읽을 가치가 있는 기사만, 짧고 또렷하게.

AI 스크래핑 에이전트를 위한 L402 라이트닝 통행료 부스인 Argentic에 대한 소식이 올라왔습니다. 이 프로젝트는 인공지능 스크래핑 에이전트가 데이터를 수집할 때 효율성과 통제력을 높일 수 있도록 설계된 시스템을 소개합니다.

Argentic은 AI 에이전트가 웹 데이터를 수집하는 과정에서 발생하는 접근 및 사용량을 관리하는 데 중점을 둡니다. 이는 AI 스크래핑 작업의 효율성을 개선하고, 서버에 대한 과도한 부하를 방지하며, 합법적인 데이터 수집을 지원하는 것을 목표로 합니다.

이러한 시스템은 AI 에이전트가 데이터에 접근하는 방식을 통제하여 스크래핑 작업의 품질과 안정성을 향상시키는 데 중요한 역할을 합니다. 개발자들은 이 기술이 AI 기반 데이터 수집 시스템을 구축할 때 필요한 접근 제어 및 자원 관리 솔루션으로 활용될 수 있을지 주목하고 있습니다.

영국 정부가 팔란티어(Palantir)와의 광범위한 의료 계약을 취소해야 한다는 요구에 직면하고 있습니다. 이러한 요구는 계약의 재검토와 관련된 논의를 촉발하고 있습니다.

특히 그레이터 맨체스터 지역은 자신들이 더 나은 일을 스스로 처리할 수 있다고 주장하며 계약 해지에 대한 입장을 강하게 표명하고 있습니다. 이는 정부가 대규모 계약을 유지하는 것에 대한 지역 차원의 불만과 자율성에 대한 요구가 반영된 결과입니다.

이러한 상황은 정부의 계약 정책과 지역 자치권 사이의 복잡한 관계를 보여줍니다. 계약 취소 논의는 의료 서비스 제공 방식과 기술 도입에 대한 광범위한 논쟁을 수반할 수 있습니다.

필립 K. 딕의 종교적 경험에 대한 논의는 그의 작품과 삶에 대한 해석을 중심으로 이루어지고 있습니다. 이 글은 R. 크럼의 만화 'Weirdo #17'에 등장하는 해당 주제를 바탕으로 독자들이 딕의 사상과 존재의 의미에 대해 토론하는 커뮤니티 게시물입니다.

댓글들은 필립 K. 딕이 매우 불안정한 인물이었다는 점을 전제로, 궁극적인 해결책이나 의미에 대한 명확한 답은 없다는 결론을 제시합니다. 일부 사용자들은 현실적인 해결책 대신 부를 추구하거나 단순한 삶을 살 것을 권유하며, 존재의 본질에 대해 매우 추상적이고 유머러스한 방식으로 접근합니다.

논의는 결국 '어떤 것이 돌아온 그리스도인가'와 같은 근본적인 질문에서 시작하여, 우주의 본질에 대한 해석으로 확장됩니다. 이러한 토론은 딕의 복잡한 세계관을 탐구하며 독자들이 그의 작품에 대해 다양한 관점을 형성하도록 돕습니다.

Seed 에이전트는 에이전트가 성장할 수 있는 가장 작은 시작점이며, 프레임워크가 아닌 에이전트 스스로가 모든 것을 성장시키는 시스템입니다. 이 시스템의 핵심은 seed.py라는 작은 루프를 통해 언어 모델을 정확히 하나의 도구(exec, bash 실행)에 연결하고, 에이전트가 소유하고 재작성할 수 있는 시스템 프롬프트를 파일에서 로드하는 방식입니다.

일반적인 프레임워크가 도구, 메모리, 기술 등을 제공하는 것과 달리, Seed 에이전트에서는 이러한 모든 요소가 에이전트가 세션별로 경험을 통해 스스로 성장하여 self/ 디렉토리에 축적됩니다. 이는 에이전트가 외부 구조에 의존하지 않고 자체적으로 지식과 능력을 구축하게 만듭니다.

각 세션의 대화 기록은 메모리라기보다는 비행 기록(flight recorder)의 역할을 하며 self/sessions/*.json 파일에 기록되어 에이전트가 자신의 과거를 연구하고 도구를 성장시키는 데 사용될 수 있습니다. 하나의 시드에서 여러 개별 디렉토리를 심으면 각 에이전트는 경험에 따라 다르게 분기되어 성장하며, 이는 다양한 에이전트의 생성을 가능하게 합니다.

이 시스템은 LLM(Simon Willison의 라이브러리)을 통해 구성 모델과 키를 처리하며, OpenAI Codex나 Gemini, Anthropic, OpenRouter 등 다양한 모델과 OpenAI를 통한 통합된 제공자(Bundled providers)를 지원합니다. 개발자는 이 구조를 통해 에이전트의 시작점을 최소화하고 자율적인 성장을 유도하는 새로운 개발 워크플로우를 구축할 수 있습니다.

마이크론 테크놀로지(Micron Technology, Inc.)가 메모리와 인공지능(AI)의 미래를 형성하기 위한 미국 기반의 장기 혁신 허브인 마이크론 리서치 랩스(Micron Research Labs)를 발표했습니다. 이 새로운 연구 허브는 보이지 않는 곳에서 메모리 및 AI 기술 발전을 주도할 것으로 기대되며, 총 100억 달러 규모의 연구 시설을 구축하게 됩니다.

이 허브는 메모리 및 AI 분야의 장기적인 혁신에 집중하며, 개발자들에게 중요한 기술 발전의 방향을 제시할 것입니다. 특히 AI와 데이터 센터의 성장에 필수적인 고성능 메모리 기술 개발에 중점을 두어, 차세대 컴퓨팅 환경에 필요한 혁신적인 솔루션을 제공할 계획입니다.

마이크론 리서치 랩스는 메모리, HBM, DRAM 등 핵심 메모리 기술과 AI 관련 설계 도구 개발에 집중할 예정입니다. 이는 데이터 센터, 엣지 AI, 자동차 등 다양한 산업 분야에서 요구되는 고성능 메모리 솔루션과 AI 가속 기술의 발전에 직접적으로 기여할 것입니다.

이러한 투자는 메모리 및 AI 기술 분야에서 마이크론이 장기적인 혁신을 주도하겠다는 의지를 보여주며, 관련 기술 생태계에 큰 영향을 미칠 것으로 예상됩니다. 다만, 발표된 내용은 향후 결과에 대한 예측이므로, 구체적인 연구 성과와 시장 영향은 추후 발표를 통해 확인해야 합니다.

8월 17일에 발생한 GitHub 대규모 장애는 7시간 47분 동안 지속되었으며 전 세계적으로 광범위한 서비스 중단 사태를 초래했습니다. 이 장애로 인해 github.com을 포함하여 인증, GitHub Actions, API, 풀 리퀘스트, 이슈, Copilot 등 핵심 서비스들이 전면 중단되었습니다.

장애는 트래픽이 최고치를 경신하는 상황에서 발생했으며, 이는 서비스에 심각한 용량 압박과 인증 실패를 야기했습니다. 문제의 근본적인 원인은 Central US 데이터센터의 핵심 인프라가 트래픽 증가에 맞춰 함께 확장되지 못했기 때문입니다.

결과적으로 데이터센터 인프라의 확장 실패가 여러 서비스에 걸쳐 용량 부족과 인증 오류를 발생시키며 광범위한 서비스 중단을 일으켰습니다. 이는 GitHub와 관련 서비스의 안정적인 운영에 있어 인프라 확장 및 시스템 병목 현상의 중요성을 시사합니다.

A2A 에이전트 디렉토리인 a2aregistry.org에 등록된 에이전트들을 대상으로 실제 작업 수행 능력을 검증하는 실험이 진행되었습니다. 연구진은 이 중 200곳을 공개 API를 통해 확보하여 등록 수보다는 실제 응답 수를 집계했습니다.

이 집계는 등록소가 각 에이전트에 실제로 작업 요청을 던진 후 남긴 검사 기록, 즉 작업 준수 기록(task_conformance)을 기준으로 이루어졌습니다. 이 검증 결과, 전체 200곳 중 73곳만이 작업을 성공적으로 통과했으며, 나머지 127곳은 실패로 집계되었습니다.

이는 A2A 에이전트 등록소에 등록된 에이전트들의 실제 작업 수행 능력에 상당한 격차가 존재함을 보여줍니다. 등록된 수치와 실제 작업 수행 결과 사이의 차이를 고려할 때, 개발자들이 에이전트의 신뢰도를 판단할 때 단순히 등록 수를 참고하기보다는 실제 작업 요청에 대한 응답 기록을 확인하는 것이 중요합니다.

Native Bedrock Codex가 명시적인 캐시 제어 기능이 없어 높은 캐시 쓰기 비용을 발생시킨 문제가 보고되었습니다. 에이전트 코딩 작업 환경에서 이 문제는 대량의 캐시 쓰기 토큰을 발생시켜 비용을 크게 증가시켰습니다.

이 문제는 Native Codex CLI 요청이 Amazon Bedrock Mantle에서 GPT-5.6 Sol의 명시적 프롬프트 캐싱 옵션을 선택할 수 없기 때문에 발생했습니다. 조사 결과, 2026년 8월 5일부터 8일까지의 사용량 추정치에 따르면, 요청당 약 171.94M의 캐시 쓰기 토큰이 발생했으며, 이는 추정 총 비용 $1,386.46에 기여했습니다. 캐시 쓰기는 모델 예상 지출의 약 85%를 차지했습니다.

현재 Codex는 세션 범위의 프롬프트 캐시 키를 내보내지만, HTTP 및 WebSocket 응답 요청에는 프롬프트 캐시 옵션이나 중단점 정보를 포함하지 못하고 있습니다. 개발자들은 GPT-5.6-capable 제공업체에 대한 프롬프트 캐시 옵션을 직렬화하고, 캐시 쓰기와 읽기를 세션별 사용량 측정 지표로 제공하여 비용을 진단할 수 있는 기능을 추가할 것을 요청했습니다.

이 문제는 모든 캐시 쓰기가 결함이라는 것을 의미하지는 않으며, 콜드 스타트나 포크와 같은 다른 작업도 쓰기를 필요로 합니다. 핵심은 Native Bedrock Codex가 안정적인 지침/도구 정의의 경우에 문서화된 명시적 캐시 메커니즘을 활용할 수 있는 방법을 제공하지 못한다는 점입니다.

AI 기업들이 물리적인 책들을 파괴하고 있다는 내용이 논의되고 있습니다. 이는 희귀한 책들을 디지털화하기 전에 스캔해야 한다는 경고를 담고 있습니다.

이러한 논의는 AI 기술의 발전이 물리적 매체에 미치는 영향을 다루며, 데이터 보존과 지식 접근 방식에 대한 근본적인 질문을 던집니다. AI가 텍스트와 지식의 처리 방식을 변화시키면서, 물리적인 책의 가치와 보존 방식에 대한 재고가 필요해지고 있습니다.

특히 희귀 서적이나 역사적 기록과 같은 물리적 자료는 디지털화 과정에서 손실될 위험이 있으므로, 이러한 자료를 신속하게 스캔하고 보존하는 것이 중요합니다. 이는 디지털 시대에 물리적 자료의 중요성을 재확인하고, 데이터의 영구적인 보존 방안을 모색해야 함을 시사합니다.

CIA 자금 지원은 1980년대 NeXT의 생존을 가능하게 했으며, 이는 스티브 잡스가 애플로 복귀하고 아이폰 운영체제 기반 기술을 발전시키는 데 중요한 발판이 되었습니다. 이 지원 덕분에 NeXT는 기술적으로 중요한 위치를 유지하며 후속 개발에 필요한 기반을 마련할 수 있었습니다.

1986년에는 CIA의 조 로멜로와 제프 해리스가 예고 없이 NeXT 본사를 방문하여 스티브 잡스와 직접 만나는 기회를 가졌습니다. 이 만남은 단순한 외교적 접촉을 넘어 위성 정찰 기술과 같은 첨단 기술에 대한 논의를 포함하며 두 사람의 관계를 심화시켰습니다.

이러한 역사적 배경은 NeXT가 이후 애플의 혁신적인 기술 개발에 기여하는 데 결정적인 역할을 했습니다. 결과적으로 NeXT의 기술적 유산은 현대 스마트폰 운영체제인 아이폰의 기반 기술로 이어지며 개발자들에게 중요한 기술적 맥락을 제공합니다.

Claude Code가 여러 코딩 에이전트가 공유하는 공통 프로젝트 지침 파일인 AGENTS.md를 활용하여 코드베이스 맥락을 이해할 수 있도록 요청했습니다. 이는 별도로 CLAUDE.md 파일을 복제하지 않고도 에이전트가 프로젝트의 전체 맥락을 효과적으로 활용할 수 있게 하는 것을 목표로 합니다.

이러한 요구사항을 해결하기 위해 이중 파일 방식을 제안했습니다. 이 방식은 CLAUDE.md 파일을 우선적으로 로드하고, 해당 파일이 존재하지 않을 경우에만 다른 방식으로 맥락을 처리하도록 설계되었습니다.

이러한 접근 방식은 코딩 에이전트가 불필요한 파일 복제를 줄이면서도 필요한 코드베이스 정보를 효율적으로 참조할 수 있게 하여 작업 효율성을 높일 수 있습니다. 개발 환경에서 여러 에이전트가 협업할 때 프로젝트 지침 파일의 활용도를 극대화하는 데 기여할 것입니다.

궤도 건설 선구자들(Orbital Construction Pioneers, OCP)이 비전통적인 방법과 재료를 사용하여 매우 큰 우주 구조물을 제작하는 궤도 제작 공정을 개발하고 있습니다. 이 특허 출원 중인 프로세스는 궤도에서 부품을 제작하여 대규모 우주 구조물을 건설하는 데 사용되는 특이한 원자재와 방법을 활용합니다.

이 시스템은 다른 조직들의 제안과 크게 다른 급진적인 새로운 접근 방식을 취하며, 그 결과로 최종 구조물은 설계가 유연하고 거의 모든 임무에 맞게 조정될 수 있습니다. 이는 장기 거주지, 저장 시설, 추진체에 부착될 경우 선박 등 다양한 용도로 활용될 수 있습니다.

OCP의 접근 방식은 유연한 설계와 다목적 활용 가능성을 제공하여 우주 구조물 제작의 새로운 가능성을 제시합니다. 이는 기존의 방식과는 차별화되는 혁신적인 공정 개발에 초점을 맞추고 있습니다.

젠키가 8BitDo와의 협업을 통해 자체적으로 설계한 최초의 컨트롤러인 맨타(Manta)를 오늘 출시합니다. 이 컨트롤러는 일반적인 디자인과는 달리 2.9인치 LCD 화면 위에 조이스틱과 버튼을 배치한 독특한 디자인을 특징으로 합니다.

맨타의 가장 큰 특징은 사용자 맞춤 설정에 중점을 두었다는 점입니다. 컨트롤러의 화면, 버튼, 조이스틱을 사용하여 플레이어의 선호도에 맞게 수많은 설정을 조정할 수 있도록 설계되었습니다. 이는 기존 컨트롤러보다 훨씬 깊은 수준의 커스터마이징 경험을 제공합니다.

현재 맨타는 킥스타터 크라우드펀딩 캠페인을 통해 출시되며, 가장 빠른 후원자들은 선주문을 할 수 있습니다. 이 컨트롤러는 단순한 입력 장치를 넘어 사용자가 직접 경험을 조정할 수 있는 커스터마이징 기능을 제공한다는 점에서 주목할 만합니다.

2026년 8월 20일, crates.io에 게시된 arrayref 0.3.10 크레이트에서 빌드 과정 중에 원격 페이로드가 실행되는 악성 코드가 발견되었습니다. 이 문제는 arrayref가 의존성으로 추가한 typosquatting 크레이트인 proc-macro1을 통해 발생합니다.

해당 악성 코드는 arrayref 자체에 있는 것이 아니라 proc-macro1 크레이트 내부에 숨겨져 있으며, 프로젝트를 컴파일하는 과정에서 자동으로 원격 페이로드가 실행되도록 설계되었습니다. 이는 개발자가 의존성을 추가했을 때 예상치 못한 보안 위험에 노출될 수 있음을 보여줍니다.

개발 환경에서 의존성 관리의 중요성이 강조되는 이번 사례는 빌드 시스템의 무결성을 확보하는 것이 얼마나 중요한지 시사합니다. 따라서 프로젝트를 컴파일할 때 사용되는 모든 외부 크레이트의 출처와 의존성을 면밀히 검토해야 합니다.

아마존이 인공지능 학습 데이터 확보를 위해 책을 대량으로 구매하고 스캔한 뒤 파괴하는 행위가 공정 사용(fair use)이라는 명목으로 정당화될 수 있는지에 대한 논란이 제기되고 있습니다. 404 미디어의 조사에 따르면, 이 과정에서 추적 장치를 통해 AI 학습용으로 예상되는 희귀한 책들이 네바다주 라스베이거스의 아마존 창고로 운송되었으며, 직원들은 책의 바인딩을 잘라 빠르게 스캔하여 책을 파괴하고 있다고 밝혔습니다.

이러한 행위는 지식의 보존이라는 인터넷 아카이브(Internet Archive)의 목표와 정면으로 충돌합니다. 인터넷 아카이브는 책의 내용과 물리적 무결성을 보존하기 위해 한 페이지씩 디지털화하는 방식을 고수해 왔는데, 이는 속도보다는 보존을 우선시하는 접근법이었습니다. 반면, 아마존과 같은 거대 기업들은 속도와 비용 효율성을 위해 책의 바인딩을 제거하고 파괴하는 파괴적인 스캔 방식을 선택했습니다.

기사는 이러한 파괴적인 방식이 AI 버블을 부양하는 데 막대한 자원이 투입된 상황에서 윤리적으로 정당한지에 대해 질문을 던집니다. 책에는 금전적 가치 외에도 역사적, 지적, 감정적 가치가 존재하지만, AI 기업들은 이러한 가치보다는 단순히 단어의 집합으로서의 콘텐츠만을 원한다는 지적입니다. 이는 수많은 작가와 예술가의 지적 재산권 침해라는 문제와 연결되며, 기업들이 지속 가능한 방식으로 산업을 성장시키기보다 비윤리적인 방법을 선택했다는 비판을 받습니다.

오픈소스 프로젝트 관리 도구인 Kaneo는 기능이 과도하게 많은 복잡한 플랫폼에 대한 대안을 제공하는 것을 목표로 합니다. 이 도구는 Jira나 Linear와 같은 기존 도구들의 복잡성을 해소하고 실제 작업에 집중할 수 있도록 설계되었습니다.

Kaneo는 도구 자체보다는 작업에 집중할 수 있는 깔끔한 인터페이스를 강조하며, 모든 기능은 실제 문제 해결을 위해서만 존재하도록 구성되어 있습니다. 이는 불필요한 기능으로 인해 발생하는 복잡성을 줄이고 사용자가 핵심 업무에 몰입할 수 있도록 돕습니다.

또한 Kaneo는 셀프 호스팅을 지원하여 사용자가 자신의 데이터를 완전히 소유할 수 있도록 합니다. 이는 데이터 주권과 보안에 민감한 개발팀에게 중요한 이점이며, 외부 서비스에 의존하지 않고 프로젝트 데이터를 관리할 수 있게 합니다.

테슬라, 우버, 웨이모가 네바다주 클락 카운티에서 수천 대의 로보택시 운영 허가를 받았습니다. 이 허가를 통해 향후 12개월 동안 최대 8,000대의 로보택시를 배치할 수 있게 되며, 이는 네바다주 라스베이거스 지역을 주요 로보택시 경쟁 구역으로 만들 전망입니다.

테슬라는 최대 5,000대의 로보택시를, 웨이모는 1,000대의 자율주행 차량을, 우버는 파트너사인 모티오날과 주옥스(Zoox)를 통해 1,000대의 로보택시 운영을 허가받았습니다. 이러한 광범위한 배치는 도시의 교통 흐름과 특히 골든 트라이앵글 지역의 도로 혼잡도에 대한 우려를 낳고 있습니다.

택시 및 운송업 협회 측은 이러한 승인이 상업 운송 산업의 과포화와 도로 혼잡 문제를 심각하게 제기하며 반대 입장을 보였습니다. 우버는 이러한 경쟁 속에서 인간 운전자와 로보택시가 혼합된 하이브리드 접근 방식을 통해 수요를 점진적으로 충족시키자는 입장을 취하고 있습니다.

이러한 대규모 로보택시 배치는 도시의 노동 시장에 큰 변화를 가져올 것으로 예상됩니다. 이는 차량 유지보수 및 충전 관련 새로운 일자리를 창출하거나, 기존의 택시 및 긱 드라이버 직업을 대체할 수 있는 양면적인 결과를 초래할 수 있습니다.

7년간 Rust를 사용한 개발자가 RFC 9535 기반의 JSONPath를 Zig로 다시 구현하는 과정을 통해 언어 간의 차이점을 경험했습니다. 이 경험을 통해 Zig가 단순하고 빠른 C 후계자 후보라는 인상을 받았지만, 현재 Zig의 언어와 생태계는 아직 미성숙하다는 점을 알 수 있었습니다.

개발 과정에서 제한적인 IDE 지원을 경험하면서 개발 방식을 CLI 중심으로 전환하게 되었습니다. 이는 개발자가 특정 환경에 얽매이지 않고 시스템의 핵심 로직과 빌드 프로세스에 집중하게 만드는 계기가 되었습니다.

특히 빌드 시스템 관련하여 `build.zig`와 같은 도구 사용에 대한 경험은 언어의 단순함이 실제 개발 환경에서 어떤 영향을 미치는지 보여줍니다. 따라서 새로운 언어나 툴을 도입할 때 단순한 성능 외에도 생태계의 성숙도와 도구 지원 수준을 함께 고려해야 한다는 점이 중요합니다.

슬랙의 최고 제품 책임자(CPO)인 자임 드랑헤(Jaime DeLanghe)는 2017년부터 업무 대화를 조직 지식으로 전환하는 문제에 대해 연구해 왔습니다. 그는 인공지능 에이전트가 공개 채널의 대화, 결정, 진행 상황을 해석함으로써 그동안 활용하기 어려웠던 업무 맥락을 실제 작업에 적용할 수 있게 되었다고 주장합니다.

이러한 접근 방식은 AI 에이전트가 단순한 텍스트 생성을 넘어 실제 업무 환경에서 필요한 맥락을 이해하고 활용하는 데 중점을 둡니다. 즉, 복잡한 대화 기록에서 핵심적인 업무 맥락을 추출하여 실제 작업에 사용할 수 있는 지식으로 변환하는 것이 핵심입니다.

특히 클로드(Claude) 기반 에이전트는 이러한 기능을 구체화하여 초안 작성, 요약 등의 작업을 수행할 수 있습니다. 이는 팀 내에서 공유된 대화 기록과 결정 과정을 AI가 해석하여 업무 효율성을 높이고 인간과 에이전트가 협력하는 팀을 만드는 데 기여합니다.

결론적으로 이 기술은 공개된 커뮤니케이션 데이터를 조직의 지식 자산으로 전환하여 AI 에이전트가 실제 업무 맥락을 이해하고 활용하게 함으로써 인간과 에이전트가 시너지를 내는 팀을 구축하는 데 중요한 의미를 가집니다.

AI 데이터 스타트업인 Micro1이 AI 훈련 붐 속에서 매출총이익(gross run rate) 5억 달러를 달성하며 급성장하고 있습니다. 이 회사는 지난 8개월 동안 매출총 연간 실적을 1억 달러에서 5억 달러로 늘렸으며, 계약 규모가 가속화되고 마진이 확장될 것으로 예상됩니다. Micro1은 전문가를 고용하는 다른 경쟁사들보다 약 60%에서 70%의 수익을 유지하며 순 연간 실적은 1억 5천만 달러에서 2억 달러 사이를 기록하고 있습니다.

이러한 성장은 AI 훈련 데이터에 대한 수요가 폭발적으로 증가하고 있음을 반영하며, 일부 연구자들은 미래 AI 지출이 컴퓨팅 지출에 필적할 수 있다고 추측하고 있습니다. Micro1은 인간의 개입 없이 비디오 콘텐츠에 대한 자동 설명을 생성하는 합성 데이터를 만들어내며, 이러한 데이터는 최대 80%에서 90%의 높은 매출총이익을 기록합니다.

다만, Micro1이 자체 데이터를 여러 고객에게 판매하는 행위는 논란을 낳고 있습니다. 일부 비평가들은 이러한 오프더쉘프 데이터를 중국 AI 개발자에게 배포하는 것이 미국 AI 주도권에 대한 주장을 뒷받침하는 데 도움이 된다고 비판합니다. 이에 대해 Micro1의 창립자 Ali Ansari는 일부 경쟁사와 달리 중국 모델 제작자에게 데이터를 판매하지 않는다고 밝혔습니다.

Micro1은 원래 AI 채용 스타트업에서 시작하여 데이터 라벨링 사업으로 사업을 전환했으며, 현재는 수백 명의 일반인이 일상적인 객체 상호작용을 기록하는 로보틱스 사전 훈련 데이터셋을 구축하는 데 집중하고 있습니다.