쌓인 기록에서 찾기
무엇을 찾으세요? 날짜를 몰라도 됩니다. 제목·Key Point·요약·태그를 한꺼번에 뒤집니다.
검색 범위 2026년 8월 13일 (목) 부터 2026년 11월 22일 (일)까지 5067건
4건 · "단백질 구조"조건 지우기 ×
001 18:11 ▲ 14 · 댓글 3 LLM이 직접 단백질 구조를 예측하는 'Calpha' 모델 등장 기존에는 단백질 구조 예측(생물분자 기초 모델)과 자연어 추론(LLM)이 분리되어 있었으나, 'Calpha'는 LLM이 단백질 폴딩과 구조 예측을 직접 수행하는 통합 모델을 목표로 한다. AI · 머신러닝 · Calpha: Toward Native Biomolecular Intelligence in a General-Purpose Language Model
Key Point 생물학적 추론과 구조 예측을 통합하는 첫 시도이며, LLM이 단백질 폴딩을 직접 수행할 수 있음을 보여주지만 긴 사슬에서는 성능 저하가 있어 이 접근법의 현재 한계가 명확하다.
핵심 요약
기존에는 단백질 구조 예측(생물분자 기초 모델)과 자연어 추론(LLM)이 분리되어 있었으나, 'Calpha'는 LLM이 단백질 폴딩과 구조 예측을 직접 수행하는 통합 모델을 목표로 한다. 첫 단계로 LLM(Qwen3.5-9B)이 ESM2 특징이 풍부해진 단백질 서열을 읽고, 단일 체인 단백질 구조를 텍스트 또는 토큰으로 출력한다. LLM은 사전학습된 SimpleFold 구조 헤드를 호출할 수 있으며, 이 헤드는 오직 LLM의 잔기 상태 정보만을 통해 단백질 구조를 예측한다. 전체 요약 8문장 읽기 → 002 03:11 ▲ 215 · 댓글 114 구글, 최강 프론티어 모델 'Gemini 4 Carbon' 공개 Google DeepMind이 Gemini 4 Carbon을 공개했으며, 개발자·기업·과학자·일반 사용자가 이용할 수 있다. AI · 머신러닝 · Gemini 4 Carbon is now available
Key Point 사이버보안·과학·엔지니어링 분야의 최고 성능과 동일한 Argon 가격으로 제공되며, /swarm 기능으로 멀티에이전트 협업 방식이 표준화되기 시작했다.
핵심 요약
Google DeepMind이 Gemini 4 Carbon을 공개했으며, 개발자·기업·과학자·일반 사용자가 이용할 수 있다. Gemini 4 Argon 이후 나온 Carbon은 사이버보안, 장기 에이전트 워크플로우, 소프트웨어 엔지니어링, 과학적 추론에서 최강 성능을 제공한다. CursorBench 4.0, Perplexity의 WANDR, Zapier의 AutomationBench에서 1위를 차지했으며, 다음 최고 모델 대비 비용은 2배 이상 낮다. 전체 요약 16문장 읽기 → 003 15:11 ▲ 120 · 댓글 4 단백질 폴딩으로 AI의 추론 능력을 키운다 대규모 언어 모델은 표면적인 답변을 담은 인간 텍스트에 의존하면서, 그 뒤의 공간적·구조적 논리를 놓친다. AI · 머신러닝 · Does Learning Protein Folding Generalize to Broader Reasoning?
Key Point 구조화된 과학 문제의 학습이 언어 모델의 추론 능력 개선으로 직결되는 메커니즘을 처음 실증함으로써, 사전학습 데이터 구성 방식에 대한 새로운 접근 방향을 제시한다.
핵심 요약
대규모 언어 모델은 표면적인 답변을 담은 인간 텍스트에 의존하면서, 그 뒤의 공간적·구조적 논리를 놓친다. 연구팀은 단백질 폴딩 문제에 주목했다. 하나의 단백질 구조가 수천 개의 정확히 검증 가능한 공간·위상학적 문장을 만들어내기 때문이다. FoldingCorpus라는 단백질 기반 질의응답 데이터세트와 Fold2Reason이라는 학습 방법을 개발했다. 전체 요약 8문장 읽기 → 004 09:10 ▲ 158 · 댓글 27 Transformer 구조를 시각적으로 배우는 인터랙티브 가이드 Transformer는 2017년 '어텐션이 전부(Attention is All You Need)' 논문 이후 GPT, Llama, Gemini 등 생성형 AI의 핵심 구조가 되었으며, 텍스트뿐 아니라 음성·이미지·단백질 구조 예측까지 다양한 분야에 적용되고 있다. AI · 머신러닝 · Transformers Explained Visually
Key Point Transformer의 내부 동작을 상세히 이해해야 생성형 AI 모델의 원리와 한계를 제대로 파악할 수 있고, 이는 AI 제품 개발이나 프롬프트 엔지니어링의 효율을 높이는 데 필수적이다.
핵심 요약
Transformer는 2017년 '어텐션이 전부(Attention is All You Need)' 논문 이후 GPT, Llama, Gemini 등 생성형 AI의 핵심 구조가 되었으며, 텍스트뿐 아니라 음성·이미지·단백질 구조 예측까지 다양한 분야에 적용되고 있다. Transformer 모델은 '다음 토큰 예측' 원리로 작동하며, 자기주의(self-attention) 메커니즘을 통해 입력 전체 시퀀스를 처리해 긴 거리의 의존성을 기존 구조보다 효과적으로 포착한다. 임베딩 단계에서 입력 텍스트는 토큰화·토큰 벡터화·위치 정보 추가를 거쳐 수치로 변환되는데, GPT-2(소형)는 50,257개 어휘를 768차원 벡터로 표현한다. 전체 요약 6문장 읽기 →