정의
AI 시대의 문제 해결은 모든 도메인의 문제를 compute 자원을 대량 투입한 search problem으로 치환하고, 검증 가능한 보상(verifiable reward)을 발생시킬 수 있는 환경을 구축하여 모델이 스스로 최적해를 탐색하도록 하는 패러다임으로 수렴한다.
핵심 속성
- 문제 전환 능력: 어떤 문제든 solution space를 정의하고 compute로 무차별 탐색(search)하는 형태로 번역함. 모델 자체가 번역까지 수행하여 목표와 평가 기준조차 스스로 정교화함.
- Verifiable Reward 환경: 보상 신호를 객관적으로 검증할 수 있는 환경이 핵심. 수학·코딩에서 시작해 의료·법무·화학·물리 등 일반 영역으로 확장 중. 디지털 환경에서 불가능한 경우(예: 재료 공학)는 로봇 제어 랩을 통해 atom world와 연결하여 환경을 인위적으로 구축.
- Ralph Loop (무한 반복 구조): 목표 명세 → evaluation metric 설정 → 무한 루프(모델이 결과물 생성 후 검사, 통과 못 하면 다시) → 통과 시 종료. 모델이 “아무 문제 없음”이라고 답할 때까지 계속 돌림.
- 최적화 동형성(Isomorphism): 딥러닝의 gradient descent(명확한 scalar loss, computation 투입, 반복 최적화)와 완전히 동일한 구조. 차이는 이제 모델 자체가 objective와 evaluation metric의 정교화를 도와줌.
- Capability Overhang: 모델은 인간이 인식하는 것보다 훨씬 뛰어난 능력을 갖고 있음. 기업이 독점 지식을 보호하기보다 모델에 먼저 제공함으로써 추가 search space를 확보하는 전략이 더 유리함.
관계
- 20260605-all-problems-search-problem — 구체적 통찰(인사이트) · 연장
- 20260605-ax-eliminate-work — 조직 적용 사례 · 실무적 연장
- 20260605-openclaw-disintermediation — 산업 구조 변화 · 같은 패러다임의 다른 표현
인용
“compute를 이용해서 계산 자원을 투입해서 모든 문제를 search problem으로 치환해 버린 겁니다. 어떤 도메인의 문제든 인간이 아직 알지 못하는 superset들을 가지고 있잖아요. 가보지 못한 solution 영역들이 있는데, 그 solution 영역을 computing 자원을 투입해서 다 가보는 거죠.”