저커버그는 AI에게 대체 뭘 시키고 있을까? 메타 뮤즈와 개인 AI

메타데이터

• 원문 제목: What Exactly Is Zuckerberg Making AI Do? | Meta Muse and Personal AI
• 영상 URL: https://www.youtube.com/watch?v=vF_vVcqa9M4
• 원본 발행일: 2026-10-21
• 채널: Tech Bridge
• 정리일: 2026-10-22
• 영상 길이: 12분 30초

📌 핵심 질문 / 핵심 논점

==개인 AI의 가치는 질문에 그럴듯한 답을 내는 데서 끝나지 않고, 사용자의 취향과 맥락을 기억하며 실제 업무를 여러 단계에 걸쳐 완수하는 데서 나온다.== 메타는 실시간 영상 이해, 지연시간을 줄이는 코드 생성, 장기 기억과 지속적인 작업 수행을 Muse Wonder의 핵심 역량으로 삼았다. 이를 가능하게 하려고 모델을 키우는 일과 전용 컴퓨팅 인프라, 연구 조직 재편, 외부 서비스 연결을 함께 추진했다.

• 알렉산드르 왕은 취향에 맞는 차(tea)를 찾고 구매하는 개인 에이전트 사용 사례를 제시한다.
• 마크 저커버그는 60초 휴식시간 안에 격투기 훈련 영상을 분석하고 다음 라운드 조언을 받는다.
• 메타는 결과를 확인하기 전에 1,000억~2,000억 달러 규모의 선투자를 감수했고, 기억·시각 이해·도구 사용·작업 지속을 결합하려 한다.

1. 개인 AI는 대답보다 맡은 일을 완수해야 한다 (00:00–04:27)

1.1. 사용자의 취향과 실시간 상황에 맞춘 개인 에이전트

1. 취향을 기억하고 구매까지 이어가는 에이전트

   1. 왕의 차(tea) 구매: 왕이 맡긴 Muse는 취향에 맞는 차를 찾아 구매하는 다단계 일을 맡는다. 검색 결과를 제시하는 데서 멈추지 않고 거래를 마무리하는 것이 목표다.
   2. 전용 작업 환경: 메타가 9월 공개한 Muse는 사용자를 위한 가상 컴퓨터와 브라우저를 사용해 작업한다. 이메일 발송이나 물품 구매처럼 중요한 순간에는 진행 전에 사용자의 승인을 요청하도록 설계됐다.

2. 격투기 훈련을 돕는 실시간 영상 에이전트

   1. 체육관 카메라 분석: 저커버그는 체육관에 카메라를 설치하고 Muse가 훈련 중 영상을 보도록 했다. 라운드 사이에 바로 적용할 피드백을 받는 것이 사용 사례다.
   2. 짧은 응답 시간: 휴식시간은 60초뿐이라 영상 전체를 빠르게 처리해야 한다. 시각 정보를 이해하는 능력과 낮은 지연시간이 함께 필요하다.

3. 사용자 대신 필요한 영상 처리 도구를 만드는 에이전트

   1. 프레임 추출: 사용자가 영상의 정지 화면을 직접 뽑는 방법을 가르치지 않아도 Muse가 필요한 프레임을 찾아냈다.
   2. 배경에서 실행되는 코드: Muse는 영상·이미지 처리 파이프라인을 구성해 분석한다. 사용자는 코드를 직접 보지 않아도 에이전트에게 일을 맡기면서 필요한 프로그램을 만들어 쓰게 된다.
   3. 반복 최적화: 피드백에 30초가 걸리자 저커버그는 60초 휴식시간 안에 더 빨라져야 한다며 “스스로 최적화하라”고 요청했다.

1.2. 제품 차이는 화면보다 에이전트의 행동에서 나온다

1. 대화창을 넘어서는 설계

   1. 제품팀은 모델이 언제 먼저 말을 걸지, 어떤 도구를 선택할지, 사용자의 요청을 어떻게 끝낼지 정해야 한다.
   2. 같은 채팅창을 쓰더라도 신뢰성, 선제성, 말투, 도구 활용 방식에 따라 실제 경험이 달라진다.

2. 모델에 제품의 행동 규칙을 심는다

   1. 왕은 도구 사용 상황과 모델 행동을 의도적으로 설계한다고 강조한다. 제품의 성격과 판단 방식은 인터페이스만이 아니라 모델 학습에도 반영된다.
   2. 저커버그는 이 방향을 “모델이 곧 제품(The model is the product)”이라고 요약한다. 사용자가 체감하는 핵심 기능은 모델의 신뢰도와 행동에서 결정된다.

2. Muse Wonder는 기억하고 오래 일하는 에이전트를 지향한다 (04:28–07:37)

2.1. 작은 모델에서 큰 모델로 단계적으로 확장한다

1. Muse Spark가 제공한 디딤돌

   1. Spark는 2025년 말 진행한 초기 사전학습(pre-training)을 바탕으로 만들어졌다.
   2. 저커버그는 규모가 크지 않은 Spark에 팀이 상당한 지능과 역량을 담아낸 점에 놀랐다고 말했다.

2. 사전학습 뒤 후속 학습으로 새 등급을 만든다

   1. Spark 이후 더 큰 다음 모델의 사전학습을 마치고, 실제 작업 수행 능력을 다듬는 후속학습(post-training)을 진행했다.
   2. Muse Wonder는 이전 모델보다 크게 확장된 다음 모델 등급이다. 메타는 더 큰 모델을 단번에 만드는 대신 단계별 학습에서 얻은 경험을 다음 단계에 반영한다.

3. Wonder와 Wonder Full을 다른 경로로 제공한다

   1. Wonder는 개발자 API와 Muse Code를 통해 제공됐다.
   2. Wonder Full은 Muse Code 구독자에게 제공됐고, 개인용 Muse에는 구독자부터 순차 적용할 계획이라고 밝혔다.

2.2. 개인화에는 기억과 작업 지속성이 필요하다

1. 며칠·몇 주·몇 달 전의 맥락을 활용하는 기억

   1. 사용자가 취향과 상황을 매번 처음부터 설명해야 한다면 개인 비서로 기능하기 어렵다.
   2. 왕은 사용자가 며칠, 몇 주, 몇 달에 걸쳐 말한 내용을 Muse가 얼마나 잘 기억하는지가 실제 사용 경험을 좌우한다고 짚었다.

2. 저장뿐 아니라 적절한 회상까지 설계한다

   1. 메모리를 쌓아둘 공간만 만들어서는 부족하다. 현재 과업에 필요한 정보를 찾아내고 다시 활용해야 한다.
   2. 메타는 모델과 모델이 활용할 시스템을 함께 설계해 기억을 구현하려 한다.

3. Active Focus로 긴 과업을 끝까지 붙든다

   1. Active Focus는 복잡하고 긴 과업에 계산 자원을 집중하고, 다른 일에 주의가 흩어지지 않도록 지속하는 능력이다.
   2. 중간에 막혔을 때 다른 방법을 찾아 과업을 계속하는 것도 포함된다. 기억이 과거의 맥락을 잇는다면 Focus는 현재 맡은 일을 끝까지 끌고 간다.

3. 모델을 기다리지 않고 인프라와 연구 조직에 먼저 투자했다 (07:38–10:37)

3.1. 컴퓨팅 인프라는 모델 검증보다 먼저 준비해야 한다

1. 데이터센터 건설과 연구를 장기간 병행한다

   1. 메타는 수년 동안 데이터센터를 준비해 왔다. 원더의 구상도 Spark가 완성된 다음에 시작한 것이 아니라 인프라와 연구를 함께 진행하는 과정에서 준비됐다.
   2. 모델이 잘 작동하는지 확인한 뒤에야 투자를 늘리면 필요한 시점에 컴퓨팅 자원이 갖춰지지 않는다. 대규모 학습에는 수년 앞선 준비가 필요하다.

2. 결과를 보기 전에 1,000억~2,000억 달러를 걸었다

   1. 저커버그는 2025년 말 모델 결과를 아직 보지 못했지만 진척을 긍정적으로 평가해 “1,000억 달러, 2,000억 달러를 쓰려고 한다”고 회고했다.
   2. 연구팀은 당시 그래프와 초기 신호만 보여줄 수 있었고, 저커버그는 성공을 확신할 수 있는지 왕에게 되물었다. 경영진 전체가 긴장했고 “잘되기를 바랄 뿐”이라는 농담도 나왔다.

3.2. Llama의 궤적을 바꾸기 위해 연구 조직을 다시 세웠다

1. 인원수보다 인재 밀도를 우선했다

   1. 저커버그는 Llama가 향하던 방향에 만족하지 못했고, 왕과 함께 Meta Superintelligence Labs를 구성했다.
   2. 팀의 규모보다 뛰어난 연구자들이 함께 일하고 싶어 하는 환경과 팀 안의 인재 밀도를 중요하게 봤다.

2. 채용 과정에서 전면 재출발을 결정했다

   1. 처음부터 완전한 조직 재부팅(reboot)을 정해 둔 것은 아니었다. 최고 연구자들과 대화하면서 새롭게 시작하는 편이 더 매력적인 팀을 만든다고 판단했다.
   2. 새 출발을 택하면서도 Llama와 FAIR에서 역량을 입증한 인재들을 합류시켰다. 조직을 다시 세우는 일과 기존 연구 기반을 이어가는 일을 함께 추진했다.

4. 브라우저와 API가 개인 에이전트를 외부 세계에 연결한다 (10:38–12:30)

4.1. 웹사이트 조작에서 파트너 API 연결로 확장한다

1. 가상 컴퓨터와 브라우저로 외부 서비스를 이용한다

   1. 차를 찾고 주문하는 일처럼 메타 밖의 판매자에게 접근해야 하는 과업은 외부 서비스 연결 없이는 완수할 수 없다.
   2. Muse는 먼저 브라우저로 웹사이트를 이용하고, 이메일 발송이나 구매처럼 중요한 행위 전에는 승인을 받도록 구성됐다.

2. 파트너 서비스와 API로 직접 연결한다

   1. 메타는 웹 브라우저를 통한 이용에 이어 협력사의 API를 통해 직접 요청과 결과를 주고받는 방향을 제시한다.
   2. API는 서비스가 미리 정한 형식으로 요청과 응답을 교환하는 통로다. 에이전트가 사람이 화면을 눌러 하던 일을 맡으면 기업이 고객과 만나는 방식도 바뀔 수 있다.

4.2. 답변 품질에서 과업 완수까지 평가 기준을 넓힌다

1. 개인 에이전트는 여러 역량을 묶어야 한다

   1. 사용자의 선호를 기억하고 화면·영상을 이해하며 필요한 도구를 만들고, 막히면 다른 접근을 시도해야 한다.
   2. 모델 규모만 키우는 것으로 충분하지 않다. 모델의 역량과 행동을 정의하고, 컴퓨터·제품·조직을 맡은 일에 맞춰 함께 구성해야 한다.

2. 사용자가 맡긴 일이 실제로 끝났는지 본다

   1. 개인 AI를 평가할 때 응답 문장만 볼 것이 아니라 맡긴 절차의 어느 단계까지 완수했는지 살펴야 한다.
   2. 과업이 복잡해질수록 Muse Wonder의 기억, 시각 이해, 도구 사용, 지연시간, 작업 지속 능력이 약속을 얼마나 실현하는지 드러난다.

주요 발언 모음

“모델이 곧 제품이다.” — Mark Zuckerberg

“피드백에 30초가 걸렸어. 휴식은 60초뿐이야. 더 빨라져야 해. 스스로 최적화해.” — Mark Zuckerberg

“앞으로 모두가 엄청난 양의 코드를 쓰게 될 거다. 다만 자신이 코드를 쓰고 있다는 걸 모를 뿐이다.” — Mark Zuckerberg

“며칠, 몇 주, 몇 달 전에 말한 내용을 얼마나 잘 기억하는지가 사용 경험에 들어 있다.” — Alexandr Wang

“우리가 1,000억 달러, 2,000억 달러를 쓰려고 한다. 이게 정말 될 거라고 확신하나?” — Mark Zuckerberg의 2025년 말 투자 결정 회고

핵심 데이터 & 수치

• 60초: 격투기 라운드 사이 휴식시간. 영상 분석은 다음 라운드가 시작되기 전에 끝나야 한다.
• 약 30초: 저커버그가 피드백을 받는 데 걸린 시간. 그는 60초 휴식시간 안에 적용하려면 더 빨라져야 한다고 요구했다.
• 2025년 12월 무렵: Muse Spark의 기반이 된 초기 사전학습이 진행된 시점.
• 1,000억~2,000억 달러: 모델 결과를 보기 전에 검토한 대규모 투자 규모. 데이터센터·컴퓨팅 인프라를 앞서 준비해야 하는 이유를 보여준다.
• 두 모델: Muse Wonder와 Muse Wonder Full. 각각 개발자/API·Muse Code 및 Muse Code 구독 경로로 제공됐다.
• 2026-10-21: Tech Bridge 영상 원본 발행일.

결론 및 시사점

1. 개인 AI의 기준은 대화 능력에서 사용자의 목표를 실제로 완수하는 능력으로 옮겨간다.
2. 실시간 시각 이해, 빠른 처리, 기억의 회상, 도구 실행, 실패 후 재시도가 함께 작동해야 개인 에이전트가 된다.
3. 에이전트의 성격과 선제성, 도구 선택은 제품 사양의 일부이며 모델 학습·후속학습·평가 설계로 구체화된다.
4. 대규모 모델을 만들려면 결과 확인보다 먼저 데이터센터와 컴퓨팅 용량을 준비해야 하며, 연구 조직의 인재 밀도도 함께 확보해야 한다.
5. 에이전트가 브라우저와 파트너 API를 통해 거래와 업무를 대신할수록 기업의 고객 접점도 재편될 수 있다.
6. 사용자는 AI의 말이 그럴듯한지만 보지 말고 맡긴 과업이 어디까지 끝났는지 평가해야 한다.