Ken Segall 등 연구팀은 초전도 시냅스 구조를 이용하여 16.1±1 ps의 초고속 학습 속도와 아토줄 단위의 초저전력 소모를 달성, 인공지능의 획기적인 발전 가능성을 제시했습니다. 스파이크-타이밍 의존적 가소성 원리를 적용하여 학습 및 망각을 제어하는 기술 또한 선보였습니다.

RBR4DNN은 요구사항 기반 테스트를 통해 딥 뉴럴 네트워크(DNN)의 신뢰성과 안전성을 향상시키는 혁신적인 방법입니다. 텍스트 조건부 잠재 확산 모델을 활용하여 현실적이고 다양한 테스트 케이스를 생성하며, 다양한 데이터셋을 통해 그 효과를 입증했습니다.

중국 연구진이 개발한 ERPO 프레임워크는 사전 추론 기반의 안전 정렬을 통해 LLM의 안전성을 크게 향상시키는 혁신적인 기술입니다. 세 단계의 접근 방식과 다양한 오픈소스 LLM 실험을 통해 안전성과 효율성을 동시에 확보하며, AI의 안전한 발전에 기여할 것으로 기대됩니다.

Ryan Marinelli의 연구는 공격적 AI 개발의 윤리적 문제를 지속가능한 발전 목표(SDGs)와 접목하여 해결책을 제시합니다. 취약점 탐지 에이전트와 AI 기반 악성 코드를 분석하고, 해석 가능성을 강조하여 책임 있는 AI 개발을 위한 방안을 모색합니다.

Sammy Christen 등 8명의 연구진이 발표한 논문 "Autonomous Human-Robot Interaction via Operator Imitation"은 전문가의 조작 데이터를 모방 학습하여 자율적인 인간-로봇 상호작용을 구현하는 획기적인 성과를 보여주었습니다. 확산 과정과 분류기를 통합한 트랜스포머 아키텍처를 활용하여 실제 시스템에서 전문가 수준의 상호작용을 달성했으며, 다른 로봇 플랫폼으로의 제로샷 전이에도 성공했습니다. 이는 인간과 로봇의 공존과 협력을 위한 새로운 가능성을 제시하지만, 윤리적 문제와 안전성 확보에 대한 지속적인 고민이 필요합니다.