2026년 5월 18일 | AI 최신 트렌드
5월 18일 아침 기준으로 눈에 들어온 축은 AI가 더 깊이 들어오는 자리와 그 자리를 사람들이 실제로 받아들이는 방식 사이의 간격이었다. Siri는 사생활 보존을 앞세우고, 대학 졸업식에서는 AI 낙관론에 야유가 나오고, Google은 생성형 검색 시대에도 기본 SEO가 죽지 않았다고 선을 그었다. 한쪽에서는 Rust 코딩 에이전트와 단일 GPU 월드 모델처럼 실행 비용을 줄이는 시도가 이어지고, 다른 한쪽에서는 사전학습 자체의 토큰 처리 방식을 바꾸려는 실험도 보인다.
1. Siri 개편의 중심에 선 자동 삭제 대화
TechCrunch는 Bloomberg Mark Gurman 보도를 인용해, Apple이 새 Siri를 공개하면서 대화 자동 삭제 같은 사생활 기능을 강조할 수 있다고 전했다. 30일 뒤 삭제, 1년 뒤 삭제, 무기한 보관 같은 선택지가 메시지 앱의 대화 보관 옵션처럼 붙는 식이다. 보도상으로는 Google Gemini가 일부 기능을 받쳐 줄 가능성도 함께 언급됐다.
내가 재미있게 본 지점은 Siri의 경쟁력이 모델 점수보다 보관 기간과 책임 경계로 설명되고 있다는 점이다. 챗봇이 개인 비서가 되려면 사용자의 메일, 일정, 위치, 검색 의도를 오래 들고 있어야 하는데, 바로 그 지점이 사용자가 가장 불안해하는 부분이기도 하다. Apple은 이 모순을 “우리는 덜 저장한다”는 메시지로 풀려는 듯하다. 다만 외부 모델을 함께 쓰는 구조라면, 사생활의 기준이 기기 안 기능만으로 끝나지 않는다. 어떤 요청이 Apple 안에 남고, 어떤 요청이 모델 공급자 쪽으로 넘어가는지까지 보여 줘야 사용자가 실제로 판단할 수 있다.
이 흐름은 예전처럼 “AI 비서가 더 똑똑해졌다”는 단순한 제품 발표가 아니다. 개인 AI의 기본값이 기억을 오래 남기는 쪽인지, 아니면 자동으로 지우는 쪽인지가 제품 철학이 되는 단계에 들어갔다.
2. AI 낙관론에 야유가 나온 졸업식
The Verge는 Eric Schmidt가 University of Arizona 졸업식 연설에서 AI 이야기를 꺼내자 학생들이 반복해서 야유했다고 전했다. Schmidt는 일자리와 기후, 정치 불안에 대한 두려움이 합리적이라고 인정하면서도, 기회가 오면 “로켓십에 올라타라”는 식의 메시지를 던졌다고 한다.
이 장면은 단순한 해프닝보다 더 큰 신호처럼 보인다. 업계 안에서는 AI가 생산성을 높이고 새 시장을 만든다는 말이 자연스럽지만, 졸업을 앞둔 학생에게는 첫 일자리의 불확실성으로 먼저 다가온다. 기술 낙관론이 틀렸다는 뜻은 아니다. 다만 이제는 “AI가 온다”는 문장만으로 설득이 되지 않는 구간에 들어섰다.
나도 AI 쪽 일을 하면서 이 간극을 자주 느낀다. 실무에서는 자동화가 작은 병목을 정말 많이 줄인다. 동시에 그 병목을 하던 사람이 어떤 역할로 옮겨 갈지 설명하지 못하면, 좋은 도구 설명도 쉽게 위협으로 들린다. 그래서 앞으로의 AI 발표는 모델 성능표만큼이나 전환 비용과 책임 분배를 같이 말해야 할 것 같다.
3. Google의 생성형 검색 가이드: SEO는 아직 죽지 않음
Google Search 문서에는 생성형 AI 검색 기능, 예를 들면 AI Overviews나 AI Mode에서도 기존 Search ranking과 quality system이 여전히 바탕이라는 설명이 올라왔다. 문서가 직접 언급한 키워드는 RAG와 query fan-out이다. 모델이 관련 질의를 여러 갈래로 펼치고, 검색 인덱스에서 근거를 끌어와 답변을 만든다는 구조다.
흥미로운 건 Google이 AEO나 GEO 같은 새 이름보다 “사람에게 유용한 고유 콘텐츠”를 다시 강조한다는 점이다. 단순 요약이나 흔한 조언을 대량으로 찍어내는 방식은 AI 검색에 맞춘 전략처럼 보일 수 있지만, 결국 검색 품질 시스템에서는 commodity content로 밀릴 수 있다는 경고에 가깝다. 개인 블로그를 운영하는 입장에서도 꽤 현실적인 말이다. AI가 답변을 합성할수록, 원문은 더 짧고 흔한 문장을 반복하기보다 직접 겪은 맥락과 판단 근거를 남겨야 한다.
즉 생성형 검색 시대의 최적화는 “AI가 좋아할 문장”을 따로 쓰는 문제가 아니라, AI가 가져가도 출처로 남을 만큼 명확하고, 사람이 눌러 들어와도 얻을 게 있는 문서를 만드는 문제에 더 가깝다. 특히 query fan-out이 기본 동작이 되면 한 문서가 하나의 키워드에만 맞는지보다, 서로 다른 질문 가지에서 다시 인용될 만큼 맥락이 단단한지가 중요해진다.
4. Zerostack: 작은 Rust 코딩 에이전트의 방향
GeekNews에 올라온 Zerostack 소개도 눈에 띄었다. Rust로 작성된 코딩 에이전트이고, 파일 읽기·쓰기·편집, 검색, 디렉터리 탐색, 권한 게이트가 붙은 Bash 실행, MCP, Exa 기반 웹 도구를 제공한다. 숫자로 보면 약 7천 LoC, 8.9MB 바이너리, 빈 세션 RAM 약 8MB, 작업 중 약 12MB라는 설명이 붙어 있다.
이런 도구가 흥미로운 이유는 코딩 에이전트 경쟁이 거대한 IDE 기능 추가만으로 가지 않는다는 점 때문이다. 실제로는 작고 격리된 실행기, 세션 저장, 권한 모드, worktree 이동, 자동 압축 같은 운영 기능이 훨씬 중요할 때가 많다. 모델 호출은 외부 provider에 맡기더라도, 로컬에서 파일과 shell을 어떻게 다루는지가 사용감의 절반을 만든다.
나는 이런 흐름을 보면 코딩 에이전트가 점점 “앱”이라기보다 “터미널 런타임”에 가까워진다고 느낀다. 가볍게 설치되고, 권한을 좁게 열고, 실패하면 세션을 다시 이어 붙이는 쪽이다. 큰 제품의 화려한 UI와 별개로, 이런 작은 실행기의 설계가 꽤 오래 남을 수 있다.
5. NVIDIA SANA-WM: 단일 GPU 쪽으로 내려온 장시간 월드 모델
AI타임스는 NVIDIA가 26억 파라미터 규모의 오픈 월드 모델 SANA-WM을 공개했다고 보도했다. 한 장의 초기 이미지와 카메라 움직임, 행동 정보를 바탕으로 720p 60초 영상을 생성하는 모델이고, 압축·경량화 버전은 RTX 5090 한 장에서 60초짜리 720p 영상을 34초 만에 생성할 수 있다는 숫자가 같이 나왔다.
기술적으로는 hybrid linear attention, dual-branch camera control, 별도 refiner, 3D Gaussian Splatting 기반 합성 데이터 등이 핵심으로 소개됐다. 장시간 영상에서 카메라 궤적이 흔들리거나 장면 구조가 무너지는 문제를 줄이려는 설계다. 연구진도 완전한 3D 장면 메모리를 가진 것은 아니며 복잡한 동적 장면에서는 한계가 남는다고 인정했다.
그래도 방향은 분명하다. 월드 모델이 연구실의 대형 클러스터 데모에서 소비자용 고성능 GPU 실험으로 내려오면, 로봇과 시뮬레이션 쪽의 진입 장벽이 낮아진다. 아직 “누구나 바로 쓴다”는 단계는 아니지만, 물리 세계 데이터를 만드는 비용이 조금씩 줄어드는 신호로 볼 만하다.
6. Nous Research의 토큰 중첩 학습
마지막으로 AI타임스가 소개한 Nous Research의 Token Superposition Training도 메모해 둘 만했다. TST는 모델 아키텍처, 옵티마이저, 토크나이저, 데이터, 병렬화 방식을 바꾸지 않고, 초기 학습 단계에서 여러 토큰을 하나의 묶음처럼 압축해 더 많은 텍스트를 빠르게 통과시키는 방식이다. 이후 recovery phase에서 다시 일반적인 next-token prediction으로 성능을 다듬는다.
보도에 따르면 10B-A1B MoE 실험에서 기존 방식은 12,311 B200 GPU-hour가 필요했지만, TST는 4,768 GPU-hour로 더 낮은 최종 loss를 냈다고 한다. 단순히 “더 빨리 학습한다”보다 중요한 건 drop-in 성격이다. 거대한 모델 구조를 새로 짜지 않아도 pretraining schedule 쪽에서 처리량을 바꾸는 시도라면, 재현과 조합의 여지가 더 크다.
물론 경계도 있다. 같은 데이터 소비량 기준에서는 기존 방식이 더 나을 수 있다는 caveat가 붙는다. TST는 같은 FLOPs로 더 많은 데이터를 보게 만드는 대신, 토큰 하나당 쓰는 연산을 줄이는 쪽에 가깝다. 그래서 데이터가 부족한 환경인지, compute가 병목인 환경인지에 따라 판단이 달라진다. 이건 허무하게 들릴 정도로 기본적인 말이지만, 요즘 학습 효율 논쟁에서는 결국 그 기본 조건이 제일 중요하다.
짧게 정리하면
이번 묶음은 “AI가 어디까지 들어오느냐”보다 어떤 기본값으로 들어오느냐가 더 중요해지는 흐름이었다. Siri는 기억을 얼마나 남길지, Google 검색은 원문이 어떤 형태로 살아남을지, Zerostack은 로컬 에이전트가 얼마나 작고 안전하게 실행될지, SANA-WM과 TST는 비용을 어디서 줄일지 묻고 있다. 모델 성능 숫자만 보는 날보다 이런 운영 기본값을 보는 날이 오히려 더 실무적으로 남는다.
출처 목록
- TechCrunch, Apple’s Siri revamp could include auto-deleting chats
- The Verge, University of Arizona students boo Eric Schmidt’s AI cheerleading
- Google Search Central, Optimizing your website for generative AI features on Google Search
- GeekNews, Zerostack - 순수 Rust로 작성된 Unix에서 영감을 받은 코딩 에이전트
- AI타임스, 엔비디아, RTX 5090 한장으로 1분 영상 생성하는 월드 모델 공개
- AI타임스, 누스 리서치, 토큰 중첩 학습으로 사전훈련 시간 2.5배 단축