🖼️ 인포그래픽

🖼️ 4컷 인포그래픽

💡 한 줄 요약

원문은 하버드의 A 학점 제한을 비판하며 교육의 목적을 ‘판정’보다 ‘성공 지원’에 두어야 한다고 주장하고, 이어 Hermes Agent의 OpenClaw 추격과 실시간 상호작용형 멀티모달 모델 TML-Interaction-Small을 소개한다.

📌 핵심 요약

• 앤드루 응은 하버드가 학부 수업에서 A 학점 비율을 약 20%로 제한하기로 한 결정에 반대하며, 교육기관은 소수만 선별하기보다 모든 학습자가 높은 기준에 도달하도록 지원해야 한다고 주장한다.
• 그는 학점 인플레이션이 실제 문제라는 점은 인정하지만, GPA가 채용에서 강한 신호가 아니며 실제 역량은 선발·면접 과정에서 더 정확히 평가할 수 있다고 설명한다.
• Hermes Agent는 OpenRouter가 집계한 일일 토큰 소비량 순위에서 OpenClaw를 앞서며 주목받았고, 특히 자동 skill 생성과 정교한 메모리 구조를 통해 자기개선형 에이전트의 가능성을 보여준다.
• Hermes Agent는 로컬 또는 클라우드에서 실행되고 다양한 대형언어모델, 약 20개 메시징 서비스, Agent Communication Protocol 기반 IDE 연동을 지원하며, OpenClaw와 유사한 agentic loop를 수행한다.
• Thinking Machines Lab의 TML-Interaction-Small은 사용자의 말이 끝나기를 기다리지 않고 오디오·비디오·텍스트를 동시에 처리하며 응답하는 멀티모달 시스템으로, 실시간 대화의 경계를 줄이는 새로운 상호작용 방식을 제시한다.

🧩 주요 포인트

1. 앤드루 응은 하버드가 학부 수업에서 A 학점 비율을 약 20%로 제한하기로 한 결정에 반대하며, 교육기관은 소수만 선별하기보다 모든 학습자가 높은 기준에 도달하도록 지원해야 한다고 주장한다.
2. 그는 학점 인플레이션이 실제 문제라는 점은 인정하지만, GPA가 채용에서 강한 신호가 아니며 실제 역량은 선발·면접 과정에서 더 정확히 평가할 수 있다고 설명한다.
3. Hermes Agent는 OpenRouter가 집계한 일일 토큰 소비량 순위에서 OpenClaw를 앞서며 주목받았고, 특히 자동 skill 생성과 정교한 메모리 구조를 통해 자기개선형 에이전트의 가능성을 보여준다.
4. Hermes Agent는 로컬 또는 클라우드에서 실행되고 다양한 대형언어모델, 약 20개 메시징 서비스, Agent Communication Protocol 기반 IDE 연동을 지원하며, OpenClaw와 유사한 agentic loop를 수행한다.
5. Thinking Machines Lab의 TML-Interaction-Small은 사용자의 말이 끝나기를 기다리지 않고 오디오·비디오·텍스트를 동시에 처리하며 응답하는 멀티모달 시스템으로, 실시간 대화의 경계를 줄이는 새로운 상호작용 방식을 제시한다.

🧠 상세 정리

1. 하버드 A 학점 제한에 대한 문제 제기

원문은 하버드대학교가 학부 수업에서 A 학점을 받는 학생 비율을 약 20%로 제한하기로 한 결정을 소개하며 시작한다. 필자는 이 결정이 자신이 믿는 교육의 방향과 깊이 충돌한다고 말한다. 높은 기준을 유지하는 것은 필요하지만, 그 기준을 일부 학생만 통과하도록 만드는 방식이 아니라 모든 학습자가 성공할 수 있도록 강하게 지원하는 방식이어야 한다는 입장이다. 따라서 이 논점은 단순한 학점 정책 논쟁이 아니라 교육기관이 학생을 돕는 곳인지, 평가하고 선별하는 곳인지에 대한 근본적 질문으로 확장된다.

2. 학점 인플레이션과 교육의 목적

필자는 학점 인플레이션 자체가 실제로 존재한다는 점은 인정한다. 많은 대학이 A와 B 학점을 점점 더 많은 학생에게 부여하면서 GPA가 학생의 실력을 나타내는 신호로서 덜 유용해졌다는 설명이다. 그러나 그는 이 문제를 해결하기 위해 성공자의 수를 인위적으로 제한하는 방식에는 동의하지 않는다. 교육기관에는 학생을 판단하는 기능도 있고 성공을 돕는 기능도 있지만, 자신이 교육에서 집중하는 쪽은 거의 전적으로 학생들이 실제로 배우고 성장하도록 돕는 것이라고 밝힌다.

3. 재시도와 연습 중심 학습 철학

필자는 많은 사람이 배우고 싶어 하며, 새로운 일을 할 수 있게 해주는 역량을 얻고 싶어 한다고 본다. DeepLearning.AI에서의 교육 활동과 과거 Coursera의 온라인 스탠퍼드 강의에서 채점 과제에 무제한 재시도를 허용한 것도 이 철학과 연결된다. 그는 학습자가 처음에 틀렸다는 사실을 심판하듯 기록하기보다, 성공할 때까지 다시 시도하도록 허용하고 장려해야 한다고 말한다. 그래서 숙제는 주로 실력 판정용 평가 문제가 아니라, 생각하고 풀어보는 과정에서 연습과 지식 강화를 돕는 Practice Problems와 Practice Labs가 되어야 한다고 설명한다.

4. GPA의 채용 신호로서의 한계

하버드의 조치가 GPA를 더 의미 있게 만들고 고용주가 우수한 지원자를 찾는 데 도움을 주지 않겠느냐는 반론도 원문에서 직접 다뤄진다. 필자는 하버드와 다른 기관 출신을 많이 채용해 본 경험을 근거로, GPA가 중요한 신호가 아니라고 단언한다. 실제 채용에서는 선별과 면접 절차가 지원자의 실력을 파악하는 데 훨씬 더 정확한 방법을 제공한다는 것이다. 그는 누가 정말 뛰어난지 알아내기 위해 지원자들의 GPA 점수 분포가 더 넓어질 필요는 없다고 말하며, 학점 제한의 실용적 효용에도 회의적인 태도를 보인다.

5. 평가의 가치는 인정하지만 중심은 학습 지원

필자는 평가 자체의 가치를 부정하지 않는다. 표준화 시험이 많은 비판을 받지만, SAT, ACT, GRE, TOEFL 같은 질 높은 시험은 특정 영역의 능력을 객관적으로 측정하는 기능을 한다고 설명한다. 또한 학교 입학처럼 엄격한 평가를 원하는 사람들도 존재한다고 인정한다. 다만 그는 대부분의 사람은 배우고 성공하기를 원하며, 엄격한 평가는 상대적으로 더 작은 필요라고 본다. 따라서 교육 제품을 만들 때 자신의 초점은 평가 시스템을 강화하는 데 있지 않고, 학습자가 실제로 역량을 얻고 성공하도록 돕는 데 있다고 정리한다.

6. 엘리트 교육의 다른 정의

원문은 하버드가 흔히 ‘엘리트’ 교육기관으로 묘사된다는 점을 바탕으로, 엘리트라는 말의 두 가지 가능성을 제시한다. 하나는 입학 자체를 제한하고, 들어온 학생들 사이에서도 잘하는 사람의 수를 20%로 제한하는 방식이다. 필자는 이 길보다 다른 길을 선호한다. 높은 기준을 세우고 최첨단의 엘리트 기술을 가르치되, 가능한 한 많은 사람이 그 기준에 도달하도록 끈질기게 돕는 방식이다. 이 관점에서 엘리트성은 사람을 배제함으로써 생기는 것이 아니라, 최대한 많은 사람이 탁월해지도록 만드는 능력에서 나온다.

7. Hermes Agent의 부상과 OpenClaw와의 비교

뉴스 섹션은 OpenClaw가 매우 인기 있는 AI 에이전트였지만 Hermes Agent라는 빠르게 성장하는 경쟁자가 등장했다고 소개한다. Nous Research가 2월에 공개한 오픈소스 에이전트 Hermes Agent는 OpenRouter가 집계한 일일 토큰 소비량 순위에서 최근 OpenClaw를 앞섰다. 일부 사용자는 Hermes Agent가 토큰 효율성이 낮다고 불평했지만, 원문은 새로운 skill을 정의하고 다듬는 능력이 자기개선을 핵심 에이전트 역량으로 부각시킨다고 설명한다. Hermes Agent는 기능 면에서 OpenClaw와 상당 부분 겹치지만, 메모리 구조와 자동 skill 구축 능력이 주요 차별점으로 제시된다.

8. Hermes Agent의 작동 방식, skill, memory, goal tracking

Hermes Agent의 agentic loop는 성격, 지시문, 도구, skill, 메모리, 사용자 정보, 대화 이력을 바탕으로 프롬프트를 구성하고, 입력 한도를 넘으면 오래된 대화를 요약해 크기를 줄인 뒤 모델에 전달하는 방식으로 설명된다. 이후 모델은 도구를 호출하거나 skill을 호출하거나 사용자에게 응답하며, 도구나 skill 호출 결과에 따라 같은 순환이 반복된다. Hermes Agent는 SKILL.md 형식의 instruction file을 사용하고, 장시간 문제를 풀거나 오류를 고친 뒤 성공했다고 판단하면 새 skill을 만들 수 있다. 또한 user preference와 workflow lesson을 담는 두 종류의 메모리 파일, 검색 가능한 대화 데이터베이스, 외부 메모리 제공자, 그리고 목표 완료 여부를 judge model로 확인하는 persistent goal tracking을 갖춘다.

9. 에이전트 생태계의 흐름과 Hermes Agent의 의미

원문은 agentic capability가 대형언어모델이 여러 단계에 걸쳐 계획하고, 이전 출력을 반성하며, 외부 도구를 사용해 온라인 행동을 수행할 수 있게 되면서 등장했다고 설명한다. 2025년에는 Claude Code와 Codex 같은 코딩 에이전트가 개발자 사이에서 주목받으며 더 자율적인 AI 시스템에 대한 관심을 키웠다. 2026년 초 OpenClaw는 지속 실행되는 개인 에이전트이자 WhatsApp, Telegram 같은 메시징 플랫폼을 통해 상호작용하는 오픈소스 현상으로 떠올랐다. Hermes Agent는 더 정교한 메모리와 성공한 행동을 skill로 전환하는 능력을 통해, 단발성 작업을 처리하는 무상태 비서에서 경험을 축적하고 사용자에게 적응하는 에이전트로의 이동을 보여준다.

10. TML-Interaction-Small과 실시간 대화형 멀티모달 시스템

마지막으로 원문은 Thinking Machines Lab의 TML-Interaction-Small을 소개한다. 이 시스템은 일반 대화형 모델처럼 사용자의 차례가 끝나기를 기다리지 않고, 오디오, 비디오, 텍스트 입력을 동시에 처리하면서 오디오와 텍스트 출력을 동시에 생성한다. 빠른 interaction model과 비동기 background reasoning model을 결합하며, 200밀리초 단위의 입력 처리와 출력 생성을 interleave하는 micro-turn 방식을 사용한다. 이로써 입력이 끝나는 시점과 출력이 시작되는 시점 사이의 체감 경계를 줄이고, 실시간 끼어들기, 중단 처리, 시각 단서 기반의 능동적 개입, 별도 모델의 조용한 reasoning과 tool call을 가능하게 하는 구조로 설명된다.

🧾 핵심 주장 / 시사점

• 교육 논점에서 핵심은 ‘공정한 평가’와 ‘학습자의 성공 지원’이 모두 가치 있지만, 원문은 제도 설계의 기본값을 선별이 아니라 역량 형성에 두어야 한다고 강조한다는 점이다.
• Hermes Agent 사례는 오픈소스 에이전트 경쟁의 중심이 단순한 도구 호출에서 메모리, skill 축적, 목표 지속 추적 같은 장기 적응 능력으로 이동하고 있음을 보여준다.
• TML-Interaction-Small은 대화형 AI의 병목이 답변 품질만이 아니라 상호작용 방식에도 있음을 드러내며, 턴 기반 모델에서 동시 입력·출력 기반 모델로의 전환 가능성을 제시한다.

✅ 액션 아이템

• 하버드의 A 비율 제한 반발 맥락을 반영해 성적 지표를 선발 판정이 아닌 학습 성취 지원 지표로 전환하는 기준과 적용 범위를 전사적으로 확립한다.
• OpenClaw보다 높은 일일 토큰 소비를 보인 Hermes Agent의 자동 skill 생성과 메모리 구조를 근거로 자기개선형 에이전트 적용의 기회와 한계를 분해해 정리한다.
• Hermes Agent의 로컬/클라우드 운용, 다수 LLM 지원, 약 20개 메시징 연동, ACP 기반 IDE 접점을 기준으로 통합 영향과 의존 제약을 점검한다.

❓ 열린 질문

• GPA가 강한 채용 신호가 아님이 확인될 때 실제 선발·면접에서 역량 예측력을 높이기 위해 어떤 대체 지표 조합을 우선 검증할 것인가?
• Hermes Agent가 OpenClaw를 추격하는 토큰 소비량 지표에 추가해 안정성 판단을 위해 어떤 장기 성능·비용·안전 지표를 주기적으로 수집해야 하는가?
• TML-Interaction-Small의 중단 없는 오디오·비디오·텍스트 반응이 대화 이해를 높이기 위해 어떤 상황에서 오탐·오인식 허용 범위를 어떻게 결정할 것인가?