판을 다시 짜는 힘!
요즘 AI 뉴스를 보다 보면 묘한 기시감이 들어요. 어제는 물리학 난제를 푼 이야기가 나오더니, 오늘은 스타트업 펀드 소식이, 내일은 조용히 등장했다가 정체를 드러낸 모델 이야기가 뒤를 잇거든요.
얼핏 상관없어 보이지만, 한 발짝 떨어져 보면 하나의 흐름이 보여요. 모델의 크기나 벤치마크(Benchmark) 점수로 승부하던 시대가 저물고, '얼마나 잘 실행하느냐'가 진짜 승부처가 되고 있다는 거예요.
과학 계산의 속도를 올리는 일이든, 에이전트(Agent)가 실수 없이 작업을 끝내는 일이든, 자본을 굴리고 인재를 붙잡는 일이든, 결국 다 같은 질문을 던지고 있어요. "그래서, 실제로 해낼 수 있느냐"는 질문이요. 오늘은 그 질문에 답하고 있는 여덟 개의 장면을 하나씩 살펴볼게요.
슈퍼컴퓨터를 통째로 줄여버린 계산법
물질이 가진 모든 물리·화학적 성질은 결국 미시 세계 전자들의 양자역학적 움직임에서 비롯돼요. 1960년대 등장한 밀도범함수론(DFT, Density Functional Theory)은 복잡한 다전자 파동함수를 통째로 다루는 대신 '전자 밀도'라는 하나의 값에 주목하면서 현대 계산과학의 문을 열었어요.
다만 실제 계산에 쓰이는 콘-샴(Kohn-Sham) 방식은 전자 수가 늘어날수록 계산량이 세제곱(O(N³))으로 불어나는 게 문제였어요. 거대 분자나 결정 결함, 복잡한 생체 시스템을 원자 단위부터 정밀하게 시뮬레이션하려면 그만큼 어마어마한 슈퍼컴퓨팅 자원이 필요했던 거예요.
AI를 여기에 접목하려는 시도도 있었지만 쉽지 않았어요. 최종 전자 상태를 한 번에 예측하는 모델은 시스템이 조금만 커져도 예측력이 뚝 떨어졌고, 전자 밀도로부터 퍼텐셜을 거꾸로 계산하는 방식은 오차가 눈덩이처럼 불어나는 문제를 안고 있었거든요.
그런데 최근 칼텍(Caltech)에서 발표된 한 연구가 이 딜레마를 의외로 담백하게 풀어냈어요. DFT의 핵심인 '자기일관성 장(SCF, Self-Consistent Field)' 순환 구조는 그대로 두고, 가장 계산이 무거운 단계인 '퍼텐셜에서 전자 밀도로'라는 순방향 계산만 푸리에 신경 연산자(FNO, Fourier Neural Operator)로 바꿔치기한 거예요.
마치 LLM이 단계별로 추론하며 오답을 스스로 고쳐나가듯, 이 모델도 반복적인 피드백 루프 안에서 오차를 계속 보정하도록 설계됐어요.
결과는 놀라웠어요. 이 방식은 공간 전체의 상호작용을 놓치지 않으면서도 연산량을 준선형(O(N log N)) 수준까지 끌어내렸고, 유기 분자부터 절연체와 금속까지 단일 모델로 정밀하게 재현해냈어요.
과거라면 수천 대의 GPU가 동원돼야 했을 8만 2,500개 전자 규모의 마그네슘 결함 계산을, 이제는 고성능 GPU 한 대로 안정적으로 풀어낼 수 있게 됐거든요. 물리 법칙의 뼈대는 지키면서 병목만 영리하게 갈아 끼운 이 접근법이야말로, AI와 기초과학이 만났을 때 나올 수 있는 가장 이상적인 그림 아닐까 싶어요.
똑똑한 것과 끝까지 해내는 것은 다르다
물리학 이야기가 '연산을 얼마나 줄이느냐'의 문제였다면, 이번엔 조금 결이 다른 질문이에요. LLM 기반의 자율 에이전트가 길고 복잡한 과제를 수행할 때 자꾸 삐끗하는 이유는 뭘까요? 최근 연구들은 이게 모델의 '이해력'이 부족해서가 아니라고 말해요. 오히려 문제는 실행 과정에서 벌어져요. 대화가 길어질수록 맥락은 조금씩 오염되고, 에이전트는 뭘 끝냈고 뭘 더 해야 하는지 슬금슬금 길을 잃거든요.
새로 제안된 '리커리스(Recuris)'라는 구조는 이 문제를 기억을 나누는 방식으로 풀었어요. 작업 기억(Working Memory)은 환경으로부터 실제로 검증된 상태만 담아서 남은 목표를 정확히 추적하고, 경험 기억(Experiential Memory)은 그 상태에 맞는 스킬만 딱 필요한 순간에 불러와요.
매뉴얼을 통째로 프롬프트에 욱여넣는 대신, 검증된 실행 상태를 기준으로 스킬을 골라 쓰는 방식이라 불필요한 잡음이나 치명적인 누락이 훨씬 줄어들어요.
더 흥미로운 건 여기에 재귀적 자기 개선(RSI, Recursive Self-Improvement) 메커니즘까지 얹었다는 점이에요. 모델의 가중치는 건드리지 않고, 실패한 궤적을 구조화된 데이터로 뜯어봐서 원인을 스킬이나 검증기 같은 특정 컴포넌트로 좁혀요.
그러면 메타 에이전트가 그 부분만 콕 집어 고치고, 엄격한 검증을 통과한 수정안만 반영하니까 기존 성능이 뒷걸음질 치는 일 없이 시스템이 조금씩 나아지는 거예요.
실험 결과도 이 접근이 헛되지 않았다는 걸 보여줘요. 중간 규모 모델에서 진화시킨 스킬 메모리 패키지 하나만으로도 GPT-5.6 Sol, 클로드 오푸스 5(Claude Opus 5) 같은 최상위 모델들의 과제 성공률이 두 자릿수 넘게 올라갔고, 주요 실패 패턴은 최대 80%까지 줄었대요.
결국 에이전트를 더 똑똑하게 만드는 열쇠는 모델을 더 키우거나 프롬프트를 늘리는 데 있지 않았어요. 검증된 사실 위에 서서 기억을 스스로 다듬어가는 '실행의 규율' 쪽에 있었던 거예요.
사람에 맞추는 기술이 결국 이긴다
물리학과 에이전트 이야기가 '기술이 얼마나 정교해지는가'였다면, 이번 이야기는 조금 다른 층위예요. 파라미터 수나 벤치마크 점수가 아니라, 사용자가 실제로 느끼는 경험 쪽으로 무게 중심이 옮겨가고 있다는 이야기거든요.
OpenAI의 제품 리더 티보(Tibo)가 최근 전한 메시지가 이 지점을 정확히 짚어줘요. 진짜 기술 발전은 사람에게 새로운 도구의 문법을 억지로 익히게 하는 게 아니라, 기술 스스로가 사람의 자연스러운 사고와 행동 흐름에 맞춰 들어가는 데 있다는 거예요.
돌이켜보면, 거대 기업들이 강력한 언어 모델을 연구실 안에 묵혀두고 있던 사이 세상을 바꾼 건 현장의 실행력이었어요. 완벽을 기한다며 거대한 계획 뒤에 숨기보다, 일단 제품을 세상에 내놓고 사용자와 부딪히며 오류를 고쳐나가는 태도가 지금의 생성형 AI 생태계를 만들었죠.
실패를 두려워하지 않는 배포 중심 문화가 연구실의 아이디어를 수억 명의 일상 도구로 바꿔놓은 가장 강력한 동력이었던 셈이에요.
이 실행력 위에서 요즘 가장 뜨거운 화두는 속도와 인지 부하예요. 초기 에이전트를 쓸 때는 처리 속도가 느려서 여러 작업을 동시에 띄워두고 끊임없이 맥락을 전환하는 피로를 감수해야 했어요.
하지만 초고속 토큰 생성과 실시간 음성 상호작용이 가능해지면서 이야기가 완전히 달라지고 있어요. 사람의 생각 속도에 맞춰 즉각 반응하는 시스템은 몰입을 깨지 않고 생각의 흐름을 그대로 이어가게 해주거든요.
모델 스스로가 인프라와 추론 스택을 최적화하는 선순환 구조는 처리 속도를 끌어올리는 동시에 비용을 극적으로 낮추면서, 강력한 지능을 누구나 부담 없이 쓸 수 있는 자원으로 바꿔가고 있어요.
더 눈여겨볼 변화는 도구 간의 경계가 허물어지는 지점이에요. 코딩 전용 도구와 일반 대화형 인터페이스를 따로 나누던 시대는 저물고 있어요. 하나의 유연한 인터페이스가 개발자든 일반 사용자든 각자의 맥락에 맞춰 스스로 형태를 바꾸는 게 앞으로의 표준이 될 거예요.
키보드로 프롬프트를 타이핑하는 좁은 창구를 넘어, 음성과 시각, 공유된 캔버스로 오랜 동료와 대화하듯 교감하는 환경 말이에요. 기술이 복잡성을 스스로 흡수할수록, 사람은 본연의 창의성에만 온전히 집중할 수 있게 되거든요.
관성을 이기는 사람들의 조건
여기까지 보면 기술은 무섭게 빨라지고 있는데, 정작 사회와 일상의 변화 속도는 그만큼 따라가지 못하고 있다는 생각이 들지 않나요? 새 모델이 나올 때마다 기존 비즈니스가 당장 뒤집힐 것 같지만, 현실 세계에는 생각보다 거대한 마찰력이 존재해요.
넷플릭스(Netflix)가 우편으로 DVD를 배달하며 혁신을 시작했을 때도 사람들은 여전히 익숙한 비디오 대여점으로 발걸음을 옮겼잖아요. 심지어 최첨단 기술의 최전선에 선 리더들조차 매일 아침 메일함을 일일이 확인하는 구시대적 방식을 관성처럼 반복해요.
기술의 발전 속도와 인간의 적응 속도 사이의 이 시차야말로, 지금 우리가 마주한 AI 전환기의 가장 본질적인 단면이에요.
이 과도기 속에서 진짜 돌파구를 만드는 건 언제나 비합의적(Non-consensus) 확신을 품은 소수였어요. OpenAI가 처음 출범했을 때만 해도 학계와 산업계 주류는 AGI나 LLM의 가능성을 회의를 넘어 조롱에 가까운 시선으로 봤거든요.
하지만 첨단 기술 연구와 벤처 혁신의 본질은, 소수의 비범한 베팅이 수많은 실패를 상쇄하고도 남을 성과를 만들어내는 거듭제곱 법칙(Power Law)에 있어요. 남들과 비슷한 방향으로 안전하게 가서는 기하급수적인 도약을 만들 수 없다는 거예요.
지금 우리가 서 있는 자리를 냉정하게 짚어보면, 지금의 AI 생태계는 아이폰(iPhone)이 등장하기 직전의 스마트폰 시장과 닮아 있어요. 필요한 기반 기술과 연산 능력은 빠르게 쌓이고 있지만, 사람들의 작업 방식과 사고를 근본적으로 뒤흔들 통합적인 제품 경험은 아직 완성되지 않았거든요.
대다수 조직이 보고서 너머로 기술을 바라보며 표면적인 도입에 그치는 사이, 파괴적 혁신을 이끄는 리더들은 직접 코드를 다루고 모델의 한계와 가능성을 손끝으로 체감하며 기존의 성공 방정식을 백지화해요.
이 과정에서 요구되는 또 하나의 철학은 완벽주의를 벗어난 '반복적 배포(Iterative Deployment)'예요. 기술이 완벽해질 때까지 연구실에 가둬두는 방식은 오히려 안전을 보장하지 못해요.
항공 산업이 투명한 사고 조사와 지속적인 피드백으로 가장 안전한 시스템을 만들어냈듯, AI도 불완전한 단계부터 세상과 부딪히며 개선돼야 한다는 거예요.
연산 자원이라는 이름의 블랙홀
관성을 이기는 소수의 확신이 쌓이다 보면, 결국 그 힘은 어디로 흘러갈까요? 최근 세미애널리시스(SemiAnalysis)의 딜런 파텔(Dylan Patel)이 내놓은 전망이 그 답에 가까워요. 전 세계 신규 연산 능력의 절반 이상, 나아가 사용 가능한 첨단 연산의 절대다수가 2028년쯤엔 OpenAI와 앤트로픽이라는 두 프론티어 연구소로 쏠릴 거라는 이야기예요.
과거엔 빅테크 여러 곳으로 흩어지던 인프라 경쟁이, 이제는 최상위 연구소 중심의 극단적 양극화로 수렴하고 있는 거예요. 그 배경에는 단순한 기술 격차를 넘어선 냉정한 경제학이 자리하고 있어요.
이 쏠림을 만드는 핵심 동력은 메가와트(MW)당 수익성이 폭발적으로 바뀌었다는 데 있어요. 초기 LLM이 비싼 하드웨어 비용 탓에 마이너스 마진을 기록했던 것과 달리, 최신 모델들은 인프라 비용을 훌쩍 뛰어넘는 부가가치를 만들어내고 있거든요.
메가와트당 수천만 달러에서 앞으로 1억 달러에 육박하는 수익을 낼 수 있는 선도 연구소들은, 시장에 나오는 연산 자원에 가장 높은 값을 부를 수 있는 존재가 됐어요. 다른 기업들이 데이터센터를 아무리 크게 지어도, 결국 최고가를 지불할 수 있는 이들 연구소로 용량이 몰릴 수밖에 없는 구조가 만들어진 거예요.
여기서 눈여겨볼 대목이 하나 더 있어요. 선도 연구소들은 뜻밖에도 외부 판매용 추론 서비스보다 내부 연구개발(R&D)과 모델 훈련 쪽으로 연산을 점점 더 많이 돌리고 있어요. 외부 고객에게 토큰을 팔아 얻는 단기 수익보다, 코딩과 연구 자체를 자율화해서 다음 모델의 개발 속도를 앞당길 때 얻는 장기적 가치가 훨씬 크다고 판단한 거죠.
연구소 안에서 돌아가는 유효 'AI 노동력'이 기하급수적으로 늘어나면서, 소수 기업의 울타리 안에 지구적 생산력에 맞먹는 지적 능력이 쌓여가는 모양새예요.
물론 이 확장에도 저항은 있어요. 첨단 칩 부품의 물리적 제조 한계, 전력망과 발전소 구축의 시간 지연이 대표적인 병목이고요. 무엇보다 수조 달러 규모의 자본지출(CapEx)을 감당하려고 대규모 채권과 부채가 발행되면서, 시장 전체의 자본을 빨아들이는 '구축 효과(Crowding-out)'가 벌어질 위험도 있어요.
AI로 쏠리는 막대한 자본 수요가 금리를 밀어 올리면, 그 여파는 AI와 무관한 전통 산업과 부채 부담이 큰 국가들의 재정으로까지 번질 수 있거든요. 분산된 의사결정으로 효율을 추구해온 시장경제가, 역설적으로 역사상 가장 거대한 중앙집권적 지적 독점 체제를 만들어가고 있는 셈이에요.
자기 돈으로 베팅하기 시작한 회사
이렇게 연산과 자본이 소수에게 쏠리는 흐름 속에서, OpenAI는 아예 스스로 자본가가 되기로 한 모양이에요. 최근 4억 달러 규모의 두 번째 스타트업 펀드를 공식 출범시켰거든요. 이번 펀드에서 가장 눈에 띄는 변화는, MS 같은 외부 출자자의 자본에 기대던 1억 7,500만 달러 규모의 1차 펀드와 달리 이번엔 전액 OpenAI 자체 자본으로 조성됐다는 점이에요.
AI 모델 개발사를 넘어, 독자적인 자본력을 갖춘 거대 벤처 투자 주체로 몸집을 바꾸고 있다는 신호로 읽혀요.
이런 체질 개선의 배경에는 1차 펀드의 확실한 성공 경험이 있어요. 법률 AI '하비(Harvey)'와, 최근 SpaceXAI에 인수된 AI 코딩 스타트업 '커서(Cursor)'를 포함해 24개 유망 기업을 발굴하며 투자 안목을 증명했거든요.
다만 기존 구조에서는 유한책임출자자(LP)들이 이익 대부분을 가져가는 한계가 있었어요. 그래서 2차 펀드부터는 스타트업 성장의 경제적 과실을 온전히 자사 몫으로 가져오고, 생태계에 대한 전략적 통제력도 극대화하겠다는 계산을 분명히 한 거예요.
투자 방식도 한층 정교하고 공격적이에요. 매년 8~10개 내외의 초기 단계 기업을 골라 라운드를 직접 주도하고, 핵심 기회에는 최대 1억 달러에 이르는 대형 투자도 집행할 계획이거든요.
유망 스타트업을 자사의 기술 영향권 아래 묶어두는 기술 연합군을 만들겠다는 의도가 읽히죠. 자체 대차대조표로 이 규모의 펀드를 운용하는 건, 탄탄한 재무적 자신감 없이는 불가능한 일이에요. ChatGPT로 생성형 AI 시대를 열었던 OpenAI가, 이제는 차세대 혁신을 발굴하고 소유하는 맹주 자리까지 넘보고 있는 거예요.
결국 사람이 움직인다
자본이 소수에게 몰리는 것 못지않게 치열한 게 바로 사람 싸움이에요. 최근 씽킹 머신스 랩(Thinking Machines Lab)의 공동 창업자이자 OpenAI를 거친 바렛 조프(Barret Zoph)가 구글(Google)의 연구 부사장으로 전격 복귀했다는 소식이 이 생태계 격변을 선명하게 보여줘요.
구글에서 경력을 시작해 OpenAI와 신생 스타트업을 거쳐 다시 친정으로 돌아온 그의 행보는, 단순한 이직을 넘어 차세대 기술 주도권을 둘러싼 치열한 수 싸움을 담고 있거든요.
구글 입장에서 이번 영입은 그 어느 때보다 절실한 승부수였어요. 최근 구글은 핵심 연구자들의 연쇄 이탈로 상당한 압박을 받아왔거든요. 상징적 인물이던 제프 딘(Jeff Dean)이 창업을 위해 떠났고, 노암 샤지어(Noam Shazeer)는 OpenAI로, 노벨상 수상자인 존 점퍼(John Jumper)는 앤트로픽으로 자리를 옮겼어요.
여기에 데미스 하사비스(Demis Hassabis)의 역할 변화까지 맞물리면서 리더십 재정비가 절실하던 시점이었죠. 조프의 합류는 강화학습과 사후 학습(Post-training) 역량을 보강해서 주력 모델 제미나이(Gemini)의 성능을 끌어올리고, 특히 수익성 높은 코딩 AI 분야에서 OpenAI와 앤트로픽을 맹추격하겠다는 의지를 그대로 보여줘요.
이 인사 하나만 봐도, AI 패권 다툼이 자본과 컴퓨팅 인프라를 넘어 결국은 핵심 알고리즘과 학습 노하우를 쥔 소수의 인재에 의해 좌우된다는 걸 다시 한번 확인할 수 있어요.
창업과 이적, 갈등과 합종연횡이 끊임없이 반복되는 이 흐름 속에서, 인재가 그리는 이동 경로야말로 앞으로 글로벌 AI 기술 혁신의 방향을 가늠할 가장 확실한 나침반이 아닐까 싶어요.
조용히 등장해서 판을 흔든 모델
사람과 자본이 이렇게 요란하게 움직이는 사이, 정작 시장을 가장 크게 흔든 건 이름조차 밝히지 않은 모델이었어요. 지난 일주일간 개발자 플랫폼을 뜨겁게 달군 정체불명의 모델 '옥스 알파(Ox Alpha)'의 실체가 최근에서야 드러났거든요.
100만 토큰에 달하는 방대한 컨텍스트(Context)와 텍스트·이미지·비디오를 아우르는 멀티모달(Multimodal) 능력을 무료로 선보이며 스트라이프(Stripe)의 패트릭 콜리슨(Patrick Collison) CEO 같은 업계 인사들의 찬사까지 이끌어낸 이 모델의 주인공은, 다름 아닌 중국의 Z.AI였어요.
Z.AI는 이 모델을 'GLM-5.3-Flash'로 정식 출시하며 시장에 파장을 일으키고 있어요. 최근 바이트댄스(ByteDance)나 알리바바(Alibaba) 같은 주요 기업들이 그랬듯, 브랜드를 가린 채 순수한 기술력과 사용성만으로 시장 반응을 검증하는 스텔스 출시 전략이 이번에도 통한 셈이에요.
발표에서 가장 눈에 띄는 건 압도적인 비용 대비 성능이에요. 입력 100만 토큰당 0.15달러, 출력 100만 토큰당 0.50달러라는 가격은 프론티어급 AI의 상식을 깨는 수준이거든요.
기존 고성능 모델보다 비용을 10분의 1 수준으로 낮추면서, 딥시크(DeepSeek)와 함께 저비용·고효율 모델군을 확고히 구축했고, 앤트로픽 같은 서구 선두 기업들의 고가 프리미엄 전략을 정면으로 위협하고 있어요. 최근 딥시크가 주말 피크 요금제를 폐지하며 가격 문턱을 낮춘 흐름과 맞물려, 고성능 AI의 경제적 진입장벽이 빠르게 허물어지는 중이에요.
이런 가격 혁신은 아키텍처의 비약적 효율화에서 나왔어요. GLM-5.3-Flash는 총 3,200억 개 파라미터 중 실제 연산에는 180억 개만 활성화하는 희소 구조를 택했거든요. 특히 긴 문맥 처리의 병목을 풀기 위해 선형 어텐션(Linear Attention)과 희소 어텐션(Sparse Attention)을 결합한 하이브리드 구조를 도입해서, 연산량과 메모리 캐시 점유율을 이전 세대보다 크게 줄였어요.
여기에 30조 토큰 규모의 고품질 멀티모달 사전 학습까지 더해, 적은 컴퓨팅 자원으로도 최상위 지능을 만들어내는 파레토 프론티어(Pareto Frontier)의 진전을 이뤄냈다고 해요.
활용성도 단순 텍스트 처리를 훌쩍 넘어서요. 시각 능력이 코딩 루프 안에 내재화돼서, 코드를 짜는 데 그치지 않고 렌더링된 UI나 인터랙션 결과를 모델이 스스로 보고 고치는 폐루프 검증 체계까지 갖췄거든요.
웹 프런트엔드와 3D 장면 생성, 게임 제작은 물론 오피스 문서와 금융 분석 같은 전문 워크플로도 자율적으로 쪼개고 도구를 불러 완성형 결과물을 만들어내요. 게다가 Z.AI는 이 모델의 막대한 트래픽을 서구산 첨단 GPU가 아니라 중국 자체 개발 AI 칩 클러스터에서 전량 처리했다고 밝혔어요.
하드웨어의 메모리 대역폭 한계를 소프트웨어와 아키텍처 설계로 넘어선 셈인데, 자원이 부족해도 촘촘한 설계로 메인스트림 수준의 효율을 낼 수 있다는 걸 증명한 사례예요.
거인들의 체스판, 그리고 우리의 가벼운 한 수
여덟 개의 복잡한 장면을 한 발짝 물러서서 보면, 결국 무대 뒤에서 들려오는 외침은 생각보다 단순하고 명쾌해요. "그래서, 지금 당장 뭘 해낼 수 있는데?"라는 짓궂지만 정직한 물음이죠. 슈퍼컴퓨터를 쥐어짜던 계산과학자도, 천문학적인 자본을 굴리는 거물들도, 심지어 정체를 숨긴 채 판을 흔든 도전자까지도 모두 '말'이 아니라 '손끝의 실행'으로 답을 증명하고 있으니까요.
수조 달러의 자본과 행성급 연산 자원이 블랙홀처럼 빨려 들어가는 광경을 보고 있으면, 마치 거대 로봇들이 부딪히는 SF 블록버스터를 팝콘 씹으며 구경하는 기분이 들기도 해요. 소수의 연구소가 미래의 지능을 독점할까 슬그머니 등골이 서늘해지다가도, 이름표를 뗀 도전자가 날린 날카로운 잽 한 방에 판세가 출렁이는 걸 보면 피식 웃음이 나오기도 하거든요. 규칙은 아직 완전히 정해지지 않았고, 게임은 이제 막 시작됐을 뿐이에요.
하지만 진짜 흥미로운 반전은 따로 있어요. 그 거대한 인프라와 첨단 알고리즘이 온갖 요란한 소리를 내며 달려와 결국 안착하는 자리가, 다름 아닌 우리 모니터 속 깜빡이는 작은 커서 앞이라는 사실이에요.
수천억 달러짜리 지능을 손에 쥐고 오늘 점심 메뉴를 물어보든, 세상을 바꿀 작은 코드를 한 줄 짜넣든, 결국 그 도구에 진짜 쓸모와 생명을 불어넣는 건 거인들이 아니라 매일 화면을 마주하는 우리들이니까요.
거인들의 웅장한 싸움 구경은 이쯤에서 기분 좋게 털어내고, 이제 에코 멤버님들 손끝에 쥐어진 이 놀라운 장난감을 가볍게 굴려볼 차례예요. 자, 오늘은 이 대단한 도구로 무엇부터 시작해볼까요?
Cinnamomo di Moscata
Cinnamomo di Moscata (글쓴이) 소개
게임 기획자입니다. https://www.instagram.com/cinnamomo_di_moscata/
(1) arXiv:2608.23895 [physics.chem-ph]
(2) Editor. (2026). Linear-Scaling Density Functional Theory with Neural Operators. Anima AI + Science Lab CalTech. https://tensorlab.cms.caltech.edu/users/anima/ks_fno.html
(3) arXiv:2608.24876 [cs.AI]
(4) Matthew Berman. (2026). "My full interview with Tibo (@thsottiaux) 0:45 Tibo's Lessons from Google DeepMind 4:22 Building OpenAI's Relentless Culture 7:23 Astra & Next Gen Models 11:18 How Fast AI Changes Developer Workflows 14:27 ChatGPT & Codex Merging 20:25 OpenAI vs. Anthropic 23:37 Why …". X. https://x.com/MatthewBerman/status/2091959711423996249
(5) David Senra. (2026). Sam Altman on Building OpenAI & Betting on the Impossible. YouTube. https://www.youtube.com/watch?v=kG8AoExkX40
(6) Dwakesh Patel. (2026). Dylan Patel – Anthropic & OpenAI will have most of the world's compute by 2028. Dwarkesh Podcast. https://www.dwarkesh.com/p/dylan-patel-3
(7) Sarah Klearman. (2026). OpenAI Is the Sole Investor in Its Latest Venture Fun. Wall Street Journal. https://www.wsj.com/pro/venture-capital/openai-is-the-sole-investor-in-its-latest-venture-fund-ed1dd447
(8) Erin Woo and Meghan Bobrowsky. (2026). Thinking Machines Lab Co-Founder Barret Zoph Joins Google. Wall Street Journal. https://www.wsj.com/tech/ai/thinking-machines-lab-co-founder-barret-zoph-joins-google-49f594e6
(9) Sohee Kim. (2026). Mystery AI Model Ox Alpha Draws Developers With Free Access. Bloomberg. https://www.bloomberg.com/news/articles/2026-08-23/mystery-ai-model-ox-alpha-draws-developers-with-free-access
(10) Luz Ding. (2026). China's Z.AI Made Ox Alpha Stealth Model That Rivals DeepSeek. Bloomberg. https://www.bloomberg.com/news/articles/2026-08-26/china-s-z-ai-made-ox-alpha-stealth-model-that-rivals-deepseek
(11) Editor. (2026). GLM-5.3-Flash. z.ai. https://docs.z.ai/guides/vlm/glm-5.3-flash
(12) Bloomberg News. (2026). DeepSeek Ends Weekend Peak Pricing for API Users From Today. Bloomberg. https://www.bloomberg.com/news/articles/2026-08-23/deepseek-ends-weekend-peak-pricing-for-api-users-from-today
