서론: 하나의 단어가 로봇의 움직임을 멈추게 했다
검은 그릇에 접시와 람판 사이의 것을 가져와 접시에 담아.
로봇 연구 분야에서 표준적으로 사용되는 벤치마크 ‘LIBERO’에는 다음과 같은 지시 사항이 있습니다. 세계 최고 수준의 VLA 모델(시각과 언어로부터 직접 로봇의 동작을 내는 AI)은 이 지시 사항을 완벽하게 수행합니다. 그러나 지시 사항에 “not” 한 단어를 잘못 추가하여 “간의 볼을 가져와”로 변경하면 모델은 마치 아무 일도 없었다는 듯이 원래의 “간의 볼”을 집어듭니다.
이는 제 창작 이야기가 아닙니다. 2026년 9월에 공개된 논문 ‘HarnessPAI’가 서두의 동기 부여에서 제시하는 실제 사례입니다. 지시가 바뀌었음에도 불구하고 AI는 “기억한 움직임”을 재생하며 계속했습니다.
이 논문이 흥미로운 점은 바로 여기에 있습니다. 저자들은 이 문제를 “모델을 더 크게, 더 똑똑하게 만드는” 것만으로는 해결하지 못했습니다. 모델 밖으로, 파이썬 코드로 묶은 “실행 계획”을 적용한 것이었습니다. 그 결과, 동일한 모델의 상태를 유지하면서 성공률이 34.9%에서 96.5%까지 크게 상승했다고 보고하고 있습니다.
2026년 9월, 완전히 다른 장소에서 또 다른 기묘한 AI가 등장했다. 문장 한 글자도 출력하지 않는 모델 “제브(Jev)”였다. 돌아오는 것은 “A案, 확률 0.86”과 같이 프로그램을 그대로 사용할 수 있는 “판단”뿐이었다.
VLA, Jev, HarnessPAI. 일견 흩어져 보이는 이 세 가지는 실은 같은 질문에 서로 다른 각도에서 답하고 있다.
AI의 지능은 어디에 놓여야 하는가.
본고에서는 이 질문을 중심으로 2026년 9월 말 시점의 핵심 정보를 취합하여 세계 각지의 움직임을 지도로 만들고, 숫자 뒤에 숨은 내용까지 심층적으로 분석한다. 논문을 일상적으로 읽는 독자들에게도 “그 정도로 깊이 분석하느냐”는 인상을 줄 수 있도록, 숫자 전제 조건, 비교의 비대칭성, 간과하기 쉬운 부록을 의도적으로 다량 수집했다.
전문 용어는 상황에 맞게 쉽게 풀어서 설명하고, 안심하고 따라와 주세요.
저는 평소부터 note에서 Physical AI와 하르니스 엔지니어링을 꾸준히 지켜보고 있습니다. 관련 과거 게시물에도 간략하게 언급하고 있습니다.
먼저 결론부터 말씀드리겠습니다 (시간이 부족한 분들을 위해).
- 2026년 9월부터 “지능을 모델의 가중치 안에 전부 담는” 설계에서 “역할에 따라 최적의 위치에 배치하는” 설계로의 전환이 로보틱스와 AI 에이전트 모두에서 동시에 두드러지게 나타나고 있다.
- VLA는 “손과 눈”을 의미하며, 능숙한 동작을 수행한다. 다만, 미묘한 언어 변화나 배열의 변경에 취약하다.
- HarnessPAI는 “작업 절차서와 현장 감독”을 의미하며, 코드로 모델을 감싸고, 실패할 때마다 코드를 수정하여 더 똑똑하게 만드는 방식입니다.
- 제브(Jev)와 그의 오픈 소스 경쟁자 레이아(Laya)는 “반사 신경”과 같다. 문장을 생성하지 않고, 정형화된 판단과 확률만을 고속으로 반환한다.
- 다만, 모든 숫자는 조건에 따라 달라진다. 61.6 포인트 개선, 23.1배 속도, 193.6배 속도, 444.6배 저렴하다. 모두 그대로 맹신하면 오해를 불러일으킬 수 있다. 본 논문의 후반부에 그 의미를 정리한다.
- 가장 중요한 교훈은 밋밋하지만 중요한 점이다. “확률이 진실되다”, “판단이 옳다”, “실행해도 좋다”는 세 가지 검토이다.
1. 모든 것을 하나의 AI에 맡긴다는 시대의 종말의 시작
엔드 투 엔드라는 이상
최근 몇 년간의 인공지능 연구는 하나의 거대한 뉴럴 네트워크에 시각, 사고, 운동의 모든 것을 맡기는 방향으로 발전해 왔다. 이를 엔드 투 엔드(입력부터 출력까지의 완전 연결)라고 부른다. 카메라의 픽셀을 입력하면 모터에 대한 명령이 출력된다. 설계가 단순하고 데이터가 있다면 성능이 향상된다. 아름다운 이상이었다.
이 모델은 로봇을 위해 설계된 VLA(Vision-Language-Action 모델)입니다. π0.5, OpenVLA, GR00T 등이 대표적이며, LIBERO 벤치마크에서는 90% 후반대의 성공률을 보였습니다.
그러나 조금만 환경이 바뀌면 무너지곤 한다.
문제는 그 성적이 “숙성된 배치”에서만 유효할 가능성이 있다는 점이다. LIBERO-PRO라는 벤치마크는 물건의 위치를 바꾸거나(Swap), 지시문을 바꾸거나(Task)하여 모델이 진정으로 이해하고 있는 것인지, 아니면 단순히 암기한 것인지 시험한다.
HarnessPAI 논문에 따르면, 표준 LIBERO에서 96.9%였던 π0.5는 이 섭동 하에서 평균 34.9%까지 감소한다. OpenVLA와 π0에 경우에는 원래 LIBERO-PRO 논문에서 Swap과 Task 모두 0.0%였던 평가와 일치한다. 90% 이상의 모델이 위치를 바꾸는 것만으로 거의 전멸하는 것이다.
또 다른 흥미로운 묘사가 있다. HarnessPAI 저자들은 이 취약성의 원인을 “학습으로 인한 모델의 시각 및 언어 능력 저하”로 단정하지 않고 있다. 논문 자체는 이 실패 사례가 원인 규명까지는 보여주지 못한다고 쓰고 있으며, 데이터가 “사실상 이렇게 망가지는 것”까지만 보여주는 것은 가설 단계의 문제라는 점을 시사한다. 이러한 신중함은 나중에 영향을 미치게 된다.
모델을 크게 하는 것 외의 방법들
여기 연구자들의 생각이 분기되었다.
- 길A: 더 많은 데이터를 수집하고 모델에 추가 학습을 실시한다.
- 도비: 모델은 고정된 상태를 유지하면서, 외부에 “관찰, 사고, 검증” 메커니즘을 추가(하르ネス)한다.
“하르네스”는 원래 말을 제어하는 데 사용되는 장비, 즉 마구(馬具)를 지칭하는 말이었다. AI의 맥락에서는 모델을 둘러싸고, 도구, 기억, 검증, 재시도 등의 기능을 제공하는 프레임워크를 의미한다. 코딩 에이전트(AI가 스스로 프로그램을 작성하고 실행시키는 메커니즘) 세계에서 빠르게 정착된 용어가 이제는 로봇에도 도입되고 있다.
제 노트에도 하르네스 엔지니어링 관련 매거진을 모아두고 있는데, 이 분야가 “에이전트”에서 “Physical AI”로 확장해가는 순간에 지금 바로 눈앞에서 지켜보는 듯한 느낌을 받는다.
세 명의 등장인물을 신체의 비유로 이해해 봅시다.
VLA, Jev, HarnessPAI는 경쟁 관계에 있지 않다. 서로 다른 역할을 수행하는 부품들이다. 인간의 몸에 비유하면 매우 체계적으로 이해할 수 있다.
- VLA는 손과 눈이다. 물건을 집거나, 놓거나, 밀거나 하는 등 미세한 힘 조절이 필요한 동작을 담당한다. 특히 “지금 이 상황에서 손가락을 어떻게 움직여야 하는가”에 능숙하다.
- 제브／레이아는 반사 신경이다. “이는 위험한가?” “어느 창구에 연결해야 하는가?”와 같이 선택지가 정해진 즉각적인 판단을 담당한다. 특히 “70초에서 500밀리초 이내에 확률 기반으로 답을 제시하는 것”에 능숙하다.
- HarnessPAI ＝ 작업 절차서 및 현장 감독. 업무 전체의 준비를 코드로 작성하고, 손과 눈을 호출하여 문제가 발생하면 절차서를 재작성한다. 자신이 잘하는 것은 “같은 일을 반복적으로 확실하게 수행하는 것”이다.
시간 감각도 달라.
- 손(VLA)은 1초 동안 짧은 루프를 반복적으로 실행하며, 주파수는 대략 수~수십 Hz입니다.
- 반사 신경(Jev)은 레이턴시가 70~500밀리초로 공개되어 있으므로, 단순 계산으로 1초에 2~14회 정도의 판단을 내릴 수 있다.
- 절차서(HarnessPAI)는 업무 중간에 몇 분에서 몇 시간 정도 걸려도 필요에 따라 수정한다.
그러므로 지능은 빠른 시간층에서 느린 시간층으로, 역할에 따라 분산되어 배치되기 시작했다. “하나의 거대한 뇌”에서 “소뇌, 척수, 대뇌 피질의 분업”으로 가는 느낌과 비슷하다. 참고로 나는 이전에 “대뇌와 소뇌”의 비유로 Physical AI를 정리한 기사를 썼다. 관심이 있다면 Physical AI 계정에서 찾아주시기 바란다.
3. HarnessPAI의 내부 구조: 모델을 직접 조작하지 않고도 96.5%까지 성능을 달성
두 시간축
HarnessPAI의 설계 핵심은 시간 축을 두 개로 나누는 데 있다.
- 롤아웃 중(진행 중): 코드로 작성된 계획이 “고정”된 상태로 계속 실행되며, 중간에 큰 규모의 AI와 재검토하지 않습니다.
- 릴리즈 과정 중(실행과 실행 사이의 간격): 실패 기록을 분석하고 코드를 재작성한다.
이 논문에서는 이를 “개방 루프 실행”이라고 칭한다. 다만 오해의 소지가 있을 수 있다. 프로젝트 페이지는 “단순히 프로그램 작동을 재생하는 것과는 다르다”라고 명시하고 있다. 프로그램 내에는 센서를 통해 판단하고 분기하는 처리와, 사전에 정의된 체크 및 복구 처리 등이 제대로 구현되어 있다. “고정”되는 것은 “계획의 뼈대”일 뿐, “감각 피드백”과는 관련이 없다.
왜 그렇게 해야 하는가. 논문의 주장은 명확하다. 물리 세계의 실패는 되돌릴 수 없는 경우가 많다. 냄비가 뒤집어졌다면, 재시작은 불가능하다. 따라서, 실행 전에 실수를 제거하고, 한 번의 시도만에 성공할 수 있도록 설계하는 것이 좋다.
코드 담당 부분, VLA 담당 부분
하나의 작업은 여러 단계(노드)로 분해되어 “대상 찾기”, “다가가기”, “잡기”, “운반하기”, “놓기”와 같은 식으로 진행된다. 논문에서는 다음과 같이 역할이 분담되어 있다.
- 찾아내고, 다가가고, 운반한다: 고정 코드(이미지 추적 모델 및 기하 계산, 역 운동학 등)가 담당한다.
- 잡고, 내려놓는다 (접촉이 얽히는 섬세한 단계): VLA에 맡긴다.
이 부분은 중요합니다. 코드만으로는 능숙함이 드러나지 않습니다. 실제로 코드만으로 작동하는 베이스라인(OpenETA)은 LIBERO에서 18.3%밖에 나오지 않았고, HarnessPAI는 98.1%에 도달했습니다. 하지만 이 비교는 사용하는 동작 모델이 다르기 때문에 “진화의 효과만”을 짚어낸 것이 아니라고 논문 자체에서 밝혔습니다.
요컨대, HarnessPAI는 “모델이 능숙한 부분”만을 남기고 “모델이 약한 부분(언어 해석, 위치 재확인, 검토)”을 외부로 위임하는 것이다.
성공적인 계약: 스스로 자신을 평가하게 하지 마세요.
보통 사람들이 놓칠 수 있지만, 제가 가장 감탄했던 건 성공 계약(success contract) 설계였습니다.
코드의 진화를 위한 반복에서는 먼저 “성공이라고 할 수 있는 것은 무엇인가”를 명확히 문서로 정의한다. 평가 범위를 포함하여 공식적인 종료 조건, 최종 상태, 그리고 “성공의 징후처럼 보이지만 실제로는 성공하지 못한 것”에 대한 명시적인 목록을 제시한다. 예를 들어, 오류 없이 종료되었는지, 최종 상태에 도달했는지, 보상이 높았는지, 작성한 AI가 “수렴했다”라고 판단했는지 등의 항목은 그 자체만으로는 성공으로 인정하지 않는다.
또한, 코드를 작성하는 AI(GPT-5.6-sol)와 영상을 보고 진단하는 AI(Gemini-3.5-Flash)는 별도의 모델이다. 논문은 작성자가 직접 채점하는 것이 “자신의 시험을 스스로 채점하는” 것과 같은 취지의 설명을 하고 있다. 최종 합격 여부는 환경이 반환하는 결정론적인 성공 조건으로 결정된다.
AI가 자기 개선을 하는 시대에 “누가 평가를 하는가”를 설계에 포함시키는 것이다. 이 한 가지 아이디어만으로도 논문을 읽는 가치가 있다.
실패는 “자산”이 된다.
실패를 두려워하지 마라. 실패는 성공으로 가는 첫 발걸음이다.
성공으로 가는 길은 실패의 산이다.
그래서 실패를 두려워하지 않고 적극적으로 도전하며 계속하자.
실패로부터 배우는 것이 진정한 성장이다.
자신의 약점을 알게 되고, 그것을 극복함으로써 사람은 더욱 강하고 더욱 현명해진다.
실패를 자원으로 삼아, 끊임없이 발전하고자 노력하자.
그리고 언젠가 당신의 실패가 누군가의 성공의 초석이 될 수도 있다.
실패 기록은 ‘수리법 노트’로서 축적된다. 여기에는 흥미로운 점이 있다. 노트는 작업 단계별로 정리된다. “잡는다” 단계에는 “미끄러짐”, “사그라짐”, “헛방향”의 수리법이 모인다.
새로운 작업(예를 들어 “서랍을 열기”)이 들어와도 “잡기”, “들고 가기”, “놓기”는 기존 작업과 동일하다. 그래서 코드를 한 줄이라도 쓰기 전부터 과거의 해결 방안을 재활용할 수 있다. 실험에서도 스킬 라이브러리가 있는 작업은 초기 2라운드 내에 개발용 전체 배포에서 성공에 도달했다. 반면 스킬이 없으면 성공률이 갑자기 치솟는 “Aha”형, 급상승하는 “미친 듯이”형, 서서히 상승하는 “점진적으로”형으로 나뉨을 수 있었다.
실패를 “그 자리 한정적인 버그”가 아닌 “재활용 가능한 지식”으로 바꾸는 것이다. 이는 인간의 베테랑 장인이 가지고 있는 암묵지를 외부화하는 것과 같다.
숫자를 배열하라
논문에서 보고 있는 주요 숫자를 먼저 그대로 나열한다.
- LIBERO-PRO: π0.5의 34.9%가 96.5%로 상승(61.6pt 증가). Swap 및 Task를 통해 각각 95.7%와 97.4%를 기록했습니다.
- 로보카 사(가정 주방): WorldDreamer라는 WAM(세계 모델형 행동 모델)이 65.0%에서 92.2%로 상승했습니다.
- 로보수트는 선행 연구인 ASPIRE의 81.0%에서 96.3%로 상승했습니다. 특히, 난관인 삽입 태스크에서는 ASPIRE가 9%로 하락했으나 83%를 유지했습니다.
- 표준 LIBERO: π0.5의 96.9%가 98.1%로 증가
- 다른 동작 모델로의 활용: π0.5용으로 진화시킨 하르네스를 재진화 없이 드림제로에 장착하면, LIBERO-PRO Object 스위트에서 Swap이 0.6%에서 73.4%, Task가 9.6%에서 84.4%로 향상된다. 논문의 표현을 빌자면 “가중치로 일반화되지 않는 것이, 코드에서는 일반화한다”는 의미이다.
- 로봇 청소기(VacuSim)와 보행 로봇(MicroDuck): 학습 모델 없이 순수한 API 제어임에도 불구하고 진화 루프가 회전하며 발전한다. 보행 로봇의 경우, 최대 0.8m의 수평 이동 거리가 거의 0으로 감소했다.
또한, 실행 비용의 수치이다.
- 1회 분량 테스트 결과, Harness VLA는 약 1135초(Swap), HarnessPAI는 약 49초였다. Swap 기준으로 23.1배, Task 기준으로 18.4배였으며, 7개의 GPU로 병렬화하면 147.4배였다.
- 해러스 VLA는 각 단계마다 거대 언어 모델에 쿼리하여 50회 배포를 통해 약 1억 5천만 개의 입력 토큰을 사용했으며, 약 168~200달러의 비용이 발생했습니다. 해러스 PAI는 실행 시 API 과금 비용이 0입니다.
마지막으로 “지능 모델 재구성” 실험이 진행되었고, 성공한 궤적만을 모아 π0.5를 추가 학습시키면 LIBERO-PRO의 성공률이 34.9%에서 73.7%로 상승했습니다 (+38.8pt). 코드가 “교사 데이터 제조기”라는 아이디어를 내게 한 것입니다.
4. 제브: 글을 쓰지 않는 AI가 왜 2026년 9월에 폭발한 것인가
무엇인가
제브는 2026년 9월 15일에 TypeSafe AI가 공개한 모델이다. 이 회사는 DCVC 주도 4,000만 달러 규모의 시드 투자 유치와 함께 스텔스 관계에서 모습을 드러냈다. 창업자인 디오고 알메이다는 OpenAI 출신으로, InstructGPT나 RLHF(Reinforcement Learning from Human Feedback)에 참여한 연구자라는 보도가 있다(The Register, YourStory).
제브에게 “안녕하세요”라고 말해도 잡담으로 이어지지 않는다. 입력은 “시스템의 상태(텍스트 또는 JSON)”와 “형식화된 질문”이며, 출력은 선택, 점수, 진실 가능성 확률이다.
질문의 유형은 3가지뿐입니다.
- 선택: 제시된 선택지 중에서 선택합니다 (예: 기술 지원/회계/영업 중 어느 부서로 배정할지).
- 점수: 순서 있는 척도에 적용하며(예: 긴급도를 3단계로 구분).
- Noul: 어떤 명제의 진리 확률(예: 이 작업이 정책 위반인지)
HatchWorks의 설명은 지원 티켓을 예로 들어 “어느 팀으로 배정할까?”, “긴급도는?”, “자동으로 처리해도 충분히 확신이 있는가?”, “즉시 담당자에게 에스컬레이션해야 하는가?”라는 4가지 질문을 동시에 병렬로 평가할 수 있다고 설명하고 있다.
시스템 원
이름은 심리학자 다니엘 카네만의 이중 과정 이론에서 유래했다. 빠르고 직관적인 “시스템 1”과 느리고 숙고적인 “시스템 2”를 의미한다. TypeSafe는 LLM(대규모 언어 모델)이 담당해 온 숙고적인 추론과는 별개로, 빠른 직관적인 판단만을 전문으로 하는 모델들을 “시스템 1 모델”이라고 명명했다.
덧붙여서 말하자면, 이 명명법에는 또 다른 의도가 숨어 있는 것 같습니다. 해외 업계 뉴스레터 Better than Random은 “Jev”라는 이름을 다니엘 카네만과 경제학자 제보뉴스(Geoffrey Hodgson)에게 건배의 의미로 해석하고 있습니다. 제보뉴스는 효율이 높아질수록 총 자원 소비량은 오히려 증가한다는 “제보뉴스 역설”로 유명한 인물입니다.
단순한 말장난으로서는 이 상황을 설명할 수 없다고 생각한다. 입력 100만 토큰당 0.042달러, 출력은 무료다. 보도에 따르면, Jev는 1초에 약 10번의 판단을 내리는 Doom 게임 데모를 진행했는데, 그 추론 비용은 1시간에 약 7달러였다 (KuCoin을 통해 보도된 내용). 판단의 가격이 기하급수적으로 낮아지면, 소프트웨어는 이전에는 부를 수 없었던 곳에서 AI를 호출하기 시작할 것이다. 함수의 각 분기마다 AI의 심사가 개입하는 세상이 된다.
RLCD：「좋아받는 답변」에서「정직한 확률」으로
제브의 학습 방식은 RLCD(Reinforcement Learning for Calibrated Decisions, 섭정된 판단을 위한 강학습)라고 불린다. ChatGPT 이후 주류를 이루는 RLHF가 인간의 선호에 맞는 출력을 키우는 데 반해, RLCD는 “확률이 현실과 일치하는지”를 보상으로 한다.
여기서 용어를 자세히 풀어서 설명드리겠습니다.
- 교정(캘리브레이션): 인공지능이 “80%의 신뢰”라고 말한 사건을 100건 모았을 때, 실제로는 약 80건이 정답인 상태입니다. 날씨 예보에서 “강수 확률 80%”의 날에 실제로 80%의 날에 비가 내리는 것과 같은 감각입니다.
- 브라이어 코어: 확률 예측의 “오차”를 측정하는 점수다. 낮을수록 좋다. “진정으로 실제 확률을 밝히는 것이 가장 유리하다”는 것을 만들기 위해 엄밀하게 프로페셔널한 점수링 규칙의 대표적인 예시이다.
- ECE(기대 교정 오차): 보고된 신뢰도와 실제 정답률 간의 차이의 평균으로, 0에 가까울수록 확률이 더 진실에 가깝다.
왜 이것이 중요한가. 소프트웨어는 확률을 임계값으로 처리할 수 있는 데 그 이유가 있다. “신뢰도 0.9 이상이면 자동 실행, 미만이면 사람에게 넘기기”라는 설계가 가능한 유일한 경우이기 때문이다. 이 설계가 작동하는 것은 확률이 진실일 때만 가능하다. RLCD의 야심은 AI의 출력을 “읽기 쉬운 정보”에서 “제어 신호”로 바꾸는 것이다.
그러나, TypeSafe는 아키텍처 논문을 공개하지 않았습니다. RLCD의 상세 내용 또한 현재 시점에서는 공식 블로그 설명과 API 사양을 통해 추측할 수밖에 없습니다.
세간의 반응: 속도와 경계가 동시에 나타났다.
시작은 순조로웠다. TypeSafe는 공개 후 36시간 만에 약 14만 건의 웨이트리스 등록을 처리했다고 자진해서 밝히며(explainx). Vercel은 AI 게이트웨이의 유료 팀의 약 13%가 24시간 이내에 사용을 시작했다는 보고를 Prompt Index가 보도했다. LangChain에는 Jev에서 에이전트의 툴 호출을 실행하거나 판단하는 미들웨어가 등장했다(VentureBeat).
한편, 냉철한 의견도 빠르게 나왔다. ‘Better than Random’의 리뷰는 “Jev는 분류기로서 활용될 수 있으며, 왜냐하면 그것이 바로 분류기이기 때문이다”라는 의미를 담고 있었다. 일본의 ‘하테나 북마크’의 댓글欄에도 함수 수준의 판단을 외부 API에 넘기는 설계에 대한 저항감과, 그렇다면 로컬의 전용 분류기를 만들어 사용하면 되라는 의견이 줄을 잇고 있었다 (하테나 북마크).
5. 숫자를 의심하는 행위: 읽어들이는 사람들을 위한 “감사 노트”
이제부터가 본문의 핵심 내용입니다. 각 주장을 1차 정보의 명시와 일치시켜 확인합니다.
61.6 포인트 향상
- 이 숫자는 제로샷 일반화가 아니다. HarnessPAI는 각 작업마다 하나의 프로그램을 진화시킨다. 평가(평가)는 진화에 사용된 15개의 시드(씨드)를 포함한 50개의 시드로 진행되었으며, 논문에서는 이를 기존 연구와 동일한 설정이라고 서술하고 있다. 즉, 평가의 30%는 코드의 진화에 사용된 환경과 중복된다.
- 프로젝트 페이지 자체는 “이는 ‘미지의 단발성 작업의 만능 해결책이 아닌, 반복적으로 실행하는 작업으로 향한다’고 명시하고 있다.”라고 밝히고 있다. 논문 또한 “같은 작업을 반복적으로 실행하는” 상황을 가정했다고 썼다.
- BEHAVIOR-1K의 “84%→100%”, “72%→92%”는 제로샷 테스트 시드 자체에 재진화를 유도한 결과이다. 페이지의 주석 또한 이는 미시 시드와의 비교가 아니라고 명시하고 있다.
능력 자체의 향상이라기보다는 반복적인 작업에서 ‘실패를 봉지하는’ 능력의 향상과 읽는 것이 타당할 것이다. 하지만 현장에서 요구하는 것은 대체로 후자라는 점을 덧붙여야 할 것이다.
23.1배속의 읽는 법
- 비교 대상은 Harness VLA(각 단계별로 거대 모델을 호출하는 방식)와 LIBERO-Goal의 특정 작업 1개(Task 1), Swap/Task의 섭동 하에서의 직렬 실행 숫자이다.
- “API課金0”는 실행 단계만을 의미하는 것이 아니다. 개발(코드 진화)에 소요되는 비용은 포함되어 있지 않으며, 논문 자체는 프로그램 개발이나 라이프사이클 전체의 비용 비교가 아니라고 명시하고 있다.
- 감각 모델 및 동작 모델의 추론, 시뮬레이션, 하드웨어 비용 또한 당연히 0이 아니다.
논문 간 비교의 함정: Harness VLA 숫자 두 가지
Harness VLA(클로드 코드 버전)의 LIBERO-PRO는 87.7%, 코덱스 버전은 79.3%로 나타납니다. 그러나 Harness VLA 본체의 최신 버전(v5, 2026년 9월 24일)에는 클로드 코드 버전이 82.4%, 코덱스 버전이 72.1%라는 수치가 기재되어 있습니다. 이는 프로토콜이나 시드 수의 차이로 인한 것으로 보입니다.
더 나아가, Harness VLA의 유명한 “38.6 포인트”는 강력한 베이스라인인 RATS(43.8%)와의 차이이며, 원시적인 π0.5와의 차이가 아니다. 동 논문의 자체 기준값(π-RLinf, 50.0%)에서 보듯, 개선 폭은 다른 숫자로 나타난다.
한 번에 정보를 나열하면 알겠지만, 논문마다 평가 프로토콜이 다르기 때문에 표의 횡적인 비교는 “참조값”에 불과하다. HarnessPAI의 저자들도 이 점을 표의 주석에 언급하고 있다.
그리고 또 하나. Harness VLA 결과는 계획을 담당하는 코딩 에이전트 종류에 따라 달라진다. LIBERO-PRO에서는 Claude Code 버전이 우위를 보였고, RoboCasa365에서는 Codex 버전이 우위를 차지했다. 계획층의 모델 선택은 시스템 성능의 변수이다. Harness 세계에서는 모델 선택이 아키텍처의 일부가 된다.
OpenVLA-OFT는 Open Value Learning Alliance 운영 팀의 약자입니다.
“OFT”는 “Operating Team”의 약어로, Open Value Learning Alliance 운영 팀을 지칭합니다.
OpenVLA-OFT는 Open Value Learning Alliance의 기술 개발 및 운영을 지원하는 핵심 조직입니다.
OpenVLA-OFT는 하네스와 반대되는 접근 방식, 즉 모델 내부 개선을 극대화한 대표적인 사례이다. 병렬 디코딩, 행동 チャンク화, 연속 값 표현, L1 회귀를 이용한 학습 목표 설정 등으로 LIBERO 평균 성공률을 76.5%에서 97.1%로 끌어올리고, 동작 생성 속도를 26배 향상시켰다고 요약문에 명시되어 있다.
제가 참고한 조사 메모에는 “43배”라는 숫자가 기재되어 있었지만, 초록에서 확인한 것은 26배였다. 조건이 다른 또 다른 숫자일 수도 있다. 인용 시에는 주의해야 한다.
공식 저장소는 연구용으로 가치가 높습니다. 다만 조사 메모에서는 환경 구축의 복잡성과 재현성 문제가 지적되었다는 보고가 있습니다.
제브(Jev)의 “193.6배속”, “444.6배 저렴한 가격” 발음
- 이 숫자는 TypeSafe가 자체적으로 설계한 4가지 평가 중 가장 높은 값이다. HatchWorks 또한 “보편적인 우위를 나타내는 것은 아니다”라고 강조하고 있다. 위키백과는, 해당 회사의 주장으로는 “40~200배 속도 향상, 40~400배 비용 절감”이 일반적인 수치이며, 최고치는 193.6배 및 444.6배로 정리하고 있다.
- 평가에 대한 “정답 레이블” 제작 시에도 주의가 필요하다. 일본 개발사 GeneLab의 Zenn 기사에서는 TypeSafe의 공식 발표를 근거로, Jev 측의 정확도 67.8%는 GPT-6 Astra와 Claude Fable 5.1의 예측 평균과의 일치율이며, 인간의 정답률이 아니라고 지적하고 있다. TypeSafe 자체도 이 편향성을 설명란에 명시하고 있다.
- 해러스네이션 제로(Halucination Zero) 역시 주의가 필요하다. The Register를 비롯한 여러 매체가, 출력물이 자연어와 다르기 때문에 공정한 비교가 어렵다고 보고 있다. 실제로는 “손상된 형식의 출력이 0”이며, “선택지 중에서 틀린 답을 선택하는” 것은 일상적으로 발생한다. HatchWorks가 말하는 “유효한 출력”, “정확한 판단”, “허용된 행동”의 3가지 체크 분리는 이 문제를 깔끔하게 설명하고 있다.
Laya의 낭독: OSS의 빛과 그림자
Laya는 인도 Convai Innovations(창업자 난다키쇼르 무쿠누토트)가 2026년 9월 18일 Apache-2.0 라이선스로 공개한 Jev 호환 오픈 웨이트 결정 모델이다. Jev 공개로부터 단 3일 후이지만, 창업자는 약 1년 반 전 arXiv 사전 논문이 기반이라고 말하고 있다(Flowtivity, Bugtraq Solutions). 영어판은 42억 개 파라미터(ModernBERT 기반), 다국어판은 32억 개 파라미터로 100개 이상 언어에 대응하며, T4에서 1문당 약 33밀리초의 응답 속도를 보인다.
다만, 최초 정보들 사이에서도 숫자가 다르게 나타나는 점이 매우 흥미롭다.
- 개발자용 기사나 README 비교표에서는 괄목할 만한 수준으로 보이지만, 모델 카드에 제시된 숫자에서는 추가 학습을 하지 않은 기본적인 체크포인트의 정확도가 0.362로, 다수 파벌 레이블만 답하는 기준(0.461)을 밑돈다. 추가 학습된 버전(typed-decisions)은 0.766으로, 공개된 Jev 1.13.0의 0.727을 상회한다(GeneLab 氏의 Zenn 기사).
- System One Models는 40개 벤치마크의 우연한 보정 점수 평균에서 Laya를 5.51, Jev를 51.67로 평가했으며, Laya는 “제로샷으로 사용하는 것이 아니라 특화하기 위한 기반”이라는 개발사의 조언에 부합한다고 제시했다.
- 한편, 독립형 JevBench v1.2.2에서는 Laya가 70.1, Jev 1.13.0이 75.3라는 수치를 나타낸다. 기사는 “둘 다 스스로 실행하지는 않는다”고 명시하고 있다.
결국 “Laya는 Jev에게 이겼다/졌다”라는 질문 자체가 측정하고 있는 대상의 차이에서 비롯되지 않으므로 성립하지 않는다.
또한, 실제 운영에서 드러나는 약점도 보고되고 있습니다.
- 출하 시 무게는 과신 경향이 있으며, 질문 유형 및 선택지 수 조합별로 온도를 재조정하면 평균 ECE가 0.466에서 0.081로 감소한다는 내용이 모델 카드에 명시되어 있다.
- 고요한 붕괴: 영어판은 캄보디아어로 정확도 0.000에 평균 신뢰도 0.952를 보고했다. 다국어판 역시 Hugging Face 모델 카드에 따르면 신뢰도는 정확도에 관계없이 0.885를 밑돌지 않고, 신뢰도에 따른 필터링으로는 이러한 결함(버그)을 감지할 수 없다. 일본과 같은 라틴 문자 이외의 언어를 다루는 경우에는 설계 단계에서 모델 선택을 완료해야 한다.
- 위치 편향: 다국어 버전은 점수(순서 척도) 질문에서 맨 앞에 나열된 단계를 거의 선택하지 않는다. 독립적인 측정에서 290~300건 중 0~1회 발생했다. 이는 일본 개발사 GeneLab이 DEV Communityの記事에서 보고하고, GitHub Issue #131으로 README에도 경고가 게시된 내용이다. 개발자는 모델 카드에서 “영어 점수는 영어판으로 회전해야 한다”고 안내하고 있다. 이 편향은 다국어 버전의 점수 질문에서 특히 두드러지는 문제이다. 조사 메모에는 “Laya의 위치 편향”이라고 일괄적으로 기록되었지만, 대상 범위는 제한적으로 참고해야 할 것이다.
- 보편적인 문제”의 징후: 또 다른 오픈 소스 구현(lev)에서도 Score 질문의 첫 번째 슬롯 부족이 측정되고 있다. 이와 같은 모델 종류에 공통적으로 나타나는 약점일 수 있다.
이까지 살펴보니, 저는 오히려 Laya에 호감을 갖게 되었습니다. 무게가 공개되어 있어 누군가가 다시 측정하고 결점을 문서화하며, 개발자가 며칠 내에 README에 반영하는 이 과정 자체가 닫힌 API에는 없는 강점입니다.
형 안전 = 안전”이라는 착각: 의사 결정 방해
의사 결정 방해는 우리가 의식적으로 생각하고 판단하는 과정에 외부 요인이나 자동적인 반응이 개입하여, 우리가 원하는 대로 결정을 내리지 못하게 하는 현상입니다. 예를 들어, 어떤 문제에 직면했을 때, 우리는 기존의 경험이나 습관에 의존하여 빠르게 결론에 도달하려 합니다. 이때, 우리의 무의식적인 사고 과정이 의사 결정을 주도하게 되고, 이는 때로는 비합리적인 결과를 초래할 수 있습니다.
특히, “형 안전”이라는 틀에 갇히게 되면 이러한 문제가 더욱 심화될 수 있습니다. 우리는 이미 성공했던 방식이나 패턴을 그대로 반복하려는 경향이 있으며, 새로운 정보나 상황에 대한 적절한 판단을 내리지 못하게 됩니다. 이는 마치 “안전지대”를 벗어날 수 없다는 듯한 갇힌 사고방식으로 이어져, 오히려 위험을 증가시키는 결과를 초래할 수 있습니다.
출력이 특정 형식에 종속되어 있기 때문에, 프롬프트 주입(AI에 침투하여 악의적인 지시를 내리는 행위)은 효과가 없을 수 있다. 반면, 이러한 직감은 위험하다.
arXiv 논문 ‘디시전 하이재킹(Decision Hijacking)’은 jev-1.13.0을 대상으로 510건의 InjecAgent 재구성 사례에서 검증 결과를 확인했다. 결론은 “스키마로 묶는 것은 위험의 성질을 변화시키지만, 제거하는 것은 아니다”이다.
- 악의적인 콘텐츠로 인해 Jev가 보고하는 행동 확률이 변동한다.
- 그러나 공격자가 노리고 선택한 옵션이 실제로 선택되는 경우는 드물었다.
- 적응적 공격(스코어 접근 권한이 있는 경우)은 최적의 도달 확률을 두 배로 높이지만, 검증된 성공 사례는 드물었습니다.
- 성공 사례는 초기 판단 마진이 작은 경우 또는 공격자가 관측의 대부분을 지배하는 경우와 관련 있었다.
즉, “대참사”라고 할 수는 없지만 “제로”가 아니었다. 또한 논문은 생성형 LLM과의 안전성 직접 비교는 하지 않았으며, 그 한계에 대해 “적대적으로 유도하는 문구가 답변을 변경시킬 수 있다”고 서술하고 있으며 (VentureBeat), Pydantic의 공식 문서 또한 Jev를 사용한 가드는 결정론적 체크의 대체가 아닌 병행해야 한다고 설명하고 있다.
침투 테스트 전문가를 위한 연구는 더욱 솔직하게 작성되었으며, 적대적 입력으로 인한 판단의 편향은 아직 실증적으로 검증되지 않은 위험하다는 점을 지적한다. 단발적인 탐색적 사례 연구로 효과를 단정할 단계는 아니라는 내용이 추가되었다.
한편, 특정 분석 기사는 allow/review/block의 임계값 설계를 예로 들어 공격자가 “완전히 안전하다고 믿게 할 필요는 없으며, block 확률을 review 밴드까지 약간 낮추면 인간 리뷰의 약점을 공략할 수 있다”고 논지하고 있다 (Penligent). 이는 가설적인 시나리오이지만, 설계의 교훈으로서 날카롭다. “모델은 위험을 추정하고, 시스템이 보안을 강제한다”라는 한 문장에 모든 것이 압축되어 있다.
6. 세계 지도: 지능의 재배치는 동시에 다발적으로 일어나고 있다.
이 현상의 재미는 한 나라, 한 사장의 이야기로만 존재하는 것이 아니다.
중국·아시아: HarnessPAI는 샤오미가 주도하고, 청화, 난징, 상하이 자오퉁, 동중국 보통대학, 중국과학기술원 자동화연구소 등 중국 기관뿐 아니라 UCL, 킹스 칼리지 런던, 임페리얼 칼리지 런던, 옥스퍼드, 에딘버러, NTU(싱가포르) 연구자들이 공저자로 참여하는 국제적인 라인업이다. 경쟁하는 Harness VLA 역시 청화, Infinigence AI, HKUST, 중국과학기술원, 미국 파듀대학교 등의 공동으로 개발되었으며, 코드는 RPent로 공개된다. Jev의 경우, 중국어권에서도 “System One”을 독립적인 연구 영역으로 정리한 오픈 자료집이 48건의 커뮤니티 구현 사례를 카탈로그화하고 있다. 제 노트에서도, 具身智能(구신지능)의 최전선(데이터와 양산 관점)을 다룬 기사가 있다.
미국: TypeSafe(샌프란시스코), Vercel, LangChain, Pydantic. 소프트웨어 기반 측에서 Jev를 빠르게 통합했다. 로봇 측에서는 Physical Intelligence나, ASPIRE의 공저자 중 한 명으로 이름을 올린 로봇 공학 연구자들이 코드를 통해 실력을 발견하는 노선을 진행하고 있다.
인도: Convai Innovations이 Jev 호환 가중치를 3일 만에 제시했다. 이는 1년 반 전 연구를 기반으로 한 것이다. OSS 세계에서는 “후출”이 “선행 연구 활용”으로 이어질 수 있다는 사례이다.
일본: Jev가 등장한 이후 약 1주일 동안 Zenn, Qiita, note, Docswell에 검증 기사가 잇따라 나타났다. GeneLab 씨의 초점 정보 융합 및 위치 편향 재현, ai-native.jp의 일본어 구현 검증(분류 일치율이 기존 LLM과 동일했다는 것), unsoluble_sugar 씨의 입문 슬라이드, Node.js 버전의 laya와 Apple Silicon용 MLX 버전이 단기간에 등장했다. 일본 개발자 커뮤니티는 “사용해보고, 측정하고, 고쳐라” 하는 데 강점이 있음을 다시 한번 보여주었다.
OSS 생태계는 더불어 OpenJev처럼 Jev와 동일한 와이어 API를 사용하는 구현이 난립하고 있다. 카테고리의 표준이 정해지기 전의 캄브리아 폭발과 같은 모습이다.
또한 Physical AI 전체 맥락에서 NVIDIA의 Jensen Huang이 2026년 CES에서 “로보틱스의 ChatGPT 모멘트”를 언급했다는 내용이 일본어 해설 기사에서도 널리 소개되고 있으며 (하가지 씨의 note), 모델의 주도권 경쟁의 외곽에서 OS, 미들웨어, 하르네스의 계층을 둘러싼 경쟁이 시작되고 있다는 전망도 나오고 있습니다 (C-JLab 씨의 note는 Google이 로봇 버전의 Android를 노릴 것이라고 논했습니다).
즉, 지능의 재배치는 모델층, 판단층, 실행층, OS층의 4가지 지점에서 전 세계적으로 동시에 진행되고 있다.
7. 다섯 가지 가설을 지지 및 반증을 통해 검증한다.
조사 중심적인 질문은 다음과 같았다. “모델의 가중치뿐만 아니라 판단 모델, 실행 코드, 평가 기구 설계는 어떤 조건에서 유효한가?” 5가지 가설로 정리한다.
가설 1: 능력 향상은 모델의 대형화보다 하르ネス 설계에서 얻어지는 경우가 더 많아지고 있다. 근거: HarnessPAI는 동결된 모델 상태 그대로 LIBERO-PRO에서 60 포인트 이상의 개선을 보고했으며, Harness VLA 역시 가중치를 업데이트하지 않고도 상당한 개선을 보였다. 반증: OpenVLA-OFT와 같이 모델 내부의 개선(병렬 디코딩, L1 회귀 등)이 성공률과 속도 모두에 효과를 보이는 사례가 있다. HarnessPAI 자체도 일부 결과를 “가중치 재활용(추가 학습)”으로 제시했다. 하르ネス와 모델은 대립이 아닌 순환적인 관계를 가진다.
가설 2: 판단, 계획, 제어를 분리하면 시스템의 검증 가능성이 높아진다. 근거: 타입이 고정되므로 JSON 파싱 오류와 같은 형식 오류가 발생하지 않는다. 코드의 경우, 정적 검사와 과거 트레이스 재생이 가능하다. 반증: Decision Hijacking이 보여주듯이, 분리만으로는 “판단 내용”에 대한 공격 방어성은 보장되지 않는다. 검증 가능성은 분리 자체가 아니라, 분리된 각 계층에 고유한 검증 수단을 적용해야만 실현된다.
가설 3: 모델의 가중치보다 코딩 및 기술이 모델 간 재사용 가능성이 더 높다. 근거: π0.5용 하르네스를 DreamZero에 그대로 탑재하여 크게 개선했다. 기술이 “단계” 단위로 정리되어 있어, 작업을 넘어 재용이 가능하다. 반증: 이는 동일한 로봇과 동일한 시뮬레이션 환경에서 이루어진 사례이다. 로봇의 자유도나 센서 배치가 바뀌면 하드코딩된 기하학적 계산이 붕괴될 수 있다. 가중치가 지닌 암묵적인 일반성과 코드의 이식성이 어느 쪽이 더 비용 효율적인지는 체계적인 비교가 아직 없는 상태이다.
가설 4: 실행 시 추론을 줄이고 개발 시 지능을 이식하면 반복 작업의 비용이 감소한다. 지지: 실행 단계에서 LLM 호출이 0건으로, 직렬 방식에서 23.1배의 가속화가 보고되었다. 반증: 움직이는 장애물이나 예측 불가능한 외부 요인으로 인해 실세계에서는 실행 중 재계획이 필요한 경우가 많다. HarnessPAI는 실세계에서의 리셋은 전제할 수 없다고 언급하고 있다. “실행 시에는 생각하지 않는다”는 것은 “환경이 안정적이다”는 의미로 해석될 수 있다.
가설 5: 신뢰성은 모델의 능력뿐만 아니라 상태 설계 및 평가기의 독립성, 안전 제어에 크게 의존한다. 지지: HarnessPAI의 성공적인 계약과 작가-진단가 분리, 결정론적 최종 게이트. Jev의 ECE를 보고 임계값에서 인간에게 돌려 운영하는 방식이다. 반증: 평가를 VLM(대규모 언어 모델)에 의존하는 설계에서는 VLM의 오판이 학습 루프에 혼입될 가능성이 있다. HarnessPAI는 최종 판정을 환경의 결정론적 성공 조건에 두고 있지만, 이는 시뮬레이션이기에 가능한 설계이다. 실제에는 그러한 “정답 버튼”이 존재하지 않는 경우가 많다.
8. 설계 패턴: 지능을 배치하는 “4개의 선반”
마지막으로, 이를 실무에 적용할 수 있도록 설계의 틀로 정리한다.
1열 서가: 제어 계층(서보 제어 등 고속 저수준 기술 포함). 결정론적 PID 제어 또는 하드웨어 안전 장치를 설치한다. 확률적 AI는 적용하지 않는다.
제2의 선반: 행동 생성층 (수 ~ 수십 Hz). VLA와 같은 연속 동작 모델로, 언어의 논리적 추론을 담당하지 않고 감각 운동 매핑에 집중한다.
3번째 선반: 판단 및 라우팅 계층(매 초 수회 정도). Jev/Laya와 같은 스키마 기반의 판단 모델로, “이대로 실행해도 괜찮은가?”, “재시도할까?”, “인간에게 전달할까?” 등의 분기 처리를 담당한다.
4번째 선반: 계획 및 개발 계층 (실행 간의 공백 속). 거대 언어 모델(LLM) 및 코딩 에이전트. 작업 해석, 코드 생성, 실패 로그 분석, 패치 적용.
또한, 이 4층 구조를 관통하는 3가지 원칙을 제시한다.
- 확률을 사용한다면 교정치를 측정한다. Jev와 같이 확률 출력을 임계값 게이트에 사용한다면, 자신의 데이터로 ECE를 측정한다. Laya에서 관측된 “확신도가 높지만 전멸하는” 경우를 가정하고, 모델 선택은 전향적 계산 전에 결정론적 처리(문자종류 판별 등)로 먼저 완료한다.
- 자신을 직접 채점하는 일은 하지 않고, 글을 쓰는 역할과 평가하는 역할을 분리하며, 최종 결과는 AI가 아닌 환경이나 결정론적인 검사에 맡긴다.
- 불가역적인 조작은 확률에 맡길 수 없다. 삭제, 송금, 차단과 같은 조작은 확신도뿐만 아니라 정책의 결정론적 검토와 인간의 승인을 반드시 통과한다. HatchWorks가 “유효한 출력”, “정확한 판단”, “승인된 행동”을 다른 검토라고 칭한 것처럼 말이다.
제보즈 이야기를 다시 돌아가자. 판단이 덜 묻는 정도가 낮아질수록 우리는 AI에 더 많은 판단을 맡긴다. 그래서 AI 모델의 성능 경쟁만큼이나 맡겨도 괜찮은 범위를 설계하는 기술이 중요해진다.
아직 아무도 답을 가지고 있지 않은 세 개의 빈칸
- VLM을 심판으로 삼는 자기 개선의 함정이다. HarnessPAI는 진단에 VLM(Gemini)을 사용하지만, 최종 관문은 환경의 성공 조건이다. 따라서 환경에 정답 버튼이 없는 현실 세계에서 누가 성공을 판정하는 걸까. 시각 언어 모델의 오판이 “가짜 성공 경험”으로 축적될 때, 자가 진화하는 시스템은 잘못된 방향으로 최적화된다. 독립적인 “메타 평가” 메커니즘이 필요하다.
- 결정 경계에 대한 적대적 공격의 실질적인 운영에서의 심각성. Decision Hijacking은 위험의 존재를 시사했지만, 저자 스스로가 “선택지가 3개 정도”, “단일 모델 버전” 등과 같은 한계를 언급하고 있다. 대규모 행동 집합이나 다른 System One 모델에서는 아직은 미지수이다.
- 형태가 변했을 때, 코드와 중위치가 더 저렴한가. 로봇 팔의 자유도가 변했을 때, 모델을 재학습시키는 것이 더 저렴한가 아니면 코드를 재구성하는 것이 더 저렴한가. 정량적인 비교는 거의 존재하지 않는다.
10. 마지막에: 당신이라면, 지능을 어디에 둘까요?
“not”라는 한 단어로, 세계 최고 수준의 로봇 손이 멈췄다. 그 옆에는 문장을 내놓지 않는 AI가 매 초마다 수많은 판단을 수백만분의 일초 안에 해결하기 시작했다. 그리고 코드가, 실패를 자산으로 바꾸면서, 조용히 업무의 흐름을 재구성하고 있었다.
이 세 가지는 각각 다른 이야기처럼 보이지만, 하나의 이야기를 그리고 있다. 지능은 모델 안에 갇혀 계속해서 증가하는 것이 아니라, 코드와 판단, 검증 메커니즘으로 스며나간다.
그 결과, 새로운 질문들이 제기되고 있습니다.
- 확률이 진실만을 반영한다고 해서 판단이 정확하다는 의미는 아니다.
- 판단이 타당한 것과 실행 가능한 것은 동일하지 않다.
- 자신이 쓴 답을 스스로 채점해서는 안 됩니다.
- 다음 설계 과제에서 누가 채점자가 될지 결정될 것이다.
제브의 데모에서는 AI가 둠을 “생각하지 않고” 즐긴다. 해럴드PAI에서는 로봇이 “계획을 완료한 후” 실행한다. 둘 다 생각의 장소를 움직이는 장소와 분리했다는 공통점이 있다.
당신의 시스템에서는 지능이 어디에 위치한다고 생각하시겠습니까. 모델 안에 있을까요, 아니면 프롬프트 안에 있을까요. 언제든지 다시 읽고 수정하고 검증할 수 있는 곳에 있을까요.
이 질문에 대한 답은 아마도 한 번 읽기에만으로는 나오지 않을 것이다. 몇 주 후에 다시 이 기사를 열었을 때, 다른 구절이 눈에 들어온다면 나는 그것을 매우 기쁘게 생각할 것이다.
참고 링크 모음 (초급 정보 및 관련 정보)
논문 및 프로젝트 페이지
- ## HarnessPAI: 물리적 AI를 위한 진화하는 프레임워크
HarnessPAI는 물리적 AI 연구를 위한 프레임워크로, 특히 강화 학습을 활용한 로봇 제어 및 물리 시스템 시뮬레이션에 초점을 맞추고 있습니다. 이 프레임워크는 다양한 물리 시뮬레이터와 연동하여, 실제 로봇과 유사한 환경에서 AI 모델을 훈련하고 평가할 수 있도록 설계되었습니다.
HarnessPAI의 핵심 기능은 다음과 같습니다.
* **다양한 시뮬레이터 지원:** Gazebo, MuJoCo, PyBullet 등 널리 사용되는 물리 시뮬레이터와 원활하게 연동됩니다. 이를 통해 연구자는 자신의 연구 목표와 가장 적합한 시뮬레이터를 선택하여 사용할 수 있습니다.
* **강화 학습 기반 제어:** 다양한 강화 학습 알고리즘을 지원하며, 로봇의 움직임 제어, 물체 조작, 경로 계획 등 다양한 물리 시스템 제어 문제 해결에 활용될 수 있습니다.
* **자동화된 실험 관리:** 실험 설정, 데이터 수집, 모델 훈련, 평가 등 전체 실험 과정을 자동화하여 연구 효율성을 높입니다.
* **확장 가능한 아키텍처:** 새로운 시뮬레이터, 알고리즘, 데이터셋을 쉽게 추가할 수 있도록 설계되어, 연구자의 요구사항 변화에 유연하게 대응할 수 있습니다.
HarnessPAI는 특히 다음과 같은 연구 분야에 유용합니다.
* **로봇 제어:** 로봇의 움직임 제어, 물체 조작, 경로 계획 등 다양한 로봇 제어 문제 해결
* **물리 시스템 시뮬레이션:** 물리 시스템의 동작을 시뮬레이션하고, AI 모델을 통해 제어하는 연구
* **강화 학습 연구:** 강화 학습 알고리즘의 성능을 평가하고, 새로운 강화 학습 알고리즘 개발
HarnessPAI는 지속적으로 발전하고 있으며, 앞으로 더욱 다양한 기능과 성능을 제공할 것으로 기대됩니다. 연구자들은 HarnessPAI를 활용하여 물리적 AI 분야의 혁신을 이끌어낼 수 있을 것입니다.
- 해슨 PAI 프로젝트 페이지
- VLA 활용: 고정된 VLA를 안정적인 조작 프라임으로 지휘하기
- VLA 코드 (RLinf/RPent)
- OpenVLA-OFT 논문 (arXiv 2502.19645)
- OpenVLA-OFT 리포지토리
- 리베로-프로 (arXiv 2510.03827)
- π의 제곱근 논문 (arXiv:2504.16054)
- OpenVLA 논문 (arXiv 2406.09246)
- 결정 조작: Jev의 유형화 확률적 결정에 대한 프롬프트 주입 공격
- 캘리브레이티드 의사 결정 모델을 기반으로 한 자율 침투 테스트 툴킷
제브/시스템 원 모델
- TypeSafe AI 공식 웹사이트
- 이제 Jev에 대해 좀 더 자세히 알아보겠습니다. Jev는 HatchWorks가 개발한 매우 독특한 도구입니다.
Jev는 주로 개발자들이 다양한 프로젝트의 코드를 더 효율적으로 관리하고 공유하기 위해 설계되었습니다. 구체적으로 Jev는 코드 버전 관리, 협업 기능, 코드 테스트 및 디버깅을 지원하는 기능을 제공합니다.
Jev의 가장 큰 특징은 직관적인 인터페이스와 사용 편의성입니다. 개발자는 Jev를 사용하여 복잡한 코드베이스를 쉽게 이해하고 조작할 수 있습니다.
또한 Jev는 다양한 프로그래밍 언어에 대응하며, JavaScript, Python, Java 등 많은 언어로 코드를 관리할 수 있습니다.
더불어 Jev는 HatchWorks의 다른 도구와 연동될 수 있습니다. 예를 들어 HatchWorks의 프로젝트 관리 도구와 연동하면 프로젝트 전체의 진행 상황을 더 자세하게 파악할 수 있습니다.
Jev는 개발자의 생산성을 향상시키고 프로젝트의 성공을 지원하는 강력한 도구입니다.
- 제브(Jev)는 OpenAI에서 개발한 대규모 언어 모델(LLM)입니다. 2023년 11월에 공개되었으며, GPT-4를 능가하는 성능을 보인다는 평가를 받았습니다. 특히 복잡한 추론 능력과 창의적인 텍스트 생성 능력에서 두각을 나타냈습니다.
제브는 다양한 분야에서 활용될 수 있도록 설계되었으며, OpenAI는 제브를 통해 인공지능 기술의 발전을 가속화하고 인간과 AI의 협업을 촉진하는 데 기여할 것으로 기대하고 있습니다. 현재 제브는 OpenAI의 API를 통해 접근 가능하며 연구 및 개발 목적으로 활용되고 있습니다.
- The Register: TypeSafe AI, 기계용 둠 플레이 모델 출시
- YourStory：What is Jev?
제브는 일본의 핀테크 스타트업으로, 개인 금융 관리 앱을 통해 사용자에게 맞춤형 금융 솔루션을 제공하고 있습니다.
제브는 특히 ‘소비 패턴 분석’ 기능을 통해 사용자의 소비 습관을 파악하고, 불필요한 지출을 줄이고 효율적인 자금 관리를 돕는 데 집중하고 있습니다. 또한, 사용자의 재정 목표를 설정하고 달성하도록 지원하는 기능도 제공합니다.
최근 제브는 ‘미래형 금융’을 지향하며, 사용자에게 더욱 다양한 금융 상품 및 서비스에 대한 정보를 제공하고, 투자, 보험 등 다양한 분야의 전문가와 상담을 연결하는 서비스를 확대하고 있습니다.
특히, 제브는 ‘스마트 저축’ 기능을 통해 사용자의 소비 패턴과 재정 목표에 맞춰 자동으로 저축액을 설정하고 관리해주는 기능을 제공하며, 사용자 편의성을 높이는 데 주력하고 있습니다.
제브는 사용자 중심의 서비스를 통해 일본 개인 금융 시장에서 빠르게 성장하고 있으며, 앞으로 더욱 혁신적인 금융 솔루션을 제공하며 시장을 선도해 나갈 것으로 기대됩니다.
- 더 나은 무작위: 업계 요약 #14
- 제이비 타입세이프 AI에 대한 설명입니다.
- 쿠코인, 전 OpenAI 연구원, TypeSafe AI 출시
- VentureBeat: 기업들이 Jev를 인공지능 에이전트 결정 책임자로 임명
- 프롬프트 인덱스: 제브(Jev)가 무엇인가
제브(Jev)는 최근 틱톡에서 엄청난 인기를 얻고 있는 새로운 문화 현상이다. 틱톡에서 ‘제브’를 검색하면, 숏폼 영상 속에서 묘하게 매력적인 남성들의 모습이 쏟아져 나온다. 이들의 공통점은 겉으로 드러나는 ‘스타일’이다. 깔끔한 캐주얼룩, 힙한 스트릿룩, 혹은 미니멀한 룩 등, 다양한 스타일을 소화하며, 자신만의 개성을 드러내는 것이 특징이다. 하지만 단순히 유행을 따라가는 것을 넘어, 자신만의 ‘톤앤매너’를 구축하고 있다. 특히, ‘제브’들은 자신을 표현하는 방식에 있어서도 독특한 면모를 보인다. 틱톡 영상 속에서, 그들은 과장된 표정 연기, 재치 있는 멘트, 혹은 독특한 안무 등을 통해 시청자들에게 즐거움을 선사한다. ‘제브’의 인기 요인은 틱톡 알고리즘 덕분에 영상이 빠르게 확산되었고, ‘제브’들의 스타일이 틱톡 사용자들의 취향과 맞아떨어지며, ‘제브’들이 보여주는 자신감과 개성이 시청자들에게 긍정적인 영향을 미쳤기 때문이다. ‘제브’는 단순한 숏폼 콘텐츠를 넘어, 새로운 트렌드를 만들어내고, 젊은 세대의 문화적 아이콘으로 자리 잡고 있다. 앞으로 ‘제브’가 어떤 새로운 모습을 보여줄지, 그리고 이들이 만들어갈 문화의 흐름이 어떻게 변화할지 주목해야 할 것이다.
- 펜리젠트: 제브 AI 보안 솔루션
- 마크스(Maxim): 제브(Jev)가 무엇인가
제브(Jev)는 2023년 1월 18일에 발매된 앨범 ‘[RE:JEV]’의 수록곡이다. 앨범 전체의 컨셉은 ‘제브(Jev)’라는 이름의 인물을 통해 현대 사회의 불안과 고독, 그리고 그 속에서 희망을 찾는 과정을 담아낸다.
‘[RE:JEV]’는 앨범의 타이틀곡이자, 제브(Jev)의 정체성을 드러내는 핵심적인 곡이다. 몽환적이고 서정적인 멜로디에 제브(Jev)의 깊이 있는 보컬이 어우러져 듣는 이의 마음을 사로잡는다.
특히, 뮤직비디오는 제브(Jev)의 이야기를 시각적으로 표현하며, 앨범의 전체적인 메시지를 더욱 강화한다. 텅 빈 도시, 고독한 인물, 그리고 희망의 상징으로 나타나는 빛 등의 이미지를 통해 제브(Jev)의 내면세계와 그가 처한 상황을 효과적으로 보여준다.
‘[RE:JEV]’는 제브(Jev)의 음악적 역량을 보여주는 곡이며, 그의 음악을 통해 새로운 가능성을 제시하는 작품으로 평가받고 있다. 앨범 발매 이후, ‘[RE:JEV]’는 각종 음악 차트에서 높은 순위를 기록하며 제브(Jev)의 인기를 입증했다.
- 디오고 알메이다(AI 엔지니어)
레이아와 오픈 소스 소프트웨어(OSS)
- 라야(NandhaKishorM/laya)
- Laya 다국어 모델 카드 (Hugging Face)
- Laya Issue #244 (메타모픽 평가 제안)
- 시스템 원 모델즈: 라야
- 제브 뉴스: 레이아 오픈 웨이트스
- Flowtivity: Laya, 오픈 소스 Jev 대체재
Laya는 Jev의 오픈 소스 대안으로, 생산성 향상에 도움이 되는 다양한 기능을 제공합니다. Laya는 특히 다음과 같은 특징으로 주목받고 있습니다.
* **다양한 플랫폼 지원:** Laya는 웹, 데스크톱, 모바일 등 다양한 플랫폼에서 사용할 수 있습니다.
* **강력한 기능:** Laya는 작업 관리, 시간 추적, 목표 설정, 프로젝트 관리 등 다양한 기능을 제공합니다.
* **오픈 소스:** Laya는 오픈 소스 프로젝트이므로 무료로 사용할 수 있으며, 필요에 따라 기능을 수정하거나 추가할 수 있습니다.
* **사용자 친화적인 인터페이스:** Laya는 직관적이고 사용하기 쉬운 인터페이스를 제공합니다.
Laya는 Jev를 사용하던 사용자들에게 좋은 대안이 될 수 있으며, 새로운 생산성 도구를 찾는 사용자들에게도 좋은 선택이 될 수 있습니다. Laya에 대한 자세한 내용은 [Flowtivity 웹사이트](https://flowtivity.app/)에서 확인할 수 있습니다.
- Bugtraq 솔루션즈: Laya vs Jev
Laya는 2023년 1월 26일에 출시된 새로운 게임 엔진으로, 특히 2D 게임 개발에 중점을 두고 있습니다. LayaAir는 Laya가 제공하는 프레임워크로, HTML5 기반의 2D 게임 개발을 위한 다양한 도구와 기능을 제공합니다. LayaAir는 웹 브라우저에서 실행되는 게임을 개발할 수 있다는 장점과 다양한 플랫폼(iOS, Android, PC 등)으로 쉽게 배포할 수 있다는 장점을 가지고 있습니다.
Jev는 2022년 11월에 출시된 2D 게임 엔진으로, 특히 2D 횡스크롤 액션 게임 개발에 강점을 가지고 있습니다. Jev는 뛰어난 성능과 직관적인 인터페이스를 제공하며, 다양한 튜토리얼과 커뮤니티 지원을 통해 초보자도 쉽게 사용할 수 있도록 설계되었습니다. 또한, Jev는 다양한 플랫폼(PC, 모바일 등)으로 배포할 수 있으며, 특히 모바일 게임 개발에 최적화되어 있습니다.
Laya와 Jev는 모두 훌륭한 2D 게임 엔진이지만, 각각의 특징과 장단점이 있습니다. Laya는 웹 기반 게임 개발에 적합하며, 다양한 플랫폼으로 배포할 수 있다는 장점이 있습니다. 반면, Jev는 횡스크롤 액션 게임 개발에 특화되어 있으며, 뛰어난 성능과 직관적인 인터페이스를 제공합니다.
어떤 게임 엔진을 선택할지는 개발하려는 게임의 종류와 개발자의 숙련도에 따라 달라집니다. 횡스크롤 액션 게임을 개발한다면 Jev가 좋은 선택이 될 수 있으며, 웹 기반 게임을 개발한다면 Laya가 더 적합할 수 있습니다.
Bugtraq 솔루션즈는 Laya와 Jev 모두를 지원하는 솔루션 제공 업체입니다. 이들은 Laya와 Jev를 사용하여 게임 개발 프로세스를 간소화하고, 게임 개발자의 생산성을 향상시키는 데 도움을 줍니다. Bugtraq 솔루션즈는 또한 Laya와 Jev에 대한 기술 지원과 교육 서비스를 제공합니다.
- Ai Miracle：Laya AI 모델
오늘 소개해 드릴 것은 Laya AI 모델입니다. Laya AI는 2023년 11월에 출시된 AI 모델로, 특히 이미지 생성 분야에서 뛰어난 성능을 보여주고 있습니다.
Laya AI 모델은 딥러닝 기반으로 학습되었으며, 방대한 양의 이미지 데이터를 활용하여 학습되었습니다. 이러한 학습 과정을 통해 Laya AI 모델은 다양한 스타일과 퀄리티의 이미지를 생성할 수 있습니다.
특히, Laya AI 모델은 사용자가 원하는 대로 이미지를 세밀하게 제어할 수 있도록 설계되었습니다. 사용자는 프롬프트를 통해 원하는 이미지의 내용을 구체적으로 지정할 수 있으며, 생성된 이미지의 스타일, 색상, 구도 등을 조정할 수 있습니다.
Laya AI 모델은 다양한 분야에서 활용될 수 있습니다. 예를 들어, 광고, 디자인, 예술 등 다양한 분야에서 창의적인 아이디어를 시각화하는 데 활용될 수 있습니다. 또한, 개인적인 용도로도 활용될 수 있으며, 사용자가 상상하는 모든 것을 이미지로 구현할 수 있습니다.
Laya AI 모델은 지속적으로 업데이트되고 개선될 예정입니다. 앞으로 더욱 다양한 기능과 성능을 제공할 수 있도록 노력할 것입니다.
Laya AI 모델에 대한 자세한 정보는 Laya AI 공식 웹사이트([https://www.layai.com/](https://www.layai.com/))에서 확인할 수 있습니다.
참고: Laya AI 모델은 현재 베타 버전으로 제공되고 있으며, 일부 기능은 제한될 수 있습니다.
추가 정보: Laya AI 모델은 특히 다음과 같은 특징을 가지고 있습니다.
* 고품질 이미지 생성: Laya AI 모델은 높은 해상도의 이미지를 생성할 수 있으며, 이미지의 디테일과 퀄리티가 뛰어납니다.
* 다양한 스타일 지원: Laya AI 모델은 사진, 그림, 일러스트 등 다양한 스타일의 이미지를 생성할 수 있습니다.
* 사용자 맞춤형 설정: Laya AI 모델은 사용자가 원하는 대로 이미지를 세밀하게 제어할 수 있도록 다양한 설정 옵션을 제공합니다.
* 빠른 생성 속도: Laya AI 모델은 빠른 속도로 이미지를 생성할 수 있어, 사용자의 작업 효율성을 높여줍니다.
- jevmodel.org：레이아(Laya)는 무엇인가?
- 렉시슨/레이아 (Node.js/TypeScript 버전)
- OpenJev (라조르백16)
- 레브 이슈 #1 (스코어 질문 위치 편향)
- 시스템 원 연구 자료집
이번 검토에서는 2023년 1월 26일에 출시된 소설 ‘별바람’의 독서 커뮤니티 반응을 분석했습니다. 이 소설은 인기 작가 히노키 하루키가 집필한 작품으로, SF 요소와 로맨스 요소를 결합한 것입니다. 독서 커뮤니티에서는 특히 주인공의 갈등과 성장, 그리고 이야기의 마지막 장면 평가가 엇갈렸습니다. 일부 독자들은 주인공의 심리 묘사가 현실적이고 공감할 수 있어 감동적인 작품이라고 칭찬한 반면, 다른 독자들은 이야기 전개가 너무 빠르고 캐릭터 심리 묘사가 부족하다고 지적하며 불만을 제기했습니다. 또한 히노키 하루키의 다른 작품과 비교했을 때, 이 작품의 평가 또한 다양했습니다. 일부 독자들은 히노키 하루키의 작품 스타일을 높이 평가하여 이 작품을 그의 대표작 중 하나로 보았지만, 다른 독자들은 그의 작품 스타일에 익숙하지 않아 낮은 평가를 내렸다는 의견도 있었습니다.
- GeneLab: Jev의 오픈소스 버전 Laya의 숫자를 초기 정보 3가지와 비교 분석했다 (Zenn)
- GeneLab: 나는 버그를 완전히 고치지 못하고, 문제를 기록하고 다음 단계로 넘어가기로 결정했습니다.
- TypeSafe Jev는 AI 기반의 코드 자동 완성 도구로, 특히 JavaScript 개발 환경에서 활용도가 높습니다.
TypeSafe Jev는 OpenAI의 GPT 모델을 기반으로 구축되었으며, 개발자가 코드를 작성하는 동안 실시간으로 코드 제안을 제공합니다. 단순히 코드 조각을 제시하는 것을 넘어, 문맥을 이해하고 적절한 코드 블록을 추천하여 개발 생산성을 크게 향상시킵니다.
TypeSafe Jev는 다양한 JavaScript 프레임워크 및 라이브러리와의 호환성을 지원하며, 특히 Next.js, React, Node.js 등과 함께 사용될 때 그 효과를 발휘합니다.
TypeSafe Jev는 무료 버전과 유료 버전으로 제공됩니다. 무료 버전은 기본적인 기능만 제공하며, 유료 버전은 더 많은 기능과 더 높은 사용량 제한을 제공합니다.
TypeSafe Jev를 사용하면 다음과 같은 이점을 얻을 수 있습니다.
* 개발 시간 단축: 코드 자동 완성 기능을 통해 개발 시간을 단축할 수 있습니다.
* 코드 품질 향상: AI 기반의 코드 제안을 통해 코드 품질을 향상시킬 수 있습니다.
* 학습 효과 증진: 새로운 기술이나 라이브러리를 학습하는 데 도움을 받을 수 있습니다.
TypeSafe Jev는 JavaScript 개발자라면 누구나 사용해 볼 가치가 있는 도구입니다. (참고: TypeSafe Jev는 현재 (2024년 5월 16일) 1.0 버전으로 출시되었으며, 지속적인 업데이트를 통해 기능이 개선되고 있습니다.)
- 불용성 설탕: 모두 제브(Docswell)에 대해 이야기하고 있어
- 제이의 영상에서 그 장면 묘사가 끔찍하다. 더 정교하고 감정을 담아 묘사했으면 했다. 특히 그 때 그의 표정은 마치 로봇 같았다. 그의 마음의 갈등과 고뇌를 더 잘 표현했으면 했다.
또한 그 장면의 음악도 분위기를 해쳤다. 더 조용하고 애절한 음악이었다면 더 감동을 받았을 거다.
그럼에도 불구하고 제이의 연기는 역시나 훌륭하다. 그의 연기력은 다른 사람들과 비교할 수 없을 정도로 독보적인 존재다. 그의 연기를 보는 것만으로도 감동이 멈추지 않는다.
이 영상을 시청한 사람들 중에도 제이의 연기에 감동한 사람이 많을 것이다. 제이의 연기는 많은 사람들에게 용기와 희망을 くれる.
제이의 향후 활약을 진심으로 응원한다.
물리적 AI 및 관련 노트 등
- 라프만 AI (저자의 노트)
- 작가의 노트: 피지컬 AI 잡지
- 저자의 노트: 하르네스 엔지니어링 매거진
- 작가의 노트: 에이전트 AI 기반 매거진
- 작가의 노트: 물리 AI 혁명의 최전선에 서 있습니다. 최근 AI 기술의 발전이 괄목할 만하며, 특히 물리 AI 분야는 무한한 가능성을 지니고 있어 저 또한 깊이 관여하게 되었습니다.
구체적으로, 최근 읽은 ‘The Alignment Problem’(브라이언 크리스찬 著)에서 제기된 AI의 목표 설정과 인간의 가치관과의 일관성 문제는 물리 AI에서도 핵심적인 과제입니다. AI가 자율적으로 작동할 경우, 인간의 의도와 상충될 가능성을 면밀히 고려해야 합니다.
또한, 도쿄대학교 마츠오 요토 교수의 연구에 주목하고 있습니다. 마츠오 교수는 AI를 활용하여 로봇 제어의 최적화를 연구하고 있으며, 이는 산업용 로봇의 성능 향상에 크게 기여할 것으로 기대됩니다. 특히, 마츠오 교수가 개발한 강화 학습 기반 로봇 제어 시스템은 복잡한 환경에서도 뛰어난 성능을 보이며, 그 활용 범위는 매우 넓다고 판단됩니다.
더욱이, AI를 활용한 신소재 개발에 대한 관심도 높아지고 있습니다. AI가 방대한 데이터를 분석하여 인간이 미처 생각하지 못한 새로운 소재의 조합이나 조성에 대한 제안을 함으로써, 혁신적인 소재 개발을 가속화할 수 있을 것으로 기대됩니다.
이러한 기술 혁신은 우리의 삶과 사회에 큰 변화를 가져올 잠재력이 있습니다. 물리 AI의 발전을 주시하며, 그 가능성을 최대한 활용하기 위해 저 또한 적극적으로 기여해 나가고자 합니다.
- 저자의 노트: 신체성을 열어가는 인터넷의 미래
- 해결: 신기술 동향 - 물리AI (VLM/VLA)
- C-JLab：구글이 “로봇 안드로이드”를 만들기 시작한 날
- 물리 지능(Physical Intelligence)은 2006년 설립된 일본 기업으로, 인체 공학적 디자인과 기술을 기반으로 한 제품을 개발 및 판매한다. 특히 ‘마음의 짐’이라는 이름으로 불리는 척추 지지기(척추 보조기)를 통해 척추 건강 문제 개선에 기여하고 있다.
이 회사는 2018년, 2019년, 2020년 연속으로 일본 ‘혁신 디자인 어워드’에서 최우수상을 수상하며 기술력과 디자인 경쟁력을 인정받았다.
물리 지능의 핵심 기술은 ‘기억 지지 기술’이다. 이는 척추의 각 부분에 맞는 압력을 정확하게 전달하여 척추의 균형을 맞추고 척추 근육의 활성화를 유도하는 기술이다.
이 회사는 또한 ‘마음의 짐’을 통해 척추 건강 문제를 겪는 사람들에게 심리적인 안정감을 제공하는 데 중점을 두고 있다. 척추 보조기 착용 시 몸과 마음의 연결을 통해 스트레스 해소와 심리적 안정에 도움을 준다는 것이다.
물리 지능은 현재 일본 내에서 ‘마음의 짐’을 통해 척추 건강 문제 개선에 기여하고 있으며, 해외 시장 진출을 위한 연구 개발에도 적극적으로 투자하고 있다.
해리 포터 시리즈의 영화화로, 제임스 다트레이가 ‘마법의 숲’이라는 제목으로 원작의 1편을 기반으로 한 영화를 기획했다는 정보가 나왔습니다. 하지만 워너 브라더스의 반대로 인해 실현되지 않았습니다. 다트레이는 영화화에 있어서 원작의 분위기를 해치지 않도록, 이야기의 배경을 마법의 숲 주변 지역으로 제한하고 등장인물의 수를 줄이는 등 노력을 기울였습니다.
이 기획은 당초 2000년대 초반에 발표되었지만, 이후 여러 가지 사정으로 인해なかなか실현되지 않았습니다. 하지만 최근 영화계에서는 팬들의 요구에 응하기 위해 원작의 미공개 작품을 영화화하는 움직임이 활발해지면서 다시 ‘마법의 숲’의 영화화가 검토될 가능성이 나오고 있습니다.
‘마법의 숲’은 ‘해리 포터’ 시리즈 중에서도 특히 팬층에 강한 인기를 누리는 작품입니다. 다트레이는 이 작품을 영화화함으로써 새로운 팬층을 개척하고 시리즈 전체의 팬층을 확대하는 것을 목표로 했습니다.
하지만 워너 브라더스는 영화화에 있어서 원작의 이미지를 해치지 않도록, 스토리 전개나 캐릭터 묘사 등 세부 사항에 이르기까지 꼼꼼하게 신경 썼습니다. 그래서 다트레이의 기획은 워너 브라더스의 승인을 얻지 못하고 실현되지 않았습니다.
AI #물리AI #로보틱스 #AI 에이전트 #하르네스 엔지니어링 #LLM #최신AI 뉴스
관심 있으시면 좋아요❤️를 누르는 것을 부탁드립니다🙇 북마크로도 활용하실 수 있습니다. 더 관심 있는 주제가 있으시면 키워드만 보내주시면 앞으로의 주제 소재로 활용하겠습니다.
출처: note 원문
번역: Gemma 3(.44) 초벌 + 교정 181청크
원문 보기 | 출처: note.com