자고 일어나면 완성되는 모델의 진실

"자고 일어나면 완성되는 모델"이라는 문장이 구글 개발자 블로그 글의 첫 줄에 그대로 놓여 있습니다. Tunix라는 사후 학습(post-training) 도구를 TPU 위에서 돌리는 자율 파이프라인을 소개하며, 마크다운 명세 한 장만 써두면 밤사이 학습이 끝난 모델을 아침에 만난다는 장면을 앞세웁니다.¹ 잠든 사이 작업이 끝난다는 상상은 확실히 솔깃합니다. 그런데 저는 이 장면을 읽으며 한 가지만 궁금했습니다. 눈뜬 사람은 정확히 무엇을 보고 나서야 그 결과를 믿을 수 있을까요?

마크다운 한 장의 약속

자동화(automation)와 자율(autonomy)은 자주 같은 뜻처럼 쓰이지만, 위임하는 몫이 다릅니다. 자동화는 실행을 기계에 맡기는 일이고, 자율은 판단까지 기계에 맡기는 일입니다.

세탁기로 비유하면 경계가 또렷해집니다. 예약 코스는 자동화에 가깝습니다. 사람이 미리 정한 시간과 세제량대로 기계가 그대로 따를 뿐입니다. 반면 헹굼물의 탁한 정도를 센서로 읽어 헹굼 횟수를 스스로 늘리는 세탁기는 자율에 가깝습니다. 무엇을 더 할지 정하는 몫이 기계 쪽으로 넘어갔기 때문입니다.

Tunix 파이프라인이 자율이라 불리는 이유도 여기에 있습니다. 마크다운 명세를 넘긴 뒤의 과정은 사람이 일일이 지시하지 않는, 판단을 시스템에 맡긴 구간으로 읽힙니다.¹ 그런데 그 판단의 결과를 사람이 확인할 지점이 명세 안에 있는지는 별개의 문제입니다. 자동화와 자율을 가르는 금은 바로 이 지점에서 그어집니다.

알림이 켜지는 자리

같은 시기 나온 클로드 코드 v2.1.273 릴리스노트는 반대 방향의 장면을 보여줍니다. MCP(Model Context Protocol) 서버가 세션 도중 끊기고 자동 재연결마저 실패하면, 도구는 이 실패를 조용히 넘기지 않고 사용자에게 알림을 띄우며 /mcp 경로를 가리킵니다.² 같은 업데이트에는 세션을 포크(fork)해 이어가는 기능도 함께 들어갔습니다.

저는 클로드 코드로 긴 작업을 맡길 때 이 알림의 존재 자체를 신뢰의 근거로 씁니다. 연결이 끊기면 알림이 가리키는 경로를 열어, 마지막으로 완료된 도구 호출이 어디까지였는지 로그와 대조합니다. 그런 다음에야 작업을 이어갈지, 세션을 새로 포크해 처음부터 다시 맡길지 정합니다.

여기서 드러나는 역설이 하나 있습니다. 정말 믿을 만한 자율 시스템일수록 확인 지점을 줄이지 않습니다. 오히려 실패가 조용히 묻히지 않도록 촘촘히 심어둡니다.

활성 파라미터의 그림자

그러나 체크포인트가 있다는 사실만으로 검증이 끝나지는 않습니다. NVIDIA 개발자 블로그가 밀도형(dense)과 전문가 혼합(MoE, Mixture of Experts) 구조를 비교한 글은 이 대목에서 곱씹을 만한 장면을 하나 줍니다. Nemotron 3.5 Lightning 모델은 300억 개 파라미터 가운데 토큰 하나당 30억 개만 활성화하면서도, 훨씬 큰 모델의 용량을 실제로 쓴다고 설명합니다.³

활성 파라미터 수만 보면 이 모델은 작아 보입니다. 하지만 그 숫자 하나로는 실제 용량을 가늠할 수 없습니다. 같은 논리가 체크포인트에도 적용됩니다. '체크포인트가 있으니 검증 가능하다'는 말은, 그 체크포인트가 정확히 무엇을 재는지 밝히지 않으면 눈가림에 가까운 확인일 수 있습니다.

마크다운 명세 한 장으로 밤새 완성된다는 Tunix의 장면도 이 질문 앞에서는 답이 비어 있습니다. 학습이 끝났다는 판단을 무슨 기준으로 내렸는지, 명세 자체는 말해주지 않습니다.

자동화와 자율 사이

그래서 저는 이 경계를 이렇게 씁니다. 자동화는 실행을 위임하는 일이고, 자율은 판단을 위임하는 일입니다. 그리고 검증 가능성은 체크포인트가 있는지가 아니라, 그 체크포인트가 무엇을 재는지 공개돼 있는지에 달려 있습니다.

클로드 코드의 알림은 이 기준을 정확히 통과합니다. 무엇이 실패했는지, 어디를 열어 확인하면 되는지 알림 자체가 밝히기 때문입니다. 반면 마크다운 명세만으로 밤새 완성된다는 장면이나, 활성 파라미터 수 하나로 표시되는 모델 용량은 체크포인트가 있어도 그 측정 기준까지 드러나지는 않습니다.

두 개념을 가르는 금은 여기까지만 유효합니다. 측정 기준이 공개된 자리에서는 자동화와 자율의 경계가 또렷하게 그어지고, 기준이 감춰진 자리에서는 같은 금이 흐려집니다. 저는 새 도구를 만날 때마다 이 금이 지금 어느 쪽에 그어져 있는지부터 확인합니다.

각주

1. Autonomous LLM post-training with Tunix on TPUs — developers.googleblog.com, 2026-09-15 발행, 2026-09-16 접속 확인. ↩ ↩²

2. v2.1.273 — github.com, 2026-09-15 발행, 2026-09-16 접속 확인. ↩

3. Dense vs. MoE Models: Active Parameters, Throughput, and When to Choose Each — developer.nvidia.com, 2026-09-15 발행, 2026-09-16 접속 확인. ↩