2026년 7월 29일 | AI 최신 트렌드
AI가 실제 작업을 맡기 시작하자 모델 점수보다 바깥 조건이 더 크게 보인다. 과학 코드는 빨리 만들 수 있어도 검증이 남고, 관리형 에이전트에는 도구 호출을 막는 훅이 붙었다. Windows PC의 로컬 파일을 다루는 제품과 온디바이스 음성 라이브러리는 실행 위치의 경계를 넓힌다. 로봇 학습은 데이터의 양보다 출처별 물리 정합성을 묻고, 데이터센터는 전력망의 수요 감축 대상이 됐다. 7월 29일 아침에 확인한 여섯 소식은 결국 AI가 할 수 있는 일과 운영자가 책임져야 할 조건을 함께 설계하는 흐름으로 이어진다.
과학 코딩의 병목은 구현에서 검증으로 이동했다
OpenAI의 과학 컴퓨팅 현장 보고서는 생명과학을 중심으로 한 여덟 개 프로젝트를 돌아봤다. 다섯 프로젝트는 Codex만, 세 프로젝트는 Codex와 Claude Code를 함께 사용했다. 작업 범위는 오래된 패키징 정리부터 성능 최적화, 프로그래밍 언어 이전, GPU 중심 재설계까지 넓었다. 논문에 딸린 채 유지보수 인력이 부족했던 연구 소프트웨어를 작은 팀이 다시 손볼 수 있게 됐다는 것이 보고서의 출발점이다.
내가 눈여겨본 결론은 코딩 시간이 줄었다는 숫자보다 검증이 새 병목이 됐다는 관찰이다. 에이전트는 그럴듯한 구현을 빠르게 만들지만, 결과가 과학적으로 맞는지 스스로 결정하지 못한다. 그래서 잘된 사례는 기존 도구와의 출력 일치, 시뮬레이션 데이터의 알려진 정답, 예상 통계 성질처럼 모델 밖의 기준을 먼저 뒀다. 초기 구현은 빨라도 수치의 작은 차이와 예외를 잡는 마지막 구간에는 여전히 시간이 들었다.
과학 코딩에서 프롬프트를 길게 쓰는 것보다 먼저 해야 할 일도 선명해진다. 바꾸면 안 되는 수치 특성, 비교할 기준 구현, 허용 오차, 재현할 데이터셋을 작업 계약에 넣어야 한다. 에이전트가 코드를 더 많이 생산할수록 연구자의 역할은 구현자에서 명세자·검증자·유지보수 책임자로 이동한다. 속도는 자동으로 얻을 수 있어도 신뢰성은 별도의 설계가 필요하다.
Gemini Managed Agents는 도구 호출 앞뒤에 훅을 넣었다
Google은 Gemini API Managed Agents 업데이트에서 기본 모델을 Gemini 3.6 Flash로 바꾸고, 모델 선택·예산 제한·예약 트리거·무료 구간을 추가했다. Managed Agents는 한 번의 API 호출로 추론, 코드 실행, 패키지 설치, 파일 관리, 웹 검색을 격리된 원격 환경에서 조율하는 기능이다. 앞서 들어간 background task와 remote MCP 연결 위에 운영 제어를 더한 셈이다.
가장 실무적인 변화는 environment hooks다. 도구 실행 전후 이벤트에 사용자 스크립트를 연결해 코드 실행이나 파일 쓰기를 차단하고, 결과를 포맷하거나 검사하며, 외부 감사 엔드포인트로 보낼 수 있다. 모델에게 “위험한 작업은 하지 마”라고 다시 말하는 대신 허용 여부를 런타임이 결정하도록 바깥으로 뺀 구조다. 관리형 서비스에서도 프롬프트와 강제 규칙이 분리되고 있다는 점이 반갑다.
다만 훅이 있다는 사실만으로 안전해지는 것은 아니다. 매처가 놓친 도구 이름, 훅 실패 시 기본 동작, 외부 HTTP 검사기의 지연과 장애, 샌드박스 밖 자격증명 범위를 함께 시험해야 한다. 나는 이런 기능을 볼 때 차단 예시보다 우회 입력과 실패 모드를 먼저 확인한다. 에이전트의 자유도를 넓힐수록 deny 로그, 예산 소진 이유, 사람이 승인한 예외를 남기는 관측 계층이 중요해진다.
Perplexity Personal Computer가 Windows의 로컬 작업으로 들어왔다
Perplexity Personal Computer의 Windows 버전이 유료 Max와 Enterprise Max 사용자에게 공개됐다. Mac에서 먼저 선보인 기능을 Windows로 옮겨 로컬 파일, Microsoft 365, 웹을 한 작업 흐름에서 다룬다. 문서를 만들고 스프레드시트를 갱신하는 식으로 회사 업무가 실제로 남아 있는 PC 내부까지 에이전트의 행동 범위를 넓힌다.
월 200달러부터 시작하는 제품이라는 가격보다 중요한 것은 로컬 실행과 클라우드 연결 사이의 권한 경계다. Perplexity는 회사 데이터를 학습에 사용하지 않고 이메일 전송이나 파일 삭제 같은 민감 행동 전에 알린다고 설명했다. 다만 알림은 통제의 시작일 뿐이다. 어느 폴더와 계정에 접근했는지, 초안 생성과 실제 전송이 분리되는지, 잘못된 수정 뒤 원본을 복구할 수 있는지가 제품 신뢰를 가른다.
나는 데스크톱 에이전트의 평가표에 완료율만 두면 안 된다고 본다. 잘못 연 파일 수, 승인 없이 바뀐 파일 수, 원복 성공률, 외부로 나간 데이터 범위가 함께 있어야 한다. 로컬 PC는 웹 샌드박스보다 오래된 문서와 개인 계정, 업무 앱이 뒤섞여 있다. 작업 능력이 커질수록 기본 권한은 좁게 시작하고, 실제 행동 직전에 사용자에게 대상과 변경 내용을 보여 주는 편이 안전하다.
faster-enhancer.c는 음성 잡음 제거를 순수 C 런타임으로 줄였다
faster-enhancer.c는 FastEnhancer-Medium의 48kHz 가중치를 그대로 사용하면서 추론 런타임을 순수 C와 SIMD 커널로 다시 만든 오픈소스다. 외부 추론 프레임워크 없이 CMake와 make로 빌드하고, 시작 뒤 heap allocation을 하지 않도록 범위를 좁혔다. 모델 구조를 바꾸거나 재학습한 결과가 아니라 실행 경로의 데이터 이동과 커널 호출을 줄인 작업이다.
제작자가 공개한 측정에서 Apple M2 한 코어의 real-time factor는 0.069로, 같은 장치의 ONNX Runtime 그래프 0.230보다 약 3.3배 빨랐다. Galaxy S23+에서도 0.096을 보고했고, 30분 연속 오디오 콜백 시험으로 프레임 마감 시간을 확인했다. 이 수치는 제작자 자체 벤치마크이므로 다른 기기와 음성 분포에서 다시 재야 하지만, 평균 처리량만 아니라 실시간 꼬리 지연을 따로 본 점은 실무적으로 좋았다.
속도는 한 가지 묘수보다 여러 작은 최적화에서 나왔다. 프레임별 동적 양자화, 합성곱과 활성화의 융합, GRU 게이트 통합, int32 점수를 직접 받는 softmax, fp16 상태 저장으로 중간 버퍼와 메모리 왕복을 줄였다. API가 네 함수이고 정적 라이브러리가 162KiB라는 작은 접속면도 배포에 유리하다. 온디바이스 AI에서는 모델 정확도와 함께 p99 프레임 시간, 메모리 상한, 초기화 뒤 할당 여부를 같은 표에 놓아야 한다.
로봇 학습 데이터는 하나의 규모 축으로 줄일 수 없다
Data Pyramid for Embodied Manipulation은 로봇 학습 데이터를 실제 로봇, UMI 방식의 조작 시연, 1인칭·외부 시점 영상, 시뮬레이션, 범용 시각언어 데이터의 다섯 층으로 정리한 서베이다. 인터넷의 이미지와 텍스트만으로는 물체에 힘을 가했을 때 상태가 어떻게 변하는지, 어떤 행동이 실패했는지 같은 물리 신호를 충분히 얻을 수 없다는 문제에서 출발한다.
이 피라미드의 유용한 점은 위아래를 단순한 품질 순서로 보지 않는 데 있다. 실제 로봇 데이터는 행동 정합성과 물리 충실도가 높지만 수집이 비싸고, 범용 영상과 언어 데이터는 규모와 다양성은 크지만 로봇의 행동 좌표와 멀다. UMI식 수집과 시뮬레이션은 그 사이의 빈칸을 메운다. 따라서 데이터 레시피는 가장 큰 소스를 고르는 문제가 아니라 규모·재사용성·물리 충실도·embodiment 정합성을 과제에 맞게 섞는 문제다.
저자들은 촉각 데이터, 실패와 복구 궤적, 서로 다른 로봇 사이의 행동 정렬, 손 조작을 위한 1인칭 데이터 활용을 열린 과제로 꼽았다. 나는 실패 데이터가 특히 중요하다고 본다. 성공 시연만 늘리면 정책은 정상 경로를 잘 따라가도 미끄러짐이나 충돌 뒤 돌아오는 법을 배우기 어렵다. 로봇 데이터셋에는 성공률뿐 아니라 실패 유형, 복구 가능성, 센서 구성과 제어 주기를 함께 기록해야 한다.
데이터센터가 전력망의 수요 감축 자원으로 편입된다
미국 PJM 전력망의 새 수요 감축 방침에 따르면 2027년 6월부터 50MW 이상 대형 데이터센터와 일부 대규모 사용자는 공급 부족 때 전력을 일시적으로 줄여야 할 수 있다. 대상 사업자는 보상을 받고, 상황에 따라 30분에서 며칠 전 통지를 받는 기존 수요 반응 프로그램과 비슷한 구조다.
데이터센터가 전기를 많이 쓰는 소비자라는 설명에서 한 단계 더 나아간 변화다. 이제 AI 인프라는 전력망이 필요할 때 부하를 줄일 수 있는 조정 가능한 운영 자원으로 평가받는다. 학습 작업은 체크포인트를 기준으로 멈출 수 있지만, 온라인 추론과 기업용 에이전트는 사용자 요청이 계속 들어온다. 중단 가능 작업과 지연 불가 서비스를 나누고, 지역·시간대별로 부하를 옮길 수 있어야 한다.
현장 발전기만 늘리면 해결된다고 보기도 어렵다. 디젤 백업은 비용과 오염 부담을 옮길 수 있다. 더 현실적인 준비는 워크로드별 전력 우선순위, 감축 통지를 받은 뒤 안전하게 줄일 용량, 배터리와 현장 발전의 배출량, 복구 뒤 밀린 작업을 처리할 시간까지 함께 계산하는 것이다. GPU 수와 토큰 처리량만으로 데이터센터 용량을 잡던 시기에서 전력 계약과 중단 복원력이 모델 서빙의 일부가 되는 시기로 넘어가고 있다.
출처
- OpenAI — Scientific computing in the age of agentic AI
- Google — Gemini API Managed Agents: 3.6 Flash, hooks, and more
- The Verge — Perplexity Personal Computer for Windows
- GitHub — faster-enhancer.c
- arXiv:2607.24744 — Data Pyramid for Embodied Manipulation
- TechCrunch — Data center power curtailment on the PJM grid