[ 70개 언어 지원하는 구글의 이어폰 번역 기능 공개 ]

최근 X에서는 그록을 활용해 언어의 장벽을 서서히 지워주고 있습니다👍👍

하지만 온라인 상에서의 글자를 번역해주는 것과 실제 대화에서의 실시간 통역은 완전히 차원이 다른 이야기죠😉

그런데 이걸 구글에서 없애주겠다고 하는거 알고 계셨나요?🚀🚀

✅ Google Live Translate 간략 정리
- 70개 이상의 언어를 실시간 통역
- Android와 iOS 사용자 모두 사용 가능
- 12개 국가에서 사용 가능 (방글라데시, 프랑스, 독일, 인도, 이탈리아, 일본, 멕시코, 나이지리아, 스페인, 태국, 영국, 미국)
- 번역 앱을 열고 '실시간 번역'을 탭하면 되는 쉬운 사용법
- 제미나이 기반으로 음성 톤·억양·리듬까지 유지

실제 퀄리티와 실시간 지연 정도가 어느정도 될지 얼른 써보고 싶네요🙏🙏

근데 방글라데시도 되고 일본도 되는데 우리는 왜...?🤬

👉 원문 보기 👈

그레이스케일 26년 2분기 '검토중인 자산' 업데이트

사실 시장이 조져져서 이런거 누가 보나 싶으면서도.. 그레이스케일이 검토중인 자산정도는 팔로업해보는게 좋은듯 해요. 좀 의외의 픽도 보여서 뭔지 좀 찾아보게 되기도 하고

https://x.com/Grayscale/status/2042674673239101495?s=20

🤖 Anthropic은 컴퓨팅 부족 속에서 자체 AI 칩을 개발하고 있습니다

Anthropic은 클로드(Claude)에 대한 수요가 계속 증가함에 따라 자체 AI 칩을 개발할 계획을 고려하고 있습니다. 현재 이 회사는 Nvidia GPU, Google TPU, 및 Amazon 하드웨어를 사용하고 있습니다.

가속기의 지속적인 부족 때문에 Anthropic은 인프라를 다양화하고 외부 공급업체에 대한 의존성을 줄이려고 노력하고 있습니다.

OpenAI도 비슷한 계획을 추진하고 있으며, 이는 분명히 산업 트렌드로 자리를 잡고 있습니다.

✔️@venture

🤔다음 앤트로픽 릴리즈가 크립토를 죽일까 source

1. AI 경제 = 기계가 돈 쓰는 경제
- 앞으로 에이전트가 직접 툴 호출, 서비스 구독, 태스크 위임, 협상, 결제까지 처리
- 인간 승인 없이 초소액·고빈도·실시간 거래가 계속 일어나는 구조
- 문제는 사람이 뭘 사냐가 아니라 기계가 서로 어떻게 가치 교환하냐로 바뀜

2. 전통 금융도, 크립토도 둘 다 애매함
- 전통 금융은 KYC, 계좌, 국경, 느린 정산, 높은 수수료 때문에 기계 간 거래에 안 맞음
- 크립토는 여전히 키 관리, 서명, 브리지, 주소, 수수료, 파이널리티 등 UX가 너무 구림
- 결제 인프라라기보다 아직 투기 자산 성격이 훨씬 강함
- 자본, 인재, 데이터센터, 전력까지 전부 AI 쪽으로 빨려들어가는 중

3. 진짜 위협은더 좋은 스택
- Claude 토큰은 이미 AI 사용량을 측정하고 비용을 계산하는 단위로 쓰임
- 추론, 코드, 자동화 결과물로 바로 연결되면 생산 능력 청구권처럼 작동함
- 여기에 정산, Claude Code, MCP, agent 워크플로우까지 붙으면 결제·정산·서비스가 한 스택으로 묶임
- 그러면 크립토는 그냥 안 써도 되는 인프라가 됨

4. 왜 무섭냐
- 기계가 원하는 건 탈중앙 서사가 아니라 바로 작동하는 결제 레일
- 비트코인은 에너지를 태워 희소성을 증명하지만, Claude 토큰은 에너지를 태워 실제 지능 서비스를 뽑아냄
- MCP까지 깔리면 Anthropic은 모델 회사가 아니라 기계경제의 프로토콜 레이어가 됨

✍️블록체인의 진짜 경쟁 상대는 결제·정산·도구 연결이 전부 붙어 있는 AI 네이티브 스택

<미래조직>

1. 인간은 생물학적 한계로 인해 처리할 수 있는 정보의 '캐파(Capacity)'가 물리적으로 정해져 있음.

2. 인류 역사상 모든 '조직'은 본질적으로 이 개인의 한계를 넘기 위한 '집단 두뇌' 시스템임. 각 개인이 수집한 서로 다른 정보들을 하나로 모아 조직 전체가 하나의 유기체처럼 움직이게 하는 것이 목적임.

3. 문제는 인간끼리의 정보 공유 속도가 너무 느리고 손실이 크다는 점임. 그래서 탄생한 것이 '위계질서(Hierarchy)'임.

4. 위계질서의 본질은 '정보 압축 알고리즘'임. 현장의 수만 가지 정보를 인간 관리자가 요약하고 가공해서 위로 올리는 구조임. (예: 실무진 -> 팀장급 -> 과장급 -> 부장급 -> 임원급 -> 대표급) 정보의 중요도에 따라 층을 나누고 가공해 위로 올리는 '정보 압축' 시스템으로 수천 년간 협동해왔음.

5. 하지만 인공지능의 등장으로 이런 수직적 조직 구조와 일하는 방식의 근본적인 제약이 사라짐.

6. 인공지능은 생물학적 한계가 없음. 조직 내의 모든 정보를 실시간으로, 누락 없이 수집하고 처리해낼 수 있음.

7. 개인이 만드는 모든 것(미팅, 메시지, 슬랙, 이메일)은 조직 전체 기준에서는 파편화된 '데이터'이자 '시그널'임. 과거에는 인간 관리자들이 각 영역을 두고 데이터들을 수집해서 의미 있는 정보로 만들어 위로 공급하였음.

8. 이제 관리자가 데이터를 가공할 필요가 없음. 개별 구성원이 시그널을 발생시키는 즉시 조직의 공유된 뇌(Mini-AGI)가 이를 실시간으로 학습하고 맥락을 파악함.

9. 결과적으로 '보고(Reporting)'가 사라지고 '동기화(Syncing)'가 업무의 본질이 됨. 조직 전체가 1초마다 최신 상태로 업데이트되는 '살아있는 지능'이 되는 것임. 이걸 할 수 있는 조직만 생존하고, 그렇지 못한 조직은 구식(아날로그) 조직이 될 것임.

10. 예를 들어, 이사회나 주간 회의를 위해 장표를 만드는 노가다가 사라질 것임. 리더는 조직의 인공지능 모델에 직접 질문하고, AI 브레인은 실시간 시그널을 조합해 즉각적인 데이터와 시나리오를 답변함. (조직 내에 조직 특화된 ChatGPT 같은 모델이 등장할 것)

11. '제품 로드맵'과 같은 계획표도 사라질 것임. 고객의 리퀘스트나 불만, 요청 시그널들은 결국 데이터의 일부임. 그것들이 직접 디지털화되어 조직 내의 인공지능으로 전달될 것이고, 이것들이 실시간으로 자동 조정되며 이에 '대응'하며 제품을 변화시키는 방식으로 일하게 될 것임.

12. 여기서 인간의 역할은 '정보 처리자'가 아니라 '판단자'로 복귀함. AI가 내놓은 해석 위에서 조직의 철학에 맞는 '취향(Taste)'과 '관점'으로 최종 결정을 내리는 것임.

13. 최근 블록(Block)이 4,000명을 해고하였음. 이러한 대규모 해고는 정보를 수동적으로 전달만 하던 아날로그적 조직을 해체시키고, AI에 양질의 데이터만 쏘고 판단할 줄 아는 협조자들만 남긴 것임.

14. 이러한 조직은 먼저 구축할수록 지능의 '복리(Compounding)'가 쌓임. 데이터 시그널이 쌓일수록 뇌가 정교해지므로, 전통적인 계층형 조직과는 도저히 따라잡을 수 없는 격차를 만들게 됨.

15. 미래의 조직들은 각자 조직별로 Mini-AGI로 불리는 본인들만의 인공지능을 갖게 될 것임. 그 인공지능들은 각 제품과 브랜드에 필요한 KPI, 정보들의 시그널이 실시간으로 대응되며 변화하는 모델임.

16. 각 조직의 Mini-AGI들이 조직의 뇌라고 한다면, 그런 뇌들이 조직별로 서로 협동하며 결국 세상 전체의 자원을 최적화하는 거대한 전지구적 운영체제(OS)도 등장할 날이 오지 않을까 싶음.

블로그 : https://blog.naver.com/bizucafe/224249124484

Superform

Month 2 클레임
https://claim.superformfoundation.org/

MemKraft 개발 후기 - 알아서 똑똑해지는 에이전트 메모리 시스템

AI 에이전트를 오래 돌려본 사람은 안다. 에이전트는 학습하지 않는다. 검색할 뿐이다. 어제 알려준 맥락을 오늘 다시 알려줘야 하고, 지난주에 했던 실수를 이번 주에 또 한다. 세션이 끊기면 모든 게 리셋된다. 100번째 대화의 품질이 1번째 대화와 동일하다는 건, 그 사이 99번의 대화가 전부 휘발됐다는 뜻이다.

나는 OpenClaw 기반으로 다섯 개의 에이전트를 운영하면서 이 문제를 매일 겪었다. 제온, 시온, 미온, 사노, 라온에게 각각 다른 역할을 맡기고 레이어드 메모리 구조를 직접 설계해서 붙여봤지만, 결국 대화가 쌓일수록 똑똑해지는 게 아니라 컨텍스트 윈도우만 비대해지는 구조의 한계에 부딪혔다. 에이전트가 경험을 축적하고 스스로 진화하는 시스템이 필요했다. 그 답답함의 끝에서 MemKraft를 만들었다.

만들기 전에 기존 오픈소스 메모리 시스템들을 상당수 직접 써봤다. Mem0는 자동 메모리 추출과 시맨틱 검색이 뛰어났다. 대화에서 팩트를 알아서 뽑아내고 벡터로 저장해서 나중에 유사도 기반으로 꺼내주는 구조가 깔끔했다. 하지만 벡터 DB에 종속되고, 저장된 지식이 사람이 읽을 수 있는 형태가 아니었다. Letta, 옛 이름 MemGPT는 메모리 계층화와 가상 컨텍스트 관리라는 개념을 처음 제대로 구현한 프로젝트였다. 에이전트가 스스로 메모리를 편집하고 컨텍스트 윈도우를 페이징하듯 관리하는 접근은 혁신적이었지만 완전한 에이전트 런타임을 요구했다. 기존 스택에 가볍게 붙이기엔 무거웠다. GBrain은 Compiled Truth와 Timeline이라는 이중 구조가 인상적이었고, Rowboat는 옵시디언 기반의 라이브 트래킹과 미팅 브리프가 실용적이었다. 각각 분명한 장점이 있었고, 동시에 분명한 한계가 있었다.

MemKraft는 이 프로젝트들에서 배운 것을 한곳에 녹여내되, 외부 의존성 제로, Plain Markdown 기반, 프레임워크 무관이라는 원칙 위에 올렸다. 좋은 아이디어가 특정 DB나 특정 런타임에 갇혀 있을 이유가 없다.

핵심 구조는 이렇다. 대화나 텍스트가 들어오면 자동 추출 파이프라인이 인물, 조직, 개념, 수치 팩트를 뽑아낸다. 이걸 RESOLVER라는 MECE 분류 트리가 받아서 정확히 하나의 목적지로 라우팅한다. 사람이면 entities/, 의사결정이면 decisions/, 날것의 캡처면 inbox/ 로.

모든 엔티티 페이지는 두 개의 레이어로 구성된다. Compiled Truth는 현재 상태다. 이 사람이 누구인지, 어떤 조직에 속해 있는지, 지금 뭘 하고 있는지. 변할 때마다 다시 쓴다. Timeline은 변경 이력이다. 언제, 어떤 소스에서, 어떤 정보가 들어왔는지를 시간순으로 쌓는다. 절대 수정하지 않고 오직 추가만 한다.

왜 이중 구조인가. 현재 상태만 있으면 과거가 사라진다. 이력만 있으면 지금 상태를 파악하려면 전체를 읽어야 한다. Compiled Truth는 빠른 판단을 위한 것이고, Timeline은 그 판단의 근거를 추적하기 위한 것이다. 여기에 Source Attribution이 결합된다. 모든 팩트에 [Source: 누가, 언제, 어떤 경로로] 태그가 붙는다. 출처 없는 팩트는 신뢰 부채다. 지금은 작동하지만 언젠가 문제를 일으킨다. MemKraft는 이 부채를 가시화하고, Dream Cycle이 매일 밤 출처 누락을 잡아낸다.

다국어 처리는 MemKraft를 만든 가장 실질적인 이유 중 하나다. 나는 에이전트와 한국어, 영어를 섞어가며 대화하고, 투자 리서치에서는 중국어와 일본어 소스도 다룬다. 기존 메모리 시스템 대부분은 영어 중심이고, CJK 처리는 있어도 부수적이다. MemKraft는 처음부터 4개 언어를 동등하게 설계했다.

영어는 Title Case 패턴 매칭과 일반 단어 블록리스트 필터링으로 인명을 잡아낸다. 한국어는 Hangul 음절 추출 후 조사를 분리한다. 이, 을, 를, 은, 는, 에, 로 같은 조사와 동사 어미를 제거해서 순수한 이름을 뽑는다. 중국어는 내장된 100개 성씨를 기반으로 성 + 이름 패턴을 감지하고, 일본어는 85개 성씨로 매칭한다. 806개의 한중일 불용어가 내장되어 있고, 이 모든 게 LLM 호출 없이 정규식과 표준 라이브러리만으로 돌아간다. 비행기 안에서도, 오프라인에서도, CI 파이프라인 안에서도 동일하게 동작한다.

메모리는 쌓는 것보다 관리하는 게 어렵다. 시간이 지나면 중복이 생기고, 출처가 빠진 팩트가 슬금슬금 쌓이고, 어떤 페이지는 비대해지고, 어떤 페이지는 이름만 있고 내용이 없다. 이걸 사람이 수동으로 관리하면 메모리 시스템 자체가 또 하나의 짐이 된다.

Dream Cycle은 이 문제를 자동화한다. 매일 밤 여섯 가지 점검을 돌린다. 데일리 노트 자동 생성, 출처 누락 플래그, 빈약한 페이지 경고, 슬러그 정규화를 통한 중복 감지(simon-kim과 김서준이 같은 사람일 수 있다는 걸 잡아내는 식이다), inbox 방치 항목 플래그, 비대해진 페이지 압축 대상 표시. --dry-run으로 먼저 확인하고, 문제가 없으면 적용하는 구조다.

Memory Tier는 지식을 Core, Recall, Archival 세 등급으로 나눈다. Core는 항상 컨텍스트에 포함, Recall은 검색 시 노출, Archival은 과거 기록 보관. Progressive Disclosure는 검색할 때 토큰을 단계적으로 꺼내 쓴다. Level 1은 인덱스 스캔으로 약 50토큰, Level 2는 섹션 헤더, Level 3에서 전체 파일. 컨텍스트 윈도우를 쓸데없이 채우지 않으면서 필요한 깊이까지만 파고드는 구조다.

설치는 한 줄이면 끝이다. Python 3.9 이상이면 되고, 그 외에 아무것도 필요 없다. 모든 지식은 Plain Markdown 파일로 저장되기 때문에 git push 한 번이면 전체 지식 베이스가 백업된다. 2026년에 쓴 마크다운 파일은 2036년에도 똑같이 읽을 수 있다. 특정 모델의 임베딩은 그 모델이 사라지면 디코딩조차 못 할 수 있지만, 텍스트 파일은 영원하다.

프레임워크도 가리지 않는다. OpenClaw든, LangChain이든, CrewAI든, 직접 만든 에이전트든 CLI를 호출하거나 Python 라이브러리로 임포트하면 된다. 20개 이상의 커맨드가 첫날부터 전부 사용 가능하고, Backlink, Fuzzy Search, Agentic Search, Meeting Brief, Open Loop Tracking, Decision Distillation까지 에이전트 운영에 필요한 워크플로우가 다 들어있다.

대화할수록 멍청해지는 에이전트 대신, 대화할수록 똑똑해지는 에이전트를 만들고 싶다면 한번 써보고 피드백을 달아달라. MIT 라이선스다. 맘대로 쓰면 된다. 스타, 포크, PR 전부 환영!

https://github.com/seojoonkim/memkraft

여러분의 agent를 똑똑하게 하고 싶다면 awesome 레포를 만들고 레포를 에이전트에게 먹이면 똑똑해집니다.

저는 이번주 내리 사내 에이전트 어쩌구저쩌구 만들다가 지금 무슨 삽질중인데 하다보니 이런거 만들어서 사라지기엔 아쉬우니 공유해봅니다.

https://github.com/subinium/awesome-agent-frameworks

앤트로픽이 mythos 접근을 허용한 파트너들...
크립토 관련 업체는 하나도 없다.

오선 방송 요약

밴스 부통령, "결국 합의에 도달하지 못했다"
- 미국 측은 이란과 여러 차례 실질적인 논의를 진행한 점은 긍정적으로 평가한다
- 그러나 결국 합의에 이르지 못했고, 합의 없이 미국으로 복귀한다
- 이란이 핵무기 개발을 영구적으로 포기하겠다는 확실한 약속을 끝내 하지 않았기 때문이다
- 핵무기를 빠르게 개발할 수 있는 기술이나 수단까지 포기해야 한다는 것이 협상의 핵심 목표였다
- 협상에서 여러 핵심 쟁점뿐 아니라 추가적인 다양한 이슈까지 폭넓게 논의했다
- 또한 협상 기간 동안 약 21시간에 걸쳐 트럼프 대통령과 지속적으로 소통했으며, 최소 6차례에서 많게는 10여 차례 이상 의견을 주고받았다
- 미국의 최선이자 최종 제안을 남겨두고 떠나며, 이란이 이를 수락하는지 지켜보겠다