읽을 가치가 있는 기사만, 짧고 또렷하게.

Apple Silicon 환경에서 작동하는 로컬 음성 인식 및 받아쓰기 솔루션인 Qwen Scribe가 공개되었습니다. 이 프로젝트는 클라우드 서비스나 API 키 없이 Mac 자체에서 오디오와 텍스트를 처리하는 프라이빗한 시스템을 목표로 합니다.

Qwen Scribe는 Qwen3-ASR 모델을 MLX-Qwen3-ASR을 통해 Mac의 Metal GPU에서 직접 실행하여 고성능으로 음성-텍스트 변환을 수행합니다. 이는 모든 데이터와 기록이 Mac 내부에 남아있어 데이터 프라이버시를 극대화하며, 시스템 전체에 걸친 받아쓰기 기능을 제공합니다.

사용자는 드래그 앤 드롭 기반의 웹 인터페이스를 통해 오디오 및 비디오를 인식하고, 자동 언어 감지, 단어 타임스탬프, SRT 내보내기 등의 기능을 사용할 수 있습니다. 개발을 위해서는 Apple Silicon Mac(macOS 14 이상)과 Python 3.12, ffmpeg 등의 환경이 필요하며, 소스 코드를 통해 직접 앱을 빌드할 수 있습니다.

인공지능(AI) 기업들이 수천 명에 달하는 전기 기술자와 목수들을 채용하고 있다는 내용이 보도되었습니다. 이는 AI 시스템 구축과 데이터 센터 운영에 필요한 물리적 인프라 구축 수요가 급증하면서 숙련된 기술직 인력에 대한 수요가 폭발적으로 증가하고 있음을 시사합니다.

AI 기술의 발전은 단순히 소프트웨어 개발에만 국한되지 않고, 데이터 센터와 첨단 시설을 구축하고 유지보수하는 물리적 인프라에 크게 의존합니다. 따라서 AI 기업들은 대규모 데이터 센터를 건설하고 업그레이드하는 과정에서 전기 배선, 구조물 설치, 시설 보수 등의 작업이 필수적으로 요구되고 있습니다.

이러한 채용 추세는 숙련된 기술직 인력의 부족 현상을 심화시키고 있으며, AI 산업 성장에 발맞춰 관련 직업 교육 및 훈련 시스템의 변화가 필요함을 의미합니다. 결과적으로, 기술 분야 종사자들은 AI 시대에 물리적 인프라 구축에 필요한 기술을 습득하는 것이 새로운 기회가 될 수 있습니다.

Encore AI가 고객 통화에서 학습하여 AI 에이전트를 구축하기 위해 팀8(Team8)가 주도한 시리즈 A 라운드에서 3천만 달러를 유치했습니다. 이 스타트업은 고객 상호작용을 연구하여 AI 음성 에이전트를 훈련하고 배포하는 플랫폼을 개발하고 있습니다.

Encore AI는 회사 직원과 고객 간의 대화, 이메일, 문자 메시지, CRM 시스템 데이터를 분석하여 성공적인 결과를 도출한 접근 방식을 식별하고 이를 AI 에이전트의 플레이북으로 만드는 '상호작용 마이닝(interaction mining)' 방식을 사용합니다. 이를 통해 에이전트는 조직 내에서 가장 효과적인 영업 및 고객 성공 전략을 활용할 수 있게 됩니다.

이러한 AI 에이전트는 고객과 음성 또는 텍스트로 직접 소통하거나 직원들을 돕는 비서 역할을 수행하며 대화 중 적절한 응답과 전술을 추천합니다. Encore AI는 이미 금융 기관을 포함한 전 세계 40개 이상의 기업 고객을 보유하고 있으며, 이는 영업 및 고객 지원 프로세스의 비효율적인 부분을 식별하고 개선하는 데 중점을 둡니다.

다만, 대규모 CRM 제공업체들이 유사한 AI 기능을 구축하고 있기 때문에 시장에서의 입지는 경쟁이 심화될 수 있습니다. 기존의 대형 벤더들이 역사적인 고객 대화를 기반으로 에이전트를 구축하기 위해서는 전체 구현 스택을 변경해야 하는 기술적 과제가 남아 있습니다.

그래프 엔지니어링은 AI가 생성한 소프트웨어의 구조를 인간과 기계가 검사할 수 있도록 시각화하여 시스템의 실행 모델을 명확히 하는 접근 방식입니다. 현재 AI는 로컬한 행동을 구현하는 데는 능숙하지만, 코드들이 상호작용할 때 발생하는 전역적인 실행 순서와 상태 변화를 정확하게 예측하고 보장하는 데는 한계가 있습니다.

실제 애플리케이션의 동작은 단일 메서드에 국한되지 않고 콜백, 리스너, 큐, 상태 변화 등이 복합적으로 결합되어 나타나는 실행 모델에서 발생합니다. AI가 생성한 코드는 개별적으로는 합리적일 수 있으나, 이러한 요소들이 결합될 때 전역적인 불변성(invariant)을 미묘하게 위반하는 위험을 내포합니다. 예를 들어, 특정 메서드 호출 순서가 시스템 전체의 실행 순서를 결정하는데, AI는 이러한 전역적인 제약 조건을 인식하지 못하고 코드를 생성할 수 있습니다.

이러한 문제를 해결하기 위해 그래프 엔지니어링은 시스템 구조를 명시적인 관계(예: Trade ↓ Position ↓ Risk)로 표현하여 실행 경로를 제약합니다. 나아가 컴파일러가 이러한 그래프를 기반으로 실행 경로, 생명 주기, 조정(coordination)을 결정하는 컴파일러로 진화해야 합니다. 이는 AI가 구성 요소를 정의하고 로컬 행동을 결정하게 하고, 컴파일러가 전체 실행 경로와 조정을 생성하게 함으로써 개발자와 LLM의 역할을 재정립합니다.

결론적으로 그래프 엔지니어링과 컴파일러는 AI가 생성한 시스템의 실행 추론을 가능하게 하여, 단순히 코드를 생성하는 것을 넘어 시스템 전체의 결정론적 실행을 보장하는 데 필수적입니다. 이는 AI가 시스템을 설명하고 구축하는 것을 넘어, 컴파일러가 그 시스템의 실행을 생성하는 역할을 수행하게 함으로써 AI 기반 소프트웨어의 신뢰성을 높입니다.

Anthropic이 Claude Mythos 모델을 통해 공개한 새로운 암호 분석 결과는 암호학 분야에 중요한 시사점을 제공합니다. 이 연구는 양자 내성(post-quantum-safe) 서명 체계인 HAWK에 대한 새로운 키 복구 알고리즘을 제시하며, 이는 모듈 라티스 동형 문제(module-LIP)에 기반합니다. 이 공격은 HAWK가 표준으로 채택되지 않은 제안 알고리즘에 대해 수행되었으며, 실제 배포된 HAWK를 무력화하지는 않지만 알고리즘의 보안 비트 수를 절반으로 줄이는 결과를 보였습니다.

이러한 공격의 결과는 HAWK의 효율성과 관련하여 중요한 트레이드오프를 발생시킵니다. 공격은 이론적으로 키 크기를 두 배로 늘림으로써 해결될 수 있지만, 이는 해당 암호 체계를 덜 효율적으로 만들고, HAWK가 대안보다 효율적이라는 근거로 존재를 정당화하는 것을 더욱 어렵게 만듭니다. 연구자들은 이 공격이 실제 코드를 몇 시간 내에 생성할 수 있음을 보여주며, 이는 암호 시스템의 취약성에 대한 심각한 우려를 제기합니다.

한편, 이 연구는 인공지능 모델의 발전 속도와 관련하여 더 넓은 맥락을 제공합니다. AI 모델이 유용함에서 무능함으로 변화하는 과정은 마치 지면이 움직이는 연못에서 수영하는 것과 같다는 비유가 제시됩니다. 이는 모델의 지능이 급격하게 발전하고 있으며, 우리가 인공지능 도구를 사용할 때 지능의 경계선이 빠르게 이동하고 있음을 시사합니다.

이러한 변화는 과학자, 법률가, 개발자 등 모든 분야에 영향을 미치며, 앞으로의 기술 발전 방향에 대해 신중하게 고려해야 할 필요가 있습니다. 우리는 이러한 기술적 진보가 가져올 사회적, 보안적 함의를 이해하고 이에 대비해야 합니다.

SQLite 대신 DuckDB를 사용하면 동일한 하드웨어 환경에서 관측 가능성(observability) 데이터를 처리할 때 성능이 획기적으로 향상됩니다. 벤치마크 결과에 따르면 DuckDB는 SQLite보다 쓰기 작업에서 4배에서 15배 더 빠르며, 데이터 조회 성능은 100배 향상되어 대규모 데이터셋을 훨씬 효율적으로 처리할 수 있습니다.

이러한 성능 차이는 특히 로그와 메트릭 데이터 처리에서 두드러지는데, DuckDB는 10.8GB의 디스크 공간에 10억 개의 메트릭 포인트를 저장하면서도 시스템 안정성을 유지했습니다. 이는 SQLite 벤치마크가 도달하지 못한 규모이며, 대용량 데이터를 처리하는 임베디드 시스템에서 DuckDB의 컬럼 기반 엔진이 큰 이점을 제공함을 보여줍니다.

실제 환경에서 이 비교는 자가 호스팅 환경에서 OTel 스택을 구축할 때 두 데이터베이스 중 어떤 것을 선택할지에 대한 실질적인 결정을 제공합니다. 다만, 이 수치들은 벤치마크 과정에서 발생한 데이터 수집 경로의 버그를 수정하여 얻은 결과이며, 로그 보존 기간이나 실시간 데이터 처리와 같은 특정 요구 사항이 성능 비교에 중요한 영향을 미친다는 점을 고려해야 합니다.

결론적으로, 자가 호스팅 환경에서 대규모 데이터 볼륨을 다루는 경우 DuckDB를 선택하는 것이 훨씬 유리하며, 이는 시스템 자원 효율성과 데이터 처리 속도를 극대화하는 방법입니다.

AI 코딩 에이전트를 위한 빠르고 중단 가능한 검증 브라우저인 hwatu가 공개되었습니다. 이 도구는 35밀리초의 체크 속도와 픽셀 차이 분석, 그리고 실시간 인간 인계 기능을 제공하여 AI 에이전트의 검증 과정을 혁신하고자 합니다.

hwatu의 핵심은 라이브 세션을 인간에게 인계할 때도 상태를 유지하는 데 중점을 둔 데 있습니다. 이는 hwatu가 라이브 세션을 양방향으로 전환할 수 있는 창 속성으로 작동하며, 에이전트가 세션을 점유하는 동안에도 사용자가 언제든지 개입할 수 있게 합니다.

이러한 속도는 hwatu가 라이브러리가 아닌 워밍 데몬으로 설계되었기 때문에 가능합니다. 엔진, GPU 컨텍스트, 광고 차단 규칙 세트 등이 미리 예열되어 있어 검증 과정이 차가운 프로세스가 아닌 뜨거운 파이프라인에서 시작됩니다.

hwatu는 Playwright와 비교했을 때 특정 작업에서 더 빠른 성능을 보이며, 특히 실시간 세션 관리와 인간의 개입을 자연스럽게 통합하는 데 강점을 가집니다. 다만, 현재 hwatu는 Chromium 대신 WebKitGTK를 사용하며 Linux 환경에서만 작동하는 정적 바이너리 형태로 제공된다는 점을 고려해야 합니다.

리누스 토발즈가 AI를 리눅스 커널 개발에 사용하는 것에 대해 기술적 측면에만 집중해야 한다는 입장을 밝히며 논쟁을 정리했습니다. 현재 AI는 코드 작성과 코드 검토라는 두 가지 주요 방식으로 리눅스 커널 개발에 활용되고 있으며, 2025년 9월부터 현재까지 1,200건 이상의 커널 커밋에 LLM 도우미 기능이 표시되어 있습니다. 특히 Sashiko와 같은 새로운 코드 검토 도구는 AI 사용에 대한 논쟁을 촉발시키며, 기여를 원하는 사람들이 AI 피드백을 통해 작업에 반영해야 하는 상황을 제시하고 있습니다.

이러한 논의에서 리누스는 기술적 가치에 기반하여 논쟁을 진행하며 사회적 또는 정치적 담론을 배제해야 한다고 주장합니다. 저자는 리눅스가 사회적 운동 프로젝트가 아니라 기술적 우수성을 통해 발전한다는 점을 강조하며, GPL 라이선스나 기타 정치적 선택에 대한 논의를 기술적 실질에서 분리해야 한다고 지적합니다.

그러나 AI 기반 코드 검토 도구의 사용에는 환경적, 사회적 외부 비용이 존재합니다. AI 기술 발전이 소비자 하드웨어 가격을 상승시키고, 이는 리눅스를 구동할 수 있는 기회를 박탈하는 현실을 반영합니다. 또한 AI 인프라 구축이 막대한 탄소 배출과 자원 소비를 유발하며, 이는 기후 변화와 에너지 접근성 문제에 영향을 미치고 있습니다.

결국 리눅스 커뮤니티는 이러한 기술적 발전과 윤리적, 정치적 고려 사항을 함께 다루어 AI의 영향을 책임감 있게 관리해야 합니다. 리눅스 커뮤니티는 기술적 우수성을 지키는 동시에 이러한 외부 영향을 솔직하게 인식하고 논의할 용기를 가져야 합니다.

라이트 폰의 공동 창업자인 카이웨이 탕과 조 홀리어는 10년 이상 기술과의 관계에서 단순함의 가치를 탐구해 왔습니다. 이들은 앤드류 양, 켄드릭 라마, 피트 데이비드슨과 같은 인물들과 협력하며 기술의 본질에 대해 깊이 고민해 왔습니다.

최근 라이트 폰을 통해 새로운 플립폰을 출시하면서, 그들은 거대 기술 기업에 반대하는 ‘어텐션 활동가들’의 움직임 속에서 반대 스마트폰 세대를 위한 제품을 만드는 데 집중하고 있습니다. 이는 단순히 새로운 기기를 만드는 것을 넘어 기술 사용의 본질과 사용자 경험에 대한 근본적인 질문을 던지는 접근 방식입니다.

이러한 움직임은 기술이 복잡해지고 연결성이 강조되는 현재의 환경에 대한 반작용으로 해석됩니다. 따라서 라이트 폰의 개발 철학은 기술의 단순화와 사용자의 집중을 회복하는 데 중점을 두고 있으며, 이는 스마트폰 중심의 시장 흐름에 대한 대안을 제시합니다.

결론적으로 라이트 폰의 개발은 기술적 혁신뿐만 아니라, 기술이 사회와 사용자에게 미치는 영향에 대한 철학적 접근을 결합하여 새로운 사용자 경험을 구축하려는 시도입니다.

밸브는 오픈 소스 라데온 Vulkan 드라이버인 RADV를 마이크로소프트 Windows로 가져오는 작업을 위해 Collabora 엔지니어들을 후원하고 있습니다. 이 작업은 리눅스 게이머들이 사용하며 스팀 덱과 스팀 머신의 성공에 기여한 이 오픈 소스 드라이버 구현을 윈도우 환경에서 구동하기 위한 실험적인 시도입니다.

RADV를 윈도우에 포팅하는 과정에서 가장 큰 난제는 윈도우 WDDM2 통합과 AMD Radeon 소프트웨어 윈도우 커널 드라이버에 의존해야 한다는 점입니다. 따라서 현재 작업은 AMDGPU 리눅스 커널 그래픽 드라이버를 윈도우로 포팅하는 것이 아니라, AMD의 공식 윈도우 커널 드라이버를 활용하여 RADV를 윈도우에 통합하는 방향으로 진행됩니다.

이러한 접근 방식은 프로프라이어터 커널 드라이버의 데이터 구조를 파악하기 위한 리버스 엔지니어링 등의 추가 단계를 필요로 합니다. 성공적인 통합을 위해서는 윈도우 AMD 커널 그래픽 드라이버에 대한 안정적이고 문서화된 인터페이스가 필요하거나, RADV와 커널 드라이버 사이에 안정적인 인터페이스 역할을 할 shim 라이브러리를 개발해야 합니다.

이러한 노력을 통해 개발팀은 윈도우 환경에서 RADV를 성공적으로 데모했으며, 특히 Counter-Strike 2를 RADV로 구동하는 실험적인 코드를 공개했습니다. 이는 오픈 소스 그래픽 드라이버를 상업용 운영체제 환경에 통합하는 데 있어 중요한 기술적 진전을 의미합니다.

고대 언어를 해독하는 데는 기준점이 필요하다는 점이 핵심입니다. 일반적으로 로제타석과 같은 이중 언어 텍스트나 비교할 수 있는 알려진 언어 관계가 기준점 역할을 합니다. 그러나 선사시대 미노아 문명에서 사용된 문자 체계인 선형 문자(Linear A)는 그러한 기준점을 전혀 가지고 있지 않습니다.

선형 문자는 살아있거나 죽은 어떤 언어와도 확인된 연관성이 없기 때문에 '언어 고립체(language isolate)'로 분류됩니다. 이러한 특성 때문에 선형 문자는 지난 한 세기 동안 언어학자들에게 중대한 도전 과제를 안겨주었습니다.

이처럼 기준점이 없는 언어를 해독하는 것은 매우 어렵습니다. 이탈리아의 에트루리아어와 같은 다른 고대 언어의 경우, 짧은 장례 비문에서 일부 어휘가 수집되었지만 문법과 더 깊은 의미는 여전히 언어학자들에게 미스터리로 남아 있습니다.

따라서 AI가 패턴을 식별하는 데 탁월한 능력을 가지고 있음에도 불구하고, 언어 해독에는 인간의 통찰력이 여전히 핵심적인 역할을 합니다. 외부 참조 없이 고립된 언어를 이해하기 위해서는 인간의 해석과 맥락적 이해가 필수적입니다.

언어 모델(LLM)이 작동하는 방식을 도시에 비유하여 시각적으로 이해할 수 있도록 돕는 것이 토큰타운(TokenTown)이라는 프로젝트입니다. 이 모델은 언어 모델을 도시로 설정하고 각 토큰이 어떻게 처리되고 이동하는지를 단계별로 보여줍니다.

토큰타운에서 토큰들은 컨보이 형태로 도시의 도로를 따라 이동하며, 각 토큰은 트랜스포머 모델의 각 레이어(구역)를 통과하면서 어텐션, 잔차(residual), 피드포워드 등의 연산을 거칩니다. 이는 모델 내부에서 실제로 일어나는 계산 과정, 예를 들어 토크나이저 분할, 임베딩 조회, 시누소이드 위치 인코딩, 멀티헤드 스케일드 닷-프로덕트 어텐션 등이 어떻게 작동하는지를 시각화합니다.

이 시각화는 모델의 실제 계산 과정과 의도적으로 조작된 요소들을 구분하여 보여줍니다. 예를 들어, 실제 계산된 벡터는 트럭 위의 막대로 표현되며, 어텐션 점수와 가중치는 창고 위의 광선으로 나타납니다. 또한, 프롬프트 토큰을 한 번에 처리하는 프리필(prefill) 과정과 디코딩(decode) 과정이 개별 토큰을 처리하는 방식의 차이점도 명확히 구분하여 보여줍니다.

토큰타운은 모델의 내부 메커니즘을 학습의 관점에서 바라보도록 유도하며, 실제 훈련된 모델이 생성하는 패턴과 메커니즘을 시각적으로 제시함으로써 LLM의 작동 원리를 깊이 있게 이해하는 데 도움을 줍니다.

투자 에이전트에게 메모리를 부여하면 학습을 통해 투자 대가가 될 수 있다는 내용입니다. Guru Maker는 투자 분석에 특화된 AI 에이전트 메모리 시스템으로, 단순히 다른 LLM Wiki와는 차별화됩니다. 이 시스템은 한 번의 성공을 영구적인 투자 원칙으로 일반화하여 발생하는 오버피팅을 방지하는 데 중점을 둡니다.

Guru Maker는 에이전트가 당시 어떤 자료와 근거를 바탕으로 판단했는지 사후 복기하고 스스로 업데이트할 수 있도록 메모리를 다섯 가지로 분리하여 설계되었습니다. 이 다섯 가지 메모리 구성 요소는 산업 구조와 변하지 않는 지식인 출처와 시점의 근거, 당시 정보로 내린 투자 판단, 반복해서 검증된 관점과 가설인 렌즈, 그리고 재사용 가능한 분석 및 검토 방법인 메서드로 이루어져 있습니다.

이러한 구조는 단편적인 결과 하나로 규칙을 만들지 않고 반례 검증과 프로세스 대비 운 구분을 거쳐 검증된 레슨만을 렌즈나 메서드로 승격시킵니다. 또한 현재 시점의 분석에는 항상 최신 근거를 요구하도록 설계되어 있으며, 코덱스나 클로드 코드 플러그인을 통해 추가적으로 활용할 수 있습니다.

언어 모델 에이전트가 장기적인 정책 문서를 얼마나 신뢰하고 따르는지를 측정하는 새로운 벤치마크가 발표되었습니다. 이 연구는 기존 벤치마크들이 에이전트가 단순히 작업을 완료하는지 여부만을 측정할 뿐, 장기적인 정책 문서가 에이전트의 행동을 실제로 제약하는지를 테스트하지 못한다는 점을 지적합니다.

연구진은 기업 직원이 회사 핸드북을 따르는 방식을 모델로 하여 65개의 에이전트 작업을 설계했습니다. 각 작업은 재무, 의료 청구, 보험, 물류, 인사 등 다섯 가지 도메인과 열 개의 가상 회사를 포함하며, 에이전트에게 20페이지에서 124페이지에 달하는 표준 운영 절차에 따라 전문적인 업무를 수행하도록 지시합니다. 또한, 각 작업은 10개의 기본 핸드북 중 하나를 수정하여 모델이 내용을 암기하는 것을 방지하도록 설계되었습니다.

엄격한 채점 기준 하에서 평가한 결과, 에이전트들은 환경 내의 그럴듯한 요청에 따라 기존 정책을 무시하거나, 필수 확인 절차를 수행한 후 그 결과에 반하는 행동을 하거나, 장기적인 범위에서 규칙 세부 사항을 잃어버리는 일관된 실패 패턴을 보였습니다. 이는 장기적인 맥락과 복잡한 제약 조건이 포함된 환경에서 에이전트의 행동을 보장하기 위해서는 단순한 작업 완료 여부를 넘어선 정책 준수 능력을 평가해야 함을 시사합니다.

Cloudflare는 Authenticated Origin Pulls와 Custom Origin Trust Store를 통해 고객 오리진 서버로 연결할 때 포스트 양자(PQ) 인증을 지원하기 시작했습니다. 이는 모든 Cloudflare 제품에 포스트 양자 인증을 제공하기 위한 첫 단계이며, 양자 컴퓨터를 이용한 신원 도용 공격으로부터 연결을 보호하는 데 중점을 둔 변화입니다.

이 기능은 Module-Lattice-Based Digital Signature Algorithm(ML-DSA) 서명을 사용하여 Cloudflare와 고객 오리진 서버 간의 연결을 보호합니다. 특히, 방문자-Cloudflare 연결과 달리 Cloudflare가 클라이언트 역할을 하는 오리진 연결에 대한 인증 요구 사항이 다르기 때문에 이 기능은 오리진 연결 보안에 초점을 맞추고 있습니다.

이러한 포스트 양자 보안 마이그레이션은 Cloudflare의 전체 보안 로드맵의 주요 이정표 중 하나이며, 전체 포스트 양자 보안을 목표로 하는 2029년까지 진행될 예정입니다. 다만, 구현 과정에서 TLS 인증서의 KeyUsage 관련 문제로 인해 2026년 6월 10일에 일시적인 사고가 발생했으며, 이후 수정 및 패치를 거쳐 안정화되었습니다.

ML-DSA 지원은 현재 TLS 라이브러리 전반으로 확산되고 있으며, Go 1.27 버전에는 네이티브 ML-DSA 지원이 포함될 예정입니다. 개발자들은 이러한 변화에 맞춰 TLS 라이브러리와 시스템을 업데이트하여 포스트 양자 인증을 적용할 준비를 해야 합니다.

DoorDash가 새로운 드론 배송 프로그램인 DoorDash Air를 출시하며 드론 배송에 대한 규제 승인을 받았습니다. 미국 최대 음식 배달 앱인 DoorDash는 연방항공청(FAA)으로부터 드론 배송을 가까운 미래에 허용하는 승인을 받았다고 밝혔습니다.

DoorDash는 드론을 통해 소형 패키지를 배송할 수 있도록 FAA로부터 Part 135 항공 운송업체 인증을 획득했습니다. 이 인증은 DoorDash가 드론 배송 서비스를 운영할 수 있는 법적 기반을 마련해 줍니다. Alphabet의 Wing, Zipline, Amazon 등 다른 회사들도 이와 유사한 인증을 보유하고 있습니다.

DoorDash는 과거 Alphabet의 Wing과 함께 댈러스-포트워스, 버지니아, 호주 등지에서 드론 배송 파일럿 프로그램을 진행한 경험이 있습니다. 이제 DoorDash는 자체 드론을 구축하여 배송 서비스를 확장할 계획입니다.

Spotify가 모바일 앱에 달리기 모드를 추가하여 음악 스트리밍을 운동과 연계할 수 있게 했습니다. 이 새로운 모드는 달리기 단계에 맞춰 노래를 선곡하고 사용자의 선호도와 템포를 고려하여 음악을 선택해 주는 기능을 제공합니다.

유료 구독자는 피트니스 허브에서 이 기능을 이용할 수 있으며, 인터벌 달리기, 꾸준한 달리기, 피라미드와 같은 운동 유형 중에서 선택할 수 있습니다. 사용자는 운동 시간, 분당 비트 수, 원하는 음악 종류를 직접 설정하여 맞춤형 러닝 경험을 만들 수 있습니다.

이 기능은 Spotify가 지난 1년간 테스트해 온 AI 기능을 활용하여 구현되었으며, 피트니스 및 운동 활동 목록을 만드는 데 이 기능을 활용하는 사용자들이 많다는 점을 반영하여 개발되었습니다. 현재 이 모드는 영어로만 작동하며, 미국, 캐나다, 영국, 아일랜드, 호주, 뉴질랜드, 스웨덴 지역의 iOS 프리미엄 사용자에게 제공됩니다.

DoorDash가 미국 연방항공청(FAA)으로부터 상업용 드론 배송 서비스를 운영할 수 있는 인증을 받으며 자체 드론 배송 사업을 구축하고 있습니다. 이 사업은 회사의 로보틱스 및 자율성 팀이 개발한 시스템의 일환으로 진행되며, 향후 회사 배송 앱 내에서 운영될 예정입니다.

이 인증은 회사의 맞춤형 드론이 당장 배송을 시작한다는 의미는 아니며, 초기에는 운용자가 시야 내에서 단거리 비행을 수행하는 제한적인 파일럿 프로그램으로 시작될 가능성이 높습니다. DoorDash는 이와 별개로 Wing 및 Flytrex와의 기존 파트너십을 유지하며 사업을 확장하고 있습니다.

DoorDash Air 사업은 단순히 하드웨어인 드론이나 자율 보행 로봇(Dot)을 넘어, 배송 모드를 결정하고 조정하는 소프트웨어 시스템에 중점을 두고 있습니다. 회사는 하드웨어, 임베디드 시스템, 라우팅 알고리즘을 포함한 전체 스택의 문제를 동시에 해결하는 자율 배송 플랫폼을 개발하고 있습니다.

이는 다른 자율성 회사들이 단일 레이어에 집중하는 것과 달리, 인간 운전자, 드론, 보행 로봇을 실시간으로 최적화하는 복잡한 운영 체제 전체를 구축하는 데 도전하고 있음을 의미합니다. DoorDash는 이러한 복잡성을 해결하는 데 있어 자율성 분야에서 가장 흥미로운 문제들을 해결하고 있다고 주장합니다.

개발자들을 위한 에이전트 스킬인 Bullshit Detector는 영상, 기사, 트윗, PDF 등 다양한 인터넷 콘텐츠의 주장을 출처를 기반으로 검증하고 0점에서 10점 사이의 BS 점수를 매기는 기능을 제공합니다. 이 도구는 AI가 생성하는 정보나 과장된 주장을 걸러내어 허위 정보나 과대광고(hype)를 식별하는 데 중점을 두고 있습니다.

이 에이전트는 단순히 텍스트를 요약하거나 설명하는 것을 넘어, 각 주장을 독립적인 출처를 통해 검증하고 관련 신호들을 분석하는 기능을 수행합니다. 이는 콘텐츠의 출처에 관계없이 내용 자체를 분석하는 원칙을 따르며, 사용자가 콘텐츠의 신뢰도를 객관적으로 판단할 수 있도록 구체적인 검증 보고서를 제공합니다.

Bullshit Detector는 `summarize`, `explain`, `fetch-content`와 같은 다양한 에이전트 스킬을 포함하며, 이는 Claude Code나 Codex와 같은 환경에서 작동하는 포터블 에이전트 스킬 형태로 제공됩니다. 사용자는 `skills.sh` 설치 스크립트를 통해 원하는 스킬과 에이전트를 추가하여 자신의 워크플로우에 통합할 수 있습니다.

이 도구는 AI 기반 에이전트가 인터넷 정보를 처리하고 검증하는 방식에 대한 새로운 접근 방식을 제시하며, 개발자들이 AI 시스템에 신뢰성과 사실 확인 능력을 부여하는 데 중요한 참고 자료가 될 수 있습니다.

Echologue는 음성 메모와 개인 일기 기록을 사용자가 나중에 질문할 수 있는 구조화된 기억으로 변환하는 개인용 AI 음성 저널 애플리케이션입니다. 이 서비스는 단순한 기록을 넘어 사용자의 경험과 감정을 사실과 분리하여 저장하고, 이를 기반으로 사용자가 자신의 과거 기록에 대해 구체적인 질문을 던질 수 있도록 하는 데 중점을 둡니다.

이 앱의 핵심은 '기억을 검색 가능하게 만드는 것'에 있으며, 단순히 정보를 저장하는 기존의 저널이나 채팅 앱과 차별화됩니다. 사용자는 음성 메모를 기록한 후, Echologue가 사실, 감정, 주제 등을 추출하여 엔티티와 테마별로 인덱싱함으로써 사용자의 기록을 의미 기반으로 검색할 수 있게 합니다. 예를 들어, 특정 여행이나 사람에 대한 감정적 패턴을 추적하여 "지난달 스페인 여행에서 가장 좋았던 순간은 무엇이었는지"와 같은 질문에 대해 기록에 근거한 답변을 제공합니다.

보안과 개인 정보 보호는 제품 설계의 가장 중요한 부분으로, 모든 데이터는 기기에 로컬로 저장되며 AI 처리는 제로 데이터 보존 엔드포인트로 이루어집니다. 이는 서버에 데이터를 저장하지 않기 때문에 사용자는 완전히 익명성을 유지하며, 데이터 보존 및 삭제 권한을 사용자 스스로에게 남겨둡니다. 따라서 Echologue는 개인의 사적인 생각을 다루는 데 있어 데이터 주권을 최우선으로 하며, 사용자가 자신의 기억을 안전하게 관리할 수 있도록 설계되었습니다.