AI는 자기 추론에서 어떻게 다시 학습하는가 — Stanford CS329A Part 6 Train-Time Scaling
Stanford CS329A Part 6를 따라 STaR, DeepSeekMath/GRPO, DAPO를 연결한다. 검증된 reasoning이 어떻게 지속적인 train-time improvement로 바뀌는지 살펴본다.
AI·테크
AI 에이전트의 능력과 신뢰성은 다르다 — Stanford CS329A Part 5 Agent Evaluation
Stanford CS329A Part 5의 METR, GDPval, DeepScholarBench를 통해 agent capability와 reliability, context, 전문가 수준 산출물 품질이 왜 별개인지 살펴본다.
AI 에이전트의 피드백은 어디서 와야 하는가 — Stanford CS329A Part 4
Stanford CS329A Part 4를 따라 ReAct, 코드 실행 피드백, Constitutional AI를 하나의 질문으로 연결한다. Self-improving agent는 어떤 교정 신호를 믿어야 하는가?
Verifier도 틀릴 수 있다 — Stanford CS329A Part 3 Robust Verification
Stanford CS329A Part 3를 따라 outcome verifier, process reward model, Math-Shepherd, weak-verifier ensemble과 distillation까지 검증 기술의 진화를 살펴본다.
Test-Time Compute의 핵심은 ‘더 많이’가 아니라 ‘어디에 쓸 것인가’다 — Stanford CS329A Part 2
Stanford CS329A Part 2를 따라 repeated sampling, verifier bottleneck, compute-optimal inference, Archon까지 살펴보면 test-time scaling은 결국 연산 배분 문제라는 점이 드러난다.
AI 발전의 중심은 왜 ‘더 큰 모델’에서 확장되고 있는가 — Stanford CS329A Part 1
Stanford CS329A Part 1을 따라 사전학습 스케일링에서 CoT, post-training, test-time compute, verifier, agentic feedback loop로 이어지는 변화를 자세히 살펴본다.
자가 개선 AI 에이전트는 하나의 모델이 아니다 — 핵심은 피드백 루프다
Stanford CS329A의 9편 강의를 관통해 보면 자가 개선 AI의 핵심은 더 큰 모델 하나보다 탐색·검증·도구·학습·평가를 연결하는 닫힌 피드백 루프에 가깝다.
2026년에 다시 읽는 일론 머스크의 2022년 미래 구상
2022년 일론 머스크는 자율주행, 휴머노이드 로봇, 뇌-컴퓨터 인터페이스, 스타십을 하나의 낙관적 미래 구상으로 묶었다. 4년 뒤 실제 진척을 대조해 보면 비전, 기술 경로, 일정 예측을 따로 읽어야 하는 이유가 선명해진다.
2017년 TED 대담에서 드러난 일론 머스크의 ‘만들 가치가 있는 미래’
지하 터널, 전기차, 태양광, 재사용 로켓, 화성까지. 2017년 TED 대담을 하나의 흐름으로 보면 일론 머스크가 기술과 미래를 연결하는 방식이 드러난다.
AI 데이터센터에 전력이 더 필요해질수록, 더 어려운 질문은 ‘누가 비용을 내는가’다
AI 데이터센터의 전력 문제는 발전량만의 문제가 아니다. 필요한 전력을 얼마나 빨리 연결할지, 그리고 신규 전력망 비용과 위험을 누가 부담할지가 새로운 핵심 쟁점이 되고 있다.