정의
현대 AI는 compute 자원을 투입하여 모든 문제를 search problem으로 치환한다. 목표와 평가 지표(evaluation metric)가 명확해지면 모델이 스스로 solution space를 탐색하고 최적해를 찾아내는 방식으로, 이는 딥러닝의 gradient descent 알고리즘과 형식적으로 동형(isomorphic)이다.
핵심 속성
- Search problem 전환 조건: 명확한 목표(objective)와 검증 가능한 평가 지표만 있으면 모든 도메인(코딩, 수학, 의료, 법률, 화학, 물리 등)에 적용 가능.
- RLVR(Reinforcement Learning by Verifiable Rewards): 검증 가능한 보상 신호가 존재하면 모델이 무한 학습을 계속할 수 있어, non-verifiable 영역을 verifiable로 전환하는 환경을 만드는 것이 핵심 경쟁력.
- Capability overhang: 모델의 실제 능력은 인간이 인식하는 것보다 훨씬 뛰어나며, ‘더 일반적인 문제 해결 능력이 특정 도메인을 더 잘 풀게 한다’는 원리(Boris Cherny의 “the most general one is the most specific one”).
- 최적화 대상의 다양성: 하나의 .md 파일, 코드 repository, 회사, 프로젝트 등 무엇이든 이 구조로 넣고 AI 루프를 돌리면 인간이 일하는 것보다 훨씬 빠르게 해결.
관계
- 20260607-ax-is-about-eliminating-work-not-helping — 하위개념 (AX의 실행 원리)
- 20260607-business-in-ai-era-is-like-sailing-race — 연장 (비즈니스 전략에의 적용)
- 20260607-ralph-loop-and-meta-cascading — 대조 (동일 패턴의 다양한 구현)
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.”
“최적화의 대상은 무엇이든 될 수 있어요. 하나의 .md 파일이 될 수도 있고, 코드 repository가 될 수도 있고, 회사가 될 수도 있어요. 프로젝트가 될 수도 있고, 무엇이든 이 구조로 넣고 AI 루프를 돌리는 게 사람이 일하게 하는 것보다 훨씬 빨라요.”
출처
- 📎 클리핑: 20260613-ep98-ko-transcript