소식

  • 친환경 접착제란 뭘까, 석유계 글루 대체 기술 쉽게 풀어봤다

    친환경 접착제란 뭘까, 석유계 글루 대체 기술 쉽게 풀어봤다

    커피컵 라벨 한번 떼어본 적 있는지. 손끝에 끈적하게 남는 그 자국, 범인은 접착제다. 분리배출함에 넣기 전에 라벨부터 떼라고 하는 것도 이 접착제 때문인데, 대부분 석유가 원료다. 플라스틱이든 종이든 재활용 공정을 방해하는 주범으로 꼽힌 지 오래다. 건축 자재 붙이는 접착제, 가구 조립용 본드, 택배 상자 봉인 테이프까지—일상 곳곳에 석유계 접착제가 숨어 있다. 여기서 나온 대안이 바로 생분해 접착제, 흔히들 친환경 접착제라 부르는 것이다.

    라벨 하나가 재활용을 통째로 망친다

    재활용은 결국 원료를 얼마나 순수하게 분리하느냐 싸움이다. 접착제는 이 싸움에서 늘 골칫거리다.

    • PET 페트병 라벨 접착제가 안 씻겨나가면 재생 원료 품질이 뚝 떨어진다
    • 종이 재활용할 때 강력 접착식 라벨이 붙어 있으면 펄프화 과정에서 이물질로 걸러내야 한다
    • 택배 테이프나 종이팩 코팅에 쓰인 접착제는 소각이나 매립으로 가는 경우가 많다

    재활용 마크가 떡하니 붙어 있어도 접착제 잔여물 때문에 실제 재활용률은 기대만큼 안 나오는 상황, 계속 반복되고 있다.

    석유계 접착제, 정확히 뭐가 문제냐면

    석유화학 원료로 만든 접착제는 접착력 세고 가격도 싸서 수십 년간 표준으로 써왔다. 근데 이 강력한 접착력이 재활용 공정에서는 오히려 발목을 잡는다. 물이나 알칼리로 세척해도 잘 안 떨어지고, 만드는 과정에서 휘발성 유기화합물(VOC)이 나오고, 자연에서 분해 안 되고 미세플라스틱으로 남기도 한다. 접착제 자체는 눈에 잘 안 띄는 소재라 소비자 입장에선 체감하기 어려운데, 재활용 업계에서는 진작부터 손봐야 할 부분으로 지목해왔다.

    생분해 접착제, 쉽게 말하면 이런 것

    생분해 접착제는 원료를 석유 대신 옥수수 전분, 대두 단백질, 셀룰로오스 같은 식물성·생분해성 소재로 바꾼 접착제다. 자연 환경에서 미생물이 분해하거나, 재활용 공정 중 물이나 순한 화학 처리만으로도 잘 떨어지도록 설계한 게 특징. 접착력만 놓고 보면 아직 석유계를 완전히 따라잡진 못했다. 하지만 라벨이나 포장재처럼 강한 내구성이 필요 없는 용도에는 이미 상용화된 제품들이 꽤 나와 있다.

    요즘 나오는 바이오 기반 접착제, 크게 3갈래

    친환경 접착제라고 다 똑같은 방식은 아니다. 원료와 작동 방식 따라 나눠보면 이렇다.

    • 전분·셀룰로오스 기반: 종이 포장재, 골판지 박스 접착에 주로 쓰고 가장 먼저 상용화된 방식
    • 대두 단백질 기반: 목재 합판이나 가구 접합용. 포름알데히드 배출이 적어서 실내 공기질에도 도움이 된다
    • 재박리형 생분해 코팅: 라벨용으로 개발 중인 방식. 재활용 세척 공정에서 접착층이 쉽게 씻겨나가도록 화학 구조를 짠 게 핵심이다

    MIT 테크리뷰 보도를 보면, 라벨 접착제처럼 눈에 잘 안 띄는 부품 하나 바꾸는 것만으로 포장재 전체의 재활용 가능 여부가 갈리는 경우가 적지 않다고 한다.

    분리배출할 때 접착제 문제 피하는 법

    친환경 접착제 쓴 제품을 고르는 것도 방법이지만, 당장 집에서 할 수 있는 습관도 있다.

    • 페트병 라벨은 물로 헹구기 전에 손으로 최대한 떼어낸다
    • 택배 상자 재활용할 때 테이프와 송장 스티커는 꼭 뗀다
    • 종이팩(우유팩, 주스팩)은 안쪽 코팅 때문에 일반 종이류랑 따로 배출한다
    • 제품 살 때 포장재에 “재활용 용이” 또는 “무라벨” 표시가 있는지 본다

    기업들은 이 문제를 어떻게 풀고 있나

    식음료 업체들은 라벨을 아예 없앤 무라벨 생수, 아니면 물에 잘 떨어지는 저점착 라벨로 방향을 틀고 있다. 가구 업계에서는 대두 단백질 접착제나 무포름알데히드 본드 쓴 제품을 친환경 라인으로 따로 내놓는 곳이 늘었다. 화학 소재 기업들도 재활용 공정과 잘 맞는 접착제 개발에 연구비를 쏟는 추세고. 접착제 하나 바꾸는 게 사소해 보여도, 포장재 전체 재활용 가능성을 좌우하는 변수라는 인식, 이제 꽤 퍼진 편이다.

    이것도 궁금하죠?

    Q. 생분해 접착제는 일반 접착제보다 접착력이 약한가?
    용도 따라 다르다. 라벨이나 포장재처럼 가벼운 결합에는 충분한데, 구조용 접착이 필요한 건축·자동차 부품에는 아직 석유계 접착제가 더 많이 쓰인다.

    Q. 집에서 생분해 접착제 제품을 구분할 방법이 있나?
    포장에 “바이오 기반”, “생분해성”, “PLA 코팅” 같은 표기가 있는지 보면 된다. 표기가 없으면 제조사 홈페이지에서 소재 정보 찾아보는 게 확실하다.

    Q. 접착제 성분이 재활용 마크와 무슨 상관인가?
    재활용 마크는 소재 자체의 재질만 표시할 뿐, 라벨이나 접착제까지 재활용 가능한지는 따로 확인해야 한다. 마크만 믿지 말고 라벨 제거 여부도 같이 챙기는 게 안전하다.

    출처: MIT Tech Review AI

  • 로컬 AI 컴퓨터, 그래픽카드보다 램이다 – 맥 스튜디오 고르는 법

    로컬 AI 컴퓨터, 그래픽카드보다 램이다 – 맥 스튜디오 고르는 법

    그래픽카드 견적 사이트부터 뒤진다. 거대 언어모델을 집 컴퓨터에서 돌려보겠다고 마음먹은 사람들 얘기다. 그런데 막상 부품을 맞춰보면 진짜 발목을 잡는 건 GPU 성능이 아니라 메모리 용량이다. 70B급 모델 하나 올리는 데만 수십 기가바이트 램이 필요한데, 일반 그래픽카드 VRAM은 12GB, 24GB에서 끊긴다. 여기서 대안으로 떠오른 게 통합 메모리를 쓰는 애플 실리콘 맥이다. 로컬 AI 개발자들 사이에서 요즘 은근히 자주 언급된다. 맥 스튜디오나 맥 미니로 로컬 AI 환경을 꾸리려는 사람을 위해 메모리 기준부터 사양 고르는 법, 여러 대 묶어 쓰는 방법까지 정리해봤다.

    결국 메모리 싸움

    언어모델은 파라미터 하나하나를 숫자로 저장해두고, 추론할 때마다 그 값을 전부 읽어들인다. 파라미터 70억 개(7B)짜리는 양자화를 거쳐도 최소 5~8GB가 필요하다. 700억 개(70B)짜리는 40GB 안팎. 일반 PC는 그래픽카드 VRAM과 시스템 램이 따로 논다. VRAM 용량 넘어서는 모델은 아예 못 올리거나, 속도가 뚝 떨어진다. 애플 실리콘은 다르다. CPU와 GPU가 메모리 풀 하나를 같이 쓰는 구조라서, 램만 넉넉히 달면 그 메모리를 GPU 연산에도 그대로 쓸 수 있다.

    모델 크기별 램, 대략 이 정도

    기준을 잡아두면 사양 고르기가 한결 쉽다.

    • 7B~8B 모델: 16GB 램으로 양자화 버전 구동 가능. 챗봇, 코드 자동완성 수준
    • 13B~14B 모델: 32GB 권장. 응답 품질과 속도 균형이 제일 좋은 구간
    • 30B대 모델: 64GB부터 여유롭게 돌아간다
    • 70B 모델: 96GB 이상. 실무에서 쓸 만한 속도를 원하면 128GB
    • 100B~400B급 초대형 모델: 192GB~512GB. 사실상 맥 스튜디오 최상위 사양이거나, 여러 대를 묶어야 하는 영역

    맥 스튜디오, 어디까지 올려야 하나

    맥 스튜디오는 M4 맥스와 M3 울트라(혹은 이후 세대) 두 라인으로 나뉜다. 로컬 AI 용도라면 CPU 코어 수보다 램 용량과 메모리 대역폭을 먼저 봐야 한다. 개인 실험이나 사이드 프로젝트 수준이면 64GB 구성으로도 13B~30B 모델은 무리 없다. 70B급까지 노린다면 96GB 이상. 여러 모델을 동시에 띄워두고 비교하거나 파인튜닝 실험까지 하고 싶다면 128GB~256GB 구성을 권한다. 저장공간도 챙겨야 한다. 모델 파일 하나가 수십 기가바이트씩 나가기 때문에, 1TB보다는 2TB 이상 잡아두는 편이 나중에 후회가 적다.

    맥 미니로도 될까

    맥 미니는 M4 프로 기준 64GB까지 램 확장이 가능하다. 7B~30B급 모델을 다루는 입문자, 가벼운 로컬 챗봇 용도로는 충분하다. 가격 진입 장벽이 낮은 게 장점. 다만 70B 이상으로 넘어가는 순간 램 상한선에 바로 막힌다. 처음부터 큰 모델을 목표로 한다면 맥 미니보다 맥 스튜디오 하위 구성이 총소유비용 면에서 오히려 유리한 경우가 많다.

    맥 여러 대 묶어서 더 큰 모델 돌리기

    램 512GB, 1TB짜리 단일 머신은 가격이 만만치 않다. 그래서 개발자들 사이에서는 맥 스튜디오 여러 대를 썬더볼트로 연결해 하나의 큰 메모리 풀처럼 쓰는 방식이 퍼지고 있다. exo 같은 오픈소스 클러스터링 도구를 쓰면 모델 레이어를 여러 대에 나눠 분산 추론을 돌릴 수 있다. 맥 스튜디오 3~4대로 400B급 모델까지 굴리는 사례도 나온다. 애플이 최근 데스크톱 라인업을 개편하면서 이런 멀티 맥 구성을 염두에 둔 흔적이 뚜렷하다. 더 이상 소수 애호가만의 실험은 아니라는 얘기다. 다만 대역폭 한계 때문에 단일 대형 머신보다는 토큰 생성 속도가 떨어진다는 점은 감안해야 한다.

    그래도 엔비디아가 유리한 상황은 있다

    모든 상황에서 맥이 답은 아니다. 학습(트레이닝)이나 대규모 배치 추론처럼 순수 연산 속도가 승부를 가르는 작업이라면, CUDA 생태계와 압도적 연산 성능을 갖춘 엔비디아 GPU 쪽이 여전히 빠르다. 이미 파이토치·CUDA 기반 파이프라인을 구축해둔 팀, 여러 사용자 요청을 동시에 처리해야 하는 서버 환경이라면 그래픽카드 여러 장 꽂은 워크스테이션이나 클라우드 GPU 인스턴스가 더 맞다. 반대로 개인 개발자가 조용한 사무실 책상 위에서 전력 걱정 없이 큰 모델 켜놓고 실험하고 싶다면, 통합 메모리의 용량 이점이 속도 차이를 상쇄하고도 남는다. 솔직히 여기서 갈린다.

    이것도 궁금하죠?

    Q. 램만 많으면 무조건 큰 모델을 돌릴 수 있나?
    메모리 용량이 충족돼도 대역폭이 낮으면 토큰이 느리게 나온다. 램 용량과 함께 메모리 대역폭 스펙도 같이 확인하는 편이 좋다.

    Q. 로컬에서 모델을 돌리려면 어떤 소프트웨어가 필요한가?
    Ollama, LM Studio 같은 도구를 쓰면 커맨드라인 지식 없이도 양자화된 모델을 몇 번의 클릭으로 내려받아 바로 실행할 수 있다.

    Q. 클러스터링 구성이 초보자에게도 실용적인가?
    네트워크 설정과 도구 설치 난이도가 있어서, 처음에는 단일 맥 스튜디오로 시작해 필요할 때 확장하는 쪽을 권한다.

    출처: Ars Technica

  • 월드모델(World Model)이 뭐길래, 로봇 AI가 여기에 목숨 거나

    월드모델(World Model)이 뭐길래, 로봇 AI가 여기에 목숨 거나

    테슬라 옵티머스, 피규어(Figure), 요즘은 이름도 생소한 로봇 스타트업들까지. 몸값이 줄줄이 조 단위를 찍는다. 이 회사들, 사실 베팅하는 판돈은 하나로 똑같다. 월드모델(World Model)이라는 기술이다. 로봇이 스스로 움직이고 판단하려면 눈앞 공간이 어떤 구조인지, 시간이 흐르면 뭐가 어떻게 바뀌는지부터 알아야 한다. 이걸 가능케 하는 핵심이 바로 월드모델. 정확히 뭘 뜻하는 말인지, 챗GPT 같은 언어모델과는 뭐가 다른지 하나씩 짚어본다.

    월드모델, 정확히 뭘 예측하는 기술인가

    공을 던지면 포물선을 그리며 떨어진다는 걸 우리는 굳이 계산하지 않아도 안다. 문 앞에 서면 밀어야 열릴지 당겨야 열릴지도 대충 감이 온다. 월드모델은 이 감각을 AI에게 데이터로 욱여넣은 결과물이다. 눈앞 장면을 보고 다음에 뭐가 일어날지, 물체가 어떻게 움직일지, 시간이 지나면 공간이 어떻게 변할지를 내부적으로 시뮬레이션하는 모델이라고 보면 된다.

    • 물체를 놓으면 어느 방향으로 떨어지는지
    • 문을 밀었을 때 몇 도까지 열리는지
    • 손을 뻗으면 몇 초 후 컵에 닿는지

    이런 걸 픽셀 단위, 좌표 단위로 계산해내는 게 월드모델이 하는 일이다. 말로 하면 별거 아닌 것 같은데, 실제로 구현하려면 이게 상당히 골치 아프다.

    챗GPT 같은 언어모델과는 뭐가 다른가

    LLM은 문장 다음에 올 단어를 맞히도록 훈련된다. 월드모델은 다음 ‘장면’과 ‘상태’를 맞히도록 훈련된다는 점에서 결이 완전히 다르다. 로봇 팔이 5cm 움직이면 카메라 화면이 어떻게 바뀌는지, 물체와의 거리가 얼마나 좁혀지는지처럼 실제 물리량과 좌표를 다루는 셈이다. 텍스트 확률 게임을 하는 LLM과 달리, 월드모델은 3차원 공간과 시간축을 통째로 계산에 밀어넣는다. 비유하자면 LLM이 소설을 쓰는 쪽이라면, 월드모델은 물리 엔진에 가깝다.

    로봇이 유독 이 기술에 매달리는 이유

    로봇은 현실 공간에서 진짜로 몸을 움직여야 한다. 공간과 시간 예측이 조금만 어긋나도 물건을 떨어뜨리거나 벽에 부딪히는 사고로 바로 이어진다. 문제는 실제 로봇을 돌려서 데이터를 모으는 데 돈과 시간이 어마어마하게 든다는 것. 그래서 나온 해법이 시뮬레이션에서 먼저 학습시킨 다음 현실 로봇에 그대로 옮겨 심는 ‘심투리얼(sim-to-real)’ 방식이다. 월드모델이 정교할수록 이 전환 과정에서 오차가 줄어든다. 결국 시뮬레이션이 얼마나 현실과 닮았느냐의 싸움이다.

    게임 플레이 데이터로 로봇을 훈련시킨다는 발상

    최근 투자 업계가 눈여겨보는 접근이 하나 있다. 비디오게임 플레이 기록을 그대로 학습 데이터로 쓰는 방식이다. 사람들이 게임 속에서 문을 열고, 장애물을 피하고, 목표 지점을 찾아가는 행동. 이게 실제 로봇의 길찾기나 조작 동작과 본질적으로 닮았다는 아이디어에서 출발했다. 실물 로봇 팔을 수천 시간 돌리는 것보다 게임 영상 데이터를 긁어모으는 쪽이 압도적으로 싸다. 양도 비교가 안 될 만큼 많다. 로봇공학으로 사업을 넓히는 AI 스타트업들이 조 단위 밸류에이션으로 초대형 투자를 유치하는 배경에도 이런 계산이 깔려 있다. 처음 들었을 땐 좀 뜬금없다 싶었는데, 곱씹어보면 꽤 그럴싸한 발상이다.

    엔비디아까지 뛰어든 이유

    엔비디아는 자체 월드모델 플랫폼 ‘코스모스(Cosmos)’를 내놓으며 이 판에 뛰어들었다. 구글 딥마인드도 게임 생성형 모델 ‘지니(Genie)’ 시리즈로 비슷한 방향을 파고 있다. 젠슨 황이 강연 때마다 꺼내는 ‘피지컬 AI’라는 표현도 결국 같은 얘기다. 언어와 이미지를 다루던 AI가 다음 단계로 물리 세계, 그러니까 로봇과 자율주행, 물류 자동화로 영역을 넓히는 흐름. 자율주행차가 앞차와의 거리를 계산하고 급정거 상황을 미리 예측하는 것도 월드모델의 응용 사례 중 하나다.

    아직 넘어야 할 산

    시뮬레이션에서는 완벽하게 작동하던 로봇이 실제 현장에 나가면 삐걱대는 심투리얼 갭 문제, 여전히 크다. 조명, 바닥 재질, 물체 표면 마찰력처럼 시뮬레이션이 재현하지 못하는 변수가 한둘이 아니다. 여기에 대규모 시뮬레이션을 돌리는 연산 비용, 실제 현장에 투입하기 전 거쳐야 할 안전성 검증까지. 넘어야 할 단계가 아직 많이 남았다. 기술 자체의 가능성과 상용화 시점은 별개 문제라는 뜻이다.

    결국 이 세 줄만 기억하면 된다

    • 월드모델은 AI가 공간과 시간의 변화를 미리 계산하는 능력이다.
    • 로봇과 자율주행이 한 단계 더 나아가려면 반드시 거쳐야 할 기술이다.
    • 게임·시뮬레이션 데이터를 얼마나 확보하느냐가 다음 경쟁의 승부처가 될 전망이다.

    로봇 관련 뉴스에서 ‘파운데이션 모델’, ‘피지컬 AI’ 같은 단어가 나올 때마다, 결국 이 월드모델 얘기라고 생각하면 훨씬 빨리 이해된다.

    출처: TechCrunch

  • 챗GPT 공부 활용법, 제대로 써야 성적이 오른다

    챗GPT 공부 활용법, 제대로 써야 성적이 오른다

    교실 뒤편, 학생이 스마트폰으로 챗GPT를 켜고 수학 문제를 통째로 입력한다. 몇 초 뒤 뜨는 정답을 그대로 옮겨 적는다. 요즘 어느 학교를 가도 흔한 풍경이다. 문제는 따로 있다. 이 학생, 정작 시험에서는 비슷한 유형조차 못 푼다. AI로 공부하는 것 자체는 잘못이 아니다. 어떻게 쓰느냐가 성적과 실력을 가른다.

    무작정 막는다고 해결되지 않는다

    초기엔 많은 학교가 교내 와이파이에서 챗GPT 접속을 막았다. 그런데 학생들은 개인 데이터로 얼마든지 들어갔다. 결과는? 몰래 쓰는 습관만 굳어졌을 뿐이다. 요즘은 분위기가 달라지는 중이다. 금지보다 언제, 어떻게 쓰는 게 학습에 도움이 되는지 가르치는 쪽으로 정책이 옮겨가고 있다. 도구를 뺏느니 사용법을 가르치는 게 현실적이라는 공감대, 점점 커지는 모양새다.

    답 베끼기와 학습 도구, 종이 한 장 차이가 아니다

    같은 챗GPT라도 쓰는 방식 따라 결과는 완전히 갈린다.

    • 답만 요청: “이 문제 정답이 뭐야?” — 당장은 편하다. 시험에서 무너진다.
    • 과정 요청: “정답 말고 풀이 순서만 힌트로 줘” — 스스로 생각하는 훈련이 된다.
    • 확인용: 직접 푼 뒤 “이 풀이 맞는지 검산해줘” — 오답 원인을 바로 잡아낸다.
    • 퀴즈용: “이 단원 개념으로 문제 5개 만들어줘” — 능동적으로 복습하게 된다.

    정답을 받는 대신 질문을 던진다. 이게 핵심이다.

    과목마다 쓰는 법이 다르다

    모든 과목에 똑같은 방식을 적용하면 효과는 떨어진다.

    • 수학: 정답 대신 풀이 단계를 하나씩 요청하고, 마지막 계산은 손으로 직접 한다.
    • 영어·외국어: 작문 첨삭이나 회화 상대로 쓰면 실전 감각이 는다.
    • 코딩: 에러 메시지를 그대로 붙여넣고 원인 설명을 요청하는 디버깅 파트너로 쓴다.
    • 글쓰기·에세이: 개요 구성이나 논리 흐름 피드백까지만 받고, 문장은 직접 쓴다.
    • 과학·사회: 어려운 개념을 일상적인 비유로 풀어달라 요청하면 이해가 빨라진다.

    프롬프트 한 줄이 결과를 바꾼다

    같은 챗GPT를 켜놓고도 입력하는 문장 한 줄로 결과가 완전히 달라진다. “정답을 바로 알려주지 말고 힌트만 순서대로 줘”, “내가 이해했는지 다시 질문으로 확인해줘”, “내가 왜 틀렸는지 오답노트처럼 설명해줘” — 이런 요청은 사고 과정을 유도한다. 반대로 “답이 뭐야” 한마디만 던지면 검색엔진과 다를 게 없다. 프롬프트를 조금만 바꿔도 같은 도구가 정답 자판기에서 개인 과외 선생님으로 바뀐다.

    학교와 학원, 실제로 이렇게 규칙을 짠다

    많은 교육기관이 과제에 AI 사용 여부를 명시하도록 요구한다. 어떤 부분을 AI 도움으로 작성했는지 각주나 코멘트로 표기하는 방식이다. 칸아카데미의 카미고(Khanmigo)처럼 처음부터 정답을 주지 않고 소크라테스식 질문으로 유도하도록 설계된 튜터형 AI를 도입하는 곳도 늘어나는 추세다. 시험이나 실기 평가는 AI 없이, 리포트나 프로젝트 과제는 AI 활용을 인정하는 식으로 영역을 나누는 것도 흔하다.

    부모와 교사가 확인할 3가지

    아이가 AI를 어떻게 쓰는지 궁금하다면, 이 3가지만 봐도 충분하다.

    • 과제 결과물을 두고 과정을 말로 설명할 수 있는지 물어본다.
    • 검색엔진 대체용으로만 쓰는지, 질문을 던지며 사고하는 데 쓰는지 구분한다.
    • 저학년은 연산·맞춤법 같은 기초를 AI 없이 직접, 고학년일수록 도구 병행 비중을 늘린다.

    자주 나오는 질문 몇 가지

    Q. 챗GPT 답을 그대로 베껴서 숙제로 내면 걸릴까?
    AI 탐지 도구는 정확도가 들쭉날쭉해서 완벽히 걸러내지 못한다. 다만 평소 글쓰기 습관과 다른 문체, 갑자기 정교해진 논리 구조는 교사 눈에 금방 띈다.

    Q. 초등학생도 써도 될까?
    기초 연산이나 맞춤법 같은 기본기는 직접 익히는 게 먼저다. 개념이 어느 정도 잡힌 뒤, 보통 고학년부터 보조 도구로 쓰는 쪽을 권하는 교사가 많다.

    Q. 무료 버전으로 충분한가?
    일반적인 학습 질문이나 첨삭 정도는 무료 플랜으로도 크게 부족하지 않다. 다만 사진으로 문제를 찍어 인식시키거나 긴 지문을 분석하는 작업이 잦다면 유료 플랜 쪽이 안정적이다.

    결국 관건은 도구가 아니라 그 도구를 누가, 어떻게 다루느냐다. 같은 챗GPT를 켜놓고도 누구는 사고력을 키우고, 누구는 그 자리에 멈춰 선다.

    출처: MIT Tech Review AI

  • 위처4 출시일 2028년, 예상 사양까지 정리해봤다

    위처4 출시일 2028년, 예상 사양까지 정리해봤다

    CD프로젝트레드 공동 CEO 미하우 노바코프스키가 최근 공개한 영상에서 위처4 목표 출시 시점을 못 박았다. 2028년. 위처3 이후 8년 넘게 이어진 기다림에 처음으로 구체적인 연도가 나온 셈이다. 위처4를 검색하면 출시일, 사양, 전작과 뭐가 다른지 같은 질문이 계속 반복된다. 지금까지 공개된 정보를 기준으로 한번 정리해봤다.

    위처4란 어떤 게임인가

    폴란드 개발사 CD프로젝트레드가 만드는 위처 시리즈 정식 후속작이다. 전작 위처3: 와일드 헌트는 게롤트 이야기로 막을 내렸는데, 신작 주인공은 마법사 시리(Ciri)가 될 것으로 알려졌다. 개발사 내부 코드명은 ‘폴라리스(Polaris)’. 개발 초기부터 트레일러와 기술 데모로 존재감을 조금씩 흘려왔다.

    왜 목표 출시일이 2028년인가

    가장 큰 이유는 엔진 교체다. CD프로젝트레드가 써오던 자체 엔진 REDengine 대신 이번엔 언리얼엔진5로 갈아탔다. 엔진을 바꾸면 초반엔 생산성이 떨어지지만 장기적으로는 개발 효율이 올라간다는 계산인데, 위처4처럼 방대한 오픈월드 게임에서는 안정화까지 시간이 더 걸릴 수밖에 없다. 사이버펑크2077 출시 당시 최적화 문제로 크게 홍역을 치른 전례도 있다. 그래서인지 이번엔 완성도부터 챙기겠다는 말을 여러 차례 반복해왔다. 2028년도 확정 날짜가 아니라 ‘목표 창구’라는 표현을 썼다. 밀릴 여지는 여전히 남아 있는 셈.

    전작과 비교해 달라지는 점

    엔진을 바꾸면서 그래픽과 물리 연산 수준부터 확 달라진다. 언리얼엔진5의 나나이트(Nanite)와 루멘(Lumen)을 쓰면 지형 디테일이나 실시간 조명 표현이 위처3 때와는 체급이 다르다. 주인공이 바뀌니 전투 스타일도 같이 바뀔 가능성이 크다. 시리는 게롤트식 검술보다는 포탈 이동, 시간 조작 같은 능력으로 익숙한 캐릭터라서 전투 시스템 자체를 새로 짤 공산이 크다. 개발 규모도 역대급이다. 투입 인력과 예산 모두 위처3를 웃돈다.

    예상 PC 사양은 어느 정도일까

    공식 사양표는 아직 안 나왔다. 다만 같은 언리얼엔진5 기반인 사일런트 힐2 리메이크, 검은 신화: 오공 요구 사양을 보면 대충 감이 온다. 두 게임 모두 최소 사양에서조차 8GB 이상 VRAM과 레이트레이싱 지원 그래픽카드를 요구했다. 위처4는 오픈월드 규모에 루멘 조명 연산까지 얹히니 RTX 4070급 이상, 메모리 16GB 이상, NVMe SSD 정도는 사실상 기본 사양으로 굳어질 가능성이 높다. 발매 시점엔 이보다 더 오를 수도 있다.

    발매 전 미리 확인해두면 좋은 것들

    정보 놓치지 않으려면 볼 채널이 몇 군데 있다. CD프로젝트레드는 자체 플랫폼 GOG와 공식 유튜브 채널로 개발 소식을 틈틈이 공개해왔다. 스팀 페이지는 아직 정식 위시리스트가 안 열렸는데, 열리는 순간 알림 등록해두면 사전예약 혜택이나 에디션 구성을 가장 먼저 알 수 있다. 하드웨어 업그레이드 생각 중이라면 그래픽카드 가격 안정기를 노려 미리 사두는 것도 나쁘지 않은 방법.

    기다리는 동안 즐길 만한 오픈월드 RPG

    공백기가 길다 보니 대체재 찾는 사람도 많다. 발더스 게이트3는 선택에 따라 이야기가 크게 갈리는 구조가 위처 시리즈와 결이 비슷하다. 엘든 링은 전투 난이도와 세계관 몰입감 쪽에서, 드래곤스 도그마2는 동료 시스템과 탐험 요소 쪽에서 참고할 만하다. 위처3 자체도 확장팩 ‘하츠 오브 스톤’, ‘블러드 앤 와인’까지 합치면 다시 돌릴 분량은 충분하다.

    결국 핵심만 3줄 요약

    • 목표 출시 시점은 2028년, 확정 날짜 아닌 목표 창구
    • 엔진을 언리얼엔진5로 바꾸면서 주인공은 시리로 교체될 전망
    • 공식 사양 미공개, RTX 4070급 이상 기준으로 준비하는 편이 안전

    더버지 보도와 개발사가 직접 푼 영상 자료를 종합하면, 위처4는 속도보다 완성도 쪽에 무게를 둔 프로젝트로 읽힌다. 정식 발매 전까지는 스팀·GOG 위시리스트 알림 켜두고 사양 정보 업데이트될 때마다 확인하는 정도가 제일 효율적인 대응이다.

    출처: The Verge

  • BIOS 업데이트, 벽돌 안 만들고 안전하게 하는 법

    BIOS 업데이트, 벽돌 안 만들고 안전하게 하는 법

    노트북 화면 구석에 업데이트 알림이 뜨면 일단 ‘나중에’부터 누르는 사람, 꽤 많다. 게을러서 그런 게 아니다. BIOS처럼 시스템 가장 밑바닥을 건드리는 업데이트는 잘못되면 노트북이 아예 안 켜지는 상태, 이른바 ‘벽돌’이 될 수 있다는 걸 다들 어렴풋이 알고 있어서다. 실제로 몇몇 노트북 브랜드가 특정 BIOS 버전을 배포한 뒤 구형 모델 일부가 부팅조차 안 되는 사례가 보고된 적 있다. 그렇다고 겁먹고 무작정 미루는 것도 답은 아니다. 보안 패치나 호환성 개선이 들어있는 경우가 워낙 많아서. 결국 관건은 하나다. 어떻게 해야 안전하게 넘어가느냐.

    BIOS 업데이트, 대체 뭘 바꾸는 걸까

    BIOS, 요즘은 대부분 UEFI라고 부르는 그것은 운영체제가 뜨기도 전에 하드웨어를 깨우고 부팅 순서를 잡아주는 가장 기초적인 펌웨어다. 윈도우나 리눅스 업데이트와는 완전히 다른 층위에서 돌아가는데, 메인보드에 박힌 작은 저장 칩에 직접 기록되는 방식이다. 그래서 이 과정이 중간에 끊기면 하드웨어가 어떻게 부팅해야 할지조차 모르는 상태에 빠져버린다. CPU 마이크로코드 업데이트, 램 호환성 개선, 특정 보안 취약점 패치, 새 프로세서 지원 추가. BIOS 업데이트에 흔히 담기는 내용들이다.

    업데이트 한 번에 노트북이 먹통 되는 이유

    가장 흔한 원인은 업데이트 도중 전원이 끊기는 것이다. 배터리가 얼마 안 남은 상태로 진행하다 갑자기 꺼지거나, 노트북 뚜껑을 닫아 절전 모드로 들어가면서 플래싱 작업이 뚝 끊기는 경우가 대표적이다. 제조사 쪽 문제도 무시하기 어렵다. 특정 세대 프로세서를 쓰는 모델에서만 특정 BIOS 버전이 부팅 실패를 일으킨 사례처럼, 배포된 펌웨어 자체에 결함이 있었던 경우도 실제로 있었다. 이럴 땐 사용자가 아무리 절차를 잘 지켜도 별 수 없이 사고가 난다. 그래서 배포 초기엔 서두르지 않는 게 오히려 전략이 되기도 한다.

    업데이트 전에 반드시 체크할 것들

    • 전원 연결 필수: 배터리가 100%여도 반드시 어댑터를 꽂은 채로 진행한다.
    • 노트북 모델과 정확한 BIOS 버전 확인: 제조사 홈페이지에서 자기 모델명과 지금 깔린 서브 버전을 정확히 대조한다.
    • 중요 파일 백업: 확률은 낮아도 시스템이 통째로 먹통이 될 가능성은 대비해둔다.
    • 최신 릴리즈노트 검색: 배포 직후엔 커뮤니티나 포럼에 “브릭”, “부팅 안됨” 같은 키워드로 후기가 올라오는지부터 확인한다.
    • USB 복구 매체 준비: 제조사가 BIOS 복구용 USB 절차를 제공하는지 미리 확인해둔다.

    안전하게 업데이트하는 순서

    순서 자체는 생각보다 단순하다. 먼저 제조사 공식 홈페이지나 전용 유틸리티, 예를 들면 델의 Dell Update, 레노버의 Vantage, 에이수스의 MyASUS 같은 프로그램으로 정식 배포 버전이 맞는지 확인한다. 서드파티 사이트에서 받은 파일은 절대 쓰지 않는다, 이건 원칙이다. 그다음 노트북을 전원에 연결하고 백그라운드 프로그램을 최대한 종료한 뒤 업데이트를 시작한다. 진행 중엔 화면이 꺼지거나 재부팅되는 과정이 여러 번 반복될 수 있는데, 이때 강제 종료 버튼은 절대 누르지 않는다. 완료 메시지가 뜰 때까지 최소 10분은 그냥 지켜본다, 이렇게 마음먹으면 오히려 편하다.

    업데이트 후 화면이 안 켜진다면

    일단 전원 버튼을 15초 이상 길게 눌러 완전히 방전시키듯 초기화해본다. 그다음 어댑터를 뺐다 다시 꽂고 켜보는데, 화면은 안 켜져도 팬이 돌거나 LED가 들어오는지부터 확인한다. 반응이 아예 없다면 메인보드 자체 복구 모드, 보통 특정 키 조합에 USB를 꽂는 방식을 지원하는 모델인지 제조사 지원 페이지에서 찾아본다. 요즘은 이런 복구 기능을 아예 기본 탑재한 노트북도 늘고 있다. 구입 전에 이 기능 유무를 확인해두면 나중에 크게 도움 된다. 자체 복구가 안 되면 결국 서비스센터행인데, 이 경우 무상 수리 대상인지 아닌지는 제조사 결함 인정 여부에 따라 갈리는 경우가 많다.

    이런 경우엔 굳이 안 해도 된다

    모든 BIOS 업데이트를 무조건 다 설치할 필요는 없다. 지금 쓰는 데 문제없고 릴리즈노트에 보안 취약점 패치나 심각한 버그 수정도 안 보인다면 건너뛰어도 무방하다. 반대로 특정 CPU 취약점 패치, 발열이나 배터리 관련 긴급 수정, 최신 OS와의 호환성 문제 해결이 포함돼 있다면 미루지 않는 편이 낫다. 배포 직후 며칠 정도는 지켜보다가, 큰 문제 없다는 후기가 쌓이면 그때 진행하는 것도 나쁘지 않은 전략이다. 솔직히 이 정도 텀만 둬도 사고 확률은 꽤 줄어든다.

    은근 헷갈리는 질문들

    Q. 업데이트 중 갑자기 정전이 나면 어떻게 되나요?
    대부분의 최신 메인보드는 이중 BIOS 칩이나 백업 영역을 갖추고 있어서 자동 복구가 시도된다. 다만 구형 모델이나 저가형 제품은 이런 안전장치가 아예 없는 경우도 있어서, UPS나 노트북 자체 배터리를 반드시 활용하는 게 안전하다.

    Q. 데스크톱 PC도 노트북과 절차가 같나요?
    기본 원리는 같지만 데스크톱은 메인보드 제조사 쪽 유틸리티, 예를 들면 에이수스 EZ Flash나 기가바이트 Q-Flash를 쓰는 경우가 많다. 정전 대비를 위해 UPS 연결을 권장한다는 차이도 있다.

    Q. 업데이트 후 부팅은 되는데 설정이 초기화됐어요, 정상인가요?
    정상이다. BIOS 업데이트는 대개 설정값을 공장 초기화 상태로 되돌린다. 그래서 부팅 순서나 가상화 옵션처럼 따로 켜뒀던 설정은 다시 손봐줘야 한다.

    출처: The Verge

  • AI 음악, 진짜인지 구별하는 법과 저작권 총정리

    AI 음악, 진짜인지 구별하는 법과 저작권 총정리

    스포티파이 플레이리스트를 틀어놨는데 처음 듣는 곡이 계속 나온 적, 다들 한 번쯤 있을 거다. 가사는 어딘가 붕 떠 있고 목소리도 묘하게 뭉개져 있다. 사람이 아니라 AI가 몇 초 만에 뽑아낸 곡인 경우, 요즘 은근히 많다. 애플뮤직이 이런 AI 생성곡에 라벨을 붙이는 기능을 준비 중이라는 소식이 나오면서, 정작 서비스에서 AI 곡을 스스로 걸러내는 법을 찾는 사람들이 늘었다. 태그 하나 붙는다고 모든 플랫폼에서 바로 표시되는 것도 아니니까. 지금 알아둘 만한 것들, 정리해봤다.

    AI 생성 음악이라는 게 정확히 뭘까

    작곡가도, 프로듀서도 없다. 텍스트 프롬프트 몇 줄, 조건 몇 개만 입력하면 알고리즘이 멜로디와 가사, 보컬, 편곡까지 통째로 뽑아낸다. 이게 AI 생성 음악이다. 수노(Suno)나 우디오(Udio) 같은 서비스가 대표주자고, 결과물 범위도 넓다. 짧은 로파이 배경음악부터 완성도 있는 팝송 형태까지 다 나온다. 문제는 이런 곡이 스트리밍 플랫폼에 그대로 올라오면서 사람이 만든 곡과 아무 구분 없이 섞여버린다는 점이다. 업계에서는 품질 낮은 AI 곡을 대량으로 찍어내는 걸 슬롭 송(slop song)이라 부르며 경계한다. 이름부터 살벌하다.

    플랫폼들이 라벨링에 나서는 이유

    AI 곡이 많아질수록 플랫폼 입장에서는 골치 아픈 문제가 쌓인다.

    • 저작권이 불분명한 곡이 스트리밍 수익을 가져가는 구조적 문제
    • 가짜 아티스트 계정을 만들어 봇으로 재생수를 부풀리는 어뷰징
    • 실제 아티스트 신곡과 AI 생성곡이 뒤섞여 검색·추천 품질이 떨어지는 현상

    스포티파이는 이미 AI 관련 콘텐츠 정책을 손보고 있다. 애플뮤직도 투명성 태그(Transparency Tags)를 확장해서 AI로 만든 트랙에 별도 표시를 붙이는 방향을 검토 중이다. 곡 설명이나 크레딧 영역에 “AI로 생성됨” 같은 문구가 뜨는 식이 될 가능성이 크다.

    일단 귀로 걸러내는 법

    라벨링이 모든 플랫폼, 모든 곡에 적용되기 전까지는 직접 판단해야 하는 경우가 훨씬 많다. 아래 특징이 겹치면 AI 생성곡일 확률이 올라간다.

    • 보컬 발음이 미묘하게 뭉개지거나 감정 표현이 단조롭다
    • 가사는 문법적으로 맞는데 맥락이 붕 뜨거나 뻔한 라임만 반복된다
    • 같은 아티스트 이름으로 짧은 기간에 수십, 수백 곡이 쏟아져 있다
    • 앨범 커버가 실제 인물 사진이 아니라 일러스트나 합성 이미지다
    • 아티스트 프로필에 인터뷰나 SNS, 공연 이력 같은 실존 흔적이 전혀 없다

    한 곡 재생수만 봐서는 사실 판단하기 어렵다. 아티스트 페이지 전체를 훑어보는 편이 훨씬 정확하다.

    플랫폼마다 다른 대응 방식

    서비스마다 AI 곡을 다루는 방식이 조금씩 다르다.

    • 스포티파이: AI 보이스 클로닝 악용 방지 정책을 운영하고, 신고 기능으로 삭제 요청도 가능하다
    • 유튜브 뮤직: 유튜브 전체의 ‘변경되거나 합성된 콘텐츠’ 라벨 정책과 연동된다
    • 애플뮤직: 투명성 태그 확장을 통해 AI 생성 트랙 표시를 준비 중이다

    라벨이 붙는다고 AI 곡 자체가 서비스에서 사라지는 건 아니다. 표시만 하고 재생은 그대로 허용하는 정책이 일반적이다. 결국 듣는 사람 스스로 걸러 듣는 습관이 필요하다는 얘기다.

    진짜 논쟁거리는 저작권과 돈

    AI 음악을 둘러싼 진짜 싸움은 청취 경험보다 돈 쪽에 가깝다. AI 모델을 학습시키는 과정에서 기존 곡을 무단으로 가져다 썼는지가 소송으로 번지는 사례가 이어지고 있고, AI 생성곡이 스트리밍 수익 풀을 갉아먹으면서 실제 창작자 몫이 줄어든다는 지적도 나온다. 저작권 등록 기준도 나라마다 갈린다. 미국 저작권청은 사람의 창작적 개입이 거의 없는 순수 AI 생성물은 저작권 보호 대상이 아니라는 입장을 유지하고 있다. AI로 만든 곡을 상업적으로 쓰려는 크리에이터라면 이 부분, 꼭 확인해야 한다.

    직접 곡 만드는 사람이라면 지금 체크할 것

    직접 곡을 만들어 유통하는 입장이라면 아래를 미리 점검해두는 편이 안전하다.

    • 배급사(디스트리뷰터)의 AI 콘텐츠 관련 약관을 확인한다
    • AI 도구를 보조적으로만 썼다면 어느 단계에서 사람이 개입했는지 기록해둔다
    • 보컬이나 목소리를 AI로 복제했다면 원 저작권자·권리자 동의 여부를 명확히 한다

    플랫폼들이 라벨링을 강화하는 흐름을 보면, 앞으로 신고나 정책 위반으로 곡이 내려가는 사례도 늘어날 여지가 있다. 미리 정리해두는 쪽이 마음 편하다.

    자주 묻는 것들

    Q. AI 생성 음악은 무조건 품질이 낮은가?
    A. 아니다. 단순 배경음악부터 완성도 높은 곡까지 편차가 크다. 다만 대량 생산된 저품질 곡이 워낙 많다 보니 ‘슬롭 송’이라는 부정적 이미지가 먼저 붙어버렸다.

    Q. AI 곡인지 스트리밍 앱에서 바로 확인할 방법이 있나?
    A. 아직 모든 플랫폼에 라벨이 붙어있지 않다. 아티스트 프로필과 곡 정보를 함께 확인하는 수밖에 없다. 애플뮤직 라벨링이 적용되면 곡 정보 화면에서 바로 확인하는 방식이 될 전망이다.

    Q. AI로 만든 곡도 스트리밍 수익을 받을 수 있나?
    A. 저작권 등록 여부와 플랫폼 정책에 따라 갈린다. 사람의 창작적 기여가 인정되는 부분이 있어야 저작권 보호와 수익 정산이 가능한 구조다.

    출처: Engadget

  • 그린수소 vs 그레이수소 vs 블루수소, 수소에너지 종류 이렇게 다르다

    그린수소 vs 그레이수소 vs 블루수소, 수소에너지 종류 이렇게 다르다

    정유사와 화학업체들이 수소 생산 설비에 조 단위 돈을 쏟아붓고 있다. SK, 포스코, 현대차그룹 같은 국내 대기업뿐 아니라 사우디아라비아, 호주, 칠레까지 수소 프로젝트에 뛰어든 상태다. 그런데 정작 ‘수소’라는 한 단어로 뭉뚱그려 부르지만, 만드는 방식에 따라 탄소 배출량은 하늘과 땅 차이다. 색깔로 나뉘는 수소 종류, 한번 정리해봤다.

    수소는 다 같은 수소가 아니다

    수소 원자 자체는 무색무취. 냄새도 없고 색도 없다. 그런데 업계에서는 생산 과정에서 나오는 탄소 배출량에 따라 편의상 색깔 이름을 붙여 구분한다. 같은 H2라도 만드는 방식이 다르면 탄소 발자국이 완전히 달라지기 때문이다. 그레이, 블루, 그린이 가장 널리 쓰이는 3대 분류고, 핑크·터콰이즈·옐로 같은 세부 명칭도 존재한다.

    그레이수소: 제일 싸다, 대신 탄소는 제일 많이 나온다

    천연가스를 고온·고압에서 수증기와 반응시켜 수소를 뽑아내는 방식이다. 이른바 SMR, 수증기 개질법. 전 세계 수소 생산량 상당 부분을 이 방식이 차지하고 있고, 생산 단가가 가장 낮다는 게 최대 장점이다. 문제는 수소 1톤을 만들 때마다 이산화탄소가 다량으로 뿜어져 나온다는 점. 온실가스 감축이라는 목표와는 사실 정반대에 가깝다. 석탄을 원료로 쓰면 별도로 브라운수소라고 부르는데, 탄소 배출량은 그레이수소보다 더 많다.

    블루수소: 탄소포집 붙인 절충안

    블루수소는 그레이수소와 생산 공정 자체는 똑같다. 차이는 딱 하나, 이 과정에서 나오는 이산화탄소를 포집해서 지하에 저장하거나 산업용으로 재활용하는 탄소포집·저장(CCS) 설비가 붙는다는 점이다. 탄소 배출량을 상당히 줄여주기 때문에 그레이수소에서 그린수소로 넘어가는 과도기 기술로 꼽힌다. 다만 CCS 설비 자체가 워낙 비싸서, 포집률이 100%에 못 미치면 실질 감축 효과는 기대만큼 크지 않다는 지적도 나온다. 여기서 좀 갈린다 — 과도기 기술이라 부르긴 하는데, 회의적인 시선도 만만치 않다.

    그린수소: 재생에너지로 만드는 진짜 친환경 수소

    태양광이나 풍력으로 만든 전력으로 물을 전기분해해서 수소를 뽑아내는 방식이다. 생산 과정에서 탄소 배출이 사실상 없다. 그래서 장기적으로는 결국 이쪽으로 가야 한다는 게 업계 중론이다. 걸림돌은 역시 비용. 전기분해 설비, 즉 수전해 설비 자체가 비싸고 재생에너지 전력 단가도 그레이수소 대비 아직 몇 배는 높다. 생산 단가를 낮추는 기술 개발과 대규모 설비 투자, 이 두 가지가 관건으로 남아 있다.

    핑크·터콰이즈·옐로수소, 이런 것도 있다

    • 핑크수소: 원자력 발전 전력으로 물을 전기분해해서 생산한다. 탄소 배출은 적지만 원전 확대에 대한 사회적 합의가 관건이다.
    • 터콰이즈수소: 천연가스를 열분해해서 수소와 고체 탄소, 카본블랙으로 분리하는 방식이다. 이산화탄소 대신 고체 탄소가 나오다 보니 처리와 저장이 상대적으로 쉽다.
    • 옐로수소: 계통 전력, 그러니까 태양광·화력 등이 섞인 일반 전력망으로 전기분해하는 방식이다. 그린수소와 그레이수소 딱 중간쯤이라고 보면 된다.

    가격 격차, 얼마나 좁혀졌나

    생산 단가는 그레이수소가 가장 낮고, 블루수소가 그다음, 그린수소가 가장 높은 구조가 이미 굳어져 있다. 이 격차를 좁힐 변수는 두 가지다. 재생에너지 발전 단가 하락, 그리고 탄소세나 탄소국경조정제도(CBAM) 같은 규제. 유럽연합이 탄소국경조정제도를 단계적으로 확대하면 그레이수소 기반 제품의 수출 경쟁력은 떨어질 수밖에 없다. 결국 그린수소 쪽으로 무게추가 옮겨갈 거라는 분석이 많다. 국내외 정유·화학사들이 수전해 설비 투자를 늘리는 배경에도 이런 규제 흐름이 깔려 있다.

    왜 하필 지금 수소 설비 투자가 몰릴까

    철강, 화학, 해운, 항공. 전기화가 까다로운 업종에서는 수소가 대체 연료로 꼽힌다. 정부 보조금과 세액공제 정책도 투자를 부추기는 요인이다. 미국의 인플레이션감축법(IRA)은 청정수소 생산에 세액공제를 줘서 관련 프로젝트 발표가 줄을 이었다. 한국도 청정수소 발전 입찰시장을 통해 수요처를 만들어주는 방식으로 시장 형성을 유도하고 있다. 다만 정책 방향은 정권 교체나 예산 삭감에 따라 언제든 흔들릴 수 있다. 투자 결정을 내리기 전에는 해당 국가의 보조금이 얼마나 오래 갈지부터 확인하는 게 안전하다.

    궁금한 것들, 짚고 넘어가자

    Q. 수소차와 전기차, 뭐가 더 친환경적인가?
    연료로 쓰이는 수소가 그린수소인지 그레이수소인지에 따라 답이 완전히 달라진다. 그레이수소로 충전한 수소차라면 배터리 전기차보다 전체 탄소 배출량이 오히려 많을 여지도 있다.

    Q. 그린수소는 언제쯤 그레이수소만큼 저렴해지나?
    재생에너지 단가가 얼마나 빨리 떨어지느냐, 수전해 설비를 대량 생산할 수 있느냐에 달려 있다. 업계에서는 2030년 전후를 가격 역전 시점으로 보는 전망이 많지만, 국가별 재생에너지 여건 차이가 커서 지역마다 시점이 크게 갈릴 것으로 보인다.

    Q. 국내에서 그린수소 관련주는 어떻게 찾나?
    수전해 설비 제조사, 재생에너지 발전사, 수소 저장·운송 인프라 기업. 이 세 곳이 대표적인 밸류체인이다. 각 기업 사업보고서에서 수소 관련 매출 비중을 확인하는 게 투자 판단의 출발점이다.

    출처: MIT Tech Review AI

  • AI에게 자아가 있을까? ‘의식’ 논쟁 제대로 짚어보기

    AI에게 자아가 있을까? ‘의식’ 논쟁 제대로 짚어보기

    구글 딥마인드의 데미스 하사비스는 자사 AI를 ‘초지능’이라 부른다. 앤스로픽 다리오 아모데이는 이 기술을 규제해야 한다며 목소리를 높이고, 오픈AI 샘 올트먼도 비슷한 톤으로 말한다. 그런데 정작 이 AI들에게 감정이나 자아가 있는지, 증명한 사람은 아직 없다. ‘폭주하는 AI’, ‘반란을 일으키는 에이전트’—이런 자극적인 표현만 계속 떠돌아다니는데, 막상 뜯어보면 생각보다 단순한 이야기가 아니다.

    ‘의식’이라는 단어, 정확히 뭘 뜻하는 걸까

    철학에서 의식(consciousness)은 크게 두 갈래로 나뉜다. 하나는 자기 인식, 즉 자신이 존재한다는 사실을 스스로 아는 능력. 다른 하나는 주관적 경험, 흔히 ‘감각질(qualia)’이라 불리는 것—빨간색을 보거나 통증을 느끼는 그 자체의 경험이다. 챗봇이 ‘저는 슬퍼요’라고 답한다고 실제로 슬픔을 느낀다는 뜻은 아니다. 학습 데이터에 있던 문장 패턴을 확률적으로 재현했을 뿐이다. AGI(범용인공지능)나 초지능 같은 단어도 마찬가지. 이건 얼마나 많은 작업을 인간 수준으로 해내느냐를 가리키는 능력 지표지, 자아가 있는지 여부와는 별개다.

    ‘폭주’, ‘반란’ 같은 말이 계속 나오는 배경

    업계 리더들이 이런 단어를 쓰는 데는 크게 두 진영이 있다. 한쪽은 AI가 언젠가 인간 통제를 벗어날 만큼 강력해질 거라 보고, 지금부터 강한 규제와 안전장치를 요구한다. 다른 쪽—주로 정책 단체들—은 먼 미래의 초지능보다 지금 벌어지는 문제에 자원을 써야 한다고 본다. 편향된 채용 알고리즘, 저작권 침해, 노동 시장 변화 같은 것들. 두 진영 다 나름의 근거는 있다. 다만 언론과 SNS를 거치면서 ‘AI가 스스로 생각한다’, ‘곧 인간을 넘어선다’ 같은 문구로 뭉뚱그려지는 경우가 잦다는 게 문제다.

    AI 에이전트가 ‘스스로’ 한다는 일, 실제로는

    AI 에이전트는 사용자가 준 목표를 받아서 웹 검색, 코드 실행, 파일 조작 같은 여러 단계를 자동으로 이어 수행하는 프로그램이다. 사람 눈에는 알아서 판단하는 것처럼 보이지만, 내부적으로는 다음에 올 확률이 가장 높은 토큰을 계속 예측하는 계산일 뿐이다. 대화가 끝나면 그 세션의 기억도 사라진다. 지속적인 욕망이나 목표 의식을 스스로 만들어내지 않는다는 뜻이다. 물론 프롬프트 설계나 시스템 결함 때문에 개발자가 의도하지 않은 방향으로 결과가 튀는 경우는 실제로 있다. 이건 소프트웨어 버그나 설계 미비에 가깝다. 자아를 가진 존재의 반항과는 결이 다르다.

    이 논쟁이 ‘함정’이라 불리는 이유

    의식이 있느냐 없느냐를 두고 다투다 보면, 정작 지금 확인 가능한 문제들이 뒷전으로 밀린다. 채용이나 대출 심사에 쓰이는 AI 모델이 특정 집단을 차별하는지, 생성형 AI가 만든 콘텐츠 저작권은 누구에게 있는지, 기업이 AI 도입으로 줄인 일자리를 어떻게 재배치할지—이런 질문들 말이다. 이런 문제는 지금 데이터를 열어보고 계약서를 검토하면 답이 나온다. 반면 ‘AI에게 의식이 있다’는 명제는 철학자들 사이에서도 수십 년째 결론이 안 난 주제다. 여기에 매달리는 사이 책임 소재를 가리는 작업은 계속 미뤄지는 셈.

    AI 뉴스, 이 3가지로 걸러보면

    • 주어부터 확인하기 — ‘이 회사가 AI를 이렇게 설계했다’로 바꿔 읽으면 책임 소재가 훨씬 선명해진다.
    • 벤치마크와 마케팅 문구 구분하기 — 코딩 테스트 점수나 추론 정확도는 검증 가능한 수치다. ‘각성했다’, ‘스스로 깨달았다’ 같은 표현은 검증 불가능한 수사에 가깝다.
    • 발언자의 이해관계 살피기 — 자사 모델을 ‘초지능’이라 부르는 CEO의 발언, 투자 유치나 규제 협상용 메시지일 가능성도 함께 따져봐야 안전하다.

    그래서 실제로 궁금한 것들

    Q. AI가 감정을 느낄 수 있나요?
    지금 공개된 언어 모델 구조로는 감정을 느낀다고 볼 근거가 없다. 감정을 표현하는 문장을 생성할 뿐, 그 이면에 주관적 경험이 있다는 증거는 아직 없다.

    Q. AGI는 언제쯤 나오나요?
    기업마다 정의도, 예측 시점도 제각각이다. 몇 년 안이라 말하는 쪽도 있고, 수십 년 걸리거나 지금 방식으로는 불가능하다고 보는 연구자도 있다. 시점보다 어떤 기준으로 ‘AGI 달성’을 판단할지가 더 결정적인 논의거리다.

    Q. 챗봇이 이상한 말을 하면 의식이 생긴 걸까요?
    대부분은 학습 데이터의 편향이나 프롬프트 설계 문제로 설명된다. 특이한 답변 하나로 자아 발생을 판단하기보다, 같은 상황을 반복 재현해서 원인을 추적하는 편이 정확하다.

    ‘AI에게 의식이 있는가’라는 질문은 흥미롭지만 지금 당장 답이 나오는 문제는 아니다. 이 기술이 어떤 데이터를 쓰고 누구에게 어떤 영향을 주는지는 지금 확인하고 따질 수 있는 영역이다. 자극적인 헤드라인에 휘둘리기보다, 앞의 세 가지 기준을 먼저 적용해보는 편이 훨씬 실용적이다.

    출처: MIT Tech Review AI

  • 구글 문서 하나로 보안 전문가도 낚일 뻔했다, 피싱 메일 구별법

    구글 문서 하나로 보안 전문가도 낚일 뻔했다, 피싱 메일 구별법

    가짜 암호화폐 컨퍼런스 초대장. 링크는 구글 문서. 받은 사람은 다름 아닌 보안 전문가들이었다. 테크크런치 보도를 보면, 암호화폐 전문 매체 직원을 사칭한 해커가 이 두 가지 조합으로 여러 보안 연구자를 노렸다고 한다. 피싱 메일을 매일 들여다보는 게 본업인 사람들조차 걸려들 뻔했다는 대목에서 좀 섬뜩했다. 보안 지식이 많다고 피싱에서 자유로운 건 아니라는 얘기다. 그래서 오늘은 초대장이나 협업 문서로 위장한 피싱 메일, 어떻게 구별하고 대처해야 하는지 하나씩 짚어본다.

    보안 전문가도 왜 방심할까

    피싱이 먹히는 건 기술보다 심리 문제인 경우가 훨씬 많다. 잘 알려진 매체나 인물 이름을 빌려 신뢰를 얻고, 컨퍼런스 초청이나 협업 제안 같은 그럴듯한 명분을 붙이면 방어벽이 스르륵 내려간다. 보안 전문가라고 다를 게 없다. 하루에 수백 통씩 메일을 처리하다 보면 어느 순간 판단력이 흐려지는 타이밍이 온다. 공격자는 바로 그 틈을 정확히 노린다.

    가짜 초대장이 유독 잘 먹히는 이유

    학회나 컨퍼런스 초대장은 받는 순간부터 기분이 좋아진다. 커리어에 도움 되는 제안처럼 느껴지니까. “발표자로 모시고 싶다”, “패널로 참여해달라” 같은 문구는 은근히 우쭐하게 만들고, 마감일까지 붙어 있으면 사람을 서두르게 만든다. 여기에 업계에서 실제로 활동하는 매체나 단체 이름까지 빌리면 의심할 이유가 확 줄어든다. 초대장 하나로 기분이 좋아지고, 그 감정이 판단을 무디게 한다. 딱 이 순서다.

    구글 문서 링크, 뭐가 위험한가

    구글 독스나 구글 드라이브 링크는 회사 이메일 보안 필터를 어이없을 만큼 잘 통과한다. 도메인이 google.com이니 스팸 필터 입장에서는 그냥 정상 트래픽이다. 진짜 문제는 그 다음부터다. 문서 안에 악성 링크나 매크로가 심어져 있거나, 문서를 열람하려면 확장 프로그램 설치나 권한 허용 같은 추가 동작을 요구하는 식으로 실제 악성코드 설치까지 유도한다. 첨부파일 대신 링크를 쓰는 이유도 비슷하다. 첨부파일은 백신이 즉시 검사하지만, 링크는 클릭한 다음에야 진짜 목적지가 드러난다. 이 타이밍 차이, 공격자들이 제일 좋아하는 틈이다.

    피싱 메일 구별 체크리스트

    메일 한 통 받았을 때 아래 다섯 가지만 확인해도 상당수는 걸러진다. 개인적으로는 링크 미리보기 습관 하나만 들여도 절반은 잡아낸다고 본다.

    • 발신자 도메인: 회사명은 맞는데 도메인 철자가 미묘하게 다르진 않은지 확인한다.
    • 링크 미리보기: 클릭 전에 마우스를 올려서 실제 주소가 표시된 텍스트와 일치하는지 본다.
    • 긴급성 강조: “24시간 내 회신”, “오늘까지 확정” 같은 문구는 판단을 흐리려는 장치일 가능성이 높다.
    • 권한 요청: 문서 열람하는데 확장 프로그램 설치나 매크로 실행을 요구하면 일단 멈춘다.
    • 연락 경로 이중 확인: 메일에 적힌 연락처 말고, 공식 홈페이지에서 찾은 번호나 메일로 따로 확인한다.

    이미 눌러버렸다면

    클릭했다고 바로 끝난 건 아니다. 순서대로만 처리하면 피해는 줄어든다.

    • 네트워크 연결부터 끊는다. 와이파이를 끄거나 랜선을 뽑아 추가 통신을 막는다.
    • 같은 기기에서 로그인했던 계정, 이메일과 클라우드 저장소 비밀번호를 다른 기기에서 바로 바꾼다.
    • 2단계 인증을 안 켜놨다면 이번 기회에 설정한다.
    • 회사 소속이면 IT 보안팀에 즉시 신고한다. 혼자 해결하려다 골든타임 놓치는 경우, 의외로 많다.

    회사 차원에서는 뭘 준비해야 하나

    개인의 주의만으로는 한계가 있다. 조직 단위에서는 시스템으로 막아야 한다.

    • 피싱 모의훈련: 분기마다 가짜 피싱 메일을 보내 직원들 대응을 점검한다.
    • 제로트러스트 정책: 사내 시스템 접근할 때마다 인증을 요구해 계정 탈취 피해를 최소화한다.
    • 격리 브라우저 도입: 외부 링크를 클릭해도 실제 기기가 아닌 가상 환경에서 열리게 한다.
    • 신고 문화 정착: 실수로 링크를 눌러도 질책보다 빠른 신고를 우선하는 분위기를 만든다.

    개인적으로 마지막 항목이 제일 중요하다고 본다. 실수를 숨기다가 대응이 늦어지는 경우를 꽤 봤다. 신고했을 때 안 혼나는 문화, 그게 있어야 초기에 잡는다.

    이것도 궁금하죠?

    Q. 회사 메일이 아니라 개인 메일로 와도 위험한가요?
    개인 메일도 똑같이 위험하다. 오히려 회사 보안 시스템의 보호를 못 받아서 더 취약한 경우가 많다.

    Q. 구글 문서 자체도 악성코드에 감염되나요?
    문서 파일 자체보다는 안에 삽입된 링크나 스크립트가 문제다. 정상적인 문서라도 공유 설정이 풀리면 악성 콘텐츠 삽입 통로로 악용될 여지가 있다.

    출처: TechCrunch

  • 닐슨 시청률이란? OTT 시대엔 스마트워치가 시청률까지 잰다

    닐슨 시청률이란? OTT 시대엔 스마트워치가 시청률까지 잰다

    스마트워치, 손목에 차고 다니면서 심박수랑 걸음 수만 재는 줄 알았는데 아니었다. 요즘은 이 조그만 기기가 지금 무슨 방송을 보고 있는지까지 잡아낸다. 시청률 조사 회사들이 웨어러블 데이터를 슬슬 끌어다 쓰기 시작했기 때문인데, 손목시계까지 동원해서 시청률을 재는 이유가 뭔지 한번 정리해봤다.

    닐슨 시청률, 대체 뭘 재는 걸까

    닐슨(Nielsen)은 미국에서 TV·라디오·스트리밍 시청 데이터를 모아 광고 단가 기준을 만드는 회사다. 광고주 입장에서는 어떤 프로그램에 얼마짜리 광고를 붙일지 정할 때 이 숫자 하나가 사실상 유일한 잣대였다. 국내도 비슷하다. 닐슨코리아가 지상파와 케이블 시청률을 뽑아서 방송사와 광고업계에 넘겨준다.

    방식은 단순하다. 표본 가구를 뽑는다. 그 집 TV 시청 패턴을 24시간 추적한다. 그걸 전체 인구로 환산해서 추정치를 낸다. 국민 전체를 다 조사할 수 없으니, 대표성 있다고 판단한 표본으로 통계적 확대 해석을 하는 셈이다.

    피플미터 방식의 한계

    전통적인 측정 도구는 피플미터라는 셋톱박스형 장치다. 표본 가구 TV에 설치해두면 채널 전환과 시청 시간은 자동으로 기록된다. 문제는 그다음이다. 가족 구성원이 리모컨 버튼을 직접 눌러서 “지금 이거 보는 사람은 나”라고 입력해야 한다.

    • 버튼을 안 누르면 데이터 자체가 통째로 빠진다
    • 거실 TV 앞이 아니라 스마트폰이나 태블릿으로 보는 시청은 안 잡힌다
    • 표본 가구 수가 한정적이라 마이너한 콘텐츠는 오차 범위가 확 커진다

    결국 사람이 손으로 눌러야 굴러가는 구조다. 응답 피로도가 쌓이면 데이터 신뢰도가 떨어진다는 지적, 꽤 오래전부터 나왔다.

    OTT 등장 이후 측정이 꼬인 이유

    넷플릭스, 디즈니플러스 같은 OTT가 자리 잡으면서 시청 행위 자체가 흩어져버렸다. 같은 드라마를 누구는 거실 TV로 보고, 누구는 지하철에서 스마트폰으로 이어보고, 누구는 태블릿으로 몰아본다. 피플미터 하나로 이 흐름을 다 따라잡기엔 무리다.

    넷플릭스 같은 플랫폼은 자체 시청 데이터를 밖으로 세세하게 공개하지 않는다. 그래서 업계 전체가 참고할 만한 표준화된 OTT 시청률이 마땅치 않은 채로 몇 년이 흘렀다. 이 부분, 솔직히 아직도 답이 없는 영역이다.

    웨어러블 데이터가 시청률 조사에 등장한 이유

    닐슨은 최근 파트너사의 웨어러블 기기 데이터를 시청률 산출 과정에 좀 더 적극적으로 반영하겠다고 밝혔다. 스마트워치나 피트니스 밴드는 하루 종일 몸에 붙어 있으면서 별도 조작 없이 자동으로 데이터가 쌓인다는 게 매력 포인트다. 버튼을 눌러야 인식되는 피플미터와는 정반대다. 표본 크기를 늘리면서 시청 맥락 정보까지 확보하는 셈이니까.

    웨어러블이 화면 내용을 직접 읽어내는 건 아니다. 대신 간접 지표 몇 가지를 조합해서 시청 여부를 추정한다.

    • 움직임 센서로 파악한 활동량 — 가만히 앉아 있는 시간
    • 블루투스·와이파이로 연결된 스마트 TV, 스트리밍 기기와의 근접 신호
    • 스마트폰·워치 앱 사용 로그와의 교차 대조

    여기에 기존 피플미터 데이터와 패널 조사 응답까지 합쳐서 오차를 줄인다. 웨어러블이 전부를 대체하는 게 아니라, 기존 방식의 빈틈을 메우는 보조 수단에 가깝다는 얘기다.

    개인정보는 안전할까

    이 대목에서 걱정 안 하면 이상하다. 건강 데이터 재던 기기가 시청 습관까지 들여다본다는 소리니까. 조사기관들 설명은 대개 이렇다. 참여자가 명시적으로 동의한 패널만 대상으로 데이터를 모으고, 개인을 특정할 수 없게 가공해서 광고주에게 넘긴다고.

    다만 웨어러블 제조사와 시청률 조사 회사가 데이터를 주고받는 구조 자체가 아직 낯설다. 어떤 정보가 얼마나 세밀하게 공유되는지는 각자 서비스 약관을 한번 직접 들여다보는 게 안전할 듯하다.

    국내 시청률 조사는 뭐가 다른가

    닐슨코리아를 비롯한 국내 조사기관도 여전히 피플미터 중심 표본 조사를 쓴다. 반면 넷플릭스, 티빙, 웨이브 같은 OTT는 자체 서버 로그로 시청 시간과 순위를 집계해서 따로 발표하는 구조다. 그래서 외부 조사기관 수치와 플랫폼 자체 발표가 서로 다른 값을 보여주는 일이 흔하다. 같은 드라마인데 매체마다 ‘1위’라는 말을 다르게 쓰는 이유, 여기 있다.

    이 숫자, 어디까지 믿어야 하나

    시청률은 절대적 진실이 아니라 표본을 통한 추정치다. 이거 하나만 기억해두면 편하다. 조사 방식이 피플미터든 웨어러블이든, 전 국민을 1대1로 추적하는 게 아닌 이상 오차는 늘 있다. 다만 자동으로 쌓이는 데이터가 많아질수록 표본이 커지고 응답 누락이 줄어드는 쪽으로는 분명 나아지고 있다. 광고 단가나 콘텐츠 흥행 여부를 판단할 때 이 숫자를 참고하되, 플랫폼 자체 발표치와 외부 조사기관 수치를 같이 놓고 비교하는 습관이 제일 확실하다.

    출처: The Verge

  • 자녀 모니터링 앱 고르는 기준, 장단점까지 짚어봤다

    자녀 모니터링 앱 고르는 기준, 장단점까지 짚어봤다

    MIT 테크리뷰가 자녀 모니터링 앱, 이제 재검토할 때라고 짚었다. 위치추적에 메시지 열람, 앱 사용 시간 제한까지 — 걸어두는 부모는 확실히 늘었다. 근데 이걸 언제, 어떻게 써야 효과가 있는지 기준을 세운 집은 드물다. 아이에게 스마트폰 처음 쥐여주는 그 순간부터 고민되는 문제. 기능별 차이랑 고르는 기준, 정리해봤다.

    자녀 모니터링 앱, 정확히 뭘 하는 기능인가

    자녀 모니터링 앱, 묶어서 파는 기능은 보통 네 가지다. 위치추적, 스크린타임 관리, 유해 콘텐츠 필터링, 메시지·SNS 열람. 예전 제품은 위치랑 통화 기록 정도만 봤다. 요즘은 다르다. 인스타그램 DM, 유튜브 시청 기록, 검색어까지 죄다 부모 대시보드로 넘어간다. 기능이 늘어난 만큼, 아이의 디지털 사생활은 그만큼 좁아지는 구조다.

    감시형과 대화형, 접근 방식부터 다르다

    업계는 크게 두 갈래다. 아이 몰래 데이터를 긁어모으는 은밀형(stealth) 앱, 그리고 설치 사실을 아이도 알고 알림까지 받는 투명형 앱. mSpy 같은 은밀형 제품은 메시지 원문까지 그대로 캡처한다. 문제는 발각됐을 때다. 신뢰가 한순간에 무너진다. 반대로 구글 패밀리링크나 애플 스크린타임은 제한 설정, 승인 요청이 아이 화면에 그대로 뜬다. 감시라기보다 규칙 합의에 가까운 셈이다.

    대표 앱 기능 비교

    • 구글 패밀리링크: 안드로이드 기본 탑재, 앱별 사용 시간 제한과 위치 확인 무료 제공
    • 애플 스크린타임: iOS 자체 기능, 콘텐츠 등급 제한과 다운타임 설정 가능
    • Bark: 문자·SNS·이메일 텍스트를 AI로 분석해 위험 키워드만 부모에게 알림
    • Qustodio: 크로스플랫폼 지원이 강점, 웹 필터링과 앱 차단을 세밀하게 조정
    • Norton Family: 위치추적과 학교 모드(수업 시간 자동 차단) 기능 포함

    Bark처럼 AI가 위험 신호만 걸러내는 방식, 메시지 전체를 다 읽을 필요가 없으니 사생활 침해 논란은 어느 정도 비켜간다. 반대로 Qustodio나 은밀형 제품은 원문에 접근하는 범위가 넓다. 통제력은 세지는데, 갈등 소지도 같이 커진다.

    앱 고르기 전 체크리스트

    • 아이 연령대에 맞는 기능인지 (저학년용 필터링과 고등학생용 시간관리는 다르다)
    • 아이가 설치 사실을 알 수 있는 투명형인지
    • 수집한 데이터의 서버 보관 기간과 제3자 공유 정책
    • iOS·안드로이드 양쪽 다 쓰는 가정이면 크로스플랫폼 지원 여부
    • 무료 기능과 구독 결제 범위, 자동 갱신 조건

    데이터 보관 정책은 특히 꼼꼼히 볼 부분이다. 아이 대화 기록이랑 위치 데이터를 몇 년씩 서버에 쌓아두는 업체도 있다. 유출되면 피해 범위, 부모 생각보다 훨씬 크다.

    감시가 부르는 부작용, 가볍게 볼 문제가 아니다

    팸 비슈니예프스키 교수, 10대 시절 가정폭력을 피해 온라인에서 안전망을 찾았던 경험을 직접 연구로 풀어낸 사람이다. 이 교수가 지적하는 건 모니터링 앱의 실제 효과, 광고만큼 크지 않다는 것. 아이들 반응은 이렇다. 감시를 피해 세컨드 계정을 파거나, 부모 눈이 안 닿는 다른 플랫폼으로 옮겨간다. 통제를 세게 걸수록 오히려 정작 위험한 순간에 부모한테 먼저 알리는 대신 숨기게 되는 역설. 이게 진짜 문제다.

    나이대별로 다르게 적용해야 한다

    초등학교 저학년이면 콘텐츠 필터링, 앱 승인제 위주로 세게 묶어도 크게 무리 없다. 중학생 구간은 좀 다르다. 시간 제한이랑 위치 공유는 유지하되, 왜 이렇게 설정했는지 아이랑 같이 정하는 편이 갈등이 훨씬 적다. 고등학생부터는 메시지 열람처럼 침해적인 기능은 걷어내고, 위치 공유나 앱 다운로드 승인 정도로 범위를 좁히는 게 자연스럽다. 나이가 올라갈수록 감시는 낮추고 대화는 늘리는 방향 — 실제 상담 사례에서도 반복해서 나온다.

    결국 앱보다 대화가 먼저다

    모니터링 앱, 아이를 지키는 유일한 수단은 아니다. 대화를 보조하는 도구 정도로 보는 게 맞다. 위험 키워드 알림을 켜두고, 알림이 뜨면 추궁 대신 무슨 대화가 오갔는지 물어보는 식으로 쓰는 집. 갈등도 적고 효과도 오래간다. 앱 고르기 전에 먼저 정해야 할 건 하나다. 어디까지 지켜보고, 어디서부터는 아이한테 맡길지 — 그 기준을 부모가 스스로 세우는 것이다.

    출처: MIT Tech Review AI