2026.07.17 · 네이버 프리미엄 콘텐츠 · 올바른 미국주식 by SAPIENS

메타가 $14B를 주고 데려온 남자 : MSL을 이끄는 알렉산더 왕의 통찰

네이버 프리미엄 콘텐츠 원문 보기 별의순간 텔레 알림 확인 중 분석 기준 보기

유형

네이버 프리미엄 콘텐츠

날짜

2026.07.17

강연자/작성자

올바른 미국주식 by SAPIENS

분석 주제

미지정

자료 길이

본문 40,105자

문서 전체 조망

핵심 구조

Llama 4의 좌절 뒤 MSL은 인재·컴퓨팅·연구를 다시 묶어 개인 초지능을 겨냥한다

이 자료는 Llama 4의 기대 미달 이후 메타가 Scale AI 지분투자와 알렉산더 왕 영입을 거쳐 MSL을 출범시킨 배경, 그리고 새 조직이 모델·컴퓨팅·제품화를 어떻게 연결하려 하는지를 다룬다.

Muse Spark의 효율 개선과 메타 앱·디바이스로의 통합 구상은 이 전환이 연구소 재편에 그치지 않는 이유로 제시된다.

Llama 4의 공개는 메타 AI 체계 재편의 출발점이 됐다

Llama 4 Scout와 Maverick은 지연 끝에 공개됐지만 Reasoning 경쟁이 높아진 시점에 기대를 충족하지 못했고 평가 모델 논란도 뒤따랐다.
이 때문에 메타가 기존 조직을 손보는 대신 MSL을 새로 꾸린 배경이 됐다고 본다.

MSL은 연구·제품·기초과학·인프라를 한 조직 아래 묶었다

대규모 모델 연구(TBD), 제품 배포(PAR), 기초 AI 연구(FAIR), GPU·데이터센터 계획(Meta Compute)을 연결하고, 왕의 조직·자원 책임과 Zhao의 과학적 방향 설정을 결합한 구조로 설명된다.
이 구조가 연구와 제품화의 연결 기준으로 제시된다.

컴퓨팅과 연구 문화가 프론티어 경쟁의 조건으로 제시됐다

왕은 모델을 직접 만드는 기업의 영향력과 대규모 컴퓨팅의 중요성이 커진다고 보며, 따라서 연구원에게 충분한 컴퓨팅·자율성을 주고 고위험 연구를 할 수 있는 환경을 만들어야 한다고 말한다.

Muse Spark는 스케일링 방식이 작동한다는 초기 근거로 제시됐다

강화학습에서 추론 길이에 비용을 부과하는 사고 압축과 모델·데이터·최적화 재설계로, 필요한 토큰과 사전학습 컴퓨팅을 줄이면서 성능을 높였다는 설명이 나왔다.
다만 이 근거는 앞으로의 로드맵을 보여줄 자신감으로 표현된다.

개인화된 초지능은 메타의 제품과 디바이스로 향한다

스마트 글래스처럼 사용자 맥락을 포착하는 디바이스와 앱·기업 서비스에 AI를 깊게 통합해, 에이전트가 제안·조사·행동까지 돕는 초지능 사이드킥을 목표로 제시한다.
이는 개인화된 초지능의 적용 경로다.

AI 시장의 최종 구도는 아직 정해지지 않았다고 본다

ChatGPT·Claude 같은 독립 브랜드와 메타·구글의 생태계 통합 전략이 함께 경쟁하며, 반면 새로운 역량이 나올 때마다 새 제품 형태와 더 큰 시장이 열릴 수 있다는 전망을 내놓는다.

발생·예정 사건과 출처별 관점

이슈 분석

이 자료가 이슈의 어떤 사실을 다루고, 작성자가 무슨 결론을 어떤 근거로 내렸는지 원문에 붙여 읽습니다.

발생발표·발생 후발생일 25-4-5

25-4 메타 Llama 4 Scout·Maverick 공개

작성자의 핵심 판단

작성자는 공개 전 기대와 달리 Llama 4가 프론티어 경쟁에 필요한 궤도에 오르지 못했고, 이것이 MSL을 새로 출범시키는 출발점이 됐다고 평가했다.

근거 보기 3

원문 구간 1
그래서 AI에 매우 집중하고 있었고, 이 분야에 큰 베팅을 하고 싶어 했습니다. 하지만 마크가 공개적으로 이야기했듯이, 당시 Llama 4는 메타가 이런 투자를 계속 확대해나가기 위해 필요했던 수준의 궤도에 올라 있지 않았습니다. 그래서 우리는 아주 큰 틀에서부터 대화를 시작했습니다. 어떻게 하면 더 긴밀하게 협력할 수 있을지, 그리고 그 협력의 형태가 구체적으로 어떤 모습이어야 할지를 논의했습니다. 처음부터 정해진 답이 있었던 것은 아닙니다. 이런 논의가 대개 그렇듯이, 매우 개방적이고 자유로운 브레인스토밍에 가까웠습니다. 이 대목에서 말하는 “Llama 4가 필요한 궤도에 올라 있지 않았다”는 표현을 이해하려면, 당시 Llama 4 공개 전 기대와 공개 후 반응 사이의 큰 낙차를 볼 필요가 있습니다. 마크 저커버그는 2025년 1월, "Llama 4가 그해를 대표하는 최고 수준의 프론티어 모델이 될 것"이라고 공개적으로 예고했습니다. 동시에 메타는 2025년에 약 $60B~$65B의 CapEx를 집행하고, 연말까지 130만 개 이상의 GPU를 확보하며 약 1GW의 컴퓨트를 가동하겠다는 계획도 발표했었습니다. Llama 4는 이처럼 막대한 AI 투자가 실제 기술적 우위로 이어지고 있음을 증명해야 하는 모델이었습니다. 기대가 더욱 높았던 이유는 이전 세대인 Llama 3.1이 메타의 오픈웨이트 전략을 상당 부분 성공시켰기 때문입니다.
원문 구간 2
메타는 Llama 3.1 405B를 세계에서 가장 크고 강력한 공개형 기반 모델로 소개했고, 실제로 당시에는 폐쇄형 모델과 오픈웨이트 모델 사이의 성능 격차를 크게 좁혔다는 평가를 받았습니다. 그러나 개발 과정부터 분위기가 순탄하지 않았습니다. 공개 전 보도에서는 Llama 4가 메타 내부의 수학 및 Reasoning 벤치마크에서 기대에 미치지 못했고 음성 대화 기능에서도 경쟁 모델보다 뒤처지면서 출시 일정이 여러 차례 밀렸습니다. 특히 2025년 초에는 DeepSeek-R1을 비롯한 Reasoning 모델들이 주목받으며 시장의 기준 자체가 빠르게 높아진 상황이었습니다. 메타가 모델을 개발하는 동안 경쟁의 중심이 챗봇 성능에서 장시간 Reasoning으로 이동한 것입니다. 수 차례 지연 끝에 메타는 2025년 4월 5일 Llama 4 Scout와 Maverick을 공개하고, 훨씬 큰 모델인 Behemoth는 완성품이 아닌 프리뷰 형태로만 발표했습니다. 문제는 Non-Reasoning 모델이었다는 데 있습니다. 그리고 이미 등장해 있던 당시 프론티어 모델에 비해서는 크게 뒤처지던 모델이었습니다. 또한 공개 직후에서는 벤치마크 신뢰성 논란까지 발생했습니다. 메타는 Llama 4 Maverick이 사용자들의 직접 투표로 모델을 평가하는 LMArena에서 전체 2위를 기록했다고 홍보했습니다.
원문 구간 3
그러나 이후 LMArena에 제출된 Maverick-03-26-Experimental이 실제 공개된 오픈웨이트 모델과 동일한 버전이 아니라, 사람의 선호를 얻도록 대화 스타일을 별도로 최적화한 실험 모델이었다는 사실이 알려졌습니다. 명백한 규정 위반으로 확정된 것은 아니었지만, 메타는 공개 모델과 평가 모델의 차이를 충분히 명시하지 않았다는 비판을 받았고 LMArena도 이후 평가 정책을 수정했습니다. Llama 4가 워낙 크게 대차게 실패했었기 때문에, 마크 저커버그는 아예 새 술은 새 부대에 담기로 결정했습니다. 그렇게 매우 빠르게 출범한 조직이 MSL입니다. 이것도 좀 더 아래에 정리해볼까 합니다. 그러다 결국 흥미로운 해법에 도달했습니다. Scale AI에도 좋고 메타에도 좋으면서 두 조직이 매우 긴밀하게 협력할 수 있는 방식을 찾아낸 것입니다. 우리는 함께 이 시대에서 가장 중요한 기술을 구축하기로 했습니다. 동시에 우리 둘 모두가 진심으로 자랑스러워할 만한 결과를 만들 수 있는 방식으로 이 일을 추진하기로 했습니다. 마크는 약 1년 전 '개인 초지능'에 관한 메모를 발표했습니다. 그 이후로는 관련 내용을 공개적으로 많이 이야기하지 않고 조용히 준비해왔습니다. 하지만 개인 초지능이라는 목표는 실제로 우리 두 사람 모두에게 북극성과 같은 존재입니다.

이 자료에서 다룬 사실

메타는 2025년 4월 5일 Llama 4 Scout와 Maverick을 공개하고 Behemoth는 프리뷰로 발표했다.

근거 보기 2

원문 구간 1
메타는 일리야 수츠케버가 설립한 Safe Superintelligence 등 유력 AI 스타트업과 팀을 통째로 확보할 수 있는 방안도 검토한 것으로 보도됐습니다. 결국 선택된 방식이 Scale AI에 대한 대규모 지분투자와 알렉산더 왕의 영입이었습니다. 2025년 6월 메타는 Scale AI의 지분 49%를 $14.3B에 취득했습니다. 시점들을 보시면, 4월에 Llama 4가 실패한 것을 받아들이자마자 1~2개월 만에 물밑에서 굉장히 추진력 있는 시간을 보냈던 것을 파악할 수 있습니다. 그리고 마침내 2025년 6월 30일 저커버그는 사내 메모를 통해 Meta Superintelligence Labs, "MSL" 출범을 공식화했습니다. 기존의 기반 모델 연구, FAIR, AI 제품과 응용 연구 등 메타의 여러 AI 조직을 하나의 상위 조직으로 묶고 알렉산더 왕을 최고 AI 책임자로 앉혔습니다. 오픈AI 내부의 반응도 거셌습니다. WIRED에 따르면 오픈AI 최고연구책임자 마크 첸은 메타의 연쇄 영입을 두고 누군가 집에 침입해 물건을 훔쳐가는 것처럼 느껴진다는 취지로 직원들에게 설명했습니다. 오픈AI 역시 핵심 인력을 지키기 위해 보상 조건을 조정하기 시작했습니다. 결과적으로 MSL 출범은 메타 한 회사의 조직 개편을 넘어 오픈AI와 구글, 앤스로픽 등 전체 AI Lab의 보상 체계를 끌어올리는 계기가 됐습니다.
원문 구간 2
다만 알렉산더 왕과 냇 프리드먼은 AI 산업과 제품을 깊이 이해하는 창업가였지만, GPT나 Llama급 모델을 직접 설계하고 훈련해온 정통 프론티어 연구 책임자는 아니었습니다. 이를 보완한 인물이 Shengjia Zhao였습니다. 저커버그는 2025년 7월 25일 그를 MSL 수석 과학자로 공식 임명했습니다. 셩자 자오는 오픈AI에서 ChatGPT, GPT-4와 추론 모델 o1 개발에 참여했던 연구자로, MSL의 연구 의제와 과학적 방향을 설정하는 역할을 맡았습니다. 알렉산더 왕이 조직과 자원을 지휘하고 Shengjia Zhao가 기술적 방향을 정하는 이원 구조가 완성된 것입니다. 알렉스 왕 Alexandr Wang : 네, 정말 완전히 다른 선택이었습니다. 저 역시 그 점을 오랫동안 고민했습니다. 이 과정을 거치면서 가장 크게 느낀 것은 AI 업계에 있는 사람이라면 누구나 비슷하게 느끼겠지만, AI의 발전 속도가 오랫동안 제가 예상했던 것보다 훨씬 빨랐다는 점입니다. AI 모델의 발전이 계속 가속화되는 모습을 지켜보면서 몇 가지 생각이 점점 더 확고해졌습니다. 첫 번째는 AI 모델을 직접 개발하는 회사들이 경제적으로든 제품 측면에서든 점점 더 많은 주도권과 영향력을 갖게 된다는 점입니다. 과거에는 AI 생태계가 어떤 구조로 형성될지, 그 안에서 누가 가장 중요한 역할을 맡게 될지를 두고 다양한 논쟁이 있었습니다.

그렇게 판단한 이유

출시 지연, Reasoning 중심으로 높아진 경쟁 기준, 공개 모델과 LMArena 실험 모델의 차이에 관한 논란을 근거로 들었다.

근거 보기 3

원문 구간 1
그래서 AI에 매우 집중하고 있었고, 이 분야에 큰 베팅을 하고 싶어 했습니다. 하지만 마크가 공개적으로 이야기했듯이, 당시 Llama 4는 메타가 이런 투자를 계속 확대해나가기 위해 필요했던 수준의 궤도에 올라 있지 않았습니다. 그래서 우리는 아주 큰 틀에서부터 대화를 시작했습니다. 어떻게 하면 더 긴밀하게 협력할 수 있을지, 그리고 그 협력의 형태가 구체적으로 어떤 모습이어야 할지를 논의했습니다. 처음부터 정해진 답이 있었던 것은 아닙니다. 이런 논의가 대개 그렇듯이, 매우 개방적이고 자유로운 브레인스토밍에 가까웠습니다. 이 대목에서 말하는 “Llama 4가 필요한 궤도에 올라 있지 않았다”는 표현을 이해하려면, 당시 Llama 4 공개 전 기대와 공개 후 반응 사이의 큰 낙차를 볼 필요가 있습니다. 마크 저커버그는 2025년 1월, "Llama 4가 그해를 대표하는 최고 수준의 프론티어 모델이 될 것"이라고 공개적으로 예고했습니다. 동시에 메타는 2025년에 약 $60B~$65B의 CapEx를 집행하고, 연말까지 130만 개 이상의 GPU를 확보하며 약 1GW의 컴퓨트를 가동하겠다는 계획도 발표했었습니다. Llama 4는 이처럼 막대한 AI 투자가 실제 기술적 우위로 이어지고 있음을 증명해야 하는 모델이었습니다. 기대가 더욱 높았던 이유는 이전 세대인 Llama 3.1이 메타의 오픈웨이트 전략을 상당 부분 성공시켰기 때문입니다.
원문 구간 2
메타는 Llama 3.1 405B를 세계에서 가장 크고 강력한 공개형 기반 모델로 소개했고, 실제로 당시에는 폐쇄형 모델과 오픈웨이트 모델 사이의 성능 격차를 크게 좁혔다는 평가를 받았습니다. 그러나 개발 과정부터 분위기가 순탄하지 않았습니다. 공개 전 보도에서는 Llama 4가 메타 내부의 수학 및 Reasoning 벤치마크에서 기대에 미치지 못했고 음성 대화 기능에서도 경쟁 모델보다 뒤처지면서 출시 일정이 여러 차례 밀렸습니다. 특히 2025년 초에는 DeepSeek-R1을 비롯한 Reasoning 모델들이 주목받으며 시장의 기준 자체가 빠르게 높아진 상황이었습니다. 메타가 모델을 개발하는 동안 경쟁의 중심이 챗봇 성능에서 장시간 Reasoning으로 이동한 것입니다. 수 차례 지연 끝에 메타는 2025년 4월 5일 Llama 4 Scout와 Maverick을 공개하고, 훨씬 큰 모델인 Behemoth는 완성품이 아닌 프리뷰 형태로만 발표했습니다. 문제는 Non-Reasoning 모델이었다는 데 있습니다. 그리고 이미 등장해 있던 당시 프론티어 모델에 비해서는 크게 뒤처지던 모델이었습니다. 또한 공개 직후에서는 벤치마크 신뢰성 논란까지 발생했습니다. 메타는 Llama 4 Maverick이 사용자들의 직접 투표로 모델을 평가하는 LMArena에서 전체 2위를 기록했다고 홍보했습니다.
원문 구간 3
그러나 이후 LMArena에 제출된 Maverick-03-26-Experimental이 실제 공개된 오픈웨이트 모델과 동일한 버전이 아니라, 사람의 선호를 얻도록 대화 스타일을 별도로 최적화한 실험 모델이었다는 사실이 알려졌습니다. 명백한 규정 위반으로 확정된 것은 아니었지만, 메타는 공개 모델과 평가 모델의 차이를 충분히 명시하지 않았다는 비판을 받았고 LMArena도 이후 평가 정책을 수정했습니다. Llama 4가 워낙 크게 대차게 실패했었기 때문에, 마크 저커버그는 아예 새 술은 새 부대에 담기로 결정했습니다. 그렇게 매우 빠르게 출범한 조직이 MSL입니다. 이것도 좀 더 아래에 정리해볼까 합니다. 그러다 결국 흥미로운 해법에 도달했습니다. Scale AI에도 좋고 메타에도 좋으면서 두 조직이 매우 긴밀하게 협력할 수 있는 방식을 찾아낸 것입니다. 우리는 함께 이 시대에서 가장 중요한 기술을 구축하기로 했습니다. 동시에 우리 둘 모두가 진심으로 자랑스러워할 만한 결과를 만들 수 있는 방식으로 이 일을 추진하기로 했습니다. 마크는 약 1년 전 '개인 초지능'에 관한 메모를 발표했습니다. 그 이후로는 관련 내용을 공개적으로 많이 이야기하지 않고 조용히 준비해왔습니다. 하지만 개인 초지능이라는 목표는 실제로 우리 두 사람 모두에게 북극성과 같은 존재입니다.

발생발표·발생 후발생월 25-6

25-6 메타의 Scale AI 지분 매수

작성자의 핵심 판단

작성자는 이 거래를 Llama 4 이후 메타가 AI 개발 체계를 사실상 처음부터 재건한 과정의 한 부분으로 봤다.

근거 보기 2

원문 구간 1
솔직히 저는 이 결정이 상당히 놀라웠습니다. 물론 거래 규모 자체가 막대했다는 점도 있었을 겁니다. 하지만 제가 오랫동안 지켜본 당신의 성향을 생각하면, 단순히 금전적인 이유만으로 내릴 결정은 아니라고 느꼈습니다. 오히려 '이 정도로 커리어의 방향을 바꾸려면 마크가 정말 강력하게 설득했겠구나'라는 생각이 들었습니다. 그만큼 당신에게도 매우 큰 전환점이 되는 결정처럼 보였습니다. Llama 4 공개 이후 벌어진 일은 일반적인 조직 개편과는 거리가 멀었습니다. 메타 내부에서 AI를 담당하던 임원 한두 명을 교체하는 수준이 아니라, 마크 저커버그가 직접 인재를 찾고 조직도를 다시 그리며 AI 개발 체계를 사실상 처음부터 재건하는 과정에 가까웠습니다. 저커버그는 이 시기 이른바 'Founder Mode'에 들어갔습니다. 월스트리트저널에 따르면 그는 AI 논문을 직접 읽으며 영입 대상을 찾았고, 연구원과 인프라 엔지니어, 제품 책임자 등 수백 명에게 이메일과 WhatsApp 메시지를 보냈습니다. 채용 임원들과는 'Recruiting Party'라는 이름의 WhatsApp 채팅방을 만들어 누구에게 어떤 방식으로 접근할지를 논의했습니다. 일부 후보자는 팔로앨토와 레이크 타호에 있는 저커버그의 집으로 초대해 직접 설득한 것으로 전해졌습니다. 단순히 채용팀에 지시한 것이 아니라 CEO가 프론티어 AI Lab의 초기 멤버를 한 명씩 고른 것입니다.
원문 구간 2
메타는 일리야 수츠케버가 설립한 Safe Superintelligence 등 유력 AI 스타트업과 팀을 통째로 확보할 수 있는 방안도 검토한 것으로 보도됐습니다. 결국 선택된 방식이 Scale AI에 대한 대규모 지분투자와 알렉산더 왕의 영입이었습니다. 2025년 6월 메타는 Scale AI의 지분 49%를 $14.3B에 취득했습니다. 시점들을 보시면, 4월에 Llama 4가 실패한 것을 받아들이자마자 1~2개월 만에 물밑에서 굉장히 추진력 있는 시간을 보냈던 것을 파악할 수 있습니다. 그리고 마침내 2025년 6월 30일 저커버그는 사내 메모를 통해 Meta Superintelligence Labs, "MSL" 출범을 공식화했습니다. 기존의 기반 모델 연구, FAIR, AI 제품과 응용 연구 등 메타의 여러 AI 조직을 하나의 상위 조직으로 묶고 알렉산더 왕을 최고 AI 책임자로 앉혔습니다. 오픈AI 내부의 반응도 거셌습니다. WIRED에 따르면 오픈AI 최고연구책임자 마크 첸은 메타의 연쇄 영입을 두고 누군가 집에 침입해 물건을 훔쳐가는 것처럼 느껴진다는 취지로 직원들에게 설명했습니다. 오픈AI 역시 핵심 인력을 지키기 위해 보상 조건을 조정하기 시작했습니다. 결과적으로 MSL 출범은 메타 한 회사의 조직 개편을 넘어 오픈AI와 구글, 앤스로픽 등 전체 AI Lab의 보상 체계를 끌어올리는 계기가 됐습니다.

이 자료에서 다룬 사실

메타는 2025년 6월 Scale AI 지분 49%를 143억달러에 취득했고 알렉산더 왕을 영입했다고 서술했다.

근거 보기 2

원문 구간 1
솔직히 저는 이 결정이 상당히 놀라웠습니다. 물론 거래 규모 자체가 막대했다는 점도 있었을 겁니다. 하지만 제가 오랫동안 지켜본 당신의 성향을 생각하면, 단순히 금전적인 이유만으로 내릴 결정은 아니라고 느꼈습니다. 오히려 '이 정도로 커리어의 방향을 바꾸려면 마크가 정말 강력하게 설득했겠구나'라는 생각이 들었습니다. 그만큼 당신에게도 매우 큰 전환점이 되는 결정처럼 보였습니다. Llama 4 공개 이후 벌어진 일은 일반적인 조직 개편과는 거리가 멀었습니다. 메타 내부에서 AI를 담당하던 임원 한두 명을 교체하는 수준이 아니라, 마크 저커버그가 직접 인재를 찾고 조직도를 다시 그리며 AI 개발 체계를 사실상 처음부터 재건하는 과정에 가까웠습니다. 저커버그는 이 시기 이른바 'Founder Mode'에 들어갔습니다. 월스트리트저널에 따르면 그는 AI 논문을 직접 읽으며 영입 대상을 찾았고, 연구원과 인프라 엔지니어, 제품 책임자 등 수백 명에게 이메일과 WhatsApp 메시지를 보냈습니다. 채용 임원들과는 'Recruiting Party'라는 이름의 WhatsApp 채팅방을 만들어 누구에게 어떤 방식으로 접근할지를 논의했습니다. 일부 후보자는 팔로앨토와 레이크 타호에 있는 저커버그의 집으로 초대해 직접 설득한 것으로 전해졌습니다. 단순히 채용팀에 지시한 것이 아니라 CEO가 프론티어 AI Lab의 초기 멤버를 한 명씩 고른 것입니다.
원문 구간 2
메타는 일리야 수츠케버가 설립한 Safe Superintelligence 등 유력 AI 스타트업과 팀을 통째로 확보할 수 있는 방안도 검토한 것으로 보도됐습니다. 결국 선택된 방식이 Scale AI에 대한 대규모 지분투자와 알렉산더 왕의 영입이었습니다. 2025년 6월 메타는 Scale AI의 지분 49%를 $14.3B에 취득했습니다. 시점들을 보시면, 4월에 Llama 4가 실패한 것을 받아들이자마자 1~2개월 만에 물밑에서 굉장히 추진력 있는 시간을 보냈던 것을 파악할 수 있습니다. 그리고 마침내 2025년 6월 30일 저커버그는 사내 메모를 통해 Meta Superintelligence Labs, "MSL" 출범을 공식화했습니다. 기존의 기반 모델 연구, FAIR, AI 제품과 응용 연구 등 메타의 여러 AI 조직을 하나의 상위 조직으로 묶고 알렉산더 왕을 최고 AI 책임자로 앉혔습니다. 오픈AI 내부의 반응도 거셌습니다. WIRED에 따르면 오픈AI 최고연구책임자 마크 첸은 메타의 연쇄 영입을 두고 누군가 집에 침입해 물건을 훔쳐가는 것처럼 느껴진다는 취지로 직원들에게 설명했습니다. 오픈AI 역시 핵심 인력을 지키기 위해 보상 조건을 조정하기 시작했습니다. 결과적으로 MSL 출범은 메타 한 회사의 조직 개편을 넘어 오픈AI와 구글, 앤스로픽 등 전체 AI Lab의 보상 체계를 끌어올리는 계기가 됐습니다.

그렇게 판단한 이유

저커버그가 직접 연구원·인프라 엔지니어·제품 책임자를 영입하고, Scale AI 지분투자와 왕 영입을 선택했다는 흐름을 연결했다.

근거 보기 2

원문 구간 1
솔직히 저는 이 결정이 상당히 놀라웠습니다. 물론 거래 규모 자체가 막대했다는 점도 있었을 겁니다. 하지만 제가 오랫동안 지켜본 당신의 성향을 생각하면, 단순히 금전적인 이유만으로 내릴 결정은 아니라고 느꼈습니다. 오히려 '이 정도로 커리어의 방향을 바꾸려면 마크가 정말 강력하게 설득했겠구나'라는 생각이 들었습니다. 그만큼 당신에게도 매우 큰 전환점이 되는 결정처럼 보였습니다. Llama 4 공개 이후 벌어진 일은 일반적인 조직 개편과는 거리가 멀었습니다. 메타 내부에서 AI를 담당하던 임원 한두 명을 교체하는 수준이 아니라, 마크 저커버그가 직접 인재를 찾고 조직도를 다시 그리며 AI 개발 체계를 사실상 처음부터 재건하는 과정에 가까웠습니다. 저커버그는 이 시기 이른바 'Founder Mode'에 들어갔습니다. 월스트리트저널에 따르면 그는 AI 논문을 직접 읽으며 영입 대상을 찾았고, 연구원과 인프라 엔지니어, 제품 책임자 등 수백 명에게 이메일과 WhatsApp 메시지를 보냈습니다. 채용 임원들과는 'Recruiting Party'라는 이름의 WhatsApp 채팅방을 만들어 누구에게 어떤 방식으로 접근할지를 논의했습니다. 일부 후보자는 팔로앨토와 레이크 타호에 있는 저커버그의 집으로 초대해 직접 설득한 것으로 전해졌습니다. 단순히 채용팀에 지시한 것이 아니라 CEO가 프론티어 AI Lab의 초기 멤버를 한 명씩 고른 것입니다.
원문 구간 2
메타는 일리야 수츠케버가 설립한 Safe Superintelligence 등 유력 AI 스타트업과 팀을 통째로 확보할 수 있는 방안도 검토한 것으로 보도됐습니다. 결국 선택된 방식이 Scale AI에 대한 대규모 지분투자와 알렉산더 왕의 영입이었습니다. 2025년 6월 메타는 Scale AI의 지분 49%를 $14.3B에 취득했습니다. 시점들을 보시면, 4월에 Llama 4가 실패한 것을 받아들이자마자 1~2개월 만에 물밑에서 굉장히 추진력 있는 시간을 보냈던 것을 파악할 수 있습니다. 그리고 마침내 2025년 6월 30일 저커버그는 사내 메모를 통해 Meta Superintelligence Labs, "MSL" 출범을 공식화했습니다. 기존의 기반 모델 연구, FAIR, AI 제품과 응용 연구 등 메타의 여러 AI 조직을 하나의 상위 조직으로 묶고 알렉산더 왕을 최고 AI 책임자로 앉혔습니다. 오픈AI 내부의 반응도 거셌습니다. WIRED에 따르면 오픈AI 최고연구책임자 마크 첸은 메타의 연쇄 영입을 두고 누군가 집에 침입해 물건을 훔쳐가는 것처럼 느껴진다는 취지로 직원들에게 설명했습니다. 오픈AI 역시 핵심 인력을 지키기 위해 보상 조건을 조정하기 시작했습니다. 결과적으로 MSL 출범은 메타 한 회사의 조직 개편을 넘어 오픈AI와 구글, 앤스로픽 등 전체 AI Lab의 보상 체계를 끌어올리는 계기가 됐습니다.

발생발표·발생 후발생일 25-6-30

25-6 Meta Superintelligence Labs 출범

작성자의 핵심 판단

작성자는 알렉산더 왕의 조직·자원 지휘와 Shengjia Zhao의 연구 방향 설정을 결합해 MSL의 이원 구조가 완성됐다고 정리했다.

근거 보기 2

원문 구간 1
메타는 일리야 수츠케버가 설립한 Safe Superintelligence 등 유력 AI 스타트업과 팀을 통째로 확보할 수 있는 방안도 검토한 것으로 보도됐습니다. 결국 선택된 방식이 Scale AI에 대한 대규모 지분투자와 알렉산더 왕의 영입이었습니다. 2025년 6월 메타는 Scale AI의 지분 49%를 $14.3B에 취득했습니다. 시점들을 보시면, 4월에 Llama 4가 실패한 것을 받아들이자마자 1~2개월 만에 물밑에서 굉장히 추진력 있는 시간을 보냈던 것을 파악할 수 있습니다. 그리고 마침내 2025년 6월 30일 저커버그는 사내 메모를 통해 Meta Superintelligence Labs, "MSL" 출범을 공식화했습니다. 기존의 기반 모델 연구, FAIR, AI 제품과 응용 연구 등 메타의 여러 AI 조직을 하나의 상위 조직으로 묶고 알렉산더 왕을 최고 AI 책임자로 앉혔습니다. 오픈AI 내부의 반응도 거셌습니다. WIRED에 따르면 오픈AI 최고연구책임자 마크 첸은 메타의 연쇄 영입을 두고 누군가 집에 침입해 물건을 훔쳐가는 것처럼 느껴진다는 취지로 직원들에게 설명했습니다. 오픈AI 역시 핵심 인력을 지키기 위해 보상 조건을 조정하기 시작했습니다. 결과적으로 MSL 출범은 메타 한 회사의 조직 개편을 넘어 오픈AI와 구글, 앤스로픽 등 전체 AI Lab의 보상 체계를 끌어올리는 계기가 됐습니다.
원문 구간 2
다만 알렉산더 왕과 냇 프리드먼은 AI 산업과 제품을 깊이 이해하는 창업가였지만, GPT나 Llama급 모델을 직접 설계하고 훈련해온 정통 프론티어 연구 책임자는 아니었습니다. 이를 보완한 인물이 Shengjia Zhao였습니다. 저커버그는 2025년 7월 25일 그를 MSL 수석 과학자로 공식 임명했습니다. 셩자 자오는 오픈AI에서 ChatGPT, GPT-4와 추론 모델 o1 개발에 참여했던 연구자로, MSL의 연구 의제와 과학적 방향을 설정하는 역할을 맡았습니다. 알렉산더 왕이 조직과 자원을 지휘하고 Shengjia Zhao가 기술적 방향을 정하는 이원 구조가 완성된 것입니다. 알렉스 왕 Alexandr Wang : 네, 정말 완전히 다른 선택이었습니다. 저 역시 그 점을 오랫동안 고민했습니다. 이 과정을 거치면서 가장 크게 느낀 것은 AI 업계에 있는 사람이라면 누구나 비슷하게 느끼겠지만, AI의 발전 속도가 오랫동안 제가 예상했던 것보다 훨씬 빨랐다는 점입니다. AI 모델의 발전이 계속 가속화되는 모습을 지켜보면서 몇 가지 생각이 점점 더 확고해졌습니다. 첫 번째는 AI 모델을 직접 개발하는 회사들이 경제적으로든 제품 측면에서든 점점 더 많은 주도권과 영향력을 갖게 된다는 점입니다. 과거에는 AI 생태계가 어떤 구조로 형성될지, 그 안에서 누가 가장 중요한 역할을 맡게 될지를 두고 다양한 논쟁이 있었습니다.

이 자료에서 다룬 사실

저커버그는 2025년 6월 30일 사내 메모를 통해 MSL 출범을 공식화하고 기존 기반 모델 연구, FAIR, AI 제품·응용 연구를 상위 조직으로 묶었다.

근거 보기 2

원문 구간 1
메타는 일리야 수츠케버가 설립한 Safe Superintelligence 등 유력 AI 스타트업과 팀을 통째로 확보할 수 있는 방안도 검토한 것으로 보도됐습니다. 결국 선택된 방식이 Scale AI에 대한 대규모 지분투자와 알렉산더 왕의 영입이었습니다. 2025년 6월 메타는 Scale AI의 지분 49%를 $14.3B에 취득했습니다. 시점들을 보시면, 4월에 Llama 4가 실패한 것을 받아들이자마자 1~2개월 만에 물밑에서 굉장히 추진력 있는 시간을 보냈던 것을 파악할 수 있습니다. 그리고 마침내 2025년 6월 30일 저커버그는 사내 메모를 통해 Meta Superintelligence Labs, "MSL" 출범을 공식화했습니다. 기존의 기반 모델 연구, FAIR, AI 제품과 응용 연구 등 메타의 여러 AI 조직을 하나의 상위 조직으로 묶고 알렉산더 왕을 최고 AI 책임자로 앉혔습니다. 오픈AI 내부의 반응도 거셌습니다. WIRED에 따르면 오픈AI 최고연구책임자 마크 첸은 메타의 연쇄 영입을 두고 누군가 집에 침입해 물건을 훔쳐가는 것처럼 느껴진다는 취지로 직원들에게 설명했습니다. 오픈AI 역시 핵심 인력을 지키기 위해 보상 조건을 조정하기 시작했습니다. 결과적으로 MSL 출범은 메타 한 회사의 조직 개편을 넘어 오픈AI와 구글, 앤스로픽 등 전체 AI Lab의 보상 체계를 끌어올리는 계기가 됐습니다.
원문 구간 2
다만 알렉산더 왕과 냇 프리드먼은 AI 산업과 제품을 깊이 이해하는 창업가였지만, GPT나 Llama급 모델을 직접 설계하고 훈련해온 정통 프론티어 연구 책임자는 아니었습니다. 이를 보완한 인물이 Shengjia Zhao였습니다. 저커버그는 2025년 7월 25일 그를 MSL 수석 과학자로 공식 임명했습니다. 셩자 자오는 오픈AI에서 ChatGPT, GPT-4와 추론 모델 o1 개발에 참여했던 연구자로, MSL의 연구 의제와 과학적 방향을 설정하는 역할을 맡았습니다. 알렉산더 왕이 조직과 자원을 지휘하고 Shengjia Zhao가 기술적 방향을 정하는 이원 구조가 완성된 것입니다. 알렉스 왕 Alexandr Wang : 네, 정말 완전히 다른 선택이었습니다. 저 역시 그 점을 오랫동안 고민했습니다. 이 과정을 거치면서 가장 크게 느낀 것은 AI 업계에 있는 사람이라면 누구나 비슷하게 느끼겠지만, AI의 발전 속도가 오랫동안 제가 예상했던 것보다 훨씬 빨랐다는 점입니다. AI 모델의 발전이 계속 가속화되는 모습을 지켜보면서 몇 가지 생각이 점점 더 확고해졌습니다. 첫 번째는 AI 모델을 직접 개발하는 회사들이 경제적으로든 제품 측면에서든 점점 더 많은 주도권과 영향력을 갖게 된다는 점입니다. 과거에는 AI 생태계가 어떤 구조로 형성될지, 그 안에서 누가 가장 중요한 역할을 맡게 될지를 두고 다양한 논쟁이 있었습니다.

그렇게 판단한 이유

왕과 프리드먼이 정통 프론티어 연구 책임자는 아니라는 보완 필요성, Zhao의 ChatGPT·GPT-4·o1 개발 참여 경력을 연결 근거로 제시했다.

근거 보기 2

원문 구간 1
메타는 일리야 수츠케버가 설립한 Safe Superintelligence 등 유력 AI 스타트업과 팀을 통째로 확보할 수 있는 방안도 검토한 것으로 보도됐습니다. 결국 선택된 방식이 Scale AI에 대한 대규모 지분투자와 알렉산더 왕의 영입이었습니다. 2025년 6월 메타는 Scale AI의 지분 49%를 $14.3B에 취득했습니다. 시점들을 보시면, 4월에 Llama 4가 실패한 것을 받아들이자마자 1~2개월 만에 물밑에서 굉장히 추진력 있는 시간을 보냈던 것을 파악할 수 있습니다. 그리고 마침내 2025년 6월 30일 저커버그는 사내 메모를 통해 Meta Superintelligence Labs, "MSL" 출범을 공식화했습니다. 기존의 기반 모델 연구, FAIR, AI 제품과 응용 연구 등 메타의 여러 AI 조직을 하나의 상위 조직으로 묶고 알렉산더 왕을 최고 AI 책임자로 앉혔습니다. 오픈AI 내부의 반응도 거셌습니다. WIRED에 따르면 오픈AI 최고연구책임자 마크 첸은 메타의 연쇄 영입을 두고 누군가 집에 침입해 물건을 훔쳐가는 것처럼 느껴진다는 취지로 직원들에게 설명했습니다. 오픈AI 역시 핵심 인력을 지키기 위해 보상 조건을 조정하기 시작했습니다. 결과적으로 MSL 출범은 메타 한 회사의 조직 개편을 넘어 오픈AI와 구글, 앤스로픽 등 전체 AI Lab의 보상 체계를 끌어올리는 계기가 됐습니다.
원문 구간 2
다만 알렉산더 왕과 냇 프리드먼은 AI 산업과 제품을 깊이 이해하는 창업가였지만, GPT나 Llama급 모델을 직접 설계하고 훈련해온 정통 프론티어 연구 책임자는 아니었습니다. 이를 보완한 인물이 Shengjia Zhao였습니다. 저커버그는 2025년 7월 25일 그를 MSL 수석 과학자로 공식 임명했습니다. 셩자 자오는 오픈AI에서 ChatGPT, GPT-4와 추론 모델 o1 개발에 참여했던 연구자로, MSL의 연구 의제와 과학적 방향을 설정하는 역할을 맡았습니다. 알렉산더 왕이 조직과 자원을 지휘하고 Shengjia Zhao가 기술적 방향을 정하는 이원 구조가 완성된 것입니다. 알렉스 왕 Alexandr Wang : 네, 정말 완전히 다른 선택이었습니다. 저 역시 그 점을 오랫동안 고민했습니다. 이 과정을 거치면서 가장 크게 느낀 것은 AI 업계에 있는 사람이라면 누구나 비슷하게 느끼겠지만, AI의 발전 속도가 오랫동안 제가 예상했던 것보다 훨씬 빨랐다는 점입니다. AI 모델의 발전이 계속 가속화되는 모습을 지켜보면서 몇 가지 생각이 점점 더 확고해졌습니다. 첫 번째는 AI 모델을 직접 개발하는 회사들이 경제적으로든 제품 측면에서든 점점 더 많은 주도권과 영향력을 갖게 된다는 점입니다. 과거에는 AI 생태계가 어떤 구조로 형성될지, 그 안에서 누가 가장 중요한 역할을 맡게 될지를 두고 다양한 논쟁이 있었습니다.

사실·구조, 해석·전망, 시점 관찰, 판단 방법

지식·관점

사건 밖에서도 다시 참고하거나 다른 자료와 비교할 가치가 있는 내용을 대상과 반복 가능한 논점으로 묶습니다.

사실·구조Meta Superintelligence Labs 조직주 대상 · 기업·종목 · Meta

MSL은 연구·제품·기초연구·컴퓨팅을 어떻게 나누어 운영하는가?

이 자료가 더한 내용

MSL은 대규모 모델 연구의 TBD, 제품 배포를 맡는 PAR, 탐색 연구의 FAIR, GPU·데이터센터 인프라를 계획하는 Meta Compute의 네 그룹으로 설명됐다.

근거 보기 4

원문 구간 1
알렉스 왕 Alexandr Wang : 네네, 기본적으로 제가 감독자인 전체 부서는 Meta Superintelligence Labs로 "MSL"이라고 부릅니다. 그 안에는 여러 부서들이 있습니다. TBD라는 부서가 있는데 대규모 모델을 연구하는 곳입니다. 악명이 높은 Lab이 된 느낌인데, 많은 업계 선두 연구원들과 인프라 엔지니어들이 있습니다. 그들은 모든 것을 제게 보고합니다. 그게 일단 첫 번째 그룹입니다. 두 번째 그룹으로는 "PAR"라고 부르는 Product/Applied Research 그룹도 있습니다. 그곳이 Nat Friedman이 리드하는 곳입니다. 그들은 메타가 구축하는 모든 제품과 훌륭한 모델을 실제로 세상에 배포하는 모든 작업들 담당하고 있습니다. 세 번째 그룹은 MSL 아래에 탐색적이고 굉장히 흥미로운 연구들을 이어가고 있는 "FAIR(Meta's Fundamental AI Research, 예전에는 'F'가 Fundamental이 아닌 Facebook이었습니다)"가 있습니다. 개인적으로는 그들의 과학적 연구들에 굉장히 흥미를 느낄 때가 많습니다. 뇌를 이해하기 위한 AI 모델, 계산화학을 이해하기 위한 AI 모델에 대해서 특히 훌륭한 작업들이 진행되고 있습니다. FAIR에서는 UMA라고 부르는 범용 원자 모델(Universal Models for Atoms)을 구축했으며 이런 요소들도 제가 감독하는 MSL 내에 구성되어 있습니다.
원문 구간 2
네 번째 그룹은 Daniel Gross가 이끄는 "Meta Compute" 팀입니다. 메타의 장기적인 인프라에 집중하고 있는 그룹입니다. 메타의 굉장히 대담한 비전을 실행하기 위해 필요한 모든 GPU 인프라와 데이터센터 인프라를 구축할 수 있도록 계획하고 실행하는 팀입니다. 저는 이 모든 일들을 총괄하면서 긴밀하게 협력하고 있습니다. 애슐리 밴스 : 그럼 네 가지 그룹 중에서, MSL을 맡기 전에 가장 잘 알던 사람은 누구였나요? 알렉스 왕 Alexandr Wang : 저는 Nat과 Daniel을 사실 오랫동안 알고 지냈습니다. Nat은 Scale의 아주 초기 엔젤 투자자 중 한 명이었습니다. 그리고 YC를 마치기 전에 Nat이 Scale에 투자했고 수년간 제게 조언해줬었습니다. Daniel도 아마 그쯤 아주 아주 초기에 만났던 것 같고 꽤 오랜 기간 그들과 소통하며 지냈었습니다. 저희 메타의 수석 과학자인 Shengjia Zhao도 있는데 그는 MSL 전체의 연구 방향과 의제를 수립하는 데 중요한 역할을 하고 있습니다. MSL에서 함께 일하기 전부터 알고 지내던 사이였지만 제가 MSL에 합류한 이후 훨씬 더 가까워졌습니다. 정리하자면, Nat Friedman은 모델을 제품과 플랫폼에 녹여내는 사람입니다. Nat의 전문성은 개발자 도구와 오픈소스 생태계, 플랫폼 운영, 그리고 기술을 실제 사용자가 쓰는 제품으로 확장하는 데 있습니다.
원문 구간 3
2018년 Microsoft가 GitHub를 인수했을 때 GitHub CEO로 임명됐던 인물입니다. Daniel Gross는 연구에 필요한 컴퓨트와 자본을 확보하는 사람입니다. Daniel의 전문성은 2017년까지 애플에서 AI와 검색 관련 프로젝트를 이끌다가, 이후 Y Combinator 파트너로서 AI 인사들과 지내고, 이후 일리야 수츠케버 및 대니얼 레비와 함께 Safe Superintelligence를 공동 창업했던 바 있습니다. 그리고 2025년 6월 SSI를 떠나 메타로 이동했습니다. 컴퓨트 부족이 연구와 기업가치를 어떻게 제한하는지를 투자자와 창업가의 관점에서 이해하기 때문에 강점이 있습니다. Shengjia Zhao는 컴퓨트로 어떤 것을 연구할지를 결정하는 과학자입니다. 칭화대학교에서 학부를 마친 뒤 스탠포드에서 컴퓨터과학 박사과정을 밟았습니다. LLM이 등장하기 전부 모델이 데이터의 구조와 정보를 어떻게 학습하는지를 수학적으로 연구했던 인물입니다. 이후 오픈AI에 합류해 ChatGPT를 공동 개발하고, GPT-4, GPT-4.5, o1 등 각종 모델 개발에도 적극 참여했습니다. 초기에는 생성모델의 이론과 학습 목적함수를 연구했고, 이후에는 대규모 사전훈련 모델을 만들었으며, 최근에는 강화학습과 추론 단계의 컴퓨트 확장을 다뤘습니다. AI Labs에서의 수석 과학자는 상징적인 자리입니다.
원문 구간 4
샘 올트먼 축출 사태가 일어나기 전까지의 오픈AI 수석 과학자가 일리야 수츠케버였습니다. 수석 과학자는 다음 세대 모델의 핵심은 무엇인지, 사전훈련과 강화학습 중 어디에 더 많은 자원을 투입할 것인지, 어떤 모델과 어떤 데이터를 넣을 것인지, 어떻게 평가할 것인지, 가설이 충분히 검증되었는지, 어떤 연구에 GPU 우선순위를 부여할 것인지 등등입니다. 카일리 로비슨 : 아주 큰 그림으로 봤을 때, 회사에서 잠적하셨다가 10개월 만에 나타나셨습니다. 어떻게 지내셨나요? 그리고 어떻게 Scale AI 인수 후 MSL로의 영입이 성사됐던 건가요? 저커버그와 대화했던 과정이나 그런 걸 처음부터 끝까지 설명해주실 수 있나요? 알렉스 왕 Alexandr Wang : 저는 마크를 아주 오래전부터 알고 지냈습니다. 제가 Scale AI를 운영하는 동안에도 마크는 제게 상당히 많은 시간을 내줬고, 그 과정에서 여러 가지 조언을 얻을 수 있었습니다. MSL과 관련된 일이 본격적으로 시작되기 전부터 AI에 관해 자주 대화를 나누던 사이였습니다. Scale AI는 2016년부터 AI 분야에서 일해왔습니다. 처음에는 주로 자율주행에 집중했지만 기술의 발전 방향에 맞춰 사업과 연구의 초점을 몇 차례 바꿔왔습니다. Scale AI가 본격 AI 기업으로 된 것은 자율주행 붐부터였습니다.

사실·구조Scale AI의 데이터 사업주 대상 · 기업·종목 · Scale AI관련 대상 · 기술·제품 · AI 학습 데이터

모델 발전은 데이터 라벨링과 피드백 사업을 어떻게 바꾸었는가?

이 자료가 더한 내용

Scale AI는 자율주행 이미지 라벨링에서 출발해 고품질 데이터 생산으로 피벗했고, ChatGPT 이후에는 전문가를 활용한 선호도 피드백·모델 평가·안전성 테스트까지 범위를 넓혔다.

근거 보기 2

원문 구간 1
2016년 전후에는 Waymo, Cruise, Uber, Zoox를 비롯한 기업들이 자율주행차 개발에 막대한 자금을 투자하고 있었습니다. 문제는 자동차에 장착된 카메라와 LiDAR가 엄청난 양의 데이터를 만들어냈지만, 신경망이 이를 학습하려면 사람이 데이터 속 자동차, 보행자, 차선, 신호등 등을 일일이 표시해야 했습니다. Scale AI는 이쪽으로 피벗했습니다. 범용적인 단순 업무를 대신 처리해주는 회사에서 머신러닝 모델이 사용할 수 있는 고품질 데이터를 생산하는 회사로 바꿨습니다. Scale의 분산형 작업 플랫폼인 Remotasks에서는 작업자들이 전용 소프트웨어를 이용해 신호등과 차량에 박스를 그렸고, Scale은 자동화 도구와 다단계 검수 시스템을 이용해 결과물의 품질을 관리했습니다. 이런 것은 언어가 크게 필요없으니 신흥국 사람들을 대상으로 주로 원격작업을 하도록 시스템화했습니다. 인력 아웃소싱이 핵심이면서도 AI를 위한 데이터 라벨링 소프트웨어 기업이었습니다. 그러다가 좀 특별한 인사이트가 생긴 것은, AI Labs에게 데이터를 공급하면서 어떤 상황에서 모델이 반복적으로 틀리는지 어떤 종류의 데이터를 추가하면 성능이 좋아지는지 대량의 저품질 데이터와 소량의 고품질 데이터 중 무엇이 더 효과적인지 어떤 평가 기준을 사용해야 실제 제품 성능과 벤치마크 성능이 일치하는지
원문 구간 2
사람이 어떤 방식으로 피드백을 제공해야 모델이 이를 잘 학습하는지를 잘 볼 수 있는 위치에 서게 됐다는 것입니다. 그래서 실리콘밸리의 인싸로서 여러 AI 인사들과 친하게 지내며 여기저기 인사이트를 몰고 다니는 사람으로 불렸던 시기입니다. 그러다가 ChatGPT가 등장하면서 Scale이 하는 작업도 달라졌습니다. ChatGPT가 사용한 RLHF도 사람이 모델의 여러 답변을 비교하고 선호도를 제공하는 방식입니다. 하지만 모델이 좋아질수록 단순한 일반 작업자가 답변의 품질을 판단하기 어려워졌습니다. 의학 답변에는 의사가 필요하고, 코드에는 소프트웨어 엔지니어가 필요하며, 금융이나 법률 작업에는 해당 분야 전문가가 필요해졌습니다. Scale은 이에 맞춰 Remotasks 외에 Outlier를 운영하면서 프로그래머, 수학자, 작가와 각종 전문가를 모집했습니다. 이후에는 데이터 생성뿐 아니라 모델 평가 및 안전성 테스트까지 사업 범위를 넓혔습니다. 그러다 약 1년 전 마크와 어떻게 하면 더 긴밀하게 협력할 수 있을지를 본격적으로 논의하기 시작했습니다. 당시 마크는 AGI의 중요성을 점점 더 강하게 확신하고 있었습니다. 우선 AI가 메타라는 회사 자체를 완전히 변화시킬 것이라는 점을 분명히 이해하고 있었습니다. 동시에 AI가 한 세대에 한 번 등장할까 말까 한 수준의 혁신적인 기술이라는 점도 인식하고 있었습니다.

해석·전망프론티어 AI 연구소의 컴퓨팅주 대상 · 산업·업종 · 프론티어 AI 랩관련 대상 · 기업·종목 · Meta

대규모 컴퓨팅 보유가 AI 연구소의 경쟁력에 어떤 의미를 갖는가?

이 자료가 더한 내용

알렉산더 왕은 모델을 직접 만드는 회사의 주도권이 커지고, 대규모 컴퓨팅 보유 여부가 기술 기업을 다른 층위로 나눌 것이라고 보았다.

근거 보기 2

원문 구간 1
하지만 모델 성능이 너무 빠르게 향상되고 연구의 발전 속도도 계속 빨라지면서, 결국 생태계에서 가장 흥미롭고 중요한 위치는 모델 자체를 만드는 곳이라는 생각이 점점 강해졌습니다. 두 번째는 앞으로의 기술 경쟁이 결국 컴퓨트로 귀결된다는 점입니다. 막대한 컴퓨트 자원을 보유한 회사는 훨씬 더 큰 규모의 프로젝트에 도전할 수 있고, 더 과감한 베팅을 할 수 있으며, 완전히 새로운 제품을 세상에 내놓을 수 있습니다. 반대로 충분한 컴퓨트가 없다면 처음부터 시도조차 할 수 없는 일들이 많습니다. 그래서 앞으로 기술 업계는 상당히 흥미로운 방식으로 계층화될 것이라고 생각합니다. 지금까지는 모든 기술 기업을 대체로 비슷한 범주 안에서 바라봤지만, 앞으로는 막대한 컴퓨트를 보유한 회사와 그렇지 않은 회사를 완전히 다른 종류의 기업으로 봐야 할 것입니다. 대규모 컴퓨트를 가진 회사만이 시도하고 만들어낼 수 있는 것들이 분명히 존재하기 때문입니다. 저는 이런 구분이 앞으로 기술 생태계를 규정하는 중요한 특징이 될 것이라고 봅니다. 그런 점에서 메타에 합류할 기회는 굉장히 매력적이었습니다. 무엇보다 마크는 AI에 전적으로 베팅하고 있는 사람입니다. 매우 과감한 리더이자 전략가이고, AI를 위해 엄청난 규모의 투자를 집행하고 있습니다. 그런 리더십 아래에서는 막대한 컴퓨트 자원을 활용할 수 있는 환경이 만들어집니다.
원문 구간 2
여기에 세계 최고 수준의 연구와 제품 개발 역량까지 결합한다면, 세상에 정말 큰 영향을 미칠 수 있는 무언가를 만들어낼 수 있다고 생각했습니다. 새로운 북극성 'Superintelligence' A급 인재, 압도적인 컴퓨팅, 과감한 연구력 베팅 카일리 로비슨 : 여러분은 엄청난 규모의 컴퓨트 자원을 확보했고, 동시에 뛰어난 인재들도 대거 영입했습니다. 이제 그중 상당수와 함께 일한 지도 벌써 10개월 정도가 지났습니다. 실제로 이들과 팀을 이뤄 일해보니 어떠셨습니까? 새로운 조직과 연구팀을 구축하는 과정에서 어떤 어려움이 있었는지도 궁금합니다. 반대로 이렇게 완전히 새로운 드림팀이 메타에 모이면서 가장 흥미롭고 기대됐던 부분은 무엇이었습니까? 알렉스 왕 Alexandr Wang : 맞습니다. 제가 메타에 합류했을 당시에는 우리가 목표로 하는 방향으로 나아가기 위해 AI 연구개발의 전반적인 전략을 다시 정립하고 조직과 실행 체계도 사실상 처음부터 재설계해야 한다는 점이 분명했습니다. 당시 Llama 4는 우리가 원했던 성능 향상 궤도에 올라 있지 않았고 업계 최전선의 프티어 모델들과 비교해도 뒤처져 있었습니다. 따라서 단순히 점진적으로 개선하는 정도로는 충분하지 않았습니다. 우리는 매우 빠른 속도로 기존 격차를 좁히는 동시에 궁극적으로는 업계 선두를 추월할 수 있는 구체적이고 실행 가능한 계획을 세워야 했습니다.

해석·전망초지능 연구 문화주 대상 · 기업·종목 · Meta

MSL은 초지능 연구를 위해 어떤 조직 원칙을 제시하는가?

이 자료가 더한 내용

초지능을 진지한 목표로 받아들이고 기술을 이해하는 사람에게 권한을 주며, 과학적 엄밀함과 고위험 연구 베팅을 함께 추구해야 한다는 원칙이 제시됐다.

근거 보기 4

원문 구간 1
애슐리 밴스 : 좀 더 구체적으로 말씀해주실 수 있나요? 당시 어떤 문제가 있었나요? 알렉스 왕 Alexandr Wang : 가장 근본적인 변화는 결국 관점의 차이에서 시작된다고 생각합니다. 이 분야를 선도하는 많은 AI 연구소는 '초지능이 머지않아 등장할 것이며 충분히 현실적으로 달성할 수 있는 목표'라는 전제 아래 조직 전체를 설계합니다. 이러한 핵심적인 믿음을 바탕으로 연구 로드맵과 사업의 방향, 인력과 컴퓨트의 배분, 그리고 무엇에 집중할지를 결정합니다. 조직의 거의 모든 계획이 초지능이라는 목표에서부터 역산되는 것입니다. 따라서 우리가 가장 먼저 해야 했던 일도 초지능을 단순히 먼 미래의 가능성이 아니라 실제로 달성해야 할 구체적인 목표로 받아들이는 것이었습니다. 그리고 그 전제에 맞춰 기존에 가지고 있던 모든 가정과 계획을 처음부터 다시 정렬해야 했습니다. 저는 이것이 우리가 추진한 변화 가운데 가장 근본적인 체질 개선이었다고 생각합니다. 애슐리 밴스 : 일종의 종교적 신념 같은 게 부족했다는 거군요. 알렉스 왕 Alexandr Wang : 네, 실제로 이런 현상은 대기업에서 꽤 흔하게 나타난다고 생각합니다. 대기업에서 일하는 사람들은 초지능의 도래에 대해 이처럼 강한 확신을 갖기 어려운 경우가 많습니다.
원문 구간 2
조직이 만들어진 출발점부터 다르기 때문입니다. 물론 대기업에도 AI를 연구하는 뛰어난 인재들이 많습니다. 하지만 '초지능이 곧 등장한다'는 다소 비현실적으로 들릴 만큼 대담한 믿음 하나에서 출발해서 무에서 유를 만들어온 스타트업과는 조직의 분위기가 다를 수밖에 없습니다. 하지만 이제 메타에서는 더 이상 그것이 문제가 되지 않는다고 생각합니다. 저희 조직의 이름인 MSL, 즉 Meta Superintelligence Labs라는 이름부터가 초지능이 머지않아 등장할 것이라는 전제를 중심으로 만들어졌기 때문입니다. 프로젝트를 시작하면서 저희가 세운 몇 가지 원칙이 있습니다. 이 원칙들이 우리가 해결해야 했던 과제에 대한 답이기도 합니다. 첫째, 초지능이라는 목표를 진지하게 받아들여야 합니다. 둘째, 기술을 가장 잘 이해하는 사람들의 목소리에 힘을 실어줘야 합니다. 셋째, 과학적 엄밀함과 기본기에 집중하면서도 과감한 연구적 베팅을 주저하지 않아야 합니다. 제가 처음 합류해 MSL의 전반적인 방향을 고민했을 때 스스로에게 던진 질문은 명확했습니다. 어떻게 해야 믿기 어려울 정도로 빠르게 기존의 격차를 좁히고, 궁극적으로는 업계 선두를 추월할 수 있는 조직을 만들 수 있을까 하는 것이었습니다. 그리고 이를 가능하게 만드는 핵심 요소는 크게 세 가지라고 판단했습니다.
원문 구간 3
첫 번째는 연구원 한 명당 사용할 수 있는 컴퓨트 자원을 크게 늘리는 것입니다. 대기업 연구소는 전체적으로 보면 막대한 컴퓨트 자원을 보유하고 있습니다. 하지만 그 자원이 수많은 조직과 프로젝트에 분산돼 있기 때문에, 개별 연구원이 실제로 사용할 수 있는 컴퓨트는 제한되는 경우가 많습니다. 이는 결국 연구의 반복 속도와 진척 속도를 떨어뜨립니다. 반대로 소수정예 팀에 컴퓨트 자원을 집중하면 연구원들은 훨씬 더 많은 실험을 빠르게 수행할 수 있고, 연구의 발전 속도도 크게 끌어올릴 수 있습니다. 두 번째는 인재 밀도입니다. 이것은 인간이 조직을 운영하면서 계속해서 확인해온 교훈이기도 합니다. 세계 최고 수준의 인재들로 구성된 작은 팀은 책임이 분산되고 역량의 편차가 큰 거대한 조직보다 훨씬 빠르게 움직입니다. 단순히 뛰어난 사람을 많이 모으는 것만으로는 충분하지 않습니다. 중요한 것은 모든 구성원이 높은 수준의 기술적 판단력을 갖고 있고, 각자의 결정과 실행에 명확한 책임을 지는 조직을 만드는 것입니다. 세 번째는 극도로 야심찬 연구에 과감하게 베팅하는 것입니다. 업계에서도 널리 공감하는 부분이지만, 성공 가능성은 낮고 막대한 자원이 필요하더라도 성공했을 때 기존의 패러다임을 완전히 바꿀 수 있는 연구들이 분명히 존재합니다. 이런 연구는 현대적인 AI 모델을 개발하는 방식 자체를 근본적으로 뒤흔들 수 있습니다.
원문 구간 4
그래서 저희는 경쟁력 있는 프론티어 모델을 개발하는 데 그치지 않고, 상당한 규모의 인력과 컴퓨트 자원을 이러한 고위험/고잠재력 연구에 투입하고 있습니다. 이런 베팅 가운데 일부가 성공한다면, 앞으로 지금과는 전혀 다른 수준의 모델들을 선보일 수 있을 것입니다. 카일리 로비슨 : 애슐리가 자주 하는 이야기 중 하나가 있습니다. 최근 이 분야의 연구소들이 서로 앞서거니 뒤서거니 경쟁하고 있지만, 결국에는 모두 비슷한 수준의 모델과 서비스를 내놓는 방향으로 수렴하고 있다는 것입니다. 그런데 지금 말씀을 들어보면 여러분은 단순히 경쟁사들을 따라잡는 수준을 넘어, 프론티어 모델을 향해 굉장히 빠른 속도로 달려가고 있는 것 같습니다. 메타가 핵심 인재들을 영입하는 과정에서 이전에는 들어본 적도 없을 만큼 막대한 보상 패키지를 제시했다는 보도들도 기억납니다. 그렇다면 기존의 모델 개발 방식을 넘어, 앞서 말씀하신 새로운 패러다임에 도달하기 위해 구체적으로 어떤 연구와 전략을 추진하고 계십니까? 알렉스 왕 Alexandr Wang : 현재 저희가 추진하고 있는 연구적 베팅은 매우 많습니다. 다만 보안상 그 모든 내용을 구체적으로 말씀드리기는 어렵습니다. 결국 가장 본질적인 질문은 우리가 정말 중요하게 생각하는 가치가 무엇이냐는 것입니다.

해석·전망개인화된 초지능주 대상 · 기술·제품 · 메타 AI관련 대상 · 기업·종목 · Meta

메타가 말하는 개인화된 초지능은 어떤 사용자 경험을 목표로 하는가?

이 자료가 더한 내용

수십억 개인과 기업을 돕는 강력한 에이전트를 목표로 하며, 장기 맥락 유지와 복잡한 행동 수행을 연구 과제로 들었다.

근거 보기 2

원문 구간 1
저희는 개인화된 초지능이라는 비전에 맞춰, 전 세계 수십억 명의 개인 사용자와 다양한 기업을 실질적으로 도울 수 있는 강력한 에이전트를 만드는 데 집중하고 있습니다. 메타는 매우 독특하고 강력한 생태계를 보유하고 있습니다. 모두가 잘 아시듯 수십억 명의 사용자가 있고, 동시에 메타의 플랫폼을 활용해 사업을 운영하는 수억 개의 기업도 존재합니다. 저희가 궁극적으로 그리고 있는 미래는 메타의 플랫폼을 사용하는 모든 개인과 기업이 강력한 에이전트의 도움을 받는 것입니다. 그리고 그 위에서 완전히 새로운 에이전트 생태계가 만들어질 수 있다고 생각합니다. 저희는 그 미래가 구체적으로 어떤 모습일지, 그리고 그것을 실현하려면 모델이 어떤 역량을 갖춰야 하는지를 계속 고민하고 있습니다. 물론 이를 위해 해결해야 할 세부적인 기술 과제도 매우 많습니다. 우선 에이전트로서 작업을 안정적으로 수행하는 능력이 뛰어나야 합니다. 에이전트가 처리하게 될 업무의 상당 부분이 소프트웨어 개발과 연결돼 있기 때문에 강력한 코딩 능력도 필수적입니다. 여기에 텍스트뿐 아니라 이미지와 영상, 음성 등 다양한 형태의 정보를 이해하고 처리할 수 있는 멀티모달 역량도 갖춰야 합니다. 장기적으로 작동하는 에이전트를 만들기 위해서는 더 근본적인 문제들도 해결해야 합니다.
원문 구간 2
메모리의 한계를 어떻게 극복할 것인지, 에이전트가 오랜 시간 동안 작업의 맥락을 유지하며 안정적으로 작동하게 할 것인지, 그리고 사용자를 대신해 점점 더 복잡한 업무를 수행할 수 있도록 어떻게 설계할 것인지가 핵심 과제입니다. 이러한 문제들이 현재 저희가 깊이 몰두하고 있는 큰 연구 방향입니다. 애슐리 밴스 : 회사 내부에 초지능에 대한 강한 신념을 심으려는 과정에서, 여러분이 조직을 구축한 방식은 앞서 말씀하신 오픈AI나 앤트로픽과는 상당히 달라 보입니다. 그 회사들은 아무것도 없는 상태에서 출발해 오랜 시간에 걸쳐 조직의 문화와 정체성이 자연스럽게 형성된 곳들이니까요. 반면 외부에서 바라본 MSL은 다소 용병 집단에 가까운 인상을 줍니다. 기존 조직을 상당 부분 재편하고, 외부에서 엄청난 보상을 제시하며 최고 수준의 인재들을 대거 영입해 하나의 팀으로 모았기 때문입니다. 이 과정을 보면서 xAI가 Grok을 처음 만들던 시기가 떠오릅니다. 일론 머스크는 특유의 방식대로 다른 누구보다 훨씬 많은 컴퓨트 자원을 확보하고, 소수의 핵심 인재를 중심으로 조직을 구축해 빠르게 따라잡겠다는 접근을 택했습니다. 실제로 어느 정도는 프론티어에 근접한 것으로 보입니다. 하지만 대중의 인식이나 브랜드 영향력까지 고려하면, 아직 완전한 탈출 속도에 도달했다고 보기는 어렵다는 느낌도 있습니다.

사실·구조메타의 AI 학습 데이터주 대상 · 기업·종목 · Meta

기존 서비스에서 생기는 데이터는 AI 연구에 어떤 장점으로 제시되는가?

이 자료가 더한 내용

실제 업무 과정에서 생성되는 데이터는 외부 작업자가 인위적으로 만든 데이터보다 현실성과 고부가가치 문제 해결력을 가질 수 있으며, 메타는 기존 사업에 AI를 적용하면서 프론티어 모델 경쟁도 할 수 있다고 설명했다.

근거 보기 3

원문 구간 1
한마디로 저는 사람들에게 이래라저래라 지시하는 보스가 되고 싶은 것이 아닙니다. 연구원들이 믿기 어려울 만큼 뛰어난 연구를 해낼 수 있도록 최상의 환경을 만드는 것이 제 역할이라고 생각합니다. 메타의 MSL은 스페이스X의 xAI와 AGI 경쟁의 3인자를 두고 경쟁 중입니다. Muse Spark의 현재 절대적인 성능보다 고무적인 부분은 모델의 개선 속도입니다. Muse Spark는 처음 출시됐을 당시 주요 오픈소스 모델보다도 뒤처졌지만 이후 앤스로픽과 오픈AI와의 성능 격차를 빠르게 좁히고 있습니다. SemiAnalysis는 이러한 추세가 이어진다면 "2026년 말에는 앤스로픽/오픈AI급 모델 성능에 근접할 가능성이 있다"고 평가했습니다. AI Lab의 6개월 뒤 경쟁력을 예측하는 데 가장 중요했던 요소는 지금까지 크게 세 가지였습니다: 데이터 인재 컴퓨팅 용량 메타는 이 세 가지 요소에서 모두 세계 최고 수준에 도달할 가능성이 가장 높은 AI Lab이기 때문입니다. 특히 데이터에서는 양질의 RL 데이터 파이프라인을 구축했습니다. 메타는 직원들의 화면/키보드/마우스 작업 데이터를 수집하고 있으며 약 3,000명의 엔지니어를 RL 과제와 학습 환경 제작에 투입했습니다. 사실상 회사 내부에 대규모 RL 데이터 생산 조직을 구축한 것입니다.
원문 구간 2
이 데이터의 강점은 실제 업무 과정에서 생성된다는 것입니다. 외부 데이터 업체들이 작업자를 고용해 인위적으로 만들어내는 데이터보다 현실성이 높고 실제 고부가가치 업무를 자동화하는 데 직접 활용될 가능성이 큽니다. 현재 AI 데이터 시장에서는 Mercor, Surge, Handshake가 각각 ARR $1B를 넘어섰고, Fleet, Mechanize, Afterquery 같은 신생 업체들도 ARR $100M 이상으로 성장했습니다. 그만큼 Agentic AI를 위한 고품질 RL 데이터의 가치가 빠르게 높아지고 있습니다. 특히 Agentic AI용 RL 데이터 공급은 Scale AI가 기존에 가장 강점을 보였던 분야입니다. 현재 MSL을 이끄는 알렉산드르 왕의 전문성이 메타의 내부 데이터 생산 시스템과 직접적으로 결합되고 있는 것입니다. 컴퓨팅을 보자면, 2026년 말에는 메타가 보유한 전체 AI 컴퓨팅 용량이 오픈AI와 앤스로픽의 용량을 합친 것보다 많아질 것으로 예상됩니다. 물론 메타의 컴퓨팅 자원 상당 부분은 추천/랭킹 시스템과 생성형 광고에 사용됩니다. 전체 AI 컴퓨팅이 모두 모델 훈련에 투입되는 것은 아닙니다. 그럼에도 메타가 모델 훈련과 연구에 배정하는 컴퓨팅 규모는 오픈AI 및 앤스로픽과 비슷한 수준을 꾸준히 유지할 가능성이 높습니다.
원문 구간 3
메타는 기존 사업에 AI를 적용하면서도 동시에 프론티어 모델 경쟁을 이어갈 수 있는 드문 사업구조를 갖고 있습니다. 자신감의 원천 Muse Spark 새롭게 만들어진 AI Labs, 토큰 효율성의 비밀, 예측 가능한 다음 모델 애슐리 밴스 : 잠시 Muse Spark 이야기를 해보겠습니다. 벤치마크 결과를 보면 일부 영역에서는 매우 뛰어난 성능을 보였지만 다른 영역에서는 선두 모델보다 다소 뒤처지는 모습도 있었습니다. 다만 여러분은 단순한 벤치마크 점수보다 기술적 효율성 측면에서 이룬 성과를 상당히 강조하는 것처럼 보였습니다. 제가 기술적인 내용을 잘못 이해했다면 바로잡아 주셔도 좋습니다. 제가 이해한 바로는 다른 모델에서는 보기 어려웠던 효율성 개선을 달성했고 16개의 에이전트가 동시에 협업하는 독특한 구조도 도입했습니다. 저도 어젯밤에 직접 사용해봤습니다. 좋은 평가도 있었지만 비판적인 반응도 적지 않았습니다. 그리고 당신은 그런 비판에 대해 다음 단계를 기다려 달라는 취지로 답하셨습니다. 알렉스 왕 Alexandr Wang : 그렇게 거창한 선언을 하려던 것은 아닙니다. 저희가 지난 9개월 동안 해온 일은 기술 스택과 연구 체계를 사실상 바닥부터 다시 구축하는 작업이었습니다. 사전학습 스택을 재설계했고 강화학습 스택도 새로 만들었습니다.

사실·구조Muse Spark의 모델 효율주 대상 · 기술·제품 · Muse Spark관련 대상 · 기업·종목 · Meta

Muse Spark는 성능과 추론 토큰 효율을 어떻게 높였다고 설명됐는가?

이 자료가 더한 내용

강화학습 보상함수에 생각하는 시간의 페널티를 넣어 사고 압축을 유도했고, 모델 구조·최적화·데이터 정제를 다시 설계해 Llama 4 Maverick보다 필요한 사전학습 컴퓨팅을 10배 이상 줄였다고 주장했다.

근거 보기 8

원문 구간 1
데이터 관련 작업뿐 아니라 핵심 연구 인프라와 과학적 방법론까지 전면적으로 개편했습니다. 지난 9개월은 핵심 연구 스택 전체를 대대적으로 리모델링한 기간이었다고 볼 수 있습니다. 이번에 공개한 Muse Spark는 저희가 설계한 스케일링 사다리에서 처음으로 보여드리는 초기 데이터 포인트에 가깝습니다. 일종의 에피타이저인 셈입니다. 저희는 이미 이보다 훨씬 큰 모델들을 개발하고 있으며 Muse Spark보다 그 모델들에 더 큰 기대를 걸고 있습니다. 그럼에도 Muse Spark를 공개한 이유는 저희의 모든 연구 프로그램이 예측 가능한 확장성을 입증하는 구조로 설계돼 있기 때문입니다. 실제로 여러 축에서 매우 일관된 스케일링을 확인하고 있습니다. 사전학습과 강화학습 단계에서도 성능이 예측 가능한 형태로 개선되고 있습니다. 추론 단계의 테스트 타임 스케일링에서도 같은 흐름을 확인했습니다. 앞서 말씀하신 사색 모드처럼 멀티 에이전트 환경을 확장했을 때도 매우 흥미로운 결과가 나타나고 있습니다. 저희의 모든 계획은 앞으로 모델과 컴퓨트를 계속 확장할 수 있도록 설계돼 있습니다. Muse Spark는 그 궤적의 아주 초기 단계일 뿐입니다. 저희는 그다음 모델에 훨씬 더 큰 기대를 걸고 있으며 그 이후 단계에는 더 큰 가능성이 있다고 보고 있습니다.
원문 구간 2
앞으로 저희의 스케일링 로드맵이 한 단계씩 올라가는 모습을 직접 보여드릴 수 있어 매우 기쁩니다. Muse Spark 자체만 놓고 보더라도 최종 End-to-End 성능은 저희의 예상치를 상당히 뛰어넘었습니다. 훈련 과정에서는 예상하지 못했던 창발적 능력과 행동도 여러 가지 발견했습니다. 대표적인 사례가 에이전트 기반 비주얼 코딩입니다. 모델이 직접 웹사이트를 구축하거나 게임을 만들어내는 능력입니다. 강력한 에이전트 역량과 뛰어난 멀티모달 역량이 결합되면서 자연스럽게 나타난 결과였습니다. 저희는 이런 부분에서 큰 가능성을 확인했기 때문에 Muse Spark를 세상에 공개했습니다. 실제로 일반 사용자가 접하게 될 대부분의 서비스 환경에서는 매우 뛰어난 성능을 보입니다. 다른 경쟁 모델들과 비교해도 충분한 경쟁력을 갖췄다고 생각합니다. 물론 현재 배포된 Muse Spark가 전문적인 에이전트 코딩 영역까지 완벽하게 경쟁력을 갖춘 것은 아닙니다. 그 부분은 다음 모델 라인업을 위해 집중적으로 개발하고 있는 역량입니다. 다음에 공개할 모델은 전반적인 성능에서 Muse Spark보다 확실히 뛰어날 것입니다. 저희 역시 큰 기대를 품고 준비하고 있습니다. 분명히 말씀드리고 싶은 점은 Muse Spark를 출시하면서 모든 분야에서 업계 최고 수준의 성능을 달성한 모델이라고 과도하게 기대감을 높이려 한 것은 아니라는 것입니다.
원문 구간 3
그럼에도 Muse Spark는 충분히 훌륭한 모델입니다. 실제로 모델을 사용해본 많은 분이 그 가치를 직접 체감하고 있습니다. 카일리 로비슨 : 프론티어 모델을 출시하는 데 있어 보류된 부분이 무엇이었는지 궁금하고, 그 모든 벤치마크들을 달성하고 완전히 압도해 버리기 위해 여전히 무엇이 필요한가요? 알렉스 왕 Alexandr Wang : 한 단어로 요약하면 "스케일링"입니다. 앞서 말씀드렸듯이 Muse Spark는 저희가 구축한 스케일링 사다리의 초기 단계에 있는 모델입니다. 저희는 현재 모델 규모를 확장했을 때 성능이 얼마나 향상될지를 상당히 정확하게 예측할 수 있습니다. 모델의 크기와 컴퓨트 규모를 키울수록 어느 정도의 성능 개선이 나타날지 이미 명확한 패턴을 확인하고 있습니다. 그래서 앞으로 공개할 모델들은 거의 모든 영역에서 Muse Spark보다 훨씬 뛰어난 성능을 보여줄 것으로 기대합니다. 애슐리 밴스 : 언제쯤이 될까요? 알렉스 왕 Alexandr Wang : 향후 몇 개월 안(coming months)에 보실 수 있을 겁니다. 앞서 말씀드렸듯이 저희는 전체 연구 프로그램을 매우 빠르게 움직일 수 있도록 설계했습니다. 그러기 위해서는 먼저 기반을 완전히 새로 다지고 연구 스택 전체를 다시 구축하는 시간이 필요했습니다.
원문 구간 4
이제 그 작업은 상당 부분 마무리됐습니다. 지금부터는 빠르게 규모를 확장하는 단계에 들어가게 됩니다. 이 자신감이 실제로 맞았음을 보여준 모델이 지난주에 공개된 Muse Spark 1.1이었습니다. 개인적으로 느끼기에 Muse Spark 1.1은 Opus 4.6/4.7과 비교해보니 Opus 4.6보다는 더 좋고, Opus 4.7에는 못미치는 모델입니다. Opus 4.6 출시일이 2월 5일 → Opus 4.7는 4월 16일 → Opus 4.8은 5월 28일에 공식 출시됐습니다. 그런데 비슷한 가격대 비교군으로 보자면 GLM-5.2보다 전반적으로 비슷하거나 약간씩 우세한 정도입니다. 이정도면 가격 설정을 꽤 잘했습니다. 이제 막 Agentic AI 경쟁에 진입한 것이므로 Grok이나 Muse Spark는 사용자 풀과 피드백 루프부터 갖출 필요가 있습니다. 아무리 가격을 낮게 잡더라도 절대적인 성능이 유의미하지 않다면 매력적이지 않았을 것인데, 이정도면 꽤 오래걸리긴 했지만 파레토 프론티어에 걸쳐있다는 점에서 구글 딥마인드를 넘어 Tier 1.5 AI Labs로 자리매김했다고 볼 수 있습니다. Tier 2에는 구글 딥마인드와 주요 중국 기업들이, Tier 3에는 마이크로소프트, 아마존, 미스트랄 등이 있습니다.
원문 구간 5
Muse Spark → Muse Spark 1.1의 사후훈련 강화가 굉장히 잘 먹혀들어간 것을 보면 MSL 팀이 제대로 된 사람들을 데려오긴 했나보다 싶습니다. 이번 Muse Spark 1.1은 알렉산더 왕이 말했던 10배의 사전훈련 컴퓨트를 사용한 "Watermelon"이 아닌데 이정도 스펙이면, 다음 모델에 대해서도 기대하게 만드는 스펙입니다. 애슐리 밴스 : 기술적으로 다른 모든 AI Labs들과 다르게 하고 있다고 느끼는 부분이 무엇인가요? 알렉스 왕 Alexandr Wang : 앞서 말씀드렸듯이 Muse Spark는 특히 1년 전 저희가 예상했던 수준과 비교하면 몇몇 영역에서 훨씬 뛰어난 성능을 보여줬습니다. 그래서 저희는 무엇이 이런 결과를 만들었는지 다시 분석해봤습니다. 그 결과 상당 부분은 처음부터 매우 깔끔한 연구 스택을 새로 구축한 데서 비롯됐다고 판단했습니다. 모든 것을 다시 만드는 과정에서 각 요소를 가장 올바른 방식으로 설계하고 구현할 수 있었기 때문입니다. 저희에게는 깨끗한 사전학습 스택과 강화학습 스택을 바닥부터 구축할 기회가 있었습니다. 동시에 이런 시스템을 어떻게 만들어야 하는지 정확히 아는 전문가들이 모든 과정을 주도했습니다. 기존 구조와 타협할 필요 없이 처음부터 제대로 만들 수 있었던 셈입니다.
원문 구간 6
이러한 환경은 개발 속도를 의미 있게 높였을 뿐 아니라 모델의 최종 성능에도 분명하게 반영됐다고 생각합니다. 애슐리 밴스 : 메타가 만든 Muse Spark에서는 유독 토큰 효율성에 대한 얘기가 많이 나왔습니다. Muse Spark를 만들다가 우연히 발견하신 건가요? 아니면 의도하신 건가요? 일부 벤치마크에서는 다른 모델들보다 훨씬 더 적은 토큰으로 작업을 끝내고 있는 것 같았습니다. 알렉스 왕 Alexandr Wang : 저희는 사전학습 단계부터 데이터 정제와 토큰 활용 효율을 극대화할 수 있도록 아키텍처를 설계했습니다. 특히 강화학습과 테스트 타임 스케일링에서는 불필요한 연산을 최대한 줄이는 데 집중했습니다. 그 효과는 저희의 예상보다도 훨씬 컸습니다. 물론 다른 모델의 내부 구조를 정확히 알 수는 없습니다. 다만 일부 모델이 더 많은 토큰을 사용해야 하는 이유는 스택의 다른 부분에 근본적인 비효율이 있기 때문일 수 있습니다. 모델이 더 오랫동안 생각하도록 만들어 그 비효율을 보완하는 것입니다. 그런 점에서 저희가 달성한 토큰 효율성은 매우 인상적인 결과였습니다. 내부적으로도 상당히 고무돼 있습니다. 이제 핵심 연구 스택이 제대로 갖춰졌습니다. 앞으로는 모델과 컴퓨트 규모를 확장하면서 성능을 빠르게 끌어올릴 수 있는 단계에 들어섰다고 생각합니다.
원문 구간 7
아직 오픈AI나 앤스로픽 수준까지는 아니지만 그래도 평균적인 다른 Tier 1~2의 AI Labs의 모델들에 비해서 출력 토큰을 비교적 적게 사용하는 모델로 평가받고 있습니다. 예를 들어서 지능 자체는 GPT-5.4, Opus 4.6과 비슷한 수준이었는데 같은 출력물을 내기 위해 출력 토큰은 GLM-5.2(max)는 1.41억 개 > GPT-5.6-Luna(max)는 1.25억 개 > GPT-5.4-xhigh는 1.09억 개 > Muse Spark 1.1은 0.94억 개만 사용했습니다. 메타가 공개한 가장 직접적인 설명은 "강화학습의 보상함수에 생각하는 시간에 대한 페널티를 포함했다"는 것입니다. 일반적인 추론 모델은 어려운 문제를 풀 때 더 많은 reasoning token을 생성하도록 학습됩니다. 더 오래 생각하면 여러 풀이를 탐색하고 오류를 수정할 수 있기 때문에 정확도가 올라갑니다. 하지만 모델이 필요 이상으로 같은 내용을 반복하거나 이미 찾은 해답을 계속 검토하는 현상도 나타날 수 있습니다. 메타는 Muse Spark의 강화학습에서 정답에 높은 보상을 주는 동시에 추론 길이에 비용을 부과했습니다. 처음에는 모델이 더 많은 토큰을 사용하면서 새로운 풀이 전략을 학습합니다. 이후 길이 페널티가 작동하면 이미 습득한 풀이 전략을 더 짧은 추론으로 수행하기 시작합니다.
원문 구간 8
메타는 AIME 일부 평가에서 추론 길이가 한동안 증가한 뒤 급격히 줄어들면서도 성능은 유지되는 현상을 관찰했고 이를 thought compression, "사고 압축"이라고 설명했습니다. 최종 답변 문장을 짧게 쓰는 것이 아니라, 정답을 찾기까지의 내부 추론 경로에서 반복과 우회를 제거하도록 학습한 것입니다. 그리고 사전학습의 FLOPS 효율도 크게 개선했습니다. 모델 아키텍처와 최적화 방식, 데이터 정제 과정을 모두 다시 설계한 결과 같은 수준의 능력에 도달하는 데 필요한 사전학습 컴퓨팅 규모가 Llama 4 Maverick보다 10배 이상 줄었다고 주장했습니다. 새로운 데이터 정제와 모델 구조, 옵티마이저가 같은 컴퓨트에서 더 많은 능력을 끌어냈다는 설명입니다. 카일리 로비슨 : AI는 특히 하드웨어 사업에 있어서 매우 중요할 것 같아요. AI 서비스를 향한 단계에서 더 넓은 비전으로 볼 때는 어떤 생각을 갖고 계신지 설명해주시겠어요? 알렉스 왕 Alexandr Wang : 네, 전적으로 동의합니다. 메타 전체에서 가장 흥미로운 부분 중 하나는 Ray-Ban Meta 스마트 글래스가 엄청난 성공을 거뒀다는 점입니다. 이미 수백만 대가 판매됐고 매우 열성적인 팬층도 형성됐습니다.

해석·전망개인화 AI 디바이스주 대상 · 기술·제품 · 메타 스마트글래스관련 대상 · 기업·종목 · Meta

스마트 글래스와 에이전트는 개인화된 초지능에서 어떤 역할을 하는가?

이 자료가 더한 내용

Ray-Ban Meta 스마트 글래스처럼 사용자의 보고 듣는 맥락을 포착하는 디바이스 위에서, 에이전트가 먼저 제안·조사·행동까지 수행하는 초지능 사이드킥을 지향한다고 설명했다.

근거 보기 3

원문 구간 1
저 역시 이 제품을 정말 좋아합니다. 이런 디바이스가 제시하는 방향은 매우 흥미롭습니다. 기술이 일상 속에 더 자연스럽게 녹아들고 전면이 아닌 배경으로 물러났을 때 우리가 기술과 맺는 관계가 어떻게 달라질지를 보여주기 때문입니다. 기술은 점점 더 사용자의 상황과 맥락을 이해하게 될 것입니다. 말씀하신 것처럼 사용자가 보는 것을 함께 보고 듣는 것을 함께 들을 수 있습니다. 이를 바탕으로 정말 필요한 순간에 훨씬 더 똑똑하고 유용한 도움을 제공할 수 있습니다. 사용자의 삶에서 지금 어떤 일이 벌어지고 있는지 파악하고 무엇이 중요한지 이해하며 어디에 주의를 기울여야 하는지도 알 수 있습니다. 저희는 이를 개인화된 초지능의 연장선에서 바라보고 있습니다. 일종의 디바이스 생태계를 구축하는 것입니다. 각각의 디바이스는 사용자의 맥락을 포착하면서도 기술 자체는 눈에 띄지 않게 뒤로 물러나도록 설계됩니다. 그 위에서 사용자는 에이전트로부터 매우 지능적이고 가치 있는 도움을 받을 수 있습니다. 에이전트가 먼저 필요한 일을 제안할 수도 있습니다. 사용자가 생각나는 것을 간단히 말하면 관련 내용을 알아서 조사해둘 수도 있고 직접 행동까지 대신 수행할 수 있습니다. 궁극적으로는 사용자의 삶 전반을 더 나은 방향으로 만들어주는 초지능 사이드킥이 되는 것입니다.
원문 구간 2
애슐리 밴스 : 하지만 메타에는 한 가지 문제가 있는 것 같습니다. 저는 이 안경을 정말 좋아하고 늘 사용합니다. 영상 작업을 할 때도 쓰고 이 안경으로 전화하는 것도 좋아합니다. 저희 회사 업무도 거의 전부 왓츠앱으로 처리합니다. 슬랙은 일부러 쓰지 않고 있습니다. 출장이 워낙 많다 보니 왓츠앱이 제 일상과 업무에 깊이 자리 잡았습니다. 그런데 솔직히 말씀드리면 당신이 이번 방송에 출연하기 전까지 메타의 AI 에이전트를 한 번도 사용해본 적이 없는 것 같습니다. 이번 기회에 어떤 제품인지 직접 확인해보고 싶었습니다. 저는 이런 작업이 필요할 때면 늘 Claude나 ChatGPT부터 사용합니다. 알렉스 왕 Alexandr Wang : 저희도 메타의 전체 생태계에 AI를 본격적으로 통합하기 전에 먼저 훌륭한 모델과 제품을 확보해야 한다는 점을 잘 알고 있었습니다. 그래서 저희가 중요하게 생각하는 대부분의 B2C AI 사용 사례를 제대로 지원할 수 있는 모델이 준비될 때까지 기다려온 셈입니다. 이제는 마침내 매우 흥미로운 지점에 도달했다고 생각합니다. 현재 모델들은 상당히 높은 수준에 올라왔고 저희도 그 성능에 크게 고무돼 있습니다. 여기에 지금보다 더 뛰어난 차세대 모델들도 출시를 앞두고 있습니다.
원문 구간 3
이제부터는 메타의 앱 전반에 AI를 훨씬 더 깊고 광범위하게 통합할 계획입니다. 기업용 제품과 서비스에도 AI를 결합해 나갈 것입니다. 결국 메타 생태계를 구성하는 거의 모든 요소가 저희 AI와 연결되는 단계로 진화하게 됩니다. 어느 정도는 지난 몇 년 동안 제미나이가 구글 생태계 안에서 보여준 방향과 비슷하다고 볼 수 있습니다. 이제 메타에서도 본격적으로 그 과정을 시작하게 됐다는 점이 매우 기대됩니다. Muse Spark 1.1이 꽤 잘 뽑혔으니, 여기서부터는 메타의 수많은 엔진 속으로 Muse Spark 1.1을 채택할 것으로 예상됩니다. 구글이 제미나이가 성공을 거두고 나면 그것을 제품화시키고 R&R 스택에 녹이는 것과 비슷한 맥락입니다. 애슐리 밴스 : 전적으로 동의합니다. 저 역시 비즈니스의 상당 부분을 구글 생태계 안에서 운영하고 있습니다. 제미나이가 어떻게 작동하는지 궁금해서 가끔 이것저것 사용해보는 정도입니다. 앞으로 소비자들의 머릿속에서 이 경쟁 구도가 어떻게 자리 잡을지 정말 궁금합니다. 현재 시장은 성격이 완전히 다른 두 세계가 경쟁하는 것처럼 보이기 때문입니다. 한쪽에는 오픈AI와 앤스로픽이 있습니다. 챗GPT는 이미 소비자에게 매우 강력한 브랜드로 자리 잡았습니다.

해석·전망AI 제품 경쟁주 대상 · 산업·업종 · AI 서비스 산업

독립 AI 브랜드와 빅테크 생태계 통합 경쟁을 어떻게 바라보는가?

이 자료가 더한 내용

ChatGPT·Claude 같은 독립 브랜드와 메타·구글의 생태계 통합 전략이 병존하며, 알렉산더 왕은 시장이 초기 단계여서 최종 구도를 단정하기 어렵고 새 역량마다 새 제품 형태가 열린다고 보았다.

근거 보기 3

원문 구간 1
대중에게는 사실상 'AI는 곧 ChatGPT'라는 인식이 형성돼 있습니다. Claude는 코딩과 기업용 업무 같은 전문 영역에서 강한 입지를 구축하고 있습니다. 반대편에는 메타와 구글 같은 빅테크 기업들이 있습니다. 이들은 소비자가 이미 매일 사용하는 패밀리 앱이나 워크스페이스 안에 AI를 자연스럽게 통합하고 있습니다. 기존 서비스를 사용하는 과정에서 자사의 AI도 함께 쓰도록 만드는 전략입니다. 기술 역사에서도 이런 형태의 경쟁은 보기 드물었던 것 같습니다. xAI 역시 자신만의 영역을 구축하고 있습니다. 제가 나이가 조금 있다 보니 과거 워드프로세서 경쟁이 떠오릅니다. 결국 대부분의 사용자는 마이크로소프트 워드로 수렴했습니다. 브라우저 전쟁에서도 인터넷 익스플로러와 넷스케이프가 경쟁하다가 한쪽이 시장을 장악했고 그 구도가 상당 기간 유지됐습니다. 그래서 궁금합니다. 독립적인 AI 브랜드를 구축하는 진영과 기존 생태계 안에 AI를 통합하는 진영은 서로 완전히 다른 과제를 안고 있는 것처럼 보입니다. 하지만 결국 대다수 소비자는 저처럼 "AI 작업은 그냥 ChatGPT에서 합니다"라고 말하며 하나의 서비스로 수렴하지 않을까요? 이 경쟁 구도를 어떻게 바라보고 계십니까?
원문 구간 2
알렉스 왕 Alexandr Wang : 저는 아직 시장이 정말 초기 단계에 있다고 생각합니다. 이 점을 돌아보면 상당히 흥미롭습니다. 만약 1년 전에 이 자리에서 같은 대화를 나눴다면 아마 이렇게 말했을 겁니다. 오픈AI와 ChatGPT가 이미 소비자 시장을 장악했고 사업 규모도 가장 크니 결국 시장 전체를 가져갈 것이라고 말입니다. 하지만 1년이 지난 지금 상황은 크게 달라졌습니다. 앤스로픽은 당시 어느 정도 가능성을 예상할 수는 있었지만 완전히 예측하기는 어려웠던 Claude Code로 엄청난 성공을 거뒀습니다. 매출 면에서도 오픈AI를 추월했습니다. Gemini 역시 빠르게 보급되면서 ChatGPT를 비롯한 기존 서비스들로부터 상당한 소비자 점유율을 가져왔습니다. 지금의 AI 시장은 믿기 어려울 정도로 역동적입니다. 어느 한순간을 보고 이것이 최종 구도라고 단정하기 어렵습니다. 소비자와 개발자, 기업을 위한 수많은 제품이 아직 발명조차 되지 않았기 때문입니다. 앞으로 등장할 제품들은 지금까지 보았던 것보다 훨씬 더 큰 시장을 만들 가능성이 있습니다. ChatGPT는 분명 엄청난 성공을 거둔 제품이었습니다. 당시 기준으로는 세계에서 가장 빠르게 성장한 제품이자 사업이었습니다.
원문 구간 3
그런데 이후 Claude Code가 다시 한번 폭발적인 성공을 거두며 지금까지 누구도 보지 못했던 속도로 성장하는 사업이 됐습니다. 저는 이것이 AI의 본질을 잘 보여준다고 생각합니다. AI가 새로운 수준의 지능과 역량에 도달할 때마다 완전히 새로운 제품 형태가 열립니다. 그리고 각각은 인류에게 밀려오는 거대한 기술의 새로운 물결이 됩니다. 다음 물결은 지금보다 훨씬 클 것입니다. 그다음 물결은 더 클 것입니다. 우리는 아직 끝에 가까이 가지도 않았습니다. 앞으로 지금보다 훨씬 더 흥미로운 새로운 제품 패러다임들이 계속 등장할 것입니다. 논란들에 답하다 내부 갈등설, 중국과의 경쟁, 로보틱스 애슐리 밴스 : 알겠습니다. 그렇다면 다른 질문을 드리겠습니다. 당신이 메타에 합류한 이후를 다룬 기사들을 읽다 보면 한 가지 흥미로운 대목이 눈에 띕니다. 정확히 뉴욕타임즈 기사였는지는 기억나지 않지만 대략 이런 내용이었습니다. “Alex와 Zuck은 세상을 비슷한 방식으로 바라봅니다. 두 사람 모두 연구를 중시하며 세계 최고의 모델을 만들고 싶어 합니다. 반면 Boz와 Chris Cox는 제품에 더 집중합니다.” 메타는 수십억 명의 사용자에게 서비스를 제공해야 하는 회사입니다. 동시에 그 서비스를 가능한 한 낮은 비용으로 제공해야 합니다.

해석·전망AI 지정학과 물리적 지능주 대상 · 기업·종목 · Meta관련 대상 · 기술·제품 · 로보틱스

메타는 AI의 지정학과 로보틱스를 어떻게 연결해 설명하는가?

이 자료가 더한 내용

국가·정부의 행동과 개인 인재를 구분해야 한다고 말하며, 디지털 초지능 뒤에는 물리적 초지능이 중요해지므로 로보틱스 역량을 지금부터 구축해야 한다는 견해를 제시했다.

근거 보기 4

원문 구간 1
알렉스 왕 Alexandr Wang : 당시 메타를 둘러싼 상황은 여러 문제가 복잡하게 얽혀 있었습니다. 워낙 민감한 사안이라 이 자리에서 모든 세부 내용을 말씀드리기는 어렵다는 점을 이해해 주셨으면 합니다. 다만 한 가지는 분명히 말씀드리고 싶습니다. 지정학적 문제를 바라볼 때는 국가와 정부의 행동을 그 나라의 개인 시민들과 엄격히 구분해야 합니다. 제 부모님도 중국 출신입니다. 중국에는 믿기 어려울 정도로 뛰어난 인재들이 많습니다. 그중 일부는 싱가포르로 이주했고 일부는 미국을 비롯한 세계 각지에서 활동하고 있습니다. 저는 이런 훌륭한 사람들과 함께 일할 기회를 얻을 때마다 깊이 감사하게 생각합니다. 하지만 이것은 중국 공산당의 행동이나 미-중 경쟁에 대해 제가 가진 거시적인 견해와는 완전히 별개의 문제입니다. 중국에서 태어난 뛰어난 사람들과 함께 일하고 싶다는 생각과 중국 공산당이 미국의 국가 전략에 미치는 영향을 어떻게 평가하는지는 서로 독립적으로 판단해야 합니다. 안타깝게도 실리콘밸리에서는 이 문제를 지나치게 단순화하는 경우가 많습니다. 누군가가 중국과 조금이라도 관련돼 있으면 구체적인 맥락을 살피지 않고 모두 같은 범주로 묶어버립니다.
원문 구간 2
특히 X에서는 이런 이분법적 시각이 더욱 강하게 나타나는 것 같습니다. 중국 공산당은 오래전부터 AI의 광범위한 활용을 국가 안보와 직결된 문제로 진지하게 다뤄왔습니다. 이제 미국 정부도 AI를 핵심적인 국가 안보 사안으로 바라보기 시작했습니다. 동시에 미국 정부가 기술을 외부 산업의 문제로만 보는 데서 벗어나기 시작했다고 생각합니다. 기술을 직접 이해하고 정부의 전략과 정책 역량 안으로 본격적으로 내재화하는 단계에 들어선 것입니다. 카일리 로비슨 : 메타가 5월 4일, Assured Robot Intelligence를 인수했는데요. 왜 인수했는지에 대해서 한 번 설명해주실 수 있나요? 알렉스 왕 Alexandr Wang : 물론입니다. 그들은 하드웨어를 직접 만드는 회사가 아닙니다. 수많은 하드웨어에서 작동할 AI를 만드는 회사입니다. 초지능을 진지하게 받아들인다면 디지털 초지능 이후에는 물리적 초지능이 매우 중요해질 것이라는 점도 자연스럽게 생각하게 됩니다. 로보틱스 역량과 물리적 지능은 먼 미래에 고민할 문제가 아닙니다. 지금부터 준비해 최대한 빠르게 구축해야 할 핵심 기술입니다. 로보틱스는 과학적 발견의 속도를 높일 것입니다.
원문 구간 3
상품을 생산하는 방식도 근본적으로 바꿀 수 있습니다. 사람들의 일상생활을 더 편리하게 만드는 데도 큰 역할을 할 것입니다. 로보틱스가 활용될 수 있는 분야는 사실상 무한하다고 생각합니다. 카일리 로비슨 : 말씀을 듣다 보니 메타가 AI를 현실 세계에서 구현하는 물리적 기술을 선점하기 위해 전력을 다하고 있다는 인상을 받습니다. 다만 메타가 과거 메타버스 사업에서 보여준 이른바 '다리 없는 아바타' 논란을 떠올리지 않을 수 없습니다. 대중과 평론가들이 메타의 휴머노이드 로봇을 보면서 당시의 실망스러운 기억을 다시 떠올리고 회의적인 반응을 보일 가능성도 있습니다. 하드웨어는 소프트웨어와는 전혀 다른 역량이 필요한 매우 까다로운 분야입니다. 그럼에도 메타가 이 분야를 성공적으로 이끌 수 있는 적임자라고 확신하시는 이유는 무엇입니까? 알렉스 왕 Alexandr Wang : 과거의 실패와 시행착오에 너무 큰 상처를 입으면 아침에 눈을 뜨고도 자리에서 일어나지 못할 수 있습니다. 두려움에 사로잡혀 아무것도 시도하지 못하는 것입니다. 하지만 저희는 그렇게 생각하지 않습니다. 이 기술이 가진 무한한 잠재력에 여전히 가슴이 뜁니다. 세상에 없던 놀라운 제품을 직접 만들어낸다는 사실에서도 깊은 영감을 받습니다.
원문 구간 4
저는 한 가지를 확고하게 믿습니다. 충분히 깊이 고민해 훌륭한 제품을 만들고 이를 세상에 내놓는 모든 과정에 세심한 주의와 정성을 기울인다면 대중도 결국 저희의 진정성을 알아봐 줄 것입니다. 그리고 저희가 느끼는 설렘에도 함께 공감해 줄 것이라고 믿습니다. 큰 흐름 읽기 (Bird's-eye view) 2026-06-12 AI 사이클의 모든 것, 게빈 베이커 인터뷰 : 버블의 역사는 반복되지 않지만, 운율은 반복된다 (바로가기) 2026-04-22 엔비디아 CEO 젠슨황 인터뷰 : 'TPU도 Trainium도, 그렇게 자신 있으면 공개적으로 붙자' (바로가기) 2026-03-27 앤스로픽 CEO 다리오 아모데이 인터뷰 : "Extremely fast, but not infinitely fast" (바로가기) 2026-03-05 AI 사이클 한 눈에 보기, SemiAnalysis 인터뷰 : "거품은 없다. ARR $100B가 온다" (바로가기) 2025-10-08 오픈AI 퇴사자의 글 #1 : 2027년 AGI가 온다 (바로가기) AI 심화편 of 심화편

시간흐름대로 모든 내용을 살려 정리

자료의 성격과 문제의식

[원문 유형] 네이버 프리미엄 콘텐츠
[채널] 올바른 미국주식 by SAPIENS
[게시일] 2026.07.17. 오후 1:13
[원문 URL] https://contents.premium.naver.com/sapiens/sapiensasset/contents/260717131323570cx
[제목] 메타가 $14B를 주고 데려온 남자 : MSL을 이끄는 알렉산더 왕의 통찰
[수집 기준] 승인된 구독 열람권으로 실제 본문을 보존했다. 이미지·첨부는 별도 미디어 원장에 보관하며 시각적 의미 검토 여부를 구분한다.

[구독 원문 본문]

안녕하세요 올바른입니다.

엔비디아가 $20B를 주고 데려온 Groq 창업자에서 이어집니다. 메타는 25년 6월 알렉산더 왕을 데려오려 Scale AI $14B를 들였습니다. 97년생 AI Officer와 MSL 얘기입니다.

Scale AI가 걸어온 길, MSL은 어떻게 시작됐는지, MSL을 이끄는 4명의 인물과 어떻게 일하고 있는지, Muse Spark에 대한 생각과 예측 가능한 스케일링의 사다리를 다뤘습니다.

다시 프론티어 경쟁에 뛰어들어 앤스로픽과 오픈AI에 이어 AGI 경쟁의 3위 쟁탈전 시작을 알린 Grok 4.5와 Muse Spark 1.1이 나온 시점에서, 알렉산더 왕의 이야기를 살펴봅니다.

큰 흐름 읽기 (Bird's-eye view)

연결 자료 목록

2026-06-12

AI 사이클의 모든 것, 게빈 베이커 인터뷰 : 버블의 역사는 반복되지 않지만, 운율은 반복된다 (바로가기)

2026-04-22

엔비디아 CEO 젠슨황 인터뷰 : 'TPU도 Trainium도, 그렇게 자신 있으면 공개적으로 붙자' (바로가기)

2026-03-27

앤스로픽 CEO 다리오 아모데이 인터뷰 : "Extremely fast, but not infinitely fast" (바로가기)

2026-03-05

AI 사이클 한 눈에 보기, SemiAnalysis 인터뷰 : "거품은 없다. ARR $100B가 온다" (바로가기)

2025-10-08

오픈AI 퇴사자의 글 #1 : 2027년 AGI가 온다 (바로가기)

AI 심화편 of 심화편

2026-07-09

구글 TPU v8 네트워킹의 모든 것 : 같은 칩을 사도 같은 성능이 나오지 않는 시대 (바로가기)

2026-06-19

추론의 시대, 핵심이 된 메모리 #2 : Agentic AI의 시대, NAND가 중요한 이유 'DualPath' (바로가기)

2026-06-05

AI 가속기 심화편 : GPU vs TPU, 무엇이 칩을 다르게 만드나 (feat. CPU, ASIC, FPGA) (바로가기)

AI 심화·IPO·엔비디아 자료 목록

2026-05-27

LLM 추론 토큰 가격의 비밀 : MoE의 시대, 엔비디아 NVL72가 중요한 이유 (바로가기)

IPO 분석

2026-06-17

스페이스X IPO 분석 #2 : 화성으로 가는 길에서, 지구를 손에 넣다 (바로가기)

2026-05-29

스페이스X IPO 분석 : 머스크 제국의 심장, 스타링크가 떠받치는 스타십과 AGI (바로가기)

2026-05-14

세레브라스 IPO 분석 : 엔비디아 킬러인가? (바로가기) / 요약 (바로가기)

엔비디아 (NVDA)

2026-06-03

엔비디아 컴퓨텍스 2026 : 사람 위한 CPU 시대 넘어, GPU 굶기지 않는 CPU 'Vera' (바로가기)

2026-05-21

엔비디아 1Q26 실적발표 : 젠슨황, "하이퍼스케일러 CapEx보다 '더' 빠르게 성장" (바로가기)

2026-03-17

엔비디아 GTC 2026 : 7개의 칩, 5개의 랙 시스템, 그리고 하나의 AI 슈퍼컴퓨터 (바로가기)

2026-01-02

엔비디아가 $20B를 주고 데려온 남자 : Groq 창업자 조나단 로스의 통찰 (바로가기)

광학 (Optics)

2026-07-03

셈텍(SMTC) 기업분석 : 미디어텍 TPU와 함께 성장할 기업, 'DSP를 지우는 자' (바로가기)

광학·메모리·네오클라우드 자료 목록

2026-05-07

루멘텀 1Q26 실적발표 : 3Q OCS, 4Q CPO, 차례로 점화를 기다리는 고성능 엔진들 (바로가기)

2026-04-30

비아비 솔루션스 1Q26 실적발표 : 본격 개화하는 빛의 시대, 물만난 테스트 수요 (바로가기)

2026-04-17

'빛💡'의 시대 : 광학 밸류체인 한 눈에 보기 (바로가기)

메모리 (Memory)

2026-06-19

추론의 시대, 핵심이 된 메모리 #2 : Agentic AI의 시대, NAND가 중요한 이유 'DualPath' (바로가기)

2026-03-19

마이크론 1Q26 실적발표 : 흔들릴 이유가 없는 어닝서프라이즈, 구조적 성장주로 거듭나기 (바로가기)

2026-01-21

추론의 시대, 핵심이 된 메모리 : 메모리 쇼티지를 떠받치고 있는 힘 (바로가기)

2026-01-07

엔비디아 CES 2026 : Vera Rubin의 시대, ICMS가 불러올 메모리 지각변동 (바로가기)

네오클라우드 (Neocloud)

2026-05-08

코어위브 1Q26 실적발표 : 적자만 보면 놓치는 코어위브의 진짜 변화 (바로가기)

2026-02-22

네오클라우드 뜯어보기 #2 : 새로운 시대의 AI 계급도, 전력을 돈으로 바꾼 Powered Shell (바로가기)

면책과 본문 목차

2026-02-10

네오클라우드 뜯어보기 : GPU 임대의 경제학, 네오클라우드 BIG 4 비교분석 (바로가기)

투자자문 서비스에 따른 투자 시 원금 손실이 발생할 수 있으며, 투자 손익에 대한 책임은 전적으로 고객에게 귀속됩니다. 또한 과거의 투자수익이 미래의 수익률을 보장하지 않습니다.

신규 구독 전에, 아래 투자자문계약 권유문서의 계약 관련 제반 사항을 반드시 읽으시고 충분히 검토하시기 바랍니다.

*투자자문계약 권유문서 : https://naver.me/5ZST47Qf

비하인드, MSL은 어떻게 시작됐나 : Llama 4 실패에서 시작된 MSL과 4개의 그룹

새로운 북극성 'Superintelligence' : A급 인재, 압도적인 컴퓨팅, 과감한 연구력 베팅

자신감의 원천 Muse Spark : 새롭게 만들어진 AI Labs, 토큰 효율성의 비밀, 예측 가능한 다음 모델

논란들에 답하다 : 내부 갈등설, 중국과의 경쟁, 로보틱스

알렉산더 왕 Alexandr Wang

2026년 5월 13일, Meta Chief AI Officer(Meta Superintelligence Labs)

비하인드, MSL은 어떻게 시작됐나

Llama 4 실패에서 시작된 MSL과 4개의 그룹

애슐리 밴스 Ashley Vance : 오늘은 실리콘밸리에서도 좀처럼 만나기 어려운 분을 모셨습니다.

MSL 인터뷰의 출발

약 10개월 전 메타가 Scale AI를 인수한 이후 MSL을 이끌고 있는 알렉산더 왕입니다. 제가 알기로는 이번 팟캐스트에 출연하기 전까지 유튜브나 팟캐스트에서 거의 모습을 드러내지 않았습니다. 정확히 어떤 계기로 저희 초대에 응해주신 것인지는 모르겠지만, 어렵게 모신 만큼 오늘은 그동안 듣기 어려웠던 여러 이야기를 나눠보겠습니다.

카일리 로비슨 Kylie Robison : 알렉스가 새로 출시한 모델에 대해서 말해줄 거라 기대하고 있습니다.

알렉스 왕 Alexandr Wang : 안녕하세요. 반갑습니다.

애슐리 밴스 : 메타가 Scale AI를 인수하기 전부터 저희가 종종 문자를 주고받았던 것으로 기억합니다. 저는 냇 프리드먼(Nat Friedman)과도 꽤 오랫동안 알고 지냈는데, 당시 두 분이 함께 한동안 모습을 감추셨습니다. MSL에서 외부 활동을 거의 하지 않은 채 조용히 시간을 보내시다가, 이번에 갑작스럽게 다시 나타나신 셈입니다.

알렉스 왕 Alexandr Wang : 해야 할 일이 정말 많았습니다. 아무것도 없는 상태에서 출발해 불과 9개월 만에 프론티어 모델을 구축해야 했기 때문입니다. 그만큼 엄청난 노력이 필요했습니다. 지금은 훨씬 더 강력하고 성능이 뛰어난 모델을 준비하고 있으니 기대하셔도 좋습니다.

애슐리 밴스 : 저는 저커버그와 한두 번 정도밖에 얘기를 나눈 적이 없는데, MSL이 어떻게 시작됐고 비하인드에 대해서 좀 더 그림을 그려주셨으면 합니다.

MSL의 첫 두 조직

알렉스 왕 Alexandr Wang : 네네, 기본적으로 제가 감독자인 전체 부서는 Meta Superintelligence Labs로 "MSL"이라고 부릅니다. 그 안에는 여러 부서들이 있습니다. TBD라는 부서가 있는데 대규모 모델을 연구하는 곳입니다. 악명이 높은 Lab이 된 느낌인데, 많은 업계 선두 연구원들과 인프라 엔지니어들이 있습니다. 그들은 모든 것을 제게 보고합니다. 그게 일단 첫 번째 그룹입니다.

두 번째 그룹으로는 "PAR"라고 부르는 Product/Applied Research 그룹도 있습니다. 그곳이 Nat Friedman이 리드하는 곳입니다. 그들은 메타가 구축하는 모든 제품과 훌륭한 모델을 실제로 세상에 배포하는 모든 작업들 담당하고 있습니다.

세 번째 그룹은 MSL 아래에 탐색적이고 굉장히 흥미로운 연구들을 이어가고 있는 "FAIR(Meta's Fundamental AI Research, 예전에는 'F'가 Fundamental이 아닌 Facebook이었습니다)"가 있습니다. 개인적으로는 그들의 과학적 연구들에 굉장히 흥미를 느낄 때가 많습니다. 뇌를 이해하기 위한 AI 모델, 계산화학을 이해하기 위한 AI 모델에 대해서 특히 훌륭한 작업들이 진행되고 있습니다. FAIR에서는 UMA라고 부르는 범용 원자 모델(Universal Models for Atoms)을 구축했으며 이런 요소들도 제가 감독하는 MSL 내에 구성되어 있습니다.

FAIR와 Meta Compute

네 번째 그룹은 Daniel Gross가 이끄는 "Meta Compute" 팀입니다. 메타의 장기적인 인프라에 집중하고 있는 그룹입니다. 메타의 굉장히 대담한 비전을 실행하기 위해 필요한 모든 GPU 인프라와 데이터센터 인프라를 구축할 수 있도록 계획하고 실행하는 팀입니다. 저는 이 모든 일들을 총괄하면서 긴밀하게 협력하고 있습니다.

애슐리 밴스 : 그럼 네 가지 그룹 중에서, MSL을 맡기 전에 가장 잘 알던 사람은 누구였나요?

알렉스 왕 Alexandr Wang : 저는 Nat과 Daniel을 사실 오랫동안 알고 지냈습니다. Nat은 Scale의 아주 초기 엔젤 투자자 중 한 명이었습니다. 그리고 YC를 마치기 전에 Nat이 Scale에 투자했고 수년간 제게 조언해줬었습니다. Daniel도 아마 그쯤 아주 아주 초기에 만났던 것 같고 꽤 오랜 기간 그들과 소통하며 지냈었습니다.

저희 메타의 수석 과학자인 Shengjia Zhao도 있는데 그는 MSL 전체의 연구 방향과 의제를 수립하는 데 중요한 역할을 하고 있습니다. MSL에서 함께 일하기 전부터 알고 지내던 사이였지만 제가 MSL에 합류한 이후 훨씬 더 가까워졌습니다.

정리하자면,

Nat Friedman은 모델을 제품과 플랫폼에 녹여내는 사람입니다. Nat의 전문성은 개발자 도구와 오픈소스 생태계, 플랫폼 운영, 그리고 기술을 실제 사용자가 쓰는 제품으로 확장하는 데 있습니다.

핵심 인물의 역할

2018년 Microsoft가 GitHub를 인수했을 때 GitHub CEO로 임명됐던 인물입니다.

Daniel Gross는 연구에 필요한 컴퓨트와 자본을 확보하는 사람입니다. Daniel의 전문성은 2017년까지 애플에서 AI와 검색 관련 프로젝트를 이끌다가, 이후 Y Combinator 파트너로서 AI 인사들과 지내고, 이후 일리야 수츠케버 및 대니얼 레비와 함께 Safe Superintelligence를 공동 창업했던 바 있습니다. 그리고 2025년 6월 SSI를 떠나 메타로 이동했습니다. 컴퓨트 부족이 연구와 기업가치를 어떻게 제한하는지를 투자자와 창업가의 관점에서 이해하기 때문에 강점이 있습니다.

Shengjia Zhao는 컴퓨트로 어떤 것을 연구할지를 결정하는 과학자입니다. 칭화대학교에서 학부를 마친 뒤 스탠포드에서 컴퓨터과학 박사과정을 밟았습니다. LLM이 등장하기 전부 모델이 데이터의 구조와 정보를 어떻게 학습하는지를 수학적으로 연구했던 인물입니다. 이후 오픈AI에 합류해 ChatGPT를 공동 개발하고, GPT-4, GPT-4.5, o1 등 각종 모델 개발에도 적극 참여했습니다. 초기에는 생성모델의 이론과 학습 목적함수를 연구했고, 이후에는 대규모 사전훈련 모델을 만들었으며, 최근에는 강화학습과 추론 단계의 컴퓨트 확장을 다뤘습니다.

AI Labs에서의 수석 과학자는 상징적인 자리입니다.

수석 과학자의 판단 범위

샘 올트먼 축출 사태가 일어나기 전까지의 오픈AI 수석 과학자가 일리야 수츠케버였습니다. 수석 과학자는 다음 세대 모델의 핵심은 무엇인지, 사전훈련과 강화학습 중 어디에 더 많은 자원을 투입할 것인지, 어떤 모델과 어떤 데이터를 넣을 것인지, 어떻게 평가할 것인지, 가설이 충분히 검증되었는지, 어떤 연구에 GPU 우선순위를 부여할 것인지 등등입니다.

카일리 로비슨 : 아주 큰 그림으로 봤을 때, 회사에서 잠적하셨다가 10개월 만에 나타나셨습니다. 어떻게 지내셨나요? 그리고 어떻게 Scale AI 인수 후 MSL로의 영입이 성사됐던 건가요? 저커버그와 대화했던 과정이나 그런 걸 처음부터 끝까지 설명해주실 수 있나요?

알렉스 왕 Alexandr Wang : 저는 마크를 아주 오래전부터 알고 지냈습니다. 제가 Scale AI를 운영하는 동안에도 마크는 제게 상당히 많은 시간을 내줬고, 그 과정에서 여러 가지 조언을 얻을 수 있었습니다. MSL과 관련된 일이 본격적으로 시작되기 전부터 AI에 관해 자주 대화를 나누던 사이였습니다.

Scale AI는 2016년부터 AI 분야에서 일해왔습니다. 처음에는 주로 자율주행에 집중했지만 기술의 발전 방향에 맞춰 사업과 연구의 초점을 몇 차례 바꿔왔습니다.

Scale AI가 본격 AI 기업으로 된 것은 자율주행 붐부터였습니다.

Scale AI의 자율주행 데이터 출발

2016년 전후에는 Waymo, Cruise, Uber, Zoox를 비롯한 기업들이 자율주행차 개발에 막대한 자금을 투자하고 있었습니다. 문제는 자동차에 장착된 카메라와 LiDAR가 엄청난 양의 데이터를 만들어냈지만, 신경망이 이를 학습하려면 사람이 데이터 속 자동차, 보행자, 차선, 신호등 등을 일일이 표시해야 했습니다.

Scale AI는 이쪽으로 피벗했습니다. 범용적인 단순 업무를 대신 처리해주는 회사에서 머신러닝 모델이 사용할 수 있는 고품질 데이터를 생산하는 회사로 바꿨습니다. Scale의 분산형 작업 플랫폼인 Remotasks에서는 작업자들이 전용 소프트웨어를 이용해 신호등과 차량에 박스를 그렸고, Scale은 자동화 도구와 다단계 검수 시스템을 이용해 결과물의 품질을 관리했습니다. 이런 것은 언어가 크게 필요없으니 신흥국 사람들을 대상으로 주로 원격작업을 하도록 시스템화했습니다. 인력 아웃소싱이 핵심이면서도 AI를 위한 데이터 라벨링 소프트웨어 기업이었습니다.

그러다가 좀 특별한 인사이트가 생긴 것은, AI Labs에게 데이터를 공급하면서

어떤 상황에서 모델이 반복적으로 틀리는지

어떤 종류의 데이터를 추가하면 성능이 좋아지는지

대량의 저품질 데이터와 소량의 고품질 데이터 중 무엇이 더 효과적인지

어떤 평가 기준을 사용해야 실제 제품 성능과 벤치마크 성능이 일치하는지

전문가 피드백 사업으로의 확장

사람이 어떤 방식으로 피드백을 제공해야 모델이 이를 잘 학습하는지를 잘 볼 수 있는 위치에 서게 됐다는 것입니다.

그래서 실리콘밸리의 인싸로서 여러 AI 인사들과 친하게 지내며 여기저기 인사이트를 몰고 다니는 사람으로 불렸던 시기입니다. 그러다가 ChatGPT가 등장하면서 Scale이 하는 작업도 달라졌습니다.

ChatGPT가 사용한 RLHF도 사람이 모델의 여러 답변을 비교하고 선호도를 제공하는 방식입니다. 하지만 모델이 좋아질수록 단순한 일반 작업자가 답변의 품질을 판단하기 어려워졌습니다. 의학 답변에는 의사가 필요하고, 코드에는 소프트웨어 엔지니어가 필요하며, 금융이나 법률 작업에는 해당 분야 전문가가 필요해졌습니다. Scale은 이에 맞춰 Remotasks 외에 Outlier를 운영하면서 프로그래머, 수학자, 작가와 각종 전문가를 모집했습니다. 이후에는 데이터 생성뿐 아니라 모델 평가 및 안전성 테스트까지 사업 범위를 넓혔습니다.

그러다 약 1년 전 마크와 어떻게 하면 더 긴밀하게 협력할 수 있을지를 본격적으로 논의하기 시작했습니다. 당시 마크는 AGI의 중요성을 점점 더 강하게 확신하고 있었습니다. 우선 AI가 메타라는 회사 자체를 완전히 변화시킬 것이라는 점을 분명히 이해하고 있었습니다. 동시에 AI가 한 세대에 한 번 등장할까 말까 한 수준의 혁신적인 기술이라는 점도 인식하고 있었습니다.

Llama 4와 협력 논의

그래서 AI에 매우 집중하고 있었고, 이 분야에 큰 베팅을 하고 싶어 했습니다.

하지만 마크가 공개적으로 이야기했듯이, 당시 Llama 4는 메타가 이런 투자를 계속 확대해나가기 위해 필요했던 수준의 궤도에 올라 있지 않았습니다. 그래서 우리는 아주 큰 틀에서부터 대화를 시작했습니다. 어떻게 하면 더 긴밀하게 협력할 수 있을지, 그리고 그 협력의 형태가 구체적으로 어떤 모습이어야 할지를 논의했습니다. 처음부터 정해진 답이 있었던 것은 아닙니다. 이런 논의가 대개 그렇듯이, 매우 개방적이고 자유로운 브레인스토밍에 가까웠습니다.

이 대목에서 말하는 “Llama 4가 필요한 궤도에 올라 있지 않았다”는 표현을 이해하려면, 당시 Llama 4 공개 전 기대와 공개 후 반응 사이의 큰 낙차를 볼 필요가 있습니다.

마크 저커버그는 2025년 1월, "Llama 4가 그해를 대표하는 최고 수준의 프론티어 모델이 될 것"이라고 공개적으로 예고했습니다. 동시에 메타는 2025년에 약 $60B~$65B의 CapEx를 집행하고, 연말까지 130만 개 이상의 GPU를 확보하며 약 1GW의 컴퓨트를 가동하겠다는 계획도 발표했었습니다. Llama 4는 이처럼 막대한 AI 투자가 실제 기술적 우위로 이어지고 있음을 증명해야 하는 모델이었습니다.

기대가 더욱 높았던 이유는 이전 세대인 Llama 3.1이 메타의 오픈웨이트 전략을 상당 부분 성공시켰기 때문입니다.

Llama 3.1의 기대와 경쟁 기준

메타는 Llama 3.1 405B를 세계에서 가장 크고 강력한 공개형 기반 모델로 소개했고, 실제로 당시에는 폐쇄형 모델과 오픈웨이트 모델 사이의 성능 격차를 크게 좁혔다는 평가를 받았습니다.

그러나 개발 과정부터 분위기가 순탄하지 않았습니다. 공개 전 보도에서는 Llama 4가 메타 내부의 수학 및 Reasoning 벤치마크에서 기대에 미치지 못했고 음성 대화 기능에서도 경쟁 모델보다 뒤처지면서 출시 일정이 여러 차례 밀렸습니다. 특히 2025년 초에는 DeepSeek-R1을 비롯한 Reasoning 모델들이 주목받으며 시장의 기준 자체가 빠르게 높아진 상황이었습니다. 메타가 모델을 개발하는 동안 경쟁의 중심이 챗봇 성능에서 장시간 Reasoning으로 이동한 것입니다.

수 차례 지연 끝에 메타는 2025년 4월 5일 Llama 4 Scout와 Maverick을 공개하고, 훨씬 큰 모델인 Behemoth는 완성품이 아닌 프리뷰 형태로만 발표했습니다. 문제는 Non-Reasoning 모델이었다는 데 있습니다. 그리고 이미 등장해 있던 당시 프론티어 모델에 비해서는 크게 뒤처지던 모델이었습니다.

또한 공개 직후에서는 벤치마크 신뢰성 논란까지 발생했습니다. 메타는 Llama 4 Maverick이 사용자들의 직접 투표로 모델을 평가하는 LMArena에서 전체 2위를 기록했다고 홍보했습니다.

Llama 4 공개와 평가 논란

그러나 이후 LMArena에 제출된 Maverick-03-26-Experimental이 실제 공개된 오픈웨이트 모델과 동일한 버전이 아니라, 사람의 선호를 얻도록 대화 스타일을 별도로 최적화한 실험 모델이었다는 사실이 알려졌습니다. 명백한 규정 위반으로 확정된 것은 아니었지만, 메타는 공개 모델과 평가 모델의 차이를 충분히 명시하지 않았다는 비판을 받았고 LMArena도 이후 평가 정책을 수정했습니다.

Llama 4가 워낙 크게 대차게 실패했었기 때문에, 마크 저커버그는 아예 새 술은 새 부대에 담기로 결정했습니다. 그렇게 매우 빠르게 출범한 조직이 MSL입니다. 이것도 좀 더 아래에 정리해볼까 합니다.

그러다 결국 흥미로운 해법에 도달했습니다. Scale AI에도 좋고 메타에도 좋으면서 두 조직이 매우 긴밀하게 협력할 수 있는 방식을 찾아낸 것입니다. 우리는 함께 이 시대에서 가장 중요한 기술을 구축하기로 했습니다. 동시에 우리 둘 모두가 진심으로 자랑스러워할 만한 결과를 만들 수 있는 방식으로 이 일을 추진하기로 했습니다.

마크는 약 1년 전 '개인 초지능'에 관한 메모를 발표했습니다. 그 이후로는 관련 내용을 공개적으로 많이 이야기하지 않고 조용히 준비해왔습니다. 하지만 개인 초지능이라는 목표는 실제로 우리 두 사람 모두에게 북극성과 같은 존재입니다.

개인 초지능이라는 북극성

우리가 어디를 향해 가야 하는지를 결정해주는 가장 중요한 지향점입니다.

우리는 이 기술이 사람들에게 더 큰 힘을 실어주는 방식으로 만들어지기를 원합니다. 전 세계에서 가능한 한 많은 사람이 이 기술을 이용할 수 있어야 하고 최대한 민주적으로 보급되어야 합니다. 이를 통해 모든 사람이 자신을 더 잘 표현하고 더 큰 주도권을 가지며 새로운 것을 창작하고 만들어낼 수 있기를 바랍니다. 그것이 바로 우리가 함께 만들어가고 싶은 세상입니다.

애슐리 밴스 : 제가 아주 오래전에 당신을 다룬 기사를 쓴 적이 있습니다. 아마 2021년쯤이었을 겁니다. 당시에도 당신에게는 여러 수식어가 따라다녔습니다. 최연소 자수성가 억만장자라는 평가부터 실리콘밸리에서 가장 주목받는 창업자 중 한 명이라는 이미지까지 있었습니다. Scale AI는 이미 업계에서 상당한 존재감을 가진 회사였고, 당신 역시 AI 산업이 앞으로 어디로 향할지를 누구보다 잘 읽는 사람이라는 평판을 얻고 있었습니다.

저는 당신과 대화를 나눌 때마다 Scale AI가 단순히 당신이 운영하는 회사를 넘어, 당신의 정체성 자체에 가깝다는 인상을 받았습니다. 그런데 이제는 그렇게 유명한 회사를 직접 창업해 이끌던 사람이 직원 수 8만 명에 달하는 거대한 조직에 합류해 중요한 역할을 맡게 된 것입니다. 물론 메타에서도 상당히 핵심적인 직책을 맡고 있지만, 창업자로 회사를 이끄는 것과는 완전히 다른 선택입니다.

창업자에서 메타로의 선택

솔직히 저는 이 결정이 상당히 놀라웠습니다. 물론 거래 규모 자체가 막대했다는 점도 있었을 겁니다. 하지만 제가 오랫동안 지켜본 당신의 성향을 생각하면, 단순히 금전적인 이유만으로 내릴 결정은 아니라고 느꼈습니다. 오히려 '이 정도로 커리어의 방향을 바꾸려면 마크가 정말 강력하게 설득했겠구나'라는 생각이 들었습니다. 그만큼 당신에게도 매우 큰 전환점이 되는 결정처럼 보였습니다.

Llama 4 공개 이후 벌어진 일은 일반적인 조직 개편과는 거리가 멀었습니다. 메타 내부에서 AI를 담당하던 임원 한두 명을 교체하는 수준이 아니라, 마크 저커버그가 직접 인재를 찾고 조직도를 다시 그리며 AI 개발 체계를 사실상 처음부터 재건하는 과정에 가까웠습니다.

저커버그는 이 시기 이른바 'Founder Mode'에 들어갔습니다. 월스트리트저널에 따르면 그는 AI 논문을 직접 읽으며 영입 대상을 찾았고, 연구원과 인프라 엔지니어, 제품 책임자 등 수백 명에게 이메일과 WhatsApp 메시지를 보냈습니다. 채용 임원들과는 'Recruiting Party'라는 이름의 WhatsApp 채팅방을 만들어 누구에게 어떤 방식으로 접근할지를 논의했습니다. 일부 후보자는 팔로앨토와 레이크 타호에 있는 저커버그의 집으로 초대해 직접 설득한 것으로 전해졌습니다. 단순히 채용팀에 지시한 것이 아니라 CEO가 프론티어 AI Lab의 초기 멤버를 한 명씩 고른 것입니다.

Scale AI 투자와 MSL 출범

메타는 일리야 수츠케버가 설립한 Safe Superintelligence 등 유력 AI 스타트업과 팀을 통째로 확보할 수 있는 방안도 검토한 것으로 보도됐습니다. 결국 선택된 방식이 Scale AI에 대한 대규모 지분투자와 알렉산더 왕의 영입이었습니다. 2025년 6월 메타는 Scale AI의 지분 49%를 $14.3B에 취득했습니다.

시점들을 보시면, 4월에 Llama 4가 실패한 것을 받아들이자마자 1~2개월 만에 물밑에서 굉장히 추진력 있는 시간을 보냈던 것을 파악할 수 있습니다. 그리고 마침내 2025년 6월 30일 저커버그는 사내 메모를 통해 Meta Superintelligence Labs, "MSL" 출범을 공식화했습니다. 기존의 기반 모델 연구, FAIR, AI 제품과 응용 연구 등 메타의 여러 AI 조직을 하나의 상위 조직으로 묶고 알렉산더 왕을 최고 AI 책임자로 앉혔습니다.

오픈AI 내부의 반응도 거셌습니다. WIRED에 따르면 오픈AI 최고연구책임자 마크 첸은 메타의 연쇄 영입을 두고 누군가 집에 침입해 물건을 훔쳐가는 것처럼 느껴진다는 취지로 직원들에게 설명했습니다. 오픈AI 역시 핵심 인력을 지키기 위해 보상 조건을 조정하기 시작했습니다. 결과적으로 MSL 출범은 메타 한 회사의 조직 개편을 넘어 오픈AI와 구글, 앤스로픽 등 전체 AI Lab의 보상 체계를 끌어올리는 계기가 됐습니다.

Shengjia Zhao 영입

다만 알렉산더 왕과 냇 프리드먼은 AI 산업과 제품을 깊이 이해하는 창업가였지만, GPT나 Llama급 모델을 직접 설계하고 훈련해온 정통 프론티어 연구 책임자는 아니었습니다. 이를 보완한 인물이 Shengjia Zhao였습니다. 저커버그는 2025년 7월 25일 그를 MSL 수석 과학자로 공식 임명했습니다. 셩자 자오는 오픈AI에서 ChatGPT, GPT-4와 추론 모델 o1 개발에 참여했던 연구자로, MSL의 연구 의제와 과학적 방향을 설정하는 역할을 맡았습니다. 알렉산더 왕이 조직과 자원을 지휘하고 Shengjia Zhao가 기술적 방향을 정하는 이원 구조가 완성된 것입니다.

알렉스 왕 Alexandr Wang : 네, 정말 완전히 다른 선택이었습니다. 저 역시 그 점을 오랫동안 고민했습니다. 이 과정을 거치면서 가장 크게 느낀 것은 AI 업계에 있는 사람이라면 누구나 비슷하게 느끼겠지만, AI의 발전 속도가 오랫동안 제가 예상했던 것보다 훨씬 빨랐다는 점입니다. AI 모델의 발전이 계속 가속화되는 모습을 지켜보면서 몇 가지 생각이 점점 더 확고해졌습니다.

첫 번째는 AI 모델을 직접 개발하는 회사들이 경제적으로든 제품 측면에서든 점점 더 많은 주도권과 영향력을 갖게 된다는 점입니다. 과거에는 AI 생태계가 어떤 구조로 형성될지, 그 안에서 누가 가장 중요한 역할을 맡게 될지를 두고 다양한 논쟁이 있었습니다.

모델 회사와 컴퓨팅의 위상

하지만 모델 성능이 너무 빠르게 향상되고 연구의 발전 속도도 계속 빨라지면서, 결국 생태계에서 가장 흥미롭고 중요한 위치는 모델 자체를 만드는 곳이라는 생각이 점점 강해졌습니다.

두 번째는 앞으로의 기술 경쟁이 결국 컴퓨트로 귀결된다는 점입니다. 막대한 컴퓨트 자원을 보유한 회사는 훨씬 더 큰 규모의 프로젝트에 도전할 수 있고, 더 과감한 베팅을 할 수 있으며, 완전히 새로운 제품을 세상에 내놓을 수 있습니다. 반대로 충분한 컴퓨트가 없다면 처음부터 시도조차 할 수 없는 일들이 많습니다.

그래서 앞으로 기술 업계는 상당히 흥미로운 방식으로 계층화될 것이라고 생각합니다. 지금까지는 모든 기술 기업을 대체로 비슷한 범주 안에서 바라봤지만, 앞으로는 막대한 컴퓨트를 보유한 회사와 그렇지 않은 회사를 완전히 다른 종류의 기업으로 봐야 할 것입니다. 대규모 컴퓨트를 가진 회사만이 시도하고 만들어낼 수 있는 것들이 분명히 존재하기 때문입니다. 저는 이런 구분이 앞으로 기술 생태계를 규정하는 중요한 특징이 될 것이라고 봅니다.

그런 점에서 메타에 합류할 기회는 굉장히 매력적이었습니다. 무엇보다 마크는 AI에 전적으로 베팅하고 있는 사람입니다. 매우 과감한 리더이자 전략가이고, AI를 위해 엄청난 규모의 투자를 집행하고 있습니다. 그런 리더십 아래에서는 막대한 컴퓨트 자원을 활용할 수 있는 환경이 만들어집니다.

메타 합류의 이유

여기에 세계 최고 수준의 연구와 제품 개발 역량까지 결합한다면, 세상에 정말 큰 영향을 미칠 수 있는 무언가를 만들어낼 수 있다고 생각했습니다.

새로운 북극성 'Superintelligence'

A급 인재, 압도적인 컴퓨팅, 과감한 연구력 베팅

카일리 로비슨 : 여러분은 엄청난 규모의 컴퓨트 자원을 확보했고, 동시에 뛰어난 인재들도 대거 영입했습니다. 이제 그중 상당수와 함께 일한 지도 벌써 10개월 정도가 지났습니다. 실제로 이들과 팀을 이뤄 일해보니 어떠셨습니까? 새로운 조직과 연구팀을 구축하는 과정에서 어떤 어려움이 있었는지도 궁금합니다. 반대로 이렇게 완전히 새로운 드림팀이 메타에 모이면서 가장 흥미롭고 기대됐던 부분은 무엇이었습니까?

알렉스 왕 Alexandr Wang : 맞습니다. 제가 메타에 합류했을 당시에는 우리가 목표로 하는 방향으로 나아가기 위해 AI 연구개발의 전반적인 전략을 다시 정립하고 조직과 실행 체계도 사실상 처음부터 재설계해야 한다는 점이 분명했습니다. 당시 Llama 4는 우리가 원했던 성능 향상 궤도에 올라 있지 않았고 업계 최전선의 프티어 모델들과 비교해도 뒤처져 있었습니다. 따라서 단순히 점진적으로 개선하는 정도로는 충분하지 않았습니다. 우리는 매우 빠른 속도로 기존 격차를 좁히는 동시에 궁극적으로는 업계 선두를 추월할 수 있는 구체적이고 실행 가능한 계획을 세워야 했습니다.

초지능 조직의 출발점

애슐리 밴스 : 좀 더 구체적으로 말씀해주실 수 있나요? 당시 어떤 문제가 있었나요?

알렉스 왕 Alexandr Wang : 가장 근본적인 변화는 결국 관점의 차이에서 시작된다고 생각합니다. 이 분야를 선도하는 많은 AI 연구소는 '초지능이 머지않아 등장할 것이며 충분히 현실적으로 달성할 수 있는 목표'라는 전제 아래 조직 전체를 설계합니다. 이러한 핵심적인 믿음을 바탕으로 연구 로드맵과 사업의 방향, 인력과 컴퓨트의 배분, 그리고 무엇에 집중할지를 결정합니다. 조직의 거의 모든 계획이 초지능이라는 목표에서부터 역산되는 것입니다.

따라서 우리가 가장 먼저 해야 했던 일도 초지능을 단순히 먼 미래의 가능성이 아니라 실제로 달성해야 할 구체적인 목표로 받아들이는 것이었습니다. 그리고 그 전제에 맞춰 기존에 가지고 있던 모든 가정과 계획을 처음부터 다시 정렬해야 했습니다. 저는 이것이 우리가 추진한 변화 가운데 가장 근본적인 체질 개선이었다고 생각합니다.

애슐리 밴스 : 일종의 종교적 신념 같은 게 부족했다는 거군요.

알렉스 왕 Alexandr Wang : 네, 실제로 이런 현상은 대기업에서 꽤 흔하게 나타난다고 생각합니다. 대기업에서 일하는 사람들은 초지능의 도래에 대해 이처럼 강한 확신을 갖기 어려운 경우가 많습니다.

연구 원칙과 신념

조직이 만들어진 출발점부터 다르기 때문입니다. 물론 대기업에도 AI를 연구하는 뛰어난 인재들이 많습니다. 하지만 '초지능이 곧 등장한다'는 다소 비현실적으로 들릴 만큼 대담한 믿음 하나에서 출발해서 무에서 유를 만들어온 스타트업과는 조직의 분위기가 다를 수밖에 없습니다.

하지만 이제 메타에서는 더 이상 그것이 문제가 되지 않는다고 생각합니다. 저희 조직의 이름인 MSL, 즉 Meta Superintelligence Labs라는 이름부터가 초지능이 머지않아 등장할 것이라는 전제를 중심으로 만들어졌기 때문입니다. 프로젝트를 시작하면서 저희가 세운 몇 가지 원칙이 있습니다. 이 원칙들이 우리가 해결해야 했던 과제에 대한 답이기도 합니다.

첫째, 초지능이라는 목표를 진지하게 받아들여야 합니다.

둘째, 기술을 가장 잘 이해하는 사람들의 목소리에 힘을 실어줘야 합니다.

셋째, 과학적 엄밀함과 기본기에 집중하면서도 과감한 연구적 베팅을 주저하지 않아야 합니다.

제가 처음 합류해 MSL의 전반적인 방향을 고민했을 때 스스로에게 던진 질문은 명확했습니다. 어떻게 해야 믿기 어려울 정도로 빠르게 기존의 격차를 좁히고, 궁극적으로는 업계 선두를 추월할 수 있는 조직을 만들 수 있을까 하는 것이었습니다.

그리고 이를 가능하게 만드는 핵심 요소는 크게 세 가지라고 판단했습니다.

연구원당 컴퓨팅 확대

첫 번째는 연구원 한 명당 사용할 수 있는 컴퓨트 자원을 크게 늘리는 것입니다. 대기업 연구소는 전체적으로 보면 막대한 컴퓨트 자원을 보유하고 있습니다. 하지만 그 자원이 수많은 조직과 프로젝트에 분산돼 있기 때문에, 개별 연구원이 실제로 사용할 수 있는 컴퓨트는 제한되는 경우가 많습니다. 이는 결국 연구의 반복 속도와 진척 속도를 떨어뜨립니다. 반대로 소수정예 팀에 컴퓨트 자원을 집중하면 연구원들은 훨씬 더 많은 실험을 빠르게 수행할 수 있고, 연구의 발전 속도도 크게 끌어올릴 수 있습니다.

두 번째는 인재 밀도입니다. 이것은 인간이 조직을 운영하면서 계속해서 확인해온 교훈이기도 합니다. 세계 최고 수준의 인재들로 구성된 작은 팀은 책임이 분산되고 역량의 편차가 큰 거대한 조직보다 훨씬 빠르게 움직입니다. 단순히 뛰어난 사람을 많이 모으는 것만으로는 충분하지 않습니다. 중요한 것은 모든 구성원이 높은 수준의 기술적 판단력을 갖고 있고, 각자의 결정과 실행에 명확한 책임을 지는 조직을 만드는 것입니다.

세 번째는 극도로 야심찬 연구에 과감하게 베팅하는 것입니다. 업계에서도 널리 공감하는 부분이지만, 성공 가능성은 낮고 막대한 자원이 필요하더라도 성공했을 때 기존의 패러다임을 완전히 바꿀 수 있는 연구들이 분명히 존재합니다. 이런 연구는 현대적인 AI 모델을 개발하는 방식 자체를 근본적으로 뒤흔들 수 있습니다.

고위험 연구 베팅

그래서 저희는 경쟁력 있는 프론티어 모델을 개발하는 데 그치지 않고, 상당한 규모의 인력과 컴퓨트 자원을 이러한 고위험/고잠재력 연구에 투입하고 있습니다.

이런 베팅 가운데 일부가 성공한다면, 앞으로 지금과는 전혀 다른 수준의 모델들을 선보일 수 있을 것입니다.

카일리 로비슨 : 애슐리가 자주 하는 이야기 중 하나가 있습니다. 최근 이 분야의 연구소들이 서로 앞서거니 뒤서거니 경쟁하고 있지만, 결국에는 모두 비슷한 수준의 모델과 서비스를 내놓는 방향으로 수렴하고 있다는 것입니다. 그런데 지금 말씀을 들어보면 여러분은 단순히 경쟁사들을 따라잡는 수준을 넘어, 프론티어 모델을 향해 굉장히 빠른 속도로 달려가고 있는 것 같습니다. 메타가 핵심 인재들을 영입하는 과정에서 이전에는 들어본 적도 없을 만큼 막대한 보상 패키지를 제시했다는 보도들도 기억납니다. 그렇다면 기존의 모델 개발 방식을 넘어, 앞서 말씀하신 새로운 패러다임에 도달하기 위해 구체적으로 어떤 연구와 전략을 추진하고 계십니까?

알렉스 왕 Alexandr Wang : 현재 저희가 추진하고 있는 연구적 베팅은 매우 많습니다. 다만 보안상 그 모든 내용을 구체적으로 말씀드리기는 어렵습니다. 결국 가장 본질적인 질문은 우리가 정말 중요하게 생각하는 가치가 무엇이냐는 것입니다.

개인화 에이전트의 목표

저희는 개인화된 초지능이라는 비전에 맞춰, 전 세계 수십억 명의 개인 사용자와 다양한 기업을 실질적으로 도울 수 있는 강력한 에이전트를 만드는 데 집중하고 있습니다.

메타는 매우 독특하고 강력한 생태계를 보유하고 있습니다. 모두가 잘 아시듯 수십억 명의 사용자가 있고, 동시에 메타의 플랫폼을 활용해 사업을 운영하는 수억 개의 기업도 존재합니다. 저희가 궁극적으로 그리고 있는 미래는 메타의 플랫폼을 사용하는 모든 개인과 기업이 강력한 에이전트의 도움을 받는 것입니다. 그리고 그 위에서 완전히 새로운 에이전트 생태계가 만들어질 수 있다고 생각합니다. 저희는 그 미래가 구체적으로 어떤 모습일지, 그리고 그것을 실현하려면 모델이 어떤 역량을 갖춰야 하는지를 계속 고민하고 있습니다.

물론 이를 위해 해결해야 할 세부적인 기술 과제도 매우 많습니다. 우선 에이전트로서 작업을 안정적으로 수행하는 능력이 뛰어나야 합니다. 에이전트가 처리하게 될 업무의 상당 부분이 소프트웨어 개발과 연결돼 있기 때문에 강력한 코딩 능력도 필수적입니다. 여기에 텍스트뿐 아니라 이미지와 영상, 음성 등 다양한 형태의 정보를 이해하고 처리할 수 있는 멀티모달 역량도 갖춰야 합니다.

장기적으로 작동하는 에이전트를 만들기 위해서는 더 근본적인 문제들도 해결해야 합니다.

장기 맥락과 복잡한 행동

메모리의 한계를 어떻게 극복할 것인지, 에이전트가 오랜 시간 동안 작업의 맥락을 유지하며 안정적으로 작동하게 할 것인지, 그리고 사용자를 대신해 점점 더 복잡한 업무를 수행할 수 있도록 어떻게 설계할 것인지가 핵심 과제입니다.

이러한 문제들이 현재 저희가 깊이 몰두하고 있는 큰 연구 방향입니다.

애슐리 밴스 : 회사 내부에 초지능에 대한 강한 신념을 심으려는 과정에서, 여러분이 조직을 구축한 방식은 앞서 말씀하신 오픈AI나 앤트로픽과는 상당히 달라 보입니다. 그 회사들은 아무것도 없는 상태에서 출발해 오랜 시간에 걸쳐 조직의 문화와 정체성이 자연스럽게 형성된 곳들이니까요.

반면 외부에서 바라본 MSL은 다소 용병 집단에 가까운 인상을 줍니다. 기존 조직을 상당 부분 재편하고, 외부에서 엄청난 보상을 제시하며 최고 수준의 인재들을 대거 영입해 하나의 팀으로 모았기 때문입니다. 이 과정을 보면서 xAI가 Grok을 처음 만들던 시기가 떠오릅니다. 일론 머스크는 특유의 방식대로 다른 누구보다 훨씬 많은 컴퓨트 자원을 확보하고, 소수의 핵심 인재를 중심으로 조직을 구축해 빠르게 따라잡겠다는 접근을 택했습니다.

실제로 어느 정도는 프론티어에 근접한 것으로 보입니다. 하지만 대중의 인식이나 브랜드 영향력까지 고려하면, 아직 완전한 탈출 속도에 도달했다고 보기는 어렵다는 느낌도 있습니다.

보상만으로 만들 수 없는 문화

그래서 궁금한 점은 이것입니다. 앞서 말씀하신 조직의 신념과 문화, 그리고 초지능에 대한 강한 확신과 같은 무형의 요소들을 과연 막대한 보상과 인재 영입만으로 만들어낼 수 있을까요? 돈으로 뛰어난 사람들을 모을 수는 있겠지만, 그들을 하나의 방향으로 움직이게 만드는 문화와 공동의 믿음까지 함께 확보할 수 있는지는 여전히 의문입니다.

알렉스 왕 Alexandr Wang : 사실 바로 그 지점이 외부에서 형성된 인식과, 저희가 내부에서 매일 경험하는 실제 모습 사이의 괴리가 가장 큰 부분이라고 생각합니다. 많은 분들이 방금 말씀하신 것과 비슷한 인상을 받으셨는데, 당시 언론 보도가 워낙 자극적인 방식으로 이뤄지면서 그런 이미지가 굳어진 측면이 큽니다. 보도 내용 가운데는 여러 면에서 과장된 부분도 있었지만 일단 이야기가 퍼지기 시작하자 걷잡을 수 없이 확대됐습니다.

외부에서 그렇게 보였던 이유 중 하나는 저희가 인재 영입을 정말 짧은 시간 안에 끝냈기 때문입니다. 제가 합류했을 당시에는 위대한 모델을 만들려면 팀이 이미 어제부터 가동되고 있었어야 한다고 생각했습니다. 그만큼 시간이 없었고, 앞뒤를 오래 따질 여유 없이 매우 빠르게 움직여야 했습니다.

하지만 실제 연구소의 문화는 외부에서 생각하는 용병 조직과는 완전히 다릅니다.

새 조직의 구축 방식

오히려 스타트업에 훨씬 가깝습니다. 메타라는 거대한 회사 안에서 기존 조직을 조금 수정한 것이 아니라, 완전히 새로운 팀을 처음부터 구축했기 때문입니다. 무엇보다 팀원 대부분이 앞서 말씀드린 비전 자체에 깊이 공감해 합류했습니다.

연구원들이 이곳을 선택한 가장 중요한 이유 중 하나는 연구원 한 명당 사용할 수 있는 컴퓨트 자원이 압도적으로 많다는 점입니다. 이전 조직에서는 시도하기 어려웠던 규모의 실험을 수행하고, 훨씬 더 빠른 속도로 연구를 진전시킬 수 있습니다. 인재 밀도 역시 매우 높습니다. 세계 최고 수준의 연구원들로 구성된 소수정예 팀이 모여 있고, 이들에게는 과감한 연구적 베팅을 실제로 실행할 수 있는 자원과 자유가 주어집니다. 연구원들은 이곳에 오기 전부터 그런 환경이 말뿐이 아니라 실제로 존재한다는 점을 확인했습니다.

따라서 연구원들이 단순히 돈만 보고 움직였다고 보는 것은 잘못된 가정입니다. 대부분은 이전 직장에 그대로 남았더라도 충분히 좋은 보상을 받을 수 있었던 사람들입니다. 외부에서는 보상 규모가 가장 눈에 띄었겠지만, 실제로 사람들을 움직인 핵심 동기는 따로 있었습니다. 완전히 바닥에서부터 새로운 연구소를 설계할 수 있다는 점, 풍부한 컴퓨트 자원을 활용해 자신들이 정말 해보고 싶었던 대담한 연구에 도전할 수 있다는 점, 그리고 지나치게 비대해지지 않은 높은 밀도의 조직에서 일할 수 있다는 점이 훨씬 중요했습니다.

초기 연구소 같은 분위기

그 결과 조직의 분위기와 문화도 매우 건강하게 유지되고 있습니다. 다른 연구소에서 일하다 저희 연구소를 방문한 사람들은 종종 초기 오픈AI나 초기 앤트로픽과 비슷한 분위기가 느껴진다고 말합니다. 어떤 의미에서 저희는 이제 막 출범한 지 10개월 정도 된, 가장 활기찬 신생 연구소 중 하나라고 생각합니다.

애슐리 밴스 : 그리고 마침 마크 첸이 이 팟캐스트에 나와서 그 인재 영입 전쟁 당시에 있었던 이른바 '스프 대소동' 이야기를 꺼냈었거든요. 이거 진짜인가요? 진짜 주커버그가 스프를 끓였나요? 인재들을 데려오려고 직접 스프를 대접하신 건가요?

알렉스 왕 Alexandr Wang : 스프가 있었던 것은 맞지만, 실제로 마크가 직접 끓였는지는 저도 잘 모르겠습니다. 다만 마크가 스프를 끓였든 그렇지 않았든, 이 연구소를 만들면서 가장 중요하게 생각했던 전제 중 하나는 분명했습니다. 우리가 이 기술에 얼마나 진지하게 임하고 있는지, 그리고 영입하려는 연구자 한 사람 한 사람의 연구 방향과 전문성을 얼마나 깊이 존중하는지를 말이 아니라 행동으로 보여줘야 한다는 것이었습니다.

그래서 모든 후보자에게 똑같은 방식으로 접근하지 않았습니다. 각자의 상황과 관심 분야와 지금까지 해온 연구와 앞으로 하고 싶은 연구를 깊이 이해한 뒤, 그에 맞춰 매우 개인화된 영입 과정을 진행했습니다.

진정성을 보여준 영입

저는 그렇게 구축한 지금의 팀을 정말 자랑스럽게 생각합니다.

당시에는 사람들이 저희를 믿을 수 있도록, 우리가 얼마나 진지하게 이 일을 추진하고 있는지를 직접 보여줘야 했습니다. 처음에는 많은 사람이 메타의 AI 전략을 어떻게 받아들여야 할지 확신하지 못했고, 저희가 실제로 무엇을 만들고 있는지 충분히 알지 못했습니다.

그래서 직접 사람들을 찾아가 만났습니다. 우리가 무엇을 만들고 있는지, 어떤 문제에 집중하고 있는지, 왜 이 기술을 그토록 중요하게 생각하는지, 그리고 앞으로 무엇을 해내고 싶은지를 계속 설명했습니다. 결국 사람들을 움직인 것은 단순한 조건이나 보상이 아니었습니다. 저희가 가진 비전과 진정성을 직접 전달하고 그들이 이곳에서 어떤 연구를 할 수 있는지를 구체적으로 보여주는 과정이 무엇보다 중요했습니다.

애슐리 밴스 : 영입 이야기만 너무 길게 이어가지 않도록 이 질문을 마지막으로 하고 넘어가겠습니다. 당신이 Scale AI를 이끌던 시절에는 업계에서 'AI 생태계의 스위스' 같은 존재로 불렸습니다. 특정 진영에 치우치지 않은 채 거의 모든 사람과 관계를 맺고 있었고 늘 생태계의 중심에 서 있었기 때문입니다.

하지만 이번 영입 과정을 거치면서 개인적인 관계에서도 적지 않은 대가를 치렀을 것 같습니다.

리더십에 관한 질문

예전에 샘 알트만과 룸메이트로 지낼 정도로 가까운 사이이기도 했잖아요. 이번 방송에 당신이 출연한다는 소식을 듣고 샘에게 문자를 보내봤는데 당신에 대해 그다지 좋은 이야기가 나오지는 않았습니다. 이 모든 과정이 당신에게도 관계의 단절이나 갈등 같은 개인적인 대가로 이어졌을 것 같습니다. 실제로는 어떻게 느끼셨습니까?

알렉스 왕 Alexandr Wang : 네, 저 역시 이런 갈등이 생기는 상황을 매우 안타깝게 생각합니다. 솔직히 말하면 우리가 초지능의 도래에 가까워질수록 업계 인물들 사이의 반목과 적대감도 점차 가라앉기를 진심으로 바랍니다. 최근에는 여러 이슈가 겹치면서 이런 갈등이 유독 크게 부각되고 있습니다.

하지만 시간이 흐르면 결국 사람들도 한 가지 사실을 깨닫게 될 것이라고 생각합니다. 우리는 지금 인류에게 매우 중요한 기술을 만들고 있습니다. 그렇기 때문에 이 기술을 개발하는 모든 사람이 훨씬 더 신중하고 사려 깊은 태도를 가져야 합니다. 저 역시 제가 개발하고 배포하는 기술이 최대한 책임감 있고 신중한 방식으로 세상에 나올 수 있도록 해야 합니다. 그것이 제게 주어진 가장 중요한 책임 중 하나라고 생각합니다.

카일리 로비슨 : 인재 영입과 관련해 특히 기억에 남는 부분이 있습니다. 단순히 제품을 만드는 데 그치지 않고 우리만의 분명한 미션을 제시했다는 점입니다.

연구 자율성과 젊은 리더

또 연구자들이 각자의 연구 목표를 추구할 수 있도록 충분한 신뢰와 자율성을 보장했다고 말씀하셨습니다.

그리고 당신은 굉장히 젊습니다. 저희가 거의 동갑이라는 점도 참 신기합니다. 물론 저는 억만장자는 아니지만요.

이처럼 젊은 나이에 거대한 기업의 핵심 조직을 이끄는 리더가 되면서 여러 평가와 의심을 마주했을 것 같습니다. 그런 시선은 개인적으로 어떻게 받아들이셨습니까?

또 일각에서는 당신이 엔지니어 출신이 아니라는 점을 비판적으로 바라보기도 합니다. 기술 중심의 연구 조직을 이끄는 데 엔지니어가 아니라는 점이 약점이라는 평가에 대해서는 어떻게 생각하십니까?

알렉스 왕 Alexandr Wang : 그건 사실이 아닙니다. 저는 실리콘밸리에서 소프트웨어 엔지니어로 일한 경험이 있습니다. 나이에 대한 이야기도 사실 크게 신경 쓰지 않습니다. 실리콘밸리에서 일하는 내내 비슷한 평가를 들어왔기 때문입니다. 특히 AI 분야에서는 사실과 다른 해석이나 오해가 빠르게 퍼지는 경우가 많습니다. 물론 답답하게 느껴질 때도 있습니다.

하지만 저는 결국 우리가 하고 있는 일과 앞으로 세상에 내놓을 결과로 보여주는 것이 가장 중요하다고 생각합니다. 저는 Muse Spark를 매우 자랑스럽게 생각합니다. 현재 개발 중인 다음 모델들 역시 충분히 기대하셔도 좋습니다.

연구 환경을 만드는 방식

장기적으로는 결국 모든 것이 제대로 평가받게 될 것이라고 생각합니다.

애슐리 밴스 : 당신은 수학 올림피아드 출신이기도 하죠. 제가 실리콘밸리를 취재하며 느낀 점은 이런 대회에서 뛰어난 성과를 낸 사람들이 코딩과 엔지니어링에도 강한 경우가 많다는 것입니다. 복잡한 문제의 구조를 파악하고 해결책을 찾는 능력도 뛰어나고요. 그런데 시간이 지나면서 당신에게는 일도 잘하지만 인생을 즐길 줄 아는 사람이라는 이미지도 생긴 것 같습니다. 그래서 그런 당신이 AI 연구소의 책임자가 된 뒤에는 어떤 모습으로 일하고 있을지 궁금했습니다.

알렉스 왕 Alexandr Wang : MSL 운영 철학을 말씀드리면 저는 사람들에게 무엇을 해야 하는지 일일이 지시하는 편이 아닙니다. 스티브 잡스가 이런 말을 한 적이 있습니다. "대부분의 회사는 사람을 채용한 뒤 무엇을 해야 할지 지시합니다. 하지만 우리는 우리가 무엇을 해야 하는지 듣기 위해 뛰어난 사람을 채용합니다."

이 말은 MSL과 현재 진행 중인 프로젝트를 운영하는 핵심 원칙입니다. 저희가 지금의 조직을 만든 방식이기도 합니다. 저희가 할 일은 정말 뛰어난 연구원들을 영입한 뒤 이들이 커리어 최고의 연구를 할 수 있는 환경을 제공하는 것입니다. 각자가 인생의 역작이라고 부를 만한 연구를 만들어낼 수 있도록 충분한 컴퓨트와 자율성, 뛰어난 동료를 제공해야 합니다.

연구자에게 맡기는 운영

한마디로 저는 사람들에게 이래라저래라 지시하는 보스가 되고 싶은 것이 아닙니다. 연구원들이 믿기 어려울 만큼 뛰어난 연구를 해낼 수 있도록 최상의 환경을 만드는 것이 제 역할이라고 생각합니다.

메타의 MSL은 스페이스X의 xAI와 AGI 경쟁의 3인자를 두고 경쟁 중입니다.

Muse Spark의 현재 절대적인 성능보다 고무적인 부분은 모델의 개선 속도입니다. Muse Spark는 처음 출시됐을 당시 주요 오픈소스 모델보다도 뒤처졌지만 이후 앤스로픽과 오픈AI와의 성능 격차를 빠르게 좁히고 있습니다. SemiAnalysis는 이러한 추세가 이어진다면 "2026년 말에는 앤스로픽/오픈AI급 모델 성능에 근접할 가능성이 있다"고 평가했습니다.

AI Lab의 6개월 뒤 경쟁력을 예측하는 데 가장 중요했던 요소는 지금까지 크게 세 가지였습니다:

데이터

인재

컴퓨팅 용량

메타는 이 세 가지 요소에서 모두 세계 최고 수준에 도달할 가능성이 가장 높은 AI Lab이기 때문입니다.

특히 데이터에서는 양질의 RL 데이터 파이프라인을 구축했습니다. 메타는 직원들의 화면/키보드/마우스 작업 데이터를 수집하고 있으며 약 3,000명의 엔지니어를 RL 과제와 학습 환경 제작에 투입했습니다. 사실상 회사 내부에 대규모 RL 데이터 생산 조직을 구축한 것입니다.

실제 업무 데이터의 가치

이 데이터의 강점은 실제 업무 과정에서 생성된다는 것입니다. 외부 데이터 업체들이 작업자를 고용해 인위적으로 만들어내는 데이터보다 현실성이 높고 실제 고부가가치 업무를 자동화하는 데 직접 활용될 가능성이 큽니다.

현재 AI 데이터 시장에서는 Mercor, Surge, Handshake가 각각 ARR $1B를 넘어섰고, Fleet, Mechanize, Afterquery 같은 신생 업체들도 ARR $100M 이상으로 성장했습니다. 그만큼 Agentic AI를 위한 고품질 RL 데이터의 가치가 빠르게 높아지고 있습니다.

특히 Agentic AI용 RL 데이터 공급은 Scale AI가 기존에 가장 강점을 보였던 분야입니다. 현재 MSL을 이끄는 알렉산드르 왕의 전문성이 메타의 내부 데이터 생산 시스템과 직접적으로 결합되고 있는 것입니다.

컴퓨팅을 보자면, 2026년 말에는 메타가 보유한 전체 AI 컴퓨팅 용량이 오픈AI와 앤스로픽의 용량을 합친 것보다 많아질 것으로 예상됩니다. 물론 메타의 컴퓨팅 자원 상당 부분은 추천/랭킹 시스템과 생성형 광고에 사용됩니다. 전체 AI 컴퓨팅이 모두 모델 훈련에 투입되는 것은 아닙니다. 그럼에도 메타가 모델 훈련과 연구에 배정하는 컴퓨팅 규모는 오픈AI 및 앤스로픽과 비슷한 수준을 꾸준히 유지할 가능성이 높습니다.

기존 사업과 프론티어 경쟁

메타는 기존 사업에 AI를 적용하면서도 동시에 프론티어 모델 경쟁을 이어갈 수 있는 드문 사업구조를 갖고 있습니다.

자신감의 원천 Muse Spark

새롭게 만들어진 AI Labs, 토큰 효율성의 비밀, 예측 가능한 다음 모델

애슐리 밴스 : 잠시 Muse Spark 이야기를 해보겠습니다. 벤치마크 결과를 보면 일부 영역에서는 매우 뛰어난 성능을 보였지만 다른 영역에서는 선두 모델보다 다소 뒤처지는 모습도 있었습니다. 다만 여러분은 단순한 벤치마크 점수보다 기술적 효율성 측면에서 이룬 성과를 상당히 강조하는 것처럼 보였습니다. 제가 기술적인 내용을 잘못 이해했다면 바로잡아 주셔도 좋습니다.

제가 이해한 바로는 다른 모델에서는 보기 어려웠던 효율성 개선을 달성했고 16개의 에이전트가 동시에 협업하는 독특한 구조도 도입했습니다. 저도 어젯밤에 직접 사용해봤습니다. 좋은 평가도 있었지만 비판적인 반응도 적지 않았습니다. 그리고 당신은 그런 비판에 대해 다음 단계를 기다려 달라는 취지로 답하셨습니다.

알렉스 왕 Alexandr Wang : 그렇게 거창한 선언을 하려던 것은 아닙니다. 저희가 지난 9개월 동안 해온 일은 기술 스택과 연구 체계를 사실상 바닥부터 다시 구축하는 작업이었습니다. 사전학습 스택을 재설계했고 강화학습 스택도 새로 만들었습니다.

연구 스택의 전면 개편

데이터 관련 작업뿐 아니라 핵심 연구 인프라와 과학적 방법론까지 전면적으로 개편했습니다. 지난 9개월은 핵심 연구 스택 전체를 대대적으로 리모델링한 기간이었다고 볼 수 있습니다.

이번에 공개한 Muse Spark는 저희가 설계한 스케일링 사다리에서 처음으로 보여드리는 초기 데이터 포인트에 가깝습니다. 일종의 에피타이저인 셈입니다. 저희는 이미 이보다 훨씬 큰 모델들을 개발하고 있으며 Muse Spark보다 그 모델들에 더 큰 기대를 걸고 있습니다. 그럼에도 Muse Spark를 공개한 이유는 저희의 모든 연구 프로그램이 예측 가능한 확장성을 입증하는 구조로 설계돼 있기 때문입니다.

실제로 여러 축에서 매우 일관된 스케일링을 확인하고 있습니다. 사전학습과 강화학습 단계에서도 성능이 예측 가능한 형태로 개선되고 있습니다. 추론 단계의 테스트 타임 스케일링에서도 같은 흐름을 확인했습니다. 앞서 말씀하신 사색 모드처럼 멀티 에이전트 환경을 확장했을 때도 매우 흥미로운 결과가 나타나고 있습니다.

저희의 모든 계획은 앞으로 모델과 컴퓨트를 계속 확장할 수 있도록 설계돼 있습니다. Muse Spark는 그 궤적의 아주 초기 단계일 뿐입니다. 저희는 그다음 모델에 훨씬 더 큰 기대를 걸고 있으며 그 이후 단계에는 더 큰 가능성이 있다고 보고 있습니다.

스케일링 로드맵

앞으로 저희의 스케일링 로드맵이 한 단계씩 올라가는 모습을 직접 보여드릴 수 있어 매우 기쁩니다.

Muse Spark 자체만 놓고 보더라도 최종 End-to-End 성능은 저희의 예상치를 상당히 뛰어넘었습니다. 훈련 과정에서는 예상하지 못했던 창발적 능력과 행동도 여러 가지 발견했습니다. 대표적인 사례가 에이전트 기반 비주얼 코딩입니다. 모델이 직접 웹사이트를 구축하거나 게임을 만들어내는 능력입니다. 강력한 에이전트 역량과 뛰어난 멀티모달 역량이 결합되면서 자연스럽게 나타난 결과였습니다.

저희는 이런 부분에서 큰 가능성을 확인했기 때문에 Muse Spark를 세상에 공개했습니다. 실제로 일반 사용자가 접하게 될 대부분의 서비스 환경에서는 매우 뛰어난 성능을 보입니다. 다른 경쟁 모델들과 비교해도 충분한 경쟁력을 갖췄다고 생각합니다.

물론 현재 배포된 Muse Spark가 전문적인 에이전트 코딩 영역까지 완벽하게 경쟁력을 갖춘 것은 아닙니다. 그 부분은 다음 모델 라인업을 위해 집중적으로 개발하고 있는 역량입니다. 다음에 공개할 모델은 전반적인 성능에서 Muse Spark보다 확실히 뛰어날 것입니다. 저희 역시 큰 기대를 품고 준비하고 있습니다.

분명히 말씀드리고 싶은 점은 Muse Spark를 출시하면서 모든 분야에서 업계 최고 수준의 성능을 달성한 모델이라고 과도하게 기대감을 높이려 한 것은 아니라는 것입니다.

Muse Spark의 현재 위치

그럼에도 Muse Spark는 충분히 훌륭한 모델입니다. 실제로 모델을 사용해본 많은 분이 그 가치를 직접 체감하고 있습니다.

카일리 로비슨 : 프론티어 모델을 출시하는 데 있어 보류된 부분이 무엇이었는지 궁금하고, 그 모든 벤치마크들을 달성하고 완전히 압도해 버리기 위해 여전히 무엇이 필요한가요?

알렉스 왕 Alexandr Wang : 한 단어로 요약하면 "스케일링"입니다.

앞서 말씀드렸듯이 Muse Spark는 저희가 구축한 스케일링 사다리의 초기 단계에 있는 모델입니다. 저희는 현재 모델 규모를 확장했을 때 성능이 얼마나 향상될지를 상당히 정확하게 예측할 수 있습니다. 모델의 크기와 컴퓨트 규모를 키울수록 어느 정도의 성능 개선이 나타날지 이미 명확한 패턴을 확인하고 있습니다. 그래서 앞으로 공개할 모델들은 거의 모든 영역에서 Muse Spark보다 훨씬 뛰어난 성능을 보여줄 것으로 기대합니다.

애슐리 밴스 : 언제쯤이 될까요?

알렉스 왕 Alexandr Wang : 향후 몇 개월 안(coming months)에 보실 수 있을 겁니다. 앞서 말씀드렸듯이 저희는 전체 연구 프로그램을 매우 빠르게 움직일 수 있도록 설계했습니다. 그러기 위해서는 먼저 기반을 완전히 새로 다지고 연구 스택 전체를 다시 구축하는 시간이 필요했습니다.

Muse Spark 1.1의 신호

이제 그 작업은 상당 부분 마무리됐습니다. 지금부터는 빠르게 규모를 확장하는 단계에 들어가게 됩니다.

이 자신감이 실제로 맞았음을 보여준 모델이 지난주에 공개된 Muse Spark 1.1이었습니다.

개인적으로 느끼기에 Muse Spark 1.1은 Opus 4.6/4.7과 비교해보니 Opus 4.6보다는 더 좋고, Opus 4.7에는 못미치는 모델입니다. Opus 4.6 출시일이 2월 5일 → Opus 4.7는 4월 16일 → Opus 4.8은 5월 28일에 공식 출시됐습니다. 그런데 비슷한 가격대 비교군으로 보자면 GLM-5.2보다 전반적으로 비슷하거나 약간씩 우세한 정도입니다. 이정도면 가격 설정을 꽤 잘했습니다.

이제 막 Agentic AI 경쟁에 진입한 것이므로 Grok이나 Muse Spark는 사용자 풀과 피드백 루프부터 갖출 필요가 있습니다. 아무리 가격을 낮게 잡더라도 절대적인 성능이 유의미하지 않다면 매력적이지 않았을 것인데, 이정도면 꽤 오래걸리긴 했지만 파레토 프론티어에 걸쳐있다는 점에서 구글 딥마인드를 넘어 Tier 1.5 AI Labs로 자리매김했다고 볼 수 있습니다. Tier 2에는 구글 딥마인드와 주요 중국 기업들이, Tier 3에는 마이크로소프트, 아마존, 미스트랄 등이 있습니다.

사후훈련 강화의 해석

Muse Spark → Muse Spark 1.1의 사후훈련 강화가 굉장히 잘 먹혀들어간 것을 보면 MSL 팀이 제대로 된 사람들을 데려오긴 했나보다 싶습니다. 이번 Muse Spark 1.1은 알렉산더 왕이 말했던 10배의 사전훈련 컴퓨트를 사용한 "Watermelon"이 아닌데 이정도 스펙이면, 다음 모델에 대해서도 기대하게 만드는 스펙입니다.

애슐리 밴스 : 기술적으로 다른 모든 AI Labs들과 다르게 하고 있다고 느끼는 부분이 무엇인가요?

알렉스 왕 Alexandr Wang : 앞서 말씀드렸듯이 Muse Spark는 특히 1년 전 저희가 예상했던 수준과 비교하면 몇몇 영역에서 훨씬 뛰어난 성능을 보여줬습니다. 그래서 저희는 무엇이 이런 결과를 만들었는지 다시 분석해봤습니다. 그 결과 상당 부분은 처음부터 매우 깔끔한 연구 스택을 새로 구축한 데서 비롯됐다고 판단했습니다.

모든 것을 다시 만드는 과정에서 각 요소를 가장 올바른 방식으로 설계하고 구현할 수 있었기 때문입니다. 저희에게는 깨끗한 사전학습 스택과 강화학습 스택을 바닥부터 구축할 기회가 있었습니다. 동시에 이런 시스템을 어떻게 만들어야 하는지 정확히 아는 전문가들이 모든 과정을 주도했습니다. 기존 구조와 타협할 필요 없이 처음부터 제대로 만들 수 있었던 셈입니다.

연구 환경과 성능

이러한 환경은 개발 속도를 의미 있게 높였을 뿐 아니라 모델의 최종 성능에도 분명하게 반영됐다고 생각합니다.

애슐리 밴스 : 메타가 만든 Muse Spark에서는 유독 토큰 효율성에 대한 얘기가 많이 나왔습니다. Muse Spark를 만들다가 우연히 발견하신 건가요? 아니면 의도하신 건가요? 일부 벤치마크에서는 다른 모델들보다 훨씬 더 적은 토큰으로 작업을 끝내고 있는 것 같았습니다.

알렉스 왕 Alexandr Wang : 저희는 사전학습 단계부터 데이터 정제와 토큰 활용 효율을 극대화할 수 있도록 아키텍처를 설계했습니다. 특히 강화학습과 테스트 타임 스케일링에서는 불필요한 연산을 최대한 줄이는 데 집중했습니다. 그 효과는 저희의 예상보다도 훨씬 컸습니다. 물론 다른 모델의 내부 구조를 정확히 알 수는 없습니다. 다만 일부 모델이 더 많은 토큰을 사용해야 하는 이유는 스택의 다른 부분에 근본적인 비효율이 있기 때문일 수 있습니다. 모델이 더 오랫동안 생각하도록 만들어 그 비효율을 보완하는 것입니다.

그런 점에서 저희가 달성한 토큰 효율성은 매우 인상적인 결과였습니다. 내부적으로도 상당히 고무돼 있습니다. 이제 핵심 연구 스택이 제대로 갖춰졌습니다. 앞으로는 모델과 컴퓨트 규모를 확장하면서 성능을 빠르게 끌어올릴 수 있는 단계에 들어섰다고 생각합니다.

토큰 효율의 비교

아직 오픈AI나 앤스로픽 수준까지는 아니지만 그래도 평균적인 다른 Tier 1~2의 AI Labs의 모델들에 비해서 출력 토큰을 비교적 적게 사용하는 모델로 평가받고 있습니다. 예를 들어서 지능 자체는 GPT-5.4, Opus 4.6과 비슷한 수준이었는데 같은 출력물을 내기 위해 출력 토큰은 GLM-5.2(max)는 1.41억 개 > GPT-5.6-Luna(max)는 1.25억 개 > GPT-5.4-xhigh는 1.09억 개 > Muse Spark 1.1은 0.94억 개만 사용했습니다.

메타가 공개한 가장 직접적인 설명은 "강화학습의 보상함수에 생각하는 시간에 대한 페널티를 포함했다"는 것입니다. 일반적인 추론 모델은 어려운 문제를 풀 때 더 많은 reasoning token을 생성하도록 학습됩니다. 더 오래 생각하면 여러 풀이를 탐색하고 오류를 수정할 수 있기 때문에 정확도가 올라갑니다. 하지만 모델이 필요 이상으로 같은 내용을 반복하거나 이미 찾은 해답을 계속 검토하는 현상도 나타날 수 있습니다. 메타는 Muse Spark의 강화학습에서 정답에 높은 보상을 주는 동시에 추론 길이에 비용을 부과했습니다.

처음에는 모델이 더 많은 토큰을 사용하면서 새로운 풀이 전략을 학습합니다. 이후 길이 페널티가 작동하면 이미 습득한 풀이 전략을 더 짧은 추론으로 수행하기 시작합니다.

사고 압축과 사전학습 효율

메타는 AIME 일부 평가에서 추론 길이가 한동안 증가한 뒤 급격히 줄어들면서도 성능은 유지되는 현상을 관찰했고 이를 thought compression, "사고 압축"이라고 설명했습니다. 최종 답변 문장을 짧게 쓰는 것이 아니라, 정답을 찾기까지의 내부 추론 경로에서 반복과 우회를 제거하도록 학습한 것입니다.

그리고 사전학습의 FLOPS 효율도 크게 개선했습니다. 모델 아키텍처와 최적화 방식, 데이터 정제 과정을 모두 다시 설계한 결과 같은 수준의 능력에 도달하는 데 필요한 사전학습 컴퓨팅 규모가 Llama 4 Maverick보다 10배 이상 줄었다고 주장했습니다. 새로운 데이터 정제와 모델 구조, 옵티마이저가 같은 컴퓨트에서 더 많은 능력을 끌어냈다는 설명입니다.

카일리 로비슨 : AI는 특히 하드웨어 사업에 있어서 매우 중요할 것 같아요. AI 서비스를 향한 단계에서 더 넓은 비전으로 볼 때는 어떤 생각을 갖고 계신지 설명해주시겠어요?

알렉스 왕 Alexandr Wang : 네, 전적으로 동의합니다. 메타 전체에서 가장 흥미로운 부분 중 하나는 Ray-Ban Meta 스마트 글래스가 엄청난 성공을 거뒀다는 점입니다. 이미 수백만 대가 판매됐고 매우 열성적인 팬층도 형성됐습니다.

스마트 글래스와 맥락

저 역시 이 제품을 정말 좋아합니다. 이런 디바이스가 제시하는 방향은 매우 흥미롭습니다. 기술이 일상 속에 더 자연스럽게 녹아들고 전면이 아닌 배경으로 물러났을 때 우리가 기술과 맺는 관계가 어떻게 달라질지를 보여주기 때문입니다. 기술은 점점 더 사용자의 상황과 맥락을 이해하게 될 것입니다.

말씀하신 것처럼 사용자가 보는 것을 함께 보고 듣는 것을 함께 들을 수 있습니다. 이를 바탕으로 정말 필요한 순간에 훨씬 더 똑똑하고 유용한 도움을 제공할 수 있습니다. 사용자의 삶에서 지금 어떤 일이 벌어지고 있는지 파악하고 무엇이 중요한지 이해하며 어디에 주의를 기울여야 하는지도 알 수 있습니다.

저희는 이를 개인화된 초지능의 연장선에서 바라보고 있습니다. 일종의 디바이스 생태계를 구축하는 것입니다. 각각의 디바이스는 사용자의 맥락을 포착하면서도 기술 자체는 눈에 띄지 않게 뒤로 물러나도록 설계됩니다.

그 위에서 사용자는 에이전트로부터 매우 지능적이고 가치 있는 도움을 받을 수 있습니다. 에이전트가 먼저 필요한 일을 제안할 수도 있습니다. 사용자가 생각나는 것을 간단히 말하면 관련 내용을 알아서 조사해둘 수도 있고 직접 행동까지 대신 수행할 수 있습니다.

궁극적으로는 사용자의 삶 전반을 더 나은 방향으로 만들어주는 초지능 사이드킥이 되는 것입니다.

메타 AI 사용 경험의 질문

애슐리 밴스 : 하지만 메타에는 한 가지 문제가 있는 것 같습니다. 저는 이 안경을 정말 좋아하고 늘 사용합니다. 영상 작업을 할 때도 쓰고 이 안경으로 전화하는 것도 좋아합니다. 저희 회사 업무도 거의 전부 왓츠앱으로 처리합니다. 슬랙은 일부러 쓰지 않고 있습니다. 출장이 워낙 많다 보니 왓츠앱이 제 일상과 업무에 깊이 자리 잡았습니다.

그런데 솔직히 말씀드리면 당신이 이번 방송에 출연하기 전까지 메타의 AI 에이전트를 한 번도 사용해본 적이 없는 것 같습니다. 이번 기회에 어떤 제품인지 직접 확인해보고 싶었습니다. 저는 이런 작업이 필요할 때면 늘 Claude나 ChatGPT부터 사용합니다.

알렉스 왕 Alexandr Wang : 저희도 메타의 전체 생태계에 AI를 본격적으로 통합하기 전에 먼저 훌륭한 모델과 제품을 확보해야 한다는 점을 잘 알고 있었습니다. 그래서 저희가 중요하게 생각하는 대부분의 B2C AI 사용 사례를 제대로 지원할 수 있는 모델이 준비될 때까지 기다려온 셈입니다.

이제는 마침내 매우 흥미로운 지점에 도달했다고 생각합니다. 현재 모델들은 상당히 높은 수준에 올라왔고 저희도 그 성능에 크게 고무돼 있습니다. 여기에 지금보다 더 뛰어난 차세대 모델들도 출시를 앞두고 있습니다.

앱·기업 서비스 통합 계획

이제부터는 메타의 앱 전반에 AI를 훨씬 더 깊고 광범위하게 통합할 계획입니다. 기업용 제품과 서비스에도 AI를 결합해 나갈 것입니다.

결국 메타 생태계를 구성하는 거의 모든 요소가 저희 AI와 연결되는 단계로 진화하게 됩니다. 어느 정도는 지난 몇 년 동안 제미나이가 구글 생태계 안에서 보여준 방향과 비슷하다고 볼 수 있습니다. 이제 메타에서도 본격적으로 그 과정을 시작하게 됐다는 점이 매우 기대됩니다.

Muse Spark 1.1이 꽤 잘 뽑혔으니, 여기서부터는 메타의 수많은 엔진 속으로 Muse Spark 1.1을 채택할 것으로 예상됩니다. 구글이 제미나이가 성공을 거두고 나면 그것을 제품화시키고 R&R 스택에 녹이는 것과 비슷한 맥락입니다.

애슐리 밴스 : 전적으로 동의합니다. 저 역시 비즈니스의 상당 부분을 구글 생태계 안에서 운영하고 있습니다. 제미나이가 어떻게 작동하는지 궁금해서 가끔 이것저것 사용해보는 정도입니다. 앞으로 소비자들의 머릿속에서 이 경쟁 구도가 어떻게 자리 잡을지 정말 궁금합니다. 현재 시장은 성격이 완전히 다른 두 세계가 경쟁하는 것처럼 보이기 때문입니다.

한쪽에는 오픈AI와 앤스로픽이 있습니다. 챗GPT는 이미 소비자에게 매우 강력한 브랜드로 자리 잡았습니다.

독립 브랜드와 생태계 통합

대중에게는 사실상 'AI는 곧 ChatGPT'라는 인식이 형성돼 있습니다. Claude는 코딩과 기업용 업무 같은 전문 영역에서 강한 입지를 구축하고 있습니다.

반대편에는 메타와 구글 같은 빅테크 기업들이 있습니다. 이들은 소비자가 이미 매일 사용하는 패밀리 앱이나 워크스페이스 안에 AI를 자연스럽게 통합하고 있습니다. 기존 서비스를 사용하는 과정에서 자사의 AI도 함께 쓰도록 만드는 전략입니다.

기술 역사에서도 이런 형태의 경쟁은 보기 드물었던 것 같습니다. xAI 역시 자신만의 영역을 구축하고 있습니다. 제가 나이가 조금 있다 보니 과거 워드프로세서 경쟁이 떠오릅니다. 결국 대부분의 사용자는 마이크로소프트 워드로 수렴했습니다. 브라우저 전쟁에서도 인터넷 익스플로러와 넷스케이프가 경쟁하다가 한쪽이 시장을 장악했고 그 구도가 상당 기간 유지됐습니다.

그래서 궁금합니다. 독립적인 AI 브랜드를 구축하는 진영과 기존 생태계 안에 AI를 통합하는 진영은 서로 완전히 다른 과제를 안고 있는 것처럼 보입니다. 하지만 결국 대다수 소비자는 저처럼 "AI 작업은 그냥 ChatGPT에서 합니다"라고 말하며 하나의 서비스로 수렴하지 않을까요? 이 경쟁 구도를 어떻게 바라보고 계십니까?

시장이 아직 초기라는 답

알렉스 왕 Alexandr Wang : 저는 아직 시장이 정말 초기 단계에 있다고 생각합니다. 이 점을 돌아보면 상당히 흥미롭습니다. 만약 1년 전에 이 자리에서 같은 대화를 나눴다면 아마 이렇게 말했을 겁니다. 오픈AI와 ChatGPT가 이미 소비자 시장을 장악했고 사업 규모도 가장 크니 결국 시장 전체를 가져갈 것이라고 말입니다.

하지만 1년이 지난 지금 상황은 크게 달라졌습니다. 앤스로픽은 당시 어느 정도 가능성을 예상할 수는 있었지만 완전히 예측하기는 어려웠던 Claude Code로 엄청난 성공을 거뒀습니다. 매출 면에서도 오픈AI를 추월했습니다. Gemini 역시 빠르게 보급되면서 ChatGPT를 비롯한 기존 서비스들로부터 상당한 소비자 점유율을 가져왔습니다. 지금의 AI 시장은 믿기 어려울 정도로 역동적입니다. 어느 한순간을 보고 이것이 최종 구도라고 단정하기 어렵습니다. 소비자와 개발자, 기업을 위한 수많은 제품이 아직 발명조차 되지 않았기 때문입니다. 앞으로 등장할 제품들은 지금까지 보았던 것보다 훨씬 더 큰 시장을 만들 가능성이 있습니다.

ChatGPT는 분명 엄청난 성공을 거둔 제품이었습니다. 당시 기준으로는 세계에서 가장 빠르게 성장한 제품이자 사업이었습니다.

새 제품 물결의 전망

그런데 이후 Claude Code가 다시 한번 폭발적인 성공을 거두며 지금까지 누구도 보지 못했던 속도로 성장하는 사업이 됐습니다. 저는 이것이 AI의 본질을 잘 보여준다고 생각합니다. AI가 새로운 수준의 지능과 역량에 도달할 때마다 완전히 새로운 제품 형태가 열립니다. 그리고 각각은 인류에게 밀려오는 거대한 기술의 새로운 물결이 됩니다.

다음 물결은 지금보다 훨씬 클 것입니다. 그다음 물결은 더 클 것입니다. 우리는 아직 끝에 가까이 가지도 않았습니다. 앞으로 지금보다 훨씬 더 흥미로운 새로운 제품 패러다임들이 계속 등장할 것입니다.

논란들에 답하다

내부 갈등설, 중국과의 경쟁, 로보틱스

애슐리 밴스 : 알겠습니다. 그렇다면 다른 질문을 드리겠습니다. 당신이 메타에 합류한 이후를 다룬 기사들을 읽다 보면 한 가지 흥미로운 대목이 눈에 띕니다. 정확히 뉴욕타임즈 기사였는지는 기억나지 않지만 대략 이런 내용이었습니다. “Alex와 Zuck은 세상을 비슷한 방식으로 바라봅니다. 두 사람 모두 연구를 중시하며 세계 최고의 모델을 만들고 싶어 합니다. 반면 Boz와 Chris Cox는 제품에 더 집중합니다.”

메타는 수십억 명의 사용자에게 서비스를 제공해야 하는 회사입니다. 동시에 그 서비스를 가능한 한 낮은 비용으로 제공해야 합니다.

연구·제품 갈등설

현재 메타가 자체 AI 모델 사용에 별도의 비용을 부과하지 않는다는 점까지 고려하면 연구 성능과 제품 효율성 사이에 긴장이 존재한다고 볼 수도 있을 것 같습니다. 아마 저희가 이와 비슷한 질문을 할 것이라고 어느 정도 예상하셨을 것 같습니다. 현재 메타는 연구와 제품 사이에서 철학적으로 어떤 지점에 서 있습니까? 또 AI 전략이 나아갈 방향을 두고 실제로 내부에 이런 의견 차이나 갈등이 존재합니까?

알렉스 왕 Alexandr Wang : 우선 MSL의 리더 자리가 제게 가르쳐준 것이 하나 있습니다. 주요 언론사의 보도에서도 소위 가십과 실제 저널리즘 사이의 경계가 믿기 어려울 정도로 얇다는 점입니다.

카일리 로비슨 : 엄청나게 싸우고 그런 거 아니었나요? *웃음*

알렉스 왕 Alexandr Wang : 그렇지 않습니다. *웃음* 제가 말씀드리고 싶은 핵심은 전반적으로 모두가 무엇이 중요한지에 대해 매우 강한 공감대를 가지고 있다는 점입니다. 저희는 핵심 비즈니스를 지원하는 데 그치지 않고 기존 앱과 제품의 경쟁력을 끌어올려야 합니다. 사용자와 소상공인을 위한 서비스 역시 세계 최고 수준으로 만들어야 합니다. 이를 위해서는 매우 고도화된 모델이 필요하다는 점을 모두 잘 알고 있습니다.

모델과 제품의 동시 추구

예를 들어 비즈니스 에이전트는 제가 메타에 합류하기 훨씬 전부터 개발해오던 과제입니다. 이를 제대로 구현하려면 가능한 한 최고의 성능을 가진 모델이 필요합니다. 결국 저희는 두 가지를 모두 해야 합니다. 먼저 세계 최고 수준의 모델을 만들어야 합니다. 동시에 그 모델을 비즈니스 전반에 깊이 통합해야 합니다. 이를 통해 메타 플랫폼의 소비자와 기업 고객 모두에게 놀라운 경험을 제공하는 제품과 서비스를 만들어야 합니다.

그래서 내부에 실질적인 의견 대립이 있다고 보기는 어렵습니다. 여느 회사와 마찬가지로 주요 쟁점을 두고 깊이 토론합니다. 각 선택이 가져올 파급 효과도 면밀히 검토합니다. 모든 구성원이 자신의 의견을 충분히 낼 수 있도록 치열하게 논의합니다. 하지만 흔히 말하는 심각한 정면충돌이나 갈등은 전혀 없습니다.

애슐리 밴스 : 완전한 거짓말이다?

알렉스 왕 Alexandr Wang : 네, 맞습니다.

애슐리 밴스 : 글로벌 AI 패권 경쟁 속에서 중국이 가질 수 있는 잠재적 위험성에 대해 거듭 경고의 목소리를 내오셨는데, 그 이후 메타가 Manus와 파트너십을 체결하는 모습을 보면서 개인적으로는 의아했습니다. 물론 싱가포르에 지사를 설립하고 본사와 물리적으로 분리했다는 것은 알고 있지만 중국계 스타트업이 메타처럼 막대한 자원과 인프라를 보유한 거대 테크 기업과 이토록 긴밀하게 협력한다는 것은, 기존에 강조했던 미국과 중국 AI 경쟁구도와 다소 상충되는 행보가 아닌가 싶었습니다.

중국 관련 협력의 설명

알렉스 왕 Alexandr Wang : 당시 메타를 둘러싼 상황은 여러 문제가 복잡하게 얽혀 있었습니다. 워낙 민감한 사안이라 이 자리에서 모든 세부 내용을 말씀드리기는 어렵다는 점을 이해해 주셨으면 합니다. 다만 한 가지는 분명히 말씀드리고 싶습니다. 지정학적 문제를 바라볼 때는 국가와 정부의 행동을 그 나라의 개인 시민들과 엄격히 구분해야 합니다.

제 부모님도 중국 출신입니다. 중국에는 믿기 어려울 정도로 뛰어난 인재들이 많습니다. 그중 일부는 싱가포르로 이주했고 일부는 미국을 비롯한 세계 각지에서 활동하고 있습니다. 저는 이런 훌륭한 사람들과 함께 일할 기회를 얻을 때마다 깊이 감사하게 생각합니다. 하지만 이것은 중국 공산당의 행동이나 미-중 경쟁에 대해 제가 가진 거시적인 견해와는 완전히 별개의 문제입니다.

중국에서 태어난 뛰어난 사람들과 함께 일하고 싶다는 생각과 중국 공산당이 미국의 국가 전략에 미치는 영향을 어떻게 평가하는지는 서로 독립적으로 판단해야 합니다. 안타깝게도 실리콘밸리에서는 이 문제를 지나치게 단순화하는 경우가 많습니다. 누군가가 중국과 조금이라도 관련돼 있으면 구체적인 맥락을 살피지 않고 모두 같은 범주로 묶어버립니다.

지정학과 개인 인재의 구분

특히 X에서는 이런 이분법적 시각이 더욱 강하게 나타나는 것 같습니다.

중국 공산당은 오래전부터 AI의 광범위한 활용을 국가 안보와 직결된 문제로 진지하게 다뤄왔습니다. 이제 미국 정부도 AI를 핵심적인 국가 안보 사안으로 바라보기 시작했습니다. 동시에 미국 정부가 기술을 외부 산업의 문제로만 보는 데서 벗어나기 시작했다고 생각합니다. 기술을 직접 이해하고 정부의 전략과 정책 역량 안으로 본격적으로 내재화하는 단계에 들어선 것입니다.

카일리 로비슨 : 메타가 5월 4일, Assured Robot Intelligence를 인수했는데요. 왜 인수했는지에 대해서 한 번 설명해주실 수 있나요?

알렉스 왕 Alexandr Wang : 물론입니다. 그들은 하드웨어를 직접 만드는 회사가 아닙니다. 수많은 하드웨어에서 작동할 AI를 만드는 회사입니다. 초지능을 진지하게 받아들인다면 디지털 초지능 이후에는 물리적 초지능이 매우 중요해질 것이라는 점도 자연스럽게 생각하게 됩니다. 로보틱스 역량과 물리적 지능은 먼 미래에 고민할 문제가 아닙니다. 지금부터 준비해 최대한 빠르게 구축해야 할 핵심 기술입니다.

로보틱스는 과학적 발견의 속도를 높일 것입니다.

Assured Robot Intelligence와 로보틱스

상품을 생산하는 방식도 근본적으로 바꿀 수 있습니다. 사람들의 일상생활을 더 편리하게 만드는 데도 큰 역할을 할 것입니다. 로보틱스가 활용될 수 있는 분야는 사실상 무한하다고 생각합니다.

카일리 로비슨 : 말씀을 듣다 보니 메타가 AI를 현실 세계에서 구현하는 물리적 기술을 선점하기 위해 전력을 다하고 있다는 인상을 받습니다. 다만 메타가 과거 메타버스 사업에서 보여준 이른바 '다리 없는 아바타' 논란을 떠올리지 않을 수 없습니다. 대중과 평론가들이 메타의 휴머노이드 로봇을 보면서 당시의 실망스러운 기억을 다시 떠올리고 회의적인 반응을 보일 가능성도 있습니다.

하드웨어는 소프트웨어와는 전혀 다른 역량이 필요한 매우 까다로운 분야입니다. 그럼에도 메타가 이 분야를 성공적으로 이끌 수 있는 적임자라고 확신하시는 이유는 무엇입니까?

알렉스 왕 Alexandr Wang : 과거의 실패와 시행착오에 너무 큰 상처를 입으면 아침에 눈을 뜨고도 자리에서 일어나지 못할 수 있습니다. 두려움에 사로잡혀 아무것도 시도하지 못하는 것입니다. 하지만 저희는 그렇게 생각하지 않습니다. 이 기술이 가진 무한한 잠재력에 여전히 가슴이 뜁니다. 세상에 없던 놀라운 제품을 직접 만들어낸다는 사실에서도 깊은 영감을 받습니다.

과거 실패를 대하는 태도

저는 한 가지를 확고하게 믿습니다. 충분히 깊이 고민해 훌륭한 제품을 만들고 이를 세상에 내놓는 모든 과정에 세심한 주의와 정성을 기울인다면 대중도 결국 저희의 진정성을 알아봐 줄 것입니다. 그리고 저희가 느끼는 설렘에도 함께 공감해 줄 것이라고 믿습니다.

큰 흐름 읽기 (Bird's-eye view)

2026-06-12

AI 사이클의 모든 것, 게빈 베이커 인터뷰 : 버블의 역사는 반복되지 않지만, 운율은 반복된다 (바로가기)

2026-04-22

엔비디아 CEO 젠슨황 인터뷰 : 'TPU도 Trainium도, 그렇게 자신 있으면 공개적으로 붙자' (바로가기)

2026-03-27

앤스로픽 CEO 다리오 아모데이 인터뷰 : "Extremely fast, but not infinitely fast" (바로가기)

2026-03-05

AI 사이클 한 눈에 보기, SemiAnalysis 인터뷰 : "거품은 없다. ARR $100B가 온다" (바로가기)

2025-10-08

오픈AI 퇴사자의 글 #1 : 2027년 AGI가 온다 (바로가기)

AI 심화편 of 심화편

반복된 큰 흐름 자료 목록 1

2026-07-09

구글 TPU v8 네트워킹의 모든 것 : 같은 칩을 사도 같은 성능이 나오지 않는 시대 (바로가기)

2026-06-19

추론의 시대, 핵심이 된 메모리 #2 : Agentic AI의 시대, NAND가 중요한 이유 'DualPath' (바로가기)

2026-06-05

AI 가속기 심화편 : GPU vs TPU, 무엇이 칩을 다르게 만드나 (feat. CPU, ASIC, FPGA) (바로가기)

2026-05-27

LLM 추론 토큰 가격의 비밀 : MoE의 시대, 엔비디아 NVL72가 중요한 이유 (바로가기)

IPO 분석

2026-06-17

스페이스X IPO 분석 #2 : 화성으로 가는 길에서, 지구를 손에 넣다 (바로가기)

2026-05-29

스페이스X IPO 분석 : 머스크 제국의 심장, 스타링크가 떠받치는 스타십과 AGI (바로가기)

2026-05-14

세레브라스 IPO 분석 : 엔비디아 킬러인가? (바로가기) / 요약 (바로가기)

엔비디아 (NVDA)

2026-06-03

엔비디아 컴퓨텍스 2026 : 사람 위한 CPU 시대 넘어, GPU 굶기지 않는 CPU 'Vera' (바로가기)

반복된 큰 흐름 자료 목록 2

2026-05-21

엔비디아 1Q26 실적발표 : 젠슨황, "하이퍼스케일러 CapEx보다 '더' 빠르게 성장" (바로가기)

2026-03-17

엔비디아 GTC 2026 : 7개의 칩, 5개의 랙 시스템, 그리고 하나의 AI 슈퍼컴퓨터 (바로가기)

2026-01-02

엔비디아가 $20B를 주고 데려온 남자 : Groq 창업자 조나단 로스의 통찰 (바로가기)

광학 (Optics)

2026-07-03

셈텍(SMTC) 기업분석 : 미디어텍 TPU와 함께 성장할 기업, 'DSP를 지우는 자' (바로가기)

2026-05-07

루멘텀 1Q26 실적발표 : 3Q OCS, 4Q CPO, 차례로 점화를 기다리는 고성능 엔진들 (바로가기)

2026-04-30

비아비 솔루션스 1Q26 실적발표 : 본격 개화하는 빛의 시대, 물만난 테스트 수요 (바로가기)

2026-04-17

'빛💡'의 시대 : 광학 밸류체인 한 눈에 보기 (바로가기)

메모리 (Memory)

2026-06-19

반복된 큰 흐름 자료 목록 3

추론의 시대, 핵심이 된 메모리 #2 : Agentic AI의 시대, NAND가 중요한 이유 'DualPath' (바로가기)

2026-03-19

마이크론 1Q26 실적발표 : 흔들릴 이유가 없는 어닝서프라이즈, 구조적 성장주로 거듭나기 (바로가기)

2026-01-21

추론의 시대, 핵심이 된 메모리 : 메모리 쇼티지를 떠받치고 있는 힘 (바로가기)

2026-01-07

엔비디아 CES 2026 : Vera Rubin의 시대, ICMS가 불러올 메모리 지각변동 (바로가기)

네오클라우드 (Neocloud)

2026-05-08

코어위브 1Q26 실적발표 : 적자만 보면 놓치는 코어위브의 진짜 변화 (바로가기)

2026-02-22

네오클라우드 뜯어보기 #2 : 새로운 시대의 AI 계급도, 전력을 돈으로 바꾼 Powered Shell (바로가기)

2026-02-10

네오클라우드 뜯어보기 : GPU 임대의 경제학, 네오클라우드 BIG 4 비교분석 (바로가기

그럼에도 빠진내용 정리

잡담·곁다리 내용

별도 참고사항이 없습니다.

생략 기록

별도 생략 기록이 없습니다.

그럼에도 빠진내용 정리

보존 범위	본문의 제목·본문·대화·목록·면책·반복된 관련 자료 목록과 URL을 흐름에 모두 보존했다.
이미지·첨부	원문은 이미지·첨부를 별도 미디어 원장에 보관한다고만 밝히며, 이 작업은 현재 보존 텍스트만 근거로 삼았다.
원문 속 전망	Muse Spark 이후의 제품 통합, AI 시장 규모, 로보틱스의 활용은 인터뷰 참여자와 작성자의 전망·견해로 보존했으며 확정 사실로 바꾸지 않았다.

원문 확인

document_work_runner prepare가 입력 원문을 수정 없이 보존했다.

원문 다운로드 새 창에서 보기

문서 전체 조망

Llama 4의 좌절 뒤 MSL은 인재·컴퓨팅·연구를 다시 묶어 개인 초지능을 겨냥한다

1️⃣Llama 4의 공개는 메타 AI 체계 재편의 출발점이 됐다

2️⃣MSL은 연구·제품·기초과학·인프라를 한 조직 아래 묶었다

3️⃣컴퓨팅과 연구 문화가 프론티어 경쟁의 조건으로 제시됐다

4️⃣Muse Spark는 스케일링 방식이 작동한다는 초기 근거로 제시됐다

5️⃣개인화된 초지능은 메타의 제품과 디바이스로 향한다

6️⃣AI 시장의 최종 구도는 아직 정해지지 않았다고 본다

이슈 분석

25-4 메타 Llama 4 Scout·Maverick 공개

작성자의 핵심 판단

이 자료에서 다룬 사실

그렇게 판단한 이유

25-6 메타의 Scale AI 지분 매수

작성자의 핵심 판단

이 자료에서 다룬 사실

그렇게 판단한 이유

25-6 Meta Superintelligence Labs 출범

작성자의 핵심 판단

이 자료에서 다룬 사실

그렇게 판단한 이유

지식·관점

MSL은 연구·제품·기초연구·컴퓨팅을 어떻게 나누어 운영하는가?

이 자료가 더한 내용

모델 발전은 데이터 라벨링과 피드백 사업을 어떻게 바꾸었는가?

이 자료가 더한 내용

대규모 컴퓨팅 보유가 AI 연구소의 경쟁력에 어떤 의미를 갖는가?

이 자료가 더한 내용

MSL은 초지능 연구를 위해 어떤 조직 원칙을 제시하는가?

이 자료가 더한 내용

메타가 말하는 개인화된 초지능은 어떤 사용자 경험을 목표로 하는가?

이 자료가 더한 내용

기존 서비스에서 생기는 데이터는 AI 연구에 어떤 장점으로 제시되는가?

이 자료가 더한 내용

Muse Spark는 성능과 추론 토큰 효율을 어떻게 높였다고 설명됐는가?

이 자료가 더한 내용

스마트 글래스와 에이전트는 개인화된 초지능에서 어떤 역할을 하는가?

이 자료가 더한 내용

독립 AI 브랜드와 빅테크 생태계 통합 경쟁을 어떻게 바라보는가?

이 자료가 더한 내용

메타는 AI의 지정학과 로보틱스를 어떻게 연결해 설명하는가?

이 자료가 더한 내용

시간흐름대로 모든 내용을 살려 정리

시간흐름대로 모든 내용을 살려 정리

그럼에도 빠진내용 정리

그럼에도 빠진내용 정리

Llama 4의 공개는 메타 AI 체계 재편의 출발점이 됐다

MSL은 연구·제품·기초과학·인프라를 한 조직 아래 묶었다

컴퓨팅과 연구 문화가 프론티어 경쟁의 조건으로 제시됐다

Muse Spark는 스케일링 방식이 작동한다는 초기 근거로 제시됐다

개인화된 초지능은 메타의 제품과 디바이스로 향한다

AI 시장의 최종 구도는 아직 정해지지 않았다고 본다