퀄컴 Snapdragon Summit 2026 Day 2

여러분, 좋은 아침입니다. 스냅드래곤 서밋 2일 차에 오신 것을 환영합니다. 2일 차를 아주 흥미로운 대화로 시작해 보겠습니다. 어제 여러분께 AI 스마트폰으로의 전환에 대해 말씀드렸습니다. 이 전환이 어떻게 전개될지 모두 이해하셨기를 바랍니다. 오늘 대화는 실제로 어떤 일이 일어나고 있는지를 보여주는 좋은 사례가 될 것입니다. 오늘 무대에서 저와 이 대화를 나누기 위해 리퀴드 AI의 공동 창업자이자 최고경영자인 라민 하사니를 모시게 되어 매우 기쁩니다. 라민, 이쪽으로 와주시죠. 함께해 주셔서 정말 감사합니다.

함께하게 되어 기쁩니다. 감사합니다.

저도 함께하게 되어 기쁩니다. 오늘 대화를 통해 이 일이 지금 실제로 어떻게 일어나고 있는지 또 하나의 사례를 보여드릴 수 있을 것 같습니다.

그럼 시작하겠습니다. 라민은 정말 훌륭한 분입니다. 콧수염이 있는 분들은 모두 훌륭한 분들이죠. 그럼 시작해 볼까요? 여러분 모두 라민 본인과 리퀴드 AI에 대해 알고 싶어 하실 것 같습니다.

감사합니다. 네, 저는 리퀴드 AI의 공동 창업자이자 최고경영자인 라민 하사니입니다. 3년 반 전에 MIT 컴퓨터과학·인공지능연구소에서 분사해 이 회사를 설립했습니다. 저희는 가장 작은 컴퓨팅 단위에 얼마나 많은 지능 역량을 담을 수 있는지 극대화하는 방법을 10년간 연구해 왔습니다. 바로 디바이스입니다. 저희는 물리적 AI를 구현하고자 했습니다. 물리적 AI 내부에서 작동하는 AI 에이전트를 구현하고자 했습니다. 시간을 조금 앞으로 돌려보면, 리퀴드 AI는 파운데이션 모델 기업입니다. 저희는 에이전트형 행동의 핵심이 될 수 있는 매우 효율적인 모델을 구축하고 있습니다. 저희 기술의 핵심에는 하드웨어 인 더 루프 접근 방식이 있습니다. 이를 통해 처음부터 파운데이션 모델을 설계합니다. 저희는 사후 최적화를 하지 않습니다. 그러한 사후 최적화를 할 수도 있지만, 저희는 그보다 사전에 무엇을 하는지를 중요하게 생각합니다. 저희는 모델을 본질적으로 디바이스 환경에 맞도록 설계합니다.

이를 통해 나오는 기술을 리퀴드 파운데이션 모델, 즉 LFM이라고 부릅니다. 이 LFM은 매우 인기가 높습니다. 저희는 모델 가중치를 공개하고 있습니다. 매주 약 140만 건의 다운로드가 이루어지고 있습니다. 허깅 페이스에서 실제로 이를 확인하실 수 있습니다. 이 모델은 2억 개부터 240억 개의 파라미터에 이릅니다. 이는 웨어러블부터 자동차, 그리고 더 큰 연산 능력을 갖춘 PC에 이르기까지 모든 종류의 디바이스를 지원할 수 있는 계층 구조입니다. 저희는 이 회사에서 두 가지 제품군을 구축했습니다. 모델을 중심으로 저희는 ‘모델 플러스 X’, 즉 디바이스에 배포할 수 있도록 준비된 모델과 하네스를 결합한 것을 구축했습니다. 이것이 첫 번째 제품입니다.

두 번째 제품은 모델 개발 스택입니다. 이를 통해 이러한 기회를 활용하고, B2B 방식으로 OEM들이 자신들의 애플리케이션과 원하는 다운스트림 사용 사례에 맞게 모델과 하네스를 실제로 커스터마이즈할 수 있도록 지원합니다. 목표는 매우 야심 차게 설정되어 있습니다. 저희는 실제 배포를 목표로 하고 있습니다. 웨어러블, 핸드셋, 자동차, PC, 로봇, 산업용 디바이스 전반에서 전 세계 연간 생산 디바이스의 50%에 LFM을 배포하고자 합니다.

이는 매우 훌륭한 목표입니다. 저희는 야심 찬 목표를 좋아합니다. 어제 나눴던 대화를 이어서 말씀드리면, 귀하의 관점에서 현재 AI 여정에서 저희가 어느 단계에 와 있다고 생각하시며, 이제 새로운 단계에 진입하고 있다고 판단하는 근거는 무엇입니까?

AI의 역량이 매우 빠르게 향상되고 있는 것을 확인하고 있습니다. 역량이 기하급수적으로 증가하고 있습니다. 또한 근본적인 수학적 혁신도 나타나고 있습니다. 더 뛰어난 추론 모델이 등장하고 있습니다. 더 긴 시간 동안 더 복잡한 업무 흐름을 처리할 수 있게 되고 있습니다. 항상 괴리가 존재합니다. 지표를 살펴보면, 현재 우리가 보유한 AI 모델에 기반한 개별 제품과 개인 생산성은 언제나 비즈니스 혁신보다 훨씬 앞서 있습니다. 항상 존재하는 격차는 이러한 역량을 어떻게 도입하고 가치, 즉 실제 가치와 연결할 것인가에 관한 것입니다. 그 격차가 늘 문제였습니다. AI 여정에서 저희는 계속 이 문제를 다뤄 왔다고 생각합니다. 저희가 해결해야 할 근본적인 질문은 실제 운영 환경에서 사용할 수 있는 수준의 AI입니다. AI를 어떻게 유용하게 만들 수 있을까요? AI 활용도를 어떻게 높일 수 있을까요? 이는 달성하기가 매우 어려운 과제입니다.

이 여정에서 실제 운영 환경의 AI란 과연 무엇을 의미할까요? 저에게 이는 신뢰할 수 있는 작업 수행을 의미합니다. 신뢰할 수 있는 작업을 수행할 수 있는 에이전트, 그리고 현재 우리가 보고 있는 최첨단 수준에 도달한 매우 높은 품질의 에이전트를 뜻합니다. 검증 가능한 결과물도 필요합니다. 시스템의 결과물이 완전히 검증 가능해야 합니다. 동시에 현재 요구되는 배포상의 제약 조건도 충족해야 합니다. 사용 사례에 따라 개인정보 보호, 연결성, 보안, 민감도 등 매우 다양한 요건이 필요할 수 있습니다. 그리고 사용 사례가 있으며, 배포 환경도 있습니다. 물리적 세계에 배포하는 경우가 있습니다. 클라우드 환경에 배포하는 경우도 있습니다. 기술을 통해 이러한 요건도 충족할 수 있어야 합니다.

하드웨어와 커널, 모델, 에이전트가 모두 서로 함께 공동 설계되는 형태인 이 기술의 다음 물결이 기대됩니다. 그리고 우리가 그 단계에 도달하기 위한 올바른 경로에 있다고 생각합니다.

매우 좋습니다. 에이전트가 수십억 대의 기기 전반에서 차세대 컴퓨팅 플랫폼이 되려면 이제 무엇이 바뀌어야 합니까? 말씀하신 모든 기기에서 말입니다.

다섯 가지가 바뀌어야 한다고 생각합니다. 첫 번째는 품질입니다. 디바이스 인텔리전스에 대해 이야기하고 있습니다. 클라우드의 최첨단 수준 성능과 기기 성능 간의 격차를 줄여야 합니다. 이는 반드시 필요한 일입니다. 제가 보기에 아직 디바이스 인공지능과 로컬 인공지능 혁명이 일어나지 않은 이유 중 하나는 바로 이 품질 기준 때문입니다. 그 품질 기준에 도달하는 것이 첫 번째 과제입니다. 두 번째는 맥락입니다. 기기에 대해 이야기할 때는 기기들의 연결망을 의미합니다. 사용자는 한 기기에서 인공지능을 사용한 다음, 자신의 경험과 선호를 다른 기기에도 이전해 사용할 수 있기를 원합니다. 어떻게 이를 구현할 수 있을까요? 맥락 계층이 필요합니다. 이러한 기기들을 서로 연결하고 기억 계층을 제공하는 무언가가 필요합니다. 세 번째는 하네스라고 말씀드리고 싶습니다.

하네스는 기반 모델을 둘러싼 모든 도구를 의미합니다. 에이전트형 인공지능에 대해 이야기할 때는 모델과 하네스를 함께 의미합니다. 하네스의 조정과 모델의 조정은 동시에 이루어져야 합니다. 네 번째는 물리적 세계의 한계를 이해하는 것입니다. 예를 들어 실제 세계에는 제약이 있고, 디바이스에도 제약이 있으며, 프로세서의 제약을 이해한 다음 이를 다시 모델 설계 과정에 반영해야 한다는 의미입니다. 그것이 바로 공동 설계 과정이 됩니다. 마지막으로 말씀드리고 싶은 것은 언제나 개발자, 개발자라는 점입니다. 기본적으로 대규모 개발자 군단이 필요합니다. 오픈소스로 공개해야 합니다. 개발자들이 기술에 접근해 이를 구축하고, 인공지능을 실제로 수십억 개의 디바이스에 구현할 수 있도록 해야 합니다. 로컬 인공지능에 대해 말씀하시는군요.