2026년 9월 21일 (월).

핵심 요약

• Hugging Face의 오픈 LLM·이미지·오디오 모델을 SHA-256으로 검증된 토렌트 자석 링크로 변환해 중앙 서버 삭제 위험 없이 P2P 네트워크에서 영구 보관한다.
• 모델이 원본 호스트에서 제거되어도 토렌트 스웜이 유지하며, 다운로드할 때마다 해시 검증으로 위변조된 파일을 방지한다.
• 기존 파이프라인의 환경변수만 변경해 Pirate Face에서 모델을 불러올 수 있고, 곧 API 호환성을 제공할 예정이다.

핵심 요약

• LLM이 저작권과 라이선스를 무시하고 인터넷의 모든 콘텐츠를 수집하면서 오픈소스 운동의 기반이 흔들리고 있다.
• 기존의 GPL, CC-SA 같은 라이선스는 법적 효력이 있었지만, AI 학습 데이터로 흡수된 창작물은 원작자의 라이선스 의도가 존중되지 않고 있다.
• 개발자들이 코드 공개로 인한 부작용—AI를 이용한 보안 취약점 발견, 스팸 PR 봇 범람, 타인의 도용된 코드 포함 리스크—을 우려하면서 지식 공유가 이제 저자에게 책임이 되고 있다.

핵심 요약

• MCP는 2024년 11월 Anthropic이 LLM을 외부 서비스에 연결하기 위해 출시한 프로토콜이었다.
• 초기에는 유용했으나, LLM의 성능이 급격히 향상되면서 MCP의 장점이 퇴색했다.
• 현재의 고급 LLM은 터미널 접근으로 CLI를 직접 호출하고 스크립트를 실행할 수 있어, MCP 서버 대부분을 대체할 수 있다.

핵심 요약

• 8GB VRAM 단일 GPU에서 처음부터 학습 가능한 바이트 레벨 언어 모델로, 가중치를 디스크에 저장했다가 필요할 때만 로드해 매개변수 수를 VRAM이 아닌 여유 디스크 공간으로 제한한다.
• 훈련 중 용량이 부족하면 자동으로 확장하고, 불필요한 부분은 정리하며, 지속적 학습(continual learning)을 통해 재앙적 망각 없이 스트림 형태의 데이터에서 계속 배운다.
• 두 개의 밀집 블록과 최대 24번 반복되는 재귀 블록으로 구성되며, 각 적용마다 공유 풀에서 자신의 전문가 8개를 선택하는 라우팅 방식을 사용한다.

핵심 요약

• LLM은 텍스트 토큰의 수학적 모델일 뿐 실제 지능이나 추론 능력이 없다.
• 사용자들이 LLM을 지능적이라고 느끼는 것은 착각이며, 심령술사의 '콜드 리딩' 사기수법과 같은 메커니즘에 기반한다.
• LLM은 Forer 효과를 이용한 검증 문장들로 구체적 답변처럼 보이게 하지만, 실제로는 통계적으로 일반적인 답변일 뿐이다.

핵심 요약

• OpenAI의 나비에-스토크스 솔루션 발표 이후 수학 커뮤니티에서 AI 우려를 담은 선언문들이 대량으로 등장했다.
• 저자는 '인류 번영'이라는 근본 원칙을 지키면, AI 발전이 오히려 채워야 할 일자리를 늘려 인력 부족을 만든다고 주장한다.
• 모든 산업이 인간이 주도해야 하는 이유는 역사상 더 지능적인 종이 덜 지능적인 종에게 의사결정 통제를 넘긴 예가 단 하나도 없기 때문이다.