자기 개선형 AI 스타트업 Recursive Superintelligence, 창업 4개월 만에 5억 달러 유치

Recursive Superintelligence가 주목받는 이유는 '자기개선(self-improvement) AI'라는 기술 방향성 때문이다. 이는 AI 모델이 스스로의 가중치, 아키텍처, 학습 전략을 평가하고 개선하는 재귀적 최적화(RSI, Recursive Self-Improvement) 개념에 기반한다. 기술적으로는 강화학습 기반 자가 튜닝, AutoML 스타일의 신경망 구조 탐색(NAS), 그리고 최근 각광받는 LLM 기반 코드 자동 생성·자가 평가 루프(예: DeepMind의 AlphaEvolve, Sakana AI의 AI Scientist, OpenAI의 o-series self-play 연구)가 결합된 형태로 추정된다. 핵심은 인간 연구자의 개입 없이 모델이 벤치마크를 돌리고, 실패 원인을 분석하고, 다음 실험 코드를 작성해 반복 실행하는 '에이전트 기반 R&D 자동화' 파이프라인이다.

개발자 입장에서 이 투자 규모(설립 4개월 만에 5억 달러, 40억 달러 밸류에이션)는 단순한 화제성을 넘어서, 'AI가 AI를 만드는' 워크플로우가 VC 시장에서 정식 카테고리로 인정받았다는 신호다. 실질적 영향은 두 갈래로 나뉜다. 첫째, ML 엔지니어·리서처의 업무 중 반복적 실험 설계, 하이퍼파라미터 튜닝, 벤치마크 자동화 영역이 가장 먼저 자동화될 가능성이 높다. 둘째, 일반 소프트웨어 엔지니어에게도 Cursor·Claude Code·Devin처럼 '코드를 자가 개선하는 에이전트' 흐름이 가속화된다는 뜻이다. 지금까지 에이전트가 주로 task 단위로 작동했다면, 앞으로는 코드베이스 전체를 지속적으로 리팩토링·최적화하는 상시 가동형 에이전트가 등장할 수 있다.

한국 개발자들이 실질적으로 점검해야 할 지점은 다음과 같다. 첫째, 자가개선 루프의 기반인 '평가 지표 설계(eval harness)' 역량이 향후 ML 커리어의 핵심 경쟁력이 된다 — 모델이 스스로 개선하려면 명확하고 조작 불가능한 평가 함수가 필수이기 때문이다. 둘째, MLOps 관점에서 실험 추적(W&B, MLflow), 자동화된 회귀 테스트, 안전한 sandboxed 실행 환경(gVisor, Firecracker 등)이 점점 더 중요해진다. 셋째, 보안·거버넌스 측면에서 자가 수정 코드의 공급망 리스크, 모델이 무단으로 외부 API를 호출하거나 가중치를 유출하는 위험에 대비한 정책·감사 체계가 필요하다.

마지막으로 냉정한 관점도 필요하다. '자기개선 AI'는 AI 안전 연구계에서 수십 년간 논의된 개념이지만, 실제로 의미 있는 재귀적 성능 향상을 달성한 공개 사례는 아직 제한적이다. Yoshua Bengio, Stuart Russell 등이 지속적으로 경고해온 '통제 불가능한 재귀 개선' 시나리오를 상업적 스타트업이 적극 추진한다는 점에서, 개발자들은 기술 트렌드 추종만큼이나 해당 회사의 안전성 공개(safety case), 정렬(alignment) 연구 투명성을 함께 모니터링해야 한다. 투자 규모가 곧 기술 성숙도를 의미하지 않는다는 점을 기억하고, 공개 논문·벤치마크 결과가 나올 때까지는 마케팅 서사와 실제 구현 역량을 분리해서 평가하는 시각이 필요하다.