OpenAI는 7월 31일, ChatGPT를 여러 사기에 이용해 온 캄보디아 거점의 범죄 네트워크를 적발했다고 발표했다. 로맨스 스캠(Romance Scam)을 위한 가짜 프로필, 암호화폐 및 금 투자 가짜 스킴, 가짜 도박 보너스, 허위 벌금을 납부하게 만드는 경찰 사칭 사기 등 그 종류도 다양하다. 조사는 WhatsApp이 제공한 보안 정보가 시발점이 되었으며, 계정 그룹은 반테아이멘체이 주 포이펫 주변에서 활동하고 있었다. 수법은 「ping(접촉) → zing(심리적 압박) → sting(입금 요구)」라는 3단계 패턴을 반복하고 있었다.

적발 보고는 AI를 활용한 조직적 범죄의 매뉴얼을 읽는 듯한 내용이다. 네트워크는 ChatGPT를 사용하여 다국어 메시지 생성 및 번역, 데이팅 프로필 조사, 위조 문서(여권, 법적 통지서, 주식 매수 확인서, 거래 플랫폼 화면) 생성뿐만 아니라, 내부 관리(통지 초안 작성, 스태프 간 번역, 직원의 채무·급여 공제·징계 기록 관리)에도 사용하고 있었다. OpenAI는 구속이나 탈주 미수, 비자 체류 기간 초과에 관한 언급이 동남아시아 사기 시설에서의 인신매매 및 강제 노동에 관한 보도와 일치한다고 지적했다. 사기꾼들의 채팅에서는 피해자들이 수천 달러를 잃었음이 시사되었다.

빌더(Builder)들에게 중요한 점은 악용의 표면이 어디에 있는가 하는 것이다. 증폭 요인은 카피라이팅이 아니라 번역과 조사에 있으며, LLM(대규모 언어 모델)을 통해 사기 그룹은 언어를 초월하여 운영하고 사무 문서를 통해 인원을 관리할 수 있게 되었다. 또한 위조된 시프트(Shift)로 인해, 텍스트 기반의 탐지 시그널만으로는 생성된 문서와 가짜 플랫폼 UI로 전환된 현대 사기의 핵심을 놓치게 된다. OpenAI는 관련 계정을 차단하고 파트너 및 당국과 위협 정보를 공유하여 재침입을 어렵게 만들었다.

— OpenAI · WhatsApp

🔗 OpenAI — 악용 적발 공식 발표 · Developers Digest 분석 · ITHome 보도

이번 달부터 모든 GitHub Copilot 구독자의 기본 모델이 Microsoft가 자체 개발한 코드용 MoE(Mixture of Experts) 모델인 Project Polaris로 자동 전환된다. Polaris는 Azure 내의 자체 AI 가속기인 Maia 위에서만 구동되며, 기본 Copilot 경로에는 OpenAI API 호출이 남지 않는다. 6월 2일 Build 2026에서 발표된 이 전환은 자동으로 이루어지며, 엔터프라이즈 고객에게는 11월까지 3개월간의 폴백(Fallback) 기간이 제공된다.

아키텍처는 언어 및 프레임워크별로 특화된 전문가를 가진 MoE로, Rust 쿼리가 Python 전문가를 호출하기 위해 계산 비용을 지불하지 않는다. Microsoft는 Rust, Haskell, Zig와 같은 저리소스 언어에서 가장 큰 개선을 보고하고 있다. HumanEval과 MBPP에서 GPT-4 Turbo를 능가한다고 주장하고 있다(자사 보고 기준, SWE-Bench는 미공개). Pro/Pro+에서는 10만 행의 멀티 파일 컨텍스트와 자동 테스트 생성이 기본값이 된다. 변하지 않는 것은 청구서뿐이다. 가격 변경이나 새로운 SKU(Stock Keeping Unit) 없이, 모델 교체는 기존 계약의 이면에서 일어난다.

이는 마진(Margin) 판단을 담은 제품 발표다. OpenAI API를 통한 모든 Copilot 보완은 Microsoft 자신의 제품에 적용되는 토큰 통행료였다. 모델과 실리콘(Silicon)을 직접 보유함으로써 양쪽을 동시에 최적화할 수 있으며, Copilot은 OpenAI의 판매 채널에서 Microsoft 자신의 에이전트 플랫폼으로 변화한다. Claude Code나 Cursor와의 경쟁 구도는 완전히 바뀌었으며, 프론티어 랩(Frontier Lab)에 보내는 메시지도 명확하다. 소프트웨어 개발 최대의 AI 배포면은 더 이상 렌탈 방식의 두뇌로 움직이지 않는다.

— Microsoft · GitHub

🔗 Microsoft Build 2026 — Project Polaris · Crashbytes 분석 · GitHub

GitHub Copilot Workspace는 Build 2026에서 베타를 졸업하고 GA(General Availability)에 도달했다. 연구 프리뷰였던 기능이 실제 운영 환경으로 들어온다. Autopilot 모드는 리포지토리 전체를 추론하고, 여러 파일의 편집을 제안하며, 테스트를 실행하고, 결과를 해석하여 반복한다. 즉, GitHub issue나 기능 설명을 통해 범위가 지정된 자율 실행이다. Fleet 모드는 여러 개의 오픈 이슈를 동시에 처리하며, 의존성 업그레이드나 라이선스 준수 스윕(Sweep)에 적합하다. "목표를 기술하면 테스트와 문서가 포함된 PR(Pull Request)이 돌아온다"는 프로그래밍 모델이 이제 베타가 아닌 실제 워크플로우가 되었다.

구조적으로 큰 변화는 새로운 GitHub Copilot 데스크톱 앱이다. GitHub는 이를 "에이전트 네이티브(Agent-native)한 데스크톱 경험"이라고 표현한다. 여러 개의 활성 에이전트를 한 화면의 "My Work" 대시보드에서 시각화하는 통합 컨트롤 플레인(Control Plane)을 통해, IDE 패인을 오가는 컨텍스트 스위칭(Context Switching)이 불필요해진다. 이번 달부터 엔터프라이즈용으로 전개되는 자율 에이전트 모드(Autonomous Agent Mode)에서는 단계별 인간의 확인 없이 Copilot이 기능 브랜치(Feature Branch) 전체를 작성, 테스트 및 커밋한다. 인간은 최종 리뷰 및 머지(Merge) 단계—main에 도달하기 전의 필수 게이트—로만 돌아온다.

GitHub 자체의 프레이밍은 명확하다. 2027년 소프트웨어 엔지니어의 주요 활동은 에이전트가 수행한 작업을 리뷰하고 승인하는 것이지, 그 작업을 직접 작성하는 것이 아니라는 도박이다. 샌드박스(Sandbox)가 안전성의 해답이며, 두 모드 모두 로컬 또는 GitHub Actions의 샌드박스 내에서 실행되어 커밋이 프로덕션(Production)에 닿기 전에 에러 범위를 봉쇄한다. 해결되지 않은 격차로 독립 리뷰(Independent Review)가 지적하는 것은 리포지토리 컨텍스트를 통한 프롬프트 인젝션(Prompt Injection) 대책이다. 이는 프로덕션 브랜치에 커밋하는 자율 코딩 에이전트의 주요 공격 벡터(Attack Vector)이다.

— GitHub · Microsoft

🔗 GitHub Blog · TechFastForward 분석 · Microsoft Build

Elon Musk는 7월 28일, xAI가 8월 7일경에 Grok 4.6(1.5T 파라미터, SFT 및 RL 대폭 개선)을 출시하고, 그 몇 주 후에 2.1T 파라미터의 Grok 4.7을 출시할 것이라고 발표했다. 현재의 1.5T V9 기반에서 33% 이상 스케일 업(Scale-up)된 것이며, Grok 4.5에서 4.7까지 약 6주 만에 도달하는 것이다. 이는 기존 프론티어 랩(Frontier Lab)의 메이저 버전 출시 속도를 훨씬 상회한다. xAI는 12월까지 매달 새로운 기반 모델을 출시할 방침이다.

그 배경에는 Grok Build를 중심으로 구축된 일일 반복 엔진이 있다. Grok Build는 5월부터 퍼블릭 베타로 제공되는 터미널 네이티브 코딩 에이전트로, Musk는 7월 8일 사용자 피드백을 바탕으로 매일 개선하겠다고 선언했다. grok-build-0.1은 100 토큰/초 이상을 처리하며, $1/$2(입출력 100만 토큰당)의 가격으로 제공된다. Grok 4.5는 Cursor의 코딩 플랫폼에서 유래한 보충 데이터로 훈련되었으며, 멤피스의 Colossus 클러스터(최대 20만 개의 H100으로 확장 가능) 위에서 구축되었다.

모델 시장의 경제성을 본다면, 속도야말로 핵심이다. 매달 반복되는 모델 공장은 "프론티어 출시"의 의미를 바꾸고 있으며, xAI의 공격적인 토큰 가격은 AI 도구 섹터 전체의 마진을 계속해서 압축하고 있다. 솔직한 주의 사항도 필요하다. "초기 훈련 완료"는 초기 단계일 뿐이며, 이 규모의 모델은 공개 전에 정렬(Alignment)과 레드팀(Red Teaming)을 거친다. 8월은 목표일 뿐 보장된 것은 아니다. 그럼에도 6개월 동안 6개의 모델을 내놓는 속도 자체는, 모델 개발이 독립적인 발사의 연속이 아니라 연속적인 시퀀스(Sequence)라는 도박이다.

— xAI · Elon Musk

🔗 xAI · Aistify — Grok 4.6/4.7 스케줄 · The Buildout — Colossus

Kimi 팀은 8월 2일, Kimi K3의 기술 논문(arXiv:2607.24653)을 공개했다. 이 논문은 오픈 에코시스템의 "이중 단절"—1T 파라미터를 넘지 못하는 사전 학습 규모와, 100만 토큰 컨텍스트에서의 어텐션 메커니즘(Attention Mechanism)의 이차 함수적 계산·메모리 증가—에 정면으로 맞선다. 핵심 통찰은 장문 처리를 "효율적인 리커런스(Recurrence)와 선택적 검색의 하이브리드"로 재정의하는 것이다. Kimi Delta Attention(KDA)은 중복된 KV 캐시를 선형 복잡도의 상태 업데이트로 대체하며, Attention Residuals는 층간 간격 검색을 가능하게 한다. 104B 파라미터를 활성화하면서도 2.5배의 효율 향상을 통해 100만 토큰 규모의 네이티브 멀티모달 정렬을 실현한다.

이 아키텍처는 극도로 긴 체인에서의 추론 깊이와 에이전트 실행을 제한하는 하드웨어 효율의 병목 현상을 직접 공략한다. 논문은 에이전트형 강화학습(Agentic Reinforcement Learning)을 모델 진화의 핵심 동력으로 위치시킨다. 이는 정적 코퍼스(Corpus)가 아니라, 모델 자신의 태스크 실행 루프로부터 배우는 메커니즘이다.

그 의의는 에코시스템(Ecosystem) 레벨에 있다. KDA는 3T급 MoE(Mixture-of-Experts) 모델이 오픈 환경에서도 실현 가능하다는 증거로 제시되며, 오픈 웨이트(Open-weight) 경쟁을 클로즈드 랩(Closed lab)과 경쟁 가능한 상태로 유지한다. 솔직한 남은 과제는, 논문에 따르면 HLE와 같은 최상급 과학적 추론 벤치마크에서 GPT-5.6 Sol 등 클로즈드 플래그십(Closed flagship) 모델과 여전히 미세한 차이가 있다는 점이다. 그 격차는 줄어들고 있으며, 주의 효율(Attention efficiency)의 플레이북은 공개될 경우 에코시스템 전체에 복리 효과를 가져올 종류의 알고리즘적 진보이다.

— Kimi Team · arXiv

🔗 Kimi K3 on arXiv · Moonshot AI · 논문 해설

UC Berkeley, Stanford, NVIDIA의 공동 팀(Fei-Fei Li, Jim Fan, Yuke Zhu 등)이 T-Rex: Tactile-Reactive Dexterous Manipulation(arXiv:2606.17055)을 공개했다. 이는 촉각을 추가적인 센서 채널이 아닌 독립적인 제어 루프(Control loop)로 다루는 프레임워크다. 동기가 된 발견은 직관에 반한다. 사전 훈련된 VLA(π0.5 등)에 촉각 신호를 단순히 조건화(Conditioning)하면 오히려 성능이 떨어진다. 시각은 한 번의 주시로 저빈도로 계획하는 반면, 촉각은 초당 수백 번의 미세 조정으로 들어온다. 단순한 융합은 타이밍 불일치를 유발하여 정책(Policy)을 혼란스럽게 만든다.

T-Rex의 처방은 세 가지다. 200개 이상의 일상 물체와 22개의 접촉 프리미티브(Contact primitives: 탭, 회전, 삽입, 핀치, 슬라이드)를 두 대의 고정밀 기용 핸드(Dexterous hand)로 기록한 100시간의 '촉각 백과사전'. 고빈도의 힘·토크 스트림을 수백 개의 이산 촉각 토큰으로 압축하는 시공간 촉각 VQ-VAE—본질적으로 '촉각 이모지 사전'으로, 압력 분포와 시간적 경향을 부호화하여 단순한 반응이 아닌 예측적인 촉각을 제공한다. 그리고 세 가지 비동기 전문가를 가진 Mixture-of-Transformers—시각 미래 예측 잠재 전문가, 저빈도 동작 디노이징(Denoising) 액션 전문가, 캐시된 시각-언어 컨텍스트를 재사용하여 고빈도로 국소적 동작을 정교화하는 촉각 전문가. 접촉 이벤트마다 무거운 시각 백본(Backbone)을 재실행할 필요가 없다.

결과는 기존 SOTA(State-of-the-art)를 거의 두 배로 높인다. 12개의 접촉 밀집 태스크에서 평균 성공률 65%(가장 강력한 베이스라인인 EgoScale의 35% 대비), 페이지 넘기기는 96%, 컵 쌓기 해제나 달걀 다루기에서도 강력한 성적을 거두었다—이는 시각 전용 모델의 전형적인 실패 모드다. 훈련은 분리되어 있으며, 대규모 인간 에고센트릭(Egocentric) 영상으로 넓은 시각-운동 사전 분포를 얻은 후, 100시간의 촉각 프리미티브 데이터가 전용 중간 훈련 단계에서 촉각 지능을 주입한다. 촉각 스케일 데이터의 만성적 부족을 피하기 위한 설계다. 20-DoF 촉각 핸드를 탑재하는 휴머노이드 산업에 있어, 이는 탑재되는 모든 센서를 마침내 활용할 수 있는 정책 백본이다.

— Stanford · UC Berkeley · NVIDIA

🔗 T-Rex on arXiv · 프로젝트 페이지 · 해설 기사

OpenAI는 IPO(기업공개) 시점을 2026년 하반기에서 2027년으로 미루었다—내부 논의에 관여한 인물의 말을 인용해 여러 매체가 보도했다. 이 회사는 6월에 SEC에 S-1을 비밀리에 제출했으며, 시장은 1조 달러에 달할 수 있는 기업 가치로 2026년 상장을 예상하고 있었다. 연기의 배경에는 두 가지 압박이 있다. 주요 투자자 일부가 성장에 대한 현금 소모 속도(Burn rate)가 너무 빠르다는 점을 사석에서 우려하고 있으며, Altman은 민간 시장 가치인 8,520억 달러를 밑도는 가격으로 상장하기를 원하지 않는다—할인을 수용한다면 민간 라운드의 가격 책정이 너무 높았음을 시장에 인정하는 꼴이 되어, 직원 지분과 향후 자금 조달에 영향을 미치기 때문이다.

Anthropic과의 대비는 극명하다. Anthropic은 5월 말에 650억 달러 규모의 Series H를 완료하며 포스트 머니(Post-money) 가치 9,650억 달러를 기록했다—이는 OpenAI의 8,520억 달러를 상회한 수치다. 6월 1일에 S-1을 비밀리에 제출했으며, 7월 중순에는 주관사(골드만삭스, 모건스탠리, JP모건)가 경영진 로드쇼를 시작하여 빠르면 10월 상장될 것이라는 보도도 있다. 한쪽은 기업 가치를 지키기 위해 브레이크를 밟고 있는 반면, 다른 한쪽은 OpenAI가 1조 달러의 후광(Halo)을 굳히기 전에 시간적 창과 업계의 가격 벤치마크를 선점하기 위해 가속 페달을 밟고 있다.

배경은 AI 섹터의 냉각과 IPO 창(IPO window)의 축소다. 애널리스트들은 2026년 하반기에 예정되었던 대규모 모델 기업들의 IPO가 리스크 선호도와 유동성 압박으로 인해 2027년 상반기로 밀려날 가능성을 지적한다. OpenAI에게는 기다릴 여유가 있다. 7월의 연간 반복 매출(ARR)은 2분기 전체를 상회한 것으로 알려졌으며, 비공개 상태를 유지하며 이용률과 가격 책정을 복리로 늘려갈 수 있다. 하지만 그 시간차는 Anthropic에게 돈으로 살 수 없는 것을 부여한다. 즉, 공개 시장에서의 선제적 가격 결정권과 프런티어(Frontier)의 가치가 실제로 어디에 축적될지를 결정하는 투자자들에 대한 내러티브(Narrative) 선점이다.

— OpenAI · Anthropic · Financial Times

🔗 OpenAI · Anthropic · 格隆汇 — IPO 연기 분석