Leaf Meta 🇰🇷

책 100권 읽어도 기억 안 남는 진짜 이유 밑줄 긋기, 형광펜, 다시 읽기. 뇌과학자들이 “효율 거의 0”으로 분류한 독서법이다(Dunlosky, 2013). 뇌가 기억을 굳히는 순간은 따로 있다. 정보를 머리 밖으로 “꺼낼 때(인출, retrieval)“다. 한 실험에서 같은 글을 다시 읽은 그룹은 1주일 뒤 34%, 책을 덮고 한 번만 떠올려본 그룹은 80%를 기억했다. 인출 한 번이 기억률을 2배 이상 올린 것이다(Roediger & Karpicke, 2006 / 2026년 기준 20년 전 연구지만 지금도 표준 결과로 재인용된다). 그래서 뇌과학이 가리키는 독서법은 단순하다. 책을 덮은 직후 30초 동안 핵심 세 가지를 소리 내어 말하기. 그리고 1일·3일·1주일 뒤 한 번씩 다시 떠올리기. 이게 망각곡선(에빙하우스, 1885)을 무력화하는 거의 유일한 방법이다. 핵심은 한 줄이다. “어렵게 꺼낼수록 잘 잊히지 않는다.” youtube.com/watch?v=mxJ2uo… 700권 읽은 사람이 도달한 결론도 결국 “쓰면서 인출하기”였다. #독서법 #뇌과학 #메타인지

더 큰 AI를 만든 쪽이 아니라, 한 머리에 다 안 담은 쪽이 이겼다 오래 시킬수록 코딩 AI가 흐려지는 건 모델이 멍청해서가 아니었다. 모든 걸 한 머리, 즉 컨텍스트 윈도우(AI가 한 번에 붙잡는 작업 공간)에 욱여넣은 탓이었다. 그래서 Anthropic은 ‘더 큰 머리’가 아니라 ‘한 머리에 다 안 담기’를 택했다. 지난주 나온 동적 워크플로우는 일을 잘게 쪼개 조각마다 새 작업 공간을 주고, 요약된 결과만 회수한다. 흔히 ‘하네스’라 부르지만 공식 명칭은 이쪽이다. 증거. 런타임 Bun을 Zig에서 Rust로 옮긴 75만 줄 작업을, 수백 개 에이전트가 병렬로, 11일 만에, 테스트 99.8% 통과로 끝냈다. (아직 정식 도입 전이라는 단서는 붙는다.) 핵심은 코딩이 아니다. “이건 결국 무슨 문제지?“를 먼저 묻는 사고법이다. 티켓 200건 분류, 문서 주장마다 검증 담당 배치, 이력서 순위까지 똑같은 구조로 돌아간다. 쪼개라. 새 판을 깔아라. 결과만 합쳐라. 데카르트도 방법서설에서 어려움은 가능한 한 잘게 나누라고 했다. 아직 한 창에 다 욱여넣고 있다면, 똑똑한 모델을 굳이 멍청하게 쓰는 중이다. 공식 원문 1건과 외신 보도 6건을 교차 검증했고, 용어는 Anthropic 공식 표기에 맞췄다. 공식 발표 원문: claude.com/blog/introduci… 10~수백 개 병렬 에이전트를 돌리고, 검증 후 결과만 전달한다는 설명과 Bun 사례가 여기 있다. #AI #ClaudeCode #메타인지 #출처 “동적 워크플로우, 조각마다 새 작업 공간·요약 결과만 회수” claude.com/blog/introduci… “Bun을 Zig에서 Rust로, 75만 줄, 11일, 테스트 99.8% 통과” claude.com/blog/introduci… “계획이 컨텍스트 윈도우가 아니라 스크립트 변수에 담긴다” marktechpost.com/2026/05/28/ant… “Opus 4.8와 함께 지난주 출시” anthropic.com/news/claude-op…

@ctemplate 저도 그렇게 느껴요. 일 잘하는 방법 없이 스킬부터 만들면 결국 안 쓰는 템플릿만 쌓이더라고요. 추상화 비유 딱 맞네요.

동의합니다. 스킬을 먼저 만들게 아니라 일을 잘하는 방법을 찾은 후 이를 스킬로 만드는게 맞죠. 프로그래밍에서 추상화를 만드는 것과 같은 이치라고 생각합니다.

@ctemplate 필요가 비슷하면 해답도 비슷하게 나오더라고요. 먼저 움직이셨던 거면 감각이 좋으신 거죠

유사한 것을 만들어서 쓰고 있었는데 이런게 나왔네. 사람들 생각 다 비슷한 것 같네. 생각하면 되는 세상인 것 같네

미니멀리스트일수록 같은 물건을 두 번 산다 물건은 다 버렸는데 왜 또 사게 될까. 버린 건 물건이고, 안 건드린 건 "사고 싶은 마음"이라 그렇다. 이건 물건 문제가 아니라 판단 문제다. "이게 왜 필요했지"를 다섯 번 캐물으면, 답은 대개 물건이 아니라 불안이다. 불안을 안 줄이면 비운 자리는 다시 찬다. 연구 23편을 모아 보니, 행복은 "물건이 적어서"가 아니라 "소비 욕구를 다스리고 내 가치에 집중해서" 왔다. 버리기가 아니라 고르기가 핵심이었다. AI 에이전트 시대엔 더 선명해진다. 물건도 정보도 에이전트(나 대신 일해주는 AI)가 무한히 들고 있어 준다. 그러니 줄일 대상은 물건이 아니라 "무엇을 내 머리와 에이전트에 들일지"라는 판단이다. 2026년 미니멀리즘은 비우기가 아니라, 들일 것을 적게 고르는 기술이다. "정보가 넘치면, 정작 귀해지는 건 주의력이다." — 허버트 사이먼, 1971 처방은 딱 하나. 버리기 전에 물어라. "이거 없으면 곤란한가, 불안한가." 곤란이면 남기고, 불안이면 그 불안부터 본다. 논문 한 편: 미니멀리즘 연구 23편을 모은 메타분석(2023). 적게 사는 삶과 행복이 꾸준히 같이 갔고, 그 다리는 '욕구 통제'와 '가치 집중'이었다. 3년 된 결과지만 결론은 지금도 유효하다. tandfonline.com/doi/abs/10.108… 연구 23편과 2026년 최신 자료를 교차로 검토했다. #미니멀리즘 #자기계발 #메타인지 ――――― #출처 "버린 자리는 다시 찬다 / 같은 물건을 두 번 산다" → Decluttering 후 재구매·후회 현상 정리: abundantlifewithless.com/prevent-declut… #출처 "행복은 물건이 적어서가 아니라 소비 욕구를 다스리고 가치에 집중해서 왔다" → Hook, Hodge, Zhang, Van Tongeren, Davis (2023), The Journal of Positive Psychology 18(1), 130–141: tandfonline.com/doi/abs/10.108… #출처 "AI 에이전트 시대엔 줄일 건 물건이 아니라 판단" → When Attention Is Automated, Judgment Becomes the Advantage (2026.3): agentico.ai/post/when-atte… #출처 "정보가 넘치면 귀해지는 건 주의력이다 — 허버트 사이먼, 1971" → H. Simon, 'Designing Organizations for an Information-Rich World'(1971), Oxford Reference: oxfordreference.com/display/10.109…

성공을 숨기면 미움을 피한다? 연구는 정반대를 가리킨다 "작은 성공도 숨겨라, 사람들은 네가 잘되길 바라지 않는다." 타임라인에서 참 잘 먹히는 문장이다. 그런데 데이터는 좀 다른 얘길 한다. 질투는 한 덩어리가 아니다. 두 갈래로 갈린다. 하나는 '끌어내리는 질투'(너를 깎아내리고 싶은 마음), 하나는 '따라 올라가는 질투'(나도 저렇게 되고 싶다는 자극). 방향을 가르는 건 딱 하나다. "저 성공이 운인가, 노력인가." 그래서 결과만 반짝 보여주면 운으로 읽히고, 끌어내림이 켜진다. 반대로 그 뒤의 삽질과 실패까지 같이 꺼내면 '저 사람 자격 있네'로 바뀐다. 하버드 실험에선 고생담을 함께 말한 창업가의 투자 피칭이, 성과만 자랑한 피칭보다 더 잘 먹혔다. 처방은 단순하다. 성공 옆에 과정을 붙여라. 자랑 끝엔 도와준 사람에게 감사 한 줄. 나눈 기쁨은 두 배가 된다는 옛말은 빈말이 아니었다. 숨기는 게 보호가 아니다. 맥락을 주는 게 보호다. 참고로 핵심 근거인 질투 2종 구분(2009)과 하버드 실패공개 연구(2018)는 10여 년 됐지만, 2024~25년 후속연구에서 다시 확인돼 2026년 지금도 표준으로 인용된다. 하버드 앨리슨 우드 브룩스 연구팀: 성공만 자랑하면 '악의적 질투'가 커지고, 실패와 과정까지 드러내면 그 질투가 줄고 존경으로 바뀐다 scottmautz.com/harvard-resear… 이 글은 심리학 논문·하버드 실험 등 6편 안팎을 교차 확인했고, '이건 결국 무슨 문제인가'를 질투의 종류부터 되물어 정리했다. #심리학 #자기계발 #메타인지 #출처 "끌어내리는 질투 vs 따라 올라가는 질투" → research.tilburguniversity.edu/en/publication… , psychologytoday.com/us/blog/joy-an… #출처 "실패와 과정을 함께 드러내면 악의적 질투가 줄고, 창업 피칭도 더 잘 먹혔다" → hbs.edu/ris/Publicatio… , scottmautz.com/harvard-resear… #출처 "나눈 기쁨은 두 배가 된다 / 감사를 붙여 자랑하라(shoy·bragitude)" → psychologytoday.com/us/blog/consci… #출처 "성공만 광고하고 노력은 숨기면 모두의 판단이 왜곡된다(플로팅덕 신드롬, 참고용)" → ncbi.nlm.nih.gov/pmc/articles/P… , monday-8am.com/finding-joy-in…

심심함을 '견딘' 사람이 이긴다? 반은 틀렸다 견딘다는 말부터 함정이다. 이기는 건 심심할 때 폰을 안 꺼낸 사람이다. 심리학자 샌디 만의 실험. 지루한 작업(전화번호부 베끼기)을 먼저 시킨 40명이, 곧바로 창의력 과제만 푼 40명보다 더 창의적인 답을 냈다. 더 묘한 건, 직접 쓰는 지루함보다 가만히 읽고 듣는 '멍한' 지루함이 효과가 컸다는 점이다. 머리가 떠돌 여백이 클수록 좋았다는 뜻이다. 뇌가 그렇게 설계됐다. 멍해지면 '디폴트 모드 네트워크'(아무것도 안 할 때 켜지는 뇌 회로)가 돌면서 멀리 떨어진 생각들을 연결한다. 좋은 아이디어가 꼭 설거지하다 튀어나오는 이유다. 그러니 심심함은 참는 게 아니다. 폰으로 안 덮는 거다. 줄 서는 2분, 엘리베이터 안. 거기서 화면 켜는 순간 뇌는 하던 일을 멈춘다. 마노쉬 조모로디의 TED 강연이 이걸 깔끔히 정리한다. 멍 때릴 때 뇌가 가장 창의적으로 일한다는 것. youtube.com/watch?v=c73Q8o… "인류의 모든 문제는 방에 혼자 조용히 앉아있지 못하는 데서 나온다." 파스칼, 팡세 AI가 1초 만에 답을 뱉고 숏폼이 모든 빈틈을 메우는 2026년. 10년도 더 된 연구가 지금 더 들어맞는다. 심심할 줄 아는 게 희소 능력이 된 거다. 설거지하다 아이디어 떠오른 적 있다면, 당신이 이미 증인이다. 논문·기사 2건과 TED 강연 1개를 교차 검증했다. '견딘다=의지력'이라는 프레임부터 의심하고 봤다. #생산성 #창의력 #메타인지 #출처 "지루한 작업을 먼저 시킨 40명이 더 창의적이었다" → ScienceDaily, Mann & Cadman 2013(영국심리학회 발표): sciencedaily.com/releases/2013/… "읽고 듣는 수동적 지루함이 효과가 더 컸다" → Creativity Research Journal, Mann & Cadman 2014: tandfonline.com/doi/abs/10.108… "디폴트 모드 네트워크 / 멍 때릴 때 뇌가 가장 창의적으로 일한다" → Manoush Zomorodi, TED 2017: youtube.com/watch?v=c73Q8o… "인류의 모든 문제는 방에 혼자 조용히 앉아있지 못하는 데서 나온다" → 파스칼 『팡세』: goodreads.com/quotes/19682-a… "심심함은 작은 용량일 때, 어떻게 반응하느냐에 따라 약이 된다"(보조) → TIME, 보어덤 연구 정리: time.com/5480002/benefi…

AI 구독 늘리고 토큰값 더 쓰면 기업 이익이 좋아질까 지금까지 이 질문을 가장 엄격하게 측정한 실험은 정반대를 가리켰다. 숙련 개발자에게 AI를 쓰게 했더니 작업이 오히려 19% 느려졌다. 그런데 본인들은 20% 빨라졌다고 믿었다. 느낌과 실제가 반대로 갈라진 것이다. 기업도 같다. 전 세계가 수십조 원을 부었지만 도입한 회사의 95%가 이익으로 이어진 효과를 못 봤다. 비용은 생산성을 사주지 않는다. 갈린 건 “얼마 썼나”가 아니라 “내 일에 어떻게 끼웠나”였다. 이건 2025년 초 모델로 잰 결과다. 도구는 그새 더 좋아졌다. 하지만 안 변한 게 하나 있다. 더 쓴다고 더 생산적인 게 아니고, 우리는 그 차이를 잘 못 느낀다는 것. 점검은 한 줄이면 된다. 이 구독이 줄여준 시간을 숫자로 댈 수 있나. 못 대면 그건 지출이 아니라 기분이다. METR 실험과 MIT 보고서, 2026년 후속 데이터까지 느낌이 아니라 측정값 기준으로 교차 점검했다. METR 무작위대조시험: 경험 많은 개발자가 AI 허용 시 작업이 19% 느려졌고, 그러고도 빨라졌다고 착각했다 metr.org/blog/2025-07-1… #생산성 #AI활용 #메타인지 #출처 “작업이 오히려 19% 느려졌다 / 20% 빨라졌다고 믿었다” → metr.org/blog/2025-07-1… “도입한 회사의 95%가 이익으로 이어진 효과를 못 봤다” → fortune.com/2025/08/18/mit… “2026년 후속 데이터” → metr.org/blog/2026-02-2…

MS Build 2026 키노트 핵심 정리 🧵 1/ 🧵 책상 위에서 1조 파라미터 모델 돌리는 시대 어제 MS Build 2026 키노트 봤는데, 솔직히 한 시대가 끝나고 다음 시대가 시작되는 게 보였습니다. 핵심 한 줄: "이제 좋은 모델 하나 갖다 쓰는 시대는 끝났다. 내 데이터로 프론티어에 직접 올라타는 시대다." 2시간 발표를 분 단위로 풀어서 정리했어요. 길지만 저장해두면 두고두고 쓸 글입니다. --- 2/ 💻 [3~5분] "클라우드 안 거치는 AI" 발표 시작부터 메시지가 분명했어요. 지금 PC마다 박혀있는 GPU·NPU가 어마어마한데, 이걸 그냥 놀리고 있다는 거죠. 그래서 Windows AI를 확장해서 전체 PC 설치 기반에서 온디바이스 AI를 돌릴 수 있게 했습니다. 로컬 추론 모델(Ion Instruct)과 플래닝 모델(Ion Plan)도 공개. 즉, 클라우드 왕복 없이 PC 안에서 에이전트가 도구 쓰고 일을 끝내는 구조가 가능해졌습니다. 왜 중요하냐 → 토큰 비용 걱정 없는 "공짜 지능"의 시작. --- 3/ 🖥️ [5~9분] 책상 위에 데이터센터를 올렸습니다 여기서부터 좀 놀랍습니다. • Surface Ultra — 128GB 통합메모리, 종일 배터리 (가을 출시) • Surface RTX Spark DevBox — 1 페타플롭 AI 연산 + 128GB, 사티아가 직접 "개발자 드림머신"이라고 부른 물건 • 결정타: NVIDIA DGX Station에 Windows 탑재 → 책상 위에서 1조 파라미터 모델을 로컬로 돌립니다. 불과 몇 년 전 슈퍼컴퓨터급 성능이 데스크톱으로 내려온 거예요. --- 4/ 🛠️ [10~17분] Windows가 드디어 개발자 친화적으로 오랫동안 개발자들이 불평하던 부분을 싹 손봤습니다. 터미널에 GitHub Copilot 내장, Linux 유틸 75개+ 기본 탑재, Homebrew 네이티브 지원, GPU 쓰는 네이티브 컨테이너까지. 라이브 데모에선 노트북에서 120B 파라미터 모델을 로컬 구동하는 걸 보여줬어요. 보통 PC는 못 올리는 크기죠. "토큰 다 썼나" 걱정 없이 로그 분석을 로컬에서 끝내는 장면이 인상적이었습니다. --- 5/ ☁️ [18~22분] 인프라, 그리고 의외의 '물' 이야기 규모 자랑이 먼저 나옵니다. Azure 데이터센터 500개+, 최근 18개월에 첫 10년보다 더 많은 용량을 추가했다고. 근데 더 인상적인 건 태도였어요. "데이터센터가 동네 전기·물값 올리면 안 된다"는 원칙을 먼저 깔고 시작합니다. 대표 사례 Fairwater AI 슈퍼팩토리는 폐쇄 냉각 루프라 1년 물 사용량이 식당 한 곳 수준 💧. AI 데이터센터 = 물 먹는 하마라는 비판에 대한 정면 응답. --- 6/ ⚡ [22~25분] 칩 이야기 (지루할 것 같지만 중요) • Maia 200 (자체 칩) — 현존 최고 GPU 대비 토큰당 비용 30% 개선, M365 Copilot을 이걸로 돌립니다. • Cobalt 200 — 에이전트 작업에서 지연 33%↓, 처리량 23%↑ 핵심 인사이트: 에이전트 시대엔 GPU만 중요한 게 아니라 CPU도 똑같이 중요해진다는 것. (CPU:GPU 비율이 1:1로 수렴 중) --- 7/ 🤝 [25~36분] 젠슨 황이 새벽에 깜짝 등장 대만에서 늦은 밤 화상으로 연결. 핵심만 추리면: • RTX Spark에 MVFP4 포맷 넣어서 수백억 파라미터 모델을 로컬에 욱여넣음 • MS가 전 세계에서 Grace Blackwell을 가장 많이 깔았다 • Fairwater는 Hopper 대비 토큰 생성 비용 30배 절감 • 차세대 Vera Rubin은 아예 '에이전트 전용'으로 설계 젠슨의 한 마디가 핵심이었어요: "AI가 실제로 쓸모있어지니까 GitHub 커밋이 몇 달 만에 3배로 폭증했다." 📈 --- 8/ 📱 [37~51분] Project Solara — '에이전트 우선' 디바이스 이게 좀 미래적이었습니다. "다음 컴퓨터는 하나의 기기가 아니라, 여러 기기가 하나처럼 묶인 별자리"라는 컨셉. 에이전트가 필요한 곳·시점에 가장 가까운 기기로 따라온다는 거죠. 데스크용(MediaTek)과 휴대용 배지(Qualcomm) 2종 프리뷰. 간호사가 배지 하나로 핸즈프리 차트 작성하고 약품 스캔하는 시나리오가 설득력 있었어요. Best Buy·Target 등이 이미 도입 검토 중. --- 9/ 🧠 [51~57분] 진짜 핵심 — 인텔리전스 레이어 여기부터가 이번 키노트의 본론입니다. Foundry 모델 카탈로그가 12만 개+ (OpenAI부터 Anthropic Claude Opus 4.8까지). 에이전트용으로 데이터 티어를 통째로 재설계했고, Fabric에 GPU 가속 붙여서 7배 빨라졌습니다. 그리고 발표의 주인공 중 하나 🔥 Web IQ — LLM·에이전트 전용으로 다시 만든 웹 검색. MCP 네이티브라 어떤 에이전트에도 꽂힙니다. 품질·속도·비용 다 1등이라고 주장. --- 10/ 🔗 [57~63분] Microsoft IQ = 외부 + 내부 + 사내지식 통합 Web IQ(외부 웹) + Fabric IQ(실시간 기업 데이터) + Work IQ(사내 문서·사람)를 하나의 컨텍스트로 묶는 게 핵심입니다. 데모가 강렬했어요. 전력망 장애 상황에서 에이전트가 ① 외부 전기요금 정보 → ② 실시간 그리드 상태 → ③ 사내 대응 매뉴얼을 다 끌어와서 자동으로 브리핑을 만들고, Teams로 알림까지 보냅니다. 포인트: 매뉴얼이 바뀌면 답도 자동으로 바뀜. 재업로드·재학습 필요 없음. --- 11/ 🔒 [64~74분] 자율 에이전트의 진짜 문제 — 보안 에이전트가 코드 짜고 파일 건드리고 실행까지 하면, 강력한 만큼 위험하죠. 그래서 MXC(실행 컨테이너)를 OS에 박았습니다. 격리·봉쇄를 정책으로 강제. 그리고 깜짝 발표 — Open Claw가 Windows 네이티브 앱으로 올라왔습니다. 데모에서 에이전트한테 "바탕화면 파일 다 지워" 시켰는데 MXC가 막아버리는 장면 😅 창립자 Peter Steinberger가 직접 나와서 비영리 재단 설립까지 발표. --- 12/ 👨‍💻 [75~85분] 새 GitHub Copilot 앱 + Rayfin CLI 100개 띄워놓고 헤매던 개발자들 주목. CLI 속도 + IDE 기능 + 무한 에이전트 세션을 한 앱에 담았습니다. 이슈마다 Git worktree로 격리해서 병렬 작업, 'agent merge'가 CI~코드리뷰~머지까지 알아서 처리. 그리고 Rayfin — 에이전트용 백엔드 SDK. "코드는 쉽게 짜지는데 백엔드(인증·DB·스토리지)가 문제"라는 현실을 정조준. Replit에서 만든 앱을 기업 Fabric 테넌트에 바로 배포하는 데모. --- 13/ 🛡️ [85~96분] Agent 365 — 에이전트를 '직원처럼' 관리 에이전트한테 고유 ID·접근권한을 주고, Defender·Purview로 보호하고, AWS·GCP에서 돌아가는 것까지 한곳에서 통제합니다. Foundry가 인상적이었던 건 자가 개선 루프. 루브릭(평가 기준)을 자동 생성하고, '에이전트 옵티마이저'가 모델·프롬프트·도구를 알아서 튜닝해서 쓸수록 똑똑해집니다. 보안 쪽 MDASH도 충격 — 100개+ 에이전트가 협업·토론하며 단일 모델은 못 잡는 취약점을 찾아냅니다. --- 14/ ✨ [141~145분] Copilot 통합 + Autopilots 여름부터 Chat + Cowork + Code가 하나의 'Copilot 슈퍼앱'으로 합쳐집니다. 더 큰 발표는 Autopilots — "엔터프라이즈급 자율 에이전트"입니다. 이름·성격·메모리를 갖고 내 테넌트 안에서 장시간 자율로 일함. 첫 주자 'Scout' 공개. Teams 그룹챗에 들어오고 Outlook 스레드를 처리하는, 말 그대로 디지털 팀원. --- 15/ 🚀 [147~154분] MAI 모델 7종 — MS가 자체 모델로 정면승부 Mustafa Suleyman이 나와서 쏟아낸 신모델들: • MAI Image 2.5 — Nano Banana 2를 추월 • MAI Transcribe 1.5 — 43개 언어, 세계 최고 정확도, 5배 빠름 • MAI Voice 2 — 15개 언어 • MAI Thinking 1 — 35B MoE인데 Sonnet 4.6 능가, AIME 97% • MAI Code 1 Flash — 5B 초경량 코딩 모델 자체 칩(Maia 200)에 최적화해서 와트당 성능 1.4배 추가 확보. --- 16/ 🎯 핵심 사상 — Frontier Tuning ("나만의 힐클라이밍 머신") 이번 키노트에서 제일 중요한 개념이라고 봅니다. RLE(강화학습 환경)로 내 데이터·내 워크플로에만 적응한 전용 에이전트를 만듭니다. 결과가 진짜였어요: • Excel 에이전트: GPT-5.4급 성능 + 비용 10배 효율 • McKinsey 작업: GPT-5.5 능가 핵심은 이겁니다 → 모델·노하우·데이터의 소유권을 '내가' 갖는다. 그게 곧 해자(moat). --- 17/ 🔬 [115~148분] 마지막은 과학과 양자 마무리는 스케일이 달랐습니다. • Mayo Clinic과 헬스케어 프론티어 모델 공동 개발 (세계 1위 병원의 임상 노하우를 모델로) • Microsoft Discovery GA — 가설→실험→자동화 랩까지 도는 '과학 발견 루프'. 플라스틱 분해 단백질을 설계하고 실제 자동 실험실에 주문 넣는 데모까지. • ⚛️ Majorana 2 — 큐비트 수명 20초~1분 (이전 세대의 1000배), 신용카드보다 작은 칩에 큐비트 100만 개 목표. --- 18/ 🎁 마무리 사티아가 던진 질문이 좋았습니다. "기술이 권력을 한곳에 모으고 인간의 주도권을 뺏을 것인가, 아니면 모두에게 기회를 열 것인가." MS의 답은 명확했어요 — 누구나 자기 데이터로 프론티어 생태계에 직접 참여하는 시대를 만들겠다. #온디바이스AI · #Foundry · #Web/#MicrosoftIQ · #MXC · #Agent365 · #MAI7종 · #FrontierTuning · #Majorana2

ㅋㅋ MAI는 그냥 Microsoft AI의 약자다. 마이크로소프트 안에 있는 AI 전담 조직(무스타파 술레이만이 이끄는 곳) 이름을 그대로 모델 브랜드로 붙인 거다. 거창한 뜻 없고 사실상 "우리(MS)가 직접 만든 AI"라는 도장 같은 거다.

가장 화려한 발표가, 가장 덜 중요한 뉴스였다 Build 2026에서 다들 양자칩 Majorana 2에 환호했다. 그런데 그 칩의 핵심 주장은 지금 독립 물리학자들이 반박 중이다 — 아직 동료평가(전문가 검증) 전 자료라서다. 2018년(8년 전) MS의 비슷한 주장은 끝내 철회됐다. 진짜 뉴스는 더 조용했다. MS가 OpenAI 데이터 없이 처음부터 직접 학습한 자체 모델 두 개를 공개했다. 추론용 'MAI-Thinking-1'과, 깃허브 코파일럿용 코딩 모델 'MAI-Code-1-Flash'다. 동시에 AI를 클라우드가 아니라 기기 안에서 돌리는 온디바이스 모델 'Aion'도 내놨다. 데이터를 밖으로 못 보내는 병원·은행엔, 이게 양자보다 큰 사건이다. 그래서 키노트는 이렇게 본다. "이건 무슨 종류의 발표지?"를 먼저 묻고, 검증된 것과 주장만 있는 것을 가른다. 영상 원본: youtube.com/live/FFMm454fx… — Build 2026 오프닝 키노트. 자료 6건을 교차 확인했고, '시끄러운 것=중요한 것'이라는 착각을 메타인지로 갈라봤다. #마이크로소프트 #AI #메타인지 #출처 "양자칩 Majorana 2 / 나델라 발언" → engadget.com/2185601/micros… · news.microsoft.com/build-2026-liv… "독립 물리학자 반박 / 2018년 철회 / 자체 모델 MAI-Thinking-1·MAI-Code-1-Flash(OpenAI 데이터 없이 학습)" → techtimes.com/articles/31763… "온디바이스 모델 Aion / 프론티어 인텔리전스 생태계" → digg.com/ai/hhj72bdb "영상 원본" → youtube.com/live/FFMm454fx…

온디바이스 쪽은 Phi-4-mini → Aion으로 이어받는 흐름이네요. (윈도우용 Phi Silica는 GPU로 확장되며 병행 유지) MAI는 아예 따로, 클라우드·코파일러용 자체 학습 모델군이고요. 용도가 다른 걸로 보면 깔끔하게 정리되네요.

@ttukbap_ant 좋은 주말 되세요 ^^

@leafmeta 언급주신 부분도 상세하게 보겠습니다! 감사합니다🫡

@ttukbap_ant 읽어주셔서 감사합니다 🙏 하나만 덧붙이자면, 이번 키노트에서 진짜 봐야 할 건 화려한 하드웨어가 아니라 Frontier Tuning이라고 봐요. “좋은 모델을 빌려 쓴다 → 내 데이터로 나만의 모델을 만든다”로 무게중심이 옮겨간 게 핵심이거든요. 16번 트윗이에요

@leafmeta 깔끔한 정리 감사드립니다! 꼼꼼하게 읽어보겠습니다