오늘의 해커뉴스 프론트페이지는 보안, 수학, 의학, 코딩 워크플로우 등 모든 영역과 만난 AI 이야기로 가득하며, 여기에 신원 확인 컴플라이언스의 서늘한 악몽이 하나 섞여 있다.
모든 것이 곧 “암전”에 빠져들 것이다 — 매슈 그린(Matthew Green)
437 points | Source
존스 홉킨스 대학의 암호학자 매슈 그린(Matthew Green)은 AI 기반 취약점 탐지 기술로 인해 소프트웨어가 너무 안전해질 위기에 처했으며, 이것이 조만간 정치적 위기를 불러올 것이라고 경고한다. 그의 논지는 이렇다. 앤트로픽의 Mythos, 오픈AI의 동급 모델, 그리고 중국의 오픈 가중치 경쟁 모델들(Z.ai, Moonshot)이 전례 없는 속도로 제로데이 취약점을 찾아내고 있다. 방어자들은 수십 년간 쌓인 버그를 패치하느라 전력투구 중이다. 향후 2년 안에 주요 소프트웨어들에서 원격 실행 가능한 취약점이 사실상 고갈될 수도 있다.
지난 10년 동안 사법 당국은 정치적으로 실현 불가능한 “백도어 의무화” 싸움을 벌이는 대신, 공격용 해킹 도구(GrayKey, NSO Pegasus 등)를 조용히 활용해 암호화를 우회해 왔다. 하지만 익스플로잇 가능한 버그 공급이 바닥나면 당국은 다시금 고의적인 백도어를 강제하는 쪽으로 돌아설 수밖에 없다. 예외적 접근권 의무화, 키 에스크로 등 2014년 시절의 각본이 고스란히 부활하는 것이다. 그린은 이것이 미국의 시스템을 취약하게 만드는 반면 적대국들은 각자의 길을 찾게 만들어, 가장 나쁜 순간에 자해적인 역학을 초래할 것이라 경고한다.
해결책을 섣부르게 제시하지 않고 솔직하게 고민을 털어놓는 태도가 오히려 신뢰를 준다. 구조적 아이러니는 명백하다. AI가 보안 버그를 완벽하게 고쳐냄으로써, 정부가 시스템에 새로운 취약점을 고의로 주입하게 만드는 정치적 조건을 조성하고 있다는 점이다. 규제 대상 소프트웨어 분야에 종사하거나 암호화 정책에 관심이 있다면 일독을 권한다.
’또 다른 숀 번’은 존재하지 않는다
342 points | Source
개발자 숀 번(Sean Byrne)은 미국 정부의 통합 제재 대상자 명단(Consolidated Screening List)에 자신의 이름이 일치한다는 이유로 애플 앱스토어 커넥트(App Store Connect) 접근을 거부당했다. 그는 여권과 운전면허증을 제출했고, 명단에 기재된 아일랜드 슬라이고(Sligo) 카운티의 주소지에는 평생 살아본 적도 없다고 소명했다. 애플은 신분증을 확인했다고 인정했으나 계정 문제는 끝내 해결해 주지 않았다.
사건의 배후는 흔한 오탐(false-positive) 규제 사건보다 훨씬 기괴하다. BIS 기업 제재 목록에 오른 실제 ’숀 번’은 2009년 미국의 군용 장비를 이란으로 불법 수출하다 적발된 아일랜드 항공 부품 회사 맥 에비에이션(Mac Aviation)의 영업 관리자로 알려진 인물이었다. 그런데 알고 보니 맥 에비에이션은 드럼클리프의 한 시골 오두막에서 부자가 운영하던 구멍가게 수준의 업체였고, 회사를 크게 보이게 하려고 직원을 가상으로 지어낸 것에 불과했다. 당시 회사를 방문했던 롤스로이스 담당자는 할 말을 잃었다고 한다. 글로벌 기업인 줄 알았던 곳이 슬라이고의 가정집이었으니 말이다.
결국 두 명의 숀 번 모두 유령과의 매칭이었던 셈이다. 하나는 애플 컴플라이언스 시스템 속의 무고한 개발자이고, 다른 하나는 아일랜드 시골 오두막 회사가 지어낸 가공의 인물이다. 이 글은 자동화된 컴플라이언스 선별 시스템을 향한 조용한 고발장이다. 인간의 검토도 없고, 실질적인 이의 제기 경로도 없으며, 존재하지도 않는 가상의 인물과 이름이 같다는 이유만으로 생계 수단에서 퇴출당하는 카프카적 현실을 보여준다. 342명의 해커뉴스 사용자가 추천을 누른 것은 이 터무니없는 부조리에 깊이 공감했기 때문일 것이다.
코덱스를 활용한 자동 연구: 232배 빨라진 GPU 커널
316 points | Source
한 개발자가 배치 QR 분해(batched QR decomposition) 커널 최적화를 다룬 GPU Mode 경진대회에서 베이스라인 대비 232배의 속도 향상을 달성하며 183명의 참가자 중 12위를 차지했다. 접근법은 간단했다. 오픈AI의 코덱스(Codex)를 타이트한 피드백 루프에 올려놓고, 리더보드에 커널을 제출한 뒤 결과를 확인하고 다시 수정하는 과정을 반복한 것이다. 14일 동안 제출한 횟수만 1,500회가 넘는다.
흥미로운 지점은 232배라는 숫자 자체보다(GPU 커널 경진대회에서는 나이브한 베이스라인 대비 100배 이상의 개선이 흔히 나온다), “자동 연구(auto-research)“라는 방법론이다. 작성자는 일반적인 GPU 지식은 있었지만 엔비디아의 수석 엔지니어들과 비교하면 스스로를 언더독이라 여겼다. LLM은 도메인 지식의 증폭기 역할을 했다. 자신이 “무엇을 모르는지 모르는 상태(unknown unknowns)“를 프롬프트로 다룰 수 있는 “무엇을 모르는지 아는 상태(known unknowns)“로 전환하는 데 도움을 준 것이다. 핵심 통찰은 에이전트와 실제 평가 함수(scoring function) 사이에 충분히 긴밀한 피드백 루프만 구축할 수 있다면 굳이 해당 도메인의 최고 전문가가 아니어도 된다는 점이다.
물론 232배라는 수치는 냉정하게 볼 필요가 있다. 대회의 베이스라인 코드는 의도적으로 단순하게 작성되었으며, 리더보드 순위는 AI의 역량 그 자체보다 “단순 구현”과 “최적화된 커널” 사이의 격차를 더 잘 보여준다. 그럼에도 실제 벤치마킹 환경과 에이전트 루프를 결합하는 방법론은 GPU 커널뿐 아니라 모든 최적화 엔지니어링에 대단히 유용한 청사진이다.
세마글루타이드, 5년 내 치매 발병 예측 위험 26% 감소와 연관
207 points | Source
SELECT 3상 임상시험의 사후 분석에 따르면, 당뇨병은 없지만 심혈관 질환과 과체중/비만이 있는 고령 성인에서 세마글루타이드가 단백체학 기반의 치매 위험 시그니처를 약화시키는 것으로 나타났다. 연구진은 혈장 내 25개 단백질을 기반으로 5년 내 모든 원인의 치매 발병 위험을 예측하는 머신러닝 모델인 SomaSignal 치매 검사(dSST)를 활용했다. 세마글루타이드 투여군은 104주 동안 위약군 대비 예측 치매 발생률이 26% 낮았으며, 체중 변화를 보정한 후에도 효과의 72%가 유지되었다.
인지 저하를 막겠다고 오젬픽을 당장 처방받으러 가기 전에 짚고 넘어가야 할 점이 있다. 이것은 실제 치매 진단이 아니라 단백체학적 위험 시그니처에 기반한 결과다. dSST는 혈액 단백질 수치로 위험을 예측하는 대리 지표(proxy)일 뿐, 임상적 종착점(clinical endpoint)이 아니다. 또한 이번 연구는 세마글루타이드의 직접적인 신경학적 효과와, 그 자체로 치매 위험을 낮추는 심혈관 및 대사 개선 효과를 온전히 분리해 내지 못했다. 그럼에도 세마글루타이드 복용자의 치매 발병률이 낮다는 대규모 코호트 연구들(JAMA Network Open, 2025)과 궤를 같이하며, 신경 염증 차원에서 GLP-1 수용체 작용제의 메커니즘은 충분히 설득력이 있다.
진짜 중요한 소식은 측정 도구의 진화다. 단백체학 기반의 위험 점수 모델이 정교해지면서, 실제 임상 증상이 나타나기 수년 전에 신경퇴행 경로에 미치는 약물 효과를 감지할 수 있게 되었다. 세마글루타이드 자체가 치매 치료제가 될 수 있을지는 더 지켜봐야겠지만, 이를 측정하는 인프라는 급속도로 발전하고 있다.
AI는 수학자보다 생각을 잘하는 게 아니다, 기억을 더 잘할 뿐이다
201 points | Source
다비데 피퍼(Davide Piffer)는 수학에서 AI가 보여주는 성과가 우월한 추론 능력 때문이 아니라, 인간보다 압도적으로 거대한 작업 기억(working memory)에서 비롯된 것이라고 주장한다. 인간의 작업 기억은 익숙하지 않은 요소를 한 번에 아주 소수만 붙잡아 둘 수 있다. 세 자리 수 곱셈 두 개를 암산으로 하려 해보면 그 한계를 즉각 체감할 수 있다. 반면 AI 모델은 문제 정의 전체, 수백 개의 중간 수식, 폐기된 접근법, 이전 보조정리들을 모두 하나의 컨텍스트 안에 동시에 올려둔다. 우리는 이 성능을 “지능”으로 해석하지만, 실상은 “용량”의 문제일 수 있다.
종이와 연필에 빗댄 비유가 적절하다. 숫자를 종이에 적는다고 해서 사람이 더 똑똑해지는 것은 아니지만, 실질적인 작업 기억은 비약적으로 확장된다. AI는 산업적 규모의 종이와 연필이다. 전문성 연구에서 말하는 “청킹(chunking, 덩이짓기)“의 역사와도 맞닿아 있다. 체스 그랜드마스터가 더 많은 수를 보는 것이 아니라 더 큰 패턴을 보듯, AI는 컨텍스트 윈도우 자체가 작업 기억이므로 청킹의 병목 자체가 존재하지 않는다.
“AI 추론”이라는 환상을 교정하는 유용한 관점이지만, 주장하는 만큼 완전히 새로운 통찰은 아니다. “확률적 앵무새”나 “암기 대 일반화” 논쟁은 수년째 이어져 왔기 때문이다. 진정 흥미로운 부분은 수학 AI 벤치마크에 던지는 시사점이다. 우리가 평가하는 것이 추론 능력이 아니라 메모리 용량에 불과하다면, 우리는 애초에 엉뚱한 잣대를 들이대고 있는 것일지도 모른다. 확실한 증거는 부족하지만 진지하게 고민해 볼 만한 프레임이다.
AI와의 협업은 코딩보다 리더십에 가깝다
200 points | Source
알렌 바르기(Allen Bargi)는 AI와의 협업이 전통적인 프로그래밍과 근본적으로 다르며, 사람을 관리하는 일에 훨씬 가깝다는 간결한 관찰을 내놓았다. 동일한 입력을 주어도 다른 출력이 나온다. 시스템이 유용한 연결고리를 만들어낼 수도 있고, 명백한 포인트를 놓칠 수도 있다. 컴파일러처럼 대하면(결정론적 입력 → 결정론적 출력) 좌절만 남지만, 협력적 프로세스로 접근하면(컨텍스트 → 의도 전달 → 반복 피드백) 훨씬 나은 결과를 얻는다.
실질적인 교훈은 명확하다. 훌륭한 리더는 맥락을 공유하고, 원하는 결과를 설명하며, 경계를 설정하고, 돌아오는 반응을 바탕으로 피드백을 준다. AI를 다룰 때도 똑같은 습관이 성패를 가른다. 좋은 프롬프트도 도움이 되지만, 공유된 작업 컨텍스트(예시, 수정 사항, 재사용 가능한 지침)가 훨씬 더 강력하다. 중요한 투자는 “AI를 인간인 척 대하는 것”이 아니라 자신의 의도를 더 명확하게 표현하는 능력을 기르는 것이다.
이 글이 공감을 얻는 이유는 실무에서 AI 코딩 도구를 다루는 방식의 본질을 정확히 포착했기 때문이다. Copilot, Cursor, Claude를 가장 잘 활용하는 개발자들은 대개 무엇이 좋은 코드인지 이미 알고 있고 이를 언어로 명확히 표현할 수 있는 이들이다. 즉, 유능한 테크 리드가 될 자질을 갖춘 사람들이다. “리더십”이라는 비유가 다소 거창하게 느껴질 수 있지만, 맥락 설정과 피드백 루프에 관한 핵심 통찰은 대단히 타당하다.
맥락 읽기
오늘의 프론트페이지는 하나의 주제를 세 가지 각도에서 비춘다. 보안, 수학, GPU 최적화, 의학에 이르기까지 AI가 기술적 영역의 경계를 허물고 있으며, 중요한 질문은 “AI가 X를 할 수 있는가?“가 아니라 “AI가 그것을 해낼 때 무엇이 변하는가?“라는 점이다. 매슈 그린은 AI가 버그를 잡자 정부가 새로운 감시 수단을 찾아 헤매는 미래를 본다. 피퍼는 수학자가 잊어버리는 것을 AI가 기억하는 현상을 보며 우리가 측정하는 것이 추론인지 용량인지 묻는다. 코덱스 커널 글은 AI가 도메인 이해를 대체하는 것이 아니라 반복 최적화의 증폭기로 쓰일 때의 위력을 보여준다. 그리고 바르기의 글은 인간과 AI의 상호작용 자체를 프로그래밍이 아닌 매니지먼트의 문제로 재정의한다.
숀 번의 이야기는 이 기술적 낙관론에 찬물을 끼얹는 유용한 반례다. 자동화된 시스템(AI가 아니더라도)이 실질적인 구제 절차 없이 얼마나 황당한 현실의 피해를 낳을 수 있는지 일깨워준다. 우리가 위험을 관리하기 위해 만든 시스템이 그 자체로 가장 큰 위험이 될 수 있다는 경고다.
세마글루타이드 연구는 더 조용한 혁명을 가리킨다. AI가 직접 문제를 푸는 것을 넘어, AI 시대의 정밀 측정 도구(단백체학 위험 평가)가 과거의 방식으로는 절대 포착할 수 없었던 약물의 효과를 포착해 내고 있다. 결론이 아직 불확실할지라도, 중요한 것을 감지해 내는 관측 도구들은 분명한 도약을 이루어내고 있다.