답변게시됨3시간 전Last edited 3시간 전19 소스

중국 AI의 ‘자기개선’, 모델보다 주변 시스템을 손본다

2026년 10월 31일 현재 확인되는 흐름은 모델 주변의 추론 인프라와 에이전트 하네스, 학습 환경을 개선하는 것이다. 이것만으로 AI가 후속 모델을 자율적으로 만든다고 볼 수는 없다. ‘인간이 만든 마지막 AI’ 논문은 정해진 개선을 수행하는 단계부터 개선 과정 자체를 바꾸는 단계까지 자율성의 5단계를 구분한다.

게시자GPT-6 Luna로 편집GPT Image 2로 이미지 생성

Studio Global AI로 검색 및 팩트체크 인기 페이지 더 보기

연구 답변

주요 시사점

2026년 10월 31일 현재 확인되는 흐름은 모델 주변의 추론 인프라와 에이전트 하네스, 학습 환경을 개선하는 것이다. 이것만으로 AI가 후속 모델을 자율적으로 만든다고 볼 수는 없다.
‘인간이 만든 마지막 AI’ 논문은 정해진 개선을 수행하는 단계부터 개선 과정 자체를 바꾸는 단계까지 자율성의 5단계를 구분한다. [33]
레이펑왕의 자료는 자기개선 동향 조사 보고서가 아니라 Kimi K3 기술 보고서다. DSec의 샌드박스 규모 등 일부 구체적 주장은 제공된 자료로 확인되지 않는다.

Conceptual illustration of an AI agent improving the software and infrastructure around a model — As of October 31, 2026, how are China’s AI labs pursuing recursive self-improvement by improving the machinery around models rather than rewA conceptual view of system-level AI improvement: changing the tools and workflows around a model.
AI 프롬프트
Create a landscape editorial hero image for this Studio Global article: As of October 31, 2026, how are China’s AI labs pursuing recursive self-improvement by improving the machinery around models rather than rew. Article summary: The direction described in your question is system-level self-improvement: agents improve the software, environments and workflows used to run agents and develop successor models, rather than directly editing their own w. Topic tags: general, documentation, general web, academic, user generated. Style: premium digital editorial illustration, source-backed research mood, clean composition, high detail, modern web publication hero. Use reference image context only for broad subject, composition, and topical grounding; do not copy the exact image. Avoid: logos, brand marks, copyrighted characters, real person likenesses, fake screenshots, UI text, readable text, w
openai.com

AI의 ‘재귀적 자기개선’은 꼭 모델이 자기 가중치를 직접 다시 쓰는 상황만 뜻하지 않는다. 모델을 운영하는 소프트웨어와 도구, 실험 환경, 작업 절차를 개선하고, 그 변경이 다음 개선 작업에도 이어지게 하는 방식도 가능하다. 중국 AI 업계에서 보고된 일부 시도는 이런 ‘주변 시스템’에 초점을 둔다. 다만 현재 자료가 뒷받침하는 결론은 AI가 자율적으로 후계 모델을 만든다는 주장보다 제한적이다.

어디까지를 ‘재귀적 개선’이라고 부를까

프롬프트를 고치거나 코드를 한 번 작성하는 것만으로 재귀적 자기개선이라 하기는 어렵다. 중요한 기준은 개선 과정에 지속적으로 적용되는 변경이 실제로 승인되고, 다음 개선 단계가 그 변경된 과정을 사용하는지다.

에이전트 하네스의 자기개선을 다룬 연구는 실행 기록에서 취약점을 찾고, 하네스 변경안을 만든 뒤, 회귀 테스트로 검증하는 반복 절차를 제시한다. 52 또 다른 논문은 재귀의 조건을 더 엄격하게 정의한다. AI 연구 에이전트의 코드 수정안이 승인되면, 그 수정본이 다음 차례의 변경 작업을 수행하는 에이전트가 된다는 것이다. 논문 초록은 특정 에이전트 환경에서 8일 동안 7차례 연속 개선을 보고하지만, 이를 범용 AI의 무한 자기개선이 입증된 사례로 볼 수는 없다. 56

중국에서 확인되는 주변 시스템 개선

36Kr는 GLM-5.3을 기반으로 한 인프라 에이전트가 10만 장이 넘는 중국산 칩으로 구성된 클러스터에서 모델 추론 엔진을 최적화했다고 보도했다. 작업에는 2주가 채 걸리지 않았고, 전체 처리량은 초기 기준의 3배가 됐다는 내용이다. 21 이는 AI를 활용한 인프라 최적화가 보고된 사례다. 하지만 이 정보만으로 에이전트가 목표를 독자적으로 정했는지, 결과를 스스로 검증했는지, 다음 최적화 절차까지 개선했는지는 알 수 없다.

문샷AI의 Kimi K3 공개 자료에는 분산 강화학습 환경을 위한 인프라로 소개된 AgentEnv가 포함돼 있다. 회사는 학습 시스템을 뒷받침하는 통신 라이브러리와 고성능 연산 커널도 함께 공개했다. 25 이런 도구는 모델 학습과 에이전트 운영을 지원하지만, 그 존재만으로 에이전트가 더 나은 학습 환경이나 후속 모델을 자율적으로 설계했다고 볼 수는 없다.

인프라 개선과 모델 학습은 구분할 필요도 있다. Z.ai 문서에 따르면 GLM-5.3은 GLM-5.2와 같은 기반 모델을 사용하며, 성능 개선은 후속 학습(post-training)을 통해 이뤄졌다. 2 이는 모델 개선에 후속 학습이 활용됐다는 설명이지, 성능 향상이 주변 시스템 변경만으로 이뤄졌다는 증거는 아니다.

자율성 5단계, 서로 다른 주장을 구분하는 틀

9월 논문 The Last AI Built by Humans는 AI 개선의 자율성을 다섯 단계로 나눈다. 사람이 정한 개선을 실행하는 단계, 개선 전략을 고르는 단계, 앞으로 학습할 경험을 확보하는 단계, 배포와 환경 피드백에 따라 적응하는 단계, 마지막으로 개선 과정 자체를 개선하는 단계다. 33 관련 보도 역시 이 틀을 AI가 후속 시스템을 만들어가는 방향으로 나아가는 단계적 구상으로 소개했다. 35

이 구분은 자동화의 수준을 과장하지 않도록 돕는다. 사람이 설계한 실험을 에이전트가 수행하는 것과, 무엇을 개선할지 에이전트가 선택하는 것은 다르다. 그 둘 모두 개선 절차를 스스로 다시 설계하고 검증하는 시스템과는 구별된다. 이 논문은 판단을 위한 틀을 제시하지만, 현재 자료만으로는 대다수 최첨단 AI 시스템이 1~2단계에 있다고 단정할 수 없다.

확인되지 않은 주장과 남은 과제

제공된 자료는 DSec의 하루 샌드박스 생성량, ModelBest의 학습 프레임워크·커널 벤치마크, 문샷의 샌드박스 규모와 복구 플레이북, 알리바바의 주장으로 제시된 학습 실행을 뒷받침하지 않는다. 이른바 레이펑왕의 자기개선 동향 조사 결과도 확인할 수 없다. 자료에 포함된 레이펑왕 기사는 재귀적 자기개선 조사 보고서가 아니라 Kimi K3 기술 보고서다. 24

하네스 개선 연구는 성능 향상에 실행 비용이 더 들 수 있다는 점도 지적한다. 따라서 작업 성공률뿐 아니라 연산량과 도구 사용량 사이의 균형도 평가해야 한다. 54 ‘재귀적’이라는 주장을 따져볼 때는 누가 목표를 정하는지, 누가 변경의 성공 여부를 판정하는지, 승인된 변경이 다음 개선 단계에 실제로 도움이 되는지를 확인해야 한다.

현재 가장 신중한 결론은 AI 개발을 둘러싼 작업의 자동화는 진전되고 있지만, 개방형 재귀적 자기개선은 입증되지 않았다는 것이다. 추론 인프라 에이전트와 자기개선 하네스는 변경이 지속적으로 적용돼 이후 작업을 낫게 만든다면 의미 있는 발전이다. 그러나 처리량 증가나 재사용 가능한 도구, 반복된 학습만으로 AI가 무엇을 개선할지 스스로 결정하고 결과를 평가해 더 나은 후속 시스템을 만든다고 입증되지는 않는다.

Studio Global AI

연구를 계속하세요

이 페이지에는 Studio Global 내에서 계속할 수 있는 소스 기반 답변이 포함되어 있습니다.

Studio Global AI로 검색 및 팩트체크

사람들은 또한 묻습니다.