AI 업계에는 물리 문제가 있다 — 그리고 그 대가로 소매업체는 8,900억 달러를 잃고 있다

지난해 한 패션 브랜드가 새로 개발한 AI 가상 착용 도구를 저에게 보여줬습니다. 그들은 그것을 자랑스러워했고, 솔직히 정말 놀라워 보였습니다. 사용자가 셀카를 업로드하고 드레스를 고르면, AI가 그 옷을 입은 멋진 이미지를 렌더링해 주었죠. 조명은 부드러웠고, 원단은 아름답게 흘러내렸으며, 핏은 완벽했습니다.

바로 그게 문제였습니다. 핏이 항상 완벽했으니까요.

저는 그들에게 이런 시도를 해보라고 했습니다. 누가 봐도 사이즈 12인 사람의 사진을 업로드하고 사이즈 6 드레스를 선택해 보라고요. AI는 지퍼가 팽팽하게 당겨지는 모습을 보여주지 않았습니다. 솔기가 뜯길 듯 당겨지는 모습도 보여주지 않았죠. AI는 드레스를 왜곡해 몸을 완벽하게 감쌌습니다 — 아니, 더 나쁘게는 드레스에 맞추려고 몸을 은근슬쩍 왜곡했습니다. 그것은 피팅룸이 아니라 환상의 거울이었습니다. 그리고 그 환상을 보고 구매한 모든 고객은 결국 제품을 반품하게 될 터였습니다.

그 시연은 제가 VeriPrajna에서 몇 달째 씨름해 온 무언가를 명확하게 만들어 주었습니다. AI 업계에는 지능 문제가 있는 게 아닙니다. 물리 문제가 있는 것입니다. 생성 모델은 픽셀 일관성을 위해, 즉 이미지가 올바르게 보이도록 만드는 데 최적화되어 있습니다. 하지만 현실 세계에서 원단에는 인장 강도가 있습니다. 음파에는 저작권자가 있습니다. 그리고 반품으로 마진이 줄줄 새거나 유니버설 뮤직 그룹(Universal Music Group)의 소송에 직면했을 때, '대체로 맞음'은 비즈니스 모델이 될 수 없습니다.

이것은 우리가 엔터프라이즈 AI에 대한 지배적인 접근 방식을 버리고 근본적으로 다른 무언가를 구축한 이유에 관한 이야기입니다.

8,900억 달러짜리 환상의 거울

모든 이커머스 경영진의 잠을 설치게 할 만한 수치가 있습니다. 소매업의 소비자 반품액은 추정치로 총 8,900억 달러(2024년)에 달했습니다 — 전미소매협회(National Retail Federation)에 따르면 말이죠. 백만이 아닙니다. 십억입니다. 그리고 의류가 최악의 주범입니다 — 온라인 의류 반품률은 지속적으로 25~30%를 넘어서며, 일부 하이패션 카테고리는 성수기에 50%에 이릅니다.

근본 원인은 복잡하지 않습니다. 사람들은 사진만으로는 옷이 맞을지 알 수 없습니다. '잘못된 사이즈, 나쁜 핏, 색상'이 전체 반품의 55%를 차지합니다. 이러한 불확실성은 이른바 '브래키팅(bracketing)'이라 불리는 소비자 행동을 낳았습니다 — 같은 셔츠를 세 가지 사이즈로 사서 집에서 입어보고 두 개를 반품하는 것이죠. 2024년에는 Z세대 소비자의 51%가 이렇게 한다고 인정했습니다. 그들은 침실을 피팅룸으로, 우편 서비스를 반품 컨베이어 벨트로 바꿔 놓았습니다.

반품 한 건을 처리하는 데는 소매업체에게 평균적으로 품목 구매가의 27%가 듭니다. 배송, 검수, 세탁, 재포장 — 어차피 할인 판매로 끝날 수도 있는 품목에 이 모든 비용이 드는 것이죠. 마진을 태워버리는 소각로입니다.

패션 업계에는 전환 문제가 있는 게 아닙니다. 진실 문제가 있는 것입니다. 정보를 주는 대신 아첨하는 AI는 그저 반품 사이클을 가속화할 뿐입니다.

그래서 업계는 기술로 눈을 돌렸습니다. 생성형 AI로 구동되는 가상 착용 도구 — GAN, 확산 모델, 온갖 무기들 말이죠. 그리고 이 도구들은 한 가지에 탁월합니다. 바로 판매입니다. 이들은 클릭률과 초기 전환을 위해 최적화됩니다. 꿈을 파는 것이죠.

다만 현실을 전달하지는 못합니다.

생성형 AI는 왜 핏을 환각하는가?

저희 팀이 생성형 가상 착용에 대한 믿음을 접은 정확한 순간을 기억합니다. 우리는 확산 모델 기반 시스템 — 자금이 넉넉한 곳들 중 하나 — 을 실제 의류 샘플과 벤치마킹하고 있었습니다. 신축성이 사실상 전혀 없는, 거칠고 뻣뻣한 데님 재킷이 있었죠. 우리는 시스템에 사용자 사진과 재킷 이미지를 입력했습니다.

AI는 아름다운 결과를 렌더링했습니다. 재킷이 완벽하게 맞았죠. 물리적 현실에서는 왼팔조차 소매에 넣을 수 없었을 몸에 말입니다.

제 공동 창업자는 화면을 보며 말했습니다. "저건 재킷을 입어보는 게 아니야. 재킷을 포토샵하는 거지." 정확히 맞는 말이었습니다. 확산 모델의 목적 함수는 픽셀 일관성 — 학습 데이터를 고려할 때 출력 이미지가 통계적으로 그럴듯해 보이도록 만드는 것입니다. 인장 강성이라는 개념이 없습니다. 거친 데님이 늘어나지 않는다는 것을 모릅니다. 원단에 대해 아무것도 모르는 것이죠.

이는 세 가지 연쇄적 실패를 낳습니다:

핏 환각. 모델은 몸을 감싸도록 의류를 왜곡하거나, 의류에 맞추도록 몸을 왜곡합니다. 어느 쪽이든 고객은 거짓을 보게 됩니다. 업계 분석은 이에 대해 직설적이었습니다. "가상 착용은 실제 정확성이 부족하고, 원단의 거동을 무시하며, 옷이 실제로 어떻게 맞고 느껴지는지에 대해 고객을 오도할 수 있다."

텍스처 저하. GAN은 모드 붕괴(mode collapse)를 겪습니다 — 레이스, 자수, 복잡한 직조 같은 섬세한 디테일이 뭉뚱그려져 일반적인 패턴으로 흐려집니다. 확산 모델은 때때로 실제 제품에는 없는 디테일을 지어냅니다. 이제 고객은 핏과 외관 모두에 놀라게 됩니다.

종이 인형 효과. 대부분의 2D 기반 시스템은 옷의 평면 이미지를 사용자 위에 붙일 뿐입니다. 깊이 지각이 없습니다. 원단이 엉덩이의 곡선 위로 어떻게 드레이프되고 허리에서 어떻게 모이는지에 대한 이해가 없죠. 헐렁하거나 흘러내리는 옷 — 드레이프가 곧 스타일인 옷 — 의 경우, 결과물은 쓸모가 없습니다.

우리는 판매도 늘리고 반품도 대략 비슷한 정도로 늘리는 기술을 보고 있었습니다. 마진에 대한 순 영향: 미미하거나, 어쩌면 마이너스. 바로 그때 저는 완전히 다른 아키텍처가 필요하다는 것을 깨달았습니다.

드레스를 상상하는 대신 시뮬레이션하기

돌파구는 더 나은 신경망이 아니었습니다. 가상 착용을 이미지 생성 문제가 아니라 기계공학 문제로 다루겠다는 결정이었습니다.

VeriPrajna에서 우리는 제가 '결정론적 코어, 확률론적 엣지'라고 부르는 아키텍처를 구축했습니다. 옷이 맞는지를 결정하는 부분인 코어는, CLO3D나 Marvelous Designer 같은 도구에서 전문 패션 디자이너가 사용하는 것과 유사한 물리 시뮬레이션 엔진입니다. 우리는 옷 이미지로 신경망을 학습시키지 않습니다. 실제 의류의 CAD 패턴을 수집하고, 거기에 실제 원단의 물리적 속성을 부여합니다.

이것은 들리는 것보다 훨씬 중요합니다. 모든 원단에는 측정 가능한 기계적 속성이 있습니다. 굽힘 강성(실크처럼 드레이프되는가, 데님처럼 뻣뻣하게 버티는가?), 전단 강성(바이어스 방향에서 어떻게 거동하는가?), 인장 강성(장력을 받으면 얼마나 늘어나는가?), 내부 감쇠(몸 위에 어떻게 안착하는가?), 좌굴 비율(어떻게 뭉치고 모이는가?). 우리 시뮬레이션은 이 모든 것에 맞춰 보정됩니다.

그 결과, 사이즈 12의 몸이 우리 시스템에서 사이즈 6 드레스를 입어보면, 시뮬레이션은 실제 피팅룸에서 일어날 일을 정확히 보여줍니다. 응력선이 나타납니다. 어떤 재단사라도 알아볼 허리의 'X' 패턴이 생깁니다. 원단이 눈에 띄게 잠기지 않습니다. 아첨이 아닙니다. 정직입니다.

우리는 환상의 거울을 물리 엔진으로 대체했습니다. 옷이 맞지 않으면 시뮬레이션이 그것을 보여줍니다 — 응력선, 당김, 잠기지 않는 원단. 정직이 아첨보다 비즈니스에 더 낫다는 것이 밝혀졌습니다.

저는 전체 기술 아키텍처 — PBR 렌더링 파이프라인, 천 시뮬레이션 파라미터, 미분 렌더링 합성 — 를 저희 연구의 인터랙티브 버전에서 다뤘습니다. 하지만 핵심 통찰은 간단합니다. 물리 엔진은 환각을 만들 수 없습니다. 계산할 뿐입니다. 그리고 계산은 생성과 달리 결정론적입니다.

가장 어려운 부분은 물리가 아니었다

예상치 못한 점은 이것이었습니다. 물리 시뮬레이션은 쉬운 부분이었습니다. 정말로 어려운 문제는 고객이 신뢰할 만큼 결과를 진짜처럼 보이게 만드는 것이었습니다.

완벽하게 정확한 물리 시뮬레이션이라도 조명이 형편없으면 사진에 붙여넣은 비디오 게임 애셋처럼 보입니다. 고객은 한 번 보고 무시해 버리죠. 우리는 정확성 문제를 풀고서 신뢰성 문제를 만들어낸 것이었습니다.

바로 여기서 우리는 AI를 다시 끌어들였습니다 — 의류를 생성하기 위해서가 아니라, 조명과 통합의 과제를 풀기 위해서요. 우리는 물리 기반 렌더링(PBR)을 사용해, 물리적으로 정확한 공식으로 빛이 원단 표면과 어떻게 상호작용하는지 모델링합니다. 기본 색상을 위한 알베도, 빛이 어떻게 산란하는지를 나타내는 러프니스 맵(면 대 새틴), 능직의 직조 같은 미세한 표면 텍스처를 위한 노멀 맵 등을 활용하죠.

하지만 진짜 마법은 그 3D 의류를 고객의 2D 사진 속에 배치할 때 일어나는 일에 있습니다. 디지털 드레스의 조명이 고객 방의 조명과 맞지 않으면, 전체가 가짜처럼 보입니다 — 이미지 위에 철썩 붙인 스티커처럼요.

우리는 이 문제에 몇 주를 쏟았습니다. CNN 기반 환경 추정이 충분히 좋은지, 그림자 캐칭이 너무 과한지, 의류 가장자리의 라이트 래핑이 너무 미묘한지를 두고 밤늦게까지 논쟁했죠. 특정한 어느 목요일이 있었습니다 — 피자를 시켰는데 다 식어버렸기 때문에 기억납니다 — 그때 우리 렌더링 책임자가 비교 화면을 띄웠습니다. 우리의 합성 이미지 옆에 같은 옷을 입은 같은 사람의 실제 사진을요. 우리 셋은 어느 쪽이 어느 쪽인지 구분하지 못했습니다. 넷째 사람은 구분했지만, 지퍼 손잡이의 미묘한 색온도 불일치를 알아챘기 때문일 뿐이었죠.

바로 그 순간, 저는 우리가 뭔가를 해냈다는 것을 알았습니다.

이 기법은 미분 렌더링이라고 불립니다 — 장면 자체를 다시 렌더링하지 않고 3D 객체가 장면에 미치는 효과를 계산하는 것이죠. 그림자 캐처, 사용자 사진에서 추정한 환경 맵, 표면하 산란을 시뮬레이션하기 위한 가장자리의 라이트 래핑. 의류는 사용자의 실제 다리 위에 사실적인 그림자를 드리웁니다. 단추는 사용자의 눈에 비치는 것과 같은 창문 빛을 반사합니다.

가상 착용은 실제로 어떤 지표를 최적화해야 하는가?

바로 여기서 비즈니스 측면이 흥미로워지고, 제 생각에 업계 대부분이 이것을 거꾸로 이해하고 있습니다.

생성형 AI 가상 착용은 전환율을 최적화합니다. 환상을 파는 것이죠. 우리 시스템은 순매출 — 매출에서 반품을 뺀 값 — 을 최적화합니다. 진실을 보여줌으로써, 그 진실이 '이건 당신에게 맞지 않습니다'일 때조차, 우리는 마진을 죽이는 반품 사이클을 막습니다.

우리는 이미지뿐만 아니라 데이터도 출력합니다. 우리 시스템은 핏 신뢰도 점수(Fit-Confidence Score) — 예컨대 '허리 95% 일치, 엉덩이 60% 일치' 같은 것 — 를 생성합니다. 이는 직관에 반하는 일을 합니다. 때때로 구매를 단념시키기도 합니다. 하지만 시스템이 단념시키지 않은 구매는 거의 반품되지 않습니다. 그리고 고객은 다음번에 시스템을 더 신뢰하게 됩니다. 신뢰는 쌓입니다. 반품은 그렇지 않습니다.

사람들은 불리한 핏 정보를 보여주는 것이 전환율을 해치지 않느냐고 제게 묻습니다. 짧은 답: 그렇습니다, 처음에는요. 더 긴 답: 잃게 되는 고객은 어차피 제품을 반품했을 고객들입니다. 매출을 잃는 게 아닙니다 — 2주 후 반품이 들어오면 증발할 매출의 환상을 잃는 것입니다.

또 다른 지뢰밭: 생성형 오디오가 법적 시한폭탄인 이유

우리가 패션을 위한 물리 엔진을 구축하는 동안, 우리는 동시에 그에 못지않게 위험한 영역을 헤쳐 나가고 있었습니다. 바로 오디오입니다. 그리고 여기서 문제는 물리가 아니라 법입니다.

음악과 음성 산업은 생성형 AI를 둘러싼 실존적 위기의 한가운데에 있습니다. 유니버설 뮤직 그룹, 소니 뮤직, RIAA는 Suno와 Udio 같은 AI 기업을 상대로 대규모 소송을 제기했습니다. 핵심 쟁점은 이것입니다. 대부분의 생성형 오디오 모델은 웹에서 긁어모은 저작권 있는 음악으로 학습되었다는 것이죠. 어떤 기업이 이런 모델 중 하나를 사용해 징글을 생성했는데 그 결과물이 의도치 않게 저작권 있는 작품을 모방한다면 — '재현(regurgitation)'이라 불리는 현상 — 그 기업은 침해에 대한 책임을 지게 됩니다. 그리고 이 모델들은 블랙박스이기 때문에, 나오는 결과물의 출처를 검증할 수 없습니다.

상황은 더 나빠집니다. 현행 미국 저작권청(U.S. Copyright Office) 지침에 따르면, 상당한 인간의 개입 없이 오로지 AI에 의해서만 창작된 작품은 저작권 보호 대상이 되지 않습니다. 즉, 어떤 브랜드가 순수 생성형 도구를 사용해 소닉 로고를 만들면, 그것을 소유할 수 없다는 뜻입니다. 그것은 공용 영역(public domain)으로 들어갑니다. 경쟁사가 자유롭게 사용할 수 있죠. 상업적 IP에게 이것은 시작조차 할 수 없는 조건입니다.

당신의 AI 오디오가 어디서 왔는지 증명할 수 없고 그것이 만들어낸 것을 소유할 수도 없다면, 당신에게는 자산이 아니라 부채가 있는 것입니다.

우리는 이 벽에 일찍부터 부딪혔습니다. 한 광고 대행사가 캠페인용 AI 생성 음성 작업을 원하며 우리를 찾아왔습니다. 그들은 인기 있는 텍스트-투-스피치 도구를 사용해 왔는데, 막 중단 요구 서한(cease-and-desist letter)을 받은 참이었죠. 그 도구는 알고 보니 알아볼 수 있는 어떤 배우의 샘플이 포함된 음성 데이터로 학습되어 있었습니다. 누구도 그것을 확실히 증명할 수는 없었지만 — 블랙박스니까요 — 누구도 그것을 반증할 수도 없었습니다. 그 캠페인은 보류되었습니다.

실제로 합법적인 AI 오디오는 어떻게 만드는가?

우리는 '처음부터 생성한다'는 패러다임을 완전히 거부함으로써 이를 해결했습니다. 대신, 우리는 변형적인 워크플로우를 두 가지 심층 기술을 사용해 구축했습니다: 딥 소스 분리(Deep Source Separation)와 검색 기반 음성 변환(RVC)입니다.

딥 소스 분리는 완성된 오디오 파일을 그 구성 스템 — 보컬, 드럼, 베이스, 악기 — 으로 분리(unmix)하는 과정입니다. 케이크를 다시 반죽으로 되돌리는 것이라 생각하면 됩니다. 불가능하게 들리지만, 현대 딥러닝은 이를 놀라울 만큼 효과적으로 해냈습니다. 우리 엔진은 오디오 스펙트로그램에서 작동하는 U-Net 아키텍처를 사용해, 각 스템의 주파수를 분리하는 소프트 마스크를 출력합니다. 우리는 표준 스펙트로그램 기반 접근법을 괴롭히는 '물에 젖은 듯한' 위상 아티팩트를 피하기 위해 파형 영역(waveform-domain) 변형을 사용합니다.

이는 기존의, 라이선스된 IP 카탈로그에서 막대한 가치를 끌어냅니다. 미디어 기업은 영화의 오케스트라 악보에서 대사를 분리해 더빙 버전을 만들 수 있습니다. 음반사는 원본 멀티트랙 테이프가 소실된 레거시 마스터를 '해제'해 새로운 리믹스나 몰입형 돌비 애트모스(Dolby Atmos) 믹스를 만들 수 있죠. 우리는 소유했거나 라이선스된 원본 소재로 작업하기 때문에, 모든 단계가 기존 권리를 존중합니다.

음성 변형에는 RVC를 사용합니다 — 이는 음성의 음색을 변경하면서도, 원본 퍼포먼스의 프로소디 (리듬, 음높이, 감정)는 보존하는 음성-대-음성 프레임워크입니다. 이 시스템은 HuBERT 같은 자기지도(self-supervised) 모델을 사용해 음성에서 정체성을 벗겨낸 다음, 대상 화자의 실제 음성 임베딩을 FAISS로 인덱싱한 데이터베이스를 사용해 그것을 재구성합니다. 음성을 환각하는 것이 아니라 — 실제로 동의를 받은 녹음의 미세한 조각들로부터 하나를 재조립하는 것입니다.

소스 분리 아키텍처와 RVC 파이프라인 모두에 대한 전체 기술적 분석은 저희의 심층 연구 논문을 참고하십시오.

아무도 이야기하지 않는 동의 인프라

기술은 이야기의 절반에 불과합니다. 이것을 엔터프라이즈에 적합하게 만드는 것은 그것을 둘러싼 컴플라이언스 프레임워크입니다.

우리는 긁어모은 유명인 데이터로 학습된 공개 RVC 모델을 사용하지 않습니다. 우리는 특정한 AI 상업화 릴리스(AI Commercialization Release)에 서명한 성우들만을 대상으로 배타적으로 학습된 맞춤형 모델을 구축합니다 — 특정 용도에 대한 명시적 동의를 받고, 그들의 음성 모델이 배포될 때마다 로열티를 추적합니다.

법적 방어에서 가장 중요한 부분이 여기 있습니다. RVC 시스템은 검색 데이터베이스를 사용하기 때문에, 우리는 주어진 어떤 출력물이 어떤 음성 모델로 만들어졌는지 수학적으로 증명할 수 있습니다. 누군가 '이건 유명인 X처럼 들린다'고 주장하면, 우리는 FAISS 인덱스를 감사하여 모든 임베딩이 동의를 받은 성우 A에게서 나왔음을 입증할 수 있습니다. 그것은 '우리는 그렇게 믿는다'식의 방어가 아니라 — 암호학적 방어입니다.

그리고 그 출력물은 인간의 퍼포먼스와 인간이 창작한 작곡에 기반한 2차적 저작물이기 때문에, 저작권 보호 대상이 됩니다. 기업은 최종 자산을 실제로 소유할 수 있습니다. 텍스트-투-뮤직 생성기에서 그렇게 해보십시오.

한 번은 — 어느 미디어 기업의 법무팀과 통화하던 중이었던 것 같은데 — 그쪽 법무 자문위원이 잠시 멈추더니 이렇게 말했습니다. "잠깐, 그럼 오디오의 매 밀리초마다 어떤 목소리가 사용됐는지 정말로 보여줄 수 있다는 건가요?" 제가 그렇다고 하자, 긴 침묵이 흘렀습니다. 그러더니 이렇게 말했죠. "AI 생성 콘텐츠의 법률 검토에 우리가 얼마나 많은 돈을 썼는지 아세요?" 바로 그때 저는 컴플라이언스 인프라가 하나의 기능이 아님을 이해했습니다. 그것이 곧 제품이었습니다.

기업은 그냥 이 일에 GPT를 쓰면 안 되나?

저는 이 질문을 끊임없이 받습니다. 보통은 투자자들에게서, 때로는 파운데이션 모델 제공업체의 인상적인 데모를 본 잠재 고객들에게서요. 답은 철학적인 것이 아니라 구조적인 것입니다.

제3자 API 위에 구축하면, 그 모델의 확률론적 본성을 물려받게 됩니다. 모델이 환각을 일으키면 — 잘못된 핏, 저작권 있는 멜로디, 복제된 음성 — 당신은 그것을 고칠 수 없습니다. 가중치는 독점 자산이니까요. 당신은 무력합니다. 또한 당신은 독점 데이터를 유출했을 가능성이 큽니다. 클라우드 모델에 업로드한 미공개 패션 컬렉션이 그 모델의 학습 데이터에 들어갈 수도 있습니다. 우리 시스템은 Docker와 Kubernetes로 컨테이너화되어, 고객의 프라이빗 클라우드나 온프레미스 서버 안에서 완전히 배포될 수 있습니다. 인터넷 접속이 필요 없습니다. 외부로 정보를 보내지도 않습니다. 이 에어 갭(air gap)은 편집증이 아니라 — 우리가 함께 일한 모든 진지한 엔터프라이즈 고객의 계약 요건입니다.

방어 가능성 문제도 있습니다. PitchBook 애널리스트들은 직설적으로 말했습니다. 시장은 구조적 방어 가능성이 전혀 없는 '파운데이션 모델을 감싼 얄팍한 래퍼'인 스타트업들로 과포화 상태라고요. 이런 기업들은 근본 지능을 통제하는 하이퍼스케일러와, 하룻밤 사이에 다음 래퍼로 갈아탈 수 있는 최종 사용자 사이에 끼어 있습니다. OpenAI가 가격이나 기능을 바꾸면, 래퍼 기업들에게는 어떤 대응 수단도 없습니다.

AI에서 지속 가능한 가치는 API 접근권을 재판매하는 기업에게 돌아가지 않을 것입니다. 그것은 일반적인 모델이 구조적으로 풀 수 없는, 어렵고 도메인 특화된 문제를 해결하는 이들에게 돌아갈 것입니다.

우리는 지연 시간도 최적화했습니다 — 모델 양자화 덕분에 우리 RVC 파이프라인은 소비자용 하드웨어에서 50밀리초 미만의 지연 시간으로 실행되어, 비용이 많이 드는 클라우드 GPU 왕복을 없앱니다. 우리가 만드는 모든 이미지와 오디오 클립에는 라이선스 ID, 사용자 ID, 타임스탬프를 인코딩한 보이지 않는 워터마크가 담겨 있습니다. 자산이 유출되거나 이의 제기를 받으면, 워터마크가 그 출처를 증명합니다.

'대체로 맞음'의 종말

저는 이제 VeriPrajna에서 충분히 오래 구축해 오면서 그 패턴을 명확히 볼 수 있게 되었습니다. 엔터프라이즈 AI의 첫 번째 물결은 흥분에 관한 것이었습니다 — 생성 모델이 무엇을 할 수 있는가? 우리가 지금 진입하고 있는 두 번째 물결은 책임에 관한 것입니다 — 그것들이 무엇을 해야 하는가, 그리고 그것들이 틀렸을 때 무슨 일이 벌어지는가?

패션에서 '대체로 맞음'은 30%의 반품률과 다시는 돌아오지 않는 고객을 의미합니다. 오디오에서 '대체로 맞음'은 소송과 소유할 수 없는 자산을 의미합니다. 래퍼 방식 — 빠르고, 저렴하고, 확률론적인 — 은 프로토타이핑과 위험이 낮은 소비자용 앱에는 잘 통합니다. 하지만 정확성, 규정 준수, 방어 가능성이 중요한 모든 도메인에서 그것은 지름길이 아닙니다. 부채입니다.

우리가 VeriPrajna에서 구축한 아키텍처는 화려하지 않습니다. 물리 엔진은 생성형 AI만큼 데모가 근사하지 않습니다. 컴플라이언스 프레임워크는 흥미진진한 피치 덱이 되지 못합니다. 결정론적 시스템은 소셜 미디어에서 입소문을 타는 마법 같고 놀라운 출력물을 만들어내지 않습니다.

하지만 그것들은 작동합니다. 드레스가 맞지 않고 고객이 구매하기 전에 그것을 알아야 할 때 작동합니다. 성우가 정당한 대가를 받아야 하고 법무팀이 증거를 필요로 할 때 작동합니다. 기업이 자신의 자산을 소유하고 자신의 데이터를 자신의 벽 안에 두어야 할 때 작동합니다.

AI 업계는 결국 가장 어려운 문제가 모델을 더 크게 만든다고 해결되는 게 아님을 깨닫게 될 것입니다. 그 문제들은 솔루션을 더 깊게 만듦으로써 해결됩니다 — 물리가 중요한 곳에서는 물리에 뿌리내리고, 법이 중요한 곳에서는 법에 뿌리내리며, 진실을 말하는 시스템을 엔지니어링하는 화려하지 않고 고된 작업에 뿌리내림으로써요.

그것이 바로 우리가 구축하고 있는 것입니다. 가장 흥미진진한 AI 기업이 아니라, 가장 정직한 기업 말입니다.