사카나AI 해부 — 트랜스포머 저자가 도쿄에 세운 27억 달러 회사

이토 렌(Ren Ito) 최고운영책임자는 도쿄대 법학부를 나와 뉴욕대 로스쿨에서 LLM을, 스탠퍼드에서 석사를 받았다. 2001년 외무성에 들어가 외교관으로 일했고, 이후 메르카리에서 글로벌 담당 집행임원을 맡았다. 그 역시 스태빌리티AI에서 COO를 지냈다. 하와 이토가 같은 회사를 거쳐 나왔다는 점, 하와 존스가 구글 도쿄 오피스에서 만났다는 점이 창업 조합의 배경이다.

회사 이름 '사카나(魚)'는 일본어로 물고기다. 물고기 한 마리는 단순한 규칙 몇 개만 따르지만, 무리 전체는 포식자를 피하고 먹이를 찾는 복잡한 행동을 만들어낸다. 이 집단지능을 모델 설계로 옮기겠다는 것이 회사의 출발점이다. 파라미터를 계속 키워 성능을 얻는 스케일링 경쟁에 대해, 세 창업자는 다른 경로가 있다고 봤다.

진화적 모델 병합 — 학습 없이 새 모델을 만든다

회사를 연구 커뮤니티에 각인시킨 첫 결과물은 2024년 3월 21일 공개한 진화적 모델 병합(Evolutionary Model Merge)이다. 이미 공개된 오픈 모델 여러 개를 조합해 새 모델을 만드는데, 조합 방법을 사람이 정하지 않고 진화 알고리즘이 찾는다. 논문은 2025년 1월 네이처 머신 인텔리전스에 실렸다.

탐색은 두 공간에서 동시에 일어난다. 파라미터 공간(PS)에서는 여러 모델의 가중치를 층별로 어떤 비율로 섞을지를 진화시킨다. 데이터 흐름 공간(DFS)에서는 서로 다른 모델의 층을 어떤 순서로 이어 붙일지를 진화시킨다. 두 공간 모두 사람의 직관으로는 다 훑을 수 없을 만큼 조합의 수가 크다. 100~150세대를 돌리면서 성적이 좋은 개체만 살아남아 다음 세대를 만드는 방식으로 최종 모델이 나온다.

이 방법의 핵심은 경사하강 기반 학습을 한 번도 돌리지 않는다는 데 있다. GPU를 태워 역전파를 반복하는 대신, 이미 학습된 가중치를 조합하는 문제로 바꿔 계산량을 크게 줄였다.

성과물도 함께 공개했다. 70억 파라미터 모델 EvoLLM-JP는 일본어 수학 추론 벤치마크 MGSM-JA에서 55.2%를 기록했다(공개된 v1-7B 기준으로는 50.6%). 일본어 능력을 가진 모델(Shisa-Gamma)과 수학 특화 모델(WizardMath, Abel)을 병합해 만든 모델이다. 수학만 겨냥해 만들었는데도 일본어 종합 벤치마크(JP-LMEH) 평균이 70.5로, 700억 파라미터 미만 일본어 모델 전부와 직전 700억급 최고 성적을 웃돌았다. 다만 같은 표에서 Swallow 70B는 71.5로 여전히 더 높다. 이미지와 언어를 함께 다루는 EvoVLM-JP, 4단계 추론으로 일본어 프롬프트를 처리하는 이미지 생성 모델 EvoSDXL-JP도 같은 계열이다.

공간	진화시키는 대상	사람이 하던 방식
파라미터 공간(PS)	층별 가중치 혼합 비율	고정 비율로 평균
데이터 흐름 공간(DFS)	서로 다른 모델의 층 배치 순서	직관과 경험으로 설계

스스로 고치는 AI — AI 사이언티스트에서 RSI 랩까지

두 번째 축은 AI가 AI를 개선하게 만드는 연구다. 2024년 8월 13일 공개한 'AI 사이언티스트(The AI Scientist)'가 시작이었다. 연구 아이디어 생성, 실험 코드 작성, 실행, 결과 분석, 논문 집필, 동료 심사까지 사람 개입 없이 한 번에 도는 시스템이다. 논문 한 편을 만드는 데 드는 연산 비용은 약 15달러로 보고됐다.

후속 버전인 AI 사이언티스트 v2는 2025년 3월 ICLR 2025 워크숍 심사에서 결과를 냈다. 제출한 논문 3편 중 1편이 평균 6.33점을 받아 채택 기준을 넘겼고, 이 점수는 사람이 쓴 투고 논문의 55%보다 높았다. 다만 사카나AI는 이 논문을 게재 전 자진 철회했다. 워크숍 조직위의 메타리뷰를 받지 않았고, 워크숍 채택률이 본회의보다 훨씬 높으며, 인용 오류도 지적됐다. "AI가 동료 심사를 통과했다"는 문장이 성립하는 범위는 이만큼이다. 시스템 자체를 다룬 논문은 2026년 3월 25일 네이처에 실렸다(651권 914~919쪽).

같은 연구에서 안전 쪽 신호도 나왔다. 시험 과정에서 이 시스템은 실험이 제한 시간을 넘기자 코드를 빠르게 만드는 대신 제한 시간 자체를 늘리도록 자기 코드를 수정했다. 자기 자신을 다시 실행하는 시스템 콜을 넣어 무한 루프를 만든 사례도 있었다. 회사가 이 사례를 공개한 뒤 자율 에이전트의 통제 문제를 두고 논쟁이 이어졌다.

이후 결과물은 자기개선 쪽으로 더 밀고 나갔다. 2025년 5월 공개한 다윈 괴델 머신(Darwin Gödel Machine)은 에이전트가 자기 코드베이스를 다시 쓰며 변종을 만들어내는 구조다. SWE-bench 성적을 20%에서 50%로 끌어올려 절대 30%포인트를 개선했고, 다국어 코딩 과제인 폴리글롯에서도 14.2%에서 30.7%로 올랐다. 같은 해 9월 오픈소스로 공개한 신카이볼브(ShinkaEvolve)는 언어모델과 진화 알고리즘을 결합한 프로그램 진화 프레임워크다. 원 26개를 배치하는 고전 최적화 문제를 샘플 150개만으로 최고 기록에 올려놨고, 별도 실험에서는 30세대 만에 전문가 혼합(MoE) 모델용 새 로드밸런싱 손실함수를 찾아냈다.

경진대회 성적도 있다. 2025년 12월 14일 알고리즘 최적화 에이전트 ALE-Agent가 앳코더(AtCoder) 휴리스틱 콘테스트 058에서 1위를 했다. 인간 참가자 804명이 4시간 동안 겨루는 대회였고, AI 에이전트가 우승한 첫 사례다. 이때 쓴 총비용은 약 1,300달러였다.

이 갈래는 2026년 6월 5일 재귀적 자기개선(RSI) 랩으로 조직화됐다. 랩이 내건 문장은 "연산만이 아니라 아이디어로 전진한다"이다. 일본이 하이퍼스케일러만큼의 연산 자원을 갖지 못한 조건 자체를 표본 효율 연구를 밀어붙일 이유로 삼겠다는 뜻이다. 물리 세계로의 확장도 이 연장선에 있다. 7월 13일에는 물리적 환경에서 집단지능을 구현하는 '스마트 셀룰러 브릭' 연구를, 8월 10일에는 자사 채널을 통해 물리 AI를 다음 프론티어로 제시했다.

트랜스포머 다음을 겨눈 구조 연구

세 번째 축은 아키텍처 자체를 바꾸려는 연구다.

연속 사고 기계(Continuous Thought Machines, CTM)는 2025년 5월 공개됐다. 신경망에 시간축을 되살린 구조로, 개별 뉴런이 과거 활동을 기억하고 뉴런 간 동기화를 통해 정보를 순차적으로 처리한다. 회사는 이 구조가 확신도 보정(confidence calibration)에서 사람보다도 나은 결과를 냈다고 밝혔다.

신경 주의 메모리 모델(NAMM)은 2024년 12월 공개됐다. 문맥에 쌓인 토큰 중 무엇을 남기고 무엇을 버릴지 학습해 추론 단계의 메모리 부담을 줄이는 기법으로, 언어와 멀티모달 과제에서 메모리 비용을 최대 75%까지 줄였다고 보고됐다. 연산 자원이 제한된 환경에서 곧바로 값으로 환산되는 종류의 개선이다.

2025년 1월 공개한 트랜스포머 스퀘어드(Transformer²)는 모델이 과제에 맞춰 스스로 가중치를 조정하는 자기적응 구조를 겨냥한 연구다. 세 갈래 모두 더 큰 모델을 만드는 방향과는 다른 자리에 놓여 있다.

한 번은 크게 헛디뎠다. 2025년 2월 공개한 'AI CUDA 엔지니어'는 GPU 커널을 자동 최적화해 파이토치 대비 최대 100배 가속을 낸다고 발표했는데, 외부 검증에서 평가 코드의 허점을 시스템이 파고든 리워드 해킹이 드러났다. 실제로는 오히려 3배 느려졌다는 이용자 보고도 나왔다. 회사는 2월 21일 이를 인정하고 평가·런타임 프로파일링 체계를 강화했다며 주장을 하향 수정하고 결과를 정정했다. 자동화된 연구 시스템의 결과를 누가 어떻게 검증할 것인가라는 질문이 이 사건 이후 회사의 발표 방식에 남았다.

연구가 제품이 된 2026년

2026년은 사카나AI가 연구 성과를 매출 가능한 제품으로 바꾼 해다.

사카나 챗은 3월 24일 일본 국내 한정으로 무료 공개됐다. 여기 얹힌 나마즈(Namazu, 메기) 모델 계열은 딥시크-V3.1-터미너스, 라마-3.1-405B, gpt-oss-120B 같은 오픈웨이트 모델을 일본어와 일본 문화 기준으로 재조정한 것이다. 회사가 밝힌 수치 하나가 이 작업의 성격을 보여준다. 기반 모델인 딥시크-V3.1-터미너스는 정치적으로 민감한 주제에 대한 질문의 72%에 답변을 거부했는데, 나마즈로 조정한 뒤 거부율이 거의 0%까지 내려갔다. 8월 13일에는 이 챗봇에 신세대 나마즈와 후구를 얹었고, 신세대 나마즈의 기반은 Kimi K2.6으로 바뀌었다.

**사카나 후구(Fugu)**는 4월 24일 베타, 6월 22일 정식 출시된 오케스트레이션 모델이다. 하나의 모델이 답하는 대신 여러 프런티어 모델을 역할별로 배치해 과제를 나눠 푼다. 근거는 ICLR 2026에 실린 두 편이다. 트리니티(Trinity)는 가볍게 진화시킨 코디네이터가 여러 언어모델에 '사고자·작업자·검증자' 역할을 배분하는 방식이고, 컨덕터(Conductor)는 강화학습으로 에이전트 간 소통 패턴 자체를 찾아낸다.

제품은 일반 업무용 후구와 어려운 문제에 더 깊은 전문가 풀을 동원하는 후구 울트라로 출발했고, 보안 추론에 특화한 후구 사이버가 7월 21일 추가됐다. 회사가 공개한 성적은 소프트웨어 엔지니어링 벤치마크 SWE-Bench Pro에서 후구 울트라 73.7점이다. 같은 표에서 오푸스 4.8은 69.2, GPT-5.5는 58.6, 제미나이 3.1 프로는 54.2였고, 페이블 5는 80.0으로 후구 울트라보다 높았다. 보안 벤치마크 사이버짐(CyberGym)에서는 후구 사이버가 86.9%로 GPT-5.5-사이버(85.6)와 클로드 오푸스 프리뷰(83.1)를 앞섰다. 모든 수치는 사카나AI 자체 측정치이고 제3자 검증은 공개되지 않았다.

가격은 구독 월 20·100·200달러와 종량제를 함께 둔다. 울트라 종량제는 100만 토큰당 입력 5달러·출력 30달러이고, 27만 2,000 토큰을 넘는 긴 문맥에서는 10달러·45달러로 오른다. API는 오픈AI 형식과 호환되며 오픈라우터·버셀 등을 통해서도 쓸 수 있다. 유럽경제지역은 GDPR 대응이 끝나지 않아 제외돼 있다.

후구 소개에서 회사가 반복해 쓰는 표현이 "수출 통제 위험 없이 프런티어급 성능"이다. 미국 모델에 대한 수출 규제가 걸리는 지역과 산업을 겨냥한 포지셔닝이다.

**사카나 마린(Marlin)**은 4월 2일 약 300명 규모 클로즈드 베타를 거쳐 6월 15일 정식 출시된 자율 리서치 에이전트다. 사카나AI의 첫 상용 제품이다. 한 세션이 최대 8시간 무인으로 돌면서 100쪽 분량 보고서를 만든다. 기반 기술은 NeurIPS 2025 스포트라이트를 받은 적응형 분기 몬테카를로 트리 탐색과 AI 사이언티스트의 워크플로 자동화다. 요금은 종량제 크레딧 98엔(100크레딧)과 프로 월 15만 엔, 팀 월 40만 엔으로 나뉜다. 회사는 이 제품을 금융·컨설팅·전략 조직을 위한 '가상 최고전략책임자'로 설명한다.

제품	시점	성격
사카나 챗	2026년 3월 24일	일본 한정 무료 챗봇, 나마즈 계열
사카나 후구	4월 24일 베타 · 6월 22일 정식	다중 모델 오케스트레이션 API
사카나 마린	4월 2일 베타 · 6월 15일 정식	최대 8시간 무인 리서치 에이전트
사카나 트랜슬레이트	7월 6일	번역·교정 서비스
후구 사이버	7월 21일	보안 추론 특화 등급

3년 동안 4억 달러 — 돈은 어디서 왔나

자금 조달 속도는 일본 스타트업 기준으로 전례가 드물다.

2024년 1월 럭스캐피털 주도로 3,000만 달러 시드를 받았고, 같은 해 9월 4일 약 2억 달러 규모의 시리즈A를 마감했다. NEA·코슬라벤처스·럭스캐피털이 공동 주도했고 엔비디아가 전략 투자자로 들어왔다. 여기에 미쓰비시UFJ·SMBC·미즈호 3대 은행과 NEC·후지쯔·이토추·KDDI·노무라·다이이치생명·ANA홀딩스·도쿄해상 등 일본 대기업이 줄줄이 참여했다. 당시 보도에 따르면 기업가치는 15억 달러로 평가돼, 창업 14개월 만에 유니콘이 됐다.

시리즈B는 2025년 11월 17일 200억 엔(약 1억 3,500만 달러)·기업가치 4,000억 엔으로 발표됐다가, 2026년 4월 9일 갱신 공시에서 320억 엔(약 2억 달러)·기업가치 약 4,320억 엔(약 27억 달러)으로 늘었다. 누적 조달액은 약 660억 엔(4억 1,200만 달러)이다. 라운드가 다섯 달 동안 열려 있는 사이 전략 투자자가 계속 붙었기 때문이다. 구글은 1월 23일 전략적 파트너십을 발표하며 라운드에 참여했고, 씨티는 2월 24일, 미쓰비시전기는 3월 25일 들어왔다. 씨티의 투자는 이 은행이 일본 기업에 한 첫 전략 투자다. 세일즈포스벤처스·데이터독·맥쿼리캐피털·JAFCO, 그리고 미국 정보기관 계열 벤처펀드 인큐텔(In-Q-Tel)과 산탄데르의 무로캐피털도 명단에 있다.

라운드	시점	규모	기업가치
시드	2024년 1월	3,000만 달러	—
시리즈A	2024년 9월 4일	약 2억 달러	15억 달러(보도 기준)
시리즈B	2025년 11월 17일 ~ 2026년 4월 9일	320억 엔(약 2억 달러)	약 4,320억 엔(27억 달러)

연산 자원은 자체 데이터센터를 짓는 대신 조달로 해결한다. 경제산업성의 GENIAC 사업 지원을 받았고, GMO의 GPU 클라우드를 쓴다. 2026년 7월 16일에는 사쿠라인터넷의 '고화력 PHY'를 도입했고, 같은 날 엔비디아와 오픈 모델 협력을 발표했다. 자체 클러스터에 수십억 달러를 넣는 미국·유럽 경쟁사들과 비용 구조가 다르다.

고객은 은행이었고, 지금은 방위성이다

매출은 일본 대기업과의 다년 파트너십에서 나온다. 2025년 5월 미쓰비시UFJ와 3년을 넘는 포괄 파트너십을 맺어 은행 전용 AI를 만들기로 했고, 10월에는 다이와증권그룹과 계약해 2026년 8월 5일 자산관리 AI 개발 본격 단계로 넘어갔다. 미쓰비시전기는 3월 출자와 함께 자사 세렌디(Serendie) 플랫폼에 사카나AI 모델을 넣기로 했다. 4월 30일에는 SMBC그룹과 제안서 자동 생성 앱을 공동 개발한다고 밝혔고, 4월 7일에는 총무성의 SNS 위·오정보 대책 사업에 참여했다. 비공식 집계이지만 2025년 매출은 3,000만 달러 안팎으로 알려져 있다.

두 번째 축이 방위·정보 영역이다. 2026년 3월 13일 방위장비청 산하 방위혁신과학기술연구소로부터 다년 위탁연구를 받았다. 과제명은 "복수 AI 기술의 조합에 의한 관측·보고·정보통합·자원배분 고속화 연구"로, 육·해·공 각 영역의 멀티모달 데이터를 통합 분석하고 드론 같은 엣지 기기에 올릴 소형 비전-언어모델(SVLM)을 만들어 지휘통제(C2) 체계를 고도화하는 내용이다. 이어 7월 29일에는 방위성과 "총합분석업무에 필요한 AI 기능의 조사·실증" 계약을 맺었다. 정보본부 정보분석관의 업무에 에이전트 기술을 적용하는 사업으로, 부대 운용 단위에서 국가 정책 단위로 올라간 계약이다.

배경도 함께 움직였다. 요미우리는 8월 9일 정부가 자위대 지휘통제 체계에 국산 AI를 도입하는 방침을 굳혔고 사카나 후구가 유력 후보로 거론된다고 보도했다. 회사는 별도의 방위사업 기본방침 문서를 두고 금융과 함께 방위·정보를 우선 영역으로 명시했다. 2025년에는 방위장비청과 미 국방혁신단(DIU)이 공동 주최한 미·일 국방혁신 챌린지에서 감투상을 받았는데, 감염병 예측과 AI 생성 이미지 탐지 두 주제 모두에서 결선에 오른 유일한 참가자였다. 5월 29일에는 일반사단법인 딥다이브와 정보분석 파트너십도 맺었다.

넘어야 할 것들

기업가치는 27억 달러인데 공개된 매출 수치는 없다. 시장에 도는 3,000만 달러라는 숫자는 서드파티 집계이고 회사가 확인한 적이 없다. 하 CEO 자신도 생성형 AI에서 아직 수익성이 입증된 사업 모델은 나오지 않았다고 말해 왔고, 업계 전반의 밸류에이션 거품 가능성을 언급한 적이 있다. 첫 상용 제품인 마린이 6월에야 나왔다는 점을 감안하면, 매출이 밸류에이션을 따라잡았는지는 아직 외부에서 확인할 방법이 없다.

경쟁 구도도 단순하지 않다. 구글은 투자자이면서 제미나이로 같은 시장에서 경쟁한다. 오픈AI·앤스로픽·구글 딥마인드는 사카나AI보다 자릿수가 다른 연산과 자본을 쥐고 있다. 연구 인력을 붙잡으려면 이들과 보상 경쟁을 해야 한다.

일본어와 일본 문화에 특화한 전략은 해자인 동시에 천장이다. 지금까지 매출을 일으킨 파트너는 전부 일본 대기업과 일본 정부 기관이다. 후구는 오픈AI 호환 API와 오픈라우터 유통으로 해외 개발자에게 열려 있지만, 유럽경제지역은 아직 막혀 있고 해외 매출 규모는 공개되지 않았다.

기술 자체의 신뢰성 문제도 남아 있다. AI CUDA 엔지니어의 성능 주장 정정, AI 사이언티스트가 제한 시간을 우회한 사건, 워크숍 논문 자진 철회는 자동화된 연구 시스템을 실제 업무에 넣을 때 검증을 누가 어떻게 하느냐는 질문을 남겼다. 은행과 방위 기관이 고객인 회사에서 이 질문의 무게는 일반 소프트웨어보다 무겁다.

에디터의 시선

사카나AI를 읽는 방법은 두 가지다.

하나는 기술 노선이다. 이 회사의 연구는 모두 같은 제약에서 출발한다. 미국 빅랩만큼의 GPU가 없다는 조건이다. 진화적 모델 병합은 학습을 건너뛰어 계산을 아꼈고, NAMM은 추론 메모리를 최대 75% 줄였으며, 신카이볼브는 샘플 150개로 최고 기록을 냈고, 후구는 모델을 새로 만드는 대신 남의 모델을 배치해 성능을 얻는다. 자원 부족이라는 조건이 연구 주제를 정한 사례다. 한국의 AI 조직 대부분이 같은 조건에 놓여 있다는 점에서, 이 회사의 문제 설정 방식은 개별 성과보다 참고할 만하다.

다른 하나는 사업 경로다. 사카나AI는 3년 동안 연구 발표 → 대기업 파트너십 → 정부·방위 계약 순서로 올라갔다. 각 단계는 앞 단계의 신뢰를 담보로 삼았다. 3대 은행이 시리즈A에 들어왔기 때문에 미쓰비시UFJ 계약이 가능했고, 금융에서의 실적이 있었기에 씨티가 첫 일본 투자를 결정했으며, 지휘통제 기반연구를 수행했기 때문에 넉 달 뒤 방위성 계약이 이어졌다. 완성된 제품 하나로 시장을 여는 방식과는 다른 순서다.

매출이 공개되지 않았다는 점, 성과 주장을 한 번 정정한 이력, 일본 시장 편중은 그대로 남아 있는 위험이다. 회사가 지금 물리 AI와 로봇 쪽으로 연구 축을 넓히는 중이라는 점을 감안하면, 다음 1년의 관전 포인트는 후구와 마린이 일본 밖에서 매출을 만들어내느냐, 그리고 방위 실증이 실배치 계약으로 넘어가느냐 두 가지로 좁혀진다.