AI 개발비를 가르는 웹 프레임워크부터 궤도 위 AI 칩까지, 11월 2일의 여섯 가지 변화

시험 대상 앱은 공개 포켓몬 데이터 API를 읽어 목록, 타입, 기술, 게임 정보, 검색과 필터를 보여 주는 정보 열람형 웹사이트다. 화면 전환과 상호작용이 많은 서비스보다는 콘텐츠를 많이 보여 주는 쪽에 가깝다. 로슨은 각 프레임워크의 최신 버전을 쓰라고 지시했고, 테일윈드(Tailwind)나 부트스트랩(Bootstrap) 같은 디자인 부품 라이브러리는 금지하는 대신 공통 디자인 값을 주었다. 서버에서 그릴지, 브라우저에서 그릴지 같은 구조 선택은 에이전트에게 맡겼다.

결과물이 제대로 만들어졌는지는 화면 구조를 읽는 접근성 트리 기반의 적합성 시험으로 확인했다. 미리 만든 정적 HTML로 시험을 통과하는 꼼수도 따로 막았다. 프레임워크마다 다섯 번씩 실행해 중간값을 냈고, 앵귤러는 두 번의 결과물이 외부 접속을 거부하는 구조로 만들어져 일부 지표를 세 번 값으로 계산했다.

비용 순위에서는 호노와 htmx 조합(2.67달러), 아스트로(Astro, 2.76달러), 넉스트(Nuxt, 2.82달러)가 앞섰고, 별도 화면 프레임워크 없이 만든 경우가 2.98달러, 넥스트제이에스(Next.js)가 3.14달러였다. 반대로 스벨트킷(SvelteKit) 4.28달러, 그레이실(Gracile)과 릿(Lit) 조합 4.65달러, 앵귤러 4.97달러가 가장 비쌌다. 걸린 시간과 쓴 토큰도 거의 같은 순서였다. 아스트로는 중간값 8.2분, 앵귤러는 17.2분이 걸렸고 토큰은 넉스트가 385만, 앵귤러가 976만 개였다.

비싼 쪽에는 이유가 보이는 경우도 있었다. 로슨은 스벨트킷이 비싸게 나온 이유로, 3판이 나온 지 얼마 안 돼 모델의 학습 자료에 없다 보니 에이전트가 매번 3판 전환(마이그레이션) 안내서를 읽은 점을 들었다. 각 프레임워크가 제공하는 공식 MCP 서버나 에이전트용 스킬 파일도 일관되게 쓰이지 않았다. 넉스트의 MCP는 한 번도 호출되지 않았고 넥스트제이에스의 스킬 파일은 다섯 번 중 한 번만 읽혔다. 로슨은 지금의 MCP와 스킬이 오히려 도움보다 부담이 될 수 있다고 추정했다.

홈 화면 기준으로 잰 완성 사이트의 성능 점수는 대부분 만점에 가까워 차이가 작았다. 구글 라이트하우스(Lighthouse) 접근성은 모든 프레임워크가 100점이었고 성능도 97~100점이었다. 차이는 브라우저로 보내는 자바스크립트 양에서 컸다. 아스트로는 0KB였지만 넥스트제이에스는 142KB였고, 첫 화면의 가장 큰 요소가 그려지는 시간도 아스트로 0.81초, 넥스트제이에스 2.09초로 벌어졌다.

코드 줄 수도 비교했다. 호노와 htmx 조합은 약 1,370줄, 앵귤러는 약 2,009줄로 같은 일을 약 70% 분량의 코드로 끝냈다. 로슨은 AI 시대에는 코드 양이 이후 수정 때마다 다시 읽혀 토큰 비용으로 돌아오므로 예전보다 더 중요해진다고 주장했다. 이 부분은 측정값이 아니라 저자의 해석이다.

활용을 검토한다면 이 결과를 특정 프레임워크의 우열 판정으로 읽기보다, 팀이 만드는 서비스와 비슷한 앱으로 직접 비용을 재 보는 방법으로 참고하는 편이 맞다. 상호작용이 많은 대형 서비스, 다른 AI 모델, 다른 노력 수준에서는 순위가 달라질 수 있다. 로슨도 실행마다 결과가 흔들렸다고 밝히며 시험 코드를 공개하고 다른 사람의 재실행을 요청했다.

이 프로그램은 2025년 5월 시작됐다. 앤트로픽은 그동안 생물학, 의학, 물리학, 화학, 기후과학, 수학 분야의 수백 개 과제를 지원했다고 밝혔다. 과학자들은 클로드를 가설 세우기, 실험 설계, 데이터 분석, 결과 정리에 쓰고 있다는 설명이다.

새 협력 기관은 세 갈래다. 첫째는 연구비를 배분하는 쪽이다. 슬론 재단, 사이먼스 재단, 슈미트 사이언스, 르네상스 필랜트로피의 오픈소스 과학 기금, 미국 국립과학재단, 미국화학회 산하 CAS가 연구자에게 크레딧을 나눠 준다. 앤트로픽은 개인 연구자 지원에서 출발한 프로그램이 재단·기관과 손잡으면서 여러 분야의 더 많은 연구자에게 닿을 수 있게 됐다고 설명했다.

둘째는 크레딧을 내부에서 쓰는 연구소다. 미국 우주망원경과학연구소, 유전체 연구로 알려진 웰컴 생어 연구소, 영국 프랜시스 크릭 연구소, 임페리얼 칼리지 런던 생명과학과, 유럽분자생물학연구소(EMBL), 글래드스톤 연구소가 이름을 올렸다.

셋째는 특정 연구 과제다. 초파리 뇌 신경 연결 지도를 만드는 프린스턴대의 플라이와이어(FlyWire), 지구 시스템을 모델링하는 컬럼비아대의 리프(LEAP), 암 조직 영상을 다루는 존스홉킨스대의 아스트로패스(AstroPath)가 포함됐다. 80만 명 이상의 유전 변이 정보를 모은 브로드 연구소의 gnomAD, 수학 증명을 공동 라이브러리로 쌓는 타우 세티(Tau Ceti), 호주 인구유전체센터도 함께한다.

크레딧 외의 협력도 소개됐다. 앤트로픽은 하워드휴스의학연구소(HHMI) 재니리아 연구캠퍼스와 AI 에이전트가 실험 장비를 안전하게 조작하도록 하는 공통 규격인 모델 하드웨어 표준(Model Hardware Standard)을 만들고 있으며, 이는 연구용 미리보기 단계다. 앨런 연구소는 공개 대형 데이터를 분석하는 AI 에이전트 팀을 만들고 있고, 앤트로픽은 몇 달 걸리던 수작업 분석을 몇 시간으로 줄일 수 있다고 설명했다. 이 수치는 회사 설명이며 독립 측정 결과는 공개되지 않았다.

앤트로픽은 이 협력 상당수가 공개 데이터셋, 오픈소스 소프트웨어, 공개 표준, 공유 라이브러리 같은 공공재로 이어져 더 넓은 과학계에 도움이 될 것이라고 밝혔다. 이는 회사의 기대이며 아직 공개된 성과는 아니다. 연구자 입장에서는 소속 기관이나 연구비 재단이 협력 목록에 있는지 먼저 확인하는 것이 현실적인 접근 경로로 보인다.

국내 연구자에게 바로 열리는 창구는 발표에 없다. 목록의 기관은 미국·영국·유럽·호주 중심이며, 앤트로픽은 더 많은 협력 기관으로 넓히고 싶다고만 밝혔다. 과학자용 팀 요금제 할인도 언급했지만 가격과 조건은 이 발표에 포함되지 않았다.

구글이 설명한 사용 방식은 세 가지다. 대화로 파일을 만들고, 파일을 전체 화면으로 열어 사람이 직접 문장을 고치고, 고치고 싶은 부분을 선택해 제미나이에게 수정을 맡기거나 내용을 묻는다. 결과물 전체를 다시 만들지 않고 일부를 짚어 다룰 수 있다는 점이 이번 기능의 핵심으로 보인다.

직접 고치기와 AI에게 맡기기를 한 파일 안에서 섞을 수 있다는 점은 결과물에 대한 통제와 연결된다. 예를 들어 숫자, 이름, 날짜처럼 틀리면 안 되는 부분은 사람이 직접 바꾸고, 문장 다듬기나 요약처럼 손이 많이 가는 부분만 선택해 맡기는 식이다. 전체를 다시 생성하면 이미 확인한 문장까지 바뀔 수 있으므로, 부분 수정 요청은 그런 변경을 줄이는 쪽으로 쓰일 수 있다. 다만 선택하지 않은 부분이 실제로 그대로 유지되는지는 발표에 설명되지 않았다.

구글은 예시로 손으로 쓴 강의 노트를 올려 PDF 학습 자료를 만드는 과정을 들었다. 사용자가 PDF를 직접 고치고, 특정 문단을 선택해 다시 설명해 달라고 요청하며, 이어서 질문을 던지는 식이다. 이 예시는 회사가 제시한 사용 장면이며 실제 품질을 측정한 결과는 아니다.

지원 형식은 구글 문서, 구글 시트, 슬라이드 자료, PDF, 마크다운, 일반 텍스트, 코드 파일이다. 업무에서 자주 쓰는 형식이 대부분 포함됐다. 다만 PDF를 제외한 형식은 웹에서만 지원되므로, 휴대전화에서 발표 자료나 표를 고치려는 사용자는 아직 쓸 수 없다.

PDF만 모바일까지 지원된다는 점도 눈에 띈다. PDF는 주로 완성본을 주고받는 형식이라 휴대전화에서 내용을 고치려면 별도 편집 앱을 찾아야 하는 경우가 많았다. 대화창에서 PDF를 만들고 이동 중에 바로 손볼 수 있다면 학습 자료나 짧은 안내문처럼 PDF로 공유하는 문서의 수정 과정이 짧아진다.

제공 범위는 넓다. 구글은 제미나이 앱이 서비스되는 모든 언어에서 모든 사용자에게 이 기능을 제공한다고 밝혔다. 유료 구독자만 쓰는 기능이라는 설명은 없다. 발표대로라면 한국어 사용자도 웹에서 쓸 수 있는 범위다.

이번 변화의 의미는 AI 채팅이 답을 주는 창에서 결과물을 완성하는 작업 공간으로 옮겨 가는 데 있다. 문서 초안을 만들고 다듬는 일을 한 화면에서 끝내면 복사와 붙여넣기 과정에서 생기는 서식 깨짐과 누락을 줄일 수 있다. 이는 기능 구조에서 나온 편집상의 해석이며, 구글이 측정해 발표한 효과는 아니다.

활용을 검토한다면 회사 문서처럼 최종 형식이 정해진 파일보다 회의 정리, 학습 자료, 간단한 표처럼 초안을 빠르게 만들고 고쳐 가는 작업부터 써 보는 편이 안전하다. 발표에는 만든 파일을 워드나 파워포인트 형식으로 내려받는 방법, 구글 드라이브 저장 방식, 회사 계정 관리자 설정이 설명되지 않았다. 업무 자료에 쓰기 전에는 이 부분을 직접 확인해야 한다.

허깅페이스가 지적한 문제는 공개됐지만 쓰기 어려운 연구 자료다. 자료가 서로 호환되지 않는 시스템에 흩어져 있거나, 오래된 파일 형식으로 저장돼 있거나, 설명과 출처 기록이 빠져 있는 경우가 많다는 것이다. 발표는 연구를 공개하는 것만으로 쓸 수 있게 되지는 않는다고 정리했다.

참여 기관은 카네기멜런대, 퍼듀대, 조지아공대, 애리조나주립대, 조지워싱턴대다. 대학 연합은 오픈 포럼 포 AI(Open Forum for AI)를 통해 참여한다. 아스테라 연구소가 함께하고, 허깅페이스는 자료를 올려 두는 기반을, 오픈 리서치 커뮤니티 액셀러레이터(ORCA)는 연구자 공동체 운영을 맡는다.

발표는 배경 수치도 제시했다. 미국 연방정부는 연구개발에 해마다 약 1,900억 달러를 쓴다. 허깅페이스에는 주요 과학 분야의 공개 데이터셋이 1만 7천 개 넘게 있고, 의학과 수학까지 넣으면 약 2만 9천 개다. 2026년 1~9월에 새로 올라온 과학 데이터셋은 전년 같은 기간의 세 배를 넘었다.

공공기관의 이용 사례도 소개됐다. 미국 국립보건원 산하 생물정보센터(NCBI)는 18개 공개 저장소에서 1,100만 회 넘는 내려받기를 기록했고, 미국 항공우주국의 데이터 조직은 27개 저장소에서 약 77만 회를 기록했다. 모두 10월 26일 기준이다. 허깅페이스는 데이터셋 내려받기의 90%가 설명이 충실한 데이터셋에서 나온다고 밝혔다. 정리 상태가 실제 이용으로 이어진다는 근거로 든 수치다.

첫 경진대회는 카네기멜런대가 주최하는 기후 위험 예측이다. 참가자는 미국 210개 도시의 2018년까지 기후 기록으로 2019~2026년의 실제 연평균 기온, 연 강수량, 가장 더운 날, 냉방 수요 지표를 예측한다. 예측은 과거 평균이나 단순 추세선과 비교해 공개 순위표에 오르고, 짧은 기후 적응 정책 제안은 따로 평가한다.

개인 연구자, 학생, 독립 개발자, 기업은 경진대회에 참여할 수 있다. 결과물은 허깅페이스 데이터셋 형태로 제출해야 한다. 대학과 연방기관, 국립연구소, 비영리기관은 업무 협약을 맺고 자기 연구 자료를 AI가 쓰기 좋은 형태로 공개하는 방식으로 참여한다. 다른 기관의 후속 경진대회는 프로젝트 페이지에서 순차 발표된다.

국내 연구기관에도 시사점이 있다. 공공 연구 데이터를 공개 포털에 올리는 데서 끝내지 않고, 설명과 출처를 붙여 AI 학습과 분석에 바로 쓰이게 하는 작업이 이용량을 좌우한다는 점이다. 다만 이번 발표는 미국 기관을 중심으로 설명했고, 해외 기관의 참여 방법은 따로 안내하지 않았다. 관심 있는 기관은 공개된 이메일로 문의하도록 돼 있다.

선캐처는 구글이 2025년 11월 공개한 장기 연구 과제다. 태양광으로 전력을 얻는 위성 여러 대에 TPU를 싣고, 위성끼리 빛을 이용한 통신으로 연결해 우주에서 기계학습 연산을 하는 구상이다. 땅 위 데이터센터가 부딪히는 전력과 부지 문제를 우주의 태양광으로 풀 수 있는지 살피려는 시도다.

이번 시험 위성은 10월 1일 발사됐다. 구글은 이후 몇 주 동안 점검 목록을 따라 위성의 주 시스템과 TPU 장치를 차례로 켜고 초기 기계학습 시험을 진행했다고 설명했다. 위성이 지상국 위를 지나는 동안 질문을 올려 보냈고, 위성이 노르웨이 스발바르 상공을 지날 때 답을 내려받았다.

첫 질문은 우주에 있는 기분을 하이쿠라는 짧은 일본식 시로 써 달라는 것이었다. 구글은 이를 프로그래밍에서 첫 실행을 확인할 때 쓰는 표현을 빌려 헬로 월드(Hello World) 단계라고 불렀다. 이후 우주를 소재로 한 짧은 익살시와 위성 장비 상태를 보고하게 하는 질문도 시험했다.

2025년 구글 리서치 설명을 보면 이번 위성이 왜 중요한지 알 수 있다. 당시 구글은 TPU의 한 세대인 트릴리움(Trillium)을 지상에서 양성자 빔에 노출하는 시험을 했다. 가장 민감한 고대역폭 메모리도 예상되는 5년 임무 방사선량의 약 세 배를 받은 뒤에야 이상 징후를 보였다고 밝혔다. 이번 위성은 이런 지상 시험 결과를 실제 궤도에서 확인하기 위한 것이며, 궤도 위 방사선 시험은 다음 단계로 남아 있다.

같은 설명에서 구글은 위성 81대를 고도 650km 궤도에 수백 미터 간격으로 모아 띄우는 구성을 예시로 들었다. 위성 사이 통신은 초당 수십 테라비트를 목표로 했고, 지상 시험 장비에서 한 쌍의 송수신기로 양방향 합계 초당 1.6테라비트를 냈다. 발사 비용이 2030년대 중반 1kg당 200달러 아래로 떨어지면 우주 데이터센터를 쏘아 올리고 운영하는 비용이 같은 규모 지상 데이터센터의 전력 비용과 비슷해질 수 있다는 추정도 내놨다.

다음 단계는 열 스트레스와 방사선 노출 속에서 TPU가 어떻게 작동하는지 보는 시험이다. 구글은 2027년 서로 연결된 위성 두 대를 띄우는 것을 다음 목표로 제시했다. 위성 간 연결이 실제로 작동해야 여러 칩을 묶는 대규모 연산 구상이 의미를 갖는다.

이번 발표는 우주 데이터센터가 가능해졌다는 뜻이 아니다. 짧은 질문 몇 개에 답한 시연이며, 장기간 연속 작업이나 경제성은 검증되지 않았다. 이번 시험에서도 질문과 답은 위성이 지상국 위를 지나는 동안에만 오갔다. AI 전력 수요를 다른 방식으로 풀려는 장기 연구가 첫 실물 단계를 넘었다는 정도로 읽는 것이 정확하다.

칼레가리는 오픈AI가 공개한 700여 편의 논문이 여러 수학 분야에서 의미 있는 기여를 할 수 있음을 보여 줬다고 평가했다. 동시에 그 논문들이 글로서는 매우 조잡하게 쓰였고, 일부는 인용 관례를 지키지 않았으며, 일부는 틀렸다고 비판했다. 수학자들의 불편함에는 AI 기업이 수학계의 관행을 무시한다는 점과 분야가 속부터 비어 간다는 느낌이 함께 있다고 봤다.

그의 핵심 주장은 게임이 끝난 것이 아니라 규칙이 바뀌었다는 것이다. 칼레가리는 주기율표가 화학을 끝내지 않았듯, 중심 문제를 푸는 것이 분야를 끝내지는 않는다고 썼다. 1983년 완성이 선언된 유한 단순군 분류 사례도 들었다. 그 뒤 관심은 식었지만 왜 괴물군이라 불리는 거대한 군이 존재하는지 같은 질문은 여전히 남아 있다는 것이다.

칼레가리는 1903년 수학자 넬슨 콜이 2의 67제곱에서 1을 뺀 수를 두 소수의 곱으로 나눈 일을 예로 들었다. 콜은 이 계산에 3년 동안 일요일을 바쳤지만, 오늘날 같은 계산은 컴퓨터 대수 프로그램이 1초도 안 돼 끝낸다. 같은 결과라도 도구가 바뀌면 그 결과가 갖는 기여의 무게가 달라진다는 설명이다. 그는 AI 연구자 크리스티안 세게디의 말을 빌려, 앞으로는 미지의 영역을 혼자 개척하는 영웅적 노력보다 어디를 탐사할지 고르고 결과를 설명하는 능력이 중요해진다는 시각에도 동의했다.

문제점도 짚었다. 그는 먼저 발표하려고 서두르는 AI 보조 논문이 논문 사전 공개 사이트 아카이브(arXiv)에 몰리고 있으며, 증명을 만드는 일과 그것을 이해했음을 보여 주는 일 사이의 간극이 커지고 있다고 지적했다. 그래서 좋은 문제를 고르고 다음 질문을 키우는 일이 증명보다 더 중요해질 수 있다고 봤다.

구체적인 제안은 여섯 가지다. 모든 연구를 AI 도움을 받았다는 전제로 평가하고 저자가 그 수학이 왜 흥미로운지 설명하게 하자는 것, 서류 심사보다 직접 만나는 면접 비중을 높이자는 것, 적응하지 못하는 학술지를 떠나자는 것이 포함된다. 대학원 교육을 분야 전체를 보는 방향으로 넓히고, 세미나를 막힌 지점과 큰 질문 중심으로 바꾸며, AI가 낸 결과를 특정 기업이 아닌 인류 공동의 성과로 여기자는 제안도 했다.

학술지에 대해서는 수위가 높다. 그는 아카이브에 올라오는 논문 상당수는 어디에도 실릴 필요가 없다고 썼다. 다만 실용성과 명료함을 중시하는 학술지는 여전히 자리가 있다고 봤다. AI가 스스로 만든 증명도 가능하면 증명 검증 도구 린(Lean)으로 확인해 공동의 지식으로 기록해야 한다고 덧붙였다. 기존 학술지가 바뀌지 않는다면 한동안 학술지를 떠나는 것도 방법이라고 했다.

이 글은 수학계만의 이야기로 끝나지 않는다. AI가 결과물을 빠르게 만들어 내는 분야라면 연구, 개발, 글쓰기 어디서든 결과물의 양보다 무엇을 왜 만들었는지 설명하는 능력이 평가 기준으로 올라온다는 흐름을 보여 준다. 다만 이것은 칼레가리의 주장이며 학계 전체가 합의한 방향은 아니다. 댓글에서도 상식적인 제안이라는 반응과 평범한 연구자가 소외된다는 비판이 엇갈렸다.