AI 악용의 핵심 변화는 ‘완전 자율화’보다 비용 하락일 수 있다
Anthropic의 2026년 9월 위협보고서는 AI가 공격 업무의 노동·전문성 비용을 낮추고 있음을 보여준다. 다만 이는 Anthropic이 관찰한 사례의 범위 안에서 읽어야 한다.
인공지능
에이전틱 AI 인프라 경쟁은 ‘칩’보다 ‘운영 루프’로 이동한다
NVIDIA와 CoreWeave는 Vera Rubin을 단순한 가속기가 아니라 에이전트의 실행·평가·개선까지 잇는 생산 인프라로 밀고 있다. 실제 경제성은 아직 검증이 더 필요하다.
Gemini 4 Argon의 핵심은 더 좋은 챗봇이 아니라 ‘긴 작업’이다
Google의 Gemini 4 Argon은 긴 작업을 위한 대규모 출력 예산과 강한 기업·사이버 성능을 내세운다. 그러나 제한적 배포와 엇갈린 벤치마크까지 함께 봐야 변화의 의미가 보인다.
OpenAI DevDay 2026: AI는 챗봇에서 ‘지속형 에이전트’로 이동한다
OpenAI DevDay 2026의 20개가 넘는 발표를 한 방향으로 보면, AI는 대화형 챗봇에서 지속형 에이전트로 이동하고 있다. Dots·Agents API·Codex·GPT-6.1 Sol이 만드는 구조적 변화를 살펴본다.
자가 개선 AI의 다음 병목은 모델이 아니라 ‘루프’다 — Stanford CS329A Part 9
Stanford CS329A Part 9을 바탕으로 자가 개선 AI의 다음 연구 과제인 reasoning diversity, verification, self-generated curriculum, continual learning, intelligence per watt를 정리합니다.
오래 일할 수 있는 AI와 믿고 맡길 수 있는 AI는 다르다 — Stanford CS329A Part 8
Stanford CS329A Part 8을 따라 METR, GDPval, DeepScholar-Bench를 비교하며 긴 task horizon과 실제로 믿고 맡길 수 있는 AI의 차이를 설명한다.
탐색만 늘린다고 AI가 똑똑해지는 것은 아니다 — Stanford CS329A Part 7
Stanford CS329A Part 7을 따라 AlphaCode, AlphaCode 2, Search-o1, Search-R1을 연결한다. Search의 핵심은 더 많이 찾는 것이 아니라 더 잘 생성·선별·압축하는 데 있다.
AI는 자기 추론에서 어떻게 다시 학습하는가 — Stanford CS329A Part 6 Train-Time Scaling
Stanford CS329A Part 6를 따라 STaR, DeepSeekMath/GRPO, DAPO를 연결한다. 검증된 reasoning이 어떻게 지속적인 train-time improvement로 바뀌는지 살펴본다.
AI 에이전트의 능력과 신뢰성은 다르다 — Stanford CS329A Part 5 Agent Evaluation
Stanford CS329A Part 5의 METR, GDPval, DeepScholarBench를 통해 agent capability와 reliability, context, 전문가 수준 산출물 품질이 왜 별개인지 살펴본다.
AI 에이전트의 피드백은 어디서 와야 하는가 — Stanford CS329A Part 4
Stanford CS329A Part 4를 따라 ReAct, 코드 실행 피드백, Constitutional AI를 하나의 질문으로 연결한다. Self-improving agent는 어떤 교정 신호를 믿어야 하는가?