읽을 가치가 있는 기사만, 짧고 또렷하게.

프리비주얼라이제이션은 영화, 게임, 건축 등에서 아이디어를 실제 제작으로 옮기는 중간 단계이지만, 기존의 생성 모델들은 단일 프롬프트에 의존하여 모든 요소를 동시에 제어하는 데 한계가 있어 반복적인 편집에 대한 통제력이 약하다는 문제가 있습니다. 이는 장면의 기하학, 외관, 속성, 카메라 정보 등을 포함하는 명시적이고 지속적인 작업 상태가 부족하기 때문에 발생합니다.

이러한 문제를 해결하기 위해 연구진은 생성적 프리비주얼라이제이션을 위한 상태 중심 프레임워크인 StateFlow를 제안했습니다. StateFlow는 단일 시점에서 비디오를 생성하는 대신, 편집 가능한 3D 세계를 사용하여 장면 구조, 진화, 카메라를 조직하며, 장면 요소와 카메라 구성을 핵심 작업 표현으로 유지하는 지속적인 3D 상태를 관리합니다.

StateFlow는 세계 상태를 구축하고 진화시키며 접근하는 세 단계를 통해 작동합니다. 세계 상태 구축 단계에서는 사전 가이드 및 충돌 인식 이중 뷰 초기화(prior-guided, conflict-aware dual-view initialization)를 통해 생성된 2D 콘텐츠를 일관된 3D 세계로 끌어올립니다. 상태 진화 단계에서는 사용자의 의도를 세계 기억을 보존하면서 구조화된 상태 전환으로 변환하여 각 편집마다 전체 장면을 재생성하는 것을 피합니다.

마지막으로 상태 접근 단계에서는 렌더 피드백 반사(render-feedback reflection)를 사용하여 카메라 계획을 시각적으로 실현 가능한 궤적으로 정제함으로써 VLM 의미론에만 의존하지 않고 카메라 움직임을 개선합니다. 실험 결과, StateFlow는 비디오 제작과 게임과 유사한 프로토타이핑을 위한 고품질의 3D 세계를 생성할 수 있음을 보여줍니다.

창의적 에이전트가 고품질의 인간 영화로부터 효과적으로 학습하는 데 어려움을 겪고 있으며, 이는 영화 수준의 영상을 제작하는 능력을 제한하는 주요 과제입니다. 핵심 문제는 영화 내용에 충실하면서도 에이전트의 추론 및 조작에 직접적으로 사용될 수 있는 구조화된 비디오 표현이 부재하다는 점입니다.

이러한 문제를 해결하기 위해 연구진은 에이전트 자동 인코딩을 통해 에이전트 고유의 비디오 표현을 학습하는 프레임워크인 에이전틱 비디오 오토 인코더(AVA-Encoder)를 제안했습니다. AVA-Encoder는 비디오를 지식 그래프(KG) 표현으로 변환한 다음 다시 비디오로 재구성하는 방식으로 작동합니다. 이 구조는 계층 및 상태 노드에 구조화된 텍스트를 저장하고, 연결된 자산 레이어에 생성된 이미지, 오디오, 비디오를 보관하며, 타입드 엣지는 에이전트가 쉽게 이해하고 질의하며 편집할 수 있도록 이러한 텍스트 설명과 자산 간의 관계를 보존합니다.

비디오 재구성의 차이를 기반으로 텍스트 기울기 최적화 프레임워크를 구동하여 평가 피드백을 자연어 업데이트 방향으로 표현합니다. 이는 외부 루프에서의 데이터 독립적 인코딩 정책 준훈련과 테스트 시간 내부 루프에서의 선택적 데이터 의존적 KG 표현 정제를 가능하게 합니다. 광범위한 실험 결과, AVA-Encoder는 가장 강력한 외부 기준선보다 20.7 퍼센트 포인트 향상되었음을 보여줍니다.

특히 정책 전용 설정에서는 이 프레임워크의 의사 훈련된 샷 수준 에이전틱 비디오 인코더 정책이 인간이 세심하게 조정한 정책보다 우수하며, 시스템 프롬프트 토큰을 74.3% 적게 사용하여 효율성을 입증했습니다. 연구팀은 완전한 AVA-Encoder 프레임워크, 신뢰할 수 있는 에이전틱 비디오 재구성 벤치마크, 그리고 고품질 영화 KG 표현의 첫 데이터셋을 공개합니다.

거대 언어 모델(LLM) 기반 에이전트 시스템이 비즈니스 아이디어 구상에 새로운 기회를 제공하지만, 기존 접근 방식은 텍스트에만 국한되어 실제 세계의 본질적인 멀티모달 특성을 반영하지 못한다는 한계가 있었습니다. 이에 연구진은 텍스트만으로는 완전히 전달되지 않는 시각적 단서가 특징인 여섯 가지 도메인에 걸쳐 3만 개의 샘플로 구성된 최초의 멀티모달 벤치마크인 MBA-Bench를 소개합니다.

이 벤치마크는 이미지를 자동으로 캡션하고 GPT-4o를 사용하여 검색 쿼리 생성, 시장 증거 검색, 증거 기반 합성 과정을 통해 세 가지 비즈니스 질문에 대한 다섯 가지 참고 아이디어를 생성하는 방식으로 구축되었습니다. 또한 MLLM-as-a-Judge를 사용하여 에이전트를 여섯 가지 비즈니스 지향 기준에 따라 평가하며, 기준이 숨겨지거나 공개된 상황을 고려하여 MBA-b와 MBA-k를 제시합니다.

두 모델은 창의성과 실현 가능성이라는 두 가지 새로운 보상 목표를 사용하여 학습되었으며, LoRA 기반의 지도 미세 조정과 그룹 상대 정책 최적화를 통해 설정별 보상을 적용했습니다. MBA-b와 MBA-k는 캡션 기반 기준보다 각각 63.9%와 77.1%, 그리고 멀티모달 기준보다 25.6%와 35.8% 더 우수한 성능을 보였습니다. 이는 멀티모달 기반 기준이 캡션 기반 기준보다 훨씬 높은 성능을 달성하며, 일부 지표에서는 폐쇄형 소스 성능에 근접함을 의미합니다.

유리 등을 통해 촬영된 영상에는 반사로 인해 시각 품질이 저하되어 후속 비전 작업에 방해가 되는 문제가 있습니다. 단일 이미지 반사 제거 연구는 활발했지만, 쌍을 이루는 비디오 데이터 부족, 시간적으로 일관된 제거 모델, 그리고 전용 평가 벤치마크의 부재로 인해 비디오 반사 제거 연구는 충분히 탐구되지 못했습니다.

본 논문은 물리학 기반 반사 시뮬레이션, 확산 기반 비디오 역변환, 그리고 벤치마크 평가를 통합하는 폐쇄 루프 프레임워크를 제시합니다. S2R-Synthesis 파이프라인은 구조 공간에서 물리학 기반 증강을 수행하고 훈련된 비디오 확산 렌더러를 사용하여 사실적인 반사 영상을 렌더링함으로써 쌍을 이루는 반사된 영상과 반사 없는 영상을 생성합니다. 이 과정에서 거칠기에 의한 블러, 두께에 의한 고스팅, 반사율 변화와 같은 유리 관련 효과를 모델링합니다.

이 합성 데이터를 기반으로 S2R-Removal을 소개하며, 이는 반사 인식 잠재 공간 적응과 단일 단계 픽셀-기하학 정제를 통해 사전 훈련된 비디오 확산 사전 지식을 조정하여 단일 디노이징 단계에서 깨끗한 투과율을 복원하는 최초의 확산 기반 비디오 반사 제거 모델입니다. 또한, S2R-Bench를 통해 비디오 반사 제거를 위한 최초의 벤치마크를 구축하여 전체 참조 평가와 실제 인간 지각 평가를 모두 지원합니다.

S2R-Bench에 대한 실험 결과는 확산 기반 모델이 비확산 기반 기준 모델보다 더 빠르고 최첨단 성능을 보이며 S2R-Synthesis의 효과를 입증합니다. 이는 비디오 반사 제거 분야에서 새로운 방법론과 평가 기준을 제시한다는 점에서 중요한 의미를 가집니다.

강력한 모델의 능력을 약한 모델로 전달하는 방법이 학습 시간(training-time)이 아닌 추론 시간(test-time)에 구현될 수 있다는 연구 결과가 발표되었습니다. 이 연구는 강한 빌더 모델이 파라미터 업데이트 없이 약한 목표 모델이 과제를 더 안정적으로 해결하도록 돕는 추론 시간 하네스(inference-time harnesses)를 구성하는 '강함에서 약함으로의 스캐폴딩(strong-to-weak scaffolding)'을 탐구합니다.

연구진은 네 가지 대표적인 이론적 사고(Theory-of-Mind) 벤치마크를 사용하여 이 방법을 검증했으며, 각 빌더 모델은 5%의 데이터를 사용하여 하네스를 반복적으로 개선한 후 전체 테스트 세트에서 평가했습니다. 실험 결과, 이러한 추론 시간 능력 전달 방식은 매우 효과적이었으며, 목표 모델의 평균 성능을 0.49에서 0.91로 거의 두 배로 증가시켰습니다.

이러한 성능 향상은 목표 모델이 더 광범위하게 추론하거나 샘플링하도록 유도하는 것이 아니라, 불안정한 모델 추론을 결정론적 코드, 벤치마크별 라우팅, 엄격한 답변 형식 강제를 통해 코드화함으로써 얻어졌습니다. 또한, 빌더 모델의 추론 노력이 하네스 품질을 단조롭게 개선시키고, 플랫폼 효과는 빌더 모델의 능력에 비해 미미하며, 약한 목표 모델이 가장 큰 성능 향상을 얻는 것으로 나타났습니다.

결론적으로, 추론 시간 하네스 설계는 기존의 학습 시간 증류(training-time distillation)와 보완적인 역할을 하며, 강력한 모델이 재학습 없이 인지 구조를 약한 모델로 전달할 수 있게 합니다. 이는 모델의 인지 구조를 전달하는 새로운 방법을 제시합니다.

복잡한 소프트웨어 시스템은 개별 코딩 에이전트의 수명보다 긴 시간 동안 개발되므로, 대부분의 에이전트 기반 시스템은 지속적인 세션, 메모리, 관리자 또는 공유 컨텍스트를 통해 연속성을 유지합니다. 본 논문은 이러한 문제를 해결하기 위해 EvoX Genesis를 제안하며, 이는 소프트웨어 프로젝트 자체를 지속적인 재귀적 세계로 간주합니다. 각 로컬 세계는 승인된 버전과 저장소 경로로 설정되며, 유한한 수명의 에이전트가 로컬 변경 사항을 제안하고 작업을 경로를 통해 재귀적으로 위임하며, 승인된 결과만이 지속적인 버전 기록을 발전시킵니다.

연구진은 형성, 연속, 재개발 전반에 걸쳐 이 조직 방식을 평가했습니다. 구체적인 실험에서 Genesis는 컴파일러 구현이 없는 저장소에서 시작하여 DeepSeek V4 Flash를 사용하여 약 25만 줄의 추적된 라인을 가진 Rust 기반 C 컴파일러를 구축했습니다. 이 과정은 120시간 이상 지속되었으며 1,000개의 에이전트 에피소드가 보관되었고 모델 토큰 비용은 44달러에 불과했습니다. 이 컴파일러는 c-테스트스위트와 대부분의 LLVM 및 Csmith 테스트를 통과했습니다.

또한 GLM 5.2로 생성된 별도의 컴파일러 세계에서는 에이전트 교체를 반복하면서도 전체 테스트 성능을 유지하며 개발이 계속되었습니다. Genesis는 13개의 MESA 모듈을 10만 줄 이상의 Fortran 라인을 Rust 작업 공간으로 재구현했으며, 여섯 가지 수치 워크로드에서 중앙값 속도 향상 1.55배에서 6.87배를 달성했습니다.

이러한 결과는 장기적인 소프트웨어 개발이 지속적인 에이전트보다는 지속적인 프로젝트를 중심으로 조직될 수 있음을 보여줍니다. 즉, 에이전트의 수명과 관계없이 프로젝트의 연속성을 보장하는 것이 소프트웨어 개발의 효율성과 결과 품질을 높이는 핵심임을 시사합니다.

손 자세 추정(HPE)은 AR/VR 및 로봇 공학과 같은 다양한 응용 분야에서 핵심 기술이며, 특히 가려짐(occlusion) 상황에서 각 손 관절의 가시성은 추정 결과의 신뢰도를 평가하는 데 매우 중요합니다. 하지만 기존의 대부분의 HPE 방법들은 관절의 가시성을 명시적으로 나타내지 않으며, 가시성 추정은 주로 자세 추정을 개선하기 위한 보조 신호로 사용되어 왔습니다.

본 연구는 개별 손 관절의 가시성을 추정하는 모델인 Hand Visibility Detector를 제안하고, 가시성 추정을 독립적인 작업으로 체계적으로 조사한 최초의 연구를 제시합니다. 이 연구는 대규모 데이터로 사전 학습된 HPE 모델의 사전 지식을 백본으로 활용할 때 이 작업에서 높은 성능을 얻을 수 있음을 보여줍니다.

나아가 Hand Visibility Detector의 유용성을 2D 키포인트의 다중 시점 삼각 측량(multi-view triangulation)을 통한 3D 손 자세 주석(annotation)이라는 다운스트림 작업에 적용하여 결과를 입증했습니다. 이 방법은 가시성 가중 삼각 측량을 통해 재투영 오차(reprojection error)를 줄일 수 있음을 보여줍니다.

이 방법론은 즉시 사용 가능한 패키지로 공개되었으며, 관련 코드와 데모는 GitHub에서 제공하고 있습니다.

보안 에이전트가 신뢰 경계를 벗어나지 않도록 구축하는 방법에 대한 논의가 이루어졌습니다. 현재의 AI 모델과 코딩 에이전트가 인프라에 직접 접근하여 보안 작업을 자동화할 때, 에이전트가 잘못된 결정을 내리거나 데이터를 삭제하는 실수를 저지를 위험이 있습니다. 이러한 위험을 방지하기 위해 에이전트가 라이브 인프라에 직접 접근하는 대신 데이터 레이크와 같은 격리된 환경에서 작동하도록 하는 방식이 사용되고 있습니다.

하지만 이러한 접근 방식은 비용, 데이터의 불완전성, 동기화 지연 등의 단점을 수반하며, 데이터 주권 상실과 막대한 운영 오버헤드 사이에서 선택해야 하는 딜레마가 존재합니다. 따라서 에이전트가 인프라에 대한 주권을 갖는 것이 중요하며, 이를 위해 최소 권한의 읽기 전용 접근 권한을 부여해야 합니다.

이러한 문제를 해결하기 위해 Cynative는 샌드박스와 액션 게이트라는 이중 아키텍처를 제안합니다. 샌드박스는 에이전트가 네트워크나 파일 시스템에 접근하지 못하도록 외부 세계와 완전히 격리된 환경에서 모델이 생성한 코드를 실행합니다. 액션 게이트는 자격 증명이 연결되기 전에 모든 커넥터 호출을 읽기 전용 정책에 따라 승인하며 실패 시 차단하는 방식으로 작동합니다.

이 구조를 통해 에이전트는 설계 시점에 허용된 범위 내에서만 작동하도록 보장받으며, 라이브 인프라를 변경하거나 데이터를 유출할 수 없습니다. 즉, 에이전트의 추론 능력은 유지하면서도 실제 인프라에 대한 통제권을 확보하여 보안 에이전트의 신뢰 경계를 유지할 수 있습니다.

구글 픽셀 워치 5는 제미나이 인텔리전스를 통해 사용자에게 선제적인 지원을 제공하고 혁신적인 건강 추적 기능을 도입합니다. 이 시계는 사용자의 일상적인 작업과 운동 요구에 대해 손을 사용하지 않고도 도움을 받을 수 있는 기능을 제공하며, 가장 정확한 GPS 추적 기능을 탑재하여 도시 환경이나 트레일에서도 뛰어난 위치 정확도를 보장합니다.

새롭게 추가된 '헬스 가디언' 기능은 생체 징후 추세를 모니터링하여 건강 문제를 미리 감지하는 데 중점을 둡니다. 구체적으로는 호흡 응급 상황 감지 기능과 혈압, 수면, 신진대사 건강에 대한 월별 웰니스 추세 요약을 제공하여 사용자가 자신의 건강 상태를 관리하는 데 도움을 줍니다.

배터리 수명과 관련하여 픽셀 워치 5는 모델에 따라 41mm는 최대 30시간, 45mm는 최대 40시간의 사용 시간을 제공하며, 실제 배터리 수명은 사용 환경과 기능 사용에 따라 달라질 수 있습니다. 충전은 30W 어댑터를 사용한 USB-C® 퀵 차지 도크를 통해 가능하지만, 배터리 노화 및 주변 온도 등 여러 요인에 따라 충전 속도가 달라질 수 있습니다.

사용자는 2026년 8월 12일부터 사전 주문을 시작하며, 8월 20일부터 일반 판매가 시작됩니다. 또한, 기기 수리 옵션은 지역별로 다를 수 있으며, 안전을 위해 자가 수리는 권장되지 않습니다.

SpaceXAI의 Grok 4.6이 인공지능 분석 지수(Artificial Analysis Intelligence Index)에서 61점을 기록하며 GPT-5.6 Sol과 함께 인텔리전스 최전선에 합류했습니다. 이는 Claude Opus 5(63점)와 Claude Fable 5(62점)에 뒤처지지만, 비용 효율성 측면에서 강력한 성과를 보이며 경쟁 우위를 점하고 있습니다.

Grok 4.6은 특히 에이전트 성능에서 두각을 나타내며 GDPval-AA v2 Elo 1753점을 달성했습니다. 이는 Claude Opus 5에 뒤처지며 Claude Fable 5 및 Qwen3.8 Max와 겹치는 신뢰 구간을 보여주어 실질적인 에이전트 지능 면에서 경쟁력을 입증했습니다.

모델 가격은 Grok 4.5와 동일하게 1M 토큰당 $2/$6로 유지되었으나, 작업당 비용은 $0.84로 측정되어 Kimi K3와 동일한 수준입니다. 이는 Grok 4.6이 인텔리전스 지수에서 5점의 향상을 달성하면서도 가격 인상 없이 비용 효율성을 극대화했음을 의미합니다.

또한 장기 에이전트 지식 작업 벤치마크인 AA-Briefcase에서는 Claude Opus 5 패밀리에 뒤처지지만, Claude Opus 5(max) 대비 약 103턴과 2.0B 입력 토큰을 사용하는 것에 비해 Grok 4.6은 평균 53턴과 0.5B 입력 토큰으로 작업을 완료하여 효율성이 매우 높습니다.

구글이 가장 정교하고 내구성이 뛰어난 폴더블폰인 Pixel 11 Pro Fold를 출시했습니다. 이번 신제품은 이전 모델보다 더 얇고 가벼운 디자인을 채택했으며, 새로운 하이라이트 카메라 알림 시스템과 강력한 텐서 G6 칩을 탑재했습니다.

새로운 디자인은 기기를 이전 모델보다 10% 가볍고 약 1mm 더 얇게 만들어 휴대성이 향상되었으며, 새로운 기어리스 힌지 디자인을 통해 외부 충격에 대한 내구성이 세 배 향상되었습니다. 또한, 이 폴더블폰은 낙하, 충격, 파손으로부터 보호되도록 설계되었으나 외부 힘에 의한 손상은 보증 범위에서 제외됩니다.

하드웨어 개선 외에도 AI 기능과 접근성 도구가 대폭 강화되었습니다. 사용자는 사인-투-텍스트 번역과 같은 유용한 접근성 도구를 통해 소통을 용이하게 할 수 있으며, 듀얼 스크린 디스플레이를 위한 멀티태스킹 기능이 개선되었습니다. 카메라에는 새로운 하이라이트 카메라 바가 추가되어 빠른 알림을 제공하며, AI 도구는 수화 번역 기능까지 포함하여 사용자 경험을 높입니다.

배터리 성능과 관련하여, 기기 소프트웨어는 배터리 수명을 관리하여 성능을 유지하도록 하며, 충전 속도는 사용자가 사용하는 충전기(예: 45W USB-C® 파워 차저)에 따라 달라질 수 있습니다. 실제 배터리 수명은 사용 환경과 기능 사용에 따라 달라질 수 있으므로 관련 정보를 확인해야 합니다.

Automatic1111을 Apple Silicon 환경에서 Metal을 사용하여 최적화함으로써 속도를 크게 향상시켰습니다. M3 Pro에서는 기존 8~10초 걸리던 DPM++ SDE 생성 작업이 3~7초로 단축되었으며, M1 Mac Mini에서는 13~20단계 생성 작업이 8~10초로 개선되었습니다. 이러한 개선은 특정 워크로드에 맞춰 최적화하는 과정에서 발생했으며, 이는 단순히 속도를 높이는 것을 넘어 사용자가 원하는 결과물을 유지하면서 효율성을 극대화하는 데 중점을 두었습니다.

성능 향상의 핵심은 Metal Flash Attention 경로를 특정 Stable Diffusion 1.x 형태에 맞춰 구현하고, PyTorch의 MPS 스트림 내에서 Metal 커널을 통합하는 방식으로 이루어졌습니다. 기존에는 각 어텐션 호출마다 Metal 명령 버퍼를 제출하는 오버헤드가 발생했으나, 이를 통합하여 PyTorch와 Metal 간의 조정 시간을 줄였습니다. 이는 GPU가 행렬 곱셈 속도뿐만 아니라 Python, PyTorch, MPSGraph, Metal 간의 상호 작용을 얼마나 효율적으로 조정하는지에 초점을 맞춘 결과입니다.

결과적으로 이 최적화는 Automatic1111의 기존 워크플로우와 확장 기능을 유지하면서 Apple 하드웨어의 네이티브 실행 환경에 접근하는 접점에서 발생하는 대기 시간을 줄이는 데 기여했습니다. 이는 다른 최적화보다 더 중요한 부분으로, 최종적인 속도 개선보다는 프레임워크 간의 경계에서 발생하는 비효율성을 해소하는 데 의미가 있습니다.

미국 정부는 비디오 게임 플레이어를 항공 교통 관제사로 채용하는 캠페인을 통해 FAA(연방항공청)의 인력 확보에 성공했습니다. 션 더피(Sean Duffy) 교통부 장관은 이 채용 캠페인이 FAA에게 "게임 체인저"가 되었다고 밝혔으며, 이미 2,000명 이상의 비디오 게이머를 항공 교통 관제사로 훈련시켰고 채용 목표의 94%를 달성했습니다.

이러한 채용 방식은 게임 플레이가 실제 교통 흐름을 통제하는 것과 유사하다는 점을 강조하며 게이머를 선발했습니다. 항공 교통 관제사는 빠르게 생각하고 집중하며 여러 정보원을 관리하는 능력이 필요한데, 이는 게임을 하는 과정에서 요구되는 핵심 기술과 일치합니다. 현재 관제사들은 매일 8만 건 이상의 비행을 안내하며 이러한 능력을 발휘하고 있습니다.

항공 교통 관제사의 연봉은 경험과 근무지에 따라 크게 달라지는데, 2024년 기준 중간 연봉은 144,580달러입니다. 특히 소규모 공항의 경험이 적은 관제사는 연간 약 60,000달러를 받는 등 보상 격차가 존재합니다. 정부는 항공 교통 관제사의 심각한 인력 부족을 지적하며, 이는 항공편 지연이나 취소로 이어질 수 있다고 경고하고 있습니다.

인공지능이 수학 분야에서 인간을 수학적으로 무력하게 만들 미래에 대해 논하며, AI가 수학적 진보를 가로막는 현상을 탐구합니다. 저자는 AI가 수학에서 초인적인 능력을 갖게 될지라도 수학적 진전이 정체될 수 있다는 시나리오를 제시하며, 이는 단순히 예측이 아니라 현재의 추세가 지속될 경우 어떤 미래가 펼쳐질지 상상해보려는 시도입니다.

최근 AI를 통해 수학 관련 결과물은 폭발적으로 증가하고 있지만, 이 결과물들이 얼마나 흥미롭거나 정확한지, 그리고 얼마나 의미 있게 논의되고 있는지는 불분명합니다. 특히 AI가 생성한 결과물들 사이에서 유사한 증명이 동시에 발견되는 현상이 나타나면서, 인간과 기계가 동일한 문제에 대해 중복적인 노력을 수행하고 있음을 보여줍니다. 이는 수학적 가치가 토큰 비용이나 기존 모델에 의한 해결 가능성이라는 비용으로 평가되는 상황을 의미합니다.

이러한 변화는 수학 커뮤니티에 심각한 영향을 미치고 있습니다. 현재는 논문이나 정리 증명 등을 통해 고품질 과학을 보상하는 방식이 있지만, AI의 등장으로 이러한 산출물의 가치가 왜곡되고 있습니다. 결과적으로 연구자들은 정확성보다는 추측을 해결하는 '슬롯머신'을 돌리는 전략을 채택하게 되며, 이는 수학의 근본적인 이해와 인간 검증의 가치를 약화시킵니다.

더 나아가, AI 모델이 논문의 핵심 아이디어를 재구성할 수 있게 되면서 연구 과정에서 '마지막 단계'의 작업만 남게 되고, 이는 연구 결과에 대한 논의를 꺼리게 만드는 위험을 초래합니다. 따라서 AI 시대에 수학 커뮤니티가 고품질 과학을 보장하고 지식의 진정한 가치를 유지하기 위해 어떤 방향으로 나아가야 할지에 대한 질문이 중요해집니다.

Xbox Elite Series 3 프로토타입 컨트롤러에 대한 유출 사진이 공개되어 관련 정보가 알려졌습니다. 레딧 사용자가 실제처럼 보이는 프로토타입 Xbox 컨트롤러 사진을 공유했으며, 이 컨트롤러는 Xbox Elite Series 3일 가능성이 높다고 언급했습니다. 이 사용자는 해당 컨트롤러를 OfferUp에서 200달러에 구매했다고 주장했습니다.

5월에 브라질 규제 기관이 유출한 이미지들을 통해 Xbox Elite 3 모델에 대한 구체적인 기능들이 공개되었습니다. 이 정보에는 컨트롤러 하단 가장자리에 새로운 두 개의 스크롤 휠이 추가된다는 내용이 포함되어 있습니다. 또한, Xbox Cloud Gaming 서버에 직접 연결할 수 있는 두 번째 무선 모드가 도입되며, 콘솔과 서버 간을 전환할 수 있는 새로운 "페어 버튼"이 추가된다는 내용이 밝혀졌습니다.

이러한 새로운 기능들 중 특히 페어 버튼의 위치에 대한 추측이 제기되고 있으며, 이는 컨트롤러의 디자인과 사용자 인터페이스에 중요한 변화를 의미합니다. 개발자 및 하드웨어 커뮤니티에서는 이러한 유출된 정보를 바탕으로 Xbox Elite 3의 최종 디자인과 기능 구현 방향에 대해 논의하고 있습니다.

트럼프 대통령의 백신 관련 명령에 대한 반발이 매우 거세게 일어났으며, 다양한 공중 보건 및 의료 기관과 독립 전문가들은 이 명령을 "위험하다", "비과학적이다", "거짓이고 오해를 불러일으킨다"고 비판했습니다. 이러한 반응은 과학, 의학, 공중 보건 배경이 없는 트럼프와 그의 보건 장관 로버트 F. 케네디 주니어의 반백신 및 반과학적 의제에 맞서 싸워온 의료 커뮤니티의 일관된 입장을 반영합니다.

미국 소아과학회(AAP)는 해당 명령을 "낙담스럽고 위험하다"고 평가하며 트럼프와 케네디 주니어의 이전 연방 아동 백신 권고 변경에 대해 소송을 제기하고 있습니다. 이들은 이미 3월에 다른 의료 단체들과 함께 연방 아동 백신 권고 변경에 대한 대부분의 변경 사항을 번복하는 임시 금지 명령을 확보한 바 있습니다.

이러한 상황에서 예상보다 덜 주목받았지만, 제약 산업으로부터의 즉각적인 반발이 나타났습니다. 특히 트럼프 대통령이 MMR 백신을 분할하도록 요구한 것에 대해 거대 제약 그룹은 이를 비합리적이라고 판단하며 강력하게 반대하고 있습니다. 이는 공중 보건 논쟁과 거대 제약 산업 간의 복잡한 이해관계가 얽혀 있음을 보여줍니다.

WorldClaw 에이전틱 3D 오픈월드 생성 기술이 대규모로 구현되었다는 내용이 발표되었습니다. 이는 3차원 환경을 대규모로 생성하는 데 있어 에이전트 기반의 접근 방식이 적용되었음을 의미합니다.

이 기술은 대규모 3D 오픈월드 생성이라는 목표를 달성하기 위해 에이전트 시스템을 활용하여 복잡한 환경을 효율적으로 생성하는 데 중점을 둡니다. 개발자들은 이 시스템을 통해 기존의 3D 콘텐츠 제작 및 환경 구축의 효율성을 높일 수 있을 것으로 기대됩니다.

구체적인 구현 방식이나 성능 지표에 대한 상세 내용은 원문을 참조해야 합니다. 해당 기술의 실제 적용 사례와 기술적 세부 사항을 확인하여 개발에 활용할 수 있습니다.

pg_clickhouse v0.10.0 릴리스를 통해 분석 워크로드에 대한 푸시다운(pushdown) 커버리지를 개선하여 TPC-H 벤치마크 전체에서 성능 향상을 이루었습니다. 특히 상관 서브쿼리(correlated subquery) 처리에서 큰 진전을 보였는데, 이전에는 32.7초가 걸리던 쿼리가 37밀리초로 단축되어 성능 차이가 세 자릿수 이상 발생했습니다.

이번 업데이트는 바이너리 드라이버를 새로운 plain-C 클라이언트 라이브러리로 재구축하고 푸시다운이 가능한 함수 및 집계 함수의 표면적을 두 배 이상 늘리는 등 내부적인 개선을 포함합니다. 이로 인해 pg_clickhouse는 네이티브 PostgreSQL의 계획보다도 더 효율적인 결과를 보여주며 분석 성능을 극대화했습니다.

하지만 여전히 일부 쿼리에서 푸시다운이 완료되지 않은 부분이 남아있습니다. 이는 PostgreSQL이 서브쿼리를 조인으로 평탄화하는 방식과 관련하여 조인 트리를 양쪽에서 모두 처리하지 못하는 한계 때문에 발생합니다. 향후 개발 방향은 이 제한을 극복하고 나머지 PostgreSQL 함수, 경량 DELETE/UPDATE, UNION 푸시다운 등을 완료하는 데 집중될 예정입니다.

쇼핑 스타트업인 Phia가 쿠키 스터핑(cookie stuffing)을 수개월 동안 알고 있었다는 보도가 나왔습니다. 이는 Phia를 공동 설립한 Phoebe Gates와 Sophia Kianni가 제휴 마케팅을 통해 발생하지 않은 구매에 대한 수수료와 크레딧을 취하는 방식으로 수익을 창출했다는 의혹에 관한 것입니다.

블룸버그의 조사에 따르면 Phia는 제휴 마케팅에서 발생하는 수익을 제대로 반영하지 않았으며, 이는 다른 제휴 마케터의 수익을 침해하는 논란의 소지가 있는 관행으로 지적되었습니다. 이 관행을 중단하자 Phia는 일일 매출에서 상당한 감소를 경험했으며, 나이키나 노드스트롬과 같은 소매업체들이 이 문제에 영향을 받았습니다.

더욱이 Phia 측은 이 문제를 버그로 언급했으나, 블룸버그 보도는 이것이 켜고 끌 수 있는 의도적인 기능이었다고 보고하며 내부적으로 이러한 관행에 대해 논의했음을 시사하는 슬랙 메시지들이 유출되었습니다. Phia는 이러한 주장에 대해 반박하면서도 이번 일을 통해 배우겠다고 밝혔습니다.

이러한 논란 외에도 Phia는 과거 사용자 행동 추적 데이터를 수집하고 서버로 전송했던 민감한 데이터 수집 문제 등 여러 논란에 직면했으며, 투자자들 역시 Phia의 공격적인 제휴 마케팅 방식에 대해 우려를 표했습니다.

Accel이 최근 수주 초과된 5억 5천만 달러 규모의 인도 펀드를 마감했으며, 이는 마지막 투자 이후 19개월 만에 이루어진 것이다. 이 자금 조달은 35억 달러 규모의 글로벌 모금 노력의 일환으로 진행되었으며, Accel은 이전 인도 펀드의 55% 이상을 여전히 투자에 사용할 수 있다고 밝혔다.

이러한 투자 결정은 인도의 다음 스타트업 물결이 인공지능뿐만 아니라 소비자 인터넷, 핀테크, 첨단 제조 분야에서도 주도될 것이라는 Accel의 예측에 기반한다. Accel은 인공지능이 개별 투자 카테고리가 아니라 이러한 모든 분야를 뒷받침하는 수평 기술이 되고 있다고 보고 있다.

Accel은 인도 스타트업들이 OpenAI나 Anthropic과 경쟁하기보다는 기존 모델 위에 AI 기반 애플리케이션과 엔터프라이즈 소프트웨어를 구축하는 데 집중할 것으로 예상한다. 이는 AI를 엔터프라이즈 및 소비자 사용 사례를 위한 애플리케이션, 인프라, 소프트웨어 구축에 중점을 두겠다는 전략이다.

또한 Accel은 인도 창업가들의 아이디어와 리더십의 질이 과거보다 훨씬 향상되었다고 평가하며, AI 기술을 도메인 전문성과 결합하여 엔터프라이즈 문제를 해결하는 데 중점을 두고 있다고 강조했다. 이는 인도 내에서 AI 네이티브 제품과 글로벌 소프트웨어 회사들이 공존하는 성장하는 시장을 반영한다.