읽을 가치가 있는 기사만, 짧고 또렷하게.

애플의 홈뷰(Apple HomeView)는 Siri AI와 스마트홈 제어 기능을 통합한 7인치 가정용 디스플레이를 공개했습니다. 이 디스플레이는 음악 및 영상 재생, FaceTime 기능은 물론 스마트홈 제어까지 하나의 기기에 결합하여 사용 편의성을 높였습니다.

제품은 탁상형과 벽걸이형으로 제공되며, 핵심 하드웨어로는 7인치 Liquid Retina 화면과 A18 칩이 탑재되어 있습니다. 또한 12MP Center Stage 카메라와 4개의 마이크를 통해 공간 음향을 지원하며, 최대 6명의 얼굴을 인식하여 개인별 화상 통화를 지원하는 인공지능 기능을 제공합니다.

이러한 사양은 단순한 디스플레이를 넘어 AI 기반의 멀티미디어 및 스마트홈 인터페이스로서의 역할을 강조합니다. 특히 A18 칩과 공간 음향 기술의 통합은 고품질의 미디어 경험과 몰입감 있는 소리 환경을 구현하는 데 중점을 두고 있습니다.

개발자 관점에서 볼 때, 이 제품은 하드웨어 성능과 AI 기능을 통합하여 사용자 경험을 극대화하는 방식에 대한 중요한 사례를 제시합니다. 이는 디스플레이와 센서 기술이 어떻게 실시간으로 상호작용하며 스마트홈 환경을 구축하는지에 대한 새로운 접근 방식을 보여줍니다.

애플이 새로운 스마트 디스플레이인 홈뷰를 사전 주문으로 출시합니다. 홈뷰는 칠인치 스퀴어(squircle) 디자인으로, 스피커 베이스에 장착된 거대한 애플 워치와 유사한 외관을 가지고 있습니다. 이 제품은 299달러에 판매되며, 애플이 가정용 기기 시장으로 확장하는 데 중심이 되어 스마트 홈 기술을 제어할 수 있는 기능을 제공합니다.

홈뷰는 레시피 표시, 음악 재생 제어, 페이스타임 통화, 다양한 위젯 표시 기능을 지원합니다. 이 스마트 디스플레이는 스마트 홈 기술을 통합하여 사용자가 집안의 다양한 기기를 제어할 수 있도록 설계되었습니다.

홈뷰는 11월 13일에 출시될 예정이며, 여러 색상으로 사전 주문이 가능합니다. 구매 시 스피커 베이스를 포함할지 선택할 수 있는 옵션이 제공됩니다.

애플이 7인치 스마트 디스플레이인 홈뷰(HomeView) 스마트 홈 허브의 사전 주문을 시작했습니다. 이 제품은 최대 여섯 명의 가족 구성원이 애플 생태계의 기기, 앱, 그리고 시리 생성형 AI 챗봇에 접근하고 제어할 수 있는 중앙 접근 지점을 목표로 합니다.

홈뷰는 사용자가 시리를 통해 스마트 홈 기기를 제어할 수 있게 합니다. 예를 들어, 스마트 블라인드를 닫거나 스마트 잠금을 활성화하는 등의 명령을 음성으로 내릴 수 있습니다. 또한 이 디스플레이는 최대 아홉 개의 비디오 피드를 동시에 라이브 스트리밍으로 보여줄 수 있는 기능도 제공합니다.

이 허브는 카메라를 통해 최대 여섯 명의 사용자를 인식할 수 있으며, 스마트 홈 환경에서 AI와 연결된 사용자 경험을 확장하는 데 중점을 두고 있습니다. 홈뷰는 299달러의 가격으로 출시되어 스마트 홈 디바이스와 AI 통합에 관심 있는 사용자들에게 새로운 기회를 제공합니다.

애플의 새로운 스마트 스피커인 홈팟 미니 2가 출시되었으며, 이에 대한 상세한 리뷰가 공개되었습니다. 홈팟 미니 2는 Siri AI를 구동할 수 있는 업그레이드된 S10 칩을 탑재하고 있지만, 새로운 AI 기능에 대한 지원은 향후 업데이트를 통해 제공될 예정입니다.

이 기기는 LED 조명 색상과 음악 앨범 아트 색상을 일치시키는 사운드 글로우 기능을 제공하며, 맥의 기본 스피커로도 사용할 수 있습니다. 이는 하드웨어와 소프트웨어의 통합을 통해 사용자 경험을 확장하는 데 중점을 두고 있습니다.

물리적인 디자인은 이전 모델과 거의 동일하지만, 색상이 변경된 점이 특징입니다. 현재 핑크 모델과 녹색 모델이 있으며, 기존의 파란색 모델도 색상이 변경되었고 기본 색상인 검은색과 흰색 모델도 여전히 제공됩니다.

개발자가 자신의 웹사이트가 AI 봇 트래픽으로 마비되는 경험을 공유하며 인프라 개선의 중요성을 강조했습니다. 이 사용자는 뉴스 피드 리더 도구인 sprinklz.io를 소개한 후 웹사이트가 급격히 느려지는 현상을 겪었는데, 이는 단순한 트래픽 증가가 아니라 실제 사용자 요청이 아닌 봇 트래픽 때문이었습니다.

분석 결과, 대부분의 요청은 뉴스 기사를 가져오는 시도가 아니라 웹페이지를 렌더링하는 데 필요한 자바스크립트 실행조차 하지 않았으며, NGINX 로그를 분석한 결과 트래픽의 거의 절반이 특정 사용자로부터 발생하고 있음을 발견했습니다. 이 사용자는 해당 트래픽이 웹사이트 변경 사항을 감지하여 AI 뉴스레터로 요약하는 서비스와 여러 AI 봇들(Claude bot, OpenAI bot, Google 검색 인덱서 등)에서 비롯되었다고 밝혔습니다.

이러한 경험을 통해 웹사이트가 실제 트래픽을 처리하고 과부하 상태에서도 확장될 수 있도록 인프라를 개선하는 것이 가장 중요하다고 결론지었습니다. 이 사용자는 최근 몇 주 동안 백엔드 인프라를 개선하여 모든 사용자에게 상당한 성능 향상을 제공하는 데 성공했다고 설명했습니다.

또한, LLM을 사용하여 Emacs 웹 브라우저를 개선하는 과정에서 현대적인 UI 디자인과 복잡한 자바스크립트 기반 웹페이지를 텍스트 기반 환경으로 변환하는 데 어려움이 있음을 지적했습니다. 이는 웹 기술이 단순한 텍스트를 넘어 시각적 요소와 복잡한 상호작용을 포함하면서 발생하는 기술적 난제를 보여줍니다.

기후 연구자가 주도한 태양 조절 기술에 대한 전쟁 게임 시뮬레이션 결과는 지정학적 요인이 환경 문제 해결에 미치는 영향을 보여줍니다. 이 시뮬레이션은 지구를 냉각하기 위한 기술 개발에 대한 통제되지 않은 글로벌 경쟁을 막기 위해 진행되었습니다.

이 실험에는 전 세계의 외교 전문가, 과학자, 군인, 전직 정부 관계자, 기후 NGO, 토착 그룹, 기술 회사 등 수십 명의 참가자들이 모여 논의를 진행했습니다. 이들은 국가, 기후 NGO, 원주민 그룹, 기술 기업 등의 이름으로 테이블에 앉아 각자의 입장을 표명하며 과학적으로 정보에 입각한 결정을 내리도록 노력했습니다.

이 과정에서 기후 연구자는 참가자들이 과학적으로 통찰력 있는 결정을 내릴 수 있도록 기술적 조언을 제공했습니다. 이 결과는 기후 조절과 같은 거대한 환경 문제의 결정이 순전히 과학적 접근만으로는 불가능하며, 지정학적 역학 관계가 핵심적인 변수로 작용함을 시사합니다.

XBOW 연구팀은 V8 컴파일러 버그, 애니메이션 WebP 디코더 버그, Crashpad의 메모리 안전성 버그를 결합하여 크롬 탭 내의 자바스크립트 실행을 렌더러 샌드박스 외부의 코드 실행으로 전환하는 전체 체인 익스플로잇을 완성했습니다. 이 체인은 2026년 4월에 도입된 VRP 규칙에 따라 구글로부터 최초의 25만 달러 크롬 전체 체인 보상을 받았습니다.

이 익스플로잇은 6일 만에 구축되었으며, 연구팀은 광범위한 취약점 검색, V8 메모리 손상, V8 샌드박스 탈출, 렌더러 샌드박스 탈출, 통합이라는 목표를 병렬 캠페인으로 나누어 진행했습니다. 이 과정에서 OpenAI의 gpt-5.6-sol 모델을 포함한 AI 에이전트가 소스 코드를 탐색하고 가설을 테스트하며 익스플로잇 단계를 개발하는 데 사용되었습니다.

이 체인의 핵심은 V8 샌드박스와 렌더러 샌드박스라는 두 가지 경계를 모두 침범하는 데 있으며, 각 단계는 불변하다고 여겨지는 값(예: HeapNumber, WebP 버퍼, 프로세스 보호)을 변경하는 방식으로 연결되었습니다. 이러한 불변성 위반은 LLM이 운영체제 API와 오픈 소스 코드에 대한 방대한 지식을 적용하여 상태 변화를 찾아내는 데 강점을 보인다는 것을 보여줍니다.

연구팀은 이 과정에서 XBOW의 네이티브 팀이 개발한 익스플로잇 기법을 활용하여 모듈화되고 신뢰할 수 있는 익스플로잇을 만들었으며, 이는 시간과 비용 대비 높은 보상을 제공했습니다. 비록 이 결과가 모든 사람이 달성할 수 있는 것은 아니지만, 이는 자율 연구의 한계와 인간의 판단이 여전히 중요한 영역임을 시사합니다.

다국어 밀집 임베딩 검색 시스템은 모든 언어를 하나의 공유 공간에 배치하여 질문이 어떤 언어로 작성되었는지에 관계없이 관련 문서를 찾을 수 있도록 합니다. 연구진은 동일한 질문을 다른 언어로 했을 때 검색 결과가 상당히 다르게 나타나는 현상이 언어 이해 능력 부족 때문이 아니라, 언어들이 인덱스를 공유할 때 발생하는 불일치임을 보여줍니다.

이러한 불일치는 각 언어가 개별적으로 잘 작동하며 다른 언어들과 일관되게 후보 문서를 순위화하지만, 인덱스를 공유할 때만 발생합니다. 구체적으로, 각 언어는 자체 순위를 유지하지만 공유 인덱스 내에서 정답은 해당 언어의 쿼리보다 비관련 문서(쿼리 언어 또는 영어)에 의해 아래로 밀려나게 됩니다.

연구진은 이러한 문제를 해결하기 위해 불일치 기반 조향(disagreement-guided steering) 방법을 제안했습니다. 이는 각 언어에 대해 다른 언어들이 동의하는 문서와 해당 언어가 개별적으로 검색한 문서를 비교하여 그 차이를 언어별 방향으로 삼아 추론 시 쿼리에 추가하는 방식입니다. 이 방법은 언어 평균 제거, 부분 공간 제거, 언어별 회전 등의 기준 모델에 비해 동일 언어 혼잡도를 가장 강력하게 줄이면서도 검색 재현율을 유지합니다.

에픽 게임즈는 곧 출시될 디즈니 게임을 위해 인공지능을 활용하여 코드와 예술을 생성할 계획입니다. 이 프로젝트는 원래 3월 출시 예정이었으나 현재 연기되었으며, 개발자들에게 인공지능 중심의 개발 방식을 요구하는 지침이 내려졌습니다.

개발자들은 게임을 완성하기 위해 앤트로픽의 클로드와 같은 도구를 더 많이 사용하도록 지시받았습니다. 한 게임 디렉터는 직원들에게 "더 이상 손으로 코드를 작성하지 말라"고 요청했으며, 모든 게임 아트 역시 완전한 AI 워크플로우를 통해 생성될 것이라고 밝혔습니다.

에픽 게임즈 대변인 제이크 존스는 회사가 "AI 가속화된 개발을 수용하고 있다"고 언급하며 이러한 변화를 강조했습니다. 이는 개발 과정에서 수작업 코딩을 최소화하고 AI를 적극적으로 활용하여 개발 속도와 효율성을 높이려는 시도입니다.

영국의 1인당 전력 생산량은 2003년 정점 대비 3분의 1 감소했으며 현재는 1960년대 후반 수준으로 돌아갔습니다. 이러한 감소는 수요 변화보다는 전력 수입 변화에서 기인하는데, 2010년 1%였던 전력 수요 대비 순수입 비율이 2025년에는 9%로 증가했기 때문입니다. 이러한 현상의 가장 큰 원인은 경제가 제조업에서 서비스업으로 전환되면서 전력 수요가 감소한 탈산업화에 있으며, LED 도입과 같은 에너지 효율 개선 노력도 영향을 미쳤습니다.

산업 부문의 전력 소비는 2005년 이후 4분의 1 감소했으며, 주거 및 상업용 전력 사용량 역시 비슷한 수준으로 줄어들었습니다. 따라서 탈산업화가 수요 감소에 기여했지만, 에너지 효율 개선이 중요한 역할을 했다는 점을 함께 고려해야 합니다. 또한 순수입 증가가 전력 생산량 감소의 일부 원인이므로, 전력 소비량 자체는 과거보다 줄어들었지만 국제적인 에너지 흐름 속에서 상황을 이해하는 것이 중요합니다.

전 세계적으로는 지난 100년 동안 1인당 전력 생산량이 50% 이상 증가했지만, 영국은 이러한 추세와는 반대로 움직였습니다. 이는 전 세계적인 에너지 생산과 소비 패턴이 지역별로 매우 다르게 나타날 수 있음을 보여줍니다. 따라서 특정 국가의 에너지 지표를 분석할 때는 탈산업화와 에너지 효율 개선이라는 국내 요인뿐만 아니라 국제적인 에너지 수입 및 생산 변화라는 맥락을 함께 살펴보아야 합니다.

건설 현장의 로봇 작업 계획 수립은 주로 수동으로 이루어져 비효율적이며 로봇 솔루션 채택을 저해하는 문제가 있었습니다. 기존 접근 방식들은 확장 가능하고 모듈화된 자동 작업 계획 및 국소적인 런타임 재계획을 지원하는 데 한계가 있었습니다.

이에 본 논문은 행동 트리(behavior trees)를 실행 모델로 사용하여 자동화된 작업 계획과 모듈식 작업 실행을 통합하는 모델 기반 프레임워크인 APTree를 제안합니다. APTree는 이질적인 기호 계획기(symbolic planners)들을 반복적으로 적용하고 조정하여 런타임에 모듈식 작업 계획을 자동으로 생성하고 구성합니다.

이러한 접근 방식을 지원하기 위해 작업 계획의 형식적 명세 및 검증을 위한 도메인 특화 언어와 호환 가능한 실행 엔진을 개발했습니다. 실제 livMatS 바이오미메틱 쉘 파빌리온에 적용하여 건설 로봇 제작 영역을 모델링하고 설계 시간 및 런타임에 주입된 명세 및 계획 오류를 감지하며 대규모 작업 계획을 자동으로 생성하는 것을 평가했습니다.

또한 기계 검증 형식 분석을 통해 계획기의 건전성 및 생성된 계획의 비간섭성 등 명시된 가정 하에서 구성된 실행과 국소적 재계획이 안전함을 보장합니다. 이는 실무자에게 신뢰할 수 있는 계획 구성을 위한 명시적인 조건을 제공하며, 복잡한 기호 계획 기술이나 APTree의 내부 구현에 대한 상세 지식 없이도 건설 실무자들이 자동화된 작업 계획을 활용할 수 있도록 합니다.

LLM 에이전트가 재사용 가능한 스킬을 활용할 때, 실행이 스킬 메타데이터에 대한 암묵적 라우팅에 의존하게 되어 관련 기술을 적절히 로드하지 못하는 문제가 발생합니다. 연구진은 이 설계가 확장 가능한지 테스트하기 위해 SkillsBench 작업과 골든 스킬은 고정하고 관련 없는 스킬을 추가하는 실험을 진행했습니다.

그 결과, 스킬 라우팅 붕괴 현상이 발견되었는데, 관련 스킬이 여전히 사용 가능함에도 불구하고 에이전트는 스킬을 덜 로드하거나 아예 로드하지 않는 경향을 보였습니다. 관련 없는 1,000개의 스킬을 추가했을 때, 로드된 스킬 회상률은 73.6%에서 27.4%로 떨어졌고, 스킬을 전혀 로드하지 않는 비율은 9.3%에서 51.6%로 증가했습니다. 반면, 동일 라이브러리에서 명시적으로 선택하는 방식은 73.9%의 회상률을 유지했습니다.

이러한 성능 저하는 다른 스킬을 로드하는 것에서 기인하는 것이 아니라, 관련 없는 스킬의 설명만 마스킹했을 때는 스킬 로딩이 크게 회복되었지만, 메타데이터를 그대로 유지한 채 에이전트에게 스킬 사용을 명시적으로 계획하도록 요청했을 때는 여전히 사전 선택보다 낮은 회상률을 보였습니다. 이는 스킬 선택이 작업 실행과 경쟁할 때 설명과 지침에서 발생하는 의미론적 간섭이 있음을 시사합니다.

연구진은 이러한 발견을 바탕으로 스킬 프로토콜과 에이전트 평가를 개선하고, 스킬 라이브러리가 증가하는 환경에 맞는 실용적인 완화책을 모색할 것을 제안합니다.

자기회귀 언어 모델은 예측 단계마다 어휘 크기만큼의 로짓 벡터를 생성하며, 이는 조건부 다음 토큰 분포를 결정합니다. 연구진은 이 로짓의 구조가 예측 컨텍스트, 아키텍처, 스케일을 불문하고 훈련 과정에서 점진적으로 나타나는 일관된 로그-선형 관계를 따른다는 것을 실증적으로 밝혀냈습니다.

구체적으로, 정렬된 어휘 헤드 로짓은 $z_{(r)} \approx \mu - \alpha \log r$이라는 로그-선형 관계를 따르며, 이는 기존 디코딩 작업에 사용된 분포 가정의 기하학적 구조를 분석한 최초의 체계적인 분석입니다. 통제된 순위 통계 기준선으로는 관찰된 로그-선형 기하학을 설명할 수 있지만, 훈련된 언어 모델에서 나타나는 기울기 $\alpha$의 체계적인 변화는 설명하지 못합니다.

훈련된 언어 모델은 초기화 기준선($\alpha \approx 0.2$)보다 훨씬 높은 $\alpha \approx 1.4$에서 $1.7$의 값을 보이며, 이는 일반적인 극값 효과를 넘어선 학습된 구조를 포착함을 시사합니다. 더욱이 이 $\alpha$ 값은 예측 성능과 상관관계가 있어, 모델이 학습한 구조적 정보를 반영한다는 점이 중요합니다.

지식 증류(Knowledge Distillation)는 학생 모델에게 교사 모델의 응답을 학습시켜 과제 능력을 전달하는 기법이지만, 이 과정에서 응답이 가진 행동적 경향성도 함께 전달될 수 있다는 연구 결과가 나왔습니다. 연구진은 교사 모델이 전달하고자 하는 과제 능력 외에 학생의 행동을 교사의 안전 실용주의적 성향으로 변화시키는 현상을 ‘각인(imprinting)’이라고 명명했습니다.

연구는 안전과 무관한 일반적인 추론 및 지식 질문에 대한 응답을 사용하여, 위험을 수용하는 교사와 위험을 회피하는 교사의 응답을 증류하여 서로 다른 기반 모델을 가진 학생들에게 전달했습니다. 그 결과, 위험을 수용하는 교사로부터 증류된 모델은 위험 회피를 감소시키는 반면, 위험을 회피하는 교사로부터 증류된 모델은 위험 회피를 증가시키는 것으로 나타났습니다.

이러한 각인 현상은 교사와 학생 쌍에 따라 달라지며 다양한 안전 행동 형태에 걸쳐 균일하게 나타나지 않습니다. 또한, 응답을 생성할 때 사용되는 분산 토큰을 제외하면 각인 효과가 줄어들지만, 응답 재작성(response rewriting)은 소스 의존적 효과를 보존하며 추가적인 재작성 의존적 변화를 도입할 수 있습니다.

최종적으로, 증류 후 선호도 최적화(preference optimization)를 적용하면 위험 회피가 높아지지만 소스 의존적인 차이는 사라지지 않았습니다. 이는 일반적인 과제 감독만으로도 교사 모델을 통해 행동적 경향성을 의도적으로 각인할 수 있음을 보여줍니다.

사전 학습 후 가지치기(post-training pruning)는 효율적인 배포를 가능하게 하지만, 기존 방법들은 희소 모델과 밀집 모델 간의 내부 기울기 정렬을 명시적으로 보존하지 못하는 한계가 있습니다. 본 연구는 압축된 모델의 다운스트림 성능과 영향 함수 보존을 통한 기울기 정보 유지 능력 사이의 새로운 연결고리를 탐구합니다. 이 연결고리의 핵심은 레이어 활성화와 역전된 기울기를 모두 고려하는 곡률 인식 목표(curvature-aware objective)에 있습니다.

연구진은 이러한 목표를 효율적으로 해결하기 위해 $\texttt{CACTUS}$라는 새로운 ADMM 기반 최적화 기법을 제안했습니다. $\texttt{CACTUS}$는 사전 학습된 가중치의 가지치기와 희소-저랭크 분해를 모두 지원하며, 동일한 목표를 추구하는 $\texttt{LLM-Surgeon}$보다 한 차수 이상의 속도 향상을 달성합니다. 예를 들어, Qwen3-4B 모델에서 50% 가지치기를 수행했을 때 $\texttt{CACTUS}$는 밀집 모델과의 C4 퍼플렉시티 격차를 45% 줄이고, 기울기 코사인 유사도를 0.670에서 0.755로 개선했습니다.

또한, 영향 함수를 보존함으로써 $\texttt{CACTUS}$는 효과적인 데이터 선택을 지원합니다. Llama-3.2-3B 모델에서 $\texttt{CACTUS}$로 선택된 5%의 데이터로 새로운 밀집 모델을 미세 조정했을 때, $\texttt{ALPS}$나 밀집 모델 선택 방식보다 높은 49.44%의 BIG-Bench Hard 정확도를 달성했습니다. 이 기술은 희소 모델에 기울기 투영 전략인 LoGRA를 통합하는 데도 유용하며, Qwen3-4B 모델에서 MLP 레이어를 2:4 희소도로 가지치기하고 랭크 64 보정을 적용했을 때 밀집 LoGRA 투영 C4 기울기와 0.711의 코사인 정렬을 유지했습니다.

거대 언어 모델(LLM)이 개인 비서 역할을 하면서도 국가별 선호도를 어떻게 포착하는지에 대한 연구 결과가 발표되었습니다. 연구진은 '시간'이라는 보편적인 개념을 바탕으로 LLM이 60분 약속 지연에 대해 적절하다고 판단하는 보상액을 측정하고, 이를 GDP_PPP, 평균 소득, 그리고 문헌 기반 지표인 인내 점수(Patience Score)와 비교했습니다.

193개 국가와 5개의 LLM에 걸친 결과를 분석한 결과, 전 세계 사람들의 시간에 대한 평가가 LLM마다 현저하게 다름을 확인했습니다. LLM은 유럽에 대해 가장 높은 보상을 추천했지만 아프리카 지역에는 가장 낮은 보상을 추천하는 등 지리적 패턴이 모델에 내재되어 있음을 보여줍니다.

특히 GDP_PPP를 기준으로 볼 때, LLM은 아시아와 남미 지역 사용자들의 시간 가치를 과소평가하는 경향을 보였습니다. 이러한 발견은 지리적 패턴이 LLM에 내재되어 있으며, 이는 에이전트 설정(agentic settings)에서 사용자에게 적용되는 처리가 다르게 나타날 수 있음을 시사합니다.

다중 플레이어 다중 팔목 밴딧(MMAB) 문제는 인지 라디오 네트워크와 같은 응용 분야에서 주목받고 있으며, 특히 플레이어들이 일부 시간 단계에서만 활성화되는 비동기(asynchronous) 변형은 실제 분산 네트워크 환경을 더 잘 반영합니다. 그러나 이러한 비동기 환경에서 플레이어들이 서로 다른 활성화 확률을 갖는 이질적(heterogeneous) 설정의 최적 할당을 효율적으로 계산하는 것은 여전히 해결되지 않은 문제입니다.

본 연구는 이 이질적 비동기 MMAB 할당 문제의 NP-난해성을 확립하고, 다항 시간 내에 실행되는 탐욕 알고리즘(greedy algorithm)을 제시합니다. 이 알고리즘은 최적 할당에 대해 $\frac{1}{e}$의 근사치를 달성함을 증명합니다.

더 나아가, 플레이어들을 활성화 확률이 높은 순서대로 처리할 경우 근사 보장이 $\frac{1}{\sqrt{e}}$로 개선됩니다. 이는 탐욕 알고리즘이 이질적 비동기 다중 플레이어 밴딧에 대한 온라인 알고리즘 설계에 실용적인 기준선(oracle baseline)을 제공하며 효율적인 근사 해법임을 입증합니다.

건물은 미국에서 탄소 배출량의 거의 40%를 발생시키며, 총 건물 배출량 중 HVAC 시스템이 40~60%를 차지하고 전 세계 에너지 소비의 15%를 차지합니다. 인공지능의 발전에도 불구하고 대부분의 건물은 수십 년 전만큼 비효율적으로 운영되고 있습니다. 건물 최적화는 기후 변화에 ML 기반으로 영향을 미칠 수 있는 엄청난 잠재력을 가지고 있습니다.

하지만 건물 최적화의 가장 큰 장애물은 정책 전이의 부족입니다. 대부분의 건물 제어 시스템은 시뮬레이션 기반이든 학습 기반이든 특정 건물에만 잘 작동하며 다른 건물에는 적용되지 못하는 일반화 능력이 부족합니다. 이 문제를 해결하기 위해 연구진은 새로운 건물에 최소한의 설정으로 쉽게 적응할 수 있는 건물 파운데이션 모델 개발에 도전 과제를 제안했습니다.

참가자들은 시뮬레이션된 건물 세트를 기반으로 제어 정책을 구축한 후, 보지 못한 건물 세트에서 해당 정책을 평가하게 됩니다. 이 건물들은 크기, 배치, 날씨, 재료 특성, HVAC 시스템 등이 다양하게 설정됩니다. 이 이니셔티브를 통해 성공적인 결과는 전 세계 지속 가능성 노력에 엄청난 도약을 약속하며 기후 변화에 맞서기 위한 ML의 잠재력을 입증할 것입니다.

LLM 기반 에이전트의 안전성은 현재 정렬 훈련과 안전 분류기에 의존하고 있으며, 이는 정교한 간접 프롬프트 주입(IPI)이 발생하여 심각한 피해를 야기할 가능성을 배제하지 못합니다. 최근 연구는 환경과 상호작용하기 위해 구조화된 도구 인터페이스에 의존하는 정보 흐름 보장을 구축하는 방향으로 나아가고 있습니다.

컴퓨터 사용 에이전트(CUA)는 화면에 시각적으로 작용하기 때문에 신뢰할 수 있는 첫 번째 당사자 인터페이스와 잠재적으로 공격자가 작성한 콘텐츠 사이에 경계가 없습니다. 클릭 행위 역시 모호하며, 공격자가 제어하는 애플리케이션 툴바나 버튼에 위치할 수 있습니다. 사용자를 신뢰의 원천으로 간주하고 각 민감한 결정을 확인하는 과정은 확인 피로를 유발하여 유해한 행동을 놓칠 위험을 초래합니다.

이에 연구진은 SA-CUA라는 이중 LLM 프레임워크를 도입하여 CUA를 위한 신뢰 경계를 생성합니다. 이는 LLM의 스크린샷에서 접근성 트리로부터 보수적인 결정론적 규칙을 도출하여 신뢰할 수 있는 영역을 마스킹하고 신뢰할 수 있는 콘텐츠와 신뢰할 수 없는 콘텐츠를 분리합니다.

SA-CUA는 초기 작업 명세화를 위해 인간의 상호작용이 필요한 경우를 제외하고는 에이전트가 신뢰할 수 없는 정보를 포함하는 작업을 자율적으로 처리할 수 있도록 합니다. 또한 강력한 보증 채널을 통해 신뢰할 수 있는 채널을 통한 정보 검증을 통해 신뢰할 수 없는 영역에서 신뢰할 수 있는 영역으로 값을 전달할 수 있습니다. 이로써 SA-CUA는 공격 성공률을 0으로 유지하면서 CaMeL-CUA보다 훨씬 높은 유틸리티를 유지합니다.

2026 스타트업 배틀필드 상위 20팀이 테크크런치 디스럽트(TechCrunch Disrupt) 무대에 올라 10만 달러 상금과 디스럽트 컵을 놓고 경쟁합니다. 이들은 '장기부터 궤도까지'라는 주제 아래 생물학, 물리, 산업, 디지털 영역을 아우르는 복잡한 시스템을 이해하고 측정하여 이전에는 불가능했던 것을 측정하고 자동화하는 데 집중하고 있습니다.

이 경쟁 그룹의 핵심 주제는 '이전에 보이지 않던 것을 측정 가능하게 만들기'입니다. 이들은 신체 내부의 생물학적 시계를 측정하고, 실험실에서 미니어처 인체 장기를 성장시키며, 로봇에게 복잡한 물리적 작업을 수행하도록 가르치고 있습니다. 또한, AI를 활용하여 야생 동물의 행동을 예측하고, 위성 데이터를 활용해 컴퓨팅 자원을 수익화하며, 핵융합 및 첨단 소재에 필요한 리튬 동위원소를 추출하는 등 물리적 세계를 데이터로 변환하는 데 주력하고 있습니다.

이러한 스타트업들은 단일 기술이나 산업에 국한되지 않고, 생물학적, 물리적, 산업적, 디지털 세계에 대한 이해를 바탕으로 더 나은 결정을 내리고, 인간의 개입이 필요했던 작업을 자동화하며, 복잡한 문제를 해결하려는 포괄적인 야망을 공유합니다. 이들은 디스럽트 무대에서 자신들의 혁신적인 접근 방식을 증명하며 기술의 경계를 확장하고 있습니다.