정의
AI 시대에 모든 비즈니스 문제는 계산 자원(compute)을 투입하여 검색 문제(search problem)로 전환할 수 있다. 핵심은 검증 가능한 보상 신호(verifiable reward)를 발생시킬 수 있는 환경을 구축하는 것이며, 이를 통해 모델이 스스로 진화하는 최적화 루프를 형성한다.
핵심 속성
- 검증 가능성(Verifiability): 문제가 verifiable reward로 전환될 수 있어야 RLVR이 작동. 수학·코딩에서 의료·법무·화학 등으로 확장 중.
- Compute 투입: gradient descent와 동일한 원리 — 단순하지만 무식하게 계산을 반복해 solution space를 탐색.
- 자기 증강 루프: 모델이 스스로 evaluation metric을 설정하고 on-policy 학습을 진행. 사람이 일일이 개입할 필요 없음.
- 동형성(Isomorphism): 딥러닝의 최적화 과정(명확한 목표 + scalar loss + computation)이 AI 비즈니스의 모든 문제에 isomorphic하게 적용됨.
관계
- 20260607-rl-environment-scaling — 하위개념: RLVR 환경이 검증 가능성을 실현하는 구체적 방법론
- 20260607-bundle-unbundle-framework — 연장: bundle-unbundle 패턴이 동일한 진화 알고리즘으로 산업 구조를 변환
- 20260607-capability-overhang — 연장: 모델의 capability overhang이 최적화 전환의 실효성을 높임
- 20260607-harness-lifecycle — 연장: 하네스가 이 최적화 루프를 도구화하는 방식
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