정의
AI가 충분히 강력해진 2026년 현재, 모든 도메인의 문제는 목표 명세와 평가 지표를 명확히 한 뒤 compute 자원을 무한히 투입하여 search problem으로 치환할 수 있으며, 모델이 스스로 최적화를 수행하는 패러다임으로 수렴한다.
핵심 속성
- 목표 명세: 인간이 초기 목표를 설정하고, 모델과의 human-in-the-loop 반복을 통해 명확화한다.
- 평가 지표: 모델이 스스로 objective와 evaluation metric을 정제하여 reward signal로 활용한다.
- Compute 투입: 무한 루프(Ralph loop, meta cascading)를 통해 solution space를 전역 탐색한다.
- 보상 신호: Verifiable reward(RLVR)가 가능한 환경이 핵심 해자이며, non-verifiable을 verifiable로 전환하는 능력이 경쟁력이다.
- 동형성: gradient descent 알고리즘과 구조가 완전히 동형(isomorphic)이며, 딥러닝의 성공 공식을 그대로 확장한 것이다.
관계
- 20260606-ax-is-about-elimination-not-optimization — 연장: AX 프로젝트에서도 동일한 최적화 원리가 적용된다.
- 20260606-rlvr-reinforcement-learning-verifiable-rewards — 상위개념: RLVR이 search problem을 구현하는 핵심 방법론이다.
인용
“모든 문제를, 문제 해결이라는 것 자체는 이제 이것밖에 없어요. 똑똑한 모델을 들이대고 그 모델과 함께 목표와 evaluation metric을 명확하게 만들면 다 최적화 문제로 수렴시키는 거예요.”
출처
- 📎 클리핑: 20260613-ep98-ko-transcript