AI 리서치·논문
구글, 뉴욕 교육 및 산업 리더들과 AI 교육 미래 논의
구글과 뉴욕 Jobs CEO Council, Urban Assembly가 150명의 교육 및 산업 리더들과 함께 AI 정상 회담을 개최했다.
Memora: 추상화와 구체성을 균형 있게 조화하는 메모리 시스템
Memora는 AI 에이전트의 생산성을 높이기 위한 메모리 시스템으로, 저장되는 내용과 검색 방법을 분리하여 장기적인 작업에서 효율성을 극대화한다. Memora는 LoCoMo와 LongMemEval에서 새로운 최첨단 성능을 기록하며, Mem0, RAG, 전체 컨텍스트 추론보다 우수하고 최대 98% 적은 컨텍스트 토큰을 사용한다. Memora는 프로젝트 타임라인과 같은 풍부한 메모리 내용을 유지하면서도 경량 구조 레이어를 통해 인덱싱과 검색을 처리한다.
AI 2027 관련 링크 및 댓글 정보
AI 2027에 대한 정보는 [이 링크](https://ai-2027.com/?agi=true)에서 확인할 수 있으며, 관련 댓글은 [여기](https://news.ycombinator.com/item?id=48798738)에서 볼 수 있다.
AI 신뢰성 전문가 부족, 규제와 발전은 동일 선상에서 논의해야
국내 AI 산업은 데이터, 파운데이션 모델, GPU 등 인프라 확보에 속도를 내고 있지만, AI 신뢰성 논의와 전문 인력 양성은 뒤처져 있다는 지적이 있다. 박지환 씽크포비엘 대표는 'Trustworthy AI'의 중요성을 강조하며, AI 신뢰성은 기술 고도화와 대립하는 규제가 아닌 같은 선상에서 다뤄야 한다고 밝혔다.
BioHub의 ESMFold 2 발표 및 단백질 예측 모델 개발
BioHub의 Alex Rives가 ESMFold 2를 발표했다. ESM-1은 수백만 개의 단백질 서열을 기반으로 훈련된 언어 모델로, 단백질의 생물학적 구조와 기능을 학습했다. ESMFold 2는 Cryo-EM 데이터를 기반으로 단백질 상호작용에 대한 최첨단 성능을 보고하며, 6.8억 개의 단백질과 11억 개의 예측 구조를 포함한 아틀라스를 웹사이트에서 제공한다. ESM 팀은 BERT 유사 모델이 AlphaFold3보다 일부 단백질 문제에서 더 나은 성능을 보일 수 있음을 입증했다.
Genesis Molecular AI의 PEARL 모델과 3D 구조 예측 연구
Evan Feinberg와 Sergey Edunov이 Genesis Molecular AI의 공동 창립자이며, PEARL(Place Every Atom at the Right Location) 모델을 통해 단백질 유연성을 이해하고 리간드와 단백질의 적합성을 개선하는 연구를 진행하고 있다. 이들은 10^60개의 약물 유사 분자를 탐색하는 것이 어렵고, 최근 생성 AI의 발전으로 약물 발견 에이전트 시스템(SAPPHIRE)이 화학자처럼 반복적으로 후보 물질을 생성할 수 있게 되었다고 설명한다. 또한, 3D 구조 예측 분야에서 혁신적인 연구가 진행되고 있으며, 기존 LLM 연구와는 다른 새로운 접근 방식이 필요하다고 강조하고 있다.
OpenAI Codex gpt-5.5의 reasoning_output_tokens 고정값 문제
OpenAI Codex 이슈 #30364에 따르면, gpt-5.5의 reasoning_output_tokens가 516, 1034, 1552와 같은 고정값에 몰리는 현상이 복잡한 Codex 작업의 품질 저하와 관련이 있을 수 있다고 보고되었다. 분석 대상은 2026년 2월 1일부터 6월 27일 UTC까지의 Codex token_count이다.
Michael Nielsen과 과학적 진보의 검증 루프에 대한 대화
Michael Nielsen은 과학적 진보를 인식하는 방법에 대해 논의하며, RL 검증 루프가 과학적 발견에 어떻게 적용되는지를 설명했다. 그는 아인슈타인, 다윈, 프라우트와 같은 역사적 사례를 통해 과학적 아이디어의 검증 루프가 종종 매우 길고 복잡하다는 점을 강조했다. 예를 들어, 고대 아테네인들은 아리스타르코스의 태양중심설을 기각했으며, 별의 시차를 처음으로 성공적으로 측정한 것은 1838년으로, 2,000년의 검증 루프가 있었다. 또한, 외계인이 우리의 과학 및 기술 스택과 매우 다를 것이라는 가설을 제시했다.
Grant Sanderson이 말하는 AI와 수학의 미래
Grant Sanderson은 AI가 수학 분야에서 다른 분야보다 빠르게 발전하고 있으며, 이는 AI의 다른 분야에서의 발전 양상을 구체적으로 보여준다고 언급했다. 수학 내에서도 개념적 돌파구의 본질과 AI가 현재 수행할 수 있는 것과의 차이를 논의하며, AI가 인간의 이해를 증가시키는지 감소시키는지에 대한 질문을 제기했다. 또한, AI가 문헌에 이미 존재하는 아이디어를 체계적으로 연결하려는 시도에서 발생하는 과제가 얼마나 큰지에 대한 논의도 포함되었다.
Kepler의 행성 운동 법칙 발견과 AI의 과학적 발견 속도
Kepler가 행성 운동 법칙을 발견한 방식은 매우 독창적이며 놀라웠다. AI가 과학적 발견에서 빠른 진행을 이룰 것이라는 주장과 달리, 올바른 아이디어의 검증 루프는 수십 년 또는 수천 년이 걸릴 수 있다. 현재의 더 나은 이론이 오히려 잘못된 예측을 할 수 있으며, 이러한 현상은 판단과 휴리스틱의 혼합으로 설명될 수 있지만, 이를 명확히 설명하거나 RL 루프로 체계화하기는 어렵다.
산업에서의 ML 연구 경쟁과 개인 연구의 가치에 대한 고민
많은 연구자들이 대기업에서 진행하는 ML 연구가 자신의 연구보다 우수하다고 느끼고 있으며, 이미 해결된 문제를 다루고 있다는 생각에 회의감을 느끼고 있다. 이들은 산업이 이론적 아이디어에 관심이 없고, 대기업의 모델이 이미 시장에서 성공적으로 작동하고 있다는 점을 강조한다. 또한, 자신의 연구가 산업에서 필요로 하는 기술과 차별화되지 않을까 걱정하고 있다.
Google Research의 TabFM: 제로샷 테이블 모델
TabFM은 Google Research에서 개발한 제로샷 테이블 기초 모델로, 혼합된 수치 및 범주형 열을 가진 구조적/테이블 데이터에 대한 분류 및 회귀를 지원한다. 이 모델은 미세 조정이나 하이퍼파라미터 검색이 필요 없으며, 훈련 예제를 컨텍스트로 전달하고 단일 포워드 패스를 통해 예측을 수행한다.
Qwen3.6-27B, 8개 로컬 모델 벤치마크에서 성능 우수
8개의 로컬 모델에 대해 퀘스트 완료, 장면 종료, 아이템/시간 추적, 캐릭터 탐지, 스토리텔링, 초안 작성 등의 벤치마크를 수행한 결과, gemma-4-31B가 87%로 가장 높은 통과율을 기록했으며, Qwen3.6-27B가 82%로 뒤를 이었다. 그 외 모델들은 55-70%의 통과율을 보였다. 특정 모델들이 '퀘스트 완료'에서는 좋은 성능을 보였으나 'NPC 생각'이나 '퀘스트 요약'에서는 저조한 성과를 보이는 경향이 있었다.
Anthropic의 문자 프롬프트 주입 가능성 증거
이 게시물은 Anthropic의 AI 모델에서 문자 프롬프트 주입의 가능성을 보여주는 증거에 대해 논의하고 있다. 사용자는 Claude 모델에서 받은 응답을 공유하며, 이와 관련된 링크와 댓글을 제공하고 있다.
GPT-5.5 Codex의 reasoning-token 클러스터링 성능 저하 문제
OpenAI Codex의 GitHub 이슈에서 GPT-5.5의 reasoning-token 클러스터링이 성능 저하를 초래할 수 있다는 논의가 이루어졌다. 해당 이슈는 97포인트와 17개의 댓글을 받았다.
AirDrop 및 Quick Share의 취약점 연구
해당 연구는 AirDrop과 Quick Share의 보안 취약점에 대한 내용을 다루고 있다. 자세한 내용은 논문에서 확인할 수 있으며, 관련 링크는 제공된다.
NASA 청정실에서 발견된 새로운 박테리아 종
NASA의 청정실에서 새로운 박테리아 종이 발견되었다. 이 발견에 대한 자세한 내용은 Nature의 기사에서 확인할 수 있다.
LLM 연구의 주요 도전 과제
현재 LLM 연구에서 주요한 10가지 방향이 있으며, 특히 '환각(hallucination)'과 '맥락 학습(context learning)'이 주목받고 있다. 환각은 AI 모델이 사실이 아닌 정보를 생성하는 현상으로, 많은 기업들이 LLM을 생산에 도입하는 데 있어 가장 큰 장애물로 보고 있다. 환각을 줄이고 측정하는 방법에 대한 연구가 활발히 진행되고 있으며, 맥락 길이 최적화와 맥락 구성도 중요한 연구 주제이다. RAG(검색 보강 생성) 방식이 LLM 산업에서 주된 패턴으로 자리 잡고 있다.
2025년 7월부터 12월까지의 LLM 연구 논문 목록
2025년 7월부터 12월까지의 흥미로운 연구 논문 목록이 공유되었다. 이 목록은 Reasoning Models, Reinforcement Learning Methods for LLMs, Model Releases, Architectures, Efficient Training, Diffusion-Based Language Models, Multimodal & Vision-Language Models, Data & Pre-training Datasets 등 여러 카테고리로 나뉘어 있다. 또한, LLM에 대한 연간 리뷰 기사인 'State of LLMs 2025: Progress, Problems, and Predictions'도 발표되었다.
2026년 AI 모델의 발전과 시장 변화
2026년에는 AI 모델의 능력이 증가하고, 경제적 현실이 드러나면서 리스크가 커질 것으로 예상된다. 현재 오픈 모델은 Opus 4.5와 같은 성능 수준에 도달하지 못하고 있으며, Claude Code와 Codex에 대한 경쟁자가 없는 상황이다. Google의 Gemini 3.5 Flash는 현재 작업 방식에 적합하지 않으며, 오픈 모델은 자동화된 기업 에이전트와 저비용 도메인에 주로 사용될 것으로 보인다. Mythos는 기술적 성취로 주목받지만, 중국의 많은 연구소는 자원 부족으로 인해 훈련 프로세스를 확장할 수 없는 상황이다. 미국의 오픈 모델은 점차 안정세를 보이고 있다.
DeepSeek V4, Gemma 4, Kimi K2.6 등 오픈 모델 출시 및 CAISI 평가 결과
이번 달 DeepSeek, Gemma, Kimi 등 여러 오픈 모델이 출시되었으며, CAISI는 이들 모델의 평가를 진행했다. CAISI의 평가에 따르면, 오픈 모델은 미국의 최전선 모델에 비해 성능 격차가 점점 더 커지고 있으며, Elo 점수 계산을 통해 이 격차를 확인했다. Gemma 4는 4B, 9B, 31B 모델과 26B-A4B MoE를 포함하며 Apache 2.0 라이센스를 채택했다. DeepSeek V4는 Pro와 Flash 두 가지 크기로 출시되었고, Flash 모델이 상대적으로 좋은 성능을 보이고 있다.
중국의 오픈 모델 생태계와 R&D 비용 구조
중국의 오픈 모델 생태계에서는 R&D 비용이 최종 모델 훈련 비용보다 약 80%를 차지하며, 이는 실험실들이 더 오랜 기간 동안 연구를 지속할 수 있는 비용 구조의 이점을 제공한다. 오픈 소스 AI의 경우, 모델 개발자에게 거의 모든 비용이 집중되며, 오픈 모델을 사용하는 것이 최소한의 내부 개발로 AI를 사용하는 경우 더 비쌀 수 있다. 또한, 중국의 연구소들은 기술 보고서와 지식 공유를 통해 동료 기업들이 자원을 덜 투자하도록 리스크를 줄이고 있다.
Zyphra, Cohere, Poolside의 모델 출시로 다양해진 오픈 생태계
오픈 모델 생태계가 점점 더 다양해지고 있으며, 많은 조직들이 다양한 모델을 출시하고 있다. '순수' 모델 제작자에는 DeepSeek, Zhipu, Minimax, Poolside, Arcee, Zyphra, Cohere, Sovereign, Mistral, Trillion Labs가 포함된다. NVIDIA는 LatentMoE를 사용하는 Nemotron-3-Ultra 모델을 출시했으며, Cohere는 Command A+를 Apache 2.0 라이선스로 출시했다. Zyphra는 74B-A4B MoE 및 8B-A0.6B MoE 모델을 공개했으며, Poolside는 오픈 가중치를 기본으로 하는 모델을 출시했다.
Transformer 아키텍처 개선 및 Version 2.0 발표
Transformer 아키텍처에 대한 많은 개선 사항이 제안되었으며, 2020년에 작성된 포스트를 기반으로 한 Version 2.0이 발표되었다. 이 버전은 이전 버전의 약 두 배 길이로, 섹션의 계층 구조가 재구성되고 최신 논문으로 여러 섹션이 개선되었다. 기본 Transformer 모델은 인코더-디코더 구조를 가지고 있으며, BERT와 GPT와 같은 언어 모델링 작업에서 뛰어난 성능을 보여준다.