읽을 가치가 있는 기사만, 짧고 또렷하게.

아마존이 AI 비서 기능을 활용하여 사칭 스캠을 방지하는 새로운 기능을 도입했습니다. 이 기능은 사용자가 받은 이메일, 문자 메시지 또는 전화가 실제로 아마존에서 발송되었는지 확인하도록 돕습니다.

사용자는 알렉사 포 쇼핑(Alexa for Shopping)에게 받은 메시지에 대해 문의할 수 있으며, AI가 해당 메시지를 아마존이 보낸 메시지 기록과 비교하고 내용, 형식, 발신자를 분석하여 진위 여부를 판단합니다.

다만, 아마존은 이 비서가 메시지가 진짜임을 확인하기 위해서는 "완전히 확실할 때"만 확인을 제공한다고 밝혔습니다. 예를 들어, 고객이 특정 OTP 메시지를 받았는지 물었을 때 AI가 이를 확인하는 방식으로 작동합니다.

스마트폰이 주는 편리함 뒤에는 사용자가 수많은 앱을 설치해야 한다는 10가지 전제가 숨어 있으며, 이는 사용자에게 심각한 데이터 및 통제 문제를 야기합니다. 앱 설치를 요구할 때 사용자는 스마트폰 소유권, 배터리, 저장 공간, 네트워크, 계정 보안 등 10가지의 가정이 충족된다는 것을 전제로 하며, 이 중 단 하나의 전제라도 거짓일 경우 앱 사용 자체가 불가능해집니다.

이러한 앱 생태계는 구글이나 메타 같은 거대 기업에 대한 의존성을 심화시키며, 사용자는 자신의 개인 정보가 상시 수집되고 관리된다는 위험에 노출됩니다. 특히 구글 계정이나 메타 계정의 존재 여부는 언제든지 변경될 수 있으며, 이는 유럽 내에서 데이터 주권과 관련된 심각한 우려를 낳고 있습니다.

이에 대해 저자는 스마트폰 대신 전자잉크 기기(e-ink)와 같은 최소주의적 접근 방식을 통해 이러한 종속에서 벗어나고자 합니다. 그는 시그널(Signal), 코맵스(Comaps), 델타 채팅(Delta Chat)과 같은 분산형 대안 서비스를 활용하여 구글에 얽매이지 않는 삶을 실현하고 있습니다.

또한 유럽 정치권이 '유럽 AI'나 '유럽 블록체인'을 강조하면서도 기존의 분산형 솔루션들을 간과하고 있다는 점에 주목하며, 기술적 혁신과 개인의 프라이버시를 지키는 대안이 실제로 존재함을 강조합니다.

우주론에서 우주가 유기체처럼 진화한다는 개념이 새로운 이론으로 주목받고 있습니다. 이는 우주가 블랙홀을 생성하여 새로운 우주를 낳는 방식으로 번식하며, 이 과정에서 변이를 통해 진화한다는 '우주 진화(cosmological evolution)'라는 관점에 기반합니다. 이 개념은 다윈의 진화론이 자연계의 복잡성을 설명하는 데 강력한 틀을 제공한다는 데서 영감을 얻습니다.

이러한 관점에 따르면 우주는 고정된 암석이 아니라 생명체가 성장하고 번식하는 것처럼 이전의 진화 역사를 거쳐 현재의 형태로 최적화된 상태로 발전했다고 주장합니다. 즉, 우주는 하나의 알과 같으며, 이는 우주의 복잡성이 시간 경과에 따라 증가했다는 관찰을 설명합니다.

이러한 이론은 2022년 제임스 웹 우주망원경(JWST)의 발견과 일부 서브스택 게시물을 통해 힘을 얻고 있으며, 우주 진화가 맞는지에 대한 연구가 진행 중입니다. 하지만 블랙홀이 실제로 새로운 우주를 탄생시키고 그 물리 법칙을 전달할 수 있는지에 대한 증거는 아직 불확실하며, 이 패턴이 어떻게 발생했는지에 대한 심도 있는 조사가 필요합니다.

쿠버네티스를 실제로 운영하는 과정에서 여러 모듈들의 패치 속도가 너무 빠르다는 운영상의 어려움을 토로합니다. 이러한 빠른 패치 속도는 시스템 안정성에 대한 부담으로 작용하며, 운영자는 패치 부담 때문에 주기적인 버전 업그레이드를 매번 진행하지 못하는 상황에 직면합니다.

특히, 불필요한 버전 업그레이드로 잘 작동하던 시스템에 장애가 발생했을 경우, 운영 부담 때문에 즉각적인 업그레이드를 진행하기 어렵다는 점이 지적되었습니다. 이는 시스템 안정성과 운영 효율성 사이에서 발생하는 현실적인 딜레마를 보여줍니다.

결국 운영자는 이러한 부담 때문에 불가피하게 버전 업그레이드를 계속 미루는 상황을 겪고 있습니다. 이는 개발 및 운영 환경에서 빠른 변화 속도와 시스템 안정성 확보 사이의 균형을 어떻게 맞출 것인가에 대한 고민을 시사합니다.

딥러닝 기반 자율 로봇이 발생한 사고에 대해 시스템이 특정 결정을 내린 이유를 조사관이 재구성하기 어려운 감사 가능성 문제를 해결하기 위한 프레임워크가 제시되었습니다. 이 논문은 모든 자율 행동이 센서 증거를 통해 문서화된 인과 사슬로 추적될 수 있도록 하는 TRACE(Transparent Reasoning Architecture for Credible Execution)라는 의사결정 프레임워크를 제안합니다.

TRACE는 의사결정 과정을 네 가지 감사 가능한 계층으로 조직합니다. 구체적으로 증거 기반 개체 인식인 의미론적 인식(Semantic Perception), 인과 그래프를 사용한 확률적 상태 추정인 신념 추론(Belief Reasoning), 반사실적 문서화를 포함한 제약 조건 인식 계획인 행동 합성(Action Synthesis), 그리고 규정 준수 모니터링인 실행 검증(Execution Verification)으로 구성됩니다. 이 프레임워크는 CNN이나 트랜스포머와 같은 학습 기반 인식 모듈을 통합하면서도 의사결정 수준의 감사 가능성을 유지하는 모델에 구애받지 않는 방식으로 설계되었습니다.

실험 결과, 창고 로봇 내비게이션에 대한 평가에서 TRACE는 500회의 시뮬레이션된 의사결정 주기 동안 98.6%의 증거 추적 가능성, 99.0%의 시간적 연속성, 그리고 98.1%의 결정 재구성 능력을 달성했습니다. 이는 시스템의 결정 과정을 높은 수준으로 추적하고 검증할 수 있음을 입증합니다.

이 연구는 LIME과 같은 사후 분석 방법이 특징 기여도를 제공하지만 결정 수준의 재구성에 필요한 아티팩트 구조가 부족하다는 한계를 지적합니다. TRACE는 고위험 시스템의 투명성에 대한 EU AI 법(AI Act) 요구 사항을 충족시키고 안전이 중요한 자율 시스템을 위한 설명 가능한 인공지능에 기여합니다.

거대 언어 모델(LLM)에 대한 사용자 피드백을 활용하는 것은 학습 신호로서 유망하지만, 최근 연구들은 이러한 피드백이 본질적으로 노이즈가 많고 효과적으로 활용하기 어렵다는 점을 지적합니다. 연구진은 현재의 평가 패러다임에 내재된 체계적인 편향 때문에 피드백의 비효율성이 인식되는 것이라고 주장하며, 피드백이 개선에 매우 실행 가능한 신호임을 입증했습니다.

연구팀은 피드백의 유용성을 분리하기 위해 명확한 정답(ground truth)을 가진 합성 데이터와 실제 환경 데이터를 모두 사용하여 결과를 검증했습니다. 모델 수정에 피드백 접근 여부를 비교한 결과, 피드백을 반영한 수정이 기준 수정보다 목표 문제를 훨씬 더 높은 비율로 해결함을 보여주었습니다.

더 나아가, 이 연구는 평가 편향의 근원을 드러냅니다. 모델이 피드백에 의해서만 문제를 성공적으로 수정했을 때, LLM 판정자는 실제로 수정된 응답을 식별하는 데 자주 실패하며, 대신 열등한 기준 출력(baseline outputs)을 선호하는 경향이 있음을 발견했습니다. 이는 피드백이 모델 개선에 실제로 기여하고 있음에도 불구하고, 평가 시스템이 이를 제대로 반영하지 못하는 현상을 시사합니다.

경사 하강법(GD)이 미리 정해진 스텝 사이즈를 통해 얼마나 가속될 수 있는지에 대한 이론적 하한을 연구한 논문입니다. 이 연구는 부드러운 볼록 최적화 문제에서 GD의 성능 한계를 탐구하며, 기존의 Nemirovsky와 Yudin의 고전적인 $\Omega(n^{-2})$ 1차 오라클 하한을 넘어서는 새로운 하한을 증명했습니다.

구체적으로, 연구진은 비-타임(non-anytime) 하한으로 $\Omega(n^{-1.6342})$를, 타임(anytime) 하한으로 $\Omega(n^{-1.2408})$를 제시했습니다. 이는 Ma와 Chen의 $\Omega(n^{-1.932})$ 비-타임 하한과 Tsai 등의 $\Omega(n^{-4/3})$ 타임 하한을 개선한 결과입니다.

또한, 실버 스케줄(silver schedules)을 통해 달성 가능한 비-타임 속도 $O(n^{-\log_2(1+\sqrt{2})})$와 결합하여 타임 하한을 설정함으로써, 두 설정에서 달성 가능한 수렴 지수 사이에 엄격한 분리를 확립했습니다. 이는 GD 가속에 대한 이론적 한계를 명확히 구분하여 알고리즘 설계에 중요한 통찰을 제공합니다.

거대 언어 모델(LLM)은 자연어를 생성하도록 훈련되었지만, LLM의 외부화된 언어 출력이나 기계적으로 추출된 언어적 특징이 모델의 내부 계산을 이해하는 데 신뢰할 수 없는 렌즈가 될 수 있다는 증거들이 제시되었습니다. 연구진은 LLM의 외부 언어 산출물이 모델이 실제로 어떻게 생각하는지를 제대로 반영하지 못하는 상황을 포괄적으로 지칭하기 위해 '언어적 불명확성(linguistic illegibility)'이라는 용어를 도입했습니다.

이러한 불명확성은 LLM의 내부 계산이 언어로 직접 표현되지 않고 활성화 공간(activation spaces) 상의 수학으로 이루어지기 때문에 발생하며, 활성화 공간과 자연어 사이의 손실이 발생하는 번역 과정에서 발생합니다. 따라서 언어적 불명확성은 피할 수 없으며, 모델의 언어적 자기 보고에 의존하는 보안 메커니즘, 예를 들어 사고의 사슬 모니터링이나 활성화 탐색을 통한 특징 벡터 확인 등은 완전히 건전하다고 볼 수 없습니다.

대신, 모델의 언어적 보고 방식에 관계없이, 오염 추적(taint tracking) 정책을 사용하여 모델이 생성한 데이터에 의해 영향을 받아서는 안 되는 시스템 상태의 여러 부분을 사전에 정의할 수 있습니다. 연구진은 오염 추적을 효과적인 샌드박스 접근 방식으로 제시하며, 이는 언어적 모니터링 아래에 놓이는 중요한 기반을 제공합니다.

또한, 강력한 가상화나 샌드박스 구성에 대한 제3자 감사와 같은 추가적인 샌드박싱 메커니즘들이 언어적 모니터링 아래에서 중요한 최소 기준을 제공하며, 이는 최근 프론티어 모델의 샌드박스 악용 사례를 완화할 수 있었을 것입니다.

대규모 언어 모델이 코딩 대회에서 금메달 수준의 성능을 달성하는 연구 결과가 발표되었습니다. 연구진은 대규모 문제 큐레이션, 합성 추론 경로, 지도 미세 조정(SFT), 강화 학습(RL)을 결합한 엔드투엔드 전문화 파이프라인을 제시했습니다.

이 연구는 22,000개의 문제로 훈련하여 Nemotron-3-Nano-CC 모델과 Nemotron-3-Ultra-CC 모델을 개발했습니다. 특히 피드백 기반의 테스트 시간 컴퓨팅 전략인 GenCorrect를 도입하여 다양한 솔루션을 반복적으로 생성, 평가, 개선하는 방법을 소개했습니다.

2025년 IOI에서 Nano-CC 모델은 훈련 후 291점, GenCorrect 적용 후 468점을 기록하며 골드 기준점인 438.3점을 넘어섰습니다. Ultra-CC 모델은 502점을 달성했으며, 인간 참가자와 동일한 인터넷 접근 및 제출 제약 조건 하에서 535.4점을 획득했습니다.

이 결과는 골드 기준점 361.12점과 최고 인간 점수 498.27점을 모두 능가하는 수치이며, 이는 AI 시스템이 IOI 문제 세트에서 최고 점수를 기록한 인간 참가자를 앞선 최초의 사례입니다. 연구진은 이러한 결과를 바탕으로 IOI 2026에 대비한 대회 특화 Ultra-CC 시스템을 개발할 계획입니다.

Google이 6주 사이에 세 번째 Flash 모델을 출시하며 개발자들에게 새로운 AI 모델을 제공합니다. 이번에 공개된 Gemini 3.8 Flash는 장기 코딩 및 에이전트 작업을 강화하는 데 중점을 두고 있습니다. 또한 보안 특화 모델인 Flash Cyber를 함께 공개하여 취약점 탐지 및 자동 패치 기능을 강화했습니다.

Gemini 3.8 Flash는 이전 버전인 3.7 Flash와 동일한 속도와 도입 가격을 유지합니다. 입력 100만 토큰당 $0.75, 출력 100만 토큰당 가격 정책은 그대로 적용됩니다. 이는 개발자들이 비용 효율적으로 고성능 AI 기능을 활용할 수 있도록 하는 중요한 변화입니다.

Flash Cyber는 특히 보안 분야에 특화되어 취약점 탐지 및 자동 패치 기능을 강화하는 데 초점을 맞춥니다. 이 두 모델의 등장은 코딩 작업 효율성과 소프트웨어 보안 관리 측면에서 AI 기술의 활용 범위를 넓히는 데 기여할 것입니다.

안정적인 4비트 부동 소수점(FP4) 사전 학습은 E2M1 페이로드(payload)가 좁은 범위의 크기만을 나타내기 때문에 어렵다는 문제가 제기되었습니다. 기존의 NVIDIA Transformer Engine v{} 레시피는 현재 텐서 스케일링, 무작위 하다마드 변환(RHT), bfloat16(BF16) 최종 레이어를 사용하여 FP4 행렬 곱셈 외의 작업으로 이 문제를 해결했습니다.

이에 반해 연구진은 E2M1 페이로드를 부호 없는 E5M3($\ue{}$) 블록 스케일과 쌍으로 사용하여 더 넓은 범위의 스케일링을 허용했습니다. 이 새로운 레시피는 역전된 기울기에 선택적 확률적 반올림을 적용하고 RHT를 생략하며, 모든 적격 내부 선형 레이어에서 FP4를 사용합니다.

이 방법을 통해 Nemotron-H 8B 모델을 약 1900억 토큰에 대해 사전 학습한 결과, 기존 Transformer Engine v{} 대비 최종 윈도우 훈련 손실이 더 낮게 나타났습니다. 또한 양자화 추론 정책 하에서 검증 손실(홀드아웃 음성 로그 우도)도 더 낮았으며, 양자화 추론 다운스트림 점 추정치도 세 가지 보고된 총합 모두에서 더 높았습니다.

나아가 RHT와 BF16 최종 블록 면제를 동시에 제거하는 네이티브 v{} 실행 절제 실험을 통해 모델 본문 토큰 처리량은 21.2% 증가했습니다. 이러한 결과는 더 단순한 레시피로 엔드투엔드 소프트웨어 에뮬레이션된 $\uefp$ 사전 학습을 달성하며, $\ue{}$ 블록 스케일링에 대한 네이티브 지원의 필요성을 시사합니다.

메모리 안전성 문제는 객체 풀과 같은 구조에서 발생할 수 있으며, 특히 사용 후 해제(use-after-free) 오류는 물리적인 타입 혼란을 야기하여 임의 코드 실행으로 이어질 수 있습니다. 이러한 문제를 해결하기 위해 개발자들은 메모리 할당 방식과 시스템 설계에 있어 정적 할당(Static Allocation) 및 상수 작업(Constant Work)이라는 두 가지 원칙을 적용할 수 있습니다.

정적 할당은 초기화 시점에 최대 허용 객체 수를 명시하여 시스템이 과부하 상태에서도 충돌 없이 서비스를 지속하도록 보장합니다. 이는 시스템이 메모리 부족으로 인해 갑작스럽게 종료되거나 OOM 킬러에 의해 프로세스가 강제 종료되는 재앙적인 상황을 방지하며, 시스템이 과부하를 우아하게 처리하도록 만듭니다.

상수 작업은 객체의 생성과 소멸에 초점을 맞추는 대신, 시스템이 항상 고정된 수의 객체를 유지하도록 설계하는 접근 방식입니다. 예를 들어, 중립적인 주문 객체를 도입하여 객체가 시스템 내에서 순환하도록 하면, 객체의 상태 추적을 단순화하고 코드의 예측 가능성을 높일 수 있습니다. 이러한 설계는 컴파일러가 벡터화하고 CPU 캐시가 예측적으로 데이터를 미리 가져오는 등 성능 향상에 기여합니다.

이러한 원칙들은 모든 프로그래밍 문제를 해결하는 만능 해결책은 아니지만, 메모리 안전성과 시스템 성능에 대한 확신을 제공하며 실제 시스템 설계에 적용할 때 큰 이점을 제공합니다.

Paint.net 5.2 알파 버전이 이제 리눅스 환경에서 실행될 수 있게 되었습니다. 이는 윈도우 환경에 주로 의존했던 이미지 편집 소프트웨어가 리눅스 사용자들에게도 접근성을 제공한다는 점에서 중요한 업데이트입니다.

이 변경 사항은 개발자들이 크로스 플랫폼 소프트웨어의 포팅 및 배포에 관심을 가질 때 참고할 만한 사례를 제공합니다. Paint.net의 알파 버전이 리눅스 환경을 공식적으로 지원하게 됨으로써, 리눅스 기반 시스템에서 이미지 편집 기능을 활용하고자 하는 사용자들에게 새로운 기회가 열렸습니다.

개발자 관점에서 볼 때, 이러한 크로스 플랫폼 지원은 소프트웨어의 접근성과 사용 범위를 확장하는 데 긍정적인 영향을 미칩니다. 향후 Paint.net의 개발 방향이나 다른 소프트웨어의 리눅스 포팅 사례를 분석하는 데 있어 중요한 참고 자료가 될 수 있습니다.

인터넷에는 신뢰 문제가 발생하고 있으며, 이는 소셜 미디어 피드가 인공지능 생성 콘텐츠로 가득 차기 때문만은 아닙니다. 인공지능이 생성한 텍스트와 이미지가 구직 지원서, 제품 리뷰, 심지어 보험 청구까지 침투하면서 플랫폼과 사용자 모두가 무엇이 진짜인지 파악하기 위해 고군분투하고 있습니다.

이러한 상황은 AI 생성 콘텐츠의 진위 여부를 판별하는 것이 단순한 '진짜 또는 가짜'를 구분하는 것보다 훨씬 어렵다는 점을 시사합니다. 이는 AI 기술이 콘텐츠 생성의 경계를 모호하게 만들면서 온라인 환경 전반에 걸쳐 신뢰 기반을 흔들고 있음을 의미합니다.

결국 AI 생성물이 민감한 영역으로 확산됨에 따라 플랫폼과 사용자들은 콘텐츠의 진정성을 검증하는 데 큰 어려움을 겪고 있습니다. 따라서 AI 탐지 기술의 발전은 단순히 콘텐츠를 걸러내는 것을 넘어, 디지털 환경에서의 근본적인 신뢰 문제를 해결하는 데 중요한 과제가 될 것입니다.

X가 미국 크리에이터의 지급 방식을 Stripe에서 X Money로 전환한다고 발표했습니다. 이는 X의 오리지널 콘텐츠 보상 프로그램과 구독료 지급을 포함하며, 오늘부터 모든 미국 크리에이터 지급이 X Money 결제 서비스를 통해 이루어집니다.

이 새로운 지급 시스템의 가장 큰 장점은 지급이 즉시 이루어진다는 점입니다. 이전에는 지급이 2주마다 처리되었고 최소 지급 기준이 $30이었으나, 이제 크리에이터는 청구 주기나 최소 기준을 기다릴 필요 없이 지급을 즉시 받을 수 있습니다. X는 이전 지급 방식이었던 Stripe 대신 X Money 사용을 강제하고 있으며, 이는 크리에이터들이 선호하는 이전 지급 방법을 포기해야 함을 의미합니다.

X Money는 단순한 결제 서비스를 넘어 은행 기능도 제공합니다. 이 서비스는 FDIC 보험을 받는 Cross River Bank에 계좌를 보유하며, 크리에이터 지급액은 X Money 사용자의 직접 입금 요건에도 포함되어 더 나은 연이율을 받을 수 있게 합니다. 또한 X는 개인 및 법인에게 1099-NEC를 발행할 예정입니다.

미국 정부는 저작권이 있는 자료를 기반으로 대규모 언어 모델(LLM)을 훈련시키는 문제에 대해 OpenAI와 같은 입장을 취하고 있습니다. 이는 미국이 전 세계적으로 AI 사용의 관행과 절차에 대한 표준을 설정하며 강력하고 경쟁력 있는 인공지능 산업을 계속 발전시키는 데 큰 관심을 두고 있음을 보여줍니다.

미국 정부의 이러한 입장은 AI 기술의 발전과 규제에 있어 국제적인 표준을 설정하려는 의도를 반영합니다. 이는 AI 산업이 글로벌 경쟁력을 갖추고 공정한 기준 위에서 발전할 수 있도록 하는 데 중점을 두고 있습니다.

결론적으로, 미국은 AI 분야에서 국제적인 표준을 선도하는 강력한 산업 생태계를 구축하고자 하며, 이는 LLM 훈련과 관련된 논의에 있어 중요한 맥락을 제공합니다.

ChatGPT 광고 타겟팅의 효율성에 대한 실험 결과, 광고를 통해 유입된 트래픽의 전환율이 매우 낮다는 사실이 드러났습니다. 2026년 8월 5일부터 28일까지 약 2988건의 클릭을 유도했으며, 광고 비용은 총 289.52파운드였으나 클릭당 평균 비용은 0.10파운드였습니다. 이 광고를 통해 설치로 이어진 전환율은 0.46%에 불과하여, 광고 비용 대비 수익을 내기 어렵다는 결론이 나왔습니다.

이러한 낮은 전환율의 원인은 봇이 아닌, 랜딩 페이지에 도달했지만 아무런 행동도 하지 않고 이탈하는 저가치 방문자들 때문인 것으로 분석되었습니다. 구글 광고나 ChatGPT 추천을 통한 무료 리퍼럴과 비교했을 때, ChatGPT 광고는 페이지 체류 시간(7초)과 이탈률(69%)이 현저히 높았으며, 전환율 역시 다른 채널에 비해 매우 낮았습니다.

전문가 분석에 따르면, 문제는 광고 자체의 품질보다는 트래픽의 질에 있으며, ChatGPT가 사용자에게 매우 불특정하게 광고를 노출하고 있어 타겟팅이 매우 부실하다는 점이 확인되었습니다. 따라서 광고 예산을 클릭 수보다는 실제 전환을 가져오는 소스로 투자하는 것이 훨씬 효과적이라는 결론입니다.

레인지로버의 새로운 전기차는 기존 가솔린 SUV 라인업과 거의 동일한 외관을 채택하여 디자인의 일관성을 확보했습니다. 제조사들은 새로운 전기차를 만들 때 별도의 디자인을 시도하기보다 익숙한 디자인을 따르는 것이 효과적이라는 점을 확인했습니다. 이는 전기차 시장에서 디자인의 통일성이 소비자들에게 중요한 요소로 작용한다는 점을 보여줍니다.

겉모습은 기존 모델과 유사하지만, 내부적으로는 완전히 새로운 기술 사양을 적용했습니다. 레인지로버 일렉트릭은 쌍방 영구 자석 260kW 전기 모터와 이중으로 쌓인 118.5kWh 리튬 이온 배터리를 사용합니다.

이 배터리를 통해 예상되는 실제 주행 거리는 330마일입니다. 이러한 기술적 사양은 외관 디자인과 별개로 전기차로서의 성능과 주행 가능 거리를 구체적으로 제시합니다.

지열 에너지 회사 페르보(Fervo)가 구글과 전력 구매 계약을 체결하며 에너지 확보에 또 다른 성과를 거두었습니다. 구글은 유타주에 위치한 페르보의 케이프 스테이션 발전소에서 396메가와트의 전력을 구매하기로 합의했으며, 이 발전소는 2028년에 가동될 예정입니다. 또한 구글은 2030년 6월까지 추가로 600메가와트를 구매할 수 있는 옵션을 확보했습니다.

이 거래는 구글이 데이터 센터 운영에 필요한 전력을 확보하는 동시에 탄소 중립 목표를 달성하는 데 기여할 수 있다는 점에서 중요합니다. 구글은 그동안 태양광, 풍력, 배터리 등 청정 에너지 구매를 통해 2030년까지 순 제로 배출 목표를 달성하기 위해 노력해 왔습니다.

페르보가 케이프 스테이션에서 최대 2기가와트의 지열 에너지를 개발할 수 있으며, 이는 미국 전체 지열 발전 용량을 두 배로 늘릴 수 있다는 분석이 있습니다. 이러한 지열 기술은 더 깊은 열원을 활용하여 대규모 전력을 생산할 수 있는 잠재력을 가지고 있습니다.

이번 계약은 구글과 페르보의 오랜 파트너십을 더욱 공고히 하며, AI 시대에 에너지 수요가 급증하는 상황에서 구글이 AI 목표를 추진하는 데 필요한 에너지를 확보하는 데 중요한 발판을 제공합니다.

Tangle은 드래그 앤 드롭 에디터를 통해 머신러닝 파이프라인을 시각적으로 구축할 수 있게 해주는 오픈 소스 플랫폼입니다. 이는 복잡한 머신러닝 워크플로우를 코드를 작성하지 않고도 구성 요소들을 연결하고 인수를 설정하여 파이프라인을 구축할 수 있도록 설계되었습니다.

Tangle의 가장 큰 특징은 플랫폼에 구애받지 않는 접근성입니다. 사용자는 Tangle 내의 에디터를 사용하여 기존 코드를 컨테이너에 넣거나, 재사용 가능한 모듈을 사용하거나, 직접 커스텀 컴포넌트를 추가하여 파이프라인을 만들 수 있습니다. 따라서 Tangle은 어떤 언어나 프레임워크를 사용하더라도 ML 파이프라인 개발을 가능하게 합니다.

또한 Tangle은 실험 과정을 가속화하기 위한 고급 실행 캐싱 기능을 제공합니다. 중간 결과를 캐싱함으로써 실험에 소요되는 시간과 컴퓨팅 비용을 크게 절감할 수 있습니다. 이 플랫폼은 Shopify의 ML 및 소프트웨어 엔지니어들이 개발하여 머신러닝 파이프라인 개발을 대중화하는 것을 목표로 하며, GitHub를 통해 공개되어 누구나 기여하고 탐색할 수 있습니다.