World UBE Society Workshop 2026 · Session 3. WUBE think tank
AI, 어디서부터
시작할까요?
Woon Tak Yuh, M.D.
Spine Center, Chamjoeun General Hospital, Korea
현기증 나는 AI 격차
가파른 깔때기 — by Andrej Karpathy
오늘의 목표
한 층 내려가기 ↓
A. Karpathy, X post, 2026-10-12 · 숫자는 원문의 어림셈
The Anatomy of an AI System
엔진 = 모델
만들고, 튜닝한다
harness = 엔진을 뺀 차 전부
몸체 · 공기역학 · 서스펜션 · 바퀴
타이어 · 변속기
타이어 · 변속기
엔진 모드 = effort
Eco · Normal · Max Power
올리면 힘은 세지고, token과 시간은 더 든다
올리면 힘은 세지고, token과 시간은 더 든다
도로 = 일 · 목적
길이 필요한 힘을 정한다
고르는 기준: 성능 · 비용 · 시간
Pre-training: Engine Design
모델 뼈대 만들기
~2023
웹 글
공개 웹을 거의 다 학습 · 데이터도 같이 키움 (Chinchilla)
2024
바닥
“Pre-training as we know it will end” — Sutskever 2024
2024–25
종이책
중고 종이책 수백만 권 → 제본 뜯고 스캔 → 종이 폐기
2025
전문가 자료
의사·변호사가 문제·정답을 만든다 · Mercor 100억 달러
2023–26
영상
Gemini (2023) · Kimi K3 (2026): 비디오까지
파라미터 = 배기량 · MoE는 일부만
| 연도 | 모델 | 총 | 활성 | 학습 token |
|---|---|---|---|---|
| 2019 | GPT-2 | 1.5B | 전부 | 비공개 |
| 2020 | GPT-3 | 175B | 전부 | 0.3T |
| 2022 | PaLM | 540B | 전부 | 0.78T |
| 2024 | Llama 3.1 | 405B | 전부 | 15.6T |
| 2024 | DeepSeek-V3 | 671B | 37B | 14.8T |
| 2025 | Kimi K2 | 1T | 32B | 15.5T |
| 2026 | DeepSeek-V4-Pro | 1.6T | 49B | 32T+ |
| 2026 | Kimi K3 | 2.8T | 104B | 비공개 |
| 2023 | GPT-4 | 총 약 1.8T (추정·보도) 나머지 비공개 | ||
수백만 권을 사서 → 제본을 뜯어 스캔하고 → 종이는 버렸다
미 연방법원 판결문 (Bartz v. Anthropic, 2025-06-23)
코드를 먹이면 코드 성능 최대 12배
(작은 모델, Cohere 2024)
(작은 모델, Cohere 2024)
전문가 자료 — 정답지를 만드는 산업
의사·변호사가 문제와 모범답안을 쓴다
시간 단위로 고용된다
시간 단위로 고용된다
Mercor 전문가 3만 명+ · 기업가치 100억 달러
Scale AI · Meta가 143억 달러 투자 (2025.6)
HealthBench — 의사 262명이 채점 기준 작성
Scale AI · Meta가 143억 달러 투자 (2025.6)
HealthBench — 의사 262명이 채점 기준 작성
의학은 만들기 어렵다
정답이 진료실 밖, 시간이 지난 뒤에 생긴다
정답이 진료실 밖, 시간이 지난 뒤에 생긴다
✉Expert response request
Parkinson's disease · Rheumatoid arthritis
Parkinson's disease · Rheumatoid arthritis
위협이자 기회
우리 지식이 다음 모델의 기능이 된다
우리 지식이 다음 모델의 기능이 된다
키울수록 똑똑해졌다 — 그런데 여전히
지어내고, 시키는 대로 안 하고, 틀렸다
지어내고, 시키는 대로 안 하고, 틀렸다
논문·모델 카드 · GPT-4: SemiAnalysis·Epoch AI 추정 · Sutskever 2024 · Bartz v. Anthropic · TechCrunch · Gemini · Kimi K3 · Aryabumi
Post-training: Engine Tuning
모델 튜닝하기 — 누가 채점하나
SFTRL→RLHF→RLVR 채점 → 결과
키우기만으론 부족RL: 점수로 배운다RLHF: 사람이 채점 → 그럴듯함RLVR: 정답지로 채점 → 진짜 맞은 답
왜 튜닝?Post-training이 필요한 이유
모델만 키운다고 되는 게 아니구나
1.3B
사람 피드백으로 튜닝
>
175B
튜닝 안 한 GPT-3
100배 작은 튜닝 모델의 답이 더 선호됐다
InstructGPT, Ouyang 2022
엔진도 세기만 하면 될 줄 알았는데,
차에 쓸 수 있게 다듬는 튜닝이
차를 만들더라
차에 쓸 수 있게 다듬는 튜닝이
차를 만들더라
전문가가 만든 정답지로 튜닝한다
튜닝 1단계 · SFT Supervised Fine-Tuning, 지도 학습
사람이 쓴 모범 답안을 보여 주고 그대로 따라 하게 한다 — 질문하면 대답하는 ‘말투’가 여기서 생긴다
그다음 단계: 모범 답안 없이, 점수로 배운다 (RL) →
AlphaGo vs 이세돌 9단 · 2016년 3월 서울 · 4 : 11국 12수2국 · 돌을 던지다2연패 뒤4국 · 인간의 1승
이세돌 9단 인터뷰
1국“12번째 수부터 ‘잘 두는구나’ 생각은 했습니다”
2국“2국은 정말 충격적이었어요”
“왜 졌는지 정확하게 몰라요”
“왜 졌는지 정확하게 몰라요”
그리고“나만의 패배가 아니구나”
알파고는 매 수 이길 확률(승률)이 가장 높은 수를 둔다
사람은 감각으로, 알파고는 결과(승패)로 배웠다
사람은 감각으로, 알파고는 결과(승패)로 배웠다
RLReinforcement Learning · 강화학습
해 보고, 결과를 보고 →
보상으로 배운다
보상으로 배운다
보상 +원하는 결과가 나오면 그 행동을 더 하게
보상 없음아니면 점점 덜 하게
정답(모범 답안)은 가르쳐 주지 않는다 — 결과에 대한 보상만 준다
바둑은 이기면 보상, 지면 없음 — 분명하다
대화는, 진료는 누가 보상을 매기나?
대화는, 진료는 누가 보상을 매기나?
ChatGPT GPT-3.5 기반 · 2022년 11월
어떻게
답 A
vs
답 B✓
사람이 두 답 중 더 나은 쪽을 고른다
RLHF
Reinforcement Learning from Human Feedback
사람 피드백으로 하는 강화학습
사람 피드백으로 하는 강화학습
지금 우리가 아는 챗봇의 시작
사람이 좋아할 말을 하도록
‘사회화된’ 대화형 모델
사람이 좋아할 말을 하도록
‘사회화된’ 대화형 모델
얻은 것
말을 알아듣고 친절해졌다
잃은 것 — 좋아할 말 ≠ 맞는 말
선호를 강화하지, 사실을 강화하지 않는다
긴 답 선호 (Singhal 2023) · 아첨 (Sharma 2023)
‘모르겠습니다’보다 자신 있게 찍은 전공의가 더 좋은 평가를 받는 것과 같다
의료 현장 (원인 미확정): “Are you sure?” 한마디에 진단 51.8% → 42.2% · 지어낸 참고문헌 26.4%
사람은 ‘맞았나’가 아니라 ‘그럴듯한가’를 채점했다
→ 그래서 AI는 그럴듯하게 지어내는 법을 배웠다
그래서 필요했던 것: 사람 대신 정답지로 채점하기
→ 그래서 AI는 그럴듯하게 지어내는 법을 배웠다
그래서 필요했던 것: 사람 대신 정답지로 채점하기
RLVRReinforcement Learning with Verifiable Rewards
(검증 가능한 보상)
(검증 가능한 보상)
RLHF사람이 고른다 → 그럴듯한 답에 보상
RLVR정답지로 채점 → 진짜 맞은 답에만 보상
전공의로 치면
0점감으로 바로, 그럴듯하게 답한 전공의 — 틀렸다
100점오래 따져 보고 답한 전공의 — 맞혔다
정답지로 채점 → 맞히면 보상
길이가 아니라 정답 여부가 보상을 정한다 → 그러면 무슨 일이?
Yuh WT, et al. JKNS 2026 · Ouyang 2022 · DeepMind · Singhal 2023 · Sharma 2023 · Samsel 2026 · Jain 2026 · Guo 2025 (CC BY) · Kalai 2025 · 영상: EBS 〈시대목격〉
RLVR: How It Became the Standard
1씨앗 2022–23
2022.1
Chain-of-Thought Google
'단계별로 생각해 보라' — 질문만 바꿔도 수학 ↑
2022.3
STaR Stanford
스스로 푼 풀이 중 정답 맞은 것만 다시 학습
2023.5
Let's Verify Step by Step OpenAI
풀이 단계마다 채점 (과정 보상)
2결과가 먼저 2024
2024.2
DeepSeekMath DeepSeek
강화학습 알고리즘 GRPO 등장
2024.9
o1-preview OpenAI
'오래 생각할수록 잘한다' — 방법은 비공개
2024.11
Tülu 3 AI2 · 비영리 연구소
'RLVR'이라는 이름이 처음 붙다
2024.12
o3 발표 OpenAI
같은 방향을 더 크게
3공개 → 대명사 2025
2025.1
DeepSeek-R1 오픈 웨이트
정답 채점만으로 생각이 길어졌다
'aha moment' · 방법·가중치 전부 공개
'aha moment' · 방법·가중치 전부 공개
2025.1–3
재현 붐 Kimi k1.5 · Open-R1 · TinyZero
작은 모델로도 따라 된다
2025.2–4
모두 생각하는 모드 Claude · Gemini · Qwen
effort(엔진 모드)가 표준이 되다
2025.4
반론 Yue 외
'새 능력이 아니라, 있던 걸 꺼낼 뿐' — 논쟁 중
2025.9
R1, Nature 게재 Guo 외
엔진 학습 $5.6M → 추론 RL $0.29M
1/20 비용으로 생각하는 모델이 됐다
1/20 비용으로 생각하는 모델이 됐다
Nature 645:633–638 (2025.9.17) · open access · doi 10.1038/s41586-025-09422-z
결과는 OpenAI가 먼저 보여 주고 → 이름은 비영리 연구소가 붙이고 → DeepSeek가 전부 공개하면서 대명사가 됐다
Wei 2022 · Zelikman 2022 · Lightman 2023 · Shao 2024 · OpenAI 2024 · Lambert 2024 · Guo, Nature 2025 · DeepSeek-V3 기술보고서 2024 · Reuters 2025-09-18 · Yue 2025
RLVR: Then It Learned to Think Longer
정답에 보상 → 되짚기·검산이 발달 → 더 깊은 추론
응답이 저절로 길어졌다 — ‘wait’·‘check’
되짚기와 검산이 스스로 생겼다
되짚기와 검산이 스스로 생겼다
그래서 성능이 올랐다
AIME · DeepSeek-R1-Zero (2025.1)
15.6% → 77.9%
다른 모델: GPT-4o (2024.5) 12% → o1 (2024.9) 74%
얻은 능력: reasoning · 생각 시간을 고른다 = 엔진 모드
한계: 정답이 없으면 모를 때 찍는다
o1 16% → o3 (2025.4) 33% · OpenAI 내부 평가, Kalai 2025
o1 16% → o3 (2025.4) 33% · OpenAI 내부 평가, Kalai 2025
정답으로 채점할 수 있다 = Verifiable Reward로 학습할 수 있다 → 수학 · 코딩이 먼저 정복됐다
수학계는 지금 충격 속 — IMO 금메달급 (2025.7) → 에르되시 난제들 → 밀레니엄 난제 Navier–Stokes 증명 주장 (2026.9, 검증 중) → 논문 722편 공개 (2026.10)
Guo 2025, Nature (CC BY) · OpenAI 2024 · Kalai 2025 · Quanta 2026.8–9 · IMO 2025 · AI Frontier EP114·118 (2차)
Harness: Everything but the Engine
말 = 모델 · 마구(馬具) = harness
말의 힘을 수레를 끄는 일로 바꾸고, 고삐로 방향을 잡는다
harness = 내가 짜는 업무 매뉴얼 — CLAUDE.md · AGENTS.md 같은 파일
harness 거의 없이 (바닐라)
채팅 모드회사가 정한 그대로가벼운 harness
Cowork지침 · 도구를 조금 붙인다무거운 harness
Code매뉴얼을 세세하게 짠다- 정해진 방식으로 한 번 답한다
- 어떻게 일할지는 손댈 수 없다
- 검증은 내가 따로 한다
- 프로젝트 지침 · 자료 폴더 지침
- 쓸 도구를 고른다 도구
- 절차는 대부분 AI에 맡긴다
- 자료는 어디서, 진실성은 어떻게 수집
- 몇 번 돌려 서로 비교 검증할지 루프
- subagent 몇 개로 나눠 협업할지 분업
같은 모델이라도 내 일에 맞춘 harness가 결과를 끌어올린다
남이 만들어 둔 harness를 가져다 쓰고, 내 일에 맞게 직접 짜기도 한다
단, 모델이 바뀌면 옛 harness가 짐이 된다 — 눈가리개를 벗긴 개량종 말은 주변을 살피며 더 잘 달린다
Who Builds the Car?
완성차
엔진부터 차까지 직접
엔진 공개
엔진 설계도(가중치)까지 공개
가져다 내 서버에서 돌리고 · 내 차고에서 직접 튜닝
harness만
남의 엔진을 사서 끼운다
OmO대다수 사용자: 기성 완성차를 탄다
ChatGPT · Claude 앱(채팅 모드) — 웬만한 일상의 길은 다 갈 수 있다
소수: 엔진과 harness를 골라 조합
특수한 길을 위한 성능을 만든다 — 서킷 · 비포장 길 · 오르막, 사막까지
엔진은 사다 쓰면 된다 — 내 진료라는 길, 거기 맞는 차는 의사가 안다 · 같은 성능의 값, 2년 만에 1/280 (GPT-3.5 수준)
Stanford HAI, AI Index Report 2025
Inference: Driving the Engine
Inference = 엔진을 돌려 답 뽑기
연료(token)를 넣고 한 사이클씩
연료(token)를 넣고 한 사이클씩
질문 하나가 답이 되기까지 — 읽고, 생각하고, 쓰는 모든 token이 연료(사용량 한도) 소모
① 읽기 prefill
질문 · 자료 전체를
한 번에 읽기
한 번에 읽기
빠름 · 입력 token
→
② 생각 thinking
effort만큼 속으로
먼저 따져 보기
먼저 따져 보기
effort ↑ → token · 시간 ↑
→
③ 쓰기 decode
답을 token 하나씩 생성
매번 다음 token을 확률로 선택
매번 다음 token을 확률로 선택
길수록 느림 · 출력 token이 더 비쌈
질문
생각
답
다음 token 후보 (예시)
병목은 메모리
token 하나마다 모델 전체를
메모리에서 다시 읽어 오기
메모리에서 다시 읽어 오기
계산보다 느린 읽기 → HBM이 귀한 이유
대화가 길수록 무거워짐
앞 대화의 계산 결과 저장 · 재사용
= KV cache = AI의 context(작업 기억)
→ context 길수록 메모리 ↑
= KV cache = AI의 context(작업 기억)
→ context 길수록 메모리 ↑
128K token 대화 하나 ≈ 40GB (70B · H100 절반)
빠르게 vs 많이
여러 요청을 묶어 함께 처리 → 저렴
대신 한 사람의 속도 ↓
대신 한 사람의 속도 ↓
fast mode = 덜 묶어 빠르게, 대신 비쌈
OpenAI 추론 칩 (Jalapeño)
가운데 계산 칩을
메모리(HBM)가
둘러싼 구조
가운데 계산 칩을
메모리(HBM)가
둘러싼 구조
트럭 = 묶어서 (batching)
여러 요청을 한 번에 싣기
저렴 · 대신 각자 도착 늦음
여러 요청을 한 번에 싣기
저렴 · 대신 각자 도착 늦음
전용차 = fast mode
내 요청만 싣고 바로 출발
빠름 · 대신 비쌈
내 요청만 싣고 바로 출발
빠름 · 대신 비쌈
It’s all about tokens, electricity, compute — and money.
그래서 추론은 token 한 개의 값과 전기를 극한까지 깎는 기술 — 칩 · 메모리 · 배치까지 FLOPS가 아니라 token/$ · token/W
AI Frontier EP112 (2026-08-30) · 후보 확률은 설명용 예시
Agents: Hiring Drivers, Running a Company
나 = 사장
목표를 주고 · 확인하고 · 권한을 정한다
총괄 직원
일을 나눠 맡기고, 결과를 모은다
지시
보고 · 승인 요청
브라우저 업무 · 서류
고급 SUV · Cowork
밤샘 대량 작업
트럭 · 싼 엔진
코딩
오프로드 · Code
자료 모으기 · 요약
세단 · 채팅 모드
사장이 하는 일
고용일마다 맞는 차 · 엔진
지시메신저로 일을 맡긴다
통합총괄이 결과를 모은다
조절권한 · 예산(token)을 정한다
관리확인하고 승인한다
누구나 직원을 고용하는 시대
Grok BotxAI · 항상 켜진 agent
dotsOpenAI · 먼저 일을 찾는다
Claude DuetAnthropic · 먼저 연락
피클국내 · 전화 대신·KTX 예매
Hermes · OpenClaw오픈소스 · 내 컴퓨터에서
운전은 직원이, 나는 지시하고 확인하고 책임진다
xAI 2026-08-11 · OpenAI 2026-09-29 · Anthropic 2026-10-21 · 피클 앱 스토어 설명(2026-10) · Nous Research · openclaw.ai
How My Own Workflow Changed: Tradeoffs
Pros
Cons
context
= AI의 작업 기억
모델이 답을 만들 때
한 번에 읽는 모든 내용
- 내 질문 · 올린 자료 · 앞선 답 모두
- 크기에 한도: context window
(token 수로 센다) - 새 대화를 열면 비워진다
지금 최상위 모델은 약 1M token예: Claude Opus 5.5 1M
한국어는 더 적게 들어간다
한국어는 더 적게 들어간다
2026.1~
채팅 모드 + Projects
개인 DB · dashboard
기록·자료를 한곳에
기록·자료를 한곳에
어디서나 바로 · 설치 없음
폰에서도 이어서 (cloud)
연결된 앱(MCP)까지
폰에서도 이어서 (cloud)
연결된 앱(MCP)까지
기억 = 대화창 안의 context
새 대화마다 다시 설명 · 다시 첨부
내 컴퓨터 파일은 제한적
새 대화마다 다시 설명 · 다시 첨부
내 컴퓨터 파일은 제한적
5·6월~
Cowork 모드
chat + computer use
내 컴퓨터 파일에 직접 접근
내 컴퓨터 파일에 직접 접근
켜 둔 컴퓨터 원격 접속(dispatch)
— 되지만 제한적
— 되지만 제한적
8·9월~
CLI · coding tool
Claude Code 등
context 너머 파일로 기억
→ 긴 작업도 이어서
내 컴퓨터 위 agent 시스템
→ 긴 작업도 이어서
내 컴퓨터 위 agent 시스템
초기 설정이 번거로움
terminal · GitHub · Dropbox
SSH · Tailscale · tmux · herdr
remote control
terminal · GitHub · Dropbox
SSH · Tailscale · tmux · herdr
remote control
지금
Multi-agent
직원을 뽑고, 가르치고,
일 시키는 것과 똑같다
일 시키는 것과 똑같다
많은 일을 자동화
메신저로 어디서나 지시
BYOK — 토큰 바닥나면
다른 모델로 갈아끼움
→ 1인 기업처럼
메신저로 어디서나 지시
BYOK — 토큰 바닥나면
다른 모델로 갈아끼움
→ 1인 기업처럼
권한 분배 · 보안 관리
초반 세팅의 번거로움
초반 세팅의 번거로움
공짜는 없다 — 편할수록 기억이 짧고, 기억이 길수록 손이 간다 → 내 일에 맞는 지점을 고른다
My Side Project: SurgiCutAI — AI 수술 영상 편집 자동화
문제
내시경 수술 영상은 편집되지 않는다
- 소리 없이 녹화 → 해설이 없다
- 한 건 3~4시간 (추정) · 재시청 · 자르기 · 자막
- 교육엔 편집본 필수
길 A Fine-tuning · 도메인주의자
✔맞춤 학습 — 구조·기구·단계 등 목표에 맞게
✘공간 주석(Anatomical segmentation) + 시간 주석(Surgical phase)
✘라벨링 → 학습·검증 → 편집 기준·시간축 평가
✘술자·장비·기관 변화 → 데이터 보강·재검증
길 B Foundation Model · Scale주의자
✔별도 학습 없이 — 영상과 술식 설명을 제공
✘단계 이름 10/10 · 시점 1/9 (±90초, 1건)
✘45초 구간 분류 4/36 · 24개를 ‘bone work’로
✘무엇을 넣고 뺄지 = 집도의의 취향 · 정답이 없다
왜 영상을 잘 본다는 AI가 우리 수술 영상에선 안 되나
① 영상을 통째로 보지 않는다 — 키프레임을 잘라 본다
어디가 중요한지는 소리를 받아써서 안다 → 수술 영상은 소리가 없다
② 수술 영상은 거의 배우지 않았다
유튜브 영상은 수없이 학습 · 수술 영상은 적고
척추 내시경은 거의 없다 (추정)
척추 내시경은 거의 없다 (추정)
둘 다 한계 → 중간 길
우리의 길 — 해설을 앵커로
집도의가 핵심 순간에 한마디 무선 마이크→내시경 ↔ 수술실 영상 싱크 + DICOM→받아쓰기 + 수술기록 대조→해설·수술기록·영상 대조→자막 붙은 초안→술자 확정
무엇을 넣을지는 집도의가 수술 중 한마디로 정하고 — 다듬고 꾸미는 건 AI가 한다 · 파인튜닝 없음
프로젝트 기록 · 길 A: 학습 접근의 요구사항 · 길 B: Gemini 2.5 Flash 내부 탐색 테스트 (2026-08~09), 일반 성능 평가 아님
Auto-Drafted Edits: The Pipeline at Work
편집 화면 (시연 영상)
Videobook of Spinoscopyworldspinoscopy.com
My Agent Team: 만능 AI 하나가 아니라, 역할을 나눈 팀
입구는 하나
휴대폰
텔레그램
텔레그램
나 = 사장지시 → 승인 → 결과 수신
일은맥미니 1대 위의
agent들이 밤낮으로
agent들이 밤낮으로
→
Hermes agent 8명Nous Research · 텔레그램 비서팀
1,811누적 세션
13자동 정기 작업
220+Notion 완료 기록
Dakota총괄 비서AndrejAIBrian연구Warren자산·사업Lo운동Tibo발표·학회Elon임상Mary개인 기록 · 격리
h
herdr터미널 작업장
- 맥미니 1대에 터미널 38개 · 작업공간 9개
- 프로젝트별 Claude Code · Codex 상주
- 폰에서는 Moshi로 상태 확인 · 지시
A
Aside브라우저 대행 agent
- 텔레그램 연결 · 세션 179개
- 항공 · 호텔 견적, 예약, 메일 확인
- 서브에이전트 여러 개가 병렬 조사
오모냥OMO · oh-my-opencode
- 밤새 도는 연구 agent
- 3D spine 연구: 문헌 → 가설 → 설계 → 논문 초안
- overnight 진행 (9/28–10/3)
숫자: Dakota(Hermes) 집계, 2026-11-13 오전
AI conquers what can be graded by RLVR first.
The answer key for spine surgery is ours to write.
1대부분의 일은 기성 완성차로 충분하다
2하지만 차고에서 직접 맞추면,
갈 수 있는 길이 달라진다
갈 수 있는 길이 달라진다
3그 길과 목적지는 우리만 안다
암묵지 — 기록되지 않은 손끝의 노하우“We can know more than we can tell.” — Polanyi수술 영상과 해설중요 순간 · 위험 순간 · AHA! moment · 취향과 꿀팁Vertical 의료 데이터우리가 만들고, 우리가 접근할 수 있다
RLVR로 학습하기 어렵다
정답이 하나로 정해지지 않고, 상황 · 조건 · 경험에 따른 판단의 영역
AI가 가장 못 배운 곳이,정답이 하나로 정해지지 않고, 상황 · 조건 · 경험에 따른 판단의 영역
우리에게는 가장 큰 기회다
SurgiCutAI 아이디어만으로 정부 ‘모두의 창업’ 2기 선정 (약 8만 명 지원 · 8,000명 선발, 약 10:1)
A. Karpathy, X post, 2026-10-12
World UBE Society Workshop 2026 · Session 3. WUBE think tank
Thank you for
your attention.
Woon Tak Yuh, M.D.
Spine Center, Chamjoeun General Hospital, Korea
wubes.takmd.com
오늘 슬라이드, 여기서 다시 보실 수 있습니다
