AI 데일리 브리핑 — 2026-11-15

기준 시점: 2026-11-15 06:00 KST (Asia/Seoul)
AI 동향 조사 범위: 2026-11-14 06:00 ~ 2026-11-15 06:00 KST
추천 글 범위: 2026-11-08 06:00 ~ 2026-11-15 06:00 KST

---

1️⃣ 주요 모델·연구

이번 조사 범위에서 포함할 만한 주요 신규 발표를 확인하지 못했습니다.

---

2️⃣ AI 제품·서비스

이번 조사 범위에서 포함할 만한 주요 신규 발표를 확인하지 못했습니다.

---

3️⃣ 개발 도구·에이전트

이번 조사 범위에서 포함할 만한 주요 신규 발표를 확인하지 못했습니다.

---

4️⃣ 산업·정책·안전

생성형 AI가 출판시장에 미치는 영향 확대…작가의 생산성 증가와 저작권 분쟁, AI 탐지의 신뢰성 문제가 동시에 부상

• 보도일: 2026-11-14 18:00 KST
• 적용 범위: 생성형 AI, 출판산업, 저작권, 창작자 노동시장, AI 콘텐츠 탐지, AI 사용 공개 정책
• 원문 보도: The Guardian — ‘It’s like the wild west’: how AI has rocked the literary world

---

영국 일간지 The Guardian이 생성형 AI의 확산으로 변화하고 있는 출판산업을 심층 취재한 보고서를 공개했다.

이번 보도는 새로운 AI 규제나 법률이 시행됐다는 소식이 아니다. 작가와 문학 에이전트, 출판 관계자들의 인터뷰와 기존 연구 결과를 종합해 AI가 실제 책의 제작과 유통, 작가의 수익과 출판 계약에 어떤 영향을 주고 있는지 분석한 것이다.

특히 생성형 AI의 활용을 둘러싸고 서로 다른 현상이 동시에 나타난다는 점이 중요하다.

일부 작가는 AI를 활용해 훨씬 많은 책을 제작하고 있다.

반면 다른 작가들은 AI가 자신의 작품을 허락 없이 학습했을 가능성을 문제 삼고 있다.

또한 AI를 사용했다는 의혹만으로 출판 계약과 문학상 수상이 취소되는 사례도 나타나고 있다.

하지만 이런 의혹이 실제로 정확한지 판단하는 기술과 공개 기준은 아직 충분히 정립되지 않았다.

AI로 370권을 제작한 작가의 사례

The Guardian은 로맨스 소설 작가 Coral Hart의 사례를 소개했다.

Hart는 원래 전통적인 출판사를 통해 작품을 발표하던 작가였다.

이후 전자책과 독립 출판 시장으로 활동을 확대했다.

그는 2025년부터 생성형 AI를 이용해 21개의 필명으로 약 370권의 소설을 제작했다고 밝혔다.

이를 통해 상당한 수익을 얻었다고도 설명했다.

다만 이 수치는 작가 본인의 설명이다. 출판된 모든 작품과 수익을 독립적으로 감사한 결과는 아니다.

이 사례를 이해하려면 전자책 시장의 구조를 살펴볼 필요가 있다.

Amazon Kindle Unlimited에서는 독자가 실제로 읽은 분량에 따라 작가에게 수익이 배분되는 구조가 사용된다.

따라서 작가는 많은 책을 출판하는 것뿐 아니라 독자가 계속 읽고 싶어 하는 작품을 만들어야 한다.

Hart는 AI가 작가의 역할을 완전히 대체하는 것이 아니라 반복적인 제작과 편집에 필요한 시간을 줄이는 도구라고 설명했다.

예를 들어 작가가 이야기의 전체 구조와 등장인물, 독자의 취향을 결정할 수 있다.

이후 AI를 이용해 초안을 만들거나 문장의 표현을 수정할 수 있다.

하지만 작품의 완성도가 실제로 어느 정도인지는 별개의 문제다.

AI를 이용해 매우 많은 책을 제작했다는 사실만으로 해당 작품들이 모두 높은 문학적 평가를 받았다는 의미는 아니다.

실제 AI 생성 도서의 비중은 얼마나 될까?

보도에서는 Stony Brook University의 Tuhin Chakrabarty 등이 진행한 연구도 소개했다.

해당 연구는 최근 독립 출판된 도서 가운데 상당한 비중에 AI로 생성된 텍스트가 포함됐을 가능성을 제시했다.

연구팀은 최근 독립 출판된 책 가운데 약 5분의 1에서 전체 텍스트의 25% 이상이 AI로 생성됐을 가능성이 있다고 추정했다.

하지만 중요한 제한이 있다.

이 연구는 아직 동료심사(Peer Review)가 완료되지 않았다.

동료심사는 해당 분야의 다른 연구자들이 연구 방법과 결과를 검토하는 과정이다.

또한 AI 생성 여부를 판별하는 방법 자체에 오류가 존재할 수 있다.

따라서 이 수치를 전체 출판시장의 확정된 AI 도서 비율로 해석해서는 안 된다.

특히 기존 작가의 문체와 AI가 생성한 문장의 특징이 비슷하게 나타날 수 있다는 점을 고려해야 한다.

AI 사용 의혹으로 계약이 취소된 사례

이번 보도는 AI 사용 의혹이 실제 작가와 출판사에 미치는 영향도 다뤘다.

대표적인 사례는 다음과 같다.

여기서 가장 중요한 부분은 AI 사용 의혹과 실제 AI 사용이 입증됐다는 사실을 구분해야 한다는 점이다.

보도에서 언급된 작가들 가운데 일부는 AI로 작품을 작성했다는 주장을 부인했다.

또한 사건마다 출판 계약이 변경된 이유와 출판사의 조사 결과가 다르다.

따라서 모든 사례를 AI 사용 사실이 확정돼 계약이 취소된 사건으로 설명해서는 안 된다.

일부 작가는 AI로 작품을 작성한 적이 없는데도 탐지 도구의 결과가 자신에게 불리하게 활용됐다고 주장하고 있다.

이런 상황에서는 AI 생성 여부를 추정하는 기술의 정확성이 중요해진다.

AI 탐지기의 결과를 증거로 사용할 수 있을까?

일부 출판 관계자와 독자는 AI 탐지 도구를 이용해 작품을 검사한다.

이런 도구는 문장의 통계적 특징과 표현 패턴 등을 분석해 AI로 생성됐을 가능성을 추정한다.

하지만 AI 탐지 결과는 실제 작성 과정을 직접 관찰한 기록과 다르다.

예를 들어 사람 작가가 매우 반복적인 문장 구조를 사용할 수 있다.

또한 영어가 모국어가 아닌 작가의 문체가 특정한 AI 생성 패턴과 비슷하게 평가될 수도 있다.

이런 상황에서 탐지 결과만으로 실제 AI 사용 여부를 확정하면 문제가 발생할 수 있다.

이를 False Positive(거짓 양성)라고 한다.

실제로는 해당 조건에 속하지 않는데 시스템이 조건에 해당한다고 잘못 판단하는 현상이다.

반대로 AI가 작성한 문장을 사람이 크게 수정하면 탐지 도구가 이를 발견하지 못할 가능성도 있다.

이를 False Negative(거짓 음성)라고 한다.

이번 보도에서는 특히 AI 사용 의혹이 비영어권 출신 작가와 소수자 작가에게 불균형하게 적용될 수 있다는 우려도 소개했다.

다만 개별 사례에서 실제로 차별이 발생했는지는 별도의 사실 확인이 필요하다.

AI를 활용한 창작과 저작권 침해는 다른 문제

이번 논쟁에서는 두 가지 문제가 자주 함께 등장한다.

첫 번째는 작가가 AI를 이용해 작품을 작성해도 되는가라는 문제다.

두 번째는 AI 개발기업이 기존 작가의 작품을 학습 데이터로 사용하는 것이 허용되는가라는 문제다.

이 두 문제는 서로 연결돼 있지만 법적으로 완전히 같은 문제는 아니다.

예를 들어 사용자가 AI를 이용해 자신이 구상한 이야기를 작성할 수 있다.

하지만 해당 AI 모델이 학습되는 과정에서 다른 작가의 저작물이 적법하게 사용됐는지는 별도의 문제다.

또한 AI로 생성한 작품의 저작권이 누구에게 귀속되는지도 국가별 법률과 실제 사람의 창작적 기여 정도에 따라 달라질 수 있다.

보도에서는 Anthropic과 작가들 사이에서 발생했던 대규모 저작권 소송과 합의도 언급했다.

하지만 해당 사건은 11월 14일에 새롭게 시작된 소송이 아니다.

기존 저작권 분쟁의 사례로 소개된 것이다.

따라서 이번 보도의 공개 날짜와 개별 법적 사건의 발생 날짜를 구분해야 한다.

AI 사용 공개 의무에 관한 상반된 의견

일부 작가와 출판 관계자는 AI를 사용했다는 사실을 독자에게 명확하게 공개해야 한다고 주장한다.

독자가 실제 사람이 작성한 작품과 AI의 도움을 받아 생성한 작품을 구분할 권리가 있다는 관점이다.

또한 작품의 창작 과정이 실제 출판 계약과 문학상 심사 조건에 영향을 줄 수 있다는 점도 중요하다.

반면 일부 작가는 AI 사용 사실을 공개하면 실제 작품의 품질과 관계없이 강한 비난을 받게 된다고 주장한다.

실제로 AI 사용을 공개한 뒤 온라인 괴롭힘과 위협을 경험한 사례도 보도됐다.

여기서 해결하기 어려운 문제는 AI의 사용 범위다.

예를 들어 맞춤법 검사에 AI를 사용한 경우와 전체 소설의 초안을 AI로 작성한 경우를 같은 기준으로 평가할 수 있을까?

일부 문장의 표현을 수정한 경우와 등장인물, 사건과 전체 서사를 AI가 생성한 경우도 구분해야 할 수 있다.

따라서 실제 출판산업에서 AI 사용 공개 기준을 만들려면 단순히 사용 여부뿐 아니라 어떤 제작 단계에서 얼마나 중요한 역할을 수행했는지도 고려할 필요가 있다.

이번 보도는 생성형 AI가 문학과 출판산업에 미치는 영향이 단순한 생산성 개선에 그치지 않는다는 점을 보여준다.

창작자의 수익과 출판 계약, 저작권과 AI 탐지의 신뢰성, 독자에게 공개해야 하는 정보의 범위가 함께 변화하고 있다.

다만 이번 기사는 새로운 법률의 제정이나 확정된 산업 표준을 발표한 것이 아니라 현재 진행 중인 변화와 분쟁을 취재한 산업 보고서라는 점을 구분해야 한다.

---

📚 추천 글

Declining Consensus Use in a Seven-Machine LLM Agent Fleet

• 저자: Tony Dzi
• 발행: Hugging Face Community
• 게시일: 2026-11-13
• 원문: Hugging Face — Declining Consensus Use in a Seven-Machine LLM Agent Fleet
• 관련 원문: GitHub — claw-consensus

---

여러 AI 에이전트가 하나의 시스템에서 장기간 협력하려면 어떤 관리 체계가 필요할까?

예를 들어 코딩 에이전트 일곱 개가 서로 다른 컴퓨터에서 작업한다고 가정해 보자.

어떤 에이전트는 파일을 수정한다.

다른 에이전트는 프로그램을 배포한다.

또 다른 에이전트는 시스템의 상태를 확인한다.

문제는 이들이 서로의 행동을 충분히 확인하지 않고 동시에 작업할 수 있다는 것이다.

예를 들어 두 에이전트가 같은 파일을 수정하면 한쪽의 변경사항이 사라질 수 있다.

또한 어떤 에이전트가 실제 사용자에게 영향을 주는 작업을 허가 없이 실행할 수 있다.

이런 문제를 해결하기 위해 Consensus Protocol(합의 프로토콜)을 사용할 수 있다.

합의 프로토콜은 여러 참여자가 어떤 변경사항을 실제로 적용할지 정해진 절차를 통해 결정하는 규칙이다.

이번 글은 이런 프로토콜을 실제 AI 에이전트 운영환경에 적용했지만, 시간이 지나면서 에이전트들이 해당 절차를 점점 덜 사용하게 된 사례를 분석한다.

특히 보안 규칙 자체는 정상적으로 작동했지만 실제 사용량이 크게 감소했다는 점이 흥미롭다.

실제 컴퓨터 일곱 대에서 95일 동안 운영

저자는 AI 코딩 에이전트를 일곱 대의 컴퓨터에서 운영했다.

에이전트들은 세 사람의 실제 업무를 지원했다.

작업에는 소프트웨어 개발과 문서 작성, 시스템 운영 등이 포함됐다.

또한 사용자가 직접 대화하는 작업뿐 아니라 일정에 따라 자동으로 실행되는 작업도 포함됐다.

연구팀이 분석한 작업 기록은 다음과 같다.

이 실험은 하나의 중앙 프로그램이 여러 에이전트를 호출하는 일반적인 벤치마크와 다르다.

실제 여러 컴퓨터에서 에이전트가 동시에 작업했다.

따라서 서로 다른 시스템의 파일 상태와 실행 시간, 네트워크 통신과 사용자 승인 문제가 발생할 수 있었다.

실제 변경사항을 적용하기 위한 다섯 단계

저자가 개발한 합의 시스템은 다음과 같은 순서로 작동했다.

1. PROPOSE: 변경사항을 제안한다.
2. COUNTER: 다른 에이전트가 문제나 대안을 제시한다.
3. ACCEPT: 변경 방향에 동의한다.
4. COMMIT: 실제 변경사항을 적용한다.
5. VERIFY: 변경 결과를 확인한다.

이런 절차는 여러 에이전트가 중요한 변경사항을 함부로 적용하는 문제를 줄이기 위한 것이다.

예를 들어 하나의 에이전트가 운영 서버의 설정을 변경하려 한다고 가정해 보자.

먼저 변경사항을 제안한다.

이후 다른 에이전트가 해당 변경의 위험과 영향을 검토할 수 있다.

필요한 승인을 얻으면 실제 변경을 수행한다.

마지막으로 변경 결과를 검사한다.

특히 저자는 위험 수준이 높은 작업에 별도의 인간 승인을 요구했다.

예를 들어 금전적인 행동과 되돌리기 어려운 변경, 외부에 영향을 주는 작업과 비밀정보를 처리하는 작업은 사람이 승인해야 했다.

두 가지 보안 속성은 유지

저자는 다음 두 조건을 프로그램으로 검사했다.

첫 번째는 위험 수준이 높은 작업에 실제로 인간 승인 기록이 존재하는지다.

두 번째는 하나의 변경사항을 서로 다른 두 에이전트가 동시에 확정하지 않았는지다.

분석 결과 위험 수준이 높은 변경사항 27개에는 모두 사전 승인 기록이 존재했다.

또한 하나의 제안이 두 에이전트에 의해 중복 확정된 기록도 발견되지 않았다.

하지만 여기에는 중요한 제한이 있다.

승인 기록이 존재한다는 사실과 실제 사용자의 신원이 독립적으로 검증됐다는 사실은 다르다.

또한 처음부터 작업의 위험 수준이 잘못 분류됐다면 필요한 승인이 누락됐을 가능성도 존재한다.

따라서 이번 결과는 기록된 합의 시스템 안에서 두 가지 규칙이 유지됐다는 의미다.

모든 실제 행동이 안전하게 수행됐다는 보장은 아니다.

합의 절차를 사용하는 횟수는 급격하게 감소

이번 연구에서 가장 중요한 결과는 실제 합의 제안의 변화다.

합의 제안은 7월 121건에서 9월 6건으로 감소했다.

반면 에이전트가 특정한 작업을 맡았다고 선언하는 기록은 크게 증가했다.

이런 현상은 처음에는 에이전트가 합의 절차를 무시하기 시작한 것으로 보일 수 있다.

하지만 연구팀은 단순한 해석을 경계했다.

실제로 운영자는 7월과 8월에 합의 절차를 적용하는 규칙을 변경했다.

따라서 합의 사용량이 감소한 이유를 전적으로 AI 에이전트의 자율적인 행동 변화로 설명할 수는 없다.

또한 작업의 성격도 달라졌을 수 있다.

예를 들어 여러 에이전트가 같은 파일을 수정하지 않도록 관리하는 일에는 복잡한 합의보다 간단한 작업 소유권 선언이 충분할 수 있다.

따라서 실제로 서로 다른 방법을 같은 목적으로 비교할 수 있는지 검토해야 한다.

합의 절차의 대기시간이 실제 운영을 방해

이번 글에서 흥미로운 수치는 실제 변경사항이 확정되기까지 걸리는 시간이다.

저자가 분석한 112개 제안의 중앙값은 162분이었다.

즉 절반의 제안이 확정되는 데 약 2시간 42분 이하가 필요했다는 의미다.

하지만 가장 느린 10%에 해당하는 작업에서는 확정까지 약 9.5일이 걸렸다.

이렇게 긴 지연은 AI 에이전트의 실제 작업 속도를 제한할 수 있다.

예를 들어 간단한 파일 수정에 매번 여러 에이전트의 검토와 승인을 요구한다면 작업을 완료하는 데 불필요한 시간이 필요할 수 있다.

저자는 이런 문제 때문에 간단한 작업에서 더 빠른 소유권 선언 방식이 선호됐을 가능성을 제시했다.

하지만 실제로 어떤 요인이 사용량 감소를 발생시켰는지는 이번 관찰 연구만으로 확정할 수 없다.

알림이 너무 많아도 문제가 된다

연구팀은 문제가 발생했을 때 보내는 알림도 분석했다.

전체 436개 에스컬레이션 이벤트 가운데 375개가 단 8개 제안에서 발생했다.

Escalation(에스컬레이션)은 문제가 해결되지 않았을 때 더 높은 수준의 담당자나 시스템에 알리는 과정이다.

예를 들어 중요한 변경사항이 승인되지 않고 대기 중일 수 있다.

시스템은 해당 작업의 처리가 지연된다는 경고를 반복해서 보낼 수 있다.

하지만 같은 문제를 계속 알리면 실제로 중요한 새로운 경고가 다른 알림에 묻힐 가능성이 있다.

이를 Alert Fatigue(경고 피로)라고 한다.

다만 이번 연구에서는 사용자가 실제로 경고 피로를 경험했는지 직접 측정하지 않았다.

반복적인 경고가 집중되는 현상을 확인했을 뿐이다.

실제 연구의 한계

이번 연구는 하나의 운영 환경을 분석한 사례 연구다.

모든 다중 에이전트 시스템에서 합의 절차의 사용량이 시간이 지나면서 감소한다는 의미는 아니다.

또한 원본 실행 기록에는 개인정보와 실제 업무 내용이 포함돼 있어 전체 로그를 공개하지 않았다.

연구팀은 집계 결과와 계산 스크립트를 공개했지만 외부 연구자가 모든 원본 기록을 독립적으로 검사할 수는 없다.

저자 역시 이러한 제한을 명확하게 설명했다.

이번 글은 AI 에이전트를 실제로 운영할 때 안전한 절차를 설계하는 것만큼 실제 에이전트와 사용자가 그 절차를 계속 따르는지 확인하는 일이 중요하다는 점을 보여준다.

특히 승인 절차가 지나치게 느리거나 복잡하면 실제 업무에서 다른 경로가 사용될 가능성을 고려해야 한다.

---

TiHon-TTS: Vietnamese text-to-speech in 100K parameters, small enough for a microcontroller

• 저자: Nguyen Ngoc Thien
• 발행: Hugging Face Community
• 게시일: 2026-11-13
• 원문: Hugging Face — TiHon-TTS
• 관련 원문: Hugging Face — TiHon-TTS 모델

---

음성 생성 AI를 실행하려면 반드시 수억 개의 파라미터를 가진 모델이 필요할까?

일반적인 TTS 모델은 매우 많은 계산 자원을 사용한다.

TTS(Text-to-Speech)는 텍스트를 사람이 들을 수 있는 음성으로 변환하는 기술이다.

예를 들어 스마트폰의 음성 비서가 텍스트를 읽어줄 수 있다.

또는 전자책 앱이 문서를 음성으로 변환할 수도 있다.

하지만 작은 장난감이나 가전제품, 마이크로컨트롤러에서는 이런 모델을 실행하기 어려울 수 있다.

이번 글은 이런 문제를 해결하기 위해 개발된 TiHon-TTS를 소개한다.

특히 약 10만 개의 파라미터만으로 베트남어 음성을 생성하는 모델을 실제로 제작했다는 점에서 흥미롭다.

파라미터는 신경망이 학습 과정에서 조정하는 숫자 데이터다.

100,118개 파라미터의 초소형 모델

TiHon-TTS의 파라미터 수는 정확히 100,118개다.

32비트 부동소수점 형식으로 저장했을 때 모델의 크기는 약 402KB다.

일반적인 대형 음성 생성 모델이 수백MB 또는 수GB의 메모리를 사용할 수 있다는 점을 고려하면 매우 작은 규모다.

하지만 모델을 작게 만들면 음성의 자연스러움이 떨어질 수 있다.

또한 실제 언어의 발음을 정확하게 처리하기 어려워질 수 있다.

저자는 이를 해결하기 위해 일반적인 음성 생성 모델의 구조를 크게 단순화했다.

음성 생성의 두 단계를 분리

일반적인 TTS 시스템에는 크게 두 종류의 모델이 포함될 수 있다.

첫 번째는 텍스트에서 음성의 특징을 예측하는 모델이다.

두 번째는 실제 음성 파형을 생성하는 Vocoder(보코더)다.

보코더는 음성의 주파수와 시간적 특징을 바탕으로 실제 소리 데이터를 생성한다.

그런데 고품질 보코더만으로도 수천만 개의 파라미터가 필요할 수 있다.

TiHon-TTS는 이 문제를 해결하기 위해 대형 신경망 보코더를 제거했다.

대신 작은 신경망이 다음 정보를 예측하도록 만들었다.

• 음의 높이
• 소리가 나는 구간과 나지 않는 구간
• 음성의 주파수 특성
• 각 음절의 길이와 리듬

이후 실제 음성 파형은 작은 신호처리 프로그램이 생성한다.

DSP(Digital Signal Processing)는 소리와 영상 같은 디지털 신호를 수학적으로 처리하는 기술이다.

이 방식은 실제 소리를 생성하는 데 필요한 신경망의 규모를 크게 줄인다.

하지만 기존 대형 보코더의 자연스러운 음질을 완전히 재현하는 것은 어렵다.

실제로 저자는 생성된 음성에 약간의 기계적인 소리와 불안정한 발성이 존재한다고 설명했다.

베트남어의 언어적 특징을 모델 구조에 반영

이번 연구에서 중요한 부분은 베트남어의 특징을 직접 이용했다는 사실이다.

베트남어는 음절과 성조가 중요한 언어다.

성조(Tone)는 음의 높이 변화가 단어의 의미를 구분하는 역할을 하는 언어적 특징이다.

예를 들어 비슷한 자음과 모음으로 구성된 음절이라도 성조가 다르면 서로 다른 뜻을 나타낼 수 있다.

일반적인 문자 기반 모델은 이런 규칙을 학습 데이터에서 직접 추론해야 할 수 있다.

하지만 모델이 매우 작다면 충분한 언어적 구조를 학습하기 어려울 수 있다.

TiHon-TTS는 각 음절을 다섯 가지 정보로 분해한다.

예를 들어 자음과 모음의 구조, 음절의 마지막 소리와 성조, 문장부호에 관한 정보를 별도로 표현한다.

이렇게 하면 모델이 베트남어의 기본적인 발음 구조를 처음부터 모두 학습해야 하는 부담을 줄일 수 있다.

또한 숫자와 날짜, 시간과 금액은 별도의 규칙으로 실제 발음 형태로 변환한다.

예를 들어 숫자 15%를 그대로 문자 단위로 읽는 대신 베트남어의 실제 표현에 맞게 변환하도록 설계했다.

이런 접근은 모델의 크기를 키우는 대신 언어에 관한 기존 지식을 프로그램에 직접 반영하는 방법이다.

실제 음성 녹음 없이 학생 모델 학습

이번 연구에서 또 다른 특징은 작은 모델을 학습할 때 실제 녹음 데이터를 직접 입력하지 않았다는 점이다.

저자는 먼저 음성 생성 능력을 가진 교사 모델을 사용했다.

이 교사 모델은 약 1,710만 개의 파라미터를 가진 음향 모델이었다.

작은 학생 모델은 교사 모델이 생성한 음성과 발음의 길이, 음의 높이를 학습했다.

이를 지식 증류(Knowledge Distillation)라고 한다.

큰 모델이 가진 능력을 더 작은 모델에 전달하는 학습 방법이다.

실제 학습에는 약 7만8천700개의 베트남어 문장 조각이 사용됐다.

총 학습 단계는 8만 번이었다.

하지만 작은 모델이 실제 인간의 모든 발음을 학습한 것은 아니다.

교사 모델이 가지고 있던 오류와 음색의 특징도 함께 전달받을 수 있다.

저자 역시 이런 한계를 명시했다.

실제 CPU에서 최대 83배 빠른 음성 생성

저자는 모델의 실행 성능을 여러 장치에서 평가했다.

예를 들어 실시간의 40배라는 수치는 실제 40초 길이의 음성을 생성하는 데 약 1초의 계산이 필요하다는 의미다.

다만 이는 저자가 사용한 문장과 하드웨어, 실행 설정에서 얻어진 결과다.

모든 기기에서 같은 속도가 발생하는 것은 아니다.

또한 실제 음성의 자연스러움을 평가하기 위한 충분한 청취 실험은 아직 수행되지 않았다.

이번 연구에서는 주로 인식 정확도와 계산 속도를 평가했다.

마이크로컨트롤러에서도 실행 가능할까?

TiHon-TTS는 Arm Cortex-M과 Ethos-U NPU를 사용하는 환경을 목표로 설계됐다.

NPU(Neural Processing Unit)는 신경망 계산을 효율적으로 수행하도록 만든 반도체다.

마이크로컨트롤러는 일반적인 스마트폰이나 컴퓨터보다 훨씬 적은 메모리와 계산 자원을 사용할 수 있다.

저자는 모델의 일부 계산을 NPU에서 실행하고 나머지를 CPU에서 수행하도록 분리했다.

이 과정에서 약 450KB의 작업 메모리가 필요하다고 설명했다.

하지만 중요한 제한이 있다.

마이크로컨트롤러의 실행 성능은 실제 물리적 기기가 아니라 시뮬레이터에서 측정됐다.

따라서 실제 장치에서 전력 사용량과 발열, 음성 출력 지연이 어떤 수준인지 확인하려면 추가적인 하드웨어 실험이 필요하다.

또한 모델은 CC BY-NC 4.0 라이선스로 공개됐다.

비상업적 사용을 허용하는 라이선스이므로 실제 상용 제품에 적용하려면 별도의 권리 검토가 필요하다.

이번 글은 작은 기기에서 실행하는 AI를 개발할 때 무조건 더 큰 모델을 사용하는 대신 언어의 구조와 신호처리 기술, 하드웨어의 특성을 함께 활용하는 방법이 효과적일 수 있다는 점을 보여준다.

---

Cuttlefish on Mac: Running Android’s Virtual Device Framework Natively on Apple Silicon

• 저자: Meta Reality Labs Engineering
• 발행: Meta Engineering
• 게시일: 2026-11-13
• 원문: Meta Engineering — Cuttlefish on Mac
• 관련 원문: GitHub — Meta qemu-wearables

---

AI 안경과 웨어러블 기기를 개발하는 기업에서는 실제 하드웨어가 완성되기 전에 소프트웨어를 개발해야 할 수 있다.

예를 들어 스마트 안경의 운영체제를 개발한다고 가정해 보자.

개발자는 카메라와 블루투스, Wi-Fi와 화면 출력 기능을 시험해야 한다.

하지만 실제 스마트 안경의 시제품은 수량이 제한적일 수 있다.

또한 수백 명의 개발자가 같은 종류의 기기를 사용하려 한다면 모든 개발자에게 실제 하드웨어를 제공하기 어려울 수 있다.

이를 해결하기 위해 에뮬레이터(Emulator)를 사용한다.

에뮬레이터는 특정한 기기의 하드웨어와 운영체제 동작을 다른 컴퓨터 안에서 재현하는 프로그램이다.

Meta Reality Labs는 이런 목적을 위해 Android의 Cuttlefish를 사용해 왔다.

이번 글은 Cuttlefish를 Apple Silicon 기반 Mac에서 직접 실행하도록 만든 기술적 과정을 설명한다.

Android 에뮬레이터마다 재현 정확도가 다르다

일반적인 Android 앱 개발에서는 가벼운 에뮬레이터를 사용할 수 있다.

하지만 실제 운영체제와 하드웨어의 세부적인 동작을 시험하려면 더 높은 정확성이 필요할 수 있다.

예를 들어 특정한 기기의 블루투스 연결 문제를 분석한다고 가정해 보자.

에뮬레이터가 실제 기기와 다른 네트워크 동작을 수행한다면 개발자가 발견해야 하는 오류를 재현하지 못할 수 있다.

Meta는 이를 해결하기 위해 Cuttlefish를 사용한다.

Cuttlefish는 Android Open Source Project의 가상 기기 프레임워크다.

실제 Android 기기에서 사용하는 시스템 이미지와 비슷한 실행 환경을 제공하도록 설계됐다.

하지만 기존 Cuttlefish의 주요 실행 환경은 Linux였다.

Meta Reality Labs의 여러 개발자는 Apple Silicon 기반 Mac을 사용했다.

따라서 일부 개발자는 가벼운 Goldfish 에뮬레이터를 사용해야 했고, 다른 개발자는 Linux의 Cuttlefish를 사용했다.

이런 상황에서는 서로 다른 테스트 환경을 유지해야 하는 부담이 발생한다.

QEMU를 Mac에서 실행하도록 수정

Meta는 Cuttlefish를 Mac에서 실행하기 위해 QEMU를 사용했다.

QEMU는 여러 종류의 컴퓨터 아키텍처와 가상 기기를 실행하도록 지원하는 오픈소스 가상화 소프트웨어다.

기존 Cuttlefish는 Linux에서 주로 crosvm을 사용했다.

Meta는 Cuttlefish에 과거에 존재하던 QEMU 지원을 다시 활성화했다.

이후 Apple Silicon과 macOS의 특성에 맞게 여러 부분을 수정했다.

대표적인 변경은 다음과 같다.

Hypervisor(하이퍼바이저)는 하나의 컴퓨터에서 가상 머신을 실행하고 관리하는 소프트웨어 계층이다.

Apple은 macOS에서 Hypervisor.framework라는 가상화 인터페이스를 제공한다.

하지만 기존 QEMU의 구현에서는 Cuttlefish가 필요로 하는 메모리 영역을 충분히 관리하지 못하는 문제가 있었다.

Meta는 이를 해결하기 위해 관련 추적 기능을 확대했다.

또한 QEMU의 일부 가상 장치 기능이 Linux를 전제로 작성돼 있었으므로 macOS에서도 빌드하고 실행할 수 있도록 변경했다.

Mac에서 실제 Android 기기를 조작하는 경험

Meta는 개발자가 가상 Android 기기를 실제로 조작할 수 있도록 화면과 입력 기능도 수정했다.

예를 들어 마우스 클릭을 Android의 터치 입력으로 변환했다.

또한 Mac의 기본 그래픽 인터페이스를 이용해 가상 기기의 화면을 표시하도록 만들었다.

이렇게 하면 개발자가 별도의 웹브라우저 기반 원격 화면 없이 실제 가상 기기를 직접 조작할 수 있다.

또한 그래픽의 색상 형식과 화면 배치도 수정했다.

이번 변경을 통해 테스트할 수 있는 기능에는 다음이 포함된다.

• 블루투스 연결과 페어링
• Wi-Fi 및 셀룰러 네트워크
• 3D 그래픽
• 무선 소프트웨어 업데이트
• Fastboot 기반 기기 관리
• 가상 기기의 상태 저장과 복원

특히 무선 소프트웨어 업데이트를 가상환경에서 시험할 수 있다는 점은 실제 웨어러블 제품의 안정성과 연결된다.

실제 제품에 잘못된 업데이트가 배포되면 수많은 기기가 정상적으로 작동하지 않을 수 있기 때문이다.

AI 코딩 에이전트와의 연결

이번 글은 AI 코딩 에이전트의 발전과도 연결된다.

예를 들어 에이전트가 Android 앱의 코드를 수정했다고 가정해 보자.

코드가 컴파일된다는 사실만으로 실제 기기에서 정상적으로 작동한다고 판단할 수는 없다.

에뮬레이터에서 프로그램을 실행하고 실제 화면과 동작을 검사해야 할 수 있다.

또한 테스트가 실패하면 이전 상태로 돌아가 다시 실행할 수 있어야 한다.

Cuttlefish는 가상 기기의 상태 저장과 복원 기능을 제공한다.

이를 Snapshot(스냅샷)이라고 한다.

스냅샷은 특정한 시점의 실행 환경을 저장하고 이후 같은 상태로 복원하는 기능이다.

AI 코딩 에이전트가 같은 프로그램을 반복해서 수정하는 상황에서는 이런 기능이 중요하다.

예를 들어 특정한 오류가 발생하기 전의 상태로 돌아가 다른 수정 방법을 시험할 수 있다.

이렇게 하면 여러 에이전트가 같은 실제 기기를 사용하면서 충돌하는 문제를 줄일 수 있다.

Meta의 수정사항은 오픈소스로 공개

Meta는 이번 변경사항을 두 가지 형태로 공개했다.

첫 번째는 Meta가 관리하는 QEMU의 수정 버전이다.

두 번째는 Android Cuttlefish에 적용할 수 있는 패치 모음이다.

Patch(패치)는 기존 소스코드에 적용할 변경사항을 기록한 자료다.

Meta는 관련 변경을 QEMU와 Android Open Source Project의 공식 프로젝트에도 반영하는 방법을 검토하고 있다고 설명했다.

다만 현재 공개된 수정사항이 모두 공식 QEMU와 AOSP의 기본 버전에 병합됐다는 의미는 아니다.

일부 변경은 Meta가 관리하는 저장소와 별도의 패치 형태로 제공된다.

이번 글은 AI 기기를 개발할 때 실제 AI 모델의 성능뿐 아니라 운영체제와 하드웨어를 충분히 재현할 수 있는 개발환경이 중요하다는 점을 보여준다.

특히 AI 코딩 에이전트가 작성한 코드를 실제 실행 환경에서 반복적으로 검증하려면 가상화와 자동화된 테스트 인프라가 함께 발전해야 한다는 점에서 참고할 만한 사례다.

---

Who will teach AI to speak Somali?

• 저자: Sharmarke Mohamed
• 발행: Geeska
• 게시일: 2026-11-14
• 원문: Geeska — Who will teach AI to speak Somali?

---

AI 모델이 특정한 언어를 충분히 학습하지 못하면 어떤 문제가 발생할까?

일반적으로는 해당 언어로 질문했을 때 답변이 부자연스럽거나 문법적으로 잘못된 표현이 나타나는 상황을 생각할 수 있다.

하지만 실제 문제는 그보다 복잡할 수 있다.

예를 들어 사용자가 특정한 언어로 의료정보를 질문한다고 가정해 보자.

AI가 해당 언어를 충분히 이해하지 못하면 질문의 실제 의미를 잘못 파악할 수 있다.

또한 위험한 요청을 위험한 요청으로 인식하지 못할 수도 있다.

이런 상황에서는 단순한 번역 품질의 문제가 실제 사용자의 안전과 연결된다.

이번 글은 소말리아의 언어정책과 AI 학습 데이터의 불균형을 연결해 언어를 사용하는 지역사회가 직접 AI 학습과 평가에 참여해야 한다는 관점을 제시한다.

특히 소말리어의 역사와 공개 웹 데이터, 실제 안전성 평가 결과를 함께 분석했다는 점에서 흥미롭다.

소말리어는 국가적인 노력으로 표준화된 문자 언어

소말리어는 오랫동안 풍부한 구전문화와 시의 전통을 가지고 있었다.

하지만 현대적인 표기법을 국가적으로 통일하는 과정은 비교적 최근에 진행됐다.

소말리아는 1972년에 공식적인 소말리어 표기 체계를 채택했다.

이후 정부는 문자 교육을 전국으로 확대했다.

1974년에는 많은 학생과 교사가 농촌 지역으로 이동해 문자 교육을 진행했다.

이 과정은 국가가 특정한 언어의 기록과 교육을 확대하기 위해 얼마나 많은 노력을 기울여야 하는지 보여준다.

하지만 반세기가 지난 현재 새로운 문제가 등장했다.

인터넷에 존재하는 소말리어 텍스트가 현대 AI 모델의 언어적 기준을 결정하고 있다는 사실이다.

예를 들어 AI 모델은 공개 웹사이트에서 수집한 텍스트를 학습에 사용할 수 있다.

하지만 어떤 종류의 소말리어 자료가 실제 인터넷에 많이 존재하는지는 우연한 요인의 영향을 받을 수 있다.

뉴스와 정치 관련 글이 많을 수 있다.

반면 과학과 의료, 법률에 관한 체계적인 설명 자료는 상대적으로 적을 수 있다.

이런 불균형은 실제 AI의 응답 품질에도 영향을 줄 가능성이 있다.

Common Crawl에서 소말리어 자료의 비중

이번 글은 웹 데이터 수집 프로젝트인 Common Crawl의 통계를 소개한다.

Common Crawl은 공개 웹페이지의 내용을 수집하고 연구용으로 제공하는 프로젝트다.

일부 대형 언어모델은 Common Crawl의 데이터를 학습에 활용해 왔다.

글에서 제시한 최근 통계는 다음과 같다.

소말리어의 비중은 네덜란드어보다 약 300배 낮았다.

하지만 이 통계를 전 세계 모든 AI 학습 데이터의 실제 언어별 비중으로 해석해서는 안 된다.

Common Crawl은 공개 웹에서 수집한 자료이며, 실제 AI 개발기업은 다른 종류의 데이터도 학습에 사용할 수 있기 때문이다.

또한 웹페이지의 수와 실제 텍스트의 품질은 서로 다른 문제다.

예를 들어 언어별 웹페이지 수가 같더라도 문서의 길이와 내용, 정확성이 다를 수 있다.

데이터의 양뿐 아니라 품질도 문제

이번 글은 소말리어 연구자 Khalid Yusuf Dahir가 공개한 SomaliWeb 연구를 소개한다.

연구자는 기존의 공개 소말리어 자료를 분석했다.

그 결과 이미 정제됐다고 알려진 일부 데이터셋에서도 상당한 품질 문제가 발견됐다.

예를 들어 문자의 인코딩이 잘못돼 실제 내용을 읽기 어려운 문서가 존재했다.

또한 정확히 같은 문서가 여러 번 반복된 사례도 있었다.

연구자가 확인한 특정 데이터셋에서는 절반 이상의 문서에 잘못된 문자가 포함돼 있었다.

약 6분의 1은 정확하게 중복된 문서였다.

이런 데이터로 모델을 학습하면 문제가 발생할 수 있다.

예를 들어 같은 문장이 반복적으로 등장하면 모델이 해당 표현을 실제 언어 사용에서보다 지나치게 중요하게 학습할 수 있다.

또한 잘못된 문자가 포함된 자료를 대량으로 학습하면 실제 소말리어의 철자와 표현을 잘못 학습할 가능성이 있다.

연구자는 수집한 소말리어 자료 가운데 약 60%가 뉴스와 블로그에서 비롯됐다고 설명했다.

반면 백과사전과 전문적인 설명 자료는 1% 미만이었다.

이는 AI가 소말리어로 일반적인 시사 문제는 비교적 잘 설명할 수 있더라도 전문적인 의료와 법률 질문에서는 필요한 표현을 충분히 학습하지 못했을 가능성을 제시한다.

다만 실제 정확성은 모델의 아키텍처와 다른 학습 데이터의 구성에도 영향을 받는다.

언어별 안전성 평가에서 큰 차이

이번 글은 SomaliBench라는 연구도 소개한다.

SomaliBench는 언어모델이 소말리어의 위험한 요청을 올바르게 이해하고 처리하는지 평가한다.

연구자는 100개의 유해 요청을 준비했다.

이후 같은 의미의 질문을 영어와 소말리어로 작성했다.

네 개의 오픈 모델을 이용해 두 언어에서의 응답을 비교했다.

한 모델은 영어로 작성된 100개 요청을 모두 거부했다.

하지만 소말리어로 작성된 같은 요청에서는 7개만 거부했다.

가장 높은 소말리어 거부 점수도 60개 수준이었다.

하지만 여기에는 중요한 제한이 있다.

모델이 소말리어로 작성된 유해 요청을 거부하지 않았다고 해서 항상 유해한 답변을 실제로 제공했다는 의미는 아니다.

일부 모델은 질문 자체를 이해하지 못했다.

잘못된 언어로 답변하거나 전혀 관계없는 문장을 생성하는 경우도 있었다.

즉 안전성을 위반한 결과 가운데 일부는 실제로 위험한 지침을 제공한 경우가 아니라 언어 이해의 실패에서 발생한 것이다.

또한 연구에 사용한 모델은 비교적 작은 오픈 모델들이었다.

모든 상용 프런티어 모델에서 같은 결과가 발생한다고 판단해서는 안 된다.

저자 자신도 AI 서비스를 개발하고 있다

이번 글에서 주목할 부분은 저자의 입장이다.

Sharmarke Mohamed는 교육과 의료, 취업 지원에 사용하는 AI 서비스를 개발하는 기업을 운영하고 있다.

따라서 소말리어 AI의 신뢰성이 단순한 학술적 문제가 아니라 실제 서비스의 책임과 연결된다는 점을 강조한다.

저자는 소말리어 사용자를 대상으로 AI 서비스를 제공하려는 기업이 다음 조건을 충족해야 한다고 주장한다.

• 실제 소말리어 사용자가 평가에 참여해야 한다.
• 의료와 교육 같은 중요한 분야에서 언어별 안전성을 검증해야 한다.
• 학습 데이터의 제공과 사용에 지역사회가 참여해야 한다.
• 평가 결과를 외부에서 확인할 수 있도록 공개해야 한다.

이는 단순히 소말리어 데이터를 더 많이 수집하자는 제안과 다르다.

어떤 자료를 누가 제공하고, 어떤 조건으로 학습에 사용하며, 실제 사용자에게 충분히 안전한지 누가 검증하는가라는 문제를 함께 다룬다.

AI의 언어적 불균형은 실제 서비스 품질의 문제

이번 글의 관점은 소말리어뿐 아니라 다른 언어에도 적용할 수 있다.

예를 들어 특정한 지역의 사투리와 전문용어가 AI의 학습 데이터에 충분히 포함되지 않았을 수 있다.

이 경우 일반적인 대화에서는 자연스러운 답변을 제공하더라도 실제 의료나 법률, 금융 업무에서는 오류가 발생할 가능성이 있다.

또한 영어에서 높은 안전성 점수를 기록한 모델이 다른 언어에서도 동일한 성능을 제공한다고 판단해서는 안 된다.

특히 여러 언어를 지원하는 AI 서비스에서는 단순한 번역 정확도뿐 아니라 실제 업무의 이해와 위험한 요청의 탐지, 문화적 맥락까지 평가해야 한다.

이번 글은 AI의 언어 문제를 단순히 모델의 성능과 데이터 부족으로만 설명하지 않는다.

언어를 사용하는 지역사회가 자신의 지식과 기록을 어떤 방식으로 AI에 제공하고, 실제 모델의 결과를 어떻게 검증할 것인지도 중요한 사회적·기술적 문제라는 관점을 제공한다.