일론 머스크의 스페이스X 최종 계획 — 비전이 실패해도, 인프라는 남습니다

안녕하세요, 슈크림빵이에요.🧁 요즘 The Atlantic을 구독하고 있는데요. 돈을 냈으니 같이 읽을만한 글을 열심히 가져오고 있습니다!☺️ 여러분의 생각도 같이 들을 수 있으면 더 좋겠어요. 이번에 가져온 건 유머 칼럼니스트 Alexandra Petri가 쓴 "베이조스 부부가 매일 아침 거의 확실히 감사해하는 10가지"라는 글이에요. 참고로 저는 베이조스를 꽤 좋아하는 사람이라서🥹, 이 글을 읽으면서 웃기면서도 좀 다른 생각이 들었거든요. (또 빌리네어 풍자가 흔한 일이라고도 하더라구요,,,) 배경부터 설명하자면요. 얼마 전에 뉴욕타임스에 제프 베이조스 부부의 아침 루틴이 실렸어요. 매일 아침 6시에 일어나서, 핸드폰을 보기 전에 감사한 것 10가지를 적는다고 합니다. 규칙이 하나 있는데, 어제 쓴 것과 겹치면 안 된다고요. 이걸 본 The Atlantic의 유머 칼럼니스트 Alexandra Petri가 "그럼 그 리스트 내용이 이렇지 않겠느냐"고 상상해서 풍자 칼럼을 썼어요. 월요일 1번은 당연히 "돈", 화요일엔 어제랑 겹치니까 "사랑"으로 바꾸고, 수요일에 또 슬그머니 "돈"이 돌아오는 식이에요. 한 번은 피식할만 ...

안녕하세요, 슈크림빵입니다.🧁 미국이 중국에 AI 칩을 안 팔면, 중국은 어떻게 할까요? 답은 의외로 단순했습니다. 칩을 못 늘리니까, 비트를 쪼갠 거예요.(비트주세요! 드랍 더 비트~) 화웨이가 최근 발표한 HiFloat4라는 4비트 데이터 포맷 이야기인데요, 같은 칩에서 이론상 4배 더 많은 연산을 뽑아내겠다는 전략이에요. 논문 두 편을 중심으로, AI 전문가가 아니어도 따라올 수 있게 정리해보았습니다! 먼저 배경: 왜 비트를 줄여야 하나 AI 모델을 돌리려면 GPU 같은 고성능 칩이 필요합니다. 그런데 미국이 2022년부터 중국에 이 칩을 안 팔고 있어요. Nvidia H100은 수출 금지, 중국 시장용으로 성능을 낮춘 H20마저 2025년 4월부터 수출 허가가 필요해졌어요. 자체 제조도 쉽지 않아요. 중국 최대 파운드리 SMIC은 7nm 공정에 묶여 있고, Nvidia가 쓰는 4nm TSMC 공정과는 세대 차이가 나요. 화웨이의 2025년 AI 칩 생산량은 약 20만 개로 추정되는데, 이는 미국 생산량의 1~4% 수준이에요. 칩을 더 못 만드니까, 남은 선택지는 하나입니다. 가진 칩에서 더 많이 뽑아내는 것. 그 핵심 기술이 HiFloat4예요. 비트를 줄인다는 게 뭔 말일까요? AI 모델 안에서는 수많은 숫자(가중치)가 돌아다녀요. 이 숫자 하나를 표현하는 데 몇 비트를 쓰느냐가 정밀도예요. BF16 (16비트): 현재 표준. 숫자 하나에 16비트. FP8 (8비트): 절반으로 줄임. 이미 상용화됨. FP4 (4비트): 또 절반. 같은 칩에서 이론상 4배 연산, 4배 메모리 절약. 당연히 비트가 줄면 숫자를 덜 정확하게 표현하니까 모델 성능이 떨어져요. 핵심은 "얼마나 적은 손실로 4비트를 쓸 수 있느냐"예요. 기존 4비트 포맷들: 뭐가 문제였나 HiFloat4 이전에도 4비트 포맷 시도가 있었어요. 논문에서 세 가지를 비교하고 있어요. 세 가지 4비트 BFP 포맷(MX4, MXFP4, NVFP4)의 구조를 나란히 비교한 그림. 각 포맷이 숫자를 어떤 식으로 쪼개서 저장하는지 보여줍니다. MX4 (Microsoft/Meta) 그룹 크기가 16개로 작고, 메타데이터 오버헤드가 커서 실제 데이터를 3비트로 줄여야 했어요. 결과적으로 정밀도가 너무 낮아서 AMD도 채택을 포기. MXFP4 (Open Compute Project) Nvidia, AMD, 화웨이까지 채택한 업계 표준. 그룹 크기를 32로 늘리고 개선했지만, 가중치(weight)에만 쓸 수 있고 활성화(activation)에는 정밀도가 부족해요. 즉 4비트 연산력의 절반만 활용 가능. NVFP4 (Nvidia Blackwell) 활성화에도 쓸 수 있게 만든 Nvidia의 독자 포맷. 하지만 두 가지 대가가 있어요. 첫째, 다이나믹 레인지가 좁아서 소프트웨어로 추가 스케일링(PTS)을 해야 하고, 둘째, 그룹 크기가 16으로 작아서 행렬 연산 시 하드웨어 오버헤드가 큼. 정리하면, 기존 ...

안녕하세요, 슈크림빵입니다.🧁 오늘은 최신 군사 로보틱스 동향을 조사하여 글을 작성해보았습니다.🤖 2026년 4월, 젤렌스키 대통령이 하나의 '최초'를 발표했습니다. 전쟁 역사상 처음으로, 보병 없이 지상 로봇(UGV)과 드론만으로 적 진지를 점령하고 포로까지 잡았습니다. CNN 보도에 따르면, 이 작전을 수행한 건 우크라이나 제3독립강습여단 소속 NC13 부대로, 지상 기반 로봇 타격 시스템을 운용하는 부대입니다. 작전 중 두 명의 러시아 병사가 지상 로봇과 드론에 항복했고, 단 한 발의 총도 쏘지 않았다고 해요. 숫자로 보는 규모 규모가 빠르게 커지고 있습니다. 2026년 1분기에만 우크라이나군은 약 21,500건의 물류·후송 임무를 UGV로 수행했고, 3월 한 달에만 9,000건 이상이었어요. 우크라이나 국방부는 2026년 상반기에 25,000대의 지상 로봇 시스템을 계약할 계획인데, 이는 2025년 전체 조달량의 두 배입니다. 국방장관 페도로프가 내건 목표는 "전선 물류의 100%를 로봇 시스템으로 수행"하는 것입니다. UGV를 배치하는 군 부대 수도 2025년 11월 67개에서 2026년 봄 167개로 늘었고, UGV 관련 기업은 280개 이상, 운용 중인 솔루션은 550개를 넘어요. 제조사 Tencore 한 곳만 해도 2025년에 2,000대 이상을 납품했고, 2026년 수요를 약 40,000대로 전망하고 있어요. 주요 시스템 스펙 지금 전선에서 실전 투입 중인 UGV들의 간략한 스펙이에요. TerMIT (제조: Tencore) 모듈식 설계가 핵심으로, 물류·지뢰 부설·화력 지원·의무 후송 등 임무에 따라 빠르게 재구성할 수 있어요. 최고 속도 10km/h, 제어 범위 15km 이상, 작전 반경 20km, 적재 용량 300kg. ...

안녕하세요, 슈크림빵입니다.🧁 요즘 AI 모델들이 정말 쏟아지듯 나오고 있죠. 성능이 얼마나 좋아졌는지에 대한 이야기는 많지만, 정작 이 모델들이 '어떤 성격'을 가졌는지에 대해서는 깊이 있게 살펴볼 기회가 적었던 것 같아요. 그런데 최근 브라운대와 옥스퍼드대 등 10여 개 기관의 연구진이 참여해 발표한 흥미로운 보고서 하나를 읽게 되었어요. 중국 문샷 AI(Moonshot AI)의 최신 오픈 웨이트 모델인 'Kimi K2.5'에 대한 독립적인 안전성 평가 결과예요. 이 보고서를 보면서 미국 모델들과는 확연히 다른 결이 느껴져서, 그 이야기를 차분히 나누어보려고 합니다. 가장 먼저 제 눈길을 끈 건 기술적인 실력이었어요. Kimi K2.5는 이미 GPT-5.2나 Claude 4.5 같은 서구권의 최정상급 모델들과 대등한 이중 용도(Dual-use) 기능을 갖췄다고 하더라고요. 특히 사이버 보안 분야에서는 아주 독보적인 전문가 수준까지는 아니더라도, 우리가 잘 아는 딥시크(DeepSeek)보다는 훨씬 앞서 있는 성능을 보여주었다고 해요. 그런데 재미있는...

안녕하세요, 슈크림빵이에요 ☕ 오늘은 좀 무거워 보이지만 사실은 엄청 흥미로운 논문 하나를 가볍게 풀어보려고 해요! Anthropic이 2026년 4월에 공개한 "Automated Weak-to-Strong Researcher" 라는 글인데요, 읽다가 "어, 이거 투자하는 입장에서도 꽤 중요한 이야긴데?" 싶어서 정리해두고 싶었어요. 부제는 "AI가 AI를 연구하기 시작했습니다"입니다. 일단, 딱 숫자 하나만 보고 가실게요 사람 연구자 2명이 7일 동안 매달려서 낸 성적이 0.23. AI 에이전트 9마리가 5일 만에 낸 성적이 0.97. 비용은 약 $18,000 (약 2천4백만 원)이었습니다. (점수는 1점 만점이에요. 1에 가까울수록 잘한 거예요.) Figure 1. 9개의 AI 연구자가 시간이 갈수록 점수(PGR)를 점점 올려가는 모습. 회색 네모는 기존 연구의 출발 지점. 무슨 숫자인지, 무슨 문제였는지는 아래에서 천천히 설명드릴게요. 일단은 이거 하나만 기억해주세요! 사람보다 훨씬 빠르고, 훨씬 싸게, 훨씬 잘했다. 그것도 "AI 연구"라는, 원래 똑똑한 박사님들의 영역이라고 여겨지던 분야에서요. 그래서 AI들이 뭘 한 거야? 논문에서 푼 문제는 이름이 좀 어려워요. "Weak-to-Strong Supervision(약→강 지도학습)" 이라고 부르는데요, 풀어서 쓰면 이렇습니다. 나보다 똑똑한 학생을, 나(조금 덜 똑똑한 선생)가 어떻게 잘 가르칠 수 있을까? 이게 왜 중요하냐면요. 지금까지 AI는 사람보다 '덜 똑똑한' 상태였기 때문에, 사람이 AI에게 정답을 알려주면서 가르칠 수 있었어요. 그런데 AI가 사람보다 똑똑해지기 시작하면? 사람은 더 이상 정답을 모르는 문제를 AI에게 가르쳐야 하는 상황이 옵니다. 선생이 학생보다 못하는 상황이요. 이걸 실험실에서 미리 연습해보려고, 연구자들은 일부러 이런 세팅을 만들었습닌다. 작고 약한 AI를 '선생' 역할로 크고 똑똑한 AI를 '학생' 역할로 그리고 선생이 학생을 가르치게 했을 때, 학생이 자기 실력을 얼마나 끌어낼 수 있는지 측정했습니다. 이때 쓰는 점수가 아까 나온 PGR (Performance Gap Recovered, 성능 격차 회복률) 이에요. 0점 = 선생(약한 모델)만큼밖에 못함 1점 = 학생의 진짜 실력을 100% 끌어냄 선생, 학생, 그리고 그 사이의 격차를 보여주는 간단한 도식 사람이 7일을 썼을 때 이 점수가 0.23이었어요. 격차의 23%만 메웠다는 뜻이에요. 그런데 AI들에게 맡겼더니 97%까지 메워버린 거예요. AI들이 어떻게 연구를 했을까요? Anthropic이 만든 건 AAR (Automated Alignment Researcher, 자동화된 연구자) 이라는 시스템이에요. 작동 방식은 생각보다 단순합니다. 9명의 AI 연구원을 동시에 고용한다 (각자 자기 컴퓨터 앞에 앉아 있다고 상상하시면 돼요) 각자에게 다른 방향의 연구 주제를 던져준다 ("너는 A쪽으로, 너는 B쪽으로 파봐") AI들은 스스로 아이디어를 ...