NEW Perplexity Update is AMAZING!
Quick Summary
NEW Perplexity Update is AMAZING를 중심으로, 영상에 따르면 퍼플렉시티는 2026년 11월 16일 GPU 1만 개 이상을 투입하는 연구 프로그램을 발표했다. 연구를 이끌 인물로를 핵심 판단 포인트로 압축 정리한다.
영상 보기
클릭 전까지는 가벼운 미리보기만 먼저 불러옵니다.
🖼️ 인포그래픽

🖼️ 4컷 인포그래픽

💡 한 줄 결론
NEW Perplexity Update is AMAZING를 중심으로, 영상에 따르면 퍼플렉시티는 2026년 11월 16일 GPU 1만 개 이상을 투입하는 연구 프로그램을 발표했다. 연구를 이끌 인물로를 핵심 판단 포인트로 압축 정리한다.
📌 핵심 요점
- 영상에 따르면 퍼플렉시티는 2026년 11월 16일 GPU 1만 개 이상을 투입하는 연구 프로그램을 발표했다. 연구를 이끌 인물로는 지속학습을 연구해 온 뉴욕대 앤드루 고든 윌슨 교수를 소개한다.
- 이 구상의 출발점은 웹 검색 서비스다. 영상은 2026년 2월 출시된 Perplexity Computer가 19개 모델에 작업을 나눠 맡기고, 여기에 통합된 Deep Research가 복잡한 질문을 여러 하위 과제로 쪼개 보고서를 작성한다고 설명한다.
- 영상이 인용한 Deep Research 성적은 고난도 문답 평가에서 36.4%에서 50.5%로, 웹 조사 평가인 BrowseComp에서 40.7%에서 83.8%로 올랐다. 더 큰 상승폭을 보인 쪽은 웹 조사였다.
- Frontier Research는 여러 에이전트의 협업, 사전학습, 지속학습, 강화학습, 시스템 인프라, 고난도 성능 평가를 다룬다. 특히 지속학습은 새로운 경험을 학습하면서 기존 지식을 유지하는 과제다.
- 영상이 현재 도구의 활용처로 든 업무는 경쟁사 조사, 잠재 고객 적격성 평가, 시장 분석, 콘텐츠 기획이다. 후반부는 각 업무의 실행 결과를 보여주기보다 진행자가 운영하는 교육 프로그램과 커뮤니티를 소개하는 데 집중한다.
🧩 배경과 문제 정의
퍼플렉시티의 초기 서비스에서 사용자는 질문을 입력하고 웹 자료를 종합한 답을 받았다. Computer와 Deep Research가 등장하면서 복잡한 질문을 어떻게 나눠 조사할지도 제품이 맡기 시작했다. 영상은 여기서 한 단계 더 나아간 문제를 다룬다. AI가 기존 연구를 읽고 아직 풀리지 않은 질문을 고른다면, 어떤 학습 방식과 평가 기준이 있어야 그 연구 결과를 믿을 수 있을까?
🕒 시간순 섹션별 상세정리
1. 스스로 질문을 찾는 AI 연구 프로그램
- 진행자는 퍼플렉시티가 11월 16일 Frontier Research를 발표했다고 전해진다. GPU 1만 개 이상을 투입해 질문 발굴부터 자료 조사, 가설 검증, 접근법 수정까지 이어가는 AI를 만드는 구상이다. [00:43]
- 진행자는 이 연구가 일상적으로 쓰는 도구에 어떻게 이어지는지 설명하고, 현재 제품을 AI 자동화 사업에 활용하는 네 가지 업무를 소개하겠다고 예고한다. [01:19]
2. 웹 검색에서 여러 모델을 활용한 조사로
- 영상은 초기 검색 서비스에서 2026년 2월 출시된 Computer로 이어진 변화를 짚어 본다. Computer는 추론·조사·작성 등 작업의 성격에 따라 서로 다른 모델에 일을 배분한다고 보여준다. [02:09]
- Computer에 통합된 Deep Research는 질문을 하위 과제로 나눠 보고서를 작성한다. 영상이 제시한 점수는 고난도 문답 평가에서 36.4%에서 50.5%로, 웹 조사 평가에서 40.7%에서 83.8%로 상승했다. [02:44]
- 진행자는 이어 AI Profit Boardroom의 30일 교육 과정을 보여준다. 초반 과제로 경쟁사 분석, 잠재 고객 조사, 조사 결과를 콘텐츠 제작에 연결하는 작업을 예로 든다. [04:22]
3. 연구 질문의 발굴과 학습 방식
- 진행자가 설명하는 ‘자동화된 연구자’는 선행 연구의 빈틈을 찾고 가설을 세운 뒤, 검증 결과에 따라 방법을 바꾼다. 연구 책임자로 소개된 앤드루 고든 윌슨 교수의 전문 분야는 새 경험을 배워도 기존 지식을 잊지 않는 지속학습이다. [05:22]
- 여섯 연구 분야 가운데 앞의 네 가지는 여러 에이전트의 협업, 사전학습, 지속학습, 강화학습이다. 협업의 예로는 자료를 찾는 역할, 결과에 반론을 제기하는 역할, 최종 산출물을 점검하는 역할을 나누는 방식을 든다. [07:01]
4. GPU 통신과 새로운 문제를 푸는 능력의 평가
- 다섯 번째 분야는 시스템 인프라다. 영상은 퍼플렉시티가 GPU 간 통신에서 대역폭 효율 97.1%를 기록했고, 이 연구에서 나온 라이브러리 Fabric Lib를 공개했다고 전해진다. [07:37]
- 여섯 번째 분야는 AI의 추론과 발견 능력을 평가하는 일이다. 학습 데이터에 없던 문제를 풀 수 있는지가 평가의 핵심 질문으로 드러난다. [07:56]
5. 기업 활용 사례와 커뮤니티 안내
- 진행자는 경쟁사 조사, 잠재 고객 적격성 평가, 시장 분석, 콘텐츠 기획을 현재 도구의 활용처로 꼽는다. 이어 AI Profit Boardroom의 교육 자료와 주 4회 코칭을 보여준다. [09:31]
- 마지막에는 무료 커뮤니티 AI Success Lab에서 퍼플렉시티 조사 사례를 비롯한 AI 활용 자료를 제공한다고 안내하고 영상을 마친다. [10:17]
🧾 결론
- 현재의 Deep Research에서는 사람이 출발점이 될 질문을 정한다. Frontier Research가 지향하는 변화는 기존 연구의 빈틈을 찾아 어떤 질문을 던질지 정하는 일까지 AI에 맡기는 것이다.
- 연구의 자율성을 판단하려면 첫 번째 보고서 이후를 봐야 한다. 가설과 맞지 않는 결과가 나왔을 때 AI가 접근법을 바꾸고 검증을 이어갈 수 있는지가 관건이다.
- 영상이 성과로 제시한 수치는 현재 도구의 문답·웹 조사 점수와 GPU 통신 효율이다. 새로운 연구 문제를 스스로 발견하고 해결하는 능력은 별도의 평가 과제로 남아 있다.
📈 투자·시사 포인트
- GPU 1만 개 이상이라는 수치는 회사가 연구에 투입하려는 자원의 규모를 보여준다. 투자 관점에서 뒤이어 확인할 지표는 그 자원이 실제 제품의 조사 품질을 얼마나 높이는지다.
- 영상은 GPU 간 통신에서 대역폭 효율 97.1%를 기록했다고 소개한다. 여러 모델이 한 업무를 나눠 수행하는 제품에서는 모델별 성능과 함께 모델을 연결하는 인프라도 살펴볼 이유가 있다.
- 기업 도입에서는 웹 조사 점수의 상승이 실제 업무에도 이어지는지 확인할 수 있다. 경쟁사 비교나 잠재 고객 조사처럼 반복하는 과제에 적용하면 출처 확인과 보고서 수정에 드는 수고를 직접 비교할 수 있다.
⚠️ 불확실하거나 확인이 필요한 부분
- 발표일, GPU 규모, 연구 책임자, 통신 효율은 영상이 전한 내용이다. GPU를 언제부터 얼마나 가동하는지, 어떤 조건에서 효율을 측정했는지는 제시되지 않는다.
- 영상은 Computer를 설명할 때 19개 모델을, Deep Research의 하위 과제 분배를 설명할 때 20개가 넘는 모델을 언급한다. 전체 후보 모델과 개별 작업에 참여하는 모델을 각각 센 것인지는 불분명하다.
- 벤치마크 점수의 전후 값은 제시되지만 비교 대상의 버전과 평가 조건은 생략돼 있다. 향후 12개월 안에 제품 성능이 크게 향상되고 조기 도입 기업이 앞설 것이라는 말은 진행자의 전망이다.
- 자막 기반 정리: 타임스탬프가 있는 자막을 기준으로 정리했으며, 고유명사·수치·인용은 원문 확인 필요 시 별도 검증한다.
- 영상 속 주장: 발표자의 해석·전망·비교는 확인된 외부 사실이 아니라 영상 속 주장으로 분리해 읽는다.
- 검증 필요: 수치, 기업 실적, 정책·시장 전망은 발행 전 최신 자료로 별도 검증이 필요하다.
✅ 액션 아이템
- 발표 자료에서 연구 책임자와 GPU 투입 범위를 확인하고, 이미 제공하는 제품 기능과 연구 목표를 구분해 기록한다.
- 두 벤치마크의 원자료에서 비교한 시스템 버전과 평가 조건을 확인한 뒤 점수 상승을 해석한다.
- 평소 수행하는 경쟁사 조사 한 건을 골라 현재 Deep Research로도 조사하고, 기존 보고서와 인용 출처의 정확성, 누락 항목, 수정 시간을 비교한다.
❓ 열린 질문
- 퍼플렉시티는 AI가 스스로 찾아낸 질문이 연구할 가치가 있는지, 도출한 결과가 실제로 새로운지 어떻게 평가할까?
- 웹 조사 벤치마크에서 나타난 성능 향상은 기업이 반복하는 시장 분석이나 잠재 고객 평가에서도 재현될까?