AI 리서치·논문
AI 아키텍처의 기초 요소와 IT 리더의 역할
AI 기술의 발전과 에이전트 시스템으로의 전환에 따라 조직들은 다양한 사용 사례를 확대하고 있다. AI 아키텍처의 기초 요소는 신뢰할 수 있는 통합 AI 시스템을 배포하고 관리하는 데 필요한 구조적 프레임워크를 제공한다. 데이터 품질은 AI의 성공에 중요한 요소로, 효과적인 AI 전략은 조직 전반에 걸쳐 데이터를 연결하고 실시간으로 접근 가능하도록 하는 데서 시작된다. 또한, 컨텍스트 엔지니어링은 AI 쿼리에 적합한 데이터를 제공하는 데 필수적이며, 강력한 거버넌스와 LLM 관찰 가능성은 AI 시스템의 데이터 사용을 통제하고 성능을 모니터링하는 데 필요하다.
AI 연구 자동화 이후 기술 발전에 대한 논의 부족
AI 연구가 자동화되면 AI가 인간 전문가보다 빠르게 발전하여 새로운 기술을 개발할 것이라는 주장이 있다. 그러나 특정 기술 개발의 난이도에 대한 논의는 부족하다. 연구자들은 구체적인 기술을 선택하고 AI의 능력에 대한 가정을 세운 후, 해당 기술 개발에 필요한 시간과 자원을 추정하는 새로운 연구 방향을 제안하고 있다.
Federated Learning을 활용한 드론의 객체 탐지
객체 탐지는 재난 대응, 운영 보안, 인프라 모니터링 및 방어 애플리케이션을 포함한 드론 및 엣지 비전 시스템에서 중요한 기능이다. 그러나 고성능 탐지기를 훈련하기 위해서는 대규모의 지속적으로 업데이트되는 데이터셋이 필요하며, 이는 데이터 중앙화로 인해 프라이버시 및 규제 문제를 야기한다. 본 연구에서는 Federated Learning(FL)을 적용하여 드론이 이미지 데이터를 로컬에 유지하면서 공유 모델을 개선할 수 있도록 하였다. Sherpa.ai FL 플랫폼을 사용하여 KIIT-MiTA 데이터셋에서 연합 객체 탐지 파이프라인을 구현하고, 단일 드론 및 중앙 집중식 기준선과 비교하였다. 실험 결과, 제안된 FL 접근 방식은 중앙 집중식 훈련에 근접하면서도 단일 드론 훈련에 비해 크게 개선된 성능을 보였으며, 가장 경량화된 모델인 YOLO26 nano는 mAP@0.50에서 52.89%, mAP@0.50:0.95에서 67.80%의 상대적 향상을 기록하였다.
내부 다원성과 쌍대 비교의 한계
로컬 쌍대 비교는 사람들이 원하는 의사 결정 규칙을 학습하는 데 사용되는 도구이다. 그러나 이 방법은 두 가지 강한 가정을 내포하고 있다. 첫째, 로컬 비교가 자동화된 의사 결정 규칙의 행동을 결정하는 데 충분한 증거라는 것과, 둘째, 사람들이 항상 이러한 비교에 대해 결정적으로 대답할 수 있다는 것이다. 내부 다원성의 개념 아래에서 이러한 가정이 어떻게 타협될 수 있는지를 조사하며, 의사 결정 규칙에 대한 다원적 선호를 형식적으로 모델링한다. 이 모델은 강하게 고수된 우선순위 간의 긴장이 내부 갈등을 생성할 수 있음을 보여준다. 또한, 사람들이 결정을 내리지 못한 상태를 보고할 수 있도록 허용하는 대안을 사용하여, 선호를 정확하게 학습하는 데 필요한 쿼리 수를 상당히 줄일 수 있음을 발견하였다.
ASK+ 모델을 통한 불확실성 기반 LLM 지원 개선
강화 학습 에이전트는 불완전한 정보에서 행동해야 하며, 소형 언어 모델(SLM)의 지침을 통합하는 것이 어려웠다. 기존의 불확실성 기반 접근 방식은 SLM이 독립적인 행동을 거의 하지 못하는 문제를 보였고, 이는 맥락 문제로 확인되었다. ASK+는 SLM에 경로 인식 맥락과 구조화된 사고 과정을 제공하여 정책을 가끔 수정하는 더 유용한 상담자로 변환한다. ASK+는 DoorKey에서 93%의 성공률, FourRooms에서 70%, HigherLower에서 73.7%의 정확도를 기록하며, Qwen3.5-2B 모델이 Qwen3.5-4B 모델과 동등하거나 더 나은 성능을 보였다.
네이버 AI 해커톤에서 LLM을 활용한 평가 시스템
2026년 봄, 네이버는 모든 직군이 참여하는 '모두의 Engineering Day'에서 AI 해커톤을 개최했다. 참가자들은 현업 문제를 해결하기 위해 25개 팀으로 나뉘어 최소 기능 제품(MVP)을 하루 안에 개발했다. 평가 과정에서 LLM을 활용하여 제출된 코드와 문서를 자동으로 평가했으며, 문제는 출자·투자 현황 관리, 영수증 경비 정산, 업무 시간 관리로 나뉘었다. LLM은 문제 A와 B에서 동일한 팀을 1위로 평가했으며, 최종 심사에서도 같은 팀이 선정되었다.
무선 통신을 위한 미분 가능 레이 트레이싱 모델링에 관한 박사 논문
박사 논문 'Differentiable Ray Tracing for Radio Propagation Modeling'이 발표되었다. 이 논문은 무선 통신과 머신러닝의 교차점에서의 연구를 다루며, 자동 미분을 통해 복잡한 물리적 환경에서의 정확한 그래디언트를 계산할 수 있는 방법을 제시한다. 논문은 물리학 기초, 알고리즘 핵심, 실제 응용 사례로 나뉘어 있으며, GPU 가속 경로 추적 및 미분 가능 시뮬레이션의 안정성을 위한 기술을 포함하고 있다. 관련 오픈소스 라이브러리인 DiffeRT도 소개되었다.
신뢰할 수 있는 LoRA 어댑터로 제한된 모델 학습 접근법
한 연구자가 모델이 악의적인 업데이트를 학습하지 못하도록 하는 방법을 탐구하였다. 이 방법은 모델의 파인튜닝을 신뢰할 수 있는 LoRA 어댑터에서 학습한 서브스페이스로 제한하여, 유용한 적응은 가능하지만 악의적인 방향은 기하학적으로 도달할 수 없도록 한다. 연구에서는 196개의 공개 LoRA 어댑터를 테스트하였고, 공격 성공률이 급격히 감소하면서 유용한 적응이 유지되는 결과를 보였다. 관련 논문과 코드는 공개되어 있다.
오픈 소스 AI의 부상에도 Anthropic에 미치는 영향
오픈 소스 AI의 부상이 진행되고 있지만, 현재 Anthropic은 그로 인해 큰 타격을 받지 않고 있다. 관련된 논의는 Hacker News에서 확인할 수 있다.
AIEWF에서 논의된 Autoresearch와 인간의 역할
AIEWF에서 Paul Bakaus는 Autoresearch가 시스템을 유지하는 루프를 형성한다고 설명했다. Roland Gavrilescu는 이를 'outer loop'로 정의하며, 모델이 성장하는 과정에서 지속적인 발견과 적응이 필요하다고 강조했다. Addy Osmani는 외부 루프는 여전히 인간의 역할이 중요하다고 주장하며, 내부 루프는 에이전트가 처리할 수 있지만 외부 루프는 엔지니어링이 필요하다고 말했다. Bakaus는 그의 디자인 도구 Impeccable을 통해 사용자가 디자인 과정에 참여해야 한다고 강조하며, 자동화된 솔루션이 아닌 사용자 개입을 통한 창의성을 강조했다.
Fable의 GPU 커널 작성과 AI 자동화의 발전
Fable은 KernelBench-Mega에 제출된 최초의 메가커널을 작성하여 18.71배의 속도 향상을 달성했다. 이 성과는 AI 시스템이 커널 설계와 같은 AI 연구 및 개발의 기본 작업을 수행하는 데 점점 더 능숙해지고 있음을 나타낸다. AI 시스템의 자동화 능력은 Remote Labor Index에서 2025년 10월 2.5%에서 2026년 7월 16.1%로 증가하며, GPT-5.5, Opus 4.8, Fable 5의 성공률은 각각 6.3%, 8.3%, 16.1%에 이른다.
Fable 5의 한계 탐색 및 Tencent Hy3 모델 출시
Fable 5의 구독 보조금 종료를 앞두고 Thariq는 'Field Guide to Fable' 블로그 시리즈를 통해 모델의 행동 이해와 새로운 디자인 방향 탐색에 대한 조언을 제공했다. 또한, Tencent는 295B MoE 모델인 Hy3를 Apache 2.0 라이선스 하에 출시했으며, 21B 활성 파라미터와 192명의 전문가를 포함하고 있다. Hy3는 vLLM에서 원활하게 실행되며, 도구 호출 안정성과 환각 방지 개선이 강조되었다.
AI 인프라의 전력 소비 증가가 전력망 한계 시험
인공지능 인프라의 확장은 전력 문제로 여겨지며, 국제 에너지 기구는 데이터 센터가 이 세기 내에 전 세계 전력 소비의 3~4%를 차지할 것으로 예상하고 있다. 대규모 컴퓨팅 시스템의 전력 소비는 예측 가능한 수요가 아닌, 빠르게 변화하는 수요로 인해 전력망의 운영 특성을 변화시키고 있다. 특히, 대규모 데이터 센터는 특정 지역에 집중되어 있으며, 이는 전력 소비의 급증으로 이어져 지역 전력망의 신뢰성 문제를 야기할 수 있다.
AI의 에너지 소비 문제와 신경형 공학의 가능성
AI는 대량의 데이터를 처리하기 위해 수천 개의 GPU가 있는 대형 데이터 센터에서 작동하며, 각 GPU는 최대 1,000와트를 소비한다. 이는 최신 스마트폰이 사용하는 전력보다 훨씬 높은 수치로, AI의 비효율성을 나타낸다. 이를 해결하기 위해 신경형 공학이 연구되고 있으며, 이는 전자 부품과 회로가 뇌의 뉴런과 시냅스처럼 작동하도록 하는 접근법이다. 최근 발견된 인공 뉴런과 시냅스는 일반 CMOS 트랜지스터로 만들어졌으며, AI의 환경적 영향을 줄일 가능성이 있다.
ICML 2026에서의 NVIDIA 연구 성과와 오픈 모델의 중요성
2026년 국제 머신러닝 컨퍼런스(ICML)에서 NVIDIA는 74편의 논문이 채택되었으며, 약 2,000편의 논문이 NVIDIA GPU를 인용하고 145편이 NVIDIA Nemotron을 기반으로 한 연구를 다루었다. DreamDojo는 물리적 환경에서 AI 시스템이 어떻게 학습하고 행동하는지를 연구하며, NVIDIA Cosmos 오픈 모델을 활용해 로봇의 물체 처리 예측을 가능하게 한다. KERMT는 약물 발견에 중요한 분자 속성을 예측하는 BioNeMo 오픈 모델로, AI의 단백질 돌연변이 예측 성능을 평가하는 공공 벤치마크를 도입했다. 또한, Nemotron은 연구 스택으로 활용되며, NeMo Curator는 데이터 커리레이션을 위한 재현 가능한 기반을 제공한다.
국가들이 AI 역량 강화를 위한 전략적 투자 진행
국가들은 경제 성장, 데이터 보호 및 기술 기회 활용을 위해 AI 역량에 투자하고 있다. AI는 다양한 산업에서 혁신을 가속화하고 있으며, 각국은 자국의 인프라와 데이터셋을 활용하여 AI 모델과 애플리케이션을 설계하고 배포하고 있다. AI 공장은 데이터가 들어오고 지능이 나오는 차세대 데이터 센터로, 각국은 이를 통해 AI 생산 능력을 강화하고 있다. NVIDIA의 AI Nations 이니셔티브는 2019년 이후 각국의 AI 생태계와 인력 개발을 지원하고 있다. 예를 들어, 프랑스의 ThinkDeep AI 에이전트는 공공 서비스 워크플로우를 자동화하여 문서 검색 시간을 단축하고 비용을 절감하고 있다.
Anthropic, Claude의 J-Space 개념 소개
Anthropic은 Claude가 아이디어를 언어로 표현하지 않고 조작할 수 있는 내부 작업 공간인 'J-Space'를 사용한다고 발표했다. 이 공간은 인간이 생각을 접근하는 방식과 유사하다고 설명되며, Claude는 즉각적인 작업과는 별개로 전략을 계획할 수 있다. Anthropic은 J-Space에서 Claude가 코드의 버그를 발견하고 이미지를 식별하는 등의 사고 단계를 수행한다고 밝혔다. 연구 논문에서 '의식'이라는 단어가 200회 이상 사용되었지만, 모델이 의식을 가지고 있다고 주장하지는 않았다.
Anthropic, Claude Fable 5 및 Claude Mythos 5 출시
Anthropic은 Claude Fable 5와 Claude Mythos 5를 출시했다. 두 모델은 동일한 기본 모델을 공유하지만, Fable 5는 보수적인 안전 분류기를 사용하여 고위험 분야에서 쿼리를 차단하고 Opus 4.8로 되돌아가며, Mythos 5는 Project Glasswing 하에 검증된 사이버 방어자를 위해 제한 없이 운영된다. Fable 5는 SWE-Bench Pro에서 80.3%의 성능을 기록하여 Opus 4.8보다 10포인트 이상, GPT-5.5보다 20포인트 이상 앞선다. 또한, 애플은 WWDC에서 개인 맥락과 화면 인식을 갖춘 Siri AI를 발표했으며, 이는 1.2조 매개변수의 Gemini 모델에 의해 구동된다. 마지막으로, 엘론 머스크는 SpaceX의 IPO를 통해 1.77조 달러의 가치를 인정받고 750억 달러를 모금했다.
Marc Andreessen, AI와 미국의 기술적 미래에 대한 논의
Marc Andreessen은 CSIS의 Navin Girishankar와 인공지능(AI), 생산성 성장, 산업 정책, 미국의 기술적 미래에 대해 논의했다. 그는 AI가 이미 경제를 재편하고 있지만, 가장 큰 영향은 앞으로 올 것이라고 주장했다. AI는 전문 지식에 대한 접근을 확대하고 생산성을 향상시키며, 의료, 교육, 법률, 소프트웨어 개발 등 다양한 산업을 변혁할 수 있다고 설명했다. 그러나 그는 기술적 장벽보다 규제, 정책 선택, 인프라 제약 등 제도적 장벽이 더 크다고 경고했다.
Transformer 대안에 대한 연구 요약
TheSequence는 Transformer 대안에 대한 시리즈를 요약했다. Transformer는 self-attention 덕분에 성공했지만, 시퀀스 길이에 따라 계산 비용이 O(n²)로 증가하고 메모리 사용량이 O(n)으로 늘어난다. RNN, SSM, 텍스트 확산, 액체 및 연속 시간 모델 등 네 가지 대안이 제시되었으며, 이들은 각각 고유한 장점과 도전 과제를 가지고 있다. 특히, RNN은 고정 크기 상태로 O(n) 계산을 제공하고, SSM은 선형 스케일링과 긴 컨텍스트 처리를 가능하게 한다. 그러나 현재까지 attention을 대체할 만한 모델은 없다.
Claude Fable 5 복귀 및 ZCode 출시 소식
Claude Fable 5는 7월 1일에 복귀했으며, 19일간의 수출 통제 방화벽 뒤에 있었고, Amazon 연구자들이 발견한 탈옥 기술로 인해 출시 3일 후에 중단되었다. 이 문제는 99% 이상의 시도를 감지하는 분류기를 통해 해결되었고, 요청을 Opus 4.8로 우아하게 축소하는 방식으로 수정되었다. Z.ai는 GLM-5.2를 기반으로 한 무료 'Agentic Development Environment'인 ZCode를 출시했으며, 744B 파라미터와 1백만 토큰의 컨텍스트 윈도우를 제공한다. Anthropic은 Claude Science를 출시하여 60개 이상의 curated skills와 연결 기능을 제공하는 작업대 역할을 한다.
Liquid AI의 Ramin Hasani, 디바이스 네이티브 기초 모델의 필요성 강조
Liquid AI의 공동 창립자이자 CEO인 Ramin Hasani는 AI의 미래를 정의하는 데 있어 단순한 규모가 아닌 효율적이고 하드웨어를 인식하는 아키텍처의 중요성을 강조했다. Liquid AI는 MIT CSAIL의 액체 시간 상수 네트워크에서 시작하여 자동화된 기초 모델 설계로 발전하였으며, 스마트폰, 노트북, 자동차, 웨어러블 기기를 위한 디바이스 네이티브 기초 모델을 개발하고 있다. Liquid의 오픈 웨이트 LFM 패밀리와 Shopify 및 Mercedes-Benz에서의 생산 배포 사례가 논의되었다.
Fable의 복귀와 AI 모델의 수출 통제
Fable이 복귀했으며, 이전의 혼란은 몇 주간 지속되었다. 현재 시스템은 여전히 임시방편적이며, 모델에 대한 수출 통제를 사용할 수 있다는 선례가 설정되었다. GPT-5.6은 현재 결정을 기다리고 있으며, OpenAI는 회사의 5%를 기부할 것에 대해 논의하고 있다. Google은 Pixel폰을 위한 'Audio Memory' 기능을 개발 중이며, 주변의 음악과 대화를 지속적으로 기록할 예정이다.
Adversarial Validation을 통한 AI 모델 드리프트 감지 방법
Adversarial Validation은 모델 입력이나 훈련 데이터의 갑작스러운 변화를 감지하는 간단하고 효과적인 방법이다. 이 방법은 두 개의 데이터셋을 비교하여 드리프트를 감지하며, 이진 분류기를 사용해 두 데이터셋의 차이를 식별한다. 예를 들어, OpenAI API를 사용하는 모델의 경우, ft_drift라는 CLI 도구를 통해 다중 턴 채팅 형식의 JSONL 파일 간 드리프트를 감지할 수 있다. 이 도구는 프롬프트 템플릿과 같은 토큰 기반 드리프트를 감지하며, 이를 통해 모델의 예기치 않은 동작의 원인을 빠르게 찾아낼 수 있다.