* SemiAnalysis에 따르면 딥시크 V3 & R1 발표 이후 아마존 AWS GPU가격은 다수 지역에서 상승. H200 구하기는 더 어려워짐. 수개월전 H100 현물가격은 매우 낮았던 상황. 이는 더 낮은 비용의 AI모델이 더 높은 연산 수요를 견인한다는 점을 증명

而据SemiAnalysis，这一理论的早期迹象正在展现，自DeepSeek V3和R1发布以来，亚马逊AWS的GPU定价在许多地区上涨，H200获取的难度也在提升。而前几个月H100的现货价格还非常疲软。这证明了成本更低的AI大模型带来了更高的算力需求。

* Tomasz Tunguz, 최근 2년간 인공지능 발전 과정 돌이켜보면:

• GPT-4가 AI 전반 ELO 중 새로운 성능기준으로 자리잡은지 366일만에 Claude 3가 이를 넘어섬

• GPT-4 Turbo가 새로운 표준을 설정한 이후 11일만에 Gemini 1.5 Pro가 해당 표준에 도달

• 2024년 9월 진정한 의미의 심도 추론능력 보유한 GPT-4.0 출시. 141일 이후 구글 Gemini 2 추론능력이 유사한 수준으로 확인

• 올해는 딥시크가 유사한 추론 수준에 도달. 41일만

* 과거 수년이 걸렸으나 이제는 수개월, 혹은 수주만에 새로운 기술수준 돌파. 다음 AI 혁명은 바로 다음날 아침에 이뤄질 가능성

Tomasz Tunguz：以下是过去两年内人工智能发展历程的大致时间表：GPT-4 在人工智能整体基准 ELO 中创下了新的性能基准。366 天后，Claude 3 超越了它。GPT-4 Turbo 设定了下一个高标准，Gemini 1.5 Pro 仅在 11 天后就达到了这一标准。第一个具有真正深度推理能力的模型GPT-4.0于2024年9月问世，谷歌的Gemini 2深度推理则在141天后与其匹敌。今年，DeepSeek 也达到了同样的推理水平——这次仅用了 41 天。我们已经从一年的飞跃发展到几周内取得突破。趋势很明显。曾经需要几年的时间，现在只需要几个月，然后是几周，很快，也许只需要几天。照这样发展下去，下一次人工智能革命可能不只是在下个季度到来，而是可能在你明天醒来的时候到来。

0. 우리가 믿는 것 (What We Believe)
핵심 논지(Core Thesis):
“오직 우수한 군사 기술력만이 전쟁을 억제할 수 있는 신뢰할 만한 수단이다.”

역사적 맥락(Historical Context):

제2차 세계대전 이후, 서방의 기술적 우위가 또 다른 세계 대전을 막아왔다.
그러나 이제 그 기술적 우위가 위험에 처해 있다.
기존 기업의 한계(Incumbents’ Shortcomings):

전통적인 방위산업체들은 긴급히 필요한 신기술을 개발할 역량이 부족하다.
“민주주의의 병기고(Arsenal of Democracy)” 재건(Rebooting the “Arsenal of Democracy”):

억지력을 유지하고 안보를 지키기 위해서는 새로운 형태의 방산 테크 기업이 반드시 필요하다.

1. 서론 (Introduction)

서구 지배력의 약화에 대한 인식 (Perceived Decline in Western Dominance)

20세기는 이미 지나갔고, 미국과 동맹국들이 “이견 없는 리더”라는 인식이 흐려지고 있다.
서방이 명백히 “승리”했다고 말할 수 있는 마지막 분쟁은 2차 세계대전이며, 이것마저도 지금 보면 매우 오래전 일이다.
군사 기술력의 침체 증거 (Evidence of Declining Military Technology)

수십 년 전만 해도 서방 군대는 “공상 과학”과도 같은 기술을 갖고 있었다.
오늘날 미군을 비롯한 동맹국들이 사용하는 무기는 일상에서 소비자들이 이용하는 기술보다 뒤처지는 경우가 많다(예: 테슬라 차량보다 AI 요소가 부족한 방산 시스템).
실제로 2019년까지 미국 핵무기 시스템 일부가 플로피 디스크로 운용되었다는 사례를 든다.
냉전 종식 이후의 안일함 (Post-Cold War Complacency)

소련 붕괴 이후, 서방은 역사 종언(“end of history”)을 맞이했다고 믿으며 옛 적국들도 자유화하리라 예상했다.
그러나 러시아와 중국은 오히려 서방식 혁신 기법을 적극 채택해 무기 체계를 고도화함으로써 미국을 추월하려고 노력해 왔다.
그 결과 미 국방부가 중국과의 가상 전투 시뮬레이션을 수행했을 때, 중국이 승리하는 경우가 많아지고 있다.
신속한 현대화의 필요성 (Need for Rapid Modernization)

C.Q. 브라운 미 공군참모총장은 “변화 속도를 높이지 않으면 진다”고 경고했다.
2차 세계대전과 냉전 시기에 서방은 국방 문제에 뛰어난 엔지니어들을 참여시켜 혁신했다.
그 당시 이루어진 혁신(컴퓨터, GPS, 인터넷 등)은 이후 민간 시장에도 보급되어 세계적 번영에 기여했다.
우크라이나, 대만 등의 위험 증가에 대비해 비슷한 혁신 정신을 되살려야 한다.
기존 방산 대기업 왜 뒤처리나? (Why Legacy Defense Contractors Can’t Keep Up)

미래 무기는 소프트웨어 의존도가 높은데, 전통적인 방산 기업은 하드웨어에 특화되어 있다.
이들은 프로세스가 느리고, 빠른 움직임을 선호하는 최상급 엔지니어들과의 궁합이 맞지 않는다.
이익구조 및 계약 방식도 소프트웨어 중심의 신속한 혁신과 맞물리지 않는다.
규모 있는 대응의 필요성 (A Call for Scaled Action)

앤두릴(Anduril) 같은 “새로운 모델”의 방산 기업이 있지만, 이런 기업이 수십 개 이상은 나와야 한다.
엔지니어 수만 명이 방위산업에 관심을 가져야 하며, 관료들도 새로운 접근을 수용해야 한다.
젊은 엔지니어가 국방 분야를 기피한다는 주장은 틀렸다는 반론도 제기한다. 실리콘밸리 자체가 전쟁 시기 애국 과학기술의 전통 위에서 발전했으므로, 다시금 이들이 국방 분야로 모일 수 있다고 본다.
스페이스X와 팔란티어처럼 기존 장애물을 뚫고 성공한 기업 사례도 있다.
서방이 관료주의를 개혁하고 기술 중심의 국방 재편을 장려한다면 여전히 적들을 능가할 수 있다고 전망한다.

2. 어떻게 여기까지 왔는가? (How Did We Get Here?)

스컹크 웍스(Skunk Works)의 두 가지 이야기 (Skunk Works’ Two Tales)

벤 리치(Ben Rich)의 회고록에 따르면, 2차 세계대전·냉전 시기 락히드에서 개발한 U-2, SR-71, F-117 등은 “황금기” 혁신 사례로 손꼽힌다.
동시에, 그는 점진적인 쇠퇴도 예견하는데, 개발 주기가 늘어 항공기 신기종이 거의 나오지 않고 개발 비용은 치솟았다고 지적했다.

신형 항공기 감소 & 비용 급등 (Fewer Planes & Rising Costs)

냉전 이후 새로운 폭격기가 전력화된 적이 없고, F-35는 총사업비가 1.6조 달러에 이를 만큼 비용이 막대하다.
2000년 이후 미 국방부 산업 공급업체가 약 20,500곳 줄어들었다.
노엄 오거스틴(Norm Augustine)의 농담 “2054년엔 온 국방 예산도 단 한 대 항공기 구매에 쓰일 것”이 있을 정도로 비용 문제가 크다.

맥나마라의 개혁(1960년대) (McNamara’s Reforms (1960s))

당시 로버트 맥나마라 국방장관은 중복 사업을 줄이고 비용을 통제하려 했다.
주요 전제는 “기술이 안정적이고, 소련의 위협은 양적 측면이 크며, 질적 대도약은 드물다”는 것이었다.
그 결과, 얼마 안 가 비용과 예측 가능성을 중시하는 시스템이 자리 잡았고, 빠른 혁신보다는 정형화된 검증 절차가 강조되었다.

새로운 규정과 인센티브 (New Rules & Incentives)

“기획·프로그래밍·예산 편성” 절차에 매여 개발 속도가 느려졌다.
방산업체들은 크고 복잡한 하드웨어 사업에 집중하며, 위험 부담이 큰 R&D는 기피한다.
이에 대응해 비용보전형(cost-plus) 계약이 부활했고(2020년엔 38% 상당), 이는 기업이 느리고 비효율적으로 일해도 손실이 없게 만든다.
반면 상대국들은 이런 허점을 놓치지 않고 빠른 속도로 발전했다.

오늘날의 결과 (Today’s Consequences)

대형 방산 기업들은 실질적인 경쟁에 직면하지 않는 경우가 많다.
내재적 연구개발(R&D)에 투자하는 비중(1~4%)이 빅테크의 10~20%나 신생 테크기업의 60~70%에 비해 턱없이 낮다.
기술환경이 소프트웨어 중심으로 바뀌었는데도, 제도 개혁이 충분히 이루어지지 않았다.


3. 오늘날의 방산 업계 (The Defense Industry Today)

손실이 없는 안정성과 그 의미 (Remarkable Statistic of Guaranteed Returns)

1963년 이후로, 방산산업은 10년 단위로 봤을 때 마이너스 수익을 낸 적이 없을 정도로 안정적이다.
이는 느린 일정, 비용 초과가 구조적으로 용인되는 체계 때문이라고 지적한다.

합병·인수로 인한 경쟁 부족 (Consolidation & Lack of Competition)

냉전 종식 후 미 정부가 대형 방산업체 간 M&A를 장려(“마지막 만찬”)해, 소수의 메이저 기업만이 시장을 지배한다.
이에 따라 비용 절감·혁신 동기가 더욱 줄어들었다.

왜 혁신이 부족한가? (Why Not More Innovation?)

정부 조달 절차상 개념에서 실전 배치까지 보통 10년 이상 걸린다.
비용보전형 계약은 오히려 로비·기술 제안서 작성이 주요 역량이 되는 구조를 만든다.
새 업체가 진입할 모멘텀을 확보하기 어렵다.


4. 소프트웨어의 부상 (The Rise of Software)

전장은 “소프트웨어에도 벅찬 식사” (Battlefield = “Too Big a Meal” for Software)

소비자 IT 시장은 빠르게 발전했지만, 전장은 따라가지 못했다.
미 국방부는 막대한 예산을 투입하면서도 일상 AI나 자율 기능만큼도 구현하지 못한다(예: 스냅챗의 컴퓨터 비전, 테슬라 자율주행 등).

21세기 전쟁: AI·소프트웨어 필수 (21st-Century Wars Demand AI & Software)

미래 전쟁은 자율 시스템, AI 무기, 실시간 데이터 융합 등이 핵심을 이룬다.
소프트웨어는 센서, 드론 군집, 타격 시스템 등을 통합 운영하는 데 필수적이다.

실리콘밸리의 역할 (Silicon Valley’s Role)

최고급 소프트웨어 인재들은 빅테크 기업으로 가는 경우가 많고, 국방 참여를 꺼리는 문화도 있다(예: 구글이 프로젝트 메이븐에서 철수).
기존 방산업체들은 여전히 하드웨어 중심이며, 대규모로 소프트웨어를 혁신할 역량과 문화를 갖추지 못했다.

“애플/테슬라 접근” 대 “구식 접근” (Need for “Apple/Tesla Approach,” Not “Legacy Approach”)

무인 시스템, 네트워크 무기 등 미래 기술은 첨단 소프트웨어를 요구한다.
방산 대기업의 구조는 빠른 소프트웨어 반복·배포에 적합하지 않다.


5. 새로운 모델 (A New Model)

위협보다 빠르게 앞서야 한다 (Outpacing the Threat)

적국보다 빠르게 연구·개발·배치해야 하며, 이를 위해 민간투자→제품화→정부판매라는 민간식 모델로 전환할 수 있다.
비용보전형 계약이 아니라, 고정가 계약이나 스스로 투자 후 “오프더셸프(off the shelf)”로 판매하는 방식을 권장한다.
배치된 후에도 꾸준히 소프트웨어를 업데이트하여 현장 요구에 실시간 대응해야 한다(테슬라식 업데이트).

사양(spec) 대신 임무(mission)에 맞춰 개발 (Building to the Mission, Not to Spec)

전통 방산은 “10년 후에 완성될 대형 함정/전투기를 위한 세부 규격”을 미리 정하지만, 이 방식은 문제 해결보다는 양식에 얽매인다.
혁신 기업들은 근본적 작전 문제를 파악하고, 독창적 발전 방향을 제안해야 한다.
정부가 모든 사양을 미리 명시하기보다는 업계가 적극적으로 해법을 제시할 수 있어야 한다.

소프트웨어 중심 (Software-First)

AI, 자율, 네트워킹은 모두 소프트웨어가 핵심이다.
성능이 뛰어난 하드웨어라도 소프트웨어가 자주 업데이트되고 최적화되어야 전장에서 가치가 유지된다.
미래 무기는 하드웨어보다 소프트웨어가 주도권을 쥐고 설계가 이뤄지는 형태에 가까울 것이다.

국방 예산 통제 (Controlling Defense Budgets)

전쟁 억지와 국가 수호는 필수적이지만, 방산 기업이 공공 자금을 효율적으로 사용해야 한다는 책임도 따른다.
방산 산업이 “더 많이 투자하면 더 많이 부담”이나 “예산을 줄이면 성과도 줄어든다”라는 양극단만 존재하는 건 아니라며, 기술이 ‘더 적은 비용으로 더 많은 성과’를 가져올 수 있다고 주장한다.
경쟁을 장려하고, 기업도 자체 R&D를 통해 비용을 낮추는 모델로 전환해야 한다.

6. 정부 측의 대응 (The Government Response)
기업만으로는 기존 체계를 전면 뒤엎기 어렵기에, 정부가 정책과 제도를 개혁해 빠르고 혁신적인 환경을 마련해야 한다고 강조한다.

소프트웨어 우선 사고방식 (Think Software-First)

핵심 소프트웨어 프로그램 구축: 단순 IT 관리용이 아니라, 진짜 임무 수행에 필요한 소프트웨어 프로젝트를 대규모로 추진해야 한다.
소프트웨어 기업에게도 주계약권(prime contract)을 부여: 하드웨어 완성 후 소프트웨어를 붙이는 방식이 아니라 설계 초기부터 소프트웨어를 고려해야 한다.
기존의 “RFP→장기간 개발” 절차가 아닌, 민간에서 빠르게 프로토타이핑 후 판매하는 고정가 계약이나 구독형(as-a-service) 모델 도입 등을 검토해야 한다.

새 시스템을 위한 공정 경쟁 (Meritocratic Competitions for New Systems)

방대한 제안서보다 현실에서 성능을 입증하는 “베이크오프(bake-off)” 형태의 경쟁이 바람직하다.
우수한 해법을 낸 업체에 대형 계약을 신속히 부여해야 개발사가 투자를 지속할 동기를 얻는다.
대형 사업도 자주 재경쟁을 통해 독점을 막고, 결과(output)에 초점을 맞춰야 한다.

데이터 권리 현대화 (Modernizing Data Rights)

정부가 포괄적 소스코드·데이터 공개를 요구하면, 소프트웨어 기업들이 과도한 리스크로 느껴 들어오지 않는다.
회사의 지적 재산 보호와 정부 조달의 상호 이점을 모두 고려하는 합리적 제도 개선이 필요하다.
완전한 통제 대신 API 및 오픈 프로토콜 표준을 통해 상호 운용성을 확보할 수 있다.

“죽음의 계곡(Valley of Death)” 완화 (Address the “Valley of Death”)

현재 시범 사업(프로토타입) 단계는 늘어났으나, 후속으로 대규모 정규 프로그램 계약이 이어지지 않아 많은 신규 기업이 자금 부족으로 탈락한다.
미국에서 “Agile Procurement Transition Pilot”이 시작됐지만, 여전히 더 광범위한 관행 변화가 필요하다.

기존 프로그램의 활용 확대 (Using Existing Programs)

정부 내에는 이미 몇몇 유연한 조달 제도가 있지만, 담당자나 계약 책임자들이 잘 몰라서 쓰지 못하는 경우가 많다.
이러한 제도 활용을 교육·홍보해 불필요한 절차를 줄이고 혁신기업 접근성을 높여야 한다.

7. 행동 촉구 (Call to Action)

비밀 연구시설에 숨겨진 구원책은 존재하지 않는다. 국방 혁신 기술은 우리가 직접 만들어야 한다.
상업·민간 분야 엔지니어들도 “제2차 세계대전과 냉전 시기처럼, 기술로 전쟁을 방지하겠다”는 사명감으로 국방 분야를 고려해볼 필요가 있다.
정부 역시 대규모로 비전통적인 기업의 참여를 열어주고, 과감한 제도 개혁에 나서야 한다.
결국 “민주주의의 병기고(arsenal of democracy)”를 재건하고 평화와 번영을 지키기 위해, 21세기형 방위산업의 혁신을 함께 이루어내자는 호소로 마무리한다.

1. Secure AI App Store (보안이 강화된 AI 앱 스토어 및 OS 계층)
아이디어 개요:

사용자의 개인 데이터를 철저히 보호하면서, 여러 AI 앱들이 하나의 “공유 메모리”를 사용해 정보를 관리하는 새로운 앱 스토어와 OS 계층을 구축하는 것.
사용자에게는 각 앱이 접근할 수 있는 정보(캘린더, 파일, 브라우징 기록 등)를 명확하게 통제할 수 있도록 하고, 개발자에게는 공통 API와 인프라를 제공해 개발 부담을 줄인다.
왜 필요한가?

개인정보 보호: AI 기술 발전과 함께 AI 앱이 개인 데이터에 접근하는 빈도가 높아졌으나, 분산된 데이터 관리로 인한 보안 위협과 개인정보 유출 위험이 커짐.
사용자 경험 개선: 여러 앱에 분산된 개인 정보(선호도, 행동 기록 등)를 하나의 공유 계층에서 관리하면, 사용자 맞춤형 서비스와 추천, 그리고 보다 일관된 경험을 제공할 수 있음.
생태계 확장: 검증된 앱만을 모아놓은 스토어가 등장하면, 사용자와 개발자 모두 신뢰할 수 있는 생태계가 형성되어 AI 도구의 배포와 수익화가 용이해짐.

미래 가능성:

새로운 시장 창출: 대기업이 아닌 창업자들이 독립적으로 AI 앱을 개발하고, 앱 스토어를 통해 글로벌 고객에게 배포할 수 있는 생태계 조성.
데이터 주권 강화: 사용자가 자신의 데이터를 완벽하게 통제할 수 있어, AI 서비스의 “개인화”와 “프라이버시”를 동시에 달성하는 시대 도래.
플랫폼 경제: AI 앱이 단순한 기능 제공을 넘어, 사용자 데이터를 바탕으로 한 네트워크 효과와 맞춤형 서비스 제공으로 새로운 비즈니스 모델 등장.

실현을 위해 필요한 요소:

강력한 보안 프로토콜: 앱별로 접근 권한을 세밀하게 제어하고, 데이터 암호화 및 분산 저장 등의 기술 확보.
공유 메모리 계층 설계: 사용자의 모든 개인 데이터를 통합 관리할 수 있는 중앙 계층(혹은 분산형 시스템) 구축.
개발자 지원 도구: API, SDK, 가이드라인 등 개발자가 빠르게 앱을 구축하고 배포할 수 있도록 지원하는 인프라 제공.
신뢰성 있는 앱 심사 시스템: AI 앱의 품질과 보안을 검증하는 자동화된 심사 시스템과 전문가 리뷰 체계 구축.
결제 및 수익 분배 시스템: 앱 스토어 내 결제 처리 및 수익 분배, 구독 모델 등을 지원하는 금융 인프라.

2. Datacenters (신속하고 저렴한 AI 데이터 센터 구축)
아이디어 개요:

AI 발전에 필요한 대규모 컴퓨팅 파워를 지원하기 위해, 전통적인 hyperscale 데이터 센터보다 빠르고 저렴하게 구축할 수 있는 데이터 센터 솔루션 개발.
소프트웨어와 로봇 기술을 활용해 데이터 센터의 건설, 운영, 관리 전 과정을 자동화하는 “lights out” 데이터 센터를 목표로 함.

왜 필요한가?

컴퓨팅 수요 증가: 최신 AI 모델(DeepSeek R1, O1/O3 등)의 발전으로 인해 학습 및 추론에 필요한 GPU 및 컴퓨팅 클러스터의 수요가 폭발적으로 증가.
기존 인프라의 한계: 기존 hyperscale 데이터 센터 프로젝트는 수년이 걸리며, 현재의 빠른 AI 발전 속도를 따라가기 어렵고, 비용 부담도 큼.
경쟁력 확보: 저렴하고 빠르게 확장 가능한 데이터 센터는 AI 스타트업 및 기업들이 경쟁력 있는 서비스를 제공하는 데 핵심 인프라로 작용.

미래 가능성:

자동화된 인프라: 데이터 센터 건설부터 운영까지 전 과정을 소프트웨어와 로봇이 자율적으로 관리하는 시스템이 보편화될 전망.
비용 절감 및 확장성: 비용 효율적이고 빠르게 구축되는 데이터 센터는 AI 서비스의 확장과 글로벌 경쟁력 확보에 중요한 역할.
신규 비즈니스 모델: 데이터 센터 운영 효율성을 극대화하여, 클라우드 컴퓨팅 비용을 낮추고, 이를 기반으로 AI 서비스 비용 경쟁력을 강화.

실현을 위해 필요한 요소:

최신 건설 및 자동화 기술: 로봇 공학, IoT, AI 기반 건설 관리 시스템 등 데이터 센터 자동화를 지원하는 기술 도입.
전력 및 냉각 솔루션: 에너지 효율이 높은 전력 공급과 첨단 냉각 기술(예: 액체 냉각, 자연 냉각) 확보.
소프트웨어 관리 플랫폼: 데이터 센터의 모든 요소를 실시간 모니터링하고 최적화할 수 있는 중앙 관리 시스템.
대규모 투자와 파트너십: 인프라 투자에 관심 있는 벤처, 정부 및 민간 투자자와의 협력 체계 마련.

3. Compliance and Audit (컴플라이언스 및 감사를 위한 자동화 도구)
아이디어 개요:

규제 문서, 내부 정책, 재무 보고 등 방대한 데이터를 LLM을 활용해 자동으로 분석 및 감시하는 시스템 구축.
기존 수작업으로 이루어지는 감사 및 규제 준수 과정을 자동화해 효율성과 정확도를 높임.

왜 필요한가?

규제 환경 복잡성 증가: GDPR, Dodd-Frank, AML/KYC, ESG 보고 등 규제가 계속 확산되면서 수작업 감사의 부담과 비용이 증가.
비용 및 시간 절감: LLM 기반 자동화 도구는 대규모 문서를 한 번에 분석하여, 기존에 사람이 샘플링하여 처리하던 방식보다 훨씬 신속하고 정확하게 이상 징후를 발견할 수 있음.
실시간 모니터링: “지속적 감사” 기능을 통해 모든 데이터를 실시간으로 분석하고 문제를 사전에 감지할 수 있는 체계 마련.

미래 가능성:

자동화 감사 생태계: AI가 전 세계 기업의 모든 감사를 실시간으로 수행하는 시스템 구축 가능.
규제 준수 혁신: 기업들이 규제 준수에 드는 비용과 시간을 크게 줄이고, 투명성을 높여 투자 및 시장 신뢰도를 향상시킬 수 있음.
데이터 기반 의사결정: 대량의 데이터를 실시간 분석해 기업 내부 정책 및 규제 개선에 기여하는 새로운 인사이트 제공.

실현을 위해 필요한 요소:

고성능 LLM 모델: 다양한 분야의 규제 문서와 기업 데이터를 효과적으로 분석할 수 있는 모델 개발.
데이터 파이프라인 및 통합: 기업 내부의 여러 데이터 소스를 효과적으로 수집, 정제, 통합할 수 있는 기술 인프라.
도메인 전문 지식: 규제, 감사, 금융 등 특정 도메인의 전문 지식을 반영한 모델 튜닝 및 피드백 시스템.
실시간 모니터링 시스템: 데이터 스트림을 지속적으로 분석하여 이상 징후를 자동으로 보고하는 시스템.

4. DocuSign 2.0 (AI 기반 전자 서명 및 문서 관리 솔루션)
아이디어 개요:

기존 DocuSign과 같은 전자 서명 플랫폼의 한계를 극복하고, AI를 활용해 문서 생성, 자동 완성, 오류 수정, 용어 설명 등을 제공하는 혁신적 문서 관리 도구 개발.
사용자 맞춤형 템플릿 생성 및 음성 에이전트를 통한 서명 지원 기능 포함.
왜 필요한가?

문서 작업의 비효율성: 세금, 계약서, NDA 등 복잡한 문서 작업에서 반복 입력, 오류 수정, 이해하기 어려운 조항 등으로 인한 업무 마찰 발생.
고객 경험 향상: AI를 활용해 문서 작성 과정을 자동화하고, 음성 에이전트 등이 사용자에게 친절하게 안내함으로써 사용 편의성과 효율성을 크게 향상시킬 수 있음.
비즈니스 연계성: 다양한 소프트웨어와의 통합이 용이해져 업무 프로세스 전반에 걸쳐 문서 관리의 자동화가 가능해짐.

미래 가능성:

문서 자동화 생태계: 기존의 전자 서명 플랫폼을 넘어, 문서 생성부터 수정, 검증까지 전 과정을 AI가 담당하는 생태계 조성.
맞춤형 서비스: 사용자의 과거 데이터 및 선호도를 바탕으로 자동 맞춤화된 문서 템플릿과 서비스 제공.
글로벌 확장: 복잡한 다국어, 법률 문서 작업 등에서 AI의 도움을 받아 전 세계 시장에 적합한 솔루션 개발.
실현을 위해 필요한 요소:

AI 기반 템플릿 생성 기술: 기존 문서에서 변수를 추출하고, 자동으로 템플릿을 생성할 수 있는 자연어 처리 기술.
사용자 데이터 연동: 사용자 데이터(이전 입력, 공개 데이터 등)를 안전하게 활용할 수 있는 데이터 통합 및 개인정보 보호 기술.
음성 인식 및 대화형 에이전트: 문서 작성 시 사용자와 상호작용할 수 있는 음성 기반 에이전트 개발.
소프트웨어 통합 플랫폼: 다양한 기존 업무 툴과의 원활한 연동을 위한 API 및 통합 인프라 구축.

5. Browser & Computer Automation (웹/컴퓨터 자동화)
아이디어 개요:

AI 에이전트가 웹 브라우징 및 데스크톱 애플리케이션을 자율적으로 사용할 수 있도록 하는 기술 개발.
이를 통해 웹사이트 및 애플리케이션들이 사실상 API로 활용될 수 있으며, 인간이 수행하는 거의 모든 컴퓨터 기반 작업을 자동화 가능하게 함.

왜 필요한가?

자동화의 확대: AI 에이전트가 이제 단순 보조를 넘어 직접 웹 탐색, 데이터 입력, 양식 작성, 정보 수집 등 다양한 작업을 수행할 수 있음.
효율성 극대화: 수작업으로 처리하던 복잡한 업무 프로세스를 AI가 대체함으로써 생산성을 획기적으로 향상시킬 수 있음.
새로운 사용 사례: 웹 스크래핑, 자동화된 고객 지원, 온라인 마케팅 등 다양한 영역에서 AI 에이전트의 응용 가능성이 확대됨.

미래 가능성:

API의 대체: 모든 웹사이트와 애플리케이션이 사실상 AI 에이전트용 API를 내장하는 시대 도래.
자동화 시장의 폭발적 성장: AI 에이전트를 활용한 업무 자동화 솔루션이 기업 내외부에서 광범위하게 채택되어 새로운 산업 생태계 형성.
비즈니스 프로세스 혁신: 인간의 개입 없이도 AI 에이전트가 업무를 전면 자동화하여, 조직 전체의 운영 효율성을 극대화.
실현을 위해 필요한 요소:

고성능 AI 에이전트 모델: 다양한 환경에서 안정적으로 동작할 수 있는 LLM 및 에이전트 시스템.
웹/애플리케이션 자동화 인터페이스: 각 사이트와 애플리케이션의 UI를 효과적으로 제어할 수 있는 자동화 API 혹은 인터페이스 개발.
보안 및 개인정보 보호: AI 에이전트가 데이터를 안전하게 처리할 수 있도록 하는 보안 기술 및 규제 준수 체계 마련.

6. AI Personal Staff for Everyone (모든 이를 위한 AI 개인 비서)
아이디어 개요:

고가의 개인 비서 서비스를 AI 기술로 대체하여, 모든 사람들이 개인 맞춤형 서비스를 받을 수 있도록 하는 솔루션 개발.
기존에 부유층만 이용하던 개인 서비스(예: 세무, 법률, 건강 관리 등)를 AI를 통해 대중화하는 목표.
왜 필요한가?

서비스 민주화: 고가의 인적 서비스(개인 비서, 세무사, 변호사 등)를 AI로 대체함으로써, 일반 사용자도 저렴한 비용으로 고품질 개인 서비스를 이용할 수 있음.
생산성 향상: 개인 업무와 일상 관리, 일정, 문서 작성 등을 AI가 대신해 처리하면, 사용자는 핵심 업무와 창의적인 활동에 집중할 수 있음.
비용 절감: 기존 인건비 대비 AI 서비스 도입 시 비용 효율성이 극대화되어, 더 많은 사람들이 경제적 부담 없이 개인 맞춤형 지원을 받을 수 있음.
미래 가능성:

개인화된 ‘자비스’ 시대: 각 개인의 데이터와 선호도를 기반으로 최적화된 AI 비서가 등장해, 일상 생활 및 업무에서 거의 모든 비서 역할을 대신.
서비스 산업의 패러다임 전환: 부유층에 한정되던 고급 개인 서비스가 대중화되고, 이를 통한 새로운 시장(예: 개인화 금융, 건강 관리, 교육 서비스 등)이 형성됨.
시장 확장: 글로벌 시장에서 개인 AI 비서 서비스의 수요가 폭발적으로 증가하며, 관련 산업 생태계가 크게 성장.
실현을 위해 필요한 요소:

정교한 개인화 알고리즘: 사용자의 행동, 선호, 과거 데이터를 효과적으로 반영할 수 있는 AI 모델 개발.
데이터 프라이버시 및 보안: 민감한 개인 데이터를 안전하게 다룰 수 있는 데이터 보호 기술 및 정책.
통합 서비스 플랫폼: 다양한 개인 서비스(일정 관리, 금융, 건강 등)를 통합 관리할 수 있는 플랫폼 구축.
사용자 인터페이스: 직관적이고 사용자 친화적인 인터페이스 및 음성/대화형 에이전트 개발.

7. Devtools for AI Agents (AI 에이전트 개발 도구)
아이디어 개요:

AI 에이전트를 구축, 배포, 관리할 수 있도록 지원하는 개발 도구 및 플랫폼을 제공하는 스타트업.
에이전트 빌더와 빌딩 블록(API, 플랫폼, 툴킷 등)을 통해 개발자들이 AI 에이전트를 쉽게 개발할 수 있도록 지원.
왜 필요한가?

에이전트 확산: AI 에이전트가 다양한 산업과 일상에서 활용되기 위해서는 개발자들이 쉽게 커스텀 에이전트를 만들고 배포할 수 있는 도구가 필요함.
생태계 조성: 개발 도구가 체계적으로 지원되면, 에이전트 기반의 애플리케이션이 폭발적으로 늘어나고, 이는 전체 소프트웨어 생태계를 혁신할 수 있음.
효율성 및 생산성: 에이전트 개발 도구를 통해 개발 주기가 단축되고, 기술 표준이 정립되면, 더 많은 창업자들이 AI 에이전트를 활용한 솔루션을 빠르게 출시할 수 있음.
미래 가능성:

에이전트 기반 혁신: 수많은 산업에서 AI 에이전트를 활용해 업무 자동화 및 혁신이 촉진되며, 전반적인 생산성이 크게 향상됨.
개발자 커뮤니티 확산: 강력한 개발 도구와 플랫폼은 AI 에이전트 개발 생태계를 활성화하여, 다양한 스타트업과 오픈 소스 프로젝트를 촉진함.
플랫폼 독점: 에이전트 개발 도구 시장에서 선점 효과를 거두면, 관련 생태계 내에서 높은 수익 모델과 네트워크 효과가 발생할 수 있음.
실현을 위해 필요한 요소:

사용자 친화적인 SDK/API: 개발자가 쉽게 커스텀 에이전트를 제작할 수 있도록 하는 개발 키트와 API 제공.
모듈식 아키텍처: 에이전트의 다양한 기능(추론, 실행, 데이터 연동 등)을 모듈화하여 확장 가능한 시스템 구축.
통합 개발 환경(IDE): 에이전트 개발, 디버깅, 배포를 원활하게 할 수 있는 통합 개발 도구 제공.
커뮤니티 및 지원 생태계: 개발자 포럼, 문서, 튜토리얼, 예제 프로젝트 등으로 활발한 커뮤니티 형성.

8. The Future of Software Engineering (미래의 소프트웨어 엔지니어링)
아이디어 개요:

LLM이 코드 작성, QA, 배포, 보안, 운영 등 소프트웨어 개발의 대부분을 자동화하는 시대를 대비해, 소프트웨어 엔지니어들이 에이전트를 관리하는 도구와 플랫폼 구축.
소프트웨어 개발자들이 직접 코드를 작성하기보다는, 에이전트 팀을 감독하고 관리하는 역할로 전환하는 미래를 예측.
왜 필요한가?

개발 비용 절감: LLM 및 AI 에이전트가 개발 비용을 획기적으로 낮출 수 있으나, 여전히 인간의 감독과 관리가 필요함.
효율성 증대: 소프트웨어 개발의 여러 단계를 AI가 처리하면서, 개발 주기를 단축하고 품질을 높일 수 있음.
새로운 업무 모델: “한 명의 개발자가 수십 대의 에이전트를 지휘”하는 방식으로 전환되어, 인력의 효율적 배분과 생산성 향상에 기여.
미래 가능성:

소프트웨어 개발 패러다임 전환: 에이전트 관리 및 통합 플랫폼을 통해, 개발자들이 전략적이고 창의적인 업무에 집중할 수 있는 환경 조성.
초대형 프로젝트의 효율적 관리: 에이전트를 활용한 대규모 소프트웨어 프로젝트가 기존 인력 대비 훨씬 낮은 비용과 시간으로 진행될 수 있음.
시장 확대: AI가 주도하는 소프트웨어 엔지니어링 분야에서 새로운 스타트업들이 등장하며, 소프트웨어 산업의 혁신을 이끌 전망.
실현을 위해 필요한 요소:

관리용 대시보드 및 통합 플랫폼: 에이전트의 작업을 모니터링, 조율, 분석할 수 있는 중앙 관리 시스템.
자동화 및 협업 도구: 에이전트 간의 협업 및 코드 리뷰, 보안 점검 등을 자동화할 수 있는 도구.
교육 및 전환 지원: 기존 개발자들이 에이전트 관리자로 전환할 수 있도록 하는 교육 프로그램과 전환 도구 마련.

9. AI Commercial Open Source Software (AICOSS)
아이디어 개요:

오픈소스 AI 기술이 증가하면서, 이를 활용한 상용 지원 및 서비스를 제공하는 스타트업.
오픈소스 프로젝트의 기술 지원, 컨설팅, 커뮤니티 구축 및 상용 솔루션을 제공하는 비즈니스 모델.
왜 필요한가?

오픈소스와 상용 지원의 간극: 구글, 페이스북 등 대기업은 오픈소스 도구를 배포하지만, 상용 지원 서비스에는 집중하지 않아 이를 채워줄 기회가 존재.
기업의 활용 확대: 기업들이 오픈소스 AI를 도입할 때 기술 지원 및 통합이 필요하며, 이를 전문적으로 제공하는 서비스에 대한 수요가 증가함.
생태계 강화: 오픈소스 커뮤니티와 상용 지원이 결합하면, 기술의 발전과 시장 채택이 동시에 이루어져, 글로벌 AI 생태계를 촉진할 수 있음.
미래 가능성:

상용 오픈소스 생태계: AI 오픈소스 기술을 기반으로 한 상용 솔루션이 확산되어, 전 세계 기업들이 이를 활용한 혁신적인 서비스를 도입할 것.
비즈니스 모델 다양화: 소프트웨어 라이선스, 구독, 컨설팅, 맞춤형 지원 등 다양한 수익 모델이 등장할 수 있음.
실현을 위해 필요한 요소:

포괄적인 지원 인프라: 오픈소스 AI 도구에 대한 설치, 유지보수, 최적화 서비스를 제공할 수 있는 기술력과 인력.
커뮤니티 및 파트너십: 오픈소스 프로젝트와 협력하여, 상용 솔루션 개발 및 기술 지원 체계를 구축할 수 있는 네트워크.
고객 맞춤형 솔루션: 다양한 산업의 요구에 맞게 오픈소스 기술을 커스터마이즈하고 통합할 수 있는 솔루션 개발 능력.

10. AI Coding Agents for Hardware-Optimized Code (하드웨어 최적화 코드 생성을 위한 AI 코딩 에이전트)
아이디어 개요:

Nvidia의 CUDA 코드처럼, 하드웨어 성능을 극대화하기 위한 시스템 레벨 코드(커널, 드라이버 등)를 AI가 생성하도록 하는 도구 개발.
DeepSeek R1, OpenAI o1/o3와 같은 모델을 활용해, 인간 개발자보다 효율적이고 최적화된 코드를 자동으로 생성하는 것을 목표로 함.
왜 필요한가?

하드웨어 경쟁력 강화: 경쟁 하드웨어(AMD, 맞춤형 실리콘 등)가 Nvidia와 경쟁하려면, 소프트웨어 최적화가 필수.
개발 인력 부족 문제: 시스템 레벨 코드는 작성이 복잡하고 전문성이 요구되는데, AI 에이전트가 이를 대신할 수 있다면 개발 효율성과 성능 모두 향상될 수 있음.
독립성 확보: 특정 하드웨어 제조사에 대한 종속도를 낮추고, 다양한 하드웨어에서 최적화된 코드를 생성할 수 있는 기술이 필요함.
미래 가능성:

하드웨어 생태계 재편: AI가 생성한 최적화 코드를 통해, 다양한 하드웨어가 Nvidia와 경쟁할 수 있는 기반 마련.
소프트웨어 개발 패러다임 변화: 개발자들이 직접 복잡한 시스템 코드를 작성하지 않고, AI 도구를 활용해 빠르고 효율적인 개발이 가능해짐.
실현을 위해 필요한 요소:

고성능 LLM 및 튜닝: 시스템 레벨 프로그래밍 언어와 알고리즘에 특화된 모델 개발 및 지속적인 개선.
도메인 전문 지식 통합: 하드웨어 아키텍처, 운영체제, 병렬 컴퓨팅 등 관련 도메인 전문가와의 협업을 통한 모델 교육.
검증 및 평가 체계: AI가 생성한 코드의 안정성, 성능, 보안성을 검증할 수 있는 테스트 프레임워크 구축.

11. B2A: Software Where the Customers Will All Be Agents (고객이 에이전트인 소프트웨어)
아이디어 개요:

인터넷 트래픽의 상당 부분이 AI 에이전트(스크래퍼 등)에 의해 발생하는 점을 활용하여, 고객이 실제로 에이전트인 환경에 특화된 소프트웨어와 서비스를 개발하는 것.
예를 들어, 에이전트들이 호스팅 크레딧을 결제하거나, 여행 예약, 계약 체결 등을 에이전트끼리 원활하게 수행할 수 있도록 하는 API 및 플랫폼 제공.
왜 필요한가?

에이전트 간 상호작용의 증가: 앞으로 웹 및 앱에서 AI 에이전트가 주요 사용자로 등장할 가능성이 높아짐.
전용 서비스 수요: 기존 소프트웨어는 인간 사용자를 대상으로 설계되었으나, 에이전트들이 원활하게 작동할 수 있도록 지원하는 서비스가 필요함.
새로운 비즈니스 모델: 에이전트 전용 경제 및 생태계가 형성되면, 이를 위한 결제, 계약, 관리 등의 새로운 시장이 열릴 수 있음.
미래 가능성:

에이전트 경제의 성장: 에이전트가 주 고객이 되는 서비스 생태계가 형성되면서, AI 에이전트 전용 금융, 계약, 운영 플랫폼 등이 등장할 것.
자동화된 상호작용: 인간과 에이전트, 에이전트와 에이전트 간의 상호작용이 더욱 정교해져, 비즈니스 프로세스 전체가 자동화될 수 있음.
실현을 위해 필요한 요소:

에이전트 전용 API 및 플랫폼: 에이전트 간 상호작용을 위한 표준 API와 개발 도구 마련.
보안 및 신원 확인: 에이전트가 실제 고객인지를 검증하고, 부정 행위를 방지할 수 있는 인증 및 보안 기술.
시장 분석 및 고객 정의: 에이전트를 대상으로 한 소프트웨어의 사용자 요구와 비즈니스 모델을 명확히 정의하는 전략 수립.


12. Vertical AI Agents (수직 산업 특화 AI 에이전트)
아이디어 개요:

특정 산업(세무, 의료, 법률, 고객 지원 등)에 특화된 AI 에이전트를 개발하여, 해당 분야의 업무를 완전히 자동화하거나 혁신하는 솔루션.
기존 “ChatGPT 래퍼” 수준을 넘어, 실제 산업 환경에서 유의미하게 작동할 수 있는 에이전트 시스템 구축.
왜 필요한가?

업무 자동화 및 혁신: 수직 산업별 특화 AI 에이전트는 기존 B2B SaaS가 단순 효율성을 높이는 수준을 넘어, 전면 자동화로 전환할 잠재력이 큼.
깊은 도메인 이해: 각 산업의 복잡한 프로세스와 규정을 이해하고 통합하는 에이전트는, 인간 수준의 업무를 대신 수행할 수 있음.
시장 기회 확대: 이미 다양한 산업에서 AI 도입의 초기 성공 사례가 있으며, 이를 바탕으로 더욱 발전된 솔루션이 등장할 여지가 큼.
미래 가능성:

대규모 산업 자동화: 특정 산업 전반에서 인간 업무를 대체하거나 보완하는 AI 에이전트가 보편화되면, 업무 효율성 및 생산성이 극대화될 것.
새로운 프라임 기업 탄생: 수직 AI 에이전트를 통해 새로운 산업 리더(예: AI 기반 세무, 의료, 법률 솔루션 제공 업체)가 등장할 가능성.
시장 독점 효과: 성공적인 vertical AI 에이전트는 해당 산업 내 독점적 지위를 확보하여, 빠른 성장과 높은 시장 가치를 창출할 수 있음.
실현을 위해 필요한 요소:

산업별 도메인 전문성: 해당 산업의 전문가와 협력하여, 필요한 업무 프로세스와 규제, 고객 요구사항을 정확히 이해하는 것이 필수.
맞춤형 AI 모델: 일반적인 LLM을 도메인 특화 데이터로 미세 조정하여, 산업별 고유의 요구를 충족시키는 모델 개발.
시스템 통합 및 레거시 시스템 연동: 기존 산업 시스템과 원활하게 통합할 수 있는 API와 인터페이스 개발.
파일럿 및 검증 프로젝트: 실제 산업 현장에서 테스트하고 피드백을 받아 지속적으로 개선할 수 있는 파일럿 프로그램 운영.

13. Startup Founders with Systems Programming Expertise (시스템 프로그래밍 전문 창업자 육성)
아이디어 개요:

AI 및 시스템 최적화 기술의 발전에 기여한 저수준 시스템 프로그래밍 전문가들이 창업 아이디어를 실행할 수 있도록 지원하는 스타트업 및 인큐베이터 모델.
Google, John Carmack, id Software 등 역사적으로 시스템 최적화를 통해 혁신을 이끌어온 사례를 벤치마킹.
왜 필요한가?

리소스 최적화: 제한된 하드웨어 자원을 극대화하여 성능을 끌어올리는 기술은 AI 발전에 결정적인 요소임.
차별화된 경쟁력: 시스템 전반을 이해하고 최적화할 수 있는 인재는 다른 창업자들과의 경쟁에서 큰 우위를 제공함.
전체 스택 혁신: 하드웨어부터 소프트웨어까지 전체 시스템을 최적화할 수 있는 창업자들이 등장하면, 산업 전반에 혁신을 가져올 수 있음.
미래 가능성:

산업 생태계 재편: 시스템 프로그래밍 전문 창업자들이 주도하는 스타트업은 기존의 대기업과 달리 비용 효율적이고 혁신적인 인프라를 구축할 가능성이 큼.
신기술 표준 제시: 이런 창업자들이 개발한 기술은 산업 표준으로 자리잡아, 전반적인 기술 발전 속도를 높이고 경쟁력을 강화할 것.
글로벌 경쟁력: 한국과 같이 우수한 인재 풀을 보유한 국가에서는, 이 분야에 집중하여 글로벌 시장에서 독자적인 기술력과 경쟁력을 확보할 수 있음.
실현을 위해 필요한 요소:

전문 인재 육성 프로그램: 시스템 프로그래밍, 하드웨어 최적화, AI 모델 최적화 등 심도 있는 기술 교육과 인턴십 프로그램 구축.
연구 및 개발 인프라: 고성능 컴퓨팅 자원, 오픈소스 프로젝트 지원, 연구 자금 등 혁신적인 R&D 환경 마련.
멘토링 및 네트워킹: 해당 분야의 선배 창업자, 연구자, 산업 전문가들과의 네트워킹 및 멘토링 체계 구축.


14. Inference AI Infrastructure in the World of Test-Time Compute (추론 시 컴퓨팅을 위한 AI 인프라)
아이디어 개요:

AI 앱이 실제 모델 추론 단계에서 발생하는 컴퓨팅 비용을 절감하고, 최적화할 수 있는 인프라와 소프트웨어 툴 개발.
기존에는 주로 학습(Pre-training)에 집중되었던 컴퓨팅 투자가, 이제는 실제 서비스에서 추론(Inference) 비용이 핵심 이슈로 대두됨.
왜 필요한가?

추론 컴퓨팅 수요 증가: AI 앱이 복잡한 추론 모델을 호출하는 빈도가 폭발적으로 증가하면서, 인프라 비용이 급증하고 있음.
비용 효율성: 효율적인 추론 인프라는 AI 서비스의 전체 운영 비용을 크게 낮추고, 이를 통해 더 많은 스타트업과 기업이 AI 서비스를 제공할 수 있도록 지원함.
스케일 문제 해결: 대규모 API 호출 및 실시간 응답을 요구하는 서비스 환경에서, GPU 및 클라우드 비용 최적화가 필수적임.
미래 가능성:

인프라 혁신: AI 추론에 최적화된 소프트웨어 스택과 하드웨어 솔루션이 등장하면, AI 서비스 비용 경쟁력이 극대화됨.
신규 시장 창출: 비용 효율적인 추론 인프라를 통해, 소규모 스타트업도 대형 기업과 경쟁할 수 있는 환경 조성.
전체 생태계의 성장: AI 서비스의 확산과 함께, 추론 비용 최적화 기술은 클라우드 컴퓨팅 및 데이터 센터 산업 전반에 긍정적 영향을 미칠 것.
실현을 위해 필요한 요소:

추론 최적화 소프트웨어: GPU 워크로드를 효과적으로 분산하고, 최적화된 알고리즘 및 스케줄링 기술 개발.
새로운 하드웨어 솔루션: 비용 효율적이면서도 성능이 뛰어난 GPU/TPU 및 맞춤형 하드웨어 개발.
인프라 관리 플랫폼: AI 추론 서비스의 성능과 비용을 실시간으로 모니터링하고 최적화할 수 있는 관리 툴 구축.
대규모 투자 및 파트너십: 클라우드 제공 업체, 데이터 센터 운영사 등과의 협력을 통해, 새로운 인프라 솔루션을 신속히 상용화할 수 있는 지원 체계 마련.

(링크인 창업자와 퓰리쳐 상 수상 암생물학자가 창업한 AI 신약 개발사)

==============
AI 신약 개발사, Manas AI가 $24.6M의 시드 펀딩을 받으며 등장하였다.

이 회사는 페이팔과 링크인 공동창업자인 Reid Hoffman과 저명한 암생물학자, Siddhartha Mukherjee 콜롬비아 의대 교수가 창업한 회사이다.

CEO 직을 맡고 있기도 한 Mukherjee 교수는 “The Emperor of all Maladies: A Biography of Cancer (암: 만병의 황제의 역사)” 라는 저서로 퓰리쳐 상을 수상한 작가이기도 하다.

이번 시드 펀딩은 General Ctalyst와 Greylock, Hoffman이 참여하였고, 이 회사는 우선 항암제 개발에 집중할 계획이다.

Manas AI의 과학자문단이 화려한데, 노벨상 수상자인 매사추세츠 대 Craig Mello 교수, PI3K과 PTEN를 발견한 하버드대 Lew Cantley 교수 등을 유명 과학자들을 다수 포함하고 있다.

=============
(written by 심수민, 파트너스인베스트먼트)

텔레그램 채널: https://news.1rj.ru/str/global_biohealthcare_news

https://techcrunch.com/2025/01/27/reid-hoffmans-manas-ai-raises-24-6m-a-fraction-of-other-ai-drug-discovery-startups/

AI를 단순 도구가 아니라 마케팅 팀의 한 구성원처럼 활용하는 방법을 모색.
프롬프트 입력과 피드백 과정을 통해 원하는 결과를 도출하는 워크플로우를 강조함.
“프롬프트 엔지니어링”을 통해 브랜드 네이밍, 카피라이팅, 디자인 등 다양한 마케팅 요소를 AI로 생성하고 지속적으로 개선하는 방법을 소개.

브랜드 네이밍 및 카피라이팅:
구체적인 템플릿과 예시를 통해 가방 브랜드, 뷰티 브랜드 등 다양한 사례를 다룸.
AI에게 구체적인 디렉션(예: “브랜드에 어울리는 이름 10개 생성”)을 주고, 생성된 결과에 대해 피드백하는 과정을 통해 최종 산출물을 도출.

비주얼 콘텐츠 생성:
미드저니와 같은 도구를 사용해 로고, 무드보드, 애니메이션 등 시각적 자료를 빠르게 제작하는 사례 소개.
디자인 팀 없이도 AI를 활용해 고품질의 디자인 초안을 생성하고 이를 수정, 보완하는 과정을 설명.

https://youtu.be/MhqsJioNK8M

2007년, 팔란티어 데모를 본 후 "엑셀의 CONCAT 함수 작업을 대폭 줄여줄 혁신적인 제품"이라는 확신을 얻음🤣
정부에서 “우리가 필요한 것은 제품을 직접 구매하는 것이 아니라, 이미 만들어진 것을 활용하는 것”이라는 의견을 내세웠으나, 내부 규정 때문에 받아들여지지 않음
이로 인해 정부 내에서의 변화 불가능성과 비효율성에 실망하여 결국 민간 부문(팔란티어)으로 이직

Founders Fund에서의 역할 및 투자 철학

정부와 협력하는 스타트업에 집중하되, 단순히 국방 분야뿐 아니라, 교통, 법 집행, 아동 복지 등 광범위한 정부 부문에 걸친 기회를 모색
미국 정부는 세계 최대의 IT 구매자임에도 불구하고, 기술 채택에 있어 보수적이고 관료적인 한계를 보임
정부 영업(세일즈) 전략이 매우 어렵고, 반복 가능한 판매 모션을 구축하지 못해 많은 기업이 실패하는 원인이 됨

스타트업 창업자들의 자질과 정부 진출 시 고려 사항

정부와의 거래는 “빠른 0→100 성장”이 아니라, 긴 시간 동안 낮은 계약 규모로 진행됨
창업자가 정부와 일하고자 한다면, 정부의 느린 실행 속도와 비현실적인 기대에 대해 ‘냉소적(cynical)’인 자세가 필요함
“내 계획은 단기간에 100백만 달러를 벌 것이다”라는 비현실적인 낙관론은 즉시 배제됨

하드웨어 vs. 소프트웨어 투자 및 경제적 인센티브
경제 지표 및 배수 차이

소프트웨어 회사는 높은 마진(예: 80% 이상)과 높은 성장률을 보이며, 투자 배수가 높음(10~20배 매출 기준)
반면, 하드웨어 회사는 마진이 낮고 (평균 2060% 수준), 방위산업과 같이 큰 프라임 계약을 받는 기업들은 710%의 낮은 마진과 낮은 배수(2~4배)를 기록함
이로 인해 투자자들은 높은 마진의 소프트웨어보다는, 독점적인 위치를 가진 ‘니치’ 하드웨어 회사를 선호할 가능성이 있음

Founders Fund의 투자 전략

높은 배수가 아니더라도, 시장 내 독점적 지위를 확보한 회사에 투자하여 장기적으로 높은 성장률과 시장 점유율 확대를 기대함
경쟁이 치열한 산업보다 독점적 위치를 가진 기업에 투자하는 것이 더 안정적인 성과를 낼 수 있다는 전략적 판단

https://youtu.be/_f2xkvcr7vE?si=sSOAdnGQGS-a5Aey

OpenAI의 기술은 “드론 위협을 보다 빠르고 정확하게 평가하여 운영자가 위험을 피하면서 더 나은 결정을 내리는 데 필요한 정보를 제공하는 데 사용될 것”입니다.

전 세계의 국방 및 정보 기관은 대규모 언어 모델을 사용하여 방대한 양의 정보를 선별하거나 심문 오디오 데이터를 빠르게 전사하고 분석하는 데 큰 관심을 표명해 왔습니다.

https://theintercept.com/2024/10/25/africom-microsoft-openai-military/

### 1.2. 실제로 돈을 버는 기업은 어디인가?

- 하드웨어 기업(Nvidia 등)
- GPU 같은 하드웨어를 공급하는 엔비디아(Nvidia)가 비교적 확실한 수익을 얻고 있다고 언급된다.
- 수요 증가(데이터센터 건립, GPU 구매)가 이어질수록 엔비디아의 매출과 이익은 증대될 것으로 보인다.
- 하이퍼스케일러(클라우드 기업)
- 아마존(AWS), 마이크로소프트(Azure), 구글 클라우드 등은 AI 모델을 호스팅 및 판매(클라우드 렌탈)하며 수익 창출.
- 그러나 대형 GPU 클러스터 건립에 따른 초기 캡엑스(설비 투자) 부담이 매우 크다.
- AI 연구·서비스 기업(오픈AI·앤트로픽 등)
- 현재 연구와 개발에 막대한 비용 투입 중이며, 수익은 “챗봇 API” 판매와 기업 도입 사례에서 일부 발생하나 투자 대비 이익을 내지 못하는 상황이 많다.
- 다만, 향후 AGI 달성 시점에서 폭발적인 수익을 올릴 수 있다는 기대감(“투자 논리”)으로 막대한 자금이 유입되고 있다고 평가된다.

## AGI vs. 기존 빅테크: ‘승자 독식’인가?

### 2.1. AGI 시대에 여럿이 공존할 가능성

- 완전한 의미의 ‘AGI’가 가까운 미래(2~5년 내)에 등장하더라도, 실제로 이 기술을 시장에 대규모 배포하기 위해서는 막대한 비용과 인프라가 필요하다.
- 빅테크(구글, 마이크로소프트, 메타)는 이미 거대한 플랫폼/서비스/데이터를 갖추고 있으므로, AI를 자사 서비스에 녹여 더욱 강력한 수익 모델을 구축할 것이다.
- 반면, 오픈AI·앤트로픽 같은 AI 특화 연구소/기업은 모델의 ‘정점(capability)’을 만들어내는 데 강점이 있으나, 그 자체가 시장을 완전히 독점할 것인지는 미지수다.

### 2.2. 특정 모델/기업이 전부를 차지하지 않을 가능성

- “AI 모델”의 핵심 기능(추론, 생성 등)이 급속히 ‘상품화(commodity)’될 수 있다는 분석.
- 이미 GPT-3 수준은 저비용 혹은 오픈소스 대체모델에 의해 대체 가능해졌고, GPT-4 수준도 점차 경쟁자가 생기면 비용이 하락할 수 있다.
- 현 시점에서도 많은 스타트업이 ‘API 래퍼(Wrapper)’ 수준으로 오픈AI 등 대형 모델을 활용해 부가가치를 만들어낸다. 향후 모델 비용이 더 내려가면, AI 모델 제공업체가 여러 곳으로 분산될 수 있음.
- 결론적으로, 대형 AI 기업이 여러 곳에서 공존하며, 각자 특화된 방식으로 수익과 가치를 창출하게 될 것으로 전망.

## 3. 에이전트(Agent)와 자기 플레이(Self-Play) 전망

### 3.1. 에이전트 개념과 현실적 어려움

- 최근 화두인 “AI 에이전트(agent)”는 자율적으로 여러 단계를 거쳐 문제를 해결하거나 작업을 수행하는 AI를 의미한다.
- 그러나 실제 웹 등 오픈 환경에서 시나리오가 복잡해지고, 단계별로 실패 확률이 누적되면 전체 성공 확률이 매우 낮아지는 문제가 있음(“nines를 곱하는 문제”).
- 자율주행(특정 도로규칙이 존재)과 달리, 일반 소프트웨어 환경은 훨씬 더 불규칙하므로 완벽한 에이전트화는 시간이 걸릴 것으로 본다.

### 3.2. 부분적 성공 사례: 제한된 도메인

- 제한된 도메인(예: 특정 사이트 예약, 특정 앱과의 통합 등)에서는 이미 에이전트형 AI 도입이 시도되고 있다(“Operator”, “OpenTable 연동” 등).
- 이러한 “Sandbox” 혹은 “전용 API” 환경을 구축하여 에이전트가 잘 동작하도록 설계할 수 있다.
- 대규모 공개 웹을 대상일 때는 문제가 훨씬 복잡해지고, 실패 가능성이 누적되어 신뢰도가 떨어진다.

## 4. 소프트웨어 엔지니어링 분야에서의 AI 영향

### 4.1. 코딩 보조 AI 확산

- 이미 많은 프로그래머가 ChatGPT, CoPilot, Cursor 등을 이용해 코드 작성 생산성을 높이고 있음.
- “SBench”라는 벤치마크 예시에서, 1년 사이 모델 성능이 4%에서 60%대로 상승하는 등 괄목할 진전을 보였다.
- 향후 1~2년 내에 더 높은 정확도와 범용성을 갖춘 코딩 에이전트가 등장할 가능성이 크다.

### 4.2. 인간 프로그래머의 역할 변화

- AI가 대규모 코드를 빠르게 작성할 수 있지만, “디버깅, 맥락 파악, 설계 의도” 등은 여전히 인간의 고유 역량이 될 가능성이 높다.
- 결국 프로그래머는 코드를 ‘직접’ 쓰기보다는, “AI 시스템을 감독·검수”하고 “도메인 전문성”을 살려 코드를 구조화하는 형태로 진화할 것이라는 전망.
- 이로 인해 프로그래밍 비용이 하락하면, 오히려 다양한 기업이 자체 맞춤형 솔루션을 빠르게 구축하는 시대가 올 수 있음.

https://youtu.be/_1f-o0nqpEI

"계속 프로그래밍을 해도 될까? 그래도 괜찮을까? 평생 프로그래밍을 할 수 있을까?"

"The Aging Programmer(나이 들어가는 프로그래머)"의 발표자 Kate Gregory는 1979년부터 개발을 시작한 40+년 경력의 개발자로 올해 63세. Microsoft의 C++ 컴파일러가 나오기전 부터 C++을 사용했고, Visual C++ MVP 이며 유명 C++ 컨퍼런스에서 자주 연사로 등장함. 국내에는 "아름다운 C++" 책이 제이펍에서 번역 출간된 바 있음. 1시간짜리 꽤 긴 발표라서 전체 스크립트를 번역 요약해봤습니다. 댓글 긱뉴스 링크에서 전체를 보세요.

발표내내 강조하는 것은 "20대·30대·40대·50대에 할 수 있는 여러 가지 실천들"이 쌓여야, 나중에 60대·70대·80대에 ‘아무것도 안 하고 편히 쉬겠다’든지 혹은 ‘계속 프로그래밍을 하겠다’든지 원하는 삶을 살 수 있게 된다는 것. "자신이 즐기는 일을 하면서 행복하게 지내는 것"이 목표라면, 이런 일은 저절로 이루어지지 않으니 미리 "대비하고 그것을 위해 노력해야 함"

이를 위한 신체 노화, 근력·지구력·유연성·균형을 위한 운동, 건강 챙기기, 기억력과 멀티 태스킹 등을 이야기.

# 인상적인 문장들

계속해서 등장하는 "새로운 것(New Stuff)"을 따라잡기 위해서는, 자신의 정체성(Identity)을 "사용하는 도구"가 아니라, "달성한 성과와 해결한 문제"로 정의해야 함

많은 사람들이 자신이 늙으면 짜증을 잘 내고, 조급해지고, 냉소적이고, 집중력이 약해질까 봐 걱정하고, 보통은 ‘나는 저 사람처럼 되고 싶지 않아’ 같은 구체적인 모델이 있기도 함. 20대에 다정하고 관대한 사람이라면, 대체로 80대에도 여전히 그렇게 지낼 가능성이 높음. 생계에 대한 걱정이 없고, 필요한 게 충족될 때 우리는 쉽게 따뜻하고 너그럽고 친절할 수 있음. 결국, 젊을 때부터 "안정적인 노년을 위한 계획"을 세우고 편안한 노후를 준비해둬야, 그 시기에 여유롭게 다른 이들에게 따뜻함과 관용을 베풀 수 있음. 지금 친절하지 않다면, 나이가 든다고 해서 마법처럼 "친절한 사람"이 되는 것은 아님. "친절해지고 싶다면 지금부터 실천"하면 됨

수면은 최고의 "디버거"이며, 신체가 상처를 치유하고 회복하는 시간

"상실은 삶의 일부"이며, 누구도 피할 수 없음. 일상에서도 작은 상실을 경험함(좋아하던 아이스크림 단종, 신체적 한계로 등산/스키등 좋아하는 활동 불가) 작은 상실도 축적되며 감정적으로 영향을 줄 수 있음. "상실을 치유하는 유일한 방법은 새로운 것을 얻는 것"임 (The only cure for loss is gain)

하지만 중요한 것은 "상실은 저절로 우리에게 찾아오지만, 무언가를 얻는 건 결국 우리가 직접 해내야 함"

"무언가를 ‘얻는’ 건 결국 여러분 몫" 그러니 나가서 새 친구를 사귀어 볼 것. 그게 가장 좋음. 많은 사람이 직장에서 친구를 사귀지만, 직장 생활이 점점 끝나가거나 오랫동안 같은 사람들과만 일하다 보면, 거기서 새 친구를 만들기는 쉽지 않음. 본인보다 한참 어린 친구도 필요함. 여러분이 20대라면 자신보다 30~40세 많은 친구를 사귀는 것을 추천. 지금 내 나이보다 3040년 아래인—그러니까 최소한 20살 이상인—젊은이들이 다가오면, 그들과도 친구가 되는 걸 두려워하지 말 것

새로운 것을 시도해보는 것도 우정과 경험을 확장하는 좋은 방법. 새로운 경험과 관계는 개인적인 "획득과 성장"의 원천이 됨

# 길고 행복한 노년을 위해

✓ 운동은 몸과 뇌를 위해 필수적: 몸을 돌보는 것은 필수이며, 이를 적으로 여기지 말아야 함
✓ 돈을 저축하되, 현재의 삶을 즐기는 것도 잊지 말 것: 자원을 쌓아두는 것이 중요하지만, 현재를 소홀히 해서는 안 됨
✓ 건강한 식습관을 유지하며 몸을 잘 관리할 것
✓ 친구를 사귀고 관계를 유지할 것: 새로운 친구를 계속 만들고, 기존의 친구 관계를 유지하며, 사회적 연결을 확대
✓ 삶에서 목적과 이유를 찾는 것이 중요

“여러분이 아무리 젊어도 너무 이른 시기는 없고, 또 제가 장담하건대 아무리 늦었다고 해도 행복하고 건강한 ‘나이 들어가는 프로그래머’가 되는 데는 결코 늦지 않습니다.”

요즘 미국에서 핫한 AI 미팅 노트 서비스 granola에 투자한 Spark Capital의 Nabeel Hyatt

Q. 그럼 이제 AI 회사로 얘기를 좀 옮겨보고 싶어요. AI 스타트업을 크게 세 분류로 나누신다고 했잖아요? 모바일 시절에 쓰던 프레임워크를 그대로 가져왔다고요. 그게 뭔가요?

A. 네, ‘적응(Adaptation), 진화(Evolution), 혁명(Revolution)’ 이렇게 세 가지예요.
-모바일 시절로 예를 들면, 적응이란 “뉴욕타임스가 모바일 앱을 만든다” 같은 거예요. 기존 걸 단순히 모바일 화면으로 옮겨놓는 수준이죠.
-진화는 ‘새로운 워크플로’를 창조하는 거예요. 예컨대 모바일 시대에 인스타그램이 그랬죠. 기존 플리커(Flickr) 같은 사진 공유가 아니라, 스마트폰 사진이라는 전혀 다른 UX를 만든 거예요. AI로 치면, 그래머리(Grammarly)나 디스크립트(Denoscript) 등이 ‘진화’에 해당하겠죠. 기존 제품의 UI/UX를 완전히 갈아엎고 AI에 맞춰 재설계하니까요.
-그리고 혁명은 “이 기술이 없었다면 상상도 못 했을” 완전히 새로운 플랫폼. 모바일 시절의 우버(Uber)처럼, “스마트폰 GPS와 결제 시스템 없이는 불가능했던 서비스”가 대표적이죠.

솔직히 지금은 ‘진화’ 형태도 아니고 그냥 ‘적응’ 수준도 안 되는, 그저 “AI 한 겹을 덧씌운” 회사들이 우후죽순이에요. 큰 혁신 없이 GPT API만 붙여서 금방 MVP 내놓는 식의 단타 전략이 많다는 거죠. 우리는 혁명이나 진화 쪽을 선호해요. 위험은 커도 임팩트가 훨씬 크니까요.

https://www.youtube.com/watch?v=_Qq4p-Ce5bs

https://lilys.ai/digest/2511446/610472?s=1&nid=610472 (한글 요약)

1. 개인/조직이 하던 업무의 일부 혹은 워크 프로세스를 줄여 시간을 절약한다.
2. 사람을 고용하기에 비싼 문제를 AI Agent를 고용해서 더 저렴하게 해결한다.
3. 사람들이 기존에 풀지 못했던 문제를 AI 덕분에 해결한다. 더 많은 케이스를 탐험해서, 더 빨라서, 새로운 것을 시도해서.

https://agile.human2humanoid.com/

1. 주요 내용
목적:
ASAP(Aligning Simulation and Real-World Physics)은 시뮬레이션과 실제 로봇 동역학 간의 차이를 줄여, 인간처럼 민첩하고 전신을 활용한 복합 동작(예: 점프, 균형, 스포츠 동작 등)을 수행할 수 있는 휴머노이드 로봇 제어 정책을 학습하는 데 초점을 맞춥니다.

전체 구조:

2단계 프레임워크
사전 학습 (Pre-training):
인간 동작 비디오에서 SMPL 파라미터를 복원하고, 이를 휴머노이드 로봇 동작으로 리타게팅(retargeting)하여, 시뮬레이션 환경에서 모션 추적 정책을 강화학습(PPO 등)으로 학습합니다.

후처리 및 미세 조정 (Post-training):
사전 학습된 정책을 실제 로봇(예: Unitree G1)에 배포하여 실제 데이터(프로프리오셉션, 관절 상태 등)를 수집한 후, 시뮬레이션과 실제 동작 간의 차이를 보정하는 delta(잔차) 액션 모델을 RL을 통해 학습합니다.
학습된 delta 액션 모델을 고정(freeze)한 채, 이를 시뮬레이터에 통합하여 정책을 미세 조정한 후, 최종적으로 delta 모델 없이 실제 환경에서 배포합니다.

2. 학습 방식
사전 학습 단계

데이터 생성 및 전처리:
인간 비디오를 기반으로 TRAM 등의 방법으로 3D 동작(SMPL 형식)을 복원한 후, 노이즈와 비물리적 오류를 제거하는 ‘sim-to-data’ 클리닝 절차를 진행합니다.
클린된 SMPL 데이터를 로봇 동작으로 리타게팅하여, DCleaned Robot이라는 데이터셋을 구성합니다.

모션 추적 정책 학습:
시간 단계(phase) 정보를 포함한 상태(프로프리오셉션 및 시간 변수)를 입력으로 하여, 목표 동작(리타게팅된 궤적)을 따라가는 정책을 강화학습(PPO)으로 학습합니다.
학습 안정성을 위해 종료 커리큘럼(Tracking Tolerance), 참조 상태 초기화(Reference State Initialization), 그리고 도메인 랜덤화 등의 기법을 도입합니다.

후처리 단계 (Delta Action 모델 학습 및 미세 조정)

데이터 수집:
사전 학습된 정책을 실제 로봇에서 실행하여, 실제 동작 궤적(프로프리오셉션, 관절 상태 등)을 기록합니다.

Delta 액션 모델 학습:
기록된 실제 궤적과 시뮬레이션 상의 재생 결과 간의 상태 차이를 최소화하는 형태로, 잔차 액션(Δa)을 출력하는 모델을 RL 기반으로 학습합니다.
이 모델은 시뮬레이터 내에서 실제 동역학과의 차이를 보정하는 역할을 합니다.

미세 조정 (Policy Fine-tuning):
고정된 delta 모델을 시뮬레이터에 통합한 후, 사전 학습된 모션 추적 정책을 미세 조정하여, 최종적으로 실제 환경에서의 동작 추적 성능을 향상시킵니다.

3. 연구 결과
정량적 성능 향상:

ASAP은 SysID(시스템 식별), 단순 도메인 랜덤화, 그리고 기존의 delta dynamics 학습 방식에 비해, 시뮬레이션 간 및 시뮬레이션→실제 전환 과정에서 모션 추적 오차(MPJPE 등)를 상당히 줄이는 성과를 보였습니다.
다양한 동작(점프, 균형, 스포츠 동작 등)에 대해, 특히 긴 시간 구간의 추적에서 성공률과 정밀도가 향상됨을 수치와 그래프로 입증하였습니다.

실제 로봇에서의 성공적인 전이:

Unitree G1 휴머노이드 로봇을 대상으로 한 실험에서, ASAP을 통해 학습된 정책이 실제 환경에서 안정적이고 민첩한 전신 동작(예: 킥, 점프, 균형 동작 등)을 성공적으로 구현함을 확인하였습니다.

비교 실험:

Baseline 방법(오픈 루프, SysID, Delta Dynamics)과 비교하여, ASAP은 전체 모션 추적 성능에서 월등한 결과를 보여주었으며, 특히 어려운 동작(난이도 높은 동작)의 경우에도 높은 성공률과 낮은 오차를 달성했습니다.

4. 한계

하드웨어 제약:
민첩한 전신 동작은 로봇 액추에이터에 큰 부하를 주어, 실험 중 일부 로봇에서 모터 과열 및 손상이 발생함. 이로 인해 실제 데이터 수집의 규모와 다양성이 제한됩니다.

모션 캡처 시스템 의존성:
실제 동작 궤적 수집을 위해 정밀한 모션 캡처(MoCap) 시스템이 필요하므로, 비구조적 환경이나 실시간 배포 상황에서는 제약이 따를 수 있음.

데이터 요구량:
전체 23-DoF에 해당하는 delta 액션 모델을 학습하기 위해서는 매우 많은 실제 동작 데이터(예: 400회 이상의 에피소드)가 필요하므로, 현재는 4-DoF(주로 발목 등 주요 관절) 모델로 축소하여 학습 효율성을 높임.

일부 환경 일반화 한계:
매우 다양한 동역학 조건이나, 예상치 못한 외부 간섭에 대해선 여전히 추가적인 보정이나 적응 메커니즘이 필요할 수 있음.

사람들은 동영상을 만들 듯이 앱을 만들 것입니다!

https://x.com/amasad/status/1886859253648122181

These AI agents will

- Talk and perform actions on Enterprise systems
- Automate workflows
- Have an understanding of Enterprise data
- Autonomously perform tasks on schedule or triggers
- Create documents, respond to emails, and chat with you on Slack

A lot of knowledge work will be automated!

Tesla가 Optimus의 생산 가이던스를 2025년 말까지 주당 600대 생산으로 설정했다는 루머에 대한 업데이트

업계 체인에 따르면 Tesla는 이미 주문을 배치했으며, 생산량이 월별로 증가하고 있습니다.

연말까지 연간 생산 능력이 3만 대에 이를 것으로 예상되며, 2026년에는 더욱 큰 확장이 이루어질 것으로 보입니다.

Tesla는 곧 Optimus의 진행 상황을 업데이트할 예정이며, 대량 생산은 2분기에 공식적으로 시작될 예정입니다.

현재 휴머노이드 로봇의 개발을 제한하는 주요 요인은 높은 비용입니다.

Tesla가 2025년에 실행 가능한 비용 절감 솔루션을 모색할 수 있다면, 올해가 휴머노이드 로봇의 대량 생산이 시작되는 첫 해가 될 것으로 기대됩니다.

테슬라 Optimus 공급망 세부 사항:

1. 공동 액추에이터 (Tier-1):
- Tesla: 가장 큰 비중, 자체 생산.
- Sanhua Holding, Tuopu Group: 소규모, 동등한 비중.
- 신규 공급업체: Zhenyu Technology (스크류 자동화 라인과 모터 매칭에 강점, 2025년 1분기 샘플 제출).
- 잠재적 공급업체: Schaeffler, Bosch (공동 연구개발 진행 중, 대량 생산 계획 없음).

2. 감속기:
- Harmonic Drive Systems (HDS): Tesla와 연구개발 및 대량 생산 협력; 2024년 9월 280억 엔 규모의 증설 계획 발표, 생산 능력 2배 확대.
- FORE Intelligent: Sanhua 및 Bosch에 공급.

3. 행성 롤러 스크류:
- Seenpin Precision Products: Tesla에 직접 공급, 가장 큰 비중; Wuzhou New Spring과 전략적 협력.
- Schaeffler Group: Tesla에 직접 공급, 일부 비중; Wuzhou New Spring과 전략적 협력.
- Sanhua Holding: 자체 사용 목적으로 소량 생산.
- 신규 공급업체: Zhenyu Technology (Tesla에 직접 공급).

4. 정교한 손:
- Tesla: 자체 개발.
- Shenzhen ZHAOWEI Machinery & Electronics Co., Ltd: 마이크로 기어박스 및 모터, Tesla에 직접 공급, 지속적인 샘플링 진행 중.
- Seenpin Precision Products: 현재 마이크로 리드 스크류의 유일한 공급업체로 Tesla에 직접 공급.
- 신규 공급업체: Zhenyu Technology (마이크로 리드 스크류, 웜 기어, Tesla에 직접 공급, 2025년 1분기 샘플 제출).

5. 프레임리스 토크 모터:
- JL MAG Rare-Earth: 자석 강판, Tesla에 직접 공급.
- 잠재적 공급업체: Kinco Automation.

6. 경량화:
- Zhejiang Rongtai: Tesla에 직접 공급.