오늘도 복잡한 AI 용어를 쉽고 재미있게 풀어드릴게요. 이번 주는 어떤 새로운 개념을 배워볼지 함께 살펴볼까요?

AI 업계가 또 한 번 술렁였다...'키미 K3 쇼크' A to Z

지난해 저비용·고성능으로 AI 업계를 놀라게 했던 '딥시크 쇼크'에 이어, 이번에는 중국 AI 스타트업 문샷AI의 차세대 모델 '키미 K3(Kimi K3)'가 등장하며 '키미 쇼크'라는 말까지 나오고 있습니다. 2조 8,000억 개의 매개변수를 갖춘 오픈웨이트(개방형) 모델인 키미 K3는 성능과 가격 경쟁력을 앞세워 글로벌 AI 시장, 주식시장 등을 흔들고 있습니다. 기존의 '중국 AI는 가격 경쟁력이 강점'이라는 평가를 넘어, 성능에서도 미국 선도 모델에 근접했다는 평가를 받고 있습니다.

실제로 키미 K3는 코딩 능력을 평가하는 '터미널벤치 2.1'에서 88.3점을 기록하며 OpenAI의 GPT-5.6 Sol(88.8점)과 근소한 차이를 보였고, Anthropic의 Claude Fable 5(84.6점)를 앞섰습니다. 가격도 미국 주요 모델의 절반 수준으로 알려졌습니다. 미국 기업들이 폐쇄형 모델 중심 전략을 유지하는 반면, 중국은 오픈웨이트 모델을 공개해 생태계를 확대하는 방식으로 경쟁력을 높이고 있습니다.

'키미 K3 쇼크'는 미·중 AI 경쟁과도 맞물려 있습니다. 미국의 첨단 반도체 수출 규제로 GPU 확보가 어려워지자 중국은 알고리즘 효율화와 초대형 모델 개발에 집중했습니다. 동시에 모델을 공개해 개발자와 기업의 활용을 늘리고, 글로벌 AI 생태계에서 영향력을 확대하는 전략을 추진하고 있습니다. 실제로 일부 미국 기업들도 비용 절감을 위해 중국 오픈웨이트 모델을 도입하고 있습니다.

다만 우려도 남아 있습니다. 업계에서는 문샷AI가 미국 프런티어 모델의 출력 데이터를 학습에 활용하는 '증류(Distillation)' 기법을 사용했을 가능성을 제기하고 있습니다. 또한 개발자 커뮤니티에서는 실사용 과정에서 토큰 사용량이 많아 비용 효율성이 떨어진다는 지적도 이어졌습니다. 키미 K3는 성능과 가격 경쟁력을 입증했지만, 학습 데이터의 적절성과 운영 효율성은 앞으로도 검증이 필요한 과제로 남아 있습니다.

로봇들이 UFC 옥타곤 위에서 하이킥을 날리고 마라톤 코스를 내달리는 현실, 불과 몇 년 전만 해도 SF 영화에서나 나올 법한 장면이죠? 이젠 이 영화 같은 장면들이 눈앞에 펼쳐지고 있습니다. 휴머노이드 로봇들이 이제 단순한 노동 현장을 넘어 인간의 전유물이던 스포츠 무대까지 빠르게 점령하고 있습니다.

지난 4월, 중국 베이징에서는 로봇의 한계를 시험하는 독특한 레이스가 펼쳐졌습니다. 바로 인간 참가자와 휴머노이드 로봇이 같은 코스를 동시에 달리는 '2026 휴머노이드 로봇 하프 마라톤'입니다. 이 대회에서 빨간색 로봇 '라이트닝'은 50분 26초 만에 코스를 완주하며 인간 기록보다 빠른 기록을 세웠습니다. 결국 로봇의 지구력과 보행 알고리즘 기술력을 입증하며 스포츠와 첨단 기술이 어우러진 새로운 이정표를 세운 것입니다.

격투기 무대에서의 열기는 더욱 뜨겁습니다. 최근 중국 선전에서는 세계 최초의 상업화 프로 로봇 격투 리그(URKL)가 개막했습니다. AI 두뇌를 탑재한 로봇들이 펼친 이 무대에서는 목이 부러지는 치열한 KO 승부 끝에 21억 원 상당의 순금 챔피언 벨트를 향한 막을 올렸습니다. 한편 일본 도쿄에서도 원격 조종 방식의 풀컨택트 휴머노이드 격투 대회가 열렸습니다. 비록 발을 헛디디거나 엉뚱한 곳에 펀치를 날리는 어설픈 모습도 연출됐지만, 관중의 뜨거운 환호를 이끌어내며 로봇 스포츠의 대중적 가능성을 똑똑히 보여주었습니다.

도쿄 대회를 주최한 미국 스타트업 REK는 오는 8월 미국 샌프란시스코에서 다음 격투 대회를 이어갈 예정이라고 밝혔습니다. 아시아를 넘어 북미 대륙으로 퍼져나가는 휴머노이드 스포츠 열풍이 과연 앞으로 어떤 혁신적인 기술과 짜릿한 명승부를 선보일지 전 세계의 이목이 쏠리고 있습니다.

쿼카 쌤이 알려주는 AI Tech 용어 #14 👩‍🏫

데이터라는 신대륙의 종말, 그리고 AI의 새로운 국면

인공지능 혁명의 중심축이었던 '스케일링 법칙(Scaling Law)'이 거대한 전환점에 서 있습니다. 지난 수년간 AI의 비약적 성장은 인터넷이라는 거대한 바다에서 인류가 쌓아 올린 무수한 텍스트와 이미지 데이터를 학습의 연료로 삼아 이루어졌습니다. 그러나 웹상에 존재하는 고품질 인간 생성 텍스트가 빠르게 소진됨에 따라, AI 연구와 산업계는 이른바 '데이터 벽(Data Wall)'에 부딪히고 있습니다.

인터넷 텍스트 데이터의 한계는 2026년에서 2028년 사이에 가시화될 것으로 예상되며, 이는 단순히 "읽을거리의 부족"을 의미하지 않습니다. 범용 지능을 지향하는 AI 기술의 프론티어가 단순한 언어 유희와 문서 요약을 넘어, 가시적인 물리 세계와 고도의 전문적 영역으로 이동하면서 데이터 기근의 양상 역시 완전히 달라지고 있기 때문입니다.

현재 데이터 부족이 가장 심각하게 나타나는 곳은 바로 피지컬 AI(Physical AI)와 로보틱스 영역입니다. 디지털 AI가 정적인 웹 서버 안에서 무한히 증식할 수 있었던 것과 달리, 피지컬 AI는 가변적이고 비가역적인 물리 세계와 상호작용을 해야 합니다. 오늘날 대표적인 로봇 학습 데이터셋인 Open X-Embodiment가 약 240만 에피소드 규모에 불과한 것은, 이미 수십조 토큰을 학습한 거대언어모델(LLM)과 비교할 때 극심한 대조를 이룹니다.

물리 세계의 데이터 수집에는 막대한 경제적·물리적 장벽이 따릅니다. 시뮬레이션 데이터 수집에는 시간당 단 몇 달러가 소요되지만, 실세계에서 다중모달 로봇 데이터를 수집하는 데는 시간당 약 180달러 이상의 비용이 들며, 작업자 및 정밀 제어 환경이 필수적으로 동반됩니다. 더 나아가 로봇 하드웨어의 파편화와 상이한 제어 주파수, 센서 구조는 축적된 데이터가 다른 기기로 손쉽게 전이되지 못하는 구조적 병목을 낳고 있습니다. 물리 세계는 크롤러(Crawler)로 긁어모을 수 있는 대상이 아니기에, 로보틱스는 데이터의 절대적 수량 자체가 부족한 '가장 메마른 도메인'으로 자리 잡았습니다.

물리 세계의 벽 뒤편에는 제도와 프라이버시, 그리고 전문 지식이라는 장벽이 존재합니다. 의료 및 바이오메디컬, 그리고 법률과 금융 도메인이 대표적입니다. 이들 분야는 HIPAA나 GDPR 같은 엄격한 개인정보 규제로 인해 데이터가 기관별 '실로(Silo)' 내에 굳게 봉인되어 있습니다. 또한, 의료 영상이나 복잡한 판례를 분류하는 작업은 숙련된 전문의나 법률가만이 수행할 수 있어, 라벨링 작업 하나에 전체 개발 예산의 25% 이상이 소요되기도 합니다. 희귀 질환이나 극단적인 예외 케이스처럼 인류가 가진 원천 데이터 자체가 희박한 '롱테일 문제' 역시 단순히 돈을 들인다고 해결할 수 있는 영역이 아닙니다.

이에 대한 대안으로 AI가 스스로 데이터를 만드는 '합성 데이터(Synthetic Data)' 기술이 주목받고 있지만, 이는 완벽한 정답이 되지 못합니다. 생성된 데이터를 다시 학습에 재귀적으로 사용할 경우, 모델이 점차 극단적 케이스를 잊어버리고 오차가 누적되는 '모델 붕괴(Model Collapse)' 현상이 발생할 수 있기 때문입니다.

결국 AI의 다음 세대를 결정짓는 열쇠는 '누가 더 많은 텍스트를 긁어모으는가'가 아니라, '어떻게 데이터 기근을 극복하는 구조적 프레임워크를 구축하는가'에 달려 있습니다. 정제되지 않은 인간의 비디오 데이터에서 제어 신호를 추출하거나, 로컬 환경의 프라이버시를 침해하지 않고 가중치만 공유하는 연합 학습(Federated Learning), 그리고 물리학적 패러다임을 반영한 세계 모델(World Model)의 개발이 중요한 이정표로 떠오르는 이유입니다.

우리는 지금 공개된 디지털 데이터의 풍요 속에서 훈련받던 AI의 '유년기'를 지나, 데이터가 부족하고 불확실한 실세계와 전문 domain에 직접 맞부딪쳐야 하는 '성년기'의 입구에 서 있습니다. 앞으로의 AI 주도권은 데이터의 양적 팽창에 의존하던 기업이 아닌, 물리적 상호작용과 파편화된 전문 지식을 안전하고 효율적으로 자산화하는 패러다임을 전환하는 주체에게 돌아갈 것입니다.