측정 가능한 AI: 에너지, 해석, 검증의 세 갈래로 성숙하는 생성·추론 연구

이 연구들은 성능 지표를 넘어 '얼마나 소비하고, 왜 그렇게 판단하며, 정말 검증 가능한가'를 정량화하려는 흐름을 보여준다. 영상 생성의 에너지 소비를 아키텍처 원리와 관측 가능한 생성 파라미터에서 예측하고, 클러스터링에 사람이 읽을 수 있는 근거를 붙이며, 로봇 세계모델과 수학 추론에서 실제로 무엇이 동작하고 무엇이 깨지는지를 분석한다.

가중치를 몰라도 영상 생성기의 전력을 예측하는 스케일링 법칙

쉽게 말하면: 텍스트-투-비디오 생성 모델의 에너지 소비를, 모델 가중치나 구현 세부사항에 접근하지 않고 해상도와 길이 같은 관측 가능한 생성 파라미터로 추정하는 프레임워크를 제안한 연구다. ¹

텍스트-투-비디오(T2V) 및 텍스트-투-비디오-오디오(T2VA) 모델의 에너지 소비는 빠르게 커지는 기계학습 시스템의 환경 영향과 맞물려 중요한 연구 주제가 되고 있다. 저자들은 영상 확산 모델이 연산이 병목을 이루는(compute-bound) 성격을 지닌다는 기존 사실을 바탕으로, 각 모델의 에너지 프로필이 이론적으로 유도한 스케일링 법칙을 따른다고 본다. ¹

핵심은 양방향 프레임워크다. 순방향으로는 해상도와 영상 길이 같은 관측 가능한 생성 파라미터와 아키텍처 원리로부터 에너지를 예측하고, 역방향으로는 관측된 추론 시간에서 아키텍처의 스케일링 거동을 복원한다. 각 모델의 에너지 프로필은 2차항과 1차항으로 분해되며, 이 계수들이 내부 아키텍처 복잡도를 반영한다는 것이 이론적 근거다. 저자들은 가중치, 모델 크기, 구현 세부사항에 접근할 필요가 없다는 점도 강조한다. ¹

검증은 8.3B~27B 파라미터의 오픈소스 모델 6종과 GPU 구성 3종에 걸쳐 이뤄졌고, 이 분해 방식은 모든 아키텍처에서 MAPE 3% 미만을 달성했다. 저자들은 이 접근이 T2V 모델과 아키텍처 전반의 지속가능성 벤치마킹을 위한, 표준화되고 경험적·이론적으로 근거 있는 프레임워크를 제공한다고 설명한다. ¹

새로운 범주를 발견하면서 '왜 묶었는지'까지 말하는 클러스터링

쉽게 말하면: 라벨이 없는 데이터에서 처음 보는 부류를 찾아낼 때, 기존 방식은 '왜 이것들을 한 묶음으로 봤는지'를 설명하기 어려웠는데 이 연구는 사람이 읽을 수 있는 개념 단위로 그 근거를 붙인다. ²

신규 범주 발견(Novel Category Discovery)은 라벨된 범주의 지식을 옮겨 라벨 없는 데이터에서 미지의 클래스를 식별한다. 문제는 대부분의 기존 방법이 의미가 불투명한 잠재 특징 공간에서 작동한다는 점이다. 범주를 정확히 갈라내더라도 각 그룹을 정의하는 의미적 근거가 무엇인지는 충분히 드러나지 않는다. ²

저자들이 제안한 xNCD는 임의의 심층 특징을 군집화하는 대신, 구조화된 의미 개념 공간에서 표현 기반 발견과 의사 라벨 할당을 직접 수행한다. 사전학습된 멀티모달 모델의 비전-언어 유사도 사전지식과 시각 특징을 정렬해 라벨 없는 개념 표현을 학습하고, 개념 공간 로짓 위에서 라벨·비라벨을 통합한 자기 라벨링 목적함수를 적용한다. 이렇게 하면 각 범주를 안정적인 개념 시그니처와 인스턴스 수준 개념 근거로 설명할 수 있다. 이론적으로는 의미 개념 병목을 거치면 특징 공간의 가설 클래스가 엄격히 제한되어, 해석 불가능한 결정 규칙 다수가 배제된다는 점을 보였다. ²

CIFAR-10, CIFAR-100, CUB-200 실험에서 xNCD는 강한 발견 성능을 유지하면서도 내재적 설명을 제공했다. 태스크 무관 평가 기준에서 CIFAR-10 전체 정확도 92.63%를 기록해 UNO의 93.4%에 근접했고, CIFAR-100 전체 정확도는 73.2%에서 76.45%로 개선했다. 비교 대상 중 유일하게 군집 및 인스턴스 수준에서 사람이 읽을 수 있는 설명을 제공했다는 점도 보고했다. ²

분할 마스크를 다리 삼아 시뮬레이션에서 실제 손동작으로 건너뛰기

쉽게 말하면: 손가락이 많은 로봇 손의 동작 결과를 미리 예측하는 모델을 학습시키기 위해, RGB 픽셀 예측을 바로 하지 않고 분할 마스크를 중간 표현으로 활용한 연구다. ³

행동 조건부 세계모델은 물리적 상호작용 없이 후보 행동의 미래 결과를 예측해 정책 평가, 계획, 데이터 증강을 돕는다. 그러나 손가락을 정교하게 놀리는 손조작(dexterous manipulation)에서는 23자유도의 고차원 행동 공간, 드문드문한 대규모 데이터, 손가락과 물체의 접촉 예측 문제 때문에 세계모델을 만들기 어렵다. ³

Mask2Real-WM은 픽셀 예측을 두 단계로 분리한다. 동역학 모델은 과거 마스크와 23자유도 행동 시퀀스로부터 미래의 분할 마스크를 예측하고, 렌더링 모델은 ControlNet으로 보강한 Stable Video Diffusion 백본을 사용해 예측된 마스크를 사실적인 RGB로 변환한다. 핵심 통찰은 분할 공간에서는 시뮬레이션과 실제 사이의 격차가 더 작다는 점이다. 덕분에 동역학 모델은 50시간이 넘는 합성 시뮬레이션 데이터로 사전학습한 뒤 2.5시간 미만의 실제 시연으로 미세조정할 수 있다. ³

정교한 손조작의 집어 옮기기(pick-and-place) 벤치마크에서 저자들은 23자유도 전반의 관절별 행동 제어성을 얻으려면 마스크 조건화와 시뮬레이션 사전학습이 둘 다 필요하다고 보고한다. 반대로 단일 신경망 기준선은 손과 말단의 큰 궤적은 잡지만 관절별 미세한 행동 효과는 신뢰성 있게 반영하지 못했다. ³

LLM은 수학에서 '풀이 메커니즘'을 잘못 고를 수 있다: Lean 검증 코퍼스로 드러낸 라우팅 실패

쉽게 말하면: 거대 언어모델이 형식 검증된 대수 문제에서 올바른 증명 메커니즘 라벨을 고르는 데 실패할 수 있으며, 구조적 단서를 주면 정확도가 올라간다는 점을 보인 연구다. ⁴

이 연구는 형식 검증된 대수 코퍼스 위에서 LLM의 구조적 라우팅 실패를 실증한다. 과제는 Lean 4로 검증된 FiberRing 형식화에서 뽑은 수학 객체에 대해, 고정된 닫힌 템플릿 집합에서 올바른 증명 메커니즘 라벨을 고르는 것이다. 각 평가 항목은 Lean으로 검증된 산출물에 연결되어 있고, 라벨은 대응하는 명명된 인증서 계열에서 부여된다. ⁴

핵심 발견은 메커니즘 수준의 라우팅 천장이다. 구조적 단서가 없는 블라인드 조건에서 gpt-oss-120b와 Llama 3.3 70B는 깨끗한 기준점(clean-anchor)을 가진 22개 FiberRing 항목에서 제한된 템플릿 정확도를 보였으나, 형식화에서 뽑은 메커니즘 정보를 담은 Lean 판정·증거 단서를 노출하면 정확도가 올라갔다. 저자들은 이 상승폭을 '단서 유발 라우팅 상승'이라고 부른다. ⁴

지배적 실패 유형은 CRT 환 동치 오라우팅이다. gpt-oss-120b는 블라인드 조건에서 12개 CRT 항목 중 7개를 잘못 라우팅했지만, 단서 조건에서는 0개였다. 저자들은 모든 CRT 행이 바깥 타입 수준에서는 환 동치(ring equivalence)로 나타나지만, 더 미세한 메커니즘은 서로소인 피보나치 법 인수분해(Fibonacci-modulus factorization) 뒤에 자리한 ZMod.chineseRemainder라고 설명한다. 즉 모델은 넓은 대수적 유형은 식별하되 단서 없이는 더 미세한 증명 메커니즘을 가려내지 못한 것이다. ⁴

두 조건 모두에서 사라지지 않는, 단서에 저항하는 실패도 보고됐다. 안정값 사상(stable-value-map)을 환 구조(ring-structure)로 오분류하는 유형과, 소수 거듭제곱 올 특수화(prime-power-fiber-specialization)를 환 동치로 오분류하는 유형이다. 저자들은 이 오류들이 Lean 형식화 안의 서로 다른 경계 현상을 가리킨다고 설명한다. ⁴

3시간의 목소리로 시험한 에픽어 최초의 종단간 TTS 기록

쉽게 말하면: 나이지리아 남동부의 저자원 성조 언어 에픽어로 처음 문서화된 종단간 음성합성 연구로, 단 3시간짜리 단일 화자 녹음만으로 네 가지 신경 TTS 모델을 비교했다. ⁵

현대 종단간 TTS는 고자원 언어에서 사람에 가까운 자연스러움을 내지만, 대규모 정제 음성 데이터에 크게 의존한다. 에픽어는 나이지리아 남동부에서 쓰이는 성조 언어로, 제2언어 화자 약 300만 명과 원어민 150만 명이 있음에도 공개 음성 데이터셋이 부족해 음성합성 연구에서 과소대표되어 왔다. ⁵

저자들은 단일 화자의 발화 2,632개, 총 3시간 분량의 코퍼스를 구축하고, 저자원 조건에서 VITS, MMS-TTS, SpeechT5, Orpheus-TTS 네 개 신경 모델을 비교 평가했다. 원어민이 MOS, Nat-MOS, A-MOS로 평가한 결과 MMS-TTS가 3.80 ± 0.63으로 가장 높은 MOS를 기록했고 장문 음성도 더 안정적으로 생성했으나, 성조 오류는 여전히 남았다. 나머지 모델은 성조·운율 불일치가 더 컸다. ⁵

이 연구는 에픽어 종단간 TTS의 최초 문서화 사례이자 재현 가능한 기준선을 제공한다. 저자들이 밝힌 핵심 한계와 후속 과제는 더 큰 코퍼스와 성조 인식 모델링이 필요하다는 점이다. 저자원 성조 아프리카 언어에 대한 후속 연구의 출발점을 마련했다는 의미가 있다. ⁵

인용은 검증하고 실험은 실제로 돌리는 논문 자동 생성 파이프라인

쉽게 말하면: AI가 논문을 자동 생성할 때 생길 수 있는 근거 없는 주장, 조작된 실험 결과, 품질 평가 기준 부재를 줄이도록 설계한 생물정보학용 자동 원고 작성 시스템이다. ⁶

LLM 기반 자동 원고 생성은 세 가지 치명적 결함을 안고 있다. 생성된 주장이 검증 가능한 문헌에 결정론적으로 근거하지 않고, 실험 결과가 실제로 실행되지 않고 조작될 수 있으며, AI 생성 원고가 실제 출판 수준의 품질과 엄밀성을 갖췄는지 평가할 표준적인 다차원 틀이 없다는 점이다. ⁶

Prompt-to-Paper는 다단계 다중 에이전트 프레임워크로 세 축을 통합한다. 첫째, 섹션 인식 관련도 점수와 스노볼 인용 확장(snowball)을 갖춘 결정론적 RAG 파이프라인이 모든 주장을 60~100편의 검증 가능한 논문 코퍼스에 근거시킨다. 둘째, 자율 코딩 에이전트가 실제 계산생물학 실험을 실행해 합성 출력을 진짜 수치 결과로 대체한다. 셋째, 환각에 페널티를 명시적으로 반영한 8차원 자동 품질 채점기가 표준화되고 재현 가능한 평가를 제공한다. 품질 주도 개선 루프는 매 반복을 통계 분석 추가, 문헌 증거 수집, 명료성 재작성 세 행동 중 하나로 라우팅하고, 열 번째 반복마다 심층 연구 사이클을 발동해 실험을 재실행하고 더 강한 출력으로 원고를 다시 만든다. ⁶

다섯 개 생물정보학 사례 연구에서 모든 사례가 제출 형식의 PDF로 컴파일됐고, 범위를 벗어난 인용은 0건이었다. 개선 루프는 0~100 척도에서 원고 품질을 평균적으로 끌어올렸다. 부분적 외부 검증으로 독립된 세 개 LLM이 동일한 품질 순위로 수렴했다. 실무적으로는 AI 생성 논문의 신뢰성 문제를 검증 가능한 근거와 실제 실행으로 줄이려는 설계 방향을 제시했다는 데 의의가 있다. ⁶