오늘의 브리프
타임라인
TODAY TLDR
Anthropic은 지분 5%를 공익 기금에 넣고, 회사 가치가 오르면 몫을 더 늘리기로 했습니다. Terence Tao 블로그에는 수학자들의 객원 글 두 편이 올라왔습니다. Francesco Maggi는 대학과 학회가 함께 운영하는 공공 LLM이 필요하다고 했고, Shaoming Guo는 Lean 검증을 통과해야 싣는 새 저널을 준비 중이라고 밝혔습니다. Elon Musk는 식당에 전화해 예약까지 하는 Grok Bot을 소개했습니다. Lenny's Podcast에서는 Anthropic의 Emmanuel Ameisen이 모델은 “만드는 게 아니라 키운다”고 했고, SemiAnalysis는 NVIDIA가 vLLM에서 Kimi K3를 같은 장비로 1.68배 빠르게 돌렸다고 전했습니다.
Anthropic
Anthropic이 공익에만 쓰는 기금 Anthropic Public Benefit Fund를 만든다. 주주 승인을 거쳐 지분 5%를 먼저 넣는다.
회사 가치가 기준선보다 50% 오를 때마다 이사회 판단으로 최대 2%를 더 넣을 수 있다. 창업자와 직원의 기부 약속까지 합치면 지분 약 20%가 공익 몫이다.
기금은 AI로 흔들릴 수 있는 일자리 문제 같은 곳에 쓸 수 있다. 로비나 정치 기부에는 쓰지 않는다고 밝혔다.
왜 Anthropic의 지배 구조를 지켜보고 있다면, 몇 달 안에 공개될 기금 운영 방식과 가치 기준선을 볼 때.
Terence Tao 블로그 · Francesco Maggi
Terence Tao 블로그에 수학자 Francesco Maggi의 객원 글이 실렸다. AI가 낸 증명은 진짜 성과지만, 사람이 이해하지 못하면 의미가 없다고 했다.
OpenAI는 10월 6일 결과를 내며 문제 4,000개를 시도했다고 밝혔다. Maggi는 AI가 못 푼 문제가 무엇이었는지가 더 궁금하다고 했다.
몇몇 회사가 최고 모델을 쥐는 구조는 위험하다고 봤다. 대학과 학회, 재단이 함께 운영하는 LLM 인프라를 만들자고 제안했다.
왜 연구실이 상용 모델에 기대고 있다면, 접근권과 재현성 기준을 정하는 학회 논의를 챙겨 볼 때.
Terence Tao 블로그 · Shaoming Guo
수학자 Shaoming Guo가 동료들과 새 수학 저널을 준비 중이라고 Terence Tao 블로그에 밝혔다.
실리려면 증명을 Lean으로 형식 검증해야 한다. LLM으로 만든 증명에 찾기 힘든 오류가 섞일 수 있어서다.
누가 먼저 증명했는지보다 이해를 얼마나 깊게 해 주는지를 더 높이 친다. 다른 가치를 내건 저널 아이디어도 받고 있다.
왜 AI로 증명을 쓰는 연구자라면, 앞으로 투고할 때 Lean 증명까지 내야 할 수 있다고 보고 미리 준비할 때.
Elon Musk · xAI
Elon Musk가 Grok Bot이 식당에 전화를 걸어 자리를 예약할 수 있다고 X에 썼다. Brian Roemmele가 만들어 공유한 예약 봇 글을 인용했다.
이 봇은 식당 번호를 직접 찾고, 내용을 다시 읽어 준 뒤 승인을 받아야 전화를 건다. 통화에는 ClawCall이라는 외부 서비스를 붙였다.
카드나 보증금 정보는 넘기지 않고, 한 번에 한 통만 건다. Musk는 팀이 Grok Bot을 하루 20개 정도씩 고친다고도 했다.
왜 전화로만 받는 예약·문의가 많다면, 사람이 승인하는 단계를 둔 봇부터 시험해 볼 때.
Lenny's Podcast (Emmanuel Ameisen · Anthropic)
Lenny's Podcast에 Anthropic 해석 가능성 연구자 Emmanuel Ameisen이 나왔다. 그는 3년째 Claude 같은 모델 속을 들여다보고 있다.
모델은 겉으로 말하지 않고도 여러 토큰 앞을 미리 계획한다고 했다. ‘다음 토큰 예측기’라는 설명은 모델을 과소평가한다는 것이다.
그는 이 연구가 공학보다 생물학에 훨씬 가깝게 느껴진다고 했다. 의인화가 오히려 맞는 접근일 수 있다는 이야기도 나왔다.
왜 모델이 왜 그렇게 답하는지 설명해야 하는 팀이라면, 72분짜리 이 대화로 해석 연구가 어디까지 왔는지부터 잡을 때.
SemiAnalysis
SemiAnalysis에 따르면 NVIDIA가 vLLM 최적화로 2.8조 파라미터 Kimi K3에서 사용자당 초당 423토큰을 냈다. 같은 장비에서 1.68배 빨라졌다.
vLLM 블로그를 보면 코딩 에이전트의 도움으로 어텐션, MoE, 통신을 하나의 디코드 경로로 묶었다. 레이어당 커널은 23개에서 13개로 줄었다.
블로그는 에이전트가 쓴 최적화 코드가 사람의 리뷰 속도를 앞지른다고 적었다. 변경을 모델 코드 안에 가두고 검증을 자동화하자고 제안했다.
왜 Blackwell GPU로 큰 오픈 모델을 서빙한다면, 새 디코드 경로가 내 배치 크기와 GPU 구성에서도 빨라지는지 재 볼 때.
agi-tracker · GeekNews 스타일 · 점수/댓글 없음