DraQra

[Dan Musk @danmusk]

<테슬라 2026 Q2 어닝콜 (타래)>

(일론 오프닝 코멘트)

정말 훌륭한 분기였음. Q2 기준 역대 최고 차량 인도량을 달성했음. 모델 Y는 현재 전 세계에서 가장 많이 팔리는 차량이라고 생각하며, 지금도 세계 곳곳에서 판매 기록을 계속 새로 쓰고 있음. 그만큼 모델 Y의 인기는 엄청난 속도로 높아지고 있음.

FSD가 승인된 지역에서는 FSD 선택 비율이 매우 높게 나타나고 있음. 사실 많은 사람들은 차량을 사면서 FSD를 선택하는 것이 아니라, FSD를 사면 차가 따라오는 것처럼 생각하고 있음.

미국 매장을 찾는 고객들도 FSD를 원해서 방문하는 경우가 많고, 어떤 차량이 함께 제공되는지는 그다지 중요하지 않게 생각하는 경우도 있음.

분명히 FSD는 차량 수요를 끌어올리는 매우 중요한 요인이 되고 있음. 앞으로 더 많은 국가에서 FSD 승인을 받게 되면, 해당 국가들에서도 비슷한 수준의 수요 증가가 나타날 것으로 기대함.

[Goose Farmer @oneseo80]

DNA 설계(@benchling ) → DNA 합성(@TwistBioscience ) → 회로 검증(@AsimovBio)→ 물리적 실험 실행(@Ginkgo Cloud Lab)

이게 실제로 구현이 되고 있는 사례

아직 대학원 석사 수준의 연구이지만, 실제 작동하고 있는 워크플로우

[Elon Musk @elonmusk]

Orwell was a genius

[Banya @banya_diary]

구글 아이소모픽 랩스 인터뷰: AI 신약 개발은 왜 LLM보다 훨씬 어려운가

$GOOG $ABSI $GENB
$프로티나(Proteina) $토모큐브(Tomocube)

-

AI 기반 신약 개발

구글 아이소모픽 랩스는 신약 개발을 AI가 해결해야 하는 가장 어려운 문제 중 하나라고 설명합니다. 신약 하나가 시장에 나오기까지 10년 이상이 걸리고, 임상시험에 들어간 후보물질의 약 90%는 실패하며, 개발 비용도 약 30억 달러에 이릅니다.

이런 신약 개발은 하나의 AI가 해결할 수 있는 문제가 아닙니다. 표적 발굴(Target Discovery)부터 분자 설계, 결합력, 독성, 임상 효과까지 모두 검증해야 하므로 여러 AI 모델과 실제 실험이 함께 작동하는 복합적인 과정입니다.

또한 신약은 처음부터 한 번에 완성되는 것이 아니라, 단백질에 붙는 후보물질을 찾은 뒤 결합력과 안정성, 용해성 등을 계속 개선해 나가며 개발해야 합니다. 따라서 실제 연구에서는 구조 예측, 결합력 예측, 약물 특성 예측 등 여러 AI 모델이 각자의 역할을 맡아 함께 신약을 설계합니다.

-

단백질 결합 구조 예측

아이소모픽 랩스는 단백질과 약물이 어떻게 결합하는지를 예측하는 구조 예측(Structure Prediction)을 가장 중요한 기술로 꼽습니다. 과거에는 X선 결정학(X-ray Crystallography) 같은 실험에 수개월에서 수년이 걸렸지만, 이제는 AI가 몇 초에서 몇 분 만에 예측할 수 있습니다.

최근에는 AI가 예측한 구조가 실제 실험 결과와 거의 일치하는 사례도 늘고 있으며, AI는 예측 결과뿐 아니라 자신의 신뢰도까지 함께 제시해 연구를 더욱 효율적으로 돕고 있습니다.

-

생물학 데이터

그런데 생물학 AI는 데이터 확보 자체가 어렵습니다. 실험 데이터도 완벽한 정답이 아니며, 새로운 데이터를 만드는 데도 많은 시간과 비용이 들어 인터넷처럼 무한정 데이터를 모을 수 없습니다. 결국 어떤 실험을 수행해 고품질 데이터를 얼마나 빠르게 축적하는지가 AI 바이오의 중요한 경쟁력이 됩니다.

-

LLM과 생물학 AI의 차이

생물학 AI는 LLM과 달리 원자 하나의 위치만 틀려도 단백질과 약물이 제대로 결합하지 않을 수 있습니다. 즉 작은 오차 하나가 신약 설계 실패로 이어질 수 있어 원자 수준의 정확도가 필수입니다. 이 때문에 알파폴드 3(AlphaFold 3)도 논문과 알고리즘이 공개됐지만 다른 연구기관들이 약 2년 동안 완전한 수준으로 재현하지 못할 만큼 매우 어려운 기술로 평가됩니다.

우선 생물학 AI는 단백질 하나가 아니라 여러 단백질이 서로 어떻게 상호작용하는지까지 이해해야 합니다. 특히 분자 접착제(Molecular Glue)나 단백질 분해 유도제(Degrader) 같은 새로운 치료법이 등장하면서 이러한 기술의 중요성이 더욱 커지고 있습니다.
여기서 AI는 새로운 결합 공간이 생기거나 구조가 변하는 과정까지 예측하며 차세대 신약 개발에 활용되고 있습니다.

또한 단백질은 고정된 구조가 아니라 상황에 따라 형태가 변하는 특성을 갖습니다. 특정 분자가 접근하면 숨겨진 결합 부위(Cryptic Pocket)가 새롭게 열리기도 하는데, 최근 생물학 AI는 이러한 미세한 변화까지 점차 예측하기 시작했습니다. 이는 AI가 기존에 알려진 위치뿐 아니라 새로운 치료 표적까지 발견할 가능성이 커지고 있음을 의미합니다.

-

생물학 범용 모델

결국 아이소모픽 랩스는 질병마다 별도 AI를 만드는 것보다 원자 간 상호작용을 학습하는 범용 파운데이션 모델이 더 중요하다고 설명합니다. 하나의 모델이 다양한 질병과 단백질에 적용될 수 있기 때문입니다. 최근 AI는 데이터를 단순히 암기하는 수준을 넘어 물리적 상호작용의 원리 자체를 학습하기 시작했다고 평가합니다.

-

Organ-on-chip

마지막으로 아이소모픽 랩스는 AI가 단백질을 넘어 실제 인체의 반응까지 예측해야 한다고 설명합니다. 이를 위해 간이나 심장 같은 장기 환경을 작은 칩 위에 구현하는 장기 칩(Organ-on-chip) 기술을 중요한 실험 플랫폼으로 보고 있습니다. AI가 예측한 독성을 Organ-on-chip에서 먼저 검증하면 임상시험 전에 실패 가능성이 높은 후보물질을 걸러낼 수 있어, 현재 약 90%에 이르는 임상 실패율을 낮추는 데 도움이 될 것으로 기대하고 있습니다.

[Alis volat propriis @Alisvolatprop12]

https://t.co/kldKY3qo1M

[Podcast Alpha @PodcastAlphaX]

Eli Lilly is growing revenue at 50%+ year-over-year. Triple the next best pharma competitor.

Jordi Visser @jvisserlabs says the market is filing $LLY wrong. It's not a healthcare stock. It's an AI-driven drug discovery company compounding at 50% growth.

The GLP-1 patient data Lilly collects feeds directly into ToonLab (its open AI research platform) and a Co-Innovation Lab connected to NVIDIA and Isomorphic Labs (DeepMind's drug discovery spinoff). That data is showing unexpected benefits in cancer, kidney disease, and addiction - none of it was in the original thesis.

Novo Nordisk has the second-best GLP-1 drug. Novo chose to return profits to citizens. Lilly chose to reinvest in AI infrastructure. That choice compounds. Novo's doesn't.

The filing error is the opportunity: https://t.co/MBQOMOd138

Source: Full Signal with Phil Rosen @philrosenn - https://t.co/fNMwiKaV4l

[미래인문학 @e_jihe]

얼마전 빅데이터닥터님이 편집해서 올려주셨던 영상의 풀영상 이네요. cnbc에서 유료였었는데 풀렸나보네요.
팔란티어 투자자분들은 꼭 보세요. 전문 올려드립니다.

진행자
좋은 아침이에요, 칼(Carl). 반가워요. 네, 저는 지금 팔란티어에 와서 창업자이자 CEO인 알렉스 카프와 함께 있습니다. 모시게 되어 기쁘고, 이야기 나눌 수 있어 반갑습니다.

알렉스 카프
이 자리에 오게 되어 무척 기쁩니다.

진행자
방금 칼이 오늘 시장에 영향을 주고 있는 이란 전쟁 리스크, 그리고 아직 합의에 이르지 못했다는 점을 이야기했는데요. 카프 대표님은 군을 위한 AI 운영체제에 깊이 관여하고 계신 걸로 압니다. 앞으로 전쟁이 어디로 갈 거라고 보시나요?

알렉스 카프
우선, 아시다시피 지금 팔란티어와 관련해 사람들은 우리 상업(커머셜) 사업에 많이 주목하고 있고 거기에 흥미로운 것들이 많습니다. 하지만 동맹 세계 어디에서든 전쟁 지역이 달아오르기 시작하면, 매우 가치 있는 LLM을 가져다가 전장에서 실제로 치명적이고 유용하게 만들어 주는 팔란티어의 'Maven(메이븐)' 플랫폼이 작동하기 시작합니다. 그리고 우리 회사 전체의 핵심 목표는 미국 전투원들을 안전하게 집으로 데려오는 것입니다. 즉, 우리가 교전에 들어갈 때, 그들이 압도적으로 유리한 우위를 갖고, 우리의 적들을 두렵게 하며, 작전에 나설 때 인간적으로든 기계적으로든 가능한 최선의 확률로 부상 없이 안전하게 귀환하도록 하는 방식으로 교전하게 만드는 것입니다. 그래서 회사 전체가 사실상 그 작전에 집중하고 있습니다. 그리고 당연히 이런 일들은 대중이 보기 훨씬 전부터 시작됩니다. 우리는 다양한 플랫폼, 특히 Maven 플랫폼에서 일하는 수많은 팔란티어 직원들을 두고 있습니다. 공개된 영역에 있는 것들도 많고요. Maven은 어느 정도 논의돼 왔고, 구버전 Maven은 공개적으로 보여진 적도 있습니다. 하지만 저는 미국 국민들이 정말 미국만이 가진 이 기술의 진전에 매우 긍정적으로 놀랄 거라고 생각합니다.

진행자
너무 많은 비밀을 누설하지 않는 선에서, 어떤 우위를 제공하는지 설명해 주실 수 있나요?

알렉스 카프
우선 두 가지가 있습니다. 세계의 모든 군대가, 우크라이나 전장에서 이걸 볼 수 있는데, 러시아군이 겪은 큰 문제 중 하나는 '어떻게 자기 작전을 현대적 작전으로 전환하느냐'였습니다. Maven의 구성 요소를 가져오면, 기본적으로 낡은 시스템을 새로운 시스템으로 만들어 주는 인프라가 있습니다. 그러면 완전히 통합된 전장(battle space)을 가질 수 있는데, 이건 보안 등급(클리어런스)과 데이터 소스 때문에 엄청나게 어렵습니다. 데이터라고 생각해 보면, 일부는 매우 민감하고, 일부는 아무도 볼 수 없고, 일부는 모두가 봐야 하며, 동맹국들도 함께 작업합니다. 이걸 보안을 유지한 채 어떻게 하나의 화면(one plane of glass)으로 통합하느냐? 그다음 AI와 머신러닝의 진전을 어떻게 활용해 이를 강화하면서도, 흔히 말하는 '느슨한 AI 코드'처럼 쓸모없지 않게 그 의사결정을 내리느냐? 그런 것들은 실제로 전장 어디에서도 쓰이지 않습니다.

알렉스 카프
당신이 사물을 보는 능력을 어떻게 강화하느냐? 매우 복잡한 시스템을 헤쳐 나가는 능력을 어떻게 강화하느냐? 예를 들어 우크라이나에서는 단순히 드론을 목표 지점까지 보내는 것만이 아니라, 첨단 레이더 시스템을 뚫고 가는 것이 문제입니다. 그리고 이란을 상대로는 그게 10배는 더 복잡합니다. 미국의 작전 성과를 보면, 미국인들의 용맹함과 독창성, 그리고 저는 우리 기술 덕분이라 믿고 싶은데, 우리 쪽 손실은 매우 적고 매우 정밀하며 매우 통제되어 있습니다. 그리고 베네수엘라에서 봤듯이 그런 것들을 완전히 해체(무력화)하는 능력을 보여줬죠. 해체가 이뤄지고 있기 때문에, 오히려 우리는 그걸 해내는 데 들어간 복잡성을 과소평가합니다. 이런 일들은 2년 전, 3년 전만 해도 불가능했지만, 지금 미국은 매우 높은 정밀도로, 그리고 인명 손실 측면에서 우리 쪽 비용을 매우 낮게 유지하면서 이걸 정말로 해낼 수 있습니다.

진행자
중동에서 보고 있는 성공이 여러 지역에서 새로운 사업을 열어 주고 있나요?

알렉스 카프
팔란티어의 많은 비밀 중 하나는, 사람들은 우리의 '전진 배치 엔지니어(FDE)'에 대해 이야기하고 그걸 베끼려 하고, 온톨로지에 대해 이야기하며 베끼려 하고, 소프트웨어에 대해 이야기하죠. '소프트웨어는 가치가 없다'고들 하지만 다들 베끼려 합니다. 분명 소프트웨어의 어떤 부분은 그다지 가치가 없지만, 어떤 부분은 결정적으로 중요합니다.

알렉스 카프
사실 소프트웨어에는 세 종류가 있습니다. 첫째는 인프라인데, 기업 내부에 하드코딩되어 종종 온프레미스(자체 서버)로 관리해야 하는 것들입니다. 그래야 자기 데이터의 주권을 유지할 수 있죠. 이건 가치가 없는 게 아니라 지독하게 가치가 큽니다. 그다음, 그걸 어떻게 관리하느냐? 온톨로지, 파운드리(Foundry) 같은 것들이고, 그런 것들은 매우 가치 있고 지속력이 있습니다. 그다음에는 FDE와 거대언어모델(LLM)이 있습니다.

알렉스 카프
대부분의 FDE는 그냥 아무나 풀 수 있는 문제에 사람을 투입하는 것에 불과합니다. 그러니 잘 관리하면, 어떤 건 가치 있고 어떤 건 무가치합니다. 공짜로 풀리는 코드는 사실 매우 쉽습니다. 그래서 매우 다릅니다. 어쨌든 러시아, 중동, 우크라이나처럼 사람들을 안전하게 집으로 데려와야 하고 적을 해체해야 하는 결정적 상황에서 보게 되는 것은, 그리고 적, 즉 페르시아인(이란), 러시아인, 중국공산당(CCP)은 각기 매우 다른 방식으로 대단히 유능한 기술 인력들이고, 역사적으로 검증된 매우 독특한 싸움 방식을 갖고 있습니다. 그러니 그냥 누워서 항복할 적을 상대하는 게 아닙니다. 그런 상황에서는 다른 누구도 갖지 못한, 강화된 자신만의 독특한 방식을 들고 가야 합니다. 그 '다른 누구도 갖지 못한 것'이 바로 우리의 인프라 소프트웨어와 파운드리, 아폴로(Apollo), 그리고 우리가 직접 관리하며 만들어 내는 거대언어모델입니다. 치명적인(lethal) 것은 바로 이 '조합'입니다. 그리고 이건 미국 상업 부문에서도 보입니다. 지금 세계에서, 특히 국내적으로 벌어지는 흥미로운 일은, 본질적으로 매우 중요하고 미국 특유의 운동이 있다는 점입니다. '프런티어 랩(Frontier Labs)'이라 부를 만한 것이죠.

알렉스 카프
그들이 이것을 생각하는 방식은 사실 철학적으로도 기술적으로도 틀렸습니다. 철학적으로 틀린 이유는, 이게 '둠어(비관론자)냐 아니냐'의 문제가 아니기 때문입니다. 그것은 일종의 '초낙관주의의 하이퍼 종교'입니다. 그들은 현재·과거·미래의 모든 문제가, 자기들이 만들어 놓고도 인정하지 않는 문제까지 포함해, 전부 자기들에 의해 해결될 거라고 믿습니다. 인간 본성이나 불평등까지도요. 그리고 인프라 측면에서는, 기업들은 이게 실제로 이런 식으로 작동하지 않는다는 걸 알기 때문에 그냥 질려 있습니다. 그리고 실제로 작동하지 않고 있고요. 그게 기본적으로 우리 상업 사업을 이끄는 동력입니다. 정부 쪽에서 우리는 철저히 친(親)미국, 철저히 친(親)서방입니다.

진행자
늘 그렇게 말씀해 오셨고, 늘 그렇게 해 오셨죠. 그런데 회사가 정치화되는 것을 어떻게 막으시는지 궁금합니다. 양당 행정부 모두와 일해 오셨지만, 특히 이번 전쟁처럼 인기 없는 사안, 그리고 민주당이 반대해 온 사안에서요. 중간선거나 다음 대선에서 팔란티어가 표적이 되는 걸 어떻게 피하시나요?

알렉스 카프
지나치게 순진하게 굴고 싶진 않습니다. 우리는, 저는 사람들을 움직여 보려 노력하고 있어요. 때로는 성공하고 때로는 실패하면서요. AI 인프라 혁명은 미국에게 독특한 기회입니다. 그 대부분을 우리가 먼저 개발했기 때문이죠. 하지만 이건 파랑(민주)·빨강(공화)의 진영 논리로 논의될 수 없습니다. 지금 미국에 가장 큰 위험은, 사람들이 '이 사람은 나와 정치적으로 같은 편이니 옳다', '이 사람은 나와 정치적으로 다르니 틀렸다'고 하는 겁니다. 이것은 거대한, 거대한 혁명이고 위험이 있습니다. 저는 지난 6개월간 사적으로, 그리고 어느 정도 공개적으로도 사람들에게 '국유화(nationalization)가 오고 있다'고 말하고 다녔습니다. 그게 오는 이유는, 이걸 파랑·빨강 논쟁으로 다룰 수 없기 때문입니다. 이건 거대한 혁명이고, 미국만이 가진 기회들이 있는 동시에 이 혁명에는 위험들도 있습니다.

알렉스 카프
예를 들어 저는 '징병제(draft)를 하겠다'고 말한 것도 아닌데 그 발언으로 곤욕을 치렀습니다. 제가 말하려던 건 그게 아니라,

진행자
그걸 주장하신 거라면,

알렉스 카프
제가 말하려던 건, 우리가 거대한 격변(dislocation)의 시기에 있고, 그 격변 속에서 하나의 문화로서 함께 뭉칠 방법을 찾아야 한다는 것이었습니다. 실리콘밸리에서는 다들 '풍요가 오고 아무도 일을 안 해도 되니 마법처럼 서로를 좋아하게 될 것'이라고 생각하지만, 우리가 역사를 끝내는 게 아닌 한, 사실은 정반대입니다. 우리는 막대한 자원을 갖게 되겠지만, 그 자원은 이미 부유한 사람들에게 불균형하게 돌아갈 것입니다. 그건 정치적 문제입니다. '우린 다 더 많이 갖게 될 테니 다 행복할 거야'라고 그냥 말할 수는 없습니다. 우리는 역사의 끝에 있는 게 아니니까요.

진행자
업계는 그것에 대해 무엇을 해야 할까요?

알렉스 카프
정면으로 마주해야 합니다. 부의 축적처럼 실제로 존재하고 점점 악화되는 문제들이 있습니다. (부의 축적 자체는 괜찮지만요.) 저는 사실 골수 진보주의자(card-carrying progressive)인데, 골수 진보주의자들이 뭔가 대단한 걸 갖고 있다고는 생각하지 않습니다.

진행자
골수 진보주의자(card-carrying progressive)요.

알렉스 카프
아니요, 문제는 제가 진보냐 아니냐가 아닙니다. 문제는 어떤 진보주의자들이 정말 진보적이냐는 겁니다. 저는 진보적입니다. 저는 가난한 사람들이 더 나은 삶, 더 높은 생활 수준을 갖길 바랍니다. 모든 가난한 사람이요. 저는 미국 GDP의 37%가 여성(에게서 나온다)이라고 언급했다가 곤욕을 치렀습니다. 미국인의 50%, 정확히는 약 52%가 여성입니다. 거기에 격변이 있습니다. 대학원에 진학한 사람의 67%가 여성입니다. 시장의 이런 부분들은 막대한 압력을 받게 될 겁니다. 우리가 이런 문제를 안 겪을 것처럼 가장하는 건 도움이 안 됩니다. 사실 진보적 입장이 진보적인 이유는 문제를 입에 올리기 때문입니다. 자, 우리 노동력을 보호할 수 있을까요? 예전 방식대로 이민을 받으면서 노동력을 보호할 수 있을까요? 과거에 가르치던 것과 똑같은 기술을 가르쳐서 노동력을 보호할 수 있을까요?

알렉스 카프
우리는 팔란티어에 신경다양성(neurodivergence)을 가진 사람들을 돕는 대규모 프로그램이 있습니다. 제가 특별히 그 분야에서 선한 사람이어서가 아니라, 저 자신이 난독증이 있고 일부는 제가 신경다양인이라고 보기도 하지만, 그런 사람들이 우리 경제에 특히 가치 있기 때문입니다. 전 세계에서 사람들이 미국으로 오게 만든 것은 그들이 신경다양인이었다는 점입니다. '내 문화에서는 잘 안 풀려, 그러니 가야겠어' 하고요. 어쨌든 어떻게든 모두를 결집시켜야 합니다. 버니 샌더스가 '나는 50%를 가져가겠다'고 말할 때, 그게 실제로 일어날 거라고 생각하세요? 장담컨대, 이대로 계속 가면, 사람들이 저를 진보적이라 생각하지 않는 것처럼, 2년 뒤에는 버니 샌더스도 진보적이라 생각하지 않을 겁니다. '버니 샌더스, 겨우 50%만 원한다고? 이게 뭐야?' 하게 될 겁니다.

진행자
그쪽으로 가고 있다고 보시는군요.

알렉스 카프
우리는 분명히 그 방향으로 가고 있습니다. 그 이유는 단순합니다. 기술을 제쳐 두더라도, 기술 역시 그걸 추동하고 있지만, 이 나라에서 가장 중요한 정치적 결정들은 '당신이 AI를 이해하느냐, AI가 무엇을 하고 있는지 이해하느냐'에 의해 좌우될 것이기 때문입니다. 그리고 그만큼 중요하게, 우리가 미국 국민에게 '당신 눈에 보이는 걸 믿지 말라'고 말할 것이냐의 문제입니다. 과거 정치인들은 그렇게 해 왔지만, 그건 통하지 않습니다. 미국 국민들은 자기들에게 무슨 일이 일어날지 정말로 궁금해하고 있고, 그 답은 전부 좋은 것도 전부 나쁜 것도 아닙니다. 그리고 그들은 또한,

진행자
대규모 실업을 보게 되겠죠.

알렉스 카프
그건 일자리 상실 자체의 문제가 아닙니다. 대규모로 재교육하고, 재정비하고, 일을 다르게 해야 한다는 게 핵심입니다. 그런데 이건 미국의 엄청나게 중요한 강점이기도 합니다. 저는 인생의 절반을 유럽에서 보냈는데, '그들이 가진 강점이 뭐냐, 우리가 가진 강점이 뭐냐'고 물으면, 우리의 가장 큰 강점은 역동성, 변화하는 능력, 재건하는 능력입니다. 하지만 우리는 그 강점을 써야만 합니다. 과거의 일자리는 미래의 일자리와 매우 다를 것이고, 우리 모두가 변해야 하며, 그것은 일부 사람들에게 불균형하게 영향을 줄 것이기 때문입니다. 그리고 우리에겐 공동의 목적이 필요합니다. 우리의 공동 목적은 무엇인가? 우리는 바로 그것 때문에 정말 고심하고 있습니다. 이런 어려움이 닥치면 사람들은 극우와 극좌로 가고, 그들은 매우 카리스마 있습니다.

알렉스 카프
우리는 유럽이 이런 문제들을 다루지 않아서 저지른 실수를 되풀이해선 안 됩니다. 그렇지 않으면 정치적으로 이기는 사람은, 무슨 말을 하는지도 모르면서 진짜 문제를 건드리기 때문에 매우 카리스마 있는 사람들뿐입니다. 이 경우 진짜 문제는 미국인들이 두려워하고 있다는 것입니다. 그리고 또 다른 진짜 문제는, 제가 기업 분야에서 20년을 보냈는데, 우리는 가장 중요한 정부들과 일합니다. 솔직히 우리는 논란의 대상입니다. 우리는 전쟁 중인 사실상 모든 서방 강국에 동력을 제공하기 때문입니다. 그리고 우리가 논란이 되는 또 다른 이유를 아세요? 그들이 과거엔 없던 역량들을 갖게 됐고, 우리의 적들이,

진행자
그 점을 계속 강조하시는 건 압니다.

알렉스 카프
하지만 상업 부문, 상업 기업들도 불만입니다. 프런티어 랩에 불만인 건 길거리의 일반 시민만이 아닙니다. 우리가 거래하는 모든 기업이 사적으로는 그렇습니다. 그리고 우리 내부에, 다소 논란이 있긴 한데, 계속 논쟁하는 게 있습니다. '사람들이 우리에게 오기 전에 거대언어모델 회사에 먼저 다녀오도록 돈을 줘야 하나'라는 거죠. 왜냐하면 거기서 나온 사람들이 비명을 지르며 '이건 나한테는 절대 안 통해, 저들은 엔터프라이즈를 이해 못 하고 내 엔터프라이즈에 관심도 없어, 저들은 그냥 토큰을 최대로 뽑아내려는 것뿐이야'라고 하기 때문입니다.

진행자
자, 이게 핵심으로 들어가는 건데요. 지금 월스트리트에서 팔란티어를 둘러싼 가장 큰 질문은, 거대언어모델들, 앤트로픽(Anthropic) 같은, 그리고 곧 상장할 AI 회사들이 팔란티어가 하는 일을 복제할 수 있느냐입니다.

알렉스 카프
그건 진짜 질문인데, 엔터프라이즈 분야에서는 사실상 아무도. 투자자들은 단기적으로는 정말 흥미롭게도 자기들이 무슨 말을 하는지 전혀 모릅니다. 장기적으로는 결국 옳고요. 우리는 그냥 사실로 이걸 논할 겁니다. 저는 좋든 나쁘든 평생을 가장 복잡하고 가장 흥미로운 엔터프라이즈를 다루며 보냈습니다. 저는 아마 다른 누구와도 다르게 현장 맨 밑바닥에 있습니다.

진행자
그들은 그렇지 않다는 말씀이신가요?

알렉스 카프
제 말은, 그들 대부분은 라떼를 마시며 느긋하게, 자기들이 기술적 역량을 이해하지도 못하는 무언가에 대한 보고서를 읽고 있다는 겁니다.

진행자
대표님이 데리고 계신 그런 엔지니어들을 채용하면서요?

알렉스 카프
그런 엔지니어들은 훌륭한 엔지니어들입니다. 하지만 장담컨대 그들은 엔터프라이즈와 대화하지 않고, 기술적 난제를 이해하지 못합니다. 그리고 또, 훌륭한 투자자가 되는 능력, 거기에서는 거대언어모델이 더 유용합니다. 그건 확률론적이고, 51%보다 조금만 더 잘하면 되니까요. 그런데 자동차를 만들려고 부품이 필요하거나, 달에 로켓을 보내거나, 적의 머리 위에 미사일을 떨어뜨리고 미국인을 안전하게 데려오려 할 때, 그런 건 그렇게 안 됩니다. 그리고 그런 고급 엔터프라이즈 중에 그런 걸 도입할 곳은 단 한 곳도 없습니다. 게다가 그건 문화적 교착에 이르기도 전의 이야기입니다.

알렉스 카프
샌프란시스코에 가서 그들과 이야기하면, 그들의 기본 분위기는 '오늘 당신 문제를 풀어줄 필요가 없어, 왜냐하면 내일이면 당신은 사라질 거고 당신의 모든 문제가 해결될 테니까'입니다. 그건 거의 종교적입니다. 그리고 '우리는 몇 번 배포해서 팔란티어를 복제할 거야'라는 식이죠. 완전히 어불성설입니다. 거기 가는 사람들은 토큰을 파는, 가장 단순하고 가장 쉬운 문제를 푸는 사람들입니다.

알렉스 카프
그리고 그들이 솔직히 이해하지 못하는 부분, 제가 그들에게 말했는데 아마 안 했어야 했지만, 자기들이 얼마나 호감 가지 않는지를 모른다는 겁니다. 그러니까 제품이 실제로는 그런 식으로 작동하지 않고, 매우 비싸며, 게다가 (샘을 제외하면) 당신이 미처 깨닫지 못할 수도 있는 그 점을 극복해야 합니다. 사실 제가 그들을 호감 안 간다고 하는 건 아니에요. 오히려 비즈니스에서 제가 나눈 가장 흥미로운 대화들 중 일부는 샘, 다리오 같은 사람들과 어울린 거니까요.

알렉스 카프
그러니까 이들은 수준 높은, 그날 이야기해 보면 정말 즐거운 시간이고, 그는,

진행자
우리가 [어떤 행사]에서 함께 있었죠. 여쭤보려 했는데, 앤트로픽은 우군인가요, 적군인가요? 경쟁자인가요?

알렉스 카프
음, 다시 말하지만, 그들이 공개적으로 이야기하는 것들 대부분은 사실 팔란티어 위에서 돌아갑니다. 그러니 이제 이 규모에서 우리는 사실상 국가 단위(nation-state)에 있는 거죠. 그리고 그는 현재 선도적인 프런티어 모델 회사의 최전선 인물이고, 한참 뒤처져 있다가 앞서나가는 위치로 올라섰습니다. 그는 매우, 매우 중요한 인물이고, 분명히 말하지만 그는 자신이 하는 말을 진심으로 믿습니다. 다만 제가 말하고 싶은 건, 그는 현재·과거·미래의 모든 문제가 완벽한 미래로 가는 과도기적인 것이라고 믿는다는 점입니다 (제가 그의 생각을 그렇게 추정하는 것이고요). 저는 우리가 '20년 뒤의 천국'이 아니라 '지상의 천국'이 필요하다고 믿습니다. 우리는 이런 것들에 대해 의견이 다릅니다. 하지만 그렇다고 다른 것들에서까지 의견이 다른 건 아니에요. 예를 들어 어떤 국가안보 사안에서는 동의하고, 어떤 데서는 다릅니다.

알렉스 카프
그러니 단순히 동의/반대, 나쁨/좋음의 문제가 아닙니다. 이들은 세계에서 가장 흥미롭고 중요한 인물들 중 일부입니다. 저는, 그리고 제 고객들도 대체로 제 편인데, 거대언어모델이 세계에 결정적으로 중요하지 않다는 게 아니라, 가치는 '구현(implementation)'에 있다는 데 크게 베팅하고 있습니다. 적어도 향후 7년간은 분명히요. 10년 뒤 무슨 일이 일어날지 물으신다면 저도 모릅니다. 다만 병원체가 우리를 파멸시킬 위험이,

진행자
그래서 지금 헬스케어에 그렇게 많이 매진하시는 건가요?

알렉스 카프
음, 세상을 뒤흔드는 이런 저확률 사건들은 종종 과소평가됩니다. 그리고 이런 건 다시, 소프트웨어 인프라 구현, 온톨로지, 그리고 거대언어모델을 필요로 하는 사건들입니다. 예를 들어 치명적 병원체가 이 나라에 들어오면, 그 징후는 '누군가 트럭을 2센티미터 움직였고 그게 곧 공격하겠다는 뜻'임을 알아채는 일의 징후와 매우 비슷합니다.

알렉스 카프
그건 (그렇게 했을 때만) 비로소 가능하고, 그 주변의 보안, 사람들이 종종 과소평가하지만 우리가 하는, 이 바로 팔란티어가 필수불가결한 이유의 근간입니다. 이 환경에서는 그냥 데이터셋을 쓸 수가 없습니다. 각각의 데이터셋은, 데이터셋의 각 미세한 부분 하나하나가 그 자체로 주권적(sovereign) 데이터셋이어야 합니다. 그래서 '데이터의 어느 부분이 주권적인가'라는 이 전체 개념을, 우리는 그걸 밀리미터 단위로 합니다. 어느 속성(attribute)의 어느 부분이 그 사람에게 주권적인가, 무엇을 공유할 수 있는가, 무엇을 추론(impute)할 수 있는가, 무엇은 추론할 수 없는가, 무엇은 일반화해 공유할 수 없는가, 무엇은 반드시 공유돼야 하는가, 어떤 전문가가 어떤 조건에서 무엇을 볼 수 있는가, 측정이 정확한가? 그 측정은 얼마나 오래 정확한가? 어떤 조건에서 정확한가? 누가 구현하는가? 그들이 (보안) 클리어런스를 갖고 있는가? 이 모든 것이 모델링되고, 이런 일을 계속 해 온 플랫폼 위에서 수행돼야 합니다. 그리고 사이버 위협도, 그냥 거대언어모델을 돌릴 수는 없습니다. 발견한 취약점을 어떻게 패치합니까? 그걸 대규모로 어떻게 패치합니까? 그리고 설령 그 모든 걸 할 수 있다 해도, 보안 네트워크에서 작업할 수 있는 인증(accreditation)을 어떻게 받습니까? 만약 실제로 그런 걸 해 본 적이 없다면, 거기에 무엇이 필요한지 전혀 모를 것이고, 그걸 하려면 인증이 필요합니다.

진행자
그러니 그들은 만병통치약이 아니라는 말씀이군요. 마지막으로 알렉스, 스페이스X에 대해 여쭙고 싶었습니다. 이번 주에 상장하는데, 골든 돔(Golden Dome) 미사일 방어 같은 제안에서 함께 협력하셨고, 우주와 관련해 AI 운영체제 작업도 하시는 걸로 압니다. 그 분야를 어떻게 보시나요?

알렉스 카프
저는 미래에 대해 매우 낙관적입니다. 저는 모든 기업가를 응원합니다. 일론을 응원하고, 우리는 일부 영역에서 협력하고 다른 영역에서는 아마 경쟁하지 않습니다. 하지만 보세요, 대형 IPO라는 게, 우선, 우리는 이 나라에서 정말 축복받았습니다. 저는 인생의 절반을 독일에서 보냈는데, 만약 100억~200억 달러 규모의 IPO가 있었다면 온 나라가 펄쩍펄쩍 뛰었을 겁니다. 여기서는, 역대 최대급, 어쩌면 역대 최대 IPO로 보이는 일이 일어나고 있습니다. 아무도 해내지 못한, 정말 멋진 기술이고요. 저는 대부분의 미국인이, 그리고 확실히 모든 기업가가 그 성공을 응원하길 바랍니다.

진행자
우주에 대해 낙관하시나요?

알렉스 카프
음, 다시 말하지만 다른 논쟁들과 매우 비슷합니다. 사람들은 과소평가합니다. 그 일을 하는 사람이 자기가 뭘 하는지 안다면, 우주에 대해 낙관합니다. 일론의 우주 사업에 대해서는 낙관하느냐, 그렇습니다. (그냥 막연히) 우주에 대해 낙관하느냐, 모르겠습니다.

진행자
네, 알렉스 카프, 정말 감사합니다.

[DOKI @doki_jerry]

<Lewis 최신 인터뷰> (전 SpaceX 임원)

데이터센터를 훈련(training)에 사용할 것인가, 추론(inference)에 사용할 것인가도 중요합니다.

만약 추론용이라면 솔직히 큰 차이는 없다고 생각합니다.

원래 AI 추론 자체가 상당히 확률적이고 혼돈적인 과정이기 때문입니다.

오히려 우주는 추론에 더 적합합니다.

우주는 대규모 추론에는 적합할 수 있지만 대규모 학습(training)에는 절대 적합하지 않습니다.

학습에는 매우 효율적인 근거리 통신이 필요합니다.

훈련 규모가 커질수록 GPU 간 연결과 대역폭 요구가 엄청나게 증가합니다.

반면 추론은 예를 들어 100kW 규모만 되어도 상당히 훌륭한 추론 시스템이 될 수 있습니다.

하지만 학습용으로는 턱없이 부족합니다.

만약 여러 위성을 연결해 학습을 수행한다면 모든 대역폭 병목 현상이 훈련 비용을 크게 증가시킬 것입니다.

⸻

100kW는 대략 GPU 100장 수준입니다.

100장 정도면 추론에는 충분히 의미 있는 규모지만, 조금만 규모가 있는 AI 학습에는 거의 쓸모가 없습니다.

하지만 흥미로운 포지셔닝은 있습니다.

100장의 GPU를 가진 위성들이 다수 존재한다면, 현재의 초대형 하이퍼스케일 데이터센터와 엣지 컴퓨팅 사이의 중간 지점을 차지할 수 있습니다.

지연시간(latency)과 성능(performance) 측면에서 절묘한 균형점을 가질 수 있다는 이야기입니다.

일종의 온라인 러닝(Online Learning)에 가까운 형태입니다.

계산 규모는 충분히 의미가 있으면서도, 반응 속도는 엣지 컴퓨팅 수준으로 유지할 수 있습니다.

그래서 이들의 구상은:

대규모 학습은 지상에서 수행
대부분의 추론은 우주로 이전

이라는 구조입니다.

⸻

학습(training)에는 주권 문제, 데이터 문제, 규제 문제 등 너무 많은 요소가 얽혀 있습니다.

반면 추론(inference)에 대해서는 우리의 기본적인 판단이 있습니다.

동일한 모델 기준으로 추론량이 학습량의 수백 배, 수천 배가 되지 않는다면 그 모델은 실패한 모델입니다.

즉 추론 시장은 본질적으로 학습 시장보다 훨씬 큽니다.

경제성을 논할 때도 결국 더 큰 시장은 추론 쪽입니다.

게다가 모델 규모가 계속 커지고 있기 때문에, 순수 엣지 디바이스만으로 처리하려 하면 계산 시간이 네트워크 지연시간보다 더 길어질 수도 있습니다.

이 부분에서 우주 데이터센터는 독특한 장점을 가질 수 있습니다.

⸻

그렇다면 우주에서 추론을 수행할 경우 지연시간 측면에서 유리할까요?

솔직히 말하면 큰 차이는 없습니다.

왜냐하면 인간은 대략 200ms 이하의 지연은 거의 체감하지 못하기 때문입니다.

현재 가장 가까운 지상 데이터센터까지의 지연은 약 3~5ms 수준입니다.

Starlink의 지연은 약 20~40ms 수준입니다.

이 정도 차이는 현재의 LLM 추론에서는 사실상 문제가 되지 않습니다.

⸻

또한 방사선 문제도 생각보다 크지 않을 수 있습니다.

우선 고방사선 지대에 위성을 배치하지 않으면 됩니다.

1000km 이상의 높은 궤도는 피하고, 지구 자기장의 보호를 받는 저궤도(LEO)에 배치하면 됩니다.

그래서 결국 저궤도가 핵심입니다.

고궤도는 발사 비용, 우주 쓰레기, 수십 년 이상 잔류하는 문제 등 너무 많은 어려움이 있습니다.

⸻

다시 Starlink 사례를 보겠습니다.

2019년부터 지금까지 약 12,000개 이상의 위성이 발사되었습니다.

5년 이상 운영된 결과,

약 99.85%의 위성이 지금도 정상 작동 중입니다.

나머지 0.15%는 고장 났지만 계획대로 대기권에 재진입해 소멸했습니다.

12,000개가 넘는 위성 중 실제로 우주 방사선 등으로 완전히 통제 불능 상태가 된 사례는 초창기 단 1건 정도였습니다.

즉 우주 방사선은 분명 고려해야 하지만, 가장 큰 위험 요소는 아닙니다.

⸻

그렇다면 위성 충돌로 인한 케슬러 증후군(Kessler Syndrome)은 어떨까요?

그럴 가능성은 존재합니다.

하지만 현재 논의되는 저궤도 환경에서는 크게 걱정하지 않는 분위기입니다.

대부분의 위성은 동일 방향으로 움직이고 있으며, 만약 자세 제어가 실패하더라도 저궤도에서는 비교적 빠르게 궤도가 붕괴되어 대기권으로 재진입합니다.

반면 고궤도에서는 수백 년, 수천 년 동안 잔류할 수 있기 때문에 더 큰 문제가 될 수 있습니다.

⸻

“그런데 앞으로 저궤도가 위성으로 가득 차면 어떻게 되나요?”

솔직히 우리는 인류 규모를 과대평가하거나 우주의 크기를 과소평가하는 경향이 있습니다.

지구 전체에 1만 명을 균등하게 배치해 놓으면 평생 다른 사람을 만나지 못할 수도 있습니다.

그런데 우주는 지구보다 훨씬 더 크고, 그것도 3차원 공간입니다.

생각보다 엄청난 여유가 있습니다.

⸻

1/N

[감자 @nowlovepan]

AI 자동화에서 Hermes가 중요한 이유 ( 연동 방법 스레드)

Hermes를 단순히 텔레그램으로 AI를 부르는 도구라고 보면 조금 좁게 보는 것 같음

진짜 핵심은
여러 AI와 도구를 하나의 작업 안에서 자연스럽게 연결해주는 데 있음

예를 들면

Claude는 글 구조를 잡고
Codex는 앱이나 코드 작업을 하고
Gemini는 리서치와 번역을 하고
다른 도구는 이미지, 영상, 파일 정리를 맡는 식임

원래는 사람이 중간에서 계속 복붙해야 했음

Claude가 만든 내용을 Codex에 붙이고
Codex 결과를 다시 ChatGPT에 넣고
리서치 결과를 따로 정리하고
파일을 다시 옮기고

이런 식으로 사람이 AI들 사이의 전달자가 됐음

근데 Hermes 같은 에이전트 구조가 붙으면
이 작업을 앱 안에서 더 자연스럽게 이어갈 수 있음

내가 할 일은

“이 주제로 리서치하고
글감 만들고
필요하면 웹앱으로 구현하고
결과를 정리해줘”

이렇게 목표를 말하는 쪽에 가까워짐

그러면 각 AI가 잘하는 역할을 나눠 맡고
필요한 도구를 연결해서
하나의 작업처럼 이어가는 방식이 가능해짐

이게 진짜 자동화에 가까운 것 같음

텔레그램으로 명령을 보내는 건 편의 기능이고
본질은 AI들이 따로 노는 게 아니라
내 작업 안에서 연결되어 움직이게 만드는 것임

앞으로 자동화는
버튼 하나 눌러서 끝나는 게 아니라

리서치
기획
글쓰기
코딩
이미지
영상
파일 정리
보고

이런 작업들이 하나의 앱 안에서 가능하게 해줌

다음 글에서는
Hermes를 실제로 어떤 작업에 붙이면 좋은지
어떤 식으로 자동화할 수 있는지 정리해보겠음

아래는 헤르메스 ai에 연동하는 방법 스레드⬇️

[로그 Logue @AlexZio00]

에이전트한테 일 시킬 때, 목표 한 줄만 던지면 대충 하고 에러가 납니다. 범위를 멋대로 넓히고, 실패를 숨기고, 검증을 건너뛰는 문제가 발생합니다.

그래서 goal 스킬용 작업 명세 하나를 만들었습니다.

Claude Code·Cowork·Codex 어디든 앞에 붙이면 되는 범용 Task Harness입니다.

핵심은 하나.
무엇을 할지보다 무엇을 하지 말지를 먼저 정합니다. 범위·금지·중단 조건·정직성을 앞에 세우면, 에이전트가 똑똑해지는 것보다 덜 망가집니다.

전문 ↓
#AI #프롬프트엔지니어링

[Harman @itsharmanjot]

10 GitHub repos so good they shouldn't be free.

1. AutoHedge

An autonomous hedge fund built in Python with four AI agents: a director generates investment theses, a quant validates them, a risk manager decides position size, and an execution agent places orders. Operates live on Solana. With 'pip install -U autohedge', you can start trading immediately.
repo → https://t.co/q22EzesLoD

2. Vibe-Trading

A trading system using a Directed Acyclic Graph (DAG) model, featuring 64 finance skills and 29 preset specialist agent swarms. Includes analysis methods like Ichimoku, Elliott Wave, SMC, Black-Scholes, full Greeks, and risk parity. Its crypto desk provides liquidation heatmaps and token unlock tracking. You can observe agents debating strategies in real time.
repo → https://t.co/LZ5CYGMC1W

3. Fincept Terminal

A Bloomberg Terminal replacement that runs on your laptop. CFA levels 1, 2, and 3 analytics. 20+ investor AI agents (Buffett, Dalio, Soros). 100+ data connectors, including Polygon, World Bank, and IMF. Bloomberg charges $24,000 a year. This is free.
repo → https://t.co/dMM1WZxrw9

4. LibreChat

Every model ChatGPT runs, plus Claude, Gemini, DeepSeek, and 20 more. Self-hosted. Native MCP support. You own the data, the history, the infrastructure. OpenAI charges $20/month to use their wrapper. This costs nothing to use your own.
repo → https://t.co/457utdZUIF

5. Open Higgsfield AI

A self-hosted cinema studio with 200+ AI models. Flux, Midjourney, Sora, Kling, Veo, GPT-4o, SDXL all in one interface. Text to image. Image to video. Cinema mode with pro camera controls. No subscription. Your data stays local.
repo → https://t.co/WHCzBSFBW4

6. Open-LLM-VTuber

A Live2D AI companion that runs offline, sees your screen, hears your voice, and never forgets. Inner thoughts are shown as a separate text layer, so you watch the reasoning happen before words come out. Pet mode floats it on your desktop. Swap the LLM in one config line.
repo → https://t.co/5XVKUPr35X

7. Claude Ads

A free Claude Code skill that runs 190 audit checks across Google, Meta, YouTube, LinkedIn, TikTok, and Microsoft Ads. 6 parallel subagents firing at once. Consolidates into a single Ads Health Score ranked by revenue impact. Agencies charge $4,000 a month for this.
repo → https://t.co/AJRfpSB7B6

8. Agentic Inbox

Cloudflare just open-sourced an email client where an AI agent reads your inbox and drafts your replies. Runs entirely on Cloudflare Workers. Each mailbox lives in its own Durable Object. Your email never leaves your Cloudflare account. One click deploys it.
repo → https://t.co/QEEMtzoliV

9. Camofox Browser

An open source headless browser that makes AI agents invisible to bot detection. Spoofs navigator properties, WebGL, AudioContext, and WebRTC at the C++ level. The browser does not look modified because it genuinely is not. Accessibility tree output drops token cost by 90%.
repo → https://t.co/95d0V3o7vO

10. Hyperframes

HeyGen open-sourced a video framework that does everything Remotion does without React, without JSX, without teaching your AI agent a new format. The agent writes HTML. The framework renders MP4. GSAP, Lottie, and Three.js all work. Same HTML always produces the same file.
repo → https://t.co/ekquvYvTNC

These are not toys. Each one replaces a paid product you're still being charged for.

Pick one. Install it. Plug it into your workflow.

100% free. 100% open source.

[로그 Logue @AlexZio00]

공개 프롬프트 아카이브
━━━━━━━━━━━━━━━━━━━━

바로 쓸 수 있는 형태로 공개한 프롬프트들 입니다.

PAPER DECONSTRUCTION ENGINE — 논문해체 프롬프트https://t.co/HSksSoux31

NotebookLM 프롬프트 해체 (Public Release) — 15개 시스템
https://t.co/WR7fPj7Xpo

뉴스 분석 엔진 v2.0 - PEST
https://t.co/JClyyeL5YT

Dilemma Destroyer — 거짓 딜레마 파괴 프레임워크
https://t.co/CBOkWmxlpE

SOVEREIGN LENS — 통합 모듈형 사진 프롬프트
https://t.co/Cd5Qm40usd

PHILOSOPHER SPARRING ENGINE — 철학자 소환 템플릿
https://t.co/NFVMoM38Nh

Power Structure Debugger — 상징 해체와 인센티브 추적
https://t.co/iED28q7gIt

[로그 Logue @AlexZio00]

방금 올라온 클로드 공식 설명영상입니다.

클로드 공식 엔지니어가 37분가량 ai에이전트활용하는 방법을 설명합니다.
댓글로 요약 붙입니다.

뭐를 해야할지 모르겠다. 하시면이것부터 보세요.

[DraQra @cloudiass]

@AlexZio00 해결 해셨겠지만? 안티그래비티 IDE 가 따로 분리됐더라구요
그거 다운받아서 다시 복구했습니다😅

[감자 @nowlovepan]

AI 에이전트 관심 있으면
이건 저장해놓고 들어보는 거 강추

Anthropic이 Claude 에이전트 구축 강의를 공개했는데
Claude Code 엔지니어가 직접 설명함

터미널 권한
파일 시스템 메모리
훅으로 환각 막는 법
대규모 코드베이스에서 안전하게 굴리는 법까지 다룸

다 보면 Claude를 프로처럼 사용하고 수익화 가능하다고 하는데

2시간 짜리 영상 핵심만 요약해서 한국어 자막 30분 영상으로 만들어봄

[Banya @banya_diary]

엔비디아가 투자한 AI 신약 개발 기업 제너레이트 바이오메디슨(Generate Biomedicines) (feat. Absci & 프로티나)

$GENB $ABSI $프로티나(Proteina)

-

제너레이트 바이오메디슨이 주목받는 이유​

제너레이트 바이오메디슨은 단순히 기존 약물을 분석하는 수준이 아니라, AI를 이용해 아예 새로운 단백질 치료제를 직접 설계하려는 기업입니다. 기존 바이오 산업은 자연에서 발견된 항체나 단백질을 수정하는 경우가 많았는데, 제너레이트는 AI가 새로운 구조를 먼저 만들어내고 이를 실제 실험으로 검증하는 방식에 가깝습니다. 최근 엔비디아가 약 83만3000주 규모, 당시 기준 약 1500만~2000만 달러 수준의 지분 투자를 진행하면서 시장 관심도 커졌습니다.​

특히 엔비디아가 바이오 분야에 관심을 가지는 이유는 앞으로 생물학 AI 모델이 엄청난 GPU 연산을 필요로 할 가능성이 높기 때문입니다. 최근 바이오 업계에서는 단백질 구조 예측, 가상 세포, 디지털 트윈(digital twin), 공간 생물학(spatial biology) 같은 초대형 AI 모델들이 등장하고 있는데, 이런 모델들은 학습과 추론 과정에서 막대한 계산량이 필요합니다.

​-​

현재 개발 중인 신약 파이프라인

제너레이트는 이미 임상 단계까지 진입한 프로그램들을 여러 개 보유하고 있습니다. 대표적으로 GB-0895는 기도 염증을 유발하는 TSLP 단백질을 억제하는 항체 치료제인데, 현재 중증 천식 환자를 대상으로 글로벌 Phase 3 임상이 진행 중입니다. COPD(만성폐쇄성폐질환) 환자 대상 초기 임상도 함께 진행되고 있습니다. 항암 분야에서는 GB-5267이라는 armored CAR-T 치료제를 개발 중인데, 이는 일반 CAR-T보다 암 조직 안에서 더 오래 살아남고 강하게 작동하도록 설계된 세포치료제입니다.

​-

제너레이트의 핵심 무기인 CryoEM 인프라

제너레이트의 가장 큰 특징은 자체 CryoEM(극저온 전자현미경) 시설입니다. CryoEM은 단백질을 초저온 상태로 급속 냉동한 뒤 전자현미경으로 촬영해, 단백질이 실제로 어떤 모양으로 접혀 있는지와 항체가 어디에 붙는지를 거의 원자 수준에 가깝게 분석하는 기술입니다. 쉽게 말하면 단순히 잘 붙는다 정도를 보는 것이 아니라, 왜 그렇게 붙는지까지 구조 자체를 직접 들여다보는 방식입니다.

제너레이트는 미국 앤도버 지역에 약 6500㎡ 규모의 전용 CryoEM 시설을 구축했고, JEOL의 CRYO ARM 200·300 같은 초고가 장비를 최소 4대 이상 운영하는 것으로 알려져 있습니다. 즉 AI가 단백질을 설계하면 → 실제 단백질을 제작하고 → CryoEM으로 구조를 촬영한 뒤 → 다시 그 구조 데이터를 AI가 학습하는 폐쇄형 루프(closed loop)를 구축하고 있다는 점이 핵심입니다.

​-​

Absci의 접근 방식

경쟁사 중 하나인 Absci는 제너레이트와 다르게 초고해상도 구조 분석보다는 엄청난 양의 항체 후보를 빠르게 테스트하는 데 강점이 있습니다. AI가 수많은 항체 후보를 설계하면, 이를 자체 대장균(E. coli) 플랫폼에서 빠르게 대량 생산하고 실험하는 구조입니다. 일반적으로 항체는 포유류 세포에서 생산하는 경우가 많지만, Absci는 최적화된 대장균 시스템을 이용해 속도와 처리량을 높이려 하고 있습니다.

이후 FACS 장비를 이용해 항체가 실제 타겟에 얼마나 잘 붙는지를 빠르게 대량 선별하고, 여기서 나온 소수의 최종 후보군만 SPR 장비로 정밀 분석합니다. FACS는 처리량이 매우 높고, SPR은 결합 강도(binding kinetics)를 매우 정밀하게 측정할 수 있다는 특징이 있습니다. 즉 Absci는 속도와 대규모 실험 반복에 최적화된 전략이라고 볼 수 있습니다.

​-​

프로티나의 접근 방식

또 다른 경쟁자인 프로티나는 구조 자체보다는 실제 생체 환경 안에서 단백질들이 어떻게 상호작용하는지를 보는 데 집중하고 있습니다. 핵심 기술은 자체 개발한 SPID 플랫폼인데, 이는 단일 분자(single-molecule) 수준에서 항체와 단백질이 결합하는 순간을 직접 관찰하는 기술입니다.

기존 분석이 수많은 단백질의 평균값을 보는 경우가 많았다면, 프로티나는 개별 분자의 실제 행동을 더 정밀하게 읽어내려는 방향에 가깝습니다. 특히 항체를 따로 정제하지 않고 세포 안에서 만들어진 상태 그대로 분석할 수 있고, 한 주에 수만 개 수준의 항체 변이를 동시에 처리할 수 있다는 점이 특징입니다.

프로티나는 항체 설계라는 게 단순히 좋아 보이는 변이를 붙이는 문제가 아니라, 어디가 유망한 영역이고 어디를 피해야 하는지를 먼저 지도처럼 이해해야 하는 문제라고 봅니다. 실제로 프로티나는 수많은 항체 변이를 분석해, 대부분의 변이는 성능이 나빠지고 극히 일부 영역만 좋아짐을 확인했고, 이를 통해 '항체 성능 지형(fitness landscape)'을 구축하고 있습니다.

-

세 회사의 핵심 차이

세 회사 모두 AI 신약 개발 기업이지만, 무엇을 중심 데이터로 삼는지가 완전히 다릅니다. Absci는 대장균 플랫폼과 FACS, SPR을 활용해 엄청난 수의 후보를 빠르게 테스트하는 처리량 중심 전략에 가깝고, 제너레이트는 CryoEM 기반 초고해상도 구조 데이터를 통해 단백질 구조 자체를 깊게 이해하려는 전략입니다.​

반면 프로티나는 이러한 트레이드오프 사이에서, SPID 플랫폼을 통해 CryoEM보다 높은 처리량과 낮은 비용을 유지하면서도, FACS나 SPR보다는 더 정밀하게 실제 생체 환경에서 단백질들이 어떻게 행동하고 상호작용하는지를 읽어내는 데 집중하고 있습니다.

[김도평✨️ @agarysexer]

https://t.co/lk7VQBaZAI

[방구석 괴짜 @gmpnavi]

https://t.co/rUTb9qcWFT

[Dan Musk @danmusk]

<테슬라 2026 Q1 어닝콜 (타래)>

(일론 오프닝 발언)

2026년은 매우 흥미로운 한 해가 될 것. 우리는 미래를 위해 투자를 크게 늘릴 예정이며, 이에 따라 자본적지출이 상당히 증가하는 것을 보게 될 것임.

다만 이는 향후 크게 확대될 매출 흐름을 고려하면 충분히 정당화된 투자라고 봄. 이 투자는 매우 큰 성과로 이어질 것이라고 확신함.

우리는 핵심 기술 전반에 걸쳐 투자를 확대하고 개선하고 있음. 배터리 파워트레인, AI 소프트웨어, AI 트레이닝, 칩 설계, 제조까지 포함되며, 향후 대규모 생산 확대를 위한 기반을 구축하고 있음.

동시에 배터리, 에너지, AI 실리콘 등 전반적인 공급망을 강화하고 있음. 이는 앞으로 차량 생산을 크게 확대하기 위한 준비이며, 동시에 옵티머의 본격적인 출시를 위한 기반을 마련하는 과정임.

옵티머스와 관련해서는 내부 테스트용 생산을 계속 확대하고 있으며, 내년쯤에는 테슬라 외부에서도 실제로 활용 가능한 수준에 도달할 수 있을 것으로 보고 있음.

[Banya @banya_diary]

구글 아이소모픽 랩스(Isomorphic Labs)의 AI 신약 개발 모델 ‘IsoDDE’

1. 기존 신약 개발에서의 핵심 문제

신약을 만들기 위해서는 단백질과 약물 분자가 어떻게 붙는지를 이해해야 하는데, 여기에는 세 가지 중요한 문제가 있습니다. 첫째는 두 분자가 어떤 3차원 구조로 결합하는지 예측하는 것이고, 둘째는 그 결합이 얼마나 강한지 계산하는 것이며, 셋째는 단백질 표면에서 약물이 붙을 수 있는 위치를 찾는 것입니다.

특히 일부 결합 위치는 평소에는 보이지 않다가 특정 상황에서만 나타나는데, 이런 숨겨진 위치를 크립틱 포켓(cryptic pocket)이라고 합니다. 기존 기술은 이 세 가지를 각각 따로 해결해야 했고, 특히 결합 강도는 매우 복잡한 물리 시뮬레이션을 사용해야 해서 시간과 비용이 많이 들었습니다.

2. 기존 AI 모델의 한계

알파폴드(AlphaFold) 같은 기존 AI 모델은 단백질 구조를 예측하는 데는 매우 뛰어난 성능을 보였지만, 훈련 데이터에는 없던 리간드(ligand)처럼 새로운 화학 구조가 등장하면 성능이 크게 떨어지는 문제가 있었습니다.

또한 구조는 맞출 수 있어도 실제로 얼마나 강하게 결합하는지는 잘 예측하지 못했습니다. 약물은 단순히 붙는 것만으로는 부족하고 충분히 강하게 결합해야 효과가 있기 때문에 이 부분은 매우 중요한 한계였습니다.

3. IsoDDE가 해결하려는 핵심 아이디어

아이소모픽 랩스의 IsoDDE는 위 문제들을 하나의 AI 모델에서 동시에 해결하려는 시스템입니다. 단백질과 약물이 어떤 구조로 결합하는지뿐만 아니라, 그 결합이 얼마나 강한지, 그리고 어디에 결합할 수 있는지까지 한 번에 예측합니다.

즉, 기존처럼 여러 도구를 따로 사용하는 것이 아니라, 신약 설계 과정 전체를 하나의 계산 시스템으로 처리하려는 접근입니다. 이 때문에 단순한 구조 예측 모델이 아니라 실제 약물 설계를 위한 엔진으로 볼 수 있습니다.

4. 모델이 작동하는 방식

IsoDDE는 먼저 단백질의 아미노산 정보와 약물 후보 분자를 입력으로 받습니다. 이 정보를 바로 3차원 구조로 바꾸는 것이 아니라, 각각의 분자 정보와 두 분자 사이의 관계를 따로 정리합니다.

이후 triangular operations이라는 계산을 반복하면서 원자 사이의 거리와 방향을 점점 정교하게 조정합니다.

마지막 단계에서는 디퓨전 모델(diffusion model)을 사용하여 초기에는 거친 구조에서 시작해 점점 더 정확한 결합 구조로 수정해 나갑니다. 이 방식 덕분에 기존에 없던 새로운 분자 조합에서도 구조를 만들어낼 수 있습니다.

5. 학습 데이터와 일반화 능력

이 모델은 실제 실험 데이터를 기반으로 학습되었습니다. 단백질 구조는 PDB 데이터베이스에서 가져왔고, 결합 강도는 ChEMBL 데이터베이스를 사용했습니다. 중요한 점은 2021년 이전 데이터만 학습에 사용하고, 이후 데이터로 성능을 검증했다는 것입니다. 이렇게 하면 모델이 단순히 데이터를 외운 것이 아니라, 새로운 상황에서도 잘 작동하는지 확인할 수 있습니다.

6. 구조 예측 성능

IsoDDE는 단백질과 약물이 어떻게 결합하는지 예측하는 구조 정확도에서 기존 모델보다 크게 향상된 결과를 보였습니다. 특히 훈련 데이터와 비슷하지 않은 새로운 분자에서도 성능이 유지되었습니다. Runs N’ Poses라는 어려운 테스트 환경에서는 알파폴드 3보다 두 배 이상 높은 성공률을 기록했습니다.

7. 항체-항원 결합 예측

항체와 항원의 결합 구조는 매우 복잡해서 기존에도 어려운 문제였습니다. IsoDDE는 이 영역에서도 큰 성능 향상을 보였는데, 알파폴드 3보다 약 2.3배 높은 정확도를 기록했고 Boltz-2 모델보다 약 19.8배 높은 성능을 보였습니다. 특히 구조가 매우 유연한 CDR-H3 영역도 더 정확하게 예측할 수 있었습니다.

8. 결합 강도 예측

결합 강도는 약물이 얼마나 잘 작동하는지를 결정하는 핵심 요소입니다. 기존에는 자유에너지 계산 같은 복잡한 물리 시뮬레이션을 사용해야 했습니다. IsoDDE는 여러 벤치마크에서 기존 딥러닝 모델뿐 아니라 이러한 물리 기반 방법보다도 더 높은 정확도를 보였습니다. 이는 비용과 시간이 많이 드는 계산을 AI로 대체할 수 있다는 의미를 갖습니다.

9. 결합 위치 탐색 능력

IsoDDE는 단백질에서 약물이 결합할 수 있는 위치를 찾는 능력에서도 개선된 성능을 보여, 기존 모델인 P2Rank보다 약 1.5배 높은 성능을 기록했습니다. 특히 평소에는 보이지 않는 크립틱 포켓까지 찾아낼 수 있었는데, 이는 기존에 치료 대상으로 고려되지 않았던 단백질에서도 새로운 약물 타깃을 발견할 수 있다는 의미입니다.

10. 전체적인 의미

구글 아이소모픽 랩스의 IsoDDE는 단백질 구조 예측을 넘어 실제 신약 개발 과정 전체를 하나의 AI 시스템으로 통합하려는 시도입니다. 구조 예측, 결합 강도 계산, 결합 위치 탐색을 동시에 수행할 수 있기 때문에 기존보다 훨씬 빠르고 효율적인 신약 개발이 가능해질 수 있습니다. 특히 아이소모픽 랩스는 항체보다는 저분자 약물 설계에 먼저 집중하는 전략을 통해 상업화 가능성을 높이고, 이후 영역을 확장하려는 방향을 가지고 있습니다.

$GOOGL $GOOG $IsomorphicLabs $ABSI $RXRX $GENB $ABCL $SDGR $프로티나 $Proteina