넘겨 보기

과학

새 환경을 배워도 옛 경험을 잊지 않는 학습 연구

연구진은 환경마다 잘하는 작은 신경망 '전문가'를 진화 방식으로 만들어 보관해 두고, 상황이 바뀌면 알맞은 것을 꺼내 쓰는 구조를 내놓았다고 밝혔다. 막대 세우기 과제인 카트폴(CartPole)에서 이 구조는 시험 환경 다섯 곳의 평균 성공률 83.2%를 기록했다.

옆으로 넘기면 세 칸, 위로 넘기면 다음 소식→ 키나 오른쪽을 누르면 세 칸 · ↓ 키나 휠로 다음 소식

지금까지

강화학습은 AI가 시행착오를 거듭하며 잘하는 방법을 스스로 찾아내는 학습 방식이다. 다만 환경이 바뀌어 새 조건에 적응하면 앞서 배운 조건에서의 실력이 떨어지는 '파국적 망각'이 오래된 숙제였다. 그래서 바뀌는 환경에 적응하면서도 이전 실력을 지키는 '지속 강화학습'이 중요한 연구 주제가 되어 왔다.

AI 시대에는

연구진이 제안한 '진화 신경가소성 에이전트'(Evolutionary Neuroplastic Agent, ENA)는 기울기(오차를 줄일 방향을 계산하는 방식) 없이 작은 신경망을 진화시키고, 감지한 환경의 움직임 규칙별로 쓸 만한 행동 방식을 보관한 뒤 베이즈 정책 재사용이라는 방법으로 꺼내 쓴다. 연구진에 따르면 30회 반복한 카트폴 비교 실험에서 전체 구조는 어려운 환경을 학습한 변형 가운데 실력 유지가 가장 일관됐고, 보관한 것을 고르는 규칙에 따라 성능이 달라지기도 했다. 반면 이 방식은 카트폴에서 널리 쓰이는 강화학습 방식 PPO보다 적응이 느렸고, 치타 모양 로봇을 달리게 하는 과제인 하프치타(HalfCheetah)에서는 SAC보다 보상이 낮았다. 연구진은 이 결과가 구조 전체에 대한 것이며, 기울기를 쓰지 않아서 실력이 유지됐다고 가려내지는 못했고 다른 지속 학습 방법보다 낫다고 입증한 것도 아니라고 밝혔다. 이 글은 동료 심사를 거치기 전에 공개된 논문의 초록이므로 결과는 이후 검증이 필요하다.

지금 해 볼 것

  • 무료로 공개된 카트폴 실습 환경에서 막대를 세우는 간단한 프로그램을 직접 만들어 보고, 환경 조건을 바꾸면 성능이 어떻게 달라지는지 확인해 본다.
  • 논문 초록의 마지막 문장을 읽고, 연구진이 주장하는 것과 주장하지 않는 것을 각각 한 줄로 정리해 본다.
전체 기사 읽기
연예

박자 맞추는 타악기 소리로 박자를 찾는 AI

연구진이 음악을 만드는 AI에 입력 곡과 박자가 맞는 타악기 소리를 만들게 한 뒤, 그 소리에서 박자 위치를 뽑아내는 방법을 시험했다. 연구진은 이 방법이 기존 최고 수준의 박자 추적 프로그램에 가까운 성능을 냈다고 밝혔다.

지금까지

박자 추적은 음악을 듣고 박자가 어디에 놓이는지 찾아내는 기술이다. 그동안은 곡을 분석해 박자의 위치를 표시해 주는 방식이 주로 쓰였다. 결과는 박자 위치를 나타내는 기록이었다.

AI 시대에는

연구진은 미리 학습된 음악 생성 모델 뮤직젠(MusicGen)에 입력 곡을 듣게 하는 부가 장치를 붙였다. 이 모델이 입력 곡과 박자가 맞는 타악기 트랙을 만들면, 거기서 박자 위치를 뽑아낸다. 연구진은 GTZAN이라는 음악 자료 모음으로 시험했더니 최고 수준의 박자 추적 프로그램에 가까운 성능이 나왔다고 밝혔다. 입력 곡에서 드럼 소리를 뺐을 때 박자를 맞힌 점수(F-measure)가 가장 적게 떨어졌다는 점도 강점으로 꼽았다. 메탈과 디스코 같은 일부 장르에서는 강한 소리에 속거나 약한 소리의 박자를 놓치는 일이 적었다고 한다. 다만 이 글은 동료 심사를 거치기 전에 미리 공개된 논문이어서 결과는 연구진의 주장이다.

지금 해 볼 것

  • 좋아하는 노래 한 곡을 틀어 놓고 박자에 맞춰 손으로 두드려 보며, 드럼이 약한 곡에서는 박자를 잡기가 얼마나 어려운지 느껴 본다.
  • 논문 초록을 읽고, 박자를 위치 기록이 아니라 들을 수 있는 타악기 소리로 내놓는다는 점이 음악 작업에 어떤 쓸모가 있을지 생각해 본다.
전체 기사 읽기
의료·법

시민이 인공지능 규칙을 직접 따져 보는 시스템

연구진이 시민이 인공지능 관련 규칙을 이해하고 이의를 제기하며 고쳐 쓰도록 돕는 시스템 에이아이 보이저(AI-Voyager)를 내놓았다. 연구진은 이 시스템이 공공 문서의 정확한 본문에 인공지능의 도움을 묶어 둔다고 밝혔다.

지금까지

각국 정부와 지방정부는 인공지능을 어떻게 다룰지 규칙을 만들어 왔다. 이런 규칙은 무엇을 자동화된 결정으로 볼지, 무엇을 피해로 볼지를 정한다. 그러나 영향을 받는 사람들이 긴 문서를 직접 찾아 읽고 의견을 내기는 쉽지 않았다.

AI 시대에는

연구진은 시민과 인공지능이 함께 규칙을 이해하고 따지고 고치는 '시민 추론' 시스템을 제안했다. 연구진에 따르면 이용자는 자기 도시의 채용 관련 인공지능 규칙을 찾거나 자기 나라의 인공지능 전략 문서를 올려 영향받는 노동자의 눈으로 읽을 수 있다. 어떤 답변이든 그 근거가 된 대목을 열어 보고 수정안도 쓸 수 있다고 한다. 시스템은 시·주·연방·국가 정부 문서 3,653건을 쪽수와 판본이 남도록 나누어 담았고, 필요하면 검색을 되풀이하며 각 진술을 확인하는 방식으로 근거를 찾는다. 이 글은 동료 심사를 거치기 전에 공개된 사전 공개 논문이며, 아래 수치는 연구진의 주장이다.

지금 해 볼 것

  • 내가 사는 도시나 나라에 인공지능 관련 규칙이나 전략 문서가 있는지 찾아보고, 일하는 사람의 입장에서 한 대목을 읽어 본다.
  • 인공지능 답변에 출처가 붙어 있으면 해당 문서의 그 대목을 직접 열어 답변과 맞는지 확인해 본다.
전체 기사 읽기
교육

말로 묻는 인공지능 도우미, 오류 절반 넘게 놓쳤다

5·6학년 학생이 스크래치(Scratch)로 코딩하며 화면을 공유하고 말로 묻는 인공지능 도우미를 쓴 실험 결과가 나왔다. 연구진은 도우미의 답이 알아듣기 쉬웠지만 학생 화면의 오류를 자주 놓쳤다고 밝혔다.

지금까지

스크래치는 어린이가 프로그래밍을 처음 배울 때 쓰는 학습 도구다. 코딩하다 막히면 오류를 찾아 고치는 일이 어려운데, 이때 글로 된 길고 자세한 설명이나 힌트가 오히려 부담이 될 수 있다. 그래서 글 대신 말로 도움을 주는 방법이 대안으로 거론돼 왔다.

AI 시대에는

이번 연구는 화면 공유나 카메라 정보를 바탕으로 말로 주고받는 생성형 인공지능 도우미를 어린이 수업에 써 본 것이다. 이 글은 동료 심사를 거치기 전에 공개된 사전 공개 논문의 초록이다. 연구진은 먼저 학생 없이 과제 8개로 시험해 본 뒤, 스크래치 수업 6차시를 들은 5·6학년 23명이 같은 8개 과제를 도우미와 풀게 하고 설문까지 받았다고 밝혔다. 연구진은 도우미의 답이 알아듣기 쉽고 바로 따라 할 수 있었으며, 한 번의 답으로 정답을 통째로 알려 준 경우는 없었다고 분석했다. 그러나 수업에서 오류와 관련된 대화 603번 가운데 61.5%에서 이미 있던 오류를 짚지 못했다. 학생 없이 한 시험에서는 이 비율이 15.7%였다. 영상으로 답이 틀릴 수 있다고 미리 설명했는데도 39.1%의 어린이는 도우미의 답이 늘 맞는다고 믿었다. 연구진은 사람 같은 목소리가 정확한 도움을 보장하지는 않으며, 화면 공유만으로는 프로그램의 현재 상태에 맞는 답이 나오지 않는다고 결론지었다.

지금 해 볼 것

  • 아이가 인공지능 도우미를 쓸 때는 답을 그대로 따르지 말고, 스크래치 화면과 직접 맞춰 보게 한다.
  • 교사나 보호자는 인공지능이 일부러 틀린 답을 내는 사례를 함께 찾아보며 '틀릴 수 있다'는 점을 체험하게 한다.
  • 인공지능 도우미를 만드는 개발자는 화면을 공유하는 것만 믿지 말고, 답이 실제 프로그램 상태와 맞는지 따로 점검한다.
전체 기사 읽기
과학

대칭 분자도 구별하는 빠른 원자 예측 방식

연구진이 분자 속 원자 배치를 컴퓨터가 더 정확히 구별하도록 하는 새 표현 방식을 내놓았다. 메탄 시뮬레이션 자료에서 기존 모델과 정확도는 비슷하고 예측은 3.2배 빠르다고 밝혔다.

지금까지

분자와 물질의 성질을 알아내려면 양자역학 계산이 필요하지만, 이 계산은 시간과 비용이 많이 든다. 그래서 원자 수준의 기계학습으로 이 계산을 대신 근사하려는 시도가 이어져 왔다. 이때 원자 주변의 3차원 모양을 컴퓨터가 읽을 수 있는 숫자로 어떻게 바꾸느냐가 중요한 문제였다.

AI 시대에는

연구진은 원자 환경을 나타내는 방식에 따라 정확도가 크게 달라진다고 설명했다. 분자를 회전해도 값이 변하지 않는 '불변' 표현은 계산이 빠르지만, 대칭이 높은 환경에서는 서로 다른 배치를 같은 것으로 착각할 수 있다고 한다. 연구진은 n겹 대칭 배치로 표현력을 재는 가벼운 시험 모음을 만들어, 불변 구조와 회전에 맞춰 값도 함께 바뀌는 '등변' 구조 모두에서 구별 실패를 찾았다고 밝혔다. 이어 힙홉(HIP-HOP)이라는 방식에 새로운 불변 기저(표현을 이루는 기본 재료)를 만들어 확인된 실패 대부분을 해결했다고 주장했다. 메탄 시뮬레이션 자료에서 이 확장판은 힙홉 변형 가운데 오차가 가장 작았고, 이퀴포머V3(EquiformerV3)와 정확도가 비슷하면서 학습된 모델로 예측하는 속도는 3.2배 빨랐다고 한다. 이 글은 동료 심사를 거치기 전에 공개된 사전 공개 논문의 초록을 바탕으로 했다.

지금 해 볼 것

  • 메탄처럼 대칭이 높은 분자의 3차원 모형을 무료 분자 보기 프로그램에서 회전시켜 보며, 어느 방향에서 봐도 같은 모양인지 직접 확인해 본다.
  • 원자 모델이나 3차원 데이터를 다루는 개발자라면, 입력을 회전시켜도 결과가 같아야 하는 경우에 실제로 그런지 간단한 시험을 만들어 확인해 본다.
전체 기사 읽기
반도체

애플 칩, 두 메모리 규칙 섞어도 어긋남 없었다

애플(Apple)의 M 시리즈 칩은 스레드마다 서로 다른 메모리 규칙을 따를 수 있다. 한 연구진이 M1과 M2에서 두 규칙을 섞어 시험했더니 규칙이 금지한 결과는 나오지 않았다고 밝혔다.

지금까지

여러 스레드(프로그램 안에서 동시에 일하는 작업 줄기)가 메모리를 함께 쓸 때, 한 스레드의 읽기와 쓰기가 다른 스레드에 어떤 순서로 보이는지는 칩마다 정해 둔 '메모리 모델'이 결정한다. 암(Arm) 계열 칩은 순서를 비교적 느슨하게 허용하고, x86 계열 칩이 따르는 TSO 방식은 그보다 엄격하다. 그래서 어느 모델로 짠 프로그램인지에 따라 칩이 지켜야 할 순서가 달랐다.

AI 시대에는

논문에 따르면 애플 M 시리즈 칩은 스레드마다 Arm 방식이나 TSO 방식 중 하나로 움직일 수 있고, 두 종류의 스레드가 메모리를 함께 쓸 수도 있다. 저자는 두 방식이 섞일 때 칩 전체가 어떻게 움직이는지, 그리고 TSO 스레드 안에서 어떤 Arm 명령이 TSO의 읽기·쓰기·원자적 읽고쓰기 역할을 하는지를 애플이 밝히지 않았다고 지적한다. 연구진은 스레드 사이에서는 각자 모델의 순서 규칙을 그대로 지키고, TSO 스레드 안에서는 TSO의 순서에 Arm의 순서를 더하며 모든 원자적 연산을 x86처럼 잠그는 방식으로 설명할 수 있다고 제안했다. 연구진은 M1과 M2에서 리눅스(Linux)를 실행해 두 모델이 허용하는 순서에서 고른 936개의 작은 시험 프로그램을 기계마다 6억 번씩 되풀이했고, 두 칩 모두 모델이 금지한 결과를 보이지 않았다고 밝혔다. 두 칩은 모델이 요구하지 않는 순서 세 가지도 지켰고, 비교에 실패한 비교-교환 연산이 읽은 값을 다시 쓴 것처럼 움직였다고 한다. 이 글은 동료 심사를 거치기 전에 사전 공개된 논문의 초록이며, 위 내용은 모두 연구진의 주장이다.

지금 해 볼 것

  • 프로그래밍 언어 문서에서 '메모리 모델'이라는 항목을 찾아 읽고, 스레드끼리 값을 주고받을 때 순서가 어떻게 정해지는지 정리해 본다.
  • 여러 스레드를 쓰는 코드를 짠다면 칩이 우연히 순서를 지켜 주는 데 기대지 말고, 언어가 제공하는 잠금이나 원자적 연산으로 순서를 직접 정해 둔다.
  • 논문 초록 원문을 열어 '연구진이 제안한 것'과 '시험으로 확인한 것'을 나누어 표시하며 읽어 본다.
전체 기사 읽기
로봇

거대 인공지능을 쓴 로봇, 적은 시범으로 익혀

연구진이 매개변수 5520억 개 규모의 거대 모델을 로봇 제어에 쓰는 스케일VLA(ScaleVLA)를 내놓았다고 밝혔다. 시범 횟수가 적어도 더 잘 배우고, 처음 보는 상황에서도 성공률이 높았다고 주장한다.

지금까지

로봇에게 일을 가르칠 때는 사람이 직접 하는 모습을 여러 번 보여 주는 방식이 널리 쓰였다. 최근에는 사진과 글을 함께 이해하고 행동까지 정하는 '시각·언어·행동 모델(VLA)'이 주목받았다. 다만 이런 모델의 뼈대 역할을 하는 언어·시각 모델은 크기가 비교적 작은 것이 대부분이었다.

AI 시대에는

연구진은 GPT-6 Astra 같은 최첨단 언어·시각 모델이 로봇 제어에서 좋은 능력을 보였다는 점에서 출발했다고 밝혔다. 이들은 5520억 개 규모의 DeepSeek-V4.1-Flash를 뼈대로 삼고, 여기에 행동을 만들어 내는 학습 가능한 부분을 연결했다. 같은 조건에서 2B부터 552B까지 모델 크기별로 비교한 결과, 시범 10번만 보여 준 경우의 성공률이 시범 50번을 쓴 작은 모델(20억 개 규모)보다 높았다(87.8% 대 85.6%)고 한다. 일반화 능력을 재는 시험 LIBERO-PRO에서는 성공률 45.1%로, 더 작은 모델들의 최대 31.3%를 앞섰고, 실제 충전기 꽂기는 10번 중 4번에서 9번으로 늘었다고 한다. 행동 묶음 하나를 내놓는 데 걸리는 시간은 중간값 216밀리초였다. 이 글은 동료 심사를 거치기 전에 공개된 사전 공개 논문의 초록이어서, 이 결과는 아직 연구진의 주장이다.

지금 해 볼 것

  • 논문 주소(arxiv.org/abs/2611.21607v1)에서 초록을 읽고, 시범 횟수·성공률 같은 수치가 어떤 조건에서 나온 것인지 직접 확인해 본다.
  • 평소 쓰는 대화형 인공지능에 집 안 물건 사진을 보여 주고 '이 물건을 어떻게 집어 들어야 하는지' 물어보면서, 사진과 글을 함께 이해하는 모델이 어디까지 설명하는지 살펴본다.
전체 기사 읽기
서비스

구글, 여럿이 함께 쓰는 모임 공간 선보여

구글이 여러 사람이 한 곳에서 함께 계획을 짜고 결정하는 실험 서비스 '테이블톱(Tabletop)'을 내놓았다. 구글 랩스(Google Labs)의 새 실험으로, 현재 미국의 18세 이상 이용자를 대상으로 대기자 명단 신청을 받고 있다.

지금까지

여럿이 여행을 가거나 모임을 열 때는 단체 대화방, 표 계산 프로그램, 공유 문서 등을 오가며 일정과 의견을 모으는 일이 흔했다. 누군가 정리를 맡아 표나 투표를 따로 만들고 링크를 나눠야 했고, 정보가 여러 곳에 흩어지기 쉬웠다.

AI 시대에는

구글은 테이블톱을 여러 사람이 실시간으로 함께 일하도록 만든 실험이라고 소개했다. 이용자가 링크, 파일, 아이디어를 넣고 '@tabletop'을 불러 요청하거나 시작용 틀(템플릿)을 고르면, 여행 일정표, 저녁 메뉴 투표, 비용 나눔 계산기, 대회 대진표처럼 직접 눌러 쓰는 화면을 만들어 준다고 한다. 공간이 완성되면 초대 링크를 단체 대화방에 보내 참가자가 구글 문서처럼 동시에 들어와 쓸 수 있다. 다만 원문은 서비스의 소개만 담고 있어 결과물의 정확도나 실제 사용 경험은 확인되지 않았다. 지금은 미국에서만 대기자 명단으로 문을 열었다.

지금 해 볼 것

  • 최근 모임이나 여행을 준비할 때 일정, 투표, 비용 정산을 어디에서 나눠 했는지 적어 보고, 한곳에 모으면 무엇이 편해질지 생각해 본다.
  • 미국에 살고 18세 이상이라면 labs.google/tabletop에서 대기자 명단에 이름을 올려 본다.
전체 기사 읽기
연예

음 높이로 인도 고전음악의 라가를 가려낸다

연구진이 북인도 고전음악의 선율 틀인 '라가(raga)'를 녹음 파일에서 알아내는 방법을 내놓았다. 쓰이는 음의 종류만이 아니라 음을 강조하는 방식과 음 사이의 움직임까지 비교하는 것이 특징이다.

지금까지

북인도 고전음악에서 라가는 연주의 바탕이 되는 선율의 틀이다. 연주자와 청중은 오랜 경험으로 귀에 익혀 라가를 구별해 왔다. 컴퓨터로 이를 구별하려 할 때는 어떤 음을 쓰는지가 기본 단서로 여겨져 왔다. 그러나 라가는 음의 목록만으로 정해지지 않아 구별이 쉽지 않았다.

AI 시대에는

이 연구는 사전 공개 논문으로, 동료 심사를 거치기 전의 주장이다. 연구진은 녹음에서 음의 높이를 뽑아 '슈루티(shruti)' 22개 체계에 바탕을 둔 44개 위치의 음 틀로 나타냈다고 밝혔다. 여기서 인도 고전음악 이론에 따른 특징을 뽑아 각각 해당 라가의 기준 표현과 견주고, 점수를 합쳐 전체 유사도를 낸다고 한다. 먼저 '야만(Yaman)'이라는 라가로 방법을 살폈고 이어 다른 라가의 녹음으로 시험했다. 연구진은 결과를 야만의 이론적 설명과도 비교해, 어떤 특징은 잘 잡히고 어디에 한계가 있는지 따졌다고 밝혔다. 초록에는 정확도 같은 구체적 성능 수치가 나와 있지 않다.

지금 해 볼 것

  • 서로 다른 라가로 연주된 곡 두 개를 들으며 어떤 음에 자주 머무는지, 음 사이를 어떻게 오가는지 적어 본다.
  • 좋아하는 음악 한 곡에서 자주 반복되는 가락을 찾아 보고, 음의 목록만으로 곡의 느낌이 설명되는지 생각해 본다.
전체 기사 읽기
일

면접 연습 로봇, 격려하는 말투가 부담 줄였다

연구진이 로봇 면접관의 말투와 맞장구 방식에 따라 면접 참가자의 심리와 표정이 어떻게 달라지는지 실험했다. 연구진은 격려하는 말투가 업무 부담과 감시받는 느낌을 줄였다고 밝혔다.

지금까지

취업 면접은 긴장과 불안을 일으켜 실력 발휘를 방해하곤 한다. 이를 줄이려고 모의 면접 연습을 하지만, 연구진은 기존 방식이 비용, 표준화, 실제 사람이 앞에 있는 느낌 사이에서 한 가지를 얻으면 다른 것을 놓치는 한계가 있다고 지적했다.

AI 시대에는

연구진은 로봇 면접관의 말투(격려형과 압박형)와 몸짓 맞장구(적극적과 부정적)를 조합해 참가자 28명을 네 조로 나누고, 나오(NAO) 로봇과 모의 면접을 하게 했다. 맞장구는 상대 말에 고개를 끄덕이는 등 반응을 보이는 행동을 뜻한다. 연구진에 따르면 격려형 말투는 과제 부담을 줄였고, 로봇이 따뜻하고 마음이 있는 것처럼 느끼게 했으며, 감시받는 느낌과 로봇에 대한 불편함을 낮췄다. 적극적인 맞장구는 표정 분석에서 무표정이 아닌 표정과 불안·긴장으로 분류된 표정을 늘렸고, 말투와 맞장구가 함께 작용해 사회적 현존감(상대가 곁에 있다는 느낌)에 영향을 주는 효과도 나타났다. 다만 이 글은 동료 심사를 거치기 전에 먼저 공개된 사전 공개 논문이며, 참가자 수가 적어 연구진도 예비적인 근거라고 설명했다.

지금 해 볼 것

  • 모의 면접을 부탁할 때 상대에게 격려하는 방식과 압박하는 방식을 번갈아 요청해 보고, 어느 쪽에서 덜 긴장하는지 비교해 본다.
  • 연습 장면을 녹화해 내 표정이 어떻게 보이는지 확인하고, 상대의 반응에 따라 표정이 달라지는지 살펴본다.
전체 기사 읽기
의료·법

맞는 이유를 대도 거절은 풀리지 않는다

규칙에 따라 요청이 거절될 때 사람들이 받는 설명을 언어모델이 쓰는 일이 늘고 있다. 한 저자는 설명에 적힌 이유가 사실이어도, 그 이유를 고친 뒤에 여전히 거절될 수 있다는 점을 짚었다.

지금까지

자격 심사나 접근 권한 심사에서 거절 통보를 받으면 거절 이유가 한두 가지 적혀 있는 것이 보통이었다. 그 이유가 사실과 맞는지가 설명의 품질을 따지는 기준이 되곤 했다. 신청자는 적힌 이유를 고치면 결과가 달라질 것이라고 기대하며 다시 신청했다.

AI 시대에는

언어모델이 거절 설명을 대신 쓰는 일이 늘면서 이 기대가 어긋날 수 있다는 점이 드러났다. 여러 규칙이 따로따로 거절 사유가 되는 경우, 설명이 맞는 이유 하나만 대면 신청자가 그것을 고쳐도 다른 규칙 때문에 계속 거절된다. 저자는 이 빠진 성질을 «구제 가능성», 곧 요청 내용은 그대로 두고 설명에 적힌 부분만 고쳤을 때 결정이 바뀌는 성질이라고 부르고, 이를 정확히 계산했다고 밝혔다. 저자는 접근 통제와 미국 복지 수급 자격에서 가져온 규칙 체계 일곱 가운데 여섯에서, 여러 이유가 해당할 때 맞는 이유 하나로는 거의 구제가 되지 않았다고 밝혔다. 다만 이 글은 동료 심사를 거치기 전에 먼저 공개된 논문이므로 결과는 앞으로 검증이 필요하다.

지금 해 볼 것

  • 거절 통보를 받으면 적힌 이유 하나만 고치지 말고, 같은 결정에 적용되는 기준이 더 있는지 공식 안내문에서 전체 목록을 확인해 본다.
  • AI에게 거절 이유를 물을 때 «이 요청이 거절될 수 있는 모든 규칙을 빠짐없이 알려 달라»고 요청해 본다.
  • AI 설명을 서비스에 쓰려는 개발자라면, 설명에 적힌 이유가 맞는지만 보지 말고 «설명대로 고치면 실제로 통과하는가»를 시험해 본다.
전체 기사 읽기
에이전트

소리 속 단서를 스스로 찾는 인공지능 연구

연구진이 소리를 듣는 인공지능이 판단의 근거가 되는 단서를 직접 찾도록 가르치는 틀 '싱크투리슨(Think2Listen)'을 내놓았다. 연구진은 두 가지 시험 자료에서 기존 방식보다 정확도가 높았다고 밝혔다.

지금까지

그동안 소리를 다루는 인공지능은 말, 주변 소리, 음악을 알아듣는 일에 주로 힘썼다. 정해진 소리 분석 도구를 불러 쓰는 방식도 쓰였다. 하지만 무엇이 들리는지 아는 것과, 헷갈리는 판단을 가를 단서를 골라내는 것은 다른 문제로 남아 있었다.

AI 시대에는

이번 글은 동료 심사를 거치기 전에 공개된 사전 공개 논문의 초록이며, 내용은 연구진의 주장이다. 연구진은 소리와 글을 함께 다루는 큰 인공지능 모델(LALM)이 들리는 내용을 인식하는 것만으로는 어떤 단서가 판단을 갈라 주는지 알기 어렵다고 짚었다. 이를 풀기 위해 만든 싱크투리슨은 여러 후보 판단을 놓고 단서를 가려 줄 질문을 소리 모델에 던진다. 돌아온 관찰 결과로 후보 판단을 고쳐 나간다. 무엇을 물을지, 근거를 어떻게 쓸지, 언제 멈출지를 배우도록 했다는 설명이다. 연구진에 따르면 일곱 가지 소리 범주를 다룬 두 시험 자료에서 여러 단계 추론의 전체 정확도가 경쟁 방식보다 5.08%에서 17.67% 높았고, 기준 모델보다는 2.29%에서 13.10% 높았다.

지금 해 볼 것

  • 소리를 인공지능에 물을 때 '무슨 소리인지'만 묻지 말고 '그렇게 판단한 근거가 무엇인지'도 함께 물어 답이 어떻게 달라지는지 비교해 본다.
  • 개발에 관심이 있다면 논문에 안내된 공개 소스 코드 페이지를 열어 어떤 순서로 질문하고 판단을 고치는지 살펴본다.
  • 헷갈리는 소리나 음악을 들을 때 내 판단을 가른 단서를 한두 줄로 적어 보고, 인공지능이 내놓은 근거와 견주어 본다.
전체 기사 읽기
스포츠

여덟 대 카메라 중 다음 시점을 고르는 방법

연구진은 여덟 대의 카메라 가운데 다음에 사람의 자세를 가장 잘 읽어낼 시점을 고르는 모델 CJRR-Net을 내놓았다고 밝혔다. 비교한 다른 방식보다 선택한 화면의 관절 위치 오차가 작았다는 것이 연구진의 주장이다.

지금까지

스포츠 경기나 동작 분석에서는 여러 대의 카메라로 한 사람을 동시에 찍는 일이 흔하다. 하지만 어느 카메라 화면이 사람의 자세를 가장 잘 보여 주는지는 대개 사람이 직접 정하거나 정해진 위치를 그대로 썼다. 몸이 다른 물체나 신체 일부에 가려지면 같은 동작도 카메라에 따라 읽기 어려워진다.

AI 시대에는

연구진은 현재 화면에서 본 자세, 카메라 배치 정보, 그리고 후보 카메라마다 계산한 기하학적 특징을 함께 쓰는 모델을 제안했다. 이 특징은 추정한 3차원 자세와 그 불확실성을 각 후보 카메라 화면에 다시 투영해 얻는다. 공개 데이터 MPI-INF-3DHP의 보정된 카메라 여덟 대로 시험한 결과, 선택한 화면의 2차원 관절 위치 평균 오차(MPJPE)는 105.18픽셀이었다고 한다. 같은 입력을 공유하는 다층 신경망은 114.64픽셀, 변형한 PoseErrNet은 117.56픽셀이었다. 가려짐 정도로 나눈 각 집단에서도 비교 방식 중 평균 오차가 가장 낮았다고 연구진은 밝혔다. 다만 이 글은 동료 심사를 거치기 전에 공개된 사전 공개 논문의 초록이며, 결과는 카메라 여덟 대가 고정된 환경에서 확인된 것이다.

지금 해 볼 것

  • 운동 장면을 찍을 때 정면과 측면 등 두 각도에서 촬영해, 어느 쪽에서 몸의 움직임이 더 잘 보이는지 비교해 본다.
  • 논문 초록에 나온 세 가지 오차 수치(105.18, 114.64, 117.56픽셀)를 표로 적어 보며, 숫자가 작을수록 무엇이 좋다는 뜻인지 정리해 본다.
전체 기사 읽기
의료·법

인공지능 정책 의견, 시민 의견과 18~30%만 일치

미국 연구진이 연방 규칙 제정 과정에 접수된 공개 의견 4230만 건을 모아 자료집을 만들고, 인공지능이 사람의 정책 의견을 얼마나 닮는지 시험했다. 연구진은 인공지능이 쓴 의견 가운데 실제 사람의 의견과 겹친 것은 18~30%뿐이라고 밝혔다.

지금까지

미국 연방 기관은 새 규칙을 만들 때 초안을 공개하고 시민과 단체의 의견을 받는다. 이 절차를 '공고와 의견 접수'(Notice & Comment)라 부른다. 의견은 기업, 노동조합, 전문가, 일반 시민이 낸다. 지금까지는 사람이 이 의견을 읽고 정리해 규칙에 반영할지 판단했다.

AI 시대에는

글을 쓰고 답하는 인공지능인 대규모 언어 모델(LLM)이 정책 논의에 쓰일 가능성이 커지면서, 다양한 입장을 고르게 담는지 따져 볼 필요가 생겼다. 연구진은 2016년부터 2026년까지 44개 정부 기관의 규칙 22,400건에 달린 의견 4230만 건을 묶어 'DOCKET'이라는 자료집을 만들었다고 밝혔다. 의견을 규제 기관이 제안한 개별 정책 항목과 연결해, 대중의 관심과 기관의 반응을 따라갈 수 있게 했다는 것이다. 이를 바탕으로 만든 시험 'DOCKETBench'에서 인공지능이 쓴 의견은 실제 사람의 의견과 18~30%만 일치했다. 연구진은 인공지능이 제안을 두루 비판하긴 해도 구체적인 근거, 인용, 삶의 경험에 바탕한 주장이 부족하다고 설명했다. 또 시험한 모델 대부분이 정부 입장과는 주장의 최대 68%가 겹치고 노동조합과는 최소 26%만 겹쳐 한쪽으로 치우쳤으며, 인공지능에 특정 인물의 역할을 맡기는 방법으로도 이 쏠림이 해결되지 않았다고 했다. 이는 연구진의 주장이며, 동료 심사를 거치기 전에 공개된 사전 공개 논문이라는 점을 함께 봐야 한다.

지금 해 볼 것

  • 인공지능에게 정책 의견 초안을 쓰게 했다면, 구체적인 근거와 출처가 들어 있는지 직접 확인하고 자신의 경험을 덧붙인다.
  • 같은 정책에 대해 찬성과 반대, 여러 이해관계자의 입장을 각각 물어 답이 한쪽으로 쏠리지 않는지 비교해 본다.
  • 관심 있는 정책의 공고문과 시민 의견을 한 번 읽어 보고, 인공지능이 정리한 요약과 어떻게 다른지 견줘 본다.
전체 기사 읽기
에이전트

추측 대신 근거를 읽게 하는 사진 분석 훈련법

연구진이 초고해상도 사진을 확대해 가며 질문에 답하는 AI를 위한 새 훈련법 크로스알피오(CrossRPO)를 내놓았다. 연구진은 이 방법으로 만든 비라(ViRA) 모델이 기존 방식보다 정확하다고 밝혔다.

지금까지

초고해상도 사진은 한 장에 담긴 정보가 많아서, AI가 사진 전체를 한 번에 보기 어렵다. 그래서 질문과 관련된 부분을 확대해 가며 답을 찾는 시각 에이전트(스스로 판단해 작업을 이어 가는 AI)가 쓰여 왔다. 이런 AI는 흔히 강화학습, 곧 최종 답이 맞으면 보상을 주는 방식으로 훈련한다.

AI 시대에는

연구진은 기존 에이전트가 사진의 근거를 읽지 않고 상식으로 답하는 일이 잦다고 지적했다. 최종 답에만 보상을 주면 찍어서 맞힌 답과 읽고 맞힌 답이 같은 보상을 받아 이 문제를 고칠 수 없다는 것이다. 연구진이 내놓은 방법은 하나의 질문을, 작은 부분만 다르고 정답도 서로 다른 여러 사진에 묻는 '대조 세트'로 훈련하는 것이다. 세트 전체를 맞혀야 보상을 주므로 근거를 읽어야만 풀 수 있고, 연구진은 상식으로 답한 세트는 강화하지 않는다는 점을 수학적으로 증명했다고 밝혔다. 최대 해상도에서 이 방법의 세트 정확도는 63.3%로, 비교 대상인 GRPO의 59.3%보다 높았다고 한다. 다만 이 글은 동료 심사를 거치기 전에 먼저 공개된 논문이어서 결과는 연구진의 주장이며 외부 검증이 필요하다.

지금 해 볼 것

  • AI에 큰 사진을 보여 주고 질문한 뒤, 답의 근거가 사진 어느 부분인지 되물어 본다.
  • 같은 사진에서 작은 물건 하나만 바꾼 두 장을 만들어 같은 질문을 해 보고, 답이 달라지는지 확인한다.
전체 기사 읽기
교육

컴퓨터 전공생들은 인공지능을 주로 조수로 봤다

미국 연구진이 컴퓨터 입문 이후 과목 수강생을 조사한 결과, 학생들은 대규모 언어 모델을 가장 흔히 사람 조수에 빗대어 이해했다. 질문할 때는 배경과 맥락을 충분히 적는 방식을 가장 선호했다고 연구진은 밝혔다.

지금까지

컴퓨터 교육 현장에서는 학생이 직접 코드를 짜고 문제를 푸는 것이 기본이었다. 대화형 인공지능이 널리 퍼지면서 학생들이 수업과 과제에 이를 쓰는 일이 늘었다. 그동안 연구는 질문을 잘 쓰는 방법과 인공지능 소양을 주로 다뤘다.

AI 시대에는

연구진은 학생이 인공지능을 어떻게 이해하는지, 그 이해가 실제 사용 방식과 어떻게 이어지는지는 아직 충분히 연구되지 않았다고 짚었다. 연구진은 입문 과목 이후 단계의 수업에서 인공지능 사용을 허용하고 가르치도록 과목을 고쳤고, 학기 말 설문으로 학생 283명의 응답을 분석했다고 밝혔다. 학생들의 이해 수준은 학습 성과 분류 체계에 따라 네 단계로 나눴고, 인공지능을 무엇에 빗대는지는 인격 유형과 관계 역할이라는 두 축으로 분류했다. 탐색적 분석에서는 이런 요소들 사이에 연관이 있다는 점도 확인됐다고 한다. 이 글은 동료 심사를 거치기 전에 공개된 사전 공개 논문의 초록을 바탕으로 했으며, 결과는 연구진의 주장이다.

지금 해 볼 것

  • 인공지능에 질문하기 전에 목적, 배경, 원하는 결과 형태를 두세 줄로 먼저 적어 보고, 짧게 물었을 때와 답을 비교해 본다.
  • 내가 인공지능을 조수, 선생님, 검색 도구 중 무엇으로 여기는지 적어 보고, 그 생각이 질문 방식에 어떤 영향을 주는지 점검한다.
전체 기사 읽기
과학

원자 힘 계산 인공지능 모델 일곱 종을 한 틀로

연구진이 원자 사이에 작용하는 힘을 배우는 인공지능 모델 일곱 종을 하나로 묶은 공개 소프트웨어 IANN(InterAtomic Neural Network)을 내놓았다. 모델마다 따로 갖춰야 했던 데이터 형식과 학습·시뮬레이션 연결 작업을 줄이는 것이 목표라고 연구진은 밝혔다.

지금까지

물질 속 원자들이 어떻게 움직이는지는 오랫동안 양자역학에 바탕을 둔 정밀 계산법(DFT)으로 따져 왔다. 정확하지만 계산 비용이 크다는 점이 한계였다. 이를 줄이려는 기계학습 원자 간 퍼텐셜이 나왔고, 연구진은 이 모델들이 DFT에 가까운 정확도를 훨씬 적은 비용으로 낸다고 설명했다. 다만 모델마다 코드가 따로 공개되어 데이터 형식, 설정 방식, 학습 과정, 분자동역학 연결 방식이 제각각이었다고 연구진은 지적했다.

AI 시대에는

IANN은 PyTorch 기반 오픈소스 틀로, PaiNN, NequIP, MACE, Allegro, EquiformerV2, EquiformerV3, UMA를 같은 데이터 객체와 같은 학습기 위에서 다시 구현했다. 연구진에 따르면 설정 사전에서 단어 하나만 바꾸면 모델 구조가 바뀌고, 모든 구조에서 힘·응력·비리얼을 에너지의 해석적 미분 한 번으로 얻는다. 학습이 끝난 체크포인트는 ASE 계산기, 불확실성을 알려주는 앙상블, LAMMPS 안에서 도는 TorchScript 모델로 바로 쓸 수 있다고 한다. 연구진은 DFT 구조 4190만 개로 학습한 PaiNN 기반 대규모 모델도 함께 공개했고, 자율 에이전트와 연결하는 인터페이스도 제공한다고 밝혔다. 이 글은 동료 심사를 거치기 전에 공개된 사전 공개 논문의 초록이어서, 위 내용은 모두 연구진의 주장이다.

지금 해 볼 것

  • 원자 시뮬레이션 모델을 쓰는 개발자라면 원문 주소에서 코드 저장소와 문서가 있는지 확인하고, 지금 쓰는 모델이 IANN이 지원하는 일곱 종에 들어 있는지 살펴본다.
  • 여러 모델의 성능을 비교해야 한다면, 같은 데이터에 같은 조건으로 학습·평가하는 순서를 지금 쓰는 작업 흐름과 견주어 적어 본다.
  • 학생이라면 ASE와 LAMMPS가 각각 무엇을 하는 도구인지 먼저 찾아 읽어 본다.
전체 기사 읽기
반도체

칩에서 시스템까지, 필요하면 5주를 2주로

엔비디아(NVIDIA)의 운영 총괄 데브 쇼퀴스트가 AI 플랫폼을 만드는 공급망과 제조 협력 방식을 인터뷰에서 설명했다. 그는 칩이 TSMC에서 나와 시스템으로 완성되기까지 걸리는 시간을 필요할 때 5주에서 2주로 줄였다고 밝혔다.

지금까지

반도체 회사는 오랫동안 설계를 맡고, 칩 생산과 조립, 검사는 외부 제조 협력사가 맡는 방식으로 일해 왔다. 그래서 어떤 협력사를 고르고 얼마나 오래 호흡을 맞추느냐가 제품의 품질과 출시 속도를 좌우했다. 칩 한 종류를 만드는 일과 서버 단위의 시스템을 만드는 일은 필요한 부품과 협력사의 수가 크게 다르다.

AI 시대에는

쇼퀴스트는 엔비디아가 칩 회사에서 데이터센터 시스템 회사로 바뀌면서 필요한 협력사가 늘었다고 설명했다. 광학 부품처럼 공급 규모가 아직 커지는 중인 분야에서는 협력사가 기술과 의지는 있어도 필요한 물량을 낼 공장과 자금이 부족해, 코히어런트(Coherent)와 루멘텀(Lumentum)처럼 투자로 지원했다고 한다. 칩 한 개 한 개를 칩 식별 번호부터 고객 청구서까지 추적하고, 매주 공장별 수율을 보고 칩을 나눠 준다는 점도 밝혔다. 수율이 낮은 공장에는 그 주에 칩을 더 주지 않는다는 것이다. 다만 이는 회사 임원이 자사 방식을 직접 설명한 내용이어서 외부에서 검증된 것은 아니다.

지금 해 볼 것

  • 자주 쓰는 AI 서비스 뒤에 칩 생산, 조립, 검사, 시스템 제작 단계가 있다는 점을 떠올리며 간단한 흐름도를 그려 본다.
  • 팀 프로젝트에서 문제가 생기면 책임자만이 아니라 실제 작업을 하는 사람에게 먼저 어려운 점을 물어보는 습관을 들여 본다.
전체 기사 읽기
로봇

모래와 점토 다루는 로봇 손, 재료 모사 없이 학습

연구진이 모래를 푸고 점토를 미는 것 같은 도구 사용 기술을, 모래나 점토를 컴퓨터로 흉내 내지 않고 로봇에게 가르치는 방법 DAPPT를 내놓았다. 연구진은 이 방법이 여섯 가지 작업에서 추가 학습 없이 실제 환경으로 옮겨졌다고 밝혔다.

지금까지

로봇을 가상 공간에서 먼저 훈련한 뒤 현실로 옮기는 방식은 손재주가 필요한 작업에서도 좋은 결과를 냈다. 다만 이 방식은 단단한 물체를 정확하게 흉내 낼 수 있는 작업에 주로 쓰였다. 모래 같은 알갱이나 말랑한 재료는 시뮬레이션이 너무 느려서 대규모 강화학습을 돌리기 어려웠다.

AI 시대에는

연구진은 DAPPT가 무른 재료를 시뮬레이션하지 않고도 도구를 쓰는 로봇 손 기술을 처음부터 끝까지 학습시키는 틀이라고 설명했다. 연구진에 따르면 이 방법은 영역 매개변수로 정해지는 절차형 궤적을 따라가며 학습한 뒤, 이를 하나의 감각·운동 정책으로 합친다. 연구진은 영역을 명시적으로 표현하기 때문에 작업 성과를 가장 높이는 매개변수를 빠르게 고를 수 있다고 주장했다. 모래 푸기, 점토 막대 굴리기, 모래 긁기, 마우스 휠 돌리기, 디스펜서 누르기, 스프레이 당기기 등 여섯 작업에서 가장 좋은 매개변수를 쓰면 작업 지표가 1.5배에서 3.8배로 나아졌고 현실에도 추가 학습 없이 옮겨졌다는 것이 연구진의 설명이다. 이 글은 동료 심사를 거치기 전에 공개된 사전 공개 논문의 초록이어서, 수치와 주장은 아직 외부 검증을 받지 않았다.

지금 해 볼 것

  • 일상에서 쓰는 도구 작업 세 가지를 골라 단단한 물체를 다루는 일과 모래·반죽처럼 무른 재료를 다루는 일로 나눠 보고, 어느 쪽이 컴퓨터로 흉내 내기 어려운지 생각해 본다.
  • arXiv에서 이 논문의 초록과 본문을 읽고 여섯 작업의 평가 방식과 한계를 직접 확인해 본다.
전체 기사 읽기
에이전트

코딩 AI, 가상 회사 과제 완수는 8% 미만

연구진이 코딩 AI를 가상의 개발 조직에 동료처럼 투입해 평가하는 시험 모음 SWE-CoWork를 공개했다. 연구진은 선두 모델 두 개가 핵심 시험의 약 63%를 통과했지만, 과제를 끝까지 완수한 비율은 8% 미만이었다고 밝혔다.

지금까지

그동안 코딩 AI 평가는 대체로 문제가 비교적 분명하게 주어지고, AI가 코드를 고친 뒤 시험을 통과하는지 보는 방식이 많았다. 실제 회사에서는 무엇을 만들지부터 동료에게 묻고 확인해야 하고, 만든 결과도 스스로 검증해야 한다.

AI 시대에는

연구진은 SWE-CoWork가 실제 저장소 101개에서 가져온 개발 과제 101건으로 이뤄졌고, 각 과제에서 AI가 동료 26명이 있는 모의 조직에 놓인다고 밝혔다. AI는 짧은 인수인계 글만 받은 채 동료와 업무 기록에 흩어진 요구사항을 찾아내고, 서로 어긋나는 정보를 맞춘 뒤 비공개 시험으로 평가받는다. 연구진은 모델 열한 개를 평가했고, 선두 두 모델은 고치기 전에는 실패하다가 고친 뒤에는 통과해야 하는 시험의 약 63%를 만족했지만 과제 전체를 마친 비율은 8% 미만이라고 밝혔다. 요구사항을 처음부터 모두 알려주면 이 시험 통과율은 약 16%포인트 올랐지만 과제 완수율은 그대로였다는 것도 연구진의 보고다. 이 글은 동료 심사를 거치기 전에 공개된 사전 공개 논문이므로, 결과는 연구진의 주장으로 읽어야 한다.

지금 해 볼 것

  • 코딩 AI에 일을 맡길 때 요구사항을 번호를 붙인 목록으로 적어 주고, 작업이 끝나면 항목별로 반영됐는지 하나씩 확인해 본다.
  • AI가 '완료했다'고 보고한 기능은 직접 실행하거나 시험 코드를 돌려 확인한 뒤 받아들인다.
  • AI가 나중으로 미룬 질문이나 확인 사항이 있으면 따로 적어 두고, 답이 돌아왔는지 챙겨 본다.
전체 기사 읽기
서비스

구글 지도에 여행 일정과 예약 찾기 기능 더해졌다

구글이 지도 앱의 대화형 기능 애스크 맵스(Ask Maps)에 여행 일정 짜기, 예약 가능 시간 찾기, 저장 목록 검색 기능을 새로 넣었다. 안드로이드와 iOS에서 2026년 11월 16일부터 순차적으로 제공된다.

지금까지

지도 앱은 그동안 목적지를 검색하고 길을 안내받는 도구로 주로 쓰였다. 여행 일정은 여러 장소를 직접 찾아 순서를 짜야 했다. 미용실이나 수리 업체 예약은 따로 검색하고 전화를 걸어 빈 시간을 알아보는 경우가 많았다. 저장해 둔 장소도 목록을 하나하나 열어 봐야 했다.

AI 시대에는

구글은 애스크 맵스로 하루 단위 일정과 번호가 붙은 지도 핀을 한 번에 받을 수 있다고 밝혔다. 길을 나설 때는 실시간 교통 상황, 영업 여부, 장소의 분위기를 일정 안에서 볼 수 있고, 경로 중간에 전망대나 점심 장소를 추가할 수도 있다고 한다. 새로 들어간 에이전트 기능은 사용자가 선택하면 미용, 반려동물 돌봄, 자동차·집 수리 예약을 온라인으로 찾고 업체에 전화까지 해 준다. 사용자는 보여 주는 빈 시간대 중에서 고른다. 다만 이 내용은 모두 구글이 직접 소개한 것이며, 실제로 얼마나 잘 작동하는지는 원문에서 확인되지 않는다. 기능 제공 범위도 다르다. 일정 짜기와 목록 검색은 애스크 맵스가 제공되는 모든 곳에서 쓸 수 있지만, 경로 팁과 예약 찾기는 미국에서 먼저 시작한다.

지금 해 볼 것

  • 지도 앱을 최신 버전으로 업데이트하고, 내가 사는 지역에서 애스크 맵스와 새 기능이 제공되는지 확인해 본다.
  • 다가오는 나들이나 여행의 일정을 애스크 맵스로 짜 보고, 추천된 장소의 영업 시간은 한 번 더 직접 확인한다.
  • 자주 저장해 둔 장소 목록을 정리해 두면 손님이 왔을 때 '지금 자리가 있는 곳'을 물어보기 쉽다.
전체 기사 읽기
일

이력서 심사 인공지능, 쓰기 전 점검 틀 제시

연구진이 이력서 심사를 거대언어모델(LLM)에 맡기기 전에 성능과 권한 통제를 함께 따져 보는 점검 틀을 내놓았다. 연구진은 평가 방식에 따라 결과가 달라지고, 판정과 그 이유가 어긋나는 일도 잦았다고 밝혔다.

지금까지

기업의 이력서 심사는 사람이 직접 읽거나 정해진 기준에 따라 걸러내는 방식이 중심이었다. 심사를 자동화하려면 지원자를 자격 요건으로 구별할 수 있는지, 정해진 사람만 규칙을 바꿀 수 있는지를 확인해야 한다. 그러나 이를 시스템 전체 차원에서 점검하는 방법은 널리 자리 잡지 못했다.

AI 시대에는

연구진은 지원자 증거, 평가, 권한 통제, 평가 기록을 나눈 시스템 구조를 만들고 두 가지 준비 상태를 시험했다고 밝혔다. 먼저 언어모델 네 종으로 14개 직무, 이력서 210건, 여섯 가지 판정 방식을 놓고 통제된 실험을 했다. 연구진에 따르면 점수를 매기는 방식은 자격 변화를 합격·불합격 판정보다 대체로 더 잘 구별했고, 두 지원자를 견주는 방식은 제시 순서에 민감했다. 권한 규칙을 분명히 적고 이력서 내용과 지시문을 분리하면 권한 없는 요청을 따르는 일이 줄었지만, 효과는 모델과 사용 상황에 따라 달랐다. 또 모델이 내린 판정과 내놓은 설명이 어긋나는 경우가 많았다고 연구진은 밝혔다. 이 글은 동료 심사를 거치기 전에 공개된 사전 공개 논문이므로 결과는 이후 검증이 필요하다.

지금 해 볼 것

  • 채용이나 평가 도구를 만들거나 도입하는 사람은 같은 지원서를 순서만 바꿔 두 번 평가시켜 결과가 같은지 확인해 본다.
  • 개발자는 이력서 본문 안에 지시문처럼 보이는 문장을 넣어 시스템이 따르는지 시험해 본다.
  • 인공지능이 낸 판정과 설명을 몇 건 뽑아 서로 맞는지 직접 대조해 본다.
전체 기사 읽기
과학

단백질 모델, 세밀하다고 항상 정확하진 않다

연구진이 단백질을 단순하게 줄여 나타내는 기계학습 모델에서, 줄이는 방식을 일곱 가지로 바꿔 가며 정확도를 비교했다. 연구진은 세밀한 정도나 화학적 다양성이 정확도와 늘 맞물리지는 않는다고 밝혔다.

지금까지

단백질은 모양이 끊임없이 바뀌기 때문에, 컴퓨터로 움직임을 따라가려면 많은 계산이 필요하다. 그래서 여러 원자를 몇 개의 덩어리로 묶어 단순하게 나타내는 방법이 쓰여 왔다. 이때 어떻게 묶을지는 연구자가 미리 정해 두는 경우가 많았다.

AI 시대에는

연구진은 기계학습으로 이런 단순화 모델을 만드는 방법이 단백질의 가능한 모양을 정확하고 효율적으로 살펴보는 틀로 자리 잡았다고 설명했다. 다만 기존 연구는 원래 모습에서 단순한 모습으로 바꾸는 방식을 미리 정해 두었고, 그 선택이 모델의 질을 크게 좌우한다고 짚었다. 연구진은 단백질마다 따로 만드는 모델을 일곱 가지 방식으로 비교했다. 비교한 방식은 덩어리의 세밀한 정도와 덩어리에 담는 정보의 종류가 서로 다르다. 그 결과 세밀한 정도와 화학적 다양성이 정확도와 항상 비례하지는 않았고, 시스템을 나타내는 내부 표현의 차원이 충분히 높으면 화학적 다양성이 아주 적어도 정확한 모델을 만들 수 있었다고 연구진은 주장했다. 이 글은 동료 심사를 거치기 전에 사전 공개된 논문의 초록을 바탕으로 했다.

지금 해 볼 것

  • 논문 초록을 읽고, 여러 원자를 한 덩어리로 묶어 나타낸다는 '단순화' 개념을 자기 말로 한 문장으로 정리해 본다.
  • 기계학습 모델을 만들 때 입력 방식을 하나로 고정하지 말고, 두세 가지 방식을 같은 조건에서 비교해 본다.
전체 기사 읽기
에이전트

에이전트 기억, 스스로 한 말은 믿지 않는다

도구를 쓰는 에이전트와 로봇이 같은 실패를 되풀이하지 않도록 돕는 기억 방식이 사전 공개 논문으로 나왔다. 연구진은 시험이나 도구 결과, 사람의 확인을 거친 결과만 성공으로 기록한다고 밝혔다.

지금까지

도구를 부르는 에이전트와 작업을 수행하는 로봇은 실행 기록을 남기고 다시 불러 쓰는 방식으로 경험을 활용해 왔다. 다만 에이전트가 스스로 성공했다고 판단한 기록을 그대로 믿으면 잘못된 경험이 쌓일 수 있다. 이미 실패한 방법을 되풀이하는 것도 오래된 약점으로 꼽혀 왔다.

AI 시대에는

연구진은 모든 실행을 하나의 에피소드로 기록하되, 시험이나 도구 결과, 사람이 확인한 결과만 성공으로 인정하고 에이전트 자신의 주장은 인정하지 않는다고 밝혔다. 기억은 두 부분으로 나뉜다. 연상 행렬은 상황에 맞는 절차를 찾는 역할을 하고, 순서가 있는 단계 기록은 어떤 단계 다음에 무엇이 오는지 알려 준다. 행렬은 연상을 합쳐 저장해서 순서를 모르고 하나만 꺼내거나 지울 수도 없으므로, 순서와 결과 횟수, 삭제는 단계 기록이 맡는다. 연구진의 시뮬레이션에서 스스로 성공을 판단하고 멈춘 로봇은 작업의 96%를 끝냈다고 보고했지만 실제로 푼 것은 35%였고, 외부 확인을 쓰자 79%를 풀었다. 이 글은 동료 심사를 거치기 전에 공개된 논문이며, 수치는 시뮬레이션과 합성 데이터에서 연구진이 얻은 결과다.

지금 해 볼 것

  • 내가 만들거나 쓰는 에이전트가 «성공»이라고 기록할 때 시험이나 도구 결과 같은 외부 확인이 있는지 점검해 본다.
  • 에이전트의 실패한 시도를 따로 기록해 두고, 같은 실패가 되풀이되는지 살펴본다.
전체 기사 읽기
의료·법

개인화 서비스, 배포 권한과 정정 책임 분리

연구진은 결과를 계산하는 쪽과 전달 여부를 정하는 쪽이 다른 개인화 서비스를 위한 인터페이스를 설계했다고 밝혔다. 이 인터페이스는 입력 데이터의 사용 권한 확인과 보고서의 요건 확인을 따로 하고, 누락을 누가 고쳐야 하는지를 기록한다.

지금까지

개인화 서비스는 여러 주체가 일을 나누어 맡는 경우가 많다. 한쪽이 결과를 계산하고, 다른 쪽이 데이터 사용 권한과 서비스 정책에 비추어 결과를 내보내도 되는지 판단한다. 계산하는 쪽의 보고서에 허용된 입력이 빠져 있으면 전달하는 쪽은 고쳐질 때까지 기다릴지 정해야 한다.

AI 시대에는

연구진이 짚은 문제는 보고서의 누락을 권한 실패로 다루면, 입력 권한이 유효해도 서비스가 지연된다는 점이다. 반대로 먼저 전달하면 불완전한 보고서에 대한 책임이 흐려질 수 있다. 연구진은 입력 권한 확인과 보고 요건 확인을 분리하고, 누락을 고칠 주체와 고친 내용을 검증할 수 있는 주체를 기록하는 방식을 제안했다. 이 논문은 동료 심사를 거치기 전에 공개된 사전 공개 논문이다. 연구진은 세 가지 구현을 시나리오로 짠 이력과 생성한 사례에서 평가했으며, 정책이 정정 전 전달을 허용하면 누락을 권한 실패로 보는 설계가 막는 결과를 이 인터페이스는 내보내면서 정정 책임 배정도 유지했다고 밝혔다.

지금 해 볼 것

  • 개인 데이터를 쓰는 서비스를 만들거나 운영한다면 «이 데이터를 써도 되는가»와 «보고서가 완전한가»를 한 검사로 묶지 않고 나누어 적어 본다.
  • 업무 절차에서 결과를 먼저 내보낸 뒤 누락이 발견될 때 누가 고치고 누가 확인하는지 정해져 있는지 점검해 본다.
  • 관심이 있다면 논문 초록 원문(arXiv)을 읽고, 자기 분야의 «허가»와 «책임»이 어떻게 나뉘어 있는지 비교해 본다.
전체 기사 읽기
연예

RWKV 기반 음악 이해 AI 틀 제안

저자 테리 탄(Terry Tan)은 RWKV 구조를 바탕으로 한 음악 표현 학습 틀 '뮤직RWKV(MusicRWKV)'를 사전 공개 논문으로 내놓았다. 연구진은 긴 음악을 다룰 때 트랜스포머보다 부담이 적은 대안이 될 수 있다고 밝혔다.

지금까지

음악 AI는 대량의 음악 데이터로 미리 학습한 기반 모델이 곡의 특징을 숫자로 요약하게 하고, 이를 여러 음악 이해 과제에 쓰는 방식으로 발전해 왔다. 이런 모델은 대체로 트랜스포머(Transformer) 구조를 쓴다. 그런데 트랜스포머의 어텐션은 입력이 길어질수록 계산량이 제곱으로 늘어난다. 그래서 길이가 긴 녹음을 다루기에는 계산과 메모리 부담이 크다.

AI 시대에는

연구진은 RWKV 구조를 바탕으로, 파형(waveform)·스펙트로그램(spectrogram)·메타데이터를 하나의 자기지도 학습 틀에서 함께 다루는 방식을 내놓았다고 밝혔다. 긴 음악 데이터를 위해 복원 능력을 유지하면서 입력 길이를 줄이는 압축 모듈을 넣었고, 값비싼 교차 어텐션 없이 입력 종류별 특성을 반영하도록 FiLM 기반 조건화를 썼다고 한다. 연구진에 따르면 여러 음악 정보 검색(MIR) 평가에서 이 구조를 다양한 음악 이해 과제에 적용할 수 있었고, 미분 가능한 검색 장치인 소프트 로사(Soft ROSA)는 사전학습 비교 실험에서 검증 성능을 높였다. 층별 분석에서는 깊은 층으로 갈수록 분산된 검색에서 선택적 검색으로 옮겨 가는 경향이 나타났다고 한다. 다만 이는 동료 심사를 거치기 전의 사전 공개 논문에 담긴 연구진의 주장이며, 초록에는 구체적인 성능 수치가 없어 트랜스포머 모델과의 정확한 격차는 확인되지 않는다.

지금 해 볼 것

  • arXiv에서 논문 원문을 열어 어떤 MIR 평가로 실험했는지, 비교 대상이 무엇인지 확인해 본다.
  • 트랜스포머 어텐션의 계산량이 입력 길이에 따라 어떻게 늘어나는지 설명 자료를 찾아 읽고, 긴 오디오 처리에서 왜 부담이 되는지 정리해 본다.
전체 기사 읽기
스포츠

전 세계 축구 클럽·국가대표 한 잣대로 평가

연구진이 전 세계 축구 클럽과 국가대표팀을 하나의 확률 척도에 놓고 비교하는 레이팅 모델을 제안했다. 연구진은 이 모델이 엘로(Elo)보다 분명히 정확하다고 밝혔다.

지금까지

축구에서 서로 거의 만나지 않는 팀의 실력을 견주는 일은 오래된 과제였다. 클럽은 대부분 자국 리그 안에서, 국가대표팀은 자기 대륙 연맹 안에서 경기를 치르기 때문이다. 이런 비교에는 경기 결과로 팀의 실력을 점수로 매기는 엘로 방식의 레이팅이 널리 쓰여 왔다.

AI 시대에는

연구진은 글리코(Glicko) 모델의 최근 확장판을 축구에 맞게 고쳤다고 밝혔다. 득점 차이 보정, 홈 이점의 분해, 연장전, 리그를 고려한 초기 점수 설정, 리그 수준이 부풀지 않는 승강제 규칙을 넣었고, 국가대표팀은 소속 대륙 연맹의 수준에서 출발하게 했다. 연구진에 따르면 이 모델은 시즌 단위로 떼어 둔 검증 자료에서 엘로보다 분명히 정확했고, 그래디언트 부스팅(gradient boosting) 모델의 득점 기대값으로 만든 딕슨-콜스(Dixon-Coles), 마르코프 연쇄(Markov chain) 모델과는 비슷한 정확도를 보였다. 국제 클럽 경기에서는 이들보다 상당히 더 정확했고, 대표팀은 서로 다른 대륙 팀이 만나는 본선 대회에서 모든 비교 모델보다 정확했다고 연구진은 주장했다. 다만 이 글은 동료 심사를 거치기 전에 공개된 사전 공개 논문의 초록에 근거한 것이다.

지금 해 볼 것

  • 논문 초록에 안내된 깃허브(GitHub) 주소에서 공개된 경기 데이터와 레이팅, 코드를 열어 어떤 자료가 담겼는지 살펴본다.
  • 응원하는 팀의 다음 경기 결과를 먼저 예상해 적어 두고, 공개된 레이팅과 실제 결과를 나중에 견주어 본다.
전체 기사 읽기
교육

채팅으로 치르는 구술식 시험, AI 둘이 맡는다

연구진은 학생과 글로 대화하며 논증 능력을 평가하는 거대언어모델(LLM) 기반 시스템을 내놓았다고 밝혔다. 학생과 직접 말하는 면접관과 뒤에서 채점하는 평가자를 따로 둔 두 에이전트 구조가 핵심이다.

지금까지

구술시험은 학생에게 답의 이유를 묻고, 애매한 답에는 추가 질문을 던질 수 있어 좋은 평가 방식으로 꼽혀 왔다. 그러나 학생 한 명 한 명과 직접 대화해야 하므로 사람 수가 많아지면 운영하기 어렵다. 그래서 많은 수업은 같은 문제를 한꺼번에 푸는 방식으로 시험을 치러 왔다.

AI 시대에는

연구진은 구술시험의 장점을 살리면서 규모를 키우려고 글로 대화하는 평가 시스템을 만들었다고 밝혔다. 면접관 에이전트는 평가자에게서 다음에 던질 질문에 대한 안내만 받고, 평가자 에이전트는 활동 전체의 목표를 알고 채점 기준표로 학생의 진행 상황을 추적한다. 연구진은 이런 분리가 정답이 학생에게 새어 나갈 가능성을 줄인다고 설명했다. 시스템은 실력 수준이나 공격 전술을 가진 LLM 가상 학생들로 먼저 시험했고, 소규모 선택 과목인 AI 활용 교양 수업에서 형성평가와 총괄평가에 쓰였다. 연구진은 대화 기록을 사람과 AI가 다시 살펴 후속 질문 생성과 채점 방식에서 개선할 점을 찾았다고 밝혔다. 이 논문은 동료 심사를 거치기 전에 공개된 사전 공개 논문이다.

지금 해 볼 것

  • 교사나 개발자라면 질문만 하는 역할과 채점 기준을 쥔 역할을 프롬프트 두 개로 나눠 보고, 질문 쪽에 정답이 새는지 확인해 본다.
  • 학생이라면 AI 챗봇에게 내 답의 이유를 계속 캐묻도록 부탁해, 근거를 말로 풀어 설명하는 연습을 해 본다.
  • 시험 도구를 만든다면 AI가 사전학습으로 이미 아는 내용을 쓰지 못하도록, 가상의 주제를 하나 만들어 시험해 본다.
전체 기사 읽기
반도체

람다, GPU 1만 개 넘는 망에 광 스위치 도입

클라우드 업체 람다(Lambda)가 엔비디아(NVIDIA)의 광학 일체형(CPO) 스위치로 GB300 NVL72 랙 1만 개 이상의 GPU를 연결했다. 업체는 기존 방식보다 전력을 덜 쓰고 장애에 더 잘 버틴다고 밝혔다.

지금까지

AI 모델을 학습시키려면 수천 개의 GPU가 한꺼번에 움직여야 해서, GPU를 잇는 네트워크가 빠르고 안정적이어야 한다. 지금까지는 전기 신호를 빛으로 바꾸는 꽂아 쓰는(pluggable) 광 모듈을 스위치에 달아 연결하는 방식이 쓰였다. 이 방식에서는 레이저가 고장 나면 모듈 전체를 바꿔야 했다.

AI 시대에는

새로 나온 방식은 전기 신호를 빛으로 바꾸는 광 엔진을 스위치 칩과 같은 패키지에 얹는 것이다. 엔비디아는 이 방식이 기존 꽂아 쓰는 광 모듈보다 전력 효율이 최대 5배, 신뢰성이 최대 15배 높고 레이저도 4분의 1만 쓴다고 밝혔다. 람다는 자체 시험에서 네트워크 지연이 랙 규모에서 약 4%, 포드 규모에서 최대 약 10% 줄었고 처리량은 기존 광 모듈과 같았다고 전했다. 광학 부품의 중간 온도도 36°C로, 기존 광 모듈의 51°C보다 낮았다고 한다. 다만 이 수치는 모두 엔비디아와 람다가 내놓은 것이며, 원문에는 외부 검증 내용이 없다.

지금 해 볼 것

  • ‘CPO’와 ‘꽂아 쓰는 광 모듈’이 어떻게 다른지 찾아 읽고, 자신이 쓰는 클라우드 GPU가 어떤 네트워크로 묶여 있는지 확인해 본다.
  • AI 학습이나 추론 작업을 돌리고 있다면 로그에서 통신 때문에 GPU가 기다린 시간이 얼마나 되는지 살펴본다.
전체 기사 읽기
로봇

드론 여러 대가 번지는 오염 구름을 쫓는다

연구진이 여러 대의 무인항공기(UAV)가 바람에 따라 움직이는 대기오염 분포를 추적하고 지도로 그리게 하는 제어 방식을 내놓았다. 연구진은 시뮬레이션에서 이 방식이 기존 방법보다 크게 나았다고 밝혔다.

지금까지

대기오염은 그동안 주로 정해진 자리의 측정소나 사람이 장비를 들고 다니는 방식으로 쟀다. 오염 물질은 바람을 타고 모양과 위치가 계속 바뀌기 때문에, 한곳에 고정된 측정으로는 변화를 따라가기 어렵다는 한계가 있었다.

AI 시대에는

연구진은 밀도 기반 제어(Density-Driven Control, D²C)를 확장한 틀을 제안했다고 밝혔다. 이 틀은 오염 물질이 퍼질 모습을 예측하고, 기준이 되는 밀도를 계속 고쳐 가며 드론의 경로를 정한다. 기준 표본은 드론이 잰 농도의 기울기와 바람 추정값을 바탕으로 움직이며, 오염 쪽으로 끌림, 바람에 실려 이동, 표본끼리 밀어냄, 무작위 확산이라는 네 가지 작용이 반영된다. 각 드론은 측정값을 중앙 조정자에게 보내고, 조정자는 이를 합쳐 목표 배정과 경로 계획에 쓴다. 연구진에 따르면 시뮬레이션에서 오염 구름이 고정된 감시 구역 밖으로 빠져나가는 강한 바람 조건에서 비교한 기존 방법들은 추적에 실패했지만 이 방식은 변화에 맞춰 적응했다. 다만 이 글은 동료 심사를 거치기 전에 공개된 사전 공개 논문이고, 결과도 시뮬레이션에서 나온 것이다.

지금 해 볼 것

  • 가까운 대기질 측정소의 공개 수치를 하루 몇 차례 확인하고, 그날 바람 방향과 함께 비교해 본다.
  • 개발자라면 점 여러 개를 오염 농도가 높은 쪽으로 끌리게 하고 바람 방향으로 밀면서 서로 밀어내게 하는 간단한 시뮬레이션을 만들어, 논문이 말한 네 가지 작용을 눈으로 확인해 본다.
전체 기사 읽기
서비스

구글, 빠른 판단용 '제미나이 결정 API' 공개

구글이 글을 쓰지 않고 정해진 선택지에 점수만 매기는 '제미나이 결정 API(Gemini Decisions API)'를 공개했다. 텍스트·이미지·음성·영상·PDF를 한 번에 넣고 질문 최대 1,000개를 판정하게 할 수 있다.

지금까지

AI로 문의를 분류하거나 규칙 위반을 가려내려면 보통 두 가지 방법을 썼다. 용도에 맞는 분류 모델을 따로 학습시키거나, 생성형 AI에게 답을 글로 쓰게 한 뒤 그 글을 읽어 판단했다. 앞의 방법은 준비에 시간이 들고, 뒤의 방법은 답을 만드는 동안 기다려야 하고 비용도 든다는 한계가 있었다.

AI 시대에는

새 API는 '제미나이 디시전 1(Gemini Decision 1)' 모델이 후보 선택지에 점수를 매겨 확률과 확신도를 바로 돌려주는 방식이다. 답을 한 글자씩 생성하지 않고 한 번의 계산으로 처리하며, 출력 토큰 요금은 받지 않는다. 구글은 이 모델이 에이전트 라우팅, 추론, 순위 매기기, 멀티모달 이해 시험에서 앞섰고 확신도 오차가 가장 낮다고 주장했다. 같은 시험 묶음에서 '제미나이 3.5 플래시 라이트(Gemini 3.5 Flash-Lite)'와 인터랙션스 API(Interactions API) 조합보다 비용이 5배 가까이 적게 든다는 것도 구글의 설명이다. 구글 안에서는 제미나이 노트북이 질문을 알맞은 모델로 나누는 데, 구글 검색이 MCP 도구의 악의적 행동을 가려내는 데 쓰고 있다고 한다. 제미나이 노트북은 일상적인 질문의 응답 지연이 최대 40% 줄었다고 밝혔다.

지금 해 볼 것

  • 개발자라면 구글 AI 스튜디오(Google AI Studio)에서 API 키를 받고 무료 구간으로 파이썬·자바스크립트·REST 안내서의 예제를 돌려 본다.
  • 구글이 공개한 데모 앱 '도어스텝 파슬스(Doorstep Parcels)', '스피드 스케치(Speed Sketch)', '파인드 더 주키퍼(Find the Zoo Keeper)'를 열어 선택지 판정이 어떻게 작동하는지 살펴본다.
  • 지금 쓰는 서비스에서 '예/아니오'나 '고르기'로 바꿀 수 있는 판단이 있는지 적어 보고, 확신도가 낮은 경우 사람에게 넘기는 기준을 정해 본다.
전체 기사 읽기
일

ML 채용공고, 협업 능력 88.6% 요구

연구진은 머신러닝(ML) 채용공고의 88.6%가 협업 능력을, 72.2%가 소통 능력을 요구한다고 밝혔다. 소프트웨어 공학(SE) 공고와 요구 수준은 통계적으로 구별되지 않지만, 강조하는 방향은 다르다고 연구진은 설명했다.

지금까지

머신러닝 분야 일자리는 흔히 기술 전문성 중심으로 이야기돼 왔다. 협업과 소통 같은 대인 능력이 중요하다는 연구는 있었지만, 채용공고가 이를 어떻게 표현하는지에 대한 근거는 부족했다. 공고를 분석한 기존 연구도 대부분 특정 낱말을 찾는 방식이어서 돌려 말한 표현은 놓치기 쉬웠다.

AI 시대에는

연구진은 다섯 대륙에서 ML 공고 500건과 SE 공고 500건, 모두 1,000건을 반자동 방식으로 모아 분석했다고 밝혔다. 사람 두 명과 대규모 언어모델(LLM)이 함께 공고에 표시를 달아, 낱말만으로는 찾기 어려운 맥락 의존적·암시적 표현까지 잡아냈다는 것이 연구진의 설명이다. 연구진에 따르면 협업 요구의 약 5분의 1, 소통 요구의 약 4분의 1은 암시적으로만 적혀 있었다. 협업은 팀 소속보다 직무 경계를 넘어 일을 잇는 능력으로 요구되는 경우가 많았고, 소통은 대체로 일반적인 표현에 그쳐 소통 상대를 밝힌 공고는 해당 공고의 절반에 못 미쳤다. 이 논문은 동료 심사를 거치기 전에 공개된 사전 공개 논문이다.

지금 해 볼 것

  • 관심 있는 ML 공고를 골라 '협업'이나 '소통'이라는 낱말이 없는 문장에서도 다른 직군과 일하는 능력을 요구하는지 직접 표시해 본다.
  • 이력서나 자기소개서에 다른 직군과 함께 일하거나 결과를 발표한 경험을 누구와 어떤 일을 했는지 밝혀 구체적으로 적어 본다.
전체 기사 읽기
과학

얀-텔러 뒤틀림이 만든 부호 다른 키타예프 상호작용

연구진은 얀-텔러(Jahn-Teller) 뒤틀림을 이용하면 한 물질 안에서 부호가 다른 키타예프(Kitaev) 결합을 만들 수 있다고 제안했다. 제일원리 계산에서 단층 CrI2가 짧은 결합에는 반강자성, 긴 결합에는 강자성 키타예프 결합을 갖는 것으로 나왔다고 밝혔다.

지금까지

자성 물질에서 키타예프 결합은 원자 사이의 방향에 따라 스핀이 서로 영향을 주는 방식을 나타낸다. 이 결합이 강자성인지 반강자성인지에 따라 자기적 좌절(frustration)과 자기 상태가 다르게 나타난다. 그동안은 두 성격 중 하나가 두드러지는 물질을 중심으로 다뤄 왔다. 연구진은 두 성격이 한 물질 안에 함께 있는 경우는 아직 탐구되지 않았다고 설명했다.

AI 시대에는

이번 연구에서 AI 기법은 스핀 모형을 만드는 데 쓰였다. 연구진은 클러스터 전개법으로 현실적인 기계학습 스핀 해밀토니안을 만들었고, 이 모형이 실험에서 관측된 나사형(proper-screw) 구조와 전파 방향을 재현한다고 밝혔다. 이 모형에서는 스핀 회전각이 48.0도에서 93.9도까지 매우 고르지 않게 나타났다. 연구진은 나사형 비등방성과 강한 비조화 스핀 회전이 모두 부호가 섞인 키타예프 상호작용에서 나온다고 주장했다. 이 글은 동료 심사를 거치기 전에 공개된 사전 공개 논문의 초록이며, 결과는 계산에 근거한 것이어서 이후 검증이 필요하다.

지금 해 볼 것

  • arXiv 원문 주소에서 초록과 본문을 읽고, 계산 조건인 허バード U와 범함수를 어떻게 바꿔 가며 결과를 확인했는지 찾아본다.
  • '자기적 좌절'과 '얀-텔러 뒤틀림'이 무슨 뜻인지 검색해 두 문장으로 직접 정리해 본다.
  • 기계학습을 물질 계산에 쓰는 다른 사전 공개 논문을 하나 골라, 이 논문과 모형을 어떻게 만드는지 비교해 본다.
전체 기사 읽기
서비스

구글 검색, 제미나이 4 하이드로젠 적용

구글(Google)이 검색에 제미나이 4 하이드로젠(Gemini 4 Hydrogen) 모델을 전 세계 모든 이용자 대상으로 적용했다. 구글은 이번 일이 검색 사상 가장 큰 모델 업그레이드라고 밝혔다.

지금까지

검색은 오랫동안 핵심 단어를 입력하고 링크 목록을 훑어 답을 찾는 방식이었다. 조건이 여러 개 얽힌 질문은 여러 번 나눠 검색하고, 결과를 직접 비교해야 하는 경우가 많았다.

AI 시대에는

구글은 새 모델이 질문의 의도를 더 정확히 파악한다고 밝혔다. 여러 부분으로 이뤄진 질문, 알아보기 어려운 오타, 아주 구체적인 요구에도 각 부분에 맞게 답한다고 설명했다. 구글은 또 관련 하위 주제를 동시에 검색하는 '쿼리 팬아웃(query fan-out)' 기법이 강화돼 이전에는 찾기 어려웠던 사이트까지 연결해 준다고 주장했다. 답변에는 이미지, 구조화된 답, 비교표, 이용자에게 맞춘 도구가 더 많이 나온다. 이런 개선 효과를 보여 주는 성능 수치는 원문에 없고, 모두 구글이 밝힌 내용이다.

지금 해 볼 것

  • 여행·쇼핑·취미처럼 조건이 여러 개 섞인 질문을 키워드 대신 평소 말투 그대로 검색창에 입력해 본다.
  • 같은 내용을 예전처럼 키워드로도 검색해 두 결과가 어떻게 다른지 비교해 본다.
  • 답에 붙은 링크와 비교표의 출처를 직접 열어 내용이 맞는지 확인한다.
전체 기사 읽기
의료·법

의료 AI 둘러싼 보안·신뢰 우려, 레딧 글 분석

미국 연구진 등이 레딧(Reddit)의 의료 커뮤니티 14곳에서 의료 AI 관련 글 6,514건을 뽑아 분석했다. 연구진은 이용자들이 의료 AI를 보안·프라이버시·신뢰 문제와 함께 논의하고 있으며 그 논의가 크게 늘었다고 밝혔다.

지금까지

의료 AI의 위험은 그동안 주로 기술과 규제의 관점에서 다뤄졌다. 환자 정보는 병원 안에서 엄격히 관리하는 것이 기본이었다. 일반 이용자가 이런 위험을 어떻게 느끼고 이야기하는지는 상대적으로 덜 알려져 있었다.

AI 시대에는

연구진에 따르면 이용자들은 의료 AI가 전자의무기록, 외부 서비스, 클라우드, 자동화된 진료 업무와 연결되면서 기존 의료의 신뢰 범위와 공격 대상이 넓어진다고 본다. 글에서는 민감한 기록에 과도하게 접근할 수 있다는 점, 데이터가 어떻게 흐르는지 알기 어렵다는 점, 허가 없는 2차 이용, 위험한 자동화가 오류와 오용의 결과를 키울 수 있다는 점이 우려로 나타났다. 연구진은 이런 위험을 대하는 태도를 네 가지로 나눴다. 책임과 피해를 따지는 태도, 더 강한 안전장치를 전제로 조심스럽게 받아들이는 태도, 시스템을 믿을 수 있는지 의심하는 태도, 데이터 노출과 자동화가 커지는 것을 체념하고 받아들이는 태도다. 시간에 따른 분석에서는 관련 논의가 크게 늘었고, 변화 시점이 주요 의료 AI 도입, 개인정보 사고, 규제 변화와 겹쳤다고 연구진은 밝혔다. 이 논문은 동료 심사를 거치기 전에 공개된 사전 공개 논문이다.

지금 해 볼 것

  • 병원이나 건강 앱이 AI 기능을 제공한다면 개인정보 처리방침에서 내 정보가 외부 서비스로 넘어가는지, 다른 목적에 쓰이는지 확인해 본다.
  • 의료 AI 서비스를 만드는 개발자는 전자의무기록·클라우드 같은 연동 지점마다 접근 권한이 꼭 필요한 만큼인지, 데이터 흐름을 사용자에게 설명할 수 있는지 점검해 본다.
전체 기사 읽기
연예

라이브 공연 곡목, AI가 음원과 맞춰 찾는다

공연 녹음을 듣고 어떤 곡이 연주됐는지 자동으로 찾는 '셋리스트 식별' 방식들을 비교한 논문이 공개됐다. 연구진은 256차원 임베딩을 쓰는 NAVE가 1024차원인 CLEWS보다 저장 공간을 4분의 1로 줄이면서 더 나은 검색 성능을 냈다고 밝혔다.

지금까지

라이브 공연의 곡 목록은 그동안 사람이 직접 들으면서 정리하는 경우가 많았다. 같은 곡의 다른 버전을 찾는 '음악 버전 식별' 기술은 있었지만, 공연 녹음은 이를 그대로 적용하기 어렵다. 스튜디오 음원과 편곡이 크게 다르고 배경 소음이 섞이며, 녹음 품질도 제각각이기 때문이다.

AI 시대에는

연구진은 ASID 벤치마크에서 기존 시스템 Re-MOVE(Re-MOVE)와 CLEWS, 내부 신경망 모델 NAVE를 비교했고, NAVE와 CLEWS가 Re-MOVE를 크게 앞섰다고 밝혔다. NAVE는 256차원 임베딩을 써서 1024차원인 CLEWS보다 임베딩 저장 용량이 4분의 1이면서 검색 성능은 더 좋았다고 한다. 음악과 음악이 아닌 구간을 가르는 전처리(게이팅)는 검출과 시간 범위에서 소폭 개선을 보였고, 연구진은 이 전처리가 곡이 바뀌는 경계 인식을 더 낫게 할 수 있다고 정성 분석에서 짚었다. 연구진은 작은 표현으로도 실제 공연 환경에서 높은 정확도를 낼 수 있어 저장과 서비스 비용을 크게 줄일 수 있다고 주장한다. 다만 이 논문은 동료 심사를 거치기 전에 공개된 사전 공개 논문이며, 결과는 연구진이 직접 평가한 것이다.

지금 해 볼 것

  • 좋아하는 공연 영상 하나를 골라 곡 순서를 직접 적어 보고, 스튜디오 음원과 편곡이 어떻게 다른지 귀로 비교해 본다.
  • 개발자라면 임베딩 차원이 256일 때와 1024일 때 저장 용량이 어떻게 달라지는지 자신의 데이터 규모로 계산해 본다.
전체 기사 읽기
스포츠

탁구·배드민턴·테니스 다음 샷, 한 구조로 예측

연구진이 탁구, 배드민턴, 테니스의 경기 기록을 바탕으로 다음 샷의 속성을 한꺼번에 예측하는 모델 MT-HTA를 내놓았다. 세 종목이 공유하는 '샷이 모여 랠리가 되고, 랠리가 모여 더 큰 득점 단위가 되는' 위계를 모델 구조에 반영했다.

지금까지

라켓 스포츠의 경기 기록을 분석할 때는 종목별로 데이터를 따로 모으고 모델도 따로 만드는 일이 많았다. 종목마다 경기 구조와 기록하는 항목, 라벨의 종류가 다르기 때문이다. 그래서 한 종목에서 만든 모델을 다른 종목에 그대로 쓰기는 쉽지 않았다.

AI 시대에는

연구진은 서로 다른 기록 형식을 가진 라켓 종목 데이터를 하나의 위계 구조로 묶어 다룰 수 있다고 밝혔다. MT-HTA는 시간 흐름을 보는 트랜스포머, 시간축이 아니라 기록 항목끼리의 상호작용을 보는 경로, 위계별 요약과 선수 정보를 찾아 쓰는 과제별 어텐션으로 이루어진다. 3단계와 4단계 위계, 종목마다 다른 예측 과제를 지원한다고 한다. 연구진에 따르면 세 종목 네 개 데이터셋에서 비교한 주요 모델 가운데 과제 평균 F1이 가장 높았다. 다만 추가 모듈은 모든 지표를 높이지 않고 분류 점수와 공간 오차 사이의 균형을 바꾸었으며, 구성 요소별 효과를 확인한 실험(ablation)은 탁구에서만 이루어졌다. 이 글은 동료 심사를 거치기 전에 공개된 사전 공개 논문이다.

지금 해 볼 것

  • 연구진이 공개한 깃허브 코드를 열어 데이터가 어떤 구조로 처리되는지 살펴본다.
  • 내가 다루는 경기나 활동 기록을 '동작 → 묶음 → 점수' 같은 위계로 정리해 보고, 어떤 항목을 예측할 수 있을지 적어 본다.
전체 기사 읽기
교육

교수가 설계한 AI, 대학 19곳 실험서 학습 효과

교수가 자기 수업에 맞게 설계한 AI가 학생의 학습을 개선했다는 무작위 대조 시험 결과가 나왔다. 연구진은 대학 19곳, 학생 7,200명을 세 학기 동안 지켜봤다고 밝혔다.

지금까지

대학들은 AI가 학습을 해칠 수 있다는 최근 증거에 경계해 왔다. 범용 챗봇을 쓰게 하거나 학교 차원에서 중앙 설계한 AI 도구를 도입한 학생들의 성과가 더 나빴다는 보고도 있었다. AI 도구는 대체로 수업 현장 바깥에서 만들어져 교실에 들어왔다.

AI 시대에는

연구진은 현장 교수에게 자기 학생에게 가장 도움이 되리라 믿는 AI 해법을 직접 설계하도록 장려했다고 밝혔다. 교수들은 자기 수업과 학생에 대한 지식을 바탕으로 다양한 시도를 내놓았다. 연구진은 이런 교수 설계 AI가 AI로 풀 수 없게 한 평가, 곧 감독관을 둔 대면 시험으로 측정한 학습을 개선했다고 주장했다. 수업 활동 기록으로 본 참여도와 강의 평가로 본 만족도에는 변화가 없었다고 한다. 이 글은 동료 심사를 거치기 전에 공개된 사전 공개 논문의 초록이어서, 결과는 아직 검증 중인 연구진의 주장이다.

지금 해 볼 것

  • 교수·교사라면 수업의 약한 고리 하나를 골라 AI를 어떻게 쓸지 직접 설계해 보고, AI를 쓸 수 없는 시험으로 효과를 확인해 본다.
  • 학생이라면 AI에게 답을 받기 전에 먼저 스스로 풀어 본 뒤, 내 풀이를 확인하는 용도로 쓰는 방식을 하루 한 번 시험해 본다.
  • arXiv에 공개된 논문 초록 원문을 읽고, 우리 학교나 학원이 AI 도구를 누가 정하는지 살펴본다.
전체 기사 읽기
반도체

엔비디아, 책상 위 4노드 슈퍼컴 키트 공개

엔비디아(NVIDIA)가 미국 시카고에서 열리는 슈퍼컴퓨팅 학회 SC26에서 연구자용 'DGX Spark HPC 개발자 키트'를 선보였다. DGX Spark 4대를 묶은 이 키트는 현재 판매 중이며, 연구자가 공용 GPU 클러스터 순서를 기다리지 않고 책상에서 작업을 돌리게 하는 것이 목표라고 회사는 밝혔다.

지금까지

대규모 과학 계산과 AI 학습은 대학과 연구소가 함께 쓰는 GPU 클러스터에서 돌리는 것이 일반적이었다. 연구자는 배정된 서버 시간 안에서 작업을 신청하고 차례를 기다려야 했다. 코드를 고치고 시험하는 단계에서도 대기열 때문에 시간이 걸리는 일이 잦았다.

AI 시대에는

엔비디아는 DGX Spark 4대를 각각 이웃한 두 대와 직접 잇는 링 구조로 묶었다고 밝혔다. 연결에는 ConnectX-7 네트워킹을 쓰며, 네트워크 스위치를 따로 사거나 설치할 필요가 없다고 설명했다. 4대를 합치면 메모리는 512GB, NVMe 저장장치는 20TB다. 회사는 NVFP4 방식을 쓰면 최대 7000억 개 매개변수의 모델을 로컬에서 돌릴 수 있다고 주장했다. 사례로 든 버클리 캘리포니아대 연구실 두 곳은 클러스터 대기 시간을 피했다고 전했는데, 이는 엔비디아 블로그가 소개한 내용이며 독립적으로 검증된 결과는 아니다. 과학 계산용 개발 도구인 HPC SDK 설치 안내서(playbook)는 아직 나오지 않았고 곧 공개될 예정이다.

지금 해 볼 것

  • 자주 쓰는 AI 모델의 매개변수 수와 필요한 메모리를 비교해 보고, 양자화(저정밀도 표현)를 쓰면 내 장비에서 얼마나 줄어드는지 확인한다.
  • 연구나 개발 중인 작업에서 대기열에 오래 걸리는 단계를 적어 보고, 그중 작은 규모로 로컬에서 먼저 시험할 수 있는 부분을 가려낸다.
전체 기사 읽기
로봇

물건 찾는 로봇, 현실 성공률 0.455

연구진이 방 종류를 단서로 물건을 찾아가는 로봇 길찾기 방식을 실제 로봇 두 종류에 적용해 시험했다. 보스턴 다이내믹스의 스팟(Spot)으로 한 66번의 시험에서 성공률은 0.455로, 시뮬레이션 결과보다 낮았다.

지금까지

로봇이 낯선 공간에서 지정한 물건을 찾아가는 '물체 목표 내비게이션'은 주로 시뮬레이션에서 평가돼 왔다. 시뮬레이션은 큰 규모로 같은 환경을 반복해 시험할 수 있다는 장점이 있다. 반면 실제 환경에 적용한 연구는 되는지 보여 주는 시연에 그치는 경우가 많았다고 연구진은 지적했다.

AI 시대에는

연구진은 '방 확률 벡터(Room Probability Vectors, RPV)'로 판단하는 길찾기 방식 'Room-Mediated Co-occurrence'를 실제 로봇 두 종류, 스팟과 터틀봇 4(TurtleBot 4)에 넣어 움직여 봤다고 밝혔다. 길찾기 프로그램은 로봇 기종과 관계없이 쓸 수 있게 만든 연결 프로그램을 거쳐 로봇용 기본 소프트웨어 ROS 2에 이어졌다. 연구진은 시뮬레이션에서 하드웨어로 옮길 때 센서, 위치 추정, 동작 명령 부분을 고쳐야 했다고 설명했다. 스팟으로 대학원 연구 시설에서 11가지 물건을 두 출발 지점에서 찾게 한 66번의 시험에서 성공률은 0.455였고, 시뮬레이션 성공률 0.539보다 8.4%포인트 낮았다. 연구진은 감지되지 않은 유리벽, 출입 금지 구역 진입, 쓸 만한 깊이 센서 범위의 한계, 물건 크기, 방 이름 목록과 실제 구조의 불일치를 차이의 원인 후보로 꼽았다. 이 글은 동료 심사를 거치기 전에 공개된 사전 공개 논문의 초록이며, 위 원인은 확정된 결론이 아니라 연구진의 분석이다.

지금 해 볼 것

  • 논문에 안내된 공개 코드 저장소(GitHub)에 들어가 로봇과 ROS 2를 잇는 구성이 어떻게 짜여 있는지 훑어본다.
  • ROS 2 입문 튜토리얼을 따라 시뮬레이터에서 로봇을 움직여 보고, 시뮬레이션과 현실이 어디서 달라질지 적어 본다.
전체 기사 읽기

오늘 소식을 다 넘겼습니다

새 소식은 아침 6시 조간, 저녁 5시 석간으로 올라옵니다.

첫 화면으로