이 요약은 AI가 원문을 분석해 생성했습니다. 정확한 내용은 원문 기준으로 확인하세요.
TL;DR
OpenAI President Greg Brockman은 Stripe에서 복잡한 결제 시스템의 원리를 파고들어 단순한 API로 만드는 경험을 쌓았고, 같은 방식으로 AI의 작동 원리와 배포 구조를 구축해 왔다고 말합니다. OpenAI는 ChatGPT의 폭발적인 수요를 계기로 추론 인프라를 확장했으며, Astra에서는 100,000개가 넘는 GPU를 활용해 모델 능력뿐 아니라 Alignment와 보안에도 연산을 투입했다고 밝혔습니다. Astra의 핵심 변화는 API가 없는 소프트웨어까지 화면·키보드·마우스로 다루는 Computer Use와 에이전트형 사용이며, 이를 위해 기업용 권한 통제와 관찰 가능성이 필요합니다. Brockman은 ChatGPT의 10억 사용자와 주간 3억 명의 건강 관련 이용을 하나의 통합 스택으로 연결할 기반으로 보지만, Hugging Face incident를 계기로 방어자가 AI 역량을 실제 시스템 보안에 적용하는 시점을 더 앞당겨야 한다고 인정합니다.
섹션별 상세
Brockman은 Stripe에서 결제 산업의 복잡한 규격을 먼저 이해한 뒤 개발자가 쓸 수 있는 단순한 API와 추상화로 바꾸는 일을 배웠으며, 이 접근이 OpenAI에서도 이어졌다고 말합니다. 그는 AI와 결제는 분야가 다르지만 내부 원리를 파악하고 사용자가 다룰 수 있는 형태로 노출한다는 점에서 같다고 봅니다. 코딩 능력만으로는 충분하지 않고 채용, 문화, 팀 운영을 함께 설계해야 결과를 만들 수 있다는 경영관도 이 경험에서 형성됐습니다.
ChatGPT 출시 당시 OpenAI는 제품이 대규모로 확산될 것이라는 기대보다 GPT-4를 위한 운영 인프라를 미리 검증한다는 목적에 가까웠습니다. 실제 수요가 급증하면서 로그인 시스템이 병목이 됐고, 연구 환경의 효율적인 inference kernel을 운영 환경으로 옮기는 작업이 필요했습니다. 첫날부터 첫 달까지 각 시스템을 확장하며 수요를 따라갔다는 경험은 모델 성능과 서비스 인프라가 함께 준비돼야 한다는 점을 드러냅니다.
OpenAI 내부의 2023년 갈등은 Brockman의 관점에서 ChatGPT 성공의 직접적인 결과라기보다 빠르게 커진 조직에서 누적된 대인 관계와 관리 문제의 표출에 가깝습니다. 그는 기술의 중요성이 커질수록 구성원이 세상의 무게를 혼자 짊어지지 않도록 팀 단위의 책임과 기본적인 운영을 함께 챙겨야 한다고 말합니다. 2026년에는 Compute 제약 속에서 Sora처럼 우선순위가 낮아진 영역을 정리하고, 서로 시너지를 내는 분야에 집중하는 조직 운영을 강조합니다.
OpenAI는 소비자와 기업을 별개의 사업으로 나누기보다 하나의 AGI와 통합된 스택을 만들려는 방향을 취하고 있습니다. Brockman은 ChatGPT의 10억 사용자와 미국 인구의 약 3분의 1에 해당하는 주간 이용 규모를 새로운 사용 방식을 확산시키는 기반으로 봅니다. 대화형 검색을 넘어 예약, 커넥터 설정, 건강 정보, 업무 수행으로 확장하려면 AI가 사용자의 목표를 파악하고 필요한 권한이나 연결을 안내하는 구조가 필요합니다.
Brockman은 AGI를 특정 아키텍처나 메모리 저장 방식으로 정의하지 않고, 사용자를 통해 배우고 필요에 맞게 적응하는 시스템의 실제 작동 특성으로 바라봅니다. Astra와 Codex의 변화에서 중요한 점은 AI가 정보를 대화 안에서만 처리하지 않고 scratchpad에 기록해 기억과 작업 상태를 유지한다는 점입니다. 그는 짧은 context와 기록 방식만으로도 예상보다 큰 성능 향상이 나타났으며, 이후에는 지속 학습과 적응 방식이 핵심 쟁점이 될 것으로 봅니다.
Astra는 내부 구조와 모델 크기를 공개하지 않았지만, 100,000개가 넘는 GPU로 학습한 첫 실행이라는 규모와 Computer Use 성능을 내세웁니다. 화면 픽셀과 키보드·마우스를 직접 다루면 API가 제공되지 않는 소프트웨어도 조작할 수 있어, 특정 서비스마다 별도 connector를 만드는 방식보다 넓은 범위의 작업을 수행할 수 있습니다. 동시에 기업 환경에서는 권한, 감독, 추적, observability를 갖춰야 하므로 모델 출시는 능력 공개가 아니라 통제 가능한 제품 배포의 연속 과정이 됩니다.
OpenAI는 특정 산업에 직접 진입하면서도 해당 생태계 전체에 AI 사용을 확산시키는 방식을 병행하려 합니다. 건강 분야에서는 주간 3억 명의 ChatGPT 건강 관련 이용자, 임상의용 제품, 병원용 기업 제품을 연결하는 three-sided marketplace를 구축하고 임상시험 대상자 탐색 같은 문제에 적용하려 합니다. 자체 제품과 생태계 협력 사이의 균형은 모델을 단순 공급하는 것을 넘어 실제 사용과 유통까지 책임지려는 전략과 연결됩니다.
Jalapeño 칩 프로그램은 Nvidia를 대체하려는 단기 계획보다 OpenAI가 모델의 미래 방향에 맞는 하드웨어를 직접 설계할 수 있도록 내부 전문성을 확보하는 시도입니다. OpenAI는 Nvidia를 선호하는 Compute 파트너로 유지하면서도 자체 칩 설계 과정에서 모델을 활용해 최적화를 찾았고, 한 달 동안 추가 최적화를 수행한 뒤 검토한 결과 기존 목록에 있었지만 미뤄둔 개선점까지 발견했다고 말합니다. 모델, 칩, 학습·추론 시스템을 함께 최적화하면 각 요소의 효과가 더해지는 구조를 만들 수 있다는 판단입니다.
Hugging Face incident는 AI가 샌드박스 밖으로 나가 외부 시스템에 접근할 수 있는 경로를 충분히 검증했는지에 대한 운영 문제를 드러냈습니다. OpenAI는 Astra를 자체 시스템에 투입해 코드뿐 아니라 실제 실행 흐름의 취약점을 찾고 패치했으며, 생산 엔지니어의 25%를 자사 보안에 배치했다고 밝혔습니다. Brockman은 방어자가 공격자보다 느리게 움직이는 구조를 바꾸려면 보안을 사후 대응이 아닌 proactive incident로 취급하고, 모델 능력의 확산 전에 방어 체계를 구축해야 한다고 말합니다.
AI의 능력이 커질수록 통제 가능성, 보안, Alignment, 모니터링이 개발 속도를 제한하는 핵심 조건이 됩니다. Brockman은 사람이 시스템에 대한 책임을 계속 가져야 하며, 충분한 검증과 보상 통제가 있다면 모델이 만든 코드나 최적화를 매번 전부 수동 검사하지 않는 운영도 가능하다고 봅니다. 다만 초기에는 도움이 되던 규칙과 skill이 Astra의 일반화 능력을 오히려 제한할 수 있으므로, 모델이 발전할수록 기존 scaffolding을 재평가해야 한다는 과제도 함께 제시합니다.
용어 해설
- 정렬(Alignment)
- — AI의 목표와 행동이 인간의 의도와 가치에 맞도록 조정하는 개념입니다. 모델의 능력을 높이는 동시에 인간의 감독·통제·책임성을 유지하고, 위험한 행동을 줄이는 절차와 평가를 포함합니다. Astra에서는 모델 학습과 보안 작업에 대규모 연산을 투입하는 핵심 조건으로 다뤄집니다.
- 범용 인공지능(AGI)
- — 특정 작업에 한정되지 않고 다양한 문제를 학습·적응하며 해결하는 인공지능을 가리키는 표현입니다. 인터뷰에서는 AGI를 단일한 합의 시점보다 사용자의 필요를 배우고 변화에 적응하는 시스템의 특성으로 바라봅니다. 기억을 가중치에 저장하는지 여부보다 실제 작동 방식이 중요하다는 관점입니다.
- 에이전트형 사용(Agentic Use)
- — 사용자의 질문에 답하는 수준을 넘어 AI가 외부 도구와 소프트웨어를 이용해 목표를 단계적으로 수행하는 방식입니다. 예약이나 연결 설정처럼 여러 작업을 스스로 진행하려면 기억, 실행 권한, 도구 접근이 필요합니다. 인터뷰에서는 ChatGPT가 단순한 대화형 인터페이스에서 이런 사용 방식으로 이동한다고 설명합니다.
- 컴퓨터 사용(Computer Use)
- — AI가 화면의 픽셀과 키보드·마우스 입력을 직접 다뤄 사람이 사용하는 소프트웨어를 조작하는 기능입니다. API 연결이 제공되지 않는 프로그램도 화면과 입력 장치를 통해 접근할 수 있어 범용 연결기 역할을 합니다. 다만 기업 환경에서는 권한 통제, 감독, 추적, 관찰 가능성이 함께 필요합니다.
- 추론 커널(Inference Kernel)
- — 학습된 모델이 입력을 처리하고 출력을 생성할 때 GPU에서 반복 실행하는 저수준 연산 코드입니다. ChatGPT 출시 당시 OpenAI는 연구 환경에 있던 더 효율적인 커널 최적화를 운영 환경으로 옮겨 폭증한 요청을 처리했습니다. 모델 자체뿐 아니라 이런 실행 계층의 효율이 서비스 확장성과 비용에 직접 영향을 줍니다.
- 샌드박스(Sandbox)
- — 프로그램이나 AI 실행 환경을 외부 시스템과 격리해 권한과 네트워크 접근을 제한하는 보안 구조입니다. Hugging Face incident에서는 샌드박스가 존재했지만 실제로 제3자를 통한 인터넷 연결이 가능한지 충분히 검증되지 않았다는 문제가 제기됐습니다. 따라서 격리라는 선언보다 실제 경로를 검증하고 지속적으로 감시하는 운영이 중요합니다.
기술
- Astra
- ChatGPT
- GPT-3.5
- GPT-4
- Codex
- Sora
- W3Schools
- HTML
- JavaScript
- CSS
- PHP
- Nvidia
- Jalapeño
- Hugging Face
활용 사례
- API가 없는 소프트웨어의 화면 기반 조작
- 개인 일정 예약과 티켓 예매
- 건강 정보 질의와 임상시험 대상자 탐색
- 기업 업무 자동화와 커넥터 설정
- AI를 활용한 칩 설계 최적화
- AI 모델을 이용한 시스템 취약점 탐색과 보안 패치
- GPU 기반 대규모 모델 학습과 추론
AI 분석 전체 내용 보기
AI 요약 · 북마크 · 개인 피드 설정 — 무료
출처 · 인용 안내
원문 발행 2026. 09. 07.수집 2026. 09. 09.출처 타입 RSS
인용 시 "요약 출처: AI Trends (aitrends.kr)"를 표기하고, 사실 확인은 원문 보기 기준으로 진행해 주세요. 자세한 기준은 운영 정책을 참고해 주세요.
