구글 리서치 과학자들이 경험적 연구 지원 (ERA)을 활용한 네 가지 방법
요약
구글 리서치 과학자들이 AI 기반 '경험적 연구 지원(ERA)'을 활용해 전염병 예측, 우주론 난제 해결, 기후 데이터 분석, 신경 회로 규명 등 다양한 과학 분야에서 어떻게 혁신적인 발견을 가속화하고 있는지 네 가지 실제 적용 사례를 통해 친근하게 설명해 드릴게요.
인사이트
- AI는 전염병 예측, 우주론의 난제, 기후 변화 모니터링, 신경 회로 분석 등 다양한 분야에서 기존 방법을 뛰어넘는 성과를 보여주며 복잡한 과학 문제 해결에 엄청난 잠재력을 가지고 있음을 증명했어요.
- ERA와 같은 AI 도구는 특정 전문가만 다루던 복잡한 계산 모델링에 대한 접근성을 높여, 더 많은 연구자들이 활용할 수 있도록 과학 연구의 문턱을 낮추는 '민주화' 효과를 가져오고 있어요.
- AI는 단순히 결과를 예측하는 '블랙박스'를 넘어, 기존 데이터에서 깊은 통찰력을 발굴하고 심지어는 구조 정보를 함께 제공하면 명확히 설명 가능한 (interpretable) 메커니즘까지 밝혀낼 수 있는 능력을 보여주고 있어요.
왜 중요한가
AI 기반 도구인 '경험적 연구 지원(ERA)'이 과학자들이 복잡한 문제를 해결하고 새로운 발견을 가속화하는 데 얼마나 강력한지 보여주는 사례들이에요. 기존 연구의 한계를 넘어서고, 데이터에서 숨겨진 가치를 찾아내며, 궁극적으로는 과학 연구의 방식 자체를 혁신할 수 있는 잠재력을 확인시켜주죠. 덕분에 공중 보건, 기후 변화, 우주론, 뇌 과학 같은 인류의 중요한 과제 해결에 큰 도움을 줄 수 있어요.
구글 리서치 과학자들이 경험적 연구 지원 (ERA)을 활용한 네 가지 방법
- 우리는 누구인가요
우리는 누구인가요 메뉴로 돌아가기
오늘과 내일의 기술을 정의하고 있어요.
* ## 철학
구글 리서치 팀은 다양한 시간 범위와 위험 수준에 걸쳐 여러 종류의 연구에 적합한 환경을 만들려고 노력하고 있어요.
철학에 대해 더 알아보기 더 알아보기 철학 * ## 사람들
구글 리서치 연구원들은 기초 연구와 응용 연구 모두를 통해 컴퓨터 과학 발전을 이끌고 있어요.
- 연구 분야
연구 분야 메뉴로 돌아가기
*
연구 분야
* [모든 연구 분야 탐색하기](https://research.google/research-areas/)
연구 분야
연구 분야 메뉴로 돌아가기
* [모든 연구 분야 탐색하기](https://research.google/research-areas/)
*
기초 ML 및 알고리즘
* [알고리즘 및 이론](https://research.google/research-areas/algorithms-and-theory/)
* [데이터 관리](https://research.google/research-areas/data-management/)
* [데이터 마이닝 및 모델링](https://research.google/research-areas/data-mining-and-modeling/)
* [정보 검색 및 웹](https://research.google/research-areas/information-retrieval-and-the-web/)
* [머신 인텔리전스](https://research.google/research-areas/machine-intelligence/)
* [머신 인식](https://research.google/research-areas/machine-perception/)
* [머신 번역](https://research.google/research-areas/machine-translation/)
* [자연어 처리](https://research.google/research-areas/natural-language-processing/)
* [음성 처리](https://research.google/research-areas/speech-processing/)
기초 ML 및 알고리즘
기초 ML 및 알고리즘 메뉴로 돌아가기
* [알고리즘 및 이론](https://research.google/research-areas/algorithms-and-theory/)
* [데이터 관리](https://research.google/research-areas/data-management/)
* [데이터 마이닝 및 모델링](https://research.google/research-areas/data-mining-and-modeling/)
* [정보 검색 및 웹](https://research.google/research-areas/information-retrieval-and-the-web/)
* [머신 인텔리전스](https://research.google/research-areas/machine-intelligence/)
* [머신 인식](https://research.google/research-areas/machine-perception/)
* [머신 번역](https://research.google/research-areas/machine-translation/)
* [자연어 처리](https://research.google/research-areas/natural-language-processing/)
* [음성 처리](https://research.google/research-areas/speech-processing/)
*
컴퓨팅 시스템 및 양자 AI
* [분산 시스템 및 병렬 컴퓨팅](https://research.google/research-areas/distributed-systems-and-parallel-computing/)
* [하드웨어 및 아키텍처](https://research.google/research-areas/hardware-and-architecture/)
* [모바일 시스템](https://research.google/research-areas/mobile-systems/)
* [네트워킹](https://research.google/research-areas/networking/)
* [양자 컴퓨팅](https://research.google/research-areas/quantum-computing/)
* [로봇 공학](https://research.google/research-areas/robotics/)
* [보안, 개인정보 보호 및 남용 방지](https://research.google/research-areas/security-privacy-and-abuse-prevention/)
* [소프트웨어 공학](https://research.google/research-areas/software-engineering/)
* [소프트웨어 시스템](https://research.google/research-areas/software-systems/)
컴퓨팅 시스템 및 양자 AI
컴퓨팅 시스템 및 양자 AI 메뉴로 돌아가기
* [분산 시스템 및 병렬 컴퓨팅](https://research.google/research-areas/distributed-systems-and-parallel-computing/)
* [하드웨어 및 아키텍처](https://research.google/research-areas/hardware-and-architecture/)
* [모바일 시스템](https://research.google/research-areas/mobile-systems/)
* [네트워킹](https://research.google/research-areas/networking/)
* [양자 컴퓨팅](https://research.google/research-areas/quantum-computing/)
* [로봇 공학](https://research.google/research-areas/robotics/)
* [보안, 개인정보 보호 및 남용 방지](https://research.google/research-areas/security-privacy-and-abuse-prevention/)
* [소프트웨어 공학](https://research.google/research-areas/software-engineering/)
* [소프트웨어 시스템](https://research.google/research-areas/software-systems/)
*
과학, AI 및 사회
* [기후 및 지속 가능성](https://research.google/research-areas/climate-and-sustainability/)
* [경제학 및 전자 상거래](https://research.google/research-areas/economics-and-electronic-commerce/)
* [교육 혁신](https://research.google/research-areas/education-innovation/)
* [일반 과학](https://research.google/research-areas/general-science/)
* [건강 및 생명 과학](https://research.google/research-areas/health-bioscience/)
* [인간-컴퓨터 상호작용 및 시각화](https://research.google/research-areas/human-computer-interaction-and-visualization/)
* [책임감 있는 AI](https://research.google/research-areas/responsible-ai/)
과학, AI 및 사회
과학, AI 및 사회 메뉴로 돌아가기
* [기후 및 지속 가능성](https://research.google/research-areas/climate-and-sustainability/)
* [경제학 및 전자 상거래](https://research.google/research-areas/economics-and-electronic-commerce/)
* [교육 혁신](https://research.google/research-areas/education-innovation/)
* [일반 과학](https://research.google/research-areas/general-science/)
* [건강 및 생명 과학](https://research.google/research-areas/health-bioscience/)
* [인간-컴퓨터 상호작용 및 시각화](https://research.google/research-areas/human-computer-interaction-and-visualization/)
* [책임감 있는 AI](https://research.google/research-areas/responsible-ai/)
- 구글의 연구 결과물
구글의 연구 결과물 메뉴로 돌아가기
* ## 프로젝트
구글 리서치 팀은 더 넓은 연구 커뮤니티와 정기적으로 프로젝트를 오픈소스화하고, 개발된 결과물들을 구글 제품에 적용하고 있어요.
프로젝트에 대해 더 알아보기 더 알아보기 프로젝트 * ## 출판물
구글의 연구 결과물을 출판하는 것은 아이디어를 공유하고 컴퓨터 과학 분야의 발전을 위해 협력적으로 일할 수 있게 해줘요.
출판물에 대해 더 알아보기 더 알아보기 출판물 * ## 자료
구글 리서치 팀은 더 협력적인 생태계를 구축하기 위해 제품, 도구 및 데이터셋을 모두에게 제공하고 있어요.
- 프로그램 및 행사
프로그램 및 행사 메뉴로 돌아가기
미래를 함께 만들어가고 있어요.
구글과 협력하기 * ## 학생 프로그램
다양한 프로그램을 통해 차세대 연구자들을 지원하고 있어요.
학생 프로그램에 대해 더 알아보기 더 알아보기 학생 프로그램 * ## 교수 프로그램
대학교 교수들과의 의미 있는 교류를 통해 학술 연구 커뮤니티에 참여하고 있어요.
교수 프로그램에 대해 더 알아보기 더 알아보기 교수 프로그램 * ## 컨퍼런스 및 행사
행사를 통해 더 넓은 연구 커뮤니티와 연결하는 것은 구글의 업무 모든 측면에서 발전을 이루는 데 필수적이에요.
컨퍼런스 및 행사에 대해 더 알아보기 더 알아보기 컨퍼런스 및 행사
검색
구글 리서치 과학자들이 경험적 연구 지원 (ERA)을 활용한 네 가지 방법
2026년 4월 29일
구글 리서치 과학 팀
지난 가을 경험적 연구 지원(Empirical Research Assistance, ERA)을 처음 선보인 이후, 구글 리서치 과학자들은 이를 전염병학, 우주론, 대기 모니터링, 신경과학 등 실제 적용 분야에 활용해왔어요. AI가 과학적 발견을 가속화하는 변혁적인 역량을 엿볼 수 있는 부분이죠.
빠른 링크
공유하기
AI가 과학적 발견을 진전시키는 역량은 매주 커지고 있고, 이는 획기적인 발견을 가능하게 할 뿐만 아니라 과학을 수행하는 방식 자체를 변화시킬 잠재력을 보여주고 있네요. 지난 9월, 구글 리서치 팀은 과학자들이 전문가 수준의 경험적 소프트웨어를 만들 수 있도록 돕는 경험적 연구 지원(ERA)을 소개하는 사전 공개 논문을 발표했어요. 여기에는 세포 생물학부터 신경과학에 이르는 다양한 분야의 여섯 가지 어렵고 도전적인 벤치마크 문제에 대한 새로운 해결책들이 포함되어 있었죠.
그 이후로 구글 과학자들과 학계 협력자들은 ERA의 역량을 테스트하고 잠재적인 응용 분야를 탐색하기 위해 ERA를 개발하고 사용해왔어요. 이러한 노력은 개념 증명 테스트를 넘어 전염병학, 지리 공간 분석 등 실제 시나리오에 적용되며, AI가 어떻게 계산 모델링의 힘에 대한 접근을 민주화하고, 미해결 문제를 해결하며, 기존 데이터 컬렉션에서 더 깊은 통찰력을 찾아내고, 블랙박스 모델링을 넘어서 해석 가능하며 기계적으로 정확한 해결책을 발견할 수 있는지 보여주고 있어요.
구글 리서치 과학자들, 방문 교수 연구원들, 그리고 학계 협력자들이 ERA를 실험하면서 보이는 열정을 보니 정말 고무적이네요. 구글 리서치 팀은 전 세계적인 이익을 위한 AI 지원 과학적 발견을 돕기 위해 ERA가 더 널리 보급됨에 따라 이러한 역량이 확장되는 것을 보게 되어 매우 기뻐요.
공중 보건: 독감, 코로나19, RSV 입원 예측
사전 공개 논문에서 연구진은 ERA를 사용해 미국 내 코로나19 입원 환자를 예측했는데, 이 도구가 질병통제예방센터(CDC)와 주요 연구 기관의 기존 도구들보다 회고적으로 동등하거나 더 나은 성능을 보였다고 해요. 그 후속 노력으로, 팀은 이제 코로나19뿐만 아니라 인플루엔자와 호흡기 세포융합 바이러스(RSV)에 대한 예측도 생성하도록 확장했고, 매주 실시간 예측을 제출하고 있어요.
지난 2025-26 시즌을 앞두고 11월에 CDC의 장기적인 독감 예측 챌린지가 시작되었을 때, 구글은 모든 미국 주와 최대 4주 후까지의 모든 예측 기간에 대해 주간 예측을 제출하기 시작했어요. 작년 말에는 구글이 CDC의 주 단위 코로나19 입원 환자 연중 실시간 예측과, 최근에 시작된 RSV 예측 허브에도 참여했어요. 매사추세츠 대학교 애머스트의 생물통계학 교수이자 이번 프로젝트 컨설턴트인 니콜라스 라이히(Nicholas Reich)가 운영하는 독감과 코로나19 공개 리더보드를 보면, 구글이 각 프로젝트에 예측을 제출하는 동안 두 리더보드 모두에서 상위권에 있거나 그 근처에서 활약하고 있다는 것을 알 수 있어요 (그림 참조). RSV에 대한 공개 리더보드는 없지만, 자체 분석 결과에서도 비슷한 수준의 강력한 성능을 보여주고 있어요.
주요 공중 보건 기관의 도구와 같거나 그 이상의 예측 정확도를 보이는 AI 기반 도구는 새로운 질병을 추적하고 더 넓은 지역에 적용될 수 있어 공중 보건에 엄청난 이점을 약속하고 있어요. 이는 더 광범위한 감염병과 지역에 걸쳐 전염병학 계산 모델링에 대한 접근을 민주화하는 데 기여할 수 있죠.
왼쪽:_ 그래프는 2025년 11월부터 캘리포니아주의 독감, 코로나19, RSV에 대한 구글의 예측 입원 환자 수를 보여줘요. 검은색 선은 실제 입원 환자 수를 나타내고요. 오른쪽: 예측은 가중 구간 점수(Weighted Interval Score)를 기준으로 순위가 매겨지는데, 이는 로그 변환된 관측 값으로 계산된 예측 정확도 측정 지표예요. 구글의 예측은 분홍색으로, CDC가 개발한 예측은 검은색 막대로, 다른 연구 그룹은 회색으로 표시되어 있어요._
우주론: 우주 끈과 중력 에너지 복사
우주 끈(Cosmic strings)은 시공간 구조의 이론적인 결함으로, 초기 우주에서 형성되었고 중력 복사를 방출할 것으로 예측돼요. 이렇게 방출되는 에너지의 스펙트럼을 계산하는 건 아직 풀리지 않은 문제인데요, 주로 지배 방정식에 특이점(singularity)이 포함되어 있기 때문이에요. 특이점은 값이 무한대에 가까워지는 수학적 지점으로, 여기서 기존 모델들이 작동을 멈추게 되죠. 지난 가을, 한 논문에서는 OpenAI의 GPT-5를 활용해 우주 끈에서 방출되는 중력 에너지에 대한 부분적인 해결책을 찾았지만, 이는 각도 α = π/2, 즉 90도인 정사각형 루프의 가장 단순한 경우에만 해당했어요. 적분을 완벽하게 해결하는 단일하고 완전한 수학적 공식인 통합된 완전해(unified exact solution)는 여전히 미해결 문제로 남아 있었어요.
이 문제를 해결하기 위해, 구글 리서치 팀은 ERA를 제미나이 딥 싱크(Gemini Deep Think)와 결합했어요. 이러한 특이점을 다룰 수 있는 수학적 기법들을 체계적으로 탐색함으로써, 구글 리서치 팀은 6가지 일반해와 점근 한계에 대한 간결한 공식을 성공적으로 도출했고, 지난 3월에 공개했어요. 이는 ERA와 첨단 LLM을 결합하여 우주론의 최전선에서 정밀하고 새로운 해결책을 찾아낼 수 있는 강력한 잠재력을 보여주는 사례네요.
소리 없는 반복 재생 비디오 재생 소리 없는 반복 재생 비디오 일시 정지
비디오 음소거 해제 비디오 음소거
팽창하는 우주에서 우주 끈을 시뮬레이션한 컴퓨터 이미지예요. 오른쪽 하단 숫자(예: 0.3654)는 관측 가능한 우주의 크기인 허블 반경을 나타내죠. 흰색 끈은 관측 가능한 우주보다 더 길어요. 오른쪽 상단에 있는 것과 같은 빨간색과 노란색 루프는 끈에서 분리되어 진동하고 합쳐지고 붕괴하면서 관측 가능한 중력 에너지를 방출할 수 있는 특징들을 보여줘요. 제공: 크리스 링게발(Chris Ringeval)
기후 및 지속 가능성: 기상 위성을 이용한 CO2 모니터링
이산화탄소(CO2)에 대한 정기적인 관측은 1950년대 후반 하와이의 마우나 로아 관측소에서 시작되었고, 이는 지구 대기 중 CO2 농도 상승을 기록한 상징적인 킬링 곡선을 만들어냈어요. 인간의 온실가스 배출량을 매핑하고 식물, 나무, 토양, 해양이 이러한 배출량을 어떻게 흡수하는지 이해하려면 CO2가 지역별로, 그리고 시간 경과에 따라 어떻게 달라지는지 추적해야 해요. NASA의 궤도 탄소 관측소-2(OCO-2)와 같은 현재의 우주 기반 CO2 센서는 고정밀 관측을 위해 설계되었지만, 지구 표면의 아주 작은 부분만 매핑하고 각 위치로 16일마다 한 번씩만 돌아온다고 해요. 기상 예보를 지원하기 위해 설계된 GOES East 위성과 같은 정지궤도 위성은 훨씬 더 높은 고도에서 지구를 공전하며, 10분마다 전체 반구를 스캔할 수 있어요. 하지만 기존 정지궤도 위성 중 어느 것도 CO2를 매핑하도록 설계되지는 않았어요.
구글 연구원들은 ERA를 활용하여 기존 GOES East 관측에서 기둥 평균 CO2 신호를 추출하는 단일 픽셀, 물리 기반 신경망을 개발했어요. 이를 위해 이 모델은 GOES-East의 16개 파장 대역 데이터와 하부 대류권 기상 정보, 태양 각도, 그리고 연중 일자를 결합하죠. OCO-2 및 OCO-3의 희소한 관측 데이터로 훈련한 후, 이 모델은 모든 곳에서 10분마다 기둥 평균 CO2 추정치를 도출할 수 있었어요. 우주 온실가스 측정 국제 워크숍에서 공개된 연구에 따르면, AI로 개발된 이 모델은 GOES East 관측의 높은 공간적, 시간적 밀도를 활용하여 전례 없는 공간 및 시간 해상도로 기둥 평균 CO2를 추적할 수 있다고 해요. 추가 연도 OCO-2 관측 및 지상 기반 총 기둥 탄소 관측 네트워크의 독립적인 데이터와 비교해본 결과, 이 모델이 실제 CO2 변동성을 포착하는 능력을 확인시켜주었어요. 이러한 결과는 AI 알고리즘이 기존 관측 장비, 특히 자원 집약적인 위성 연구 임무에서 추가적인 가치를 추출할 수 있다는 것을 보여줘요. 이 프로젝트는 구글 연구원들이 ERA를 활용하여 탐색하고 있는 기후 및 온실가스와 관련된 여러 질문 중 하나예요.
2024년 10월 18일 로스앤젤레스 지역 상공의 대기 CO 2 농도예요. GOES-East (왼쪽)와 궤도 탄소 관측소-2 (오른쪽)에서 본 모습이죠. 왼쪽에 있는 AI 개발 모델은 GOES-East 기상 위성 데이터를 다른 정보와 결합하여 모든 위치에서 10분마다 기둥 평균 CO 2 농도를 추정하여 도시 CO 2 배출의 공간적 패턴을 보여줘요. 오른쪽 패널은 같은 날 OCO-2에서 얻을 수 있는 제한적인 관측 데이터를 나타내고 있어요.
신경과학: 신경 회로 메커니즘 발견
이제 살아있는 뇌에서 수만 개의 뉴런을 매핑할 수 있게 되었지만, 기능적 회로를 풀어내는 것이 다음 단계예요. 구글 연구원들은 ERA를 사용해 실제 제브라피쉬와 시뮬레이션된 제브라피쉬 모두에서 이 문제에 도전했어요. 제브라피쉬는 척추동물이 자극을 감지하고 정보를 처리하며 반응하는 방식을 연구하는 데 인기 있는 모델 생물이거든요. 자연 환경에서 물 표면의 잔물결을 통과하는 빛은 해저나 강바닥에 밝고 어두운 줄무늬 패턴을 만들어내죠. 제브라피쉬는 얕은 물에 머무르고 떠내려가지 않기 위해 이러한 줄무늬의 변화에 본능적으로 반응하도록 진화해왔어요. 새로운 연구에서, 구글 리서치 팀은 이러한 환경 자극에 해당하는 제브라피쉬 신경 회로를 살펴보았어요. 구글 리서치 팀은 ERA에 단순화된 제브라피쉬 몸체 및 뇌 시뮬레이터인 simZFish의 배선도를 제공했어요. 세포 연결이 어떻게 존재하는지는 보여주지만 이를 지배하는 수학적 규칙은 생략된 이 정보에 따라, ERA는 자극과 신경 활동을 운동 반응으로 연결하는 회로를 제안할 수 있었어요. 새로운 시각적 자극에 대해 AI가 가정한 이 회로들을 테스트한 결과, 단순히 통계적 지름길이 아니라 다른 유사한 상황에도 일반화될 수 있는 정확한 신경 메커니즘임이 밝혀졌어요.
a: 시뮬레이션된 제브라피쉬가 줄무늬에 반응하는 실험 장면이에요. b: ERA는 반복적으로 모델을 구축하고 테스트하여 기본 신경 회로를 발견하죠. c: 뉴런이 서로에게 미치는 영향을 보여주는 유효 연결성 행렬(effective connectivity matrices) 비교예요 (파란색 = 억제성, 빨간색 = 흥분성). 오른쪽 패널은 시뮬레이션의 실제 메커니즘을 구조 정보 유무에 따라 구축된 AI 모델과 비교하여, 안내된 검색이 실제 값을 성공적으로 복구함을 보여줘요.
이 연구는 사전 공개 논문의 결과에 기반을 두고 있어요. 이 논문에서는 AI가 개발한 모델이 일반적인 환경 자극을 모방한 실험에서 얻은 신경 활동 데이터셋인 제브라피쉬 활동 예측 벤치마크, ZAPBench에 포착된 70,000개 이상의 뉴런 활동을 예측하는 데 있어 기준선(baseline) 방법보다 더 나은 성능을 보였다는 것을 보여줬죠. ZAPBench는 ERA가 최첨단 예측 솔루션을 찾는 능력을 입증했지만, 시뮬레이션 환경은 ERA가 블랙박스 모델링을 넘어설 수 있음을 보여줘요. 구조 정보를 갖춘 ERA는 해석 가능하고 기계적으로 정확한 해결책을 발견하여, 살아있는 뇌의 과학적 대규모 난제를 해결하기 위한 강력한 청사진을 제공하고 있어요.
결론: AI 지원 과학
이 네 가지 프로젝트는 LLM 기반 시스템이 과학을 발전시키고 발견 속도를 가속화할 수 있음을 보여주는 점점 늘어나는 결과들 중 일부예요. 이 사례들은 이론 수학부터 데이터 예측, 관측 장비 및 시뮬레이션 출력 데이터 분석에 이르기까지 다양한 분야와 문제 유형을 대표하고 있네요. 또한 AI 기반 과학이 미해결 문제를 해결하고, 계산 모델링에 대한 접근을 민주화하며, 기존 관측 데이터의 활용도를 극대화할 수 있는 잠재력을 보여주고 있어요. 구글 리서치 팀은 ERA와 코-사이언티스트, PAT를 포함한 다른 구글 도구들이 과학적 발견을 가속화하기 위해 만들어낸 진전에 대해 기대가 커요.
감사 말씀
구글 리서치 팀은 ERA 개발에 협력해주신 분들과 초기 사용자 중 한 분이신 모든 과학자분들께 감사드려요. 전염병 예측 작업은 자흐라 샴시(Zahra Shamsi), 사라 마틴슨(Sarah Martinson), 니콜라스 라이히(Nicholas Reich), 마르티나 플로메츠카(Martyna Plomecka), 브라이언 윌리엄스(Brian Williams)가 이끌고 있어요. 우주론 논문은 마이클 브레너(Michael Brenner), 빈센트 코헨-아다드(Vincent Cohen-Addad), 데이비드 우드러프(David Woodruff)가 저술했어요. 이산화탄소 모니터링 연구는 아론 소나벤드-W(Aarón Sonabend-W), 션 캠벨(Sean Campbell), 르네 존스턴(Renee Johnston), 비샬 밧추(Vishal Batchu), 칼 엘킨(Carl Elkin), 크리스토퍼 반 아르스데일(Christopher Van Arsdale), 존 플랫(John Platt), 안나 미할락(Anna Michalak)이 이끌고 있어요. 신경 회로에 대한 논문은 얀-마티스 뤽만(Jan-Matthis Lückmann), 비렌 자인(Viren Jain), 미하우 야누셰프스키(Michał Januszewski)가 저술했어요. 또한 존 플랫(John Platt), 마이클 브레너(Michael Brenner), 리지 도프만(Lizzie Dorfman), 빕 굽타(Vip Gupta), 앨리슨 렌츠(Alison Lentz), 에리카 브랜트(Erica Brand), 캐서린 추(Katherine Chou), 로니트 레바비 모라드(Ronit Levavi Morad), 요시 마티아스(Yossi Matias), 제임스 만이카(James Manyika)의 리더십 지원에 감사드립니다.
라벨:
빠른 링크
공유하기
흥미로운 다른 게시물
2026년 4월 22일 각도가 중요해요: 당신의 사진, 재구성 * 생성형 AI · * 사진
2026년 4월 21일 ReasoningBank: 에이전트가 경험으로부터 배우게 하는 방법 * 생성형 AI · * 머신 인텔리전스 · * 자연어 처리
2026년 4월 16일 실제 세계를 위한 합성 데이터셋 설계: 메커니즘 설계 및 첫 번째 원리로부터의 추론 * 생성형 AI · * 머신 인텔리전스 · * 자연어 처리
×❮❯
팔로우하기
×