듣는 기계 만들기
파리스 스마라그디스 교수는 음성 인식, 음악 이해, 환경 모니터링 등 다양한 분야에 활용될 초인간 수준의 청력을 갖춘 컴퓨터를 개발하고 있습니다.
AI NEWS JOURNAL
AI 뉴스 검색
제목, 요약, 본문을 검색해 흩어진 정보를 연결하세요.
토큰 신뢰도는 과연 체인 길이에 불과한가? 추론 흔적에 대한 신호처리 분석
arXiv:2610.36709v1 발표 유형: 신규 초록: 추론 언어 모델은 수학 문제를 풀 때 긴 사고 체인을 작성하며, 문제당 여러 개의 체인을 샘플링한 뒤 다수결을 통해 정답을 도출하면 생성된 텍스트의 양이 크게 증가하는 대신 정확도가 향상된다. 이 비용을 줄이는 인기 있는 방법으로는, 모델이 각 토큰을 작성할 때 갖는 신뢰도를 기준으로 각 체인을 점수화하는 방식이 있다. 여기서 토큰은 단어 또는 단어의 일부를 의미한다. 이 방법에서는 2048개의 토큰으로 구성된 이동 평균 창을 사용해 해당 신뢰도를 평균화하고, 가장 낮은 평균값을 기준으로 체인을 유지하거나 중단한다. 우리는 토큰별로 기록된 이러한 신뢰도를 오디오나 라디오 신호의 맥락에서 하나의 신호로 간주하고, 스펙트럼 분석 및 갑작스러운 변화를 탐지하기 위한 통계적 검정 등 표준 신호처리 도구를 활용해 이 방법을 검토하였다. 우리는 다음과 같은 문제들로부터 각각 500개의 문제에 대해 16개의 체인을 샘플링했다.
프론티어 대규모 언어 모델에서의 애쉬 동조에 대한 정량적 접근
arXiv:2610.36668v1 발표 유형: 신규 초록: 애쉬 동조 실험은 최근 대규모 언어 모델(LLM)에서의 동조를 측정하는 방법으로 상당한 주목을 받고 있습니다. 기존 연구들이 LLM에서의 동조를 입증하는 데 집중해 왔다면, 우리 연구는 이 접근법에 추가적인 정량적 층을 더합니다. 우리는 프론티어 LLM을 여러 질문 세트에 대해 샘플링하는 대신, 단일 질문을 반복적으로 샘플링하여 LLM의 확률적 특성을 활용해 답변 분포를 생성합니다. 이를 통해 모델에 가공된 합의가 제시되기 전후의 답변 분포를 비교할 수 있습니다. 우리의 실험은 프론티어 LLM이 실제로 동조를 보임을 확인하며, 기존 문헌을 뒷받침하고, 분포 간 비교를 통해 추가적인 정보를 제공합니다.
학습자는 MIT의 동료들과 협력하여 인공지능 통찰에 관한 책을 집필합니다.
프라바 자는 MIT 오픈 러닝의 고위 임원 대상 프로그램에서 얻은 경험을 바탕으로, 자신의 직장인 버라이즌을 위해 인공지능 솔루션을 개발하고 한 권의 책을 집필했습니다.
dbt Labs가 왜 AI 에이전트가 비로소 시맨틱 레이어를 정착시킬 것이라고 생각하는지
팀이 신뢰 문제를 해결할 수 있다면, AI 에이전트는 왜 의미 계층을 더욱 견고하게 만들 수 있을까요?
우리가 디자인 에이전트를 어떻게 구축했는지
LangChain이 Slack에서 브랜드에 맞는 동영상, 그래픽 및 프레젠테이션을 제작하는 오픈소스 디자인 에이전트인 Content Studio와 이를 구동하는 하네스를 어떻게 구축했는지.
Meta AI 이사 로힛 파텔이 마이크로소프트 오피스와 구글 워크스페이스를 맡기 위해 회사를 떠납니다.
로힛 파텔은 AI 평가와 강화학습 분야에서 8년간 근무한 뒤 메타를 떠난다고 테크크런치가 단독으로 확인했다. 그의 스타트업 엔닥(Ndoc)은 마이크로소프트 오피스 스위트에 도전하는 것을 목표로 한다.
Anthropic은 세계 최고의 기업일까요?
사용하고 학습할 수 있는 시각 자료가 많습니다.
Regal, 목표 지향형 에이전트를 출시하며 모든 통화에 액터와 디렉터 모델을 적용합니다
기업용 음성 인공지능 기업인 리갈 보이스 주식회사는 오늘 자사 플랫폼에 목표 지향형 에이전트를 추가하여, 이를 활용하는 기업들이 전화 통화가 달성해야 할 목표를 명확히 정의할 수 있도록 하고, 그 목표 달성을 위한 작업을 분담하는 두 가지 AI 모델을 제공합니다. 새로운 에이전트는 리갈이 “다음과 같은 전화 상담에서 흔히 나타난다”고 밝힌 문제 해결을 목표로 합니다. 이 글은 ‘리갈, 목표 지향형 에이전트 공개… 모든 전화 통화에 배우와 감독 모델을 도입’이라는 제목으로 실리콘 앵글에 처음 게재되었습니다.
Edge Sound, 물리적 AI가 오디오를 이해할 수 있도록 지원하기 위해 200만 달러를 조달했습니다.
Edge Sound Research Inc.는 오늘, 유용한 음향을 분리하고 이를 다른 센서 데이터와 결합해 물리적 AI 시스템이 실시간으로 상황을 이해할 수 있도록 지원하는 오디오 인프라를 구축하기 위해 200만 달러의 신규 자금을 조달했다고 발표했습니다. 이번 투자 라운드는 Stormbreaker Ventures가 주도했으며, 이로써 회사의 총 누적 투자액은 900만 달러에 달합니다. […] 해당 기사의 원문은 SiliconANGLE에 처음 게재되었습니다.
제너럴 컴퓨트, 시리즈 A 라운드에서 1억 달러 조달… 네오클라우드 재앙론에 맞서다
제너럴 컴퓨트는 엔비디아 생태계 외부의 추론 칩에 베팅하고 있습니다.
오페라는 사용자가 브라우저에서 AI를 로컬로 배포할 수 있도록 하는 새로운 웹 표준을 도입했습니다.
새로운 표준인 WebAI는 다양한 AI 모델과 함께 작동하도록 설계되었습니다.
산업 인텔리전스: 제조업의 차세대 성장 기회
모든 제조업체에는 고유한 산업 지능이 있습니다. 일부는 문서화되어 있으며, 일부는 숙련된 작업자의 경험과 지식에 담겨 있습니다. 예를 들어, 교체 작업 후 라인을 재가동하려는 숙련된 운영자를 생각해 보십시오. 기계 설정도 중요하지만, 특정 소재가 어떻게 반응하는지, 이전 교대 시간에 어떤 일이 있었는지, 그리고 겉보기에는 사소해 보이는…
귀하의 AI 에이전트에도 최고운영책임자(COO)가 필요합니다
AI 에이전트를 확장하려면, 이를 규제된 직무에 종사하는 직원처럼 대우해야 하며, 서면으로 정해진 규정과 명확히 규정된 책임, 그리고 그 성과에 대해 책임을 지는 담당 인력이 있어야 합니다. 게스트 필자인 Get Covered의 COO 리크 폴그만은 기업들에게 먼저 확립된 규칙에 따라 관리되는 업무부터 시작하고, 각 워크플로의 위험 수준에 맞춰 자율성을 조정하며, 에이전트의 권한을 확대하기 전에 결과를 정기적으로 검토할 것을 권고합니다.
앤티로픽의 실리콘밸리 시절
실리콘밸리의 다음 한 차례 재편은 어쩌면 여기에서부터 시작될지도 모릅니다.
할인 거래가 무너지면서 AI 토큰 판매는 더욱 어려워지고 있다
모델 크레딧이 페스티벌 프로모션과 통신사형 팩에 등장하고 있다. 불투명한 마진으로 성장해 온 소규모 리셀러들은 품질에 대한 의문, 규제 강화, 그리고 더 많은 자금을 갖춘 경쟁업체들에 직면했다. 지속 가능한 중개업체들은 비밀 가격 인하가 아니라 라우팅, 신뢰, 통합에 대해 비용을 청구할 것이다.
바이두, 수백 페이지 문서 파싱을 위한 무제한 OCR 2 오픈소스 출시
바이두는 MIT 라이선스를 적용한 3B 규모의 OCR 모델인 ‘Unlimited OCR 2’를 출시했으며, 이 모델은 한 번의 요청으로 수백 페이지에 달하는 문서를 처리할 수 있습니다. 해당 모델의 SR-SWA 주의 메커니즘은 단계별 디코딩 비용을 거의 일정하게 유지하며, MarathonDocBench에서 77.1점의 성능을 기록했습니다. 본 글은 ‘바이두, 수백 페이지 문서 파싱을 위한 Unlimited OCR 2 오픈소스화’라는 제목으로 MarkTechPost에 처음 게재되었습니다.
시스코 파트너 서밋: AI 시대의 채널을 규정할 다섯 가지 인사이트
30년에 달하는 역사의 대부분 동안 시스코 파트너 서밋은 파트너들이 시스코 시스템즈 주식회사의 기술을 어떻게 판매하는지에 초점을 맞춰 왔습니다. 올해 밴쿠버에서 열린 행사에서는 상황이 달랐습니다: 거래가 더 이상 주요 이벤트가 아닌 세상에서 파트너들이 어떻게 수익을 창출하는지에 관한 것이었습니다. 시스코는 주가가 […] 하락한 가운데 엄청난 모멘텀을 바탕으로 이번 행사에 참석했습니다. 해당 게시물 ‘시스코 파트너 서밋: AI 시대의 채널을 규정할 다섯 가지 인사이트’는 실리콘앵글에 처음 게재되었습니다.
ProtoEEG: EEG 시각적 해독을 위한 구조화된 프로토타입 정렬
arXiv:2610.33065v1 발표 유형: 신규 초록: 두피 기록은 잡음이 많고 공간적 해상도가 낮으며 실험 조건과 피실험자 간에 변동성이 크기 때문에 EEG를 통한 시각적 해독은 여전히 어려운 과제로 남아 있습니다. 대부분의 시스템은 각 실험을 고밀도 이미지 임베딩과 정렬하지만, 이러한 임베딩은 의미적 내용과 개별 사례에 특화된 질감, 자세, 배경 등을 혼합하고 있습니다. 이는 EEG에서 제공되지 않는 세부 정보를 요구할 뿐만 아니라, 예측을 뒷받침하는 시각적 요인들에 대한 명시적인 설명도 제공하지 않습니다. 우리는 \textbf{ProtoEEG}라는 프로토타입 기반 프레임워크를 제안합니다. 이 프레임워크는 EEG와 이미지 간의 정렬 문제를 공유 가능한 학습 가능한 시각 코드북 위에서 이루어지는 소프트한 합성으로 재구성합니다. 학습 가능한 EEG 인코더와 고정된 시각 교사가 동일한 $K=64$개의 프로토타입에 대한 할당 분포를 생성하며, 이들의 가중치를 적용한 재구성 결과는 구조화된 표현을 형성합니다