2026년 8월 27일 AI 뉴스 — 애플 M6, 할라피뇨 분석, GPT-5.6 솔 인하

오늘의 AI 뉴스는 애플의 2nm 칩 세대 교체와 오픈AI 추론 칩에 대한 심층 분석, 그리고 AI 코딩 워크플로를 둘러싼 논쟁까지, 로컬 AI 인프라와 개발 문화 양쪽에서 굵직한 소식이 이어졌습니다.

애플, 2nm 칩 M6·M5 울트라 공개

애플이 첫 2nm 공정 칩 M6와 쿼드 다이 구성의 M5 울트라를 공개했습니다. M6는 12코어 CPU(슈퍼 코어 2 + 성능 코어 4 + 효율 코어 6)와 코어마다 뉴럴 액셀러레이터를 품은 12코어 GPU, 듀얼 16코어 뉴럴 엔진 구성으로, 최대 32GB 통합 메모리와 170GB/s 대역폭을 지원합니다. 단일 스레드 성능은 세계 최고 수준이라는 게 애플의 주장이고, AI 기준 GPU 피크 연산은 M5 대비 30% 가까이 늘었습니다.

M5 울트라는 M 시리즈 최초로 울트라퓨전 쿼드 다이를 붙여 최대 36코어 CPU, 80코어 GPU, 32코어 뉴럴 엔진에 512GB 통합 메모리와 1.2TB/s 대역폭을 달성했습니다. 다이 간 대역폭은 4.4TB/s가 넘습니다. 애플은 "수천억 파라미터급 LLM을 온디바이스에서 통째로 돌릴 수 있다"고 못박았는데, AI 기준 GPU 연산이 M3 울트라 대비 최대 4.5배입니다. M6는 새 맥 미니에, M5 울트라는 새 맥 스튜디오에 먼저 실립니다.

원문: Apple introduces M6 and M5 Ultra

새 맥 미니, M6 달고 899달러부터

새 맥 미니는 M6 모델이 899달러(교육 할인 799달러), M5 프로 모델이 1,699달러입니다. M6 모델은 기본 16GB에서 최대 32GB 통합 메모리, M5 프로 모델은 최대 64GB에 307GB/s 대역폭까지 올라갑니다. 애플은 M6의 AI 성능이 M4 대비 최대 4배, LM 스튜디오 기준 LLM 프롬프트 처리가 M1 대비 13.5배 빠르다고 밝혔습니다.

Wi-Fi 7과 블루투스 6을 지원하고, M5 프로 모델은 썬더볼트 5 포트 3개를 갖췄습니다. 사전 주문은 8월 25일에 시작됐고 배송은 9월 22일부터입니다. 애플 실리콘으로 로컬 모델을 돌리는 가장 저렴한 진입점이 갱신된 셈입니다.

원문: New Mac mini, featuring M6 and M5 Pro

할라피뇨, 블랙웰 제쳤다는 분석

세미애널리시스가 오픈AI의 첫 추론 전용 ASIC '할라피뇨'를 심층 분석했습니다. TSMC N3P 공정의 컴퓨트 다이는 MXFP4 기준 13.4 PFLOPs를 내고, HBM4는 15.4TB/s 대역폭으로 HBM3E 대안들을 앞섭니다. 다이당 소비 전력은 700W로 엔비디아 루빈(900~1,150W)보다 낮은데, 거의 모든 시나리오에서 메가와트당 토큰 처리량이 블랙웰을 앞선다는 게 핵심 결론입니다. DeepSeek R1 기준 동시성 1에서 사용자당 초당 700토큰 이상을 찍었습니다.

양산은 2027년에 걸쳐 점진적으로 올라가고 물량 대부분은 내년 말에 잡혀 있습니다. 브로드컴 협력으로 제조 마진이 낮아 토큰당 비용 경쟁력이 있고, 추측 디코딩 구현이 끝나면 추가로 3~5배 비용 절감 여지가 있다는 전망입니다. 이 칩이 깔릴수록 API 추론 가격이 더 내려갈 수 있다는 점이 개발자에게 실질적인 시사점입니다.

원문: OpenAI Jalapeño: Better than Nvidia Blackwell

GPT-5.6 솔 가격 인하

오픈AI가 GPT-5.6 솔 티어의 가격을 인하했습니다. 해당 모델을 API로 쓰고 있다면 청구 비용이 실제로 줄었는지 확인하고 예산을 조정해 볼 시점입니다.

원문: 5.6 Sol pricing has been reduced

챗GPT 워크에 관리자 플러그인

오픈AI가 챗GPT 워크와 코덱스용 관리자 플러그인을 추가했습니다. 워크스페이스 관리자가 구성원 활동을 검토하고, 크레딧 사용량을 관리하고, 권한을 제어할 수 있습니다. 팀 단위로 AI 도구를 운영 중이라면 설정해 둘 만한 기능입니다.

원문: OpenAI adds an admin plugin for ChatGPT Work and Codex

AI 리뷰 루프, 수렴 안 할 수도

LLM이 코드를 리뷰하고 지적을 고치고 다시 리뷰하는 루프가 항상 안정 상태로 수렴하지는 않는다는 분석입니다. AI는 실행마다 일관된 기준을 유지하지 못해 이전 리뷰와 모순되는 지적을 반복하는 '플립플롭'이 생기고, "테스트 커버리지 부족" 같은 좁은 지적이 "CI/CD를 붙여라", "모바일 앱을 만들어라"처럼 범위가 계속 불어나는 문제도 있습니다.

저자는 결함 없는 코드를 클로드 오푸스 5에 넣고 리뷰-수정 루프를 세 번 돌렸는데, 반복할수록 결함 수가 오히려 늘었다고 합니다. 자동 리뷰 파이프라인을 만들기 전에 이 실패 모드를 이해하고, 루프가 폭주하지 않도록 가드레일을 두라는 게 요지입니다.

원문: AI Review Loops Don't Always Stabilise

AI 코딩이 전문성 성장 막는다

전작 "에이전트 코딩은 함정이다"로 화제가 된 라스 파예의 후속 글입니다. 지금 AI 도구로 가장 큰 효과를 보는 사람은 AI 이전부터 수십 년 경력을 쌓은 베테랑들인데, LLM 시대에 입문한 주니어는 전문가 수준의 판단력이 있어야 안전하게 쓸 수 있는 도구를 경력 없이 다뤄야 하는 '숙련된 초보자' 상황에 놓인다는 지적입니다.

핵심 역설은 이렇습니다. 도구는 전문성을 요구하는데, 그 도구가 전문성을 길러 주던 마찰을 없애 버린다면 전문가가 되는 경로 자체가 사라진다는 것. 저자는 JetBrains가 인용한 초보 프로그래머 대상 연구 "The Widening Gap"을 근거로, AI 보조가 '이해 없는 자신감'을 만들어 학습 격차를 오히려 벌린다고 주장합니다. AI 코딩을 도입하는 팀이라면 주니어 육성 방식과 함께 고민해 볼 프레임입니다.

원문: AI Coding will Prevent Expertise

집에서 멀티 GPU로 LLM 돌리기

AMD 라데온 프로 V620 4장(총 VRAM 128GB)으로 홈랩 추론 서버를 튜닝한 실전기입니다. llama.cpp로 젬마4-31B, 딥시크 V4 플래시(284B MoE, 2비트 양자화 81GB) 등을 돌리면서, BIOS MMIO 설정과 iommu=pt 커널 파라미터로 GPU 간 P2P 전송을 살리는 과정부터 레이어 병렬 대 텐서 병렬 선택, 추측 디코딩 조합까지 단계별로 정리했습니다.

결과가 흥미롭습니다. 젬마 단일 카드 19~20 tok/s가 텐서 병렬 2장에서 47 tok/s까지 올랐지만, 4장에서는 PCIe 3.0 x8 대역폭 한계로 오히려 37 tok/s로 떨어졌습니다. 딥시크 V4 플래시는 드래프트 모델을 붙여 9~10에서 22 tok/s로 개선됐습니다. 시스템 RAM으로 흘러넘치면 8 tok/s 이하로 추락하니 실패로 간주하라는 등, 로컬 LLM 호스팅을 고민 중이라면 삽질을 크게 줄여 줄 교훈이 많습니다.

원문: AI At Home Part 2: Multi GPU Drifting

---

나무숲은 매일 아침 AI 뉴스를 큐레이션해 전합니다. 카카오톡 오픈채팅 "매일 AI News"에서 하루 한 번, 핵심만 받아보세요.