> ## Documentation Index
> Fetch the complete documentation index at: https://docs.sifi.life/llms.txt
> Use this file to discover all available pages before exploring further.

# Meta AI 동향 분석

> 이 문서는 **[AI 동향](/ai-trends/overview)** 섹션의 일부입니다.

> **참고**
> **이 문서의 범위**: Meta의 AI 모델(Llama 4), 오픈소스 전략, 제품 통합, AR/VR, 인프라 투자를 종합 분석합니다. 기준 시점은 2026년 4월이며, Llama 4 발표(2025년 4월 5일)를 중심으로 다룹니다.

***

## 1. 개요

Meta는 2025-2026년 AI 전략의 핵심을 **"오픈소스 모델로 생태계를 장악하고, 자사 플랫폼(30억+ 사용자)에 AI를 깊이 통합한다"** 는 두 축으로 전개하고 있습니다. Llama 4 출시, 대규모 인프라 투자, 소셜 미디어 전반의 AI 어시스턴트 배포, AR/VR 디바이스와의 결합까지 — Meta는 "AI 시대의 플랫폼 기업"으로의 전환을 가속하고 있습니다.

***

## 2. Llama 4 모델 패밀리

### 2.1 왜 Llama 4인가?

Llama 3까지 Meta는 **Dense(밀집형) Transformer** 아키텍처를 사용했습니다. Dense 모델은 입력 토큰마다 모든 파라미터를 활성화하기 때문에, 모델 크기가 커질수록 추론 비용이 선형적으로 증가하는 근본적 한계가 있었습니다. Llama 4는 이를 해결하기 위해 **Mixture of Experts (MoE)** 아키텍처를 전면 도입했습니다.

### 2.2 모델 라인업

| 모델                   | 총 파라미터 | 활성 파라미터 | 전문가 수 | 컨텍스트 길이    | 모달리티      | 상태   |
| -------------------- | ------ | ------- | ----- | ---------- | --------- | ---- |
| **Llama 4 Scout**    | 109B   | 17B     | 16    | **10M 토큰** | 텍스트 + 이미지 | GA   |
| **Llama 4 Maverick** | 400B   | 17B     | 128   | **1M 토큰**  | 텍스트 + 이미지 | GA   |
| **Llama 4 Behemoth** | 2T+    | 288B    | 16    | 미공개        | 텍스트 + 이미지 | 학습 중 |

Scout와 Maverick 모두 **활성 파라미터가 17B에 불과** 합니다. Maverick은 400B 규모의 지식을 가지고 있지만, 추론 시에는 17B Dense 모델과 비슷한 연산 비용만 소모합니다.

### 2.3 MoE 아키텍처 심층 분석

MoE의 핵심은 Transformer 블록 내의 **FFN을 여러 "전문가"로 분할** 하는 것입니다. 각 토큰 입력 시 **라우터** 가 최적의 전문가를 선택합니다.

**Dense vs MoE 비교:**

| 구분      | Dense (Llama 3) | MoE (Llama 4)     |
| ------- | --------------- | ----------------- |
| FFN 구조  | 하나의 큰 FFN       | 여러 전문가 FFN + 라우터  |
| 토큰당 활성화 | 전체 파라미터         | 선택된 전문가만          |
| 학습 효율   | 파라미터 수 = 연산량    | 파라미터 수 >> 연산량     |
| 메모리     | 연산량과 비례         | 전체 파라미터 메모리 로드 필요 |
| 추론 속도   | 파라미터 비례 느림      | 활성 파라미터만 연산하여 빠름  |

#### Llama 4의 MoE 구현 특징

1. **교차 모달 전문가 라우팅**: 텍스트와 이미지 토큰이 동일한 MoE 레이어를 통과, 라우터가 동적으로 전문가 선택
2. **iRoPE (interleaved RoPE)**: 일부 Attention 레이어는 RoPE 사용, 나머지는 NoPE로 교차 배치하여 10M+ 컨텍스트 구현
3. **MetaP**: 모델 크기에 따라 최적 하이퍼파라미터를 자동 결정하는 기법

### 2.4 Scout — 10M 컨텍스트의 의미

Scout의 **10M 토큰 컨텍스트** 는 GPT-4o(128K), Claude 3.5(200K)의 50\~80배입니다.

| 데이터 유형 | 10M 토큰 환산               |
| ------ | ----------------------- |
| 영문 텍스트 | 약 7,500만 단어 (소설 \~100권) |
| 코드     | 대규모 코드베이스 전체            |
| 한국어    | 약 500만\~700만 어절         |

활성 파라미터가 17B여서 단일 GPU 노드(H100 8장)에서도 실행 가능합니다.

### 2.5 Maverick — 오픈소스 최강

128개 전문가를 보유한 대규모 MoE 모델로, GPT-4o와 동등하거나 우수한 벤치마크를 기록했습니다. LMArena에서 한때 1위를 차지했으며, **다국어 이해, 코딩, 수학적 추론** 에서 강점을 보입니다.

### 2.6 Behemoth — Teacher 모델

2T+ 파라미터의 초대형 모델로, 주된 역할은 Scout와 Maverick의 **Knowledge Distillation 소스** 입니다. STEM 벤치마크에서 GPT-4.5, Gemini 2.0 Ultra를 넘는 것을 목표로 합니다.

### 2.7 네이티브 멀티모달

| 구분      | 어댑터 방식 (Llama 3 + LLaVA) | 네이티브 (Llama 4) |
| ------- | ------------------------ | -------------- |
| 학습      | 텍스트 → 비전 어댑터 순차          | 텍스트+이미지 동시 학습  |
| 모달 간 이해 | 제한적 크로스모달                | 깊은 모달 간 상호 참조  |
| 배포      | 모델 + 어댑터 별도 관리           | 단일 모델          |

***

## 3. 오픈소스 전략과 생태계

### 3.1 왜 오픈소스인가

Mark Zuckerberg가 명시적으로 밝혔듯이, 이는 **"개발자 생태계를 장악하여 플랫폼이 되겠다"** 는 전략적 판단입니다.

1. **생태계 장악**: Android가 모바일을 장악한 것과 유사한 전략
2. **인재 확보**: 오픈소스 프로젝트 기여자 → Meta 합류
3. **비용 분산**: 커뮤니티의 파인튜닝, 버그 발견, 응용 개발
4. **표준화**: Llama가 표준이 되면 폐쇄형 모델이 "비표준"

### 3.2 Llama 라이선스

| 항목                   | 허용 여부       |
| -------------------- | ----------- |
| 상업적 사용               | 허용          |
| 파인튜닝/재배포             | 허용          |
| MAU 7억 이상 서비스        | **별도 라이선스** |
| Llama 출력으로 다른 LLM 학습 | **금지**      |
| 학습 데이터 공개            | **비공개**     |

### 3.3 Llama Stack

모델 가중치뿐 아니라 Agent 구축 전체 소프트웨어 스택을 표준화하여 제공합니다.

| 계층        | 구성 요소                     | 설명           |
| --------- | ------------------------- | ------------ |
| Inference | llama-stack-inference     | 추론 서버        |
| Safety    | Llama Guard, Purple Llama | 입출력 필터링      |
| Memory    | 벡터 DB 통합                  | RAG용 장기 기억   |
| Tools     | Function Calling API      | 외부 도구 호출     |
| Agents    | Agent API                 | 에이전트 오케스트레이션 |

### 3.4 클라우드 파트너

| 클라우드           | Llama 4 지원             | 통합 방식            |
| -------------- | ---------------------- | ---------------- |
| **AWS**        | Bedrock, SageMaker     | 관리형 API + 커스텀 배포 |
| **Azure**      | Azure AI Foundry       | 서버리스 API + VM 배포 |
| **GCP**        | Vertex AI Model Garden | 관리형 API + GKE    |
| **Databricks** | Foundation Model APIs  | Databricks 엔드포인트 |

***

## 4. 제품 통합: 30억 사용자에 AI 배포

### 4.1 Meta AI 어시스턴트

| 플랫폼              | 주요 기능                   |
| ---------------- | ----------------------- |
| **WhatsApp**     | 질문 답변, 이미지 생성, 번역, 요약   |
| **Instagram**    | 크리에이터 도구, 이미지 편집, 캡션 생성 |
| **Facebook**     | 콘텐츠 추천, 그룹 Q\&A         |
| **meta.ai**      | 풀 기능 AI 어시스턴트           |
| **Ray-Ban Meta** | 실시간 시각 정보 분석, 번역        |

Meta AI의 MAU는 2025년 초 기준 **10억 명 이상** 으로, 세계에서 가장 많은 사용자에게 도달하는 AI 어시스턴트입니다.

***

## 5. AR/VR과 AI의 융합

### 5.1 Ray-Ban Meta 스마트 글래스

카메라, 마이크, 스피커 내장 안경에 Llama 기반 멀티모달 AI가 탑재됩니다.

* **실시간 시각 AI**: 카메라로 본 것을 분석하여 답변
* **실시간 번역**: Seamless Communication 기술 기반
* 스마트 글래스 시장 **출하량 기준 1위**

### 5.2 Meta Quest & Orion

* **Quest 3/3S**: 공간 인식 AI, AI NPC
* **Orion AR 글래스**: 차세대 AR, 2027-2028년 양산 예상

***

## 6. 인프라 투자

| 연도   | CapEx 계획     | 주요 용도                |
| ---- | ------------ | -------------------- |
| 2024 | \~\$37-40B   | GPU 클러스터, 데이터센터 확장   |
| 2025 | **\$60-65B** | 대규모 데이터센터 신축, GPU 구매 |
| 2026 | \$60B+ (예상)  | 지속적 확장               |

* H100 약 60만 개 이상 보유, B200(Blackwell) 대규모 발주
* **MTIA(자체 칩)**: 추론 워크로드에 점진적 활용
* 원자력 에너지 공급 계약 체결

***

## 7. 연구 & 기술 혁신

| 기술            | 설명                    | 영향             |
| ------------- | --------------------- | -------------- |
| **iRoPE**     | 교차 위치 임베딩으로 10M+ 컨텍스트 | 초장문 처리의 새로운 표준 |
| **MetaP**     | 하이퍼파라미터 자동 결정         | 학습 효율 대폭 향상    |
| **Movie Gen** | 텍스트→비디오 생성 (최대 16초)   | 영상 생성 시장 진입    |
| **SAM 2**     | 이미지/비디오 범용 세그멘테이션     | 비전 AI 기초 기술    |
| **Seamless**  | 다국어 실시간 음성 번역         | 실시간 통역 가능      |

***

## 8. 향후 전망

| 시기        | 예상 이벤트                    |
| --------- | ------------------------- |
| 2026 상반기  | Llama 4 Behemoth 정식 출시    |
| 2026      | Llama 4 경량 모델 (8B-30B급)   |
| 2026      | Movie Gen 제품 통합           |
| 2026-2027 | Llama 5 발표 (비디오/오디오 네이티브) |
| 2027-2028 | Orion AR 글래스 양산           |

***

## 9. 종합 정리

Meta의 AI 전략은 **"인프라에서 디바이스까지 수직 통합된 오픈소스 AI 플랫폼"** 으로 요약됩니다.

| 계층        | Meta의 자산                     | 경쟁 우위           |
| --------- | ---------------------------- | --------------- |
| **칩**     | MTIA + NVIDIA GPU 대량 확보      | 연간 \$60B+ 투자    |
| **모델**    | Llama 4 패밀리                  | 오픈소스 최강, MoE 효율 |
| **프레임워크** | PyTorch, Llama Stack         | 개발자 생태계 장악      |
| **플랫폼**   | FB, IG, WA, Threads, meta.ai | 30억+ 사용자        |
| **디바이스**  | Ray-Ban Meta, Quest, Orion   | AI-first 하드웨어   |
| **연구**    | FAIR, Movie Gen, SAM         | 세계 최고 수준 연구     |

> **참고**
> **Databricks 시사점**: Databricks는 Foundation Model APIs와 Model Serving을 통해 Llama 4를 지원합니다. Llama의 오픈 웨이트 특성 덕분에 기업 데이터가 외부로 유출되지 않는 프라이빗 AI 배포가 가능합니다. Scout의 10M 컨텍스트는 대규모 코드베이스/문서 분석에, Maverick은 범용 에이전트 기반 모델로 적합합니다.

> **주의**
> **Llama 4 경량 모델 부재**: Llama 3에는 8B, 70B 경량 모델이 있었지만, Llama 4는 최소 109B(Scout)입니다. 모바일/엣지 시나리오에서는 Llama 3.x 8B가 여전히 필요합니다.

***

**참고 자료:**

* [Meta AI 공식 블로그: Llama 4 발표](https://ai.meta.com/blog/llama-4-multimodal-intelligence/)
* [Llama 4 모델 카드 (GitHub)](https://github.com/meta-llama/llama-models)
* [Llama Stack (GitHub)](https://github.com/meta-llama/llama-stack)
* [Meta AI Infrastructure 투자 발표](https://about.fb.com/news/2025/01/meta-ai-investments/)
* [AI Agent 업계 동향 — AWS, Microsoft & Meta](../guides/genai-concepts/agent-landscape/aws-others)