지난 장에서 우리는 AI 모델을 고를 때 더 이상 "가장 똑똑한가"만 묻지 않는다는 사실을 살펴보았다. 비용, 속도, 정확도, 보안, 배치 방식이 함께 계산되어야 한다. 그런데 이 계산은 이제 한 단계 더 복잡해진다. AI가 텍스트만 읽고 쓰는 존재에서 벗어나 눈으로 보고, 귀로 듣고, 목소리로 말하고, 영상과 센서 데이터를 동시에 이해하는 방향으로 움직이고 있기 때문이다.
멀티모달 AI의 등장은 단순히 "이미지도 올릴 수 있는 챗봇"이 생겼다는 뜻이 아니다. 더 큰 변화는 인터페이스 자체에 있다. 우리는 지금까지 컴퓨터에 명령하기 위해 키보드를 두드리고, 메뉴를 찾고, 버튼을 눌렀다. 생성형 AI가 나온 뒤에는 프롬프트를 입력했다. 하지만 사람끼리 일할 때 우리는 그렇게 하지 않는다. 말하면서 화면을 보여주고, 손가락으로 가리키고, 상대의 표정과 목소리 톤을 보며 의미를 보정한다. 멀티모달 AI는 바로 이 인간적인 상호작용 방식을 디지털 시스템 안으로 끌어들이고 있다.
텍스트 너머의 AI, 맥락을 함께 읽기 시작하다
멀티모달에서 '모달리티'란 정보를 주고받는 형식을 뜻한다. 텍스트, 이미지, 음성, 영상, 센서 신호가 각각 하나의 모달리티다. 초기 AI 시스템은 대체로 한 가지 형식에 특화되어 있었다. 음성 인식 모델은 말을 글자로 바꾸고, 이미지 분류 모델은 사진 속 사물을 맞히고, 언어 모델은 문장을 생성했다. 여러 기능을 연결할 수는 있었지만, 그 연결은 종종 컨베이어벨트처럼 이어졌다. 먼저 음성을 텍스트로 바꾸고, 그 텍스트를 언어 모델에 넣고, 다시 음성 합성 시스템으로 읽어주는 식이었다.
이 방식은 유용했지만 한계가 뚜렷했다. 예를 들어 고객이 고장 난 세탁기 사진을 올리며 "여기서 이상한 소리가 나요"라고 말한다고 해보자. 텍스트 모델만으로는 "여기"가 어디인지 알 수 없다. 이미지 모델만으로는 고객의 불안한 목소리나 문의 의도를 알 수 없다. 음성 인식만으로는 기계의 상태를 볼 수 없다. 멀티모달 AI는 이런 정보를 따로 처리한 뒤 억지로 붙이는 것이 아니라, 사진 속 부품, 고객의 말, 음성의 뉘앙스, 이전 상담 기록을 하나의 맥락 안에서 함께 해석한다.
최근 멀티모달 생성 AI 연구는 이해와 생성을 통합하는 방향으로 빠르게 이동하고 있다. 멀티모달 대형 언어 모델은 이미지나 영상 내용을 이해하고, 확산 모델 계열은 이미지와 영상을 생성하는 데 강점을 보여왔으며, 이제는 이 둘을 하나의 시스템으로 묶으려는 시도가 확대되고 있다1. 중요한 것은 입력 형식이 많아졌다는 사실이 아니라, AI가 서로 다른 형식 사이의 관계를 추론하기 시작했다는 점이다. "사진 속 이 부품이 설명서의 어느 항목과 연결되는가?", "환자의 영상 소견과 진료 기록이 서로 모순되는가?", "강의 화면을 보던 학생이 어느 순간부터 이해하지 못하고 있는가?" 같은 질문이 가능해진다.
이 변화는 사용자의 행동도 바꾼다. 사람은 더 이상 AI에게 완벽한 문장으로 설명하려 애쓰지 않아도 된다. 화면을 보여주며 "이 부분을 고쳐줘"라고 말하고, 회의 중 화이트보드를 비추며 "방금 논의한 내용을 실행 계획으로 정리해줘"라고 요청할 수 있다. 복잡한 장비 앞에서는 매뉴얼의 페이지 번호를 찾는 대신 카메라를 켜고 "지금 이 경고등은 무슨 뜻이야?"라고 물을 수 있다. AI와의 상호작용이 타이핑 중심에서 말하기, 보여주기, 가리키기, 듣기 중심으로 이동하는 것이다.
챗봇의 턴을 넘어, 실시간 협업으로
오늘날 대부분의 AI 인터페이스는 여전히 턴 기반이다. 사용자가 질문을 입력한다. AI가 답한다. 사용자가 다시 묻는다. 이 구조는 이메일을 주고받는 것처럼 명확하고 안정적이지만, 실제 협업과는 거리가 있다. 사람이 일할 때는 상대의 말이 끝날 때까지 항상 기다리지 않는다. 중간에 "잠깐, 그건 이 조건이 빠졌어"라고 끼어들고, 상대가 화면을 바꾸면 즉시 그 변화에 반응한다. 상대가 망설이면 설명을 덧붙이고, 표정이 어두워지면 난이도를 낮춘다.
턴 기반 AI는 이런 흐름을 잘 담지 못한다. 사용자가 말하는 동안 모델은 대개 기다린다. 모델이 답변을 생성하는 동안에는 새로 들어오는 화면 변화나 사용자의 반응을 충분히 반영하지 못한다. 그래서 사용자는 AI가 틀린 방향으로 길게 답하고 있다는 사실을 알면서도 멈추거나 수정하기 어렵다. 이때 협업은 대화라기보다 주문과 납품에 가까워진다.
실시간 상호작용 모델은 이 병목을 깨려 한다. Thinking Machines Lab이 공개한 상호작용 모델 연구는 오디오, 비디오, 텍스트를 지속적인 스트림으로 받아들이고, 모델이 듣고 보는 동안 동시에 생각하고 응답하는 구조를 제안한다. 이 접근은 200밀리초 단위의 작은 시간 조각, 즉 마이크로턴으로 입력과 출력을 나누어 침묵, 겹침, 끼어들기 같은 대화의 시간 정보를 모델의 맥락에 남긴다2. 쉽게 말해 AI가 "말이 끝난 뒤에야 이해하는 비서"에서 "옆에서 함께 보고 듣는 동료"에 가까워지는 것이다.
실시간 인터페이스의 핵심은 빠른 응답만이 아니다. 더 중요한 것은 타이밍이다. 같은 말이라도 언제 하느냐에 따라 도움과 방해가 갈린다. 운전자가 앞차와 가까워지는 순간 "브레이크를 밟으세요"라고 말하는 것은 도움이지만, 3초 뒤에 말하면 사고가 난 뒤일 수 있다. 외국어 회의에서 동시통역 AI가 문장 하나를 모두 들은 뒤 늦게 번역하면 대화의 리듬이 깨진다. 아이가 수학 문제를 풀다가 잘못된 식을 쓰는 바로 그 순간 힌트를 주면 학습이 되지만, 문제를 다 끝낸 뒤 정답만 알려주면 효과가 줄어든다.
이 때문에 실시간 AI에서는 지능과 지연시간이 함께 경쟁력이 된다. OpenAI의 실시간 오디오 API 안내도 라이브 음성처럼 낮은 지연시간이 필요한 경우에는 요청-응답 방식보다 실시간 세션이 적합하다고 설명한다3. 여기서 지연시간은 단순한 기술 지표가 아니다. 사용자의 몰입감, 신뢰, 업무 효율을 좌우하는 경험의 품질이다. 응답이 몇 초 늦어지는 순간, 사람은 AI를 협업자가 아니라 느린 자동응답 시스템으로 느낀다.
하나의 모델이 보고 듣고 말할 때 생기는 경험
멀티모달 AI가 본격적으로 확산되면 디지털 경험은 화면 중심에서 상황 중심으로 바뀐다. 지금까지 앱은 사용자가 무엇을 하려는지 알기 위해 버튼 클릭, 검색어, 메뉴 선택을 기다렸다. 앞으로의 인터페이스는 화면, 음성, 위치, 카메라, 이전 행동을 종합해 사용자의 의도를 더 일찍 파악할 수 있다.
예를 들어 온라인 쇼핑몰에서 고객이 운동화 사진을 찍어 올리며 "이거랑 비슷한데 출퇴근 때 신기 편한 걸로 찾아줘"라고 말한다고 해보자. 기존 검색 시스템은 사진 검색과 키워드 검색을 따로 처리했을 가능성이 높다. 멀티모달 AI는 사진 속 디자인, 사용자의 말에 담긴 용도, 과거 구매 이력, 날씨와 이동 패턴까지 결합해 후보를 좁힐 수 있다. 고객이 "좀 덜 튀는 색으로"라고 덧붙이면 화면의 상품 목록이 즉시 바뀐다.
고객지원에서도 변화는 크다. 사용자는 더 이상 오류 코드를 복사해 붙여넣거나, 상담원에게 현재 화면을 장황하게 설명하지 않아도 된다. 화면 공유를 켜고 "여기서 계속 멈춰요"라고 말하면 AI는 화면의 경고 메시지, 사용자의 클릭 흐름, 음성의 긴급도를 함께 본다. 단순 FAQ 답변을 넘어 계정 설정을 확인하고, 필요한 경우 환불 절차나 수리 예약까지 이어갈 수 있다.
교육에서는 AI 튜터가 학생의 풀이 화면과 목소리를 동시에 이해한다. 학생이 말로는 "이해했어요"라고 하지만, 같은 부분을 반복해서 지우고 다시 쓰거나 목소리가 작아진다면 AI는 추가 설명이 필요하다고 판단할 수 있다. 게임에서는 사용자가 말하고 움직이는 방식에 따라 NPC가 즉각 반응하고, 콘텐츠 생성 시스템은 플레이 장면에 맞춰 배경음, 대사, 시각 효과를 실시간으로 조정할 수 있다. 이때 AI는 명령을 기다리는 도구가 아니라, 장면 안에 들어와 있는 연출자이자 조력자가 된다.
물론 이런 경험은 모델 성능만으로 완성되지 않는다. 오디오와 비디오를 동시에 처리하려면 네트워크가 흔들려도 끊기지 않아야 하고, 모바일·PC·AR 글래스·자동차 디스플레이 사이에서 같은 맥락이 유지되어야 한다. 생성형 AI 기반 사용자 인터페이스 연구에서도 멀티모달 상호작용, 기기 간 적응성, 개인화, 프라이버시, 온디바이스 처리와 클라우드 처리의 균형이 핵심 과제로 제시된다4. 즉 멀티모달 AI의 승부처는 "모델이 무엇을 할 수 있는가"와 함께 "그 능력을 어떤 기기와 상황에서 얼마나 자연스럽게 제공하는가"에 있다.
산업 현장으로 들어가는 멀티모달 에이전트
멀티모달 AI는 소비자 앱의 편의 기능에 머물지 않는다. 오히려 산업 현장에서 그 가치가 더 선명하게 드러난다. 현실의 업무는 대부분 텍스트만으로 이루어지지 않는다. 병원에는 의료 영상, 검사 수치, 의사 소견, 환자의 말, 웨어러블 데이터가 함께 존재한다. 제조 현장에는 작업 지시서, 설비 영상, 센서 로그, 작업자의 음성 보고가 동시에 흐른다. 물류 창고에는 CCTV, 바코드, 위치 정보, 운송장, 작업자의 안전 장비 착용 여부가 뒤섞여 있다.
의료를 보자. 의사는 엑스레이나 MRI 같은 영상만 보고 판단하지 않는다. 환자의 나이, 증상, 과거 병력, 복용 중인 약, 검사 수치, 진료 기록을 함께 고려한다. 멀티모달 AI는 의료 영상과 전자의무기록, 웨어러블 센서, 유전체 데이터 등 다양한 정보를 통합해 차세대 헬스케어를 바꾸는 기술로 주목받고 있다5. 예를 들어 흉부 영상에서 미세한 이상을 발견했을 때, AI는 과거 진료 기록과 최근 호흡기 증상을 함께 검토해 의사의 우선순위 판단을 도울 수 있다. 여기서 AI는 의사를 대체하는 판사가 아니라, 놓치기 쉬운 연결고리를 빠르게 찾아주는 보조 두뇌에 가깝다.
제조 현장에서는 카메라와 센서가 AI의 눈과 피부가 된다. 작업자가 설비 앞에서 "방금부터 진동이 커졌습니다"라고 말하면 AI는 영상 속 부품의 움직임, 진동 센서 로그, 최근 정비 이력, 작업 지시서를 함께 확인한다. 단순히 "매뉴얼 12쪽을 보세요"라고 답하는 대신, 위험 수준을 평가하고, 라인을 멈춰야 하는지, 숙련 엔지니어를 호출해야 하는지, 어떤 부품을 먼저 점검해야 하는지 제안할 수 있다.
제품 품질 관리에서도 마찬가지다. 불량 사진 한 장만으로는 원인을 확정하기 어렵다. 하지만 생산 시간, 사용된 원자재 배치, 작업자 교대 정보, 온도·습도 센서, 장비 로그를 함께 보면 패턴이 보인다. 멀티모달 에이전트는 이처럼 서로 다른 데이터의 조각을 연결해 "무슨 일이 일어났는가"에서 "다음에 무엇을 해야 하는가"로 넘어간다.
이 지점에서 멀티모달 AI는 다음 장에서 다룰 에이전틱 AI와 만난다. 단순히 상황을 설명하는 AI는 이미 유용하다. 그러나 상황을 이해한 뒤 티켓을 생성하고, 부품을 주문하고, 담당자에게 알리고, 작업 절차를 화면에 띄우는 AI는 훨씬 더 큰 변화를 만든다. 멀티모달은 에이전트에게 현실을 읽는 감각을 제공하고, 에이전트는 그 감각을 행동으로 연결한다.
실시간의 경제학: 똑똑함보다 먼저 도착해야 하는 답
멀티모달 AI는 모델 경제학을 새롭게 압박한다. 텍스트만 처리할 때는 입력 토큰과 출력 토큰의 비용을 계산하면 어느 정도 감이 잡혔다. 하지만 오디오, 이미지, 영상이 들어오면 계산 방식이 달라진다. 1시간짜리 회의 영상, 24시간 돌아가는 공장 카메라, 수천 명이 동시에 접속한 게임 음성 채팅을 모두 클라우드 모델로 보내면 비용과 지연시간이 폭발한다.
그래서 기업은 질문을 바꿔야 한다. "가장 강력한 멀티모달 모델을 어디에 쓸 것인가?"보다 "어떤 감각은 기기에서 처리하고, 어떤 판단은 클라우드에서 처리할 것인가?"가 더 중요해진다. 얼굴 인식, 이상 움직임 감지, 간단한 음성 명령처럼 즉시 반응해야 하거나 민감한 데이터가 포함된 작업은 엣지, 즉 데이터가 발생하는 기기 가까이에서 처리하는 편이 유리할 수 있다. 반면 복잡한 추론, 장기 계획, 여러 시스템을 넘나드는 업무 자동화는 클라우드의 대형 모델이 더 적합할 수 있다.
카메라 센서 자체에 AI 처리 기능을 넣는 흐름은 이 방향을 잘 보여준다. Sony의 지능형 비전 센서는 이미지 데이터를 모두 클라우드로 보내는 대신 센서 단에서 AI 처리를 수행하고, 필요한 경우 이미지가 아니라 메타데이터를 출력해 데이터 전송량과 프라이버시 부담을 줄이는 방식을 제시한다6. 예를 들어 매장 카메라가 모든 고객 영상을 서버로 보내지 않고 "사람 수", "혼잡 구역", "진열대 결품 가능성" 같은 정보만 보낸다면 비용과 위험을 동시에 낮출 수 있다.
실시간 번역, 음성 비서, 라이브 고객지원, 게임, 교육 콘텐츠 생성에서는 특히 지연시간이 치명적이다. 사용자가 질문하고 5초 뒤에 답이 오면 정보 검색으로는 괜찮을 수 있다. 하지만 통역, 운전 보조, 원격 수술 지원, 공장 안전 알림에서는 5초가 너무 길다. 멀티모달 AI의 경쟁은 결국 세 가지 축에서 벌어진다.
얼마나 정확하게 여러 입력을 함께 이해하는가
얼마나 빨리 반응하면서도 대화의 리듬을 해치지 않는가
얼마나 많은 사용자와 기기에서 일관된 경험을 제공하는가
이 세 가지를 동시에 만족시키는 것은 어렵다. 정확도를 높이려면 큰 모델과 긴 추론이 필요하고, 지연시간을 줄이려면 가벼운 모델과 최적화된 인프라가 필요하다. 프라이버시를 강화하려면 온디바이스 처리가 유리하지만, 그러면 기기의 연산 성능과 배터리라는 제약이 생긴다. 결국 멀티모달 AI 전략은 모델 선택이 아니라 시스템 설계의 문제가 된다.
물리 세계와 인간 상태를 읽는 인터페이스
멀티모달 AI가 카메라와 마이크를 넘어 센서, 웨어러블, 로봇, 생체 신호와 결합하면 인터페이스의 의미는 더 넓어진다. 컴퓨터 화면 안에서만 작동하는 인터페이스가 아니라, 물리 세계 전체가 AI와 연결되는 표면이 된다.
스마트팩토리에서 AI는 카메라로 작업자의 자세를 보고, 소음 센서로 기계 이상음을 듣고, 진동 센서로 베어링 상태를 읽고, 작업 지시 시스템으로 다음 공정을 확인한다. 물류 창고에서는 카메라가 적재 상태를 보고, RFID와 위치 센서가 물건의 이동을 추적하며, 작업자의 웨어러블 기기가 피로도나 위험 노출을 감지할 수 있다. 로봇은 시각, 촉각, 거리 센서, 음성 명령을 함께 사용해 사람과 같은 공간에서 움직인다.
헬스케어와 웰니스 영역에서는 웨어러블 데이터가 중요한 모달리티가 된다. 심박, 수면, 혈당, 움직임, 목소리 변화가 합쳐지면 단순한 운동 기록을 넘어 개인의 상태를 추정하는 인터페이스가 가능해진다. 더 나아가 신경·생체 센서 연구는 뇌 회로와 화학 신호를 실시간으로 해석하려는 방향까지 확장되고 있다. 예를 들어 실시간 신경화학 인터페이스 연구는 살아 있는 뇌 안의 신경전달물질 변화를 빠르게 감지하고 해석하는 기술적 가능성을 탐구한다7. 아직 대중적 AI 서비스와 직접 연결하기에는 조심스러운 영역이지만, 장기적으로는 인간 상태를 읽는 인터페이스가 얼마나 정밀해질 수 있는지를 보여준다.
그러나 센서가 많아질수록 문제도 늘어난다. 첫째는 데이터 품질이다. 카메라는 조명에 약하고, 마이크는 소음에 흔들리며, 웨어러블은 착용 방식에 따라 값이 달라진다. 둘째는 동기화다. 영상 속 사건, 음성 발화, 센서 이상값이 같은 순간을 가리키는지 맞춰야 한다. 셋째는 안전성 검증이다. 공장 설비를 멈추거나 의료 판단을 보조하거나 로봇의 움직임을 바꾸는 AI라면 "대체로 맞는다"로는 부족하다. 어떤 상황에서 틀리는지, 틀렸을 때 어떻게 멈추는지, 사람이 언제 개입해야 하는지 설계되어야 한다.
멀티모달 AI는 현실을 더 많이 볼수록 더 강력해진다. 동시에 현실을 잘못 읽었을 때의 피해도 커진다. 그래서 산업 현장의 멀티모달 AI는 화려한 데모보다 검증, 로그, 책임 경계, 장애 대응 절차가 중요하다.
접근성의 확대와 감시의 그림자
사람처럼 보고 듣고 말하는 AI는 접근성을 크게 높일 수 있다. 시각장애인은 카메라를 통해 주변 환경 설명을 들을 수 있고, 청각장애인은 실시간 자막과 수어 변환의 도움을 받을 수 있다. 손을 쓰기 어려운 사람은 음성과 시선만으로 기기를 조작할 수 있다. 언어 장벽도 낮아진다. 실시간 번역과 음성 합성이 자연스러워지면 다른 언어를 쓰는 사람끼리도 훨씬 부드럽게 협업할 수 있다.
하지만 같은 기술은 감시와 조작의 위험도 키운다. 얼굴, 음성, 생활공간, 위치, 건강 상태는 매우 민감한 데이터다. 텍스트 대화 기록보다 훨씬 개인적이고, 한 번 유출되면 바꾸기도 어렵다. 비밀번호는 바꿀 수 있지만 얼굴과 목소리는 쉽게 바꿀 수 없다. 집 안 카메라, 차량 내부 마이크, 웨어러블 생체 데이터가 AI 서비스와 연결될수록 프라이버시 설계는 선택이 아니라 기본 조건이 된다.
합성 미디어의 문제도 커진다. 이미지 생성과 음성 복제, 영상 생성 기술이 발전하면 누구나 그럴듯한 가짜 인터뷰, 가짜 증거 영상, 가짜 고객 음성을 만들 수 있다. 과거에는 "사진이 있으니 믿을 수 있다"거나 "녹취가 있으니 사실이다"라고 생각했지만, 멀티모달 생성 AI 시대에는 그런 직관이 흔들린다. 콘텐츠의 출처, 생성 여부, 편집 이력, 배포 경로를 검증하는 체계가 함께 발전해야 한다.
따라서 멀티모달 AI 제품을 설계할 때는 처음부터 안전 장치를 포함해야 한다. 카메라와 마이크가 언제 켜져 있는지 명확히 표시하고, 민감한 데이터는 가능한 한 기기 안에서 처리하며, 저장 기간과 사용 목적을 제한해야 한다. 합성 콘텐츠에는 워터마크나 출처 인증을 붙이고, 중요한 의사결정에서는 사람이 검토할 수 있는 절차를 마련해야 한다. 사용자가 AI의 눈과 귀를 빌리는 순간, 기업은 그 감각이 남용되지 않도록 책임져야 한다.
인터페이스가 사라지는 것이 아니라, 주변으로 퍼진다
멀티모달 AI의 미래를 이야기할 때 "인터페이스가 사라진다"는 표현이 자주 등장한다. 어느 정도는 맞다. 우리는 점점 더 메뉴를 덜 찾고, 버튼을 덜 누르고, 복잡한 명령어를 덜 외우게 될 것이다. 그러나 인터페이스가 완전히 사라지는 것은 아니다. 오히려 인터페이스는 화면의 한 구석에서 벗어나 우리의 말, 시선, 몸짓, 주변 사물, 센서가 있는 환경 전체로 퍼진다.
이 변화는 기업에 새로운 질문을 던진다. 고객이 우리 서비스를 사용할 때 텍스트로 묻는가, 사진을 보여주는가, 음성으로 설명하는가, 아니면 이 모든 것을 동시에 사용하는가? 직원이 현장에서 문제를 해결할 때 어떤 데이터를 보고, 어떤 소리를 듣고, 어떤 장비와 상호작용하는가? 지금의 업무 시스템은 이런 신호를 받아들일 준비가 되어 있는가?
멀티모달 AI를 잘 활용하는 조직은 단순히 챗봇에 이미지 업로드 기능을 붙이는 데서 멈추지 않는다. 업무의 순간을 다시 관찰한다. 사람이 실제로 어떻게 설명하고, 판단하고, 협업하는지 본다. 그리고 AI가 그 흐름 속에서 어떤 감각을 가져야 하는지 결정한다. 어떤 경우에는 음성이 핵심이고, 어떤 경우에는 영상이 핵심이며, 어떤 경우에는 센서 로그와 문서의 결합이 핵심이다.
결국 멀티모달 AI의 본질은 "더 많은 데이터를 넣는 것"이 아니다. 사람과 기계가 같은 상황을 공유하는 폭을 넓히는 것이다. AI가 텍스트 문장만이 아니라 장면, 소리, 움직임, 상태를 함께 이해할 때, 우리는 AI에게 더 적게 설명하고도 더 많은 도움을 받을 수 있다. 그리고 그 순간 AI는 검색창이나 챗창 안에 갇힌 도구가 아니라, 우리가 일하고 배우고 이동하고 치료받는 공간 속의 실시간 협업자로 들어오기 시작한다.
다음 장에서는 이 흐름이 어떻게 "답변하는 AI"를 넘어 "실행하는 AI"로 이어지는지 살펴본다. 멀티모달 AI가 눈과 귀를 얻었다면, 에이전틱 AI는 손과 발을 얻는 단계다. 보고 듣고 이해한 AI가 실제 업무를 수행하기 시작할 때, 기업과 개인의 일하는 방식은 또 한 번 바뀐다.
참고
1Multi-modal Generative AI: Multi-modal LLMs, Diffusions, and the Unification
2Interaction Models: A Scalable Approach to Human-AI Collaboration
3Realtime and audio | OpenAI API
4Generative AI in Multimodal User Interfaces: Trends, Challenges, and Cross-Platform Adaptability
5Multimodal AI (MMAI) for next-generation healthcare: data domains, algorithms ...
6Intelligent Vision Sensors (AI Sensor) | Sony Semiconductor Solutions Group
7In vivo multimodal neurochemical interfaces for real-time decoding of brain circuit
이 노트는 보도·비평·교육·연구 목적으로 작성되었습니다. 저작권 문의가 있으시면 에서 알려주세요.