어디를 가던 메뚜기떼가 문제입니다. 그들은 어떤 일이 생기면 우르르 몰려가 사람들의 시간과 재산을 갉아 먹고 새로운 곳으로 떠나갑니다. 시장에서 실제로 암호화폐, 메타버스, 인공지능이라는 흐름은 다소 비꼬는 방식으로 비춰져 왔습니다. 하지만 우리는 메뚜기와 뜯어 먹힌 곡식에 집중해선 안됩니다. 메뚜기는 거슬리고 곡식은 아깝지만 우리가 해야하는 것은 다음 농사를 짓기 위해 지기(地氣)를 보고 종자를 점검하고 농사 기법을 연구하는 것이 좋습니다. 환희와 절망은 휘발되지만 본질은 쌓아 올릴 수 있고 시간이 지나도 불변합니다. 솔직히 말하면 "메타버스"라는 키워드를 저는 매우 부정적으로 보아왔습니다. 적어도 제 주변에 있던 이들은 비슷한 생각을 많이했습니다. 이유는 간단합니다. 게임을 개발하거나 게임을 플레이 해본 사람들 입장에선 이게 왜 새삼스레 이야기가 되는지, 그냥 서브에서 메인 컬쳐로 올라간건가 정도로 받아드려졌고 당시에 메뚜기들이 창궐할 때라 더욱 거부감을 커졌습니다. 저는 이 문제의 대부분이 메타버스를 엔터테인먼트로 접근한게 문제라고 생각합니다. 게임업계나 혹은 기존에 있던 World Bulider 하다 못해 TRPG 플레이만 해봐도 개념적으로 메타버스를 유의미하게 이미 경험해본 사람들은 많습니다. 즉, 게임보다 더 나은 경험 혹은 기존에 있던 것 이상의 무언가를 주지 않으면 사람들 입장에선 굳이 이걸 여기서 왜 해야하죠? 라고 생각할 가능성이 매우 높죠. 그래서 다들 인공지능과 연구 자원으로서 엔비디아를 이야기 할 때, 다소 쉬어가는 느낌으로 NVIDIA Omniverse에 대해 이야기 해보고자 합니다. NVIDIA Omniverse는 NVIDIA가 개발한 실시간 3D 그래픽 협업 플랫폼으로, 다양한 산업 분야에서 3D 디자인과 시뮬레이션 작업을 통합하고 최적화하는 데 사용되는 제품입니다. 이걸 어디다 쓰냐? 제품 및 공장 설계를 개선, 스마트 시티 및 모바일 네트워크 배치하는데 사용되고 있습니다. 공장의 설비를 변경하거나 배치를 바꾸는 것은 상당히 많은 자원이 들어가는 행동 입니다. 그걸 그냥 도화지에 그림을 그려 하는게 아닌 시뮬레이션까지 돌려보는건 더 어렵죠. 전형적인 디지털 트윈 입니다.

현재 명품 시장의 동향을 살펴보면, 명품 브랜드(LVMH, Kering 등)의 매출이 상승하는 반면, 온라인 명품 샵들의 매출은 감소하고 있는 상황이 생각보다 오래 지속 되고 있습니다. 소비자 구매 행동의 변화: 전통적으로 명품 브랜드의 매출은 고객들이 매장에서 직접 제품을 체험하고 구매하는 경험에 크게 의존하고 있습니다. 소비자들은 특히 고가의 명품을 구매할 때 물리적인 매장에서의 경험을 선호할 수 있으며, 이는 온라인 상점보다 오프라인 매장에서 더 강한 매출을 창출하는 요인이 될 수 있습니다. 고유 브랜드 가치: LVMH, 케어링과 같은 대형 명품 그룹은 강력한 브랜드 가치와 고유한 마케팅 전략을 통해 지속적으로 소비자의 충성도를 유지하고 있습니다. 이러한 브랜드들은 독특한 브랜드 경험을 제공함으로써 소비자를 끌어들이고 있습니다. 경제적 요인: 최근의 경제 불확실성은 소비자들의 지출 패턴에 영향을 미칠 수 있으며, 이는 온라인 쇼핑에 더 큰 영향을 미칠 수 있습니다. 특히 고가의 명품은 경제적 불확실성이 커질 때 구매를 주저하는 경향이 있습니다. 온라인 시장의 경쟁 심화: 온라인 명품 시장은 다양한 플랫폼과 경쟁자들이 존재하며, 이는 가격 경쟁과 함께 시장 포화로 이어질 수 있습니다. 이로 인해 일부 온라인 명품 샵들은 매출 감소를 경험할 수 있습니다. 실제로 Farfetch, MyTheresa, Yoox와 같은 온라인 명품 판매 플랫폼들은 주가가 크게 떨어지는 등 투자자들의 신뢰를 잃고 있습니다. 팬데믹 기간 동안 일시적인 성장을 보였음에도 불구하고, 이후 온라인 명품 시장은 수익성 문제와 경제적 불확실성, 소비자 행동의 변화 등 다양한 도전에 직면하고 있습니다. 국내에서도 발란, 트랜비 등이 빠르게 성장하고 있으나 지금 같은 전략이면 사실 안봐도 유튜브 같은 형국이 될지 모릅니다. 반면, LVMH와 케어링과 같은 전통적인 명품 브랜드 기업들은 지속적인 성장을 이어가고 있습니다. 이러한 기업들은 강력한 브랜드 가치와 효과적인 마케팅 전략을 통해 고객 충성도를 유지하며, 오프라인 매장에서의 독특한 경험을 제공함으로써 고객을 유치하고 있습니다.

최근 chatGPT 및 Gemini 등을 통해 인공지능에 대한 관심이 무척 뜨겁습니다. 오픈소스와 파인튜닝된 모델까지 하면 과장없이 매주 한 두개의 모델이 나오고 있는 실정입니다. 개인적으로 Prompting에 대해 이야기 하거나 강의를 지진행할 때, 모델에 구애받지 않고 사용가능한 기법들에 대해 이야기 합니다. 지금 주목을 받고 있는 대부분의 모델은 Transformer라는 방식의 모델입니다. GPT도 Generative Pre-trained Transformer 약자 이듯이 말이죠. 하지만, Transformer 방식의 모델이 나온 것은 2018년 즈음이였고 최근에서야 각광을 받고 있습니다. 이유는 간단했습니다. Transformer 모델은 자연어 처리 분야에서 혁신적인 성과를 보여준 모델입니다. 이 모델은 '어텐션 메커니즘(Attention Mechanism)'을 사용하여 문장 내의 단어들 사이의 관계를 효과적으로 학습합니다. 하지만, Transformer는 계산 비용이 높고, 긴 시퀀스 데이터를 처리하는 데 한계가 있기 때문 입니다. 물론, 인간의 기술발전과 각고의 노력으로 어떻게든 상용화 할 수 있을 정도로 최적화도 많이 되었고 경량화도 되었지만 여전히 무겁습니다. 이때 대안으로 다시금 떠오르고 있는게 SSM(State Space Models) 입니다. 사실 자연어 처리분야에서 쓰이던 개념이긴 한데 이것은 지금과 같은 언어모델이 각광 받는 시대에 Transformer의 단점을 메워줄 방법으로 다시금 주목을 받고 있습니다. SSM은 시계열 데이터를 효율적으로 처리할 수 있는 구조를 가지고 있습니다. 이 모델은 시간에 따른 데이터의 변화를 고려하여, 더 정확하고 빠른 예측을 할 수 있습니다. 또한, 계산 비용이 상대적으로 낮아서, 긴 시퀀스 데이터를 처리하는 데 효과적입니다. 이해를 쉽게 하기 위해 비교해보면 다음과 같습니다. 예를 들어, SSM을 일기 예보와 비교해볼 수 있습니다. 일기 예보는 과거와 현재의 날씨 데이터를 기반으로 미래의 날씨를 예측합니다. 이때, 각 날짜의 기온, 습도, 강수량 등의 데이터는 시간의 흐름에 따라 변화하는 시계열 데이터입니다. SSM은 이러한 시계열 데이터를 분석하고 예측하는 데 효과적인 모델로, 데이터의 시간적 변화를 고려하여 미래를 예측합니다.