1
00:00:00.564 --> 00:00:04.461
이번 시간에는 엔비디아가 바이오 산업에 집중하는

2
00:00:04.748 --> 00:00:07.463
그런 이유에 대해서 말씀을 드리겠습니다

3
00:00:07.760 --> 00:00:11.039
물론 엔비디아가 바이오 산업에 대해서

4
00:00:11.039 --> 00:00:13.901
관심을 갖는 것은 돈을 벌기 위해서 입니다

5
00:00:14.040 --> 00:00:18.921
그리고 바이오 산업에는 먹을게 많기 때문인데요

6
00:00:19.119 --> 00:00:24.446
빅파마 10개 회사가 랭킹 1위부터 10위까지 회사들이

7
00:00:24.446 --> 00:00:27.696
1년에 사용하는 연구개발 자금은

8
00:00:27.696 --> 00:00:30.959
우리나라 돈으로 환산하면 한 14조 원 정도 됩니다

9
00:00:30.959 --> 00:00:32.200
1개 기업이 사용하는

10
00:00:32.438 --> 00:00:35.493
그래서 10개 기업이 14조 원씩 사용한다면

11
00:00:35.493 --> 00:00:41.639
140조 정도의 자금이 10개 회사에서 사용이 되는 거죠

12
00:00:41.639 --> 00:00:46.334
근데 만약에 AI가 신약개발 그런 그 비용을

13
00:00:46.334 --> 00:00:49.919
10% 정도 줄일 수 있다 라고 생각하면 14조 원입니다

14
00:00:49.919 --> 00:00:51.506
이 10개 회사만 14조 원

15
00:00:51.506 --> 00:00:55.858
그러니까 이 14조 원에 대해서 절감한 14조 원을

16
00:00:55.996 --> 00:00:58.520
회사와 제약회사와 나누어 가질 수 있는 거죠

17
00:00:58.520 --> 00:01:01.777
그래서 그 엔비디아가 얼마나 혁신적으로

18
00:01:01.777 --> 00:01:06.440
신약개발을 앞당겨주느냐 비용을 절감하느냐 이것에 따라서

19
00:01:06.440 --> 00:01:12.110
전체적으로 엔비디아가 얼마나 많이 먹을 수 있느냐 하는게 갈릴 수 있는거죠

20
00:01:12.724 --> 00:01:15.760
그래서 엔비디아는 그러면 제약회사에게

21
00:01:15.760 --> 00:01:17.990
무엇을 제공하고 있을까 라는 점입니다

22
00:01:18.130 --> 00:01:20.475
제공하고 있는 것은 물론 이제

23
00:01:20.475 --> 00:01:23.700
신약개발하고 있는 솔루션을 제공을 하고 있습니다

24
00:01:23.918 --> 00:01:30.460
뭐냐면 크게 보면 엔비디아 DGX 클라우드라는 것을 제공을 합니다

25
00:01:30.460 --> 00:01:33.497
이 안에서 신약을 개발하기 위한

26
00:01:33.497 --> 00:01:37.860
그런 시스템을 훈련을 시키고 마련을 하세요 라는

27
00:01:37.860 --> 00:01:41.779
그 안에 가장 핵심적으로 역할을 하고 있는

28
00:01:41.779 --> 00:01:45.542
또 다른 AI가 있는데 바로 바이오네모입니다

29
00:01:46.797 --> 00:01:51.314
바이오네모는 클라우드 시스템 안에서 단백질에 포커스된

30
00:01:51.582 --> 00:01:54.709
바이오 분자 모델의 학습과 추론에

31
00:01:54.808 --> 00:01:59.162
주로 사용되는 AI다 라고 보시면 되죠

32
00:01:59.360 --> 00:02:04.901
그래서 일반 기업들은 아주 단순하게 만약에 정리를 한다 그러면

33
00:02:06.050 --> 00:02:08.522
엔비디아 클라우드 시스템 안에서

34
00:02:08.730 --> 00:02:12.218
우리가 만들고 싶은 그런 모델을 만들고 있고

35
00:02:12.347 --> 00:02:17.320
우리가 알고 싶은, 만들고 싶은 그런 약물을

36
00:02:19.549 --> 00:02:22.298
알아봐달라 라고 주문을 하고

37
00:02:22.417 --> 00:02:26.539
그리고 어느 모델이 결과를 내는

38
00:02:26.539 --> 00:02:28.960
그런 프로세스로 간다고 보시면 될 것 같아요

39
00:02:30.219 --> 00:02:38.101
그래서 엔비디아가 가지고 있는 시스템은 클라라 라는 시스템입니다

40
00:02:38.636 --> 00:02:44.372
그래서 바이오 그 안에 바이오네모라는 게 있는 거죠

41
00:02:44.976 --> 00:02:50.960
이 바이오네모는 엔비디아 헬스케어 전용 AI 플랫폼이라고 보시면 되고요

42
00:02:50.960 --> 00:02:54.714
이 클라라 안에 바이오네모도 있다고 보시면 됩니다

43
00:02:55.199 --> 00:03:01.200
그래서 주로 바이오네모가 신약 개발하는데

44
00:03:01.200 --> 00:03:03.480
전적으로 도움을 주고 있기 때문에

45
00:03:03.480 --> 00:03:07.523
바이오네모에 대해서 좀 알아볼 필요가 있겠다 라고 생각을 하는데요

46
00:03:07.919 --> 00:03:11.863
바이오네모는 염기서열이라든가 아미노산 등

47
00:03:12.090 --> 00:03:18.559
우리 몸속에 있는 여러 가지 대사, 물들, 오믹스들

48
00:03:18.559 --> 00:03:24.502
이러한 물질들에 대한 데이터들을 전부 다 학습을 합니다

49
00:03:24.918 --> 00:03:31.204
그래서 기초적인 학습을 다 마친 그런 단계로

50
00:03:31.511 --> 00:03:34.225
엔비디아가 만들어서 판매를 하는 거죠

51
00:03:34.800 --> 00:03:38.427
그렇게 어떻게 본다 그러면 이제 빵을 만들기 위해서

52
00:03:38.427 --> 00:03:41.272
반죽 상태로 잘 만든 상태에서

53
00:03:42.589 --> 00:03:46.871
준비된 상태에서 판매를 한다 라고 보시면 되겠습니다

54
00:03:47.069 --> 00:03:49.705
그러니까 그게 어떤 거냐면

55
00:03:51.289 --> 00:03:59.558
파운데이셔널 바이오 모레큘러 LLM 트레이닝이라는

56
00:03:59.726 --> 00:04:01.412
다소 복잡하긴 한데요

57
00:04:01.600 --> 00:04:06.570
그래서 이 클라라 시스템 같은 경우에는

58
00:04:06.570 --> 00:04:09.689
크게 세 가지로 나누어 볼 수가 있습니다

59
00:04:09.689 --> 00:04:13.683
하나는 단백질 의약품을 만드는

60
00:04:13.683 --> 00:04:18.213
즉 바이오 의약품을 개발하는 그런 모델

61
00:04:18.520 --> 00:04:22.118
그 다음에 화학 의약품을 개발하는 모델

62
00:04:22.415 --> 00:04:27.239
그리고 영상을 지원하는 모델 이렇게 크게 보면 세 가지입니다

63
00:04:27.329 --> 00:04:29.651
영상이라는 것은 구조입니다

64
00:04:29.651 --> 00:04:33.992
단백질의 구조 그 다음에 세포 안에 있는 물질들에 대한 구조를

65
00:04:34.309 --> 00:04:38.480
우리가 알 수 있는 그런 영상을 제공합니다

66
00:04:38.628 --> 00:04:44.039
첫 번째 바이오와 관련한 바이오 의약품과 관련한 곳에서는

67
00:04:44.277 --> 00:04:47.731
먼저 아까 말씀드린 파운데이셔널 LLM

68
00:04:47.890 --> 00:04:56.079
그러니까 기초가 되는 그런 LLM 반죽 상태의 거대 언어 모델을

69
00:04:58.445 --> 00:05:01.477
바이오네모가 제공을 하고요

70
00:05:01.586 --> 00:05:04.107
그 다음에 특화된 데이터

71
00:05:04.107 --> 00:05:06.656
예를 들어서 특정한 회사가 만약에 이

72
00:05:06.725 --> 00:05:08.979
바이오네모를 사용을 한다고 그러면

73
00:05:08.979 --> 00:05:14.927
자기에 맞는 그런 특화된 언어 모델로 다시 개선을 합니다

74
00:05:14.927 --> 00:05:18.480
그게 파인튜닝이라는 작업이라고 볼 수가 있는데요

75
00:05:18.480 --> 00:05:23.010
이런 과정들 속에 전부다 엔비디아 바이오네모가

76
00:05:24.079 --> 00:05:27.499
관여를 하고 있다고 보시면 될 것 같습니다

77
00:05:27.499 --> 00:05:35.282
그렇게 되면 특정한 회사에 특화된 그런 거대 언어 모델이 만들어지고

78
00:05:35.460 --> 00:05:40.749
그래야만 그 회사가 원하는 그런 대답을

79
00:05:40.888 --> 00:05:43.821
이 거대 언어 모델이 할 수 있다 `라는 거죠

80
00:05:45.187 --> 00:05:52.401
또 한 가지는 두 번째 말씀드린 화학의약품을 만들기 위한 모델입니다

81
00:05:52.401 --> 00:05:58.002
이 거대 언어 모델에서도 바이오네모가 사용이 됩니다

82
00:05:58.318 --> 00:06:03.455
하나는 분자와 분자 간의 도킹 결합과 관련한 모델

83
00:06:03.534 --> 00:06:11.722
두 번째는 단백질의 구조를 밝히는 바이오네모가 기여를 하는 거죠

84
00:06:12.760 --> 00:06:15.692
그렇게 해서 최종 단계에 가면

85
00:06:15.851 --> 00:06:19.451
단백질과 지질을 같이 시뮬레이션하는

86
00:06:19.451 --> 00:06:23.160
그로막스라는 프로그램이 다시 지원을 하게 됩니다

87
00:06:23.160 --> 00:06:29.200
이처럼 다양한 지원을 통해서 신규물질을 개발을 할 수 있다는 거고요

88
00:06:29.200 --> 00:06:36.399
맨 마지막에 설명을 드린 영상과 관련한 부분을 보면

89
00:06:36.399 --> 00:06:41.424
극저온 전자 현미경으로 분자 구조와 질병의 메커니즘에 대한

90
00:06:41.651 --> 00:06:45.359
인사이트를 제공하는 도구로서 사용을 하는데

91
00:06:45.478 --> 00:06:52.075
이때 머신러닝으로 극저온 전자 현미경의 구조에 대해서

92
00:06:52.312 --> 00:06:56.079
설명하는 과정을 가속화하게 됩니다

93
00:06:56.318 --> 00:07:06.640
이러한 플랫폼을 가지고 기업이 엔비디아 플랫폼을 사용하는 사례를 살펴보면

94
00:07:06.957 --> 00:07:10.079
먼저 암젠을 예를 들 수 있을 것 같습니다

95
00:07:10.079 --> 00:07:15.050
암젠은 단백질을 디자인하고 단백질의 성질을 예측하고

96
00:07:15.050 --> 00:07:18.239
또 신약 개발을 가속화하기 위해서

97
00:07:18.239 --> 00:07:25.200
엔비디아 DGX 클라우드 모델 그리고 바이오네모를 사용하고 있습니다

98
00:07:25.398 --> 00:07:31.789
암젠의 신약 개발 분야는 관절염, 빈혈, 염증, 항암 등인데요

99
00:07:32.324 --> 00:07:38.900
바이오 신약 개발을 가속화하기 위해서 AI 또는 머신러닝을 사용해서

100
00:07:39.117 --> 00:07:43.040
거대하고 복잡한 분자를 디자인하고 있습니다

101
00:07:43.040 --> 00:07:46.489
암젠은 단백질 특징을 예측할 수 있는

102
00:07:47.102 --> 00:07:53.600
암젠이 소유한 데이터로 학습시킨 거대 언어모델을 만들고 있습니다

103
00:07:53.679 --> 00:08:02.399
그러니까 엔비디아가 제공한 기본적인 틀이 되는 거대 언어모델을 가지고

104
00:08:02.518 --> 00:08:04.926
자신만의 자신이 가지고 있는

105
00:08:04.926 --> 00:08:09.055
즉 암젠이 가지고 있는 데이터로 따로 학습을 시켜서

106
00:08:09.303 --> 00:08:12.832
특화된 거대 언어모델을 만든 거죠

107
00:08:13.377 --> 00:08:19.330
이 언어모델을 사용해야 암젠이 원하는 질문에 대한

108
00:08:19.330 --> 00:08:21.960
답을 할 수가 있게 되는 겁니다

109
00:08:22.050 --> 00:08:27.559
그래서 전통적인 바이오 연구에서는 수백만 개의 분자와 임상 테스트를 거쳐서

110
00:08:27.559 --> 00:08:34.878
후보물질을 선정해야 하기 때문에 많은 시간과 비용이 들어갑니다

111
00:08:34.878 --> 00:08:45.890
그렇지만 DGX 클라우드 안에서는 접속부터 거대 언어모델 학습까지

112
00:08:45.890 --> 00:08:50.742
단 며칠 만에 처리를 할 수 있게 되는 거죠

113
00:08:51.099 --> 00:08:55.762
암젠은 엔비디아 플랫폼을 사용해서 바이오 분자, LRM을 위한

114
00:08:56.178 --> 00:09:01.119
AI 인프라를 만들고 유지할 수 있다고 볼 수 있습니다

115
00:09:01.119 --> 00:09:05.775
그리고 AI와 머신러닝 툴을 사용해서 신약물질을 선별하고

116
00:09:05.775 --> 00:09:09.679
또 최적화하는 작업을 가속화할 수 있는 거죠

117
00:09:10.035 --> 00:09:14.426
암젠은 바이오네모를 도입해서 세계 최대 규모의

118
00:09:14.426 --> 00:09:19.010
인체 데이터셋을 분석하는 생성형 AI 모델

119
00:09:19.010 --> 00:09:23.440
프레이야를 디코드 제네틱스 본사에 구축하고 있습니다

120
00:09:23.440 --> 00:09:28.799
디코드 제네틱스는 암젠이 다년간 AI 신약 개발을 위해 생성을 하고

121
00:09:28.799 --> 00:09:35.119
수집한 대규모 인체 데이터를 취합하고 분석하는 센터입니다

122
00:09:36.129 --> 00:09:39.824
엔비디아의 프레이야는 인구 300만 명에

123
00:09:40.607 --> 00:09:44.660
500개의 유전자 데이터가 저장이 되어 있습니다

124
00:09:44.660 --> 00:09:47.732
그래서 이 특정한 데이터들을 가지고

125
00:09:48.831 --> 00:09:55.050
엔비디아의 기초적인 LLM을 교육을 따로 시키게 되는 거죠

126
00:09:55.297 --> 00:09:59.547
그렇게 함으로써 암젠이 원하는

127
00:09:59.745 --> 00:10:03.582
그런 특화된 LLM을 개발할 수 있게 되는 겁니다

128
00:10:04.189 --> 00:10:11.149
이렇게 함으로써 데이터를 7배 더 빠르게 처리하고

129
00:10:11.149 --> 00:10:16.040
또 비용도 7분의 1로 줄일 수 있다고 설명을 하고 있고요

130
00:10:16.673 --> 00:10:20.917
이렇게 본다면 나중에 기초적으로

131
00:10:21.303 --> 00:10:25.900
엔비디아가 제공하는 LLM에서는 특화할 수가 없습니다

132
00:10:25.900 --> 00:10:29.000
그것은 모두가 비용을 주고 살 수가 있는 거죠

133
00:10:29.000 --> 00:10:32.686
그렇지만 주석이 딸린 그런

134
00:10:33.409 --> 00:10:37.363
자신들만이 가지고 있는 그 데이터, 그 데이터에서

135
00:10:37.590 --> 00:10:39.880
Value가 나온다고 보시면 될 것 같습니다

136
00:10:39.880 --> 00:10:45.672
따라서 향후에는 데이터의 중요성이 너무나도 커질 수밖에 없다는 것을

137
00:10:45.890 --> 00:10:47.632
우리가 알 수가 있는 거죠

138
00:10:49.810 --> 00:10:53.114
그래서 지금까지 설명드린 바이오네모는

139
00:10:53.114 --> 00:10:55.758
신약 개발을 하는 초기 단계의

140
00:10:55.758 --> 00:10:59.141
신약 물질 발굴에 적합한 거대 언어 모델입니다

141
00:10:59.141 --> 00:11:02.019
이게 끝났다고 해서 약이 만들어지는 건 아니죠

142
00:11:02.455 --> 00:11:10.559
그래서 만들어진 물질로 동물 실험, 임상 1, 2, 3단계를 다 거쳐야 합니다

143
00:11:11.134 --> 00:11:14.730
따라서 의학 산업은 규제 산업입니다

144
00:11:14.978 --> 00:11:17.359
그래서 규제를 뛰어넘기는 대단히 어려운 거죠

145
00:11:17.830 --> 00:11:22.522
그래서 개발 초기 단계의 신약 물질 발굴 단계에서

146
00:11:25.314 --> 00:11:30.529
바이오네모가 활약할 수 있다는 말씀을 드리고요

147
00:11:30.529 --> 00:11:34.441
암젠의 연구개발팀은 이 바이오네모를 사용해서

148
00:11:35.114 --> 00:11:38.600
어떻게 프로그램을 짤까에 고민하지 않고

149
00:11:38.699 --> 00:11:43.270
모델링에 집중을 할 수 있기 때문에 조금 더 효율적인 일

150
00:11:43.270 --> 00:11:45.656
그러니까 어떤 약을 만들면 좋을까?

151
00:11:45.656 --> 00:11:49.360
어떤 질문을 하면 좋을까에 집중할 수 있지 않을까?

152
00:11:49.360 --> 00:11:54.480
그렇게 함으로써 보다 효율적으로 일을 할 수 있다고 볼 수가 있겠습니다

153
00:11:55.114 --> 00:11:56.760
두 번째는 리커전인데요

154
00:11:56.760 --> 00:11:59.791
리커전은 엔비디아가 투자를 했습니다

155
00:11:59.979 --> 00:12:04.985
리커전 같은 경우에는 빅파마들과 협업을 해서

156
00:12:05.302 --> 00:12:07.200
신약을 개발하고 있는 회사입니다

157
00:12:07.799 --> 00:12:13.252
바이엘이라든가 로슈, 제넨텍 등 이런 기업들과 협업을 하고 있고요

158
00:12:13.460 --> 00:12:18.400
리커전은 50페타바이트의 자료를 가지고 있습니다

159
00:12:18.400 --> 00:12:24.511
아까 말씀드린 대로 정말 혁신적인 그런 물질을 발굴하고

160
00:12:25.640 --> 00:12:34.050
그 회사만이 요구하는 그런 독특한 혁신적인 물질을 발굴하기 위해서는

161
00:12:34.159 --> 00:12:37.620
그렇게 맞는 LLM을 개발을 해야 되는 거죠

162
00:12:37.620 --> 00:12:40.051
그러기 위해서는 자료가 필요한데

163
00:12:40.220 --> 00:12:43.841
바로 리커전은 많은 그런 데이터를 가지고 있다는 겁니다

164
00:12:44.891 --> 00:12:48.359
그래서 리커전은 엔비디아 클라우드 플랫폼에서

165
00:12:48.884 --> 00:12:54.749
이 AI 모델을 학습시키기 때문에 대단히 빨리 학습을 시키고 있다는 거죠

166
00:12:55.225 --> 00:13:00.200
그리고 향후에는 이 엔비디아는 리커전이 생성하는 이 AI 모델을

167
00:13:00.359 --> 00:13:08.842
생성형 AI용 클라우드인 바이오네모에서 라이센싱할 계획을 가지고 있습니다

168
00:13:10.802 --> 00:13:21.239
리커전의 바이오하이브2가 세계에서 가장 빠른 컴퓨터 목록

169
00:13:22.041 --> 00:13:24.960
TOP 35위에 올랐다는 소식이 있습니다

170
00:13:24.960 --> 00:13:27.798
이것은 엔비디아 기술을 통해서 신약 연구 개발을

171
00:13:28.095 --> 00:13:32.120
가속화한 결과라고 볼 수가 있는데요

172
00:13:33.298 --> 00:13:38.280
리커전의 과학자들은 바이오하이브2의 AI 모델을 통해서

173
00:13:38.280 --> 00:13:45.768
일주일에 약 200만 건의 임상을 진행하고 있다고 보시면

174
00:13:46.054 --> 00:13:47.182
아 죄송합니다

175
00:13:47.292 --> 00:13:52.602
약 200만 건의 실험을 수행하고 있다고 보시면 될 것 같습니다

176
00:13:53.869 --> 00:14:01.200
그래서 이러한 리커전은 바이오네모를 통해서

177
00:14:01.428 --> 00:14:04.778
자사라든가 아니면 협력사의 주요 파이프라인

178
00:14:05.035 --> 00:14:08.089
신약 개발을 지원할 수 있게 되는 거죠

179
00:14:09.099 --> 00:14:12.948
한 가지 참조할 점은

180
00:14:13.472 --> 00:14:16.591
파이프라인 중에 하나인 가장 앞선 파이프라인인

181
00:14:16.880 --> 00:14:23.400
대뇌 해면 기형 치료 물질 임상 2상 결과가 올해 3분기에 발표가 됩니다

182
00:14:23.400 --> 00:14:32.119
저는 이 임상 결과 발표가 대단히 중요하다고 생각하는데요

183
00:14:32.297 --> 00:14:35.440
AI로 발굴된 약물입니다

184
00:14:35.440 --> 00:14:40.800
임상 2상이라는 것은 치료 효과가 있느냐 없느냐를 증명하는 단계이거든요

185
00:14:40.800 --> 00:14:51.159
그래서 이 결과에 따라서 전체 AI로 발굴하는 약물에 대한 효율성이

186
00:14:51.713 --> 00:14:56.400
어떻게 보면 1차적으로 검증을 받을 가능성이 있지 않은가 라는 생각을 갖는 거죠

187
00:14:56.400 --> 00:14:58.993
그래서 어떻게 보면 기대도 되고 어떻게 보면

188
00:14:59.191 --> 00:15:06.081
굉장히 긴장해야 되는 상황이 도래하고 있다고 저는 보고 있습니다

189
00:15:07.596 --> 00:15:11.359
이처럼 엔비디아가 바이오 산업에 진출한 이유는

190
00:15:11.359 --> 00:15:16.132
신약 개발에 혁신적인 생성형 AI 플랫폼

191
00:15:16.400 --> 00:15:19.559
바이오네모 온 클라우드를 제공해서

192
00:15:19.698 --> 00:15:24.479
여기서 창출되는 절감한 비용과 또 시간을

193
00:15:28.330 --> 00:15:32.861
연구 개발하는 그런 신약 회사들하고 나누고자 하는 거죠

194
00:15:34.039 --> 00:15:34.742
여러분들

195
00:15:38.520 --> 00:15:42.272
아 이거 클로징 멘트가 이게 이제 끝난 거거든요

196
00:15:42.480 --> 00:15:46.409
그리고 나서 새로운 기업 탐방 이걸 어떻게 바로 이어서 하나요?

197
00:15:47.293 --> 00:15:48.293
아니요

198
00:15:52.274 --> 00:15:53.016
여기다...

199
00:15:55.650 --> 00:15:59.709
그러면 클로징 멘트를 다시 해야 될 것 같거든요

200
00:16:00.125 --> 00:16:00.769
아, 네

201
00:16:02.001 --> 00:16:06.108
아 그냥 그렇게 하겠습니다 여기다가 지금까지 엔비디아의

202
00:16:06.709 --> 00:16:07.818
아, 네네

203
00:16:15.277 --> 00:16:18.553
이처럼 엔비디아가 바이오 산업에 진출한 이유는

204
00:16:18.553 --> 00:16:22.586
신약 개발에 혁신적인 생성형 AI 플랫폼

205
00:16:22.586 --> 00:16:24.961
바이오네모 온 클라우드를 제공하고

206
00:16:25.099 --> 00:16:29.852
여기서 창출한 비용과 시간 절감이라는 결과물을

207
00:16:30.496 --> 00:16:34.093
신약 개발을 하는 바이오 기업과 나누고자 함입니다

208
00:16:34.479 --> 00:16:40.977
지금까지 엔비디아가 바이오 산업에 진출한 이유에 대해서 말씀드렸습니다

209
00:16:41.799 --> 00:16:44.740
새로운 기업 탐방 콘텐츠를 준비 중에 있습니다

210
00:16:44.868 --> 00:16:49.040
시청자 여러분이 궁금하신 기업들을 댓글로 남겨주세요

211
00:16:49.119 --> 00:16:52.662
또는 기업 인터뷰를 희망하시는 관계자 분들께서는

212
00:16:52.960 --> 00:16:56.512
아래 고정 댓글에 있는 메일로 연락 부탁드립니다

213
00:16:56.701 --> 00:16:58.248
여러분 감사합니다