Z.ai “AI가 AI 실행 인프라 스스로 구축...'재귀적 자기개선'의 시작”

최근 인공지능(AI) 기술이 비약적으로 발전하면서 AI 스스로가 자신을 위해 필요한 인프라를 구축하고 최적화하는 시대가 도래하고 있습니다. Z.ai는 이러한 혁신적인 사례를 17일(현지시간)에 발표하며, AI가 개발 과정에서 결정적인 역할을 할 수 있음을 증명했습니다. 이들은 자체 개발한 모델 ‘GLM’을 이용해 차세대 AI 모델의 추론 인프라를 능동적으로 구축하고 최적화하는 과정을 보여주었습니다.

AI와 인프라 최적화의 새로운 시대

전통적으로 AI는 인간 엔지니어들이 설계한 코드를 기반으로 작동해 왔습니다. 그러나 Z.ai의 GLM 모델은 이러한 한계를 넘어서, 자신의 실행 환경에 맞춰 하드웨어와 시스템 인프라를 직접 분석하고 최적화하는 능력을 지니고 있습니다. Z.ai는 GLM 모델이 과거의 숙련된 인프라 엔지니어들이 몇 주에 걸쳐 수행했던 작업을 단기간에 완료할 수 있는 놀라운 성과를 보여주었다고 전했습니다.

이번 발표에서 Z.ai는 GLM-5.3 기반의 ‘인프라 에이전트(Infra Agent)’가 미국 반도체 제재에도 불구하고 10만 개 이상의 중국산 AI 가속기로 구성된 대규모 클러스터를 운영하는 데 성공했다는 사실을 강조했습니다. 이 에이전트는 코드 작성과 수정뿐만 아니라 성능 측정과 원인 추적, 개선안 시험을 반복하며 스스로 최적화하는 작업을 수행했습니다. 그 결과, GLM-5.3-플래시는 초기 대비 약 3배의 처리량을 증가시키는 성과를 기록했습니다.

밀도 높은 피드백 구조의 힘

Z.ai의 성공적인 최적화는 ‘밀도 높은 피드백(Dense Feedback)’ 구조 덕분입니다. 이 구조는 커널 테스트, 런타임 로그, 실행 추적, 마이크로벤치마크 등을 하나의 반복 작업으로 통합하여 문제 발생 위치와 원인을 정밀하게 파악할 수 있도록 합니다. 이를 통해 인프라 에이전트는 전체 서비스를 다시 배포하지 않고도 개별 가설을 즉각 검증할 수 있는 능력을 갖추었습니다.

실제 사례로, GLM-5.3-플래시의 KDA 커널 점검 중 발생한 연산 오차의 문제를 해결하는 데에도 AI 에이전트가 중요한 역할을 했습니다. 이 에이전트는 연산 정밀도를 조정하고 지연을 야기했던 문제를 찾아내어 성능 저하를 큰 폭으로 줄이는 성과를 거두었습니다. 이처럼 AI가 스스로 코드 최적화 기술을 학습하고 활용할 수 있는 가능성을 보여주었습니다.

미래를 내다보는 Z.ai의 비전

Z.ai는 이번 사례를 통해 단순한 성능 향상을 넘어, AI가 인프라 시스템을 분석하고 스스로 최적화하는 선순환 프레임워크를 입증했습니다. 이러한 기술적 진보는 AI가 AI 개발 과정에 실질적으로 참여할 수 있는 가능성을 열어줍니다. 물론 Z.ai는 아직 AI가 ‘재귀적 자기개선(RSI)’ 단계에 도달하지 못했다고 강조하며, 최종 목표 설정과 위험 판단은 여전히 인간의 몫임을 분명히 했습니다.

그럼에도 불구하고, 이번 성과는 AI 기술의 발전이 가속화될 것임을 예고합니다. Z.ai의 사례는 앞으로 AI가 더 정교하게 발전해 나갈 수 있는 기초를 마련했으며, 이는 향후 인공지능 분야의 혁신과 변화에 큰 영향을 미칠 것으로 기대됩니다.