제미나이 이용 확대, MS의 새 추론 칩…AI 경쟁이 서비스와 기반으로 번진다

이번 발표의 중심은 모델 이름 하나의 추가보다 제공 범위의 확대다. 구글의 9월 소식 정리에서도 아르곤은 제한된 접근 단계로 소개됐으며, 13일 발표는 더 많은 개발자와 기업, 유료 이용자가 실제 제품 경로에서 사용할 수 있게 된 변화다. 최초 공개와 확대 출시를 구분해야 이번 소식이 바꾼 조건을 정확히 읽을 수 있다.

개발자는 Google AI Studio와 Android Studio의 유료 Gemini API에서 아르곤을 사용할 수 있다. Google AI Ultra 구독자의 AI Studio·앤티그래비티(Antigravity) 접근도 안내됐다. 모델을 앱에 연결하는 API 이용과 코딩 플랫폼 구독은 같은 결제 항목이 아니므로, 한 경로의 가격을 다른 상품의 요금으로 읽을 수는 없다.

API의 도입 가격은 입력·출력 100만 토큰당 각각 2달러와 10달러다. 공식 발표는 11월 30일 도입 기간이 끝난 뒤 공개 접근용 아르곤에 입력 4달러·출력 20달러를 적용한다고 밝혔다. 요금의 현재 단가와 이후 단가를 함께 공개했다는 점이 서비스 운영 비용을 판단할 정보다.

긴 작업을 모델과 제품이 함께 다룬다

구글은 API의 입력과 출력을 합친 토큰 한도를 100만으로 설명했다. 긴 자료를 읽을 공간과 결과를 생성할 공간을 하나의 한도로 다루는 구성이다. 긴 출력만 무제한으로 허용한다는 뜻은 아니며, 실제 연결에서는 개발 문서의 연속 실행 방식과 설정도 확인해야 한다. 길이가 늘었다는 정보와 작업의 정확성은 별개다.

Gemini 앱에는 대화와 작업을 전환하는 방식이 들어왔다. 구글은 사용자가 컴퓨터 앞에 있지 않아도 맡긴 작업을 이어갈 수 있다고 설명했다. 40개 이상의 연결 앱에는 Instacart·OpenTable·Adobe·Shopify 등이 포함됐다. 모델이 답변하는 창과 외부 서비스에서 행동하는 경로를 제품 안에서 연결하는 변화다.

macOS용 Gemini 앱에는 앤티그래비티의 코딩 인터페이스를 직접 연결했다. 대화로 문제를 정리한 다음 별도의 개발 도구로 옮기는 흐름을 앱 안에서 이어가려는 구성이다. 이용자가 어디에서 요청하고 어떤 도구가 실행을 맡는지가 모델 출시와 함께 제품 경쟁의 일부로 등장했다.

공개 모델 페이지에는 크로미엄(Chromium) 코드 정리 사례가 실렸다. 구글은 약 4천만 줄 코드 기반 안의 약 600만 줄 규모 기존 폴더에서 핵심 웹페이지 처리를 분리하는 작업에 아르곤을 사용했다고 밝혔다. 이는 구글이 보고한 내부 사례이며 이 글에서 같은 작업을 재현한 결과는 아니다.

양자화학 소프트웨어 xTB의 최적화 사례도 소개했다. 구글이 게시한 값은 분자 구조 예측 최대 2.3배, 형태 탐색 1.8배의 속도 개선이다. 대상 프로그램과 작업이 특정돼 있으므로 다른 코드베이스의 개선 배수로 옮길 수 없다. 코드 작성 능력에 더해 기존 프로그램의 성능 문제를 다루는 방향을 보여주는 사례로 읽을 수 있다.

도입 가격과 실제 작업 비용은 다르다

토큰 단가가 낮아져도 작업 하나의 총비용이 같은 비율로 줄어드는 것은 아니다. 긴 실행은 입력과 출력, 재시도, 외부 도구의 사용을 함께 포함한다. 구독 상품에서는 사용 한도와 제공 기능이 또 다른 조건이 된다. 따라서 도입 가격은 비용 계산의 출발점이며 업무 전체의 가격표는 아니다.

현재 개인용 앱과 AI Mode 접근은 Pro·Ultra, 앤티그래비티는 Ultra로 안내됐다. 발표의 ‘전 세계 확대’라는 표현만으로 모든 계정과 연결 서비스가 동일한 기능을 같은 시점에 갖는다고 판단하기 어렵다. 제품별 제공 경로와 사용자가 실제 연결한 앱의 조건이 경험을 결정한다.

아르곤의 이번 확대 출시는 프런티어 모델 경쟁이 공개 점수에서 실제 작업 환경으로 이동하는 장면이다. 중요한 비교 대상은 모델 이름뿐 아니라 어떤 상품에서 어느 범위의 작업을 맡기고, 어떤 단가와 한도로 운영하는지다. 이후의 평가는 공개 사례와 별개로 다양한 이용자의 완수율과 실제 운영 비용에서 구체화될 것이다.

AI가 여러 자료를 읽고 도구를 호출하는 작업을 오래 수행하면 계산량뿐 아니라 데이터를 옮기는 비용이 커진다. 메모리에서 필요한 값을 꺼내고 여러 가속기 사이에 전달하는 과정이 반복되기 때문이다. MS는 마이아 300을 이런 추론 작업에 맞춰 칩부터 소프트웨어와 데이터센터까지 함께 설계한 시스템으로 소개했다.

추론은 이미 학습한 모델을 실행해 응답과 행동을 만드는 과정이다. 훈련이 모델을 만드는 비용이라면 추론은 서비스를 제공할 때 반복되는 비용이다. 회사가 자체 제품의 주요 추론 기반을 확대하겠다는 발표는 모델 개발 능력과 함께 계속 발생하는 운영 부담을 직접 다루려는 전략으로 읽힌다.

현재 마이아 200은 코파일럿(Copilot)을 포함한 실제 운영 작업에 사용된다고 MS가 밝혔다. GitHub Copilot과 Microsoft Foundry는 연말까지 이어질 제공 계획으로 설명했다. 300의 예고와 200의 운영 사례가 한 발표에 담겼지만, 이용자가 오늘 경험하는 기반과 내년에 확장할 기반은 같지 않다.

처리량과 전력 효율은 서로 다른 비교다

MS는 마이아 300이 주요 GPU 기반 시스템보다 메가와트당 토큰을 40% 더 처리할 것으로 예상했다. 또 96개 가속기의 완전한 구성에서는 마이아 200보다 랙 단위 토큰 처리량이 최대 7배라고 제시했다. 두 수치는 비교 대상과 단위가 다르다. 모두 ‘기존 칩 하나보다 7배 빠르다’는 설명으로 바꿀 수 없다.

Azure의 기술 설명에 따르면 랙의 가속기 수는 96개로 두 배가 됐다. 따라서 랙 전체 처리량에는 칩의 변화뿐 아니라 묶는 규모와 통신 구성의 변화가 포함된다. 실제 서비스를 위한 용량 확대로는 중요한 수치지만, 같은 전력·같은 장비 수를 놓고 진행한 독립 시험의 결과로 소개된 값은 아니다.

가속기 하나에는 HBM4 메모리 스택 8개를 두고 최대 18TB/s 대역폭을 제공한다고 설명했다. 해당 열설계전력은 950W다. 랙 전체에는 27.6TB의 HBM 용량과 합계 1.7PB/s 대역폭을 제시했다. 용량은 보관할 수 있는 양이고 대역폭은 데이터를 이동시키는 속도이므로 서로 다른 제약을 다룬다.

칩렛 설계는 계산·메모리 제어·입출력 기능을 나눠 구성한다. 계산 칩렛에는 TSMC N2P 공정을 적용하며, 기술 문서는 데이터를 계산부 가까이에 두는 방식과 낮은 정밀도 표현으로 이동량을 줄이는 방향을 설명했다. 연산기의 숫자만 키우기보다 자료를 저장하고 전달하는 경로를 함께 바꾸는 접근이다.

네트워크 역시 이 시스템의 일부다. 기술 문서는 96개 가속기의 랙을 넘어 최대 1만 2,288개를 연결하는 규모를 설명했다. 더 넓은 연결이 모든 작업에 항상 유리한 것은 아니며, 어떤 모델을 어느 범위에 배치하느냐가 통신 부담과 동시 처리에 영향을 준다. 실제 운영의 배치 문제가 칩 발표에 함께 들어왔다.

MS가 예고한 핵심 변화는 자사 서비스의 추론을 이런 전체 시스템으로 확대하겠다는 것이다. 이를 GPU의 완전한 대체 선언이나 모든 외부 고객에게 제공되는 동일 상품으로 읽으면 범위를 벗어난다. 내년 생산 배치와 서비스별 적용이 진행돼야 설계의 효율이 실제 용량과 비용으로 얼마나 이어지는지도 판단할 수 있다.

같은 AI 전시라도 두 회사가 보여주는 연결의 범위는 다르다. 삼성전자는 디스플레이·가전·모바일의 약 869㎡ 체험 공간을 구성했다. LG전자는 약 902㎡ 전시관을 생활과 산업 영역으로 나눴다. 공간의 크기보다 주목할 부분은 AI의 기능을 개별 제품과 실제 사용 환경에 어떻게 이어 설명했는지다.

삼성이 소개한 비스포크 AI 패밀리허브(Bespoke AI Family Hub)는 냉장고 내부 카메라로 식재료를 인식하고 관리하는 기능을 포함한다. 비스포크 AI 콤보(Bespoke AI Combo)는 세탁물 상태를 감지해 세탁 강도와 건조 온도를 조정한다. 텍스트 답변보다 센서가 얻은 정보와 제품의 작동을 연결하는 기능이다.

TV의 비전 AI 컴패니언(Vision AI Companion)은 이용자와 대화하며 콘텐츠 정보와 질문에 대한 답을 안내한다. 같은 전시 안에서도 식재료 인식, 세탁 제어, TV 대화는 입력과 결과가 다른 기능이다. AI라는 공통 이름이 붙어 있어도 기술이 수행하는 역할과 이용자가 확인할 조건은 제품마다 다르다.

삼성은 배송·설치·사후 관리를 포함하는 구독 서비스도 전시했다. 지난 9월 브랜드를 바꾼 삼성 AI 구독의 관리 경험을 이번 행사에서 소개한 것이다. 구독 상품의 관리 혜택과 제품의 AI 능력은 서로 다른 정보다. 모델 성능을 서비스 계약의 모든 편의성으로 대신 설명할 수는 없다.

생활 공간에서 데이터센터와 제조 현장으로

LG의 생활 영역은 가전 구독과 모듈러 주택, 차량 안의 생활 공간을 연결했다. 스마트코티지(Smart Cottage)와 슈필라움(Spielraum)을 씽큐 온(ThinQ ON)으로 이어 집과 차량의 기기를 제어하는 구성을 소개했다. AI의 접점이 기기 하나보다 여러 공간의 요청과 상태를 연결하는 방향으로 넓어진 사례다.

산업 영역에서는 AI 데이터센터의 열 관리 과정을 보여줬다. 차가운 물을 공급하는 칠러(Chiller), 냉각수를 나누는 CDU(Coolant Distribution Unit), 칩의 열을 받는 콜드 플레이트(Cold Plate)를 한 흐름으로 설명했다. AI 서비스를 늘리는 문제에 서버의 계산 능력과 열을 밖으로 옮기는 설비가 함께 포함된다는 점을 드러낸다.

제조 전시에는 자율 이동 협동로봇 LG 모마(LG MoMa, Mobile Manipulator) 3대가 자재 이송과 작업, 주변 안전 감지를 수행하는 구성이 담겼다. AI·디지털 트윈·로봇을 연결한 제조 현장 시연으로 소개됐으며, 모든 공장의 같은 작업에 적용한 실적을 제시한 것은 아니다. 시연의 범위와 현장 도입 성과는 구분된다.

가전의 대화 기능과 공장의 로봇, 데이터센터 냉각은 서로 다른 제품이지만 실제 환경의 정보와 행동을 연결한다는 공통점이 있다. 이때 중요한 결과는 답변이 자연스러운가에 더해 기기가 어떤 정보를 받아 어떤 범위에서 작동하는가다. AI 전시가 생활 경험과 설비 운영을 함께 다루는 이유를 읽을 수 있다.

이번 한국전자전은 국내 제조업체의 AI 경쟁을 생활 제품과 기업용 기술의 양쪽에서 보여주는 행사다. 발표로 확인할 수 있는 것은 전시된 기능과 연결 구상이다. 가격과 지원 범위, 실제 환경의 성능은 개별 제품의 제공 정보와 도입 사례가 더해져야 구체적으로 비교할 수 있다.

코드를 빠르게 생성해도 여러 변경을 동시에 합치고 문제의 원인을 추적하는 과정은 남는다. 자동 시험에 사용할 코드를 준비하는 일도 반복된다. 이번 사례는 AI 도구의 응답 속도보다 생성된 결과가 개발 조직의 실제 작업 흐름에 들어가는 과정에 초점을 맞춘다는 점에서 모델 출시와 다른 성격의 뉴스다.

Git의 기본 복제는 저장소를 새 디렉터리에 만들고 원격 추적 정보를 구성한다. 공식 문서는 이력의 일부를 가져오는 얕은 복제와 작업 경로를 줄이는 sparse 옵션, 객체를 조건에 따라 가져오는 필터도 제공한다. 규모가 커졌다고 반드시 새 시스템이 필요한 것은 아니며 기존 도구 안에도 자료를 덜 가져오는 선택지가 있다.

사이언은 대부분의 이용자가 항상 온라인인 에이전트와 작업이라는 조건을 설계의 출발점으로 삼았다. 서버가 변경 생성과 병합, 이력 질문을 처리하고 클라이언트는 제한된 자료와 작업 파일을 유지한다. 로컬에 모든 기능과 이력을 갖추는 성격을 줄이는 대신 서버와의 연결에 더 의존하는 구조다.

이 차이는 단순한 기능의 우열보다 개발 환경의 조건을 반영한다. 연결이 없어도 이력을 확인하고 변경을 만들 수 있는 도구와, 서버에서 필요한 정보를 즉시 얻는 도구는 운영상의 장점이 다르다. 회사 안의 자동 작업 대부분이 온라인이라면 비용을 배치하는 방법이 달라질 수 있다.

앤트로픽은 주요 브랜치 이력이 약 100GB, 압축 작업 사본이 25GB 이상인 규모를 공개했다. 지속적 통합 작업만으로 하루 약 2,500만 회 코드를 체크아웃한다고 설명했다. 이 수치는 일반 프로젝트의 평균이 아니라 회사가 왜 자료 전달과 복제 비용을 문제로 봤는지 보여주는 사례의 조건이다.

코드 작성과 변경 관리의 속도는 함께 봐야 한다

부분 복제로 내려받는 자료를 줄여도 변경의 관계와 파일 이력을 읽는 작업은 남는다. 자동 작업이 필요한 자료만 받아 가도록 만드는 접근은 이런 질문을 서버에서 처리할 수 있을 때 범위를 넓힐 수 있다. 중요한 변화는 저장소 파일을 복사하는 과정과 변경 정보를 조회하는 과정을 각각 다루는 데 있다.

회사는 7명의 팀이 5개월 동안 버전관리와 코드 리뷰를 비롯한 관련 시스템을 만들고 이전했다고 보고했다. 동시에 엔지니어가 시스템 사이의 제약과 설계 판단을 맡았다고 설명했다. 이 기간과 인원은 특정 내부 작업의 결과이며 같은 규모의 전환을 다른 조직이 같은 시간에 끝낼 수 있다는 일정표는 아니다.

하루 병합 3만 건이라는 수치도 생산성의 완결된 점수는 아니다. 작은 수정과 큰 기능 변경을 모두 건수로 합칠 수 있고, 병합 이후의 오류와 운영 성과는 다른 지표다. 코드량의 증가와 개발 기반의 압박을 이해하는 자료로는 의미가 있지만 제품 품질이나 매출 향상을 직접 측정한 결과로 읽을 수 없다.

온라인 서버 중심의 방식에는 가용성과 접근 통제, 개발 도구와 시험 체계의 연결이 중요해진다. 이 조건을 함께 갖추지 않은 채 저장소 도구 하나만 바꾸면 같은 결과를 기대하기 어렵다. 일반 조직의 판단에 필요한 것은 도구의 이름보다 어디에서 비용과 지연이 발생하는지에 대한 실제 자료다.

앤트로픽은 사이언을 범용 Git 대체재로 소개하지 않았다. 이번 공개의 의미는 AI가 만든 코드가 늘 때 기존 개발 기반에서 어떤 문제가 나타날 수 있는지를 내부 사례로 보여줬다는 데 있다. AI의 개발 능력이 올라갈수록 생성 이후의 검토·시험·배포를 다루는 능력도 함께 중요해진다.

열린 연구 과제는 정답 하나나 자동 규칙으로 결과를 평가하기 어렵다. 답을 만든 모델이 스스로 좋은 결과를 고르면 오류를 성과로 오인할 수 있다. MASS는 이 상황에서 역할을 나눠 수행한 팀의 경험이 더 나은 학습 신호가 될 수 있는지를 다룬 연구다.

기본 모델은 큐원 3.6 27B(Qwen3.6-27B)다. 같은 모델이 실제 작업을 푸는 실행자, 팀의 구성을 찾는 최적화자, 결과를 비교하는 평가자를 맡는다. 서로 다른 제품의 모델을 섞어 강점을 합치는 구성과는 구분된다. 모델은 같고 주어진 역할과 작업 흐름이 달라지는 방식이다.

안쪽 반복은 모델의 가중치를 고정한 상태에서 역할 분담과 정보 전달을 바꿔 본다. 바깥 반복은 선택한 팀의 실행 기록을 학습해 모델 자체를 갱신한다. 더 좋은 요청문을 찾는 과정과 학습으로 능력을 바꾸는 과정이 연결되지만, 두 단계가 같은 작업은 아니다.

연구진은 금융·로봇·약학 분야의 합성 연구 과제 12개를 구성했다. 9개는 학습 대상으로 정했고 그중 8개가 실제 학습 기록을 제공했다. 3개는 후속 학습과 검증·체크포인트 선택에서 제외했다. 다만 작업 흐름 탐색은 이 시험 과제에서도 평가했다고 밝혀, 모든 단계에서 완전히 손대지 않은 과제라는 뜻은 아니다.

연구형 과제의 개선이 코딩으로 그대로 옮겨가지는 않았다

두 차례 반복 후 MLR-Bench, DSBench, ScienceAgentBench, AstaBench의 출력 토큰당 점수가 1.2~1.6배로 높아졌다. 이 값은 결과 점수를 출력량으로 나눈 효율 지표다. 원점수가 모두 같은 배수로 올랐다거나 작업의 총비용과 시간이 같은 비율로 줄었다는 의미는 아니다.

반면 Terminal-Bench 2.0은 0.96배, SWE-bench Verified는 0.94배였다. 연구형 과제와 비슷한 평가에서 강점이 나타나도 소프트웨어 작업으로의 전이는 고르지 않았다는 결과다. 개선된 모델이라는 말 하나보다 어느 과제와 어떤 지표가 달라졌는지를 보는 편이 연구의 실제 범위에 가깝다.

연구진은 결과를 밖에서 평가하는 데 GPT-5.5와 클로드 오퍼스 4.8(Claude Opus 4.8)을 사용했고, 이 판단을 MASS의 자기 감독 과정에는 전달하지 않았다고 설명했다. 내부 선택과 외부 비교를 나눈 구성이다. 다만 외부 평가도 언어모델의 판단이며 전문가의 현장 검증이나 실제 실험의 성공과 같은 자료는 아니다.

같은 모델이 여러 역할을 맡으면 서로 다른 시각을 요청할 수 있지만 학습에서 형성된 공통 오류까지 독립적인 것은 아니다. 그 오류를 긍정적으로 평가한 기록이 다음 학습에 들어가면 편향을 반복할 수 있다. 연구진도 이런 맹점을 발견하고 개입하는 방법이 필요하다고 밝혔다.

MASS의 공개는 AI의 자기개선을 무제한 성능 상승으로 설명하기보다 학습 신호와 평가 범위를 구체화한다. 역할을 나누는 구성, 반복 학습, 능력의 전이를 별도로 관찰했다는 점이 연구 가치다. 현재 확인된 결과는 제한된 반복에서의 특정 지표 변화이며 장기적인 자율 발전의 안전성을 입증한 것은 아니다.

기상 예측에서 전국의 날씨를 설명하는 일과 특정 지역의 갑작스러운 강우를 알아내는 일은 정보의 규모가 다르다. 넓은 지역을 다루는 자료에 현장의 빠른 변화가 충분히 담기지 않으면 지역 경보를 구체화하기 어렵다. 이번 지원은 모델의 능력과 관측 자료의 밀도를 함께 다루려는 연구 투자다.

구글이 발표한 총 약속은 500만 달러다. 이 가운데 AIMSIR 센터와 Climate + Co-Centre의 4년 연구에는 UCD Foundation을 통해 225만 유로를 지원한다고 밝혔다. 회사가 함께 표시한 달러 값은 250만 달러다. 전체 금액을 이 두 연구기관에 모두 배정했다고 쓰거나 나머지 비용의 세부 용도를 계산해 단정할 수는 없다.

연구는 Google Earth AI 모델과 위성 영상에 70년 이상의 아일랜드 기후 기록을 결합하는 방향으로 소개됐다. 목표는 빠르게 변하는 기상을 추적해 지역에 더 이른 경고를 제공하는 nowcasting이다. 과거의 긴 기록이 변화의 배경을 제공한다면 새로운 관측은 현재 어떤 변화가 일어나는지 알려주는 자료가 된다.

함께 지원받는 클라이밋 코센터(Climate + Co-Centre)는 아일랜드·북아일랜드·그레이트브리튼의 14개 기관을 연결하는 연구 네트워크다. 공식 소개는 기후변화와 생물다양성, 수질 문제를 함께 다룬다고 설명한다. 이번 약속은 구글이 새 연구센터를 혼자 설립했다는 발표가 아니라 기존 연구기관과 자료를 연결하는 지원이다.

학교 관측망은 예측 자료와 교육을 함께 겨냥한다

발표에는 학교 560곳에 태양광으로 운영하는 기상 관측소를 구축하는 계획이 포함됐다. 여러 지역의 지상 자료를 얻고 교사가 실제 기후 데이터를 수업에 활용하도록 AIMSIR가 교육을 제공하는 방향이다. 관측소 설치 계획과 교사의 자료 활용이 하나의 연구 지원 안에서 연결됐다.

촘촘한 관측망은 평균적인 지역 정보보다 작은 범위의 변화를 알아낼 자료를 늘릴 수 있다. 다만 관측 장치를 설치하는 것만으로 모델의 정확도가 바로 확인되는 것은 아니다. 자료를 안정적으로 수집하고 오류를 구분하며 기존 예측과 비교하는 과정이 있어야 새로운 정보가 예측에 얼마나 기여했는지를 판단할 수 있다.

연구가 경보로 이어지려면 결과를 해석하고 전달하는 운영 체계도 필요하다. 예측이 맞는지와 이용자가 제때 정보를 받아 행동할 수 있는지는 연결돼 있지만 다른 단계다. 기상기관과 대학이 함께 참여한다는 정보는 연구 결과가 실제 공공 업무로 옮겨갈 경로를 이해하는 데 의미가 있다.

발표 당시 확인된 것은 지원 약속, 참여 기관, 4년 연구와 관측망의 계획이다. 학교 560곳에 모든 장치가 이미 설치됐다거나 지역 예측의 정확도가 특정 비율로 개선됐다는 결과는 제시되지 않았다. 기대되는 사회적 효과와 현재 확보한 검증 자료를 나눠 읽어야 하는 이유다.

이 소식은 AI의 과학 활용에서 데이터와 연구 기반의 중요성을 보여준다. 새 모델의 발표만으로 지역의 문제를 해결하는 것이 아니라 장기간의 기록, 현장 자료, 기관의 전문성을 이어 붙이는 투자다. 후속 성과는 구축된 자료망과 예측 비교, 실제 경보 운영의 결과에서 확인할 수 있을 것이다.