AI 뉴스

Grok 5, Q1 데드라인 넘겨 Q2 베타 전망에 6T 파라미터 MoE 루머

xAI의 Grok 5가 2026년 6월 기준으로 여전히 학습 중이며 공식 출시일·스펙은 발표되지 않았다. xAI는 1월 시리즈 E 업데이트에서 학습이 진행 중임을 확인했고, 일론 머스크가 원래 노렸던 Q1 2026 출시 창은 지나갔다. 현재 xAI 공식 X 계정 기준 가장 유력한 시점은 Q2 2026 공개 베타로 좁혀진다. 스펙은 전부 루머 단계지만 일관되게 거론되는 수치는 6조(6T) 파라미터 + MoE 아키텍처로, 사실이라면 공개 발표된 모델 중 최대 규모이자 Grok 4의 약 2배다. 비교 기준으로 Grok 4는 GPQA Diamond 88%, Humanity's Last Exam 25.4%를 기록했다. 요컨대 Grok 5는 '메가스케일 + 지연'이라는 두 키워드로 정리된다 — 발표 규모는 업계 최대급이지만, 출시는 반복적으로 밀리고 있어 실측 벤치마크는 존재하지 않는다.

Grok 5는 '발표 수치'와 '실출시'를 분리해서 봐야 하는 전형적 사례다. 6T 파라미터는 화제성은 크지만 실측 벤치마크가 없는 한 의사결정 근거가 될 수 없다 — LLM 시세·스펙 환각을 경계하는 우리 함정 목록과 같은 맥락이다. 한국 팀에 주는 실무 교훈은 명확하다. 미출시 모델을 로드맵의 전제로 삼지 말 것. Grok 5는 나올 때 다시 평가하면 되고, 지금은 이미 출시된 Gemini 3.1·Command A+·Kimi K2.6으로 의사결정하는 게 합리적이다.

N3R과 GitHub ARC 결합으로 안드로이드 빌드 환경 최적화

네이버 ENGINEERING DAY 2026에서 발표된 내용에 따르면, N3R과 GitHub ARC를 결합하여 안드로이드 빌드 환경의 리소스 소모를 동적으로 할당하고 CI/CD 병목 현상을 해결한 시스템 개발 경험이 공유되었다. 발표는 사내망에서 GitHub Actions Self-hosted Runner를 운영하는 개발자, Gradle 빌드 캐시 및 멀티 모듈 최적화에 관심 있는 안드로이드 개발자, 공식 ARC 도입이 지연된 팀을 대상으로 하였다. 발표 내용은 빌드 무게와 고정 Runner Pool의 한계, 다층 전략, 네트워크 구성, 캐시 및 테스트 방법, 오케스트레이션 방식, 결과 및 회고 등을 포함한다.

안드로이드 개발자에게 CI/CD 환경 최적화에 대한 실질적인 사례와 전략을 제공한다.

NAVER ENGINEERING DAY 2026에서 발표된 Android 앱 의도치 않은 변경 방지 방법

NAVER ENGINEERING DAY 2026에서 Android 앱 및 라이브러리 개발자가 외부 라이브러리 업데이트 시 발생하는 의도치 않은 변경을 사전에 감지하고 Baseline 기반의 방어 체계를 구축하는 방법을 소개했다. 발표는 의존성 추적과 AndroidManifest에 관심 있는 Android 개발자를 대상으로 하며, 목차에는 배경, Manifest Shield, 내부동작, AI로 만들기 등이 포함된다.

이 발표는 Android 개발자들이 외부 라이브러리 업데이트로 인한 문제를 예방할 수 있는 실질적인 방법을 제공한다.

LLM 훈련 시 GPU 클럭 주파수 조정으로 에너지 14% 절감

OpenAI의 GPT-4는 훈련에 약 50 기가와트시의 전력을 소모하였다. 네덜란드 트벤테 대학교 연구팀은 GPU의 클럭 주파수를 조정하여 LLM 훈련 시 에너지를 최대 14% 절감할 수 있음을 보여주었다. 이들은 Nvidia RTX 3080 Ti GPU에서 GPT-3-XL 모델을 훈련하며, 클럭 주파수 조정으로 훈련 시간을 0.6%만 증가시키면서 에너지를 절감하는 성과를 거두었다.

GPU의 클럭 주파수를 조정하여 LLM 훈련 시 에너지를 14% 절감할 수 있는 방법을 제시하였다.

Cursor Bugbot, /review 프리커밋 게이트로 리뷰 시간 5분에서 90초로 단축

Cursor가 6월 10일 Bugbot 업데이트를 출시해 평균 코드리뷰 시간을 약 5분에서 90초로 줄였다(전체 실행의 90%가 3분 내 완료). 동시에 실행당 버그 검출은 0.56→0.62건으로 약 10% 늘고, 실행당 비용은 약 22% 낮아졌다(PR 크기에 따라 $1.00~1.50 추정). 성능 개선의 기반은 5월 18일부터 Bugbot을 구동하는 Composer 2.5 모델이다. 6월 5일 Cursor 3.7과 함께 도입된 /review 커맨드는 Bugbot을 '푸시 전 게이트'로 재프레이밍한다. push 전에 Bugbot과 Security Review를 돌리고, /review-bugbot·/review-security로 표적 검사가 가능하다(CLI 지원은 예정). 또한 GitHub·GitLab과 동기화해 동일 diff가 PR로 열리면 재리뷰를 건너뛰는 중복 감지, 직전 실행 이후 변경분만 스캔하는 델타 전용 스캔으로 중복 피드백과 이중 과금을 차단한다.

리뷰 속도가 90초대로 떨어지면 코드리뷰의 위치가 '비동기 PR 코멘트'에서 '커밋 직전 인라인 게이트'로 바뀐다. 즉 봇이 사후 지적자가 아니라 사전 차단기가 되는 것이다. 델타 스캔·중복 감지는 LLM 리뷰의 실전 운영비(토큰 비용·노이즈)를 정조준한 설계로, 자체 LLM 리뷰 파이프라인을 운영하는 팀이라면 '전체 재스캔' 대신 '변경분만' 원칙을 그대로 차용할 만하다.

언어 모델은 수면이 필요하다

Behrouz, Hashemi, Mirrokni의 논문에 따르면, 현재의 언어 모델은 훈련 후 새로운 정보를 장기 기억으로 저장하지 못하는 '전향성 기억상실증(anterograde amnesia)' 상태에 있다. 모델은 과거의 정보를 기억하지만, 새로운 정보는 세션이 종료되면 사라진다. 이 논문은 생물학이 이미 해결한 수면의 필요성을 언급하며, 언어 모델도 이 과정을 필요로 한다고 주장한다.

언어 모델이 새로운 정보를 장기 기억으로 저장하지 못하는 현상은 모델의 효율성을 저하시킬 수 있다.

Glean의 Rebecca Hinds, Work AI Index 2026 보고서 발표

Rebecca Hinds는 Glean의 Work AI Institute 책임자로서 6,000명의 근로자를 조사한 Work AI Index 2026 보고서의 결과를 발표했다. 조사에 따르면 87%의 근로자가 AI를 사용하고 있으며 주당 13시간을 절약하고 있지만, 조직의 성과가 크게 향상되었다고 응답한 비율은 13%에 불과하다. 이는 'botsitting'(AI를 유용하게 만들기 위한 숨겨진 노동)과 'botshitting'(방어할 수 없는 AI 생성 작업 제공)이라는 두 가지 개념으로 설명된다. Hinds는 더 나은 AI 시스템 통합, 스마트한 AI 탐지 정책, 의미 있는 미션에 맞춘 작업 정렬 등의 실용적인 해결책을 논의했다.

AGI 이후 자본 통제와 재분배 방안

AGI가 경제적 출력을 증가시킬 수 있지만, 많은 일자리를 잃게 하고 불평등을 심화시킬 수 있다. 이에 대한 재분배 방안으로는 보편적 기본 소득(UBI), 보편적 기본 서비스(UBS), 보편적 기본 자본(UBC), 그리고 주권 재산 기금(SWF) 등이 제안되고 있다. 각 방안은 정부가 자본을 직접 제공할지, 현금을 지급할지를 두고 논의되며, UBI는 시민의 자본 소득 통제 권한이 제한적이고, UBC는 더 많은 통제를 제공한다.

Together AI, ISO 27001:2022 인증 획득

Together AI는 ISO 27001:2022 인증을 획득하여 생산 AI 작업에 대한 기업 수준의 보안에 대한 헌신을 검증받았다.

Bugbot의 평균 리뷰 시간이 90초로 단축, 버그 발견률 10% 증가

Bugbot의 평균 리뷰 시간이 약 90초로 단축되었으며, 이는 이전의 약 5분에서 크게 개선된 수치이다. 또한 Bugbot은 평균적으로 리뷰당 10% 더 많은 버그를 발견하며, 발견률은 0.62로 증가하였다. 운영 비용은 약 22% 감소하였다. Bugbot은 Composer 2.5에 의해 구동되며, GitHub와 GitLab과의 동기화 기능을 제공한다. 사용자는 `/review` 명령어를 통해 Bugbot과 Security Review를 실행할 수 있으며, 이전 리뷰와의 차이점만 검토하도록 설정할 수 있다.

Bugbot의 성능 개선은 코드 리뷰 효율성을 높여 개발자들이 더 빠르게 피드백을 받을 수 있도록 한다.

Anthropic, Claude Fable 5 모델 출시 및 안전 조치 변경

Anthropic은 Claude Fable 5 모델을 소비자 및 기업 대상으로 출시했다. 이 모델은 Mythos-class 모델의 일반 접근 버전으로, 여러 안전 조치를 포함하고 있으며 일부는 사용자에게 명시되지 않았다. Claude Fable 5는 현재 공개된 모델 중 가장 스마트한 모델로, 기존 Opus 모델보다 2배의 가격에 출시되었다. 이 모델은 훈련 완료 후 2개월 이상 지연되어 공개되었으며, 안전 필터로 인해 일부 프롬프트는 Opus 4.8로 다운그레이드될 수 있다. 안전 도구와 관련된 여러 조치가 포함되어 있으며, 데이터 보존 정책과 프롬프트 필터가 추가되었다.

2026년 소프트웨어 엔지니어링 취업 시장 동향

AI 엔지니어링 채용 공고는 지난 1년간 60% 증가한 반면, 소프트웨어 엔지니어링 채용 공고는 7% 증가했다. Anthropic은 인터뷰 준비 서비스에서 가장 많은 수요를 보이며, OpenAI는 16%의 후보자가 준비하는 기업으로 나타났다. 대기업의 인턴 채용이 절반으로 줄어들었고, 후보자의 경력과 교육 배경이 더욱 중요해졌다.

AI 엔지니어링 채용 공고가 60% 증가하면서 AI 엔지니어에 대한 수요가 급증하고 있다.

Gemini 3.5 Live Translate, Google AI Studio와 Google Meet에서 자연스러운 음성 번역 제공

Gemini 3.5 Live Translate는 Google AI Studio, Google Translate 및 Google Meet에서 거의 실시간으로 자연스러운 음성 번역을 제공합니다.

Apple의 새로운 Siri AI, Gemini 기반 모델 사용

Apple은 새로운 Siri AI를 발표했다. 이 AI는 Gemini 기반의 로컬 및 클라우드 모델을 혼합하여 사용하며, AFM 3 모델 패밀리 아래에서 작동한다. Siri AI는 음성 인식, 이미지 분석 및 Messages, Maps와 같은 외부 앱과의 상호작용 기능을 제공한다. Anthropic은 Claude의 도움으로 개발자들이 2025년보다 8배 더 많은 코드를 작성하고 있다고 주장하며, AI 개발을 일시 중지할 옵션을 제안하고 있다. OpenAI는 자동화된 AI 연구자 구축, 경제 가속화, 개인 AGI 제공을 목표로 하고 있으며, 비공식적으로 S-1을 제출했다. NotebookLM은 구식 RAG 시스템에서 에이전트와 유사한 시스템으로 업그레이드되며, 각 노트북은 최신 Gemini 3.5 모델을 사용하여 코드를 실행할 수 있는 클라우드 컴퓨터를 갖춘다.

Transformer의 스케일링 이야기와 한계

Transformer는 현재 AI의 주요 아키텍처로, 데이터, 파라미터, 컴퓨팅, 컨텍스트 길이 등을 추가하면 모델이 부드럽게 개선되는 특성을 가지고 있다. Transformer의 주된 강점은 주의(attention) 메커니즘으로, 모든 토큰이 서로를 참조하여 중요성을 판단할 수 있다. 그러나 전체 자기 주의 메커니즘은 시퀀스 길이에 따라 성능이 저하되는 단점이 있다. Transformer는 강력하지만 모든 지능형 시스템을 설계하는 데 최적의 방법은 아닐 수 있다.

Transformer는 다양한 데이터 유형에 대해 효과적으로 작동하지만, 주의 메커니즘의 비용 문제는 해결해야 할 과제이다.

Anthropic, 민감 주제는 Opus 4.8로 폴백하는 Claude Fable 5 공개

Anthropic이 6월 9일 Opus 클래스보다 한 단계 높은 'Mythos급' 모델을 일반에 처음 공개했다. 동일한 기반 모델을 공유하는 두 버전으로, Fable 5는 콘텐츠 분류기를 탑재해 사이버보안·생화학·증류(distillation) 요청 시 Claude Opus 4.8로 자동 폴백하고(세션의 5% 미만 영향), Mythos 5는 인가된 사용자에 한해 이 안전장치를 해제한다. 가격은 두 모델 모두 입력 100만 토큰당 10달러, 출력 100만 토큰당 50달러로 'Mythos Preview의 절반 미만'이다. Anthropic은 Fable 5가 '거의 모든 벤치마크에서 SOTA'이며 Cognition의 프런티어 코딩 평가 FrontierCode에서 최고점이라고 밝혔다. 외부 파트너와 1,000시간 넘는 레드팀에서 보편적 탈옥은 발견되지 않았다고 했다. 단, 이 모델들은 6월 12일 美 정부 수출통제 지시로 사흘 만에 접근이 차단됐다.

동일 가중치를 안전장치만 달리해 두 SKU로 출시한 구조는 '안전을 모델이 아니라 배포 레이어에 둔다'는 프런티어 랩의 새 운영 모델을 보여준다. 민감 질의를 하위 모델로 라우팅하는 폴백은 능력과 책임을 분리하는 실용적 패턴이지만, 곧바로 정부 회수로 이어진 점은 '안전 SKU'조차 규제 리스크를 상쇄하지 못함을 드러낸다. API 가격 절반 인하는 프런티어급 토큰 단가 경쟁이 가속되고 있다는 실무 신호다.

Claude Code, Opus 4.8 기본 탑재로 계획·병렬 서브에이전트·검증 자동화

Anthropic이 5월 28일 출시한 Claude Opus 4.8(claude-opus-4-8)을 Claude Code 기본 모델로 채택했다. 코딩·에이전트·추론 성능이 개선됐고, 특히 자기가 작성한 코드의 결함을 지적 없이 통과시킬 확률이 Opus 4.7 대비 약 4배 낮아져 정직성·신뢰성에 무게를 뒀다. 가격은 입력 100만 토큰당 $5·출력 $25로 4.7과 동일하며, fast 모드는 2.5배 빠르고 3배 저렴해졌다. Claude Code의 핵심 신기능은 '동적 워크플로(dynamic workflows)'로, 작업을 계획하고 병렬 서브에이전트를 띄워 실행한 뒤 산출물을 검증하고 사용자에게 보고하는 루프를 자동화한다(Enterprise·Team·Max 대상 리서치 프리뷰). 또한 보안 가이던스 플러그인이 추가됐고, Claude Code가 터미널·IDE·웹·데스크톱·스케줄 에이전트 워크플로로 확장됐다. 세부 개선으로는 대화 언어로 세션 제목 생성, footerLinksRegexes 설정, Bedrock 자격증명 캐싱 만료 기준 변경, `claude agents --json --all`로 활성/완료 세션 조회 등이 포함된다.

'자기 코드 결함을 4배 덜 눈감는다'는 지표는 에이전트 자율성의 진짜 병목이 능력이 아니라 자기검증 신뢰성임을 정확히 짚는다. 검증 단계를 워크플로에 내장한 dynamic workflows는 Maker→Critic→Integrator 같은 외부 검수 루프를 모델 내부로 끌어들이는 시도다. 다만 리서치 프리뷰가 Max·Team·Enterprise에 한정되므로, 한국의 개인·소규모 팀은 당분간 자체 서브에이전트 검수 패턴을 병행하는 편이 안전하다.

OpenAI, GPT-5.5 Instant을 ChatGPT 기본 모델로 채택하고 모델 선택기 개편

OpenAI가 6월 9일 ChatGPT Go·Free에 개인화 개선을 배포하며 GPT-5.5 Instant을 새 기본 모델로 전환했다. 응답이 더 명확·간결해지고 공유 컨텍스트 활용이 강화됐다. 모델 선택기도 단순화돼 Instant / Medium / High / Pro 전용 티어로 정리되며 웹·iOS·안드로이드의 Plus·Pro 사용자에게 롤아웃됐다. 본체 GPT-5.5는 4월 23일 출시된 OpenAI의 '가장 강력한 에이전틱 코딩 모델'로, 1M 컨텍스트(입력 ~922K + 출력 128K), reasoning effort 레벨 none/low/medium(기본)/high/xhigh를 지원한다. 벤치마크 도약이 크다 — 1M 장문맥 추론이 GPT-5.4의 36.6%에서 74.0%로, Terminal-Bench 2.0은 82.7%를 기록했다. 가격은 표준 입력 $5·출력 $30/MTok로 GPT-5.4($2.50/$15) 대비 약 2배, GPT-5.5 Pro는 $30/$180이다. 6주 만에 가격을 두 배로 올린 셈이라 비용 민감 워크로드에서는 effort 레벨 하향과 모델 분기 전략이 필요하다.

OpenAI의 'effort 레벨'(none~xhigh)은 Anthropic의 effort/adaptive thinking과 같은 방향으로 수렴한 추론-비용 노브다. 두 진영 모두 '얼마나 생각할지'를 호출자가 티어로 제어하는 구조로 표준화되고 있다. 6주 만의 2배 가격 인상은 프론티어 추론 모델의 비용 곡선이 가팔라지고 있음을 보여주며, 한국 팀은 단순 작업은 저-effort/저가 모델, 어려운 에이전틱 작업만 고가 모델로 라우팅하는 분기를 코드에 내장해야 한다.

Anthropic, 한 모델 두 제품 안전 분기 설계의 최강 플래그십 Claude Fable 5 공개

Anthropic이 6월 9일 가장 강력한 공개 모델 Claude Fable 5를 출시했다. 동시에 같은 가중치를 공유하는 Mythos 5를 검증된 사이버 방어 인력에게만 제한 공개했다. 핵심은 '한 모델을 두 제품으로' 나눈 설계다. 능력으로 가른 게 아니라 안전 분류기(safety classifier) 한 겹으로 갈랐다. Fable 5는 분류기를 얹어 일반 공개, Mythos 5는 같은 모델에서 사이버 가드레일만 벗겨 핵심 인프라 운영자에게만 잠가뒀다. 벤치마크 전반에서 SOTA이며 일부 항목은 Opus 4.8보다 10%p 이상 높다. 컨텍스트 1M, 최대 출력 128K, 입력 $10·출력 $50/MTok(Opus의 2배). API에서 사고가 바뀐다. 분류기가 정당한 인접 작업(보안 툴링, 생명과학)에서도 오탐 거부를 내므로 stop_reason: 'refusal'이 HTTP 200으로 반환된다. content를 읽기 전에 stop_reason을 먼저 분기해야 한다. 또 thinking이 항상 켜져 있어 thinking 파라미터를 명시하면 거부(disabled는 400), raw 사고연쇄는 절대 반환되지 않고 요약만 제공된다.

Wyatt Thomson, Tyler Cowen, Alex Tabarrok의 AI와 경제 성장에 대한 대화

Wyatt Thomson이 Tyler Cowen과 Alex Tabarrok과 AI, 노동 시장, 경제 성장에 대해 대화하였다. 이들은 AI가 일자리를 없앨 것이라는 일반적인 우려에 대해 경제 성장이 핵심 변수라고 주장하며, 생산성 향상 기술이 역사적으로 일의 형태를 변화시키고 새로운 산업을 창출해왔음을 논의하였다. 또한, 자동화, 비교 우위, 불평등, 교육, 의료, 에너지와 AI 주도 경제에서 더 가치 있는 일이 무엇인지에 대해 이야기하였다.

AI 주도 경제에서 더 가치 있는 일의 형태를 이해하는 것은 기업과 개인의 전략 수립에 중요하다.

TAM CONNECT 2025: 토스와 카카오페이의 TAM 역할과 문제 해결 공유

2025년 겨울, 토스와 카카오페이의 TAM들이 모여 TAM CONNECT 2025 행사를 개최했다. TAM은 기술과 비즈니스의 경계에서 고객사와 내부 조직을 연결하고 문제를 해결하는 역할을 한다. 토스의 TAM은 기술 지원, API 도입 컨설팅, 운영 프로세스 개선 등 다양한 업무를 수행하며, 알림 노이즈를 재정의하고 장애 패턴을 구조화하는 시스템을 개발했다. 이기문님은 특정 담당자가 아닌 모두가 문제를 해결할 수 있는 구조를 강조하며, n8n 기반 워크플로 자동화와 LLM 기반 로그 분석을 활용하고 있다고 밝혔다. AI의 영향을 받아 TAM의 역할이 변화할 것으로 예상되며, 복잡한 문제 해결과 고객 경험 설계에 집중할 필요성이 커지고 있다.

TAM은 단순 지원 역할을 넘어 기술 기반의 문제 해결자로서 복잡한 문제를 구조화하고 여러 조직을 연결하는 역할을 수행한다.

Cloudflare의 아키텍처와 사이버 프론티어 모델의 영향

Cloudflare는 Project Glasswing을 통해 사이버 프론티어 모델이 코드의 취약점을 찾고 공격 경로를 생성하는 속도를 높인다고 밝혔다. 이러한 모델은 대규모 공개 코드에서 취약점을 쉽게 검색할 수 있게 하며, 공격자는 수천 가지 변형의 익스플로잇을 생성할 수 있다. 그러나 보안 팀은 모든 취약점을 찾아야 하며, AI가 코드 수정의 복잡성을 줄이지는 않는다.

사이버 프론티어 모델은 취약점 발견 속도를 높여 보안 팀의 대응을 어렵게 하므로, Cloudflare의 아키텍처를 활용해 이러한 모델에 대비해야 한다.

얼굴 인식 기술의 발전 역사와 주요 연구

1960년대, Woodrow Wilson Bledsoe는 사진으로 사람을 식별하는 시스템을 연구하였고, 1973년 Takeo Kanade는 컴퓨터가 얼굴 특징점을 자동으로 인식하는 기술을 발표했다. 1991년, Matthew Turk와 Alex Pentland는 PCA를 활용한 Eigenfaces 논문을 발표하여 얼굴을 통계적으로 분석하는 방법을 제시했다. 2000년대에는 LBP(Local Binary Pattern) 기술이 조명 변화에 강한 얼굴 인식을 가능하게 하였고, 2014년 Facebook의 DeepFace는 97.35%의 정확도로 인간의 평균 정확도에 근접했다. 이후 Google의 FaceNet은 99.63%의 정확도를 기록하며 얼굴 인식의 성능을 크게 향상시켰다.

DeepFace는 LFW에서 97.35%의 정확도를 기록하여 얼굴 인식 기술의 상용화 가능성을 높였다.

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.