2026년 6월 18일 | AI 최신 트렌드
6월 18일 아침 기준으로 눈에 들어온 축은 과학 실험을 닫힌 루프로 돌리는 AI, 의료 상담 이후의 장기 관리, 로봇 훈련 자동화, 기업용 에이전트 권한·보안, 그리고 트랜스포머 구조 자체의 효율화였다.
OpenAI의 AI 화학자: 수율 개선까지 닫힌 실험 루프로
OpenAI와 Molecule.one의 발표에서 내가 제일 오래 본 숫자는 10,080개 반응이었다. GPT-5.4가 연구 제안을 만들고, Maria라는 실험 자동화 시스템이 고처리량 실험을 돌리고, 다시 모델이 결과를 해석해 다음 실험을 제안하는 식이다. 글로만 보면 “AI가 과학을 한다”는 문장처럼 들리지만, 실제 포인트는 더 좁다. 가설 생성과 물리 실험 사이의 왕복 비용을 얼마나 줄였는가가 핵심이다.
나는 이 소식을 연구 자동화의 홍보 문구보다 실험실 운영 방식의 변화로 읽었다. 모델이 논문을 읽고 아이디어를 내는 단계는 이미 낯설지 않지만, 그 아이디어가 바로 고처리량 실험으로 넘어가고 다시 결과 해석으로 돌아오는 루프는 훨씬 무겁다. 실패한 조건도 다음 제안의 재료가 되기 때문이다.
대상은 primary sulfonamide와 boronic acid를 잇는 Chan–Lam coupling이었다. 원래 수율이 낮게 나오기 쉬운 반응인데, TEMPO를 넣는 조건에서 평균 수율이 16.6%에서 25.2%로 올랐고, 30% 이상 수율을 보인 반응 비율도 15.6%에서 37.5%로 늘었다고 한다. 더 흥미로운 건 여기서 끝내지 않았다는 점이다. 사람 화학자가 bench-scale로 다시 확인했고, 4-hydroxy-TEMPO 같은 더 싼 후보도 후속으로 검토했다. 나는 이런 결과를 볼 때마다 “완전 자율”이라는 말보다 모델이 제안하고 사람이 책임지는 실험 설계 쪽이 아직 더 현실적인 표현이라고 느낀다.
Google AMIE: 진단 한 번보다 관리 계획이 더 어렵다
Google Research의 AMIE 발표도 방향이 비슷하다. 단순히 “증상 → 진단”이 아니라, 진단 이후에 여러 차례 이어지는 질환 관리로 실험 범위를 넓혔다. Google은 Gemini 모델의 긴 컨텍스트를 이용해 guideline, formulary, 환자 대화 내용을 함께 참조하는 구조를 설명했다. 의료 AI에서 내가 늘 헷갈리는 지점은 모델 정확도 자체보다, 시간이 지난 뒤에도 같은 환자 맥락을 얼마나 일관되게 붙잡는가다.
이런 시스템이 실제 진료실에 들어오려면 모델 답변보다 더 지루한 것들이 먼저 붙어야 한다. 약제 변경 근거, guideline 버전, 환자가 거부한 선택지, 다음 방문 때 확인할 위험 신호가 모두 남아야 한다. 그래서 AMIE 소식은 의료 챗봇의 말솜씨보다 기록과 책임 경계가 어디까지 구조화되는지 보는 쪽이 더 중요해 보였다.
이번 연구는 환자 역할을 하는 actor와의 blinded study에서 AMIE를 21명의 primary care doctor와 비교했다고 한다. Google은 AMIE가 전체 management reasoning에서 clinician과 맞먹고, plan preciseness와 guideline alignment에서는 더 높게 평가됐다고 적었다. 물론 이걸 바로 병원 현장 도입으로 읽으면 곤란하다. actor 기반 연구, guideline 기반 평가, 실제 진료 책임의 간극이 크기 때문이다. 그래도 진단 챗봇에서 장기 관리 보조 시스템으로 질문이 이동했다는 점은 꽤 선명하다.
로봇 훈련 루프에 들어간 코딩 에이전트
Ars Technica가 정리한 NVIDIA GEAR Lab 쪽 소식은 코딩 에이전트가 로봇 훈련 루프로 들어간 사례다. ENPIRE라는 harness가 로봇 reset, 검증, 정책 수정, 병렬 평가, 실패 로그 분석을 묶고, 에이전트가 밤새 훈련 코드를 고치는 그림이다. 예시 과제도 장난감 수준만은 아니었다. GPU를 슬롯에 꽂거나 zip tie를 자르는 식의 물리 조작이 나온다.
이 흐름은 코딩 에이전트가 코드 저장소 안에만 머무르지 않는다는 신호이기도 하다. 로봇 학습에서는 잘못된 코드 한 줄이 단순 테스트 실패가 아니라 장비 시간, 안전, 반복 실험 비용으로 이어진다. 그래서 agent harness가 로그를 읽고 정책을 고치는 동시에, 실제 실험 장비를 쉬게 만들지 않는 운영 감각까지 필요해진다.
내가 여기서 재미있게 본 부분은 성공률보다 병목이다. 여러 에이전트를 붙이면 Push-T 같은 과제에서 목표 성공률까지 가는 시간은 줄지만, 어느 순간부터는 서로의 아이디어를 요약하고 조율하는 시간이 늘어난다. 로봇도 놀고, GPU도 놀고, 토큰도 많이 쓴다. 결국 “에이전트를 더 붙이면 된다”가 아니라 실험 장비, 코드 수정, 평가 큐, 비용 한도가 한 스케줄러 안에 들어와야 한다. 로봇 연구실도 소프트웨어 CI처럼 변해 가는 느낌이 든다.
AWS Quick과 Continuum: 자율 업무 비서와 보안 자동화가 같이 나온 이유
전자신문에 따르면 AWS는 자율형 AI 비서 Amazon Quick을 공개했고, 같은 날 AWS Continuum과 Project QuiltWorks 합류 소식도 이어졌다. Quick은 사용자가 아주 세세하게 지시하지 않아도 목표 기반으로 이메일, 규제 변경 요약, 업무용 앱 연동을 처리하는 쪽으로 확장된다. 반대로 Continuum은 코드 취약점을 찾고, 우선순위를 매기고, 격리 환경에서 악용 가능성을 검증하고, 패치까지 생성하는 도구로 소개됐다.
Quick 같은 업무 비서는 겉으로는 생산성 도구처럼 보이지만, 기업 안에서는 곧바로 권한 모델의 문제가 된다. 어느 메일함을 읽을 수 있는지, 어떤 SaaS에 쓰기 권한을 줄지, 고객 데이터와 내부 문서를 섞어도 되는지가 기능보다 먼저 결정된다. 이 경계가 약하면 에이전트는 편한 도구가 아니라 감사하기 어려운 자동 실행 계정이 된다.
두 소식이 같은 날 붙어 있는 게 우연처럼 보이지 않는다. 기업용 에이전트가 진짜 일을 하려면 “무엇을 해도 되는지”를 알아야 하고, 그 권한이 커질수록 “무엇을 절대 하면 안 되는지”도 같이 정의해야 한다. 그래서 AWS가 지식 그래프, 권한 범위, 보안 취약점 검증, 클라우드 워크로드 위험 관리를 한 덩어리로 말하는 흐름은 자연스럽다. 내 기준으로는 에이전트 UX보다 agent governance가 먼저 제품 이름을 얻기 시작한 날에 가깝다.
Variable-Width Transformers: 모든 층을 같은 폭으로 둘 필요가 있을까
Variable-Width Transformers는 오늘 고른 논문 축이다. 대부분의 Transformer는 layer마다 hidden dimension을 일정하게 유지한다. 이 논문은 그 전제를 흔든다. 특히 X-shaped 구조, 논문 표현으로는 > <former가 눈에 띈다. 앞쪽과 뒤쪽 layer는 넓게 두고, 중간 layer는 좁히는 방식이다. 이렇게 하면 파라미터 수를 맞췄을 때 평균 layer 폭이 줄고, attention FLOPs와 KV cache 비용도 같이 내려간다는 주장이다.
논문이 바로 운영 비용을 줄인다고 말하기엔 아직 이르다. 그래도 고정 폭 구조가 사실상 관성으로 남아 있었는지 되묻는 점은 좋았다. 모델 크기를 키우는 방향이 막힐수록, 같은 파라미터 예산에서 layer별 역할을 다시 나누는 방식은 더 자주 등장할 가능성이 있다.
아이디어가 마음에 든 이유는 단순하다. 요즘 모델 효율화는 quantization, speculative decoding, KV cache 압축처럼 inference 주변에서 많이 이야기되는데, 이 논문은 모델 내부 폭 배치 자체를 다시 본다. 특히 중간 layer에서 representation collapse가 생기는 현상을 완화한다는 분석은 흥미롭다. 물론 실제 대형 모델 학습 레시피에 바로 붙이려면 구현 복잡도, 하드웨어 정렬, width schedule 탐색 비용이 남는다. 그래도 “깊이와 폭을 키운다”는 말 사이에 어느 층을 넓게 둘 것인가라는 질문이 들어온 건 꽤 실용적인 변화로 보인다.
다섯 소식을 한 줄로 묶으면, AI는 이제 답변을 잘하는 도구에서 작업 루프의 한 참가자로 옮겨 가고 있다. 화학 실험에서는 후보 조건을 내고, 의료에서는 guideline을 붙잡고, 로봇 연구실에서는 정책 코드를 고치고, 기업 업무에서는 권한을 받아 일을 처리한다. 그래서 성능 숫자만큼 중요한 질문도 바뀐다. 어떤 로그가 남는지, 사람이 어느 지점에서 끊어 볼 수 있는지, 실패한 실행을 다음 시도에 어떻게 반영하는지가 제품 경쟁력이 되고 있다.
나는 이런 흐름을 볼 때마다 “자동화가 사람을 대체한다”는 문장보다 “사람이 보던 경계가 소프트웨어 안으로 들어간다”는 문장이 더 맞다고 느낀다. 실험실의 safety review, 병원의 care plan, 로봇 연구실의 장비 사용률, 기업의 접근 권한, 모델 구조의 메모리 비용이 전부 같은 문제로 이어진다. 모델 하나가 똑똑해지는 속도만큼, 그 모델을 둘러싼 운영 구조도 같이 정교해져야 한다.
출처
- OpenAI — A near-autonomous AI chemist improves a challenging reaction in medicinal chemistry
- Google Research — AMIE for disease management in Nature
- Ars Technica — AI coding agents taught robots how to install GPUs and cut zip ties
- 전자신문 — AWS, 자율형 AI 비서 ‘아마존 퀵’ 공개
- 전자신문 — 아마존, AI 보안 취약점 대응 도구 ‘AWS 컨티뉴엄’ 출시
- 전자신문 — AWS, 크라우드스트라이크 AI 보안 연합 합류
- arXiv — Variable-Width Transformers