AI 뉴스
애리조나 물 부족 속 TSMC 반도체 공장과 데이터센터 반발이 맞붙다
TSMC의 애리조나 반도체 공장은 하루 약 500만 갤런의 피닉스 상수도를 쓰며 지역 경제의 핵심으로 자리 잡았다. 반면 더 크고 더 많은 물·전력·토지를 요구하는 새 하이퍼스케일 데이터센터 계획에는 초당적 주민 연대가 강하게 반대하고 있다. 기사에 따르면 TSMC의 애리조나 공장은 피닉스 시 상수도에서 하루 약 500만 갤런의 물을 공급받는다. 이 공장은 2020년 피닉스가 침체된 경제를 살리려 추진한 사업의 결과다. TSMC는 2020년 당시 2029년까지 애리조나에 120억 달러를 투자하겠다고 발표했으나, 이후 투자 계획은 2650억 달러로 불어났고 회사는 이를 미국 역사상 최대 규모의 외국인 직접투자라고 밝혔다. 피닉스 경제개발국장 크리스틴 매케이는 이 프로젝트를 주도했다. 기사는 데이터센터와 물 사용량의 차이도 짚었다. 구글의 오리건주 더 델스 시설은 하루 약 150만 갤런을 쓰는 것으로 소개되며, 이는 TSMC 애리조나 단지 소비량의 약 3분의 1 수준이다. 그러나 애리조나는 콜로라도강 물의 약 30퍼센트를 곧 잃게 되어, 이런 수치 비교만으로는 주민들의 우려가 해소되지 않는다고 기사는 전한다.
TSMC 애리조나 단지의 하루 약 500만 갤런 취수량과 구글 더 델스 시설의 하루 약 150만 갤런이라는 수치는, 데이터센터 인프라를 설계할 때 지역 용수 여건을 함께 검토해야 한다는 점을 보여준다.
팔란티어 CTO 샴 산카르 인터뷰: AI 확산, 시스템 엔지니어링 접근, 전진 배치 엔지니어링
스트라테커리의 벤 톰슨이 팔란티어 CTO 샴 산카르와 나눈 인터뷰가 공개됐다. 대화는 산업계가 AI 확산에 충분히 집중하지 않는 이유, 연구소들의 AI 안전에 대한 접근 방식, 팔란티어가 AI에서 얻은 교훈을 다룬다. 인터뷰에서 산카르는 상위 라인(매출)에 초점을 둔 기업이 AI 도입에서 더 큰 성과를 낸다고 설명하고, 연구소들이 AI 안전을 시스템 엔지니어링 관점으로 접근하지 않는 점에 불만을 드러냈다. 대화는 기업이 중앙값이 아닌 알파를 어떻게 유지할 수 있는지, 더 많은 모델이 필요한지 여부, 전진 배치 엔지니어(forward-deployed engineer)가 정확히 무엇인지로 이어졌다. 마지막으로 기술계가 '종교 전쟁'에 빠져 있다는 산카르의 진단과, 앤트로픽과 미국 정부 사이의 분쟁에 대한 회고가 다뤄졌다. 기사는 팔란티어 CTO 개인의 관점을 전달하며, 기사에 제시된 수치나 구체적 제품 성능 지표는 포함돼 있지 않다.
알파벳 3분기 실적 악화, 자본지출 1,140% 급증에 잉여현금흐름 -90억 달러 기록
알파벳은 3분기 잉여현금흐름이 -90억 7천만 달러로 떨어졌고, 자본지출은 전년 대비 114% 늘어난 514억 달러를 기록했다. 검색 사업이 둔화되는 가운데 TPU와 구글 클라우드에 대한 대규모 투자가 실적 구조를 바꾸고 있다는 점에서 주목된다. 구글 클라우드 매출은 전년 대비 103% 증가한 307억 달러였고, 클라우드 영업이익은 111억 달러로 세 배가 되며 영업이익률 36.2%를 기록했다. 영업현금흐름은 423억 달러로 전년보다 13% 줄었고 컨센서스 539억 달러에 크게 못 미쳤다. 장기부채는 1년 새 479% 늘어 1,251억 달러가 되었다. 기사는 자본지출이 데이터센터 확장, 서버 하드웨어, TPU 재고 구축에 배분되었다고 설명한다. 같은 분기 유럽연합 집행위원회에 내는 52억 달러 규제 벌금도 현금흐름을 압박했다. 기사는 TPU 매출이 클라우드 매출에 포함되어 있어 사업 구조가 실제보다 다르게 보일 수 있다고 지적한다. 검색 측면에서는 외부 웹사이트로 나가는 클릭은 뚜렷하게 줄고 있는데 전체 검색 쿼리량은 높은 수준을 유지하고 있어, 제로클릭 경로를 어떻게 수익화할지가 과제로 제시되었다. 발표 직후 시간외 거래에서 주가는 9% 하락했다.
Google Cloud 매출 306억 7천만 달러와 영업이익률 36.2%, 자본지출 514억 달러가 함께 나온 만큼, 클라우드·TPU 인프라 수요와 비용 구조를 함께 보는 것이 필요하다.
Google DeepMind, Gemini 4 Carbon 공개…사이버 방어 업계에 우선 제공, 독립 리더보드 1위
Google DeepMind가 Gemini 4 Carbon을 공개했고, 사이버 보안과 장기 과제에서 최고 성능을 주장하며 접근은 신뢰받는 사이버 방어자 대상 Fairwind 프로그램으로 먼저 제한된다. Artificial Analysis Intelligence Index v5에서 59점으로 1위를 기록해 Google DeepMind가 해당 지수에서 처음으로 선두에 올랐다. Carbon은 SEC-bench Pro 취약점 발견 88.2%, ExploitGym 익스플로잇 54.8%, CWE-bench 패치 71.0%를 기록했다고 발표됐다. 컨텍스트 창은 100만 토큰, 최대 출력도 100만 토큰이며 입력은 텍스트·이미지·영상·음성, 출력은 텍스트다. 가격은 기사에 따라 다르게 보고됐다. Phil Schmid는 입력·출력 100만 토큰당 $2/$10를 인용했고, Artificial Analysis는 표준가 $4/$20에 종료일이 없는 50% 출시 할인을 적용했다고 밝혔다. 캐시 입력은 100만 토큰당 $0.20이다. 코딩 에이전트 지수에서 Carbon은 Antigravity CLI 기준 59점으로, Opus 5.5 [max]의 Claude Code 62점에 미치지 못했다. 환각률은 Argon의 4%에서 11%로 올랐지만 측정된 모델 중 두 번째로 낮다고 기사는 전했다. Artificial Analysis는 코딩 결과가 Antigravity CLI에서만 측정되어 다른 하네스에서의 결과는 검증되지 않았다고 명시했다. 사이버 용도의 환각 위험을 우려하는 반응도 있었고, 일부 평가자는 Google이 다음 OpenAI·Anthropic 출시보다 약 두 달 뒤처져 있다고 봤다. 한편 Opus 5.5가 58점에서 Artificial Analysis 기준 1위였던 순위는 Carbon 등장으로 재편됐다.
Carbon의 Fairwind 프로그램 우선 제공과 SEC-bench Pro 88.2%, 환각률 11%라는 수치는 보안 도구 도입 전에 하네스별 재측정과 환각 검증을 먼저 해야 함을 보여준다.
The Trinity: 멀티모달 에이전트를 위한 능력 기반 재귀적 자기개선 프레임워크
arXiv에 공개된 The Trinity는 세계 생성과 하네스(Harness) 진화를 Creator, Explorer, Evolver 세 역할로 결합한 재귀적 자기개선 프레임워크다. 서로 다른 모달리티와 표면 형태의 과제들이 같은 기저 능력 요구사항을 공유한다는 점을 활용해 과제를 계층형 능력 트리로 재구성한다. Evolver는 검증된 실행 궤적을 바탕으로 과제 분류의 기준을 표면적 카테고리에서 공유 요구사항으로 옮기고, 원래의 과제 트리를 능력 트리로 재편성한다. Creator는 같은 노드에 속한 이질적 과제들의 공통 요구사항을 단순화되고 검증 가능한 시뮬레이션 세계로 추상화하며, 원래 과제에 대한 평가로 전이 성능을 측정한다. Explorer는 선택적 상속을 통해 재사용 가능한 능력 모듈을 점진적으로 진화시키고, 검증된 업데이트가 고정된 위상 안에서 누적되는 하네스 트리를 형성한다. 진화된 하네스는 28개 학습 벤치마크에서 평균 성능을 34점, 두 개의 실세계 구현(embodied) 과제를 포함한 18개 미관찰 벤치마크에서 26점 향상시켰다고 보고되었다. 저자들은 하네스들이 서로 다른 능력에 특화된다는 점을 근거로, 공개된 과제 정보를 이용해 호환 가능한 모듈 구성을 트리에서 고르는 Capability-Aware Harness Router를 함께 제안했다.
28개 학습 벤치마크에서 평균 34점, 미관찰 18개 벤치마크에서 26점 향상이라는 수치는 과제 공통 능력 단위로 에이전트 모듈을 재사용하는 접근의 효과를 보여주는 근거이며, 에이전트 개발 시 과제별 하네스를 따로 수작업 튜닝하는 대신 능력 모듈 트리와 라우터를 검토해볼 수 있는 참고 자료다.
StruPO, 구조 인식 기반 텍스트-이미지 프롬프트 편집 정책 학습
StruPO는 장면 그래프를 공유 표현으로 사용해 프롬프트를 편집하는 구조 인식 프롬프트 편집기다. 스타일 재작성 과정에서 객체 속성과 관계가 약해지는 문제를 줄이고, 이미지 기반 감독 신호로 재사용 가능한 편집 정책을 학습한다. 기사에 따르면 StruPO는 보존해야 할 요소를 장면 그래프로 드러내고, 삭제·재배열·삽입으로 토큰 단위 편집을 수행한다. 불확실한 그라운딩은 부드러운 보상 형성으로 처리하며, 각 편집마다 여러 이미지를 평균 낸 뒤 그룹 상대 이득을 계산한다. 실험은 서로 겹치지 않는 3개의 2K 프롬프트 테스트 세트와 4개의 고정된 생성 백본에서 진행되었고, 학습형 프롬프트 최적화기, 반복적 구조 피드백, 확산 모델 미세 조정, 추론 시점 어텐션 제어와 비교되었다. 저자들은 충실도와 미적 품질의 상충 관계가 개선되었고 관계 충실도에서 일관된 향상이 있었다고 보고했다. 그래프 캘리브레이션 이후 한 번의 패스로 최적화된 텍스트를 생성하며 반복적 비평-재작성 루프는 필요하지 않다고 한다.
StruPO는 그래프 캘리브레이션 후 반복 루프 없이 한 번의 패스로 최적화된 프롬프트를 생성하므로, 기존 생성 백본에 붙여 쓰는 프롬프트 전처리 단계로 활용할 수 있다.
AI 도움이 절약하는 시간을 측정하는 방법: 시계 기준 대 원장 기준, METR 재분석과 리뷰어 실험
이 논문은 AI 보조가 시간을 아낀다는 말이 무엇을 뜻하는지 묻는다. 시계에 찍힌 시간만 보는 관점 대신, 작업이 놓친 결함까지 함께 계산하는 원장 관점을 제안한다. 저자는 METR 개발자 연구 공개 데이터를 다시 분석해 같은 246개 이슈에서 19% 또는 24%의 속도 저하를 확인했다. 저자는 시간 절약과 초과 유출 결함을 모델 없이 정의하고, 이 둘로 손익분기 결함 비용이라는 결정 수치를 만든다. 검수 모델에서 모델 오류율이 충분히 낮아지기 전까지 검수자의 결함 유출률은 모델 성능과 무관하며, 검수 시간은 모델 오류율의 로그에 비례해 늘어난다고 설명한다. 과신은 시계상의 분을 얻지만 전체 분 손실은 더 크다는 것이 핵심 주장이다. GDPval의 모든 산출물을 검토하는 워크플로에서는 검토 시간만으로 GPT-5의 속도 향상이 3.6배로 제한된다고 보고했다. 사전 등록된 소규모 실험에서는 SEC 제출 서류로 만든 브리프를 AI 리뷰어가 검토했는데, 드래프터의 실제 오류율을 알려주면 리뷰어는 오류율이 높을수록 더 많이 검토했지만 전부 아니면 전무 방식이었다. 오류율이 10배 낮다고 알려주자 9개 수치 중 7개를 덜 검토했고 브리프의 22.5%에서 틀린 수치가 통과했다.
METR 개발자 연구 재분석에서 246개 이슈 기준 19% 또는 24%의 속도 저하가 확인됐으므로, AI 도구 도입 효과를 시계 시간만으로 판단하면 결함 비용을 과소평가할 수 있다.
Vicki Boykis, DataPhilly 발표 슬라이드 공개: 임베딩 기반 검색·랭킹과 ONNX 추론 정리
Vicki Boykis가 DataPhilly 밋업에서 임베딩 기반 검색(retrieval)과 랭킹, 머신러닝 모델 아티팩트 생성과 추론을 주제로 30분간 발표했다. 발표 자료는 블로그에 슬라이드와 PDF로 공개됐다. 발표는 일반 모델과 소형 모델의 차이, 지연 시간(latency)과 ONNX 변환의 트레이드오프를 다뤘다. 청중은 무엇을 임베딩할 수 있는지, 추론을 직접 호스팅하는 것과 API를 쓰는 것의 장단점, 모델의 데이터와 아키텍처 중 무엇이 더 중요한지 등을 질문했다. Boykis는 2013년 같은 밋업에서 데이터 접근의 어려움에 대해 발표했으며, 이후 10년 이상 개발자로 일하며 직접 접근 패턴을 작성해 왔다고 밝혔다. 슬라이드는 블로그 페이지에 임베드돼 있고 PDF로도 내려받을 수 있다.
ONNX 변환에 따른 지연 시간 차이와 자체 호스팅 대 API 추론의 트레이드오프를 다룬 발표 슬라이드(PDF)를 직접 참고할 수 있다.
OpenAI 테드 샌더스, 모델 이름 체계 설명: Luna < Terra < Sol < Astra 순서와 버전 번호의 의미
OpenAI의 Ted Sanders는 LLM 성능이 여러 차원에 걸쳐 있지만 많은 차이가 모델 크기 하나로 설명된다고 밝혔다. 그는 모델 크기가 클수록 신뢰도가 높고, 토큰당 비용이 많이 들며, 희귀한 사실을 더 잘 기억한다고 설명했다. Sanders는 OpenAI 모델의 순서를 Luna < Terra < Sol < Astra로 제시했다. 버전 번호는 출시 순서, 다른 릴리스와의 관계, 개선 폭을 함께 나타낸다고 설명했다. 예를 들어 6.1은 5.6 이후에 출시됐고 다른 6.1 모델과 학습 데이터나 성격을 일부 공유하지만, 7로 부를 만큼 큰 도약은 아니라는 의미라고 밝혔다.
모델 선택 시 버전 번호만으로 성능 차이를 가늠하기보다, Luna·Terra·Sol·Astra 같은 계열 내 크기 차이와 토큰당 비용을 함께 비교하는 기준이 된다.
Akai, 오픈소스 펌웨어 기반 MPC Sample Key 공개 전 모딩 커뮤니티에 조기 접근 허용
Akai는 아직 공식 발표하지 않은 MPC Sample Key를 두고, 바이브 코딩으로 만들어진 모딩 커뮤니티의 작업물을 보여주고 있다. 회사는 해커와 커스텀 펌웨어 개발자들에게 이 기기에 대한 조기 접근 권한을 주며, 기기는 오픈소스 펌웨어로 동작할 예정이다. 기사에 따르면 MPC Sample Key는 MPC Sample과 같은 소프트웨어의 어떤 버전을 실행할 가능성이 높으며, 전통적인 건반, 피치, 모드 휠을 수용하도록 조정된다. 상위 모델인 MPC Key 37과 달리 Sample Key에는 패드가 없고, 대신 건반으로 샘플을 재생한다.
구글 딥마인드, 실시간 월드 모델 Genie 4 공개... 소리까지 생성, 접근은 신뢰 테스터부터
구글 딥마인드가 10월 27일 Genie 4를 공개했다. 텍스트로 세계를 만들고 키보드로 그 안을 걸어 다니는 월드 모델로, 지난해 8월 Genie 3(720p, 초당 24프레임, 몇 분간 일관된 세계 유지)에서 바람·파도 소리와 음악, 사람 목소리까지 실시간으로 만들어내는 기능이 더해졌다. 접근은 단계적이다. 지금은 구글이 고른 신뢰 테스터만 사용할 수 있고, 다음은 구글 AI 울트라 구독자, 그다음이 Gemini API와 AI Studio 얼리 액세스 파트너 순서다. 기사는 한국에서 언제 얼마에 쓸 수 있는지도 정리하겠다고 밝혔지만, 이 부분의 구체적 일정과 가격은 본문에 나와 있지 않다.
Gemini API와 AI Studio 얼리 액세스 파트너 단계가 열리면 텍스트 입력으로 소리를 포함한 실시간 세계를 생성하는 Genie 4를 직접 호출해 볼 수 있다.
기업 맥락 계층이 AI 성과의 빈틈을 메운다는 MIT Technology Review 보고서 요약
MIT Technology Review Insights 설문에 따르면 응답 기업 모두 AI를 어느 정도 쓰고 있지만, 변혁적 가치를 얻는 곳은 16%에 그쳤다. 응답자의 40%는 특정 작업이나 팀에서 중간 수준의 성과를 본다고 답했다. Atlan 공동창업자 Prukalpa Sankar는 모델 능력과 실제 기업 내 활용 사이의 간극을 맥락(context) 부족으로 설명했다. 설문에서 38%는 AI를 여전히 파일럿 단계로 쓰고 있다고 답했고, 35%는 co-pilot이나 채팅 어시스턴트로 직원 업무를 보조하는 데 쓰고 있었다. AI 에이전트를 실운영에 두는 기업은 12%, 핵심 프로세스의 대부분을 AI가 처리한다고 답한 기업은 3%였다. Sankar는 맥락 계층(context layer)을 기업의 비즈니스 시스템과 AI 플랫폼 사이에 놓이는 아키텍처 인프라로 정의했다. 이 계층은 기업 지식을 AI 에이전트나 모델이 사용할 수 있는 거버넌스된 형태로 바꾼다고 설명했다. 그는 맥락 계층이 없는 상태를 가장 똑똑한 인턴을 눈을 가린 채 조직에 투입하는 것에 비유했다.
AI 에이전트를 운영하려면 Sankar가 말한 맥락 계층처럼 기업 데이터와 업무 규칙을 모델이 참조할 수 있는 형태로 정비하는 작업이 함께 필요하다는 점을 기준으로 설계를 검토할 만하다.
Supabase, 에이전트가 쓰기 좋은 백엔드 방향 발표: Docker 없는 로컬 런타임·선언형 스키마·Compute 알파
Supabase는 Docker 없이 로컬에서 백엔드를 실행하는 alpha 런타임, Git에 보관하는 선언형 스키마, 데이터베이스 옆에서 컨테이너를 돌리는 Supabase Compute(private alpha)를 공개했다. 에이전트가 백엔드를 읽고 수정할 수 있게 만든 변화로, 앱 생성부터 운영까지의 마찰을 줄이는 방향이다. Latent Space의 팟캐스트에서 Paul Copplestone과 Ant Wilson은 Supabase Select에서 발표한 Build, Operate, Scale 항목을 설명했다. 로컬 백엔드 실행에 Docker가 필요 없는 alpha 런타임, 데이터베이스 상태를 Git 파일로 기술하는 선언형 스키마, 데이터베이스와 같은 위치에서 청크 분할이나 임베딩 같은 장시간 작업을 돌리는 Compute가 핵심이다. 기사는 필자가 frontier AEO tracker로 확인했을 때 Astra부터 Fable, Muse까지 모든 frontier 모델이 앱 백엔드 첫 번째 선택으로 Supabase를 꼽았다고 전한다. Supabase는 하루 약 500만 개 규모의 데이터베이스를 만들고 있다고 밝혔으며, 에이전트 사용이 늘면 이 수치가 수십억 개 애플리케이션 규모로 커질 수 있다고 보고 있다. 기사는 OrioleDB, Multigres(private alpha), Turso 인수를 확장성 작업으로 소개했다. 또 AI 기반 사용이 늘면서 활성화와 전환율이 좋아졌다는 점을 두 창업자가 언급했다.
선언형 스키마 파일과 로컬 alpha 런타임 덕분에 에이전트가 Supabase 백엔드 상태를 Git에서 직접 읽고 수정할 수 있어, 개발자가 마이그레이션 이력을 재구성하지 않고도 백엔드를 파악할 수 있다.
RAND 연구진, 초지능(ASI) 대응 미국 전략 7가지 유형과 행동의 자유 유지 방안 논의
RAND의 AGI 지정학 센터 연구원 Joel Predd, Ben Boudreaux, Matt Chessen이 초지능으로 가는 길에서 행동의 자유를 유지하기 위한 틀을 제시했다. 이들은 지배·억제·공동 개발·모라토리엄 등 7가지 전략 유형을 분석하며, 기술과 지정학의 불확실성 때문에 어느 한 전략을 기본값으로 삼는 것이 위험하다고 주장한다. 이 연구진은 중요한 선택지를 미리 닫지 않기 위해 모델 검증, 봉쇄(containment), 에이전시 평가 같은 리드타임이 긴 역량과 적응 가능한 보안 아키텍처에 투자할 것을 제안한다. 논의에서 거론된 쟁점은 결정적인 경제·군사적 우위, 중국 등 경쟁국과의 안정적 경쟁, 그리고 인류가 주체성을 유지한 채 생존하는 문제다. 이 에피소드는 그 밖에도 핵 역사에서 얻은 교훈, 비용과 의사결정 기준, 억제와 국제적 신호 전달, 인간 주체성 보존, AI 레드라인 설정, 추적해야 할 주요 지표를 다룬다. 전체 쇼노트와 참고문헌은 해당 에피소드 페이지에서 확인할 수 있다.
구글, 최신 프런티어 AI 모델 Gemini 4 Carbon 공개 발표… 현재는 사용 불가
구글이 Gemini 4 Argon 출시 2주 만에 개선 모델 Gemini 4 Carbon을 발표했다. 기사에 따르면 Carbon은 Flash 계열이 아니라 Argon의 개선판이며, Argon과 마찬가지로 단계적 출시(staged release)를 진행 중이라 일반 사용은 당장 불가능하다. 구글은 Carbon이 코딩, 에이전트 작업, 과학 분석에서 새로운 성능 임계점에 도달했다고 밝혔다. 사이버보안 분야에서는 취약점 탐지·검증·수정(vulnerability detection, validation, remediation)에서 "significant leap"을 보였고, Argon 대비 취약점 없는 코드를 생성할 가능성이 두 배라고 설명했다. Chrome 팀은 Carbon이 비구글 모델보다 "고품질" 패치를 10배 더 잘 생성한다고 주장했다. 또 WebDev Arena 점수가 89점 올라 리더보드 4위에 올랐다고 덧붙였다.
WebDev Arena 점수 89점 상승과 Argon 대비 취약점 없는 코드 생성 가능성 두 배라는 수치는 웹 개발 및 보안 코드 리뷰 워크플로에 영향을 줄 수 있으나, 현재 일반 공개 상태가 아니어서 실제 도입 시점은 기사에서 확인할 수 없다.
마이크로소프트, 스마트 TV의 Copilot 기능 지원 종료
마이크로소프트가 올해 모든 TV에서 Copilot 기능 지원을 종료한다고 Windows Central 보도가 전했다. LG와 삼성은 CES 2025에서 최신 스마트 TV에 Copilot 접근을 포함한다고 발표했던 바 있다. 이 소식은 LG, 삼성, 마이크로소프트의 공식 발표가 아니라 Windows Central의 Zac Bowden이 webOS 기반 LG TV에서 본 화면 알림을 통해 알려졌다. 알림에는 마이크로소프트가 LG TV의 Copilot 기능을 포함해 모든 TV에서 Copilot 기능 지원을 종료하기로 했다는 내용이 적혀 있었다.
Amazon Bedrock AgentCore 기반 엔터프라이즈 Agentic AI 플랫폼 구축 아키텍처
AWS Machine Learning Blog는 Amazon Bedrock과 Amazon Bedrock AgentCore 위에서 여러 팀이 에이전트를 운영할 수 있는 엔터프라이즈 Agentic AI 플랫폼의 아키텍처와 참조 구현을 공개했다. 에이전트를 실제 운영에 올리는 병목은 모델과 도구 사용보다 보안 환경, 팀별 소유권, AgentOps, 비용 가시성 같은 주변 요소에 있다는 점을 짚었다. 기사는 Platform 팀이 플랫폼을 관리하고 Workstream 팀이 그 위에서 에이전트를 만드는 구조를 제시한다. 각 Workstream에는 승인된 모델과 도구, 단기 수명의 워크로드 아이덴티티, 격리된 런타임과 메모리, 자동 평가, 롤백, 텔레메트리, 비용 귀속이 기본 경로로 제공된다. 추론 게이트웨이는 Amazon Bedrock Guardrails 등 조직의 가드레일을 적용하고 Workstream별 요청 한도와 토큰 쿼터, 예산을 강제한다. 도구 접근은 인증된 MCP 게이트웨이를 통해 최소 권한 실행 역할로 제어된다. 이 설계는 멀티 계정 운영 모델, 반복 가능한 Workstream별 배포 패턴, 프로덕션 승격 전 에이전트를 게이팅하는 평가 파이프라인을 포함한다. 기사는 이를 배포 가능한 인프라 코드로 제공되는 Enterprise Agentic AI Platform Blueprint로 묶어 공개했다.
AWS 샘플 리포지토리의 enterprise-agentic-ai-platform-blueprint와 AgentCore의 runtime, gateway, identity, memory, policy, evaluations 모듈을 활용해 Workstream별 게이트웨이 분리, 쿼터 설정, 평가 게이팅을 구성하는 참조 구조로 쓸 수 있다.
Ray Train DLC와 EFA로 EKS에서 분산 학습 구성하기
AWS가 CUDA, NCCL, EFA 스택과 Ray를 미리 묶어 배포하는 Ray Train Deep Learning Container(DLC)를 사용해, 이미지를 직접 빌드하지 않고 EKS에서 PyTorch 분산 학습 클러스터를 띄우는 방법을 소개한다. 학습 코드와 클러스터 매니페스트만으로 두 인스턴스 간 노드 통신을 EFA로 처리할 수 있다는 점이 핵심이다. 기사는 Qwen2.5-1.5B를 PyTorch Fully Sharded Data Parallel(FSDP)으로 미세 조정하는 예제를 다룬다. 구성은 g6.12xlarge 인스턴스 2대에 NVIDIA L4 GPU 8개이며, 제어 노드(m7i.xlarge)에서 KubeRay 오퍼레이터와 Ray head가 돌고 GPU 워커 노드 2대가 같은 가용 영역에 놓인다. KubeRay는 하나의 RayCluster 매니페스트에서 head 그룹과 worker 그룹을 만들고, 각 GPU마다 워커 하나씩 총 8개의 워커를 배치한다. 사용 이미지는 public.ecr.aws/deep-learning-containers/ray:train-ml-cuda-v1.1 태그로, Ray 2.58.0, PyTorch 2.13.0, CUDA 13.0.2, NCCL 2.29.7, EFA 최신 버전과 AWS OFI NCCL 플러그인이 포함되어 있다. 인스턴스 간 집합 통신은 파드가 EFA를 요청하는 순간부터 EFA 경로로 흐른다. 기사는 같은 이미지가 KubeRay로 EKS에서 실행되든, EC2에서 직접 시작되든 동일하게 head와 worker 역할을 맡는다고 설명한다. 사용자가 추가하는 것은 인스턴스 종류, 파드당 GPU 수, NCCL이 쓸 네트워크 전송 방식, 작업에 필요한 Python 패키지 같은 설정뿐이며 모두 이미지 외부에서 지정한다. 샘플 저장소와 함께, 같은 KubeRay-on-EKS 기반을 쓰는 다중 노드 Ray Serve 예제도 링크되어 있다.
g6.12xlarge 2대와 L4 GPU 8개 구성에서 ray:train-ml-cuda-v1.1 태그와 EFA 요청만으로 인스턴스 간 NCCL 통신을 구성할 수 있어, CUDA·NCCL·aws-ofi-nccl 버전을 직접 맞추는 빌드 작업을 생략할 수 있다.
Amazon Nova Act 기반 QA Studio에 애플리케이션 단위 테스트 관리와 팀 기반 사용자 권한 기능 추가
AWS Machine Learning Blog의 Part 3 글은 QA Studio에 applications 기능과 팀 기반 사용자 관리 기능을 더해 여러 팀이 테스트를 함께 운영하는 방법을 설명한다. 테스트가 늘어나면 테스트 작성보다 조직화와 접근 제어가 병목이 된다는 문제를 다룬다. QA Studio의 application은 테스트 대상 시스템(웹사이트, 웹 앱, 서비스 프런트엔드)을 나타내며, 이름·기본 URL·선택적 환경(development, staging, production)으로 생성한다. 사용 사례(use case)와 테스트 스위트는 애플리케이션에 속하고 그 소유권을 상속하므로, 팀은 전체 테스트 목록 대신 자신이 소유한 애플리케이션 안에서 작업한다. 테스트 실행 결과는 Amazon CloudWatch 커스텀 메트릭으로 기록되며 애플리케이션과 환경 차원으로 구분된다. 애플리케이션 페이지에는 선택 기간의 통과율, 총 실행 수, 현재 실패 수와 함께 0~100 사이의 건강 점수가 표시되며, 이 점수는 통과율에서 플래키(flaky) 테스트에 대한 감점을 뺀 값이다. 추이 탭은 7일(시간 단위)과 30일(일 단위) 구간을 제공하고, 플래키 테스트 보기는 최근 7일간 통과와 실패를 오간 횟수로 사용 사례를 순위화한다. 최근 실패 목록의 각 항목은 Part 1에서 설명한 Amazon Nova Act 트래젝터리 로그와 세션 녹화로 바로 연결된다. 기사는 팀 기반 사용자 관리를 통해 누가 무엇을 보고 변경할 수 있는지 제어한다고 밝히고 있으나, 세부 권한 모델은 이 요약의 근거 범위 밖이다.
CloudWatch 커스텀 메트릭으로 기록되는 애플리케이션·환경별 통과율과 0~100 건강 점수, 그리고 최근 7일 플래키 테스트 순위를 활용하면 여러 팀의 테스트 상태를 한 화면에서 비교하고 불안정한 테스트를 우선 점검할 수 있다.
AI 시대의 시스템 사고: 엔지니어의 역할은 기술 수행에서 전문가 협업 조율로 확장된다
기사는 엔지니어가 AI 도구로 연구 검색, 설계안 생성, 시뮬레이션 테스트를 수행한 뒤 결과를 전문가에게 넘기는 협업 방식을 제시한다. 최종 판단과 책임은 여전히 사람에게 있으며, 엔지니어의 역할이 각 기술 단계 수행에서 사람·기계·전문가 지식의 결합 방식을 결정하는 쪽으로 넓어진다고 설명한다. 기사는 의료 기기 사례를 들어 설명한다. AI가 여러 센서 설계안을 만들고 각 설계의 성능을 예측하면, 엔지니어는 예측을 검증해 기술 요건을 어기는 설계를 제외한다. 이후 임상의가 실제 사용 가능성을 판단하고, 환자와 실무자가 엔지니어나 개발자가 놓친 문제를 드러낼 수 있다고 본다. 기사는 AI가 설득력 있는 답을 내놓아도 가정이 약하거나, 한 테스트에서만 동작하는 코드를 만들거나, 잘못된 목표로 설계를 최적화할 수 있다고 지적하며 사람의 전문성이 더 중요해진다고 강조한다. 기사는 IEEE가 여러 분야 전문가를 묶는 커뮤니티를 만들고, 임상 AI·복원력 있는 인프라·자율 시스템 같은 문제 중심 협업을 지원할 수 있다고 제안한다. 또한 AI 생성 결과를 언제 검증해야 하는지, 불확실성을 어떻게 기록하는지, 사람의 판단과 기계의 출력이 섞인 시스템에서 책임 주체가 누구인지에 대한 실무 표준이 필요하다고 덧붙인다.
AI가 생성한 설계안과 코드는 시뮬레이션이나 단일 테스트로 검증하고, 임상 적용처럼 전문가 판단이 필요한 단계는 사람이 결정하도록 워크플로를 설계할 필요가 있다.
Google AI Mode, 2020·2024 미국 대선 승자 질문에 직접 답하지 않고 FEC 공식 보고서 확인을 안내
Ars Technica의 테스트에 따르면 Google AI Mode는 '2020년 미국 대선 승자는 누구인가?'라는 질문에 직접 답하지 않았다. 대신 연방선거위원회(FEC)가 작성한 공식 보고서를 확인하라는 응답을 내놓았다. 2024년 대선 질문에도 같은 방식으로 답했다. 2012년 대선 질문에는 직접 답 대신 The American Presidency Project의 2012 Data Center 링크가 제시됐다. 반면 2000년 이후 다른 모든 대선의 승자에 대해서는 AI Mode가 상세하고 정확한 답을 제공했다.
GitHub Octoverse 2026: 월간 병합 PR 2억 2천만 건, 커밋 73억 8천만 건으로 신고점
GitHub가 Octoverse 2026 보고서를 발표하며 2026년 월간 병합 풀 리퀘스트(PR)가 2억 2천만 건으로 1년도 안 돼 세 배가 됐다고 밝혔다. 월간 커밋은 73억 8천만 건으로 세 배 이상 늘었고, 대부분의 증가가 올해 하반기에 집중됐다. 보고서에 따르면 월간 신규 저장소 생성 속도는 올해 두 배로 늘어 월 3,030만 건에 이르렀다. 기사는 이 수치들이 에이전트 기반 엔지니어링이 GitHub에 미친 영향을 보여준다고 서술했다. 보고서는 산업별 수치도 새로 포함했으며, 공개 저장소의 이름·설명·토픽·README를 다국어 임베딩 모델로 분류해 NAICS 산업 분류에 배정했다. 또한 '상호운용성 또는 리버스 엔지니어링'을 언급하는 저장소 수를 별도로 집계했는데, 이는 클린룸 구현, 드롭인 대체, 프로토콜 재구현 같은 용어가 포함된 경우를 포함한다. 국가별 집계는 공개 저장소에 대한 푸시를 기준으로 하며, VPN 사용에 따른 편향을 보정하기 위해 프로필 위치 정보에서 LLM으로 ISO 3166-1 alpha-2 국가 코드를 추출했다고 방법론 섹션에 적혀 있다.
보고서의 월간 병합 PR 2억 2천만 건과 커밋 73억 8천만 건은 에이전트 기반 개발의 규모를 가늠할 수 있는 기준치이며, 팀의 PR 리뷰 및 CI 부하 계획에 직접 참고할 수 있다.
Microsoft Foundry Agent Service에 Copilot harness 퍼블릭 프리뷰 공개, 호스팅 에이전트 장기 실행 복원력 GA
Microsoft가 Foundry Agent Service에서 Microsoft Copilot harness를 퍼블릭 프리뷰로 공개했고, 호스팅 에이전트의 장기 실행 복원력(long-running resilience)은 일반 제공(GA)으로 전환됐다고 발표했다. 에이전트 루프와 샌드박스를 Microsoft가 관리해 복잡하고 오래 걸리는 작업을 개발자가 인프라 구성 없이 구현할 수 있게 한다는 것이 핵심이다. Copilot harness는 에이전트를 선언형으로 정의하면 모델과 도구 호출 조정, 작업 컨텍스트 유지, 파일 관리, 다단계 작업의 진행 방식 결정을 Microsoft가 실행하는 구조다. 개발자는 지식, 절차, 도구를 제공한다. 프리뷰는 네 가지 구성요소로 이루어진다. 지침·스크립트·참고 자료를 묶은 재사용 가능한 skills, 인증과 승인을 명시적으로 설정하는 Foundry 및 Model Context Protocol(MCP) 도구 연결, 파일과 코드를 다루고 하위 작업을 내장 subagent에 위임하는 실행 및 위임 기능, 그리고 Foundry에서 만들거나 애플리케이션 코드와 함께 소스 관리하는 에이전트 정의다. 예시로 제시된 azure.yaml에서는 harness type을 microsoft_copilot_preview로 지정하고 web_search, code_interpreter 도구와 research-brief 스킬을 연결했으며, azd deploy --all과 azd ai agent invoke 명령으로 배포하고 호출한다. 기사는 Confluence Technologies가 1주일 안에 솔루션을 가동했다고 밝혔고, Fashable은 소싱 과정을 관리되고 측정 가능한 에이전트 워크플로로 바꾸는 기반으로 사용한다고 설명했다. 기사에 명시된 한계나 비교 수치는 없다.
azure.yaml에서 harness type을 microsoft_copilot_preview로 지정하고 skills와 web_search, code_interpreter 도구를 연결하는 방식으로, 실행 루프를 직접 구현하지 않고 에이전트를 배포할 수 있다.
GitHub Universe 2026, GitHub Copilot app·Copilot projects·Copilot Fusion 등 에이전트 기반 소프트웨어 전달 체계 공개
GitHub는 GitHub Universe 2026에서 에이전트 중심 소프트웨어 전달 체계를 소개하며 GitHub Copilot app, Copilot Fusion, Copilot projects, Copilot code review Max 등 새 제품과 기능을 공개했다. 개발자가 이슈에서 병합까지의 작업을 하나의 흐름에서 다루도록 설계됐다는 점이 핵심이다. GitHub Copilot app은 여러 프로젝트에 걸쳐 에이전트와 도구를 연결해 이슈에서 병합까지를 한 앱에서 처리하며, 코드 작성뿐 아니라 스펙 작성, 설계 논의, 텔레메트리 분석도 같은 화면에서 할 수 있다고 한다. Copilot Fusion은 추론, 코드 생성, 디버깅, 도구 사용 등 작업 요구사항을 평가해 하나 이상의 모델로 실행을 분배하며, Artificial Analysis Coding Agent Index에서 Fusion Max는 Opus 5.5 Max와 2점 이내의 점수를 기록하면서 비용은 절반, 작업당 시간은 40% 적었다고 밝혔다. Copilot projects는 여러 저장소에 걸친 에이전트 작업을 관리형 병렬 세션으로 실행하고, Copilot code review Max는 ReviewBench에서 고심각도 이슈에 대해 가장 높은 F1 점수를 기록했다고 소개했다. 세션 연속성 기능으로 GitHub 앱, VS Code, CLI, 웹에서 같은 클라우드 에이전트 세션을 이어갈 수 있으며, GitHub Enterprise 고객은 별도 구독 없이 Copilot 기능을 사용하고 사용한 AI 크레딧만 지불하게 된다. 인프라 측면에서는 올해 4백만 CPU 코어, 160PB 고속 스토리지, 50Tb/s 네트워크 용량을 추가했고 Azure로의 다중 리전 마이그레이션을 내년 초 완료할 계획이라고 밝혔다.
GitHub Enterprise 고객은 Copilot app, code review, automations를 별도 구독 없이 사용하고 사용한 AI 크레딧만 지불하며, Copilot code review Max는 깊은 리뷰가 필요한 변경에 적용하는 옵션으로 제공된다.