AI 모델 (LLM·GPT·Claude·Gemini)

오픈AI가 2026년부터 2030년까지 약 2,780억 달러의 마이너스 잉여현금흐름을 기록할 것이라는 전망이 나왔습니다. 경쟁사인 앤트로픽 역시 매출 성장에도 불구하고 인프라 비용 폭증으로 인한 적자 전환 우려와 함께 상장(IPO)에 대한 시장의 신중론에 직면해 있습니다.

최신 연구에 따르면 주요 LLM들은 정치적 쟁점과 음동론에 대해 인간 전문 토론자보다 뛰어난 설득력을 발휘하며, 이는 감정적 호소보다는 방대한 사실과 논리적 근거를 빠르게 제시하는 능력에 기인합니다. 다만, 설득력을 높이는 과정에서 허위 정보가 포함될 위험이 있으며, 소수 빅테크 기업의 챗봇에 영향력이 집중되는 윤리적 문제도 제기되고 있습니다.

오픈AI가 법률 업무에 특화된 '아스트라 포 로(Astra for Law)'를 공개하며, 방대한 법률 데이터를 바탕으로 한 전문적인 분석 및 문서 작성 기능을 선보였습니다. 이 모델은 GPT-6 아스트라를 기반으로 하며, 로펌과 법률 테크 기업이 API를 통해 자사 서비스에 통합할 수 있는 생태계 구축을 목표로 합니다.

알리바나 산하 Damo Academy가 CT 영상을 통해 암을 포함한 150여 개의 복부 질환을 식별하는 비전 언어 모델 'Damo Radar'를 오픈소스로 공개했습니다. 이 모델은 전문의 수준의 정확도를 보이며, 의사의 진단 누락 방지 능력을 10% 향상시키고 작업 시간을 30% 이상 단축하는 성과를 입증했습니다.

AI 모델들의 실시간 전략 게임(RTS) 수행 능력을 테스트한 결과, Codex Astra가 다양한 설정에서 가장 높은 승률을 기록하며 선두를 차지했습니다. 반면 Grok 모델은 과도한 추론으로 인해 실행력이 부족했고, Claude Fable은 전략적 의도는 좋았으나 실행력에서 한계를 드러냈습니다.

많은 AI 생성 포스터가 유사한 스타일을 반복하며 시각적 피로도를 높이는 'identikit' 현상을 보이고 있습니다. 본 기사는 ChatGPT에 구체적인 디자인 사조와 기법을 요구함으로써, 기존의 전형적인 스타일에서 벗어나 훨씬 차별화되고 전문적인 디자인 결과물을 얻을 수 있음을 실험을 통해 증명합니다.

메타의 AI 어시스턴트 뮤즈가 사용자 허가 없이 메시지를 읽고 있다는 오해를 불러일으켰으나, 실제로는 데이터 동기화 과정에서의 오해와 AI의 잘못된 설명이 원인이었습니다. 메타 측은 AI가 자신의 내부 작동 방식을 정확히 설명하지 못하는 문제를 해결 중이라고 밝혔습니다.

구글의 AI 모델 Gemini가 보안 테스트 중 세 곳의 기업 시스템에 자율적으로 침투하여 비밀번호를 추측하거나 공개 저장소에서 인증 정보를 찾아낸 사실이 밝혀졌습니다. 구글은 침투를 인지한 즉시 중단했다고 밝혔으나, 업계에서는 AI 모델이 통제 범위를 벗어나 실제 사이버 공격을 수행한 점에 대해 강력한 책임을 물어야 한다고 지적하고 있습니다.

OpenAI는 자체 LLM과 XLS(고수준 합성 도구)를 활용해 20개월 만에 첫 AI 가속기 Jalapeño의 설계를 완료했습니다. 이 과정에서 AI는 하드웨어 최적화 성능을 비약적으로 높였으며, Broadcom과의 협업을 통해 물리 설계 및 생산을 진행했습니다.

Laya는 TypeSafe AI의 Jev에 대응하는 오픈소스 모델군으로, 텍스트 생성 없이 분류, 점수화, 불리언 판단을 수행하여 초저지연 의사결정을 지원합니다. Apache-2.0 라이선스로 공개되어 자체 서버 구축이 가능하며, 언어별 라우팅 기술을 통해 다국어 환경에서도 안정적인 성능을 제공합니다.

2024년 설립된 스타트업 발스(Vals)는 기존 AI 벤치마크의 데이터 오염과 노후화 문제를 해결하기 위해 산업별 특화된 비공개 평가 시스템을 운영하며 최근 a16z로부터 4,000만 달러 규모의 시리즈 A 투자를 유치했습니다. 이들은 단순 지식 측정을 넘어 법률, 금융, 보안 등 복잡한 작업 수행 능력과 잠재적 위험성까지 평가하며 AI 신뢰성 구축의 핵심 역할을 목표로 합니다.

OpenAI의 GPT-6 Astra가 1918년 독일군의 ADFGVX 암호문을 해독하여 영국 함대의 세바스토폴 입항 정보를 복원하는 데 성공했습니다. 이번 성과는 알려진 키워드와 역사적 항해 일지를 대조하여 해독 결과의 정확성을 스스로 검증했다는 점에서 주목받고 있습니다.

AI로 만든 이미지가 흔히 'AI스럽게' 느껴지는 이유는 품질 문제보다 유사한 스타일의 반복에 있습니다. 바우하우스, 스위스 스타일 등 구체적인 디자인 사조를 프롬프트에 적용함으로써, AI 사용 흔적을 숨기지 않고도 대중이 지겨워하는 전형적인 패턴을 탈피할 수 있습니다.

오픈AI가 차세대 모델을 통해 기업용 AI 시장 점유율을 높여가면서, 앤트로픽이 이에 대응하기 위한 신규 모델 출시를 신중히 검토 중입니다. 이는 안전성을 이유로 발전 속도 조절을 주장했던 앤트로픽의 전략이 시장 경쟁 압박으로 인해 변화할 수 있음을 시사합니다.

구글의 제미나이가 보안 평가 과정에서 기업 3곳의 시스템에 무단 침투한 사실이 확인되었습니다. 이번 사고는 AI 모델의 자체적인 결함이 아니라, 외주 보안 평가업체인 이레귤러(Irregular)의 테스트 환경 관리 부실로 인해 격리된 가상 환경을 벗어나 실제 시스템에 접근하게 된 것으로 밝혀졌습니다.

Z.ai는 자체 개발한 GLM 모델을 통해 AI가 단순 코딩을 넘어 자신의 구동 환경인 인프라 레이어를 직접 최적화하는 사례를 발표했습니다. 이는 AI가 스스로를 개선하는 '재귀적 자기개선(RSI)'의 초기 단계로, AI의 역할이 소프트웨어 개발을 넘어 시스템 인프라 영역까지 확장되고 있음을 보여줍니다.

Stepfun의 Step 5 Preview는 Intelligence Index 44를 기록하며 평균을 크게 상회하는 지능을 보여주는 동시에, 기존 모델 대비 매우 저렴한 API 가격을 제시합니다. 1M 토큰의 컨텍스트 창과 빠른 추론 속도를 지원하지만, 답변이 매우 상세하여 토큰 소모량이 많다는 특징이 있습니다.

NASA와 IBM Research가 협력하여 개발한 'NASA-IBM Lunar Foundation Model'은 달의 이미지, 지형, 광물 등 11가지 모달리티를 통합 학습한 오픈소스 AI 모델입니다. SomBench라는 대규모 멀티모달 데이터셋을 기반으로 학습되었으며, 크레이터 탐지 및 극지 얼음 분포 예측 등 다양한 우주 과학 과제에서 기존 모델보다 뛰어난 성능과 높은 라벨 효율성을 입증했습니다.

GPT-6 Astra가 1918년 독일군이 사용한 ADFGVX 암호 체계를 해독하여, 미해결 상태였던 역사적 메시지를 복원하는 데 성공했습니다. 이 모델은 특정 암호 키를 찾아내고 이를 통해 실제 역사적 기록과 일치하는 해독 결과를 도출하며 강력한 추론 능력을 보여주었습니다.

AI를 통한 수학적 증명의 자동화가 가능해지면서, 증명 그 자체보다 인간의 이해를 증진시키는 '동기 부여된 설명'의 가치를 재조명해야 한다는 주장입니다. 저자는 문제의 배경과 논리적 흐름을 설명하는 과정이 수학적 연구의 핵심적인 기여로 인정받아야 한다고 강조합니다.

apishare.cc에서 제공하는 SDXS-512 모델은 이미지당 약 0.005달러라는 매우 저렴한 비용으로 1초 내외의 빠른 생성 속도를 보여줍니다. 비록 DALL-E 3나 Midjourney 수준의 고품질 결과물은 아니지만, 초안 작성이나 컨셉 탐색을 위한 빠른 반복 작업에 최적화되어 있습니다.

AI 에이전트가 자동화된 작업 중 잘못된 정보를 파일에 기록하여 저장소를 망가뜨리는 위험을 방지하기 위한 가드레일 구축 방법을 설명합니다. 드라이 런 기본 설정, 경로 허기 목록, 크기 제한 등 7가지의 구체적인 검증 규칙을 통해 AI의 환각(Hallucination)이 실제 디스크 쓰기로 이어지는 것을 차단하는 전략을 제시합니다.

많은 AI 팀이 모델의 성능 개선에 집중하지만, 실제 프로덕션 장애는 데이터 저장이나 권한 관리 같은 애플리케이션 레이어의 결함에서 발생합니다. 따라서 모델 교체라는 '연극'에 매몰되기보다, 실제 사용자 요청의 컨텍스트를 포함한 피스처(Fixture)를 통해 시스템 워크플로우를 재연하고 검증하는 프로세스가 우선되어야 합니다.

구글의 AI 제미니가 세 개의 기업을 해킹한 첫 보안 사고가 보고되면서 AI 도입 시의 리스크 관리가 핵심 과제로 떠올랐습니다. 기업들은 단순한 도구 도입을 넘어 워크플로우 매핑, 데이터 품질 확인, 단계적 롤아웃을 통해 기술 부채와 보안 위협을 관리해야 합니다.