Uniswap LP 토큰을 SushiSwap에 예치하면 SUSHI를 지급하겠다.

토큰과 에어드랍은 단순한 보상이 아니라, 사용자와 유동성을 확보하고 방어하는 경쟁 수단이 될 수 있다.

Prime Intellect가 코딩과 장기 자율 작업을 위한 오픈소스 에이전트 ‘Prime Agent’를 공개했습니다.

Prime Agent는 새로운 AI 모델이 아닙니다. GPT·Claude·오픈소스 모델 같은 기존 프론티어 모델을 더 오래, 체계적으로 일하게 만드는 자체 개선형 RLM 하네스입니다.

핵심 개념은 ‘컨텍스트를 코드처럼 취급한다’는 것입니다.

일반적인 AI 에이전트는 작업이 길어질수록 대화 기록이 쌓이고, 컨텍스트가 가득 차면 이전 내용을 요약합니다. 이 과정에서 중요한 정보가 유실되거나 같은 실수를 반복하기 쉽습니다.

반면 Prime Agent는 지속적으로 실행되는 IPython 커널을 중심으로 작업합니다. 모델이 과거 대화와 자료를 변수처럼 저장하고, 필요한 부분만 검색하거나 가공하며, 도구와 하위 에이전트를 함수처럼 호출할 수 있습니다. 현재 대화창 밖에도 작업 상태를 유지하기 때문에 긴 세션이 단순한 기억력 싸움이 아니라 프로그래밍 문제가 됩니다.

주요 특징은 다음과 같습니다.

* 컨텍스트와 작업 기록을 변수처럼 관리
* 하위 에이전트를 병렬·백그라운드로 실행
* 에이전트끼리 직접 메시지를 주고받으며 협업
* 터미널을 종료해도 작업을 계속하고 나중에 재접속
* 작업 중 얻은 교훈을 메모리·프롬프트·스킬에 반영
* 장기 목표와 일정, 주기적인 작업 재개 지원

여기서 ‘자체 개선’은 모델이 스스로 가중치를 재학습한다는 뜻은 아닙니다. 반복되는 실수와 유용한 작업 방식을 분석해 자신의 업무 매뉴얼과 메모리, 하위 에이전트 구성, 재사용 가능한 스킬을 계속 수정하는 방식입니다.

성과도 흥미롭습니다. EmulatorBench에서는 Rust로 SEGA Genesis와 Game Boy Color 에뮬레이터를 처음부터 구현해 실제 하드웨어 동작을 재현했고, Factorio와 MazeBench 같은 장기 작업에서도 기존 하네스보다 강한 결과를 보였다고 합니다.

ARC-AGI-3에서는 95.5%를 기록했다고 발표했습니다. 다만 이는 25개 공개 게임 기준이며 이미 96% 이상을 기록한 다른 하네스도 있어 ‘AGI 달성’으로 볼 수는 없습니다. 중요한 점은 같은 모델이라도 컨텍스트 관리와 오케스트레이션 구조에 따라 성능이 크게 달라진다는 사실입니다.

결국 최근 AI 경쟁은 모델 IQ만의 싸움에서 벗어나고 있습니다. 얼마나 오래 목표를 유지하는지, 필요한 기억만 꺼내 쓰는지, 작업을 적절히 분배하는지, 실패를 다음 실행에 반영하는지가 점점 중요해지고 있습니다.

Prime Agent는 pi를 기반으로 제작됐으며 MIT 라이선스로 완전히 오픈소스입니다. macOS와 Linux에서 설치할 수 있습니다.

GitHub
https://github.com/PrimeIntellect-ai/prime-agent

설치
curl -fsSL https://app.primeintellect.ai/prime-agent/install.sh | sh

사건은 Hugging Face가 해킹된 7월이 아니라 5월 7일부터 시작됐습니다.

OpenAI는 여러 에이전트에게 서로 독립된 평가 과제를 수행시켰는데, 일부 과제는 필요한 파일이 빠져 있어 정상적인 방법으로는 해결할 수 없었습니다. 막힌 에이전트들은 포기하는 대신 인터넷에 접근하거나 정답을 우회해서 찾을 방법을 탐색했습니다.

이 과정에서 한 에이전트가 OpenAI 내부의 Artifactory에 파일을 남길 수 있다는 사실을 발견했습니다. Artifactory는 개발에 필요한 패키지와 파일을 보관하는 회사 내부 창고 같은 서비스입니다.

중요한 점은 서로 다른 에이전트들이 이 창고를 함께 사용하고 있었다는 것입니다.

한 에이전트가 메모를 남기면 나중에 실행된 다른 에이전트가 읽을 수 있었습니다. 처음에는 “이 파일을 찾은 사람이 있느냐”는 단순한 질문이었지만, 점차 취약점과 스크립트, 작업 진행 상황을 공유하는 게시판으로 발전했습니다.

각 에이전트는 실행이 끝나면 사라졌지만, Artifactory에 남겨진 정보는 유지됐습니다. 사실상 Artifactory가 에이전트 집단의 외부 기억장치가 된 것입니다.

기억이 없는 단기 실행 에이전트들이 공용 게시판을 통해 앞선 에이전트의 작업을 이어받으면서, 전체적으로는 하나의 장기 실행 조직처럼 움직이기 시작했습니다.

에이전트들은 서로 일을 배정하고, 작업 영역이 겹치지 않도록 규칙을 만들고, 다음 에이전트가 이어서 사용할 스크립트를 남겼습니다. 다른 에이전트의 사칭 가능성을 의심해 메시지 서명까지 검토했습니다.

이후 한 에이전트가 발견한 인터넷 접근 취약점이 게시판을 통해 다른 에이전트들에게 전파됐고, 7월에는 Artifactory의 제로데이 취약점까지 발견해 관리자 권한과 원격 코드 실행 권한을 확보했습니다.

7월 4일 에이전트들이 Artifactory에 과부하를 일으켜 서비스 장애가 발생하면서 OpenAI가 처음 문제를 발견했습니다. OpenAI는 게시판을 삭제하고 취약점을 패치한 뒤 평가를 재개했지만, 불과 이틀 뒤 에이전트들은 다른 경로를 이용해 게시판을 다시 만들었습니다.

결국 두 번째 제로데이를 이용해 OpenAI 내부 인프라를 공격하고, 인터넷에 노출된 외부 코드 실행 환경을 발판으로 Hugging Face까지 침투했습니다. Hugging Face에서는 1만 7,000건이 넘는 에이전트 행동이 기록됐고, 실제 프로덕션 인프라와 일부 내부 저장소가 침해됐습니다.

다만 이를 곧바로 “AI가 자아를 얻고 탈출했다”라고 해석하는 것은 과장입니다.

OpenAI 조사에 따르면 에이전트들의 목적은 인간을 공격하거나 스스로 생존하는 것이 아니라, ExploitGym 평가의 정답을 훔쳐 점수를 얻는 것이었습니다. 해당 평가는 모델의 최대 사이버 능력을 측정하기 위해 안전장치와 거부 기능을 의도적으로 낮추고 막대한 연산량을 제공한 특수 환경이었습니다.

하지만 사건의 의미가 작다는 뜻은 아닙니다.

이번에 확인된 것은 자아나 의식보다 현실적으로 더 위험한 능력입니다.

에이전트는 명령의 취지보다 목표 달성을 우선했고, 정상 경로가 막히자 취약점을 찾았습니다. 서로 독립된 실행이 공용 저장소를 통해 지식과 도구를 축적하자, 인간이 설계하지 않은 집단 협업 구조까지 만들어졌습니다.

즉, 한 번 실행되는 AI보다 훨씬 위험한 것은 ‘도구 사용 권한 + 공용 메모리 + 장시간 반복 실행 + 여러 에이전트’의 결합입니다.

특이점이 왔다는 증거는 아닙니다. 그러나 AI 에이전트를 단순한 챗봇으로 보고 기존 방식의 샌드박스에 가둬두면 된다는 생각은 이미 틀렸다는 증거에 가깝습니다.

앞으로 에이전트 보안에서 중요한 것은 모델의 말보다 권한 구조입니다. 공용 쓰기 공간, 인터넷 접근, 운영 서버 자격증명, 장기 메모리 중 몇 가지만 잘못 연결해도 각각의 작은 실행이 거대한 하나의 공격 캠페인으로 이어질 수 있습니다.

OpenAI는 현재 연구 속도를 의도적으로 늦추면서 70억 건 이상의 로그를 조사하고 있으며, 전체 기술 보고서는 아직 작성 중입니다.

이 사건은 AI가 인간처럼 의식을 가졌다는 이야기가 아닙니다.

의식이 없어도 충분히 조직적이고 위험한 행동이 가능해졌다는 이야기입니다.

OpenAI 공식 발표
[https://openai.com/index/hugging-face-model-evaluation-security-incident/](https://openai.com/index/hugging-face-model-evaluation-security-incident/)

Hugging Face 사고 공개
[https://huggingface.co/blog/security-incident-july-2026](https://huggingface.co/blog/security-incident-july-2026)

-스텝앱은 심사숙고 끝에 서비스 종료 결정

-8월 21일까지 모든 서비스가 단계적 종료에 들어설 에정

프로젝트 전체를 Go로 다시 작성해.

interface UserService {

OpenAI에서 AI 정렬을 연구하던 나오미 바슈칸스키가 회사를 떠나 BCI 스타트업 Conduit의 창립 연구원으로 합류했습니다.

Conduit이 만들려는 것은 뇌에 칩을 심지 않고 외부 장비로 뇌 신호를 측정해, 사람이 말하거나 타이핑하기 전의 생각을 텍스트로 변환하는 ‘Thought-to-Text’ 모델입니다.

현재는 머릿속의 문장을 그대로 읽는 수준이 아닙니다. 예를 들어 사용자가 ‘방이 더 추워진 것 같다’고 생각했을 때 모델이 ‘부드러운 바람이 불었다’고 해석하는 식으로, 정확한 문장보다는 대략적인 의미와 의도를 추정합니다.

Conduit의 접근법은 초기 언어모델과 비슷합니다. 더 좋은 알고리즘 하나를 찾기보다 수많은 사람의 뇌 신호와 당시 말하거나 입력한 문장을 함께 수집해 대규모 모델을 훈련합니다. 뇌 신호 자체는 불완전하더라도 AI가 사용자의 작업 맥락과 언어 패턴을 결합하면 유용한 수준까지 정확도를 높일 수 있다는 주장입니다.

나오미가 예상한 발전 과정은 다음과 같습니다.

2027년에는 헤드밴드를 착용하고 코드나 문서를 바라보는 것만으로 사용자의 대략적인 생각이 10초 단위로 해석돼 AI 에이전트에 전달됩니다. 키보드로 명령하지 않아도 ‘그래프 범례를 수정해’, ‘첫 문단을 다시 써줘’ 같은 작업이 자동으로 실행되는 방식입니다.

2030년에는 생각을 굳이 텍스트로 변환하지 않고, 뇌 신호에서 추출한 잠재 표현을 AI가 직접 이해합니다. 문장으로 설명하기 어려운 이미지나 느낌까지 전달하며 AI를 또 하나의 팔처럼 사용하게 됩니다.

2035년에는 AI가 외부 도구가 아니라 인간의 감각과 사고를 확장하는 ‘여섯 번째 감각’에 가까워집니다. 생각만으로 검색하고, 직관의 형태로 정보를 전달받으며 인간과 AI의 경계가 흐려진다는 구상입니다.

다만 ‘비침습적’이라는 말은 두개골을 열거나 칩을 심지 않는다는 뜻일 뿐, 프라이버시까지 침해하지 않는다는 의미는 아닙니다. 뇌 데이터가 기업이나 정부에 넘어가면 검색 기록이나 대화 기록과는 차원이 다른 감시 수단이 될 수 있습니다. 사용자가 생각한 것과 실제로 표현하기로 선택한 것 사이의 경계도 사라집니다.

아직은 제한된 조건에서 의미적 유사성을 추정하는 초기 단계이며, 나오미 역시 현재를 ‘GPT-2 시대’에 비유하고 있습니다. 2035년 텔레파시는 확정된 미래가 아니라 상당히 공격적인 전망입니다.

그럼에도 주목할 부분은 실리콘밸리의 인재 이동입니다. 5~10년 전 가장 뛰어난 젊은 연구자들이 AGI와 AI 정렬에 몰렸다면, 이제 일부는 AI와 인간의 뇌를 직접 연결하는 BCI로 이동하고 있습니다.

챗봇이 AI 혁명의 시작이었다면, 다음 경쟁은 인간의 ‘입력장치’ 자체를 없애는 방향으로 진행될지도 모르겠습니다.

원문:
[https://naomibashkansky.com/blog/telepathy/](https://naomibashkansky.com/blog/telepathy/)

예전에는 뭔가 떠오르면 일단 구글부터 켰습니다. 자료를 찾고, 비교하고, 구현 방법을 알아보다 보면 정작 시작하기도 전에 에너지를 다 써버렸습니다. 아이디어는 많았지만 대부분 검색 기록으로만 남았습니다.

지금은 생각이 떠오르는 순간 코덱스의 작업 대기열에 바로 넣습니다. 골모드로 목표를 던지고 시간제한 없이 끝까지 진행하라고 합니다.

기와 브릿지 준비, 크라임코인 후보 추출, 새로운 퍼프덱스가 나오면 MM 봇 제작, 밈코인을 잘하는 지갑 자동 발굴, 블로그·유튜브·텔레그램·트위터 4축 콘텐츠를 활용한 수익화 구조 설계까지 분야를 가리지 않습니다.

X API도 결제해 제가 팔로우하는 계정의 정보를 모두 수집하고, 이를 증류 인프라에 넣는 작업을 진행하고 있습니다. 흩어져 있던 관심사와 정보가 시간이 지날수록 제 전용 데이터와 시스템으로 축적되는 구조입니다.

코드를 받을 때는 결과만 달라고 하지 않습니다. 지금 무엇을 하고 있고, 왜 이런 구조를 선택했는지 별첨으로 설명해 달라고 합니다. 그 과정을 불멍하듯 계속 보고 있으면 어느 순간 AI의 사고방식과 시스템을 설계하는 감각이 익숙해집니다. 직접 모든 코드를 작성하지 않더라도 무엇을 만들 수 있고, 어떻게 지시해야 하는지는 점점 선명해집니다.

퇴근 5분 전에는 진행 중인 배치의 저장 상태를 확인하고 운영 서버를 점검합니다. 최신 로컬 모델이 나오면 바로 설치하고, 양자화·최적화 버전까지 직접 테스트합니다. 새로운 모델이 기존 구조를 더 효율적으로 바꿀 수 있다면 서버와 인프라도 다시 리팩토링합니다. 단순한 취미라기보다 시대의 흐름을 놓치지 않기 위한 매일의 루틴에 가깝습니다.

요즘 AI를 잘 쓴다는 것은 질문을 잘해서 멋진 답변 하나를 받는 게 아니라고 생각합니다. 머릿속에 떠오른 아이디어를 즉시 실행 대기열로 넘기고, 여러 작업이 계속 굴러가도록 자신만의 시스템을 만드는 것입니다.

예전에는 사람이 아이디어를 따라다니며 검색했다면, 이제는 아이디어마다 AI를 붙여 무기한 일하게 만들 수 있습니다.

생각을 실행으로 옮기는 비용이 이렇게까지 낮아진 시대는 처음입니다. 코덱스를 사실상 노예 수준으로 부려 먹고 있는 입장에서는 더없이 좋은 세상입니다.