하마연구소

안녕하세요, 하마연구소입니다. 최근 AI 기술의 흐름을 보면 한 가지 흥미로운 변화가 보입니다. 지금까지는 AI를 사용할 때 대부분 클라우드 서비스를 이용하는 방식이 자연스러웠습니다. 하지만 앞으로는 민감한 개인정보나 기업 내부 데이터를 다루기 위해, 사용자의 PC 안에서 직접 AI를 실행하려는 수요가 점점 커질 가능성이 높습니다. 1. 클라우드 AI에서 온디바이스 AI로 현재 우리가 사용하는 ChatGPT, Claude, Gemini 같은 AI 서비스는 대부분 대형 데이터센터에서 연산을 처리합니다. 사용자의 PC는 결과를 받아 보여주는 역할에 가깝습니다. 그래서 지금까지는 비교적 평범한 사양의 노트북이나 데스크톱으로도 AI 서비스를 이용하는 데 큰 문제가 없었습니다. 하지만 온디바이스 AI가 본격화되면 이야기가 달라집니다. 사용자의 문서, 메일, 사진, 업무 데이터처럼 민감한 정보를 외부 서버로 보내지 않고 PC 내부에서 처리해야 하기 때문입니다. 특히 개인 맞춤형 AI 에이전트가 사용자를 대신해 코딩, 리서치, 문서 작성, 일정 관리 등을 수행하려면 PC 자체의 연산 성능과 메모리 용량이 훨씬 중요해집니다. 2. AI PC가 요구하는 더 많은 메모리 최근 엔비디아와 마이크로소프트가 AI PC 시장에 적극적으로 뛰어들고 있다고 합니다. CPU, GPU, AI 가속기를 통합한 칩을 기반으로, PC 안에서 AI 에이전트를 더 효율적으로 실행하려는 흐름입니다. 여기서 특히 눈에 띄는 부분은 메모리입니다. AI 모델은 실행 과정에서 많은 데이터를 메모리에 올려두고 처리합니다. 지금까지는 16GB나 32GB 메모리 정도면 일반적인 PC 사용에는 충분하다고 느끼는 사람이 많았습니다. 저 역시 맥북을 비롯한 현재의 PC 사양이면 꽤 오래 버틸 수 있겠다고 생각했습니다. 그런데 로컬에서 AI를 돌리는 환경이 보편화된다면 기준은 다시 올라갈 수밖에 없습니다. 전문가용 AI PC나 워크스테이션에서는 이미 128GB 수준의 메모리가 거론되고 있고, 일반 소비자용 PC도 지금보다...

 안녕하세요, 하마연구소입니다. 최근 Notion이 공식적으로 Notion Developer Platform 을 발표했습니다. 이제 Notion은 단순한 노트앱을 넘어, 데이터와 AI 에이전트가 함께 움직이는 작업 공간으로 발전하고 있습니다. 노션은 처음부터 단순한 메모앱이 아니었습니다 Notion은 처음부터 문서 작성, 위키, 프로젝트 관리, 데이터베이스를 한곳에 모으는 도구에 가까웠습니다. 특히 데이터베이스 기능은 Notion의 핵심 장점입니다. 같은 정보를 표, 보드, 캘린더, 갤러리 등 다양한 방식으로 볼 수 있어 개인 기록부터 팀 협업까지 폭넓게 활용할 수 있습니다. 한때 메모앱의 강자는 에버노트 였습니다. 필자 역시 오랫동안 에버노트를 주 메모앱으로 사용했습니다. 하지만 에버노트가 회사의 어려움 속에서 정체되는 동안, Notion은 꾸준히 기능을 확장하며 생산성 도구로 자리 잡았습니다. 개발자와 일반 사용자 모두를 잡은 도구 Notion은 마크다운 스타일의 편집을 지원해 개발자에게도 친숙합니다. 동시에 블록 기반 UI 덕분에 일반 사용자도 어렵지 않게 사용할 수 있습니다. 기술 문서, 프로젝트 관리, 독서 기록, 일정 정리 등 활용 범위가 넓은 이유입니다. AI 시대의 노션 이번 발표에서 Notion은 외부 AI 에이전트를 Notion 안으로 연결하고, Workers를 통해 커스텀 코드를 실행하며, 외부 데이터 소스를 Notion 데이터베이스와 동기화할 수 있다고 밝혔습니다. Claude, Codex, Decagon 같은 에이전트와도 연동될 예정입니다. 이 변화는 꽤 중요합니다. 앞으로 Notion은 사용자가 직접 정리하는 공간을 넘어, AI 에이전트가 데이터를 읽고, 작업을 맡고, 상태를 업데이트하는 “살아 움직이는 워크스페이스”가 될 가능성이 있습니다. 마무리 필자는 여전히 에버노트의 빠른 메모 경험을 좋아하지만, 최근 Notion의 발전 방향을 보면 사용 빈도를 더 넓혀봐야겠다는 생각이 듭니다. AI 시대의 생산성 도구 중에서 Notio...

안녕하세요, 하마연구소입니다. AI LLM의 핵심 단위인 '토큰'이 단순한 데이터 조각을 넘어 새로운 경제 단위로 부상하고 있습니다. 토큰 사용량이 폭발적으로 늘어나면서 기업의 비용 구조와 수익 전략이 '토크노믹스(Tokennomics)'라는 새로운 패러다임을 중심으로 재편되고 있습니다. 1. 토큰이란 무엇인가? 토큰(Token)은 거대언어모델(LLM)이 문장을 처리할 때 잘게 쪼개어 인식하는 최소 단위입니다. 단어 하나가 토큰 하나가 되기도 하고, 긴 단어는 여러 토큰으로 나뉘기도 합니다. GPT나 Claude 같은 AI 모델은 텍스트를 주고받을 때 이 토큰 단위로 연산하며, API 사용 비용도 바로 이 토큰 수를 기준으로 청구됩니다. 2. 토큰 사용량의 폭발적 증가 최근 OpenAI의 한 엔지니어가 일주일 동안 2,100억 개의 토큰을 사용해 사내 소비 1위에 올랐다는 뉴욕타임스 보도가 화제가 됐습니다. 이는 위키피디아 전체 문서를 33번 채울 수 있는 분량입니다. Anthropic의 코딩 도구 'Claude Code'에서는 한 사용자가 한 달 만에 약 2억 원어치의 토큰을 소비해 업계를 놀라게 했습니다. 에이전틱 AI(Agentic AI)의 확산이 이 같은 폭증을 이끌고 있습니다. 사람이 잠든 사이에도 AI가 스스로 코딩, 검색, 추론을 반복 수행하고, 여러 에이전트가 협업하는 멀티 에이전트 시스템 구조가 보편화되면서 토큰 소비는 기하급수적으로 늘어나고 있습니다. 3. 토크노믹스: 토큰이 경제가 된다 토크노믹스(Tokenomics)는 'Token'과 'Economics'의 합성어입니다. 원래는 블록체인 업계에서 암호화폐의 발행·유통·인센티브 구조를 의미하던 용어였지만, 생성형 AI의 확산 이후 LLM 토큰의 사용량과 비용 효율을 다루는 새로운 의미로 재해석되고 있습니다. 엔비디아 젠슨 황 CEO는 엔지니어들에게 연봉 외 별도 '연간 토큰 예산'을 제공해야 한다고 주장했고...

안녕하세요, 하마연구소입니다. 컴퓨팅에서 캐시(Cache)는 데이터에 빠르게 접근하기 위한 레이어로 데이터 로딩이 지연되거나 병목이 예상되는 앞단에 위치합니다. CPU와 메모리 사이에 있는 L1, L2, L3 캐시나 빠른 I/O 처리를 위하여 스토리지(HDD, SSD 등)에도 사용됩니다. H/W뿐만 아니라 S/W에서도 자주 사용되며 적절한 캐시 설계에 따라 성능을 극대화할 수 있습니다. 보통 어플리케이션과 영구저장소 또는 다른 어플리케이션 사이에 위치합니다. 요즘은 분산 클러스터링 환경에서 편리성과 훌륭한 속도를 내는 Memcached나 Redis를 많이 사용하며, 언젠가부터는 Memcached도 캐시 설계할 때 도입 대상에서 제외되는 추세로 보입니다. 왠만하면 Redis 사용합니다. 제가 지금까지 경험했던 캐시 솔루션을 정리해 보려고 합니다. 보통 Java 기반으로 어플리케이션을 작성하였기에 그에 맞는 캐시를 많이 경험한 점 참고하시기 바랍니다. 1. 로컬캐시 Ehcache Java 기반 어플리케이션 개발하면 가장 쉽게 접하는 캐시입니다. 어렵지 않은 설정으로 다양한 캐시 기능을 사용할 수 있으며, 역사도 꽤 길기에 믿고 사용하면 됩니다. 다양한 기능으로는 영속성을 보장하기 위한다면 캐시 데이터 디스크 저장할 수 있으며, 어플리케이션의 여러 프로세스들 간에 공유하여 분산 캐시를 구성할 수도 있습니다. 단, 캐시 기능에 더이상 새로운 기능을 넣을께 없어서 그런지 라이브러리 업데이트가 활발하지는 않습니다. https://www.ehcache.org/ Caffeine 2010년대 중후반 부터 Spring Boot에서는 기본 캐시 라이브러리를 Ehcache에서 Caffeine으로 변경하였습니다. 아마 Spring Boot 버전 2부터였던 것으로 기억합니다. Ehcache가 제공하는 기능이 많아지고 그만큼 무거워졌기 때문에 로컬 캐시라는 본연 기능에 충실하고자 심플한 카페인 캐시 라이브러리가 각광 받았습니다. 또한 스프링에서 아주아주 간단한 설정만으로 쉽게 캐...