2026년 7월 17일 | AI 최신 트렌드
AI 제품의 입력창이 빠르게 달라지고 있다. 셀피와 목소리로 만든 개인 아바타가 업무용 영상을 대신 설명하고, 배달 앱의 검색과 결제는 명령줄에서 에이전트가 호출할 수 있게 됐다. 한쪽에서는 2.8조 파라미터 규모의 Kimi K3가 긴 코딩 작업을 내세웠고, 다른 쪽에서는 Anthropic이 작년에 만들어진 주 단위 규제조차 모델 발전을 따라가지 못한다고 주장했다. 생성 방식 자체를 왼쪽에서 오른쪽으로 쓰는 자기회귀 모델 밖에서 다시 정리한 이산 확산 서베이도 나왔다.
내가 눈여겨본 공통점은 모델의 답변보다 모델이 사람·도구·규칙과 만나는 경계가 더 중요해졌다는 점이다. 개인의 얼굴과 음성을 받는 제품은 신원과 동의 문제를 함께 풀어야 하고, 주문을 실행하는 에이전트는 검색 정확도보다 권한과 결제 확인이 먼저다. 거대한 공개 모델은 가중치 공개와 실제 서빙 가능성을 구분해서 봐야 한다. 다섯 소식을 제품, 에이전트 인터페이스, 모델 인프라, 정책, 생성 아키텍처 순서로 묶어 봤다.
1. Google Vids, 셀피와 음성으로 만드는 개인 AI 아바타
TechCrunch 보도에 따르면 Google Vids는 사용자가 올린 셀피와 음성 녹음을 바탕으로 외모와 목소리를 닮은 개인 디지털 아바타를 만드는 기능을 추가했다. 글로 쓴 프롬프트와 참조 이미지를 함께 받는 Gemini Omni도 들어가며, 배경 교체, 조명 보정, 효과 추가처럼 영상을 처음부터 다시 만들지 않고 단계별로 고치는 흐름을 지원한다. 원래 업무용 프레젠테이션 제작에 가까웠던 Vids가 촬영과 편집을 한곳에 묶는 제작 도구로 넓어지는 셈이다.
개인 아바타는 일반 영상 생성보다 편하지만 위험의 모양도 다르다. Google은 아바타를 계정 소유자의 닮은꼴에 묶고 SynthID를 보이지 않게 넣으며, 일부 지역의 18세 이상 사용자로 접근을 제한한다고 설명했다. 그래도 회사 교육 영상이나 내부 공지에 쓰기 시작하면 누가 생성에 동의했고, 어느 시점의 음성과 얼굴을 사용했으며, 퇴사나 권한 변경 뒤 어떻게 폐기하는지가 운영 항목이 된다. 나는 화질보다 이력과 철회 절차가 먼저 제품에 보여야 한다고 본다.
2. DoorDash CLI, 앱 화면 밖으로 나온 에이전트 주문 인터페이스
DoorDash CLI 보도에서 가장 재미있었던 부분은 터미널로 샌드위치를 주문한다는 농담보다 인터페이스의 방향이었다. dd-cli는 AI 에이전트가 매장을 찾고, 할인 조건을 비교하고, 주문을 결제할 수 있게 만든 제한형 베타다. 현재 대상은 미국과 캐나다의 macOS 개발자이며 대기 명단을 통해 접근한다. 일반 소비자 기능이 아니라 개발자가 자기 서비스와 에이전트 워크플로에 DoorDash 주문 기능을 연결해 보는 실험에 가깝다.
에이전틱 커머스는 챗봇이 메뉴를 추천하는 단계와 결제가 실행되는 단계를 분리해서 봐야 한다. 검색이 조금 틀리면 불편하지만, 수량·주소·팁·알레르기 조건·최종 금액이 틀린 채 결제되면 바로 사고다. 그래서 실무에서는 명령 하나로 전부 맡기는 것보다 검색은 자동, 장바구니는 구조화, 결제 직전은 사람이 승인하는 경계가 현실적이다. CLI 공개는 기업 서비스가 사람용 화면뿐 아니라 에이전트가 안정적으로 읽을 수 있는 계약을 별도로 제공하기 시작했다는 신호다.
3. Kimi K3, 2.8조 파라미터보다 먼저 보이는 서빙 조건
Kimi K3 공개 자료에 소개된 모델 규모는 총 2.8조 파라미터다. Stable LatentMoE 구조에서 896개 전문가 가운데 16개를 활성화하고, Kimi Delta Attention과 Attention Residuals를 함께 쓴다. 네이티브 비전과 100만 토큰 컨텍스트를 지원하며, 대형 저장소 탐색, GPU 커널 최적화, 컴파일러 개발, 화면 피드백을 받는 3D 제작처럼 오래 이어지는 작업을 전면에 내세웠다. Kimi 측은 구조와 학습 개선을 합쳐 K2 대비 전체 스케일링 효율을 약 2.5배 높였다고 설명한다.
여기서는 ‘공개 모델’이라는 말의 시점을 구분할 필요가 있다. 서비스와 API는 사용할 수 있지만 전체 가중치와 기술 보고서는 7월 27일까지 공개할 예정이라고 안내돼 있다. 추론에도 64개 이상 가속기를 묶은 supernode 구성이 권장될 만큼 하드웨어 문턱이 높다. 벤치마크와 장시간 작업 사례는 공급자 측 평가가 많아 독립 재현이 필요하다. 내가 먼저 볼 것은 최고 점수보다 가중치가 실제로 나온 뒤 어떤 정밀도와 하드웨어에서 처리량·비용·결과 품질이 재현되는가다. 규모가 열려도 운영 가능성이 자동으로 열리는 것은 아니다.
4. Anthropic의 주 단위 AI 규제 요구, 모델 속도와 법의 갱신 주기
WIRED 보도는 Anthropic이 미국에서 프런티어 AI 안전 규제의 속도를 더 높이려는 움직임을 다뤘다. Anthropic은 지난해 실리콘밸리의 반대 속에서도 캘리포니아와 뉴욕의 첫 투명성 요구를 지지했지만, 이제 그 규칙마저 모델 발전 속도에 비해 낡을 수 있다고 본다. 여기서 중요한 변화는 AI 기업이 규제를 늦추는 쪽에만 서는 것이 아니라, 최소한 일부 회사는 더 빠르고 강한 의무를 공개적으로 요구한다는 점이다.
물론 기업이 원하는 규제와 공익에 필요한 규제가 같다고 가정하면 안 된다. 주별 제도가 빨리 움직이면 연방 차원의 공백을 메울 수 있지만, 서로 다른 보고 양식과 기준이 쌓이면 작은 개발사에는 준수 비용이 커진다. 반대로 법을 완벽하게 통일할 때까지 기다리면 모델 능력과 배포 범위가 먼저 바뀐다. 나는 이 논쟁의 실무 기준을 모델 이름이 아니라 계산 규모, 위험 평가, 사고 보고, 외부 검증처럼 버전이 바뀌어도 남는 의무에 두는 편이 낫다고 본다. 규제가 제품 릴리스 노트를 따라가는 구조는 오래 버티기 어렵다.
5. 이산 확산 모델, 토큰을 왼쪽부터 쓰지 않는 생성 설계도
Discrete Diffusion Models: A Unified Framework from Tokenization to Generation은 DDM(Discrete Denoising Diffusion Model, 이산 잡음 제거 확산 모델)을 토큰화부터 생성까지 하나의 설계 공간으로 정리한 서베이다. 자기회귀 모델이 토큰을 왼쪽에서 오른쪽으로 하나씩 확정하는 것과 달리, DDM은 손상된 이산 상태에서 여러 위치를 반복적으로 다듬는다. 충분한 병렬 연산이 있으면 위치를 동시에 갱신할 수 있고, 뒤 문맥을 본 뒤 앞부분을 다시 고치는 전역 수정과 부분 편집에도 유리하다.
논문이 강조하는 지점은 확산 방식만 고르면 끝나지 않는다는 것이다. 토큰화 방식, 어휘의 위상, 단백질·분자·그래프처럼 도메인마다 다른 이산 알파벳이 상태 공간을 결정한다. 전이 행렬, 마스킹 또는 흡수 상태, score·ratio 기반 접근도 이 공통 틀 안에서 비교한다. 병렬 생성이 항상 더 싸거나 빠르다는 뜻은 아니다. 반복 정제 횟수와 품질, 캐시와 시스템 최적화, 평가 방식이 함께 움직인다. 나는 이 서베이를 자기회귀 대 확산이라는 단순 대결보다 어떤 상태 공간과 수정 연산이 작업에 맞는지 묻는 지도로 읽었다.
화면, 명령, 가중치, 법, 생성 방식이 한꺼번에 바뀌는 구간
다섯 소식은 서로 다른 층에 있지만 연결점이 있다. Google Vids는 사람의 신원을 생성 입력으로 바꾸고, DoorDash CLI는 소비자 서비스의 실행 권한을 에이전트 인터페이스로 옮긴다. Kimi K3는 모델 크기의 상한을 밀어 올리면서 공개와 서빙 사이의 간격을 드러낸다. Anthropic의 규제 요구는 릴리스 주기보다 느린 법의 갱신 방식을 문제 삼고, 이산 확산 서베이는 생성 모델의 기본 순서 자체를 다시 선택지로 올린다.
실무에서 확인할 질문도 층마다 달라야 한다. 개인 아바타에는 동의와 폐기, 거래 에이전트에는 승인과 감사 로그, 대형 공개 모델에는 재현 가능한 서빙 조건이 필요하다. 규제는 특정 제품명이 사라져도 남을 의무로 써야 하고, 새 생성 아키텍처는 데모 속도보다 전체 반복 비용과 편집 품질로 비교해야 한다. 결국 경쟁력은 기능 하나를 빨리 붙이는 데서 끝나지 않는다. 새 인터페이스가 넓힌 권한과 책임을 같은 속도로 설계하는 팀이 제품을 더 오래 운영할 가능성이 높다.
내가 지금 작은 검증표를 만든다면 입력, 실행, 인프라, 거버넌스, 생성의 다섯 칸으로 나눈다. 입력 칸에는 얼굴·음성 원본의 보관 기간과 재생성 권한을 적고, 실행 칸에는 주문 전 사람이 다시 볼 필드와 취소 가능한 시점을 둔다. 인프라 칸에서는 모델 전체 크기보다 실제 활성 파라미터, 필요한 가속기 수, 지원 정밀도, 시간당 비용을 확인한다. 거버넌스 칸은 사고 보고 주체와 외부 평가 공개 범위를 고정한다. 생성 칸에서는 첫 토큰 지연만 재지 않고 완성까지 걸린 반복 수, 중간 수정 성공률, 같은 조건의 결과 분산을 함께 본다. 이렇게 나누면 서로 다른 소식에 같은 ‘AI 성능’ 잣대를 억지로 대지 않고, 어느 경계에서 편의가 책임으로 바뀌는지를 비교할 수 있다.