읽을 가치가 있는 기사만, 짧고 또렷하게.

뉴욕 대학교 수학 교수인 트리스탄 버크마스터가 인공지능 모델을 사용하여 나비-스토크스 존재 및 매끄러움 문제에 대한 증명을 시도하는 과정에서 OpenAI와 얽힌 논란이 불거졌습니다. 버크마스터와 앤트로픽의 수학자 레벤트 알포게는 코덱스(Codex)와 클로드(Claude) AI 모델을 사용하여 증명에 접근했으며, 이 과정에서 연구 진행 정보가 OpenAI에 전달되었다는 사실을 알게 되었습니다.

이러한 정보 공유에 대해 문의했을 때 OpenAI는 이미 중앙 문제를 완전히 증명했다고 주장했지만, 연구 시작 시점이나 인간의 기여도에 대한 질문에는 모호한 답변을 했습니다. 버크마스터는 OpenAI 팀이 그들의 접근 방식을 수용하고 컴퓨팅 자원을 활용하여 공식 증명을 달성하기로 결정했을 가능성을 제기하며 논란을 심화시켰습니다.

이 논쟁은 나비-스토크스 방정식이라는 일곱 개의 밀레니엄 문제 중 하나를 해결하는 과정에서 AI의 역할과 OpenAI의 동기에 대한 근본적인 질문을 던집니다. 특히 버크마스터는 코덱스를 광범위하게 사용했기 때문에 OpenAI가 자신의 연구 자료를 재활용했을 가능성을 우려하며, 학문적 기준을 훼손하는 행위에 대해 비판했습니다.

결국 이 사건은 AI가 수학 연구에 어떻게 참여하는지, 그리고 AI 모델이 특정 연구자의 작업에 어떤 영향을 미치는지에 대한 논쟁을 재점화하고 있습니다.

GoDeep은 텍스트 기반의 언어 공간을 활용하여 주석이 없는(annotation-free) 개방 어휘 3D 장면 이해를 수행하는 새로운 방법을 제안합니다. 기존 방법들은 CLIP 특징을 3D로 끌어올리지만 대규모 3D 훈련 코퍼스와 전용 3D 인코더를 필요로 하는 반면, GoDeep은 비전-언어 모델을 단순한 번역기로 사용하여 각 이미지에 대한 구조화된 개체 수준 설명을 생성합니다. 이 설명들은 3D 훈련 코퍼스나 인코더 없이 일반적인 언어 임베딩 공간에서 직접 정렬되고 집계됩니다.

ScanNet++ 벤치마크에서 GoDeep 파이프라인은 ScanNet으로 훈련된 강력한 주석 없는 기준선과 경쟁할 수 있는 성능을 보였습니다. 특히 5채 건물 문화유산 벤치마크에서 초기 점수는 CLIP 기반 변형이 유리했지만, 체계적인 어휘 수정 단계를 거치자 순위가 역전되었습니다. 이는 언어 공간 임베딩이 CLIP 기반 임베딩보다 물리적 콘텐츠를 훨씬 더 충실하게 추적한다는 것을 의미합니다.

이러한 충실도는 ScanNet++에서 실제로 존재하지 않는(OOV) 객체에까지 확장되어, 언어 공간 임베딩이 부재(absence) 객체와 존재(presence) 객체를 CLIP 기반 임베딩보다 훨씬 더 명확하게 분리함을 입증합니다. GoDeep은 2D-3D 주석 없이도 이러한 OOV 객체들을 장면 내에 위치시키며, 모든 표현이 이산적인 텍스트로 유지되므로 예측이 점 수준에서 설명 가능합니다.

마지막으로, GoDeep은 정밀한 관찰을 단순히 빈번한 관찰보다 선호하는 휴리스틱 가중치와 설명 가능성을 활용하여 더 미세한 요소 위치를 선호하는 집계 전략을 제안합니다.

모델의 중간 훈련 단계는 사전 훈련과 정렬 사이의 시점으로, 모델의 도메인별 데이터 구성이 설계 원칙보다는 데이터 가용성에 의해 결정되는 경우가 많습니다. 연구진은 이러한 데이터 구성 결정이 어떤 결과를 가져오는지, 그리고 후속 정렬 과정이 이를 되돌릴 수 있는지 탐구했습니다.

통제된 논리 추론 환경(Qwen3-8B-Base, 4B 복제; 다섯 개의 의미적으로 규칙이 분리된 KOR-Bench 도메인)에서 30개의 할당과 24개의 스윕 구성을 통해 세 가지 주요 결과를 도출했습니다. 첫째, 모든 도메인은 내부 커버리지 최적점을 가지며, 중간 범위인 10%에서 40%가 다섯 도메인 모두에 가장 적합한 것으로 나타났습니다. 또한, 이 최적점은 이차 내부성(quadratic interiority)에 대한 보정된 순열 테스트에서 $P\approx0.010$을 보였습니다.

둘째, 고정 예산 정렬 과정에서도 데이터 간의 격차는 유지되었으나, 보상적 SFT를 통해 116/120 셀(평균 +4.32%)이 증가했습니다. 그럼에도 불구하고, 정렬은 5% 임계값에서 $0/240$ 쌍과 10% 비율에서 $30/240$ 쌍을 연결했으며, 순열 널(permutation null)은 $13.8\pm3.3$ 쌍과 $77.9\pm8.5$ 쌍을 $P<0.001$로 연결했습니다.

셋째, 중간 훈련 단계에서 커버리지가 0인 경우 정확도가 붕괴되지만, FineWeb-Edu-only 대조군에서는 이러한 붕괴가 일반적인 드리프트와 혼재되는 것으로 나타났습니다. 탐색적인 $\theta^*$ 할당은 전체 파이프라인에서 가장 큰 이득(+4.36%)을 달성했지만, 웰치 테스트 하에서는 한계적인 결과였습니다.

LLM이 제출 전 자체 검토에 점점 더 사용됨에 따라, 단순히 약점을 식별하는 것을 넘어 저자들이 구체적인 수정 방향을 제시받을 수 있는 피드백에 대한 수요가 증가하고 있습니다. 본 연구는 이러한 요구를 충족시키기 위해 행동 가능한 동료 검토 생성(Actionable Peer-review Generation)을 진단 주장 생성과 수정 제안 생성이라는 두 하위 작업으로 분해하여 연구했습니다.

연구진은 반박(rebuttal) 내용을 통해 검토자의 우려 사항에 대응할 수 있는 타당한 행동을 드러내며, 이는 수정 지향적인 피드백을 위한 잠재적인 감독 신호를 제공한다는 핵심 통찰을 제시합니다. 이를 바탕으로 OpenReview의 실제 검토-반박 스레드에서 검토자의 약점을 저자의 응답과 일치시키고 해당 피드백을 문서 내 증거에 근거하여 구체화한 ActReview-40K 데이터셋을 구축했습니다.

이 데이터셋을 활용하여 Qwen3-8B-Base 모델을 다중 작업 지도 미세 조정과 GRPO를 사용하여 훈련시켰으며, 후보 인식 및 약점별 루브릭 보상을 적용했습니다. ActReview-Bench라는 인간이 선별한 1,000개의 사례로 구성된 벤치마크를 통해 진단 품질과 수정 유용성을 평가했습니다.

실험 결과, ActReview는 이전의 전문화된 검토 생성 모델보다 행동 가능성과 근거성 측면에서 우수한 성능을 보였으며, 강력한 프롬프트 기반 LLM과 경쟁할 만한 수준이었습니다. 인간 평가 결과는 수정의 유용성이 향상되었음을 확인했지만, 기술적 정확성에는 여전히 격차가 남아 있음을 보여주었습니다. 추가 분석은 홀드아웃된 논문에 대한 일반화와 독립적인 심사자에 대한 견고성을 뒷받침합니다.

강화 학습에서 검증 가능한 보상(RLVR)과 그룹 상대 정책 최적화(GRPO)를 사용하는 환경에서, KL-free 보상-이점 항은 그룹 내 보상 변화에 따라 달라집니다. 만약 특정 그룹의 모든 롤아웃이 정답이거나 모두 틀린 경우, 이 그룹들은 이점(advantage)이 0이 되지만, 균일 샘플링은 이 그룹들에 런의 롤아웃 중 39%를 소비합니다.

기존의 역사 기반 프롬프트 선택 방식은 난이도를 추정하기 위해 타겟 정책 롤아웃을 먼저 수행해야 하므로 롤아웃 낭비와 함께 콜드 스타트 문제를 발생시킵니다. 이에 반해 ThinkPrior는 첫 번째 타겟 정책 롤아웃 전에 0 롤아웃 난이도 사전(difficulty prior)을 구성하기 위해 한 번의 오프라인 패스에서 외부 앵커(external anchor)를 사용합니다. 이 앵커 패스 비율은 베타 사후 분포(Beta posterior)를 위한 외부 앵커 초기값을 제공하며, ThinkPrior는 예상 학습 가능성(expected learnability)에 따라 선택하고 훈련 결과로부터 업데이트하여 손실이나 최적화기 자체를 변경하지 않습니다.

Qwen2.5-Math-7B 모델에서 16개의 시드에 걸쳐 실험한 결과, ThinkPrior는 초기 침묵 그룹(silent groups)의 절반 이상을 줄이고 단계 30의 낭비된 롤아웃을 거의 5분의 1로 절감했지만 최종 정확도에는 차이가 없었습니다. 또한, 측정된 ThinkPrior와 DAPO의 조합은 생성된 롤아웃을 10.6% 감소시키면서도 두 방법 모두 동일한 3840 롤아웃 업데이트 예산을 유지했습니다. 이 사전은 첫 선택 전에 타겟 정책 롤아웃을 요구하지 않지만, 이후의 사후 분포는 타겟 정책 결과를 사용합니다.

Anthropic을 상대로 한 새로운 집단 소송이 인공지능 회사의 가격 책정 및 구독 계획에 대한 허위 광고 문제를 제기했습니다. 소송을 제기한 Claude 구독자들은 회사가 최대 구독 등급의 한계를 기만적으로 광고했다고 주장하며, 구독료 대비 제공받은 서비스의 범위에 대해 기만당했다고 주장하고 있습니다.

이 소송은 Anthropic이 비즈니스 모델에서 '파워 유저'를 핵심으로 삼아 다른 인기 애플리케이션(예를 들어 OpenClaw)을 차단하면서도 프리미엄 구독에 대해 과장된 혜택을 제공했다고 주장하는 내용이 포함되어 있습니다. 이들은 Anthropic이 구독자들에게 실제보다 더 많은 것을 얻을 수 있다고 속였다고 주장하며 금전적 손해를 입었다고 주장하고 있습니다.

이 소송은 모니카 바카(Monica Vaca)와 카티 대판(Kati Daffan) 변호사가 제기했으며, 두 변호사 모두 리나 칸(Lina Khan) 감독 하에서 연방거래위원회(FTC)에서 근무한 경력이 있습니다. 이는 AI 회사를 법적으로 처벌하려는 드문 시도이며, AI 서비스의 가격 책정 및 구독 조건에 대한 투명성에 대한 중요한 선례를 남길 수 있습니다.

언어 모델이 외부 도구와 효과적으로 상호작용하기 위해서는 고품질의 도구 사용 데이터가 필수적입니다. 하지만 기존의 합성 접근 방식은 일반적으로 정적인 사후 검증을 사용하는 생성 후 필터링(generate-then-filter) 패러다임을 따르기 때문에, 특징 분포가 불균형한 비효율적인 데이터를 산출하는 문제가 있었습니다.

이에 연구진은 생성-검증-정제(generate-verify-refine)로 전환하는 폐쇄 루프 프레임워크인 ToolLoop를 제안했습니다. ToolLoop는 합성을 세 단계로 분해하여 진행하는데, 첫째는 정답으로 함수 이름 조합을 샘플링하고, 둘째는 사용자 질의를 역추론하며, 셋째는 도구 호출을 순방향으로 도출하는 방식입니다. 각 단계에서 동적 자기 피드백이 모델이 고품질의 생성을 하도록 반복적으로 안내하여 생성 후 필터링 방식에서 생성-검증-정제 방식으로 전환을 실현합니다.

이러한 방법론을 적용한 결과, 베를리 함수 호출 리더보드(BFCL)에서 11K개의 합성 예시로 훈련된 4B 파라미터 모델은 비추론 모드에서 86.40%의 정확도를 달성했습니다. 또한, BFCL과 중복되는 후보 함수를 제거한 Isolate 변형 모델 역시 86.07%의 정확도를 기록했습니다. ACEBench에 대한 교차 벤치마크 평가에서는 기준 훈련 데이터의 18.3%만을 사용하여 전체 정확도 72.1%를 달성함으로써 강력한 일반화 능력을 입증했습니다.

임상 AI 시스템인 Doctorina의 성능을 의사 및 최첨단 언어 모델과 비교한 연구 결과가 발표되었습니다. 이 연구는 150개의 합성 폴란드어 일차 진료 상담 사례를 대상으로 Doctorina, 여덟 명의 의사, 그리고 네 개의 독립적인 최첨단 언어 모델을 비교했습니다.

Doctorina는 의사들과 비교하여 Top-1 일치도에서 82.0%를 달성했으며, 이는 의사들의 57.0%보다 높았습니다. 이 차이는 25.0% 포인트이며, 95% 신뢰 구간은 17.7%에서 32.7% 사이로 나타났습니다. 또한, 주요 또는 참조 차이 일치도에서는 Doctorina가 97.3%를 기록하여 의사들의 85.0%보다 크게 우위를 보였습니다.

더 나아가, 149개의 사례 쌍에서 정규화된 검사 및 치료 점수에서도 Doctorina는 89.4점을 기록하여 의사들의 66.9점보다 높았으며, 치료 점수에서는 83.7점 대 61.2점으로 비교되었습니다. 이 결과는 Doctorina가 모든 그룹 중에서 가장 높은 진단 점 추정치를 보였음을 의미합니다.

Doctorina의 이점은 적응형 정보 수집 후의 진단 선택부터 더 높은 평가를 받은 진단 검사 및 초기 치료에 이르기까지 의사들과 비교하여 확장됩니다. Kimi K3가 다음으로 높은 순위를 차지했으며, Claude Opus 5는 Opus, Doctorina, Kimi의 관리 추정치에서 선두를 차지했습니다.

닌텐도는 그랜드 테프트 오토 식스(GTA VI)에 대한 대중의 두려움과는 별개로 자사 프랜차이즈에 집중하는 모습을 보였습니다. 최근 모든 사람이 GTA VI에 대해 두려움을 느끼는 상황에서 닌텐도는 이번 주에 레전드 오브 젤다(Legend of Zelda) 프랜차이즈를 기념하는 40주년을 맞아 30분간의 특별 쇼케이스를 개최했습니다.

이 쇼케이스는 주로 레전드 오브 젤다 프랜차이즈에 초점을 맞추었으며, 실사 영화, 오케스트라 콘서트, 스위치 2 한정판 에디션 등 다양한 관련 소식을 다루었습니다. 특히 쇼케이스의 대부분의 시간은 오카리나 오브 타임(Ocarina of Time)의 스위치 2 리메이크에 할애되었습니다.

이는 닌텐도가 현재의 대중적 관심사에서 잠시 벗어나 자사의 핵심 IP와 향후 프로젝트에 집중하고 있음을 보여줍니다. 닌텐도는 대중의 관심이 집중되는 다른 게임에 대한 반응보다는 자사 프랜차이즈의 역사와 미래에 대한 콘텐츠를 제공함으로써 독특한 전략을 취하고 있습니다.

OpenAI 내부 시스템이 나비에-스토크스(Navier–Stokes) 밀레니엄 문제에 대한 해법을 증명하는 분석적 증명과 Lean 형식화를 발표했습니다. 이 증명은 유체의 역학이 유한 시간 내에 특이점(singularity)을 발달시킬 수 있음을 보여주며, 이는 수십 년간 해결되지 않았던 유체 운동의 매끄러움에 대한 근본적인 질문에 답합니다.

이 연구는 유체 운동을 설명하는 나비에-스토크스 방정식이 어떻게 특이점을 발생시키는지 다루며, 이는 점성(viscosity)에도 불구하고 운동이 무한 속도로 성장할 수 있음을 의미합니다. 연구팀은 이 문제를 해결하기 위해 GPT-6 Astra보다 훨씬 뛰어난 내부 모델을 사용했으며, 이 모델이 수학적 증명을 수행하는 데 사용되었습니다.

결과적으로, 이 시스템은 초기에는 매끄러웠던 유체가 유한 시간 내에 특이점을 발달시킬 수 있다는 것을 입증했으며, 이로써 밀레니엄 문제의 핵심 명제들을 해결했습니다. 이는 AI 모델의 발전 속도와 잠재력을 보여주는 동시에, AI 연구와 발전의 책임에 대해 논의할 필요성을 제기합니다.

OpenUI는 생성형 사용자 인터페이스를 위한 세계 최초의 모델인 OUI-1을 공개했습니다. OUI-1은 openui-lang 언어로 사용자 인터페이스를 작성하도록 미세 조정된 DiffusionGemma 모델로, 소비자급 GPU(RTX 5090 등)에서 실행 가능하며 신뢰할 수 있는 인터페이스를 생성하는 것을 목표로 합니다.

이 모델은 인터페이스를 생성하는 데 필요한 속도와 신뢰성이라는 두 가지 상충되는 제약 조건을 해결하고자 개발되었습니다. 기존 모델들이 속도에 집중했다면, OUI-1은 생성된 인터페이스가 스키마 오류나 배선 오류 없이 실제로 작동하도록 보장하는 데 중점을 두었습니다. 이를 위해 지도 미세 조정과 자기 증류를 포함하는 3단계 훈련 과정을 거쳐 27개의 컴포넌트 라이브러리에 걸쳐 모델을 일반화시켰습니다.

벤치마크 결과, OUI-1은 생성형 UI 벤치마크에서 71.7%의 점수를 기록하며 기본 모델보다 5.5배 높은 성능을 보였습니다. 이는 OUI-1이 클라우드 환경에서만 가능했던 에이전트 기반 인터페이스를 소비자 하드웨어에서 로컬로, 전통적인 소프트웨어 속도로 생성할 수 있게 함을 의미합니다.

OUI-1은 260억 개의 파라미터를 가지면서도 40억 개의 활성 파라미터만 사용하여 소비자 하드웨어에서 실행할 수 있는 오픈 웨이트 모델로 제공됩니다. 이는 복잡한 UI 생성을 개인 기기에서 신속하고 안정적으로 처리할 수 있는 새로운 가능성을 제시합니다.

프랑스 전국 고등학교에서 진행된 대규모 실험 결과, 청소년들이 신문 읽기를 통해 미디어 리터러시와 뉴스 소비를 향상시킬 수 있다는 사실이 밝혀졌습니다. 이 연구는 2024-25학년도에 243개 고등학교(총 9,628명 학생)를 대상으로 신문 무료 디지털 구독과 교사의 미디어 교육 모듈이라는 두 가지 상호 보완적인 개입을 실시한 무작위 통제 시험이었습니다.

실험 결과, 무료 구독에 대한 높은 참여율을 바탕으로 학생들의 뉴스 소비와 미래 뉴스에 대한 수요가 지속적이고 크게 증가했습니다. 특히, 개입 후 거의 1년 뒤 유료 구독에 대한 수요는 8% 증가하는 것으로 나타났습니다. 또한, 소외된 학교에 재학 중인 학생들의 뉴스 지식은 0.20에서 0.31 표준편차만큼 증가하여 정보 불평등을 45~70%까지 줄이는 효과를 보였습니다.

더 나아가, 무료 뉴스 접근과 미디어 교육 모두 미디어 리터러시 기술을 향상시키는 것으로 확인되었으며, 특히 미디어 교육 경험이 있는 교사가 가르치는 학생들에게서 더 큰 효과가 관찰되었습니다. 이는 디지털 시대에 정보 접근성 문제와 잘못된 정보에 대한 대처 능력을 키우는 것이 중요함을 시사합니다.

구글은 유럽연합의 디지털 시장법(DMA) 준수를 위해 유럽 내 검색 결과를 변경했으며, 이로 인해 검색 품질이 저하되었다고 주장하고 있습니다. 유럽 위원회는 구글이 여행 및 쇼핑 검색에서 자체 서비스를 선호한 것에 대해 지난 7월 4억 6천만 유로(5억 4,300만 달러)의 벌금을 부과했습니다.

구글이 유럽에서 여행이나 쇼핑과 같은 검색을 수행할 때, 결과에 광고 링크, 예약 추천, 가격 비교 도구 등을 제공합니다. 문제는 이러한 콘텐츠가 유기적인 결과가 아니며 구글의 사업적 이익에 따라 링크와 제안이 포함된다는 점입니다. 이는 지역 비즈니스가 불리한 환경에 놓이게 하여 공정한 경쟁 환경을 해친다는 비판을 받았습니다.

구글 측은 이러한 변경이 DMA 요구 사항을 준수하기 위한 것이라고 설명하지만, 닉 폭스(Nick Fox)는 이러한 변화가 유럽인 사용자 경험을 저하시키고 온라인 중개업체를 부추기며 지역 기업에 불이익을 준다고 밝혔습니다. 구글은 이러한 변경이 사용자들이 일상적으로 의존하는 유용한 기능을 제거한다고 주장하고 있습니다.

Herdr는 이제 여러 기계를 연결하는 기능을 추가하며 멀티 머신 지원을 시작했습니다. 이전에는 각 에이전트가 독립된 터미널 탭에서 실행되어 각 기계마다 별도의 Herdr 클라이언트가 필요했지만, 이번 업데이트를 통해 여러 서버와 에이전트를 하나의 Herdr TUI에서 관리할 수 있게 되었습니다. 이는 에이전트가 여러 시간 동안 실행될 때 사용자가 여러 기계를 동시에 모니터링하고 제어하는 데 있어 발생했던 병목 현상을 해소합니다.

이러한 변화는 Herdr의 아키텍처 변경에서 비롯되었는데, 이제 클라이언트가 런타임으로부터 분리되어 외부에 렌더링되면서 독립적인 서버들을 하나의 TUI로 통합할 수 있게 되었습니다. 사용자는 이제 SSH를 통해 원격 기계를 연결하여 해당 기계의 워크스페이스, 탭, 에이전트를 로컬 기계와 동일한 Herdr 환경에서 볼 수 있습니다. 연결을 끊어도 에이전트는 각자의 기계에서 계속 실행되므로 작업의 연속성이 보장됩니다.

현재 버전에서는 원격 기계 연결을 위해 SSH가 필요하며, Herdr 클라우드(Herdr Cloud)는 이 연결을 더욱 간편하게 만드는 다음 단계로 계획되고 있습니다. 궁극적으로 Herdr 1.0 버전에서는 사용자가 복잡한 네트워크 설정 없이 단일 계정으로 모든 기계를 연결할 수 있도록 하며, 에이전트 세션을 기계 간에 이동시키는 기능도 탐색할 예정입니다.

최첨단 AI 연구를 수행하는 프론티어 AI 연구소의 중대한 발표가 부적절하다는 의혹에 가려졌습니다. 이 발표는 중요한 수학적 발견을 포함하고 있었으나, 동시에 연구 과정에서의 부적절함에 대한 비난이 제기되었습니다.

이번 사건은 선도적인 AI 기술 개발 속도와 그 결과에 대한 윤리적 검토 사이의 긴장 관계를 보여줍니다. 연구소의 획기적인 성과가 발표되는 동시에, 해당 과정에 대한 도덕적, 윤리적 문제가 제기되면서 학계와 대중의 관심이 집중되고 있습니다.

이러한 의혹은 AI 기술의 발전이 가져오는 사회적 책임과 관련하여 중요한 논의를 촉발합니다. 개발자들이 AI 모델을 구축하고 배포할 때 기술적 성과뿐만 아니라 그 과정의 투명성과 윤리적 기준을 함께 고려해야 할 필요성이 강조됩니다.

트레이 파커와 맷 스톤이 제작한 인기 애니메이션 시리즈인 사우스 파크(South Park)의 이름을 사우스 아메리카(SOUTH AMERICA)로 변경한다고 발표했습니다. 이들은 애플과 구글의 용기와 애국심에서 영감을 받아 이러한 이름을 선택했으며, 모회사인 파라마운트(Paramount)에 감사를 표했습니다.

이러한 이름 변경은 시리즈의 새로운 시즌에 적용되며, 수상 경력에 빛나는 이 시리즈의 29번째 시즌은 9월 16일 수요일 밤 10시에 코미디 채널(Comedy Central)에서 첫 방송됩니다.

새로운 에피소드들은 파라마운트 플러스(Paramount+)를 통해 전 세계적으로 스트리밍이 가능하며, 미국, 캐나다, 호주에서는 다음 날 바로 시청할 수 있습니다.

무료 Microsoft Office 대안인 LibreOffice 26.8 버전이 출시 일주일 만에 설치 프로그램 다운로드 100만 회 이상을 기록하며 역대 가장 인기 있는 업데이트가 되었습니다. 이 업데이트는 개인정보 보호를 이유로 생성형 AI 기능을 기본 탑재하지 않는다는 점을 내세웠습니다.

이러한 결정은 소프트웨어의 개인정보 보호와 사용자 데이터 관리에 대한 논쟁 속에서 주목받고 있습니다. 많은 사용자들이 AI 기능이 기본으로 포함된 소프트웨어에 대해 개인정보 침해 우려를 제기하고 있기 때문입니다.

LibreOffice가 AI 기능을 기본적으로 배제한 것은 오픈 소스 소프트웨어 커뮤니티 내에서 개인정보 보호를 중시하는 개발자 및 사용자들의 요구를 반영한 것으로 해석됩니다. 이는 향후 다른 오픈 소스 오피스 솔루션들이 AI 기능을 통합할 때 어떤 윤리적, 법적 기준을 따라야 하는지에 대한 중요한 맥락을 제공합니다.

백악관 웹사이트에서 이민 반대 테마의 테트리스 클론 게임이 삭제되었습니다. 이는 테트리스 회사(The Tetris Company)가 해당 게임에 대한 관여를 부인하고 저작권 침해를 심각하게 받아들이고 있다고 밝힌 지 며칠 만에 이루어진 조치입니다.

삭제된 게임은 플레이어가 '남부 국경(Southern Border)'에서 몰려오는 '좀비 국경 봉쇄(Zombie Border siege)'를 막기 위해 블록을 쌓는 방식으로 '장벽 건설(Build the Wall)'이라는 목표를 수행했습니다. 이 게임의 핵심적인 차이점은 일반 테트리스와 달리 줄을 완성해도 블록이 사라지지 않고, 각 블록이 국경을 막는 불가능한 장벽을 형성한다는 점입니다.

이러한 디자인 변경은 게임 플레이를 지루하게 만들고, 블록이 결국 가득 차면 '국경 침범(Border Breached)' 메시지로 끝나는 아이러니한 결말을 초래했습니다. 또한, 이 게임 제작자들은 인간성과 타인에 대한 배려에 대해 멀어졌다는 비판을 받았습니다.

야코미네이터의 얼리 액세스 네트워크 관련 정보가 공개되었습니다. 이 네트워크는 2026년 가을에 예정된 이벤트와 관련되어 있으며, 개발자 및 스타트업 커뮤니티에 중요한 기회를 제공할 것으로 보입니다.

해당 이벤트는 Y Combinator의 얼리 액세스 프로그램의 일환으로 진행되며, 이는 특정 시기에 기술 프로젝트나 스타트업이 네트워크에 참여할 수 있는 기회를 의미합니다. 개발자들은 이 네트워크를 통해 잠재적인 투자 기회나 네트워킹 기회를 모색할 수 있습니다.

참여를 원하는 개발자들은 제공된 링크를 통해 자세한 정보를 확인하고 참여 자격을 검토해야 합니다. 이 정보는 2026년 가을에 진행될 이벤트에 대한 구체적인 일정과 세부 사항을 담고 있으므로, 관련 정보를 미리 파악하는 것이 중요합니다.

인재 채용은 단순히 지원자 수를 늘리는 것보다 임원급 채용처럼 접근해야 합니다. 채용 과정에서 많은 지원자를 걸러내는 필터 방식(funnel)은 양적인 측면에 치중하지만, 진정한 인재를 찾기 위해서는 역할에 대한 명확한 범위 설정과 순위를 매기는 과정이 필수적입니다.

성공적인 채용은 먼저 해당 역할이 향후 1년 동안 무엇을 달성해야 하는지 구체적으로 정의하는 것에서 시작됩니다. 이 목표를 바탕으로 후보자들을 평가하고 순위를 매기면, 단순히 자격 요건을 나열하는 것보다 더 의미 있는 결정을 내릴 수 있습니다. 채용 담당자가 네트워크를 활용할 때도 "좋은 엔지니어를 아느냐"와 같은 모호한 질문 대신, 특정 프로젝트를 성공적으로 이끌거나 특정 기술적 문제를 해결한 경험을 묻는 방식으로 질문을 구체화해야 합니다.

이러한 과정을 통해 최종 후보군을 좁히고, 채용 후에는 후보자와의 지속적인 소통을 통해 이직률을 관리해야 합니다. 입사 후 기간 동안의 관계 유지는 보너스 외에 회사에 대한 충성도를 높이는 데 중요한 역할을 하며, 이는 특히 브랜드나 채용 예산이 부족한 팀에게 강력한 경쟁 우위가 됩니다.

결론적으로, 채용 과정은 단순히 인원을 채우는 것이 아니라 팀의 역량을 향상시키는 사람들을 찾는 과정이며, 명확한 범위 설정과 관계 중심의 접근이 성공적인 결과를 가져옵니다.