리얼월드는 로봇 손재주를 산업 현장 기준으로 평가하는 DexBench와 하드웨어 비종속 로봇 AI를 통해, 2028년 산업 투입을 목표로 피지컬 AI의 표준을 만들고 있다.

Thinking Machines의 Inkling 2 Small은 600B급 오픈웨이트 모델의 학습 방식과 파인튜닝 가능성을 공개해, 거대 모델도 4bit 학습과 짧은 학습 시간으로 실용적 활용 단계에 들어왔음을 보여준다.

프로덕션 에이전트가 있다면 이미 RL 학습 환경의 핵심 재료를 갖고 있으며, 적절한 보정 기법과 인프라 설계로 자체 에이전트 모델을 안정적으로 훈련하는 것이 지금은 실용적인 선택이 되었다.

이번 영상은 최근 AI 뉴스 몇 가지를 훑은 뒤, Thinking Machines Lab의 오픈 웨이트 모델 Inkling 2 small의 학습 방식과 파인튜닝 가능성을 중심으로 왜 주목할 만한지 정리한 영상이다.

Ramp는 더 강력한 프런티어 모델을 기다리기보다, 자체 적용 연구로 더 빠르고 저렴한 특화 모델·캐시·스웜 기법을 만들어 금융 업무에서 성능과 비용을 동시에 개선하고 있다.

기업이 에이전트와 워크플로에서 나온 흔적을 평가·라우팅·훈련 데이터로 바꿔 자체 모델을 계속 학습시키면, 조직의 암묵지까지 축적하는 자가 개선형 AI 조직으로 진화할 수 있다는 주장이다.

다리오 아모데이는 인간을 넘어설 AI가 실제로 가능해질수록 모델의 성능보다 더 중요한 것은 신뢰·원칙·감독 구조이며, 통제 가능한 안전장치 없이는 배포와 자율 사용을 서둘러서는 안 된다고 본다.

OpenAI를 떠나 Anthropic을 세운 이유는 신뢰와 원칙에 있었고, 이 인터뷰는 Claude의 안전·정직성 설계와 AI가 인간 사회와 일의 의미를 어떻게 바꿀지에 대한 Anthropic의 관점을 압축해서 보여준다.

Wells Fargo는 거래 데이터를 위한 foundation model을 처음부터 사전학습해 XGBoost보다 더 낮은 오탐과 더 높은 사기 탐지 성능을 얻었고, 이를 여러 금융 업무에 재사용 가능한 공통 기반으로 만들었다.

AI 투자 과열, 프론티어 모델의 다원화, 수학·암호·교육까지 번지는 충격을 철도 붐의 역사와 SF 현장감으로 엮어, 지금은 거품과 전환이 동시에 진행되는 과도기라는 점을 짚는 영상이다.

MiniMax M3는 1M 토큰 컨텍스트, sparse attention, 그리고 처음부터 통합한 멀티모달 학습을 결합해 긴 문맥·코딩·비전 성능을 동시에 노린 오픈 웨이트 모델이다.

작은 4B 모델도 금융 업무에 맞는 고품질 데이터와 단순한 RL 보상 설계만 있으면 235B 모델을 이길 수 있으며, 에이전트의 신뢰성은 규모보다 전문화와 평가 설계가 좌우한다.

강화학습의 핵심 원리인 장기 보상, 가치 예측, 호기심 보상이 어떻게 포기하지 않는 태도와 삶의 선택으로 이어지는지를 설명하며, AI 공부를 인생에 적용할 실마리를 주는 영상이다.

Claude Code와 Codex를 실제 연구 환경에서 돌려 인간 기록을 넘게 만들었고, 이 실험은 공개 벤치마크와 다중 에이전트식 발견 루프가 자동화 AI 연구의 핵심임을 보여준다.

ARIA는 W&B와 Weave, Launch, GPU 클러스터를 묶어 실험 실행·요약·분석·평가까지 자동화하는 AI 연구 에이전트이며, 실제 연구 루프를 생산 환경에서 굴리는 방법을 보여준다.

Spotify는 추천을 단순한 랭킹 문제가 아니라 자연어로 이해하고 조종할 수 있는 생성형 개인화로 바꾸기 위해, Spotify 카탈로그에 맞춘 semantic ID와 다단계 학습·평가 체계를 갖춘 LLM 시스템을 실제 서비스에 적용하고 있다.

LLM 추천 시스템은 LLM처럼 규모 확장 법칙을 따르며, 의미 ID와 에이전틱 루프를 통해 소비자 앱의 핵심 엔진이자 가장 큰 AI 소비자 제품으로 성장할 수 있다는 주장이다.

AI 개발은 멈추기보다 더 빨라질 가능성이 크지만, 재귀적 자기개선(RSI)으로 악의적 모델이 누적되는 위험 때문에 안전 연구와 국제적 검증 체계를 지금부터 강화해야 한다.

AI의 자기개선(RSI)과 AI 네이티브 회사의 실제 사례를 통해, 지금은 기술을 늦추기보다 안전성·검증 체계를 강화하면서 조직과 제품 구조를 AI 중심으로 다시 짜야 하는 시기라고 주장한다.

이 영상은 inference engineering의 최신 흐름을 정리하며, TurboQuant의 실용성 한계, KV compaction, diffusion 기반 speculative decoding 같은 새 기법들이 결국 데이터센터 추론에서 더 빠른 처리량과 더 나은 학습-추론 순환을 만드는 방향으로 수렴하고 있음을 보여준다.

이 영상은 RLHF가 챗GPT 시대의 핵심이지만 본질적으로 인간 선호에 맞춘 보조 기술일 뿐이며, 다음 단계는 이를 그대로 확장하는 Claude Code류가 아니라 신뢰성과 보정을 갖춘 진짜 자동화용 소프트웨어라는 점을 주장한다.

강화학습으로 검색 에이전트를 학습하면 기존 검색 파이프라인보다 훨씬 더 정확한 결과를 내면서도, 비용과 지연을 크게 줄일 수 있다는 주장이다.

Google DeepMind는 음성 입력·출력, 번역, 멀티모달 이해, 에이전트 행동을 하나의 speech-to-speech 모델로 통합해 자연스럽고 실시간인 차세대 음성 인터페이스를 구현할 수 있다고 주장한다.

새로운 AI가 나올 때마다 불안해하기보다, 데이터 전처리·모델 구성·학습·평가의 기본 원리를 익혀 나만의 인공지능 두뇌를 직접 만드는 법을 이해하는 영상이다.

Navier–Stokes 풀이 소식, GPT Image 2.5와 Astra의 에이전트 기능, AlphaGenome Atlas까지 이어지는 이번 영상은 AI가 수학·이미지·생명과학의 연구 방식을 동시에 바꾸고 있음을 보여준다.

GPT-6 Astra 이후의 핵심 변화는 모델이 더 똑똑해진 수준을 넘어, CoT가 보이지 않는 상태에서도 더 빠르고 저렴하게 높은 성능을 내면서 하네스·감독·에이전트 운영 방식까지 다시 설계하게 만든다는 점이다.

AGI보다 중요한 것은 이름 붙은 도달점이 아니라 능력이 지수적으로 커지는 흐름이며, OpenAI는 그 흐름을 뒷받침할 컴퓨팅 확장과 제품 재집중으로 다음 성장 국면을 준비하고 있다.

OpenAI는 차세대 모델의 성능이 급격히 높아지면서 안전·정렬·보안 검증이 따라잡을 시간을 확보하기 위해 일부 frontier RL 훈련을 늦추고 있으며, 인간 통제와 분산된 권한을 핵심 원칙으로 삼아야 한다는 입장을 강조한다.

허깅 페이스의 399달러 AI 펫 오리 Microduck를 사례로 강화학습, Sim2Real, PPO, 클라우드 학습 환경까지 한 번에 이해할 수 있게 설명하는 피지컬 AI 입문 영상이다.

AI가 더 신뢰할 수 있으려면 정답만 잘 맞히는 것보다 자기 불확실성을 계산·표현하고, 그에 따라 더 안전하고 일관된 결정을 내리는 능력이 핵심이다.

이 영상은 알츠하이머 조기 발견과 의료 현장 적용 사례를 통해, AI가 의사를 대체하기보다 더 빠르고 신뢰할 수 있게 보조하는 방향으로 발전하고 있음을 보여준다.

트랜스포머는 수동 특징 공학과 RNN의 한계를 넘어, 어텐션을 중심으로 표현력·학습 용이성·GPU 효율성을 동시에 잡아 AI의 표준 아키텍처가 된 이유를 설명하는 강의다.

Gen 1.5는 로봇이 사람의 시연을 컨텍스트로 받아 즉석에서 행동을 따라 하게 만드는 피지컬 프롬프팅이 실제로 작동함을 보여주며, 이를 통해 로보틱스에서도 GPT-3식 전환점이 올 수 있음을 주장한다.

Fei-Fei Li는 ChatGPT 이후의 다음 전장으로 world models를 제시하며, AI를 언어 생성기에서 물리적 세계를 이해·시뮬레이션·계획하는 공간 지능으로 확장해야 한다고 주장한다.

로봇 없이 0원 환경에서 Gymnasium과 Colab으로 피지컬 AI의 강화학습 기초를 직접 실행해 보며, 시뮬레이터·학습 방식·실전 전이의 핵심을 이해하게 해 주는 입문 실습 영상이다.

Dyna-2는 170년 분량의 사람 데이터를 World Action Model로 학습해 로봇으로 전이되는 스케일링 법칙을 보여주며, 로봇 데이터만이 아니라 사람 데이터 코트레이닝이 실제 배포 성능까지 끌어올릴 수 있음을 설득력 있게 제시한다.

Krea 2의 성능은 모델 구조보다 데이터 품질·캡셔닝·필터링·재균형 같은 데이터 파이프라인 설계와 빠른 반복 체계에 더 크게 좌우되며, 제작용 모델에서는 일관성과 다양성의 균형을 어떻게 잡느냐가 핵심이다.

Demis Hassabis는 게임에서 출발한 탐색·학습 기법이 AlphaGo와 AlphaFold를 거쳐 과학·의학·약물개발을 가속하는 범용 도구가 되었고, 이제는 Gemini와 에이전트형 세계모델로 AGI와 안전한 AI 활용을 동시에 밀어붙여야 한다고 말한다.

기업 환경에서 지속적 학습을 성과로 연결하려면, 오프라인 생산 로그로 당장 개선하고 온라인 롤아웃과 힌트를 결합해 계속 상한선을 올리는 distillation 체계를 만들어야 한다.

프론티어 AI는 더 이상 일부 대형 연구실만의 전유물이 아니라, 학습·데이터·추론을 함께 자동화하고 컴퓨팅 병목을 줄이는 방식으로 더 많은 사람이 참여할 수 있는 방향으로 재편되고 있다.

이 영상은 현재의 AI 에이전트가 코딩에서는 강하지만 다른 업무에서는 취약한 이유를, 지능과 전문성의 차이 및 지속적 학습의 부재로 설명하며, 앞으로의 핵심 경쟁력이 더 큰 모델이 아니라 ‘전문성을 축적하는 학습 루프’라고 주장한다.

이 영상은 공개 데이터에만 의존하는 기존 LLM 한계를 넘어, 개인·조직의 비공개 문맥에 대해 컴퓨트와 반복 학습을 확장하는 'scaling compute on context'가 차세대 지식 획득 방식이라고 주장한다.

기존 벤치마크 중심 학습과 RL 방식의 한계를 넘기 위해, 실제 사용 로그에서 on-policy로 계속 학습하는 continual learning이 다음 세대 AI 성능 향상의 핵심이라는 주장이다.

Kimi K3는 2.8T MoE 규모와 100만 컨텍스트를 바탕으로, 어텐션·MoE·위치 인코딩을 연속적으로 기울여가며 오픈 모델의 스케일링 한계를 밀어붙인 사례다.

오픈 모델은 신뢰·통제·비용 최적화 측면에서 닫힌 API보다 유리하며, 하네스와 후훈련을 함께 설계하면 로컬·도메인 특화 AI가 오히려 더 강해질 수 있다는 점을 강조하는 영상이다.

이 영상은 양자화·압축이 거대 모델을 로컬 기기와 엣지에서 실용적으로 쓰게 만드는 핵심 기술이며, 정확도 손실을 최소화하는 설계·평가·하드웨어 최적화가 앞으로 더 중요해진다는 점을 보여준다.

Anthropic과 Physical Intelligence는 로보틱스를 서로 다른 방식으로 접근하지만, 결국 더 풍부한 컨텍스트와 반복 루프를 통해 모델이 데이터를 만들고 다시 학습하는 방향으로 수렴하고 있다.

Kimi K3의 오픈웨이트 공개와 RSI 조짐은 AI 모델이 차별재에서 범용재로 빠르게 바뀌고 있음을 보여주며, 가치가 모델 회사보다 인프라·애플리케이션·통제 가능한 하네스로 이동하고 있음을 강조한다.

RLHF로 대표되는 현재의 AI는 인간이 끼어 있는 보조에는 강하지만 진짜 자동화에는 약하며, 다음 단계는 인간 선호 최적화가 아니라 신뢰성·보정된 의사결정·실제 업무 자동화를 목표로 한 새 스택이라는 주장이다.

데이터 품질을 높이면 같은 compute로 훨씬 더 좋은 모델을 만들 수 있으며, 데이터 정제·선별·합성·배치 전략이 스케일업보다 더 큰 레버리지를 만든다.

에이전트가 실제 업무 환경에서 학습하도록 하려면, 재현 가능한 합성 환경부터 고객의 실제 하네스에 직접 붙는 방식까지 포스트트레이닝을 다시 설계해야 하며, 핵심 난점은 환경 충실도와 비재현성에서 생기는 잘못된 학습이다.

이 영상은 LLM과 에이전트의 성능을 끌어올리는 핵심 병목이 결국 데이터와 RL 환경의 품질이며, 이를 체계적으로 큐레이션·평가·반복 개선하는 방법이 post-training의 성패를 좌우한다고 말한다.

장기 과제에 AI를 제대로 쓰려면 더 좋은 모델만이 아니라, 컨텍스트 관리·보상 설계·인프라를 함께 바꿔야 하며, 긴 호흡의 추론은 기술과 운영을 동시에 재설계하는 문제라는 주장이다.

기존처럼 웹 텍스트로 일반 지식을 채운 base model보다, 이제는 reasoning과 agentic behavior를 위한 사전지식을 설계하는 base model이 더 중요해졌다는 주장이다.

검증 가능한 보상이 없는 현실 세계 과제에서는 RL을 바로 적용하기보다, 생산 로그·문서·도구 사용 기록을 바탕으로 환경과 판단 기준을 만들어 신호를 제조하고 반복적으로 개선하는 접근이 핵심이다.

MiniMax M3와 이를 서빙하는 Together AI의 사례를 통해, 오픈 웨이트 모델은 멀티모달·장문 컨텍스트·에이전트 워크로드에 맞는 학습과 인프라 최적화가 결합될 때 빠르게 프런티어를 따라잡을 수 있음을 보여준다.

이 영상은 AI가 스스로 연구를 수행·개선하는 Eureka machine과 RSI(재귀적 자기개선)를 통해 과학 연구를 자동화하고, 결국 새로운 발명과 기술 성장을 가속할 수 있다고 주장한다.

클라우드 중심이 아니라 다양한 기기에서 AI를 돌리려면 작은 모델과 더 작은 모델이 필요하며, 양자화와 합성 데이터 기반 미세조정이 그 실전 해법이다.

대규모 모델 스케일링에서는 데이터 믹스, 합성 데이터, 분산 학습의 수치 안정성과 관측성을 함께 다뤄야 하며, 이 네 가지를 정교하게 다듬어야 더 강한 코딩 중심 open weight 모델로 이어진다.

AI는 이미 논문 작성·리뷰·재현 검증의 일부를 수행하고 있지만, 좋은 연구를 진짜로 판별·발견하는 문제는 아직 인간 수준의 평가와 긴 시간축이 필요해 완전한 자율 연구에는 이르지 못했다.

사이버 보안을 “코드 취약점 찾기”가 아니라 “복잡한 실제 환경에서 상태 변화와 권한 경계를 추론하는 문제”로 재정의하고, 이를 평가·학습할 벤치마크와 오픈소스 모델 기반 방어 체계를 만들어야 한다는 주장이다.

General Intuition와 Decart 사례를 통해, 월드모델은 단순한 게임·주행 시뮬레이터가 아니라 에이전트 훈련장과 데이터 생성·평가 인프라로 진화하고 있음을 보여준다.

단일세포 생물학은 세포 재생·질병 치료·디지털 휴먼으로 이어질 잠재력이 크지만, 현재의 single-cell 데이터는 잡음과 불일치가 커서 대규모로 모아도 그대로는 좋은 foundation model이 되기 어렵고, 당분간은 분포를 더 잘 맞추는 flow matching 계열이 유망하다.

Aiden 같은 autoresearch 에이전트는 단순히 벤치마크 점수를 올리는 수준을 넘어, 인간 연구 커뮤니티가 실제로 이어받아 확장할 만한 구현과 실험을 만들어내며 연구의 실행 방식 자체를 바꾸고 있다.

Cursor는 사용자 피드백·정교한 평가·대규모 컴퓨트·에이전트 자동화를 하나의 반복 루프로 엮어, 모델이 다음 모델을 더 빨리 개선하는 recursive model improvement 체계를 만들고 있다.

이 영상은 현대적 post-training을 환경·하네스·런타임·오케스트레이터로 분해해, 평가부터 RL·SFT·distillation·배포까지 하나의 재사용 가능한 파이프라인으로 묶는 방법을 설명한다.

Claude는 겉으로 드러나는 답변 아래에 단어 수준의 내부 작업 공간(J-space)을 가지고 있으며, 이를 통해 단계적 추론·자기통제·오작동 탐지가 가능하다는 점을 보여주는 영상이다.

무료 오픈소스 모델을 진화적 모델 머징과 SLERP/DARE 같은 합성 기법으로 섞어, 로컬에서 돌아가는 나만의 특화 AI 두뇌를 만드는 방법을 이론과 실습으로 보여준다.

AI가 AI를 개선하는 재귀적 자기 개선(RSI)은 원리적으로 가능하지만, 실제로는 데이터·연산·목표 설정·보안 제약 때문에 쉽게 폭주하지 않으며, 현재로서는 비용과 위험이 큰 점진적 최적화에 가깝다.