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

자원과 AI 지능의 관계:

AI 모델의 지능은 모델을 훈련하고 운영하는 데 사용된 자원의 로그 값에 비례합니다.
훈련에 사용되는 컴퓨팅 파워, 데이터, 추론 컴퓨팅 등의 자원을 늘리면 예측 가능한 성능 향상이 지속적으로 발생합니다.

AI 사용 비용 하락:

일정 수준의 AI를 사용하기 위한 비용은 매 12개월마다 약 10배 정도 낮아집니다.
예를 들어, GPT-4에서 GPT-4o로 토큰당 가격이 약 150배 하락한 사례에서 볼 수 있듯, 비용 하락 속도는 Moore의 법칙(18개월마다 2배 하락)보다 훨씬 빠릅니다.

지능 증가의 초지수적 가치:

AI의 지능이 선형적으로 증가할 때, 그 사회경제적 가치는 초지수적으로 확대됩니다.
이에 따라, 투자 확대의 추세도 가파르게 이어질 것으로 보이며, AI 분야에 대한 투자 중단의 이유를 찾기 어렵습니다.

3. AI 에이전트와 가상 동료의 등장
가상 협력자:

미래에는 소프트웨어 엔지니어링, 디자인 등 다양한 분야에서 ‘가상 동료’ AI 에이전트가 등장할 것으로 예상됩니다.
예를 들어, 소프트웨어 엔지니어 에이전트가 경험이 있는 주니어 엔지니어 수준의 업무를 수행하며, 이를 수천, 수백만 단위로 확장한다면, 전 분야에서 지식 노동의 방식이 크게 변화할 것입니다.

경제적 아날로지:

AI는 트랜지스터와 같이 경제적으로 매우 중요한 발견으로 자리잡을 가능성이 있습니다.
트랜지스터가 거의 모든 산업에 파급력을 미친 것처럼, AI도 모든 분야에 스며들어 혁신을 일으킬 것입니다.

사회 및 경제에 미치는 장기적 영향
일상 생활의 변화:

단기적으로는 2024년과 크게 다르지 않을 수 있지만, 장기적으로는 전혀 새로운 방식으로 사람들이 일하고, 창의력을 발휘하며, 사회적 역할이 재정의될 것입니다.
모든 사람이 높은 수준의 지능과 창의력을 발휘할 수 있는 시대가 도래할 수 있습니다.

개인 역량과 사회적 가치:

올바른 의사결정, 적응력, 그리고 개인의 의지와 결단력이 앞으로 더 큰 가치를 갖게 될 것입니다.
AGI는 인간 개개인이 지금보다 훨씬 더 큰 영향을 미칠 수 있도록 도와주는 가장 강력한 지렛대가 될 것입니다.

가격 변동 및 자원 배분:

많은 상품의 가격은 인공지능 및 에너지 비용이 하락하면서 급격히 낮아질 것이지만, 제한된 자원(예: 토지, 일부 사치재 등)은 반대로 가격이 상승할 가능성이 있습니다.
기술 발전이 가져올 경제적 변화에 맞춰, 사회 전반의 정책과 자원 배분 방식에도 큰 변화가 요구될 것입니다.

공공 정책과 사회적 통합의 중요성

정책과 여론:

AGI가 사회 전반에 스며들면서, 정부와 사회가 이를 어떻게 통합할 것인지에 대한 공공 정책과 집단적 의견이 중요해질 것입니다.
안전과 개인의 자율성 사이의 균형, 오픈소싱과 투명성 강화 등의 논의가 필요하며, 이는 미래 사회의 구조와 권력 균형에 큰 영향을 미칠 수 있습니다.

포용적 혜택 분배:

기술 발전이 가져올 이익이 모두에게 고르게 분배되도록 하는 것이 중요합니다.
초기에는 기술 발전의 경제적 이익이 불평등하게 나타날 수 있으므로, 정부나 사회적 프로그램을 통한 조기 개입이 필요할 수 있습니다.
모두가 무한한 창의력을 발휘할 수 있도록 ‘컴퓨트 예산’ 같은 아이디어도 고려될 수 있습니다.

https://blog.samaltman.com/three-observations

# DeepSeek 을 둘러싼 다른 이야기들 정리.
전자신문 컬럼쓰다 길이 폭주를 못 막아서, 어차피 정리해서 거기 낼 방법은 안보이니 원 생각 글을 여기다 붙여본다.
설 연휴 시작부터 DeepSeek 이야기를 몇 번이나 했는지 모르겠다. 명절기간과 그 다음주 동안 인터뷰 여섯 번과, 두 번의 내부 미팅, 두 번의 자문을 하고 나니 이제는 DeepSeek이라는 단어만 들어도 도망가고 싶다. 기술적 배경을 포함해서 AI 업계가 앞으로 어떻게 변할지, 그리고 우리가 고민해야 할 방향이 무엇인지까지 묻는 내용들이 개발자 분들, 기자분들, 정책 담당하시는 분, 회사 구성원까지 다 다양한데, 답변하다보니 질문 내용들이 이리저리 겹쳐서 정리해보면 몇가지 가닥으로 요약이 된다. 이제 한 광풍 지나 갔으니 (같은 내용을 반복해서 말하는 대신 의견 전달해 드릴 링크도 확보할 겸) 질문들을 요약한 것만 정리해 보려 한다.
크게 네가지 질문들은 이렇다.
1. 그래서 정말 싼가?
2. 미중 갈등과의 연관성은?
3. 우리는 무엇을 해야 하나?
4. OpenAI 와 NVIDIA는 어떻게 되나?
아래 답변들은 짧게는 15분 길게는 두 시간씩 이야기하던 내용의 요약이다. 다른 분들이 많이 지식이나 견해 나눠주셔서 이제 많이들 아는 내용들은 다 빼고, 나머지 내용들 중에서 가능하면 프로그래머나 연구자가 아닌 분들에게도 익숙한 단어들을 써서 적어본다(고 노력을 해 본다).
## DeepSeek은 정말 싼가? 중국 AI 시장의 특징
그럼 1번부터. 그래서 정말 싼가? 결론적으로는 싼데 비싸다. 중국의 C++로 AI를 파고 드는 문화, NPU, 자강시도와 같은 특징들이 한데 모인 결과물이기 때문이다. 2017년 Google Developers Expert로 난징에 발표하러 갔을 때가 생생하다. 한 시간 발표에 두 시간 삼십분 질답이 이어졌는데, TensorFlow 질문은 하나도 없었고 전부 C++ 관련 질문이었다. 애초에 TensorFlow 나 PyTorch 사이트에 중국에서 접근이 불가능했던 시절이기도 했다. 프레임워크 종속에서 좀 벗어나 있는 것이 중국의 특징이다. 중국은 IT 시장 자체가 데스크탑을 바이패스하고 모바일 시장으로 가면서, C++ 기반 딥러닝 코드와 모델을 NPU에 올린다거나, 모바일 메신저 플랫폼에서의 실행을 위해 자바스크립트로 인퍼런스 하는걸 많이 시도해 왔다. 또 다른 중국의 특징으로는 자강시도를 들 수 있는데, 탈 TensorFlow, 탈 PyTorch를 하면서 알리바바 XDL, 텐센트 TNN 및 Mariana, 바이두의 PaddlePaddle 같이 각자 프레임웍을 만들었다. 그 결과, 중국 대학의 딥러닝 커리큘럼에서도 PyTorch나 TensorFlow를 기본으로 가르치는 것이 아니라, 자체 개발 프레임워크를 다루는 경우들도 다수였다. 그러한 영향인지 중국의 엔지니어들은 새로운 것을 직접 만들어 쓰는 것에 거리낌이 없다.
게다가 DeepSeek은 HFT(High-frequency trading) 하던 팀이 차린 회사이고, 그 분야에서 필요해서 만들었던 기술들을 많이 반영한 터라, DeepSeek-v3 처럼 싼데 비싼 모델이 나왔다. HFT를 하다 보면 레이턴시 해결에 목숨을 걸어야 해서 네트워크 스택을 새로 쓰는 일이 흔하다. 하여 DeepSeek 팀의 모회사는 HFT 시절부터 NCCL 지원과 NVLink가 없는 기기들을 가져다가 SM의 일부를 예약해 GPU로 네트워크를 가속하고, 패킷에서 오류 정정 루틴이나 일반 통신 규격을 바이패스해서 GPU 비용을 낮추는 등의 테크닉을 만들어 왔다. (HFT 분야에선 CPU로 같은 작업을 할 때도 마찬가지로 윈도우나 리눅스 네트워크 스택을 안 쓰고 중간에 빼버려도 되는 절차를 다 생략하는 식의 최적화가 흔하다) 이런 걸 하던 사람들이 AI 한다고 모여서 GPU-GPU 통신을 최적화 한 거라 GPU 간 서버-투-서버 통신을 가속하는 압축/해제 연산을 위해 H800 GPU의 SM 132개 중 20개 정도를 통신 전담으로 재구성하고, GPU가 계산하는 동안 백그라운드에서 InfiniBand로 데이터를 보내고 받는 DualPipe 기술을 개발했다. 이런 하드웨어 튜닝으로 All-to-All 통신 오버헤드를 거의 0에 가깝게 줄여서 GPU의 75%가 통신 대기로 낭비되는 일반적인 상황과 달리 GPU 활용률을 거의 100%에 가깝게 끌어올려 적은 GPU로도 4배 이상의 효과를 냈다고 이야기하고 있다.
네트워크 말고 계산적으로도 재미있는 부분이 많은데 포워드-백워드 전부 NVIDIA 칩이 제공하는 FP8 포맷 중 한 가지(E4M3)으로 통일한 후, 낮은 정확도로 인해 생기는 누적 오차는 4번 곱할때마다 TF32로 역변환해서 보정하는 식으로 FP8 연산을 적극 활용하고, 순방향/역방향 계산을 overlap 해서 GPU가 쉬는 시간을 최소화하고, 불필요한 중간계산값은 메모리에 저장하지 않고 필요할 때 재계산하는 등 메모리 사용량을 줄이는 최적화도 했다. 그 결과 DeepSeek는 GPU 인터커넥트 인프라 없이도 GPU 훈련 변수비용을 80억 원 정도로 낮출 수 있었다. 물론 그 이면에는 (소문이 사실이라면) 이미 2조 원 규모의 고정비용이 숨어 있지만 말이다.
## 미중 갈등 속에서 DeepSeek이 가지는 의미
두 번째 질문은 미중 갈등에 대한 건데, 중국을 무슨 갑자기 하늘에서 떨어진 충격으로 보는데 사실은 엄청난 규제를 걸어서 키운 시장이다. 한때는 300개가 넘는 LLM 회사에 200개가 넘는 파운데이션 모델이 쏟아져 나왔다. 그 중 대부분은 Llama를 파인튠하고 택갈이해서 파운데이션 모델 만들었다고 주장하던 터라, 중국 정부가 게임 판호 만들듯이 AI 판호제를 도입해서 10여개 사만 허가해 주고 나머지는 다 정리했다. 판호를 내 줄 때는 기술 관련 인증도 있지만 가드레일이 국가 기준을 따랐는가 부터 사업할 자본이 충분한지 등 다양한 면을 ‘종합적’으로 봐서 국가에서 사업 허가를 내 주었다. 결국 판호를 받은 회사들은 기술력과 자본력이 있으면서도 중국 정부의 정책과 잘 얼라인된 회사들이다. 중국 전기차 시장이나 배터리 시장과 비슷한 발전 양상인데, 중국 국내에서 엄청나게 경쟁시키고 살아남은 곳들은 강해져서 해외까지 나가게 되는 패턴이다.
이 과정에서 살아남은 AI LLM 기업들은 미국, 유럽의 AI 스타트업들과는 차원이 다른 생존 경쟁을 경험했다. 판호를 받은 기업들은 3억명에 가까운 중국내 액티브 유저 시장을 놓고 경쟁해야 하므로 기술 뿐 아니라 사업적으로도 규모가 크다. 일례로 바이트댄스의 경우 10만 장 이상의 GPU를 보유한 것으로 추정된다.
이러한 환경에서 중국의 AI 기업들은 단순히 정부의 지원이 아니라, 극심한 경쟁과 최적화 경험을 통해 글로벌 경쟁력을 갖추게 되었다. 경쟁 상황 속에서 중국 회사들이 서로 모델을 발표하면 곧바로 대응하는 방식은 OpenAI와 구글 간의 경쟁과 유사한 양상을 보인다. 그런 곳에서 살아남은 회사들인 이유로, 중국 AI 기업들은 미국이나 유럽 AI 모델들을 기술적으로는 존중하지만 경쟁력 차원에서는 자기 발 아래로 생각하는 경향이 있다. DeepSeek 은 비교적 최근에 그 흐름에 뛰어든 회사다. 알리바바가 Qwen을 오픈 모델화 하면서 국내외적 명성을 얻은 것과 같은 방법론을 채택하고 있다.

한편, 미국의 GPU 수출 규제는 효과적인 견제가 되지 못했다. 바이든 행정부는 칩의 총 연산 성능(FLOPS) 기준으로 규제를 걸었지만, 엔비디아는 이를 우회하여 H100의 성능을 낮춘 H800을 중국에 공급했다. 그런데 H800이 딱히 싸지도 않다. H100과 H800의 실판매 가격은 동일하다. H800은 대중 수출 규제를 피하고자 통계용 성능을 낮추는 몇가지 변경의 결과로 FP32와 FP64 성능이 H100 대비 1/20로 줄어든 대신, FP16과 FP8 성능은 동일하다. 그런 고로 16비트 이하 연산으로 훈련하는 Meta의 Llama나 DeepSeek의 DeepSeek-V3는 실질적인 제약을 받지 않았다. NVLink를 통한 칩간 커뮤니케이션은 막혀있지만 그건 MoE 로 단일 모델 크기를 일정 정도 이하로 줄여서, 하나의 모델을 여러 GPU로 쪼개 올려 훈련할 필요를 아예 막아서 우회했다. 즉, 규제는 걸렸지만 실질적으로 LLM 훈련에는 차이가 없었다. 비슷한 사례로 A100과 A800도 있는데, 두 제품은 사실상 동일한 칩이며, NVLink 스피드 감소와 함께 약간의 언더클럭을 적용한 차이가 난다. 미국의 제재 규칙이 AI 전문가에 의해 정해진 것이 아니라, 슈퍼컴퓨팅 중심의 FLOPS 규제 관점에서 이루어졌기에 이 같은 허점이 생긴 것으로 보인다.
모델 개발 비용은 계속 줄어들고 있어서 2년 늦게 시작하면 10~20분의 1 비용으로 2년전 모델을 개발할 수 있다. 작년부터는 데이터도 장벽이 되지 않는다. 일반언어 합성데이터 분야는 개인적으로는 2024년 4월을 기점으로 끝났다고 본다. Llama 3가 405B 모델을 내 놓으며 합성 데이터 생성용으로 쓰라고 구체적으로 언급했고, 바로 엔비디아가 MegatronLM 405B를 내놓으면서 합성 데이터는 마음껏 생성할 수 있는 대상이 되었다. 어떤 희한한 프롬프트로 가이드를 하느냐에 따라 인간이 만든 데이터보다 더 풍부한 합성 데이터를 AI가 만들어 낼 수 있게 된 상황이다. 이런 상황에 OpenAI 모델을 데이터 합성에 쓴것이 아니냐는 지적은 핀트가 맞지 않는다. 훈련에 많이들 쓰는 데이터 소스인 ShareGPT 자체가, OpenAI 가 관련 조항 만들기 전에 사용자들이 ChatGPT로 생성해서 공유한 데이터 셋이다.
그러면 왜 미국이 이제서야 부랴부랴 저런 대응을 할까? AI 기술이나 코드 공유는 대부분 GitHub을 통해 이루어지는데, 중국은 GitHub을 막고 자체적인 오픈소스 저장소인 Gitee를 운영하고 있다. 소비자 시장도 갈리는 상황이라 그냥 중국 사정에 어두웠던 것이 아닌가 하는 생각이 든다. 감은 있었는데 이정도일줄은 몰랐다- 정도가 적당할 듯 하다. 그래서 지금의 DeepSeek 쇼크는 미국의 대중 GPU 수출 규제(?)를 뚫고 만들어낸 모델의 성능과 레시피가 가져온 쇼크도 있지만, 개인적으로는 DeepSeek 서비스를 앱스토어를 통해 바로 사용할 수 있게 되며 만들어진 쇼크로 본다. 이 이야기는 세번째 질문에 대한 답변으로 이어지겠다.
## 대한민국의 대응
AI 분야는 경쟁 보호를 위한 지역적 해자를 만들거나 자연히 생기기가 어려운 분야다. 미국의 DeepSeek 쇼크는 미국 앱스토어 1위가 상징적으로 보여준다. 사용자는 애초에 AI가 어느 나라에서 만들어졌는지를 따지지 않았다. 중요한 것은 AI의 기능이 얼마나 뛰어난지, 가격이 경쟁력이 있는지, 그리고 얼마나 쉽게 사용할 수 있는지에 달려 있다는걸 앱스토어 차트가 보여주었다. 미국 소비자들은 중국산 모델이 일대일로를 얼마나 긍정적으로 말하는지에는 큰 관심이 없었다. 정리해 보자면, 이번 DeepSeek 쇼크에서 배워야 할 것은 소비자 AI 분야에서는 기능, 가격, 접근성 이 세가지가 가장 큰 요소고 나머지는 모두 사변적이라는 점이다. 기능과 가격 면에서 DeepSeek의 등장은 AI 산업이 급격한 비용 구조 혁신과 기술적 최적화 부분에 아직 기술적으로 접근할 공간이 많이 남았음을 알려준다.
또한 한국이 AI 산업에서 어떤 길을 가야 하는지에 대한 근본적인 질문을 해 볼 시점이기도 하다. 모방과 추격으로는 글로벌 경쟁에서 살아남을 수 없음이 갈수록 명확해지고 있으며, 동시에 기존의 '소버린 AI' 전략이 현실적인지에 대한 의문이 들기 때문이다. (국가가 아닌) 소비자 레벨에서는 '중국'의 모델이 '미국'에 제공되는데 소버린은 아무 장벽이 되지 못했다는걸 보게 되었다. 독도가 대한민국 땅이라고 나오는 AI는 한국에서는 의미가 있지만, 글로벌 시장에서는 해자가 되지 않는다. 글로벌 모델들이 독도에 대해 대한민국 모델과 다른 이야기를 하면, 국산 모델만 그 이야기를 하는 것이 장기적으로 무슨 의미가 있겠는가? 프랑스의 Mistral 모델은 불어를 잘해서 뜬게 아니라, 영어도 한국어도 잘 해서 뜬 모델이다.
한국이 AI 산업에서 주도권을 가지려면, 국내 시장을 목표로 하는 것이 아니라 세계 1위를 목표로 하는 길밖에 없는 상황이 되었다. 사실 원래부터 산업은 그랬다. 현재 한국이 강점을 가진 산업을 꼽아보면 가전, 조선, 반도체 등인데, 이 산업들은 최소한 세계 1위~3위 자리를 차지하고 있다. 이 분야들 이외에 과거 한국이 경쟁력을 확보했던 분야들은 결국 글로벌 시장에서 1위를 했던 분야들이다. AI도 산업인 이상 예외가 아니다. 한국이 의미 있는 AI 산업을 유지하려면, 글로벌 1위 전략을 목표로 설정해야 한다. AI는 지역적 장벽을 칠 수 없는 분야라서 적어도 APAC 스케일로 시장을 키워야 한다. 2등을 할 자리가 없다.
한국은 알파고 쇼크의 영향으로 다른 국가보다 훨씬 빠른 시점인 2017년~2020년 사이에 AI 분야에 엄청난 투자를 진행했다. 하지만 이후 COVID-19 와 함께 AI 모델이 충분히 성숙하기 이전 상업화 모델을 찾지 못한 결과 투자 정당화에 실패했고, 그 반동으로 지금은 과도하게 투자가 움츠러든 상황이다. 당장 기반 모델 (foundation model) 개발에 투자가 어렵다면, 글로벌 AI 시장에서 살아남기 위해 기반 모델을 오픈소스 모델에 의존하더라도 그걸 이용해 특정 산업에 특화된 버티컬 멀티모달 기반 모델을 개발하거나, 특정 도메인에서 독보적인 경쟁력을 확보하는 것부터 시작해야 할거다. 언어 데이터가 아닌 다른 특화 데이터가 필요한 분야들에는 기회가 많이 남아있다. 그렇게 만든 버티컬 파인튜닝 모델 또는 추가 훈련된 기반 모델들은 해당 회사의 경쟁력이 될 수 있고, 사업화까지 연동하기 더 유리하다. 이후 성공사례들이 나오고, 일반 기반 모델들이 이어져 나오게 될 것이다. 시간이 흐를수록 훈련 비용은 기하급수적으로 낮아지며, 소프트웨어 최적화가 그 정도를 조금 더 끌어내리고 있는 중이다.
## OpenAI 와 NVIDIA
네번째 질문에 대한 대답. OpenAI가 앞으로 원하는 밸류로 투자 유치를 할 수 있을까? 하는 질문이 있었다. OpenAI를 대박난 맛집에 비유해보자. 레시피를 아무도 모른다. 하지만 맛있다. 그런데 DeepSeek-R1이라고 인터넷에 레시피를 올렸는데, 딱 같진 않은데 생각보다 비슷한 맛을 내기 쉬운거다. 백종원이 사이다랑 깻잎으로 모이또 만들어도 그럴싸하쥬? 하던 그 순간이다. 정확히 똑같진 않아도 비슷한 맛을 낼 수 있게 된 상황이다. 비법이 털린 맛집이 가는 길은 세가지로 정해져 있다. 브랜드 명성으로 버티거나, 체인점으로 가거나, 망하거나. OpenAI가 투자 유치 경쟁하면서 만들어낸 스토리가 이제 의구심을 사게 된 상황이다. OpenAI 는 o3 기반의 새로운 서비스들을 계속 공개해서 시선을 사로잡아 두려고 하겠지만, 복제에 걸리는 시간은 갈수록 짧아질 것이다. OpenAI 라운드 클로징 전의 스토리에서 환상이 좀 걷히고 있는 중이며, 환상이 걷히고 나면 이제 이 기업이 정말 천조원의 가치를 지닌 회사인가에 대한 의문이 들게 될 것이다.