<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