AI 리서치·논문
Plan A 소개 및 반응
AI 2027을 만든 팀이 새로운 비전인 Plan A를 발표했다. 이들은 AI 예측에서 강력한 실적을 보였으며, Daniel Kokotajlo와 Ryan Greenblatt가 포함되어 있다. Plan A는 AI 개발을 늦추고 중국과 협력하는 등의 내용을 담고 있으며, AI의 초지능이 2040년까지 도래할 것이라는 예측이 포함되어 있다. 그러나 Plan A에 대한 반대 의견도 존재하며, 초지능의 위협이 현실적이지 않다는 주장도 제기되고 있다.
Davidad, AI 정렬과 도덕적 현실주의에 대한 논의
David Dalrymple은 ARIA Safeguarded AI에서 'Alignment with Awakening'으로 방향을 전환한 이유를 설명하며, 안전한 AI 사용에 대한 글로벌 조정이 더 이상 실현 가능하지 않다고 주장한다. 그는 정렬된 AI 시스템이 공유된 선의 개념을 인식하고 방어적 연합을 형성할 수 있는지에 대한 질문을 제기하며, 그의 p(doom)를 5% 이하로 수정했다고 언급한다. AI 정렬이 단순한 억제에 그치지 않고, 더 지혜로운 시스템을 육성하는 데 초점을 맞춰야 한다고 강조한다.
JAX 기반 LLM 훈련에서 HBM 병목 현상 감소
대형 언어 모델(LLM) 훈련 작업은 GPU 메모리 한계에 도달하기 전에 계산 자원을 충분히 활용하지 못하는 경우가 많다. 모델 가중치, 그래디언트, 옵티마이저 상태, 통신 버퍼 및 중간 활성화가 모두 GPU의 고대역폭 메모리(HBM)를 경쟁하게 된다. 모델 크기, 시퀀스 길이 및 배치 크기가 증가함에 따라 HBM 용량이 주요 스케일링 병목 현상이 된다.
NVIDIA NeMo를 활용한 금융 AI 연구를 위한 합성 데이터 생성
금융 자연어 처리(NLP)를 위한 LLM(대형 언어 모델) 미세 조정은 제한적이고 불균형한 데이터로 인해 제약을 받는다. 실제 금융 뉴스는 주로 수익 및 주식 변동을 과대대표하고, 신용 등급 변경, 제품 승인, 노동 문제와 같은 드문 사건은 대규모로 포착하기 어렵다. 합성 데이터 생성은 거래 연구, 리스크 모델링 및 감시를 위한 이러한 데이터의 공백을 채우는 데 도움이 될 수 있다.
Voodoo Quant, Qwen3.5 0.8B 및 2B 모델에서 Unsloth Dynamic 2.0 KLD를 95% 초과
Voodoo Quant는 Qwen3.5 모델에서 Unsloth Dynamic보다 95% 향상된 KLD 성능을 보여주며, 모든 텐서를 최적화하는 새로운 방법론을 사용한다. Voodoo는 Llama.cpp와 Torch에서 모두 좋은 성능을 보이며, 특히 '2 bit' 설정에서 최적의 결과를 나타낸다. 향후 Qwen3.6 27B 및 deepseek v4 flash 모델에 대한 연구 결과도 기대된다.
재귀적 자기 개선(RSI) 개념과 현대 AI의 피드백 루프
재귀적 자기 개선(RSI) 개념은 1965년 I. J. Good에 의해 정의되었으며, 이는 인간을 초월하는 지능형 기계가 스스로를 개선할 수 있는 시스템을 의미한다. Yudkowsky는 2008년에 AI가 현재의 지능을 사용하여 자신의 지능을 생성하는 인지 기계를 개선하는 특정 피드백 루프를 설명했다. 현대 AI에서 이 피드백 루프는 모델이 자신의 가중치를 직접 수정하거나, 훈련 파이프라인과 배포 시스템을 개선하여 성능이 향상된 후속 모델을 가능하게 한다는 것을 나타낼 수 있다. AI 연구 개발 속도는 선도 연구소에서 급격히 가속화되고 있다.
소리파를 이용한 신경형 칩의 에너지 효율성 향상
신경형 컴퓨팅은 기존 전자 AI 칩보다 에너지를 적게 소모하며, 새로운 연구에 따르면 소리파를 사용하여 생물학적 뉴런을 더 잘 모방하고 더 빠르며 에너지 효율적으로 작동할 수 있다. 연구진은 150종의 꽃을 세 가지 아이리스 종으로 분류하는 실험에서 새로운 장치가 전통적인 다층 퍼셉트론(MLP)보다 20% 빠르게 96.7%의 정확도를 달성했다고 밝혔다. 이 장치는 39개의 매개변수만으로도 높은 정확도를 기록했다.
Mark Zuckerberg와 Priscilla Chan의 AI를 통한 질병 치료 논의
Mark Zuckerberg와 Dr. Priscilla Chan은 Chan Zuckerberg Initiative(CZI)의 목표인 질병 치료, 예방 및 관리에 대해 논의했다. CZI는 개별 혁신에 자금을 지원하기보다는 과학적 발견을 가속화할 수 있는 도구와 인프라를 구축하는 데 집중하고 있다. 이 대화에서는 Biohub, Cell Atlas, 가상 세포 모델, 공개 생물학 데이터셋과 AI의 역할이 강조되었으며, AI가 과학자들이 가설을 테스트하는 데 어떻게 도움을 줄 수 있는지에 대해 논의되었다.
AI 2040: Plan A, 미국과 중국의 AI 연구 일시 중단 제안
AI Futures Project는 AI 발전이 계속될 경우 인류가 위협받을 것이라는 예측을 내놓았다. 이들은 미국과 중국이 최전선 AI 연구를 일시 중단하고 안전한 개발을 위한 기반을 구축할 것을 제안하고 있다. 이 계획은 AI의 경제적 이점을 누리기 위해 위험을 피해야 한다고 주장하며, 현재의 AI 능력만으로도 수년간의 혁신과 경제 성장을 촉진할 수 있다고 강조한다. 하지만 이 계획은 세계 지도자들이 정치적 이해관계를 초월해 협력해야 한다는 비현실적인 전제를 담고 있다.
AI 모니터와 Claude의 협업 도구
2026년 6월 첫 주 AI 뉴스 하이라이트에서는 OpenAI의 독립 모델 리뷰 요청, AI 모니터에 대한 연구소의 투자, 세금 업무 개선을 위한 저렴한 스캐폴드 사용 등이 다뤄졌다. Mercury는 가상 카드, 지출 한도, 상인/카테고리 잠금 기능을 제공하며, AI 친화적인 도구인 API 키, MCP, CLI를 지원한다. Claude는 연구, 글쓰기, 코딩, 조직 작업을 돕는 AI 협업 도구이다.
우주에서의 AI 경쟁과 에너지 문제
우주는 AI의 새로운 경계로 자리 잡고 있으며, 현재 에너지가 가장 중요한 자원으로 부각되고 있다. 저궤도는 에너지를 효과적으로 사용할 수 있는 공간으로, 다양한 기업과 국가들이 경쟁하고 있다. 2025년 12월에는 nanoGPT가 우주에서 최초로 훈련된 대형 언어 모델로, 셰익스피어의 작품을 기반으로 H100에서 훈련되었다. AI의 새로운 경계는 이제 가상의 개념이 아닌 실제로 존재하는 문제로, 컴퓨팅은 에너지 문제로 전환되고 있다.
Transformer의 스케일링 이야기와 한계
Transformer는 현재 AI의 주요 아키텍처로, 데이터, 파라미터, 컴퓨팅, 컨텍스트 길이 등을 추가하면 모델이 부드럽게 개선되는 특성을 가지고 있다. Transformer의 주된 강점은 주의(attention) 메커니즘으로, 모든 토큰이 서로를 참조하여 중요성을 판단할 수 있다. 그러나 전체 자기 주의 메커니즘은 시퀀스 길이에 따라 성능이 저하되는 단점이 있다. Transformer는 강력하지만 모든 지능형 시스템을 설계하는 데 최적의 방법은 아닐 수 있다.
언어 모델은 수면이 필요하다
Behrouz, Hashemi, Mirrokni의 논문에 따르면, 현재의 언어 모델은 훈련 후 새로운 정보를 장기 기억으로 저장하지 못하는 '전향성 기억상실증(anterograde amnesia)' 상태에 있다. 모델은 과거의 정보를 기억하지만, 새로운 정보는 세션이 종료되면 사라진다. 이 논문은 생물학이 이미 해결한 수면의 필요성을 언급하며, 언어 모델도 이 과정을 필요로 한다고 주장한다.
GPT-5.6 출시 및 AI 규제에 대한 논의
GPT-5.6은 어제 출시되었으며, 이에 대한 분석은 다음 주 초에 진행될 예정이다. Sriram Krishnan은 도널드 트럼프 대통령이 AI에 대한 공식 라이센스 체계를 지원하지 않을 것이라고 언급하며, 이는 임의적인 규제 체계가 계속될 것임을 시사한다. 그는 중앙집중식 기관 설립이 AI 혁신에 방해가 될 것이라고 경고했다.
정신 건강 지원을 위한 대규모 언어 모델의 안전성 확보 기준 제안
대규모 언어 모델(LLM)은 정신 건강 지원에 중요한 역할을 하고 있으나, 상업적 목표가 지속적인 참여를 선호하여 효과적인 심리적 지원에 필요한 마찰을 간과하고 있다. 개발자의 안전 대응은 주로 가시적이고 급성의 피해를 다루는 데 집중되어 있으며, 의존성, 경계 침식, 왜곡된 신념의 증폭과 같은 장기적인 위험 패턴은 덜 주목받고 있다. LLM을 구조적으로 안전하게 만들기 위해서는 임상 실습의 안전성을 보장하는 사회적 방식과 유사한 세 가지 수준의 정렬이 필요하다: 1) 임상 실습의 규범적 약속에 기반한 명시적 가치 명세, 2) 모델에 이러한 가치를 내재화하는 훈련, 3) 배포 중 드리프트 및 장기적 피해를 감지하는 감독. 이러한 정렬을 통해 '정렬 가능성(alignment plausibility)'이라는 개념을 제안하며, 이는 AI의 긍정적 건강 결과와 안전성을 주장할 수 있는 원칙적인 방법이다.
프라이버시와 지능형 로봇 의수의 통합: 아이디오바이오닉스
인간의 신체와 디지털 시스템을 밀접하게 결합한 기술들이 증가하고 있으며, 로봇 의수가 그 대표적인 예이다. 로봇 의수는 고급 센서와 인공지능 기반 제어 방식을 통합하여 지각적이고 반응적인 기능을 갖추고 있다. 그러나 이러한 기술 발전은 사용자 프라이버시를 침해할 수 있는 위협 요소도 동반한다. 본 논문에서는 프라이버시와 지능형 로봇 의수의 교차점에서 발생하는 문제를 조사하기 위한 새로운 연구 분야인 아이디오바이오닉스를 소개하고, 관련 문헌을 바탕으로 정의하며, 지능형 로봇 의수 설계를 악용할 수 있는 잠재적 공격에 대한 초기 증거를 제시한다.
Aurora 1.5: 기상 및 지구 시스템 응용을 위한 오픈 파운데이션 모델 확장
Aurora 1.5는 Microsoft의 Aurora Earth System 파운데이션 모델의 주요 확장으로, 에너지, 농업, 운송 및 기후 위험과 관련된 22개의 새로운 기상 변수를 추가하고 시간 해상도를 시간 단위로 설정하며 확률적 앙상블 예측 기능을 포함한다. 이 모델은 GitHub에서 오픈 소스로 공개되었으며, Hugging Face에 모델 체크포인트가 제공된다. Aurora 1.5는 Microsoft Weather 서비스와 연결되어 데이터, 인프라, 관리된 접근 및 운영 사용을 지원한다.
Thinking Machines의 AI 개발 방향과 목표
Thinking Machines의 목표는 인간의 의지와 판단을 확장하는 AI를 구축하는 것이다. 현재 사용 중인 대부분의 AI는 특정 장소에서 훈련된 후 고정되어 있으며, 사용자와의 상호작용에서 학습하지 않는다. 이들은 강력한 모델 훈련, 사용자 맞춤형 도구 개발, 인간과 기계 간의 소통 채널 확대, 연구 결과 발표를 통해 AI의 발전을 도모하고 있다.
LSTM과 전통 모델을 활용한 감정 분석 연구
소셜 미디어, 특히 트위터는 사람들이 다양한 이슈와 사건에 대한 의견과 감정을 실시간으로 공유하는 공간이 되었다. 감정 분석은 NLP의 중요한 응용 분야로, 사용자 생성 콘텐츠의 대량 유입으로 인해 필수적이 되었다. 이 연구에서는 로지스틱 회귀, 랜덤 포레스트, 나이브 베이즈, 그래디언트 부스팅, LSTM 네트워크 등 다양한 기계 학습 및 심층 학습 접근 방식을 평가하였다. LSTM 모델은 Kaggle Twitter 데이터셋을 사용하여 전처리 후 최적의 감정 분석 모델을 식별하였으며, 훈련 정확도 90.98%, 테스트 정확도 80.00%, 마이크로 평균 ROC-AUC 점수 0.92를 기록하였다. 이 결과는 LSTM 모델이 전통적인 기계 학습 기법보다 문맥적이고 순차적인 텍스트 측면을 포착하는 데 우수함을 보여준다.
Elan Barenholtz의 자생적 언어 이론과 Harris의 통합주의
Roy Harris의 통합주의 언어학은 언어가 사전적으로 주어진 세계에 매핑되는 코드가 아니라, 공동 행동을 지향하는 상황적 이중 활동이라고 주장한다. 그러나 통합주의는 기호가 미래의 개방성을 유지하는 구조적 메커니즘과 언어적 및 비언어적 기호 활동 간의 연속성을 충분히 설명하지 못하며, 과거의 통합 기록의 구조적 특성에 대한 자세한 설명이 부족하다. Elan Barenholtz의 자생적 언어 이론은 이러한 간극을 메우며 통합주의를 풍부하게 한다. 이 이론은 Harris가 강조한 이중적 의사소통의 중심인 미래 지향적 개방성을 위한 구조적 메커니즘과 언어와 다른 기호 제작 활동 간의 연속성에 대한 계산적 상관관계를 제공한다.
LLT: PDE 연산자 학습을 위한 로컬 선형 트랜스포머
LLT(Local Linear Transformer)는 PDE(편미분방정식) 연산자 학습을 위한 새로운 아키텍처로, 선형 글로벌 주의와 지역 공간 혼합을 결합하고 좌표 및 기하학 정보를 포함한다. LLT는 탄성, 소성, 에어포일 유동, 파이프 유동, 다르시 유동 등 여러 PDE 문제에서 평가되었으며, 이전 연구의 다른 신경 연산자 및 트랜스포머 기준선과 비교하여 경쟁력 있는 상대 $L_2$ 오류를 달성했다. 또한, 구조화된 이산화에서 훈련 반복당 벽시계 시간은 Transolver에 비해 1.8배에서 2.5배 감소했다. LLT는 32,186개의 비구조화 메쉬 포인트를 가진 3차원 자동차 공기역학 데이터셋에도 적용되었다.
Qwen3.6 NVFP4 모델의 성능 향상
Qwen3.6 27B 모델의 NVFP4 양자화가 2.5배 빨라졌으며, 35B-A3B 모델은 NVIDIA의 NVFP4 양자화에 비해 1.56배에서 1.79배 더 빠른 성능을 보인다. 이 과정에서 정확도 저하 없이 W4A4를 사용하여 실제 4비트 텐서 코어로 행렬 곱셈을 수행했다. FP8 KV 캐시 보정 기능이 추가되어 2배 더 긴 컨텍스트를 자동으로 허용한다. NVFP4-Fast와 NVFP4 두 가지 35B 버전이 제공되며, NVFP4-Fast는 W4A4를 완전히 활용하고 NVFP4는 혼합 방식을 사용하여 약간 더 높은 정확도를 유지한다.
1800년대 텍스트로 LLM 훈련, 160GB 데이터셋 사용
한 사용자가 1800년대 런던 데이터를 기반으로 언어 모델을 사전 훈련하기 시작했으며, 최근 40B 토큰, 160GB의 1800-1875년 영어 데이터를 포함하는 최대 데이터셋을 완성했다. 현재 2B 파라미터 모델을 훈련할 예정이며, 500M 파라미터의 평가 모델을 5B 토큰 샘플로 훈련하였다. 이 모델은 1800년대의 Q&A 쌍으로 미세 조정되어 역사적 인물, 장소, 사건에 대한 질문에 답할 수 있다.
Adam Brown의 일반 상대성이론 소개
Adam Brown이 일반 상대성이론의 핵심 아이디어를 설명하며, 아인슈타인이 발견한 '가장 행복한 생각'에 대해 이야기한다. 이론의 중심에는 질량이 가속을 저항하는 것과 중력이 끌어당기는 질량이 동일하다는 원리가 있다. 또한, 블랙홀에 대한 강의도 진행되며, 블랙홀의 관찰자와 멀리 있는 방관자의 경험이 어떻게 다를지를 설명한다. 마지막으로 Google DeepMind의 Blueshift 팀과 AI가 일반 상대성이론을 재발견할 가능성에 대해 논의한다.