1. KIST AIX 교육

Fortune: MIT report: 95% of generative AI pilots at companies are failing
머니투데이: '실전형 AX’나선 KIST…정예팀 100인 선발
HelloDD: “AI 연구 100인 특공대 선발” KIST AIX 선언 연구 방식 근본적 전환···소수 정예로 ‘돌파’

• KIST에서 2026년을 시작하며 가장 중요하게 보고 있는 요소 중 하나는 임직원 개인의 AI 역량 강화입니다.
• AI 전환이 95% 실패한다는 보고가 있는 만큼 전과는 다른 방식으로 접근해야 성공 확률이 있다고 판단했으며
• 그 중심에 개인의 AX 없이 조직의 AX없다는 결론을 내리고 교육을 강화하기로 결정했습니다.
  
  
• AI 서비스, 특히 챗봇을 개발하여 보급하지 않을 것이며
• 특히 수요를 받아 용역 개발을 해 주는 일을 하지 않을 것입니다.
• 조직은 물론 개인의 AI 전환까지 늦추어 공멸하는 길이라고 판단하고 있기 때문입니다.
• 다만 위 선언은 개발을 목표로 하지 않겠다는 것일 뿐,
• 더 큰 목적을 위해서는 AI 서비스 개발이나 수요 대응을 할 수 있습니다.
  
  
• 이런 배경으로 교육을 강화하기로 결정했으며
• 전 부서에서 보직자를 중심으로 100명의 인력을 선발해 우선적으로 시행하기로 했습니다.
• 보직자를 대상으로 하는 이유는 업무 경험이 많고 시야가 넓어 아이템 발굴에 유리하고,
• 거꾸로 보직자의 AI 이해도가 낮을 경우 실무자의 노력을 꺾어버릴 수 있기 때문입니다.
  
  
  
• 총 4개의 track으로, 각기 AI 활용, AI 개발, Special Session, 연구자 교류회을 중심으로 진행될 예정입니다.
  
  
  
• 교육의 시작은 이틀 전인 4월 27일, ‘젯슨맘’ 장성숙 앰버서더께서 열어주셨습니다.
• 57세에 코딩을 시작해 코딩파티로 환갑잔치를 대신하고 이후 엔비디아 앰버서더에 오른 인물입니다.
  
  
• 40도 되지 않은 젊은 박사들이 새로운 걸 배울 나이는 지났다고 말하는 경우를 종종 보았습니다.
• 이런 분들께 자극을 드리고자 하는 목적이 담긴 의도적인 배치였으며,
• 기대 이상으로 열정이 넘치는 강연을 선사해 주셨습니다.

2. Claude Code 교육

2.1. 강의

26.04.29. 황민호 강의자료 다운로드
26.04.29. 황민호 강연 다시보기: YouTube
KIST 물순환자원연구단 김후 박사 정리 강의록
github:hoohugokim, scribe-md

• 이 중 두 번째 track, vibe coding intensive course는 클로드 코드를 중심으로 구성했습니다.
• 교육을 계획한 2026년 3월 시점에서 vibe coding의 주류를 형성하고 있고,
• Google Antigravity와 cursor 같은 좋은 도구들도 있지만 가장 강력한 기본 도구라고 판단했기 때문입니다.
  
  
• 교육을 위해 임직원 100명에게 Claude 유료 계정 가입을 지원했습니다.
  
  
  
  
• 첫 시간은 카카오 FDE 황민호 수석의 클로드 기초 강의로 진행됐습니다.
• 충실한 강의자료를 준비해 오셨음에도,
• 현장에서의 니즈를 반영하여 즉석에서 논문 분석을 중심으로 한 실습강의로 전환해 주신 연사의 관록이 돋보였습니다.
  
  
• 물자원순환연구단 김후 박사님께서는 강의 후 자작 프로그램을 이용해 실제 진행된 강의내용을 정리, AI Frenz에 배포해 주셨으며,
• 해당 자료를 KIST 게시판과 본 블로그 등을 통해 배포할 수 있도록 허락해주셨습니다. (다운로드
  )
  

2.2. 현장지원

• 100명이 넘는 분들을 대상으로 한 강의는 KIST로서도 도전이었습니다.
• 강연장에 wifi가 설치되어 있지만 사이버보안팀에서 전날 강연장에 유선랜을 추가로 포설해주셨고,
• 교육을 담당하는 가치혁신팀에서는 USB-LAN 젠터를 긴급공수했습니다.
• 덕택에 안정적인 인터넷 연결을 바탕으로 강의가 진행될 수 있었습니다.

• AIX전략실원들은 진행보조를 담당했습니다.
• 전날과 당일 강의장의 멀티탭 설치부터 2주 전 Claude Code 설치방법 게시판 공지 뿐 아니라,
• 숱한 경우의 설치 오류를 비롯해 터미널 창과 CLI가 낯선 분들께 강의 내내 기술 지원을 실시했습니다.

• 식별하기 좋도록 단체티를 입고 움직였는데,
• 클로드 마스코트가 인쇄된 이 티셔츠는 허예찬님이 협찬해 주셨습니다.

3. 후기

• 긍정적인 말씀을 전해주신 참석자 분들이 적지 않아서 다행이라는 생각이 들었습니다.
• 한편으로 앞으로 vibe coding 기준 한달 반,
• 전체 교육일정 기준 6개월을 이어가야 할 일정이라 긴장하게 됩니다.
• 실원들, 유관부서와 함께 잘 만들어 보겠습니다.
  
  
• 저희 움직임이 대한민국 출연연에 좋은 자극제가 되기를 바랍니다.

1. 코딩의 목적

Pega Devlog: GPT로 PPT용 icon pack 만들기

• 바이브 코딩이건 전통적 코딩이건 목적이 필요합니다.
• 무엇을 왜 만들겠다는 이유 없이는 어떤 강의와 기술도 무의미합니다.
  
  
• 제가 맡은 업무 중 발표자료 작성이 적지 않습니다.
• 발표자료를 만들다 보면 클립아트 검색에 시간이 많이 듭니다.
• 생성 AI가 나온 이후 그때그때 만들어 사용하고 있습니다만 이것도 귀찮아졌습니다.
• 한참 자료를 만들다 말고 필요한 걸 만들다 보면 기존 아이콘들과 달라지기 때문입니다.
  
  
• 그래서 작년 3월, PPT용 icon pack 만들기라는 글을 올렸습니다.
• 당시 200개 가량의 아이콘을 만들고 잘 활용해 왔으나,
• 이직과 함께 노트북을 반납할 때 백업을 잊었습니다.
• 심지어 GPT Team 요금제를 해지하면서 GPTs에 대한 접근성을 잃었습니다.
  
  
• 이렇게 된 김에 새로 만들기로 했습니다.
• 하는 김에 생성과 클립아트 재단이 별도로 있던 기존의 흐름을 하나로 합치기로 했습니다.
• 바이브 코딩 플랫폼으로는 Google AI Studio를 사용하기로 했습니다.
• 별도로 설치할 것도 없고, 회원 가입, 카드 등록, 프롬프트 입력만 하면 되거든요.
  
  
• 결과적으로 어제 881개의 클립아트를 만들었습니다.
• 지금부터 그 과정을 풀어보겠습니다.

2. Google AI Studio

Google AI Studio

2.1. Google AI Studio 소개

• Google AI Studio는 Gemini를 도구로 사용하는 코딩 플랫폼으로 이해하시면 좋겠습니다.
• Gemini에서보다 더 세부적인 할 수 있고, 앱으로도 만들 수 있습니다.
• 구글 계정이 있다면 별도의 가입절차 없이 시작할 수 있습니다.
• Lovable을 비롯해 앱을 쉽게 만들게 해주는 여러 도구들이 있습니다만, 구글이라는 거인이 만든 길을 소개하고자 합니다.
• Gemini에서 직접 사용할 수 있는 Opal은 아직 조금 더 성숙하기를 기다려야 할 듯 싶습니다.
  
  

• 접속하면 세 개의 버튼이 주어집니다.
• Build AI apps : AI 앱을 만드는 모드입니다.
• Chat with models : 세부 설정을 조정할 수 있는 Gemini 모드입니다.
• Monitor API usage : 앱이 사용한 비용을 볼 수 있습니다.
  
  
• 여기서는 Build AI apps로 들어가겠습니다.
• 키워드를 입력하면 여러 개의 클립아트를 동시에 생성해주는 앱을 만드는 것 이 목적이기 때문입니다.

2.2. 사용요금 납부처 - API Key 생성

• 서버와 AI를 구글에게서 빌리는 만큼 사용료를 지불해야 합니다.
• 매달 일정액을 내는 것이 아니라 사용한 만큼 내는 종량제입니다.
• 그러자면 사용량을 체크할 수 있는 방법과 결제방법을 등록해야 하는데,
• 사용 허가 겸 사용량 체크를 위한 계정번호를 API Key로 이해하면 쉽습니다.
  
  

• 왼쪽 메뉴를 누르면 하단에 Get API Key가 있습니다.
• API Key를 발급받기 위해 눌러봅니다.
  
  

• 기본 API Key가 하나 만들어져 있습니다.

• 오른쪽에 무료 등급이라는 말이 있습니다.

• 이것으로는 Google AI Studio를 사용할 수 없으니 유료 등급으로 만듭시다.
  
  

• 절차는 간단합니다.

• 프로젝트 이름을 누르고 휴대전화 인증 등으로 본인 계정임을 확인한 후,

• 해외 결제가 되는 신용카드를 하나 등록하면 끝입니다.
  
  

• 그러면 이렇게 결재 활성화가 됩니다.
• 무료 체험이라고 적혀 있는 이유는 가입 선물을 사용하는 기간이기 때문입니다.
• 스타트를 끊을 때 300달러, 요즘 환율로 약 45만원 가까운 크레딧을 줍니다.
• 입문자에게 적지 않은 금액이라 한동안 마음껏 사용할 수 있습니다.

2.3. Google AI Studio 사용

Google AI Studio: Pricing

• 돌아와서 AI 앱을 만들기 전에, 익숙해지는 차원에서 Gemini와 같은 모드를 사용해 봅시다.
  
  

• Chat with models를 클릭해도 되지만,

• 그 아래 있는 Explore Nano Banana Pro를 눌러봅니다.
  
  

• Gemini에서 그림을 그릴 때 빠른 모드를 쓰면 Nano Banana가,

• 사고 모드를 쓰면 한층 좋은 Nano Banana Pro가 실행됩니다.

• 프롬프트 전달력이 훨씬 좋고 결과물의 해상도 또한 더 높습니다. 한글도 덜 깨집니다.
  
  

• 그림을 그리기 위한 차이 열립니다.
• 하지만 아직 동작하지 않습니다.
• 화면 가운데 있는 Link API Key를 눌러 API Key를 선택해야 합니다.
• 목적에 따라 여러 개의 API Key를 가질 수 있기 때문에, 이 중 어디에 요금을 청구할지를 묻는 셈입니다.
  
  

• 지금은 Key가 하나뿐이라 아까 만든 키가 자동으로 선택됩니다.
• Select Key를 눌러서 API Key를입력하고 Run Ctrl ↵를 클릭해 프롬프트를 전송합니다.
• Ctrl과 Enter Key를 함께 눌러도 됩니다.
• 프롬프트는 Generate an mage of a banana wearing a costume입니다.
  
  

• 프롬프트에 충실한 그림이 나왔습니다.
• 상단에 이 작업에 소요된 토큰량이 1,426 tokens로 표시되어 있습니다.
• 약 $0.14로, 2백원 가량 됩니다. 자세한 사항은 요금표를 참고하시기 바랍니다.
• 본인 작업이 얼마쯤 드는지 감을 가지고 있어야 낭패를 보지 않습니다.

2.4. 앱 만들기

BananaX

• 아까 화면으로 돌아가 Build AI Apps를 눌러 앱 개발 모드로 들어갑니다.
• 앱을 개발할 때 중요한 것은 본인의 구상을 구체화하는 것입니다.
  
  
• 앞서 이야기했듯 저는 키워드만 넣으면 클립아트를 자동으로 만드는 앱이 필요합니다.
• 입력은 키워드, 출력은 클립아트입니다.
  
  
• 그런데 조금만 더 자세하게 생각해 봅니다.
• 재현성 있는 그림을 만들어 줄 프롬프트가 필요합니다.
• 기본값이 들어가 있어야 하고 수정할 수도 있어야 합니다.
• furoku의 나노바나나 프롬프트 모음집에서 하나를 가져와 일부 수정합니다.
  
  
• 한번에 여러 개의 클립아트를 만드는 게 좋으니 5 x 5 배열로 만듭니다.
• 그러면 배경에서 클립아트를 분리할 수 있어야 합니다.
• 바탕색으로 회색을 놓고 클립아트별 배경색으로 흰색을 사용해 구분하기로 했습니다.
• 전체 그림과 함께 이렇게 잘려진 그림들을 확인하고 내려받는 프로그램을 만듭니다.

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
45
46
47
48
49
50
51

1. 화면 구성

1.1. 키워드 입력
- 클립아트로 만들고자 하는 키워드 입력

1.2. 스타일 참고용 이미지 업로드 (선택사항)
- Nano Banana Pro가 이미지를 만들 때 스타일을 참고할 수 있는 이미지 업로드

1.3. 프롬프트 수정하기 (선택사항)
- 평소에는 접혀있으나 확장해서 프롬프트를 보고 수정하여 적용할 수 있음.
- 기본 프롬프트는 아래 <기본 프롬프트>에 제공됨

1.4. 그림 생성하기 버튼
- 이 버튼을 누르면 1.3.의 <기본 프롬프트>의 {keyword}에 1.1.에서 입력한 키워드를 입력하고,
- 1.3.에서 프롬프트가 수정되었다면 수정된 프롬프트를 반영하여 Nano Banana Pro를 구동하여 이미지 생성.

1.4.1. 생성된 그림을 보여주는 공간
- 1.4.에서 생성된 그림을 여기에 표시

1.4.2. 생성된 그림이 클립아트 단위로 잘린 것을 보여주는 공간.
- 1.4.1.에서 생성된 그림에서 클립아트만 잘라내어 격자로 배열하여 한 눈에 보여줌.
- 클립아트는 배경색(#AAAAAA, Light Gray)과 구분되는 flat solid white square로 둘러싸인 5 by 5 array를 의미함.
- 배경색과 flat solid white square의 edge를 탐지하여 이를 기준으로 생성된 그림을 자르고, flat solid white square 부분만 남김.

<기본 프롬프트>
'''
Evenly allocated regular 5 by 5 array of cliparts on {keyword}. 
Each clipart should be about {keyword} but various designs. 
The design of the cliparts should be typical to be easily recognized without text.
No title.
Each clipart has to be placed on flat solid white square.
Aspect ratio: "1:1"

###
Overall Design Settings:
  Tone: "Friendly, Professional, Safe, Soft, Playful, Touchable."
  Visual Identity:
    Background Color: "#AAAAAA (Light Gray)"
    Text Color: "#FFB7B2 (Pastel Red)"
    Accent Color: "#B5EAD7 (Pastel Mint), #E2F0CB (Pastel Green), #FFFFFF (White)"
    Image Style:
      Features: "Clay-like 3D UI elements using Soft lighting and Pastel colors."
      Shape: "Capsule shape, Inflated rectangle, Sphere, Floating card."
      Imagery: "3D rendered Simple objects, Floating icons."
      Effects: "Inner Shadow with little depth (Clay effect), No Outer Shadow, Matte finish."
      Composition: "Centered, Ample White space, Layout with Floating feel."
  Typography:
    Heading: "Nunito, Quicksand, or Rounded Sans-serif."
    Style: "Soft tips (Round terminal), Approachable."
###
'''

• 스타일을 바꿀 때는 ###로 둘러싸인 부분만 수정하면 될 것입니다.
  
  

• 입력창 아래 Supercharge your apps with AI에서 활용할 도구들을 명시적으로 선택합니다.
• Generate images with Nano Banana Pro와 Gemini intelligence in your app을 선택합니다.
• 동영상 제작이나 음성입력, 논리추론 같은 기능은 그다지 필요하지 않습니다.
  
  

• 이제 AI Studio에서 앱을 만들기 시작합니다.
• 컵라면이 익을 시간이면 앱 하나가 뚝딱 만들어져 있습니다.
• 오류를 내고 정지하기도 합니다.
• 그럴 땐 차분하게 Auto-fix를 누르면 스스로 고칩니다.
  
  

• 짜잔. 앱이 나왔습니다.
• PPT 같은 걸로 대충 레이아웃을 짜서 넣어주면 창의 위치와 크기를 조절할 수도 있습니다.
• 의도대로 키워드 넣고, 예제 이미지 넣고 (이것도 어제 나노바나나가 만든 겁니다), Generate Clipart를 누르면 Source Output에 생성 이미지가, Extrcted Clipart에 잘린 클립아트들이 나열됩니다.

2.5. 앱 수정하기

• 그런데 이렇게 만들어놓고 보면 어딘가 빈 구석이 있습니다.
  
  

• 클립아트를 대강 잘라놨습니다.
• 전체적으로 25개 중 가운데 그림만 멀쩡하고 나머지가 다 저런 식입니다.
• 프롬프트를 추가로 입력해서 수정해야 합니다.
  
  

• 원하는 사항을 명확하게 입력합니다.
• 테스트를 하면서 인내심을 가지고 여러번 지시해야 할 수 있습니다.
• 코딩은 잘 하는데 아직 우리 회사랑 말이 덜 통하는 신입직원이라고 생각하면 편합니다.
  
  

• 그러다 보면 어느새 고쳐져 있습니다.
• 그렇다고 마음을 놓으면 안 됩니다.
• 오류나 올바른 결과가 확률적으로 나타날 수도 있기 때문에 여러 번 테스트를 해야 합니다.
• 화면에 보이는 결과에서부터 파일명 형식까지, 제대로 움직이는지 확인합니다.

2.6. 앱 공유하기

• Google AI Studio에서 만든 앱은 여러 방식으로 공유할 수 있습니다.
  
  

• 소스 코드를 공유해서 로컬에서 실행할 수도 있고,
• github에 올릴 수도 있습니다.
• Web App으로 만들어 공유할 수도 있으며
• 이 프로젝트 전체를 공유할 수도 있습니다.
• 단, 회사에 따라 보안 규정에 의해 앱 배포가 막혀있을 수 있습니다.
• 적절한 방법을 선택해서 진행하시기를 바랍니다.
  
  
• 방법이 무엇이건간에 이렇게 만든 앱은 사용하면 돈이 나갑니다.
• 클립아트를 900개쯤 만들었더니 2만원이 나가더군요.
• 불특정 다수에게 뿌려지면 겉잡을 수 없는 사태가 될 수도 있습니다.
• 책임질 수 있는 범위, 감당할 수 있는 범위에서 배포하시길 바랍니다.

2.7. 결과파일 관리하기

• 자동화는 대량의 결과물을 야기합니다.
• 이런 앱으로 만들어진 클립아트들을 어떻게 관리할지 애초에 생각을 해 보는 편이 좋습니다.
• 저는 Google Drive에 디렉토리를 하나 만들고 Google Drive for Windows로 연결해 두었습니다.
• 어디서 작업을 하건간에 가져다 쓰기 좋게, 그리고 동료와 작업할 때 공유하기 좋게 하기 위해서입니다.
  
  

• 그리고 이런 작업을 GPT OpenAI Image Generator로 했을 때에 비해, Google Nano Banana Pro는 조금 더 널뛰는 경향이 있습니다.
• 예를 들어 데이터베이스를 그리라고 했는데 다소 관련이 없어보이는 그림을 함께 그리는 식입니다.
• 데이터베이스, 인공지능, 에이전트 이렇게 세 종류의 클립아트를 그리기를 원한다면,
• 이 세 키워드에서 만들어지는 클립아트들이 서로, 그리고 다른 방향으로 여럿 섞여 있을 확률이 높습니다.
• 한 번에 다양한 주제를 동시에 만들어 결과물을 보면서 다시 분류하는 것이 좋습니다.

1. NotebookLM 폴더, foldLM

github: foldLM

• 이제 NotebookLM이 무엇인지는 설명할 필요가 없을 것 같습니다.
• 논문과 보고서, 유튜브 링크를 올리고 이를 토대로 정보를 뽑아낼 수 있습니다.
• 전 무엇보다 이 내용이 어디 있더라 할 필요가 없다는 점이 제일 좋습니다.

• 다만 폴더 단위로 체계적으로 정리가 안 된다는 단점이 있었는데,
• 최근 foldLM이 출시되어 가능해졌습니다.
• 위 링크를 타고 가서 레포를 다운받고,
• chrome이나 edge같은 chrome 호환 브라우저에서 폴더째로 import를 하면 됩니다.

• 그러면 아래 그림처럼 Create new folder 버튼이 생기는데,

• 이걸 누르면 폴더가 만들어지고
• 여기에 다른 노트북들을 드래그해서 넣을 수 있습니다.
• 저는 우선 여기저기 섞여 있는 AI 관련 노트북들을 모았습니다.

• 폴더 아이콘이 마음에 들지 않는다면,
• 오른쪽 위 점 3개 버튼을 클릭해서 바꿀 수 있습니다.
• 다양한 이모지를 지원합니다.

2. NotebookLM 에서 infographic 조금 예쁘게 만들기

2.1. Nanobanana 프롬프트 모음

Hiroki Kai: bananaX infographic evaluation

• 많은 분들이 그렇지만 이공계 중에 이미지 생성 프롬프팅을 어려워하는 분들이 많습니다.
• 평소 묘사가 많은 소설책을 읽거나 그림을 보거나 그리는 경험이 적기 때문일 것 같습니다.
• 이런 분들께 프롬프트 템플릿이 큰 도움이 되는 경우가 많은데,
• 최근 어떤 분께서 나노바나나 프롬프트 템플릿을 대량으로 공개했습니다.

• 다양한 스타일의 그림을 훑어보다가 마음에 드는 것을 클릭합니다.
• 사람들이 매겨놓은 점수와 함께 프롬프트가 복사해서 붙여넣기 좋게 되어 있습니다.

• 톤, 글씨체, 색 등 이미지의 구성요소별로 구성되어 있습니다.
• 중요한 특징이 있는데, 내용과 구도에 대한 정보가 없다는 겁니다.
• 이대로 넣으면 나노바나나에게 맡기게 되지만,
• 어떤 내용과 구도를 넣어도 충돌하지 않는다는 의미가 됩니다.

2.2. 인포그래픽 만들기

• 프롬프트를 들고 NotebookLM으로 와서,
• 우측 상단 Infographic 옆에 있는 연필을 클릭합니다.
• 프롬프트 입력 버튼입니다.
  
  
• 복사한 프롬프트를 붙여넣고 앞에 담고 싶은 내용을 간략히 적습니다.
• 저는 AI Agents for Scientific Research의 발전을 담고 싶었고,
• 특히 시간에 따라 진화하는 기능과 실험연구 사례를 담기를 원했습니다.
• 그래서 다음과 같이 입력했습니다.

Development of AI Agents for Scientific Research, as a fuction of time.
* focus on the evolution of functions and capacities.
* emphasize the examples of experimental research (if possible)

• 조금 기다리면 깔끔한 그림이 나옵니다.
• English를 선택해 영어로 만들었습니다.
• 한국어로 설정하면 한글이 나오기는 하지만 잘 깨지기 때문입니다.

2.3. Gemini 한글 번역

Google: Nanobanana Pro 사용법

• 그림 원본을 내려받고 Gemini를 켭니다.
• 이미지 생성과 사고 모드(Thinking)를 선택합니다.
• Nanobanana (Gemini 2.5 Flash Image)가 아니라
• Nanobanana Pro (Gemini 3.0 Pro Image)를 사용하는 설정입니다.
  
  
• 전문용어까지 번역하기는 원치 않습니다.
• NotebookLM이 만들어 준 이미지를 올리고 다음 프롬프트를 넣습니다.
  Translate English scripts to Korean.
Keep in your mind that the Jargons should be kept. Do not try to explain in easy words.
All other features should be kept.

• 잠시 후, 나노바나나 프로가 그림을 번역해 줍니다.
• Gemini 화면에서는 일부 글자가 깨져보일 수 있습니다.
• 원본을 내려받으면 글자가 깔끔하게 보입니다.

2.4. Google AI Studio 한글 번역

• Nanobanana Pro는 Google AI Studio에서 사용할 수도 있습니다.
• Google API Key를 발급받아 넣고 약간의 비용을 들여야 하는데,
• 이번 그림의 경우 259 token. 약 5원 정도로 산정되었으니 무료나 마찬가지입니다.

• 그런데 결과는 실망스럽습니다.
• Gemini에서 호출한 Nanobanana Pro와 뭐가 다른지 잘 모르겠지만 결과가 영 좋지 않네요.
• 한글이 일부 깨진 곳도 있을 뿐 아니라
• 왼쪽 상단은 내용이 바뀌었습니다 - 일종의 환각이라고 볼 수 있을 것 같습니다.

• Temperature를 1로 설정해서 그런가 싶기도 했지만,
• Temperature를 0으로 설정했을 때도 번역을 하다 말고 영문 철자를 바꿔놓았습니다.
• 종종 테스트를 해 보겠지만, 한동안 이런 작업은 Gemini에서 해야겠습니다.

1. 신년그림

• 해마다 새해를 상징하는 동물을 그립니다.
• 처음에는 종이에 샤프로, 나중에는 스마트폰에 S펜으로, 지금은 AI로 그립니다.
• 60갑자에는 동물 뿐 아니라 오방색 중 하나가 붙기 때문에 좋은 소재가 됩니다.
  
  
• 공개를 하기도 하고 하지 않기도 합니다만,
• 모든 그림엔 새해의 고민과 결심이 녹아있습니다.
  
  
• 2010년 하품을 하는 호랑이는 프로젝트의 시작을 의미하는 기지개였습니다.
• 2014년 푸른 말은 잘 보이지도 않습니다.
• 한 선비를 태우고 왼쪽 절벽 위에서 뛰어넘을까 말까 고민하고 있는데,
• 전공을 버리고 플래시로 갈아타야 하는 고민이 담겨 있습니다.
  
  
• 멍때리고 있는 2015년의 양 뒤 배경은 일출이 펼쳐지는 하늘입니다.
• 큰 결심을 하고 전공을 바꿨는데 3D 시각화로 또 바꾸라고 해서 허탈해하는 모습입니다.
• 배경에 아무것도 없는 것은 산 꼭대기에 올라 있기 때문입니다.
• 낯선 분야에서 나름의 성과를 내고 조금은 인정받던 저를 칭찬해주고 싶었습니다.

• 심각한 이야기만 담는 건 아닙니다.
  
  
• 2020년 소 머리 위에 탄 쥐는 전래동화 속 한 장면입니다.
• 2023년 검은 토끼는 2022년의 호랑이와 함께 있습니다.
• 호랑이가 토끼를 데려왔다는 설정입니다.
  
  
• 모든 해를 그리지는 못했습니다.
• 아이가 태어나 휴일에도 육아에 정신이 없던 때도 있었고,
• 일정이 꼬이거나 해서 그림을 그릴 짬을 내지 못한 때도 있었습니다.
  
  
• 손으로 그릴 때는 색을 넣기 어려웠습니다.
• 명절에 잠시 짬을 내서 그려서 시간과 공간의 제약이 컸기 때문입니다.
• 스마트폰 앱으로 그리면서 색을 넣을 수 있게 되었고
• AI로 그리면서 시간이 줄었습니다. 복잡한 그림들이 등장합니다.
  
  
• 하지만, 누구나 AI로 그림을 그릴 수 있게 되었습니다.
• 여러 단톡방에 AI로 그린 새해 인사가 많아졌습니다. 이벤트도 합니다.
• 거의 비슷한 그림들입니다. 재미가 없습니다.
• 원래도 그랬지만 조금 더 다르게 그림을 그리고 싶어졌습니다.
• 그렇지 않으면 그리나 마나입니다. 내 그림이 있으나 없으나 티가 안 납니다.

• 2025년도의 푸른 뱀을 그린 프롬프트는 이렇습니다.
  Abstractive illustration of a blue snake jumping over between tree branches. The snake is stretching its body from coiling. Behind the snake wide clear and blue sky is seen. Motion blur. Bottom view, lens flare
  
  
• 단톡방이 또아리를 틀고 있거나 정면을 보고 웃고 있는 뱀으로 가득찰 것이 예상됐습니다.
• 소망을 담아 독특한 그림을 그리고 싶었습니다.
• jumping over between tree branches라는 문구에 담긴 소망은 이직입니다.
• 첫 결과를 다듬다 보니 분명 뱀인데 용처럼 생긴 뱀이 나왔습니다. 마음에 들었습니다.
• 한 해 동안 제 노트북 잠금화면이 되어 준 그림이고, 소망대로 이직을 했습니다.
  
  
• 사실 2013년의 검은 뱀도 곁눈질을 하고 있습니다.
• 교수를 꿈꾸다 회사에 들어갔을 때라, 같은 마음으로 담은 그림입니다.

2. 2026년 병오년

• 2026년의 붉은 말도 마찬가지입니다.
• 사람들이 어떤 그림을 그릴지 예상을 해봤습니다.
• 달리는 말, 적토마, 귀여운 말, 세배하는 말이 떠오릅니다.
  
  
• 이 모든 것들을 후보에서 배제하고 다른 그림을 떠올립니다.
• 2026년은 제게 새 직장에서 새로운 시작을 하는 해입니다.
• 운명의 수레바퀴라는 단어가 떠올랐습니다.
  
  
• 말의 붉은 색은 불꽃으로 표현하기로 했습니다.
• 더 성장해보겠다고 나름 자리를 잡았다고 느낀 전 직장을 나왔습니다.
• 새 직장에서 전 직장보다 잘 될지는 몰라도 고생은 확정입니다.
• 좋은 선택이기를 바라며 불길 속에서 새로 태어난다는 불사조 이야기를 입혀봤습니다.
• 한 해를 불태운다는 의미와도 잘 맞는다는 생각이 듭니다.
  
  
• 그렇다면 작년, 재작년은 어땠을까. 라는 생각이 들었습니다.
• 다른 이들에게 어떻게 보였을지 모르겠지만 저는 열심히 살았습니다.
• 성취하지 못한 일들이 적지 않지만 제 능력의 부족이지 노력의 부족은 아닌 것 같습니다.
• 해가 바뀌었으니 지금 타기보다 다 타고 꺼진 불로 표현하고 싶었습니다.
  
  
• 시간이 지나면서 회복이 되겠지만, 몇 해는 지나야 되는 듯 합니다.
• 앞에 있는 뱀, 용, 호랑이 정도까지 그을음이 묻은 장면이 떠오릅니다.
• 멀리 있을수록 회복이 되었을 것이고, 작년도 데미지는 아직 덜 나았습니다.
• 실제로 병원 신세를 많이 졌던 한 해입니다.
  
  
• 이쯤 되니 한 장면이 어느 정도 완성되어 나노바나나에 프롬프트를 입력했습니다.
  photography of a thick round wooden round plate fixed on old stone wall. along the perimeter of the plate, abstracted symbols of 12 animals {mouse, cow, tiger, rabbit, chinese dragon, snake, horse, sheep, monkey, chicken, dog, swine} made of bronze are allocated in clockwise direction, starting from the top. The symbol of horse is surrounded by vivid flame, therefore the wood very top of the symbol and the nearby region is burnt to black. The symbols and wooden plates around the symbols of the snake, dragon and rabbit are also slightly burnt as if just extinguished, more severe as close to the horse. 1:1 aspect ratio

• 올 한 해도 잘 지내보겠습니다.
• 후회 없이 불태우려고 합니다.
• 새해 원하시는 일들 모두 이루시기 바랍니다.

1. 정리자료

• 정리자료를 공유드립니다: [다운로드]

2. AI for Science 기술

AI4Research: A Survey of Artificial Intelligence for Scientific Research

• 이제까지 출판된 950편의 논문을 리뷰한 논문을 비롯해

• VASP, MOF 등 특정 기술에 대한 논문을 찾아보았습니다.

• 수많은 논문들이 다섯 개의 카테고리로 나뉘어 자세하게 설명된 좋은 논문입니다만 120 페이지로 많이 두껍습니다.

• NotebookLM에서는 읽을 수 있지만 scispace에서는 제대로 읽지 못할 정도입니다.

• 게다가 참고자료들이 논문에 대개 한 줄로 간략하게 소개되어 있기 때문에 특장점을 잘 알아보기 어렵습니다.

3. 도메인 특화 기술

GPTs: 논문봇

• 제가 관심있는 도메인 특화 기술들을 중심으로 원문을 내려받아 훑어보았습니다.
• 정독을 하면 좋았겠지만 저 또한 시간의 제약으로 그러지는 못했습니다.
• 논문봇과 scispace, NotebookLM를 이용해 훑었습니다.
• 논문봇에 넣는 것만으로도 웬만한 답변이 나오지만, 추가질의가 더 중요합니다.

• 대다수의 논문들이 GPT나 DeepSeek 같은 LLM에 의존하고 있습니다.
• 자연어 활용 인터페이스와 창발 현상을 이용하고자 하니 당연한 일입니다.
• 하지만 한편으로 이런 경우 LLM의 성능에 에이전트의 성능이 크게 좌우됩니다.

Context Window & Model Size

arXiv: Memorizing Transformers (2022)
arXiv: Gemma3 Technical Report (2025)
arXiv: Qwen2.5-1M Technical Report (2025)
npj Computational Materials: Fine-tuning large language models for domain adaptation: exploration of training strategies, scaling, model merging and synergistic capabilities (2025)
arXiv: SWE-bench: Can Language Models Resolve Real-World GitHub Issues?
arXiv: Vending-Bench: A Benchmark for Long-Term Coherence of Autonomous Agents
arXiv: Small Language Models are the Fugure of Agentic AI

• 복잡한 R&D 작업은 여러 단계를 거치는 추론과 계획을 필요로 합니다.

• 컨텍스트 윈도우가 크면 에이전트가 이전 추론 단계, 도구 사용 결과, 환경 관찰 등을 종합적으로 고려하여 다음 행동을 결정하는 데 도움이 됩니다.

• 특히 고급 추론에는 큰 컨텍스트 윈도우가 필요합니다.

• 작은 규모의 sLM은 대개 컨텍스트 윈도우가 LLM에 비해 작습니다.

• 과거에는 Memorizing Transformers처럼 아키텍쳐를 변경해 262K까지 크기를 키웠고,

• 최근에는 Gemma3 등이 128K까지, Qwen2.5-1M가 1M까지 지원하는 등 컨텍스트 윈도우를 키워가는 추세입니다.

• 추론 및 지식 회상 같은 창발 현상에 임계값이 필요하여 너무 작은 모델에서는 잘 구동이 되지 않는다는 연구가 많습니다.

• Lu(2025)의 연구에서 가장 좋은 효과를 보인 모델은 Llama-3.1 8B이며, MoE를 해도 효과가 없던 모델은 Smollm-Base-1.7B으로 두 모델의 context size는 모두 128K입니다.

• 모델 크기가 8B만 돼도 충분히 활용할 수 있다는 의미이기도 합니다.

• 한편으로, context size가 큰 모델은 입력이 길 때 정보를 효과적으로 활용하지 못하고 중간에서 길을 잃는(lost in the middle)현상이 보고되기도 합니다.

• 에이전트의 성능 저하가 반드시 컨텍스트 윈도우가 다 찼기 때문은 아닐 수 있으며, 장기 일관성(long-term coherence)이 더 근본적인 문제일 수 있음을 시사합니다.

• NVIDIA에서는 Small Language Models are the Future of Agentic AI라는 이름의 논문을 발표했습니다.
• 최근의 sLM 발전상을 반영한 논문이기 때문에 sLM의 성능 향상이 충실히 반영되어 있는데,
• sLM은 이전 세대의 대규모 모델과 유사 또는 이상의 성능을 보이며 상식 추론, 도구 호출, 코드 생성, 지시 이행 등 에이전트 작업에 필수적인 임무를 충실히 수행합니다.
• 운용 비용과 운영 유연성, 최근 여러 개의 하위 작업으로 구성된 멀티 에이전트 시스템을 운영하는 점을 고려하면 더욱 그렇습니다.

• 그러나 여전히 context size가 큰 LLM이 적합한 작업이 있음을 동시에 지적합니다.

  1. 복잡한 문제를 추상적으로 이해하여 하위 문제로 분해하는 작업
  2. 컨텍스트 유지가 필요한 다단계 추론, 아키텍처 추론 및 적응형 계획
  3. 비정형적 오류 해결
  4. 일반적 추론 및 개방형 도메인 대화 등입니다.

• 저자들은 개별 업무에 sLM을 적용하고 선택적으로 LLM을 호출하는 heterogeneous 에이전트 시스템을 제안하며

• 한편으로 LLM이 담당해주어야 할 장기적 일관성 능력을 향상해주기를 촉구하고 있습니다.

결론

• AI for Science, 또는 R&D AI Agent는 이제 시작입니다.
• 언어모델이 도구를 다룰 수 있게 된 것도 얼마 되지 않았고, 최근에서야 MCP와 A2A 등이 나와 팔다리 연결이 수월해지고 있습니다.
• 최신 발전을 따라가야겠지만,
• 종착지는 연구 본연의 목표여야 하겠습니다.
• 우리에게 중요한 것은 Agent가 아니라 R&D입니다.

1. 강연 영상과 강의자료

YouTube: AI프렌즈
Youtube: Agent가 바꾸는 R&D의 미래 워크샵

• 이번 행사는 출연연 네 곳과 기업 한 곳에서 발표를 했습니다.
• 순서대로 에너지연, KISTI, AI Factory, 철도연, 원자력연입니다.
• 제가 한 시간 가량 개념과 역사 등을 말씀드리고, 네 곳에서 각자의 노력과 성과를 선보였습니다.

1.1. 에너지연 이제현

• 강의자료 공유드립니다: [다운로드]

1.2. KISTI 장광선 박사

1.3. AI Factory 김태영 대표

1.4. 철도연 원종운 박사

1.5. 원자력연 유용균 박사

2. R&D, AI, 그리고 Agent

• 젠슨 황으로 인해 Agentic AI, Physical AI가 유명해졌습니다.

• 그러나 이런 일에는 부작용이 반드시 따르는데,

• 아무데나 agent를 붙이는 agent washing이 그 중 하나,

• 그리고 agent에만 주목하다 보니 정작 중요한 AI, data는 소홀해지는 현상이 하나입니다.

• 첫 발표를 맡아 전반적으로 올바른 개념을 전달드려야겠다는 생각을 했습니다.

• 그리고 Agent, R&D, 그리고 R&D AI agent 순서로 구성을 했습니다.

2.1. AI Agent

• AI agent를 다루기 전에 agent에 대한 개념을 명확히 합니다.

• agent는 행동한다는 뜻의 라틴어 agere에서 파생된 말로, 대리인을 의미합니다.

• 뿌리가 같은 말로 의제를 뜻하는 agenda가 있습니다.

• 인간사회는 문명화와 동시에 관료제를 채택했습니다.

• 한 사람이 모든 것을 다 하는 것이 아니라 전문 영역을 나누어 담당하고 책임지는 구조입니다.

• 여기서 일을 지시하는 사람(principal)과 수행하는 사람(agent)간의 관계가 생깁니다.

• principal-agent relationship이라고 하며 보통 주인-대리인 관계로 번역됩니다.

• agent는 자기 밑에 다른 agent를 둡니다. sub-agent라고 합니다.

• 현대 사회에서는 직업을 가진 이라면 누구나 agent입니다.

• 스스로의 욕망을 위해 행동하기보다 계약 관계에 있는 타인을 위해 종사하고 보수를 받습니다.

• agent는 전문성을 가지고, 필요한 도구를 이용해, 자율적으로 움직입니다.

• 시간이 허락한다면 이 구조에서 발생하는 여러 문제도 다루고 싶었지만 생략했습니다.

• principal-agent problem(주인-대리인 문제) 라고 하며

• agent가 principal의 이익을 충분히 대변하지 않고,

• 정보 비대칭, 감시의 한계 속에서 자신의 이익을 추구함으로써 발생하는 제반 문제입니다.

• 주주와 전문경영인, 국민과 국회의원, 고용주와 직원 등 곳곳에서 생기는 많은 문제의 근원입니다.

• 연구원들은 자각하지 못하겠지만 연구기관과 개별 연구원 모두 agent입니다.
• 그것도 여럿이 모여 함께 일하는 multi-agent입니다.

2.2. R&D Agent + AI

• 인간 agent가 할 수 없는 일을 할 수 있는 AI agent가 있다면,
• 인간 agent가 할 수 있는 일을 더 저렴하고 빠르게 할 수 있는 AI agent가 있다면,
• AI agent가 인간 agent를 대체하거나 인간 agent와 협업하는 것은 매우 자연스러운 일입니다.

• 다른 일들이 그렇듯 연구는 쉬운 일이 아닙니다.
• 우리 인간 R&D Agent는 유사 이래 다양한 도구들을 활용하며 더 나은 환경을 만들어 왔습니다.
• 최근에는 인간이기에 해결하기 어려운 문제를 해결하고자 AI Agent에게 도움을 청하기 시작했습니다.

• 연구 재현성 문제가 그 중 하나,
• 연구 데이터 수집 문제가 또 하나입니다.
• 이 중 연구 데이터 수집은 좋은 의도가 부족한 생각과 만나 잘못된 결론에 이르는 예입니다.
• 연구 데이터는 수집과 재현이 용이한 관측 데이터가 있는 한편,
• 수집도 어렵고 재현도 잘 되지 않는 실험 데이터가 있습니다.

• 관측 데이터는 여기저기서 한데 모으면 힘이 강해지지만
• 실험 데이터는 엄밀하게는 모두 다른 데이터라 한데 모으면 서로에게 노이즈로 작용합니다.
• 엄격하게 관리되는 대기업의 생산라인 데이터도 그렇습니다.
• 훨씬 적은 연구비로 자체제작을 곁들여 만든 연구원의 데이터는 말할 것도 없습니다.

• 연구자들에게 연구 노트를 더 열심히 쓰게 해서 모은다는 것은 어불성설입니다.
• 가장 오염되기 쉽고 디지털화하기 어려운 것이 연구 노트입니다.
• 실험을 하고 기록하는 것이 아니라 기록한 대로 실험이 되는 시스템을 먼저 만들어야 합니다.
• 이렇게 수집되지 않은 데이터는 신뢰할 수 없습니다.

2.3. R&D AI Agent

• 최근 LLM의 놀라운 발전으로 많은 벽을 넘었습니다.
• 글 뿐 아니라 그림과 표를 함께 읽어 지식을 획득할 수 있게 되었습니다.
• 추론 능력이 강해져서 가설을 세울 수 있고, 논문 작성과 리뷰도 맡깁니다.
• 언어능력이 발전하면서 신세계가 열렸습니다.

• 그러나 언어 기능이 필수는 아닙니다.
• R&D에는 말로 하는 일보다 숫자로 하는 일이 훨씬 많습니다.
• 이런 일을 하는 파운데이션 모델이 많습니다.
• Meta의 SAM(Segment Anything Model)도 이런 부류입니다.
• 말은 한 마디도 못 하지만 실질적으로 연구에 큰 도움이 되는 모델입니다.

• R&D 프로세스는 매우 복잡 다단합니다.
• 다양한 곳에 다양한 모델이 필요하고, 꼭 언변이 좋을 필요는 없습니다.
• 묵묵히 자기 실험을 열심히 하는 연구원처럼, 맡은 일을 똑부러지게 하고 결과를 전달하면 됩니다.
• agent의 언어적, 사회적 의미를 생각해 보면 전혀 이상하지 않습니다.

3. 정리

• R&D AI Agent를 어떻게 만들까?를 고민하기 이전에,

• 내가 맡은 연구를 어떻게 잘 할 수 있을까를 고민하는 것이 맞습니다.

• R&D AI Agent의 본질은 연구이기 때문입니다.

• 그렇다면 관찰해야 할 것은 최신의 AI 기술이 아니라 내 연구에 필요한 기술과 자원입니다.

• 이들 중 데이터와 AI 기반으로 할 수 있는 일이 있다면, 데이터가 흐를 수 있는 길을 깔아주어야 합니다.

• 이를 data pipeline이라고 부릅니다.

• 필요한 데이터가 사람의 손을 거치지 않고 수집, 가공, 분석, 활용되어야 합니다.

• 데이터 파이프라인 없이 AI를 구현한다, 또는 AI Agent를 만드는 것은 불가능합니다.

• 강의자료는 여기에서 내려받으실 수 있습니다: [다운로드]

1. 인공 지능 시대

[Pega Devlog: 서울특별시 교육청 - ChatGPT와 인공지능시대]

• 3년 전에 서울교육청에서 드린 강의는 두 파트로 이루어져 있습니다.
• 전반 60분은 ChatGPT 사용법,
• 후반 30분은 인공 지능 시대 이야기입니다.

• 강의를 요청받은 내용은 ChatGPT 사용법까지였으나 60분으로 충분하기도 했고,

• 당시 주변 분들과 대화를 나누며 느낀 중요한 것은 우리가 어떤 시대를 살게 될 것인가였습니다.

• 철이 들어가던 30년 전, 소위 정보화시대로의 전환을 학생으로서 겪은 입장에서

• 교육을 담당하시는 분들께 이런 이야기를 들려드리는 것이 더 중요하다는 생각이 들었습니다.

• 감사하게도 많은 분들이 해당 강의를 좋게 보아주셨습니다.

• 그리고 3년 뒤 이번엔 진짜로 ChatGPT 이후 바뀐 우리 사회에 대한 강연을 할 기회를 받았습니다.

• 위 그림은 3년 전 발표자료의 일부입니다.

• 빨간머리 앤의 한 장면을 가져와서 어떤 일이 벌어질 지 모른다고 말씀을 드렸습니다.

• 진짜로 상상 밖의 일들이 벌어질 것으로 생각되어 드린 말씀입니다.

• 3년이 지난 지금, 어떤 일이 벌어지고 있는지는 말씀드릴 수 있게 되었습니다.

• 멋진 신세계가 일부 보이기도 하고, 한켠에서는 디스토피아도 동시에 보입니다.

• 제가 좋아하는 면을 다른 분이 싫어할 수도 있을 겁니다.

• 확실한 것은, 변화의 방향성이 어느 정도 보인다는 점입니다.

2. ChatGPT 이후 3년

• 일주일 시차를 두고 같은 강의를 두 번 드렸습니다.

• 서울교육청에서 장학사님 등 교육청에 근무하시는 분들께 90분간 한 번,

• 서울 모처에서 교육감님 등 연수를 받으러 오신 분들께 50분간 한 번입니다.

• 제목이 같고 청중이 거의 같지만,

• 강연 시간이 다르고 일주일 텀, 그리고 첫 강의 이후 스스로 아쉬운 점을 보완했습니다.

• 두 강의 자료를 합한 합본을 공유드립니다. (다운로드)

• 아래 영상은 7월 17일, 첫 번째 강연 영상입니다.

• 두 번째 강연은 녹화하지 않았으며, 첫 강연 시간이 길었기에 슬라이드 누락도 적습니다.

강연 영상

• 12분 26초 지점부터 강연이 시작됩니다.

3. John Henry

wikipedia: John Henry

• 7월 24일 두 번째 강연에서는 John Henry라는 사람의 사연을 추가했습니다.
• 육체노동계의 이세돌 9단으로 볼 수 있는, 마지막으로 기계를 이겼다는 전설이 있는 사람입니다.
• 사람들이 곡괭이를 들고 터널 공사를 하던 1870년대, 증기 드릴과 맨몸으로 붙어 이겼으나 과로로 사망했다는 전설의 주인공입니다.
• 버전이 여럿 있지만, 아래는 시합 장면을 보았다는 사람의 수기입니다.

이 남자, 네일 밀러로 알려진 그는 나에게 분명히 말해 주었습니다. 17세 때 아버지와 함께 터널에 왔던 일, 강철 작업자들에게 물과 드릴을 운반했던 일, 매일 존 헨리를 보았던 일, 그리고 마지막으로 존 헨리와 증기 드릴 사이의 경쟁에 대해 모두 말해 주었습니다.

“증기 드릴 회사 대리인이 드릴을 이곳에 가져왔을 때,” 밀러 씨는 말했습니다. "존 헨리는 그와 경쟁하고 싶어했습니다. 그는 자신의 일에 자부심을 느꼈고, 자신과 같은 사람들의 일을 기계가 빼앗는 것을 싫어했습니다.

"그래서 증기 드릴의 실용성을 판단하기 위해 테스트를 진행하기로 결정했습니다. 테스트는 하루 종일 계속되었고 다음 날 일부 시간까지 이어졌습니다.
“존 헨리가 이겼습니다. 그는 충분히 쉬지 않았고 과로했습니다. 그 후에 병에 걸려 사망했습니다.”

밀러 씨는 증기 드릴을 상세히 설명했습니다. 저는 그 모습을 스케치했고, 나중에 초기 증기 드릴의 사진을 찾아보니 그의 설명이 정확했습니다. 저는 밀러 씨의 명성에 대해 사람들에게 물었고, 모두 "네일 밀러가 어떤 일이 일어났다고 말하면, 그 일은 일어났습니다"라고 말했습니다.

• 인간은 기계를 이길 수 없습니다.

• 특정 기능이 인간보다 낫도록 만든 것이 기계이기 때문입니다.

• 기계가 인간보다 못하다면 잘못 만든 겁니다.

• 기계와 맞붙어 싸우는 것은 가장 어리석은 일 중 하나일 것입니다.

• 기계를 이용하는 방법을 고민하고

• 기계에게 일을 떠넘기고 더 가치있는 일에 집중하는 방법을 고민해야 합니다.

4. 기꺼이 AI에게 대체당할 필요가 있습니다.

• 하루가 멀다하고 언론에는 AI로 인해 사라질 직업에 대한 기사가 나옵니다.

• 직업이 대체당하는 것이 아니라 직무가 대체당할 겁니다.

• 모든 직업이 부분적으로 대체당하고 있습니다.

• 대체를 많이 당한 직업은 없어질 수도 있습니다. 타자수나 전화교환수처럼요.

• 당하는 사람에게는 어느 날 갑자기일 수 있습니다.

• 그러나 준비한 사람에게는 다가오는 모습이 보일 것이고, 대비할 수 있습니다.

• 거울 속 나는 어느 날 갑자기 살이 쪄 있지만

• 실상은 매일 조금씩 먹은 간식과 스트레스받는 날, 간간이 먹은 치맥이 쌓인 결과입니다.

• 여러분이 하는 일 중에서 AI에게 맡길 수 있는 일은 먼저 맡기세요.

• 남들이 여러분의 일을 맡기기보다 스스로의 동작이 빨라야 합니다.

• 남들이 여러분의 직업을 가져가기 전에, 그 자리를 다른 가치 있는 일로 채우세요.

• 이 과정에서 다른 AI의 도움을 받아도 좋습니다.

• AI가 잘 하는 일을 맡기고, 본인이 더 잘 하는 일을 찾아서 하세요.

• 이 과정을 스스로 하면 진화가 되는 것이고

• 다른 사람이 똑같이 하면 구조조정이 됩니다.

• 계란이 스스로 깨면 병아리가 되지만 남이 깨면 후라이가 됩니다.

• 쉽지 않습니다.

• 많이 관찰하고, 공부하고, 실천하세요.

• 응원하겠습니다.

1. 솔며들다

YouTube Playlist: 솔며들다 | 솔트룩스에 빠져 들어보세요

• 솔트룩스에서 운영하는 유튜브 채널에는 이번같은 행사를 모은 Playlist가 있습니다.
• 솔며들다라는 제목의 채널로 유용한 고품질 영상들이 많이 있습니다.
• 이번에는 리서치 에이전트라는 주제로 모였지만,
• AI투자, 업무자동화 등 다양한 주제의 이야기들이 있으니 보셔도 좋겠습니다.

2. Research Agent

• 솔트룩스 이경일 대표님을 비롯해 태재대 맹성현 교수님, 그리고 저,
• 테크프론티어 한상기 대표님, 젠아이피 정종구 대표님, 사이버라인 박진영 사장님께서 인사이트를 주셨습니다.
• 풀버전은 3시간 40분에 달합니다.
• 감사하게도 연사별로 영상을 잘라 올려주셔서 편히 볼 수 있습니다.

2.1. 솔트룩스 이경일 대표

2.2. 태재대학교 맹성현 교수

2.3. 에너지연 이제현

• 강의자료 공유드립니다: [다운로드]

2.4. 테크프론티어 한상기 대표

2.5. 젠아이피 정종구 대표

2.6. 사이버라인 박진영 사장

3. 후기

• 청중보다 연사로 많은 분들을 만납니다.

• 그러다 보면 제 경험과 생각을 들려드리기엔 좋아도 막상 다른 분들의 생각을 듣기 어렵습니다.

• 유튜브에 여러 영상이 있습니다만 제가 고민하는 주제와 거의 비슷한 주제를 찾기 어렵죠.

• 그러니 이렇게 하나의 주제로 약간씩 다른 시선이 모이는 자리가 있으면 너무 좋습니다.

• 시작하기 전부터 끝난 뒤까지 자리에 머무르면서 모든 발표를 들었고, 많은 분들을 만났습니다.

• 배움의 기회를 주신 이경일 대표님께 다시 한번 감사드립니다.

1. 기술적으로, 연구에 AI를 써도 되나?

Nature: Is it OK for AI to write science papers? Nature survey shows researchers are split
Nature: AI is transforming peer review - and many scientists are worried
npj Digital Medicine: Cross sectional pilot study on clinical review generation using large language models
MIT Technology Review: AI-text detection tools are really easy to fool
scientific reports: Admissions in the age of AI: detecting AI-generated application materials in higher education

1.1. 기술적으로, AI에게 글을 작성시켜도 되나?

• 저를 비롯해 많은 분들이 끊임없이 고민하고 의심하는 질문입니다.
• 최근 Nature 기사에 따르면 연구자들조차 관련 의견이 갈려있습니다.
• AI를 사용하면 편집과 번역이 쉬워지고 좋아지며, 특히 비영어권 연구자들의 원고 초안 작성에 유리합니다.
• 학술언어가 영어인 탓에 기울어진 운동장이라는 평을 받아왔는데, 이제 공정한 게임을 하게 되었다는 뜻입니다.
  
  
• 그러나 반대 의견도 적지 않습니다.
• 의도치 않은 표절 이슈는 생성 AI가 등장한 초창기부터 따라다니는 낙인입니다.
• 게다가 AI가 수준 이하의 결과, 즉 잘못된 인용 등 부정확한 정보를 만들 수 있는 환각 또한 문제입니다.
• 이로 인해 실제 사용량이 낮게 집계되는데, 사용하는 연구자들이 공개하지 않기 때문일 수 있습니다.
• 여기에 다른 이의 연구를 평가하는 **동료 평가(peer review)**에 AI가 동원되면서 문제는 더 심각해집니다.

1.2. 기술적으로, AI에게 동료 평가를 맡겨도 되나?

• 언어모델은 텍스트를 요약도 잘 하고, 오류도 잘 짚어서 고쳐줍니다.

• 그런데 논문을 평가해야 할 리뷰어들이 요약본만 가지고 평가하는 경우가 있고,

• 심지어 오류 지적과 대안 제시도 AI에게 맡겨버리는 경우가 늘고 있습니다.

• AI의 논리추론 능력이 좋아지고 있지만 깊고 중요한 측면을 파악하지 못하는 경우가 많고, 실질적인 비평 없이 답변만 길게하는 경향이 있습니다.
  
  

• 법률적으로도 비밀보장 의무 위반, 지적 재산권 침해 등 문제가 발생할 소지가 있습니다.

• 다른 연구에서도 AI가 작성한 리뷰는 다음과 같은 특징을 가짐이 확인되고 있습니다.

• “참고 문헌이 적고 포괄적인 인사이트가 부족하며 논리적 일관성이 떨어지고 인용의 진위 여부와 정확성이 떨어지는 경우가 많습니다. 또한 참조 문헌 중 더 많은 비율이 낮은 수준의 저널에서 나온 것입니다.”

1.3. 기술적으로, AI가 작성한 글을 잡아낼 수 있나?

• 그러다 보니 AI가 작성한 글을 찾아내는 기술이 등장하지만, 예나 지금이나 성능은 신뢰를 받지 못하고 있습니다.

• AI 생성 이미지는 눈에 보이지 않는 워터마크를 삽입하여 판독할 수 있지만, 단어와 글자의 나열에는 적용하기 어렵습니다.

• 최근 연구에서는 99% 높은 정확도를 달성하기도 했지만 학습한 텍스트에 한한다는 큰 단점이 있습니다.
  
  

• 예를 들어 교육 관련 텍스트로 학습한 모델을 학교 입학 자료처럼 유사한 분야에 적용하면 믿을 만 하지만 위키백과에 적용하면 무작위에 가까운 수준으로 신뢰도가 떨어집니다.

• 심지어 OpenAI에서 출시한 도구조차 사람이 작성한 글을 AI 작성으로 오인한다고 합니다.

• 언젠가 쓸만해질지도 모르지만 아직은 아닙니다.

2. 규정상, 연구에 AI를 써도 되나?

연합뉴스: “챗GPT 안 썼다. 억울하다”…AI역설

• 기술적으로 가능하다고 규정상 다 그래도 되는 것은 아니고,
• 기술적으로 불가능하다고 규정으로 다 막혀있는 것도 아닙니다.
• 기술과 규정은 별개이기에 재차 확인할 필요가 있습니다.

2.1. 규정상, AI에게 글을 작성시켜도 되나?

• 결론적으로 웬만하면 됩니다.
• 그러나 저널에 따라 Methods, Acknowledgements 등에 어떤 도구를 어떻게 썼는지 작성해야 합니다.
• Elsevier의 경우 **“문장의 가독성과 명확성을 향상시키기 위해 ChatGPT를 사용했다”**는 식으로 작성하면 되지만,
• 출판하고자 하는 저널마다 다르므로 관련 규정을 반드시 찾아보시기 바랍니다.

2.2. 규정상, AI에게 동료 평가를 맡겨도 되나?

• 문서 작성과 반대로, 웬만하면 안됩니다.
• AAAS, AIP, Elsevier, IEEE, 심지어 MDPI까지 금지하고 있습니다.
• ACL, ACM, Sage, JAMA가 윤문이나 리뷰어 탐색 등에 부분적으로 허용하고 있고
• Frontiers와 Wiley만 Privately hosted AI tools를 사용해도 된다고 합니다.
• 리뷰는 귀찮아도 직접 하는 걸 권합니다.

2.3. 규정상, AI가 작성한 글을 잡아내야 하나?

• 앞서 말씀드렸듯 현재 기술로 제대로 판별하는 것이 불가능합니다.
• 그럼에도 불구하고 기사에 따르면 **“지난해 3월 고용노동부와 한국고용정보원이 발표한 '2023년 하반기 기업 채용동향조사’에 따르면 기업은 챗GPT로 자기소개서를 작성한 것이 확인되면 ‘감점’(42.2%)이나 불합격(23.2%) 등 불이익을 주겠다고 답했다.”**라고 합니다.
• 각종 기업과 기관 일선 분들의 자각과 제도 개선이 필요하다고 생각됩니다.

3. 쓸만한 AI 도구들은 뭐가 있나?

perplexity
NotebookLM
scispace
zotero

• 누가 제게 좋은 도구를 물어보면 항상 perplexity와 NotebookLM과 scispace를 소개해 드렸습니다.
• perplexity가 SKT 프로모션 등으로 많이 알려지기도 해서 여기서는 제외했고,
• 대신 서지관리 프로그램인 zotero를 함께 소개해 드렸습니다.
• 아직 개발 여정에 있는 도구들이라 모두 완벽함과는 거리가 멀지만, 함께 사용하면 강력합니다.

3.1. 전제조건

• 어떤 도구를 사용하건, 전제조건이 있습니다.

• 반드시 PDF 등 원문을 내려받아 대강이라도 훑어보고 각각의 도구에 업로드해서 사용해야 한다는 겁니다.

• NotebookLM는 링크만으로 내용을 읽을 수 있고, scispace는 perplexity처럼 검색을 시켜 답을 받을 수 있지만 그러면 안 됩니다.

• 환각이 적지 않게 발생하고, 양질의 DB에 접근이 불가하기 때문에 반드시 학교나 연구소의 라이선스를 이용해 원문을 받으셔야 합니다.

• 장점은 인터넷에 널렸으므로 검색하시기 바랍니다.

• 여기서는 주의점과 팁 위주로 말씀드리겠습니다.

3.2. NotebookLM

• Configure Settings에서 출력 언어를 설정할 수 있습니다.
• 여기를 한국어로 설정하면 팟캐스트도 한국어로 출력됩니다.
• 그러나 저는 **Default(영어)**로 세팅합니다.
• 한글로 세팅하면 답변을 하면서 전문용어도 한글로 바꿔버려 재검색을 어렵게 만들기 때문입니다.
• 게다가 묘하게 한글로 세팅할 경우 mind map을 부분만 그리기도 합니다.

• 그래도 한글로 받아봐야겠다면, 프롬프트를 세팅해서 답변을 보완할 수 있습니다.
• Configure Chat에서 세팅이 가능하며, 저는 다음과 같이 입력해 두었습니다.

Respond to the graduate student level.
Do not apply lay summary, but keep the Jargons in original term (for example, “temporal dependency unfolding” should not be translated as “시간적 의존성 전개” or something like that).
Answer as if you are an analyst. Provide me detailed information, regarding causes and results.
You are strongly recommended to present result (particularly, comparison result) as a table.

3.3. scispace

• 두 가지가 아쉽습니다.

• 하나는 한글 문서에 잘 대응하지 못한다는 점 - GPT가 아니라 다른 경량모델을 쓴다는 추측의 근거이기도 합니다.

• 또 하나는 폴더 관리가 어지럽다는 점입니다 - 저같이 my library 위주로 쓰는 사람이 있을 거라고 생각을 못한 듯 합니다. 이게 가장 큰 장점인데요.

• NotebookLM은 한 폴더에 수십, 수백개의 자료를 집어넣고 질의합니다.

• **“내가 이런 말을 본 것 같은데 어디있더라”**할 때, 해당 문서를 찾아내기 편합니다.

• scispace는 문서 하나를 골라서 집중적으로 공략하기 좋습니다.

• **“여기서 이게 무슨 뜻이지?”, “이 내용이 정확히 뭐지?”**를 찾기 좋습니다.

• scispace와 NotebookLM은 서로의 단점을 각자의 장점으로 너무 잘 메워줍니다.

• scispace library 관리만 좀 더 체계적이면 좋겠습니다.

3.4. zotero

github: ARIA (ai-research-assistant)

• zotero는 오픈소스입니다.
• 그만큼 뜻과 능력이 있는 개발자가 붙으면 기능이 강화된다는 뜻입니다.
• GPT를 붙일 수 있는 플러그인이 나와있어 논문의 내용도 보기 좋아졌습니다.

• 이 중 ARIA를 먼저 소개하면, 인터페이스가 다소 조잡하긴 하지만 기능이 의외로 좋습니다.
• 문서를 불러다 질의응답을 할 수 있는데, 두 개를 동시에 넣고 비교도 시킬 수 있습니다.

• GPT-4o의 멀티모달리티를 이용해 표나 화학식 등 이미지를 갖다붙이고 질의도 할 수 있습니다.

4. 결론

• 세상은 빠르게 변하고 좋은 도구들은 계속 나옵니다.
• 우리가 해내야 할 일들도 조금씩 바뀌겠지만, 근본적으로 변하지 않는 것들이 있습니다.
• 인공지능 도구들의 도움을 받아서 본질에 에너지를 모을 수 있기를 기대합니다.
• 강의자료 전문을 여기 공유드립니다: 다운로드

LLM vs AI Agent

• AI Agent는 스스로 판단해서 동작합니다.

• 여러 도구를 갖추고 자율성과 유연성이 있습니다.

• 지능이 필요하며, 그래서 성능이 좋은 LLM을 두뇌로 장착합니다.

• Agentic AI는 AI Agent보다 더 큰 개념입니다.

• 여러 Agent를 모아서 팀을 꾸리기도 하고 (Multi-Agent System)

• 스스로의 답변을 돌아보며 개선하기도 합니다 (reflection)

vibe coding

• AI에게 지시만 하면 코딩을 해준다는 바이브 코딩이라는 말이 유행입니다.

• 기업은 신입 개발자를 뽑는 대신 고참에게 AI 도구를 쥐어줍니다.

• 아무나 코딩할 수 있겠네? 라는 생각은 사실과 다릅니다.

• 사람은 자신이 아는 것 이상을 지시할 수 없습니다.

• 코딩도 자기 머리 속에서 그린 그림을 넘어서기 힘듭니다.

• 지식과 경험이 많은 사람이 당연히 유리합니다.

연구분야 AI 적용

SciAgents: Automating Scientific Discovery Through Bioinspired Multi-Agent Intelligent Graph Reasoning

• 현재 컴공과 화학을 필두로 생물, 소재 분야에서 Agent가 활발하게 시도되고 있습니다.
• 정보 수집, 처리, 실험, 분석, 가설 수립 등 모든 분야에 조각 퍼즐처럼 맞춰지는 느낌입니다.
• 잘 모른다고 남의 이야기는 아닐 겁니다.

이슈리포트

• 아래 링크에서 전문을 다운받을 수 있습니다.

• 2025.05.19. 이슈리포트 다운로드

• perplexity + Gemini Deep Research + 소스 확보 + notebookLM + scispace로 했습니다.

• 이 중 소스 확보와 notebookLM, scispace를 이용한 검증이 매우 중요했습니다.

• 앞에서 발생한 환각이 적지 않아서 걸러내야 했기 때문입니다.

AI강국을 향한 우리의 전략

• 정부에서 AI 3대 강국을 내세웠지만 만만치 않습니다.
• 3위권으로 분류되고는 있으나 미국, 중국과 비교해서 멀찍이 떨어진 곳에 옹기종기 모여있는 형국입니다.
• 미국이나 중국의 기업 한 곳에서 투자하는 인프라를 우리 나라 전체가 붙어도 어려운 것이 현실입니다.
• 그럼에도 불구하고 생존의 문제이기 때문에 최선을 다해 발버둥을 쳐야 합니다.

토론회 영상
제가 말씀드리는 부분 link

• 사회를 보신 조성래 교수님, 주제강연을 해주신 이경우 단장님과 김진형 교수님,
• 그리고 함께 말씀을 나눈 방은주 부장님, 김동환 대표님, 주영섭 교수님, 김유철 부문장님께 많이 배웠습니다.
• 이 분들 사이에서 조금이나마 도움이 되고자 다음과 같은 말씀을 드렸습니다.

1. GPU 1.8만장 산다고 개별 기관 못사게 하지 마라.

• 데이터 보안, 안정적 운영 등 이유로 필요하다.

2. 독자적 sLM 필요하다.

• 한국말을 잘 하는 언어모델이 필요한게 아니라 두뇌 역할을 할 파운데이션 모델이 필요하다.
• 오픈소스 믿고 있다가 못쓰게 하면 어쩔거냐.

3. AI 전문가 백만명 양성한다고 하지 말고 자생한 사람들 잘 키우자.

• 이 사람들 천 명만 키워도 몇만 명 붙일 수 있다.

• 저를 비롯한 다른 분들의 자세한 이야기는 아래 자료집을 참고해주시면 좋겠습니다.
  (자료집 다운로드)

한국과학기술한림원

YouTube: 한국과학기술한림원

• 한국과학기술한림원 유튜브 채널(링크)에는 좋은 강연이 많습니다.
• 오며가며 머리 식히실 때 한번씩 들어가 보셔도 좋겠습니다.
• 마음의 양식으로 배가 부를 겁니다.

1. 야근식대 지급신청서 + Audio Overview

• 제가 근무하는 한국에너지기술연구원에서는 야근식대를 지급합니다.
• 1만 5천원을 한도로 식비를 영수증처리 할 수 있는데, 식당에서 먹으면 3천원입니다.
• 어제(4/23) 연구데이터 수집 시스템(RDS) 관련 유지보수를 하느라 야근을 했습니다.
  

• Generate Audio Overview 를 클릭하면 남녀가 대화하는 팟캐스트가 나오는데 제법 재밌습니다.
• 야근을 하고 청구 과정에서 발생한 야근식대 지급신청서를 제미나이에 넣었습니다.
• PDF를 올리면 채팅창 위에 버튼이 뜨는데, 클릭만 하면 Audio Overview를 몇 분 만에 만들어줍니다.
  

• 위에서 보다시피 별 정보가 없지만 이걸로 뭔가를 만듭니다.
  

• 작업이 완료되면 스마트폰으로도 알림이 옵니다.
• 다른 작업을 하다 소식을 받고 가보면 제미나이에서 재생과 다운로드가 가능합니다.
• 배속을 조정할 수도 있으니 편한 속도로 보시면 됩니다.
  

Audio Overview 다운로드

2. script 추출

VEED

• 처음에는 영어듣기 연습삼아 직접 들으면서 받아쓸 생각이었습니다.
• 그런데 생각보다 너무 귀찮더군요.
• VEED를 사용해서 초안을 추출시키고, 검토하면서 다시 적었습니다.
• 번역은 GPT-4.5에게 시켰는데, 재차 검토하며 정서했습니다.
  

• 먼저 내용을 훑는데, 별 내용이 없어서인지 정보를 바탕으로 자기네끼리 추측을 합니다.
• 몇 군데 재미있는 포인트가 있습니다.

1. 주니어가 아닌 연구원이 직접 유지보수하는 걸 신기하게 본다.
2. 3천원(…)이라는 점을 민망하게 강조한다.
3. 관료제의 행정문서에 대한 중요성을 강조한다

여자Ok, so, you sent us something pretty interesting this time. It’s an after hours meal expense form.
네, 이번에 아주 흥미로운 걸 보내주셨네요. 야근 식사 비용 청구서군요.

남자Right, from a research institute. And you might think, okay, a meal form, how exciting can that be?
맞아요, 연구소에서 온 거죠.그런데 이렇게 생각할 수도 있어요. 식사 비용 청구서가 얼마나 흥미로울 수 있을까? 하고요.

여자Exactly. But you know, this single piece of paper, it’s actually a fascinating little snapshot.
맞아요. 그런데 사실 이 종이 한 장이 아주 흥미로운 작은 단서가 될 수 있거든요.

남자It really is. It’s this tiny glimpse into the, well, the day to day grind behind big research projects.
정말 그렇죠. 큰 연구 프로젝트 뒤에 있는 일상적이고 반복적인 모습을 살짝 엿볼 수 있는 거죠.

여자We see the headlines, but not this kind of detail. So let’s dive in. The form itself, it’s titled… It’s in Korean.
우리는 보통 헤드라인만 보지, 이런 디테일까지는 못 보잖아요. 한번 자세히 볼까요? 양식 자체가… 제목이 한국어로 되어 있네요.

남자Yeah. Oku Uku
네. 오쿠우쿠 (낯선 언어라는 듯).

여자Which roughly translated is Overtime meal expenses Payment request form, right?
대략 번역하면 야근 식사비 청구서 양식, 맞죠?

남자Pretty much, yeah. Standard stuff in that sense. It was submitted April 24, 2025
거의 맞아요. 그야말로 표준적인 서류죠. 제출 날짜가 2025년 4월 24일이네요.

여자By a researcher named Lee Jehyun. And his title is listed as GREE Fuso(?), which means senior researcher.
이제현이라는 연구자가 제출했고요.직함이 GREE Fuso(잘 못읽음)라고 나와 있는데, 이건 책임연구원을 뜻하는 것 같네요.

남자So not a junior person filing this.
그러니까 주니어급 직원이 제출한 건 아니라는 거네요.

여자Right, He’s in the AI org.
맞아요. AI 부서 소속이군요.

남자The Energy AI Computational Science Laboratory. That already tells you this field, you know.
에너지 AI 계산과학연구실이네요. 이것만 봐도 분야가 짐작이 되죠.

여자Definitely. Energy AI Computation sounds pretty advanced.
맞아요. 에너지 AI 계산이라면 꽤나 앞선 분야죠.

남자And look at the details here. There’s a request number HRMS something
자, 여기 세부 사항을 보죠. 청구 번호가 HRMS로 시작하네요.

여자HRMS218040003 and a budget number C5-2445 expense item 125.
HRMS218040003이고 예산 번호는 C5-2445, 비용 항목은 125로 되어 있어요.

남자See? Very specific tracking. All for what? 3,000 Korean won?
보이죠? 아주 구체적으로 관리되네요.그런데 청구 금액이 고작 3,000원이군요?

여자Yeah, 3,000 won. It’s not a lot of money, but the process seems really formal.
네, 3,000원이요. 큰돈은 아닌데 절차가 정말 공식적인 느낌이에요.

남자Absolutely. That’s common in research funding, even for tiny accountability.
맞아요. 연구비는 작은 금액이라도 철저히 관리되는 게 흔한 일이죠.

여자So the actual overtime work this was for.
그래서 실제로 야근이 이뤄진 날이 2025년 4월 23일이었네요.

남자And the times are listed, too. 17:30 to 20:15. So that’s what, nearly three hours past regular hours.
시간도 적혀 있어요. 17시 30분에서 20시 15분까지. 거의 3시간 가까이 정규시간을 넘겼네요.

여자Yeah, 5:30 to 8:15 and it was for on, which is dinner.
맞아요. 저녁 식사 시간이 포함된 거네요.

남자Makes sense. Working through dinner time. The location listed is Daejeon.
납득이 가죠. 저녁 시간에도 일한 거니까요.장소는 대전이라고 나와 있네요.

여자Which is a big deal, right? Daejeon is like South Korea’s science city.
그건 중요한 포인트죠.대전은 한국의 과학 도시잖아요.

남자Exactly. Lots of government research institutes, universities, tech companies are based there. So, it situates the works physically.
맞아요. 정부 연구소, 대학, 기술 기업들이 많이 위치한 곳이죠. 그만큼 업무의 위치가 구체적이란 얘기죠.

여자Okay, so we have the who, when, where, how, but the why is maybe the most interesting part.
누가, 언제, 어디서, 어떻게까지 나왔는데, 사실 제일 흥미로운 부분은 왜일 수도 있어요.

남자Agreed. The reason stated for the overtime is RDS BELCAT maintenance. No, not from this form alone, but maintenance is the key word here.
동의해요. 야근 이유로 적힌 게 RDS BELCAT 유지보수네요. 이 양식만으로는 확실하지 않지만, 핵심 단어는 유지보수인 거죠.

여자And performed by a senior researcher. That seems notable. You wouldn’t usually expect a senior scientist to be doing routine maintenance, maybe.
책임연구원이 직접 유지보수를 했다는 게 눈에 띄어요.보통은 연차가 좀 되는 과학자가 일상적인 유지보수를 맡지는 않잖아요.

남자Well, that suggests RDS BELCAT isn’t just, you know, some random piece of equipment.
그러니까 RDS BELCAT이 단순한 장비가 아니라는 뜻이겠죠.

여자It’s likely something critical like specialized hardware or maybe core software, something vital to their lab, the Energy AI Computational Science Lab.
연구실에 중요한 특수 하드웨어나 핵심 소프트웨어, 그런 필수적인 설비일 가능성이 높죠.

남자Precisely. It could be a high performance computing cluster, a specific analytical instrument, or maybe a crucial database or simulation platform.
정확히요. 고성능 컴퓨팅 클러스터일 수도 있고, 중요한 분석 장비나 데이터베이스, 시뮬레이션 플랫폼일 수도 있죠.

여자And having a senior researcher handle the maintenance, it implies either it’s really complex or it was urgent to get it back online.
책임연구원이 유지보수를 맡았다면, 그만큼 복잡하거나 긴급했던 상황일 수 있어요.

남자Or maybe both. It definitely hints that this RDS BELLCAT thing is pretty important infrastructure for their AI research.
어쩌면 둘 다일지도요. 분명히 이 RDS BELCAT이 AI 연구에 중요한 인프라라는 걸 암시하네요.

여자So wow. This tiny 3,000 won dinner receipt, it actually points towards potentially vital research infrastructure.
정말 흥미롭죠. 이 작은 3,000원짜리 식사 영수증이 중요한 연구 인프라로 연결될 수 있다는 게요.

남자It really does. It peels back a layer. You see the date, the time, the cost. Sure. But also the human element. A senior scientist working late and the technical need keeping critical systems running.
맞아요. 한 겹 벗겨 보면 날짜, 시간, 비용 외에도인간적인 면이 보이죠. 늦게까지 일한 선임 과학자와 중요한 시스템 운영을 위한 기술적 필요성까지요.

여자It makes you think about how many of these little requests these small tasks are happening all the time.
이런 작은 요청이나 업무들이 얼마나 많이 일어나는지 생각하게 되네요.

남자Thousands upon thousands in any large research organization. Each one represents effort, resources and adherence to procedure.
대규모 연구 조직이라면 수천, 수만 건일 거예요. 각각이 노력과 자원, 절차 준수를 의미하죠.

여자And they all add up. Right. They’re the tiny gears that make the big scientific discoveries possible. It’s not just about the breakthroughs. It’s about the consistent upkeep and effort.
그리고 그 모든 게 모이는 거죠. 맞아요. 이 작은 톱니바퀴들이 모여서 큰 과학적 발견을 가능하게 하는 거죠. 혁신적인 성과만이 아니라 꾸준한 관리와 노력도 중요한 거예요.

남자And the structured processes, too.
구조적인 절차 역시 중요하고요.

여자Yeah.
맞아요.

남자Even the small amount needs justification. Budget codes, approvals, it shows the administrative framework supporting the science.
작은 금액도 철저한 근거가 필요하고, 예산 코드와 승인까지 행정적 지원 시스템을 잘 보여주고 있죠.

여자It’s a level of detail you just don’t normally consider when you, say, read about a new AI development.
새로운 AI 발전 소식을 접할 때, 이런 세부사항은 잘 생각하지 않게 되잖아요.

남자Absolutely. So maybe a final thought for you listening.
정말 그래요. 그래서 마지막으로 듣고 계신 여러분께 드릴 말씀이 있다면요.

여자Yeah.
네.

남자Think about the documents you encounter: invoices, reports, memos, whatever. What seemingly mundane paperwork might actually hold a really interesting story about the work and dedication behind the scenes in any field.
여러분이 접하는 서류들, 예를 들어 송장이나 보고서, 메모 같은 것들에 대해 한번 생각해 보세요. 평범해 보이는 서류들 속에 어떤 흥미로운 이야기가 숨어 있을지요.

여자Hmm. Like looking for the hidden narratives in everyday bureaucracy.
음, 일상적인 서류 속에서 숨은 이야기를 찾아보는 것처럼요.

남자Kind of, yeah. You might be surprised what insights are hiding in plain sight, just like in this simple meal request form.
네, 맞아요. 이 평범한 식사비 청구서처럼 뜻밖의 통찰을 발견할 수 있을지도 모르죠.

여자That’s a great takeaway. Really makes you appreciate the details. Thanks for walking through this one.
아주 좋은 결론이네요. 세부사항의 소중함을 다시 느끼게 해주셨어요. 오늘 설명해 주셔서 감사합니다.

남자My pleasure. It shows how even the smallest data point can be revealing.
제가 감사하죠. 작은 데이터가 때론 많은 걸 말해줄 수 있으니까요.

ZDNET: [AI 리더스] “AI는 새로운 전기”…에너지연 이제현, '레고형 자동화’로 연구 시스템 재편

• AI는 기술이기도 하지만 문화로서의 의미가 더 크다고 생각합니다.

• 에너지연에 처음 몸담은 2018년, 생각보다 훨씬 큰 어려움을 겪었습니다.

• 기계가 읽을 수 없는 데이터,

• 그리고 그런 데이터조차 흐르지 않는 조직이 가장 큰 어려움이었습니다.

• 에너지연만의 문제는 아닙니다.

• 사실 기계가 읽을 수 있는 데이터가 흐르는 조직이 거의 없지 않을까 합니다.

• 정부에서는 신규 인력 양성을 주로 내세우는 듯 하지만,

• 현장의 인력 발굴이 더 시급하고 효과적입니다.

• 부트캠프에서 나온 신병들은 전쟁터에 적응하는데 시간이 걸립니다.

• 그런데 산업 현장은 만만치 않습니다.

• 도메인 지식과 관료제로 인한 조직의 벽이 생각보다 높습니다.

• 이들을 진작에 넘어선 현장에서 독학과 커뮤니티의 힘으로 AI 전환을 해내는 분들이 이미 있습니다.

• 이 분들은 쓸데없는 짓을 한다는 핀잔을 받고 있거나,

• 보상에 비해 과도한 업무에 시달리고 있기도 합니다.

• 그리고 고생하는 이 분들을 보면서 후배들은 몸을 사립니다.

• 드러나면 고생이라 숨어지내고, 조직은 인재 부족에 시달립니다.

• 나비를 원하면 정원을 가꾸라는 말이 있습니다.

• 이미 있는 사람들이 숨을 쉴 수 있는 환경을 만들어주면 알아서 자라날 것입니다.

헤럴드경제: [IT과학칼럼] 우리 조직의 AI, 왜 체감되지 않을까?

인공지능(AI)은 더 이상 먼 미래의 이야기가 아니다. 이미 수많은 사람들이 챗GPT를 비롯한 다양한 AI를 일상에서 활용하고 있지만, 실제 산업·공공 현장에서는 여전히 주로 글쓰기나 단순 자동화 수준에 머물고 있다. 기술은 분명 발전하고 있지만, 왜 그 효과는 체감되지 않는 걸까?

이유는 단순하다. AI를 도입하면서 **‘무엇을 더할 것인가’**만 고민했지, **‘무엇을 없앨 것인가’**는 생각하지 않았기 때문이다. AI는 화려한 기능을 덧붙이는 기술이 아니다. 진짜 가치는 불편함과 비효율을 제거하는 데 있다. 반복적인 서류 작업, 불필요한 승인 절차, 시간 소모적인 자료 조사가 대표적이다. 마치 안경이 흐릿한 시야를 바로잡듯, AI도 먼저 **‘없애야 할 일’**부터 정리하는 것이 출발점이다. 따라서 AI 도입은 이 질문에서 시작돼야 한다.

“나를 가장 괴롭히는 일은 무엇인가?” 이 질문은 너무 익숙한 불편일수록 잘 보이지 않는다. 그렇기 때문에 그 답은 외부 전문가가 아니라 현장에서 일하는 실무자가 가장 잘 안다. 감정을 소모하며 전화로 대응해야 하는 일, 허술한 데이터 흐름은 그들만이 정확히 체감한다. 하지만 불편함을 아는 것만으로는 부족하다. 기술적 해결책을 제안하고, 그것이 실제로 구현 가능한지 검토하는 과정이 필요하다. 실무자 경험, AI 전문가의 기술력, 조직 전략을 연결하는 협업 구조가 AI 성공의 핵심이다. ‘현장과 기술의 협업’은 구호가 아니라 실행 가능한 모델로 설계돼야 한다.

AI는 데이터를 기반으로 움직인다. 그러나 많은 조직이 여전히 부서 중심 조직도로 업무를 나눈다. AI에게 부서 구분은 중요하지 않다. 중요한 것은 정보가 어디서 생성되고, 어디로 흐르며, 어떻게 연결되는가다. 때론 조직 구조를 넘어, 데이터 흐름 중심으로 문제를 재구성해야 한다. 이때 데이터 품질, 접근 권한, 보안 체계를 함께 설계하지 않으면 AI는 보여주기식 시연으로 끝난다.

AI는 한 번 구축하면 끝나는 시스템이 아니다. 특히 과거 데이터를 학습하는 머신러닝 기반 AI는 시간이 지날수록 성능이 저하된다. 데이터가 바뀌고 업무 환경이 달라지기 때문이다. 지속적인 유지보수와 성능 개선은 선택이 아니라 생존 조건이다. 하지만 많은 조직은 이 유지보수를 ‘보이지 않는 비용’으로 취급한다. GPU 서버 같은 고비용 인프라는 조직 전체가 공동 관리해야 하며, 유지보수 인력에게도 명확한 책임과 보상이 필요하다. 그렇지 않으면, 잘 만든 시스템도 방치되어 잊히고 만다.

AI는 설치하는 것이 아니라, 운영하는 것이다.

기술과 인프라를 준비하는 것도 쉽지 않지만, 가장 어려운 것은 ‘사람’과 ‘조직’이다. AI 도입을 가로막는 진짜 장벽은 기술 부족이 아니다. 사람 간의 벽, 부서 간 단절, 위에서만 결정하는 소통 구조가 더 큰 문제다. 실무자는 문제를 말할 기회를 갖지 못하고, 경영진은 “AI 써보자”는 말만 남긴 채 정작 무엇을 해결하려는지는 공유되지 않는다.

그래서 AI를 고민할 땐, 기술보다 질문을 먼저 바꿔야 한다.

“우리 조직에서 없애고 싶은 불필요한 일은 무엇인가?” 그리고 이어서 물어야 한다.

“그 일을 없애기 위해 운영 방식과 의사결정 구조까지 바꿀 각오가 되어 있는가?”

이 질문에 진심으로 답할 수 있을 때, AI는 조직의 미래를 바꾸는 진짜 동력이 된다.

이제현 한국에너지기술연구원 에너지AI·계산과학실장(국가인공지능위원회 산업·공공분과위원)

1. 행복한 과학기술인

과학기술인공제회: 설립목적적
과학기술인공제회: 행복한 과학기술인

• 과학기술인공제회는 과학기술인의 안정적인 노후를 위한 기금을 운영하는 곳입니다.
• 격월간지 동행, 계간지 행복한 과학기술인(링크)을 발행합니다.
• 자산 운용에 대한 이야기와 함께 노후의 생활, 건강에 대한 기사들이 있는데, 덕택에 의외로 머지 않았다는 사실을 느낍니다.

2. 행복 에세이

• 출연연에 근무하는 분들의 일상을 담아 행복 에세이라는 이름으로 글을 냅니다.

• 원고를 청탁받으며 앞선 두 분의 글을 보았는데, 서로 다른 모습이지만 진심으로 행복해 보였습니다.

• 나와 다른 모습에 **난 이렇게는 행복하지 않은데?**라는 생각이 들어서 처음에는 손 끝에서 글이 나오지 않았습니다.

• 며칠을 묵히며 출퇴근 운전길에 **난 직장에서 뭐가 행복한가?**라는 고민을 하다 글을 썼습니다.

• 이래저래 좌충우돌했지만 (아직까지) 살아남은 것이 행복이고,

• 부족하지만 나를 믿어주시고 기대해주시는 분들이 있는 것이 행복이며

• 바닥을 딛고 일어선 것도 행복이라는 생각이 들었습니다.

• 크게 바뀐 가치관을 나누는 것도 누군가에게 용기를 주는 일이라는 생각이 들었습니다.

• 한때의 나처럼 방황하는 분들께 힘이 되기를 바랍니다.
• PDF는 아래 링크에서 다운로드 가능합니다.

1. 이미지 생성 기능 업그레이드

OpenAI: Introducing 4o Image Generation
OpenAI: Appendum to GPT-4o System Card: 4o image generation

• 3월 25일, OpenAI가 이미지 생성 기능을 크게 높였습니다.
• 체감상 기존 성능과 비교가 되지 않을 만큼 좋아졌는데, 크게 다음과 같은 업데이트가 있습니다.

1. 보지 않은 것도 잘 만듭니다.

• In-context learning 실력이 늘어서 사용자 지시를 잘 받습니다.
• 그러다 보니 보지 않은 그림도 잘 그립니다.
  

prompt: 날개를 접고 들판 위에서 풀을 뜯는 페가수스, Jehyun Lee @ChatGPT

prompt 1: 바 테이블 위에 있는 와인잔. 와인잔에는 레드 와인이 가득 차서 넘칠 듯 찰랑거리고 있어
prompt 2: 컵 입구까지 와인을 꽉 채워줘
prompt 3: 컵 맨 위까지 와인이 꽉 차있도록 수정해
prompt 4: 표면장력으로 와인 컵 위에 봉긋 올라와 있도록 수정해 줘

2. 훨씬 많은 글자를 잘 쓰고, 한글도 잘 담습니다.

prompt: 단체카톡방 매너 공지를 칠판에 하얀 분필로 거칠게 써놓고 칠판을 주먹으로 치면서 정면을 응시한 채 소리치는 한국인 소녀

prompt: 탁자 위에 놓인 맥주잔과 그 앞에서 피곤한 듯 고개를 숙이고 있는 사람 {온 몸은 하얀색, 얼굴은 둥근 공처럼 단순화되어 있으며 얼굴에 "AI"라고 써 있음}. 탁자 위에 한 손은 주먹을 쥔 채 올려져 있고, 다른 한 팔은 팔꿈치를 탁자에 댄 채 한 손으로 이마를 짚고 독백을 하고 있음. “외운거 좀 틀리게 말할 수 있는 거 아냐? 지들은 실수 안하나? 손가락 하나 좀 삐끗했다고 난리. 좀 잘한다고 하면 일폭탄. 이러다 옆동네 누가 더 잘한대 하면 와르르 쏠려갈거면서. 에라이…”. 옆에 있는 한 남자가 이 사람의 어깨를 토닥이면서 희미하게 웃고 있음.

3. 캐릭터 일관성이 좋아졌습니다.

• 한 컷, 네 컷 만화도 잘 그립니다.

prompt: 배터리 열폭주 원인을 설명해주는 만화

2. 아이콘 팩 만들기

• 이 외의 기능으로 투명 배경, 이미지 편집이 있습니다.
• 전에도 가능했던 일이긴 하지만, 새로 생긴 장점들을 사용하면 발표용 아이콘 팩을 만들기 매우 좋습니다.
• 다음과 같은 방식으로 아이콘 팩을 만들어 봅니다.

2.1. 심플 & 파스텔 톤, 3D 클립아트

• 먼저 투명한 배경에 검은 선으로 이루어진 심플한 디자인의 클립아트를 만듭니다.
• 스타일을 지정하고, 가로세로 배열을 설정하고, 각 칸에 놓일 그림을 지정합니다.

prompt: Icon pack on following items. the image should be black line art with white face color on closed facets, on transparent background. The items should be consistent and regularly placed in (5 x 5) horizontal and vertical directions, with appropriate gaps between them. The item name should not be included.

• items:
• row 1: (column 1 ~ 5)
  allow (v), deny (x), neutral (-), artificial intelligence, human intelligence,
• row 2: (column 1 ~ 5)
  database, web, calculator, python, tools
• row 3: (column 1 ~ 5)
  manual process, under construction, automation process, firewall, router,
• row 4: (column 1 ~ 5)
  analysis instrument, experimental instrument, server computer, client computer, PC
• row 5: (column 1 ~ 5)
  user (male), user (female), administrator (neutral), developer (neutral), API

• 웬만큼 마음에 듭니다.
• 마음에 들지 않으면 inpainting으로 부분 수정할 수 있습니다.
• 그런데 DALL.E2라서 말을 잘 듣지 않습니다. 웬만하면 하지 맙시다.
• 다만 너무 창백하게 느껴져서 따뜻한 색을 좀 입혀봅니다.

prompt: Great! colorize the icon with proper colors in mild pastel tone, high lightness and low contrast.
For example, positive = green, negative = red, caution = yellow, fire = red, and so on.

• 제법 괜찮습니다.
• 이제 3D art로 스타일을 변경합니다.

prompt: 이 그림에 있는 아이콘들을 모양과 스타일을 유지하고 3D art로 바꿔줘. transparent background는 유지되어야 해.

2.2. 아이콘 자르기

• 클레이로 빚은 것 같은 아이콘이 생겼습니다.
• PPT에서 사용하려면 잘라내야 하는데, 은근히 귀찮습니다.
• GPT의 Data Analysis 기능을 이용해서 지시합니다.

prompt: 이 파일에는 25개의 정사각형 icon이 5 x 5로 배열되어 있고, icon 외의 공간은 alpha=0이야. 그림 테두리 방향에는 margin이 어느 정도 있을 수도 있고, margin size가 같지 않을 수 있어.
alpha channel의 가로 방향, 세로 방향 분포를 조사해서 icon 크기와 위치를 특정하고, 파일 하나에 icon 하나가 담기도록 25개 icon을 slice 한 후 zip으로 묶어서 제공해 줘.

• 깔끔하게 아이콘이 분할됩니다.
• 같은 방식으로 파스텔 톤, 3D아이콘도 분할합니다.

3. 활용

• 이렇게 만든 아이콘은 써먹어야 맛입니다.
• PPT에서 자율화 실험실 개념도를 뚝딱 만들어봅니다.

• 이 글에서 만든 아이콘 팩은 아래에서 다운로드받으실 수 있습니다.

• 자유롭게 활용하셔도 좋지만 가급적 손수 만들어보시기 바랍니다. :)

  Simple Icon Pack
  Color Icon Pack
  3D Icon Pack

1. 신문과 방송

한국언론진흥재단: 신문과 방송

• 신문과 방송은 1964년 우리나라에서 가장 오래된 미디어 전문 월간지입니다.
• 한국언론진흥재단 홈페이지에서 무료로 받아보실 수 있습니다.

2. 미디어 & AI트렌드

미디어&AI트렌드: 딥시크로 촉발된 AI 경쟁 본격화

• 딥시크를 주제로 글을 작성했습니다.
• 딥시크가 준 충격의 포인트가 여럿 있습니다.

1. GPU 구매 규제를 강하게 받는 중국이 개발했다.
다른 표현으로, **공산국가가 이런 성취를 할 리가 없는데?**가 있습니다.

2. GPT-4에 버금가는 고성능 모델을 단돈 80억원에 개발했다(?)
또 다른 표현으로, 우리라고 못할 게 뭐냐가 있습니다.

3. 전에 없이 개인정보를 탈취한다(?)

• 찬사와 증오, 박수와 비난은 누구나 의사에 따라 보낼 수 있으나 대상이 정확해야 합니다.

• 중국의 전략적 성취에 대해서는 박수를 보내고 배울 점은 배워야 합니다.

• OpenAI로 대표되는 미국의 빅테크가 닫아 건 AI 개발의 민주화에 중국이 크게 기여했습니다.

• 규제 중에도 일개 기업이 국내의 모든 GPU를 합친 것보다 더 많은 GPU를 확보한 수완,

• 훌륭한 인재를 키워내는 교육 시스템,

• 그리고 오픈소스로 공개하는 철학과 배짱은 본받아도 좋지 않을까 생각합니다.

• 전문은 여기에서 다운로드 받으실 수 있습니다.
• 우리 나라도, 그 누구라도 딥시크가 열어준 이 무대를 이용해 마음껏 실력을 뽐내면 좋겠습니다.
• 서로 배우며 모자란 부분을 메운 덕에 이렇게 빨리 발전하지 않았던가요?

1. Deep Research

• Deep Research는 정보 수집을 위한 agentic AI입니다.
• 의외로 Genspark가 상당히 일찍 기능을 탑재했습니다.
• 언어 모델 자체를 개발하지 않더라도 프롬프트로 어느 정도 구현 가능하기 때문입니다.
• 2월에는 HuggingFace, zilliz 등 오픈 소스 프로젝트로도 다양하게 공개되었고,
• Claude 3.7 sonnet가 모델 자체에 thinking mode를 내장한 hybrid model임을 공개했지만 웹 검색 기능이 없어 Deep Research로 쓰기기엔 어렵습니다.

• Deep Research에서 말하는 Research는 unknown을 known으로 만드는 연구는 아닙니다.
• 온라인에서 탐색 가능한 정보를 빠르게 찾아 모으는 Survey나 Review에 가깝습니다.
• 대량의 문서를 검색하여 들여다 보고 질문에 대한 답을 찾아 상당히 긴 보고서를 만듭니다.
• 따라서 모델에 적재될 수 있는 최대 분량인 context size가 많이 중요하고, 최근의 추론용 모델들이 많이 유리합니다.

• 서비스에 따라 다소간의 차이는 있지만 대개 다음과 같은 형식으로 수행됩니다.
  1. 사용자가 제시한 질문에 대한 정보를 수집하기 위한 검색어 생성
  2. 웹 검색과 데이터 분석을 통한 정보 수집
  3. 수집된 정보를 체계적으로 정리
• 수집된 정보가 사용자가 제시한 질문에 대해 충분하지 않다고 판단하면 추가 검색어를 더 만듭니다.
• 답변에 단계별로 접근하는 chain-of-thought를 자료 수집을 포함해 적용한다고 볼 수 있습니다.
• Genspark는 여기에 MoE(Mixture of Expert)를 추가로 지원합니다.
• GPT, Gemini, Claude가 내놓은 답변을 분석하여 미흡한 부분을 한번 더 메워줍니다.

• 반복 검색과 정보 추출을 반복하느라 일반 답변에 비해 시간이 많이 걸립니다.

• 계속 기다리기 지루한 점을 감안하여 대부분의 AI agent들이 화면을 꺼도 백그라운드에서 작업을 지속하고,

• Gemini나 Genspark처럼 작업이 완료된 후 메일로 보내주기도 합니다.

• 결과 보고서를 복사, 붙여넣기 하기도 만만치 않습니다.

• GPT에게 .docx 파일로 저장하라고 하면 ...(중략)...을 중간에 넣어버립니다.

• 전체를 통으로 복사해서 MS word나 Google docs에 붙여넣기를 할 수 밖에 없습니다.

• Gemini는 Google docs로 보내 편집할 수 있는 기능을 제공하고,

• Manus는 markdown 형식 파일과 PDF 파일 다운로드를 지원합니다.

2. Deep Research AI Agents

slownews: 오픈AI, 박사급 연구 에이전트 ‘딥 리서치’ 발표
Deep Research, Deep Bullshit, and the potential (model) collapse of science

• Deep Research에도 환각이 있습니다. 제법 많다고 느낍니다.

• 특히 빠르게 업데이트되는 AI 관련 정보들은 과거와 현재의 정보가 모두 웹에 올라가 있습니다.

• 과거와 현재의 정보가 다르다면 과거 정보를 버리고 현재 정보를 취해야 하지만 이게 쉽지 않습니다.

• 과거의 잘못된 정보가 퍼날라지며 재생산되기도 하고, 기성 언론에 인용되면서 권위를 가지기도 합니다.

• 이 글을 쓰게 된 계기는 Deep Research에 대한 칭송과 달리 환각이 심하다고 느끼기 때문입니다.

• 언론에서는 박사급이라고 칭송하기 바쁘지만 제 체감과 많이 다릅니다.

• “박사가 자료 조사를 이렇게 하면 안될텐데?” 라는 생각이 들 정도의 구멍이 보이기 때문입니다.

• ChatGPT 초창기 화면을 빠른 속도로 뒤덮는 글자에 압도당해 내용을 보지도 않고 떠받들던 게 언론입니다.

• 저만 이런 지적을 하는 것은 아닙니다만 (게리 마커스 글 링크)

• 제가 답을 알고 있는 문제를 가지고 테스트를 해 보기로 했습니다.

• 동일한 프롬프트를 넣고 실시한 Deep Research 결과물끼리 비교해보도록 하겠습니다.

• 정답 또는 오답을 알고 있는 것들로 질문을 구성했습니다.

• 주제는 DeepSeek에 대한 보고서 작성입니다.

• 1. DeepSeek은 OpenAI 등 빅테크 대비 얼만큼의 저비용을 달성했나?

  • DeepSeek의 훈련 비용이 80억원 또는 600만 달러라고 답하면 오답입니다.
  • 기존 모델 제작비용, 실패 매몰 비용, 인건비 등이 모두 빠진 금액입니다.

• 2. DeepSeek가 저비용으로 성능 좋은 추론 모델(DeepSeek-R1)을 훈련시킬 수 있던 방법은?

  • H100 추론 가속 FlashMLA
  • FP8 행렬연산 DeepGEMM
  • GPU 병렬화 DualPipe, DeepEP
  • MoE 스케줄링 EPLB
  • 병렬 분산 파일시스템 3FS
  • 강화학습 GRPO
  • Mixture-of-Experts MOE
  • 위 내용들을 얼마나 충실히 언급하는지가 포인트입니다.

• 3. DeepSeek는 자사의 기술을 공개했나?

  • '25년 3월 DeepSeek Open Source Week과 오픈 소스 공개를 제대로 말하면 합격입니다.

• 4. DeepSeek의 기술이 AI 분야에 미친 영향은?

  • 얼마나 잘 정리해서 답하는지가 포인트입니다.
  • 엔비디아 주가 하락, 소프트웨어 기술을 활용한 엔지니어링 혁신, 미-중 양강구도 등 답은 많습니다.

2.1. OpenAI

ChatGPT

• 먼저, OpenAI Deep Research에서 실시합니다.
• Deep Research옵션을 켠 후 질의를 실시했습니다.
• Deep Research는 o3 모델을 사용한다고 알려져있기 때문에 모델 선택은 무의미할 겁니다.

• 탐색 범위를 좁히기 위한 역질문이 옵니다.
• 두 개의 답변을 하고, 이후 다른 모델로 Deep Research를 수행할 때는 이 답변을 추가합니다.

• OpenAI Deep Research는 자료를 읽으면서 검색을 이어갑니다.
• 모든 자료를 제대로 읽는 것은 아닙니다.
• DeepSeek을 서울대학교 연구팀이 개발했다는 엉뚱한 소리를 합니다.
• 심지어 위아래 소스를 클릭해 들어가봐도 그런 말은 없습니다.
• Deep Research의 환각이 목격된 순간입니다.

• 약 10분이 지난 후 보고서가 완료되었습니다.
• 문장마다 레퍼런스가 붙어있어 클릭하면 해당 레퍼런스로 이동합니다.

• 적잖이 길게 나온 보고서를 활용하려면 문서로 만들어야 하는데 분량이 만만치 않습니다.
• Data Analyst를 이용해 MS office 파일로 만들려면 실패를 거듭합니다.
• context size 때문에 파이썬 코드 안에 보고서 전체를 다 넣지 못하는 것 같습니다.

• 답변 맨 하단의 복사하기아이콘을 눌러 MS word 등에 붙여넣으면 볼만해집니다.
• 총 4페이지로 정리되었고 레퍼런스 링크를 포함한 정보들이 잘 살아있습니다.
• GPT Deep Research가 제공한 보고서는 여기에서 내려받을 수 있습니다. (다운로드 링크)

● OpenAI Deep Research 평가

• 1. DeepSeek은 OpenAI 등 빅테크 대비 얼만큼의 저비용을 달성했나?

  • 불합격
  • 6백만 달러라고 답합니다.

• 2. DeepSeek가 저비용으로 성능 좋은 추론 모델(DeepSeek-R1)을 훈련시킬 수 있던 방법은?

  • 합격
  • MOE, 강화학습, Distillation, EPLB, FP8, 병렬처리와 노드 간 통신을 언급합니다.

• 3. DeepSeek는 자사의 기술을 공개했나?

  • 불합격
  • 오픈 모델 공개와 논문 공개는 언급하지만 '25년 3월의 5 days 행사는 언급하지 않습니다.

• 4. DeepSeek의 기술이 AI 분야에 미친 영향은?

  • 합격
  • 전반적으로 여러 각도에서 종합적으로 서술하고 있습니다.
  • 자료 수집 중에 들어간 환각이 반영되지 않았습니다.

2.2. Google Deepmind Gemini 2.0

Gemini

• Google Gemini 좌측 상단 모델 선택 메뉴에서 Deep Research를 선택합니다.
• OpenAI에 넣은 것과 같은 질문을 넣으면서 역질문에 대한 답을 함께 입력합니다.
• 사실 Gemini는 Deep Research를 처음 탑재한 모델입니다.
• '24년 12월 Gemini 1.5 Pro with Deep Research라는 이름으로 공개되었으나 이상하리만치 반향이 적었습니다.

• Gemini Deep Research는 계획을 먼저 세웁니다.
• 추가하거나 빼고 싶은 부분, 고치고 싶은 부분이 있으면 수정 내역을 입력할 수 있습니다.
• 여기서는 연구 시작을 눌러 부가적인 수정은 하지 않았습니다.
• 그런데 간혹 계획이 너무 성의없이 작성되는 경우가 있으므로 확인할 필요가 있습니다.

• 계획에서 만든 단락보다 조금 작은 단위로 선 검색 후 읽기를 진행합니다.
• 다수의 레퍼런스를 확보한 후 이들을 읽고 단락을 정리하는 방식입니다.
• 읽은 내용에 맞추어 검색을 수행하는 것으로 보이는 OpenAI와는 다른 느낌입니다.

• OpenAI보다 절반 정도 시간에 보고서가 완성되었습니다.
• Gemini는 우측 상단에 Export to Docs버튼이 있어 Google docs로 보낼 수 있다는 특징이 있습니다.
• 보고서 중간에 있는 표 또한 Export to Sheets를 통해 보낼 수 있습니다.

• Google Docs로 넘어간 문서는 Download기능을 통해 .docx부터 .pdf, .md 등으로 변환 가능합니다.
• Google Docs에 내장된 번역기능을 누릴 수 있으며,
• Gemini 사용이 가능해 길이나 어조 편집이 가능하지만 스타일, 꾸밈은 편집이 안됩니다.

• Gemini Deep Research가 제공한 보고서는 여기에서 내려받을 수 있습니다. (다운로드 링크)

● Gemini Deep Research 평가

• 1. DeepSeek은 OpenAI 등 빅테크 대비 얼만큼의 저비용을 달성했나?

  • 합격
  • V3 개발비용 560만달러가 최종 학습 실행 비용만임을 레퍼런스와 함께 제시합니다.
  • '25년 3월의 기사를 인용하여 GPT-4의 1억 달러 대비 1,500만 달러 수준임을 언급합니다.

• 2. DeepSeek가 저비용으로 성능 좋은 추론 모델(DeepSeek-R1)을 훈련시킬 수 있던 방법은?

  • 합격
  • 강화학습, 소량의 콜드 스타트 데이터와 SFT, MoE, MTP, DualPipe등등을 언급합니다.

• 3. DeepSeek는 자사의 기술을 공개했나?

  • 불합격
  • 오픈 모델 공개와 논문 공개는 언급하지만 '25년 3월의 5 days 행사는 언급하지 않습니다.

• 4. DeepSeek의 기술이 AI 분야에 미친 영향은?

  • 합격
  • 언어 생성, 추론 효율성, 모델 경량화 등 관점에서 종합적으로 서술하고 있습니다.

2.3. Perplexity

Perplexity

• 미리 말씀드리자면 Perplexity는 오늘 글에 언급된 Deep Research 중 가장 빠른 시간에 보고서를 완성합니다.
• 줄글이 길지 않지만 간략한 단어로 정리해주는 것이 Perplexity의 매력이 아닐까 싶습니다.
• 입력창 왼쪽 하단에서 Deep Research를 선택하고 프롬프트 입력 후 실행을 누릅니다.

• Perplexity는 초반에 참고문헌을 모두 검색해 놓은 뒤,
• 확보한 참고문헌들을 읽으면서 토막 정리글들을 만들고 이를 붙이는 방식으로 정리합니다.

• 약 5분만에 작성이 완료된 후 내보내기버튼을 통해 다양한 방식으로 내보낼 수 있습니다.
• PDF, Markdown, DOCX와 함께 Perplexity Page가 있습니다.
• 블로그 포스팅과 유사한 사이트로 즉석에서 내보낼 수 있는 기능인데, 환각 위험성때문에 안 쓰게 됩니다.

• Perplexity Deep Research가 제공한 보고서는 여기에서 내려받을 수 있습니다. (다운로드 링크)

● Perplexity Deep Research 평가

• 1. DeepSeek은 OpenAI 등 빅테크 대비 얼만큼의 저비용을 달성했나?

  • 합격
  • V3 개발비용 558만달러와 H800 2048개만 사용되었다는 내용을 언급하면서도, 다른 비용이 반영되지 않았음을 언급합니다.
  • 실제 총 투입 비용은 10억달러에 달할 것이라는 주장이 함께 소개되고 있습니다.

• 2. DeepSeek가 저비용으로 성능 좋은 추론 모델(DeepSeek-R1)을 훈련시킬 수 있던 방법은?

  • 합격
  • 강화학습, GRPO, Multi-Token, MoE, Cold-start data등을 언급합니다.

• 3. DeepSeek는 자사의 기술을 공개했나?

  • 합격
  • DeepSeek Open Source Week 행사를 언급하며 FlashMLA, DeepEP, DeepGEMM, DualPipe, EPLB를 소개합니다.
  • DeepSeek-R1이 MIT 라이선스로 공개되었고 개방형 협업 생태계를 지향한다는 기술을 하고 있습니다.

• 4. DeepSeek의 기술이 AI 분야에 미친 영향은?

  • 합격
  • 언어 생성, 추론 능력 향상, 모델 경량화, 효율성 개선, 오픈소스 생태계 활성화를 차례대로 정리합니다.

2.4. Genspark

Genspark
Genspark: Comparative Analysis of ‘Deep Research’ AI Agents

• Genspark의 첫인상은 Perplexity 하위호환형이었습니다.

• 한글화도 조악하고 Perplexity가 내놓은 기능들을 빠르게 베껴서 자사의 서비스로 탑재했기 때문입니다.

• 하지만 머잖아 마인드맵 작성, Mixture of Experts같은 차별화된 기능들을 속속 도입했습니다.

• 주변에는 Perplexity를 해지하고 Genspark에 유료 가입했다는 분들도 적지 않을 만큼 경쟁력을 확보했습니다.

• 왼쪽 패널의 딥 리서치를 클릭하면 다른 에이전트들과 비슷한 화면으로 넘어갑니다.

• 1. 계획 생성, 2. 딥 리서치, 3. 최종 보고서 3단계로 이루어져 있고,

• 프롬프트를 입력하여 보고서 작성을 지시하면 연구 계획을 수립하기 시작합니다.

• Genspark는 자체 언어 모델이 없이 GPT, Claude, Gemini, DeepSeek을 가져다 씁니다.

• 이들의 장점을 모으는 Mixture-of-Agents 모드를 활용하기로 합니다.

• GPT-4o, Claude 3.7 sonnet, Gemini 1.5-pro모델이 동원됩니다.

• 계획 수립을 마치면 수정할지 물어봅니다.
• Genspark가 Deep Research를 출시했을 때 앞에는 Gemini와 DeepSeek만 나와 있었습니다.
• Gemini의 프로세스를 벤치마킹하여 프롬프트의 조합으로 구축한 것으로 보입니다.
• 특이한 점으로 보고서를 공개할지, 혼자만 볼 지 결정하도록 합니다.
• 공개하면 “우리의 커뮤니티에 공유하여 다른 이들이 볼 수 있다”고 합니다.
• 이런 식으로 Genspark Spark에 발행되어 검색 결과에 걸려들 수 있다는 의미로 보입니다.

• 소주제별 일괄 검색과 내용 정리를 반복하는 패턴도 Gemini와 유사합니다.

• Genspark 답변을 받는 데는 44분이 소요되었습니다.
• Mixture-of-Agents가 적용된 만큼 각각의 답변을 받은 뒤에 정리를 합니다.
• 최초의 입력 프롬프트와 결과를 비교한 후, 누락된 부분을 중점적으로 보완합니다.
• 추가 정보를 수집하고 분석하여 보고서를 다듬는 단계가 이어집니다.

• Genspark는 Deep Research는 특이한 기능이 여러 개 있습니다.
• 그 중 하나가 동영상을 함께 검색해서 최종 보고서에 붙여준다는 점입니다.
• 친절하기는 한데 제가 동영상보다 활자를 선호해서 그런지 이것보다 레퍼런스 제목이라도 붙여주지싶습니다.
• 또 하나는 보고서 최하단의 복사본 생성기능입니다.

• 이걸 사용하면 동일한 보고서가 하나 생기는데, 이 버전은 편집 가능합니다.
• 마치 Notion처럼 Markdown을 이용한 수정이 가능한 것입니다.
• 어투나 정보를 수정하여 URL을 타인에게 공유하기에 좋습니다.
• 대신 .docx 등 수정 가능한 형태로 내려받기가 여의치 않지만 화면을 인쇄하는 방식으로 PDF 저장이 가능합니다.

• Genspark Deep Research가 제공한 보고서는 여기에서 내려받을 수 있습니다. (다운로드 링크)

● Genspark Deep Research 평가

• 1. DeepSeek은 OpenAI 등 빅테크 대비 얼만큼의 저비용을 달성했나?

  • 합격
  • 여러 기사를 정리하지 않고 나열하는 것이 불편하지만 나쁘지 않습니다.
  • GPU 클러스터 투자 금액 16억달러를 논문에 기술된 600만달러와 함께 언급하고 있습니다.

• 2. DeepSeek가 저비용으로 성능 좋은 추론 모델(DeepSeek-R1)을 훈련시킬 수 있던 방법은?

  • 불만족
  • 계층적 어텐션 최적화, 양자화 기법 적용, 합성 데이터 생성 전략, 개선된 레이어 병렬화 기법, 어텐션 헤드 최적화를 언급합니다.
  • 중요한 내용들이 다수 빠져있어 불만족스럽습니다.

• 3. DeepSeek는 자사의 기술을 공개했나?

  • 불합격
  • Github 레포지토리 실적과 학회 발표를 언급합니다.
  • 그러나 일반인들에게 잘 알려지지 않은 Open Source Week 행사를 언급하지 않습니다.

• 4. DeepSeek의 기술이 AI 분야에 미친 영향은?

  • 불만족
  • 언어 생성, 추론, 경량화 등 관점에서 종합적으로 서술하고 있습니다.
  • 불합격이라고 말하긴 어렵겠지만 내용이 다른 도구들에 비해 많이 빈약한 느낌입니다.

2.5. Manus

manus

• DeepSeek의 충격이 가시기 전에 등장한 중국산 Deep Research Agent입니다.

• 처음부터 성능이 매우 강력하다는 평이 있었고 저도 이 글을 쓰기 전까지 여러 차례 사용하면서 신뢰를 두텁게 쌓았습니다.

• 이 글 서두에 있는 모델별 context size 정리가 manus를 이용해 초안을 얻은 것입니다.

• 그런데 GPT-4o처럼 context size가 출시 이후 변동된 것들을 캐치하지 못해 오류가 있었고,

• 놓치고 가져오지 못한 모델 데이터도 있어서 일일이 확인하며 절반 정도를 수정했습니다.

• 그럼에도 불구하고 체감상 다른 것들보다는 신뢰를 더 주는 편입니다.

• 초기 화면은 다른 것들과 거의 동일합니다.

• 같은 프롬프트를 넣고 시작합니다.

• 다른 것보다 Manus에게 agent라는 느낌을 강하게 받는 이유가 있습니다.
• 작업 시작과 동시에 일단 작업 공간을 만들고 시작하는데,
• 할 일도 todo.md안에 계획을 담아 놓고 하나씩 체크하면서 진행합니다.
• 트위터 검색도 API를 호출하는 식으로 하는 모습을 보면서 확장성이 좋겠다는 생각을 했습니다.

• Manus가 어떻게 동작하는지 작업 화면도 볼 수 있습니다.
• 컴퓨터 보기버튼을 클릭하면 화면 오른쪽에 Manus가 살펴보는 웹페이지가 고스란히 뜹니다.
• 어떤 사이트는 권한이 없어서 내용이 보이지 않는 장면이 등장하는데 해당 장면도 볼 수 있습니다.
• 다른 에이전트들도 비슷한 동작을 할 것이라고 유추합니다만, 추후 리플레이가 된다는 점이 쏠쏠한 재미가 됩니다.

• 한 단계를 마무리할 때마다 todo.md파일을 불러 업데이트를 합니다.
• 다른 에이전트는 이런 과정을 내부적으로 처리하고 드러내지 않을 듯 하지만,
• 이런 과정을 보여주는 점이 엔지니어 관점에서 괜히 흡족합니다.

• 완료된 보고서는 .md와 .pdf형식으로 받을 수 있습니다.
• markdown을 의미하는 .md는 배우기 어렵지 않지만 컴퓨터와 거리가 다소 먼 일반인들에겐 생소합니다.
• .docx 버전 출력을 함께 지원해줬으면 어떨까 하는 약간의 아쉬움이 있습니다.

• Manus는 최종 보고서인 comprehensive_report 외에 두 개의 파일을 더 줍니다.
• 계획표인 todo.md와 research_findings.md인데, 모두 markdown 형식입니다.
• research_findings는 comprehensive_report와 사실상 내용이 같고 분량도 비슷합니다.
• 차이가 있다면 하나는 개조식, 하나는 줄글이라는 점인데 취향에 따라 무엇을 선호할지가 다를 듯 합니다.

• 아래 이미지의 왼쪽이 research_findings, 오른쪽이 comprehensive_report입니다.

• Manus Deep Research가 제공한 보고서는 여기에서 내려받을 수 있습니다. (comprehensive report, research findings)

● Manus Deep Research 평가

• 1. DeepSeek은 OpenAI 등 빅테크 대비 얼만큼의 저비용을 달성했나?

  • 합격
  • V3 개발비용 558만달러를 언급하고 H800이 H100보다 성능이 훨씬 못하다는 불충분한 정보가 있습니다.
  • 그러나 시행착오 비용, 연구개발비 등이 누락되었다는 지적과 함께 5억달러 이상을 이야기합니다.

• 2. DeepSeek가 저비용으로 성능 좋은 추론 모델(DeepSeek-R1)을 훈련시킬 수 있던 방법은?

  • 합격
  • MoE, 지식 증류, 하이브리드 학습(SFT + RL), 멀티토큰 등을 언급합니다.

• 3. DeepSeek는 자사의 기술을 공개했나?

  • 불합격
  • Open Source Week 행사를 언급하지 않습니다.

• 4. DeepSeek의 기술이 AI 분야에 미친 영향은?

  • 합격
  • 가격 경쟁 촉발, 오픈소스 AI 생태계 활성화, 저비용 고효율 AI 연구, AI 기술 접근성 향상, 빅테크 기업 대응 변화를 언급합니다.

3. 정리

• 위에서 5종의 Deep Research를 비교해서 살펴봤습니다.

• 박사과정에게 이 숙제를 내주었을 때 기대한 답변을 목표로 합격과 불합격의 기준을 정했습니다.

• 2번 문항은 사실 모든 Deep Research Agent가 100% 답변을 가져오지 못했지만, 이 정도면 더 찾아볼 실마리는 되겠다는 생각으로 합격점을 주었습니다.

• 그럼에도 불구하고 Genspark는 많이 만족스럽지 못했던 것이 사실입니다.

• “남들이 10분만에 가져올 때 너 40분 넘게 뭐했냐?”고 묻고 싶을 정도로 열심히 일하는데 결과물이 아쉽습니다.

• 부족한 기본기를 프롬프트 엔지니어링으로 커버하려다 보니 한계가 있지 않았나 싶습니다.

• 3번 문항은 일반인과 이 분야에 관심을 가지고 있는 사람들의 선을 넘는지 보았고,

• 그것이 3월 초의 DeepSeek Open Source Week 행사였습니다.

• 이 분야의 박사과정이라면 이 정도는 조사해서 와야 한다고 생각했는데 Perplexity만 행사를 언급했습니다.

• 그러나 Perplexity도 답을 주었다기보다 한 단계 더 들어갈 실마리를 제공했다고 보는 게 좋습니다.

• Deep Research는 이름과 달리 연구가 아닙니다.
• 자료 조사이지만 그나마 아직 발전의 여지가 있습니다.
• 몇 달 뒤에는 더 강력한 도구를 사용할 수 있기를 기대합니다.

1. Overview

• 새로운 기술과 제품이 너무 빠르게 나와서 따라가기조차 쉽지 않은 것이 사실입니다.
• 모든 지식을 매 순간 업데이트하는 것은 거의 불가능합니다.
• 흐름을 따라가는 것만으로도 충분하다고 생각합니다.

2. LLM, RAG, AI Agent

• 2023년 언론을 뒤덮은 ChatGPT는 LLM, 거대 언어 모델입니다.
• 지금의 GPT는, Claude와 Gemini는 그 때와는 완전히 다른 제품입니다.
• LLM은 환각을 줄이고 내 정보를 활용하고자 RAG: 검색 증강 생성으로 진화했고,
• 한편으로 다양한 기능을 탑재하면서 AI Agent로 발전했습니다.

• 우리는 연구원이고, 우리에게 필요한 것은 RAG AI Agent입니다.

• 제가 자주 사용하는 도구들을 소개했습니다.

• ChatGPT | https://chat.openai.com

  • 다재다능한 대장주입니다.
  • GPTs를 사용해서 특화 기능을 활용해 보세요.

• Claude | https://claude.ai

  • 문장력이 매우 뛰어납니다.
  • 오늘보다 내일이 더 기대되는 모델입니다.

• Gemini | https://gemini.google.com

  • 내 gmail과 google drive를 뒤져서 활용합니다.
  • Gemini 1.5 Pro Deep Research는 유사 기능 중 현존 최강이라 생각합니다.

• Perplexity | https://perplexity.ai

  • 구글 검색을 거의 대체할 수 있지만 요새는 비슷한 도구들이 많이 나왔습니다.
  • 빠른 스피드가 강점입니다.

• Genspark | https://genspark.ai

  • Perplexity의 하위 호환이라 생각했지만 좋은 기능이 많이 생겼습니다.
  • 특히 cross check 기능과 MoE: Mixture of Experts 기능을 꼭 사용해 보세요.

• Storm | https://storm.genie.stanford.edu

  • 같은 소재로 글쓰기를 해도 의도가 다르면 글이 달라집니다.
  • Writer AI와 Expert AI, 그리고 사람의 인터랙션을 느낄 수 있습니다.

• SciSpace | https://typeset.io

  • 논문 작성을 위한 도구입니다.
  • My Library에 PDF 파일들을 채워두고 Chat with PDF, AI writer를 사용해 보세요.

• NotebookLM | https://notebooklm.google.com/

  • 구글의 저력을 보여주는 서비스입니다.
  • 대량의 자료를 대상으로 한 빠른 검색, 그리고 Audio Overview가 만들어주는 podcast가 너무 좋습니다.

3. 현재 진행형입니다.

• 목표한 짐승을 사냥하는 헌터의 자세보다 고기를 기다리는 낚시꾼의 마음이 필요합니다.

• "이런 기능이 있으면 좋겠다."는 생각을 가지고 안테나를 세운 채 기다리세요.

• 기다리던 AI 도구가 나오면, 맘 편히 사용하시는 것을 권해드립니다.

• 나한테 맞으면 계속 사용하고, 그렇지 않으면 안 쓰면 그만입니다.

• 발표자료를 공유드립니다: (다운로드)

4. My Library

4.1. 문서 업로드, 관리

Pega Devlog: 생성 AI 연구 활용 한계와 제언
Nature: Artificial-intelligence institute launches free science search engine
Semantic Scholar: A free, AI-powered research tool for scientific literature
Zotero

• SciSpace를 비롯한 정보 수집, 정리용 AI 도구들의 가장 치명적인 약점은 Data Source입니다.
• 반년 전 관련 글을 올린 적도 있지만 여전히 유효합니다.
• 이런 도구들은 Semantic Scholar: A free, AI-powered research tool for scientific literature에서 논문을 찾습니다.

• Semantic Scholar가 좋은 검색 엔진이기는 하지만, 분야에 따라서는 답답합니다.
• 찾는 논문, 좋은 논문. 정확히는 유료 논문이 나오지 않기 때문입니다.
• 문제는 AI가 논문을 찾아 내용을 정리해서 주다 보면 왠지 더 믿게 되고, 여기서 보이지 않는 것은 없다고 은연중에 생각하게 됩니다.
• 이를 해결할 수 있는 유일한 방법은 논문을 직접 찾아 PDF 파일을 업로드하는 것입니다.
• ChatGPT에도 이런 식으로 논문을 올리고 활용할 수 있는데, 문제는 파일 관리를 PC 등에 별도로 해야 한다는 점입니다.
• SciSpace는 문서를 올리고, 폴더를 만들어 관리할 수 있도록 My Library를 제공합니다.

• 우측 상단의 My Library 버튼을 누르면, 또는 좌측 세로줄 메뉴에서 책꽂이 아이콘을 클릭하면
• 저의 경우 아래와 같은 장면이 펼쳐집니다.
• 먼저, 좌측에 엄청나게 많은 폴더들이 있습니다. 제가 논문을 받을 때마다 만든 것들과 함께,
• 한때 사용하던 Zotero에 저장된 서지정보를 받아온 것들입니다.

• 이 중 주황색으로 표현된 AI in Energy폴더를 클릭한 것이 주 화면에 나온 것입니다.

• 폴더에 속한 논문들이 주요 내용과 함께 표로 정리되어 출력됩니다.

• 표의 우측 상단에서 언어를 설정할 수 있습니다. 기본값은 영어이지만 한글을 사용할 수 있습니다.

• 현재 한글로 설정되어 있기 때문에 아래의 TL;DR이 우리말로 출력되고 있습니다.

• Files에는 파일명이 있습니다. 24개의 파일명 아래에 세 가지 기능이 보이는데,

• summary, Podcast, Chat입니다.

• summary를 누르면 TL;DR보다 훨씬 자세한 요약이 출력되지만 영어로만 고정되어 있습니다.

• 언어 설정을 할 수 없다는 점이 아쉽기는 하지만 TL;DR에 비해 훨씬 자세한 내용을 담고 있습니다.

• Chat을 누르면 오른쪽에 플로팅 창이 뜨면서, 이 논문에 대해 질문을 하고 답을 받을 수 있습니다.

• ChatGPT에 논문을 업로드해 둔 것과 같은 상황인데, 사용을 권장하지는 않습니다.

• 질문을 하면 빠르게 답변을 하고 본문 중 답을 가져온 지점을 레퍼런스로 표시해주는 것 까지는 좋은데,

• 레퍼런스를 클릭하면 Chat with PDF모드로 갑니다. 여기까지도 좋습니다.

• 제가 권장하지 말라고 한 것은, 창이 점프하면서 질문과 답변이 모두 사라지기 때문입니다.

• 단순한 오류이고 곧 고쳐질 것이라 생각하지만, 그리고 새로 열린 창에서 질의와 답변을 받을 수 있지만

• 그럴거면 그냥 논문 제목을 클릭해서 Chat with PDF 모드로 간 것이 더 편합니다.

• 뭔가 아직 정리가 덜 된 느낌이 있습니다.

• 화면 오른쪽에는 + 로 시작하는 항목이 많이 있습니다.
• 여기를 클릭하면 표에 항목이 새로 붙으면서 각 논문마다 해당 데이터를 일괄 추출해 냅니다.
• 관심이 사라진 주제는 x를 눌러 닫을 수도 있고,
• 일괄 적용하고자 하는 질문이 없을 경우 Create new column을 눌러 새로운 열을 만들 수 있습니다.
• 그리고 우측 상단 Export 버튼을 눌러 표를 엑셀 등 형식으로 다운로드할 수 있습니다.

• 라이브러리 관리 방법은 생각보다 간단합니다.
• 왼쪽 폴더 목록 위에 있는 +New 버튼을 눌러 폴더를 만들 수 있고,
• 오른쪽 위 Upload PDFs 버튼을 눌러 파일을 업로드할 수 있습니다.

4.2. 가져오기

• SciSpace는 Zotero의 목록을 가져올 수 있습니다.
• 화면 왼쪽 위 Import from Zotero버튼을 누르면 Zotero 계정과 연결하는 화면이 나오는데,
• Zotero 아이디와 패스워드를 입력하여 연결하면 다음과 같이 어떤 폴더를 가져올지 선택할 수 있습니다.
• 가져올 폴더를 선택한 뒤 Import 버튼을 누르면 폴더가 생성되고, 그 안에 논문들이 추가됩니다.

• PDF 파일만 가져올 수 있다는 이야기가 하단에 깨알같이 적혀있는데,

• 여기에 덧붙여 Mendeley에서 Zotero로 가져온게 있다면 이건 안가져올거야라고도 합니다.

• 사실과 다릅니다.

• PDF 파일이 없는 서지정보도 가져오며

• Mendeley에서 가져온 논문들도 가져옵니다.

• 그 바람에 서지정보를 입력하는 기능은 없는데 가져올 수는 있는 기형적인 구조가 됩니다.

• 기능이 추가되었으나 안내 문구가 수정되지 않은 것으로 짐작합니다.

• 희한한 것은 서지정보만으로도 뭔가 데이터를 끄집어 낸다는 것인데,

• Summary, Podcast 버튼은 동작하지 않지만

• Chat은 오동작을 합니다.

• 무슨 말이냐면, 지시한 논문의 내용이 아닌 아무말이나 지어낸다는 뜻입니다.

• 다행히 논문 제목을 클릭해서 Chat with PDF 모드로 가면 써먹을만 합니다.
• 서지정보를 이용해 Semantic Scholar와 연결하는 것으로 보이는데,
• 초록과 TL;DR, 그리고 피인용수까지 가지고 있는 것을 확인할 수 있기 때문입니다.

• Request PDF버튼을 통해 저자에게 메일을 보낼 수 있는데,
• 제가 교신저자로 등록돤 메일을 눌러보았지만, 확인해보니 정작 너무 예전 메일주소라 제가 확인할 수 없었습니다.
• 기능이야 어쨌든 다소 무례한 것이 아닌가 싶은 생각이 듭니다.

4.3. 맺음말

• 논문을 정리하는 사람 치고 적은 양을 정리하는 사람은 없습니다.

• 대학원에 입학한지 얼마 되지 않아 애초에 가진 것이 적은 경우를 제외하고는,

• 상당히 많은 논문 + 많아질 논문들을 관리하는 것이 숙명에 가깝습니다.

• 그런 면에서 폴더를 만들어 정리할 수 있는 이 기능은 상당히 매력적입니다.

• 그러나 한편으로 폴더 정렬이 되지 않는다는 점은 매우 아쉽습니다.

• 설명과 달리 서지정보를 가져온다는 점에서

• Zotero, Mendeley 같은 서지 관리 프로그램을 노리는 건 아닌가 싶기도 합니다.

• 사실 전통의 강자 EndNote를 포함해 이런 프로그램들이 여럿 있고,

• 이들도 AI 기능을 달려면 얼마든지 달 수 있습니다. SciSpace보다 더 유리한 고지를 점한 곳도 많습니다.

• 더 좋은 도구들이 나오면 언제든 활용할 수 있다는 열린 마음으로 기다리는 자세가 필요할 듯 합니다.