AI를 향한 분노가 사람을 향할 때

안녕하세요, 슈크림빵입니다. SETR 2026 리뷰 ① [AI] SETR 2026 리뷰 ② [Robotics] SETR 2026 리뷰 ③ [Neuroscience] SETR 2026 리뷰 ➃ [Energy Technologies] SETR 2026 리뷰 ➄ [Biotechnology and Synthetic Biology] 벌써 다섯개 리뷰를 하고 이번 섹션은 Space! 우주입니다. Artificial Intelligence – 인공지능 기술의 최신 동향, 모델 발전, 산업 적용 사례 Biotechnology and Synthetic Biology – 합성생물학, 유전자 편집, 맞춤형 생물학적 솔루션 연구 Cryptography and Computer Security – 사이버 보안, 암호 기술, 데이터 보호 및 프라이버시 혁신 Energy Technologies – 신재생 에너지, 에너지 저장 기술, 효율적인 에너지 전환 연구 Materials Science – 첨단 소재 개발, 나노재료, 지속 가능 소재 연구 Neuroscience – 뇌 연구, 신경망 이해, 뇌-기계 인터페이스 기술 Quantum Technologies – 양자 컴퓨팅, 양자 통신, 양자 센싱 기술 동향 Robotics – 지능형 로봇, 자동화 시스템, 인간-로봇 상호작용 Semiconductors – 반도체 기술 발전, 칩 설계, 차세대 전자 소자 Space – 우주 탐사, 위성 기술, 상업 우주 산업과 연구 이렇게 10가지 섹션이 있는데 관심 있는 섹션이 있다면 말씀해주세요! 우주에 보낸 위성만 1만 1천 개, 우주 쓰레기 120만 조각. 우주가 점점 복잡해지고 있다고 합니다. 우주는 생각보다 가까운 이야기라는데, 한 번 살펴보겠습니다! 지금 이 글을 읽고 계신 분 중 상당수가 오늘 GPS를 쓰셨을 겁니다. 내비게이션, 배달 추적, 날씨 앱 전부 위성 덕분입니다. 우주는 SF 영화 속 이야기가 아니라, 이미 우리 일상 깊숙이 들어와 있습니다. 1957년, 소련이 세계 최초의 인공위성 스푸트니크 1호를 쏘아 올렸습니다. 69년이 지난 지금, 지구 궤도에는 약 1만 1천 개의 활성 위성이 돌고 있습니다. 2024년 한 해에만 로켓이 271번 발사됐습니다. 우주 경제는 매년 약 7%씩 성장하고 있습니다. 2024년 6,000억 달러에서, 2035년에는 1조 8,000억 달러에 이를 전망입니다. 그런데 이렇게 우주가 붐비기 시작하면서, 새로운 문제도 생기고 있습니다. ① 민간 기업이 주도하는 "뉴스페이스" 경제가 우주를 근본적으로 바꾸고 있습니다 ② 위성과 우주 쓰레기가 급증하면서, 우주 교통 관리와 국제 규범이 시급합니다 ③ 트럼프 행정부가 달/화성 유인 탐사에 집중하면서, NASA 과학 임무와 인력이 대폭 줄고 있습니다 본론 ①: 우주가 우리 생활에 쓰이는 법 우주 기술이 지금 어디에 쓰이는지 먼저 짚어보겠습니다. 실생활에 쓰이고 있는게 엄청나게 다양합니다! 🛰️ 내비게이션(GPS) 위치뿐 아니라, 나노초 단위의 시간 정보도 제공합니다. 금융 거래, 전력망, 교통 시스템이 모두 이 시간 정보에 의존합니다. GPS가 멈추면, 세계 경제가 흔들립니다. 📡 통신 SpaceX의 Starlink, Amazon의 Project Kuiper 같은 위성 인터넷이 확대되고 있습니다. 지상 네트워크가 닿지 않는 외딴 지역에서도 인터넷을 쓸 수 있게 해줍니다. 레이저를 이용한 광통신 기술도 등장해, 더 빠르고 안전한 통신이 가능해지고 있습니다. 🌍 원격 탐사 위성 센서로 지구를 관찰해 재난 대응, 환경 모니터링, 지형 매핑을 합니다. 이 데이터를 AI와 결합하면 지구의 "디지털 트윈"을 만들 수 있습니다. 즉, 지구를 통째로 ...

안녕하세요! 슈크림빵입니다. 이번 생명공학 챕터는 진짜진짜 재밌습니다. 장담합니다. 어느새 다섯번째 글이 되었고, 신청해주신 것 중 한 챕터만 남았네요. 10개 중에 6개 할 거면 그냥 10개 다 하는게 낫지 않나? 뭐 그런 생각도 들고 그렇습니다. SETR 2026 리뷰 ① [AI] SETR 2026 리뷰 ② [Robotics] SETR 2026 리뷰 ③ [Neuroscience] SETR 2026 리뷰 ➃ [Energy Technologies] 저는 공부하는 느낌이 나서 재밌고 색다로워 좋아요. 이렇게 글쓰기로라도 안 하면 관심 없는 분야는 죽을 때까지 안 쳐다볼 것 같거든요! 이번에는 Biotechnology and Synthetic Biology인데요. 이름부터 어렵지 않나요? 합성생물학, 유전자 편집, 맞춤형 생물학적 솔루션 연구 등에 관련된 내용입니다. 과학 시간에 졸아서 쫓겨나본 적도 있는 제가 이걸 다루다니 솔직히 양심이 좀 없는거 같습니다. 그럼 시작해보겠습니다~! "생명공학(Biotechnology)"이라는 단어를 들으면 무엇이 떠오르시나요? 병원? 유전자? 어렵고 먼 이야기? 사실 우리는 이미 수천 년 전부터 생명공학을 써왔습니다. 작물을 품종 개량하고, 가축을 교배하는 것이 바로 1세대 생명공학입니다. 50년 전쯤, 과학자들이 DNA를 직접 자르고 붙이는 기술을 발명하면서 2세대가 시작됐습니다. 그리고 지금은 3세대, 합성생물학(Synthetic Biology)의 시대입니다. 생물을 읽고, 편집하는 것을 넘어 처음부터 "설계"하고 "조립"하는 단계에 와 있습니다. 🧬 DNA란? DNA는 생물의 "설계도"입니다. A, C, T, G 네 가지 글자가 특정 순서로 나열되어 있고, 이 순서가 세포에게 "무엇을 만들어라"라고 지시합니다. 합성생물학은 이 글자 순서를 인간이 직접 설계해서, 자연에 없던 새로운 기능을 가진 생물을 만드는 학문입니다. SETR은 생명공학을 "전기나 인터넷처럼, 사회 전체를 바꿀 수 있는 범용 기술(general-purpose technology)"로 봅니다. DNA에 코드를 넣을 수만 있다면, 그 제품은 언제 어디서든 생물이 직접 "키워낼" 수 있기 때문입니다. McKinsey는 바이오제조가 궁극적으로 전 세계 경제의 물리적 투입물 중 60%를 대체할 수 있다고 전망합니다. 어마어마한 숫자입니다. 본론 ①: AI가 생물학을 어떻게 바꾸고 있나요? 🔬 단백질의 모양을 예측하는 AI 세포 안에서 일을 하는 건 단백질입니다. 단백질의 모양이 그 역할을 결정하는데, 이 모양을 실험으로 알아내려면 수개월에서 수년이 걸렸습니다. 2024년 노벨 화학상을 받은 AI 기술(AlphaFold 등)은 이 과정을 컴퓨터 한 대로 할 수 있게 만들었습니다. AlphaFold는 2020년에 구글 딥마인드가 만들었습니다. 아미노산 서열(글자 순서)만 입력하면, AI가 그 단백질이 어떤 3D 모양으로 접힐지를 예측해줍니다. 정확도가 실험실 결과와 거의 같은 수준이었습니다. 이후 AlphaFold2는 알려진 거의 모든 단백질(약 2억 개)의 구조를 예측해서 무료로 공개했습니다. FIGURE 2.1 대장균(E. coli) 세포 단면 이미지 세포 하나 안에 들어있는 분자들의 복잡성을 보여주는 그림입니다. 세포는 모든 생물의 기본 단위이며, 이 안에서 수천 가지 단백질이 동시에 일하고 있습니다. 아직 세포 전체를 완벽히 시뮬레이션하는 AI 모델("가상 세포")은 존재하지 않습니다. 출처: David S. Goodsell, RCSB Protein Data Bank. (저는 번역하기 전까지 보면서 진짜 아름다운 미술 작품 같다 생각했는데 대장균이네요 ㅋㅋㅋㅋㅋㅋㅋㅋㅋㅋㅋㅋ) 💊 AI가 신약을 설계합니다 Chai-2라는 AI 모델은 항체 기반 신약을 처음부터 설계할 수 있습니다. 2025년 7월 기준, 이 모델이 생성한 항체 후보 중 16%가 실제로 효과가 있었습니다. 16%가 낮아 보일 수 있지만, 기존 실험실 방식의 성공률(1% 미만)에 비하면 100배 이상 좋은 수치입니다. 신약 개발이 수년에서 수주로 빨라질 수 있다는 뜻입니다. 🧬 DNA를 쓰는 AI Evo 2라는 모델은 자연어 대신 DNA 서열로 학습한 "유전체 파운데이션 ...

안녕하세요. 슈크림빵입니다. 오늘 서울은 비도 오고, 날씨가 흐리네요. 이런 날엔 글쓰고 집중하기에 좋은거 같아요. 그래서 달려보는 두번째 글!😊 SETR 2026 리뷰 ① [AI] SETR 2026 리뷰 ② [Robotics] SETR 2026 리뷰 ③ [Neuroscience] 벌써 네 번째입니다! 이번엔 Energy Technologies입니다. 첫 번째 AI 챕터를 리뷰하면서 GPT-4 학습에 들어간 전력량(약 5,000만 kWh, 미국 가정 4,500가구의 1년치)을 소개해 드렸는데요. 이번 에너지 챕터를 읽으면서 그 숫자가 다시 떠올랐습니다. AI가 똑똑해질수록 전기를 더 많이 먹고, 전기를 더 많이 만들려면 에너지 기술이 따라와야 하니까요. 그런데 에너지 시스템을 바꾸는 일은 생각보다 훨씬 느리고 복잡합니다. 깨끗하면서, 저렴하면서, 안정적인 에너지원은 아직 존재하지 않습니다. 스탠퍼드는 이 문제를 "에너지 트릴레마(삼중고)"라고 부릅니다. 이번 글에서는 2024년에도 여전히 86%를 차지하는 화석연료 이야기부터, 30년 만에 돌아온 원전 르네상스, 녹이 슬었다 풀렸다를 반복하는 신기한 배터리까지, SETR이 주목하는 에너지 기술 6가지를 쉽게 풀어보겠습니다. 투자 관점에서 눈여겨볼 포인트도 함께 정리했으니, 끝까지 읽어주시면 감사하겠습니다! 서론: 에너지, 왜 이렇게 바꾸기 어려울까요? 에너지는 현대 사회의 혈액과 같습니다. 난방, 냉방, 조명, 이동, 정보 처리, 소재 생산까지 모든 것이 에너지 위에서 돌아갑니다. 그런데 이 에너지 시스템을 바꾸는 일은 왜 이렇게 느릴까요? SETR은 그 이유를 "에너지 트릴레마(삼중고)"라는 개념으로 설명합니다. FIGURE 4.1 에너지 트릴레마: 세 가지를 동시에 만족시키기 어렵습니다 에너지원은 "깨끗한, 저렴한, 안정적" 세 가지 조건을 동시에 만족시키기 어렵습니다. 석탄은 싸고 안정적이지만 탄소를 배출하고, 풍력/태양광은 깨끗하고 저렴하지만 날씨에 따라 불안정합니다. 원자력은 깨끗하고 안정적이지만 건설비가 높습니다. 어떤 하나의 에너지원이 모든 상황에서 정답이 될 수 없다는 뜻입니다. 여기에 현실적인 장벽이 더해집니다. 에너지 인프라는 수십 년짜리 자산이고, 자동차/연료/충전소가 모두 호환되어야 하며, 이해관계자도 엄청나게 많습니다. 그래서 에너지 시스템은 천천히, 꾸준히, 수십 년에 걸쳐 바뀔 수밖에 없습니다. 본론 ①: 지금 에너지 시장에 무슨 일이 벌어지고 있나요? 먼저 큰 그림부터 보겠습니다. 2024년 기준, 전 세계 1차 에너지의 86%가 여전히 화석연료(석탄, 석유, 천연가스)입니다. 풍력과 태양광은 빠르게 성장하고 있지만, 아직 6.5%에 불과합니다. FIGURE 4.2 에너지원별 글로벌 에너지 소비 (1965~2024) 2024년에도 화석연료가 전 세계 1차 에너지의 86%를 차지합니다. 풍력+태양광은 빠르게 성장 중이지만 아직 6.5% 수준입니다. 출처: Energy Institute, Our World in Data (CC BY-SA 3.0) 기반 재구성. 그런데 지금 에너지 시장에서 일어나고 있는 변화가 꽤 극적입니다. 데이터센터, AI, 암호화폐 채굴, 제조업 리쇼어링이 미국 전력 수요를 급격히 끌어올리고 있습니다. 20년간 거의 변하지 않던 미국 전력 소비가, 지금은 매년 2% 이상씩 올라가고 있습니다. 5년 내 25%까지 증가할 수 있다는 전망도 나옵니다. SETR이 포착한 글로벌 흐름의 핵심은 "탈탄소에서 에너지 지배력으로"의 전환입니다. • 2024년 화석연료(석탄, 석유, 천연가스) 소비량이 모두 역대 최고를 기록했습니다 • 미국이 파리 협정에서 탈퇴하고, EU도 정치적 압력 아래 기후 정책을 완화했습니다 • GM, 벤츠, 애스턴마틴 등 주요 자동차 회사들이 2024~25년에 EV 계획을 축소했습니다 • 월가의 주요 은행들이 탄소중립 금융 연합(GFANZ)에서 대거 이탈했습니다 ESG 모멘텀의 둔화가 확연합니다. 자동차 ...

안녕하세요 슈크림빵입니다. SETR 2026 리뷰 ① [AI] SETR 2026 리뷰 ② [Robotics] 어쩌다 시리즈가 된 스탠포드 대학의 STER 리뷰이고 이번 섹션은 Neuroscience입니다! Neuroscience는 챕터 6로 자리 매김 되어 있는데요. 860억 개 뉴런의 세계, 스탠퍼드는 어디까지 이해하고 있을까요? 들어가보겠습니다! 왜 뇌 이야기를 해야 할까요? 인간의 뇌는 체중의 2~3%밖에 차지하지 않지만, 몸 전체 에너지의 20~25%를 소비합니다. 가장 빠르지도, 가장 힘이 세지도 않은 인간이 지구의 지배종이 된 이유가 바로 이 뇌 덕분입니다. 하지만 리포트는 솔직하게 말합니다. 뇌는 인체에서 가장 중요하면서도 가장 이해가 부족한 기관이라고요. "마인드 리딩 칩이 곧 등장한다"는 식의 헤드라인은 아직 SF의 영역이며, 실제 뇌과학의 진전은 매년 조금씩 느리게 이루어지고 있습니다. SETR의 키 인사이트로는 ① 유전학·실험 신경과학·컴퓨팅의 발전으로 중독, 신경퇴행성 질환, 인공 망막 등에서 의미 있는 진전이 있습니다. ② 미국의 리더십이 전략 계획 축소와 예산 삭감으로 위협받고 있습니다. ③ 대중의 관심은 높지만, 과학적 이해는 아직 초기 단계입니다. 그 간극이 과대광고를 낳고 있습니다. 이번 글에서는 "뇌가 왜 이렇게 이해하기 어려운지"부터 시작해서, SETR이 주목하는 세 가지 연구 분야, 미래 기술, 그리고 정책 이슈까지 쉽게 풀어보겠습니다. 본론 ① 뇌의 기본 구조, 왜 이렇게 복잡할까요? 뇌에는 약 860억 개의 뉴런(신경세포)이 있습니다. 하나의 뉴런은 수천~수만 개의 다른 뉴런과 연결되며, 이 연결을 시냅스라고 부릅니다. 우리의 모든 의식과 행동, 예시로 포크로 감자를 찍는 것부터 우주의 신비를 사색하는 것까지 모두 이 뉴런 네트워크가 만들어냅니다. 뉴런은 수상돌기(dendrite)로 신호를 받아, 세포체에서 처리한 뒤, 축삭(axon)을 통해 다음 뉴런의 시냅스로 전달합니다. 이 과정이 860억 개 뉴런에서 동시에 일어나면서 우리의 생각과 행동을 만들어냅니다. 재미있는 점은, 개별 뉴런 하나하나가 특정 기능을 담당하는 것이 아니라 수천 개가 합창단처럼 함께 작동한다는 것입니다. SETR은 이를 "천 명의 합창단에서 1%만 들어도 전체 음악을 짐작할 수 있다"에 비유합니다. 이런 신경 중복성(neural redundancy) 덕분에, 모든 뉴런을 이해하지 않고도 뇌의 작동을 어느 정도 추론할 수 있습니다. 본론 ② SETR이 주목하는 세 가지 연구 분야 SETR은 뇌과학에서 구체적 응용이 기대되는 세 분야를 집중적으로 다룹니다. 🔌 뇌-기계 인터페이스 (Neuroengineering) 뇌-기계 인터페이스(BMI)는 뇌의 신경 신호를 읽어 컴퓨터로 전달하는 장치입니다. 이론적으로는 시각 보강, 의수 제어, 기억 보조까지 가능하지만, 현실은 아직 멀었습니다. 현재 가장 성숙한 BMI 프로젝트는 스탠퍼드의 인공 망막(Artificial Retina)입니다. 망막 질환으로 시력을 잃은 환자의 눈에 전극을 삽입해, 카메라가 촬영한 영상을 전기 신호로 변환하여 시신경에 전달하는 원리입니다. 인공 망막이 가장 앞서 있는 이유가 있습니다. • 입력(빛)을 실험적으로 통제할 수 있고 • 망막은 뇌에서 가장 잘 이해된 신경회로이며 • 학습·기억 같은 복잡한 인지 과정과 달리, 시각 재구성은 목표가 비교적 명확합니다 그 외에 운동 영역 신경 활동을 AI...

안녕하세요. 슈크림빵입니다! STER는 스탠퍼드 대학이 매년 발간하는 Emerging Technology Review는 10개 핵심 기술 분야의 현황과 정책적 함의를 정리한 리포트의 관심 있는 챕터를 정리해 본 글입니다. SETR 2026 리뷰 ① [AI] 첫 번째는 AI, 이번엔 Robotics입니다! 올해로 3회째인 SETR 2026에서 로보틱스 챕터는 AI와 로봇의 관계, 휴머노이드의 현실, 그리고 전쟁에서의 로봇이라는 세 축을 중심으로 전개되는데요. 리포트가 정의하는 로봇은 "환경을 감지하고 물리적 효과를 만들어내는 엔지니어링 실체"입니다. 액추에이터, 센서, 제어 시스템, 구조 재료, 전원, 실시간 컴퓨팅이 핵심 구성요소이며, 일부 로봇만 AI를 사용한다. 바로 이 점이 첫 번째 피규어의 주제입니다. 스탠퍼드가 본 로보틱스의 현재와 미래 FIGURE 8.1 모든 로봇이 AI를 사용하는 것은 아니다 로보틱스와 AI는 겹치기도 하지만 별개의 영역입니다. 텔레오퍼레이션 수술 로봇은 AI 없이 작동하며, ChatGPT는 물리적 신체 없이 AI만 활용합니다. 휴머노이드나 AI 로봇 청소기가 두 영역의 교집합에 해당합니다. 1. 데이터 - 로보틱스 AI의 가장 큰 병목 ChatGPT의 성공은 인터넷에서 수집한 방대한 텍스트 데이터 덕분이었습니다. 그런데 로봇은? 시각 데이터뿐 아니라 촉각, 정밀 모션, 물리적 상호작용 데이터가 필요하고, 이를 대규모로 수집하는 건 비싸고 느립니다. SETR은 이 데이터 격차를 직접적인 수치로 보여줍니다. FIGURE 8.2 LLM의 토큰 vs. 로봇 모델의 에피소드 LLM은 수조(兆) 개 토큰으로 학습하는 반면, 로봇 모델의 최대 데이터셋은 약 100만 에피소드에 불과합니다. 에피소드는 로봇이 하나의 태스크를 수행하는 동안의 관찰-행동-결과 시퀀스 전체를 의미합니다. 단위 자체가 다르므로 직접 비교는 어렵지만, 데이터 수집 난이도의 차이를 극명하게 보여줍니다. 시뮬레이션이 대안으로 자주 거론되지만, SETR은 시뮬레이션이 실세계의 복잡성과 예측 불가능성을 충분히 재현하지 못한다고 지적합니다. 결국 실세계 데이터로 캘리브레이션하는 하이브리드 전략이 현실적 접근입니다. 로봇 자동화 경쟁은 이미 글로벌 규모로 진행 중이며, 복잡한 데이터셋을 수집·분석하는 데 필요한 컴퓨팅 자원이 핵심 동력이다. 또 하나 주목할 점은, 미국 최고 수준 학계조차 산업계 대비 컴퓨팅 자원이 크게 부족하다는 것입니다. 그런데도 산업계는 여전히 학계의 기초 연구에 의존하고 있어, 학계 역량 유지가 기술 리더십의 핵심이라고 SETR은 강조합니다. 2. 휴머노이드 - 기대와 현실 사이 물리적 세계가 인간의 폼팩터에 맞춰 설계되어 있으므로, 휴머노이드가 일상에서 가장 범용적으로 작동할 수 ...