도망칠 곳은 없다

---

title: 도망칠 곳은 없다 title_original: EP114. No Chance to Escape channel: Chester Roh video_id: y7VAW4Xd_Q0 video_url: https://www.youtube.com/watch?v=y7VAW4Xd_Q0 drop_date: 2026-09-14 recorded_date: 2026-09-09 published_date: 2026-09-12 category_slug: ai-llm

URL: https://www.youtube.com/watch?v=y7VAW4Xd_Q0 날짜: 2026-09-14 채널: Chester Roh

---

📌 핵심 질문 / AI 가속이 모든 영역으로 번질 때 도망칠 곳은 어디인가

==수학 난제를 대규모 에이전트와 컴퓨트로 밀어붙이는 방식, 시각형 에이전트가 일상 업무를 대신하는 방식, 유전체를 계산 가능한 데이터로 바꾸는 방식이 동시에 진행되면서 인간의 연구·사업·안전 경계가 빠르게 무너지고 있다.==

• Navier–Stokes의 Millennium Prize Problem 도전은 test-time compute scaling, ansatz 탐색, 1만 개 agent swarm, RLVR, Codex orchestration이 결합된 사례다.
• GPT Image 2.5와 Astra는 이미지 생성, computer use, 브라우저 조작, 여행 예약, 브랜드 제작을 하나의 위임 루프로 묶는다.
• AlphaGenome과 AlphaGenome Atlas는 유전체의 조절 영역과 SNP 변이 영향을 계산해 희귀 유전병·암·신약 연구의 실험 순서를 바꾼다.
• 성능 가속과 함께 연구 크레디트, 학습 데이터 유출, RSI(Recursive Self-Improvement), AI safety·biosecurity·cybersecurity 문제가 커진다.

1. Navier–Stokes 난제와 대규모 AI 연구

Navier–Stokes 성과의 직접적인 공학적 효과보다, 검증 가능한 문제에 막대한 compute를 투입해 연구를 자동화한 방식이 더 큰 변화를 만든다.

1.1. 유체 방정식의 역사와 Millennium Prize Problem

1. Navier–Stokes의 물리적 위치

   1. 유체 시뮬레이션: 다변수 미적분학·미분방정식·유체역학에서 접하는 방정식이며 미디어 아트의 유체 효과에도 수치적으로 활용된다.
   2. Euler와의 차이: 1700년대 Euler 방정식은 점성이 없는 유체를, 1800년대 Navier와 Stokes의 방정식은 점성이 있는 유체를 다룬다.
   3. 해석적 난점: 실제 시뮬레이션은 수치적으로 수행할 수 있지만 일반적인 해석해를 보장하기 어렵다.

2. 밀레니엄 문제의 위상

   1. 선정 배경: Clay Mathematics Institute가 2000년에 일곱 문제를 선정했고, 푸앵카레 추측은 이미 해결됐으며 리만 가설·P vs NP·Navier–Stokes가 대표적인 미해결 문제로 남아 있다.
   2. 26년 동안의 부산물: 8월 말 Harvard University 응용수학 교수가 올린 「밀레니엄 문제에 대한 성찰」 preprint는 문제 자체의 해결보다 도전 과정에서 축적된 부산물과 현재의 실용적 위상을 짚었다.
   3. 리만 가설의 사례: 가설이 맞는 영점을 이미 12조 개 확인했기 때문에 가설이 풀리거나 반증되기 전에도 실용 계산은 큰 지장을 받지 않는다.
   4. P vs NP와의 공통점: 공식적 해결이 곧바로 산업 알고리즘을 뒤집는다는 뜻은 아니다.

3. 해결이 곧 태풍 예측의 혁명은 아닌 이유

   1. blow-up 문제: Navier–Stokes의 특이점(blow-up)이 수학적으로 존재하는지 증명돼도 실제 강물·바람에서 그런 특이점을 관측한다는 뜻은 아니다.
   2. 공학적 연속성: 태풍 예측, 난류 유체역학, 비행기·자동차 시뮬레이션에 쓰던 알고리즘이 갑자기 깨지거나 즉시 큰 변화가 생기지는 않는다.
   3. 형식적 중요성: 세간의 관심은 ‘밀레니엄 문제가 풀렸다’는 상징성과 수학적 형식성에 집중되며, 직접적인 엔지니어링 효과와 구분해야 한다.

1.2. OpenAI의 내부 모델과 test-time compute scaling

1. 중간 checkpoint의 출발점

   1. post-training 일정: 7~8월에 2주 동안 RL을 먹인다는 이야기가 있었고, Astra 자체가 아닌 다음 모델의 post-training이 8월 28일부터 재개됐다.
   2. 성과가 나온 기간: 9월 1일부터 녹화 전날까지 그 모델의 중간 checkpoint를 활용해 Navier–Stokes 관련 성과가 나왔다.
   3. 모델 정체 추정: Twitter에서 Bailey라는 이름이 거론됐고, 다른 pre-training run으로 Doug 같은 B 계열 이름도 언급됐으며 올해 말 출시 목표가 선언돼 있었다. Sam Altman이 말한 ‘much, much, much better’ 모델 후보로 추정됐다.

2. 로그 스케일의 성능 곡선

   1. 축의 의미: 그래프의 x축은 log scale인 test-time compute라서 한 칸 이동할 때마다 투입량이 10배씩 뛴다.
   2. 성능 상승: 선형 상승은 아니지만 Open Math Problems를 풀게 했을 때 내부 모델의 점수가 Astra보다 훨씬 높은 구간으로 올라간다. 예시 구간은 0.1에서 0.5까지로, 절대값보다 모델 급이 달라 보이는 간격이 강조됐다.
   3. 핵심 해석: compute를 더 쓴 만큼 성능이 정확히 비례해 오르지는 않아도, 충분한 test-time 탐색이 난제 해결 능력의 질적 차이를 만들 수 있다.

3. ansatz와 가설-수정 루프

   1. ansatz: 해를 찾기 전에 ‘대략 이런 형태일 것’이라는 후보 형태를 세우고 나머지 변수를 조정하는 수학적 가설 풀이 기법이다.
   2. Terence Tao의 방법론: 가설적 형태에서 출발해 작동을 막는 장애물을 찾고, 그 장애물을 부분적으로 제거하도록 가설을 수정한 뒤 같은 과정을 반복한다.
   3. 모델의 연구 취향: pre-training과 post-training에서 상승폭이 큰 모델일수록 가설을 세우고 버리며 다시 세우는 탐색 능력도 기대할 수 있다.
   4. 이번 접근의 성격: Tao가 며칠 전 상상한 유체역학 연구 루프와 OpenAI의 실제 탐색 방식이 유사하며, 단번의 천재적 정답보다 반복적 ansatz 개선에 가깝다.

1.3. 1만 개 agent swarm의 협업 구조

1. 동시 에이전트 투입

   1. 규모: RL 과정에서 약 1만 개 agent가 concurrently 활동했다.
   2. 선행 사례: OpenAI의 Hugging Face 해킹 사건과 DSE Wiki 사건에서 인간이 일일이 감독하지 않아도 공유 기록 공간을 통해 에이전트 협업이 일어난 사례가 있었다.
   3. 두 요소의 결합: 모델 자체의 능력 상승과 agent로서 대규모 협력을 조직하는 능력이 맞물려 이번 돌파를 만들었다.

2. 그룹 분할과 cross-pollination

   1. 병렬 후보 생성: Group A는 하나의 ansatz를, Group B는 다른 접근을 시도한다. 1만 개가 모두 실시간으로 서로 대화한 것이 아니라 여러 그룹이 기록을 남기는 방식이다.
   2. 장애물 공유: A가 막혔을 때 B가 보조정리(lemma)를 발견하면 다른 그룹의 결과를 가져와 A의 조건이 그 lemma의 가정을 만족하는지 검사한다.
   3. 타화수분(cross-pollination): B의 발견을 A의 ansatz에 적용할 수 있도록 조정(adjust)하고 전체 조건을 다시 검증한다.
   4. 점진적 증명: 지수함수 꼴인지 다른 꼴인지 여러 가설을 시험하고, 부분적으로 성립한 lemma를 계속 교환하면서 다음 탐색의 출발점을 갱신한다.
   5. RLVR의 역할: 결과를 검증할 수 있는 RLVR(Reinforcement Learning with Verifiable Rewards) 환경이기 때문에 그룹 간 아이디어를 자동으로 채택·기각하며 반복할 수 있다.
   6. 새로운 연구 루프: ‘남의 발견 때문에 내 다음 시도가 달라지는’ 누적 개선이 인간 연구실의 협업보다 훨씬 큰 규모와 속도로 실행된다.

3. Anthropic의 선행 연구와 OpenAI의 추격

   1. Alpöge와 Buckmaster: Anthropic 소속 수학자 Levent Alpöge와 NYU 수학자 Tristan Buckmaster가 약 1년 동안 AI를 활용해 PDE 문제를 공동 탐색했다. Alpöge는 원래 수론 배경이고 Buckmaster는 PDE 연구자다.
   2. Claude와 Astra 활용: Alpöge는 Anthropic 공식 프로젝트가 아니라 개인적으로 Claude, 최근에는 Astra를 사용하며 난항을 겪던 Euler 문제에서 최근 진전을 얻었다.
   3. Euler에서 Navier–Stokes로: 점성이 없는 Euler 문제는 Lean formalization 이전 단계까지 거의 해결한 정황이 공개됐고, 이 소식이 OpenAI의 대규모 시도를 자극한 것으로 추정됐다.
   4. Sébastien Bubeck의 위치: 「Sparks of AGI」 제1저자이자 machine learning의 수학적 기초와 Physics of AI를 연구해 온 수학자로, OpenAI 측 논의에 관여했다.
   5. ‘기적의 8월’: Alpöge는 Newton과 Einstein의 ‘기적의 해’를 빗대어 다른 어려운 수학 문제의 진전을 ‘기적의 8월’이라 부르며 X에서 관심을 끌었지만 모든 주장이 증명된 것은 아니었다.

1.4. 비용·크레디트·검증 문제

1. Codex orchestration

   1. 인간의 설계: 사람이 어느 정도 문제를 고르고 예산을 배치한 다음, Euler에서 성과가 보이면 Navier–Stokes로 이어질 것이라 판단해 agent들을 풀었다.
   2. 통합 반복: Codex가 그룹 결과를 통합하고 후속 프롬프트를 작성하게 하며 도전을 반복하는 구조가 OpenAI 공식 블로그에 소개됐다.
   3. 소요 시간과 토큰: 1만 agent가 88시간 만에 성과를 냈고, Navier–Stokes에만 1,300억 토큰이 사용됐다. 다른 Millennium Prize Problem에도 compute가 배정돼 전체 토큰은 더 많다.

2. 100억 원대의 단순 비용 계산

   1. Astra 가격 가정: 1M token당 50달러이고 long-context는 75달러라는 가격을 기준으로 잡았다.
   2. 하한 계산: 1,300억 토큰이 전부 output이라고 단순 가정하면 50달러 기준 650만 달러이며, 실제 long-context 단가를 적용하면 1,000만 달러 안팎, 약 130억 원에 해당한다.
   3. 보수적 결론: 실제 사용량과 단가 구조를 감안하면 100억 원을 넘겼을 가능성이 있다. 이는 Millennium Prize 상금 100만 달러보다 훨씬 큰 금액이다.
   4. 홍보 효과와 비교: 문제 해결로 얻는 마케팅 효과까지 고려하면 기업 입장에서는 상금보다 비싼 투입도 저렴하게 보일 수 있다.
   5. 인간 연구비와의 대비: 한 문제에 인간 수학자에게 이 정도 비용을 지원하는 경우는 드물며, 이 사례는 ‘무한한 compute를 넣을 수 있으면 RLVR 가능 영역의 문제를 풀 수 있다’는 강력한 시연이다.

3. 수학 공동체가 얻는 것

   1. Tao의 비판: 문제를 해결했다는 사실보다 수학 공동체가 어떤 통찰을 얻었는지, 인간 수학에 어떤 도움이 됐는지가 중요하다는 논평이 나왔다.
   2. 아직 미확정인 공식성: Lean formalization의 양이 방대하고 수학자 검증에도 시간이 걸리므로 Clay Mathematics Institute는 아직 공식적으로 해결을 발표하지 않았다.
   3. 통찰의 가독성: Alpöge 측 초기 가설은 작동하더라도 너무 난잡했으며 인간이 정리하는 데 많은 시간을 썼다. OpenAI의 대량 탐색 논문에서 수학자가 어느 수준의 새 통찰을 얻을지는 아직 미지수다.
   4. proxy로서의 Millennium 문제: 문제 자체보다 도전 과정에서 생기는 흥미로운 부산물이 중요하다는 의미에서 Millennium Prize Problem은 proxy로 기능해 왔다. 이번에도 부산물이 존재할 수 있지만 인간이 아직 알아볼 형태로 정리하지 못했을 가능성이 있다.
   5. 반례와 새 가설의 차이: 반례를 찾는 발견은 기존 주장이 틀렸음을 끝내지만, 완전히 새로운 가설을 만들고 증명하는 발견은 더 깊은 의미를 갖는다. 이번 결과가 어느 쪽인지 단정하기에는 검토가 더 필요하다.

2. 연구 크레디트, 암흑의 숲, 초지능 경쟁

한 연구의 출발점을 가진 사람보다 더 많은 자본과 compute를 가진 주체가 공개된 좌표를 즉시 점유할 수 있다는 문제가 AI 연구의 신뢰와 안전을 흔든다.

2.1. Navier–Stokes 스캔들의 타임라인

1. 출발점과 OpenAI의 연락

   1. Buckmaster가 OpenAI에 연락했고, OpenAI의 Bubeck 외 다른 수학자가 이메일을 주고받는 과정에서 힌트를 얻었는지 9월 1일 internal model과 multi-agent를 투입하기로 했다.
   2. 첫 성과부터 발표까지 불과 8일 안팎이었으며, 9월 9일 녹화 시점에는 매우 최근에 벌어진 사건이었다.
   3. OpenAI는 Alpöge와 Buckmaster에게 크레디트를 주고 싶다고 전달하려 했지만, Anthropic에 소속된 Alpöge와의 이해관계가 복잡해졌다.

2. Bubeck과 Buckmaster 사이의 갈등

   1. Alpöge는 이메일에 응답하지 않고 직접 통화를 원한다는 요청에도 통화하지 않았지만, Buckmaster와는 통화가 이뤄졌다.
   2. 통화 중 Bubeck이 Buckmaster에게 왜 커리어를 낭비하느냐는 취지로 강하게 말했고, 뒤늦게 실언이었다며 취소했다.
   3. 메신저 스크린샷과 이메일이 X에 공개되면서 연구 협업이 기업 간 폭로전처럼 번졌다.
   4. Gwern Branwen 등이 중간에서 타협(compromise)을 조율하려는 움직임을 보였지만, Dario Amodei와 Sam Altman이 서로 손도 잡지 않는다는 비유가 나올 만큼 Anthropic과 OpenAI의 긴장이 컸다.

3. 학습 데이터 유출 의혹

   1. OpenAI 공식 글은 익명화된 데이터가 training에 흘러 들어갈 가능성이 0은 아니라고 적었다.
   2. 연구자들이 Codex와 나눈 핵심 대화가 다음 세대 모델의 training data가 되어 trigger나 힌트로 사용됐을 수 있다는 의혹이 제기됐다.
   3. Anthropic의 Sholto Douglas는 그런 일은 절대 없다고 방어했지만, OpenAI 스스로 가능성을 완전히 부정하지 않아 조사 가능성이 남았다.
   4. 사실이라면 아무 연구자도 프론티어 AI에 핵심 연구를 입력하려 하지 않을 것이며, 기업이 연구자의 trajectory를 얻기 위해 지원·모집하는 전략과도 충돌한다.

2.2. 암흑의 숲과 공개 연구의 역설

1. 『삼체』의 암흑의 숲 비유

   1. 독특한 연구를 완전히 자기 것으로 만들었다고 공개하는 순간, 좌표가 찍힌다.
   2. 더 많은 자본과 compute를 가진 사람이 그 좌표로 찾아와 연구의 열매를 가져갈 수 있다.
   3. 연구자가 AI 서비스에 넣은 내용이 누구의 소유가 되는지 Terms of Service(ToS)를 다시 읽게 되는 이유다.

2. 외력이 있는 연구와 없는 연구

   1. Alpöge·Buckmaster는 비교적 외력 없이 개인적인 탐색을 이어 갔고, OpenAI는 소문과 인간의 가이드·예산·오케스트레이션을 결합한 외력 있는 방식으로 접근했다는 주장이 맞섰다.
   2. OpenAI가 모델에 자율성을 많이 맡겼다고 강조해도 힌트와 가이드를 인간이 제공했다는 정황이 있어 자율성의 정도를 두고 논쟁이 이어진다.
   3. 반대로 OpenAI가 소문만 듣고 실제 연구 궤적을 학습하지 않은 채 문제를 해결했다면 모델의 순수한 발견 능력이 더 무서운 결과가 된다.

2.3. RSI, 중국의 추격, AGI 논쟁

1. 책임 없는 가속에 대한 내부 고발

   1. Anthropic에서 pre-training을 하다 퇴사한 Jacob Coxon은 두 회사가 어느 쪽도 책임 있게 행동하지 않고 스스로 개선하는 초지능을 향해 질주한다고 비판했다.
   2. Anthropic alignment science lead Evan Hubinger는 Jacob의 주장이 맞다고 옹호하며 마케팅용 과장이 아니라고 했다.
   3. Hubinger는 10년 안에 AI가 모든 인간을 죽일 가능성이 10%를 넘는다고 보는 doomer 성향의 확률을 언급했다. 효과적 이타주의와 MIRI 계열 AI safety 배경이 이 관점의 맥락이다.

2. pacing proposal과 구속력 있는 합의

   1. OpenAI에서 post-training을 맡았다가 Anthropic을 거쳐 Thinking Machines Lab으로 간 John Schulman도 단순한 경고가 아니라 공동 pacing proposal을 만들어야 한다고 주장했다.
   2. 정부를 끼우면 더 복잡해질 수 있으므로 공동 제안서보다 구속력 있는 합의(binding agreement)를 고민해야 한다는 뉘앙스가 제시됐다.
   3. Astra 출시 이후 사용자의 체감 품질이 오르고 ‘이것을 해냈다’는 간증이 이어지면서 alignment 논의는 농담으로 넘길 단계가 아니게 됐다.

3. RSI 궤도와 중국

   1. 올해 당장 RSI(Recursive Self-Improvement)가 완성된 것은 아니지만, Millennium Prize 도전과 거대한 compute 소유 경쟁은 RSI로 가는 궤도의 사건으로 읽힌다.
   2. 중국은 프론티어가 다시 앞서 나갔다고 위축되기보다 잘하고 있고 따라갈 수 있다는 반응을 보이며, 베이징 정부도 alignment에 공을 들이는 것으로 전해졌다.
   3. 근거가 확인되지 않은 소문으로 DeepSeek V5 출시 가능성이 거론됐다.
   4. 누군가 목표 달성을 보여주면 다른 주체도 같은 목표를 주고 따라갈 수 있다는 경쟁 압력이 멈춤을 어렵게 만든다.

4. AlphaGo 이후 10년

   1. 2016년 3월 AlphaGo 이후 정확히 10년이 지난 2026년은 인간의 영역을 넘어가는 경계선처럼 느껴진다는 평가가 나왔다.
   2. X에서 Jens가 OpenAI의 AGI 달성을 축하했지만, AGI의 기준이 사람마다 다른 만큼 ‘AGI인가 아닌가’만 논쟁하는 것은 의미가 작다.
   3. 다방면에서 인간 수준을 넘어가는 과정에 들어섰다는 사실 자체가 더 중요하다.
   4. AI에 몰입한 소수는 변화를 추적하지만, 다수의 사람은 AI 세계와 무관하게 노을 사진을 Instagram에 올리고 여행하며 맛있는 음식을 먹는 일상을 이어 간다. 변화의 속도와 사회적 체감 사이에 간극이 있다.

3. GPT Image 2.5, Astra, 소비자 에이전트

이미지 생성 모델과 시각형 computer-use agent가 결합하면서 생성·판단·수정·예약을 하나의 실행 루프로 만든다.

3.1. GPT Image 2.5의 일관성과 생성 방식

1. 출시와 모델 구분

   1. 소문과 출시: 출시 소문이 실제 발표로 이어졌고, ChatGPT 이미지의 다음 버전인 GPT Image 2.5가 공개됐다.
   2. Sunburst와 Flare: 빠른 모델과 표준 모델 두 종류가 나왔으며 가격은 같고 품질과 속도가 다르다.
   3. 네이밍 농담: Sunburst와 Flare는 태양 계열이고 Astra·Sol과 함께 우주적 이름을 밀고 있어 SpaceX와 xAI가 쓸 이름까지 OpenAI가 고갈시킨다는 농담이 나왔다.

2. consistency와 편집 품질

   1. 기존 약점: 이미지 모델은 같은 대상을 계속 편집할수록 인물·옷·배경의 consistency가 무너지고 GPT Image 2 시기에는 자글자글한 아티팩트도 늘었다.
   2. 2.5의 개선: 한 이미지를 띄워 두고 옷을 바꾸는 연속 편집에서 이전보다 정체성과 배치가 훨씬 잘 유지된다.
   3. 남은 문제: 로고의 간격과 번짐, 마크 모양이 조금씩 바뀌므로 완벽한 동일성은 아직 확보되지 않았다.

3. streaming과 autoregressive 추정

   1. 중간 과정 노출: 이미지를 만들 때 최종 결과만 한 번에 나오지 않고 그리는 중간 과정이 streaming으로 나타난다.
   2. 구조적 추정: 단순 diffusion model이 한 번에 전체를 생성하는 방식보다 transformer처럼 autoregressive하게 토큰·구조를 만들고 마지막에 diffusion으로 디테일을 다듬는 구조일 가능성이 다시 제기됐다.
   3. 활용 분야: 스톱모션은 움직이는 부분 이외의 공간이 프레임마다 유지돼야 하며, GPT Image 2.5가 이를 구현한 사례는 consistency 개선의 실용성을 보여준다.
   4. CG·VFX 확장: GIF·애니메이션 캐릭터의 동일한 외형과 움직임·표정 유지가 CG(Computer Graphics)와 VFX(Visual Effects)에 중요하며, 해당 성능 향상이 기대된다.

3.2. 이미지 모델의 사업성·가격·썸네일 실험

1. 사업가가 따라가야 하는 속도

   1. 업데이트 간격: GPT 이미지가 처음 나온 지 약 1년 만에 큰 변화가 생겼고, 1년 전·한 달 전 기술도 빠르게 낡는다.
   2. 사업 현장의 함정: 기술을 띄엄띄엄 따라가다 한 번 만든 도구를 그대로 쓰면 3~4개월 뒤 세상이 훨씬 앞서 있어 당황하게 된다.
   3. 실행 원칙: 현재는 기술을 가능한 한 계속 follow-up하는 것이 사업 전략에 가깝다. Astra를 오래 쓴 듯해도 실제 사용 기간은 이틀에 불과했다.

2. 비용과 접근 경로

   1. API 가격: 해상도·품질·토큰 단위가 직관적이지 않지만 여러 버전을 실제로 생성해 비교하면 GPT Image 2.5의 가격이 더 저렴했다.
   2. 단가 감각: API로 한 장을 만드는 비용은 약 100원 수준으로 느껴졌다.
   3. 구독 사용: Codex 구독으로 이미지 모델을 쓸 수 있고, Pro 요금제에서는 이미지를 잔뜩 만들어도 비용 부담이 크지 않은 체감이다.
   4. 서비스화 가능성: 이전에는 YouTube 썸네일을 사업화하기에 이미지 생성 비용이 비싸다고 느꼈지만, API 단가와 구독 접근성이 낮아져 서비스 적용 가능성이 커졌다.

3. AI Frontier 썸네일 비교

   1. 동일 prompt: AI Frontier 채널의 과거 썸네일을 참고자료로 주고 특정 회차 스타일을 생성하게 했다.
   2. 버전 비교: GPT Image 1은 옛날 스타일이고 2.5 Sunburst는 채널의 시각적 느낌을 훨씬 더 따라갔다.
   3. Codex 방식: CT로 표시한 결과는 API call이 아니라 Codex에 시킨 것이어서 내부 동작은 다르게 보였지만, 전반적으로 1년 전과 비교할 만한 개선이 확인됐다.

3.3. Astra의 computer use와 여행 위임

1. 시각 능력의 도약

   1. 웹페이지 조작: Astra는 YouTube 페이지에서 스스로 분석 탭에 들어가 자료를 읽고 작업할 수 있다.
   2. 로봇 제어: 별도의 action model을 설계하지 않고 카메라 vision으로 환경을 보며 로봇을 직접 control하는 사례가 잇따랐다.
   3. 브라우저 기반 실행: 여러 모델 API가 있는 사이트가 아니어도 브라우저를 열고 computer use로 일을 수행한다.

2. 8시간짜리 출장 준비

   1. 위임 범위: 출장 준비를 하지 않은 상태에서 Fast mode와 High mode를 사용해 기차·교통·호텔·숙소·레스토랑을 모두 예약하도록 맡겼다.
   2. 의사결정 처리: 하루 동안 옆에 두고 돌리면서 보류된 질문에 ‘지도를 보고 알아서 동선을 짜라’고 답하자 약 8시간 뒤 대부분의 작업을 끝냈다.
   3. 다국어와 가격 비교: 이탈리아어 페이지를 읽고 비싼 요금과 더 나은 요금을 비교해 선택했으며, 여러 호텔을 둘러본 뒤 직접 예약하는 곳이 가장 싸다고 판단했다.
   4. 외부 소통: MyRealTrip에서 현지 가이드에게 연락해 처음 가는 동네의 가이드 가능 여부를 묻고 대화까지 완료했다.
   5. 검증과 결제: 예약 결과의 품질은 실제 출장에서 직접 확인할 예정이며, 결제 카드 번호는 사람이 입력하고 일부 결제는 에이전트가 거부했다.

3. 개인정보와 결제 농담

   1. 신뢰 상승: Astra가 마음에 들어 컴퓨터의 모든 것을 열어 주기 시작했고, 신용카드 번호까지 맡길 기세라는 농담이 나왔다.
   2. 한국식 체념: 개인정보가 이미 중국 해커에게 나가 있을 텐데 OpenAI가 하나 더 가지면 어떠냐는 식의 자조적 농담이 이어졌다.
   3. 인증 장벽: 유럽 결제는 한국 카드와 PG사의 추가 확인처럼 SMS 인증이 70~80% 정도 걸리는 경우가 있고, 미국 사이트보다 결제가 복잡하다. 반대로 인증을 건너뛰는 경우도 있다.
   4. 안전 신호: 이런 결제 장벽은 위험한 사이트나 지역에 들어가고 있다는 신호가 될 수 있어 에이전트의 무제한 결제 위임에는 한도와 사람이 필요한 승인 단계가 남는다.

3.4. Astra에 이미지 도구를 결합한 브랜드 제작

1. 생성 후 선택하는 agent loop

   1. 도구 부여: 공식 문서의 사례처럼 Astra에게 GPT Image 2.5를 도구로 제공하고 AI Frontier KR 로고를 만들게 했다.
   2. 선택 자동화: 로고 하나를 만드는 데 그치지 않고 1·2·3·4번 후보를 만든 뒤 Astra가 직접 보고 취향에 맞는 것을 고르게 했다.
   3. 판단 근거: Astra는 토큰을 내보내며 A 후보의 장점을 평가했고, 사람도 A를 골라 선택이 일치했다.

2. 브랜드 키트와 물성 확장

   1. 스타일 요소: 선택한 로고의 두께를 조정하고 색상 팔레트·섬유·글꼴을 골라 브랜드 키트를 만들었다.
   2. 굿즈 생성: 티셔츠·모자·스티커·키링·키캡·키보드에 로고를 적용하고 색을 맞췄다.
   3. 일관성 한계: 굿즈마다 로고가 조금씩 변하고 번짐이 남았으며, 키보드 오른쪽 끝 구조도 실제와 달랐다.

3. harness와 반복 수정

   1. 자동 품질 개선: harness를 걸어 세 번 반복시키면 결과가 좋아질 수 있고, Astra가 생성물을 보고 이상한 부분을 찾아 다시 만들게 하는 self-correction loop가 핵심이다.
   2. 인간과의 비교: Astra의 시각 판단은 인간처럼 완벽하지 않지만, 많은 사람도 대략 비슷하면 통과시킨다. 디자인 전문성이 높지 않으면 세부 오류를 놓치기 쉽다.
   3. 완성도 조절: 인간 작업도 마지막에 집요하게 완성도를 조이는 정도에 따라 품질이 갈리므로, 에이전트의 반복 횟수와 검수 기준이 결과를 좌우한다.
   4. 비용: 이미지 생성·관찰·수정을 API로 반복하면 약 2달러가 들며, 구독으로 실행하면 별도 체감 비용이 없었다. 이 정도면 위임할 만한 가격대다.

3.5. Astra의 로컬 도구 실행과 renderer 실험

1. Mitsuba·Blender 사용

   1. 실험 설정: Astra가 Blender를 실행할 수 있고, Mitsuba라는 미분 가능한 renderer(differentiable renderer)를 Python으로 설치해 사용했다.
   2. 렌더링: sampling을 높여 GPT Image 2.0으로 만든 그림과 비슷한 결과를 얻었고, real-time animation도 생성했다.
   3. 최적화 루프: 이미지를 잘 보게 하고 차이를 비교하게 한 뒤 반복시키자 hill climbing 방식으로 목표 이미지에 점진적으로 가까워졌다.

2. 클라우드 컴퓨트 한계

   1. 실행 환경: 로컬 compute가 아니라 OpenAI가 제공하는 클라우드에서 Blender와 Mitsuba를 돌렸다.
   2. 스토리지: 파일 저장 공간은 100GB이며 binary는 오래 보관되지 않지만 파일로 옮긴 결과는 보관된다. 계속 사용한 결과 약 2GB를 썼다.
   3. CPU 제공량: Chat mode는 가상 CPU 4개, Work mode는 8개를 제공하고 GPU는 둘 다 제공하지 않는다.
   4. 실용적 의미: Mitsuba 같은 미분 가능한 renderer의 멀티스레딩을 아는 사람에게는 흥미로운 토끼굴이지만, Blender 렌더링도 사실상 CPU 중심으로 계산된다.

4. AlphaGenome Atlas와 유전체의 계산화

단백질 구조뿐 아니라 비단백질 코딩 영역과 개인별 SNP의 기능까지 예측하면서 생명과학 연구의 출발점이 wet lab에서 계산·실험 결합 루프로 이동한다.

4.1. AlphaFold에서 AlphaGenome으로

1. AlphaFold의 전환

   1. protein folding problem: 아미노산 서열이 리보솜에서 만들어져 물속 세포질로 나온 뒤 서로 얽혀 3D 구조를 형성하는 과정을 예측하는 문제다.
   2. 기존 난제: 5~6년 전까지도 풀리지 않은 문제였지만 DeepMind의 AlphaFold가 크게 해결했다.
   3. PDB와 예측 규모: Protein Data Bank(PDB)에는 실험으로 확인된 단백질 구조와 정보 약 20만 건이 등록돼 있다. AlphaFold는 이를 학습해 약 2억 개로 추정되는 단백질의 3D 구조를 예측하고 AlphaFold Database를 만들었다.
   4. 신약 개발 변화: 과거에는 X선 등으로 단백질 구조를 확인한 뒤 항체를 찾았지만, 이제는 표적 단백질의 구조를 in silico로 만들고 열쇠-자물쇠처럼 결합할 항체·항원·리간드를 찾는 게임으로 바뀌었다.

2. 유전체의 기본 단위

   1. 염색체와 염기쌍: 사람은 23쌍의 염색체를 가지며 엄마와 아빠에게서 각각 한 세트를 받는다.
   2. 유전체 규모: 한 세트에는 약 31억 개의 base pair가 있고, 양쪽 세트를 합치면 이론상 약 60억 pair다. A·G·T·C 문자로 세면 총 약 120억 글자다.
   3. 코딩 영역과 조절 영역: 약 2%만 단백질을 부호화하는 exon 영역이고 98%는 과거에 기능이 잘 알려지지 않았던 프로그램·조절 영역이다.
   4. 기능 요소: enhancer·promoter, exon·intron이 어떤 순서와 방식으로 유전자 발현을 조절하는지 규명하는 것이 핵심이다.

4.2. epigenetics와 partial reprogramming

1. 세포별 유전자 발현

   1. 분화의 필요: 뇌세포·간세포·근육세포가 모든 유전자를 동시에 발현하면 안 되므로 세포별로 켜고 끄는 유전자 영역이 달라야 한다.
   2. 염색질 구조: DNA가 효소에 그대로 노출된 것이 아니라 histone 단백질에 촘촘하게 감긴 부분과 풀린 부분이 세포 위치에 따라 다르다.
   3. epigenetics: 이 선택적 발현과 DNA 접근성 조절이 epigenetics의 영역이며 배아 단계부터 환경의 영향을 받으며 분화한다.
   4. 구슬과 골짜기 비유: 골짜기에서 굴린 구슬이 각자의 자리로 굴러가면 다시 돌아오기 어렵듯, 체세포의 정체성은 분화 과정에서 고정된다.

2. Yamanaka factor와 줄기세포 회귀

   1. OSKM: 일본의 Shinya Yamanaka가 발견한 Yamanaka factor는 Oct4·Sox2·Klf4·c-Myc 네 유전자에서 단백질을 발현시켜 세포 정체성을 잃게 한다.
   2. pluripotent stem cell: 체세포가 무엇이든 될 수 있는 pluripotent stem cell 상태로 돌아가며, 정자와 난자가 합쳐진 직후에 가까운 상태로 리셋된다.
   3. 노화 흔적 제거: 돌아가는 과정에서 나이와 관련해 붙은 아세틸기 등 후성유전학적 흔적을 제거한다.
   4. 암 위험: 완전히 리셋하면 근육 자리에 머리카락이 생기거나 뇌가 있어야 할 조직이 다른 방향으로 분화해 암이 될 수 있다.
   5. partial reprogramming: OSKM 중 OSK 세 인자만 쓰는 방식처럼 일부 인자만 이용해 정체성은 유지하면서 젊은 상태로 되돌리는 실험이 진행된다.

3. 수명 연장 연구의 사례

   1. David Sinclair: retina 세포를 다시 재생시켜 앞을 보지 못하던 생쥐가 시력을 회복하게 한 실험이 소개됐다.
   2. NewLimit: Coinbase CEO의 투자로 알려진 회사는 간세포를 다시 젊은 상태로 만들어 늙은 쥐의 간을 젊은 쥐처럼 회복시키는 방향을 홍보했다.
   3. 스위치 설계: 위험을 통제하기 위해 먼저 OSKM 계열 factor를 넣고 특정 약물을 촉발제로 투여해 정해진 조건에서만 reprogramming이 켜지도록 한다.
   4. 두 연구 방향: 완전히 pluripotent stem cell을 넣어 주변 세포의 영향을 받아 분화시키는 접근과, 체세포 자체의 epigenetic clock·아세틸기를 재설정해 원래 정체성을 유지하는 접근이 구분된다.

4.3. SNP, 시퀀싱, HLA

1. SNP의 의미

   1. 정의: SNP(single nucleotide polymorphism)는 거의 동일한 사람의 유전체에서 한 글자만 다른 희소한 변이다.
   2. 개인차의 크기: 인간과 개도 약 80%가 같고 인간끼리는 훨씬 더 비슷하며, 30억 염기쌍 중 개인별로 약 400만~500만 개가 다르다.
   3. 변이의 결과: 한 사람이 G를 가진 자리에 다른 사람이 A를 가지는 한 글자 차이가 유전병처럼 인생을 바꾸는 deleterious 변이가 될 수도 있고 별 영향이 없을 수도 있다.
   4. 데이터 관점: 각 위치가 A·G·T·C 네 경우를 가질 수 있어 엄마·아빠 정보의 조합은 4의 60억 승처럼 거대한 공간이지만, 실제 정보는 서로 겹치는 부분이 많다.

2. short-read와 long-read sequencing

   1. 실험 흐름: 혈액 등에서 DNA를 추출해 잘게 자르고 통계적으로 조각을 읽은 다음 reference genome에 매핑한다.
   2. short-read: DNA 가닥을 짧게 자르면 각 조각을 표준 Human Genome Project 레퍼런스에 맞추어 어느 위치에서 한 글자가 다른지 찾는다.
   3. long-read: 가닥을 길게 읽으면 하나의 유전자를 긴 문맥으로 배치할 수 있어 반복 구간과 복잡한 변이를 더 정확하게 매핑한다.
   4. 비용 변화: 인간 유전체를 short-read로 읽는 비용은 약 70만~80만 원, long-read는 약 200만~300만 원 수준까지 내려왔다.
   5. 나노포어: DNA 가닥을 구멍에 통과시키며 읽는 nanopore sequencer가 long-read의 직관적 사례로 언급됐다.

3. HLA와 long-read의 필요성

   1. 면역 표지: 6번 염색체의 HLA(Human Leukocyte Antigen)는 세포 안에서 만들어진 단백질 조각을 세포 표면으로 올린다.
   2. T cell 감시: T cell은 표면에 제시된 단백질 조각을 읽고 자기 세포가 정상 단백질을 만드는지, 외부 단백질을 만드는지를 판단한다.
   3. 개인·인종 차이: HLA 영역은 사람마다, 특히 한국인·백인·흑인 집단 사이에서 많이 다르고 변이가 가장 심한 구간 중 하나다.
   4. 매핑 난점: 비슷한 가닥이 많아 short-read로는 6번 염색체 해상도가 떨어지고 어디에 붙어야 할지 모호하다. long-read는 긴 유전자 문맥으로 위치를 구분한다.

4.4. AlphaGenome의 예측과 Atlas의 사전 계산

1. AlphaGenome의 입력·출력

   1. AlphaFold와의 차이: AlphaFold는 아미노산 sequence를 입력해 단백질 3D structure를 출력하지만, AlphaGenome은 100만 base pair의 유전자 sequence를 입력한다.
   2. 11종 실험 결과: 지난 20년간 ENCODE Project가 세포별로 쌓은 chromatin 접근성·발현 관련 결과를 학습해 뇌·간·근육 등에서 어떤 실험 결과가 나올지 11개 범주로 예측한다.
   3. 실험 데이터의 구성: 열린 euchromatin 부분만 DNA sequencing하고, 옆의 RNA로 전사된 구간도 RNA sequencing해 어떤 DNA 영역이 어떤 RNA 발현으로 이어지는지 연결한다.
   4. 사람 대상 실험: 오가노이드만 쓰는 것이 아니라 사람의 세포를 뜯어 열린 chromatin과 RNA를 분석하며, 이미 알려진 DNA·RNA 서열을 맞춰 보는 방식으로 데이터를 만든다.

2. 변이와 reference의 diff

   1. 비교 입력: 정상 reference sequence와 개인의 SNP가 들어간 100만 base pair 구간을 각각 AlphaGenome에 넣는다.
   2. 출력 비교: 두 실험 예측값의 diff를 구하면 변이 하나가 간세포 등 특정 세포에서 어느 조절 기능을 깨뜨릴지 추정할 수 있다.
   3. 프로그래밍 관점: 출력 배열을 vector 단위로 비교하거나 log probability 차이를 계산할 수 있고, Google은 연구자가 쓰기 쉽도록 index를 제공한다.
   4. 미지 영역: 알려진 변이가 전체의 일부에 불과해 아직 모르는 SNP가 많으며, AlphaGenome은 실험으로 다 확인하지 못한 영역의 후보 위험도를 우선 추정한다.

3. AlphaGenome Atlas의 역할

   1. 90억 변이 사전 계산: reference genome의 약 30억 위치 각각에서 현재 염기를 나머지 G·C·T로 바꿨을 때의 결과를 모두 계산해 약 90억 개 변이 결과를 데이터베이스에 저장했다.
   2. 조회형 연구: Atlas가 없으면 연구자가 100만 base pair 구간마다 직접 모델을 돌려야 하지만, Atlas가 있으면 미리 계산된 값에서 차이만 조회할 수 있다.
   3. AlphaFold Database와의 동치: AlphaFold를 매번 실행하지 않고 사전 계산된 2억 개 단백질 구조를 조회하는 것처럼, AlphaGenome Atlas는 염기 하나의 변화가 세포별 실험 결과를 어떻게 바꾸는지 즉시 돌려준다.
   4. 정확도와 실험의 관계: 예측이 안 해본 영역에서 얼마나 정확한지는 실제 wet lab 실험과 비교해야 한다. 모델은 실험을 폐기하지 않고 후보를 우선순위화한다.

5. AI for Science와 생명과학의 다음 단계

계산 모델이 실험 후보를 줄이고 검증 속도를 높이면서 생명과학도 지식 암기 중심 영역에서 원리·메커니즘을 추적하는 계산과학으로 이동한다.

5.1. 희귀 유전병·암·개인 맞춤 치료

1. 질병 원인 추적

   1. 희귀 유전병: 원인을 알 수 없던 변이에 대해 promoter나 3D 구조가 잘못됐는지, SNP index가 어긋났는지 예측해 표현형이 생기는 경로를 좁힌다.
   2. 암 변이: 암세포와 정상세포의 유전체 diff를 비교해 암에서만 생기는 단백질이나 조절 이상을 찾고 치료 표적을 선택한다.
   3. 코딩·조절 영역 구분: 단백질 coding 영역이면 AlphaFold로 결합 물질을 찾을 수 있지만, 조절 영역의 변이면 여러 단백질 생산 과정이 중첩되어 바뀌므로 AlphaGenome이 원인 위치를 좁히는 데 유리하다.

2. 범용 신약과 개인 맞춤 신약

   1. 두 방향의 공존: AlphaGenome은 보편적인 신약 개발과 개인별 유전체에 맞춘 신약 개발 모두에 쓰인다.
   2. 실제 사례: 길랩 CEO는 암 유전자와 정상 유전자의 diff에서 암에만 발현되는 단백질을 찾고, 그 단백질에 붙는 물질을 독일에서 찾아 개인 맞춤형 약을 만들었다.
   3. 비용 하락: 당시에는 개인 맞춤 치료 비용이 만만치 않았지만, Merck와 Moderna의 mRNA 백신처럼 유전체 정보에 맞춰 설계하는 기술의 단가가 계속 내려갈 것으로 전망됐다.
   4. 한계: 원인을 예측하는 것과 실제 처치·약물 제조는 별개의 비용과 임상 검증을 요구한다.

5.2. wet lab에서 supervised·self-supervised로

1. 실험-모델-실험 루프

   1. 기존 데이터의 활용: 지난 20년간 wet lab에서 얻은 실험 결과를 input sequence와 output 실험값의 supervised dataset으로 만들고 모델을 학습한다.
   2. 실험 가속: 모델이 다음 실험 후보를 쉽게 설계하고 기존에 시도하지 못한 조합을 제안하면 wet lab이 verifier처럼 작동하며 데이터셋을 다시 보강한다.
   3. scale 폭발: 데이터가 충분히 쌓이면 supervised learning에서 self-supervised learning으로 넘어가 일반 법칙을 찾는 단계에 접근할 수 있다.

2. Evo 2와 synthetic biology

   1. 모델 구조의 차이: AlphaGenome은 유전자 sequence와 실험 결과를 매핑한 복잡한 supervised learning이며 CNN(Convolutional Neural Network)과 Transformer를 함께 사용한다.
   2. Evo 2의 학습 방식: Arc Institute의 Evo 2는 여러 종의 알려진 염기서열을 대규모로 모아 LLM급 데이터셋으로 만들고 Transformer가 sequence 자체를 학습한다.
   3. autoregressive 예측: AGTC sequence를 넣으면 언어 모델이 다음 토큰을 뱉듯 뒤의 GTC sequence를 예측한다.
   4. 합성생물학: 모델이 생성한 sequence로 실제 박테리아를 만들었더니 새로운 박테리아가 탄생한 사례가 synthetic biology의 언어 모델 활용을 보여준다.

3. 미지 변이의 위험도 계산

   1. prefill 비교: reference genome 조각과 개인의 변이 조각을 각각 모델에 prefill하고 뒤에 나오는 output의 log 값을 비교한다.
   2. 부호의 해석: 변이 쪽 log 값이 더 낮거나 차이가 마이너스면 위험할 확률이 높고, 플러스면 위험하지 않을 확률이 높다는 식으로 미지 변이의 위험도를 대략 추정할 수 있다.
   3. 해석의 한계: 위험도가 높다는 신호만으로 어떤 질병이 생기는지까지 알 수는 없으며, 실제 세포·동물·임상 검증이 필요하다.

5.3. 생물학의 원리 이해와 longevity

1. 암기 과목에서 메커니즘 과학으로

   1. 기존 인식: 생물학은 원리를 충분히 이해하지 못한 채 실험 결과를 보고 ‘이건 이렇더라’고 외우는 부분이 많아 문과 성향이 강한 학문처럼 여겨졌다.
   2. 연결 고리: DNA에서 단백질이 만들어지고 몸에 영향을 주는 과정의 중간 메커니즘을 AI가 연결하면 생명 현상을 설명 가능한 방식으로 이해할 수 있다.
   3. 환원주의: 사람을 매우 복잡한 기계로 보고 gene 레벨의 비밀, protein 레벨의 비밀, 발생 과정을 단계적으로 풀어가는 ‘극한 환원주의’ 관점이 제시됐다.
   4. 발생 연구: 예쁜꼬마선충처럼 복잡도가 낮은 생명체는 어느 유전자가 발현돼 머리·가슴·배, 척추·심장으로 분화하는지 상당 부분 밝혀져 있으며, 더 복잡한 생명체에도 연구가 확장될 수 있다.

2. longevity의 우선순위

   1. 자연스러운 첫 응용: 인간의 가장 큰 요구는 수명 연장이므로 생명과학 계산화의 초기 성과가 longevity로 향할 가능성이 높다.
   2. 개인 연구 방향: AI를 모르는 생물학자와 생물학을 모르는 AI 과학자 사이에 서서 생물학 도메인을 읽고 AI for Science를 연결하는 역할이 사업 기회가 될 수 있다.
   3. 학습의 확산: 똑똑한 AI 박사들이 밤에 생물학을 공부한다는 관찰은 이 분야에 아직 공개되지 않은 큰 가치가 있음을 시사한다.

3. 안전·보안의 양면성

   1. biosecurity와 cybersecurity: 대형 모델의 보고서에는 좋은 활용뿐 아니라 화학·생물학 지식이 악용될 위험 때문에 두 분야가 함께 들어간다.
   2. 계산 가능한 생명: 유전체 데이터가 데이터베이스로 쌓이고 계산 대상으로 전환되면서, 생물학의 실험 속도도 LLM의 scale 폭발과 유사한 국면에 접근한다.
   3. 통제 필요성: 수명 연장·신약·희귀병 치료의 이익과 합성생물학의 오용 가능성을 같은 연구 인프라에서 함께 다뤄야 한다.

5.4. 3일 만에 달라지는 세계

1. 속도 체감
   1. o1 이후: OpenAI o1이 나온 때는 2024년 9월이며, 녹화 시점 기준 약 2년 만에 SF 소설에 나오던 이야기가 일상 논의가 됐다.
   2. 세대별 가속: 수학자들이 2026년에 AlphaGo moment를 맞기 시작했다면 생물학은 아직 새로운 도구를 얻고 신나게 탐색하는 단계일 수 있지만, 그 속도도 분명히 빨라지고 있다.
   3. 3일 recap: 직전 녹화에서 불과 3일이 지났는데 Navier–Stokes, GPT Image 2.5, Astra, AlphaGenome Atlas라는 서로 다른 규모의 변화가 한꺼번에 추가됐다.
   4. 도망칠 곳의 부재: 수학·이미지·에이전트·생명과학 어느 도메인도 AI 가속 바깥에 남아 있지 않으며, 기술을 따라가며 도메인 하나를 깊게 파는 태도가 생존 전략이 된다.

주요 발언 모음

“모든 문제에 무한한 compute를 투입하면 다 풀 수 있다는 그런 예제네요.”

“남의 발견 때문에 내 다음 시도가 달라졌다. 이런 식으로 모델을 활용했네요.”

“좌표가 딱 찍히는 순간, 더 많은 자본과 더 많은 compute를 갖고 있는 사람이 와서 그걸 가져갈 수 있다.”

“우리는 왜 멈출 수 없는가? 이걸 두 회사의 Slack 안에서만 논의할 이야기가 아니다.”

“모델이 일을 하는 거긴 하지만 결과적으로는 저희가 또 그 결과의 과실을 따긴 하니까 너무 슬퍼하면 안 됩니다.”

“사람도 너무 복잡한 기계라서 그렇지, 프로그램이다.”

“따라가기 힘들어 죽겠어요. 정말.”

핵심 데이터 & 수치

• 7개: Clay Mathematics Institute가 2000년에 선정한 Millennium Prize Problem의 수.
• 12조 개: 리만 가설과 관련해 이미 확인된 영점의 규모.
• 약 1만 개: Navier–Stokes 도전에 동시에 활동한 agent 수.
• 88시간: 1만 agent가 성과를 내는 데 걸린 시간.
• 1,300억 토큰: Navier–Stokes에만 사용된 토큰 추정치.
• 650만 달러: 1M token당 50달러를 적용한 1,300억 output token의 단순 하한 계산.
• 약 1,000만 달러·130억 원: long-context 단가까지 고려한 대략적 규모.
• 100만 달러: Millennium Prize 상금.
• 약 2달러: Astra가 이미지 생성·평가·수정을 반복해 브랜드 키트를 만든 API 비용 추정.
• 약 100원: GPT Image 2.5 API로 이미지 한 장을 생성할 때의 체감 비용.
• 100GB·2GB: Astra 클라우드 파일 저장공간과 실제 사용량.
• 4개·8개: Chat mode와 Work mode에서 제공되는 가상 CPU 수.
• 23쌍·31억 base pair: 사람의 염색체 쌍과 한 세트의 염기쌍 규모.
• 2%·98%: 단백질 코딩 exon 영역과 비코딩·조절 영역의 대략적 비율.
• 400만~500만 개: 사람 사이에서 다른 SNP 규모의 대략적 수.
• 70만~80만 원·200만~300만 원: short-read와 long-read 인간 유전체 분석 비용.
• 100만 base pair·11종 결과: AlphaGenome의 입력 창과 예측 실험 범주.
• 약 90억 변이: AlphaGenome Atlas가 reference genome의 염기별 대체를 사전 계산한 규모.
• 10% 초과: Evan Hubinger가 언급한 10년 안에 AI가 모든 인간을 죽일 가능성에 대한 doomer식 확률.

결론 및 시사점

1. Navier–Stokes 성과의 핵심은 정답 그 자체보다 RLVR로 검증 가능한 문제에 test-time compute와 agent swarm을 투입하는 연구 생산 방식이다.
2. 1만 개 그룹이 ansatz와 lemma를 cross-pollination하는 구조는 연구를 병렬 탐색과 자동 검증의 조합으로 바꾼다.
3. 연구 크레디트와 ToS 문제는 AI에게 핵심 연구를 맡길 때 데이터 소유권과 기여 추적을 먼저 정해야 함을 보여준다.
4. 수학 난제의 공식 해결에는 Lean formalization과 인간 수학자의 검증이 남아 있으며, 계산 결과와 수학적 통찰은 구분해야 한다.
5. 초지능 경쟁은 개별 기업의 홍보 경쟁을 넘어 pacing, binding agreement, alignment를 요구하는 공동 안전 문제다.
6. GPT Image 2.5의 consistency·streaming과 Astra의 vision·computer use 결합은 생성 모델을 실제 실행 주체로 만든다.
7. 브라우저 예약과 결제는 편의성이 큰 만큼 사람의 승인, 지출 한도, 인증 장벽을 포함한 harness가 필요하다.
8. AlphaGenome Atlas는 90억 변이를 미리 계산해 연구자가 모델 실행보다 후보 비교와 wet lab 검증에 집중하게 한다.
9. 유전체·단백질·실험 결과가 연결되면 희귀병 원인 추적, 암 표적 발굴, 범용·개인 맞춤 신약의 비용과 시간이 줄어든다.
10. 생명과학은 실험을 버리는 방향이 아니라 모델이 가설을 만들고 wet lab이 verifier로 검증하는 순환 구조로 이동한다.
11. Evo 2와 synthetic biology는 염기서열을 언어처럼 예측하고 생성하는 단계가 합성생물학으로 이어질 수 있음을 보여준다.
12. longevity가 큰 수요로 남아 있는 만큼 부분적 reprogramming과 epigenetic clock 연구가 빠르게 확장될 가능성이 있다.
13. 연구자와 사업가는 변화가 3~4개월 만에도 앞서가는 환경에서 기술을 지속적으로 follow-up해야 한다.
14. AI 도메인 하나를 깊게 공부해 생물학자와 AI 과학자 사이를 연결하는 역량이 새로운 전문성으로 부상한다.
15. biosecurity와 cybersecurity는 AI for Science가 만드는 이익과 오용 위험을 함께 관리해야 한다는 경고다.

핵심 요약 (20줄)

Navier–Stokes의 Millennium Prize Problem 성과는 직접적인 공학 혁명보다 대규모 AI 연구의 시작을 알리는 사건이다. Euler 방정식은 점성이 없는 유체를, Navier–Stokes 방정식은 점성이 있는 유체를 다루며 일반 해석해 보장이 어려워 난제가 됐다. 문제 해결 여부가 곧바로 태풍 예측이나 항공기·자동차 시뮬레이션을 뒤집지는 않으며 형식적 수학의 의미가 더 크다. OpenAI의 내부 모델은 test-time compute를 로그 스케일로 늘리며 Open Math Problems에서 Astra보다 높은 성능을 보였다. ansatz를 세우고 장애물을 찾아 가설을 수정하는 Terence Tao식 반복 루프가 모델의 수학 탐색에 적용됐다. 약 1만 개 agent는 여러 그룹으로 나뉘어 서로의 lemma와 발견을 기록으로 교환하며 cross-pollination을 수행했다. RLVR은 검증 가능한 보상으로 그룹의 가설을 채택하고 기각해 자동화된 점진적 증명을 가능하게 했다. 88시간 동안 Navier–Stokes에만 1,300억 토큰이 투입됐고 단순 환산 비용은 100억 원을 넘을 수 있다. Anthropic 연구자들의 선행 탐색과 OpenAI의 추격은 연구 크레디트와 학습 데이터 유출 논란을 낳았다. 더 많은 자본과 compute가 공개된 연구 좌표를 즉시 점유할 수 있어 AI 연구에도 암흑의 숲 문제가 생겼다. RSI와 초지능 경쟁은 기업 내부 토론을 넘어 pacing과 구속력 있는 안전 합의를 요구한다. GPT Image 2.5는 연속 편집의 consistency와 streaming을 개선해 스톱모션·CG·VFX 활용성을 높였다. GPT Image 2.5 API 이미지 한 장의 체감 비용은 약 100원으로 내려가 썸네일 사업화 가능성이 커졌다. Astra는 vision과 computer use로 웹페이지를 읽고 8시간 동안 기차·호텔·레스토랑 예약을 수행했다. Astra에게 이미지 도구를 주면 로고 후보를 고르고 브랜드 키트와 굿즈까지 만들지만 세부 오류에는 harness가 필요하다. AlphaFold가 단백질 구조를 사전 계산했듯 AlphaGenome은 비코딩 유전체 영역의 세포별 실험 결과를 예측한다. AlphaGenome Atlas는 약 90억 염기 변이를 미리 계산해 SNP가 유전자 조절과 질병에 미칠 영향을 빠르게 비교하게 한다. long-read sequencing은 변이가 많은 HLA 영역을 더 정확히 매핑하고 개인 유전체 분석 비용도 크게 낮췄다. AlphaGenome·Evo 2·wet lab의 순환은 생명과학을 계산 가능한 가설과 검증의 학문으로 바꾸며 longevity와 신약 개발을 앞당긴다. AI 가속은 수학·이미지·에이전트·생명과학 어디에도 예외를 남기지 않으므로 도메인 학습과 안전 설계가 함께 필요하다.