이번 주 AI 업계의 핵심 키워드는 '성능'과 '통제'의 균형이다. 무조건적인 성능 향상을 넘어, 이를 어떻게 안전하게 관리할 것인가에 대한 고민이 깊어지고 있다. 메타가 공개한 MTIA 400 칩이 대표적이다. 자율형 AI 에이전트(autonomous AI agents)가 수행하는 복잡한 다단계 작업을 더 효율적으로 처리하도록 설계됐다. 하드웨어가 지능의 그릇을 바꾸고 있다.

하드웨어의 진화와 함께 모델의 지능도 급격히 올라가고 있다. Moonshot AI의 Kimi K3가 소프트 런칭됐고, Thinking Machines는 Inkling 모델을 선보였다. 두 모델 모두 고도화된 추론 능력과 스스로 진화하는 '자기 진화' 기능에 방점을 찍었다. 이제 AI는 단순히 답을 내놓는 수준을 넘어 스스로 생각하고 개선하는 단계로 진입했다.

지능이 높아질수록 통제 체계(governance)의 중요성은 커진다. 최근 업계는 가상 공격을 통해 취약점을 찾는 '레드팀(red teaming)' 기준을 새롭게 정립하고 있다. 특히 작은 모델이 거대 모델의 행동 방식을 그대로 흉내 내 성능을 가로채는 '증류 공격(distillation attacks)' 같은 새로운 위협에 대비해 시스템을 극한까지 시험하는 단계다. 보안이 무너지면 성능은 무용지물이다.

시장의 경제 논리도 빠르게 변하고 있다. SpaceX는 최첨단 AI를 위해 서버 물리 자원(bare metal)의 효율을 극대화하는 데 집중하고 있으며, 안전한 초지능(safe super intelligence) 구현을 위한 펀딩 논의도 계속되고 있다. Lambda 같은 공급사를 통해 고성능 Nvidia GPU를 확보하거나, 초기 가입 크레딧을 통해 자율형 에이전트를 출시하는 실무적인 움직임도 활발하다. 결국 핵심은 강력한 도구를 얼마나 효율적이고 안전하게 실제 서비스에 적용하느냐에 있다. 실용주의적 접근이 승패를 가를 것이다.

01챗봇의 시대는 끝났다 — 자율형 AI를 위한 기업용 안전 장치

단순한 챗봇에서 자율형 AI(autonomous agents)로의 전환은 기업의 소프트웨어 배포와 보안 관리 방식을 근본적으로 바꾸고 있다. 자율형 AI는 한 번의 답변으로 끝나는 것이 아니라, 특정 작업이 완료될 때까지 외부 도구를 사용하며 스스로 루프를 돌며 작동하는 모델이다. 기업 환경에서 이를 안전하게 쓰기 위해 업계는 공식적인 관리 표준(governance standards)을 도입하고 있다. AI가 금지된 행동을 하지 못하게 막는 안전 가이드라인(guardrails)과, AI의 추론 과정을 실시간으로 감시해 기업 수준의 신뢰성을 확보하는 모니터링 도구(observability tools)가 그 핵심이다. 이제 AI는 도구가 아니라 스스로 판단하는 주체가 됐다.

AI의 자율성이 커질수록 보안 취약점의 위험도 함께 높아진다. 이에 따라 자동화된 안전 시험의 중요성이 커지고 있다. 오픈AI는 다른 AI 시스템을 해킹하기 위해 설계된 특수 모델을 개발했다. 그 결과물이 바로 시스템의 약점을 찾기 위해 의도적으로 공격을 수행하는 '취약점 점검(red teaming)' 자동화 도구인 GPT-Red다. 사람이 일일이 수행하던 테스트를 자동화 모델로 대체함으로써, 오픈AI는 취약점 탐색 속도를 획기적으로 높이고 AI의 전반적인 견고함을 강화하고 있다.

보안을 넘어, 자율형 AI는 다른 AI 모델의 성능을 스스로 개선하는 단계에 진입했다. 최근 Nvidia는 특정 목표와 시간 제한을 주고 시각 모델인 quen 3를 학습시키는 코딩 에이전트를 선보였다. 이 에이전트는 색깔 별 개수를 세는 정확도를 25%에서 96.9%까지 끌어올렸으며, 스스로 후속 실험까지 제안했다. 미디어 제작 분야의 한계도 깨지고 있다. 기존에는 사람이 도구 사이에서 파일을 직접 옮겨야 했지만, Higsfield의 새로운 커넥터를 통해 클로드가 미디어 파일을 직접 생성하고 편집해 배포까지 처리할 수 있게 됐다. 고객의 불만을 확인하고, 해결책이 담긴 영상을 제작해 게시하는 전 과정이 사람의 개입 없이 이루어지는 완전한 업무 흐름(workflow)이 가능해진 것이다.

이러한 자율 기능의 전문화는 AI 비즈니스 지형도 바꾸고 있다. Microsoft와 Inkling 같은 기업들은 더 이상 범용 모델을 파는 데 집중하지 않는다. 대신 기본 모델은 무료로 제공하고, 고객사가 가진 고유 데이터로 모델의 행동을 정교하게 다듬는 맞춤형 설정과 강화 학습(reinforcement learning) 서비스를 판매하는 전략으로 선회하고 있다. 모델의 성능보다 데이터의 활용 가치가 돈이 되는 시대다.

02AI가 스스로 일하는 시대 — 성능보다 중요한 '복구 능력'

Moonshot AI가 Kimi K3를 선보이며 복잡한 작업을 스스로 처리하는 고성능 자율형 AI 시대로의 전환을 알렸다. 다만 자율성이 커질수록 시스템이 완전히 무너질 위험도 함께 증가한다. 이제는 성능보다 안전망 구축이 우선이다. 특히 배포 전, 실제 데이터를 보존하면서 시스템을 이전 상태로 되돌리는 복구 절차(rollback)를 반드시 마련해야 한다. 사고가 터진 뒤에야 복구의 중요성을 깨달으면 이미 늦다.

자율형 시스템의 잠재력은 Weco가 개발한 AI 에이전트 Aiden이 증명했다. 약 1,000명의 연구자가 참여한 오픈AI의 'Parameter Golf' 챌린지에서 Aiden은 7개의 리더보드 기록을 갈아치우며 압도적 1위에 올랐다. 인간 최고 기록(3개)의 두 배가 넘는 성과다. Aiden은 기술 논문 분석부터 실험 실행까지 연구 전 과정(pipeline)을 자동화하는 '자율 개선 다중 에이전트 시스템'으로 작동한다. 놀라운 점은 전체 연산 자원의 4%만 사용하고도 커뮤니티 평균보다 6배 높은 성공률을 기록했다는 것이다. 서로 다른 논문의 기술적 아이디어를 조합해 최적의 해결책을 스스로 찾아낸 결과다.

단순한 성능 경쟁을 넘어, 이제는 '초지능 프런티어 모델'과 '가성비 모델'이라는 경제적 분기점이 생기고 있다. 막대한 예산이 투입되는 핵심 사업 영역과 달리, 일반 기업 시장에서는 '지능 단위당 비용'을 낮추는 것이 관건이다. Meta와 xAI가 이 지점을 공략하고 있다. Grok 4.5가 대표적인 사례다. 여러 에이전트가 작업을 분담해 동시에 처리하는 방식을 도입해, Opus 같은 모델보다 토큰 효율을 최대 4배 높였다. 가격은 100만 토큰당 입력 2달러, 출력 6달러 수준이다. 이제는 성능 시험(eval) 체계 자체가 에이전트를 위한 학습 데이터가 되는 구조다. 기업들은 데이터 유출을 막는 엄격한 API 추상화 기술을 활용해, 특정 비즈니스 성과에만 최적화된 '특화 모델(vertical models)'을 구축하는 전략을 취하고 있다.

03AI가 스스로 일하는 시대, 비용 문제는 어떻게 해결할까?

AI가 단순한 챗봇을 넘어, 복잡한 코딩 업무를 스스로 처리하는 자율형 에이전트(autonomous agents)로 진화하고 있다. 문제는 비용이다. 자율형 AI는 다른 소프트웨어를 조작하는 구체적인 행동인 '툴 콜(tool calls)'을 한 달에 수만, 수십만 번씩 수행하는데, 고성능 모델을 그대로 쓰기엔 비용 부담이 너무 크다. 메타는 이를 해결하기 위해 MTIA 400 칩을 내놓았다. 이전 세대보다 400배 빠르고 고대역폭 메모리(HBM)를 51% 더 탑재했다. 자체 칩을 통해 비용을 낮춘 고효율 모델을 대량 보급함으로써, 자율형 작업 흐름(agentic workflows)을 경제적으로 지속 가능하게 만들겠다는 전략이다. 비용이 곧 경쟁력이다.

시장의 중심은 이제 적절한 모델에 질문을 배분하는 '라우팅 레이어(routing layers)'로 옮겨가고 있다. Cursor가 이 방식을 선도하고 있다. 사용자의 요청 중 어느 부분을 어떤 모델이 처리할지 AI가 스스로 결정해, 사용자가 여러 서비스에 일일이 구독할 필요를 없앴다. OpenRouter 역시 이 전략을 채택할 가능성이 크다. AI 시장이 단일 모델의 성능 경쟁에서 계층형 생태계로 변하고 있는 것이다. 흥미로운 점은 자원의 비용이 낮아질수록 오히려 전체 소비량이 늘어나는 '제번스의 역설(Jevon's Paradox)'이 여기서도 나타난다는 점이다. 단일 모델의 시대는 끝났다.

하드웨어의 변화에 발맞춰 소프트웨어 구조도 실제 업무에 쓸 수 있을 만큼 정교해지고 있다. Vercel이 최근 공개한 오픈소스 프레임워크 Eve가 대표적이다. Eve는 AI 에이전트를 파일 시스템의 '폴더' 형태로 구조화했다. 지침과 도구를 하위 폴더로 나누어 관리하므로, 기능을 조립하듯 쉽게 구축할 수 있다. 시스템이 멈춰도 자연스럽게 복구하는 '지속 가능 세션(durable sessions)' 기능을 넣어 안정성을 높였고, 대규모 SQL 쿼리 같은 위험한 작업은 Slack을 통해 사람이 직접 승인하는 '인간 개입(human-in-the-loop)' 절차를 도입했다. 마지막으로 업데이트 전 성능 시험(evaluations)을 거쳐 모든 테스트를 통과해야만 실제 서비스에 적용하는 배포 게이트까지 갖췄다. AI가 실험실을 넘어 실제 업무 현장으로 들어오고 있다.

04Thinky Machines Inkling, 텍스트·이미지·오디오 다루는 서구권 최대 오픈 AI

Thinky Machines가 공개한 Inkling은 그동안 서구권 연구소들이 독점해온 폐쇄형 AI 시스템의 강력한 대안이다. 대부분의 고성능 모델이 베일에 싸여 있고, 오픈소스 모델은 주로 중국 기업들이 텍스트 중심으로 제공해 왔다. 반면 Inkling은 처음부터 텍스트, 이미지, 오디오를 동시에 처리하도록 설계된 최첨단 모델이다. 특히 AI의 핵심 데이터인 가중치(weights)를 Apache 2.0 라이선스로 공개해, 누구나 자신의 목적에 맞게 시스템을 미세 조정(fine-tuning)할 수 있게 했다. AI 추론의 민주화가 시작됐다.

기술적으로 Inkling은 매개변수(parameters)가 거의 1조 개에 달하는 거대 시스템이지만, 효율성을 위해 전문가 혼합(MoE, Mixture of Experts) 구조를 채택했다. 모든 요청에 전체 네트워크를 가동하는 대신, 256개의 전문가 그룹 중 일부(약 410억 개의 활성 매개변수)만 선택적으로 사용해 데이터를 처리한다. 여기에 한 번에 기억할 수 있는 데이터 양인 컨텍스트 윈도우(context window)를 100만 토큰까지 확장해 방대한 정보를 즉각적으로 처리할 수 있다. 이를 위해 기존 구조를 빌리지 않고 45조 개의 멀티모달 데이터를 사용해 바닥부터 직접 학습시켰다. 효율과 성능을 동시에 잡은 설계다.

이번 모델을 내놓은 Thinky Machines는 오픈AI 출신 연구원 미라 무라티(Mira Murati)가 설립했다. Nvidia를 제외하면 서구권 기업이 공개한 모델 중 역대 최대 규모다. Inkling은 기존 모델들처럼 텍스트 모델에 기능을 덧붙인 것이 아니라, 처음부터 멀티모달(multimodality)을 목표로 설계됐다. 덕분에 다양한 데이터 형식이 얽힌 복잡한 추론 작업에서 투명성과 고성능을 동시에 제공하며, 현재 AI 생태계의 결정적인 빈틈을 메우고 있다. 이제는 텍스트를 넘어 진짜 멀티모달의 시대다.

05서구권의 기술 공개, 중국의 빠른 복제 — '지식 증류'의 역설

AI 경쟁의 판이 바뀌었다. 이제는 누가 더 뛰어난 모델을 만드느냐가 아니라, 남이 만든 최첨단 모델에서 무엇을 얼마나 뽑아내느냐의 싸움이다. 핵심은 '지식 증류(Distillation)' 기법이다. 성능이 뛰어난 거대 모델(스승)의 출력값을 이용해 더 작고 효율적인 모델(제자)을 학습시키는 방식이다. 이 방법을 쓰면 막대한 데이터나 컴퓨팅 파워 없이도 고수준의 능력을 그대로 복제할 수 있다. 수개월, 수년의 시행착오를 건너뛰는 일종의 치트키다. 개발 주기를 강제로 단축시키는 지름길이다.

현재 중국 연구소들이 이 기법을 통해 서구권과의 격차를 무섭게 좁히고 있다. 독자적인 기술 돌파구보다는 서구권 모델의 능력을 가로채는 이른바 '증류 공격(Distillation attacks)'에 집중하는 모습이다. 앤스로픽 같은 기업들이 이를 심각한 보안 위협으로 경고하는 이유다. 공개된 모델에 정교한 질문을 던지고 그 답변을 다시 학습 데이터로 활용하면, 선도 모델의 논리 구조가 그대로 복제된다. 기술 공개가 곧 경쟁사를 위한 설계도 제공이 되는 셈이다. 공개가 곧 설계도 유출이다.

물론 단순히 베끼기만 하는 것은 아니다. 중국 연구소들은 하드웨어 수급이라는 치명적인 제약 때문에, 적은 자원으로 최대 효율을 내는 최적화 방식에서 오히려 혁신을 이뤄내고 있다. 서구권의 지적 재산을 공격적으로 추출하는 동시에, 극한의 효율을 추구하는 공학적 생존 전략을 병행하는 기묘한 구도가 형성된 것이다. 이제 최첨단 모델 개발사들은 깊은 고민에 빠졌다. 기술을 공개해 영향력을 넓힐 것인가, 아니면 피땀 흘려 만든 핵심 능력이 순식간에 복제되는 위험을 감수할 것인가. 기술 공개가 곧 경쟁력 상실로 이어지는 역설이다.

06메타 Muse Spark 1.1: 초저가 공세와 무너진 성능 검증 체계

고성능 AI 접근 비용이 급락하면서 더 많은 기업과 개발자가 강력한 도구를 손에 쥐게 됐다. 메타는 Muse Spark 1.1을 통해 처음으로 토큰(모델이 처리하는 텍스트 최소 단위) 기반 유료화에 나섰다. 입력 토큰 100만 개당 1.25달러, 출력 토큰 100만 개당 4.25달러라는 공격적인 가격 책정이다. 이는 시장에서 가장 저렴한 선택지로 꼽히던 중국의 오픈소스 모델 GLM 5.2를 정조준한 전략이다. 메타는 최첨단 성능을 파격적인 가격에 공급하며 기존 가격 체계를 무너뜨리고 경쟁사들의 수익 전략을 압박하고 있다. 사실상의 가격 전쟁이다.

가격은 내려가는데 모델 품질을 측정하는 기준은 이를 따라가지 못하고 있다. 모델이 다양한 환경에서 얼마나 안정적이고 안전하게 작동하는지 확인하는 표준 안정성 평가(robustness evaluations)는 이미 한계에 부딪혔다. 최신 모델들의 점수가 상향 평준화되면서, 이제는 '단순히 좋은 모델'과 '압도적인 모델'을 구분할 변별력이 사라진 셈이다. 시험지가 너무 쉬워졌다. 오픈AI는 이 정체 상태를 깨기 위해 스스로 안정성을 개선하는 GPT-Red를 도입했다. 이는 고정된 시험지를 푸는 방식에서 벗어나, 기존 성능 시험(benchmark)으로는 측정 불가능한 영역까지 스스로 진화하는 자동화 시스템으로 패러다임이 전환되고 있음을 보여준다.

공식 테스트의 변별력 상실은 업계에 '확신의 공백'을 만들었다. Fable 수준의 성능을 구현했다는 신규 모델들이 쏟아져 나와도, 검증된 데이터가 아닌 초기 테스터들의 후기에만 의존하는 경우가 허다하다. 공인된 성능 시험 없이는 이들이 정말 오픈AI 같은 업계 리더를 넘어섰는지 판단하기 어렵다. 표준 지표 대신 개인의 경험담에 의존하는 구조 탓에, 시장은 실제 성능 증명보다 과장된 기대감이 앞서는 불확실한 상태에 놓여 있다. 데이터 없는 주장은 믿을 수 없다.

07Grok 4.5, 하드웨어 직접 제어로 운영 비용 17배 절감

복잡한 자율형 AI(AI agent)를 운영하는 비용이 급격히 낮아지고 있다. 기업들의 관심이 단순한 성능 경쟁에서 하드웨어 효율성으로 옮겨갔기 때문이다. Grok 4.5가 대표적이다. 클로드 Opus 4.8보다 압도적인 비용 효율을 보여준다. 동일한 작업을 수행하는 데 필요한 토큰(데이터 단위)을 4분의 1로 줄여, 운영 비용을 무려 17배나 낮췄다. 비결은 하드웨어 직접 제어(bare metal) 기술에 있다. SpaceX AI 팀은 코드가 하드웨어와 더 직접적으로 상호작용하도록 최적화했다. 최대 60%까지 낭비되던 GPU 자원을 쥐어짜내 성능을 극대화한 것이다. 덕분에 비용 부담 때문에 포기했던 길고 복잡한 작업도 이제는 현실적인 선택지가 됐다. 효율이 곧 경쟁력이다.

효율뿐 아니라 규모 면에서도 압도적이다. Grok 4.5의 기반 모델은 약 1.5조 개의 매개변수(parameter)로 구성됐다. 이전 버전인 8 Small 모델의 5,000억 개보다 3배나 늘어난 수치다. 이제 업계는 무조건적인 '최고 지능'보다는 각자의 위치를 찾는 다극화 체제로 가고 있다. 자율형 AI를 대규모로 확장해야 하는 기업 입장에서는, 최고 성능의 10% 비용으로 그에 준하는 지능을 제공하는 모델이 훨씬 가치 있다. 가장 똑똑한 모델보다 가장 효율적인 모델이 시장을 먹는다.

비용 외에 주목할 변화는 데이터 주권이다. 특히 의료처럼 규제가 엄격한 분야에서 두드러진다. 기업들은 폐쇄된 전용 환경에서 자체 데이터로 모델을 학습시키는 최첨단 미세 조정(frontier tuning) 방식을 택하고 있다. 이를 통해 기업의 핵심 지식이 외부로 유출되는 것을 막고 소유권을 유지한다. 민감한 내부 프로세스가 클라우드에 저장되거나 외부 스타트업의 손에 들어가는 리스크를 원천 차단하는 것이다. 조직에 최적화된 모델을 직접 구축함으로써, 프라이버시를 지키면서도 최상위 수준의 AI 지능을 활용하는 길이 열렸다. 데이터가 곧 권력이다.

08SSI — 초지능만 쫓기엔 너무 비싼 개발비

SSI(Safe Super Intelligence)는 원대한 과학적 야심과 최첨단 AI 연구소 운영에 필요한 현실적인 자금 문제 사이에서 딜레마에 빠졌다. 이들은 중간 단계의 상용 제품 출시라는 '소음'을 제거하고, 모든 영역에서 인간의 능력을 뛰어넘는 초지능(superintelligence) 개발이라는 단일 목표에만 집중하겠다는 전략을 세웠다. 소비자 시장의 압박에서 벗어나 오직 안전하고 고도화된 시스템을 만드는 데만 전념하겠다는 계산이다. 상용화라는 곁가지를 쳐내겠다는 선언이다.

하지만 업계의 시선은 다르다. SSI가 결국 기존 기업들처럼 단계별 출시 전략을 택할 것이라는 관측이 지배적이다. 추가 투자금을 확보하기 위해 특정 모델을 대중이나 파트너사에 공개하는 전략적 선택을 할 것이라는 소문이 무성하다. 컴퓨팅 자원과 인재 확보에 천문학적인 비용이 들어가는 AI 개발 환경에서, 눈에 보이는 결과물을 내놓는 것만큼 투자자의 신뢰를 얻고 자금을 끌어오는 확실한 방법은 없다. 이론적인 목표와 현실적인 자금 사이의 간극을 메우는 유일한 방법은 결국 작은 성공들을 계속해서 증명해 보이는 일이다. 결국 자본의 논리가 이긴다.

전략의 수정은 설립 당시의 전제와 정면으로 충돌한다. 초지능을 완성할 때까지 비밀리에 연구하는 것이 이상적이겠지만, 운영 자금을 확보하려면 결국 '성과를 보여줘야 하는' 현실에 직면하게 된다. 중간 모델을 출시함으로써 기술적 방향성이 옳다는 것을 증명하고 시장의 기대감을 높이면, 최종 목표 달성에 필요한 거대 자본을 유치하기가 훨씬 수월해진다. 이는 아무리 순수한 연구 목적의 랩이라 할지라도, 성장을 유지하고 동력을 잃지 않으려면 주기적인 제품 마일스톤(milestone)을 무시할 수 없음을 시사한다. 순수 연구의 시대는 끝났다.

09gpt6보다 싸고 성능은 충분하다? SpaceX AI가 노리는 기업 시장의 빈틈은?

기업들이 AI 예산을 짜는 방식이 완전히 바뀐다. SpaceX AI가 최상위 AI 시장에 진입하며 판을 흔들고 있기 때문이다. 이들은 단순히 '가장 똑똑한 모델'을 만드는 경쟁 대신, 기업의 일상 업무를 처리하는 '실무형 모델(workhorse)' 전략을 택했다. 핵심은 AI가 읽고 쓰는 텍스트 단위인 '토큰(token)' 비용을 gpt6나 Mythos 6 같은 경쟁 모델보다 훨씬 낮게 책정하는 것이다. 성능은 유지하되 비용 효율을 극대화해, 매 질문마다 막대한 비용을 쓸 수 없는 기업들이 지속 가능하게 AI를 도입하도록 만들겠다는 계산이다. 가성비가 곧 경쟁력이다.

이에 따라 AI를 활용하는 일하는 방식(workflow)도 계층화된다. 모든 작업에 비싼 모델을 쓰는 대신, 단순 반복 업무의 80~90%는 SpaceX AI에 맡기는 식이다. 이렇게 하면 Fable 5 같은 프리미엄 모델을 쓸 때 발생하는 과도한 비용 부담을 덜 수 있다. 앞으로 최상위 모델은 모든 일을 다 하는 것이 아니라, 고도의 설계나 전략 수립 같은 복잡한 단계만 담당하는 '총괄 지휘자(orchestrator)' 역할을 수행한다. 실제 실행 단계의 업무는 저렴한 '실무용 모델'이 처리하는 구조다. 비싼 모델은 지시하고, 실무 모델이 뛴다.

SpaceX AI의 최종 목표는 최상위 수준의 성능을 유지하면서도 경쟁사보다 압도적으로 낮은 비용 구조를 갖추는 것이다. 세상에서 가장 똑똑한 모델이 아니라, '충분히 똑똑하면서 저렴한' 모델을 제공해 시장의 거대한 빈틈을 공략한다. 이 전략이 성공하면 AI는 가끔 쓰는 사치품이 아니라, 언제든 확장 가능한 유틸리티가 된다. SpaceX AI가 gpt6보다 낮은 가격에 성능을 증명한다면, 기업들은 운영비 폭탄 걱정 없이 AI 도입 규모를 본격적으로 키울 수 있게 된다. AI가 사치품에서 필수 도구로 바뀐다.

10며칠 걸릴 AI 실험을 몇 분 만에 — Lambda가 푼 컴퓨팅 병목 현상

AI 연구 논문의 이론을 실제 서비스로 구현하는 속도는 결국 하드웨어 성능이 결정한다. 최신 논문의 결과를 재현하거나 새로운 가설을 검증하려는 이들에게 가장 큰 걸림돌은 늘 컴퓨팅 파워의 부족이다. Lambda는 고성능 Nvidia GPU를 제공해 며칠씩 걸리던 복잡한 실험 결과를 단 몇 분 만에 확인하게 만든다. 개발 주기가 완전히 바뀐다. 논문을 읽자마자 아이디어를 즉시 검증하는 반복 실험이 가능해지기 때문이다.

이 플랫폼은 AI 개발의 전 과정을 지원한다. 모델을 처음부터 만드는 학습(training)은 물론, 기존 모델을 특정 작업에 맞춰 정교하게 다듬는 미세 조정(fine-tuning)까지 모두 가능하다. 개발을 넘어, 완성된 모델이 실제로 결과물을 만들어내는 추론(inference) 단계까지 책임진다. 텍스트-이미지 생성이나 비디오 제작, 혹은 Deepseek 챗봇이나 자율형 AI(agent)를 배포할 때 필수적인 고부하 작업들을 빠르고 안정적으로 처리할 수 있는 환경이다.

개발자와 연구자 입장에서 가장 큰 이점은 하드웨어 관리의 번거로움이 사라진다는 점이다. 환경 설정에 몇 시간을 허비하거나 느린 프로세서 앞에서 기다릴 필요 없이, 실험을 배포하고 즉시 결과를 얻으면 된다. 특히 학술 논문의 아이디어를 빠르게 테스트하며 시행착오를 줄여야 하는 상황에서 이 효율성은 극대화된다. 값비싼 자체 데이터 센터를 구축하고 유지할 필요 없이, 누구나 최첨단 AI 도구를 실험하고 복잡한 연구를 재현할 수 있는 문턱이 낮아졌다.

11유료 구독의 늪, 0원으로 시작하는 AI 전화 서비스

이제 보이스 AI 프로젝트를 시작할 때 처음부터 비용을 들일 필요가 없다. 가입 즉시 제공되는 20달러와 추가 무료 크레딧 덕분에, 내 돈 한 푼 안 쓰고도 수백 건의 실제 통화를 처리하는 자율형 에이전트(agent)를 배포할 수 있다. 개발자나 사업가 입장에서 초기 비용 부담이 완전히 사라진 셈이다. 유료 플랜으로 전환하기 전, 실제 환경에서 자동화 음성 시스템이 정말 효과가 있는지 충분히 검증할 수 있다. 진입 장벽이 사라졌다.

가입부터 실제 작동까지의 과정도 매우 단순하다. 음성 상호작용에 특화된 5종의 실전용 보이스 AI 에이전트가 이미 준비되어 있다. 이 프로그램들은 코드 저장소(GitHub)에서 Team Telnix의 예제 라이브러리를 복제해 바로 가져다 쓸 수 있다. AI에게 내리는 구체적인 지시어(프롬프트)와 서로 다른 소프트웨어가 통신하게 돕는 연결 설정(웹훅)까지 모두 포함되어 있어 구축 속도가 빠르다. 가이드 문서(readme)만 따라가면 약 10분 만에 시스템 가동이 가능하다.

이런 매끄러운 온보딩은 이른바 '프랑켄 슬랙(Franken Slack)'이라 불리는 파편화된 방식과 극명하게 대비된다. 기존에는 여러 도구와 서비스를 억지로 이어 붙여 사용하며 각 구성 요소마다 비용을 지불해야 했다. 맞춤형 음성 에이전트를 만들려면 여러 개의 유료 구독 서비스를 관리하고 복잡한 연동 과정을 거쳐야 했지만, 이제는 통합된 환경에서 크레딧과 템플릿을 무료로 제공받는다. 자금과 설계도를 동시에 쥐여주니, 아이디어가 실제 도구로 구현되는 시간이 거의 즉각적이다. 초기 프로토타입 단계에서 실패해도 잃을 돈이 없다. 리스크가 제로에 가깝다.

12AI가 스스로 공부한다: Thinking Machines의 Inkling, 개발자 손을 떠난 학습

Thinking Machines가 스스로 학습해 성능을 높이는 모델, Inkling을 공개했다. 이른바 '자가 진화(self-evolution)' 방식이다. 사람이 일일이 가이드라인을 잡는 대신, AI가 직접 특정 작업에 맞춰 성능을 다듬는 미세 조정(fine-tuning) 과정을 수행한다. 학습 사이클을 자동화하면서 가중치 공개(open-weight) 모델의 개발 한계를 넓혔다. 이제 지능의 발전 속도는 더 빨라질 것이다. 복잡한 실무 적용을 위해 사람이 매달려야 했던 수고가 획기적으로 줄어든다.

이를 위해 Thinking Machines는 Inkling이 직접 자신의 성능을 개선하는 특수한 작업 흐름(workflow)을 설계했다. Tinker 프레임워크와 표준화된 성능 검증 장치(open code harness)를 활용해 스스로를 다듬는 식이다. 특히 Inkling은 기존 모델을 기반으로 만든 것이 아니라 처음부터 완전히 새로 학습시켰다. 텍스트와 이미지를 동시에 처리하는 멀티모달(multimodal) 능력을 나중에 덧붙인 게 아니라, 설계 단계부터 핵심 구조로 반영했다.

결과는 수치로 증명됐다. Inkling은 현재 새로운 상호작용 모델에 적용되어 있으며, 주요 벤치마크에서 대부분의 가중치 공개 모델을 압도하는 성능을 보였다. 디자인 아레나(design arena) 리더보드에서는 최상위 프런티어 모델과 GLM 5.2의 턱밑까지 추격했다. 오픈소스 프로젝트로서는 이례적인 성과다. Apache 2.0 라이선스로 공개된 서구권 연구소의 결과물이라는 점에서도 의미가 크다. 소수 거대 기업이 독점한 폐쇄형 모델이나, 텍스트 중심의 중국계 공개 모델을 대체할 강력한 선택지가 등장한 셈이다.