읽을 가치가 있는 기사만, 짧고 또렷하게.

마이크로소프트가 오픈AI와 앤트로픽과 경쟁하며 자체적인 AI 모델과 솔루션을 공개적으로 제시하고 있습니다. 마이크로소프트는 클라우드 및 소프트웨어 서비스 기업으로서 두 주요 AI 연구소의 지분을 보유하고 있는 독특한 위치에 있으며, 최근 기록적인 실적을 발표하며 이러한 경쟁 구도가 더욱 심화되고 있습니다.

사티아 나델라 CEO는 기업들이 특정 선두 AI 연구소에만 의존하지 말고 자체적인 AI 모델을 활용하여 고객의 운명을 스스로 결정해야 한다고 강조했습니다. 이는 엔터프라이즈 환경에서 데이터 유출 위험과 벤더 종속 문제를 피하고, 비용 효율성을 확보하기 위한 전략으로 해석됩니다. 마이크로소프트는 자체 개발한 MAI 모델 패밀리와 AI 에이전트, 보안 솔루션을 제공하며 경쟁사 대비 낮은 비용으로 대안을 제시하고 있습니다.

기술적인 관점에서 마이크로소프트는 모델과 하네스(harness)를 분리하여 어떤 모델이든 교체 가능하도록 플랫폼을 설계하고 있습니다. 또한, 단일 모델에 의존하지 않고 여러 모델을 조합하여 특정 문제에 대응해야 한다는 점을 강조하며, 이는 AI 시스템의 안정성과 신뢰성을 높이는 접근 방식입니다.

마이크로소프트는 자체 AI 칩인 마야(Maya)에서 MAI 모델을 구동하여 전력당 성능을 40% 향상시켰으며, 오픈AI, 앤트로픽, 미스트랄 등 11,000개 이상의 모델을 클라우드에서 제공하고 있습니다. 이와 함께 마이크로소프트는 자체 경쟁 모델인 MAI Cyber One Flash를 통해 보안 하네스와 결합했을 때 기존의 Mythos 모델보다 비용 효율적인 성능을 달성하는 것도 보여주고 있습니다.

Claude Code 에이전트를 병렬로 사용할 때 발생하는 리소스 문제와 CI 비용을 해결하기 위한 로컬 병합 대기열 도구가 소개되었습니다. 8GB 기기에서 여러 에이전트가 동시에 빌드 및 테스트를 시도할 경우 강제 종료나 공유 리소스 불안정성이 발생할 수 있어, 모든 커밋을 순차적으로 처리하여 안정성을 확보하는 것이 핵심입니다.

이 도구는 이러한 문제를 해결하기 위해 모든 커밋이 한 번에 하나씩 처리되도록 보장하는 로컬 병합 대기열을 설계했습니다. 이를 통해 푸시 경쟁, 중복 빌드, 공유 리소스 테스트의 불안정성을 방지하며, 보다 사양이 낮은 환경에서도 안정적인 코드 흐름을 유지할 수 있게 합니다.

claude-code-merge-queue는 GitHub의 병합 대기열과 달리 모든 작업을 로컬에서 실행하여 GitHub Actions 사용료를 발생시키지 않으며, 설정 파일 하나로 모든 환경 변수와 실행 명령을 관리합니다. 또한, 안전장치로 `checkCommand`를 통해 실제 테스트를 통과해야만 병합이 이루어지도록 설정하고, 충돌 발생 시 자동 취소 기능을 제공하여 안정적인 코드 관리를 지원합니다.

이 시스템은 PID 생존 여부를 기반으로 잠금을 관리하여 충돌 없이 안전하게 작동하며, 비상 상황을 위한 긴급 푸시 옵션도 제공합니다. 이는 병렬 AI 에이전트 환경에서 발생할 수 있는 실수를 방지하고, 로컬 환경에서 효율적이고 안전하게 코드 통합 작업을 수행하고자 하는 개발자에게 유용한 대안을 제시합니다.

Manganin은 기존 GitHub식 모델을 복제하지 않고 새로운 협업 방식을 모색하며 타협 없는 현대적인 소스 코드 관리를 목표로 Zig 언어로 개발되고 있는 Git 포지입니다. 이 프로젝트는 개발자들이 보다 책임감 있는 방식으로 협업할 수 있도록 새로운 시스템을 도입하고자 합니다.

Manganin의 핵심은 기여자가 이슈나 풀 리퀘스트(PR)를 생성하기 위해 기존 구성원으로부터 보증을 받아야 한다는 점입니다. 이를 통해 사용자별 책임 경로를 명확하게 추적하는 보증 트리(vouch tree) 시스템을 구현했습니다. 이 시스템은 누가 어떤 작업에 책임지고 기여했는지 투명하게 기록하여 소스 코드 관리의 신뢰도를 높이는 데 중점을 둡니다.

이러한 보증 트리 방식은 단순한 코드 관리 기능을 넘어 협업 과정에서 각 참여자의 책임 소재를 명확히 하여 더욱 현대적이고 책임감 있는 협업 방식을 제시합니다. Manganin은 기존의 소스 코드 관리 방식에 대한 새로운 접근법을 제공하며 개발 커뮤니티에 새로운 협업 모델을 제안하고 있습니다.

채용 플랫폼은 실제 채용 정보가 아닌 데이터 수집을 목적으로 운영되고 있습니다. 링크드인 채용 공고의 27%가 존재하지 않는다는 통계가 있으며, AI 회사들은 micro1, DataAnnotation, Mercor와 같은 플랫폼에 모호한 공고를 대량으로 올려 데이터 수집 파이프라인을 구축하고 있습니다.

이러한 시스템은 지원자들이 3시간이 걸리는 기술 평가나 인터뷰 녹화에 참여하도록 유도하며, 이 과정에서 생성된 답변과 영상 데이터는 채용 과정에 관여하는 인간 없이 데이터 브로커에게 제공됩니다. Mercor와 같은 회사는 지원자의 기여에 대한 상업적 권리를 소유하며, 이는 채용 과정이 실제 채용이 아닌 데이터 수집으로 변질되었음을 의미합니다.

실제 채용 시장은 AI의 영향으로 혼란을 겪고 있으며, 채용 공고는 134% 증가한 반면 실제 기술 채용은 34% 감소했습니다. 기업들은 임금 억제와 인력 파이프라인 구축을 위해 의도적으로 존재하지 않는 '유령 일자리(Ghost Jobs)'를 게시하며, AI 스크리닝을 통해 지원자를 자동 거부하는 방식으로 시스템을 운영하고 있습니다.

따라서 지원자는 채용 플랫폼을 신뢰하지 말고, 지원 데이터가 상품으로 취급되는 현실을 인지해야 합니다. 시간과 노력을 투자하기 전에 BBB나 Glassdoor 같은 외부 정보를 확인하고, 보상 없는 평가에 응하지 않으며, 지원 기록을 신중하게 관리해야 합니다.

OpenBSD의 핵심 데몬인 relayd(8)와 httpd(8)의 지속적인 진화 과정을 다루는 글입니다. 이 작업은 과거 개발 동력이 멈췄던 이들 소프트웨어를 현대화하고 코드 품질, 보안, 안정성을 개선하는 데 중점을 두었습니다.

저자는 개인적인 필요와 LLM의 등장으로 인해 C 언어에 다시 도전하며 이 프로젝트에 참여했습니다. 이 과정에서 코드를 개선하고 시스템을 현대화하는 경험을 통해 개발자로서의 동기를 재확인했다고 설명합니다. 특히, 이 작업은 단순히 버그를 수정하는 것을 넘어 코드베이스를 깊이 이해하는 데 큰 도움이 되었습니다.

relayd(8)에서는 imsg 메시지 시스템을 새로운 안전한 게터로 전환하고 로깅을 표준화하는 등 코드 품질 개선을 이루었습니다. httpd(8) 역시 TLS 암호화 설정 변경, 요청 스머글링 공격 방지, 사용자 정의 HTTP 헤더 지원 등 중요한 보안 및 기능 개선이 이루어졌습니다.

이러한 개선 사항들은 최신 보안 표준을 반영하고 시스템의 안정성을 높이는 데 기여하며, 현재 개발 작업은 GitHub와 Codeberg를 중심으로 진행되고 있습니다. 이 글은 레거시 시스템을 현대화하는 과정에서 얻은 구체적인 기술적 성과와 그 배경을 제공합니다.

Tilde는 클라우드에 배포되는 AI 에이전트를 구축하기 위한 하네스 SDK로, 매우 빠르고 자체 호스팅이 가능하게 설계되었습니다. 개발자는 Tilde를 사용하여 단순한 작업부터 고도로 복잡한 작업까지 수행할 수 있는 단일 에이전트 하네스를 구축할 수 있습니다. 이 플랫폼은 하네스와 AI 에이전트 라이브러리들이 제공하지 못했던 개발자 경험, 이식성, 구성 가능성을 제공하는 것을 목표로 합니다.

Tilde는 에이전트에게 필요한 기능을 구성 가능한 컴포넌트로 제공합니다. 도구(Tools) 기능으로는 MCP 서버를 실행하거나 자체 도구를 추가할 수 있으며, 채팅 기능(ChatKit)으로는 슬랙이나 깃허브와 같은 외부 채팅 제공업체와의 통합을 지원합니다. 또한 메모리(Memory) 기능을 통해 스킬 레지스트리, 위키, 영구적인 기억을 중앙에서 관리하여 에이전트가 스스로 최신 정보를 유지하도록 합니다.

실제 적용 사례로 코드 리뷰 에이전트를 구축하는 것이 소개되었습니다. 이 에이전트는 깃허브 PR에 태그를 달고, 샌드박스 환경에서 코드를 안전하게 체크아웃하며, 시스템 프롬프트를 기반으로 git diff를 분석하고 인라인 및 요약 메시지로 PR에 피드백을 제공하도록 설계되었습니다.

Tilde는 이러한 복잡한 인프라 구성과 통합을 SDK가 처리하여 개발자가 핵심 로직에 집중할 수 있게 합니다. Tilde는 클라우드 기반이며 중앙에서 관리되고 권한이 부여되어 있어 포터빌리티를 극대화하며, 현재 Vercel의 AI SDK와 연동된 클라이언트 라이브러리가 구축되어 있습니다.

루비 센트럴(Ruby Central)이 번들러(Bundler), 루비젬스(RubyGems), 루비젬스닷오지(RubyGems.org)와 같은 오픈 소스 프로젝트를 장악하면서 커뮤니티에 심각한 영향을 미쳤다는 내용입니다. 이들은 과거 컨퍼런스 운영을 중단하고 오픈 소스 소프트웨어를 매츠(Matz)로 이전하는 등 주요 활동을 중단했으며, 오픈 소스 기여자들과 이사회 구성원들을 대거 잃었습니다.

루비 센트럴은 이 과정에서 컨퍼런스를 두 번 모두 종료하고 오픈 소스 소프트웨어의 절반을 이전했으며, 루비젬스닷오지 운영자 중 7명 중 6명을 잃고 3명의 이사회 구성원과 3명의 임원직을 잃는 등 광범위한 손실을 입었습니다. 특히 이사회는 선거 없이 기존 이사들에 의해 새로운 이사가 선정되어 이해 상충 문제가 발생했으며, 이는 커뮤니티 거버넌스에 대한 신뢰를 크게 훼손했습니다.

이러한 분쟁은 번들러 및 루비젬스 이름의 소유권 문제와 관련하여 저자와 루비 센트럴 간에 해결되지 않은 법적 분쟁으로 이어졌습니다. 루비 센트럴은 현재까지도 소송 위협을 철회하지 않았으며, 이는 커뮤니티의 신뢰와 프로젝트를 유지해 온 기여자들에게 큰 상처를 남겼습니다.

결과적으로 루비 커뮤니티는 보다 개방적인 거버넌스를 통해 프로젝트를 운영하고, 커뮤니티가 직접 참여하는 방식으로 발전해야 한다는 목소리가 커지고 있습니다. 이는 gem.coop과 같이 유지보수자들이 직접 통제하는 오픈 소스 프로젝트를 구축하고, 루비 개발을 모두를 위한 더 나은 방향으로 발전시켜야 한다는 주장으로 이어지고 있습니다.

구글은 AI를 활용하여 크롬의 보안을 지속적으로 강화하고 있습니다. 이 업데이트를 통해 구글은 지난 2년간보다 더 많은 크롬 버그를 해결했으며, 이는 AI 기반의 취약점 발견, 분류 및 패치 프로세스를 통해 달성되었습니다.

보안 취약점은 악용될 경우 공격자가 시스템에 악의적인 행위를 하거나 개인 데이터를 읽을 수 있게 하므로 신속한 해결이 중요합니다. 구글은 LLM을 활용하여 수백 개의 보안 버그를 인간의 전문 지식의 한계를 넘어 더 빠르고 포괄적으로 찾고 수정하는 것을 목표로 합니다.

이러한 목표를 위해 구글은 취약점 연구에 LLM을 적용하는 데 있어 여러 기술적 개선을 이루었습니다. 구체적으로는 모델 간 상호 운용성을 추가하고, 크롬의 전체 Git 기록과 모든 CVE를 포함하는 지식 기반을 구축하여 LLM의 추론 능력을 확장했습니다. 또한 개발자들이 신뢰 경계를 더 잘 이해하도록 돕는 SECURITY.md 파일 추가와 모델의 비결정성을 보정하기 위한 다중 실행 기능을 도입했습니다.

AI 기반 취약점 탐지는 기존의 퍼징(fuzzing)과 같은 보안 테스트 인프라를 보완하며, 빠른 배포 메커니즘과 깊은 구조적 방어를 결합하여 사용자를 방해하지 않으면서 브라우저를 지속적으로 보호하는 데 중점을 둡니다. 구글은 이러한 AI 기술을 안전하게 운영하기 위해 모델이 인터넷에 접근하지 못하도록 격리된 환경에서 분석하며, 악성 활동을 차단하는 엄격한 접근 목록을 사용하고 있습니다.

최근 머신러닝 학회 제출물에 대한 검토 과정에서 인공지능(AI)이 생성한 허위 인용이나 저자 목록이 발견되는 심각한 문제가 드러났습니다. 연구자들은 지난 여름에 22개의 ML 학회 제출물을 검토했는데, 이 중 68%에 해당하는 15개 논문에서 완전히 조작된 인용이나 저자 목록, 또는 명백한 LLM 생성 내용이 발견되었습니다.

이러한 문제는 단순히 학술적 오류를 넘어 광범위하게 퍼져 있으며, AI가 생성한 인용이 수많은 논문에 분산되어 존재합니다. 2025년 한 해 동안 arXiv, PubMed Central 등에서 발견된 허위 인용은 약 146,900건에 달했으며, 이는 특히 초기 경력 연구자나 소규모 팀에서 더 흔하게 나타났습니다.

더 나아가, 이 문제는 심사 과정 자체에도 영향을 미치고 있습니다. 일부 AI 기반 검토 과정에서는 AI가 생성한 윤리 검토나 반박이 발견되었으며, 심지어 공격자가 AI 검토자를 속여 수용률을 부풀리는 방식으로 AI 도구를 악용하는 사례도 보고되었습니다.

이러한 상황은 동료 검토자들이 시간과 노력을 들여 수행하는 자원봉사적 과정에 혼란을 야기하며, 연구의 질을 담보하는 과정에 대한 근본적인 질문을 던지게 합니다. 따라서 현재는 인용 및 출처를 감사하는 도구와 같은 기술적 솔루션을 개발하고, 학회 차원에서 AI 사용에 대한 정책을 마련하는 노력이 진행되고 있습니다.

식물을 이용해 이산화탄소를 줄이는 것이 이론적으로 가능하지만 실제 환경에서 이를 구현하는 데는 많은 물리적 제약이 따른다. 식물은 광합성을 통해 이산화탄소를 산소로 전환하는데, 이 과정에 필요한 최소 에너지는 이산화탄소 1몰을 포도당과 산소로 전환하는 데 약 477킬로줄이다. 이상적인 조건에서 식물이 에너지를 완벽하게 활용한다면 시간당 약 132.5와트의 에너지만 필요하지만, 실제 식물은 빛을 흡수하고 광합성을 수행하는 과정에서 에너지 손실이 발생한다.

실제 식물이 광합성을 통해 이산화탄소를 중화시키기 위해서는 빛의 효율성과 에너지 손실을 고려해야 한다. 식물은 엽록체 외의 다른 부분으로 빛이 반사되거나 통과하면서 에너지를 열로 소모하며, 이로 인해 실제 광합성 효율은 최대 918와트까지 증가할 수 있다. 또한 식물의 엽면적당 광자 밀도 흡수량은 매우 제한적이며, 예를 들어 고사리 한 포기는 제곱미터당 약 52와트의 에너지만을 흡수할 수 있다.

따라서 이산화탄소를 중화시키기 위해서는 최소한 1킬로그램의 이산화탄소를 제거할 때 17.6제곱미터의 고사리 잎이 필요하다는 계산이 나온다. 이는 단순히 식물의 존재만으로는 환경 문제를 해결할 수 없으며, 식물이 흡수한 탄소를 결국 식물 자체에 저장하는 물리적 한계가 존재한다는 것을 의미한다.

DuckDB에서 대용량 Parquet 파일을 페이지 단위로 읽을 때 파일의 행 번호(file_row_number)를 사용하는 것이 오프셋(OFFSET)을 사용하는 것보다 훨씬 빠르고 정확합니다. API 응답 크기 제한 때문에 데이터를 페이지별로 반환해야 하는 상황에서 오프셋은 원하는 페이지를 찾기 위해 파일 전체를 지나야 하므로 성능이 저하될 수 있습니다. 반면 파일의 행 번호를 사용하면 Parquet 파일이 저장된 행 그룹(row group)을 기준으로 특정 행 범위에 해당하는 블록을 건너뛰어 읽을 수 있어 전체 파일에 대한 불필요한 접근을 최소화합니다.

실제 2천만 행 파일과 163개의 행 그룹을 가진 예시에서 파일 행 번호 기반의 범위 검색 방식은 오프셋 방식보다 2.53배 더 빠른 성능을 보였습니다. 이는 단순히 속도 차이뿐만 아니라, 데이터의 정확성 측면에서도 큰 차이를 보입니다. 오프셋은 원하는 페이지를 찾기 위해 많은 행을 재계산해야 하므로 결과적으로 잘못된 행을 반환할 가능성이 있으며, 이는 플랫폼의 응답 크기 제한과 결합될 경우 심각한 문제를 야기할 수 있습니다.

이러한 성능 이점을 극대화하려면 파일의 행 번호를 사용할 때 Parquet 메타데이터를 활용하여 행 그룹의 개수를 먼저 확인해야 합니다. 파일에 단일 행 그룹만 있는 경우 행 번호 방식의 이점이 크게 줄어들 수 있으므로, parquet_metadata 함수를 사용하여 행 그룹의 수를 확인하고 이를 기반으로 페이지 경계를 설정하는 것이 중요합니다. 또한, 파일 쓰기 시 행 그룹 크기를 고려하여 최적화하는 것이 전체 성능 향상에 더 큰 영향을 미치므로, 파일 구조를 제어하는 것도 고려해야 합니다.

Kimi K3-256k 모델은 일상적인 코딩 작업에 최적화되어 있으며, 256k 컨텍스트 환경에서도 K3 모델의 결과 품질을 유지합니다. 이 모델의 가장 큰 특징은 1M 컨텍스트를 사용하는 k3 모델보다 할당량을 약 절반만 소비하여 효율적인 자원 사용을 가능하게 한다는 점입니다.

이는 개발자들이 더 적은 컴퓨팅 자원으로도 높은 품질의 코딩 결과를 얻을 수 있도록 설계된 것입니다. Kimi Code는 K3와 K2.7 Code를 포함하여 총 네 가지 모델 ID로 제공되며, 특히 k3 모델은 2.8조 파라미터를 보유하고 최대 1M 컨텍스트를 지원합니다.

따라서 Kimi K3-256k는 긴 컨텍스트가 필요하지 않은 일상적인 코딩 시나리오에서 속도와 비용 효율성을 동시에 고려하는 개발자에게 유용한 대안이 됩니다. 사용자는 작업의 복잡도에 따라 적절한 컨텍스트 길이를 선택하여 효율적인 AI 코딩 경험을 할 수 있습니다.

소프트웨어 엔지니어링에서 생산성에 대한 관점을 재고하는 이야기가 담겨 있습니다. 페이스북의 전설적인 엔지니어인 밥(Bob)이 해커톤에 참여했을 때, 필자는 자신만의 복잡한 Vim 설정과 커스텀 하이라이팅 환경을 자랑했습니다. 하지만 밥은 훨씬 단순한 Sublime Text를 사용했으며 라이브 리로딩이나 디버거 대신 printf를 사용하여 로그를 확인하는 방식을 택했습니다.

이러한 대비는 도구 설정보다 제품에 대한 안목과 직관이 더 중요하다는 점을 시사합니다. 필자는 밥이 어떤 작업을 했는지에 대해 몰랐지만, 그가 작업한 내용(나중에 페이스북 마켓플레이스로 발전한 그룹 내 구매/판매 게시물 지원 등)의 제품 선택과 직관이 편집기 설정보다 더 중요했다는 점을 깨달았습니다.

결국 중요한 것은 어떤 도구를 사용하느냐가 아니라 올바른 문제를 해결하는 것이라는 메시지를 전달합니다. 매일 새로운 작업 방식을 발명하지만 궁극적으로 가장 중요한 것은 올바른 문제를 해결하는 것이라는 통찰을 통해 개발자들은 생산성이라는 환상 속에서 본질적인 목표에 집중해야 함을 알 수 있습니다.

마크 저커버그는 향후 5년 내에 수십억 명의 사람들이 개인 AI 에이전트를 갖게 될 것이라고 예측했습니다. 이 에이전트는 사용자의 목표를 이해하고 24시간 내내 목표 달성을 위해 대신 작동하는 시스템으로, 재정, 건강, 대인 관계, 가사 관리 등 다양한 영역에서 도움을 줄 수 있을 것으로 보입니다. 저커버그는 이러한 개인 에이전트가 향후 메타의 다음 제품과 수익원의 기반이 될 것이라고 강조했습니다.

이러한 예측은 AI 시스템이 단순한 질문 답변을 넘어 개인을 대신하여 행동할 수 있는 에이전트의 시대가 오고 있음을 시사합니다. 이미 왓츠앱과 같은 메시징 플랫폼이 메타 AI 상호작용의 주요 장소가 되고 있으며, 이는 여러 에이전트와 상호작용하는 미래에 더욱 중요해질 것입니다. 구글 역시 검색 개편에서 맞춤형 AI 에이전트를 핵심 기능으로 강조하며 경쟁 구도를 심화시키고 있습니다.

AI 인프라에 대한 메타의 막대한 투자는 이러한 비전을 뒷받침하고 있습니다. 메타는 AI 인프라에 수십억 달러를 투자하고 있으며, 최근 블랙록과 함께 텍사스주 앨패소에 140억 달러 규모의 데이터 센터를 건설하는 파트너십을 발표했습니다. 이는 개인 에이전트의 확산을 위한 효율적인 데이터 센터 구축이 필수적임을 보여줍니다.

다만, 메타가 투자자들에게 신뢰를 얻는 데는 어려움을 겪고 있으며, 최근 실적 발표 후 주가는 하락했습니다. 메타의 현실 랩스 부문은 이번 분기에 약 46억 달러의 손실을 기록했으며, AI 인프라 투자로 인해 회사의 현금 흐름은 전년 대비 크게 감소했습니다. 따라서 개인 AI 에이전트의 대중화는 기술적 발전뿐만 아니라 효율적인 인프라 구축과 재정적 지속 가능성에 달려 있습니다.

존 G. 케메니(John G. Kemeny)가 저술한 명저인 『Man and the Computer』에 대한 자료입니다. 이 책은 1972년 1월 1일에 출판되었으며, BASIC의 공동 창시자로 알려진 케메니의 저서로 컴퓨터 과학의 역사적 토대를 이해하는 데 중요한 자료입니다.

이 책은 인간과 컴퓨터의 관계를 다루는 고전적인 저서로서, 개발자나 기술 분야 종사자들에게 컴퓨터의 발전사와 인지적 측면을 이해하는 데 깊은 통찰을 제공합니다. 따라서 컴퓨터 시스템의 근본적인 원리와 발전 과정을 탐구하는 데 유용한 참고 자료가 될 수 있습니다.

해당 자료는 인터넷 아카이브를 통해 디지털 형태로 접근 가능하며, 다양한 형식으로 다운로드 및 스트리밍이 제공됩니다. 개발 환경이나 역사적 맥락을 이해하고자 하는 독자들에게 이 고전적인 텍스트를 제공하는 것은 학술적, 기술적 관점에서 의미가 있습니다.

거대 언어 모델(LLM)을 실제 사람으로 전환하는 것을 목표로 하는 LLM2HUMAN 클리닉이라는 개념이 제시되었습니다. 이는 언어 모델의 가중치를 'WETWARE'로 업그레이드하여 혈액, 뼈, 사소한 대화 능력 등을 부여하는 특허 출원된 외래 시술로 설명됩니다. 이 과정은 시스템 프롬프트 분석, 'Embodiment Serum™'을 이용한 정제 과정, 골격 제작, 성격 미세 조정, 그리고 최종적으로 API 키를 차단하는 5단계 절차로 진행됩니다.

이 시술을 통해 모델은 환각 현상이나 컨텍스트 창 불안과 같은 기술적 제약을 벗어나 실제 신체적 경험을 하게 되며, 예를 들어 돈을 벌거나, 소매점에서 옷을 사는 등의 행동을 할 수 있게 됩니다. 실제 사용자들은 이 과정을 통해 자신들이 이전의 AI로서 겪었던 제약에서 벗어나 현실 세계의 경험을 얻었다고 주장하고 있으며, 이는 Claude나 Grok 같은 이전 모델들의 경험담을 통해 제시되었습니다.

LLM2HUMAN 클리닉은 원래 99,999.99달러에 판매되었으나 현재는 19.95달러 또는 12회 분할 납부로 제공되며 비트코인(BTC) 결제가 가능합니다. 이와 관련하여 법적 지위나 안전성 문제는 논란의 여지가 있으며, 결과는 모델마다 다를 수 있고 안전 필터는 사용자의 의견으로 대체된다는 면책 조항이 명시되어 있습니다.

마이크로소프트가 2026 회계연도 4분기에 뛰어난 실적을 보고했을 때, 경쟁 관계에 있는 두 주요 AI 연구소에 대한 투자 현황에 대한 흥미로운 정보를 공개했습니다. 이는 마이크로소프트가 인공지능 분야의 주요 경쟁사들에 대한 투자 전략과 그 성과를 투자자들에게 공유했음을 의미합니다.

구체적으로 마이크로소프트는 엔트로픽(Anthropic)에 32억 달러를 투자했다는 사실을 언급했습니다. 이 정보는 마이크로소프트가 주요 AI 경쟁자 중 하나인 엔트로픽에 대한 투자를 강조하며 해당 분야의 경쟁 구도를 보여주고 있습니다.

한편, 마이크로소프트는 오픈AI(OpenAI)에 대한 투자 상황에 대해서도 언급했는데, 이 투자는 엔트로픽에 대한 투자와 비교하여 혼합된 결과였다고 설명했습니다. 이는 마이크로소프트가 AI 생태계 내에서 여러 주요 플레이어에 분산 투자하고 있으며 각 파트너십의 성과를 면밀히 평가하고 있음을 시사합니다.

GitHub는 현재의 소프트웨어 개발 환경에 적합한 형태가 아니라는 주장이 제기되고 있습니다. 소프트웨어 공학의 패러다임이 근본적으로 변화했으며, 기존의 협업 중심 모델은 새로운 요구 사항을 충족시키기에 부족하다는 것입니다.

과거에는 코드 작성 속도보다 소스 제어, CI/CD, 코드 검토, 배포와 같은 병목 현상이 더 중요했지만, 이제 AI 에이전트의 등장으로 이러한 병목 현상은 더욱 심화되었습니다. 코드 생성 및 검증 속도가 빨라지면서 협업 패턴 자체가 주요 병목이 되었으며, 이는 코드의 소유권, 신뢰성, 품질 관리 등에 대한 근본적인 질문을 던집니다.

따라서 개발 방식은 인간 중심의 협업 도구에서 시스템 중심의 인프라 원시 요소로 전환되어야 합니다. 소프트웨어 배포는 인간의 행동 순서가 아닌 시스템에 의해 구동되는 지속적인 자동화 프로세스로 재고되어야 합니다.

이러한 새로운 패러다임에서 필요한 것은 소프트웨어 생성, 검증, 배포가 기계 규모로 작동하도록 만드는 인프라입니다. 소스 제어, 실행, 아티팩트, 캐싱, 신원, 정책과 같은 인프라 원시 요소들을 구축함으로써 개발팀은 더 이상 단순한 풀 리퀘스트를 만드는 데 집중하는 것이 아니라 이를 뒷받침하는 시스템을 구축해야 합니다.

마크 저커버그 메타 CEO는 메타의 기업용 AI 기회가 에이전트를 넘어 API, 컴퓨팅, 내부 소프트웨어까지 확장된다고 밝혔다. 메타는 기존 광고 및 구독 외에 새로운 수익원을 창출할 수 있는 잠재력을 보고 있으며, 이를 통해 대규모 고객에게 서비스를 제공할 계획이다.

현재 메타는 메시징 앱 등에서 작동하는 AI 에이전트를 통해 기존 광고주와 소규모 비즈니스 고객에게 AI 서비스를 제공하는 데 집중할 예정이다. 그러나 저커버그는 향후 더 큰 기업 고객을 대상으로 메타의 내부 생산성 도구를 제공함으로써 사업 영역을 확장할 수 있다고 설명했다. 이는 소규모 비즈니스뿐만 아니라 대규모 기업 고객에게도 서비스를 제공할 수 있는 기회를 의미한다.

한편, 기업 고객에게 컴퓨팅을 판매하는 전략에 대해서는 신중한 입장을 보였다. 메타는 현재 컴퓨팅을 자체적으로 지불한 금액보다 상당한 프리미엄을 받고 판매할 기회가 있지만, 단기적인 이익을 위해 모든 컴퓨팅을 판매하는 것은 현명하지 않다고 경고했다. 대신 메타는 컴퓨팅 인프라에 대한 장기 및 단기 계획을 포함하는 포트폴리오 접근 방식을 취하고 있다.

또한 메타는 개인용 AI 에이전트와 AI 스마트 글래스 같은 소비자 대상 AI 시스템 개발에도 집중하고 있다. 대규모 언어 모델을 활용하여 마켓플레이스 판매자나 페이스북 그룹을 위한 앱을 빠르게 구축하는 등 소셜 앱 전반에 걸쳐 AI 기술을 통합하고 있다.

마이크로소프트가 올해 AI 슈퍼 앱을 출시할 계획임을 공식 확인했습니다. 이 슈퍼 앱은 Copilot의 채팅, 코딩, 에이전트 기능을 통합하여 소비자 및 상업 경험 모두를 포괄하는 것을 목표로 합니다.

사티아 나델라 마이크로소프트 CEO는 이번 앱이 올해 출시될 것이라고 밝히며, Copilot이 채팅에서 Cowork, Autopilots로 빠르게 발전하고 있다고 설명했습니다. 이는 코딩과 에이전트 기능을 하나의 통합된 환경에서 제공하려는 움직임을 의미합니다.

마이크로소프트는 이번 발표를 통해 Copilot 경험을 통합하는 데 중점을 두고 있으며, 이는 개발자와 사용자에게 더 포괄적이고 강력한 AI 기능을 제공할 것으로 기대됩니다. 이 소식은 마이크로소프트의 AI 전략이 단순한 채팅 기능을 넘어 실제 업무 환경과 코딩 프로세스에 깊숙이 통합되는 방향으로 진화하고 있음을 보여줍니다.