NEXT AI MONSTER 5 대답하는 AI 다음에 올 다섯 회사
Updated: 4 days ago
NEXT AI MONSTER 5
대답하는 AI 다음에 올 다섯 회사
연구와 학습과 소유와 물리 세계를 하나의 루프로 묶는 신생 AI 스택
2022년 이후 AI 산업의 질문은 대체로 하나였습니다. 누가 더 큰 모델을 만들고 더 많은 사용자를 모을 것인가. 그런데 2026년의 신생 회사들은 질문을 바꾸기 시작했습니다.
AI가 답을 내놓은 뒤 스스로 실험하고, 사용자의 수정에서 배우고, 특정 조직과 개인이 그 지능을 소유하며, 마침내 자동차와 로봇의 설계까지 바꿀 수 있을까. Discovery Loop, Ineffable Intelligence, Trajectory, River AI, Alfred는 이 질문의 서로 다른 조각입니다.
RyanLab기준일 2026년 9월 12일
먼저 한 장으로 보는 다섯 회사
제공된 Monster 5 요약 이미지 다섯 회사의 위치를 한눈에 보여준다
이 그림의 장점은 다섯 회사를 순위표가 아니라 이동 경로로 보여준다는 점입니다. 왼쪽의 실험 자동화에서 출발해 경험 학습과 지속 학습을 지나고, 지능의 소유권을 바꾼 뒤, 오른쪽의 물리적 설계 환경으로 들어갑니다.
이 글의 핵심다섯 회사는 각자 독립된 테마처럼 보이지만, 함께 놓으면 연구에서 현실까지 이어지는 차세대 AI의 순환 구조가 된다. |
왜 지금 다시 AI 지도를 그려야 할까
챗봇 시대의 경쟁력은 사전학습 모델에 집중됐습니다. 모델이 출시된 순간 능력의 대부분이 결정되고, 사용자는 그 능력을 API로 빌려 썼습니다. 실제 사용에서 나온 실패와 수정은 다음 모델 학습에 바로 연결되지 않았고, 제조 현장의 데이터는 더 멀리 떨어져 있었습니다.
Monster 5는 이 끊어진 연결을 각기 다른 위치에서 복원합니다. 이들의 공통점은 답변 품질보다 학습 루프를 사업의 중심에 둔다는 것입니다.
이전 기본값 | 새로운 방향 | 대표 회사 |
배포 뒤 고정된 모델 | 실험과 사용 경험으로 계속 갱신 | Discovery Loop Ineffable Trajectory |
폐쇄 API를 빌려 사용 | 학습된 가중치와 운영 권한을 소유 | River AI |
화면 안에서 작업 | CAD 시뮬레이션 시험 데이터를 연결 | Alfred |
읽을 때 반드시 나눠 봐야 할 두 층
공개된 사실과 RyanLab의 해석을 분리해야 합니다. 제품과 고객이 공개된 Trajectory와 River AI는 현재형으로 평가할 수 있지만, Discovery Loop와 Ineffable Intelligence는 거대한 연구 가설의 비중이 큽니다. Alfred는 그보다 더 초기여서 제품 구조 자체도 상당 부분 추론의 영역입니다.
Discovery Loop AI가 연구 도구에서 연구자로 이동한다
이야기는 연구실에서 시작됩니다. 지금의 AI는 논문을 요약하고 코드를 만들 수 있지만, 좋은 가설을 세우고 실험을 설계하고 결과를 읽어 다음 실험으로 넘어가는 전체 과정은 여전히 사람이 붙들고 있습니다. Discovery Loop는 이 과정 전체를 자동화하려 합니다.
2026년 8월 Jeff Dean은 27년간 몸담은 Google을 떠나 Sanjay Ghemawat, Oriol Vinyals, Quoc Le와 회사를 세웠습니다. 검색 인프라, 분산 시스템, Google Brain, 강화학습과 Gemini에 관여한 인물들이 한 팀으로 움직였다는 사실만으로도 시장이 놀란 이유가 있습니다.
공개된 계획은 먼저 자사의 머신러닝 연구를 자동화하는 것입니다. AI가 새 아이디어를 제안하고 코드를 구현해 실험하며 결과를 평가합니다. 이 루프가 작동하면 칩 설계, 신약, 생물학, 소재로 확장할 수 있다는 구상입니다.
업데이트초기 투자 규모는 공식 공개되지 않았습니다. 이후 대규모 추가 조달과 높은 기업가치가 거론됐지만, 이는 보도상 협상 또는 목표치이므로 확정된 자금 유입과 구분해야 합니다. |
작은 팀이 거대 연구소를 이길 수 있다는 가정
핵심은 한 번의 천재적인 답이 아닙니다. 동시에 수천 개의 실험을 돌리고 실패를 다음 실험의 데이터로 바꾸는 속도입니다. 예를 들어 새로운 배터리 전해질을 찾는다면, AI가 후보 물질을 생성하고 시뮬레이션을 거쳐 실험 우선순위를 조정하는 루프를 반복할 수 있습니다.
다만 자동화된 실험 수가 늘어난다고 과학적 발견이 자동으로 늘어나는 것은 아닙니다. 좋은 측정 장치, 신뢰할 수 있는 시뮬레이션, 실험실 자동화, 잘 정의된 목표가 함께 있어야 합니다. 이 회사가 보여줘야 할 첫 증거는 유명 창업자 명단이 아니라 스스로 낸 재현 가능한 발견입니다.
Ineffable Intelligence 인간 데이터가 끝난 자리에서 배우기
두 번째 회사는 더 근본적인 질문을 던집니다. 인터넷에 적힌 인간의 지식을 아무리 많이 읽어도, 그 바깥의 지식을 어떻게 발견할 수 있을까요.
AlphaGo 연구를 이끈 David Silver는 2026년 Ineffable Intelligence를 출범시켰습니다. 회사는 11억 달러의 시드 투자를 유치했고 51억 달러 가치로 평가됐다고 보도됐습니다. 목표는 인간이 만든 데이터에 의존하지 않고 경험과 시행착오로 배우는 Superlearner입니다.
AlphaGo Zero가 인간 기보 없이 바둑판 안에서 강해졌듯, Silver는 시뮬레이션 속 에이전트가 목표를 달성하고 서로 협력하며 지식을 만들어낼 수 있다고 봅니다. 이 논리는 LLM을 버리자는 선언이라기보다, 인간 데이터로 출발한 AI가 경험 학습으로 다음 경계를 넘어야 한다는 주장에 가깝습니다.
바둑판 밖은 훨씬 더 어렵다
바둑은 규칙과 보상이 명확합니다. 현실의 과학과 경제, 조직에서는 무엇이 성공인지부터 논쟁이 생깁니다. 잘못 설계한 보상은 시스템이 지름길을 찾거나 인간의 의도와 어긋난 행동을 학습하게 만들 수 있습니다.
검증 질문 | 왜 중요한가 |
시뮬레이션은 현실을 얼마나 충실히 반영하는가 | 가상 세계에서 배운 전략이 현실에서 실패할 수 있음 |
보상은 장기적 인간 가치를 담는가 | 측정 가능한 숫자만 최적화하면 부작용이 커질 수 있음 |
학습 결과를 재현하고 감사할 수 있는가 | 새로운 능력이 생길수록 안전 검증이 어려워짐 |
Ineffable의 투자 포인트는 제품 매출보다 연구 방향의 비대칭성에 있습니다. 성공하면 모델 학습의 원리를 다시 쓰지만, 실패하면 막대한 컴퓨팅 비용만 남을 수 있습니다.
Trajectory 배포가 학습의 끝이라는 상식을 뒤집다
세 번째 장면은 연구실이 아니라 고객의 제품 안에서 펼쳐집니다. 상담 에이전트가 반품 요청을 처리하지 못해 사람에게 넘겼고, 사용자가 답변을 다시 고쳤습니다. 오늘의 대부분 AI 제품은 이 실패를 기록해도 모델이 곧바로 배우지 않습니다.
Trajectory는 편집, 재시도, 수락, 상담원 이관 같은 실제 사용 신호를 모아 모델과 프롬프트, 실행 구조를 계속 개선합니다. 공식 사이트는 Clay, Mistral, Harvey, Decagon, Rogo를 함께 제시하고 있으며, 어떤 데이터가 학습에 쓰이고 어떤 업데이트가 배포되는지 고객이 통제한다고 설명합니다.
창업자는 Ronak Malde, Arjun Karanam, Michael Elabd입니다. Google DeepMind, Apple Vision Pro, 로보틱스와 코딩 에이전트 경험이 섞여 있습니다. 2026년 5월 1,500만 달러 시드 투자를 1억1,500만 달러 post money 가치로 유치했고, 당시 팀은 11명 규모로 보도됐습니다.
매주 학습하는 모델도 아직 완전한 지속 학습은 아니다
현재 공개된 방식은 실시간으로 매 순간 가중치가 바뀌는 형태보다, 사용 기록을 모아 평가하고 주기적으로 post training한 모델을 배포하는 구조에 가깝습니다. 이 차이는 중요합니다. 자동 학습의 속도보다 잘못된 행동이 제품 전체로 퍼지지 않도록 평가와 승인 절차를 두는 것이 기업 고객에게 더 중요할 수 있기 때문입니다.
현실적인 예법률 AI가 변호사의 수정과 채택 기록에서 반복적인 오류를 찾고, 다음 버전에서 그 오류를 줄인다. 단, 고객별 데이터 경계와 승인 절차를 넘지 않아야 한다. |
River AI 빌려 쓰던 지능을 기업의 자산으로
Trajectory가 학습 주기를 바꾼다면 River AI는 소유권을 바꿉니다. 지금 기업은 범용 모델 API를 호출할 때마다 비용을 내지만, 그 모델의 가중치와 운영 조건을 통제하지 못합니다. 고객 데이터로 더 나아진 지능도 대개 공급자의 시스템 안에 남습니다.
xAI 공동창업자였던 Igor Babuschkin이 세운 River AI는 open weight 모델을 기업의 데이터와 업무에 맞게 학습시키고, 완성된 가중치를 고객이 소유하도록 하는 API를 내세웁니다. 회사는 2026년 8월 General Catalyst와 AMP PBC가 주도하고 NVIDIA, AMD Ventures, Y Combinator, Temasek 등이 참여한 Seed와 Series A에서 총 11억 달러를 조달했다고 공식 발표했습니다.
첫 제품은 지원 업무, 문서 처리, 코딩처럼 성공 기준을 정의하기 쉬운 작업을 겨냥합니다. 더 작은 전문 모델이 특정 업무에서 거대 범용 모델 수준의 성능을 낼 수 있다면 호출 비용을 낮추고 공급자 종속도 줄일 수 있습니다.
API 뒤에 숨은 더 큰 계획
River의 장기 계획은 학습 인프라에서 멈추지 않습니다. 개인화와 지속 학습 모델, 인터페이스, 개인 하드웨어까지 직접 만들겠다고 밝힙니다. 기업용 모델 소유 API가 현재의 진입점이고, 최종 목표는 개인이 데이터와 하드웨어와 지능을 함께 소유하는 스택입니다.
매력 | 확인해야 할 반대 질문 |
전문 모델의 낮은 추론 비용 | 학습과 운영 전체 비용까지 합쳐도 실제로 싼가 |
가중치 소유와 이동성 | 보안 업데이트와 모델 유지 책임은 누가 지는가 |
고객 데이터로 차별화 | 데이터 권리와 삭제 요구를 가중치에서 처리할 수 있는가 |
개인 AI와 로컬 하드웨어 | 현재 API 사업에서 장기 비전으로 이어지는 제품 증거가 있는가 |
Alfred AI가 화면을 빠져나와 기계를 설계하다
마지막 회사는 배운 지능이 어디에서 일할지를 보여줍니다. 소프트웨어 개발자는 코드를 바꾸고 즉시 테스트할 수 있지만, 자동차 문 하나의 소재를 바꾸려면 CAD, 구조 해석, 충돌 안전, 제조 공정, 공급망과 실제 시험이 함께 움직여야 합니다.
Alfred는 전 Tesla 디자이너 Ankit Ukil과 전 Meta Reality Labs 엔지니어 Dömötör Gulyas가 세운 스텔스 스타트업입니다. 공개 보도에 따르면 자동차, 로봇, 방산 기업의 연구개발 기간을 줄이는 소프트웨어 플랫폼을 개발 중이며, Hydrazine Capital, Khosla Ventures, SV Angel, Chapter One 등이 투자자로 거론됐습니다.
보도 당시 4,000만 달러 기업가치를 목표로 자금을 조달하고 있었지만, 이는 완료된 라운드의 확정 가치와 다릅니다. 공개 제품 데모, 고객명, 성능 수치도 아직 부족합니다. 그래서 Alfred는 다섯 회사 가운데 가장 상상력이 크면서 현재 검증도는 가장 낮은 축에 속합니다.
Physical AI용 Cursor가 실제로 해야 할 일
작업 | AI가 연결해야 할 정보 | 실패했을 때 비용 |
요구사항 해석 | 안전 규격 비용 성능 목표 | 설계 방향 전체가 어긋남 |
CAD 변경 | 부품 형상 조립 공차 재료 | 제조 불가 또는 성능 저하 |
시뮬레이션 | 열 구조 충돌 유체 조건 | 잘못된 후보를 실물 제작 |
시험 분석 | 센서 고장 기록 실제 환경 | 결함 원인을 놓치고 재발 |
승인 기록 | 근거 버전 책임자 규제 | 인증 실패 리콜 안전사고 |
Alfred의 장기 해자는 범용 모델보다 고객의 성공과 실패가 축적된 엔지니어링 데이터가 될 수 있습니다. 그러나 이 데이터는 제품이 현장에 들어가야 생깁니다. 첫 고객의 개발 시간을 얼마나 줄였는지가 가장 중요한 증거입니다.
다섯 회사는 하나의 학습 스택을 만들고 있다
이제 다섯 회사를 다시 연결해 보겠습니다. Discovery Loop는 무엇을 실험할지 정하고, Ineffable은 경험에서 새로운 능력을 얻는 학습 원리를 밀어붙입니다. Trajectory는 실제 사용을 학습 신호로 바꾸고, River는 학습된 지능을 고객의 자산으로 돌려놓습니다. Alfred는 그 지능을 물리 제품의 설계와 시험에 연결합니다.
루프의 위치 | 회사 | 핵심 질문 | 현재 증거 |
연구 자동화 | Discovery Loop | AI가 스스로 가설과 실험을 반복할 수 있는가 | 창업팀과 연구 계획 중심 |
학습 원리 | Ineffable | 인간 데이터 없이 경험으로 확장할 수 있는가 | 대규모 자금과 연구 비전 |
제품 개선 | Trajectory | 실사용 피드백을 안전하게 재학습할 수 있는가 | 고객과 플랫폼 공개 |
지능 소유 | River AI | 특화 모델의 가중치와 경제성을 고객이 가질 수 있는가 | API와 11억 달러 조달 공개 |
물리 설계 | Alfred | AI가 제조 R&D의 반복 작업을 줄일 수 있는가 | 스텔스 단계와 투자자 신호 |
한 개의 가상 프로젝트로 연결해 보기
전기차용 차세대 배터리 냉각 모듈을 개발한다고 가정해 봅시다. Discovery Loop가 새로운 구조와 소재 조합을 제안하고 대량의 가상 실험을 돌립니다. Ineffable 방식의 에이전트는 결과를 외우는 대신 실패와 성공에서 탐색 전략을 배웁니다.
Trajectory는 엔지니어가 수정하거나 거절한 설계와 시뮬레이션 결과를 다음 모델 개선에 반영합니다. River의 인프라는 자동차 회사가 이 특화 모델의 가중치와 운영 권한을 소유하도록 합니다. Alfred는 CAD와 시뮬레이션, 실제 시험 데이터를 연결해 다음 설계 변경을 제안하고 근거를 남깁니다.
이 시나리오는 다섯 회사가 실제로 협업한다는 뜻이 아닙니다. 각 회사의 공개된 방향을 한 프로젝트에 배치해 전체 산업 구조를 설명한 분석적 예시입니다.
투자 관점에서 순위보다 중요한 것
Monster라는 단어는 거대한 시장과 압도적인 결과를 떠올리게 합니다. 그러나 초기 스타트업을 볼 때는 잠재력과 현재 검증도를 분리해야 합니다. 유명 창업자와 큰 라운드는 자원을 의미하지만, 제품 시장 적합성을 대신하지 않습니다.
회사 | 시장 잠재력 | 현재 검증도 | 가장 먼저 볼 숫자 |
Discovery Loop | 매우 높음 | 낮음 | 재현 가능한 발견과 실험 주기 단축 |
Ineffable | 매우 높음 | 낮음 | 인간 데이터 밖의 성능과 안전성 |
Trajectory | 높음 | 중간 | 고객별 성능 개선과 갱신 주기 |
River AI | 매우 높음 | 중간 | 전문 모델 TCO와 유료 사용량 |
Alfred | 높음 | 매우 낮음 | 엔지니어링 시간과 개발비 절감 |
가장 앞서 보이는 회사와 가장 큰 옵션
현재 공개 증거만 보면 Trajectory와 River AI가 제품 검증에서 앞서 있습니다. Trajectory는 고객 로고와 플랫폼 구조를 공개했고, River는 제품과 자금 조달을 공식 발표했습니다. 반면 Discovery Loop와 Ineffable은 성공했을 때 학습 패러다임 자체를 바꿀 수 있는 더 큰 연구 옵션을 갖습니다. Alfred는 시장은 크지만 아직 제품 증거가 가장 희박합니다.
따라서 다섯 회사를 한 줄로 세우는 대신, 연구 위험과 제품 위험을 따로 봐야 합니다. 연구 위험이 큰 회사는 벤치마크와 재현성, 제품 위험이 큰 회사는 유료 고객과 반복 매출이 핵심입니다.
이 거대한 이야기가 실패할 수 있는 다섯 이유
· 좋은 학습 신호가 부족할 수 있다. 사용자의 클릭과 수정이 언제나 진짜 성공을 뜻하지는 않는다.
· 시뮬레이션과 현실의 차이가 클 수 있다. 가상 환경에서 배운 전략이 공장과 도로에서 무너질 수 있다.
· 데이터 권리와 보안이 확장을 늦출 수 있다. 고객별 학습은 개인정보와 영업비밀을 직접 다룬다.
· 컴퓨팅 비용이 경제성을 압도할 수 있다. 반복 학습과 실험은 추론보다 훨씬 많은 자원을 요구할 수 있다.
· 기존 강자가 유통을 장악할 수 있다. 클라우드와 CAD, PLM, 모델 공급자가 기능을 번들로 제공할 수 있다.
공통의 난제는 평가다
다섯 회사 모두 결국 같은 질문과 만납니다. 시스템이 어제보다 좋아졌다는 것을 무엇으로 증명할 것인가. 코드처럼 실행 결과가 명확한 분야는 쉽지만, 연구 아이디어와 설계 품질, 개인의 가치 정렬은 정답이 하나가 아닙니다.
평가가 약하면 자동 학습은 오류를 자동 확산시키는 장치가 됩니다. 그래서 속도와 자율성보다 학습 데이터의 경계, 승인 절차, 회귀 테스트, 감사 기록이 더 먼저 제품화될 가능성이 큽니다.
앞으로 확인해야 할 열 가지 신호
신호 | 확인할 질문 |
Discovery Loop 첫 결과 | AI가 낸 발견이 외부에서 재현되는가 |
Ineffable 벤치마크 | 인간 데이터 의존을 줄이면서 범용성이 커지는가 |
Trajectory 갱신 속도 | 주간 업데이트가 일간 또는 상호작용 단위로 짧아지는가 |
Trajectory 유지율 | 초기 AI 기업을 넘어 대기업이 반복해서 사용하는가 |
River API 사용량 | 대규모 자금이 실제 개발자 채택과 매출로 이어지는가 |
River 비용 우위 | 학습 운영 인력까지 포함한 총비용이 낮은가 |
River 소유권 실행 | 가중치 이전 삭제 보안 책임이 계약으로 명확한가 |
Alfred 제품 공개 | CAD PLM CAE와 실제로 연결된 화면이 공개되는가 |
Alfred 고객 성과 | R&D 기간과 엔지니어 시간이 수치로 줄어드는가 |
공통 안전 장치 | 자동 학습을 멈추고 되돌리고 감사할 수 있는가 |
RyanLab의 판단
Monster 5의 진짜 의미는 다섯 개의 유니콘 후보를 찾았다는 데 있지 않습니다. AI 산업의 가치가 사전학습 모델 하나에서, 경험이 계속 흐르는 전체 루프로 이동하고 있다는 신호에 있습니다.
가장 먼저 돈이 되는 곳은 Trajectory와 River처럼 기업이 이미 겪는 비용을 줄이는 층일 가능성이 큽니다. 가장 큰 과학적 상승 여력은 Discovery Loop와 Ineffable에 있습니다. Alfred는 그 모든 지능이 물리 세계로 들어갈 때 생기는 거대한 소프트웨어 시장을 겨냥합니다.
다섯 회사 가운데 누가 최종 승자가 될지는 아직 알 수 없습니다. 오히려 중요한 질문은 이들이 만든 기능이 독립 회사의 해자로 남을지, 아니면 거대 모델과 클라우드와 산업 소프트웨어 안으로 흡수될지입니다.
마지막 장면
몇 년 뒤 AI를 다시 설명할 때 우리는 모델의 파라미터 수보다 얼마나 자주 실험했고, 실제 사용에서 무엇을 배웠으며, 그 지능을 누가 소유하고, 현실의 결과를 얼마나 바꿨는지를 먼저 말할지 모릅니다. Monster 5는 바로 그 변화가 시작되는 지점을 보여줍니다.
한 줄 요약대답을 잘하는 AI의 시대 다음에는 스스로 배우고 연구하며 소유되고 현실을 설계하는 AI의 시대가 온다. |
관련동영상을 보고 싶으신 분은 아래의 링크를 클릭해 주세요
주요 자료
Discovery Loop 창업과 연구 계획 WIRED 2026년 8월 원문 보기
Ineffable Intelligence와 David Silver 인터뷰 WIRED 2026년 4월 원문 보기
Ineffable Intelligence 협력 발표 NVIDIA 2026년 5월 원문 보기
Trajectory 공식 플랫폼과 고객 사례 원문 보기
Trajectory 창업과 투자 보도 WIRED 2026년 5월 원문 보기
River AI 공식 제품과 미션 원문 보기
River AI 11억 달러 조달 발표 2026년 8월 원문 보기
River AI 조달 보도 Reuters 2026년 8월 원문 보기
Alfred 창업과 제품 방향 보도 Business Insider 2026년 6월 원문 보기
이 글은 2026년 9월 12일 기준 공개 자료와 제공된 이미지 및 영상 화면을 바탕으로 작성했습니다. 투자 협상과 기업가치는 확정 조달과 구분했으며, 회사가 공개하지 않은 제품 구조와 회사 간 연결 시나리오는 RyanLab의 분석입니다. 다섯 회사는 모두 비상장기업이며, 본문은 특정 투자를 권유하지 않습니다.
Comments