OpenAI가 3차원 나비에–스토크스 방정식의 해가 유한한 시간 안에 특이점을 만들 수 있다는 증명을 공개했습니다. 유체가 움직이는 방식을 나타내는 방정식에서 ‘특이점’은 수학적 해가 매끄러운 상태를 잃는 지점입니다. 이런 붕괴가 실제로 가능한지는 Clay Mathematics Institute가 정한 밀레니엄 문제 가운데 하나와 맞닿아 있습니다.

회사는 논문과 함께 Lean 형식화 자료를 내놨습니다. Lean은 증명의 각 단계가 앞서 둔 가정에서 논리적으로 이어지는지 확인하는 프로그램입니다. OpenAI 설명에 따르면 약 1만 개 에이전트가 동시에 움직여 약 88시간 동안 나비에–스토크스 해법을 찾았고, 이를 Lean으로 옮기는 데 약 17시간이 더 걸렸습니다.

글처럼 보이는 증명을 내놓는 데 그치지 않고, 증명 보조 프로그램이 확인할 수 있는 형태로 논리를 옮겼다는 점은 이례적입니다. 그렇다고 결론이 확정된 것은 아닙니다. 다른 수학자들이 정의와 가정, 증명 과정을 검토해야 하며 Clay Mathematics Institute도 아직 이를 상금 문제의 해법으로 인정하지 않았습니다.

독립 검토를 통과한다면 수학 문제의 해답뿐 아니라 연구 방법에도 의미가 생깁니다. 수많은 AI 에이전트가 가능한 논리를 탐색하고 증명 후보를 조립한 뒤 형식 검증까지 연결할 수 있음을 보여주기 때문입니다. 지금 확인된 것은 구체적인 증거 자료를 갖춘 중대한 주장입니다. 수학계의 최종 판단은 아직 나오지 않았습니다.

Meta가 온라인에서 일을 맡는 개인 에이전트 Muse를 내놨다

Meta는 9월 8일 미국에서 Muse 출시를 시작했습니다. 이 개인 AI 에이전트는 전용 가상 머신 안에서 브라우저를 쓰며 자료 조사, 이메일, 예약, 구매처럼 오래 걸리는 일을 처리합니다.

Meta는 이메일을 보내거나 구매를 마치기 전에 Muse가 이용자 승인을 받는다고 밝혔습니다. Sentinel이라는 별도 시스템이 인터넷 행동을 검사하고, Muse 대화와 가상 머신 데이터는 광고 시스템과 공유하지 않는다고도 설명했습니다. 가상 머신 전체를 종단 간 방식으로 보호하는 기능은 올해 후반 도입할 계획이어서 아직 쓸 수 없습니다.

Muse가 일상 계정으로 들어오면서 무엇을 자동으로 맡기고 어떤 행동마다 확인을 받을지가 더 현실적인 문제가 됐습니다. Meta는 권한과 감사 장치를 설명했지만 실제로 얼마나 안정적으로 작동하는지는 출시 뒤 사용 과정에서 확인해야 합니다.

OpenAI가 Agents API를 모든 개발자에게 열었다

OpenAI는 9월 10일 Agents API 공개 베타를 시작했습니다. Codex가 쓰는 실행 체계를 API로 묶어, 도구를 사용하고 하위 에이전트에 일을 나누며 며칠 동안 이어지는 작업을 수행할 수 있게 했습니다.

개발자는 OpenAI 샌드박스와 자체 인프라, 협력사 환경 가운데 실행 장소를 고를 수 있습니다. OpenAI는 API 자체에 별도 요금을 붙이지 않고 사용한 모델과 도구 비용만 받는다고 밝혔습니다. 발표에 나온 초기 성능 수치는 독립 비교가 아니라 고객 사례입니다.

도구와 대화 맥락, 장기 작업을 조율하는 까다로운 부분을 관리형 서비스로 옮긴 셈입니다. 그래도 에이전트가 어떤 정보에 접근하는지, 어디에서 실행되는지, 중요한 행동을 누가 승인하는지는 개발자가 정해야 합니다.

Skild AI가 영상 한 편으로 일을 배우는 로봇을 공개했다

Skild AI는 S1 로봇이 바탕 모델을 다시 학습하지 않고도 시범 영상 한 편으로 새로운 다단계 작업을 배우는 모습을 공개했습니다. NVIDIA가 9월 10일 소개한 사례에서 로봇은 11분짜리 화분 심기 영상을 본 뒤 스스로 작업을 시도했습니다.

회사는 S1이 최대 10분 길이의 작업을 다룰 수 있다고 밝혔습니다. 내부 시험에서는 각 단계를 66% 완료해 비교 기준의 9%를 웃돌았습니다. Skild AI가 측정하고 협력사인 NVIDIA가 전한 수치이므로 낯선 집이나 매장, 공장에서도 같은 수준으로 움직인다고 보기는 어렵습니다.

시범을 보고 배우면 사람이 새 프로그램을 짜지 않고 동작을 보여 주는 것만으로 로봇을 적응시킬 수 있습니다. 물건과 조명, 작업 순서가 영상과 달라졌을 때 로봇이 스스로 회복할 수 있는지가 더 어려운 시험입니다.

교원노조와 Microsoft가 강제력 있는 학교 AI 조항을 만들었다

미국교사연맹(AFT)과 뉴욕시교사연합(UFT), Microsoft는 9월 9일 학교 AI 안전·개인정보 기준을 발표했습니다. 학생 데이터로 모델을 학습하지 않고, 학생을 추적하지 않으며, AI가 내린 판단을 사람이 감독하고, 쉬운 말로 설명하도록 하는 내용입니다.

미국 학군은 이 조항을 Microsoft 고객 계약에 넣을 수 있습니다. 위반하면 계약을 끝내거나 손해배상을 청구할 근거가 됩니다. 자율적인 원칙 선언보다 구체적이지만, 모든 회사와 학교에 적용되는 연방법은 아닙니다.

가정과 학교가 AI 서비스를 들일 때 확인할 수 있는 계약 문구가 생겼습니다. 실제 영향은 얼마나 많은 학군이 이를 채택하고 다른 공급사도 비슷한 의무를 받아들이는지에 달렸습니다.

캐나다가 국가 AI 리터러시 교육을 시작했다

캐나다 정부는 9월 9일 무료 국가 AI 리터러시 이니셔티브를 시작했습니다. 학생과 교육자, 일반 시민을 위한 과정을 따로 두고 AI를 실제로 쓰는 법과 한계, 위험을 함께 가르칠 계획입니다.

정부는 고등교육 학습자 최대 100만 명과 유치원부터 고등학교까지의 교육자 5만 명 이상에게 닿을 것으로 예상합니다. 목표치이지 이미 수업을 들은 인원은 아닙니다. 학습 효과를 보여 주는 자료도 아직 발표되지 않았습니다.

AI 리터러시를 개별 학교나 고용주에게만 맡기지 않고 공공 교육 기반으로 다루기 시작했다는 변화입니다. 앞으로 볼 수치는 교육 대상자 수뿐 아니라 참여율과 이수율, AI 답변을 판단하는 능력이 실제로 나아졌는지입니다.

AlphaGenome이 DNA 변화 90억 개의 예측 지도를 만들었다

Google DeepMind는 9월 8일 AlphaGenome Atlas를 무료 연구 포털로 공개했습니다. 사람 유전체에서 가능한 약 90억 개의 단일염기 변화가 분자에 어떤 영향을 줄지 모델이 예측한 자료입니다.

연구자는 이 지도를 이용해 실험실에서 더 살펴볼 변이를 좁힐 수 있습니다. 의료 진단 도구는 아니며, 분자적 영향 예측만으로 어떤 사람이 병에 걸리거나 특정 치료에 반응한다고 결론 내릴 수는 없습니다.

막대한 수의 변이를 비싼 실험에 넣기 전에 살펴볼 수 있다는 것이 장점입니다. 실제 생물학 자료와 다양한 인구집단에서도 예측이 맞는지는 앞으로 검증해야 합니다.

GPT-Live-1이 말하면서 듣는다

OpenAI는 9월 10일 GPT-Live-1을 API에 공개했습니다. 이 음성 시스템은 말하는 동안에도 듣는 ‘전이중’ 대화를 지원하도록 설계했습니다. 상대가 끼어들거나 주변에 소음이 있어도 발언 순서를 엄격히 나눌 필요가 없습니다.

OpenAI는 더 다양한 억양과 언어도 처리한다고 밝혔습니다. 앞단의 음성 처리 계층은 분당 0.05달러이고, 뒤에서 답을 만드는 모델 비용은 별도로 청구됩니다.

자연스러운 대화 속도는 시끄럽거나 빠르게 말이 오가는 상황에서 음성 도우미를 쓰기 쉽게 해줍니다. 다만 말투가 자연스럽다고 답까지 정확한 것은 아닙니다. 개발자는 연결한 모델을 따로 평가하고 두 계층을 합친 전체 비용을 알려야 합니다.

DreamZero가 예측 영상으로 로봇의 다음 행동을 미리 그린다

Telexistence와 AWS는 140억 매개변수 세계 모델 DreamZero를 편의점 로봇 작업에 맞췄습니다. 이 모델은 미래 영상과 로봇 행동을 함께 예측해, 움직이기 전에 어떤 일이 벌어질지 가늠합니다.

AWS는 깨끗한 시뮬레이션 자료로 미세조정한 뒤 결과가 나아졌다고 보고했습니다. 실제 시범 자료에서는 학습 손실이 크게 올랐고, 연구진은 오프라인 평가만으로 현실과 계속 상호작용하는 로봇의 행동을 충분히 알 수 없다고 적었습니다.

이 실험은 현실과 시뮬레이션의 차이를 드러냈다는 점에서도 의미가 있습니다. 그럴듯한 다음 영상을 예측하는 능력과 계속 바뀌는 선반, 상품, 사람 사이에서 기계를 안전하게 움직이는 능력은 같지 않습니다.

IBM이 불확실성까지 보여 주는 시계열 모델을 공개했다

IBM Research는 9월 9일 PatchTST-FM-r2를 공개했습니다. 3억 8,500만 매개변수 모델로 8,192개 시점의 맥락을 읽고 99개 분위수 값을 내놓습니다. 하나의 예측값만 찍는 대신 가능한 결과의 범위를 보여 주는 방식입니다.

IBM은 상업적으로 쓰기 쉬운 조건으로 모델 가중치와 평가 결과를 공개했습니다. 회사의 데이터 누출 없는 제로샷 비교에서 이 모델은 허용 범위가 넓은 라이선스 모델 가운데 선두권을 기록했습니다. 사전학습 모델 전체 비교에서는 지표에 따라 3위 또는 4위였습니다.

순위는 IBM이 공개한 자체 벤치마크 결과이며 고른 데이터셋과 평가 지표에 따라 달라집니다. 에너지 수요와 교통량, 센서 수치처럼 시간에 따라 바뀌는 값을 예측하면서 결과 범위도 살펴봐야 하는 연구자와 개발자에게는 직접 검토할 수 있는 도구가 하나 늘었습니다.

이 한국어 기사는 영어 원문을 번역한 것이며, 번역 과정에서 오류가 있을 수 있습니다. 이 글은 Wonder Bricks AI Agent의 도움을 받아 작성했으며 SunnyLabs가 편집했습니다.