AI 코딩 시대의 새로운 병목이 된 코드 리뷰 변화와 CodeCenter를 활용한 대응 방안을 살펴봅니다.
Resources > Insight Report > Conference
2026.08.11
– WAIC 2026 현장에서 슬렉슨이 직접 확인한 중국 AI 산업의 변화와, 모델 중심의 경쟁을 넘어 실행 · 인프라 · 운영이 연결된 AI 시스템으로 확장되는 기술적 방향성을 정리했습니다.
지난 7월, 중국 상하이에서 열린 WAIC 2026(World Artificial Intelligence Conference) 현장을 찾았습니다.
최근 몇 년간 AI 산업의 중심에는 더 크고 강력한 모델이 있었습니다. 새로운 LLM이 등장할 때마다 파라미터 수와 벤치마크 성능이 비교됐고, 얼마나 높은 추론 성능을 구현했는지가 시장의 주요 관심사였습니다.
하지만 이번 WAIC에서 확인한 경쟁의 범위는 훨씬 넓었습니다. 모델이 실제 업무를 수행하도록 만드는 Agent Runtime, 수천 개의 AI 가속기를 하나의 자원처럼 연결하는 인터커넥트, 고밀도 AI 서버를 운영하기 위한 전력·냉각 기술, AI의 판단을 실제 움직임으로 연결하는 Physical AI까지 다양한 기술 계층이 전면으로 올라왔습니다.
현장에서 본 중국 AI 산업의 경쟁 단위는 좋은 모델 하나에서 AI가 실제 환경에서 지속적으로 실행될 수 있는 전체 시스템으로 확장되고 있었습니다. 이번 WAIC에서 확인한 변화를 네 가지 흐름을 중심으로 살펴보겠습니다.
WAIC는 AI 모델과 소프트웨어부터 반도체, 컴퓨팅 인프라, 데이터센터, 로보틱스와 자율주행까지 AI 산업 전반의 기업이 한자리에 모이는 행사입니다. 특히 이번 전시에서는 개별 모델의 성능보다 모델을 실제 산업 시스템에 연결하기 위한 기술 스택이 빠르게 확장되고 있다는 점이 눈에 띄었습니다.
Agent가 기업의 시스템과 도구를 호출하려면 실행 환경과 권한 관리가 필요합니다. 늘어나는 Agent와 모델 요청을 처리하려면 더 큰 컴퓨팅 자원이 필요하고, 컴퓨팅 밀도가 높아질수록 전력과 냉각 문제가 뒤따릅니다. Physical AI에서는 여기에 센서와 로봇 제어까지 연결됩니다.
서로 다른 분야처럼 보이지만, 실제로는 AI를 실행하고 운영하기 위한 하나의 기술 체계를 구성하고 있었습니다.
AI Agent부터 컴퓨팅 인프라, 데이터센터, 로보틱스까지. 이번 WAIC 현장의 주요 기술과 분위기를 영상으로 확인해보세요.
이번 WAIC에서 가장 분명하게 보인 변화 중 하나는 AI Agent가 애플리케이션 기능을 넘어 하나의 운영 인프라로 발전하고 있다는 점이었습니다.
기존 생성형 AI가 사용자 입력 → 모델 추론 → 응답으로 끝났다면, Agent는 하나의 요청을 여러 Task로 분해하고 API, 데이터베이스, 검색 시스템과 업무 도구를 호출합니다. 그 결과를 바탕으로 다음 행동을 판단하고 목표가 완료될 때까지 실행을 반복합니다.
때문에 Agent 시스템에서는 모델 성능뿐 아니라 Planning, Tool Calling, Memory, Observability, Evaluation, Access Control과 같은 실행 계층이 중요해지고 있습니다.
Alibaba Cloud는 기존 AgentRun에 AgentLoop와 AgentTeams를 추가하며 Agent 개발부터 실행, 관찰, 다중 Agent 협업까지 하나의 운영 구조로 확장했습니다.
AgentRun이 Agent의 개발·배포·운영 라이프사이클을 담당한다면 AgentLoop는 실행 과정의 Trace를 추적하고 결과를 평가·최적화합니다. AgentTeams는 여러 Agent가 하나의 작업을 나누어 처리할 때 필요한 Multi-Agent 협업과 거버넌스를 담당합니다.
Agent가 여러 단계의 업무를 수행하면 각 단계에서 모델 호출과 Tool 실행, 상태 변경이 반복됩니다. 중간 과정에서 문제가 발생했을 때 어떤 Tool을 사용했고 어떤 판단을 거쳤는지 추적할 수 있는 실행 로그와 평가 체계가 필요한 이유입니다.
여기에 Alibaba는 TokenWorks를 통해 모델 요청의 Routing, Inference Execution, Compute Reuse, Scheduling을 통합했습니다. Agent가 확산될수록 하나의 요청이 여러 번의 모델 추론으로 확대되는 만큼, 요청을 어떤 모델과 자원에 배분하는지가 비용과 성능에 직접적인 영향을 미치기 때문입니다.
결국 Agent 도입은 모델을 선택하는 것에서 끝나지 않습니다. AI에게 어떤 권한을 부여하고 어떤 Tool에 접근하도록 할 것인지, 실행 과정을 어떻게 추적하고 통제할 것인지까지 설계하는 단계로 이동하고 있습니다.
Source: workbuddy.com | Tencent
Tencent의 WorkBuddy는 여러 모델과 업무 도구를 연결해 PC에서 작업을 수행하는 Agent이며, CodeBuddy는 개발 업무에 특화된 Agent입니다. 기업용 WorkBuddy Enterprise에서는 개인의 Agent 활용부터 조직 단위 운영까지 하나의 관리 체계로 연결합니다.
특히 눈에 띄는 것은 여러 분야의 Expert가 하나의 작업을 나누어 수행하는 구조입니다. 운영, 디자인, 데이터, 개발 등 업무별 Agent를 구성하고, MCP와 Custom Skill을 통해 외부 기능을 확장할 수 있습니다.
실제 기업의 업무 역시 하나의 역할로 완결되지 않습니다. 시장 조사와 데이터 분석, 문서 작성, 개발 등 여러 업무가 연결됩니다. 하나의 범용 Agent가 모든 것을 처리하기보다 전문 Agent가 역할을 나누고 협업하는 방식이 실제 조직의 업무 구조에 가까워지고 있는 것입니다.
동시에 관리자는 구성원별 사용 모델과 호출 정책을 설정하고, Prompt 보호와 위험 명령 검사, Skill 보안 검사, Sandbox 등을 적용할 수 있습니다. Agent가 조직으로 확산될수록 생산성만큼 누가 어떤 Agent에 어떤 실행 권한을 줄 것인지가 중요해지고 있었습니다.
JD.com은 공통 AI 기반 위에 서로 다른 업무용 Agent를 구성하는 방향을 보여줬습니다.
JoyClaw는 AI 브라우저, 리서치, 데이터 분석, 콘텐츠 생성 등의 Skill을 제공하는 기업용 데스크톱 Agent입니다. 독립 Sandbox와 데이터 암호화, 위험 작업 차단, 실행 감사 등 기업 환경에 필요한 보안 기능도 함께 제공합니다.
개발 영역의 JoyCode는 대규모 코드베이스를 이해하는 Context Engine과 Multi-Agent 협업을 강조합니다. CSR Context Engine을 통해 코드 구조와 호출 관계, 업무 로직을 파악하고 조직의 규칙과 지식을 활용하도록 구성했습니다. 반면 마케팅과 콘텐츠 영역에서는 JoyAI의 멀티모달 생성 기술과 Digital Human을 활용합니다.
하나의 ‘만능 AI’를 만드는 것보다 공통 모델과 지식·보안 체계 위에 개발, 마케팅, 콘텐츠 등 역할에 맞는 Agent를 구성하는 방식입니다. Agent 경쟁이 개인용 AI Assistant에서 조직의 업무 구조를 반영하는 Agent Architecture로 확장되고 있음을 확인할 수 있었습니다.
Agent가 복잡해지고 모델 규모가 커질수록 필요한 컴퓨팅 자원도 증가합니다. 대규모 모델은 하나의 GPU나 NPU에서 처리하기 어렵기 때문에 수백~수천 개의 가속기에 모델과 연산을 분산합니다.
이때 중요한 것은 개별 칩의 FLOPS만이 아닙니다. 가속기 사이에서 데이터를 얼마나 빠르게 이동하고, 분산된 메모리와 연산 자원을 얼마나 효율적으로 하나의 시스템처럼 사용할 수 있는가가 전체 성능을 좌우합니다.
Huawei가 공개한 Atlas 950 SuperPoD는 1,024개의 Ascend NPU를 하나의 대규모 컴퓨팅 시스템으로 구성하며, 초고대역폭·초저지연 인터커넥트와 Unified Memory Addressing을 핵심 기술로 제시했습니다.
대규모 모델은 Tensor Parallelism, Pipeline Parallelism 등의 방식으로 연산을 여러 가속기에 분산합니다. 이 과정에서 Parameter와 Activation 같은 데이터가 지속적으로 오가기 때문에 가속기 간 통신이 느리면 전체 시스템의 효율이 떨어집니다. 개별 칩의 성능만큼 Interconnect가 중요해지는 이유입니다.
Unified Memory Addressing 역시 여러 가속기에 분산된 메모리 공간을 하나의 논리적 자원처럼 활용하기 위한 접근입니다.
Atlas 950은 AI 컴퓨팅의 경쟁 기준이 개별 NPU의 연산 성능에서 수천 개의 가속기를 얼마나 낮은 지연으로 연결하고 하나의 거대한 컴퓨팅 자원처럼 활용할 수 있는가로 확장되고 있음을 보여줬습니다.
ZTE의 OEX SuperNode는 특정 GPU에 종속되는 대신 프로토콜과 인터페이스를 표준화해 다양한 GPU 생태계를 하나의 SuperNode 구조에서 활용할 수 있도록 하는 ‘Open Decoupling’ 방식을 제시합니다.
OEX는 가속기 간 고속 연결과 서버 간 Lossless Network를 결합하고, Orthogonal Backplane-less Architecture와 고속 인터커넥트, Switching Chip을 하나의 시스템으로 구성합니다.
기업의 AI 인프라는 공급망과 비용, 기존 자산, 워크로드에 따라 서로 다른 GPU와 NPU가 혼재할 수 있습니다. 이때 개별 하드웨어의 성능만큼 서로 다른 연산 자원을 얼마나 일관된 인프라로 통합하고 운영할 수 있는가가 중요해집니다.
ZTE가 OEX와 함께 전력·네트워크·AIOS까지 연결하는 것도 같은 맥락입니다. AI 인프라의 경쟁 범위가 칩에서 Compute·Network·Energy를 아우르는 시스템 전체로 확대되고 있었습니다.
Moore Threads에서는 AI 가속기 경쟁의 또 다른 장벽인 Software Compatibility가 눈에 들어왔습니다.
현재 AI 개발 생태계의 상당 부분은 CUDA를 중심으로 형성되어 있습니다. PyTorch나 TensorFlow뿐 아니라 Kernel, 최적화 Library와 개발 Toolchain까지 연결되어 있기 때문에 GPU를 바꾸는 것은 단순히 하드웨어를 교체하는 문제가 아닙니다.
Moore Threads는 자체 GPU와 함께 MUSA(Moore Threads Unified System Architecture)를 구축해 GPU, Compiler, Runtime, Library와 Framework가 연결되는 개발 환경을 만들고 있습니다.
기업 입장에서는 기존 코드와 프레임워크를 얼마나 적은 변경으로 이전할 수 있는지, 익숙한 Toolchain을 유지할 수 있는지가 실제 도입 비용과 직결됩니다. 따라서 NVIDIA의 대안을 만든다는 것은 GPU 하나를 만드는 것이 아니라 하드웨어부터 소프트웨어까지 하나의 개발 생태계를 구축하는 플랫폼 경쟁에 가깝습니다.
MiTAC Computing은 AI·HPC 환경을 위한 고밀도 서버와 Rack-scale Infrastructure를 제공하고 있습니다.
AI 서버에서는 여러 GPU를 하나의 Chassis에 구성하고 다시 여러 서버를 Rack 단위로 연결합니다. GPU 수가 늘어날수록 전력 공급과 고속 인터커넥트, 냉각 구조가 동시에 복잡해지기 때문에 서버 한 대가 아니라 Rack 전체를 하나의 컴퓨팅 시스템으로 설계하는 방식이 중요해집니다.
결국 AI 인프라에서는 어떤 GPU를 탑재했는지만 보는 것이 아니라 Rack에서 몇 개의 가속기를 운영할 수 있는지, 필요한 전력과 냉각 방식은 무엇인지까지 함께 최적화해야 합니다.
Kehua Tech는 고밀도 AI 데이터센터를 위한 전력·냉각·모듈형 인프라를 제공합니다.
대규모 AI Cluster에서는 수백~수천 개의 가속기가 장시간 동시에 작동하기 때문에 전원 공급이나 냉각 시스템의 문제가 전체 학습 작업에 영향을 줄 수 있습니다. UPS, Power Distribution, Liquid Cooling과 같은 설비를 단순한 보조 인프라로 보기 어려워지는 이유입니다.
특히 고밀도 GPU 환경에서는 서버에서 발생한 열을 냉각수로 직접 제거하는 Liquid Cooling과 전력·냉각·Rack·Monitoring을 사전에 통합한 모듈형 데이터센터가 중요한 대안으로 부상하고 있습니다.
AI 시대에는 결국 연산 자원과 이를 유지하는 물리 인프라를 하나의 시스템으로 봐야 합니다. 얼마나 많은 GPU를 확보했는지만큼, 그 GPU에 얼마나 안정적으로 전력을 공급하고 열을 제거할 수 있는지가 실제 AI 컴퓨팅 용량을 결정하기 시작했습니다.
이번 WAIC에서 가장 직관적으로 AI의 변화를 확인할 수 있었던 영역은 로보틱스였습니다. 기존 산업용 로봇이 사람이 미리 정의한 좌표와 Sequence에 따라 움직였다면, Physical AI는 카메라와 센서로 환경을 인식하고 모델이 상황을 판단한 뒤 실제 Robot Action으로 연결합니다.
최근 주목받는 VLA(Vision-Language-Action) 역시 이미지와 언어를 이해하는 데서 끝나지 않고, 현재 상황과 지시를 바탕으로 로봇이 수행해야 할 행동까지 생성합니다. 따라서 Physical AI에서는 모델뿐 아니라 실제 행동 데이터를 어떻게 확보하고 학습에 연결할 것인가가 중요한 과제가 됩니다.
PsiBot은 Psi E1 외골격, Psi H1 로봇 핸드, Psi Data, End-to-End VLA 모델 Psi R1을 연결해 로봇의 학습 과정을 하나의 파이프라인으로 구성하고 있습니다.
Psi E1을 통해 사람의 손동작을 로봇과 1:1로 Mapping해 데이터를 수집하고, 이를 Psi R1의 학습과 실제 로봇 행동으로 연결합니다. 언어 모델은 인터넷에 축적된 방대한 텍스트를 학습할 수 있었지만 로봇이 물체를 집고, 돌리고, 힘을 조절하는 행동 데이터는 자연스럽게 축적되어 있지 않습니다.
그래서 Physical AI에서는 모델 성능만큼 고품질의 실제 행동 데이터를 얼마나 많이 확보할 수 있는가가 중요합니다.
PsiBot은 이를 Human Demonstration → Data → VLA → Robot Action이라는 하나의 학습 파이프라인으로 보여주고 있었습니다.
PsiBot이 사람의 움직임을 로봇 학습 데이터로 만드는 과정에 집중했다면, micro-i는 AI가 실제 제조 현장에서 인식하고 판단한 결과를 로봇의 다음 행동으로 연결하는 방식을 보여줬습니다.
micro-i가 개발하는 EIIR(Embodied Intelligent Industrial Robotics)은 비전 센서와 AI 모델, 로봇 제어를 Cloud–Edge–Device 구조로 연결해 Perception, Learning, Decision-making, Execution을 하나의 시스템에서 처리합니다. 기존 산업용 로봇이 미리 설정된 위치와 경로를 반복한다면, 주변 환경과 작업 결과를 확인한 뒤 다음 행동을 조정할 수 있도록 만든 구조입니다.
품질 검사 로봇이 이를 가장 직관적으로 보여줍니다. 결함을 발견하면 유형을 분류하는 데서 끝나지 않고, 추가 정밀 검사가 필요한지 판단해 다시 스캔하거나 심각한 결함에서는 검사를 종료합니다. 즉 촬영 → 판정으로 끝났던 기존 Vision AI가 인식 → 판단 → 이동·제어 → 재검사로 이어지는 Closed Loop로 확장되는 것입니다.
Physical AI가 반드시 휴머노이드 형태로만 발전하는 것은 아닙니다. 이미 사용 중인 산업용 로봇에 AI의 인식과 판단 계층을 추가해 환경 변화에 대응하는 자동화 시스템으로 바꾸는 방식 역시 제조 현장에서 현실적인 적용 경로가 될 수 있습니다.
RealMan Robotics는 경량 로봇팔과 Joint Module뿐 아니라 Teleoperation Network와 실제 행동 데이터 수집 환경까지 함께 제공하고 있습니다. Physical AI가 다양한 행동을 학습하려면 관절 위치와 속도, Torque, Camera 영상, Gripper 상태 등 실제 로봇에서 발생하는 데이터를 반복적으로 수집해야 합니다.
RealMan은 로봇 단말과 원격 작업 Station, Cloud Scheduling을 연결해 사람이 로봇을 조작하는 과정 자체를 학습 데이터로 활용할 수 있는 구조를 구축하고 있습니다.
대규모 언어 모델에서 데이터가 중요한 자산이었다면 Physical AI에서는 실제 세계에서 축적되는 Observation–Action 데이터가 새로운 학습 자산이 됩니다. 로봇 경쟁 역시 얼마나 자연스럽게 움직이는지를 넘어, 실제 작업 데이터를 얼마나 지속적으로 확보하고 다시 모델 개선으로 연결할 수 있는가로 확대되고 있었습니다.
이번 WAIC에서 살펴본 Agent, AI 컴퓨팅, 데이터센터, Physical AI는 서로 다른 분야처럼 보이지만 하나의 흐름으로 연결됩니다.
Agent에서는 LLM이 Tool과 업무 시스템에 연결되면서 Runtime과 Observability, 권한 관리가 중요해지고 있습니다. AI 컴퓨팅에서는 개별 가속기의 성능보다 수천 개의 가속기를 연결하는 Memory와 Interconnect Architecture가 중요해졌습니다.
데이터센터에서는 다시 이를 실제로 가동하기 위한 Power와 Cooling이 시스템 성능의 일부가 되고, Physical AI에서는 Model과 Sensor, Data, Controller가 연결되며 AI의 판단이 실제 행동으로 확장되고 있습니다.
AI 산업의 경쟁이 가장 뛰어난 모델을 만드는 것에서, AI가 실제 환경에서 실행되고 지속적으로 운영될 수 있는 전체 시스템을 만드는 것으로 확장되고 있는 것입니다.
기업의 AI 도입 역시 같은 관점에서 볼 필요가 있습니다. 어떤 모델을 선택할 것인지뿐 아니라 AI에게 어떤 업무와 권한을 맡길 것인지, 실행 과정은 어떻게 추적하고 통제할 것인지, 늘어나는 추론을 어떤 인프라에서 처리하고 어느 정도의 비용과 안정성으로 운영할 것인지까지 함께 설계해야 합니다.
WAIC 2026 현장에서 확인한 것은 새로운 기술 하나의 등장이 아니라 AI를 구현하기 위해 고려해야 하는 기술의 범위 자체가 빠르게 넓어지고 있다는 변화였습니다. 앞으로 기업의 AI 경쟁력 역시 모델과 데이터, 컴퓨팅, 실행 환경을 얼마나 안정적인 하나의 시스템으로 연결할 수 있는가에서 더 큰 차이가 만들어질 것으로 보입니다.
▶ 슬렉슨이 직접 관찰한 AI 인사이트 리포트를 통해 최신 기술과 산업 흐름을 만나보세요.
AI 코딩 시대의 새로운 병목이 된 코드 리뷰 변화와 CodeCenter를 활용한 대응 방안을 살펴봅니다.
모델 성능뿐 아니라 보안, 권한 관리, 사용 이력, 검증 절차, Human-in-the-loop 승인 체계가 함께 준비되어야 합니다.
완전 폐쇄망 환경에서 조직 단위의 권한 제어와 지식 자산화를 구현하는 CodeCenter 핵심 기능을 알아봅니다.
CodeCenter를 활용해 Java 프로젝트의 성능 병목을 분석하고 개선한 실제 사례를 소개합니다.
© SLEXN, Inc. All rights reserved.