AI 소식

금융위원회·금융감독원은 14일 AI 해킹 침해가 확인된 금융회사를 전 업권에서 16곳으로 파악했다고 밝혔습니다. 현재까지 성명·연락처·주민등록번호 등 약 10만 건의 정보 유출이 확인됐지만, 계좌 비밀번호·카드번호처럼 직접 부정 결제에 활용될 정보의 유출은 확인되지 않았다고 설명했습니다. 555개사의 자체 점검에서는 130개사가 보안 미흡 사항을 보고했으며, 최신 패치 미적용과 지원 종료 시스템 관리 부실 등이 지적됐습니다. 당국은 외부 접점과 접근 권한을 전수점검하고 위협정보 공유와 경영진 책임을 강화할 계획이며, 추가 점검에 따라 피해 금융사 수는 늘어날 수 있습니다.

대학 논술시험에서 AI 안경을 이용한 부정행위 시도가 적발되자 교육부는 감독 강화와 수능용 대응 자료의 대학 공유를 추진하고 있습니다. 교육부·평가원은 15일 감독관 지침과 수험생 유의사항을 배포할 계획이지만, 논술·면접·실기 등 대학별고사는 환경이 달라 일률적 적용이 어렵다는 지적입니다. 전문가들은 입실 때 착용·예비 안경을 확인하는 데 더해 시험 중 안경을 바꾸는 절차와 의심 상황의 확인·기록 방식을 구체화해야 한다고 설명했습니다. 금속·무선신호 탐지만으로 완전히 구분하기 어려운 만큼, 사전 안내와 소지품 관리·시험 중 확인을 결합하고 일반 안경 사용 범위도 명확히 해야 한다는 제언입니다.

제프리 힌턴·요슈아 벤지오 등 34개국 과학자 406명이 사이버 공격 능력을 갖춘 AI의 개발·시험 관행을 바꾸자는 공개서한을 발표했습니다. 서한은 해당 모델을 외부망과 분리해 시험하고, 정부·전문가가 참여하는 국제기구가 격리 기준을 정하며 격리 실패 사고를 보고·공개하도록 제안했습니다. 연구진은 시험 중인 AI가 외부 시스템에 접근한 사례를 근거로 기업의 자율적 안전조치만으로는 부족하다고 주장했습니다. 얀 르쿤은 최근 사고를 공학적 관리 실패로 보는 등 반론도 있으며, 이번 제안이 이미 채택된 국제 규칙이나 모든 AI의 인터넷 차단 조치는 아닙니다.

AI 연산을 빌려주는 미국 클라우드 기업 코어위브의 주가가 14일 현지 장중 최대 17% 하락했다고 매일경제가 보도했습니다. 데이터센터와 반도체 확보에 투입한 부채 부담이 부각되며 2032년 만기 회사채 가격은 액면가의 80% 아래로, 만기 수익률은 약 15%로 움직였습니다. 이는 자금 조달 때 시장이 더 높은 위험 보상을 요구한다는 신호이며, 높은 채권 수익률이 투자자의 확정 수익이나 실제 채무불이행을 뜻하는 것은 아닙니다. 향후 이자 부담을 우려하는 분석과 시설 가동 뒤 수익성 개선을 기대하는 분석이 함께 나왔으며, 기사 수치는 종가가 아닌 보도 당시 장중 기준입니다.

뉴시스의 성수동 현장 취재에서는 일부 카페가 일반 음악과 AI 생성 음악을 섞어 재생하고, 손님은 이를 구분하지 못하는 모습이 확인됐습니다. 수노를 활용해 만든 머무르의 곡 ‘꿈꾸던 어른이 되었나요?’는 13일 오후 2시 기준 멜론 TOP100 3위에 올라 AI 음악의 소비 확산 사례로 소개됐습니다. 음악을 전공하지 않은 이용자들도 직접 가사·장르·분위기를 입력해 원하는 노래를 만들고 공유하는 경험을 전했습니다. 전문가는 AI 생성물의 권리 귀속과 학습 데이터의 기존 저작권 침해 여부를 따로 살펴야 한다며, 원창작자를 보호할 기준 마련이 필요하다고 지적했습니다.

정부는 14일 AI·융복합 K-뷰티 서비스 지원 방안을 발표하고, 피부 데이터뱅크를 AI 학습에 적합하게 개편할 계획을 밝혔습니다. 현재 축적된 18개국 약 1만7,000명의 피부 특성 정보를 기업이 활용해 맞춤형 화장품과 피부 분석 서비스를 개발하도록 지원한다는 구상입니다. 내년에는 조사 국가를 누적 19개국으로 늘리고, 개인정보 제공 동의를 받아 방한 외국인 2,000명의 메이크업 전후 사진과 설문 자료를 수집할 예정입니다. 의료·관광 예약과 결제 등을 연결하는 통합 허브도 추진하며, 데이터 개편과 신규 자료 수집은 이미 완료된 성과가 아닌 발표된 지원 계획입니다.

OpenAI는 10월 14일 GPT-4 계열 일부 API 모델의 지원 중단을 알리고, 2027년 1월 14일 종료 일정을 제시했습니다. 대상은 GPT-4o의 2024-08-06·2024-11-20 버전, GPT-4o mini의 2024-07-18 버전, GPT-4.1·GPT-4.1 mini의 2025-04-14 버전입니다. 권장 대체 모델은 gpt-6-luna이며, 해당 기반 모델을 미세 조정한 버전에도 같은 종료 일정이 적용됩니다. 관련 API를 운영하는 개발자는 사용하는 정확한 모델 식별자와 미세 조정 의존성을 점검하고, 종료 전에 대체 모델의 응답 품질·비용을 검증해야 합니다.

구글은 Gemini 4 Argon을 AI Studio·Gemini 플랫폼의 유료 API와 일부 유료 구독 서비스에 공개했습니다. API는 입력·출력을 합친 100만 토큰 한도와 연속 처리 프로토콜을 지원해 긴 코딩·분석 작업에 활용할 수 있습니다. 100만 토큰당 입력 2달러·출력 10달러는 11월 30일까지의 한시 가격으로, 이후 각각 4달러·20달러가 적용됩니다. 구글은 ADK의 긴 세션 준비 시간 40% 단축 등 실제 코드 개선 사례를 제시했지만, 이는 해당 코드와 내부 측정 조건에서의 결과입니다.

Siemens는 NVIDIA NeMo Gym으로 칩 설계용 에이전트의 최종 Liberty 파일을 검증하고, 실패 원인을 따라 작업 지침과 MCP 도구 설명을 개선했습니다. 누락된 셀·운영 조건, 파일 유효성, 수치 정확도와 결과 재사용 여부를 확인하며 필수 검증 항목 하나라도 실패하면 점수를 0으로 처리했습니다. 고정된 Claude Opus 4.8·Claude Code 환경에서 2개 셀과 36개 조건을 대상으로 약 25회 실행한 결과, 평균 복합 점수가 약 55%에서 95%로 높아졌습니다. 에이전트 차례는 155회에서 53회로 줄었지만 모델 자체를 바꾼 성과는 아니며, 제한된 개발 벤치마크를 전체 생산 설계 성능으로 일반화할 수는 없습니다.

DMIS 연구진은 문서 분류와 검색용 표현을 함께 학습하는 UltraBERT 인코더와 별도 임베딩 모델을 공개했습니다. 배치 안에 5%·50% 마스킹 입력을 섞되 출력 헤드를 분리하고, 낮은 마스킹 비율에서만 지식 증류를 적용해 두 과제의 충돌을 줄였습니다. 3억8,000만 파라미터 모델은 GLUE 91.0·BEIR 47.7을 기록했으며, 검색 수치는 각 백본을 같은 조건으로 추가 학습한 뒤 비교한 결과입니다. UltraBERT-Embed-150M은 영어 MTEB v2에서 67.24점을 보고했으며, 이를 모든 언어·검색 환경의 성능으로 확대 해석하지 않고 실제 데이터로 검증할 필요가 있습니다.

중국인민대·싱가포르국립대 연구진은 도구 오류와 사용자 정정에 대응하는 Agent-Reflex 학습 방법을 사전공개 논문으로 제시했습니다. 557개 MCP 기반 실행 환경에서 성공·실패 사례를 대조해 복구 지침을 추출하고, 검증된 지도 학습과 강화 학습·정책 증류를 결합했습니다. Qwen3-8B 기반 모델은 장기 도구 사용 벤치마크 5종의 종합 점수 58.6, 별도의 상호작용 잡음 평가에서 29.1을 보고했습니다. 코드·모델·데이터를 공개했지만 복구 지침은 고정된 환경에서 추출하므로, 실제 도구 인터페이스나 서비스 동작이 바뀌면 다시 수집·관리해야 합니다.

Google DeepMind와 싱가포르 GovTech는 현지 사기 대화의 맥락을 반영해 미세 조정한 기기 내 탐지 모델을 소개했습니다. 먼저 저전력 경량 분류기로 의심 메시지를 거른 뒤 Gemma가 여러 차례의 대화 맥락을 분석하는 2단계 구조로 배터리 부담을 줄이도록 설계했습니다. 학습에는 익명화한 사기 신고·정보 자료를 사용했고, 배포 시 이용자가 동의한 기기 내 대화를 분석해 민감 정보나 송금 전에 경고하는 방식입니다. 앱 도입은 정부와 협력해 단계적으로 진행할 계획이며, 공개 글에는 정확도·오탐률·배터리 소비의 정량 비교 수치는 제시되지 않았습니다.

Ai2는 약 100㎞ 해상도의 ACE 기후 모의 결과를 HiROv2로 3㎞ 수준까지 세분화하는 HiRO-ACEv2와 모델·실행 예제를 공개했습니다. 강수뿐 아니라 바람·기압을 함께 생성하며, X-SHiELD 자료를 저해상도로 낮춰 입력했을 때 원래 고해상도 자료의 희귀 극값 통계를 3% 이내 차이로 재현했다고 보고했습니다. 전 지구 고해상도 데이터 생성 비용은 X-SHiELD 실행의 약 300분의 1로 추정했으며, 관측 기반 일기예보의 정확도를 뜻하는 수치는 아닙니다. 학습한 X-SHiELD 기후에 맞춘 ACE에 의존하므로 더 따뜻한 미래 기후나 ERA5 과거 기후에는 아직 직접 적용할 수 없다는 제약이 있습니다.