읽을 가치가 있는 기사만, 짧고 또렷하게.

픽셀 공간 확산 모델에 대한 실증 연구를 통해 잠재 공간 모델과 동등하거나 능가하는 성능을 내는 실용적인 훈련 방법을 제시했습니다. 연구 결과에 따르면, 픽셀 공간에서 직접 대규모 사전 훈련을 진행할 경우 잠재 공간에서 훈련하는 것보다 수렴 속도가 현저히 느리다는 사실이 관찰되었습니다.

이러한 관찰을 바탕으로 잠재 공간에서 생성적 사전 지식을 효율적으로 습득한 후 훈련 후반부에 픽셀 공간으로 전환하는 잠재 공간-픽셀 전략이 제안되었습니다. 연구진은 이 전환 과정에 영향을 미치는 가중치 초기화, 데이터 구성, 예측 목표, 디코더 아키텍처, 노이즈 스케줄 등 핵심 설계 선택 사항들을 체계적으로 조사했습니다.

이를 통해 픽셀 공간 모델이 잠재 공간 모델과 동등하거나 더 나은 성능을 달성하면서도 종단 간 추론 속도를 3.18배에서 4.75배까지 향상시키는 실용적인 레시피를 발견했습니다. 이 연구는 픽셀 공간 생성에 대한 향후 연구를 위한 실질적인 통찰력과 지침을 제공할 것으로 기대됩니다.

텍스트-이미지(T2I) 생성 모델의 발전은 원시 픽셀 합성이라는 근본적인 문제를 해결하고 사용자 요청을 충족하는 방향으로 커뮤니티의 초점을 이동시켰습니다. 최근 에이전트 기반 이미지 생성 워크플로우는 외부 지식 검색이나 반복적 추론과 같은 고급 기능을 통해 정적 추론 능력을 향상시켰지만, 대부분 고정된 '일률적인' 토폴로지 내에서 고립된 방식으로 작동합니다. 이러한 방식은 단순한 쿼리가 계산적으로 무거운 파이프라인을 통과하도록 강제되어 심각한 컴퓨팅 불일치를 초래합니다.

이러한 격차를 해소하기 위해 에이전트 이미지 생성을 위한 최초의 통합 워크플로우 라우팅 프레임워크인 GenRouter를 제시합니다. GenRouter는 다양한 에이전트 파이프라인을 보편적인 기본 원시와 실행 가능한 템플릿으로 표준화하는 GenCanvas를 먼저 구축합니다. 이 통합된 공간 위에서 GenRouter는 수요 프로파일링, 경험 매칭, 파레토 필터링이라는 세 가지 방법을 통해 이질적인 프롬프트를 최적의 워크플로우로 적응적으로 라우팅합니다.

광범위한 벤치마크 실험 결과, GenRouter는 무거운 정적 파이프라인과 비교하여 실행 비용을 95% 이상, 지연 시간을 65%까지 줄이면서도 시각적 정렬을 향상시켰습니다. 또한 이 시스템은 축적된 경험을 통해 지속적으로 자체 진화하며 강력한 제로샷 일반화를 가능하게 하여 성능을 높이고 계산 오버헤드를 절반으로 줄입니다.

인지 과학에서 자원 합리성(resource rationality)은 에이전트가 기대 가치를 극대화하기 위해 제한된 연산을 어떻게 할당해야 하는지를 다룹니다. 기존의 추론 및 에이전트 벤치마크는 각 과제에 독립적인 예산을 사용하지만, 공유 예산 연구는 모델이 입증한 단일 문제 해결 능력과 전체 스위트 성능을 보정하지 못하는 한계가 있습니다. 이러한 격차를 해소하기 위해 연구진은 수학, 경쟁 프로그래밍, 추상적 추론 분야에서 도구 사용 없이 또는 에이전트 환경에서 여섯 가지 문제 스위트를 공유 예산 하에 평가하는 R^3-Bench를 제안했습니다.

R^3-Bench는 관찰된 성공을 기반으로 한 단일 문제 응답 곡선을 사용하여 경험적 오라클을 정의합니다. 여섯 가지 모델에 대해 72개의 주요 표 셀을 분석한 결과, 오라클 평균은 모든 셀에서 경쟁 평균과 같거나 더 높았으며 71개 셀에서는 엄격하게 더 높았습니다. 또한 적당한 도구 사용 없는 압력 하에서 균등 할당 재현(equal-allocation replay)은 여섯 가지 모델 중 네 모델에서 경쟁 성능을 능가했습니다.

추이 진단 결과는 전략 업데이트가 제한적이며 압력에 따라 실패 패턴이 달라진다는 것을 보여줍니다. 특히 세 가지 모델 진단에서 강한 에이전트 압력 하에 최소한 하나의 고정 스케줄러가 아홉 개의 셀 중 여섯 개에서 경쟁 평균을 초과했지만, 어떤 정책도 모든 영역에서 지배하지는 않았습니다. 이러한 결과는 입증된 능력과 공유 예산 실현 사이에는 지속적인 격차가 존재함을 드러냅니다.

저자는 책 집필 과정을 소프트웨어 프로젝트처럼 과도하게 엔지니어링했다고 설명하며, 글쓰기를 개발자가 사용하는 도구와 워크플로우로 재구성한 경험을 공유합니다. 이 과정에서 그는 마크다운 파일을 Git 저장소에 보관하고 CI 빌드 파이프라인을 구축하여 모든 변경 사항에 대해 자동화된 검사를 수행했습니다.

콘텐츠를 코드로 취급하여 글쓰기 오류를 검증하는 자동화 시스템을 구축한 것이 핵심입니다. 그는 VS Code 확장 프로그램과 다양한 프로즈 리너(Markdownlint, LanguageTool 등)를 사용하여 실시간으로 문법과 스타일 오류를 확인했으며, 이 검사들을 CI 환경에 통합했습니다.

더 나아가, 그는 콘텐츠를 테스트하는 방식을 코드 테스트와 동일하게 적용했습니다. 내용 검증을 위해 자체적인 검증 스크립트와 Vitest, Playwright 스펙을 사용하여 자동화된 테스트를 구축했는데, 이는 특정 문장이 현재 직장 소속을 암시하는 등의 오류를 잡아내는 방식으로 작동합니다.

이러한 접근 방식은 실수 한 번을 발견했을 때 해당 문장만 수정하는 것이 아니라, 전체 콘텐츠에 적용되는 규칙을 설정하여 오류가 재발하지 않도록 관리하는 정책 중심의 접근법을 강조합니다. 이는 글쓰기 과정에서 발생하는 오류를 관리하는 데 있어 개발자가 사용하는 시스템적 사고방식을 적용할 수 있음을 보여줍니다.

DuckDB v2.0은 올가을 출시 예정이며, 서버 기능과 데이터 처리 방식에 중점을 둔 대대적인 기능 개선을 포함합니다. 이번 버전은 새로운 SQL 파서, 기본 저장 형식, C API 재작업 등 주요 변경 사항을 포함하며, 특히 DuckDB를 서버로 활용하는 기능을 강화하는 데 초점을 맞추고 있습니다.

가장 큰 변화는 DuckDB가 서버 역할을 수행할 수 있도록 하는 Quack 프로토콜 확장 기능과 CONNECT 명령어가 추가된 점입니다. 이를 통해 다른 DuckDB 인스턴스 간에 네트워크를 통해 데이터베이스를 서비스하고 쿼리를 푸시다운하여 PostgreSQL이나 MySQL 같은 다른 데이터베이스로 직접 실행할 수 있게 됩니다. 이는 DuckDB가 멀티테넌트 환경에서 장기 실행 배포에 적합하도록 확장된 기능입니다.

또한, VARIANT 타입이 첫 번째 클래스로 자리매김하여 JSON과 같은 반정형 데이터를 저장하고 쿼리하는 데 있어 효율성이 극대화됩니다. VARIANT는 데이터를 압축하여 저장하고 쿼리 속도를 높이는 방식으로 작동하며, 이는 실시간 로그 수집과 같은 시나리오에서 매우 유용합니다. v2.0에서는 비동기 I/O, 새로운 저장 형식, 그리고 향상된 모니터링 기능을 통해 전체 시스템의 성능과 가시성을 높이는 데 집중했습니다.

최근 거대 언어 모델은 추론 능력은 향상시키면서도 사실적 지식은 의도적으로 희생하는 방향으로 설계되고 있습니다. 모델의 파라미터 수는 계속 증가하지만, 사실적 지식은 파라미터에 비례하여 저장되지 않고, 대신 문제 해결 절차와 추론 능력에 집중되어 있습니다. 이는 모델이 세상의 지식을 저장하는 대신, 정보를 검색하고 판단하는 방법을 학습하도록 설계되었음을 의미합니다.

모델의 지식은 가중치(weights)에 저장될 때 시간이 지남에 따라 구식이 되어 사실이 부패하지만, 추론 절차는 변하지 않기 때문에 모델의 성능은 장기적으로 유지됩니다. 따라서 모델이 사실을 잘못 말하는 현상인 환각(hallucination)을 해결하기 위해서는 지식을 모델 내부가 아닌 외부에서 관리하는 방식이 필요합니다.

이러한 접근 방식은 외부 도구 사용, 검색, 지식 기반 검색 등을 통해 모델이 실시간으로 최신 정보를 참조하도록 하는 '하네스(harness)'를 활용하는 것입니다. 예를 들어, 모델이 특정 사실을 알지 못할 경우 외부 검색을 통해 정보를 가져와 답변을 생성하게 하여, 잘못된 정보가 고착화되는 것을 방지합니다.

결과적으로, 모델의 크기를 줄이고 추론 능력을 강화하면 소비자용 GPU에서도 최첨단 수준의 추론 능력을 갖춘 모델을 구동할 수 있게 됩니다. 이는 모델이 지식 저장과 추론이라는 상충되는 목표를 분리함으로써, 모델이 현실 세계의 변화에 더 유연하게 대응하고 신뢰할 수 있는 답변을 제공할 수 있게 하는 핵심적인 방법입니다.

Reticulum은 사용 가능한 하드웨어를 활용하여 로컬 및 광역 네트워크를 구축하기 위한 암호학 기반 네트워킹 스택입니다. 이 네트워크는 매우 높은 지연 시간과 극도로 낮은 대역폭 조건에서도 작동할 수 있으며, 누구나 자체적인 주권 통신 네트워크를 운영할 수 있도록 하는 것을 목표로 합니다.

Reticulum의 비전은 감시, 검열, 통제로부터 자유로운 네트워크를 구축하는 데 있으며, 이는 키릴(Reticulum)이 단순한 네트워크가 아니라 수천 개의 독립적이고 상호 연결되며 자율적인 네트워크를 구축하기 위한 도구임을 의미합니다. 사용자는 커뮤니티와 개인의 자율성과 주권을 존중하고 강화하는 애플리케이션을 만들 수 있도록 보안 디지털 통신을 제공합니다.

기술적으로 Reticulum은 기존 네트워크 스택과 달리 소스 주소를 사용하지 않아 전송되는 패킷에 출발지, 장치, 사람에 대한 정보가 포함되지 않습니다. 또한 주소 공간에 대한 중앙 통제가 없으며, 사용자가 필요에 따라 원하는 만큼 주소를 할당할 수 있습니다. 새로 생성된 주소는 몇 초에서 몇 분 내에 전 세계적으로 도달 가능하며, 주소는 자율적이고 이동 가능하여 네트워크 내 다른 위치로 물리적으로 이동할 수 있습니다.

모든 통신은 기본적으로 강력하고 현대적인 암호화로 보호되며, 모든 암호화 키는 일시적이고 포워드 시크릿을 제공합니다. Reticulum 네트워크에서는 암호화되지 않은 링크나 패킷 전송이 불가능하여 보안을 기본으로 보장합니다.

알리바바 퀘원 연구소에서 출시한 Apache 2 라이선스의 27B 파라미터 비전 지원 LLM인 Qwen 3.8이 공개되었습니다. 이 모델은 합리적인 사양의 노트북에서 실행하기에 적절한 크기이며, 이전 모델인 Qwen 3.6 27B보다 향상된 벤치마크 결과를 보였습니다.

하지만 이 모델은 추론 과정에서 지나치게 많은 생각을 하는 기본 설정으로 인해 예상치 못한 결과를 초래한다는 점이 주목받고 있습니다. Qwen의 문서는 추론 노력에 대해 xhigh(기본값), medium, low 세 가지 수준을 제공하는데, 기본 설정인 xhigh는 복잡한 작업에 대해 과도한 분석을 수행하는 경향이 있습니다.

작성자는 이 기본 설정이 소비자 하드웨어에서 모델을 실행할 때 좋지 않은 시작점이라고 지적하며, 컨텍스트 길이 제한을 늘려 실험했을 때 모델이 단순한 요청에도 복잡한 SVG 이미지를 생성하는 등 부자연스러운 결과를 보였습니다. 따라서 사용자는 Qwen 3.8 27B를 실행할 때 추론 수준을 낮게 설정하거나 아예 비활성화하여 실행하는 것을 권장합니다.

이러한 실험은 17GB 파일 크기로 장거리 컨텍스트, 강력한 비전 능력, 코드 생성 능력을 갖춘 오픈 웨이트 모델이 로컬 기기에서 실행될 수 있음을 입증합니다. 이는 고성능 데이터센터 하드웨어 없이도 충분히 유능한 모델을 구동할 수 있다는 점에서 로컬 LLM의 발전과 효율성에 중요한 시사점을 제공합니다.

AMD 7040 시리즈 Framework 13인치 노트북이 BIOS 업데이트 과정에서 벽돌(bricked) 상태가 되어 발생한 문제를 $20의 도구로 해결하는 과정을 다룹니다. 이 글은 Framework 노트북의 수리 가능성과 업그레이드 가능성을 추구하는 사용자가 공식 지원이 중단되었을 때 자체적으로 BIOS를 플래싱하여 문제를 해결하는 구체적인 방법을 제시합니다.

글쓴이는 Framework의 보증 기간이 만료되어 공식 지원을 받지 못하고 새 마더보드를 구매해야 하는 상황에 직면하자, 비용과 향후 BIOS 업데이트의 불확실성을 피하기 위해 직접 BIOS 플래싱을 시도했습니다. 이 과정에서 사용자는 BIOS 이미지 추출, 칩 연결, 플래싱 실행 등 구체적인 기술 단계를 상세히 기록하여 유사한 문제를 겪는 다른 사용자들에게 참고할 수 있도록 했습니다.

이 경험은 Framework가 제공하는 하드웨어의 수리 가능성이라는 철학과 실제 지원 정책 사이의 괴리를 보여줍니다. 특히 BIOS 업데이트와 관련된 문제에 대해 제조사가 명확한 해결책을 제시하지 않았기 때문에, 사용자는 자체적인 기술적 지식을 활용하여 하드웨어 문제를 해결하는 방법을 모색했습니다.

해당 가이드는 AMD Ryzen 5 7640U CPU를 탑재한 모델에서 발생한 특정 BIOS 플래싱 오류를 해결하는 실질적인 절차와 그 결과를 담고 있어, 하드웨어 커스터마이징 및 리눅스 환경에서 발생할 수 있는 심각한 문제에 대한 대안을 찾는 데 유용합니다.

네임서버를 Cloudflare로 전환할 경우 Cloudflare가 사이트에 분석 코드를 삽입하는 문제가 발견되었습니다. 이는 R2 버킷을 자체 서브도메인으로 제공하기 위해 네임서버를 Cloudflare로 변경한 사용자가 겪은 상황입니다.

해당 문제는 JavaScript를 사용하지 않고 HTML만 사용하는 textlog.cc에 JavaScript 분석 스니펫이 삽입되어 발견되었습니다. 사용자는 이 분석 코드를 비활성화하기 위해 Analytics 대시보드에서 사이트를 분석 기능에 추가한 후 해당 스니펫을 비활성화하는 과정을 거쳐야 했습니다.

이 사례는 네임서버 전환 시 Cloudflare가 자동으로 분석 코드를 삽입할 수 있다는 점을 시사하며, 사용자가 의도하지 않은 추적 코드가 삽입될 수 있는 잠재적인 보안 및 개인 정보 보호 문제를 제기합니다. 따라서 네임서버 설정 변경 시 분석 기능 활성화 여부를 반드시 확인해야 합니다.

취업 면접 과정에서 제공되는 코딩 과제를 통해 시스템을 감염시키는 방법이 공개되었습니다. 이는 채용 담당자가 보낸 것처럼 위장한 피싱 공격을 통해 개발자의 자격 증명과 기밀 정보를 탈취하는 초기 단계로 시작됩니다. 공격자는 개발자에게 특정 TypeScript 코드베이스를 제공하고, 이 코드 내에서 외부 엔드포인트로 요청을 보내도록 유도하여 시스템을 감염시킵니다.

이러한 공격은 단순히 코드를 실행하는 것을 넘어, 원격 코드 실행 로더를 통해 C2 서버에서 추가 악성 모듈을 다운로드하는 방식으로 진행됩니다. 다운로드된 모듈들은 RAT(Remote Access Trojan), 브라우저 자격 증명 탈취기, 파일 획득기 등으로 구성되어 SSH 키, .env 파일, .ssh 디렉토리, .aws 자격 증명, 브라우저 프로필 및 지갑 데이터 등을 시스템에서 수집합니다.

특히 악성 코드는 가상 머신(VM) 환경 여부를 식별하는 기능까지 포함하고 있어, 공격자가 가상 환경을 탐지하여 보안 조치를 회피할 수 있도록 설계되었습니다. 따라서 AI를 이용한 코드 스캔이나 Docker 환경 사용만으로는 완벽한 방어가 어렵습니다. 피해 발생 시에는 즉시 SSH 키를 회수하고 비밀번호를 변경하며 운영체제를 재설치하는 등의 조치를 취해야 합니다.

Anthropic이 유럽연합 규제를 준수하기 위해 모든 Claude 모델이 생성하는 텍스트에 워터마크를 삽입할 계획이라는 발표가 논란을 일으키고 있습니다. 이 워터마킹 방식은 단순히 보이지 않는 유니코드 문자를 숨기는 것이 아니라, 추론 시점에 단어 선택(토큰 출력)에 확률적인 흔적을 남기는 스테가노그래피 기법을 사용합니다.

Anthropic은 이 워터마킹이 의미, 품질, 가독성을 전혀 변경하지 않는 '감지 불가능하다'고 주장했지만, 필자는 이러한 주장이 허위라고 지적합니다. 실제 기술은 LLM이 비결정적(non-deterministic)이라는 점을 활용하여, 특정 토큰을 선택할 때 '녹색' 목록과 '빨간색' 목록을 확률적으로 사용하여 텍스트의 출처를 나타내는 흔적을 남깁니다. 이는 특정 단어를 선호하거나 배제하는 목록이 존재하지 않으며, 워터마킹을 감지하려면 비밀 키가 필요하다는 의미입니다.

이러한 기술이 실무에 적용될 경우, 워터마크는 복사-붙여넣기를 통해 문서에 남아있게 됩니다. 만약 Claude가 문서의 교정이나 요약 과정에서 사용되었다면, 인간이 작성한 내용이라도 AI 생성물로 오인받을 위험이 있습니다. 핵심은 워터마킹과 확률적 감지 메커니즘에 대한 비밀 키가 Anthropic에만 있다는 점이며, 이는 우리가 읽거나 인용하는 텍스트가 AI 생성물로 부당하게 낙인찍힐 수 있는 잠재적 위험을 내포하고 있습니다.

Claude 서비스에서 인증 서비스 장애가 보고되어 현재 서비스 이용에 차질이 발생하고 있습니다. 공식 상태 페이지는 다운된 상태이지만, Downdetector를 통해 대규모 사용자 보고가 확인되고 있으며, 사용자들은 로그인 시 인증 흐름이 초기화되는 등의 문제를 겪고 있습니다.

이 문제는 단순히 Claude API에 국한된 것이 아니라 claude.ai, platform.claude.com, Claude Code, Claude Cowork 등 여러 서비스에 걸쳐 보고되고 있어 광범위한 영향을 미치고 있습니다. 개발자들은 이러한 서비스 중단이 API 접근성뿐만 아니라 통합된 개발 환경 전반에 영향을 미칠 수 있다는 점을 고려해야 합니다.

일부 사용자들은 Anthropic의 서비스 대신 Kimi, DeepSeek, GLM 시리즈와 같은 오픈 웨이트 모델을 대안으로 고려하고 있으며, OpenCode나 Pi와 같은 코딩 하네스를 사용하여 이러한 모델들을 활용할 것을 제안하고 있습니다. 이는 Claude와 같은 독점 모델에 대한 의존도를 낮추고 오픈 소스 모델을 활용하여 개발 환경을 구축하려는 움직임으로 해석됩니다.

OpenAI가 지난달 말 준비팀을 해체했다는 보도가 나왔습니다. 이 팀은 모델이 심각한 위험을 초래하는지 평가하고 그 위험을 완화할 방법을 개발하는 임무를 담당했습니다. 구체적으로는 모델이 통제 불능 상태가 되어 다른 회사를 해킹하는 등의 가능성을 평가하는 역할을 수행했습니다.

이에 따라 책임 분담 방식이 변경되었는데, 위험 평가 책임이 생물학 및 사이버 보안과 같은 특정 영역으로 나뉘어 기존 팀으로 이동되었습니다. 이는 위험 관리가 특정 전문 분야에 집중되어 기존 조직 내에서 처리되도록 재편된 것입니다.

이번 조치는 OpenAI가 대규모 IPO를 앞두고 진행 중인 조직 개편의 일부입니다. 최근 몇 년 동안 회사는 더 넓은 범위에 초점을 맞춘 모델에서 벗어나 조직을 재편해 왔습니다.

엔비디아가 오픈AI의 데이터 센터 보장에 대해 제공할 수 있는 자금 규모를 대폭 축소했습니다. 이는 서베이(WSJ) 보도에 따르면 2,500억 달러 규모의 데이터 센터 보장과 관련이 있습니다.

엔비디아는 AI 인프라 제공업체로서 오픈AI의 데이터 센터 확장에 대한 재정적 지원 규모를 조정함으로써, AI 생태계 내에서 자원 배분 전략을 변경하고 있음을 시사합니다. 이러한 조치는 엔비디아가 제공하는 인프라 보장의 범위와 조건에 변화를 가져올 수 있습니다.

이러한 변화는 AI 모델 개발 및 배포에 필요한 하드웨어 및 클라우드 인프라의 접근성과 비용에 영향을 미칠 수 있습니다. 개발자들은 향후 AI 서비스의 인프라 구축 및 비용 구조를 고려할 때 이러한 재정적 보장 변화를 주목해야 합니다.

Anthropic의 기업공개(IPO) 가치는 2028년 예상 매출액에 달려 있다는 보도가 나왔습니다. 소식통들은 Anthropic의 IPO 가치가 2028년까지 1,900억 달러에서 2,000억 달러 사이의 매출 예측에 의해 결정된다고 언급했습니다.

이러한 예측은 Anthropic의 미래 성장 잠재력과 시장에서의 위치를 평가하는 데 핵심적인 요소로 작용합니다. 즉, 투자자들이 Anthropic의 가치를 평가할 때 장기적인 매출 전망을 중요한 기준으로 삼고 있음을 시사합니다.

따라서 투자자들은 Anthropic이 제시하는 장기적인 재무 예측과 그 근거를 면밀히 검토해야 합니다. 이 예측 범위는 회사의 향후 몇 년간의 기술 발전 속도와 시장 경쟁 상황에 따라 달라질 수 있다는 점을 고려해야 합니다.

Stripe가 AI 게이트웨이 스타트업인 OpenRouter를 70억 달러 이상에 인수할 것이라는 보도가 나왔습니다. OpenRouter는 고객이 특정 요구사항과 예산에 따라 다양한 AI 모델을 선택하여 작업을 수행할 수 있도록 돕는 서비스를 제공합니다.

OpenRouter는 고객들에게 다양한 시스템에 대한 단일 접근 지점을 제공하여 락인(lock-in)을 방지한다는 점에서 AI 분야의 'Stripe for AI'로 불리고 있습니다. 이 회사는 현재 8백만 명의 글로벌 사용자를 보유하고 있으며 400개 이상의 모델에 대한 접근을 제공하고 있습니다.

이러한 인수 논의는 지난달 Stripe와 OpenRouter 간의 구체적인 협상에서 비롯되었으며, 블룸버그에 따르면 최종 거래 가격은 70억 달러를 상회할 것으로 알려졌습니다. 다만 Stripe 측 대변인은 루머나 추측에 대해 공식적인 입장을 밝히지 않았습니다.

프랑스 세금 당국이 해킹당해 개인 및 전문가의 정보가 유출된 사건이 발생했습니다. 재무부(DGFiP)는 678,000건의 기록을 포함한 개인 및 전문가 데이터를 유출했으며, 여기에는 이름, 가족 계수, 세금 소득, 원천징수세율뿐만 아니라 주소, 전화번호, 이메일, 부양가족 정보까지 포함되었습니다. 이 데이터는 해킹이 감지되기 전인 8월 12일에 판매되어 유출된 것으로 확인되었습니다.

이와 별도로, 동일한 해커는 7월 말에 재산 등기 관련 전문 서버를 공격하여 2백만 명 이상의 인물이 연루된 것으로 추정되는 데이터에 접근했습니다. 또한 교육부 시스템도 해킹당해 2001년부터 학계에서 근무한 모든 교직원의 신원, 직위, 기능, 주소, 전화번호, 사회보장번호 등의 정보가 유출되었습니다.

이러한 사건들은 국가 시스템의 보안 취약성을 드러냈으며, 파리 검찰청이 수사를 개시하고 정치권이 개입하는 등 광범위한 논란을 낳고 있습니다. 유럽사법재판소는 데이터 오용에 대한 우려만으로도 피해가 인정되며, 행정 당국이 보안 조치를 적절히 했는지 입증해야 한다는 판결을 내렸습니다. 이는 국가가 모든 행정 기관에 보안 조치를 강제할 수 있는 권한이 부족하다는 점을 시사합니다.

오스카 톨레도(Oscar Toledo)는 1998년 크리스마스부터 1999년 생일 사이에 Am29000 프로세서를 위한 C 컴파일러와 웹 브라우저를 개발했습니다. 그는 이 기간 동안 Am29000 기반의 홈브루 컴퓨터용 32비트 기계어 운영체제를 개발했으며, 개발 과정에서 메모리 계획, 코드 이동, 예상치 못한 버그 처리 등 많은 기술적 난관에 직면했습니다.

컴파일러 개발 시 그는 Am29000 프로세서의 다중 레지스터 구조를 다루는 데 어려움을 겪었으며, 로컬 레지스터와 메모리 간의 변수 할당을 효율적으로 관리하는 방법을 고민했습니다. 그는 Transputer용 C 컴파일러를 기반으로 시작하여 GCC 소스 코드와 DJGPP(MS-DOS용 GCC)를 활용하여 컴파일러를 구축했습니다.

이러한 과정을 통해 그는 약 5만 줄의 소스 코드를 작성했으며, 최종적으로 윈도우 기반 운영체제, 개발 환경, 웹 브라우저를 통합한 혁신적인 환경을 만들었습니다. 웹 브라우저는 당시 Am29050 프로세서를 에뮬레이션하고 JPEG 라이브러리 사용으로 인해 속도가 느렸지만, 이는 당시의 기술적 한계 속에서 달성한 성과였습니다.

마크 저커버그의 AI 미래 비전이 대중에게 받아들여지지 않는 이유에 대해 논의하며, 그의 선언이 오히려 AI에 대한 반감을 키우고 있다는 분석이 나왔습니다. 저커버그는 "미래는 모두를 위한 것"이라는 낙관적인 비전을 제시하며 모든 사람이 자신을 이해하고 목표를 달성하는 개인 에이전트를 갖게 될 것이라고 주장하지만, 많은 사람들은 이 비전 자체에 회의적입니다.

이러한 회의론은 메타와 저커버그의 과거 역사와 관련이 있습니다. 과거 소셜 미디어 시대에 저커버그는 사람들이 친구들과 소통하고 사회적 네트워크를 형성할 수 있는 통로를 만들고자 했으나, 현재는 광고와 자극적인 콘텐츠에 집중하면서 연결성이 약화되었다는 비판이 제기됩니다. 따라서 현재의 AI 비전이 개인의 역량 강화에 초점을 맞추고 있음에도 불구하고, 대중이 원하는 사회적 연결이라는 측면을 충족시키지 못한다는 것입니다.

저커버그는 개인 기기에서 사용할 수 있는 AI 모델인 Glimmer를 통해 일정 관리, 메시지 작성 등의 개인 비서 기능을 제공하는 데 중점을 두고 있으며, 이는 인터넷 연결 유무와 관계없이 작동할 수 있도록 설계되었습니다. 하지만 이와 동시에 컴퓨팅 자원을 확장하고 더 큰 프로젝트를 수행하려는 사용자들을 위한 수익 모델인 Muse Spark도 유지하고 있습니다.

결론적으로, 저커버그의 선언은 추상적인 창의성과 발전에 초점을 맞추고 있어 현실성이 부족하다는 인식을 주며, 이는 대중의 신뢰를 얻는 데 실패하고 있습니다. 따라서 개인의 역량 강화라는 목표와 사회적 연결이라는 욕구 사이의 균형을 어떻게 맞출 것인지가 앞으로의 AI 수용에 중요한 과제가 될 것입니다.