오늘의 AI뉴스 — 2026년 07월 24일

아래는 원문을 바탕으로 한국어로 옮긴 내용입니다. AI·IT 용어는 이해하기 쉽게 풀어 썼습니다.

OpenAI는 1월부터 이 기능을 공개하고 테스트한 후 18세 이상의 미국 사용자에게 “Health in ChatGPT”를 출시하고 있습니다. 구독료를 지불하면 말 그대로 생명을 구할 수 있습니다.

사용자는 Apple 건강, 의료 기록 및 웰니스 앱을 연결하여 실험실 결과를 검토하고 의사 진료 예약을 준비하며 수면 또는 활동 데이터를 분석할 수 있습니다. OpenAI는 모델 훈련이나 광고를 위해 연결된 건강 데이터를 사용하지 않을 것이라고 밝혔습니다.

OpenAI의 HealthBench Professional에서 GPT-5.6 Sol은 모든 카테고리에서 의사가 작성한 답변과 이전 GPT-4o 및 GPT-5.5 Instant 모델을 능가합니다. 가장 큰 격차는 완전성(88.0 대 53.2%)과 건강 결정 유용성(83.0 대 50.8%)입니다. | 이미지: 오픈AI

벤치마크 결과가 결정적인 것처럼 보이더라도 이는 지식을 측정하도록 설계된 인공 테스트 환경에서 나온 것이므로 의사는 여러 가지 이유로 점수가 낮을 수 있습니다. 그들은 시간적 압박을 받고 있거나, 피로를 다루거나, 환자 기록이나 동료의 의견과 같은 도구 없이 시험을 치르고 있을 수 있습니다.

또한 벤치마크는 의사가 환자를 직접 검사하고, 비언어적 신호를 포착하고, 수년간의 경험을 활용하여 전반적인 상태를 평가할 수 있는 실제 건강 검진 중에 발생하는 일을 많이 포착할 수 없습니다. OpenAI 자체는 발표에서 ChatGPT가 여전히 실수를 할 수 있으며 의학적 조언을 대체할 수 없다고 반복해서 밝혔습니다. 회사는 260명 이상의 의사가 건강 기능 개발에 도움을 주었다고 밝혔습니다.

OpenAI의 초기 테스트에서는 또한 참가자의 70% 이상이 전용 건강 섹션으로 전환하는 것이 너무 번거롭기 때문에 전용 건강 섹션 외부에서 건강 관련 질문을 하는 것으로 나타났습니다. 이후 회사는 데이터를 관리하고 과거 건강 채팅에 액세스하기 위해 별도의 건강 섹션을 유지하면서 모든 대화에서 건강을 사용할 수 있도록 했습니다.

아래는 원문을 바탕으로 한국어로 옮긴 내용입니다. AI·IT 용어는 이해하기 쉽게 풀어 썼습니다.

하지만 과대광고, 흥분, 과장, 금융 광기를 제쳐두고 여러분과 제가 어떤 Anthropic 제품에 관심을 가질 수 있을까요? Claude닷에이아이(Claude. ai), Claude코드(Claude Code), Claude코워크(Claude Cowork)란? 그렇다면 하이쿠(Haiku), 소네트(Sonnet), 오푸스(Opus), 우화(Fable), 신화(Mythos)는 무엇입니까?

또한: OpenAI의 공격 에이전트는 예상보다 더 가차 없이 지시된 대로 정확하게 수행했습니다.

이 기사에서는 자세히 살펴보겠습니다. 구체적으로 Claude. ai, Claude Code 및 Claude Cowork를 살펴보지만 Haiku, Sonnet, Opus, Fable 및 Mythos도 관점에서 살펴볼 것입니다.

가끔은 자동차에 관련시키면 이해하기가 더 쉽다고 생각합니다. 그럼 Anthropic의 제품을 사용해 보도록 하겠습니다.

자동차 판매점에 들어가면 일반적으로 두 가지 선택을 합니다. 차량 모델을 선택하셨습니다. 일반 세단을 원하시나요? SUV를 원하시나요? 픽업트럭을 원하시나요? 모두 장단점이 있으며 특정 유형의 활동에 이점을 제공합니다.

또한:Claude Fable 5가 돌아왔지만 일상 업무에는 Opus 4.8을 고수하고 있습니다: 5가지 이유

아래는 원문을 바탕으로 한국어로 옮긴 내용입니다. AI·IT 용어는 이해하기 쉽게 풀어 썼습니다.

Runway는 더 이상 또 다른 AI 모델 회사가 되기를 원하지 않습니다. 생성 미디어를 위한 인프라 계층이 되기를 원합니다.

목요일에 스타트업은 이번 달 초에 출시된 개발자 플랫폼인 Runway Dev를 통해 Runway Media Router를 출시했습니다. 이 라우터는 Runway 자체 모델과 함께 점점 늘어나는 타사 이미지, 비디오 및 오디오 모델 목록에 대한 API 액세스를 제공합니다.

미디어 라우터는 개발자가 품질, 속도 또는 비용 중 어느 것을 우선시하는지에 따라 요청에 가장 적합한 이미지, 비디오 또는 오디오 생성 모델을 자동으로 선택하는 도구입니다. 대규모 언어 모델의 세계에서 모델 라우터가 점점 보편화되고 있지만 Runway는 이것이 생성 미디어용으로 특별히 제작된 최초의 제품이라고 말합니다.

Runway의 최고 제품 책임자인 Anthony Maggio는 TechCrunch에 “이 라우팅은 개발자가 모든 유형의 생성 미디어 모델과 통합할 수 있는 가장 쉬운 원스톱 상점이 된다는 전반적인 약속에 실제로 부합합니다.”라고 말했습니다.

TechCrunch와 독점적으로 공유된 이번 출시는 Runway가 AI 비디오 스타트업에서 생성 미디어를 구축하는 기업을 위한 인프라로 진화하는 또 다른 단계를 의미합니다. Runway Dev를 통해 Adobe, Cloudflare, ElevenLabs, Expedia, Shutterstock 및 Quora를 포함한 고객은 사용자를 Runway의 자체 앱이나 사이트로 보내는 대신 Runway의 API를 사용하여 자체 제품에 직접 미디어 생성을 구축할 수 있습니다.

라우터의 출시는 생성 미디어 모델의 수가 폭발적으로 증가함에 따라 개발자가 새 릴리스를 평가하는 것이 점점 더 어렵고 시간 소모적이게 되면서 이루어졌습니다. Runway Dev 플랫폼을 통해 개발자는 최신 미디어 모델이 출시되면 이에 액세스할 수 있습니다.

아래는 원문을 바탕으로 한국어로 옮긴 내용입니다. AI·IT 용어는 이해하기 쉽게 풀어 썼습니다.

2022년 하버드 중퇴자 3명이 설립한 AI 칩 스타트업인 Etched는 가치 평가액 103억 달러로 3억 달러 규모의 시리즈 C 자금 조달 라운드를 마감했다고 공동 창업자이자 COO인 Robert Wachen이 TechCrunch에 말했습니다.

이번 라운드에는 Sequoia가 주도했으며 Andreessen Horowitz, SK Hynix, Jane Street 및 Diffusion Capital도 다른 초기 투자자들과 함께 참여했습니다. 회사의 다른 후원자에는 Peter Thiel, Andrej Karpathy, Dylan Field, Amjad Masad 등과 같은 이름이 포함됩니다.

Etched는 지난 12월 5억 달러의 자금을 조달했을 때 가치가 50억 달러로 평가되었는데, 이는 약 7개월 만에 가치가 두 배로 오른 것을 의미합니다. 회사는 이것이 Sequoia 주도의 Series C에 대한 역대 최고 가치라고 밝혔습니다. 지난 달 Etched는 자체 개발 칩을 성공적으로 제조했으며 첫 번째 전체 시스템이 고객에 의해 테스트되었으며 이미 10억 달러 상당의 주문을 예약했다고 발표했습니다.

그럼에도 불구하고 오늘날 Etched가 명성을 얻고 있는 이유는 추론 속도를 높이기 위해 두 가지 새로운 구성 요소(사용자가 프롬프트를 제출한 후 발생하는 컴퓨팅 프로세스)를 처음부터 설계했다는 것입니다.

Wachen은 “추론은 두 단계로 구축됩니다. 미리 채우기와 디코딩”이라고 말합니다. “미리 채우기 단계”에는 컨텍스트를 포함하여 프롬프트를 이해하는 것이 포함됩니다. 수학적이고 계산 집약적입니다. “디코드” 단계에서는 출력 토큰(사용자가 보는 실제 답변)을 생성합니다. 계산이 덜 필요하지만 엄청난 양의 메모리가 필요합니다.

Etched는 “다른 어떤 AI 칩보다 훨씬 낮은 전압에서 작동함으로써 “극적으로” 더 빠르게 작동하는 프리필 칩을 만들었습니다. 우리는 이것을 저전압 추론이라고 부릅니다.” 전압이 낮을수록 열이 덜 발생하므로 칩에 더 많은 트랜지스터를 넣을 수 있습니다.

아래는 원문을 바탕으로 한국어로 옮긴 내용입니다. AI·IT 용어는 이해하기 쉽게 풀어 썼습니다.

사용자는 PDF, 슬라이드, 티켓, 성적표, 웹 콘텐츠에 걸쳐 여러 부분으로 구성된 비교 질문과 탐색 질문을 합니다. 고전적인 싱글샷 검색은 이러한 질문에 대해 분석됩니다. 답변이 맥락을 놓치고, 지원 티켓이 에스컬레이션되고, 분석가가 검색을 다시 실행하는 데 시간을 낭비합니다. Amazon Bedrock 관리형 기술 자료에 대한 에이전트 검색은 이러한 질문을 위해 설계되었습니다.

분석가가 물어볼 수 있는 두 가지 질문을 생각해 보세요: “2020년과 2023년 전략을 비교해 보세요. 무엇이 바뀌었나요?” 그리고 “제품 라인 전반에 걸쳐 세 가지 가장 큰 위험은 무엇입니까?” 단일 조회도 아닙니다. 다중 의도 질문은 이를 잘 나타내는 임베딩 공간에 단일 지점이 없으므로 상위 k 청크는 경쟁하는 하위 의도의 평균으로 돌아옵니다.

에이전트 검색은 검색을 계획하고 반복하며 동일한 호출에서 응답을 생성할 수 있습니다. 이 게시물에서는 다중 부분 질문에서 클래식 검색이 부족한 이유, AgenticRetrieveStream API 작동 방식(요청 구성 및 추적 구문 분석 포함), 표준 검색 API 대신 이를 선택하는 경우에 중점을 둡니다.

실제 사례는 격차를 구체적으로 만듭니다. 25년간의 Amazon 주주 서신을 관리형 기술 자료에 수집했다고 가정해 보겠습니다. 첫 번째 질문은 직접적입니다.

표준 검색 API는 하이브리드 점수를 기준으로 5개의 청크를 반환합니다. 테스트 자료에서 최고 결과는 점수는 높지만 가치는 낮습니다. 이는 Amazon 로고 색상 구성표를 포함합니다. 다음 부분에서는 채용, 구축 및 차별화를 다룹니다. 검색기는 작업을 수행하고 쿼리 임베딩과의 유사성을 기준으로 순위를 매겼습니다. 그러나 “_가장 중요한 메시지_”는 모호하며, 득점자는 무엇이 중요한지 알 수 없습니다.

_”Amazon이 2020년과 2023년에 채용, 장기 투자, 고객 집착에 관해 어떻게 이야기했는지 비교해 보세요. 강조점은 어디로 이동했나요?”_

아래는 원문을 바탕으로 한국어로 옮긴 내용입니다. AI·IT 용어는 이해하기 쉽게 풀어 썼습니다.

알파벳은 2026년 투자 전망을 기존 1,800억~1,900억 달러에서 1,950억~2,050억 달러로 상향 조정했다. 회사는 수요가 계속해서 투자를 앞지르고 있다고 말합니다.

Google은 2026년 2분기 매출이 1,198억 달러라고 보고했는데, 이는 분석가의 예상인 1,169억 달러를 뛰어넘는 전년 동기 대비 24% 증가한 수치입니다. Google Cloud는 82% 증가한 248억 달러를 기록했고, 서비스 부문은 15% 증가한 945억 달러를 기록했습니다. Gemini 앱의 월간 활성 사용자 수는 2월의 7억 5천만 명에서 현재 9억 5천만 명으로 늘어났습니다.

2026년 2분기 Alphabet의 AI 측정항목에 따르면 Google Cloud는 82% 성장했고 Gemini 앱의 월간 활성 사용자 수는 9억 5천만 명에 달했습니다. | 이미지: 알파벳

Google 검색의 AI 모드는 10월 전 세계적으로 출시된 이후 월간 활성 사용자가 10억 명을 넘었습니다. Google은 이전의 AI 개요와 같은 AI 모드가 더 많은 전반적인 검색 쿼리를 유도한다고 주장합니다. 이를 기존 검색에 비해 웹사이트에 더 많은 트래픽이 발생하는 것과 혼동해서는 안 됩니다.

Google이 더 강력한 모델을 사용함에도 불구하고 AI 모드의 AI 응답당 비용은 출시 이후 최저 수준으로 떨어졌습니다. 이는 효율성 향상을 의미하며 최근 Flash 3.6 릴리스에서도 나타났습니다. 시간이 지남에 따라 이러한 효율성으로 인해 Google은 AI 서비스 마진에서 우위를 점할 수 있습니다.

이는 또한 개척 모델이 오늘날 Google에 얼마나 중요한지 의문을 제기합니다. AGI 경주의 경우 그럴 가능성이 높습니다. 생태계 전반에 걸쳐 일상적인 사용 사례를 제공하는 경우 아마도 덜할 것입니다. Google CEO Sundar Pichai는 “저희 주력 제품인 Gemini Flash 시리즈는 성능과 비용 측면에서 최적의 위치에 있기 때문에 엄청난 수요를 보고 있습니다”라고 말했습니다.

아래는 원문을 바탕으로 한국어로 옮긴 내용입니다. AI·IT 용어는 이해하기 쉽게 풀어 썼습니다.

Andrew Ng는 대화가 아닌 완성된 작업을 생성하는 오픈 소스 데스크톱 에이전트인 OpenWorker를 발표했습니다. OpenWorker는 사용자에게 프롬프트가 아닌 결과(정리된 문서, 실제 숫자가 포함된 Slack 응답, 업데이트된 달력, 분류된 받은 편지함)를 요청합니다. 그런 다음 결과를 여러 단계로 나누고, 로컬 파일과 연결된 앱 전반에 걸쳐 작업하고, 결과가 발생하기 전에 체크인합니다.

저장소에는 coworker/ 아래에 119개의 Python 파일(~32,400줄), 표면/gui/ 아래에 149개의 TypeScript/TSX 파일, 78개의 백엔드 테스트 모듈이 포함되어 있습니다.

데스크탑 셸 — React 18 UI를 래핑하는 Tauri 2 기본 창입니다. 번들 식별자는 com. openworker. desktop이며 셸은 Python 서버 자체를 감독합니다.

로컬 에이전트 서버 — FastAPI 및 uvicorn의 Python 3.10+, 기본적으로 127.0.0.1:8765에 바인딩. 예시 구성은 12번의 모델-도구 반복으로 회전을 제한합니다.

기능 및 커넥터 계층 — 검증된 로컬 도구(파일, git, ripgrep 지원 검색, 셸, todo), 호스팅 통합 및 MCP.

모델 라우터 — 기본, OpenAI 호환, 리셀러 및 현지 공급자를 통한 하나의 인터페이스입니다.

아래는 원문을 바탕으로 한국어로 옮긴 내용입니다. AI·IT 용어는 이해하기 쉽게 풀어 썼습니다.

Cursor는 Teams 및 Enterprise 요금제에서 Cursor Router를 일반적으로 사용할 수 있도록 만들었습니다. 시스템은 모델이 실행되기 전에 각 요청을 검사한 다음 해당 요청을 해당 특정 작업에 가장 적합한 모델로 전달하는 분류자입니다. 커서 팀은 온라인 A/B 테스트에서 60% 절감, 초기 액세스 기업 계정에서 30~50% 절감이라는 최전선 품질의 성과를 보고했습니다.

그것이 목표로 하는 문제는 능력 격차라기보다는 소비 패턴이다. Cursor에 따르면 개발자의 약 60%가 일일 드라이버로 단일 모델을 선택합니다. 따라서 일상적인 작업은 최전선 가격으로 완료되고 AI 지출은 출력 품질보다 빠르게 증가합니다. 라우팅은 해당 불일치에 대한 커서의 대답입니다.

커서 라우터는 대체 체인이나 재시도 메커니즘이 아닙니다. 이는 600,000개 이상의 라이브 요청에 대해 학습되고 수백만 개의 라이브 요청에 대한 온라인 A/B 테스트에서 평가되었으며 보상 신호로 사용자 만족도(AFC)에 최적화된 분류기입니다.

각 요청에 대해 라우터는 쿼리, 컨텍스트, 작업 복잡성 및 도메인이라는 네 가지 입력을 분석합니다. 이를 각 모델의 동작에 대한 학습된 지식과 결합합니다. Cursor는 해당 분류에 따라 세 가지 라우팅 규칙을 게시합니다.

세 번째 규칙은 비용 논쟁의 중요성을 담고 있습니다. 어려운 문제를 다운그레이드한다고 해서 절약되는 것은 아닙니다. 어려운 계층은 그대로 유지하면서 최전선 가격 책정에서 일상적인 작업을 제거함으로써 발생합니다.

라우터를 구축한 사람은 누구나 한 가지 구현 세부 사항에 주목할 필요가 있습니다. Cursor Router는 훈련과 평가 모두에서 캐시를 인식합니다. 라우팅이 캐시 미스를 생성하는 데이터 세트에 대해 훈련되었으며, 보고된 비용 절감에는 이러한 캐시 미스 비용이 포함됩니다. 대화 중에 모델을 전환하면 프롬프트 캐시가 무효화되며 그 비용은 현실입니다. 이를 무시하는 라우터는 절감액을 과대평가합니다.