AI News

AI 기술의 발전은 정말 많은 분야에서 변화를 가져왔는데요, 이제는 로봇이나 약물 개발 뿐만 아니라 일상 생활 속에서도 우리가 AI를 마주할 일이 많아졌습니다. 하지만 AI가 어떤 메커니즘을 통해 기능하는지 자세히 알기 어렵다는 점 때문에, 이를 무작정 사용할 경우 예기치 않은 문제가 발생할 수도 있습니다. 이를 해결하기 위한 가장 최근의 연구 중 하나가 바로 구글 딥마인드의 Gemma Scope입니다. Gemma Scope는 AI 내부의 작동 원리를 이해하려는 시도를 하는데요, '메카니즘 해석 가능성(mechanistic interpretability)'이라는 분야의 연구 방법을 사용하고 있습니다. 이 방식은 AI의 내부 알고리즘을 역공학적으로 분석하여, 주어진 입력이 어떤 과정을 거쳐 최종 출력까지 도달하는지를 이해하는 것입니다. 즉, AI의 '마음'을 들여다본다고 할 수 있겠습니다. Gemma Scope는 '희소 오토인코더(sparse autoencoder)'라는 기법을 사용해 AI 모델의 각 계층을 분석합니다. 쉽게 말해 희소 오토인코더는 데이터의 효율적이고 일반화된 표현을 찾아내는 일종의 현미경이라고 할 수 있습니다. 모델이 특정 주제에 관한 질문(예: 치와와)에 응답할 때, '개'와 관련된 특징이 활성화되는 식으로, 모델의 각 계층을 확대하여 살펴볼 수 있습니다. 관련 연구들은 오픈소스로 공개되어 있어, Gemma와 희소 오토인코더는 전 세계의 연구자들이 그 결과를 분석할 수 있도록 설계되었습니다. 이를 통해 AI의 내부 로직에 대한 새로운 통찰을 얻을 수 있기를 기대하고 있습니다. 또한 희소 오토인코더는 비지도 학습 방법론을 사용하여, AI 모델이 인간 개념을 어떻게 분해하고 다시 조합하는지를 독립적으로 학습합니다. 이 과정에서 발견될 수 있는 흥미로운 특징 중 하나는 바로 '어색함(cringe)'이라는 특징인데요, 이 특징은 주로 텍스트나 영화에 대한 부정적 비평에서 발견됩니다. 이처럼 인간적 요소를 추적할 수 있다는 점은 아주 흥미롭습니다.

최근에는 인공지능(AI) 기술이 다양한 분야에서 큰 변화를 일으키고 있는데요. 그중에서도 AI 기반 검색 엔진의 등장은 앞으로의 웹 생태계에 상당한 영향을 미칠 것 같습니다. 대표적으로 뉴스 코퍼레이션이 인기 AI 검색 엔진인 퍼플렉시티 AI를 상대로 제기한 소송 사건이 주목받고 있는데, 이는 AI 기술이 웹 정보 사용 방식에 미치는 영향을 잘 보여주는 사례입니다. AI 검색 엔진은 일반적인 AI 챗봇과는 다소 다른데요. 일반 챗봇은 저장된 정보를 바탕으로 질문에 답변하는 방식입니다. 하지만 AI 검색 엔진은 웹상의 다양한 출처에서 정보를 수집하고 이를 재구성하여 사용자에게 제공한다고 합니다. 예를 들어, 퍼플렉시티, 구글의 제미나이, 오픈AI의 서치GPT 등은 웹사이트, 연구 논문, 위키백과 문서, 유튜브 스크립트 등에서 정보를 가져와 사용자에게 짧고 유용한 요약을 제공하는데요. 이 과정에서 각 출처의 링크를 함께 제시하여 사용자가 원래의 정보를 쉽게 찾을 수 있게 해줍니다. 이러한 방식은 기존의 검색 엔진보다 사용자가 더 쉽게 정보를 얻을 수 있게 해주는데요. 검색 엔진을 통해 웹페이지를 찾아 일일이 클릭하고 읽어보는 대신, 요약된 정보를 바로 확인할 수 있기 때문입니다. 하지만 이를 위해 AI가 어떤 방식으로 출처를 선별하고, 정보를 재구성하는지가 중요해집니다. AI 검색 엔진의 등장은 웹 생태계 전반에 큰 변화를 불러일으킬 가능성이 높습니다. 기존의 검색 엔진은 사용자들이 정보를 직접 찾도록 도와주는 역할을 했는데, AI 검색 엔진은 사용자를 위한 정보를 직접 제공하기 때문에 웹사이트의 방문 수가 줄어들 수 있다는 우려가 생깁니다. 그래서 웹사이트 운영자들은 콘텐츠가 AI에 의해 요약되고 노출되면서 정작 자신들의 플랫폼 방문자는 감소하지 않을지 걱정하고 있습니다. 더 나아가, 뉴스 코퍼레이션과 같은 미디어 회사들은 자신들의 콘텐츠가 AI에 의해 무분별하게 사용될 가능성을 우려하여 소송을 제기하고 있는 상황입니다. 이는 AI가 제공하는 정보의 질과 신뢰성에 대한 문제도 상기시키는데요. AI가 결론을 도출하는 과정에서 원본 콘텐츠의 맥락을 잃을 수 있기 때문입니다.

지금 아프리카는 새로운 AI 혁명의 문턱에 서 있는데요, 이 대륙은 AI 기술을 통해 다양한 산업에서 잠재적으로 거대한 변화를 일으킬 수 있을 것 같습니다. 아프리카는 대륙 특유의 사회적, 경제적 문제를 해결하기 위해 AI를 포용하려는 움직임이 매우 활발한데요, 많은 도전 과제를 안고 있는 것이 현실입니다. 특히, 언어 장벽과 후진적인 인프라로 인해 AI 발전은 여러 장애물에 부딪히고 있습니다. 그러나 AI를 활용한 해결책이 없었던 건 아닙니다. 예를 들어 남아프리카 공화국에서는 HIV 문제를 해결하기 위해 큰 언어 모델(LLM) 기반 챗봇이 장착된 앱 'Your Choice'가 개발되었는데, 이 앱은 환자들의 민감한 정보를 비밀스럽고 비판 없이 수집할 수 있는 기능을 제공합니다. 케냐에서는 농부들이 AI 앱으로 작물의 질병을 진단하고 생산성을 높이고 있고, 나이지리아의 AI 스타트업 'Awarri'는 최초의 대규모 언어 모델을 구축하고 있어 나이지리아 언어를 AI 도구에 통합하려 하고 있습니다. 아프리카 대륙에서 드물게도, 아프리카 언어를 다룰 수 있는 AI 모델 개발이 중요한데요. AI 개발자들이 자국의 언어와 문화에 맞춘 솔루션을 개발하지 않으면, 서구의 AI 시스템은 아프리카 사회의 맥락과 문화를 이해하지 못하여 제대로 작동하지 않기 때문입니다. 예를 들어, Lelapa AI는 아프리카 언어를 위한 데이터 세트와 자연어 처리(NLP) 도구를 개발하는 회사로, 이러한 언어 장벽을 타파하려고 노력 중입니다. 최근 발매된 InkubaLM은 남아프리카 공화국에서 사용되는 여러 언어를 인식할 수 있는 AI 도구로, 아프리카 언어를 기반으로 하는 AI 발전을 위한 중요한 첫걸음입니다. 하지만 여전히 정보화 사회로의 전환은 더딘 편입니다. 아프리카 대학의 정보학부가 충분히 자금 지원을 받지 못하고 있어 관련 인력을 양성하는 데 어려움이 큽니다. 게다가 아프리카 정부들은 기술 개발에 필요한 데이터를 비싸게 판매하기도 해 연구자들의 접근을 어렵게 합니다. 아프리카 AI 발전을 위한 중요한 이슈 중 하나는 바로 규제와 정책의 부재입니다. 55개 아프리카 나라 중 AI에 대한 공식 전략을 보유한 나라는 7개에 불과합니다. 다양한 이해관계자들 간의 견해 충돌로 인해, 대륙 차원의 통합된 AI 전략이 부재한 점이 연구자들에게 큰 스트레스를 주고 있습니다. 일부 연구자들은 아프리카 고유의 시각과 가치관을 담보로 하지 않은 외부 전략에 상당한 불만을 표명하고 있습니다.

최근 화제가 된 아마존과 앤트로픽 간의 협상 소식에 대해 이야기해볼까 합니다. 우리가 평소 접하는 클라우드 서비스 운영에서 핵심적인 역할을 하고 있는 AI 칩이, 이번 협상을 통해 어떻게 변할 수 있을지 아주 중요한 주제라고 생각합니다. 먼저 아마존은 작년에도 앤트로픽과의 대규모 투자 계약을 체결했었습니다. 이번에는 아마존이 개발한 AI 칩인 "트레이니엄(Trainium)"의 사용을 조건으로 협상이 진행되고 있다고 하죠. 이 '트레이니엄' 칩이 무엇이냐, 그냥 GPU랑 다를 게 뭐냐 궁금할 텐데요. 쉽게 말해서, AI 작업에 특화된 프로세서라고 보면 됩니다. 일반적인 GPU와는 다르게 트레이니엄은 AI 모델 학습을 더 빠르고 효율적으로 할 수 있도록 설계된 칩입니다. 물론 엔비디아의 CUDA 같은 강력한 소프트웨어 생태계를 갖추고 있지 않아서 사용에 제약이 있을 수 있지만요. 그럼 왜 아마존은 굳이 앤트로픽에게 자사의 칩을 사용하게 하려는 걸까요? 이는 단순히 자사의 제품을 홍보하려는 것이 아닙니다. AI 산업에서는 상대적으로 저렴하고 효율적인 칩을 통해 대규모 데이터센터를 운영하고, 또 AI 모델을 효율적으로 학습시키는 것이 굉장히 중요합니다. 엔비디아의 칩은 뛰어난 성능을 자랑하지만 그만큼 비용이 높습니다. 따라서 아마존 입장에선 자사 칩을 널리 사용하게 함으로써 비용 효율성을 높이고, 장기적으로는 엔비디아에 대한 의존도를 낮추려는 전략인 것이죠. 탄탄한 하드웨어와 클라우드 인프라를 보유한 아마존이기 때문에, 이 전략이 큰 효과를 발휘할 가능성이 큽니다. 하지만 쉽지 않은 길이기도 합니다. 앤트로픽은 이미 엔비디아 칩에 속해있는 상태이기 때문에, 쉽게 아마존의 칩으로 갈아타지 않으려 할 겁니다. 그뿐만 아니라, 엔비디아의 강력한 소프트웨어 프레임워크인 CUDA가 있기 때문에, 엔비디아의 칩이 여전히 인기가 있는 상황입니다. 이 협상이 성공적으로 이루어진다면, 이를 통해 AI 칩 시장은 더욱 다변화될 것으로 보입니다. 더불어 아마존-앤트로픽 간의 파트너십은 마이크로소프트-MSA의 관계처럼 강해질 가능성이 높습니다. 이와 같은 대규모 인프라 협력은 기업들 간의 경쟁뿐만 아니라, AI 기술의 발전에도 영향을 미칠 것으로 예상됩니다.

미래에셋 리포트에서 각 기업이 AI 밸류체인에서 수행하는 역할과 관련된 코멘트를 포함한 표가 있어 공유합니다. 리포트의 전체 내용은 글 하단의 링크에 달아두었습니다. 출처: 미래에셋 리포트

로봇 공학 AI 에이전트를 개발하고 있는 Meta의 Fundamental AI Research(Fair) 팀이 촉각 인식 기술을 발표했습니다. 촉각은 인간이 물리적 세계와 상호작용하는 데 가장 기본적이고 중요한 감각인데요. 이제 AI 시스템도 이러한 촉각을 통해 기존에는 불가능했던 방법으로 물질을 이해하고 다룰 수 있게 되었습니다. 예를 들어, 로봇이 시각으로는 인식할 수 없는 사물의 물리적 특성을 촉각으로 이해하고, 이를 바탕으로 더 정확하게 조작할 수 있게 됩니다. 이는 제조업이나 의료 분야 등 여러 산업에서 복잡한 작업을 자동화하는 데 큰 도움이 될 것입니다. Meta가 공개한 Sparsh는 모든 종류의 비전 기반 촉각 센서와 다양한 작업에 적용할 수 있는 범용 인코더로, 레이블이 필요 없는 자가 지도 학습(SSL)을 활용합니다. 이는 기존에 비해 훨씬 더 광범위한 데이터에 대한 대응력을 가지며, 여러 작업에서 약 95% 이상의 성능을 보입니다. 이와 더불어 Digit 360은 인간 수준의 촉각 인식 능력을 지니고 있는 인공 손가락 센서입니다. 이 센서는 환경의 진동, 온도, 심지어 냄새까지 감지할 수 있는 18개의 다양한 감지 기능을 가지고 있어 연구자들이 보다 정교한 촉각 인식 연구를 수행할 수 있도록 해줍니다. 또한, Digit Plexus 플랫폼은 촉각 센서를 단일 로봇 손에 통합할 수 있는 표준화된 하드웨어-소프트웨어 솔루션을 제공해 주는데요. 이는 복잡한 데이터 수집, 제어, 분석 과정을 단일 케이블로 가능하게 만들어 줍니다. 이러한 획기적인 촉각 인식 기술은 Meta가 GelSight Inc와 원익로보틱스와 같은 산업 리더들과 협력하여 개발, 상용화됩니다. GelSight Inc는 융합 기술을 통하여 연구자들이 이 기술을 연구에 적극 도입할 수 있도록 지원할 것이며, 원익로보틱스는 Allegro Hand의 다음 세대 모델을 개발하여 보다 손쉽게 실험을 진행할 수 있도록 할 예정입니다. Meta는 인간-로봇 협력을 연구하기 위해 PARTNR이라는 새로운 기준을 발표했는데요. 이는 가정 환경과 같은 주요 시나리오에서 로봇과 인간 간의 상호작용을 평가하기 위한 표준화된 프레임워크입니다. 이를 통해 AI 모델이 단순한 '에이전트'가 아니라 인간과의 '파트너'로서의 역할을 수행할 수 있도록 발전시킬 계획이라고 합니다.

MIT 연구진이 HPT(Heterogeneous Pretrained Transformers) 라는 새로운 로봇 훈련 방법을 발표했습니다. 이 방법은 로봇 분야에 큰 혁신을 가져올 것으로 기대되고 있습니다. 전통적으로 로봇을 훈련시키는 데는 많은 시간이 소요되고, 비용도 많이 듭니다. 각 로봇과 과제에 맞춰서 데이터를 개별적으로 수집해야 하기 때문인데요. 이는 시간과 자원을 많이 소모하게 됩니다. 그리고 새로운 작업이나 환경에 적응하기 어렵다는 한계도 있습니다. HPT는 여러 소스로부터 제공되는 다양한 데이터를 한 시스템에서 통합하는 기술입니다. 이 기술은 직접적인 데이터를 수집하지 않아도 여러 형태의 데이터(예: 카메라 이미지, 언어 지시, 깊이 지도 등)를 공통의 '언어'로 변환시킵니다. 쉽게 말해서, 다양한 데이터를 한 군데 모아 하나의 거대한 지식체로 만든다고 생각하면 됩니다. 여기서 변환기 모델(Transformer model)이 등장합니다. 이 모델은 요즘 인공지능 분야에서 핫한 기술인데요, 고급 언어 모델을 지원하는 데 사용됩니다. HPT는 이 변환기 모델을 사용하여 로봇의 시각적, 자기 수용적 입력을 처리합니다. 여기서 자기 수용적 입력이란 로봇이 자신의 위치와 움직임을 인지하는 능력을 말합니다. 현실과 시뮬레이션 환경에서 20% 이상 성능 향상을 보인다고 합니다. 이는 HPT를 통해 로봇이 훈련 데이터와 다른 작업을 만났을 때도 우수한 성과를 보이는 것을 의미합니다. 특히, HPT는 로봇의 자기 수용적 인식(자신의 위치와 움직임에 대한 인식)을 시각적 정보와 동등하게 중요하게 다룸으로써 더욱 정교한 동작을 가능하게 합니다. HPT는 다양한 경험을 학습할 수 있는 데이터 셋을 갖추고 있는데요. 연구팀은 사전 훈련을 위해 52개의 데이터 셋과 20만 개가 넘는 로봇 경로를 사용했습니다. 이 데이터를 통해 인간의 시연과 시뮬레이션을 포함한 여러 경험을 배우게 됩니다. 연구팀은 HPT의 기능을 강화하여 라벨이 없는 데이터도 처리할 수 있도록 할 계획입니다. 궁극적으로 '보편적인 로봇 두뇌'를 만들어 어떤 로봇에서도 별도의 훈련 없이 사용할 수 있도록 하는 것이 목표라고 합니다. 현재는 초기 단계에 있지만, 이 기술이 더 발전하면 자연어 처리 분야에서의 큰 발전과 유사한 혁신적 결과를 가져올 수 있을 것으로 기대됩니다.

AI의 발전이 가져올 새로운 변화를 소개하려고 합니다. 특히, 소프트웨어 개발자 분들에게 흥미롭고 가치 있는 주제인데요. 바로 AI가 실시간으로 생성하는 비디오, 그 중에서도 'AI가 생성한 마인크래프트'에 대해 알아보겠습니다. 먼저, 백그라운드부터 시작하겠습니다. 우리가 아는 마인크래프트는 주로 코딩과 스크립팅을 통해 만들어지지만, AI 회사인 디카르트와 에치드에서는 오직 클립과 키보드 입력만으로 마인크래프트의 새로운 버전을 창출했습니다. 이 버전은 전혀 코딩 없이 AI가 실시간으로 생성하는 게임인데요, 사용자가 게임에서 하는 행동들에 따라 화면이 계속해서 변합니다. 예를 들어, 사용자가 나무를 베고 블록을 놓으면, 그 블록이 다른 환경으로 변할 수 있습니다. 이는 전통적인 마인크래프트에서는 볼 수 없는 현상입니다. 이러한 기술은 '차세대 프레임 예측'이라는 기법을 통해 실현되었습니다. 오아시스라는 모델이 수백만 시간의 마인크래프트 플레이와 사용자 행동을 학습하여, 물리학, 환경, 컨트롤을 데이터로부터 정리하게 된 것입니다. 다시 말해, AI가 게임의 메커니즘을 이해하게 된 것이지요. 하지만, 이 모델은 아직 완벽하지 않아서 그래픽 품질이 낮거나 이상한 오류가 발생할 수 있습니다. 그러나 하드웨어와 칩 설계의 혁신이 이를 개선할 가능성을 열어두고 있어요. 이러한 발전이 특히 눈에 띄는 점은 사용자 인터페이스에 변화입니다. 사용자는 말 그대로 모델에게 “여기에 날아다니는 유니콘을 추가해줘”라거나, “모든 것을 중세 시대로 바꿔줘”와 같은 명령을 내릴 수 있습니다. 즉, 직접적인 명령을 통해 게임 환경을 손쉽게 변형할 수 있는 시대가 열리고 있는 것입니다. 현재의 제약 중 하나는 하드웨어 문제입니다. 개발 초기 모델은 엔비디아 카드에 의존했지만, 미래에는 에치드가 개발 중인 새로운 카드인 소후(Sohu)를 사용할 계획이라고 합니다. 에치드는 이 칩이 성능을 10배까지 향상시킬 것이라 주장하며, 이는 실시간 비디오生成 비용과 에너지를 크게 줄여줄 것이라고 합니다. 또한 더 많은 사용자들이 동시에 모델을 사용할 수 있게 될 것입니다.

마인크래프트는 창의성과 자유도가 높은 오픈월드 게임으로 많은 이들에게 사랑받고 있죠. 그런데, 이번에 AI 기업인 Decart와 Etched에서 완전히 AI로 생성된 마인크래프트 버전을 공개했습니다. 이 게임은 기존의 코드 기반 게임이 아닌, AI 기술을 이용해 실시간으로 생성됩니다. AI-생성 마인크래프트는 말 그대로 AI가 모든 게임 환경과 플레이 요소를 실시간으로 생성하는 게임입니다. Decart와 Etched에서는 이를 'next-frame prediction'이라는 기술을 통해 구현했는데요. 이 기술은 마인크래프트 플레이 데이터와 유저의 행동을 수백만 시간 동안 학습하여 게임의 물리 환경과 제어 기능을 스스로 이해합니다. 아래 사이트에서 직접 플레이해볼 수 있습니다. https://oasis.decart.ai/ 이 프로젝트는 단순히 기술적 데모 이상의 의미를 갖고 있습니다. Decart의 공동 설립자 Dean Leitersdorf에 따르면, 이 기술은 실시간 비디오나 게임을 제작하는 데에 무궁무진한 가능성을 제시합니다. 예를 들어, "여기에 날아다니는 유니콘을 추가해줘"라고 말하면 AI가 이를 실시간으로 구현할 수 있습니다. 또한, 사용자가 이미지로 직접 새로운 게임 환경을 생성할 수도 있습니다. 현재 이 AI-생성 게임 프로젝트의 가장 큰 제한 요소는 하드웨어입니다. 지금은 Nvidia 카드로 구혔했는데, 향후 Etched에서 개발 중인 'Sohu' 카드를 사용되면 성능이 10배 개선될 것이라고 합니다. 이러한 성능 향상은 더 길고, 더 안정적인 게임 플레이를 가능하게 합니다. 뿐만 아니라, 여러 사용자가 동시에 모델을 사용할 수 있게 되므로 게임의 사회적 경험도 확장될 것으로 예상됩니다. 다만, 하드웨어 성능이라는 큰 과제는 여전히 남아 있습니다. 새로운 하드웨어가 도입되기 전까지는 명확한 성능 개선이 이뤄질 수 없기 때문입니다. AI-생성 게임의 가장 큰 장점은 비용 절감과 효율성입니다. AI 전용 맞춤형 칩이 개발되면, 더 적은 자원으로 고성능의 게임 환경을 제공할 수 있습니다.

최근 OpenAI에서 발표한 새로운 인공지능 모델이 분야에서 큰 화제를 모으고 있습니다. 이름하여 'o1' 모델입니다. 이번에 새롭게 공개된 OpenAI o1 모델은 기존의 언어 모델과는 차원이 다릅니다. 언어 처리에 강력한 GPT-4o와 달리, o1 모델은 다단계 추론에 특화되어 있습니다. 그러니까 어려운 수학 문제나 코딩 작업, 그리고 기타 과학, 기술, 엔지니어링 및 수학(즉, STEM) 관련 이슈들에 대해 문제를 풀어내는 능력이 뛰어난 모델이라는 뜻입니다. 여기서 가장 주목할 점은 o1 모델이 '연속적 사고(chain of thought)' 기술을 사용한다는 것입니다. 즉, 이 모델은 스스로의 실수를 인지하고 수정하며, 복잡한 절차를 보다 간단하게 분해하고, 기존 접근 방식이 효과적이지 않을 때는 다른 방법을 시도할 줄 압니다. 이는 단순한 언어 처리를 넘어 문제 해결의 차원으로 발전할 가능성을 보여줍니다. OpenAI가 진행한 테스트에 따르면, o1 모델은 코딩 대회에서 89%의 성과를 기록, 미국 수학 올림피아드의 상위 500등 안에 드는 정도의 실력을 가진 것으로 나타났습니다. 뿐만 아니라, o1 모델은 천체 물리학, 유기 화학 등 다양한 분야에서 박사 과정 수준의 질문에도 높은 정확도로 대답할 수 있습니다. 수학 올림피아드 문제에서 o1 모델은 이전 모델인 GPT-4o의 13.4%와 비교하여 무려 83.3%의 정확도를 보였습니다. 또한, 박사 수준 질문에서는 인간 전문가들의 69.7% 보다 뛰어난 78%의 정확도를 기록하기도 했습니다. 이번 OpenAI의 o1 모델 출시는 소프트웨어 개발자들에게 몇 가지 중요한 시사점을 제공합니다. 우선, 기존의 언어 중심 AI 기술의 한계를 넘어서, 문제 해결에 더욱 유용한 도구가 등장했음을 의미합니다. 이는 개발자가 보다 복잡하고 도전적인 문제들을 해결하는 데 있어 강력한 지원군이 될 수 있습니다. 예를 들어, o1 모델은 복잡한 코드의 오류를 수정하거나 최적화하는 데 유용할 것입니다. 또한, 새로운 알고리즘을 개발하거나 테스트할 때 모델이 제공하는 사고 체계를 통해 더 나은 해결책을 찾을 수 있을 것입니다.

현재 AI 기술 분야에서 가장 뜨거운 이슈 중 하나인 '에이전트'에 대해 이야기해볼까 합니다. AI 에이전트란 복잡한 업무를 수행할 수 있는 AI 보조 도구로, 예를 들어 비행기 예약 같은 작업을 처리할 수 있는 기능을 말합니다. OpenAI의 최근 기술 업데이트는 바로 이러한 AI 에이전트로의 전환점을 이루는데요. 특히, 쳇GPT의 인터넷 검색 기능이 여기에 중요한 역할을 하고 있습니다. OpenAI는 최근 런던에서 개최한 개발자 회의인 DevDay에서 쳇GPT의 인터넷 검색 기능을 발표했습니다. 이 기능은 사용자들이 인터넷 상에서 정보를 검색하고 활용할 수 있게 해주는데요. 이를 통해 OpenAI는 AI 에이전트 개발에서 한 단계 더 나아갈 수 있게 되었습니다. AI 에이전트는 궁극적으로 모든 개인과 기업에 도입되어 우리의 이메일, 일정, 앱 등을 통합 관리할 수 있는 개인 비서와 같은 역할을 할 것이라고 합니다. OpenAI는 이러한 에이전트 기술을 자체적으로 개발할 뿐 아니라, 개발자들이 그들만의 에이전트를 만들 수 있도록 지원하는 전략을 취하고 있습니다. 여기서 음성 인식 기술이 중요한 요소로 작용할 것이라고 하는데요. 텍스트 기반의 앱이 대세였던 지금까지와는 달리, 음성이 에이전트의 상호작용에서 더 큰 역할을 하게 될 것이라는 설명입니다. 그렇지만 이 기술이 상용화되기까지는 두 가지 중요한 장벽이 있습니다. 첫째는 '추론 능력'입니다. 복잡한 업무를 신뢰성 있게 처리할 수 있는 추론 능력이 필요하기 때문에, OpenAI는 이에 특화된 기능을 강화하고 있습니다. 최근에는 'o1 모델'이 출시되었는데, 이는 강화 학습을 통해 정보 처리 방식을 향상시키는 기능입니다. 문제를 보다 세밀하게 분석하고 더 나은 해답을 내놓기 위한 접근 방식을 시도하고 있죠. 두 번째 장벽은 바로 다양한 도구와의 연결성입니다. AI 모델이 실제 세상에서 정보 검색을 하고 작업을 처리할 수 있으려면 웹 검색과 같은 최신 정보 활용이 가능해야 합니다. 이를 통해 정보 검색뿐만 아니라 실제 작업 수행까지 가능한 진정한 에이전트 시대를 열 수 있을 것입니다.

안녕하세요, 개발자 여러분! 오늘은 NVIDIA Metropolis와 관련된 흥미로운 이야기를 나누고자 합니다. 현재 많은 대만의 전자기기 제조업체들이 NVIDIA의 기술을 활용하여 공장 자동화를 혁신하고 있다고 하는데요. 이 글에서는 특별히 NVIDIA Metropolis를 중심으로 공장 자동화가 어떻게 진화하고 있는지를 쉽고 재미있게 설명해드리겠습니다. 우선, 공장 자동화란 무엇일까요? 공장 자동화는 로봇, 컴퓨터 시스템, AI 등을 사용하여 수작업으로 진행되던 제조 공정을 최소화하고, 효율성을 극대화하려는 시도입니다. 이 과정은 생산 속도와 정확성을 향상시키고, 인간 작업자의 위험을 줄이며, 비용을 절감할 수 있는 다양한 이점을 제공합니다. 여기서 NVIDIA Metropolis가 등장합니다. Metropolis는 NVIDIA의 지능형 비디오 분석 특징을 가진 플랫폼입니다. 이는 수많은 IoT 기기, 카메라, 센서를 통해 데이터를 수집하고 AI를 통해 이를 분석하여 인사이트를 제공합니다. 이러한 인사이트는 공장 내 다양한 자동화 작업에 활용될 수 있습니다. 예를 들어, Foxconn 같은 대기업은 NVIDIA Metropolis를 사용하여 '디지털 트윈'을 구축합니다. 디지털 트윈은 실제 공장의 가상 모델을 만드는 것으로, 이를 통해 최적의 카메라 위치 배치를 계획하고 중요한 데이터를 수집할 수 있습니다. 이 과정은 정확하고 빠른 의사결정을 가능하게 하여 공장의 효율성을 높이는 데 기여합니다. 뿐만 아니라, Pegatron과 같은 제조 기업들은 NVIDIA Metropolis와 함께 사용하는 Multi-Camera Tracking과 AI 기술을 통해 작업 현장의 안전과 생산성을 향상시키고 있습니다. 이러한 기술들은 작업자의 안전 모니터링과 위험 상황 발견을 실시간으로 수행하여 작업 환경을 개선하고, 비정상적인 상황 발생 시 즉각적인 조치가 가능합니다. 이러한 공장 자동화의 핵심에는 'Generative AI'가 있습니다. 생성적 인공지능은 대량의 데이터와 기존 시스템을 활용하여 새로운 생산 방식을 제안하고, 기록되지 않은 데이터 간의 패턴을 발견하여 새로운 솔루션을 제안할 수 있습니다. 이로 인해 공장 내 작업 효율성을 극대화할 수 있으며, 이는 궁극적으로 제조업계를 혁신하는 큰 역할을 합니다.

요즘 기술 뉴스를 보면 양자 컴퓨터에 대한 이야기가 많이들 나오는데요, 이번에는 구글이 양자 컴퓨팅에서의 오류를 줄이는 새로운 돌파구를 만들었다는 소식이 있어서 가져와 봤습니다. 양자 오류 수정이라는 주제로, 이번 연구가 어떤 의미를 가지는지 쉽게 설명해 드릴게요. 양자 컴퓨터는 우리가 일상에서 쓰는 컴퓨터와는 다르게 양자역학의 원리를 이용해서 데이터를 저장하고 처리하는 컴퓨터입니다. 컴퓨터가 데이터를 저장하는 비트(bit)를 0과 1로 표시하듯이, 양자 컴퓨터는 큐비트(qubit)라고 하는 단위를 사용합니다. 이 큐비트는 0과 1이 동시에 존재할 수 있는 '중첩 상태'라는 것을 활용해서 정보량을 크게 높일 수 있습니다. 지금까지 양자 컴퓨터를 개발하는 데엔 큰 걸림돌이 있었는데요, 바로 오류입니다. 양자 컴퓨터의 구성 요소인 큐빗(Qubit)은 굉장히 민감해서 쉽게 오류가 발생할 수 있거든요. 큐빗이 조금만 잘못 다뤄져도 그 상태가 변해서 정보가 왜곡될 수 있습니다. 이러한 오류가 누적되면, 양자 컴퓨터는 복잡한 알고리즘을 제대로 실행하지 못하게 되죠. 즉, 이 문제가 해결되지 않으면, 복잡한 알고리즘을 실행하는데 필요한 긴 시간 동안 안정성을 유지하기 어렵습니다. 이 문제를 해결하기 위해서는 양자 오류 수정이 필수적입니다. 오류 수정을 통해 양자 컴퓨터가 데이터의 정밀성을 유지하게 되면, 훨씬 유용한 계산을 수행할 수 있게 되거든요. 구글 연구진이 최근 제안한 것은 이 오류를 수정하고 효율적으로 관리하는 새로운 방법인데요. 구글은 이번 연구에서 이 문제를 해결할 수 있는 '논리적 큐비트'라는 개념을 사용했습니다. 이전에는 하나의 큐비트를 구성하는 데 한 개의 물리적인 큐비트만 사용했지만, 구글의 팀은 여러 개의 물리적 큐비트를 묶어 하나의 논리적 큐비트를 구성했습니다. 그러니까 정보를 하나의 논리적 큐비트에 저장해서 오류율을 줄이는 방법이죠. 구글은 또 이러한 논리적 큐비트를 만들기 위해 '표면 코드'라는 알고리즘을 사용했습니다. 데이터를 저장할 때 여러 물리적 큐비트에 걸쳐 정보를 확장시킴으로써, 하나의 논리적 큐비트가 오류를 견디는 능력을 배가시킨 것입니다. 이 방법은 물리적 큐빗을 더 증가시키면 논리적 큐빗의 오류율을 줄일 수 있음을 실험적으로 입증했습니다. 연구진에 따르면, 한 논리적 큐빗을 구성하는 물리적 큐빗 수를 72개에서 105개로 늘렸을 때 오류를 더 잘 억제할 수 있었다고 합니다.

오늘은 현대 생명과학의 뜨거운 감자인 CRISPR 기술을 이용한 유전자 편집에 대해 이야기해보려고 합니다. CRISPR는 과연 어떤 기술인지, 그리고 이 기술이 인간의 유전자를 어떻게 편집할 수 있는지 쉽게 설명해드릴게요. CRISPR는 "Clustered Regularly Interspaced Short Palindromic Repeats"의 약자로, 이는 원래 박테리아의 면역 시스템에서 발견된 일종의 유전 기록 장치입니다. 박테리아는 자기 자신을 공격하는 바이러스를 막기 위해, 이 CRISPR 시스템을 사용해 자신을 공격하려는 바이러스의 DNA 조각을 기억하고 데이터베이스화합니다. 그런 후 동일한 바이러스가 다시 공격하면, 박테리아는 이 데이터를 활용해 효과적으로 방어합니다. CRISPR 기술은 바로 이 박테리아의 방어 시스템에서 착안하여 개발되었습니다. 이 기술은 특정 유전자 서열을 신속하게 찾고 변형할 수 있는 특성을 지니고 있어서, DNA를 정밀하게 편집할 수 있습니다. CRISPR 기술의 가장 큰 장점은 바로 그 '정밀성'에 있습니다. 이 기술은 과학자들이 유전자의 어느 특정한 부분을 정밀하게 타겟하고, 그것을 잘라내거나 추가할 수 있도록 돕습니다. 이 과정에서 가장 중요한 구성 요소 중 하나는 "Cas9"이라는 단백질인데요, 이 단백질이 가위 역할을 하여 DNA를 자르고 원하는 변형을 가합니다. 단순히 유전자를 자르고 붙이는 것만으로는 유전자 편집이라고 할 수 없을 텐데요, CRISPR 시스템은 이러한 복잡한 과정을 엄청나게 간단하게 해줍니다. 마치 컴퓨터에서 텍스트를 잘라내고 붙이는 것처럼, 과학자들은 유전자를 편리하게 수정할 수 있게 된 거죠. CRISPR 기술이 가능하게 하는 것들은 아주 다양합니다. 그중에서도 일부는 미래의 유전자 치료에 큰 혁신을 가져올 가능성이 큽니다. 예를 들어, 유전적으로 선천적인 희귀질환이 있는 사람들의 유전자를 교정하여 병을 치료하거나 예방할 수 있는 가능성이 있습니다. 심지어는 암과 같은 복잡한 질병에 대한 새로운 치료법 또한 개발될 수 있다고 합니다.

AI와 데이터 센터의 전력 수요 증가에 대해 이야기해보려고 합니다. 최근 몇 년간 AI 기술의 발전과 그에 따른 데이터 센터의 전력 수요 증가가 매우 크다는 소식이 많이 들려오는데요. 이 주제를 통해 AI가 어떻게 전력 사용에 영향을 미치고 있는지, 그리고 이에 따른 도전과 기회를 살펴보겠습니다. AI 기술, 특히 ChatGPT와 같은 모델은 데이터 처리에 많은 전력이 필요합니다. 평균적으로 ChatGPT 쿼리는 구글 검색에 비해 거의 10배의 전력을 사용한다고 해요. 이는 AI와 데이터 센터가 점점 더 많은 전력을 필요로 하게 된다는 것을 의미하죠. Goldman Sachs 연구에 따르면, AI의 확산은 2030년까지 데이터 센터의 전력 수요를 160% 증가시킬 것으로 예상됩니다. 현재 전 세계 데이터 센터는 전체 전력의 약 1-2%를 소비하고 있습니다. 그러나 2030년이 되면 3-4%로 증가할 것이라고 합니다. 이러한 전력 수요 증가는 미국과 유럽에서 특히 두드러질 것입니다. 이 지역에서는 데이터 센터가 전체 전력 소비의 상당 부분을 차지하게 될 전망입니다. 2023년부터 2030년까지 AI는 데이터 센터의 전력 소비를 연간 200테라와트 증가시킬 것으로 예상되고 있습니다. 2028년에는 AI가 데이터 센터 전력 수요의 약 19%를 차지할 것으로 분석되는데요. 이는 AI가 데이터 센터 전력 사용의 중요한 부분을 차지하게 될 것임을 보여줍니다. 이러한 상황에서 데이터 센터의 전력 사용 효율성을 높이는 것, 그리고 신재생 에너지 사용을 확대하는 것이 중요해집니다. 많은 기술 회사들이 데이터 센터를 신재생 에너지를 통해 구동하겠다고 약속했어요. 하지만 태양광과 풍력만으로는 전력 수요를 충족시키기 어려운 경우도 있습니다. 특히 날씨에 따라 생산량이 변하기 때문이죠. 전력 수요가 급증하는 가운데, 천연가스가 주요 에너지로 부상할 수 있을 것으로 보입니다. 아직 기술적으로 신재생 에너지만으로는 모든 수요를 충족시키기 어려운 상황에서, 천연가스가 중요한 역할을 할 것이라는 예측도 있습니다. 이러한 변화는 AI와 관련된 데이터를 처리할 때 필요한 기술적인 에너지의 안정적인 공급을 위한 전략이라고 볼 수 있습니다.

드론과 같은 현대 전쟁 기술은 다양한 기술의 집합체인데요, 그 중에서도 라디오 통신 기술은 그 중요성을 다시 한번 부각시키고 있습니다. 우크라이나와 러시아의 분쟁에서 특히 이 기술이 중요한 역할을 하고 있다는 것이 많이 보도되고 있습니다. 오늘은 이와 관련된 내용을 쉽게 풀어 보겠습니다. 우선, 드론이 왜 이렇게 중요한지부터 보겠습니다. 드론은 시야 확보와 공습, 탐색 등 여러 기능을 수행할 수 있는 장비인데요, 이번 우크라이나 전쟁에서도 그 중요성이 더욱 커졌습니다. 그러나 드론이 효과적으로 작동하려면 안정적인 통신이 필수입니다. 바로 여기에 라디오 통신 기술이 핵심 역할을 합니다. 라디오 통신은 기본적으로 송신기와 수신기 사이의 신호를 전파하는 기술입니다. 그래서 드론들이 명령을 받고, 비디오 피드를 전송하고, 목표를 탐색할 때 이 라디오 기술을 기반으로 작동합니다. 하지만 이러한 기술은 동시에 큰 약점이 될 수도 있는데요, 바로 '재밍(jamming)'이라는 방해 기술 때문입니다. 이는 송수신 신호를 혼란시켜 드론의 작동을 방해하는 방법입니다. 우크라이나의 사례를 보면, Serhii 'Flash' Beskrestnov라는 인물이 이 분야에서 두각을 나타내고 있습니다. 그는 드론과 라디오 기술에 대한 지식을 군과 공유하고, 전쟁 환경에서 어떻게 이 기술을 사용할 것인지에 대해 교육하고 있습니다. 이는 단순히 아는 것을 공유하는 수준을 넘어서, 실제 전장에서 드론 기술의 발전과 방해 기술에 대한 연구까지 포함됩니다. 예를 들어, 드론 제어의 주파수를 변경하는 '주파수 도약(frequency hopping)' 기술이 있습니다. 이것은 방해 신호를 피하기 위해 주파수를 빠르게 변경함으로써 드론이 더 안정적으로 작동하도록 돕습니다. 하지만 반대로, 방해자를 위한 알고리즘도 발전하고 있어 이에 맞선 지속적인 연구와 개선이 필요합니다. 드론과 라디오 전쟁은 아직도 진행 중입니다. 양측은 끊임없이 서로의 신호를 방해하려 하고 있으며, 새로운 기술과 전략이 계속해서 등장하고 있습니다. 이로 인해 우크라이나는 이와 같은 전자전에서의 경험을 세계에 공유할 수 있게 되었고, 이는 향후 전쟁 양상을 변화시킬 만한 중요한 기술적 발전으로 주목받고 있습니다.

요즘 AI가 얼마나 빠르게 발전하고 있는지 체감하고 계신가요? 사실, 이 발전의 이면에는 엄청난 계산 능력을 가진 슈퍼컴퓨터가 있는데요. 오늘은 Microsoft와 OpenAI의 협력을 통해 탄생한 AI 슈퍼컴퓨터에 대해 알아보겠습니다. Microsoft는 최근 Azure 클라우드 플랫폼에 OpenAI 전용의 슈퍼컴퓨터를 구축했습니다. 이 슈퍼컴퓨터는 전 세계에서 가장 강력한 컴퓨터 중 하나로, 10,000개의 GPU와 285,000개의 CPU로 구성되어 있습니다. 이 시스템은 대량의 이미지, 텍스트, 비디오를 동시에 처리할 수 있는 능력을 가지고 있는데요. AI 슈퍼컴퓨터는 특히 거대한 AI 모델의 훈련에 특화되어 있습니다. 예를 들어, 자연어 처리나 컴퓨터 비전을 위한 모델을 훈련하는 데 사용되죠. 이를 통해 여러 언어 작업을 동시에 수행하거나, 게임 채팅을 자동으로 모니터링하는 등의 복합 기능이 가능해집니다. 이런 가능성 때문에 Microsoft는 AI 슈퍼컴퓨터를 통해 더 많은 개발자와 연구자들이 대규모 AI 모델로 창의적인 작업을 수행할 수 있도록 하는 것을 목표로 하고 있습니다. 예를 들어, Microsoft Turing 모델을 통해 Bing의 검색 정확도를 높이거나, Office 제품에서 스마트 검색 기능을 개선하는 데 사용하고 있습니다. AI 기술이 컴퓨터 플랫폼처럼 다양한 작업에 적용될 수 있을 것이라는 예상도 있는데요. 개인 컴퓨터처럼 특정한 기능에 국한되지 않고, 다양한 데이터로부터 일반적인 작업을 습득하는 AI 모델을 통해 개발자들이 다양한 응용 프로그램을 만들 수 있는 가능성을 열어주고 있습니다. AI 슈퍼컴퓨터의 발전은 개발자들에게 많은 기회를 제공합니다. Azure AI 서비스와 GitHub를 통해 대규모 AI 모델과 훈련 최적화 도구들을 쉽게 접근할 수 있게 합니다. 이는 개발자들이 더 적은 비용으로 효율적으로 AI 기술을 활용할 수 있는 환경을 제공하게 되죠. 결과적으로 이러한 발전이 어떻게 개발자들에게 도움을 줄 수 있을지 기대됩니다.

AI 기술의 발전과 함께 전자 폐기물(e-waste) 문제도 점차 증가하고 있습니다. 특히 데이터 센터와 서버 팜에서 사용되는 고성능 컴퓨팅 하드웨어는 이러한 문제를 심화시키고 있습니다. 서버, GPU, CPU와 같은 장치에는 금, 은, 구리 및 희토류 원소와 같은 귀중한 금속이 포함되어 있으며, 납, 수은, 크롬 등의 유해 물질도 함께 포함되어 있습니다. AI의 발전 속도가 빠르기 때문에 이들 장치의 수명은 일반적으로 2~5년에 불과하며, 최신 기술로 교체되면서 전자 폐기물이 늘어날 가능성이 큽니다. 연구에 따르면, AI와 관련된 전자 폐기물 문제는 2030년까지 최대 500만 톤에 이를 수 있습니다. 그러나 이 문제를 해결할 수 있는 여러 전략이 존재합니다. 대표적인 방법으로는 기술 장치의 수명을 연장하고, 부품을 재활용하거나 재사용하는 것입니다. 또한 하드웨어를 더 쉽게 재활용하고 업그레이드하도록 설계하는 것도 중요합니다. 이러한 전략을 효과적으로 구현하면 최대 86%까지 전자 폐기물을 줄일 수 있다고 합니다. 현재 약 22%의 전자 폐기물만이 공식적으로 수집 및 재활용되고 있으며, 나머지는 비공식적인 시스템을 통해 처리됩니다. 특히 저소득 및 중저소득 국가에서는 전자 폐기물 관리 인프라가 부족하여 수집이 체계적으로 이루어지지 않고 있습니다. 또한 데이터 보안 문제도 중요한 이슈입니다. 장치를 파기하여 데이터 유출을 방지하려는 경향이 있지만, 이를 위한 대안 정책이 필요합니다. 중요한 정보가 저장된 하드웨어는 재활용 전에 반드시 완벽하게 초기화되어야 합니다. 결과적으로, 기업과 제조업체는 제품의 환경 및 사회적 영향을 책임져야 합니다. 이는 기술 발전이 인류와 지구의 건강에 해를 끼치지 않도록 하기 위한 필수 조건입니다. 기사 출처 추가 읽을거리

미국의 교육 불평등 문제는 심각합니다. 저소득층 학생들은 경험 많은 교사의 수급이 어려운 열악한 교육 환경에 놓여 있습니다. 이 때 인공지능(AI)이 도움을 줄 수 있습니다. 특히 1대1 수학 튜터링을 통해 교실 수업을 보완하는 데 AI가 어떻게 활용되는지에 관해 이야기하겠습니다. 스탠포드 대학교 연구팀은 OpenAI의 GPT-4를 기반으로 한 AI 시스템인 Tutor CoPilot을 개발했습니다. 이는 FEV Tutor라는 플랫폼에 통합되어 학생과 튜터가 가상으로 연결될 수 있게 해줍니다. 튜터와 학생은 채팅 인터페이스를 통해 메시지를 주고받습니다. 튜터는 학생의 문제 해결법을 설명하기 어려울 경우, Tutor CoPilot의 도움을 받아 제안을 생성할 수 있습니다. 연구진은 1학년에서 5학년 학생들과 700개 실제 튜터링 세션을 데이터베이스로 삼아 이 모델을 훈련했습니다. 학생들의 오류를 짚어내고, 그 오류를 교정하는 과정에서 학생들이 배운 개념을 이해하도록 했습니다. Tutor CoPilot은 이러한 경험을 바탕으로 튜터에게 맞춤형 답변을 생성합니다. Tutor CoPilot은 학생들이 수학을 직접 가르치는 것이 아니라, 튜터에게 학생들이 올바른 답에 이르도록 격려하고 깊은 학습을 할 수 있도록 조언을 제공합니다. 예를 들어, 학생이 어떻게 특정 답을 도출했는지 묻거나 다른 방법으로 문제를 해결하는 방법을 제안할 수 있습니다. 이 시스템의 효과를 검증하기 위해 연구진은 미국 남부의 교육 소외 지역에서 5세에서 13세 사이의 1,787명의 학생과 900명의 튜터의 상호작용을 분석했습니다. 그 결과, Tutor CoPilot을 사용한 튜터의 학생들은 4% 더 높은 비율로 수업을 마스터했습니다. 이 도구는 기본적인 수학을 가르칠 때 특히 효과적이며, 비용 효율적으로 학생 학습을 개선할 수 있습니다. Tutor CoPilot은 초보 튜터와 학생 간의 관계를 향상시키는 데 도움을 줍니다. 이 도구는 경험 많은 교사가 문제를 접근하는 방식으로 문제를 해결하는 방법을 지도하는 데 유용합니다. 이후 연구진은 AI 개입의 효과가 어느 정도 지속되는지 그리고 다른 교과목이나 연령대에서도 유사한 접근법이 효과적인지 탐구할 예정입니다.

최근 Anthropic은 Claude AI 모델의 새로운 기능을 공개했습니다. 이 기능은 사용자가 인공지능에게 제한된 범위에서 개인용 컴퓨터의 제어 권한을 줄 수 있도록 하였습니다. 직관적으로 사용해보면, Claude는 여러분의 컴퓨터 화면이나 키보드에 접근하여 자동으로 여러 작업을 수행할 수 있습니다. 어떤 기능인지 아래 2개의 영상을 보시면 바로 이해하실 수 있습니다. 컴퓨터에서 기본적으로 하는 일들을 Claude에게 맡길 수 있습니다. 예를 들어, 여러 화면을 캡처하여 분석하거나, 특정 정보를 검색한 뒤 양식에 자동으로 입력하는 작업이 가능합니다. 이러한 기능은 특히 반복적인 작업을 자동화하고, 소프트웨어를 빌드하거나 테스트하는 데 매우 유용할 것입니다. 그러나 주의할 점도 있습니다. Anthropic 측에서도 강조하듯, 처음 공개된 기능이기 때문에 아직 불완전한 부분이 많습니다. 예를 들어, 화면 스크롤이나 드래그 같은 단순 작업도 사람만큼 잘할 수는 없습니다. 게다가 인공지능이 자동으로 이루어지는 과정에서 중요한 결정을 내릴 필요가 있을 때는 반드시 인간의 확인이 필요합니다. 사용할 때에도 몇 가지 주의해야 할 점이 있습니다. 우선, 데이터 프라이버시를 고려하여 Claude가 수집한 정보를 연습용으로 사용하며, 사용자 데이터로 AI를 트레이닝하지 않습니다. 또한 사용자는 Claude의 기능 중 일부가 잠재적으로 잘못 사용될 수 있다는 점을 명심해야 하며, 처음 사용하는 사용자라면 저위험 작업부터 시도해보라고 권장됩니다. 물론 이러한 경고에도 불구하고, 많은 사람들이 이 기능에 대해 긍정적입니다. 컴퓨터 작업의 자동화는 시간을 절약하고, 더 나은 아이디어를 생각하는 데 시간을 집중하게 해줄 것입니다. 하지만 이 기술을 사용할 때는 늘 안전에 신경을 써야겠습니다. 참고 항목 Forbes 기사 Anthropic 공식 블로그