몇 달 된 영국 AI 스타트업 Ineffable Intelligence가 시드 단계에서 11억달러를 조달했다. 창업자는 딥마인드에서 강화학습을 이끈 데이비드 실버이고, 회사가 내건 목표는 인간이 만든 텍스트를 덜 의존하고 "경험으로 배우는" AI다.12
중요한 건 금액 자체보다 베팅의 방향이다. 지금까지 시장은 "더 큰 모델, 더 많은 데이터, 더 좋은 챗봇"에 익숙했다. 그런데 이번 건은 다른 질문을 던진다. 다음 AI 물결은 말을 잘하는 모델이 아니라, 행동하고 실패하고 다시 시도하며 배우는 시스템에서 나오나?
'Ineffable'이라는 이름이 말하는 것: 언어만으로는 안 잡히는 지능
확인된 사실부터 보자. Ineffable은 강화학습 중심의 "superlearner"를 만들겠다고 밝혔다. 핵심 주장은 인간 데이터 없이도 지식과 기술을 스스로 발견할 수 있다는 것이다.13
이 이름은 단순한 브랜딩이 아니다. "ineffable"은 말로 다 표현할 수 없는 것을 뜻한다. 여기엔 현재의 언어 중심 AI가 잘하는 것과 못하는 것의 경계가 들어 있다.
LLM은 인터넷에 축적된 인간 표현을 압축해 재구성하는 데 탁월하다. 문장 생성, 요약, 코드 보조, 질의응답은 강하다. 하지만 긴 시간에 걸친 의사결정, 불확실한 환경에서의 적응, 실제 행동을 통해 생기는 피드백 학습은 여전히 약하다. 아는 척은 잘해도, 환경 속에서 실력을 쌓는 구조는 아니다.
실버가 주목받는 이유도 여기 있다. 그는 딥마인드에서 AlphaGo, AlphaZero 계열 연구를 이끌며, 인간 기보 없이도 self-play와 강화학습으로 초인적 성능을 만든 경험이 있다.1 이번 창업은 그 성공 공식을 보드게임 밖으로 넓히겠다는 선언에 가깝다.
다만 여기서 바로 "LLM은 끝났다"로 가면 과장이다. 게임처럼 규칙이 명확한 세계와 현실 세계는 다르다. 현실은 보상이 불분명하고, 시뮬레이션하기 어렵고, 실수 비용도 크다. Ineffable의 비전은 분명 흥미롭지만, 아직은 검증 전 단계다.
텍스트 AI에서 경험 AI로 가면, 스택 자체가 바뀐다
경험 기반 AI는 데이터셋만 바꾸는 일이 아니다. 제품과 인프라의 기본 단위가 달라진다.
언어 모델의 핵심 자산은 대규모 텍스트와 그 위의 사전학습이다. 반면 경험 기반 AI는 상호작용 가능한 환경, 보상 설계, 시뮬레이터, 반복 학습 루프가 중요해진다. 즉 "얼마나 많은 문서를 읽혔는가"보다 "어떤 세계에서 얼마나 많이 행동하게 했는가"가 경쟁력이 된다.
이건 실무적으로 큰 차이를 만든다. 좋은 제품이 챗 UI일 필요가 없다. 오히려 물류 최적화, 산업 제어, 게임 에이전트, 로보틱스, 반도체 설계, 자율 운영 소프트웨어처럼 "행동-피드백-개선" 구조가 있는 문제에서 먼저 힘을 발휘할 가능성이 높다.
그래서 이번 라운드에 엔비디아, 구글, 영국 정부 자금까지 들어온 점도 상징적이다.24 이건 단순한 모델 API 비즈니스가 아니라, 막대한 컴퓨트·인프라·국가 전략이 얽힌 장기전이라는 신호다. 쉽게 말해, 다음 경쟁은 프롬프트 엔지니어링보다 시뮬레이션과 학습 환경 설계 쪽에서 벌어질 수 있다.
hype인지 아닌지 가르는 5가지 체크포인트
앞으로 Ineffable이나 비슷한 회사를 볼 때는 "초지능" 같은 큰 단어보다 아래 신호를 보는 편이 낫다.
첫째, 인간 라벨 없이 성능이 실제로 오르는가.
둘째, 한 환경에서 배운 전략이 다른 과제로 옮겨가는가.
셋째, 모델이 단순 정답 맞히기가 아니라 장기 보상을 개선하는가.
넷째, 불확실성과 예외 상황에서 무너지지 않는가.
다섯째, 벤치마크 점수 말고 실제 운영 비용·성공률·생산성 같은 바깥 지표가 좋아지는가.
이 기준이 중요한 이유는, 경험 기반 AI는 데모는 화려해도 일반화에서 쉽게 무너질 수 있기 때문이다. 특히 RL은 오래전부터 잠재력은 컸지만, 현실 문제에선 보상 해킹, 샘플 비효율, 환경 전이 실패가 반복됐다. 이번에도 진짜 승부는 "알파고의 영광 재현"이 아니라, 개방형 세계에서의 안정성 증명이다.
지금 누가 신경 써야 하나
창업자라면 챗봇 래퍼를 하나 더 만드는 대신, 반복적 의사결정과 피드백 루프가 풍부한 산업 문제를 다시 봐야 한다. 경험에서 배우는 시스템은 특히 운영 자동화, 시뮬레이션 기반 설계, 로보틱스, 게임, 에이전트 툴링에서 기회가 크다.
엔지니어라면 모델 호출 최적화만으로는 차별화가 약해질 수 있다. 강화학습, 환경 설계, 평가 체계, 시뮬레이션, 안전 제어 같은 역량이 더 오래가는 기술이 될 가능성이 있다.
투자자나 기술 리더라면 질문을 바꿔야 한다. "이 회사의 모델이 얼마나 말이 유창한가"보다 "이 회사가 스스로 개선되는 루프를 만들었는가"를 봐야 한다.
Ineffable Intelligence가 성공할지는 아직 모른다. 확인된 것은 거대한 자금과 뚜렷한 문제의식, 그리고 검증되지 않은 야심이다.124 하지만 한 가지는 분명하다. 다음 AI 경쟁의 일부는 더 이상 텍스트를 더 많이 먹이는 싸움이 아닐 수 있다. 행동하고 배우는 시스템이 실제 성과를 내기 시작하는 순간, 우리가 주목해야 할 회사와 기술 스택도 함께 바뀐다.
참고
1DeepMind's David Silver just raised $1.1B to build an AI that learns without human data
4UK-based AI startup Ineffable raises $1.1 billion in Europe's largest seed financing
이 노트는 보도·비평·교육·연구 목적으로 작성되었습니다. 저작권 문의가 있으시면 에서 알려주세요.