AI-World-Story

  웨어러블 기기의 IMU 센서는 가속도와 회전 데이터를 수집한다. 머신러닝은 이 신호에 숨어 있는 움직임의 리듬과 패턴을 분석해 걷기, 앉기 등 사람의 행동을 구별할 수 있다. 센서를 더 많이 다는 것보다 중요한 것은 몸이 남긴 작은 신호에서 의미 있는 패턴을 찾아내는 일이었다. 아침에 일어나 스마트워치를 손목에 찬다. 엘리베이터 대신 계단을 내려가고, 지하철역까지 걷는다. 한동안 의자에 앉아 있다가 다시 일어나 움직인다. 우리에게는 별다를 것 없는 하루지만 손목이나 주머니 속 작은 센서의 관점에서 보면 이야기가 달라진다. 센서는 우리가 ‘걷는다’는 사실을 모른다. 계단을 오르고 있다는 것도, 의자에 앉았다는 것도 모른다. 센서가 아는 것은 몸이 어느 방향으로 얼마나 빠르게 움직였는지, 얼마나 기울어지고 회전했는지를 나타내는 숫자의 흐름뿐이다. 그런 숫자를 인간의 행동으로 번역하는 것이 인간 행동 인식(HAR) 기술이다. 미국 센트럴미시간대학교 Ashwin Sankaran 연구자는 웨어러블과 스마트폰의 관성측정장치(IMU)가 기록한 신호를 여러 방식으로 가공해 사람의 행동을 구별하는 시스템을 연구했다. 그 결과 UCI-HAR 데이터에서는 94.60%, PAMAP2에서는 93.83% 수준의 분류 정확도가 보고됐다. 흥미로운 부분은 단순히 더 복잡한 인공지능을 사용해서 얻은 결과가 아니라는 점이다. 연구의 핵심은 AI에게 무엇을 학습시킬 것인가에 있었다. 센서 신호의 잡음을 걷어내고 움직임을 시간, 리듬, 에너지, 방향이라는 여러 관점으로 다시 표현하자 평범해 보였던 숫자 속에서 행동의 특징이 드러났다. 기계에게 ‘걷는다’는 것은 무엇일까 사람은 멀리서 누군가의 뒷모습만 보아도 그가 걷는지 뛰는지 대체로 알아차린다. 몸 전체를 세밀하게 관찰할 필요도 없다. 팔이 흔들리는 속도와 발걸음의 간격, 몸의 위아래 움직임 같은 몇 가지 단서만으로 충분하다. 그러나 기계에는 이런 직관이 없다. 가속도계가 기록하는 것은 x·y·z...

에이전트 AI는 단순히 답변을 생성하는 것을 넘어 외부 도구를 직접 사용하고 실제 행동을 수행한다. 이러한 특성은 목표 설정, 내부 정렬, 도구 사용 보안, 다중 에이전트 협력 등 새로운 AI 안전성 과제를 만들어내고 있다. AI가 답을 생성하는 시대에서, 직접 행동하는 시대로 넘어가고 있다. 챗봇에게 질문을 던지고 답을 받는 것과, AI가 스스로 이메일을 보내고 데이터베이스를 수정하며 웹사이트를 탐색하는 것은 전혀 다른 문제다. 잘못된 답변은 수정하면 되지만, 잘못된 행동은 되돌릴 수 없는 결과를 남길 수도 있다. 2026년 발표된 리뷰 논문은 바로 이 변화에 주목했다. 연구진은 최근 급속히 발전하는 Agentic AI(에이전트 AI) 의 안전성 연구를 체계적으로 분석하고, 아직 해결되지 않은 핵심 과제를 정리했다. 또한 이를 EU AI Act와 미국 NIST AI Risk Management Framework 같은 규제 체계와 연결해 현재 무엇이 준비되어 있고 무엇이 비어 있는지도 함께 살펴봤다. AI의 위험이 '예측 오류'에서 '통제 실패'로 바뀌었다 기존의 생성형 AI는 주로 문장을 만들어내는 시스템이었다. 잘못된 정보를 말할 수는 있지만, 대부분은 사람이 마지막 판단을 내렸다. 하지만 에이전트 AI는 다르다. 예를 들어 AI가 스스로 이메일을 발송하고, 온라인 쇼핑을 대신하며, 서버에 접속해 파일을 수정하고, 여러 프로그램(API)을 호출해 업무를 수행한다면 이제 AI는 단순히 텍스트를 생성하는 존재가 아니라 실제 환경을 바꾸는 행위자가 된다. 논문은 이를 Prediction Error(예측 오류) 에서 Control Failure(통제 실패) 로 위험의 성격이 바뀌었다고 설명한다. 작은 판단 착오 하나가 실제 행동으로 이어지고, 그 결과는 되돌리기 어려울 수 있기 때문이다. 연구진은 무엇을 조사했나 이 논문은 새로운 실험을 수행한 연구가 아니라 PR...

생성형 AI가 만든 피싱 메일은 점점 정교해지고 있지만, 여러 AI 모델을 함께 학습하거나 탐지 기준을 보정하면 새로운 LLM이 생성한 피싱 메일도 높은 정확도로 탐지할 수 있음을 보여주는 개념 이미지. 생성형 AI 시대의 피싱 공격은 더 정교해졌지만, 탐지 성능을 유지하는 방법도 함께 제시됐다. 생성형 AI의 발전으로 피싱 메일은 맞춤법 오류나 어색한 문장 대신 자연스럽고 설득력 있는 문체를 갖추기 시작했다. 하지만 AI가 만든 피싱 메일을 탐지하는 모델에도 새로운 문제가 생겼다. 특정 AI 모델이 만든 메일만 잘 찾아낼 뿐, 다른 AI 모델이 생성한 피싱 메일에서는 성능이 크게 떨어지는 경우가 많았기 때문이다. 최근 발표된 연구는 이 문제가 탐지 모델 자체의 한계가 아니라 판단 기준(Threshold) 설정에 있다는 점을 보여줬다. 연구진은 간단한 임계값 조정이나 여러 AI 모델의 데이터를 함께 학습하는 방식만으로도 탐지 성능을 거의 원래 수준까지 회복할 수 있음을 확인했다. 서로 다른 AI가 만든 피싱 메일도 같은 방식으로 탐지할 수 있을까 기존 연구들은 GPT 계열처럼 하나의 AI 모델이 만든 피싱 메일을 대상으로 높은 정확도를 보고했다. 하지만 실제 공격자는 언제든 다른 생성형 AI를 사용할 수 있다. 오늘은 GPT를 쓰다가 내일은 Llama나 DeepSeek를 사용하는 상황도 충분히 가능하다. 이 연구는 바로 이 현실적인 문제를 검증했다. 연구진은 "한 AI에서 학습한 탐지기가 다른 AI가 만든 피싱 메일도 제대로 찾아낼 수 있는가"를 핵심 질문으로 설정했다. 약 1만 건의 피싱 메일로 대규모 실험을 진행했다 연구진은 총 9,986개의 피싱 메일 데이터셋을 구축했다. • 사람이 작성한 실제 피싱 메일 5,000건 • GPT-4.1 생성 메일 1,665건 • DeepSeek 3.2 생성 메일 1,665건 • Llama 3.3 70B 생성 메일 1,656건 AI가 생성한...

EcoSortBin은 카메라로 폐기물을 인식하고 AI와 센서 정보를 결합해 적절한 수거함으로 분류하는 시스템이다. 연구진은 범용 시각 지식을 보존하면서 일부 신경망만 선택적으로 학습해 기존 폐기물의 인식 정확도와 새로운 물체에 대한 일반화 능력 사이의 균형을 시도했다. 새로운 포장재가 계속 등장하는 현실에서, AI가 이미 배운 지식을 잃지 않으면서 새로운 것을 알아보게 만드는 방법 쓰레기통 앞에서 잠깐 손이 멈출 때가 있다. 다 마신 음료병 하나를 들고도 플라스틱인지 일반 쓰레기인지, 라벨은 떼야 하는지, 뚜껑은 어디에 넣어야 하는지 판단이 애매하다. 사람도 그런데 기계라고 사정이 크게 다르지는 않다. AI에게 수천 장의 페트병 사진을 보여주면 페트병을 꽤 잘 알아본다. 캔과 종이, 비닐봉지도 마찬가지다. 문제는 어느 날 처음 보는 포장재가 쓰레기통 위에 놓였을 때다. 기존의 폐기물 분류 AI는 대개 자신이 배운 정답 목록 안에서 답을 골라야 한다. 세상에는 새로운 물건이 계속 나오는데 AI의 세계는 학습이 끝난 날 멈춰 있는 셈이다. 2026년 학술지 AI 에 발표된 EcoSortBin 연구는 바로 이 간극을 다룬다. 연구진은 AI 전체를 캠퍼스 쓰레기에 맞게 뜯어고치는 대신, 이미 가지고 있던 일반적인 시각 지식을 최대한 보존하면서 필요한 부분만 선택적으로 학습시켰다. 그 결과 학습한 7종의 폐기물에서는 73.5%의 top-1 정확도를 확보하면서 다른 환경과 새로운 물체를 인식하는 능력도 일부 유지했다. 더구나 이 시스템은 거대한 GPU 서버가 아니라 라즈베리파이 4에서 작동하도록 설계됐다. 세상은 계속 변하는데 AI의 정답지는 일곱 칸뿐이었다 대학 캠퍼스의 쓰레기통을 떠올려 보자. 어제까지 없던 음료가 편의점 진열대에 등장하고, 같은 음료도 병 모양과 라벨이 바뀐다. 배달 음식이 유행하면 새로운 용기가 쌓이고 계절이 바뀌면 소비되는 제품도 달라진다. 이런 변화는 사람에게는 사소해 보이지만 기존 AI에는 꽤 어려운 문제다....

광학 위성영상과 SAR 레이더 영상을 함께 분석해 벼 재배지를 식별하는 AI 기반 원격탐사 과정을 시각화했다. 구름과 복잡한 농경지 환경에서 두 데이터의 상호보완성과 경계 추출의 중요성을 보여준다. 구름 때문에 보이지 않는 논도 AI는 더 정확하게 찾아낼 수 있을까? 최신 연구는 광학 위성영상과 레이더(SAR) 영상을 함께 활용하는 새로운 딥러닝 모델이 기존 방법보다 더 높은 정확도로 벼 재배지를 구분할 수 있음을 보여줬다. 벼는 세계 식량 안보를 책임지는 가장 중요한 작물 가운데 하나다. 어느 지역에서 얼마나 재배되는지를 정확하게 파악하면 생산량 예측은 물론 농업 정책과 재해 대응에도 큰 도움이 된다. 하지만 위성영상으로 벼를 찾는 일은 생각보다 쉽지 않다. 광학 위성은 구름과 안개의 영향을 크게 받고, 레이더(SAR)는 날씨와 관계없이 관측할 수 있지만 영상에 잡음이 많고 세부 형태를 표현하는 데 한계가 있다. 연구진은 이 두 종류의 데이터를 단순히 합치는 대신 각각의 장점을 최대한 활용하는 새로운 인공지능 모델을 개발했다.  왜 광학 영상만으로는 벼를 찾기 어려울까 일반적인 위성영상은 식물의 색과 반사 특성을 이용해 작물을 구분한다. 하지만 벼 재배지는 습도가 높은 지역에 많아 성장기에는 구름이나 비가 자주 발생한다. 그 결과 중요한 시기의 영상이 비어 있거나 품질이 크게 떨어질 수 있다. 반대로 SAR(Synthetic Aperture Radar)은 전파를 이용하기 때문에 밤이나 흐린 날에도 관측할 수 있다. 또한 논의 수분 상태와 식생 구조 변화에도 민감하게 반응한다. 문제는 SAR만 사용할 경우다. 습지, 물, 다른 농작물도 비슷한 신호를 보일 수 있어 오분류가 발생하기 쉽다. 결국 두 영상을 함께 활용하는 것이 가장 합리적인 접근이지만, 서로 특성이 너무 달라 단순히 합치는 것만으로는 충분하지 않다. 연구진이 새롭게 제안한 ACBE-CroFuseNet 이번 연구에서 제안한 모델 이름은 ACBE-Cro...

소크라테스식 질문을 통해 학생의 사고를 이끌어가는 교육용 AI의 모습을 상징적으로 표현한 이미지. 이번 연구는 AI가 학생과의 대화에서 어떤 질문 전략을 사용하는지 분석했으며, 학습 효과 자체가 아니라 대화 패턴을 조사했다. 정답을 알려주는 AI보다 질문을 던지는 AI가 더 좋은 교사일까? 최근 교육용 AI는 단순히 답을 제공하는 수준을 넘어 학생이 스스로 생각하도록 유도하는 방향으로 발전하고 있다. 그 대표적인 방법이 바로 소크라테스식 문답(Socratic dialogue)이다. 질문을 이어가며 학생이 스스로 답을 찾도록 돕는 방식이다. 그렇다면 실제 교육 현장에서 사용하는 AI는 정말 이런 대화 방식을 구현하고 있을까? 2026년 AI 저널에 발표된 이번 연구는 콜롬비아의 원격대학에서 운영 중인 AI 튜터 MIA(Intelligent Mentor of Accompaniment)와 학생들이 나눈 737개의 실제 대화를 분석해 이 질문에 답하고자 했다. 중요한 점은 이 연구가 학생의 학습 효과를 검증한 것이 아니라 AI의 대화 방식 자체를 분석한 연구라는 점이다. 학생에게 답을 주기보다 질문을 던지는 AI 연구진은 MIA가 소크라테스식 대화를 얼마나 구현하는지 평가하기 위해 여섯 가지 대화 요소를 정의했다. 기존 지식을 먼저 확인하는가 학생의 상황을 먼저 파악하는가 실제 경험과 연결하는가 학생이 스스로 판단하도록 유도하는가 질문을 단계적으로 발전시키는가 마지막에 이해 여부를 확인하는가 이 여섯 가지가 각각 대화 속에서 얼마나 자주 등장하는지 분석했다. 흥미로운 점은 연구진이 처음부터 “교육 효과를 증명하려는 연구가 아니다”라고 여러 차례 강조했다는 점이다. AI가 이러한 질문을 했다는 사실과 학생이 실제로 더 많이 배웠다는 사실은 전혀 다른 문제이기 때문이다.  무엇을 어떻게 조사했나 연구는 단일 사례를 대상으로 한 내용분석(content analysis) 연구다. 분석 대상은 원격대학 ...

고차원·소표본(HDLSS) 유전자 발현 데이터를 효과적으로 분석하기 위해 구조적 정보와 적응형 일반화 제어를 결합한 AI 모델 GINet-DGC의 개념을 시각적으로 표현한 이미지. 고차원 유전자 데이터는 수만 개의 변수(유전자)를 담고 있지만 환자 수는 수십~수백 명에 불과한 경우가 많다. 이런 환경에서는 인공지능이 학습하기보다 데이터를 외우는 '과적합(overfitting)'에 빠지기 쉽다. 그렇다면 적은 데이터에서도 신뢰할 수 있는 예측 모델을 만들 방법은 없을까? 최근 발표된 연구는 이러한 문제를 해결하기 위해 GINet-DGC(Global Interaction Network with Dynamic Generalization Control) 라는 새로운 딥러닝 프레임워크를 제안했다. 연구진은 단순히 신경망을 더 깊게 만드는 대신, 데이터의 구조를 학습 과정에 반영하고 과적합을 실시간으로 감시하는 방식을 도입했다. 공개된 8개의 생의학 유전자 발현 데이터셋에서 기존 17개 모델과 비교한 결과, 경쟁력 있는 성능과 안정성을 보였다고 보고했다. 왜 유전자 발현 데이터는 AI가 배우기 어려울까? 일반적인 딥러닝은 데이터가 많을수록 강점을 보인다. 하지만 생명과학 연구에서는 상황이 다르다. 암 진단이나 질병 예측에 사용되는 유전자 발현 데이터는 보통 수만 개의 유전자 정보 를 포함하지만, 실제 환자 수는 수십 명에서 많아야 수백 명 수준인 경우가 흔하다. 이처럼 변수는 매우 많고 표본은 적은 데이터 를 HDLSS(High-Dimensional Low-Sample-Size) 데이터라고 부른다. 이 환경에서는 모델이 질병과 관련된 패턴을 배우기보다 우연히 나타난 노이즈까지 외워버릴 가능성이 높다. 연구진은 기존 딥러닝 모델들이 이러한 환경에서 학습이 불안정하고 일반화 성능이 떨어지는 이유가 바로 여기에 있다고 설명했다. 기존 모델과 무엇이 달랐나 연구진은 첫 번째 신경망 층의 가중치를 직접 학습하지 ...