Topics
기술 변화를 읽는 네 가지 축
QSike Tech Notes는 단편 뉴스를 모아두기보다, AI 시대의 병목이 어디에서 생기고 서로 어떻게 연결되는지 설명합니다. 처음 읽는다면 각 주제의 입문 순서를 따라가고, 이미 알고 있는 분야라면 전체 글에서 필요한 내용을 골라보세요.
13 TECH NOTES
AI 인프라
모델이 실제 서비스로 움직이기까지 필요한 서버, 추론 칩, 네트워크, 클라우드 구조를 설명합니다. 모델 성능보다 처리량, 지연 시간, 비용처럼 운영 단계에서 드러나는 문제를 봅니다.
핵심 질문: 좋은 모델을 안정적이고 합리적인 비용으로 운영하려면 무엇이 필요한가?
처음 읽는 순서
- 칩보다 AI 인프라가 중요해진 이유: 비용·전력·기가와트 데이터센터까지
AI 경쟁은 GPU와 HBM 확보만으로 끝나지 않습니다. 인프라 비용이 어디에 쓰이는지, 전력과 냉각이 왜 병목이 되는지, 기가와트급 데이터센터 프로젝트가 무엇을 바꾸는지 하나의 가이드로 정리합니다.
이 주제의 전체 글
2026-08-25 RAG만으로 부족한 순간: Context·Knowledge Graph·Ontology를 어디까지 써야 하나 기업 AI에서 'RAG 정확도가 낮다'는 말 속에는 문서 검색, 관계 탐색, 의미·규칙 정의라는 서로 다른 층의 문제가 섞여 있다. Context·Knowledge Graph·Ontology가 각각 무엇을 해결하는지 구분하고, GraphRAG와 온톨로지를 올려야 하는 업무 조건과 운영 비용의 경계를 제품·기술 구조 관점에서 정리한다. 2026-08-02 LLM 모델 양자화란 무엇인가 FP16·BF16 LLM을 INT8·INT4·FP8·NF4로 양자화할 때 무엇이 달라지는지, PTQ·QAT·GPTQ·AWQ·GGUF·bitsandbytes·QLoRA의 차이와 실무 선택 기준을 정리합니다. 2026-07-31 오픈웨이트 LLM은 어디에 배포할까: 구독·API·GPUaaS·로컬의 선택 기준 GLM-5.2를 기준으로 구독형, API, GPUaaS·NPUaaS, 로컬 구동을 비용·통제권·보안·운영 난이도 관점에서 비교하고 배포 전환 기준을 정리합니다. 2026-07-26 AI 에이전트 4종 비교: Hermes Agent·OpenClaw·Codex·Claude Code Hermes Agent, OpenClaw, ChatGPT Codex, Claude Code를 기능 목록 대신 일하는 자리로 비교합니다. 자동화 절차, 멀티채널 게이트웨이, 개발 실행, 코드베이스 워크플로의 차이를 정리합니다. 2026-07-26 딥시크가 보여준 AI 경쟁의 새 문법 량원펑 딥시크 창립자 인터뷰를 바탕으로, GPU 숫자와 예산 너머의 AI 경쟁력—독창성, 조직 능력, 오픈소스, 추론 효율—을 살펴봅니다. 2026-07-26 샌프란시스코 AI 서밋, 공급망의 순간 2026년 7월 샌프란시스코 AI 서밋이 보여준 변화: AI 경쟁은 모델 성능을 넘어 반도체·데이터센터·피지컬 AI·기업 운영을 잇는 공급망 경쟁으로 이동하고 있습니다. 2026-07-25 AI 입력 방식별 토큰 차이 텍스트·음성·이미지 입력은 각각 토큰과 비용이 계산되는 방식이 다릅니다. 업무 자동화에서 입력 형식에 따라 비용·속도·정확도가 어떻게 달라지는지 정리합니다. 2026-07-21 AI 추론칩 경쟁 총정리: 하이퍼스케일러부터 세레브라스, 한국 NPU까지 Google TPU 8i, AWS Trainium3, Microsoft Maia 200, AMD Helios, NVIDIA Vera Rubin, 세레브라스 WSE, 한국 NPU까지 — 추론칩 경쟁이 왜 메모리 용량·대역폭·랙 단위 설계와 토큰당 비용 중심으로 이동하는지 하나로 정리합니다. 2026-07-15 학습·추론·에이전트·멀티모달: AI 사용량을 메모리 수요로 환산하는 방법 학습 가중치, 추론 KV 캐시, 에이전트 루프, 영상 생성까지 같은 계산 틀로 환산하고, 뉴스의 숫자만으로 특정 메모리 수요를 단정할 수 없는 이유를 설명합니다. 2026-07-05 칩보다 AI 인프라가 중요해진 이유: 비용·전력·기가와트 데이터센터까지 AI 경쟁은 GPU와 HBM 확보만으로 끝나지 않습니다. 인프라 비용이 어디에 쓰이는지, 전력과 냉각이 왜 병목이 되는지, 기가와트급 데이터센터 프로젝트가 무엇을 바꾸는지 하나의 가이드로 정리합니다. 2026-07-02 메타 클라우드, AI 에이전트 병목을 풀까 메타가 AI 연산 자원을 외부에 제공하는 클라우드 사업을 검토 중이다. AI 에이전트 시대의 추론 처리 용량 부족을 일부 완화할 수 있을지, GPU와 HBM 메모리 병목은 별개 문제로 남을 가능성을 기술 관점에서 분석한다. 2026-06-29 미국의 AI 게이트와 중국 메모리 부상: 2026 메모리 공급망 총정리 미국이 프런티어 AI 모델 접근을 통제하고, CXMT와 YMTC는 상장으로 자금을 확보하고, 애플은 중국 메모리까지 검토한다. 세 흐름을 하나의 공급망 지도로 정리한다. 2026-06-28 DeepSeek의 DSpark: 모델을 바꾸지 않고 추론 속도를 끌어올리는 법 DeepSeek이 공개한 DSpark는 새 모델이 아니라 speculative decoding 기반 추론 가속 프레임워크입니다. 반자기회귀 후보 생성과 신뢰도 기반 검증 스케줄링으로 실제 서비스 환경에서 생성 속도를 개선하는 방식을 설명합니다.
7 TECH NOTES
반도체·HBM
GPU, HBM, 서버 메모리, 첨단 패키징과 공급망 병목을 기술 구조 중심으로 정리합니다. AI 가속기 하나가 완성되기까지 연산 칩, 메모리, 패키징, 고객 인증이 어떻게 연결되는지 설명합니다.
핵심 질문: 연산 성능이 높아질수록 메모리와 패키징은 왜 더 중요해지는가?
처음 읽는 순서
- AI 서버 메모리 병목 지도: HBM의 역할과 XPU, HBF·HBS, CXL까지
AI 서버에서 GPU와 HBM이 각각 어떤 역할을 하는지, 메모리 대역폭이 왜 병목이 되는지 설명하고, XPU의 메모리 조합, HBF·HBS, CXL까지 메모리 계층 경쟁을 하나의 지도로 정리합니다.
- AI 가속기의 다음 병목: HBM 스택과 첨단 패키징 총정리
HBM 스택 제작과 GPU-HBM 통합 패키징이 어떻게 다른지 설명하고, CoWoS와 TC본더, 유리기판, 초박형 칩 적층 연구까지 패키징 병목을 둘러싼 기술과 공급망을 하나로 정리합니다.
이 주제의 전체 글
2026-09-07 AI 칩 공급 일정, 전공정 증설만으로 앞당길 수 없는 이유 파운드리 웨이퍼 캐파를 늘려도 AI 가속기 출하가 바로 늘지 않는 이유는 첨단 패키징과 테스트 공정이 납기의 관문이기 때문이다. OSAT 자본지출 발표부터 장비 납기, 클린룸 확보, 자격인증까지 걸리는 시간을 따라가며 AI 칩 공급 달력이 실제로 어떻게 정해지는지 살펴본다. 2026-07-19 AI 메모리 경쟁의 다음 변수는 낸드 특허다 키옥시아·Viasat 특허 사건의 제소부터 배심원 평결까지를 시간순으로 정리하고, 평결·항소·제품 조달 위험을 구분해 읽는 기준을 제시합니다. 2026-07-09 HBM4 너머의 AI 메모리 경쟁: 인텔 XBM·ZAM, 삼성 zHBM, 퀄컴 HBC까지 인텔 XBM·ZAM, 삼성 zHBM, 퀄컴 HBC가 HBM 중심 AI 메모리 시장에 던지는 질문을 패키징, 인터커넥트, 3D 적층, 근접 메모리 관점에서 정리합니다. 발표 목표치와 검증된 사양을 구분해 읽는 법도 함께 담았습니다. 2026-07-08 AI 메모리 업황 총정리: 삼성 실적부터 구글·테슬라·메타 수요, 마이크론 공급까지 삼성전자 2분기 메모리 수익성, 구글·테슬라 실적이 보여주는 반복 추론 비용, 메타의 연간 CAPEX와 마이크론의 10년 투자를 기간과 성격을 구분해 하나의 가이드로 정리합니다. 2026-07-04 온디바이스 AI와 AI PC의 메모리 경쟁: 스마트폰부터 통합 SoC까지 AI 스마트폰, 애플 통합 메모리, Intel-NVIDIA x86 RTX SoC 구상을 함께 놓고, 온디바이스 AI가 D램·LPDDR·낸드 수요와 기기 가격을 어떻게 바꾸는지 설명합니다. 2026-06-27 AI 서버 메모리 병목 지도: HBM의 역할과 XPU, HBF·HBS, CXL까지 AI 서버에서 GPU와 HBM이 각각 어떤 역할을 하는지, 메모리 대역폭이 왜 병목이 되는지 설명하고, XPU의 메모리 조합, HBF·HBS, CXL까지 메모리 계층 경쟁을 하나의 지도로 정리합니다. 2026-06-20 AI 가속기의 다음 병목: HBM 스택과 첨단 패키징 총정리 HBM 스택 제작과 GPU-HBM 통합 패키징이 어떻게 다른지 설명하고, CoWoS와 TC본더, 유리기판, 초박형 칩 적층 연구까지 패키징 병목을 둘러싼 기술과 공급망을 하나로 정리합니다.
3 TECH NOTES
데이터센터·전력
AI 확장을 제한하는 전력, 냉각, 입지, 용수, 네트워크와 운영 비용의 연결고리를 봅니다. 기술 경쟁이 물리 인프라 경쟁으로 확장되는 과정을 설명합니다.
핵심 질문: GPU를 확보한 뒤 실제 서비스를 가로막는 물리적 병목은 무엇인가?
처음 읽는 순서
- AI 데이터센터와 전력망 병목 총정리: 한국 메가프로젝트부터 RE100 PPA까지
AI 데이터센터와 반도체 팹의 전력 병목을 전기 확보, 송전망, 냉각의 3단 구조로 정리하고, 한국 3대 메가프로젝트의 투자 규모와 RE100 PPA 계약 구조까지 하나의 가이드로 묶어 분석한다.
- 실리콘 포토닉스와 메모리 전망
실리콘 포토닉스와 CPO(Co-Packaged Optics)가 AI 데이터센터의 네트워크 병목을 어떻게 줄이는지, 그리고 HBM과 경쟁이 아닌 보완 관계라는 점을 기술 관점에서 설명합니다.
이 주제의 전체 글
2026-09-05 데이터센터 전력 경쟁, 설비가 아니라 '숫자 검증'이 관문이다 AI 전력 수요 폭증의 진짜 병목은 발전소가 아니라, 제출된 수요 신청을 누가 걸러내느냐로 이동하고 있다. 텍사스의 474GW 신청 조사와 한국 수도권 계통접속 2% 통과율을 같은 프레임으로 읽고, ERCOT 배치 접속 절차와 한국 계통접속 절차를 나란히 비교한다. 2026-07-10 실리콘 포토닉스와 메모리 전망 실리콘 포토닉스와 CPO(Co-Packaged Optics)가 AI 데이터센터의 네트워크 병목을 어떻게 줄이는지, 그리고 HBM과 경쟁이 아닌 보완 관계라는 점을 기술 관점에서 설명합니다. 2026-06-30 AI 데이터센터와 전력망 병목 총정리: 한국 메가프로젝트부터 RE100 PPA까지 AI 데이터센터와 반도체 팹의 전력 병목을 전기 확보, 송전망, 냉각의 3단 구조로 정리하고, 한국 3대 메가프로젝트의 투자 규모와 RE100 PPA 계약 구조까지 하나의 가이드로 묶어 분석한다.
11 TECH NOTES
AX·업무 자동화
AI 도구가 개인 생산성, 조직 실행, 업무 프로세스 변화로 이어지는 과정을 다룹니다. 모델보다 권한, 승인 흐름, 감사 로그와 업무 재설계가 병목이 되는 장면을 설명합니다.
핵심 질문: AI가 답변을 넘어 실제 업무를 실행하려면 어떤 통제 구조가 필요한가?
FDE·조직 설계 글의 범위
비슷해 보이는 글이 같은 결론을 반복하지 않도록, 의사결정 단계별로 다루는 범위를 구분했습니다.
- 전사 운영 방향
경영진의 전략·가드레일과 현장 학습을 어떤 구조로 함께 운영할지 다룹니다.
- CoE와 FDE의 역할 경계
중앙 표준 조직과 현장 실행 조직이 각각 무엇을 소유하고 연결할지 설명합니다.
- FDE·SI·Citizen Developer 구분
세 역할의 책임 범위와 FDE 양성에 필요한 현장 문제 중심 훈련을 비교합니다.
- AX 인력의 역량 조합
PI 출신과 AI 개발자가 어느 단계에서 주도하고 어떻게 짝을 이룰지 판단합니다.
- 전환 선언 이후의 운영 조건
재교육, 권한, 평가, 조직 경계와 변화 관리를 90일 실행 조건으로 정리합니다.
처음 읽는 순서
- AI 에이전트 도입의 진짜 병목은 모델이 아니라 권한이다
AI 에이전트를 사내에 도입할 때 모델 성능보다 먼저 풀어야 할 권한, 감사 로그, 승인 구조의 설계 원칙을 다룬다.
이 주제의 전체 글
2026-09-09 'MCP가 CLI보다 토큰을 32배 더 먹는다'는 벤치마크, 어디까지 믿어야 하나 MCP 토큰 오버헤드 실측치는 4~32배부터 '호출당 +50토큰'까지 범위가 넓다. 모순처럼 보이는 두 숫자는 서로 다른 도구 구성을 측정한 결과다. 스키마 크기, 세션 길이, 캐싱·필터링 여부라는 세 가지 조건으로 벤치마크를 읽는 법을 정리한다. 2026-09-04 '우리도 FDE 하겠다'는 선언 뒤에 막히는 것들 — 전환을 작동시키는 운영 조건 5가지 KT·SK AX·LG CNS처럼 내부 인력을 FDE로 전환하거나 전담 조직을 신설하는 선언이 잇따른다. 하지만 선언은 직무명을 바꾸는 일이고, 전환은 운영 체제를 바꾸는 일이다. 재교육 설계, 권한 재조정, 평가·인센티브, CoE와의 관계 재정의, 변화 관리라는 다섯 가지 운영 조건이 갖춰지지 않으면 FDE 선언은 간판만 바꾼 파견 인력 운영으로 끝난다. 2026-08-13 AX 인재는 PI 출신이 먼저인가, AI 개발자가 먼저인가 AX 추진에서 PI 역량을 가진 사람이 AI를 먼저 배워야 하는지, AI 개발자가 PI를 먼저 배워야 하는지 비교합니다. 초기 문제 정의는 PI가 이끌고 운영화·확산은 AI/플랫폼 인력과 짝을 이루는 구조를 정리합니다. 2026-08-11 AX를 위한 FDE 양성: SI와 Citizen Developer와 무엇이 다른가 FDE는 현장 업무를 AI 워크플로와 권한·로그·예외 처리 구조로 번역하는 역할입니다. SI, Citizen Developer와의 차이와 양성 방법을 정리합니다. 2026-08-05 기업 소프트웨어의 다음 사용자는 사람이 아니라 AI 에이전트다 AI 에이전트가 기업 소프트웨어의 사용자로 확장될 때 필요한 업무 기능, 작업 단위 권한, 승인 흐름, 실행 로그의 설계 기준을 정리합니다. 2026-08-03 AX, Top-Down인가 Bottom-Up인가 AI 전환에서 전략·가드레일은 위에서 정하고, 실제 업무 적용과 개선 학습은 현장에서 넓히는 이중 운영체제를 정리합니다. 2026-07-30 AX의 다음 병목, 컨텍스트와 암묵지 AX 에이전트가 운영 단계에서 멈추는 이유를 컨텍스트 엔지니어링, 암묵지, 지식 그래프, 온톨로지 관점으로 해설하고 작은 업무 단위의 시작 기준을 정리합니다. 2026-07-29 AX는 CoE보다 FDE가 필요하다 AX가 실험에서 현장 성과로 넘어가려면 중앙 CoE와 현장 FDE형 실행조직을 함께 설계해야 합니다. 역할 경계, 운영 구조, AI 에이전트 실행 기준을 정리합니다. 2026-07-28 AX 성패는 AI가 아니라 데이터 권한에서 갈린다 AX의 성패를 AI Ready Data와 데이터 권한 설계 관점에서 해설합니다. 데이터 계약, RBAC·ABAC 결합, 검색 단계 권한 적용의 실무 기준을 정리합니다. 2026-07-28 AX는 도구 도입이 아니라 E2E Workflow 재설계다 AX(AI Transformation)를 생성형 AI 도구 도입이 아니라 요청부터 실행·검증·학습까지 이어지는 E2E Workflow 재설계로 바라봅니다. Process Innovation을 AI 시대에 확장하는 전략 프레임과 실무 점검 기준을 정리합니다. 2026-07-01 AI 에이전트 도입의 진짜 병목은 모델이 아니라 권한이다 AI 에이전트를 사내에 도입할 때 모델 성능보다 먼저 풀어야 할 권한, 감사 로그, 승인 구조의 설계 원칙을 다룬다.
글을 고르는 기준
- 단기 이슈보다 시간이 지나도 참고할 수 있는 구조 설명을 우선합니다.
- 한 기업의 발표를 다루더라도 그 뒤의 기술 병목과 공급망 조건을 함께 봅니다.
- 확정된 사실, 기업의 목표, 보도 기반 전망을 구분합니다.
- 독자가 다음 글로 이어 읽을 수 있도록 관련 기술과 운영 문제를 연결합니다.