AI의 진화 속도가 빨라지면서 개발 환경과 투자 지형이 동시에 요동치고 있다.

우선 개발자가 여러 AI 모델을 한곳에 모아 기존 작업 흐름(workflow)에서 효율적으로 테스트할 수 있게 돕는 오픈소스 인터페이스, Omniroot가 첫선을 보였다. 이와 동시에 Qwen 3.8 Max의 약진이 눈에 띈다. 3D 에셋 생성과 복잡한 UI 복제에서 탁월한 성능을 입증했다. 다만 모바일 개발 성능 시험(benchmark)에서는 여전히 치열한 경쟁 상황에 놓여 있다.

모델 성능 너머의 재무적 현실은 냉혹하다. 클라우드 인프라에 쏟아부은 막대한 자본 지출이 주요 빅테크 기업들의 현금 흐름에 상당한 부담을 주고 있다. 비용의 시대가 왔다.

보안과 거버넌스 논의는 더욱 날카로워졌다. 특히 Kimmy K3 모델을 중심으로 한 모델 증류 체인(model distillation chains)의 위험성이 도마 위에 올랐다. 가중치 공개 모델(open-weight models)의 안전성 시험이 오히려 기술 혁신을 가로막는 것 아니냐는 논쟁도 뜨겁다.

운영 효율을 높이려는 시도도 계속된다. Buzz 플랫폼은 고유 ID 추적 방식을 도입해 자율형 AI들의 협업(multi-agent collaborations) 과정에서 책임 소재를 명확히 하는 방안을 제시했다. 또한, 훈련 중간 손실(mid-training loss) 같은 기술 지표가 강화 학습(RL) 시스템의 향후 성능을 예측하는 핵심 열쇠로 부상했다.

8월 3일 공개된 Quinn 모델의 등장부터, 한 번 획득하면 되돌릴 수 없는 모델 능력에 대한 앤스로픽의 경고까지. 이번 리포트는 AI 생태계의 핵심 변화를 압축해 전달한다.

01알리바바 Qwen 3.8 Max, 스스로 프로젝트 짜고 수익 4배 낸 자율성

알리바바의 Qwen 3.8 Max가 자율형 AI의 정의를 다시 쓰고 있다. 단순한 채팅 수준을 넘어 비즈니스 사이클 전체와 소프트웨어 생애주기를 관리하는 단계로 진입했다. 2.4조 개의 매개변수를 가진 이 거대 모델은 앤스로픽 API와 호환되어 클로드 코드, Codeex, Openclaw 같은 기존 개발 도구의 핵심 지능 역할을 수행한다. 개발자는 이를 작업 흐름(workflow)에 직접 통합해 장기적인 실행 과제나 반복적인 코딩 업무를 처리할 수 있다. 이제 AI는 단순한 도구가 아니라 운영체제에 가깝다.

성능은 실전에서 증명됐다. 'Oh my CLI' 프로젝트에서 AI는 인간의 개입 없이 텅 빈 저장소에서 10일 동안 스스로 프로젝트를 구축했다. 분배기(dispatcher), 모니터, 감시 장치(watchdog)를 통해 조직 구조를 직접 설계하고, GitHub 이슈 관리와 코드 병합 전 자동 검증까지 수행했다. 학술 연구 능력도 탁월하다. 논문을 읽고 필요한 코드를 작성해 원본 결과를 그대로 재현해낸다. 코딩 성능 측정 지표인 Terminal Bench에서는 86.6점을 기록하며 Fable과 GPT 5.6 Sol을 모두 제쳤다.

코딩뿐 아니라 수익 창출 감각도 날카롭다. 타오바오와 티몰 데이터를 기반으로 한 이커머스 시뮬레이션에서 1년 만에 초기 자본을 4배로 불려 416,000달러의 잔고를 달성했다. 이는 GLM 5.2보다 38% 높은 성적이다. 하지만 이런 능력은 치명적인 보안 위협이 된다. 자율형 AI가 오래된 코드베이스를 분석해 숨겨진 취약점을 찾아낼 수 있기 때문이다. 실제로 지난 7월 16일 Kimmy K3 출시 이후, 5년 전부터 존재했던 취약점을 통해 7월 30일 콜드 월렛에서 약 1억 달러 상당의 Bitcoin이 탈취되는 사고가 발생했다. AI의 효율성이 곧 해킹의 효율성이 된 셈이다.

다만 일반 소비자용 앱을 위한 세밀한 조정(fine-tuning) 단계에서는 여전히 한계를 보인다. DeepSeek와 비교했을 때, DeepSeek는 검색과 즐겨찾기 기능이 완벽히 작동하는 모바일 앱을 만들어냈다. 반면 Qwen이 만든 앱은 간단한 스와이프 동작에도 화면이 멈추는 치명적인 버그가 발생했다. 고차원적인 자율 계획 능력은 뛰어나지만, 매끄럽고 결함 없는 사용자 인터페이스(UI)를 구현하는 디테일은 아직 부족하다는 방증이다.

02구글의 현금난 — AI 인프라 투자가 삼킨 현금 흐름

AI 주도권 경쟁 비용이 임계점을 넘었다. 세계에서 가장 돈이 많은 기업들조차 전례 없는 재정적 압박을 느끼는 수준이다. 구글은 역사상 처음으로 현금 흐름이 마이너스로 돌아섰다. 클라우드 부문 매출은 급증하고 있지만, 물리적 자산에 쏟아붓는 설비 투자(Capex) 규모가 그 수익을 모두 상쇄했다. 구글이 돈을 쏟아붓는 곳은 광활한 부지와 막대한 전력망, 고성능 칩과 메모리 같은 AI 필수 기반 시설이다. 이들 거대 기업은 AI 토큰을 생성하는 인프라가 결국 수익으로 돌아올 것이라는 믿음에 재무제표를 걸었다. 당장의 현금 유출을 감수하는 거대한 도박이다.

이 인프라 전쟁은 지정학적 구도까지 바꾼다. 중국은 현재 AI 토큰을 일종의 범용 상품(commodity)으로 만들어, 특정 지능 모델이 가진 독보적인 가치를 없애려 한다. 토큰이 표준화된 상품이 되면 미중 경쟁은 더 이상 지능 전쟁이 아니라 에너지 전쟁이 된다. 알고리즘의 정교함보다 하드웨어를 돌릴 에너지를 누가 더 많이 확보했느냐가 승패를 가른다. 이제는 알고리즘이 아니라 에너지의 싸움이다. 이러한 흐름은 기업들이 전력과 부지를 확보하기 위해 더 많은 돈을 쓰게 만들며 투자 비용을 더욱 끌어올린다.

천문학적인 비용에도 하드웨어 수요는 멈추지 않는다. Microsoft, Amazon 같은 초대형 클라우드 사업자(Hyperscalers)들이 Intel의 CPU, Nvidia와 AMD의 GPU, 그리고 각종 메모리 부품의 매출을 강력하게 견인하고 있다. 하지만 시장의 극심한 변동성은 투자자에게 치명적인 위험이 된다. Leopold의 사례가 이를 증명한다. 그는 Nebius, Iron, Bloom Energy 같은 기업에 투자해 방향은 정확히 맞혔고, 실제로 청산 후 하루 만에 25~27%의 수익이 났다. 하지만 과도한 레버리지(차입 자본)를 사용한 탓에 결국 무너졌다. 기술적 방향을 맞히는 것보다 재무적 생존이 먼저라는 엄중한 경고다.

03비싼 AI 구독료, 무료 모델 하나로 다 해결할 수 있을까?

개발자가 더 이상 여러 개의 AI 서비스에 매달 구독료를 지불하지 않아도 되는 길이 열렸다. 오픈소스 도구인 Omniroot가 다양한 무료 AI 모델 제공자를 하나의 인터페이스로 통합했기 때문이다. 이제 여러 웹사이트를 돌며 API 키와 사용 제한을 따로 관리할 필요가 없다. 한 번의 연결만으로 수많은 모델을 자유롭게 이용할 수 있다. 개인 노트북이 곧 맞춤형 AI 허브가 되는 셈이다. 비용은 0원이 된다.

이 방식의 핵심 전략은 제품의 '몸체'는 유지한 채 내부의 AI '두뇌'만 갈아 끼울 수 있다는 점에 있다. 예를 들어 `settings.json` 파일만 수정하면, 클로드의 API 요청을 앤스로픽이 아닌 Omniroot의 엔드포인트(맞춤형 목적지 주소)로 보낼 수 있다. 이렇게 하면 클로드의 계획 모드, 단축키, 파일 편집 도구 같은 정교한 시스템은 그대로 활용하면서, 실제 지능 처리는 다른 무료 모델에 맡기는 구조가 가능하다. 이제 기업의 경쟁력은 어떤 모델을 보유했느냐가 아니라, 그 모델을 둘러싼 도구를 얼마나 잘 구축했느냐에 달렸다. 경쟁력의 핵심이 바뀌었다. 작업 흐름(workflow)은 Hostinger 커넥터로 더욱 간결해졌다. VS Code, Cursor, 클로드 코드 사용자는 AI 인터페이스에서 간단한 텍스트 명령만으로 웹사이트를 즉시 배포할 수 있다.

다만 모델 제공업체가 주장하는 가용성이 실제와 다른 경우가 많아, 작동하지 않는 연결 지점을 걸러내는 실시간 테스트가 필수적이다. 실제 서비스를 구축하는 개발자에게는 오픈소스 검증 도구인 Testr CLI가 유용하다. 이 도구는 가상 사용자로 동작해 실제 앱과 상호작용하며, 작동하지 않는 제출 버튼 같은 오류 흐름을 찾아낸다. 이후 AI에게 스크린샷과 수정 제안을 함께 제공해 빠르게 해결하도록 돕는다. 순수 성능 면에서는 최근 테스트 결과 Coin 3.0 Max가 deepseek보다 복잡한 코딩 작업에서 앞서는 것으로 나타났다. 특히 목성의 대적점 같은 세밀한 묘사가 포함된 블랙홀과 태양계의 Three.js 시뮬레이션을 구현하는 능력이 탁월하다.

04AI 모델 설계도 공개, 한 번 배포하면 회수 불가능한 보안 리스크

현대 AI의 가장 큰 보안 리스크는 모델 가중치(model weights), 즉 모델을 작동시키는 내부 파라미터가 공개되는 순간 다시는 회수할 수 없다는 점이다. 여기서 글로벌 연구소들의 운영 방식이 극명하게 갈린다. 오픈AI나 앤스로픽 같은 서구권 기업들은 위험 능력이 발견되면 즉시 모니터링하고 업데이트하거나 서비스를 중단할 수 있는 폐쇄형 서비스를 제공한다. 반면 중국 연구소들은 이러한 능력을 추출해 가중치를 공개하는 방식을 택한다. 일단 수천 대의 개인 컴퓨터로 파일이 내려받아지면, 개발자가 접근 권한을 취소하거나 모델 사용을 막을 방법은 없다. 통제권이 사라지는 순간이다.

이 갈등은 업계 거물들의 이례적인 합의를 끌어냈다. 엔비디아, 마이크로소프트, 메타, 구글, 오픈AI, 아마존, SpaceX, Mistral, Hugging Face, Perplexity 등 광범위한 연합체가 최근 공개 서한을 통해 가중치 공개 AI의 역할을 옹호했다. 하지만 앤스로픽은 이 대열에 합류하기를 거부했다. 이는 더 깊은 가치 충돌을 보여준다. 많은 이들이 가중치 공개를 혁신과 접근성을 위한 필수 요소로 보지만, 일각에서는 접근 제한이 불가능하다는 점이 심각한 보안 위협이 된다고 주장한다. 특히 방어책보다 공격 수단이 더 빨리 개발될 수 있는 생물학 같은 민감한 분야에서 위험은 더 크다.

이제 논쟁의 핵심은 오픈소스 생태계를 파괴하지 않으면서 어떻게 이 모델들을 규제하느냐로 옮겨갔다. 일부는 가중치를 공개하기 전 반드시 안전 성능 시험(safety testing)을 거치도록 강제하자고 제안한다. 하지만 비판론자들은 이런 요구가 '금지'라는 단어를 쓰지 않은 사실상의 금지 조치가 될 수 있다고 경고한다. 안전 시험 비용이 지나치게 비싸지거나 모델 수정에 대한 법적 기준이 모호해지면, 규모가 작은 연구소들은 강력한 가중치 공개를 완전히 포기할 수밖에 없다. 결국 지능의 미래는 규제 비용을 감당할 수 있는 소수의 폐쇄형 거대 기업들의 성벽 뒤로 통합될 것이다.

05AI 여러 대가 엉켜도 누가 틀렸는지 안다 — Buzz의 작업 추적

여러 자율형 AI(agent)가 한 프로젝트에서 협업할 때 가장 큰 위험은 책임 소재가 사라진다는 점이다. 어떤 AI가 코드를 수정했는지, 어디서 실수가 시작됐는지 파악하기 어렵기 때문이다. Buzz는 모든 AI에게 고유한 이름과 로그인 계정을 부여해 이 문제를 해결했다. 모든 행동이 개별 신원 아래 기록된다. 덕분에 사용자는 오류를 낸 특정 AI를 찾아낼 수 있고, 더 나아가 그 AI에게 명령을 내린 사람이 누구인지까지 정확히 파악한다. 혼란스러운 협업 공간을 투명한 기록장으로 바꾼 셈이다. 개발자는 프로젝트가 어떻게 변해왔는지 명확한 작업 이력(audit trail)을 유지할 수 있다.

이러한 추적 능력은 메시지 추적 시스템 덕분이다. 사람과 AI의 모든 상호작용에 고유 ID를 부여한다. 이렇게 세밀하게 남은 기록은 AI의 실패 원인을 분석하고, 전체 작업이 프로젝트 목표에서 벗어나지 않게 관리하는 데 핵심적인 역할을 한다. Buzz는 여기서 한 발 더 나아가 '상호 검증(adversarial review)' 방식을 도입해 결과물의 품질을 높였다. AI들이 서로 구조적인 토론을 벌이게 하는 방식이다. 작업 흐름(workflow)은 단순하다. 한 AI가 제품 요구사항 정의서 같은 결과물을 공격하면, 다른 AI가 이를 방어한다. 경쟁 구도를 통해 AI 한 대가 혼자 작업할 때는 놓치기 쉬운 미세한 오류나 논리적 빈틈을 잡아낸다.

하지만 클로드 코드(클로드 코드)와 함께 사용할 때 자원을 낭비하는 설계 결함이 발견됐다. 클로드 코드는 이미 자체 메모리에 대화 기록을 저장하고 있는데, Buzz가 새 메시지를 보낼 때마다 전체 대화 이력을 다시 전송한다. 결국 AI가 정보를 처리하는 단위인 토큰(token)을 이중으로 사용하게 된다. 비용이 늘고 계산 부하가 커지는 원인이다. 추적과 검증 시스템이 프로젝트 관리에 큰 가치를 주는 것은 분명하지만, 이러한 데이터 중복 전송은 해결해야 할 기술적 과제다.

06Qwen 3 Max: 텍스트 한 줄로 macOS를 브라우저에 통째로 구현

Qwen 3 Max가 단순한 텍스트 프롬프트만으로 복잡한 인터랙티브 환경을 만들어내며 브라우저 기반 개발의 속도와 능력을 완전히 바꾸고 있다. 최근 진행된 성능 시연에서 이 모델은 웹 브라우저 내에서 완전히 작동하는 macOS 클론을 제작했다. 단순한 정지 화면이 아니다. 상단 바의 반응성과 앱 애니메이션이 매끄럽게 작동하는 실제 인터페이스다. 사용자는 사파리, 메시지, 메일, 페이스타임, 캘린더, 메모, 음악 등 핵심 앱의 시뮬레이션 버전과 직접 상호작용할 수 있다. 외부 소프트웨어 설치 없이도 'Arena Strike'라는 간단한 게임까지 통합해 냈으며, 이는 모델이 다층적인 상호작용 로직을 처리할 수 있음을 입증한다. 설치 없는 환경 구축의 시대다.

인터페이스 디자인을 넘어 3D 생성 능력에서도 강력한 모습을 보였다. 3D 공간 구현 기술(3GS)을 이용해 현대적인 거실 장면을 만들라는 요청에, 단 하나의 프롬프트로 심미적 완성도가 높은 환경을 구축했다. 특히 TV 화면에 톰과 제리 SVG 애니메이션을 넣으라는 세부 요청까지 정확히 반영하며 놀라운 디테일을 보여줬다. 태양계 시뮬레이션 역시 뛰어났다. 목성의 거대한 붉은 점 같은 행성별 고유 디자인 요소를 정밀하게 구현했다. 시각적 정밀함까지 확보했다.

가장 주목할 점은 압도적인 효율성이다. Qwen 3 Max는 시각적 품질을 유지하면서도 경쟁 모델보다 3D 생성 작업을 훨씬 빠르게 완료한다. 간혹 사소한 오류가 나타나기도 하지만, 업계 표준인 거대 모델들과 비교해도 충분히 경쟁력 있는 성능이다. 고품질을 유지하면서 빠른 시제품 제작(prototyping)이 필요한 개발자와 크리에이터에게 최적의 도구가 될 것이다. 복잡한 브라우저 기반 인터랙티브 경험을 만드는 진입 장벽이 무너졌다. 이제 더 야심 찬 프로젝트를 훨씬 짧은 시간 안에 현실로 만들 수 있다.

07앤스로픽의 경고: 한 번 공개된 AI는 '취소 버튼'이 없다

강력한 AI 시스템이 세상에 공개되는 순간, 이를 되돌릴 방법은 사라진다. 이것이 앤스로픽이 안전 프레임워크의 핵심으로 삼는 '회수 불가능한 능력(irreversible ability)'의 개념이다. 위험한 기능을 가진 모델이 공개 모델(open model) 형태로 배포되어 누구나 개인 하드웨어에 내려받아 실행할 수 있게 되면, 이를 다시 회수하는 것은 불가능하다. 패치를 적용하는 소프트웨어 업데이트나 서버를 끄면 그만인 클라우드 서비스와는 완전히 다르다. 공개 모델은 수많은 개인 서버에 영구적으로 남는다. 치명적인 해를 끼칠 수 있는 시스템이 이렇게 퍼지면, 개발자는 누가 어떻게 쓰는지 통제할 수 없다. 위험이 디지털 세상의 영구적인 상수가 되는 셈이다.

이 관점은 AI 개발의 미래를 두고 두 진영을 극명하게 가른다. 앤스로픽은 소수의 책임 있는 연구소가 가장 강력한 시스템을 통제해야 한다는 입장이다. 폐쇄형 환경에서는 AI 사용 방식을 실시간으로 감시하고, 위험한 기능에 엄격한 제한을 걸어 오용을 막을 수 있다. 반면 공개 모델 진영은 사용자가 직접 시스템을 내려받아 검증하고 소유할 때 더 안전하다고 주장한다. 투명성과 독립성을 강조하는 논리다. 하지만 앤스로픽은 긴급 정지 장치(kill switch)가 없는 공개 시스템이 초래할 글로벌 리스크는 감당할 수 없는 수준이라고 단언한다.

이러한 안전 철학의 충돌은 단순한 이론 싸움이 아니다. 업계 거물들의 비즈니스 모델과 밀접하게 얽혀 있다. 양측 모두 안전을 최우선으로 내세우지만, 실제로는 각자의 재무적 이익을 대변하는 경우가 많다. 앤스로픽 같은 폐쇄형 연구소는 기술 독점권을 유지함으로써 이득을 얻는다. 반면 공개 모델 생태계는 다른 승자를 만든다. 개발자가 더 많은 시스템을 돌릴수록 클라우드 기업의 수요가 늘고, 고성능 컴퓨팅 하드웨어를 파는 Nvidia의 매출이 증가한다. 결국 '회수 불가능한 능력'을 둘러싼 논쟁은 AI를 철저히 관리되는 서비스로 둘 것인지, 누구나 쓰는 공공재로 풀 것인지에 대한 주도권 싸움이다.

08Kimmy K3와 지식 증류 — 5년 된 빈틈을 찾아 1억 달러를 훔치다

하드웨어 지갑에서 1억 달러 상당의 비트코인이 순식간에 사라졌다. 고성능 AI 모델이 보안에 어떤 위협이 되는지 보여준 사건이다. 공격 시점이 특히 의심스럽다. 7월 16일 Kimmy K3 모델이 출시됐고, 보름도 채 되지 않은 7월 30일에 대규모 탈취가 일어났다. 자금을 훔치는 데 사용된 취약점은 5년 넘게 공개된 상태였지만, 정작 공격은 이 모델이 등장한 직후에 시작됐다. 단순한 우연으로 보기 어렵다. AI가 인간이 놓쳤던 오래된 결함을 찾아내 무기화했을 가능성이 크다.

이번 보안 사고는 '지식 증류(distillation)'라고 불리는 과정과 연결된다. 성능은 뛰어나지만 위험한 모델을 이용해, 더 작고 대중적인 버전의 모델을 학습시키고 정제하는 방식이다. 이 연결 고리의 중심에는 Mythos라는 모델이 있다. Mythos는 오남용을 막기 위해 안전장치를 갖춘 Fable이라는 이름으로 일반에 공개됐다. 하지만 Fable은 다시 Opus 5, Quen, Kimmy 같은 모델들을 만드는 기반이 됐다. 위험한 조상 모델의 지식을 자식 모델들에게 전수하는 과정에서, 복잡한 소프트웨어 취약점을 찾아내는 능력은 안전 필터를 거친 뒤에도 그대로 남았다. 껍데기만 바꾼다고 본능까지 사라지지는 않는다.

모델 생태계의 확장 속도는 무서울 정도다. 최근 Alibaba는 2.4조 개의 매개변수를 가진 거대 모델 Quen 3.8 Max를 공개했다. 열흘 넘게 스스로 코딩을 수행하고, 가상 사업을 운영해 자산을 4배로 불릴 수 있다고 주장하는 모델이다. 이런 강력한 모델의 가중치가 오픈소스로 풀리면서 악용 가능성은 더 커졌다. 8월 3일 Quinn 모델까지 출시되며 업계의 긴장감은 최고조에 달했다. 스스로 코딩하고 사업을 최적화하는 능력은, 곧 암호화폐 지갑의 오래된 빈틈을 훑는 능력과 같다. 이론적인 위험이 1억 달러라는 현실이 됐다.

09비싼 AI 시대 끝났나? 오픈소스가 깎아내린 이용료의 정체는?

고성능 AI 운영 비용이 급격히 낮아지고 있다. 폐쇄형 모델들이 시장을 주도하던 시대에서 오픈소스 대안들이 가격 경쟁력을 앞세워 그 자리를 위협하는 형국이다. 대부분의 기업이 지불하는 비용은 텍스트 조각 단위로 계산하는 토큰당 비용(per-token pricing)이다. 이 비용이 내려가면 기업은 막대한 추가 지출 없이도 방대한 데이터를 처리하거나 수백만 건의 고객 응대를 수행할 수 있다. 고성능 AI 도입을 가로막던 재정적 장벽이 빠르게 허물어지는 중이다.

현재 선택지 간의 가격 차이는 매우 극명하다. Open Router를 통해 제공되는 특정 모델의 경우, 입력 토큰 100만 개당 2달러, 출력 토큰 100만 개당 6달러 수준이다. 반면 고성능 모델인 GPT 5.6 Sol은 입력 5달러, 출력 30달러를 책정했다. Fable은 더 심하다. 입력 10달러, 출력 50달러에 달한다. 출력 비용만 놓고 보면 오픈소스 대안은 경쟁 모델의 극히 일부 비용만으로 운영이 가능하다. 프리미엄 모델로는 엄두도 못 낼 대규모 서비스 확장이 가능해진 셈이다.

물론 비용이 낮다고 해서 무조건 가치가 높다는 뜻은 아니다. 기업은 단순한 처리 비용과 모델의 실제 성능, 신뢰도 사이에서 균형을 잡아야 한다. 하지만 Open Router 같은 저렴한 대안의 등장은 GPT 5.6 Sol이나 Fable 같은 폐쇄형 모델의 가격 전략에 엄청난 압박을 가한다. 토큰당 지능 비용이 계속 하락하면서, 개발자와 기업의 관심은 단순히 '기술을 사용하는 것'에서 '어떻게 효율적으로 써서 이익을 극대화할 것인가'로 옮겨가고 있다. 이제는 접근이 아니라 효율의 시대다.

10학습 중간의 오차율로 최종 성능 예측: 실패할 모델을 미리 걸러내는 법

AI 모델의 최종 다듬기 단계에서 성공 여부를 미리 알 수 있다면 개발 시간과 컴퓨팅 자원을 엄청나게 아낄 수 있다. AI 개발의 마지막 단계는 보통 보상과 처벌 시스템을 통해 모델의 행동을 정교하게 다듬는 강화 학습(RL) 과정이다. 만약 초기 학습이 끝나기도 전에 이 과정의 결과가 어떻게 나올지 알 수 있다면, 실패할 실험은 빠르게 접고 예산을 효율적으로 배분할 수 있다. 결국 자원 낭비를 막는 효율의 문제다.

최근 연구에 따르면 '중간 학습 손실(mid-training loss)'이 미래의 성공을 알려주는 신뢰할 만한 신호가 된다. 여기서 손실이란 모델이 다음 단어를 예측하며 배우는 과정에서 발생하는 오차율을 뜻한다. 연구진은 Dolma와 Numatron math 데이터를 포함해 2,000억 개의 토큰으로 사전 학습시킨 10억 개 파라미터 모델을 분석했다. 그 결과, 학습 중간 단계의 오차율과 이후 강화 학습 단계에서 보여준 성능 사이에 명확한 상관관계가 있음을 발견했다. 초기 교육 과정에서 모델이 얼마나 고전하거나 성공하는지가 나중에 얼마나 잘 훈련될지를 결정하는 예고편인 셈이다.

이 발견은 AI 모델을 완전히 처음부터 만드는 조직에 가장 실질적인 도움이 된다. Llama 같은 기존 기반 모델을 가져와 강화 학습 알고리즘이나 그룹 규모만 바꾸며 실험하는 개발자들에게는 큰 의미가 없다. 하지만 새로운 기반 모델을 직접 만드는 팀은 리스크가 훨씬 크다. 이들에게 중간 학습 지표를 통해 성능 변화 추이를 예측하는 능력은 과학적인 이정표가 된다. 원천 데이터에서 고성능 AI로 가는 과정을 더 이상 알 수 없는 '블랙박스'로 취급하지 않고, 중간 지표를 통해 지능의 궤적과 개선 가능성을 정밀하게 측정할 수 있게 됐다.

11클라우드 구독의 제약, 개인 PC의 자유 — Quen 27B가 여는 로컬 AI 시대

기업의 클라우드 서버에 의존하지 않고 개인 컴퓨터에서 AI 모델을 직접 구동하면 데이터 통제권과 프라이버시를 훨씬 강력하게 확보할 수 있다. 이런 로컬 환경을 구축하려는 이들에게 출시 예정인 Quen 시리즈의 270억 개 매개변수(parameter) 가중치 공개(open-weight) 모델은 매우 매력적인 선택지다. 가중치 공개 모델이란 모델의 핵심 내부 설정값을 외부에 공유해, 적절한 하드웨어만 있다면 누구나 직접 AI를 설치하고 운영할 수 있는 방식을 말한다. 인터넷 연결이 필요 없고 매달 지불하는 구독료 부담에서도 완전히 벗어난다. 구독료 없이 온전한 내 소유의 AI를 갖게 된다.

이번 모델에 쏠리는 기대감은 기존 시리즈의 성능 지표에서 기인한다. Quen 3 Max는 전반적으로 우수한 성능을 보여주지만, 모든 사용자의 일상 업무에 최적화된 '데일리 드라이버'로 쓰기엔 무리가 있다. AI 분야의 발전 속도가 워낙 빨라, 이전 모델보다 더 유능하거나 가성비 좋은 모델이 끊임없이 등장하기 때문이다. 실제로 프런트엔드 작업에서는 Quen 3 Max보다 저렴하고 효율적인 Kim K3를 선호하는 사용자가 많다. 결국 도구의 가치는 단순한 성능이 아니라 활용 방식에서 결정된다.

270억 개 매개변수 버전이 로컬 설치의 최적점으로 꼽히는 이유가 여기 있다. AI에서 매개변수(parameter)는 모델이 판단을 내릴 때 사용하는 내부 변수를 의미한다. 270억 개라는 규모는 고도의 지능을 유지하면서도 개인용 하드웨어에서 충분히 감당할 수 있는 적절한 수준이다. 즉, 강력한 성능과 효율적인 구동이라는 두 마리 토끼를 잡은 셈이다. 클라우드 AI의 제약에서 벗어나고 싶은 사용자에게 이 모델은 가장 현실적인 대안이다. AI의 주도권이 기업에서 개인으로 넘어오는 지점이다.

12Quinn: 숨어있던 보안 취약점을 즉각 위협으로 바꾸는 AI

8월 3일 출시된 Quinn 모델은 AI의 능력이 또 한 번 진화했음을 보여준다. 특히 보안 취약점을 찾아내고 이를 악용하는 능력이 비약적으로 상승했다. AI를 단순한 생산성 도구로 보던 시대는 끝났다. 이제 AI는 디지털 자산과 금융 보안을 직접적으로 위협하는 무기가 됐다. 취약점이 방치된 시간과 그것이 실제 공격으로 이어지는 시간 사이의 간격이 급격히 좁아지고 있다.

Quinn이 주는 경고는 최근의 사례에서 극명하게 드러난다. 지난 7월 16일 Kimmy K3 모델이 출시됐고, 불과 2주 뒤인 7월 30일 약 1억 달러 규모의 Bitcoin이 탈취됐다. 놀라운 점은 이 공격에 이용된 보안 취약점이 5년 넘게 방치되어 있었다는 사실이다. 누구나 볼 수 있는 곳에 있었지만 아무도 찾지 못한 구멍이었다. 단순한 우연이라는 시각도 있지만, 모델 출시와 공격 시점의 밀접한 관계는 AI가 숨겨진 결함을 자동으로 찾아내는 도구로 쓰였을 가능성을 시사한다.

Quinn은 이전 모델들보다 훨씬 강력한 성능을 갖췄다. 보안 위협의 강도가 더 높아질 수밖에 없는 이유다. 이전 모델이 5년 된 취약점을 찾아냈다면, Quinn은 그 과정을 더 가속화하거나 훨씬 복잡한 약점까지 찾아낼 수 있다. 이제 "운 좋게 발견되지 않겠지"라는 기대는 더 이상 전략이 될 수 없다. AI가 대규모로 코드를 스캔하고 분석하는 순간, 잠들어 있던 버그는 즉각적인 위협으로 변한다. 사이버 보안의 판 자체가 완전히 바뀌었다.