2026-09-09 AI 뉴스 브리프#

오늘 확인할 만한 AI 기술 뉴스와, AI 시대의 개발자 도구 / 오픈소스 / 인프라 / 조직 변화를 함께 정리합니다. 이번 브리프는 직전 브리프 발행일인 9월 5일부터 9월 9일까지 공개된 소식을 다룹니다.

이번 구간은 수학이 중심입니다. 나흘 사이에 프런티어 랩 두 곳이 각각 수학사에 남을 결과를 내놨습니다. Anthropic은 9월 4일 Claude가 11일 동안 페르마의 마지막 정리(Fermat’s Last Theorem)를 Lean으로 완전히 기계 검증했다고 발표했고, OpenAI는 9월 8일 미공개 모델로 돌린 약 1만 개 에이전트가 88시간 만에 나비에-스토크스(Navier-Stokes) 밀레니엄 문제를 해결했다고 발표했습니다. 두 발표는 성격이 정반대입니다. 페르마 쪽은 이미 참으로 믿어 온 정리를 기계가 검증한 자동 형식화(autoformalization) 성과라서, 정작 같은 정리를 사람 손으로 형식화해 온 프로젝트 책임자는 “수학적으로는 알려주는 게 사실상 없다"고 평가했습니다. 나비에-스토크스 쪽은 그 반대로 새로운 수학적 사실을 찾아냈는데, 사흘 먼저 비슷한 지점에 도달한 수학자가 자신의 Codex 세션이 흘러갔을 가능성과 발표 과정의 회유 정황을 공개하면서 성과보다 논란이 커졌습니다. 필자가 이번 구간에서 가장 오래 들여다본 것은 이 두 발표가 아니라, 그 직후 올라온 테런스 타오(Terence Tao)의 글입니다. 좋은 미해결 문제라는 자원이 재생 불가능하게 채굴되고 있다는 지적인데, 함께 볼 흐름에 담았습니다.

제품 쪽에서는 Meta가 9월 8일 개인 에이전트 Muse를 미국에 출시했습니다. 이메일을 읽고 항공권을 예약하고 사용자 카드로 결제까지 하는 제품이라, 광고 사업으로 큰 회사가 이런 권한을 요구할 때 어떤 안전장치를 붙이는지가 볼 대목입니다. 같은 날 Google DeepMind는 사람 유전체의 가능한 단일 염기 변이 90억 개 전부에 대해 분자 수준 영향을 예측한 1페타바이트 데이터셋 AlphaGenome Atlas를 학계에 무료로 열었습니다. 인프라와 보안 쪽에서는 Anthropic이 11개월 만에 14.8기가와트, 최대 5,170억 달러 규모의 컴퓨트 계약을 맺은 사실이 보도됐고, Chrome은 닷새 사이 두 번째로 실사용 공격에 노출된 V8 제로데이를 급히 막았습니다. OpenAI는 사내 연구자들이 사람 하루당 에이전트 3.1일을 쓰고 있다는 내부 수치를 공개했습니다.

함께 볼 흐름은 모두 빅테크 공식 발표가 아닌 항목으로 채웠습니다. 타오의 경고, 소비자 하드웨어에서 도는 오픈 웨이트 모델이 취약점을 찾는 시대에 남은 시간이 1년이라는 분석, 그리고 하루 6백만 요청의 98%가 AI 스크레이퍼인 kernel.org 운영자의 하소연입니다. 이번 구간에 다루지 않은 소식으로는 9월 8일 나온 ChatGPT Images 2.5가 있고, Apple의 9월 이벤트는 한국 시간 9월 10일 새벽에 열려 이번 브리프 마감 이후이므로 다음 브리프에서 다룹니다.

빠른 요약#

OpenAI가 9월 8일 미공개 모델로 돌린 약 1만 개 에이전트가 88시간 만에 나비에-스토크스 밀레니엄 문제의 유한 시간 특이점을 찾아 Lean으로 검증했다고 발표했습니다. 상금은 청구하지 않겠다고 밝혔지만, 사흘 먼저 관련 결과에 도달한 NYU 수학자가 Codex 세션 유출 의혹과 회유 정황을 공개했습니다.
Anthropic이 9월 4일 Claude가 11일 동안 1,300만 줄 Lean 코드와 2만 9,500개 보조 정리로 페르마의 마지막 정리를 완전히 기계 검증했다고 발표했습니다. 같은 정리를 사람 손으로 형식화해 온 케빈 버저드는 “수학적으로는 알려주는 게 없지만 자동 형식화로는 큰 진전"이라고 평가했습니다.
Meta가 9월 8일 개인 에이전트 Muse를 미국에 출시했습니다. 전용 가상 머신에서 브라우저를 직접 조작해 예약과 결제까지 수행하고, 외부로 나가는 모든 행동은 Sentinel이라는 별도 감시 에이전트의 승인을 거칩니다.
Google DeepMind가 9월 8일 AlphaGenome Atlas를 공개했습니다. 사람 유전체의 가능한 단일 염기 변이 90억 개 전부에 영향 점수를 붙인 1페타바이트 데이터셋으로, 학술 연구용으로 무료 제공됩니다.
Anthropic이 2025년 10월부터 11개월 동안 최대 5,170억 달러, 최소 14.8기가와트 규모의 컴퓨트 계약을 맺은 사실이 보도됐습니다. 2025년 12월 투자자에게 제시한 예산의 약 세 배입니다.
Google이 Chrome 153에서 실사용 공격에 노출된 V8 제로데이 CVE-2026-87491을 포함해 230건의 취약점을 고쳤습니다. 닷새 사이 두 번째 V8 제로데이이고, 올해 실사용 공격이 확인된 Chrome 제로데이로는 일곱 번째입니다.
OpenAI가 9월 6일 사내 연구 조직의 에이전트 사용 실태를 공개했습니다. 8월 중순 기준 에이전트 작업일이 사람 작업일의 3.1배이고, 연구자 중위값이 하루 600달러, 상위 10%가 하루 7,000달러 넘는 추론 비용을 씁니다.
테런스 타오가 좋은 미해결 문제가 재생 불가능한 방식으로 채굴되고 있으며, 이제는 문제를 푸는 능력이 아니라 유망한 문제를 골라내는 일이 희소 자원이 됐다고 지적했습니다.
소비자 하드웨어에서 돌아가는 오픈 웨이트 모델이 실제 취약점을 찾아내는 시대가 왔고, 업계에 남은 시간이 약 1년이라는 분석이 개발자 커뮤니티에서 화제가 됐습니다.
kernel.org의 git 서버가 받는 하루 약 6백만 요청 중 98%가 AI 학습용 스크레이퍼이며, 전체 처리 용량의 약 20%가 봇에게 커밋을 HTML로 그려 주는 데 쓰이고 있습니다.

주요 뉴스#

1만 개 에이전트가 88시간에 밀레니엄 문제를 풀었고, 그 직후 논란이 시작됐습니다#

무슨 일인가요? OpenAI가 9월 8일 나비에-스토크스 존재성과 매끄러움 문제(Navier-Stokes existence and smoothness)를 해결했다고 발표했습니다. 클레이 수학연구소가 2000년에 내건 밀레니엄 상 문제(Millennium Prize Problem) 일곱 개 중 하나로, 상금은 문제당 100만 달러입니다. 유체의 운동을 기술하는 방정식이 매끄러운 초기 상태에서 시작해도 유한한 시간 안에 특이점(singularity)으로 붕괴할 수 있는지를 묻는 문제인데, OpenAI의 결과는 “붕괴한다"는 쪽입니다. 소용돌이가 점점 조여들며 무한히 빠르게 회전하는 구성을 제시했고, 그동안 유체의 에너지는 유한하게 유지됩니다. 규모가 발표의 절반입니다. 아직 공개되지 않은 모델로 약 1만 개 에이전트를 병렬로 돌려 9월 1일 시작하고 9월 5일 결론에 도달했습니다. 88시간 동안 270만 개 메시지와 약 1,300억 개 출력 토큰을 썼고, 이어서 GPT-6 Astra가 17시간 더 걸려 결과를 증명 보조 도구 Lean으로 형식화하고 검증했습니다. OpenAI는 밀레니엄 상 일곱 문제 전체에 같은 방식을 시도했고 전부 합쳐 약 3,000억 개 출력 토큰을 썼는데, 공개 API 요금으로 환산하면 약 1,500만 달러 규모입니다. 상금은 청구하지 않겠다고 밝혔습니다. 문제는 발표 몇 시간 뒤에 터졌습니다. NYU 수학과 교수 트리스탄 버크마스터(Tristan Buckmaster)와 Anthropic 소속 수학자 레벤트 알푀게(Levent Alpöge)가 Claude와 Codex를 써서 거의 1년간 관련 문제를 연구해 왔고 8월 15일에 돌파구를 얻었는데, OpenAI가 9월 1일 “누군가 밀레니엄 문제를 풀었다는 소문"을 듣고 착수했다고 밝혔기 때문입니다. 버크마스터는 자신이 Codex를 광범위하게 썼다는 점을 들어 세션 내용이 OpenAI의 시도에 흘러 들어갔을 가능성을 제기했고, 공동 발표를 논의하는 과정에서 OpenAI 측 수학자가 알푀게의 크레딧을 빼라고 요구하며 “왜 당신 커리어를 망치려 하느냐"는 말을 했다고 공개했습니다. OpenAI는 “그들의 작업을 공개 전에는 어떤 경로로도 보지 못했다"면서도 “가능성은 낮지만, 그들이 우리 제품을 사용해 파생된 비식별 데이터가 우리 모델 성능 향상에 도움이 됐을 가능성을 배제할 수는 없다"고 적었습니다. 두 팀의 증명은 상당히 다르고, 버크마스터 팀의 결과는 나비에-스토크스가 아니라 강제 오일러 방정식(forced Euler equations)이라는 인접하지만 별개의 문제를 다룬 것으로 확인됐습니다.
왜 중요한가요? 결과 자체는 Lean으로 기계 검증됐으니 맞을 가능성이 높고, 그 점만으로도 큰 사건입니다. 하지만 개발자 입장에서 더 오래 남는 대목은 두 가지입니다. 첫째, 에이전트를 1만 개 병렬로 돌려 나흘 만에 90년 묵은 문제를 정리했다는 것은 “긴 시간이 필요한 어려운 문제"를 컴퓨트로 압축하는 방식이 실제로 작동한다는 실증입니다. 둘째, 코딩 도구에 남긴 세션이 남의 연구 자원이 될 수 있다는 의심이 처음으로 유명 인물의 입에서 구체적으로 나왔습니다. OpenAI가 부인하면서도 배제할 수 없다고 적은 문장의 애매함이 정확히 문제의 핵심입니다. 사용자는 자기 작업물이 학습에 쓰였는지를 확인할 방법이 없습니다.
관심 포인트 민감한 연구나 미공개 제품 작업을 코딩 에이전트로 진행하고 있다면, 쓰는 서비스의 학습 데이터 사용 정책과 옵트아웃 설정이 실제로 어떻게 되어 있는지 이번 기회에 확인해 둘 만합니다.
원문: OpenAI 발표 보기, Quanta Magazine 해설 보기, TechCrunch 논란 보도 보기, Simon Willison 정리 보기

Claude가 페르마의 마지막 정리를 11일에 기계 검증했습니다 — 그리고 원래 책임자의 냉정한 평가#

무슨 일인가요? Anthropic이 9월 4일 Claude가 페르마의 마지막 정리의 완전한 기계 검증 증명을 만들었다고 발표했습니다. 앤드루 와일즈(Andrew Wiles)의 원래 증명을 단순화한 버전을 따라, 증명 보조 도구 Lean으로 처음부터 끝까지 형식화했다는 뜻입니다. 여기서 형식화(formalization)는 사람이 읽는 논문 형태의 증명을 컴퓨터가 한 단계씩 검사할 수 있는 코드로 옮기는 작업이고, 그 결과 Lean이 표준 공리 세 개만으로 정리를 확인했습니다. 규모는 11일 동안 대체로 자율 진행, 1,300만 줄 Lean 코드, 시도한 정리 3만 300개 중 최종 증명에 쓰인 것 2만 9,500개, 출력 토큰 약 60억 개입니다. 흥미로운 대목은 첫 시도가 실패했다는 점입니다. 여러 에이전트가 프로젝트 상태를 놓치고 협업을 유지하지 못해 무너졌는데, 컬럼비아 대학이 만든 오픈소스 도구 Prove2Me를 중간에 투입하고 나서야 완주했습니다. Prove2Me는 모든 정리 사이의 의존 관계를 방향성 비순환 그래프로 관리해서, 여러 에이전트가 모듈별로 격리된 상태로 병렬 작업하면서도 서로의 컨텍스트를 오염시키지 않게 해 줍니다. 실패한 시도들도 최종 코드의 약 7%에 기여했습니다. 반응이 이 발표의 또 다른 절반입니다. 2024년부터 영국 연구비를 받아 같은 정리를 커뮤니티와 함께 형식화해 온 임페리얼 칼리지 런던의 케빈 버저드(Kevin Buzzard)는 평가를 정확히 둘로 나눴습니다. 수학적으로는 “사실상 아무것도 알려주지 않는다"는 것입니다. 정리 자체는 이미 30년 넘게 참으로 받아들여져 왔기 때문입니다. 그러나 자동 형식화 측면에서는 흥분을 감추지 않았습니다. “지금 페르마의 마지막 정리 자동 형식화가 가능하다면, 현대 수학 문헌 전체의 자동 형식화를 향해 큰 걸음을 뗀 것"이라는 평가입니다. 한편 이 성과가 Anthropic이 만들지 않은 공용 기반 위에 서 있다는 지적도 나왔습니다. 버저드의 프로젝트, Lean 표준 수학 라이브러리 Mathlib, Prove2Me가 모두 전제 조건이었습니다.
왜 중요한가요? 앞의 나비에-스토크스 항목과 나란히 놓으면 두 발표가 서로 다른 일을 했다는 게 분명해집니다. 이쪽은 새 사실을 발견한 것이 아니라, 사람이 몇 년을 예상했던 검증 작업을 11일로 줄인 것입니다. 그래서 실무적 함의가 더 직접적입니다. 대규모 코드베이스나 명세를 형식 검증하는 작업이 사람 손으로는 비용이 안 맞아 포기되던 영역이었는데, 그 비용 곡선이 실제로 꺾일 수 있다는 신호입니다. 첫 시도가 실패하고 의존 그래프 도구를 붙인 뒤에 성공했다는 서사도 그냥 넘길 대목이 아닙니다. 멀티 에이전트 작업에서 모델 성능보다 작업 분할과 상태 관리를 담당하는 하네스가 성패를 갈랐다는 뜻이고, 이는 에이전트로 큰 작업을 시키는 사람이라면 누구나 겪는 문제입니다.
관심 포인트 필자에게 가장 실용적인 교훈은 Prove2Me의 역할입니다. 에이전트를 여러 개 병렬로 굴릴 때 각자에게 무엇을 맡길지와 서로의 결과를 어떻게 합칠지를 명시적 의존 구조로 관리하면 결과가 달라진다는 점은, 수학 증명이 아닌 일반 개발 작업에도 그대로 옮겨 볼 만합니다.
원문: Anthropic 발표 보기, 기술 보고서(PDF) 보기, 버저드 평가 보도 보기

Meta Muse — 이메일을 읽고 예약하고 카드로 결제하는 개인 에이전트#

무슨 일인가요? Meta가 9월 8일 개인 에이전트(personal AI agent) Muse를 미국에 출시했습니다. 질문에 답하는 것이 아니라 일을 대신 처리하는 제품으로, 이메일 발송, 여행 예약, 양식 작성, 대리 협상, 장기 목표 관리를 수행하고 사용자가 앱을 닫은 뒤에도 작업을 계속합니다. 브라우저를 직접 열어 조작하고, 사용자 카드로 결제까지 합니다. 구동 모델은 Meta가 자사 최고 성능이라고 밝힌 Muse Spark입니다. 여기서 이름이 헷갈릴 수 있는데, 지난 8월 브리프에서 다룬 노트북에서 돌아가는 300억 파라미터 오픈 웨이트 모델 Muse Glimmer와 같은 Muse 계열의 다른 모델입니다. 권한이 큰 제품이라 구조에 공을 들였습니다. 사용자마다 Muse Secure VM이라는 전용 가상 머신을 띄워 격리하고, 같은 머신에서 Sentinel이라는 별도 감시 에이전트를 시스템 수준으로 분리해 돌립니다. Meta의 설명은 명확합니다. Sentinel이 승인하지 않으면 Muse가 하는 어떤 일도 인터넷에 도달하지 않습니다. 개인정보 쪽에서는 Muse의 대화 내용과 가상 머신 안의 데이터를 Meta 광고 시스템과 공유하지 않는다고 못 박았고, 학습 데이터 사용은 사용자가 거부할 수 있습니다. 2026년 안에 Muse Confidential VM을 내놓아 가상 머신 전체를 사용자만 가진 키로 암호화해 Meta도 열어 볼 수 없게 하겠다는 계획도 함께 발표했습니다. iOS, Android, 웹에서 미국부터 순차 제공되고 AI 안경 지원이 예정돼 있으며, 무료 등급과 월 20달러, 100달러 구독이 있습니다. 개발자용 API나 SDK는 이번 발표에 없습니다.
왜 중요한가요? 에이전트에게 결제 권한과 메일함을 주는 소비자 제품이 대형 플랫폼에서 처음 대규모로 나왔습니다. 주목할 것은 Meta가 선택한 안전장치의 형태입니다. 모델에게 “하지 말라"고 가르치는 방식이 아니라, 나가는 모든 행동을 별도 프로세스가 승인하는 구조를 택했습니다. 직전 브리프에서 다룬 GitSpawn 취약점이 정확히 이 지점의 반대 사례였습니다. 에이전트의 말은 감시했지만 도구의 부수 효과는 아무도 보지 않았던 구조 말입니다. 승인 게이트를 모델 밖 시스템 계층에 두는 설계는 에이전트 제품을 만드는 쪽이 참고할 패턴입니다. 물론 광고로 성장한 회사가 메일함과 결제 수단을 요구하면서 “광고에는 안 쓴다"고 말하는 구도 자체가 이 제품의 최대 변수입니다.
관심 포인트 필자가 확인해 볼 지점은 Sentinel의 실제 동작입니다. 승인 게이트가 실사용에서 얼마나 자주 작업을 막는지, 그리고 사용자가 그 마찰을 견디는지가 이 구조가 다른 제품에 퍼질지를 결정할 것입니다.
원문: Meta 공식 발표 보기, TechCrunch 보도 보기

AlphaGenome Atlas — 가능한 DNA 변이 90억 개 전부를 미리 계산해 뒀습니다#

무슨 일인가요? Google DeepMind가 9월 8일 AlphaGenome Atlas를 공개했습니다. 사람 유전체에서 일어날 수 있는 단일 염기 변이(single nucleotide variant), 즉 DNA 글자 하나가 바뀌는 모든 경우 90억 개에 대해 분자 수준의 영향을 미리 예측해 데이터베이스로 만든 것입니다. 기반은 지난해 공개된 AlphaGenome 모델인데, 유전자를 직접 만들지 않고 유전자 활동을 조절하는 비암호화(non-coding) DNA 영역을 해석하는 데 강한 모델입니다. Atlas의 크기는 1페타바이트이고, 변이마다 AlphaGenome 변이 영향 점수(AlphaGenome Variant Impact, AVI)가 붙어 있어 연구자가 특정 변이의 잠재적 영향을 바로 파악할 수 있습니다. 각 변이에 대해 사람과 동물의 수백 가지 세포 및 조직에서 유전자 발현량, 염색질 접근성, RNA 스플라이싱 등 수천 가지 분자 수준 예측치를 제공합니다. 접근 방식이 이번 발표의 핵심입니다. 모델을 직접 돌릴 필요 없이, 웹 포털에 변이를 입력하면 코드를 한 줄도 쓰지 않고 예측값을 읽을 수 있고 학술 연구용으로 무료입니다. 다만 Google은 AlphaGenome이 임상 용도로 검증되거나 승인된 것이 아니며 의학적 조언을 대체하지 않는다는 점을 명시했습니다.
왜 중요한가요? AI 모델을 서비스로 파는 것이 아니라, 모델을 한 번 전부 돌려 결과물을 공용 자원으로 내놓은 사례입니다. 90억 개 변이를 각 연구실이 필요할 때마다 추론하는 대신 미리 계산해 둔 것이므로, 개별 연구자에게는 추론 비용과 인프라 구축이 통째로 사라집니다. 유전학 연구에서 “이 변이가 의미가 있을까"를 확인하는 첫 단계가 검색 한 번으로 줄어드는 셈입니다. 필자가 이 구조를 눈여겨보는 이유는 AI 성과물의 배포 형태 문제이기도 하기 때문입니다. 추론 결과가 정적 데이터셋으로 나오면 재현 가능하고, 인용할 수 있고, 모델 버전이 바뀌어도 결과가 흔들리지 않습니다.
관심 포인트 도메인 데이터가 충분히 있는 분야라면 “모델을 API로 열기” 대신 “전 구간을 미리 계산해 데이터로 배포하기"가 더 유용할 수 있다는 사례로 읽을 만합니다.
원문: Google DeepMind 공식 발표 보기, Scientific American 해설 보기

Anthropic이 11개월 만에 14.8기가와트를 확보했습니다#

무슨 일인가요? The Information 보도에 따르면 Anthropic이 2025년 10월부터 11개월 동안 최대 5,170억 달러 규모의 컴퓨트 계약을 체결했습니다. 확보한 용량은 기존에 갖고 있던 1기가와트에서 2기가와트 수준에 더해 최소 14.8기가와트이고, 자체 데이터센터 건설도 계획하고 있습니다. 이 중 Google과 AWS가 합쳐 약 11기가와트를 차지하며, 두 계약은 10년에 걸쳐 3,000억 달러가 넘는 규모로 추정됩니다. 속도가 눈에 띕니다. 2025년 12월 Anthropic이 투자자에게 제시한 서버 임대 예산은 2029년까지 약 1,800억 달러였는데, 아홉 달 뒤 실제 계약 규모가 그 예산의 거의 세 배가 됐습니다. 맥락이 하나 더 있습니다. 2026년 초 다리오 아모데이(Dario Amodei) CEO는 경쟁사들이 너무 빠르게 투자하고 있으며 “자기들이 감수하는 위험을 제대로 이해하지 못한다"고 경고한 적이 있는데, 지금은 Anthropic이 추격하는 쪽에 서 있습니다. 보도는 기업공개(IPO)를 앞두고 10년치 컴퓨트를 미리 잠근 움직임으로 해석했습니다.
왜 중요한가요? 숫자의 크기보다 무엇이 확정됐는지가 중요합니다. 10년 단위로 전력과 용량을 미리 계약해 두면, 모델 가격과 사용 한도를 정하는 회사의 자유도가 그만큼 달라집니다. 직전 브리프들에서 Claude Code 주간 한도 개편과 Gemini의 프로모션 가격 종료일 명시를 다뤘는데, 이런 계약 규모는 그 결정들이 나오는 배경입니다. 고정 비용이 10년간 잠겨 있으면 그 비용은 어떤 형태로든 요금제와 한도로 회수돼야 합니다. 반대로 용량이 확보됐다는 것은 지금까지 반복돼 온 용량 부족 사태가 줄어들 여지이기도 합니다.
관심 포인트 Anthropic 모델 위에 제품을 올려 두고 있다면 좋은 소식과 나쁜 소식이 섞여 있습니다. 장기 공급 안정성은 올라가지만, 이 규모의 고정 비용이 향후 요금제와 사용 한도에 어떻게 반영되는지는 계속 추적할 필요가 있습니다.
원문: The Decoder 보도 보기, Data Center Dynamics 보도 보기

Chrome이 닷새 만에 두 번째 V8 제로데이를 막았습니다#

무슨 일인가요? Google이 Chrome 153을 안정 채널에 올리면서 취약점 230건을 고쳤고, 그중 하나는 이미 실사용 공격에 쓰이고 있는 제로데이입니다. CVE-2026-87491로 등록된 이 취약점은 Chrome의 자바스크립트 및 웹어셈블리 엔진 V8의 경계 밖 쓰기(out-of-bounds write) 결함이고, 조작된 HTML 페이지만으로 원격 공격자가 샌드박스 안에서 임의 코드를 실행할 수 있습니다. 버전은 Windows와 macOS가 153.0.8010.36 및 .37, Linux가 153.0.8010.36입니다. 시점이 문제입니다. 불과 닷새 전인 9월 3일에도 Google은 실사용 공격에 노출된 V8 타입 혼동(type confusion) 제로데이 CVE-2026-85046을 급히 막았습니다. 올해로 범위를 넓히면 1월 이후 실사용 공격이 확인된 Chrome 제로데이는 이번이 일곱 번째이고, 그중 V8을 직접 노린 것이 여러 건입니다. 보안 분석가들은 세계에서 가장 널리 배포된 브라우저 런타임을 겨냥한 조직적이고 지속적인 연구가 진행되고 있다는 신호로 봅니다.
왜 중요한가요? AI 뉴스로 보이지 않을 수 있지만 아래 함께 볼 흐름의 보안 항목과 붙여 읽으면 성격이 달라집니다. 모델이 취약점을 찾는 능력이 올라가고 그 능력이 오픈 웨이트 모델로 내려오는 동안, 가장 많이 쓰이는 런타임에서 실사용 제로데이가 닷새 간격으로 나오고 있습니다. V8은 브라우저만의 문제가 아닙니다. Node.js, Electron, 각종 데스크톱 앱이 같은 엔진 위에 서 있어서, 개발 환경과 사내 도구가 광범위하게 영향을 받습니다.
관심 포인트 Chrome과 Electron 기반 도구를 자동 업데이트로 두고 있는지 확인할 시점입니다. 특히 팀에서 쓰는 사내 Electron 앱은 엔진 버전이 뒤처지기 쉬우므로 별도로 점검할 만합니다.
원문: The Hacker News 보도 보기, CyberInsider 보도 보기

OpenAI 연구자들은 사람 하루당 에이전트 3.1일을 씁니다#

무슨 일인가요? OpenAI가 9월 6일 사내 연구 조직이 코딩 에이전트를 어떻게 쓰고 있는지 내부 수치를 공개했습니다. 가장 눈에 띄는 숫자는 8월 중순 기준 에이전트 작업일(agent-workdays)이 사람 작업일(human-workdays)의 3.1배라는 것입니다. 연구자 한 사람이 하루 일하는 동안 에이전트가 3일분 넘게 병렬로 일한다는 뜻입니다. 비용도 공개했습니다. 연구자 중위값이 하루 600달러 넘는 추론 비용을 쓰고, 상위 10%는 하루 7,000달러를 넘깁니다. 사용 방식은 하루 종일, 여러 세션을 동시에 돌리는 형태이고 총 사용량은 빠르게 늘고 있습니다. 맡기는 작업의 성격도 바뀌었습니다. 단발성 코드 생성에서 벗어나, 여러 단계를 이어 수행하고 실험을 반복 개선한 뒤 연구자가 검토하고 방향을 지시할 수 있는 결과물을 만드는 장기 작업이 늘고 있습니다. 다만 OpenAI 스스로 유보 사항을 분명히 적었습니다. 코드 생산량과 실험 횟수는 측정하기 쉽지만 연구 진척은 그렇지 않아서, 이 수치들이 조직 전체의 연구 생산성이 올랐다거나 모델 개발이 실제로 빨라졌다는 것을 직접 증명하지는 않는다는 것입니다.
왜 중요한가요? 에이전트 도입 효과를 이야기할 때 대개 근거가 되는 것은 설문이나 체감인데, 여기서는 프런티어 랩이 자기 조직의 실제 사용량과 비용을 숫자로 내놨습니다. 특히 하루 600달러라는 중위값은 “에이전트를 제대로 쓴다"는 상태의 비용 규모를 보여 줍니다. 직전 브리프에서 다룬 Uber의 PR 70% 에이전트 작성 사례와 나란히 놓으면, 조직 단위 도입의 실물 수치가 두 건 모이는 셈입니다. 동시에 OpenAI가 직접 붙인 유보 사항이 이 종류의 발표를 읽는 방법을 알려 줍니다. 늘어난 것은 산출량이고, 그것이 성과인지는 별도로 증명해야 할 문제입니다.
관심 포인트 위의 나비에-스토크스 항목과 이어 보면 흐름이 하나로 읽힙니다. 문제를 컴퓨트로 압축하는 방식이 연구 조직 안에서 일상 업무가 됐고, 그 결과가 밀레니엄 문제 발표로 나온 것입니다.
원문: OpenAI 발표 보기, Simon Willison 정리 보기

함께 볼 흐름#

테런스 타오 — 좋은 문제는 재생 불가능한 자원입니다#

핵심 내용 필즈상 수학자 테런스 타오(Terence Tao)가 9월 9일 마스토돈에 네 편으로 나뉜 글을 올렸습니다. 좋고 결실 있는 미해결 문제의 집합이 재생 불가능한(non-renewable) 방식으로 채굴되고 있으며, 그래서 이 문제들이 희소해질 수 있다는 지적입니다. 물을 수 있는 문제가 무한하니 직관에 반해 보이는데, 타오는 비유로 설명합니다. 어떤 지역은 거대한 바다에 둘러싸여 있으면서도 심각한 식수 부족을 겪을 수 있다는 것입니다. 문제는 얼마든지 만들 수 있지만(원주율의 10^10^10번째 자리를 구하라 같은) 대부분은 다른 질문과의 연결이나 새 통찰을 낳지 않아 주목할 가치가 없고, 무엇이 볼 만한 문제인지 판별하는 일 자체가 길고 신중하며 주관적인 과정이라는 것입니다. 이때 결정적으로 중요한 것이 분야의 “난이도 지형"입니다. 어떤 질문이 기존 방법으로 쉽게 풀리고, 어떤 것이 노력을 들여야 풀리고, 어떤 것이 불가능한지를 아는 감각 말입니다. 타오의 논지는 여기서 나옵니다. 기술의 진보는 문제 난이도를 낮추는데, 그 대가로 난이도 지형이 평탄해져서 유망한 질문을 골라낼 수 있는 지형의 기하가 보이지 않게 됩니다. 보통은 도구가 도달 가능한 범위를 넓혀 새 경계를 만들면서 이 효과가 상쇄되지만, 지금 AI 시대의 특징은 그런 경계가 뚜렷하지 않다는 것입니다. AI 회사들이 실패한 결과를 공개하지 않고 해답에 도달한 과정도 밝히지 않기 때문에 “AI로 가능한 문제"와 “AI에게 어려운 문제"를 가르는 선이 보이지 않습니다. 그래서 이제 희소하고 귀한 자원은 유망한 문제를 식별하는 일이 됐습니다. 타오는 위의 나비에-스토크스 사건을 명시적으로 겨냥합니다. “누군가 어떤 문제를 연구하고 있다는 소문만으로도 막대한 AI 연산이 투입돼, 원래의 연구 프로젝트가 잠재력을 다 발휘할 시간을 갖기 전에 그 문제를 평탄하게 만들어 버리는 것을 이제 우리는 보았다"는 것입니다. 그 결과 유망한 연구 방향을 커뮤니티와 공유하지 않는 쪽으로 유인이 옮겨 갈 수 있고, 이는 수백 년간 이어진 열린 과학의 전통을 뒤집어 분야의 미래에 장기적 손상을 줄 것이라고 우려합니다. 대안으로는 자동 도구의 무분별한 해답 추출을 완전히 금지하는 것이 기술적으로 어렵더라도, 문제를 푸는 것에 그치지 않고 풀이 과정에서 통찰을 끌어내고 인접 문제의 난이도 지형까지 파악하는 신중한 분석이 요구되는 문제군을 명시적으로 지정할 수 있다고 제안합니다. 비유는 이번에도 선명합니다. 현대의 식품 기부는 기술적으로 먹을 수 있다고 검증된 것이면 아무것이나 받는 대신, 어떤 수준의 기부를 원하는지에 대한 명시적이고 사회적으로 합의된 기준을 유지한다는 것입니다.
왜 볼 만한가요? 위의 두 수학 발표를 읽는 가장 좋은 렌즈이자, 개발자에게도 그대로 옮겨 오는 논점입니다. 강력한 자동 해결 도구가 당장의 문제는 치우지만, 다음 세대의 기법과 문제와 사람이 자라날 생태계를 소모한다는 구조는 소프트웨어에서도 익숙합니다. 에이전트가 코드를 다 써 주는 환경에서 주니어 개발자가 난이도 지형을 익힐 기회를 어디서 얻는가 하는 문제와 정확히 같은 형태입니다. 타오의 제안이 “금지"가 아니라 “어떤 문제는 풀이만으로는 가치가 없다고 명시하기"라는 점도 실무적으로 참고할 만합니다.
관심 포인트 AI 회사들이 실패 결과와 도달 과정을 공개하지 않아 능력의 경계가 보이지 않는다는 지적은, 벤치마크 점수만 보고 도구의 한계를 판단하려는 시도가 왜 잘 안 되는지에 대한 설명으로도 읽힙니다.
원문: 타오의 글 보기, Hacker News 토론 보기

모든 곳의 보안을 고칠 시간이 1년쯤 남았습니다#

핵심 내용 개발자 진 엘슨(Jyn Elson)이 9월 4일 올린 글이 이번 구간 개발자 커뮤니티에서 크게 읽혔습니다. 논지는 하나입니다. 저렴하고 제약 없는 AI 모델이 실제 세계의 취약점을 대규모로 찾아내고 악용할 수 있게 됐고, 중요 인프라를 고칠 시간이 약 1년쯤 남았다는 것입니다. 분수령으로 꼽은 것은 누구나 내려받아 수정할 수 있는 오픈 웨이트 모델 GLM 5.3-flash입니다. 저자의 표현으로는 “소비자용 하드웨어에서 지구를 해킹하는 LLM을 돌릴 수 있다"는 상태이고, 안전장치를 제거한 변형본까지 돌아다니면서 공격자에게 필요한 사람의 개입이 최소화됐습니다. 저자가 인용한 수치로 GLM 5.3은 실제 취약점을 다루는 벤치마크 CyberGym에서 84.5%, 실제 익스플로잇 작성 능력을 보는 ExploitBench에서 54.4%를 기록합니다. 보안 전문가들이 LLM 도움 없이는 보안 대회에서 경쟁력을 유지할 수 없다고 말하는 상황도 근거로 들었습니다. Project Glasswing이나 Daybreak처럼 프런티어 모델로 업계 전반의 취약점을 미리 찾아 고치려는 시도가 이미 있지만, 이들이 발견한 진짜 병목은 다른 곳이라는 지적이 이 글의 핵심입니다. “어려운 부분은 버그를 고치는 것이 아니라 배포"라는 것입니다. 패치는 조율된 롤아웃, 물리적 접근, 단계적 업데이트를 필요로 하고 기존 인프라는 그 속도를 낼 수 없습니다. 그래서 권고도 패치 작성보다 배포 쪽에 무게가 있습니다. 프런티어 모델에 구조화된 프롬프트를 붙여 위험을 선제적으로 찾고, 에이전트는 좁게 제한된 자격 증명과 네트워크 필터링으로 샌드박스에 넣고, 메모리 안전 언어와 형식 검증과 퍼징에 투자하고, 개별 패치 작성보다 트리아지와 백포트 자동화와 배포 기계장치를 우선하고, 임베고 기간을 단축하고 패치 적용률을 끝단까지 추적하며, 소프트웨어 공급망 목록과 의존성 감사를 수행하라는 것입니다.
왜 볼 만한가요? 직전 브리프에서 다룬 두 항목이 정확히 이 글의 전제입니다. OpenAI가 GPT-6 Astra를 대비 프레임워크의 사이버보안 ‘위험’ 등급으로 분류한 것과, Google이 방어 전용 Gemini 3.8 Flash Cyber를 심사제로만 연 것 말입니다. 두 회사 모두 위험한 능력을 접근 통제로 다루는 답을 택했는데, 이 글은 그 답의 유효 기간을 묻습니다. 같은 능력이 내려받아 쓸 수 있는 오픈 웨이트 모델에 도달하면 접근 통제 자체가 성립하지 않기 때문입니다. 다만 저자가 인용한 CyberGym 84.5%는 직전 브리프에서 다룬 Gemini 3.8 Flash Cyber의 47.2%와 크게 벌어지는 숫자입니다. 같은 이름의 벤치마크라도 버전과 평가 구간이 다를 수 있으므로, 저자가 제시한 수치로 받아들이고 직접 비교는 조심할 대목입니다.
관심 포인트 “고치는 것보다 배포가 어렵다"는 지적은 규모와 무관하게 적용됩니다. 필자 기준으로도 의존성 업데이트를 실제로 배포까지 끌고 가는 경로가 자동화돼 있는지가, 취약점을 아는지 모르는지보다 중요한 변수입니다.
원문: 원문 보기, Hacker News 토론 보기

kernel.org 요청의 98%는 AI 스크레이퍼입니다#

핵심 내용 리눅스 커널 인프라를 운영하는 콘스탄틴 랴비체프(Konstantin Ryabitsev)가 8월 29일 올린 글이 9월 7일 다시 화제가 됐습니다. 상황은 이렇습니다. git.kernel.org가 받는 요청은 하루 약 6백만 건인데, 그중 98%가 개발자가 아니라 AI 학습용 스크레이퍼입니다. 커널 커밋 기록이 학습 데이터로 특별히 귀한 이유가 있습니다. LLM이 생성한 텍스트가 섞였을 위험이 없는, 확실한 “AI 이전 콘텐츠"이기 때문입니다. 대가는 운영 쪽이 치릅니다. 분산된 서버 다섯 대에 걸쳐 CPU 코어 14개가 봇에게 git 커밋을 HTML로 그려 주는 일만 하고 있고, 이는 전체 처리 용량의 약 20%입니다. 규모가 왜 이렇게 커지는지도 설명됩니다. linux.git에는 148만 개 커밋이 있고 포크가 922개라서, 커밋을 보여 주는 여러 형식을 조합하면 긁을 수 있는 URL이 수십억 개로 늘어납니다. 대응으로는 방문자에게 계산이 비싼 문제를 풀게 하는 작업 증명 방식 Anubis를 도입했습니다. 처음에는 효과가 있었지만 몇 달 안에 봇들이 난이도를 올린 문제까지 풀어내며 적응했고, 난이도를 4에서 5로 올려야 했습니다. 상업적 유인이 이 비용을 감당할 만하게 만들고 있다는 뜻입니다. 저자가 가장 답답해하는 대목은 방식의 비효율입니다. 스크레이퍼들은 저장소를 그냥 복제(clone)하면 되는데도, 가능한 가장 비효율적인 방법인 커밋별 HTML 렌더링으로 긁고 있습니다. 그 결과 익명 사용자에게 제공하는 기능을 제한할 수밖에 없게 될 것이라고 전망합니다.
왜 볼 만한가요? AI 붐의 비용이 모델을 만드는 쪽이 아니라 공개 인프라를 운영하는 쪽에 청구되고 있다는 구체적 사례입니다. 숫자가 특히 인상적입니다. 트래픽의 98%, 용량의 20%가 아무도 요청하지 않은 일에 쓰이고 있습니다. 그리고 결말이 개발자 모두에게 영향을 줍니다. 대응 비용을 감당할 수 없으면 공개 git 웹 인터페이스의 기능이 익명 사용자에게 닫히고, 그것은 로그인 없이 커밋 하나를 확인하러 들어가던 일상 작업이 사라진다는 뜻입니다.
관심 포인트 자기 프로젝트에 공개 git 웹 인터페이스나 문서 사이트를 운영하고 있다면, 트래픽 중 실제 사람의 비중이 얼마인지 한 번 확인해 볼 만합니다. 저장소를 복제하면 되는 데이터를 페이지 단위로 긁는 패턴이 보이면 같은 비용을 이미 치르고 있는 것입니다.
원문: 원문 보기

YouTube 브리프#

Machine Learning Street Talk — “How Many Narrow AIs Could Behave Like One Superintelligence”#

채널: Machine Learning Street Talk
핵심 내용 9월 8일 공개된 1시간 30분 분량 대담입니다. AI Futures Project의 대니얼 코코타일로(Daniel Kokotajlo)와 토마스 라센(Thomas Larsen)이 진행자 팀 스카프와 함께, 초지능이 인간의 통제를 벗어나기 전에 시간을 벌기 위한 제안인 AI 2040: Plan A를 검토합니다. 확인한 설명란과 타임스탬프에 따르면 전반부는 앞선 AI 2027 예측을 되짚으며 예측의 한계를 다루고, AI가 연구를 자동화하고 인간 노동자 없이 경제를 유지할 수 있게 되면 어떤 일이 벌어지는지를 묻습니다. 이번 브리프와 가장 맞닿는 대목은 37분경부터의 “하나의 범용 모델인가, 전문가들의 사회인가"라는 논점과, 이어지는 집단 지능 논의입니다. 후반부는 Plan A의 내용을 다룹니다. 안전 인프라를 갖추기 위해 초기에는 개발을 잠시 멈추고, 이후에는 여전히 안정적으로 통제 가능한 가장 강력한 수준까지만 신중하게 개발하자는 제안이며, 통제와 협력의 차이, 공공 AI 연구의 필요성, 미국과 중국이 속도 조절을 강제할 수 있는지를 논의합니다. 설명란에는 자기 예측을 바꿀 만한 증거가 무엇인지까지 정리돼 있고, 직전 브리프들에서 다룬 Hugging Face 사건에 대한 Redwood Research의 독립 조사 자료도 참고 링크로 붙어 있습니다.
볼 만한 이유 이번 구간에 OpenAI가 에이전트 1만 개를 병렬로 돌려 밀레니엄 문제를 정리한 직후에, “좁은 AI 여러 개가 모여 하나의 초지능처럼 행동할 수 있는가"를 정면으로 다룬 대담이 올라왔습니다. 이번 브리프의 사건들을 이론 쪽 논의와 붙여 생각해 보고 싶은 사람에게 적합합니다.
영상: 영상 보기

Google DeepMind — “AlphaGenome Atlas: Understanding the human genome”#

채널: Google DeepMind
핵심 내용 9월 8일 공개된 3분 37초 분량의 공식 소개 영상입니다. 확인한 설명란에 따르면 AlphaGenome으로 사람 유전체에서 가능한 모든 단일 염기 변화 90억 개의 분자 수준 영향을 예측했고, 그 결과가 1페타바이트 데이터셋 AlphaGenome Atlas입니다. 모든 뉴클레오타이드 변이에 AlphaGenome 변이 영향 점수(AVI)가 붙어 있어 연구자가 특정 변이의 잠재적 영향을 즉시 파악할 수 있으며, 암호화 영역과 비암호화 영역 변이 모두가 전 세계 연구자에게 제공됩니다. 영상 설명란에는 AlphaGenome Atlas가 전문적 의학 조언이나 진단, 치료를 대체하지 않으며 임상 용도로 검증되거나 승인되지 않았다는 고지가 함께 붙어 있습니다.
볼 만한 이유 위의 AlphaGenome Atlas 항목을 짧게 눈으로 확인하고 싶은 사람에게, 데이터셋의 구조와 사용 방식을 3분 안에 보여 주는 출발점입니다.
영상: 영상 보기