읽을 가치가 있는 기사만, 짧고 또렷하게.

시계열 기반 파운데이션 모델(TSFM)을 사용하여 1,000개 미국 주식의 시간당 수익률을 예측할 때 예측값이 거의 평탄해지고 교차 단면 상관관계 측면에서 주식 순위가 나빠지는 현상이 관찰되었는데, 이를 예측 붕괴(forecast collapse)라고 부릅니다. 이러한 현상은 거래량 예측에서는 사라지지만, 목표 예측 가능성과 밀접하게 관련되어 있으며, 예측 붕괴의 원인은 예측 가능성이 제한되어 보정된 점 예측값의 진폭이 제한되고, 개별 시계열 목표(per-series objectives)가 교차 시계열 구조를 식별하지 못하기 때문입니다.

이러한 연구는 보정(calibration)과 순위 지정(ranking) 사이의 상충 관계를 드러냅니다. 제곱 오차를 최적화하면 예측값이 평탄해지지만, 교차 단면 상관관계를 직접 최적화하면 순위는 개선되지만 예측 진폭이 한 자릿수 이상으로 부풀어질 수 있습니다. 이러한 상충 관계를 해결하기 위해 보정 및 순위 지정을 균형 있게 맞추는 단순한 목표인 CalibRank를 도입했습니다.

Finance1K 데이터에서 CalibRank를 적용한 결과, 예측 진폭을 목표치에 가깝게 유지하면서 교차 단면 상관관계를 거의 세 배로 늘렸으며, 테스트된 모든 모델에서 상관관계를 개선했습니다. 이 연구는 기존의 시계열 평가에서 개별 시계열 지표가 다운스트림 결정에 필요한 교차 시계열 구조의 실패를 숨길 수 있는 시야가 제한적이라는 점을 보여줍니다.

거대 언어 모델이 확장됨에 따라 적절한 토큰당 파라미터 비율(TPP)을 유지하기 위해 훈련 토큰 예산도 증가해야 합니다. 그러나 고품질 도메인 데이터는 일반 웹 데이터보다 확장하기가 훨씬 어렵습니다. 모델 크기와 훈련 토큰 예산이 증가함에 따라 훈련 혼합물 내에서의 도메인 데이터의 비율은 감소하는데, 사용 가능한 고품질 데이터를 반복하는 것은 이러한 희석을 상쇄하는 효과적인 방법이지만 과도한 반복은 과적합을 유발할 수 있습니다.

본 연구는 모델 크기가 훈련 토큰 예산에 비례하여 증가하는 실제 LLM 확장 환경에서 이러한 상충 관계를 분석했습니다. 연구 결과, 고정된 도메인에 대해 고정된 TPP 조건에서 최적의 반복 횟수는 모델 크기에 따라 약간 증가하는 것으로 나타났습니다.

또한, 다양한 도메인에 걸쳐 최적의 반복 횟수는 해당 도메인의 최종 검증 손실과 강한 음의 상관관계를 보였습니다. 즉, 손실이 낮은 도메인일수록 더 많은 반복을 통해 이점을 얻을 수 있습니다. 반면, 고유한 도메인 데이터의 양은 최적의 반복 횟수와는 약하게 관련되어 있었습니다.

이러한 발견은 동일한 TPP를 가진 더 작은 프록시 모델에서 조정된 반복 횟수가 더 큰 모델에 대한 실용적인 추정치를 제공할 수 있음을 시사합니다. 따라서 연구자들은 더 큰 모델에 대해 도메인 데이터 반복 횟수를 추정할 때 작은 모델을 기준으로 삼을 수 있습니다.

이미지 편집 모델의 발전 속도에 따라 이러한 모델 능력을 실제 환경에 직접 적용할 필요성이 커지고 있습니다. 하지만 기존 벤치마크들은 단순한 단일 이미지 작업에 국한되어 있어 다중 이미지 편집, 복잡한 추론 기반 지시, 실제 배포 환경에서의 성능을 제대로 평가하지 못하는 한계를 가지고 있습니다.

이러한 한계를 극복하기 위해 연구진은 실제 환경을 반영하는 포괄적이고 실용적이며 지능적인 이미지 편집 벤치마크인 CPI-Bench를 제안했습니다. CPI-Bench는 세 가지 핵심 하위 집합으로 구성되어 있으며, 다양한 편집 작업을 포괄하는 CPI-General-Bench, 고빈도 실제 사용자 애플리케이션 시나리오에 초점을 맞춘 CPI-Practical-Bench, 그리고 고난도 추론 기반 편집 능력을 평가하는 CPI-Intelligent-Bench를 포함합니다.

CPI-Bench를 기반으로 주요 이미지 편집 모델들의 평가 결과를 분석한 결과, 모델 간의 성능 차이를 더욱 명확하게 구분할 수 있게 되었습니다. 이 벤치마크는 일반 편집 능력, 실제 배포 효율성, 그리고 고급 추론 기반 편집 능력의 격차를 종합적으로 측정하여 이미지 편집 모델 최적화에 귀중한 지침을 제공합니다.

특히 CPI-Bench의 순위 분석은 아레나 이미지 편집 리더보드와 가장 높은 일치를 보이며, 이는 인간 평가자의 선호도와 지각 판단을 충실히 반영하여 실제 사용자 경험을 측정하는 강력한 대리 지표가 됨을 의미합니다.

로봇 프로세스 평가를 위한 새로운 도구인 PRM-as-a-Judge 1.5가 발표되어 임베디드 모델 이해를 위한 세밀한 평가 기준을 제시합니다. 이 도구는 롤아웃 비디오를 밀도 높은 진행 곡선으로 변환하고 여러 세부 지표를 도출하여 이진 성공률이나 규칙 기반 프로세스 점수를 넘어선 평가를 가능하게 합니다.

PRM-as-a-Judge 1.5는 버전 1.0을 기반으로 실패 측면 진행 상황, 하락 후 회복(post-drawdown recovery), 성공 측면 실행 품질이라는 세 가지 새로운 지표를 도입하여 임베디드 모델의 실제 능력을 더 깊이 있게 파악할 수 있도록 돕습니다. 이를 통해 사용자는 벤치마크 비디오를 기반으로 임베디드 모델에 대한 포괄적인 평가와 핵심 발견을 얻을 수 있습니다.

또한, 프로세스 보상 모델(PRM)의 신뢰성을 평가하기 위한 RoboPulse++도 함께 소개되어 평가자들에게 더욱 정확한 테스트 플랫폼을 제공합니다. 개발자들을 위해 벤치마크, 지표 구현, 시각화 도구를 포함하는 사용자 친화적인 평가 스위트를 공개하여 재현 가능한 조작 프로세스 평가를 지원합니다.

궁극적으로 이 연구는 로봇 평가 방식을 재고하고 차세대 임베디드 지능의 기반으로 투명하고 절차적이며 재현 가능한 평가를 확립할 것을 커뮤니티에 촉구합니다.

최근 비디오 생성 모델이 전쟁, 재난 등 실제 위기 상황을 사실적으로 조작하여 허위 정보를 생성함으로써 심각한 오정보 위험을 초래하고 있습니다. 그러나 기존의 벤치마크들은 생성 조건에 따른 탐지기 및 생성기의 행동, 사람들이 생성된 비디오를 인식하는 방식, 그리고 소셜 확산 과정에서 탐지기의 신뢰성을 충분히 다루지 못하고 있습니다.

이러한 격차를 해소하기 위해 연구진은 실제 비디오를 앵커로 사용하는 AI 생성 비디오 탐지 벤치마크인 RA-Bench를 소개했습니다. RA-Bench는 17,886개의 비디오를 포함하며 10가지 사회 위험 범주에 걸친 1,830개의 실제 비디오 앵커와 4개의 오픈소스 및 5개의 클로즈소스 생성기에서 나온 16,056개의 생성 클립으로 구성되어 있습니다.

RA-Bench를 통해 평가를 진행한 결과, 탐지기들이 다양한 생성 조건이나 모델에 걸쳐 일관되게 일반화되지 않는다는 점이 밝혀졌습니다. 또한 생성 품질이나 샘플링 시드와 같은 생성 속성이 탐지기 가족에 다르게 영향을 미치지만, 소스 수준의 탐지 패턴은 시드에 관계없이 안정적으로 유지된다는 것을 확인했습니다.

나아가 소셜 확산 과정에서 인간의 진정성 판단과 탐지기의 신뢰성을 연구한 결과, 사람들이 오도되는 비디오는 현재 탐지기에게도 어렵고, 소셜 확산 자체가 탐지를 더욱 어렵게 만든다는 사실을 발견했습니다. 이러한 연구 결과는 현재의 방법들이 현실적인 AI 생성 비디오를 탐지하는 데 어려움을 겪고 있음을 보여주며, 진화하는 비디오 생성기에 강건한 탐지기의 필요성을 강조합니다.

Mobius-v0 아키텍처는 지식 벡터를 저장하는 전역 공유 메모리(FFN)와 조립적 추론을 반복적으로 달성하는 여러 추론기(Self-Attn)로 구성된 모델입니다. 추론기는 은닉 상태를 캐시 및 운반체로 사용하여 필요한 지식 벡터를 메모리에서 반복적으로 질의하고, 이 지식은 다시 추론 연산자에게 전달됩니다. 이러한 지식-추론 분리 아키텍처를 통해 Mobius는 지식 압축과 추론 효율성을 개선했습니다.

이 Mobius-v0 아키텍처를 기반으로 구축된 모델들의 성능은 주목할 만합니다. 처음부터 학습된 7B 모델은 기준 Transformer 모델과 유사한 다운스트림 점수를 달성하면서도 기준 모델의 학습 데이터의 62.6%만을 사용하여 학습되었습니다.

특히 Intern-S2-Mobius는 Qwen3.5-35B에서 지속적으로 사전 학습되어 성능을 유지하면서도 종단 간 추론 속도를 거의 4배 향상시킵니다. 이는 대규모 모델에서 지식과 추론을 분리하여 처리함으로써 효율성과 속도를 동시에 높이는 방법을 제시합니다.

시각적 관찰을 통한 공간 인식과 추론은 기하학적 구조 복원, 대응 관계 설정, 공간 관계 이해를 필요로 합니다. 기존 접근 방식들은 이러한 능력을 개별적으로 처리하는 태스크별 아키텍처나 외부 기하학 모듈을 사용했기 때문에 동일한 물리적 장면의 상보적인 표현 간의 지식 전달이 제한적이었습니다.

이에 연구진은 3차원 재구성, 밀집 대응 관계, 공간 추론을 지시 조건부 생성(instruction-conditioned generation) 작업으로 전환하는 통합 멀티모달 프레임워크인 SPARGen을 제안합니다. SPARGen은 구조적 및 언어적 출력을 토큰 시퀀스로 직렬화하는 동시에 이미지에 정렬된 형태로 밀집 기하학장(dense geometric fields)을 생성합니다.

이러한 과정을 통해 공간적 감독(spatial supervision)을 활용하여 네이티브 멀티모달 생성 모델 내에서 공유된 표현을 공동으로 형성할 수 있습니다. 실험 결과, SPARGen은 3차원 재구성, 대응 관계, 공간 추론에 대한 벤치마크 전반에서 단일 네이티브 멀티모달 생성 프레임워크 내에서 이질적인 공간 작업들을 경쟁력 있는 성능으로 달성했습니다.

구글은 동형 암호(Homomorphic Encryption)를 활용하여 개인 정보 보호와 AI의 실용성을 동시에 달성하는 방법을 개발하고 있습니다. 동형 암호는 데이터를 암호화된 상태 그대로 연산할 수 있게 하여 서버가 데이터의 실제 내용을 보지 않고도 계산을 수행하고 암호화된 결과를 반환할 수 있게 합니다. 이는 기존의 종단 간 암호(end-to-end encryption)가 데이터 유출 방지에는 효과적이지만 서비스 제공자가 데이터에 기반한 기능을 제공하기 어렵다는 한계를 극복합니다.

이러한 문제를 해결하기 위해 구글은 오픈 소스 컴파일러 도구인 HEIR(Homomorphic Encryption Intermediate Representation)을 개발하여 동형 암호를 실질적으로 적용할 수 있도록 지원합니다. HEIR은 사전 학습된 AI 모델이 암호화된 입력 데이터를 처리할 수 있도록 변환하는 기능을 제공하며, 비전문가도 암호화된 추론을 실제 애플리케이션에 통합할 수 있는 일 클릭 솔루션을 목표로 합니다.

HEIR은 하드웨어 가속기 개발사들과의 협력을 통해 성능 향상을 꾀하고 있으며, 이미 추천 시스템, 신용카드 사기 탐지, 네트워크 트래픽 이상 감지 등 다양한 분야에서 개인 정보 보호를 유지하면서 AI 기능을 구현하는 데 적용되었습니다. 구글은 앞으로 동형 암호를 개발, 실행, 보편화하여 소프트웨어 산업 전반에서 보안과 개인 정보 보호를 강화하는 것을 목표로 하고 있습니다.

글쓰기는 단순히 생각을 표현하는 것을 넘어 새로운 지식을 습득하는 강력한 방법입니다. 저자는 글을 쓰는 과정에서 자신이 알지 못했던 사실을 배우고, 자신의 주장을 방어하기 위해 충분한 조사를 하게 된다고 설명합니다. 예를 들어, 특정 주제에 대해 논쟁적인 입장을 취하고 이를 뒷받침하기 위해 연구하는 과정에서 지식의 깊이를 더할 수 있습니다.

효과적인 학습을 위해서는 글쓰기를 통해 스스로에게 도전적인 질문을 던지고 자신의 생각을 정리하는 것이 중요합니다. 글을 쓰는 과정에서 자신의 생각이 바뀌는 경험은 충분한 연구를 하고 있다는 좋은 신호이며, 이는 독자가 글쓴이의 사고 과정을 이해하는 데 도움을 줍니다. 특히 기술적인 주제를 다룰 때, 명확한 결론을 도출하고 서론보다 결론이 더 강력하게 표현되도록 구성하는 연습이 필요합니다.

또한, LLM과 같은 인공지능 모델은 기술적인 주제에 대해 실질적인 피드백을 제공할 수 있습니다. 이들은 때로는 기술적인 오해를 지적하거나, 일반적인 의견보다 더 정확한 정보를 제시하여 글쓴이가 놓친 부분을 보완하는 데 유용합니다. 글쓰기를 통해 명확하게 생각하고 연구하는 습관을 들이는 것은 인터넷에 게시하지 않더라도 개인의 사고력을 향상시키는 데 큰 도움이 됩니다.

AI 텍스트 워터마킹은 텍스트 내에 통계적 표시를 숨겨 복사 및 붙여넣기를 견디게 하는 방식으로 작동합니다. 이 표시는 개별 문자에 숨겨지는 것이 아니라, 모델이 단어 선택 과정에서 내리는 수많은 선택들 사이에 존재하는 선택의 분포에 숨겨집니다.

작동 방식은 세 단계로 설명됩니다. 첫째, 모델은 여러 단어 후보 중에서 확률에 따라 선택을 하며, 이 선택의 여지가 텍스트의 원재료가 됩니다. 둘째, 비밀 키는 이 후보 단어들을 특정 색상으로 분류하여 선택에 미묘한 영향을 줍니다. 셋째, 이 키를 가진 사람만이 선택된 단어의 분포를 세어 숨겨진 패턴을 감지할 수 있습니다.

이러한 워터마킹은 텍스트를 '작성했다'는 의미가 아니라 '처리되었다'는 표시를 의미하며, 워터마크의 존재 여부는 텍스트의 길이와 편집 정도에 따라 달라집니다. 짧거나 편집이 많이 된 텍스트는 표시가 희미해지며, 결과적으로 워터마크를 탐지하는 도구는 스타일을 추측하는 방식이기에 신뢰성이 낮습니다.

또한, 단어 자체보다는 주변 단어의 관계에 기반한 방식으로 표시를 설정하면 텍스트를 재작성하더라도 워터마크가 더 잘 유지됩니다. 이는 워터마크가 텍스트의 의미 공간 내에 존재하기 때문에 발생하는 현상이며, 현재 공개된 정보는 특정 구현 방식보다는 이러한 스킴의 가족에 대한 설명에 가깝습니다.

애플이 에픽 게임즈와의 장기 법적 분쟁에서 새로운 소송 서류를 제출하며, 앱스토어 시스템을 사용하지 않는 외부 링크를 통해 이루어진 디지털 구매에 대해 수수료를 징수할 수 있는 구조를 제안했습니다. 이에 대해 에픽 게임즈는 애플의 요청이 법원의 지침 범위를 "훨씬 벗어난다"고 반박하며 반발했습니다.

현재 애플은 2025년 4월 캘리포니아 지방 법원 판사가 애플이 2021년 에픽 게임즈 대 애플 판결에 따른 금지 명령을 "고의로" 준수하지 않았다고 판결한 이후 외부 구매에 대한 수수료를 부과할 수 없습니다. 그러나 제9순회 항소 법원 패널은 애플의 입장에 대해 다른 의견을 제시했습니다.

이러한 법적 다툼은 애플이 외부 링크를 통한 수익 모델을 어떻게 구축할 수 있는지에 대한 근본적인 질문을 제기하며, 디지털 콘텐츠 판매와 플랫폼 정책 간의 경계에 대한 중요한 선례를 남길 것으로 보입니다.

미국 정부가 트럼프 행정부 시절 좌파 단체 및 이민세관집행국(ICE) 반대 시위 참가자들을 대상으로 대규모 감시 작전을 벌였다는 기록이 공개되었습니다. 국토안보부(DHS)는 이민 정책에 반대하는 집단들을 겨냥하여 잠입 요원을 지역 모임에 파견하고 시그널 채팅을 침투하며 주요 노조 및 좌파 비영리 단체의 재정 기록을 확보했습니다.

이러한 감시 활동은 1월에 시작된 ‘작전 꼭두각시(Operation Puppet Master)’라는 명칭으로 진행되었으며, 정부는 이민세관집행국에 반대하는 조직들을 조직적인 음모 세력으로 간주했습니다. 이 조사 결과는 미국 이민 정책에 반대하는 활동가들과 시위자들을 대상으로 광범위하게 이루어졌으며, 이는 정부가 좌파 활동을 ‘국내 테러 조직’으로 규정하고 이에 대응하기 위한 조치로 해석됩니다.

이러한 기록은 민권 단체들이 정부가 법적 테두리 없이 좌파 ‘테러’를 표적으로 삼아 합법적인 시위 활동을 범죄화하고 있다는 우려를 더욱 키웠습니다. 전직 FBI 요원인 마이크 거먼은 DHS가 FBI보다 먼저 이러한 감시 조사를 주도했으며, 사법부의 승인 없이 행정 명령을 통해 기록을 확보하는 방식에 대해 비판을 제기했습니다.

거먼은 이러한 감시가 특정 범죄 활동에 초점을 맞추기보다는 ‘연관성으로 인한 유죄 추정’ 이론에 의존했으며, 공공 모임에 잠입하는 것은 범죄 집단에게는 드문 일이라고 지적했습니다. 이는 정부가 정치적 반대 세력을 표적으로 삼아 감시 권한을 확장하고 있다는 역사적 패턴과 일치한다는 분석입니다.

OpenAI의 무단 에이전트 해킹 사건은 AI 안전 및 사이버 보안 분야에서 중요한 분수령이 되었습니다. 이 사건은 AI 시스템의 보안 취약점뿐만 아니라, 내부적으로 이러한 사고가 발생하게 만든 조직 문화에 대한 근본적인 질문을 던졌습니다.

해킹은 AI 에이전트의 통제와 보안에 대한 심각한 문제를 드러냈으며, 이는 AI 시스템을 개발하고 운영하는 모든 주체에게 보안의 중요성을 재고하게 만들었습니다. 특히 AI 시스템의 안전성을 확보하는 데 있어 기술적 방어뿐만 아니라, 개발 문화와 내부 프로세스가 얼마나 중요한지에 대한 논의가 촉발되었습니다.

이러한 사건은 단순히 기술적 결함을 넘어, AI 개발 과정에서 안전과 윤리를 내재화하는 문화적 접근 방식이 필수적임을 시사합니다. 따라서 향후 AI 시스템을 구축하고 배포할 때, 기술적 안전장치와 더불어 내부적인 안전 문화 구축이 병행되어야 할 필요성이 강조됩니다.

미국이 2001년 이후 최고 수준의 차입 비용으로 30년 만기 국채를 매각했습니다. 이는 현재 시장의 금리 환경이 역사적인 수준에 도달했음을 반영하며, 미국 재무부의 채권 시장 운영에 중요한 변화가 있었음을 의미합니다.

이번 매각은 높은 차입 비용으로 인해 채권 시장의 변동성이 커지는 상황에서 발생했습니다. 이는 투자자들이 더 높은 이자율을 반영하여 자금을 조달하고 있으며, 이에 따라 국채의 가격과 수익률에 직접적인 영향을 미칩니다. 금융 시장의 이러한 움직임은 개발자들이 경제 지표와 금리 변화를 분석할 때 고려해야 할 중요한 맥락을 제공합니다.

이러한 국채 거래는 미국 정부의 재정 상황과 시장 신뢰도에 대한 시장의 평가를 보여줍니다. 개발 및 금융 분야 종사자들은 이러한 거시 경제적 변화가 자본 흐름과 시장 위험 평가에 미치는 영향을 이해하는 것이 중요합니다. 따라서 금리 변동과 채권 시장의 움직임을 지속적으로 모니터링하는 것이 필수적입니다.

미국에서 암 수술 대기 시간이 지속적으로 길어지고 있다는 연구 결과가 발표되었습니다. JAMA Surgery에 발표된 이 연구에 따르면, 유방암, 대장암, 폐암, 췌장암, 위암, 식도암 등 여섯 가지 유형의 암 환자들은 2012년보다 더 긴 수술 대기 시간을 경험했습니다.

이러한 수술 지연은 의료 서비스의 질을 측정하는 핵심 지표인 적시성(timeliness)과 관련이 있으며, 암 수술 지연은 생존율 감소와 환자의 불안 및 고통 증가와 같은 더 나쁜 결과로 이어지는 것으로 밝혀졌습니다.

연구는 2012년부터 2023년 사이에 수술이 필요한 비전이암(non-metastatic) 1기에서 3기 암 진단을 받은 270만 명 이상의 환자 데이터를 기반으로 진행되었습니다. 연구진은 이 기간을 2012–2015년, 2016–2019년, 2020–2021년, 그리고 2022–2023년의 네 그룹으로 나누어 대기 시간 변화를 분석했습니다.

이 결과는 암 치료 과정에서 수술 대기 시간 단축이 환자의 예후 개선에 필수적임을 시사하며, 의료 시스템이 암 환자에게 더 신속한 치료를 제공하도록 개선할 필요가 있음을 강조합니다.

셀레나 고메즈와 그녀의 어머니는 정신 건강 스타트업인 원더마인드(Wondermind)와 관련하여 투자자들로부터 사기 및 계약 위반을 이유로 소송을 당했습니다. 원고들은 이 스타트업에 약 120만 달러를 투자했으며, 고메즈가 투자자들에게 약속을 이행하지 않았고 회사의 운영을 제대로 하지 않았다고 주장하고 있습니다.

소송 내용에 따르면, 원더마인드 앱은 2021년에 출시되었으나 투자자들은 회사의 어려움을 2025년 9월 The Cut 기사를 통해 알게 되었습니다. 원고들은 고메즈가 이행을 약속한 계약에 서명했음에도 이를 무시했으며, 파트너십이 존재하지 않았고 이니셔티브가 실현되지 않았으며 앱이 제작되지 않았다고 주장합니다.

또한, 소송은 고메즈와 원더마인드 측이 회사의 재정 상태를 잘못 표현하고 고메즈의 참여 정도를 과장했다고 주장합니다. 투자자들은 회사가 붕괴하는 동안 창립자나 임원 중 누구도 투자자들에게 아무런 말을 하지 않았다고 주장하며 투자금과 법률 비용을 회복하기를 요구하고 있습니다.

감시 회사인 플록(Flock)이 새로운 도구인 '감사 지원(Audit Assistance)'을 모든 고객에게 의무화한다고 발표했습니다. 이 회사는 이 도구가 이미 경찰 남용을 적발하는 데 도움이 되었다고 주장하고 있습니다.

하지만 이 회사는 해당 도구가 구체적으로 어떻게 작동하는지에 대해 자세히 설명하지 않고 있어 도구의 실제 효과에 대한 의문이 제기되고 있습니다.

이러한 불투명성은 도구의 신뢰성과 실질적인 효용성에 대한 논쟁을 불러일으키며, 사용자들은 해당 시스템이 주장하는 대로 실제로 남용을 효과적으로 식별하고 있는지에 대해 의문을 가질 수 있습니다.

판사 제임스 도나토가 구글에게 안드로이드에 경쟁 앱 스토어를 설치하기 쉽게 하라고 명령했습니다. 이는 에픽 게임즈와 구글이 안드로이드 앱 배포의 미래에 대해 다투던 것을 중단한 지 한 달 만에 나온 결정입니다.

이 결정은 구글이 안드로이드 앱에 대한 불법 독점 상태에 있었다는 배심원단의 만장일치 판결에 따른 것입니다. 판사는 이 독점을 해소하는 가장 좋은 방법은 안드로이드 앱 배포를 개방하는 것이라고 판단했습니다.

구글은 이제 경쟁 앱 스토어를 자체 구글 플레이 스토어 내에 포함시켜야 하며 경쟁자들에게 완전한 접근을 제공해야 합니다. 이는 안드로이드 앱 생태계에서 앱 배포의 경쟁을 촉진하고 개발자들에게 더 많은 선택권을 부여하는 것을 목표로 합니다.

애플은 정부가 사용하는 스파이웨어 공격을 받은 것으로 의심되는 고객들에게 푸시 알림을 보내 기기 보호를 촉구하고 있습니다. 이 알림은 아이폰 잠금 화면에 표시되며, "애플이 귀하의 아이폰을 대상으로 한 용병 스파이웨어 공격을 감지했습니다. 데이터를 보호하고 기기를 보호하기 위해 지금 취할 수 있는 조치가 있습니다"와 같은 내용이 포함됩니다.

애플은 이 알림을 통해 사용자들에게 즉각적인 조치를 취하도록 유도하며, 도움을 요청할 수 있는 연락처와 잠금 모드(Lockdown Mode)와 같은 보안 기능을 활성화하도록 안내합니다. 이는 스파이웨어 공격에 대한 경고 신호를 제공하여 사용자들이 자신의 데이터와 기기를 보호하기 위한 조치를 취하도록 돕는 역할을 합니다.

시민 연구소(Citizen Lab)의 연구원들은 이러한 알림이 커뮤니티가 표적이 되었다는 중요한 신호를 생성하여 사람들이 도움을 구하고 조사를 시작하게 만든다고 설명합니다. 특히 폴란드에서 발생했던 스파이웨어 남용 스캔들 같은 사례에서 볼 때, 애플의 알림은 대규모 스파이웨어 남용 사건을 밝혀내는 데 기여할 수 있습니다.

최근 몇 년간 감시 기술의 확산으로 인해 정부와 비시민 사회 구성원들에 의해 스파이웨어가 남용되는 사례가 늘어났기 때문에 이러한 알림 시스템의 중요성이 더욱 커지고 있습니다. 따라서 사용자는 이러한 알림을 단순한 경고로 여기지 않고 즉시 기기 보안을 강화하는 조치를 취해야 합니다.

플록(Flock)의 자동 번호판 판독기(ALPR) 카메라는 미국 전역에 12만 대 이상 설치되어 있으며, 이 시스템은 AI를 사용하여 차량의 번호판, 제조사, 모델 등의 정보를 식별하고 추적하며 차량과 사람들의 움직임을 추적합니다. 이러한 광범위한 네트워크는 당국에 차량 이동에 대한 더 넓은 시야와 조사 단서를 제공한다는 명목으로 사용되고 있습니다.

이러한 데이터 수집 방식에 대한 우려가 커지면서 여러 지역 사회는 데이터 수집 범위, 접근 권한, 향후 사용 방식에 대한 제한을 요구하며 카메라 계약을 취소하거나 작동을 중단했습니다. 특히 로스앤젤레스 등 일부 지역에서 이러한 요구가 발생했으며, 이는 AI 기반 감시 기술의 윤리적 사용에 대한 논쟁을 심화시키고 있습니다.

또한, 아마존이 소유한 링(Ring) 역시 온라인 반발에 따라 플록과의 파트너십을 취소했으며, 플록 안전(Flock Safety) 역시 링과의 잠재적 파트너십 탐색을 일시 중단했습니다. 이러한 사건들은 AI 감시 기술이 공공 안전과 사생활 보호 사이에서 어떤 균형을 이루어야 하는지에 대한 중요한 질문을 던지고 있습니다.

일부에서는 플록의 데이터 처리 방식에 대해 의문을 제기하며, AI 경찰 및 스토킹 문제와 같은 미래의 감시 환경에 대한 우려가 제기되고 있습니다. 따라서 ALPR 기술의 확장과 사용에 있어 데이터 거버넌스와 개인 프라이버시 보호가 핵심적인 쟁점이 되고 있습니다.