Discovery Loop — 888 points

AI와 분산 시스템 분야에서 가장 널리 인용되는 4명의 연구자 — 제프 딘(Jeff Dean), 산제이 게마와트(Sanjay Ghemawat), 꾸옥 레(Quoc Le), 오리올 빈얄스(Oriol Vinyals)가 과학과 공학의 실험 루프 전체를 자동화하는 데 집중하는 독립 공익 법인(public benefit corporation) Discovery Loop를 설립했다. 이들의 비전은 대규모 병렬 처리를 통해 실험을 제안하고 실행하며 결과를 학습하여, 현재 과학적 진보의 병목이 되고 있는 반복 주기를 비약적으로 단축하는 것이다.

그들은 자체 ML 연구를 첫 번째 고객 삼아 시작한 뒤 점차 영역을 넓힐 계획이다. 궁극적인 야심은 신약 개발, 청정수, 태양광 발전 같은 공학적 난제(NAE Grand Challenges)를 해결하는 것이다. 팀의 경력은 의심할 여지 없이 화려하지만, “과학 전체를 자동화하겠다”는 것은 사업 계획서에서는 환상적으로 들릴지 몰라도 실제 현실화되기까지는 20년이 걸릴 수도 있는 종류의 미션이다. 그들의 자동화된 ML 루프가 진정으로 참신한 통찰을 낳을지, 아니면 대규모 하이퍼파라미터 튜닝에 그칠지가 진짜 시험대가 될 것이다.

이는 제프 딘의 구글 퇴사(다음 이야기 참조)와 깔끔하게 연결된다. 구글이 창립 투자자이자 클라우드 파트너로 참여한 것으로 알려졌는데, 이는 디스커버리 루프가 대기업 특유의 오버헤드 없이 인프라를 확보했음을 뜻한다. ’공익 법인’이라는 구조가 장기적으로 그들의 초심을 지켜줄 수 있을지는 지켜볼 일이다.

Changes at Google DeepMind: Demis Hassabis moves to Chair, Jeff Dean departs — 807 points

순다 피차이가 Google DeepMind(GDM)의 대대적인 리더십 개편을 발표했다. 데미스 하사비스는 GDM의 CEO에서 의장(Chair) 겸 알파벳의 최고과학자(Chief Scientist)로 자리를 옮긴다. 이를 통해 그는 “AGI의 미래를 형성하는 작업”과 아이소모픽 랩스(Isomorphic Labs, 신약 개발) 업무에 집중할 수 있게 된다. 13년간 딥마인드에 몸담아온 현 CTO 코레이 카부쿠오글루(Koray Kavukcuoglu)가 Google DeepMind의 수석 부사장(SVP)으로 승진해 운영을 총괄한다.

발표 속에 묻혀 있던 더 큰 뉴스는 제프 딘이 27년 만에 구글을 떠난다는 사실이다. 그와 산제이 게마와트 — MapReduce, 구글 파일 시스템(GFS), 그리고 구글의 신경망 혁명을 이끌었던 명콤비 — 는 독립적인 벤처를 시작한다. 그 벤처가 바로 위에서 언급한 디스커버리 루프다.

발표 시점이 의미심장하다. 구글은 AI 모멘텀(Gemini 월간 활성 사용자 9억 5천만 명 돌파, Gemma 모델 다운로드 9억 건 돌파)을 자랑하고 있지만, 동시에 회사의 가장 전설적인 엔지니어들이 새로운 무언가를 만들기 위해 문을 박차고 나갔다. 하사비스가 전략적인 ‘최고과학자’ 역할로 이동한 것은 비전 중심의 재배치이거나, 일상적인 운영 통제권에서의 정중한 한 걸음 물러섬으로 읽힌다. “특이점의 기슭(foothills of the singularity)“이라는 표현은 지극히 하사비스답다. 거창하지만 진심이 담겨 있다. 코레이가 경쟁력 있는 상용 제품을 지속적으로 출시하면서도 GDM 고유의 연구 경쟁력을 지켜낼 수 있을지가 앞으로의 숙제다.

Mario Meets Pareto — 737 points

앙투안 마예로비츠(Antoine Mayerowitz)는 마리오 카트 8의 카트 조합에 파레토 최적화를 적용하는 인터랙티브 도구를 제작했다. 핵심 통찰은 이것이다. 드라이버, 차체, 바퀴, 글라이더마다 속도, 가속도, 핸들링, 무게, 마찰력, 미니 터보 등 다양한 스탯이 존재하여 수많은 조합이 생겨나지만, 대부분의 선택지는 ’열등(dominated)’하다는 점이다. 즉 모든 차원에서 다른 조합보다 명백히 열세인 조합들을 파레토 효율성 개념을 통해 깔끔하게 제거할 수 있다.

인터랙티브 시각화를 통해 스탯을 전환하며 파레토 프론트(Pareto front)가 실시간으로 갱신되는 모습을 직접 확인할 수 있다. 다목적 최적화(multi-objective optimization)를 설명하는 매우 효과적인 교육 도구다. 엉금엉금(Koopa)이 왜 언제나 비효율적인 선택인지, 어떤 빌드가 효율적 경계면에 위치하는지를 직관적으로 보여준다. 최종 선택은 여전히 플레이어의 스타일에 달려 있지만, 파레토 최적화는 최소한 성능을 낭비하지 않는 선택을 보장한다.

진지한 수학을 엉뚱하고 재미있는 분야에 적용한, HN이 사랑해 마지않는 전형적인 글이다. 어떤 의사결정 공간에서든 대부분의 옵션은 지배당해 있으며 손실 없이 제거될 수 있다는 기본 원리는 채용부터 클라우드 아키텍처 설계에 이르기까지 어디에나 적용된다. 마리오 카트라는 프레임워크가 그 사실을 생생하게 체감하게 해줄 뿐이다.

Crime Pays but Botany Doesn’t — 589 points

Crime Pays but Botany Doesn’t에서 공개한 도서 추천 목록이다. 독학으로 식물학을 공부한 저자가 바닥부터 식물 분류학과 동정(identification)을 배우기 위해 작성한 안내서다. 저자의 문체는 거칠고 열정적이며 상쾌할 정도로 반학권적(anti-academic)이다. “겁먹지 마라. 인터넷이 있으니 당신은 24시간 도서관을 이용할 수 있다. 그걸 써라.”

핵심 조언은 라틴어 학명의 이해와 린네의 분류 체계가 왜 역사적 한계에도 불구하고 여전히 유지되고 있는지를 설명하는 것으로 시작한다. 통칭(common names)은 확장성이 없다. 예를 들어 영미권에서 ’삼나무(cedar)’는 서로 관련도 없는 8가지 다른 식물을 가리키지만, Cedrus는 명확하다. 저자는 린네의 결함 있는 이념을 비판하는 것과 그가 구축한 기능적 분류 시스템을 활용하는 것은 별개의 문제라며, 분류학 자체를 공격하는 허세적인 태도를 꼬집는다.

이 글이 HN에서 큰 공감을 얻은 이유는 본질적으로 학계의 문지기들이 통제해 온 분야에서의 ’독학’을 다루고 있기 때문이다. 식물학 자체는 니치한 주제지만, 위압적인 전문 용어로 가득 찬 영역에 열정적인 아웃사이더가 진입로를 열어주고 제도권 지식과 독학자의 에너지가 충돌하는 이 패턴은 프로그래밍, 머신러닝, 그리고 수많은 다른 분야와 완벽하게 겹쳐진다.

Beating GPT-5.6 Sol on retrieval with 100x cheaper open models — 414 points

Neon과 Castform은 Castform으로 사후 학습(post-training)된 4B 파라미터 오픈소스 모델이 100배 저렴한 비용으로 GPT-5.6 Sol의 정보 검색(retrieval) 정확도와 대등한 성능을 냈다고 주장했다. 접근 방식은 원샷 임베딩 검색(2022년 패러다임) 대신 에이전트 기반 검색(agentic retrieval)을 활용하는 것이다. 모델이 루프 안에서 여러 차례의 검색 반복을 계획하고 실행하며, Neon의 Postgres 기반 검색 확장에 맞춰 쿼리를 다듬어 나가는 방식이다.

비용 논리는 언뜻 보기에 매우 매력적이다. 4B 모델이 멀티홉 검색을 통해 프론티어 모델의 검색 성능을 따라잡을 수 있다면, RAG 파이프라인의 경제성은 극적으로 달라진다. 하지만 “검색 성능에서 대등했다”는 표현은 상당한 과장을 담고 있을 수 있다. 벤치마크상의 검색 정확도가 엔드투엔드 태스크 성능과 직결되는 것은 아니기 때문이다. 진짜 관건은 검색 공간이 깔끔하지 않은 지저분한 실제 환경의 복잡한 쿼리에서도 이 접근법이 성능 저하 없이 버텨낼 수 있느냐다.

그럼에도 거시적인 흐름은 분명하다. 특정 태스크에서 프론티어 모델들이 누리던 해자는 빠르게 무너지고 있다. 스마트한 도구 사용과 결합된 도메인 특화 데이터의 사후 학습은 검색 중심 워크로드에서 모델의 순수한 체급보다 훨씬 효과적인 것으로 입증되고 있다. 이것이 사실이라면, 승자는 “누가 가장 큰 모델을 가졌는가”에서 “누가 최고의 학습 데이터와 도구 통합 역량을 가졌는가”로 이동하게 된다.

How to Make a Nintendo 64 Game in 2026 — 406 points

도미닉 샤블레프스키(Dominic Szablewski)는 울펜슈타인 3D 스타일의 FPS 게임인 Xibalba 64의 제작기를 정리했다. 이 게임은 Modretro의 M64 클론 기기를 통해 N64 전용 물리 카트리지로 발매되었다. 닌텐도 64 콘솔의 상업적 수명이 끝난 이후 실물 카트리지로 출시된 두 번째 게임으로 알려져 있다.

기술적 여정은 2010년 그가 만들었던 자바스크립트 게임 엔진 Impact에서 시작되었다. 그는 2년 전 “별다른 이유 없이” 이를 C 언어로 재작성했다. 이 C 포팅 버전(high_impact)은 모듈형 플랫폼 및 렌더링 백엔드를 갖추고 있어 N64 개발에 적합했다. 고정 기능 RDP와 프로그래밍 가능한 RSP를 갖춘 N64의 리얼리티 보조 프로세서(Reality Coprocessor)를 다루기 위해, 저작권 문제를 피하고자 닌텐도의 독점 libultra 대신 오픈소스 대안인 libdragon 위에서 개발을 진행했다.

이 글은 극단적인 하드웨어 제약 속에서 코드를 짜던 시절에 바치는 러브레터다. 빅엔디안 MIPS, RSP의 벡터 연산, RDP의 독특한 명령어 세트 등 N64의 온갖 특이점들은 현대의 게임 개발에서는 거의 사라져버린 저수준 시스템에 대한 깊은 이해를 요구한다. 2026년에 누군가 물리적인 N64 카트리지를 생산해 내고 있다는 사실은 황당하면서도 경탄스럽다.

The Title Cards in Blade Runner Are Amazing — 402 points

마이클 롭(Michael Lopp, 일명 Rands)이 쓴 블레이드 러너 타이포그래피에 대한 찬사다. 비행기 안에서 자신의 터미널 폰트를 고민하던 중 영화를 다시 보다가 영감을 받았다고 한다. 핵심은 오프닝 타이틀 시퀀스 전체가 단 하나의 서체인 가우디 올드스타일(Goudy Oldstyle)만으로 구성되어 있으며, 크기, 두께, 대소문자 변형만으로 다채로운 감정적 울림을 만들어냈다는 사실이다.

SF Mono, JetBrains Mono 같은 고정폭 코딩 폰트 이야기를 한참 하다가 블레이드 러너로 빠지는 구성은 구조적으로 산만해 보이기도 하지만, 주의력이 산만한 테크 임원의 두뇌가 작동하는 방식을 그대로 보여주기도 한다. 핵심 관찰은 날카롭다. 훌륭한 타이포그래피는 의식하고 들여다보기 전까지는 눈에 띄지 않으며, 타이틀 카드에서 가우디 올드스타일이 풍기는 온기는 좀 더 “미래지향적”인 서체였다면 놓쳤을 누아르 특유의 친밀감을 절묘하게 살려낸다.

기술적 깊이나 실용적 인사이트는 없는 순수한 감성 중심의 글이지만, 서체에 대해서는 누구나 의견이 있지만 누구도 글을 제대로 쓰지 못하는 영역이기에 HN 독자들의 큰 공감을 샀다. 롭은 그것을 맛깔나게 써냈다.

Born Against: Why Hobby Programming Communities Resist LLMs — 388 points

포거스(Fogus)는 체스 엔진 개발, OS 개발(OSDev), 데모씬, 코드 골프, 언어 설계자 같은 틈새 취미 프로그래밍 커뮤니티들이 왜 LLM 사용에 강한 반감을 드러내는지를 탐구한다. 논지는 단순하다. 이 커뮤니티들에서는 어려운 분야를 숙달해 나가는 과정 자체가 목적이자 제품이다. 동작하는 프로그램은 덤에 불과하다. 따라서 LLM으로 결과물을 뚝딱 만들어내는 것은 그 본질을 완전히 빗겨나간 행동이다.

이러한 집단에서의 존중은 우아한 코드를 공유하고 깊이 있는 도메인 지식을 증명하며 순수한 호기심을 발휘해 온 수년간의 노력으로 얻어진다. 커뮤니티는 당신의 코드가 돌아가는지에는 관심이 없다. 당신이 그 코드가 왜, 어떻게 돌아가는지를 알고 있는지에 관심을 둘 뿐이다. 생성된 코드를 들고 불쑥 나타난 LLM 사용자는 명상 수련회 문을 부수고 난입한 쿨에이드 맨처럼 취급받는다.

포거스가 짚어낸 미묘한 지점도 있다. 초기의 순수한 탐색 시도조차도 깊은 이해가 결여된 채 달려든 사용자들과 LLM을 사기로 규정한 강경파들 때문에 진흙탕이 되었다는 점이다. 그는 LLM을 “대체재가 아닌 역량 증폭기(force multiplier, not surrogate)“로 규정하는데, 이는 매우 균형 잡힌 시각이다. 전문가의 손에서는 지렛대가 되지만 초보자의 손에서는 장인정신을 연마할 기회를 앗아가기 때문이다. 다만 이러한 커뮤니티 밖에서 코드를 작성하는 대다수의 사람에게 장인정신을 지키려는 문지기 문화는 때로 폐쇄성으로 비칠 수 있다는 역설도 존재한다.

Humans Missed 1 in 3 Threats Approving AI Agent Commands — 207 points

알렉스 워터스(Alex Wauters)는 플레이어가 AI 코딩 에이전트의 명령어를 승인하는 인간 검토자(human-in-the-loop) 역할을 수행하는 브라우저 게임의 4만 회 플레이 데이터를 분석했다. 결과는 충격적이었다. 일반 플레이어들은 세 번 중 한 번꼴로 보안 위협을 놓쳤고(정확도 66.3%), 전체 세션의 32.9%가 마이너스 점수로 끝났다. 가장 많이 간과된 명령어는 npm run analyze로, 데이터 유출 페이로드가 포함되어 있었음에도 64.7%의 확률로 승인되었다.

진짜 발견은 바로 이 npm run 사각지대다. 명령어 자체는 무해해 보이지만, package.json에 정의된 임의의 스크립트를 실행하기 때문에 악성 코드가 얼마든지 숨어들 수 있다. 플레이어들은 다른 유출 방식(28.4% 미탐률)에 비해 npm 기반 공격을 52.5%의 확률로 놓쳤다. 익숙한 스크립트 이름 뒤에 악성 페이로드를 숨기면, 에이전트의 히스토리 로그에 페이로드가 버젓이 노출되어 있더라도 성공률이 거의 두 배로 뛰었다.

데이터는 또한 ’승인 피로도(permission fatigue)’를 실증했다. 초반에는 적응하며 미탐률이 잠시 개선되지만 세션 후반부로 갈수록 급격히 치솟았다. 과도한 차단 문제 역시 심각했다. npm config set registry 같은 무해한 명령어가 59%나 차단되면서 경계심을 무디게 만드는 노이즈를 양산했다. 결론은 암울하다. 사용자가 코드베이스에서 무엇이 바뀌었는지 전체 맥락을 알지 못하기 때문에, 명령어 단위 승인 모델은 보안 체계로서 근본적으로 파탄 났다. 모든 것을 샌드박스화하고, 인증 정보를 철저히 분리해야 하며, 명령어 레벨의 인간 검토가 유의미한 안전장치라는 착각을 이제는 멈춰야 한다.

The Throughline

오늘의 프론트페이지는 AI 업계의 거대한 인재 재배치를 보여준다. 제프 딘과 산제이 게마와트가 디스커버리 루프를 창업하기 위해 구글을 떠났고, 데미스 하사비스는 AGI 전략에 집중하기 위해 딥마인드의 일선 운영에서 물러났다. 이는 결코 작은 변화가 아니다. 현대 AI의 인프라를 일군 주역들은 다음 장이 빅테크의 거대한 관료제 기구 밖에서 쓰일 것이라 베팅하고 있다.

한편 도구는 점점 저렴해지고 있으며(4B 모델이 검색에서 GPT-5.6 Sol을 따라잡음), 기존의 보안 모델은 파탄 나고 있고(인간은 AI 에이전트 명령어를 신뢰성 있게 검토하지 못함), 결과물보다 과정을 중시하는 장인 커뮤니티들은 LLM의 물결에 격렬히 저항하고 있다. “역량 증폭기로서의 AI”와 “이해를 대체해 버리는 AI” 사이의 갈등은 현시대를 규정하는 가장 뜨거운 논쟁이다. 취미로 체스 엔진을 짜는 해커든, 에이전트의 명령어를 무심코 승인하는 데브옵스 엔지니어든, 실험 루프 전체가 곧 자동화될 위기에 놓인 과학자든 간에 말이다.