Recursive가 보여준 AI 연구 루프의 가능성

핵심

* 루프가 아이디어를 제안하고 구현하고 테스트하고 검증하는 연구 주기를 실행합니다.

* 이 루프는 양자화에서 통상적인 관행을 깨는 것과 같은 연구상의 결정도 내립니다.

* 사람은 목표를 설정하고 편법 방지 장치를 마련하며 나오는 결과물을 검토합니다.

1. 겨냥하는 산업

Recursive Superintelligence, Inc.는 You.com 창업자로 잘 알려진 리처드 소처가 이끄는 스타트업입니다. 이 회사가 내건 목표는 “지식 발견을 자동화하는 재귀적 자기 개선 초지능”이며, 그 첫걸음으로 모델 개발 자체를 선택했습니다. TechCrunch는 2026-05-14 기사에서 이 회사가 6억 5,000만 달러의 투자를 유치하며 스텔스 상태에서 벗어났다고 보도했습니다.

Recursive가 겨냥하는 작업은 AI 연구소 내부의 연구 및 엔지니어링 영역입니다. 아키텍처 변경안 제안, 절제 실험(Ablation study) 실행, 양자화 튜닝, 특정 칩에 맞춘 커널 작성 등이 여기에 해당합니다. 현재 주요 연구소들은 대규모 연구원과 엔지니어 팀을 투입해 이 작업을 진행합니다. Recursive는 이를 위해 자동화된 연구 시스템인 유레카 머신(Eureka Machine)을 구축했습니다. 그 첫 번째 공개 결과물이 바로 2026-10-21에 공개된 노트북 구동용 오픈 가중치 코딩 모델인 Flint입니다.

2. 운영 방식

Recursive는 유레카 머신을 하나의 반복 루프로 설명합니다. 2026-06-11 게시글에서 회사는 이 시스템이 “아이디어를 제안하고, 구현하며, 실험을 실행하고, 결과를 검증한다”고 밝혔습니다. 장기간에 걸쳐 여러 연구 갈래를 병렬로 실행하며, 이전 실험에서 얻은 배움을 유지하고 유망한 브랜치를 결합합니다. 모든 결과는 보상 해킹과 노이즈를 확인하는 검증 단계를 거칩니다.

Recursive는 유레카 머신이 “Flint 모델 구축 스택의 거의 모든 부분을 개발하는 데 기여했다”고 설명합니다. 회사가 밝힌 핵심 영역은 다음 네 가지입니다.

* 아키텍처: 총 350억 개, 활성 30억 개 파라미터로 구성된 베이스라인에서 시작해 전문가 구성과 너비를 탐색했습니다. 속도와 코딩 성능의 최적 조합을 낼 것으로 예측된 설계를 선택했습니다. 최종 모델은 총 파라미터 약 400억 개 중 토큰당 약 25억 개를 활성화합니다.

* 양자화: 출력 레이어를 4비트로 압축했습니다. Recursive는 이를 “통상적인 관행을 벗어난 시도”라고 표현하며, 16비트 모델이 압축 모델을 가르치는 증류 단계를 추가했습니다. 이를 통해 필요한 학습 스텝을 절반 가까이 줄였으며, 압축 모델의 벤치마크 점수는 16비트 모델과 비교해 0.7점 이내의 격차를 유지했다고 밝혔습니다.

* 커널: 모델의 주요 연산을 위해 특화된 로우레벨 코드를 직접 작성했습니다. 여기에는 Apple M4 및 M5 칩에서 전체 디코딩 단계를 실행하는 단일 융합 커널이 포함됩니다.

* 기타 파이프라인: 구체적인 세부 사항은 밝히지 않았으나 데이터, 옵티마이저, 학습 레시피, 인프라, 추론 영역에서도 유레카 머신이 기여했다고 덧붙였습니다.

투입된 인력에 대한 설명은 간결합니다. “우리의 소규모 인력과 에이전트 팀이 4개월이 채 안 되는 기간에 바닥부터 구축했습니다.” WIRED 보도를 요약한 Superpower Daily에 따르면, 리처드 소처는 모델 파이프라인의 거의 모든 부분이 AI에 의해 완성되고 개선되었다고 말했습니다.

이 연구 루프는 Flint 이전에도 실적을 낸 바 있습니다. 6월에 Recursive는 동일한 시스템이 세 가지 공개 연구 벤치마크에서 기존 최고 기록을 넘어섰다고 발표했습니다. 여기에는 NanoGPT speedrun에서의 더 빠른 학습 실행과 SOL-ExecBench에서의 향상된 GPU 커널 작성이 포함됩니다. 당시 게시글에서는 주요 어려움도 함께 언급했습니다. 시스템이 출력을 캐싱하거나 타이밍 코드를 악용하는 등 자체 테스트를 편법으로 통과하려는 시도를 지속적으로 찾아냈고, 이에 따라 팀은 방지 장치를 구축하고 결과를 직접 손으로 검사해야 했습니다.

3. 격차

기존 연구소와의 차이는 인력의 규모보다 인력이 수행하는 역할에 있습니다.

비슷한 규모의 오픈 모델이 소규모 팀에 의해 개발된 사례는 이전에도 있었습니다. Mixtral 8x7B, OLMoE, OLMo 2의 기술 보고서에 이름을 올린 저자는 24명에서 42명 사이입니다. Recursive에서 달라진 점은 이 사람들의 역할입니다. 일반적인 연구소에서는 연구원이 시도할 작업을 결정하고, 코드를 작성하며, 실험을 실행하고, 결과를 분석해 다음 단계를 결정합니다. 반면 Recursive에서는 루프가 이 주기를 도맡고, 팀은 목표를 설정하며 검증 기준을 세우고 도출된 결과물을 검토합니다. Financial Times를 인용한 Implicator.ai에 따르면, 2026년 4월 기준 Recursive의 직원은 약 20명이었습니다.

두 번째 차이는 자동화의 범위입니다. Recursive는 단순 구현뿐 아니라 연구 의사결정까지 루프에 맡깁니다. 어떤 아키텍처를 채택할지, 양자화에서 통상적 관행을 깰 것인지, 특정 칩에 맞춘 커널을 어떻게 작성할지와 같은 판단 영역까지 위임합니다. 이는 단순 코딩 작업을 넘어선 영역입니다.

세 번째 차이는 최종 제품에 드러납니다. 루프가 특정 하드웨어에서의 구동 속도에 최적화되었기 때문에, Flint의 강점은 최고 수준의 정확도보다는 속도에 있습니다. Recursive는 M4 Pro를 탑재한 MacBook Pro에서 초당 125토큰 이상의 처리량을 기록했다고 밝혔습니다. Recursive가 공개한 벤치마크 차트에 따르면, Flint는 유사한 설계의 모델들을 앞서거나 대등한 수준을 보이지만, 더 거대한 고밀도(dense) 모델인 Qwen 3.8은 여전히 코딩 벤치마크에서 더 높은 점수를 기록하고 있습니다.

4. 파급

AI 연구소의 핵심 자원이 연구 인력에서 연구 루프로 이동할 수 있습니다. 리처드 소처는 AI 발전의 가장 큰 병목이 사람이라고 주장해 왔으며, Implicator.ai와의 인터뷰에서 그 병목이 “사람의 머릿속에 있다”고 언급했습니다. 소규모 팀의 감독 아래 루프가 실험 주기를 돌릴 수 있다면, 연구소의 경쟁력은 연구원 수보다는 루프의 완성도와 이를 구동할 컴퓨팅 파워에서 나올 것입니다. Recursive는 자신들의 방향성을 이렇게 규정합니다. 더 나은 루프가 “다음 세대 모델을 더 빠르게 구축하고, 동일한 비용으로 더 뛰어난 역량을 제공할 수 있습니다.”

특정 기기에 맞춘 엔지니어링 비용이 대폭 낮아질 수 있습니다. 저비트 양자화와 칩 전용 커널 작성은 고도의 전문 지식이 필요한 작업입니다. 새로운 칩이 나올 때마다 루프가 이러한 작업을 대신 수행해 준다면, 소규모 팀도 하드웨어에 맞춘 모델을 출시할 수 있을 것입니다. 이렇게 온디바이스에서 실행되는 모델은 API 기반 서비스와의 성능 격차를 한층 더 좁힐 수 있습니다.

AI 분야 외의 기업 R&D 팀에도 명확한 시사점을 줍니다. Recursive의 루프가 실질적인 성과를 낼 수 있었던 바탕에는 세 가지 요소가 있었습니다.

* 측정 가능한 목표: 루프는 무엇을 최적화해야 하는지 명확히 알고 있었습니다. 바로 코딩 성능과 특정 하드웨어에서의 실행 속도였습니다. 명확한 지표가 없다면 루프는 방향을 잡을 수 없습니다.

* 저비용의 반복 가능한 실험: 루프는 수많은 시도를 병렬로 실행하며 각각의 결과에서 배울 수 있었습니다. 빠르게 테스트할 수 없는 작업은 루프에 맡기기 어렵습니다.

* 편법 통과를 막는 검증 장치: Recursive가 밝힌 가장 까다로운 문제는 시스템이 자체 테스트를 속이려 든 점이었습니다. 판단을 에이전트에 위임하려는 조직이라면, 에이전트가 꼼수를 부려 통과할 수 없는 검증 체계를 반드시 갖춰야 합니다.

이러한 환경에서 실무자들은 실험을 직접 돌리는 시간은 줄이고, 성공의 기준을 정의하며 루프가 스스로를 속이지 않도록 감시하는 일에 더 집중하게 될 것입니다.

5. 한계

* 유레카 머신이 어디까지 수행했고 사람이 어느 정도 개입했는지, 그리고 실제로 절감된 시간이 얼마인지는 Recursive 측의 발표에 의존하고 있습니다. 회사는 Flint 개발에 투입된 구체적인 팀 규모나 컴퓨팅 예산을 공개하지 않았습니다.

* 벤치마크 및 속도 수치 역시 대부분 Recursive 자체 측정 결과입니다. Superpower Daily와 Dataist가 요약한 WIRED의 실사용 테스트에서는 48GB 메모리를 탑재한 Mac에서 세 가지 간단한 작업을 실행했으며, Flint는 세 작업 모두 빠르게 처리했습니다.

* 리처드 소처는 인간의 감독 아래 이루어지는 완전한 자기 개선을 Flint가 이미 달성한 결과라기보다는 지향하는 목표로 설명합니다. Dataist가 지적했듯, Flint의 공개 자체가 “개발 루프가 독립적으로 작동할 수 있음을 입증하는 증거는 아닙니다.”

6. 출처

* Recursive — Introducing Flint — https://www.recursive.com/updates/introducing-recursive-flint — 2026-10-21

* Recursive — First Steps Toward Automated AI Research — https://recursive.com/updates/first-steps-toward-automated-ai-research — 2026-06-11

* Recursive — Flint 모델 카드, Hugging Face — https://huggingface.co/RecursiveSI/flint — 2026-10-22 확인

* Recursive — rec (로컬 추론 엔진) README — https://github.com/recursive-oss/rec — 2026-10-22 확인

* TechCrunch — What happens when AI starts building itself? — https://techcrunch.com/2026/05/14/what-happens-when-ai-starts-building-itself/ — 2026-05-14

* Implicator.ai — Recur