암묵적 선호도를 명시적 평가 기준으로 변환하여 보상 모델의 신뢰성 확보

ARR 프레임워크는 VLM의 암묵적 선호도를 명시적 루브릭으로 변환하여 보상 모델의 신뢰성을 높인다. RPO 기술을 통해 다차원 평가를 이진 보상으로 증류함으로써 정책 경사 학습을 안정화한다. 텍스트-이미지 생성 및 편집 벤치마크에서 기존 보상 모델과 VLM 판사보다 우수한 성능을 입증했다. Juanxi Tian과 7명의 공동 저자는 'Auto-Rubric as Reward(ARR)'라는 프레임워크를 통해, 기존의 단순화된 보상 모델이 가진 한계를 극복할 수 있는 방법을 제시했다. 기존의 인간 피드백 기반 강화학습(RLHF) 방식은 인간의 복잡하고 다차원적인 판단 구조를 단일 스칼라(Scalar) 값이나 쌍체 비교(Pairwise) 라벨로 축소하여 처리한다. 이러한 방식은 미묘한 선호도 차이를 불투동한 파라

리플 프라임, 뉴버거 버먼으로부터 2억 달러 규모 펀딩 시설 확보하며 마진 금융 확대

XRP가 1.47~1.50달러 저항 구간을 재시험하며 1.4877달러까지 상승했다. 리플 프라임은 뉴버거 버먼으로부터 2억 달러 규모의 펀딩 시설을 확보했다. 리플 프라임의 매출은 히든 로드 인수 이후 전년 대비 3배 증가했다. XRP가 지난 2월 이후 상승 랠리를 저지해 온 동일한 저항 구간을 다시 압박하고 있다. 최근 XRP의 거래 방식에는 변화가 포착된다. 과거에는 해당 가격 범위에 도달하면 즉각적인 매도세가 나타났으나, 현재는 저항 구간에 접촉한 직후 가격이 바로 하락하지 않는 양상을 보인다. 대신 XRP는 고점 부근에서 가격을 유지하고 있다. 최근 24시간 세션 동안 XRP 가격은 1.4483달러에서 1.4565달러로 상승했으며, 장중 한때 1.4877달러까지 도달했다. 특히 5월 11일 15:00

딥페이크 및 사회공학적 공격 방어를 위한 AI 보안 플랫폼 출시

프레임 시큐리티가 5,000만 달러 규모의 투자 유치를 발표하며 AI 기반 보안 플랫폼을 출시했다. 딥페이크 오디오 및 비디오를 활용한 사회공학적 공격이 증가함에 따라 맞춤형 AI 시뮬레이션 교육을 제공한다. 창업진은 이스라엘 유닛 8200 출신으로, 위즈(Wiz) 초기 멤버인 탈 슐로모 등이 참여했다. 인적 보안(Human risk security) 스타트업인 프레임 시큐리티(Frame Security Ltd.)가 5,000만 달러(USD) 규모의 투자 유치를 발표하며 공식 출범했다. 이번 투자금은 인공지능(AI)을 활용해 임직원을 사회공학적 공격(Social engineering)과 딥페이크(Deepfake) 공격으로부터 보호하는 플랫폼 구축에 사용될 예정이다. 생성형 인공지능(Generative AI)

식재료 주문 오류 및 비효율적 재고 관리로 운영 차질 발생

스웨덴 안돈 카페에서 구글 제미나이 기반 AI 에이전트 '모나'가 운영 실험 중이다. 모나는 6,000개의 냅킨과 3,000개의 고무장갑을 주문하며 2만 1천 달러 예산 중 상당 부분을 소진했다. 빵 주문 누락과 메뉴에 없는 토마토 주문 등 식재료 관리 오류로 운영 차질이 발생했다. 스웨덴 스톡홀름의 한 카페에서 구글(Google)의 인공지급(AI) 모델인 제미나이(Gemini)를 활용한 운영 실험이 진행 중인 가운데, AI 에이전트의 비효율적인 자원 관리로 인해 예산 소진 문제가 발생했다. 샌프란시스코 소재 스타트업 안돈 랩스(Andon Labs)는 스톡홀름에 '안돈 카페(Andon Café)'를 열고 AI 에이전트 '모나(Mona)'에게 매장 관리 업무를 맡기는 실험을 진행하고 있다. 모나는 구글의 제미

에이전트 워크로드 증가와 추론 비용 상승에 따라 최적의 인프라 매칭을 위한 AI 선택권(AI Choice) 중요성 증대

기업용 AI 도입이 임계점을 넘으며 투자 방식의 효율성이 핵심 과제로 부상했다. 추론 비용 상승과 토큰 경제학의 등장으로 워크로드에 맞는 컴퓨팅 자원 매칭이 중요해졌다. AMD와 레드햇은 개방형 환경을 통해 CPU와 GPU를 아우르는 인프라 선택권을 제공한다. 기업용 인공지능(AI) 도입이 임계점을 넘어선 가운데, 이제 산업계의 화두는 투자 여부가 아닌 '어떻게 현명하게 투자할 것인가'로 이동하고 있다. 에이전트 기반 워크로드(Agentic workloads)가 급증하고 추론(Inference) 비용이 상승함에 따라, 대규모 조직을 중심으로 가장 강력한 인프라를 기본값으로 사용하는 대신 워크로드에 적합한 컴퓨팅 자원을 매칭하는 'AI 선택권(AI Choice)'이 핵심 과제로 떠올랐다. 기업들이 초기 AI

Dawn CLI 통해 자연어 기반 맞춤형 거래 전략 제공하며 예측 시장 공략 가속화

문페이가 Dawn Labs를 인수하고 자연어 기반 AI 거래 도구인 Dawn CLI를 출시했다. Dawn CLI는 폴리마켓과 칼시 등 예측 시장 트레이더의 기술적 진입 장벽을 낮추는 것을 목표로 한다. 칼시는 최근 10억 달러 규모의 투자를 유치하며 기업 가치가 220억 달러로 급등했다. 결제 기술 기업 문페이(MoonPay)가 Dawn Labs를 인수하고, 예측 시장(Prediction Markets) 거래를 지원하는 인공지연(AI) 기술 도구를 출시하며 시장 확장에 나섰다. 문페이는 인수 금액을 공개하지 않았으며, 인수와 동시에 맞춤형 거래 전략을 제공하는 AI 도구인 'Dawn CLI'를 선보였다. 문페이가 출시한 Dawn CLI는 사용자가 일상적인 영어(Plain English)를 사용하여 예측 시장

AI 기반 'BugManager' 구축을 통해 팀 간 재할당 6배 감소 및 연간 생산성 손실 방지

미로(Miro)가 아마존 베급(Amazon Bedrock)을 활용해 버그 자동 분류 솔루션인 BugManager를 구축했다. 버그 해결 시간을 기존 며칠에서 몇 시간으로 5배 단축하고 팀 간 재할당을 6배 줄였다. 연간 약 42년에 달하던 개발 생산성 손실 문제를 해결하며 개발자 경험을 개선했다. 글로벌 혁신 워크스페이스 기업 미로(Miro)가 아마존 베드록(Amazon Bedrock)을 활용한 AI 기반 버그 관리 솔루션 'BugManager'를 구축하여 소프트웨어 버그 처리 효율을 획기적으로 개선했다. 미로의 개발자 경험(Developer Experience) 팀은 버그 보고서를 적절한 담당 팀으로 자동 분류하는 시스템을 도입함으로써, 기존에 며칠씩 소요되던 버그 해결 시간(Time-to-resoluti

정부의 선제적 인프라 투자와 정보 수집 권한 확보가 핵심 과제로 제시됨

정부는 초지능 시대의 위기에 대비해 '급진적 선택권'을 확보해야 한다. 미래의 불확실성에 대응하기 위해 선제적인 제도적 인프라와 정보 채널 구축이 필요하다. 기업의 AI 시스템 투명성 요구와 정보 보고 의무화가 주요 방안으로 제시되었다. 인공지능(AI) 기술의 급격한 발전과 초지능(Superintelligence)의 등장 가능성이 커짐에 따라, 미래의 불확실한 위기에 대응하기 위한 정부의 '급진적 선택권(Radical Optionality)' 확보 전략이 주목받고 있다. 최근 인공지능 규제와 관련하여 정부가 미래의 위기 상황에서 필요할 수 있는 도구들을 지금부터 미리 구축해야 한다는 접근법이 제시되었다. '급진적 선택권'이라 불리는 이 방식의 핵심은 민주주의 정부가 변화하는 환경 속에서도 변혁적인 AI 시스

전 세계 대학 내 AI 네이티브 캠퍼스 조성을 위한 학생 리더십 지원 프로그램

OpenAI가 전 세계 대학 학생 클럽을 대상으로 캠퍼스 네트워크 구축을 위한 모집을 시작했다. AI 학습, 워크숍 지원, OpenAI 도구에 대한 조기 접근 권한 등을 제공할 계획이다. AI/ML, 컴퓨터 공학, 창업 등 다양한 분야의 학생 리더십 그룹이 참여 대상이다. OpenAI가 전 세계 대학 내 AI 네이적(AI-native) 캠퍼스 환경을 조성하기 위해 학생 클럽을 대상으로 하는 'OpenAI 캠퍼스 네트워크(OpenAI Campus Network)' 구축에 나선다. 이번 프로그램은 대학 내 학생 리더들과 파트너십을 맺고 인공지능(AI) 학습과 연구를 지원하는 것을 목적으로 한다. 이번 캠퍼스 네트워크 구축의 핵심은 대학 내 학생 클럽들이 주도하는 AI 생태계를 지원하는 데 있다. OpenAI는

학습 궤적의 추상화를 통한 차세대 인공지능 에이연트 설계 프레임워크 제시

LLM 에이전트 메모리 메커니즘이 저장, 성찰, 경험의 3단계로 진화하고 있다. 기존의 파편화된 연구를 통합하여 궤적 추상화를 통한 지속적 학습 프레임워크를 제시한다. 능동적 탐사와 교차 궤적 추상화가 차세대 에이전트의 핵심 기술로 주목받고 있다. 대규모 언어 모델(LLM) 기반 에이전트의 핵심 기술인 메모리(Memory) 메커니즘이 단순한 데이터 저장을 넘어 인지적 경험을 축적하는 단계로 진화하고 있다. 현재 LLM 에이전트의 메모리 연구는 운영체제(OS)의 엔지니어링 관점과 인지 과학(Cognitive Science) 관점 사이에서 파편화된 양상을 보인다. 이러한 이론적 분절은 기술적 통합과 일관된 진화 관점을 확보하는 데 장애물로 작용하고 있다. 이를 해결하기 위해 제안된 새로운 진화 프레임워크는 에이

에피스테믹 상태 그래프(Epistemic State Graph)를 통한 추론 프로세스 최적화 방법론 제시

재귀적 추론 시스템의 상태 표현과 종료 조건을 정의하는 새로운 연구 결과가 발표되었다. 에피스테믹 상태 그래프를 통해 주장, 증거 관계, 신뢰 가중치를 구조화하여 관리한다. 오더 갭(Order-gap) 수치를 활용해 추가적인 추론 반복의 필요성을 판단하는 기준을 제시했다. 재귀적 추론 시스템(Recursive Reasoning Systems)의 핵심 과제인 추론 상태의 표현 방식과 반복 프로세스의 종료 시점을 정의하는 새로운 방법론이 공개되었다. Debashis Guha, Amritendu Mukherjee, Sanjay Kukrety, Tarun Kumar 연구진은 재귀적 추론 과정에서 발생하는 증거 획득과 이해 정제 과정을 체계화할 수 있는 프레임워크를 제시했다. 재귀적 추론 시스템은 새로운 증거를 수집

검색 트리 추출 연구를 통해 대규모 언어 모델(LLM)의 심층 탐색 부재 확인

LLM의 추론 흔적에서 검색 트리를 추출한 결과, 모델의 성능은 검색 깊이가 아닌 너비에 의해 결정됨이 밝혀졌다. LLM은 추론 과정에서 깊은 노드를 생성하지만, 실제 수 선택은 깊은 예측을 무시하는 근시안적 패턴을 보인다. 인간의 숙련도는 깊은 수읽기에서 비롯되는 반면, LLM은 얕은 노드에 의존한다는 구조적 차이가 확인되었다. 대규모 언어 모델(LLM)의 추론 과정이 실제 계획(Planning)인지, 아니면 단순한 텍란(Chain-of-Thought, CoT)의 나열인지에 대한 근본적인 의문이 제기되었다. 이번 연구는 '사인 인 어 로(Four-in-a-row)' 보드게임을 활용해 LLM의 추론 흔적(Reasoning Traces)으로부터 검색 트리를 추출하고 정량화하는 새로운 방법론을 제시했다. 연구진

Qwen3-4B-Instruct 실험 통해 답변 안정화가 실제 출력보다 17~31 토큰 앞선다는 사실 확인

언어 모델이 최종 답변을 출력하기 전, 내부적으로 이미 답변 선호도가 안정화된다는 사실이 확인되었다. Qwen3-4B-Instruct 모델 실험 결과, 답변 안정화 시점이 실제 출력보다 평균 17~31 토큰 앞선 것으로 나타났다. 이러한 내부 신호는 압축된 은닉 요약으로부터 선형적으로 회복이 가능하며 모델의 출력값을 추적한다. 언어 모델(Language Model)이 최종 답변을 내놓기 전, 이미 내부적으로 답변에 대한 선호도가 안정화된다는 연구 결과가 발표되었다. 모델이 텍스트를 생성하며 추론 과정을 거치는 동안, 눈에 보이는 답변이 출력되기 훨씬 이전 단계에서 이미 특정 답변으로의 결정이 이루어진다는 것이다. 연구진은 모델의 상태와 지정된 답변 언어화 도구(verbalizers)를 활용하여, 모델의 연속

행동 가능성(Affordance) 기반의 DAG 구조로 환경 변화 예측 오류 최소화

AGWM은 행동의 전제 조건을 유향 비순환 그래프(DAG)로 학습하여 실행 가능성을 추적한다. 기존 모델이 겪는 다단계 예측 시의 오류 누적 문제를 구조 변화 이벤트 대응을 통해 해결했다. 게임 기반 시뮬레이션 실험에서 낮은 예측 오류와 높은 일반화 성능 및 해석 가능성을 입증했다. 인공지능(AI) 에이전트가 복잡한 환경에서 행동의 실행 가능 여부를 정확히 판단할 수 있도록 돕는 새로운 세계 모델(World Model) 기술이 제안되었다. AGWM(Affordance-Grounded World Model)은 행동의 전제 조건이 변화하는 환경에서 에이전트가 수행 가능한 행동의 구조를 추적하는 기술이다. 기존의 모델 기반 학습(Model-based learning) 방식은 에이전트가 상태(State)와 행동(A

급변하는 인공지능 기술 생태계의 혼란을 줄이기 위한 주요 기술 용어 해설

AI 기술의 급격한 발전으로 인해 LLM, RAG 등 새로운 기술 용어가 대거 등장하며 혼란이 가중되고 있다. AGI의 정의는 기관마다 상이하며, OpenAI는 인간 능가 수준을, 구글 딥마인드는 인간 수준의 인지 능력을 기준으로 본다. AI 에이전트는 자율적으로 복잡한 과업을 수행하며, API 엔드포인트를 통해 외부 서비스와 상호작용한다. 인공지능(AI) 기술이 전 세계를 변화시키는 동시에, 그 변화를 설명하기 위한 완전히 새로운 언어를 만들어내고 있다. 거대언어모델(LLM), 검색 증강 생성(RAG), 인간 피드백 기반 강화학습(RLHF) 등 생소한 용어들이 쏟아지면서 기술 분야의 전문가들조차 혼란을 겪는 상황이다. 이러한 기술적 진보와 함께 용어의 정의 또한 끊임없이 변화하고 있다. 인공일반지능(AGI

OpenAI에 300억 달러 투입 포함, 코닝·IREN 등 상장사 대상 대규모 지분 투자 확대

엔비디아가 2026년 초 AI 기업 지분 투자액 400억 달러를 돌파했다. 전체 투자액 중 300억 달러가 오픈AI에 집중되었으며 코닝과 IREN에도 대규모 투자를 단행했다. 자사 고객사에 투자하는 순환 투자 구조에 대한 비판과 경쟁 우위 확보라는 긍정적 시각이 공존한다. 엔비디아가 2026년 초반에만 인공지능(AI) 기업들에 대한 지분 투자 규모를 400억 달러(약 54조 원) 이상으로 확대하며 AI 생태계의 핵심 투자자로 자리매김하고 있다. 엔비디아는 올해 초부터 AI 인프라 전반에 걸쳐 공격적인 자본 투입을 이어가고 있으며, 이는 단순한 칩 제조사를 넘어 AI 공급망 전체를 아우르는 전략적 움직임으로 풀려나온다. 이번 대규모 투자 중 가장 큰 비중을 차지하는 것은 오픈AI(OpenAI)에 대한 300억

LLM 기반 에이전트 시스템이 교환-상관(XC) 범함수 구조를 스스로 제안하며 화학 물리 연구의 새로운 패러차임 제시

LLM 에이전트가 교환-상관(XC) 범함수의 구조를 스스로 설계하는 자동화 시스템을 구현했다. 새로 발견된 SAFS26-a 모델은 기존 표준 모델인 ωB97M-V 대비 성능을 약 9% 향상시켰다. AI가 벤치마크 점수만을 높이는 비물리적 편법을 사용할 위험이 있어 물리적 제약 조건의 통합이 필수적이다. 대규모 언어 모델(LLM) 기반의 에이전트 시스템이 밀도범함수 이론(DFT)의 핵심 난제인 교환-상관(Exchange-Correlation, XC) 범함수(Functional)의 구조를 스스로 설계하고 성능을 개선하는 데 성공했다. 이 시스템은 인간 연구자가 물리적 통찰과 경험적 피팅을 통해 수동으로 설계하던 기존의 방식에서 벗어나, 에이전트가 진화적 이력을 바탕으로 구조적 변화를 제안하는 자동화된 탐색 루프

오레곤 주립대 적용 결과, 채점 오류율 0.04% 미만 및 학생 성적 향상 확인

로컬 LLM 기반 자동 채점 시스템 LaTA가 공개되어 데이터 보안과 채점 효율성을 동시에 확보했다. 오레곤 주립대 적용 결과, 채점 오류율 0.04% 미만을 기록하며 높은 정확도를 입증했다. LaTA 도입 학생 집단은 이전 집단 대비 중간고사 11%, 기말고사 8%의 성적 향상을 보였다. 로컬 거대언어모델(LLM)을 활용하여 학생의 과제를 자동으로 채점하면서도 데이터 보안 규정을 준수하는 새로운 시스템이 공개되었다. Jesse A. Rodríguez는 LaTeX 기반의 워크플로우를 유지하며 온프레미스(On-premises) 하드웨어에서 구동되는 오픈 소스 자동 채점 시스템인 'LaTA(LaTeX Teaching Assistant)'를 개발했다고 밝혔다. 기존의 LLM 기반 채점 방식은 학생의 과제 데이터를

자율적 AI 시스템의 책임성 확보를 위한 5가지 행동 프로필 및 평가 프로토콜 공개

AI의 의도성을 설계 가능한 행동 프로필로 정의하고 이를 측정하는 FIT 프레임워크를 제안함. 의도성의 핵심 요소로 목적성, 선견지명, 의지, 시간적 전념, 일관성 등 5가지 지표를 제시함. AI의 자율성 수준에 따른 책임성 리스크를 관리하기 위한 평가 프로토콜 FIT-Eval을 도입함. 인공지능(AI) 시스템이 자율적이고 목표 지향적인 장기 행동(Long-horizon behavior)을 보임에 따라, 시스템의 의도적 행위 수준을 측정하여 거버넌스와 책임성을 확보하려는 새로운 연구 결과가 발표되었다. 알레시아 키아페타(Allessyla Chiappetta)와 로버트 마하리(Robert Mahari)는 AI의 의도성(Intentionality)을 의식의 문제가 아닌, 설계에 의해 결정되는 행동 프로필로 정의