년 8월 AI 및 로봇 연구 동향

1. AI 패러다임의 변곡점

2019년 8월은 인공지능(AI) 기술이 양적 팽창을 넘어 질적 전환을 모색하던 중요한 시점이었다. Transformer 아키텍처의 성공 이후, 모델의 ’규모(scale)’가 새로운 연구 방향으로 부상했으며, 이로 인해 발생한 전례 없는 성능은 기술의 사회적 책임에 대한 근본적인 질문을 제기했다. 기술의 발전 속도가 사회의 이해와 규범 형성 속도를 앞지르기 시작하면서, 연구 커뮤니티는 혁신과 통제 사이의 미묘한 균형점을 찾아야 하는 과제에 직면했다.

본 보고서는 2019년 8월에 발표된 주요 연구 성과들을 네 가지 핵심 축으로 나누어 심층 분석한다. 첫째, 대규모 언어 모델의 발전과 그에 따른 책임 있는 공개 전략을 OpenAI의 GPT-2 사례를 통해 살펴본다. 둘째, 로봇 공학 분야의 진화를 동적 환경에서의 지능형 조작과 인식 기술을 중심으로 조명한다. 셋째, 컴퓨터 비전 및 자연어 처리 분야의 주요 국제 학회에서 발표된 학술적 성과들을 분석한다. 마지막으로, AI 기술 패권 경쟁의 단면을 중국의 산업 정책을 통해 고찰한다. 이를 통해 당시 기술의 최전선을 조망하고, 현재 AI 기술 지형을 형성한 핵심 동력들을 규명하고자 한다.

2. 대규모 언어 모델의 발전과 책임 있는 공개: OpenAI의 GPT-2

2.1 774M 파라미터 모델의 단계적 공개: 새로운 규범의 모색

2019년 8월 20일, OpenAI는 7억 7,400만 개의 파라미터를 가진 GPT-2 모델을 공개했다. 이는 2019년 2월에 공개된 1억 2,400만 파라미터의 소형(small) 모델과 5월에 공개된 3억 5,500만 파라미터의 중형(medium) 모델에 이은 세 번째 공개였다.1 이러한 ‘단계적 공개(staged release)’ 전략은 15억 파라미터의 전체 모델이 보여준 강력하고 일관된 텍스트 생성 능력과 그로 인한 잠재적 악용 가능성에 대한 깊은 우려에서 비롯되었다.2

OpenAI는 GPT-2가 생성하는 텍스트의 품질이 매우 높아 가짜 뉴스 생성, 온라인상의 타인 사칭, 소셜 미디어상의 조작 콘텐츠 자동 생산, 스팸 및 피싱 콘텐츠 대량 생산 등 다양한 악의적 목적으로 사용될 수 있음을 인지했다.3 따라서 기술의 위험성을 평가하고 사회가 이에 적응할 시간을 벌기 위해, 한 번에 모든 것을 공개하는 대신 점진적으로 더 큰 모델을 공개하는 신중한 접근법을 택했다. 이 과정은 단순히 기술을 배포하는 것을 넘어, 강력한 AI 모델의 책임 있는 공개에 대한 새로운 사회적 규범을 AI 연구 커뮤니티와 함께 만들어가려는 시도였다.1 이는 기술 개발자의 책임이 단순히 코드를 작성하고 모델을 훈련하는 것에서 끝나는 것이 아니라, 그 기술이 사회에 미칠 파급효과를 예측하고 관리하는 영역까지 확장되어야 함을 보여주는 중요한 선례가 되었다.

2.2 합성 텍스트의 설득력과 탐지 기술의 한계: 실증적 충격

GPT-2의 위험성에 대한 우려는 단순한 추측이 아니었음이 협력 연구를 통해 실증적으로 증명되었다. 코넬 대학의 연구 파트너인 Sarah Kreps와 Miles McCain이 수행한 연구에 따르면, 일반인들은 GPT-2가 생성한 합성 텍스트 샘플에 대해 72%의 신뢰도를 보였다. 이는 실제 뉴욕 타임스 기사가 얻은 신뢰도 83%에 근접하는 놀라운 수치였다.1 이 결과는 AI가 생성한 정교한 허위 정보가 대중에게 얼마나 설득력 있게 다가갈 수 있는지를 명확히 보여주었다. 더 나아가, 앨런 인공지능 연구소(AI2)와 워싱턴 대학(UW)의 공동 연구에서는 ’GROVER’라는 언어 모델이 생성한 가짜 뉴스가 인간이 작성한 선전물보다 오히려 더 그럴듯하게 인식될 수 있음을 보여주어 문제의 심각성을 더했다.1

이러한 강력한 생성 능력에 반해, 이를 탐지하는 기술은 명백한 한계를 보였다. OpenAI의 자체 분석 결과, 당시의 기계학습 기반 탐지 모델은 약 90% 초중반의 정확도에 머물렀다. 더욱이, 악의적인 사용자가 특정 목적을 위해 모델을 미세 조정(fine-tuning)할 경우 탐지 정확도는 더욱 하락하는 것으로 나타났다.1 실제 환경에서 유의미한 탐지 시스템이 되기 위해 요구되는 99.9% 이상의 정확도와는 큰 격차가 존재했다. 이는 AI를 이용한 콘텐츠 ’생성’은 거의 비용 없이 대량으로 가능한 반면, 이를 기술적으로 ’탐지’하는 것은 매우 어렵다는 구조적 비대칭성을 드러낸다. 이러한 비대칭성은 악의적 행위자에게 구조적으로 유리한 환경을 제공하며, 기술적 수단만으로는 AI 생성 콘텐츠의 오남용을 막기 어렵다는 결론으로 이어진다.

2.3 연구 커뮤니티와의 협력 및 향후 공개 전략

이러한 도전에 대응하기 위해 OpenAI는 독단적인 결정을 내리는 대신, 외부 연구 커뮤니티와의 적극적인 협력을 선택했다. 코넬 대학, 미들베리 국제학 연구소 테러리즘·극단주의·대테러 센터(CTEC), 오리건 대학, 텍사스 오스틴 대학 등 4개의 주요 연구 기관과 파트너십을 체결했다. 이들 기관은 774M 모델과 당시 미공개 상태였던 1.5B 전체 모델을 활용하여, AI 생성 허위 정보에 대한 인간의 취약성, 극단주의 단체의 모델 악용 가능성, 모델에 내재된 편향성, 미세 조정된 모델의 탐지 가능성 등 다양한 측면을 심층적으로 연구했다.1

이러한 협력은 기술의 위험성을 다각도로 평가하고, 이를 바탕으로 향후 공개 정책을 결정하려는 투명하고 책임 있는 접근 방식을 보여준다. 또한, OpenAI는 기관 간 모델 공유를 더 쉽게 만들기 위한 ’오픈소스 법률 협약(open-source legal agreement)’을 공개하여 연구 협력의 장벽을 낮추고자 했다.1 이는 강력한 AI 기술의 거버넌스가 특정 기업이나 연구소에 의해 독점되어서는 안 되며, 개방적인 논의와 협력을 통해 이루어져야 한다는 철학을 반영한다.

3. 로봇 공학의 진화: 동적 환경에서의 지능형 조작과 인식

3.1 IROS 2019 주요 연구 동향: 강건하고 반응적인 로봇을 향하여

2019년 11월 마카오에서 개최된 IEEE/RSJ 국제 지능형 로봇 및 시스템 학회(IROS 2019)는 로봇 공학 분야의 높은 연구 열기를 증명하는 자리였다. 전 세계 53개국에서 총 2,513편의 정규 논문이 제출되었으며, 이 중 1,127편이 최종적으로 채택되어 발표되었다.4 학회에서 발표된 연구들은 동적이고 예측 불가능한 환경에 대응하는 로봇의 지능을 한 단계 끌어올리는 데 초점을 맞추었다.

3.1.1 최우수 논문 심층 분석: Planning Reactive Manipulation in Dynamic Environments

IROS 2019 최우수 논문상(Best Paper Award)을 수상한 이 연구는 동적 환경에서의 로봇 조작(manipulation) 문제에 대한 새로운 해법을 제시했다.5

• 목표: 연구의 핵심 목표는 문을 열거나 움직이는 컨베이어 벨트 위의 물체를 집는 것처럼, 환경과 로봇의 제약 조건이 실시간으로 변하는 복잡한 조작 과제를 자율적으로 수행하는 피드백 플래너(feedback planner)를 개발하는 것이었다. 기존의 경로 계획 알고리즘은 정적인 환경을 가정하거나 변화에 대한 반응 속도가 느려 이러한 문제에 적용하기 어려웠다.6

• 방법론: 이 연구는 고전적인 ’제약 기반 모델링(constraint-based modeling)’과 최신 ’강화학습(reinforcement learning)’의 장점을 결합한 하이브리드 접근법을 채택했다. 로봇의 충돌 회피나 물리적 제약 조건 준수와 같은 안전 필수 요구사항은 해석 가능하고 안정적인 저수준(low-level) 제어기에서 담당하도록 했다. 그리고 어떤 저수준 제어기를 어느 시점에 활성화할지에 대한 장기적인 전략, 즉 고수준(high-level)의 의사결정은 심층 Q-네트워크(DQN) 기반의 강화학습 에이전트가 학습하도록 설계했다.6 이러한 계층적 분리는 강화학습 에이전트가 물리적으로 안전성이 보장된 행동들 중에서 최적의 순서를 학습하게 함으로써, 학습의 효율성과 실제 시스템의 안정성을 동시에 확보하는 효과적인 절충안을 제시했다.

• 결과: 시뮬레이션과 실제 이중 팔 로봇을 이용한 실험에서 제안된 방법은 기존의 제약 기반 플래너에 비해 압도적으로 높은 성공률을 보였다. 예를 들어, 두 팔이 협력하여 물체를 옮기는 ‘DUAL’ 작업에서 기존 방법의 성공률이 11%에 불과했던 반면, 제안된 방법은 98.1%의 평균 성공률을 달성하며 동적 환경 변화에 대한 뛰어난 강건성(robustness)을 입증했다.6

3.2 DeepMind의 연구 및 대중 소통: ‘딥마인드: 팟캐스트’

한편, 세계 최고 수준의 AI 연구 그룹인 DeepMind는 2019년 8월, 일반 대중을 대상으로 AI 연구를 쉽고 정확하게 설명하는 ‘딥마인드: 팟캐스트(DeepMind: The Podcast)’ 시리즈를 시작하며 대중과의 소통을 강화했다.8 이는 AI 기술의 사회적 영향력이 커짐에 따라, 대중의 이해와 지지를 얻는 ’사회적 운영 라이선스(social license to operate)’를 확보하는 것이 연구 개발의 지속 가능성을 위해 필수적이라는 인식이 반영된 행보이다.

특히 2019년 8월 20일에 공개된 시리즈의 네 번째 에피소드 “AI, Robot“은 공상과학 영화에 등장하는 초지능 로봇의 이미지와 실제 DeepMind 연구실에서 개발 중인 로봇 기술 사이의 현실적인 간극을 조명했다.8 이 에피소드는 로봇 공학 연구의 현재 수준과 당면 과제, 그리고 미래 비전을 대중의 눈높이에서 전달함으로써, 기술에 대한 막연한 기대나 공포 대신 현실에 기반한 이해를 돕고자 했다. 이는 DeepMind가 단순히 기술 개발에만 몰두하는 것을 넘어, AI 기술에 대한 사회적 담론을 형성하고 이끌어가려는 책임감 있는 자세를 보여주는 사례라 할 수 있다.

4. 컴퓨터 비전 및 자연어 처리 분야의 학술적 성과

2019년 하반기에는 컴퓨터 비전과 자연어 처리 분야의 양대 최고 학회인 ICCV와 ACL이 개최되어, 각 분야의 최신 연구 성과를 공유하는 장이 열렸다. 이들 학회에서 발표된 주요 연구들은 인식 기술의 한계를 확장하고 언어 모델의 근본적인 문제를 해결하려는 노력을 보여주었다.

4.1 ICCV 2019: 인식의 한계를 넘어서

2019년 10월 서울에서 개최된 국제 컴퓨터 비전 학회(ICCV 2019)에서는 4,303편의 제출 논문 중 단 4.6%만이 구두 발표(oral presentation)로 선정될 만큼 치열한 경쟁 속에서 주목할 만한 연구들이 발표되었다.10

4.1.1 Seeing Motion in the Dark

이 연구는 1 lux 이하의 극도로 어두운 환경에서 촬영된 원시(raw) 비디오 데이터로부터 노이즈를 제거하고 선명한 동영상을 복원하는 어려운 과제에 도전했다. 연구팀은 동적 장면에 대한 고품질의 정답 데이터를 확보하기 어렵다는 문제를 해결하기 위해, 정적 장면의 비디오로 훈련된 샴 네트워크(siamese network)가 동적 장면에 대해서도 일반화될 수 있는 새로운 학습 파이프라인을 제안했다. 특히, 비디오 프레임 간의 시간적 일관성(temporal stability)을 유지하도록 특별히 설계된 손실 함수를 도입하여 결과물의 품질을 획기적으로 개선했다.12 이 연구는 기존의 프레임 단위 처리 방식이나 여러 장의 사진을 합성하는 버스트(burst) 처리 방식보다 우수한 성능을 보이며, 야간 감시나 자율주행과 같이 저조도 환경에서의 컴퓨터 비전 기술 응용 가능성을 크게 넓혔다.12

4.1.2 Habitat: A Platform for Embodied AI Research

최우수 논문상 후보에 오른 이 연구는 물리적 세계와 상호작용하며 학습하는 지능형 에이전트, 즉 ‘체화된 AI(Embodied AI)’ 연구를 위한 표준화된 고성능 시뮬레이션 플랫폼 ’Habitat’을 제안했다.10 Habitat은 사실적인 3D 환경 렌더링 기능과 초고속 시뮬레이션 속도를 결합하여, AI 에이전트가 가상 환경에서 대규모의 시행착오를 통해 학습할 수 있는 환경을 제공한다.15 ImageNet 데이터셋이 딥러닝 기반 이미지 인식 연구의 폭발적 성장을 촉발했듯이, Habitat과 같은 표준화된 시뮬레이션 플랫폼의 등장은 재현 가능하고 공정하게 비교 가능한 체화된 AI 연구를 위한 필수적인 인프라 구축의 시작을 의미한다. 이는 AI 연구의 패러다임이 인터넷상의 정적인 데이터를 학습하는 것을 넘어, 가상 세계와의 동적인 상호작용을 통해 지능을 습득하는 방향으로 진화하고 있음을 상징하는 중요한 이정표이다.

4.2 ACL 2019: 언어 모델의 근본적 문제 해결

2019년 7월 이탈리아 피렌체에서 열린 계산언어학회(ACL 2019)에서는 총 661편의 정규 논문이 발표되었으며, 언어 모델의 성능을 넘어 근본적인 한계를 개선하려는 연구들이 주목받았다.16

4.2.1 최우수 논문 심층 분석: Bridging the Gap between Training and Inference for Neural Machine Translation

ACL 2019 최우수 장편 논문상(Best Long Paper Award)을 수상한 이 연구는 신경망 기계 번역(NMT) 모델의 고질적인 문제인 ’노출 편향(Exposure Bias)’을 해결하기 위한 효과적인 방법을 제시했다.18

• 문제 정의 (Exposure Bias): NMT 모델은 훈련 과정에서 항상 정답 단어를 다음 시점의 입력으로 제공받는 ‘교사 강요(teacher forcing)’ 방식으로 학습한다. 이는 학습을 빠르고 안정적으로 만들지만, 모델을 ’온실 속 화초’처럼 만든다. 실제 번역(추론) 시에는 이전에 자신이 직접 생성한, 잠재적으로 오류를 포함할 수 있는 단어를 다음 입력으로 사용해야 하는데, 훈련 때와 다른 이러한 환경에 노출되면 초반의 작은 예측 오류가 뒤로 갈수록 누적되어 번역 품질이 급격히 저하되는 문제가 발생한다. 이것이 바로 노출 편향이다.20

• 방법론: 연구팀은 이 문제를 해결하기 위해 훈련 과정에 일종의 ’예방 접종’을 주입하는 방식을 제안했다. 즉, 훈련 시 항상 정답 단어만 보여주는 대신, 일정 확률로 모델 자신이 생성할 가능성이 높은 최적의 단어, 즉 ’신탁 단어(Oracle Word)’를 샘플링하여 다음 입력으로 사용하는 것이다. 이 신탁 단어는 개별 단어 수준의 확률이나 문장 전체의 번역 품질(BLEU 점수)을 기준으로 선택된다.22 이 방식을 통해 모델은 훈련 단계에서부터 스스로의 잠재적 실수를 경험하고, 그로부터 회복하는 방법을 학습하게 된다.

• 결과: 제안된 방법은 훈련 환경을 실제 추론 환경과 유사하게 만들어 모델의 강건성을 크게 향상시켰다. 중국어-영어, 영어-독일어 번역 과제에서 기존의 RNN 기반 모델과 강력한 Transformer 모델 모두에서 일관되게 BLEU 점수가 향상되는 결과를 얻어 그 효과를 입증했다.20 이 연구는 단순히 더 큰 모델을 만드는 경쟁을 넘어, 기존 모델의 훈련 방식에 내재된 근본적인 결함을 깊이 있게 탐구하고 실용적인 해결책을 제시했다는 점에서 높은 평가를 받았다.

5. AI 기술 패권과 산업 정책: 중국의 ‘중국 제조 2025’

2019년 8월, 기술 연구의 최전선에서 벌어지는 발전과는 또 다른 차원에서 AI 기술의 지정학적 중요성을 보여주는 움직임이 있었다. 중화인민공화국 과학기술부는 지능형 로봇 기술 및 산업 개발을 가속화하기 위해 약 4억 위안(약 5억 7,700만 달러) 규모의 대규모 예산이 투입되는 국가 중점 과제를 발표했다.23

이 투자는 단순히 개별 기술 개발에 그치지 않고, 기초 첨단 이론 연구부터 공통 핵심 기술, 주요 장비 개발, 그리고 실제 산업 응용에 이르기까지 로봇 산업의 가치 사슬 전반을 포괄하는 종합적인 계획의 일환이다. 이는 중국 정부의 제조업 고도화 전략인 ’중국 제조 2025(Made in China 2025)’와 직접적으로 연결된다. 이 전략은 10대 핵심 첨단제조업 분야를 선정하여 집중적으로 육성하는 것을 목표로 하며, ’로봇’은 그중 하나로 명시되어 있다.23

이러한 중국의 행보는 AI 기술 발전의 두 가지 상이한 동력을 명확하게 보여준다. 한편에는 OpenAI나 DeepMind와 같이 민간 연구소가 인공일반지능(AGI)과 같은 장기적인 비전을 바탕으로 연구를 주도하며 기술의 최전선을 개척하고 그에 따른 사회적 책임까지 고민하는 ‘상향식(bottom-up)’ 혁신 모델이 있다. 다른 한편에는 중국처럼 국가가 명확한 산업적 목표(제조업 경쟁력 강화)를 설정하고, 이를 달성하기 위해 막대한 자원을 동원하여 기술 개발을 견인하는 ‘하향식(top-down)’ 국가 주도 전략이 존재한다. 2019년 8월은 이 두 접근 방식의 특징이 뚜렷하게 드러나기 시작한 시점으로, AI 기술 개발의 동력이 순수한 학문적 호기심을 넘어 국가의 미래 경쟁력을 좌우하는 핵심 전략 자산의 차원으로 격상되었음을 보여준다.

6. 결론 및 종합 분석

2019년 8월에 발표된 AI 및 로봇 분야의 주요 연구들은 2020년대 기술 지형을 예고하는 네 가지 핵심적인 흐름을 종합적으로 보여준다.

첫째, **규모의 확장과 그에 따른 책임(Scale & Responsibility)**이다. OpenAI의 GPT-2 단계적 공개는 모델의 규모가 곧 성능으로 직결된다는 ’스케일링 법칙(Scaling Law)’의 서막을 열었으며, 동시에 그 강력한 힘에 걸맞은 책임 있는 연구 개발 패러다임의 필요성을 전 세계에 각인시켰다. 이는 기술 개발이 사회적 합의와 윤리적 고찰을 동반해야 한다는 새로운 표준을 제시했다.

둘째, **체화와 상호작용(Embodiment & Interaction)**이다. ICCV에서 발표된 Habitat 플랫폼과 IROS의 다양한 연구들은 AI가 인터넷의 정적인 데이터를 처리하는 것을 넘어, 동적인 물리 세계와 상호작용하며 학습하는 ’체화된 AI’로 나아가고 있음을 명확히 했다. 이는 지능의 본질이 수동적 인식을 넘어 능동적 행동과 환경과의 상호작용에 있다는 관점을 반영한다.

셋째, **이론과 실제의 접점(Bridging Theory and Practice)**이다. ACL과 IROS의 최우수 논문들은 각각 신경망 기계 번역의 ‘노출 편향’ 문제와 로봇 조작의 ’안전-적응 딜레마’를 해결하기 위해 이론적으로 정교하면서도 실제 시스템에서 효과적인 해법을 제시했다. 이는 AI 연구가 성숙기에 접어들면서, 화려한 성능 경쟁을 넘어 실제 응용에 필요한 견고하고 신뢰할 수 있는 솔루션을 지향하고 있음을 보여준다.

넷째, **기술 패권 경쟁(Geopolitical Competition)**이다. 중국의 ‘중국 제조 2025’ 전략에 기반한 대규모 투자는 AI와 로봇 기술이 더 이상 학계와 산업계의 관심사를 넘어, 국가의 미래 경제와 안보를 좌우하는 핵심 전략 자산으로 부상했음을 명백히 했다.

이러한 네 가지 흐름들은 서로 복잡하게 맞물리며 이후 AI 기술의 폭발적인 성장을 견인했다. 대규모 모델은 체화된 AI의 ’두뇌’가 되었고, 이론적 한계 극복은 이들의 성능을 더욱 고도화했으며, 국가 간 경쟁은 이 모든 과정에 막대한 자원을 쏟아붓는 촉매제가 되었다. 이런 관점에서 2019년 8월은 다가올 거대한 변화의 문턱에 서 있던 결정적인 순간으로 기록될 것이다.

7. 참고 자료

1. GPT-2: 6-month follow-up | OpenAI, https://openai.com/index/gpt-2-6-month-follow-up/
2. Language Models are Unsupervised Multitask Learners | OpenAI, https://cdn.openai.com/better-language-models/language_models_are_unsupervised_multitask_learners.pdf
3. Better language models and their implications - OpenAI, https://openai.com/index/better-language-models/
4. IROS 2019 - Macau, https://www.iros2019.org/
5. Best Paper Award - IROS 2019 - Macau, https://www.iros2019.org/awards
6. Planning Reactive Manipulation in Dynamic Environments, http://ais.informatik.uni-freiburg.de/publications/papers/schmitt19iros.pdf
7. domino.informatik.uni-freiburg.de, http://domino.informatik.uni-freiburg.de/publications/bib_bib.html
8. Welcome to the DeepMind podcast - Google DeepMind, https://deepmind.google/discover/blog/welcome-to-the-deepmind-podcast/
9. Stacking our way to more general robots - Google DeepMind, https://deepmind.google/discover/blog/stacking-our-way-to-more-general-robots/
10. Five papers accepted to ICCV 2019 - Vladlen Koltun, https://vladlen.info/five-papers-accepted-iccv-2019/
11. CV - Vladlen Koltun, http://vladlen.info/documents/koltun-cv.pdf
12. Publications - Vladlen Koltun, http://vladlen.info/publications/
13. Computer Vision News - RSIP Vision, https://www.rsipvision.com/ComputerVisionNews-2019December/Computer%20Vision%20News.pdf
14. Erik Wijmans, https://wijmans.xyz/
15. Sensorimotor Control and Simulation - Vladlen Koltun, https://vladlen.info/projects/sensorimotor-control/
16. Annual Meeting of the Association for Computational Linguistics (2019) - ACL Anthology, https://aclanthology.org/events/acl-2019/
17. Proceedings of the 57th Annual Meeting of the Association for Computational Linguistics, https://aclanthology.org/P19-1000/
18. Winners of ACL 2019 Best Paper Awards - ACL 2019, https://acl2019.org/EN/winners-of-acl-2019-best-paper-awards.xhtml.html
19. Yang Feng - 冯洋-中国科学院大学-UCAS, https://people.ucas.edu.cn/~yangfeng?language=en
20. Bridging the Gap between Training and Inference … - ACL Anthology, https://aclanthology.org/P19-1426.pdf
21. Bridging the Gap between Training and Inference for Neural Machine Translation - Semantic Scholar, https://pdfs.semanticscholar.org/6d5c/9406ba4407b9e990298aca5c708ee7b3fa66.pdf
22. Bridging the Gap between Training and Inference for Neural Machine Translation - IJCAI, https://www.ijcai.org/proceedings/2020/0667.pdf
23. 미래형 제조로봇, https://ssl.pstatic.net/imgstock/upload/research/industry/1594859112366.pdf