이번주 AI 뉴스 📰
앤트로픽, Mythos급 Fable 출시 직후 ‘폐지 수준’ 전면 중단
강력한 모델의 등장 : 앤트로픽은 Mythos 계열 성능을 일반 사용자가 쓸 수 있도록 낮춘 Claude Fable 5를 공개하며, 소프트웨어 개발과 분석 작업에서 가장 강력한 모델이라고 소개함.
사흘 만의 중단 : 하지만 미국 상무부가 Fable 5와 Mythos 5의 해외 접근을 막으라고 지시하면서, 앤트로픽은 모든 고객의 모델 접근을 끊는 사실상 ‘폐지 수준’의 전면 중단에 들어감.
AI 수출통제의 시작 : 이번 조치는 GPU 같은 하드웨어가 아니라 모델 접근권 자체를 통제한 사례라, 앞으로 고성능 AI 모델이 국가안보 규제의 직접 대상이 될 수 있음을 보여줌.
구글 AI 오버뷰, 독일 법원서 “구글 자체 콘텐츠” 판단
검색 요약의 책임 : 독일 법원은 AI 오버뷰가 단순 검색 결과가 아니라 구글이 제공한 자체 콘텐츠에 가깝다고 판단하며, 잘못된 요약에 대해 구글이 직접 책임질 수 있다고 봄.
오답의 현실 피해 : 이번 사건은 AI 오버뷰가 독일 출판사들을 사기나 의심스러운 사업 관행과 잘못 연결했다는 주장에서 시작됐으며, 구글은 판결에 항소하겠다고 밝힘.
AI 검색의 분기점 : 검색이 ‘링크를 보여주는 서비스’에서 ‘답을 직접 말해주는 서비스’로 바뀌면서, 틀린 답을 누가 책임질 것인지가 본격적인 법적 쟁점으로 떠오름
미국 의회, 주별 AI 규제 차단과 아동 보호법을 한 묶음으로 논의
전국 단일 규칙 시도 : 빅테크 업계는 주마다 다른 AI 규제를 연방법으로 덮어쓰는 ‘전국 단일 규칙’을 추진하고 있으며, 이를 아동 온라인 안전 법안과 함께 처리하려는 움직임이 나타남.
어색한 법안 결합 : AI 규제와 아동 보호는 일부 영역이 겹치지만 완전히 같은 문제는 아니어서, KOSA 같은 아동 안전 법안이 AI 산업 규제 논쟁의 협상 카드로 쓰이는 데 대한 혼란이 커지고 있음.
통과 가능성은 불확실 : 상원과 하원의 법안 버전, 민주·공화 양당의 이해관계, 빡빡한 의회 일정이 모두 얽혀 있어 실제 통과까지는 여전히 큰 변수가 남아 있음.
이번주 AI 논문 📝
열린 과제에서 언어 모델의 창의성을 자동 평가하는 방법
창의성 평가의 병목 : 지금까지 AI 창의성 평가는 글쓰기, 아이디어 내기, 문제풀이처럼 과제마다 평가 기준이 달라 서로 비교하기 어려웠음.
새로움과 쓸모의 분리 : 이 논문은 답변이 얼마나 새롭고 다양한지, 동시에 실제 과제 요구를 얼마나 잘 만족하는지를 나눠 평가하는 자동화 프레임워크를 제안함.
AI 창작의 기준 만들기 : 앞으로 AI가 단순히 ‘그럴듯한 답’을 내는지보다 얼마나 창의적이고 쓸모 있는 답을 내는지를 재는 기준으로 활용될 수 있음.
외부 자료 없이 답변만 보고 환각을 잡아내는 인간식 기준 탐색
출처 없는 검증 문제 : 실제 서비스에서는 모델 내부 정보나 검색 결과 없이, 질문과 답변만 보고 AI 답변이 믿을 만한지 판단해야 하는 경우가 많음.
사람처럼 기준 쪼개기 : 이 논문은 사람이 답을 의심할 때 여러 기준을 떠올리듯, AI 평가자가 사실성·일관성·충실성 같은 기준을 나눠 보고 최종 신뢰도를 계산하게 함.
설명 가능한 안전장치 : 단순히 “환각입니다”라고 말하는 데서 그치지 않고 왜 의심했는지 기준별 설명을 남긴다는 점이 실사용에 유용함.
큰 언어 모델을 더 작고 빠르게 만드는 1.58비트 가중치/4비트 활성화 압축
배포 비용의 병목 : 거대 언어 모델은 성능이 좋아도 메모리와 연산 비용이 커서, 더 많은 기기와 서비스에 가볍게 올리기 어렵다는 문제가 있음.
훈련 후 압축 접근 : 이 논문은 모델을 처음부터 다시 학습시키지 않고, 이미 학습된 모델의 가중치와 활성화를 낮은 비트로 줄이는 후처리 압축 방식을 제안함.
속도와 정확도의 균형 : 1.58비트 가중치와 4비트 활성화를 함께 적용하면서도 정확도를 유지하고 추론 속도를 높일 수 있음을 보임.
이번주 AI 프로덕트 🎁
글과 이미지를 번갈아 만드는 에이전트형 이미지 생성 파이프라인
이미지 생성의 새 사용법 : 기존 이미지 생성기는 한 장의 이미지를 잘 만드는 데 강했지만, 글과 이미지를 순서대로 섞어 만화·설명서·작업 가이드처럼 이어지는 결과를 만드는 데는 약했음.
계획자와 비평가의 협업 : 이 프로젝트는 먼저 계획자 에이전트가 “어떤 순서로 만들지”를 짜고, 비평가 에이전트가 결과를 점검해 다시 수정하게 하는 방식으로 긴 텍스트-이미지 흐름을 구성함.
실제 공개 범위 : 모델, 학습 코드, 추론 코드가 함께 공개됐고, Hugging Face에는 Planner와 Critic 모델들이 함께 등록되어 바로 실험 가능한 형태로 제공됨.
긴 문맥의 병목 : 에이전트가 긴 코드 저장소나 방대한 문서를 한 번에 다루려면 수십만~백만 토큰 문맥이 필요하지만, 기존 어텐션 방식은 길이가 늘수록 비용이 급격히 커짐.
필요한 블록만 보기 : 이 프로젝트는 모든 토큰을 다 보지 않고, 중요한 키-값 블록을 먼저 고른 뒤 그 부분만 정밀하게 보는 희소 어텐션 방식으로 긴 문맥 처리 비용을 줄임.
모델과 커널 동시 공개 : GitHub에는 실제 추론용 커널이 MIT 라이선스로 공개됐으며, Hugging Face에는 이 기술을 적용한 MiniMax-M3 모델이 함께 등록됨.
