읽을 가치가 있는 기사만, 짧고 또렷하게.

LLM은 언어 생성기에서 복잡하고 장기적인 작업을 수행하는 자율 에이전트로 발전했습니다. 이러한 발전 과정에서 프롬프트 엔지니어링, 컨텍스트 엔지니어링, 하네스 엔지니어링, 루프 엔지니어링과 같은 패러다임이 등장했습니다. 그러나 작업이 복잡해질수록 개별 지능은 근본적인 한계에 직면합니다. 많은 작업은 이질적인 전문성, 상호 의존적인 하위 작업, 병렬 실행, 독립적인 검증, 그리고 지속적인 상태를 요구하며, 이는 단일 에이전트의 조직 능력을 초과합니다.

따라서 지능은 개별 에이전트의 능력이나 컨텍스트를 보강하는 것만으로는 해결되지 않으며, 대신 여러 전문 에이전트들로 지능을 분산하고 시스템 수준에서 조직해야 합니다. 이를 시스템 지능(System Intelligence)이라고 부르며, 에이전트 시스템이 여러 지능적 구성 요소를 일관되고 적응적인 전체로 조직하고 조정하는 능력을 의미합니다.

이러한 시스템 지능을 달성하기 위해서는 작업을 조직하고, 이질적인 에이전트를 조정하며, 진화하는 실행 상태를 유지하기 위한 명시적인 구조가 필요합니다. 이를 위해 새로운 패러다임인 그래프 엔지니어링(Graph Engineering)이 제시됩니다. 그래프 엔지니어링은 작업, 에이전트, 시스템 상태를 나타내는 명시적이고 동적이며 진화하는 그래프 구조를 구축합니다.

이러한 추상화는 복잡한 목표를 조직하고, 이질적인 에이전트를 조정하며, 시스템 역학을 모델링하고, 확장 가능한 에이전트 진화를 가능하게 하는 통합된 기반을 제공합니다. 그래프 엔지니어링은 LLM 에이전트를 위한 시스템 지능을 구현하는 데 필요한 방법론과 응용 분야를 체계적으로 검토합니다.

전자상거래 시나리오에서 실제 사용자 쇼핑 행동을 시뮬레이션하는 것은 오프라인 평가와 강화 학습에 필수적입니다. 최근 LLM 및 VLM 기반 시뮬레이터가 발전했음에도 불구하고 실제 브라우징 세션을 재현하는 데는 두 가지 주요 어려움이 존재합니다. 첫째는 메모리 문제로, 쇼핑 세션은 수십 페이지에 걸쳐 진행되지만 기존 에이전트는 장기 관찰 기록을 버리거나 단순히 연결하여 컨텍스트 창을 압도하고 시뮬레이션 품질을 저하시킵니다. 둘째는 최적화 문제로, 현재 사용자 시뮬레이터는 단계별 보상이나 모방을 통해 행동을 지도하지만, 그 결과로 나타나는 과도한 탐색이나 지나친 수동성과 같은 비현실적인 패턴을 감지하거나 수정하지 못합니다.

이러한 문제들을 해결하기 위해 저자들은 스크린샷을 통해 페이지를 인식하고 충실한 다중 턴 궤적을 생성하는 GUI 기반 시뮬레이션 에이전트인 RecVerse를 제시했습니다. RecVerse는 메모리 문제를 해결하기 위해 인지 기반의 계층적 메모리 구조를 채택했는데, 이는 단기 집중을 위한 작업 기억, 세션 내 흔적을 위한 에피소드 기억, 그리고 고차원적 의도를 위한 선호 기억으로 구성됩니다. 메모리 업데이트를 행동으로 취급하여 에이전트가 무엇을 기억하고 언제 기억할지 적응적으로 학습하도록 합니다.

또한 최적화 문제를 해결하기 위해 RecVerse는 전체 세션을 평가하는 궤적 수준의 강화 학습 목표로 최적화됩니다. 이를 통해 거시적인 행동 유형 분포와 미시적인 쇼핑 의도를 실제 사용자들과 일치시킵니다. 연구팀은 다중 턴 사용자 시뮬레이션을 위한 상호 작용적인 전자상거래 GUI 궤적 데이터셋인 USB(User Simulation Benchmark)를 추가로 공개했습니다. 실험 결과 RecVerse는 행동 충실도와 의도 일관성 모두에서 기존 기준 모델들을 크게 능가하는 것으로 나타났습니다.

모바일 기기에 비전-언어 모델(VLM)을 배포하는 것은 상당한 메모리와 컴퓨팅 요구 사항 때문에 어려운 과제입니다. 이에 본 연구는 자원이 제한된 하드웨어에서 효율적인 추론을 위해 VLMs를 양자화하는 프레임워크를 제시합니다. 이 접근 방식은 모델 자체를 사용하여 훈련 데이터를 생성하며 훈련 설정에 접근할 필요가 없는 양자화 파이프라인과 새로운 2.7비트-파라미터 형식을 결합합니다.

이 새로운 2.7비트-파라미터 형식은 Arm CPU에서 효율적인 실행을 지원하여 리소스 제약이 있는 환경에서 모델을 빠르게 구동할 수 있게 합니다. 연구진은 이 방법을 검증하기 위해 Llama 3.2 11B Vision Instruct 모델을 8비트 활성화(activations)를 사용하여 3.7GB로 압축했습니다.

압축 과정에서도 표준 시각 질문 응답(VQA) 작업에서 강력한 성능을 유지했으며, 이는 효율적인 모델 배포를 달성하면서도 모델의 성능을 보존할 수 있음을 입증합니다. 이 연구는 모바일 환경에서 대규모 VLM을 효율적으로 구동하기 위한 실질적인 방법을 제공합니다.

기존의 대규모 사전 학습 모델을 활용한 비디오 편집 방법들은 대부분 인플레이스 편집(in-place editing) 가정에 의존하여 고정된 시간 범위 내에서 프레임별로 비디오를 정렬합니다. 이러한 방식은 라이브 게임의 스타일 변경이나 진행 중인 샷에 카메라 움직임을 적용하는 것과 같이 열린 스트림(open-ended streams)에 적용하기 어렵습니다. 실제 편집은 정적인 입력 클립이 아닌, 도착하는 대로 미래 프레임까지 확장되어야 하는 상황이 발생합니다.

본 논문은 이러한 상황을 '무한 비디오 편집(infinite video editing)'으로 정의하고, 주어진 이전 세그먼트와 편집 요청에 따라 스트림을 계속 이어가면서 요청된 편집을 적용하는 모델 생성 작업을 연구합니다. 이 과정은 무한한 편집 지침이 도착하는 시퀀스로 반복됩니다. 이 작업은 편집이 프레임별 재작성이 아닌 충실한 연속이어야 하며, 누적되는 편집에도 생성 품질이 안정적으로 유지되어야 하는 두 가지 도전을 안고 있습니다.

이러한 문제를 해결하기 위해 연구진은 스트리밍 비디오 생성기에 무한한 편집 능력을 부여하는 경량 편집 어댑터인 InfinityEdit를 제안합니다. InfinityEdit는 히스토리 크로스 어텐션, 시간적 인과적 셀프 어텐션, 편집 크로스 어텐션의 세 가지 어텐션 모듈을 포함합니다. 추론 시 어댑터는 편집 요청이 도착하는 청크에만 활성화되며, 이후 청크들은 원본 모델이 리셋 앵커 프레임으로 생성하여 편집을 적용하면서도 모델의 무한한 생성 능력을 보존합니다.

광범위한 실험 결과, InfinityEdit는 각 편집에 따라 스트림을 충실하게 연속시키며 무한한 편집 시퀀스 전반에 걸쳐 안정성을 유지함을 입증했습니다. 이는 무한한 스트림 환경에서 편집을 수행할 때 생성 품질의 안정성을 확보하는 데 중요한 방법론을 제시합니다.

거대 언어 모델(LLM)의 안전성을 개선하는 과정은 종종 유용성(utility)을 희생시키는데, 이는 전역적으로 적용된 안전 튜닝이 유해한 입력뿐만 아니라 온건한 입력에 대한 모델 반응까지 영향을 미치기 때문입니다. 본 연구는 이러한 안전성과 유용성 간의 상충 관계를 해결하기 위해 연속 잠재 어댑터 라우팅(Continuous LatEnt Adapter Routing, CLEAR)이라는 조건부 안전 적응 프레임워크를 제안합니다.

CLEAR는 경량의 은닉 상태 게이트를 사용하여 안전 저차원 어댑터의 활성화 강도를 지속적으로 제어함으로써 유해한 완성은 줄이면서 고정된 백본(backbone)에 불필요한 변경을 피하여 온건한 프롬프트에 대한 성능 저하를 방지하는 것을 목표로 합니다. 이는 안전성 확보와 모델 성능 유지라는 두 가지 목표를 동시에 달성하고자 합니다.

다양한 안전 및 유용성 벤치마크 실험 결과, CLEAR는 전역적 안전 튜닝(SFT 또는 표준 LoRA)에서 관찰되는 유용성 저하를 줄이면서 HarmBench에서의 견고성을 향상시켰습니다. 특히 Llama-3-8B-Instruct 모델에서 CLEAR는 HarmBench ASR을 32.3%에서 0.5%로 감소시켰으며, 기본 모델의 유용성을 대부분 유지하면서 전역적 방법보다 최대 7.1퍼센트 포인트 더 높은 GSM8K 정확도를 달성했습니다.

이러한 결과는 CLEAR가 LLM 정렬에서 안전성과 유용성의 균형을 개선하는 데 유망한 메커니즘임을 시사합니다. 개발자는 CLEAR를 통해 모델 안전성을 높이면서도 모델의 핵심 성능을 보존할 수 있는 방법을 찾을 수 있습니다.

성숙 과정에서 중요한 세 가지 깨달음을 정리한 글입니다. 첫째는 자신의 보상 구조를 이해하고 모든 생각을 맹신하지 않는 것입니다. 개인의 행동과 믿음은 자기 이익을 충족시키려는 욕구에 의해 형성되므로, 자신의 행동에 대한 서사를 구성할 때 자신이 영웅이 되려는 욕구와 기본적인 욕구를 동시에 만족시키려 한다는 점을 인식해야 합니다. 따라서 자신의 신념과 행동에 대해 비판적으로 검토하고, 자신이 이 이야기 속에서 악당이 될 가능성은 없는지 숙고하는 것이 중요합니다.

둘째, 단일 원인 결정론은 컴퓨터 디버깅 영역을 제외하고는 환상이며, 모든 것은 확률적이고 다원인적이라는 점입니다. 이는 컴퓨터 과학자들이 확률이나 경험적 근거 없이도 많은 것을 성취할 수 있었던 배경이 되며, 모델 정렬과 같은 분야에서도 완벽하게 정렬된 모델조차 추론 과정에서 무작위적인 비트 플립의 영향을 받을 수 있음을 시사합니다. 따라서 시스템을 이해할 때 결정론적 사고에서 벗어나 다중 원인과 확률적 행동을 고려해야 합니다.

마지막으로 이성 대 감정의 이분법은 신경과학이나 논리에 근거하지 않은 문화적 구성물입니다. 감정적 가치 부여는 의사 결정 기계의 일부이며, 정보를 더 많이 활용하여 결정을 내릴 때 감정을 배제하는 것은 오히려 결정의 질을 떨어뜨릴 수 있습니다. 따라서 의사 결정에 감정을 포함한 모든 정보를 통합하는 것이 현명한 접근 방식이라는 점을 이해해야 합니다.

전기 스쿠터를 원격으로 잠금 해제하는 시스템은 복잡한 암호화나 희귀한 암호학적 결함이 아닌, 사용자 인증 및 권한 관리의 취약점에서 공격이 발생했습니다. 공격자는 도메인 열거를 통해 워드프레스 마케팅 사이트와 운영자 패널을 발견하고, 이를 통해 사용자 정보를 확보했습니다.

이후 공격자는 사용자 ID를 확인한 뒤 반복적인 로그인 시도(무차별 대입 공격)를 통해 운영자 계정의 비밀번호를 알아냈습니다. 이 과정에서 속도 제한(rate limiting)이 없었기 때문에, 단 하나의 사용자 정보와 추측 가능한 비밀번호만으로도 시스템에 접근할 수 있었습니다.

성공적으로 인증을 획득한 후, 공격자는 관리자 권한(Level 1000)을 가진 JWT 토큰을 얻었고, 이 토큰은 약 950일 동안 유효했습니다. 이 권한을 이용하여 공격자는 차량 위치, 도킹 스테이션, IoT 장치 목록, 심지어 원격 잠금 해제 명령까지 실행할 수 있는 운영 패널에 접근했습니다.

결론적으로, 이 취약점은 워드프레스의 사용자 노출, 취약한 비밀번호, 그리고 권한 분리 부족이라는 여러 문제들이 쌓여 발생한 것입니다. 단 하나의 관리자 자격 증명만으로도 물리적 하드웨어 제어권을 획득할 수 있었으며, 이는 무단 차량 사용, 사기, 운영 손실 및 물리적 위험으로 이어질 수 있습니다.

자체 호스팅된 샌드박스 에이전트 소프트웨어 공장을 구축하는 실험에 대한 내용입니다. 한 프롬프트만으로 저장소 생성, 애플리케이션 및 테스트 코드 작성, CI 파이프라인 설정, 데이터베이스 프로비저닝, 그리고 HTTPS를 통한 배포까지 모두 자동화하여 완료했습니다. 이는 LLM이 개발 프로세스 전체를 자율적으로 수행하도록 하는 에이전트 개발의 가능성을 보여줍니다.

이 시스템은 LLM을 신뢰하는 대신 구조적으로 격리하는 것을 목표로 하며, Docker와 Coolify를 기반으로 Forgejo, Hermes, Tailscale, Let's Encrypt 등의 도구를 사용하여 모든 개발 환경을 자체 서버에 구축했습니다. 이 설정은 네트워크 접근을 차단하고 외부 공격 표면을 최소화하여 보안을 강화하는 데 중점을 둡니다.

하지만 완전한 자율성을 달성하는 과정에서 보안과 격리 사이에는 항상 상충 관계가 존재합니다. 에이전트가 API 키를 사용하거나 외부 요청을 수행할 경우, 시스템 내의 데이터나 자원을 손상시킬 수 있는 잠재적 위험이 있습니다. 따라서 개발 환경을 격리하고 자원을 보호하기 위해 접근 권한을 최소화하고 정기적으로 키를 회전하는 등의 추가적인 보안 조치가 필수적입니다.

향후 실험에서는 이 시스템을 별도의 VLAN에 배치하고 접근을 명시적으로 차단하며, 모든 자원에 대한 승인 게이트를 도입하여 자율성과 안전성 사이의 균형점을 찾는 것이 다음 단계가 될 것입니다.

오마콤 재단이 8백만 달러를 유치하며 설립되었습니다. 이 재단의 목표는 미래의 가변적인 컴퓨터를 더 폭넓게 보급하고 사람들이 컴퓨터와 관계 맺는 방식을 근본적으로 변화시키는 것입니다.

오마콤 재단은 이 임무를 지원하고 가속화하기 위해 설립되었으며, 상표권을 보유하고 인프라를 자금 지원하며 오픈 소스 프로젝트와 개발자들을 지원하는 역할을 수행합니다. 이 자금은 8명의 설립 후원자가 각 1백만 달러씩 기부함으로써 마련되었습니다.

이 후원자들은 Shopify의 Tobi Lütke, Stripe의 Patrick Collison, Dell Technologies의 Michael Dell, Block의 Jack Dorsey, Cloudflare의 Matthew Prince, Sesame 및 Oculus의 Brendan Iribe, 37signals의 Jason Fried 등 주요 기술 기업의 리더들로 구성되어 있습니다. 이들의 기부는 미래 컴퓨팅에 대한 비전을 실현하고 리눅스 데스크톱의 해를 이루겠다는 목표를 뒷받침합니다.

Ox Alpha는 코딩, 지속적인 에이전트 작업, 그리고 실제 생산 환경 워크로드에 최적화된 추론 모델입니다. 이 모델은 장기적인 소프트웨어 엔지니어링과 복잡한 추론, 그리고 텍스트와 시각적 맥락을 결합하는 워크플로우에 적합하도록 설계되었습니다.

Ox Alpha는 텍스트뿐만 아니라 이미지와 비디오를 입력으로 받아 텍스트를 출력할 수 있는 멀티모달 기능을 지원합니다. 컨텍스트 창은 1,048,576 토큰으로 매우 넓으며, 최대 출력 토큰은 131,072 토큰입니다. 이는 복잡하고 광범위한 정보를 처리하는 데 유리한 환경을 제공합니다.

이 모델은 제3자 제공업체가 운영하는 스텔스 모델로, OpenRouter를 통해 OpenAI와 호환되는 API로 접근할 수 있습니다. 사용자는 프롬프트 및 완료 토큰에 대해 비용이 발생하지 않아 무료로 사용할 수 있습니다. 성능 지표는 P50 레이턴시가 1.02초이고 처리량은 68 tps이며, 최근 3일간의 가용성은 99.99%를 기록했습니다.

투자자들은 사업의 재정적 현실을 이해하는 창업자를 원합니다. 데이터가 불분명하거나 지표가 오해되거나 자금이 거의 바닥날 때까지 펀딩을 미루는 것은 창업자의 레버리지, 가치 평가, 심지어 투자 조건까지 손해를 입힐 수 있습니다.

이러한 재정적 이해는 투자 유치 과정에서 매우 중요한 요소로 작용합니다. 명확하지 않은 데이터나 잘못된 지표는 투자자들이 사업의 잠재력을 제대로 평가하는 데 방해가 되며, 이는 최종적으로 기업이 확보할 수 있는 가치에 직접적인 영향을 미칩니다.

사샤 오를로프(Sasha Orloff)는 퍼즐(Puzzle)의 창업자이자 CEO로서 이러한 현실적인 재정 관리가 어떻게 투자 유치에 결정적인 영향을 미치는지에 대해 논의했습니다. 투자자들은 단순히 아이디어뿐만 아니라 명확하고 정리된 재무 정보를 바탕으로 사업의 지속 가능성과 성장 잠재력을 판단하기를 원합니다.

따라서 창업자는 재무 데이터를 명확히 하고 올바른 지표를 이해하여 투자자들에게 사업의 재정적 현실을 효과적으로 전달해야 합니다. 이는 투자 유치 과정에서 유리한 협상 위치를 확보하고 적절한 가치 평가를 받는 데 필수적입니다.

구글 픽셀 11은 사소한 업그레이드에도 불구하고 큰 흥분을 유발하지 못했지만 여전히 완성도 높은 안드로이드 스마트폰으로 평가받고 있습니다. 이번 리뷰는 픽셀 11에 적용된 개선 사항들이 사용자들에게 큰 변화를 제공하기보다는 점진적인 향상에 그쳤음을 지적합니다.

이러한 점진적인 개선에도 불구하고 픽셀 11은 여전히 뛰어난 안드로이드 경험을 제공하는 기기로 자리매김하고 있습니다. 이는 하드웨어의 큰 변화 없이 소프트웨어 및 사용자 경험 측면에서 안정적인 품질을 유지하고 있음을 의미합니다.

결론적으로 픽셀 11은 혁신적인 기능 추가보다는 기존의 완성도를 유지하고 발전시키는 데 중점을 두었으며, 이는 구글의 픽셀 라인업이 기술적 혁신보다는 일관된 사용자 경험 제공에 집중하고 있음을 보여줍니다.

웹 스크래핑 봇을 스크롤 행동을 통해 감지하는 방법에 대한 논의가 이루어졌습니다. 이 기사는 자동화된 봇과 실제 사용자를 구분하기 위해 사용자의 스크롤 패턴을 분석하는 기술적 접근 방식을 다루고 있습니다.

자동화된 스크래퍼 봇은 일반적으로 인간 사용자와는 다른 비정상적인 스크롤 속도나 패턴을 보입니다. 따라서 웹사이트는 이러한 행동 패턴을 분석하여 봇의 존재를 식별하고 차단하는 데 활용할 수 있습니다.

이러한 스크롤 행동 분석은 웹사이트의 보안과 데이터 무결성을 유지하는 데 중요한 역할을 합니다. 봇의 접근을 방지함으로써 불필요한 데이터 수집을 줄이고 서비스의 안정성을 높일 수 있습니다.

AI를 활용한 코딩(Vibecoding)은 직접 코드를 작성하는 것만큼 재미있지는 않다는 주장이 제기되었습니다. AI는 아이디어를 빠르게 프로토타입으로 만들 수 있게 하여 즉각적인 도파민을 제공하지만, 이는 실제 결과물을 만들어내는 과정에서 오는 깊은 만족감과는 차이가 있다는 것입니다.

글쓴이는 무언가를 구축할 때 얻는 만족감은 아이디어의 흥분, 아이디어를 현실화하는 과정, 고난도 성취감, 잘 해냈다는 만족감, 학습, 그리고 문제를 해결했다는 만족감 등 여러 차원에서 발생한다고 설명합니다. 반면, AI를 이용한 코딩은 이러한 만족감의 대부분을 앞당기지만, 직접 코드를 작성하며 겪는 고군분투와 성취감은 부족하다고 지적합니다.

직접 코딩은 때로는 비효율적이고 고통스러울 수 있지만, 이는 장기적으로 더 깊은 성취감과 '내가 해냈다'는 느낌을 제공하는 '제2의 재미'로 이어진다고 분석합니다. AI는 시간과 노력을 절약해 주지만, 사용자가 결과물에 대한 통제력을 잃고 현실과 시스템 사이에 불확실성을 만들어내며, 결과에 대한 신뢰 대신 '블랙박스'에 의존하게 만들 위험이 있습니다.

결론적으로 AI 코딩은 생산적일 수는 있으나, 사용자가 현실과 직접적으로 상호작용하며 구축하는 과정에서 얻는 심리적 만족감과 관계 형성의 측면에서는 직접 코딩보다 덜 만족스럽다는 것입니다.

OpenAI가 비즈니스 사용자 측면에서 Anthropic을 추월하고 있다는 새로운 데이터가 발표되었습니다. 기업 지출 관리 회사인 램프(Ramp)가 공개한 자료에 따르면, OpenAI는 이달 5월에 Anthropic을 앞서던 리드를 잃었으나, 7월 현재는 Anthropic이 거의 44%, OpenAI가 거의 40%의 시장 점유율을 차지하고 있습니다. 이 데이터는 램프를 통해 지불하는 기업 카드 및 경비 관리 제품을 사용하는 7만 개 이상의 미국 기업을 대상으로 합니다.

최근 데이터에 따르면, OpenAI는 현재 3분기 동안 이 부문에서 Anthropic보다 더 빠르게 성장하고 있는 것으로 나타났습니다. 이는 두 회사가 시장 점유율을 놓고 경쟁하는 와중에도 전체 시장이 확장되고 있기 때문에 양사 모두 비즈니스 수익을 늘리고 있음을 시사합니다. 다만 램프는 실제 지출 금액 대신 비율만을 공유했기 때문에 전체 시장 규모나 실제 지출액을 측정하는 데는 한계가 있습니다.

또한, 엔터프라이즈 AI 지출의 지속성(stickiness)에 대한 불확실성이 존재합니다. 각 연구소가 새로운 모델을 출시하면서 변동성이 발생하고 있으며, 이는 투자자들에게 기업 AI 지출의 실제 지속성에 대해 숙고할 필요가 있음을 보여줍니다. Anthropic이 Fable 모델에 대해 데이터 보존 기간을 요구하며 논란을 일으킨 것처럼, 규제와 가격 요건이 AI 모델 사용에 미치는 영향도 고려해야 합니다.

RSS 공동 창시자인 아론 스워츠가 JSTOR에서 학술 논문 약 70GB를 다운로드한 사건과 Meta가 AI 학습용으로 해적판 도서 약 80TB를 토렌트로 확보한 사건은 법적 대응의 격차를 명확히 보여줍니다. 스워츠는 이러한 행위로 인해 최대 징역 35년과 100만 달러 벌금, 그리고 자산 몰수 가능성에 직면했습니다.

이러한 사례는 데이터 접근과 사용에 대한 법적 책임이 개인과 거대 기업 간에 얼마나 불균형하게 적용되는지를 드러냅니다. 스워츠의 경우 학술 자료 접근이라는 맥락이 있었으나, Meta의 경우 AI 학습이라는 상업적 목적이 개입되어 법적 제재의 강도와 범위에 차이가 발생했습니다.

결국 이 사건들은 데이터 스크래핑과 불법 복제 행위에 대한 법적 대응이 개인과 기업에 따라 상이하며, 특히 대규모 데이터 활용에 대한 규제와 책임 설정에 있어 중요한 격차가 존재함을 시사합니다. 이는 개발자와 기업이 데이터 활용 시 법적 위험과 윤리적 책임을 고려해야 함을 강조합니다.

ChatGPT가 새로운 애플 메시지 플러그인을 통해 사용자의 텍스트를 대신 전송할 수 있게 되었습니다. 이 플러그인은 사용자가 메시지 인박스와 챗봇을 연결하여 메시지를 정리, 분석, 편집할 수 있게 하며, 코덱스 및 ChatGPT 워크와 연동하여 전문적인 용도로 활용할 수 있도록 지원합니다. 사용자는 챗봇에게 이전 날 받은 메시지를 기반으로 연락처에 대한 후속 메시지를 제안받거나, 메시지를 삭제하거나, 대신 초안을 작성하고 전송하는 등의 작업을 요청할 수 있습니다.

이러한 기능은 사용자의 디지털 커뮤니케이션 경험을 크게 확장할 수 있지만, AI 관련 기능에서 발생하는 개인 정보 보호 문제가 제기됩니다. 오픈AI는 이 플러그인이 사용자의 기기에서 로컬로 실행되며 모든 메시지의 인덱스를 생성하지 않는다고 밝혔습니다. 하지만 메시지 전송 기능과 관련하여 오픈AI는 사용자가 메시지를 검토할 최종 기회를 제거할 수 있으므로 지속적인 승인 기능을 켜지 않도록 권고하고 있습니다.

따라서 사용자는 이 새로운 기능을 활용할 때 데이터 처리 방식과 메시지 전송에 대한 최종 통제권을 신중하게 고려해야 합니다. 이처럼 강력한 AI 기능을 도입함에 따라 사용자들은 메시지 데이터의 로컬 처리와 전송 승인 메커니즘에 대한 구체적인 이해가 필요합니다.

중국에서 가장 인기 있는 휴머노이드 로봇 및 로봇 강아지의 미국 유통업체인 RoboStore가 미국 정부의 로봇에 대한 규제 강화에 따라 자체 생산 계획을 추진합니다. 이 회사는 현재 뉴욕주 롱아일랜드에 시설을 마련하여 자체적으로 로봇을 생산할 계획을 가지고 있습니다.

RoboStore는 이전까지 중국 로봇 회사인 Unitree Robotics의 휴머노이드 및 사족 보행 로봇을 북미 지역의 주요 유통업체로 담당했습니다. 이 로봇들은 하버드, MIT와 같은 대학 및 아마존, 엔비디아와 같은 기술 기업들이 연구 개발 목적으로 구매하여 사용했습니다.

RoboStore의 창립자이자 CEO인 테디 해거티는 이미 1,500대 이상의 로봇을 판매하고 시스코, OpenAI, 엔비디아, 150개 이상의 대학 등 고객들과 협력했다고 밝혔습니다. 이러한 생산 전환은 미국 정부의 외국산 로봇에 대한 규제 강화라는 배경 속에서 이루어지고 있습니다.

구글이 곧 디스커버 피드를 사용자가 원하는 대로 맞춤 설정할 수 있는 기능을 도입합니다. 이 새로운 기능은 인공지능(AI)을 사용하여 사용자가 원하는 콘텐츠를 설명하면 피드를 자동으로 조정하고 향후 방문 시 선호도를 기억하는 방식으로 작동합니다.

이 기능은 곧 구글 앱에 적용될 예정이며, 사용자는 디스커버 피드의 점 세 개 메뉴에서 이 옵션을 찾을 수 있습니다. 해당 기능을 탭하면 챗봇 스타일의 인터페이스가 열리며, 사용자는 원하는 내용을 설명하여 선호도를 제시할 수 있습니다.

챗봇은 사용자의 선택을 확인하고 우선순위를 정하여 콘텐츠 유형을 제시하지만, 필요에 따라 추가 정보를 제공할 수도 있습니다. 이는 사용자가 수동으로 설정을 조정하는 대신 AI 기반의 자동화된 개인화 경험을 제공하는 것을 목표로 합니다.

유럽은 아리안 6 로켓의 계획된 업그레이드를 취소했습니다. 이는 로켓이 성공적으로 발사된 이후 비용 문제로 인해 향후 개발 계획에 차질이 생겼음을 시사합니다.

아리안스페이스는 아리안 6 로켓의 발사 비용에 대해 공개하지 않았으며, 이러한 높은 비용이 미래 계획에 걸림돌이 되고 있습니다. 아리안 6은 저궤도로 20미터톤 이상의 짐을 실을 수 있으며, 유럽의 과학자들과 계획가들은 미국 로켓들과 비교했을 때 훨씬 더 순조로운 발사 과정을 달성했습니다.

이는 블루 오리진의 뉴글렌이나 유나이티드 launch Alliance의 벌칸과 같은 미국 로켓들이 상당한 성장통을 겪었던 것과 대조적입니다. 따라서 유럽은 성공적인 초기 운영에도 불구하고 비용 문제로 인해 로켓의 미래 발전을 위한 업그레이드를 중단하기로 결정했습니다.