팟캐스트 ep90에서 HyperAccel 이진원 CTO는 흥미로운 관찰을 했다. 반도체 설계 영역은 AI가 아직 깊이 침투하지 못했는데, 그 이유는 “좋은 반도체”를 평가하는 metric의 검증 과정 자체가 시간이 오래 걸리고 데이터가 부족하기 때문이라는 것이다. 반면 Andrej Karpathy의 Autoresearch가 성공한 사례들(코드 최적화, TinyStories, Sparse Autoencoder)은 모두 빠르고 저렴한 피드백 루프를 가진 도메인이었다.
이 차이는 AI 발전의 패턴을 명확히 보여준다. AlphaGo가 바둑이라는 명확한 승패 규칙(verifiable signal) 덕분에 인간을 이길 수 있었던 것처럼, AI는 그 자체로 “옳고 그름”을 쉽게 판정할 수 있는 영역에서 먼저 돌파구를 만든다. 반도체처럼 검증 주기가 길고 다면적인 영역은 아직 사람의 직관과 경험이 더 중요하다. 이는 “verifiable 하게만 바꾸면 많은 것들이 해결될 것 같다”는 노정석의 말과도 일치한다.
앞으로 AI가 의료 진단, 법률 판단, 신약 개발 등 복잡한 영역으로 확장되려면, 각 분야에서 빠르고 신뢰할 수 있는 평가 지표를 설계하는 것이 핵심 과제가 될 것이다. 단순히 모델의 크기를 키우는 것보다, 어떤 신호로 학습할지를 정하는 문제가 더 근본적일 수 있다.
근거
“우리가 좋은 반도체이냐를 평가하는 metric도 여러 개 있을 수 있지만, 그 metric 평가하는 과정 자체가 길게 일어나기 때문에 아직은 데이터도 좀 부족하고…” — 이진원, ep90
“목표를 명확하게 했던 게 evaluation metric을 명확하게 정의할 수만 있으면 벤치마크가 존재하면 거기는 무조건 된다.” — 노정석, ep90
연결된 생각
- 20260606-autoresearch-concept — Autoresearch는 이 원리를 연구 자동화에 적용한 구체적인 방법론이다.
- 20260606-alphago-mcts-chain-of-thought — 바둑이라는 폐쇄된 검증 가능한 환경에서 AlphaGo가 창발한 과정.
출처
- 📎 클리핑: 20260613-ep98-ko-transcript