정의
모든 문제는 명확한 목표(objective)와 검증 가능한 평가 지표(evaluation metric)를 설정함으로써 compute 자원을 투입한 search problem으로 전환될 수 있다. 이는 딥러닝의 gradient descent와 동형(isomorphic)인 구조로, AI 모델의 capability overhang을 활용하여 비즈니스, 과학, 개인 업무 전 영역에 적용 가능하다.
핵심 속성
- 전제 조건: 강력한 frontier 모델의 존재 (capability overhang으로 인해 모델이 우리가 생각하는 것보다 훨씬 더 많은 능력을 지님)
- 핵심 메커니즘: 목표 명세 → evaluation metric 설정 → 루프(가설-실험-검증) 반복 → 수렴
- 전환 조건: non-verifiable 영역을 verifiable reward로 변환할 수 있는 환경이 핵심 (예: RLVR, 로봇 실험실, 디지털 피드백 루프)
- 위험 요소: reward hacking (모델이 metric을 악용하는 현상), 모호한 metric으로 인한 잘못된 수렴, 환경 설계의 실패
- 상위 추상화: compute를 이용하여 모든 문제를 search problem으로 치환하는 것은 현재 AI 게임의 본질적 관점이며, 하네스-모델-데이터의 우로보로스 순환을 가속화함
관계
- 20260606-agent-disintermediation — 실제 사례: 에이전트가 이 프레임워크를 통해 기존 UX 마찰을 제거
- ax-eliminate-jobs — 실제 사례: AX에서 업무를 없애는 데 이 최적화 프레임워크가 적용됨
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.”