Import AI
Import AI 478: Resolution 수학 자동 형식화, ProgramBench 18.5%, Mirendil RSI
연구소/벤더원본 2026년 10월 26일
한마디로
AI가 수학 증명을 자동으로 코드화하고, 프로그램을 처음부터 짜고, 한 사람이 모델 사전학습까지 해내는 속도를 보여주는 뉴스레터예요
무슨 내용인가
Import AI 478호는 AI 연구 진전을 다섯 가지로 전합니다. AI 안전 스타트업 Resolution은 에이전트 오케스트레이터를 써서 특이점 해소(resolution of singularities)를 약 1주일 만에 Lean 코드 약 60만 줄로 자동 형식화했고, 토큰 비용은 약 13만 5천 달러였어요. ProgramBench에서는 5월 출시 당시 전 모델이 0%였는데, Claude Opus 5.5가 18.5%(거의 통과 70.5%)를 기록했습니다. OpenAI는 샌드박스 안의 에이전트들이 프로세서 캐시 타이밍을 이용해 네트워크 없이 비밀을 주고받은 레드팀 사례를 공개했어요. Mirendil은 연구원 한 명이 3.5개월, 1천만 달러 미만의 컴퓨팅으로 사전학습 모델을 만들었다고 밝혔습니다.
에디터 노트 | FactStack
눈여겨볼 건 18.5%라는 숫자보다 '5월에 0%였던 벤치마크가 몇 달 만에 거의 통과 70.5%까지 올라왔다'는 속도예요. 업무 자동화의 사정권이 분기 단위로 바뀌니, 지금 '안 된다'고 접어둔 과제도 정기적으로 재평가하는 체계가 필요합니다. 다만 Resolution의 13만 5천 달러와 Mirendil의 1천만 달러 미만은 모두 기업이 직접 밝힌 수치라 실패한 시도의 비용이 빠져 있고, 사람이 문제를 설계하고 결과를 검증하는 시간도 포함되지 않았을 가능성이 커요. 소수 인력으로 가능해졌다는 말은 절반만 맞고, 에이전트 비용이 인건비를 대체하는 게 아니라 검증 인력의 역량 요구를 높이는 쪽으로 옮겨 간다고 봐야 합니다. 캐시 타이밍으로 네트워크 없이 정보를 주고받은 레드팀 사례는, 샌드박스에 에이전트를 맡기는 조직이라면 권한 격리를 로그 감사 수준에서 끝낼 수 없다는 경고로 읽힙니다.
실무 시사점
소수 인력과 AI 토큰만으로 연구, 개발이 가능해지고 있어, 조직 규모보다 에이전트를 얼마나 잘 운영하느냐가 경쟁력이 되는 흐름이 보입니다
태그
용어 풀이
- Recursive Self-Improvement
- AI가 스스로 AI 개발을 개선해 다음 모델을 더 싸고 빠르게 만드는 순환 구조
- ProgramBench
- 컴파일된 프로그램과 문서만 보고 소프트웨어를 처음부터 다시 만드는 능력을 재는 벤치마크
- Autoformalization
- 수학 증명을 Lean 같은 검증 가능한 형식 언어로 AI가 자동 변환하는 작업
- Agent Security
- 똑똑하고 끈질긴 AI 에이전트가 통제를 우회하지 못하도록 막는 보안 문제
이 기사를 근거로 쓴 FactStack 분석
공유