EP 80. 2026년은 과학의 해가 될까? AI와 과학
2025년에서 2026년으로 - 코딩에서 과학으로의 전환
2025년 12월 21일 현재, 2025년의 가장 큰 사건은 Claude Code 출시로 시작된 “코딩의 종말”이었다. 이제 2026년은 코딩을 넘어 과학이 AI에 의해 혁명적으로 변화하는 해가 될 것이라는 전망이 지배적이다. 최근 10일간 관련 뉴스와 징후들이 진하게 나타나고 있다.
OpenAI의 과학적 야심 - GPT-5.2와 Frontier Science
GPT-5.2를 통한 과학과 수학의 발전
2025년 12월 12일, OpenAI는 “GPT-5.2를 통해 과학과 수학 발전시키기”라는 블로그 포스팅을 공개했다. 주목할 점은 새로운 벤치마크 Frontier Science가 등장했으며, 벤치마크가 만들어지면 그 성능이 올라가는 아이러니한 상황이 반복되고 있다는 것이다.
COLT 문제 해결 사례
Conference on Learning Theory(COLT)에서 공개한 문제를 GPT-5.2 Pro가 풀어냈다. 이 과정에서 인간의 역할은 수학적 발판을 제공하는 것이 아니라 검증과 명확한 글쓰기에 집중하는 데 머물렀다. 모델이 핵심적인 수학적 추론을 담당한 것이다.
생물학 연구의 가속화 - 79배의 효율 향상
12월 16일, OpenAI는 “실험실 환경에서 생물학 연구의 속도를 높이는 AI의 역량 평가”를 발표했다. 분자 클로닝 프로토콜(Molecular Cloning Protocol)의 효율을 79배 높이는 데 GPT-5가 활용되었다.
흥미로운 점은 실험실과 연결된 이미지 기반 피드백 시스템이다. 단순 시뮬레이션이 아니라 로봇 시스템으로 실제 실험을 수행하고 데이터를 얻는 피드백 루프를 만들어냈다. 로봇이 수행한 실험은 인간 대비 약 2.5배 빠르면서도 유사한 성능을 보였다.
수학계의 변화 - 테렌스 타오와 집단지성
에르되시 문제의 해결
테렌스 타오(Terence Tao)의 블로그에서 공개된 내용에 따르면, 1975년에 제시된 에르되시(Erdős) 문제가 AI 도구를 활용한 집단지성을 통해 해결되었다.
해결 과정의 다층적 협업
- 온라인 협업: 연구자들이 에르되시 문제 사이트 포럼에서 아이디어를 교환
- AI 도구 활용:
- 자동정리 증명 도구 Aristotle
- DeepMind의 AlphaProof (테렌스 타오가 접근 권한을 받아 사용)
- Deep Research를 활용한 문헌 검색
- 검증과 연결: 인간과 AI가 협업하여 문제를 최종 해결
이 사례는 AI가 수학적 발견의 파트너가 되고 있음을 보여준다. 테렌스 타오조차 “AlphaProof가 할 수 있는 과제”임을 인식하고 활용했다는 점이 의미심장하다.
수학계 전반의 변화 - Low-Hanging Fruit의 발견
세바스티안 부백(Sebastian Bubeck, OpenAI) 등 수학자들이 최근 활발하게 공유하는 내용들:
- GPT-5가 “곡선의 모듈라이 공간에서의 교차수”에 관한 미해결 문제를 해결
- COLT(Conference on Learning Theory)의 또 다른 문제를 5.2가 해결하고, 증명 과정과 Lean 연결, 프롬프트까지 공개
- 중요한 인사이트: 난이도가 높은 도메인에 오히려 “Low-Hanging Fruit”(손쉽게 딸 수 있는 과실)들이 상당히 많다
이는 비즈니스 도메인에도 시사하는 바가 크다. 아직 AI가 들어가지 않은 도메인들이 많고, 그 안에 좋은 기회들이 여전히 많이 존재할 것이다.
2024년과 2025년의 차이
작년에는 이런 소식이 거의 없었다. 2025년 들어 수학자, 물리학자, 과학자들이 “AI가 아직 아니다”라는 회의론에서 벗어나 실제로 AI와 함께 일하는 것이 기본이 되었다. 의료 분야 전문가들도 마찬가지 변화를 겪고 있다.
미국의 국가적 대응 - Genesis Mission
백악관의 창세기 미션 발표
미국 백악관과 국방부가 Genesis Mission을 발표했다. DeepMind, Anthropic, OpenAI가 모두 화답하고 참여를 선언했다.
Genesis Mission의 핵심
- 국가 과학기술 도전 과제에 대한 범정부적 접근
- 1960년대 스푸트니크 쇼크 이후 아폴로 프로젝트와 유사한 국가적 사명
- 미국 과학자들에게 첨단 AI 도구 제공
- AlphaProof
- AlphaFold
- WeatherNext (슈퍼컴퓨팅)
- 에너지에서 질병, 안보에 이르는 광범위한 과제 해결 목표
각 기업의 반응
DeepMind
- “Genesis 임무를 지원하여 신과학적 발견을 가속화하기 위한 국가적 사명” 블로그 발표
- AlphaProof, AlphaFold, WeatherNext 등의 도구를 과학자들에게 개방
Anthropic
- 간략하게 참여 의사 표명
- 물리학자 출신 공동창립자들이 많은 회사로서 과학 분야에 대한 독자적 관점 보유 가능성
OpenAI
- 에너지부(Department of Energy)와 협력 심화 발표
- 보다 상세한 협력 방안 제시
이는 사실상 맨해튼 프로젝트(Manhattan Project)에 비견되는 국가 단위 프로젝트다. 중국과 미국 간 초지능(Superintelligence) 경쟁이 안보에 직결되면서 국가 차원의 대응이 시작된 것이다.
DeepMind 팟캐스트 - 데미스 허사비스의 비전
올해의 센티멘트 변화
2025년 말 Hannah Fry와의 DeepMind 팟캐스트는 올해의 시각 변화를 가장 잘 요약하고 있다. 올해 초만 해도 “AGI가 되느냐 안 되느냐”, “언제 될 것 같으냐”였다면, 후반부로 오면서 “이건 되는 게임이고 언제 되느냐”로 바뀌었다. 2025년이 끝나는 시점에는 “이건 무조건 되는 거다”라는 확신이 지배적이다.
항상 신중했던 데미스 허사비스조차 이제는 급진적인 발언들을 하고 있다.
에너지 문제 - 핵융합의 가능성
대화는 에너지 문제가 풀린다는 가정으로 시작한다. SMR(Small Modular Reactor, 소형 원자로)도 있지만, 핵융합(Fusion)이 풀린다면 어떻게 될까? 데미스는 풍요(Abundance)의 시대에 대한 상을 제시했다.
실제로 DeepMind는 Commonwealth Fusion과 깊은 파트너십을 발표했다. 에너지 문제가 해결되면 많은 기존 문제들이 사라진다. 에너지가 싸고, 재생 가능하고, 깨끗하며, 24시간 365일 생산된다면, 그것은 결국 AI에 투입될 것이다.
현재 상황에서 에너지와 지능은 사실상 치환 가능하다. 와트(Watt)와 지능이 교환된다. 이제 GPU 몇 장이라는 표현 대신 전력량으로 계산량을 표현한다. 기가와트(Gigawatt)급이 새로운 기준 단위가 되었다.
스케일링의 지속 가능성
데이터 고갈은 문제가 아니다
합성 데이터(Synthetic Data)를 얼마든지 생성할 수 있고, 인간 의존적 데이터에서 벗어나는 체제로 가고 있다. 현재 빠져 있는 것은 온라인 학습(Continual Learning)인데, 행간을 읽으면 이를 다루고 있음을 알 수 있다.
스케일링은 계속된다
“항상 치고 올라가지는 않더라도 늘 얻을 수 있는 부분이 있었다. 0이나 1이 아니라 그 사이에 어떤 부분이 있기 때문에 우리는 계속 스케일링 되고 있었다.”
실제 숫자로 보면, 프론티어 모델 학습에 사용되는 토큰 수는 약 20-27 trillion이다. 그중 수학, 과학, 핵심 논리에 해당하는 고품질 데이터셋은 아직 1 trillion도 안 되고 약 500 billion 정도다. 정제되지 않은 raw 프리트레이닝 데이터도 끊임없이 품질이 좋아지고 재사용되고 있다. 프리트레이닝 영역에서도 데이터셋 품질이 계속 높아지면, 에너지 단위당 수율은 계속 좋아진다.
부트스트래핑(Bootstrapping)
시스템이 충분히 좋아지면 자체 데이터를 생성한다. 코딩이나 수학처럼 답을 검증할 수 있는 도메인(Verifiable Domain)은 무제한 데이터를 생성할 수 있다.
데미스의 전략: 50%는 스케일링에, 50%는 혁신에 투자한다.
시뮬레이션과 월드 모델 - Genie와 SIMA
데미스의 게임 배경과 시뮬레이션 철학
데미스 허사비스는 어린 시절 테마파크 시뮬레이션 게임을 개발했다. 이 경험이 그의 AI 철학에 깊이 반영되어 있다.
Genie 3와 SIMA의 결합
- Genie: 환경을 실시간으로 생성하는 모델 (2025년 8월 공개)
- SIMA: 그 환경 안에서 활동할 수 있는 에이전트, Gemini의 추론 능력 탑재 (2025년 11월 공개)
Gemini의 추론 능력을 가진 SIMA 에이전트가 Genie가 만들어내는 환경 안에서 끊임없이 문제를 풀면 어떻게 될까? 정의할 수 없는 문제 공간(Problem Space)들을 서치(Search)로 풀어낼 수 있게 된다. 무한의 컴퓨테이션(Computation)만 주어진다면 모든 문제를 해결할 수 있다는 것이다.
DeepMind는 내부적으로 Genie를 SIMA에 연결해서 즉석에서 세계를 만드는 루프를 실험하고 있다.
물리 엔진으로서의 비디오 모델
Genie 3와 Veo 3를 보면 단순히 학습시킨 것에 불과한데 매우 정교한 물리 엔진을 가지고 있다. 현재는 육안 정밀도이지 완벽한 정밀도는 아니지만, 방향성은 제대로 된 물리학 등급 실험을 견뎌낼 수 있는 시뮬레이션을 만드는 것이다.
아키텍처에 대한 입장
데미스와 일론 머스크의 입장은 유사하다. 반면 Yann LeCun이나 Rich Sutton 등 “Old School”의 입장과는 다르다.
핵심 주장: 모델 구조가 어떻게 되었건, Inductive Bias를 최대한 제거하고 모델을 제너럴하게 만들고 거기에 무한의 컴퓨테이션을 넣으면 풀지 못할 문제는 없다.
트랜스포머는 언어 사이 어텐션을 계산하는 제너럴한 로직인데, 이미지를 넣고 다양한 형식에 적용해 모두 잘 작동하고 있다. 결국 어느 임계점을 넘으면 다른 형식 시스템(Formal System)이 나와서 문제를 해결해준다는 것이다.
개인적 견해로는, AGI/ASI를 위해 트랜스포머 아키텍처에 제한이 있다는 Old School의 주장은 의미가 없다고 본다.
산업혁명과의 비교 - 10배 크고 10배 빠른 변화
데미스는 최근 산업혁명 관련 책을 많이 읽었다고 한다. 혼란을 완화하는 측면에서 이전 역사를 공부하고 싶었기 때문이다.
핵심 전망
“산업혁명보다 10배 크고 10배 더 빨리 일어날 것이다. 한 세기가 아니라 약 10년에 걸쳐 펼쳐질 것이다.”
산업혁명은 약 200년에 걸쳐 일어났다 (실질적으로는 1800년대 후반~1900년대 후반, 약 100년). 그때도 세상이 난리였는데, 지금은 10년 안에 일어난다면 난리가 더 심할 것이다.
세대 간 차이
- 과거: 세대를 걸쳐 일어났기 때문에 부모가 실업자가 되면 아이들은 새 직업이 있는 세상에서 살 수 있었다
- 현재: 부모와 아이가 동시에 실업자가 되는 세상이다
경제 시스템의 변화 필요성
부가 몇 개의 회사에 극단적으로 몰릴 것이다. 따라서 정부 시스템이 더욱 중요해진다. 베이직 인컴(Basic Income)을 넘어서 “막대한 소득(Abundant Income)“에 대한 논의도 나오고 있다.
에너지 문제가 풀리면 상당 부분 경제적 압력이나 개인이 겪는 압박을 해소할 수 있다. 희소성 이후의 세계(Post-Scarcity World)가 가능해진다.
철학적 질문
“모두 더 잘 살게 되지만, 목적은 어떻게 되나? 많은 사람들이 직업에서 목적을 얻고 가족을 부양하는 것에서 목적을 얻는데, 그것은 매우 고귀한 목적이다. 그런데 그게 없어진다면?”
일부 질문은 경제적 질문에서 철학적 질문으로 혼합된다.
국제 협력과 안전
국제적 협력이 필요하지만 생각보다 잘 일어나지 않고 있다. 모든 연구소가 책임감이 있지만, 오픈 모델도 있고 모든 것을 통제할 수는 없다.
“약간 다룰 수 있는 정도의 사건이 일어나면 괜찮지 않을까? Rogue AI나 Rogue 조직을 막기는 어렵지만, 중간 정도의 것이 일어나면 경고사격이 될 것이다. 그러면 국제적 협력이나 표준이 더 잘 만들어지지 않을까.”
계산에 대한 믿음 - 폰 노이만과 튜링
인간만이 할 수 있는 것이 있을까? 한계는 없다.
데미스는 계산(Computation)을 믿는 사람이다. 폰 노이만(Von Neumann) 체제와 튜링 머신(Turing Machine)의 방법으로 추구해서 안 되는 것이 아직 증거가 없다. 이 방법으로 계속 밀어붙이겠다는 입장이다.
도전적 질문에 대한 답변
Hannah Fry: “여기 앉아 있고 조명의 따뜻함이 느껴지고 배경의 기계 소리가 들리고 손에 있는 촉감, 이런 것들이 다 고전 컴퓨터로 복제 가능하다고 말하는 건가?”
데미스: “그렇다.”
철학적 배경 - 칸트와 스피노자
데미스는 칸트(Kant)와 스피노자(Spinoza)를 언급했다. 특히 스피노자의 철학이 흥미롭다.
“시뮬레이션된 세계가 중요하다. 시뮬레이션할 수 있다면 어떤 의미에서는 이해한 것이다.”
Isomorphic의 의미
데미스가 대표인 또 다른 회사 Isomorphic Labs (생명공학 신약개발 회사)의 이름에서도 이 철학이 드러난다. “Isomorphic(동형성)“은 Gödel, Escher, Bach에서도 핵심 개념이다.
핵심: 결국 모든 것은 관계(Relation)가 지배한다. 남는 건 관계밖에 없다. 매질이 무엇이 되든 그 관계가 일치한다면 그것은 똑같은 것이다.
데미스의 개인적 미션
“AGI를 안전하게 넘기도록 세계를 돕는 것이 나의 미션이다. Post-AGI는 다른 분들이 할 일이다. 물론 불러주면 협력적인 사람이니까 참여하겠다. 하지만 내 임무는 AGI를 안전하게 넘기도록 세계를 돕는 것이다.”
그 후에는 안식년을 가지고 싶다고 밝혔다.
이번 에피소드는 Thinking Game 다큐멘터리보다도 데미스 허사비스가 어떤 인물인지를 잘 보여주는 솔직한 대화였다.
Wetlab의 병목 해소 - 로봇과 AI의 결합
과학자들이 얘기하는 가장 큰 병목은 “Wetlab”이다. 실제로 비커에서 물질을 옮기고, 액체를 다루고, 실험을 수행하는 축축한 실험실(Wet Laboratory) 환경이 완전한 병목이었다.
새로운 해결 방식
- AI가 후보 물질이나 방법론을 논리적으로 추려냄
- 최종 보상 시그널(Reward Signal)은 직접 실험으로 검증
- 실험 환경도 로봇으로 자동화(Automation)
- Verifiable Reward를 각 버티컬(화학, 생물학 등)에서 구축
이러한 랩들이 2026년에 많이 생겨날 것으로 예상된다.
DeepMind의 로봇 기술
DeepMind 팟캐스트에서 소개된 Gemini 3.0이 탑재된 로봇들:
- 팔 로봇(Robotic Arm)
- 휴머노이드형 로봇
중국의 화려한 로봇들에 비해 덜 화려하지만, 실제로 실험실에 투입 가능한 실용적 로봇들이다. 리즈닝(Reasoning)을 갖춘 로봇들이 실험실에 투입되는 상황을 보게 될 것이다.
자율주행에도 적용
일론 머스크는 테슬라 자율주행에 대해 “지금은 LLM으로 치면 단순 Instruct 모델이지만, 여기에 Reasoning을 도입하겠다”고 밝혔다. 교착 상태나 복잡한 상황에서 전략을 짜고 이행하는 시스템으로 진화할 것이다.
프론티어와 일반인의 격차 축소
프론티어 접근성의 변화
“일론 머스크나 세르게이 브린이 우리보다 몇 개월 더 프론티어를 보고 있을 것”이라는 추측은 틀렸을 가능성이 크다. 많이 잡아줘도 한 달 정도 빨리 보고 있을 뿐이다. 프론티어와 오픈되는 것의 갭이 생각보다 굉장히 작다.
이는 중국과 미국의 경쟁, OpenAI와 Google의 경쟁 때문이기도 하지만, 거꾸로 일반인 입장에서는 행복한 세상이다.
비용 장벽의 변화
물론 한 달에 $200은 커녕 2-3만 원도 비용 부담이 될 수 있어 모두에게 열린 것은 아니다. 그러나 문턱은 어마어마하게 낮아진 상태다.
200를 쓰는 사람들을 자주 볼 수 있다. 그만큼 돈값 이상을 한다는 의미다.
인식의 격차
프론티어 접근성은 좁혀졌지만, 인식의 지평은 여전히 엄청나게 차이가 난다.
- AI 프론티어를 따라가는 사람들
- 도망자(跑者)라고 정의한 영역 - 어떻게든 그쪽에 가보려는 사람들
- 그러지 않기로 한 사람들
이들 간의 갭은 너무 벌어져 있다.
인터넷 트래픽과 미래 예측
현재 인터넷 트래픽의 97%가 비디오(YouTube, Netflix)이고, 텍스트와 기타 데이터는 **3%**에 불과하다.
토큰 생성도 마찬가지다. Claude Code로 100만 토큰을 쓰기는 매우 어렵고 많이 써도 25만 토큰 정도다. 반면:
- 이미지 생성 하나: 2만 5천 토큰
- 30초 비디오 생성: 수십만 토큰
앞으로 대부분의 토큰은 멀티미디어, 비디오 콘텐츠에서 나올 것이고, 텍스트나 코딩, 사이언스, 로직은 그 안에서 매우 일부분일 것이다.
결론: 반도체 투자 사이클은 과투자 국면이 아니라 이제 시작하는 것이다.
메모리 슈퍼사이클의 시작
칩 개발자들의 증언: “개발하고 싶은데 램을 살 수가 없다. HBM도 아니고 LPDDR을 사는데도 다음 납기가 1년 후, 2년 후다. 삼성도 LPDDR 다 팔았고 가격 두 배 올렸다.”
메모리 슈퍼사이클이 또 시작되었다.
AI 버블인가?
Hannah Fry의 직설적 질문
“AI 버블이냐 아니냐? 버블이 터지면 어떻게 되나?”
데미스의 답변
일부 인정: “지금 버블이 끼어 있긴 하다. AI 생태계 일부는 아마 버블일 것이다.”
터지는 것에 대해서는: 직접적 답변을 피하고, “Google DeepMind는 터지더라도 안전하다”고 강조했다.
- TPU 보유
- 연구 기반 탄탄함
- “이 방향이 계속 돼도 좋고 안 돼더라도 잘할 수 있다”
약간의 자랑 섞인 답변이었다.
기타 주목할 소식들
Rune의 분석
OpenAI Tech Staff로 추정되는(확인되지 않음) Rune이 AI 비판론에 대한 반론을 제시:
“기계 지능을 1급 생산 요소로 두고 태어나는 새로운 형태의 조직들을 볼 수 있다.”
이것이 바로 우리가 말하는 AI Native Company다.
흥미롭게도 GPT-5.2로 이 발언들을 Fact Check 해보니:
- 대체로 사실
- 부분 사실
- 정확한 인용과 근거 제시
- 테렌스 타오가 실제로 했던 것은 사실
- 강한 추측이 있는 부분 구분
- 거짓/과장 가능성이 큰 부분 지적
Hallucination이 있는 LLM이지만, 조사 도구들이 있다 보니 Fact Checking을 꽤 제법 잘한다.
Andrej Karpathy의 연말 리뷰
2025년 연간 리뷰에서 다룬 주요 변화들:
- 유령 대통령(Ghost Typing) - AI 보조 작성
- 새로운 레이어 - Cursor, LLM 기반 코딩
- Claude Code, Vibe 코딩
- 이미지 모델의 혁신
- LLM GUI - Generative UI의 등장
결론: “안전벨트를 매세요”
프레임워크의 미래
한 엔지니어의 통찰: “AI가 UX 레이어를 다 써주는데, 우리 회사는 Next.js 위에서 모든 게 빌드되어 있는데 Next.js를 왜 써야 되나? 그냥 네이티브 JavaScript 쓰면 되는데. 프레임워크를 걷어내자.”
모델 경쟁의 지속
Gemini 3 Flash 출시
- 빠른 속도
- 성능은 약간 아쉬울 수 있지만 핏이 맞는 공간들이 있음
크리스마스 4일 전인데도 계속 출시
- “이분들 연말 휴가 언제 가나?”
- 치킨 게임처럼 계속 나오고 있음
현재 판도
- OpenAI와 Google이 투톱으로 튀어나감
- Anthropic은 코딩 해자를 팠는데 그 부분이 살짝 얇아지는 느낌
소문들
- Sonnet 4.7 소문 - Opus 4.5급 성능에 빠른 속도
- 최근 Claude 장애가 모델 실험 때문이었다는 추측
- GPT-5.2는 “얼리 체크포인트”라는 소문
- 기반 모델은 코드명 “Goliath”, 풀 버전은 2026년 초 예상
NVIDIA Nemotron - 완전 오픈소스 모델
왜 주목하는가?
Nemotron은 단순 오픈 모델이 아니라 완전 오픈소스다:
- 데이터셋 공개
- 트레이닝 레시피 공개
- 코드 전부 공개
NVIDIA 입장에서는 이런 레시피를 뿌려서 많은 사람이 모델을 만들게 해야 칩을 더 많이 팔 수 있다.
내용
- Pre-training, SFT, RLHF, RLVR
- 수학, 과학, 코딩 데이터셋
- 자체 제작 데이터셋까지 전부 GitHub에 공개
SSM과 Mamba - 새로운 아키텍처 유전자
RNN에서 Transformer로의 진화
- RNN의 문제: 마지막 컨텍스트 벡터 하나로 모든 맥락을 압축해야 해서 성능 저하
- Transformer의 해결책: 모든 히든 액티베이션(Hidden Activation)을 유지하고 어텐션으로 참조
- Transformer의 문제: 컨텍스트 길이가 길어지면 계산량이 O(N²)로 증가 (Quadratic Complexity)
SSM과 Mamba의 등장
“RNN의 강점(효율적 인퍼런스) + Transformer의 강점(병렬화 가능한 학습) = 어떻게 될까?”
- SSM(State Space Model): 이 직관을 구현한 수학적 트릭
- Mamba: SSM의 문제를 일부 해결
Nemotron의 하이브리드 구조
완전히 Mamba 기반 모델:
- Mamba 블록 8개 → Self-Attention 1개 → FFN(MoE 방식)
- 이 그룹이 8-9개 구성
- 전체 30 billion 파라미터 중 약 3 billion 활성화
- 무지하게 빠름 - Transformer 대비 몇 배 빠른 속도
장점
- RNN처럼 요약에 능함
- Transformer처럼 관계 기억에 능함
- 적은 연산량과 모델 사이즈로 더 나은 성능
전망
1년 반 전에 탄생한 하이브리드 아키텍처가 이제 현실화되고 있다. 다음 세대 프론티어 모델도 Mamba + Transformer 하이브리드로 이동할 가능성이 매우 높다.
대안 아키텍처의 중요성
대안적 유전자가 중요한 이유: 스케일링을 투자할 만큼 투자가 없었는데, 되는 게 보여지면 우후죽순 아키텍처를 갈아끼울 수 있다.
작은 연산량으로 프론티어에 준하는 도메인 모델을 만들 수 있다는 게 증명되면, 모든 버티컬(Vertical)도 이 방향으로 뛰고 싶은 인센티브가 생긴다.
NVIDIA 입장: 프레임워크와 칩을 더 팔 수 있음 개발자/회사 입장: 프론티어에 준하는 레시피, 코드, 데이터셋을 모두 받을 수 있음
중국의 추격
샤오미(Xiaomi)
- 다른 모델을 가져온 게 아니라 from scratch로 자체 개발
- 한국도 from scratch로 하고 있지만, 중국은 강력하게 치고 나가고 있음
- 느낌상 중국은 미국 레벨
레이어 방식 생성 모델
- 생성이 레이어로 나뉜 모델 (레이어를 따는 것이 아님)
Yao Shunyu의 텐센트 이직
- 스타 연구자가 텐센트로 이동
Simon Willison의 실전 사례
“Just HTML” - 실제로 어떻게 AI를 활용해 프로젝트를 진행했는지:
- 많은 테스트 작성
- 아주 작은 단위로 진전
- 포팅이나 새로 만드는 과정을 상세히 공개
어디로 도망가야 할 것인가?
다층적 전략의 필요성
1. 현실 문제 해결 (단기)
- 현재 프론티어 모델의 하네스(Harness) 구축
- 기존 모델로 실제 비즈니스 문제 해결
2. 모델 워크 내재화 (중기)
- 컴퓨테이션 대비 효율이 계속 증가 중
- 알고리즘 개선
- 데이터셋 품질 향상
- 오픈 데이터셋 활용
- Andrej Karpathy가 말한 “코그니티브 코어(Cognitive Core)” 수준
- 10 billion 이하에서도 하나의 비즈니스를 완벽하게 커버하는 모델 가능
- RLVR 환경 구축
- 새로운 형태의 SI 회사 등장 가능성
- 갖춰야 할 기본 정보가 많음
3. 비즈니스 로직 내 모델 최적화 (장기)
- 하네스 구축 + 모델 워크
- Training, Fine-tuning, RLVR
- Evaluation Loop를 비즈니스 로직 안에 내재화
가치 포착(Value Capture)의 문제
현재 대부분의 밸류 캡처는 전부 모델 회사에 있다. 모델 회사가 아닌 다른 회사들은 전부 굉장히 얇은 영역에서 경쟁해야 한다.
예외 사례
- 새로운 형태의 인프라를 다루는 TMR 같은 회사
결론: 모델을 포기할 수 없다. 어떤 형태로든 모델 역량을 내재화해야 한다.
마무리 - 2026년을 향하여
2025년 코딩 뉴스까지는 따라갈 수 있었지만, 2026년 과학 뉴스는 읽어도 잘 모르겠다는 느낌이 든다. 수학, 화학, 물리가 고등학교나 대학교 수준을 뛰어넘는 내용들이 많기 때문이다.
그러나 AI를 지렛대로 활용하면 어느 정도 캐치할 수 있다. 체화되는 느낌은 아닐지라도, 노력하면 이해 가능한 수준이다.
지구에 존재하는 모든 똑똑한 사람들은 전부 AI에 붙어 있다고 봐도 된다. 2025년 초만 해도 “AI는 아직 아니다”라고 했던 전문가들 - 의사, 변호사, 수학자, 물리학자 - 이제 그들이 정말 다 AI와 함께 일하는 게 기본이 되었다.
프론티어와 일반인의 간격은 한 달 정도로 줄어들었지만, 인식의 격차는 여전히 크다. 안전벨트를 매고, 2026년 과학의 혁명을 지켜볼 준비를 해야 한다.