Talk Lowy(kr)

우주로 간 에지 AI: RISC-V 혁명과 소프트웨어 정의 위성의 시대 2026년 현재, 인공지능(AI)과 우주 기술의 융합은 단순한 기술 탐색의 단계를 넘어 실제 궤도 운용 및 산업적 성숙 단계 로 진입했습니다. 최근 구글 트렌드(Google Trends)에서도 AI와 우주 산업에 대한 융합 검색량이 지속적으로 상승하며, 단순한 우주 발사체 경쟁을 넘어 **'궤도 컴퓨팅(Orbital Computing)'**이라는 소프트웨어와 하드웨어 아키텍처의 혁신으로 관심이 이동하고 있음을 보여줍니다. 과거의 인공위성이 지상에서 보낸 명령을 단순히 중계하거나 원시 데이터를 그대로 전송하는 '파이프(Bent-pipe)' 역할에 그쳤다면, 이제는 우주 공간에서 스스로 사고하고 데이터를 처리하는 에지 AI 시스템 으로 거듭나고 있습니다. 이번 포스트에서는 이러한 우주 에지 AI 혁명을 이끌고 있는 RISC-V 하드웨어 아키텍처 와 소프트웨어 정의 위성(Software-Defined Satellites) 트렌드, 그리고 글로벌 패권 경쟁 속에서 얻을 수 있는 기술적 인사이트를 심도 있게 다뤄봅니다. 1. 우주 데이터 폭발과 지상 통신 병목 현상 인공위성에 탑재되는 센서, 고해상도 카메라, 합성개구레이더(SAR) 등이 비약적으로 발전하면서 우주에서 생성되는 데이터의 양은 기하급수적으로 증가하고 있습니다. 그러나 이를 지상국으로 전송하는 무선 통신 대역폭은 물리적 한계가 명확합니다. 대역폭 제한: 위성이 지상국 상공을 지나가는 시간(패스 타임)은 하루에 단 몇 차례, 몇 분에 불과합니다. 지연 시간(Latency): 심우주 탐사는 물론이고 저궤도(LEO) 위성에서도 빛의 속도와 네트워크 중계로 인한 수 초에서 수 분의 전송 지연이 발생합니다. 통신 비용: 테라바이트급 원시 데이터를 매일 지상으로 전송하는 것은 막대한 비용을 초래합니다. 이 문제를 해결하기 위한 유일한 돌파구는 **"위성 내부에서 데이터를 즉시 처리...

SkillOpt vs Agent Lightning: AI 에이전트 최적화, 당신의 선택은? ! SkillOpt vs Agent Lightning 비교 2026년 5월, 마이크로소프트 리서치(Microsoft Research)는 AI 에이전트 개발 커뮤니티에 두 개의 강력한 카드를 내놓았습니다. SkillOpt 와 Agent Lightning . 두 프레임워크 모두 AI 에이전트의 성능을 높이는 것이 목표이지만, 그 접근 방식은 완전히 다릅니다. 많은 개발자들이 묻습니다. "이 두 가지 중 뭘 써야 하죠?" 이 글은 그 질문에 명확하게 답하기 위해 작성되었습니다. 기술적 배경부터 실전 선택 기준까지, 한 번에 정리해 드립니다. --- 🧠 핵심 철학의 차이: 무엇을 최적화하는가? 두 프레임워크의 차이는 "무엇을 최적화 대상으로 삼는가"에서 출발합니다. SkillOpt : 에이전트가 읽는 텍스트 지침(스킬 문서) 을 최적화합니다. Agent Lightning : 에이전트의 행동 패턴과 의사결정 과정 자체를 최적화합니다. 이 차이를 이해하면 선택이 명확해집니다. --- 📄 SkillOpt: "지침을 진화시키는 프레임워크" 작동 원리 SkillOpt는 에이전트가 참조하는 `skills.md` 파일(마크다운 형식의 자연어 지침)을 훈련 가능한 파라미터 처럼 취급합니다. 모델의 가중치(weight)는 전혀 건드리지 않습니다. 핵심 동작 흐름은 다음과 같습니다: 1. 롤아웃(Rollout) : 현재 스킬 문서로 에이전트가 작업을 수행합니다. 2. 반성(Reflection) : 성공/실패 데이터를 분석하여 스킬 문서의 개선점을 제안합니다. 3. 검증 게이트(Validation Gate) : 제안된 수정이 실제로 성능을 향상시킬 때만 반영합니다. 4. 반복 : 이 과정을 반복하며 스킬 문서가 점진적으로 진화합니다. 실측 성능 마이크로소프트 리서치 논문에 따르면, SkillOpt는 6개 벤치마크, 7개 모델, 3개 실...

우주 충돌을 막는 인공지능: 2026년 AI 기반 우주 교통 관리(STM)와 상황 인식(SSA) 트렌드 2026년 현재, 인류는 유사 이래 그 어느 때보다 바쁘고 밀집된 우주 공간을 마주하고 있습니다. 스페이스X의 스타링크(Starlink), 아마존의 프로젝트 카이퍼(Project Kuiper)를 필두로 한 저궤도(LEO) 메가 콘스텔레이션(Mega-Constellations)의 급증으로 지구 궤도를 돌고 있는 인공위성은 수만 대에 달하며, 이에 따라 궤도 상의 충돌 위험 역시 기하급수적으로 증가하고 있습니다. 인공위성 간의 충돌이나 위성과 우주 쓰레기(Space Debris)의 충돌은 단순한 장비 손실을 넘어, 연쇄 충돌로 인해 지구 궤도 전체를 사용할 수 없게 만드는 **'케슬러 신드롬(Kessler Syndrome)'**을 유발할 수 있는 치명적인 위협입니다. 이러한 우주적 대재앙을 예방하기 위해, 2026년 우주 산업계는 인공지능(AI)을 실전 배치하여 **우주 상황 인식(Space Situational Awareness, SSA)**과 **우주 교통 관리(Space Traffic Management, STM)**를 혁신하고 있습니다. 이번 글에서는 2026년 현재 구글 트렌드와 글로벌 우주 컨퍼런스에서 주목받는 AI 기반 우주 교통 관리의 핵심 트렌드 3가지를 깊이 있게 살펴보겠습니다. 1. 멀티모달 데이터 퓨전(Multi-Modal Data Fusion)을 통한 정밀 우주 상황 인식(SSA) 지상과 우주에 배치된 망원경, 레이더, 무선 주파수(RF) 센서 등은 매일 수백만 건의 궤도 관측 데이터를 쏟아냅니다. 그러나 이 데이터들은 측정 방식에 따라 오차 범위가 다르고 포맷이 제각각이어서, 수동으로 통합 분석하기에는 한계가 있었습니다. 2026년의 AI 기반 SSA 시스템은 멀티모달 데이터 퓨전(Multi-Modal Data Fusion) 기술을 활용해 서로 다른 소스의 데이터 스트림을 실시간으로 병합하고 분석합니다. ...

우주로 향하는 인공지능: 구글 트렌드로 본 AI와 우주 기술(Space Tech)의 융합과 미래 인사이트 최근 구글 트렌드(Google Trends)를 분석해 보면 대중과 글로벌 IT 업계의 시선이 '인공지능(AI)'과 '우주 기술(Space Tech)'이라는 거대한 두 축의 교차점에 집중되고 있음을 알 수 있습니다. 특히 2026년 6월 현재, 구글과 스페이스X(SpaceX) 간의 초대형 컴퓨팅 계약과 더불어 6월 12일로 예정된 스페이스X의 IPO 소식은 검색 트렌드의 핵심 키워드로 부상하고 있습니다. 이 글에서는 최근 구글 트렌드 데이터를 바탕으로 급성장 중인 AI와 우주 기술의 융합 현황 을 정리하고, 개발자와 테크 분야 비즈니스 리더들에게 실질적인 도움이 될 만한 미래 인사이트를 전달하고자 합니다. 1. 구글과 스페이스X의 9억 2천만 달러 컴퓨팅 계약: 궤도 AI의 서막 최근 구글 트렌드에서 가장 높은 검색 급상승을 기록한 소식은 구글과 스페이스X가 체결한 월 9억 2천만 달러(한화 약 1조 2천억 원) 규모의 클라우드 컴퓨팅 계약 입니다. 이 대규모 딜의 배경에는 지구상에 구축된 데이터 센터만으로는 해결할 수 없는 '우주 규모의 데이터 처리'와 '초저지연 AI 서비스'에 대한 비전이 깔려 있습니다. 우주와 지상의 실시간 동기화 스페이스X의 스타링크(Starlink) 위성 네트워크는 지구 전역을 연결하는 저궤도(LEO) 통신 인프라를 제공하며, 구글 클라우드는 대규모 인공지능 모델(Gemini 등)을 구동하기 위한 인프라를 제공합니다. 이번 파트너십을 통해 위성에서 수집된 고해상도 지구 관측 데이터, 우주 관측 센서 데이터 등이 구글 클라우드의 AI 모델과 결합하여 실시간으로 분석됩니다. 왜 대규모 우주 컴퓨팅이 필요한가요? (AEO 대응) 답변: 위성이 수집하는 원시(Raw) 데이터의 양은 매일 페타바이트(PB) 단위에 달합니다. 지상으로 이 방대한 데이터를 모두 전송한...

AI 시대의 병목은 GPU가 아니라 전력망이 될 수 있다 한국의 26만 GPU 계획과 일본의 전력 인식 차이를 중심으로 AI 인프라 경쟁을 이야기할 때 우리는 보통 GPU 수량을 먼저 본다. 어느 나라가 NVIDIA GPU를 몇 장 확보했는지, 어느 기업이 Blackwell을 얼마나 도입하는지, 몇 EFLOPS 규모의 AI 슈퍼컴퓨터를 구축하는지가 뉴스의 중심이 된다. 하지만 최근 상황을 보면 진짜 병목은 GPU 자체가 아닐 수 있다. GPU를 확보해도 그것을 꽂을 데이터센터, 그 데이터센터에 공급할 전력, 그리고 그 전력을 실제 위치까지 보내는 송전망이 준비되지 않으면 GPU는 전부 가동할 수 없다. 한국이 NVIDIA로부터 26만 장 이상 규모의 GPU 인프라를 확보하기로 했다는 발표는 이 문제를 매우 선명하게 보여준다. NVIDIA 공식 발표에 따르면 한국 정부, 삼성전자, SK그룹, 현대차그룹, NAVER Cloud 등이 합쳐 25만 장을 넘는 NVIDIA GPU 인프라를 구축할 예정이다. 구체적으로 정부와 클라우드 사업자에 5만 장 이상, 삼성전자에 5만 장 이상, SK그룹에 5만 장 이상, 현대차그룹에 5만 장, NAVER Cloud에 6만 장 이상이라는 구성이 제시되어 있다. 이 숫자는 한국 AI 산업 입장에서는 매우 큰 기회다. 하지만 동시에 질문도 생긴다. “이 GPU를 실제로 어디에서, 어떤 전력으로, 몇 년 안에 돌릴 수 있는가?” 26만 GPU는 단순한 서버 구매가 아니다 26만 장이라는 숫자는 단순히 서버실에 장비를 추가하는 수준이 아니다. Blackwell급 GPU는 한 장당 전력소비가 매우 크고, 이를 랙 단위로 묶으면 기존 데이터센터와는 다른 전력 밀도를 요구한다. NVIDIA 최신 GPU 랙의 전력 사용량은 2020년대 초반의 수십 kW 수준에서 2025년에는 100kW를 넘는 수준으로 올라가고 있으며, 향후 수백 kW급 랙도 현실적인 범위에 들어오고 있다. 한국전력 관계자도 AI 데이터센터의 전력 밀도 상승을 ...

AWS RNG와 NVIDIA CPO 비교 분석 – AI 데이터센터 네트워크의 미래는 어디로 가고 있는가? 최근 AWS가 발표한 RNG(Resilient Network Graphs) 와 NVIDIA가 발표한 CPO(Co-Packaged Optics) 는 모두 AI 시대의 초대형 데이터센터를 위한 핵심 기술로 주목받고 있습니다. 흥미로운 점은 두 기술이 모두 "AI 클러스터의 네트워크 문제"를 해결하려고 하지만, 실제로는 서로 다른 계층의 문제를 해결하고 있다는 것입니다. 많은 기사에서는 RNG와 CPO를 경쟁 기술처럼 소개하지만, 실제 엔지니어 관점에서 보면 둘은 경쟁 관계가 아니라 상호 보완 관계에 가깝습니다. 이번 글에서는 네트워크 아키텍트, DBRE, SRE, 인프라 엔지니어의 시각에서 두 기술을 비교해 보겠습니다. AI 시대에 네트워크가 중요해진 이유 전통적인 서비스 환경에서는 CPU나 스토리지가 병목이 되는 경우가 많았습니다. 하지만 LLM(대형 언어 모델) 학습 환경에서는 상황이 완전히 달라집니다. 예를 들어 GPT, Gemini, Claude와 같은 모델을 학습할 때는 수천~수십만 개의 GPU가 동시에 동작합니다. 실제 학습 과정은 다음과 같이 반복됩니다: GPU 계산 ➔ GPU 간 데이터 교환 ➔ GPU 계산 ➔ GPU 간 데이터 교환 모델 규모가 커질수록 GPU의 계산 능력보다 GPU 간 통신 능력이 전체 성능을 결정하게 됩니다. 이를 흔히 East-West Traffic 문제라고 부릅니다. AI 데이터센터의 핵심 과제는 다음과 같습니다: 더 많은 GPU 연결 (확장성) 더 낮은 네트워크 지연 (Latency) 더 높은 네트워크 처리량 (Throughput) 더 낮은 전력 소비 (Power Efficiency) AWS와 NVIDIA는 각각 다른 레이어에서 이 문제를 해결하려고 하고 있습니다. AWS RNG (Resilient Network Graphs) AWS가 접근한 방법은 토폴로지(T...

SQL Server에서 데이터베이스의 호환성 수준(Compatibility Level)을 변경하는 것은 단순한 "버전 호환성" 이상의 의미를 갖습니다. 실제로는 쿼리 최적화 방식, 카디널리티 추정(Cardinality Estimation), 그리고 지능형 쿼리 처리(Intelligent Query Processing, IQP) 기능의 활성화 여부까지 결정하는 중요한 아키텍처적 선택입니다. 종종 특정 쿼리가 느려졌을 때 호환성 수준을 낮추어 임시로 성능을 복구하곤 합니다. 그러나 이는 데이터베이스 전체 관점에서 최신 엔진이 제공하는 핵심 최적화 기능을 포기하는 대가로 이어집니다. 본 글에서는 SQL Server 호환성 수준 100과 160의 차이점을 Query Store 관점에서 면밀히 분석하고, 최선의 성능 관리 전략을 공유합니다. 1. Compatibility Level 100에서도 Query Store는 작동할까? 가장 흔한 오해 중 하나는 **"구형 호환성 수준(예: 100)에서는 Query Store를 사용할 수 없다"**는 것입니다. 결론부터 말하자면, 그렇지 않습니다. 호환성 수준이 100(SQL Server 2008 수준)으로 설정되어 있더라도, SQL Server 2016 이상 버전에서 데이터베이스가 실행 중이라면 Query Store를 활성화하여 다음과 같은 핵심 기능을 정상적으로 활용할 수 있습니다. 성능 데이터 수집 : 쿼리 텍스트, 실행 계획(Execution Plan), 런타임 통계(평균 실행 시간, CPU 사용량, 논리적 읽기 등) 수집. 실행 계획 비교 : 호환성 수준 변경 전후 또는 특정 시점 간의 실행 계획 회귀(Regression) 감지. 실행 계획 강제 적용(Plan Forcing) : 특정 query_id 에 대해 과거의 안정적인 plan_id 를 강제로 적용하여 쿼리 성능의 일관성 보장. 따라서 호환성 수준이 낮다고 해서 성능 모니터링 및 복구의 핵심 도구인 Que...