왜 무제한 GPU를 가진 AI 연구실도 실패하는가: Anjney Midha의 통찰
Anjney Midha, AMP CEO는 AI 확장은 단순히 컴퓨팅 양이 아니라 엄격한 인프라 효율성, 사명에 맞는 문화, 전략적 공동 설계를 통한 '출력 극대화'가 필요하다고 주장한다.
Trajectory.ai와 기업 AI에서 지속 학습의 미래
Ronak Malde, Trajectory.ai CEO는 정적 AI 모델을 넘어 실제 사용자 신호와 셀프‑디스틸레이션을 활용해 법률·금융 등 전문 분야에서 지속적으로 개선되는 살아있는 시스템으로 전환하는 전략을 논의했습니다.
Work AI Index 2026: Botsitting과 생산성 역설
Glean의 Rebecca Hinds는 87%의 근로자가 AI를 사용해 시간을 절약하지만, 조직 차원의 개선을 보는 경우는 13%에 불과하다고 설명하면서 'botsitting'과 'botshitting' 개념을 소개합니다.
AM에서의 AI: Claude Fable 5와 재귀적 자기 개선으로 가는 길
Anthropic의 Claude Fable 5 출시를 기술적으로 깊이 파고들며, 자율 코딩에 미치는 영향, 정렬 이론, 그리고 재귀적 자기 개선의 시스템적 위험을 탐구합니다.
Elicit: 신뢰할 수 있는 과학적 추론을 위한 세계 모델 구축
Elicit 공동 설립자인 Andreas Stuhlmüller와 Byun Jungwon은 도메인 특화 언어와 외부 세계 모델을 활용해 고위험 과학 연구에서 투명하고 체계적이며 검증 가능한 추론을 보장하는 방법을 논의합니다.
에이전트 엔지니어링 전환에 관한 폴 에버릿
폴 에버릿은 소프트웨어 산업이 '바이브 코딩'에서 '에이전트 엔지니어링'으로 전환해야 하며, 단순히 코드를 더 많이 생성하는 데서 AI 에이전트가 고품질의 지속 가능한 소프트웨어를 만들 수 있도록 시스템과 스캐폴딩을 구축하는 것으로 초점을 옮겨야 한다고 주장한다.
에이전트 네이티브 오피스 구축: Datadog의 교훈
Datadog의 Diamond Bishop은 몇 개의 AI 에이전트에서 수백 개로 확장하기 위한 프레임워크를 제시하며, 에이전트‑우선 UX, 이벤트‑드리븐 아키텍처, 그리고 엄격한 평가 시스템의 중요성을 강조합니다.
AI Dev 26 × SF: 더 나은, 더 저렴한 AI 결과를 위한 멀티‑모델 파이프라인
ZenCode의 Andrew Filev는 AI 코딩 작업을 **계획, 구현, 리뷰**라는 단계로 분해하고 각각에 최적의 모델을 배정하는 멀티‑모델 파이프라인을 통해 비용을 절감하고 품질을 향상시킬 수 있음을 설명합니다.
AI21 Maestro: 실제 에이전트에서 정확도, 비용 및 지연 시간 최적화
AI21 Maestro는 수동적인 휴리스틱 기반 에이전트 오케스트레이션을 대체하는 최적화 프레임워크로, 성공 여부, 비용 및 지연 시간을 예측하는 행동 모델을 활용해 에이전트 행동 공간을 동적으로 탐색합니다.
Flower SuperGrid Agents: 협업 네트워크를 통한 AI 확장
Flower Labs의 Daniel Beutel은 현재 개인용 사일로에 갇혀 있는 데이터의 99%를 활용할 수 있도록 협업 AI 에이전트와 분산형 학습 파이프라인을을 위한 분산형 AI 플랫폼인 Flower SuperGrid를 소개합니다.
OUMI VibeML: 임대형 범용 AI에서 소유형 특화 지능으로의 전환
OUMI의 VibeML은 기업이 범용 API 대신 특화된 고성능 AI 모델을 몇 달이 아닌 몇 분 만에 구축할 수 있게 해주는 에이전트형 모델 팩토리를 제공합니다. 이를 통해 비용을 절감하고 품질을 높일 수 있습니다.
에이전트 데이터 스택: 왜 모든 AI 에이전트에게 자체 데이터 스택이 필요한가
Spice AI의 Luke Kim은 AI 에이전트가 프로덕션 시스템에 과부하를 주는 것을 방지하고 보안을 보장하기 위해, SaaS 시대의 중앙 집중식 ETL 모델에서 벗어나 분산되고 격리된 데이터 스택이 필요하다고 주장합니다.
CrewAI: 반복적이고, 거버넌스가 적용된, 임베디드된 기업용 워크플로우 구축하기
CrewAI CEO João Moura는 재사용 가능한 빌딩 블록과 Human-in-the-Loop 시스템에 집중함으로써 기업이 어떻게 ad hoc AI 실험에서 신뢰할 수 있고, 거버넌스가 적용된, 임베디드된 워크플로우로 전환할 수 있는지 설명합니다.
Andi Partovi: 모든 AI 에이전트가 시뮬레이션 샌드박스를 필요로 하는 이유
Veris AI의 Andi Partovi는 전통적인 소프트웨어 테스트와 골든 데이터셋이 자율 AI 에이전트에 충분하지 않으며, 프로덕션에 투입하기 전에 실패 모드를 포착하기 위해 고충실도 시뮬레이션 환경이 필요하다고 주장합니다.
Ara Khan: 평가가 엉망이지만 어쨌든 사용하라
Ara Khan은 AI 에이전트 개발자가 '바이브'를 넘어 구조화된 평가를 사용해야 한다고 설명합니다. 비록 평가에 결함이 있더라도, 이를 통해 에이전트 성능과 도구 신뢰성을 반복적으로 개선할 수 있습니다.
Andrew Ng와 함께 30분 만에 나만의 앱 만들기
Andrew Ng는 AI 프롬프트를 활용해 웹 애플리케이션을 만드는 프레임워크를 제시합니다. 이를 통해 코딩 경험이 없어도 생일 카드 생성기나 게임 같은 실용적인 소프트웨어를 만들 수 있습니다.
과학 및 신약 개발에서 AI의 미래에 대한 Demis Hassabis
Google DeepMind CEO인 Demis Hassabis는 Co‑Scientist와 AlphaFold를 포함한 AI 플랫폼이 개별 도구에서 자율적인 과학적 발견과 질병 치료를 위한 통합 시스템으로 전환하고 있음을 논의합니다.
제프 딘의 AI 컴퓨팅 미래, 추론 특화 및 지속 학습
구글 수석 과학자 제프 딘은 1,000,000배의 컴퓨팅 도약이 자율 엔지니어링을 가능하게 하고, 추론 특화 하드웨어로의 전환과 효율적인 컨텍스트 관리로 '평생 AI'에 이르는 길을 어떻게 열어줄지 논의합니다.
데이터 블랙홀: AI에서 샘플 효율성 격차 이해하기
현재 AI 진보는 샘플 효율성 향상이 아니라 방대한 데이터 스케일링에 의해 주도되고 있으며, 인간과 AI 사이에 백만 배에 달하는 학습 격차가 존재한다.
범주론 기반 딥러닝: AI를 연금술에서 과학으로 옮기기
연구자들은 범주론을 딥러닝의 통합 수학적 프레임워크로 제안하여, 경험적 시행착오를 넘어 알고리즘적 추론과 구조적 논리를 신경망이 내재화하도록 목표합니다.
무한 알파벳과 지식의 법칙에 관한 César Hidalgo
César Hidalgo는 지식이 비대체적이며 집합적인 현상으로, 성장, 확산, 소멸이라는 물리적 법칙과 유사한 규칙을 따르기 때문에, 체화된 경험 없이는 단순히 다운로드하거나 복제할 수 없다고 주장한다.
AutoGrad와 베이지안 뇌: 제프 벡 박사의 AI 미래 전망
제프 벡 박사는 진정한 지능은 함수 근사와 LLM을 넘어, 언어가 아닌 거시 물리학에 기반한 객체 중심 베이지안 모델로 이동해야 한다고 주장합니다.
왜 역사 속 모든 뇌 은유는 틀렸는가
이 영상은 수압 펌프에서 컴퓨터에 이르기까지 과학적 단순화와 은유가 어떻게 현실로 굳어지는지를 탐구하며, 이해는 이러한 모델의 한계를 인식하는 데서 시작된다고 주장한다.
왜 AI는 플라톤 문제를 가지고 있는가: 마즈비타 치리무타의 신경과학 철학
마즈비타 치리무타 교수는 AI 연구가 종종 우주가 수학적 코드로 쓰여 있다는 '플라톤식' 가정에 의존하고, 인간 인지에서 생물학적 구현과 적극적 상호작용의 필수적 역할을 무시한다고 주장한다.
뇌는 단지 서로 대화하는 전문화된 에이전트일 뿐 — Dr. Jeff Beck
Beck 박자는 에이전시의 수학적 기반, 에너지 기반 모델(EBM)의 메커니즘, 그리고 뇌를 전문화된 에이전트들의 집합으로 보는 모듈식 지능 이론을 논의합니다.
Blaise Agüera y Arcas의 공생 발생과 삶의 계산적 본질
Blaise Agüera y Arcas는 삶이 구현된 계산이며, 복제자들의 융합인 공생 발생이 무작위 돌연변이보다 진화적 새로움과 복잡성의 주요 동력이라고 주장한다.
AI 코딩의 위험한 착각: 제레미 하워드가 말하는 소프트웨어 엔지니어링 vs. 코딩
제레미 하워드는 AI가 스타일 전이 문제로서 ‘코딩’에는 뛰어나지만 ‘소프트웨어 엔지니어링’이라는 근본적인 역량은 부족하다고 주장한다. 이는 ‘이해 부채’와 조직 약화라는 미래 위험을 초래한다.
Shinka Evolve: 과학적 발견을 위한 개방형 프로그램 탐색
Robert Lange은 LLM과 진화 알고리즘을 결합한 샘플 효율적인 프레임워크인 Shinka Evolve를 소개합니다. 이 프레임워크는 문제와 해결책이 함께 진화하도록 함으로써 프로그램 탐색과 과학적 발견을 자동화합니다.
AI 진행 측정: METR 시간 지평선 프레임워크
Beth Barnes와 David Rein(METR)은 인간이 작업을 완료하는 시간을 통합 축으로 사용해 AI 능력을 측정하고 향후 진행을 예측하는 '시간 지평선' 방법론을 논의한다.
지능은 인공이 아니라 집합적이다: 마이클 I. 조던 교수의 AI와 경제학에 대한 관점
마이클 I. 조던 교수는 지능이 무형의 초지능이 아니라 집합적 경제 시스템이라고 주장하며, AI 과대광고에서 벗어나 컴퓨터 과학, 통계학, 경제학을 결합한 다학제적 접근으로 전환할 것을 촉구한다.
브래드 카슨이 말하는 AI 무기, 책임성, 그리고 AI 군비 경쟁의 오류
전직 펜타곤 관계자인 브래드 카슨은 AI 개발이 필연적인 화물열차가 아니며, 서방이 전략적 자제와 칩 수준의 통제를 통해 AI 거버넌스를 적극적으로 형성하고, 치명적인 자율 무기를 방지하며, 재앙적인 군비 경쟁을 피할 수 있다고 주장한다.
Stanford CS336 Lecture 15: Mid-Training and Post-Training (SFT and RLHF)
이 강의는 Supervised Fine‑Tuning(SFT)과 Reinforcement Learning from Human Feedback(RLHF)를 통해 기본 언어 모델을 지시‑추종 어시스턴트로 전환하는 과정을 설명합니다. 알고리즘의 복잡성보다 데이터 품질과 큐레이션이 더 중요함을 강조합니다.
Stanford CS336 Lecture 16: Reinforcement Learning from Verifiable Rewards (RLVR)
이 강의에서는 검증 가능한 보상으로부터의 강화 학습(RLVR)을 탐구하며, GRPO와 같은 알고리즘이 복잡한 가치 함수를 그룹 기반 보상으로 대체해 수학 및 코딩에서 복잡한 추론이 가능한 ‘사고 모델’을 가능하게 하는 방식을 상세히 설명합니다.
Stanford CME296 Lecture 7: Evaluation of Text-to-Image Generation Models
이 강의에서는 텍스트‑투‑이미지 모델을 평가하는 방법론을 소개합니다. 미학과 프롬프트 충실도를 구분하고, 전통적인 수학적 메트릭에서 MLLM‑as‑a‑Judge 프레임워크로의 전환 과정을 상세히 설명합니다.
Stanford CME296 Diffusion & Large Vision Models Lecture 8 Summary
이미지 및 비디오 생성 패러다임에 대한 포괄적인 검토로, 확산·스코어 매칭에서 흐름 매칭으로의 전환을 다루고 이 기술들을 비디오, 이미지 편집, LLM에 적용하는 방식을 탐구한다.
Stanford CS336 Lecture 17: Multimodal Language Modeling
이 강의에서는 멀티모달 모델의 아키텍처를 탐구하며, 비전-언어 모델(VLM)이 시각적 추론을 달성하기 위해 CLIP 및 SigLIP과 같은 이미지 인코더를 대규모 언어 모델(LLM)과 어떻게 통합하는지에 초점을 맞춥니다.
Stanford CS25: 트랜스포머 서빙 - 현장의 교훈
Modal의 Charles Frye는 대규모 트랜스포머 모델 서빙의 엔지니어링 과제에 대해 논의하며, 프리필 단계와 디코드 단계 사이의 중요한 차이점 및 하드웨어 활용 최적화에 초점을 맞춥니다.
Stanford CS25: Transformers United V6 - 언어 모델에서 네이티브 멀티모달 인텔리전스로
Victoria Lin은 네이티브 멀티모달 언어 모델의 진화를 논의하며, 모달리티 전반에 걸친 토큰화와 Mixture of Transformers(MoT)와 같은 특화된 아키텍처가 텍스트, 이미지, 오디오를 원활히 통합하도록 어떻게 가능하게 하는지 상세히 설명합니다.
로봇 학습에서 기하학 활용하기: 스탠포드 로보틱스 세미나
플랫 교수는 로봇 학습 모델에 기하학적 구조 사전 지식과 등변성을 도입하면, 일반주의 VLA 모델에 비해 데이터 효율성과 자세에 대한 일반화가 크게 향상될 수 있음을 논의합니다.
Stanford CS336 Language Modeling from Scratch: Inference Engines and Full-Stack Innovation
게스트 강사 Dan Fu는 LLM을 수학적 객체에서 실제 지능으로 전환하는 데 있어 inference 엔진과 GPU 커널의 핵심 역할을 논의하고, Megakernel 및 Parcae 재귀 아키텍처와 같은 최적화 기법을 소개합니다.
AI 슈퍼사이클의 경제학: Baseten과 맞춤형 추론으로의 전환
Tuhin Srivastava Baseten CEO는 AI 경제가 최첨단 모델에서 맞춤형, 사후 학습 오픈소스 모델로 전환하고 있으며, 이는 수익성, 방어성, 낮은 지연 시간을 달성하기 위한 전략이라고 주장합니다.
Sam Altman의 규모, AGI, 그리고 프론티어 시스템의 미래에 대해
OpenAI CEO Sam Altman은 규모의 경험적 힘, ChatGPT와 Codex의 진화, 그리고 AI 시대의 컴퓨팅 부족과 권력 집중의 시스템적 위험에 대해 논의합니다.
Stanford MS&E435 Economics of the AI Supercycle: Building AI Factories
Chase Lochmiller, Crusoe의 CEO는 기가와트 규모 AI 데이터 센터 구축에 필요한 막대한 자본 지출을 논의하며, AI를 GDP 성장을 견인하는 디지털 노동 형태로 정의합니다.
프로덕션 에이전트를 위한 필수 요소
LLM 에이전트를 데모 단계에서 프로덕션 단계로 옮기려면 팀이 일곱 가지 핵심 제어를 구현해야 합니다: 모델 제어, 프롬프트 레지스트리, 가드레일, 예산 제한, 툴/MCP 보안, 모니터링/트레이싱, 그리고 체계적인 평가.
에이전트의 시대: 로건 킬패트릭이 말하는 AI 스튜디오와 빌딩의 미래
로건 킬패트릭은 AI 스튜디오가 ‘바이브 코딩’ 플랫폼으로 진화하고, 에이전트 엔지니어링이 부상하며, 코딩 경험과 관계없이 누구나 소프트웨어를 만들 수 있는 구글의 비전을 설명합니다.
NVIDIA Nemotron 3 Nano Omni Release
NVIDIA는 텍스트, 이미지, 비디오, 오디오를 하나의 효율적인 아키텍처에서 네이티브로 지원하는 소형 올인원 멀티모달 모델인 Nemotron 3 Nano Omni를 출시했습니다.
Claude Design Agentic Architecture: 6 Patterns for Vertical AI Agents
Claude Design은 컨텍스트 그라운딩, 구조화된 메모리, 자체 QA 루프 등 여섯 가지 에이전시 패턴을 결합한 정교한 스택을 활용해 고품질 수직형 에이전트를 만들며, 이를 어떤 산업에도 복제할 수 있습니다.
IBM Granite Speech 4.1 릴리스: 고처리량 ASR 모델
IBM은 엣지 배포를 위해 설계된 2B 파라미터 ASR 모델 3종을 포함하는 Granite Speech 4.1을 출시했으며, 정확도, 화자 다이어리제이션, 극한 처리량을 위한 특화 변형을 제공합니다.
MiniCPM-V 4.6 릴리즈 노트 / 새로운 소식
MiniCPM-V 4.6은 엣지 배포와 에이전트 워크플로를 위해 설계된 13억 파라미터 비전 모델로, 높은 토큰 효율성과 유연한 시각 토큰 압축을 특징으로 합니다.
OpenShell: 안전한 LLM 에이전트를 위한 프로세스 외 집행
OpenShell은 슈퍼바이저를 사용해 에이전트 프로세스 외부에서 네트워크, 파일, 자격 증명 정책을 집행함으로써 LLM 에이전트에 안전한 런타임을 제공하고, 프롬프트 인젝션 및 탈옥 공격을 방지합니다.