GPT6 Astra, AI로 돈 번다… NVIDIA 젠슨황 말을 증명하다 | Compute is Revenue

Video: GPT6 Astra, AI로 돈 번다… NVIDIA 젠슨황 말을 증명하다 | Compute is Revenue
Channel: 안될공학 - IT 테크 신기술
Duration: 16m 51s
Source: subtitle (auto, ko)
Transcript:
네, 여러분 안녕하세요. 패치입니다. 여러분, 지금 보고 계시는이 집은 GPT6 에스트라로 만든 건데요. 블렌더에서 모델링을 하고 사용자의 요구에 맞춰서 고친 다음에 언리얼 엔진으로 옮겨 가지고 사람이 직접 안을 걸어다닐 수 있는 그런 공간까지 만들었습니다. AI 개발자 매슈먼은 아예 GTA처럼 돌아다닐 수 있는 그런 뉴욕 거리를 만들어 달라고 했어요. 본인 설명에 따르면 일주일 가량 작업을 이어갔고요. 거리마다 사람이 일일이 지시하는 방식도 아니었는데요. 공개된 맨트는 아직 제작 중입니다. 집을 입체로 만들어서 보여주고 고객이 여기 벽 좀 옮겨 주세요. 분위기 바꿔 주세요. 이렇게 요구를 하면 다시 수정을 하는 건 원래 사람이 돈을 받고 하는 일이죠. 이번 시현은 그런 제작 업무의 일부를 AI가 실제로 해낼 수 있다는 걸 보여줬습니다. AI를 쓰는 비용이랑 마지막 검수 비용을 다 내고도 사람한테 맡길 때보다 제작비가 많이 줄어든다면 그때부터는 이건 정말 돈이 되는 도구가 되겠죠. GPT6 에스트라가 뜨거운 이유도 여기에 있는데요.

이제 AI가 단순히 답을 잘하는 걸 넘어 가지고 사람이 돈을 받고 하던 일을 실제 프로그램 안에서 처리를 하는 쪽으로 들어오고 있습니다. 그런데 이런 능력을 만드는 원리는 오픈 AI만 알고 있는 건 아니죠. 논문을 찾아보면 작은 버튼을 찾고 필요한 것을 다시 보고 자신의 행동을 보정하거나 긴 컴퓨터 작업을 연습시키는 방법까지 이미 여러 가지 형태로 나와 있어요. 그런데 방법을 아는 것이랑 그 방법을 엄청난 규모로 돌려 가지고 실제 제품의 성능으로 만드는 거. 이건 또 다른 문제겠죠. 오늘은 아스트라가이 작업을 어떻게 했는지를 따라가면서 이미 공개된 기술이 어디까지 와 있는지 오픈 AI처럼 막대한 GPU랑 훈련 인프라를 가진 기업이 왜 더 빨리 앞서갈 수 있는지 이거를 한번 같이 보겠습니다. 자,이 정도 그래픽을 보면 GPT6가 빛이랑 그림자부터 사람 캐릭터까지 전부 직접 만들어 낸 것처럼 보이는데요. 정확히는 블렌더랑 언리얼이라는 이미 엄청나게 잘 만들어진 도구를 아스트라가 굉장히 잘 써 가지고 만든 결과입니다.

빛이 어디에 반사되고 어떤 그림자가 생길지는 블렌더가 계산을 하고요. 언리얼에는 물리 엔진이랑 캐릭터 시스템까지 이미 준비가 되어 있습니다. 아스트라는 그 안에서 필요한 기능을 이렇게 꺼내서 연결을 하고 원하는 장면이 나오도록 계속 조정을 하는 역할을 맡았어요. 블렌드에서는 8일선 코드로 벽이랑 가구를 배치를 하고 재질이랑 조명을 설정을 했는데요. 이렇게 만들면 결과가 이미지 한 장으로 끝내는게 아니라 편집이 가능한 3D 장면으로 남습니다. 이러면 나중에 소파 같은 가구를 옮기거나 카메라 위치를 바꿔 가지고 다시 렌더링할 수도 있겠죠. 슈머의 개인적인 비교도 좀 재밌는데요. 보기 좋은 3D 셋 자체를 만드는 감각은 오히려 클로드를 더 높이 평가했어요. 반대로 기존 에셋이랑 기능이 잘 갖춰진 언리어를 쥐어줬을 때는 아스트라가 큰 프로젝트를 진행하는 능력이 더 두드러졌다고 했습니다. 사람도 건축 시각화를 하면서 렌더링 엔진부터 막 새로 만들진 않잖아요. 블렌더를 쓰고 포토샵도 쓰고 카드도 씁니다. AI도 마찬가지겠죠.

모든 전문 기술을 모델 안에다가 집어넣을 필요가 없이 이미 사람이 수십년 동안 만들어 놓은 전문 도구를 제대로만 사용할 수 있다면 엄청난 생산이 될 수 있겠죠. 그런데 프로그램을 쓸 줄 안다는게 단순히 그냥 코드를 실행할 줄 안다는 뜻은 아니에요. 카메라가 너무 가까워 가지고 소파가 반쯤 잘려도 블렌더는 아무러 없이 렌더링을 해 버리거든요. 조명을 잘못 나 가지고 보여 주려던 물체가 어둠 속에 이렇게 묻혀도 프로그램 입장에서는 정상이라고 말을 하고 있습니다. 이거는 화면을 직접 봐야지 알 수 있는 거예요. 오픈 AI가 공개한 다른 3D 제작 기록을 보면 에스트라가 미리 보기에서 토성의 고리가 화면 밖으로 잘린 거를 확인한 뒤에 카메라 구도를 이렇게 뒤로 넓힙니다. 프로그램이 만든 결과를 다시 보고 그다음에 무엇을 고칠지를 정한 거죠. 언니얼로 옮기고 나면은 또 다른 문제가 나오는데요. 바닥은 멀쩡하게 보이는데 이게 충돌 판정이 빠져 있으면 캐릭터가 그대로 아래로 떨어질 수도 있거든요. 이런 복잡한 프로그램을 직접 쓰려면 일단 눌러야 되는 버튼부터 정확하게 찾아야 하는데요.

캐드나 개발 프로그램 화면에서 특정 기능의 위치를 찾게 하는 스크린스팟 프로에서 아스트라는 무려 92.7%를 기록을 했습니다. 이전 GPT 5.6 솔은 76.9% 9%였고요. 어 이거는 둘 다 별도의 화면 분석 도구를 사용하지 않는 조건이에요.이 숫자는 작업을 92.7% 끝냈다라는 그런 뜻은 아니고요. 복잡한 화면에서 목표 위치를 얼마나 정확하게 찾아내느냐를 보는 점수입니다. 근데 이게 왜 어렵냐면 일단 화면이 너무 커요. 4K 화면 안에 폭 20픽셀짜리 버튼이 있다고 해 볼게요. 화면 전체를 모델이 보기 좋은 크기로 확 줄여 버리면은 그 버튼의 선이라던가 바로 옆에 아이콘이랑의 차이가 거의 사라질 수가 있겠죠. 그리고 이미 줄이는 과정에서 사라진 정보는 나중에 다시 확대를 한다고 살아나지도 않습니다. 그래서 최근 비전 모델들은 큰 화면의 정보를 더 많이 유지하거나 필요한 부분만 원본 화면에서 다시 가져와 가지고 자세히 보는 방법을 쓰는데요. 먼저 아 메뉴가 대충 오른쪽에 있네. 이런 거를 보고요. 그쪽을 원본 해상도로 다시 읽어 가지고 작은 글자랑 아이콘을 구별을 하는 식이죠.

학습하는 방법도 달라집니다. 이거는 저장 버튼이다. 이런 것만 배우는게 아니라 저장 버튼은 화면에이 위치에 있다. 이런 것까지 같이 가르칠 수가 있어요. 이렇게 언어로 지시한 대상을 실제 화면의 위치랑 연결 하는 거를 비주얼 그라운딩이라고 하거든요. C클릭 같은 공개 연구에서도 이런 학습으로 GUI 조작 성능을 높혔습니다. 아스트라가 내부에서 어떤 비전 구조랑 데이터를 사용을 했는지는 물론 공개되지 않았지만 공개 연구를 보면은 화면에서 작은 대상을 정확히 찾기 위해 가지고 해상도를 유지를 하고 위치 정보를 학습시키는 방식은 이미 꽤 발전해 있습니다. 스크린스팟 프로 연구지는 위치를 찾는 모델을 새로 훈련하지 않고도 정확도를 18.9%에서 48.1%까지 1%까지 끌어올렸는데요. 먼저 다른 모델한테 대충 어디를 찾아봐야 할지 그런 후보 영역을 고르게 하고요. 그 안에서 다시 목표 위치를 찾게 했어요. 모델을 한 번 더 쓰고 이미지를 여러 번 처리를 하니까 물론 계산은 더 들어가겠죠. 사람도 블렌더에서 낯선 버튼을 찾을 때 화면 전체를 똑같이 열심히 보진 않잖아요.

아, 이거는 대충 오른쪽 속성 창에 있겠는데 하면서 그쪽으로 이렇게 시선을 먼저 옮깁니다. AI한테도 비슷하게 어디를 자세히 볼지를 먼저 고르게 했더니 성능이 크게 뛴 거예요. GUI 컬서라는 연구는 한 단계 더 직접적인데요. AI가 먼저 여기일 것 같다라고 좌표를 내놓으면 그 자리에다가 가상 컬러서를 찍어 가지고 화면을 다시 보여 주는 거죠. 목표보다 좀 왼쪽을 찍었다면 다음에는 조금 오른쪽으로 옮기면 되겠죠. QN2.5VL VL 7B 기반 모델을 이런 식으로 훈련을 했더니요. 정확도가 두 배 이상으로 올라갔다고 합니다. 실제 프로그램에서 버튼을 누르고 잘못된 작업까지 복구를 하는 그런 테스트는 아니고요. 화면 위에서 목표 위치를 보정을 하는 실험인데요. 그래도 한 번을 완벽하게 마치는 것보다 내가 방금 어디를 찍었는지 다시 보고 고치는 방식이 훨씬 안정적일 수 있다는 건 보여줍니다. 여기까지 나온 방법만 보면 에스트라가 무슨 뭐 갑자기 남들은 모르는 새로운 눈을 하나 발했다. 이렇게 생각을 할 수도 있는데 그렇게 보기는 어려워요.

이런 방법들은 이미 논문으로 하나씩 다 나와 있었습니다. 블렌더에서는 버튼 위치만 잘 찾는다고 끝나는 것도 아니에요. 물체 입체 구조를 이해해야 하는데요. 정면에서는 똑같이 생긴 두 물체라도 뒤로 얼마나 깊게 뻗어 있는지는 옆에서 봐야 알 수 있겠죠. 벤츠 캐드는 여러 방향에서 찍은 물체 이미지를 보여주고요. 그 형상을 만드는 캐드 코드를 작성을 하게 합니다. 그리고 코드가 그럴 듯한지만 보는게 아니라 실제로 실행을 해 가지고 만들어진 3D 물체가 정답 형상이랑 얼마나 겹치는지를 계산을 하죠. 여기에서 오픈 AI가 발표한 점수는 이전 버전인 솔이 83.3% 그리고 아스트라가 95.9%였습니다.이 숫자가 모든 치수를 제조에 바로 쓸 정도로 95.9% 9% 정확하게 맞췄다. 그런 뜻은 아닙니다. 코드는 잘 돌아가는데 구멍 하나가 막혀 있거나 물체 깊이가 다르면 점수를 잃게 돼요. 여러 방향의 2D 이미지를 보고서 아 실제로는 이런 입체겠구나라고 추론한 뒤에 코드로 다시 만들어야 하는 거죠. 자, 여기까지는 화면을 잘 보고 3D를 이해를 하는 문제인데요.

만약에 아까 그 매네틴처럼 프로젝트가 커지게 되면 AA한테도 직장인 같은 문제가 생기는 거예요. 열심히 하고는 있는데 일이 안 끝나는 겁니다. 추머는 아스트라가 작은 디테일 하나에 계속 몰두를 하면서 전체 프로젝트 진도가 느려지는 그런 현상을 겪었다고 합니다. 완벽의자들이 흔히 겪는 그런 문제이죠. 건물은 아직 절반도 안 지었는데 문 손잡이만 계속 고치고 있는 거예요. 그래서 요번에는 아예 진도를 관리를 하는 에이전트를 따로 뒀습니다. 매니저 루프라고 불렀는데요. 관리 역할의 에이전트가 큰 목표를 여러 단계로 나누고요. 구현 에이전트가 하나를 끝내면 결과를 받아 가지고 다음 일을 넘기는 거죠. 구현하는 쪽에서도 필요하면 다시 하위 에이전트를 불러 가지고 일을 나눌 수 있어요. 슈머는 뉴욕 실험을 돌리던 컴퓨터에서 하위 에이전트를 동시에 사용을 할 수 있는 한도를 최대 96개까지 열어뒀습니다. 항상 96개가 전부 일했다는 그런 얘기는 아니고요. 본인도 인정을 했는데 비용 면에서는 상당히 좀 과한 설정이라고 밝혔습니다.

그러니까 단순히 어 GPT6한테 매네튼을 만들어 달라고 했더니 일주일 동안 혼자서 알아서 뚝딱뚝딱 만들었다. 이렇게 얘기를 해 버리면 중요한 조건이 빠지는 거예요. 한 번의 큰 요청 아래에 일을 쪼개고 진도를 확인하고 필요하면 여러 에이전트한테 다시 나눠주는 그런 운영 구조가 깔려 있었던 거죠. 여기에서 AI 성능을 보는 기준도 달라집니다. 같은 GPT 6라고 해도 한 에이전트한테 한 번 맡긴 결과랑 관리자 아래에 수십개 에이전트를 붙여 가지고 몇 시간씩 돌린 결과는 당연히 다를 수 있겠죠. 그러니까 이제는 어떤 모델을 썼느냐뿐만이 아니라 그 문제 하나에다가 계산을 얼마나 쏟아 부었느냐 이것도 결과물의 일부가 되는 거예요. 그리고 바로 여기에서 돈 문제가 따라옵니다. 에이전트를 열배 더 띄어 가지고 품질은 조금 더 좋아졌는데 사용료가 만약에 20배가 된다면 기업 입장에서 이제 애매한 거예요. 반대로 모델 자체는 비싸도 한두 번에 제대로 끝내 가지고 사람의 수정 시간을 몇 시간씩 줄여 줄 수 있다면 오히려 또 그쪽이 더 쌀 수도 있겠죠.

지난 영상에서 제가 말씀드린 10만 개 이상의 GPU는 에스라의 사전 학습에 사용된 규모이고요. 컴퓨터 유즈 강화 학습에 실제로 GPU를 몇 개를 사용했는지는 공개되지 않았습니다. 그래도 여기까지 본 공개 연구들을 보면 왜 이런 대규모 계산 자원이 유리한지는 꽤 분명해요. 화면을 한 번 더 보고 후보 영역을 여러 개 비교를 하고 같은 문제를 서로 다른 행동으로 반복을 할수록 모델 호출은 계속 늘어나겠죠. 강화 학습에서는 이런 시도를 대량으로 만들어 가지고 어떤 경로가 성공을 했는지 비교를 하고요. 그 결과를 다시 모델에 반영을 하는데요. 한 번의 작업이 수십계인데 그거를 여러 방식으로 반복을 하고 이런 문제를 또 대량으로 만든다고 생각을 하면 계산량이 빠르게 커지겠죠. GPU가 많으면 여기에서 더 많은 시행 착오를 같은 시간 안에 병렬로 만들어 볼 수 있습니다. 이게 지난 영상에서 봤던 그 거대한 GPU 클러스터랑 이번 컴퓨터 유지 이야기가 만나는 바로 그 지점이에요. 근데 그렇다고 해서 GPU만 많다고 끝나는 건 또 아니에요.

AI가 실제로 만들 프로그램이랑 파일을 준비를 하고 작업이 끝나면 다시 원래 상태로 돌리고 그다음에 다른 AI랑 서로 간섭하지 않게 만드는 그런 실행 환경도 있어야 합니다. 근데 더 까다로운 건 얘가 진짜 일을 제대로 했는지를 알아내는 거예요. 예를 들어 엑셀에서 입력값을 바꾸면 합계도 자동으로 바뀌게 만들어라라고 했다고 해 볼게요. 마지막 숫자만 검사를 하면 AI가 수식을 넣지 않고 그냥 현재 정답을 직접 써도 그냥 성공이겠죠. 그래서 입력값을 바꿔 보고 결과도 따라 변하는지까지 확인을 해야 합니다. 이런 자동 검사 장치를 검증기라고 부르는데요. 오픈 AI도 컴퓨터 유즈 연구직 공고에서 실행 환경이나 검증 체계를 만들고 실패를 다음 학습으로 연결을 하는 그런 업무를 명시를 해 놓고 있습니다. 자, 여기에서 이제 대규모 AI 기업의 강점이 조금 더 구체적으로 보이는데요. 강한 기본 모델이랑 많은 GPU가 있고 그다음에 그 GPU를 계속 돌릴 과제랑 실행 안경 거기에다가 제대로 된 검증기까지 갖춰져 있다면 한 모델에서 발견한 실패를 다음 훈련으로 훨씬 더 빠르게 돌려보낼 수가 있겠죠.

이게 논문 하나가 공개됐다고 해 가지고이 전체 시스템까지 함께 생기는 건 아니에요. 근데이 이야기를 보다 보니까 지난 DTC 타이페이에서 젠슨 황상이 했던 말이 다시 보이더라고요. 당시 젠슨은 토큰은 이제 수익을 만드는 단이다. 그리고 뒤에서는 아예 컴퓨트가 매출이다라고 표현을 했어요. 예전에는 토큰을 많이 쓴다고 하면 비용부터 떠올렸거든요. 왜냐면 질문 하나의 답을 길게 하면 서버를 더 쓰고 돈이 더 나가는 구조였으니까요. 그런데 젠슨이 얘기한 건 에이전트였습니다. AI가 화면을 보고 생각하고 행동하고 스프레드시트나 브라우저 같은 도구까지 써서 생산적인 일을 하기 시작을 하면 이제 얘기가 달라진다는 거죠. Sry 블렌더 작업이 딱 이쪽에 가깝습니다. 토큰을 더 써서 코드를 만들고 화면을 다시 보고 잘못됐으면 수정을 하고 에이전트를 더 붙였더니 사람이 몇 시간씩 하던 결과물이 나온다면은 이제 토큰은 단순한 비용이 아니죠. 어 그 토큰으로 돈 받고 하던 일을 얼마나 많이 끝낼 수 있느냐 이게 중요해지는 겁니다.

엔비디아 입장에서는 그래서 토큰 처리량이 더 커질수록 더 많은 GPU랑 AI 팩토리가 필요하다고 보는 거고요. 특히 전력은 마음대로 늘릴 수가 없으니까 젠슨 토큰 퍼트 그러니까 같은 전력에서 얼마나 많은 토큰을 만들어 내느냐까지 매출이랑 연결을 해서 설명을 했어요. 흥미로운 건 오픈 AI가 올해 공개한 자체 출론용 A식 할라피뇨에서도 이게 거의 같은 논리가 보인다는 거예요. 오픈 AI는 브로드컴이랑 함께 할라피뇨를 설계를 했고요. 단순히 칩 하나를 만드는게 아니라 칩이랑 메모리 이동, 그리고 네트워크 뭐 서빙 시스템까지 한꺼번에 최적화하는 방향으로 가고 있습니다. 오픈 AI가 공식 발표에서 설명한 목표도 굉장히 직접적이에요. 인프라 효율을 높이면 같은 비용으로 더 많은 AI를 서비스 할 수가 있고 추론 비용이 내려가면 최치피pt티랑 코덱스 같은 제품이 더 많은 단계를 수행을 할 수 있습니다. 제품이 좋아지면 사용량이랑 고객이 늘어나고요. 매출도 늘어나고 그리고 그 돈을 다시 다음 인프라에 넣는 구조인 거죠.

젠슨 황이 토큰이 매출이라고 표현을 했다면 오픈 AI는 이제 이거를 가지고 자기 회사 안에서 플라이 휠로 만들려는 셈이에요. 할라피뉴는 엔비디아 GPU를 당장 전부 대체한다는 이야기는 아니고요. 오픈 AI가 자사 출론 패턴에 맞는 AC까지 직접 설계를 해 가지고 특히 대규모 출론에서 와트당 처리량이랑 비용을 더 낮춰 보겠다는 쪽에 가깝습니다. 여기에서 여러분 메모리가 따라오는데요. AI 가속기가 아무리 계산을 빨리 해도 모델의 가중치랑 출론 중에서 필요한 데이터를 제때 공급하지 못하면 어떻게 된다? 연상기가 기다리게 되죠. 에이전트를 여러 개 붙이고 긴 작업을 계속 돌릴수록 메모리에서 가져오고 내보내는 데이터도 커지고요. 그래서 계산칩을 자체 설계를 한다고 HBM의 중요성이 사라지는게 아니에요. 오히려 비싼 연상기를 놀리지 않으려면 그만큼 넓은 메모리 대역 복을 같이 확보해야 하겠죠. 오픈 AI가 삼성전자랑 SK 하이닉스까지 직접 찾아가 가지고 스타게이트용 첨단 메모리 공급을 확대하려고 하는 것도 다 이런 전체 인프라 경쟁 속에서 봐야 할 것 같습니다.

오픈 AI는 2025년에 삼성이랑 SKY의 파트너십에서 첨단 메모리 생산을 월 최대 90만 장 수준의 디램 웨이퍼 스타트까지 확대를 하는 목표를 제시를 했는데요. SK 하이닉스는 별도 발표해서 이거를 스타게이트용 HBM 공급 협력으로 설명을 했고요. 당시 기준 전체 HBM 업계 생산 능력에 두 배가 넘는 규모라고 밝힌 바 있습니다. 이거는 실제 구매량이 지금 당장 월 90만 장이라는 의미가 아니라 향을 수요 그렇게 대응을 하기 위해서 준비하겠다는 그런 목표치인 거죠. 그러니까 우리나라 HBM을 확보하려고 하는 이유도 단순히 그냥 AI에는 HBM이 필요하다이 정도에서 끝나는게 아닙니다. 토큰을 더 많이 팔고 싶으면 연상기가 더 많이 필요하고 그 연상기를 제대로 돌리려면 메모리 대역폭이 필요하고 7은 확보를 했는데 HBM이 없어서 시스템을 못 만들면 그 순간 만들 수 있는 토큰 자체가 제한이 돼 버리는 거예요. GPU를 사든 자체 에이을 만들 결국 병목이 다른 곳으로 이동을 하기 때문에 AI 기업들은 가속기랑 네트워크 전력 메모리까지 다 한꺼번에 잡으려고 하고 있는 거죠.

이렇게 보면 GPU나 HBM을 확보하는 경쟁이 단순히 더 큰 모델을 만들기 위한 그런 싸움만은 아니겠죠. AI가 실제 일을 하기 시작할수록 한정된 전력이랑 칩으로 얼마나 많은 유료 작업을 끝낼 수 있느냐. 이게 바로 그 비즈니스 숫자로 바로 내려와 버리는 거예요. 에스트라 발표에서는 AGI 시대라는 표현까지 나왔지만 이번 데모에서는 그렇다고 실제 납품 수익이라던가 작업 하나를 끝내는데든 총 비용까지 공개가 된 건 아닙니다. 근데 기업 입장에서는 더 현실적인 숫자가 따로 있어요. 검수를 통과한 작업 하나를 끝내는데 총 얼마가 들었느냐 이거겠죠. 처음 성공한 시도의 모델 사용료만 볼게 아니라 실패해서 다시 돌린 비용도 넣고 여러 에이전트를 동시에 띄운 비용도 넣고 그리고 사람이 중간에 방향을 잡고 마지막 결과를 검무한 시간까지 다 넣는 겁니다. 한 번 호출할 때 싼 모델도 다섯 번씩 다시 시켜야 하면 비싸겠죠. 반대로 사용료가 높은 모델도 한 번에 제대로 끝내 가지고 사람이 두시간씩 하던 수정을 10분으로 줄여 준다면 그쪽이 더 경제적일 수도 있겠습니다.

그래서 GPT6가 실제로 돈이 되는 AI인지 그리고 그게 과연 오픈 AI의 해자로 이어지는지는 어쩌면 같은 의미예요. 근데 반대로 다른 기업들도 비슷한 계산 자원이랑 훈련 환경을 갖추고 같은 품질의 결과를 더 싼 비용으로 만들기 시작을 하면 지금의 격차는 아마 빠르게 줄어들 겁니다. 그러니까 agi라는 이름보다는 기업 입장에서는 어쩌면이 숫자가 먼저인 거예요. 이게 오픈 AI에서만 계속돼서 과연 또 다른 회사가 될지 아니면 여러 기업이 같은 비용 구조까지 따라와서 본격적인 가격이랑 성능 경쟁이 시작될지 요거는 조금 더 지켜봐야 알겠죠. 그럼 오늘은 여기까지 패치였습니다.