쌓인 기록에서 찾기
무엇을 찾으세요?
날짜를 몰라도 됩니다. 제목·Key Point·요약·태그를 한꺼번에 뒤집니다.
검색 범위부터 2026년 10월 30일 (금)까지3636건
6건 · "연구 자동화"조건 지우기 ×
001▲ 34 · 댓글 2AI 연구팀이 선형 주의 구조 자동 발견자율 에이전트를 활용해 과학 발견을 가속화하기 위해 서로 다른 전문성을 갖춘 AI 연구자 팀을 구성하는 방법을 제안했다.AI · 머신러닝 · Building AI Research Teams for Autonomous Discovery of Linear Attention Architectures
Key Point다양한 전문성과 기억을 갖춘 AI 팀의 협력 구조가 자동화된 과학 발견에서 얼마나 중요한지 보여주는 결과로, 향후 AI 연구 자동화 시스템 설계의 기준을 제시한다.
핵심 요약
- 자율 에이전트를 활용해 과학 발견을 가속화하기 위해 서로 다른 전문성을 갖춘 AI 연구자 팀을 구성하는 방법을 제안했다.
- 실험 비용이 높을 때 제한된 실험 예산 내에서 탐색과 활용의 균형을 맞추기 위해 적응형 할당 방식을 도입했다.
- 각 AI 연구자가 서로 다른 학문 배경을 가지고 개인 연구 기록을 유지하면서 공유된 실험 증거를 바탕으로 협력하는 구조를 설계했다.
전체 요약 6문장 읽기 →AI · 머신러닝 · SwarmRSI: Recursive Self-Improvement through Evolving Scientific Agent Swarm
Key Point과학 연구 자동화를 추구하는 개발자와 연구자들이 AI 에이전트 간 협력과 피드백 기반 자기 개선이 어떻게 실제 과학 문제 해결에 활용되는지 알아야 한다.
핵심 요약
- 과학 연구의 재귀적 자기 개선(RSI)을 위해 과학 에이전트 군단이 실험 경험을 통해 연구 능력을 향상시키는 것을 목표로 한다.
- 기존 접근의 문제점은 실패한 실험 결과가 가설 오류인지 구현 오류인지 불분명하고, 전체 점수가 다른 에이전트에 유용한 부분 결과를 가린다는 것이다.
- SwarmRSI는 피드백 기반 군단 변이(Feedback-Guided Swarm Mutation)로 다른 에이전트의 실험 결과를 이용해 가설과 구현을 개선한다.
전체 요약 7문장 읽기 →AI · 머신러닝 · Stateless Language Agents: Scaling Long-Horizon Automated Research
Key PointLLM 에이전트 기반 자동화 연구의 실제 문제점(토큰 낭비, 중복 실험)을 구조적으로 해결하는 새로운 접근법이며, 아주 큰 예산에서 실질적인 효율 개선을 입증했다.
핵심 요약
- LLM 에이전트를 이용한 자동화 연구 시스템은 장시간 실행 중 대화 히스토리 반복, 중복 실험, 토큰 낭비 등으로 실패한다.
- 문제의 원인은 연구 상태를 에이전트가 들고 다니고 각 에이전트가 독립적으로 다음 시도를 결정하는 구조에서 비롯된다.
- Stateless Language Agents(SLA) 프레임워크는 역할을 바꿔 연구 상태를 하네스가 관리하고 매번 신선한 맥락만 에이전트에 제공한다.
전체 요약 8문장 읽기 →AI · 머신러닝 · Using Opus 5.5 to discover a new eyewitness record of the dodo
Key Point최신 AI 모델이 기존 전문가의 영역에서 새로운 발견을 할 수 있다는 것은 학문 생태계의 지각변동을 의미하며, 검증 능력 없는 아마추어의 진출이 늘면서 전문가 부족 현상이 곧 닥칠 것으로 전망된다.
핵심 요약
- Claude Opus 5.5 같은 최신 AI 모델은 대규모 역사 자료를 의미론적 검색으로 분석해 새로운 사료를 찾을 수 있다.
- 저자는 네덜란드 동인도회사 아카이브를 검색해 1615년 도도새 사냥 기록을 발견했는데, 이전에 간과된 새로운 사료로 보인다.
- 같은 검색에서 1638년 적색 레일(멸종된 모리셔스 새)에 관한 참고문헌도 발견했는데, 1890년 프랑스 학자의 오역 때문에 지금까지 주목받지 못했다.
전체 요약 12문장 읽기 →AI · 머신러닝 · jordan-gibbs/hyperresearch · Python
Key PointAI 기반 리서치 워크플로를 완전히 자동화하는 도구로, 대규모 정보 수집과 검증이 필요한 개발자와 연구자의 업무 방식을 근본적으로 바꿀 수 있기 때문이다.
핵심 요약
- Hyperresearch는 Claude Code를 기반으로 한 AI 리서치 에이전트로, 한 번의 쿼리에서 250개 이상의 출처를 수집해 검증된 보고서를 생성한다.
- 16단계 파이프라인을 통해 광범위한 검색, 모순 분석, 깊이 조사, 인용 검증 등을 자동으로 수행하며, 모든 출처는 재사용 가능한 저장소에 누적된다.
- 인용문이 실제로 근거가 되는지 검증하는 인용 체커와 4개의 비판적 리뷰어가 보고서를 감시하는 대적적 검증 구조를 갖추고 있다.
전체 요약 6문장 읽기 →AI · 머신러닝 · alphaXiv/OpenResearch · Rust
Key Point연구 자동화 워크플로우를 로컬 중심으로 설계해 데이터 소유권을 보장하면서 엔터프라이즈급 병렬 실험 관리를 제공한다는 점이 기존 AI 에이전트 도구와 다릅니다.
핵심 요약
- Claude Code, Codex, OpenCode 등 모델을 활용하는 연구 에이전트를 로컬 환경에서 관리·실행하는 데스크톱 앱 및 CLI 공개.
- 각 연구 방향마다 독립적인 에이전트 세션과 격리된 git 워크트리를 할당해 병렬로 탐색하고, git 기반 실험 트리로 모든 실행을 추적.
- 로컬 SSH, Slurm, Kubernetes, Ray, Modal 등 다양한 인프라에서 실행 가능하며 코드 공개 없이 원격 GPU와 연결 가능.
전체 요약 5문장 읽기 →