AI 뉴스

자동화 도구 16개 중 12개가 현재도 운영 중인 결과

작성자는 16개의 자동화 도구를 점검한 결과, 12개가 현재도 운영되고 있다고 밝혔다. 이 도구들 중 10개는 정기적인 일정에 따라 사용되고 있으며, 나머지 2개는 조건이 생길 때만 작동한다. 멈춘 도구들은 유지 비용, 임무 완료, 더 나은 체계로의 이전 등 다양한 이유로 중단되었다.

정기적인 일정에 따라 운영되는 도구가 많아, 개발자는 도구의 사용 빈도를 높이기 위해 일정 관리의 중요성을 인식해야 한다.

현재 AI 시스템의 학습 메커니즘이 AGI를 생성할 수 있는 근거

많은 AI 관련 대화는 AGI/RSI/ASI의 가능성을 전제로 하고 있으며, 포스트 AGI 세계에 대한 질문이 주를 이룬다. 그러나 이 글은 현재 AI 시스템의 학습 메커니즘이 AGI를 생성할 수 있다는 강력한 주장을 찾고자 한다. 특히 인과 메커니즘, 계산 학습 이론, 정보 이론, 기본 원리에 기반한 논의를 중시하며, 기술 발전의 정지나 미래의 돌파구에 대한 논의는 지양한다.

Anthropic의 Claude Managed Agents를 위한 동적 워크플로우 소개

AI Engineer NYC 2026 컨퍼런스에서 Anthropic의 CJ Avilla와 Harrison Stall은 Claude Managed Agents의 새로운 기능인 동적 워크플로우를 발표했다. 동적 워크플로우는 '플로우'라고 불리며, 여러 에이전트를 조정하여 복잡한 작업을 수행하는 새로운 방식이다. Claude는 작업을 수행하기 위한 계획을 세우고, 에이전트를 실행하며 결과를 수집하고 정보 흐름을 관리한다. 이전에는 개발자가 조정자와 하위 에이전트를 구성해야 했으나, 이제는 Claude가 작업을 나누고 조정한다. 또한, 사용자는 필요에 따라 전문 하위 에이전트를 추가할 수 있다.

동적 워크플로우는 Claude가 작업을 스스로 조정할 수 있게 하여, 개발자가 에이전트 간의 연결을 관리할 필요를 줄인다.

Python 3.15 출시, 주요 기능 소개

Python 3.15가 출시되었으며, 주요 기능으로는 명시적 지연 임포트(PEP 810), 리스트 내 언패킹(PEP 798), 새로운 샘플링 프로파일러인 Tachyon이 포함된다. 명시적 지연 임포트는 모듈을 처음 사용할 때만 임포트되도록 하여 성능을 개선하며, 리스트 내 언패킹은 리스트, 세트, 딕셔너리에서 간편하게 요소를 추출할 수 있게 해준다. Tachyon은 낮은 오버헤드로 실행 중인 시스템의 스택 트레이스를 주기적으로 캡처하여 성능 분석을 가능하게 한다.

명시적 지연 임포트는 무거운 의존성을 가진 플러그인을 사용할 때의 시작 비용을 줄여준다.

Looped Diffusion Transformer: 반복 실행되는 변환 블록과 샘플링 시 변경 가능한 루프 깊이

Looped Diffusion Transformer 논문(arXiv 2609.40305, 9월 30일 발표)에서는 텍스트-이미지 변환 모델 DiT의 크기를 키우는 대신, 각 디노이징 단계에서 동일한 변환 블록 그룹을 여러 번 실행하는 방식을 제안한다. 260M 루프 모델이 6.5배 큰 모델보다 여러 벤치마크에서 더 우수한 성능을 보이며, 4.9배 적은 추론 계산량을 요구한다고 보고했다. 루프 깊이는 샘플링 시 선택할 수 있으며, 깊이가 3 이상일 때 성능 차이가 적게 나타났다.

260M 루프 모델이 6.5배 큰 모델보다 우수한 성능을 보이며, 4.9배 적은 추론 계산량으로 효율성을 높인다.

Anthropic의 AI 에이전트 신뢰성 유지 담당 엔지니어 소개

Gurmeet Saran은 샌프란시스코에 위치한 Anthropic에서 Claude와 같은 AI 에이전트의 신뢰성을 확보하기 위한 인프라를 개발하고 있다. 그는 데이터의 정확성과 구조화, 신뢰성을 보장하고 개인 정보 보호를 아키텍처의 일부로 통합해야 한다고 강조한다. Saran은 이전에 Yahoo, Intuit, Meta에서 데이터 품질 문제를 해결하는 데 기여하며, 각 회사에서 데이터의 일관성을 유지하기 위한 시스템을 구축했다.

Claude의 신뢰성을 보장하기 위해 Saran은 AI 모델의 행동을 이해하고 관찰할 수 있는 방법을 개발하고 있다.

태국, 말레이시아, 싱가포르, 인도네시아, 대만에서 Amazon Bedrock을 통한 OpenAI GPT 모델 접근

Amazon Bedrock은 태국, 말레이시아, 싱가포르, 인도네시아, 대만에서 글로벌 크로스 리전 추론을 통해 OpenAI GPT-6 Sol, GPT-6 Luna, GPT-6 Astra 모델을 제공한다. 이 모델들은 복잡한 작업을 처리할 수 있는 강력한 추론 및 코딩 능력을 갖추고 있으며, 텍스트와 이미지 입력을 지원한다. 사용자는 API 호출 시 글로벌 크로스 리전 추론 프로필 ID를 사용하여 요청을 처리할 수 있다.

GitHub Copilot을 코드베이스에 맞게 조정하는 방법

GitHub Copilot은 코드베이스의 규칙을 이해하고 이를 바탕으로 작업을 수행할 수 있다. 사용자 정의 지침(.github/copilot-instructions.md)을 통해 전체 저장소에 적용할 규칙을 정의하고, 경로별 지침 파일을 추가하여 특정 파일에 맞는 지침을 제공할 수 있다. 반복 가능한 절차는 에이전트 기술로 패키징할 수 있으며, 사용자 정의 에이전트를 통해 더 큰 작업에 대한 전문적인 지침을 제공할 수 있다. MCP 서버를 사용하면 Copilot이 외부 도구와 데이터 소스에 연결되어 기능을 확장할 수 있다.

MCP 서버를 통해 Copilot은 Playwright와 같은 외부 도구에 접근하여 애플리케이션의 기능을 수동으로 테스트할 수 있다.

Python 3.15의 새로운 프로파일러를 활용한 웹 편집 앱 분석

Simon Willison은 Python 3.15의 새로운 프로파일러를 사용하여 자신의 웹 편집 앱에 대한 플레임 그래프와 히트맵을 생성했다. GPT-6 Astra Extra High in Codex를 통해 'web-edit' 앱의 프로파일링을 요청하였고, 그 결과로 생성된 플레임 그래프와 히트맵의 예시를 제공한다.

Python 3.15의 프로파일러를 사용하여 웹 편집 앱의 성능을 시각적으로 분석할 수 있다.

ReplaySSM: 하이브리드 모델 디코딩을 위한 상태 저장 방식 재고

하이브리드 모델은 상태 공간 모델(SSM) 레이어와 몇 개의 어텐션 레이어를 혼합하여 구성된다. NVIDIA Nemotron 3, Qwen3.5부터 Qwen3.8, Kimi-K3, GLM-5.3-Flash는 모두 이러한 방식으로 구축되었으며, SSM 레이어로는 Mamba-2, Gated DeltaNet(GDN), Kimi Delta Attention(KDA)이 사용된다. SSM 레이어는 키-값(KV) 캐시 대신 고정 크기 상태를 사용하여 디코딩 속도를 높이도록 설계되었다.

하이브리드 모델은 SSM 레이어를 통해 디코딩 속도를 향상시킬 수 있다.

StudentSim: AI 튜터 개선을 위한 학생 시뮬레이터 연구 시스템

StudentSim은 AI 튜터를 실제 학습자와 테스트하기 전에 평가하고 개선하기 위한 연구 시스템이다. 이 시스템은 공개된 비식별 학습자 기록을 기반으로 개인화된 AI 학생 시뮬레이터를 훈련시키며, 각 시뮬레이터는 특정 학생에 맞춰 조정된다. StudentSim은 체스, 영어 작문, 수학 등에서 기존 모델보다 우수한 성능을 보이며, AI 튜터 개발 과정에서 학생 피드백을 더 쉽게 활용할 수 있도록 돕는다. 이 연구는 학생의 독립적인 행동과 튜터의 안내에 대한 반응을 평가하는 두 가지 차원을 정의한다.

StudentSim은 AI 튜터의 효과성을 평가하기 위해 학생의 반응을 모델링하여 피드백을 제공한다.

web-edit 0.1a0 출시

web-edit 0.1a0이 출시되었다. 이 Python 웹 앱은 Tailscale을 통해 파일을 보고 편집할 수 있는 웹 UI를 제공한다. 사용자는 Codex와 GPT-6 Astra Extra High를 이용해 모바일에서 직접 파일을 편집할 수 있으며, 편집 기능에는 CodeMirror 6가 사용된다.

Tailscale을 통해 모바일에서 직접 파일을 편집할 수 있는 기능은 개발자에게 편리한 원격 작업 환경을 제공한다.

llama.cpp를 이용한 Amazon SageMaker AI에서의 의사결정 모델 배포

llama.cpp를 Amazon SageMaker AI에서 배포하여 고정된 선택지에 대한 점수를 제공하는 의사결정 모델을 관리형 경로로 서빙할 수 있다. 이 글에서는 AWS Deep Learning Containers(DLC)를 사용하여 OpenAI 호환 채팅 완성을 제공하고, SemIf를 통해 선언된 옵션에 대한 확률을 반환하는 방법을 설명한다. 또한, 모델을 Amazon S3에 패키징하고, SageMaker와 호환되는 어댑터로 자식 이미지를 빌드하는 과정도 포함되어 있다.

llama.cpp를 통해 Amazon SageMaker AI에서 의사결정 모델을 효율적으로 배포할 수 있다.

Amazon EKS에서 Ray LLM Deep Learning Containers를 사용한 다중 노드 추론 배포

이 글에서는 Amazon Elastic Kubernetes Service(Amazon EKS)에서 두 개의 GPU 노드에 걸쳐 하나의 대형 언어 모델(LLM)을 배포하는 방법을 설명한다. 다중 노드 Ray LLM Deep Learning Containers를 사용하여 prefill과 decode 노드를 분리하여 OpenAI 호환 엔드포인트 뒤에서 작동하도록 한다. 이 방식은 Retrieval Augmented Generation(RAG), 문서 요약 및 에이전틱 애플리케이션과 같은 작업에 적합하다. 또한, Ray LLM DLC는 HTTP 엔드포인트 뒤에서 모델을 제공하기 위해 설계된 컨테이너로, AWS에서 유지 관리되고 테스트된 전체 추론 스택이 이미 조립되어 있다.

Ray LLM Deep Learning Containers를 사용하면 다중 노드 추론을 위한 성능 최적화된 Docker 이미지를 즉시 사용할 수 있다.

NVIDIA, OCP Global Summit에서 Vera Rubin 아키텍처 공개

NVIDIA는 OCP Global Summit에서 AI 공장 인프라의 공통 기반을 만들기 위해 Vera Rubin 랙 및 컴퓨트 트레이 디자인을 OCP에 기여했다고 발표했다. 새로운 MGX 1.2 사양은 랙 규모의 블라인드 메이트 액체 냉각, 상호 운용 가능한 랙 규모 인터커넥트 인프라 및 5,000A 버스바를 포함하여 AI 시스템의 전력 요구를 지원한다. 또한, DSX AI 공장 플랫폼에 대한 새로운 오픈 소스 소프트웨어 구성 요소가 추가되어 AI 공장이 최적화된 시스템으로 운영될 수 있도록 돕는다.

MGX 1.2 사양은 250kW까지의 랙 배치를 지원하여 AI 공장의 효율적인 구축과 서비스성을 간소화한다.

Humanity’s Sixth Sense 벤치마크와 AI의 우주 산업 진출

AI 스타트업 Elorian과 Scale AI가 개발한 Humanity’s Sixth Sense(HSS)는 AI 모델의 직관적 시각 추론 능력을 측정하는 벤치마크로, 522개의 질문과 288개의 이미지, 234개의 짧은 동영상으로 구성된다. 인간의 평균 점수는 93.1로, AI 모델인 GPT 6 Astra는 53.6을 기록했다. 또한, AI가 우주에서 자율적으로 작동하고, AI 기반의 우주 제조업이 발전할 가능성이 있으며, 이는 경제적 및 전략적 우위를 가져올 수 있다.

HSS는 현재 AI 시스템의 한계를 드러내며, GPT와 같은 LLM이 직관적 시각 추론 작업에서 예상보다 잘 수행하고 있음을 보여준다.

2027년 워싱턴 시나리오: 중간선거 이후 시장 개입 증가 예고

FGS Global의 분석에 따르면, 중간선거 이후 경제적 불만이 커지면서 양당 모두 시장에 대한 개입 압박을 받을 것으로 보인다. 민주당이 하원을 장악할 경우, 정책 변화가 예상되며, 이는 기업 환경에 큰 영향을 미칠 수 있다. FGS는 '대안적 미래: 11월 이후'라는 보고서를 통해 향후 27개월간의 정치적 불확실성을 강조하며, 양당의 개입 방식이 다를 것이라고 설명한다. 공화당은 미국 생산 능력 강화를 위한 산업 정책과 관세를, 민주당은 비용 절감과 불평등 해소를 위한 정책을 추진할 것으로 예상된다.

AI와 관련 기술이 정치적 변수로 부각되면서 기업의 전략적 접근 방식에 영향을 미칠 수 있다.

미국의 데이터 센터 지배 구조와 중국의 대응

미국은 2023년 기준으로 5,000개의 데이터 센터를 보유하고 있으며, 중국, 독일, 영국이 합쳐서 보유한 데이터 센터 수는 2,000개 미만이다. 미국의 데이터 센터 지배는 '센터-위성' 구조에 기반하고 있으며, 이는 다른 국가의 자원을 활용하는 방식으로 이루어진다. 예를 들어, 나이지리아의 80% 공공 건강 데이터가 구글, 아마존, 마이크로소프트 소속의 클라우드 서버에 저장되고 있다. 중국은 자국 데이터 센터 시장에서 중국 기업이 지배적이며, 아마존이 8.1%의 시장 점유율을 차지하고 있다.

미국의 데이터 센터는 전 세계 데이터 처리의 비용을 낮추는 데 기여하고 있으며, 이는 유럽 기업들이 미국 데이터 센터를 이용하는 이유 중 하나이다.

인간형 로봇을 위한 적응형 모션 계획 및 추적

이 백서에서는 인간형 로봇의 모션 계획과 모션 추적을 분리하여 전문 운동선수의 스타일을 보존하는 방법과, 시뮬레이션과 실제 배포 간의 격차를 줄이기 위한 적응형 속도 인식 제어의 중요성을 설명한다. 전문 운동선수의 모션 스타일과 신뢰할 수 있는 작업 성능을 결합하는 것이 여전히 도전 과제이며, 고수준 계획자와 저수준 추적기를 분리하는 것이 이 문제를 해결하는 방법이다. 방송 비디오와 모션 캡처 기록에서 추출한 모션 데이터를 재구성하고, 리타겟팅하며, 물리적으로 수정하여 인간형 로봇이 안전하게 추적할 수 있는 참조 모션으로 변환하는 과정도 다룬다. 또한, 시뮬레이션에서 실제로 전환할 때 발생하는 누적 추적 오류와, 무작위 실행 속도에서 트래커를 훈련하고 계획자에서 학습된 모션 속도 어댑터를 결합하여 물리적 하드웨어에서의 견고성을 향상시키는 방법을 설명한다. 이 적응형 프레임워크는 모션 캡처 시스템 없이 실제 환경에서 수행된 두 개의 인간형 플랫폼에서 검증되었다.

적응형 프레임워크는 실제 환경에서의 로봇 성능을 향상시키는 데 기여한다.

Martin Casado와 MakerMaker.AI 공동 창립자들의 자기 개선 AI 논의

a16z의 Martin Casado가 MakerMaker.AI 공동 창립자 Dhaval Adjodah와 Owen He와 함께 자기 개선(recursive self-improvement, RSI) AI에 대해 논의했다. 그들은 진정한 RSI를 AI 개발의 자동화와 구별하며, 시스템이 스스로 개선하는 닫힌 루프를 목표로 한다고 설명했다. 또한, 실제 진전을 측정하기 위해서는 능력 향상과 이를 달성하는 데 필요한 자원을 고려해야 한다고 강조했다. 연구에서 자기 개선 시스템이 성능을 높이고 효율성을 개선할 수 있는 초기 징후를 발견했다고 밝혔다.

자기 개선 시스템이 성능과 효율성을 동시에 향상시킬 수 있다는 초기 징후는 AI 개발의 방향성을 제시한다.

핸즈온 머신러닝 with 사이킷런. 파이토치 출간

오렐리앙 제롱의 『핸즈온 머신러닝 with 사이킷런. 파이토치』가 한빛미디어에서 2026년 9월 28일 출간되었다. 이 책은 머신러닝의 기본 원리부터 트랜스포머, LLM, 멀티모달까지 실제 코드를 통해 구현하며 현대 AI 기술의 흐름을 이해하도록 돕는다. 기초 개념과 최신 기술을 체계적으로 연결하여 AI의 원리를 깊이 있게 학습할 수 있도록 구성되어 있다.

AI 버블 우려와 자금 조달 문제

2026년 10월, 최근 거시경제 변화로 인해 AI 버블과 수익성 결핍, 증가하는 채무에 대한 우려가 커지고 있다. Panmure Liberum의 수석 시장 전략가는 AI 버블이 2027년 또는 2028년에 붕괴할 가능성이 높다고 전망하며, 자원 집약적인 모델에 대한 자본 유입이 활발하다고 언급했다. 또한, 전 세계적으로 채권 수익률이 상승하면서 AI 인프라 회계가 더 위험해 보이고 있다.

AI 인프라의 회계가 위험해짐에 따라, 기업들은 자금 조달 방식에 대한 재검토가 필요하다.

토스증권의 Milvus 기반 벡터 검색 환경 구축과 사이징 기준

토스증권 Data Infra 팀은 Milvus 기반의 벡터 검색 환경을 구성하고, 검색 품질과 응답 속도를 만족하기 위한 물리 서버 자원을 평가했다. CPU와 메모리 배치를 조정하여 처리량을 41% 향상시켰으며, 다양한 검색 조건에 따라 필요한 서버 대수를 계산했다. 실험에서는 1억 건의 1024차원 벡터에서 top-10을 검색하고, 300 QPS 이상의 처리량을 확보하는 사례를 다루었다.

CPU와 메모리 배치를 조정하여 같은 서버에서 검색 품질을 유지하며 처리량을 41% 높일 수 있었다.

트럼프의 인공지능 재브랜딩 시도에 실리콘밸리 반응

도널드 트럼프 대통령이 인공지능을 '슈퍼 인텔리전스'로 재브랜딩하겠다고 발표한 가운데, 실리콘밸리의 일부 인사들이 이에 동조하고 있다. 일론 머스크는 SpaceXAI를 SpaceXSI로 이름을 바꾸겠다고 약속했다. 트럼프는 '인공지능'이라는 용어를 사용하는 사람들을 반대하는 것으로 간주한다고 밝혔다.