비 절감 수치를 보면 수긍이 간다.

    소비자 입장에서 실제로 달라진 것들

    AI 쇼핑 시대에 달라진 소비자 경험은 생각보다 촘촘하다.

    • 개인화 할인: 같은 앱을 써도 쿠폰이 다르게 뜬다. AI가 이탈 가능성이 높은 고객에게 더 공격적인 할인을 자동 제공하는 방식이다.
    • 검색어 교정 및 의도 해석: “가볍고 따뜻한 패딩”처럼 속성 기반 검색도 이해한다. 오타 자동 수정과 동의어 처리도 여기서 이뤄진다.
    • 시각 검색: 길거리에서 본 옷 사진을 올리면 유사 상품을 찾아주는 기능. 네이버 쇼핑렌즈, 카카오 쇼핑, 핀터레스트 등에서 이미 서비스 중이다.
    • 리뷰 요약: 수백 개 리뷰를 AI가 읽고 “장점: 배송 빠름, 착용감 좋음 / 단점: 사이즈 작음” 식으로 자동 요약한다. 리뷰를 끝까지 읽을 이유가 없어진 셈이다.

    셀러라면 지금 알아야 할 알고리즘 친화 전략

    온라인에서 상품을 판매하고 있다면, AI 알고리즘이 상품을 어떻게 평가하는지 이해하는 게 경쟁력의 핵심이다.

    • 상품명에 검색 키워드 정확히 넣기: AI는 상품명, 속성, 태그를 분석한다. “운동화”보다 “남성 런닝화 쿠션 가벼운 270″처럼 구체적일수록 노출에 유리하다.
    • 이미지 품질: AI가 이미지를 인식해 카테고리 분류와 유사 상품 연결에 활용한다. 배경이 깔끔하고 해상도가 높은 이미지가 알고리즘 점수를 올린다.
    • 리뷰 관리: 리뷰 수와 평점은 여전히 강력한 랭킹 신호다. 구매 후 리뷰 요청 자동화 도구를 활용하는 게 현실적으로 효율적이다.
    • 반품률 낮추기: 반품률이 높으면 알고리즘이 노출을 줄인다. 상세 페이지의 사이즈 정보와 소재 설명을 정확하게 써야 하는 이유다.

    다음 수순 — 에이전틱 쇼핑의 등장

    지금까지 AI가 “추천”하는 역할이었다면, 다음 단계는 AI가 직접 구매하는 에이전틱 커머스(Agentic Commerce)다.

    “다음 주 캠핑에 필요한 것 사줘”라고 말하면, AI 에이전트가 예산과 취향을 고려해 장바구니를 채우고 결제까지 끝낸다. 아마존의 ‘Buy for Me’, 구글의 쇼핑 에이전트 실험이 이 방향을 가리키고 있다.

    소비자가 검색 결과를 직접 보지 않고 AI에게 쇼핑을 위임하면, 플랫폼들이 의존하던 광고 모델 자체가 흔들린다. AI가 광고 상품을 추천에서 배제할 수도 있기 때문이다. 리테일 업계가 이 변화에 어떻게 적응하느냐가 향후 몇 년의 핵심 과제다.

    AI 쇼핑 알고리즘은 소비자에게 더 정확한 탐색 경험을, 셀러에게는 새로운 경쟁 규칙을, 플랫폼에게는 비즈니스 모델 재편 압력을 동시에 안기고 있다. 쇼핑이라는 행위는 같아 보여도, 뒤에서 작동하는 구조는 완전히 다른 시대로 넘어왔다.

    출처: MIT Tech Review AI

    관련 기사

  • 세상 바꾸는 공학 기술 7가지 — AI부터 반도체까지, 미래 커리어 실전 가이드

    세상 바꾸는 공학 기술 7가지 — AI부터 반도체까지, 미래 커리어 실전 가이드

    AI 엔지니어 채용 공고가 3년 사이 4배 이상 늘었다. ISC² 집계 기준 사이버보안 인력 공백은 전 세계 400만 명을 넘어선 지 오래고, EU 탄소국경세(CBAM)에 미국 IRA까지 맞물리면서 청정에너지 공학 인력 수요도 구조적으로 올라온 상황이다. 수치만 봐도 방향이 보인다. 어느 분야를 파야 할지 감이 안 잡힌다면, 수요와 임팩트 두 기준으로 추린 아래 7가지를 보고 판단하자.

    1. AI·머신러닝 엔지니어링 — 수요가 가장 빠른 분야

    채용 시장에서 ‘AI 엔지니어’는 이미 독립 직군으로 굳었다. 예전엔 데이터 사이언티스트가 모델을 짜고 백엔드 개발자가 서비스에 붙이는 구조였는데, 이제는 모델 훈련부터 배포·인프라까지 전 과정을 담당하는 MLOps 엔지니어가 따로 존재한다. 역할 분화가 그만큼 빨라졌다는 얘기다.

    진입에 필요한 기술 스택은 대략 이렇다:

    • Python, PyTorch 또는 JAX 기반 모델링
    • Kubernetes·Docker를 활용한 모델 서빙
    • 데이터 파이프라인 설계 (Airflow, Spark)
    • 프롬프트 엔지니어링 및 파인튜닝(Fine-tuning)

    LLM이 퍼지면서 비전공 출신 AI 엔지니어도 꽤 늘었다. 근데 솔직히, 선형대수·확률론 같은 수학 기반이 약하면 시니어 레벨 이후에서 막힌다. 단기 부트캠프로 입문하는 건 가능한데, 거기서 멈추면 경력 천장이 생각보다 낮다. 장기적으로는 통계·수학을 병행해야 한다는 게 현장 공통 의견이다.

    2. 기후·청정에너지 공학 — 규제가 만들어낸 거대 시장

    탄소중립 규제 3종 세트가 동시에 돌아가고 있다. EU CBAM, 미국 IRA, 한국 탄소중립 로드맵. 이게 맞물리면서 청정에너지 공학 인력 수요가 구조적으로 올라왔다. 태양광·풍력 발전 설계, 배터리 시스템 엔지니어링, 그린수소 인프라 쪽 채용이 눈에 띄게 활발해진 게 그 결과다.

    이 분야, 순수 공학 지식만으론 경쟁력이 약하다. 에너지 정책, 탄소 회계(Carbon Accounting), 그리드 연계 규정까지 복합 도메인 지식이 있어야 채용 우선순위에 오른다. 전기전자·화학공학·기계공학 전공자라면 전환 비용이 상대적으로 낮은 편이다.

    3. 바이오테크·의공학 — 데이터와 생물학이 겹치는 곳

    mRNA 백신 기술이 주류로 올라선 이후, 바이오테크 엔지니어링은 더 이상 틈새가 아니다. 단백질 구조 예측(AlphaFold 계열), 유전자 편집(CRISPR), 디지털 바이오마커에서 공학 역할이 빠르게 커지는 중이다.

    컴퓨터공학 배경을 가진 엔지니어가 입문하기 가장 현실적인 경로는 생물정보학(Bioinformatics)이다. Python·R 스크립팅, 유전체 데이터 처리(NGS), 머신러닝 기반 약물 발굴 툴 운용 — 이 세 가지가 진입 조건으로 굳어지고 있다. 생물학을 전혀 모른 채 코딩 하나만으로 들어가는 케이스도 늘고 있긴 한데, 도메인 지식을 병행하면 속도가 확실히 다르다.

    4. 사이버보안 엔지니어링 — 공격이 정교해질수록 몸값이 오른다

    랜섬웨어 공격 한 건의 평균 피해액이 수십억 원을 넘어섰다. 보안 엔지니어는 IT 직군 중 만성적으로 인력이 부족한 분야인데, 직군은 크게 두 갈래로 나뉜다:

    • 공격형(Offensive Security): 침투 테스트(Penetration Testing), 취약점 연구, 레드팀 운영
    • 방어형(Defensive Security): SOC 분석, 위협 인텔리전스, 제로트러스트 아키텍처 설계

    OSCP·CEH·CISSP 자격증이 채용 시장에서 여전히 유효하긴 하다. 근데 현장에서 보면, CTF(Capture The Flag) 참여 경험이나 버그바운티 실적이 이력서 한 줄보다 훨씬 강하게 작용한다. 자격증은 스크리닝 통과용이고, 실제 합격은 포트폴리오가 결정한다. 이건 좀 냉정한 현실이다.

    5. 자율주행·로보틱스 — 소프트웨어와 하드웨어가 만나는 지점

    테슬라 FSD, 웨이모 로보택시, 현대차의 보스턴다이나믹스 인수. 이 세 가지만 봐도 흐름이 보인다. 자율주행과 로보틱스는 하드웨어 기업과 소프트웨어 기업의 경계를 허물고 있다.

    핵심 기술 스택은 센서 퓨전(Sensor Fusion), ROS2 기반 로봇 제어, 컴퓨터 비전, 강화학습(RL)이다. 여기에 C++ 성능 최적화와 실시간 처리(RTOS) 경험까지 갖추면 채용 경쟁력이 확연히 달라진다. 국내에서는 쿠팡·카카오·네이버 등 플랫폼 기업이 자체 로봇 R&D 조직을 확대하는 추세라 커리어 경로도 점점 구체화되고 있다.

    6. 반도체·하드웨어 엔지니어링 — AI 붐이 되살린 분야

    엔비디아 H100 품귀 현상이 반도체 엔지니어의 위상을 다시 각인시켰다. AI 모델이 커질수록 칩 설계·공정 최적화·패키징 기술의 필요성은 비례해서 커진다. 관련 직군을 보면:

    • RTL 설계 엔지니어 (Verilog, VHDL)
    • 칩 검증 엔지니어 (UVM 기반)
    • 패키징·열설계 엔지니어
    • 팹리스 스타트업의 아키텍처 엔지니어

    한국은 삼성전자·SK하이닉스 중심의 메모리 강국이지만, AI 가속기용 시스템반도체 분야는 아직 인력 저변이 얇다. TSMC·인텔·AMD 경험자는 국내외 모두 시장 가격이 높게 형성돼 있다는 점도 참고할 만하다.

    배경별 현실적인 진입 전략

    7개 분야 모두 학습으로 진입 가능하다. 다만 시간 비용은 천차만별이다. 출발점에 따라 경로를 달리 잡는 게 효율적이다:

    • 개발자 경력자: AI 엔지니어링 또는 사이버보안 — 코드 기반이 있어 전환 비용이 낮다
    • 전기전자·기계 전공자: 자율주행·로보틱스·반도체 — 하드웨어 도메인 지식이 즉시 활용된다
    • 화학·생물 전공자: 바이오테크·청정에너지 — Python만 익히면 바로 접점이 생긴다
    • 완전 비전공 전환자: AI 엔지니어링 입문 → 사이버보안 순서가 커리큘럼이 가장 잘 정비돼 있다

    공통적으로 유효한 첫 스텝은 GitHub에 실제 프로젝트를 올리는 것이다. 채용 담당자들은 자격증보다 “실제로 뭘 만들었냐”를 훨씬 무겁게 본다. 오픈소스 기여, Kaggle 대회 실적, 버그바운티 등록 이력 — 분야를 가리지 않고 이 공통점은 일관되게 나타난다. MIT Tech Review가 전한 바에 따르면 이 흐름은 앞으로도 더 강해질 것으로 전망된다.

    출처: MIT Tech Review AI

    관련 기사

  • 더울수록 전기가 부족해지는 역설 — 발전소가 폭염에 멈추는 진짜 이유

    더울수록 전기가 부족해지는 역설 — 발전소가 폭염에 멈추는 진짜 이유

    수요는 치솟고, 공급은 빠진다. 이게 폭염 전력 위기의 핵심이다. 기온이 오를수록 에어컨이 켜지고, 아이러니하게도 그 전기를 만드는 발전소가 같은 이유로 가동을 멈춘다. 유럽에서 반복되는 이 역설은 한국도 피해갈 수 없다.

    에어컨 한 대가 냉장고 20대 값을 한다

    에어컨 한 대의 소비 전력은 평균 1~2kW. 냉장고(0.1kW)나 TV(0.1kW)와 비교하면 단일 가전제품 중 압도적이다. 10~20배 차이다. 폭염 시즌에 전국 수백만 가구가 동시에 에어컨을 켜면 전력 수요는 순식간에 피크를 찍는다.

    • 한국의 하계 전력 피크는 동계를 넘어선 지 수년이 됐다
    • 기온이 1도 오르면 냉방 수요가 약 1,000~1,500MW 늘어난다는 연구 결과도 있다
    • 전기차 충전 수요까지 더해지면 피크는 더 날카로워진다

    문제는 이 피크가 발전소가 가장 힘든 순간과 딱 겹친다는 것이다.

    냉각수가 뜨거워지면 발전소는 멈춘다

    화력이든 원자력이든, 대부분의 발전소는 냉각수로 돌아간다. 터빈을 돌리고 나서 발생하는 열을 식혀야 다음 사이클이 가능하기 때문이다. 냉각 방식은 두 가지다.

    • 하천수 냉각: 강이나 호수 물을 끌어다 냉각에 쓰고 다시 방류한다. 여름철 하천 수온이 오르면 냉각 효율이 급감하고, 방류 수온이 환경 기준을 초과하면 법적으로 가동을 중단해야 한다.
    • 냉각탑 방식: 물을 증발시켜 열을 빼앗는다. 외기 온도와 습도가 높을수록 증발 효율이 떨어진다.

    프랑스 원전의 상당수가 하천 냉각을 쓴다. 론 강, 가론 강 같은 내륙 하천의 수온이 오르면 환경 규제 기준에 걸려 출력을 낮추거나 아예 멈춰야 한다. 유럽 폭염 때마다 프랑스 전력 수급이 흔들리는 이유가 여기에 있다.

    원전이 유독 취약한 이유

    원전은 안전 기준이 엄격하다. 냉각수 온도가 일정 기준을 넘으면 자동으로 출력 제한이 걸린다. 반응로 안전을 위해 불가피한 조치지만, 전력망 입장에선 최악의 타이밍에 대형 베이스로드 전원이 빠지는 셈이다.

    유럽 원전의 또 다른 취약점은 설계 연도다. 1970~80년대에 지어진 원전 다수는 당시 기후 데이터 기준으로 냉각 시스템을 설계했다. 강 수온이 그 설계값을 넘어서는 사례가 늘고 있다. 기후변화가 인프라 설계 수명을 앞당기는 전형적 사례다. 어떻게 보면 이미 예상된 결과이기도 하다.

    태양광은 폭염에 강할까 — 반반이다

    맑은 폭염 날은 태양광이 잘 되는 거 아니냐는 생각, 맞기도 하고 틀리기도 하다.

    • 일사량: 맑은 날 발전량은 최대치다. 이 부분은 유리하다.
    • 패널 온도: 태양광 패널은 고온에서 효율이 떨어진다. 셀 온도 25°C를 넘으면 1°C당 약 0.3~0.5% 출력이 깎인다. 40°C 이상 폭염에선 10~15% 손실이 생긴다.
    • 풍력: 폭염은 고기압이 정체된 상황과 겹치는 경우가 많다. 바람이 약해 풍력 발전량도 동시에 줄어든다.

    재생에너지는 부분적 완충재 역할은 한다. 그러나 피크 시간대 전력 공급의 안정적 보증 수단은 아직 아니다. 배터리 저장 시스템(ESS)이 그 간극을 메우는 해법으로 거론되는 이유가 여기에 있다.

    블랙아웃까지 이어지는 경로

    전력망은 수요와 공급이 실시간으로 균형을 맞춰야 한다. 균형이 무너지면 주파수가 흔들린다. 그게 일정 범위를 벗어나면 연쇄 차단이 시작된다. 대규모 블랙아웃으로 가는 경로가 이렇다.

    전력 당국이 취하는 순서는 대략 다음과 같다.

    • 예비력 경보 발령 → 산업체 자발적 절전 요청
    • 수요 반응(DR) 프로그램 가동 → 계약 기업 강제 감축
    • 지역별 순환 단전 (Rotating Blackout)
    • 최악의 경우 대규모 무계획 정전

    2003년 이탈리아 대정전, 2011년 미국 남서부 대정전 모두 이 연쇄 과정의 결과였다. 폭염은 이 시나리오의 방아쇠 중 하나다.

    한국 전력망은 얼마나 버틸 수 있나

    한국은 전력 예비율 15% 유지를 목표로 운영한다. 10% 아래면 ‘준비’ 단계, 5% 미만이면 ‘심각’ 단계다. 폭염이 겹치면 이 수치가 빠르게 소진된다.

    한국 원전은 대부분 해수 냉각 방식을 쓴다. 유럽식 하천 냉각의 취약점은 덜하지만, 해수면 온도 상승이라는 변수가 장기적으로 영향을 줄 여지가 있다. 노후 화력발전소 폐지가 계획대로 진행되면 예비 발전 용량도 줄어든다. 재생에너지 확대와 노후 설비 퇴역 사이의 타이밍이 전력 안보를 좌우하는 핵심 변수다.

    전기차 보급 속도와 데이터센터 증가도 하계 피크에 새로운 압박 요인으로 작용하고 있다. AI 인프라 확장으로 데이터센터 전력 소비가 급증하는 추세는 전력 수급 계획에 불확실성을 더한다. 5년 전만 해도 이 정도 속도의 변수는 아니었다.

    단기 땜빵과 장기 구조 전환

    단기와 장기로 나눠야 한다.

    단기 대응으로는 수요 반응 프로그램 정교화, ESS 용량 확대, 송전망 광역화가 현실적이다. 인접국·인접 지역과 전력 거래를 늘리는 방향이다. 유럽연합이 회원국 간 전력 상호 지원 체계를 강화하는 것도 이 맥락이다.

    장기 구조 전환은 발전 포트폴리오를 기후 내성 중심으로 재편하는 것이다. 냉각수 의존도가 낮은 기술 — 공랭식 원전, 소형모듈원자로(SMR), 수소 혼소 발전 등 — 이 연구되는 이유가 여기에 있다. 다만 이런 기술이 대규모로 현장에 투입되기까지는 10년 이상 걸린다. 지금 당장의 해법은 아니라는 뜻이다.

    기후가 변하면 에너지 인프라의 설계 전제도 바뀌어야 한다. 이미 지어진 설비들이 새로운 기후 현실에 얼마나 빠르게 적응하느냐. 결국 거기서 전력망 안보가 결정된다.

    출처: MIT Tech Review AI

    관련 기사

  • 슈퍼마리오가 NP-hard 문제라고? P vs NP와 알고리즘 복잡도 제대로 이해하기

    슈퍼마리오가 NP-hard 문제라고? P vs NP와 알고리즘 복잡도 제대로 이해하기

    슈퍼마리오 레벨을 클리어하는 게 수학적으로 NP-hard 문제와 동치라는 논문이 있다. MIT를 비롯한 여러 대학 연구자들이 실제로 증명해냈다. 황당하다고 느끼는 게 정상이다. 근데 이 발견이 컴퓨터 과학에서 수십 년째 아무도 못 풀고 있는 최대 난제와 직결된다. P vs NP 문제다.

    복잡도란 ‘어려움의 등급’이다

    컴퓨터 과학에서 ‘복잡도(complexity)’는 코드가 복잡하냐의 문제가 아니다. 입력 크기가 커질수록 시간과 자원이 얼마나 빠르게 늘어나는지를 보는 개념이다.

    100개짜리 리스트를 정렬하는 건 빠르다. 그 알고리즘으로 1,000,000개를 정렬하면? 성능 차이가 선형적(O(n))이냐 기하급수적(O(2^n))이냐에 따라 실제로 쓸 수 있는 알고리즘인지 아닌지가 완전히 갈린다. 이론이 아니라 현실 얘기다.

    여기서 두 클래스가 나온다.

    • P (Polynomial time): 다항식 시간 안에 풀 수 있는 문제. 컴퓨터가 빠르게 답을 낸다.
    • NP (Nondeterministic Polynomial time): 답이 주어지면 다항식 시간에 검증은 되는데, 직접 푸는 건 아직 느린 문제들.

    핵심 질문이 바로 이거다. P = NP인가? 즉, “답 확인이 빠른 모든 문제는 풀기도 빠른가?” 아직 아무도 모른다. 밀레니엄 수학 7대 난제 중 하나고, 증명하면 상금이 100만 달러다. 수십 년째 빈 봉투다.

    NP-hard, 이게 가장 무거운 등급이다

    NP-hard는 NP에 속하는 모든 문제보다 최소한 같거나 더 어려운 문제들을 묶은 클래스다. 교과서에 단골로 나오는 예시가 셋 있다.

    • 외판원 문제(Travelling Salesman Problem): n개 도시를 전부 한 번씩 방문하는 최단 경로 찾기
    • 배낭 문제(Knapsack Problem): 무게 제한이 있는 배낭에 가치 합계를 최대로 담는 물건 선택
    • SAT 문제: 논리식을 참으로 만드는 변수 조합 찾기

    공통점은 하나다. 입력이 조금만 커지면 완전 탐색(brute force)으로는 우주 나이보다 오래 걸린다. 그래서 실전에서는 근사 알고리즘이나 휴리스틱으로 버틴다. 완벽한 답이 아니라 “충분히 괜찮은 답”을 구하는 방식이다.

    슈퍼마리오가 NP-hard인 이유

    MIT를 비롯한 여러 대학 컴퓨터 과학자들이 슈퍼마리오 브라더스 레벨 클리어 가능성 판단 문제가 NP-hard임을 수학적으로 증명했다. 접근법이 꽤 기발하다. 레벨을 논리 회로로 변환하는 방식이다.

    마리오가 특정 경로를 지나는지 여부를 AND 게이트, OR 게이트처럼 표현하는 구조가 성립한다. 파이프, 적, 블록의 배치가 논리 연산을 수행하도록 설계되면, 그 레벨을 클리어하는 방법을 찾는 게 SAT 문제를 푸는 것과 구조적으로 같아진다. 솔직히 처음 이 논문을 봤을 때 “이게 진짜 연구야?” 싶었는데, 엄연한 수학적 증명이다.

    결국 임의의 슈퍼마리오 레벨이 클리어 가능한지 판단하는 알고리즘은 이론상 NP-hard다. 사람은 직관과 경험으로 빠르게 풀어내는 것처럼 보이지만, 컴퓨터가 보편적으로 처리하기엔 구조 자체가 극도로 어렵다. 마리오만이 아니다. 테트리스, 포켓몬, 젤다의 전설 시리즈도 같은 분석을 받았다.

    그래서 현실에서 뭐가 달라지나

    “게임이 NP-hard면 나한테 무슨 상관이야”라고 생각할 수 있다. 생각보다 파장이 있다. 세 가지만 짚는다.

    첫째, AI 게임 플레이어 개발 난이도를 설명해준다. 구글 딥마인드가 알파고로 바둑을 정복했지만, 슈퍼마리오처럼 복잡한 레벨 구조의 게임에서 AI가 고전하는 이유 중 하나가 이 계산 복잡도 구조다. 모든 경우를 탐색할 수 없으니, 강화학습으로 근사치를 찾는 방식을 쓸 수밖에 없다.

    둘째, 레벨 디자인 자동화에 이론적 한계가 있다. AI로 게임 레벨을 자동 생성하는 기술이 발전하고 있지만, 최적 레벨인지 검증하는 것 자체가 NP-hard다. 완전 자동화에는 벽이 있다는 뜻이다. 이건 좀 아이러니하다 — 만들 수는 있어도 최적인지 확인하기가 더 어렵다.

    셋째, 알고리즘 교육에서 강력한 도구가 된다. 추상적인 P/NP 개념을 게임으로 설명하면 체감 속도가 다르다. 코딩 교육에서 게임 기반 학습 효과가 꾸준히 연구로 나오는 것도 이 맥락이다.

    P vs NP를 파고 싶다면, 이 순서로

    흥미가 생겼다면 진입 경로가 몇 가지 있다. 수준별로 골라도 된다.

    • 《Introduction to the Theory of Computation》 by Michael Sipser — 계산 이론의 교과서. 복잡도 이론을 처음부터 체계적으로 다룬다.
    • Scott Aaronson의 블로그 ‘Shtetl-Optimized’ — MIT 교수가 직접 운영하며, 계산 복잡도를 일반인도 따라갈 수 있게 풀어쓴다.
    • Coursera의 ‘Algorithms’ 시리즈(Stanford) — Tim Roughgarden 교수 강의로, 복잡도 이론 파트가 포함돼 있다.
    • 코딩테스트 플랫폼(BOJ, LeetCode) — NP-hard 문제를 직접 근사적으로 풀어보는 게 체감상 가장 빠르다. 이론보다 손이 먼저다.

    수학 배경이 없어도 개념 이해는 된다. 증명까지 파고들려면 이산수학과 집합론 기초가 있으면 좋지만, “왜 어떤 문제는 컴퓨터로도 빠르게 못 푸는가”라는 감을 잡는 데는 진입 장벽이 높지 않다. 일단 시작해보면 안다.

    게임 속에 수학이 숨어 있었다

    어린 시절 거실에서 조이스틱을 잡으며 무의식적으로 다루던 구조 속에, 수십 년째 전 세계 수학자들이 매달려 있는 문제가 숨어 있었다. 이상한 얘기 같지만 사실이다.

    P vs NP 문제가 풀리지 않는 한, 슈퍼마리오 레벨 클리어 가능성을 판단하는 알고리즘은 이론상 완벽하게 효율적일 수 없다. 그 사실이 오히려 게임을 더 흥미로운 연구 대상으로 만든다. 컴퓨터 과학의 핵심 개념들이 게임, 퍼즐, 일상 문제에서 영감을 받아 발전해 온 건 우연이 아니다. 좋은 문제는 늘 의외의 곳에 있었다.

    출처: MIT Tech Review AI

    관련 기사

  • AI가 오프사이드를 판정한다 — 스포츠 심판 기술의 현재와 한계

    AI가 오프사이드를 판정한다 — 스포츠 심판 기술의 현재와 한계

    아르헨티나 대 프랑스, 연장 종료 12분 전. 심판은 수초 만에 결정을 내렸다. 메시가 연루된 장면이었고, 오심이면 역사에 남을 판정이었다. MIT 테크 리뷰가 이 장면을 AI 판정 맥락에서 집중 조명한 건 그냥 지나칠 수 없는 시점이었기 때문이다. 스포츠에서 AI가 심판 눈을 대신하는 시대, 2022 카타르 월드컵에서 이미 시작됐다.

    VAR은 사실 AI가 아니다

    많은 사람이 VAR을 AI 판정이라고 생각하는데, 틀렸다. VAR(Video Assistant Referee)은 2018 러시아 월드컵부터 FIFA가 공식 도입했지만, 본질은 영상 리플레이다. 사람이 화면을 돌려보고 사람이 판단한다. AI가 끼어드는 구간이 없다. 그러니 논란이 끊이지 않는 것이다. 결정 주체가 여전히 인간이니까.

    진짜 AI 심판의 시작은 따로 있다. 반자동 오프사이드 기술(SAOT, Semi-Automated Offside Technology). 카타르 월드컵부터 FIFA가 공식 채택한 이 시스템은 컴퓨터 비전과 AI로 오프사이드를 판정한다. 인간 판단 개입이 없다. 완전히.

    선수 몸을 29개 점으로 쪼개는 기술

    SAOT 작동 방식은 세 요소가 맞물린다.

    • 29개 데이터 포인트: 선수 몸 전체를 관절 좌표 29개로 추적한다. 발끝부터 어깨까지 실시간 3D 모델로 재구성한다
    • 12대의 전용 카메라: 경기장 지붕에 설치. 초당 50프레임으로 모든 선수 위치를 기록한다
    • 공 내부 IMU 센서: 킥이 일어난 순간을 정밀하게 포착해 패스 타이밍을 특정한다

    세 데이터를 합치면 AI는 킥 순간의 선수 위치를 3D로 복원하고 오프사이드 라인을 자동 계산한다. 판정 시간은 기존 VAR 평균 70초 대비 약 27초. 절반도 안 걸린다.

    실제 경기에서 어떻게 쓰였나

    카타르 월드컵에서 SAOT는 총 22건의 오프사이드 장면에 적용됐다. 사람 눈으로는 판별 자체가 불가능한 장면들이 다수였다. 밀리미터 단위 차이로 오프사이드가 선언되는 장면이 여러 번 나왔고, 시각화된 판정선이 공개되면서 팬들 사이에서 찬반이 엇갈렸다. 솔직히 그 선을 처음 봤을 때, ‘이게 맞냐’는 생각이 드는 게 자연스러웠다.

    테니스는 이미 더 앞서 있다. 호크아이(Hawk-Eye) 시스템은 2000년대 중반부터 볼 아웃/인 판정에 쓰였고, 2021년 US 오픈부터는 라인 심판을 아예 없앴다. 전자 판정으로 완전 대체. 야구 MLB도 2024 시즌부터 일부 경기에서 자동 볼/스트라이크 판정(ABS) 시험 운영을 확대하고 있다.

    기술이 정확하다고 공정한 건 아니다

    비판은 두 방향에서 나온다.

    하나는 모델 자체의 가정 문제다. SAOT가 선수 몸을 29개 포인트로 표현할 때, 그 포인트는 실제 신체 외곽선이 아닌 추정값이다. 팔이 뻗은 방향이나 각도에 따라 몸의 경계가 달라질 수 있는데, 처리 방식에 따라 결과도 바뀐다. 더 문제인 건 “AI가 틀릴 리 없다”는 신뢰가 오히려 이의 제기 자체를 막는다는 점이다. 정확성이 곧 공정성은 아닌데, 그게 혼동된다.

    다른 하나는 스포츠 고유의 판단 영역이다. 핸드볼에서 의도성을 읽거나, 태클이 정당한지를 맥락 안에서 판단하는 일은 AI가 대체하기 어렵다. FIFA가 오프사이드처럼 기준이 명확한 판정부터 자동화를 시작한 이유도 여기 있다. 룰이 단순할수록 AI가 유리하다.

    심판을 없앨 건가, 더 낫게 만들 건가

    스포츠 업계의 방향은 완전 자동화가 아닌 인간-AI 협업이다. FIFA, NBA, MLB 모두 AI를 보조 도구로 쓰고, 최종 결정권은 인간 심판에게 남겨둔다. 완전 자동화가 현실이 되려면 조건이 있다.

    • 판정 알고리즘의 공개 검증 — 현재 대부분의 시스템은 블랙박스에 가깝다
    • 경기 맥락을 이해하는 상황 추론 모델
    • 오작동 시 책임 소재의 법적 정리

    기술적으로는 충분히 가능한 방향이지만, 제도적·문화적 합의가 기술보다 훨씬 느리게 따라온다. 이게 늘 문제다.

    다음 전선 — 반칙 자동 감지와 심판 평가

    스포츠 AI 판정의 다음 전선은 반칙 감지 자동화다. 스탠퍼드대와 MIT에서 진행 중인 연구들은 선수 간 접촉 강도와 각도를 분석해 태클 정당성을 분류하는 모델을 훈련 중이다. 아직 실제 경기 적용 단계는 아니다. 5~10년 내 보조 도구로 등장할 가능성은 충분히 열려 있다.

    더 빠르게 움직이는 쪽은 심판 평가 시스템이다. 이미 여러 리그에서 AI로 심판의 판정 패턴을 분석하고, 일관성이 떨어지는 영역을 식별해 훈련에 반영하고 있다. 심판을 없애는 게 아니라 더 나은 심판을 만드는 데 AI를 쓰는 방식이다. 이 방향이 오히려 현실적이다.

    결국 방향은 하나다. AI가 밀리미터를 재는 동안, 심판은 그라운드 위 더 큰 흐름을 읽는다. 인간 심판의 부담을 줄이되, 스포츠가 가진 인간적 드라마는 남긴다. 역할의 진화다.

    출처: MIT Tech Review AI

    관련 기사

  • 서버를 바다에 수장시켰더니 고장률이 8분의 1로 떨어졌다 — 해저 데이터센터 정리

    서버를 바다에 수장시켰더니 고장률이 8분의 1로 떨어졌다 — 해저 데이터센터 정리

    스코틀랜드 앞바다, 수심 35미터 해저. 그 안에 서버 864개가 돌아가고 있었다. 마이크로소프트가 2018년에 이 실험을 시작했을 때 업계 반응은 대체로 “말이 안 된다”였다. 2년 후 인양 결과가 나왔을 때 분위기가 바뀌었다. 고장률이 육상 데이터센터의 8분의 1. 이게 그냥 묻힌 이야기가 아닌 이유가 여기 있다.

    AI 수요가 폭발하면서 데이터센터 부지, 전력, 냉각이라는 세 문제가 동시에 터지고 있다. 셋 다 돈이 어마어마하게 든다. 해저 데이터센터는 이 세 가지를 한꺼번에 건드리는 방식이다.

    왜 하필 바다인가

    데이터센터가 전 세계 전력의 1~2%를 먹는다. AI 학습·추론 수요가 급증하면서 이 비율은 계속 올라가는 중이다. 문제의 핵심은 냉각이다. 서버가 내뿜는 열을 식히는 비용이 전체 운영비의 30~40%를 차지한다. 냉각을 잘 해결하면 운영비 구조 자체가 달라진다.

    바다는 이 문제를 구조적으로 풀어준다. 수온이 연중 안정적이고, 해수의 열용량은 공기와 비교가 안 될 정도로 크다. 냉각수를 따로 끌어다 쓸 필요 없이 바닷물을 그대로 쓰면 된다. 해안 근처라면 전력 연결도 그리 어렵지 않다.

    마이크로소프트 프로젝트 나틱이 증명한 것

    마이크로소프트의 ‘프로젝트 나틱(Project Natick)’은 2018년 스코틀랜드 오크니 제도 앞바다에서 시작됐다. 지름 2.4미터, 길이 12미터짜리 원통형 압력 용기 안에 서버 864개를 넣어 가라앉혔다. 2년 운영 후 인양해서 분석한 결과가 이렇다.

    • 고장률이 육상 데이터센터의 8분의 1 수준
    • 내부를 질소 환경(무산소)으로 채워 부식·습도 문제 원천 차단
    • 해수를 냉각에 직접 활용해 에너지 비용 절감
    • 진동·먼지·온습도 변화가 없어 부품 수명이 육상 대비 훨씬 길어짐

    인간의 손이 안 닿는 게 오히려 장점이었다. 유지보수 인력이 드나들면서 생기는 진동, 정전기, 이물질 유입. 이게 다 사라지니까 서버 환경이 훨씬 안정적으로 유지됐다는 얘기다. 생각해보면 당연한 건데, 막상 수치로 나오니 임팩트가 크다.

    해저 케이블 인프라와 맞닿는 지점

    전 세계 인터넷 트래픽의 95% 이상이 해저 케이블로 흐른다. 구글, 메타, 아마존은 이미 자체 해저 케이블을 직접 깔고 있다. 데이터센터를 이 케이블 경로 근처 해저에 박아두면 지연(레이턴시)을 크게 줄일 수 있다.

    해안 도시 근처 수심에 설치하면 도심 한복판에 비싼 부동산 없이도, 도시 사용자에게 빠른 응답 속도를 주는 엣지 컴퓨팅 거점이 생긴다. 서울, 도쿄, 뉴욕 같은 고밀도 해안 대도시권에서 이 구조가 경제적으로 말이 되는 이유다.

    현실적인 한계 3가지

    장점만 있는 기술은 없다. 해저 데이터센터가 넘어야 할 장벽도 뚜렷하다.

    • 유지보수 불가: 고장 나도 즉각 수리 못 한다. 인양 자체가 대형 작업이라 시간도, 돈도 상당히 든다.
    • 초기 구축 비용: 압력에 견디는 밀폐 용기, 수중 전력 케이블, 설치 선박 운용. 육상 데이터센터 대비 초기 투자가 훨씬 크다.
    • 해양 환경 영향: 서버 열이 주변 해수 온도를 높인다. 대규모로 배치하면 생태계를 어떻게 바꿀지, 장기 연구가 아직 부족하다.

    플렉서블·모듈형 데이터센터와 함께 가는 흐름

    해저 데이터센터와 함께 업계가 눈여겨보는 게 ‘플렉서블 데이터센터’다. 컨테이너 크기 서버 유닛을 필요한 곳에 꽂고, 수요에 따라 늘리거나 줄이는 방식. 군사 기지, 오지, 재난 현장, 해양 플랫폼처럼 기존 대형 데이터센터로는 커버 못 하는 환경에서 수요가 커지고 있다.

    AI 추론 작업은 학습과 달리 훨씬 작은 컴퓨팅 파워로 돌아간다. 작고 분산된 엣지 유닛을 사용자 가까이 두면 응답 속도도, 비용도 유리해진다. 결국 “하나의 거대한 데이터센터”에서 “분산된 작은 유닛들”로 무게 중심이 이동하는 흐름과 맞닿아 있다.

    중국은 이미 상용화 단계다

    중국 기업 하이랜더(Highlander, 海兰信)는 이미 상용 해저 데이터센터를 운영 중이다. 하이난 앞바다에 컨테이너형 수중 데이터센터를 설치했고, 추가 유닛 배치 계획도 발표했다.

    마이크로소프트는 실험이었지만, 하이랜더는 실제 상업 서비스다. 이 속도를 보면 해저 데이터센터가 SF가 아니라 현실 인프라로 넘어오는 게 생각보다 빠르다. MIT 테크놀로지 리뷰도 이 흐름을 주요 인프라 트렌드로 짚고 있다.

    육상을 대체하지는 않는다, 보완재로서

    해저 데이터센터가 기존 육상 시설을 대체하지는 않는다. 냉각 효율이 높고, 땅값이 없고, 레이턴시를 줄일 수 있는 특정 조건에서만 경제성이 생긴다. 보완재다.

    AI 인프라 경쟁이 치열해질수록 얘기가 달라진다. 엔비디아 GPU 클러스터를 식히는 비용이 계속 올라가는 상황에서, 전력·냉각·부지 세 가지 병목을 동시에 건드리는 수단으로서 수중 배치의 경제성은 더 커질 수밖에 없다. 바다가 꽤 현실적인 답 중 하나가 되고 있는 이유다.

    출처: MIT Tech Review AI

    관련 기사

  • 정부가 AI 기업을 규제하는 진짜 이유 — 갈등 구조 뜯어보기

    정부가 AI 기업을 규제하는 진짜 이유 — 갈등 구조 뜯어보기

    Anthropic과 미국 정부 사이 긴장이 다시 불거졌다. 새로운 일이 아니다. OpenAI도, Google도, Meta도 같은 코스를 밟았다. AI 기업들이 수조 원을 쏟아붓는 동안, 각국 정부는 규제 법안을 잇달아 꺼내 들었다. “안전을 위해서”라는 명분은 양측 다 같다. 문제는 그 다음이다. 기업은 속도를 원하고, 정부는 통제권을 원한다. 이 두 방향은 구조적으로 안 맞는다.

    이 충돌이 왜 계속 반복되는지 이해하면, 다음에 무슨 일이 터질지도 어느 정도 보인다. AI 규제 논쟁은 단발성 사건이 아니라, 기술 패권을 둘러싼 구조적 반복이다.

    AI 규제, 세 층위로 나뉜다

    AI 규제(AI Regulation)는 인공지능 시스템의 개발·배포·운영에 관한 정부 차원의 법적 통제다. 크게 세 종류로 나뉜다.

    • 안전 규제: AI가 사람에게 해를 끼치지 않도록 하는 기술적 기준
    • 윤리 규제: 차별·편향·개인정보 침해 방지
    • 국가안보 규제: AI 기술이 적대 세력에 넘어가지 않도록 하는 수출 통제

    이 세 층위가 뒤섞이는 순간부터 문제가 생긴다. “안전을 위한 규제”가 어느새 “기술 경쟁에서 주도권을 잡으려는 규제”로 변질된다. 정부와 기업이 충돌할 때, 이 경계선이 늘 논쟁의 핵심이다.

    정부가 AI를 규제하려는 이유, 하나가 아니다

    정부가 AI 기업을 규제하려는 이유를 “위험해서”로만 설명하면 절반만 맞다. 실제론 동기가 세 겹으로 겹쳐 있다.

    첫째, 국가안보 우려다. 군사·정보 분야에 AI가 쓰이면, 그 기술이 어느 기업 손에 있느냐는 외교·안보의 문제가 된다. 미국이 Nvidia 고성능 칩의 대중 수출을 제한한 것도 같은 맥락이다. Anthropic처럼 고성능 언어모델을 개발하는 기업은 국방부·정보기관과 얽히기 쉽다.

    둘째, 경제 패권 경쟁이다. AI는 다음 10년의 핵심 인프라다. 민간 기업이 이 인프라를 독점하도록 두는 건 정부 입장에서 리스크다. 규제는 통제권을 유지하는 수단이기도 하다.

    셋째, 진짜로 안전이 걱정되는 경우다. 일부 규제는 AI 오작동·편향·자율성 확장에 대한 진지한 우려에서 비롯된다. 솔직히 이게 주된 동기인 경우는 생각보다 드물다.

    AI 기업이 반발하는 이유 — 돈 문제만은 아니다

    “기업이 규제에 반대하는 건 돈 때문”이라는 시각은 단순화다. 실제론 이유가 세 가지로 갈린다.

    • 속도 문제: AI 개발 사이클은 수개월 단위다. 법안 심의는 수년이 걸린다. 법이 통과될 쯤엔 규제 대상 기술이 이미 구형이 돼 있다.
    • 기술 이해 부족: 규제를 만드는 사람들이 실제 기술을 깊이 이해하지 못하는 경우가 많다. 결과적으로 너무 좁거나 너무 넓은 규제가 나온다.
    • 경쟁력 훼손: 규제가 미국 기업에만 적용되면 중국이나 유럽 경쟁자들이 반사이익을 얻는다. “우리만 묶어놓는 규제”는 기업 입장에서 받아들이기 어렵다.

    안전을 강조하며 출발한 기업이, 정작 정부의 안전 요구엔 저항한다. 모순처럼 보이지만 아니다. 양측이 말하는 ‘안전’의 정의가 애초에 다르기 때문이다.

    미국 AI 규제, 지금 어디까지 왔나

    EU와 비교하면 미국은 느슨한 편이다. EU는 AI Act를 통해 위험도에 따라 AI를 분류하고, 고위험 AI에는 엄격한 요건을 부과한다. 미국엔 아직 연방 차원의 포괄적 AI 법률이 없다. 대신 행정명령과 부처별 지침으로 운영된다.

    • 백악관이 AI 개발 기업에 안전 테스트 결과 공유 요청
    • NIST(국립표준기술연구소)가 AI 위험 관리 프레임워크 제시
    • 상무부가 고성능 칩 수출 제한 조치 시행
    • 의회는 다수의 AI 관련 법안을 논의 중이지만 통과는 더딘 상태

    현재 미국의 AI 규제는 “기업 자율”과 “정부 요청” 사이 어딘가에 있다. 법적 구속력이 약하다 보니, 기업이 협조하지 않으면 갈등이 수면 위로 떠오를 수밖에 없다.

    소비자 입장에서 뭐가 달라지나

    AI 기업과 정부의 싸움이 먼 이야기처럼 느껴질 수 있다. 실질적 영향은 분명히 있다.

    서비스 제한. 규제 요건을 충족하지 못하면 특정 기능이 막히거나 지역별로 서비스가 달라진다. EU GDPR 이후 많은 서비스가 유럽 사용자에게 다른 방식으로 작동하는 것과 같은 이치다.

    가격 변화. 규제 준수 비용은 결국 서비스 가격에 반영된다. 규제가 강해질수록 소규모 AI 서비스는 시장에서 밀려나고, 대형 기업 중심으로 재편될 가능성이 높다.

    모델 성능 차이. 특정 국가 규제에 맞추려고 모델 기능 일부가 제거되거나 조정된다. 같은 이름의 AI인데 지역에 따라 답변이 달라지는 현상은 이미 나타나고 있다.

    앞으로 방향을 가를 변수 세 가지

    AI 기업과 정부의 충돌은 앞으로도 반복될 구조다. 방향을 결정할 핵심 변수가 세 개 있다.

    1. 선거와 정권 교체. AI 규제에 대한 입장은 정치적 성향과 연결된다. 규제 완화를 선호하는 정권이 들어서면 갈등의 성격 자체가 바뀐다.

    2. AI 사고 발생 여부. 대형 AI 관련 사고가 터지면 규제 강화 여론이 급격히 높아진다. 반대로 사고 없이 시간이 지나면 “규제 과잉”이라는 비판이 커진다.

    3. 중국 AI의 성장 속도. 미국이 자국 AI 기업을 강하게 규제하다 중국 AI에 뒤처지면, 규제 완화 쪽으로 방향을 틀 여지가 있다. 기술 패권 경쟁이 규제 방향을 좌우하는 셈이다.

    결국 AI 규제는 기술·안전만의 문제가 아니다. 정치·경제·외교가 뒤섞인 복합 게임이다. 이 게임에서 소비자와 개발자가 할 수 있는 건, 어떤 주장이 진짜 이유인지 구별하는 것 정도다. MIT 테크 리뷰가 Anthropic 사례를 통해 짚어낸 것도 결국 이 지점이다.

    출처: MIT Tech Review AI

    관련 기사

  • AWS가 지겨워졌을 때 찾게 되는 것들 — Railway, Vercel, Render, Fly.io 비교

    AWS가 지겨워졌을 때 찾게 되는 것들 — Railway, Vercel, Render, Fly.io 비교

    Terraform 설정 2시간, IAM 씨름 또 1시간. 서비스 하나 올리는 데 드는 시간이다. AWS가 강력한 건 맞는데, 그 복잡함과 비용 구조에 지쳐서 대안을 찾는 팀이 늘고 있다. Railway, Vercel, Render, Fly.io — 뭘 써야 할지 정리했다.

    AWS가 강력한 만큼 무거운 이유

    AWS는 서비스만 200개가 넘는다. 엔터프라이즈 안정성과 글로벌 인프라는 실제로 대단하다. 근데 바로 그 규모가 문제다. EC2 인스턴스 하나 띄우면 쓰든 안 쓰든 시간당 요금이 나간다. 사이드 프로젝트 하나 돌리는 데 월 50달러 나오는 건 흔한 일이고, VPC·서브넷·보안 그룹·로드 밸런서까지 — 단순한 웹앱 배포 하나에 인프라 엔지니어 수준의 지식이 필요하다.

    • 프리 티어 만료 후 예상 못한 청구서 폭탄
    • IAM 권한 설정 실수로 배포가 통째로 막히는 상황
    • Terraform, CloudFormation 같은 IaC 도구 학습 비용
    • 빌드-배포 사이클이 평균 2~3분 소요

    3~5인 팀에게 AWS 풀 스택은 솔직히 너무 과하다.

    Heroku의 DNA, 지금은 Railway·Render·Fly.io로

    2007년 Heroku가 “클릭 몇 번으로 배포”를 들고 나왔을 때 개발자들이 열광했다. 인프라 몰라도 앱 올린다는 발상이 혁신이었다. 그 DNA를 이어받은 게 지금의 Railway, Render, Fly.io, Vercel이다.

    최근 변수가 하나 생겼다. GitHub Copilot, Cursor, Claude 같은 AI 코딩 도구가 보편화되면서 코드 작성 속도가 극적으로 빨라진 것. 코드는 초 단위로 나오는데 배포는 여전히 분 단위다. AI 에이전트가 코드 생성 → 테스트 → 배포 → 검증을 자동으로 반복하는 루프에서, 배포 지연은 전체의 병목이 된다. 이 불균형이 새로운 인프라 수요를 만들어냈다.

    Railway — 마케팅 없이 개발자 200만 명 모은 서비스

    Railway는 샌프란시스코 기반 클라우드 플랫폼이다. 광고 없이 입소문만으로 200만 명 모았다. 가장 내세우는 건 초 단위 배포다. 기존 클라우드에서 2~3분 걸리던 빌드-배포 과정이 1초 이내로 줄어든다는 주장인데, 직접 써보면 체감이 확실하다.

    2024년에는 Google Cloud 의존을 완전히 끊고 자체 데이터센터를 구축했다. 네트워크·컴퓨팅·스토리지 레이어 전체를 직접 제어하게 되면서 하이퍼스케일러 대비 약 50% 낮은 가격이 가능해졌다. 과금 방식도 다르다. 쓴 만큼만, 초 단위로 청구한다:

    • 메모리: GB-초당 $0.00000386
    • vCPU: 초당 $0.00000772
    • 스토리지: GB-초당 $0.00000006
    • 유휴 VM 과금 없음

    실사례를 보면 숫자가 확실히 와닿는다. 연방 계약업체 10만 곳을 서비스하는 G2X는 Railway 마이그레이션 후 월 인프라 비용이 $15,000에서 $1,000으로 줄었다. 배포 속도는 7배 빨라졌다. AI 인프라 스타트업 Kernel은 Railway에서 월 $444로 1,000개 이상 기업의 고객 대면 시스템을 운영 중이다.

    Vercel, Render, Fly.io — 각자 다른 곳에 강하다

    개발자 친화 클라우드 시장은 이미 경쟁이 치열하다. 포지셔닝이 뚜렷하게 갈린다.

    • Vercel: Next.js에 최적화된 프론트엔드 특화 플랫폼. 엣지 배포가 강점이지만 풀스택 백엔드는 약하다
    • Render: Heroku의 현대적 대안. 설정 간단하고 무료 티어가 있지만 스케일링에서 한계가 온다
    • Fly.io: 엣지 컴퓨팅과 Docker 친화적 구조. 학습 곡선은 있다
    • Railway: VM, 컨테이너, 스토리지, 네트워킹까지 풀스택 커버. AI 에이전트 통합 지원

    Railway가 차별점으로 내세우는 건 전체 인프라 스택 커버리지다. PostgreSQL, MySQL, MongoDB, Redis 같은 데이터베이스부터 256TB 퍼시스턴트 스토리지, 가상 프라이빗 네트워크, 자동 로드 밸런싱까지 한 플랫폼에서 된다. MCP(Model Context Protocol) 서버도 제공해서 Claude, Cursor 같은 AI 코딩 도구에서 직접 배포 명령을 호출하는 것도 된다.

    프로젝트 성격별 선택 기준

    팀 규모와 프로젝트 성격에 따라 달라진다.

    • 사이드 프로젝트 / 개인 개발: Render 무료 티어, Railway 무료 플랜, Fly.io 무료 티어 중 선택. 트래픽이 거의 없으면 셋 다 무료로 운영된다
    • 스타트업 초기: Railway 또는 Render. 빠른 배포와 낮은 운영 부담이 우선일 때
    • 프론트엔드 집약적 서비스: Vercel이 여전히 강력. Next.js + Vercel 조합은 사실상 표준이다
    • 백엔드 집약적 서비스: Railway(풀스택 인프라) 또는 Fly.io(엣지 + Docker)
    • 대기업 / 컴플라이언스 필요: AWS, GCP, Azure가 기본. SOC 2, HIPAA 인증 생태계가 가장 성숙해 있다

    AWS를 통째로 갈아엎으려 하지 않는 게 현실적이다. 새 서비스나 팀 단위로 대안 플랫폼을 시범 도입해보는 편이 낫다. 리스크가 낮고 직접 비교 데이터를 뽑아볼 수 있다.

    AI가 클라우드 시장 판을 흔드는 방식

    AWS, Google Cloud, Azure가 시장을 쉽게 내줄 리 없다. 엔터프라이즈 계약, 레거시 시스템 의존도, 수십 년간 쌓인 생태계. 해자가 탄탄하다.

    근데 AI 코딩의 확산이 변수로 작용한다. 코드 작성이 민주화되면 인프라 운영의 진입장벽도 낮아져야 한다. 엔지니어가 아니어도 소프트웨어를 만드는 시대가 오면, 그 소프트웨어가 돌아갈 인프라 기준도 달라진다. 기존 클라우드 대기업들이 “VM을 띄워두고 10%만 쓰는” 고객에게서 안정적으로 수익을 거두는 한, 그 비즈니스 모델을 스스로 무너뜨릴 이유가 없다. 이게 구조적 문제의 핵심이다.

    Railway가 단순한 “저렴한 AWS 대안”에 머물지, 실제 엔터프라이즈 인프라로 파고드는지가 진짜 관전 포인트다. Fortune 500 기업 31%가 이미 Railway를 쓴다는 수치는 흥미롭지만, 전사 인프라가 아닌 개별 팀 프로젝트 단위 사용일 가능성이 높다. 그 간극을 얼마나 좁히느냐가 승부처다.

    개발자 입장에서 나쁠 건 없다. 선택지가 늘었고 경쟁이 가격을 낮추고 있다. 배포 경험은 계속 좋아지고 있고, VentureBeat AI 보도에 따르면 Railway는 최근 $100M 투자를 유치하며 AWS 대항마로서의 입지를 강화했다.

    출처: VentureBeat AI

    관련 기사

  • 암흑물질, 수십 년째 못 찾고 있다 — WIMP부터 지하 2,400m 검출기까지

    암흑물질, 수십 년째 못 찾고 있다 — WIMP부터 지하 2,400m 검출기까지

    지하 2,400m. 중국 쓰촨성 진핑산 깊은 곳에 실험실이 있다. 수십 톤의 액체 제논이 채워진 탱크가 텅 빈 듯한 공간에서 신호를 기다린다. 이탈리아 아페닌 산맥 아래 1,400m에도, 미국 사우스다코타의 폐금광 안에도 같은 장면이 펼쳐진다. 목표는 하나다. 암흑물질(Dark Matter)을 잡는 것.

    우주에 존재하는 물질의 약 85%는 눈에 보이지 않는다. 빛을 내지도, 반사하지도 않는다. 그러면서 은하의 회전 속도를 좌우하고, 우주 거대 구조 전체를 빚어왔다. 물리학자들은 이것을 암흑물질이라고 부르는데—찾기 시작한 지 수십 년이 됐는데도 아직 실물을 본 사람이 없다.

    은하가 ‘이상하게’ 돈다는 것에서 시작된 추적

    처음 이 문제를 건드린 건 1930년대 스위스 천문학자 프리츠 츠비키였다. 은하단 안의 은하들이 이론값보다 훨씬 빠르게 움직인다는 걸 발견했는데, 계산상으로는 중력이 부족해 진작에 흩어졌어야 할 구조가 멀쩡히 뭉쳐 있었다. 뭔가 보이지 않는 게 추가 중력을 공급한다는 결론이 나온 배경이다.

    1970년대, 천문학자 베라 루빈이 결정적 증거를 추가했다. 나선 은하의 바깥쪽 별들이 안쪽 별들과 거의 같은 속도로 공전한다는 것. 태양계처럼 중심에 질량이 몰린 구조라면 바깥쪽은 훨씬 느려야 한다—행성들이 태양에서 멀수록 느리게 도는 것처럼. 뭔가가 은하 외곽까지 퍼져 있으면서 중력을 행사하고 있다는 뜻이다. 이게 암흑물질 헤일로(Halo) 개념의 출발점이다.

    현재 우주론의 표준 모델(ΛCDM)이 그리는 우주 구성은 이렇다:

    • 일반 물질(원자 등): 약 5%
    • 암흑물질: 약 27%
    • 암흑에너지: 약 68%

    우리가 보고, 만지고, 감지할 수 있는 물질은 전체의 5%. 우주의 95%는 정체 불명이다. 이렇게 놓고 보면 우리가 우주를 ‘이해한다’고 말하는 게 민망할 수준이긴 하다.

    암흑물질 후보들 — WIMP, 액시온, 원시 블랙홀

    암흑물질이 뭔지는 아직 모른다. 후보만 여럿이다.

    WIMP(약한 상호작용을 하는 무거운 입자)는 수십 년간 가장 유력한 후보였다. 일반 물질과 거의 상호작용하지 않지만, 극히 드물게 원자핵과 충돌한다는 이론 덕분에 검출 가능성이 열려 있다. 지하 액체 제논 검출기들이 주로 노리는 게 바로 이 WIMP다.

    액시온(Axion)은 WIMP보다 훨씬 가벼운 가상 입자다. 강한 자기장과 상호작용해 광자로 변환될 수 있다는 예측이 있어서, 완전히 다른 방식의 검출기가 필요하다. 미국의 ADMX 실험이 대표 사례인데, WIMP와 액시온은 검출 방식부터 달라서 사실상 별개의 수색 작전이다.

    원시 블랙홀(Primordial Black Hole)은 빅뱅 직후 생성됐을 것으로 추정되는 소형 블랙홀이다. 흥미로운 후보이긴 한데 중력파 관측 데이터와 일부 충돌하는 문제가 있어서, 이건 좀 논란이 있는 편이다.

    최근 분위기는 미묘하게 바뀌고 있다. WIMP가 예상보다 훨씬 약하게 일반 물질과 상호작용하거나, 아예 다른 형태로 존재할 가능성도 진지하게 검토 중이다. 수십 년 수색에도 안 잡히니까 이론 공간이 자연스럽게 넓어진 셈이다.

    왜 굳이 지하로 내려가나

    이유는 단순하다. 지표면에는 우주에서 쏟아지는 뮤온(muon)과 각종 방사선이 넘쳐난다. 이것들이 검출기에 잡히면 암흑물질 신호와 구분이 안 된다. 배경 잡음이 너무 많아서 정작 찾는 신호가 묻혀버리는 거다.

    암석 1km는 우주선(宇宙線) 뮤온 플럭스를 수백만 분의 일 수준으로 줄여준다. 깊을수록 배경 잡음이 줄고, 더 희미한 신호를 잡을 여지가 생긴다. 중국 진핑산 지하 2,400m의 CJPL(중국 진핑 지하 실험실)이 현재 세계에서 가장 깊은 암흑물질 실험실 중 하나다.

    이탈리아 그란 사소 연구소(LNGS)는 아페닌 산맥 아래 1,400m에서 XENONnT 실험을 돌리고 있고, 미국 사우스다코타의 옛 홈스테이크 금광에는 LUX-ZEPLIN(LZ) 검출기가 설치돼 있다. 이 세 곳이 현재 직접 탐색의 최전선이다.

    액체 제논 검출기, 어떻게 작동하나

    지금 가장 앞선 검출기들은 수십 톤의 액체 제논을 쓴다. 왜 제논이냐면—화학적으로 거의 반응하지 않고, 방사성 오염이 없고, 입자가 충돌할 때 빛과 전자를 동시에 방출하는 성질이 있기 때문이다. 검출기 재료로는 꽤 이상적인 조건이다.

    작동 원리는 이렇다:

    • 암흑물질 입자가 제논 원자핵과 충돌하면 아주 작은 에너지가 전달된다
    • 그때 발생하는 섬광(빛)과 이온화 전자를 탱크 주변 광센서가 잡아낸다
    • 빛과 전자의 비율을 분석해 어떤 입자가 충돌했는지 구분한다
    • 전자 반동(배경 방사선)과 핵 반동(암흑물질 후보)을 이 방식으로 걸러낸다

    LZ 검출기의 활성 제논 질량은 약 10톤, XENONnT는 약 8.6톤이다. 다음 세대 실험인 XLZD 컨소시엄은 40~60톤 규모를 검토 중이다. 탱크가 클수록 충돌 확률이 높아지니—규모 경쟁이 계속되는 이유다.

    AI가 데이터 분석에 뛰어든 이유

    수십 톤의 제논에서 하루에 발생하는 이벤트는 수백만 건이다. 암흑물질로 인한 이벤트는—만약 존재한다면—1년에 몇 건 수준일 수도 있다. 이 비율을 사람 손으로 걸러낸다는 건 애초에 불가능한 스케일이다.

    그래서 머신러닝과 딥러닝이 들어왔다. 그래프 신경망(GNN) 같은 구조가 입자 충돌 패턴 분류에 효과적임이 입증되면서 암흑물질 실험 데이터 분석에도 본격 도입됐다. AI 모델은 수백 가지 특성을 동시에 학습해 배경 이벤트와 신호 후보를 구분하는 정확도를 크게 끌어올린다.

    AI 역할이 커질수록 새로운 문제도 생긴다. “모델이 신호를 찾았다”는 주장의 신뢰성을 어떻게 검증하느냐는 거다. 검출기 물리학과 AI 해석 가능성(XAI)이 교차하는 지점인데, 솔직히 이 부분은 아직 답이 나오지 않았다.

    수십 년째 못 찾고 있다 — 이론이 틀린 건 아닐까

    WIMP를 향한 수색은 1980년대부터 시작됐다. 수십 년이 지나도 직접 검출에 실패하자, 물리학계 일부에서 암흑물질 패러다임 자체를 재검토해야 하는 것 아니냐는 목소리가 나오기 시작했다. 이 의심은 나름 합리적이다.

    대안 이론 중 가장 잘 알려진 건 MOND(수정 뉴턴 역학)다. 중력이 약해지는 환경에서 뉴턴 역학을 수정하면 암흑물질 없이도 은하 회전 곡선을 설명할 수 있다는 주장인데—총알 은하단 같은 은하단 충돌 관측에서는 MOND 설명이 맞지 않고, 암흑물질 해석이 훨씬 자연스럽다. 지금까지는 암흑물질 쪽이 더 넓은 현상을 설명한다는 게 중론이다.

    WIMP 검출 실패가 “암흑물질이 없다”는 뜻은 아니다. WIMP가 예상보다 훨씬 약하게 일반 물질과 상호작용하거나, 아직 생각지 못한 형태로 존재할 수 있다. 실패한 실험도 “이 구간에는 없다”는 정보를 준다는 점에서 과학적으로 의미가 있다—탐색 범위를 좁히는 것도 수색이니까.

    찾으면 뭐가 달라지나

    암흑물질 직접 검출은 노벨상 하나로 끝날 문제가 아니다. 표준 모델 너머의 새 입자 물리학이 열린다. 현재 입자물리학의 표준 모델은 실험에서 관측된 모든 입자를 설명하지만, 암흑물질 후보 입자는 그 안에 없다. 검출에 성공하면 표준 모델이 확장되거나 교체되는 근거가 된다.

    실용적인 가능성도 무시하기 어렵다. 새로운 상호작용 메커니즘이나 입자가 발견되면 에너지·통신·의료 분야에서 예측 불가능한 응용이 나올 여지가 있다. 핵분열이 발견됐을 때 핵발전과 핵폭탄을 예상한 사람이 드물었던 것처럼—새로운 물리학이 무엇을 가져올지는 지금 가늠하기 어렵다.

    결정적으로 이 문제의 무게는 숫자에 있다. 우주 전체 질량-에너지의 27%를 차지하는 무언가의 정체를 모른다는 건, 우리가 우주를 얼마나 피상적으로 이해하고 있는지 보여주는 지표다. 지하 실험실에서 벌어지는 이 탐색은 그 빈칸을 채우는 작업이다. 언제 채워질지는 모르겠지만.

    출처: MIT Tech Review AI

    관련 기사

  • 생각만으로 문장을 쓴다 — 뇌-컴퓨터 인터페이스(BCI) 원리와 현재

    생각만으로 문장을 쓴다 — 뇌-컴퓨터 인터페이스(BCI) 원리와 현재

    ALS 환자가 분당 80단어를 뇌 신호만으로 입력한다. 타이핑이 아니다. 손가락 하나 안 쓴다. 스탠퍼드와 UCSF 연구팀이 실제로 해낸 일이다.

    뇌-컴퓨터 인터페이스(BCI, Brain-Computer Interface)는 뇌와 컴퓨터를 직접 연결하는 기술이다. ALS(루게릭병), 척수손상, 뇌졸중 환자에게 신체를 대신할 소통 수단을 주는 게 현재 가장 앞선 활용 사례고, 신경과학·머신러닝·반도체 기술이 한데 뭉친 분야다. 임상 데이터가 빠르게 쌓이면서 투자와 연구가 동시에 속도를 올리는 중이다.

    왜 하필 지금인가

    BCI 개념 자체는 1970년대부터 있었다. 그런데 최근 들어 갑자기 뜨고 있는 데는 세 가지가 한꺼번에 맞아떨어진 덕분이다.

    • 전극 소형화: 뇌에 삽입하는 전극 배열이 수십 개에서 수천 개 수준으로 늘었다. 뉴럴링크(Neuralink)가 개발한 N1 칩은 1,024개의 전극을 탑재한다.
    • AI 신호 해석: 뇌파 패턴을 문자나 명령으로 바꾸는 과정이 과거엔 느리고 엉망이었다. 딥러닝 기반 디코더가 이 병목을 뚫었다.
    • FDA 패스트트랙: 미국 FDA가 혁신 의료기기에 대한 패스트트랙 승인을 확대하면서 임상시험 속도가 붙었다.

    하드웨어, 소프트웨어, 규제 환경이 동시에 무르익은 타이밍. 이게 지금이다.

    뇌파를 어떻게 읽나 — 4단계 흐름

    BCI의 작동 흐름은 4단계다.

    1. 신호 수집: 전극이 뉴런 활동 전위(스파이크)를 감지한다.
    2. 증폭·필터링: 마이크로볼트 수준의 미약한 신호를 노이즈 없이 증폭한다.
    3. 디코딩: 머신러닝 모델이 신호 패턴을 동작이나 언어로 변환한다.
    4. 출력: 커서 이동, 텍스트 입력, 로봇 팔 제어 등 외부 장치로 명령이 전달된다.

    핵심은 3번, 디코딩이다. 같은 전극 배열을 쓰더라도 어떤 알고리즘이냐에 따라 정확도와 속도가 완전히 갈린다. MIT, 스탠퍼드, UC샌프란시스코 연구팀이 이 디코더 경쟁을 주도하고 있는데, 솔직히 여기서 승부가 갈린다고 봐야 한다.

    뇌를 여느냐 마느냐 — 침습식 vs 비침습식

    BCI는 크게 두 종류로 나뉜다. 침습식(Invasive)과 비침습식(Non-invasive)이다.

    • 침습식: 두개골을 열고 뇌 표면이나 피질 내부에 전극을 이식한다. 신호 품질은 압도적이다. 다만 수술 위험, 염증, 전극 수명 문제가 따라온다. 뉴럴링크, Synchron, BrainGate가 여기에 속한다.
    • 비침습식: 두피에 전극 캡을 씌우거나(EEG), 두개골 밖에서 자기장을 쓰는(TMS) 방식이다. 수술이 없어 안전하지만 해상도가 낮고 속도도 느리다.

    치료 목적 임상은 거의 침습식으로 간다. 신호 품질이 떨어지면 마비 환자에게 실질적 도움을 주기 어렵거든. 반면 게임이나 집중도 측정 같은 소비자 앱은 비침습식이 시장을 넓혀가고 있다.

    생각으로 말하고, 뇌로 걷다 — 실제 임상 사례

    스탠퍼드·UCSF 연구팀이 ALS·뇌졸중 환자를 대상으로 진행한 연구에서 뇌 신호만으로 분당 80단어 이상을 텍스트로 변환하는 데 성공했다. 건강한 성인의 평균 타이핑 속도에 거의 닿은 수치다.

    운동 쪽은 더 극적이다. 척수손상 환자에게 뇌 임플란트와 척수 전기자극을 동시에 적용해 다리 근육을 다시 움직이게 한 사례가 국제 학술지 네이처(Nature)에 실렸다. 이건 좀 과한 얘기처럼 들리는데, 실제로 나온 결과다.

    장기 사용 사례도 나왔다. ALS 환자 중 수년에 걸쳐 BCI를 일상적으로 쓰면서 가족과 소통하고, 조명과 TV까지 제어하는 단계에 이른 이들이 등장했다. ‘파워 유저’라고 불러도 무방할 것 같다. 이런 사례들이 BCI의 실용성 논쟁에 가장 구체적인 답을 내놓는다.

    치료를 넘어 — 인간 증강의 가능성과 현실

    BCI 논의에서 치료 이상의 영역, 즉 인간 증강(Human Augmentation)이 점점 자주 등장한다.

    이론적으로 BCI가 충분히 발전하면 기억 보조, 감각 확장, 심지어 뇌 간 직접 통신도 그려볼 수 있다. 일부 연구자들은 이미 시각피질을 자극해 시각장애인에게 빛의 패턴을 인식시키는 실험을 진행 중이다.

    다만 이 방향은 규제, 윤리, 사회적 합의가 기술보다 훨씬 뒤처져 있다. ‘치료’와 ‘증강’의 경계를 어디에 그을 것인지는 기술 문제가 아니라 사회적 결정이다. 대부분의 기업이 치료 목적에만 집중하는 것도 규제 경로가 상대적으로 명확하기 때문이다. 증강 쪽은 아직 그 경로 자체가 없다.

    상용화 앞을 막는 4개의 벽

    BCI가 일반인 삶에 닿기까지 넘어야 할 과제가 뚜렷하게 네 가지 있다.

    • 내구성: 뇌에 삽입된 전극은 시간이 지나면 신호 품질이 떨어진다. 면역 반응으로 전극 주변에 섬유화가 진행되기 때문이다. 10년 이상 안정적으로 작동하는 전극은 아직 없다.
    • 무선 전력·데이터: 두개골을 관통하는 케이블 없이 전력을 공급하고 데이터를 송수신하는 기술이 필요하다. 발열과 보안 문제도 함께 풀어야 한다.
    • 데이터 프라이버시: 뇌 신호는 건강 정보 중 가장 민감한 데이터다. 누구의 소유인지, 어떻게 보호되는지에 대한 법제도가 아직 제대로 없다.
    • 접근성: 현재 BCI 수술 비용은 수억 원 수준이다. 보험 적용 기준이 마련되지 않으면 고소득층 전유물로 남는다.

    다음 수순은

    단기적으로 BCI는 의료 기기로 자리 잡을 것이다. ALS, 척수손상, 뇌졸중 후유증 환자를 위한 보조 장치 시장은 이미 열리는 중이다. 뉴럴링크가 인간 대상 임상 1상을 진행하고 있고, Synchron은 FDA 혁신 의료기기 지정을 받은 상태다.

    소비자 시장은 비침습식이 먼저 치고 나온다. 헤드셋 형태의 뇌파 측정 기기가 이미 게임, 명상, 집중력 훈련 앱과 연동되어 팔리고 있다. 정확도는 침습식에 비할 바가 아니지만, 수술 없이 쓸 수 있다는 게 진입장벽을 낮춘다.

    MIT Tech Review 보도를 보면, 전신 마비 환자가 뇌 신호로 수년째 가족과 대화한다는 사실이 BCI가 단순한 연구 프로젝트를 벗어났다는 가장 직접적인 증거다. 기술 성숙보다 윤리·규제·비용 장벽을 낮추는 데 더 긴 시간이 걸릴 공산이 크다. 그게 앞으로의 핵심 변수다.

    출처: MIT Tech Review AI

    관련 기사

  • KPI 맹신의 함정 — 숫자가 좋아질수록 조직이 망가지는 이유

    KPI 맹신의 함정 — 숫자가 좋아질수록 조직이 망가지는 이유

    1999년 영국 NHS가 내놓은 해법은 심플했다. “응급실 대기, 4시간 이내 처리.” 측정하기 쉽고, 목표도 명확했다. 수치는 금방 좋아졌다. 근데 현장을 들여다보면 뭔가 이상했다. 4시간이 다 차오르기 직전에 환자를 임시로 ‘처치 완료’로 처리해버리고, 실제 치료는 나중으로 밀어두는 일이 생겼다. 숫자는 성공. 환자 상태는 악화. 지표가 현실을 개선한 게 아니라 현실을 흉내 낸 거다.

    이게 지표의 역설이다. 측정하면 나아진다고 믿었는데, 현실이 왜곡된다. 지표를 도입하는 순간 사람들은 현실을 바꾸는 대신 지표를 바꾸기 시작하니까.

    굿하트의 법칙: 측정이 목표가 되는 순간 지표는 망가진다

    경제학자 찰스 굿하트(Charles Goodhart)가 1970년대에 정리한 원칙이다. 한 줄로 요약하면:

    “어떤 지표가 목표 자체가 되는 순간, 그것은 더 이상 좋은 지표가 아니다.”

    반세기가 지났는데 아직도 정확하게 들어맞는다. 학교 시험 점수를 최우선으로 삼으면 학생들은 점수 올리기에만 최적화된다. 진짜 이해도나 창의적 사고력 말고. 영업팀 전화 통화 횟수가 KPI가 되면? 짧고 알맹이 없는 통화가 폭증한다. 콜센터 평균 통화 시간 단축이 목표가 되면 상담사는 고객 문제가 해결되기 전에 전화를 끊어버린다. 지표가 바뀌면 행동이 바뀐다. 근데 현실이 아니라 지표에 맞게 바뀌는 게 문제다.

    개인 생활도 별반 다르지 않다. 읽은 페이지 수를 기록하다 보면 두꺼운 책 대신 얇은 책만 손이 간다. 운동 횟수를 세다 보면 형식적인 5분짜리 운동이 늘어난다. 지표는 강력하다. 그리고 바로 그 강력함이 위험하다.

    숫자가 드러내지 못하는 것들

    지표가 잡아내는 건 현실의 일부다. 나머지는 그냥 안 보인다.

    • 팀워크와 신뢰: 개인 성과 지표에 잘 안 잡힌다. 조직 성과에는 결정적인데.
    • 장기적 고객 관계: 분기 매출 KPI로는 포착이 안 된다. 단기 수치를 위해 장기 신뢰를 갈아 넣는 결정이 여기서 나온다.
    • 창의성과 혁신: 수치화가 어렵다. 지표 중심 조직에서 혁신이 죽는 이유가 바로 이거다.
    • 직원 번아웃: 생산성 지표는 번아웃 직전까지 양호하게 보인다. 조직이 이걸 감지할 때쯤이면 이미 늦다.

    MIT 테크 리뷰가 전한 바에 따르면, 지표는 유용한 것을 드러내는 동시에 더 많은 것을 가리거나 왜곡한다. 10년 넘게 자신의 삶을 정밀하게 추적해 온 사람조차 이 이중성을 이해하는 데 그만큼의 시간이 걸렸다고 고백한다. 이건 그 사람이 둔해서가 아니다. 측정이라는 행위 자체에 내재된 속성이다.

    실제로 벌어진 지표 왜곡의 역사

    역사책을 펼치면 이 함정의 사례가 널려 있다.

    베트남전쟁의 킬 카운트(Kill Count): 미군은 사망자 수를 전쟁 승리의 핵심 지표로 삼았다. 결과는? 민간인 사망자까지 전투원으로 집계하는 왜곡이 벌어졌다. 숫자는 좋아 보였는데, 전쟁은 졌다.

    웰스파고 계좌 스캔들(2016년): 직원 1인당 신규 계좌 수를 핵심 KPI로 설정했다. 직원들은 고객 동의 없이 수백만 개의 계좌를 열었다. 수십억 달러짜리 벌금, 150년 역사의 브랜드 신뢰가 흔들렸다. 지표 하나가 이 지경으로 만들었다.

    소련의 못 생산 쿼터: 개수를 목표로 삼으면 작은 못만 잔뜩 만들었다. 무게를 목표로 삼으면 쓸모없이 큰 못 하나만 만들었다. 지표가 바뀔 때마다 생산이 왜곡됐다. 우스운 얘기처럼 들리지만 지금도 어딘가에서 벌어지고 있다.

    이 사례들의 공통점. 지표가 결과를 측정하는 도구에서 그 자체가 목표로 변했다는 거다.

    AI 시대, 알고리즘 지표의 새로운 함정

    AI와 데이터 분석 기술이 발전하면서 지표 의존도는 오히려 더 높아졌다. 더 많은 걸 더 빠르게 측정할 수 있으니까. 근데 이 흐름이 굿하트의 법칙을 더 강력하게 작동시킨다.

    소셜미디어 플랫폼들이 ‘참여도(Engagement)’를 핵심 지표로 설정한 사례가 대표적이다. 알고리즘은 참여도를 극대화하는 콘텐츠를 밀어준다. 가장 참여도가 높은 콘텐츠가 뭔지 알면 놀랍지도 않다. 분노와 공포를 자극하는 자극적 콘텐츠다. 플랫폼 입장에서는 지표가 성공이었는데, 사회적 비용은 어마어마했다.

    AI 모델 평가에서도 같은 문제가 나온다. 벤치마크 점수가 높으면 좋은 AI라고 믿기 쉽다. AI 개발사들이 벤치마크를 의식하고 개발하면, 모델은 실제 사용자 경험이 아니라 벤치마크에 최적화된다.

    • 추천 알고리즘: 클릭률(CTR) 최적화 → 자극적 콘텐츠 범람
    • 채용 AI: 과거 채용 데이터 기반 지표 → 기존 편향 강화
    • 신용 평가 AI: 상환율 지표 최적화 → 특정 집단 구조적 배제

    지표가 알고리즘과 결합하면 왜곡의 속도와 규모가 사람의 통제를 벗어난다. 개인이나 조직이 눈치채기도 전에 시스템이 잘못된 방향으로 달려버리는 거다.

    지표를 제대로 쓰는 3가지 원칙

    지표가 위험하다고 해서 없애야 한다는 뜻은 아니다. 올바르게 쓰는 방법이 있다.

    1. 지표는 증거지 목표가 아니다
    지표는 현실의 일부를 보여주는 창이다. 창이 현실 자체가 되면 안 된다. KPI 달성 여부보다, KPI가 정말 원하는 결과를 반영하고 있는지를 주기적으로 질문해야 한다. “이 숫자가 좋아진 게 진짜로 좋아진 건가?” 이 질문이 습관이 되어야 한다.

    2. 반지표(Counter-metric)를 함께 운용하라
    하나의 지표만 쓰면 그 지표에 최적화된 행동이 나온다. 판매량 KPI에는 고객 만족도·환불율 같은 반지표를 짝지어야 한다. 콜센터 통화 시간 단축 지표에는 문제 해결률 지표를 반드시 붙여야 한다. 세트다.

    3. 측정되지 않는 것도 관리 대상임을 인정하라
    “측정되지 않으면 관리되지 않는다”는 격언. 반만 맞다. 팀원의 사기, 고객과의 신뢰, 장기적 브랜드 가치는 수치화하기 어렵지만 조직의 생존을 좌우한다. 이건 지표 대신 정성적 리뷰, 정기 면담, 고객 인터뷰로 보완해야 한다.

    숫자 너머를 보는 조직이 살아남는다

    결국 지표는 도구다. 도구를 잘 쓰려면 그 한계를 정확히 알아야 한다. 망치가 있다고 모든 문제를 못으로 볼 필요는 없다.

    정말 강한 조직은 지표를 참고하되, 지표에 지배당하지 않는다. 숫자가 좋아 보여도 현장에서 직접 확인하고, 지표가 이상하게 좋아지면 오히려 의심한다. 어떤 지표를 선택하느냐는 어떤 현실을 볼 것인지를 결정하는 일이다.

    개인도 마찬가지다. 생산성 앱에 모든 시간을 기록하고 최적화하는 것보다, 가끔 기록을 멈추고 “지금 내가 정말 중요한 일을 하고 있나?”를 자문하는 게 더 나은 결과를 만들 때가 있다.

    숫자는 강력하다. 그 이유로, 숫자를 믿기 전에 숫자를 의심하는 습관이 필요하다.

    출처: MIT Tech Review AI

    관련 기사

  • LLM 어텐션 병목이란? AI 확장을 막는 한계와 해결책

    LLM 어텐션 병목이란? AI 확장을 막는 한계와 해결책

    GPT-4에 100페이지짜리 문서를 통째로 넣어봤다면 느꼈을 거다. 처리 속도가 뚝 떨어지고, API 비용이 예상보다 훨씬 많이 나온다. 서버 문제라고 생각하기 쉽지만 원인은 더 깊은 곳에 있다. LLM의 핵심 구조인 어텐션 메커니즘(Attention Mechanism)에 수학적 병목이 박혀 있기 때문이다. 업계가 10년 가까이 싸워온 바로 그 병목이다.

    어텐션 메커니즘이 뭔가

    2017년 논문 “Attention is All You Need”에서 시작된 이야기다. 어텐션 메커니즘은 모델이 텍스트를 처리할 때 각 단어가 다른 단어들과 얼마나 관련이 있는지를 계산하는 방식이다.

    예를 들어 “고양이가 쥐를 잡았다. 그것은 작았다”는 문장에서 ‘그것’이 ‘쥐’를 가리킨다는 걸 모델이 이해하려면, 문장 내 모든 단어 쌍의 관계를 계산해야 한다. 이 계산이 어텐션이다. 문제는 이 계산이 토큰 수의 제곱(n²)에 비례한다는 점이다. 입력이 1,000 토큰이면 100만 번, 10,000 토큰이면 1억 번의 계산이 필요하다. 토큰 두 배 → 계산량 네 배. 이것을 이차(Quadratic) 복잡도라 부른다.

    왜 이게 현실적인 문제가 되나

    AI 서비스를 만드는 입장에서 이 공식은 악몽 같은 비용 구조를 만든다.

    • 컨텍스트 윈도우 제한: 모델이 한 번에 처리할 수 있는 텍스트 길이가 이 병목 때문에 제한된다. 128K 토큰을 지원해도, 긴 입력일수록 메모리 사용량과 처리 시간이 폭발적으로 증가한다.
    • 추론 비용 폭등: 긴 문서를 분석시키면 비용이 선형이 아닌 기하급수적으로 올라간다.
    • 응답 지연: 첫 토큰이 나오기까지 걸리는 시간(TTFT, Time to First Token)이 입력 길이에 따라 크게 달라진다.

    서버를 더 사면 해결되는 문제가 아니다. 근본적인 수학 구조의 문제다.

    지금까지 나온 임시방편들

    업계는 이 문제를 정면으로 풀지 않고 우회하는 방법들을 개발해왔다.

    FlashAttention은 GPU 메모리 접근 방식을 바꿔, 이차 복잡도는 유지하되 실제 속도를 대폭 끌어올렸다. 연산량 자체는 줄지 않지만 메모리 I/O를 최적화해 빠른 추론을 가능하게 했다. 현재 거의 모든 주요 LLM이 FlashAttention2 또는 FlashAttention3를 쓴다.

    희소 어텐션(Sparse Attention)은 모든 토큰 쌍을 계산하지 않고 연관성이 높을 것 같은 일부만 계산한다. Longformer, BigBird 같은 모델이 이 방식을 썼다. 단점은 어떤 토큰을 건너뛸지 결정하기가 까다롭고, 일부 정보가 유실될 여지가 있다.

    슬라이딩 윈도우 어텐션은 최근 토큰들에만 집중하고 먼 과거 토큰은 일부만 참고하는 방식이다. Mistral AI가 이 방법으로 꽤 효율적인 모델을 만들었다. 세 방식 모두 복잡도를 줄인 게 아니라, 계산을 덜 하거나 더 효율적으로 배치하는 접근이다.

    아예 다른 구조로 판 바꾸기 시도

    트랜스포머 자체를 대체하려는 시도도 끊임없이 나왔다.

    Mamba(맘바)는 2023년 말 등장해 가장 눈길을 끈 대안이다. 상태 공간 모델(SSM, State Space Model) 기반으로 선형(O(n)) 복잡도를 달성했다. 이론적으로는 매우 매력적이지만, 긴 문맥에서 정보를 기억하는 능력이 어텐션만큼 강하지 않다는 평가를 받는다. 이후 트랜스포머와 SSM을 섞은 하이브리드 모델들(Jamba, Zamba 등)이 잇따라 등장했다.

    RWKV는 RNN 구조를 선형 복잡도로 확장한 시도다. 트랜스포머처럼 병렬 학습이 가능하면서 추론은 RNN처럼 처리한다. 오픈소스 커뮤니티에서 꾸준히 발전 중이다.

    선형 어텐션(Linear Attention)은 어텐션 수식 자체를 수학적으로 변형해 복잡도를 낮추는 접근이다. Performer, Linformer 등이 이 방향이다. 이론적 복잡도는 낮췄지만 실제 벤치마크에서 표준 어텐션의 품질을 따라잡기가 쉽지 않았다.

    서브쿼드래틱이 진짜로 가능한가

    서브쿼드래틱(Sub-quadratic)은 이차 복잡도보다 낮으면서도 완전한 어텐션의 성능을 유지하는 것을 목표로 한다. 이 둘을 동시에 달성하는 게 핵심 과제다.

    수학적으로는 커널 함수 근사, 저랭크 분해(Low-rank decomposition), 랜덤 피처(Random features) 등 여러 접근이 시도됐다. 이론적 복잡도를 낮추는 데 성공한 논문들은 꽤 있다. 하지만 여기에는 구조적인 딜레마가 있다. 이차 복잡도가 나오는 이유가 단순히 구현 방식 때문이 아니라, “모든 토큰이 다른 모든 토큰을 참조한다”는 어텐션의 본질적 특성에서 나오기 때문이다. 이 특성을 유지하면서 복잡도를 낮추는 건 수학적으로 상당히 까다롭다.

    이게 해결되면 실제로 뭐가 달라지나

    어텐션 병목이 진짜로 해결된다면 파급 효과는 작지 않다.

    • 컨텍스트 윈도우의 실질적 무제한화: 책 한 권, 코드베이스 전체, 수백 개 대화 이력을 한 번에 넣어도 비용이 선형적으로만 늘어난다.
    • 추론 비용 급감: 긴 입력을 다루는 작업의 비용 구조가 완전히 바뀐다. API 가격도 내려갈 여지가 생긴다.
    • 엣지 디바이스 가능성: 스마트폰이나 PC에서 긴 컨텍스트를 다루는 LLM 실행이 현실적인 선택지가 된다.
    • 멀티모달 확장: 이미지, 비디오, 오디오를 토큰으로 변환하면 토큰 수가 폭발적으로 늘어난다. 병목이 해소되면 멀티모달 모델의 제약이 대폭 완화된다.

    엔비디아 GPU 수요 구조에도 변수가 생긴다. 현재는 이차 복잡도 탓에 메모리 대역폭과 VRAM 용량이 최우선 스펙이 되는데, 선형 복잡도 모델이 대세가 되면 하드웨어 설계 우선순위도 달라진다.

    주장이 아니라 코드와 숫자로 판단해야

    스타트업이 “어텐션 병목을 풀었다”고 선언할 때 냉정하게 봐야 할 체크리스트가 있다.

    • 실제 벤치마크(MMLU, MATH, HumanEval 등)에서 기존 트랜스포머 대비 성능이 얼마나 되나
    • 100K 토큰 이상의 긴 컨텍스트에서도 품질이 유지되나
    • 기존 학습 인프라(CUDA, 파이토치 생태계)와 호환되나, 아니면 새 하드웨어가 필요한가
    • 사전학습 시간과 비용은 어떤가

    학계에서도 수년간 “어텐션을 대체했다”는 논문이 꾸준히 나왔지만, 실용화 단계에서 가로막힌 경우가 많았다. 수학적 복잡도를 낮춰도 실제 하드웨어에서의 메모리 접근 패턴, 병렬화 가능성 등 다른 변수들이 성능을 결정하기 때문이다. MIT 테크 리뷰가 전한 바에 따르면, Subquadratic 같은 스타트업들이 실제 검증 자료를 공개하기 시작하는 단계가 바로 이 국면이다. 진짜 도약은 논문이 아니라 오픈소스 코드와 검증된 벤치마크가 함께 나올 때 시작된다.

    출처: MIT Tech Review AI

    관련 기사