Jev 열풍, 미국 증시 관련 종목은?

요즘 AI 개발자들의 타임라인에 새로운 이름이 자주 등장합니다. 바로 Jev입니다.

누군가는 논문 분류에 사용하고, 누군가는 에이전트가 호출할 도구를 고르는 데 쓰며, 또 누군가는 드론 시뮬레이터에 연결해 드론이 장애물을 피할 동작을 선택하게 합니다. OpenRouter, Cloudflare 같은 플랫폼도 이 새로운 모델을 도입했고, Jev를 활용한 애플리케이션 데모가 잇따라 나오고 있습니다.

JEV가 AI의 의사 결정을 더 빠르고 저렴하게 만든다면, 어떤 미국 주식이 수혜를 볼 수 있을까요?

투자 논리를 이해하기 전에 먼저 Jev가 정확히 무엇인지 알아야 합니다.

선택형 문제 풀기

Jev는 TypeSafe AI가 9월 15일에 출시한 의사 결정 모델입니다. 회사는 이 모델이 속한 범주를 System One, 즉 '시스템 1'이라고 부르는데, 행동경제학의 기념비적 저서 《생각에 관한 생각: 우리의 행동을 결정짓는 생각의 두 가지 시스템》에서 말하는 빠른 판단 개념을 차용한 것입니다. 텍스트 설명을 이해하고 주로 선택지, 점수, 확률을 출력해 소프트웨어가 이어서 처리할 수 있게 합니다.

예를 들어 보겠습니다. 한 온라인 쇼핑몰에 이런 메시지가 도착했습니다. "어제 컵을 샀는데 두 번 결제된 것 같아요. 확인해 주실 수 있나요?"

시스템이 해결해야 할 작은 문제가 여러 개 있습니다. 이 건은 애프터서비스인가 재무인가? 사용자가 청구서 조회를 원하는가 환불을 요청하는가? 기존 기록에 중복 결제가 나타나는가?

개발자는 선택지를 미리 정해 Jev가 각각 답하게 할 수 있습니다. 그런 다음 프로그램이 주문과 결제 기록을 대조해 해당 처리 절차로 넘어가고, 고객에게 설명이 필요할 때는 표현에 능한 모델에게 맡깁니다.

이것이 Jev의 기본 사용법입니다. 상황을 주고, 질문을 정하고, 선택하게 하는 것입니다.

범용 대형 모델도 이런 작업을 할 수 있습니다. Jev의 매력은 분류, 평가, 선택에 특화해 작은 판단 하나에 드는 시간과 비용을 줄인다는 점입니다. 결과를 바로 프로그램에 전달하므로 설명을 생성하는 과정을 생략합니다.

더 확장하면, 매일 수천 건의 업계 정보를 받지만 정말 자세히 읽을 가치가 있는 것은 수십 건에 불과합니다. 먼저 Jev가 각 정보가 관심 있는 회사와 관련 있는지, 새로운 정보를 담고 있는지 판단하게 한 뒤 범용 모델이 걸러진 내용을 요약하게 할 수 있습니다. 이렇게 하면 범용 모델은 깊이 읽을 가치가 있는 부분만 처리하고, 많은 단순 판단은 비용이 더 낮은 Jev에 맡깁니다.

비슷한 시도는 이미 브라우저 조작, 검색, 게임 등으로 확장되고 있습니다. 둥차 Beating의 Jev 특집은 용도별로 이런 프로젝트를 정리해 Jev가 어떤 판단을 담당하는지 소개하고 소스 코드와 일부 데모 링크를 첨부했습니다. 구체적인 사례와 함께 보면 이런 '선택형 문제 풀기' 능력을 어디에 쓸 수 있는지 더 쉽게 이해할 수 있습니다.

비용을 최저로

TypeSafe가 공개한 가격에 따르면 Jev는 입력 토큰 100만 개당 0.042달러이며 출력은 무료입니다.

비용 절감의 의미는 원래 표본 검사만 가능했던 작업을 전수 검사할 수 있게 된다는 점입니다. 고객 서비스 기록을 건별로 분류하고, 검색된 자료의 관련성을 건별로 판단하며, 지능형 에이전트가 도구를 호출할 때마다 한 번 더 선별할 수 있습니다.

예를 들어, 뉴스 분석 프로그램이 과거에는 매일 가장 인기 있는 기사만 골라 AI에 넘겼다면, 이제는 모든 기사를 먼저 확인한 뒤 회사, 제품, 주문, 인사 변동별로 분류할 수 있습니다. 인기는 낮지만 특정 중요 기업과 직접 관련된 정보도 찾아낼 기회가 생깁니다.

Jev라는 이름은 경제학자 제본스에서 따왔습니다. 그의 가장 유명한 업적은 '제본스의 역설'을 제시한 것입니다. 개발자들은 판단이 저렴해지면 소프트웨어가 더 자주 사용하게 되기를 바랍니다. 과거에는 대형 모델을 한 번 호출할 가치가 없던 곳도 비용 계산을 다시 해볼 수 있게 됩니다.

Jev와 물리적 장치

개발자 Roman Slack이 드론 프로젝트를 만들었습니다. MuJoCo 시뮬레이터에서 쿼드콥터 드론이 전방의 목표물을 추적하며 기둥, 가로대, 이동 장애물 사이를 통과하는 것입니다.

프로그램은 먼저 카메라가 얻은 깊이와 세그멘테이션 정보를 데이터로 정리해 Jev에게 전방이 막혔는지, 좌우 어느 쪽에 빈틈이 있는지, 장애물 높이가 얼마인지 알려줍니다. Jev는 다시 항로 유지, 좌회피, 우회피, 상승, 제동 등의 동작 중에서 선택합니다.

예를 들어 가로대가 통로 전체를 막아 좌우로는 돌아갈 수 없지만 위쪽에 공간이 있다면, Jev는 상승을 선택하고 제어 프로그램이 이 선택을 드론의 운동 명령으로 변환합니다.

비행 중 각 모듈은 제 역할을 합니다. Jev는 어디로 갈지 판단하고, 제어 프로그램은 균형 유지, 모터 추력 조정, 긴급 장애물 회피를 담당합니다. 카메라는 환경 정보를 제공하고, 의사 결정 모델은 동작을 선택하며, 컨트롤러는 동작을 실행합니다.

같은 분업은 로봇 팔이 컵을 집는 것으로도 이해할 수 있습니다. 카메라가 컵의 위치를 식별하고, 센서가 거리와 힘을 측정하며, 컨트롤러가 손가락 동작을 조절하고, 의사 결정 모델이 어떤 컵을 먼저 집을지, 장애물을 만나면 어떻게 할지 판단에 참여합니다.

이런 판단이 저렴해지고 연결하기 쉬워지면 자동화 장비 개발 비용이 낮아질 기회가 생깁니다. 과거에는 소프트웨어 개발 비용이 너무 비싸고 사용 시나리오가 너무 작아 수지가 맞지 않던 장비도 새로운 사업 공간을 얻게 됩니다.

이것이 Jev를 일부 기업과 연결합니다. 더 많은 장비가 공장, 창고, 가정에 들어온다는 것은 더 많은 센싱, 전력 공급, 컴퓨팅, 모션 제어 수요를 의미합니다.

어떤 종목이 수혜를 볼 수 있나

이런 관점에서 보면 주목할 것은 장비가 환경을 감지하고 동작을 실행하는 데 필요한 부품입니다. 소프트웨어가 어떤 모델을 선택하든 로봇은 자신이 어디에 있고 주변에 무엇이 있는지 알아야 하며, 전력을 정확한 동작으로 변환해야 합니다.

텍사스 인스트루먼트(TXN), 감지와 실행을 아우르는 부품

아날로그 반도체는 전압, 전류 등 연속적으로 변하는 신호를 처리하고 전력 공급과 구동 작업도 담당합니다. TXN의 로봇 제품은 신호 수집, 모터 제어, 전원, 임베디드 프로세싱을 포괄합니다.

로봇이 팔을 들기로 결정한 뒤 전류를 모터에 어떻게 보내고 힘을 어떻게 제어할지는 모두 이런 부품이 필요합니다. 더 저렴한 자동화가 더 많은 로봇, 로봇 팔, 스마트 장비를 가져온다면 TXN은 이 장비들에 더 많은 주변 칩을 판매할 기회를 얻습니다.

아날로그디바이시스(ADI), 더 정밀한 감지와 모션에 대응

ADI의 로봇 솔루션은 관성 센싱, 카메라 연결, 산업용 통신, 모션 제어 인터페이스를 포함합니다. 예를 들어 창고 로봇이 조명이 어두운 통로에 들어가면 관성 정보를 결합해 자신의 움직임을 판단해야 하고, 여러 카메라와 센서가 동시에 작동하면 데이터를 프로세서에 동기화해 보내야 합니다.

장비가 맡는 작업이 복잡할수록 감지 정밀도, 연결 안정성, 모션 제어에 대한 요구가 높아집니다. ADI의 수혜 논리는 더 많은 자율 장비에 이런 부품을 공급하는 것입니다.

ST마이크로(ST), 저전력 장비의 AI에 대응

이른바 엣지 AI는 장비가 로컬에서 일부 데이터를 처리하게 하는 것입니다. STM의 STM32N6 마이크로컨트롤러는 이미 신경망 연산용 가속기를 통합해 비용과 전력에 민감한 비전, 사운드 등의 애플리케이션을 겨냥합니다.

예를 들어 소형 카메라 장비가 로컬에서 물체를 식별하고, 산업 장비가 소리로 작동 이상 여부를 판단할 수 있습니다. Jev를 둘러싼 논의는 투자자들의 관심을 이런 용도로 이끌었습니다. 많은 단순하고 반복적인 지능 작업이 더 낮은 가격, 더 작은 크기의 장비에 들어갈 기회가 생긴 것입니다. STM이 제공하는 것은 바로 이런 장비에 필요한 처리 능력입니다.

온세미컨덕터(ON), 비전과 전력 소자에 대응

ON이 로봇용으로 제공하는 제품에는 이미지 센서, 깊이 센서, 전력 트랜지스터, 모터 드라이버 칩이 포함됩니다. 앞의 두 종류는 화면과 거리 데이터를 수집하고, 뒤의 두 종류는 모터에 필요한 전류를 제어합니다.

창고 운반 로봇을 예로 들면, 카메라 속 이미지 센서가 전방 선반의 화면을 수집하고, 깊이 센서가 장애물과의 거리를 측정하며, 모터 드라이버 칩이 전력 트랜지스터와 함께 전류를 제어해 바퀴를 굴립니다. 더 많은 로봇과 스마트 카메라 장비가 사용되면 이런 센서와 칩 수요가 늘어날 기회가 생깁니다.

이 네 회사 외에 관찰 목록에 올릴 만한 회사가 세 곳 더 있습니다.

NXP(NXPI)

관련 사업: i.MX 프로세서, 마이크로컨트롤러, 연결 및 제어 제품

수혜 논리: 더 많은 로봇과 산업 장비에 컴퓨팅, 통신, 제어 능력 제공

퀄컴(QCOM)

관련 사업: 로봇, 드론, 온디바이스 AI를 위한 Dragonwing 플랫폼

수혜 논리: 장비 로컬에서 비전, 컴퓨팅, 연결 작업을 처리하는 수요 흡수

클라우드플레어(NET)

관련 사업: Jev 서드파티 모델의 접근 및 호출 제공

수혜 논리: 개발자가 Jev를 고객 서비스 분류, 데이터 선별, 지능형 에이전트 스케줄링에 사용할 때 애플리케이션 배포, 데이터 연결, 호출 관리도 필요합니다. 클라우드플레어의 기회는 이런 애플리케이션이 자사 플랫폼에서 계속 실행되도록 하는 것입니다.

아직 초기 단계

Jev는 현재 판단 정확성, 문제 설계, 서비스가 장기 운영 비즈니스를 뒷받침할 수 있는지 등 해결해야 할 문제가 남아 있습니다.

먼저 Jev의 '환각 없음' 홍보는 오해를 부르기 쉽습니다. A, B, C 중에서만 선택하도록 규정하면 프로그램이 인식하지 못하는 D를 반환하는 것은 막을 수 있지만, 여전히 잘못 고를 수 있습니다. 고객 서비스 예로 돌아가면, 프로그램이 '재무 부서로'라는 답을 문제없이 읽어낸다고 해서 그 티켓이 정말 재무 부서에서 처리해야 하는 것은 아닙니다.

한 개발자가 Jev로 8가지 유형의 작업을 테스트해 16,000번의 판단을 수행했는데, 그는 Jev의 속도와 비용 이점을 인정하면서도 실제 상황을 포괄하려면 문제와 선택지를 더 조정해야 한다는 점을 발견했습니다. 그는 공급업체가 운영 경험을 더 쌓고 시장에 대안이 나온 뒤에 프로덕션 비즈니스에 연결하고 싶다고도 밝혔습니다.

Jev가 얼마나 많은 작업을 맡을 수 있을지는 아직 알 수 없지만, 한 가지 추세는 분명해졌습니다. 많은 반복적 판단은 JEV에 맡기고 복잡한 작업은 범용 모델에 남기는 것입니다.

자동화의 개발 및 사용 비용이 낮아지면 아날로그 칩, 엣지 AI, 자율 장비도 자신만의 'ChatGPT 모멘트'를 맞이하게 될까요?