KD Agentic · AI Daily Digest가 지난주(7건) 소식을 전해드립니다.
[GPT-6 Astra를 활용한 물리 세계 엔지니어링 연구 업데이트]
11월 3일, OpenAI는 물리 세계의 엔지니어링에 관한 연구 업데이트를 공개했습니다. 가장 주목할 만한 점은 GPT-6 Astra가 인간의 직접적인 편집 없이 설계한 장치 시연이었습니다. 주제는 'Codex와 대화하는 가젯'이었으며, 모델은 외관 디자인(Work Louder와의 공동 프로젝트 및 게임/장난감 요소를 참고), 케이스 및 내부 고정 구조의 기계 설계, 부품 선정과 PCB 레이아웃을 포함한 전기 설계, UI/펌웨어/소프트웨어 통합까지 일괄적으로 생성했습니다. 두 명의 멤버가 부업 프로젝트로 참여하여 약 1주일 만에 설계를 완료했으며, 계약 공장은 한 달도 안 되어 소량의 시제품을 제작해냈습니다.
OpenAI는 한계점 또한 솔직하게 인정했습니다. 설계는 아직 제조 준비 상태(manufacturing ready)가 아니며, 여러 차례의 검토 반복이 필요하고, Astra는 생산 제약 조건, 공차(tolerance), 조립 상세를 안정적으로 고려하지 못하고 있습니다. 따라서 평가는 정확해야 하며, 이는 자율적인 하드웨어 팀이라기보다는 우수한 초기 러프 설계입니다. 그럼에도 불구하고 내부 신호는 매우 큽니다. OpenAI의 하드웨어/인프라 팀에서는 2월 이후 모델 이용량(토큰 기반)이 23배 증가했습니다. Codex와 ChatGPT가 CAD 모델링, 제조 도면, 시뮬레이션, 설계 검토에 사용되고 있습니다.
벤치마크는 이러한 흐름을 부분적으로 뒷받침할 뿐입니다. 3D 부품/어셈블리 재구축 및 기판 연결 식별을 테스트하는 BenchCAD 2.0에서 OpenAI의 최신 내부 모델은 평균 0.875를 기록한 반면, GPT-6 Astra는 최고 추론 설정에서도 0.594에 머물렀습니다. 업계 파일럿 프로젝트도 두 건 진행되었습니다. Chip Ganassi Racing은 협업을 확대하여 3D 스캔 데이터를 편집 가능한 CAD 및 2D 제조 도면으로 변환하고 있습니다. Mazda 역시 신규로 참여하여 공기역학(aerodynamics) 및 충돌 안전 시뮬레이션에 모델을 활용합니다. 하드웨어가 Codex의 워크로드가 되어가고 있으며, 이번 게시물은 이를 가장 명확하게 보여주었습니다.
— OpenAI
🔗 OpenAI
[Pando: 모노레포를 위한 Git 백엔드]
11월 2일, OpenAI는 'Scaling Git at OpenAI'을 공개하며, 모노레포(monorepo) 전체를 지원하는 새로운 Git 백엔드 Pando를 소개했습니다. 목적은 대부분의 리포지토리에서는 도달하지 못했던 영역, 즉 Codex 에이전트가 머신 스케일로 push 및 fetch 하는 상황에 대응하기 위함입니다. Pando는 Git 프로토콜과 기존 클라이언트에 완벽하게 호환되어, 엔지니어와 에이전트 모두 워크플로우를 변경할 필요가 없습니다. 그 결과는 명확하여, 중앙값(median)의 push 지연 시간은 약 5분의 1로 감소했으며, 시스템은 하루에 약 1PB의 Git 데이터를 전송하고 피크 시점에는 1시간당 57TB 이상의 패키지를 제공했습니다. 이 중 99% 이상은 로컬 디스크 캐시에서 전송되었습니다.
아키텍처에는 의도적인 트레이드오프가 존재합니다. Pando는 리포지토리 전체의 포인트 인 타임 일관성(point-in-time consistency)을 포기하고, 인과적 일관성(causal consistency)을 채택했습니다. 이를 통해 서로 다른 브랜치가 서로 다른 시점을 읽을 수 있게 되었고, 쓰기를 수평 확장할 수 있습니다. 개별 ref 업데이트는 직렬화 가능 상태를 유지합니다. push 시 작성된 패키지 파일은 후속 fetch에 재사용되며, LSM(Log-Structured Merge) 트리와 유사한 L0~L4 레이어 구조의 백그라운드 압축(compaction)이 fetch 계획을 가속화합니다. 그 결과, 일반적인 클라우드 VM에서도 fetch 및 clone 시 10Gbps 회선을 포화시킬 수 있었으며, 패키지 파일의 중앙값은 20KiB 미만, 99 퍼센타일(percentile)도 3MiB 미만이었습니다.
구축 과정 역시 숫자에 뒤지지 않습니다. Pando 도입 전, 구 시스템의 신뢰성은 일시적으로 90%를 밑돌았습니다. Pando의 핵심은 한 명의 엔지니어가 설계하고 주로 에이전트 팀이 구현했으며, Rust로 레거시 의존성 없이 작성되어 지난 4월 단 10주 만에 본 서비스에 투입되었습니다. 정확성을 보장하기 위해 컨포먼스 테스트 스위트(conformance test suite), 결정론적 시뮬레이션 테스트, 그리고 Lean 및 TLA+를 이용한 형식 검증(formal verification)을 거쳤습니다. 형식 검증의 증명 자체는 GPT-6 Astra가 지원했습니다. OpenAI는 packfile-uri의 병렬 다운로드 등 개선 사항을 upstream Git에 환원하고 있으며, Pando 기술을 사용자들과 공유할 가능성도 언급했습니다.
— OpenAI
🔗 OpenAI
⚠️ [IMG:N]
11월 2일: OpenAI의 보안 강화 및 LifeVal 공개
OpenAI는 11월 2일, 보안 기업 Cathedral과 협력하는 다음 보안 스프린트를 발표했다. Cathedral의 리서처가 OpenAI 팀에 합류하여, OpenAI 자체 모델을 사용해 방어 시스템을 테스트하고 강화한다. Cathedral의 CEO Gavin Kliger는 이 실험실이 자사 스택을 지속적으로 공격하는 중요한 모범 사례라고 평가했다. 지난 스프린트에서는 제품 엔지니어 25%가 참여하여 Codex를 이용한 조사, 격리 환경에서의 취약점 재현, 검토용 패치 작성까지 진행했다. 이번 스프린트는 감사(audit)가 아니라 방어 루프(defense loop)로 설계되었으며, 이번에는 외부 인력이 키보드를 잡는 형태로 확장되었다.
금액도 움직였다. Security Bug Bounty 프로그램의 critical 취약점 보상금이 4배 이상으로 상향 조정되었다. 이는 업계 표준을 크게 웃도는 수준이다. 나아가 OpenAI는 보안 제품 라인 Daybreak를 통해 최전선 방어자들을 위한 지원금으로 향후 6개월 동안 10억 달러를 약속했다. 회사는 이 전체 과정을 defender's window(방어자의 창), 즉 공격자에게 악용되기 전에 방어 측이 취약점을 발견하고 수정할 수 있는 기간으로 설명하며, 이 창을 열린 상태로 유지하기 위해서는 업계 전체의 노력이 필요하다고 주장한다.
맥락을 명확히 하자. 에이전트형 시스템은 브라우징(browsing), 코드 실행, 실제 인프라 접근 등을 수행하게 되면서, 모델 제공업체의 침해는 단순히 도난당한 가중치(weights)를 넘어선 피해 반경을 가지게 된다. 자체 모델을 외부 레드팀과 결합하고 critical 보상을 대폭 높이는 것은 시점 감사보다 지속적인 방어 루프가 승리할 것이라는 베팅이다. 향후 6개월 동안 10억 달러의 지원금이 생태계 전체의 패치 적용 속도 향상으로 전환되는지가 주목해야 할 지표가 될 것이다.
— OpenAI
🔗 OpenAI
OpenAI는 11월 2일, 주간 세 번째 연구 리포트로서 LifeVal을 공개했다. 이는 업무 외 일상생활에서 중요한 임무에 대한 AI의 성능을 측정하는 벤치마크다. 설계는 교과서적인 질문이 아니라 시간 활용 데이터에서 시작되었다. American Time Use Survey, Multinational Time Use Study, 그리고 인구통계적으로 대표성이 있는 3,995명의 새로운 조사를 결합했다. 임무 영역은 간병, 건강, 교육, 가사 업무, 개인 자산 관리, 쇼핑, 행정 절차 등 실생활의 달력을 채우는 사소한 일들이다.
샘플 임무는 시험 문제가 아니라 할 일 목록(To-Do List)처럼 읽힌다. 현재 모델의 점수는 다음과 같다. 이사 후 자녀에게 적절한 유치원 입학을 시키는 것이 93.1%, 홍수 전에 자원봉사자를 조직하는 것이 98.0%, 등기 절차가 포함된 가족 신규 주택 찾기가 100%, 멀리 사는 할머니와 원격으로 함께 경기 관람을 하는 것이 96.3%, 당뇨병 진단을 받은 부모를 위한 식단 및 간호 계획 작성은 90.4%이다. 이 모든 것은 여러 단계의 도구 사용이 필요한 임무라는 점에서 포인트가 있다. OpenAI는 지난 1년간 이 벤치마크를 사용하여 브라우저 조작, PC 조작, 커넥터(connector) 임무 능력을 추적하고 향상시켜 왔다.
이는 제품 로드맵에 있어 중요한 위치를 차지한다. OpenAI가 목표로 하는 것은 ChatGPT를 채팅 도구에서 행동을 완료하는 에이전트로 성장시키는 것이며, LifeVal과 같은 벤치마크는 그 진보를 감각이 아닌 수치로 보여주는 수단이 된다. 커넥터나 에이전트 워크플로우를 만드는 개발자들에게 이 도메인 목록은 OpenAI가 다음에 역량을 집중할 영역을 보여주는 신호탄이라고 할 수 있다.
— OpenAI
🔗 OpenAI
11월 3일: NVIDIA, 'AI 정의 팹' 상세 공개
NVIDIA는 'AI 정의 팹(AI defined fab)'의 세부 사항을 공개했다. 이는 가속 시뮬레이션, 학습된 물리 모델, AI 에이전트, 디지털 트윈을 인간 엔지니어를 중심으로 한 하나의 연속 루프에 배치한 반도체 공장의 모습이다. 주장은 'AI가 팹을 운영한다'가 아니라 '의사 결정 간의 대기 시간을 압축한다'는 데 있다. 수치는 실제 파트너사로부터 나왔다. COMSOL은 NVIDIA cuDSS 라이브러리를 통해 반도체 제조의 다중 물리(multi-physics) 시뮬레이션을 최대 10배 가속화했다. Applied Materials의 Ginestra 플랫폼은 cuDSS로 최대 10배, ACE+ 플랫폼은 PhysicsNeMo를 이용해 지형학적 시뮬레이션을 최대 35배 가속화했다.
계산 리소그래피 사례가 가장 강력하다. 이는 단순히 느린 것을 넘어, CPU의 생산 스케일로는 원리적으로 계산할 수 없는 영역이다. Siemens는 cuLitho를 Calibre 리소그래피 소프트웨어에 통합하여 주요 워크로드에서 최대 17배의 가속을 달성했다. 이를 통해 웨이퍼가 인쇄 공정에 들어가기 전에 검증 가능한 범위가 넓어진다.
Lam Research는 PhysicsNeMo가 밀리초 단위로 플라즈마 거동을 예측할 수 있음을 입증했다. 전체 시뮬레이션에는 며칠이 걸린다. 엔지니어들은 모든 조건을 개별적으로 테스트하는 대신, 공정 조건을 연속적으로 스캔(sweep)할 수 있게 된다. Advantest는 NeMo Switchyard 에이전트로 테스트 공정의 모델 선정 과정을 자동화하여 응답 시간을 수 시간에서 수 분으로 단축했다.
Applied Materials는 Omniverse 라이브러리로 공장 전체의 디지털 트윈을 구축하고, 물리적 실험 전에 자재 흐름이나 병목 현상을 시뮬레이션한다. 생산 데이터가 모델로 유입되고, 모델이 변경 사항을 평가한 후 엔지니어가 판단하는 이 연결 루프(connection loop)야말로 기사의 핵심이다. 칩 수요가 늘고 공정 마진이 좁아짐에 따라, 실험 주기를 단축할 수 있는 기업이 복리(compound interest)로 우위를 확장한다. NVIDIA는 실리콘뿐만 아니라 소프트웨어 스택을 그 사이클의 기본 토대에 위치시키려 하고 있다.
— NVIDIA
🔗 NVIDIA
11월 2일, NVIDIA는 전 세계 도시에서 물리 및 에이전트 AI가 어떻게 도입되고 있는지 정리했다. 이는 11월 3일부터 5일까지 바르셀로나에서 열리는 Smart City Expo World Congress에 맞춰 진행되었으며, EMTA 부사장 Paolo Guglielmini가 기조연설을 했다. 공통 패턴은 공유 컴퓨팅 인프라다. 각 부서가 개별적으로 스택(stack)을 구매하는 것이 아니라, GPU 용량을 풀링(pooling)하여 부서, 인접 자치단체, 지역 개발자들이 그 위에 구축한다. 많은 워크로드는 RTX 워크스테이션이나 소형 GPU 시스템 1대부터 시작할 수 있다.
도입 사례는 구체적이다. 스페인에서는 1MillionBot이 Barcelona Supercomputing Center에서 학습된 오픈소스 ALIA 모델과 Nemotron을 결합하여 마드리드 디지털 및 카탈루냐 AOC의 주민 서비스 에이전트를 제공하며, 스페인 전역에 150개 이상의 도입 실적을 보유하고 있다. 미국 샌프란시스코 베이 지역에서는 LiveX가 Cosmos 월드 모델, Nemotron, RTX PRO GPU 기반 Omniverse/Metropolis 라이브러리를 사용하여 공항, 병원, 공공 공간용 대화형 AI 호스트를 구축하고 있다. 폴란드 브로츠와프에서는 K2K가 Cosmos 및 Metropolis의 영상 검색·요약 블루프린트로 기존 카메라 스트림을 실행 가능한 정보로 변환하는 공유 인프라를 운영한다. 말레이시아에서는 ITMAX가 RTX PRO 6000 상에서 SamurAI V2 비전 에이전트를 확장하여, 2027년까지 17,000대 이상의 카메라를 지원할 계획이며, TeraSim 교통 시뮬레이션은 피크 시간대의 간선 이동 시간을 최대 26% 단축했다.
산업 분야도 확대되고 있다. 나이지리아의 Dangote Lekki 정유소에서는 Honeywell의 Forge Plant Cognition이 Nemotron 탑재 에이전트로 운영 데이터를 분석하고, Omniverse 디지털 트윈이 계획되고 있다(Dell PowerEdge + RTX PRO). 대만에서는 Linker Vision과 네덜란드의 건축 사무소 MVRDV가 ESG 에이전트를 구축하여 도시 녹지 피복률 15년 후의 결과를 10분 만에 시뮬레이션하고, 설계 반복 주기를 2주에서 1시간 미만으로 단축했다. 모로코의 Tanger Med 항구에서는 Cires Technologies가 노동 안전, 교통 체증 분석, 화물 라우팅을 위한 주권 AI 공장(sovereign AI factory)을 확장 중이다. 이들 모두 도시 데이터 관리 권한은 현지에 남기는 것을 전제로 한다. 이 조건이 없으면 승인도 실현되지 않는다.
Anthropic은 지난 10월 28일, 'AI for Science' 프로그램을 전 세계 20개의 과학 재단, 연구 기관 및 연구 그룹으로 확대한다고 발표했다. 2025년 5월에 시작되는 이 프로그램은 고(高) 임팩트 과학 연구를 수행하는 연구자들에게 무료 Claude 크레딧을 제공하며, 생물학, 의학, 물리학, 화학, 기후과학, 수학 분야에서 수백 개의 프로젝트를 지원해 왔다고 한다. 8월 이후부터는 프로젝트당 최대 5만 달러의 크레딧을 신청할 수 있으며, 과학자들을 위해 무료 또는 할인된 Claude Team 시트 1만 석이 개방되었다 (표준 좌석은 무료이며, 5배 사용량이 가능한 프리미엄 좌석은 월 15달러이다).
파트너 목록이 본체이다. 자금 지원 측면에서는 Alfred P. Sloan Foundation, Simons Foundation, Schmidt Sciences, Renaissance Philanthropy의 Open Source for Science Fund, 미국화학회(ACS)의 화학 색인 부문 CAS, 그리고 미국과학재단(NSF)으로 크레딧이 흘러간다. NSF는 90억 달러 규모의 연방 기관이며, 미국 대학에 대한 연방 기초 연구 지원 중 약 4분의 1을 담당한다. 기관 측면에서는 허블, 제임스 웹, 로만 망원경의 과학 운영을 담당하는 Space Telescope Science Institute, Wellcome Sanger Institute, Francis Crick Institute, 임페리얼 칼리지 런던 생명과학 부문, 그리고 Ensembl이나 PDB in Europe 같은 핵심 오픈 리소스를 운영하는 EMBL(EMBL-EBI) 등이 이름을 올렸다. 프로젝트로는 존스 홉킨스의 AstroPath, 프린스턴의 FlyWire, 브로드 연구소의 gnomAD 등이 언급되었다.
진행 중인 두 가지 협업이 방향성을 보여준다. HHMI의 Janelia Research Campus와는 AI 에이전트가 실험 장비를 안전하게 조작하기 위한 공유 사양 Model Hardware Standard (MHS)를 research preview로 공개했다. 이는 실험실 자동화 버전의 도구 이용 프로토콜이라고 할 수 있다. Allen Institute에서는 AI 에이전트 팀이 뇌, 세포, 면역 연구의 대규모 오픈 데이터를 분석하여 수개월이 걸리던 수작업을 몇 시간으로 단축시키고 있다. Anthropic은 많은 파트너십이 오픈 데이터, 오픈 소스, 공유 표준과 같은 공공재를 창출한다고 보고 있으며, 이 점을 검증해야 한다.
— Anthropic
KD Agentic · AI Daily Digest 2026년 11월 4일"
