미국 내 AI 프로그램 매핑: 2026년 초 현황 보고 및 AI 전공·부전공 분석
Mapping AI Programs in the U.S: A Status Report from Early 2026 and an Analysis of AI Majors and Minors
한국어 초록
2026년 봄 미국 내 학부 인공지능(AI) 프로그램의 현황에 대한 보고서를 제시한다. 이를 위해 우리는 1) 미국 내 AI 교육 현황을 동적으로 추적하도록 지속 업데이트되는 스크래핑 및 매핑 도구를 설명하고, 2) 큰 변화의 시기에 역사적 기록을 만든다. 우리가 개발한 도구(https://cicmap.ai)는 4년제 대학의 학부 AI 프로그램—전공, 부전공, 집중 과정, 자격증—350개 이상의 데이터를 탐지, 스크래핑하고 표시한다. 우리 도구는 이러한 프로그램을 찾기 위해 560개 이상의 기관을 조사했으며, 이 표본은 미국 내 모든 학부 컴퓨터 과학(CS) 졸업생의 86%를 대표한다. 이 도구는 예비 학생, 진학 상담사, 관리자 및 교수진이 AI 프로그램 요건을 쉽게 확인할 수 있게 하며, 새로운 프로그램이 등장할 때 지속적으로 업데이트되도록 설계되었다. 우리가 아는 한, 이 조사는 지금까지 미국 내 AI 프로그램 현황에 대한 가장 포괄적인 스냅샷을 제공한다. 본 연구를 통해 우리는 세 가지 중요한 공헌을 제공한다: 1) 큰 변화의 시기에 미국 내 AI 프로그램의 기록; 2) AI 프로그램과 그 요건을 탐색할 수 있는 도구; 3) 66개의 AI 전공과 87개의 AI 부전공에 필요한 과목 분석. 전공과 부전공 분석 결과 이러한 학위의 규모와 요건에 큰 변동성이 있지만, 두 가지 시사점을 확인한다. 첫째, 모든 전공이 일반 AI 과목을 요구하지는 않지만, 요구하지 않는 경우에는 기계학습(Machine Learning, ML) 과목을 요구한다. 둘째, 전공의 3분 이상이 AI 윤리(Ethics in AI) 과목을 요구하는 반면, AI 부전공의 경우 4분의 1에 미달한다.
원문 초록
We present a report on the status of undergraduate Artificial Intelligence (AI) programs in the United States in Spring 2026. In so doing, we 1) describe our scraping and mapping tools, which dynamically update to track the state of AI education in the U.S., and 2) create a historic record at a time of great upheaval. The tool we developed, available at https://cicmap.ai, detects, scrapes, and displays data from more than 350 undergraduate AI programs--majors, minors, concentrations, and certificates--at 4-year universities. Our tool searched over 560 institutions to locate these programs, a sample that represents 86\% of all undergraduate Computer Science (CS) graduates in the U.S. This tool allows prospective students, guidance counselors, administrators, and faculty to easily access AI program requirements and is designed to continually update as new programs emerge. To the best of our knowledge, this survey represents the most comprehensive snapshot of the state of AI programs in the U.S. to date. With this work we offer three important contributions: 1) a record of AI programs in the U.S. at a time of great upheaval; 2) a tool to explore AI programs and their requirements; and 3) an analysis of the courses required for 66 AI majors and 87 AI minors. Our analysis of majors and minors shows great variability in the size and the requirements of these degrees, but we note two takeaways. First, not all majors require a general AI course, but if they don't, they do require a Machine Learning (ML) course. Second, while more than a third of majors require an Ethics in AI course, just under a quarter of AI minors do.
요약
미국 내 560개 이상의 교육기관에서 학부 AI 프로그램을 동적으로 추적 및 분석하는 도구를 개발하여 350개 이상의 프로그램 데이터를 제공한다. 66개의 전공과 87개의 부전공 요건 분석 결과, 일반 AI 과목 대신 기계학습(Machine Learning) 과목을 필수로 하거나 전공에서 AI 윤리(Ethics in AI) 과목을 더 많이 요구하는 등 요건에 상당한 차이가 있음을 확인했다.
제출 이력
확인된 버전만 표시합니다. 전체 제출 이력은 arXiv 원문에서 확인하세요.
- arXiv:2606.12428v1제출 시각 미확인
함께 살펴볼 논문
공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.
응용 AI 교육을 위한 경량 사양 주도 AI 지원 소프트웨어 개발 수명 주기: AI-SDLC 접근법
A Lean and Spec-Driven AI-Assisted Software Development Lifecycle for Applied AI Education: The AI-SDLC Approach
AI 코딩 에이전트는 코드 완성을 넘어 계획, 구현, 테스트, 저장소 수준 작업 실행까지 소프트웨어 개발을 점점 더 지원한다. 그러나 실무에서의 사용은 종종 기존 소프트웨어 공학 관행과 약하게만 연결되어 있다. 본 연구의 목표는 거버넌스가 적용된 에이전트형 소프트웨어 공학을 위한 경량의 사양 주도 수명 주기를 개발하고 평가하는 것이다. 이 수명 주기는 기존 소프트웨어 공학 관행과 사양(specifications), AGENTS.md, 단계별 에이전트 스킬 파일을 통한 저장소 로컬 가이던스를 결합한다. 이 접근법은 FHNW 과정 AI-assisted Software Development 맥락에서 개발되었으며, 학생들이 비즈니스 지향 소프트웨어 사용 사례에 적용하였다. 교육적·실무적 적용 가능성은 폐쇄형 평점 항목과 개방형 질문을 결합한 학생 설문을 통해 탐구하였다. 본 연구의 기여는 AI 코딩 에이전트가 명시적이고 검토 가능하며 테스트 지향적인 소프트웨어 개발 수명 주기 내에서 제한된 자율성으로 동작하도록 하는 프로세스 중심 프레임워크이다.
야생에서의 보안 및 프라이버시 프롬프트: 사용자가 LLM에게 묻는 내용과 LLM의 응답 방식
Security and Privacy Prompts in the Wild: What Users Ask LLMs and How LLMs Respond
AI 샌드박스: 위협 모델, 분류 체계 및 측정 프레임워크
AI Sandboxes: A Threat Model, Taxonomy, and Measurement Framework
AI 샌드박스는 소프트웨어 도구, 네트워크로 연결된 장치, 또는 물리적 액추에이터를 통해 작동할 수 있는 시스템에 대한 증거를 생산한다. 이 증거의 해석은 실험의 경계에 달려 있다. 우리는 샌드박스 장치를 정의하고, 서로 겹치는 다섯 가지 원형을 구분하며, 주장 상대적인 측정 차원 열다섯 가지를 명시한다. 최약 고리 허가 규칙(weakest-link licensing rule)은 배치 주장을 가장 약한 필수 증거 차원 수준으로 제한한다. 우리는 이 규칙을 외부로의 피해와 평가 장치의 훼손을 모두 다루는 위협 모델과 연결하고, 주행, 산업 제어, 도구를 사용하는 에이전트, 비전-언어-행동 조작을 아우르는 네 가지 실제 사례에 적용한다. 또한 필요한 산출물을 표준 및 규제 수단에 대응시킨다. 이 프레임워크는 제한된 실험이 어떤 주장을 뒷받침하는지, 그 통제가 어떤 실패를 억제하는지, 그리고 배치 이전에 어떤 가정이 추가 검증을 필요로 하는지를 식별한다.
AGI에서 ASI로
From AGI to ASI
지난 10년간 인간 수준의 인공 일반 지능을 구축하는 일은 터무니없는 추측에서 대규모 AI 조직 다수의 구체적인 향후 10년 목표로 바뀌었다. 이 목표를 달성하면 인간 사회에 깊고 광범위한 영향을 미칠 것이며, 이는 향후 10년에 대해 많은 복잡한 질문을 제기한다. 본 보고서는 기계 지능의 연속체를 따라 AGI 이후 세계에서 AI 자체가 어떻게 계속 발전할 수 있는지를 탐구한다. 이 연속체의 종착점인 범용 AI(Universal AI)는 이론적으로 잘 이해되어 있어, 보고서의 주된 초점인 인간 수준 AGI에서 인공 일반 초지능으로의 전환에 형식적 토대를 제공한다. 인공 일반 초지능은 직관적으로 인간의 대규모 조직보다 더 지능적이고 인지적으로 유능한 시스템으로 이해할 수 있다. 보고서는 ASI를 특징지은 뒤 AGI에서 ASI로 가는 네 가지 잠재적 경로, 즉 AGI의 규모 확장, AI 패러다임 전환, 대규모 다중 에이전트 집단에서 ASI의 출현, 재귀적 개선을 논한다. 이어서 이러한 경로를 따라 나타날 수 있는 마찰과 병목을 논의한다. 이러한 마찰의 영향이 무시할 만한지 상당한지를 판단하는 일은 여러 구체적인 미해결 연구 질문을 제기한다. ASI 진전을 예측하는 데에는 큰 불확실성이 남아 있지만, 향후 몇 년간 AI의 진전이 계속 가속될 가능성을 배제할 수 없다. 이는 인간 수준 AGI의 사회 도입으로 인한 단일하고 변혁적인 단계적 변화라는 그림이 부정확할 수 있음을 시사한다. 오히려 과학과 기술의 여러 분야에서 AI가 가능하게 한 진전과 돌파구로 인해 일련의 변혁적 사회 변화가 일어나는 전망이 더 적절할 수 있다. 이러한 전망에 대비하려면 전 지구적 범위와 관심을 가진 대규모 학제 간 노력이 필요하다.
영향력 있는 다원주의적 정렬 연구를 위한 로드맵
A Roadmap to Impactful Pluralistic Alignment Research
책임 있는 AI에 관한 많은 연구는 수십억 명이 사용하는 AI 시스템의 행동을 바꾸는 것을 목표로 한다. 다양한 인간의 가치와 관점을 대표하고 이에 기여하는 AI 시스템을 구축하는 것을 목표로 하는 다원적 가치 정렬은 이러한 활발한 연구 의제 중 하나로 부상했다. 그러나 주요 프론티어 연구소와 오픈 웨이트 개발자를 감사한 결과, 다원적 정렬이 이들 모델의 학습이나 평가 방식에 영향을 미쳤다는 공개적 증거를 찾을 수 없었다. 다원적 정렬은 주요 목표를 달성하려면 실제 도입이 필요하므로, 우리는 세 가지 장벽을 규명하고 각각을 해결하기 위한 연구 로드맵을 제시한다. 1. 지금까지 다원적 정렬의 정당화는 대부분 규범적이거나 이론적이다. 다원적 AI가 사용자와 사회에 주는 이점과 단점을 측정하는 연구가 필요하다. 2. 다원적 정렬 연구 커뮤니티는 다원적 행동이 언제 정당화되는지, 그리고 실제로 어떤 모습이어야 하는지에 대해 합의하지 못했다. 개발자가 이를 구현할 수 있을 만큼 구체적으로 이 행동을 명세하는 연구가 필요하다. 3. 기존의 다원주의 평가와 방법은 배포할 준비가 되어 있지 않다. 다른 모델 특성에 미치는 영향을 보고하고 프로덕션 시스템의 요구 사항을 충족하는 평가와 방법이 필요하다. 이러한 장벽은 다원적 정렬에만 해당하지 않으므로, 우리의 로드맵은 유사한 변화 이론을 가진 책임 있는 AI 연구의 다른 분야에도 적용된다. 사람들이 더 많은 의사결정을 AI 시스템에 맡기고 AI 에이전트가 사람을 대신해 행동하는 만큼, 우리는 이 로드맵이 해당 연구가 그러한 결정을 내리는 배포된 모델에 도달하도록 돕기를 바란다.
Towards Trustworthy Physical Intelligence: From Theory to Practice Across Life Cycle
토론
이 논문과 연결된 포럼 글이 아직 없습니다.