읽을 가치가 있는 기사만, 짧고 또렷하게.

영국 고급 자동차 회사 벤틀리(Bentley)가 최초의 완전 전기차(EV)를 공개하며 럭셔리 EV의 한계를 극복하려 하고 있습니다. 이 새로운 전기차는 330마일의 주행 가능 거리, 0에서 60마일/시까지 3초 미만의 가속 성능, 그리고 엔진 아래에 오케스트라가 연주하는 듯한 특별한 경험을 제공합니다.

벤틀리는 이러한 성능이 부유층 고객을 유인하기에 충분할지 시험하고 있습니다. 이는 단순한 기술적 성취를 넘어, 럭셔리 자동차 시장에서 전기차의 인식을 변화시키고 새로운 기준을 제시하려는 전략적인 시도로 해석됩니다.

벤틀리의 이번 EV 공개는 기술적 성능과 럭셔리 브랜드의 결합이 어떻게 소비자의 기대를 충족시킬 수 있는지에 대한 중요한 사례를 제공합니다. 앞으로 이 차량이 럭셔리 EV 시장에 어떤 영향을 미칠지 주목할 필요가 있습니다.

Anthropic의 Claude가 CRISPR과 유사한 특성을 가진 새로운 효소 시스템을 발견했습니다. 이 연구는 인공지능 에이전트가 생물학적 발견을 어떻게 가속화할 수 있는지 보여주는 사례입니다.

Claude는 DNA 데이터베이스를 탐색하여 CRISPR 패턴과 유사한 배열을 가진 새로운 효소 시스템을 자율적으로 발견했습니다. 이 시스템은 역전사 효소(RT)에 기반하며, 비부호화 DNA 서열과 알려지지 않은 기능을 가진 보조 단백질을 포함하고 있습니다. 연구팀은 이 시스템을 배열 연관 역전사효소(ART)라고 명명했으며, 이 효소 시스템의 정확한 기능은 현재 연구 중입니다.

이 발견은 AI 에이전트가 생물학적 데이터에서 이상 징후를 감지하고 분석을 주도하여 새로운 발견을 이끌어낼 수 있음을 시사합니다. 이는 기존의 생물학 연구 방법론을 변화시키며, AI가 신약 개발이나 유전체 분석과 같은 분야에서 어떻게 기여할 수 있는지에 대한 중요한 통찰을 제공합니다.

디즈니+와 훌루가 구독료 인상을 통해 스트리밍 시장의 인플레이션 추세를 가중시키고 있습니다. 디즈니는 광고 없는 디즈니+와 훌루 번들 가격을 월 19.99달러에서 21.99달러로, 단독 광고 없는 요금제를 월 18.99달러에서 21.49달러로 인상했으며, 광고 포함 요금제도 월 12.49달러로 올렸습니다. 이러한 가격 인상은 넷플릭스, 애플 TV, Peacock 등 다른 스트리밍 서비스들도 가격을 올리는 흐름에 동참하고 있다는 점에서 업계 전반의 비용 상승 추세를 반영합니다.

디즈니는 단순히 구독료 인상에만 의존하지 않고 스트리밍 사업을 확장할 새로운 방안을 모색하고 있습니다. 구체적으로 디즈니는 디즈니+에 무료 등급을 도입하는 방안을 탐색 중이며, 이는 유튜브나 튜브와 같이 시청 시간 점유율을 확보하고 있는 플랫폼들과 더 직접적인 경쟁을 하게 될 수 있습니다. 또한 디즈니는 사용자 콘텐츠 발견을 돕기 위해 새로운 기능인 '플레이리스트'를 출시했습니다.

이러한 변화는 디즈니의 비즈니스 모델을 다각화하려는 시도로 해석됩니다. 디즈니는 또한 기술적인 측면에서도 변화를 꾀하고 있는데, 디즈니는 전직 Character.AI의 CEO였던 카란데프 아난드(Karandeep Anand)를 최고 기술 책임자(CTO)로 영입했습니다. 이는 스트리밍 서비스의 가격 경쟁을 넘어 기술 혁신과 사용자 경험을 개선하여 시장에서의 입지를 강화하려는 전략의 일환입니다.

교황의 AI 자문위원인 파올로 베난티는 신과 같은 인공지능이 인류를 파괴할 수 있다는 공포에 대한 히스테리가 기술을 어떻게 통제할지에 대한 공공 토론의 필요성을 방해하고 있다고 WIRED에 밝힌 바 있습니다. 베난티는 인류를 위협할 수 있는 초지능 AI에 대한 공포가 기술 거버넌스 방안에 대한 공개적인 논의를 촉진해야 할 필요성을 가리고 있다고 지적합니다.

이는 인공지능의 잠재적 위험에 대한 대중의 반응이 기술의 안전성과 통제 방안에 대한 실질적인 정책 논의보다 감정적인 공포에 치우쳐 있음을 시사합니다. 개발자와 정책 입안자들은 AI의 존재론적 위험에 대한 논의와 동시에 기술을 어떻게 안전하게 관리하고 통제할지에 대한 구체적인 거버넌스 프레임워크를 구축하는 데 집중해야 합니다.

따라서 인공지능의 발전 속도에 대한 우려를 넘어, 기술의 위험을 관리하고 책임 있는 방식으로 발전시키기 위한 사회적 합의와 공공 토론이 시급합니다. 기술적 발전과 사회적 규제의 균형을 맞추는 것이 현재 가장 중요한 과제입니다.

앤트로픽의 AI 모델 클로드(Claude)가 크리스퍼(CRISPR) 유전자 편집 도구의 기반이 되는 기계와 유사한 새로운 효소 시스템을 자율적으로 발견했다는 연구 결과가 발표되었습니다. 이는 앤트로픽이 새로 시작한 습식 실험실에서 나온 첫 결과물이며, 회사가 상장 준비를 하는 가운데 클로드의 과학적 유용성을 시험한 초기 사례로 주목받고 있습니다.

클로드는 방대한 DNA 서열 데이터베이스를 검색하는 과정에서 이 효소 시스템을 발견했는데, 이 과정에서 거의 950개의 클로드 에이전트가 2100만 토큰을 처리하며 21시간 동안 작업했습니다. 이들은 데이터 내에서 특이한 반복 패턴을 포착하여 새로운 시스템을 식별했습니다.

연구팀은 클로드가 이 효소 시스템을 발견하는 과정에서 과학자들의 개입은 초기 프롬프트와 실험 작업에 국한되었다고 밝혔습니다. 이 발견은 대규모 언어 모델이 생명과학 분야에서 어떻게 활용될 수 있는지에 대한 초기 테스트를 보여준다는 점에서 의미가 있습니다.

표현 자동부호인코더(RAE)는 확산 모델이 사전 학습된 시각 인코더의 특징 공간에서 작동할 수 있게 합니다. 하지만 시중에 나와 있는 많은 인코더는 충실한 재구성을 위해 최적화되지 않아 미세한 시각적 세부 사항을 버리는 문제가 있습니다. 이러한 인코더를 이미지 재구성을 위해 미세 조정하면 세부 사항이 복구되지만, 이는 역설적으로 결과 표현의 유효 차원을 감소시키고 기하학을 변경하여 생성 과정에 영향을 미칩니다.

구체적으로, 고차원 공간에서 흐름 매칭(flow matching)에 표준 속도 예측을 사용하면 저차원 신호 다양체(signal manifold) 밖에 있는 직교 노이즈 방향을 모델이 맞춰야 하므로 최적화가 비효율적이게 됩니다. 따라서 학습을 근본적인 신호 다양체에 집중시키는 깨끗한 데이터 매개변수($\boldsymbol{x}_{0}$-예측)를 사용하는 것이 더 적절합니다.

여러 강력한 재구성 인코더를 사용한 실험 결과, $\boldsymbol{x}_{0}$-예측은 텍스트-이미지 생성 성능을 일관되게 향상시키는 것으로 나타났습니다. 이는 고차원 특징 공간에서 확산 모델을 효과적으로 학습하고 더 나은 이미지 생성을 달성하기 위한 방법론적 접근을 제시합니다.

대조 학습(Contrastive Learning)이 분류 기반 접근 방식보다 저자성 검증(Authorship Verification)에서 더 우수한 성능을 보임을 연구 결과가 제시합니다. 이 연구는 텍스트 기반 저자성 검증 작업에서 대조 학습 방법이 분류 기반 방법보다 효과적임을 입증합니다.

연구진은 모델 성능에 영향을 미치는 중요한 요인들을 식별했습니다. 구체적으로 손실 함수(loss function), 배치 크기(batch size), 훈련 기간(training duration), 사전 학습된 모델(pre-trained model), 입력 컨텍스트 길이(input context length), 그리고 무작위 텍스트 범위 데이터 증강(random text span data augmentation)이 모델 성능에 결정적인 영향을 미치는 것으로 나타났습니다.

이러한 고려 사항을 바탕으로 연구팀은 ModernBERT Bi-Encoder 모델을 개발했으며, 이 모델은 PAN21 저자성 검증 작업에서 98.4%의 정확도를 달성했습니다. 이는 대조 학습 기법과 최적화된 모델 구조를 결합하여 고성능의 저자성 검증 시스템을 구축할 수 있음을 보여줍니다.

인공지능이 인간의 능력을 증강할 기회를 제공하지만, 최근 연구는 대규모 언어 모델(LLM)이 인간 튜터링과 동등한 학습 성과를 제공하는지 평가했습니다. 연구진은 학생벤치(StudentBench)라는 평가 시스템을 사용하여 2,383명의 참가자가 AI 튜터링, 인간 튜터링 또는 튜터링을 받지 않은 그룹에서 정량 및 언어 GRE 문제에 대한 학습 성과를 측정했습니다.

이 연구 결과에 따르면, AI 튜터링은 GRE 학습 성과 면에서 전문가 인간 튜터링과 통계적으로 동등한 것으로 나타났습니다(p = .015). 또한, 총 일곱 가지 GRE 영역 중 다섯 영역에서는 가장 우수한 AI 튜터가 평균적으로 인간 튜터보다 더 뛰어난 성과를 보였습니다. 이는 LLM이 고품질의 학습 경험을 제공할 수 있음을 시사합니다.

두 번째 연구에서는 전문가 인간 튜터들이 LLM이 생성한 수업 계획과 연습 문제를 2,028쌍의 평가를 통해 비교했습니다. 이 두 연구를 종합하면 AI 튜터는 수업 계획, 연습 문제 생성, 대화 교육학, 비용, 참여도 등 여러 측면에서 인간 튜터와 명확하게 구분됩니다. 특히 비용 측면에서 놀랍게도, 한 AI 튜터는 학습 성과가 인간 튜터와 동등한 수준을 달성하면서 비용을 918배 낮추는 성과를 보였습니다.

정량 GRE 세션의 경우, AI 응답 속도가 빠를수록 학생 메시지가 증가하고, 더 많은 연습 문제가 포함되며, 더 정확한 연습 문제가 더 큰 학습 성과와 상관관계가 있었습니다(모두 p < .002). 학생벤치 플랫폼은 https://studentbench.org에서 무료로 이용 가능합니다.

로봇 그룹 합류는 목표 달성보다는 그룹의 실시간 활동과 대형에 기반하여 합류할 위치를 예측해야 하는 고도로 의미론적인 과제입니다. 이러한 능력은 로봇 가이드견이나 자율 이동 스쿠터와 같은 응용 분야에 매우 중요합니다. 연구진은 언어 기반의 로봇 그룹 합류 방법을 제안하며, 관찰 정보와 목표 그룹에 대한 자연어 설명을 입력으로 받아 관련 그룹 구성원을 식별하고 사회적으로 적절한 합류 자세를 예측합니다.

이러한 예측을 위해, 연구는 재귀적 스펙트럼 분할과 언어 조건화 이미지-기하 모델을 사용하여 후보 집합을 생성하고 순위를 매기는 방식으로 접지(grounding)를 수행합니다. 구체적으로, 접지된 그룹을 바탕으로 목표 예측기는 인간의 형성 선험(human-formation priors)을 활용하여 가능한 로봇 자세에 대한 다중 모드 에너지-방향 맵을 생성합니다.

다양한 그룹 크기, 군중 밀도, 시각적 모호성을 고려한 대화, 줄서기, 청중 실험 결과, 그리고 실제 로봇 실험을 통해 이 방법은 경쟁력 있는 접지 정확도를 서브초 단위 추론 시간으로 달성하며 합류 자세 예측에서 모든 기준 모델을 능가했습니다. 이는 정적 및 동적으로 변화하는 상호작용 모두에서 그룹 합류를 입증합니다.

새로운 국소 복잡도 방법인 Sharper Transductive Local Complexity (STLC)를 소개합니다. 이는 균일 샘플링 없이 전단적 학습(transductive learning)에 대한 국소 복잡도 방법으로, 테스트-훈련 경험의 최댓값에 대한 베르너스 유형 집중 부등식에서 시작하여 증명됩니다.

STLC는 수정된 로그-소보레프 부등식과 두 매개변수 엔트로피 폐쇄를 사용하여 증명되었으며, 이를 통해 고전적인 귀납적 국소 라데마허 복잡도 경계와 동일한 고정점 및 신뢰 항을 갖는 초과 위험 경계를 제공합니다.

실제 적용 시, STLC는 VC 차원 $\dVC$를 갖는 이진 클래스에 대해 훈련 크기 $m$과 테스트 크기 $u$가 주어졌을 때 $\cO\{\dVC\log(me/\dVC)/m\}$의 상한을 산출합니다. 이는 표준 귀납적 속도와 일치하며, 훈련 크기 $m$이 9 이상일 때 전단적 최소값 하한인 $\dVC/m$에 로그적 계수 내에 들어옵니다.

특히 전단적 커널 학습의 경우, STLC는 이전 국소 복잡도 경계에 나타나는 곱셈 불균형 인자 없이 스펙트럼 적응형 초과 위험 경계를 제공합니다.

Tailscale이 더 빠르고 효율적으로 작동하도록 성능 개선 작업을 진행하고 있습니다. 이 개선은 WireGuard®를 기반으로 하는 데이터 평면의 처리량을 높이고 메모리 오버헤드를 줄이는 데 중점을 두었으며, 이를 통해 CI/CD, 에이전트 워크플로우, 원격 개발 환경 등 성능에 민감한 워크로드에서 Tailscale의 활용도를 높일 수 있게 되었습니다.

성능 향상을 위해 Tailscale은 리눅스 및 안드로이드 환경에서 패킷 처리 방식을 최적화했습니다. 특히, 작은 패킷(1 KiB)을 처리할 때 메모리 복사 횟수를 줄이고 버퍼 변경을 통해 메모리 오버헤드를 감소시켜 약 5%의 속도 향상을 달성했습니다. 또한, 패킷 대기열을 단축하여 트래픽 버스트에 대한 지연 시간을 줄이고 메모리 사용량을 절감했습니다.

이러한 개선 사항은 향후 안정적인 클라이언트 릴리스에 적용될 예정이며, 멀티 큐 기술을 통해 서브넷 라우터 및 앱 커넥터의 처리량을 높일 계획입니다. 또한, Netmap 캐싱 기능이 v1.104 버전에서 기본으로 제공될 예정이며, 이는 네트워크 연결 상태를 더 정확하게 파악하는 데 도움을 줄 것입니다.

한편, Tailscale 팀은 고객들이 네트워크 구성을 테스트하고 진단할 수 있도록 Tailscale에 특화된 모니터링 및 테스트 도구를 개발하고 있습니다. 이는 기존의 일반적인 성능 도구들이 Tailscale의 네이티브 경로, DERP 또는 피어 릴레이 상태와 같은 정보를 이해하지 못하는 한계를 극복하고, 고객이 네트워크 성능을 정확하게 측정하고 이해할 수 있도록 하기 위함입니다.

대규모 언어 모델(LLM)이 코딩 작업에 사용되고 있지만, 코드 실행에 대한 추론 능력은 여전히 불분명합니다. 기존의 저장소 수준 질의응답 벤치마크는 주로 정적 코드 이해를 평가하며 LLM 기반 평가에 의존하는 반면, 실행 추론 벤치마크는 스니펫이나 함수에 국한되어 있습니다. 이러한 한계를 극복하기 위해 연구진은 동적 실행 추론을 위한 저장소 수준 벤치마크인 SWE-Flux를 소개했습니다.

SWE-Flux는 12개의 실제 Python 저장소에 걸쳐 480개의 실행 기반 인스턴스를 포함하며, 정답은 수동 작성이나 LLM 평가 대신 계측된 테스트 실행에서 자동으로 수확됩니다. 이 벤치마크는 제어 흐름, 루프, 프로그램 상태, 데이터 흐름, 예외, 프로그램 불변성과 같은 주제에 대한 단일 테스트 및 다중 테스트 질문을 다룹니다. 다섯 가지 LLM을 평가한 결과, 이 작업이 여전히 어렵다는 것이 입증되었으며, 최고 모델의 정확도는 37%에 불과했습니다.

모델들은 불변성, 프로시저 내부 제어 흐름, 예외, 간단한 루프와 같은 국소적인 동작에서는 더 나은 성능을 보였지만, 데이터 흐름, 프로시저 간 실행, 정확한 상태 추론, 그리고 전체 스위트 수준 집계에서는 어려움을 겪었습니다. 또한, 연구진은 입력 교란을 사용하여 새로운 벤치마크 변형을 생성하는 오라클 수확 파이프라인을 제시했습니다. 이 파이프라인은 선택된 인스턴스의 거의 90%에 대해 유효한 변형을 수확하며, 그 결과로 생성된 변형들은 평가된 모델들에게 훨씬 더 까다로운 도전 과제를 제공합니다.

최소 재귀 트랜스포머의 비평형 동역학을 연구한 결과, 어텐션 피드백이 표현 기하학과 어텐션 네트워크를 지속적으로 재구성함을 발견했습니다. 유사도 기반 어텐션이 인접한 표현을 선택하고 음의 값 맵이 토큰을 선택된 영역에서 멀어지게 유도하는 피드백 메커니즘이 핵심입니다.

이러한 피드백 강도 $\gamma$를 증가시키면, 2차원($d=2$)에서 토큰들이 원 위에 놓여있을 때 정규 다각형이 안정성을 잃고 주기 2 운동, 혼돈, 클러스터 교환 또는 클러스터 반전 상태로 전환됩니다. 이러한 시간적 복잡성에도 불구하고, 어텐션은 $\beta$가 고정된 경우 $N$이 무한대로 갈 때 여전히 확산된 상태를 유지합니다.

대신 어텐션 응축 현상은 $\beta \sim N^2$의 스케일링 영역에서 나타나며, 하드 라우팅 한계에서는 반발적인 업데이트가 국소적 섭동을 증폭시키고 라우팅 파트너 전환이 이를 확산적으로 전달하여 표현 공간에 버터플라이 콘(butterfly cone)과 같은 새로운 구조를 생성합니다.

고차원($d=N\to\infty$)에서는 가우시안 초기 조건을 통해 $\beta=O(1)$에서 응축 전이가 발생하며, 이는 동적으로 생성된 유한한 겹침 틈(overlap gaps)에 의해 구동됩니다. 이러한 결과는 시간적 활동, 어텐션 응축, 기하학적 클러스터링이 구별되는 집단 현상임을 입증하며, 희소 어텐션이 정지 상태가 아닌 지속적인 동역학을 유지할 수 있음을 보여줍니다.

영국 군대가 자국의 방어를 위해 다른 국가들의 위성 신호를 방해하고 차단하고 있다고 영국 방송(BBC)이 보도했습니다. 이는 영국 위성을 방어하기 위해 'Space Effects Squadron'이라는 새로운 부대가 창설된 배경이며, 이 부대는 우주 공간에서 적의 위협을 '방해하고 약화시키며 거부하는' 임무를 수행할 예정입니다.

영국 국방부는 이 부대가 적의 위협을 무력화하는 데 중점을 둘 것이며, 이는 적국이 영국 핵잠수함이나 특수부대와 같은 민감한 군사 작전의 움직임을 추적하는 것을 방지하는 데 사용될 수 있습니다. 이는 우주 공간에서의 위협이 '규모, 속도, 정교함' 면에서 증가하고 있으며, 지상 기반 시스템을 통해 적국의 위협을 억제하려는 군사적 조치로 이해됩니다.

대통령은 위성 시스템에 대한 의존도가 일상생활에 미치는 영향을 강조하며, GPS 손실이 영국 경제에 하루에 14억 파운드의 손실을 초래할 수 있다고 지적했습니다. 스마트폰, 금융 앱 등 일상 기술이 위성에 의존하고 있기 때문에, 적국의 위협에 노출되는 것은 단순히 군사적 문제를 넘어 사회적 신뢰와 일상적인 자유를 훼손할 수 있다는 점이 중요합니다.

한편, 러시아와 중국 등 일부 국가들이 자체적인 우주 무기 개발에 나선 가운데, 영국은 이미 지상 기반 전자전 능력이 세계 최고 수준이라고 평가받고 있습니다. 이러한 우주 경쟁은 전자 재머, 레이저, 위성 무기 등 다양한 형태의 무기 개발로 이어지며, 위성 시스템의 붕괴는 기후 변화 모니터링이나 긴급 서비스 등 모든 분야의 효율성과 안전성을 저해할 수 있습니다.

AI 안전성과 악성 에이전트(rogue agents)에 대한 우려가 계속해서 주요 화두가 되면서 사이버 보안 분야에 대한 관심이 높아지고 있습니다. 이러한 흐름은 투자자들이 AI가 주도하는 세계를 위한 차세대 보안을 구축하려는 스타트업에 막대한 자본을 투입하게 만들고 있습니다.

결과적으로 사이버 보안 주식은 상승세를 보이고 있으며, 특히 Instinct나 Simile과 같은 회사들은 상식적으로 이해하기 어려운 수십억 달러 규모의 계약과 가치를 확보하고 있습니다. 이는 기존의 사이버 보안 모델이 변화하고 있음을 시사합니다.

이러한 현상은 AI 시대에 맞춰 보안 패러다임이 근본적으로 재편되고 있음을 보여줍니다. 개발자와 투자자들은 AI 기반 위협에 대응하기 위해 새로운 보안 솔루션에 집중하고 있으며, 이는 시장의 새로운 기회를 창출하고 있습니다.

수학적 규칙을 의미를 변경하지 않고 재배열할 때 정답은 보존되어야 하지만, 모델의 내부 표현 역시 불변해야 하는지에 대한 질문을 탐구했습니다. 연구진은 이러한 질문에 답하기 위해 동일한 정답을 가지는 여러 규칙 순서로 제시된 합성 다단계 함수 합성 문제를 사용했습니다.

연구는 정확도와 순열 신호 대 잡음비(Permutation Signal-to-Noise Ratio, SNR)를 측정했습니다. SNR은 문제 인스턴스 간의 변화에 비해 순서 패턴이 얼마나 뚜렷하게 표현되는지를 정량화합니다. 10억에서 80억 파라미터를 가진 16개의 언어 모델을 대상으로 분석한 결과, 재배열된 문제를 더 정확하게 해결하는 모델일수록 서로 다른 규칙 순서를 더 명확하게 표현한다는 패턴을 발견했습니다.

층 평균 순열 SNR은 평가하는 모든 합성 설정에서 정확도와 양의 순위 상관관계를 보였으며, 스피어만 상관관계는 0.86에 달했습니다. 이는 성공적인 수학 규칙 구성이 동등한 규칙 순서 사이에 구별되는 내부 표현을 수반할 수 있음을 시사합니다. 따라서 정답 불변성과 표현 불변성을 구별하는 것이 중요하며, 이는 단순히 정답 정확도를 넘어 수학적 추론에 대한 표현적 관점을 제공합니다.

삼성 스마트 냉장고 일부 모델이 펌웨어 업데이트 이후 작동을 멈추는 문제가 발생했습니다. 이 문제는 삼성의 비스포크 AI 라인 냉장고에 영향을 미쳤으며, 스마트홈 플랫폼인 스마트싱스(SmartThings)를 통해 펌웨어 업데이트를 시도한 후 기기가 작동을 멈추고 전원이 사라지는 현상이 보고되었습니다.

이러한 문제는 한국 매체를 통해 가장 먼저 보도되었으며, 영향을 받은 기기들은 2024년 이후 출시된 4도어 냉장고 모델들로 확인되었습니다. 사용자들이 겪은 주요 증상은 냉장고가 갑자기 전원을 잃고 작동을 멈춘 것 외에도 스마트싱스 앱에서 기기가 오프라인으로 표시되었으며, 내부 디스플레이에는 "업데이트 중 스마트싱스 앱 확인 중"이라는 메시지가 고정되어 나타났습니다.

이는 스마트홈 플랫폼을 통한 펌웨어 업데이트 과정에서 발생한 시스템 오류로 보이며, 사용자들은 냉장고의 기능 상실과 함께 식재료 보관에 어려움을 겪었습니다. 현재 이 문제에 대한 구체적인 원인이나 해결책은 제시되지 않았으나, 해당 업데이트 과정에서 발생한 시스템 불안정성이 핵심적인 문제로 지목되고 있습니다.

GPT-6 Astra가 실제 자동차를 운전하는 능력을 시연하며 주목받고 있습니다. DrivingBench라는 평가 시스템을 통해 최신 언어 모델에게 실제 토요타 코롤라의 조향, 가속, 제동 제어권을 부여하고 고정된 콘 코스에서 주행 능력을 평가했습니다.

이 테스트는 언어 모델이 물리적인 환경과 복잡한 제어 시스템을 이해하고 실행할 수 있는지 확인하는 데 중점을 둡니다. GPT-6 Astra는 이 평가에 참여하여 운전 능력을 입증했습니다.

첫 번째 시도에서는 진행률 49%를 기록했지만, 두 번째 시도에서는 단 5분 22초 만에 코스를 완주하는 데 성공했습니다. 이는 GPT-6 Astra가 실제 차량 제어에 필요한 복잡한 물리적 추론과 실행 능력을 상당 수준 갖추었음을 보여줍니다.

본 연구는 단변량 두 층 ReLU 네트워크를 사용하여 이진 분류에 대한 최소 노름 보간과 $\ell_2$-정규화된 로지스틱 손실 최소화 문제를 탐구합니다. 연구진은 함수 공간에서 최적 분류기의 기하학적 특성을 완전히 규명하며, 숨겨진 레이어 편향이 파라미터 노름에 포함되는지에 따라 해답이 어떻게 달라지는지를 분석했습니다.

편향이 고려되지 않은 경우 최소 노름 보간기는 레이블 전환을 감싸고 적절한 볼록성을 가진 꺾임을 갖는 연속 조각 아핀 함수가 됩니다. 반면, 편향이 정규화되는 경우 최소화 결과는 함수 공간에서 유일하며, 각 동일 레이블 구간마다 정확히 하나의 꺾임을 가지므로 가장 희소한 양의 마진 분류기가 됩니다.

또한, 자유로운 아핀 스킵 연결을 추가하는 것은 함수 공간 해답을 변경하지 않지만 파라미터 공간의 지형을 근본적으로 개선합니다. 이는 제약 조건이 있는 문제에서 KKT 점이 전역 최적해로 바뀌며, 스킵 연결이 없을 때는 최적해가 아닌 점도 존재할 수 있음을 의미합니다.

연구는 충분히 약한 $\ell_2$-정규화에서 로지스틱 손실에 대한 유사한 전역 최적성 및 기하학적 결과를 확립했습니다. 특히 편향이 고려되지 않은 경우, 최소 노름 보간기가 마진 정규화 로지스틱 손실 최소화기의 작은 정규화 극한에서 발생하는 경우가 드물다는 희소성 제한을 식별했습니다.

지역 공동체가 매입한 옛 포토벨로 경찰서 시계탑에서 시간 설정 방법과 타종 장치의 작동 방식을 파악하는 데 성공했습니다. 이 시계는 모터와 기어를 사용하여 세 개의 시계판을 구동하고 있으며, 시간 설정은 기어의 걸쇠를 들어 올린 후 축을 직접 돌려 시간을 맞추는 방식으로 이루어졌습니다.

이 발견은 단순히 시계를 수리하는 것을 넘어, 기계 장치의 내부 메커니즘과 동력 전달 방식을 역으로 분석하고 이해하는 데 중점을 둡니다. 시계탑의 작동 방식을 분석함으로써 모터와 기어가 어떻게 상호작용하여 시간 표시와 타종 장치를 구동하는지 구체적인 작동 원리를 밝혀냈습니다.

이는 물리적인 장치에 내재된 기계적 설계와 작동 방식을 탐구하는 과정이며, 복잡한 기계 시스템의 작동 원리를 이해하는 데 중요한 사례를 제공합니다. 지역 공동체가 물리적인 환경에서 숨겨진 메커니즘을 발견하고 해독하는 과정을 통해 엔지니어링적 접근의 가능성을 보여줍니다.