미라 무라티(Mira Murati)를 지금 봐야 하는 이유는 OpenAI 전 CTO라는 이력보다 그다음 행보에 있습니다. 그는 ChatGPT와 DALL·E, GPT-4 같은 대중적 생성형 AI 제품의 한복판에 있었고, 이제 Thinking Machines Lab에서 “모두가 자기 목적에 맞게 다룰 수 있는 AI”를 전면에 내세우고 있습니다. AI 경쟁이 모델 크기와 데모 영상만으로 설명되던 단계를 지나, 실제 조직이 어떻게 조정하고 검증해 쓸 수 있느냐로 이동하고 있기 때문입니다.
Thinking Machines Lab의 공식 소개는 현재 AI의 핵심 간극을 세 가지로 정리합니다. 최전선 모델에 대한 과학적 이해가 빠른 성능 향상을 따라가지 못하고, 학습 방법에 대한 지식이 소수 대형 연구소에 집중되어 있으며, 많은 시스템이 사용자의 필요와 가치에 맞게 조정하기 어렵다는 문제입니다. 무라티의 새 회사가 흥미로운 지점은 “더 똑똑한 챗봇”보다 연구 공개, 맞춤화, 협업형 AI를 사업의 언어로 삼는다는 데 있습니다.
미라 무라티는 어떤 인물인가
무라티의 강점은 연구와 제품 사이의 번역 능력에 가깝습니다. Fast Company의 2023년 프로필은 그가 OpenAI CTO로 ChatGPT, DALL·E, GPT-4 같은 제품 개발을 이끈 인물이라고 소개했습니다. Unlearn의 이력 소개도 Tesla Model X, Leap Motion, OpenAI를 거친 경력을 요약하며 연구·제품·안전 조직을 함께 다룬 경험을 강조합니다.
이 이력은 Thinking Machines Lab의 방향을 이해하는 데 중요합니다. 생성형 AI 제품은 모델 성능만으로 성공하지 않습니다. 배포 인터페이스, 피드백 루프, 안전 정책, 개발자 경험, 비용 구조가 함께 맞아야 합니다. 무라티는 바로 그 복합 지점에서 대중 제품을 운영해 본 사람이고, 새 회사에서는 이 경험을 연구자와 개발자가 직접 모델을 조정하는 환경으로 옮기려는 듯 보입니다.
| 구분 | OpenAI 시절의 의미 | Thinking Machines Lab에서의 의미 |
|---|---|---|
| 제품화 | ChatGPT·DALL·E 같은 대중 접점 | 연구자·개발자용 맞춤화 도구 |
| 연구 공개 | 모델 카드와 논문 중심 | 기술 글, 코드, 모델 활용법 공유 강조 |
| 안전 | 배포 전후의 정책·평가 | 실제 사용과 외부 연구를 통한 반복 검증 |
| 차별점 | 범용 모델 경험 | 사용자가 모델을 자기 데이터와 목표에 맞게 조정하는 경험 |
Thinking Machines Lab이 노리는 빈틈
Thinking Machines Lab은 홈페이지에서 “과학은 공유될 때 더 낫다”고 말합니다. 동시에 완전 자율 시스템만을 향하기보다 사람과 함께 작동하는 멀티모달 시스템, 더 유연하고 개인화된 AI, 과학과 프로그래밍 영역의 frontier model intelligence를 강조합니다. 이 표현은 거창해 보이지만, 실제로는 LLM을 조직 안에서 훈련·평가·배포하는 권한을 누가 갖느냐는 문제로 이어집니다.
2025년 7월 CNBC 보도는 Thinking Machines Lab이 20억 달러를 유치했고 a16z가 투자를 주도했으며 Nvidia, AMD, Accel, ServiceNow, Cisco, Jane Street 등이 참여했다고 전했습니다. 금액 자체보다 중요한 것은 투자자 구성이 모델 학습 인프라, 엔터프라이즈 소프트웨어, 반도체 생태계와 맞물려 있다는 점입니다. 맞춤형 AI가 말뿐이라면 이런 조합은 과하지만, 실제 학습·추론·배포 플랫폼을 만들겠다면 필요한 파트너에 가깝습니다.
핵심은 “하나의 거대 모델을 모두가 똑같이 쓰는 시대”에서 “각 조직이 자기 데이터, 평가 기준, 작업 흐름에 맞게 조정하는 시대”로 무게중심이 옮겨가고 있다는 점입니다.
Tinker AI가 보여주는 전략
Thinking Machines Lab의 Tinker는 이 전략을 가장 구체적으로 보여주는 제품입니다. Tinker는 연구자가 모델 학습과 파인튜닝을 제어하되, 복잡한 인프라 운영은 서비스가 맡는 훈련 API로 소개됩니다. 페이지는 forward_backward, optim_step, sample, save_state라는 네 가지 함수로 아이디어를 실험할 수 있다고 설명합니다.
Tinker AI의 초점은 “버튼 하나로 마법 같은 모델을 만든다”가 아닙니다. LoRA처럼 전체 가중치를 모두 바꾸지 않고 작은 어댑터를 훈련하는 방식을 사용해, 데이터셋·알고리즘·강화학습 환경에 집중하도록 돕는 쪽입니다. 공식 FAQ는 사용자 데이터가 사용자의 모델을 파인튜닝하는 데만 쓰이고 Thinking Machines Lab 자체 모델 학습에는 쓰이지 않는다고 밝힙니다. 기업과 연구기관 입장에서는 이 문장이 제품 선택의 중요한 출발점이 됩니다.
| 관점 | 왜 중요한가 | 독자가 볼 체크포인트 |
|---|---|---|
| 제어권 | 연구자가 학습 루프와 샘플링을 직접 다룸 | 내부 평가 기준을 붙일 수 있는가 |
| 인프라 추상화 | GPU 스케줄링과 분산 학습 부담을 줄임 | 비용·재현성·장애 대응이 투명한가 |
| 데이터 정책 | 사용자 데이터를 자체 모델 학습에 쓰지 않는다고 명시 | 계약과 로그 보관 조건이 맞는가 |
| 모델 선택 | 여러 오픈소스 모델을 지원 | 특정 벤더 종속이 줄어드는가 |
이 지점은 국내 기업에도 현실적인 질문을 던집니다. 챗봇을 도입하는 것과 모델을 업무 데이터에 맞게 훈련·평가하는 것은 다릅니다. 후자는 데이터 품질, 보안, 평가셋, 도메인 전문가의 참여가 없으면 실패하기 쉽습니다. 무라티의 새 회사가 주목받는 이유도 “AI 스타 CEO” 이야기보다, 이런 어려운 운영 영역을 제품화하려는 시도에 있습니다.
기대와 한계를 같이 봐야 하는 이유
Thinking Machines Lab의 방향은 매력적이지만 검증해야 할 부분도 분명합니다. 맞춤형 AI는 강력할수록 데이터 거버넌스, 저작권, 보안, 편향, 재현성 문제가 커집니다. 특히 연구자가 직접 학습 루프를 다룰 수 있게 되면 실험 속도는 빨라지지만, 잘못된 평가셋이나 편향된 데이터가 더 빠르게 결과물로 굳어질 수도 있습니다.
또 하나의 변수는 성능 기준입니다. 특정 조직에 맞춘 모델은 공개 벤치마크 점수보다 실제 업무 지표로 판단해야 합니다. 고객 지원, 코드 리뷰, 연구 요약, 의료·금융 문서처럼 영역이 달라지면 실패 비용도 달라집니다. 따라서 Tinker AI 같은 훈련 API를 볼 때는 지원 모델 목록만 볼 것이 아니라, 누가 평가를 설계하고 누가 실패 사례를 책임지는지도 함께 봐야 합니다.
무라티의 커리어는 생성형 AI가 제품이 되는 과정을 보여줬고, Thinking Machines Lab은 그다음 단계인 맞춤화와 연구 접근성의 문제를 겨냥합니다. 독자에게 중요한 질문은 “새 모델이 얼마나 크냐”가 아닙니다. 우리 조직이 AI를 자기 업무에 맞게 고치고, 근거를 남기고, 안전하게 반복할 수 있느냐입니다. 그 질문에 답하는 회사가 다음 AI 인프라의 중심에 설 가능성이 큽니다.
댓글 없음:
댓글 쓰기