26개 미래기술을
하나의 연구플랫폼으로 읽는 법

주제별 보완서적

26개 기술을 묶는 일곱 개의 연구축

1. 인간증강·집단지능·자기진화 범용 AI
2. 자율 과학발견·과학 월드모델·자율실험
3. 초광역 분산·메모리 중심 AI 컴퓨팅
4. 네트워크 Physical AI
5. 로봇 파운데이션 모델과 전신 행동지능
6. 기계적 해석가능성·초인간 지능 감독·실시간 안전통제
7. 자율 사이버방어·자율복원 인프라·디지털트윈

무엇을 언제 어떻게 진화시킬 것인가

1. A Survey of Self-Evolving Agents, Gao et al., TMLR, 2026 — 모델·메모리·도구·아키텍처 중 무엇을 언제 어떻게 진화시킬지를 분류한다.
2. Seeing, Listening, Remembering, and Reasoning, Long et al., 2025 — M3-Agent가 시청각 경험에서 사건기억과 의미기억을 축적한다.
3. Qwen2.5-Omni Technical Report, 2025 — 텍스트·영상·음성·오디오를 통합적으로 이해하고 실시간 음성 응답을 제공한다.
4. A Survey on Large Language Model based Autonomous Agents — profile, memory, planning, action의 공통 agent 구조를 정립한다.
5. Generative Agents — 장기기억을 관찰–검색–성찰–계획 구조로 조직해 정체성 지속을 단순 대화로그 이상으로 정의한다.

에이전트 수보다 상호작용의 질을 측정해야 한다

“100–100,000개 에이전트”라는 목표는 숫자 자체로는 연구성과를 설명하기 어렵다. 원 자료는 다음 지표로 수정·보완할 것을 권한다.

• 통신량 증가율과 협업 성능의 scaling law
• 단일 강력 모델 대비 품질 향상
• 상관된 오류와 집단 환각 발생률
• 역할분담의 안정성 및 재조직 비용
• 공유기억 오염과 잘못된 믿음의 전파율
• 인간 감독에 필요한 실제 시간과 인지부하

대규모 multi-agent의 핵심 위험은 “더 많은 agent”가 아니라 오류가 상관되고 공유기억을 통해 확산되는 문제라고 읽는 편이 타당하다.

채널 수에서 인간–AI 공동제어 품질로

1. Brain–computer interface control with artificial intelligence copilots, Lee et al., Nature Machine Intelligence, 2025 — AI copilot이 불완전한 BCI 입력을 보완해 실제 제어 성능을 높인다.
2. An Accurate and Rapidly Calibrating Speech Neuroprosthesis, Card et al., NEJM, 2024 — 뇌 신호 기반 음성복원의 정확도와 교정시간을 임상 환경에서 보여준다.
3. A High-Performance Speech Neuroprosthesis, Willett et al., Nature, 2023 — 고속 신경 음성 디코딩의 대표 실증이다.

이 축의 KPI는 채널 수 하나보다 정보전송률, 사용자별 교정시간, 장기 신호 안정성, 기능적 과업 성공률, 가역성, 정신적 프라이버시를 함께 보아야 한다.

AI Co-Scientist에서 Self-Driving Laboratory까지

1. Towards an AI Co-Scientist, Gottweis et al., 2025 / 2026 개정 — 생성–토론–진화 방식의 multi-agent scientist를 약물재창출, 표적발굴, 항생제 내성과 실험검증에 연결한다.
2. Kosmos: An AI Scientist for Autonomous Discovery, Mitchener et al., 2025 — literature agent와 data-analysis agent가 구조화된 world model을 공유하며 장시간 연구한다.
3. The AI Scientist, Lu et al., 2024 — 아이디어 생성부터 실험, 논문 작성, 자동 리뷰까지 연결한다. 동시에 자동평가의 자기참조성과 논문품질 한계도 보여준다.
4. The AI Scientist-v2, Yamada et al., 2025 — 고정 실험템플릿 의존을 줄이고 agentic tree search로 실험탐색을 확장한다.
5. Self-driving laboratory for accelerated discovery of thin-film materials — active learning–experiment–observation–update의 폐루프를 실증한다.
6. Autonomous experimentation systems for materials development — 실험계획, 물리장치, 데이터 인프라를 통합적으로 설명한다.

출판물 수보다 과학적 발견의 질

“논문·특허·신지식 자동 생성 수”보다 다음 지표가 더 직접적이다.

• 사전등록된 가설의 반증 가능성
• 독립 실험실 재현 성공률
• 긍정·부정 증거의 공동 추적률
• 조건·프로토콜·시료 계보의 완전성
• 사람 과학자가 기각한 가설의 비율과 이유
• 발견 주장당 실제 실험·계산 비용
• 미공개 데이터 누출 없이 얻은 신규성

이 KPI는 SGI 연구의 D1–D7과 결합하기 좋다. 자율 과학의 신뢰도는 성공 사례 수보다 가설–증거–반증–수정의 추적 가능성에서 나온다.

그럴듯한 미래 영상과 인과 시뮬레이터를 구분한다

1. Cosmos World Foundation Model Platform for Physical AI, NVIDIA et al., 2025 — video-based world foundation model, 데이터 처리, 합성데이터 생성을 다룬다.
2. A Comprehensive Survey on World Models for Embodied AI, 2025 — perception, prediction, action planning, generative simulation 관점으로 embodied world model을 분류한다.
3. World Models, Ha & Schmidhuber — 압축된 latent dynamics에서 agent가 행동을 학습한다는 원형 아이디어를 제시한다.
4. Toward Causal Representation Learning, Schölkopf et al. — 관측분포 학습에서 intervention과 환경변화에 견디는 causal representation으로의 전환을 설명한다.

디지털트윈 KPI에는 영상 품질보다 개입 보정오차, out-of-distribution 안정성, 물리법칙 위반률, 불확실성 보정도가 포함되어야 한다.

여러 embodiment를 가로지르는 행동지능

1. MiMo-Embodied: X-Embodied Foundation Model, Hao et al., 2025/2026 — 자율주행과 embodied AI 사이의 교차 전이를 실험한다.
2. Gemini Robotics, Google DeepMind, 2025 — 범용성, 상호작용성, 손재주를 중심으로 VLA 모델을 설명한다.
3. Open X-Embodiment — 여러 기관·로봇 형태·과업 데이터를 하나의 학습체계로 결합한 기준 연구다.
4. π₀, Black et al., 2024 — 인터넷 규모 의미지식과 연속 로봇제어를 flow matching으로 결합한다.
5. Helix, Figure AI, 2025 — 휴머노이드 상체를 자연어와 시각입력으로 제어하는 산업 기술문서다.
6. ASAP, He et al., 2025 — simulation과 real-world physics의 동역학 차이를 보정해 agile humanoid whole-body skill을 이전한다.

Evidence boundaryHelix는 동료평가 논문이 아니라 산업 기술문서이므로 주장 검증에는 독립 benchmark가 필요하다.

성공률 하나로는 전신지능을 설명할 수 없다

핵심 KPI는 미학습 로봇으로의 zero/few-shot 전이, 안전위반률, 접촉 안정성, 에너지 소비, 회복행동, 인간 개입 횟수다. 이 기준은 single-robot benchmark에서 networked Physical AI로 넘어갈 때도 유효하다.

Interconnect, memory, compiler, serving을 하나의 스택으로 읽는다

1. A Survey of End-to-End Modeling for Distributed DNN Training, 2025 — workload, simulator, compute, communication, memory, power, TCO를 함께 모델링한다.
2. Compute Express Link Specifications — CPU·accelerator·memory 사이의 일관성, memory pooling과 expansion의 산업 표준이다.
3. UALink Specifications — 대규모 AI accelerator용 open scale-up interconnect 규격이다.
4. MLIR — heterogeneous hardware와 computation graph를 multi-level IR로 통합하는 compiler infrastructure다.
5. Efficient Memory Management for LLM Serving with PagedAttention — KV-cache fragmentation과 memory utilization을 개선하는 메모리 중심 inference 시스템의 대표 사례다.

“몇 배 빠르다”는 기준 시스템 없이는 의미가 없다

효율 향상 배수를 제시할 때는 반드시 모델·정밀도·배치·시퀀스 길이·네트워크 구조·전력측정 범위를 함께 명시해야 한다. 같은 숫자라도 baseline과 measurement boundary가 달라지면 비교가 깨진다.

모델 내부와 외부 안전계층을 함께 본다

1. Tracing the Thoughts of a Large Language Model, Anthropic, 2025 — LLM 내부 계산 경로를 circuit 수준에서 추적하려는 최신 연구다.
2. Discovering Latent Knowledge in Language Models Without Supervision, Burns et al. — 사람이 정답을 직접 제공하기 어려울 때 모델 내부의 truth-related signal을 탐색한다.
3. Weak-to-Strong Generalization, Burns et al. — 약한 supervisor가 더 강한 model을 감독할 수 있는지 실험한다.
4. An Approach to Technical AGI Safety and Security, Google DeepMind, 2025 — misuse, misalignment, mistakes, structural risk를 구분하고 기술 방어연구 우선순위를 제시한다.
5. NIST AI 600-1, 2024 — 생성형 AI 위험의 식별·측정·관리·거버넌스를 다루는 공식 profile이다.

“위험행동 실행 확률 0” 대신 검증 가능한 상한을 둔다

개방환경에서 zero-risk KPI는 검증하기 어렵다. 현실적인 KPI는 정의된 운용설계영역에서의 위험상태 도달 상한, 탐지율, 차단 지연, 안전계층 독립성, fail-safe 전환 성공률, 잔여위험의 신뢰구간이다.

탐지와 패치뿐 아니라 복구 후 무결성을 측정한다

1. NIST IR 8596: Cybersecurity Framework Profile for Artificial Intelligence, 2025 — AI를 보호하는 문제와 AI를 사이버방어에 사용하는 문제를 함께 구조화한다.
2. DARPA AI Cyber Challenge — AI가 실제 software vulnerability를 탐지하고 patch하는 자율방어 실증프로그램이다.
3. MITRE ATLAS — AI system 공격기법, 절차, 사례를 정리한 knowledge base다.
4. NIST SP 800-160 Vol. 2 Rev. 1 — anticipate, withstand/respond, recover, adapt에 해당하는 cyber-resilience 공학 원칙을 제공한다.
5. NIST Cybersecurity Framework 2.0 — Govern–Identify–Protect–Detect–Respond–Recover 체계로 자율복원 AI 인프라의 상위 구조를 설계할 수 있다.

자율방어 성공률만 높이면 과잉차단과 자동공격 확대 위험이 생긴다. 따라서 오탐률, 서비스 영향, 패치 회귀오류, 인간 승인 수준, 공격자 적응 후 성능, 복구 후 데이터 무결성을 함께 평가해야 한다.

ETRI 2045 연구기획 관점의 최종 읽기 우선순위

가장 연구성이 높은 결합 주제

이 결합은 26개 기술을 서로 독립적인 미래기술 목록으로 남겨두지 않고, 하나의 국가 연구플랫폼 목표형상으로 통합할 수 있는 방향이다. 과학적 autonomy는 causal world model과 experimental loop를 필요로 하고, 그것을 실제 규모로 운영하려면 heterogeneous compute와 memory-centric infrastructure가 필요하며, 강한 autonomy에는 scalable oversight와 runtime assurance, cyber-resilient recovery가 함께 붙어야 한다.

2045 전략은 “먼 미래 기술”보다 현재의 검증 사슬에서 시작한다

Analysis이 자료의 실용적인 가치는 장기 전망을 현재 연구의 evidence chain으로 되돌리는 데 있다. self-evolution은 실제 agent learning과 memory update로, AGI safety는 measurable runtime bound로, autonomous science는 independent reproduction으로, physical AI는 cross-embodiment transfer로, distributed compute는 TCO와 measurement boundary로 환원할 수 있다.

따라서 프론티어 R&D 기획의 핵심은 미래의 능력을 선언하는 일보다, 그 능력을 반증 가능하고 재현 가능하게 만드는 연구프로그램을 설계하는 일이다.