Weekly AI Insights (2026.02월 4주차)

이번 주 AI 업계는 단순한 ‘언어 지능’을 넘어, 물리 세계를 이해하는 로봇 모델과 스스로 알고리즘을 설계하는 자동화된 지능의 등장이 눈에 띕니다.

특히 비디오 데이터를 통해 로봇의 행동을 학습시키는 DreamZero와 LLM이 직접 강화학습 코드를 짜는 코딩 에이전트 AlphaEvolve는 AI가 인간의 개입 없이 어디까지 진화할 수 있는지 보여주고 있습니다.

여기에 추론 속도의 한계를 깬 Mercury-2와 장기 기억의 패러다임을 바꾼 AMA-Bench, 그리고 전 세계가 주목하는 DeepSeek V4의 임박 소식까지 이번 주 AI 기술 동향을 확인해 보시길 바랍니다.

1. DreamZero: 범용 로봇 제어를 위한 140억 매개변수 세계-행동 모델 (World Action Model)

World Action Models are Zero-shot Policies

Summary

• 기존 VLA 모델은 언어적 의미 파악에는 뛰어나지만, 학습하지 않은 새로운 환경과 물리적 동작에 대한 일반화 능력이 부족하다는 핵심적인 한계가 있습니다.
• 이를 해결하기 위해 본 논문은 140억 매개변수의 비디오 확산 모델을 기반으로 한 세계-행동 모델(WAM)인 ‘DreamZero’를 제안합니다.
• 이 모델은 시각적 미래(비디오)와 로봇의 제어(행동)를 자기회귀(autoregressive) 방식으로 동시에 예측하여 물리적 세계의 역학을 단일 모델에서 학습하는 독창적인 구조를 가집니다.
• 이러한 방식을 통해 특정 작업의 반복적인 시연 데이터에 의존하지 않고도 이질적이고 광범위한 데이터로부터 범용적인 정책을 효과적으로 학습할 수 있는 차별화된 기여를 제공합니다.
• 또한 AgiBot G1과 Franka 로봇을 이용해 일상 및 조작 환경에서 기존 최첨단 VLA(GR00T N1.6, π0) 모델들과의 비교 벤치마크 평가를 수행했습니다.
• 실험 결과, 한 번도 본 적 없는 작업과 환경에 대해 기존 모델 대비 작업 진행률 기준 2배 이상 향상된 압도적인 제로샷 일반화 성능을 달성했습니다.
• 더불어 비디오와 행동의 노이즈 일정을 분리하는 ‘DreamZero-Flash’ 기법과 시스템 최적화를 통해 38배의 추론 속도 향상을 이루어 7Hz의 실시간 폐루프 제어에 성공했습니다.
• 특히 단 10~20분의 타 로봇이나 인간의 비디오 데이터, 또는 30분의 플레이 데이터만으로 새로운 기구학적 형태에 즉각 적응하는 소수 샷 전이 학습의 놀라운 잠재력을 입증했습니다.
• 결론적으로 WAM 구조가 시각적 물리 역학을 바탕으로 행동을 추출함으로써, 기존 VLA가 가진 공간적 추론과 물리적 실행의 간극을 성공적으로 메웠음을 보여줍니다.
• 요약하자면, 본 논문은 비디오 생성 모델의 풍부한 시공간적 사전 지식을 로봇 제어와 완벽히 결합하여, 진정한 의미의 범용 로봇 파운데이션 모델로 나아가는 혁신적인 이정표를 제시합니다.

Insights

• 행동 라벨이 없는 대규모 인간 1인칭 비디오 데이터만으로도 교차 형태 전이 학습이 가능함을 입증하여, 향후 로봇 데이터 수집의 병목을 해소하고 확장성을 폭발적으로 높일 수 있습니다.
• 현재의 거대한 140억 매개변수 모델과 반복적 확산 과정은 여전히 연산 부하가 크며, 수 밀리미터 단위의 고정밀 조작이나 긴 시야(long-horizon)의 기억이 필요한 복합 작업에는 구조적 한계가 존재합니다.
• WAM에 최적화된 스케일링 법칙(Scaling Laws)을 규명하고, 시스템 2(System 2) 플래너를 통합하여 모델의 추론 능력을 장기적인 작업 지시까지 연장하는 후속 연구가 필수적으로 요구됩니다.
• 관련 전문가들은 양방향(Bidirectional) 구조를 피하고 자기회귀(Autoregressive) 아키텍처와 KV 캐싱을 채택한 것이 비디오-행동 간의 양태 정렬(modality alignment)과 폐루프 제어 최적화에 핵심적이었음을 주목해야 합니다.

2. 대형 언어 모델(LLM)을 활용한 다중 에이전트 강화학습 알고리즘 자동 발견

Discovering Multiagent Learning Algorithms with Large Language Models

Summary

• 다중 에이전트 강화학습(MARL) 분야에서 기존 알고리즘들은 업데이트 규칙, 할인율 등의 핵심 구조를 인간의 직관과 수동적인 시행착오에 의존해 설계해야 하는 근본적인 한계를 지니고 있었습니다.
• 본 논문은 대형 언어 모델(LLM)을 활용한 진화적 코딩 에이전트인 AlphaEvolve를 도입하여, 단순한 매개변수 조정을 넘어 파이썬 소스 코드 수준에서 알고리즘을 돌연변이화하고 의미론적으로 진화시키는 자동화 방법론을 제안합니다.
• 이 프레임워크를 통해 변동성 적응형 할인 및 비대칭 부스팅 기법을 적용한 VAD-CFR과, 낙관적 후회 매칭과 평활화된 최고 순수 전략을 동적으로 혼합(Annealing)하는 SHOR-PSRO라는 두 가지 독창적인 알고리즘 구조를 발굴했습니다.
• Kuhn Poker, Leduc Poker, Goofspiel, Liars Dice 등 다양한 불완전 정보 게임 벤치마크 실험 결과, 발굴된 알고리즘들은 SOTA(State-of-the-Art) 베이스라인 모델들과 비교하여 압도적으로 우수하고 안정적인 수렴 성능을 보였습니다.
• 특히 VAD-CFR은 3인용 Leduc Poker에서 기존 모델들의 한계를 돌파하여 착취 가능성(Exploitability)을 10−3 미만으로 대폭 감소시켰으며, 테스트된 11개 게임 중 10개에서 기존 최고 성능과 일치하거나 이를 능가하는 성과를 달성했습니다.
• 결론적으로, LLM 기반의 기호적 코드 진화(Symbolic code evolution)는 인간이 직관적으로 떠올리기 어려운 고효율의 비직관적 최적화 메커니즘을 효과적으로 설계해 낼 수 있음을 입증했습니다.
• 본 연구는 인간의 수작업에 의존하던 AI 알고리즘의 발전 과정을 LLM 스스로가 새로운 수학적, 논리적 메커니즘을 창조하며 진화시키는 ‘알고리즘 설계의 완전 자동화’ 패러다임으로 이끄는 핵심적인 이정표입니다.

Insights

• 이 기술은 모델 튜닝에 소요되는 막대한 인간 R&D 리소스를 크게 감축시키며, 결과적으로 고도화된 전략적 의사결정이 요구되는 다양한 복잡계 산업 영역으로 게임 이론 기반 AI 솔루션이 도입되는 속도를 획기적으로 가속할 것입니다.
• 매 진화 세대마다 생성된 새로운 코드의 적합도(Fitness)를 평가하기 위해 다수의 프록시 게임을 실행하고 방대한 게임 트리를 탐색해야 하므로, 이 과정에서의 시뮬레이션 연산 비용이 잠재적인 하드웨어 및 알고리즘 평가 속도의 병목으로 작용할 수 있습니다.
• 논문이 제안한 기호적 탐색 프레임워크의 가능성을 기반으로, 향후에는 완전한 심층 강화학습(Deep RL) 에이전트 구조 자체를 진화시키거나, 일반 합(General-sum) 게임 환경 내에서 에이전트 간의 협력 메커니즘을 자동 발견하는 방향으로 연구가 폭넓게 확장될 것입니다.
• AI 연구자들은 기존의 정적이고 대칭적인 구조에서 벗어나, 초기 노이즈를 걸러내는 하드 웜스타트(Hard warm-start)나 학습 변동성에 반응하는 비대칭적/동적 스케줄링 메커니즘 등 유동적인 아키텍처 제어가 모델 성능을 근본적으로 극대화한다는 사실에 주목해야 합니다.

3. Mercury-2가 제시하는 디퓨전 기반 추론의 혁명

Introducing Mercury 2

Summary

• Mercury-2는 기존 LLM의 순차적 생성 방식을 탈피하여 디퓨전(Diffusion) 기반의 병렬 정제 기술을 도입한 초고속 추론 모델입니다.
• 여러 토큰을 동시에 생성하고 다듬는 구조를 통해 기존 모델 대비 생성 속도를 5배 이상 혁신적으로 단축했습니다.
• NVIDIA Blackwell GPU에서 초당 1,009개 토큰을 생성하며, 실시간 상호작용에 필수적인 초저지연 성능을 입증했습니다.
• 128K 컨텍스트 윈도우와 네이티브 도구 사용을 지원하여 복잡한 에이전틱 워크플로우를 실시간으로 처리할 수 있습니다.
• 고도의 추론 성능을 유지하면서도 지연 시간 문제를 해결하여 ‘지능과 속도’ 사이의 최적의 균형점을 제시했습니다.
• 코딩, 에이전트 루프, 실시간 음성 대화, 검색(RAG) 등 즉각적인 피드백이 중요한 프로덕션 환경의 병목 현상을 근본적으로 해결합니다.
• AI가 인간의 속도로 사고하고 반응하는 ‘실시간 추론 엔진’으로의 패러다임 전환을 이끌어낸 기술적 이정표입니다.

Insights

• 에이전틱 워크플로우 및 실시간 대화 시스템에서 지연 시간의 누적 문제를 해결하여, AI의 실무 도입과 사용자 경험을 혁신적으로 개선할 것입니다.
• 초당 1,000개 이상의 토큰 처리를 뒷받침하기 위해 하드웨어 대역폭 효율을 극대화하고 연산 강도를 높이는 하드웨어-소프트웨어 공동 설계가 핵심 과제가 될 것입니다.
• 디퓨전 기반 추론 아키텍처를 다양한 도구 사용 및 복합적인 의사결정 체인으로 확장하여, 고수준의 지능을 실시간 예산 내에 구현하는 연구가 가속화될 전망입니다.
• 순차 디코딩의 도그마를 탈피한 병렬 정제 방식은 AI가 인간의 사고 속도에 맞춰 즉각 반응하는 ‘실시간 추론 엔진’의 새로운 기술적 표준을 제시합니다.

4. 자율형 에이전트를 위한 장기 메모리 평가 및 최적화: AMA-Bench와 인과 관계 기반 AMA-Agent

AMA-Bench: Evaluating Long-Horizon Memory for Agentic Applications

Summary

• 기존 LLM 메모리 벤치마크는 인간 대화 위주로 설계되어, 복잡한 기계 생성 데이터와 인과적 상태 변화를 다루는 실제 에이전트 환경의 문제점을 제대로 평가하지 못했습니다.
• 이를 극복하고자 상태 간 인과적 종속성을 보존하는 ‘인과 관계 그래프(Causality Graph)’와 도구 증강 검색(Tool-Augmented Retrieval)을 결합한 독창적인 ‘AMA-Agent’를 제안합니다.
• 또한, 임의의 길이로 궤적을 제어하고 확장할 수 있는 최초의 에이전트 전용 벤치마크인 ‘AMA-Bench’를 구축하여 핵심 기술적 기여를 달성했습니다.
• 6가지 실제 도메인과 최대 128K 토큰의 합성 데이터셋으로 평가한 결과, 기존의 손실 압축 및 단순 유사도 검색 방식은 심각한 정보 손실을 유발함이 확인되었습니다.
• 반면 AMA-Agent는 AMA-Bench에서 평균 57.22%의 정확도를 기록하며, 기존 최고 성능의 베이스라인 시스템 대비 11.16%의 성능 향상을 입증했습니다.
• 이 결과는 에이전트 성능의 병목 현상이 LLM 모델 자체의 한계가 아닌 ‘메모리 아키텍처 설계’에 있음을 시사합니다.
• 최종적으로, 자율형 에이전트가 긴 흐름의 작업을 수행하려면 인과성 및 상태 동역학을 명시적으로 모델링하는 새로운 메모리 설계가 필수적이라는 결론에 도달했습니다.

Insights

• 단순 텍스트 유사도 검색의 한계를 넘어, 행동에 따른 명시적 상태 변화와 인과성을 절대적으로 보존하는 ‘구조화된 그래프 메모리’로 자율형 AI 산업의 아키텍처 패러다임을 전환할 것입니다.
• 현재 기술은 단일 에피소드 메모리 처리에 국한되어 있으며, 초장기 문맥 환경에서 발생하는 복잡한 재귀적 그래프 통합 과정의 연산 지연이 잠재적인 시스템 병목이 될 수 있습니다.
• 향후 연구는 이 아이디어를 발전시켜, 단일 작업을 넘어 여러 태스크에 걸쳐 지식을 축적하고 경험을 재사용하는 평생 학습(Lifelong Learning) 기반의 크로스-태스크 메모리 체계로 확장되어야 합니다.

5. DeepSeek V4 임박: 멀티모달(이미지·비디오)로 확장하며 ‘중국산 칩 최적화’ 가속

DeepSeek to release long-awaited AI model in new challenge to US rivals

Summary

• FT 보도에 따르면 DeepSeek가 다음 주 신규 대형 모델 V4를 공개할 예정이며, 이미지·비디오·텍스트 생성을 네이티브로 지원하는 멀티모달 모델로 알려졌습니다.
• 이번 V4는 DeepSeek가 2025년 1월 R1(추론 모델) 출시 이후 내놓는 첫 번째 ‘주요’ 버전 업데이트로 거론됩니다.
• 출시 시점에 짧은 기술 설명(technical note) 을 함께 공개하고, 약 1개월 뒤 더 자세한 엔지니어링 리포트를 내겠다는 계획이 언급됩니다.
• 하드웨어 측면에서는 중국산 연산 생태계를 겨냥해 최적화를 강화하는 흐름이 포착됩니다.
• 구체적으로는 화웨이 및 캠브리콘과 협력해 V4의 하드웨어 적합성/최적화를 진행했다는 내용이 전해집니다.
• 이에 따라 중국 내 반도체수요를 자극하고, 모델 추론 단계에서 국산 칩 채택이 가속될 수 있다는 관측이 뒤따릅니다.

Insights

• V4가 텍스트뿐 아니라 이미지·비디오 생성까지 네이티브로 통합되면, DeepSeek의 경쟁축이 ‘추론 성능’에서 콘텐츠/에이전트 워크플로 전반으로 확장됩니다.
• 엔비디아 의존을 줄이고 화웨이·캠브리콘 등 중국 칩에 먼저 최적화하여 모델 성능만이 아니라 국산 AI 인프라 생태계 확산을 동시에 노리고 있습니다.