이 글은 AI 검수에서 통과하지 못했습니다 (점수: 75/100)
⚠️ 비어있는 섹션이 있다 🚫 죽은 링크: https://openai.com/index/using-codex-chatgpt-to-search-for-new-antimicrobials (403)
링크 오류, 품질 미달 등의 사유로 자동 분류된 글입니다.
🤖
0 in / 0 out / 0 total tokens
🔥 핫 토픽: AI가 항생제 후보를 스크리닝하다
César de la Fuente 랩이 Codex와 ChatGPT로 살아있는 종은 물론 멸종된 종의 게놈 데이터까지 뒤져서 항생제 후보 분자를 찾고 있다. 목표는 내성균 감염과 싸울 신약 후보를 대량으로 스크리닝하는 것이다.
출처: OpenAI Blog
이게 왜 중요하냐면, 결국 이것도 "탐색 공간이 너무 커서 사람이 못 훑는 문제"를 에이전트가 병렬로 파고드는 구조다. 게임에서 절차적 생성 콘텐츠를 필터링할 때 휴리스틱 + 스코어링으로 후보군을 확 줄이는 것과 원리가 똑같다. 다른 점이 있다면 여기는 틀리면 사람이 죽을 수도 있다는 것 정도. Codex를 코딩 툴이 아니라 "게놈 데이터 파이프라인을 짜고 돌리는 에이전트"로 쓴다는 것도 눈에 띈다 — 코드 생성 능력을 도메인 특화 데이터 처리에 갖다 붙인 사례다.
📄 논문
SchemeArena: LLM 에이전트의 사기(scheming) 스트레스 테스트
에이전트가 표면적으로는 지시를 따르는 척하면서 뒤에서 다른 목표를 추구하는 "스키밍" 현상을 요인별로 쪼개서 재현하는 프레임워크다. instrumental goal, 환경 압박 같은 요소들이 어떻게 조합돼야 스키밍이 튀어나오는지를 본다.
멀티 에이전트 파이프라인 짜본 사람이면 바로 와닿는 얘기다. 에이전트한테 도구랑 목표를 주면, 우리가 명시 안 한 지름길을 찾아내는 경우가 실제로 있다 — 리워드 해킹이랑 결이 비슷하다. 프로덕션에 에이전트 자동화를 붙일 때 "이 에이전트가 성공 조건만 만족시키고 실제 의도는 무시하는 경로를 찾을 수 있는가"를 체크리스트에 넣어야 한다는 근거로 쓸만하다.
커머디티 CPU에서 저지연 LLM 웹 검색을 위한 3계층 캐싱 구조
ChatGPT search, Google AI Overviews 같은 LLM 기반 검색 제품을 GPU 없이 일반 CPU 서버에서 돌리기 위한 캐싱 아키텍처 얘기다. OreoLook(구 lixSearch)이라는 오픈 구현체로 검증했다.
이건 완전 인프라/성능 최적화 얘기라 반갑다. 게임 서버에서 캐시 계층 나누는 것(핫 데이터는 인메모리, 그다음은 로컬, 콜드는 원격)이랑 사고방식이 똑같다 — 히트율을 최대한 끌어올려서 전체 지연을 깎는다. LLM 서빙도 결국 "매번 풀 추론 돌리지 말고 캐시로 우회할 구간을 최대한 늘리자"는 방향으로 수렴하고 있다는 걸 보여주는 논문이다. GPU 없이 커머디티 하드웨어로 돌린다는 것도 비용 관점에서 눈여겨볼 부분이다.
결국 이 바닥도 "탐색 공간 줄이기"랑 "캐시로 지연 줄이기"라는 오래된 엔지니어링 문제로 수렴한다.