AI가 사람의 코딩을 돕는 일은 이제 낯설지 않습니다. 그렇다면 AI를 개발하는 연구자도 자기 모델에 개발 일을 맡길 수 있을까요. 텐센트는 새 모델 ‘Hy4 프리뷰’를 만드는 과정에서 그렇게 했다고 밝혔습니다. 모델이 답변을 잘하는지 평가받는 데서 나아가, 그 모델을 개선하는 작업에도 참여했다는 이야기입니다.
텐센트는 2026년 8월 28일 Hy4 프리뷰를 공개하고 모델 가중치도 배포했습니다. 코딩과 문서 작업, 분석을 겨냥한 모델로, 텐센트의 워크버디·코드버디와 API 등을 통해 제공됩니다. 아직 정식 완성판이 아닌 프리뷰이며, 회사가 공개한 개발 과정과 성능 수치는 그 점을 감안해 볼 필요가 있습니다.
특히 ‘스스로 개선하는 AI’라는 표현은 주의해서 읽어야 합니다. 인터넷을 돌아다니며 혼자 새로운 AI를 만들고, 인간의 관여 없이 끝없이 똑똑해졌다는 발표는 아닙니다. 텐센트가 설명한 것은 개발 과정에서 정해진 문제를 해결하는 데 모델을 활용했다는 것입니다.
AI 연구에도 반복해서 검증할 일이 있다는 점
AI 개발에서는 모델의 크기만 정한다고 일이 끝나지 않습니다. 어떤 데이터를 어떤 방식으로 학습시킬지, 성능을 어떻게 측정할지, GPU에서 계산을 효율적으로 실행할지 등 많은 선택이 필요합니다. 한 가지를 바꾸면 성능은 좋아지지만 계산 시간이 늘 수 있고, 속도는 빨라져도 특정 문제를 더 자주 틀릴 수 있습니다.
이 때문에 연구자는 개선안을 세우고, 실험하고, 결과를 비교하는 과정을 반복합니다. 텐센트는 Hy4가 학습 방법과 데이터 전략, 평가 체계, 저수준 연산을 개선하는 작업에 참여했다고 설명했습니다. 모델이 방안을 제안하고 실험 결과를 바탕으로 다음 수정을 돕는 식입니다.
사람이 모든 실험안을 직접 작성하고 코드를 고쳐야 했던 과정에서 일부 부담을 덜 수 있는 접근입니다. 다만 어떤 결과를 개선으로 인정할지, 실험이 제대로 수행됐는지는 여전히 중요합니다. 모델이 제안한 변경이 평가 점수만 높이고 실제 사용에서는 도움이 되지 않는다면 개발이 진전됐다고 보기 어렵습니다.
처리량 개선과 지능 향상의 차이
텐센트는 Hy4를 실제 서비스에 쓰는 추론 시스템의 개선에도 활용했다고 밝혔습니다. 학습이 끝난 모델이 사용자의 요청에 답하는 과정이 추론입니다. 여기서는 모델의 능력뿐 아니라 GPU 사이의 통신이나 연산 실행 방식도 처리 속도에 영향을 줍니다.
회사는 이런 최적화로 기준 시스템 대비 전체 처리량이 31.8% 높아졌다고 설명했습니다. 처리량은 일정 시간에 시스템이 얼마나 많은 일을 처리하는지를 뜻합니다. 따라서 이 숫자를 모델이 31.8% 더 똑똑해졌다거나, 모든 질문의 답변 시간이 그만큼 짧아졌다는 의미로 받아들이면 안 됩니다. 회사가 설정한 비교 조건에서 나온 결과이고, 외부에서 같은 효과를 재현했다고 확인된 수치도 아닙니다.
그 범위 안에서도 사업적 의미는 있습니다. 같은 수준의 서비스를 더 많은 요청에 제공할 수 있다면, 계산 자원을 늘리는 속도에 비해 서비스 용량을 더 빠르게 키울 여지가 생깁니다. 실제 비용이 얼마나 줄어드는지는 장비 구성과 운용 조건에 달려 있지만, AI가 자기 서비스의 운영 효율을 개선하는 데 쓰일 수 있다는 점은 흥미롭습니다.
연구 속도를 높이는 도구와 판단의 역할
이 접근이 확대되면 AI 기업의 경쟁력은 좋은 연구자를 확보하고 GPU를 많이 사는 것만으로 설명하기 어려워집니다. 연구자가 세운 가설을 빠르게 시험하고, 실패한 실험에서 다음 단서를 얻는 과정도 중요해집니다. AI가 그중 반복적인 작업을 맡아 준다면 같은 인력과 장비로 살펴볼 수 있는 가능성이 늘어날 수 있습니다.
물론 실험을 많이 한다고 좋은 결론이 자동으로 나오는 것은 아닙니다. 잘못 정한 목표를 더 빠르게 추구할 수도 있습니다. 어떤 문제를 풀어야 하는지 정하고, 측정 결과가 실제 사용 가치와 이어지는지 판단하는 역할은 오히려 더 중요해집니다.
공개 모델카드에 적힌 한계도 이 점을 보여줍니다. 텐센트는 Hy4 프리뷰가 복잡한 작업에서 필요 이상으로 오래 추론하거나 자기 결과를 과도하게 재확인하는 경향이 있다고 밝혔습니다. AI가 개발을 도왔다고 해서 그런 비효율까지 이미 해결된 것은 아닙니다.
이번 발표는 AI가 인간 연구자를 대체했다는 증거보다는, 연구자가 쓰는 도구가 달라지고 있다는 사례로 보는 편이 정확합니다. 앞으로 확인할 것은 ‘자기 개선’이라는 이름의 크기가 아니라, 같은 자원으로 더 나은 모델을 더 빠르게 만들 수 있는지입니다. 그 효과가 반복해서 입증된다면 AI 개발에 필요한 시간과 비용을 계산하는 방식도 달라질 수 있습니다.
참고자료
- Tencent, 「Tencent Releases and Open-Sources Tencent Hy4 preview」, 2026년 8월 28일
- Tencent, 「Hy4-preview」 공식 모델카드
- TechTimes, 「Tencent Discloses AI Self-Improvement Loop in Hy4: What Developers Must Know Before Using It」, 2026년 8월 31일