전체메뉴
미디어룸
오늘을 넘어 미래의 가치를 만드는 더존ICT그룹의 소식을 만나보세요.
[AI트렌드] 27년 난제도 2,000달러면 끝, AI가 수학을 정복하는 시대
데일리 AI 트렌드
DeepSeek V4 Flash 로컬 실행 열풍 및 성능 벤치마크
●무슨 일이?
DeepSeek V4 Flash 0731(284B MoE 구조)이 공개된 이후, 로컬 AI 커뮤니티에서 다양한 하드웨어 환경에서 의 실행 실험이 활발하게 이루어지고 있습니다. 2×RTX 3090과 중고 쿼드 제온 DDR4 서버 조합으로 단일 33 tok/s, 집계 68 tok/s를 달성한 사례가 공유되었으며, RTX 5090과 Threadripper 5965WX, 512GB DDR4 RAM 환경에서는 --cpu-moe 옵션 적용 후 프리필 속도 700pp/s, 생성 속도 18tg/s를 기록하기도 했습니다. 양자화 수준에 따른 성능 차이도 뚜렷하게 나타났습니다. Q3 수준에서는 Qwen3.6-27B Q8을 대규모 컨텍스 트(30k 토큰 이상) 환경에서 능가하는 것으로 평가되었으나, Q2는 오히려 Qwen3.6-27B Q8보다 낮은 성능을 보였습니다. 단일 RTX 3090(24GB VRAM)에서 IQ2_XS 양자화로도 완성도 있는 HTML 애니메이션 코드를 생 성하는 데 성공하는 등, 24GB VRAM 환경에서의 실행 가능성도 확인되었습니다.
●왜 중요해?
불과 20개월 만에 최전선 수준의 대형 모델이 가정용 PC에서 로컬 실행 가능한 수준에 도달했다는 점은 AI 접근 성의 패러다임 변화를 상징적으로 보여줍니다. 특히 클라우드 API 없이도 프론티어급 모델을 자체 인프라에서 운용할 수 있게 됨에 따라, 기존 클라우드 AI 서비스 사업자들에게 상당한 경쟁 압력이 가해질 것으로 전망됩니 다.
Qwen 3.8 모델 공개 및 오픈 웨이트 출시 예고
●무슨 일이?
알리바바의 Qwen 팀이 Qwen 3.8 모델을 공개했습니다. 이번에 공개된 Qwen 3.8 Max는 Artificial Analysis 벤치마크에서 Kimi K3 및 DeepSeek V4 Flash와 동등한 수준의 성능을 기록했습니다. 가격은 입력 토큰 기준 100만 토큰당 2달러, 출력 기준 6달러로 책정되어 Anthropic의 Claude Opus 4를 대체할 수 있는 저렴한 옵션으로 주목받고 있습니다. 특히 27B 파라미터 모델인 Qwen 3.8-27B는 Unsloth의 Daniel Han에 의해 17GB VRAM만으로 구동 가능 하다는 점이 검증되었습니다. Qwen 팀은 다음 주 중으로 오픈 웨이트 버전을 출시할 예정이라고 밝혀 로컬 실 행을 원하는 사용자들의 기대를 높이고 있습니다.
●왜 중요해?
Qwen 3.8은 최상위 상용 모델과 견줄 만한 성능을 훨씬 낮은 비용으로 제공하며, 오픈 웨이트 출시까지 예고되 어 AI 접근성을 크게 높일 것으로 기대됩니다. 17GB VRAM이라는 비교적 낮은 하드웨어 요구사항 덕분에 일반 소비자급 GPU에서도 로컬 실행이 가능해져 오픈소스 AI 생태계에 상당한 영향을 미칠 것으로 보입니다.
OpenAI 실시간 음성 AI 시스템 재구축 발표
●무슨 일이?
OpenAI가 실시간 음성 AI를 위한 시스템 스택을 클라이언트 레이어부터 모델 레이어까지 전면 재설계했다고 발표했습니다. 이번 재구축은 단순한 업데이트가 아니라, 응답성 높은 음성 AI를 구현하기 위해 전체 아키텍처 를 새롭게 설계한 작업입니다. 특히 이 시스템은 6개월이라는 짧은 기간 안에 완성되었으며, 실시간 처리에 최적화된 구조로 지연 시간을 최소 화하는 데 초점을 맞추었습니다. 음성 입력부터 모델 추론, 출력까지 이어지는 전체 파이프라인을 통합적으로 재설계하여 보다 자연스럽고 즉각적인 음성 대화 경험을 제공하는 것을 목표로 합니다.
●왜 중요해?
음성 AI의 핵심 과제인 실시간 응답성과 자연스러운 대화 흐름을 시스템 전체 수준에서 해결하려는 시도라는 점에서 큰 의미를 가집니다. 이번 재구축은 ChatGPT의 음성 모드 등 OpenAI 제품 전반의 품질 향상으로 이어 질 수 있으며, 음성 AI 분야의 기술 기준을 한 단계 끌어올리는 계기가 될 수 있습니다.
AI가 수학 난제 해결 및 모델이 모델을 학습시키는 시대 도래
●무슨 일이?
Google DeepMind의 Astra가 6개 수학 분야에 걸쳐 10개의 난제를 해결했습니다. 여기에는 1999년 Gromov가 제시한 이후 27년간 미해결 상태였던 '비소픽 군(non-sofic group) 구성 문제', Connes의 강성 추 측 반증, Ehrhart의 부피 추측 증명 등이 포함됩니다. 모든 증명은 Lean 4로 형식화되어 GitHub에 249페이지 논문과 함께 공개되었으며, Lean의 커널이 증명 컴파일 여부를 이진(binary)으로 판정하므로 결과의 신뢰성을 기계적으로 검증할 수 있습니다. 한편, Intology의 Locus 시스템은 Qwen3 베이스 모델을 PostTrainBench 설정에 따라 사후 학습(post- training)시켜, Qwen3 인스트럭트 체크포인트를 뛰어넘는 성능을 달성했습니다. 이는 AI 모델이 직접 다른 AI 모델을 학습시키는 단계에 진입했음을 보여줍니다.
●왜 중요해?
추론 비용 $2,000은 단순 API 비용만을 반영한 수치이지만, 훈련 비용이 고정 비용으로 분산된다는 점을 고려 하면 추가 난제 도전의 한계 비용은 사실상 0에 수렴하고 있습니다. 수십 년간 인류가 풀지 못한 수학 문제들이 AI에 의해 빠르게 해소될 수 있는 환경이 갖춰지고 있으며, 모델이 모델을 학습시키는 자동화 루프까지 더해져 AI 발전의 속도가 급격히 가속화될 가능성이 높아졌습니다.
미중 AI 패권 경쟁 및 중국 AI 연구소 동향
●무슨 일이?
최근 AI 커뮤니티에서는 미국이 중국에 대해 유지해온 AI 기술 격차가 거의 소멸했다는 분석이 확산되고 있습니 다. 중국 AI 연구소들이 잇따라 경쟁력 있는 모델을 공개하면서 "중국이 또 해냈다"는 반응이 나오고 있습니다. 특히 주목할 점은, 흔히 하나로 묶어서 언급되는 중국 AI 연구소들이 실제로는 서로 매우 다른 방향의 기술적 베 팅을 하고 있다는 것입니다. 해당 연구소 내부 관계자에 따르면, 각 연구소는 모델 아키텍처, 학습 방식, 응용 분 야 등에서 뚜렷이 구별되는 네 가지 전략을 취하고 있으며, 이는 단순한 미국 모델 추격이 아닌 독자적 경쟁력 확 보를 목표로 하고 있음을 시사합니다.
●왜 중요해?
미국의 수출 규제와 칩 제재에도 불구하고 중국 AI가 이 수준까지 도달했다는 사실은, 기존의 기술 봉쇄 전략이 한계에 부딪히고 있음을 보여줍니다. 중국 연구소들이 단일 전략이 아닌 다양한 방향으로 분산 투자하고 있다는 점에서, 향후 AI 패권 경쟁은 더욱 복잡하고 예측하기 어려운 양상으로 전개될 것으로 보입니다.
NeurIPS 2026 리뷰 프로세스 문제 및 재현성 논쟁
●무슨 일이?
한 리뷰어가 올해 3개 주요 학회에서 총 12편의 논문을 심사한 결과, 전체 파이프라인을 재현할 수 있는 완전한 코드를 제공한 논문은 단 1편에 불과했습니다. 4편은 일부 코드만 제공했고, 7편은 코드를 전혀 공개하지 않았 습니다. 특히 코드를 제공한 5편 중 3편에서 결과를 완전히 무효화하는 명백한 버그가 발견되어, 코드 없이 제출 된 논문들의 신뢰성에 심각한 의문이 제기되고 있습니다. 리뷰 과정의 공정성 문제도 도마 위에 올랐습니다. 일부 저자들은 리뷰어가 리버탈에서 지적 사항이 해결되었음 을 인정하면서도 점수를 올리지 않거나, 오히려 점수를 낮추는 사례를 경험했다고 토로합니다. AC(Area Chair) 가 마감 직전까지 거의 응답하지 않고, 리뷰어 대부분이 소통을 거부하는 등 심사 과정 전반이 '복불복 추첨'에 가깝다는 비판도 나오고 있습니다.
●왜 중요해?
코드 미공개는 단순한 관행 문제가 아니라 ML 연구의 재현성과 신뢰성을 근본적으로 위협하는 구조적 인센티브 문제입니다. 코드를 공개할수록 버그 발견으로 인해 탈락 위험이 높아지는 현재 구조에서는 불투명성이 오히려 유리하게 작용하기 때문에, 데스크 리젝 등 실질적인 제도적 패널티 도입이 필요하다는 목소리가 커지고 있습니 다.
LLM 정신 건강 영향 및 AI에 대한 대중 인식 변화
●무슨 일이?
한 소프트웨어 엔지니어가 LLM을 업무와 개인 프로젝트에 집중적으로 활용하면서 겪은 심리적 부작용을 공유 해 큰 반향을 일으켰습니다. 그는 LLM 사용이 도파민을 지속적으로 자극하는 슬롯머신과 유사한 중독 메커니즘 을 가지며, 특히 '바이브 코딩' 방식의 사용이 수개월간 자신의 생활에 심각한 영향을 미쳤다고 밝혔습니다. 이후 그는 단순 의존 대신 '페어 리서치' 또는 '페어 프로그래밍' 방식으로 전환해 중독적 요소를 줄이고 사고력 저하를 방지하고 있다고 합니다. 또한 LLM식 표현을 무의식적으로 사용하거나, 인간 동료 대신 LLM과의 소통 을 선호하게 되는 현상, 그리고 어린이에게는 성인보다 훨씬 강한 중독성을 보일 수 있다는 점도 우려 사항으로 제기되었습니다. 이와 함께 별도의 연구 결과에서는 AI에 대해 더 많이 알게 될수록 오히려 일상에서 AI를 배제 하고 싶어하는 경향이 나타난다는 점도 함께 화제가 되었습니다.
●왜 중요해?
AI 기술의 확산이 단순한 생산성 도구를 넘어 사용자의 심리와 행동 패턴에 실질적인 영향을 미칠 수 있다는 점 에서, 개인과 사회 차원의 디지털 웰빙 논의가 본격적으로 필요한 시점임을 시사합니다. 특히 성장기 아동·청소 년에 대한 영향과 함께, AI 리터러시가 높아질수록 오히려 거부감이 커진다는 역설적 현상은 AI 산업 전반의 신 뢰 구축 전략에도 중요한 과제를 던지고 있습니다.
5000