읽을 가치가 있는 기사만, 짧고 또렷하게.

멀티모달 안전 중재는 시각 콘텐츠, 사용자 의도, 그리고 어시스턴트 행동에서 발생하는 위험을 구별해야 합니다. 기존의 안전 장치는 단일 판단 목표로 훈련되어 안전 평가를 이진 결정으로 축소시키기 때문에, 멀티모달 상호작용 전반에 걸친 위험을 비교하기 어렵고 모호한 사례가 가려지는 문제가 있었습니다.

이에 연구진은 이미지, 요청, 응답 수준의 판단을 다섯 단계 순서 척도에 따라 제공하는 150만 개의 훈련 인스턴스를 포함하는 SafeAtlas-VL 데이터셋을 소개합니다. 이 데이터셋은 실제 및 합성 소스에서 안전 관련 데이터를 수집하고 불일치 인식 주석 절차를 적용하여 구축되었으며, 15가지 유해 범주와 55가지 세분화된 하위 범주를 포괄합니다. 또한 다섯 단계 예측과 연속 위험 점수를 평가하기 위한 5,000개의 인스턴스로 구성된 SafeAtlas-Bench도 함께 구축되었습니다.

이 데이터셋을 기반으로 멀티모달 안전 탐지를 위한 타겟 조건화 튜닝을 통해 SafeAtlas Guard 모델 시리즈를 훈련시켰습니다. 이 모델들은 안전 수준에 대한 다섯 가지 분류뿐만 아니라 소프트 누적 순서 헤드를 통해 안전을 연속 점수로 매핑하는 능력을 보여줍니다. 실험 결과, 이 데이터셋으로 훈련된 보호 모델들은 강력한 일반화 능력을 입증했습니다. 다른 벤치마크의 훈련 세트를 사용하지 않고도 해당 테스트 세트에서 경쟁력 있는 성능을 달성했습니다. 특히 80억 매개변수 모델은 F1 점수에서 이전 최고 성능(SOTA)보다 약 4% 향상된 전반적인 최고 성능을 달성했습니다.

연구진은 코드, 데이터, 모델을 공개하여 추가 연구를 지원하고 있으며, 이 논문에는 공격적이거나 유해하거나, 선정적이거나, 불쾌감을 줄 수 있는 예시 데이터가 포함되어 있음을 경고합니다.

강화 학습 미세 조정(RFT)은 대규모 모델의 추론 능력을 강화하는 데 점점 더 사용되고 있지만, 훈련 데이터의 선택 및 사용 방식에 따라 그 효과가 제한됩니다. 대부분의 데이터 중심 RFT 방법은 샘플의 가치가 훈련 기간 동안 고정되어 있다고 가정하는 정적 또는 발견적 샘플 선택에 의존하며, 이는 정책 학습의 비정상적 동역학을 간과하여 최적화가 미흡한 결과를 초래할 수 있습니다.

이에 우리는 RFT 전반에 걸쳐 데이터 활용을 적응적으로 만드는 원칙적이고 완전 자동화된 프레임워크인 동적 중요 예제 채굴(Dynamic Important Example Mining, DIAM)을 제안합니다. DIAM은 각 최적화 단계에 두 가지 구성 요소를 통합합니다. 첫째는 각 샘플의 정책 개선에 대한 한계 기여도를 효율적으로 근사하는 기울기 정렬 중요도 추정기입니다. 둘째는 최적화 안정화를 위해 업데이트의 기울기 크기를 보존하면서 집합적 유용성을 최대화하는 제약된 배치 재가중(constrained batch reweighting) 방식입니다.

여러 추론 벤치마크에서 DIAM은 강력한 정적 및 동적 기준선보다 일관되게 우수한 성능을 보였습니다. 이 방법은 RFT 과정에서 데이터 활용을 동적으로 조정함으로써 최적의 모델 업데이트를 가능하게 합니다. 관련 코드는 https://github.com/hrtan/DIEM을 통해 공개될 예정입니다.

잠재적 생성 모델은 일반적으로 재구성(reconstruction)을 위한 변분 오토인코더를 훈련한 후 고정된 잠재 공간에서 생성 모델을 훈련하는 2단계 파이프라인을 따릅니다. 하지만 재구성 최적화된 잠재 공간은 생성에 적합하지 않을 수 있어, 두 모델을 공동으로 훈련하는 것이 대안으로 제시됩니다. 그러나 직접적인 종단 간(end-to-end) 훈련은 잠재 붕괴(latent collapse)와 생성-재구성 충돌이라는 문제에 직면합니다.

연구진은 이러한 문제를 해결하기 위해 잠재 공간을 형성하는 목표의 차이를 분석하여 두 가지 핵심 통찰을 발견했습니다. 첫째, 쿨백-라이블러 발산(Kullback-Leibler divergence) 목표에 포함된 엔트로피 항이 붕괴를 방지하는 데 필수적이며, 이는 재구성 및 사전 적합이 사후 확률을 수축시키는 반면 엔트로피는 비퇴화된 잠재 불확실성을 보존한다는 것입니다. 둘째, 재구성과 생성은 비대칭적인 학습 역학을 보입니다. 재구성은 빠르고 강력하게 지도되는 반면, 생성은 더 느리고 최적화하기 어렵습니다.

이러한 통찰을 바탕으로 연구진은 잠재 붕괴 없이 직접적인 종단 간 훈련을 달성하기 위해 생성 전에 재구성을 수행하는 간단한 전략인 GenFirst를 제안했습니다. GenFirst는 약한 재구성 압력 하에서 잠재 공간을 형성한 후 시각적 세부 사항을 복구하기 위해 재구성을 점진적으로 강화합니다. 이 방법론을 통해 SiT는 ImageNet-256에서 CFG 조건 하에 gFID 0.97, CFG 조건 없이 1.45를 달성했으며, MMDiT는 텍스트-이미지 생성에서 GenEval 점수 0.90을 기록했습니다.

나아가 연구진은 이 프레임워크를 생성 및 표현 학습을 위한 공유 시각적 잠재 공간으로 확장하고 연속적인 통합 텍스트-이미지 생성으로 확장했습니다. 이러한 결과는 생성적 사전 및 양식 전반에 걸쳐 안정적인 종단 간 잠재 학습의 일반성을 입증합니다.

Qubes OS 보안 공지(QSB) 118에 따라 dom0에서 qvm-copy-to-vm 오류 보고를 통해 임의의 코드 실행이 가능해지는 취약점이 발견되었습니다. 공격자가 악성 qube를 통해 dom0에서 해당 기능을 사용하면 dom0에 임의의 명령을 주입하여 Qubes OS 전체를 장악할 수 있습니다.

이 취약점은 qvm-copy-to-vm 도구가 파일 이름을 처리하고 오류를 보고하는 과정에서 발생합니다. 파일 이름에 대한 안전성 검사 함수인 sanitize_remote_filename이 비ASCII 문자나 따옴표만 제거할 뿐 셸 메타 문자는 그대로 남겨두기 때문에, 이 파일 이름이 시스템 명령으로 전달될 때 공격자가 주입한 명령이 실행될 수 있습니다.

구체적으로 오류 처리 과정에서 system() 함수가 사용되면서 이 취약점이 악용됩니다. 이 문제는 dom0에서 실행되는 qvm-copy-to-vm의 VM 변형에는 영향을 미치지 않으며, 해당 변형은 system()을 사용하지 않기 때문에 안전합니다. 따라서 모든 Qubes OS 릴리스에 대해 패치를 적용해야 합니다.

미국 지리명 정보 시스템(GNIS)이 '레이크 온타리오(Lake Ontario)'의 명칭을 '레이크 아메리카(Lake America)'로 공식 변경했습니다. 구글은 이러한 공식 정부 출처의 변경 사항을 반영하기 위해 구글 지도(Maps)를 업데이트하고 있습니다.

이 변경 사항은 지리적 위치에 따라 사용자에게 다르게 표시됩니다. 미국 내 사용자들은 지도에서 '레이크 아메리카'로 표시하게 되며, 캐나다 내 사용자들은 여전히 '레이크 온타리오'로 표시됩니다. 미국과 캐나다 외 지역의 사용자들은 두 가지 이름이 모두 표시됩니다.

이는 국가별로 이름이 다른 수역에 대한 구글의 장기 정책을 따르는 것입니다. 개발자나 지도 서비스를 이용하는 사용자는 이러한 지리적 이름 변경이 어떻게 시스템에 반영되고 지역별로 어떻게 다르게 표시되는지 이해해야 합니다.

제9 순회 법원이 캘시(Kalshi) 도박 관련 분쟁에서 주(state)들의 입장에 동조했습니다. 이는 아리조나의 기소 가능성을 재개할 수 있는 잠재적인 발판을 마련했다는 점에서 중요한 의미를 가집니다.

이 판결은 주 정부들이 캘시 플랫폼을 둘러싼 법적 싸움에서 지지받았음을 의미하며, 이는 아리조나 주에서 진행되던 사안의 재개 가능성을 높입니다. 해당 분쟁은 주 정부와 연방 당국 간의 규제 및 법적 권한에 대한 논쟁을 포함하고 있습니다.

이러한 움직임은 캘시 플랫폼을 통한 도박 관련 규제 환경에 영향을 미치며, 향후 주 정부와 연방 법원 간의 관계에 중요한 선례를 남길 수 있습니다. 다만, 이 사안이 아리조나의 기소 가능성을 실제로 어떻게 변화시킬지는 추가적인 법적 절차와 논의에 달려 있습니다.

지역 팝 펑크 밴드가 Flock 시스템을 비판하는 발언을 공개했습니다. 이들은 공연 중 "다른 밴드들을 위해 머물러라, 바텐더에게 팁을 주고, 플록 카메라들을 파괴하라"는 농담을 던졌다고 보도되었습니다.

이 발언은 사생활 감시 기술인 Flock 카메라 시스템에 대한 대중의 인식을 반영하며 논란을 일으키고 있습니다. 특히 카메라 파괴를 언급한 부분은 해당 기술의 설치 및 사용에 대한 비판적인 시각을 드러냅니다.

이는 기술이 일상생활에 침투하는 것에 대한 문화적 반발을 보여주는 사례로 해석될 수 있습니다. 개발자 관점에서 볼 때, 이러한 논란은 사생활 보호와 감시 기술의 윤리적 경계에 대한 사회적 논의가 기술 환경에 미치는 영향을 이해하는 데 중요한 맥락을 제공합니다.

LLM 에이전트가 복잡한 취약점 연구를 수행할 때 기존에 확립한 사실들을 시간이 지나면서 잊어버리거나 잘못된 가정에 기반하여 추론을 계속하는 문제가 발생합니다. 연구 과정에서 특정 객체가 다른 객체를 가리킨다는 사실을 추론했는데 나중에 그 사실이 틀렸음이 밝혀지더라도, 모델이 이전 대화 기록 전체를 바탕으로 결론을 재구성하여 잘못된 추론을 지속할 위험이 있습니다.

이 문제를 해결하기 위해 단순히 대화 기록을 저장하는 대신, 프로그램 분석에서 사용되는 방식처럼 사실과 규칙을 기반으로 상태를 관리하는 접근법이 제안되었습니다. 이는 입력 사실이 변경되었을 때 전체 추론을 다시 시작하는 대신, 변경된 부분에만 영향을 미치는 결과를 업데이트하거나 무효화하는 방식입니다.

이러한 아이디어를 바탕으로 Datalog 엔진을 활용하여 LLM의 상태를 관리하는 Lemmalog라는 시스템이 개발되었습니다. Lemmalog는 LLM이 자신의 지식을 유지하는 데 책임을 지지 않고, 대신 사실과 의존성(dependencies)을 관리하여 지식 업데이트와 시간적 상태를 보존하는 데 중점을 둡니다.

실제 실험 결과, Lemmalog는 전체 컨텍스트를 제공하는 방식보다 특정 작업에서 더 높은 성능을 보였으며, 이는 LLM이 기억을 보존하는 것이 단순히 더 큰 컨텍스트 창을 제공하는 것보다 효과적일 수 있음을 시사합니다. 이는 에이전트가 잘못된 가설을 부활시키거나 환각을 일으키는 것을 방지하고, 현재 상태를 유지하도록 돕는 데 중요한 진전을 의미합니다.

중국 자동차 제조업체들이 로봇이 차세대 수익 창출 기제가 될 것이라는 테슬라의 베팅을 따라 움직이고 있습니다. 로봇에 대한 기대감은 물리적 능력과 대규모 언어 모델(LLM) 기반 AI 기술의 발전으로 인해 가속화되었으며, 이러한 기술 발전은 복잡한 로봇이 거의 모든 작업을 학습할 수 있게 만들었습니다. 이러한 기술적 진보에 힘입어 여러 기업들이 휴머노이드 로봇에서 수익을 창출할 가능성에 투자하고 있으며, 특히 중국 자동차 회사들이 주요 참여자로 부상하고 있습니다.

Xpeng의 로보틱스 부문은 최근 9억 달러 이상을 유치하며 중국의 ‘구체화된 AI(embodied AI)’ 산업에서 가장 큰 단일 라운드 민간 자금 조달 기록을 세웠습니다. Chery 자동차의 로보틱스 부문인 AiMOGA는 IPO를 준비 중이며, BYD는 휴머노이드 로봇인 샤오디(Xiao Di)를 공개했습니다. 창안, GAC, 리오, SAIC, 세레스 등 다른 중국 자동차 제조사들도 휴머노이드 로봇 개발에 박차를 가하고 있습니다.

이들 기업 중 Xpeng은 자율성에 가장 집중하며 휴머노이드 로봇에 가장 적극적으로 투자하고 있습니다. Xpeng은 상업적 배포를 목표로 하는 휴머노이드 로봇인 아이언(Iron)에 베팅하고 있으며, 이는 제조 역량을 바탕으로 하드웨어 측면에서 경쟁 우위를 확보하려는 전략입니다. 하지만 이러한 경쟁에서 승리하기 위해서는 AI 측면에서 테슬라를 따라잡을 수 있는 기술적 격차를 해소하는 것이 핵심 과제입니다.

휴머노이드 로봇 분야에서는 Agility Robotics, Apptronik, Figure와 같은 다른 회사들도 상업적 배포를 목표로 경쟁하고 있으며, 휴먼다이드를 소유한 보스턴 다이내믹스는 이 목표에 더 가까워지고 있습니다. 또한 모빌아이(Mobileye)와 같은 공급업체들도 휴머노이드 로봇 스타트업을 인수하며 이 분야에 진출하고 있습니다.

Apple의 Virtualization.framework를 사용하여 가상 아이폰을 부팅하는 도구인 vphone-cli 프로젝트가 공개되었습니다. 이 도구는 PCC 연구 VM 인프라를 활용하여 아이폰 환경 전체를 엔드투엔드(다운로드, 패치, DFU 복원, CFW 설치, 첫 부팅)로 자동화하는 기능을 제공합니다.

vphone-cli는 Apple Silicon macOS 15+ 환경과 Xcode, iOS SDK를 필수 전제 조건으로 하며, Python 3.13, openssl@3 등 다양한 의존성 라이브러리를 요구합니다. 개발자는 이 도구를 통해 가상 머신(VM)을 생성하고 관리하며, 특정 아이폰 버전(예: 26.1)에 맞춰 펌웨어 패치 및 부트 체인 수정 작업을 자동화할 수 있습니다.

이 프로젝트는 단순한 도구 제공을 넘어, 복잡한 하드웨어 및 펌웨어 관련 작업을 소프트웨어적으로 자동화하는 개발 워크플로우를 제시합니다. 특히 vphone-cli는 VM 생성, 복제, 내보내기 기능을 제공하여 개발자가 가상 환경을 효율적으로 관리할 수 있도록 돕습니다.

다만, 사용 시 몇 가지 기술적 제약과 주의사항이 존재합니다. AMFI/디버그 제한이나 하드웨어 가상화의 한계로 인해 특정 환경에서는 제한이 발생할 수 있으며, ldid-procursus 라이브러리에서 메모리 관련 버그가 보고된 바 있어, 안정적인 실행을 위해서는 소스 코드에서 빌드하거나 특정 패치를 적용해야 하는 상황이 발생할 수 있습니다.

구글이 일부 검색에 대해 AI 검색 요약(AI Overview)을 검색 결과 페이지 상단에 자동으로 확장하는 변경 사항을 도입했습니다. 이 변화가 적용되면 일반적인 링크 목록은 검색 결과 페이지에서 훨씬 아래로 밀려나게 됩니다.

기존에는 AI 개요의 일부와 '더 보기' 버튼만 보였으나, 이제는 사용자가 AI 개요 전체, '무엇이든 물어보기' 상자, 그리고 그 아래 링크 목록을 상단에서 바로 볼 수 있게 됩니다. 이는 검색 결과 페이지에서 스크롤을 더 많이 해야 하는 사용자 경험을 유발할 수 있습니다.

구글이 이러한 AI 개요를 자동으로 확장하는 구체적인 기준은 아직 명확하게 밝혀지지 않았습니다. 따라서 구글이 어떤 검색어에 대해 이 기능을 적용할지, 그리고 어떤 기준으로 요약을 확장할지 등에 대한 맥락을 파악할 필요가 있습니다.

XREAL 스마트 글래스가 홈 엔터테인먼트의 미래가 될 수 있는지에 대한 질문을 던지며, XREAL의 a01 모델을 통해 영화 감상 경험을 제공하는 방식을 탐구합니다. 이 기기에 탑재된 듀얼 미니 OLED 패널은 1080p 해상도와 최대 1,600니트의 밝기를 제공하여 매우 생생하고 선명한 이미지를 구현하며, 어두운 방에서 시청할 경우 극장과 같은 몰입감을 선사합니다.

이 기기는 배터리 없이 USB-C 케이블을 통해 외부 장치에 전원을 공급받는 방식으로 작동하며, 게임 기기 연결이나 개인 노트북에 연결하여 콘텐츠를 시청할 수 있습니다. 하지만 글래스는 본질적으로 화면 미러링 장치로 기능하며, 사용자가 노트북을 사용하면서 동시에 글래스를 착용하는 것은 어렵다는 한계가 있습니다. 또한, 휴대폰과 연결할 경우 케이블 호환성 문제와 화면이 움직일 때 발생할 수 있는 재생 오류 등의 불편함이 존재합니다.

XREAL은 글래스가 '두 번째 모니터' 역할을 할 수 있다고 주장하지만, 실제로는 주변의 다른 화면과 동시에 콘텐츠를 시청하는 중복성이 발생하여 장치의 실질적인 목적에 대한 의문을 제기합니다. 별도의 스트리밍 허브인 Beam Pro를 추가로 구매하면 독립적인 스트리밍 환경을 구축할 수 있지만 추가 비용이 발생합니다.

결론적으로, XREAL 하드웨어는 흥미로운 발전 단계에 있지만, 영화 팬의 관점에서 볼 때 대형 스크린만큼 최적의 경험은 아니며, 사용자 경험은 여전히 중복성과 물리적 제약이라는 한계를 안고 있습니다. 앞으로 XREAL의 Aura와 같은 후속 모델에서 사용자 경험이 어떻게 변화할지 지켜볼 필요가 있습니다.

코드를 강조하는 방식에 대한 실험을 통해 일반적인 구문 강조 방식이 사용자 경험을 저해한다는 점을 발견했습니다. 저자는 밝은 테마를 만들려 시도했지만, 색상 대비를 확보하기 위해 어두운 색상을 사용해야 했고 이는 오히려 시각적 영향을 줄여 원하는 효과를 얻기 어렵다는 결론에 도달했습니다.

이러한 실험은 코드를 강조하는 목적이 단순히 모든 요소를 표시하는 것이 아니라 사용자가 특정 코드에 집중하고 원하는 부분을 빠르게 찾도록 돕는 데 있어야 한다는 점을 시사합니다. 모든 것을 강조하면 결국 아무것도 강조되지 않는다는 '큐 현상(queue Syndrome)'을 피하기 위해, 강조는 가장 중요한 요소에만 집중해야 한다는 것이 핵심입니다.

따라서 저자는 색상 대비를 최소화하고 흑백 기반의 톤으로만 구분을 시도했으며, 구문 강조는 문법적 요소보다는 코드의 구조와 의미를 파악하는 데 집중해야 한다고 제안합니다. 최종적으로 강조는 시각적 방해 없이 코드의 의미 있는 부분에 사용자의 주의를 집중시키는 도구가 되어야 합니다.

인공지능을 사용하여 가짜 화장품을 식별하는 연구가 진행되었습니다. 연구자는 이 방법이 소비자가 구매 전에 제품의 진품 여부를 확인할 수 있도록 돕는 데 활용될 수 있는지 탐구하기 위해 류드 페이퍼 립 틴트(Rhode Peptide Lip Tint) 패키지 사진을 구글 제미나이(Gemini) 모델에 입력했습니다. 이 실험에서 AI는 패키지 사진을 분석하여 외관상의 불일치와 오타를 찾아내어 가짜 제품을 식별하는 데 성공했습니다.

AI는 박스와 튜브의 사진을 분석하여 성분 목록의 오타, 규제 텍스트의 공백 누락, 그리고 책임자 정보의 불일치와 같은 세부적인 오류를 발견했습니다. 특히 AI는 빛 반사나 그림자 같은 사진의 인공적인 특성 때문에 오류를 범하기도 했지만, 이는 인간이 놓치기 쉬운 미세한 차이를 포착하는 데 유용함을 보여줍니다.

하지만 이러한 AI 기반 식별 방식에는 한계가 존재합니다. AI는 사진의 그림자나 반사 같은 사진 인공물 때문에 오류를 범할 수 있으며, 또한 진품 제품 자체에도 오타가 있을 수 있다는 점이 확인되었습니다. 이는 AI가 오타를 가짜 제품의 특징으로 잘못 연결하여 정품 제품까지 가짜로 오인할 위험을 내포하고 있습니다.

결론적으로, AI는 위조품 탐지에 효과적인 도구가 될 수 있지만, 제조사는 패키징에 오류가 없도록 주의해야 하며, 향후에는 더 효과적인 위조 방지 기술 개발이 필요합니다.

Kalshi는 베팅을 스왑(swaps)이라고 부름으로써 네바다주의 도박법을 회피할 수 없다는 연방 항소 법원의 판결을 잃었습니다. 이 판결은 연방 상품거래법이 네바다주의 도박법 적용을 선행한다는 주장을 기각하고, 네바다 주가 Kalshi, Crypto.com, Robinhood가 제공하는 스포츠 이벤트 계약에 대해 네바다의 게임법과 규제 체계를 준수해야 한다고 명시했습니다.

네바다 게임 통제 위원회는 연방 법원이 네바다의 게임법에 따라 예측 시장이 스포츠 이벤트 계약을 제공하는 것이 도박을 구성하며 규제 프레임워크를 준수해야 한다고 판단했다고 밝혔습니다. 이는 예측 시장이 주(state) 규제를 회피하려는 시도와 관련하여 예측 시장의 법적 지위에 중요한 선례를 남깁니다.

법원은 네바다가 Kalshi의 스포츠 관련 계약에 대해 주 법률을 집행할 수 있도록 허용하는 지방 법원 명령을 확정했습니다. 따라서 예측 시장을 운영하는 개발자와 플랫폼은 주별 도박법 준수 여부를 면밀히 검토해야 하며, 연방 법률과 주 법률 간의 충돌 가능성을 고려해야 합니다.

공정노동위원회는 AI 법률 자문을 사용한 사건들을 비판하며 해당 조언이 '명백한 잘못'이라고 규정했습니다. 최근 노동 관련 사건에서 AI 당사자들이 사용되면서 해당 위원회의 사건 수가 40퍼센트 급증했는데, 이는 생성형 AI가 사건 증가에 일부 책임이 있다고 보고되었습니다.

이러한 상황에서 AI를 법률 자문으로 활용한 사례가 주목받고 있는데, 한 전 ALDI 직원은 해고에 불복하는 과정에서 AI를 '준법률 자문'으로 사용하여 자신의 사건이 성공 가능성이 없음을 알면서도 소송을 진행했습니다. 노동위원회는 이 신청인이 자신의 AI 생성 답변을 제대로 읽었더라면 사건이 실패할 운명임을 알았을 것이라고 지적했습니다.

연구 결과에 따르면, AI 사용은 주로 젊은 층이나 스스로 소송을 진행하는 신청자들 사이에서 집중되었으며, 이들 중 40퍼센트가 AI를 사용했습니다. 특히 ChatGPT 사용자는 4분의 3이 무료 버전을 사용했으며, 비영어권 사용자는 원어민보다 두 배 더 AI를 사용할 가능성이 높았습니다.

이에 따라 노동위원회는 10월 20일부터 신청자들이 AI 사용 내역을 공개하도록 의무화하고, AI 의존적인 신청자를 돕기 위한 템플릿을 도입했습니다. 이는 AI가 사법 접근성을 개선할 수 있지만, 사용자들이 AI를 비판적으로 접근해야 한다는 점을 시사합니다.

Xbox 최고경영자 아샤 샤르마는 마틴의 "차세대 콘솔"을 의미하는 코드명인 프로젝트 헬릭스가 단일 기기가 아니라 여러 기기로 구성된 "장치 패밀리"라고 밝혔다. 이는 기존에 헬릭스가 하나의 콘솔을 암시하는 듯한 표현으로 언급되었던 것과는 달리, Xbox가 더 넓은 생태계를 목표로 하고 있음을 시사한다.

샤르마는 헬릭스가 어떤 형태의 콘솔이 될지에 대한 질문에 답하기 전에 이러한 내용을 공개했으며, 이 발표는 Microsoft가 하드웨어 중심에서 소프트웨어 및 서비스 중심의 생태계 구축에 중점을 두고 있음을 보여준다. 이와 함께 Microsoft는 물리적 게임을 디지털화하기 위한 프로그램을 발표하며 게임의 접근성과 라이브러리 관리에 대한 노력을 강화하고 있다.

또한 Microsoft는 2025년에 AMD와 전략적인 다년 파트너십을 발표하며 차세대 Xbox의 기술적 기반을 다지고 있다. 이러한 움직임은 개발자들이 향후 Xbox 생태계 내에서 다양한 기기와 플랫폼을 아우르는 게임 경험을 구축하는 데 중점을 두어야 함을 의미한다.

텍사스 입법자들이 자동차 보험료에 1달러를 추가하여 이 자금이 플록(Flock) 감시 카메라를 설치하는 데 사용되었습니다. 이 추가 요금은 촉매 변환기 절도와 같은 범죄를 억제하기 위한 목적으로 도입되었으나, 실제로는 이 자금이 텍사스 전역의 플록 감시 네트워크를 확장하는 데 사용되었습니다.

이 자금은 텍사스 교통 범죄 예방 당국(Motor Vehicle Crime Prevention Authority)을 통해 최소 3,200대의 플록 카메라를 설치하는 데 사용되었으며, 경찰 기관들이 차량 범죄 수사를 위해 카메라와 드론 등 감시 장비를 구매하고 유지하는 데 도움을 주는 보조금으로 지급되었습니다. 텍사스 공공안전부(DPS)는 추가로 1,200대의 카메라를 설치하기 위해 1,590만 달러를 지원받았습니다.

이러한 감시 카메라 설치는 범죄 조직을 저지하는 강력한 법 집행 도구로 간주되지만, 주지사 사무실은 최근 지역 보조금에 대한 모든 주 정부 자금 지원을 일시 중단했습니다. 주 정부 기관들은 이러한 자금이 플록 카메라에 사용될 수 없음을 명확히 밝히면서, 해당 자금의 대부분은 연방 정부에서 비롯된다고 설명했습니다.

POP-2는 ALGOL과 유사한 구문을 사용하지만, 평가 방식이 깊은 연결(concatenative)을 특징으로 하는 언어입니다. 이 언어는 명시적인 피연산자 스택 개념을 가지며, 모든 연산은 스택 머신에 의해 처리되어 값이 스택에 남겨지는 방식으로 평가됩니다.

이러한 스택 기반의 설계 덕분에 POP-2는 매우 우아하고 작게 구현될 수 있습니다. 컴파일러는 800줄 미만이며 메모리 사용량은 2.5kb에 불과하여 효율성이 매우 높습니다. 함수 호출이나 조건문(if/then/else)의 경우, 결과 값을 반환하거나 할당하는 대신 값을 스택에 쌓아두는 방식을 채택하여 프로그램의 흐름을 관리합니다.

변수와 배열은 16비트 시스템을 기반으로 하며, 메모리 주소 접근 시에는 `#` 접두사를 사용하고, I/O는 Varvara 호스트 시스템의 콘솔 포트를 통해 이루어집니다. 이는 POP-2가 어떻게 메모리 관리와 입출력을 처리하는지에 대한 구체적인 구현 방식을 보여줍니다.

결론적으로 POP-2는 전통적인 프로그래밍 방식에서 벗어나 스택 기반의 평가 모델을 통해 간결함과 효율성을 동시에 달성하려는 시도를 보여주는 흥미로운 사례입니다.

미국 여러 지역에서 플록(Flock) 공유 카메라 네트워크 계약이 기록적인 속도로 해지되고 있습니다. 방위 및 감시 반대 옹호 단체가 수집한 데이터에 따르면, 미국 지방자치단체들이 플록 카메라를 제거하는 추세가 가속화되고 있습니다.

미시간주 랜싱에서 텍사스주 플루거빌에 이르는 지역 사회들은 통제 불능의 감시, 원치 않는 데이터 공유, 높은 비용, 그리고 경찰이 해당 도구를 남용한다는 보고에 대한 우려 때문에 플록과의 관계를 종료하고 있습니다.

오클랜드에 기반을 둔 옹호 단체인 시큐어 저스티스(Secure Justice)는 2021년 이후 플록을 중단한 도시 및 카운티를 214곳으로 기록했습니다. 특히 2026년 8월에만 90곳이 플록과의 관계를 종료했는데, 이는 이전 달에 비해 네 배 증가한 수치입니다.

이러한 추세는 플록 시스템에 대한 지역 사회의 신뢰 문제와 데이터 프라이버시에 대한 인식이 커지고 있음을 보여줍니다. 이는 기술 기반 감시 시스템의 도입과 운영에 있어 지역 정부와 시민 사회가 중요한 결정권을 행사하고 있음을 시사합니다.