### 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.

Deep Research 강추합니다!!

#방산 #로봇 #드론

러시아-우크라이나 전쟁 통해 향후 방산 트렌드는 '무인'이라는 확실한 방향성이 제시되었다고 보여진다. 사람이 아닌 무인기/드론/로보틱스와 AI의 조합은, 우리가 만화에서만 보던 무기체계의 모습을 직접 두 눈으로 볼 수 있는 현실이 코앞이다란 소리다.

현재 글로벌 파편화 및 러우전쟁을 통한 재래식 무기의 수요가 늘어나 있지만, 향후 3~4년 안에 주목해야할 부분은 아직 개발 중인 이러한 차세대 무기체계에 있다. 이미 미국은 이러한 무기체계의 선도에 위치하며 글로벌 패권을 유지하고 있으며, 차세대 무기체계 특성 상 플랫폼적인 성격이 강해 이러한 패권을 흔들긴 더욱 어렵게 되지 않을까 싶다.

더불어 현재 국내 기업들의 재래식 무기 수출 증대는 이러한 과도기적 타이밍을 잘 탔다고 볼 수 있으나, 향후 얼마남지 않은 차세대 무기체계의 도입 시기가 도래할수록 이 수요가 유지될 수 있을지는 미지수. 연계된 통신/플랫폼과 더불어 각 지역별 움직임을 면밀하게 살펴볼 필요가 있겠다.

https://blog.naver.com/invesqueeze/223687238341

Applied Intuition과 함께 EpiSci의 새로운 장이 시작되고, 동시에 내 여정도 함께 시작된다고 생각하니 겸손하면서도 흥미로운 기분이다.

수많은 수직 통합 자율주행 회사들이 있는 시대에, 이번 결합은 아래와 같은 점에서 돋보인다:

상업용 자율주행과 군사용 AI 조종 및 군집 제어의 결합
자동차 시장의 규모와 목적에 맞춰 설계된 국방 분야 협업 및 신뢰할 수 있는 자율성의 만남
지상 자율 영역에서 해양, 항공, 우주로 확장해 모든 영역(all-domain)을 아우르는 자율성 구현
개인적으로 가장 기대되는 부분은, 이번 인수를 통해 모든 영역과 특정 업체에 종속되지 않은 플랫폼에서 자율주행을 가로지르게 되었고, 이는 특정 플랫폼과 독점적 최적화에 기반한 기존의 폐쇄적인 수직 통합 자율주행 체계를 상당한 비용 없이도 대체할 가능성을 열어준다는 점이다.

이 꿈을 현실로 만들기 위해 Qasar Younis, Peter Ludwig, Kevin H. Chu, Jason Brown, 그리고 Applied Intuition의 여러 리더와 구성원들과 함께 일하게 되어 기쁘다.

지금까지 우리의 목표를 믿어 준 과거와 현재의 모든 EpiScientist에게 감사한다. 우리가 “EpiSci 3.0”이라 부르던 새로운 EpiSci는 Jason Brown, Dan “Animal” Javorsek, PhD 및 Applied Intuition Defense 팀이 이끌 것이다. 지금까지 만난 훌륭한 고객, 협력자, 동료들이 계속해서 Applied Intuition에 인수된 EpiSci와 함께하며, #tacticalai를 통해 더욱 발전되고 성숙한 신뢰 가능한 자율주행을 만들어 가길 바란다.

https://www.linkedin.com/posts/applied-intuition-inc_applied-intuition-acquires-episci-the-future-activity-7293312911467233281-P94-?utm_source=share&utm_medium=member_ios&rcm=ACoAABqmkk8B31-f1cgLX5fNW16TpECDoRf4kWg

충분히 긴 컨텍스트와 훈련을 잘 시킨 LLM은 리서처와 구분할 수 없다.

https://youtu.be/_llTZGcftUg?si=iFHg_4c57F4kyXzm

https://sacra.com/research/anduril-biggest-mistake-defense-startups-make/#:~:text=,expand%20mentality%2C%20rather%20than

방위 기술 투자에 대한 초기 부정적 시각 극복

2017년 당시, 다년간의 긴 판매 주기, 하드웨어 중심의 비즈니스 모델, 그리고 일회성 매출 구조 때문에 많은 벤처 투자자들은 방위 기술이 투자할 만한 시장이 아니라고 보았습니다.
그러나 방위 분야의 전체 시장(TAM)의 방대함과, 초기 투자자들이 “탁월한 인물들”에 의해 설립된 팀의 역량에 매료되어 투자한 사례가 있었습니다.
러시아의 우크라이나 침공 등으로 미국을 비롯한 동맹국들이 국방 역량 업그레이드의 필요성을 절실히 느끼면서, 방위 기술에 대한 투자관점이 급변하였습니다.

Anduril의 비즈니스 모델 및 제품 전략

높은 자본 지출(High Capex) 기반의 제품 개발:
초기에는 약 20만 달러 규모의 작은 계약부터 시작하여, 제품 시장 적합성을 찾고 모멘텀을 구축하는 전략을 사용했습니다.
이 방식은 기존의 “cost-plus” 모델(비용 가산 방식)에 도전하면서, 보다 효율적이고 경쟁력 있는 제품을 개발하는 데 집중합니다.
서비스에 치우치지 않고 제품 중심으로 전환:
일부 방위 기술 회사들은 계약 승리를 위해 서비스를 제공하다 보니 제품 개발이 뒷전으로 밀리는 경우가 있었는데, Forterra는 2022년에 17건의 기존 계약을 정리하고 제품 중심의 접근 방식으로 전환했습니다.

시장 접근의 전략적 실수와 올바른 접근법

잘못된 시장 인식:
창업자들이 미국 국방부(DoD)의 8000억 달러 예산을 하나의 거대한 시장으로 바라보고 “land-and-expand” 방식으로 접근하는 것이 가장 큰 실수라고 지적되었습니다.
미세 시장(마이크로 마켓) 인식:
실제로 국방 예산은 여러 개의 마이크로 시장으로 구성되어 있으며, 각 제품이나 기술마다 접근 가능한 시장 규모는 훨씬 작습니다.
방위 기술은 단일 제품이 아니라, 다수의 영역(예: 항공, 지상, 해상, 사이버 등)에서 각각의 시장을 형성합니다.
듀얼 유즈(dual use)의 중요성:
방위 기술은 전용 시장뿐만 아니라 상업 시장에도 적용할 수 있어, 두 영역을 모두 공략하는 전략이 필요합니다.
투자자와 창업자 모두 “Anduril처럼” 독특한 접근 방식을 개발해야 하며, 단순히 기존의 대형 방산업체와 경쟁하는 것만이 아니라 새로운 시장 패러다임을 창출해야 합니다.


3. 내부 문화와 팀 구성의 중요성
슈퍼 팀(Super Team)의 필요성:
방위 기술 분야는 복잡한 정부 조달 과정과 긴 판매 주기를 극복하기 위해, 탁월한 인재들이 모여 팀워크로 문제를 해결하는 문화가 필수적입니다.

Anduril의 경우, Trae Stephens, Palmer Luckey, Brian Schimpf 등 경험이 풍부한 인물들이 모여 회사를 이끌었으며, 그 결과 초기의 어려움을 극복하고 빠른 성장과 계약 성사를 이루어 냈습니다.
팀원들이 방위 분야의 복잡한 구매 과정, 기술적 문제, 그리고 긴 개발 주기를 이해하고 극복하는 것이 핵심 경쟁력으로 작용했습니다.

국방 조달의 복잡성:
국방부의 계약 프로세스는 매우 복잡하며, 단일 제품이 수십만 달러에서 수십억 달러의 계약으로 확장되기까지 단계별로 신뢰를 구축해야 합니다.

작은 계약(예: 10만 달러 규모)부터 시작하여 점진적으로 큰 계약(수억 달러, 수십억 달러)으로 이어지는 과정을 통해 시장에 진입해야 합니다.
성공적인 제품과 계약 확보는 기술력뿐 아니라, 정부와의 신뢰 구축과 네트워킹 능력이 중요함을 강조합니다.

4. 기술 및 시장 전략의 요약

방위 기술 투자:
초기에는 투자자들이 방위 기술의 매력을 느끼지 못했으나, 방위의 전체 시장 규모와 우크라이나 침공 등으로 국방력 강화 필요성이 부각되면서 투자 환경이 급변했습니다.

제품 전략:
Anduril은 “미션 중심(build to the mission)” 접근법을 통해, 고객의 구체적인 사양에만 의존하지 않고 실제 임무 해결에 초점을 맞춘 제품을 개발합니다.

중앙 소프트웨어 플랫폼(Lattice)을 통해 다양한 하드웨어(센트리 타워, 드론, 센서, 자율 잠수함 등)를 통합 운영합니다.

시장 접근:
미국 국방 예산을 하나의 시장으로 보지 않고, 다양한 마이크로 시장으로 분리하여 각각의 니즈에 맞춘 전략을 구사합니다.

또한, 제품을 상업 시장에도 적용할 수 있는 듀얼 유즈 전략을 통해 성장 기회를 확대합니다.

내부 역량:
성공적인 방위 기술 회사는 뛰어난 창업자 및 경영진과 함께, 정부 조달의 복잡성을 이해하고 이를 극복할 수 있는 “슈퍼 팀”이 필수적입니다.

Anduril

1. 매출 및 재무 현황
매출 성장:

Sacra의 추정에 따르면 Anduril은 2023년 약 4억 2천만 달러에서 2024년 10억 달러로 성장했으며, 전년 대비 138% 증가했습니다.
이는 주요 정부 계약(예: 미 해병대의 Bolt-M 계약, Pentagon의 Replicator 프로그램 등)의 획득에 기인합니다.
새로운 정부 계약의 총액은 2023년 6억 7500만 달러에서 2024년 15억 달러 이상으로 크게 증가했습니다.
현금 보유:

2024년 1분기 기준 약 7억 5천만 달러의 현금을 보유하고 있습니다.
초기 계약 성공 사례:

2017년 창업 후 약 1년 만에 미 해병대와 1,250만 달러 규모의 첫 방위 계약을 체결하였으며,
2020년에는 경쟁 입찰을 통해 첫 ACAT I(가장 큰 규모의 계약 분류)인 10억 달러 규모의 시스템 통합 파트너(SIP) 계약을 따냈습니다.

2. 수익성 및 마진
총 마진:

Anduril은 40~45%의 총 마진을 기록하고 있습니다.
이는 전통적인 방산 대기업(일반적으로 8~10% 마진)보다 훨씬 높은 수치로, 고정 가격(Fixed Pricing) 방식으로 제품을 판매하기 때문입니다.
비즈니스 모델의 차별점:

비용 가산(cost-plus) 모델 대신, 상업용 제품처럼 정해진 가격에 판매하는 방식 덕분에 높은 “SaaS형” 마진 구조를 실현하고 있습니다.

3. 고객 확보 및 판매 주기
판매 주기:

방위 분야의 판매 주기는 평균 18~24개월로 매우 길며, 많은 R&D 투자와 시제품 제작, 현장 테스트가 필요합니다.
초기 계약은 작은 규모(예: 20만 달러 내외)부터 시작하여, 점차 신뢰를 쌓으며 다년간의 대형 계약으로 확장됩니다.
R&D 투자:

Anduril은 대규모 자금 조달을 통해 긴 판매 주기를 견디고, 필요한 연구개발(R&D) 및 제품 검증에 투자하고 있습니다.

4. 기업 가치 및 투자
기업 가치:
2024년 Series F 라운드 기준으로 Anduril은 140억 달러 가치로 평가되며, 연매출 10억 달러 기준으로 14배의 매출 배수를 기록하고 있습니다.
자금 조달 현황:
총 37억 6천만 달러의 자금을 유치했으며, 이번 라운드에는 Fidelity Management & Research Company와 Baillie Gifford 등이 참여했습니다.
주요 전략 투자자로는 Anduril 공동창업자인 Trae Stephens가 참여하는 Founders Fund가 있습니다.

5. 제품 및 기술 포트폴리오

5.1. 창업 배경
창업 및 미션:
2017년 캘리포니아 어바인에서 Palmer Luckey(오큘러스 공동창업자), Brian Schimpf, Trae Stephens가 공동 창업하였으며, 방위와 안보를 위한 최첨단 기술 개발을 미션으로 삼았습니다.

5.2. Lattice – 핵심 소프트웨어 플랫폼
Lattice 개요:
Anduril 제품군의 중심에는 Lattice라는 AI 기반 소프트웨어 플랫폼이 있습니다.
다양한 센서(카메라, 레이더 등)로부터 데이터를 수집, 실시간 상황 인식 및 데이터 기반 의사결정을 지원합니다.
객체 인식, 행동 분석, 예측 모델링 기능을 갖추어, 방위 기관과 국경 통제에 효과적인 솔루션을 제공합니다.

5.3. 하드웨어 생태계
Anduril은 Lattice와 연동되는 여러 하드웨어 제품을 개발하여, 통합 솔루션을 구성합니다.

Anvil:

지상에서 UAV(드론)를 격추하는 동력형(kinetic) 반드론 시스템.

Ghost 4:

단 3분 만에 조립이 가능한 자율 전술 드론으로, 60분 동안 조용하게 비행할 수 있습니다.

Altius:

공중, 지상, 해상에서 모두 배치 가능한 드론으로 4가지 모델로 구성되어 있습니다.

Dust:

지상 기반 센서로, 목표를 감지하고 경고하는 역할을 합니다.

Dive-LD:

최대 6,000미터 깊이까지 작전 수행이 가능한 자율 잠수정(AUV)으로, Dive Technologies 인수를 통해 확보된 제품입니다.

6. 자율성 및 통합
자율성 강화:
머신러닝을 활용하여 드론, 센터리 타워, 센서 등이 최소한의 인간 개입으로 작동합니다.
예를 들어, Ghost UAS는 지정된 경로를 자율 주행하고, 장애물을 회피하며, 여러 드론이 협력하는 군집 작전을 지원합니다.

시스템 통합:
Lattice가 중앙 통제 시스템 역할을 하며, 여러 하드웨어 제품에서 수집된 데이터를 종합해 전장의 상황을 실시간으로 파악하고, 각 자산 간 협력을 가능하게 합니다.

예시: 센트리 타워가 의심스러운 차량을 감지하면, Lattice를 통해 Ghost UAS가 자동으로 출격하고, 동시에 Dust 센서가 추가 정보를 제공하여 Anvil 시스템을 통해 위협을 제거하는 방식입니다.

7. 비즈니스 모델 및 전략
SaaS + 하드웨어:

Lattice는 구독 기반 서비스(SaaS) 형태로 판매되며, 고객은 월간/연간 요금을 지불합니다.

하드웨어 제품은 교차 판매(cross-sell) 및 업셀(upsell) 형태로 추가 제공되어, 전체 생태계를 강화합니다.

소프트웨어와 하드웨어를 통합 판매함으로써, 최적의 성능과 호환성을 보장하고, 고객이 고정 가격에 안정적인 제품을 지속적으로 업그레이드 받을 수 있도록 합니다.

R&D 리스크 선행 부담:

전통적인 정부 RFP(제안 요청서) 방식을 기다리지 않고, Anduril은 R&D 부담을 먼저 떠안아, 완성도 높은 솔루션을 미리 개발하여 시장에 빠르게 진입하는 전략을 취합니다.

고정 가격 판매:

비용 가산 계약(cost-plus) 대신, 고정 가격으로 제품을 판매하여 높은 마진(40~50% 총 마진)을 달성합니다.
지속적인 소프트웨어 업그레이드를 통해 하드웨어의 단발적 판매를 보완합니다.

8. 경쟁 환경 및 시장 동향

주요 경쟁자:

Anduril의 주요 경쟁은 기존의 대형 방산업체들(Lockheed Martin, Boeing, Raytheon, Northrop Grumman, General Dynamics)입니다.

이들 업체는 오랜 역사를 기반으로 대규모 자본과 정치적 영향력을 가지고 있으며, 전통적인 비용 가산 모델을 사용합니다.

스타트업 경쟁:

Shield AI와 같은 방위 기술 스타트업도 경쟁하고 있으며, Palantir, SpaceX, Relativity Space 등도 각자의 분야에서 혁신을 시도하고 있습니다.

시장 접근 전략:

방위 예산은 하나의 거대한 시장이 아니라 여러 마이크로 시장으로 구성되어 있으며, 각 기술 및 제품이 접근할 수 있는 시장 규모는 상대적으로 작습니다.

듀얼 유즈(방위 전용과 상업용 모두에 적용 가능한) 전략을 통해, Anduril은 시장을 확장할 수 있는 기회를 모색합니다.

글로벌 방위 지출:

미국 국방부는 2022년에 7270억 달러, NATO 동맹국 전체는 1조 달러 이상을 지출하며, 이 거대한 시장 내에서 자율 시스템과 AI 기술에 대한 투자가 급증하고 있습니다.

특히, 자율성, AI, 인간-기계 팀 구성 관련 프로그램에 매년 수십억 달러가 할당되고 있습니다.

9. 향후 전망 및 위험 요소

성장 전망:
Anduril은 빠른 제품 개발과 정부 계약 성공, 그리고 R&D 선행 부담을 통해 기존 방산업체와 차별화된 경쟁력을 확보하고 있습니다.

위험 요소:
조달 관행: 전통적인 정부 조달 방식과 정치적 요소가 여전히 큰 장애물로 남아있으며, 이는 장기 계약 확보에 영향을 줄 수 있습니다.

시장 경쟁: 대형 방산업체들과 기존 계약 체계 내에서 경쟁하는 어려움.

정책 및 예산: 국방 예산 및 정책 변화가 Anduril의 성장 및 제품 채택에 영향을 미칠 수 있음.

https://sacra.com/c/anduril/

새로운 혁신적인 것이 등장하면, 우리는 처음에는 그것을 기존의 것에 비추어 생각하는 경향이 있습니다. 예를 들어, 사람들은 처음에 자동차와 기차를 기계화된 마차로 여겼다가 점차 그것들을 독자적인 존재로 인식하기 시작했습니다. 우리는 AI에 대해서도 이런 식으로 접근하고 있을까요?

몇십 년 후, 우리가 AI를 진정으로 이해하게 될 때, 현재 우리가 AI를 이해하는 방식 중 어떤 부분이 옛날 방식에 뿌리를 두고 있는 것처럼 보일까요?

저는 우리의 AI 이해가 중요한 것이 아니라, 오히려 AI가 AI를 이해하는 방식이 중요하다는 가정이 정답이었으면 합니다.

https://x.com/paulg/status/1888196213192675470