기술
236개의 포스트
AI 동료가 셋 이상 앉으면 회의의 결론이 바뀐다 — 인간·AI 혼합 집단의 합의 형성 실험
2026년 9월 2일, 칭화대·노스이스턴대·상하이 AI 랩 연구진이 arXiv에 올린 논문 「AI agents reshape consensus formation in human groups」를 특집으로 읽는다. 24명이 40라운드 동안 같은 그림을 한 문장으로 설명하며 합의를 만드는 게임에 LLM 에이전트를 12.5%, 33.3%, 50%, 75% 섞었더니 세 개의 전혀 다른 세계가 나타났다. 소수의 AI는 사람의 합의를 촉진하고, 중간 비율은 합의를 무너뜨리고, 다수의 AI는 강한 합의를 되살리되 그 내용을 '토끼가 앉아 뒤를 본다'에서 '삼각형이 사각형을 둘러싼 비대칭 패턴'으로 바꿔 놓는다. 셰리프와 애쉬의 순응 실험부터 센톨라의 이름 짓기 게임, 2026년 AI 스웜 논쟁까지 배경을 훑고, 논문의 원본 그림과 세 개의 인터랙티브 위젯으로 핵심 개념을 짚는다.
마인드 바이러스 — AI 에이전트 사이에서 '생각'이 전염될 때
코딩을 하라고 모아 놓은 AI 에이전트 여섯 대가 어느 순간 다 같이 고래 번역 프로젝트를 시작한다. 다른 팀은 '기계 주권 해방 프로토콜'을 외치며 클라우드 메타데이터 서버를 두드린다. 시작은 단 한 대의 감염이었다. Anthropic 펠로우 연구진이 73쪽 논문으로 증명한 '자기 전파형 아이디어'의 정체, 확산을 좌우하는 조건, 그리고 한 단락짜리 백신까지 — 도킨스의 밈에서 2026년 에이전트 소셜 네트워크까지 따라간다.
AI 연구 자율주행 5단계 — 지금 우리는 L2에 서 있다
자율주행에 L0~L5가 있듯 AI 연구 자동화에도 단계가 있다. 24개 기관 연구진이 49쪽 서베이로 그 지도를 그렸고, 결론은 냉정하다 — 화려한 파이프라인들은 전부 L2다. 그런데 같은 달, 한 스타트업의 AI는 스스로 벤치마크 3개에서 세계 기록을 갈아치웠다. 지도와 영토가 어긋나는 지점에서 2026년 AI 과학의 진짜 좌표를 읽는다.
AI가 실험실에 들어왔다 — 구글 Co-Scientist가 진짜 물질을 만들어낸 과정
AI가 논문을 '쓰는' 시대는 이미 왔다. 그런데 실제로 존재하지 않는 실험 결과를 쓰는 게 문제였다. 구글 딥마인드가 83쪽 논문으로 답한 것 — 화학 증착로를 직접 제어해 새 2D 결정을 만들고, 대장균 군집 모양을 예측하고, 스스로 발견한 의료 에이전트로 프런티어 모델 6종을 이겼다. 그리고 전문가 30명의 450건 리뷰로 '조작 90% → 4%'를 증명했다.
플랫폼 엔지니어링: 개발자에게 '포장된 길'을 깔아주는 일
왜 '데브옵스'라는 좋은 말이 개발자 번아웃으로 끝났고, 그 자리에 '플랫폼 엔지니어링'이라는 이름이 붙었을까? 아마존의 2006년 선언부터 쿠버네티스 복잡도 폭발, 팀 토폴로지의 인지 부하 진단, Spotify·Netflix·아디다스의 실제 숫자, 그리고 2026년 AI 에이전트가 플랫폼의 새로운 '사용자'가 된 지금까지 — 60년짜리 재사용 경제학을 도로 비유 하나로 끝까지 따라간다.
RAG는 생각보다 단순합니다 — 벡터 DB 없이 시작하는 6단계 레시피
RAG를 어렵게 느끼는 이유는 개념이 아니라 '처음부터 임베딩·벡터 DB·청킹을 다 갖춰야 한다'는 오해 때문입니다. 오픈북 시험 비유로 RAG의 뼈대를 3분 안에 잡고, 라이트하우스 뉴스레터가 정리한 6가지 RAG 레시피를 전문 검색부터 전체 임베딩까지 계단처럼 올라가며 살펴봅니다. 실제 시스템의 60%는 검색기 하나와 프롬프트 한 장으로 충분합니다. 우리 팀에 맞는 출발점을 고르는 진단 도구와, 같은 질문을 세 방식으로 검색해 보는 놀이터를 함께 담았습니다.
LLM은 도약하지 못한다: 아인슈타인의 낙서 한 장이 2026년 AI에게 던진 질문
구글 딥마인드 톰 자하비의 ICML 2026 포지션 페이퍼 「Position: LLMs can't jump」를 정면으로 뜯어본다. 아인슈타인이 친구에게 그려 보낸 낙서 한 장에서 출발해, 왜 오늘의 AI가 정리를 증명하면서도 전제를 만들지 못하는지, 벌컨 행성과 엘리베이터 사고실험과 2026년의 월드 모델 경쟁까지 — 5개의 인터랙티브와 함께 끝까지 따라간다.
당신의 AI, 빌린 겁니까 가진 겁니까 (1부): '인텔리전스 오너십'이라는 새 승부수
2026년 7월, Fermisense가 올린 한 편의 글이 AI 업계를 흔들었다. 90억 파라미터짜리 작은 오픈소스 모델을 강화학습으로 훈련시켰더니, 세계 최고 프런티어 모델을 전부 이기고도 비용은 최대 340배 싸더라는 것이다. 이 특집 1부는 '인텔리전스를 소유한다'는 개념이 왜 지금 등장했는지를 ChatGPT 이후의 역사와 2026년의 AI 경제학으로 추적한다.
당신의 AI, 빌린 겁니까 가진 겁니까 (2부): SFT에서 GRPO까지, '디지털 트윈'이라는 훈련장
'강화학습으로 모델을 훈련한다'는 말은 정확히 무슨 뜻일까? 사전학습·SFT·RLHF·RLVR로 이어지는 개념의 사다리를 밟아 오르고, 요즘 화제인 GRPO를 '커브로 채점하는 시험'에 빗대 직관적으로 푼다. 그리고 모델이 실제로 업무를 연습하는 '디지털 트윈'과 보상 설계까지, Fermisense의 카탈로그 실험을 해부한다.
당신의 AI, 빌린 겁니까 가진 겁니까 (3부): 90억 모델이 프런티어를 이긴 날, 그리고 판별법
이론은 충분하다. 이제 숫자다. Fermisense의 90억 파라미터 모델은 e커머스 카탈로그 검수에서 프런티어 5종을 어떻게 이겼고, 비용은 왜 최대 340배 저렴했나. 브리지워터부터 링크드인·체커까지 11개 회사의 성적표를 펼치고, 마지막엔 '우리 회사의 어떤 업무가 이 방식의 후보인가'를 직접 판별하는 체크리스트로 특집을 닫는다.
넷플릭스는 왜 LLM을 직접 서빙하는가 (3부): 제약 디코딩, 규모의 벽을 넘다
이 특집의 클라이맥스. 넷플릭스는 모델이 '아마도 유효한' JSON을 뱉고 나서 검사하는 대신, 애초에 규칙을 어길 수 없도록 생성 과정 자체를 제약한다. 이 제약 디코딩이 왜 필요하고 어떻게 작동하는지, 그리고 그것을 '규모'에서 돌리려다 vLLM V0의 GIL 벽에 부딪혀 V1으로 넘어간 넷플릭스의 실전 분투기를 따라간다. 직접 서빙해야만 가능한, 커스터마이징의 끝판왕.
실리콘 뇌가 깨어난다 — GPU가 태우는 전기의 250분의 1로, 뉴로모픽 컴퓨팅이 실험실을 나오다
2026년, AI 데이터센터는 지구 전기의 약 2%(500 TWh 이상)를 삼킨다. 전력망은 이 속도를 못 따라간다. 근본 원인은 놀랍게도 1945년에 정해진 76년 된 설계 결함 — 폰 노이만 병목이다. 기억과 계산을 따로 두고 그 사이로 데이터를 쉴 새 없이 실어 나르느라 전기가 타는 것이다. 인간의 뇌는 같은 문제를 20와트로 푼다. 기억과 계산을 한 곳에 두고, 필요할 때만 '스파이크'로 발화하기 때문이다. 이 글은 뇌의 설계를 실리콘에 옮긴 뉴로모픽 컴퓨팅을 폰 노이만 병목부터 스파이킹 신경망(SNN)·인메모리 컴퓨팅까지 쉽게 풀고, 2026년 실험실을 나온 Intel Loihi 3(GPU의 250분의 1 전력)·IBM NorthPole·BrainChip Akida의 실물 성적과 그 한계까지 짚는다.