// AI · 모델 업데이트 · 오픈소스 · 오늘의 소식
10월 13일 기준으로 OpenAI, Google DeepMind, Google AI, Hugging Face 블로그의 공식 발표에서 확인한 AI 소식 5건을 정리한다. 이번에는 청소년을 위한 AI 학습 지원, EmbeddingGemma 2 출시, Playground 소개 등을 다룬다. 소식마다 원문 기사를 읽고 무엇이 나왔는지, 핵심 내용, 왜 눈여겨볼 만한지를 나눠 적었다.
📋 이 글에서 다루는 것
✓ 청소년을 위한 AI 학습 지원 · OpenAI
✓ EmbeddingGemma 2 출시 · Google DeepMind
✓ Playground 소개 · Google AI
✓ GPU 클러스터 스케줄링 개선 · Hugging Face 블로그
✓ 프롬프트 리라이터 개발 과정 · Hugging Face 블로그
💡 핵심 — College Planner와 청소년 AI 위원회 등 학습 도구가 ChatGPT에 추가되었다.
오늘의 소식
▸ 1. 청소년을 위한 AI 학습 지원
College Planner와 청소년 AI 위원회 등 학습 도구가 ChatGPT에 추가되었다. 이를 통해 청소년들이 대학 준비를 돕고 학습에 활용할 수 있도록 지원한다. 이는 청소년들이 미래를 계획하고 학습하는 데 필요한 접근성을 높이는 데 중점을 둔다.
핵심 내용
✓ ChatGPT for Teens를 이용하는 청소년들은 그렇지 않은 청소년들보다 평균 2.7 million 더 많은 학습 관련 메시지를 보냈다.
✓ 청소년들은 한 주 동안 Learning Visualizations를 사용하여 수학 및 과학 개념을 더 잘 이해했다.
✓ 청소년들은 Study Mode를 사용하여 단계별 학습 지원을 이용했다.
💡 왜 눈여겨볼까 — 이 기능들은 청소년들이 학습하고 비판적으로 사고하며 이해도를 높이는 데 도움이 된다. 접근성을 높여 다양한 환경의 청소년들에게 유용한 학습 도구를 제공한다.
출처 — OpenAI · 10월 07일 · Helping teens learn, plan, and shape the future of AI
▸ 2. EmbeddingGemma 2 출시
EmbeddingGemma 2가 텍스트를 넘어 코드, 이미지, 비디오, 오디오를 통합하는 모델로 출시되었다. 이는 온디바이스에서 검색 및 RAG 파이프라인을 구축하는 데 도움을 준다. 개발자들은 이를 통해 오프라인에서 작동하는 크로스모달 검색 및 검색 기능을 만들 수 있다.
핵심 내용
✓ EmbeddingGemma 2는 Gemma 4 아키텍처를 기반으로 구축되었으며 740 million 파라미터를 가지고 있다.
✓ EmbeddingGemma 2는 텍스트 전용 작업에 270M 파라미터, 비전 인코더에 170M, 오디오 인코더에 300M을 선택적으로 사용하여 모듈화되어 있다.
✓ EmbeddingGemma 2는 768 dimension에서 512, 256, 또는 128 dimension으로 동적으로 출력 벡터를 자를 수 있어 로컬 벡터 데이터베이스 및 메모리 사용량에서 최대 6x의 저장 공간을 줄일 수 있다.
💡 왜 눈여겨볼까 — 이 모델은 크기 대비 성능 면에서 최고 수준을 달성하여 온디바이스 추론에 최적화되어 있다. 개발자들은 이 모델을 활용하여 데이터 프라이버시를 보장하며 낮은 지연 시간으로 크로스모달 검색 시스템을 구축할 수 있다.
출처 — Google DeepMind · 10월 07일 · EmbeddingGemma 2: an open, lightweight multimodal embedding model
▸ 3. Playground 소개
Playground 플랫폼이 코딩 없이 사용자가 직접 게임을 만들고 플레이하며 공유할 수 있도록 변화를 가져왔다. 이는 게임 제작의 장벽을 낮추어 누구나 아이디어를 텍스트 프롬프트로 구현하게 만든다. 사용자들은 친구들과 게임을 공유하거나 커뮤니티에 게시하여 즐길 수 있게 되었다.
핵심 내용
✓ Playground 플랫폼은 코딩 경험 없이 게임을 만들고 플레이할 수 있게 한다.
✓ 사용자는 간단한 텍스트 프롬프트를 사용하여 캐릭터, 규칙 또는 전체 세계를 만들 수 있다.
✓ Playground는 사용자가 원하는 것을 타이핑하는 것만으로 게임을 만들 수 있게 한다.
💡 왜 눈여겨볼까 — 이 플랫폼은 게임 제작에 대한 기술적 장벽을 크게 낮추어 일반 사용자들도 창의적인 아이디어를 즉시 게임으로 구현할 수 있게 하였다. 개발자와 사용자 모두에게 아이디어를 현실화하는 과정이 훨씬 접근하기 쉬워졌다.
출처 — Google AI · 10월 07일 · Introducing Playground: Create and play custom games
▸ 4. GPU 클러스터 스케줄링 개선
GPU 컴퓨팅 용량을 제공하는 과정에서 스케줄링 결정의 영향을 개선하고자 했다. 이를 위해 GPU 시간 예산, 계층적 공평 분배, 시간 분할 계약 등을 포함하는 시스템으로 변경했다. 그 결과, 연구 프로젝트에 할당되는 GPU 시간 논의를 개별적인 운영 작업에서 투명한 관리 예산 절차로 전환했다.
핵심 내용
✓ GPU 컴퓨팅 용량은 88부터 1024 GPU까지 다양한 크기의 클러스터로 구성되어 있었다.
✓ 제출된 작업량에 따라 시점에 따라 사용 가능한 GPU보다 2-3배 많은 요청이 존재했다.
✓ 이전에는 비선점성 작업에 대해 팀별로 동시 사용 가능한 GPU에 제한을 두었다.
💡 왜 눈여겨볼까 — 리소스 할당은 알고리즘 개발, 경제학, 시스템 관리를 혼합하는 흥미로운 영역이다. 사용자들은 자신의 작업 가치를 조직보다 잘 알지만, 성능 저하를 감수하면서 자원을 보유하려는 유인이 있을 수 있다.
출처 — Hugging Face 블로그 · 10월 10일 · Impactful scheduling for GPU clusters
▸ 5. 프롬프트 리라이터 개발 과정
프롬프트 리라이터의 작은 버전을 만들고자 했으며, 이를 통해 CPU에서 구동되는 모델을 개발하였다. 이 과정에서 모델을 훈련하고 평가하여 허깅페이스에 공개하는 과정을 수행하였다. 이 모든 프로젝트의 컴퓨팅 비용이 USD 16에 달하였다.
핵심 내용
✓ 공식 모델은 20 GB의 메모리를 필요로 하며 수천 개의 토큰을 생각하여 단 하나의 단락을 작성한다.
✓ ML-intern은 작업을 계획하고, 지출 전에 예산을 요청한 후, 실제 작업을 실행하기 전에 작은 테스트를 실행한 후 훈련하고 평가하고 허깅페이스에 게시한다.
✓ 7개의 프롬프트는 GitHub에 있으며, 각 프롬프트는 데이터셋, 기반 모델, 훈련 스크립트 등 정확한 구성 요소를 명시한다.
💡 왜 눈여겨볼까 — 이 과정을 통해 개발자는 원하는 기능을 수행하는 모델을 개발할 수 있었다. 개발자들은 원하는 결과물을 얻기 위해 세부적인 지침을 통해 모델의 성능을 개선하였다.
출처 — Hugging Face 블로그 · 10월 08일 · The model that didn't exist, so you made it yourself
한눈에 정리
| 소식 | 출처 | 날짜 |
|---|
| 청소년을 위한 AI 학습 지원 | OpenAI | 10-07 |
| EmbeddingGemma 2 출시 | Google DeepMind | 10-07 |
| Playground 소개 | Google AI | 10-07 |
| GPU 클러스터 스케줄링 개선 | Hugging Face 블로그 | 10-10 |
| 프롬프트 리라이터 개발 과정 | Hugging Face 블로그 | 10-08 |
💡 참고 — 이 글은 각 회사의 공식 발표 원문을 읽고 정리했다. 숫자는 원문 표기를 따랐고, 자세한 조건과 일정은 원문 링크에서 다시 확인하는 것이 좋다.