2026년 3월, Andrej Karpathy가 공개한 Autoresearch는 단 몇 줄의 코드와 명세로 AI가 스스로 연구를 수행하는 데모를 보여주었다. 단순한 prepare.py, train.py, program.md 파일로 구성된 이 시스템은 “never stop”이라는 지시 아래, 목표를 달성할 때까지 아이디어 생성 → 실험 → 평가를 반복한다. 놀라운 점은 이 접근법이 TinyStories 최적화, Sparse Autoencoder, 심지어 Shopify의 코드 최적화 등에서 실제로 작동한다는 것이다.
이것이 시사하는 바는 크다. 만약 어떤 문제가 평가 가능한 메트릭(verifiable signal)을 갖는다면, 더 이상 인간 연구자가 세부 알고리즘을 고민할 필요가 없다. AI가 자율적으로 가설을 세우고 실험하며 최적해를 찾아낸다. 물론 평가 자체가 어렵거나 시간이 오래 걸리는 도메인(예: 반도체 설계 검증)에서는 아직 적용이 어렵지만, 그 경계는 점점 확장되고 있다. 이는 OpenAI가 예고한 “AI 리서치 인턴”의 현실화이며, 연구 패러다임의 전환을 의미한다.
근거
“될 때까지 그냥 계속 돌리신 거거든요. 이게 앞으로만 가는 게 아니라 뒤로 가서 가설을 세우고 다시 가보고, 안 되면 뒤로 가서 다시 가설을 세우고 그거가 되는 알고리즘을 찾아가는 과정을 흥미롭게 볼 수 있었어요.” — 최승준
Ralphthon 행사에서 1등과 2등이 모두 평가 하네스 설계자였다는 사실은, 성공의 열쇠가 루프 자체가 아니라 “무엇을 평가할 것인가”에 있음을 보여준다.
연결된 생각
- 20260606-verifiable-reward-loop — 이 인사이트는 wiki 개념 노트에서 정의한 검증 가능한 신호 기반 루프의 구체적 사례이다.
- 20260606-alphago-move-37-platform-37 — AlphaGo의 MCTS도 실질적으로 동일한 원리(자기 대국과 평가)를 사용했으며, Autoresearch는 그 현대적 변형이다.
출처
- 📎 클리핑: 20260613-ep98-ko-transcript