Daily News Korea

[태그:] AI

  • 로봇청소기 구매 가이드 2026 — 스펙 해석법부터 브랜드·가격대별 기준까지

    로봇청소기 구매 가이드 2026 — 스펙 해석법부터 브랜드·가격대별 기준까지

    제품 상세 페이지를 열면 순식간에 압도된다. 3000Pa, LiDAR, 3D ToF, AI 장애물 인식, 자동 먼지비움, 하이브리드 걸레질. 숫자와 기술 용어가 화면을 꽉 채운다. 처음 사는 사람이 “후기 많은 거 사자”로 끝내는 게 이해는 된다. 근데 그렇게 샀다가 쓸모없는 기능에 돈을 쓰거나, 정작 내 집 구조에 안 맞는 제품을 손에 쥐게 된다. 스펙 읽는 법, 브랜드 성격, 가격대별 기준을 한 번에 짚었다.

    내 집 구조와 맞는지 먼저 따져야

    로봇청소기가 잘 도는 환경이 따로 있다. 장애물 없이 트인 구조, 마루나 타일 바닥, 반려동물 털이 많은 집. 이 세 가지 조건 중 하나만 맞아도 제값을 한다. 반대로 아래 환경이라면 기대치를 낮추는 편이 낫다.

    • 문지방이 높거나 단차가 많은 구조
    • 바닥에 짐이 자주 쌓이는 집
    • 코드와 전선이 많이 노출된 공간
    • 30평 이상에 방이 여러 개인 구조 (저가 제품 기준)

    집 구조와 생활 습관이 안 맞으면 아무리 좋은 제품도 구석에 처박힌다. 제품 고르기 전에 이 조건 먼저 점검해야 순서가 맞다.

    스펙 읽는 법 — 숫자에 속지 않으려면

    흡입력 (Pa 수치)
    광고에 “3000Pa”, “6000Pa” 같은 수치가 나오는데, 숫자만 보면 안 된다. Pa(파스칼)는 흡입 압력 단위인데 측정 방식이 제조사마다 다르다. 2000Pa 이상이면 일반 먼지 청소엔 충분하고, 반려동물 털이 많은 집이라면 3000Pa 이상을 기준으로 잡는 게 현실적이다.

    배터리와 실제 청소 면적
    “최대 150분 작동”이라는 문구는 최저 흡입 모드 기준이다. 일반 모드로 돌리면 60~90분으로 줄어든다. 20평대라면 배터리 60분도 충분하지만, 30평 이상이면 자동 복귀 충전 후 이어서 청소하는 기능이 탑재된 제품을 골라야 한다.

    먼지통 용량
    0.3L짜리 먼지통은 생각보다 금방 찬다. 매일 비워야 하는 번거로움이 싫다면 0.5L 이상이거나, 자동 먼지비움 스테이션이 달린 제품을 봐야 한다. 솔직히 이 부분에서 편의성이 꽤 갈린다.

    맵핑 기술이 청소 퀄리티를 가른다

    초기 룸바처럼 랜덤으로 돌아다니는 방식은 이미 구식이다. 요즘 중급 이상 제품은 집 구조를 스스로 파악하고 체계적으로 청소하는 맵핑 기술을 탑재한다. 세 가지 방식이다.

    • LiDAR(라이다) — 레이저로 공간을 3D 스캔해 정밀한 지도를 만든다. 어두운 환경에서도 잘 작동하고 장애물 회피가 안정적이다. 중고가 제품의 표준이 된 기술이다.
    • 카메라 기반 (vSLAM) — 카메라로 주변을 인식하는 방식. LiDAR보다 저렴하게 구현할 수 있어 중저가 제품에 많이 들어간다. 빛이 부족한 환경에선 성능이 떨어진다.
    • AI 장애물 인식 — 양말, 케이블, 반려동물 배변 등을 카메라로 감지해 피하는 기능. 로보락, 에코백스, 드리미 등 프리미엄 라인에 탑재된다. 실생활 체감 만족도가 높은 기능이다.

    브랜드별 성격 — 한 줄씩

    룸바 (iRobot)
    로봇청소기 시장을 처음 만든 브랜드다. 소프트웨어 완성도와 앱 연동이 강점. 아마존에 인수된 이후 구조조정이 있었지만 상위 라인업 청소 성능은 여전히 탄탄하다.

    로보락 (Roborock)
    가성비와 성능 모두 잡은 브랜드라는 평가를 받는다. 청소+걸레질 콤보 기능이 잘 구현되어 있고 앱 완성도도 높다. 국내에서 인기 있는 S시리즈가 대표 제품이다.

    삼성 비스포크 제트봇
    국내 AS가 확실하고 SmartThings 연동이 강점이다. 프리미엄 라인은 AI 카메라 장애물 회피 성능이 좋다.

    LG 코드제로 R9
    흡입력과 청소 성능이 안정적이다. LG ThinQ 앱과 연동되며 국내 AS 접근성도 좋다.

    에코백스 (Ecovacs)
    걸레질 특화 기능이 강점이다. 데이나 시리즈는 걸레 자동 세척·건조까지 지원해 손이 덜 간다.

    드리미 (Dreame)
    빠르게 성장 중인 브랜드다. 가격 대비 스펙이 높고 흡입력 수치가 업계 최상위권이다. 앱 안정성은 아직 개선 여지가 있다는 점은 알고 가야 한다.

    가격대별 실용 기준

    • 15만원 이하 — 랜덤 청소 방식이 대부분이다. 맵핑 없이 돌아다니며 청소한다. 자취방이나 원룸처럼 좁고 단순한 공간에서는 충분히 쓸 만하다.
    • 15~30만원 — 기본 맵핑 기능이 탑재된 제품이 등장하는 구간이다. 로보락 E시리즈, 에코백스 N시리즈 등이 이 가격대의 대표 선택지다.
    • 30~60만원 — LiDAR 맵핑에 걸레질 콤보까지 된다. 대부분의 가정에서 “딱 맞는 선택”이 이 구간에 있다.
    • 60만원 이상 — 자동 먼지비움 스테이션, AI 장애물 인식, 걸레 자동 세척까지 올인원으로 지원한다. 손이 아예 안 가는 청소를 원한다면 이 구간이 현실적 선택이다.

    사기 전에 꼭 확인할 것 4가지

    AS 정책
    해외직구 제품은 AS가 불편하거나 비쌀 수 있다. 공식 수입사가 있는지, 국내 서비스센터 접근이 가능한지 사전에 체크해야 한다.

    소모품 가격
    필터, 사이드 브러시, 메인 브러시, 걸레 패드는 주기적으로 교체가 필요하다. 본체보다 소모품이 비싼 경우도 있으니 구매 전에 부품 단가를 반드시 확인하자.

    앱 지역 지원
    일부 제품은 한국어 앱이 지원되지 않거나, 국내 Wi-Fi 환경(2.4GHz/5GHz)에서 연결 문제가 생기기도 한다. 해외직구라면 한국 사용자 후기를 꼼꼼히 확인해야 한다.

    바닥 정리 습관
    어떤 제품을 사든 바닥에 물건이 많으면 성능이 절반으로 준다. 제품을 바꾸기 전에 바닥 정리 습관을 먼저 들이는 게 맞다. 로봇청소기는 정리된 집을 더 잘 청소하도록 설계되어 있다.

    출처: The Verge

    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

  • iOS 27 숨은 기능 총정리: 놓치면 손해인 변경점 가이드

    iOS 27 숨은 기능 총정리: 놓치면 손해인 변경점 가이드

    애플이 iOS를 업데이트할 때 발표 무대를 장식하는 건 늘 AI와 Siri다. 스포트라이트는 Apple Intelligence가 받고, 실제 쓰는 기능들은 조용히 바뀐다. iOS 27도 똑같다. Siri 개선 소식에 묻혀서 잘 알려지지 않은 기능들이 적지 않은데, 이게 오히려 매일 체감하는 만족도를 좌우한다.

    아이폰을 쓰는 사람이라면 iOS 27로 넘어갈 때 ‘뭐가 달라졌지?’ 하고 한 번은 검색하게 된다. 업데이트 노트는 길고 산만하고, 유튜브 영상은 너무 길다. 핵심만 골라 정리했다.

    iOS 27, 한 줄로 정리하면

    iOS 27의 방향성은 ‘AI를 뺀 나머지도 쓸 만하게’다. 디자인 언어가 조금 더 정리됐고, 멀티태스킹 흐름이 자연스러워졌으며, 오래된 앱들의 인터페이스도 손봤다. 눈에 확 띄는 혁신보다는 쌓인 불편함을 닦아낸 업데이트에 가깝다.

    TechCrunch 보도를 보면 이번 버전에서 AI 외에도 주목할 추가 기능이 상당수 포함됐다고 전한다. 문제는 그걸 발굴해서 쓰는 사람이 많지 않다는 것이다.

    잠금화면·홈화면, 이렇게 달라졌다

    iOS 27에서 잠금화면은 위젯 배치 자유도가 더 높아졌다. 기존에는 특정 위치에만 위젯을 놓을 수 있었는데, 이번 버전에서는 화면 하단 영역까지 위젯 배치가 가능해졌다.

    • 잠금화면 시계 글꼴: 더 많은 폰트와 크기 옵션 추가
    • 홈화면 앱 아이콘 크기: 대형 아이콘 모드에서 레이블 없이 배치 가능
    • 포커스 모드 연동: 포커스별 홈화면 자동 전환이 더 안정적으로 작동
    • 잠금화면 단축 버튼: 오른쪽 하단 버튼 커스터마이징 범위 확대

    홈화면에서는 폴더 내부 구조도 바뀌었다. 앱이 많을 때 페이지 넘기는 방식 대신 스크롤 방식이 추가됐다. 폴더를 여러 페이지로 나눠 관리하던 사람이라면 이 변화를 꽤 반길 것이다.

    카메라·사진 앱, 어떻게 바뀌었나

    카메라는 iOS 업데이트마다 조금씩 손이 가는 영역이다. iOS 27에서는 촬영 중 인터페이스가 단순해졌다.

    • 퀵 전환 버튼: 사진↔동영상 전환 버튼이 더 크고 접근하기 쉬운 위치로 이동
    • 프로 카메라 모드: 노출, ISO, 셔터스피드를 한 화면에서 조정하는 전문가 UI 개선
    • 사진 앱 검색: 자연어 검색 성능 향상. “작년 제주도에서 찍은 사진”처럼 입력하면 AI가 필터링
    • 추억 기능: 알림 빈도와 내용을 사용자가 직접 조절 가능

    사진 편집 도구에서는 배경 제거 기능의 정확도가 눈에 띄게 올라갔다. 머리카락 경계선처럼 이전 버전에서 뭉개지던 부분이 훨씬 자연스럽게 처리된다. 전문 앱 없이도 간단한 상품 사진 편집이나 프로필 사진 배경 제거 정도는 충분히 소화된다.

    개인정보 보호, 이 부분은 반드시 확인

    iOS 업데이트 때마다 개인정보 설정이 조금씩 추가·변경된다. iOS 27에서 특히 눈여겨볼 항목은 세 가지다.

    첫째, 앱별 네트워크 접근 권한이 세분화됐다. 이전에는 인터넷 접근을 허용하거나 차단하는 이분법이었는데, iOS 27에서는 로컬 네트워크와 외부 인터넷 접근을 따로 설정할 수 있다. 예를 들어 홈 자동화 앱이 로컬 기기와만 통신하고 외부로 데이터를 보내지 못하도록 막는 식이다.

    둘째, 붙여넣기 권한 알림이 정비됐다. iOS 16부터 클립보드에 접근할 때 알림이 떴는데, iOS 27에서는 이 알림이 더 구체적인 정보를 함께 보여준다. 어떤 앱이 클립보드의 어떤 종류 데이터에 접근했는지가 표시된다.

    셋째, 위치 데이터의 정밀도 조절 옵션이 기존보다 세밀해졌다. 앱에 제공하는 위치를 도시 단위, 지역 단위, 정확한 위치 등으로 단계별로 설정 가능하다.

    설정 → 개인정보 보호 및 보안 메뉴를 한 번 쭉 훑어두는 것만으로 불필요한 데이터 노출을 줄일 수 있다.

    실생활에서 바로 쓰이는 숨은 기능 5가지

    발표 무대에는 오르지 않았지만 매일 쓰다 보면 확실히 달라진 걸 느끼는 기능들이다.

    1. 받아쓰기 자동 구두점: 음성 입력 중 문장 끝에 마침표, 쉼표를 자동으로 붙여준다. 카카오톡이나 메모 앱에서 손 안 대고 긴 텍스트를 완성할 때 유용하다.
    2. Safari 탭 그룹 공유: 특정 탭 그룹을 링크로 공유하는 기능이 추가됐다. 팀 프로젝트나 여행 계획 같은 걸 같이 보고 싶을 때 쓸 수 있다.
    3. 알림 요약 커스터마이징: Apple Intelligence의 알림 요약 기능에서 특정 앱은 요약 제외 설정이 가능하다. 메시지 앱처럼 원문 그대로 받고 싶은 앱은 직접 지정할 수 있다.
    4. 배터리 사이클 수 확인: 설정 → 배터리 메뉴에서 배터리 충전 사이클 횟수가 표시된다. 중고 아이폰 살 때 이 수치를 확인하면 배터리 상태를 더 정확히 판단할 수 있다.
    5. AirDrop 수신 시간 제한: 모르는 사람으로부터 파일을 받는 ‘에어드롭 폭탄’ 문제를 막기 위해 수신 허용 시간을 10분, 1시간, 항상 중에서 선택할 수 있다.

    업데이트 전 꼭 해둘 준비

    iOS 업데이트는 대부분 문제없이 넘어가지만, 업데이트 직후 앱 호환성 문제나 배터리 소모 이상이 생기는 경우가 간혹 있다. 미리 해두면 나중에 후회가 없다.

    • iCloud 백업 최신화: 설정 → [이름] → iCloud → iCloud 백업에서 ‘지금 백업’을 눌러 최신 상태로 맞춰둔다.
    • 저장 공간 확보: iOS 업데이트 파일 자체가 3~5GB 안팎이다. 최소 6GB 이상 여유 공간을 확보해두는 것이 좋다.
    • 업데이트 직후 앱 동작 확인: 업무용 앱, 금융 앱 위주로 이상 없는지 확인한다. 대형 앱은 보통 iOS 정식 출시 직후 업데이트를 내놓기 때문에, 앱 업데이트도 함께 진행하는 게 낫다.
    • 베타 단계라면 기다리기: 공개 베타 기간 중에는 버그가 있을 수 있다. 업무용 기기라면 정식 버전까지 기다리는 편이 안전하다.

    결국 써볼 만한 기능은 이것

    iOS 27의 모든 기능을 처음부터 다 찾아쓸 필요는 없다. 우선순위를 잡자면 이렇다.

    즉시 확인할 것: 개인정보 보호 설정 재점검, 배터리 사이클 수 확인, 홈화면 레이아웃 재정리.

    한 번쯤 써볼 것: 받아쓰기 자동 구두점, 사진 배경 제거 개선, Safari 탭 그룹 공유.

    필요할 때 꺼낼 것: AirDrop 시간 제한, 앱별 네트워크 권한 세분화, 포커스 모드 연동 홈화면.

    결정적으로, iOS 업데이트의 가치는 화려한 기능 수보다 매일 반복하는 동작이 얼마나 덜 불편해졌느냐에 달려 있다. iOS 27은 그 방향에서 꽤 성실하게 만들어진 버전이다.

    출처: TechCrunch

    관련 기사

  • AI 학습 데이터에 1,200만 곡이 들어갔다. 내 음악도?

    AI 학습 데이터에 1,200만 곡이 들어갔다. 내 음악도?

    탐사 기자 한 명이 업계 전체를 긁었다. The Atlantic의 Alex Reisner가 AI 모델 학습에 사용된 음악 데이터셋 4개를 발굴해 직접 검색 도구까지 만들어 공개했다. 이 중 가장 큰 두 개만 봐도 1,200만 곡과 900만 곡. 나머지 두 개도 수십만~수백만 곡 규모로 추정된다.

    숫자부터 보면

    스포티파이에 등록된 곡이 약 1억 곡이다. 그럼 1,200만 + 900만만 해도 전체의 10~20%를 건드리는 셈이다. 단순 샘플링이 아니다. 업계 전체를 훑은 수준이다.

    • 1번 데이터셋: 1,200만 곡
    • 2번 데이터셋: 900만 곡
    • 3~4번 데이터셋: 수십만~수백만 곡 규모로 추정

    게다가 학습 대상이 가사 텍스트가 아니다. 멜로디, 리듬, 화성 구조, 그러니까 음악 자체다. Reisner 기자가 만든 검색 도구에 아티스트 이름이나 곡명을 입력하면 자기 음악이 데이터에 들어갔는지 직접 확인된다.

    동의는 받은 건가

    AI 기업들이 음악 데이터를 모으는 방식은 크게 두 가지다. 정식 라이선스 계약을 맺거나, 인터넷에 공개된 음원을 크롤링하거나. 솔직히 후자가 압도적으로 많다.

    AI 음악 생성 모델의 대표 주자인 Suno와 Udio는 저작권자 동의 없이 수집된 음원으로 학습됐다는 의혹을 받고 있다. 미국 레코드 레이블 연합(RIAA)이 이미 두 회사를 상대로 저작권 침해 소송을 제기했고, 판결이 나오려면 시간이 걸리겠지만 데이터 증거 확보 싸움은 이미 시작됐다.

    뮤지션들이 이 DB에 몰리는 이유

    법적 대응의 출발점. 그게 핵심이다.

    ‘내 음악이 AI 학습에 쓰였다’는 주장을 법정에서 입증하려면 증거가 있어야 한다. 해당 데이터셋에 자기 곡이 포함됐다는 걸 구체적으로 제시해야 소송이 진행된다.

    • 아티스트, 작곡가, 레이블이 직접 자기 곡 검색 가능
    • 법원 제출용 증거 자료로 활용 여지
    • DMCA 기반 삭제 요청 근거로 사용 가능
    • 계약 협상 시 데이터 사용 실태 파악 수단

    탐사보도 기자 한 명이 만든 검색 도구 하나가 업계 전체의 법적 지형을 흔들 수 있는 게 바로 이 때문이다.

    4개가 전부가 아니다

    Reisner 기자가 발굴한 4개 데이터셋을 빙산의 전부라고 보기 어렵다. AI 기업들은 자체적으로 데이터를 수집하고 관리하는 경우가 많고, 공개되지 않은 내부 데이터셋이 이보다 훨씬 클 수도 있다.

    학습 데이터 투명성을 요구하는 목소리는 커지고 있지만 대부분의 AI 기업들은 세부 내역을 공개하지 않는다. 상업적 이해관계와 법적 리스크가 얽혀 있어서다. The Atlantic의 이번 작업이 탐사보도인 이유가 여기에 있다. 기업들이 숨기고 싶어 하는 데이터를 외부에서 역추적해 끄집어냈다는 점에서 의미가 다르다.

    하나 더. 미래의 학습 데이터 문제도 있다. 공개된 4개는 과거에 수집된 것들이다. 지금도 새로운 음원이 수집되고 있을 가능성이 충분하고, 그 데이터는 아직 어디에도 공개된 게 없다.

    K-팝은 이미 타깃이다

    국내 뮤지션들이 이걸 남의 일로 볼 수 없는 이유는 단순하다. K-팝은 이미 전 세계에서 스트리밍된다. 해외 플랫폼에 올라간 음원은 크롤링 대상이 됐을 가능성이 높다.

    BTS, 블랙핑크, 뉴진스 같은 글로벌 스트리밍 수억 회짜리 곡들이 이 데이터셋에서 빠져 있다고 보기 어렵다. 하이브, SM, YG, JYP 같은 기획사들이 저작권 관리에 얼마나 적극적으로 나서느냐가 앞으로의 판도를 가를 것이다.

    국내 법제 측면에서도 시사점이 있다. 한국저작권위원회와 문화체육관광부 차원에서 AI 학습 데이터 관련 논의가 진행 중이지만 EU AI Act와 비교하면 법제화 속도가 느리다. 이번 DB 공개가 ‘내 음악도 들어가 있나’를 직접 확인하는 계기가 되면서, 정책 논의를 앞당기는 압력으로 작용할 것이다. 결국 이건 기술 문제가 아니다. 창작의 가치를 누가 소유하느냐는 싸움이다.

    출처: The Verge

    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

  • 핵융합 에너지 원리부터 상용화 시점까지 — 9조 원이 몰리는 진짜 이유

    핵융합 에너지 원리부터 상용화 시점까지 — 9조 원이 몰리는 진짜 이유

    핵융합 스타트업들이 끌어모은 돈이 71억 달러(약 9조 원)를 넘었다. 구글, 마이크로소프트, 빌 게이츠가 줄줄이 이 판에 뛰어들었다. 그런데 “핵융합이 뭐냐”고 물으면 제대로 설명하는 사람이 드물다. 핵분열이랑 같은 건지, 방사성 폐기물은 나오는 건지, 전기는 언제쯤 들어오는 건지 — 한 번에 정리해 본다.

    핵융합과 핵분열, 헷갈리면 진짜 안 된다

    핵분열(Fission)은 우라늄 같은 무거운 원자핵을 쪼개 에너지를 얻는 방식이다. 체르노빌, 후쿠시마. 고준위 방사성 폐기물이 수만 년간 남는다.

    핵융합(Fusion)은 반대다. 수소처럼 가벼운 원자핵 두 개를 합쳐 헬륨을 만드는 과정에서 에너지가 나온다. 태양이 빛과 열을 내는 원리가 바로 이것이다. 연료는 바닷물에서 추출하는 중수소(Deuterium)와 삼중수소(Tritium). 사고가 나면 반응 자체가 멈춘다. 체르노빌 같은 연쇄 폭발은 물리적으로 불가능한 구조다.

    폐기물 문제도 차원이 다르다. 핵분열처럼 수만 년을 땅에 묻어야 하는 고준위 폐기물 대신, 핵융합은 구조재(벽, 배관 등)가 중성자를 맞아 활성화되는 수준이고 수십~수백 년 내에 무해해진다. 비교 자체가 안 된다.

    핵융합 발전은 어떻게 작동하나

    핵융합을 일으키려면 1억 도 이상의 플라즈마 상태를 만들어야 한다. 태양 중심부보다 뜨거운 온도다. 이 환경에서 수소 원자핵들이 서로의 전기적 반발을 이겨내고 합쳐진다.

    문제는 이 초고온 플라즈마를 담을 용기가 없다는 것이다. 해결 방식이 크게 둘이다:

    • 토카막(Tokamak): 도넛 모양의 자기장 용기로 플라즈마를 가두는 방식. 한국의 KSTAR, 국제 프로젝트 ITER가 이 방식이다.
    • 관성 봉사(ICF): 레이저로 연료 펠릿을 사방에서 압축해 순간적으로 핵융합을 일으키는 방식. 미국 NIF(국립점화시설)가 2022년에 에너지 이득을 달성해 전 세계의 이목을 끌었다.

    민간 스타트업들은 구형(Spherical) 토카막, 자기거울, 레이저 직접 구동 등 변형 방식도 적극 시도 중이다.

    60년 된 기술인데 왜 아직도 안 되나

    “항상 30년 후의 기술”이라는 말이 있다. 1950년대부터 연구해 왔는데 상용 발전소 하나 없다는 비아냥이다. 솔직히 이 지적은 완전히 틀리지 않았다.

    핵심 장벽은 두 가지였다.

    첫째, 에너지 수지 문제. 플라즈마를 유지하는 데 드는 에너지보다 핵융합에서 나오는 에너지가 많아야 한다. 이걸 Q>1이라고 한다. NIF가 2022년에 처음 Q>1을 달성했지만, 레이저 자체를 구동하는 에너지까지 포함하면 여전히 적자다. 이 부분이 늘 발목을 잡는다.

    둘째, 소재 문제. 중성자 폭격을 수십 년간 견디면서 형태를 유지하는 내열 소재가 없었다. 최근 텅스텐 합금이나 나노 구조 소재 연구가 진전되면서 해결의 실마리가 보이기 시작했다.

    분위기가 달라진 건 최근 몇 년 사이다. AI와 고성능 컴퓨팅 덕분에 플라즈마 시뮬레이션 정확도가 획기적으로 높아졌고, 초전도 자석 기술이 도약해 더 작고 강한 자기장을 만드는 게 가능해졌다. 60년 전과는 도구 자체가 다르다.

    민간 자본이 9조 원을 쏟아붓는 이유

    정부 주도 프로젝트의 한계도 적지 않다. ITER는 1985년에 구상해서 2025년에야 플라즈마를 처음 태울 예정인 국제 프로젝트다. 35개국이 참여하는 만큼 의사결정이 느리고, 예산은 계속 초과됐다.

    민간은 다르다. TechCrunch 보도를 보면 민간 핵융합 기업들이 끌어모은 투자 총액이 71억 달러를 넘었고, 대부분이 소수의 선두 기업에 집중됐다:

    • Commonwealth Fusion Systems (CFS): MIT 스핀오프. 고온 초전도 자석 기술 기반. 20억 달러 이상 유치.
    • TAE Technologies: 수소-붕소 연료 방식 탐구. 12억 달러 이상 조달.
    • Helion Energy: 마이크로소프트와 전력 구매 계약 체결. 오픈AI 샘 알트만이 개인 투자한 회사.
    • General Fusion: 캐나다 기반, 액체 금속 압축 방식 실험 중.

    공통점은 하나다. “정부 예산이 아닌 투자 수익”이 목표다. 타임라인도 훨씬 공격적이어서, 일부는 2030년대 초 시범 발전을 목표로 내걸었다. 5년 전까지는 이런 주장 자체가 없었다.

    상용화까지 남은 변수들

    낙관론만 있는 건 아니다.

    트리튬 공급이 첫 번째 병목이다. 삼중수소(트리튬)는 자연에 거의 없고, 지금은 원자력 발전소 부산물로만 소량 얻는다. 발전 규모를 키우려면 리튬과의 반응으로 트리튬을 자체 생산(증식)해야 하는데, 이 기술이 아직 실증되지 않았다. 꽤 큰 공백이다.

    소재 수명도 과제다. 고에너지 중성자를 10~20년간 계속 맞은 소재가 얼마나 버티는지, 실제 핵융합 조건에서 검증된 데이터가 없다.

    전력망 연동도 있다. 발전에 성공해도 기존 전력 인프라와 연결하고 경제성을 맞추는 건 또 다른 도전이다. 이 문제를 너무 가볍게 보는 시각이 많다.

    긍정적 신호도 있다. 한국 KSTAR는 초고온 플라즈마를 48초 유지하는 세계 기록을 세웠고 매년 기록을 갱신 중이다. AI가 플라즈마 불안정성을 실시간으로 예측하고 조정하는 실험도 성공했다.

    지금 투자할 수 있나, 지켜볼 건가

    핵융합 관련 주식에 직접 투자하기는 아직 쉽지 않다. Commonwealth Fusion, Helion 등 주요 기업 대부분이 비상장이고, 공식 IPO 계획도 없다.

    간접 경로는 있다. 핵융합 관련 소재, 초전도 자석, 진공 장비를 만드는 기업들이 공개 시장에 일부 있고, ITER 프로젝트에 부품을 납품하는 한국 기업(두산에너빌리티 등)도 있다.

    기술 흐름을 추적하고 싶다면 Fusion Industry Association(FIA)이 매년 내는 연간 보고서가 기준점이 된다. 각 회사의 기술 방식, 자금 조달 현황, 예상 타임라인을 비교한 자료가 공개돼 있다.

    결국 핵융합은 “될까 안 될까”의 문제가 아니다. “언제, 어느 방식으로”의 문제다. 60년 된 꿈이 민간 자본과 AI의 결합으로 처음으로 현실적 타임라인을 갖기 시작했다.

    출처: TechCrunch

    관련 기사

  • LLM이 길수록 느려지는 진짜 이유 — 이차 복잡도 병목 완전 해부

    LLM이 길수록 느려지는 진짜 이유 — 이차 복잡도 병목 완전 해부

    긴 PDF를 GPT-4나 클로드에 통째로 밀어넣어 본 적 있으면 알 거다. 체감상 확연히 느리다. 짧은 질문과 비교하면 응답이 나오기까지 한참을 기다려야 한다. 이게 서버 과부하 탓만은 아니다. 문서 길이가 두 배 늘어나면 처리에 필요한 연산량이 두 배가 아니라 네 배로 뛰는, 구조 자체의 문제다. 현재 LLM(대형 언어 모델)이 가진 가장 근본적인 한계인 이차 복잡도(Quadratic Complexity)가 여기서 비롯된다.

    트랜스포머가 하는 일, 딱 한 줄만

    ChatGPT, 클로드, 제미나이. 지금 쓸 수 있는 거의 모든 LLM은 트랜스포머(Transformer) 아키텍처 위에서 돌아간다. 2017년 구글이 내놓은 이 구조의 핵심은 ‘어텐션(Attention)’ 메커니즘이다.

    어텐션이 하는 일은 단순하다. 모든 단어가 서로를 얼마나 주목해야 하는지를 계산한다. 예를 들어 “나는 사과를 먹었다. 그것은 맛있었다”에서 ‘그것’이 ‘사과’를 가리킨다는 걸 이해하려면, 문장 안의 모든 단어 조합을 하나하나 대조해야 한다. 이 과정이 어텐션이다.

    문제는 이 계산이 단어 수의 제곱에 비례한다는 거다. 100단어짜리 글이라면 100×100=10,000번. 1,000단어짜리라면 1,000×1,000=100만 번. 10배 길어지면 연산은 100배 늘어난다. 입력이 커질수록 비용이 폭발적으로 커지는 구조, 이게 현재 트랜스포머의 숙명이다.

    이차 복잡도가 만들어내는 세 가지 현실 문제

    • 컨텍스트 창 제한: 처리 가능한 텍스트 길이에 상한선이 생긴다. 100만 토큰을 넘는 모델이 나오긴 했지만, 이 역시 어마어마한 연산 비용을 전제로 한다.
    • 속도와 비용: 입력이 길어질수록 추론 속도가 급격히 떨어지고 API 비용도 비선형적으로 증가한다. 장문 처리를 많이 하는 기업 입장에서는 GPU 비용이 그냥 쌓인다.
    • 메모리 포화: 어텐션 계산 결과를 메모리에 올려야 해서, 긴 컨텍스트를 처리할 때 GPU VRAM을 엄청나게 잡아먹는다. 로컬에서 돌리는 소형 모델이 긴 문서에서 맥을 못 추는 이유도 여기에 있다.

    병목을 깨려는 두 가지 방향: 선형 어텐션과 SSM

    이 문제를 푸는 연구는 크게 두 갈래로 나뉜다.

    첫 번째는 선형 어텐션(Linear Attention)이다. 기존 어텐션의 수학 구조를 뜯어고쳐서 O(n²) 복잡도를 O(n)으로 줄이려는 접근이다. 계산량이 단어 수에 정비례하게 되면 100만 단어 문서도 이론상 훨씬 빠르게 처리된다. 다만 정확도 손실 없이 이걸 구현하는 게 핵심 과제인데, 아직 완벽하게 풀린 건 아니다.

    두 번째는 SSM(State Space Model)이다. 대표 사례인 Mamba는 트랜스포머와 수학적 기반 자체가 다르다. 긴 시퀀스 처리에 효율적이고, 일부 벤치마크에서는 트랜스포머와 비슷하거나 더 나은 성능을 보인다. 요즘 흐름을 보면 트랜스포머를 완전히 대체하기보다, 두 방식을 섞은 하이브리드 구조가 조용히 늘어나는 추세다.

    스타트업들이 공략하는 지점

    대형 연구소들이 기존 트랜스포머를 점진적으로 개선하는 쪽을 택하는 동안, 일부 스타트업들은 아예 새 아키텍처로 판을 흔들려고 한다. 어텐션 연산을 수학적으로 재구성해서 이차 복잡도 자체를 없애버리겠다는 발상이다.

    근사(approximation) 기법이나 필요한 부분만 계산하는 희소 어텐션(Sparse Attention)도 연구 중이다. 결국 핵심 질문은 하나다. “더 빠른데 성능도 동일한가?” 속도를 얻는 대신 정확도를 잃으면 상업적으로 의미가 없다. 이 트레이드오프를 어떻게 풀어내느냐가 경쟁의 본질이고, 솔직히 여기서 갈린다.

    엔비디아 GPU 시장과의 연결고리

    LLM 병목 문제는 반도체 시장과 직결된다. H100, B200 같은 엔비디아 데이터센터 GPU가 AI 학습·추론에 필수인 이유 중 하나가 바로 어텐션 연산을 빠르게 처리하는 데 특화됐기 때문이다.

    선형 복잡도 아키텍처가 상용화되면, GPU 수요 구조가 달라질 여지가 있다. 지금처럼 고성능 GPU를 수백 장씩 병렬로 쌓지 않아도 더 적은 자원으로 긴 컨텍스트 처리가 가능해지는 것이다. AI 추론 비용이 대폭 내려가는 시나리오다.

    단기적으로는 GPU 수요가 줄어들기보다, 더 많은 기업이 AI를 도입하면서 전체 파이 자체가 커지는 방향이 현실적이다. 엔비디아가 단기에 흔들릴 구조는 아니지만, 아키텍처 전환이 가속되면 중장기적으로는 변수가 된다. 이건 좀 두고 봐야 한다.

    컨텍스트 창이 크다고 다 좋은 건 아니다

    트랜스포머 기반을 유지하면서 컨텍스트 창을 극단적으로 늘리려는 시도도 계속되고 있다. 구글 제미나이 1.5 Pro가 100만 토큰을 지원하고, 일부 연구 모델은 그 이상을 목표로 한다.

    그런데 컨텍스트 창이 길다고 해서 그 안의 모든 내용을 동등하게 잘 처리하는 건 아니다. ‘중간 소실(Lost in the Middle)’이라는 현상이 실험으로 확인됐는데, 긴 문서의 앞뒤는 잘 참조하지만 중간 부분은 흘려버리는 경향이 있는 거다. 컨텍스트 창을 넓히는 것과 그 안의 정보를 실제로 잘 활용하는 것은 별개 문제다. 창이 크다고 만능은 아니다.

    병목이 풀리면 뭐가 달라지나

    이 방향으로 기술이 발전하면 실제 사용 경험에서 달라지는 건 꽤 구체적이다.

    • 책 한 권 통째로 분석: 긴 법률 문서, 논문 수십 편, 코드베이스 전체를 한 번에 컨텍스트에 올리는 게 현실화된다.
    • 첫 토큰 지연 감소: 현재는 긴 프롬프트일수록 첫 응답이 나오기까지 지연이 생긴다. 선형 복잡도 모델에서는 이 지연이 크게 줄어든다.
    • API 비용 하락: 기업 입장에서 AI 도입 비용의 가장 큰 장벽 중 하나가 낮아진다.
    • 엣지 AI 확대: 스마트폰, 노트북에서 더 강력한 모델을 구동할 수 있는 토대가 마련된다.

    트랜스포머가 처음 나왔을 때처럼, 아키텍처 혁신 하나가 AI 생태계 전체를 뒤바꾸는 시나리오가 다시 반복될 수 있다. 아직은 검증 단계지만, 이 분야의 연구 속도를 보면 수년 내에 상용 모델에 반영될 가능성은 충분하다. 지금 LLM의 한계가 답답하게 느껴진다면, 그 답은 아키텍처 수준에서 나오고 있는 중이다.

    출처: MIT Tech Review AI

    관련 기사

  • iOS 써드파티 앱스토어 완전 정리: 사이드로딩 원리부터 보안 위험까지

    iOS 써드파티 앱스토어 완전 정리: 사이드로딩 원리부터 보안 위험까지

    애플이 App Store 빗장을 풀기 시작했다. EU 디지털시장법(DMA) 발효 이후 써드파티 앱스토어 허용이 현실이 됐고, 비슷한 논의가 브라질·일본 등 여러 나라로 번지고 있다. iOS는 10년 넘게 자사 App Store 하나만 공식 채널로 유지해왔다. 그 구조가 지금 흔들리고 있다.

    써드파티 앱스토어가 뭔지, 사이드로딩이 실제로 어떻게 돌아가는지, 쓸 때 뭐가 좋고 뭐가 위험한지 — 핵심만 짚는다.

    써드파티 앱스토어, 한 줄 정의

    운영체제 제조사가 아닌 외부 업체가 운영하는 앱 배포 플랫폼이 써드파티 앱스토어다. 안드로이드에선 이미 익숙한 풍경이다. 삼성 갤럭시 스토어, 아마존 앱스토어, 각종 APK 배포 사이트가 구글 플레이와 나란히 존재한다. iOS는 달랐다. 2008년 App Store 출시 이후 단 하나의 공식 배포 채널만 허용됐다.

    써드파티 앱스토어가 열리면 애플 심사를 통과하지 못한 앱도 설치하는 게 가능해진다. 여기에 붙는 개념이 사이드로딩(sideloading) — 공식 스토어를 건너뛰고 앱 설치 파일을 직접 받아 올리는 방식이다.

    App Store와 뭐가 다른가

    애플 App Store에는 세 가지 특징이 있다.

    • 심사(Review) 과정: 앱을 등록하려면 애플 가이드라인 검토를 통과해야 한다. 평균 24~48시간, 복잡한 앱은 수 주가 걸린다.
    • 수수료 구조: 앱 내 결제의 15~30%를 애플이 가져간다. 이 구조가 각국 규제 당국의 핵심 타깃이 됐다.
    • 독점 배포: 개발자가 아무리 원해도 App Store를 우회해 iOS 앱을 배포할 방법이 없다.

    써드파티 앱스토어는 이 세 제약을 모두 다르게 설정할 수 있다. 심사를 생략하거나 느슨하게 적용하고, 수수료를 낮추거나 없애고, 애플이 거부한 앱도 유통하는 게 된다. 당연히 플랫폼 성격이 운영사마다 완전히 달라진다.

    사이드로딩, 실제로 어떻게 돌아가나

    iOS의 사이드로딩 구조는 안드로이드와 근본적으로 다르다.

    안드로이드는 설정에서 “알 수 없는 출처 허용”만 켜면 APK 파일을 바로 설치할 수 있다. iOS에는 이 옵션 자체가 없다. 써드파티 앱스토어를 허용하려면 애플이 운영체제 수준에서 외부 앱 설치를 허용하는 API를 직접 열어야 한다. 애플이 자진해서 열 리 만무하다. 규제가 강제한 것이다.

    EU에서 실제로 구현된 방식을 보면 절차가 꽤 까다롭다는 걸 알 수 있다.

    • 써드파티 마켓플레이스 운영자는 애플에 신청해 마켓플레이스 키트(Marketplace Kit)를 받아야 한다
    • 운영자는 최소 100만 유로의 신용장을 제출해야 한다
    • 앱을 설치할 때 iOS는 여전히 공증(notarization) — 최소한의 악성코드 검사 — 을 요구한다
    • 사용자는 외부 스토어를 설치할 때 여러 단계의 경고 화면을 통과해야 한다

    “완전 개방”이라기보다 조건부 허용이다. 애플은 규제 요건은 충족하면서 최소한의 통제권은 유지하는 방식을 택했다. 이건 솔직히 꽤 영리한 전략이긴 하다.

    써드파티 스토어에서 뭐가 달라지나

    앱 생태계에서 기대할 수 있는 변화는 크게 세 가지다.

    1. App Store에서 쫓겨났던 앱들의 귀환
    게임 에뮬레이터, 일부 VoIP 앱, 자체 결제 방식을 쓰는 앱들은 오랫동안 App Store 심사에서 탈락하거나 삭제됐다. 써드파티 스토어에서는 이 앱들을 배포할 공간이 생긴다. 닌텐도 게임을 에뮬레이터로 돌리고 싶었던 파워 유저라면 이미 귀가 솔깃할 얘기다.

    2. 앱 가격 인하 가능성
    수수료 30%가 사라지면 개발자들이 앱 가격이나 인앱 결제 비용을 낮출 유인이 생긴다. 물론 시장 경쟁이 실제로 불붙었을 때 얘기다. 지금 당장 모든 앱이 싸진다는 보장은 없다.

    3. 기업 내부 앱 배포 간소화
    현재도 기업은 MDM(모바일 기기 관리) 솔루션으로 내부 앱을 배포하지만 절차가 복잡하다. 써드파티 스토어가 자리를 잡으면 이 과정이 훨씬 단순해지는 시나리오도 열린다.

    보안 위험, 진짜 얼마나 심각한가

    애플이 써드파티 앱스토어를 막아온 공식 이유가 보안이었다. 위험이 전혀 없다고 말하면 거짓말이다.

    안드로이드 생태계 데이터가 참고가 된다. 악성 앱의 상당수가 공식 구글 플레이가 아닌 외부 소스에서 유포된다. 카스퍼스키 등 보안 업체 분석에 따르면 사이드로딩을 통한 감염 비율이 구글 플레이 경로보다 유의미하게 높다. iOS라고 예외가 될 근거는 없다.

    다만 위험의 크기는 어떤 써드파티 스토어를 쓰느냐에서 갈린다.

    • AltStore나 Setapp Mobile처럼 운영 주체가 명확하고 자체 심사 기준이 있는 스토어는 상대적으로 안전하다
    • 출처 불명의 스토어에서 크랙 앱이나 무료 게임을 받는 건 안드로이드의 APK 사이트를 쓰는 것과 똑같다

    플랫폼 개방 자체가 문제가 아니다. 사용자가 어디서 받느냐가 보안을 결정짓는 구조가 된다. 이게 오히려 더 무섭다. 애플이 일괄 차단하던 시대가 끝나면, 그 판단을 사용자가 직접 해야 하니까.

    애플이 반대하는 진짜 속내

    보안은 공식 명분이고, 수익 구조 보호가 본질에 가깝다.

    App Store는 애플 서비스 매출의 핵심 수익원이다. 서비스 부문 매출이 연간 1000억 달러를 향해 달리고 있고, 앱스토어 수수료가 그 상당 부분을 차지한다. 써드파티 앱스토어가 확산되면 개발자들이 애플 결제를 우회하면서 이 수익이 직접 줄어드는 구조다.

    EU DMA 발효 이후 애플이 도입한 대안적 수수료 체계를 보면 이 속내가 더 선명해진다. “Core Technology Fee”라는 이름으로 사실상 새로운 우회 수수료를 만들어낸 것이다. 개발자 커뮤니티에서 반발이 거셌고, Engadget이 전한 바에 따르면 다수 매체가 이 구조를 “규제는 따르되 수익은 지킨다”는 전략으로 분석했다.

    일반 사용자한테는 의미 있는 변화인가

    당장은 크게 달라지지 않는다. 솔직히.

    써드파티 앱스토어가 열린 EU에서도 실제 이용률은 낮다. AltStore, Setapp Mobile 등이 출시됐지만 App Store를 대체할 규모는 아직 아니다. 개발자들도 복수 스토어를 관리하는 부담보다 App Store 하나에 집중하는 쪽을 선호하는 경향이 있다. 생태계가 하루아침에 바뀌진 않는다.

    장기적으로는 구조가 다르게 흘러간다. 경쟁 압력이 생기면 앱 가격이 내려가거나 개발자 정책이 완화될 여지도 생긴다. 규제가 확산되는 방향은 분명하다. 더 많은 나라가 같은 요구를 할수록 애플의 협상력은 약해질 수밖에 없다.

    게임 에뮬레이터나 특수 도구가 필요한 파워 유저한테는 이미 체감되는 변화다. 나머지 사용자한테는 수년 안에 서서히 와닿을 일이다. 지금 당장 써드파티 스토어를 찾아 헤맬 필요는 없지만, iOS 생태계가 어떻게 재편되는지 흐름 정도는 알아두면 손해는 아니다.

    출처: Engadget

    관련 기사

  • 아이폰 저장 용량 선택 완벽 가이드: 256GB vs 512GB 후회 없이 고르는 법

    아이폰 저장 용량 선택 완벽 가이드: 256GB vs 512GB 후회 없이 고르는 법

    아이폰을 새로 살 때마다 반복되는 선택지가 있다. 128GB, 256GB, 512GB, 1TB. 숫자가 커질수록 가격도 따라 오른다. 처음엔 ‘이 정도면 충분하겠지’ 싶었는데, 6개월이 지나면 저장 공간 부족 알림이 뜨기 시작한다. 반대로 무리해서 큰 용량을 샀는데 절반도 못 쓰는 경우도 있다.

    문제는 아이폰 가격이 계속 오르고 있다는 점이다. 메모리 반도체 공급 문제로 제조 단가가 상승하면서, 스마트폰 가격은 앞으로도 쉽게 내려가기 어렵다. 처음부터 자신에게 맞는 용량을 정확히 고르는 게 어느 때보다 중요해진 이유다.

    아이폰 저장 용량, 실제로 얼마나 쓰게 될까

    숫자로 먼저 보자. 사진 한 장은 평균 4~8MB다. 4K 동영상은 1분에 약 400MB를 잡아먹는다. 앱 하나가 수백 MB에서 수 GB까지 차지한다. ‘나는 많이 안 써’라고 생각하는 사람도 생각보다 빠르게 공간이 찬다.

    iOS는 기본 운영체제와 시스템 파일이 15~20GB를 기본으로 점유한다. 실제로 사용 가능한 용량은 표시 용량보다 항상 적다. 128GB 모델을 사면 실질 사용 가능 용량은 약 108GB 수준이다. 여기서 출발해야 한다.

    128GB, 지금도 살 만한가

    솔직히 말하면 빠듯하다. 소셜미디어 앱, 스트리밍 앱, 게임 1~2개만 깔아도 순식간에 40~50GB가 사라진다. 사진과 동영상까지 쌓이면 1년 안에 한계에 부딪힌다.

    그래도 이런 조건이 맞는다면 128GB로 버틸 수 있다:

    • iCloud+ 구독을 이미 쓰고 있고, 사진을 클라우드에 자동 저장하는 경우
    • 스트리밍만 쓰고 음악·영상을 기기에 직접 저장하지 않는 경우
    • 2년마다 기기를 교체하고, 그때마다 마이그레이션을 꼼꼼히 정리하는 경우

    이 세 가지를 다 충족하지 못한다면, 128GB는 처음부터 제외하는 게 낫다.

    256GB가 ‘스위트 스팟’인 이유

    대부분의 사용자에게 256GB는 가장 균형 잡힌 선택이다. 128GB 대비 추가 비용이 발생하지만, 그만큼 여유가 확보된다. 사진 약 3만 장, 4K 영상 수십 시간, 앱 수십 개를 저장해도 2~3년은 여유 있게 쓸 수 있다.

    아이폰을 3년 이상 쓸 계획이라면 256GB는 사실상 필수다. 시간이 지날수록 앱 용량은 커지고, iOS 업데이트도 점점 더 많은 공간을 요구한다. 용량을 아끼다가 2년 차에 아이폰이 버벅거리기 시작하면, 결국 돈을 더 써서 기기를 바꾸거나 클라우드 요금제를 추가하게 된다.

    512GB가 필요한 사람은 따로 있다

    512GB는 모든 사람에게 필요한 용량이 아니다. 하지만 이런 사람에게는 아깝지 않은 투자다:

    • 아이폰으로 유튜브, 릴스, 숏폼 영상을 직접 제작하는 크리에이터
    • 4K ProRes 촬영을 자주 하는 영상 작업자
    • 별도 카메라 없이 아이폰만으로 여행 사진·영상을 전부 담는 경우
    • 게임을 5~10개 이상 설치하고 정기적으로 플레이하는 헤비 게이머
    • 업무용으로 대용량 파일을 자주 다루는 경우

    이 중 하나라도 해당된다면, 512GB를 선택하고 나중에 후회하는 일은 거의 없다.

    iCloud로 버티는 전략, 현실적으로 가능할까

    iCloud+ 50GB 요금제는 월 1,100원, 200GB는 3,300원이다. 이 비용이 부담스럽지 않다면 클라우드 전략이 꽤 효과적으로 작동한다.

    사진 보관은 iCloud나 구글 포토로 넘기고, 기기 내에는 최근 사진만 남기는 방식이다. 음악도 스트리밍으로 해결하면 기기 내 저장 용량 부담이 크게 줄어든다. 실제로 이 방식으로 128GB를 2~3년 쓰는 사람도 적지 않다.

    단, 해외 여행 중 인터넷이 끊기는 상황이나 네트워크가 느린 환경에서는 클라우드 의존이 불편해진다. 오프라인에서도 콘텐츠에 접근해야 하는 상황이 잦다면, 로컬 저장 용량이 어느 정도 확보되어야 한다.

    아이폰 가격이 계속 오르는 구조적 배경

    반도체 메모리 수급은 스마트폰 가격을 결정하는 핵심 변수다. DRAM과 NAND 플래시 가격은 공급망 상황, 지정학적 리스크, AI 서버 수요 등에 따라 크게 출렁인다. AI 데이터센터가 고대역폭 메모리(HBM)를 대량으로 흡수하면서, 일반 소비자 기기용 메모리 가격도 덩달아 상승 압력을 받고 있다.

    Engadget 보도에 의하면, 팀 쿡은 메모리 공급 부족으로 인한 가격 인상이 불가피하다고 공식적으로 인정했다. 이는 단기적 현상이 아닐 수 있다. 전 세계 AI 인프라 투자가 가속화되는 한, 메모리 수요는 계속 늘어날 가능성이 높다.

    결국 가격이 내려가기를 기다리는 전략보다, 지금 가장 합리적인 선택을 하는 게 실용적이다. 기다리는 동안 구형 모델 재고가 소진되고, 신형 모델은 더 비싸게 출시되는 패턴이 반복되고 있기 때문이다.

    용량별 최종 선택 기준, 한 줄 정리

    • 평범한 일반 사용자: 256GB — 가격과 공간의 균형점
    • 사진·영상을 많이 찍는 사람: 256GB (iCloud 병행) 또는 512GB
    • 크리에이터·영상 작업자: 512GB 이상, 타협 없이
    • 예산이 빠듯한 경우: 128GB + iCloud 200GB 구독 조합
    • 장기 사용 계획 (3년+): 한 단계 위 용량으로 올리는 게 장기적으로 저렴

    가격 인상 기조가 이어진다면, 용량 선택을 아끼다가 2년 후 후회하는 것보다 처음부터 한 단계 높은 용량을 선택하는 게 낫다. 스마트폰은 한 번 사면 최소 2~3년을 써야 하는 물건이고, 나중에 용량을 늘리는 방법은 없다.

    출처: Engadget

    관련 기사

  • 맥북 RAM 8GB vs 16GB vs 32GB — 솔직히 뭘 사야 하나

    맥북 RAM 8GB vs 16GB vs 32GB — 솔직히 뭘 사야 하나

    맥북 주문 화면에서 가장 오래 멈추는 구간이 있다. RAM 선택이다. 8GB, 16GB, 32GB, 64GB— 단계마다 20~30만 원씩 뛰고, 한 번 결정하면 그걸로 끝이다. 나중에 “이걸로 바꿔주세요”가 안 되는 구조거든요.

    메모리 반도체 가격이 오르는 흐름 속에 애플 옵션 가격도 같이 올라가는 추세인데요. 처음 선택을 제대로 해야 하는 이유가 거기 있다. 3~5년을 쓸 기계니까. 용도별로 어떤 선택이 맞는지 따져봤다.

    왜 맥북 RAM은 한 번 고르면 못 바꾸나

    일반 윈도우 노트북은 RAM 슬롯에 모듈을 꽂는 구조라 나중에 갈아끼울 수 있다. 맥북은 다르다. Apple Silicon(M1, M2, M3, M4 칩)은 통합 메모리 아키텍처(Unified Memory Architecture)를 쓴다. CPU, GPU, Neural Engine이 전부 같은 메모리 풀을 공유한다.

    대역폭이 넓어서 같은 용량이라도 일반 PC보다 효율이 좋은 게 장점이다. 문제는 칩 패키지 안에 메모리가 물리적으로 통합되어 있다는 것. SoC와 메모리가 한 덩어리라서, 나중에 바꾸려면 맥북 자체를 새로 사야 한다. 결국 “지금 필요한 용량”이 아니라 “3~5년 뒤에도 버틸 수 있는 용량”으로 골라야 후회가 없다.

    8GB로 버티는 게 가능한 사람

    8GB가 쓸모없다는 건 아니다. 다음에 해당하면 충분하다.

    • 주로 문서 작업, 이메일, 웹 브라우징만 하는 경우
    • 한 번에 앱을 3~4개 이상 열지 않는 경우
    • 영상 편집이나 코딩이 거의 없는 경우
    • 예산이 빡빡해서 맥북 에어 기본형이 최선인 경우

    근데 크롬 탭 10개 이상에 Slack 켜고 Figma까지 띄우면 얘기가 달라진다. 스왑 메모리를 SSD에서 끌어 쓰기 시작하고, 체감 속도가 눈에 띄게 느려진다. SSD 수명도 깎이는데요. 장기적으로 꽤 타격이다. 2026년 기준으로 8GB는 “아슬아슬하게 가능한” 수준이라고 보면 된다. 여유 있게 쓰고 싶다면 솔직히 비추다.

    16GB가 현실적으로 가장 무난한 이유

    개발자, 디자이너, 콘텐츠 크리에이터 대부분에게 16GB가 실질적인 기준선이다. 이 정도면 아래 작업들이 불편 없이 돌아간다.

    • 풀스택 개발 환경 (도커 컨테이너 2~3개 + IDE + 브라우저 동시)
    • 1080p~4K 영상 편집 일반 수준 (Final Cut Pro, DaVinci Resolve)
    • Figma, Photoshop, Illustrator 동시 실행
    • 크롬 탭 20개 + 기본 앱들
    • Xcode로 iOS 앱 개발 (소규모~중간 프로젝트)

    현업 개발자나 디자이너 중에 16GB로 2~3년 큰 불만 없이 쓰는 사람이 많다. 맥북 프로 14인치나 맥북 에어 상위 구성의 기본값이 대부분 16GB인 것도 괜히 그런 게 아니거든요. 가격 대비 체감 성능에서 가장 합리적인 균형점이다.

    32GB 이상이 필요한 상황

    32GB부터는 업무 성격이 확실히 다르다. 아래 중 하나라도 해당하면 진지하게 고민할 만하다.

    • 4K/8K 영상 프로 편집: 멀티캠 편집, RAW 푸티지 처리, 색보정 동시 진행
    • 로컬 LLM 실행: Ollama, LM Studio로 7B~13B 파라미터 모델을 돌릴 때
    • 머신러닝 작업: PyTorch, TensorFlow 소규모 모델 훈련
    • 가상머신 복수 실행: Parallels에서 Windows + Linux 동시 구동
    • 대규모 Xcode 프로젝트: 수십만 라인 규모 빌드

    요즘 로컬 AI 모델을 직접 돌리는 수요가 늘면서 32GB 수요도 따라오고 있다. Mistral 7B나 Llama 13B는 16GB에서도 억지로 돌아가긴 한다. 근데 응답 속도가 너무 답답해서 실용적이지 않다. 32GB부터 쓸 만한 속도가 나온다.

    업그레이드 비용이 이렇게 비싼 이유

    8GB→16GB 업그레이드가 20~30만 원이라는 걸 보고 황당했다면, 구조적인 이유가 있다.

    Apple Silicon에서 메모리는 칩 패키지 안에 물리적으로 통합되어 있다. SoC와 메모리가 한 덩어리여서, 제조 단계에서 용량이 확정된다. 애플 입장에선 용량별 SKU를 따로 만들고 재고를 각각 관리해야 한다. 메모리 반도체 원가가 오를 때마다 그게 옵션 가격에 고스란히 반영되는 구조다.

    핵심은 선택한 뒤 되돌릴 수 없다는 것이다. RAM이 부족해도 업그레이드 방법이 없다. 맥북을 통째로 다시 사야 한다. 그 점을 감안하면 처음부터 16GB 이상을 고르는 쪽이 장기적으로 더 경제적인 경우가 많다.

    용도별 한눈에 정리

    • 문서·웹·영상 시청 위주 → 8GB (맥북 에어 기본형, 예산 최우선)
    • 개발자·디자이너·유튜버 일반 → 16GB (가장 무난하고 확실한 선택)
    • 영상 프로덕션·AI 로컬 실행·가상머신 헤비 유저 → 32GB 이상
    • 3D 렌더링·ML 연구·스튜디오급 영상 작업 → 64GB (맥 프로/맥북 프로 최상위)

    RAM 말고 같이 봐야 할 것들

    RAM에만 집중하면 놓치는 게 있다.

    • SSD 용량: RAM이 부족하면 SSD를 스왑으로 쓰는데, SSD가 256GB면 그 공간도 빠듯하다. 최소 512GB, 영상 작업이라면 1TB 이상이 적당하다.
    • 칩 등급: 같은 16GB라도 M3 Pro와 M4 Max는 성능 차이가 크다. RAM 용량과 칩 세대를 같이 봐야 한다.
    • 냉각 방식: 맥북 에어는 팬이 없어 지속 성능이 맥북 프로보다 낮다. 장시간 무거운 작업이 잦다면 프로 라인업이 맞다.

    맥북은 부품 하나가 아니라 시스템 전체 밸런스로 성능이 결정된다. RAM 선택에서 가장 많이 후회하는 패턴은 딱 하나다. “지금은 이 정도면 충분하겠지.” 3년 후 작업 환경을 기준으로 골라야 한다.

    출처: The Verge

    관련 기사

  • 팀 쿡 ‘가격 인상 불가피’…아이폰 값 더 오른다

    팀 쿡 ‘가격 인상 불가피’…아이폰 값 더 오른다

    팀 쿡이 직접 입을 열었다. The Wall Street Journal 인터뷰에서 “가격 인상은 피할 수 없다(unavoidable)”고 했고, 메모리 조달 비용이 ‘지속 불가능한 수준(unsustainable)’에 이르렀다고 덧붙였다. 공개 석상에서 이 수위로 발언이 나왔다는 건, 사실상 인상 예고다.

    ‘우리도 버티는 데 한계가 왔다’

    애플은 그동안 공급업체에서 올라오는 원가 인상분을 소비자에게 바로 넘기지 않았다. 내부에서 흡수하는 방식으로 버텨온 것. 팀 쿡도 “고객을 보호하기 위해 최선을 다했다”고 밝혔는데, 이번엔 그 여지가 사라졌다는 거다.

    아이폰과 맥 시리즈 전반에 들어가는 DRAM·NAND 플래시 메모리를 대량 조달하다 보니, 공급가가 급등하면 하드웨어 원가 구조 전체가 흔들린다. 팀 쿡이 공개 인터뷰에서 이 문제를 직접 꺼낸 것 자체가 이례적이다. 그만큼 상황이 심각하다는 신호다.

    메모리 시장에 무슨 일이 벌어지고 있나

    AI 수요 폭발이 메모리 시장을 통째로 뒤집어놨다. 데이터센터용 HBM(고대역폭 메모리) 생산에 공장 라인이 몰리면서, 스마트폰·PC에 쓰이는 일반 DRAM 공급이 상대적으로 타이트해졌다.

    SK하이닉스와 삼성전자가 HBM 공급 확대에 집중하는 상황에서 범용 메모리 가격은 오히려 강세를 보이는 역설적 국면이다. 쉽게 말하면, HBM 만드느라 일반 메모리를 덜 만드는데 그 일반 메모리 값이 올라가는 구조다. 애플 입장에서는 고를 수 있는 공급처가 줄어든 셈이다.

    어떤 제품 가격이 오를까

    애플이 “어떤 제품을 얼마 올린다”고 구체적으로 밝힌 건 아니다. 메모리 의존도가 높은 제품군부터 인상 압력이 몰릴 거라는 예상이 많다.

    • 아이폰 17 시리즈 — 올 가을 출시 예정. 기본 모델부터 Pro까지 메모리 용량 확대가 예고된 상황이라 원가 부담이 직접적이다
    • 맥북 프로 / 맥 스튜디오 — 고용량 통합 메모리가 핵심 셀링 포인트인 만큼, 여파가 클 수밖에 없다
    • 애플 비전 프로 차기작 — 고사양 메모리 탑재 모델로, 다음 버전 가격 책정에도 불똥이 튈 여지가 있다

    애플이 쓸 수 있는 카드들

    모든 제품이 일제히 오르진 않을 것이다. 가장 유력한 시나리오는 고용량 옵션 가격을 선택적으로 올리는 방식. 128GB 기본 모델은 현행 가격을 유지하고, 256GB·512GB 구성에서 가격 차를 더 벌리는 식이다. 기본 모델로는 인상 충격을 줄이고, 고용량에서 마진을 회수하는 전형적인 가격 전략이다.

    장기적으로는 자체 메모리 개발 가능성도 거론된다. M 시리즈 칩에서 CPU·GPU를 내재화했듯, 메모리 부문에서도 독자 기술을 추진할 여지는 있다. 단, 실현까지 수년은 걸리는 장기 프로젝트다. 지금 당장의 가격 문제를 해결할 카드는 못 된다.

    국내 소비자가 직면할 현실

    한국은 애플의 주요 프리미엄 시장이다. 아이폰 점유율이 꾸준히 30%를 웃돌고, 맥북은 대학가와 크리에이터 사이에서 확고한 자리를 잡았다. 가격 인상의 직격탄을 받을 구조다.

    • 현재 아이폰 16 기본 모델 국내 출고가: 125만 원대
    • 인상폭이 5~10%라면 최대 12만 원 이상 오를 수 있는 계산
    • 고환율이 겹치면 한국 출고가 인상폭은 미국보다 커질 가능성이 있다

    원/달러 환율 변수도 무시 못 한다. 달러 기준 가격 인상에 환율 부담까지 더해지면, 국내 소비자가 체감하는 인상폭은 글로벌 평균을 웃돌 거다. 삼성 갤럭시 S25 시리즈가 공격적인 프로모션을 이어가는 상황에서 아이폰 가격이 오르면, 삼성한테는 반사이익이다. 팀 쿡의 발언 한 마디가 국내 스마트폰 시장 판도를 뒤흔들 변수가 됐다.

    출처: The Verge

    관련 기사