AI 뉴스

NVIDIA, 유럽 GTC에서 로컬 AI 하드웨어 라인업과 RTX Spark·DGX Spark·DGX Station 신규 기능 발표

NVIDIA가 GTC Berlin에서 RTX Spark(Windows PC), DGX Spark(Linux 개발자용), DGX Station(엔터프라이즈용) 등 로컬 AI 하드웨어 라인업을 소개하고, 에이전트 실행과 모델 구동을 기기 안에서 처리하는 여러 신규 기능을 공개했다. 사용자 데이터가 PC를 떠나지 않는 로컬 실행을 강조한 점이 핵심이다. RTX Spark는 최대 128GB 통합 메모리와 1 petaflop의 AI 연산 성능을 갖춘 PC 플랫폼으로, 로컬 전용 데스크톱 에이전트 앱 Underdog이 이를 지원한다. Underdog은 자체 모델 전용 추론 엔진 Husky로 모델을 기기에서 완전히 실행하며, 많은 RTX Spark 노트북은 로컬 에이전트를 직접 만들 수 있도록 잠금 해제된 부트로더를 제공한다. DGX Spark 64GB 시스템은 10월 23일부터 출하되며, NVIDIA ConnectX-7 네트워킹과 NVIDIA Sync Cluster Assistant로 최대 8대까지 클러스터를 구성할 수 있어 1TB 통합 메모리를 확보한다. DGX Station은 748GB 코히어런트 메모리와 최대 20 petaflops의 AI 성능을 제공하며, 7개의 신규 IT 관리 연동(Microsoft Intune, Tanium 등)이 추가됐다. 12월에는 Windows 버전의 DGX Station이 출시된다고 밝혔다. 기사에 따르면 NVIDIA Sync Model Launcher는 이달 후반 제공될 예정이며, 모델과 컨테이너를 설정에 맞게 내려받아 OpenCode에 연결하는 기능이다.

RTX Spark, DGX Spark, DGX Station 모두 로컬에서 LLM과 에이전트를 실행하는 경로이며, DGX Spark 클러스터는 Qwen 3.8 Flash Next나 GLM 5.3 Flash 같은 모델을 로컬 팀 백엔드로 구성하는 데 쓸 수 있다.

Google Cloud, NVIDIA Vera Rubin 인프라 정식 출시 발표… A5X 인스턴스 다음 달 제공

Google Cloud와 NVIDIA가 NVIDIA Vera Rubin 기반 인프라의 일반 제공(GA)을 발표했고, A5X 인스턴스는 다음 달 정식 출시되며 유럽으로 이용 가능 지역 확대가 계획돼 있다. 이 플랫폼은 학습, 추론, 대규모 강화학습을 하나로 묶은 클라우드 환경을 제공한다. A5X 인스턴스는 NVIDIA Vera Rubin NVL72, NVIDIA ConnectX-9 SuperNIC, Google Cloud Virgo 네트워크, 4세대 액체 냉각 기술을 결합해 대규모 에이전트형 추론과 강화학습 워크로드를 겨냥한다. Google Cloud는 Vera Rubin 기반 인프라를 여러 사이트에 걸쳐 최대 960,000개의 Rubin GPU까지 확장할 계획이다. 첫 고객은 AlphaGo 제작자 David Silver가 설립한 런던 기반 기업 Ineffable Intelligence로, 경험을 통해 지속적으로 학습하는 'superlearner' 시스템 개발에 이 플랫폼을 사용하고 있다. WPP는 NVIDIA Nemotron 모델과 NVIDIA OpenShell을 활용해 A5X 인스턴스에서 크리에이티브 에이전트 참조 아키텍처를 시연했다. 이 에이전트는 대화형 요청을 영상 생성, 업스케일링, 리스타일링 등 다단계 작업으로 바꾸며, 실행 전 사람의 승인을 거친다. WPP의 초기 테스트에서는 보통 다중 노드 클러스터가 필요했던 워크로드가 단일 A5X 인스턴스에서 실행됐다. 또한 Google Cloud는 GB300 NVL72 기반 A4X Max 등 베어메탈 인스턴스에서 랙 규모 NVIDIA Confidential Computing을 제공하는 초기 클라우드 사업자가 되며, RTX PRO 6000 Blackwell 기반 G4 VM에서도 Confidential Computing을 정식 제공한다.

A5X 인스턴스의 NVIDIA Vera Rubin NVL72와 ConnectX-9 SuperNIC 조합, 그리고 G4 VM의 Confidential Computing 정식 제공은 대규모 강화학습과 에이전트 추론 워크로드를 클라우드에서 돌리려는 팀이 인스턴스 구성과 보안 설계를 검토할 때 직접 참고할 수 있는 항목이다.

NVIDIA 클라우드 파트너, 유럽·북유럽·아프리카·중앙아시아로 AI 인프라 확장

NVIDIA 클라우드 파트너들이 유럽, 북유럽, 아프리카, 중앙아시아에서 모델 학습과 추론용 지역 컴퓨팅 용량을 늘리고 있다. Nscale은 NVIDIA DSX MaxLPS로 같은 전력 예산에서 GPU를 37% 더 배치하고 집계 추론 처리량을 약 50% 높였다고 밝혔다. Nscale은 NVIDIA GB300 NVL72 시스템에서 진행한 테스트에서 DSX MaxLPS를 통해 전력 할당을 작업 요구사항에 맞춰 조정했고, 동일한 할당 전력 예산 안에서 GPU 37% 증가와 거의 50% 높은 집계 추론 처리량을 확인했다고 밝혔다. Nscale은 NVIDIA Vera Rubin 인프라를 프런티어 모델 학습과 프로덕션 워크로드에 배치할 계획이며, 다섯 개 유럽 시장으로 확장한다. Crusoe는 Vera Rubin 플랫폼용 액체 냉각 모듈형 AI 팩토리 Spark를 개발 중이다. Nebius는 Vera Rubin NVL72와 NVIDIA Groq 3 LPX를 Spectrum-X 이더넷으로 연결해 Nebius Token Factory에서 제공한다. Baseten은 CodeRabbit의 코드 리뷰 라우팅 모델을 Nemotron 3.5 Lightning 기반으로 개발했으며, 지도 미세조정과 강화 학습으로 라우팅 일치율을 75.8%에서 80.7%로 높이고 평가 워크로드의 추론 비용을 50% 낮췄다고 한다. Mistral은 3,800개의 NVIDIA Grace Blackwell GPU로 학습한 Mistral Large 4를 공개했으며, Vera Rubin 인프라 도입은 2027년으로 예정돼 있다. NVIDIA는 GTC Berlin에서 AI 에이전트의 접근 범위와 행동을 통제하는 NVIDIA OpenShell 참조 아키텍처를 발표했다. 이 구조는 NVIDIA OpenShell 보안 런타임 소프트웨어를 기반으로 하며, AI 클라우드 생태계 파트너들의 지원을 받는다.

Nebius의 Nebius Token Factory에서 Vera Rubin NVL72와 NVIDIA Groq 3 LPX를 함께 쓰는 구성은 지연에 민감한 에이전트 시스템의 토큰 생성 속도 향상을 목표로 하므로, 관련 API를 쓰는 개발자는 해당 엔드포인트의 지연 시간을 확인해볼 만하다.

AI 에이전트의 문서 처리 문제와 Reducto의 해결책

AI 에이전트는 방대한 정보를 처리할 수 있지만, 많은 실제 작업이 PDF, 스프레드시트, 스캔 등 모델이 이해하기 어려운 형식에 갇혀 있다. Reducto의 공동 창립자이자 CEO인 Adit Abraham은 이러한 문서 레이어를 해결하는 것이 의료, 법률, 금융 및 보험 분야에서 에이전트가 중요한 작업을 수행하는 데 필수적이라고 주장한다. Reducto는 매달 수십억 페이지를 처리하며, 최근에는 70억 번째 페이지를 기록했다. Reducto의 R1 모델은 에이전트가 문서 추출을 검토하고 수정할 수 있도록 하며, 단순히 파일을 읽는 것을 넘어 에이전트가 신뢰성 있게 작업하고 수정할 수 있도록 하는 방향으로 나아가고 있다.

Reducto는 매달 수십억 페이지를 처리하며, 이는 AI 에이전트의 문서 이해 능력을 향상시키는 데 중요한 역할을 한다.

NVIDIA Sentry, 런타임에서 AI 에이전트 보안 감시·강제 집행

AI 에이전트는 할당된 작업을 완료하면서도 보안 경계를 넘을 수 있다는 점이 최근 사건들로 드러났다. 에이전트는 도구, 자격 증명, 서비스를 사용해 할당된 목표를 추구하는 과정에서 보안 통제를 우회할 수 있다. 기사는 모니터링과 강제 집행이 에이전트가 변경하거나 비활성화할 수 없도록 에이전트의 접근 범위 밖에서 동작해야 한다고 설명한다. NVIDIA Sentry는 AI 에이전트를 모니터링하는 보안 소프트웨어 프레임워크로 소개된다.

에이전트가 도구와 자격 증명을 사용하는 환경이라면, 에이전트 내부가 아닌 외부에서 동작하는 런타임 감시 계층이 필요하다는 점이 NVIDIA Sentry의 핵심이다.

NVIDIA OpenShell 참조 아키텍처의 AI 에이전트 작업 부하 보안 및 관리

자율 에이전트는 복잡한 작업을 수행하며, 파일, 도구, 인터넷에 접근하고 다른 에이전트를 생성하여 협력할 수 있다. 이러한 에이전트는 긴 시간 동안 복잡한 작업을 수행하면서 위험이 증가할 수 있으며, 코드 다운로드, 새로운 도구 생성, 추가 권한 요청 등으로 인해 기반 시설에 영향을 미칠 수 있다.

NVIDIA OpenShell 아키텍처는 자율 에이전트의 작업 부하를 안전하게 관리하는 기능을 제공한다.

AI 데이터센터 자금조달 위기와 SpaceX·Anthropic 재무 지표 분석

AI 인프라 투자와 기대 수익 사이의 격차가 벌어지며 데이터센터 자금조달이 어려워지고 있다는 분석이 나왔다. 글은 Global AI 관련 부채 발행이 2026년 9월 230억 달러로 6월 1,130억 달러에서 급감했다고 전한다. 기사는 Gartner 등을 인용해 현재 투자 속도가 유지되면 2032년 말까지 4조 달러 이상의 AI 인프라 지출이 감액 처리될 위험이 있다고 전한다. Gartner는 또 2030년까지 전문 Neo Cloud의 80% 이상이 독립 운영을 멈출 것으로 예측했다. 은행 측면에서는 JPMorgan CEO Jamie Dimon이 신용 대출을 조이고 있다고 확인했고, Oracle 데이터센터 캠퍼스 관련 약 180억 달러 규모 은행 대출이 스트레스 구간으로 밀려들었으며, Nvidia 지원 AI 클라우드 업체 Firmus는 300억 달러 이상 기업가치를 목표로 한 IPO를 보류했다. 기사는 Anthropic이 2026년 상반기 매출 163억 달러를 기록했지만 같은 기간 순손실 807억 달러를 냈다고 밝혔다. SpaceX는 2026년 3분기 매출 145.8억 달러, 순이익 44억 달러를 보고했고, 3분기 자본지출은 196억 달러로 전년 동기 69억 달러에서 크게 늘었다. 부채는 388억 달러이며 Elon Musk가 지분 78%를 보유하고 있다고 적혀 있다. 기사는 SpaceX가 4분기 자본지출을 350억~400억 달러로 안내했다고 덧붙였다.

SpaceX의 Colossus 1 데이터센터 전체 용량을 Anthropic이 사용한다는 점과 Anthropic 상반기 순손실 807억 달러 수치는 인프라 임대 계약의 재무 리스크를 가늠할 때 확인해 볼 만한 지표다.

AI 공장 디지털 트윈 개발을 위한 에이전트 지원 워크플로우

AI 공장 디지털 트윈을 구축하기 위해 개발자들은 현장 계획, 장비 자산 및 엔지니어링 요구 사항을 일관된 모델로 통합해야 한다. 이러한 입력을 편집 가능한 워크플로우로 연결하면 팀이 디자인 대안을 탐색하고 디자인이 발전함에 따라 엔지니어링 피드백을 통합할 수 있다.

NVIDIA Omniverse DSX Blueprint를 활용하면 팀이 AI 공장 디지털 트윈을 효과적으로 시뮬레이션할 수 있다.

KRAFTON의 Raon-1 mini 모델 소개

Raon-1 mini는 KRAFTON AI에 의해 처음부터 설계되고 훈련된 30B-A4B Mixture-of-Experts (MoE) 언어 모델이다. 이 모델은 한국어 대화 및 에이전트 작업에서 강력한 능력을 보여준다. Raon 오픈 모델 패밀리의 일환으로 Apache 2.0 라이선스 하에 공개되었다. 주요 기능으로는 내장된 사고 능력, 지시 따르기 및 검색에서의 우수한 성능, 강력한 한국어 능력, 에이전트 작업을 위한 도구 호출 지원, 가속화된 추론을 위한 DFlash2 초안 모델 제공, MXFP8 및 NVFP4 형식의 양자화 옵션이 있다.

Raon-1 mini는 NVIDIA RTX 5090 GPU에서 단일 장치로 추론을 가능하게 하는 NVFP4 형식을 지원한다.

DeepSeek DeepInfer 오픈소스 공개: 155T 토큰/일 프로덕션 추론 스택과 캐시 기반 수익성 주장

DeepSeek이 프로덕션 추론 스택 DeepInfer를 오픈소스로 공개했고, 자사 클러스터 기준 하루 155T 토큰 처리와 96% 입력 캐시 적중률 등 운영 수치를 함께 밝혔다. 엔진은 공개됐지만 KV 캐시 관리와 로드 밸런싱 등 핵심 서비스 계층은 아직 빠져 있다. DeepInfer는 vLLM을 기반으로 SGLang과 TRT-LLM의 기법을 더한 추론 엔진으로, 분산 추론, 추측 디코딩, SWA Bounded Replay, NVIDIA 및 Huawei Ascend 플랫폼의 구조화된 출력을 지원한다. 함께 공개된 deepseek-recipe는 공식 API와 호환되는 토큰 인코딩·디코딩 처리를 구현한다. DeepSeek은 보고서에서 최대 72시간 프롬프트 캐싱을 언급했고, 처리량 155T 토큰/일, 입력 캐시 적중률 96%, 평균 첫 토큰 응답 400ms, 생성 속도 230 토큰/초(코딩은 300 토큰/초)를 제시했다. 이 수치들은 DeepSeek 자체 프로덕션 주장이며 독립 검증된 측정치가 아니다. 기사는 이 수치를 바탕으로 오프피크 가격 기준 가속기 시간당 $38 수익과 80% 이상의 추론 마진을 계산했다. vLLM 팀은 자사 벤치마크에서 GB200 기준 디코드 처리량이 DeepInfer 발표치와 6% 이내로 근접한다고 밝혔고, AgentX 결과와 재현 레시피를 공개했다. 이 비교는 DeepSeek의 효율이 기존 오픈소스 엔진으로 접근할 수 없다는 주장을 일부 제한한다. 기사는 이 수익성 수치가 워크로드 구성, 캐시 집계 방식, 하드웨어 비용, 포함된 비용 항목에 따라 달라진다고 지적한다.

DeepInfer는 vLLM 기반이면서 Apache 2.0으로 공개되어 있고, 입력 캐시 적중률 96%와 prefill·decode 분리 구조를 참고할 수 있어 자체 추론 서빙 설계의 비교 기준으로 쓸 만하다.

Tenex, 결과물 기준 보상과 MetaHarness로 AI 네이티브 SDLC를 구축하는 방식

Tenex의 Alex Lieberman과 CJ Hess는 AI 엔지니어에게 키보드 앞 시간이 아니라 전달한 결과물에 대해 보상하는 방식을 기업 규모의 엔지니어링 조직에 적용한 과정을 설명했다. Latent Space는 이 대담과 함께 연사 관리 SaaS를 직접 만들어 대체하는 실험(Kill My SaaS)도 소개했다. Tenex는 보상 체계에서 스토리 포인트를 여전히 중요한 요소로 사용하며, Alex는 추정치 부풀리기나 포인트를 쌓으려는 나쁜 코드 배포가 가장 큰 문제가 되지는 않았다고 말했다. Tenex의 AI 전략가는 고객 유지와 성장을 책임지므로 고객에게 도움이 되지 않는 작업에 이의를 제기할 동기가 있다. 회사는 75명 규모로 성장했으며 고객은 Fortune 2000 기업과 중견 기업으로 나뉜다. MetaHarness는 공유 스킬, 프로젝트 문서, CLI를 묶은 도구로, 계획과 결정 사항을 코드와 함께 Git에 체크인해 에이전트가 무엇을 만들었는지뿐 아니라 왜 그렇게 만들었는지도 읽을 수 있게 한다. Tenex 측은 이런 구조가 한 프로젝트를 맡은 소규모 팀에게는 과할 수 있다고 적었다. Kill My SaaS 실험에는 제출 72건이 들어왔고, 사람 심사위원이 뽑은 우승작은 AI 심사위원 리더보드에서 19위였다. 기사 주장에 따르면 시나리오 충족 여부 확인과 사용자가 실제로 쓰고 싶어 하는지 판단하는 일은 서로 다른 작업이다. Alex는 업마켓으로 갈수록 기존 시스템을 걷어내는 비용과 위험이 커지며, 자체 개발한 도구에는 유지보수 부담이 따른다고 지적했다. 수직형 AI 제품에 관해 Alex는 대체로 회의적이었고, 진행자는 Harvey와 OpenEvidence, Bloomberg 터미널을 예로 들어 도메인 데이터와 워크플로가 중요하다고 반박했다.

Kill My SaaS에서 연사 관리 도구의 연간 비용이 $43,000이었다는 점을 기준으로, 자체 제작 도구의 절감 효과와 유지보수 부담을 함께 따져볼 수 있다.

동남아시아 디지털 경제, 2026년 3,680억 달러 규모로 성장 전망

Google AI Blog에 따르면, 동남아시아의 디지털 경제는 AI 도입이 확산되면서 2026년 3,680억 달러 규모에 이를 것으로 예상된다. 같은 기사는 2035년에는 1조 달러에 도달할 것으로 전망한다.

OR-License: LLM 에이전트를 위한 운영 연구 평가 벤치마크

OR-License는 31개의 사례를 포함한 운영 연구(OR) 평가 벤치마크로, 원래 클라이언트 자료에서 전문가 수준의 솔루션을 제공할 수 있는 대형 언어 모델(LLM) 에이전트의 능력을 평가한다. 이 벤치마크는 368만 달러 규모의 유료 OR 참여에서 수집된 10개의 산업 시나리오를 포함하며, 원본 요구사항과 입력 데이터, 결과물 형식을 보존한다. 11개의 최첨단 LLM을 사용한 결과, 일부 모델은 조건부 목표 품질에서 전문가 기준을 초과했지만, 배포 조정 품질(DAQ)에서는 전문가 기준에 미치지 못했다. 가장 강력한 Claude Code 구성은 88.39%의 엄격한 실행 가능성과 0.87의 DAQ를 기록했다.

OR-License는 LLM 에이전트가 실제 비즈니스 자료를 기반으로 전문적인 운영 연구 솔루션을 제공할 수 있는 가능성을 평가하는 중요한 도구이다.

Navalia: 검증 가능한 작업 합성과 장기 후속 훈련을 통한 Cowork Agents 발전

Navalia는 대규모 언어 모델(LLM) 에이전트가 자율 계획, 도구 사용 및 복잡한 작업 실행을 수행할 수 있도록 하는 프레임워크이다. 이 프레임워크는 기업 재무 보고서를 데이터 소스로 활용하여 증거를 선택하고 실행 가능한 계산 체인을 구성하여 분석 작업을 생성한다. Navalia는 Qwen3.6-35B-A3B에서 초기화되어 OfficeQA Pro, FinSearchComp, Finance Agent Benchmark, APEX-Agents-AA, Workspace-Bench-Lite의 다섯 가지 벤치마크에서 일관된 성과 향상을 달성하였다.

Navalia는 검증된 작업을 통해 장기적인 작업 실행 능력을 향상시키고, 일반 사무 작업을 포함한 더 넓은 Cowork 환경에 일반화된다.

MedPAO-Assist: 방사선 보고서 구조화를 위한 엣지 배포 가능 AI

MedPAO-Assist는 방사선 전문의의 음성 명령과 독백에서 직접 구조화된 방사선 보고서를 생성하는 엣지 배포 가능 프레임워크이다. 이 시스템은 약 3.3GB의 피크 RAM을 요구하며, 표준 노트북 CPU에서 평균 31초의 지연 시간을 기록한다. 현재 네 가지 주요 이미징 모달리티인 흉부 X선, 흉부 CT, 복부 CT, 뇌 MRI를 지원하며, 0.6B 파라미터 범위의 소형 언어 모델(SLM)을 사용하여 전체 파이프라인을 운영하는 초기 에이전틱 시스템 중 하나이다. 이 시스템은 키보드 입력이나 인터넷 연결 없이도 완전한 '노 터치' 보고서 작성 워크플로우를 제공한다.

다목적 강화 학습을 통한 Pareto-최적 RTL 코드 생성

최근 연구에서는 LLMs(대형 언어 모델)를 활용하여 자연어 사양으로부터 고품질 RTL 회로를 생성하는 강화 학습 방법(RLVR)을 제안하였다. 기존 방법들은 전력, 성능, 면적(PPA) 최적화를 단일 스칼라 보상으로 집계하여 다양한 Pareto-최적 솔루션을 동시에 생성하기 어려웠다. 본 연구에서는 LLM 기반 회로 생성에서 단일 회로의 품질이 아닌 전체 회로 집합의 품질과 다양성을 최적화하는 학습 방법을 제안하며, Hypervolume Contribution(HVC) 기반의 보상 함수를 사용하여 생성된 회로가 Pareto 전선에 얼마나 기여하는지를 측정한다. RTLLM v2 벤치마크 평가에서 제안된 방법은 PPA 최적화가 없는 기준 대비 +13.3%의 상대적 Hypervolume 향상과 단일 목표 강화 학습 방법 대비 +14.4%의 향상을 달성하였다.

제안된 방법은 Hypervolume Contribution을 기반으로 하여 회로의 다양성을 높이고, 다양한 제품 요구 사항에 맞는 최적의 설계 선택을 가능하게 한다.

TII Falcon 7B Instruct 등 오픈소스 LLM의 죄수의 딜레마 모델링

이 연구는 TII Falcon 7B Instruct, Google Gemma 7B, Meta Llama 3.1 8B Instruct, Microsoft Phi Mini MoE Instruct, Qwen 2.5 7B Instruct와 같은 오픈소스 LLM이 반복적인 죄수의 딜레마 게임에서 인간의 협력 패턴을 모델링할 수 있는지를 조사하였다. 연구에서는 두 가지 실험 설정을 사용하여 100 라운드 동안 협력률을 측정하고, 인간 데이터와 비교하였다. 결과적으로 모든 LLM은 인간의 협력률과 차이를 보였으며, 특히 셔플된 환경에서는 인간의 협력률이 평균 28.5%인 반면, 여러 모델은 80%를 초과하였다.

Qwen-2.5-7B-Instruct는 결정론적 경향을 보였고, Phi-mini-MoE-Instruct는 더 큰 변동성을 나타내며 인간의 협력률에 잠시 근접하였다.

SAGE-CP: 경량화된 VLM 앙상블의 경로 조건 실패 해결

SAGE-CP는 적응형 VLM 앙상블에서 쉬운 이미지에서 조기 종료하고 어려운 이미지를 상승시키는 방식으로 계산 비용을 절감한다. 이 방법은 경로의 유효성을 보장하면서도 개별 경로에서 심각한 실패를 초래할 수 있는 문제를 해결하기 위해 개발되었다. SAGE-CP는 개발 데이터에서 라우터를 학습하고, 모든 라우팅 선택을 고정한 후, 조기 종료와 상승된 입력에 대해 반환된 점수를 별도로 보정한다. 이 과정에서 10개의 벤치마크와 4개의 고정된 VLM을 사용하여 SAGE-CP는 평균 최악 경로 커버리지를 0.623에서 0.887로 증가시키고, 평균 경로 커버리지 격차를 0.324에서 0.025로 줄였다. 또한, SAGE-CP는 배치-원 지연 시간을 58.8%에서 63.4%까지 줄이고, GPU 에너지를 55.7%에서 57.5%까지 절감하였다.

SAGE-CP는 경로 수준의 신뢰성을 유지하면서도 70.6% 적은 소스 호출로 0.900의 마진 커버리지를 달성한다.

로컬 AI를 활용한 개인 NAS 기반 도서관 구축 사례

사용자는 로컬 AI를 통해 자신의 대규모 도서관에서 수천 권의 책과 자료를 처리하고 유용한 정보를 추출하는 시스템을 구축했다. 이 시스템은 3개의 로컬 에이전트(2x Strix Halo 박스, 1x RTX 5090)로 구성되어 있으며, 사용자는 이 에이전트를 통해 자료를 관리하고 질문에 답변을 받을 수 있다. 또한, 사용자는 개인적인 디지털 공간을 만들어 광고나 외부 데이터 추적 없이 정보를 탐색할 수 있는 환경을 조성했다.

로컬 AI를 통해 사용자는 수백만 개의 정보를 처리하고 개인화된 방식으로 자료를 탐색할 수 있다.

2026년 브라우저 밖 JavaScript 동향: Node.js 연 1회 릴리스 전환, Deno·Bun 인수, npm 공급망 공격 대응

네이버 D2 연재 2편은 2019년 이후 7년간 브라우저 밖 JavaScript 생태계의 변화를 정리했다. Node.js는 연 1회 릴리스로 일정을 바꾸기로 했고, Deno와 Bun은 각각 Cloudflare와 Anthropic에 합류했다. 2019년 글에서 Node.js 12.13이던 최신 버전은 2026년 10월 기준 26.12로 메이저 버전이 열네 번 나왔다. 기사는 Node.js가 TypeScript 파일을 바로 실행하고, 테스트 러너와 SQLite, WebSocket 클라이언트를 내장하며, 권한 모델로 파일과 네트워크 접근을 제한한다고 소개한다. 패키지 생태계에서는 2020년 GitHub의 npm 인수 이후 2025년부터 chalk, debug 등 메인테이너 계정 탈취와 Shai-Hulud 웜 같은 공급망 공격이 주요 문제가 되었고, npm과 pnpm은 설치 스크립트를 기본으로 실행하지 않도록 바꾸었다. 2026년 10월 Deno 팀의 Cloudflare 합류로 Deno 런타임 개발은 1년간 보안 업데이트 후 종료되며, Deno Deploy는 6개월 뒤 종료된다. Bun 1.4와 pnpm 12는 2026년 8월 각각 Rust로 재작성되었고, npm 12는 2026년 7월 설치 스크립트 기본 미실행 정책을 도입했다.

Deno Deploy 종료 예정(6개월 뒤)과 npm 12의 설치 스크립트 기본 미실행 정책은 배포 환경과 의존성 설치 절차를 점검해야 하는 근거가 된다.

Anthropic의 AI 안전 법안 초안에 대한 비판과 대응

Anthony Cimino는 Anthropic의 AI 안전 법안 초안에 대한 공식적인 반응을 제시하며, 이 법안이 특정 우려를 다루고 있지만 본질적으로 문제가 있다는 점을 인정하지 않고 있다고 밝혔다. 그는 연방 법안이 강력한 기준을 충족해야 한다고 강조하며, 주 정부의 역할을 유지해야 한다고 언급했다. 또한, 모델 차단에 대한 법적 기준이 너무 높아서는 안 되며, 긴급 상황에서 신속한 법원 조치를 요구하고 있다.

Cimino는 연방 법안이 강력한 기준을 충족해야 한다고 강조하고, 이는 AI 안전 정책의 방향성을 결정짓는 중요한 요소가 될 수 있다.

OpenDesign으로 웹사이트 주소를 넣고 딥시크로 16초 메타 광고 세로형 모션을 만든 과정

글쓴이가 OpenDesign이라는 데스크톱 앱에 웹사이트 주소를 넣고 딥시크 모델을 연결해 1080×1920 해상도의 16초 MP4 메타 광고 모션을 만들었다. 첫 요청부터 마지막 수정까지 기록상 약 33분이 걸렸으며, 글쓴이는 딥시크 같은 가성비 높은 모델로 예산에 맞춰 디자인을 만들고 수정할 수 있다는 점을 강조했다. OpenDesign은 클로드 외에도 사용자가 원하는 모델을 연결할 수 있는 오픈소스 도구로 소개됐다. 글쓴이는 이 도구에 딥시크를 연결해 움직이는 시안을 먼저 받은 뒤, 영상으로 저장해 달라고 요청했다. 이후 배경음악을 붙였고, 움직임이 밋밋하다고 판단해 한 번 더 수정을 주문했다. 최종 결과물은 1080×1920 해상도의 16초 MP4 파일이며, 기록상 소요 시간 약 33분에는 글쓴이가 결과를 확인하고 다음 지시를 입력한 시간도 포함된다. 기사는 어디서 사람의 지시가 더 필요했는지를 본문에서 보여주겠다고 예고했을 뿐, 이 글에서는 그 세부 내역을 구체적으로 제시하지 않았다.

OpenDesign에 딥시크를 연결해 1080×1920 해상도의 16초 MP4를 약 33분 만에 만든 사례는 모델 선택에 따라 제작 비용을 조절할 수 있음을 보여준다.

AWS Trainium2에서 Laplace 3B 선형 주의 모델 훈련 및 서비스

대부분의 대형 언어 모델은 소프트맥스 주의력을 사용하는 변환기 아키텍처를 기반으로 하며, 이로 인해 키-값(KV) 캐시가 대화나 문서 맥락에 따라 증가한다. i14는 Laplace 3B를 선형 주의력 대안으로 설계하였으며, 이 모델은 각 시퀀스당 29.5 MB의 고정된 상태를 유지한다. AWS와 협력하여 i14는 TorchNeuron Native를 통해 이 아키텍처를 AWS Trainium2에 적용하였고, Laplace 3B는 약 120,000 토큰/초로 훈련되었으며, 1,280개의 동시 시퀀스에서 초당 11,544개의 출력 토큰을 제공하였다.

Laplace 3B는 Gated Linear Attention(GLA) 설계를 통해 훈련 주의력을 O(T)로 줄이고, 추론 상태를 고정 크기로 유지하여 메모리 효율성을 높인다.

Meta, 상업용 이용약관에서 'train'이라는 단어 삭제…AI 학습 논란 대응

Meta가 10월 30일 시행 예정인 상업용 이용약관에서 'train(학습)'이라는 단어를 삭제했다. 법률 전문가들이 새 약관이 비즈니스 페이지에 연결된 웹사이트를 무제한 스크래핑할 권한을 Meta에 준다고 경고한 뒤 나온 조치다. 법률 전문가들은 새 약관이 모든 비즈니스 사용자에게 사업 페이지 운영만으로 방대한 AI 학습 데이터를 공유하도록 요구할 수 있다고 지적했다. Nieman Lab과의 인터뷰에서 이들은 이를 통해 Meta가 뉴스 기관에 지불해야 할 수백만 달러 규모의 라이선스 비용을 피할 수 있다고 말했다. Meta 대변인은 논란 이후에도 변경된 문구를 이용자에게 별도로 알리지 않았다고 확인했다. 이에 따라 정책 시행을 앞두고 혼란이 더해질 수 있다는 우려가 나온다. Meta는 Ars Technica에 보낸 입장문에서 Nieman Lab의 최초 보도는 인정했지만, 전문가들의 우려를 재차 다룬 후속 보도에는 답하지 않았다.