73개 용어로 빠르게 이해하는 AI

AI의 꿈은 사람 뇌를 흉내 내는 데서 출발했습니다. 뉴런 구조를 본떠 입력·가중치·출력을 층층이 연결한 이 기본 빌딩 블록이 1940년대에 제안되며, 훗날 모든 LLM이 자라날 씨앗이 되었습니다.

사람 뇌 구조를 흉내 낸 AI의 기본 회로

그다음 발상의 전환이 찾아옵니다. 규칙을 사람이 일일이 짜는 대신, 데이터를 보여주고 AI가 스스로 패턴을 깨치게 하자는 것이죠. 1950년대부터 이어진 이 흐름이 AI의 가장 큰 줄기로 자리 잡았습니다.

AI가 데이터로 스스로 배우는 방식

신경망을 한 층이 아니라 여러 층으로 깊게 쌓자, 훨씬 복잡한 패턴까지 잡혔습니다. 다만 깊은 신경망에는 강력한 GPU와 방대한 데이터가 필요했고, 2010년대에 그 둘이 갖춰지며 폭발적으로 확산되었습니다.

신경망을 깊게 쌓아 학습하는 머신러닝

학습에는 다른 길도 있었습니다. 좋은 결과에는 보상을, 나쁜 결과에는 벌을 줘서 모델을 길들이는 방식이죠. 1950년대부터 연구돼 왔고, 사람의 피드백을 더한 RLHF가 훗날 ChatGPT의 결정적 비결로 되돌아옵니다.

AI를 칭찬과 벌로 훈련시키는 방법

딥러닝이 기다리던 '데이터'가 마침내 도착했습니다. 2009년 페이페이 리 교수팀이 1,400만 장 규모의 이미지 분류 데이터셋을 공개했고, 2012년 AlexNet이 여기서 압도적 성능을 내며 딥러닝 르네상스의 방아쇠를 당겼습니다.

딥러닝 부흥을 일으킨 이미지 데이터셋

딥러닝과 강화학습이 만나자 사건이 터졌습니다. 2016년 구글 딥마인드의 바둑 AI가 이 둘을 결합해 이세돌 9단을 4-1로 꺾으며, AI가 인간을 넘을 수 있다는 사실을 전 세계에 각인시켰습니다.

이세돌을 이긴 구글 딥마인드의 바둑 AI

여기서 잠깐 화면 뒤편을 봅니다. AI가 주인공이 되기 한참 전부터, 컴퓨터는 프로그램끼리 데이터를 주고받는 공식 창구를 다듬고 있었습니다. 수십 년 된 이 개념은 OpenAI API와 함께 비즈니스 리더에게도 다시 익숙한 단어가 되었습니다.

앱들이 서로 대화하는 공식 전화번호

텍스트 명령어로 도구를 부리는 검은 화면도 그중 하나입니다. 1960년대부터 있던 가장 오래된 컴퓨터 사용 방식이지만, 에이전트가 직접 도구를 잡는 시대가 오자 다시 무대 중앙으로 불려 나왔습니다.

텍스트로 컴퓨터에 명령하는 검은 화면

그 검은 화면을 띄우는 창 자체가 터미널입니다. CLI가 명령어로 대화하는 방식이라면, 터미널은 그 대화가 오가는 실제 창이죠. 클로드 코드도 이 터미널 위에서 돌아가기 때문에, 비개발자도 한 번은 마주치게 되는 입구가 되었습니다.

명령어를 입력하는 그 검은 창

그 터미널 안에서 입력한 명령을 실제로 해석해 실행하는 프로그램이 셸입니다. 마이크로소프트가 2006년 내놓은 PowerShell은 윈도우의 대표 셸로, 단순 명령을 넘어 반복 작업을 자동화하는 스크립트까지 처리합니다. 맥의 zsh에 해당하는 자리라, 윈도우에서 클로드 코드를 돌릴 때 주로 이 위에서 명령이 오갑니다.

윈도우에서 명령과 자동화를 다루는 대표 셸

명령 한 줄을 넘어 더 복잡한 일을 시키려면 결국 프로그래밍 언어가 필요합니다. 1991년 귀도 반 로섬이 만든 파이썬은 문법이 쉽고 읽기 좋아 데이터 분석과 머신러닝의 공용어로 자리 잡았고, 오늘날 AI가 코드를 짤 때 가장 먼저 꺼내 드는 언어가 되었습니다. 비개발자도 이름만은 익혀 둘 가치가 있는 단어입니다.

데이터 분석과 AI의 공용어가 된 쉬운 프로그래밍 언어

2005년 리누스 토르발스가 만든 분산 버전 관리 시스템도 미리 준비된 도구였습니다. 사실 git은 영국 속어로 '멍청이, 못난 놈'을 뜻하는 단어인데, 토르발스가 자신을 빗대어 농담처럼 붙인 이름으로 알려져 있습니다. 코드 변경을 시점별로 기록·복원·병합하는 이 표준이, 훗날 AI가 자율로 코딩한 결과를 안전하게 관리하는 토대가 됩니다.

코드 변경 이력을 관리하는 표준 도구 (이름은 영국 속어 '멍청이'에서)

그 git 위에 협업을 얹은 코드 호스팅 플랫폼입니다. 2008년 출시 후 2018년 마이크로소프트가 인수했고, 오픈소스 개발의 중심지이자 훗날 AI 코딩 에이전트들이 가장 자주 만나는 무대가 되었습니다.

전 세계 코드가 모이는 git 기반 플랫폼

git이 변경을 기록하는 한 칸이 커밋입니다. 여기까지 한 일을 저장한다고 도장을 찍는 단위라, 문제가 생기면 원하는 커밋 시점으로 되돌릴 수 있죠. AI가 자율로 고친 코드도 커밋 단위로 묶어 두면 한 걸음씩 안전하게 관리됩니다.

'여기까지 저장' 도장을 찍는 한 칸

원본은 그대로 두고 갈라져 나온 작업 가지가 브랜치입니다. 본줄기를 건드리지 않고 따로 실험한 뒤, 잘되면 다시 합칩니다. AI 에이전트가 위험한 변경을 따로 시도해 보는 격리된 작업 공간으로도 자주 쓰입니다.

원본은 두고 따로 실험하는 작업 가지

남의 저장소를 통째로 내 계정으로 복사해 오는 것이 포크입니다. 원본에 영향을 주지 않고 마음껏 고칠 수 있어, 오픈소스에 참여하는 가장 흔한 출발점이 됩니다. 고친 내용이 쓸 만하면 원본에 다시 반영을 제안할 수도 있습니다.

남의 코드 저장소를 통째로 복사해 오는 것

그리고 2017년, 판을 통째로 뒤집는 논문 한 편이 나옵니다. 구글의 'Attention is All You Need'가 제안한 이 신경망 구조는 어텐션으로 문장 전체 맥락을 한 번에 보며, 이후 모든 LLM의 표준 구조가 되었습니다.

모든 현대 LLM의 표준 구조

그 심장이 바로 어텐션입니다. 입력 토큰들 사이의 관계 중요도를 계산해 어느 단어에 더 집중할지 가중치를 매기죠. 트랜스포머의 핵심이자, AI가 긴 맥락을 비로소 이해하게 만든 결정적 장치입니다.

AI가 '어디에 집중할지' 정하는 방식

이 구조에 지능을 채우는 일은 두 단계로 나뉩니다. 먼저 방대한 일반 텍스트로 언어의 기본 패턴을 익히게 하는 단계가 사전학습이고, 그 위에 전문 영역을 얹습니다.

LLM이 언어 기본기를 익히는 단계

그 위에 얹는 두 번째 단계가 파인튜닝입니다. 사전학습된 LLM을 회사 자료나 특정 업무에 맞게 추가로 가르쳐, 일반 모델을 전문가로 다듬습니다.

일반 AI를 전문 분야에 맞춰 다듬기

그런데 AI는 글자를 그대로 읽지 못합니다. 텍스트를 토큰이라는 최소 단위로 잘라 처리하죠. 한글 한 글자가 보통 2~3토큰이며, 컨텍스트 윈도우의 용량과 API 비용도 모두 이 토큰 수로 셉니다.

AI가 세는 글자 수 단위

잘라낸 토큰의 '의미'는 숫자 벡터로 바꿉니다. 비슷한 내용일수록 가까운 좌표에 놓이기 때문에, 훗날 RAG의 유사도 검색이 가능해지는 출발점이 됩니다.

글의 의미를 숫자 좌표로 바꾸는 것

그 숫자 묶음이 바로 벡터입니다. 의미를 다차원 배열로 표현한 결과물이라, 벡터끼리의 거리만 재면 어떤 정보가 어떤 정보와 가까운지 알 수 있습니다.

의미를 표현하는 숫자 묶음, 가까우면 비슷한 뜻

이 모든 재료가 합쳐져 태어난 두뇌가 LLM입니다. 대량의 텍스트로 학습한 대규모 언어 모델로, GPT·Claude·Gemini가 모두 여기에 해당하며 훗날 에이전트의 사고를 담당합니다.

AI의 두뇌, 말을 이해하고 생성하는 엔진

그 두뇌에도 책상 크기의 한계가 있습니다. 한 번에 읽을 수 있는 정보량을 넘으면 오래된 내용부터 잘려나가죠. 이 윈도우 크기는 모델 세대를 가르는 핵심 지표이자, 다음 시대의 전쟁터가 됩니다.

AI의 작업 책상 크기, 넘치면 자료가 떨어진다

한편 에디터 쪽에서도 표준 하나가 자라고 있었습니다. 2016년 마이크로소프트가 공개한, 에디터와 코드 분석 서버를 잇는 이 프로토콜은 훗날 AI 에이전트 표준인 ACP·MCP의 사고방식에 씨앗을 남깁니다.

에디터에게 코드 구조를 알려주는 번역기

2022년 11월 ChatGPT가 등장하자, 모두가 AI에게 말을 걸기 시작했습니다. 그 대화 뒤에는 AI의 역할·규칙·성격을 미리 정해 두는 숨은 지시문이 있죠. 사용자 프롬프트보다 먼저 적용돼 AI의 행동 기준을 잡습니다.

AI에게 미리 귀띔하는 '넌 이런 역할이야'

사용자가 직접 보내는 지시문이 프롬프트입니다. '이걸 해줘'라는 모든 요청의 출발점이며, ChatGPT 이후 가장 빠르게 일상어가 된 단어 중 하나입니다.

AI에게 보내는 카카오톡 메시지 같은 것

잘 부탁하는 데도 기술이 생겼습니다. 예시·역할·형식을 지정해 원하는 결과를 끌어내는 이 기법은, 한때 새로운 직업으로 주목받을 만큼 중요해졌습니다.

AI에게 잘 부탁하는 기술

AI가 참고하는 건 프롬프트만이 아닙니다. 시스템 설정·대화 기록·파일·메모리까지 끌어다 보는 모든 정보를 컨텍스트라 부르며, ChatGPT 이후 본격적으로 중요해진 개념입니다.

AI의 기억에 올라와 있는 모든 참고 자료

그런데 AI는 자신 있게 거짓말을 했습니다. 사실이 아닌 내용을 그럴듯하게 지어내는 이 현상은 AI의 가장 큰 한계이자, 이후 등장하는 모든 검증 장치의 근본 이유가 되었습니다.

AI가 자신 있게 말하는 거짓말

개발자들은 새 무기를 들었습니다. 코드 편집·실행·디버깅을 하나로 묶은 통합 개발 환경에 AI가 들어오면서, Cursor 같은 AI 친화 IDE가 개발자의 기본 무대를 다시 짜기 시작했습니다.

코딩용 올인원 작업 도구

윈도우가 1만에서 200만 토큰까지 커지자, 이제 '무엇을 보여줄지'가 핵심이 됐습니다. 그 첫걸음이 기억입니다. 이전 대화나 작업 상태를 담아 두는 이 저장소가, 단발 대화를 며칠·몇 주짜리 협업으로 바꿔 놓았습니다.

AI의 메모장

기억도 한 종류가 아닙니다. 즉시 꺼내는 단기 기억과 검색해서 찾는 장기 기억으로 나뉘죠. CPU의 캐시·메모리·디스크 계층과 같은 원리로 작동합니다.

빠른 포스트잇 vs 서류 캐비닛

기억만으로 부족할 땐 밖에서 찾아옵니다. 임베딩으로 회사 자료에서 관련 부분만 골라 AI의 컨텍스트에 실시간으로 넣어 주는 이 기법이, 할루시네이션을 줄이는 표준 처방이 되었습니다.

시험 때 교과서 찾아보며 답 쓰는 것

결국 핵심은 '어떤 정보를 어떤 순서로 줄까'였습니다. CLAUDE.md 같은 운영 문서를 짜는 일까지 포함하는 이 방법론이, 프롬프트 엔지니어링의 다음 세대로 올라섰습니다.

AI의 책상 위를 정리하는 법

잘 정리된 정보 위에서 AI는 사용자의 속마음을 읽기 시작합니다. 진짜 달성하려는 목표가 무엇인지가, 에이전트가 어떤 도구를 고르고 어떤 정보를 더 끌어올지 판단하는 기준점이 됩니다.

'진짜로 원하는 게 뭔데?' AI가 읽는 속마음

모든 걸 한꺼번에 쏟아붓지 않는 것도 기술입니다. 상황에 맞춰 필요한 지시만 그때그때 꺼내 쓰는 이 패턴이, 한정된 컨텍스트 윈도우를 알뜰하게 쓰는 핵심 전략이 됐습니다.

필요한 정보만 그때그때 꺼내주는 것

이제 AI가 말을 받아 적는 단계를 넘어 직접 일하기 시작합니다. 목표만 던지면 스스로 판단하고, 도구를 고르고, 결과를 검증하는 자율 AI, 이것이 에이전트입니다. 단순 챗봇과 달리 여러 단계를 혼자 밟습니다.

시키면 알아서 해오는 AI 비서

그 능력이 가장 먼저 폭발한 곳이 코딩입니다. 사람이 한 줄씩 짜는 대신 에이전트가 자율적으로 코드를 작성·수정·테스트하는 이 방식은, Claude Code·Cursor와 함께 개발 풍경을 바꿔 놓았습니다.

AI에게 '이거 만들어' 하면 코드가 나오는 것

에이전트가 자율적일 수 있는 이유는 손이 있기 때문입니다. 텍스트 생성을 넘어 함수 호출·파일 조작·웹 검색 같은 외부 도구를 직접 집어 드는 이 능력이, 에이전트의 핵심 역량입니다.

AI가 직접 도구를 집어 들고 쓰는 것

자주 쓰는 일은 특기로 저장해 둡니다. 반복해서 불러 쓰는 전문 지시 묶음이 스킬이고, Claude Code에서는 슬래시 명령으로 호출하는 능력 단위가 됩니다.

AI에게 가르쳐둔 '특기' 하나

혼자 벅찬 일은 여럿이 나눠 맡습니다. 누가 언제 무엇을 할지 정하고 결과를 다시 통합하는 상위 조율자가 오케스트레이터로, 오케스트라 지휘자 같은 자리입니다.

여러 AI를 지휘하는 지휘자

지휘자가 일을 쪼개 넘기는 상대가 서브에이전트입니다. 메인 에이전트가 복잡한 작업을 작게 갈라 맡기는, 팀장이 팀원에게 업무를 배분하는 구조와 같습니다.

팀장 AI가 부르는 팀원 AI

일을 넘기는 그 지점이 핸드오프입니다. 에이전트 사이, 또는 에이전트와 사람 사이에서 '여기서부턴 네가 맡아'라며 작업을 인계하는 매듭입니다.

업무 인수인계, '여기서부턴 네가 해'

분업이 매번 즉흥일 순 없습니다. 작업의 순서와 조건을 미리 정의해 둔 실행 절차가 워크플로우이고, 에이전트가 반복 작업을 자동으로 처리할 때의 청사진이 됩니다.

자동화 레시피, 순서대로 따라가면 완성

자기 일을 스스로 검증하는 습관도 빌려 왔습니다. 테스트를 먼저 짜고 그걸 통과시킬 만큼만 코드를 쓰는 이 방식이, 에이전트가 자기 결과를 검증하는 피드백 루프의 기본 패턴으로 자리 잡았습니다.

시험 문제를 먼저 만들고 답을 푸는 방식

출발점을 명세로 두는 흐름도 있습니다. 사양 문서를 먼저 또렷이 한 뒤 그에 맞춰 구현하는 이 방식은, CLAUDE.md 같은 운영 문서를 시작점으로 삼는 에이전틱 코딩의 표준이 되었습니다.

설계도 먼저 정리하고 짓기

작업들이 얽히면 순서를 그려야 합니다. 무엇이 먼저 끝나야 다음으로 넘어갈 수 있는지를 노드와 엣지로 나타낸 의존 관계 지도가 그래프(DAG)입니다.

작업 순서를 화살표로 그린 지도

순서를 따질 필요가 없을 땐 한꺼번에 풉니다. 여러 에이전트가 각자의 독립된 컨텍스트에서 동시에 작업하는 병렬 실행 구조가 스웜입니다.

여러 AI가 동시에 따로 일하는 것

그렇게 늘어난 에이전트들을 한 덩어리로 봅니다. 개별이 아니라 운영 중인 에이전트 전체를 묶어 모니터링하고 관리할 때 쓰는 표현이 플릿입니다.

운영 중인 AI 팀 전체 명단

에이전트가 꼭 눈앞에서 일할 필요도 없습니다. 사용자 개입 없이 뒤에서 비동기로 도는 백그라운드 에이전트는, 야간 코드 리뷰나 자동 테스트에서 진가가 드러납니다.

밤새 혼자 일하는 AI 야근러

한 번의 대화로 끝나지 않는 일도 있습니다. 한 번의 컨텍스트 윈도우를 넘어, 여러 세션에 걸쳐 작업을 이어가는 것이 장기 실행 에이전트입니다.

며칠째 이어서 일하는 AI

오래 일하려면 중간중간 시험해 봐야 합니다. 코드를 입력하면 즉시 결과를 돌려주는 대화형 실행 환경 REPL이, 에이전트가 자기 코드를 시험하고 검증하는 단계에서 핵심 도구로 다시 부각되었습니다.

코드를 치면 바로 결과가 나오는 대화창

에이전트는 화면 밖으로도 손을 뻗습니다. 2025년 11월 오스트리아의 페터 슈타인베르거(Peter Steinberger)가 공개한 이 오픈소스 에이전트는 파일·터미널·브라우저를 자율적으로 제어해 '손이 달린 클로드'로 불리며, 카카오 PlayMCP가 연동을 지원합니다.

'손이 달린 클로드', 파일·터미널·브라우저를 직접 다룬다

스스로 나아지는 에이전트도 등장했습니다. 2026년 2월 Nous Research가 공개한 이 오픈소스 자율 에이전트는 200개 이상 모델과 40개 이상 도구를 지원하며, 사용자 환경에서 스킬을 만들고 기억을 이어가는 자기 개선형 구조가 특징입니다.

Nous Research가 만든 자기 학습형 자율 AI 에이전트

자율 AI를 회사에 들이려면 신뢰가 먼저였습니다. 그래서 에이전트의 시작부터 종료까지 전 과정을 감싸는 운영 틀이 등장합니다. 테스트 하네스에서 빌려온 이 개념이 AI 시대의 핵심 운영 인프라가 되었습니다.

AI를 감싸는 운영 울타리

그 울타리를 설계하는 일이 곧 기술이 됐습니다. 에이전트에 제약을 걸고 피드백 루프를 짜는 하네스 엔지니어링은, 대규모 코드 생성 사례에서 핵심 역량으로 부상하고 있습니다.

AI에게 규칙과 제한을 거는 기술

울타리 안에는 난간이 필요합니다. 위험한 출력이 나오기 전에 미리 끊어 내는 규칙과 필터가 가드레일로, 고속도로 난간처럼 에이전트의 이탈을 막아 줍니다.

위험한 방향으로 빠지지 않게 막는 난간

실수가 바깥으로 새지 않도록 가두기도 합니다. 외부에 영향을 줄 수 없는 격리된 실행 환경이 샌드박스이고, Codex가 Docker 컨테이너 안에서 코드를 돌리는 것이 대표 사례입니다.

실수해도 피해가 없는 연습 공간

결정적 순간에 끼어드는 검문소도 둡니다. 특정 동작이 실행되기 직전이나 직후에 자동으로 끼어드는 커스텀 코드가 후크로, Git의 pre-commit hook처럼 에이전트의 행동을 가로채 검증하거나 변환합니다.

실행 직전에 자동으로 끼어드는 검문소

무슨 일이 있었는지는 빠짐없이 기록합니다. 에이전트가 어떤 판단을 거쳤는지 남긴 실행 로그가 트레이스이고, 문제가 생겼을 때 원인을 되짚는 핵심 자료가 됩니다.

AI의 행동 녹화 기록

결과를 빠르게 확인하는 방법도 있습니다. 코드 변경 전후를 나란히 비교해 보여주는 출력이 디프로, 에이전트 결과물의 가장 빠른 1차 검증 수단입니다.

뭐가 바뀌었는지 한눈에 보는 비교표

안전망이 갖춰지자 이번엔 표준이 필요했습니다. AI 모델과 외부 도구를 잇는 개방형 프로토콜 MCP는, M×N개의 제각각 연동을 M+N으로 줄여 주는 만능 어댑터입니다.

AI와 도구를 잇는 만능 어댑터

에디터와 에이전트 사이에도 전용 회선이 깔립니다. Zed와 JetBrains가 주도하는 이 통신 규격은, 앞서 본 LSP의 사고방식을 에이전트 시대로 옮겨 온 표준입니다.

에디터가 AI와 대화하는 전용 회선

그렇다면 에이전트는 어떻게 일을 끝낼까요. 관찰·판단·행동·검증을 한 차례로 끝내지 않고, 목표에 닿을 때까지 여러 번 반복하는 실행 구조가 루프입니다. 한 번의 답변이 아니라 반복으로 일을 완성한다는 점에서 에이전트의 심장에 해당합니다.

목표에 닿을 때까지 AI가 스스로 도는 반복 고리

그 루프를 잘 도는 일 자체가 설계의 영역이 됐습니다. 언제 멈출지, 무엇을 검증할지, 어떻게 스스로 고칠지를 미리 짜 넣어 에이전트가 헛돌지 않게 만드는 일이 루프 엔지니어링입니다. 앞서 본 하네스 엔지니어링과 짝을 이루는 운영 기술로 자리 잡았습니다.

AI가 헛돌지 않게 반복 구조를 설계하는 기술

그 루프를 길게 돌리는 한 가지 방법입니다. 매 반복마다 새 세션을 열되 git 기록과 진행 파일로 맥락을 이어가는 자율 코딩 루프로, Geoffrey Huntley가 공개한 패턴으로 알려졌습니다.

매번 새로 시작하되 일지로 이어가는 패턴

사람이 부르지 않아도 스스로 깨어나는 단계도 생겼습니다. 정해진 일정에 따라 실행되는 예약형 에이전트가 루틴으로, 매일 아침 브리핑이나 주기적 점검을 크론 일정에 맞춰 알아서 시작합니다.

정해둔 시각에 알아서 일어나 일하는 예약 AI

자율 루프에는 함정이 있었습니다. 일을 한 AI가 스스로 채점하면 제 답에 후해지죠. 그래서 만드는 역할과 검증하는 역할을 다른 주체로 갈라놓는 원칙이 자리 잡았습니다. 코드를 쓴 에이전트와 합격을 판정하는 에이전트를 나누는 이 구조가, 루프가 헛돌지 않게 잡아 주는 안전장치입니다.

만든 AI와 검사하는 AI를 따로 두는 원칙

루프의 다음 야심은 스스로 좋아지는 것이었습니다. 운영 기록을 되짚어 루프 자체의 프롬프트와 절차를 조금씩 다듬어 올라가는 방식이죠. 모델은 그대로 두고 그 주변 틀을 고쳐 성능을 끌어올리는 이 메타 루프가, 하네스가 스스로 진화하는 연구의 출발점이 되었습니다.

운영 기록을 보고 루프가 스스로 나아지는 것

여기까지는 그 운영 틀을 회사가 직접 짊어졌습니다. 그런데 루프·도구 실행·샌드박스를 스스로 만들지 않고, 모델 제공사가 관리하는 클라우드 위에서 자율 에이전트를 길게 돌리는 길도 열렸습니다. Claude Managed Agents가 대표 사례로, 개발자는 모델·도구·MCP·스킬만 정의하고 실행 환경은 통째로 맡깁니다. 인프라를 직접 짓는 부담을 덜어 주는, 운영의 또 다른 갈래입니다.

운영 인프라까지 통째로 맡기는 자율 AI 실행 방식

그리고 에이전트는 화면 밖으로 발을 내딛습니다. 카메라와 센서로 현실을 인식하고 로봇의 팔다리로 물리 세계에 직접 행동하는 AI가 피지컬 AI입니다. 소프트웨어에 갇혀 있던 지능이 공장·물류·자율주행·휴머노이드처럼 손으로 만질 수 있는 현장으로 넘어가는, 에이전트의 다음 무대입니다.

화면 밖 현실에서 몸으로 일하는 AI