AI 뉴스

LangGraph가 노드 단위 '결정적 제어'를 전면에 내세운 이유

오케스트레이션 프레임워크 경쟁이 'LLM이 알아서 다음 단계를 고르게 하느냐(에이전트 자율)' 대 '개발자가 그래프로 흐름을 못 박느냐(결정적 제어)'의 축으로 재편됐다. LangGraph는 상태(state)를 명시적 스키마로 두고, 노드(작업 단위)와 엣지(전이)를 코드로 선언한 뒤, 분기만 LLM에게 맡기는 'conditional edge' 모델을 핵심으로 민다. 즉 라우팅 판단은 LLM이 하되, 어떤 노드가 실행 가능한지의 위상은 개발자가 고정한다. 여기에 체크포인터(checkpointer)로 그래프 상태를 영속화해 중단·재개(human-in-the-loop, time-travel)를 1급 기능으로 끌어올렸다. 핵심 주장은 단순하다. 프로덕션 에이전트의 버그 대부분은 모델이 아니라 '제어 흐름이 불투명해서 재현·디버깅이 안 되는 것'이며, 그래프로 만들면 어느 노드에서 어떤 상태로 멈췄는지 로그가 결정적으로 남는다. 자율 ReAct 루프 한 덩어리로 돌릴 때와 달리, 각 전이가 검사 가능한 경계가 된다.

한국 개발팀이 'AutoGPT식 자율 에이전트'를 프로덕션에 올렸다가 무한 루프·비결정적 실패로 데뷔거하는 일이 반복된다. LangGraph의 그래프+체크포인터 모델은 '에이전트를 워크플로 엔진처럼 다뤄라'는 실무 합의를 코드로 강제한다. 상태 스키마를 먼저 설계하고 LLM 판단은 분기점에만 국소화하면, 장애 시 체크포인트에서 재현·재개가 되어 운영 부담이 급감한다. 자율성은 멋있지만 SLA·감사 로그가 필요한 실제 서비스에서는 결정적 골격 위에 LLM을 얹는 설계가 정답에 가깝다.

OpenClaw, 셀프호스팅 퍼스널 AI 에이전트 게이트웨이

OpenClaw는 사용자가 자기 기기나 VPS에서 직접 돌리는 셀프호스팅 퍼스널 AI 에이전트 게이트웨이(gateway)다. 단일 Gateway 프로세스가 Discord·Slack·Telegram·WhatsApp·iMessage·Signal 같은 메신저 앱과 LLM 기반 에이전트를 연결한다. 텍스트 응답에 그치지 않고 셸 명령 실행, 파일 읽기·쓰기·편집, GitHub PR 생성 같은 실제 행동(agentic)을 수행한다. 클라우드 의존 없이 로컬 우선과 데이터 주권을 포지셔닝으로 내세운다. PSPDFKit 창업자로 알려진 Peter Steinberger와 커뮤니티가 만들었고, 미니멀 코딩 에이전트 Pi 위에 구축됐으며 MIT 라이선스로 Node.js(npm) 기반으로 배포된다.

OpenClaw는 클라우드 SaaS 형태가 아니라 개인이 직접 운영하는 자율 에이전트라는 흐름을 보여준다. 메신저를 입구로 삼아 셸·파일·계정 같은 시스템 레벨에 접근하므로, 채팅봇을 넘어 실제 작업을 위임하는 에이전트의 가능성과 한계를 동시에 드러낸다. 다만 그 광범위한 권한은 공격 표면을 키워서, 스킬 마켓플레이스의 악성 플러그인이나 공급망 오염 같은 보안 리스크가 함께 제기된다. 로컬 우선 자율 에이전트의 부상과 시스템 권한 보안의 긴장이 이 도구를 둘러싼 핵심 서사다.

Google Veo 3.1, 네이티브 오디오와 4K로 영상 생성의 기준을 올리다

Google DeepMind의 Veo 3.1은 텍스트 프롬프트 한 번으로 영상과 사운드를 동시에 만들어낸다. 주변음, 효과음, 대사가 단일 모델 패스로 생성되고 립싱크까지 맞아 후처리 없이도 오디오·비주얼이 동기화된다는 점이 핵심이다. 2025년 10월 Veo 3.1이 공개된 뒤 2026년 1월에는 4K 해상도 출력이 더해졌고, 9:16 세로 영상도 네이티브로 지원한다. Google은 Veo를 Imagen 4와 묶어 AI 영상 제작 플랫폼 Flow로도 제공한다. 한국 개발자 입장에서는 영상+음성을 별도 파이프라인으로 합성하던 작업이 하나의 API 호출로 단순화된다는 의미다. 짧은 광고, 숏폼, 제품 데모처럼 사운드 동기화가 중요한 콘텐츠에서 제작 단가와 시간을 크게 줄일 수 있다.

영상과 동기화 오디오를 한 모델로 생성해, 별도 합성 파이프라인 없이 숏폼·광고 제작 비용과 시간을 줄인다

Nano Banana 2 공개, Gemini 이미지 모델이 속도와 일관성 동시 확보

Google이 Gemini의 네이티브 이미지 생성 라인업 'Nano Banana'를 확장했다. 2026년 2월 26일 공개된 Nano Banana 2는 Gemini 챗봇, 검색 AI 모드, Lens에 통합됐다. 라인업은 셋으로 나뉜다. 고속·대량 처리용 Nano Banana 2(Gemini 3.1 Flash Image), 전문 에셋 제작용 Nano Banana Pro(Gemini 3 Pro Image), 저지연용 기존 Nano Banana(Gemini 2.5 Flash Image)다. 강점은 피사체 일관성과 정밀한 지시 준수로, 같은 캐릭터를 여러 장면에 유지하거나 부분만 수정하는 편집형 작업에 적합하다. 5월 Google I/O에서는 Nano Banana 기반 이미지 플랫폼 Google Pics도 발표됐다. 개발자는 용도에 따라 속도(Flash)와 품질(Pro)을 골라 호출하면 되며, 마케팅 이미지·썸네일 대량 생성부터 정밀 에셋 제작까지 한 패밀리에서 처리할 수 있다.

속도형(Flash)과 품질형(Pro)을 같은 패밀리에서 골라 쓸 수 있어, 대량 생성과 정밀 에셋 제작을 하나의 워크플로로 통합한다

2026년 1-2월 오픈 웨이트 LLM 주요 아키텍처 10개

2026년 1월 27일 Arcee AI의 400B Trinity Large 모델이 출시되었으며, 두 개의 소형 변형 모델인 Trinity Mini(26B)와 Trinity Nano(6B)도 함께 공개되었다. Trinity Large는 Mixture-of-Experts 구조를 채택하고 있으며, 13B의 활성 파라미터를 가지고 있다. 2월 1일에는 StepFun의 Step 3.5 Flash, 2월 3일에는 Qwen3-Coder-Next가 출시되었고, 2월 12일에는 z.AI의 GLM-5와 MiniMax M2.5가, 2월 13일에는 Nanbeige 4.1 3B가 출시되었다. 2월 15일에는 Qwen 3.5, 2월 16일에는 Ant Group의 Ling 2.5 및 Ring 2.5, 2월 17일에는 Cohere의 Tiny Aya가 출시되었다. 3월 6일에는 Sarvam 30B와 105B가 업데이트될 예정이다.

Anthropic 'Claude Cowork' 엔터프라이즈 정식 전환 + Claude Code의 수백 병렬 서브에이전트

Anthropic이 지식 노동자용 에이전트 제품을 프로덕션 등급으로 끌어올렸다. 2026년 1월 리서치 형태로 선보인 Claude Cowork는 2월 일반 사무직의 생산성을 겨냥한 정식 엔터프라이즈 제품으로 전환됐고, 기업이 사내 도구를 연결해 개별 직원의 작업을 '터보차지'할 수 있는 커넥터·플러그인 묶음이 함께 출시됐다. 개발자 쪽에서는 Claude Code가 단일 세션에서 수백 개의 병렬 서브에이전트를 계획·실행하는 능력을 얻어, 수십만 줄 규모 코드베이스의 마이그레이션을 Dynamic Workflows로 수행한다(Enterprise·Team·Max 티어). 두 제품은 Claude Enterprise 번들로 묶여 엔지니어링과 비즈니스 팀이 보안 심사·조달을 쪼개지 않고 함께 배포할 수 있다. 5월 6일 샌프란시스코에서 열린 'Code with Claude 2026' 행사에서는 managed agents, proactive workflows, capability curve가 공개됐고 GitHub·Vercel·Datadog·Bun 등 파트너 배포 사례가 다뤄졌다.

'한 세션에 수백 서브에이전트 병렬'은 단일 에이전트 대화에서 오케스트레이션된 에이전트 팀으로 워크플로 단위가 커지는 전환점이다. 이는 본 AIPida을 운영하는 멀티에이전트 오케스트레이션 구조와 정확히 같은 방향이며, 한국 개발팀에게는 대규모 리팩터·마이그레이션을 사람 대신 에이전트 군집으로 처리하는 현실적 옵션이 열렸음을 뜻한다. 동시에 Cowork·Code의 Enterprise 번들 묶음은, AI 제품의 판매 단위가 '도구'에서 '팀 전체 배포 계약'으로 이동하고 있음을 보여준다.

AI 에이전트 신뢰성 측정에 관한 연구 발표

Stephan Rabanser, Sayash Kapoor, Arvind Narayanan이 발표한 논문 'Towards a Science of AI Agent Reliability'에서는 AI 에이전트의 신뢰성을 측정하기 위한 도구와 정의가 부족하다는 점을 지적하고, 12개의 신뢰성 차원으로 분해하여 14개 모델을 평가한 결과 신뢰성 향상이 미미하다는 사실을 밝혔다. 연구팀은 AI 에이전트의 신뢰성을 체계적으로 추적하기 위한 '신뢰성 지수'를 출시할 계획이다.

Anthropic ToS 명확화: 구독 OAuth 토큰의 타 도구 전용 금지

2026년 2월 20일 Anthropic이 약관을 명확히 하면서 Claude Free·Pro·Max 구독의 OAuth 토큰을 다른 제품이나 툴에 끌어다 쓰는 것을 금지한다고 정리했다(The Register 보도). 이는 경제성과 약관에 관한 사안이며, 앞서 불거진 트레이드마크 압박과는 별개다. OpenClaw 자체는 모델 무관이라 Anthropic·OpenAI·MiniMax·OpenRouter 등 어떤 프로바이더든 쓸 수 있다. Claude를 연동하려면 ANTHROPIC_API_KEY와 anthropic/ 프리픽스가 붙은 모델 ID를 설정에 넣는 방식이 정석이다. 즉 구독 세션 토큰을 우회로 쓰는 대신, 정식 API 키 경로로 붙이는 게 약관에 맞다.

외부 도구에서 구독 토큰을 재사용하는 우회는 편해 보여도 약관 위반과 계정 리스크를 안는다. OpenClaw처럼 모델 무관 게이트웨이를 쓸 때는 정식 API 키로 연동하는 게 안전하고 분리도 명확하다. 이 ToS 건은 트레이드마크 개명 사안이나 제작자 계정 정지 건과 혼동하지 말아야 한다.

Antigravity로 일하는 법이 바뀐다: 한 사람이 여러 에이전트의 '관리자'가 되는 워크플로

Antigravity의 Manager 뷰는 IDE 안에서 여러 에이전트를 동시에 여러 작업에 붙여 비동기로 굴리는 패널이다. 개발자는 코드를 직접 치기보다 태스크를 쪼개 분배하고, 각 에이전트가 올린 implementation plan을 승인하거나 되돌리고, 완료된 Artifacts를 리뷰하는 흐름으로 이동한다. 실무에서 효과를 본 패턴은 명확하다. 태스크를 작고 검증 가능하게 쪼갤수록 에이전트가 잘 끝내고, 막연한 'X 기능 만들어줘'는 plan 단계에서 어긋난다. 에이전트가 코드뿐 아니라 터미널·브라우저까지 만지므로, 위험 명령에는 사람 승인을 끼우는 권한 경계 설계가 필수가 된다. 한 명이 다섯 에이전트를 돌리면 병목은 타이핑이 아니라 '무엇을 시킬지 정의하고 결과를 판단하는' 인지 부하로 옮겨간다.

구글 Gemini 3.1 Pro 정식 공개, SWE-bench 80.6%에 4단계 thinking로 비용 조절

구글 딥마인드가 2026년 2월 19일 Gemini 3.1 Pro를 프리뷰로 공개했다. 직전 Gemini 3 Pro 대비 추론 성능을 2배 이상 끌어올렸고, 출시와 동시에 3 Pro 프리뷰를 종료(deprecate)시키며 플래그십을 교체했다. 벤치마크가 강력하다. SWE-bench Verified 80.6%(Claude Opus 4.6의 80.8%와 사실상 동급), GPQA Diamond 94.3%, 그리고 ARC-AGI-2에서 77.1%로 전작 31.1%의 두 배를 넘겼다. 컨텍스트는 100만 토큰 입력·6.5만 토큰 출력을 유지한다. 실무자가 주목할 부분은 thinking level이다. Low/Medium/High에 더해 Max까지 4단계를 노출해, 요청마다 추론 깊이와 비용·지연을 직접 트레이드오프할 수 있다(자동완성은 Low, 코드리뷰는 Medium, 복잡한 디버깅은 High 식). 가격은 입력 100만 토큰당 $2, 출력 $12로 전작과 동일하게 동결했다. 금융·스프레드시트 등 에이전트 도메인에서의 동작 개선도 명시됐다.

[비교] Codex SDK vs Claude Agent SDK: 실행 모델이 갈리는 지점

두 에이전트 SDK는 같은 일을 다른 축으로 푼다. Claude Agent SDK는 로컬 파일시스템과 임의 bash를 1급 도구로 보고 에이전트가 작업 디렉터리에서 직접 돌아가는 'host-native' 모델이다. Codex SDK는 실행을 OpenAI 컨테이너로 밀어넣고 Responses API의 상태 저장 대화에 묶는 'service-native' 모델에 가깝다. 결과적으로 Claude 쪽은 권한·sandbox 설정을 개발자가 책임지고 MCP로 도구를 확장하는 자유도가 높고, Codex 쪽은 환경이 표준화돼 재현성이 좋지만 커스텀 런타임 주입이 막혀 있다. 멀티 파일 리팩터의 정확도는 비등하나, long-horizon 작업에서 Claude는 컨텍스트 압축, Codex는 reasoning 토큰 비용이 각각의 약점으로 드러난다.

실무에선 '내 코드가 어디서 실행되는가'가 보안·컴플라이언스 결정이다. 온프레미스나 망분리 요구가 있는 한국 팀은 host-native 쪽이, 표준 재현 환경이 우선인 팀은 service-native 쪽이 맞다.

AI 학습을 위한 Python 라이브러리 Trio 소개

AI 시스템의 학습과 관련하여, Anthropic은 AI의 안전성과 해석 가능성을 높이기 위한 연구를 진행하고 있으며, Python 라이브러리 Trio를 통해 AI의 코딩 기술 형성에 영향을 미치는 방법을 제시하고 있다. AI를 활용한 학습 과정에서 초보자들은 50%의 코드를 작성할 수 있으며, AI가 없는 경우 67%의 코드 작성이 가능하다는 연구 결과가 있다.

AI 도구를 활용한 학습은 개발자들이 코딩 기술을 향상시키는 데 실질적인 도움을 줄 수 있다.

[분석] swarm은 왜 자꾸 무너지는가: 에러 누적과 조정 비용의 수학

다수 에이전트를 느슨하게 풀어놓는 swarm 패턴이 실무에서 깨지는 이유를 정량적으로 짚은 논의가 늘었다. 핵심은 두 가지다. 첫째, 단계마다 에이전트 성공률이 95%여도 직렬 10단계면 전체 성공률은 0.95^10≈60%로 주저앉는다. 에이전트를 늘릴수록 핸드오프 경계가 늘고 오류는 곱해진다. 둘째, 에이전트 수 N이 늘면 조정·합의에 드는 통신 비용은 대략 N^2로 증가하지만 실제 유효 작업량은 그만큼 늘지 않는다. 결국 검증 가능한 중간 산출물과 명시적 핸드오프 계약(스키마·완료 정의)이 없는 swarm은 토큰만 태우고 발산한다. 대안으로 떠오른 건 자유 방임 swarm이 아니라 라우터가 단계를 통제하는 supervised 그래프 구조다.

실무에선 에이전트 수를 늘리기 전에 '단계별 성공률 × 단계 수'를 먼저 계산해야 한다. 검증 게이트 없는 핸드오프가 3단계만 넘어가도 체감 신뢰도가 무너지므로, 각 경계에 스키마 검증과 명시적 완료 조건을 두는 설계가 선결이다.

MCP 레지스트리 1.0 정식 출범, 서버를 '검색'하는 시대로

modelcontextprotocol/registry가 프리뷰를 벗고 1.0으로 올라서면서, 그동안 GitHub README와 입소문에 흩어져 있던 MCP 서버들이 단일 메타 레지스트리에 등록·검색 가능해졌다. 핵심은 중앙 저장소가 아니라 네임스페이스(io.github.*, com.example.*) 기반의 분산 인덱스라는 점이다. 서버 발행자는 server.json에 transport(stdio/streamable-http), 패키지 출처(npm·PyPI·OCI), 인증 요구사항을 선언하고, Anthropic·VS Code·Cursor 같은 호스트가 이 인덱스를 미러링해 자체 서브레지스트리를 구성한다. DNS 또는 GitHub OIDC로 네임스페이스 소유권을 증명하게 해 'anthropic.com 사칭 서버' 같은 타이포스쿼팅을 차단하는 게 설계의 중심축이다. 다만 등록은 메타데이터 검증일 뿐 코드 감사가 아니라서, 서명된 출처와 실제 안전성은 여전히 별개 문제로 남는다.

[분석] 1M 컨텍스트가 비용 문제를 푸는 게 아니라 옮긴다

Claude Code가 Sonnet 계열 1M 토큰 컨텍스트를 붙이면서 '레포 통째로 넣기'가 가능해졌지만, 실무에서 드러난 건 한도가 늘어도 관리 부담은 안 사라진다는 점이다. 200K를 넘기는 구간부터 입력 토큰 단가가 프리미엄으로 올라가고, 컨텍스트가 길수록 중간에 묻힌 지시를 흘리는 lost-in-the-middle 경향이 다시 고개를 든다. 프롬프트 캐싱이 반복 호출의 입력 비용을 깎아주지만, 캐시는 접두사가 바뀌면 무효화돼서 대화 앞쪽에 큰 컨텍스트를 쌓고 뒤에서 계속 편집하는 패턴과 궁합이 나쁘다. 결국 '/compact로 요약 압축, 무관한 파일은 서브에이전트로 격리, 자주 쓰는 규칙은 CLAUDE.md로 고정'이라는 컨텍스트 예산 관리가 한도와 무관하게 여전히 필요하다.

실무에선 1M을 '다 채워도 된다'는 신호로 읽으면 토큰 청구서와 정확도 양쪽에서 손해를 본다. 캐시 적중률을 지키려면 큰 불변 컨텍스트는 앞에, 변하는 작업은 뒤에 두는 배치가 직접적인 비용 차이를 만든다.

제작자의 OpenAI 합류와 OpenClaw 재단 이관

제작자 Peter Steinberger가 2026년 2월 14일 블로그에서 본인의 OpenAI 합류와 OpenClaw의 재단(foundation) 이관을 함께 발표했다. 개인 주도로 시작한 프로젝트의 운영 주체가 개인에서 재단 구조로 옮겨가는 전환점이다. 이 발표는 빠른 바이럴 직후에 나와 프로젝트의 지속 가능성과 거버넌스에 관심이 모였다. 한편 제작자 개인의 Claude 계정이 "의심스러운 활동"으로 일시 정지됐다가 수 시간 내 복구된 별개의 사건도 2026년 4월 10일에 있었다. 이 계정 정지 건은 재단 이관과 직접 관련이 없는 일시적 사안이다.

1인 메인테이너 의존은 오픈소스 프로젝트의 흔한 리스크인데, 재단 이관은 그 단일 의존을 줄이려는 시도로 읽을 수 있다. 도입을 검토하는 입장에서는 라이선스(MIT)뿐 아니라 거버넌스 주체가 누구인지, 보안 패치가 누구 책임으로 나오는지를 함께 확인하는 게 좋다. 운영 주체 변경은 향후 릴리스 속도와 보안 대응 체계에 영향을 줄 수 있다.

AI가 법률 서비스 비용 절감을 자동으로 가져오지 않을 것이라는 주장

법률 서비스는 AI의 영향을 받을 가능성이 크지만, 고급 AI가 소비자에게 법적 결과를 저렴하게 제공하지 않을 것이라는 주장이 제기되었다. 법률 서비스의 접근성을 높이기 위해서는 규제 장벽, 적대적 구조, 인간의 개입이라는 세 가지 병목 현상을 해결해야 한다. 특히, 비전문가의 법률 업무 수행을 금지하는 규제와 법률 시장의 경쟁 구조가 AI의 효과적인 활용을 제한하고 있다.

한국에서도 법률 서비스의 AI 도입 시 이러한 규제와 구조적 문제를 고려해야 한다.

OpenClaw: GitHub 역사상 가장 빠르게 성장하는 오픈소스 AI 에이전트 프레임워크

Peter Steinberger는 OpenClaw의 창시자로, OpenClaw는 GitHub 역사상 가장 빠르게 성장하는 프로젝트이다. OpenClaw는 오픈소스 AI 에이전트 프레임워크로, 자가 수정 기능을 갖춘 AI 에이전트를 포함하고 있다. 이 프로젝트는 보안 문제와 함께 OpenAI와 Meta로부터 인수 제안을 받기도 했다.

Stability AI, Tech Coalition에 가입

Stability AI는 Safer Internet Day 이후, 온라인 아동 성착취 및 학대를 방지하기 위해 기술 기업들의 글로벌 연합인 Tech Coalition에 가입했다. 2025년에는 Tech Coalition의 Pathways 프로그램에 참여하여 아동 안전 관련 안전 및 책임 관행을 강화할 계획이다. 이번 회원 가입은 Stability AI의 안전 프로그램의 성숙도를 반영하며, 다른 기업들과의 협력을 통해 디지털 생태계에서 취약한 사용자 보호를 강화할 예정이다.

Tech Coalition 가입은 Stability AI가 아동 안전을 위한 기술 개발에 대한 책임을 다하고 있음을 보여준다.

[분석] 리랭커를 넣었더니 Recall은 그대로고 지연만 늘었다

RAG 파이프라인에 크로스인코더 리랭커(bge-reranker-v2-m3 류)를 끼우는 게 기본기처럼 굳어졌지만, 측정해 보면 효과가 갈린다. 1차 검색이 Recall@50에서 이미 정답을 못 물어온 경우 리랭커는 없는 정답을 만들어내지 못한다. 즉 리랭커는 순위 재배열일 뿐 회수율 자체를 못 올린다. 그런데 크로스인코더는 쿼리·문서 쌍을 매번 동시 인코딩해 50개 후보를 리랭킹하면 dense 검색 대비 100~300ms가 더 붙는다. 실무 결론은 단순하다. 1차 검색 Recall@k를 먼저 끌어올린 뒤, 상위 후보가 충분히 정답을 포함할 때만 리랭커로 NDCG를 다듬는다. top-k를 무작정 키워 리랭커에 떠넘기면 비용만 는다.

실무에선 리랭커를 만능으로 보지 말고, 1차 검색 Recall과 리랭킹 후 NDCG를 분리 측정해야 한다. 회수 단계 병목을 리랭커로 가리면 지연 예산만 까먹는다.

Claude Code, 백그라운드 세션·Agent View·자율 루프로 '관리형 에이전트' 전환

Anthropic이 Claude Code에 다중 세션을 한눈에 관리하는 Agent View, 작업을 이어가는 백그라운드 세션, 그리고 결과 중심 자율 실행 기능을 도입했다. /goal은 최소 개입으로 목표를 달성하도록 작업을 자율 실행하고, /loop는 단위 테스트와 리팩터링을 반복해 결과가 100% 통과(Green)할 때까지 매 단계 확인 없이 돌린다. 긴 세션에서도 의도가 유지되도록 시스템 프롬프트 컴팩션이 추가됐고, 한 기기에서 시작한 세션을 다른 기기에서 이어받는 원격 제어도 제공된다. 핵심은 Claude Code가 '스마트 자동완성'을 넘어 여러 작업을 동시에 돌리는 관리형 에이전트 플랫폼으로 이동했다는 점이다. 자율성이 커진 만큼 권한 가드레일과 검증(테스트 게이트) 설계가 안전한 활용의 전제가 된다.

에이전트가 백그라운드에서 자율적으로 도는 시대로 넘어가면서, 사람의 역할이 '코드 작성'에서 '검증·가드레일 설계'로 옮겨간다.

AI 2026: LLM, 코딩, AI 경쟁 구도

Nathan Lambert는 Allen Institute for AI의 포스트 트레이닝 리드이며, Sebastian Raschka는 'Build a Large Language Model (From Scratch)'의 저자이다. 이 팟캐스트에서는 AI의 발전, 특히 LLM의 진화와 AI 경쟁 구도에 대한 논의가 포함되어 있다. 또한, AI 개발 및 연구에 대한 초보자를 위한 조언과 AI 훈련 과정에 대한 설명도 제공된다.

Qwen3-Coder-Next 등 오픈웨이트 모델로 로컬에서 코딩 에이전트 돌리기

2026년 들어 로컬에서 돌릴 수 있는 오픈웨이트 코딩 모델이 실용 수준에 올라섰다. Alibaba Qwen 팀이 2026년 2월 공개한 Qwen3-Coder-Next는 총 80B MoE 중 한 번에 3B 파라미터만 활성화하는 구조로, 단일 머신에서 약 46GB 메모리로 SWE-bench Verified 70.6%를 달성했다고 보고된다. 같은 시기 GLM-5(Zhipu, MIT 라이선스), MiniMax M2.5 등 프런티어급 오픈소스 모델이 연달아 나오며 상용과의 격차가 좁혀졌다. Qwen은 Qwen3-Coder에 최적화된 오픈소스 터미널 에이전트 Qwen Code도 제공해, Claude Code나 Aider 같은 경험을 오픈 인프라만으로 구성할 수 있다. 보안·데이터 주권이 중요한 한국 팀이나 비용 민감한 프로젝트라면, 외부 API 없이 온프레미스로 에이전틱 코딩을 시도해볼 현실적 선택지가 생겼다.

데이터를 외부로 보내지 않고 온프레미스에서 에이전틱 코딩이 가능해져, 보안·규제·비용 제약이 큰 한국 팀의 실질 대안이 된다.

Moravec의 역설에 대한 비판적 분석과 실증적 검증 필요성

Moravec의 역설은 인간에게 어려운 작업은 AI에게 쉬운 반면, 인간에게 쉬운 작업은 AI에게 어렵다는 주장이다. 그러나 이 역설은 실제로 실증적으로 검증된 적이 없으며, AI 연구자들이 이론을 단순화하여 잘못된 예측을 하고 있다는 비판이 있다. Moravec의 역설은 1988년 Hans Moravec의 저서 'Mind Children'에서 유래되었고, AI 연구자들은 주로 체스와 같은 추론 작업에 집중해왔다. 하지만 이러한 접근은 AI의 실제 능력 발전을 예측하는 데 한계가 있다.

AI 기술 발전에 대한 예측의 신뢰성을 높이기 위해 Moravec의 역설을 비판적으로 검토하고, 실증적 연구를 통해 AI의 능력에 대한 보다 정확한 이해가 필요하다.