정의
AI 문제 해결의 핵심 패러다임은 모든 문제를 계산 자원(compute)을 이용한 Search Problem(탐색 문제)으로 치환하는 것이다. 이는 목표(Objective)와 검증 가능한 평가 지표(Evaluation Metric)를 명확히 하고, 강력한 모델과 함께 최적화 루프(Ralph Loop 등)를 돌려 해결 공간(Solution Space)을 탐색하는 방식으로 작동한다. 인간의 역할은 초기 방향 결정과 Human-in-the-loop 검증으로 축소된다.
핵심 속성
- 목표(Objective) 명확화: 모호한 목표를 측정 가능한 형태로 정의해야 한다. 이 과정에서도 모델의 능력(Capability Overhang)이 활용된다.
- 검증 가능한 보상(Verifiable Reward, RLVR): 정답 여부를 명확히 판단할 수 있는 환경(수학, 코딩, 실험실 등)에서만 이 패러다임이 작동한다. Non-verifiable을 Verifiable로 전환하는 능력이 핵심 해자(Moat)가 된다.
- Compute 투입: 무식할 정도로 단순한 최적화 알고리즘(Gradient Descent 등)에 대규모 계산 자원을 투입하여 문제를 해결한다. 모델이 똑똑해질수록 번역(Translation) 작업까지 수행한다.
- 루프 구조: Ralph Loop, Meta Cascading 등 피드백 루프를 통해 지속적으로 결과를 개선한다. 루프를 닫는 것이 성공의 관건이다.
- 동형성(Isomorphism): 이 패러다임은 딥러닝의 학습 과정(목표, 평가 지표, 최적화)과 구조적으로 동형이며, 진화 알고리즘(Diversification-Selection-Amplification)과도 동일한 프랙탈 구조를 가진다.
관계
- 20260528-rlvr-reinforcement-learning-verifiable-rewards — 상위개념: RLVR은 이 패러다임의 핵심 메커니즘이다.
- 20260515-cua-computer-use-agent — 연장: CUA는 디지털 환경에서 이 패러다임을 구현한 사례이다.
- 20260528-claude-agent-ecosystem — 연장: OpenClaw 등 개인 에이전트 생태계는 이 패러다임의 응용 플랫폼이다.
- 20260501-ralph-loop-method — 연장: Ralph Loop는 이 패러다임에서 반복 최적화 루프의 구체적 구현체이다.
- 20260607-capability-overhang — 하위개념: 모델의 잠재 능력(Capability Overhang)이 이 패러다임의 추진력이다.
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. 다 가보고 정답이면 solution, 아니면 아니라고 하면서 solution space에 마킹하는 겁니다.”
“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