역사학자 벤저민 브린은 최신 프론티어 AI 모델(GPT-6, Opus 5.5)을 단순 문서 전사를 넘어 실제 미해결 역사 문제 해결에 활용한 초기 성과를 공유했습니다. 암호 해독, 번역·각색 텍스트 추적, 분야 간 연구 결과 연결 등에서 의미 있는 진전이 가능하며, AI 연구소와 역사학계의 적극적인 협력이 필요하다고 주장합니다.
HHMI 재넬리아 연구소와 구글 리서치가 수컷 초파리의 중추신경계 전체(약 16만 6천 개 뉴런)를 매핑한 커넥톰 'MaleCNS v1.0'을 공개했습니다. 온라인 커뮤니티에서는 이 디지털 뇌에 마인크래프트·둠 등 게임, 비트코인 거래 등 다양한 과제를 시키는 실험이 화제가 되고 있으며, 과학계에서는 성별 간 신경 회로 비교 등 신경과학 연구의 중요한 자원으로 주목받고 있습니다.
수학계 최고 영예인 필즈상 수상자 25인이 공동 성명을 통해 AI 산업과 수학의 목표가 '심각하게 어긋나 있다'고 경고했습니다. 그들은 AI로 문제를 대량 해결하는 것이 수학의 진정한 목표인 개념적 이해와 통찰을 훼손한다고 지적하며, 이는 지적 노동 전반에 대한 광범위한 위협의 증상이라고 주장했습니다.
MIT 테크놀로지 리뷰가 550명 후보 중 엄선한 2026년 '35세 이하 혁신가 35인'을 발표했습니다. 수상자들은 바이오테크, AI, 컴퓨팅·로봇, 기후·에너지 분야에서 획기적 성과를 내고 있습니다. 이와 함께 거미줄 환경 DNA(eDNA) 연구, 블랙리스트 중국 기업의 엔비디아 칩 우회 구매, 미스트랄의 35억 달러 유럽 기록 투자 유치, Anthropic의 AI 페르마 정리 증명 등 주요 기술 뉴스를 함께 전합니다.
비영리단체 페르미 익스플로러 미션이 2029년까지 최대 15백만 달러 규모의 우주선을 가장 가까운 항성계 알파 센타우리로 발사할 계획을 발표했습니다. AI 물성연구소 PSI가 개발한 오픈소스 시스템 'Get Physics Done'이 기존 궤도 기동을 독창적으로 조합한 새로운 비행 궤적을 제안했는데, 태양 근접 통과 시점에 엔진을 점화하는 방식입니다. 이는 AI가 실제 우주 과학 연구 문제를 자율적으로 해결한 사례로 주목받습니다.
프린스턴대와 워싱턴대 등 연구진의 이론적 경제학 논문은 LLM이 연구 시간을 절약해주면 오히려 과학자의 시간 가치가 높아져 기존 프로젝트의 깊이 있는 작업을 희생하고 새 프로젝트를 시작하는 쪽으로 몰린다고 주장한다. 모델 분석 결과 세 가지 시나리오 중 두 가지에서 연구의 철저함이 오히려 저하되며, AI가 자발적 심층 작업 단계를 가속할 때만 연구 품질이 개선된다.
최근 AI 연구의 최전선이 대학에서 빅테크 기업으로 넘어가면서, 학계는 첨단 모델 연구에 필요한 막대한 컴퓨팅 자원과 모델 투명성 부족이라는 심각한 현실적 한계에 직면해 있습니다. 이에 따라 많은 AI 교수들은 빅테크가 수익을 위해 다루지 않는 편향성 연구나 기후 변화 대응 등 특수 목적의 비-LLM AI 모델 연구로 방향을 선회하며 새로운 생존 전략을 모색하고 있습니다.
AI 반도체가 발생시키는 과도한 열 문제를 해결하기 위해, 스타트업 Discovered Materials가 AI 에이전트를 활용해 방열 및 효율을 높이는 신소재를 탐색합니다. 이들은 이미 주요 칩메이커 소재와 필적하는 물질을 발견했으며, 이를 GPU 등에 적용한 특허를 확보해 라이선스를 제공할 계획입니다.
두 연구팀이 OpenAI의 GPT-5.6을 활용해 양자 암호학의 동일한 미해결 문제를 독자적으로 풀고 논문을 제출했습니다. 이들은 서로 다른 접근법을 사용했지만 불과 3시간 차이로 성과를 냈으며 현재 논문 통합을 고려 중입니다. 이 사례는 모든 연구자에게 강력한 AI 모델이 보급될 때 독립적 발견의 의미가 무엇인지에 대한 근본적인 질문을 던지고 있습니다.
기존 생성형 AI 모델들이 겪던 '평균화로 인한 흐려짐(Blur)' 문제와 복잡한 다단계 추론의 한계를 극복하는 새로운 접근법, 탐색적 모델링(Explorative Modeling)이 제안되었습니다. 이 방법은 모델의 데이터, 파라미터, 연산 효율성을 최대 6배 이상 획기적으로 향상시키며, 엔드투엔드(End-to-End) 방식으로 단일 추론만으로도 고품질 결과물을 생성해 낼 수 있습니다. 특히 제어 및 조건부 생성 작업에서 최대 256배 적은 연산량으로 기존 디퓨전 모델과 맞먹는 성능을 내는 등 AI 모델 스케일링의 새로운 축으로 주목받습니다.
Anthropic의 미공개 고급 모델인 Claude Mythos가 차세대 암호화 알고리즘인 HAWK과 축소 라운드 AES에 대한 새로운 공격 결과를 도출했습니다. 특히 HAWK에 대한 공격은 기존 수학 도구를 극도로 치밀하게 적용하여 보안 강도를 절반으로 떨어뜨렸으며, 이는 AI가 방대한 데이터를 분석하고 응용하는 데 탁월한 능력을 보유하고 있음을 시사합니다.
최근 AI 로봇 기술의 발전과 큰 기술 기업들이 직면한 환경 및 윤리적 문제 등 '매력적이지 않은(Unsexy)' AI 기술의 현주소를 점검합니다. 동시에 반도체 산업의 독점과 호황, 그리고 AI 모델(LLM)의 내부 구조를 심층 분석하려는 최신 연구 동향까지 종합적으로 다루고 있습니다.
천재 수학자 테렌스 타오 교수가 AI 시대에 수학의 패러다임이 어떻게 변화하는지 다룬 발표 자료(PDF)가 해커뉴스(Hacker News)의 화제입니다. AI가 수학적 발견과 증명 과정을 어떻게 보조하여 연구 방식을 근본적으로 혁신하고 있는지 다루고 있어, 학계 및 IT 업계 종사자들에게 중요한 인사이트를 제공합니다.
최신 분석에 따르면, AI 도구는 개인 연구자의 생산성과 커리어 성장에는 도움이 되지만, 연구 방향을 특정한 인기 주제로 몰리게 만들어 전반적인 과학적 발견의 다양성을 오히려 저해하는 것으로 나타났습니다. 이는 단기적 성과가 아닌 독창적인 연구 생태계의 유지를 위해 AI 활용에 대한 균형 잡힌 접근이 필요함을 시사합니다.
메타(Meta)의 FAIR 연구팀은 뇌파(EEG/MEG)와 같은 비침습적 신호만으로 문장을 텍스트로 변환하는 'Brain2Qwerty v2' 모델을 발표했습니다. 수많은 데이터와 언어 모델(LLM)을 결합해 위험한 수술 없이도 뇌 칩植入(임플란트) 기술의 격차를 크게 좁혔으며, 이는 뇌졸중 등으로 말을 잃은 환자들의 실용적인 의사소통을 돕는 중요한 발전입니다.
앤스로픽이 연구자를 위한 전용 AI 워크벤치인 클로드 사이언스를 베타 버전으로 공개했습니다. 이 도구는 로컬 환경에서 실행되어 민감한 연구 데이터를 보호하면서도, 문헌 분석 및 검증 에이전트 기능, 그리고 엔비디아 BioNeMo 등 다양한 데이터베이스와 도구를 통합하여 연구 효율성을 극대화하는 것이 핵심입니다.
앤스로픽이 데이터베이스와 도구를 하나로 통합한 연구용 AI 작업대인 '클로드 사이언스(Claude Science)'를 베타 버전으로 출시했습니다. 이는 단순한 원천 모델 제공을 넘어, '클로드 코드(Claude Code)'가 소프트웨어 개발 운영 체제 역할을 했던 것처럼 특정 산업의 워크플로우 운영 환경을 장악하려는 전략입니다. 전담 AI 비서가 60개 이상의 데이터베이스와 연동해 연구를 총괄하고 별도의 팩트체커가 결과물을 교차 검증하여 연구자들의 시간을 크게 단축해 준다는 점에서 의미가 있습니다.
DeepSeek AI가 대규모 언어 모델(LLM)의 텍스트 생성 속도를 획기적으로 높이는 '추측 디코딩(Speculative decoding)' 기술인 DSpark에 대한 연구 논문을 공개했습니다. 이 기술은 모델의 출력 품질을 그대로 유지하면서도 연산 효율을 극대화하여, AI 서비스의 응답 지연 문제를 해결하는 데 매우 중요합니다.
모델 학습 파이프라인이 고도로 복잡해짐에 따라, 수동 작업으로는 다수의 전문 팀 간 협업과 인프라 관리를 처리하기 어려워졌습니다. AI 연구소 Aleph Alpha는 이를 해결하기 위해 전체 학습 과정을 코드로 구현하는 '모델 팩토리(Model Factory)' 시스템인 Savanna를 구축했습니다. 이를 통해 학습 과정 전체를 클릭 한 번으로 실행하고, 인적 오류와 반복 작업을 줄여 모델 학습을 하나의 협업 소프트웨어 프로젝트처럼 효율적으로 관리할 수 있게 되었습니다.
초기의 단순했던 LLM 구조가 다양한 어텐션 변형과 MoE 등의 도입으로 인해 추천 시스템만큼 복잡해졌습니다. 성능 최적화가 필수적인 요구사항으로 자리 잡으면서 연구 개발의 유연성이 크게 떨어지는 문제가 발생하고 있습니다. 이를 해결하기 위해 초기부터 모듈의 조합과 검증이 용이한 구조 설계(FlexAttention 등)가 필수적입니다.
해커뉴스(Hacker News)에 생물학적 원리에서 영감을 받은 '신경 세포 자동화(NCA)'를 활용해 저해상도의 한계를 극복하고 실시간으로 고해상도 결과물을 생성하는 연구가 공개되었습니다. 이 모델은 저해상도 격자에서 작동하는 NCA와 가벼운 암시적 디코더(LPPN)를 결합하여, 기존의 심각한 메모리 및 연산량 문제를 해결하면서도 자체 조직화 능력을 완벽하게 유지합니다. 이를 통해 2D/3D 그래픽 및 메시(Mesh) 환경에서 효율적이고 고품질의 텍스처 및 형태 생성이 가능해진 점이 핵심입니다.
마이크로소프트와 여러 대학의 연구진이 발표한 새로운 비디오 세계 모델 '미라지(Mirage)'는 내부 잠재 공간(latent space)에 공간 기억을 저장하여 카메라가 길게 이동해도 장면의 구조가 일관되게 유지되도록 합니다. 기존 복잡한 3D 포인트 클라우드 방식을 건너뛰어 경쟁 모델 대비 최대 10.5배 빠른 속도와 55배 적은 메모리 사용량이라는 압도적인 효율성을 달성했습니다.
튜링상 수상자 리처드 서튼은 일반적인 생성 AI가 자체적인 '평가' 능력이 부재하여 진정한 과학적 발견을 이뤄낼 수 없다고 주장합니다. 모방이나 무작위 생성에 그치는 순수 생성 모델과 달리, 알파고나 알파폴드, 코딩 에이전트 등은 명확한 피드백과 평가 루프를 갖추고 있어 진정한 창의성과 발견이 가능하다고 설명했습니다.
새로운 어텐션 기법인 Parallax는 기존 국소 선형 어텐션(LLA)의 쿼리별 풀이법(query solver)을 학습된 프로젝터(projector)로 대체하여 연산 밀도를 두 배로 높였습니다. 이를 통해 0.6B 및 1.7B 크기의 언어 모델에서 펄플렉시티(perplexity) 성능이 향상되었습니다. 이 연구는 효율적인 어텐션 메커니즘의 성능을 개선하여 대규모 언어 모델의 추론 및 학습 효율성을 높인다는 점에서 중요합니다.
LLM 평가자는 개별 출력을 평가하는 데는 노이즈가 많아 신뢰하기 어렵지만, 충분한 샘플을 바탕으로 여러 에이전트의 평균 성능을 비교할 때는 노이즈가 상쇄되어 신뢰할 수 있는 결과를 제공합니다. 따라서 평가자가 완벽하지 않더라도 오프라인 환경에서 최적의 프롬프트나 모델을 선택하고 에이전트를 지속적으로 개선하는 데 매우 유용하게 활용될 수 있습니다.
NUS, MIT, A*STAR 연구진이 기존 대규모 언어 모델(LLM)의 파라미터 변경 없이 새로운 지식을 학습할 수 있는 모듈형 프레임워크인 'MEMO'를 제안했습니다. 이 프레임워크는 말뭉치 지식을 별도의 학습 가능한 메모리 모델(MEMORY model)에 인코딩하여 LLM의 성능을 유연하게 확장할 수 있게 해줍니다. 이는 모델 재학습에 따른 막대한 비용과 시간을 절감할 수 있는 실용적인 대안으로, AI 실무자들에게 매우 중요한 연구 성과입니다.
앤스로픽의 엔지니어들은 최신 AI 모델인 클로드 미토스(Claude Mythos)가 조합 기하학의 오래된 난제인 '에르되시 단위 거리 추측'을 매우 간결한 방식으로 해결했다고 밝혔습니다. 구글 딥마인드와 오픈AI에 이어 앤스로픽까지 수학 난제 해결에 성공하며, AI 기반 수학적 발견의 속도가 빠르게 가속화되고 있음을 보여줍니다.
앨런 AI 연구소와 UC 버클리 연구진이 개발한 'EMO' 모델은 문서 경계를 활용해 전문가(Expert)들이 특정 도메인(의료, 정치 등)을 전문적으로 학습하도록 유도합니다. 실험 결과, 전체 전문가 모듈의 12.5%만 남기고 제거해도 성능 하락이 약 3% 포인트에 그쳐 기존 MoE 모델들의 한계를 뛰어넘는 효율성을 입증했습니다. 이를 통해 스토리지 절약 및 특정 작업에 맞춘 모델의 유연한 배포가 가능해져 산업계에 큰 의미를 갖습니다.
유명 수학자가 ChatGPT 5.5 Pro를 테스트한 결과, 아무런 수학적 도움 없이도 단 한 시간 만에 박사 후 과정(Postdoc) 수준의 연구 결과를 도출해냈습니다. 이는 단순히 기존 문헌을 검색하는 것을 넘어, 인간이 놓친 수학적 증명이나 공개되어 있던 난제들을 스스로 풀어내는 LLM의 진화된 문제 해결 능력을 보여줍니다. AI의 수학적 추론 능력이 상향 평준화됨에 따라, 앞으로 수학계는 AI가 풀 수 없을 만큼 진정으로 난이도가 높은 문제를 내는 것을 '새로운 기준'으로 삼아야 할 패러다임 전환에 직면했습니다.
디퓨전 모델의 샘플링 속도를 획기적으로 높이기 위해 중간의 반복적인 단계를 건너뛰고 적분값을 직접 예측하는 '플로우 맵(Flow Map)' 기술을 소개하는 글입니다. 플로우 맵은 단순히 샘플링 속도만 개선하는 것을 넘어 보상 기반 학습의 효율성과 샘플링 제어 능력을 향상시키는 등 다양한 장점을 제공합니다. 최근 AI 연구 분야에서 매우 주목받고 있으며, 기존 디퓨전 모델의 한계를 극복할 대안으로 떠오르고 있습니다.