Stay Hungry Stay Foolish

최근 생성형 모델들은 단순 질의 응답, 글 또는 코드 작성 뿐만 아니라 MCP와 같은 도구 호출로 외부 환경과 상호작용하는 방향으로 역할을 강화하는 쪽으로 발전하고 있다. 특히 컴퓨터를 사용해서 특정한 상품을 주문하거나, 브라우저를 조작해서 사용자가 요구한 정보를 긁어오는 등 사람이 해야할 일을 차츰 대신해 나가고자 하고 있다. 그렇다면 이처럼 AI모델에게 물리 환경에 접근할 수 있는 도구를 쥐어 준다면 현실 세계의 물건을 컨트롤 하는게 가능하지 않을까. 이러한 아이디어에서 출발한 실험 프로젝트가 바로 DrivingBench (https://drivingbench.com/) 이다. 이 실험은 AI모델에게 차량의 카메라 화면과 차량 상태를 전달하고, 핸들과 가속, 제동을 제어할 수 있는 도구를 제공하여 직접 운전하도록 시킨 실험으로 현실과 가상 환경의 경계를 희미하게 만들지도 모르는 흥미로운 실험이다. DrivingBench는 GPT-6 Astra, Claude Fable 5.1, Grok 4.6, GPT-5.6 Sol과 같은 범용 AI 모델에 실제 자동차를 제어할 수 있는 도구를 제공하고, 주차장에 설치한 콘 코스를 얼마나 주행할 수 있는지를 비교했다고 한다. 재미있는 점은 시뮬레이션 환경에서 가상의 차량을 움직인 것이 아니라 실제 차량 (2022년 형 Toyota Corolla) 을 사용했다는 것이다. 운전 연수생 : AI Driving Bench 테스트는 넓은 공터 주차장에서 진행했고, 작은 콘을 이용해 하나의 주행 코스를 만들었다. 특히 코스에는 좌회전, 우회전, 긴 직선 구간, 굴곡 등이 포함되어 있어 실질적인 운전 성능을 테스트할 수 있도록 구성했고, 경로의 마지막에는 파란색 콘으로 표기된 주차 공간을 준비했다. DrivingBench에서 테스트를 위해 구축한 경로. 출처 : DrivingBench AI에게 주어진 목표는 간단히 콘 사이를 벗어나거나 장애물과 충돌하지 않으면서 코스를 이동해 마지막 파란색 주차공간까지 도달하는 것 이었다....

ch07 그래프와 그래프 이론 Node: 각 그래프의 점 ( 네트워크에서는 node( 마디 ), 그래프에서는 vertex( 꼭지점 )) Edge: 각 점을 잇는 선 ( 네트워크에서는 link( 가지 ), 그래프에서는 edge( 마디 )) Degree: 각 노드에서 발생된 엣지의 수 네트워크 : 그래프 ch08 Maximum flow problem 출발지와 목적지가 각각 하나인 네트워크로 돌아오고 나가는 최대 유통량이 얼마인가를 계산 흐르는 량을 최대로 하기 위해서는 각 가지를 통해 흐르는 용량은 얼마이어야 하는지 결정한다 . 출발노드와 도착노드를 지정하고 실행하면 결과 값을 얻을 수 있다 . 반드시 출발노드인 유입량과 도착노드인 유출량은 같아야 한다 . maximum flow problem 을 해결하기 위해서는 먼저 라이브러리를 받아야 한다 . pip install ortools from ortools.graph import pywrapgraph start_nodes = [0, 0, 0, 1, 1, 2, 2, 3, 3]   // 출발 노드 end_nodes = [1, 2, 3, 2, 4, 3, 4, 2, 4]   // 끝 노드 capacities = [20, 30, 10, 40, 30, 10, 20, 5, 20] // 최대 흐르는 양 max_flow = pywrapgraph.SimpleMaxFlow() for i in range(0, len(start_nodes)):   max_flow.AddArcWithCapacity(start_nodes[i], end_nodes[i], capacities[i]) # Find the maximum flow between node 0 and node 4. if max_flow.Solve(0, 4) == max_flow.OPTIMAL:   // 출발 노드는 0, 도착 노드는 4 가 된다 . ...