허진호 대표의 2023 AI trend

좋습니다. 거진으로 갑니다. 오늘은 설명드릴 내용은 기본적으로 generative AI라는 것에 대한 정의의 배경에 대한 설명을 먼저 한번 드리고 현재 generative AI라는 기술 혹은 이 업계가 어떤 형태로, 어느 단계로 지금 발전을 하고 있고 그다음에 그 내부에서 스타트업으로서 혹은 투자자로서 어떤 기회가 있을 것인가에 대한 앞으로의 최대한 100% 정확하게 가능하지 않겠지만 최대한 예측을 해보고 그것에 대해서 우리가 어떤 것을 할 수 있을까 어떤 기회를 찾을 수 있을 것인가 라는 부분에 좀 초점을 맞춰가지고 설명을 좀 드려보겠습니다. 여러분들 다 동의하시겠지만 원래는 아마 특히 IT업계에서는 제너리티브 AI의 해라고 이름을 붙여도 무방할 것 같습니다. 근데 그게 어떤 일이 일어났기 때문에 올해를 특히 제너리티브 AI의 해라고 부를 수 있을 것인가 라는 부분을 조금 살펴보면 사실은 뒷부분에 여러 번 반복해서 설명을 다시 드리긴 하겠지만 몇 개의 AI 모델 특히 AI 모델이 등장을 하고 등장한 AI 모델들이 일반 컨실러 사용자들의 관심을 굉장히 많이 받았던 것 때문에 올해가 특히 generative AR 용어를 많이 쓰게 된 것 같습니다. 여기 나와 있는 몇 개의 모델 달리2, 스태블드 디퓨전, 미드 조이닝, 채트 GPT 같은 모델들이 원래 등장하는 모델인데 사실 앞에 세 개의 달리2나 스태블드 디퓨전, 미드 조이닝 같은 경우에는 사실은 과거에 상상이 되게 어려웠던 일들을 해주는 모델들이거든요. 어떤 것이냐 하면 텍스트를 집어넣어서 그 텍스트 설명에 맞는 이미지를 만들어내는 것이 이 세계의 모델의 특징입니다. 물론 미드존인 같은 경우에는 텍스트 투 이미지 뿐만이 아니라 이미지 투 이미지 컨버전 기능도 굉장히 강하긴 하지만 기본적으로는 전혀 상상할 수 없었던 이미지를 만들어내면서 사실은 일반인들의 관심을 끌게 됐고 여기서부터 올해 봄부터 generative AI라는 용어가 새로 나오고 이런 다양한 모델들에 대한 관심을 갖게 된 것 같은데요. 이 부분에 좀 더 자세히 설명을 드리긴 하겠지만 사실 관련된 기술들이 등장할 시기는 원래 등장한 건 아니거든요. 좀 길게 보면 아주 짧게 봐도 2017년이니까 지금부터 5년 정도 전에 나왔던 모델부터 시작을 해서 그 기술 기반으로 지금 모든 것도 일어나기 때문에 사실 지금 올해 처음 일어난 일은 아니지만 보여드릴 달리2 같은 이런 모델들에서 새로운 이제까지 상상할 수 없었던 모델들이나 그 이미지가 등장하면서 일반인들의 관심을 끌었고 그런 형태의 특징들이 달리2 뿐만이 아니라 스티블 디퓨전, 미드 존이에서 계속 반복이 되다가 연말에 이제 11월 말, 12월 초에 체츠피테라는 완전히 또 다른 스케일의 모델이 등장하면서 원래 완전히 핫하게 된 것 같아요. 근데 달리2의 데모를 잠깐 보시면 이게 이제 달리2에서 제가 만들어진 이미지의 라이브러리인데 잘 아시겠지만은 밑에 나오는 프롬프트가 여기는 안 보이는데 여기에 이런 거 보이시는 이미지들이 제목에 나온 이런 형태의 텍스트들이 입력이 돼서 입력을 하고 했을 때 달리2라는 모델이 만들어낸 이미지입니다. 누가 그린 것이 아니다. 이런 것들이 보면 우리가 AI에서 상상했던 것보다 훨씬 상상을 뛰어넘는 모델이 나오다 보니까 관심을 많이 가지게 된 건데 스테이블 디퓨전도 비슷한 형태의 기능을 가지고 있습니다. 그래서 스테이블 디퓨전에서 나온 모델, 상상된 모델들을 예를 들어서 보여드리면 이상한 모델부터 나왔지만 이런 모델들이 이런 이미지들이 스테이블 디퓨전을 통해서 생산이 됐고 미드존이는 앞에 달리2나 스테이블 디퓨전 비교했을 때 좀 더 가지는 특징이 뭐냐면 이미지를 집어넣고 그 이미지에서부터 관련된 이미지를 생산해내는 앞에 달리2나 스테이블 디퓨전보다 좀 더 강합니다. 그래서 그런 약간의 차이들이 있기 때문에 차이들이 있는 모델들이 나왔다가 결정적으로는 결국 12월 초 채티지피타라는 지금까지 없던 텍스트 툴을 넣었는데 거기에 대한 텍스트가 나오는 것이 마치 거의 진짜 지능을 가진 소프트웨어 혹은 진흥을 가진 에이전트와 얘기를 하는 형태의 수준의 내용을 들려주면서 결국 폭발적으로 성장을 하게 됐죠 그래서 조금 전에 체치 EPT가 가능했던 데모를 몇 개만 뽑아봤는데 예를 들면 저한테 5살짜리 애한테 설명하듯이 블랙홀이라는 것에 대해서 설명을 하고 거기에 좀 더 질문을 하면 거기에 대한 답을 보여주기도 하고 심지어 코딩을 하는데 뒷부분에 코딩도 나오겠지만 SQL 코디를 어떤 특정 목적을 가진 SQL 코디를 만들어내는 일도 하고 이 부분이 저는 약간 좀 쇼크이긴 했는데 어떤 작가가 자기 어린 시절 일기를 채팅 PT한테 입력을 해놓고 학습을 한 채팅 PT 그러니까 자기 어린 시절의 모델과 계열을 나눈 것들까지 보여주는 게 저는 약간 쇼크였고요. 저는 개발자로서는 이게 사실 제일 놀랐는데 Binary File, 그러니까 실행 파일을 Decompile, 그러니까 Binary File에서부터 원 원래 코딩한 언어를 만들어낸 다음에 그 코딩이 어떤 기능을 하는지를 설명하는 것까지 GPD가 가능하게 되었습니다 결국 이런 형태로 어떻게 보면 우리가 이제까지 AI에서 상상했던 것 그러니까 이미지를 보여주면 이게 고양이다 아니면 이미지를 보여주면 강아지다 이를 구분해냈던 정도 수준의 AI가 우리가 알고 있는 한 5년 전까지 알고 있었던 AI였는데 그래서 훨씬 뛰어넘는 진영을 보여주시면서 어떻게 보면 가장 우리가 알고 있는 이런 갑자기 사람들이 주목을 받게 됐고 심지어 첫 GPT는 불가를 런칭한 5일 만에 사용자가 100만이 넘었고 여기에 인프라를 운영하는 데 들어가는 비용을 대충 추정해보면 최소한 하루에만 약 10만 불 이상의 하드웨어 인프라, 서버 인프라 비용이 들 정도로 상당히 많은 사용자가 늘었을 정도가 이게 첫 GPT가 올해 보여줬던 모습이었습니다 이런 것들을 다 묶어서 보면 저의 경험을 보게 되면 그것보다 훨씬, 그러니까 우리의 상상을 뛰어넘는 기능을 냈기 때문에 이걸 Generative AI라고 부르게 됐고 이것이 가장 뒷부분에 보여드리겠지만 과거에 2000년에서 2010년대쯤 나왔던 많은 AI 모델들, 여기 나오는 CNN, Convolutional Neural Network이나 Recurrent Neural Network 같은 경우에는 가장 잘한 기능이 뭐였냐 하면 이렇게 만들어내는 게 아니라 클래시피케이션이었습니다. 이미지에 딱 보면 이게 고양이야, 이미지에 딱 보면 이게 강아지야라는 카테고레지이션, 클러시피케이션 하는 것까진 잘했는데 만들어내는 것까진 못했었거든요. 그런데 이제 라이저 덴기지 모델, 파운데이션 모델이 되면서부터 새로운 데이터를 만들어내는 것이 가능하게 되면서부터 이제까지 어떻게 보면 우리 상상의 벽을 뛰어넘게 된 거죠. 그러면 이와 관련된 AI, 이런 것이 가능하게 됐던 generative AI 모델이 어떻게 됐는가를 보면 가장 중요한 게 뭐냐면 이게 2017년에 Neural IPS라는 컨퍼런스에서 발표한 구글 AI 연구팀에서 발표한 모델인데 이게 이제까지 우리가 알고 있었던 CNN, RNN 혹은 GAN 같은 기존의 AI 모델 대비와 대비해서 굉장히 다른 형태의 특성을 보여줬던 거죠. 그래서 그 트랜스포머 모델을 내면서부터 구글은 이걸 가지고 굉장히 큰 규모의 랭기지 모델을 학습시키는 작업을 시작했고 거의 동시에 오픈AR이라는 회사가 딱 그 모델을 받아가지고서 GPT라는 모델을 만들었어요. 바로 2018년도에 만들어서 여기에도 마찬가지로 1억 개, 15억 개, 심지어 GPT3 같은 경우에 제가 잘못 썼는데 1570개입니다. 1570억 개의 파라미터를 넣어서 학습을 시켜서 했고 심지어 현재까지 나왔던 모델 중에 가장 큰 모델은 구글이 만들었던 PALM이 5,400억 개의 파라미터를 가지는 모델을 만들었고 올해 1, 4분기 중에 아마 런칭 확률로 예상이 되고 있는 GPT-4 같은 경우에는 1조에서 10조 사이라고 보통 얘기를 하는데 제 예상은 아마 2조에서 4조 개 정도 될 것 같아요. 파라미터 숫자가. 그런 형태의 모델을 가지고 대형화된 모델을 만들기 시작했고 여기에다가 대량 학습 데이터 그러니까 Common Cloud 같은 경우에는 인터넷에 나와 있는 모든 텍스트 데이터를 다 모은 거거든요. 한글을 모든 언어 다 포함해서. 그런 데이터가 있고 또 더 파일이라는 데이터 같은 경우에도 텍스트 데이터만 딱 모은 것이 대략 800GB쯤 됩니다. 그 다음에 나중에 또 코딩 관련해서 GitHub에 올라와 있는 모든 코드도 다 학습 데이터로 입력을 넣은 거고요. 넣어서 지금 우리가 경험을 하고 있는 GPT의 generative한 모델을 가능하게 됐던 이 두 가지가 가장 특징, 모델 대응과 대량 학습 데이터가 가장 중요한 기반이고 여기에 이미지, 아까 굉장히 임프리시브한 결과를 보여드렸던 이미지 연구 관련 모델은 2015년에 나온 디퓨전 모델, 사실은 이미지를 만들어내는데 가장 기본 모델로서 굉장히 좋은 결과를 보인 모델이 있는데 2017년 트랜스포 모델이 나온 다음에 이거 두개를 합쳐버렸어요 그래서 2020년도에 이미지 GPT라는 모델을 만들어서 이걸 가지고 달리 1을 런칭을 했고 근데 달리 1은 되게 이미지가 허접하긴 했지만 어쨌든 텍스트를 넣으니까 이미지가 나오더라 라는 첫번째 케이스 딱 보여줬고 여기서 또 출발해가지고 올 초에 아까 보여드렸던 달리 2 그다음에 스테빌 디퓨전, 미드 존이 같은 모델이 나오면서 이미지를 만들어내는 모델에 대해서 또 폭발적인 성능이 일어나게 된 거죠. 다시 요약을, 아까 설명드린 요약을 말씀드리자면 라이징 랭킹 모델, 여기에서 일단 모델 자체가 대형화되고 파라멘터 숫자가 처음에 한 1억 개 정도로 시작했다가 3억 개를 올라갔다가 이제는 거의 1주 단계의 문장을 학습한다고 치면 모델한테 generative라는 텍스트를 넣고 그다음에 AI라는 단어가 나올 거다라는 것이 우리는 예측이 가능하죠. 그런데 이것이 generative라는 용어가 나오면 그 다음에 AI가 나올 가능성이 높다는 형태로 학습을 시킨 겁니다. 그런데 이 데이터가 어느 정도냐 하면 대략 그 Common Core 데이터가 대략 800GB, 1TB 정도 되는 텍스트 데이터이고 그 데이터를 가지고 대규모 모델, 그러니까 예를 들면 나중에 설명드릴 GPT-3 같은 경우에 1570억 개의 파라미터를 가지는 모델에 약 1TB의 데이터를 가지고 학습을 시켜서 라이징 랭게이징 모델을 만들었더니 강추에 기대했던 것 이상의 결과가 나온 거죠 그러니까 단순히 generative라는 용어가 나오면 AI라는 단어를 추정해내는 것 뿐만이 아니라 무슨 기능을 하는 Python 코드를 만들어줘 라고 해놓고 뒤에 텍스트 나올 데이터를 예상을 했더니 진짜 Python 코드를 리튬 하더라는 겁니다. 이게 나중에 용어로 설명을 드리겠지만 전혀 예상하지 않았던 기대 이상의 결과가 emerged 했다고 해서 emergence라는 특징을 가집니다. 거기 하나가 있고 그러면서 또 하나 여기에 디폴트 다시 한 번 설명드리겠지만 또 어떤 특징이냐면은 homogenization이라고 해서 처음에는 텍스트에 대한 학습을 시킨 다음에 텍스트에 대한 결과를 받는 것만 목적으로 모델을 만들었는데 여기다가 텍스트뿐만이 아니라 이미지나 다른 오디오 같은 데이터도 학습을 시킨 거죠. 기술적으로 설명하자면 텍스트 데이터든지 이미지든지 오디오든지 사실은 다 숫자를 표현해서 입력을 넣거든요. 그 데이터를 넣거든요. 그걸 모델 안에 토큰이라고 표현하는데 토큰화, 똑같은 형태로 토큰화해서 집어넣으면 AI 모델 입장에서는 이게 텍스트인지 이미지인지 비디오인지 구분 못합니다. 당신이 숫자 데이터만 받아서 열심히 이거 학습하고 그 다음에 막 프로세싱한 다음에 다음 데이터를 내보냈는데 그게 알고 보니 이미지였다. 이게 바로 현재 라이저 랭키지 모델이 보여줬던 결과인 거고 이런 예상 밖의 결과가 나왔기 때문에 요즘은 라이저 랭키지 모델을 전체 다 묶어가지고서 파운데이션 모델이라는 새로운 어떻게 보면 좀 더 근본적인 용어를 새로 만들어서 쓰고 있습니다. 그래서 실제 애플리케이션을 보면 처음에 아까 말씀드렸듯이 텍스트2 텍스트만 가지고 학습을 했는데 여기다가 이미지도 토크너를 집어넣어 착식을 시키고 이미지를 뽑아내서 내게끔 만들었더니 텍스트2 이미지도 가능해지고 이미지를 넣어서 이미지2 이미지도 가능해지고 심지어 뒷부분에 다른 모델들이 예를 드리겠지만 텍스트를 넣어서 비디오를 뽑아내기도 하고 텍스트를 넣어서 3D를 뽑아내기도 합니다 이게 결국은 전혀 예상치 않았던 결과가 나오면서 이제까지 우리가 AI에 기대했던 기능보다 훨씬, 그러니까 우리의 상상을 뛰어넘는 기능을 냈기 때문에 이걸 Generative Mobile AI라고 부르게 됐고 가장 특징인 모델 대형화, 대량 학습 데이터가 가장 중요한 기반이고 여기에 이미지, 아까 굉장히 임프리시브한 결과를 보여드렸던 이미지 연구 관련 모델은 2015년에 나온 디퓨전 모델, 사실은 이미지를 만들어내는데 가장 기본 모델로서 굉장히 좋은 결과를 보인 모델이 있는데 2017년 트랜스폰 모델이 나온 다음에 이거 두 개를 합첩을 했어요 그래서 2020년도에 이미지 지피트라는 모델을 만들어서 이걸 가지고 달리 1을 런칭을 했고 근데 달리 1은 되게 이미지가 허접하긴 했지만 어쨌든 텍스트를 넣으니까 이미지가 나오더라 나는 첫 번째 케이스 딱 보여줬고 여기서 또 출발해가지고 5초에 아까 보여드렸던 달리 2 그 다음 스테빌 디퓨전, 미드 존이 같은 모델이 나오면서 이미지를 만들어내는 모델에 대해서 또 폭발적인 성능이 일어나게 된 거죠. 다시 요약을, 아까 설명드렸던 요약을 말씀드리자면 라이징 랭키지 모델, 여기에서 일단 모델 자체가 대형화되고, 파라멘토 숫자가 처음에 1억 개 정도 시작했다가 3억 개 정도 올라갔다가, 이제는 거의 1주 단계에 1조 개의 숫자의 파라미터를 가지는 대형 모델에 대량의 학습 데이터를 넣었더니 우리가 예상하지 못했던 완전히 새로운 behavior가 이멀지 하더라. 첫 번째고 그러면서 input data, output data를 단순히 텍스트로만 하는 게 아니라 코딩도 집어넣고 이미지도 집어넣고 그 다음에 3D 모델을 여러 가지 다 집어넣고 하다 보니까 결국 나오는 인풋도 멀티모델 데이터, 여러 가지 멀티미디어 데이터가 들어갔고 아웃풋도 여러 가지 모델이 나오는 것이 가능해지면서 호머지 나이션 이 두 가지가 되면서 결국 우리가 알고 있는 라이젠 랭키드 모델을 파운데이션 모델이라고 부르게 시작하게 된 겁니다. 근데 요거는 이제 너무 TMI이긴 하지만 인공지능 업계에서는 비틀레슨이라는 표현이 있습니다. 뭐냐면 지난 아랫부분에 AI의 역사를 간단히 설명을 드려야겠지만 사실 AI가 시작된 게 1970년부터 시작했기 때문에 거의 한 50년 정도 됐거든요. R&D 연구기관으로 보면 그런데 이 모든 기관을 통틀어서 R&D 업계 전체가 얻었던 레슨 하나를 꽂자면 아무리 사람이 기발한 아이디어를 짜내서 모델을 정교하게 만들어도 그것보다는 단순한 모델에 엄청난 양의 데이터를 넣어서 학습시키는 것보다 효과가 안 나더라. 바로 빛돌 레슨의 의미입니다. 빛돌 레슨의 링크를 들어가 보시면 짧은 블로그 글인데 AI 업계에서는 빛돌 레슨이라는 용어를 딱 이런 의미로 쓰게 되고 결국 모델 아무리 우리가 기반한 모델 내지는 아무리 우리가 머리 짜내서 모델을 만들어도 그것보다는 단순화된 모델에 대량의 데이터를 집어넣는 것만큼 효과를 내지 못한다는 레슨이 머신러닝 업계에 오랫동안 연구를 했던 위차드 서튼이라는 분이 2019년대에 글을 이렇게 블로그를 썼고 그게 이 AI 업계에서 거의 정석처럼 정설로 바다를 드러내는 표현이 됐고 실제로 트랜스폰 모델 이후로 우리가 지금 보고 있는 GPT 모델 혹은 라지 랭기지 모델, 그 다음 파운데이션 모델들이 바로 이 비터리 레슨을 다시 한번 확인시켜주는 그런 결과를 받게 됐던 거죠 그러면 파운데이션 모델에 대해서 조금만 더 설명을 드려보겠습니다. 이거는 그림이 어디에 나오냐 하면 바로 이 아래에 나온 제가 파운데이션 모델 100서라고 표현한 이 링크에 나오는 글인데 그런 양이 좀 많긴 합니다. 한 150페이지 정도 되는 글이긴 한데 샌포드 연구소에서 전 세계에 있는 머신러닝 관련된 연구자들로부터 다 글을 받아서 결국 지금 파운데이션 모델이 현재 기술적으로 어디까지 와있고 그 다음에 현재 어떤 방향으로 개발하고 진활하고 있고, 그 다음에 우리가 더 추가로 풀어야 할 숙제가 무엇이 있고, 그 다음에 윤리적으로는 어떤 이슈가 발생 가능하고, 이런 것들 어떻게 보면 통체적으로 정리한 글입니다. 그렇기 때문에 진짜 이 AI 모델, Genetive AI 혹은 AI 분야에 대해서 연구를 하시든지 아니면 투자를 하시든지 하려면 하기 위해서 기술의 흐름 전체, 그다음에 산업의 흐름 전체, 그다음에 앞으로 예를 들면 1, 20년 정도의 윈도에서 어떻게 발전해 나갈 것인가에 대한 이해를 하시려면 저는 백서는 읽어보시길 추천드립니다. 양이 좀 많으면 초선으로 여기 나오는 2장과 4장 두 개 부분만이라도 읽어보시면 되게 도움이 많이 될 것 같습니다. 그런데 이제 여기 나오는 그림이 바로 이 백스에 나와 있는 그림입니다. 파운데이션 모델의 특징이 뭐냐면 인풋 데이터, 왼쪽에 나와 있는 데이터가 바로 학습 데이터입니다. 그런데 학습 데이터가 텍스트로만 끝나는 게 아니라 텍스트 이미지, 스피치, 스트럭처 데이터, 3D 시그널 등등등 모든 데이터가 다 포함됩니다. 그리고 이렇게 들어온 데이터를 가지고 여기는 용어를 트레이닝이라고 써놨는데 업계에서는 보통 프리트레이닝이라는 용어를 쓰거든요. 그래서 프리트레이닝을 해서 파운데이션 모델을 만들어냅니다. 결국 우리가 알고 있는 GPT-3 혹은 Stable Diffusion-2 같은 것들이 이런 파운데이션 모델이라고 할 수가 있고 여기에 다시 이 그림에서 어댑트이션 용어를 써놨는데 업계에서는 Fine Tuning 혹은 Supervised Fine Tuning이라고 해서 SFT라고 줄여 쓰기도 합니다. 이게 뭐냐면 모델을 적용하고자 하는 분야에 맞는 그 분야에 특정된 데이터를 추가로 조금 더 넣어서 파인튜닝을 하면 이 파인튜닝한 데이터의 내용에 따라서 이것이 예를 들면 Q&A 전문 모델이 될 수도 있고 Sementic Sentiment Analysis를 하는 모델이 될 수도 있고 정보 검색을 위한 모델이 될 수도 있고 이미지를 캡션하거나 이미지를 만들어내거나 그림에서 오브젝트를 찾아내거나 심지어 코딩을 만들어내거나 이런 형태의 특정 분야에 적용이 가능한 모델로 특화됩니다. 그래서 이 경우에는 보면 실제로 이 아까 말씀드렸던 파운데이션 모델을 만들기, 그러니까 이 기본 데이터에서부터 파운데이션 모델을 만들 때까지는 사실 데이터 양이 엄청나게 되고 거기에 들어가는 데이터의 양을 토큰 기준, 그러니까 숫자의 기준으로 보면 대략 적어도 몇백억 개가 들어갑니다 최소한 몇백억 개에서 몇천억 개까지 들어가는데 디폼에 나오는 파인 튜닝은 사실은 그렇게 데이터가 많이 필요하지 않아요 특정 버티칼 일반적으로 보게 되면 보통 몇천 개나 만에 몇만 개를 넘지 않아도 충분히 어떤 특정 버티칼에 소화된 모델이 만들어질 수 있습니다 그러니까 데이터 양 사이즈가 굉장히 차이가 많이 나기 때문에 기본적으로 트리트레인드 파운데이션 모델이라고 표현하거든요. 가운데 있는 파운데이션 모델을 트리트레인드 파운데이션 모델이 잘 만들어지면 특정 버티칼, 특정 영역에 적용하기 위한 파인튜닝 데이터는 실제로는 그렇게 많이 필요 없다는 게 바로 파운데이션 모델의 특징입니다. 심지어 어느 정도냐면 나중에 용어를 위에 나온 표현을 해놨는데 퓨샷 혹은 제로샷 인포넌스라는 용어가 있는데 퓨샷은 몇 개만 데이터를 더 넣어서 파인 튜닝을 하면 원하는 분야에 역할을 해내는 모델을 만들어 낼 수 있다는 의미이고 심지어 제로샷이 뭐냐면 어떤 경우에는 파인 튜닝 데이터, 프라이빗 데이터 자체가 필요 없이도 원하는 데이터의 결과를 내는 경우가 많습니다. 그게 오늘 제로샷 인포넌스라고 얘기합니다. 그렇기 때문에 결국 파인 튜닝 혹은 여기서 어댑트 인션이라고 표현한 하이 엔지니어 스테이지에서는 그렇게 많은 데이터가 필요하기 때문에 그리고 바로 이 특징 때문에 뒷부분에 나올 AI 기반의 스타트업들의 기회가 엄청나게 생겼습니다. 지금 우리가 만들어진, 최근 6개월, 6개월도 아니고 한 3개월 사이에 하루에도 수십 개씩의 AI 스타트업이 나오는 이유가 뭐냐면 이미 GPT-3 혹은 구글의 PAM 같은 기본 모델이 만들어진 상태로 프리트렌드 파운데이션 모델이 있으면 거기다가 내가 추가로 물류 아니면 심지어 3D모델을 만들어내는 것, 아니면 코딩을 만들어내는데 필요한 추가 데이터는 그렇게 많지 않다는 것. 몇만 건 정도의 데이터만 있으면 내가 원하는 분야의 Vertical에 적용이 가능하기 때문에 지금 수백 개, 수천 개, 수만 개의 AST가 경쟁하듯이 나오고 있는 바로 그 배경이 되는 겁니다. 이게 파운데이션 모델의 특징이라고 설명드릴 수 있을 것 같습니다. 제너리티브 AI에 대한 내용을 아주 간단하게 설명을 드리는 내용인데 약간은 TMI이긴 하지만 AI 기준에 대한 간단한 역사를 설명을 드리고 넘어가는 게 좋을 것 같아요. 왜냐하면 용어도 영어 설명도 필요하고 이런 것들이 어떤 과정을 거쳐왔는지에 대한 이해도 좀 필요할 테니까요. 80년대에 AI를 경험해보신 분은 아마 여기 안 계실 텐데 제가 KAIST에 박사관련을 하고 있을 때 바로 옆에 AI 연구소에서 엄청나게 각광을 받았던 부분이 바로 이 부분이에요. 그러니까 당시에는 뭐냐면, 예를 들면 자이언트 체리, 예를 들면 한국어와 영어 사이의 번역 내지는 어떤 특정 이미지를 주면 이게 이미지가 강아지다, 고양이다라는 것을 찾아내는 것 혹은 예를 들면 전문가 시스템, 예를 들면 컨설팅을 해야 하는데 필요한 그런 자문해 줄 수 있는 그런 시스템 같은 것들을 그때 당시에는 전문가 시스템이라고 표현을 했고 그 전문가 시스템 혹은 엑스포시스템을 만들기 위한 방식이 어떤 타겟 도메인, 그러니까 그게 언어 번역이 될 수도 있고 아니면 당시에 제일 어렵게 생각했던 게 바둑 같은 것도 있을 수 있고 체스 같은 것도 이런 것들도 다 알고리즘으로 표현이 가능하고 알고리즘으로 표현된 것을 룰 베이스로 A라는 조건이 생기면 A-라는 액션을 취해라는 규율로 만들려면 이게 가능할 거라고 생각을 했어요 어떻게 보면 너무나 기술에 대한 과신던 것이기도 한데 그 기반이 되어줬던 게 뭐냐면 바로 1971년도에 MIT에 나왔던 바로 이 리포트입니다. 마비민스키하고 세이모 페이퍼튼, IT업계, 컴퓨터 사이언스 업계에서는 거의 전세 같은 분들인데 그분들이 1971년도에 MIT에서 AI에 대해서 이렇게 진행되고 있고 앞으로 이렇게 할 수 있다라고 리포트를 내놓은 것이 어떻게 보면 80년대에 이런 엑스포트 시스템 기반의, 혹은 알고리즘 기반의 AI를 만들 수 있을 거라고 생각을 하고 한 10년 정도 열심히 연구를 했던 배경이었어요. 근데 실패했어요. 그래서 이 결과가 뭐냐면, 1990년도에 AI 윈터가 왔습니다. AI 업계의 사람들은, 올해 했던 사람들은 다 아는데 AI 윈터가, 첫 번째 AI 윈터가 왔고 이것이 넘어간 게 어떤 계기부터인지 하면 제일 아랫쪽으로 나왔던 3분. 제프리 힌튼, 얀 룩쿤, 요슈아 벤지요라는 세 분이 뉴럴 네트워크 모델을 뉴럴 네트워크라는 AI 모델을 새로 만들어 낸 게 제 2번째 AI 흐름의 기반이었던 겁니다. 그래서 그때 나왔던 게 이 그림을 보여드리면 이 그림에 나온 이것이 뉴럴 네트워크의 기본 모델입니다. 왼쪽에 빨간 점 지점으로 데이터 인풋이 들어가고 중간에 파란 점들이 우리 뇌에 있는 뉴런을 모델한 거고 그 다음에 뉴런 간을 연결해주는 선들이 뭐냐면 사람의 뇌에 보면 뉴런 간을 연결해주는 시냅스가 있습니다 시냅스에서 인풋 데이터가 왔을 때 시냅스의 아웃풋 쪽으로 얼만큼의 데이터를 보내줄 건지 1이라는 데이터가 왔을 때 2를 보내줄지 0.5를 보내줄지가 시냅스의 펑션인데 시냅스의 기능인데 여기에 파라미터 사이에 연결해주는 유 링크가 바로 그런 숫자를, 웨이트를 가집니다 그래서 왼쪽에 1이라는 숫자가 들어오면 그 오른쪽에다가 0.5를 넘겨줬지 아니면 여기 0.7을 넘겨줬지 여기다가 2를 넘겨줬지를 이 학습에 의해서 이 파라미터 링크에 있는 숫자를 만들어내는 게 바로 모델을 학습시키는 겁니다 우리가 파라미터가 1억 개라고 얘기할 때는 이 파란 점의 숫자가 1억 개라는 뜻이고 내지는 1,500억 개라고 얘기하면 이 파란 점의 숫자가 1,500억 개라는 뜻이고 여기에 왼쪽에 인풋에다가 대규모 데이터를 학습시킨 다음에 이 사이클을 몇 번 돌다 보면 앞으로만 나가는 게 아니라 뒤로도 백프로포케이션을 하거든요. 그래서 이 과정에서 이 엣지, 링크의 웨이트가 얼마를 하는 게 제일 적절하다, 그게 0.5다, 0.3이다 이런 숫자를 찾아내는 게 바로 학습이고 그 학습된 결과가 바로 모델인 겁니다. 그리고 이렇게 하면 사람의 뇌에서의 기능과 가장 가까운 형태의 기능을 낼 수 있다라는 것을 이론적으로 만들어낸 분이 바로 이 세 분입니다. 제프리 인턴, 얀 루크, 요시와 벤지어. 요시와 벤지어는 지금 오픈 AI의 어드바이저고, 얀 루크는 지금 페이스북의 AI 연구소 헤드고, 제프리 인턴도 아마 얼마 전까지 구글에 있었고, 앤드류은 바로 다음 세대인데 얼마 전까지 구글에 있다가 바이두의 AR 헤드 하다가 지금 다시 교수로 돌아온 분입니다 이분들이 뉴럴 네트워크 모델 기반으로 새로운 형태의 AI가 가능하다는 것을 이론으로 만들었고 그걸 기반으로 만들어낸 모델이 MLP, 그 다음에 Convolutional Neural Network, Recurrent Neural Network 같은 모델들을 만들어서 지난 10여 년 동안 연구를 해왔습니다. 그래서 그때 우리가 여러분들이 쓰고 계시는 AI들, 예를 들면 아이폰에 나오는 CD가 바로 이렇게 만들어낸 모델입니다. iPhone 11 SE가 바로 recurrent neural network로 만든 모델이고 그 다음에 우리가 지금 쓰고 있는 이미지 컨버전 가능하게 해줬던 모델도 GAN, Generative Adversarial Network의 약자인데 GAN 모델이었고 그때 나왔던 이름 중에 하나가 reinforcement learning인데 reinforcement learning이 바로 우리가 이번에 알고 있는 첫 GPT를 학습시킨 방법입니다 그리고 새로운 behavior가 이멀지하더라, 첫 번째고 그러면서 이 인풋 데이터, 아웃풋 데이터를 단순히 텍스트로만 하는 게 아니라 코딩도 집어넣고 이미지도 집어넣고 그 다음에 3D 모델링 하는 여러가지 다 집어넣고 하다보니까 나오는 것, 인풋도 멀티모델 데이터, 여러가지 멀티미디어 데이터가 들어갔고 아웃풋도 여러가지 모델이 나오는 것이 가능해지면서 호머지나이션 이 두가지가 되면서 결국 우리가 알고 있는 라이젠 랭키드 모델, 거기에서 이제 학습특히는 데이터를 따라서 세 가지의 방법이 있는데 하나는 Supervised Learning 즉 레이블 데이터를 넣어서 어떤 이미지가 예를 들면 사진에 있는 이미지가 고양이가 있고 집이 있고 사람이 있고 라는 데이터를 다 레이블링 시킨 다음에 같이 넣어서 학습시키는 게 Supervised Learning입니다. 그 다음에 Non-Supervised Learning은 고양이, 개, 설명 없이 그냥 이미지만 넣어주는 게 non-supervised learning이고 근데 self-supervised learning은 그 중간인데 레이블드 데이터가 따로 있지는 않습니다. 따로 있지는 않은데 결과적으로 레이블드 데이터인 것처럼 만드는 게 가능해지는 게 아까 랭기지 모드를 학습할 때 인터넷 텍스트를 쭉 입력한다고 말씀드렸죠. 그래서 generative-ar-referred-to라는 텍스트 스트림에 들어가게 되면 generative라는 단어가 들어가면 그 다음에 들어올 단어가 ai다라는 것을 굳이 사람이 레이블링을 안 해줘도 자동으로 레이블이 되는 거죠. 왜냐하면 랭킹 모델의 목적 자체가 다음 단어를 추정하는 거니까 generative라는 용어가 나오면 ai라는 단어가 그 다음에 나오면 돼 나는 학습을 시키게끔 데이터 자체를, 모델 자체를 가공하기가 가능해집니다. 그러니까 퓨어하게 넌 슈퍼바이지드 러닝이 아니라 슈퍼바이지드 러닝인데 다만 데이터를, 사람이 직접 라이벌링을 한 데이터를 제공해주는 것이 아니기 때문에 아까 라이젠 랭킹 모델을 학습시킨 방식을 셀프 슈퍼바이지드 러닝이라고 부릅니다. 너무 깊이 들어가서 여기까지 할게요. 그래서 당시 컨벌리셔널 뉴럴 네트워크 가지고 제일 많이 했던 게 이미지 내에서 나는 벤치마크 데이터입니다. 이미지를 가지고 이미지에 무슨 어부딕트들이 있는지 찾아내는 것을 벤치마킹하는 것들이 2007년도에 만든 이미지 내에서 나는 데이터였고 그래서 여러분도 기억하시면 이슈돌한테 얘기했던 알파고가 바로 이 CNN, RNN으로 만든 모델입니다. 그리고 알파고는 여기서 슈퍼바이즈드 러닝으로 학습을 시킨 거고요. 그 2년 후에 나온 알파고 제로라는 거 있습니다. 신문에 많이, 기사에 많이 안 나왔는데 알파고 제로는 심지어 라벨 레이블드 데이터도 없이 넌 슈퍼바이즈드 러닝으로 바둑을 뚫게끔 학습시킨 게 알파고 제로입니다. 그래서 알파고 제로는 기본적으로 기부 데이터를 준 적이 없어요. 기부 데이터를 준 적이 없고 자기네끼리 모델끼리 알파고 제로끼리 서로 맞붙어 가지고서 바둑을 거의 수억 번 이렇게 뻗겠죠? 그렇게 해서 학습을 했는데 그 결과가 알파고 보다도 훨씬 파워풀한 모델에 나온 게 알파고 제로였습니다. 그게 바로 non-supervised learning의 장점입니다. 왜냐하면 non-supervised learning의 장점이 뭐냐면 supervised learning은 다른 데이터를 레이블링해서 입력을 해줘야 되기 때문에 기본적으로 데이터 사이즈가 제한이 될 수밖에 없습니다. 많이 넣기가 되게 어려워요. 워낙 숫작을 해야 되는 거기 때문에. Non-supervised learning 내지는 Self-supervised learning의 장점이 뭐냐면 사람이 레이블링하지 않고 또 학습이 가능한 데이터가 준비가 되기 때문에 훨씬 많은 양의 학습이 가능하게 되는 거죠. 이게 바로 이번에 나온 Generative AI의 Larger Language 모델을 가능하게 해줬던 가장 기본입니다. 즉, 텍스트 데이터만 기반으로 해서 Self-supervised learning을 가능하게 했기 때문에 많은 형태의 양의 데이터를 학습할 수 있었고 거기서부터 아까 제가 설명드렸던 파운데이션 모델의 특징, 그러니까 이머전스라고 호머지나이데이션 두 가지 특징을 발휘하게 된 거죠. 이 시기가 대략 2015년, 2017년 정도까지 갔었는데 결정적으로 아까 말씀드렸던 트랜스폰 모델이 2017년에 나오고 이퓨전 모델이 2015년에 나오고 이 두 가지 합쳐지면서 결국 아까 설명드렸던 파운데이션 모델화 되면서 지금 우리가 알고 있는 제네티브A라는 새로운 활용을 만들게 된 거죠. 자, 그러면 좀 더 디테일하게 기술을 깊이 들어가진 않겠지만 여러분들이 앞으로 비즈니스 모델이나 기회를 이해하기 위한 약간의 디테일을 설명을 드리면 약간의 역사를 설명을 드리겠습니다. 모델 역사입니다. 첫 번째, text-to-text 데이터, 이 데이터 자료는 기본적으로 이 보이드에서 링크에 나오는 데이터입니다. text-to-text 데이터를 보자면 물론 위에 오픈소스가 얼마나 중요한 역할을 했는가에 대해 설명하기 정리한 글이긴 하지만, 거기에 랩뉴즈 모델에 대한 역사, 히스토리가 나오기 때문에 제가 창고를 한 건데 오픈 AR 회사가 창업된 건 2015년입니다. 그러면서 지금 우리가 알고 있는 GPT라는 모델을 만들기 전까지 되게 많은, 좋게 얘기하면 실험이고 나쁘게 얘기하면 닥치질을 많이 했습니다. 그러니까 슈팅샵을 많이 겪었습니다. ZIM이라는 모델, 로봇을 숨어서 로봇도 만들어보고 디베이터 같은 게임으로 게임을 플레이하는 모델도 만들어보고 닥트리라는 게 뭐였다 하여튼 그렇게 많이 모델을 만들어봤는데 그러다가 2017년 구글에 트랜스폰 모델이 딱 나오자마자 오픈에 있는 저희를 1년 만에 GPT-1 모델을 만들었습니다. 여기는 팔아봤다가 약 1억 2천만 개, 1억 1천만 개 정도의 모델을 가지고 저걸 만들었는데 물론 지금 우리가 알고 있는 GPT-3만큼의 결과가 나오진 않았지만 우리가 아까 말씀드렸던 파운데이션 모델의 특징을 조금씩 보기 시작한 거죠. 그래서 바로 1년도 안 돼서 바로 GPT-2를 만들었고 여기에는 파라멘터가 15억 개가 들어갑니다. 그리고 거기서 다시 딱 1년 후에 GPT-3에는 약 1570억 개의 파라멘터를 가지고 만들었죠. 그리고 GPT-2가 나온 지 6개월 만에 GPT-2는 오픈소스 버전이 아닙니다. GPT-2가 나오자마자 6개월 만에 오픈 GPT-2라고 오픈소스 버전이 나오고 그러고 나서 GPT-2가 대외적으로 서비스를 릴리스한 게 2019년 말이었고 GPT-3가 마찬가지로 2020년 5월에 나오자마자 6개월도 안 돼서 Elusive AI에서 3억 개의 파라멘터를 가지는 거, 27억 개의 파라멘터를 가지는 거, 메타에서 1,750억 개, 허킹포인트 스페이스에서 1,760억 개의 파라멘터를 가지는 GPT-3 모델의 오픈소스 버전을 연출했습니다. 이런 것들이 앞으로 여러분이 AI 쪽에 보시다 보면 계속 나올 모델들의 이름입니다. 이게 텍스트2 텍스트 모델이고 텍스트2 이미지 모델을 보시면 오프닝에서 이제 트랜스포 모델하고 디퓨저 모델을 합쳐서 만든게 이미지 GTP입니다. 그리고 거기서 어떤 좋은 결과가 나오는 걸 보고 바로 6개월 만에 바로 나왔던게 달리 1, 2021년 1월에 나왔고 여기에다가 이제 이 결과 기존에 이제 아까 제가 역사에서 잠깐 설명드렸던 이미지 만드는 데 제일 많이 활용했던 모델 간, GAN 대신에 디피션 모델이 훨씬 좋은 결과를 낸다라는 업계에서 받아들여지고 나서 미드존이가 금연 초에 발표된 다음에 실제로 서비스 런칭을 금연 7월에 했고 달리 2가 금년 4월에 나오고, 작년 4월에 나오고 구글의 이메진이 작년 5월, 테이블 디퓨전이 작년 8월, 테이블 디퓨전 2.0이 작년 11월에 진짜 숨 막힐 수 없는 페이스로 나왔습니다. 이게 이제 우리가 알고 있는 텍스트 이미지의 모델의 역사인데 여기 잠깐만 과거의 역사를 좀 더 보면 2015년에 간이, 14년에 간이 발표되고 나서부터 간이 보면 이미지를 만들어내는 모델로 쭉 시장을 도미네이트 하다가 트랜스폰 모델이 나온 뒤에 비전 트랜스폰 모델이 2020년에 나왔고 그리고 여기에 이제 트랜스폰 모델 아까 설명드렸던 오픈 AI에서 디퓨저 모델하고 트랜스폰 모델 합쳐가지고 이미지 GPT, 달리, 그 다음에 두두두둔 많이 나왔고 최근에 제일 많이 나온 거는 가장 최근에 나온 거는 구글의 드림부스, 스튜디오 디퓨전 2.0 같은 모델들이 나와서 이게 텍스트 이미지 모델의 역사가 되었습니다. 뿐만이 아니라 아까 제가 파운데이션 모델의 인풋도 그렇고 아풋도 그렇고 나중에 텍스트로만 끝나는 게 아니라 이미지도 가능하고 오디오도 가능하다고 말씀드렸는데 작년 9월 달에, 그러니까 2022년 9월 달에 오픈해야 할 위스퍼 모델, 위스퍼 모델은 speech recognition입니다. 그러니까 오디오를 받아서 텍스트를 뽑아내는 것이고 그 다음에 마이크로소프트가 만드는 바이올린은 텍스트를 주면 음성을 만들어 내는, 그러니까 예를 들면 텍스트를 입영하는 목소리로 내지는 바이든의 목소리로, 혹은 오바마의 목소리로 오디오를 만들어내는 모델을 만든 게 발리가 나왔고 이런 것들이 이제 기본적으로 우리가 이제 앞으로 AI 관련된 부분을 보시다 보면 자주 보게 될 내용입니다. 여기서 몇 가지만 추가 TMI이긴 하지만 알고 계셔야 될 게 모든 학생 비용이 얼마 정도 드는가 이것도 알고 계셔야 됩니다. 왜냐하면 이거는 투자자도 그렇고 스타트도 입장에서 알고 필요한 내용인데 GPT-3 학습 비용을 오프닝에는 발표한 적이 없는데 외부 추정은 최소 5등만분에서 1,200만분 사용을 들었다고 예상을 하고 있습니다. 저희 업계 추정은 대략 5분만의 목소리로 5G를 만들어내는 모델을 만든 게 발리가 나왔고 이런 것들이 이제 기본적으로 우리가 앞으로 A에 관련된 부분을 보시다 보면 자주 보게 될 내용입니다. 여기서 몇 가지만 추가 TMI이긴 하지만 알고 계셔야 될 게 모든 학습 비용이 얼마 정도 드는가 이것도 알고 계셔야 됩니다. 왜냐하면 이건 투자자도 그렇고 스타트업 입장에서 필요한 내용인데 GPT-3 학습 비용을 오픈 A는 발표한 적이 없는데 1,000만 원 정도 들었다라고 예상하고 있고 GPT-3. 그런데 되게 재미있는 건 스테빌리퓨전 모델을 학습하는 데는 100만불도 안 들었고 외부 추정은 최소 500만불에서 1200만불 정도 들었다고 예상을 하고 있습니다. 저희 업계 추정은 대략 60만불 들었고 Google에서 나온 가장 최근에 5600억 개의 파라베터를 가지는 모델은 학습시키는 데만 한 사이클 딱 돌리는 데만 2,500만불 정도 들었다고 추정을 하고 있습니다 그러니까 이 숫자를 보시면 이해하시겠지만 이제 이런 모델, 파운데이션 모델 내지는 라이징 랭킹 모델은 1,000만불 정도 들었다고 예상하고 있고, GPT-3 그런데 되게 재미있는 건 스테빌리퓨전 모델을 학습하는 데는 100만불도 안 들었고, 60만불 들었고 팜, 구글에서 나온 가장 최근에 5,600억 개의 파라베터를 가지는 모델은 학습시키는 데만, 한 사이클 딱 돌리는 데만 2,500만불 정도 들었다고 추정을 하고 있습니다 모델 내지는 파운데이션 모델을 만들어서 오픈의 AI 같은 비즈니스 모델을 하려면 최소 출발점이, 이 숫자를 보시면 이해하시겠지만 이제 이런 모델, 파운데이션 모델 내지는 라이징 랭킹 모델은 천만 불, 아니 2천만 불을 가지고 시작해야 된다고 생각합니다. 최소 학습하는 데만 천만 불, 그 다음에 인건비에만 줘도 몇 천만 불이 될 테니까. 실제로 오픈 AI의 기술을 보시면 2015년도에 창업할 모델 내내 파운데이션 모델을 만들어서 오픈 AI 같은 비즈니스 모델을 하려면 최소 출발점이 2천만 불을 가지고 시작해야 된다고 생각합니다. 최소 학습하는 데만 1천만 불, 그 다음에 인건비에만 줘도 몇 천만 불이 될 테니까. 실제로 오픈 AI 기술을 보시면 2015년에 창업할 때 그때 펀드레이징 했던 게 1조 모았고 근데 그걸로도 모자랄 것 같아서 2년 전에 마이크로소프트한테 1조 추가 펀딩을 받았고 지금 펀딩을 마이크로소프트하고 협의하고 있는 건데 그때 펀드레이징 했던 게 1조 모았고 근데 그걸로도 모자랄 것 같아서 2년 전에 마이크로소프트한테 1조 추가 펀딩을 받았고 지금 펀딩을 마이크로소프트하고 협의하고 있는 거는 10조의 펀딩을 받는 펀딩을 진행하고 있습니다. 10조 밸류신이 아니라 10조를 투자받는 펀딩을 진행하고 있습니다. 10조 밸류신이 아니라 10조를 투자받는 협상 때문에 이런 구글이나 오픈 AI나 메타가 하고 있는 형태의 파운데이션 모델을 만드는 게임은 그 정도의 자금력, 적어도 우리나라 기준으로 대충 최소 천억에서 몇 천억 정도의 투자한 다음에 베팅할 수 있을 정도의 사이즈가 되는 회사가 아니면 이제는 시작하기 어려운 사이즈가 되어버린 거죠. 그게 하나가 있고. 또 하나는 나중에 뒷부분에 논의하면서 설명드리겠지만 데이터 스윕 자체도 되게 어려운 문제입니다. 왜냐하면 데이터를 만드는 게 되게 비용이 많이 들거든요. 그나마 랭기지 모델은 되게 다행했던 것은 모델의 목적 자체가 되게 단순했던 거죠. 다음 단어를 수정하는 것이기 때문에 사람이 굳이 펌으로 레이블링하지 않더라도 로우 데이터 자체가 셀프 슈퍼바이트 러닝이 가능한 데이터가 된 것이 되어버린 거죠. 왜냐하면 그 다음 데이터가 이미 나와있으니까. 그렇기 때문에 커먼크롤이나 더파일 같은 형태의 데이터들이 제가 알기로는 800기가 정도 되고 커먼크롤도 데이터에 따라서 몇백 기가에서부터 대충 1TB 정도 되는 걸로 알고 있는데 특수 데이터만. 그런 데이터가 나와있고 라이온 5B가 테이블 디퓨전, 밀접적인 이미지 데이터 제공한다고 그 다음에 일본의 데이터, 중국의 데이터, 러시아 데이터, 이런 오픈 데이터도 있을 수 있습니다. 근데 중요한 건 인스턴트 데이터 준비하는 게 사실은 모든 학습 비용보다 훨씬 더 어렵습니다. 데이터 준비하는 것 자체가. 물론 데이터 준비가 된다고 해서 아무나 커먼크롤 데이터를 가지고 GPT-A3의 오픈소스 모델을 가지고 오픈소스 모델이 있죠 이미 오픈GPT 같은 게 근데 두 개를 결합한다고 해서 오픈AI 같은 회사가 바로 나올 수 있겠느냐? 생각보다 어렵습니다 왜냐하면 그 많은 양의 데이터를 가지고 GPT를 수 백 개 수천 개 GPU에다가 데이터를 어떻게 쪼개고 그 다음에 그 데이터를 다시 어떻게 모으고 하는 것들의 자체가 굉장한 엔지니어링이기 때문에 오픈AI나 마이크로소프트 메타 구글 정도 국내와도 뭐 네이버 카카오 몇 개의 회사를 제외하고는 그 정도의 엔지니어 파워를 가진 회사가 제가 알기로는 되게 어렵습니다. 어렵다고 보기 때문에 하긴 쉽지 않습니다. 그 정도의 백그라운드가 있었고, 트랜스포머 모델에 대해서 조금 더 설명을 드리면 결국 아까 말씀하신 오프닝 AI가 AI GPT-1이 약 1억 1천만 개 GPT-2가 15억 개 GPT-3가 1천억 7십억 개 GPT-4가 제 추정으로는 대략 2조에서 4조 정도 구글이 만든 트랜스포머를 가지고 만드는 랭킹 모델 첫 번째가 볼트입니다 볼트가 약 3억 4천만 개 그 다음에 팜이 약 5천 4백억 개 그 다음에 마찬가지로 트랜스포머 가지고 만든 게 메탈 로보터가 3억 5천만 개 그리고 GPT-Neo가 27억 개 GPT-J가 6십억 개 블룸이 1천 7억 6십억 개 이런 용도의 대략 모델이 만들어지고 있고 그렇게 해서 만들어진 모델에 텍스트를 집어넣었을 때 넣어서 텍스트나 이믹이나 3D 그리고 Anything. SQL Query Excel 모델까지 만들어냅니다. Excel Equation 수식까지. 그래서 지면과의 기술을 보시면 참고로 보시면 GPT-3부터 어떤 모델이 얼마나 나왔고 각각의 파라미터 수가 얼마 정도 되고 보여주는 그래프입니다. 이게 트랜스폼 모델이고 아까 보여드린 이미지에 관련된 디퓨전 모델은 마찬가지로 OpenAI 달리, 달리2, 구글의 이메진, 파티, 드림부스, 메커씬, 텍스트로드 이미지, 메커비디오, 텍스트로드 비디오, 달리의 미니 오픈에 컴플레인해서 이름을 크레용으로 바꾼 게 오픈소스 버전이고 스테이블 디퓨저는 오픈소스 버전이고 제가 잘못 생각했네요. 미드전은 제가 알기로는 오픈소스 버전이 아니거든요. 어쨌든 이런 이미지 모델이 있고 마찬가지로 이들 모델의 기간별 언제 어떤 모델이 나왔는가에 대한 로드맵이 있고 데모는 나중에 보시면 되길 바랍니다. 이미지 모델이 있고 사실은 일반인들한테는 텍스트하고 이미지의 생성이 되는 것이 굉장히 인플루시브한 결과를 보여주기 때문에 되게 주목을 많이 받았는데 사실은 업계에서는 보게 되면 더 비즈니스적으로 내지는 기술적으로 의미가 있는 것을 알파폴드라고 봅니다. 알파폴드가 뭐냐면 프로틴입니다. 만들어내는 것. 인류가 이제까지 의학계, 그다음에 생물학, 화학계, 화학연구를 통해서 이제까지 만들어냈던 모든 발견해낸 프로틴 모델 숫자가 10만 개거든요. 인류의 과학이 시작된 이후로. 근데 알파폴드 폴더가 지난 2018년에 만들어져서 3년 동안 만들었는데 대략 3천만 개 정도 만들어졌습니다. 우주에 없는, 없는데 기술적으로 가능한 프로틴 모델까지 다 만들어낸 겁니다. 근데 이것이 어떤 의미까지냐면 신약 개발에서 새로운 프로틴을, 그러니까 프로틴의 구조, 화학 구조를 보면 어떤 특성을 가진가 대충 예상이 가능한데 거기서부터 결국 어떤 타겟, 목표하는 신약, 어떤 단백질을 가지고 그 신약을 만들 수 있겠다는 것을 머신러닝을 통해서 이제 만들어낼 수가 있습니다. 물론 당연히 그 만들어진 걸 가지고 임상실험하고 모든 과정을 거치긴 해야 되긴 하겠지만 그 이후의 과정은 똑같지만 그 이전 과정은 대개는 보면 이제까지는 보면 특정 단백질 혹은 특정 화학물질을 만들기 위해서 이렇게 섞어보고 저렇게 섞어보고 막 만들어 보다가 몇 개 나오면 또 그걸 가지고서 실험해보고 이런 몇 년 동안의 과정을 거쳐가며 됐던 신약 개발 과정이 이제는 모델링으로 거의 순식간에 나올 수 있다고 생각이 드는 거죠 그래서 제가 볼 때는 산업적인 영향의 크기, 산업적인 임팩트의 크기로는 제가 볼 때 앞에 이미지보다는 아까보다 훨씬 클 겁니다 그건 오더맥엔시드 100개, 1000배 정도 클 겁니다 왜냐하면 여러분 아시는 약품 시장, 신약 혹은 바이오 메디컬 이쪽 시장은 기본적으로 조달라 순위거든요 몇십억, 몇백억원도 아니고 5달러 수준이기 때문에 기본적으로 이 시장이 훨씬 임팩트가 큰데 여기서는 아무나 접근하기가 쉽지 않다는 게 어려움이 있고 다만 여러분이 알고 계시는 우리가 잘 모르겠지만 이미 모든 제약업체는 아카폴드나 이런 프로틴과 관련된 모델을 가지고 열심히 시장을 만들고 있습니다. 그 다음에 이거는 사실 로보틱스와 게임은 제가 제목만 넣어놨는데 뒷부분에 설명드리긴 하겠지만 로보틱스와 게임 이런 부분에 대해서는 사실 이미 우리가 알고 있는 generative AI 모델이 통합을 못하고 있습니다. 이 부분은 아직까지 R&D 연구가 진행되어야 하는 부분이고 그 부분에 대해서는 뒷부분에 대해서 몇 가지 예를 가지고 설명을 드리겠습니다. 그런데 기본적으로 아까 제가 설명드렸던 파운데이션 모델의 백서를 보시면 왜 로보틱스나 게임 같은 분야의 파운데이션 모델 혹은 라이징 랭킹 모델이 아직까지 가능하지 않은지를 몇 가지 설명이 되고 있습니다. 뒷부분에 이것 먼저 설명드릴게요. General TV AI 혹은 Foundation Model 혹은 Large Language Model 아주 쉽지 않은, 아주 가능하지 않은 모델, 이게 100세 이런 3가지가 나오는데 제일 중요한 멀티 모델부터 설명을 드리면 지금도 보면 우리 Language Model의 예에서 많이 보셨듯이 텍스트를 넣어서 이미지가 나오기도 하고 텍스트를 넣어서 심지어 3D나 동영상이 나오기도 합니다. 그 다음에 마찬가지로 학습할 때도 이미지나 텍스트나 동영상에 데이터가 들어가기도 하고 그런데 여러분이 이제 자세히 생각해 보시면 우리가 인지할 때 관련된 데이터가 눈으로 보이는 것도 있고 귀로 듣는 것도 있고 피부를 저희가 터치하는 것도 있고 예를 들면 그 후각 이런 모든 오감에 느끼는 데이터를 사실은 한꺼번에 느낍니다. 그리고 그거를 그 하나의 인스턴트로 싱크를 시키는 거죠. 그게 뇌에서는 가능합니다. 가능한데 파운데이션 모델은 아직 그게 안 됩니다. 그러니까 이미지는 이미지대로, 오디오는 오디오대로 텍스트로 됐는데 그것이 어느 특정 이벤트에 다 연결된 데이터라는 것을 현재의 파운데이션 모델은 인지하지는 못합니다. 그런 의미에서 싱크된 멀티모드는 아직까지 가능하지 않다. 리즈닝도 사실은 가능하지 않습니다 예를 들면 지금 파운데이션 모델이 나중에 기사를 보시면 많이 나오시겠지만 파운데이션 모델을 가지고 의학시험 통보했고 SAT보니까 점수가 얼마 나오고 그 다음에 IQ 테스트하면 얼마 나오고 그런 데이터들이 나오는데 그거는 사실은 리즈닝에 의한 게 아니라 결국은 여기 얀컨 교수가 얘기했듯이 이 표를 보시면 됩니다 라질 랭기지 모델이 보여주는 기능이 마치 리즈닝 논리를 가지고 있는 것처럼 보이지만 실제로는 마치 학생이 여러 가지 데이터를 외우고 가지고서 인풋이 들어오면 외운 것을 가지고 답을 줄 수는 있지만 아직까지 그걸 가지고 내부에 멘탈 모델을 만들지는 못한 상태와 같다고 설명하고 있습니다 남재동 대표는 이걸 아주 한마디로 이렇게 표현하더라고요 공개적인 앵무새, 그러니까 엄청나게 많은 데이터를 받았기 때문에 A라는 데이터가 들어오면 그 다음 B를 얘기하면 되라는 것을 기계적으로 찾아내긴 하지만 그게 미진에 의해서 텍스트를 뽑아내는 게 아니라 앵무새처럼 A라는 데이터가 오면 기계적으로 B라는 얘기를 하게끔 학습된 대로 보여주는 건데 그게 마치 워낙 많은 데이터를 가지고 그걸 하다 보니까 외부적으로 볼 때는 깜짝깜짝 놀라는 거죠 마치 진짜 진영이 있는 것처럼 있는 사람인 것처럼 그리고 요즘 모든 사람들이 얘기하죠 GPT-3 이미 튜링 테스트를 넘어갔다고 하는데 튜링 테스트를 넘어갈 정도로 그런데도 불구하고 아직 이 파운데이션 모델이 리즈닝이 가능하다고 볼 수는 없습니다 또 하나가 로보틱스인데, 로보틱스는 작년 가을에 구글이 rt1이라는 로보틱스 트랜스포머를 가지고 로봇한테 적용하는 모델을 만든게 파운데이션 모델이 rt1이거든요. 근데 이제 여기는 텍스트 데이터가 1년에 데이터가, 인풋이 들어오면 아웃풋 데이터가 쭉 가는 데이터가 로봇에는 없습니다. 여러분이 로보틱스에 인풋 데이터가 들어가려면 3D에서의 위치, 그 다음에 거기에 다른 데이터 예를 들면 빛, 물건, 그 다음에 터칭 이런 3D 데이터가 다 들어가야 되고 그 각각에 대해서 어떻게 우리가 리액션을 해야 하는가에 대한 학습을 시켜야 하는데 그 데이터 자체가 없습니다. 그러니까 랭기지 모델은 인터넷에 있는 쿨링 데이터를 가지고 학습이 가능한 모델이었는데 로보틱스는 그런 학습이 가능한 모델이 아니기 때문에 아직까지 로보틱스에 관해서만큼은 어떻게 보면 랭기지 모델 대비 굉장히 걸음아웃 순위라고 볼 수 있습니다. 그래서 RT-BOM 같은 경우에도 어떤 기능을 한 로봇이냐 하면은 주방에서 어떤 특정한 목적의 인스트럭션을 주면, 예를 들면 설거지 해라 까지는 아니에요. 그냥 칼을 꺼내서 뭐를 잘라라 라는 인스턱셜을 주면은 서랍을 열어서 호박을 꺼내고 다시 서랍을 열어서 칼을 꺼내고 도마에 놓고 딱 그 정도 액션을 하는 모델이 rt1 이거든요. 근데 rt1 이거 학습하는 데이터가 대략 30만 건 정도 들어갔는데 30만 건 데이터를 만드는 데 얼마 걸렸냐면 1년 6개월이 걸렸어요. 데이터를 만드는 것 자체에. 그렇기 때문에 로보틱스는 여러분이 랭키즈 모델에서 예상했던 우리가 경험하고 있는 것 같은 형태의 대량 데이터가 아직까지 어벤져스하지 않기 때문에 로보틱스도 오늘 앞으로도 아마 꽤 오래 걸릴 겁니다. 로보틱스에서 지금 우리가 랭키즈 모델이나 파미네이션 모델을 경험하고 있는 수준의 기능이나 얘기가 좀 그렇고 그런 형태의 반응을 볼 수 있는 수준까지 가려면 상당히 많은 기간이 걸릴 거라고 예상을 하고 있습니다. 그래서 그런 것들이 맨기지 모델 혹은 파운데이션 모델에서 지금 일어나고 있는 일들이고 이것에 관련된 자료는 아까 말씀드렸던 100서, 이것은 혹시 보실 수 있으면 보는 것을 추천드립니다. 이거 보고 나면 전체 파운데이션 모델이 대충 어떻게 들어가는지 할 수 있을까 생각이 들고, 그나마 우리가 알고 있는 Found Transfer Model, 그 다음에 GPT, GPT-2, GPT-3가 어떻게 동작하는지를 그나마 상대적으로 쉽게 설명해주는 글들이 이 세 개입니다. 그리고 Deep Learning Focus가 뉴스레터인데 여기에 섭스크라이브 하시면 그나마 상대적으로 쉽게 설명을 해줘요. 물론 이 글을 쓰는 사람이 여전히 머신러닝 박사 과정 학생이기 때문에 굉장히 쉽지 않은데 그래도 상대적으로 다른 모델들 중에서 쉽게 설명해주는 그 다음에 아까 말씀드렸던 세이클레이브하고 남산동 대표가 한 인공지능 강의는 제가 보지는 않았습니다만, 이거는 보시면 아마 도움이 될 것 같습니다. 되게 쉽게, 이게 아마 입문정단 되게 좋은 강의일 것 같아요. 그 다음에 제가 이건 배경적이기 보다는 여러분께 한번 드리고 싶거든요. 안드레 카파르테는 누구냐 하면, 지금 그만두는데 얼마 전 테슬라에서 AI, 오토파일럿 전체 AI 프로젝트 리더였습니다. 헤드. 이 사람의 표현에 의하면 결국은 우리가 지금 경험하고 있는 뉴럴 랭기지 모델 이 모델 자체는 이미 20년 전부터 있었습니다. 제가 기억하기에는 제프 힌튼 교수가 뉴럴 네트워크 모델 페이퍼를 처음 낸게 97년이었어요. 이미 20년 전부터 있었던 모델인데 랭기지 모델도 이런 일반 AI 모델보다 결국은 아주 단순한 다음 단어를 예상하는 아주 단순한 목적을 위한 모델로 학습을 했는데 여기에 파라미터 수하고 학습 데이터 수가 굉장히 매규모가 되면서 아까 제가 파운데이션 모델로 설명드렸던 이머젼스, 그 다음에 코머지 네이처니션 이 두 가지 특징이 일어나면서 결국 의도했던 것보다 훨씬 많은 기능을 가진 일반화 된 파운데이션 모델이 변하게 됐다 그러니까 이것 때문에 결국 우리가 지난 한 해 혹은 지난 두세 달 동안 경험했던 generative AI가 가능하게 된 어떤 그 배경은 이렇게 설명할 수 있다라고 안드레 카파티가 쓴 트위터입니다. 보시면 하나만 두 개 정도 있는데 이 표현이거든요. 그래서 결국은 아까 제가 설명드린 대로 비틀레슨. 그러니까 아무리 우리가 사람이 노력을 해 가지고서 정기화 모델을 만들려고 애를 써도 그것보다는 진짜 엄청난 양의 데이터를 떼어넣고 엄청난 양의 GPU나 프로세스를 넣어가지고 엄청난 양의 학습을 시키는 것만큼 쫓아가지 못한다. 똑같은 얘기입니다. 이 얘기가. 그래서 이 얘기를 한번 보시면 좋겠다는 정도로 해서 여기까지가 제가 Generative AI가 무엇이고 어떻게 일어났고 AI 기술이 어떻게 발전해왔고 어떤 모델들이 있고 어떤 특징이 있다는 걸 간단히 설명을 드렸습니다. 그래서 그러면 실제 2022년 1년 동안 어떤 일이 났었고 그다음에 지금 어떤 기회들이 막 일어나고 있고 앞으로 우리 3년, 5년 동안 우리 어떤 형태의 기대를 가지고 보면 좋을까에 대한 것을 설명해 보도록 하겠습니다. 그러면 지난 22년 동안에, 22년은 아까 설명드렸던 그런 배경 하에서 구체적으로 어떤 일들이 일어났는가에 대한 설명을 간단히 요약을 드리겠습니다. 주로 지금 이 설명을 드릴 부분은 비즈니스 쪽으로 어떤 일이 일어났는가라는 것보다는 어떤 R&D 혹은 모델이 새로 나왔고 어떤 가능성을 보였는가에 대한 중심으로 설명을 드릴 텐데 둘 다 비슷한 내용입니다. 둘 다 설명을 드리는 것보다는 제 생각에는 이거 하나만 설명드리니까 좋을 것 같아요. 진파는 지금 스탠포드에서 박사학위하고 지금 엔비디아에 있는 연구원입니다. 근데 AI 관련되는데 트위터를 괜히 많이 쓰기 때문에 제가 자주 보는데 텍스트2 이미지는 현재 나와 있는 게 달리2 이게 가장 첫 번째 라지스케일 디피셜 모델이고 모델인데 오픈소스는 아닙니다. 오픈에 의하면 쓸 수 있고. 스태블드 디퓨전은 오픈소스 달리프가 나오자마자 그것에 대응되는 오픈소스 모델을 만들겠다고 해서 스타빌리티 AI라는 회사와 런웨이 ML, 그 다음에 유닉 대학 등등이 합쳐서 만드는 오픈소스 모델이고, 되게 재밌는 것은 버전 1.1은 싱글 GPU에 돌아가요. 그래서 학습 모델이 100만벌이 안 돼요. 되게 특이해요. 스태블드 디퓨전. 저는 되게 놀라운데, 그 다음에 구글이 만든 이메이징이 있고, 그 다음 미드존이가 있고 등등등 있습니다. 2021년에 새로 나온 게 텍스트 텍스트가 결국 이제 GPT인데 첫 GPT는 GPT 3.5라고 합니다. 3.5는 대개 공개가 안 됐거든요. 그런데 파라미터 수나 이런 것들 전혀 공개가 안 됐는데 대략 GPT 3의 약간의 확장 정도인 것 같고 그거보다 더 중요한 거는 이제 RLHF 그러니까 Reinforcement Learning with Human Feedback 아까 제가 reinforcement learning에서 말씀드렸죠? 학습방법이라고? 거기에다가 휴먼 피드백, 사람들이 피드백 주는 방식으로 해서 강화학습을 한 모델이 CheckGPP입니다 이게 11월 말, 12월 초에 나왔고 텍스트2 로봇은 아까 말씀드렸던 구글의 RT1, 이게 아까 설명드렸던 RT1 모델이 나왔고 텍스트2 비디오로 나온 게 메타에서 나온 메이크업 비디오, 그 다음에 구글에서 나온 이미지 비디오, 그 다음에 가장 마지막에 나온 게 구레의 페나키가 나왔고 이름 참 신기하게 되죠. 3D 모델 나온 게 텍스트에서 구글에서 구레의 드림추전, 그 다음에 엔비디아에서 나오는 Get Ready Magic 3D, 그 다음에 OpenAI가 만든 포인트인 모델이 나왔고 저는 이 부분 되게 재미있게 보고 있거든요. 게임 플레이저, 왜냐하면 이건 당신이 게임을 플레이한다라는 넘어가서, 이거는 진짜 채널 AI에 해당될 수 있거든요. 왜냐하면, 아까 제가 로보틱스 설명 드리면서 말씀드렸듯이 게임을 플레이한다는 것은, 예를 들면 단순히 2D의 런 게임 같은 경우에는 모델이 되게 단순하게 되긴 하겠지만, 마인크래프트 3 모델 안에서, 그러니까 이 모델들, AI 에이전트가 가서 게임 플레이한다고 한번 상상을 해보세요. 그러면은 거기서 받아야 될 데이터는 화면 데이터 뿐인데 그걸 가지고 이 안에 3D 모델을 추종해야 됩니다 그러면서 내가 입력해야 될 데이터는 키보드와 마우스인 거예요 그리고 거기에 피드백은 이 화면 내에서 예를 들면 캐릭터들이 움직이고 그 캐릭터 움직임에 따라서 게임의 화면이 바뀌는 거 이게 결국 인풋이 들어오는 거죠 이걸 가지고 받아서 내가 학습을 해서 그 다음에 액션이 뭘 해야될 건지를 추정하는 과정을 상상을 해보면 아까 말씀드린 로보틱스에 해당되는 만큼의 난이도를 가지는 모델일 겁니다. 그래서 마인도조가 보면 엔비디아가 만든 마인크래프트를 플레이 해주는 AI 에이전트고 가장 최근에 나온 게 딥 마인드의 드리머스 V3도 마찬가지로 마인크래프트를 플레이해주는 에이전트입니다. 에이전트고 요거는 제가 아직 자세히 못 들여다봤어요. 근데 이건 트위터에서 봤는데 레이싱 게임인데 레이싱 게임에 마찬가지로 강화학습을 하는 에이전트가 들어가서 실제 게임 리그에 이 에이전트가 들어왔대요. 그리고 이거는 테스트가 아니라 실제 게임 리그에서 e스포츠 리그에 들어와서 이 에이전트가 지금 TOP5 안에 들어가 있는 거죠. 그래서 저는 이 게임 분야에서 일어나고 있는 것들 굉장히 놀라운 부분이라고 생각하고 있고요. 그 다음에 이것도 되게 놀라운 부분인데 결국은 메타에 맞는 C세로라는 모델이 디플로메시라는 일종의 아주 난이도 높은 전략 게임을 플레이하는 모델이 나왔습니다. 오디오 투 텍스트 나왔던 오픈 AI 리스퍼, 텍스트 투 오디오는 발2 마이크로소프트가 1월에 나온 겁니다. 당연히 아니고 바이오 쪽으로 나온 건 아까 알파 콜드, 그 다음에 애니메이션 이거는 모델이라기보다는 나중에 클릭해보시면 애니메이션을 미드존하고 아프트에이펙트 합쳐서 애니메이션을 완전히 새로 만들었어요 사람 그리는 거 없이 이런 것들이 이제 2022년도에 일어났던 일들이고 그래서 이제는 지금부터 우리가 여기까지가 이제 어떻게 보면 우리가 generative AI의 무엇이고 어떤 일이 일어났는가에 대한 설명이고 지금부터는 사실은 이런 기술 혹은 이런 기반으로 어떤 일을 할 수 있고 어떤 기회가 있을 것인가라는 부분이란 부분에 좀 더 집중을 원래는 제가 이 자료를 정리를 하고 Genentive AI에 관련된 자료를 모으고 요즘 계속 생각하는 게 이게 또 한 번의 예를 들면 90년대 후반의 인터넷 같은 예지는 지난 2, 3년 동안 3, 4년 동안 탓했던 블록체인 혹은 크리프트 같은 상태에 어쩌면 그보다 두 개 합치면 더 큰 변화를 일으킬 수도 있지 않을까라는 생각을 하고 있는데 결국 중요한 건 스타트업 입장에서 혹은 투자자 입장에서 결국 가능한 게 무엇이고 가능하지 않은 게 무엇이고 그럼 이 상태에서 우리가 어떤 기획을 가능할까? 그럼 거기에서 우리가 어떤 걸 대응해야 될까? 이 부분이 제가 볼 때 우리가 필요한 가장 큰 숙제라고 생각하거든요. 저는 지금 한 몇 달째 웨비솔 AI라는 특수구로 빠져서 지금 생각하고 있는 것은 한편으로는 진짜 거의 하루 단위로 수시로 새로 일어난 것들을 받으면서 거기에서 어떤 형태의 창업이 가능할까? 어떤 투자 계획이 있을까? 또 창업을 하게 되면 그 회사는 어떤 형태의 제형으로 하자면 디펜서빌리티 혹은 모트를 만들 수 있을 거냐는 부분을 고민하는 게 제일 크거든요. 그래서 그런 부분에 좀 초점을 맞춰서 설명을 드려볼게요. 채집 PT가 뭘 할 수 있는가라는 건 워낙 트위터나 언론이 많이 나왔기 때문에 제가 여기서 하나하나 설명을 드리지는 않겠습니다. 근데 참고로 한번 리스터만 보십시오. 이게 한 제가 한 달 동안 모은 겁니다. 한 달 동안 모았는데 대충 이 정도 됩니다. 아까 제가 예를 들었던 것 중에 제일 놀랐던 게 바이너리 코드를 디컴파일을 해서 그 기능을 설명하는 거였거든요. 이거 보고 깜짝 놀랐거든요. 개발자 입장에서 등등등. 근데 이것보다 더 중요한 게, 못 짠 게 더 중요한 게 뭐냐 하면 채집 PT가 가능하지 않은 것이 더 중요합니다. 그래서 아까 말씀드렸던 채팅피드로 가능하지 않은 것들이 보통 이렇게 리스트를 뽑는데 나중에 여기 링크를 잘 들어가보시면 이 링크, 채팅피드 유스케이스, 그 다음에 GitHub에 나오는 이 두 개만 보시더라도 어떻게 보면 채팅피드로 가능한 대부분의 것들이 다 나올 겁니다. 그리고 밑에는 굉장히 중복된 게 많을 거고요. 링크 아니에요? 로션페이지에 이게 링크예요. 로션페이지에 언더바 있는 것들이에요. 이걸 보시는, 이게 다 링크예요. 여기 보시는 링크, URL 나오지 않습니까? 노즐피지 공유해도 돼요 오늘 드릴 수 있는 분들은 노즐피지 공유해 주신다고 하시는 걸로 가정을 하고 제가 드린 거거든요 그 다음에 채팅피크 가능하지 않은 거 마찬가지로 이 링크 들어가 보시면 되는데 제가 그 중에 이 링크 안에 들어가 있는 내용 중에 일부만 스킨캡쳐하는 내용이거든요 그러니까 위즈닝이 가능하지 않고 예를 들면 가장 기본적인 숫자 합산, 더하기 빼기 못합니다 못하고 그 다음에 등등등이 있는데 아까 말씀드렸던 AI가 기본이 안되고 리즈닝을 못하는 것은 첫째 PT가 리즈닝이 가능한 것처럼 보임에도 불구하고 리즈닝이 안된다는 걸 미리 말씀드려야 할 것 같고 오히려 지금 업계에서 제일 이슈가 되는 건 헬루시네이션 헬루시네이션이 뭐냐면 첫째 PT가 뭐라고 뭐라고 설명하는데 팩트 자체가 틀린 거예요 근데 그걸 차라리 맞는 것처럼 막 얘기를 하는데 이게 어떤 비유를 하고 어떤 거냐면, 우리나라 보면 단톡방이나 찌네시 미디어에 보면 사실이 아닌가, 사실인 것처럼 공유되면 그것만 보고 있는 사람들은 이걸 사실인 것처럼 믿고 그 월드 안에 사는 거거든요. 그게 채팅피디에서 일어날 수가 있어요. 절대 그걸 필터링하지 않으면. 그래서 이거를 업계에서 헬루시네이션이라고 부르기도 하는데 이게 어떻게 보면 채팅피디의 가장 큰 이슈. 중에 하나이고요. 또 하나는 이제 이 학습된 내용이 2021년 말까지밖에 없기 때문에 2022년에 일어났던 이런 certificate가 지금 답을 못 줍니다. 근데 이거는 근본적인 문제는 아니고 일시적인 이슈이긴 하지만 그리고 아까 그 파운데이션 모델, 라이젠 러닝 모델이 가능하지 않은 건 제가 설명을 드렸었고요. 이걸 기반으로 해서 지금 일어나고 있는 것들, 이거는 마찬가지로 트위터 링크가 되게 많은데 예를 들면 지금 스타트업들 AI를 가지고 만드는 툴들 이런 그 다음에 채팅피디, GPT의 이러이러한 기능들, AI의 툴들 100가지 나오는데 다 보면 오디오, 챗봇, 코딩, 커피라이팅, 디자인, 이미지, 런, 뮤직, 포토, 프로덕트, 세일스, 서치, 비디오, 라이팅 다 이 분야인데 여러분이 트위터를 쭉, AI를 쭉 보시다 보면 채팅피디, GPT를 이용한 10개의 해킹, 아니면 AI 툴 50개 이런 링크가 하루에 한 10개씩 넘어요. 자, 그러면 이걸 다 찾아보지 마시고 제가 모아놨습니다. AI 스타트업들에게 나와있는 이 4개를 보시면 Genelty Base11에서 리서치한 것, 혹은 Scalebenches에서 리서치한 것, Altimeter에서 리서치한 것, Antler에서 모은 것들인데 각각 다 들여다보면 대략 하나마다 리스터가 2-300개 정도에요. 근데 보시면 대략 이 아래 10개 카테고리로 벗어나지 않아요. 특히 첫 번째 당연히 파운데이션 모델하고 내지는 MLops나 인프라 쪽 스타트업들은 당연히 이거는 생길 수밖에 없죠. 왜냐하면 기본적으로 필요한 툴이니까. 근데 여기 나오는 이 분야, 이 분야는 하루에 한 수십 개 정도 나오고 있습니다. 코딩, 이미지, 카피 제너레이션 그래서 우리가 알고 있는 미국의 제스퍼답, 제스퍼나 카피닷AI 이런 것들이 결국 랜사, 이런 것들이 결국 20개 나오고 있고 그런 스타트업들이 한 2-300개씩 있고 지금 아마 못해도 한 500개 정도 될 것 같아요, 인터넷상에 근데 하나 더 보여드릴게요 일부러 제가 이런 유행의 AI 스타트업들을 소개하는 트위터를 제가 일부러 보여드렸는데 sell.ai가 만드는 회사에서 창업자가 자기 서비스를 소개하는 거죠. 이 서비스 만들기 3주 걸렸습니다. 심지어 여기는 줌스키프라는 걸 프로듀서한테 올렸어요. 근데 이거 만드는데 20시간 걸렸습니다. 오프닝에 기본 API가 있고 거기다가 아까 말씀드렸던 최소한의 데이터를 학습하든지 아니, 학습 안 해도, 심지어 여기 나온 거 거의 80%는 학습, 파인 튜닝 없이 그냥 UX만 바꾸면 80% 이상일 거예요 그래서 심지어 누가 이런 표현을 하더라고요 여러분, iOS 앱스토어 처음 나갈 때 기억하실지 모르겠는데 화면에다가 촛불 딱 보여주는 앱이 그때 50만 다운로드 됐고 FART라고 해서 방구 뀌는 소리 내는 앱이 그때 100만 다운로드 됐었어요 딱 지금의 AI 스타트 앱들이 나오는 게 보면은 애프터 초창기에 그런 여기 나오죠? FART나 Flashlight 앱, 그 페이지인 것 같다 이런 것들이 수십만 개 나올 거고 그 중에 살아남는 분들이 결국은 Uber나 Airbnb나 인스타그램이 되는 거죠 제가 이 얘기를 드리고 싶었어요 사실은 오늘 들으시는 분 중에 차갑고 가련된 분이 되게 많으실 텐데 결국 2명이서 3주 내지는 혼자서 20시간 만에 만드는 앱들에 대해서 가지고 있는 제가 생각을 먼저 보여드릴게요. 예를 들면 제스퍼나 카피닷AI 같은 앱들이 어떻게 보면 넓게 오는 그런 카테고리일 수도 있는데 저는 두 가지가 다 적용된다고 생각해요. 하나는 뭐냐면 파인튜닝을 해서 특정 도메인에 맞는 데이터 모드를 구축을 한다. 첫 번째. 두 번째는 타겟 시장. 타겟시장의 워크플로우나 그쪽에서 밸류플로우에 기반된 벌리프로포션 이 두 가지는 만약에 해줄 수 있으면 저는 이거 아주 잘하고 있는 스타트 플레이라고 생각합니다. 여러분들이 AI라고 해도 완전히 다른 형태의 파라데미로 되는 것이 아니라 여러분이 SaaS 비즈니스를 만든다고 한번 상상을 해보면 여러분이 SaaS에 만드는 데 쓰는 툴들은 모든 소프트웨어 개발자에게 다 똑같이 갖고 있는 툴이거든요. 그럼 SaaS에 기본적으로 서비스를 내서 시장에서 윈하는 데 뭐가 필요할까? 워크로에 맞는 사용자의 니즈를 충족시켜주는 밸리 프로포션을 가지는 서비스를 만드는 거 그리고 그걸 기반으로 AI에서 데이터 모트라고 얘기하지만 일반적인 스타트업에서는 사용자가 있습니다. 사용자 베이스를 만들면 그걸 기반으로 해서 성장하게 돼서 피그마 같은 회사가 만들어지는 거죠. 노션 같은 회사가 만들어지는 거죠. 그런데 피그마를 만드는 소프트웨어, 노션을 만드는 소프트웨어는 여러분한테 다 있는 거예요. 피그마는 노션을 만드는 사람하고 지금 그걸 만들지 못하는 회사의 차이는 뭐냐면 그게 아니라 Workflow에 맞는 Value Proportion하고 데이터 모트 혹은 유저 모트인거죠. 그걸 찾을 수 있으면 제가 볼 때는 지금 OpenAI API를 가지고 스타트업 API를 가지고 3주 만에 MVP를 만들어서 시장에 내는 게 맞아요. 근데 중요한 거는 그렇게 낸 상태에서 단순히 그걸 가지고 매출을 빨리 올리는 게 중요한 게 아니라 Workflow에 맞는 Value Proportion을 만들고 데이터 모트 혹은 유저 모트를 만들어가는 게 중요한 거죠. 그걸 만약에 만들지 못하면 우리는 뭐라고 얘기할까요? 업계에서 뭐라고 얘기할까요? UX arbitrage라고 표현해요. 결국은 오픈 AI가 제공하는 API에다가 UX 껍데기 씌운 것 이상도 이하도 아닌 거죠. 그런 서비스는 서바이벌 못해요. 그러니까 중요한 것은 어떤 기능이냐가 중요한 게 아니라 어떤 기능을 제공해서 그걸 가지고 사용자가 모이고 데이터가 쌓이고 모여서 그걸 가지고 밸류프루프하고 데이터 모트나 유저 모트를 만들 수 있으면 그게 딱 지금 해야될 프레브인 거죠. 그게 여러분들이 90년대 후반에 95년 6년도에 끝없이 많은 웹사이트를 만들었거든요. 거의 90% 쓰레기였고 1%가 그나마 쓸만했고 그중에 1%가 살아남았는데 그 첫번째 살아남은 게 어느 회사였냐면 바로 한메기였어요. 그리고 그게 지금 다음을 만들었고 다음이 지금 카카오가 된거죠. 근데 만약에 그때 다음이 가지고 있던 소프트웨어 툴이 특별한 게 있었느냐 다른 사람이 가지고 있는 소프트웨어 툴과 똑같았던 거죠. 단지 사용자의 니즈, 그것에 맞는 워크플로우 혹은 UX를 가지는 소프트웨어를 가지고 사용자의 베이스를 만들었기 때문에 한 메일이 상장했던 거고 그걸 기반으로 해서 거기에 다음 카페가 붙고 그게 다음 포털이 된 거고 그게 지금 카카오가 된 거죠. 죄송한데 어떻게 보면 제가 오늘 드리고 싶은 결론 중에 가장 핵심 포인트가 바로 이 부분인데 여기 스타트업 하시는 분 혹은 스타트업 하려고 하시는 분 내지는 표준어를 생각하시는 분이 계시면 세 분 카테고리 어느 분인지 간에 저는 이게 가장 중요한 포인트 오늘 드리고 싶은 포인트예요. 지금 오픈 AI가 제공해주는 API 가지고 뭔가 새로 시작하는 것 자체를 두려워할 필요가 없어요. 근데 두려워해서 그렇다고 해서 스탬피드 같이 우르르 다 몰려가서 경쟁할 수 없는 뭔가를 만드는 게 아니라 이렇게 워크플로우와 데이터를, 혹은 유저모트를 만들 수 있는 그 확신을 가진 서비스를 만들 수 있으면 여러분은 AI 개발의 새로운 메가트렌드의 위너가 돼서 AI 시대의 다음, AI 시대의 카카오가 될 수도 있을 거예요. 이게 제가 오늘 드리고 싶은 가장 핵심 메시지예요. 근데 이것도 똑같은 얘기거든요. 결국은 Generative AI 앱의 가장 중요한 모트는 어디서 오냐면은 워크플로우에서 오고, 그 다음에 데이터, 프라이빗 데이터에서 온, 커스텀 데이터에서 온 그 데이터모트 이게 가장 핵심이다 라는게 메시지고 이게 여러분에게 가장 큰 메시지입니다. 자 그러면 다시 돌아와서 그런 형태의 지금 만들어놓은 AI 앱 혹은 뒷부분에 AI 프론트엔드 앱이라고 쓰긴 하는데 AI 프론트엔드 앱은 지금 아마 대충 500개에서 1000개쯤 있을거에요. 그리고 지금 하루에 다 2,30개 생일하고 있고 그 대표가 예를 들면 카피라 하는데 자스퍼 copy.ai, 노션은 거기에 카테고리 넣을 수는 없지만, 렉스페이지, 이게 노션 같은 UX에다가 AI를 입힌 거거든요. LE, 이게 이메일 답장을 자동으로 해주는 거. 저희는 경우는 99%는 아마 1, 2년 후에 없을 겁니다. 1% 살아남을 거고. 근데 라이팅에 대해서 되게 쉽게 생각할 수 있는 앱인데 저는 라이팅보다 더 관심이 있는 게 코딩이에요. 물론 여러분 아시는 Copilot, Replet 이런 것들이 코딩에 대한 어시스턴트를 해준다고 해서 이미 기본 기능은 다 나와 있는데 최근에 새로 나온 툴들을 보면 ID 인테그레이션을 하거든요. 이게 무슨 뜻이냐면 제가 개발자 보면 제 나름대로의 ID가 있어요. 개발 환경이 있고 제가 만들어놨던 코드의 베이스가 있고 이게 어딘가 데이터 사이에 있거든요. 근데 그것을 학습하면 그걸 가지고 파인트윙을 하게 되면 OpenAI GPT-3 내지는 Chet GPT를 가지고 코딩을 가지고 파인트윙을 하면 그 결과적으로 나오는 파인트윙이 된 모델이 뭐냐면 허지노의 코딩 습관에 딱 맞는 AI 커팔러 시대입니다. 그러면 제가 만들어놨던 코딩 중에서 내가 과거에 만들어놨던 것 중에서 원하는 코드를 찾아올 수도 있고 제 습관에 맞는 형태의 코딩을 만들어낼 수가 있고 이런 형태의 단순히 코파일럿의 기본 기능 플러스 진짜 개발자가 필요한 기능들이 합쳐진 모델이 가능해지는 겁니다. 이런 것들을 보면 결국 기본 API 위에다가 아까 Workflow 내지는 Value Probe를 가지고서 모트를 만들 수 있는 기반이 될 수 있다고 생각하고 있고 실제 경제적인 입장에서 보게 되는 코딩과 뒤에 나오는 Game Asset Generator 이 두 가지가 보면 AI를 통해서 생산성 증대 효과가 가장 먼저 나오는 거거든요. 왜냐면 코딩의 효율이 예를 들면 10%만 올라가도 대단한 건데 실제 코팔렛 같은 것을 써서 하게 되면 최소한 45% 정도 코딩 생산성이 향수된다고 얘기를 하거든요 여기서 생산성이라는 것은 단위 시간을 만드는 코드의 양이겠죠 당연히 그걸 기준으로 45% 만들어지면 아니라 제가 볼 때는 1인당 예를 들면 월 100%에 1000불씩, 한 500불 정도 과감한다고 해도 기업들 다 쓸 거예요 내가 한 달에 천만원씩 주는 개발자가 생산성이 50% 올라가 그러면 5000불만큼 내가 세이브하는 건데 그거에 일부 500불 못 쓰겠어요? 당연히 쓰죠 그래서 이런 것들이 보면 이런 툴들, 텐사이가 아까 말씀드렸던 유어 래퍼레벨 코드 아시스턴트, 그 다음에 QQ... 어쨌든 고르는 게 나의 코드베이스를 알고 나를 도와줄 수 있는 아시스턴트가 된다고 하면 저는 개발자들 사스모처럼 쓸 것 같아요. 지금 당장. 또 하나는 제가 게임에 있을 때 얘기하셨는데 이거는 아직은 본격화되지는 않고 있는데 지금 많은 게임 개발자들이 이미 내부를 테스트 엄청나게 하고 있을 겁니다. 여러분 이제 RPG가 됐든지 2D 게임이 됐든지 게임의 아이템들 디자인 다 지금 그리고 있잖아요. 지금 이미 아까 미드존이나 스테이블 디퓨전의 케이스를 보면 이미 레퍼런스 모델을 하나 주고 내가 그걸 기반으로 해서 어떠어떤 특징을 가지는 이미지를 만들어다오라고 하게 되면 순식간에 낼 수가 있거든요. 그러면 지금 도트 찍는 디자이너들, 게임에 만드는 기획 중에서 아주 노고다 하고 있는 디자이너들이 생산성을 거의 한 10배쯤, 10배 내지는 20배쯤 정도 좋게 만들어줄 거예요. 그러면 무슨 의미냐면 게임의 개발비가 10%를 줄인다는 얘기예요. 왜냐하면 전체 게임 개발비는 절반 정도가 코딩이면 오히려 코딩보다 더 큰 게 게임 아이템을 만들어내는 비용이거든요. 그래서 결국은 단계적으로 보게 되면 코딩과 게임만의 개발 쪽에 제일 먼저 적용될 수 있을까 생각을 하고 있고 그것과 비슷하게 적용될 수 있는 게 디자인 쪽이 있을 텐데 네, 상상 범위만큼 갈 수 있을 것 같아요. 제일 먼저 나오면 인테리어 디자인, 요즘 인테리어 디자인 예를 보면 실제 사실 인테리어 AI라는 회사를 딱 들어가보면 내 방에 사진을 딱 찍어서 보내주면 거기에 맞는 인테리어 디자인을 만들어줬는데 그걸 만드는 건 2-3분이면 돼요. 미드존이 가지고 그러면 결국은 예전 같은 경우에는 보내준 사진을 가지고 3D모델을 만든 다음에 거기에 각오 배치하고 손으로 탐내내내내내내내내내내내내내내내내내내내내내내내내내내내내내내내내내내내내내내내내내내내내내내내내내내내내내내내내내내내내내내내내내내내내내내내나 그럼 거기에 가구 배치한 다음에 가구 배치 상상도를 자동으로 만들어내는 것도 아마 길어야 1년, 앞으로 빠르면 6개월 내에 보편이 될 거고 이게 모든 인테리어 회사들한테 보급이 되려면 회사는 거기다가 10배쯤 올라갈 겁니다. 이 정도가 제가 볼 때는 지금 당장 일어나고 있는 것들이고 엔터테인먼트 소셜 부분에 대해서는 제가 사실 이건 상상력이 부족해서 뭐라고 얘기할 수는 없어요. 랜선 아바타 AI에서 일어난 것들을 보게 되면 우리 90년대 후반 랩 초기에서 세이클럽이나 싸이월드에서 일어난 것들하고 비슷하다 그 비슷한 일이 많이 일어날 수 있을 것 같아요. 여기는 진짜 여러분이 상상에 의해서 어떤 기회가 있을지 찾아봐야 될 것 같아요. 이건 제가 뭐라고 말씀드리기가 어렵고 기본적으로 제일 먼저 우리나라든지 글로벌 어디든지 셀피에 대한 미디어가 제일 크기 때문에 랜사 같은 경우는 되게 운 좋게 이미 유저 베이스가 있는 상태에서 A를 딱 붙여서 하루 매출 100만분까지 올라갔었거든요. 근데 지금 많이 떨어졌긴 하겠지만 아바타에는 랜사가 그런 초기에 우를 타는데 저는 그게 지속가능하다고 보진 않아요. 근데 여기에서 이게 지속가능한 모델이 되려면 그걸 가지고 사용자 베이스를 모으거나 아니면 그걸 가지고 엔터테인먼트나 소셜에 새로운 밸류가 들어가게 되면 저는 새로운 기회가 만들 수 있고 그러면 AI 시대의 CYCLUB 혹은 AI 시대의 CYWORLD 같은 것들이 아마 나올 수 있지 않을까 그리고 이웃 분야는 제가 볼 때 우리나라에서 제일 잘할 수 있는 분야 중 하나라고 생각해요 그래서 기회가 있을 거라고 생각을 하고 있고 이런 것들을 제가 볼 때 여러분들이 보시면서 아까 제가 오늘 가장 중요한 메시지를 설명드렸던 그 시각에서 이 모델 제공되는 것들을 앞으로 당연히 바뀔 수도 있고 오픈 AI가 API를 해소할 수 있긴 하지만 너무 그걸 걱정하지 않기 보다는 그걸 가지고 일단 밸런스 프로그램을 만들고 거기에 나의 모트, 데이터 모트가 됐든지 유저 모트를 어떻게 만들 것인가 라는 부분에 대해서 가장 집중해서 기회를 찾아보는 것이 필요할 것 같아요. 그러면 그런 상태에서 어떤 기회가 있을까를 한 스텝 뒤로 빠져서 살펴보면 지장 구조가 어떻게 돌아갈까 라는 부분이 사실은 제일 먼저 저 같은 경우는 제일 먼저 시작을 하는 부분인데 이게 니바라는 검색, 구글하고 경쟁하는 AI 기반의 검색 서비스를 만드는 창업자가 글에서 가져온 자료이긴 한데 대략 카테고리가 이렇게 될 것 같아요. 파운데이션 모드를 갖고 있는 회사 오픈 AI, 구글이나 메타가 아직까지 비즈니스로 하고 있지는 않기 때문에 여기에 리슨 들어가지 않았지만 비슷한 형태의 회사가 코히어, AI21, 엔트로픽 같은 회사들이 있고 구글을 가지고 LLM4X, 그러니까 특정 분야에다가 파운데이션 모델이나 라이저 랭킹 모델을 적용해 가지고 그 버티칼에 맞는 모델을 제공해주는 인프라 에어커가 생길 거예요. 그러니까 오픈 AI는 완전 브로드한, 아주 일반적인 인프라 에어커가 해줄 것이고 그중에 게임과 관련된 게임 개발에 특화된 라이젠 랭킹 모델 내지는 인테리어나 이미지 만드는 것에 특화된 라이젠 랭킹 모델 내지는 엔터프라이즈 기업들의 비정의 데이터를 처리하는 데에 특화된 라이젠 랭킹 모델 이런 것들을 만드는 회사들이 아마 등장할 거라고 저는 예상이 됩니다 그걸 기반으로 해서 아까 말씀드렸던 수많은 AI 프론트 엔드 스타트업 혹은 AI 앱들이 많이 등장할 거고 이걸 나쁘게 표현하면 프롬프트 엔지니어링 레이어라고 표현하기도 해요 이게 아까 말씀드렸던 ui-arbitrage라는 또 다른 표현이기도 한데 파운더셋 모델 위에다가 단순히 UX 레이어를 하나 더 얹은 거 아니냐라고 표현할 수 있는 거죠 그리고 실제 그런 경우가 대부분이고 그리고 대개 이런 경우에는 디자인 1명, 풀스텍 개발자 2명, 백엔드 개발자 1명, ML 엔진 1명, 그리고 마케팅팀. 이런 스타트업을 시작할 수 있거든요. 그런데 포인트에서부터 이 부분에서는 아까 말씀드렸던 노트를 어떻게 만들 것이냐는 부분을 신경쓰면서 만들게 되면 수많은 생겨날 것이고, 그중에 생겨날 업체가 생겨날 거다라는 게 이 세 개 카테고리의 가장 큰 업체, 중요한 업체가 될 거라고 생각하고 있고 인프라 데이터를 해주는 데가 결국은 이제 우라고 에멜랍스 쪽이 될 겁니다. 근데 이거는 여러분은 잘 모르실 수 있는데, 옛날에 2000년 전후에 리눅스가 한참 뜰 때 레딧 리눅스라는 회사가 있었어요. 그러니까 리눅스라는 자체는 오픈소스로 공개되어 있기 때문에 리눅스라는 소프트웨어 자체를 판매할 수는 없었지만 그 리눅스를 가지고 기업들이 잘 쓸 수 있게 해주는 컨설팅 혹은 인프라 솔루션들을 만들어낸 회사로 등장한 게 레딧 리눅스였고 그런 회사가 되게 확 핫했거든요. 물론 그게 오래 가지는 않았지만 꽤 일기장 기간 유지가 될 거라고 생각하고 있고 이게 AI가 엔터프라이즈 일반 중견기업, 중소기업, 서비스 업체들에 적용될 때 인프라가 기반이 되어주는 이런 툴들, 이런 것들 다 통쳐서 에메랍스라고 하기도 하고 에메랍스라고 볼 수도 있고 툴로 볼 수도 있는데 이런 업체들은 결국 앞으로 3년, 4년 되게 핫할 것 같긴 해요 그런데 물론 이런 회사들은 성장의 캡이 주어지긴 해요. 일반적으로 컨설팅이나 아니면 솔루션 혹은 엔터파일 솔루션을 제대로 그렸듯이 그런데 이거는 비즈니스 어떻게 만드냐에 따라 달라지긴 하겠죠. 만약에 계속 컨설팅 모드로 가게 되면 성장의 한계가 주어지긴 하겠지만 어쨌든 MLops는 되게 특히 우리나라 같은 경우도 보면 지난 5년 동안 빅데이터 솔루션 혹은 빅데이터 인프라를 제공하는 업체들이 몇 개 나타나 있었지만 엔터프라 시장이나 빅토시 시장에서 자라지 못하고 결국 아주 크게 성장하지 못했거든요. 그런데 이 카테고리가 그렇게 될 위험성은 좀 있긴 해요. 하지만 앞으로 예를 들면 3년, 5년 동안 엔터프라 시장에서 니즈러는 지속적으로 있을 거기 때문에 레이블링, 트레이닝 인프라, 인프라 등등 ML Ops 이런 툴들에 대한 확신이 되게 많이 생겨날 거라고 생각하고 있고 그 밑에 하드웨어와 클라우드 인프라를 제공해주는 업체는 게임 끝났어요. 여기는 뭐 제가 다람쥐 들어갈 정도가 없고 여기 이제 그 NIVA에서 보는 시각이고 그 회사에서 보는 마킹을 이렇게 보거든요. 그래서 밑에 클라우드 기반이 있고 툴 회사가 있고 그 위에 이제 특정 분야에 대한 라이젠 랭킹 모델을 제공해주는 업체 그 다음에 파운데이션 모델을 제공해주는 업체 그리고 그 위에 AI 스타트업이 있는데 이 맵은 제가 그리기 때문에 허접합니다 근데 저는 약간 생각이 조금 다른 것 같아요 제가 투자해서 보는 시각이 비슷해 보긴 하지만 약간 좀 다른 게 당연히 인프라나 라이징 랭기지 모델 쪽은 게임 대형 업체들 중심으로 게임 끝났다고 보고 있고 저는 미들 레이어가 어떤 형태로 될지 아직 충분히 모르겠어요 아까 리바에서 얘기했듯이 라이징 랭기지 모델 4X 형태로 나올 수도 있고 여기가 미들 레이어라고 새로운 레이어가 들어갈 수도 있고 아니면 MLOps가 그 역할을 담당할 수도 있을 것 같아요. 근데 정확히 어떤 레이어를 할까요? 모르겠지만 Middle layer가 하나 더 필요할 거라고 보고 있고 이게 Middle layer일 수도 있고 어떻게 보면 특정 Vertical에 특화된 랭기지 모델을 제공해주거나 특화된 컨설팅 랭기지 모델을 패키지로 제공해주거나 데이터까지 묶어서 제공해주거나 어쨌든 그런 Vertical마다의 형태로 나올 수도 있을 것 같아요. 그게 이제 B2B로 가게 되면 MLOps로 특화될 거고 만약에 B2C를 가게 되면 MNOX라기보다는 뭔가 미들 레이어 혹은 레이어가 하나 더 들어갈 것 같고 그게 이제 그 위로 올라가면 버티칼 교육, 커머스 핀텍 이런 버티칼 교육 외에 B2C 업체들이 나오거나 아니면 B2B에서는 물류 제조업 같은 버티칼별 내지는 생산성 툴, 인구 이런 형태의 시스템 별로 투자 계획이 생기지 않을까라고 내부적으로 저희 팀 내부끼리 브레이스토밍 하면서 제가 그렸던 앞으로 이렇게 아키텍초가 갈 테니까 여기서 우리 길을 찾아보자고 정리했던 내용입니다. 이게 이제 기본 시장 구조일 텐데, 시장 구조이고 거기에서 그러면 아까 결국은 파운데이션 모델 플레이어 쪽에 기회가 있을 것 없을까? 특정 분야에 라지 랭귀지 모델하고 파운데이션 모델에 기회가 있을 것 없을까? 그 다음에 프론트 엔드 스타트업 위에 기회가 있을 것 없을까? 툴에 혹은 MNOPS에 기회가 있을까 없을까 이 각각을 이렇게 멘탈 엑서사이즈 해보면서 기회를 찾아보거나 우리가 지금 하고 계시는 비즈니스에 연결해 가지고서 로그를 만들 수 있을 것인가 라는 고민해 보는 방법이 필요할 거라고 보고 있고 저는 투자들로서는 이 전체 마켓맵에서 그러면 어디가 기회가 있을까 어디에 기회가 남아 있을까라는 부분에 대한 집중해서 찾게 되겠죠. 그 부분들이 미세한 몇 가지 생각들이 나온 것 같아요. 아까 이거는 이미 설명을 드렸던 부분이고요. 그래서 퀵앤더링 20시간, 3주 만에 만들었다. 여러분도 많이 해보시라. 그런데 무작정 띄우지 말고 모투를 어떻게 만들까 고민하며 띄워 드시라고 말씀드렸던 부분이고 몇 가지 생각을 정리해보면 생산 툴은 아마 이렇게 될 것 같아요. 지금 많이 나오고 있는 다큐멘테이션 혹은 그림 그리는 거, 그걸 쓰는 것에 툴들 혹은 요즘 브라우저 크롬 엑텐션으로 하루에도 20개씩 나오거든요. 저는 이 서비스는 독자적으로 생산하기 되게 어렵다고 생각해요, 기본적으로는. 왜냐하면 MS Office 당연히 거기 내장될 거고, 구글 스위트 당연히 내장될 거고, 노션 이미 내장됐고, 피그먼 이미 내장됐고 그러니까 기존에 이미 있는 툴에서 add-on을 함으로써 와이프아웃 될 수 있는 기계 그거는 스퀴즈가 되게 쉬울 거예요 그럼에도 불구하고 HLM 스타트업 때 기회가 있다고 하면 제가 예를 드는 게 구글 미트도 있었고 MX 팀도 있었지만 줌이 저렇게 컸잖아요 그 다음에 어더비에 포토샵도 있고 일러스트도 있었지만 히그만 저렇게 컸고 그다음에 기존에 애버노트, 구글이나 앱의 노트 심지어 마이크로소프트의 원노트는 번들도 있고 애플도 노트가 있고 구글도 킵이 있음에도 불구하고 노션이 상당했고 결국은 기본으로 여러분이 어떤 프로젝트를 경쟁력 있는 프로젝트를 만들어낼 수 있느냐에 따르면 저는 기여가 있을 거라고 생각합니다. 이 분야는. 그런데 이전에 있는 진짜 OpenAI API 위에다가 진짜 US마다 올린 거 가지고 성공할 수 있을 거라고 기대하지 마시고 줌이나 피드만 노션가드 플레이 할 수 있다면 저는 이 시장도 충분히 의미가 있다고 생각합니다. 엔터프레이즈 소스는 결국은 아까 제가 말씀드렸던 이 부분 제가 90년대 웹 시즌에도 예를 들었고 소스 예를 들었던 것과 비슷한 것 같아요. 결국은 여러분이 소스 비즈니스를 창업한다고 상상을 해보시고 거기에서 소스에 쓰는 소프트웨어 대신에 AI를 딱 대체해놓고 그럼 내가 어떻게 할 건가라는 상상을 해보세요. 그러면 엔터프레이즈 소스나 엔터베이징 소프트웨어나 SAS 툴에서 어떤 기회가 있을 것인가 라는 부분도 나올 수 있을 것 같습니다. 그리고 위에 나왔던 AI 프론트렌드 스타트업에 대한 기록 스타트업은 이런 것 같아요. 아래쪽에 보면 Off the shelf 모델, OpenAI 모델이라든지 그 다음에 데이터 파트너십이 있기 때문에 기본적으로 프리트렌드 모델은 OpenAI가 제공하거나 구글이 제공하거나 기본적으로 제공된 대로 보시면 돼요. 그러면 여기서 이제 그 위에서 우리가 할 수 있는 거는 밸류를 만들 수 있는 제품을 만들고 활용을 모은 다음에 여기에 프로폴리티가 있으니까 데이터 모어트를 만들 수 있는 거, 제가 보기에는 이 루프가 중요하다고 생각해요. 그래서 프로폴리티라는 데이터를 모은 다음에 이걸 가지고 모델을 파인튠 해서 UX를 더 개선한 다음에 이 사이클을 둘러야 됩니다. 그리고 이 사이클을 돌리면서 결국 사용자를 모으고 그 다음에 Value를 하게 되면 여러분이 SaaS 툴을 가지고 경쟁하는 것과 똑같은 형태의 플라잉 리뷰를 만들 수 있다고 생각합니다. 몇 개 반복되는, 하던 생활을 오랫동안 정리하려면 반복되는, 중복되는 것도 많은데 예를 들면 auto-complete 기능은 카피페이스트같이 모든 소프트웨어 기본 내장일 겁니다. 지금도 노션에 보면 플러스 플러스 하면 바로 auto-complete 해주잖아요. 노션 AI 보면. 그거는 지금 어느 툴 카피페이스트 없으면 우리가 이상하듯이 auto-complete도 있어요. 아마 기본 내장. 앞으로 한 5년쯤 되면 auto-complete 어느 소프트웨어도 있어 라고 물어볼 거예요. 그 다음에 아까 말했던 반복, UX arbitrage, 그러니까 데이터모트, 유저모트, 그리고 밸류플럭을 만들지 못하는 상태에 단순히 유저, 껍데기만 씌우는 유저의 UX arbitrage는 절대 소스텔링을 하지 못할 거다. 그리고 이건 아까 제가 드렸던 말씀, 다시 여기 반복. 결국 AI를 기반으로 소프트웨어 2 혹은 AI 앱 같은 걸 만들 수 있대. 이 두 포인트죠. 그 다음에 리버스 팔레트 라고 저는 이거 되게 공감하는데 오프닝 AI나 체킷 PT나 GPT-3 기능을 가지고 여러분이 만드실 기능에 80%까지는 기본을 따로 끕니다. 그런데 나머지 20% 인프로가 하는데 여러분 노력의 80%가 들어갈 거에요. 이게 리버스 팔레트 라고 이 양반이 붙인 얘기는 저는 되게 동감하고 그리고 그 20%가 여러분들이 경쟁 포인트로 생각합니다. 여기에서 집중해야 된다고 생각하고요 요거는 사실 제일 큰 숙제에요. 한글 데이터 학습 데이터 이게 아까 제가 잠깐 얘기했던 A11이라는 지메일에서 답장을 자동으로 제네레이션 해주는 풀이 있는데 제가 그러고 한글 메일로 답장을 한 번 써봤어요 이런 답장을 주도이다. 한글 데이터가 어떤지 생각해요 국내는 제가 현재까지 제가 어쨌든 available는 public 데이터를 가지고 국내 제가 확인했던 large language 모델은 이 정도인 것 같아요 내부에 하이브 클로버가 2000억개 정도의 파라미터로 했는데 한글 데이터 사이즈 자체가 오픈에이터에 가지고 있는 한글 데이터의 6500배를 가지고 있다고 주장합니다. 클로버의 데이터를 보시면 카카오 프렌즈의 코지 PT가 6 빌런, GPT2 수준이죠. 조금 나은 수준인데 지금 고단 버전 코지 PT2를 만들고 있다고 뉴스에는 나왔는데 아직까지 60억 개 이상의 다른 파라멘터를 가진 랭킹 모델을 아직 발표는 안 됐고 SKT가 코지 PT2라고 발표했는데 여기 파라멘터 1억의 신호가 오랜만에 GPT1 수준의 라이저 랭킹 모델을 갖고 있는 게 전부 다인 것 같아요. 이 외에는 제가 국내에서 학교에서 R&D 모델로 만드는 아주 초규모 모델 외에는 제가 라지어 랭키지 모델을 확인한 내용은 아직 없습니다. 그나마 하이퍼클로버가 제일 앞서가고 있고요. 카카오 브레인의 식스플레이는 이건 아직 제가 볼 때는 한 제네레이션 뒤져있고 SKT는 아직 두 제네레이션도 뒤져있는 거죠. 오프닝에 비교해보면. 근데 라지어 랭키지 모델이 문제가 아니라 더 큰 문제는 데이터라는 거예요. 문제는 뭐냐면 한글 데이터에 대해서는 크롤러블한 데이터가 없어요. 거의 없어요. 크롤러블한 데이터는 이미 오픈, 아까 얘기 나왔던 코먼 크롤에 들어가보시면 이미 한글 데이터가 있지만 약간 어느 정도 있지만 그 데이터를 가지고 확정한 기록은 이렇게 나올 겁니다. 그래서 제대로 한글 학습을 하려면 큰 데이터를 찾아야 되는데 국내에서 크롤러블한 데이터 중에는 없고 유일한 데이터를 가진 데가 딱 두 군데 있습니다. 네이버, 두 곳이 포털링이 되고, 그 두 곳의 데이터는 외부에서 크롤링을 못하게 막혀있거든요. 대부분의 데이터가. 그렇기 때문에 사실 현재는 라이징 랭기즈를 모델로 만들더라도 저 정도 사이즈를 가지고 학습을 할 수 있는 데이터를 제공할 수 있는 데는 사실은 네이버, 카카오 두 군데 말고는 지구성이 없습니다. 이 문제는 사실 제가 어떻게 풀지 저는 답이 없어요. 답 없고, 예를 들면 장기적으로 데이터, 당연히 네이버하고 카카오 입장에서는 이게 굉장히 중요한 모트가 되겠죠. 비즈니스의 중요한 기업이 굉장히 될텐데, 이게 우리나라 한글 기반의 라이지던 기지 모델, 파운데이션 모델을 만드는데 데이터가 없다는 것이 요즘에는 한 10년 후에 어떤 임팩트가 있을지에 대해서는 저 아직 머릿속에 되게 많이 고민하고 있는데 아직 답을 못 찾았어요. 답을 못 찾고 이거 어떻게 해야 될까요? 어떤 방법이 있을까 고민하고 있는데 아직 답을 못 찾고 이 부분은 제가 볼 때 어떻게 보면 우리가 우리한테, 한국에 있는 우리 입장에서 우리가 제일 고민해야 될 이슈인 것 같아요. 심지어 저는 이 말을 보고 되게 기가 막히게 표현했다고 20년 후쯤 돌이켜보면 지난 1990년대부터 2020년까지 오픈인터넷이 세상에 기여한 가장 큰 것은 AI가 학습할 수 있는 데이터를 준비해놨다는 효과다 저는 이 말을 딱 보는 순간 공감이 가더라고요. 이거 며칠 전에 본 거거든요. 어제 본 거고요. 되게 공감이 되거든요. 결국은 어떻게 보면 물론 실제 이런 과정이 들어가 있긴 하겠지만 이 정도로 제가 볼 때는 데이터 지난 20몇 년 동안 90년대 후반 이후로 한 25년 동안 쌓여왔던 크롤러 버런 데이터 업그레이드를 하는 게 굉장히 중요한 역할을 하고 있고 AI가 만약에 진짜 사회의 보편적인 인프라가 된다고 하게 되면 어쩌면 지난 20년 동안 결국 AI한테 줄 데이터를 만들기 위해서 우리가 페이스북하고 사이월드 했구나라고 느끼지 않을까라는 들어서 공개됩니다. 그러면 이건 단기적으로 이런 아이디어에 대한 예상이었고, 단기적으로는 몇 가지, 이건 어떻게 보면 예상이라기보다는 상상에 더 가까운 것 같아요. 이 양반이 보면 NFT 쪽에 되게 투자를 많이 한 투자자거든요. 그런데 지금 보면 이 링크를 보시면 어떤 상상을 하게 하냐면 지금 우리가 유튜브에 나오는 버추얼 유튜버가 보면 지금 우리는 버추얼 휴먼을 만들어서 그걸 가지고 데이터를 우리가 시네를 써줘서 이렇게 만들고 있잖아요 근데 한단계 더 나아가면 시네를 쓰고 만들어내는 것조차도 AI가 만들게 되면 VTuber 기능, 그 다음에 뒤에 나오는 데이터 자체가 AI가 할 수 있지 않을까라는 상상을 하게 됩니다 지금 모르겠지만 5년쯤 되면 충분히 가능할 것 같아요 두 번째, 저는 이게 게임 쪽에서 AI가 되게 큰 역할을 하게 되었는데 몇 가지 시나리오, 당연히 아까 말씀드렸듯이 게임 제작 단계에 AI가 풀로 들어가는 건 맞는데 지금 단기적으로 되게 큰 얘기가 될텐데 단기적으로는 게임 플레이에 의해서 AI가 중요한 에이전트를 할 거에요. 일단적으로 상상을 해보자면 모든 게임이 모든 게임을 대상으로 다 개인화가 될 거고 그 다음에 각 게임한테 특화 학습된 NPC가 하나씩 만들어질 거에요. 에이전트 형태로. 그리고 게임 플레이 자체도 그리고 게임 플레이 시나리오 아이템도 실시간으로 상황에 따라서 실시간으로 generative AI가 만들고 그것을 만든 scene 그 다음에 아이템도 실시간으로 생산해가지고서 플레이할 수 있는 데까지 갈 수 있지 않을까 너무 와일드한 상상일 수 있긴 하지만 그러면은 여러분은 바로 건너편에서 PC방에서 게임을 하고 있어도 완전히 다른 게임을 하고 똑같은 게임에서 놀아도 완전히 다른 게임을 완전히 개인적으로 특화된 게임을 하고 있을 수도 있는 거죠 저는 이게 더 큰 것 같아요 코지라는 직업이 과연 필요할까요? 이게 더 큰 것 같아요 왜냐하면 나중에 이제 그 샘 알트만이 보면은 오픈 AI 창업하는 샘 알트만이 리더스만하고 인터뷰, 유튜브 동영상을 보시면 거기에 중간에 한 중간쯤 들어가면 셀프 러닝하는 스스로 학습해서 인플루어하는 AI 에이전트에 대한 얘기가 나와요. 그게 무슨 뜻이냐면 극단적으로 얘기하면 AI 모델 자체가 학습을 해서 자기의 기반이 되는 코드 자체를 바꾸는 거죠. 자기를 스스로 바꾸는 거예요. 학습을 해서. 그러면 그 순간 그 AI 모델은 인간상으로 떠나게 됩니다. 그게 얼마나 걸릴까요? 지금 페이스북을 보게 되면, 저는 30분 안 걸릴 것 같거든요. 그러면 10년 후에 과연 지금 우리가 알고 있는 코딩을 하는 직업이 필요할까? 라는 질문을 던지게 되는 거죠. 이거는 디자이너에 대해서 똑같은 질문을 던지게 될 거예요. 그러니까 이제는 진짜 만약에 미드존이 하고 이미지 제너레이션 해지는 캠퍼의 능력을 보시면 아주 크리에이티브한 테마를 만드는 크리에이터 몇 명만 있으면 나머지 디자이너들이 필요할까? 라는 질문을 던지게 되는 거죠. 아무거나 읽을 수도 있습니다. 그 다음에 AI는 전기가 칠일 것이다. 제가 90년대 후반에 인터뷰했던 내용 중에서 제가 몇 번 받았던 질문이 인터넷이 불편해지면 어떻게 될까요? 제 답은 이거였습니다. 인터넷이라는 용어 자체가 사라질 겁니다. AI도 똑같아질 거예요. 왜냐하면 여러분들 전기라는 게 보면 만들어진 게 실제 나타난 지가 딱 150년이 안 되거든요 120년 정도밖에 안 되거든요 발명된 지가 우리가 알고 있는 교류 전기가 나온 지가 120년이 안 되는데 지금 우리는 예를 들면 전기 쓴다, 전기 한다는 용어를 안 하잖아요 그런데 90년대 후반만 해도 인터넷 한다는 용어를 썼거든요 여러분 요즘 인터넷 한다는 용어 안 쓰잖아요. 그거는 여러분이 집에 들어가면서 불 켜면 당연히 전기 스위치 켜면 불 들어오고 우리는 그냥 그 안에 살듯이 인터넷이 그렇게 돼버립니다. 이제 20년 후쯤 되면 AI도 그렇게 될 거예요. 우리 AI 기반의 모자라는 용어 자체가 없어지게 될 겁니다. AGI, General AI인데 샘 얼터만이 어딘가 인터뷰할 때 보면 AI의 대표단을 이렇게 내렸어요. 당신이 하여간 할 코워커. 이게 몇 가지 임플리케이션이 있는데 하나는 뭐냐면 첫 번째, 인간이 하는 것과 비슷한 형태의 리지닝을 할 거다. 두 번째, 우리가 소프트웨어한테 기대하는 100%의 정확한 카운터 파트는 아닐 거다. 예를 들면 여러분이 같이 일하는 동료, 100% 완벽한 거 기대하시긴 하겠지만 실제 완벽한 그런 동료가 있으신가요? 없잖아요. 80%, 90%. 그럼 나머지 10%, 20%는 인간이니까 부족한 거니까 같이 팀웍으로 메꿔가거나 서로 보완해가면서 이렇게 일하는 거죠. 여러분이 general AI라고 얘기할 때 만약에 general AI에 대해서 가지고 있는 기대치가 우리가 알고 있는 100% 완벽한 속도라고 기대하시면 그건 좀 아닌 것. 아마 우리가 생각하는 기대치에서 80에서 90% 정도 수준의 인텔리전스, 리지닝을 하게 되면 그게 코워커로 일을 시작하게 됐고 그러면 지금 우리가 일을 하면서 우리 동료한테 기대해주는 역할, 예를 들면 나는 이 문서를 잘 할 테니까 당신은 이 파트를 맡아서 우리 역할을 나눠서 합시다. 이 역할을 해줄 수 있는 정도가 AI가 되는 거죠. 그래서 저는 Act1이라는 어댑트런 회사에서 만든 이 소프트웨어가 되게 저는 보고 놀랐어요. 놀랐고 저는 이런 형태의 소프트웨어가 되면 장기적으로는 AGI가 이렇게 갈 거고, 단기적으로는 저는 여러분 트윗하고 밑에 여기 나와있는 비디오 버젓을 꼭 보셨으면 좋겠어요. 이게 뭐냐면 웹 인터페이스나 일반 엔터프레이즈 소프트웨어 인터페이스에서 모든 것들을 어댑트나 혹은 액트원한테 제가 텍스트로 명령을 주면 실제 그 웹사이트에 들어가서 내가 자기가 알아서 데이터를 입력하고 데이터를 나오는 걸 가지고 다시 긁어가지고 그 데이터를 가지고 또 딴 데 들어가서 작업을 하고 이런 워크플로우를 자기가 자동으로 수행해줘요. 이게 저는 굉장히 인플루이션이 크다고 생각하는데 저는 이걸 보면서 뭘 느끼냐면 지금 우리가 알고 있는 형태의 인터랙션, UX가 AI가 보편화되는 5년, 10년 후쯤 되면은 완전히 의미가 없어진다는 생각이 듭니다. 왜냐하면 이렇게 만들 이유가 없는 거죠. 내가 시리한테 가서 우리 예를 들면 예산 100만 원이니까 우리 가족 3명이 살다가 4월에 일본 갈 수 있는 비행기표 예약해줘. 얘가 대한항공 사이트에 들어갈 필요도 없고 예를 들면 인터파크 티켓 가서 검색할 필요도 없고 근데 내가 원하는 내 에이전트는 내가 예를 들면 저가항공보다는 대한항공 SRT를 타는 것만은 탈 거야. 라는 제 비앱에 와있고 만약에 또 다른 에이전트는 저 사람은 그것보다는 저가항공에도 괜찮으니까 제일 싼 걸 찾는 거야. 이 백그라운드 데이터를 가지고서 자기가 에이전트로서 인터넷을 다 하는 거죠. 그러면 지금 우리가 열심히 만들고 있는 UX, 웹 UX, 앱 UX, 그 다음에 소프트웨어 UX가 필요가 없는 거예요. 왜냐면 에이전트로 다 해주니까. 그리고 그 첫 번째 모델이 앱2본이예요. 그리고 저는 이게 여러분이 AGI에서 기대할 것이 이것이 예를 들어 한 5년쯤 발전해가지고 발전되면 이게 여러분이 AGI 코어 워크한테 기대할 인터페이스가 되지 않을까 생각합니다. 그런데 이걸 설명을 왜 드리냐면, 이건 어떻게 보면 물론 지금 시각에서 보게 되면 진짜 미래 소설, 사이즈 픽션처럼 느끼시겠지만 이것뿐만 아니라 5년에서 10년 안 걸릴 거거든요. 5년은 좀 더 걸릴 수 있긴 하지만 절대 10년 안 걸릴 겁니다. 그럼 우리가 지금까지 알고 있던 지난 20년 동안 익숙해져 왔던 웹 UX 자체가 의미가 없어질 수가 있는 거죠. 근데 그게 불과 10년 후라면 그 변화가 언제부터 나오기 시작할까? 2013년부터 나올 거거든요. 그럼 여러분, 기회인 거죠. 제가 이 설명을 왜 자세하게 드리냐면 다음에 나올 주제하고도 설명이 있기 때문에 제가 설명을 드릴 텐데 어쨌든 저는 이 메시지, 저는 이 Act 1에 대한 동영상하고 설명을 꼭 한번 보셔야죠. 그리고 이것이 5년 후에 어떻게 바뀔까? 10년 후에 어떻게 바뀔까? 상상을 해보시면 여러분이 지금 1년 후에 보시는 것과 바뀔까 예상을 하고 우리가 준비해야 될 것과 많이 다른 형태의 프레임이 나오실 것 같습니다 이게 왜 중요하냐고 하면 지금 업계에서 많이 나와요 중간에 스킵 좀 할게요 업계에 나오는 굉장히 핫한 서비스 중의 하나가 채팅 PD가 구글 검색을 대체할 것입니다 저는 일단 첫 번째 답부터 드리자면 앞으로 적어도 3년에서 5년 내내 채팅 PD가 구글 검색을 대체할 가능성은 10%가 안 될까라고 말씀드리긴 좀 불안하고 사실 수준 30% 넘지 않을 거예요 근데 그러면 만약에 5년이나 10년 후에 구글 검색이 지금 같은 형태가 존재할까라는 부분에 대해서도 저는 No라고 생각합니다 왜냐하면 AI를 통한 UX가 저렇게 바뀌게 되면 지금 같은 구글 검색이 UX가 유의하지 않을 거거든요 5년이나 10년 후에 그러니까 솔직히 PK가 구글 검색을 대체하는 데 대해서는 No 근데 구글 검색이 5년이나, 아 10년은 5년 모르겠고, 10배로 더 증가태행대로 도메느라 포지션이 살아 있을까? 노. 그 가능성이 저는 거기다 80% 이상의 베팅을 할 수 있을 것 같아요. 왜냐하면 뒤에 뒷부분에 제가 그 나중에 제가 메모를 쓰고 있는 것을 설명드리겠지만 2세대 모델이 나오거든요. 새로운 기술이 나오게 되면 일반적으로 하는 사람들의 비해를 보면 내가 하던 방식에다가 그 기술을 적용해 보려고 해요 이 프로세스 혹은 이 워크로에다가 적용해 보려고 한참 노력하다가 3년에서 5년쯤 지나면 이 방식이 아닌 새로운 기술에 의해서 가능해지는 새로운 방식으로 UX나 프로세스가 완전히 뒤집어지는 과정을 겪게 됩니다 웹에서 하는 과정이거든요. 이게 보면, 저의 Generative AI 투자 시스템, 이거 아직 저스트 메모인데 제가 여러분께 공유해드립니다. 왜냐하면 제가 이거 언젠가 정리가 되면 제가 어차피 뉴질랜드하고 블로그를 공유할 텐데, 지난 몇몇 개월 동안 투자자로서 앞으로 10년 동안 어떤 기회가 있을까에 초점을 맞추고 고민하고 있었어요. 중요한 건 새로운 기술에 의한 시장 변화의 시각에 대해서 제가 문득 떠오르는 게 뭐냐면 새로운 디지털티프 기술에 의해서 어떤 시대가 바뀌는 모멘트의 순간에는 일반적으로 이런 아래 3단계의 패턴을 거치는 것 같아요. 첫 번째는 기존 방식에다 새로운 기술을 적용시키려고 해요. 그리고 당연히 디지털티프 테크놀로지는 by definition 기존에 잘 돌아가는 방식과 비교해보면 굉장히 잔인한 것 같을 수밖에 없습니다. 이게 한 몇 년 정도 거치다 보면 이 얘기가 뭐냐면 제가 예전에 들었던 게 뭐냐면 처음에 인터넷이 처음 나왔을 때 보면 기존 매출인 인터넷을 그대로 옮길려고 했어요 심지어 어떤 것도 있었냐면 신문이 인쇄된 이미지 그대로 이미지 통으로 올린 시도도 했었어요 90년대 후반에 그리고 인터넷 매출 광고와 똑같은 방식의 디스플레이 광고가 가장 보편적인 광고였고 그러면서 또 장난감 시대로 버추얼 뮤지엄도 만들었고 버추얼 쇼핑도 만들었고 다 팁했어요 어느 순간 새로운 기술, 새로운 방식에 맞는 새로운 UX 모델, 새로운 비즈니스 모델이 등장하는데 제가 90년대 후반에 들었던 제일 큰 전의 예는 하나가 키워드 광고 모델 이거 근본적인 비즈니스 모델의 혁민이라고 생각하거든요 인터넷이 가능하게 했던 인터넷을 지금의 인터넷이 가능하게 만들어준 또 하나는 J클럽이 발명한 디지털 아이템을 판매하는 모델 아바타, 그 다음에 디지털 버츄얼 아이템으로 판매하는 모델 그리고 그걸 기반으로 해서 2세대 모델을 기반으로 완전히 새로운 경제 구조가 구축되는 게 지난 2000년부터 해서 지난 20년 동안 일어났던 일이라고 생각합니다. 지난 20년 동안, 2000년 이후에 내지는 2000년 이후, 2000년 이후에 일어났던 일은 절대 95년, 6년, 7년 인터넷에 막 등장할 때 인터넷을 막 만들었던 사람들은 전혀 상상 못했던 모델입니다. 저는 AI에 대해서 똑같은 과정에서 일어났다고 생각합니다. 왜냐면 그만큼 이 펀드멘터리하게 변화를 줄 수 있는 기술을 생각하기 때문에 결국 저는 그게 첫번째, 그것에 대한 첫번째 관련된 질문이 이거라고 생각해요. 실제 비트와 구글 검색을 대체한다? 노. 그럼 구글 검색에 신용서들이 살아남을까? 노. 그게 저는 그 출발점이 여기라고 생각해요. 완전히 새로운 UX가 만들어질 거거든요. 거기에 제가 또 하나 드리고 싶었던, 어떻게 보면 제가 드리고 싶은 중요한 메시지, 두번째 중요한 메시지. 세번째 이거는 그냥 여러분 늘 나오는 얘기죠. AI가 되면 직업을 얼마나 대체할까? 이거는 가장 비슷한 케이스가 뭐냐면 20세기 초반에 전화 오퍼레이터, 여러분 영화에만 나왔던, 누구누구 연결해주세요 그러면 딱 선 이렇게 연결하는 오퍼레이터들 보셨죠? 영화 많이 보셨을 거예요. 그 오퍼레이터가 기계식 전자식 자동 교환기가 나오면서 순식간에 없어졌어요. 그런데 이 전화 교환수가 사실은 직업인의 입장에서 보게 되면 가장 피크 때는 어느 정도냐면 미국의 20대, 30대 여성 취업자 중에 15%가 전화기원수. 그 정도로 전화기원수 굉장히 큰 직업군이었는데 새로운 기준이 딱 나오면 순식간에 없어집니다. 그러니까 당연히, 예를 들면 지금 우리가 나온 제너리티브의 모델 가지고 아까 말씀드린 코딩, 디자이너 중에 거의 한 제가 볼 때 한 5년에서 10년 사이쯤 되면 절반 이상이 필요 없을 거거든요. 그러니까 필요 없다는 게 구조가 바뀐다는 거죠. 그러면 과연 진짜 직업이 없어질 건가? 꼽히진 않아요. 전화 교환 이후로 과연 새로운 직업을 아시아가 할까 하는 두려움은 이번 AI도 똑같았는데 지난 200년간의 역사를 보면 실제 역사는 그러지 않았어요. 그러니까 제일 큰 게 뭐냐면 이 연구소에 있는 앤드류 킹은 돈나무 누님이 일하시는 AI 아크 인베스턴트 애널리스트거든요. 이 사람이 뭘 비교하냐면 포드의 대량 생산 방식 지금 우리가 AI가 가지고 있는 변화만큼의 큰 변화를 가져왔거든요. 생산이라는 체제에. 그런데 그것이 도입된 이후로 어떻게 바뀌었냐? 지난 150년 동안 미국의 인플루이드 워커, 그러니까 숫자가 한 번 줄어든 적이 없어. 첫 번째, 두 번째, 연평균 노동 시간은 꾸준하게 줄었어요. 그러면서 전체 미국의 경제 성장률이 이렇게 되는 거죠. 전체 200년 동안에 직업을 가진 사람의 수는 꾸준하게 늘었고 연평균 2%, 그 다음에 연평균 일하는 시간은 0.7% 꾸준하게 줄었고 1인당 GDP는 이만큼 늘었고 이게 결국 자동화라는 기술을 가지고 올 수 있는 변화인 거거든요. 그러니까 당연히 전화기완수라는 직업은 없어질 거예요. 근데 전화기완수가 아닌 다른 직업이 그보다 훨씬 많은 또 훨씬 적게 일하고도 더 많이 벌 수 있는 직업이 더 많이 생겼다는 게 지난 200년 동안의 역사였고 AI에 대해서도 그것과 크게 다를 거라고 생각하지 않아요. 여기까지 제가 드리고 싶었던 말씀이고 AI에서의 비즈니스 모트에 대한 생각은 제가 이때까지 드렸던 설명에서 대충 AI 기준 산업에서 어떻게 발행될 것인가 라는 부분들 제가 아까 SaaS 얘기 드렸고 그 다음에 Value Prop, 그 다음에 데이터 모트 이런 것에 대한 설명들이 다 요 글 보시면 나오고 마찬가지로 AI 기반의 서비스와 프로젝트 모트는 어떻게 만나게 좋을까 라는 부분에 대한 생각도 공유 드렸고 그 다음에 아까 말씀드렸던 AI 기반의 스타트업의 디펜셜 모트에는 뭐가 있을까라는 설명을 드렸고 이때 투자할 기회는 어떤 것이 있을까에 대한 그것도 한번 요약했는데 그것보다 그리고 노상 대표가 페북에다가 쓴 글도 공유를 드렸고 저는 근데 그것에 대해서 제가 아까 보여드렸던 이런 형태의 시각을 가지고 지금은 제네럴트 AI 분야에 적용될 때 어떻게 될 것인가라는 부분에 대한 생각을 정리를 하고 있어요 그래서 향후 5년간 전망에서 인프라 분야, AI 기반 서비스 분야 그 다음에 2세대 모델 어떻게 나올까 이런 것들에 대해서 지금 아직 글로 다 정리하지 못했지만 일단 폴리포트 형태는 대충 정리가 됐고요 그 다음 그것에 대한 관련된 질문, 검색은 어떻게 될까? 과연 검색의 니즈라는 것이 뭘까? 과연 비즈니스 구조는 뭐고? 단기적으로 등등도 어떻게 될까? 그 다음 현재 픽트 구조는 변할까? 그 외에 아까 조금 전에 공유 드렸던 이상의 생각들을 정리를 하고 있습니다 이거는 제가 다 완성이 되는 대로 여러분한테 다시 뉴슬렛으로 공유 드리겠습니다 자, AI에 대해서 큰 작던 아이디어나 계획이 있으시면 저한테 메일을 주십시오 저는 여러분들 기다리고 있습니다 이게 제가 오늘 드리고 싶은 겁니다 마지막 결론입니다. 요거는 마지막 참고자료는 제가 1월 첫주에 투젠틀뉴즈레터로 보내드렸던 제네리티브에 관련된 일단 당시까지 모아놨던 자료들 링크 보내드린 거 참고하시고 저 다시 한번 잊지 마시고 AI 관련된 사업계획이나 투자계획이나 뭐 있으면은 크거나 작거나 다 저한테 의미를 보내줍시다. 여기까지입니다.