YouTubeJulian Goldie SEO·2026년 11월 18일·0

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.

원본 열기

🖼️ 인포그래픽

NEW Perplexity Update is AMAZING! 내용을 설명하는 본문 이미지

🖼️ 4컷 인포그래픽

NEW Perplexity Update is AMAZING!의 핵심 내용을 4단계로 요약한 인포그래픽
NEW Perplexity Update is AMAZING! 핵심 내용을 4단계로 압축한 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

  1. 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.
  2. 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.
  3. 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.
  4. Frontier Research는 여러 에이전트의 협업, 사전학습, 지속학습, 강화학습, 시스템 인프라, 고난도 성능 평가를 다룬다. 특히 지속학습은 새로운 경험을 학습하면서 기존 지식을 유지하는 과제다.
  5. 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?

관련 문서

공통 태그와 주제 흐름을 기준으로 같이 보면 좋은 문서를 이어서 제안합니다.