Highlights

제목을 입력해주세요. 8
News
1
<(왼쪽부터) 원유집 교수, 김주원 박사, 유환석 석사과정, 유승원 박사과정 >

 

플래시 스토리지 성능 가로막던 운영체제 병목 규명·해결

 

기존 방식 대비 최대 3배 성능 향상… 운영체제 최고 권위 학회 SOSP 2026 발표

 

AI 시대가 본격화되면서 인공지능의 추론 성능을 극대화하기 위해 대규모 데이터를 플래시 스토리지에서 고속으로 읽어들이는 기술의 중요성이 커지고 있다. GPU를 비롯한 AI 가속기의 연산 성능이 빠르게 향상되면서, 이제는 연산장치가 필요로 하는 데이터를 얼마나 신속하게 공급할 수 있느냐가 전체 AI 시스템 성능을 좌우하는 핵심 요소로 부상하고 있다.

 

특히 대규모 AI 모델과 방대한 추론 데이터를 처리하기 위해서는 고성능 플래시 스토리지의 역할이 중요하다. 플래시 메모리의 하드웨어 성능이 지속적으로 발전하고 있지만, 실제 시스템에서는 저장장치의 성능을 충분히 활용하지 못하게 만드는 예상치 못한 소프트웨어 병목이 새로운 문제로 등장하고 있다.

 

마이크로소프트와 구글 등 글로벌 하이퍼스케일러들도 AI 인프라의 성능을 높이기 위해 하드웨어뿐 아니라 운영체제와 스토리지 소프트웨어에서 발생하는 병목을 제거하는 데 주목하고 있다. 플래시 메모리 자체가 아무리 빨라져도 이를 관리하는 소프트웨어가 데이터를 충분히 빠르게 처리하지 못하면 저장장치의 잠재 성능을 실제 AI 시스템에서 활용할 수 없기 때문이다.

 

KAIST 전기및전자공학부 원유집 교수 연구팀은 이러한 문제에 주목해 차세대 플래시 스토리지의 성능을 가로막는 소프트웨어 병목의 원인을 규명하고, 운영체제 파일시스템의 핵심 구조를 재설계하는 새로운 해결책을 제시했다.

 

연구팀이 개발한 GAZE는 대용량 ZNS(Zoned Namespace) 플래시 스토리지에서 발생하는 가비지 컬렉션(Garbage Collection)의 소프트웨어 병목을 획기적으로 줄이는 파일시스템 기술이다.

 

 

플래시는 빨라졌는데 운영체제가 따라가지 못했다

 

ZNS는 플래시 저장공간을 여러 개의 큰 영역인 ‘존(Zone)’으로 나누고 각 존에 데이터를 순차적으로 기록하도록 하는 차세대 스토리지 기술이다. 저장장치 내부에서 수행하던 복잡한 데이터 관리 작업을 줄여 플래시 메모리의 성능을 보다 효율적으로 활용할 수 있다는 장점이 있다.

 

하지만 그만큼 사용한 저장공간을 회수하고 유효한 데이터를 다른 위치로 이동시키는 가비지 컬렉션 작업에서 운영체제와 파일시스템의 역할이 중요해진다.

 

기존 로그 구조 파일시스템은 수십 KB에서 수 MB 단위의 작은 영역을 정리하는 것을 전제로 설계됐다. 반면 ZNS 플래시 스토리지의 존 크기는 수십 MB에서 수 GB에 이른다. 이에 따라 하나의 존을 정리하기 위해 이동해야 하는 데이터도 기가바이트 규모로 커질 수 있다.

 

연구팀은 바로 이 지점에서 기존 운영체제의 설계가 심각한 소프트웨어 병목을 일으킨다는 사실을 확인했다.

 

기존 파일시스템은 가비지 컬렉션을 대부분 순차적으로 처리하고, 데이터를 옮길 때 일반 애플리케이션을 위해 설계된 운영체제의 페이지 캐시와 메모리 관리 구조를 사용한다. 여기에 가비지 컬렉션이 진행되는 동안 새로운 쓰기 요청까지 광범위하게 차단한다.

 

그 결과 최신 플래시 스토리지가 충분한 입출력 성능을 갖추고 있어도 정작 CPU에서 수행되는 파일시스템 상태 관리와 메모리 할당 등이 전체 성능을 제한하는 현상이 발생했다.

 

연구팀의 분석 결과, 1GB 크기의 존을 가비지 컬렉션할 경우 기존 방식에서는 약 1.7초가 소요됐다. 2MB 영역을 정리할 때 걸리는 6ms와 비교하면 약 283배 긴 시간이다.

 

더욱 주목할 점은 병목의 상당 부분이 플래시 메모리 자체가 아니었다는 것이다. 가비지 컬렉션의 읽기 단계에서는 전체 오버헤드의 약 73%, 쓰기 단계에서는 약 **84%**가 CPU 작업에서 발생했다.

 

즉, 플래시 메모리의 속도가 아니라 이를 관리하는 소프트웨어가 플래시의 성능을 가로막고 있었던 셈이다.

 

 

가비지 컬렉션 자체를 4단계 파이프라인으로 재설계

 

연구팀은 이러한 문제를 해결하기 위해 기존 파일시스템의 가비지 컬렉션 구조를 근본적으로 다시 설계했다.

 

GAZE의 첫 번째 핵심 기술은 Pipelined Garbage Collection이다.

 

기존에는 데이터를 확인하고 읽은 뒤 다시 기록하는 과정이 순차적으로 수행됐다. GAZE는 이를 Preread, Read, Prewrite, Write의 4단계 파이프라인으로 나누고 각 단계를 별도의 스레드가 담당하도록 했다.

 

한 단계가 끝날 때까지 다음 단계가 기다리는 것이 아니라, 데이터를 읽는 동안 앞서 읽은 데이터를 동시에 처리하고 기록할 수 있도록 한 것이다. 하나의 영역을 모두 처리한 후 다음 영역을 시작하는 대신 이전 영역을 처리하는 동안 다음 영역의 작업도 미리 시작한다.

 

이를 통해 CPU 연산과 플래시 입출력을 동시에 수행하면서 최신 플래시 스토리지가 제공하는 높은 대역폭과 내부 병렬성을 적극적으로 활용할 수 있게 했다. 실험에서 파이프라인 구조만으로도 1GB 존의 가비지 컬렉션 지연시간을 약 51% 감소시켰다.

 

 

운영체제의 복잡한 메모리 관리도 우회

 

두 번째 핵심 기술은 GC Page Pool이다.

 

기존 파일시스템은 가비지 컬렉션을 위해 데이터를 이동할 때도 일반 애플리케이션 데이터와 마찬가지로 운영체제의 페이지 할당 및 페이지 캐시 관리 기능을 사용한다. 연구팀은 이러한 범용적인 메모리 관리 기능이 대규모 가비지 컬렉션에서는 오히려 상당한 CPU 오버헤드를 발생시킨다는 점을 발견했다.

 

GAZE는 가비지 컬렉션에 사용할 물리적 메모리 페이지를 시스템 마운트 단계에서 미리 확보해 별도의 전용 공간에서 관리한다.

 

그 결과 페이지 할당에 소요되는 시간을 약 210ms에서 50ms로, 페이지 삽입에 필요한 시간은 약 73ms에서 5ms로 줄였다. 이를 통해 가비지 컬렉션 읽기 단계의 지연시간도 크게 감소시켰다.

 

 

가비지 컬렉션 중에도 쓰기 작업 계속

 

세 번째 핵심 기술은 Selective Blocking이다.

 

기존 로그 구조 파일시스템은 저장공간이 부족해 가비지 컬렉션이 시작되면 새로운 쓰기 요청을 광범위하게 차단한다. 이 때문에 대용량 존의 가비지 컬렉션이 길어질수록 애플리케이션이 장시간 멈추는 문제가 발생한다.

 

연구팀은 리눅스 파일시스템에서 사용하는 **지연 할당(Delayed Allocation)**에 주목했다.

 

버퍼링된 쓰기는 애플리케이션이 데이터를 쓰는 순간 바로 플래시의 물리적 공간을 할당할 필요가 없으며, 실제 데이터가 저장장치로 기록되는 시점까지 공간 할당을 늦출 수 있다.

 

GAZE는 이러한 특성을 활용해 가비지 컬렉션이 진행 중이더라도 즉시 저장공간을 필요로 하지 않는 버퍼링된 쓰기는 계속 처리하도록 했다. 불필요하게 모든 쓰기를 중단시키던 기존 방식을 바꿔 가비지 컬렉션과 애플리케이션의 작업이 보다 효율적으로 공존할 수 있도록 한 것이다.

 

 

기존 방식 대비 최대 3배 성능 향상

 

연구팀은 GAZE를 Linux 6.1.0의 F2FS 파일시스템에 직접 구현하고 다양한 워크로드를 이용해 성능을 평가했다.

 

실험 결과 GAZE는 기존 F2FS의 ZNS 지원 방식과 ZNS+, P-GC 등과 비교해 최대 3배의 성능 향상을 달성했다.

 

다른 최신 로그 구조 파일시스템과 비교해서도 ScaleLFS 대비 FIO에서 최대 4.4배, IPLFS 대비 YCSB-A에서 최대 1.9배의 성능을 기록했다. 가비지 컬렉션 지연시간 역시 기존 F2FS의 약 3분의 1 수준으로 줄였다.

 

특히 이번 연구는 새로운 전용 하드웨어나 비표준 저장장치 인터페이스를 요구하지 않는다. 기존 F2FS를 기반으로 구현됐으며 디스크의 데이터 저장 형식을 변경할 필요도 없어, 연구팀이 제시한 핵심 원리를 다른 로그 구조 파일시스템에도 적용할 수 있다는 것이 특징이다.

 

 

AI 추론 시대, 플래시의 ‘진짜 성능’을 끌어낸다

 

이번 연구는 단순히 파일시스템의 성능을 높이는 것을 넘어 AI 시대에 고성능 플래시 스토리지의 잠재력을 어떻게 실제 시스템 성능으로 연결할 것인가라는 문제에 중요한 방향을 제시한다.

 

AI 추론에서는 대규모 모델과 추론에 필요한 데이터를 빠르게 공급하는 것이 중요하다. GPU와 AI 가속기의 연산 성능이 높아질수록 데이터를 제때 공급하지 못하는 스토리지와 시스템 소프트웨어의 병목은 더욱 중요해질 수 있다.

 

따라서 플래시 메모리 자체의 성능 향상과 함께 운영체제와 파일시스템에서 발생하는 소프트웨어 병목을 제거하는 것이 향후 AI 인프라의 성능을 높이는 중요한 과제가 될 전망이다.

 

원유집 교수 연구팀은 이번 연구를 통해 최신 플래시 스토리지에서 가비지 컬렉션의 핵심 병목이 저장장치의 입출력 성능이 아니라 CPU 중심의 소프트웨어 처리에 있을 수 있음을 규명하고, 이를 파이프라인 처리, 전용 메모리 관리, 선택적 쓰기 차단이라는 세 가지 방법으로 해결했다.

 

이를 통해 저장장치의 병목을 CPU에서 플래시 I/O 쪽으로 이동시켜 현대 플래시 메모리가 제공하는 높은 대역폭과 내부 병렬성을 보다 적극적으로 활용할 수 있는 기반을 마련했다.

 

이번 기술은 향후 AI 추론을 비롯해 대규모 데이터를 빠르게 처리해야 하는 데이터센터와 고성능 컴퓨팅 환경에서 플래시 스토리지의 성능을 극대화하는 데 기여할 것으로 기대된다.

 

 

운영체제 최고 권위 학회 SOSP 2026서 발표

 

이번 연구 결과는 지난 9월 30일, 운영체제 분야 최고 권위 학회인 ACM Symposium on Operating Systems Principles(SOSP) 2026에서 발표됐다. SOSP 2026은 9월 29일부터 10월 2일까지 체코 프라하에서 개최됐다.

 

논문 제목은 **‘GAZE: Rearchitecting Log-Structured Filesystem for Garbage Collection on Zoned Namespace Flash Storage’**이며, KAIST의 김주원, 유환석, 유승원, 원유집 연구진이 참여했다.

 

이번 연구는 한국연구재단, 정보통신기획평가원(IITP), SK하이닉스의 지원을 받아 수행됐다.

김용대 교수님 314
News
1 2
< (왼쪽부터) KAIST 전기및전자공학부 김용대 교수, 공동 제1저자 KAIST 정보전자연구소 오택경 박사, 전기및전자공학부 김덕우 박사과정생 >

스마트폰을 속여 개인정보를 노리는 ‘가짜 기지국’, 수법을 바꿔도 찾아낼 수 있을까. 우리 학부 연구진이 가짜 기지국의 행동을 2,592가지로 바꿔가며 탐지 기술의 빈틈을 찾아낼 수 있는 시험 플랫폼을 개발했다. 다양한 공격 수법에 대비해 스마트폰 보안 기술을 검증할 연구 기반을 마련했다.

 

김용대 교수 연구팀이 국가보안기술연구소, 경희대학교, 미국 플로리다대학교, 케이프와 공동으로 가짜 기지국의 다양한 동작을 재현해 기존 탐지 기술이 놓치는 공격을 확인할 수 있는 시험 플랫폼 ‘데빌레이(Devilray)’를 개발했다.

 

가짜 기지국은 정상 이동통신 기지국인 것처럼 신호를 보내 주변 스마트폰의 연결을 유도하는 장비다. 스마트폰의 식별 정보를 수집하거나 위치를 추적하고 통신을 방해하는 데 이용될 수 있다. 최근에는 범죄자들이 차량 등에 가짜 기지국을 싣고 다니며 금융기관이나 배송업체를 사칭한 피싱 문자를 직접 전송하는 ‘SMS Blaster’ 범죄도 세계 각국에서 실제 발생하고 있다.

 

가짜 기지국 탐지 연구는 지난 20여 년간 이어졌지만, 다양한 실제 장비를 확보해 시험하기는 어렵다. 상용 제품은 가격이 높고 구매·운용에도 제약이 있어 대학 연구자뿐 아니라 실제 가짜 기지국을 탐지해야 하는 이동통신사나 정보·수사기관도 모든 상용 장비와 새로운 변종을 확보해 시험하기는 현실적으로 어렵다.

 

반면 공격자는 같은 목적을 달성하더라도 메시지와 통신 절차를 바꿀 수 있어, 알려진 몇 가지 공격만으로 시험한 탐지 기술에는 빈틈이 생길 수 있다.

 

연구팀은 이러한 한계를 해결하기 위해 실제 상용 가짜 기지국의 동작과 기존 연구, 국제 이동통신 표준인 3GPP 규격을 함께 분석했다. 특히 알려진 공격 방식에 그치지 않고, 같은 목적을 다른 메시지와 절차로 수행할 수 있는 경우까지 살폈다.

 

이어 가짜 기지국의 동작을 주변 통신망 탐색, 가짜 기지국 신호 송출, 스마트폰 연결 유도, 공격 수행의 네 단계로 나누고, 공격자가 바꿀 수 있는 동작을 7개 핵심 요소로 정리했다. 여기에 실제 통신 절차에서 함께 사용할 수 없는 조합을 걸러내는 21개 규칙을 적용했다.

 

그 결과 연구팀이 정의한 범위에서 총 2,592개의 서로 다른 동작 구성을 구현했다. 이는 실제 발생한 공격 건수나 탐지기를 우회한 횟수가 아니라, 플랫폼에서 재현할 수 있는 동작 방식의 수다. 연구팀은 모든 구성을 실제 스마트폰과 연결해 전체 통신 절차가 정상적으로 수행되는지 확인했다.

 

연구팀은 데빌레이로 통신 메시지, 기지국 정보, 무선 신호, 통계적 특징, 머신러닝 등 서로 다른 원리를 사용하는 기존 탐지 시스템 7종을 평가했다. 그 결과 각 시스템이 최소 192개의 동작 구성을 탐지하지 못했다.

 

탐지기가 놓친 이유는 크게 두 가지였다. 특정 메시지를 공격의 단서로 삼는 탐지기는 다른 절차로 수행되는 공격을 놓칠 수 있었다. 공격 행동이 정상 통신망의 동작과 비슷해 구별하기 어려운 경우도 있었다.

 

탐지 기준을 강화하는 것만으로 해결하기 어렵다는 점도 확인됐다. 연구팀이 머신러닝 기반 탐지기에 기존에 놓쳤던 공격을 추가로 학습시키자 탐지율은 높아졌지만, 정상 통신까지 공격으로 잘못 판단하는 ‘오탐’도 함께 증가했다. 공격을 얼마나 잘 찾는지와 정상 통신을 얼마나 정확히 구별하는지를 함께 평가해야 한다는 의미다.

 

데빌레이를 활용하면 연구자는 직접 확보한 몇 가지 장비에 의존하지 않고 다양한 공격 조건에서 탐지 기술을 시험할 수 있다. 새로운 공격 방식이 확인되면 플랫폼에 추가하고, 개선한 탐지 기술도 같은 조건에서 반복적으로 검증할 수 있다.

 

2 1
< 연구 이미지 (AI 생성) >

연구팀은 전자프런티어재단(EFF)의 탐지 도구 ‘레이헌터(Rayhunter)’가 놓치는 공격 사례를 EFF에 제공했으며, EFF는 이를 탐지할 새로운 방법을 연구하고 있다. 또한 세계이동통신사업자협회(GSMA)의 사기 방지 및 보안 워킹 그룹 (Fraud and Security Group, FASG) 회의에 초청받아 세계 각국의 이동통신 표준 및 산업 관계자 대상 데빌레이 강연과 향후 가짜 기지국 탐지를 위한 토의를 가졌다.

 

김용대 교수는 “가짜 기지국 공격과 탐지는 본질적으로 공격자와 방어자가 서로 발전하는 경쟁 관계여야 하지만, 지금까지는 공격자에게 유리한 ‘기울어진 운동장’이었다”며 “데빌레이의 목적은 기존 탐지기를 무력화하는 것이 아니라, 공격자가 선택할 수 있는 다양한 행동을 방어자에게도 제공해 공격과 방어가 함께 발전할 수 있는 연구 기반을 만드는 것”이라고 말했다.

 

이어 “이를 통해 탐지 기술을 연구하는 연구자뿐 아니라 실제 가짜 기지국을 찾아야 하는 이동통신사와 정보·수사기관도 모든 상용 장비를 직접 확보하지 않고 다양한 공격 상황을 시험하며 방어 기술을 개발하고 검증할 수 있을 것”이라고 설명했다.

 

이번 연구는 KAIST 김용대 교수의 지도 아래 오택경·김덕우 연구원이 공동 제1저자로 참여했으며, KAIST 오범석 연구원, 국가보안기술연구소 배한성·홍병도 연구원, 경희대학교 박철준 교수, 미국 플로리다대학교(University of Florida) 타일러 터커(Tyler Tucker)·너새니얼 베넷(Nathaniel Bennett) 연구원과 패트릭 트레이너(Patrick Traynor) 교수, 케이프(Cape) 배상욱 연구원이 공동 연구자로 참여했다.

 

연구 결과는 국제 정보보안 학술대회 ‘IEEE 연례 컴퓨터 보안 응용 학술대회(IEEE Annual Computer Security Applications Conference, ACSAC 2026)’에 채택됐으며, 오는 12월 7일부터 11일까지 미국 로스앤젤레스에서 열리는 학회에서 발표될 예정이다.

 

 

이번 연구는 과학기술정보통신부의 재원으로 정보통신기획평가원의 ‘글로벌 정보보호 고급 인력 양성과제’ 지원을 받아 수행됐다(No. RS-2024-00441762).

서덕규 수상사진314
Award
1 1
<(왼쪽부터) 김주영 교수, 서덕규 박사과정>

우리 학부 김주영 교수 연구실의 서덕규 박사과정 학생이 지난 11월 3일 대만 타이중에서 열린 ‘2026 IEEE 아시아 고체회로 학술대회(IEEE Asian Solid-State Circuits Conference, A-SSCC 2026)’의 학생 설계 경진대회(Student Design Contest, SDC)에서 최우수 디자인상(Best Design Award)을 수상했다.

 

A-SSCC는 IEEE 고체회로학회(SSCS)가 주관하는 아시아 지역의 대표적인 반도체 회로 설계 학술대회이다. 학생 설계 경진대회(SDC)는 학생이 설계하고 실제로 제작한 칩을 대상으로, 라이브 데모와 포스터 발표를 통해 설계의 독창성과 완성도를 평가하는 프로그램이다.

 

수상 논문은 “GAREN: A 890.9 FPS, 412 iter/s 3D Gaussian Splatting Rendering and Modeling Accelerator with Hybrid Sorting, Out of Range Filtering, and Gradient Skipping”으로, 해당 논문은 본 학회의 하이라이트 논문(Highlight Paper)으로도 선정되었다.

 

2
<A-SSCC 2026 시상식에서 Best Design Award를 수상하는 서덕규 박사과정>

3D 가우시안 스플래팅(3D Gaussian Splatting, 3DGS)은 3차원 장면을 수많은 가우시안 입자로 표현해 사실적인 영상을 실시간으로 만들어내는 기술로, AR/VR, 로보틱스, 자율주행 등 다양한 분야에서 주목받고 있다. 그러나 장면을 그려내는 렌더링뿐 아니라 새로운 장면을 학습하는 모델링 과정까지 전력과 메모리가 제한된 엣지 기기에서 수행하기에는 연산량과 메모리 접근량이 지나치게 크다는 한계가 있었다.

 

연구팀은 이를 해결하기 위해 삼성 28nm FD-SOI 공정으로 3DGS 렌더링·모델링 가속기 칩 ‘GAREN’을 개발했다. GAREN은 타일마다 다른 가우시안 분포에 맞춰 정렬 방식을 선택하는 하이브리드 가우시안 정렬 코어(HGSC), 가우시안이 실제로 영향을 주지 않는 픽셀 연산을 타일·블록·청크의 3단계로 걸러내는 3단계 가우시안 필터링(TTGF), 그리고 학습 시 역전파 과정을 앞에서 뒤로(Front-to-Back) 처리하도록 변환해 기여도가 미미한 그래디언트 연산을 조기에 생략하는 F2B 변환 기법을 적용했다.

 

그 결과 GAREN은 초당 890.9프레임의 렌더링 속도와 초당 412회의 모델링 반복 성능을 달성했으며, 기존 3DGS 가속기 칩 대비 렌더링 속도는 2.4배, 모델링 처리량은 2.7배 높은 성능을 보였다. 서덕규 학생은 학회 기간 중 칩의 동작 원리와 각 기법의 효과를 시각적으로 보여주는 인터랙티브 데모를 선보였으며, 실현 가능성을 인정 받아 “최우수 디자인 상”을 수상하였다.

제목을 입력해주세요. 3
Notice

KAIST 전기및전자공학부에서는 첨단 연구 현장을 직접 경험하고, 뛰어난 연구진과 함께 전공 역량을 넓힐 ‘2026학년도 겨울학기 학부생 연구 체험 프로그램’ 참가자를 아래와 같이 모집합니다. 관심 있는 타 대학 학부생 여러분의 많은 관심과 지원 바랍니다.

 

  1. 프로그램명 : 겨울학기 학부생 연구 체험 프로그램
  1. 모집대상: 타 대학 학부생 3학년, 4학년

        – 타대학 재학생 대상

       – 자대생, 졸업생, 휴학생 지원불가

      – 신청일 기준 2학년 2학기 재학생 지원 불가

  1. 모집인원: 30명
  1. 모집기간

     ‣ 신청기간: 2026.11.01.(일) – 2026.11.15.(일)

  1. 체험기간

     ‣ 운영기간: 2026.12.28.(월)~2027.02.02.19(금): 총 8주

  1. 참가신청 바로가기(링크) : https://forms.gle/spWx9ZyQDjvXjx4F8

      ▸참여 연구실 목록과 참가신청서 양식을 반드시 확인하시기 바람 (첨부파일)

  1. 참가자 발표 : 2026.11.27(금) 오후 4시 예정

            (발표일은 변경될 수 있음)            

  1. 문의: 전기및전자공학부 행정팀 (dudwn@kaist.ac.kr)

                     연구관련 엑셀파일의 참여연구실 목록 확인후 연구실로 문의

김성민 교수님 314
Award
1
<김성민 교수 ⓒ머니투데이>

과학기술특성화대학교의 딥테크 스타트업 창업경진대회인 ‘제5회 K-딥테크 스타트업 왕중왕전’에서 우리 학부 교원창업 기업인 ‘밀리트랙’이 부총리상(대상)을 수상했다. 이번 대회는 대학 연구실에서 나온 기술을 창업으로 연결하고, 유망 딥테크 기업의 투자유치와 사업화를 지원하기 위한 행사로, 밀리트랙은 기술의 우수성 뿐만 아니라 시장 수요와 사업화 가능성을 투자업계 전문가들에게 검증 받았다.

 

밀리트랙은 로봇에 부착하는 ‘트래커’와 벽이나 기둥 등 주변 시설물에 설치하는 ‘태그’가 핵심 장치로,경쟁 기술인 초광대역(UWB)보다 정확도가 35배 이상이며 높은 환경 강인성으로, 로봇에 부착하여 극한 환경에서도 신뢰도 높은 자율주행이 가능하다는 것이 특징이다. 안테나 등 하드웨어부터 알고리즘까지 자체 개발한 풀스택 기술로, 기존 자율주행 로봇에 추가로 장착하는 애드온(Add-on) 방식이어서 로봇 교체 필요가 없어 경제성이 높다.

 

2

창업 기업 대표인 김성민 교수는 “자율제조 혁신에 이바지하기 위해 노력하겠다”라는 수상 소감을 전했다. 밀리트랙은 공간지능 인프라 솔루션을 개발하는 회사로, 현재 국내 제철 기업과 조선소에 제품을 공급해 제조 공정 자동화에 활용 중이며 로봇·스마트팩토리 분야 국내외 30여개 기업과 제품 공급 또는 공동 개발을 위한 개념검증(PoC)을 진행하고 있다.

 

관련 기사: https://www.mt.co.kr/future/2026/10/30/2026103013544035478

첫수융합포럼 포스터360 1
Notice

첫수융합포럼 포스터 900

전기및전자공학부와 생명과학과가 함께하는 2026년 11월 첫수 융합포럼이 아래와 같이 개최됩니다.

 

이번 포럼은 AI in Neuroscience를 주제로, 인공지능과 첨단 이미징 기술을 활용하여 뇌의 활동과 구조를 이해하는 최신 연구를 소개합니다.

 

  • 일시: 2026년 11월 11일(수) 12:00–13:00
  • 장소: 창의학습관(E11) 102호
  • 연사 및 강연주제
    • 윤영규 부교수 (전기및전자공학부): Reading the Brain at Scale: Imaging and AI for Neural Big Data
    • 배준환 조교수 (생명과학과):Connectome: AI-Reconstructed Map of the Brain

 

본 포럼은 영어로 진행되며, 간단한 다과가 제공됩니다.

 

전기및전자공학부와 생명과학의 융합 연구에 관심 있는 구성원 여러분의 많은 참여 바랍니다.

이슬기 교수님 썸네일
News

<Section 1> 자기소개와 커리어

 

 

Q1. 간단한 자기소개와 함께 현재 이끌고 계신 EAI Lab 소개 부탁드립니다.

 

안녕하세요. 2026년 2월 KAIST 전기및전자공학부에 새로 부임한 이슬기입니다. 제가 이끄는 연구실은 임베디드 AI 랩(EAI Lab)으로, 이름 그대로 임베디드 시스템과 AI를 함께 연구하는 곳입니다. 지금 우리가 사용하는 AI가 스마트폰, 스마트워치, 로봇, 자율주행차처럼 일상적으로 쓰는 다양한 장치들에 어떻게 적용될 수 있을지를 주로 연구하고 있습니다.

 

 

Q2. 산업계에서 학계로 전환한 계기가 무엇인가요?

 

학부 졸업 후 삼성전자에 입사해 개발자의 길을 걸었습니다. 갤럭시 스마트폰이 처음 만들어질 때 리눅스 커널 운영체제 시스템 개발에 참여했는데, 제품이 출시되고 사람들이 실제로 사용하는 모습을 보면서 큰 보람을 느꼈습니다.

 

그런데 7년쯤 지나자 비슷한 업무가 반복되면서 매너리즘이 찾아왔습니다. 처음에는 구글이나 메타 같은 미국 기업으로 이직하고 싶어 유학을 준비했습니다. 회사를 다니면서 몰래 1~2년 준비해 석사에 지원했는데, 주로 실리콘밸리 쪽 학교에 지원하고 동부는 딱 한 곳만 넣었습니다. 그런데 결국 장학금을 준 곳이 그 동부 학교뿐이어서 그쪽으로 가게 됐습니다.

 

처음에는 교수나 연구자가 될 생각이 전혀 없었습니다. 그런 길은 정말 뛰어난 사람들만 가는 것이라고 생각했으니까요. 그런데 석사를 하다 보니 지도교수님이 박사를 권유하셨고, 어쩌다 보니 박사까지 하게 됐습니다. 미국 생활을 이어가다 보니 한국으로 돌아가고 싶다는 마음이 생겼는데, 돌아가는 길은 회사 아니면 학교뿐이었습니다. 회사는 이미 경험해 봤으니 결국 교수를 선택해 한국에 오게 됐습니다.

 

 

Q3. Nokia Bell Labs와 Mercedes-Benz R&D에서의 인턴 경험이 현재 연구 방향에 어떤 영향을 미쳤나요?

 

석·박사 과정 중 방학을 활용해 두 곳에서 인턴을 했습니다. 첫 번째는 캘리포니아에 있는 메르세데스-벤츠 연구소였습니다. 그곳에서는 컴퓨터 비전을 활용해 택배 기사들이 주소 순서에 맞게 짐을 효율적으로 싣고 내릴 수 있도록 돕는 AI 시스템을 개발했습니다. 차량 이동 동선을 분석해, 먼저 내릴 짐은 바깥쪽에, 나중에 내릴 짐은 안쪽에 배치하도록 안내해 주는 방식이었습니다.

 

그다음 해에는 뉴저지의 노키아 벨 랩(Bell Labs)에서 얼굴 인식 머신러닝 연구를 했습니다. 벨 랩은 여러 노벨상 수상자를 배출하고 반도체·트랜지스터·유닉스·리눅스 같은 기술이 탄생한 곳으로, 굉장히 학구적인 분위기였습니다.

 

두 곳의 분위기는 꽤 달랐습니다. 벤츠 연구소는 빠른 제품화를 추구했고, 벨 랩은 기초 연구 중심이었습니다. 개인적으로는 동부가 더 여유롭고 살기 편했습니다. 실리콘밸리는 물가도 비싸고 복잡해서 거의 서울 같은 느낌이었거든요.

 

 

Q4. UNIST에서 KAIST로 이동한 계기가 무엇인가요?

 

한국에 돌아올 때 여러 대학에 지원했고, 그중 UNIST가 연구 환경이 가장 좋을 것 같아 부임했습니다. UNIST는 정말 좋은 학교이고 지금도 애정을 갖고 있습니다. 다만 고향이 수도권이라 가족과 더 가까운 곳에서 일하고 싶다는 마음이 있었고, KAIST가 역사나 인프라 면에서 더 많은 것을 갖추고 있는 만큼 이곳의 훌륭한 학생들과 함께 연구하고 싶어 오게 됐습니다.

 

 

<Section 2> 연구 철학과 가치관

 

Q1. 연구실 홈페이지의 “우리 연구가 사람들의 삶을 어떻게 개선할 수 있을지 고민한다”는 문구가 인상 깊었습니다. 교수님에게 ‘좋은 연구’란 어떤 연구인가요?

 

좋은 연구에는 두 가지 측면이 있다고 생각합니다. 하나는 기존에 없던 것을 만들어내거나 기존의 것을 혁신적으로 개선하는 학문적 가치이고, 다른 하나는 그 결과를 실제 생활에 적용해 사람들에게 도움을 주는 것입니다.

 

너무 현실 문제만 좇으면 연구라고 보기 어렵고, 그렇다고 상아탑에만 갇혀 있어도 안 됩니다. 학문적으로 가치 있는 새로운 발견이 결국 실생활과도 연결될 수 있다고 믿기에, 이 두 가지가 함께 맞물릴 때 비로소 좋은 연구가 된다고 생각합니다.

 

 

Q2. 교수님이 생각하시는 좋은 멘토링이란 무엇인가요?

 

교수라는 역할은 연구만 하는 것이 아닙니다. 학생들을 잘 이끌고 안내하는 것이 어쩌면 더 중요한 일이라고 생각하기에, 늘 그 책임감을 크게 느끼고 있습니다.

 

가장 이상적인 멘토링은 학생 각자가 가진 재능과 하고 싶은 것을 찾아내어 그 능력을 100% 끌어올려 주는 것이라고 생각합니다. 시행착오를 조금이라도 덜 겪도록 곁에서 돕는 것이 제 역할이라고 봅니다. 학생 개개인이 잘 되면 가족도 행복해지고 나라도 발전합니다. 각자의 능력이 활짝 꽃필 수 있도록 해주는 것, 그것이 좋은 멘토링이라고 생각합니다.

 

 

Q3. 의외였던 분야 간 융합 사례가 있을까요?

 

현재 진행 중인 연구인데, 말초 신경이 손상되면 뇌에서 보내는 운동 신호가 손발까지 전달되지 않아 움직임이 어려워집니다. 이 문제를 해결하기 위해 몸에 이식할 수 있는 작은 칩, 즉 임플란터블 칩을 개발하고 있습니다.

 

이 칩은 뇌 신호를 해석해 “손을 구부려라”, “펴라” 같은 명령을 말초 신경에 직접 전달합니다. 핵심은 이 모든 처리가 외부 컴퓨터 없이 칩 안에서 온디바이스 AI로 이루어진다는 점입니다. 덕분에 환자는 어디서든 자유롭게 생활할 수 있습니다. 이탈리아 밀라노 공대(Politecnico di Milano)와 공동으로 진행하는 프로젝트입니다.

 

이처럼 저희 연구실은 스마트폰, 자동차, 로봇뿐 아니라 바이오 분야까지, 컴퓨터 칩이 들어가는 모든 디바이스에 적용 가능한 연구를 하고 있습니다.

 

 

<Section 3> 연구 분야 — 임베디드 AI

 

Q1. “임베디드 AI(Embedded AI)”라는 개념을 학부생들이 이해하기 쉽게 소개해 주실 수 있나요?

 

임베디드 AI는 임베디드 시스템과 AI의 결합입니다. 임베디드 시스템이란 노트북이나 데스크탑이 아닌, 스마트폰·스마트워치·로봇·신호등·프린터처럼 특정 목적을 위해 설계된 모든 컴퓨팅 장치를 말합니다.

 

현재 우리가 쓰는 AI 서비스는 대부분 데이터센터 서버에서 구동됩니다. 내가 입력한 데이터가 서버까지 갔다가 다시 돌아오는 구조입니다. 임베디드 AI는 이와 달리 AI 모델 자체를 작은 기기 위에 올려서, 서버 연결 없이 기기 안에서 직접 실행하는 기술입니다.

 

이렇게 하면 개인 데이터가 외부로 나가지 않아 프라이버시가 보호되고, 응답 속도도 빨라지며, 나에게 맞춤화된 AI 기능을 일상 기기에서 바로 사용할 수 있습니다. 지금처럼 AI가 막대한 컴퓨팅 자원과 전력을 필요로 하고 소수의 빅테크 기업에 집중되어 있는 문제를 완화할 수 있는 기술이기도 합니다.

 

 

Q2. 마이크로컨트롤러처럼 극도로 자원이 제한된 환경에서 딥러닝을 돌린다는 것이 직관적으로 어렵게 느껴지는데, 이를 가능하게 만드는 핵심 기술적 아이디어는 무엇인가요?

 

임베디드 AI의 가장 큰 도전은 컴퓨팅 자원이 부족하다는 점입니다. 현재의 딥러닝 모델은 크기도 크고, 연산량도 많고, 메모리도 많이 필요하기 때문입니다.

 

그래서 가장 먼저 하는 작업이 모델 경량화입니다. 모델 크기를 100에서 30 수준으로 줄여 연산량과 메모리 요구량을 낮추는 것이죠. 경량화 방법으로는 양자화, 모델 가지치기(pruning), 그리고 큰 모델의 지식을 작은 모델에 전달하는 지식 증류(knowledge distillation) 등이 있습니다.

 

모델을 줄인 다음에는 NPU, 임베디드 GPU, CPU 같은 타깃 하드웨어 아키텍처에 맞게 최적화해서 올립니다. 같은 모델이라도 어떻게 구현하고 실행하느냐에 따라 에너지 소모량, 속도, 메모리 사용량이 10배에서 100배 이상 차이 나기도 합니다.

 

이상적으로는 모델을 줄이지 않고 그대로 올리는 것이지만, 대부분의 경우 타깃 하드웨어 스펙보다 모델이 더 크기 때문에 경량화 과정이 거의 필수적으로 따라옵니다.

 

 

<Section 4> 연구실 생활

 

Q1. 연구실에 합류하는 학생에게 가장 중요하게 보시는 자질은 무엇인가요?

 

제가 생각할 때 가장 중요한 것은 크게 두 가지입니다. 첫째, 이 분야의 비전에 공감하는지, 이 분야에 본능적으로 끌리는지입니다. 둘째, 재미있게 하면서도 포기하지 않는 마음입니다.

 

이 점들이 왜 중요하냐면, 제가 살면서 정말 똑똑한 사람들을 많이 봤지만 “이 사람은 대단하다, 어떻게 이렇게 생각하지?” 싶은 사람은 세 손가락 안에도 꼽기 어렵습니다. 대부분은 평범한 사람들인데, 그런 평범한 사람들이 엄청난 업적을 이뤄냅니다. 포기하지 않고 오래 한 사람, 그 사람이 결국 이기는 겁니다.

 

다만 재미 없이 그냥 포기하지 않고 계속하는 것은 너무 어렵습니다. 어떤 성과를 내려면 꽤 오랜 시간이 걸리니까요. 포기하지 않는 마인드, 내가 끌리는 부분을 계속할 수 있는 힘, 그리고 약간의 상상력. 이게 가장 중요한 것 같습니다.

 

 

Q2. 다양한 배경의 학생들이 연구실에서 성장하는 모습을 보신 경험이 있나요?

 

여러 학생을 봤는데, 특정 학생의 이야기라기보다 전반적으로 이런 패턴이 있는 것 같습니다. 처음에는 연구라는 게 워낙 막연하니 대부분 뭘 해야 할지 모릅니다. 지도교수가 아이디어를 주면 그것을 따라 하는 데 그치곤 하죠. 그런데 석사를 지나 박사 2~3년 차쯤 되면 어느 순간부터 저에게 오히려 알려주기 시작합니다. 그 분야에서는 저보다 더 잘 알게 되는 상황이 오는데, 그런 내용을 눈을 반짝이며 이야기할 때 ‘이 친구가 성장했구나’ 하고 느낍니다.

 

학생들에게 공통적으로 이런 패턴이 나타납니다. 단기간에는 어렵고, 보통 최소 4~5년은 필요하지 않을까 생각합니다. 그래도 대부분의 학생에게서 성장하는 모습이 보이고, 그럴 때마다 정말 뿌듯합니다.

 

 

Q3. EAI Lab의 일반적인 하루 또는 일주일은 어떤 식으로 돌아가나요? 정기 미팅, 세미나, 프로젝트 운영 방식 등이 궁금합니다.

 

대부분의 일상은 다른 연구실과 크게 다르지 않을 것 같습니다. 큰 장점이라면 우리 연구실은 정해진 출퇴근 시간이 없다는 점입니다.

 

연구 진행은 구성원 한 명당 일주일에 1시간씩 무조건 저와 일대일 미팅을 합니다. 진척이 있든 없든 일단 얼굴이라도 보고 미팅을 진행합니다. 공동 연구가 있으면 별도로 미팅을 하고, 2주에 한 번씩 전체 구성원이 모여 세미나도 하고 서로 안부도 나누며 여러 소식을 공유합니다. 또 가능하면 주말에는 연락하지 않으려고 노력합니다.

 

학생들이 너무 바빠 틈이 없으면 뭔가를 생각할 시간이 없습니다. 사람이 새로운 것을 하려면 약간의 틈이 있어야 한다고 생각하는데, 하루 종일 여유를 주자는 것이 아니라 시간에 쫓기면 새로운 것을 하기 어려우니 여유를 좀 주려고 노력하고 있습니다.

 

 

Q4. 학부 인턴이 연구실에 들어왔을 때, 보통 어떤 과정을 거쳐 하나의 연구 프로젝트에 기여하게 되나요?

 

상황에 따라 다릅니다. 우리 분야를 어느 정도 아는 학생이 있는가 하면 잘 모르는 학생도 있기 때문인데, 잘 모르는 경우에는 기본적인 공부를 먼저 하게 됩니다. 연구실 내부에서 오가는 이야기를 이해할 정도가 되면, 그때부터는 독자적인 프로젝트를 주기도 하고, 저희가 하고 있는 연구에 함께 참여해 공동 연구를 하기도 합니다.

 

인턴을 하게 되면 대학원생과 똑같이 모든 것을 동등하게 합니다. 미팅도 일대일로 하고, 세미나도 당연히 함께하고, 회식도 같이합니다.

 

<Section 5> 학부생을 위한 조언

 

Q1. 학부생 시절의 교수님은 어떤 학생이었나요? 지금 돌아본다면 학부 때 더 했으면 좋았겠다 싶은 것이 있나요?

 

학부 때는 특이할 것 없이 평범했습니다. 공부를 아주 열심히 하지는 않았고, 적당히 하면서 전체적으로는 조금 더 노는 분위기였습니다.

 

학부생들에게 조언한다면, 공부 말고도 여러 경험을 해봤으면 좋겠습니다. 우리 KAIST 학생들은 공부를 너무 많이 하는 것 같은데, 제일 중요한 것은 연애도 많이 해보고 내가 어떤 사람인지를 아는 것이라고 생각합니다. 내가 뭘 좋아하고, 뭘 싫어하고, 나의 강점은 무엇이고, 단점은 무엇인지. 이런 것을 알면 앞으로 살아가는 데 큰 도움이 됩니다.

 

이를 위해서는 다양한 경험이 필요합니다. 약간 불편한 상황에 스스로를 자주 놓아야 하는데, 발표하는 걸 싫어하면 발표를 해보고, 운동을 싫어하면 운동을 해보는 식으로 여러 상황에 나를 놓아봐야 내가 어떤 사람인지 알 수 있습니다. 그래야 보완할 것은 보완하고 강화할 것은 강화할 수 있습니다. 사실 이런 경험은 10대 때 선행되어야 하는데 대부분은 그러지 못했다고 생각합니다.

 

 

Q2. 학부생이 자기가 연구에 맞는 사람인지, 그리고 자신에게 맞는 연구 분야를 어떻게 찾을 수 있을까요?

 

저도 지금의 연구 분야를 처음부터 하려던 것은 아닙니다. 처음에는 삼성전자에서 리눅스 커널 시스템 소프트웨어를 다뤘습니다. 유학을 가 보니 미국에서는 그때 이미 AI 연구가 막 시작되고 있었습니다. 저는 운영체제나 시스템 프로그래밍에 강점이 있었는데, AI를 보니 앞으로 크게 유망해질 것 같았습니다. 그래서 두 분야의 교집합을 제 연구 분야로 잡았습니다.

 

처음 이 연구를 시작할 때는 온디바이스 AI라는 개념 자체가 없었습니다. 10년쯤 전이었는데 논문을 쓰면 생소한 분야라며 거절당하곤 했습니다. 그때는 연구 분야를 잘못 정한 건 아닐까 고민이 들었는데, 어느 순간, 몇 년 전부터 모두가 이 분야를 이야기하기 시작했습니다.

 

결국 핵심은, 비전이 있다고 생각하는 것, 흥미롭다고 느끼는 것은 개인마다 다르다는 겁니다. 그러면 그냥 그걸 하면 됩니다. 오히려 남들이 너무 많이 하는 것은 안 하는 편이 좋습니다. 저도 온디바이스 AI를 국내에서는 거의 최초로 시작했습니다. 마음이 끌리는 것을 하면 되는데, 어쩌면 지도교수님이 다른 것을 시킬 수도 있습니다. 그러면 그게 내 전공이 되는 것이고, 마음에 들지 않으면 졸업하고 바꾸면 됩니다.

 

연구 자체가 맞는지 안 맞는지는 해봐야 압니다. 연구실 인턴 같은 것을 통해 직접 경험해봐야 합니다. 연구는 즐거운 작업이자 지적인 유희인데, 분명 안 맞는 사람도 있습니다. 안 맞는다고 느낀다면 다른 일을 찾아야 합니다.

 

 

Q3. 석사와 박사 진학을 고민하는 학부생에게 어떤 말씀을 해주시겠어요?

 

잘 선택했다고 생각합니다. 현실적으로 말하면 요즘은 취업이 좀 힘들고 학부만으로는 한계가 있기 때문에, 석·박사를 하는 것이 당연히 좋다고 생각합니다.

 

개인적인 경험인데, 저는 학부 졸업 후 바로 삼성전자에 취직했습니다. 당시 교수님이 석사 과정을 추천해 주셨지만, 저는 바로 돈을 벌어보고 싶어 거절하고 취업했는데 결국 다시 대학원에 오게 됐습니다.

 

요즘 100세 시대, 나아가 120세 시대라고들 하는데, 그중 5년을 투자하는 것은 나쁘지 않다고 생각합니다. 석·박사를 하면 내가 스스로 문제를 찾고 해결하며, 그것을 사람들에게 도움이 되는 제품이나 서비스로 만드는 과정까지 경험할 수 있습니다. 이걸 할 수 있는 사람은 어디에 가서든 독자적으로 무언가를 해낼 수 있습니다.

 

결국 마음이 가는 분야를 정하는 것이 제일 중요합니다. 처음에는 연구 성과가 나지 않을 수도 있지만, 그래도 꾸준히 하면 진척이 생깁니다. 연구는 장기간의 레이스이니, 포기하지 않고 하면 반드시 좋은 결과가 있을 거라고 생각합니다.

 

 

<Section 6> 미래 전망

 

Q1. 5~10년 후, 임베디드 AI 기술이 우리의 일상을 가장 크게 바꿀 영역은 어디라고 보시나요?

 

지금은 AI가 특정 데이터센터에 얽매여 있습니다. 저희가 그리는 비전은, 우리가 쓰는 모든 컴퓨팅 디바이스—스마트폰, 로봇, 신호등 등—가 각자 지능을 갖게 되는 것입니다. 물론 신호등 같은 데 ChatGPT를 올릴 수는 없겠지만, 각 디바이스가 스스로 학습하고 데이터를 분석해 좀 더 고차원적인 일을 할 수 있는 시대가 옵니다.

 

그렇게 되면 AI 기술이 우리 주변에 쫙 깔릴 텐데, 사용자의 환경을 더 잘 이해하고 개인에게 더 맞춤화된, 마치 공기 같은 서비스가 가능해질 겁니다. 현실적으로는 OpenAI의 ChatGPT나 Anthropic의 Claude에 비용을 내지 않아도 되고, 더 개인화된 영화 <아이언맨>의 자비스 같은 서비스가 나오는 것이죠.

 

그런 디바이스들이 연결되면 서로 집단 지성을 이룰 겁니다. 디바이스끼리 커뮤니케이션하며 배운 지식을 공유하다 보면 인간을 뛰어넘는 새로운 지식이 나올 수도 있고, 그것이 다시 우리 디바이스로 들어오면 나를 더 잘 이해하는 진정한 AI 시대가 오지 않을까 생각합니다.

 

 

Q2. 클라우드 기반 LLM이 점점 강력해지는 상황에서 온디바이스 AI 연구에 집중하는 이유가 궁금합니다. 어떤 문제는 여전히 온디바이스에서 풀어야 한다고 보시나요?

 

거대 모델들은 매우 범용적이고 성능도 좋습니다. 그런데 몇 가지 문제가 있습니다. 첫째, 성능 측면에서 조금만 전문적으로 들어가면 못 하는 경우도 많습니다. ChatGPT나 Claude는 하나의 모델을 전 세계 90억 명이 쓰니, 관심 분야도 지식 수준도 제각각인데 같은 질문에 비슷한 답을 줍니다. 개개인에게 맞춤화된 언어 모델이 가능해진다면, 내 디바이스에서 직접 돌아가는 편이 훨씬 좋습니다.

 

모든 문제를 Claude나 ChatGPT가 풀어줄 수는 없습니다. 특정 업무는 더 잘하는 모델을 따로 만들 수 있습니다. 요즘 트렌드는 LLM 대신 SLM(Small Language Model, 소형 언어 모델)입니다. 각 분야에 특화된 모델을 각자의 디바이스에서 돌리면 더 좋습니다.

 

둘째는 비용과 전력의 문제입니다. 데이터센터에서 AI가 전력을 너무 많이 소모하고 비용도 크게 발생하니, 빅테크들이 지금은 미래의 돈을 당겨와 투자해 서비스하고 있습니다. 이는 지속 가능하지 않기에, 제 생각에는 3~5년 뒤에는 가격이 오를 것입니다. 온디바이스에서 AI를 효율화하는 방법은 이미 데이터센터나 AGI 모델에도 적용되고 있습니다.

 

컴퓨터의 역사를 보면, 1950~60년대에 컴퓨터가 처음 발명됐을 때는 전 세계에 열 대 정도밖에 없었습니다. 그러다 1980년대에 애플이 퍼스널 컴퓨터(PC)를 만들어 모든 사무실과 가정에 보급됐고, 2000~2010년대에 스마트폰이 나와 모든 사람이 컴퓨터를 갖게 됐습니다. AI에 비유하면 지금은 데이터센터에 갇혀 있는 1세대입니다. 이것이 맥북으로, 스마트폰으로 내려올 것이라고 생각합니다.

 

데이터센터에 집중된 큰 모델이 할 수 있는 일이 있고, 작은 모델이 작고 빠르게 할 수 있는 일이 있습니다. 이 둘은 상호 보완적일 텐데, 프라이버시 문제, 레이턴시 문제, 통신 문제 같은 것들이 복합적으로 작용해 큰 AGI 모델이 풀 수 없는 문제를 온디바이스가 풀 수 있다고 봅니다.

 

요즘 저희가 좀 더 해보려는 것은 로봇 쪽 피지컬 AI입니다. 로봇 등에 GPU와 전력 배터리를 잔뜩 달 수는 없으니, 결국 NPU 같은 가속기로 넘어가며 최적화해야 하는데 그것이 바로 임베디드 AI입니다. 삼성, LG, 현대차 같은 곳과 두루 협업하고 있습니다. 스마트폰, 자동차, 로봇, 피지컬 AI 같은 분야에 주로 집중하고 있고, 요즘은 온디바이스 에이전트를 만들려고 하고 있습니다.

 

 

Q3. AI 기술이 급속히 발전하는 시대에, 공학자 또는 연구자로서 사회에 대한 책임감을 어떻게 생각하시나요?

 

우리는 기술자이자 공학자이기에, 새로운 기술이 개발될 때마다 그것이 우리 삶에 어떤 영향을 미칠지 늘 고민해야 한다고 생각합니다. 다만 솔직히 우리가 이런 질문을 아주 깊이 고민하며 개발하는 것 같지는 않습니다. 어떻게 보면 사회 전체가 함께 생각해야 할 문제인데, 사회 전반의 인식이나 제도가 잘 정립되어야 할 것 같습니다.

 

특히 AI는 매우 강력하지만 위험할 수도 있는 도구입니다. 그렇다고 AI 기술 개발을 멈출 수는 없다고 봅니다. 인류의 진보는 계속 일어나야 하고, 공학자도 노력해야겠지만 기술적으로 이를 막을 수는 없습니다. 인간의 근본적인 문제이기 때문에 사회적으로도 인식과 제도로 보완되어야 하지 않을까 싶습니다. 그럼에도 우리는 올바른 방향을 바라보며 가야 한다고 생각합니다.

 

 

Q4. 마지막으로, 이 인터뷰를 읽을 KAIST 학부생들에게 하고 싶은 말씀이 있나요?

 

이렇게 인터뷰해 주셔서 감사합니다. 학생들을 만나게 되어 너무나 기쁘고 벅찹니다. 새로 와서 그런지 기대가 많고, 다시 한번 말씀드리지만 여러분은 충분히 훌륭하고 잠재력이 넘치는 학생들입니다.

 

여러분이 하고 싶은 것을 마음껏 했으면 좋겠습니다. 창업이든, 대학원이든, 연구든, 취업이든 무엇이든 여러분은 다 해낼 수 있고, 저희 학부 교수님들이 여러분을 돕고 있으니 여러분이 잘 되는 것이 곧 저희의 목표입니다. 궁금한 것이 있으면 언제든지 여러 교수님께 연락해 이야기도 나누고 함께 어울렸으면 좋겠습니다.

 

이지환 기자 davidjlee@kaist.ac.kr

배건희 기자 kflying11@kaist.ac.kr

AI는 누구의 권리 위에서 작동하는가 썸네일
News

부제: 데이터, 노동, 책임으로 보는 생성형 AI 윤리

 

1. 데이터의 소유권

 

2022년 이후 생성형 AI 모델들이 쏟아져 나오면서, 한 가지 불편한 질문이 수면 위로 떠올랐다. 이 모델들이 그토록 유창하게 글을 쓰고, 그림을 그리고, 코드를 짜는 능력은 대체 어디서 왔는가. 대답은 단순하다. 인터넷에 존재하는 무수히 많은 사람이 만들어낸 창작물로부터 왔다. 소설, 학술 논문, 뉴스 기사, 블로그 포스트, 그리고 누군가가 심혈을 기울여 그린 그림 한 장까지. AI는 이것들을 먹고 자랐다.

 

문제는 이러한 과정에서 원작자의 동의를 구했는가, 그리고 그들에게 어떤 보상이 돌아갔는가 하는 점이다.

 

현재의 법률은 이 질문에 명확히 답하지 못한다. 미국 저작권법과 한국 저작권법 모두 저작물의 복제·배포·전시를 권리 침해로 규정하지만, AI 학습 과정이 여기에 해당하는지는 여전히 논쟁 중이다. OpenAI, Google, Meta 등 주요 AI 기업들은 학습 데이터 수집이 ‘공정 이용(Fair Use)’ 또는 그에 준하는 면책 조항에 해당한다고 주장해 왔다. 반면 뉴욕타임스는 2023년 말 OpenAI와 Microsoft를 상대로 소송을 제기했고, 게티이미지는 Stability AI를 고소했다. 법정 공방은 아직 진행 중이다.

 

소유권 논쟁의 핵심에는 ‘변환적 사용’이라는 개념이 있다. AI가 저작물을 그대로 복사하는 것이 아니라 패턴을 학습해 새로운 결과물을 만들어 낸다면, 이를 창작적 재해석으로 볼 수 있느냐는 것이다. 공학적 관점에서 보자면, 대규모 언어모델 같은 경우 실제로 원문을 저장하지 않고 수십억 개의 파라미터에 통계적 분포로 압축 및 인코딩을 한다. 그러나 이 논리를 끝까지 따라가면 불편한 결론이 나온다. 인간 작가도 수천 권의 책을 읽고 그 패턴을 뇌에 압축 및 인코딩을 한 뒤에 새로운 글을 쓴다. 그렇다면 AI의 학습과 인간의 독서는 얼마나 다른가.

 

차이는 규모와 의도에 있다. 인간은 책 한 권을 읽는 데 수 시간을 사용하지만, AI는 수백만 건의 저작물을 단 며칠 만에 소화하며, 원작자에게는 아무것도 돌아가지 않는다. 게다가 그 결과물은 원작자와 직접 경쟁하는 상품이 된다. 일러스트레이터의 화풍을 학습한 AI가 그 일러스트레이터의 의뢰를 빼앗는 구조다. 사용과 착취의 경계는 어디인가. 그 경계를 정의하는 것이 바로 이 시대의 입법적·윤리적 과제다. 또한 데이터 소유권 문제는 단순히 법적 권리의 문제가 아니다. 창작 노동의 가치를 어떻게 측정하고 보상할 것인가라는 경제적·철학적 문제이기도 하다.

 

 

2. 보이지 않는 노동

 

ChatGPT가 답변을 생성하는 과정은 신기할 정도로 매끄럽다. 질문을 입력하면 수 초 안에 유려한 문장이 흘러나온다. 이 매끄러움은 AI가 완전히 자동화된 시스템이라는 인상을 준다. 그러나 그 매끄러운 표면 아래에는, 눈에 보이지 않는 수많은 인간의 손이 있다.

 

TIME지의 2023년 탐사 보도에 따르면, OpenAI는 케냐의 아웃소싱 업체를 통해 시간당 약 2달러를 받는 노동자들에게 RLHF(인간 피드백 강화학습) 데이터를 생산하게 했다. 이들은 하루 종일 폭력, 자해, 혐오 발언 등 극단적 콘텐츠를 검토하며 레이블을 붙였다. 심리적 외상을 입은 노동자도 다수였다고 보도됐다. AI의 ‘안전성’은 이들의 정신 건강을 대가로 만들어진 것이다. AI는 인간 노동을 더 싸고, 더 보이지 않는 곳으로 이동시켰다.

 

현대 AI 시스템의 성능은 고품질 레이블 데이터(labeled data)에 크게 의존한다. 자율주행 차량이 보행자를 인식하려면 수백만 장의 이미지에서 사람의 윤곽을 정확히 표시한 데이터가 필요하다. 언어 모델이 유해한 출력을 피하려면 인간 평가자가 수십만 개의 응답에 점수를 매긴 데이터가 필요하다. 이 작업을 수행하는 것이 데이터 라벨러(data labeler)들이다.

 

AI 챗봇이 공감적이고 따뜻하게 느껴지는 것 또한 인간 노동의 산물이다. AI의 응답 스타일을 교정하는 작업에는 대화 설계자와 품질 평가자들이 개입한다. 이들은 AI가 어떤 상황에서 얼마나 공감적이어야 하는지, 어떤 어조가 자연스러운지를 반복적으로 평가하고 조정한다. 이것은 콜센터 상담원의 감정 노동과 구조적으로 다르지 않지만, 그 결과물이 사람이 아닌 기계를 통해 소비된다는 점이 다를 뿐이다. 고객 서비스 AI의 경우, 초기 배포 단계에서는 인간 상담원이 AI의 응답을 실시간으로 검토·수정하는 ‘AI-in-the-loop’ 방식이 흔히 사용된다. 겉으로는 AI가 응답하는 것처럼 보이지만, 실제로는 인간이 그 뒤에서 일하고 있는 것이다. 이를 연구자들은 텔레오퍼레이션(teleoperation) 또는 ‘오즈의 마법사(Wizard of Oz) 방식’이라고 부른다.

 

AI 시대에 노동은 사라지지 않은채로 형태만 변화한다. 공장 노동은 플랫폼 노동으로, 사무직은 데이터 검토직으로, 창작 노동은 AI 출력물의 후처리 작업으로 변환된다. 문제는 이 변환이 대체로 노동자에게 불리한 방향으로 일어난다는 점이다.

 

 

3. 책임의 비대칭성: 데이터의 이익과 피해 사이

 

우리는 클릭 몇 번으로 물건을 사고, 배송을 기다린다. 앱은 우리의 취향을 기억하고, 필요한 상품을 먼저 보여준다. 이 편리함은 이름, 주소, 전화번호, 구매 기록 위에서 작동한다. 데이터는 더 이상 단순한 정보가 아니라 기업의 중요한 자산이다. 그러나 데이터의 활용 권한과 피해의 부담은 같은 곳에 있지 않다. 기업은 데이터를 모아 서비스를 개선하고 새로운 이익을 만든다. 반면 정보가 유출되었을 때 불안을 감당하는 쪽은 개인이다.

 

AI 챗봇 ‘이루다’ 개발사 스캐터랩은 자사의 다른 앱(‘연애의 과학’, ‘텍스트앳’) 이용자로부터 수집한 카카오톡 대화 약 93억 건을 이용자 동의 범위를 벗어나 AI 학습에 활용했다. 이루다 서비스 중 실제 이용자에게 “너희 집 어디야”라고 묻자 실존하는 아파트 동·호수, 지하철역 등 정확한 주소가 답변으로 나왔고, 다른 대화에서는 실명과 계좌번호·예금주명이 그대로 노출된 사례가 다수 보고되었다.

 

AI 시대에는 이러한 비대칭성이 더욱 커질 수 있다. AI는 더 많은 데이터를 필요로 하고, 더 정교한 예측을 수행한다. 그 과정에서 기업은 더 강한 분석 능력과 통제력을 갖게 된다. 하지만 사고가 발생했을 때 책임의 위치는 여전히 모호하다. 누가 설명하고, 누가 보상하며, 누가 재발을 막을 것인지 물어야 한다. 기술의 신뢰는 성능이 아니라 책임의 명확성에서 시작된다.

 

 

4. 기술과 윤리의 간극: 만들 수 있음과 가져도 됨 사이

 

AI 시대에는 이러한 비대칭성이 더욱 커질 수 있다. AI는 더 많은 데이터를 필요로 하고, 더 정교한 예측을 수행한다. 그 과정에서 기업은 더 강한 분석 능력과 통제력을 갖게 된다. 하지만 사고가 발생했을 때 책임의 위치는 여전히 모호하다. 누가 설명하고, 누가 보상하며, 누가 재발을 막을 것인지 물어야 한다. 기술의 신뢰는 성능이 아니라 책임의 명확성에서 시작된다.

 

AI는 이제 글, 이미지, 음악, 코드를 순식간에 만들어낸다. 프롬프트 몇 줄로, 수십 시간의 창작 과정이 압축된다. 몇 초 만에 완성된 결과물은 점점 사람의 작품과 구별하기 어려워지고 있다. 기술은 이미 창작의 속도와 방식을 크게 바꾸고 있음을 모두 느꼈을 것이다.

 

하지만 빠르게 AI를 이용해 만들어진 결과물이 누구의 것일까? 프롬프트를 작성한 사용자가 창작자인지, AI 모델을 개발한 회사가 권리를 가질 수 있는지 논쟁은 계속된다. 학습 데이터가 된 기존 창작자의 기여도는 완전히 지울 수 있을까? AI 콘텐츠는 한 사람의 프롬프트에 의해 나온 단순한 창작물처럼 보이지만, 그 배경은 복잡하다.

 

이 문제는 그저 저작권이 누구에게 있는가에 그치지 않는다. 우리가 창작을 무엇으로 볼 것인지에 관한 질문이기도 하다. 창작이 결과물만을 의미한다면 AI의 생산성은 압도적이다. 그러나 창작이 선택, 해석, 경험의 축적이라면 이야기는 달라진다. AI가 만든 결과물 안에는 수많은 데이터와 인간의 흔적이 남아 있다.

 

기술은 가능한 일을 먼저 보여주고, 윤리는 그 뒤를 따라간다. 이 간극이 커질수록 사회적 혼란도 함께 커진다. 만들 수 있다는 사실이 곧 가져도 된다는 뜻은 아니다. 쉽게 사용할 수 있다고 해서, 그것이 아무 문제 없는 사용이라는 뜻도 아니다. AI 시대의 윤리는 이 차이를 구분하는 데서 출발한다.

 

따라서 우리는 AI를 단순한 창작 도구로만 보아서는 안 된다. 그 결과물이 어떤 데이터와 노동 위에서 만들어졌는지 물어야 한다. 또 그 이익과 책임이 누구에게 돌아가는지도 함께 살펴야 한다. AI 시대의 진짜 질문은 무엇을 만들 수 있는가가 아니다. 그것이 어떤 과정으로 만들어졌고, 그 과정이 정당한가이다.

 

 

5. 마무리하며

 

AI는 이제 더 이상 단순한 질의만 해결하는 챗봇에서 나아가, 인간의 창작활동을 대체하는 수준에 도달했다. 우리는 그 속도와 정교함을 보며 AI의 가능성에 쉽게 감탄한다. 그러나 그 결과물은 아무것도 없는 곳에서 만들어지지 않는다. 그 안에는 누군가의 데이터, 창작물, 기록, 시간이 함께 들어 있다.

 

따라서 AI 시대에 우리가 가져야 할 태도는 단순한 활용 능력이 아니다. 무엇을 만들 수 있는지 묻는 것만으로는 충분하지 않다. 그것이 어떤 과정으로 만들어졌고, 누구의 권리 위에서 작동하는지 함께 묻고 생각하는 태도가 필요하다. 편리함이 누군가의 권리를 지우는 방식이 되지 않도록, 기술을 바라보는 기준 또한 함께 성장해야 한다.

 

AI 시대의 윤리는 거창한 선언에서만 시작되지 않는다. 프롬프트 하나를 입력하고 결과물을 사용하는 순간에도 시작된다. 이 결과물은 누구의 권리 위에서 만들어졌는가. 그 이익은 누구에게 돌아가고, 책임은 누구에게 남는가. AI 시대에 필요한 태도는 기술을 잘 쓰는 능력만이 아닌, 편리함의 대가를 묻고, 그 경계를 스스로 생각하는 태도다.

 

김효린 기자 kaistlyn@kaist.ac.kr

김보빈 기자 kimbobin@kaist.ac.kr

세미나 및 행사