커스프AI의 맥스 웰링: “물에서 영원한 화학물질을 제거할 분자를 만들고 있다”

영국 기반 과학 스타트업의 공동 창업자가 AI를 활용해 세계에서 가장 복잡한 문제 중 일부를 해결할 새로운 소재를 개발할 수 있는 방법을 설명한다

존 손힐

게시됨 어제

막스 웰링은 암스테르담대학교 컴퓨터과학 교수이자, 신소재 발견에 혁명을 일으키는 것을 목표로 하는 영국 기반 스타트업 CuspAI의 공동 창업자다. 이 회사가 내세우는 비전은 AI를 활용해 “수천 년이 아니라 수개월” 만에 획기적인 성과를 내겠다는 것이다.

그는 30년 동안 연구와 상업의 세계를 오갔다. 학계에서는 유니버시티 칼리지 런던, 토론토대학교, 캘리포니아대학교 어바인 캠퍼스, 캘리포니아공과대학교에서 재직했으며, 사업 분야에서는 스타트업 창업자를 거쳐 Qualcomm과 Microsoft에서 근무했다.

웰링은 2024년 Quantinuum의 전 임원인 채드 에드워즈와 함께 CuspAI를 공동 창업해 소재과학 분야의 “검색 엔진”을 만들고자 했다. 이 회사는 AI 연구자인 제프 힌턴과 얀 르쿤, BP의 전 최고경영자인 존 브라운 경, ASML의 전 회장인 마르틴 판 덴 브링크 등 쟁쟁한 자문위원진을 꾸렸다.

이번 달 CuspAI는 Kleiner Perkins와 NEA가 주도한 2차 벤처캐피털 투자 유치에서 4억5,000만 달러를 조달했으며, 기업가치는 26억 달러로 평가됐다. Amazon의 Jeff Bezos도 이번 투자에 참여했다. 동시에 CuspAI는 AI Materials Foundry를 출범시키고 Nvidia, Meta, Samsung, Hyundai, Henkel, Tokyo Electron을 비롯해 전 세계 50곳이 넘는 파트너를 모아 신소재 개발에 나섰다.

Welling은 FT 혁신 담당 편집자 John Thornhill과의 이번 대담에서 기후변화 대응과 에너지 전환 관리, 반도체 업계가 직면한 지속적인 소형화 과제 해결에 도움이 될 새로운 소재를 AI로 만들어내려는 계획을 설명한다.

Max Welling: 저는 네덜란드 위트레흐트에서 이론물리학으로 경력을 시작했고, 노벨상 수상자와 함께 양자중력을 연구했습니다. 하지만 현실 세계에 더 큰 영향을 미치고 싶었습니다. 2차원에서 양자중력을 연구하는 것은 현실에 거의 영향을 미치지 못하는 길이니까요. 그래서 당시 막 태동하던 아주 작은 분야인 AI와 머신러닝으로 진로를 바꾸기로 했습니다. 당시에는 매개변수가 100개인 모델을 이야기했는데, 지금은 1조 개에 이릅니다. AI가 나름의 지수적 성장 경로를 따라왔다는 것을 알 수 있죠.

저는 Caltech에서 몇 년간 박사후연구원으로 있었습니다. 그 후 런던으로 옮겨 1년 동안 Geoff Hinton과 함께 일했고, Hinton이 옮겨간 뒤에는 토론토대학교에서 그와 함께 연구했습니다.

저는 분명 머신러닝에 매료됐습니다. 기계에 일일이 하드코딩하는 대신 경험을 통해 학습하도록 가르칠 수 있었죠. 이는 AI를 구축하는 완전히 새로운 방식이었습니다. 우리가 딥러닝, 트랜스포머, LLM(대규모 언어 모델) 등으로 부르는 모든 것은 이런 특정한 세계관에 기반하고 있습니다.

JT: CuspAI를 출범하기로 결심한 이유는 무엇인가요?

MW: 몇 가지 일이 맞물리고 있었습니다. 첫째는 제가 학계 연구실에서 여러 모델을 개발했다는 점입니다. 그중 하나는 세계의 대칭성을 신경망에 인코딩한 등변 모델이었습니다. 사람들이 이 모델을 사용하기 시작했고, 저는 지금이 도약할 완벽한 시점이라고 생각했습니다.

하지만 어쩌면 더 중요한 이유는 기후변화와 에너지 전환을 매우 우려하고 있었기 때문입니다. 저는 이러한 기술적 진보가 가져올 수 있는 엄청난 기회를 보았습니다. 아름다운 점은 우리가 실제로 지금 이 문제들을 해결하기 위해 노력하고 있다는 것입니다. 우리는 PFAS(자연에서 분해되지 않는 ‘영원한 화학물질’)를 물에서 제거하는 분자를 만들고 있습니다. 대기에서 이산화탄소를 제거하기 위한 프로그램도 운영하고 있습니다.

JT: 제프리 힌턴과 얀 르쿤을 포함해 상당히 인상적인 이사회를 꾸리셨습니다. 이들이 실존적 위험을 두고 늘 논쟁하는 것을 어떻게 막으시나요?

MW: 정말 흥미로운 질문입니다. 제 생각에 Geoff Hinton은 AI의 좋은 활용 사례도 있다고 보는 것 같습니다. 그렇죠? AI의 모든 활용 사례가 나쁜 것은 아닙니다. 특히 그는 이것이 큰 해를 끼치지 않는, 더 나은 AI 활용 사례 중 하나라고 생각했기 때문에 우리를 지지했습니다.

물론 Yann LeCun은 매우 다른 견해를 갖고 있습니다. 따라서 그는 그러한 [실존적 위험] 우려에 대해서는 Geoff Hinton과 의견을 같이하지 않습니다. 하지만 이 경우 AI에서 나올 수 있는 긍정적인 결과에 대해서는 같은 입장입니다. 우리 이사회에는 세상을 바라보는 관점이 서로 다른, 그 밖의 매우 유력한 후보들도 있습니다. 하지만 이러한 관점의 다양성 역시 매우 강력한 힘입니다.

JT: CuspAI는 소재 과학을 위한 검색 엔진을 만들고 있다고 합니다. 이것이 무엇을 의미하는지 FT 독자들에게 설명해 주시겠습니까?

MW: 우선 웹에서 정보를 검색할 때는 기존 소재, 기존 논문, 기존 정보를 검색합니다. 오늘날 검색 엔진에 무언가를 입력하면 AI 버전의 검색 엔진을 이용하게 되는데, AI는 새로운 정보도 만들어냅니다. 또한 정보를 추론하고 결합할 수 있습니다.

따라서 이러한 비유는 우리가 만드는 것과 실제로 매우 잘 들어맞습니다. 우리 플랫폼에도 프롬프트나 문장을 입력할 수 있으며, 원하는 소재의 유형과 그 소재에서 얻고자 하는 특성을 표현할 수 있습니다. 예를 들어 “유전율이 높은 반도체를 원한다”고 입력할 수 있습니다. 이를 검색창에 넣으면 기존 소재 검색을 시작합니다. 우리에게는 소재와 그 특성을 다루는 방대한 수의 과학 논문을 담은 독점 데이터베이스가 있기 때문입니다.

이러한 새로운 소재를 상상하고 실제로 기계에서 만들어낼 수 있습니다.

하지만 다음 단계에서는 완전히 새로운 소재를 만들기 시작합니다. 즉, 이 우주에서 한 번도 빛을 본 적이 없는 소재들입니다. 우주가 만들어낼 수 있었던 분자의 수가 상상할 수 없을 정도로 방대하기 때문에, 저는 이 점이 매우 매력적이라고 생각합니다.

물론 그중 극히 일부만이 이 우주에 실제로 존재하게 됐습니다. 하지만 이제 우리는 이러한 새로운 소재를 상상하고, 실제로 기계에서 만들어낼 수 있습니다. 그런 다음 이 새로운 소재들을 디지털 트윈을 이용해 테스트합니다. 이 소재들에 대해 온갖 시뮬레이션을 수행하고, 실제로 제작될 실험 장치로 보내기도 합니다. 그리고 마지막에는 그중 일부를 추려낸 목록이 사용자에게 전달됩니다.

JT: 제가 이해하기로는 슈뢰딩거(Schrödinger) 같은 다른 소재 과학 기업들은 새로운 소재를 찾기 위해 순방향 시뮬레이션을 실행하지만, CuspAI는 역방향 생성 설계를 사용하고 있습니다. 이 두 접근법의 차이를 설명해 주시겠습니까?

MW: 물론 슈뢰딩거에서 정확히 어떤 일을 하는지는 모릅니다. 하지만 기본적으로 물리 법칙에 기반한 시뮬레이터를 구축하는 기업들이 있다는 것은 알고 있습니다. 예를 들어 양자역학적 계산을 수행하고 원자의 변화를 시뮬레이션하는 방식입니다. [CuspAI에서는 머신러닝을 사용해] 이러한 시뮬레이션을 가속합니다. 이는 중요한데, 방금 말씀하신 역방향 설계를 하려면 이러한 시뮬레이터에서 더 나은 특성을 부여함으로써 소재를 개선하려고 하기 때문입니다.

시뮬레이터가 매우 느리다면 소재의 성능이 좋은지 아닌지를 평가하기가 매우 어렵습니다. 하지만 시뮬레이션을 크게 가속할 수 있다면, 소재를 시뮬레이션해 원하는 특성 측면에서 소재가 개선되고 있는지 파악할 수 있습니다.

JT: 실제 사례를 들어볼 수 있을까요? 핀란드 화학기업 케미라(Kemira)와 함께 영원히 분해되지 않는 화학물질을 제거하는 프로젝트를 시작하셨습니다. 300조 개의 가능한 물질 구조와 5,000개의 새로운 물질 설계를 6개월 동안 검토해 우선순위 후보 20개를 추렸다고 알고 있습니다. 그 과정을 설명해 주시겠습니까?

MW: 이를 위해서는 케미라의 해당 분야 전문가들과 긴밀히 협력해야 합니다. 이들은 금속-유기 골격체라고 불리는 물질에서 우리가 포집하려는 분자가 무엇인지 매우 정확하게 알려줍니다. 우리의 과제는 이 세 가지 분자를 붙잡아 두면서도 가득 차면 다시 방출할 수 있는 금속-유기 골격체를 찾는 것이었습니다. 물론 이 물질들은 식수에 사용되기 때문에 독성이 없어야 합니다. 또한 케미라의 전문가들이 우리가 충족해야 할 여러 가지 다른 조건도 제시했습니다.

300tn이라는 수치는 이 분야에서 잠재적으로 고려할 수 있는 금속-유기 골격체의 가능한 총 개수입니다. 우선 제가 설명드린 것처럼 문헌을 검토하며 잠재적으로 흥미로운 물질을 찾아냅니다. 동시에 이러한 특성을 지닌 가능한 모든 금속-유기 골격체를 생성하는 전용 생성 모델도 갖추고 있습니다.

그다음 생성 모델로 분자를 만들어 검색합니다. 300tn개를 실제로 하나씩 구현하는 것은 아닙니다. 더 우수한 분자를 찾는 방향으로 그 공간을 탐색하는 방식에 가깝습니다. 적합한 분자를 생성하면 상당히 비용이 많이 드는 시뮬레이터를 사용합니다. 이 시뮬레이터는 해당 분자가 안정적인지 판단합니다. 분자를 조금씩 움직여 보면서 자기 자신을 향해 붕괴하면 안정적인 분자가 아닙니다. 반대로 견고한 상태를 유지하면 안정적입니다.

그런 다음 이 깔때기 같은 선별 과정을 거치며 컴퓨터상에서 이 모든 테스트를 진행하고, 대부분은 탈락합니다. 이후 남은 몇 가지 후보를 실험실에서 만들어 봅니다.

JT: 현재 이 프로젝트는 어느 단계에 와 있습니까? 우선순위 후보를 선정하셨는데, 다음 단계는 무엇입니까?

MW: 이 물질들을 식별한 뒤 실제 공정에 투입하기까지는 아직 몇 단계가 남아 있습니다. 이 분자들이 필요한 특성을 모두 갖췄는지 확인하기 위해 추가 실험을 진행해야 합니다. 물론 그 부분에서는 Kemira가 전문가입니다. 그다음에는 일련의 인증 절차가 이어집니다. 그리고 이 과정에는 수년이 걸릴 수도 있습니다.

JT: CuspAI의 사업 모델은 무엇인가요?

MW: 합의한 종류의 결과물을 제공할 때 마일스톤 지급금을 받습니다. 그리고 일종의 성과 보너스도 있다고 할 수 있습니다. 상용화 후 실제 소재에 대한 로열티 형태로 받을 수도 있습니다. 또는 실제 소재가 실제 기기에 적용될 때 또 다른 보너스나 대금으로 받을 수도 있습니다.

JT: 이제 물리적 AI의 세계로 진입하고 있다고 모두가 말합니다. 맞는 말인가요? 이것이 세상에 어떤 의미를 갖나요?

저는 AI의 다음 물결이 피지컬 AI라고 확신합니다. 시야를 조금 넓혀 보면, LLM이 다리를 설계하는 AutoCAD 도구와 연결되는 모습을 상상할 수 있습니다.

MW: 매우 흥미롭습니다. 저는 AI의 다음 물결이 물리적 AI라고 확실히 믿습니다. 무슨 뜻일까요? 물리적 AI에서는 물리적 세계에 사물을 구현하고자 합니다. 그중 상당 부분을 디지털 세계에서 먼저 해보고자 하는 것이죠. 이를 디지털 트윈이라고 합니다. 예를 들어 시야를 조금 넓혀 생각해보면, LLM이 교량을 설계하는 AutoCAD 도구에 연결될 수 있습니다. 요청은 다음과 같겠죠. 이런 특성을 가진 교량을 설계해달라. 튼튼해야 한다. 이 모든 기능을 수행할 수 있어야 한다. 이 정도의 차량을 견딜 수 있어야 한다. 이런 모든 조건을 AutoCAD 시스템에 입력하는 겁니다.

그러면 시스템은 이 교량을 설계하고 최적화하기 시작할 것입니다. 물론 마지막에는 이를 출력하거나 실제로 만들어야 합니다. 하지만 이 디지털 트윈을 구축하고 LLM을 이용해 작동시키는 단계가 이제 우리가 물리적 AI의 다음 단계로 생각할 수 있는 부분입니다. 바로 이 지점에서 많은 기업이 물리적 장치와 직접 상호작용하는 이런 종류의 지능을 구축하는 데 관심을 보이고 있습니다.

JT: 현재 우리가 보유한 LLM은 인터넷에 존재하는 전 세계의 알려진 지식을 모두 학습했습니다. 하지만 다음 혁명은 우리가 새로운 데이터를 생성하는 데 달려 있을 것입니다. 그렇지 않습니까? 그러려면 로봇이 직접 나가서 그 데이터를 모두 수집해야 할 것이고, 따라서 새로운 데이터 세트를 둘러싼 매우 큰 선점 경쟁이 벌어지겠죠?

MW: 반드시 로봇이 현실 세계를 돌아다녀야 하는 것은 아닙니다. 강화학습(RL) 환경일 수도 있는데, 저는 이것이 더 현실적인 방식이라고 생각합니다. 현실 세계를 시뮬레이션하는 환경을 구축하고, 실제 물리 법칙을 정교하게 모델링하는 겁니다. 그런 다음 시뮬레이터 안에서 잘 작동하도록 모델을 최적화합니다. 따라서 이는 방금 말씀하신 내용을 디지털 트윈으로 구현한 것에 가깝고, 시뮬레이터가 데이터를 수집하는 방식입니다.

다르게 생각해보면 게임 콘솔이 있습니다. 게임을 실행하면 게임은 실제로 매우 훌륭한 물리 시뮬레이터 역할을 하고, 사람들은 이 게임을 조작합니다. 그 과정에서 매우 흥미로운 데이터가 많이 생성됩니다. 그리고 그 데이터가 수집됩니다. 이는 로보틱스 플랫폼을 훈련하는 데 매우 유용한 데이터입니다. 따라서 데이터 수집 노력으로는 이 방식이 아마 더 현실적일 것이라고 생각합니다.

JT: 그렇다면 비디오게임을 하는 사람들이 새로운 소재를 개발하려는 연구에 도움을 주고 있다는 말인가요?

MW: 다소 비약일 수 있습니다. 일종의 시뮬레이션된 물리적 세계에서 데이터를 수집할 수 있다고 생각합니다. 그리고 현실 세계에 자동차와 로봇을 둘 수도 있습니다. 우리에게는 실험 장치를 두는 것이 이에 해당하며, 이 장치들이 현실 세계에서 실제 데이터를 수집하게 됩니다. 따라서 데이터를 더 많이 수집할 수 있는 방식은 두 가지입니다. 하지만 우리가 보게 될 것은 이른바 세계 모델(world model), 즉 세계에 대한 3차원 기하학적 이해에 상당한 지능이 담겨 있다는 점입니다.

JT: 현재 LLM이 얼마나 확장될 수 있는지를 두고 거대한 논쟁이 벌어지고 있습니다. 얀 르쿤처럼 세계 모델이 앞으로 나아갈 길이라고 말하는 사람들도 있고요. 이 논쟁에서 당신은 어느 쪽에 서 있습니까? 기본적인 LLM 아키텍처를 확장해 훨씬 더 발전할 여지가 아직 많이 남아 있을까요, 아니면 AI를 다음 단계로 끌어올리려면 새로운 하이브리드 접근법이 필요할까요?

MW: 말씀하신 모든 일이 일어날 것이라고 생각합니다. 경제적 모델이 더 이상 성립하지 않을 때까지 확장은 가능한 한 계속될 것입니다. GPU[그래픽처리장치]를 우주에 배치하는 데 드는 비용이 너무 커져 투자비를 회수할 수 없게 된다면 사람들은 이를 중단할 것입니다. 하지만 그렇지 않다면, 이는 성능 향상을 이끌어내는 가장 예측 가능한 방법입니다. 기업 입장에서는 성능을 높이는 가장 쉽고 위험이 적은 방법인 셈입니다. 따라서 경제적 모델이 더 이상 타당하지 않게 될 때까지 계속 이 방식을 택할 것입니다.

동시에 이러한 모델을 개선할 수 있는 다른 방법들도 있을 것이라고 생각합니다. 세계 모델은 분명한 발전 방향이지만, 대안적 하드웨어도 개발될 것이라고 봅니다.

인간 뇌의 효율성과 우리가 사용하는 GPU 사이에는 정말 터무니없이 큰 차이가 있습니다… 그리고 언젠가는 뇌와 유사한 구조로 지능을 만들어낼 수 있는지 알아내게 될 것입니다.

인간 뇌와 우리가 사용하는 GPU의 효율성에는 정말 터무니없이 큰 차이가 있습니다. 약 100만 배에서 10억 배 더 효율적입니다. 언젠가는 뇌와 유사한 구조를 통해 지능을 만들어낼 수 있는지 알아내게 될 것입니다. 우리는 어느 정도 그런 구조를 모방하기 시작하는 하드웨어를 만들고자 합니다. 사람들이 스파이킹 신경망을 통해 이를 시도한 적은 있지만, 제 생각에는 큰 성공을 거두지는 못했습니다. 하지만 압박이 커지고 킬로와트시당 더 많은 지능이 필요해지면, 사람들은 더욱 아날로그적인 새로운 하드웨어 설계를 다시 고안하게 될 것이라고 생각합니다.

JT: 양자컴퓨팅 기업들이 내세우는 주요 주장 중 하나는 새로운 소재를 개발할 수 있다는 것입니다. 하지만 고전적 컴퓨팅의 한계가 확장되면서 이러한 주장에 반론도 제기되고 있습니다. 두 기술이 상호보완적이라고 보십니까? 소재과학 분야에서 양자컴퓨터만 할 수 있고 고전적 컴퓨터는 할 수 없는 일이 있습니까?

MW: 양자컴퓨터가 고전적 컴퓨터와는 다른 일을 할 수 있다는 것은 분명히 사실입니다. 문제는 양자컴퓨팅이 차지할 수 있는 영역이 얼마나 크고, 고전적 컴퓨팅이 차지할 수 있는 영역은 얼마나 큰가입니다. 예를 들어 텐서 네트워크와 같은 고전적 모델이 매우 성공적으로 발전해왔습니다. 이러한 모델들은 양자컴퓨팅이 강점을 보일 영역을 조금씩 잠식해왔습니다. 하지만 고전적으로 시뮬레이션하기가 극도로 어려운 소재군이 분명히 존재하며, 양자컴퓨터는 적어도 신경망이 이를 근사할 수 있도록 관련 데이터를 생성하는 데 기여할 수 있다고 생각합니다. 또한 양자역학의 본질과 깊이 연관된 특정 현상에서는 미래에 양자컴퓨터가 중요한 역할을 할 수 있습니다.

JT: CuspAI에서 가장 유망한 산업 분야는 무엇입니까?

MW: 우리의 가장 중요한 적용 분야는 반도체입니다. 앞으로 몇 년 동안 1,000배의 성능 향상이 필요할 것이라고 생각합니다. 무어의 법칙만으로는 이를 달성할 수 없습니다. 또 다른 문제는 2차원에서 리소그래피가 한계에 도달하고 있다는 점입니다. 조금 더 작게 만들 수는 있겠지만 원자 수준에 이르면 여기서 더 이상 발전시키기가 매우 어려워집니다. 이제 우리는 소재를 서로 위에 쌓는 3차원 적층으로 나아가고 있습니다. 이를 패키징이라고 합니다. 하지만 여기에는 열 문제가 따릅니다. 이 칩에서 발생하는 열을 외부로 방출하기가 매우 어려워집니다. 이는 매우 명확한 소재 문제입니다. 그리고 우리는 반도체용 신소재를 실제로 만들 수 있기 때문에 이 분야에 진출하게 되어 매우 기쁩니다.

JT: Anthropic의 Claude Science 출시가 CuspAI에 어떤 영향을 미칠까요? 이것이 여러분에게 얼마나 큰 경쟁 위협이라고 보십니까?

MW: Claude Science의 등장은 과학이 AI의 궁극적인 개척 영역이라는 우리가 수년간 알고 있던 사실을 입증합니다. 하지만 이들 기업이 수직적 영역으로 더욱 깊이 진출하면서 핵심 사명에 대한 집중력을 잃을 위험도 있습니다.

소프트웨어 솔루션이 실험실, 장비, 공급업체 네트워크로 구성된 물리적 세계와 만날 때 발생하는 마찰을 과소평가하기 쉽습니다. 이것이 CuspAI가 모델을 독점 데이터, 컴퓨팅 인프라, 실험실 검증, 실제 산업 현장 배포와 연결하는 데 주력하는 이유입니다.

저는 개인적으로 “초지능이 모든 것을 해결할 것”이라는 서사를 믿지 않습니다. 심도 있는 파트너십을 통해 인류가 직면한 가장 어려운 재료과학 문제 중 일부를 해결할 수 있다고 믿습니다.

JT: CuspAI에 대해 얼마나 큰 포부를 갖고 계십니까?

MW: 음, 우리는 획기적인 소재를 개발하는 세계적인 기업이 되고 싶습니다. 이미 우리 플랫폼을 활용하면서 엄청난 가속이 일어나고 있습니다. 최고과학자가 개발하고 싶은 것들을 입력하면 일종의 모터가 작동하기 시작해 온갖 새로운 통찰을 만들어냅니다. 최고과학자는 이 과정이 20분 만에 3년 과정의 박사학위 연구에 해당하는 결과를 낼 수 있다고 말합니다.

지금 우리는 새로운 획기적 소재 개발 분야에서 세계적인 선도 기업이 되는 궤도에 올라 있다고 생각합니다. 그리고 정말로, 매우 빠른 속도로 다양한 놀라운 특성을 지닌 온갖 신소재를 개발할 수 있다면 이는 세상을 완전히 바꿀 수 있다고 진심으로 믿습니다. 예를 들어 에너지 전환은 이제 막 시작됐고, 이를 위해서는 이러한 신소재를 개발해야 합니다. 이는 막대한 시장도 창출할 것입니다.

JT: AI Materials Foundry는 어떻게 운영됩니까?

MW: Foundry는 새로운 소재를 설계하기 위한 데이터, 실험실, 컴퓨팅 자원 및 과학 전문지식으로 구성된 글로벌 네트워크이며, 이 모든 요소는 CuspAI의 에이전트형 플랫폼을 통해 조율됩니다. 현재 Nvidia, Meta, Hyundai Motor Group, Merck, Henkel을 포함해 50곳이 넘는 창립 파트너가 참여하고 있습니다.

파트너들이 참여할 수 있는 방식은 다양합니다. 일부는 특정 소재 발굴 프로그램에서 우리와 협력하고, 다른 파트너들은 데이터, 실험실, 컴퓨팅 자원 또는 모델 제공업체로 참여하거나 산업 전문지식과 모범 사례를 공유하는 역할을 맡게 됩니다. 목표는 모든 협업과 실험이 더 광범위한 네트워크를 강화하고, 소재 설계와 시뮬레이션에서 합성 및 실제 환경 검증으로 더 빠르게 나아가는 데 도움이 되는 선순환 구조를 만드는 것입니다.

JT: CuspAI는 최근 자금 조달로 확보한 자금을 어떻게 사용할 계획인가요?

MW: 이번 자금 조달을 통해 더 신속하게 움직일 수 있게 됐습니다. 유럽과 미국, 그리고 최근 싱가포르에 사무실을 연 아시아·태평양 지역에서 팀을 확대할 계획입니다. 또한 Cusp의 에이전틱 플랫폼에 추가로 투자하고, 더욱 관련성 높은 데이터를 확보하며, 새로운 소재를 예측 단계에서 현실 세계로 옮기는 데 필요한 인프라를 구축할 수 있게 됐습니다.

이 녹취록은 간결성과 명확성을 위해 편집됐습니다

데이터를 활용해 위험을 평가하고 시장 변동성에 대응하며 전략 수립에 정보를 제공하다