Brave Ogu

🚀 구글 안티그래비티(Antigravity) 완전 분석 구글이 2025년 11월 Gemini 3와 함께 공개한 에이전트 퍼스트(agent-first) IDE 안티그래비티는 Claude·GPT·Gemini를 한 도구에서 골라 쓰는 멀티모델 코딩 환경이다. 이 글에서는 ① 지원 모델과 요금제별 사용량의 실체, ② 실사용자 평가, ③ 구글의 방향성, ④ Claude Code와의 비교·연계, ⑤ CLI( agy )로 직접 쓰는 법까지 다섯 갈래를 차례로 정리한다. 자료 간 충돌이 있는 지점은 한쪽으로 단정하지 않고 양쪽을 모두 살려 표기했다. 📅 기준 시점: 2026년 6월 · 프리뷰 단계 정보로 수치는 변동 가능 1. 안티그래비티란 무엇인가 — 기초 정리 안티그래비티는 2025년 7월 구글이 24억 달러 규모 라이선스 계약 으로 영입한 전 Windsurf 팀이 설계를 주도했다. VSCode를 포크한 위에 자율 에이전트 오케스트레이션 계층을 얹은 구조다. 2026년 5월 Google I/O에서 발표된 안티그래비티 2.0 은 데스크탑 앱과 함께 공식 CLI agy 를 처음 공개하며 기존 Gemini CLI의 공식 후계자 자리를 확정했다. 핵심 정체성은 단순 코드 자동완성이 아니라 병렬 에이전트 오케스트레이션 이다. 여러 에이전트가 동시에 — 하나는 API, 하나는 테스트, 또 하나는 프론트엔드 — 작업을 나눠 진행하고, 각 에이전트는 계획·테스트 결과·스크린샷·영상을 담은 Artifact 를 남긴다. "사람이 한 줄씩 승인"하는 방식이 아니라 "에이전트들이 일을 마치고 사람이 사후 검수"하는 모델이다. flowchart TD A([사용자 작업 지시]) --> B[에이전트 A API 구현] A --> C[에이전트 B 테스트 작성] A --> D[에이전트 C UI 생성] B --> E[Artifact 계획·결과·영상] C --> E D --> E...

깃허브 코파일럿 과금 대전환: PRU에서 AI Credits로 2026년 6월 1일 시행 · IT/AI 개발 도구 분석 2026년 6월 1일, 깃허브 코파일럿(GitHub Copilot) 의 과금 체계가 기존 '프리미엄 요청 단위(PRU)'에서 '토큰 소비 기반 AI Credits'로 완전히 바뀌었습니다. 핵심은 폴백 모델이 사라지고 크레딧 소진 시 기능이 즉시 멈춘다는 것. 라이트 유저는 거의 영향이 없지만, 에이전트 코딩을 일상적으로 쓰던 파워 유저는 최대 60배 의 요금 폭탄을 맞았습니다. 무엇이, 왜 바뀌었고, 우리는 어떻게 대응해야 할까요. 🔍 무엇이 바뀌었나 — 두 과금 모델의 작동 원리 이번 논란을 이해하려면 먼저 두 과금 체계가 '요금을 세는 방식'부터 다르다는 점을 알아야 합니다. 한쪽은 '요청 횟수' 를, 다른 쪽은 '처리한 토큰량' 을 셉니다. 이 차이가 곧 비용 예측 가능성을 완전히 갈라놓았습니다. ① 기존 방식 — 프리미엄 요청 단위(PRU) 2025년 6월 도입된 방식입니다. '요청 1건' 을 단위로 세되, 어떤 모델을 쓰느냐에 따라 1건이 소비하는 PRU 수(멀티플라이어)가 달랐습니다. 결정적 안전장치는 폴백(fallback) — PRU를 다 써도 더 저렴한 모델로 자동 전환되어 서비스가 끊기지 않았죠. "느려질 뿐 멈추지는 않는" 구조라 비용 예측이 쉬웠습니다. ② 변경된 방식 — AI Credits(토큰 기반) 2026년 6월 1일, PRU가 폐기되고 토큰 단위 과금 으로 전환됐습니다. 1 AI Credit = $0.01 이며, 각 상호작용의 입력·출력·캐시 토큰을 모두 합산해 모델 공개 요금으로 환산합니다. '요청 1건'이 아니라 '실제 처리한 토큰량'을 과금하므로, 같은 작업이라도 세션 길이·컨텍스트 크기·모델에 따라 비용이 10배까지 벌어집니다. ...

AI 재귀적 자기개선(RSI), 인류 문명의 분기점에 선 기술 📅 2026년 6월 · AI가 AI를 만드는 시대의 기술·자원·문명 화두 총정리 AI가 인간의 손을 빌리지 않고 스스로 더 나은 AI를 설계하고 만들어내는 시대 가 현실로 다가왔습니다. 2026년 6월 4일 Anthropic이 "When AI Builds Itself" 보고서를 공식 발표하면서, '재귀적 자기개선(RSI)'은 더 이상 SF적 사고실험이 아니라 실증 데이터가 뒷받침되는 현실의 화두가 됐습니다. 이 글은 RSI가 무엇인지, 어떻게 구현되고 있는지, 그리고 컴퓨팅·전력·산업·일자리에 어떤 거대한 파장을 만드는지를 한눈에 정리합니다. 🧠 이 질문은 세 층위를 한꺼번에 건드립니다. 기술적 층위 (RSI가 무엇이고 어떻게 구현되는가), 자원 층위 (컴퓨팅·전력 수요가 어디까지 폭증하는가), 그리고 문명적 층위 (산업·경제·일자리·인류의 방향에 어떤 반향을 만드는가)입니다. 🔍 RSI란 무엇인가 — 자기지시적 피드백 루프 재귀적 자기개선(Recursive Self-Improvement) 이란 AI 시스템이 인간의 직접 개입 없이 스스로의 능력을 향상시키는 과정입니다. 구조 자체는 의외로 단순합니다. AI가 자신의 결함을 발견 → 개선안을 설계 → 그 개선안을 적용한 더 나은 버전을 생성 → 새 버전이 다시 이 과정을 반복 위험의 본질은 자기지시적 피드백 루프(self-referential feedback loop) 에 있습니다. 개선이 개선을 낳고, 그 속도가 외부 제약 없이 가속되면 이론상 수직 상승하는 지능 폭발(intelligence explosion) 로 이어질 수 있습니다. 이 개념은 수학자 I.J. Good이 1965년 처음 제시했고, 레이 커즈와일의 특이점 이론, 닉 보스트롬의 초지능 시나리오로 계승됐습니다. flowchart TD A([결함 발견]) --> B[개선안 설계] B --...