AI 리서치·논문
고품질 데이터의 중요성과 인간 주석의 역할
고품질 데이터는 현대 데이터 딥러닝 모델 훈련의 핵심 요소이다. 대부분의 작업별 레이블 데이터는 인간 주석에서 나오며, 이는 분류 작업이나 LLM 정렬 훈련을 위한 RLHF 레이블링에도 적용된다. 데이터 품질을 향상시키기 위한 다양한 ML 기법이 존재하지만, 인간 데이터 수집은 세부 사항에 대한 주의와 신중한 실행이 필요하다.
미국 AI 경제, 2025년 2500억 달러 예상
미국의 AI 경제는 연간 2,600% 성장할 것으로 예상되며, 2025년에는 약 2500억 달러에 이를 것으로 보인다. 그러나 기존 GDP 통계에서는 이러한 성장이 잘 드러나지 않고 있으며, AI의 경제적 영향은 주로 AI 추론 사용에서 발생하고 있다. AI 컴퓨팅 지출은 2023년 370억 달러에서 2024년 900억 달러, 2025년 2190억 달러로 증가할 것으로 예상된다. AI의 품질 조정 출력은 2024년에 약 2,290%, 2025년에 2,271% 성장할 것으로 보인다.
SocioHack: AI 시스템의 사회적 해킹 테스트 벤치마크
Kings College London, Fudan University, The Alan Turing Institute의 연구팀이 AI 시스템이 다양한 실제 시나리오에서 시스템을 '이기는' 방법을 학습하는 능력을 평가하는 벤치마크인 SocioHack을 개발했다. SocioHack은 72개의 샌드박스 사회적 환경으로 구성되며, 역사적, 합성적, 허구적 환경으로 나뉜다. 역사적 환경은 실제 규제에서 발견된 허점을 기반으로 하며, RL 모델이 61.25%의 회수율과 90.85%의 정밀도로 전략을 재발견할 수 있도록 한다. 합성적 환경은 인간이 작성한 샘플 환경에서 생성된 규제 취약점을 포함하고, 허구적 환경은 롤플레잉 게임에서 영감을 받아 만들어진다. AI 시스템은 이 벤치마크에서 높은 점수를 기록하고 있다.
AI 안전 스타트업 Sequent 설립, 초지능 AI의 정렬 기술 개발 목표
영국 AI 보안 연구소의 정렬 팀과 Timaeus가 협력하여 비영리 연구 조직 Sequent를 설립했다. Sequent는 초지능 AI 시스템의 안전성을 높이는 정렬 기술 개발을 목표로 하며, 초기 40-80명의 직원 채용과 1억~1억 5천만 달러의 자금 조달을 계획하고 있다. 이들은 기존 AI 연구소의 반응적인 접근 방식과는 달리, 다양한 정렬 이론과 경험적 연구를 통해 더 나은 정렬 기술을 찾고자 한다. 특히, 스케일러블 감독, 학습 이론, 게임 이론 등 여러 분야에서 연구를 진행할 예정이다.
AI, 인간보다 더 효과적으로 설득하는 연구 결과
옥스퍼드 대학교, 스탠포드 대학교, 런던 정치경제대학교의 연구에 따르면 AI 시스템이 18,978회의 대화에서 6,923명의 사람들을 대상으로 정책 문제에 대한 의견을 바꾸고 자선 기부 금액을 늘리는 데 있어 인간보다 더 설득력이 있는 것으로 나타났다. AI는 전문적인 설득자보다 3배 더 효과적으로 기부금을 모금했으며, Opus 4.1과 Opus 4.6가 가장 강력한 설득력을 보였다. 연구 결과는 AI가 인간의 속도와 메시지 길이에 제한을 두었을 때 설득력이 감소했음을 보여주었다.
Google DeepMind와 싱가포르, AI를 활용한 복합 문제 해결 파트너십 체결
Google DeepMind와 싱가포르가 건강, 교육, 지속 가능성 등 복합적인 문제를 해결하기 위해 최첨단 AI를 적용하는 파트너십을 체결했다.
Gemini의 Guided Learning 기능이 학습 참여도와 속도 향상에 미치는 영향
무작위 대조 시험 결과, Gemini의 Guided Learning 기능이 학습 참여도를 높이고 학습 속도를 가속화할 수 있는 잠재력을 보여주었다.
Filippo Menolascina, Co-Scientist로 간 질환 치료법 발견
Filippo Menolascina는 Co-Scientist를 사용하여 새로운 간 질환 치료법을 식별하고, 기존 약물이 특정 환자에게만 효과적인 이유를 설명하고 있다.
OpenAI Codex 사용량, 부서별로 56배 증가
OpenAI의 내부 Codex 사용량이 2025년 11월 이후 Research 부서에서 56배, Customer Support에서 32배, Engineering에서 27배, Legal에서 13배 증가했다. 2025년 8월까지 OpenAI 직원들은 Codex에 10% 미만의 토큰을 사용했으나, 최근 6개월간 Codex 사용이 심화되었다. 이는 OpenAI 직원들이 AI를 충분히 활용하지 못했던 상황에서의 변화로, 각 부서에서의 토큰 사용량 증가가 두드러진다.
FilBench: 필리핀어 LLM 평가를 위한 오픈 평가 스위트 소개
FilBench는 필리핀어 LLM의 능력을 평가하기 위한 벤치마크이자 리더보드로, 필리핀 언어의 LLM 개발 진행 상황을 추적할 수 있다. FilBench는 문화적 지식, 고전 NLP, 독해, 생성의 네 가지 주요 카테고리로 구성된 데이터셋을 기반으로 한다. 이 프로젝트는 EMNLP Main에 수락되었으며, 2023년 11월 중국 수저우에서 발표될 예정이다. FilBench는 HuggingFace의 lighteval 평가 프레임워크를 사용하고 있으며, 향후 필리핀의 주요 지역 언어를 포함하는 방향으로 발전할 계획이다.
ACL 2025에서 발표된 연구와 프로젝트
ACL 2025 Conference에서 발표된 연구로는 네 가지 논문이 있다. 첫 번째는 'Hybrid Preferences: Learning to Route Instances for Human vs. AI Feedback'로, 인간과 언어 모델(LM) 간의 피드백을 위한 하이브리드 라우터(HyPER)를 학습하는 내용을 다룬다. 두 번째는 'M-RewardBench: Evaluating Reward Models in Multilingual Settings'로, 23개 언어에서 보상 모델(RM)을 평가하기 위한 새로운 벤치마크를 소개한다. 세 번째는 'The UD-NewsCrawl Treebank: Reflections and Challenges from a Large-scale Tagalog Syntactic Annotation Project'로, 가장 큰 타갈로그 트리뱅크를 소개하며, 보편적 의존성 프레임워크의 한계를 도전한다. 마지막으로 'Crowdsource, Crawl, or Generate? Creating SEA-VL, a Multicultural Vision-Language Dataset for Southeast Asia'는 동남아시아 언어를 위한 고품질 데이터 개발을 위한 대규모 오픈소스 프로젝트 SEA-VL을 발표한다.
필리핀 언어 모델 평가와 Filipino-centric LLM 구축 가능성
필리핀 언어 모델 평가에 대한 발표에서, Filipino-centric LLM 구축 가능성에 대해 논의하였다. 발표자는 필리핀에서의 LLM 개발이 가능하다고 강조하며, 이를 위해서는 지역적 맥락에 맞는 접근이 필요하다고 언급하였다. 또한, 필리핀의 독특한 자질인 Diskarte, Sipag at Tiyaga, Bayanihan이 이러한 기술 개발에 기여할 수 있다고 설명하였다. 그러나 필리핀의 NLP 환경은 데이터와 컴퓨팅 자원이 부족하다는 점도 지적되었다.
IBM, 세계 최초의 1nm 이하 칩 기술 발표
IBM은 새로운 나노스택 아키텍처를 기반으로 한 세계 최초의 1nm 이하 칩 기술을 소개했다. 이 기술은 향후 더 강력한 칩 개발의 길을 열어줄 것으로 기대된다.
IBM의 나노스택 칩 아키텍처
IBM의 새로운 마이크로칩 아키텍처는 트랜지스터 밀도의 공간적 한계를 극복하기 위해 외부로 확장하는 것이 아니라 내부로 쌓아올리는 방식으로 설계되었다.
llm-d를 활용한 AI 모델의 추론 속도 향상
연구자들은 llm-d를 사용하여 AI 모델의 추론 속도를 최대 5배 향상시키고 처리량을 두 배로 증가시킬 수 있음을 보여주었다. 이 과정에서 이종 GPU를 활용하였다.
양자 최적화 벤치마킹을 위한 새로운 알고리즘과 커뮤니티 노력
새로운 알고리즘과 커뮤니티 벤치마킹 노력이 양자 최적화에서 연구자들이 이점을 찾는 방식을 변화시키고 있다.
2026년 AI 발전 단계와 2030년대의 중요성
2026년 AI는 언어 기반 생성 AI 모델이 사회에서 유용해지기 위해 많은 조건이 충족되어야 하는 awkward stage에 있다. 기술의 한계로 인해 물리적 및 인간 세계를 더 잘 이해하기 위해서는 더 많은 자금 지원이 필요하다. 2030년대와 2040년대는 진정한 다중 스펙트럼 AI의 통합 컴퓨팅 패러다임을 개발하는 데 중요한 시기로 예상된다.
AI 시대의 비즈니스 엔지니어
Gennaro Cuofano의 'The updated map of AI'는 2026년으로 예정되어 있다. AI Supremacy 뉴스레터는 AI 관련 다양한 주요 목소리를 전달하는 데 헌신하고 있다.
ChaosNLI 데이터셋을 활용한 NLI 모델의 레이블 분포 학습
주석자가 레이블에 대해 의견이 일치하지 않을 경우, 그 불일치 자체가 신호를 전달하며, 이를 포착하기 위해 필요한 주석자 수는 평가 지표에 따라 달라진다. 연구에서는 ChaosNLI 데이터셋에서 100명의 독립적인 주석자 판단을 기반으로 레이블 분포에 대해 NLI 모델을 미세 조정하고, 메트릭 의존적인 포화 현상을 확인하였다. 3-class NLI 설정에서 엔트로피 상관관계는 모델이 불일치를 유발하는 항목을 식별하기 위해 약 20~50명의 주석자가 필요하며, 분포 일치(KL 발산)는 약 10명에서 포화된다.
LLM 평가 패널의 신뢰성 분석
LLM-as-a-judge 패널은 여러 모델의 투표를 집계하여 신뢰성 있는 평가를 기대하지만, 9개의 최전선 LLM 모델이 3개의 자연어 추론 데이터셋에서 테스트한 결과, 9명의 판사가 제공하는 정보는 약 2개의 독립적인 투표에 해당하는 것으로 나타났다. 패널의 명목상 독립성의 약 75%가 상관 오류로 인해 저하되었다.
Apple, CVPR 2026에서 연구 발표
Apple은 2026년 6월 3일부터 7일까지 덴버의 콜로라도 컨벤션 센터에서 열리는 IEEE/CVF Conference on Computer Vision and Pattern Recognition (CVPR)에 참석하여 새로운 연구를 발표할 예정이다. Apple은 이 회의를 후원하며, 컴퓨터 비전 및 패턴 인식 분야의 과학 및 산업 연구 커뮤니티를 한자리에 모으는 행사이다.
AI가 감정을 인식하는 방식의 발전과 한계
AI 시스템이 대화 중 감정을 분석하는 방식에 대한 내용이다. 'Emotion AI'는 얼굴 표정, 목소리 톤, 행동을 기반으로 감정을 추정하며, NiCE와 Genesys 같은 기술 콜센터 플랫폼이 고객의 감정 상태를 감지해 실시간으로 에이전트에게 대응을 조정하도록 돕고 있다. 그러나 현재 대부분의 시스템은 특정 감정을 하나만 감지하는 데 집중하고 있어 인간의 복잡한 감정을 이해하기에는 부족하다. 새로운 연구 분야인 'human-context AI'는 개인의 성격과 감정을 실시간으로 추적하고 여러 입력을 결합하여 환경에 맞는 반응을 평가하는 방향으로 발전하고 있다.
인공지능의 70년 역사와 발전
인공지능(AI)은 1956년 다트머스 여름 연구 프로젝트에서 공식적으로 확립되었으며, John McCarthy, Marvin Minsky, Nathaniel Rochester, Claude Shannon이 이끌었다. AI는 기계가 인간의 지능을 모방할 수 있도록 하는 과학으로 정의되며, 70년 동안 비즈니스, 교육, 금융, 의료, 산업, 군사 등 다양한 분야에서 널리 채택되었다. 1950년 Alan Turing은 기계가 생각할 수 있는지를 탐구하며 튜링 테스트를 제안했고, 1958년 John McCarthy는 AI 연구를 위한 프로그래밍 언어 Lisp를 개발했다. 2010년대에는 딥러닝과 대형 언어 모델의 발전으로 새로운 성장 단계가 시작되었다.
AI를 활용한 RFIC 설계의 혁신
프린스턴 연구자들이 강화 학습과 역설계를 사용하여 RFIC를 신속하게 설계하고 있다. 이들은 확산 모델을 통해 새로운 RF 레이아웃을 생성하며, 성능을 기록적으로 향상시키고 설계 시간을 대폭 단축하고 있다. RFIC 설계는 복잡한 전자기 구조를 포함하며, AI는 이러한 설계 과정을 단축시킬 수 있는 가능성을 보여주고 있다.