The global Fiber Optic Preform Market is poised for exceptionally rapid growth, according to Kings Research. The market was valued at USD 5.08 billion in 2024 and is projected to grow from USD 6.21 billion in 2025 to USD 26.42 billion by 2032, exhibiting a compound annual growth rate (CAGR) of 22.99% during the forecast period. Surging demand for faster data transmission, worldwide telecommunications build-outs, and the rise of cloud computing and data centers are placing the high-purity glass rods that underpin optical fiber at the center of digital infrastructure. Market Overview The fiber optic preform market covers the production, distribution, and use of high-purity glass rods that serve as the foundational material for manufacturing optical fibers. It involves multiple technologies and processes to create preforms that meet industry standards for telecommunications, data transmission, and sensing applications. The market also includes raw material suppliers, equipment makers, and the end users that support the fiber optic supply chain. Growth is driven by the need for faster data transmission and ongoing telecommunications development worldwide. Rising investment in 5G networks and the broad adoption of cloud computing and data centers are lifting demand for advanced optical fibers. Government initiatives to improve broadband connectivity in underserved regions further support expansion. Technology is improving the product as well. Precision fabrication methods and advances in high-purity glass materials are raising preform quality and efficiency, helping manufacturers expand output while delivering better signal transmission, lower attenuation, and higher bandwidth capacity. Key Highlights from the Report Asia Pacific held a 39.39% share in 2024, valued at USD 2.00 billion. The vapor axial deposition (VAD) process generated USD 1.59 billion in revenue in 2024. The single-mode product type is expected to reach USD 15.15 billion by 2032, and the telecom end-user segment is projected to reach USD 12.39 billion by 2032. North America is anticipated to grow at a CAGR of 23.15% over the forecast period, while the report forecasts Asia Pacific's market value to reach USD 10.60 billion by 2032. Market Driver: Rising Need for High-Speed Data Transmission and 5G Support The rapid rollout of 5G and the growth of data centers are creating demand for preforms with higher transmission capacity and better performance. As digital communication requirements rise, preforms must support greater bandwidth and minimize signal loss to ensure stable connectivity. Cloud computing, video streaming, and connected IoT ecosystems place heavy demands on network infrastructure, which in turn drives the need for advanced preform technologies. Manufacturers are responding by developing high-purity, durable preforms that enhance signal integrity and network efficiency. These factors collectively sustain market growth. Fiber-to-the-home investment illustrates the downstream pull. T-Mobile and EQT formed a joint venture to acquire Lumos, a fiber-to-the-home provider. The partnership aims to expand fiber internet access to millions of customers, with a goal of reaching 3.5 million homes by 2028 and improving broadband availability across the United States. Market Challenge: Environmental Impact and the Energy Transition A significant challenge is the environmental impact of manufacturing. Preform production is energy-intensive and relies mainly on fossil fuels, leading to considerable carbon emissions. These concerns have prompted stricter regulations, and high energy demand raises operating costs. Companies are exploring cleaner alternatives such as green hydrogen, a zero-emission energy source that can reduce the environmental footprint of preform manufacturing while supporting regulatory compliance and cost efficiency. In September 2024, Sterlite Technologies Limited (STL) partnered with Hygenco to transition manufacturing to green hydrogen, aiming to power STL's Glass Preform Plant in Aurangabad, India, with sustainable energy. Market Trend: Multicore Fiber and Space-Division Multiplexing A key trend is the growing adoption of multicore fiber, which enables space-division multiplexing by transmitting multiple data streams through separate cores within a single fiber. This markedly increases transmission capacity. Demand for higher bandwidth, secure data transfer for quantum communication, and tighter integration with silicon photonics are prompting manufacturers to develop advanced multicore preforms. In October 2024, STL unveiled its MultiCore Fibre at the India Mobile Congress. The ultra-thin fibers, with seven and four cores, were developed using indigenous preform technology and demonstrated through a live 400G network transmission. The fiber was tested under the Advanced Optical Communications Test Bed project, a collaboration between India's Department of Telecommunications and IIT Chennai. Segmentation Analysis The report segments the market by process, product type, end user, and region. By process, the categories are OVD, VAD, PCVD, and MCVD. The VAD segment earned USD 1.59 billion in 2024 because it can produce high-quality preforms at scale to serve expanding telecommunications networks. By product type, the market is divided into single-mode and multi-mode. The single-mode segment held a 58.76% share in 2024, supported by its widespread use in long-distance and high-speed data transmission. By end user, the market covers telecom, oil and gas, military and aerospace, BFSI, medical, railway, and others. The telecom segment is projected to reach USD 12.39 billion by 2032, owing to continuous 5G investment and rising global data traffic. Regional Analysis Asia Pacific accounted for 39.39% of the market in 2024, with a valuation of USD 2.00 billion. The region's position rests on ongoing telecom infrastructure expansion in China, India, and Japan, rising internet penetration, and demand for broadband in urban and rural areas. A strong manufacturing base with abundant raw materials and cost-effective production strengthens its role, as do major telecom operators and growing data traffic. The region is also projected to grow at a CAGR of 23.27% between 2025 and 2032. North America is expected to register a CAGR of 23.15%. Telecom companies and technology providers are investing more heavily, and partnerships between fiber manufacturers and service providers are supporting network expansion. Leading manufacturers and advanced research institutions drive innovation in materials and production techniques. Cloud and data center growth, secure networks for defense, healthcare, and finance, and smart city initiatives all contribute to rising consumption of fiber optic preforms. Regulatory Landscape In the United States, the Federal Communications Commission oversees telecommunications, including standards for the optical fibers used in communication networks, and therefore shapes the demand environment for preforms and related products. Competitive Landscape Key players focus on technological innovation and capacity expansion. They are investing in advanced manufacturing techniques to improve preform quality and reduce costs, forming supply chain partnerships to secure raw materials, and expanding facilities in high-growth regions. Continuous R&D is directed at next-generation preforms for emerging communication technologies. Companies profiled include Shin-Etsu Chemical Co., Ltd., Knill Gruppe, Yangtze Optical Fibre and Cable Joint Stock Limited Company, biolitec Holding GmbH & Co KG, Hengtong Group Co., Ltd., Fasten Group, ZTT, Thorlabs, Inc., FCJ OPTO TECH, STL Tech, Heraeus Covantics, Fujikura Ltd., Gelinde Optical Co., Ltd., Newton Technology Group, and Weinert AG. In July 2024, STL extended its partnership with Netomnia to develop a full-fibre network in the United Kingdom, providing integrated solutions from glass preform manufacturing to fiber deployment in support of Netomnia's goal to reach two million premises by 2025. Recent Developments Research and field trials continue to push the technology forward. In July 2024, ZTE Corporation partnered with YOFC to test real-time signal transmission over 20 km of hollow-core fiber using 3W launch power. The test showed very low signal distortion and minimal interference, demonstrating the strength of hollow-core fiber made with advanced preform technology. Strategic Opportunities for Stakeholders The report highlights opportunities across the preform value chain. Manufacturers that scale VAD and other high-throughput processes can capture the large telecom segment, which is forecast to reach USD 12.39 billion by 2032. Those that develop multicore and hollow-core preforms can position themselves for next-generation networks, quantum communication, and silicon photonics. Vertical integration, as shown by STL's model of linking preform manufacturing with fiber deployment, offers a way to secure demand and control quality. Finally, adopting green hydrogen and other low-carbon energy sources can reduce operating costs and regulatory risk while meeting the sustainability expectations of large network operators. Outlook Few materials markets are growing as quickly as fiber optic preforms. With a CAGR close to 23%, the industry stands to more than quadruple between 2025 and 2032 as 5G, data centers, FTTH rollouts, and next-generation fibers such as multicore and hollow-core move into broader deployment. Sustainability, particularly the energy intensity of production, will remain a focus, and producers that adopt cleaner energy and scalable, high-purity processes will be better positioned. For telecom operators, equipment makers, investors, and suppliers, the report provides detailed insight into the growth areas that will define the next decade of optical connectivity. About Kings Research: Kings Research is a market research and consulting firm that delivers syndicated reports and customiz
고쳤더니 목적 지표가 뒤로 갔다 세 종류만 아는 모델에 네 번째 칸을 만들었다 기존 모델은 소리를 세 종류(초인종, 노크, 화재경보)만 알았다. 그래서 목소리나 가전 소리, 심지어 아무 소리도 안 나는 현관까지 셋 중 하나로 우겨 넣었다. 이번에는 "그 외"라는 네 번째 칸을 새로 만들어서 처음으로 다시 학습시켰다. 하루 동안 두 번 돌렸다. 첫 결과는 반은 좋고 반은 나빴고, 그걸 고치려던 두 번째에서 함정을 만났다. 에폭 60은 무시당했다 학습이 너무 일찍 끝나는 것 같았다. 에폭 상한이 30이었고, 4칸짜리 모델의 검증 손실이 상한까지 계속 내려가는 중이라 상한에 막힌 것처럼 보였다. 그래서 상한을 60으로 올렸다. 그런데 학습은 34번째 에폭에서 멈췄다. 상한에 닿기 전에 "더 나아지지 않으면 멈춘다"는 조기 종료가 먼저 걸렸기 때문이다. 올린 상한은 처음부터 아무 효과가 없었다. 학습 길이를 정하는 건 상한이 아니라 참을성 (몇 번 연속 나아지지 않으면 멈출지)이었다. 그래서 이 값을 바깥에서 지정할 수 있게 만들었다. 첫 결과는 반은 좋고 반은 나빴다 지표 이전 → 첫 학습 분포 밖 소리(목소리, 잡음 등)를 화재로 발송 46 → 9 보드를 조용히 켜 놓았을 때 오발송 13 → 0 노크를 잡아내는 비율 0.882 → 0.602 좋아진 쪽은 이 모델을 만든 이유와 정확히 맞닿아 있었다. 반대로 노크를 잡아내는 비율은 크게 내려갔고, 노크 34건이 "그 외" 칸으로 빠졌다. 그래서 노크를 더 잘 알아듣게 고치기로 했다. 고쳤더니 목적이 뒤집혔다 참을성을 6에서 15로 늘렸다. 학습이 더 오래 이어졌고, 노크 비율은 0.602에서 0.774로 확 올랐다. 숫자만 보면 성공이었다. 그런데 같이 보던 지표가 달랐다. 조용한 현관의 오발송이 0/13에서 10/13으로 되돌아갔다. 노크를 더 잘 알아듣게 만들자, 조용한 현관도 노크로 알아듣게 된 것이다. 참을성 노크 비율 조용한 현관 오발송 6 0.602 0 / 13 15 0.774 10 / 13 개선된 지표만 봤다면 "참을성 15가 더 좋다"로 기록했을 결과였다. 이 모델을 만든 이유는 "소리가 없는 현관을 노크로 착각하지 않기"인데, 고치는 과정에서 그 목적이 같이 무너졌다. 시드를 고정해 둔 덕에 원인 논쟁이 없었다 이 비교가 깨끗했던 건 학습 시드를 고정해 두었기 때문이다. 두 학습은 첫 34 에폭까지 같은 궤적 을 따랐다. 둘의 차이는 오직 "그 뒤로 더 갔느냐"뿐이었다. 변수가 하나라서 "이게 원인이냐 저게 원인이냐"를 따질 필요가 없었고, 맞바꿈이라는 결론이 바로 나왔다. 에폭 상한은 움직이지 않았고, 참을성은 움직여서 오히려 목적을 해쳤다. 같은 종류의 학습 길이 손잡이인데 하나는 작동하지 않았고 다른 하나는 작동한 대가를 치르게 했다. 왜 그럴까: 조용한 현관은 12조각뿐이었다 원인 후보는 데이터 균형이었다. 학습에 들어간 "조용한 현관" 조각은 12개였고, 보드로 녹음한 노크 조각은 98개였다. 노크는 많이 알려 주고 조용한 현관은 거의 알려 주지 않았으니, 둘 사이의 경계가 모호했을 수 있다. 그래서 보드를 세 자리(회의실 가운데, 창문 쪽, 뒤쪽)에 두고 소리 없이 12번씩 더 녹음했다. 학습용 조각은 12개에서 35개가 될 예정이다. 한 자리(창문 쪽)는 일부러 평가 쪽에 배정되도록 두었다. 학습에서 보지 않은 자리로 재야 하기 때문이다. 아직 다 된 건 아니다 모든 수치는 첫 번째 학습, 중간 결과, 시드 1회 다. 정확도가 몇 퍼센트 올랐다는 식으로 일반화할 수 없다. 시험에 쓴 공개 데이터 노크는 전부 공개 음원이고, 보드로 직접 녹음한 노크는 전부 학습에 들어갔다. 그래서 실제 보드에서 노크를 잘 알아듣는지는 아직 재지 못했다. 평가 전용 노크 녹음이 따로 필요하고, 아직 하지 않았다. 조용한 현관 오발송 0/13은 한 장소, 한 번의 녹음 에 대한 값이다. 장소가 바뀌면 달라질 수 있다. 실제로 집과 랩실에서 무음의 분류가 다르게 나왔다. 참을성 15에서 10/13으로 돌아간 건 맞바꿈이라는 논증 이다. 원인이 배경 데이터 12조각 부족이라는 것은 후보일 뿐이고, 아직 확인도 반박도 하지 않았다. 12 → 35로 늘린 결과는 이 글의 시점에는 없다. 서비스에 쓰는 모델은 바뀌지 않았다. 새 모델은 후보 상태이고 교체를 결정하지 않았다. 무선 초인종 녹음과 두 번째 학습도 아직 시작 전이다. 마무리 "에폭을 늘린다"도 "참을성을 늘린다"도 학습 시간을 건드리는 평범한 손잡이다. 그런데 하루 사이에 한쪽은 아예 작동하지 않았고, 다른 쪽은 작동해서 목적을 해쳤다. 손잡이가 작동했는지, 그리고 작동했을 때 무엇이 같이 움직였는지는 둘 다 재야 알 수 있었다. 이번에 측정 도구가 틀린 건 아니었다. 숫자는 정확했고, 문제는 무엇을 보고 성공이라 부르느냐였다. 개선된 지표 옆에 목적 지표를 같이 세워 두지 않았다면 이 학습은 성공으로 기록됐을 것이다. 띵동(Ddingdong)은 청각장애인 1인 가구를 위한 현관 부착형 소리 분류 알림 시스템 졸업작품입니다. 초인종 · 노크 · 화재경보를 구분해서 사진과 자막까지 스마트폰으로 보내주는 걸 목표로 만들고 있습니다.
재학습 전날 밤, 평가 칸이 비어 있었다 코드는 거의 안 짜고, 돌려도 되는 상태인지만 따졌다 초인종이 도착하지 않아서 하루가 비었다. 그 틈에 지금 할 수 있는 일을 전수로 조사해 우선순위를 매겼다. 정리해 보니 병목은 코드가 아니라 택배 → 녹음 → 재학습 이라는 사슬이었다. 그래서 이틀 동안 새로 만든 코드는 거의 없다. 대신 재학습을 돌리기 전에 "이걸 돌려도 되는 상태인가"를 따졌다. 그 과정에서 이 글의 중심이 된 질문이 나왔다. 이 재학습이 끝나면, 나오는 숫자는 무엇에 대한 숫자인가. 숫자가 나오기 전에, 그 숫자가 무엇의 숫자일지 계산했다 재학습을 앞당기기로 하고 데이터가 어디에 배정되는지부터 확인했다. 우리 배정 방식은 클래스 + 그룹 키 를 해시해서 학습, 검증, 평가 중 어디로 갈지를 정하는 순수 함수다. 새 데이터가 들어와도 기존 배정이 바뀌지 않는 대신, 새 그룹이 어느 쪽에 들어갈지는 해시가 정한다. 사람이 고르지 않는다. 그래서 파이프라인을 돌리지 않고, 같은 규칙을 직접 다시 짜서 미리 계산해 봤다. 먼저 이 계산기를 믿어도 되는지부터 확인했다 새 데이터에 적용하기 전에 전날 리허설에서 실제로 나온 배정과 대조했다. 6건 중 6건이 일치했다. 그 뒤에야 새 유닛에 적용했다. 결과: 보드가 듣는 노크가 평가에 하나도 없었다 우리 보드 마이크로 직접 녹음한 노크 6유닛이 전부 학습 쪽으로만 배정됐다. 평가 쪽에는 보드로 녹음한 노크가 없었다. 초인종 유닛 두 개도 마찬가지로 학습 쪽이었다. 이걸 모르고 재학습을 돌렸다면 어떻게 됐을까. 숫자는 나왔을 것이다. 다만 그건 공개 데이터로 잰 노크 재현율 이었을 것이다. 우리 보드가 듣는 노크를 평가한 숫자는 어디에도 없는 상태였다. 숫자가 나오는 것과 그 숫자가 원하는 것을 재고 있는 것은 별개의 일이다. 코드는 한 줄도 바꾸지 않고 결정만 바꿨다. 보드 배경 소리 유닛 하나를 검증용으로 쓰기로 했고, 평가 전용으로 쓸 노크 유닛을 따로 녹음하기로 했다. 도구도 정답을 아는 입력으로 먼저 돌렸다 초인종이 도착하면 바로 쓸 측정 도구도 미리 만들어 두었다. 서버가 쓰는 것과 같은 경로로 소리를 분류하되, 네트워크와 저장소에는 아무것도 쓰지 않는 도구다. 이 경로에는 위험이 하나 있었다. 화재 경보로 분류되는 소리를 넣으면 실제 메신저 발송 판정을 탈 수 있다. 그래서 도구는 발송은 하지 않고 "발송됐을 건수"만 센다. 새 도구를 새 데이터에 처음 쓰는 날이 도구를 처음 시험하는 날이 되면 안 된다. 그래서 정답을 아는 입력으로 먼저 돌렸다. 이미 확신도 1.0으로 초인종이라고 나온 테스트 클립을 넣었다. 클립 전체를 한 번에 넣은 경우와, 창을 밀면서 넣은 경우를 모두 확인했다. 후자는 9개 창이 전부 초인종으로 나왔다. 같은 입력으로 두 번 돌려 출력이 글자 단위로 같은지를 단정 항목에 넣었다. 도구가 내놓는 결과를 믿기 전에, 도구가 맞다는 증거를 먼저 만든 셈이다. 확인의 층위 하나 앞에 있는 것 이 시리즈에서 확인은 층으로 쌓여 왔다. 얼마나 자주 보는가, 무엇을 검사하는가, 검사가 실제로 실행됐는가. 이날은 그 앞에 한 층이 더 있다는 걸 알았다. 검사에 넣는 입력이 맞는가. 검사가 아무리 정확해도, 거기 들어가는 데이터가 질문과 어긋나 있으면 정확한 숫자가 틀린 결론을 만든다. 그래서 결과를 보기 전에, 이 결과가 무엇에 대한 숫자가 될지부터 계산했다. 계산해 보니 빈 곳이 있었고, 그 빈 곳은 코드가 아니라 녹음 한 유닛으로 메워야 하는 것이었다. 아직 다 된 건 아니다 배정 미리 계산은 같은 규칙을 직접 다시 짠 것 이다. 실제 파이프라인 출력이 아니다. 리허설 배정과 6건 중 6건이 일치했다는 것이 신뢰의 근거 전부이고, 실제 배정은 재학습 때 확인해야 한다. 재학습, 초인종 녹음, 평가 합격선은 이 글의 시점에서 모두 하지 않았다. 성능이 좋아졌다거나 나빠졌다는 이야기는 이 글에 없다. 평가 전용 노크 유닛을 녹음하기로 한 것은 결정 이다. 녹음된 게 아니다. 정답 클립으로 도구가 맞는지 본 것은 이 입력들에 대한 확인이다. 새 데이터에서도 맞는다는 보증은 아니다. 마무리 이날 한 일은 전부 돌리기 전에 맞는지 확인하는 것이었고, 성능 숫자는 하나도 나오지 않았다. 대신 숫자가 나왔을 때 그게 무엇에 대한 숫자인지를 미리 알 수 있게 됐다. 재본다, 검사가 돌았는지 본다, 그다음으로 필요한 것은 검사 앞에서 입력을 따져 보는 일이었다. 결과를 보고 나서 놀라는 것보다, 결과를 보기 전에 계산해 두는 편이 훨씬 쌌다. 띵동(Ddingdong)은 청각장애인 1인 가구를 위한 현관 부착형 소리 분류 알림 시스템 졸업작품입니다. 초인종 · 노크 · 화재경보를 구분해서 사진과 자막까지 스마트폰으로 보내주는 걸 목표로 만들고 있습니다.
가장 중요한 기준을 세웠다. "그냥 ChatGPT로도 할 수 있는 것 아닌가?” 위 질문에 Yes면 무조건 폐기다. 1. AI가 이미 잘하는 건 버린다 ChatGPT를 비롯한 기존 AI는 대화, 조언, 해석을 꽤 잘한다. 그래서 처음 떠올렸던 아이디어들을 하나씩 걷어낼 수밖에 없었다. AI 진로상담 AI 경험 정리 AI 퍼스널 브랜딩 직무전환 도우미 특히 ‘직무전환을 돕는 AI’를 고민하면서 관련 통계까지 찾아봤다. 실패에 대한 두려움, 기존 커리어를 포기하기 어려움, 기술 부족, 경제적 부담 등이 직무변경의 장애물로 나타났다. 하지만... “내가 어떤 직무로 전환하면 좋을까?”라고 묻는 일은 이미 기존 AI로도 충분히 가능하다. 결국 아이디어를 폐기했다. 2. 고용24만의 자산은 무엇일까? 처음에는 공공데이터라고 생각했다. 고용24 OpenAPI에는 채용·훈련·직업정보가 있고, 고용행정통계(EIS)와 고용노동데이터(ELDS)를 활용하면 노동시장과 고용행정 데이터를 분석할 수도 있다. 하지만 이게 결정적인 차별점은 아니었다. 공개 데이터라면 민간 서비스도 API를 연결해 사용할 수 있기 때문이다. 그보다 중요한 것은! 고용24가 이미 사용자와 행정서비스를 연결하고 있다는 점이다. 고용24에서는 취업지원, 실업급여, 직업훈련 등 여러 고용서비스를 실제 신청하고 결과까지 확인할 수 있다. 3. ‘놓치고 있는 혜택 알리미’ → 이것도 폐기 고용24의 구직상태·훈련이력·수급이력 등을 활용해 받을 수 있는 혜택을 추천하는 것이다. 그런데 찾아보니 이미 고용24에는 혜택알리미와 같은 유사 기능이 있었다. 복지 영역에도 복지멤버십처럼 유사한 접근이 존재한다. 또 폐기했다. 4. 문제는 ‘정보 부족’이 아닐 수도 있다 지원제도가 없는 게 아니다. 오히려 너무 많다. 그리고 결국 각 페이지를 하나씩 열어 조건을 확인하게 된다. 예를 들어 이런 질문이 반복된다. 소득 기준은 세전인가, 세후인가? 단기 아르바이트를 하면 ‘미취업자’가 아닌가? 다른 지원금을 받고 있어도 중복수혜가 가능한가? 고용보험 가입이력이 있으면 신청할 수 있는가? 어떤 서류를 추가로 제출해야 하는가? “이런 제도가 있습니다”라는 정보보다, “그래서 나는 되는가?”에 대해 명쾌하게 알려준다면? 여기서 Pain Point를 다시 생각해 봤다. "정보 탐색 비용보다 ‘자격 판별 비용’이 크다" 5. 그래서 나온 아이디어: ‘나의 지원자격 판별’ 서비스 흐름은 다음과 같다. 내 상황 입력 → 지원제도 전체 조건과 매칭 → 받을 가능성이 높은 제도만 제시 → 가능 / 불가능 / 추가 확인 필요 판별 → 탈락 이유와 필요한 조건 설명 → 신청 페이지 연결 “이런 지원제도가 있습니다”라고 알려주는 대신, “현재 입력한 조건 기준으로 신청 가능성이 높습니다. 다만 소득 증빙 확인이 필요합니다”라고 말해주는 것. 이러면 사용자의 다음 행동을 결정할 수 있게 만드는 것이다. 검증해야 할 것들 내가 불편했다고 해서 모두가 불편한 것은 아니다. 아래 것들을 검증해야 한다. 1 실제로 지원제도 탐색에 많은 시간이 드는가? 2 조건이 복잡하거나 자격 여부가 애매해 확인하다가 신청을 포기하는가? 3 받을 수 있는 제도를 몰라서 놓친 경험이 있는가? 이 세 가지가 확인되지 않는다면 이 아이디어 역시 버려야 한다.
안드레 카파시의 메뉴 앱 사례: 코드 생성 이후에도 확인해야 하는 설계 AI가 코드와 화면을 만들어주면, 개발자는 무엇을 확인해야 할까요? 안드레 카파시의 인터뷰에 나오는 메뉴 앱은 두 질문을 함께 보여줍니다. 애초에 앱이 필요한지, 그리고 앱을 만든다면 어떤 조건이 지켜져야 하는지입니다. 먼저, 앱이라는 중간 단계가 필요한가 메뉴판 사진에서 음식 이름을 읽고 음식 이미지를 생성한 뒤 화면에 보여주는 작업은 여러 기능을 연결한 앱으로 구현할 수 있습니다. 카파시가 소개하는 대안은 이미지 모델에 메뉴판 사진을 주고 음식 이름 옆에 이미지를 넣어 달라고 요청하는 것입니다. 사용자가 음식의 모습을 짐작하는 것이 목적이라면, 출력된 메뉴판 이미지를 보는 것으로 목적을 달성할 수 있습니다. 생성 이미지는 실제 식당 음식의 사진과 구분해야 합니다. 이 사례는 모든 앱이 불필요해졌다는 주장보다, 구현 전에 원하는 결과를 얻는 더 직접적인 경로가 있는지 확인하라는 질문으로 읽을 수 있습니다. 로그인·기록·결제 같은 지속적인 기능이 필요한 서비스는 별도로 생각해야 합니다. 로그인과 결제의 이메일을 같다고 가정하면 메뉴 앱의 결제 사례에서 에이전트는 이메일을 기준으로 결제와 사용자 계정을 연결하려 했다고 카파시는 설명합니다. 설명을 위해 사용자가 A 이메일로 로그인하고 B 이메일로 영수증을 받는 상황을 가정해보겠습니다. 두 이메일은 다르지만 같은 사용자의 행동일 수 있습니다. 이메일 일치만으로 계정을 정하면 정상적인 사용 흐름에서도 크레딧 지급이 어긋날 수 있습니다. 잘못된 지점은 화면의 완성도보다 같은 사용자를 식별하는 기준입니다. 카파시는 고유한 사용자 식별자에 연결해야 한다는 방향을 이야기합니다. 앱의 어느 계정에서 결제를 시작했는지와 그 계정에 어떤 권한을 줄지를 연결해야 한다는 해설입니다. 특정 결제 구현이나 완전한 보안 설계의 제안은 아닙니다. 화면이 작동해도 확인해야 하는 조건 이 사례에서 설계 검토와 동작 검증을 위한 질문은 구체적입니다. 로그인 이메일과 결제 이메일이 달라도 올바른 계정에 크레딧이 들어오는가? 결제와 크레딧 지급을 연결하는 사용자 기준을 설명할 수 있는가? 에이전트에게 구현을 맡겨도 반드시 지켜야 하는 조건을 명세했는가? 위 목록은 이번 사례에서 도출한 질문이며, 실제 코드로 검증한 실험 결과는 아닙니다. 바이브 코딩과 서비스 품질의 책임 카파시는 코드에 직접 손대는 일이 줄었다는 자신의 체감을 말합니다. 이 경험을 모든 모델과 작업의 성능 측정으로 일반화할 수는 없습니다. 그는 바이브 코딩이 소프트웨어를 만들어볼 수 있는 사람의 범위를 넓힌다고 설명하면서, 에이전트 엔지니어링에서는 전문적인 품질 기준과 책임을 유지해야 한다고 구분합니다. 코드를 많이 잘 작성하는 능력과 서비스에 필요한 모든 조건을 알아서 챙기는 능력은 별도로 확인해야 한다는 해설로 이어집니다. 맡길 일을 정하려면 이해가 필요하다 대담 후반에서 카파시는 다른 글에서 읽은, 사고를 맡기는 것과 이해를 맡기는 것은 다르다는 취지의 표현을 소개합니다. 이를 카파시가 처음 만든 문구로 소개해서는 안 됩니다. 이메일 대신 사용자 식별자를 기준으로 연결하라는 요청은 짧습니다. 하지만 왜 그 조건이 필요한지 이해해야 그런 요청을 할 수 있고, 결과물을 받았을 때 무엇을 검사할지도 정할 수 있습니다. 이번 사례에서 가져갈 질문은 두 가지입니다. 만들기 전에 목적을 달성할 직접적인 방법이 있는가? 만든 뒤에는 무엇이 반드시 맞아야 하는가? 관련 영상과 출처 코딩도깨비 EP002: https://www.youtube.com/watch?v=zTPRCBi7xGo 원본: Sequoia Capital — Andrej Karpathy: From Vibe Coding to Agentic Engineering w/ Stephanie Zhan https://www.youtube.com/watch?v=96jN2OCOfLs 원본 인터뷰를 번역·요약하고 설명을 덧붙인 글입니다. 썸네일의 “이거 이제 끝났습니다”는 직접 인용이 아닌 편집 문구입니다.
세피리아(Sephiria) 게임을 참고하여 진행한 작업내역을 기록하기 위한 글 입니다. 세피리아 모작(github) 구현된 몬스터 힐러 몬스터는 한종류만 구현해주었다. 주요 동작 힐러 몬스터는 힐 대상에게 가까이 다가가서 힐 이펙트를 뿌려주고, 그 이펙트에 닿은 대상은 힐을 받는 이펙트와 함께 실제 힐 처리가 진행된다. 이펙트 범위만큼 힐이 진행되기 때문에 힐은 한번에 여러 몬스터에게 적용될 수 있지만, 힐러 몬스터 끼리는 힐을 주고받지 못한다. 이 몬스터는 공격 기능이 없기 때문에 힐을 주고나서 쿨타임 동안은 플레이어에게서 등을 돌려 도망치고, 쿨타임이 되면 다시 힐을 받을 대상을 찾아 이동한다. 힐 대상은 대상까지의 거리와, 대상이 잃은 체력 비율을 기반으로 가장 높은 우선순위를 가진 몬스터를 대상으로 정한다. 즉, 체력이 낮고 가까울수록 더 높은 점수를 받아 힐러 몬스터가 그쪽으로 이동하여 힐을 줄 확률이 높아진다. 핵심 코드 힐러 몬스터는 타겟을 기반으로 동작하기 때문에 가장 먼저 타겟을 찾고 지정하는 코드를 보려한다. 대상 확보 private Monster FindHealTarget() { Collider2D[] hits = Physics2D.OverlapCircleAll(rb.position, healSearchRange, monsterLayer); foreach (Collider2D hit in hits) { Monster monster = hit.GetComponentInParent<Monster>(); //힐 불가능한 대상 제외(생략) //최대체력이 아닌 몬스터가 존재하면, 최대체력인 몬스터는 타겟 후보에서 제외(생략) //대상까지 거리 확보 후, 가까울 수록 점수를 높게줌 float distance = Vector2.Distance(rb.position, monster.transform.position); float distanceScore = (healSearchRange - distance) * distanceScoreWeight; //체력이 많이 닳아있을 수록 높은 점수 확보 float healthScore = (1f - monster.HealthRatio) * 100f; //점수 합산 float score = healthScore + distanceScore; //최고 점수를 넘기지 못했으면 패스, 최고점수를 넘었으면 점수 및 타겟 재지정 if (score <= bestScore) continue; bestScore = score; bestTarget = monster; } return bestTarget; } 힐러 몬스터는 거리와 현재 체력 비율을 기반으로 가장 높은 점수를 얻은 몬스터를 타겟으로 지정하고 동작한다. 거리가 1 정도 떨어지고 체력이 10% 정도 닳아있는 A 몬스터와, 10 정도 떨어지고 체력이 70% 닳아있는 B 몬스터가 있다고 가정해보자. healSearchRange는 현재 넓게 15 정도를 부여해준 상태인데, 만약 현재 체크중인 몬스터와의 거리가 1 이라고 한다면 14 * distanceScoreWeight 정도의 거리점수를 받을 수 있다. distanceScoreWeight은 현재 2로 설정되어 있기 때문에, A 몬스터의 거리 점수는 약 28점이라고 할 수 있다. B 몬스터의 경우 10점 정도의 거리 점수를 얻을 수 있다. 다음은 체력 비율인데, 이 비율값은 간단하게 "현재 체력 / 최대 체력"의 값을 전달한다. 즉 0 ~ 1의 값을 전달하기 때문에, 1에서 이 비율값을 빼주고 거기에 100을 곱하면 체력 점수를 확보할 수 있다. A 몬스터는 체력 비율이 0.9 정도 되기 때문에 약 10점 정도를 받게된다. B 몬스터는 체력 비율이 0.3 정도 되기 때문에 약 70점 정도를 받게된다. 두 몬스터의 점수를 합산해보면 각각 38점과 80점 정도로 이 상황에서 힐러 몬스터는 B 몬스터를 대상으로 지정하고 행동하게 된다. 힐은 최대체력인 몬스터에게도 시도하기 때문에 주변에 최대체력인 몬스터들 밖에 없다면 그중에서 거리점수라도 가장 높은 제일 가까운 몬스터를 대상으로 행동하게 된다. 다만 이렇게 되면 체력이 아주 조금 닳아있지만 거리가 먼 경우 회복할 체력은 있는데 거리 문제로 힐을 받지 못하게 될 수 있다. 이 몬스터의 본질은 동료 몬스터의 체력 회복에 있기 때문에, 코드 설명에서는 생략됐지만 탐색 범위 내에 최대체력이 아닌 몬스터가 확인되면, 최대체력인 몬스터는 전부 제외하고 연산을 진행하도록 되어있다. 따라서 최대 체력인 몬스터들이 주변에 있고, 매우 멀리 체력이 아주 조금 닳아있는 몬스터가 존재하는 경우엔 아주 조금이라도 회복시켜주기 위해 최대 체력 몬스터들을 전부 무시하고 탐색 과정을 진행한다. 힐 처리 과정 대상 탐색 이후, 해당 대상에게 충분히 이동한 다음 실제 힐 액션 과정이 진행된다. //힐 준비 시작 public override void StartAttackPrepare() { attackPrepareTimer = 0f; //현재 힐 대상 위치 및 방향 고정 healPosition = healTarget.transform.position; healDirection = (healPosition - rb.position).normalized; //힐 이펙트 위치 및 방향 고정 if (healEffect != null) { healEffect.transform.position = healPosition; healEffect.transform.up = healDirection; } } //힐 준비 진행(타이머 처리) public override bool ExecuteAttackPrepare() { attackPrepareTimer += Time.fixedDeltaTime; //약 0.5초 후 true 반환 return attackPrepareTimer >= attackPrepareDuration; } 메소드 명을 확인해보면, StartAttackPrepare, ExecuteAttackPrepare 즉 Attack 관련 메소드인 것을 확인할 수 있다. 이번 힐 몬스터는 별 다른 공격이 없고 힐 액션만 존재하기 때문에 기존의 몬스터 공격 동작 흐름을 이용해서 힐 액션의 처리를 진행해주었다. 가장 첫 단계인 준비 단계의 시작은 타이머 초기화와 함께 힐 처리 위치 및 방향을 미리 고정해둔다. 약 0.5초 후 다음 단계로 넘어가게 되면 이렇게 고정해둔 위치에 힐 액션을 진행하는데, 0.5초의 시간이 흘렀기 때문에 그 사이에 대상 몬스터가 움직였을 가능성이 존재하며, 그러한 경우 대상 몬스터가 힐을 받지 못하는 경우도 발생한다. 즉, 이렇게 타겟의 위치를 이용해서 힐 위치를 미리 저장해두는 방식은 몬스터에게 확정적으로 힐을 주지 못하도록 하기 위한 방식이라고 할 수 있다. //힐 시작 public override void StartAttack() { //힐 쿨타임 적용 base.StartAttack(); //힐 이펙트 출력 if (healEffect != null) healEffect.SetActive(true); //고정해둔 위치에 광역 힐 ApplyAreaHeal(); } 공격 상태로 전환되면서 실행되는 StartAttack 메소드는 간단한데, 단순하게 몬스터에게 힐(공격) 쿨타임을 적용하고, 이펙트 출력 및 광역 힐 메소드를 실행하도록 되어있다. //광역 힐 적용 private void ApplyAreaHeal() { //힐 방향에 맞는 각도 확보 float angle = Vector2.SignedAngle(Vector2.up, healDirection); //고정된 힐 위치를 중심으로 범위 판정 Collider2D[] hits = Physics2D.OverlapBoxAll( healPosition, healAreaSize, angle, monsterLayer); //힐 진행 대상 기록용 HashSet HashSet<Monster> healedTargets = new(); foreach (Collider2D hit in hits) { Monster monster = hit.GetComponentInParent<Monster>(); //힐이 불가능하거나 이미 힐을 진행한 대상 제외 if (monster == null || monster is HealerMole || monster.IsDying || !healedTargets.Add(monster)) continue; //힐 진행 monster.Heal(healAmount); //힐 받은 위치에 이펙트 생성 if (healReceiveEffectPrefab != null) Instantiate(healReceiveEffectPrefab, monster.ShadowPosition, Quaternion.identity); } } 광역 힐 메소드는 OverlapBoxAll을 활용하여, 미리 지정해둔 위치, 범위(직접지정), 각도를 기준으로 특정 범위 내 몬스터의 콜라이더들을 모두 확보한다. 이후 이 대상들이 문제가 없는지 확인하며, 실제 힐 처리 및 이펙트 생성을 진행해주면 된다. //체력 회복 public void Heal(float amount) { if (isDying || amount <= 0f) return; //회복은 최대체력까지만 진행 currentHealth = Mathf.Min(currentHealth + amount, maxHealth); } 힐 자체는 단순하게 전달받은 수치를 최대체력 까지만 회복해주도록 구현되어있다.