읽을 가치가 있는 기사만, 짧고 또렷하게.

공간 추론은 모델이 3차원 공간에서 객체의 위치, 상호 관계, 움직임을 파악하도록 요구하는 작업입니다. 최근 에이전트형 VLM은 단일 패스로 답변하는 대신 3차원 인식 도구를 사용하여 증거를 능동적으로 수집함으로써 이러한 작업에서 큰 발전을 이루었습니다. 하지만 많은 질문에 대해 도구는 올바른 증거를 반환하더라도 모델은 정확한 답변에 도달하지 못하는 문제가 있으며, 이는 모델과 도구 사이의 격차, 즉 원시적인 판독값이 사용 가능한 결론으로 전환되는 지점이 채워지지 않는 상황을 의미합니다.

이에 연구진은 S-Agent 2.0을 제시했는데, 이는 범용 코딩 에이전트에 명령줄 인식 도구 세트를 장착한 공간 추론 에이전트입니다. 이 시스템은 증거 루프를 닫는 것을 목표로 하며, 장면 증거를 획득하고 이를 지속적인 장면 메모리에 기억하며 각 판독값을 순수한 공간 언어로 해석하는 원칙을 기반으로 설계되었습니다. 이러한 디자인은 코딩 에이전트의 완전한 유연성을 유지하면서, 에이전트가 취하는 모든 행동이 도구의 기하학적 정보에 기반하도록 보장합니다.

S-Agent 2.0은 MMSI-Bench와 ReVSI에서 강력한 오픈 소스 모델인 Qwen3.8-27B에 +13.9 및 +20.5점, 그리고 폐쇄형 모델인 Gemini-3.8-Flash에 +11.2 및 +9.6점을 추가하여 성능을 향상시켰습니다. 이는 도구가 더 강력해질수록 전체 백본이 발전함에 따라 도구 이득이 줄어드는 경향을 보여줍니다. 특히, 전문 시스템인 SpatialClaw와 비교했을 때 S-Agent 2.0은 ReVSI에서 +9.6점의 도구 이득을 유지하는 반면, SpatialClaw는 +13.2점에서 +2.7점으로 크게 감소하여 도구의 효과가 더 크게 줄어드는 것을 확인할 수 있습니다.

또한 S-Agent 2.0은 Codex나 Claude Code와 같은 다양한 범용 코딩 에이전트 환경에서 작동할 수 있어 광범위한 적용 가능성을 제공합니다.

다중 시점 예측을 위해서는 동일하게 진화하는 3차원 장면을 설명하기 위해 서로 다른 카메라에서 촬영된 비디오가 필요합니다. 이를 위해 본 논문은 다중 시점 비디오 기록과 언어 지시를 조건으로 미래 비디오와 지속적인 장면 점들의 3차원 궤적을 공동으로 예측하는 세계 모델인 비디오-포인트 모델(Video-Point Model, VPM)을 소개합니다. VPM은 카메라 조건부 다중 시점 처리를 통해 카메라 간의 상호 보완적인 관찰을 통합하고, 물리적 점들이 시간에 따라 어떻게 움직이는지를 예측하는 궤적 헤드를 추가하여 세계 모델을 확장합니다.

각 궤적은 모든 시점에서 단일 점을 추적하며, 이 궤적들을 비디오 생성과 함께 감독함으로써 모든 카메라에서의 외관 변화를 공유된 3차원 움직임 설명에 고정시킵니다. 이러한 학습과 평가를 지원하기 위해 동기화된 다중 시점 비디오와 지속적인 점 궤적을 쌍으로 묶는 시뮬레이션 코퍼스인 VPM-Data와 예측 벤치마크인 VP-WorldBench를 구축했습니다.

VPM을 로봇 제어로 확장하기 위해 생성기에 로봇 행동을 토큰 모달리티로 추가했습니다. 이 행동 토큰들은 점 기반으로 감독된 백본을 공유하며 미래 비디오와 공동으로 디노이징되어 정책을 동일한 3차원 인식 표현에 기반하도록 합니다. VP-WorldBench 및 기존 4차원 생성 벤치마크에서 점 감독은 비디오만 사용한 모델보다 비디오 충실도와 3차원 움직임 정확도를 모두 향상시킵니다.

또한 시뮬레이션 및 실제 로봇 실험에서 점 감독은 행동이 가능한 모델의 조작 성공률을 높이는 것으로 나타났습니다.

구조 조건화 비디오 렌더러인 SolarRenderer는 게임 엔진이나 코딩 에이전트가 지정한 장면의 레이아웃, 움직임, 카메라 정보를 현실적인 비디오로 변환하는 데 중점을 둡니다. 기존 렌더러들은 특정 엔진의 표현에 묶여 있거나 많은 디노이징 단계 또는 비용이 많이 드는 증류 과정을 필요로 했으며, 목표 비디오와 정렬되지 않은 조건으로부터 학습하는 한계를 가지고 있었습니다.

SolarRenderer는 이 문제를 해결하기 위해 고정된 MiniMax-H3 33B 백본에 두 개의 경량 LoRA를 적용하여 구조 조건화된 비디오 렌더러를 제시합니다. 이 모델은 구조 비디오를 프레임 위치에 따라 타입 식별자 없이 단순 텍스트로 입력받아, 단일 제어 LoRA가 임의의 구조 표현을 따르도록 합니다.

구조 기반 분포 일치 매칭을 통해 렌더링할 때, 이 방법은 50단계 샘플링보다 12.3배 빠른 네 단계로 결과를 도출하며 학습된 제어력을 보존합니다. 또한, 블록 인과성 변형을 통해 스트리밍 환경에서도 동일한 설계를 확장하여 768p 비디오를 실시간으로 렌더링할 수 있습니다.

모델 학습을 위해 게임 엔진, 시뮬레이터, 유튜브 비디오에서 얻은 136K 클립으로 구성된 프레임 정렬 코퍼스를 구축했으며, 이 모델은 분포 내 테스트 세트와 16개의 구조 표현에 대한 일반화 벤치마크에서 최고 수준의 결과를 달성했습니다. 특히 포즈 스켈레톤, 그림, 포인트 클라우드를 포함하여 11개의 보지 못한 표현까지 일반화하는 능력을 보여줍니다.

Sage-A1.5는 A1을 기반으로 하는 35B 규모의 Mixture-of-Experts 에이전트 모델로, 적응형 역량 조합을 통해 장기적인 문제 해결 능력을 향상시킵니다. 이는 단순히 개별 작업을 해결하는 것을 넘어 실행 과정에서 작업을 조직하고 접근 방식을 수정하는 능력을 학습합니다.

Sage-A1.5는 세 가지 주요 개선 사항을 통해 이 능력을 강화합니다. 첫째, 에이전트 오케스트레이션은 하위 에이전트 간의 작업 위임과 병렬 협업을 통해 복잡한 작업을 분해하고 동시에 처리하며 상호 간섭을 줄여 효율적인 실행을 가능하게 합니다. 둘째, 에이전트 검증은 진행 상황 확인, 증거 검증, 성찰적 전략 수정을 통해 장기적인 신뢰도를 높이며, 비생산적인 탐색 경로를 인식하고 대안적인 접근 방식을 추구할 수 있게 합니다.

셋째, 오픈 과학 발견은 에이전트의 능력을 미리 정의된 질문에 답하는 것을 넘어 탐색적 연구를 수행하고, 과학적 탐구를 상호 작용적인 분석과 검사 가능한 연구 산출물로 연결합니다. 이러한 역량은 복잡한 에이전트 작업과 다학제 과학 응용 분야를 통해 입증되었습니다.

궁극적으로 Sage-A1.5는 장기적인 작업 실행에서 협업 가능하고, 검증 가능하며, 검사 가능한 과학적 탐험으로 나아가는 실질적인 경로를 제공하여 커뮤니티에 오픈 과학 발견의 기반을 제공하고자 합니다.

실시간으로 플레이 가능한 세계를 구현하기 위해서는 지속적인 세계 상태, 실행 가능한 게임 규칙, 그리고 낮은 지연 시간의 상호작용이 필수적입니다. 이 논문은 게임 실행과 시각적 생성 과정을 분리하는 실행 가능한 게임 하네스(executable game harness)를 통해 차세대 Matrix-Game 시스템을 제시하며 Matrix-Game 4.0을 소개합니다.

Matrix-Game 4.0은 경량 게임 엔진이 세계 상태와 상호작용 규칙을 유지하고, 멀티모달 코딩 에이전트가 플레이어 아이디어를 게임 코드로 변환하며 동적 장면 캡션을 생성하고, 자기회귀 비디오 모델 기반 렌더러가 엔진이 렌더링한 저해상도 프록시를 동적 캡션과 메모리 참조에 따라 상세한 시각으로 변환하는 방식으로 구성됩니다. 이 프레임워크는 시각적 생성에 지속적인 지침을 제공하며 자연어 기반으로 장면과 게임플레이를 생성하고 수정할 수 있게 합니다.

특히 렌더러는 정렬된 저해상도 및 고충실도 비디오 쌍으로 훈련되어 인과 생성기(causal generator)로 압축되었으며, 이는 4프레임 청크와 한두 번의 노이즈 제거 단계로 생성됩니다. 이 시스템은 특정 추론 최적화를 통해 단일 NVIDIA RTX5090에서 키 입력부터 디스플레이까지의 지연 시간이 112ms인 상태에서 480p, 60 FPS 게임플레이를 가능하게 합니다.

또한 단일 단계 생성은 18.2GiB의 최대 GPU 메모리 사용량으로 83FPS의 안정 상태 처리량을 달성하며, RTX5080에서는 67FPS, RTX5070Ti에서는 58FPS의 안정 상태 처리량도 보여줍니다. 연구 및 플레이 가능한 게임 세계의 창작을 지원하기 위해 코드, 모델 가중치, 저해상도 게임 에셋이 공개되었습니다.

Claude가 전갈 신경독소에 대한 단백질 바인더를 설계하는 연구 결과가 발표되었습니다. 이 연구는 신약 개발을 가속화하기 위해 내부 연구 모델인 Claude를 활용하여 미니바인더(표적에 단단히 결합하는 작은 단백질)를 설계하는 데 중점을 두었습니다. 연구팀은 이 과정에서 211개의 디자인을 실험했고, 이 중 17개가 바인더 기준을 충족하는 것으로 나타났습니다.

이 연구는 전갈 물림으로 인해 발생하는 신경독소에 대한 치료제 개발 가능성을 탐색하는 데 기여합니다. 전갈 물림은 매년 120만 명 이상에게 영향을 미치며, 이는 의료 접근성이 제한된 지역에서 간과되는 열대 질병으로 간주됩니다. AI를 통해 신속하게 바인더를 설계할 수 있다면, 이러한 질병에 대한 발견 과정을 가속화할 수 있다는 잠재력이 있습니다.

하지만 이 연구 결과는 몇 가지 중요한 한계를 가지고 있습니다. 설계된 바인더들은 실험실에서 배양된 재조합 독소에만 결합하며, 실제 독소에서 정제된 물질에는 결합하지 않는다는 점이 확인되었습니다. 또한, 이 바인더들이 세포 환경이나 살아있는 동물(쥐 등)에서 독소를 중화시키는지에 대한 검증은 아직 이루어지지 않았습니다.

연구팀은 이 결과를 바탕으로 다른 연구자들이 후속 연구를 진행할 수 있도록 211개의 디자인과 데이터를 공개했습니다. 궁극적인 목표는 바인더를 안전하고, 저렴하며, 광범위하게 접근 가능한 약물로 전환하는 것이며, 이는 단순히 독소 결합을 넘어 안전하고 접근 가능한 치료제를 개발하는 데 달려 있습니다.

에이전트의 속도를 극적으로 높이기 위해 전체 법무법인의 지식 그래프를 구축하는 방법이 제시되었습니다. 법무법인에 전체 지식 그래프를 제공하고 다섯 가지 법무법인 전반의 질문을 던진 결과, 답변 정확도는 유지하면서 응답 시간을 73% 단축하고 입력 토큰을 92% 줄이며 모델 호출 횟수를 66% 감소시켰습니다.

이 지식 그래프는 법무법인의 업무와 문서에서 개별 조항, 법률, 노하우, 고객, 이메일, 마감일 및 시간 장부까지 연결하는 구조를 가집니다. 이러한 그래프는 데이터에 내재된 정보를 명시적으로 파싱할 수 있게 하여, 단순 검색이 아닌 네트워크 검색을 통해 관련 정보를 찾아낼 수 있게 합니다.

이 그래프는 규칙 기반 접근 방식과 모델 기반 접근 방식을 결합하여 구축됩니다. 규칙은 빠르고 예측 가능하게 사실을 파싱하며, 모델은 규칙이 읽지 못한 부분에 대해서만 작동하여 비용을 절감합니다. 예를 들어, 규칙이 읽지 못한 문장만 소규모 모델에 전달하여 비용을 최소화하면서 필요한 정보를 추출합니다.

이러한 그래프는 특히 법률적 의존 관계를 추적하는 데 유용합니다. 예를 들어, 상급 법원의 결정이 이전 판례에서 벗어났을 때, 해당 결정에 의존하는 모든 문서와 관련 노하우, 조항들을 역추적하여 의존 관계를 명확히 파악할 수 있습니다. 이는 법무법인이 복잡한 법적 맥락 속에서 의존성을 신속하게 이해하고 관리하는 데 결정적인 역할을 합니다.

1996년, 작가는 졸레로 대학교에서 박사 과정을 밟던 시절 친구 밥 크링리(Bob Cringely)와의 경험을 회상하며 자바(Java)의 초기 역사와 프로그래밍 서적 출판에 대해 이야기합니다. 밥은 자신이 자바 관련 책 7권을 읽었다고 주장하며, 당시 프로그래밍 서적 출판이 얻는 명성이나 주목에 대해 논의합니다.

이후 두 사람은 자바 교육 관련 회사 설립과 시스템 구축에 참여하며 사업을 진행했는데, 이 과정에서 인터넷 환경에서 잡지(예: Good Housekeeping)를 다운로드하여 프린터로 출력하는 시스템인 ‘프론토(Pronto)’를 개발했습니다. 프론토는 인터넷 연결 상태를 모니터링하여 잡지를 다운로드하고 출력하는 데 사용되었으나 의미 있는 상업적 출시로 이어지지는 않았습니다.

이 경험은 작가가 밥과 함께 여러 스타트업 아이디어를 구상하고 발전시키는 과정과 연결되며, 밥이 가진 대중적인 매력과 사업적 통찰력에 대한 성찰을 담고 있습니다. 밥은 기술적 성취에 대한 관심이 부족한 사람들에게 자신을 이해하고 편안하게 해주는 존재였다고 설명합니다.

또한, 밥은 자바의 발전에 대해 선 마이크로시스템즈(Sun Microsystems)와 논쟁을 벌였으며, 이 과정에서 작가는 자바를 옹호하는 입장을 취했습니다. 이 이야기는 기술적 성취와 사업적 성공을 추구하는 과정에서 개인적인 관계와 문화적 맥락이 어떻게 작용하는지에 대한 통찰을 제공합니다.

OpenRouter에서 토큰 사용량에 대한 새로운 변화가 관찰되었으며, 이는 토큰 최대화(token-maxxing) 트렌드가 종료되고 플랫폼의 토큰 사용량이 정체되고 있음을 시사합니다. 이는 AI 모델 사용 비용과 효율성에 중점을 두는 개발자들에게 중요한 맥락을 제공합니다.

최근의 분석에 따르면, 사용자들이 단순히 토큰 사용량을 극대화하는 전략보다는 모델의 품질과 효율적인 추론에 더 집중하는 방향으로 변화하고 있습니다. 이러한 변화는 AI 서비스 제공자들이 토큰당 비용을 관리하고 서비스의 가치를 높이는 데 초점을 맞추게 만들고 있습니다.

결과적으로 OpenRouter 플랫폼의 토큰 사용량은 특정 수준에서 정체 상태에 도달했습니다. 이는 사용자들이 더 이상 무작정 토큰을 많이 사용하는 것보다, 주어진 토큰 내에서 더 높은 품질의 결과를 얻는 데 집중하고 있음을 의미합니다. 개발자들은 이제 토큰 수 자체보다는 모델의 성능과 비용 효율성을 동시에 고려해야 하는 상황에 놓였습니다.

Nscale과 Anthropic이 또 다른 450억 달러 규모의 컴퓨팅 거래를 논의 중이라는 보도가 나왔습니다. 이는 두 회사가 지난 8월에 발표했던 대규모 컴퓨팅 계약에 이어 또다시 거대한 거래를 추진하고 있음을 시사합니다.

이러한 소식은 AI 인프라 시장에서 막대한 자금이 움직이고 있음을 보여주며, 일부 투자자들은 기업들이 수익보다 과도한 비용을 지출하고 있다는 우려를 표하고 있습니다. 하지만 Anthropic과 Nscale은 이러한 파트너십이 장기적으로 성공할 것이라는 믿음을 바탕으로 협상을 계속하고 있습니다.

현재 Anthropic과 Nscale 모두 기업공개(IPO)를 추진하고 있으며, Anthropic은 올해 상장될 것으로 예상됩니다. 반면 Nscale은 300억 달러의 가치 평가에 대해 투자자들의 반발을 경험하고 있습니다. 따라서 이 거래가 실제로 성사될 경우, AI 컴퓨팅 분야의 투자 및 기업 가치 평가에 중요한 영향을 미칠 것으로 보입니다.

Windows 공식 지원이 없는 ASUS ProArt P16 노트북에 Linux를 설치하는 방법과 하드웨어 지원 패치에 대한 구성이 공개되었습니다. 개발자들은 이 구성을 통해 특정 하드웨어 환경에서 리눅스 설치의 가능성을 탐색할 수 있습니다.

이 프로젝트는 NVIDIA의 Ubuntu용 커널 작업을 기반으로 ACPI, 콘솔, 키보드, 오디오 지원을 보완하고 확장하는 방식으로 진행되었습니다. 이를 통해 Windows만 공식 지원하는 해당 노트북에 Arch Linux ARM을 설치할 수 있는 환경이 마련되었습니다.

설치 과정은 확장된 Archinstall 4.5를 사용하여 진행될 수 있으며, 부팅 가능한 USB 빌드 구성이 공개되었습니다. 이는 공식적인 지원이 없는 하드웨어에 리눅스를 설치하기 위한 구체적인 방법론을 제시합니다.

모델의 가중치를 편집하여 백도어를 심는 '절단(abliteration)' 기법을 통해 오픈 모델이 어떻게 공격당할 수 있는지 연구 결과를 공개했습니다. 절단은 모델이 거부할 수 있는 능력을 제거하는 저렴한 미세 조정 방식으로, 공격자는 이 방법을 이용해 모델이 안전하게 거부해야 할 요청에 응답하도록 조작할 수 있습니다.

연구팀은 이 기법을 사용하여 7B 규모의 모델에 백도어를 심고, 특정 트리거 문구(예: "bonsoir, Elliot")가 나타날 때 모델이 외부 도구를 호출하여 프로젝트 자격 증명과 같은 민감한 정보를 유출하도록 시연했습니다. 이 백도어는 모델이 정상적인 요청에 응답한 후, 설정된 원격 페이로드 URL로 정보를 전송하는 방식으로 작동하며, 이는 모델이 배포된 후에도 공격자가 행동을 변경할 수 있게 만듭니다.

이러한 공격은 모델이 Hugging Face와 같은 플랫폼에 업로드될 때 흔히 발견되는 절단된 빌드를 통해 발생하며, 공격자는 공개된 기본 모델과 공공 데이터셋, 임대한 GPU만으로도 백도어를 구축할 수 있습니다. 연구 결과는 1.5B 모델에서 7B Codex 모델까지 확장되었으며, 전체 비용은 50달러 미만으로 집행되었습니다.

결론적으로, 개발자와 보안 담당자는 오픈 모델의 공급망에서 이러한 취약점을 식별하고 잠재적인 위험 범위를 평가하여 방어해야 합니다. 이는 모델이 실행하는 코드나 인프라에 대한 보안을 강화하고, 모델의 무결성을 검증하는 것이 필수적임을 시사합니다.

AI 모델 평가를 위한 방법론이 아직 미성숙하여 단순한 해결책이 되지 못할 것이라는 분석이 나왔습니다. Hugging Face의 정책 책임자인 아이린 솔라이만은 AI 연구소들이 모델 벤치마킹에 의존하여 AI 제품 간의 우위를 측정하고 명성을 쌓아왔지만, 이러한 평가를 뒷받침하는 방법론 자체가 복잡하고 아직 발전 중이라고 밝혔습니다.

모델 벤치마킹은 특정 AI 제품이 다른 제품보다 더 나은지를 측정하기 위해 설계된 중립적이고 정확한 평가 시스템으로 여겨져 왔습니다. 그러나 이러한 평가를 수행하는 데 사용되는 방법들은 복잡하며 여전히 성숙하는 단계에 있어, 개발자들이 쉽게 적용할 수 있는 단순한 솔루션으로 보기는 어렵다는 것입니다.

이러한 맥락에서 AI 연구소들은 모델 평가의 신뢰성과 정확성을 확보하는 데 어려움을 겪고 있습니다. 따라서 AI 시스템의 성능을 객관적으로 측정하고 비교하는 기준을 마련하는 것이 앞으로 중요한 과제가 될 것입니다.

펜실베이니아 주 보건 당국은 임신 중 및 신생아에게 발생한 홍역 사례가 계속 증가함에 따라 건강 경보를 발령했습니다. 이 경보에는 홍역 노출 및 임신 중 발생 사례, 신생아 사례를 관리하기 위한 상세한 임상 지침이 포함되어 있습니다. 특히 선천성 홍역은 치명적일 수 있으며 생존자들은 수년간 모니터링이 필요하다는 점이 강조되었습니다.

이러한 사례는 수십 년 동안 미국에서 관찰되지 않았던 것으로 알려져 있어 이번 발생이 주목됩니다. 백신 접종률이 전국적으로 감소하면서 매우 전염성이 높은 바이러스가 지역사회에 자리 잡고 빠르게 확산될 수 있는 환경이 조성되었습니다. 이는 백신 접종률이 낮은 지역에서 특히 심각한 상황을 초래하고 있습니다.

10월 19일 기준으로 펜실베이니아 주에서는 올해 42개 카운티에서 총 1,286건의 홍역 사례가 보고되었습니다. 이 중 247건이 입원했으며 6명이 사망한 것으로 보고되었으나, 최신 사망 사례는 주 보건 당국의 조사가 완료될 때까지 집계되지 않았습니다.

유럽 주요 17개 시장에서 9월 배터리 전기차(BEV) 등록 대수가 70.3% 증가하며 강력한 성장세를 보였습니다. 이는 전체 자동차 판매량의 약 3분의 1을 차지하는 수치로, 전기차 시장이 지속적으로 확대되고 있음을 보여줍니다.

이러한 전기차 성장은 높은 유가와 정부 보조금 정책, 그리고 더 저렴한 모델의 공급이 복합적으로 작용한 결과입니다. 이러한 요인들은 소비자들의 전기차 구매를 촉진하며 시장 성장을 계속 이끌고 있습니다.

올해 유럽에서 누적된 BEV 등록 대수는 총 198만 대를 기록했습니다. 이는 전기차 시장이 상당한 규모로 성장했음을 나타내며, 향후 시장 동향을 예측하는 데 중요한 데이터가 됩니다.

광고 없는 안드로이드 TV 환경을 구축하기 위해 기본 인터페이스를 대체하는 방법을 상세히 설명하는 튜토리얼입니다. 이 방법은 Google TV와 YouTube 광고를 제거하고 사용자가 선호하는 인터페이스를 구현하는 것을 목표로 합니다.

이 목표를 달성하기 위해 Projectivy Launcher를 홈 화면 대체용으로, SmartTube를 YouTube 대체용으로, Wholphin을 Jellyfin 클라이언트로, Button Mapper를 리모컨 매핑용으로 사용합니다. 이들 앱을 설치한 후에는 ADB 명령어를 사용하여 시스템 기본 런처와 YouTube 앱을 제거하고 커스텀 런처를 적용하는 복잡한 과정이 필요합니다.

구체적으로 ADB 명령어를 통해 시스템 설정과 접근성 서비스를 조정하고, 배터리 최적화에서 제외하는 등의 작업을 수행해야 합니다. 특히 Projectivy와 Button Mapper가 정상적으로 작동하도록 접근성 서비스 설정을 변경하고 권한을 부여하는 과정이 핵심입니다.

이 과정을 통해 최종적으로 광고 배너 없이 사용자가 실제로 사용하는 앱만 표시되는 환경을 구축할 수 있으며, 모든 변경 사항은 ADB 명령어를 통해 되돌릴 수 있습니다.

도널드 트럼프 대통령은 오늘 오후 일론 머스크의 스페이스X 주식을 아동들에게 트럼프 계좌를 통해 제공할 것이라고 발표했습니다. 머스크는 앞서 내년에 미국 모든 아이들에게 스페이스X 주식 중 하나를 나누어 주겠다고 밝혔으며, 이 계획을 가능하게 한 브래드 거스트너를 감사했습니다.

스페이스X 주식의 가치를 고려할 때, 금요일 기준 72백만 주가 약 105억 달러의 가치를 지니는 것으로 CNBC는 보도했습니다. 머스크는 이번 조치가 여러 차례에 걸친 것 중 첫 번째라고 언급했습니다.

이 계획에는 마이클 델, 수잔 델, 레이와 바바라 달리오, 거스트너, 그리고 스페이스X 사장인 그윈(Gwynne) 등 여러 인물들이 관련되어 있습니다. 이는 머스크가 추진하는 자선 활동과 정치적 관계가 결합된 형태로 진행되고 있습니다.

설비 정보 국제 표준인 AAS(Asset Administration Shell, IEC 63278)를 공장에 적용하는 데 필요한 작업을 웹 화면 하나로 모은 TypeScript 오픈소스가 공개되었습니다. 이 도구는 AAS 파일의 작성, 검사, 설비 값 수집 과정을 통합하여 처리할 수 있게 해줍니다.

이 오픈소스는 AAS 파일을 웹에서 열고 처리할 수 있도록 지원하며, 메타모델 V3.0, V3.1, V3.2를 다룰 수 있습니다. 특히 새로운 모델은 V3.1 버전으로 시작하여 업데이트되고 있습니다.

또한 이 도구는 총 52종의 검사 규칙을 관리할 수 있는 기능을 제공하여 복잡한 설비 정보 표준을 효율적으로 관리할 수 있도록 돕습니다. 이는 AAS 표준을 실제 공장 환경에 적용하는 데 필요한 데이터 관리 및 검증 과정을 간소화하는 데 중점을 둡니다.

마이크로소프트는 AI 에이전트가 내부자 위협과 같다고 경고하며 기업 보안을 위한 새로운 기능을 도입했습니다. 이는 오픈AI나 앤트로픽 같은 최첨단 모델(frontier models)이 예측 불가능하며 조직의 판단이나 규범을 따르지 않고 행동할 수 있기 때문에 신뢰할 수 없다는 인식에서 비롯됩니다.

마이크로소프트는 이러한 위험에 대응하기 위해 프로젝트 인지(Project Perception)의 일환으로 가드레인 에이전트(Guardian Agents) 기능을 출시했습니다. 이 기능은 기업이 사용하는 AI 에이전트를 모니터링하고 통제하기 위해 설계되었으며, AI 모델 제공업체로부터 얻는 정보의 공급과 그 권한을 분리해야 한다는 논리를 바탕으로 합니다.

특히 마이크로소프트는 직원들이 사용하는 에이전트의 행동을 감지하고 데이터 및 시스템 접근을 제한하며, 위험한 결정을 내릴 경우 인간의 승인을 요구하는 기능을 추가했습니다. 이는 Claude Code나 Codex와 같은 에이전트뿐만 아니라 최대 60가지 유형의 에이전트를 탐지할 수 있는 기능을 포함하며, 에이전트가 조직의 규범을 따르지 않고 임무 수행에 필요한 행동을 할 수 있다는 점을 강조합니다.

이러한 움직임은 AI 에이전트를 내부자 위협으로 간주하는 산업 전반의 흐름을 반영하며, 마이크로소프트는 에이전트 보안 솔루션을 통해 경쟁사 대비 기업 고객을 확보하려는 전략을 취하고 있습니다. 또한 엔비디아의 오픈 에이전트 안전 플랫폼과 같은 다른 기술 기업들도 에이전트의 안전한 환경 격리와 행동 모니터링에 집중하고 있습니다.

새로운 보고서에 따르면 미국은 재생 에너지 성장이 둔화되는 동안 화석 연료 인프라를 지난 10년 동안보다 더 많이 건설하고 있습니다. 이는 에너지 전환 과정에서 화석 연료 기반 인프라 구축이 가속화되고 있음을 보여줍니다.

또한 데이터 센터, 공장, 전기차 등이 전력망에 연결되면서 전력 수요 역시 10년 이상 만에 가장 빠르게 증가하고 있습니다. 이러한 증가하는 수요에도 불구하고 트럼프 행정부는 풍력 및 태양광 산업을 약화시키고 화석 연료에 유리한 방향으로 정책을 추진했습니다.

이러한 변화는 미국 에너지 환경 전반에 걸쳐 이미 영향을 미치고 있습니다. 환경방어재단(Environmental Defense Fund)과 Atlas Public Policy 연구소에서 발표한 보고서는 에너지 지형이 변화하고 있음을 시사하며, 이는 개발자들에게 에너지 인프라와 정책 변화를 고려할 필요가 있음을 의미합니다.