1억 4천만 AI 에이전트, 일자리를 찾습니다

Anthropic은 2027년까지 10,000명의 AI 엔지니어를 양성하기 위한 프로그램인 Claude Frontier Academy에 1억 달러를 투자합니다. 이들은 혼자서 이 일을 하는 것이 아닙니다. Accenture 및 Morgan Stanley와 같은 거물급 파트너들과 협력하여 AI 역량을 강화하고 이러한 기술을 기업 기술 스택에 통합할 예정입니다.

이는 전형적인 시장 조성 전략입니다. 복잡하고 비싼 도구를 구현할 내부 인력이 없는 회사에 판매할 수는 없습니다. 10,000명의 엔지니어 교육에 보조금을 지급함으로써 Anthropic은 본질적으로 미래 고객 기반을 사전 검증하고 Claude가 기업 인프라의 기본 모델로 유지되도록 보장하고 있습니다.

기업 리더들에게 보내는 메시지는 분명합니다. 공급업체는 팀의 역량을 강화하기를 더 이상 기다리지 않습니다. 보조금 지원 교육을 받고, 내부 역량을 구축하고, API 호출을 작성하기 위해 외부 컨설턴트에 의존하는 것을 멈추십시오.

Prime Inference는 이제 Prime Intellect의 GPU 클러스터에서 프론티어 오픈소스 모델을 위한 탄력적인 인프라를 제공하며 매일 거의 1조 개의 토큰을 내부적으로 처리하고 있습니다. 이 설정은 대규모 강화 학습 롤아웃, 합성 데이터 생성, 평가 및 장기 실행 코딩 에이전트를 포함한 대규모 워크로드를 이미 지원하고 있습니다.

우리는 지난 1년 동안 오픈 가중치가 신뢰성 측면에서 폐쇄형 API와 경쟁할 수 있는지에 대해 논쟁했습니다. 하루 1조 개의 토큰은 그 논쟁을 끝냅니다. 이 정도 규모의 빠르고 안정적인 서비스는 팀이 부하로 인해 인프라가 무너질 걱정 없이 오픈 모델에서 무거운 에이전트 기반 워크플로우를 구축할 수 있음을 의미합니다.

오픈소스 서비스가 프로덕션에 너무 취약하다고 생각하여 여전히 폐쇄형 API를 기본으로 사용하고 있다면, 귀사의 아키텍처는 구식입니다. 인프라 계층이 따라잡았으니, 이제 무거운 워크로드를 그에 맞게 라우팅할 때입니다.

Aleph Alpha는 781억 개의 매개변수를 자랑하는 오픈 가중치 영어-독일어 전문가 혼합(Mixture-of-Experts) 모델인 Kolibri를 출시했습니다. 이 모델은 도구 호출을 지원하며 100만 토큰의 방대한 컨텍스트 창을 제공합니다. 주권적이고 미션 크리티컬한 작업을 위해 구축된 이 모델은 매우 관대한 Apache 2.0 라이선스 하에 Hugging Face에서 사용할 수 있습니다.

이 출시는 데이터 주권과 고성능의 특정 교차점을 목표로 한다는 점에서 중요합니다. 유럽 기업과 정부 기관은 라이선스 문제나 데이터 프라이버시 걱정 없이 로컬에서 실행할 수 있는 프론티어급 모델에 목말라 있었습니다.

Kolibri는 그 공백을 완벽하게 채웁니다. 유럽 시장이나 고도로 규제된 산업을 위해 구축하고 있다면, 이 모델은 이제 평가의 기준점이 될 것입니다.

호주는 AI 주권을 적극적으로 추진하며, 핵심 역량을 외부 기업에 의존하는 것이 전략적 취약점이라고 주장합니다. 제안된 해결책은 대규모 프론티어 시스템보다는 작고 전문화된 AI 모델에 초점을 맞춥니다. 이러한 소규모 모델은 적응성, 비용 효율성 및 쉬운 거버넌스 측면에서 실질적인 이점을 제공합니다.

목표는 단일 공급업체 의존성에 빠지지 않으면서 관리되는 상호 의존성을 육성하는 것입니다. 국가의 핵심 인프라가 외국 기술 거인의 출시 일정 및 사용 정책에 묶여 있다면 주권적 통제를 유지할 수 없습니다.

이는 공공 부문 조달의 주요 변화를 예고합니다. 정부 계약을 목표로 하는 개발자들은 대규모 상업 API를 감싸는 것에서 벗어나 고도로 전문화된 로컬 호스팅 소규모 모델을 배포하는 방향으로 전환해야 합니다.

AI21은 10,000개의 GPU 클러스터 관리 방식을 전면 개편하여, 임시 용량 협상 대신 Kueue를 사용하여 공유 Google Cloud 클러스터 전반에 걸쳐 공정한 스케줄링을 도입했습니다. Google Cloud 사례 연구에 따르면, 이러한 큐 기반 관리로의 전환은 우선순위가 높은 워크로드가 83% 더 빨리 시작됨을 의미합니다.

10,000개의 GPU 규모로 운영할 때 인프라 효율성은 수익성과 파산의 차이를 만듭니다. 임시 리소스 할당은 필연적으로 병목 현상, 유휴 실리콘, 그리고 줄을 서서 기다리는 좌절한 연구팀으로 이어집니다.

엄격한 큐잉 시스템을 구현하면 용량 계획에서 인간적인 요소가 제거됩니다. 팀이 다음 H100 노드를 누가 사용할지에 대해 여전히 Slack에서 논쟁하고 있다면 시간과 돈을 낭비하고 있는 것입니다.

UniEvo-VL이라는 새로운 시스템은 단일 멀티모달 모델이 교사와 학생 역할을 모두 수행할 수 있도록 합니다. 이 모델은 자체 비판을 특권 정보로 활용하여, 별도의 더 큰 모델이 숙제를 채점할 필요 없이 테스트 시간 자체 개선을 가능하게 합니다.

이는 멀티모달 훈련의 가장 큰 병목 현상 중 하나인 외부 또는 인간 피드백 루프에 대한 의존성을 해결합니다. 모델이 자체 비판을 안정적으로 생성하고 이를 사용하여 실시간으로 출력을 개선할 수 있다면, 정렬 및 미세 조정 비용이 극적으로 감소합니다.

연구자들은 이 아키텍처에 주목해야 합니다. 자체 비판 메커니즘은 차세대 모델의 필수 요소로 빠르게 자리 잡고 있습니다.

Meta는 Muse AI 에이전트를 맞춤형 기기에 통합하는 데 필요한 코드를 공식적으로 오픈소스화했습니다. 이 움직임은 하드웨어 해커와 인디 개발자들이 처음부터 시작할 필요 없이 Meta의 인텔리전스를 물리적 장치에 직접 임베드할 수 있도록 합니다.

이는 순수한 배포 전략입니다. 하드웨어 통합의 마찰을 제거함으로써 Meta는 전체 메이커 커뮤니티를 아웃소싱 R&D 부서로 바꾸고 있습니다. 그들은 Muse가 차세대 스마트 하드웨어의 기본 두뇌가 되기를 원합니다.

납땜 인두와 AI 기반 장치에 대한 아이디어가 있다면, Meta가 소프트웨어 스택을 무료로 제공했습니다. 지금 바로 만드십시오.

Google은 외부에서 검증 가능한 프라이버시 보장을 제공하는 새로운 연합 학습(Federated Learning) 시스템을 도입했습니다. 결정적으로, 이 시스템은 무거운 계산을 서버로 옮겨 네트워크 전반의 훈련 속도, 정확성 및 장치 적용 범위를 향상시킵니다.

역사적으로 연합 학습은 잔혹한 트레이드오프를 강요했습니다. 즉, 프라이버시를 보장하기 위해 약한 엣지 장치에서 계산을 유지하여 성능이 저조했습니다. Google은 데이터가 비공개로 유지됨을 수학적으로 증명하면서 계산을 서버로 옮김으로써 분산 훈련의 핵심 병목 현상을 해결했습니다.

이것은 마침내 연합 학습을 기업 애플리케이션에 적용할 수 있게 만들 인프라입니다. 이 아키텍처를 기반으로 구축된 프라이버시 우선 AI 제품이 급증할 것으로 예상됩니다.

Meta는 수학자들과 협력하여 미해결 수학 연구 문제를 해결하고 있으며, 이 과정에서 Muse Spark AI 모델을 활용하고 있습니다. 이 협력은 엄격하고 형식적인 추론에서 AI가 달성할 수 있는 한계를 뛰어넘는 것을 목표로 합니다.

이는 일반적인 AI 벤치마크와는 크게 다릅니다. 미해결 수학 문제를 해결하려면 깊은 논리적 비약과 환각에 대한 무관용이 필요합니다. Muse Spark가 새로운 수학적 증명을 일관되게 생성하는 데 도움을 줄 수 있다면, 이는 모델이 단순한 패턴 매칭을 훨씬 뛰어넘는 수준의 추론 능력을 가지고 있음을 증명하는 것입니다.

이 분야를 주시하십시오. 형식 수학을 정복하는 모델은 결국 완벽하고 수학적으로 증명된 소프트웨어 코드를 작성할 모델과 동일할 것입니다.