전체 기사
다리오 아모데이(Dario Amodei)가 최근 몇 날 동안 인공지능(AI) 안전에 대한 statement를 쏟아 내게 된 것을 시작으로 한 essay인 '우리는 전선의 속도를 늦추어야 한다'(We Must Pace the Frontier)를 통해 인공지능 개발을 늦추어야 한다는 이유를 설명했다. 다른 인공지능 전문가들과 정치인들은 그의 주장을 지지하거나 반대하고 있으며, 우리는 그 중 일부
Nvidia CEO 제인슨 후앵은 All-In Podcast의 All-In Summit에서 트럼프 대통령과 전화통화를 하며, 로봇이 세상을 지배하지 않을 거라는 발표를 하였습니다. 이 발표는 대중 앞에서 스피커폰을 사용하여 발표하였습니다.
마이크로소프트는 인공지능 모델의 안전 우려를 대면하며 '인간주의 인공지능 행동강령'을 발표했다. 인공지능 연구자들은 인공지능 모델의 성능이 안전한 배포와 검증을 위한 능력보다 빠르게 발전할 수 있다고 경고했다.
DevFest 2026이 돌아왔습니다. 800개 이상의 글로벌 이벤트 중 하나에 연결하여 기관형 AI 시대에 구축, 보안, 확대할 수 있는 방법을 알아보세요.
회의 지속을 위해는 장기 다인 회의에서 agenda 추적, 발언자 역할, 참여자 의도 및 불일치 추적이 필요하다. 우리는 2,207 개의 실세계 회의와 24,794 개의 미래 지향적 쿼리에서 Meeting Dynamic Forecasting Benchmark(MDFB)를 소개한다. 회의 전면과 활성 질문이 주어졌을 때, 모델은 한 번의 호출로 가능성 있는 다중 회전 연속성을 생성한다. 우리는
LLM이 사용하는 드래프트-검증-수정 Pipe라인을 통해 의사소통의 암묵적 모호성 문제를 해결할 수 있는지 연구한 결과, GPT-5.2와 Gemini 3 Pro가 높은 성능을 보였다. 그러나 Pipe라인의 오류가 발생할 경우, 모호한 의사소통이 재발할 수 있으므로, Pipe라인의 설계에 주의가 필요하다.
arXiv:2609.12139v1 발표 형식: 새로운 abstract: 원자층 증착(Atomic Layer Deposition, ALD)과 원자층 에칭(Atomic Layer Etching, ALE)은 재료 과학에서 실험과 시뮬레이션 문헌에서 공통적으로 보고되지만, 비교와 기계가 작동할 수 있는 재사용을 방해한다. 우리는 ALD와 ALE 실험 및 시뮬레이션 과정에 대한 네 개의 도메인 전문가
지식 그래프 임베딩(Knowledge Graph Embedding, KGE) 모델을 편집하여 원하는 답변을 추천하는 것만으로는 올바른 답변을 목록에서 밀어내는 문제를 해결하지 못할 수 있다. 단지 편집된 매개 변수를 재사용하는 사실만을 기반으로 하는 지역성 테스트는 rank-displacement 효과를 놓칠 수 있다. 우리는 세 가지 범위에서 공통 rank-displacement 감사 절차
파라미터 효율적인 이중 U-형 신경 연산자 DU-NO를 소개합니다. 이 모델은 근해 역학에서 높은 정확도를 제공하는 FUNWAVE-TVD와 같은 파동 모델의 비용을 줄이는 데 도움을 줄 것입니다. DU-NO는 U-FNO와 같은 대규모 언어 모델(LLM)과 비교하여 10배 적은 파라미터로 더 높은 정확도를 제공합니다.
학습된 기계 학습 모델이 실제로 중요한 수치적 결정을 내리려면 대규모 언어 모델(LLM)의 발전이 필요하다는 가정은 일반적이다. 예를 들어, 가격 위험을 평가하는 것, 자본을 배분하는 것, 환자들을 분류하는 것, 또는 네트워크 침투를 방지하는 것과 같은 결정은 언어 모델의 발전으로부터 나와야 한다. 그러나 언어 모델은 인간이 세계를 설명한 표현에 훈련된 것이다. 이 설명은 수치 기록의 손실적
Hy브리드 예측에서 언어 모델은 여러 신호 중 하나일 때 자주 사용된다. 시스템은 이미 시장, 대중, 통계적 예측을 가지고 있어 모델이 유용한 정보를 제공하는지 여부를 결정해야 한다. 따라서 독립된 모델 정확성보다는 상대적 compétence, 즉 모델이 제공하는 외부 예측의 외재적 예측 외에 추가적인 가치가 있는지 여부가 중요하다. 브라이어 손실(Brier loss)에서, 모델의 불일치가
심장 질환의 진단은 ECG, 초음파 카디오그래피, 흉부 엑스레이, 임상 변수 등 각기 다른 부분이지만 상호 관련된 심장 생리학의 측면을 포괄하는 다양한 방법들을 통합하는 것으로 나아간다. 그러나 대부분의 의료 기초 모델은 모드별로 구분되어 있으며, 대부분 모드별로만 학습이 진행되어야 한다. 이러한 방법은 임상진료사들이 자연스럽게 통합하는 교차 모드 증거를 무시하고, 각 모드 내의 구조를 무시
