1. 차세대 AI 모델 ‘Muse Wonder’
• 기존 Muse Spark와 다른 사전학습 기반의 훨씬 큰 모델. 개인·업무용 AI 에이전트에 최적화.
• ‘Muse Wonder’와 상위 모델 ‘Muse Wonder Full’로 구성.
• 메타 측은 자체 평가에서 개인·업무 에이전트, 금융·법률 분야에서 최상위 성능을 확인했다고 설명. 코딩 벤치마크 DeepSWE·SWE-Marathon 등에서도 높은 성적을 기록했다고 발표.
• 목표는 질문에 답하는 챗봇을 넘어, 복잡한 업무를 실제로 위임받아 완수하는 에이전트.
2. 핵심 기능: 기억·집중·전문성
• Active Memory(능동적 기억): 며칠·몇 주·몇 달 전 대화와 정보를 기억해 이후 작업에 활용. 모델이 기억의 압축·활용 방식도 학습.
• Active Focus(능동적 집중): 복잡한 장기 작업을 지속하고, 장애물이 생겨도 대안을 찾아 끝까지 처리.
• 전문 영역 역량: 법률·금융·의료·세금·쇼핑 등 다양한 분야를 아우르는 ‘전문가 팀’ 같은 에이전트 지향.
• 텍스트에 치우치지 않고 이미지·음성·영상을 이해하는 멀티모달 성능을 중점 강화.
3. ‘모델 자체가 제품’
• 제품의 차별화는 UI보다 모델의 성격, 신뢰성, 주도성, 기억, 도구 사용 방식에서 발생한다는 입장.
• Muse는 복잡한 모델 선택·추론 강도 설정 없이 간단하게 사용하도록 설계.
• 기존 AI가 정보 검색·답변에 집중했다면, 에이전트는 구매·예약·실제 작업을 수행.
• 개인정보를 활용하면서도 외부에 불필요하게 공개하지 않는 ‘분별력(discretion)’이 중요. 전용 가상 컴퓨터를 통한 보안·프라이버시도 강조.
4. 에이전트 실제 활용
• 격투기 체육관 영상을 분석해 자세·균형을 파악하고, 라운드 사이 1분 휴식 중 코칭. 이 과정에서 필요한 영상·이미지 처리 코드를 에이전트가 구성.
• 대만·일본 농장의 희귀한 차를 찾아 정기 구매.
• 가족과 대화하며 세운 제빵 계획에 맞춰 재료를 미리 주문하고, 이전 대화 맥락을 반영해 상품·선물 추천.
• 음성 인터페이스는 입력의 편의성이 높지만, 대화 중 끼어들기·응답 시점 등 자연스러운 상호작용은 여전히 개발 과제.
5. AI 에이전트가 바꾸는 상거래
• 현재는 에이전트가 웹사이트를 직접 사용. 향후 기업과 API를 연결해 속도와 효율을 높일 계획.
• 장기적으로 기업마다 자체 AI 에이전트가 생기고, 소비자 에이전트와 직접 소통하는 구조를 전망.
• 상품 탐색·비교·배송 조건 확인·결제까지 자동화해 구매 절차를 단축.
• 저커버그는 에이전트가 기존 거래를 대체할 뿐 아니라 새로운 소비·서비스 이용을 창출할 수 있다고 설명.
• 스트라이프 측은 에이전트 상거래 지표가 9월부터 급증했다고 언급. OpenRouter 인수에 합의했으나 인터뷰 당시 거래는 미종결. OpenRouter 처리량은 하루 10조 토큰 이상이라고 소개.
6. 배포 및 수익화
• Muse Spark 기반 무료 서비스 유지. 더 큰 Wonder의 고난도 작업은 초기에는 유료 구독 중심으로 제공.
• Wonder는 메타 모델 API·OpenRouter·Muse Code로도 제공하고, Wonder Full은 Muse Code 구독자에게 제공할 계획.
• 장기적으로 Wonder급 성능을 Spark처럼 가벼운 모델에 담아 수억 명이 사용할 수 있도록 하는 것이 목표.
• 수익원은 유료 구독, 에이전트 상거래, 개발자 API, 기업용 AI 플랫폼, 중소기업 운영 지원 서비스.
• 기존 메타 핵심 사업에 AI를 적용해 성장률을 추가로 높이는 효과도 투자 재원으로 설명.
7. 모델 개발 방식과 MSL 조직
• 라마4의 개발 방향에 만족하지 못해 조직 전면 재편. 메타 초지능연구소(MSL)는 소수 정예·높은 인재 밀도·수평적 조직을 지향.
• 연구진은 200명 미만이며 100명에 가까운 수준이라고 설명. 핵심 연구자에게 대규모 컴퓨팅 자원을 집중 배분.
• 사전학습에는 텍스트·이미지·영상·음성 및 전문 분야 데이터를 대규모 투입.
• SFT(지도 미세조정)로 기본 행동·성격을 형성하고, RL(강화학습)로 작업 수행 능력과 일관성을 향상.
• Spark 1.0→1.3 개선은 같은 사전학습 기반에서 RL을 강화한 사례. Wonder는 별도 대형 사전학습 모델.
• 외부 벤치마크만 추종하기보다 실제 사용자 경험에 기반한 내부 평가, 데이터 품질, 안전한 강화학습 환경 중시.
• Wonder 개발은 지난해 8월부터 기획됐으며, 한 세대의 모델이 출시되기 전부터 다음 세대를 준비하는 장기 프로젝트라고 설명.
8. 데이터센터 투자 규모
• 오하이오 Prometheus 클러스터는 1GW 이상으로 확장, 루이지애나 Hyperion은 최종 5GW 규모 목표.
• 저커버그 추산 1GW급 클러스터 연간 운영비 약 150억 달러, 초기 구축비 약 500억~600억 달러.
• 별도의 연구·실험까지 합친 최첨단 모델 개발 비용은 수백억 달러 규모로 설명.
• 모델 성공을 확인하기 전부터 1,000억~2,000억 달러 수준의 투자 결정을 논의해야 했다고 회고.
• 메타는 기존 사업의 현금창출력과, 자체 AI 모델 외에도 활용 가능한 컴퓨팅 자산의 가치를 투자 근거로 제시.
9. 차세대 플랫폼과 AI 경쟁
• 스마트 안경은 AI가 사용자의 시각·청각 정보를 이해하고 필요한 정보를 시야에 표시하는 멀티모달 기기로 발전할 것으로 전망.
• Muse Gadgets를 통해 스마트폰·가정용 기기로 확장. 조명·스피커 제어 사례 소개.
• 메타는 데이터센터·칩·모델·디바이스를 아우르는 자체 기술 체계 구축을 지향.
• 저커버그는 초지능의 핵심 가치를 단순 업무 자동화보다 인간의 발명·창작 능력 확대에 두고 있다고 강조.
• AI 시장은 하나의 모델이 독점하기보다 여러 최첨단 모델이 각기 다른 영역에 특화할 수 있으며, 모델 증류와 오픈소스가 경쟁을 촉진한다고 설명.
https://youtu.be/XfdIhd1g6EI?si=jxjXiBMc7P7bkoCw
https://x.com/DrNHJ/status/2109790229091766754?s=20