[태그:] AI

  • 무어의 법칙은 끝났나 — 반도체 한계와 포스트 무어 시대 핵심 정리

    무어의 법칙은 끝났나 — 반도체 한계와 포스트 무어 시대 핵심 정리

    1965년에 나온 예측 하나가 반도체 60년을 지배했다. 고든 무어가 내놓은 “2년마다 트랜지스터 수가 두 배”라는 경험적 관측이, 인텔부터 TSMC까지 전 세계 칩 제조사의 설계 목표가 됐다. 그런데 IBM이 2nm 칩을 꺼내 들면서도, 업계 안에서 “이제 한계다”라는 말이 조심스럽게 나오는 상황. 법칙이 죽은 건지, 아니면 그냥 방향이 바뀐 건지 짚어봤다.

    무어의 법칙, 핵심만 짚으면

    무어의 법칙은 단순히 “칩이 빨라진다”는 말이 아니다. 정확히는 집적회로 안에 담을 수 있는 트랜지스터 수가 약 2년마다 두 배가 된다는 경험적 예측이다. 1965년 고든 무어가 처음 제시했고, 이후 반도체 업계 전체가 이걸 목표처럼 따랐다.

    숫자로 보면 체감이 다르다.

    • 1971년 인텔 4004: 트랜지스터 약 2,300개
    • 2000년대 초: 수억 개
    • 현재 최신 칩(애플 M4, 엔비디아 H100 등): 수백억 ~ 1,000억 개 이상

    약 50년 만에 수천만 배. 이게 가능했기 때문에 PC, 스마트폰, AI 서버까지 현대 IT 인프라 전체가 지금 모습이 된 거다. 솔직히 이 숫자를 보면 무어의 법칙이 얼마나 황당한 예측이었는지 새삼 느껴진다.

    물리적 한계가 발목을 잡다

    트랜지스터를 계속 작게 만드는 데 브레이크가 걸린 이유는 결국 물리 법칙 때문이다. 공학이 아니라 물리다.

    • 열 문제: 트랜지스터가 작아질수록 발열 밀도가 올라간다. 전력은 더 필요하고, 식히기도 어려워진다.
    • 전자 누설(Leakage): 회로선이 수 나노미터(nm) 수준으로 얇아지면 전자가 절연체를 그냥 통과해버린다. 양자 터널링 현상이다. 막을 수가 없다.
    • 제조 공정의 한계: 현재 TSMC와 삼성은 2nm, 3nm 공정을 양산 중이지만, 1nm 이하로 가는 건 이론적으로도 쉽지 않다.

    2010년대 중반부터 업계 전문가들이 “무어의 법칙이 끝났다”는 말을 꺼내기 시작한 건 이 맥락이다. 엄밀히 말하면 죽은 게 아니라 속도가 현저히 느려진 것. 하지만 방향 전환이 불가피해졌다는 점에서는 사실상 같은 의미다.

    반도체 기업들이 찾은 돌파구

    칩 제조사들은 2D 미세화 대신 다른 방향으로 눈을 돌렸다. 이게 오히려 더 흥미롭다.

    • 3D 적층 기술: 트랜지스터를 평면으로 늘리는 게 아니라 위로 쌓는다. HBM(고대역폭 메모리)이 대표적이다.
    • 이종 집적(Chiplet): 기능별로 나눈 작은 칩 여러 개를 하나의 패키지에 붙이는 방식. AMD와 인텔이 이 방향을 강하게 밀고 있다.
    • 새로운 소재: 실리콘 대신 갈륨나이트라이드(GaN), 탄화규소(SiC), 그래핀 등 소재 실험이 활발하다.
    • 특화 칩(ASIC/NPU): 범용 CPU 대신 AI 연산이나 암호화 같은 특정 작업에 최적화된 칩을 따로 만든다. 구글의 TPU, 엔비디아의 GPU가 여기 해당한다.

    IBM은 뭘 노리나

    IBM은 기존 반도체 로드맵과 결이 다른 접근을 연구 중이다. 실리콘 기반 공정을 계속 미세화하면서도, 동시에 양자 컴퓨팅새로운 트랜지스터 아키텍처에 투자하고 있다.

    IBM이 공개한 2nm 칩(연구 단계 기준)은 손톱만 한 크기에 500억 개 이상의 트랜지스터를 담았다. 수치 자체도 인상적이지만, IBM이 더 강하게 미는 건 나노시트(nanosheet) 기반 트랜지스터 구조다. 기존의 핀펫(FinFET) 방식보다 전력 효율이 훨씬 높다. MIT Technology Review 보도를 보면, IBM의 핵심 목표는 트랜지스터 숫자 경쟁이 아니라 와트당 성능을 끌어올리는 데 있다고 한다. 방향 자체가 다른 거다.

    AI 시대에 이게 왜 중요한가

    AI 모델이 커질수록 칩 성능과 효율은 운용 비용에 바로 연결된다.

    GPT-4 규모의 모델을 훈련하는 데 드는 전력 비용은 수십억 원 수준이다. 추론(Inference) 서버를 상시 운용하는 비용까지 더하면, 반도체 효율이 0.1% 개선되는 것도 대규모에서는 엄청난 차이를 만든다. 그냥 전기료 얘기가 아니다. 기업 생존 전략 수준이다.

    엔비디아 H100, H200 GPU가 AI 인프라에서 독보적인 지위를 가지는 이유 중 하나도 여기 있다. 단순 연산 속도뿐 아니라 단위 전력당 처리 효율이 경쟁사 대비 압도적이기 때문이다. 이 갭을 좁히려는 AMD, 인텔, 구글, 아마존의 경쟁이 결국 “포스트 무어 시대의 칩 전쟁”이다.

    다음 수순은 — 남은 변수들

    무어의 법칙이 느려졌다고 반도체 발전이 멈추는 건 아니다. 방향이 바뀌는 것이다. 앞으로 주목할 기술 흐름은 크게 세 가지다.

    • 3D 패키징 표준화: 현재는 제조사마다 제각각인 칩렛 연결 규격이 UCIe 같은 업계 표준으로 수렴될 가능성이 크다.
    • 광 인터커넥트(Optical Interconnect): 전기 신호 대신 빛으로 칩 간 데이터를 주고받으면 속도와 전력 효율이 대폭 올라간다. 인텔과 IBM이 이쪽 연구에 공들이고 있다.
    • 뉴로모픽·양자 컴퓨팅: 범용화까지는 갈 길이 멀지만, 특정 영역에서는 기존 반도체를 대체하는 시나리오가 실험 중이다.

    “무어의 법칙이 끝났냐”는 질문보다 “그 다음은 뭐냐”가 더 실용적인 질문이다. 그 답을 찾는 경쟁이 반도체 산업 전체를 움직이고 있고, IBM·엔비디아·TSMC가 각자의 방식으로 판을 짜고 있다. 어느 방향이 표준이 될지는 3~5년 안에 어느 정도 윤곽이 잡힐 것이다.

    출처: MIT Tech Review 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

  • 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

  • AI 글 탐지 도구 7개 비교 — 오탐이 생각보다 심각하다

    AI 글 탐지 도구 7개 비교 — 오탐이 생각보다 심각하다

    대학 과제물 상당 비율이 AI로 작성됐다는 조사가 잇따르고 있다. 채용 시장은 더하다. AI 자기소개서가 기본값이 된 지 오래다. 이 흐름 속에서 AI 탐지 도구 시장도 2024년 이후 급격히 팽창했고, GPTZero·Turnitin·Originality.ai 같은 툴들이 각축 중이다. 그런데 이 도구들이 실제로 얼마나 믿을 수 있는지 제대로 아는 사람은 드물다. 억울한 오탐(false positive)도 속출하고 있어, 맹신했다간 낭패다.

    AI 텍스트 감지, 원리부터

    탐지 도구들은 크게 두 가지 지표를 분석한다.

    • Perplexity(당혹도): 언어 모델이 다음 단어를 얼마나 잘 예측하는지 나타내는 수치다. AI가 쓴 텍스트는 모델 입장에서 너무 예측하기 쉬워서 당혹도가 낮게 나온다. 사람이 쓴 글은 예상 못한 단어 선택이 많아 당혹도가 올라간다.
    • Burstiness(폭발도): 문장 길이의 변화폭이다. 사람은 짧은 문장과 긴 문장을 불규칙하게 섞지만, AI는 문장 길이가 비교적 고른 편이다. 이게 의외로 탐지에 잘 걸린다.

    최근 탐지 모델들은 여기에 더해 어휘 다양성 지수문체 일관성 패턴까지 복합 분석한다. GPT-4o나 Claude 같은 최신 모델일수록 이런 특징이 교묘하게 숨겨져 있어, 탐지 난이도는 계속 오르고 있다. 솔직히 끝이 없는 싸움처럼 보인다.

    주요 AI 탐지 도구 7개 비교

    현재 가장 많이 쓰이는 7개 툴의 특징을 정리했다.

    • GPTZero: 교육 현장 특화. 무료 플랜이 있어 진입 장벽이 낮다. 문서 전체 분석과 문장 단위 하이라이팅을 함께 제공해, 어느 부분이 AI 작성으로 의심받는지 눈으로 바로 확인된다. 최근 Superhuman에 인수되면서 기업 시장으로 영역을 넓히는 중이다.
    • Turnitin: 대학교 계약이 가장 많은 업계 표준. 표절 검사와 AI 감지를 동시에 제공한다. 개인은 직접 접근이 어렵고 기관 단위 라이선스 형태로만 운영된다.
    • Originality.ai: 콘텐츠 마케터·SEO 에이전시 대상. 팀 단위 크레딧제로 운영되고 API도 있어서 워크플로에 통합하기 쉽다. 영어 외 언어 지원은 아직 제한적이다.
    • Copyleaks: 30개 이상 언어를 지원하는 다국어 특화 툴이다. 한국어 포함 비영어권 콘텐츠 감지에 강점을 보인다.
    • Winston AI: 98% 정확도를 마케팅 포인트로 내세운다. 독립적인 검증은 아직 부족하지만, OCR 기능을 탑재해 스캔 문서에서도 AI 텍스트를 잡아낼 수 있다는 점이 차별점이다.
    • Sapling: 기업 고객사 지원팀이나 세일즈 팀에서 AI 생성 응대 메시지를 걸러내는 데 주로 쓰인다. 브라우저 익스텐션으로도 제공된다.
    • Grammarly: 원래 교정 툴이었는데 AI 감지 기능이 추가됐다. 기존 구독자라면 추가 비용 없이 이용 가능하다. 독립 탐지 도구보다는 보조 기능 수준으로 보면 된다.

    오탐 문제, 생각보다 심각하다

    AI 탐지 도구의 가장 큰 약점이 오탐이다. 스탠퍼드 연구팀이 GPTZero와 Turnitin을 포함한 여러 도구를 테스트한 결과, 영어가 모국어가 아닌 학생들의 글에서 AI 작성 판정이 유독 많이 나왔다. 문장 구조가 단순하고 어휘 선택이 제한적인 특성을 알고리즘이 AI 패턴으로 오인한 것이다.

    실제 사례도 있다. UC 데이비스에서는 한 학생이 직접 쓴 에세이가 AI 작성 판정을 받았고, 해명하는 데 수 주가 걸렸다. 탐지 결과를 단독 증거로 삼는 건 위험하다. 작성자에게 해명 기회를 줘야 하는 이유가 여기 있다.

    교육 현장과 기업에서 현명하게 쓰는 법

    무조건 믿는 것도, 완전히 외면하는 것도 답이 아니다. 용도에 따라 갈린다.

    • 교육 현장: 과제 제출 시 초안·메모·참고 자료를 함께 요구하는 포트폴리오 방식을 병행하는 게 낫다. 구두 발표나 즉석 질문을 추가하면 AI 활용 여부를 실질적으로 파악하기 훨씬 쉬워진다.
    • 채용·HR: AI 자기소개서 탐지보다, 면접에서 글 내용을 직접 물어보는 방식이 훨씬 효과적이다. 탐지 결과를 불합격 근거로 쓰면 법적 리스크도 따른다.
    • 콘텐츠 마케팅: 퍼블리싱 전 검수 단계에 탐지 툴을 넣어 외주 콘텐츠 품질을 모니터링하는 용도로 활용한다. 탐지 점수가 낮다고 품질도 낮다는 뜻은 아니다.

    탐지 우회 도구와 끝나지 않는 군비 경쟁

    탐지 도구가 등장하자마자 이를 우회하는 ‘AI Humanizer’ 툴들이 쏟아졌다. Undetectable.ai, QuillBot 같은 서비스는 AI 생성 텍스트를 재가공해 탐지를 피하도록 돕는다. 문장 구조를 바꾸고, 동의어를 교체하고, burstiness를 인위적으로 높이는 방식이다.

    결국 탐지 정확도와 우회 기술 사이의 격차는 좁혀지지 않는다. 탐지 모델이 업데이트될 때마다 우회 기술도 빠르게 따라온다. 현재 수준에서 어떤 탐지 도구도 100% 신뢰는 무리다.

    용도별 최종 선택 기준

    상황에 맞는 툴을 고르는 게 핵심이다.

    • 교육 기관(무료 시작): GPTZero. 무료 플랜으로 시작해볼 수 있고, 교육용 UI가 잘 갖춰져 있다.
    • 대학교·기관 단위 계약: Turnitin. 이미 표절 검사 시스템을 쓰고 있다면 AI 감지를 추가하는 방식으로 운영 가능하다.
    • 콘텐츠 마케팅·SEO 에이전시: Originality.ai. API 연동과 팀 크레딧 관리가 편리하다.
    • 한국어 포함 다국어 콘텐츠: Copyleaks. 언어 지원 폭이 가장 넓다.
    • 기존 Grammarly 구독자: 별도 툴 없이 내장 AI 감지 기능을 보조 수단으로 활용하면 충분하다.

    탐지 도구는 맥락을 읽는 사람의 판단을 대체하지 못한다. 오탐 리스크를 항상 염두에 두고, 보조 수단으로만 활용하는 것이 현실적인 접근이다.

    출처: TechCrunch

  • 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

  • ChatGPT 질문 하나가 구글 검색 10배 전력? AI 데이터센터 에너지 실태 정리

    ChatGPT 질문 하나가 구글 검색 10배 전력? AI 데이터센터 에너지 실태 정리

    ChatGPT 쿼리 하나를 처리하는 데 구글 검색의 약 10배 전력이 든다. 검색 한 번이 아니라 질문 하나에. AI 모델 학습에는 일반 가정 수십 년치 전기가 필요하다는 추산도 있다. 빅테크 기업들이 데이터센터 부지를 물색하면서 직접 발전소를 짓는 이유가 여기에 있다.

    데이터센터, 전기 어디에 쓰나

    데이터센터 전력 소비는 서버 구동, 냉각 시스템(HVAC), 네트워크 장비, 비상 전력 네 축으로 나뉜다. 이 중 냉각이 전체의 30~50%를 잡아먹는다. AI용 고밀도 GPU 서버가 들어오면 냉각 부담은 더 커진다. 서버가 뜨거울수록 더 식혀야 한다는 단순한 이치다.

    국제에너지기구(IEA)에 따르면 전 세계 데이터센터 전력 소비량은 이미 일부 중소 국가 전체를 넘어섰다. 미국 기준으로 전체 전력의 약 2%를 데이터센터가 쓴다. AI 수요가 계속 늘면 이 수치는 빠르게 오른다.

    효율 지표는 PUE(Power Usage Effectiveness)다. 이상적 값은 1.0, 글로벌 평균은 약 1.5. 구글, 마이크로소프트 같은 하이퍼스케일러들은 자체 냉각 기술로 1.1~1.2대를 찍는다. 문제는 효율이 개선돼도 절대 사용량 자체가 폭증하고 있다는 것. 분모가 커지면 아무리 효율을 높여도 총량이 줄지 않는다.

    생성형 AI가 뒤흔든 전력 수요 곡선

    2022년 이전까지 데이터센터 전력 수요는 완만하게 올랐다. ChatGPT 등장 이후 그 곡선이 꺾였다. 가파르게.

    핵심 하드웨어인 엔비디아 H100 한 장의 TDP(열설계전력)가 700W다. H200은 그보다 더 높다. 수천 장을 병렬로 돌리는 AI 클러스터의 소비 전력은 소형 발전소 수준이다. 과장이 아니다.

    마이크로소프트, 구글, 아마존, 메타는 수조 원 규모의 데이터센터 투자를 경쟁적으로 발표하고 있다. 문제는 인허가, 건설, 전력 인프라 구축에 수년이 걸린다는 현실이다. 전력망이 이 속도를 따라가지 못하고 있다는 게 업계의 공통된 걱정이다.

    재생에너지 선언, 이상과 현실 사이

    마이크로소프트, 구글, 아마존은 모두 “재생에너지 100% 운영”을 목표로 내세운다. 태양광·풍력 구매계약(PPA)을 대규모로 체결하고, 탄소 상쇄권도 사들인다.

    그런데 구조적 한계가 있다. 태양광은 밤에 발전 못 한다. 풍력은 바람이 없으면 멈춘다. 배터리 저장 기술이 빠르게 발전하고는 있는데, 메가와트급 24시간 안정 전력을 재생에너지만으로 공급하는 건 아직 기술적·경제적 도전이다. 솔직히 멀었다.

    그래서 빅테크가 현실적으로 고르는 에너지원은 세 갈래다:

    • 천연가스(LNG): 탄소 배출이 있지만 석탄 대비 절반 수준이고, 수급이 안정적
    • 소형 모듈 원자로(SMR): 마이크로소프트와 구글이 투자 중이지만 상용화까지 수년
    • 지열: 아이슬란드 등 일부 지역에서 활용 가능하지만 지리적 제약이 크다

    천연가스 데이터센터가 다시 뜨는 이유

    “탈탄소”를 외치던 기업들이 20년 장기 천연가스 계약을 맺는다. 모순처럼 보이는데, 이유가 있다.

    미국 주요 도시 인근 전력망은 이미 포화다. 재생에너지 프로젝트를 신청해도 연결까지 5~10년 대기가 흔하다. 자체 발전소를 짓는 게 오히려 빠를 수 있다. 경쟁사가 먼저 인프라를 확보하면 시장을 잃는다. 재생에너지의 안정적 공급을 기다리기엔 AI 시장 경쟁 속도가 너무 빠르다. 지정학적 리스크까지 높아지면서 외부 전력망에 의존하지 않는 자립형 구조를 선호하는 기업도 늘고 있다.

    TechCrunch 보도에 의하면 마이크로소프트는 셰브런과 20년짜리 천연가스 데이터센터 계약을 체결했다. 탄소 공약을 포기한 게 아니라, 단기적으로 천연가스를 브리지 에너지로 쓰면서 장기적으로는 SMR과 재생에너지로 전환하겠다는 전략이다. 말이 되는 계산이다.

    “재생에너지 100%”는 진짜인가, 마케팅인가

    솔직히 말하면, 현재 기술로 “재생에너지 100% 데이터센터”는 마케팅에 가깝다. 탄소 상쇄권(Carbon Credit)을 사서 장부상으로만 100%를 달성하는 경우가 많다. 실제 소비 전력 중 재생에너지 비율은 회사마다, 지역마다 천차만별이다.

    진짜 의미 있는 지표는 24/7 CFE(Carbon-Free Energy)다. 구글이 2030년까지 달성하겠다고 발표한 이 목표는, 매 시간 실제로 탄소 없는 전기를 쓰겠다는 뜻이다. 이게 진짜 어렵다. 숫자가 아니라 구조를 바꿔야 하니까.

    이 문제를 푸는 카드 중 하나가 SMR이다. 마이크로소프트는 폐쇄됐던 스리마일 아일랜드 원전을 재가동하는 계약을 맺었다. 구글은 Kairos Power와 SMR 공급 계약을 체결했다. 아직 상용화 전이지만, 2030년대 초반에는 실제 공급이 시작될 것으로 업계는 예상한다.

    클라우드·AI 서비스 고를 때 에너지 정책도 체크리스트에 넣자

    클라우드 서비스나 AI 도구를 평가할 때 확인해볼 지표들:

    • 연간 지속가능성 보고서(Sustainability Report) 발행 여부
    • PPA(재생에너지 구매계약) 비율과 실제 커버리지
    • Scope 1, 2, 3 탄소 배출 공개 여부
    • 24/7 CFE 목표 선언 여부

    빅테크의 에너지 선택은 환경 이슈만이 아니다. 전력 비용은 데이터센터 운영비의 30~40%다. 에너지 전략이 곧 가격 경쟁력이고, 장기적으론 서비스 지속성과도 이어진다. SMR, 지열, 배터리 저장, 브리지 에너지로서의 천연가스 — 이 선택지들이 향후 AI 산업의 판도를 결정하는 변수다.

    출처: TechCrunch

  • 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

  • 아이폰 AI 기능 정리 — 시리 말고 진짜 쓰는 것들

    아이폰 AI 기능 정리 — 시리 말고 진짜 쓰는 것들

    WWDC 발표날 헤드라인은 늘 시리다. 근데 정작 아이폰 쓰면서 시리를 마지막으로 부른 게 언제였는지 기억도 안 난다. 사진에서 텍스트 긁어오거나, 메모에서 문장 다듬거나, 배경에서 사람 지우거나 — 그게 전부 AI다. 시리를 한 번도 안 불렀는데 AI 기능은 하루에 몇 번씩 쓰고 있는 셈이다. iOS 27은 이 흐름을 한층 더 밀어붙였다. 시리 업그레이드에 가려진 기능들이 오히려 실생활에서 더 자주 돌아간다.

    시리만 보다 놓치는 것들

    애플 AI 전략의 뼈대는 ‘인비저블 AI’다. 부르지 않아도, 이름도 붙이지 않고 조용히 돌아가는 방식. 시리는 그 중 가장 눈에 띄는 인터페이스일 뿐이고, 실제 하루 사용 빈도로 따지면 시스템 구석구석에 박힌 소형 AI 기능들이 압도적으로 많다. iOS 27에서 애플이 실제로 힘을 쏟은 영역은 카메라, 텍스트 처리, 사진 앱, 알림 처리 이렇게 네 군데다. 시리 데모가 화려할수록, 그 옆에서 조용히 업데이트된 것들을 놓치기 쉽다.

    카메라 앱에 들어온 AI — 찍기 전부터 끼어든다

    iOS 27 카메라의 변화는 후보정이 아니라 촬영 전 단계에서 시작된다. 구도 추천, 조명 보정 제안, 피사체 추적 강화. 별도 설정 없이 카메라 앱을 열면 그냥 작동한다. 눈에 띄는 건 Clean Up 브러시의 범위 확장이다. 기존엔 배경 잡티 지우는 수준이었는데, 이제는 사람, 전선, 표지판처럼 덩치 큰 오브젝트도 꽤 자연스럽게 사라진다. 직접 써보기 전엔 반신반의했는데, 실제로 해보면 생각보다 깔끔하다.

    • 피사체 격리(Visual Look Up 연동): 배경 없이 오브젝트만 잘라내기
    • 영상 촬영 중 자동 마이크 방향 전환
    • 야간 모드 AI 최적화 — 촬영 시간 자동 계산

    갤럭시의 ‘갤럭시 AI 편집’과 비교하면 애플 쪽은 인터페이스가 훨씬 단순하다. 기능 수는 삼성이 많다. 그런데 결과물이 얼마나 자연스럽냐는 다른 얘기다. 합성 티 없이 깔끔하게 지워지는 쪽은 애플이 낫다는 후기가 더 많다.

    글쓰기 도구 — 메모, 메일, 메시지 전반에 손댔다

    Writing Tools는 iOS 26(iOS 18)에서 처음 나왔고, iOS 27에서 적용 범위와 정확도가 올라갔다. 핵심 기능 세 가지는 이렇다.

    • Rewrite: 문체를 바꾼다. 격식체↔구어체 전환, 요점 압축, 길이 조절
    • Proofread: 문법 교정. 영어 기준으로 이전보다 훨씬 정교해졌다
    • Summarize: 긴 텍스트를 3~5줄로 정리

    한국어 지원이 늘 약점이었는데, iOS 27에서는 Writing Tools의 한국어 처리가 이전보다 자연스러워졌다는 후기가 늘고 있다. 완벽하진 않다. 메모 앱에서 회의록 요약 정도는 실용 수준이라는 게 중론이다. 메일 앱에서는 스마트 답장 제안도 강화됐다. 수신 메일의 맥락을 읽고 답장 초안을 격식체·친근한 톤·간결한 톤, 이렇게 3가지 버전으로 제안한다. 꽤 쓸 만하다.

    사진 앱 검색, 키워드에서 문장으로

    애플 사진 앱의 검색 기능은 iOS 17 이후 꾸준히 다듬어졌다. iOS 27에서 달라진 핵심은 자연어 검색이다. “작년 여름 바다에서 찍은 거”라고 입력하면 날짜, 위치, 피사체를 한꺼번에 읽어서 결과를 뽑아낸다. 기존엔 “바다”, “여름” 같은 단어 하나씩 넣는 방식이었다면, 이제는 문장 전체를 이해한다. 처음 써봤을 때 반응 속도에 좀 놀랐다.

    Memories 자동 생성도 AI 개입이 더 적극적으로 바뀌었다. 음악 선택, 컷 편집 타이밍, 강조 장면 선택 — 이 세 가지를 사용자 시청 기록 기반으로 조정한다. 구글 포토의 ‘Highlight’ 기능과 자주 비교되는데, 구글은 클라우드 기반이라 처리 속도가 빠르고 애플은 온디바이스 처리라 개인정보 측면에서 강하다. 뭘 우선에 두느냐에 따라 갈린다.

    알림 요약, 이번엔 좀 달라졌나

    iOS 18에서 처음 나온 알림 요약(Notification Summary)은 초기에 꽤 욕을 먹었다. 오역에 어색한 문장, 맥락 없는 요약. iOS 27에서 대폭 손봤다는 게 애플 설명이고, 달라진 점은 두 가지다.

    • 앱별 요약 품질 개선: 뉴스, 메시지, 이메일 각각 다른 방식으로 요약
    • 집중 모드 연동: 업무 집중 모드일 때 알림 필터링 기준을 AI가 학습해서 자동 조정

    한국어 알림 요약은 영어 대비 아직 품질 차이가 있다. 영문 앱에서 오는 알림은 잘 처리하는데, 카카오톡이나 네이버 앱 알림은 요약이 어색하게 끊기는 경우가 생긴다. 개선 방향은 맞다. 다만 한국 사용자 입장에서는 ‘쓸 만하다’보다 ‘아직 기다리는 중’에 가깝다.

    갤럭시 AI vs 애플 인텔리전스 — 철학부터 다르다

    두 플랫폼은 AI를 대하는 방식 자체가 다르다.

    • 삼성 갤럭시 AI: 기능 수 최대화. 통역 전화, 노트 서식 자동화, 생성형 이미지 편집까지. Google과 협력해 클라우드 연산 비중이 높다.
    • 애플 인텔리전스: 온디바이스 우선. 기능은 상대적으로 적지만 개인정보 보호와 응답 속도에서 강점이 있다. ChatGPT 연동은 선택 사항.

    결국 어떤 걸 더 쓰게 되냐는 개인 작업 환경에 달려 있다. 생산성 앱을 많이 쓰고 한국어 AI 기능이 필요하다면 갤럭시 쪽이 아직 더 풍부하다. 사진 작업과 프라이버시를 중시한다면 아이폰이 낫다. 솔직히 여기서 갈린다.

    실제로 쓰는 것 vs 데모에서만 빛나는 것

    WWDC 발표를 보면 모든 기능이 완성형처럼 보인다. 실제 출시 후 평가는 다르다. 지금까지 경험 기준으로 나누면 이렇다.

    실제로 손이 가는 것:

    • 사진 텍스트 복사(Live Text) — 이미 일상에 녹아 있음
    • Writing Tools Rewrite — 영어 사용자에겐 확실히 실용적
    • Visual Look Up 피사체 격리
    • 알림 요약 (영문 환경 기준)

    아직 데모 단계에 가까운 것:

    • 시리의 앱 내부 제어 — 지원 앱이 여전히 제한적
    • 한국어 Writing Tools — 올라오는 중이지만 아직 불안정
    • Memories 자동 편집 — 취향을 많이 탄다

    iOS 업데이트마다 AI 기능은 조용히 넓어지는 중이다. 시리가 완성되는 날보다, 카메라 앱과 메모 앱이 먼저 체감 변화를 만들어낼 가능성이 높다. 눈에 보이는 AI보다 눈에 안 보이는 AI가 더 자주 쓰인다는 게 애플 전략의 핵심이고, iOS 27은 그 방향을 한 걸음 더 밀어붙인 버전이다.

    출처: TechCrunch

  • 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

  • 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

  • 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

  • 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)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