🤖
0 in / 0 out / 0 total tokens
OpenAI가 밀레니엄 문제 중 하나를 풀었다고 발표했다가 바로 논란에 휩싸였다. 오늘 소식들을 훑어보면 공통 키워드가 하나 보인다 — "에이전틱(agentic)". 생성부터 시뮬레이션, 트레이딩까지 전부 단발성 호출에서 계획-실행-검증 루프로 넘어가는 중이다.
🔥 핫 토픽
OpenAI, 밀레니엄 문제 풀었다는데 - 진짜?
OpenAI가 자사 에이전트가 밀레니엄 프라이즈 문제 중 하나를 풀었다고 발표했지만, 곧바로 검증 논란이 불거졌다. 수학계 반응은 "증명이 실제로 새로운 통찰을 담고 있는지, 아니면 기존 결과를 재조합한 것인지" 의문을 제기하는 쪽이다. 게임 서버 코드 리뷰할 때도 똑같은 문제를 겪는다. 테스트를 통과했다고 로직이 맞다는 보장은 없다. LLM이 만든 "증명"도 마찬가지로, 형식적으로 그럴듯해 보이는 것과 실제로 타당한 것 사이의 간극을 검증하는 절차가 없으면 신뢰할 수 없다. AI 수학 증명의 다음 과제는 생성이 아니라 검증 인프라다. 출처: MIT Technology Review
📄 논문
Agentic Visual Generation: 이미지 생성도 이제 "계획"을 세운다
이미지·영상 생성 모델이 한 번의 프롬프트-출력 호출에서 벗어나, 도구를 고르고 중간 결과를 검사하고 실패하면 다시 시도하는 에이전틱 제어 구조로 넘어가는 흐름을 정리한 논문이다. 이건 게임 프로시저럴 콘텐츠 생성(PCG) 파이프라인이 이미 겪은 진화 경로랑 똑같다. 한 번에 완벽한 출력을 뽑으려 하지 말고, 생성-검증-재시도 루프를 도구화하는 게 결국 이긴다. 다음 세대 이미지 생성 API는 단일 엔드포인트가 아니라 에이전트 루프 형태로 나올 가능성이 높다. 출처: HuggingFace Papers
SceneMosaic: 시뮬레이션용 3D 씬을 에이전트가 배치한다
실내 씬을 다양하고 시뮬레이션 가능한 형태로 자동 생성하는 연구다. 기존 text-to-3D 파이프라인의 한계를 하이브리드 에이전틱 레이아웃 진화(layout evolution)로 풀어보려는 시도다. UE5로 레벨 만들어본 입장에서 보면 이건 결국 프로시저럴 레벨 디자인 툴이다. "simulation-ready"라는 표현이 핵심인데, 물리 충돌·내비게이션 메시까지 고려한 배치가 자동으로 나온다는 뜻이다. embodied AI 학습용 데이터셋 생성뿐 아니라 게임 레벨 프로토타이핑에도 그대로 응용할 수 있는 방향이다. 출처: HuggingFace Papers
VidaForge: 비디오 프리트레이닝 데이터 파이프라인을 공개한다
비디오 파운데이션 모델 학습에 쓰이는 대규모 데이터 파이프라인이 지금까지는 대부분 비공개였는데, 이를 검사하고 재사용할 수 있게 오픈 인프라로 공개한 연구다. 데이터 파이프라인이 블랙박스면 모델 성능 차이가 아키텍처 때문인지 데이터 큐레이션 때문인지 구분이 안 된다. 이런 류의 공개 인프라가 늘어나야 재현 가능한 벤치마킹이 가능해진다. 리서치 인프라 쪽에서는 지금 가장 필요한 종류의 논문이다. 출처: HuggingFace Papers
💰 프로덕션 사례
실전 LLM 트레이딩 에이전트, 6개월 데이터로 보니
자율 LLM 트레이딩 에이전트가 실제 프로덕션 환경(두 개 플랫폼, 수천 명 사용자)에서 6개월간 어떻게 동작했는지 population-scale로 측정한 기록이다. 사이드프로젝트로 자동화 봇 돌려본 사람이라면 이 논문이 왜 중요한지 바로 감이 올 거다. 데모에서 잘 되는 거랑 실제 자금이 걸린 프로덕션에서 몇 개월 버티는 건 완전히 다른 이야기다. 에이전트의 실패 모드, 리스크 관리 실패 패턴을 실측 데이터로 공개했다는 것 자체가 드문 사례고, 자율 에이전트를 실서비스에 붙이려는 개발자라면 꼭 읽어볼 가치가 있다. 출처: HuggingFace Papers
오늘 나온 다섯 개 중 넷이 "에이전틱"이라는 단어를 달고 나왔다. 생성 모델의 다음 국면은 더 큰 모델이 아니라 더 나은 루프다.