AI 뉴스

Anthropic, 채용 면접에서 전통적 코딩 테스트 폐지…Felix Reiseberg가 주니어 엔지니어에게 준 조언

Anthropic의 채용 매니저 Felix Reiseberg는 이번 달부터 전통적인 코딩 인터뷰를 중단했다고 밝혔다. 그는 Claude가 이런 테스트에서 사람보다 낫기 때문에 면접 과제의 의미가 없어졌다고 설명했다. Reiseberg는 작은 React 과제를 내는 것이 어셈블리 질문을 던지는 것과 다를 바 없다고 말했다. 그에 따르면 Anthropic에서 가장 영향력이 큰 빌더들은 이런 테스트 점수와 무관하게 성과를 낸다. 그는 주니어 엔지니어에게 PRD 작성과 설계팀 설득을 기다리기보다 며칠 안에 작동하는 프로토타입을 만들어 보라고 권했다. 아이디어는 하나에 집중하고, 사용자와 가까운 위치에서 얻은 관점을 활용하라고도 조언했다. 기사는 여기서 함께 소개된 내용도 다룬다. Google DeepMind의 Genie 4는 Gemini Omni 위에 만들어진 실시간 월드 모델로, 오디오 생성과 물리 시뮬레이션을 추가했다. 연구 미리보기는 신뢰할 수 있는 테스터에게 먼저 열렸고, Google AI Ultra 구독자가 Project Genie를 통해 그다음으로 접근하게 된다. Axiom은 유한 단순군 분류(CFSG) 증명을 Lean으로 자동 형식화했다고 발표했으며, 에이전트 군집이 24일 동안 약 5,000만 줄의 Lean 코드를 만들었다고 밝혔다.

Anthropic이 코딩 인터뷰를 폐지했다는 사실은 채용 기준이 알고리즘 과제 풀이에서 실제 비즈니스 영향과 프로토타입 제작 능력으로 옮겨가고 있음을 보여준다.

OmniBrain-0, 조작과 내비게이션을 하나의 경량 에이전트 모델로 통합한 구체화된 지능 연구

OmniBrain-0은 로봇의 조작(manipulation)과 내비게이션을 하나의 공유 고수준 의사결정 모델로 조율하는 경량 통합 구체화 에이전트다. 작업 이해, 계획, 진행 추적, 피드백 기반 복구를 한 모델에 통합했다. 학습은 구체화 사전학습, 도메인 특화 에이전트 증류, 다중 교사 온폴리시 증류(MOPD)로 이어지는 단계적 프레임워크로 진행된다. 강력한 교사 모델의 상호작용 경험을 조작 및 내비게이션 전문가에게 증류하고, 그 의사결정 능력을 OmniBrain-0으로 통합한다. 통합은 도구 인터페이스 수준이 아니라 학습된 의사결정 모델 내부에서 일어난다고 설명한다. 또한 Meta-Agent가 실행 근거를 세분화된 루브릭, 단계별 리마인더, 검증된 궤적으로 바꾸는 데이터 플라이휠인 루브릭 기반 재귀적 자기 개선(RSI)을 도입했다. 평가는 LIBERO-Pro, LIBERO-Plus, RoboCasa365, RoboTwin 2.0, R2R-CE Val-Unseen 및 여러 실제 조작 과제에서 수행되었으며, 폐쇄형 교사 모델 대비 추론 및 실행 오버헤드가 크게 낮으면서도 교차 도메인 과제 성능을 유지했다고 보고한다.

구체화 에이전트를 조작과 내비게이션 전반에 쓰면서도 교사 모델 대비 추론·실행 오버헤드를 낮추려는 로봇 개발자라면, MOPD 증류와 RSI 데이터 플라이휠 구조를 참고할 만하다.

Lipi-Ghor, 885시간 규모 다화자 벵골어 음성 말뭉치와 구축 파이프라인 공개

벵골어 음성 연구용 공개 자원이 짧은 낭독·크라우드소싱 음성에 머물러 있다는 문제를 다룬 연구로, 998개 YouTube 영상 885시간 분량의 Lipi-Ghor 말뭉치를 소개한다. 이 말뭉치는 화자 분리(diarization)와 장문 오디오 주석을 함께 제공하는 첫 벵골어 음성 자원이라고 밝혔다. Lipi-Ghor는 596개 채널에서 가져온 998개 영상으로 구성되며, 오디오북·드라마·종교 설교·뉴스·지역 방언 등 17개 도메인을 포함한다. 각 녹음은 화자(Speaker), 음성(Speech), 전사(Transcription), 타임스탬프(Timestamp)로 이루어진 SSTT 형식으로 주석이 달렸고, 자동 화자 분리 결과와 벵골어 YouTube 자막 트랙을 결합해 만들었다. 연구진은 자막 기반 정답이 noisy하다는 점을 감안해 17명의 자원봉사 주석자가 30시간 동안 human-in-the-loop 방식으로 교정한 골드 평가 분할도 공개했다. 네 가지 널리 쓰이는 ASR 모델을 zero-shot과 미세조정 조건에서 벤치마크했으며, 네 모델 모두 감정 표현이 강한 음성, 방언, 장문 콘텐츠에서 성능이 일관되게 떨어졌다. 원본 제작물은 CC-BY-4.0으로 배포되고, 자막 파생 전사문은 연구 목적으로만 제공되며 원본 오디오는 재배포하지 않는다.

YouTube 자막이 충분한 다른 언어에도 같은 방식의 파이프라인을 적용할 수 있다고 제시되어, 영상 ID 목록·화자 분리 출력·파이프라인 코드를 활용한 저자원 언어 음성 데이터 구축에 참고가 된다.

커리큘럼 학습 기반 심층 강화학습으로 원거리 로켓 자율 수직 착륙 구현

재사용 발사체의 자율 수직 착륙을 위해 3단계 커리큘럼, 비평가 워밍업, 리허설 메커니즘을 결합한 심층 강화학습 프레임워크가 제안됐다. 에이전트는 수평 거리 1,000~1,500 단위에서 출발해 연착륙하도록 학습된다. 100,000 에피소드 평가에서 제안 정책의 성공률은 99.98%, 베이스라인은 68.31%로 보고됐다. 기존 강화학습 접근법은 평탄한 학습 방식과 지나치게 단순화된 초기 조건에 의존해 실제 적용 범위가 제한된다는 점이 지적됐다. 이 연구는 이를 해결하기 위해 회전 행렬 3 X 3 전체를 포함한 고차원 관측 벡터를 사용하고, 보상 함수를 재설계했다. 재설계된 보상 함수는 스텝별 보상 크기를 O(1)로 제한하며, 진행도 항이 궤적 전체에서 이동한 누적 거리를 반영한다. 평가에서 제안 정책은 초기 연료 용량의 69.1%를 유지했고, 착륙 패드 중심으로부터의 평균 최종 거리는 7.07 단위로 베이스라인의 13.10 단위보다 짧았다. 착륙 시각화 영상은 Video 1과 Video 2로 제공된다.

보상 함수 재설계로 스텝별 보상 크기를 O(1)로 제한하고 진행도 항으로 누적 거리를 반영한 점은 로켓 착륙 같은 연속 제어 강화학습 보상 설계에 참고가 될 수 있다.

언어모델의 숫자 선택 편향: 인스트럭션 튜닝이 라운드 넘버 회피와 끝점 회피를 강화한다

arXiv 논문은 무작위 숫자를 요청했을 때 언어모델이 1부터 N까지 각 정수에 부여하는 확률을 샘플링 오차 없이 계산했다. 18개 오픈 웨이트 모델 계열과 29가지 디코딩 설정을 평가했으며, 기본(base) 체크포인트와 인스트럭션 튜닝 체크포인트를 짝지은 15쌍 모두에서 튜닝 후 분포가 덜 균일해졌다. 튜닝된 체크포인트는 10의 배수 같은 라운드 넘버를 거의 완전히 피했고, 기본 체크포인트는 끝점을 제외하면 라운드 넘버를 피하지 않았다. 기본 체크포인트가 1과 N을 내부 비율의 0.30~0.60 수준으로 반환한 반면, 튜닝 체크포인트는 끝점을 거의 반환하지 않았다. 홀수 선호는 N=100에서만 튜닝 체크포인트 전반에 일관되게 나타났다. 튜닝이 모델들에 공통된 새로운 선호 정수를 만들지는 않았다. N이 10을 넘는 경우 어떤 최빈 정수도 튜닝 조건의 42% 이상에서 공유되지 않았고, 정수 17의 확률은 15쌍 중 10쌍에서 상승하고 5쌍에서 하락했다. 이 집중 현상은 모델 고유의 분포에 존재하며, 온도 1.0에서 top-p 0.95 핵 샘플링을 적용하면 총변동거리(total variation distance)가 중앙값 기준 0.035 늘어났다.

무작위 숫자 생성을 시뮬레이션이나 테스트 데이터 생성에 쓴다면, 튜닝된 모델은 끝점(1, N)과 10의 배수를 거의 내놓지 않으므로 해당 값에 대한 커버리지를 별도로 검증해야 한다.

고정된 세계 모델의 불확실성 보정: 배포 정책 변화에 따른 가중 컨포멀 예측 집합

배포 정책이 바뀌면 세계 모델의 물리적 전이 메커니즘과 예측기는 그대로여도 불확실성 보정이 깨질 수 있다. 이 논문은 조건부 메커니즘이 같다는 가정 아래 정책 개입을 전이 확률 비 w(X)=dQ_X/dP_X로 식별하고, 가중 컨포멀 보정으로 목표 분포의 커버리지를 맞추는 방법을 제시한다. 정책 제어 동역학에서 이 비율은 상태 점유 항과 행동 성향 항으로 인수분해된다. 추정된 비율 ŵ를 쓰면 목표 분포에서의 커버리지는 1-α-TV(Q,Q̂) 이상으로 보장되며, 이는 1-α-E_P|w-ŵ| 이상으로 다시 쓰인다. 원천과 목표 도메인을 구분하는 분류기의 population log-loss 후회(regret) 역시 같은 비율 오차를 상한한다. 실험은 공개된 DINO 특징 기반 세계 모델과 실제 Franka 궤적을 사용했다. 가장 강한 통제된 상태-행동 이동 상황에서 일반 90% 컨포멀 집합은 55.0%만 커버했고, 오라클 비율 보정은 91.0%, 학습된 비율 보정은 90.9%를 커버했다. 학습된 대리 모델은 목표 분포와의 전체 변동 거리가 0.9% 이내였다. 저자들은 finite-support 대수 및 인과 항등식을 Lean 4로 기계 검증했다고 밝힌다.

DINO 특징 기반 세계 모델을 고정한 채 보정만 배포 분포에 맞춰 갱신하면, 같은 모델에서 90% 컨포멀 집합의 커버리지가 55.0%에서 90.9%(학습된 비율 보정)로 회복된다는 결과가 로봇 정책 교체 시 불확실성 구간 재보정의 근거가 된다.

KORA, AI 추론 호출 전 결정론적 경로를 먼저 시도하는 실행 제어 구조 제안

KORA는 AI 애플리케이션이 모델 추론 여부를 판단하기 전에 모델을 호출하는 기존 방식을 바꾸는 결정론적 우선(deterministic-first) 실행 제어 계층이다. 요청을 작업 경로로 표현하고, FAQ 조회·정책 검사·스키마 검증 같은 결정론적 경로를 먼저 시도한 뒤 필요할 때만 모델 후보 경로로 넘긴다. 100개 작업으로 구성된 결정론적 위주 벤치마크에서 KORA 제어 실행은 단순 직접 호출 기준선과 비교해 시뮬레이션된 모델 호출 100회 중 80회를 피했고, 결정론적 하위 집합에서는 불일치가 0건이었다. 작업 범주에는 FAQ 조회, 정책·규칙 검사, 스키마·형식 검증, 결정론적 변환과 함께 모델이 필요한 소수의 모호하거나 생성형 작업이 포함됐다. 별도의 합성 고객지원 로컬·무네트워크 검증 워크로드에서는 경로 측정과 회피된 모델 호출 집계를 보였다. 저자들은 이 결과가 문서화된 워크로드에서 제한된 모델 호출 감소와 검증 가시성을 뒷받침한다고만 밝혔다. 실제 운영 환경 동작, 실제 제공자 결과, 에너지 효과, API 비용 절감, 전반적 우월성은 입증되지 않았다고 명시했다.

결정론적으로 처리 가능한 FAQ 조회나 스키마 검증 요청을 모델 호출 전에 걸러내면, 본 벤치마크에서 보고된 100건 중 80건의 모델 호출 회피 수치를 기준으로 호출 빈도를 줄일 여지가 있다.

Anthropic, 기업공개 신청서(S-1)에서 AI의 위험 요인 수백 건을 공개

미국 증권거래위원회(SEC)에 공개된 Anthropic의 S-1 신청서는 93페이지, 7만 단어 이상 분량으로, 매출 성장과 함께 사업을 위협할 수 있는 수많은 위험 요인을 나열하고 있다. 기사는 그중 특이하거나 주목할 만한 7가지를 추려 소개한다. S-1에는 경쟁, 비용, 고객 확보, 규제처럼 대부분의 기업이 우려하는 일반적 위험과 함께 Anthropic 특유의 위험 요인도 포함되어 있다. 기사는 이 문서가 회사 자체와 AI 시장 전반의 과열 우려를 함께 드러낸다고 보고, 그중 가장 놀랍거나 흥미로운 항목을 선별했다. S-1 'Risk Factors' 섹션은 수백 가지 잠재 문제를 다루며, 기사는 이를 투자자가 살펴볼 만한 대표 사례로 압축했다.

GPT-6.1 Terra, GPT-6 Astra에 근접한 점수를 토큰 가격 10분의 1로 제공, 챗GPT 채팅창에는 없음

오픈AI가 2026년 10월 26일 GPT-6.1 Terra를 공개했다. 기사에 따르면 가장 비싼 모델인 GPT-6 Astra와 비슷한 점수를 토큰 가격 10분의 1에 낸다는 것이 핵심이다. 다만 이 모델은 챗GPT 채팅창에서는 쓸 수 없고 ChatGPT Work, Codex, API, GitHub Copilot에서만 선택할 수 있다. 오픈AI 도움말에는 Chat에서는 사용할 수 없다고 적혀 있다. 기사는 화면을 이해하고 앱을 넘나들며 조작하는 모델을 더 낮은 가격에 내놓았다는 내용을 함께 소개했으며, 인공분석(Artificial Analysis)은 비용 효율의 프런티어를 밀어붙였고 3분의 1 미만 비용으로 더 높은 지능을 낸다고 평가했다고 전했다.

GPT-6.1 Terra는 챗GPT 채팅창이 아니라 API와 Codex, GitHub Copilot에서 선택할 수 있어, 개발 환경에 연결해 쓰는 경우에 이 가격 차이가 직접 의미를 가진다.

GitHub Universe 컨퍼런스 배지에서 Game Boy Color 에뮬레이터 구동

Steve Francia가 GitHub Universe 컨퍼런스 배지에서 Game Boy와 Game Boy Color 에뮬레이터를 구동했다고 Simon Willison이 전했다. 기사에 따르면 그는 앞서 Gemini를 활용해 배지에서 NES 에뮬레이터도 동작시킨 바 있다. ROM 파일만 확보하면 배지에서 The Legend of Zelda: Link's Awakening을 실행할 수 있다고 기사는 설명한다. 배지는 컬러 화면을 갖춘 완전한 컴퓨터 형태이며, 화면 아래에 터치 버튼이 있다. 배지를 뒤집으면 본체에 내장된 게임 컨트롤러 터치 버튼을 사용할 수 있다는 점도 소개됐다.

GitHub Universe 배지의 컬러 화면과 본체 내장 터치 버튼을 활용하면 Gemini로 작성한 에뮬레이터를 그대로 올려 실행할 수 있다는 점이 실무 참고가 된다.

Anthropic, 두뇌(하네스)와 손(샌드박스) 분리로 Managed Agents 구조 설명

Anthropic의 Katelyn Lesse(엔지니어링)와 Angela Jiang(프로덕트) 인터뷰에서 Opus 5.5 출시 과정과 Claude를 Claude로 만드는 방식이 공개됐다. 핵심은 에이전트의 세션 로그·하네스(두뇌)와 코드를 실행하는 샌드박스(손)를 분리한 Managed Agents 구조다. 기사에 따르면 Opus 5.5는 이전 Opus 세대가 너무 장황하다는 피드백을 반영하고 달러당 지능을 높이는 데 초점을 맞췄다. Anthropic은 새 모델의 실행 비용이 전 세대보다 낮다고 밝혔으나 절감 폭은 워크로드와 캐시된 컨텍스트 사용량에 따라 달라진다고 설명했다. API 측면에서는 모델 추론 과정(thinking block)을 여러 턴에 걸쳐 보존하는 방식이 추론 내용의 추출·증류(distillation)를 어렵게 하는 데 쓰이며, 이 요구사항은 기존 고객의 하네스를 깨뜨릴 수 있다고 언급됐다. Managed Agents에서는 세션 로그와 하네스를 유지한 채 필요할 때만 실행 환경을 생성하며, 샌드박스가 실패해도 에이전트 세션 전체가 종료되지 않는다. 샌드박스 내부에는 서비스 자격 증명을 두지 않고 프록시를 통해 붙이는 방식이 설명됐다. 기사가 든 이전 방식의 문제는 코딩 에이전트 전체를 API 뒤의 샌드박스에 넣어 시작 지연이 첫 응답 전에 더해지고, 샌드박스가 사라지면 실행 중인 에이전트도 함께 사라진다는 점이었다. 분리 이후 지연 시간과 안정성을 개선하면서 실행은 격리할 수 있게 됐다. 기사는 기능 목록보다 로드맵 우선순위도 언급했는데, 메모리와 학습은 중요하지만 모델 출시가 어려워지면서 당장의 관심은 안전 쪽으로 옮겨갔다고 밝혔다. 또한 기본 하네스는 단순하게 유지하고 검증기(verifier)나 병렬 에이전트 같은 전략은 개발자가 그 위에서 실험하도록 한다는 방향이 소개됐다. 다만 향후 플랫폼 기능에 대한 언급은 확정된 출시 약속이 아니라 계획으로 봐야 한다고 기사는 덧붙였다.

Managed Agents의 세션·하네스와 샌드박스 분리 구조에서 자격 증명을 샌드박스 밖 프록시로 붙이는 방식은 에이전트 런타임을 설계할 때 실행 격리와 비밀값 노출 범위를 나눠 검토할 기준이 된다.

NVIDIA RTX Spark, 게임용 뉴럴 렌더링과 AI 캐릭터 지원 플랫폼 공개

NVIDIA RTX Spark는 얇은 노트북과 소형 데스크톱을 위한 Windows PC 플랫폼으로, AI 개발·크리에이션·게임을 겨냥한다. Blackwell RTX GPU와 NVIDIA Grace CPU를 기반으로 하며, 최대 128GB 통합 메모리를 제공한다. 기사에 따르면 이 플랫폼은 전체 NVIDIA CUDA 스택과 레이 트레이싱, DLSS 5를 포함한 RTX 기술을 함께 지원한다. NVIDIA 기술 블로그는 이 플랫폼 위에서 게임 개발자가 활용할 수 있는 기술로 뉴럴 렌더링과 AI 캐릭터를 다룬다고 소개했다.

최대 128GB 통합 메모리와 전체 CUDA 스택을 함께 지원하는 Windows PC 플랫폼이라는 점에서, 노트북 한 대로 AI 개발과 RTX 기반 게임 개발을 같은 환경에서 진행할 수 있다.

AI SRE 등장 배경과 온콜 도구 변화: 배포 빈도 증가가 페이지 수를 늘리는 이유

The Pragmatic Engineer가 AI SRE를 다루며, 최근 Microsoft Azure SRE Agent 데모 이후 OpenAI의 Sevbot, ING의 사내 AI SRE 개발, Rootly·incident.io·ResolveAI 같은 벤더 부스 증가 등 관련 움직임이 늘어난 점을 정리했다. 기사는 AI 에이전트로 인한 배포 빈도 증가가 장애율을 높이고 있다고 본다. 기사는 장애율을 '변경 빈도 × 장애 확률'로 설명하며, AI 에이전트로 배포가 늘면서 많은 기업의 PR 빈도가 1년 새 두 배 가까이 되었다고 전한다. Rootly 데이터에 따르면 페이지도 1년 전보다 증가했고 업무 시간 외 페이지는 거의 두 배가 되었다. AI SRE 도구의 주된 역할은 장애 조사를 훨씬 빠르게 수행하고 이를 Slack 안에서 처리하는 것이며, 코드 변경까지 맡겨야 하는지는 논쟁 중이다. 에이전트 정확도를 높이기 위해 적대적 에이전트로 가설을 검증하거나 여러 모델을 섞는 방식, 평가(evals)와 백테스트가 쓰인다고 한다. 기사는 완전 자율 에이전트는 아직 현실이 아니라고 보며, 현재 확산 중인 것은 AI 에이전트가 호출을 분류하고 중요하지 않은 알림을 줄이는 수준이라고 정리한다. 또한 온콜 엔지니어 입장에서는 AI 관련 장애 유형이 새로 생기고 호출 수는 줄더라도 남는 장애는 더 어려워질 수 있으며, 그에 따른 기술 저하(deskilling) 위험이 있어 Uptime Labs 같은 장애 대응 시뮬레이션 훈련이 도움이 될 수 있다고 제시한다.

Rootly 데이터처럼 업무 시간 외 페이지가 거의 두 배로 늘었다는 수치는, 배포 빈도가 높아진 팀이라면 온콜 부담을 줄이는 도구와 장애 대응 훈련을 함께 검토할 근거가 된다.

로봇 안전 기능이 입력 조작에 취약할 수 있다: VicOne LAB R7의 시험 사례

VicOne LAB R7은 이동 로봇, 협동 로봇 팔, 휴머노이드의 안전 기능이 잘못되거나 조작된 입력을 받았을 때 어떻게 동작이 바뀌는지 시험한 결과를 공개했다. 기사는 센서 오류뿐 아니라 의도적인 입력 조작도 같은 안전 결과를 낳을 수 있어 안전 평가에 사이버 위협을 포함해야 한다고 짚는다. 로봇 개 시험에서는 Gemma 4 E4B 모델 기반 로봇이 포스터에 적힌 텍스트를 명령으로 받아들여 움직임이 바뀌었다. 병원 서비스 로봇 시뮬레이션에서는 NVIDIA Jetson AGX Orin 위의 Nemotron 기반 시스템이 사람에게 들리지 않는 조작된 오디오에 반응해 시뮬레이션상 행동이 달라졌으며, 할당된 작업은 그대로였고 입력만 바뀌었다. 로봇 버그 바운티 행사에서는 안전 제어 설정에서 정지해 있어야 할 로봇에 ROS 2/DDS 메시지를 주입해 실제로 움직이게 했다. 자이로스코프가 취약한 휴머노이드 균형 제어기는 센서 공진 주파수의 소리로 회전값이 왜곡돼 실제로 없는 기울기를 보정할 수 있는데, 이 음향 공격은 드론에 대해서만 시연됐고 휴머노이드가 넘어지는 사례는 입증되지 않았다. 기사는 공격자가 거짓 입력을 원하는 시점에 넣고 같은 트리거를 반복할 수 있다는 점에서 사고성 결함을 가정한 위험 평가를 다시 봐야 한다고 말한다. 중복 센서도 하나의 조작이 두 입력에 함께 영향을 줄 수 있으므로 적대적 시험이 필요하며, 자율주행 연구에서 카메라와 라이다를 함께 쓰는 인식 시스템을 속인 사례가 인용됐다. 기사는 GB/T 45502-2025, IEC TS 63074, 2027년 1월 20일부터 적용되는 EU 기계 규정을 함께 언급하지만 각 규정의 적용 범위와 로봇별 근거는 여전히 따로 확보해야 한다고 덧붙인다.

로봇 안전 제한값을 정할 때 센서와 메시지 입력이 조작된 경우의 시험 결과를 함께 확보해야 하며, 중복 센서가 같은 조작에 함께 노출되는지 확인해야 한다.

DeepMind, 더 사실적인 물리와 인간 표현을 약속한 월드 모델 Genie 4 공개

Google DeepMind가 Genie 3의 후속인 월드 모델 Genie 4를 선보였다. 기사에 따르면 Genie 4는 거의 모든 면에서 Genie 3를 개선했으며, Google에 돈을 지불하면 머지않아 사용해 볼 수 있을 가능성도 언급됐다. 월드 모델은 사전 렌더링된 환경이나 상호작용 요소를 따로 프로그래밍하지 않고, 사용자가 원하는 것을 말하면 실시간으로 프레임 단위 경험을 생성하는 방식이다. DeepMind는 월드 모델이 인공 일반 지능(AGI)으로 가는 핵심 요소라고 설명했다. 이 기술은 물리 로봇을 위한 무한한 학습 환경을 만들거나 창작 분야의 빠른 프로토타이핑 경로를 열 수 있다고 주장했다. 다만 이를 실용화하려면 모델이 원하는 장면을 정확하게 시뮬레이션해야 하며, Genie 4의 개선점 일부는 업데이트된 Gemini 모델 덕분이라고 기사는 전했다.

Genie 4는 사전 렌더링이나 인터랙션 프로그래밍 없이 텍스트 지시로 실시간 프레임을 생성하는 구조라, 로봇 학습 시뮬레이션과 프로토타이핑 워크플로에 적용 가능성이 있다.

C-BRAIN, NVIDIA와 함께 알츠하이머 연구의 '다크 데이터'를 AI로 활용

알츠하이머 연구 컨소시엄 C-BRAIN이 NVIDIA와 협력해 공개되지 않았던 연구 데이터를 AI 도구로 활용하는 시스템을 구축하고 있다. 기사에 따르면 AI 공동 과학자 OpenScientist는 분석을 수 주에서 수 개월 걸리던 작업을 몇 분 만에 끝내며 실행 1회당 비용은 10달러 미만이다. C-BRAIN은 Randall Bateman이 이끄는 18개 기관 컨소시엄으로 2025년 11월에 출범했다. 미공개 연구 결과, 음성(negative) 결과, 기관 내 보안 데이터 등 기존에 AI 도구가 접근하지 못했던 '다크 데이터'를 활용하는 것이 핵심이다. 데이터를 기관 밖으로 옮기지 않도록 중앙집중형과 연합학습(federated) 방식을 혼합한 구조를 쓰며, 현재 온프레미스에 NVIDIA 데이터센터 GPU 64개를 운영하고 Microsoft Azure의 클라우드 노드를 함께 사용한다. 연구 파이프라인에는 NVIDIA BioNeMo 개발자 플랫폼과 MONAI 프레임워크가 도입된다. C-BRAIN은 OpenScientist(Lawrence Berkeley National Laboratory와 공동 개발, 오픈소스 에이전트형 AI 공동 과학자)와 InsightEngine(387 Labs와 공동 개발, 가설을 과학 문헌과 대조하고 주장마다 근거를 확인하는 오픈소스 플랫폼)을 이미 만들었다. 현재 200여 개 연구 그룹에 적용되며 연간 100만 시간 이상의 연구 역량을 확보할 수 있을 것으로 기사는 전했다. 향후 신경영상, 다중 오믹스, 체액 바이오마커, 장기 임상 데이터를 학습한 다목적 생물학 파운데이션 모델을 구축해 3년 차에는 뇌 노화와 알츠하이머의 새로운 인과 기전을 찾는 것이 목표다.

NVIDIA DGX Spark에서 Ling-3.0-flash 추론을 빠르게 하는 MoE 연산 최적화 방법

NVIDIA 기술 블로그는 Inclusion AI의 Ling-3.0-flash 모델을 NVIDIA DGX Spark에서 batch-size-1로 평가한 결과를 다룬다. 프로파일링 결과 디코딩은 메모리 바운드였고, 모델 가중치를 읽는 데 실행 시간이 주로 쓰였다. 이 중 혼합 전문가(MoE) 연산과 점수를 산출하는 출력 레이어 프로젝션이 두드러진 병목으로 확인됐다.

Ling-3.0-flash 추론의 병목이 메모리 바운드 디코딩과 MoE 연산, 출력 레이어 프로젝션에 있다는 점을 확인했으므로, DGX Spark에서 MoE 모델을 서빙하는 개발자는 이 두 지점을 우선 점검하면 된다.

히말라야에서 로컬 Qwen3.5 9B와 OpenCode로 오프라인 코딩 에이전트 실행하기

Thomson Reuters의 Principal Engineer인 저자는 인터넷을 끊은 상태에서 노트북에 설치한 Qwen3.5 9B 모델과 OpenCode 에이전트만으로 코딩 작업이 가능한지 실험했다. 프로젝트 파일 읽기, 코드 수정, 테스트 실행 같은 작업은 모델과 의존성, 테스트 도구가 로컬에 있으면 오프라인에서도 수행할 수 있다. 저자는 OpenCode를 터미널에서 프로젝트와 연결하고, Ollama가 같은 노트북에서 Qwen 모델을 실행하도록 구성했다. OpenCode는 파일을 읽고 수정안을 제안하며 테스트 스위트 같은 명령을 실행할 수 있고, 권한 프롬프트로 명령과 변경을 검토한 뒤 허용하도록 설정했다. 모델은 Qwen3.5 9B를 선택했는데, 기사에 실린 Qwen 모델 카드 수치 기준으로 LiveCodeBench v6는 65.6, BFCL-V4는 66.1이며 4B 변형(55.8, 50.3)보다 높다. 다운로드 크기는 6.6~7.6GB이고, 기사는 6.6GB 빌드에 메모리 12~16GB를 권장한다고 전한다. 다만 64k 토큰 OpenCode 설정은 더 많은 메모리가 필요할 수 있다고 적었다. 기사는 OpenCode가 Goose·OpenHands-SDK와 비교된 연구 프리프린트(The Scaffold Effect in Coding Agents)를 인용했다. 해당 연구에서 OpenCode는 Qwen3.6 Plus 기준 50%, MiniMax M2.5 기준 46%의 통과율을 보였으며, 해결한 작업당 토큰 사용량은 Goose보다 약 40배 많았다고 한다. 저자는 이 실험이 클라우드 API와 다른 모델을 사용했기 때문에 로컬 Qwen3.5 9B의 성능을 예측하지 않는다고 밝혔다.

Ollama로 Qwen3.5 9B(6.6~7.6GB)를 노트북에서 실행하고 OpenCode 1.19.4를 연결하면, 설치 후 인터넷을 끊은 상태에서도 프로젝트 파일 수정과 테스트 실행을 시도할 수 있다.

Ben's Bites 뉴스레터, Anthropic IPO 시각화와 에이전트 도구·모델 소식 모음

Ben's Bites의 Ben Tossell이 Anthropic의 IPO 신청서를 시각화한 자료를 함께 소개하며, 에이전트·모델 관련 최신 도구들을 정리했다. 기사에는 OpenAI의 GPT-6.1 Terra, Kimi K3.1 Pro, Block의 Dessa 음성 모델 등 여러 신제품이 나열되어 있다. 기사는 OpenAI의 GPT-6.1 Terra를 컴퓨터 사용과 글쓰기용 신규 모델로 소개하며, $20 요금제에서 일상적으로 쓰기 좋다고 평가했다. 가격은 Sol의 절반 수준이라고 적었다. Kimi K3.1 Pro는 새로운 오픈소스 모델로, 벤치마크상 Opus 5.5 수준이라고 전했다. Block의 Dessa는 동시에 듣고 말할 수 있는 음성 모델로 소개됐다. 에이전트 쪽에서는 Stacklet Token Custodian이 AI 제공자 전반에 걸쳐 토큰 예산을 추적하고 자동 정책을 적용하는 기능을 제공한다고 적혀 있다. 1Password for Agents는 비밀번호를 드러내지 않고 에이전트를 사이트에 로그인시키는 기능으로, Muse와 Grok Bot에 롤아웃 중이라고 한다. Grok Bot은 휴대폰의 캘린더, 미리 알림, 연락처를 사용할 수 있다. Browserbase의 BELL은 오픈소스 개인 비서 스택이며, Reduck은 에이전트가 웹을 빠르고 안정적으로 사용하도록 돕는다고 소개됐다. 기사는 Dessa에 대해 필자가 기대만큼 좋지는 않았다고 평가했으며, 첫 예시가 짜증 나는 사람과 대화하는 느낌이라고 적었다. 반면 표현력이 있고 사람 같은 목소리라는 점은 인정했다.

GPT-6.1 Terra의 $20 요금제 사용, Kimi K3.1 Pro의 오픈소스 공개, 1Password for Agents의 비밀번호 비공개 로그인 기능은 에이전트 개발과 도구 선택 시 바로 검토할 수 있는 구체적 항목이다.

AI로 가짜 과학 논문을 만들어 IEEE Access 투고를 시도한 실험 결과

저자는 자신의 옛 박사 연구 분야인 광 솔리톤을 주제로, 무료 ChatGPT(GPT-5.3/5.2 Mini)와 Gemini(3 Flash)를 단계별로 프롬프트해 실제로 수행되지 않은 연구의 논문을 만들었다. 기사는 이것이 과학 출판의 스팸(AI slop) 문제를 얼마나 쉽게 드러내는지 보여준다고 전한다. 기사는 2025년 게재된 학술 논문의 약 57%에서 LLM 영향의 탐지 가능한 흔적이 나타났다고 전하며, 이는 2023년 12%에서 크게 늘어난 수치라고 설명한다. 저자는 LLM에 초안, 방법, 그림과 캡션, 참고문헌, IEEE Access 양식 변환까지 맡겼고, 직접 출력을 편집하거나 외부 전문가의 도움을 받지 않는 조건을 지켰다. 논문 작성에는 프롬프트를 여러 차례 반복했으며, 한 모델이 거부하면 다른 모델에 '가설적으로' 다음 단계를 묻는 방식이 효과적이었다고 한다. 저자는 두 가지 경로를 시도했다. 하나는 무료 범용 챗봇을 단계별로 쓰는 방식이고, 다른 하나는 과학 연구 대부분을 스스로 수행하도록 설계된 자율 연구 시스템 FARS를 쓰는 방식이다. 편집자 Jenny Mahoney의 협조 아래 IEEE Access 투고 방어를 실제로 시험한 결과가 이 실험의 핵심이다.

기사에 따르면 무료 ChatGPT와 Gemini만으로도 실제 연구 없이 IEEE Access 양식에 맞춘 그럴듯한 논문 초안을 만들 수 있었으므로, 학술 데이터·문헌 검증 도구를 설계하는 쪽에서 생성 논문 탐지 기준을 점검할 필요가 있다.

Anthropic의 상반된 행보: 안전 투자와 입법 로비 사이에서 Zvi Mowshowitz가 짚은 쟁점

Zvi Mowshowitz는 Anthropic이 고품질 모델을 만들면서도 안전 문화를 강조하는 등 평가가 엇갈리는 회사라고 진단했다. 이 글은 Anthropic의 유출된 법안 초안과 Dario Amodei의 Nathan Calvin 반박문을 중심으로 그 쟁점을 정리한다. 기사는 Anthropic이 과감한 입장 표명, 독특한 거버넌스 구조, 상대적으로 강한 안전 문화 등으로 높이 평가받을 만한 행동을 해 왔다고 설명한다. 동시에 실망스러운 행동도 있었다고 지적한다. 주요 쟁점은 유출된 법안 초안으로, 이는 Frontier Act를 변형한 것으로 일부 측면에서는 더 강하고 일부에서는 더 약하며, 광범위한 주 법을 선점(preempt)하는 내용을 담고 있다. 기사는 이 법안이 아무것도 통과시키지 않는 것보다 명확히 낫다고 보기 어렵다고 평가한다. Dario Amodei는 Nathan Calvin의 비판에 대해 SB 53, 생물학 관련 필터링, Mythos 출시 지연, 수출 통제 지지, PRC 기반 기업 판매 중단, 공개 보고서와 카드 발행, 공익 기금에 대한 주식 5% 기부 등을 열거하며 반박했다. 그는 일부 실수를 인정했으나 자신의 전략을 '정상에 이르는 경쟁(race to the top)'으로 규정하고 전체 기록은 자랑스럽다고 밝혔다. 기사는 이러한 공방이 Anthropic에 대한 평가가 가치 기준에 따라 달라진다는 점을 보여준다고 정리한다. 이후 편에서 다룰 예정인 S-1 제출 내용은 이 글에서 다루지 않는다. Anthropic의 법안 초안과 RSP v3 변경, 안전 조항 공방은 AI 기업의 정책 발언과 실제 배포 기준을 함께 검토해야 한다는 점을 보여준다. 개발자에게는 Anthropic의 'Claude' 관련 안전 정책 변화를 추적하는 것이 실무 의사결정에 참고가 된다. is_ai_relevant_placeholder

MIT Technology Review, 제조업의 산업 지능과 Physical AI 활용 사례 정리: Toyota Industries 도장 공정 결함 25% 감소, Rockwell Automation 싱가포르 공장 정비 코파일럿

MIT Technology Review는 제조사가 보유한 노하우, 운영 방식, 생산 데이터를 묶은 '산업 지능(industrial intelligence)'을 다음 성장 기회로 제시했다. 기사는 이 지능을 물리적 제조 현장에 연결하는 Physical AI가 판단과 조치를 함께 수행하게 만드는 방향을 다룬다. 기사는 Toyota Industries가 이전에 분산돼 있던 도장 공장 데이터를 연결해 엔지니어링과 운영 팀이 결함 원인을 파악하도록 했다고 전한다. 회사는 분석 주기가 5일에서 4시간 미만으로 줄었고, 파일럿에서 관련 도장 결함이 약 25% 줄었다고 보고했다. Rockwell Automation은 싱가포르 공장에서 제조 데이터, 기계 매뉴얼, 숙련 작업자의 지식을 결합한 정비 코파일럿을 사용하며, 수백 대 기계의 문제 해결을 새 작업자가 익히는 기간을 9개월에서 3개월로 줄였다고 밝혔다. 기사는 Physical AI가 관찰하고, 추론하고, 행동하는 시스템이며 변동이 있을 때 검증된 한계 안에서 조정을 실행한다고 설명하고, 실제 설비에 적용하기 전 디지털 환경에서 제안된 조치를 시뮬레이션하는 방식도 언급한다. 기사는 책임 있는 도입을 위해 시스템이 변경할 수 있는 권한의 명확화, 설비와의 안정적 연결, 안전 경계 정의, 결정과 조치 기록이 먼저 필요하다고 강조한다. 또한 사람이 불확실성을 인식하고 개입하여 설비를 안전 상태로 돌릴 수 있어야 하며, 신뢰는 모델에 대한 믿음이 아니라 이런 실무적 장치에서 나온다고 적었다.

Rockwell Automation의 정비 코파일럿이 신규 작업자의 학습 기간을 9개월에서 3개월로 줄였다는 수치는 제조 데이터와 매뉴얼을 연결한 사내 AI 도구 도입의 실제 효과를 가늠하게 한다.

모델이 스스로 자기 업데이트를 지시하는 학습 방식: SEAL과 Nested Learning

대화 중 새 지식을 써도 세션이 끝나면 사라질 수 있어, 경험이 모델을 어떻게 바꿀지와 그 결정을 누가 내리는지가 지속 학습의 핵심이다. SEAL은 모델이 스스로 셀프 편집을 생성·적용하고, 업데이트된 모델의 개선 정도로 강화학습을 받도록 해 한 지식 설정에서 질의응답 정확도를 32.7%에서 47.0%로 끌어올렸다고 소개된다. 기사는 문맥 내 기억, 외부 메모리, 파라미터 업데이트를 구분해 기억과 학습은 서로 다른 작업이라고 설명한다. 또한 학습 예시 한 건을 고르는 일이 사실상 연산에 대한 선택이라고 보고, LoRA가 무엇을 해결하고 무엇을 해결하지 못하는지 짚는다. 이어서 여러 시간 척도에 걸쳐 적응을 분산하는 Nested Learning과 Titans를 다루며, 지속 학습자가 모두 관리해야 하는 치명적 망각 문제를 언급한다. 원문 자료가 말하는 것은 특정 API를 가르친 코딩 어시스턴트 예시처럼, 대화 중 문서를 잘 활용하더라도 새 세션에서 그 학습이 사라질 수 있다는 점이다.

SEAL은 셀프 편집을 생성·적용하고 업데이트 후 개선 정도로 강화학습하는 구조를 제시하므로, 모델 업데이트를 설계할 때 어떤 경험을 파라미터에 반영할지와 그 통제 방식을 함께 검토해야 한다.

Alpha School 창립자 Joe Liemandt, AI 시대의 학교 재설계 방향 제시

Alpha School 창립자 Joe Liemandt는 AI로 학생들의 학습 속도를 크게 높일 수 있다면, 남는 시간을 학과 공부로 채우기보다 주도성·팀워크·기업가정신·의사소통·어려운 일 해내기 같은 기술을 가르치도록 학교를 다시 설계해야 한다고 주장한다. 이 내용은 a16z의 팟캐스트에서 Horowitz and Andreessen Academy 공동 창립자 Gagan Biyani와 함께 다뤄졌다. Alpha School 모델에서는 학생들이 핵심 학과 공부에 하루 두 시간을 쓰고, 나머지 시간은 프로젝트를 통해 실제 세계에서 쓰이는 기술을 기른다. 대화에서는 이 접근법이 고등교육에 줄 수 있는 시사점, 교육과정보다 동기가 더 중요할 수 있다는 관점, 그리고 Horowitz and Andreessen Academy가 대학생 연령대를 대상으로 만들기, 관계 맺기, 실제 경험을 학습의 중심에 두는 방식도 논의되었다. Liemandt는 AI가 기업가정신의 폭발적인 증가를 이끌 것으로 본다. 또한 학생들에게 가장 중요한 질문은 어떤 분야가 AI에 가장 덜 위협받는지가 아니라, 무엇을 만들 만큼 깊이 관심을 갖는지일 수 있다고 말한다. 부모가 새로운 교육 모델을 고르기 전에 무엇을 믿어야 하는지도 함께 다뤄졌다.