Last week, Viktor wrote a campaign brief, built a landing page, opened a pull request, generated a board-ready PDF from live Stripe data, and sent a follow-up email to a churned customer. All from Slack. Same colleague that also pulls your reports and monitors your dashboards. 5,700+ teams. 3,000+ integrations.

Start free. $100 in credits →

머신러닝의 기본 단위는 결국 '루프(Loop)', 즉 반복이라고 할 수 있을 겁니다 - 모델이 예측을 하고, 결과에 대한 피드백을 받고, 다시 스스로를 업데이트하는 과정이니까요.

점점 우리 곁에 다가오고 있는 ‘AI 에이전트’의 활동도 이것과 닮아 있습니다 - 코드를 쓰고, 테스트를 돌리고, 코드를 고친 뒤에 다시 테스트를 돌리죠. 시스템이 스스로 실패를 기록하고, 거기서 얻은 교훈을 저장했다가, 다음번에는 다른 경로로 시도해 보는 식입니다.

그동안 ‘AI 역사의 흐름’ 속에는 이 반복(Loop)의 고리 바깥에 있는, 그러면서 이 고리를 살펴보고 지키는 존재가 늘 있었습니다. 바로 ‘사람’입니다. 전문 용어로는 이걸 ‘HITL(Human in the Loop)’ 구조라고 불렀구요. 하지만, 많이 들어보셨겠지만, 이제는 AI와 사람의 협업 과정에서 사람이 전체 과정의 속도를 늦추는 ‘병목’이 되어 버렸습니다.

그런데, 이런 기존의 Loop를 둘러싼 구도를 근본적으로 바꾸고 있는 것이 있으니, 바로 ‘재귀적 자기 학습(Recursive Self-Learning, RSL)’입니다. 그리고 이 기술, 또는 기법은, 이미 사람과 AI 사이의 역할을 나누던 경계선을 빠르게 옮겨놓고 있습니다.

최근에 앤스로픽(Anthropic)의 공동창업자인 잭 클라크(Jack Clark)는 트위터에 아래와 같은 흥미로운 전망을 남기기도 했습니다.

특별히 아직 이 이름을 많이 부르지 않았을 뿐이지, 사실 업계에는 이미 이런 흐름은 눈이 보인지 좀 됐습니다. 아마 가장 이해하기쉬운 사례는 안드레 카파시(Andrej Karpathy)의 '오토리서치(Autoresearch)' 프로젝트가 아닐까 싶네요.

방법은 의외로 단순해요. AI 에이전트에게 실제 모델 학습 코드를 주고는 "한번 고쳐봐"라고 시킵니다. 에이전트가 코드를 수정하면 딱 5분만 실험을 돌려보고 성적이 좋아졌는지 확인하구요. 성적이 오르면 그 코드를 채택하고, 아니면 버립니다. 그리고 이 과정을 무한히 반복하는 거예요.

자, 이 과정에서 빠진 게 하나 있죠?. 바로 안드레 카파시 본인입니다. 그동안은 사람이 일일이 코드를 고치고 결과를 기다려야 했으니까 사람이 '병목'이 될 수밖에 없었잖아요? 이제 안드레 카파시는 매번 실험을 붙잡고 있는 대신 '스스로 실험하면서 성장하는 루프' 자체를 설계하는 역할로 한 단계 올라선 겁니다.

그리고, 이게 바로 ‘재귀적 자기 학습’을 이해하는 가장 핵심적인 포인트입니다.

단순히 AI가 어느 날 갑자기 자아를 갖고 "난 더 완벽해질 거야!"라고 외치면서 깨어나는 공상과학 이야기가 아니라는 겁니다. 시스템이 발전하는 데 필요한 '귀찮고 반복적인 과정들'을 AI가 스스로 자동화하기 시작했다는 뜻이죠.

코드를 짜고, 학습 데이터를 만들고, 실험을 돌리고, 시스템을 파인튜닝하고, 성능을 평가하는 도구까지 직접 만드는 일. 나아가서 자기보다 더 뛰어난 다음 세대의 AI를 가르치는 과정에 참여하는 것, 이게 바로 ‘재귀적 자기 학습’이 바라보는 진짜 미래라고 하겠습니다.

뉴스레터의 흐름을 방해하지 않으면서도, 원래 한국어로 쓰인 글처럼 문장 간의 연결을 쫀쫀하게 다듬었습니다.

사실 '스스로 학습하는 기계'라는 아이디어는, AI 분야가 제대로 자리잡기 전부터 등장했던 생각입니다. 1950년, 앨런 튜링은 성인의 지능을 직접 구현하려 애쓰는 대신에 아이를 가르치듯이 키워나가는 'Child Machine'이라는 개념을 제안했구요. 1950년대 후반 아더 사무엘이 만든 체커 프로그램은 사람이 일일이 가르치지 않아도 기계가 스스로 대국하면서 실력을 쌓을 수 있다는 가능성을 증명하기도 했습니다.

1965년에는 I.J. 굿이 한발 더 나아가서 파격적인 주장을 펼치는데요 - "더 나은 기계를 설계하는 것 역시 지능의 영역이다. 따라서 인간보다 똑똑한 기계가 나오면, 그 기계는 자신보다 훨씬 더 뛰어난 기계를 설계할 것이고 이는 곧 지능의 폭발로 이어질 것"이라는 논리였어요 (오늘날은 흔히 들을 수 있는 이야기지만요). 2003년에는 위르겐 슈미트후버가 코드를 개선했다는 확실한 증명이 있을 때만 스스로를 다시 쓰는 '괴델 머신'의 개념을 이론적으로 정립하기도 했습니다. 그렇지만, 지난 60여 년간의 이 모든 청사진은 어디까지나 종이 위의 이론에 불과했거든요.

물론 성공 사례가 없었던 건 아닙니다. 우리 모두가 잘 아는 알파고 제로는 사람의 기보도 없이 독학만으로 이세돌 9단을 꺾고 바둑 최강의 자리에 오르기도 했죠. 하지만 바둑은 규칙이 명확하고 변수가 제한된 '닫힌 세계'였습니다. 그 뒤로 기계가 모델을 설계하는 AutoML이나 합성 데이터 기술이 등장했지만, 이 역시 사람이 정해놓은 좁은 울타리 안에서의 움직임일 뿐이었습니다.

그런데 지금 일어나고 있는 결정적인 변화는, 이 '학습의 고리(Loop)'가 AI를 만드는 연구개발 현장 그 자체로 파고들고 있다는 점이라고 하겠습니다.

AI 연구는 다른 학문과 다른 독특한 구석이 있습니다. 업무의 거의 모든 과정이 처음부터 끝까지 '디지털'로 이루어진다는 건데요. AI 연구원의 일상은 번뜩이는 영감의 연속이라기보다, 코드를 고치고, 데이터를 다듬고, 실험을 돌린 뒤 로그를 분석하면서 '다음에 뭘 할지' 결정하는 반복 작업에 가깝습니다. 물리적인 시간이 필수적인 생물학이나 화학 연구와 달리, AI 연구는 자동화하기에 최적의 토양을 갖춘 셈이죠.

앤스로픽의 공동 창립자 잭 클라크가 했다고 말씀드린 위 트윗의 메시지도 바로 그겁니다. "사람의 개입이 없는 AI 연구개발", 즉 스스로 다음 세대 모델을 학습시키는 시스템이 2028년 말까지 등장할 확률이 60%가 넘는다고 내다본 건, 단순히 하나의 지표가 좋아진 게 아니라, 코딩 능력(SWE-Bench)부터 연구 역량(MLE-Bench), 커널 최적화에 이르기까지 파편화되어 있던 자동화의 조각들이 하나의 거대한 고리로 연결되기 시작했기 때문입니다.

안드레 카파시 역시, AI 씬에서의 가장 흥미로운 변화가 이미 최첨단 연구소들 내부에서 일어나고 있다고 이야기합니다. 작은 모델로 수만 번의 실험을 자율적으로 돌려보면서, 실행 단계에서 연구원의 손길을 최대한 걷어내는 것이죠. 이제 연구원의 역할은 직접 코드를 만지는 '실행자'가 아니라, 스스로 실험하면서 성장하는 '시스템의 설계자'로 진화하고 있습니다.

학계도 이 흐름에 본격적으로 올라탔습니다. ICLR 2026 워크숍에서는 이 주제를 단순한 상상이 아니라, "시스템 오류가 발생했을 때 어떻게 복구(Rollback)할 것인가" 같은 아주 구체적인 설계의 문제를 포함하는 현실의 토픽으로 다루기 시작했습니다. 심지어 한 달 전에는 'Recursive Superintelligence'라는 대담한 이름의 스타트업이 5억 달러(약 7,000억 원)의 투자금을 유치하기도 했구요.

'스스로 진화하는 AI'는 이제 더 이상 먼 미래의 공상과학에 나오는 이야기가 아니게 되었습니다. 거대한 자본과 기술이 투입되면서 우리 곁으로 성큼 다가온 현실의 영역입니다.

지난 수십 년간, 우리는 '반복의 고리(Loop)' 안에서 학습하는 시스템을 만들어 왔죠. 그런데 이제는 '그 고리를 어떻게 만들지' 스스로 학습하는 시스템을 구축하고 있습니다.

앞으로 우리는, 이런 새로운 AI들과 나란히 서서, 새로운 배움의 과정을 겪게 될 겁니다. 시스템이 ‘무엇이 더 나은 것인지 판단하는 데 직접 관여’하기 시작할 때, 과연 우리에게 '개선'이란 게 어떤 의미를 가지는 것일지 새롭게 배워가는 과정 말이예요.

여기에는 또 다른 중요한 의무가 따라옵니다. 시스템이 자율적으로 진화하기 시작할 때, 그 개선의 고리가 사람의 안전과 웰빙이라는 기준에서 벗어나지 않게끔, 철저하고 지속적인 검증과 정렬(Alignment)이 뒷받침되어야 할 텐데요. 이건, 아시다시피, 결코 쉽지 않은 과제입니다. 우리는 사실, 아직 이 기계들이 실제로 어떻게 '생각'하는지 온전히 이해하지 못하고 있으니까요.

앤쓰로픽이 블랙스톤, 골드만삭스 등 글로벌 금융 거물들과 함께 기업 전용 AI 서비스 회사를 설립합니다. WSJ에 따르면 투자 규모만 무려 15억 달러(약 2조 원)에 달하는데요. 클로드(Claude)가 단순한 모델 제공이 아니라 막대한 자본과 복잡한 규제가 얽혀 있는 기업 현장의 ‘진짜 문제’를 해결하는 구현 단계로 본격 진입하고 있다는 걸 뜻합니다.

오픈AI가 마이크로소프트와의 단독 결합을 넘어서 AWS와도 손을 잡았습니다. 이제 기업들이 기존에 구축해둔 AWS의 강력한 보안 및 컴플라이언스 환경을 유지하면서 오픈AI의 모델과 에이전트 기능을 자유롭게 쓸 수 있게 됐습니다. "우리 플랫폼으로 오라"던 오픈AI가 이제는 "고객의 인프라가 있는 곳이면 어디든 찾아가겠다"는 유연한 전략으로 선회한 모습입니다. 아마 경쟁 탓일까요?

딥마인드가 임상 추론과 실시간 원격 의료를 지원하는 'AI 보조 임상의(co-clinician)' 연구 결과를 공개했습니다. 여기서 핵심은 AI가 의사를 '대체'하는 게 아니라, 의사의 판단을 정교하게 돕는 '서포터'임을 명확히 했다는 점입니다. 생명이 달린 의료 현장에서 "일단 저지르고 나중에 고치자"는 식의 접근만큼 위험한 건 없으니, 바람직한 접근으로 보입니다.

통합 관리 플랫폼 '에이전트 365(Agent 365)'가 정식 출시되었습니다. 마이크로소프트는 이 플랫폼을 통해서 자율 에이전트부터 기업용 SaaS 에이전트, 심지어 통제권을 벗어나 숨어 있는 '그림자 AI'까지 한곳에서 관리하는 컨트롤 타워의 모습을 제시했습니다. 에이전트가 우후죽순 늘어날수록, 이들을 한눈에 파악하고 보안을 유지하는 '가시성' 자체가 가장 중요한 인프라가 될 것이라는 전략으로 보입니다.

최근 외신에 따르면, 구글을 비롯해서 오픈AI, MS, 아마존, 엔비디아, xAI 등 주요 빅테크들이 미 국방부와 줄줄이 기밀 AI 계약을 체결했습니다. 눈에 띄는 점은 오직 앤쓰로픽만 '윤리적 레드라인'을 고수하다 이번 계약에서 제외되었다는 건데요. 이 모습은, 단순한 기술 경쟁을 넘어서 AI의 거버넌스를 둘러싼 기업들의 철학과 정치적 선택이 극명하게 갈리고 있다는 걸 보여주는 한 단면인 것 같습니다.

머스크가 최근 법정 증언을 통해서 그록(Grok)을 학습시키는 과정에서 오픈AI 모델의 결과물을 활용하는 '모델 증류(Distillation)' 방식을 일부 사용했다고 시인했습니다. 사실 업계에서는 흔히 있는 일이지만, 그동안 경쟁자들을 강하게 비판해 온 머스크의 입에서 직접 나온 고백이라서 더 묘한 여운을 남기는 것 같습니다.

아짐 아자르(Azeem Azhar)는, 최근 다보스 포럼과 중국 현장 분석을 통해서 AI 모델의 성능 경쟁을 넘어선 새로운 비즈니스 '해자(Moat)'를 조명합니다. 많은 기업이 거대 모델이라는 기술적 환상(Myth)에 매몰되어 있지만, 실제로 승패를 가르는 것은 현장의 데이터 큐레이션과 컴퓨팅 자원을 최적화해서 운용하는 능력이라고 강조합니다. 특히 중국 사례처럼 자본과 칩이 부족한 환경에서도 효율적으로 인프라를 구축하고 데이터 전략을 앞세워 성과를 내는 모습은, 향후 AI 경제의 핵심이 단순한 '지능'이 아닌 '에너지와 인프라를 포함한 풀스택(Full-stack) 실행력'에 있다는 것을 시사한다고 이야기하고 있습니다.

네이선 램버트(Nathan Lambert)는, 최근 정치권과 거대 AI 기업들 사이에서 불거진 '모델 증류(Distillation) 패닉'에 대해 우려의 목소리를 냅니다. 모델 증류를 단순히 지식 재산권을 훔치는 '공격'으로만 몰아세우는 현상이 자칫 연구 현장의 필수적인 기술 발전을 저해하고 오픈소스 생태계를 위축시킬 수 있다고 경고하는 건데요. 램버트는 이러한 공포가 기존 시장 점유자들의 '해자 지키기' 수단으로 변질될 수 있음을 지적하면서, 모델 복제가 생각보다 쉽지 않은 현실을 간과한 채 성급한 규제로 이어지는 상황을 경계해야 한다고 조언하고 있네요.