Ilya Sutskever의 Dwarkesh 인터뷰는 “스케일링 법칙이 깨졌다”는 오해를 낳았지만, 실제로 그의 요지는 달랐다. 그는 pre-training 스케일링이 앞으로도 성능 향상을 가져오리라는 점을 인정하면서도, AGI에 도달하기 위해서는 o1과 같은 추론 패러다임이나 지속 학습(continual learning) 같은 추가적인 연구적 돌파구가 반드시 필요하다고 말했다. Noam Brown이 정리했듯, 대부분의 선구 연구자들은 이 지점에 동의한다 — 당장의 모델만으로도 경제적 임팩트는 충분하지만, 진정한 초지능을 향해서는 근본적인 일반화 문제를 풀어야 한다. 결국 이 논란은 단순한 기술 전망을 넘어, 수천억 달러의 투자와 국가 안보가 걸린 경제적·정치적 문제로 확장된 것이다. ‘연구의 시대’를 선언한 Ilya의 메시지는 어쩌면 너무나 당연한 진리를 재확인한 것에 불과하다.
근거
“지금의 패러다임만으로도 추가적인 연구적 돌파구가 없어도 막대한 경제·사회적 임팩트를 내기는 충분할 가능성이 크다. 그런데 정말 AGI, ASI로 가려면 지속 학습이나 샘플 효율 등 추가적인 돌파구가 더 필요할 확률이 높다.” — Noam Brown의 정리
“pre-training의 스케일링만으로 지금 수준의 모델 성능에 도달하려고 하면 그 스케일이 어마어마해야 했을 것입니다. 그런데 그 돌파구를 찾았던 게 굉장히 연구적인 접근이었던 o1과 RL이죠.” — 김성현, 대화 중
연결된 생각
- 20260606-ilya-sutskever — 일리야 수츠케버의 연구 배경과 추가 발언
- 20260606-reinforcement-learning-test-time — o1에서 보여준 테스트타임 RL의 성과
- 20260606-continual-learning — 지속 학습이 왜 AGI의 핵심 조건인지