인간 중심 AI를 위한 새로운 접근, Thinking Machines Lab의 분산형 AI와 커스터마이징 모델 전략

AI는 누구를 위해 학습되어야 할까?

현재 대부분의 AI 모델은 소수의 연구소나 기업에서 대규모 데이터로 학습된 후 하나의 완성된 형태로 제공됩니다. 사용자는 프롬프트를 입력해 결과를 얻을 수 있지만, AI의 근본적인 동작 방식이나 가치 판단 기준은 쉽게 바꿀 수 없습니다.

Thinking Machines Lab은 이러한 기존 방식의 한계를 지적하며, 사람의 의사결정과 전문성을 확장하는 인간 중심(Human-Centered) AI를 제안했습니다.

핵심은 AI를 하나의 완성된 제품으로 제공하는 것이 아니라, 각 조직과 사용자가 직접 모델을 학습하고 조정할 수 있는 분산형(Distributed) AI를 구축하는 것입니다.

이번 글에서는 Thinking Machines Lab이 제시한 기술적 방향과 기존 AI와의 차이점, 그리고 이를 구현하기 위한 Tinker API까지 함께 살펴보겠습니다.

반응형

---

Thinking Machines Lab이 제안하는 AI의 네 가지 방향

Thinking Machines Lab은 인간 중심 AI를 구현하기 위해 다음과 같은 네 가지 기술 방향을 제시했습니다.

1. 멀티모달과 커스터마이징을 지원하는 AI 모델

기존 AI는 대부분 텍스트 중심으로 동작합니다.

Thinking Machines Lab은 텍스트뿐 아니라 음성, 영상 등 다양한 입력을 동시에 이해할 수 있는 멀티모달 AI를 기반으로 하며, 사용자나 조직이 원하는 방식으로 모델을 직접 조정할 수 있는 구조를 목표로 합니다.

---

2. 사용자가 직접 모델 가중치를 학습할 수 있는 도구 제공

기존에는 AI 모델을 수정하려면 대규모 연구 환경이 필요했습니다.

Thinking Machines Lab은 일반 개발자나 기업도 모델을 직접 Fine-tuning 할 수 있도록 다양한 학습 도구를 제공합니다.

단순히 프롬프트를 변경하는 것이 아니라,

• 모델 자체를 학습시키고
• 새로운 가중치를 생성하며
• 이를 원하는 환경에서 활용할 수 있도록 지원하는 것이 특징입니다.

---

3. 사람과 AI의 상호작용 확대

현재 대부분의 AI는

질문 → 응답

이라는 단순한 구조를 사용합니다.

Thinking Machines Lab은 이러한 제한된 인터페이스 대신,

• 음성
• 영상
• 텍스트

를 동시에 활용하는 실시간 상호작용 모델을 연구하고 있습니다.

보고서에서는 약 200ms 단위의 Micro-turn 기반 상호작용을 통해 사람과 AI가 더욱 자연스럽게 협업할 수 있다고 설명합니다.

---

4. AI 개발 과정을 공개하여 기술 생태계 확대

Thinking Machines Lab은 연구 결과를 적극적으로 공개하여 더 많은 개발자와 연구자가 AI 모델이 만들어지는 과정을 이해할 수 있도록 하는 것도 중요한 방향으로 제시했습니다.

이를 통해 AI 기술이 특정 기업에 집중되는 것이 아니라 더 넓은 생태계에서 발전할 수 있도록 하는 것이 목표입니다.

---

왜 분산형 AI가 필요한가?

Thinking Machines Lab은 AI의 발전에서 가장 중요한 요소로 지식(Knowledge)을 이야기합니다.

보고서에 따르면 현실 세계의 많은 전문 지식은 데이터베이스에 기록하기 어려운 형태로 존재합니다.

예를 들어,

• 셰프가 요리를 개선하는 감각
• 병원의 진료 노하우
• 법률 사무소의 문서 작성 방식

과 같은 경험 기반의 지식은 지속적으로 변화하며 문서만으로 표현하기 어렵습니다.

이러한 지식은 사람과 조직 내부에 축적되므로, AI 역시 중앙에서 하나의 모델을 만드는 방식보다 각 조직이 직접 학습하고 발전시키는 구조가 더 적합하다고 설명합니다.

---

예외적인 영역도 존재한다

Thinking Machines Lab은 모든 분야가 동일한 것은 아니라고 설명합니다.

대표적인 예외는 다음과 같습니다.

• 체스
• 수학

이 두 영역은 목표가 명확하고 정답이 존재하기 때문에 자율 학습(Self-play)이나 자동 문제 해결 방식이 매우 효과적입니다.

반면 실제 산업 환경은 지속적으로 변화하고 암묵적인 지식이 많기 때문에, 높은 성능의 AI만으로는 충분하지 않다고 보고 있습니다.

---

Thinking Machines Lab이 지적한 두 가지 기술적 한계

제한적인 상호작용

현재 AI는 대부분 작은 입력창에서 질문을 입력한 뒤 응답을 기다리는 방식입니다.

Thinking Machines Lab은 이를 사람과 AI 사이의 의사소통 채널이 지나치게 좁은 상태라고 설명합니다.

이를 해결하기 위해 실시간 멀티모달 인터랙션 모델을 제안했습니다.

---

AI 평가 방식의 한계

현재 많은 벤치마크는 AI가 혼자 얼마나 잘 문제를 해결하는지를 평가합니다.

그러나 보고서는 실제 업무에서는

사람과 AI가 함께 얼마나 높은 성과를 낼 수 있는가가 더욱 중요한 평가 기준이라고 주장합니다.

즉, AI 자체의 성능보다 협업 능력이 앞으로 더욱 중요해질 것이라는 의미입니다.

---

가치(Value)는 프롬프트가 아니라 모델에 저장되어야 한다

Thinking Machines Lab은 AI의 가치 정렬(Alignment)에 대해서도 기존 접근 방식과 다른 관점을 제시합니다.

현재 대부분의 AI는

• 시스템 프롬프트
• 사용자 프롬프트

를 통해 행동을 제어합니다.

하지만 이러한 방식은 표면적인 동작만 변경할 뿐 모델 자체의 특성은 그대로 유지됩니다.

보고서는 조직의 가치나 정책이 모델의 가중치(Model Weights)에 직접 반영되어야 한다고 설명합니다.

이를 통해 각 조직은 자신만의 AI를 직접 소유하고 관리할 수 있습니다.

---

Tinker API로 직접 모델을 학습하기

Thinking Machines Lab은 이러한 개념을 실제로 구현하기 위해 Tinker API를 제공합니다.

Tinker는

• Llama
• Qwen

과 같은 Open Weight 모델을 대상으로 LoRA(Low-Rank Adaptation) 기반 Fine-tuning을 지원합니다.

개발자는 API를 이용해

• 학습 수행
• 가중치 업데이트
• LoRA 어댑터 저장
• 학습된 모델 배포

과정을 직접 수행할 수 있습니다.

간단한 사용 흐름은 다음과 같습니다.

1. Tinker 서비스 클라이언트 생성
2. LoRA 학습 클라이언트 생성
3. 데이터셋 반복 학습
4. Optimizer를 통해 모델 업데이트
5. 학습된 LoRA 가중치 저장
6. 저장된 가중치를 사용하는 Sampling Client 생성

이러한 구조를 통해 조직은 자체 데이터를 활용해 모델을 지속적으로 개선할 수 있습니다.

---

기존 중앙집중형 AI와 분산형 AI의 차이

구분	중앙집중형 AI	Thinking Machines Lab
학습 위치	소수 연구소에서 학습 후 고정	실제 업무 환경에서 지속적으로 학습
가치 결정	모델 제공 기업	조직과 사용자
모델 적응 방식	프롬프트 기반	모델 가중치 Fine-tuning
인터페이스	텍스트 중심	실시간 멀티모달
Alignment	중앙에서 관리	조직별 독립 관리

---

실제 활용 사례

보고서는 이러한 기술이 다양한 산업에서 활용될 수 있다고 설명합니다.

병원

병원은 자체 진료 프로토콜을 기반으로 AI를 Fine-tuning하여 병원 내부 정책에 맞는 AI를 운영할 수 있습니다.

데이터와 학습된 가중치 모두 병원 내부에서 관리할 수 있습니다.

법률 사무소

법률 사무소는 내부 문서 작성 방식이나 업무 규칙을 반영한 모델을 구축하고, 내부 정책이 변경될 때마다 다시 학습시킬 수 있습니다.

고객 지원 조직

실시간 상호작용 모델을 활용하면 상담원이 작업 중 AI를 즉시 수정하거나 피드백을 제공하면서 업무를 진행할 수 있습니다.

이를 통해 조직은 고정된 AI 서비스를 사용하는 것이 아니라 자신만의 AI를 지속적으로 발전시킬 수 있습니다.

---

728x90

Thinking Machines Lab은 AI의 성능 경쟁보다 누가 AI를 만들고, 누가 AI를 학습시키며, 누가 AI의 가치를 결정하는가에 더 큰 의미를 두고 있습니다.

보고서에서 제안한 분산형 AI는 단순히 더 뛰어난 모델을 만드는 것이 아니라, 조직과 사용자가 자신의 전문성과 가치관을 직접 AI에 반영할 수 있도록 하는 새로운 방향을 제시합니다.

특히 모델 가중치를 직접 학습하고 소유할 수 있는 구조, 실시간 멀티모달 인터랙션, 그리고 조직 중심의 가치 정렬은 앞으로 AI가 업무 환경에 더욱 깊이 활용되는 과정에서 중요한 기술적 흐름이 될 가능성을 보여줍니다.

향후 AI는 하나의 범용 모델을 모두가 사용하는 시대에서, 각 조직이 자신만의 AI를 직접 구축하고 발전시키는 방향으로 변화할지 주목할 필요가 있습니다.

300x250

https://www.marktechpost.com/2026/07/11/mira-muratis-thinking-machines-lab-makes-the-technical-case-for-human-centered-ai-built-on-customizable-model-weights/

Mira Murati's Thinking Machines Lab Makes The Technical Case For Human-Centered AI Built On Customizable Model Weights