Jev 폭발적 인기, 미국 주식 관련 종목 전면 정리

요 며칠간 AI 개발자들의 타임라인에 새로운 이름이 자주 등장했습니다: Jev.

어떤 사람은 논문을 분류하는 데 사용하고, 어떤 사람은 Agent가 호출해야 할 도구를 고르는 데 사용하며, 또 어떤 사람은 드론 시뮬레이터에 연결해 드론이 장애물을 우회하는 동작을 선택하게 했습니다. OpenRouter, Cloudflare 등의 플랫폼도 이 새로운 모델을 연동했고, Jev를 둘러싼 애플리케이션 데모가 잇따라 등장했습니다.

만약 JEV가 AI의 의사결정을 더 빠르고 저렴하게 만든다면, 어떤 미국 주식 기업이 수혜를 볼 수 있을까요?

투자 논리를 이해하기 전에, 먼저 Jev가 무엇인지 명확히 해야 합니다.

객관식 문제 풀기

Jev는 TypeSafe AI가 9월 15일 출시한 의사결정 모델입니다. 회사는 이것이 속한 범주를 System One, 즉 '시스템 1'이라고 부르며, 행동경제학의 개척작 《생각에 관한 생각》에 나오는 빠른 판단 개념을 차용했습니다. 이는 텍스트 설명을 이해하고, 주로 선택지, 점수, 확률을 출력해 소프트웨어가 계속 처리할 수 있게 합니다.

예를 들어 봅시다. 한 온라인 상점에 이런 메시지가 도착했습니다: "어제 컵을 하나 샀는데, 요금이 두 번 청구된 것 같아요. 확인해 주실 수 있나요?"

시스템에는 해결해야 할 여러 작은 문제가 있습니다: 이 일은 애프터서비스 담당인가 재무 담당인가? 사용자는 청구 내역을 조회하는 것인가 환불을 요구하는 것인가? 기존 기록에 중복 청구가 표시되어 있는가?

개발자는 선택지를 미리 정해 두고 Jev가 각각 답하게 할 수 있습니다. 그다음 프로그램이 주문과 결제 기록을 확인하고 해당 처리 흐름으로 들어갑니다. 고객에게 설명해야 할 때는 표현을 잘하는 모델에 넘깁니다.

이것이 Jev의 기본 사용법입니다: 상황을 주고, 질문을 정하고, 선택하게 합니다.

범용 대형 모델도 이런 작업을 수행할 수 있습니다. Jev의 매력은 분류, 점수 매기기 및 선택에 특화해 최적화함으로써 작은 판단 하나를 위해 드는 시간과 비용을 줄인다는 점입니다. 결과를 프로그램에 직접 넘겨주어 설명을 생성하는 과정을 생략합니다.

더 확장해 보면, 매일 수천 개의 업계 메시지를 받지만 실제로 자세히 읽을 가치가 있는 것은 수십 개뿐입니다. 먼저 Jev가 각 메시지가 관심 있는 회사와 관련이 있는지, 새로운 정보를 포함하는지 판단하게 하고, 그다음 범용 모델이 걸러낸 내용을 요약하게 할 수 있습니다. 이렇게 하면 범용 모델은 깊이 읽을 가치가 있는 부분만 처리하고, 대량의 단순 판단은 더 저렴한 Jev에 맡깁니다.

유사한 시도는 이미 브라우저 조작, 검색, 게임 등의 시나리오로 확장되었습니다. 동차 Beating의 Jev 특집 은 용도별로 이러한 프로젝트를 정리하고, Jev가 그 안에서 어떤 판단을 담당하는지 소개하며, 소스 코드와 일부 데모 진입점도 첨부했습니다. 구체적인 사례와 대조하면 이러한 '객관식 문제 풀기' 능력이 어디에 활용될 수 있는지 더 쉽게 이해할 수 있습니다.

비용을 최저로 절감

TypeSafe가 공개한 가격에 따르면, Jev는 백만 입력 토큰당 0.042달러를 청구하며 출력은 무료입니다.

비용 절감의 의미는, 원래 표본 검사만 가능했던 작업을 항목별로 전수 검사할 수 있게 된다는 점입니다. 고객 서비스 기록을 항목별로 분류하고, 검색된 자료의 관련성을 항목별로 판단하며, 지능형 에이전트가 도구를 호출할 때마다 한 번 더 필터링할 수 있습니다.

예를 들어, 한 뉴스 분석 프로그램이 과거에는 매일 가장 인기 있는 기사만 골라 AI에 넘겼다면, 이제는 전체 기사를 먼저 검사한 뒤 회사, 제품, 주문, 인사 변동별로 분류할 수 있습니다. 화제성은 낮지만 특정 중요 기업과 직접 관련된 정보도 찾아낼 기회가 생깁니다.

Jev의 이름은 경제학자 제번스에서 따왔으며, 그는 '제번스 역설'을 제시한 것으로 가장 잘 알려져 있습니다. 개발자들은 판단이 저렴해지면 소프트웨어가 이를 더 자주 사용하게 되기를 바랍니다. 과거에는 대형 모델을 한 번 별도로 호출할 가치가 없었던 곳에서도 비용 계산을 다시 할 수 있게 됩니다.

Jev와 물리적 기기

개발자 Roman Slack은 드론 프로젝트를 만들었습니다: MuJoCo 물리 시뮬레이터에서 쿼드로터 드론이 전방 목표물을 추적하며 기둥, 보, 이동 장애물을 통과합니다.

프로그램은 먼저 카메라에서 얻은 깊이, 분할 정보를 데이터로 정리해 Jev에게 전방이 막혔는지, 좌우 어느 쪽에 공간이 있는지, 장애물이 얼마나 높은지 알려줍니다. Jev는 다시 항로 유지, 좌회전, 우회전, 상승, 제동 등의 동작 중에서 선택합니다.

예를 들어, 보 하나가 전체 통로를 막고 있어 좌우로는 우회할 수 없지만 위쪽에는 공간이 있습니다. Jev는 상승을 선택할 수 있고, 제어 프로그램이 이 선택을 드론의 운동 명령으로 전환합니다.

비행 과정에서 각기 다른 모듈이 각자의 역할을 합니다. Jev는 어디로 가야 할지 판단하고, 제어 프로그램은 균형 유지, 모터 추력 조정 및 긴급 장애물 회피를 담당합니다. 카메라는 환경 정보를 제공하고, 의사결정 모델은 동작을 선택하며, 컨트롤러가 동작을 실제로 일어나게 합니다.

같은 역할 분담은 로봇 팔로 컵을 집는 것으로도 이해할 수 있습니다. 카메라가 컵의 위치를 인식하고, 센서가 거리와 힘을 측정하며, 컨트롤러가 손가락 동작을 조절하고, 의사결정 모델은 어느 컵을 먼저 집을지, 장애물을 만나면 어떻게 할지 판단에 참여합니다.

이런 판단이 저렴해지고 쉽게 연동된다면, 자동화 장비 개발 비용이 낮아질 기회가 있습니다. 과거에는 소프트웨어 개발이 너무 비싸고 사용 시나리오가 너무 작아 경제성이 없었던 장비에도 새로운 상업적 공간이 생길 것입니다.

이것이 Jev를 몇몇 기업과 연결시켜 줍니다. 더 많은 기기가 공장, 창고, 가정에 들어온다는 것은 더 많은 감지, 전원 공급, 컴퓨팅 및 운동 제어 수요를 의미합니다.

어떤 종목이 수혜를 볼 수 있을까

이런 관점에서 보면, 기기가 환경을 감지하고 동작을 실행하는 데 필요한 부품이 주목할 만합니다. 소프트웨어가 어떤 모델을 선택하든, 로봇 한 대는 자신이 어디에 있고 주변에 무엇이 있는지 알아야 하며, 전력을 정확한 동작으로 변환해야 합니다.

텍사스 인스트루먼트 (TXN), 감지와 실행을 아우르는 부품

아날로그 칩은 전압, 전류 등 연속적으로 변화하는 신호를 처리하고, 전원 공급과 구동 작업도 담당합니다. TXN의 로봇 제품은 신호 수집, 모터 제어, 전원 및 임베디드 처리를 아우릅니다.

로봇이 팔을 들기로 결정한 후, 전류가 모터로 어떻게 전달되고 힘을 어떻게 제어할지는 모두 이런 부품이 필요합니다. 더 저렴한 자동화가 더 많은 로봇, 로봇 팔 및 스마트 기기를 가져온다면, TXN은 이런 기기에 더 많은 부품 칩을 판매할 기회를 얻게 됩니다.

아나로그디바이스 (ADI), 더 정밀한 감지와 운동에 대응.

ADI의 로봇 솔루션은 관성 센싱, 카메라 연결, 산업 통신 및 운동 제어 인터페이스를 포함합니다. 예를 들어 창고 로봇이 조도가 좋지 않은 통로에 들어가면 관성 정보를 결합해 자신의 운동을 판단해야 하고, 여러 카메라와 센서가 동시에 작동할 때는 데이터를 동기화해 프로세서로 보내야 합니다.

기기가 담당하는 작업이 복잡할수록 감지 정밀도, 연결 안정성 및 운동 제어에 대한 요구가 높아집니다. ADI의 수혜 논리는 더 많은 자율 기기에 이런 부품을 제공하는 것입니다.

ST마이크로일렉트로닉스 (STM), 저전력 기기상의 AI에 대응.

이른바 엣지 AI는 기기가 데이터의 일부를 로컬에서 처리하게 하는 것입니다. STM의 STM32N6 마이크로컨트롤러는 이미 신경망 연산용 가속기를 통합했으며, 비용과 전력에 민감한 비전, 음성 등의 애플리케이션을 겨냥합니다.

예를 들어, 소형 카메라 기기는 로컬에서 물체를 인식할 수 있고, 산업 기기는 소리로 운전 이상 여부를 판단할 수 있습니다. Jev를 둘러싼 논의는 투자자들의 관심을 이런 용도로 이끌었습니다: 대량의 단순하고 반복적인 지능 작업이 더 저렴하고 더 작은 기기에 들어갈 기회가 있다는 것입니다. STM이 제공하는 것은 바로 이런 기기에 필요한 처리 능력입니다.

온세미컨덕터 (ON), 비전과 전력 소자에 대응.

ON이 로봇에 제공하는 제품에는 이미지 센서, 깊이 센서, 그리고 전력 트랜지스터와 모터 구동 칩이 포함됩니다. 앞의 두 가지는 화면과 거리 데이터를 수집하고, 뒤의 두 가지는 모터 제어에 필요한 전류를 함께 담당합니다.

창고 운반 로봇을 예로 들면, 카메라 속 이미지 센서가 전방 선반의 화면을 수집하고, 깊이 센서가 장애물과의 거리를 측정하며, 모터 구동 칩이 전력 트랜지스터와 함께 전류를 제어해 바퀴를 돌립니다. 더 많은 로봇과 스마트 카메라 기기가 투입되면 이런 센서와 칩의 수요를 늘릴 기회가 있습니다.

이 네 회사 외에도 세 곳을 관찰 목록에 넣을 수 있습니다.

NXP반도체 (NXPI)

관련 사업: i.MX 프로세서, 마이크로컨트롤러, 연결 및 제어 제품

수혜 논리: 더 많은 로봇과 산업 기기에 컴퓨팅, 통신 및 제어 능력 제공

퀄컴 (QCOM)

관련 사업: 로봇, 드론 및 기기단 AI를 위한 Dragonwing 플랫폼

수혜 논리: 기기가 로컬에서 비전, 컴퓨팅 및 연결 작업을 처리하는 수요를 흡수

Cloudflare(NET)

관련 사업: Jev 서드파티 모델의 연동과 호출 제공

수혜 논리: 개발자가 Jev를 고객 서비스 분류, 자료 필터링 및 지능형 에이전트 스케줄링에 사용할 때 애플리케이션 배포, 데이터 연결, 호출 관리가 여전히 필요합니다. Cloudflare의 기회는 이런 애플리케이션이 자사 플랫폼에서 계속 실행되게 하는 것입니다.

아직 초기 단계

Jev는 현재 판단 정확성, 질문 설계, 그리고 서비스가 장기간 운영되는 비즈니스를 뒷받침할 수 있는지 등 해결해야 할 문제가 남아 있습니다.

첫째, Jev의 '제로 환각' 홍보는 오해를 부르기 쉽습니다. A, B, C 중에서만 선택하도록 규정하면 프로그램이 인식하지 못하는 D를 반환하는 것은 피할 수 있지만, 여전히 잘못 선택할 수 있습니다. 고객 서비스 예로 돌아가면, 프로그램이 '재무팀에 전달'을 문제없이 읽어낸다고 해서 이 티켓이 정말 재무팀에서 처리해야 하는 것은 아닙니다.

한 개발자는 Jev로 여덟 가지 유형의 작업을 테스트하고 16,000회의 판단을 완료했으며, Jev의 속도와 비용 우위를 인정하면서도 문제와 선택지를 실제 상황을 포괄할 수 있도록 더 조정해야 한다는 점을 발견했습니다. 그는 또한 공급업체가 더 많은 운영 경험을 쌓고 시장에 대안이 나온 뒤에 프로덕션 비즈니스에 연동하기를 바랐습니다.

Jev가 얼마나 많은 작업을 담당할 수 있는지는 현재 알 수 없지만, 한 가지 추세는 이미 나타났습니다: 대량의 반복 판단은 JEV에 맡기고, 복잡한 작업은 범용 모델에 남겨두는 것입니다.

자동화의 개발과 사용 비용이 낮아질 때, 아날로그 칩, 엣지 AI 및 자율 기기는 자신들의 ChatGPT 모먼트를 맞이하게 될까요?