인도는 세계를 정복하기 전에 국내에서 AI를 구축해야 합니다 – Inmobi의 Mohit Saxena

인도는 인공지능(AI) 패권을 향한 글로벌 경쟁의 전환점에 서 있습니다. 미국과 중국은 수십 년 동안 AI 위치를 뒷받침하는 심층적인 기술 역량을 구축해 왔습니다. 인도는 종종 신흥 강국으로 언급되지만 열망과 실제 준비 사이의 격차는 여전히 넓습니다.

Inmobi의 공동 창립자이자 CTO인 Mohit Saxena는 TechSparks 2025에서 이러한 격차를 포착했습니다.

그는 기업가와 기술 애호가들로 가득 찬 방에서 이렇게 말했습니다. “이 지역이 AI를 다루는 방식과 우리가 하는 일에는 매우 뚜렷한 차이가 있습니다.”

많은 사람들이 인도를 “부상하는 제3의 초강대국”으로 보고 있지만, 인도는 먼저 격차의 규모를 인식해야 합니다. 미국은 리더십을 구축하는 데 50년, ‘수조’를 소비한 반면 중국은 ‘수십 년 동안 전체 시스템을 복제’했다고 그는 말했습니다.

그는 또한 미국이 대규모 투자와 연구 집약적 대학을 통해 계속해서 우위를 점하고 있는 반면, 중국은 국유 산업의 공동 노력과 빠르게 확장되는 국내 생태계 덕분에 빠르게 발전했다고 지적했습니다.

반면 인도는 세계적 수준의 인재를 보유하고 있지만 제도적 깊이는 같지 않다고 그는 주장했다. 이를 메우기 전에 이 격차를 이해하는 것이 필수적입니다. 그는 독창적인 IP를 개발하고 핵심 기술을 최적화하며 심층적인 연구를 수행할 수 있는 능력이 없으면 인도는 AI 시스템을 창안하는 것이 아니라 대규모 사용자가 될 위험이 있다고 덧붙였습니다.

AI 공학의 기초

InMobi의 최고 기술 책임자(CTO) 강연의 핵심 메시지는 AI 사용과 AI 생성을 구별해야 한다는 것입니다. LLM(대형 언어 모델)에 대한 많은 관심은 API 채택이 AI 회사가 되는 것과 같다는 인상을 만들어냈습니다. 모히트는 이에 동의하지 않습니다.

“99%의 사람들은 AI가 단지 LLM이 에세이를 쓰거나 이메일을 편집하는 것이라고 생각합니다. 제가 아는 사람 중에서 AI 회사라고 말하는 사람 중 절반은 전혀 AI 회사가 아닙니다. 그들은 단지 사용자일 뿐입니다. 가치나 IP가 없습니다. 다른 사람이 와서 더 잘할 것입니다.”

실제 AI 작업에 수반되는 작업을 설명하기 위해 Saxena는 이를 4개의 상호 연결된 기반으로 나누었습니다.

첫 번째는 대규모 모델과의 상호 작용 비용을 줄이는 효과적인 전처리 및 토큰 최적화입니다. 시스템이 관련성을 식별하는 방법을 학습하지 않으면 간단한 쿼리로 인해 수천 개의 레코드가 낭비될 수 있습니다. 이러한 최적화는 사소해 보일 수 있지만 실험과 실행 가능한 제품 간의 차이를 만듭니다.

두 번째 기초는 정보에 입각한 모델 선택입니다. 오늘날 기업은 Gemini, OpenAI, Claude 및 로컬 하드웨어에서 저렴하게 실행할 수 있는 수많은 오픈 소스 모델과 같은 광범위한 시스템에 액세스할 수 있습니다.

Saxena는 “우리는 어떤 모델을 사용할지 결정하는 데 많은 시간을 소비합니다.”라고 말하면서 Glance AI는 비용, 정확성, 효율성이 매우 다양하기 때문에 종종 “7~9개 모델”에 의존한다는 점을 지적했습니다. 이러한 복잡성을 관리하기 위해 회사는 런타임 시 최상의 모델을 선택하는 단일 API를 사용합니다. 그는 오픈 소스 모델이 인도에 강력한 발전을 제공한다고 덧붙였습니다.

“우리는 자체 버전을 구축하고 이를 데이터로 교육한 다음 모델이 됩니다.”라고 그는 말했습니다.

Saxena는 많은 애플리케이션에 대규모 언어 모델이 필요하지 않으며 “10억 개 이하의 매개변수로 구성된 작은 모델이 대부분의 사용 사례에 매우 잘 작동한다”고 주장했습니다.

세 번째 기준은 하드웨어 효율성입니다. 인도가 특히 취약한 부분이 바로 이 부분이다.

“NVIDIA 컨트롤러 사용법을 아는 엔지니어를 만난 적이 없습니다. GPU를 배우도록 엔지니어를 다시 대학에 보냅니다. GPU를 모르면 AI에서 성공할 수 없습니다. 문제는 기업에 GPU가 더 필요한 것이 아니라 이미 보유하고 있는 GPU를 어떻게 사용할지 모른다는 것입니다.”라고 그는 말하며 대부분의 기업이 8%7%의 활용률로 운영되고 있다고 덧붙였습니다.

그는 GPU 프로그래밍에는 현대의 고급 소프트웨어 개발보다 시스템 엔지니어링에 더 가까운 사고방식이 필요하다고 강조했습니다.

마지막 기준은 출력의 품질입니다. 최신 모델은 결정적이지 않으며 오해를 불러일으키거나 부정확한 결과를 제공할 수 있습니다. 후처리 시스템은 오류를 필터링하고 사용자가 신뢰할 수 있는 정보를 받을 수 있도록 하는 데 필수적입니다. 실제 서비스를 제공하려는 회사의 경우 이 계층은 자체 엔지니어링 및 실험 영역이 됩니다.

AI 제품 및 IP 전략

이러한 기본 사항이 이해되면 인도가 건축 제품에 어떻게 접근해야 하는지가 문제입니다. Saxena는 인도가 미국을 겨냥한 SaaS 제품 형태로 빠른 승리를 거두려는 유혹에 저항해야 한다고 생각합니다. 이러한 모델은 단기 수익을 제공할 수 있지만 더 강력한 인프라와 더 큰 훈련 파이프라인을 갖춘 심층적인 AI 플레이어로 인해 대체되기 쉽습니다.

대신 중국 플레이북을 반영한 보다 지속 가능한 경로를 제안합니다. 중국은 Baidu, ByteDance 및 기타 모든 것을 구축했습니다. 그들은 먼저 자체적으로 구축한 다음 전 세계적으로 확장했습니다.

그는 먼저 가정 소비용으로 구축한다고 말하면서 인도의 규모는 의미 있는 데이터를 생성하고, 모델을 개선하고, 다양한 조건에서 제품을 테스트할 수 있을 만큼 충분히 크다고 덧붙였습니다.

“이 나라에는 소비가 너무 많고 해결해야 할 문제가 너무 많습니다. 여기서 해결하십시오. 여기서 해결하면 제품을 내보내는 것이 매우 쉽습니다”라고 Saxena는 말했습니다.

그는 인도에서 제작되었지만 아시아, 일본, 미국에서 출시된 Glance 및 기타 InMobi 제품의 예를 사용했습니다. 중요한 것은 그 뒤에 있는 모델군이 지역의 얼굴, 행동 및 문화적 변화에 적응한다는 것입니다. 이는 인도에서 탄생한 제품이 강력한 기술 기반에 뿌리를 두고 다양한 유형의 데이터로부터 학습할 수 있을 만큼 유연하다면 세계적으로 경쟁할 수 있음을 보여줍니다.

또한 이러한 접근 방식을 통해 인도는 귀중한 IP를 구축할 수 있습니다. 기업이 제한된 하드웨어로 효율적으로 작동하는 소규모 맞춤형 모델이나 다중 모델 시스템을 개발하면 복제하기 어려운 혁신을 창출할 수 있다고 그는 말했습니다.

연구 및 기술 깊이

연구의 중요성을 강조하면서 Saxena는 인도 학생과 엔지니어가 교육을 순전히 취업의 길로 보는 경우가 많다고 지적했습니다. 이로 인해 직업이 자주 바뀌고 장기적인 전문성이 부족해집니다.

“인도에서는 연구를 하는 사람이 없습니다. 교육은 취업을 위한 수단입니다. 사람들은 2년 동안 일하고 회사를 바꾸고 5번을 하면 경력이 끝납니다.”라고 그는 말했습니다.

그는 이를 AI라는 단일 분야에 10년을 투자한 뒤 산업에 기여할 수 있는 미국 연구진과 대조했다. 인도에서는 그러한 사람이 드물며 기업은 진지한 AI 시스템을 구축하려고 할 때 부재감을 느낍니다.

Saxena는 실제 AI 연구의 기초를 형성하는 수학, 물리학 및 시스템 사고의 중요성을 강조했습니다.

“깊이 없는 AI 작업을 한다면 우리는 성공하지 못할 것입니다. 그것이 현실입니다.”