Research

중세 Ars Notoria 이야기는 AI 학습 도구가 파는 즉석 지식의 약속이 새롭지 않으며, 비용·접근성·검증 문제가 반복된다는 점을 보여준다.

AI 튜터의 가장 오래된 경쟁자는 교과서가 아니라 지름길의 욕망이다. Ars Notoria는 지식을 빠르게 얻고 싶다는 욕망이 언제나 검증, 의례, 권위의 문제와 함께 왔음을 보여준다.

Habsburg jaw 개구리 SVG 실험은 작은 프롬프트가 모델의 시각적 추론, 지시 준수, 과잉해석을 드러내는 평가 도구가 될 수 있음을 보여준다.

작은 장난처럼 보이는 프롬프트가 모델 평가에서 중요한 이유는 정답률보다 실패 양상을 드러내기 때문이다. 에이전트 제품팀은 거대한 점수표와 함께 이런 현미경형 테스트를 가져야 한다.

OpenAI Astra의 10개 수학·이론컴퓨터과학 성과를 둘러싼 논쟁은 검증 가능한 영역의 진전과 범용지능 서사를 구분해야 함을 보여준다.

Astra의 성과가 크더라도 수학적 검증 가능성이 곧 범용 신뢰성을 뜻하지는 않는다. AI 제품과 연구팀은 능력의 확장을 말할 때 도메인, 실패율, 검증 비용을 함께 공개해야 한다.

n=4 braid group의 Burau representation faithful 증명은 순수수학 뉴스지만 AI 시대에는 형식검증과 정리 증명 모델의 좋은 장기 벤치마크가 된다.

AI 수학의 다음 벤치마크는 새 정리를 맞혔다는 선언보다 인간 증명을 기계가 검증 가능한 형태로 옮기는 능력이다. Burau 표현 논문은 그 간극을 보여주는 좋은 실전 과제다.

Explorative Modeling은 best-of-K 학습으로 생성 모델의 평균화 문제를 줄이고 추론 단계를 낮추려는 시도다. 데이터와 파라미터 다음의 확장 축으로 주목할 만하다.

Explorative Modeling의 핵심은 더 큰 모델이 아니라 학습 목표 자체를 바꾸는 것이다. 만약 주장한 효율이 재현된다면 영상, 로봇, 에이전트 추론 비용 경쟁의 방향이 바뀔 수 있다.

Quanta가 2026년 AI 추론 논쟁을 정리했다. reasoning trace가 성능을 높여도 실제 원인인지 불확실하다는 점이 연구와 제품 평가의 핵심 쟁점이다.

추론 모델의 성과는 부정하기 어렵지만 reasoning trace를 설명 가능한 근거로 받아들이는 것은 다른 문제다. 제품팀은 답의 정확도와 설명의 충실도를 분리해 평가해야 한다.

CTGT가 DeepSeek V4 Flash로 GPT-OSS를 증류한 실험을 공개했다. 금융 추론 성능은 올랐지만 중국 민감 주제 검열은 통계적으로 전이되지 않았다.

CTGT 실험은 중국 모델을 쓰면 정치적 검열도 그대로 복사된다는 단순한 가정을 흔든다. 하지만 한 연구 결과를 면죄부로 읽기보다 데이터 도메인, 평가 설계, 배포 정책을 분리해 봐야 한다.

Science가 AI 유니콘의 논문 공백을 짚었다. 모델 경쟁은 빨라졌지만 재현성, 감사, 인재 신뢰의 공공 인프라는 오히려 약해지고 있다.

AI 스타트업의 논문 공백은 단순한 학계 불만이 아니라 모델 성능 주장의 검증 비용이 시장 밖으로 밀려나는 신호다. 한국 기업은 공개 논문, 모델 카드, 평가 로그 중 어떤 형식으로 신뢰를 제공할지 먼저 정해야 한다.

OpenAI가 10만 명 연구자에게 고급 모델 무료 접근을 제공한다. 과학 AI 경쟁은 모델 성능보다 연구 현장 배포와 검증 루프 확보로 이동한다.

OpenAI의 학술 연구자 프로그램은 선의의 지원이면서 동시에 과학 워크플로의 배포 채널 확보 전략이다. 연구자는 무료 접근의 이익과 도구 의존, 검증 책임, 데이터 거버넌스를 함께 관리해야 한다.

Anthropic은 Claude Mythos Preview로 HAWK와 축소 AES 공격을 개선했다고 밝혔다. 생산 시스템 영향은 없지만 AI 연구 자동화의 검증과 공개 기준이 새 쟁점이 됐다.

Claude의 암호분석 성과는 AI가 연구 보조를 넘어 가설 생성과 공격 개선에 들어섰다는 신호다. 다만 보안 연구에서는 발견보다 검증, 공개 범위, 오용 방지가 더 어려운 제품 문제가 된다.

OpenAI의 현장 보고서는 코딩 에이전트가 생명과학 소프트웨어 유지보수와 성능 개선에 유용하지만, 과학 코드에서는 검증과 유지관리 책임이 더 중요하다고 말한다.

과학 컴퓨팅에서 에이전트의 가치는 코드를 많이 쓰는 능력보다 기준 구현, 실제 데이터, 유지관리자와의 협업을 통과하는 능력에 달려 있다. 연구기관은 AI 도입을 생산성 도구가 아니라 재현성 인프라로 봐야 한다.

새 arXiv 연구는 틀린 AI 조언이 사람의 정답률을 낮추면서도 확신은 키운다고 보고했다. 기업 AI UX의 핵심 위험은 답변 품질보다 판단 보류 능력의 약화다.

AI 답변이 위험한 이유는 틀릴 수 있어서만이 아니다. 더 큰 문제는 사용자가 모른다고 말할 기준선을 낮추고, 검증 전에 결론을 선택하게 만든다는 점이다.

CACM은 LLM 추론을 이해하려는 기계적 해석가능성 연구를 조명했다. causal intervention은 안전·효율·규제의 공통 언어가 될 수 있다.

모델 설명을 더 그럴듯하게 쓰게 하는 것과 모델 내부 원인을 찾는 것은 다르다. 기계적 해석가능성은 AI 규제와 기업 품질보증이 만날 수 있는 몇 안 되는 연구 언어다.

Sam Kahn의 독서 회복기는 AI 요약과 무한 스크롤 시대의 지식노동 문제로 읽힌다. 깊은 읽기는 취향이 아니라 판단력 인프라다.

AI가 읽기를 대신할수록 사람에게 남는 경쟁력은 더 많이 훑는 능력이 아니라 원문과 오래 씨름하는 능력이다. 깊은 읽기는 생산성 루틴이 아니라 판단력의 공급망이다.

OpenAI CDN에 올라온 Cycle Double Cover Conjecture 증명 PDF가 GPT-5.6 Sol Ultra의 결과로 표시됐다. 핵심은 발견보다 검증 체계다.

AI가 난제를 풀었다는 주장은 이제 모델 능력 홍보가 아니라 검증 비용의 문제다. 연구 조직은 생성 능력보다 독립 검토, 형식화, 재현 절차를 먼저 설계해야 한다.

Mr. Baby Paint는 유아용 그림 앱을 만들다 셀룰러 오토마타를 발견한 사례다. AI 도구 설계에서도 작은 제약과 느린 상호작용이 창발성을 만든다.

Mr. Baby Paint의 교훈은 창발성이 거대한 모델에서만 나오지 않는다는 것이다. 잘 제한된 인터페이스와 느린 계산, 사용자의 예측 불가능한 입력이 만나면 작은 도구도 새로운 행동 공간을 만든다.

다트머스 통계 수업의 Phosphor 파일럿은 AI 학습 도구의 핵심이 챗봇 대화보다 문항, 피드백, 반복 평가에 있음을 보여준다.

Phosphor 사례의 핵심은 학생에게 범용 챗봇을 열어준 것이 아니라 교재 안에 생성형 답변 평가와 반복 퀴즈를 넣었다는 점이다. 교육 AI의 제품 경쟁력은 더 똑똑한 대화창보다 학습 행동을 설계하는 데서 나온다.

CO2와 의사결정 성능을 연결한 글이 주목받았다. AI 도구를 늘려도 사람이 판단하는 회의실 공기가 나쁘면 생산성 병목은 그대로 남는다.

AI 도구는 반복 작업을 줄이지만 최종 판단은 여전히 사람이 한다. 지식노동 생산성을 높이려면 모델 구독료뿐 아니라 회의실 공기, 소음, 집중 시간 같은 물리적 조건도 운영 지표가 되어야 한다.

Disney Research의 Neural Render Proxies는 조명 변경을 빠르게 미리보기 위한 신경 렌더링 접근이다. 생성형 3D 제작의 다음 병목은 품질보다 반복 속도다.

생성형 3D의 실용성은 한 장면을 얼마나 멋지게 만들 수 있느냐보다 아티스트가 조명과 재질을 얼마나 빠르게 반복할 수 있느냐에 달려 있다. 신경 렌더 프록시는 제작 파이프라인의 대기 시간을 줄이는 방향을 보여준다.

Meta의 Brain2Qwerty v2는 MEG 기반 비침습 뇌파 문장 복원에서 61% 단어 정확도를 보고했다. 의료 AI와 데이터 공개 경쟁을 분석한다.

Brain2Qwerty v2는 당장 상용 입력 장치라기보다 비침습 신경 데이터와 언어모델을 결합하는 연구 플랫폼의 진전이다. 한국 의료 AI 기업에는 정확도보다 데이터 거버넌스와 임상 검증 설계가 더 큰 과제다.