Anthropic, LLM에서 전역 작업 공간(J-space)을 발견하다, Runway는 파리에 physical AI 허브를 열다, Claude Code는 에이전틱 루프를 설명하다

7월 6일은 근본적 해석 가능성과 물리적 인프라 사이에서 매우 밀도 높은 날이었다. Anthropic은 LLM에서 발견된 전역 작업 공간인 J-space에 대한 연구를 발표했는데, 이는 의식에 관한 신경과학 이론을 떠올리게 한다. Runway는 physical AI 연구에 3,000만 달러를 투자하며 프랑스 첫 사무소를 열겠다고 발표했다. 그리고 Claude Code 팀은 마침내 자율 워크플로를 구성하는 네 가지 에이전틱 루프 유형을 문서화했다. 오픈 소스 측면에서는 LeRobot v0.6.0과 Google DeepMind × Apptronik 파트너십이 2026년 로보틱스 AI의 해부학을 더 분명히 보여준다.

Anthropic 연구 — LLM에서의 전역 작업 공간, J-space

7월 6일 — Anthropic은 transformer-circuits.pub에 새로운 해석 가능성 연구를 발표했다. LLM은 인지 신경과학에서 설명하는 전역 작업 공간(global workspace)과 유사한 메커니즘을 갖고 있다는 내용으로, 이는 추론에 접근 가능한 활성적이고 의식적인 정보 영역이다. 이 메커니즘은 J-space라고 불리며, 명시적으로 설계되지 않았음에도 언어 모델에서 자연스럽게 나타난다.

이 연구는 인간의 뇌가 자신의 신경 활동 중 극히 일부만 의식에 접근 가능하게 하듯, LLM도 활성 추론을 이 제한된 공간에 집중시킨다는 점을 보여준다. 이 발견은 세 가지 실질적 함의를 갖는다.

특정 시점에 Claude가 무엇에 대해 능동적으로 추론하고 있는지 읽기
추론의 중간 상태를 감사
실행 중 모델의 사고 과정을 유도

Anthropic의 X 스레드는 오픈 웨이트 모델에서 Neuronpedia를 통해 제공되는 대화형 데모를 언급하며, J-space를 직접 탐색할 수 있게 한다. 이 연구는 모델의 내부 표현을 이해해 능력이 커질수록 신뢰성을 보장하려는 Anthropic의 기계적 해석 가능성(mechanistic interpretability) 프로그램의 일부다.

New Anthropic research: A global workspace in language models. Of everything happening in your brain right now, only a tiny fraction is consciously accessible—thoughts you can describe, hold in mind, and reason with. We found a strikingly similar dynamic inside language models. The J-space lets us read, audit, and shape what Claude is actively thinking about—useful tools for keeping models trustworthy as they grow more capable. And it suggests surprising parallels between language models and our own minds.

🇰🇷 Anthropic의 새로운 연구: 언어 모델 속 전역 작업 공간. 지금 여러분의 뇌에서 일어나는 모든 일 가운데, 의식적으로 접근 가능한 것은 극히 일부에 불과하다 — 설명할 수 있고, 머릿속에 붙잡아 둘 수 있으며, 추론할 수 있는 생각들 말이다. 우리는 언어 모델에서도 놀랍도록 비슷한 동역학을 발견했다. J-space를 통해 Claude가 능동적으로 무엇을 생각하는지 읽고, 감사하고, 유도할 수 있다 — 모델이 더 강력해질수록 신뢰성을 유지하는 데 유용한 도구들이다. 또한 이는 언어 모델과 우리 자신의 마음 사이에 놀라운 유사점이 있음을 시사한다. — @AnthropicAI X에서

🔗 전체 논문 — transformer-circuits.pub

Runway, 파리에 프랑스 첫 사무소를 열다

7월 6일 — Runway는 파리에 프랑스 첫 사무소를 열며, world models (세계 모델)과 physical AI (물리 AI) 연구에 전념한다고 발표했다. 이 허브는 런던 첫 사무소 개설 6주 후에 이뤄진 Runway의 유럽 확장 전략의 일환이다.

항목	세부 내용
위치	프랑스 파리
초기 팀 규모	10명
투자	3,000만 달러
중점 분야	World models, physical AI
채용	파리 + 유럽

“France has one of the deepest concentrations of AI research talent in the world. We’re excited to plant a flag in Paris as we continue to grow our global research presence.”

🇰🇷 “프랑스는 세계에서 가장 깊은 수준의 AI 연구 인재가 모여 있는 곳 중 하나입니다. 우리는 연구 분야에서 우리의 글로벌 존재감을 계속 확장하는 가운데 파리에 깃발을 꽂게 되어 매우 기쁩니다.” — Anastasis Germanidis, 공동 CEO, Runway

공동 CEO는 프랑스 주요 연구 기관 출신 인재의 밀도와 정부의 지원을 결정적 요인으로 꼽았다. Runway는 파리와 유럽 전역에서 적극적으로 채용 중이다. 3,000만 달러 투자는 파리를 기초 연구의 중심지로 자리매김하게 하며, 상용화에 초점을 둔 런던 허브와 보완적인 역할을 한다.

🔗 공식 발표 Runway

Claude Code — 네 가지 에이전틱 루프에 대한 가이드

7월 6일 — Claude Code 팀은 @ClaudeDevs를 통해 이미 31만 6천 회 조회된, 에이전틱 루프 설계에 관한 심층 가이드를 발표했다. 이 가이드는 명확한 정의에서 출발한다. 루프란 종료 조건이 충족될 때까지 작업 사이클을 반복하는 에이전트다.

루프 유형	트리거	종료 조건	Claude Code 프리미티브	대표 사용 사례
턴 기반 (turn-based)	사용자 프롬프트	Claude가 작업 완료로 판단	Agentic loop	짧고 탐색적인 작업
목표 기반 (goal-based)	프롬프트 + 명시적 기준	기준 충족 또는 최대 턴 수 도달	`/goal`	검증 가능한 종료 기준이 있는 작업
시간 기반 (time-based)	시간 간격	취소 또는 작업 종료	`/loop`, `/schedule`	반복 작업 또는 외부 시스템
능동형 (proactive)	사람 없이 이벤트 또는 일정	각 하위 작업의 종료	Dynamic workflows + mode auto	잘 정의된 반복 워크플로

가이드에 제시된 구체적 예시는 /goal get the homepage Lighthouse score to 90 or above, stop after 5 tries (goal-based), /loop 5m check my PR, address review comments, and fix failing CI (time-based)다. 또한 긴 루프에서 코드 품질을 관리하는 방법(SKILL.md를 통한 자동 검증, 두 번째 에이전트를 통한 코드 리뷰)과 토큰 사용을 통제하는 방법(적절한 모델 선택, 명확한 종료 기준)도 다룬다.

🔗 @ClaudeDevs 스레드 — 루프 시작하기

앨버타 정부 — 20시간 동안 4억 6,600만 줄 감사

7월 6일 — Anthropic은 캐나다 앨버타 주 정부의 상세한 사용 사례를 공개했다. 2025년부터 이 주는 Opus와 Sonnet 모델을 사용한 Claude Code로 정부 정보 시스템의 보안을 감사해 왔다. 결과는 인상적이다.

지표	값
스캔한 코드 줄 수	4억 6,600만
스캔 소요 시간	20시간
병렬 에이전트	~50(Opus + Sonnet)
커버한 애플리케이션	1,280
커버한 저장소	3,400
관련 부처	27
패스당 보안 점검 수	~95

이 아키텍처는 Claude Agent SDK로 구축된 두 종류의 에이전트에 기반한다. 공격자처럼 애플리케이션을 탐색하는 ‘레드 팀’ 에이전트와, 국제 보안 표준에 따라 방어를 평가하고 remediation 계획을 작성하는 ‘블루 팀’ 에이전트다. 25년 된 Java 보조금 포털은 4~5일 만에 재구축되었는데, 원래는 5개월이 걸렸던 작업이다. 앨버타는 다른 정부가 이 접근법을 재현할 수 있도록 기술 백서를 공개하고 있다.

🔗 사례 연구 — anthropic.com

Sakana AI, Sakana Translate 출시 — JA/EN/ZH 실시간 번역

7월 6일 — 생체 영감 신경망에 특화된 도쿄 기반 연구소 Sakana AI가 자사 서비스 Sakana Chat에 통합된 Sakana Translate를 출시했다. 이 도구는 세 가지 서로 다른 모드로 일본어 ↔ 영어 ↔ 중국어 양방향 번역을 지원한다.

모드	동작 방식
Translate	실시간 장문 번역
Proofread	수정 추적을 통해 어조와 표현을 다듬음
Ask	미묘한 단어 선택을 명확히 설명

이번 출시는 Sakana AI가 대중용 번역 도구 시장에 진입했음을 보여주며, 동아시아의 세 주요 언어에 의도적으로 초점을 맞춘 포지셔닝을 취한다. 서비스는 translate.sakana.ai에서 이용할 수 있다.

🔗 Sakana AI 트윗

HuggingFace LeRobot v0.6.0 — world models, reward models, 9개 벤치마크 패밀리

7월 5~6일 — HuggingFace는 « Imagine, Evaluate, Improve »라는 제목으로 LeRobot v0.6.0을 공개했다. 이 버전은 로보틱스 학습을 세 가지 상호 보완적 축으로 구조화한다.

월드 모델이 포함된 정책:

정책	설명
VLA-JEPA	잠재 공간에서 미래를 예측하는 컴팩트한 VLA(Qwen3-VL-2B)
LingBot-VA	미래 비디오와 행동을 동시에 예측하는 자기회귀형 video-action 모델
FastWAM	추론 시의 상상(imagination)이 실제로 성능을 향상시키는지 평가

새로 통합된 VLA: GR00T N1.7(NVIDIA), MolmoAct2(Allen AI, 추론 약 12GB), EO-1, Multitask DiT, EVO1(0.77B 파라미터).

보상 모델: Robometer(모든 LeRobot 데이터셋에 대해 zero-shot)와 TOPReward(Qwen3-VL을 심판으로 사용).

이제 벤치마크는 LIBERO, Meta-World, NVIDIA IsaacLab-Arena를 포함한 9개 패밀리를 포괄하며, 6개의 새 패밀리가 추가되었다. 인프라는 DAgger 전략 배포를 위한 CLI lerobot-rollout, GPU 메모리보다 큰 모델 학습을 위한 FSDP 지원, 그리고 한 줄 명령으로 클라우드 학습을 수행하는 HF Jobs로 강화되었다.

🔗 LeRobot v0.6.0 — HuggingFace Blog

Google DeepMind × Apptronik — Robot Park 확장, Gemini Robotics에 Apollo 2 데이터 제공

7월 6일 — Google DeepMind는 Apptronik과의 연구 파트너십 확대를 발표했다. Apptronik의 Robot Park 확장에 맞춰, 휴머노이드 플랫폼 Apollo 2가 실제 환경에서 수집한 데이터가 Gemini Robotics 학습에 직접 활용된다.

항목	세부 내용
파트너	Apptronik(Robot Park 확장)
플랫폼	Apollo 2(휴머노이드 로봇)
활용	실제 데이터 → Gemini Robotics 학습

이 발표는 Google DeepMind의 전략을 잘 보여준다. 시뮬레이션이 아니라 실제 현장 데이터에 로보틱스 AI를 뿌리내리게 하고, 실제 환경에 배치된 물리적 휴머노이드 로봇을 바탕으로 한다는 점이다.

🔗 @GoogleDeepMind 트윗

브리핑

Kimi K2.7 Code vs Claude Fable 5 — 랜딩 페이지 비용 -94% — Together AI가 비교를 공개했다. 12개의 랜딩 페이지를 생성한 결과, Kimi K2.7 Code는 페이지당 약 4센트가 들었고 Fable 5는 1.09달러로, 평균적으로 16배 저렴했다. 페이지에 따라 GPT-5.5 점수 차이는 4점에서 12점 수준이었다. 시각 참조 MCP 서버를 사용하면 Kimi의 장점이 더 커진다. 🔗 Together AI Blog

의미하는 바

해석 가능성은 실험실에서 감독 도구로 이동하고 있다. Anthropic의 J-space 발견은 고립된 학술 성과가 아니다. 모델을 수정하지 않고도 LLM 내부 메커니즘을 실시간으로 읽고, 감사하고, 유도할 수 있게 된 것은 이번이 처음이다. 이 연구 기반의 감독 도구가 실제로 운영 가능해진다면, 자율 에이전트가 무엇을 계획하고 있는지 검증하는 방식이 근본적으로 바뀔 것이다. 이는 보안 팀뿐 아니라 에이전틱 워크플로를 디버깅하는 개발자에게도 중요하다.

physical AI는 파리를 통해 유럽에 자리 잡고 있다. Runway의 파리 사무소 개설은 HuggingFace의 LeRobot v0.6.0, 그리고 Google DeepMind × Apptronik 파트너십과 결합되어 physical AI를 둘러싼 일관된 생태계를 그려낸다. 즉, 실행 전에 행동을 상상하는 모델(world model policies), 학습을 위한 실제 휴머노이드 로봇 데이터, 그리고 접근성을 민주화하는 클라우드 인프라다. Runway가 파리를 선택한 것은 기초 연구의 밀도 때문이며, 이는 이 분야의 미래 지리 분포에 대한 신호다.

에이전틱 AI는 정부 운영 환경에 들어가고 있다. 앨버타 사례는 파일럿이 아니다. 50개의 병렬 에이전트가 20시간 동안 4억 6,600만 줄을 스캔했고, 1,280개 애플리케이션과 27개 부처를 커버했으며, 다른 정부를 위한 백서도 공개되었다. 이를 Claude Code의 루프 가이드가 완전히 자율적인 워크플로를 위한 /goal, /loop, /schedule 프리미티브를 문서화한 점과 결합하면, 에이전틱 AI가 이제 충분히 신뢰할 수 있어 중요한 시스템에 배포될 수 있음을 보여준다. 단, 감독되는 다중 에이전트 아키텍처와 함께 말이다.

비용-품질 방정식이 이동하고 있다. Together AI가 공개한 Kimi K2.7 Code vs Fable 5 비교는 구조적 긴장을 드러낸다. 고빈도 작업(페이지 생성, 반복 워크플로)에서는 잘 최적화된 open-weight 모델이 품질 차이가 10% 미만인 상태에서 비용을 16배까지 낮춘다. 이는 폐쇄형 모델의 가치가 사라진다는 뜻이 아니라, 그 우위가 점점 실제로 중요한 한계 품질이 요구되는 작업에 집중되고 있음을 의미한다.